Apuntes Probabilidad y Estadística IC

Apuntes
Probabilidad y Estadística
Ingeniería Civil
𝒊𝑪𝝅𝒓
ING. CARLOS PADILLA RAMOS
Tecnológico Nacional de México

Instituto Tecnológico de La Paz, BCS
Tecnológico Nacional de México Instituto Tecnológico de La Paz, BCS.
Caracterización de la asignatura.
Esta asignatura aporta al perfil del ingeniero civil nuevas estrategias para
resolver problemas de aplicación matemática referente a la recolección,
análisis e interpretación de datos, busca explicar condiciones regulares en
fenómenos tipo aleatorio en la ingeniería civil actualmente.
Proporciona las herramientas necesarias para el desarrollo de habilidades de

investigación científicotecnológica y aplicación de conocimientos en el manejo
y procesamiento estadístico de la información que requiere el tratamiento de
la modelación de fenómenos bajo incertidumbre y que son propios del área de
la ingeniería civil.
La asignatura de Probabilidad y Estadística en la carrera de ingeniería civil

proporciona los elementos básicos para hacer la descripción de fenómenos de
interés por medio de la estimación de los parámetros poblacionales
necesarios para su análisis. Proporciona los elementos para entender las leyes
probabilísticas que rigen las relaciones tanto a priori como a posteriori del
fenómeno bajo estudio. Permite conocer las formas que asumen los
fenómenos más comunes que pueden ser estudiados desde la probabilidad y
estadística.
Puesto que esta materia dará soporte a otras, más directamente vinculadas
con desempeños profesionales, se encuentra ubicada en el segundo semestre
de la estructura curricular, antes de cursar aquéllas a las que da soporte.
Ing. Carlos Padilla Ramos Page 1

Intención didáctica.
La materia de Probabilidad y Estadística permite modelar los fenómenos para

conocer su comportamiento, y evaluar la magnitud, de los mismos. Le debe
permitir identificar los problemas que son susceptibles de ser analizados
desde la disciplina en cuestión. Además, debe permitirle estructurar métodos
de análisis propios para la investigación a partir del conocimiento de las
formas que los fenómenos desarrollan.
El enfoque sugerido para la materia requiere que las actividades prácticas

promuevan el desarrollo de habilidades y estrategias para su entorno laboral,
tales como: identificación del software en la resolución de los problemas y
saber utilizar las aplicaciones adecuadas con lo que se requieren. En las
actividades prácticas sugeridas, es conveniente que el profesor guíe a sus
alumnos para que ellos realicen las actividades y aprendan a identificar cada
uno de los elementos.
La lista de actividades de aprendizaje no es exhaustiva, se sugieren sobre

todo las necesarias para hacer más significativo y efectivo el aprendizaje.
Algunas de las actividades.

Competencias a desarrollar.
Competencias específicas de la asignatura.
Construye y aplica los modelos probabilísticos adecuados en la solución de

problemas que involucren fenómenos aleatorios relacionados con la práctica
de la ingeniería civil, mediante la selección, organización, manejo y análisis de
la información que permita inferir y pronosticar el comportamiento de
parámetros relacionados con dichos fenómenos.
Competencias previas.
• Aplicar la teoría de conjuntos y de las técnicas de conteo.

• Resolver funciones algebraicas.
• Resolver expresiones que impliquen la utilización de la sumatoria

Unidad 1. Teoría de la probabilidad.
Competencias específicas.
Define y diferencia las características que determinan los tipos de

probabilidades. Calcula las probabilidades condicionales para un conjunto de
eventos de un espacio muestral, y determina si existe independencia entre
ellos.
Competencias genéricas.
Búsqueda de información confiable y pertinente. Capacidad de análisis y

síntesis de información. Solución de problemas. Toma de decisiones.
Capacidad crítica y autocrítica. Capacidad de trabajar en equipo
interdisciplinario. Trabajar en forma autónoma. Búsqueda del logro, con
reflexión ética.
Unidad 2. Variables aleatorias y distribuciones.
Construir el concepto de variable aleatoria y determinar su relación con los

conceptos de funciones de densidad de probabilidad y de distribución
acumulativa. Calcular la esperanza matemática, momento y varianza de una
variable aleatoria, dada su función de probabilidad y su función de densidad
probabilística. Determinar las características de las distribuciones de
probabilidad discretas y continuas.

reflexión ética.

Unidad 3. Estadística descriptiva y la teoría del muestreo.
Representar, analizar e interpretar conjuntos de datos obtenidos a partir de

diferentes tipos de muestreo de una situación real o simulada, haciendo
síntesis de ellos mediante descripciones numéricas en las cuales se
representen las medidas de tendencia central y de dispersión.

reflexión ética.
Unidad 4. Inferencia estadística.
Aplicar los principios de la estadística inferencial en la determinación de los

valores de parámetros poblacionales mediante su estimación y planteamiento
y prueba de hipótesis.

reflexión ética.

Unidad 5. Análisis de regresión y correlación.
Aplicar las técnicas de regresión y correlación para determinar y predecir el

estado de las variables aleatorias, así como la dependencia entre éstas.

reflexión ética.

Contenido
1.- Teoría de la probabilidad.
1.1 Conjuntos, sus operaciones, leyes y su representación.
1.2 Introducción a la probabilidad
1.2.1 Probabilidad de eventos aleatorios.
1.2.2 Diagramas de árbol
1.2.3 Permutaciones y combinaciones.
1.2.4 Espacio muestral y eventos
1.3 Definiciones de probabilidad.
1.3.1 Definición clásica.
1.3.2 Con base en la frecuencia relativa.
1.3.3 Axiomática.
1.4 Probabilidad condicional e independencia
1.5 Teorema de Bayes.
2.- Variables aleatorias y distribuciones.

2.1 Variable aleatoria y funciones de densidad de probabilidad y de
distribución acumulativa.
2.2 Valor esperado y momentos.
2.3 Distribuciones discretas.
2.3.1 Bernoulli
2.3.2 Binomial
2.3.3 Poisson.
2.3.4 Geométrica.
2.4 Distribuciones continuas.
2.4.1 Uniforme
2.4.2 Exponencial.
2.4.3 Normal y normal estándar
2.4.4 Aproximaciones con la normal.

3.- Estadística descriptiva y la teoría del muestreo.

3.1 Distribuciones de frecuencia, de frecuencia relativa y acumulada.
3.2 Medidas de tendencia central: media, mediana, moda, promedio
(ponderado, móvil), media geométrica, media armónica, cuantiles (cuartiles,
deciles y percentiles).
3.3 Medidas de dispersión: rango o amplitud de variación, desviación media,
varianza, desviación estándar, momentos y kurtosis.
3.4 Muestreo aleatorio: simple, sistemático, estratificado, por
conglomerados.
3.5 Muestreo no aleatorio: dirigido, por cuotas, deliberado.
4.- Inferencia estadística.

4.1 Estimación puntual y por intervalos de confianza.
4.2 Estimación de la media, de la diferencia de medias, de la proporción y de
la diferencia de proporciones.
4.3 Determinación del tamaño de la muestra.
4.4 Prueba de hipótesis
4.4.1 Pruebas unilaterales y bilaterales.
4.4.2 Pruebas para media y para diferencia de medias.
4.4.3 pruebas para proporción y diferencia de proporciones.
4.5 Muestras pequeñas.
4.5.1 Distribución t de Student.
4.5.2 Distribución de ji-cuadrada. Cuadros de contingencia, limitaciones de
la prueba.
5.- Análisis de regresión y correlación.
5.1 Regresión lineal simple, curvilínea y múltiple.

5.2 Correlación.
5.3 Regresión y correlación para datos agrupados.
5.4 Correlación por rangos.
5.5 Coeficiente de correlación para datos nominales.

1.- Teoría de la probabilidad.
1.1 Conjuntos, sus operaciones, leyes y su representación.
En matemáticas se denominan conjuntos a la colección o agrupación de

elementos siempre y cuando exista una condición para que tales elementos
pertenezcan a un determinado conjunto. A los elementos de un conjunto,
también se les reconoce como objetos del conjunto.
Ahora bien, de acuerdo con nuestra materia, lo que nos interesa estudiar es
el comportamiento de fenómenos aleatorios. Es decir, fenómenos en los
cuales no podemos saber, con plena certeza su resultado. Y dicho
comportamiento, puede relacionarse con el resultado de un determinado
experimento.
Por ejemplo, un experimento puede consistir en;
- Medir la hora en que pasa el ómnibus; Observar el punto de caída de una

piedra; Anotar el resultado de un partido de fútbol.
Teniendo en mente esta relación, pasemos a desarrollar la teoría desde esta

óptica, considerando el comportamiento aleatorio de ciertos fenómenos como
resultados de un experimento determinado.
Definimos, a continuación, algunos elementos comunes en cualquier

experimento:
Conjunto Universo o Espacio muestral: conjunto de todos los posibles

resultados que se pueden dar al realizar un experimento.
Ejemplo: Resultados posibles de lanzar un dado.
𝑺 = 𝑼 = {𝟏, 𝟐, 𝟑, 𝟒, 𝟓, 𝟔}

Evento Simple: cada uno de los posibles resultados, considerados

individualmente. Es decir, cada uno de los elementos del espacio muestral.
Ejemplo: Que se obtenga el número 1 al lanzar un dado.
𝑨 = {𝒙⁄𝒙 𝒆𝒔 𝒆𝒍 𝒏ú𝒎𝒆𝒓𝒐 𝟏} 𝑨 = {𝟏}
Evento compuesto: conjunto formado de eventos simples.
𝑺 = {𝒙⁄𝒙 𝒆𝒔 𝒖𝒏 𝒏ú𝒎𝒆𝒓𝒐 𝒑𝒂𝒓}
𝑨 = {𝟐} 𝑩 = {𝟒} 𝑪 = {𝟔}
𝑺= 𝑨∪𝑩∪𝑪
A continuación, definamos algunas operaciones básicas relacionadas con

conjuntos:
La unión de conjuntos; 𝑨 ∪ 𝑩.
Estará dada por todos los resultados que pertenecen al evento A, o al evento
B, o a ambos eventos.
Ejemplo:
𝐴 = {0,1,2,3,4,5} 𝐵 = {4,5,6,7,8,9}
𝑨 ∪ 𝑩 = {𝟎, 𝟏, 𝟐, 𝟑, 𝟒, 𝟓, 𝟔, 𝟕, 𝟖, 𝟗}
Nótese que los elementos que aparecen en ambos conjunto no se repiten en el

conjunto unión.

