03 DE Estadística Inferencial

DISEÑO DE EXPERIMENTOS
ESTADÍSTICA INFERENCIAL
FACULTAD DE
INGENIERÍA
22-ene.-23 Prof. Marco Ciaccia CIVIL Y MECÁNICA
INFERENCIA ESTADÍSTICA
• El objetivo de la inferencia estadística es hacer afirmaciones válidas acerca

de una población o proceso con base en la información contenida en una
muestra.
• De esta manera, se realiza una mejor estimación de las características de

una población con la finalidad de tomar decisiones acerca de la hipótesis
de investigación.
• La inferencia estadística se apoya en estadísticos calculados a partir de las

observaciones en la muestra.
• Los estadísticos son variables aleatorias porque dependen de cómo se

seleccionan los elementos de la muestra y, por lo tanto, varían de una
muestra a otra.
• La aleatoriedad de un estadístico se toma en cuenta mediante la

distribución de probabilidad que lo describe.
EXPERIMENTO ALEATORIO
• Un experimento o fenómeno se • Ejemplos:

define como aleatorio si se  Suma de puntos obtenidos al lanzar
verifican las siguientes dos dados.
condiciones:  Las distorsiones de las señales que
 Se conocen previamente todos los ingresan a un filtro de señales.
resultados posibles del experimento.  Cantidad de filamento consumido
 No se puede predecir el resultado durante una impresión 3D.
antes de realizarlo.
 Se puede repetir indefinidamente
bajo las mismas condiciones.
ESPACIO MUESTRAL
Es el conjunto de todos los resultados posibles del experimento aleatorio, y

se simboliza con 𝒮.
Lanzamiento de un dado
Discretos ordinario: 𝒮 = {1, 2, 3, 4, 5, 6}
Cuando el espacio muestral
es finito o infinito Pernos sin defectos (𝑠) que
numerable. salen de una línea de
producción hasta que sale uno
Ejemplos → defectuoso (𝑑):
Espacio 𝒮 = {𝑑, 𝑠𝑑, 𝑠𝑠𝑑, 𝑠𝑠𝑠𝑑, 𝑠𝑠𝑠𝑠𝑑, …}
muestral
Consumo de energía eléctrica
Continuos durante un proceso
metalmecánico: 𝒮 = [0, ∞)
Cuando el espacio muestral
es infinito no numerable.
Longitud total de los cables
Ejemplos → usados en un circuito eléctrico:
𝒮 = [0, ∞)
EVENTOS
• Es cualquier subconjunto de resultados contenidos en el espacio muestral.
• Se simbolizan con letras latinas mayúsculas: 𝐴, 𝐵, 𝐶, etc.
Simple
Consiste en un solo punto o
resultado obtenido de 𝒮 𝐴
𝐵
𝐶
Evento
𝐷 𝒮
𝐹
𝐸
Compuesto
Consiste en más de un punto o
resultado obtenido de 𝒮
EVENTOS
Ejemplo 1:
• Considere un experimento en el que en una

fábrica de tubos estructurales se mide la redondez
de tres tubos que salen consecutivamente de la
línea de producción.
• Los tubos pueden tener una redondez según

especificación (𝐸) o fuera de especificación (𝐹). El
espacio muestral será:
𝒮 = 𝐸𝐸𝐸, 𝐸𝐸𝐹, 𝐸𝐹𝐸, 𝐸𝐹𝐹, 𝐹𝐸𝐸, 𝐹𝐸𝐹, 𝐹𝐹𝐸, 𝐹𝐹𝐹
• Cada secuencia es un evento simple. Por ejemplo,

𝐸1 = {𝐸𝐸𝐸} y 𝐸6 = {𝐹𝐸𝐹}.
EVENTOS
• Ejemplos de eventos compuestos:
𝐴 = {𝐸𝐸𝐹, 𝐸𝐹𝐸, 𝐹𝐸𝐸}: solo uno de los tubos está fuera de

especificación.
𝐵 = {𝐸𝐸𝐸, 𝐸𝐸𝐹, 𝐸𝐹𝐸, 𝐹𝐸𝐸}: como máximo uno de los tubos está fuera de
especificación.
𝐶 = {𝐸𝐸𝐸, 𝐹𝐹𝐹}: todos los tubos están en el mismo estado.
• Si al realizar el experimento se obtiene como resultado 𝐸𝐸𝐸, habrá

ocurrido el evento simple 𝐸1 y los eventos compuestos 𝐵 y 𝐶, pero no 𝐴.
• Esto significa que, aunque al realizar el experimento ocurra un solo evento

simple, podrán ocurrir varios eventos compuestos simultáneamente.
EVENTOS COMPUESTOS
• Los eventos compuestos son conjuntos, por lo que la teoría de conjuntos

aplica en el estudio de los eventos.
• Notación y definiciones:
 𝒮: evento seguro 𝒮
Evento seguro
 ∅: evento nulo o vacío ∅

Evento vacío
 𝐴 ⊂ 𝒮: el evento 𝐴 es un subconjunto de 𝒮 𝒮 𝐴
o está incluido en 𝒮 𝐴⊂𝒮
𝒮 𝐴’ 𝐴
 𝐴′: evento complemento de 𝐴, es decir, todos los
Complemento
eventos pertenecientes a 𝒮 que no están en 𝐴
EVENTOS COMPUESTOS
 𝐴 ∪ 𝐵: unión de los eventos 𝐴 y 𝐵, es decir, todos los
𝒮 𝐴 𝐵
resultados de 𝐴, o de 𝐵, o comunes a ambos
𝐴∪𝐵
 𝐴 ∩ 𝐵: intersección de los eventos 𝐴 y 𝐵, es decir,

𝒮 𝐴 𝐵
todos los resultados comunes a 𝐴 y 𝐵
𝐴∩𝐵
 𝐴 ∩ 𝐵 = ∅: eventos mutuamente excluyentes,

𝒮 𝐴 𝐵
disjuntos o incompatibles
𝐴∩𝐵 =∅
EVENTOS COMPUESTOS
Continuación del ejemplo 1: • Elabore una lista de todos los

resultados en el evento 𝐵 en el que
Supongamos que ahora los tubos se
exactamente dos tubos tienen la
designan de la siguiente manera:
misma cantidad de lóbulos.
redondez según especificación (𝐿1),
redondez fuera de especificación con • Enumere los resultados en 𝐵’, 𝐴 ∪
dos lóbulos (𝐿2) y con tres lóbulos 𝐵 y 𝐴 ∩ 𝐵.
(𝐿3).
• Determine el espacio muestral.
• Elabore una lista de todos los

resultados en el evento 𝐴 en el que
al menos dos de los tres tubos
tienen tres lóbulos.
Dos lóbulos Tres lóbulos
EVENTOS COMPUESTOS
Solución: 𝐿1
• Determine el espacio muestral.
Para obtenerlo se varían ordenadamente, uno a uno, todos los eventos
simples posibles. También se puede usar un diagrama de árbol.
Tubos: 1 2 3
↓ ↓ ↓
𝒮={ 𝐿1 𝐿1 𝐿1 , 𝐿1 𝐿1 𝐿2 , 𝐿1 𝐿1 𝐿3 ,
𝐿1 𝐿2 𝐿1 , 𝐿1 𝐿2 𝐿2 , 𝐿1 𝐿2 𝐿3 ,
𝐿1 𝐿3 𝐿1 , 𝐿1 𝐿3 𝐿2 , 𝐿1 𝐿3 𝐿3 ,
𝐿2 𝐿1 𝐿1 , 𝐿2 𝐿1 𝐿2 , 𝐿2 𝐿1 𝐿3 ,
𝐿2 𝐿2 𝐿1 , 𝐿2 𝐿2 𝐿2 , 𝐿2 𝐿2 𝐿3 ,
𝐿2 𝐿3 𝐿1 , 𝐿2 𝐿3 𝐿2 , 𝐿2 𝐿3 𝐿3 ,
𝐿3 𝐿1 𝐿1 , 𝐿3 𝐿1 𝐿2 , 𝐿3 𝐿1 𝐿3 ,
𝐿3 𝐿2 𝐿1 , 𝐿3 𝐿2 𝐿2 , 𝐿3 𝐿2 𝐿3 ,
𝐿3 𝐿3 𝐿1 , 𝐿3 𝐿3 𝐿2 , 𝐿3 𝐿3 𝐿3 }
EVENTOS COMPUESTOS
• Elabore una lista de todos los resultados en el evento 𝐴 en el que al menos

dos de los tres tubos tienen tres lóbulos.
𝒮 = {𝐿1 𝐿1 𝐿1 , 𝐿1 𝐿1 𝐿2 , 𝐿1 𝐿1 𝐿3 , 𝐿1 𝐿2 𝐿1 , 𝐿1 𝐿2 𝐿2 , 𝐿1 𝐿2 𝐿3 , 𝐿1 𝐿3 𝐿1 , 𝐿1 𝐿3 𝐿2 , 𝐿1 𝐿3 𝐿3 ,
𝐿2 𝐿1 𝐿1 , 𝐿2 𝐿1 𝐿2 , 𝐿2 𝐿1 𝐿3 , 𝐿2 𝐿2 𝐿1 , 𝐿2 𝐿2 𝐿2 , 𝐿2 𝐿2 𝐿3 , 𝐿2 𝐿3 𝐿1 , 𝐿2 𝐿3 𝐿2 , 𝐿2 𝐿3 𝐿3 ,
𝐿3 𝐿1 𝐿1 , 𝐿3 𝐿1 𝐿0 , 𝐿3 𝐿1 𝐿3 , 𝐿3 𝐿2 𝐿1 , 𝐿3 𝐿2 𝐿2 , 𝐿3 𝐿2 𝐿3 , 𝐿3 𝐿3 𝐿1 , 𝐿3 𝐿3 𝐿2 , 𝐿3 𝐿3 𝐿3 }
𝐴 = {𝐿1 𝐿3 𝐿3 , 𝐿2 𝐿3 𝐿3 , 𝐿3 𝐿1 𝐿3 , 𝐿3 𝐿2 𝐿3 , 𝐿3 𝐿3 𝐿1 , 𝐿3 𝐿3 𝐿2 , 𝐿3 𝐿3 𝐿3 }
• Elabore una lista de todos los resultados en el evento 𝐵 en el que

