UNIVERSIDAD DEL SOCONUSCO

CLAVE SEP 07PSU0052L

Material Autoinstruccional

Materia: PROBABILIDAD






TAPACHULA DE CRDOVA Y ORDEZ, CHIAPAS.



1.1 Definicin y notacin de conjuntos
El nacimiento del clculo de probabilidades estuvo ligado a los juegos de azar.
Cardano (que tena una aficin desordenada por el ajedrez y los dados, segn
reconoce en su autobiografa) escribi Libro sobre los juegos de azar, publicado
pstumamente en 1663, y que fue considerado el primer tratado serio sobre las
probabilidades matemticas. La correspondencia que Pascal y Fermat
intercambiaron ( a mediados del siglo XVII) sobre la geometra del azar marca el
nacimiento de la nueva ciencia.
En la actualidad el Clculo de Probabilidades ha llegado a ser la rama de las
matemticas de mayor penetracin en todos los campos, directamente o a travs
de la Estadstica.
1. Experimento aleatorio. Espacio muestral.
Definicin 1. Se llama experimento o fenmeno aleatorio a aqul que es
susceptible de dar varios resultados, no pudindose predecir de antemano cul de
ellos va a producirse en una experiencia concreta.
Cada ejecucin del experimento se llama una prueba del mismo.
Ejemplo 1: Lanzar un dado o una moneda al aire son experimentos
aleatorios.
Se llama experimento determinista al que realizado en la mismas
condiciones se obtiene siempre el mismo resultado (de stos se ocupa la Fsica).
Definicin 2. Llamaremos suceso elemental a cada uno de los posibles
resultados del experimento aleatorio.
Ejemplo 2: En el experimento lanzar un dado los sucesos elementales son
6. S
1
= sacar un 1,.........., S
6
= sacar un 6.
Definicin 3. Se llama espacio probabilstico o espacio muestral, E, al
conjunto de todos sus sucesos elementales.
Ejemplo 3: En el experimento lanzar una moneda el espacio muestral tiene
dos elementos,E =
Ejercicio 1. Encuentra el espacio muestral del experimento lanzar dos
monedas.
Definicin 4. Se llama suceso a cualquier subconjunto del espacio muestral.
Diremos que un suceso, A, ocurre (o se verifica) en una prueba si el
resultado de la misma es uno de los sucesos elementales que pertenecen a A.
Ejemplo 4: El suceso A = sacar par al lanzar un dado
2
, S
4,
S
6

se verifica si sale un dos, un cuatro o un seis.
Ejemplo 5. Si tiramos dos monedas al aire sea A = al menos una sea cara.
El suceso A consta de tres sucesos elementales a saber CC, CF y FC.
En todo espacio muestral podemos distinguir los siguientes sucesos:
elementales, los subconjuntos con un solo elemento.
seguro, E, el propio espacio muestral.
imposible, que no posee ningn suceso elemental (no puede
verificarse).
1.2 Operaciones, leyes y representacin de diagramas de Ven
Teniendo en cuenta que los sucesos son subconjuntos se suelen usar los
diagramas de Venn para representarlos.

Si A y B son dos sucesos del espacio muestral E, ste queda dividido en cuatro
partes:
Los que estn en A y no en B, los que estn en B y no en A, los que estn
en ambos y los que no estn ni en a ni en B.
En el dibujo se ha indicado el nmero de sucesos elementales que les
corresponden.
Llamaremos P(E) al conjunto de todos los sucesos, es decir a partes de E.
iremos que el suceso A implica el B, s siempre que se verifica A se
verifica B. Se indica B, pues todos los sucesos de A pertenecen a B.
Ejemplo 6. A = sacar un dos; B = sacar par
elementales; se puede expresar esto diciendo que se implican mutuamente,

Definicin 5. Se llama suceso contrario (o complementario) de A, y se
representa por A A
c
, al formado por los sucesos elementales de E que no estn
en A.