La intersección de conjuntos; 𝑨 ∩ 𝑩.
Estará dada por todos los resultados que pertenecen al evento A y al evento
B, simultáneamente.
Ejemplo:
𝐴 = {0,1,2,3,4,5} 𝐵 = {4,5,6,7,8,9}
𝑨 ∪ 𝑩 = {𝟒, 𝟓}
Diferencia de conjuntos.
Está formado por los elementos del minuendo que no están en el sustraendo.
Es decir; (A-B) es el conjunto formado por los elementos que pertenecen al
conjunto A y que no están en conjunto B.
Ejemplo:
𝐴 = {0,1,2,3,4,5} 𝐵 = {4,5,6,7,8,9}
𝑨 − 𝑩 = {𝟎, 𝟏, 𝟐, 𝟑}

El conjunto Complemento; 𝑨′ .
Está formado por todos los elementos que pertenecen al universo “U” y no
están en el conjunto A.
Ejemplo:
𝑈 = {0,1,2,3,4,5,6,7,8,9} 𝐴 = {4,5,6,7,8,9}
𝐴′ = {0,1,2,3}
Los subconjuntos; 𝑨 ⊂ 𝑩.
Un subconjunto existe, cuando todos los elementos de un conjunto A,
pertenecen a un conjunto B. Se dice también que el conjunto A está incluido
en el conjunto B.
Ejemplo:
𝐴 = {4,5} 𝐵 = {𝟒, 𝟓, 6,7,8,9}
𝑨 ⊂ 𝑩 = {𝟒, 𝟓}

Conjunto vacío; 𝝓
El conjunto vacío es aquel que carece de elementos.
Ejemplo:
𝐴 = {0,1,2,3,4,5} 𝐵 = {6,7,8,9}
𝑨∩𝑩 ={ }= 𝝓
Conjuntos ajenos o mutuamente excluyentes.

Se dice que dos o más conjuntos son mutuamente excluyentes, cuando no
comparten ningún elemento entre sí. Es decir que su intersección es el
conjunto vacío.
Ejemplo:
𝑨 = {𝟎, 𝟏, 𝟐, 𝟑, 𝟒, 𝟓} 𝑩 = {𝟔, 𝟕, 𝟖, 𝟗}
𝑨 𝒚 𝑩 𝒔𝒐𝒏 𝒎𝒖𝒕𝒖𝒂𝒎𝒆𝒏𝒕𝒆 𝒆𝒙𝒄𝒍𝒖𝒚𝒆𝒏𝒕𝒆𝒔 𝒚 𝒑𝒐𝒓 𝒆𝒍𝒍𝒐;
𝑨∩𝑩 ={ }= 𝝓

Ejercicios resueltos de operaciones con conjuntos.
-Unión e intersección.
𝑨 = {𝟏, 𝟐, 𝟑, 𝟒, 𝟓, 𝟔}
𝑩 = {𝟐, 𝟒, 𝟔, 𝟖, 𝟏𝟎}
𝑪 = {𝟓, 𝟔, 𝟕, 𝟖, 𝟗}
𝟏) (𝑨 ∪ 𝑩) ∩ 𝑪
𝐴 ∪ 𝐵 = {1,2,3,4,5,6,8,10}
(𝑨 ∪ 𝑩) ∩ 𝑪 = {𝟓, 𝟔, 𝟖}
𝟐) (𝑩 ∩ 𝑪) ∪ (𝑨 ∩ 𝑩)
𝐵 ∩ 𝐶 = {6,8}
𝐴 ∩ 𝐵 = {2,4,6}
(𝑩 ∩ 𝑪) ∪ (𝑨 ∩ 𝑩) = {𝟐, 𝟒, 𝟔, 𝟖}
-Diferencia y complemento.
𝑼 = {𝒂, 𝒃, 𝒄, 𝒅, 𝒆, 𝒇, 𝒈}
𝑨 = {𝒂, 𝒃, 𝒄, 𝒅}
𝑩 = {𝒂, 𝒄, 𝒆, 𝒈}
𝑪 = {𝒃, 𝒆, 𝒇, 𝒈}
𝟑) 𝑨′ −𝑩
𝐴′ = {𝑒, 𝑓, 𝑔}
𝑨′ − 𝑩 = {𝒇}
𝟒) (𝑨 − 𝑪)′
𝐴 − 𝐶 = {𝑎, 𝑐, 𝑑}
(𝑨 − 𝑪)′ = {𝒃, 𝒆, 𝒇, 𝒈}

5) En un grupo de 34 personas, entre las cuales 21 son aficionadas al

futbol, 18 al basquetbol y 10 son aficionados a ambos deportes.
Responda a las siguientes preguntas:

¿Cuántos hay que no son aficionados a ningún deporte?
¿Cuántos hay que son aficionados a un solo deporte?
Como hemos podido notar, los

diagramas de Venn, son muy
útiles para la representación
gráfica de las operaciones con
conjuntos. Ahora nos podemos
percatar, cuán útiles son,
también, para la realización de
conteos rápidos y, además, más
adelante, para el cálculo de
probabilidades.
Las respuesta a las preguntas son:
¿Cuántos hay que no son aficionados a ningún deporte?
Como podemos observar, fuera de los conjuntos de aficionados se encuentran

las personas que no son aficionados a ningún deporte.
𝑹 = 𝟓 𝒑𝒆𝒓𝒔𝒐𝒏𝒂𝒔
¿Cuántos hay que son aficionados a un solo deporte?
Claramente notamos que son las que están fuera de la intersección de los
conjuntos de aficionados y la cantidad de aficionados a un solo deporte es la
suma de estas dos cantidades.
La respuesta es:
𝒔𝒐𝒍𝒐 𝒂𝒍 𝒇𝒖𝒕𝒃𝒐𝒍 = 𝟏𝟏
𝒂𝒇𝒊𝒄𝒊𝒐𝒏𝒂𝒅𝒐𝒔 𝒂 𝒖𝒏 𝒔𝒐𝒍𝒐 𝒅𝒆𝒑𝒐𝒓𝒕𝒆: 𝒔𝒐𝒏 𝟏𝟗 𝒑𝒆𝒓𝒔𝒐𝒏𝒂𝒔
𝒔𝒐𝒍𝒐 𝒂𝒍 𝒃𝒂𝒔𝒒𝒖𝒆𝒕𝒃𝒐𝒍 = 𝟖

1.2 Introducción a la probabilidad.
1.2.1 Probabilidad de eventos aleatorios.
Un evento aleatorio es algo impredecible. Como es impredecible, nunca se

le puede dar un valor/probabilidad exacto. Por ejemplo, no podría predecir la
probabilidad de caerse por un tramo de escaleras en los próximos diez años,
ya que es un evento completamente aleatorio. Lo contrario de aleatorio
es determinista , lo que significa que se puede calcular exactamente. Por
ejemplo, su altura se puede calcular a la pulgada más cercana, por lo que la
altura es determinista.
𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠
𝑃(𝐴) =
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
Los eventos, en probabilidad, pueden ser:
Independientes; Son aquellos que no se ven afectados por los otros.
Ejemplo: Al lanzar una moneda, tenemos la posibilidad de que se presenten 6

resultados. Si ninguno de ellos condiciona su resultado a otro, entonces
tendremos que a cada posibilidad de ocurrencia se le asigna 1/6 como la
probabilidad de que ocurra.
Dependientes; Son llamados, también, condicionales y se trata de eventos

cuyas ocurrencias se ven condicionadas por otros eventos de los cuales
dependen o a los cuales están condicionados.
Ejemplo: Al lanzar, por segunda ocasión, una moneda, tenemos la posibilidad

de que se presenten, de nuevo, otros 6 resultados. Ahora, se tendría que,
para cada posibilidad de ocurrencia, se asignaría, de manera independiente, la
probabilidad de 1/36. Sin embargo, supongamos que nos interesan los posibles
resultados, en el segundo lanzamiento, cuando se ha obtenido un número
determinado en el primero, entonces estamos ante eventos que dependen los
segundos de la ocurrencia o no, de los primeros. Su probabilidad se expresa
como;
𝑷(𝑩⁄𝑨)
…que se lee como; la probabilidad de que ocurra B, dado que ha sucedido A.

Mutuamente excluyentes; Se trata de aquellos eventos que no pueden

ocurrir al mismo tiempo. Es decir, o sucede uno, o sucede el otro.
Ejemplo:
Girar a la izquierda y a la derecha al mismo tiempo.

Obtener cara y cruz en un solo lanzamiento de una moneda.
Ahora, bien, dada la necesidad de “cuantificar” eventos y sus posibles

resultados de ocurrencia, existen algunas procesos o técnicas de conteo.