exactamente dos tubos tienen la misma cantidad de lóbulos.
𝐵 = {𝐿1 𝐿1 𝐿2 , 𝐿1 𝐿1 𝐿3 , 𝐿1 𝐿2 𝐿1 , 𝐿1 𝐿2 𝐿2 , 𝐿1 𝐿3 𝐿1 , 𝐿1 𝐿3 𝐿3 , 𝐿2 𝐿1 𝐿1 , 𝐿2 𝐿1 𝐿2 ,
𝐿2 𝐿2 𝐿1 , 𝐿2 𝐿2 𝐿3 , 𝐿2 𝐿3 𝐿2 , 𝐿2 𝐿3 𝐿3 , 𝐿3 𝐿1 𝐿1 , 𝐿3 𝐿1 𝐿3 , 𝐿3 𝐿2 𝐿2 , 𝐿3 𝐿2 𝐿3 ,
𝐿3 𝐿3 𝐿1 , 𝐿3 𝐿3 𝐿2 }
EVENTOS COMPUESTOS
• Enumere los resultados en 𝐵’.

𝐿3 𝐿3 𝐿1 , 𝐿3 𝐿3 𝐿2 }
𝐵’ = {𝐿1 𝐿1 𝐿1 , 𝐿1 𝐿2 𝐿3 , 𝐿1 𝐿3 𝐿2 , 𝐿2 𝐿1 𝐿3 , 𝐿2 𝐿2 𝐿2 , 𝐿2 𝐿3 𝐿1 , 𝐿3 𝐿1 𝐿2 ,
𝐿3 𝐿2 𝐿1 , 𝐿3 𝐿3 𝐿3 }
𝒮 𝐵’ 𝐵
Complemento
EVENTOS COMPUESTOS
• Enumere los resultados en 𝐴 ∪ 𝐵 y 𝐴 ∩ 𝐵.

𝐴 = {𝐿1 𝐿3 𝐿3 , 𝐿2 𝐿3 𝐿3 , 𝐿3 𝐿1 𝐿3 , 𝐿3 𝐿2 𝐿3 , 𝐿3 𝐿3 𝐿1 , 𝐿3 𝐿3 𝐿2 , 𝐿3 𝐿3 𝐿3 }
𝐿3 𝐿3 𝐿1 , 𝐿3 𝐿3 𝐿2 }
𝐴 ∪ 𝐵 = {𝐿1 𝐿1 𝐿2 , 𝐿1 𝐿1 𝐿3 , 𝐿1 𝐿2 𝐿1 , 𝐿1 𝐿2 𝐿2 ,𝐿1 𝐿3 𝐿1 , 𝐿1 𝐿3 𝐿3 ,
𝐿2 𝐿1 𝐿1 , 𝐿2 𝐿1 𝐿2 , 𝐿2 𝐿2 𝐿1 , 𝐿2 𝐿2 𝐿3 , 𝐿2 𝐿3 𝐿2 , 𝐿2 𝐿3 𝐿3 ,
𝐿3 𝐿1 𝐿1 , 𝐿3 𝐿1 𝐿3 , 𝐿3 𝐿2 𝐿2 , 𝐿3 𝐿2 𝐿3 , 𝐿3 𝐿3 𝐿1 , 𝐿3 𝐿3 𝐿2 , 𝐿3 𝐿3 𝐿3 }
𝐴 ∩ 𝐵 = {𝐿1 𝐿3 𝐿3 , 𝐿2 𝐿3 𝐿3 , 𝐿3 𝐿1 𝐿3 , 𝐿3 𝐿2 𝐿3 , 𝐿3 𝐿3 𝐿1 , 𝐿3 𝐿3 𝐿2 }
𝒮 𝐴 𝐵 𝒮 𝐴 𝐵
𝐴∪𝐵 𝐴∩𝐵
EVENTOS COMPUESTOS
Ejemplo 2:
Tres componentes están conectados para formar un sistema como se

muestra en el diagrama. Los componentes del subsistema SS2 están
conectados en paralelo, por lo que funcionará si al menos un componente
funciona. Para que todo el sistema funcione, ambos subsistemas deben
funcionar. El experimento consiste en determinar la condición de cada
componente (𝐸, éxito, si funciona y 𝐹, falla, si no funciona).
SS1 SS2
EVENTOS COMPUESTOS
• Determine el espacio muestral. • ¿Qué resultados están contenidos

en el evento 𝐶 en que el sistema
• ¿Qué resultados están contenidos
funciona?
en el evento 𝐴 en que exactamente
dos de los tres componentes • Liste los resultados en 𝐶 ′ , 𝐴 ∪ 𝐶,
funcionan? 𝐴 ∩ 𝐶, 𝐵 ∪ 𝐶, y 𝐵 ∩ 𝐶.

en el evento 𝐵 en que al menos dos
de los componentes funcionan?
SS1 SS2
EVENTOS COMPUESTOS
Solución: • ¿Qué resultados están contenidos

en el evento 𝐵 en que por lo menos
• Determine el espacio muestral
dos de los componentes funcionan?
𝒮 = {𝐸𝐸𝐸, 𝐸𝐸𝐹, 𝐸𝐹𝐸, 𝐸𝐹𝐹,
𝐵 = {𝐸𝐸𝐸, 𝐸𝐸𝐹, 𝐸𝐹𝐸, 𝐹𝐸𝐸}
𝐹𝐸𝐸, 𝐹𝐸𝐹, 𝐹𝐹𝐸, 𝐹𝐹𝐹}
en el evento 𝐶 en que el sistema
en el evento 𝐴 en que exactamente
funciona?
dos de los tres componentes
funcionan? 𝐶 = {𝐸𝐸𝐸, 𝐸𝐸𝐹, 𝐸𝐹𝐸}
𝐴 = {𝐸𝐸𝐹, 𝐸𝐹𝐸, 𝐹𝐸𝐸}
SS1 SS2
EVENTOS COMPUESTOS
• Liste los resultados en 𝐶 ′ (el 𝐴 = {𝐸𝐸𝐹, 𝐸𝐹𝐸, 𝐹𝐸𝐸}

sistema no funciona)
𝐵 = {𝐸𝐸𝐸, 𝐸𝐸𝐹, 𝐸𝐹𝐸, 𝐹𝐸𝐸}
𝒮 = {𝐸𝐸𝐸, 𝐸𝐸𝐹, 𝐸𝐹𝐸, 𝐸𝐹𝐹,
𝐴 ∪ 𝐶 = {𝐸𝐸𝐸, 𝐸𝐸𝐹, 𝐸𝐹𝐸, 𝐹𝐸𝐸}
𝐹𝐸𝐸, 𝐹𝐸𝐹, 𝐹𝐹𝐸, 𝐹𝐹𝐹}
𝐶 = {𝐸𝐸𝐸, 𝐸𝐸𝐹, 𝐸𝐹𝐸} 𝐴 ∩ 𝐶 = {𝐸𝐸𝐹, 𝐸𝐹𝐸}
𝐵 ∪ 𝐶 = {𝐸𝐸𝐸, 𝐸𝐸𝐹, 𝐸𝐹𝐸, 𝐹𝐸𝐸}

𝐶′ = {𝐸𝐹𝐹, 𝐹𝐸𝐸, 𝐹𝐸𝐹, 𝐹𝐹𝐸, 𝐹𝐹𝐹}
𝐵 ∩ 𝐶 = {𝐸𝐸𝐸, 𝐸𝐸𝐹, 𝐸𝐹𝐸}
• Liste los resultados en 𝐴 ∪ 𝐶, 𝐴 ∩
𝐶, 𝐵 ∪ 𝐶, y 𝐵 ∩ 𝐶.
𝒮 𝐴 𝐶
𝐴∪𝐶 𝒮 𝐶’ 𝐶
Complemento
𝒮 𝐴 𝐶
𝐴∩𝐶
SS1 SS2
¿QUÉ ES LA PROBABILIDAD?
Por definición, no es posible predecir anticipadamente el

resultado de un experimento aleatorio.
Sin embargo, si el experimento se repite muchas veces en

las mismas condiciones, comienza a revelarse cierto
patrón en los resultados.
Es necesario introducir una medida que cuantifique la

posibilidad de que un evento 𝐴 del espacio muestral 𝒮
ocurra durante un experimento aleatorio.
Esta medida se llama probabilidad del evento 𝑨, y se

simboliza como 𝑃(𝐴).
INTERPRETACIONES DE LA PROBABILIDAD
Clásica o de Laplace
Asociada a los juegos de azar, resultados mutuamente
excluyentes y equiprobables
Frecuentista
Estabilidad de las frecuencias relativas al repetir un experimento
durante un número suficientemente grande de veces
Bayesiana
La probabilidad es un concepto personal subjetivo que expresa
un grado de convicción sobre la ocurrencia de un evento
Axiomática o de Kolmogorov
Formalización del modelo matemático de la Probabilidad,
engloba las tres anteriores
AXIOMAS DE LA PROBABILIDAD
https://dle.rae.es/axioma
1. m. Proposición tan clara y evidente que se admite sin demostración.
2. m. Mat. Cada uno de los principios indemostrables sobre los que, por medio de un
razonamiento deductivo, se construye una teoría.
Sea 𝒮 el espacio muestral de un experimento aleatorio, una función de

probabilidad asigna un número real 𝑃 𝐴 a cada evento 𝐴 ⊂ 𝒮 verificando
los siguientes axiomas:
• Axioma 1: 𝑃 𝐴 ≥ 0, ∀ 𝐴 ⊂ 𝒮
• Axioma 2: 𝑃 𝒮 = 1
• Axioma 3: Si 𝐴1 , 𝐴2 , ⋯ , 𝐴𝑛 son una serie de eventos disjuntos, es decir,