Es decir se verifica A
c
cuando no se verifica A.
Ejemplo 7. Si consideramos el suceso A = sacar dos cruces, al lanzar dos
monedas, A
c
es el suceso sacar al menos una cara.
Ejemplo 8. En la figura 1 el contrario de B est formado por a+d elementos.
Operaciones con sucesos
Teniendo en cuenta que los sucesos son subconjuntos se definen la:

Se llamar unin de dos sucesos A y B al que se verifica cuando en una
prueba el resultado es un elemento de A o de B (o de ambos). Se representa

a + c + b elementos.
Interseccin de sucesos.
Llamaremos suceso interseccin de A y B al que ocurre cuando el resultado
interseccin conjuntista).
Ejemplo 10. En la figura 2 el suceso interseccin tiene c elementos.
Diferencia de sucesos.
Si A y B son dos sucesos se define su diferencia como: A -
c
.
Se verifica pues: A
c
= E - A.
Ejemplo 11. En la figura 2., A - B tiene a elementos.
Definicin 6. Dos sucesos A y B se dice que son incompatibles si tienen
interseccin vaca. En otro caso se dirn compatibles.
Ejemplo 12. Cualquier suceso A y su contrario son incompatibles.
Ejemplo 13. Si extraemos dos cartas de una baraja espaola (40 cartas) los
sucesos:
A = las dos sean copas y B = una sea copas y la otra rey son
compatibles.
Problema 1. En una determinada poblacin el 50% ha estado casado
alguna vez, el 50% tiene menos de 70 aos y el 80% no padece ninguna
enfermedad contagiosa. De estos ltimos el 60% tiene menos de 70 aos y el 40%
ha estado casado alguna vez. De los que han estado casados alguna vez, slo el
20% tiene menos de 70 aos. El 10% de la poblacin rene las tres condiciones.
Representar la informacin anterior en un diagrama de Venn.
Solucin
(Por comodidad en la representacin consideramos que la poblacin tiene
100 personas)
Sea C el conjunto de los que han estado casados alguna vez.
B tienen menos de 70 aos.
E no padecen enfermedad contagiosa.
Card (C) = 50% de la poblacin; card (E) = 80%; card (B)
=50%:
Card
Card

Ejercicio 1. Calcula el porcentaje de individuos que no habiendo estado
casados nunca, tengan menos de 70 aos y no padecen enfermedad contagiosa.
Indicacin: es el cardinal de C
c

1.3. Espacio probabilstico asociado a un experimento aleatorio.
Idea intuitiva de probabilidad
absoluta del suceso A, n(A), al n de veces que se ha verificado A.
La frecuencia relativa de un suceso A se define como el cociente entre su
frecuencia absoluta y el n total de pruebas, es decir:

Ejercicio 2. Lanzar un dado 30 veces y calcula las frecuencia relativa del
suceso obtener un 6.
Propiedades:
1) La frecuencia relativa de cualquier suceso, A, es un n racional del

2) f(E) = 1, la frecuencia relativa del suceso seguro es 1.
3)
incompatibles la frecuencia relativa de su unin es la suma de sus frecuencias
relativas.
La comprobacin es inmediata.
la frecuencia relativa de uno cualquiera de los sucesos tiende a estabilizarse. Esto
quiere decir que la frecuencia relativa toma valores prximos a un n fijo, y que
segn aumenta el n de pruebas ms se acerca a ese valor. A dicho valor es al
que llamaremos la probabilidad de A, p(A)
p(A) = (probabilidad a posteriori).
Esta forma de asignar probabilidades tiene el inconveniente de puede variar
de unas series a otras, a pesar de la estabilidad de las frecuencias.
a priori cuando se
cumpla el postulado de indiferencia o ley de la ignorancia.
Ejemplo 14. Si el experimento es lanzar un dado, que no est trucado, se
cumple dicho postulado, a cada resultado se le asigna como probabilidad a priori
el valor 1/6.
Probabilidad de La place
Cuando se pueda asegurar que se cumple el postulado de indiferencia, es
decir que todos los sucesos elementales sean igualmente posibles, se define:


Se conoce como la Regla de La place, el n obtenido es la probabilidad a
priori o de La place.
Ejemplo 15. Consideremos el experimento lanzar dos monedas al aire.
Vamos a calcular la probabilidad del suceso, A, sacar una cara y una cruz.
El espacio muestral consta de cuatro sucesos elementales igualmente
probables:
CC, CF, FC y FF, luego p(A) =2/4 =1/2.
Ejercicio 3. Calcula la probabilidad de obtener dos 6 al lanzar dos dados.
Definicin axiomtica de probabilidad
Sea A un lgebra de Boole asociada a un experimento del espacio muestral
E, teniendo en cuenta

las propiedades de la frecuencia relativa se define:
Definicin 7. Se llama probabilidad a una aplicacin p: P (E)
A p(A)
que cumple las siguientes condiciones, llamadas axiomas de probabilidad:


A la terna (E, A, p) se le llama espacio probabilstico asociado al
experimento en cuestin.
Ejercicio 4. Cul es la probabilidad de que al tirar dos dados la suma de
?
Consecuencias de los axiomas de probabilidad
1) p (A
c)
= 1 - p(A)
p(A) =
Nmero de casos favorables a A

Nmero de caso posibles

I. p (E) = 1.

Ejemplo 16. De una baraja de 40 cartas extraemos dos cartas a la vez.,
cul es la probabilidad de que al menos una de ellas sea copas?
Solucin. Sea A el suceso al extraer dos cartas al menos una es copas
Pasamos al contrario, A
c
, es decir calculamos la probabilidad de que
ninguna sea copas.
Sucesos posibles: , que son todos los grupos de 2 cartas que se
pueden sacar.
Sucesos favorables: pues hay 30 cartas que no son copas.
Por la regla de Laplace tenemos: p (A
c
) = p(A) =
1 - 0,56 = 0,44

3) Si
4) Si A y B son sucesos compatibles: -
Ejemplo 17. Calcular la probabilidad de obtener un as una copa al extraer
una carta de una baraja espaola.
Solucin: p(as copas) = 1/10 + 1/4 - 1/40 = 13/40.
Ejercicio 5. En una baraja hemos suprimido varias cartas. Entre las cartas
que nos quedan se dan las siguientes probabilidades de ser extradas: p(R) =
0,15, p(B) = 0,3, p(carta que no sea ni rey ni basto) = 0,6. Est entre ellas el rey
de bastos?. En caso afirmativo calcula su probabilidad.
Nota. El resultado puede generalizarse a 3 o ms sucesos.
En particular si A, B y C son tres sucesos compatibles se verifica:
- B) - -
(1)
Problema 2. En una determinada poblacin, el 70% son aficionados al
ftbol, el 60% al tenis y el 65% al baloncesto. El 45% lo son al ftbol y al tenis, el
40% al tenis y al baloncesto y el 50% al futbol y al baloncesto, mientras que el
30% lo son a los tres deportes. Cul es la probabilidad de que un individuo
escogido al azar no sea aficionado a ninguno de los tres deportes?
Solucin
Pasamos al contrario, es decir calculamos en primer lugar la probabilidad
de que sea aficionado al menos a uno de los tres.
p (F - 0,45 - 0,40 - 0,50 + 0,30 = 0,90
Por lo tanto p (no sea aficionado a ningn deporte de los tres) = 1 - 0,90 =
0,10.
Ejercicio 6. Resolver el problema 2 usando diagramas de Venn.
1.4. Probabilidad condicionada. Sucesos independientes.
Muchas veces la probabilidad de que ocurra un suceso viene influida por el
hecho de que ocurra o no otro suceso, o por una informacin adicional.
Ejemplo 18. Supongamos un dado cuyas caras pares son de color negro y
las impares de color rojo.
La probabilidad de los sucesos elementales, en principio, es 1/6; pero si en
el lanzamiento se nos informa que la cara obtenida es de color negro, sin decirnos
el resultado, entonces la probabilidad cambia: la de los impares sera cero y la de
los pares 1/3.
Esto nos dice que hemos pasado a otro espacio probabilstico donde no se
cumple el postulado de indiferencia.
En general, si A y B son dos sucesos del lgebra de sucesos, se define la
probabilidad condicionada del suceso A sobre el B como la probabilidad de que
ocurra A habiendo sucedido antes B:
Definicin 8.
llamaremos probabilidad de A condicionada a B:
p(A/B) =