1.2.2 Diagramas de árbol.
El diagrama de árbol es una representación gráfica de los posibles resultados

de un experimento que consta de una serie de pasos, donde cada uno de ellos
tiene un infinito de maneras de ser llevado a cabo. Se utiliza, como ya se
comentó, en los problemas de conteo y probabilidad.
Para la construcción de un diagrama de árbol se partita trazando una rama

para cada una de las posibilidades de ocurrencia del experimento. Cada una
de estas ramas se conocen como ramas de primera generación. En el extremo
de cada rama de primera generación se traza un nudo, de donde partirán
nuevas ramas conocidas como de segunda generación, según las posibilidades
del siguiente caso, salvo si el nudo representa un posible final del
experimento (nudo final).
Cabe mencionar que en la construcción de un árbol no depende de tener el

mismo número de ramas de segunda generación, que en la primera y que la
suma de probabilidades de cada nudo debe ser igual a la unidad.
Ejemplo:
La población de una universidad está formada por tres facultades:
La primera con el 50% de estudiantes.

La segunda con el 25% de estudiantes.
La tercera con el 25% de estudiantes.
Y se sabe que las mujeres se encuentran repartidas de manera uniforme en

todas las facultades, en un 60%.
En el gráfico se muestra, con

suficiente claridad, toda la
información otorgada de la
distribución de la población de la
universidad referida, en su
totalidad y por cada una de las
facultades de que está formada.

Consideremos que nos interesa conocer la posibilidad de obtener algunos

resultados, tales como:
-La probabilidad de encontrar una dama, y que pertenezca a la primera

facultad.
𝑃(𝑑𝑎𝑚𝑎 ⁄𝐹𝑎𝑐. 1) = (0.5) ∙ (0.60) = 0.30 𝑜 30%
-La probabilidad de encontrar a un alumno varón.

𝑷(𝒗𝒂𝒓ó𝒏) = 𝑷(𝒗⁄𝒇𝒂𝒄𝟏) + 𝑷(𝒗⁄𝒇𝒂𝒄𝟐) + 𝑷(𝒗⁄𝒇𝒂𝒄𝟑)
𝑷(𝒗𝒂𝒓ó𝒏) = (𝟎. 𝟓𝟎 ∙ 𝟎. 𝟒𝟎) + (𝟎. 𝟐𝟓 ∙ 𝟎. 𝟒𝟎) + (𝟎. 𝟐𝟓 ∙ 𝟎. 𝟒𝟎)
𝑷(𝒗𝒂𝒓ó𝒏) = (𝟎. 𝟐𝟎) + (𝟎. 𝟏𝟎) + (𝟎. 𝟏𝟎) = 𝟎. 𝟒𝟎 = 𝟒𝟎%

1.2.3 Permutaciones y combinaciones.
Las permutaciones y las combinaciones son arreglos que pueden formarse con
algún grupo o conjunto de objetos, donde puede o no importar el orden. En las
permutaciones, el orden no importa, mientras que en las combinaciones si
importa.
Por ejemplo, si pretendemos hacer una ensalada de frutas, y se tienen tres

frutas, no importará el orden en que las frutas sean colocadas en el platón
para la ensalada, o este será irrelevante; el resultado final será siempre el
mismo; una ensalada de tres frutas.
Sin embargo, si pensamos en un candado cuya apertura sea a través de una

combinación numérica, esta deberá respetar, rigurosamente, su orden, ya que
ninguna otra composición o arreglo numérico, aunque contenga los mismos
números, podría servir para abrir.
En el siguiente cuadro se presentan las distintas posibilidades de hacer,

Permutaciones o combinaciones.
𝐿𝑖𝑛𝑒𝑎𝑙 = 𝑛!
𝐶𝑖𝑟𝑐𝑢𝑙𝑎𝑟 = (𝑛 − 1)!
𝑺𝑰 𝑠𝑒 𝑡𝑜𝑚𝑎𝑛𝑡𝑜𝑑𝑜𝑠𝑙𝑜𝑠𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠(𝑃𝑒𝑟𝑚𝑢𝑡𝑎𝑐𝑖ó𝑛) { 𝑛!
𝑅𝑒𝑝𝑒𝑡𝑖𝑑𝑜𝑠 =
𝑟1! ∙ 𝑟2! ∙ 𝑟3! ∙ . . .∙ 𝑘𝑛 !
𝑛!
𝐶𝑜𝑚𝑏𝑖𝑛𝑎𝑐𝑖ó𝑛(𝑠/𝑟) =
𝐸𝑣𝑒𝑛𝑡𝑜 (𝑛 − 𝑟)! ∙ 𝑟!
𝑵𝒐 𝑖𝑚𝑝𝑜𝑟𝑡𝑎 𝑒𝑙 𝑜𝑟𝑑𝑒𝑛
𝑛+𝑟−1
𝐶𝑜𝑚𝑏𝑖𝑛𝑎𝑐𝑖ó𝑛(𝑐/𝑟) =
𝑵𝒐 𝑠𝑒 𝑡𝑜𝑚𝑎𝑛 𝑡𝑜𝑑𝑜𝑠 𝑙𝑜𝑠 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 { (𝑛 − 1)! ∙ 𝑟!
𝑛!
𝑉𝑎𝑟𝑖𝑎𝑐𝑖ó𝑛(𝑠/𝑟) =
𝑺í 𝑖𝑚𝑝𝑜𝑟𝑡𝑎 𝑒𝑙 𝑜𝑟𝑑𝑒𝑛 { (𝑛 − 𝑟)!
{ { 𝑉𝑎𝑟𝑖𝑎𝑐𝑖ó𝑛(𝑐/𝑟) = 𝑛𝑚
Permutaciones; En las permutaciones debemos preguntarnos si, en los

experimentos a realizar, se permite, o no, la repetición de los elementos a
permutar, así, pues, tenemos que;
-Se permite la repetición;
Si un experimento se realiza “n” veces, cada experimento se realiza con un

grupo de “r” elementos, entonces;
𝒏𝑷𝒓 = 𝒏𝒓

Ejemplo:
¿Cuántos boletos pueden elaborarse, para realizar un sorteo, si los números

resultantes deben ser de tres cifras y estos pueden repetirse?
𝟑
10P3 = 𝟏𝟎 = 𝟏, 𝟎𝟎𝟎 𝑩𝒐𝒍𝒆𝒕𝒐𝒔 𝒅𝒆 𝒕𝒓𝒆𝒔 𝒄𝒊𝒇𝒓𝒂𝒔
-No se permite la repetición;
𝒏!
𝒏𝑷𝒓 =
(𝒏 − 𝒓)!
Ejemplo: ¿Cuántos boletos pueden elaborarse, para realizar un sorteo, si los

números resultantes deben ser de tres cifras y estos no pueden repetirse?
𝟏𝟎! 𝟏𝟎 ∙ 𝟗 ∙ 𝟖 ∙ 𝟕!
𝟏𝟎 𝑷𝟑 = = = 𝟏𝟎 ∙ 𝟗 ∙ 𝟖 = 𝟕𝟐𝟎 𝒃𝒐𝒍𝒆𝒕𝒐𝒔
(𝟏𝟎 − 𝟑)! 𝟕!
Si revisamos los resultados, de ambos conteos y compararlos, podemos notar

que existen 280 posibilidades de encontrarse con un número, de tres cifras,
que contiene al menos uno de sus números repetidos y entre ellos, lo que
pudieron repetirse hasta por tres ocasiones, y no importa el orden en que lo
hayan hecho.
Veamos ahora qué es lo que sucede si se toman los “n” elementos a la vez,
para establecer el número de permutaciones posibles, sin repetición, por
supuesto.
𝒏𝑷𝒏 = 𝒏!

Esta expresión proviene de la anterior. Veamos;
𝒏! 𝒏! 𝒏!
𝒏𝑷𝒏 = = 𝒅𝒐𝒏𝒅𝒆 𝟎! = 𝟏 → 𝒏𝑷𝒏 = = 𝒏!
(𝒏 − 𝒏)! 𝟎! 𝟎!
Ejemplo: Se desea acomodar a 5 invitados en una banca con 5 posiciones.

Determine de cuántas maneras distintas pueden ser acomodados.
𝟓 𝟒 𝟑 𝟐 𝟏 = 𝟓! = 𝟓 ∙ 𝟒 ∙ 𝟑 ∙ 𝟐 ∙ 𝟏 = 𝟏𝟐𝟎 𝒎𝒂𝒏𝒆𝒓𝒂𝒔 𝒅𝒊𝒇𝒆𝒓𝒆𝒏𝒕𝒆𝒔
Existe una manera muy particular que nos brinda una excepción en este tipo
de arreglos. Se llama permutación circular o cerrada. Donde;
𝒏𝑷𝒏 = (𝒏 − 𝟏)!
Ejemplo: Se desea acomodar a 5 invitados alrededor de una mesa con 5

posiciones. Determine de cuántas maneras distintas pueden ser acomodados.
Para cualquier persona parecería lógico pensar en:
𝟓 𝑷𝟓 = 𝟓!
Sin embargo, si imaginamos uno de los arreglos que se pueden lograr con las 5
personas, y los giramos, respetando su orden inicial, podemos observar que
existen 5 posiciones iguales, es decir, 5 formas que se repetirán cada vez. De
aquí, entonces que la cantidad real será;
𝒏𝑷𝒏 𝒏!
= = (𝒏 − 𝟏)!
𝒏 𝒏
𝟓 𝑷𝟓 = (𝟓 − 𝟏)! = 𝟒! = 𝟐𝟒
𝒎𝒂𝒏𝒆𝒓𝒂𝒔 𝒅𝒊𝒇𝒆𝒓𝒆𝒏𝒕𝒆𝒔.