𝐴𝑖 ∩ 𝐴𝑗 = ∅, ∀ 𝑖 ≠ 𝑗, entonces 𝑃 𝐴1 ∪ 𝐴2 ∪ ⋯ ∪ 𝐴𝑛 = σ𝑛𝑖=1 𝑃 𝐴𝑖
PROPIEDADES DE LA PROBABILIDAD (CONSECUENCIAS DE LOS
AXIOMAS)
1. 𝑃 ∅ = 0
2. 𝑃 𝐴′ = 1 − P(𝐴)
3. 𝑃 𝐴 ≤ 1
4. (Probabilidad de la unión de dos eventos): Sean 𝐴 y 𝐵 dos eventos

cualesquiera, entonces
𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃(𝐴 ∩ 𝐵)
Esto implica que si 𝐴 y 𝐵 son incompatibles o disjuntos

𝐴 𝐵
(𝐴 ∩ 𝐵 = ∅)
entonces 𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵
PROPIEDADES DE LA PROBABILIDAD (CONSECUENCIAS DE LOS
AXIOMAS)
5. (Fórmula alterna para la probabilidad de la unión de dos eventos): Sean 𝐴

y 𝐵 dos eventos cualesquiera, entonces
𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐴′ ∩ 𝐵 = 𝑃 𝐵 + 𝑃(𝐴 ∩ 𝐵 ′ )
𝐴 𝐵 = 𝐴 ∪( 𝐴
𝐴′ ∩ 𝐵 )
= 𝐴 ∪ 𝐵
6. (Probabilidad de la unión de tres eventos): Sean 𝐴, 𝐵 y 𝐶 tres eventos

cualesquiera, entonces
𝑃 𝐴∪𝐵∪𝐶 =𝑃 𝐴 +𝑃 𝐵 +𝑃 𝐶 −𝑃 𝐴∩𝐵 −𝑃 𝐵∩𝐶 −𝑃 𝐴∩𝐶
+ 𝑃(𝐴 ∩ 𝐵 ∩ 𝐶)
7. Sean 𝐴 y 𝐵 dos eventos tales que 𝐴 ⊂ 𝐵, entonces 𝑃(𝐴) ≤ 𝑃(𝐵)

PROPIEDADES DE LA PROBABILIDAD
Ejemplo 3:
En Ecuador, una empresa constructora

ofrece un servicio básico de diseño CAD
de estructuras metálicas, y también un
servicio completo de BIM (Building
Information Modeling). El 70 % de las
firmas que les solicitan cotizaciones
contrata solamente el servicio de CAD,
un 40 % solamente el servicio de BIM, y
un 30 % contratan ambos servicios. Si
se elige un proyecto al azar, determine
la probabilidad de que se contrate al
menos uno de los dos servicios, y la
probabilidad de que se contrate
exactamente uno de los dos servicios.
Solución:
• Eventos: 𝐴 = {Se contrata el servicio de CAD}, 𝑃(𝐴) = 0,7

𝐵 = {Se contrata el servicio de BIM}, 𝑃(𝐵) = 0,4
• La contratación de ambos servicios significa: 𝑃 𝐴 ∩ 𝐵 = 0,3.
• Probabilidad de que se contrate al menos uno de los dos servicios:
El término al menos implica el evento 𝐴, o el 𝐵, o ambos. Por lo tanto, se

debe calcular la probabilidad de la unión de ambos eventos, 𝑃 𝐴 ∪ 𝐵 .
Propiedad 4:
𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃 𝐴 ∩ 𝐵 = 0,7 + 0,4 − 0,3 = 0,8

• Probabilidad de que se contrate exactamente uno de los dos servicios:
Se deben calcular por separado las probabilidades individuales de cada

evento. Para ello, se calcula la probabilidad de la intersección de no contratar
un servicio específico (complemento del evento) y de si contratar el otro:
𝑃 𝐴 ∩ 𝐵 ′ : probabilidad de contratar el CAD pero no el BIM.
De la propiedad 5:
𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐵 + 𝑃(𝐴 ∩ 𝐵 ′ )
𝑃 𝐴 ∪ 𝐵 = 0,8 = 0,4 + 𝑃 𝐴 ∩ 𝐵 ′ ⟹ 𝑃 𝐴 ∩ 𝐵 ′ = 0,4
𝑃 𝐴′ ∩ 𝐵 : probabilidad de no contratar el CAD pero si el BIM.

𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃(𝐴′ ∩ 𝐵)
0,8 = 0,7 + 𝑃 𝐴′ ∩ 𝐵 ⟹ 𝑃 𝐴′ ∩ 𝐵 = 0,1
𝑃 𝑐𝑜𝑛𝑡𝑟𝑎𝑡𝑎𝑟 𝑒𝑥𝑎𝑐𝑡𝑎𝑚𝑒𝑛𝑡𝑒 𝑢𝑛 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜 = 𝑃 𝐴 ∩ 𝐵 ′ + 𝑃(𝐴′ ∩ 𝐵)

= 0,4 + 0,1 = 0,5
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴 ∩ 𝐵′) 𝑃(𝐴′ ∩ 𝐵)
0,4 0,3 0,1

METODOLOGÍA PARA LA DETERMINACIÓN DE PROBABILIDADES
• En ocasiones, las probabilidades de los resultados de

un experimento se pueden conocer mediante un
estudio de observación, formal o informal.
• Si el espacio muestral es finito o infinito contable, la

probabilidad de un evento compuesto 𝐴 se puede
calcular sumando las probabilidades de los eventos
simples 𝐸𝑖 compuestos por un solo resultado y que
estén incluidos en 𝐴:
𝑃(𝐸2 ) 𝑃(𝐸3 )
𝑃(𝐸1)
𝑃(𝐸4 ) 𝑃(𝐸5 )
𝑃 𝐴 = ෍ 𝑃(𝐸𝑖 )
𝑃(𝐸6 ) 𝑃(𝐸7 )
𝐸𝑖 ⊂𝐴 𝑃(𝐴)
𝑃(𝐸10 ) 𝑃(𝐸8 )
𝑃(𝐸11 )
𝑃(𝐸9 )
• Si el espacio muestral tiene un tamaño finito N, todos los eventos simples

tienen la misma probabilidad y son excluyentes, como en el caso del
lanzamiento de un dado, la probabilidad de cada evento simple es:
𝑁
1
෍ 𝑃 𝐸𝑖 = 1 = 𝑁 ⋅ 𝑃 𝐸𝑖 ⟹ 𝑃 𝐸𝑖 =
𝑁
𝑖=1
𝑃(𝐸1 ) = 1/6 𝑃(𝐸2 ) = 1/6
𝑃(𝐴) 𝑃(𝐸3 ) = 1/6 𝑃(𝐸4 ) = 1/6
𝑃(𝐸5 ) = 1/6 𝑃(𝐸6 ) = 1/6

Ejemplo 4: probabilidad de ser seleccionadas

que la que tienen al lado. Determine
En una empresa se guardan cinco
la probabilidad individual de
pares de gafas de seguridad idénticas
selección de cada gafa y la
en un armario. Las gafas se
probabilidad de que una de las gafas
encuentran colgadas a la misma
en posiciones impares sea
altura y de forma simétrica en la
seleccionada.
pared del fondo del armario. Se ha
observado que cuando un trabajador
1 2 3 4 5
acude a tomar unas gafas, la del
centro (3) tienen cuatro veces más
probabilidades de ser seleccionada
que las inmediatamente adyacentes
(2 y 4) y, además, las de los
extremos(1 y 5) tienen el doble de
Solución:
• Llamando 𝑝𝑖 a la probabilidad de seleccionar las gafas en posición 𝑖, según

el enunciado del ejemplo se tiene:
𝑝3 = 4𝑝2 = 4𝑝4 y 𝑝1 = 2𝑝2 = 𝑝5 = 2𝑝4
• Tomando 𝑝1 como referencia, se tiene: 𝑝2 = 𝑝4 = (1Τ2)𝑝1.
• Como las cinco gafas conforman todo el espacio muestral, la suma de todas
las probabilidades debe sumar 1. Así:
1 = 𝑝1 + (1Τ2)𝑝1 + 2𝑝1 + (1Τ2)𝑝1 + 𝑝1 = 5𝑝1
• Finalmente:
𝑝1 = 𝑝5 = 0,2; 𝑝2 = 𝑝4 = 0,1; 𝑝3 = 0,4

• Llamando 𝐴 al evento compuesto en el que se selecciona unas gafas en

posición impar, la probabilidad 𝑃(𝐴) es
𝑃 𝐴 = 𝑝1 + 𝑝3 + 𝑝5 = 0,8
DISTRIBUCIONES DE PROBABILIDAD
• La relación entre todos los posibles valores de 𝑋 (rango de 𝑋) y su

probabilidad asociada se llama distribución de probabilidad.
• La distribución de probabilidad es una función que se representa

mediante una fórmula o una tabla.
• Las distribuciones de probabilidad muestrales se utilizan para hacer

estimaciones poblacionales, estimar intervalos de confianza y realizar
pruebas de hipótesis.
Las distribuciones de probabilidad más usadas en inferencia estadística son

las distribuciones: normal, T de Student, 𝒋𝒊-cuadrado 𝝌𝟐 , y 𝑭.
Distribución normal
Sus parámetros son la media 𝜇 y la
desviación estándar 𝜎 . Se representa
mediante 𝑁 𝜇, 𝜎 . Es una función
simétrica y se emplea para inferir sobre
la media poblacional.
El gráfico en color verde es la
distribución normal estándar, 𝑁 0,1 .
Imagen: CC BY-SA 3.0,

https://commons.wikimedia.org/w/index.php?curi
d=84811
Distribución T de Student
Se define mediante el parámetro grados
de libertad, relacionado con el tamaño
de la muestra. Es simétrica y se emplea
para inferir sobre la media poblacional.
Tiende a la distribución normal cuando
k > 45.
𝜐 = k = grados de libertad
Γ es la función gamma
Imagen: Thorin - Transferido desde fr.wikipedia a

Commons., CC BY-SA 1.0,
d=1878902
Distribución 𝒋𝒊-cuadrado
Se define mediante los grados de
libertad. Es sesgada (asimétrica), sólo
toma valores positivos y se emplea para
inferir sobre la varianza poblacional.
𝑘 = grados de libertad
Γ es la función gamma
Imagen: Dominio público,
d=103001
Distribución 𝑭
Se define mediante los grados de
libertad de dos muestras. Es sesgada,
sólo toma valores positivos y se emplea
para comparar varianzas, por lo que es
muy importante en Diseño de
Experimentos.
𝑚, 𝑛 = grados de libertad
Imagen: De IkamusumeFan - Trabajo propio, CC BY- Γ es la función gamma
SA 4.0,
d=34777108
FUNCIÓN DE DENSIDAD DE PROBABILIDAD Y FUNCIÓN DE
PROBABILIDAD ACUMULADA
• Los gráficos previos corresponden a la función de densidad de

probabilidad (PDF) de cada distribución.
• Sea 𝑓 la función de probabilidad (sea la normal, 𝑇 de Student, 𝑗𝑖-cuadrado

o 𝐹), y la variable probabilística 𝑋, las figuras previas representan a 𝑓(𝑋).
• Si se desea calcular la probabilidad de que 𝑋 tome un valor menor o igual a

𝑥, 𝑃(𝑋 ≤ 𝑥), o mayor o igual a 𝑥, 𝑃(𝑋 ≥ 𝑥), se emplea la función de
probabilidad acumulada (CDF), que corresponde al área bajo la PDF. Los
límites de integración dependerán de lo buscado y de la distribución.
• Enlaces a imágenes de la CDF de las distribuciones vistas:

Normal: https://bit.ly/3cNTkCf 𝑇 de Student: https://bit.ly/3cQ4d6E
𝐽𝑖-cuadrado: https://bit.ly/3pXBjoR 𝐹: https://bit.ly/3tu7huS
EVALUACIÓN DE LA PROBABILIDAD
Mediante tablas: en la mayoría de los textos de estadística y de diseño de

experimentos se encuentran tablas de probabilidad para las distintas
distribuciones. En Gutiérrez y De La Vara (2012), las tablas A1 a A4
contienen los valores de 𝑃(𝑍 ≥ 𝑧) o 𝑃(𝑋 ≥ 𝑥) de las distribuciones normal,
𝑇 de Student, 𝑗𝑖-cuadrado y 𝐹, respectivamente.
Mediante Excel:
Equivalencia a la
tabla: Se usa la función Ayuda
A1 (normal) 1 - DISTR.NORM.N(…) https://bit.ly/3aFW8hX
A2 (𝑗𝑖-cuadrado) INV.CHICUAD.CD(…) https://bit.ly/36QTtku
A3 (𝑇 de Student) INV.T(…) https://bit.ly/36NprOn
A4 (𝐹) INV.F.CD(…) https://bit.ly/3tzVNWS
SIGNIFICANCIA ESTADÍSTICA (𝜶)
• Es la probabilidad de que un efecto o resultado obtenido de un proceso sea

producto del azar.
• Se usa tanto en las pruebas de hipótesis como en la determinación de

intervalos de confianza.
• Un valor muy común es 5 %, o 0,05. Otros valores encontrados en la

literatura son 0,01; 0,02; 0,1 y 0,15.
• Para evitar el sesgo de investigación, se debe establecer la significancia

estadística antes de comenzar el estudio del proceso, y luego mantenerse
apegado a ese valor.
• Supongamos que el efecto que se estudia es una variable probabilística

con una distribución normal estándar, cuya PDF se muestra en la figura.
𝑁(0,1)
Valor crítico
1−𝛼
𝛼
𝑧𝛼 0
 = 200 𝑧_
210
X
Región crítica
• El valor de 𝛼 define un valor crítico, 𝑧𝛼 , que divide la PDF en dos secciones,

una llamada región crítica, de área 𝛼.
• La otra sección tiene un área (1 − 𝛼).
• Ambas áreas, 𝛼 y (1 − 𝛼), son valores de probabilidad. Para obtener 𝛼 se

integra la PDF en el intervalo (−∞; 𝑧𝛼 ].
• En la práctica se utilizan tablas o software. La tabla A1 de Gutiérrez y De

La Vara (2012) muestra los valores de (1 − 𝛼) para un 𝑧 dado en la
función normal estándar.
• La función DISTR.NORM.ESTAND.N(z; VERDADERO) de Excel devuelve, en

cambio, el valor de 𝛼.
• También es de interés el proceso inverso: dado 𝛼, calcular 𝑧𝛼 . En Excel se

usa la función INV.NORM.ESTAND(𝛼).
HIPÓTESIS DE INVESTIGACIÓN
• Cuando se realiza una investigación, comúnmente se establece una

hipótesis de investigación o de trabajo.
• Consiste en dar explicaciones tentativas del fenómeno investigado,

enunciándolas como proposiciones o como afirmaciones.
• Indican lo que tratamos de probar, guiando la investigación o estudio.
• Las hipótesis de investigación pueden ser:

 Descriptivas de un valor o dato pronosticado
 Correlacionales
 De diferencia de grupos
 Causales
HIPÓTESIS ESTADÍSTICA PARAMÉTRICA
• Es una afirmación que se realiza en torno a algún parámetro de interés de

una población particular.
• Los parámetros comúnmente utilizados son los de medidas centrales y las

proporciones.
• Las hipótesis estadísticas se plantean en pares: una hipótesis nula (H0) y

una hipótesis alterna (HA o H1).
• Generalmente, la hipótesis nula se enuncia como la negación de lo que se

quiere probar en la hipótesis de investigación. En otras palabras, se
formula intencionalmente con la finalidad de ser rechazada.
• Si se rechaza H0, se apoya HA, que “es la declaración operacional de la hipótesis

de investigación del experimentador. La hipótesis de investigación es la
predicción derivada de la teoría sometida a prueba.” (Siegel & Castellan, 1995).
EJEMPLO DE HIPÓTESIS
En una empresa que fabrica varillas • Hipótesis de investigación: “Las

de acero, el gerente de producción varillas de 10 mm se están
cree que en la línea de producción fabricando con un diámetro
de varillas de 10 mm se están diferente al nominal”
fabricando con diámetros diferentes
• Hipótesis nula: “El promedio de los
al nominal, porque la materia prima
diámetros en la línea de
asignada para elaborar un lote sobra
producción de varillas de 10 mm es
en algunas ocasiones y es
igual al nominal”, es decir,
insuficiente en otras.
H0: 𝜇 = 10 mm.
• Hipótesis alternativa: “El promedio

de los diámetros de la línea de
producción de varillas de 10 mm es
diferente al nominal”, es decir,
HA: 𝜇 ≠ 10 mm.
HIPÓTESIS ESTADÍSTICAS UNILATERALES Y BILATERALES
• La hipótesis alternativa de tipo 𝜃 ≠ 𝜃𝑜 se conoce como bilateral, porque

valores tanto mayores como menores a 𝜃𝑜 cumplen la desigualdad.
• 𝜃 representa a cualquier parámetro puntual, como 𝜇, 𝜎 2 , 𝜎, 𝑝.
• Si HA se formula en términos de “mayor que” o “menor que”, se conoce

como unilateral. Ejemplos:
 HA: 𝜇 > 10 mm ⇒ Corresponde a la hipótesis de investigación “Las varillas de
10 mm se están fabricando con un diámetro mayor al nominal”
 HA: 𝜇 < 10 mm ⇒ Corresponde a la hipótesis de investigación “Las varillas de
10 mm se están fabricando con un diámetro menor al nominal”.
• Los tipos de hipótesis y la significancia definen la ubicación y el tamaño de

la región crítica, como se muestra en la figura siguiente.
HIPÓTESIS ESTADÍSTICAS UNILATERALES Y BILATERALES
Unilaterales
1−𝛼
1−𝛼
𝛼 𝛼
𝑧1−𝛼 𝑧𝛼
𝐻0 : 𝜃 = 𝜃0 Bilateral o 𝐻0 : 𝜃 = 𝜃0
𝐻𝐴 : 𝜃 > 𝜃0 compuesta 𝐻𝐴 : 𝜃 < 𝜃0
1−𝛼
𝛼 Τ2 𝛼 Τ2
𝑧𝛼Τ2 𝑧1−𝛼Τ2
𝐻0 : 𝜃 = 𝜃0
𝐻𝐴 : 𝜃 ≠ 𝜃0
PRUEBA DE HIPÓTESIS ESTADÍSTICA
• “…es cualquier regla para decidir si se rechaza o no una hipótesis nula, con
base en la información que suministra una muestra aleatoria proveniente
de la población de interés.” (Canavás, 1988).
• La hipótesis nula se asume como verdadera, y solo se puede rechazar si