Combinaciones; En este tipo de arreglos, como ya se mencionó, importa el

orden. Y puede también existir la condición, o no, de repetición.
-Combinación sin repetición.
𝒏! 𝒏𝑷𝒓
𝒏𝑪𝒓 = =
(𝒏 − 𝒓)! 𝒓! 𝒓!
Y si observamos su expresión podemos observar un cociente. Este nos lleva a

pensar en que el denominador eliminará los elementos repetidos, de la
permutación, dejando solo uno de ellos en la combinación, como un numeral
que influirá o participará en el cálculo de probabilidades.
Ejemplo:
¿De cuantas maneras distintas puede combinarse un helado, con 5 sabores

distintos, si el cono sólo lleva 3 de los 5 sabores a escoger?
𝟓! 𝟓! 𝟏𝟐𝟎 𝟏𝟐𝟎
𝟓 𝑪𝟑 = = = = = 𝟏𝟎 𝒎𝒂𝒏𝒆𝒓𝒂𝒔 𝒅𝒊𝒔𝒕𝒊𝒏𝒕𝒂𝒔
(𝟓 − 𝟑)! 𝟑! 𝟐! ∙ 𝟑! 𝟐 ∙ 𝟔 𝟏𝟐
-Combinación con repetición.
(𝒏 + 𝒓 − 𝟏)!
𝒏𝑪𝒓 =
(𝒏 − 𝟏)! 𝒓!
¿De cuantas maneras distintas puede combinarse un helado, con 5 sabores

distintos, si el cono sólo lleva 3 de los 5 sabores a escoger, y los 3 sabores se
pueden repetir?
(𝟓 + 𝟑 − 𝟏)! 𝟕! 𝟓, 𝟎𝟒𝟎 𝟓, 𝟎𝟒𝟎

𝟓 𝑪𝟑 = = = = = 𝟑𝟓 𝒎𝒂𝒏𝒆𝒓𝒂𝒔 𝒅𝒊𝒔𝒕𝒊𝒏𝒕𝒂𝒔
(𝟓 − 𝟏)! 𝟑! 𝟒! ∙ 𝟑! 𝟐𝟒 ∙ 𝟔 𝟏𝟒𝟒

Ejercicios de diagramas de árbol, permutaciones y combinaciones,

resueltos.
1) Elabore el diagrama de árbol para el siguiente experimento;

extraer tres tarjetas. No hay reposición.
- Se tiene una urna con 3 tarjetas rojas, 1 verde y 2 azules.
2) Elabore el diagrama de árbol para el siguientes experimento;

seleccionar cuatro libros. No hay reposición.
-En una biblioteca se tienen 6 libros; 3 de matemáticas, 2 de física

y 1 de química.

3) En un grupo de 4 personas se desea formar un comité de 3

integrantes. Determine de cuántas maneras diferentes puede
realizarse la selección, si ha de haber un presidente, un secretario y
un tesorero.
𝒏! 𝟒! 𝟒! 𝟐𝟒
𝒏𝑷𝒓 = = = = = 𝟐𝟒
(𝒏 − 𝒓)! (𝟒 − 𝟑)! 𝟏! 𝟏

1.2.4 Espacio muestral y eventos.
-Espacio muestral.
El espacio muestral está formado por todos los posibles resultados de un

experimento aleatorio. Es decir, se compone de todos y cada uno de los
sucesos elementales.
Podemos diferenciar entre dos tipos principales de espacios muestrales, cada

uno con subcategorías:
-Espacios muestrales discretos o numerables, que a su vez se dividen en;
-Espacios muestrales finitos.
Ejemplo: El espacio muestral de lanzar un dado, es un espacio muestral finito.
𝑆 = {1,2,3,4,5,6}
-Espacios muestrales infinitos numerables.
Ejemplo: En el experimento de lanzar dados hasta que en la cara superior

salga un seis, tiene un espacio muestral discreto infinito, numerable, ya que
los posibles sucesos elementales son contables, pero a la vez infinitos (no
sabemos cuántas veces necesitaremos lanzar el dado para sacar un seis).
-Espacios muestrales continuos, que siempre son infinitos no numerables.
Ejemplo: El peso de los alumnos de una clase es un espacio muestral continuo

porque el peso de cada individuo puede ser cualquier número positivo (65,00
kg, 49,91 kg, 52,37 kg, 83,23 kg, 57,82 kg, …).

-Evento.
En estadística, un evento o suceso es un subconjunto de un espacio muestral,

es decir, un conjunto de posibles resultados que se pueden dar en un
experimento aleatorio.
Formalmente, sea S un espacio muestral, entonces un evento es un

subconjunto, donde A1, A2, A3, ..., An, son una serie de posibles resultados.
Eventos independientes.
Los eventos independientes son resultados de un experimento aleatorio cuya
probabilidad de ocurrencia no dependen entre sí. Es decir, dos eventos A y B
son independientes si la probabilidad de que suceda el evento A no depende
de que ocurra el evento B y viceversa. Los eventos independientes también se
llaman sucesos independientes.
Ejemplo: Al lanzar una moneda dos veces, los eventos «obtener cara en el
primer lanzamiento» y «obtener cruz en el segundo lanzamiento» son
independientes, porque sacar cara o cruz en el segundo lanzamiento no
depende del resultado conseguido en el primer lanzamiento.
La probabilidad de ocurrencia de dos eventos independientes es igual al

producto de las probabilidades de suceder de cada evento por separado.
𝑷(𝑨 ∩ 𝑩) = 𝑷(𝑨) ∙ 𝑷(𝑩)
Eventos dependientes.
Los eventos dependientes son resultados de un experimento aleatorio cuya
probabilidad de ocurrencia dependen entre sí. Es decir, dos eventos son
dependientes si la probabilidad de que suceda un evento afecta a la
probabilidad de ocurrencia del otro evento. Los eventos dependientes
también se conocen como sucesos dependientes.
La probabilidad de ocurrencia de dos eventos dependientes A y B es igual a

la probabilidad del evento A multiplicada por la probabilidad condicionada del
evento B dado el evento A.
𝑷(𝑨 ∩ 𝑩) = 𝑷(𝑨) ∙ 𝑷(𝑨/𝑩)

Eventos mutuamente excluyentes.

En estadística, cuando los eventos no pueden suceder al mismo tiempo, se
denominan eventos mutuamente excluyentes. Los eventos mutuamente
excluyentes deben considerarse dependientes unos de otros porque sus
resultados están muy relacionados entre sí. Comprender la definición y poder
clasificar los eventos como mutuamente excluyentes, o no, es muy importante
al estudiar la probabilidad en estadística.
La probabilidad de que sucedan dos eventos mutuamente excluyentes al

mismo tiempo es igual a cero, ya que, por definición, ambos eventos no pueden
coexistir. De modo que la intersección de dos eventos mutuamente
excluyentes es el conjunto vacío.
𝑨∩𝑩=∅
𝑷(𝑨 ∪ 𝑩) = 𝟎
Ejemplo:
Si hoy es sábado, sabe con certeza que no es martes. Estos dos eventos
están muy relacionados y se afectan mucho entre sí. Debido a esto, los
eventos mutuamente excluyentes se definen como eventos dependientes. Los
eventos mutuamente excluyentes dependen unos de otros. Si sabe que una
moneda cae cara, sabe que la probabilidad de que caiga cruz es cero. Si pasó
las estadísticas, no hay posibilidad de que haya fallado.
Eventos no excluyentes entre sí.

Se consideran eventos mutuamente no excluyentes a todos aquellos sucesos
que tienen la capacidad de ocurrir de manera simultánea en una
experimentación. La ocurrencia de alguno de ellos no supone la no ocurrencia
del otro.
A diferencia de su contraparte lógica, los eventos mutuamente excluyentes,

la intersección entre estos elementos es diferente al vacío. Esto es:
𝑨∩𝑩≠𝝓
𝑷(𝑨 ∪ 𝑩) = 𝑷(𝑨) + 𝑷(𝑩) − 𝑷(𝑨 ∩ 𝑩)

1.3 Definiciones de probabilidad.
En cualquier experimento aleatorio siempre existe incertidumbre en relación

a si un suceso en específico ocurrirá, o no. Como medida de la oportunidad, o
probabilidad, con la que se puede esperar que un suceso ocurra, es
conveniente asignar un número entre 0 y 1. Si estamos seguros de que el
suceso ocurrirá decimos que su probabilidad es 100% o 1 (evento seguro),
pero si estamos seguros de que el suceso no ocurrirá decimos que su
probabilidad es cero (evento imposible).
Por ejemplo, si la probabilidad de que algo ocurra es de 1/4, diríamos que

existe un 25% de que suceda y un 75% de oportunidad de para que no ocurra.
Esto equivale a decir que la probabilidad de no ocurrencia es del 75% contra
el 25% de que ocurra. O bien, también, que la probabilidad de que no ocurra
es de 3 a 1.
1.3.1 Definición clásica.
Si un suceso “𝐴” puede ocurrir en “𝑟” maneras diferentes de un número total

de “𝑛” maneras posibles, y todos son igualmente factibles, entonces la
probabilidad del suceso es;
𝑟 𝑃(𝐴) 𝑒𝑠 𝑙𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑.
𝑃(𝐴) = { 𝑟 𝑚𝑎𝑛𝑒𝑟𝑎𝑠 𝑑𝑖𝑠𝑡𝑖𝑛𝑡𝑎𝑠 𝑑𝑒 𝑠𝑢𝑐𝑒𝑑𝑒𝑟.
𝑛
𝑛 𝑒𝑙 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑚𝑎𝑛𝑒𝑟𝑎𝑠 𝑑𝑒 𝑜𝑐𝑢𝑟𝑟𝑖𝑟.
Por ejemplo: Se lanza un dado, no cargado, y se desea conocer la probabilidad

de que el dado muestre el número 2 en su cara superior. Dado que el dado
tiene 6 caras, existen 6 posibilidades diferentes (1,2,3,4,5 𝑦 6) para que el
dado muestre una cara con el número correspondiente. Entonces, la
probabilidad de que ocurra un 2, es;
1 1 1 1 1 1
𝑃(1) = 𝑃(2) = 𝑃(3) = 𝑃(4) = 𝑃(5) = 𝑃(6) =
6 6 6 6 6 6
Y como podemos intuir, si el dado no está cargado, todas las caras poseen la
misma posibilidad de ocurrencia.