existe evidencia estadística suficiente para hacerlo.
• Para efectuar la prueba se debe definir un estadístico de prueba 𝑧0 , y su

valor permitirá decidir si se rechaza o no la hipótesis nula.
• El estadístico de prueba es una variable probabilística con una

distribución conocida, depende de 𝜃𝑜 y de los datos del problema.
• Existen métodos para calcular estadísticos de prueba para la media con

varianza desconocida, para la varianza y para la proporción.
RECHAZO O NO DE LA HIPÓTESIS NULA
El rechazo de la hipótesis nula se realiza cuando el estadístico de prueba cae
dentro de la región crítica, llamada también región de rechazo.
En el caso de una hipótesis bilateral , si (𝑧0 < 𝑧𝛼Τ2 ) o (𝑧0 > 𝑧1−𝛼Τ2 ) o, de
forma resumida, 𝑧0 > 𝑧𝛼Τ2 , entonces se rechaza la hipótesis nula.
RECHAZO O NO DE LA HIPÓTESIS NULA
Si la hipótesis es unilateral, el rechazo ocurre si (𝑧0 < 𝑧𝛼 ) o si (𝑧0 > 𝑧1−𝛼 ),

dependiendo de cómo se formule HA.
ERRORES AL RECHAZAR O ACEPTAR LA HIPÓTESIS NULA
El hecho de rechazar o aceptar H0 tiene la probabilidad de incurrir en dos

errores intrínsecos, llamados error tipo I y error tipo II, según se muestra en
la siguiente tabla.
ESTADO DE LA NATURALEZA
DECISIÓN
Si H0 es CIERTA: Si H0 es FALSA:
Error tipo II
ACEPTO H0 Decisión correcta
(falso negativo)
Error tipo I
RECHAZO H0 Decisión correcta
(falso positivo)
Probabilidades:
P(Error tipo I) = P(Rechazar H0 siendo H0 cierta) = 𝛼
P(Error tipo II) = P(Aceptar H0 siendo H0 falsa) = 𝛽
POTENCIA ESTADÍSTICA
• La probabilidad 𝛽 es una función de 𝛼 y del tamaño 𝑛 de la muestra, entre

otros factores. Se puede trabajar con 𝛽 de dos maneras:
 Se fija 𝛽 y se calcula el tamaño necesario de la muestra.
 Se fija el tamaño de la muestra y se calcula 𝛽 para confirmar que tiene un valor
aceptable. Los valores aceptables de 𝛽 oscilan alrededor de 0,1 y no más de 0,2.
• La cantidad 1 − 𝛽 se denomina potencia o sensibilidad de la prueba.
• Probabilísticamente: P(Rechazar H0 siendo H0 falsa) = 1 − 𝛽
• La potencia estadística es la capacidad que tiene la prueba de identificar

correctamente un efecto real, separando el azar de los resultados del proceso.
ESTADÍSTICO DE PRUEBA PARA LA MEDIA CON VARIANZA DESCONOCIDA
• En la práctica, no se conoce de antemano la varianza de la característica de la

población que se desea estudiar.
• Si el parámetro poblacional 𝑋 tiene una distribución normal con 𝜇 y 𝜎

desconocidos, el estadístico que permite hacer una prueba de la hipótesis
H0 : 𝜇 = 𝜇0 , HA : 𝜇 ≠ 𝜇0 , con base en datos de una muestra es:
ത 0
𝑛 𝑋−𝜇
𝑡0 = (1)
𝑆
Donde 𝜇0 es la media que se está probando, 𝑛 es el tamaño de la muestra, 𝑋ത

es la media y 𝑆 es la desviación estándar de los datos.
• Suponiendo que H0 es verdadera, el estadístico 𝑡0 sigue la distribución 𝑇 de

Student con 𝑞 grados de libertad, siendo 𝑞 = 𝑛 − 1.
ESTADÍSTICO DE PRUEBA PARA LA MEDIA CON VARIANZA DESCONOCIDA
• H0 se rechaza si 𝑡0 > 𝑡𝛼Τ2,𝑞 , donde 𝑡𝛼Τ2,𝑞 es el valor crítico de la distribución

𝑇 de Student de cola derecha con 𝑞 grados de libertad.
• El valor de 𝑡𝛼Τ2,𝑞 se puede leer de la tabla A3 de Gutiérrez y De La Vara

(2012) o calcular con la función de Excel INV.T(…).
• Si la hipótesis es unilateral, se rechaza H0 cuando (𝑡0 < −𝑡𝛼,𝑞 ) si (HA : 𝜇 <

𝜇0 ), y cuando (𝑡0> 𝑡1−𝛼,𝑞 ) si (HA : 𝜇 > 𝜇0 ).
EJEMPLO 1 – PRUEBA PARA LA MEDIA
Un fabricante de dulces compra 1. Defina la hipótesis de investigación
azúcar a un proveedor. Según el y las hipótesis estadísticas.
vendedor, los sacos tienen un peso 2. ¿Cuál es el tamaño de la muestra?
medio de 50,1 kg, con una varianza de 3. Calcule el estadístico de prueba.
(𝜎 2 = 0,5 kg2). El fabricante sospecha 4. Calcule el valor crítico necesario
que el peso promedio es menor y para la prueba estadística.
quiere comprobarlo planteando una
5. Concluya sobre la investigación.
hipótesis con una significancia del
5 %. Para ello, selecciona de manera
aleatoria tres bultos de cada uno de
los siguientes cinco pedidos. Pesa los
15 bultos y obtiene que 𝑋ത = 49,4 kg y
𝑆 2 = 1,2 kg2.
EJEMPLO 1 – PRUEBA PARA LA MEDIA
Solución • Pero en la parte superior de la tabla A3
1. Hipótesis de investigación: “El peso de Gutiérrez y De La Vara (2012) dice
promedio de los sacos de azúcar es P(X > x), lo que significa que los valores
menor al declarado por el vendedor”. mostrados son de la cola derecha de la
distribución, es decir, t0,95;14
• Hipótesis nula, H0: 𝜇 = 50,1
• Recordemos que la hipótesis
• Hipótesis alternativa, HA: 𝜇 < 50,1
alternativa está planteada como
2. Pesó 15 sacos, por lo tanto, 𝑛 = 15 “menor que”, así que en realidad
3. Sustituyendo los datos en la ec. (1): necesitamos t0,05;14 (cola izquierda).
15 49,4 − 50,1 • La distribución T de Student es
𝑡0 = = −2,47 simétrica, así que t0,05;14=‒t0,95;14 y
1,2
por lo tanto, t0,05;14=‒1,76.
4. El estadístico de prueba proviene de la
distribución T de Student. • Si se usa Excel, escribiendo en una
celda ‘=INV.T(0.05,14)’ (sin las
• Los grados de libertad son: comillas) se obtiene directamente el
q = n‒1 = 14 valor -1,7613…
• En la tabla A3 se puede leer para
α=0,05 y q=14 el valor 1,7613…
EJEMPLO 1 - CONTINUACIÓN
5. Como t0 < t0,05;14, se rechaza H0 y se ha demostrado estadísticamente que el peso
promedio de los sacos es menor a lo afirmado por el vendedor.
ESTADÍSTICO DE PRUEBA PARA LA VARIANZA
• En ocasiones se desea probar si la varianza declarada 𝜎02 para una población

es cierta o no.
• En este caso, las hipótesis estadísticas se plantean de la siguiente manera:

H0 : 𝜎 2 = 𝜎02 , HA : 𝜎 2 ≠ 𝜎02 .
• Si la varianza que se desea estudiar tiene distribución normal, el estadístico

que permite hacer la prueba de hipótesis es:
𝑛−1 𝑆2
𝜒02 = (2)
𝜎02
Donde 𝑛 es el tamaño de la muestra y 𝑆 2 es la varianza de los datos.
• Suponiendo que H0 es verdadera, el estadístico 𝜒02 sigue la distribución

𝑗𝑖-cuadrado con 𝑛 − 1 grados de libertad.
ESTADÍSTICO DE PRUEBA PARA LA VARIANZA
• H0 se rechaza si 𝜒02 > 𝜒𝛼2Τ2,𝑞 , donde 𝜒𝛼2Τ2,𝑞 es el valor crítico de la

distribución 𝑗𝑖-cuadrado de cola derecha con 𝑞 grados de libertad.
• El valor de 𝜒𝛼2Τ2,𝑞 se puede leer de la tabla A2 de Gutiérrez y De La Vara

(2012) o calcular con la función de Excel INV.CHICUAD(…).
• Si la hipótesis es unilateral, se rechaza H0 cuando (𝜒02 < 𝜒𝛼,𝑞

2
) si (HA : 𝜎 2 <
𝜎02 ), y cuando (𝜒02 > 𝜒1−𝛼,𝑞
2
) si (HA : 𝜎 2 > 𝜎02 ).
EJEMPLO 2 – PRUEBA PARA LA VARIANZA
El fabricante de dulces del 1. Defina la hipótesis de investigación
ejemplo 1 también observa que la y las hipótesis estadísticas.
varianza muestral es mayor que la 2. Calcule el estadístico de prueba.
varianza declarada por el vendedor 3. Calcule el valor crítico necesario
(𝑆 2 = 1,2 contra 𝜎 2 = 0,5), por lo que para la prueba estadística con una
decide demostrar que son significancia del 5 %.
estadísticamente diferentes. Con base 4. Concluya sobre la investigación.
en los datos obtenidos:
Solución realidad necesitamos χ20,95;14 (cola
1. Hipótesis de investigación: “La derecha).
varianza del peso de los sacos de • En la parte superior de la tabla A2
azúcar es mayor a la declarada por el de Gutiérrez y De La Vara (2012)
vendedor”. dice P(X > x), lo que significa que,
• Hipótesis nula, H0: 𝜎 2 = 0,5 efectivamente, para α=0,05 se leen
los valores de la cola derecha de la
• Hipótesis alternativa, HA: 𝜎 2 >0,5 2
distribución, 𝜒0,95; q
2. Sustituyendo los datos en la ec. (2):
• Si la hipótesis alternativa estuviese
15 − 1 1,2 planteada como “menor que” con
𝜒02 = = 33,6
0,5 significancia de 0,05, se tendría que
2
3. El estadístico de prueba proviene de la buscar 𝜒0,95; q
en la tabla.
distribución ji-cuadrado. • En la tabla se puede leer para
• Recordemos que la hipótesis α=0,05 y q=14 el valor 23,685.
alternativa está planteada como • Si se usa Excel, escribiendo en una
“mayor que”, así que aunque la celda ‘=INV.CHICUAD(0.95,14)’ se
significancia está fijada en 0,05, en obtiene el valor 23,6847…
4. Como 𝜒02 > χ20,95;14, se rechaza H0 y se ha demostrado estadísticamente que la
varianza del peso de los sacos es mayor a lo afirmado por el vendedor.
ESTADÍSTICO DE PRUEBA PARA LA PROPORCIÓN
• Cuando se estudian variables probabilísticas, frecuentemente se expresan

partes de la población con ciertos atributos como una proporción de la
población total.
• En este caso, las hipótesis estadísticas se plantean de la siguiente manera:

H0 : 𝑝 = 𝑝0 , HA : 𝑝 ≠ 𝑝0 , donde 𝑝0 es la proporción que se quiere probar.
• Si la variable que se desea estudiar tiene distribución binomial y la muestra

es grande, el estadístico que permite hacer la prueba de hipótesis es:
𝑥−𝑛∙𝑝0
𝑧0 = (3)
𝑛∙𝑝0 1−𝑝0
Donde 𝑛 es el tamaño de la muestra y 𝑥 es el número de elementos de la

muestra que tienen la característica estudiada.
• Suponiendo que H0 es verdadera, el estadístico 𝑧0 sigue la distribución

normal estándar.
ESTADÍSTICO DE PRUEBA PARA LA PROPORCIÓN
• H0 se rechaza si 𝑧0 > 𝑧𝛼Τ2 , donde 𝑧𝛼Τ2 es un valor crítico de la distribución

normal estándar.
• El valor de 𝑧𝛼Τ2 se puede leer de la tabla A1 de Gutiérrez y De La Vara

(2012) o calcular con la función de Excel INV.NORM.EST(…).
• Si la hipótesis es unilateral, se rechaza H0 cuando (𝑧0< 𝑧𝛼 ) si (HA : 𝑝 < 𝑝0 ), y

cuando (𝑧0> 𝑧1−𝛼 ) si (HA : 𝑝 > 𝑝0 ).
EJEMPLO 3 – PRUEBA PARA LA PROPORCIÓN
En cierta ciudad se quiere saber si 1. Defina la hipótesis de investigación y
los jóvenes de 12 a 19 años tienen más o las hipótesis estadísticas.
menos problemas de exceso de peso 2. ¿Cuál es el tamaño de la muestra y
corporal que en el conjunto del país. De cuál es el número de elementos con la
los datos nacionales se sabe que 35 % de característica de interés?
los jóvenes de esas edades tiene 3. Calcule el estadístico de prueba.
sobrepeso u obesidad. Para realizar el 4. Calcule el valor crítico necesario
estudio se miden y se pesan 300 jóvenes para la prueba estadística con una
significancia de 0,05.
de las edades de interés mediante un
5. Concluya sobre la investigación.
muestreo adecuado. Se determina que 90
de ellos tienen un exceso de peso. Con
base en los datos obtenidos:
EJEMPLO 3 – PRUEBA PARA LA PROPORCIÓN
Solución • Recordemos que la hipótesis
1. Hipótesis de investigación: “La alternativa está planteada como
proporción de jóvenes de 12 a 19 años “diferente a”, así que se debe comparar
con sobrepeso que viven en la ciudad 𝑧0 > 𝑧𝛼Τ2.
es diferente a la proporción nacional”. • Escribiendo en Excel
• Hipótesis nula, H0: 𝑝 = 0,35 ‘=INV.NORM.ESTAND(0.025)’ se
• Hipótesis alternativa, HA: 𝑝 ≠ 0,35 obtiene el valor -1,9599…, y con
2. Midieron 300 jóvenes (𝑛 =300), de ‘=INV.NORM.ESTAND(0.975)’ se
los cuales 90 tienen sobrepeso obtiene el valor 1,9599…
(𝑥 =90). 5. Como 𝑧0 < 𝑧𝛼Τ2 , no se rechaza H0 por
3. Sustituyendo los datos en la ec. (3): lo que no hay evidencia de que la
90 − 300 · 0,35 proporción de jóvenes con sobrepeso de
𝑧0 = = −1,82 la ciudad es diferente que la del país.
300 · 0,345 1 − 0,35

distribución normal estándar.
DOS TRATAMIENTOS O POBLACIONES
En estadística, con frecuencia se requiere comparar los efectos de dos

tratamientos o procesos para tomar decisiones sobre compras y renovación de
líneas de producción, entre otras decisiones gerenciales.
P. para medias con varianzas

desconocidas pero iguales
P. para medias con varianzas

desconocidas y diferentes
Independientes
P. Para igualdad de varianzas
Dos
poblaciones
P. para proporciones
Dependientes o
P. para dos medias
pareadas
DOS TRATAMIENTOS O POBLACIONES INDEPENDIENTES
• En este caso, dos procesos o tratamientos producen poblaciones no

relacionadas o separadas.
• Por ejemplo, dos máquinas que procesan el mismo producto, dos

laboratorios que hacen el mismo tipo de análisis, etc.
• Si se determina que se necesitan 𝑛 experimentos para que la potencia

estadística sea la adecuada, será necesario realizar 2𝑛 experimentos en total.
• Se debe tener especial cuidado al realizar los experimentos, alternando

aleatoriamente entre los dos procesos para evitar el sesgo experimental, ya
que el cambio de las características de los insumos, las condiciones
ambientales, etc., pueden afectar los resultados.
• La comparación puede realizarse con cualquier parámetro puntual, como 𝜇,

𝜎 2 , 𝜎, 𝑝.
PRUEBA DE DOS MEDIAS CON VARIANZAS SUPUESTAMENTE IGUALES PERO
DESCONOCIDAS
• En el caso de dos máquinas que procesan el mismo producto con el mismo

método y medias 𝜇𝑥 y 𝜇𝑦 , es razonable suponer que las poblaciones 𝑋ത y 𝑌ത
tendrán las mismas varianzas, 𝜎𝑥2 = 𝜎𝑦2 .
• Las hipótesis en estos casos se escriben como:
H0 : 𝜇𝑥 = 𝜇𝑦 o H0 : 𝜇𝑥 − 𝜇𝑦 = 0
HA : 𝜇𝑥 ≠ 𝜇𝑦 HA : 𝜇𝑥 − 𝜇𝑦 ≠ 0
• Se recomienda que las muestras de cada proceso sean iguales (𝑛𝑥 = 𝑛𝑦 ),

pero también pueden ser diferentes.
• Las hipótesis unilaterales se escriben como:
H0 : 𝜇𝑥 = 𝜇𝑦 y H0 : 𝜇𝑥 = 𝜇𝑦
HA : 𝜇𝑥 > 𝜇𝑦 HA : 𝜇𝑥 < 𝜇𝑦
DESCONOCIDAS
• Si ambos procesos siguen distribuciones normales y son independientes, el

estadístico de prueba se define como:
ത 𝑌ത
𝑋−
𝑡0 = 1 1
(4)
𝑆𝑝 +
𝑛𝑥 𝑛𝑦
Donde 𝑡0 sigue aproximadamente una distribución T de Student con

nx+ny‒2 grados de libertad, y 𝑆𝑝2 es un estimador de la varianza común,
que se calcula con:
𝑛𝑥−1 𝑆𝑥2 + 𝑛𝑦−1 𝑆𝑦2
𝑆𝑝2 = 𝑛𝑥 +𝑛𝑦−2
(5)
Donde 𝑆𝑥2 y 𝑆𝑦2 son las varianzas de las muestras de cada proceso.
DESCONOCIDAS
• H0 se rechaza si 𝑡0 > 𝑡𝛼Τ2 , donde 𝑡𝛼Τ2 es el punto 𝛼/2 de la cola derecha de