1.3.2 Con base en la frecuencia relativa.
Si después de “𝑛” repeticiones de un experimento “𝐴” , donde “𝑛” es una

cantidad muy grande, un suceso ocurre “𝑟” veces, entonces la probabilidad de
que dicho experimento suceda es;
𝑟 𝑃(𝐴) 𝑒𝑠 𝑙𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑.
𝑃(𝐴) = { 𝑟 𝑚𝑎𝑛𝑒𝑟𝑎𝑠 𝑟𝑒𝑝𝑒𝑡𝑖𝑑𝑎𝑠 𝑜𝑐𝑢𝑟𝑟𝑖𝑑𝑎𝑠.
𝑛
𝑛 𝑒𝑙 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑑𝑜𝑠.
Esto también se llama probabilidad empírica del suceso.
Por ejemplo: Si se lanza una moneda, en 1,000 ocasiones y se obtienen 532

caras, entonces estimamos que, la probabilidad de obtener cara, en los
siguientes lanzamientos, con esa misma moneda, es;
532
𝑃(𝐴) = = 0.532 = 53.20%
1,000
1.3.3 Axiomática.
Los dos enfoques anteriormente descritos; el clásico y el de frecuencia,

presentan serias dificultades. El primero debido a la vaguedad de las
palabras "igualmente factibles" y el segundo, debido a la vaguedad incluida en
una "cantidad muy grande". A causa de estas dificultades los matemáticos, en
los últimos años, se han orientado hacia un enfoque axiomático, utilizando
conjuntos.
-Axiomas de la Probabilidad.
Supongamos que se tiene un espacio muestral “𝑆”. Si “𝑆” es discreto, todos los
conjuntos pertenecen a sucesos y viceversa, pero, si “𝑆” es continuo, entonces
sólo subconjuntos especiales, llamados medibles, corresponden a sucesos. A
cada suceso “𝐴” en la clase “𝐶” de sucesos, se asocia 𝑃(𝐴) ∈ ℝ, donde “𝑃” es
una función de variable real definida en “𝐶”. Así se tiene que “𝑃” se llama
función de probabilidad y 𝑃(𝐴) la probabilidad del suceso “𝐴”, si se satisfacen
los axiomas siguientes;

Axioma 1. Para cada suceso A en la clase C.
𝑃(𝐴) ≥ 0
Axioma 2. Para el suceso cierto o seguro en S.
𝑃(𝐴) = 1
Axioma 3. Para cualquier cantidad de sucesos, mutuamente excluyentes,

𝐴1 , 𝐴2 , 𝐴3 , … , 𝐴𝑛 , en la clase C.
𝑃(𝐴1 ∪ 𝐴2 ∪ 𝐴3 ∪ … ∪ 𝐴𝑛 ) = 𝑃(𝐴1 ) + 𝑃(𝐴2 ) + 𝑃(𝐴3 ) + ⋯ + 𝑃(𝐴𝑛 )
Y en particular, para dos sucesos se tiene;
𝑃(𝐴1 ∪ 𝐴2 ) = 𝑃(𝐴1 ) + 𝑃(𝐴2 )
-Algunos teoremas importantes sobre probabilidad.
Teorema 1.
𝑺𝒊 𝑨𝟏 ⊂ 𝑨𝟐 → 𝑷(𝑨𝟏 ) ≤ 𝑷(𝑨𝟐 ) 𝒚 𝑷(𝑨𝟐 − 𝑨𝟏 ) = 𝑷(𝑨𝟐 ) − 𝑷(𝑨𝟏 )
Teorema 2. Para cada suceso A.
𝟎 ≤ 𝑷(𝑨) ≤ 𝟏
Teorema 3. La probabilidad de todo evento imposible (Conjunto vacío) es

cero.
𝑷(𝝓) = 𝟎
Teorema 4. Si A’ es el complemento de A, se tiene que;
𝑷(𝑨′) = 𝟏 − 𝑷(𝑨)

Teorema 5. Si 𝐴 = (𝐴1 ∪ 𝐴2 ∪ 𝐴3 ∪ … ∪ 𝐴𝑛 ) 𝑦 𝐴1 , 𝐴2 , 𝐴3 , … , 𝐴𝑛 son mutuamente

excluyentes, entonces;
𝑷(𝑨) = 𝑷(𝑨𝟏 ) + 𝑷(𝑨𝟐 ) + 𝑷(𝑨𝟑 ) + ⋯ + 𝑷(𝑨𝒏 )

𝑺𝒊 𝑨 = 𝑺 → 𝑷(𝑨) = 𝑷(𝑺) = 𝟏
Teorema 6. Si A y B son dos sucesos cualquiera, entonces;
𝑷(𝑨 ∪ 𝑩) = 𝑷(𝑨) − 𝑷(𝑨 ∩ 𝑩)
Generalizando, si 𝐴1 , 𝐴2 𝑦 𝐴3 , son tres sucesos cualquiera, se tiene;
𝑷(𝑨𝟏 ∪ 𝑨𝟐 ∪ 𝑨𝟑 ) = 𝑷(𝑨𝟏 ) + 𝑷(𝑨𝟐 ) + 𝑷(𝑨𝟑 ) − 𝑷(𝑨𝟏 ∩ 𝑨𝟐 ) − 𝑷(𝑨𝟐 ∩ 𝑨𝟑 )

− 𝑷(𝑨𝟑 ∩ 𝑨𝟏 ) − 𝑷(𝑨𝟏 ∩ 𝑨𝟐 ∩ 𝑨𝟑 )
Teorema 7. Para dos sucesos A y B.
𝑷(𝑨) = 𝑷(𝑨 ∩ 𝑩) + 𝑷(𝑨 ∩ 𝑩′)
Teorema 7. Si un suceso A debe resulta en uno de los eventos mutuamente

excluyentes 𝐴1 , 𝐴2 , 𝐴3 , … , 𝐴𝑛 , entonces;
𝑷(𝑨) = 𝑷(𝑨 ∩ 𝑨𝟏 ) + 𝑷(𝑨 ∩ 𝑨𝟐 ) + 𝑷(𝑨 ∩ 𝑨𝟑 ) + ⋯ + 𝑷(𝑨 ∩ 𝑨𝒏 )

1.4 Probabilidad condicional e independencia.
Independencia.
Independencia (Probabilidad conjunta). Se dice que un evento B es

independiente de un evento A si la probabilidad de que B suceda no está
influenciada porque A haya o no sucedido.
En otras palabras, la probabilidad de que B iguala la probabilidad condicional

de B dado A:
𝑃 (𝐵) = 𝑃 (𝐵│𝐴).
Ejemplo: Determine la probabilidad de que, al lanzar un dado, se obtenga un

número menor que 4.
𝐴 = {𝑥⁄𝑥 < 4}
𝐴 = {1,2,3}
𝑃(𝐴) = 𝑃(1) + 𝑃(2) + 𝑃(3)
1 1 1
𝑃(𝐴) = + +
6 6 6
𝟑 𝟏
𝑷(𝑨) = = = 𝟎. 𝟓𝟎 = 𝟓𝟎%
𝟔 𝟐

Probabilidad condicional.
La probabilidad condicional es la posibilidad de ocurrencia, de un cierto

evento, dado que ocurre otro a modo de condición. Esta información adicional
puede modificar (o tal vez no) la percepción de que algo sucederá. Por
ejemplo, podemos preguntarnos: “¿Cuál es la probabilidad de que llueva hoy,
dado que hace dos días que no llueve?”. El evento del cual queremos conocer
la probabilidad es el de “que llueva hoy”, y la información adicional que
condicionaría la respuesta es que “hace dos días que no llueve”.
Sean A y B dos sucesos tales que 𝑃(𝐴) > 0 . Denotamos por 𝑃(𝐴⁄𝐵) la
probabilidad de A dado que B ha ocurrido. Puesto que se sabe que B ha
ocurrido, este, se convierte en el nuevo espacio muestral remplazando el
original S. De aquí llegamos a la definición:
𝑷(𝑨 ∩ 𝑩)
𝑷(𝑩/𝑨) =
𝑷(𝑨)
Ejemplo: Determine la probabilidad de que, al lanzar un dado, el resultado

haya sido un número impar, dado que fue menor que 4.
1
𝐴 = {𝑥⁄𝑥 < 4} → 𝐴 = {1,2,3} → 𝑃(𝐴) =
2
3 1
𝐵 = {𝑥⁄𝑥 𝑒𝑠 𝑖𝑚𝑝𝑎𝑟 } → 𝐵 = {1,3,5} → 𝑃(𝐵) = =
6 2
2 1
𝐴 ∩ 𝐵 = {𝑥⁄𝑥 𝑒𝑠 𝑖𝑚𝑝𝑎𝑟 < 4} → 𝐴 ∩ 𝐵 = {1,3} → 𝑃(𝐴 ∩ 𝐵) = =
6 3
𝟏
𝑷(𝑨 ∩ 𝑩) 𝟑 𝟐
𝑷(𝑩/𝑨) = = =
𝑷(𝑨) 𝟏 𝟑
𝟐

1.5 Teorema de Bayes.
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 calcula la probabilidad de A condicionado a B.
𝑷(𝑨) ∙ 𝑷(𝑩/𝑨)
𝑷(𝑨/𝑩) =
𝑷(𝑩)

Ejercicios resueltos primera unidad:
1.- Se extrae una carta, de manera aleatoria, de una baraja de 52 cartas.