la distribución 𝑇 de Student con nx+ny‒2 grados de libertad.
• Si la hipótesis es unilateral, se rechaza H0 cuando (𝑡0 < −𝑡𝛼 ) si (HA : 𝜇𝑥 <
𝜇𝑦 ), y cuando (𝑡0 > 𝑡𝛼 ) si (HA : 𝜇𝑥 > 𝜇𝑦 ).
EJEMPLO DE PRUEBA DE DOS MEDIAS CON VARIANZAS SUPUESTAMENTE IGUALES PERO
DESCONOCIDAS
En una fábrica de pinturas se • 𝑋ത𝐴 = 4684,0; 𝑆𝐴2 = 124,73
utilizan dos centrifugadoras para
• 𝑋ത𝐵 = 4408,9; 𝑆𝐵2 = 112,02
medir el tamaño de las partículas de la
pintura, y se cree que están 1. Defina la hipótesis de investigación
reportando medidas distintas para la y las hipótesis estadísticas.
misma pintura. Se realiza un 2. Calcule el estadístico de prueba.
experimento para verificar esa 3. Calcule el valor crítico necesario
sospecha, tomando 13 lecturas de para la prueba estadística, con una
cada máquina (𝐴 y 𝐵) y calculando la significancia del 5 %.
media y la varianza de cada muestra. 4. Concluya sobre la investigación.
Los resultados son:
DESCONOCIDAS
Solución 2. Sustituyendo los datos en la ec. (4):
1. Hipótesis de investigación: “La media 4684,00 − 4408,92
𝑡0 = = 2,038
de las medidas de la máquina 𝐴 es 344,06 1Τ13 + 1Τ13
diferente de la media de las medidas
de la máquina 𝐵”.
distribución T de Student.
• Hipótesis nula, H0: 𝜇𝐴 = 𝜇𝐵
• Los grados de libertad totales son:
• Hipótesis alternativa, HA: 𝜇𝐴 ≠ 𝜇𝐵 q = 13 + 13 – 2 = 24
• Observando que 𝑛𝐴 = 𝑛𝐵 =13, se • Como HA es bilateral, se debe
calcula el estimador de la varianza trabajar con 𝛼Τ2 = 0,025.
común, ec. (5): Recordemos que H0 se rechaza si
13 − 1 124,73 + 13 − 1 112,02 𝑡0 > 𝑡𝛼Τ2
𝑆𝑝2 =
13 + 13 − 2 • En la tabla A3 se puede leer para
x=0,025 y q =24: 𝑡0,025 = 2,064
𝑆𝑝 = 𝑆𝑝2 = 344,06
DESCONOCIDAS
• Con Excel: ‘=INV.T(0.975,24)’ se partículas causa efectos importantes
obtiene el mismo valor. en la calidad de la pintura, entonces
4. Como t0 < t0,025;24, no se rechaza H0 y la se debería considerar realizar las
conclusión es que la media de las acciones como si H0 se hubiese
mediciones de las dos máquinas son rechazado.
estadísticamente iguales.
• Sin embargo, es necesario observar
más de cerca los resultados. t0 y
t0,025;24 son valores muy similares, y si la
significancia hubiese sido del 5,5 %, la
hipótesis nula hubiese sido rechazada.
• En estos casos es necesario ponderar
las consecuencias de la diferencia de las
medias: 𝑋ത𝐴 − 𝑋ത𝐵 = 275,08
• Si esa diferencia en la cantidad de
PRUEBA DE DOS MEDIAS CON VARIANZAS DESCONOCIDAS
• En el caso de dos procesos en los cuales no hay razones o evidencias para

suponer que sus resultados tienen la misma varianza.
• Por ejemplo, es el caso de dos máquinas que fabrican el mismo producto
mediante métodos distintos, o de dos proveedores diferentes del mismo
material.
• Las hipótesis nula y alterna se escriben igual que en el caso anterior.
• Si ambos procesos siguen distribuciones normales y son independientes, el
estadístico de prueba se define como:
ത 𝑌ത
𝑋−
𝑡0 = (6)
2
𝑆2
𝑥 + 𝑆𝑦
𝑛𝑥 𝑛𝑦
PRUEBA DE DOS MEDIAS CON VARIANZAS DESCONOCIDAS
Donde 𝑡0 sigue aproximadamente una distribución T de Student con 𝜈

grados de libertad y 𝑆𝑥2 y 𝑆𝑦2 son las varianzas de las muestras de cada
proceso.
• Los grados de libertad conjuntos se calculan en este caso con:
2 2
𝑆2
𝑥 𝑆𝑦
+
𝑛𝑥 𝑛𝑦
𝜈= 2 2 ൗ𝑛
2 −2 (7)
2
𝑆𝑥 ൗ𝑛𝑥 𝑆𝑦 𝑦
+
𝑛𝑥 +1 𝑛𝑦+1
• El rechazo de H0 se realiza mediante las mismas comparaciones que en el

caso de las varianzas supuestas iguales.
EJEMPLO DE PRUEBA DE DOS MEDIAS CON VARIANZAS DESCONOCIDAS
Dos proveedores 𝐴 y 𝐵 de tubo • 𝑋ത𝐴 = 242 MPa; 𝑆𝐴 = 11,8 MPa

estructural de acero ASTM A36 ofrecen
• 𝑋ത𝐵 = 248 MPa;𝑆𝐵 = 7,21 MPa
sus productos para un proyecto grande
de estructura metálica. La compañía 𝐴 1. Defina la hipótesis de investigación y
argumenta que sus productos son los las hipótesis estadísticas.
más resistentes del país y que no hay 2. Calcule el estadístico de prueba.
otro proveedor que iguale su oferta. La 3. Calcule el valor crítico necesario para
gerencia del proyecto decide comprobar la prueba estadística, con una
esta afirmación, y ordena realizar un significancia del 5 %.
experimento que consta de 30 ensayos de 4. Concluya si la afirmación de la
tracción para determinar la resistencia a compañía À tiene sustento estadístico.
la fluencia de muestras tomadas a
productos de cada compañía. Se calcula
la media y la desviación estándar de cada
muestra. Los resultados son:
EJEMPLO DE PRUEBA DE DOS MEDIAS CON VARIANZAS DESCONOCIDAS
Solución 3. El número de grados de libertad
1. Hipótesis de investigación: “El promedio conjunto se calcula con la ec. (7).
2
de la resistencia a la fluencia de los 7,212 11,82
+
productos del proveedor A es mayor que 30 30
𝜈= − 2 ≈ 49
el de los productos del proveedor B.” 7,212Τ30 2 11,82 Τ30 2
+
30 + 1 30 + 1
• Hipótesis nula, H0: 𝜇𝐴 ≤ 𝜇𝐵
• Hipótesis alternativa, HA: 𝜇𝐴 > 𝜇𝐵 • La tabla A3 llega hasta 30 grados de
libertad, por eso se usa Excel:
2. No se puede asumir que la varianza de ‘=INV.T(0.95,49)’, 𝑡0,95;49 = 1,677.
la resistencia de los productos de
ambas compañías sean iguales, por lo • Como t0<t0,05;49, no se rechaza la
tanto se calcula el estadístico de hipótesis nula y las medias de la
prueba con la ecuación (6). resistencia de los productos de ambas
242 − 248
compañías son estadísticamente
𝑡0 = = −2,377 iguales.
7,212 11,82
+
30 30
PRUEBA DE DOS VARIANZAS
• En lugar de suponer que las varianzas de dos muestras son iguales o no, se
puede realizar una prueba para determinar la igualdad o no.
• Es interesante estudiar las varianzas porque comúnmente, las varianzas
menores están asociadas a una mayor calidad.
H0 : 𝜎𝑥2 = 𝜎𝑦2
HA : 𝜎𝑥2 ≠ 𝜎𝑦2
H0 : 𝜎𝑥2 = 𝜎𝑦2 y H0 : 𝜎𝑥2 = 𝜎𝑦2

HA : 𝜎𝑥2 > 𝜎𝑦2 HA : 𝜎𝑥2 < 𝜎𝑦2
PRUEBA DE DOS VARIANZAS
• Si se supone H0 cierto, el estadístico para la prueba es:

𝑆𝑥2
𝐹0 = (8)
𝑆𝑦2
• Que sigue a una distribución F con 𝑛𝑥 − 1 grados de libertad en el

numerador y 𝑛𝑦 − 1 grados de libertad en el denominador.
• H0 se rechaza si 𝐹0 > 𝐹𝛼Τ2,𝑛𝑥−1,𝑛𝑦−1 o si 𝐹0 < 𝐹1−𝛼Τ2,𝑛𝑥−1,𝑛𝑦−1
• Una particularidad de la distribución 𝐹 es que las probabilidades en las

colas derecha e izquierda tienen la relación 𝐹1−𝛼Τ2,𝑞1,𝑞2 = 1/𝐹𝛼Τ2,𝑞1,𝑞2
• Si la hipótesis es unilateral, se rechaza H0 cuando (𝐹0 < 𝐹1−𝛼,𝑛𝑥−1,𝑛𝑦−1) si

(HA : 𝜎𝑥2 < 𝜎𝑦2 ), y cuando (𝐹0 > 𝐹𝛼,𝑛𝑥−1,𝑛𝑦−1) si (HA : 𝜎𝑥2 > 𝜎𝑦2 ).
EJEMPLO DE PRUEBA DE DOS VARIANZAS
En lugar de asumir que las varianzas de 3. Calcule el valor crítico necesario para
los dos proveedores del ejemplo anterior la prueba estadística, con una
son diferentes, realizaremos la prueba para significancia del 5 %.
comprobar o rechazar dicha hipótesis. Los 4. Concluya sobre la investigación.
datos proporcionados previamente se
repiten aquí:
• 𝑋ത𝐴 = 242 MPa; 𝑆𝐴 = 11,8 MPa
• 𝑋ത𝐵 = 248 MPa; 𝑆𝐵 = 7,21 MPa
• Recordemos que 𝑛𝑥 = 𝑛𝑥 =30