Describa el espacio muestral para los casos en que;
a) No se toma en cuenta el palo.

b) Se toma en consideración el palo.
SOLUCIÓN:
a) No se toma en cuenta el palo.
𝑺 = {𝑨𝒔, 𝟐, 𝟑, 𝟒, 𝟓, 𝟔, 𝟕, 𝟖, 𝟗, 𝟏𝟎, 𝑱, 𝑸, 𝑹}
b) Se toma en consideración el palo.
𝑺 = {𝑪𝒐𝒓𝒂𝒛𝒐𝒏𝒆𝒔, 𝑷𝒊𝒄𝒂𝒔, 𝑫𝒊𝒂𝒎𝒂𝒏𝒕𝒆𝒔, 𝑻𝒓é𝒃𝒐𝒍𝒆𝒔}

𝑪𝒐𝒓𝒂𝒛𝒐𝒏𝒆𝒔 = {𝑨𝒔, 𝟐, 𝟑, 𝟒, 𝟓, 𝟔, 𝟕, 𝟖, 𝟗, 𝟏𝟎, 𝑱, 𝑸, 𝑹}
𝑷𝒊𝒄𝒂𝒔 = {𝑨𝒔, 𝟐, 𝟑, 𝟒, 𝟓, 𝟔, 𝟕, 𝟖, 𝟗, 𝟏𝟎, 𝑱, 𝑸, 𝑹}
𝑫𝒊𝒂𝒎𝒂𝒏𝒕𝒆𝒔 = {𝑨𝒔, 𝟐, 𝟑, 𝟒, 𝟓, 𝟔, 𝟕, 𝟖, 𝟗, 𝟏𝟎, 𝑱, 𝑸, 𝑹}
𝑻𝒓é𝒃𝒐𝒍𝒆𝒔 = {𝑨𝒔, 𝟐, 𝟑, 𝟒, 𝟓, 𝟔, 𝟕, 𝟖, 𝟗, 𝟏𝟎, 𝑱, 𝑸, 𝑹}

2.- En relación al ejercicio anterior sean los eventos o sucesos;
𝐴 = 𝐸𝑥𝑡𝑟𝑎𝑒𝑟 𝑢𝑛 𝑟𝑒𝑦 𝐴 = {𝑥⁄𝑥 𝑒𝑠 𝑢𝑛 𝑟𝑒𝑦}

𝐵 = 𝐸𝑥𝑡𝑟𝑎𝑒𝑟 𝑡𝑟é𝑏𝑜𝑙 𝐵 = {𝑥⁄𝑥 𝑒𝑠 𝑢𝑛 𝑡𝑟é𝑏𝑜𝑙}
𝑎) 𝐴 ∪ 𝐵 𝑏) 𝐴 ∩ 𝐵 𝑐) 𝐴 ∪ 𝐵′ 𝑑) 𝐴′ ∪ 𝐵′ 𝑒) 𝐴 − 𝐵 𝑓) 𝐴′ − 𝐵′
𝑔) (𝐴 ∩ 𝐵) ∪ (𝐴 ∩ 𝐵′)
SOLUCIÓN:
𝑎) 𝐴 ∪ 𝐵 = {𝑥⁄𝑥 𝑒𝑠 𝑟𝑒𝑦, 𝑜 𝑒𝑠 𝑡𝑟é𝑏𝑜𝑙}
𝑏) 𝐴 ∩ 𝐵 = {𝑥⁄𝑥 𝑒𝑠 𝑟𝑒𝑦, 𝑦 𝑒𝑠 𝑡𝑟é𝑏𝑜𝑙}
𝑐) 𝐴 ∪ 𝐵′ = {𝑥⁄𝑥 𝑒𝑠 𝑟𝑒𝑦, 𝑜 𝑛𝑜 𝑒𝑠 𝑡𝑟é𝑏𝑜𝑙}
𝑑) 𝐴′ ∪ 𝐵′ = {𝑥⁄𝑥 𝑛𝑖 𝑒𝑠 𝑟𝑒𝑦 𝑜 𝑛𝑜 𝑒𝑠 𝑡𝑟é𝑏𝑜𝑙}

Ejercicios para resolver Unidad 1.
Ejercicio 1.
La probabilidad de que un trabajador llegue puntual a su trabajo utilizando el
servicio público de transporte, es de ¾. Elabore el diagrama de árbol
correspondiente, si se requieren estudiar los resultados al elegir tres de los
trabajadores. Determine, además, la probabilidad, si se escogen tres de los
trabajadores de que;
-Dos de ellos lleguen puntuales.
-dos lleguen tarde y uno llegue puntual.
Ejercicio 2.
En una fábrica el personal consta de 6 mujeres y 10 hombres. Se le ha
encargado al jefe de recursos humanos elaborar ternas, con la finalidad de
elaborar un programa conveniente para distribuir los goces de vacaciones
más pertinentes. Encuentre, además, la probabilidad de que dichas ternas
estén compuestas por;
-Tres hombres.
-Dos mujeres y un hombre.
Ejercicio 3.
Se desea conocer la cantidad de placas, para automóvil, que se pueden lograr
si se prefiere un arreglo de tres letras, tres números, y al final, una letra.
Determine la probabilidad de que la última letra sea una vocal.
Ejercicio 4.
Se desea conocer la cantidad de cuantas maneras posibles se puede integrar
un comité de representación de nuestro grupo que cuenta con 32 compañeros
8 compañeras. Dicho comité debe tener, un presidente, un tesorero y dos
vocales. Determine la probabilidad de que el comité se encuentre integrado
por:
-50% de hombres y el 50% de mujeres.
-Que el cargo de presidente debe ser ocupado por una mujer.
-Que los vocales sean, un hombre y una mujer.

2.- Variables aleatorias y distribuciones.
2.1 Variable aleatoria y funciones de densidad de probabilidad y de

distribución acumulativa.
-Variable aleatoria:
Una variable aleatoria es una función que toma un valor numérico al resultado
de un experimento aleatorio.
-Variable aleatoria discreta: Es aquella función que toma un

número contable de valores.
-Variable aleatoria continua (no discreta): Es aquella que toma un

número infinito, o no contable, de valores.
Ejemplo (Discreta): Si lanzamos dos monedas al aire, el conjunto de

soluciones o espacio muestral viene dado por:
𝑆 = {𝐶𝐶, 𝐶𝑆, 𝑆𝐶, 𝑆𝑆} 𝐷𝑜𝑚𝑖𝑛𝑖𝑜 𝐷𝑥
Ahora, bien. Si asignamos;
𝑋 = 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑟𝑎𝑠
Tendremos lo siguiente:
𝑓(𝑥) = {2,1,1,0} 𝑅𝑎𝑛𝑔𝑜 𝑅𝑥 , 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑓(𝑥)
Tenemos una función con variable aleatoria discreta que asigna un valor
numérico al resultado de un evento aleatorio.

Ejemplo (Continua): Se tiene en un establo, un cantidad importante de vacas.

Ahora pensemos en los pesos que puede llegar a tener cada ejemplar en un
rango de 30 kg (el más pequeño) y 1200 kg (el más grande).
En estos casos suele cometerse un error, muy común, y pensar en la cantidad

de reses imaginando una cantidad finita. Sin embargo, la variable es el peso
de cada ejemplar, y este posee un infinito de posibilidades, sobre todo si se
tiene un riguroso control de las fracciones de kg.
𝑥1 = 30 𝑘𝑔
…
𝑋 = 𝑒𝑙 𝑝𝑒𝑠𝑜 𝑑𝑒 𝑐𝑎𝑑𝑎 𝑒𝑗𝑒𝑚𝑝𝑙𝑎𝑟 𝑥2 = 150.394876 𝑘𝑔
…
{ 𝑥3 = 1200 𝑘𝑔
Tenemos una función con variable aleatoria continua que asigna un valor
numérico al resultado de un evento aleatorio.
-Función de densidad de probabilidad.
La función de densidad de probabilidad de una variable aleatoria es una

expresión que ayuda a calcular la probabilidad de que una variable aleatoria
continua tenga un valor que esté dentro de un intervalo específico. Es decir;
Sea 𝑋 una variable aleatoria continua, entonces, una función de densidad de 𝑋

es una función tal que, para dos números cualquiera 𝑎 y 𝑏 con 𝑎 < 𝑏,
𝑷(𝒂 ≤ 𝑿 ≤ 𝒃) = 𝑷(𝒙𝟏 ) + 𝑷(𝒙𝟐 ) + ⋯ + 𝑷(𝒙𝒏 ) = 𝟏 𝑽𝑨𝑫
𝒃
𝑷(𝒂 ≤ 𝑿 ≤ 𝒃) = ∫ 𝒇(𝒙)𝒅𝒙 𝑽𝑨𝑪
𝒂
Toda función de densidad de

probabilidad deberá cumplir con las dos
condiciones siguientes;
𝒇(𝒙) ≥ 𝟎 𝒑𝒂𝒓𝒂 𝒕𝒐𝒅𝒐 𝒗𝒂𝒍𝒐𝒓 𝒅𝒆 𝒙.

∞
∫ 𝒇(𝒙)𝒅𝒙 = 𝟏 Á𝒓𝒆𝒂 𝒃𝒂𝒋𝒐 𝒍𝒂 𝒈𝒓á𝒇𝒊𝒄𝒂 𝒅𝒆 𝒇(𝒙)
−∞

-Función de distribución acumulativa.
Especifica la probabilidad de que una variable aleatoria sea un valor menor o

igual a un valor determinado. Es decir;
𝑭(𝑿 ≤ 𝒙)
Ejemplo:
Se tiene la siguiente función;

𝒙𝟐 + 𝟓
𝒇(𝒙) = 𝒑𝒂𝒓𝒂 𝒙 = 𝟏, 𝟐, 𝟑, 𝟒
𝟓𝟎
1).- Determine si se trata de una función de densidad de probabilidad.
Evaluamos la función para cada uno de los valores que puede tomar:
12 + 5 6
𝑓(1) = = ≥0
50 50
22 + 5 9
𝑓(2) = = ≥0
50 50
32 + 5 14
𝑓(2) = = ≥0
50 50
42 + 5 21
𝑓(2) = = ≥0
50 50
Cumple con la primera condición 𝑓(𝑥) ≥ 0. Examinemos la segunda:
𝑃(1 ≤ 𝑋 ≤ 4) = 𝑃(𝑥 = 1) + 𝑃(𝑥 = 2) + 𝑃(𝑥 = 3) + 𝑃(𝑥 = 4) = 1
6 9 14 21 50
𝑃(1 ≤ 𝑋 ≤ 4) = + + + = =1
50 50 50 50 50
Cumple, también, con la segunda condición, por lo tanto, tenemos una función
de densidad de probabilidad. Como sus valores son discretos, la función se
considera como función de densidad de probabilidad de variable aleatoria
discreta.

Veamos ahora, su representación gráfica.

2.2 Valor esperado y momentos.
-Valor esperado; La media, valor esperado o esperanza matemática, es un

promedio ponderado de los valores de la variable aleatoria. En todo promedio
ponderado hay pesos, y en el caso de la media esos pesos son las
probabilidades f(x).
𝝁 = 𝑬(𝑿) = 𝒙𝟏 ∙ 𝒇(𝒙𝟏 ) + 𝒙𝟐 ∙ 𝒇(𝒙𝟐 ) + 𝒙𝟑 ∙ 𝒇(𝒙𝟑 ) + ⋯ + 𝒙𝒏 ∙ 𝒇(𝒙𝒏 )
𝝁 = 𝑬(𝑿) = ∑ 𝒙 ∙ 𝒇(𝒙)
Ejemplo. Sea 𝑋 el número de auto vendidos un día, por un distribuidor.

Obtenga el valor esperado de 𝑋, a partir de su función de probabilidad.
𝑥 0 1 2 3
𝑓(𝑥) 0.60 0.25 0.10 0.05
𝜇 = 𝐸(𝑋) = 0 ∙ 0.60 + 1 ∙ 0.25 + 2 ∙ 0.10 + 3 ∙ 0.05
𝜇 = 𝐸(𝑋) = 0 + 0.25 + 0.20 + 0.15
𝝁 = 𝑬(𝑿) = 𝟎. 𝟔𝟎
Este resultado significa que el distribuidor referido, tiene la esperanza de

venta de un auto por día del 60%. Lo cual, también, quiere decir que en un
periodo de 100 días el distribuidor esperará tener una venta promedio de 60
autos, o una venta muy cercana a esa cantidad.
-Momentos (varianza y desviación estándar).

2.3 Distribuciones discretas.
2.3.1 Bernoulli.
La distribución de Bernoulli es una distribución de probabilidad discreta y

está basada en la repetición sucesiva de “n” veces y en idénticas condiciones
de un experimento aleatorio elemental con dos posibles resultados que se
suelen llamar; Éxito y Fracaso.
Una variable aleatoria “𝑋” sigue la distribución de Bernoulli, si su función de

probabilidad está dada por:
𝑋~𝐵𝑒(𝑝)
1 − 𝑝; 𝑠𝑖 𝑥 = 0
𝑓(𝑥) = 𝑃(𝑋 = 𝑥) = {
𝑝; 𝑠𝑖 𝑥 = 1
𝜇 = 𝐸(𝑥) = 𝑝
𝜎 2 = 𝑉(𝑋) = 𝑝(1 − 𝑝)
𝒇(𝒙) = 𝑷(𝑿 = 𝒙) = 𝒑𝒙 (𝟏 − 𝒑)𝟏−𝒙 ; 𝒙 = 𝟎; 𝟏
Ejemplo 1. Cuando se lanza un dado, hay una probabilidad de 1/6 de aparezca

el 6. Sea 𝑋 = 1 si el dado cae 6. Y 𝑋 = 0 en cualquier otro caso. ¿Cuál será la
distribución de 𝑋?
5
; 𝑠𝑖 𝑥 = 0
𝑓(𝑥) = 𝑃(𝑋 = 𝑥) = {6
1
; 𝑠𝑖 𝑥 = 1
6
1 𝑥 5 1−𝑥 1
𝑓(𝑥) = 𝑃(𝑋 = 𝑥) = ( ) ( ) ; 𝑥 = 0; 1 → 𝑿~𝑩𝒆 ( )
6 6 6
Ahora, veamos las probabilidades para cada caso.
1 0 5 1−0 5 5
𝑓(0) = 𝑃(𝑋 = 0) = ( ) ( ) =1∙( )=
6 6 6 6
1 1 5 0 1 1
𝑓(1) = 𝑃(𝑋 = 1) = ( ) ( ) = ∙ 1 =
6 6 6 6

Ejemplo 2. Luis y Juán lanzarán un dado, por lo cual decidieron hacer una
apuesta. Luis ganará la apuesta si cae un número menor que 3, y Juán ganará
si el resultado es un número mayor o igual a 3.
Determine cuál es la posibilidad de éxito, para Luis.
𝑓(𝑥) = 𝑃(𝑋 = 𝑥) = 𝑝 𝑥 (1 − 𝑝)1−𝑥 ; 𝑥 = 0; 1
1−1
2 1 2
𝑓(𝑥) = 𝑃(𝑋 = 1) = ( ) (1 − ( )) ; 𝑥=1
6 6
0
2 1 2
𝑓(𝑥) = 𝑃(𝑋 = 1) = ( ) (1 − ( )) ; 𝑥=1
6 6
𝟐 𝟐
𝒇(𝒙) = 𝑷(𝑿 = 𝟏) = ∙ (𝟏) = ; 𝒙 = 𝟏
𝟔 𝟔
Nota; En este caso podemos notar que el éxito para Luis significará fracaso
para Juán y viceversa; El fracaso de Luis significa éxito para Juán.

2.3.2 Binomial.
Es una distribución de probabilidades de una variable aleatoria dependiente

que puede tomar valores 𝑋 = {0,1,2,3, … , 𝑛} Este tipo de distribución resulta
de contar el número de éxitos al repetir “n-veces” el experimento que tiene
dos resultados posibles (éxito y fracaso) con probabilidades p y q
respectivamente.
𝑋~𝐵𝑖(𝑛, 𝑝)
𝒏
𝒇(𝒙) = 𝑷(𝑿 = 𝒙) = ( ) 𝒑𝒙 𝒒𝒏−𝒙
𝒙
Donde;
𝑛 𝑛!
( ) = 𝑛 𝐶𝑟 =
𝑥 (𝑛 − 𝑟)! 𝑟!
𝑝 = 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 é𝑥𝑖𝑡𝑜.
𝑞 = 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑓𝑟𝑎𝑐𝑎𝑠𝑜 (1 − 𝑝)

2.3.3 Poisson.

2.3.4 Geométrica.

2.4 Distribuciones continuas.
2.4.1 Uniforme.

2.4.2 Exponencial.

2.4.3 Normal y normal estándar.
Distribución normal;
Se llama distribución normal, distribución de Gauss, distribución

gaussiana, distribución de Laplace-Gauss o normalidad estadística a una de
las distribuciones de probabilidad de variable continua que con más
frecuencia aparece en estadística, y en la teoría de probabilidades.
La gráfica de su función de densidad tiene una forma acampanada y es

simétrica respecto de un determinado parámetro estadístico. Esta curva se
conoce como campana de Gauss y es el gráfico de una función gaussiana.
𝑋~𝑁(𝜇, 𝜎)
𝟏 𝟏 𝒙−𝝁 𝟐
− ( )
𝒇(𝒙) = 𝑷(𝑿 = 𝒙) = 𝒆𝟐 𝝈
𝝈√𝟐𝝅
Donde:
𝜇 = 𝑚𝑒𝑑𝑖𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖𝑜𝑛𝑎𝑙
𝜎 = 𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟 𝑝𝑜𝑏𝑙𝑎𝑐𝑖𝑜𝑛𝑎𝑙

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 5 y la desviación típica es 2, el valor 11 se encuentra a una distancia
igual a 3 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

𝑥–𝜇
uno. La transformación 𝑧 = produce la distribución 𝑍 ~ 𝑁(0, 1) . El
𝜎
valor x en la ecuación dada proviene de una distribución normal con una
media μ y una desviación típica σ.
Puntuaciones “𝒛”
Si X es una variable aleatoria normalmente distribuida y 𝑋 ~ 𝑁(𝜇, 𝜎), entonces

la puntuación “𝑧” es:
𝑥– 𝜇
𝑧=
𝜎
La puntuación z indica cuántas desviaciones típicas tiene el valor x por encima
(a la derecha) o por debajo (a la izquierda) de la media, μ. Los valores
de 𝑥 que son mayores, que la media, tienen puntuaciones 𝑧 positivas, y los
valores de 𝑥 que son menores, que la media, tienen puntuaciones 𝑧 negativas.
Si 𝑥 es igual a la media, entonces 𝑥 tiene una puntuación 𝑧 de cero.
Podemos expresar, entonces;

𝑋~𝑁(𝜇, 𝜎) 𝑋~𝑁(0,1)
𝟐
𝟏 𝟏 𝒙−𝝁
− ( ) 𝟏 𝟏 𝟐
𝒇(𝒙) = 𝑷(𝑿 = 𝒙) = 𝒆𝟐 𝝈 𝒇(𝒙) = 𝑷(𝑿 = 𝒙) = 𝒆−𝟐𝒙
𝝈√𝟐𝝅 √𝟐𝝅
Donde:
𝜇=0
𝜎=1


2.4.4 Aproximaciones con la normal.
2.4.4.1. Aproximación de la Binomial con la Normal.
La distribución binomial 𝐵 (𝑛, 𝑝) se puede aproximar a una distribución normal

𝑁 (𝜇, 𝜎) en el caso donde 𝑛 es grande y ni 𝑝 ni 𝑞 son próximos a cero. La
aproximación será por tanto mejor cuanto mayor sea 𝑛. Se puede considerar
que la aproximación es buena si 𝑛 > 30 y 𝑝 toma valores próximos a 0.5.