1. Defina la hipótesis de investigación y
las hipótesis estadísticas.
2. Calcule el estadístico de prueba.
Solución incluye valores para 0,025, por lo que
1. Hipótesis de investigación: “La varianza se usa Excel: ‘=INV.F.CD(0.025,29,29)’,
de la resistencia a la fluencia de los 𝐹0,025;29;29 = 2,101.
productos del proveedor A es diferente a • Luego,
la varianza de la resistencia de los F0,975;29;29 =1/F0,025;29;29 =0,476
productos del proveedor B.”
• Como F0> F0,025;29;29, se rechaza la
• Hipótesis nula, H0: 𝜎𝐴2 = 𝜎𝐵2
hipótesis nula y las varianzas de la
• Hipótesis alternativa, HA: 𝜎𝐴2 ≠ 𝜎𝐵2 resistencia de los productos de ambas
2. El estadístico de prueba con la compañías son estadísticamente
ecuación (8). diferentes.
11,82
𝐹0 = = 2,679
7,212
3. Es una hipótesis bilateral, se debe

trabajar con 𝛼/2. La tabla A4 no
PRUEBA DE DOS PROPORCIONES
• La comparación de proporciones de variables probabilísticas es otra

situación frecuente en el estudio de procesos.
H0 : 𝑝𝑥 = 𝑝𝑦 HA : 𝑝𝑥 ≠ 𝑝𝑦
H0 : 𝑝𝑥 = 𝑝𝑦 y H0 : 𝑝𝑥 = 𝑝𝑦
HA : 𝑝𝑥 < 𝑝𝑦 HA: 𝑝𝑥 > 𝑝𝑦
• Si la variable que se desea estudiar tiene distribución binomial y la muestra

es grande, el estadístico que permite hacer la prueba de hipótesis es:
𝑝1 −𝑝2
𝑧0 = 1 1
(9)
𝑝Ƹ 1−𝑝Ƹ +
𝑛1 𝑛2
PRUEBA DE DOS PROPORCIONES
Donde:
𝑥 +𝑥
𝑝Ƹ = 𝑛1 +𝑛2 (10)
1 2
• H0 se rechaza si 𝑧0 > 𝑧𝛼Τ2 , donde 𝑧𝛼Τ2 es un valor crítico de la distribución

normal estándar.
• El valor de 𝑧𝛼Τ2 se puede calcular con la función INV.NORM.EST(…).
• Si la hipótesis es unilateral, se rechaza H0 cuando (𝑧0< 𝑧𝛼 ) si (HA : 𝑝𝑥 < 𝑝𝑦 ), y

cuando (𝑧0> 𝑧1−𝛼 ) si (HA : 𝑝𝑥 > 𝑝𝑦 ).
EJEMPLO DE PRUEBA DE DOS PROPORCIONES
En una empresa desean probar una pintura previa, y 44 piezas sin corrosión
pintura anticorrosiva para productos entre las que tienen la pintura nueva. Se
metálicos que salió al mercado quiere determinar si esa diferencia es
recientemente. Para ello, se fabricaron significativa a favor de la pintura nueva.
100 probetas metálicas, la mitad de ellas 1. Defina la hipótesis de investigación y
se protegieron con el anticorrosivo que las hipótesis estadísticas.
han usado tradicionalmente, y la otra 2. Calcule el estadístico de prueba.
mitad de protegió con el nuevo 3. Calcule el valor crítico necesario para
anticorrosivo. Las probetas se la prueba estadística, con una
introdujeron en una cámara salina para significancia del 5 %.
acelerar los efectos de la corrosión. Al 4. Concluya sobre la investigación.
cabo de 15 días se cuentan las piezas que
no muestran ningún signo de corrosión.
Se contaron 41 piezas sin signo de
corrosión entre las protegidas con la
Solución 0,82 − 0,88
𝑧0 = = −0,840
1. Hipótesis de investigación: “La pintura 1 1
0,85 1 − 0,85 +
50 50
nueva (2) protege mejor de la corrosión
que la pintura anterior (1)” 2. Es una hipótesis unilateral, se debe
trabajar con 𝛼. Mediante Excel:
• Hipótesis nula, H0: 𝑝1 = 𝑝2 ‘=INV.NORM.ESTAND(0.05)’, 𝑧0,05 =
• Hipótesis alternativa, HA: 𝑝1 < 𝑝2 -1,645.
2. Los datos son: n1=n2=50 • Luego, como 𝑧0 > 𝑧𝛼 , no se rechaza
x1=41; x2=44; p1=0,82; p2=0,88 la hipótesis nula y las dos pinturas
ofrecen el mismo nivel de protección.
• Se calcula 𝑝Ƹ con la ec. (10):
41 + 44
𝑝Ƹ = = 0,85
50 + 50
• El estadístico de prueba se calcula
con la ecuación (9).

03 DE Estadística Inferencial

Cargado por

Información del documento

Descripción original:

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

03 DE Estadística Inferencial

Cargado por

Copyright:

Formatos disponibles

DISEÑO DE EXPERIMENTOS

• El objetivo de la inferencia estadística es hacer afirmaciones válidas acerca

• De esta manera, se realiza una mejor estimación de las características de

• La inferencia estadística se apoya en estadísticos calculados a partir de las

• Los estadísticos son variables aleatorias porque dependen de cómo se

• La aleatoriedad de un estadístico se toma en cuenta mediante la

• Un experimento o fenómeno se • Ejemplos:

Es el conjunto de todos los resultados posibles del experimento aleatorio, y

• Es cualquier subconjunto de resultados contenidos en el espacio muestral.

• Se simbolizan con letras latinas mayúsculas: 𝐴, 𝐵, 𝐶, etc.

• Considere un experimento en el que en una

• Los tubos pueden tener una redondez según

• Cada secuencia es un evento simple. Por ejemplo,

• Ejemplos de eventos compuestos:

𝐴 = {𝐸𝐸𝐹, 𝐸𝐹𝐸, 𝐹𝐸𝐸}: solo uno de los tubos está fuera de

𝐶 = {𝐸𝐸𝐸, 𝐹𝐹𝐹}: todos los tubos están en el mismo estado.

• Si al realizar el experimento se obtiene como resultado 𝐸𝐸𝐸, habrá

• Esto significa que, aunque al realizar el experimento ocurra un solo evento

• Los eventos compuestos son conjuntos, por lo que la teoría de conjuntos

 ∅: evento nulo o vacío ∅

 𝐴 ∩ 𝐵: intersección de los eventos 𝐴 y 𝐵, es decir,

 𝐴 ∩ 𝐵 = ∅: eventos mutuamente excluyentes,

Continuación del ejemplo 1: • Elabore una lista de todos los

• Determine el espacio muestral.

• Elabore una lista de todos los

• Elabore una lista de todos los resultados en el evento 𝐴 en el que al menos

• Elabore una lista de todos los resultados en el evento 𝐵 en el que

• Enumere los resultados en 𝐵’.

• Enumere los resultados en 𝐴 ∪ 𝐵 y 𝐴 ∩ 𝐵.

Tres componentes están conectados para formar un sistema como se

• Determine el espacio muestral. • ¿Qué resultados están contenidos

• ¿Qué resultados están contenidos

Solución: • ¿Qué resultados están contenidos

𝐴 = {𝐸𝐸𝐹, 𝐸𝐹𝐸, 𝐹𝐸𝐸}

• Liste los resultados en 𝐶 ′ (el 𝐴 = {𝐸𝐸𝐹, 𝐸𝐹𝐸, 𝐹𝐸𝐸}

𝐵 ∪ 𝐶 = {𝐸𝐸𝐸, 𝐸𝐸𝐹, 𝐸𝐹𝐸, 𝐹𝐸𝐸}

Por definición, no es posible predecir anticipadamente el

Sin embargo, si el experimento se repite muchas veces en

Es necesario introducir una medida que cuantifique la

Esta medida se llama probabilidad del evento 𝑨, y se

Sea 𝒮 el espacio muestral de un experimento aleatorio, una función de

• Axioma 3: Si 𝐴1 , 𝐴2 , ⋯ , 𝐴𝑛 son una serie de eventos disjuntos, es decir,

4. (Probabilidad de la unión de dos eventos): Sean 𝐴 y 𝐵 dos eventos

Esto implica que si 𝐴 y 𝐵 son incompatibles o disjuntos

5. (Fórmula alterna para la probabilidad de la unión de dos eventos): Sean 𝐴

6. (Probabilidad de la unión de tres eventos): Sean 𝐴, 𝐵 y 𝐶 tres eventos

7. Sean 𝐴 y 𝐵 dos eventos tales que 𝐴 ⊂ 𝐵, entonces 𝑃(𝐴) ≤ 𝑃(𝐵)

En Ecuador, una empresa constructora

• Eventos: 𝐴 = {Se contrata el servicio de CAD}, 𝑃(𝐴) = 0,7

• La contratación de ambos servicios significa: 𝑃 𝐴 ∩ 𝐵 = 0,3.

• Probabilidad de que se contrate al menos uno de los dos servicios:

El término al menos implica el evento 𝐴, o el 𝐵, o ambos. Por lo tanto, se

𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃 𝐴 ∩ 𝐵 = 0,7 + 0,4 − 0,3 = 0,8

• Probabilidad de que se contrate exactamente uno de los dos servicios:

Se deben calcular por separado las probabilidades individuales de cada

𝑃 𝐴 ∩ 𝐵 ′ : probabilidad de contratar el CAD pero no el BIM.

𝑃 𝐴′ ∩ 𝐵 : probabilidad de no contratar el CAD pero si el BIM.

𝑃 𝑐𝑜𝑛𝑡𝑟𝑎𝑡𝑎𝑟 𝑒𝑥𝑎𝑐𝑡𝑎𝑚𝑒𝑛𝑡𝑒 𝑢𝑛 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜 = 𝑃 𝐴 ∩ 𝐵 ′ + 𝑃(𝐴′ ∩ 𝐵)

0,4 0,3 0,1

• En ocasiones, las probabilidades de los resultados de

• Si el espacio muestral es finito o infinito contable, la

• Si el espacio muestral tiene un tamaño finito N, todos los eventos simples

𝑃(𝐸1 ) = 1/6 𝑃(𝐸2 ) = 1/6