2.4.4.2. Aproximación de Poisson con la Normal.

3.- Estadística descriptiva y la teoría del muestreo.
3.1 Distribuciones de frecuencia, de frecuencia relativa y acumulada.
3.2 Medidas de tendencia central: media, mediana, moda, promedio

(ponderado, móvil), media geométrica, media armónica, cuantiles
(cuartiles, deciles y percentiles).

3.3 Medidas de dispersión: rango o amplitud de variación, desviación

media, varianza, desviación estándar, momentos y kurtosis.
3.4 Muestreo aleatorio: simple, sistemático, estratificado, por

conglomerados.
3.5 Muestreo no aleatorio: dirigido, por cuotas, deliberado.

4.- Inferencia estadística.
4.1 Estimación puntual y por intervalos de confianza.

4.2 Estimación de la media, de la diferencia de medias, de la proporción
y de la diferencia de proporciones.
4.3 Determinación del tamaño de la muestra.
4.4 Prueba de hipótesis
4.4.1 Pruebas unilaterales y bilaterales.

4.4.2 Pruebas para media y para diferencia de medias.
Ejemplo: Prueba de hipótesis para una media.
La dirección de una universidad ha establecido que la media de horas

semanales dedicadas por el alumnado al estudio es superior a 15 hrs/semana,
con una desviación típica de 1 hrs-semana.
Durante el presente curso, el departamento de matemáticas desea

demostrar que esta media ha disminuido. Para ello, elige una muestra de 150
estudiantes, obteniendo un tiempo medio de estudio de 12.7 hrs-semana.
¿Puede afirmarse, con un nivel de confianza del 90%, que ha disminuido el
tiempo medio de estudio, en los estudiantes?
𝑛 = 150 𝑒𝑠𝑡𝑢𝑑𝑖𝑎𝑛𝑡𝑒𝑠 𝑋̅ = 12.7 ℎ𝑟𝑠⁄𝑠𝑒𝑚 𝜎 = 1 ℎ𝑟𝑠⁄𝑠𝑒𝑚

𝑛𝑖𝑣𝑒𝑙 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎 = 1 − ∞ = 90% = 0.90 𝑛𝑖𝑣𝑒𝑙 𝑑𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑛𝑐𝑖𝑎 = ∞ = 10% = 0.10
𝐻𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝑛𝑢𝑙𝑎 𝐻0 ; 𝜇 ≥ 15 ℎ𝑟𝑠⁄𝑠𝑒𝑚
𝐻𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝑎𝑙𝑡𝑒𝑟𝑛𝑎𝑡𝑖𝑣𝑎 𝐻1 ; 𝜇 < 15 ℎ𝑟𝑠⁄𝑠𝑒𝑚
Condiciones para rechazar la hipótesis nula (𝐻0 ):
𝑆𝑖 (𝑉𝑎𝑙𝑜𝑟 − 𝑝) < ∞
𝑆𝑖 𝑍𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 < 𝑍𝑔𝑟á𝑓𝑖𝑐𝑎
Es decir; 𝑆𝑖 𝑍𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 no está dentro de los límites de 𝑍𝑔𝑟á𝑓𝑖𝑐𝑎 . Esto indica que cae en la
zona de rechazo de la hipótesis nula.

4.4.3 pruebas para proporción y diferencia de proporciones.

4.5 Muestras pequeñas.
4.5.1 Distribución t de Student.
4.5.2 Distribución de ji-cuadrada. Cuadros de contingencia,
limitaciones de la prueba.

5.- Análisis de regresión y correlación.
5.1 Regresión lineal simple, curvilínea y múltiple.

5.2 Correlación.
5.3 Regresión y correlación para datos agrupados.
5.4 Correlación por rangos.
5.5 Coeficiente de correlación para datos nominales.

Bibliografía
Textos:
1. DeVore, J. (2005). Probabilidad y Estadística para Ingeniería y Ciencias.

México: Thomson Hines, W. y Montgomery, D. (2003).
2. Probabilidad y Estadística para Ingeniería y Administración. México:
CECSA Montgomery, D. C. y Runger, G. C. (1998).
3. Probabilidad y Estadística aplicadas a la Ingeniería. México: McGraw Hill.
Ross, S. M. (2001).
4. Probabilidad y Estadística para Ingenieros. México: McGraw Hill.
Salvatore, D., Reagle, D. (2004).
5. Estadística y econometría. España: Mc Graw-Hill. Spiegel, M. R. (1992).
Manual de Fórmulas y Tablas Matemáticas. México: McGraw Hill. Spiegel, M.
R. (1988).
6. Probabilidad y Estadística. México: McGraw Hill. Walpole, R. E., Myers, R.
H., Myers, S. L. (1999).
7. Probabilidad y Estadística para Ingenieros. México: Pearson Prentice Hall.




Prueba de hipótesis para la media.


Apuntes Probabilidad y Estadística IC

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Apuntes Probabilidad y Estadística IC

Cargado por

Copyright:

Formatos disponibles

Apuntes

ING. CARLOS PADILLA RAMOS

Tecnológico Nacional de México

Proporciona las herramientas necesarias para el desarrollo de habilidades de

La asignatura de Probabilidad y Estadística en la carrera de ingeniería civil

Ing. Carlos Padilla Ramos Page 1

La materia de Probabilidad y Estadística permite modelar los fenómenos para

El enfoque sugerido para la materia requiere que las actividades prácticas

La lista de actividades de aprendizaje no es exhaustiva, se sugieren sobre

Ing. Carlos Padilla Ramos Page 2

Construye y aplica los modelos probabilísticos adecuados en la solución de

• Aplicar la teoría de conjuntos y de las técnicas de conteo.

Ing. Carlos Padilla Ramos Page 3

Unidad 1. Teoría de la probabilidad.

Define y diferencia las características que determinan los tipos de

Búsqueda de información confiable y pertinente. Capacidad de análisis y

Unidad 2. Variables aleatorias y distribuciones.

Construir el concepto de variable aleatoria y determinar su relación con los

Búsqueda de información confiable y pertinente. Capacidad de análisis y

Ing. Carlos Padilla Ramos Page 4

Unidad 3. Estadística descriptiva y la teoría del muestreo.

Representar, analizar e interpretar conjuntos de datos obtenidos a partir de

Búsqueda de información confiable y pertinente. Capacidad de análisis y

Unidad 4. Inferencia estadística.

Aplicar los principios de la estadística inferencial en la determinación de los

Búsqueda de información confiable y pertinente. Capacidad de análisis y

Ing. Carlos Padilla Ramos Page 5

Unidad 5. Análisis de regresión y correlación.

Aplicar las técnicas de regresión y correlación para determinar y predecir el

Búsqueda de información confiable y pertinente. Capacidad de análisis y

Ing. Carlos Padilla Ramos Page 6

2.- Variables aleatorias y distribuciones.

Ing. Carlos Padilla Ramos Page 7

3.- Estadística descriptiva y la teoría del muestreo.

4.- Inferencia estadística.

5.- Análisis de regresión y correlación.

5.1 Regresión lineal simple, curvilínea y múltiple.

Ing. Carlos Padilla Ramos Page 8

1.- Teoría de la probabilidad.

1.1 Conjuntos, sus operaciones, leyes y su representación.

En matemáticas se denominan conjuntos a la colección o agrupación de

Por ejemplo, un experimento puede consistir en;

- Medir la hora en que pasa el ómnibus; Observar el punto de caída de una

Teniendo en mente esta relación, pasemos a desarrollar la teoría desde esta

Definimos, a continuación, algunos elementos comunes en cualquier

Conjunto Universo o Espacio muestral: conjunto de todos los posibles

Ejemplo: Resultados posibles de lanzar un dado.

Ing. Carlos Padilla Ramos Page 9

Evento Simple: cada uno de los posibles resultados, considerados

Ejemplo: Que se obtenga el número 1 al lanzar un dado.

𝑨 = {𝒙⁄𝒙 𝒆𝒔 𝒆𝒍 𝒏ú𝒎𝒆𝒓𝒐 𝟏} 𝑨 = {𝟏}

Evento compuesto: conjunto formado de eventos simples.

𝑺 = {𝒙⁄𝒙 𝒆𝒔 𝒖𝒏 𝒏ú𝒎𝒆𝒓𝒐 𝒑𝒂𝒓}

𝑨 = {𝟐} 𝑩 = {𝟒} 𝑪 = {𝟔}

A continuación, definamos algunas operaciones básicas relacionadas con

Nótese que los elementos que aparecen en ambos conjunto no se repiten en el

Ing. Carlos Padilla Ramos Page 10

Ing. Carlos Padilla Ramos Page 11

Ing. Carlos Padilla Ramos Page 12

Conjuntos ajenos o mutuamente excluyentes.

𝑨 𝒚 𝑩 𝒔𝒐𝒏 𝒎𝒖𝒕𝒖𝒂𝒎𝒆𝒏𝒕𝒆 𝒆𝒙𝒄𝒍𝒖𝒚𝒆𝒏𝒕𝒆𝒔 𝒚 𝒑𝒐𝒓 𝒆𝒍𝒍𝒐;

Ing. Carlos Padilla Ramos Page 13

Ejercicios resueltos de operaciones con conjuntos.

Ing. Carlos Padilla Ramos Page 14