Observacin 1
La aplicacin p
B
as definida es una probabilidad en la que el espacio
muestral E se puede considerar reducido al suceso B como consecuencia de la
informacin sobre el experimento aleatorio.
En efecto: p(A/B) = =
Ejemplo 19. En una determinada localidad hay tres partidos polticos: PP,
PSOE e IU. Se efecta un referndum para decidir si un cierto da se declara
fiesta local. La siguiente tabla nos da los resultados en % en funcin del partido al
que vot cada ciudadano en las ltimas elecciones:
PP PSOE IU ABS
S 25 20 8 12
No 15 10 2 8
a) Qu probabilidad hay de que una persona tomada al azar haya votado
S en el referndum?
b) Calcular la probabilidad de que un individuo sea del PP sabiendo que ha
votado s.
Solucin:
En primer lugar completamos la tabla con las sumas parciales:
PP PSOE IU ABS
S 25 20 8 12 65
No 15 10 2 8 35
40 30 10 20 100
a) p( S ) = 0,65; b) p( PP/S ) = 25/65 = 0,38.
Ejemplo 20. En una clase de COU el 45% de los estudiantes suspende
Matemticas, el 60% suspende fsica y el 30% suspende ambas. Se selecciona al
azar un alumno:
a) Si suspendi Fsica Cul es la probabilidad de que suspendiera
Matemticas?
b) Si suspendi Matemticas Fsica?
Solucin
Sea A = suspende Matemticas y B = suspende Fsica
p(A) = 0,45; p(B) = 0,60 ; p(A B) = 0,30
a) p(A/B) = 0,30/0,60 =1/2; p(B/A) = 0,30/0,45 = 2/3
Consecuencia: De la definicin de probabilidad condicionada se deduce:

Esta expresin se conoce como la frmula de la probabilidad compuesta.
Ejemplo 21. Calcular la probabilidad de que al extraer dos cartas de una
baraja la 1 sea copas y la 2 bastos.
Solucin p (1C, 2B) = p (1C). p (2B/1C) =
Nota: La frmula puede generalizarse a tres o ms sucesos. En el caso
de tres se obtiene:
p(A B C) = p(A). p(B/A). p(C/
A B)
Ejemplo 22. En una urna hay 3 bolas blancas, 5 rojas y 4 negras. Se
extraen tres bolas consecutivamente, sin reemplazamiento. Calcular la
probabilidad de que las tres sean rojas
Solucin
p(1R, 2R, 3R)=
Observacin 2.
Hay ocasiones en que las pruebas no son sucesivas sino simultneas,
lanzar dos dados, extraer tres cartas de una baraja etc. Se pueden encontrar
muchos casos en que se pueden considerar como si se sucedieran en el tiempo,
lo que facilita el clculo de sus probabilidades.
Ejemplo 23. Supongamos que tenemos una urna con 5 bolas rojas y 4 bolas
negras y que extraemos dos bolas, esto lo podemos hacer de tres formas:

1) con reemplazamiento. La primera que se extrae se devuelve a
la urna.
2) sin reemplazamiento. no se devuelve
3) simultneamente. Las dos a la vez.
Vamos a calcular la probabilidad de que las dos sean rojas.
1) p(1R, 2R) = con reemplamiento; 2) p(1R, 2R) =
sin reemplazamiento;
3) p(las dos rojas) = a la vez.
Observamos que en los caso 2 y 3 la probabilidad es la misma y su
clculo ms sencillo considerando extracciones sucesivas.
Veamos para otro suceso.
Si queremos calcular la probabilidad de que al extraer dos bolas una sea
roja y la otra negra:
A la vez.
p(una roja y otra negra) = =
Sin reemplazamiento.
Este suceso es la unin de RN y NR, ya el orden no importa. Son
incompatibles:
p (una roja y otra negra) = p (RN) + p(NR) = , luego
coinciden de nuevo.
Podemos concluir que en determinados casos simultneamente equivale
a extracciones sucesivas sin reemplazamiento.
Ejercicio 7. Resolver el ejemplo 16 utilizando la conclusin anterior.
Problema 3. Una urna contiene 8 blancas y 7 negras, hacemos una
extraccin de 2 bolas, en el supuesto de que hemos visto que una de estas bolas
es negra. Cul es la probabilidad de que la otra tambin lo sea?
Solucin
Sea el suceso A = al extraer dos bolas, al menos una sea negra
B = al extraer dos bolas, las dos sean negras
y p (B) = ;
p(A) = 1- p(A
c
) = 1 - ;
La probabilidad pedida es: p(B/A)=


Independencia de sucesos

Definicin 9. Se dice que un suceso A es independiente de otro B cuando:
p(A/B) = P(A)
En otro caso se dir que son dependientes.
Consecuencias:
. Por
B es independiente de A. Teniendo en cuenta lo anterior es trivial.
c
es independiente de B. (comprobarlo)
ndientes de cualquier suceso.
Observaciones:
1) Si los sucesos son incompatibles no pueden ser independientes, pues

2) Para hablar de independencia de dos sucesos A y B ha de tenerse que A

En efecto si, por e

Ejemplo 24. Hallar la probabilidad de que al tirar dos veces una moneda las
dos veces salga cara
Solucin

Ejemplo 25. De una baraja de 40 cartas hacemos dos extracciones
sucesivas, sin devolucin. Calcula la probabilidad de que las dos sean reyes.
Solucin
Son sucesos dependientes, pues al sacar una carta se modifica la
composicin de la baraja.
p (2 reyes) = p (rey la 1). p (rey la 2/ ha sido rey la 1) =
Nota: Se puede generalizar a tres o ms sucesos.
Ejemplo 26. Un avin con tres bombas trata de destruir una lnea frrea; la
probabilidad de destruir la lnea con cualquiera de las bombas es 1/3. Cul es la
probabilidad de que la lnea quede destruida si el avin emplea las tres bombas?
Solucin La probabilidad de que una determinada bomba no haga blanco
es :
La probabilidad de que ninguna haga blanco, es ,(es decir no acierte ni
1, ni 2 ni, 3), pues son sucesos independientes.
La probabilidad de que al menos una haga blanco es 1 - = , ya
que son contrarios.
Unidad Dos.- Definir lo que es probabilidad
La probabilidad es una medida de la posibilidad relativa de que un evento
ocurra en el futuro.
Puede asumir valores entre cero y uno inclusive.
Un valor cercano a cero significa que es poco probable que el evento
suceda. Un valor cercano a uno significa que es altamente probable que el
evento suceda.
Hay tres definiciones de probabilidad: clsica, emprica y subjetiva.
La definicin clsica aplica cuando hay n resultados igualmente posibles.
La definicin emprica aplica cuando el nmero de veces que ocurre un
evento se divide por el nmero total de observaciones.
La probabilidad subjetiva se basa en cualquier informacin disponible.
Un experimento es un proceso que conduce a que ocurra una (y solamente
una) de varias observaciones posibles.
Un resultado es un suceso particular proveniente de un experimento.
Un evento es un conjunto de uno o ms resultados de un experimento
1.2.- Describir los enfoques clsico, emprico y subjetivo de la probabilidad.
Los eventos son mutuamente excluyentes si la ocurrencia de cualquiera
significa que ninguno de los otros eventos puede ocurrir al mismo tiempo.
Los eventos son independientes si la ocurrencia de un evento no afecta la
ocurrencia de otro.
Colectivamente exhaustivo: por lo menos uno de los eventos debe ocurrir
cuando se realiza un experimento.


Ejemplo 1:
Se lanza un dado no cargado una vez.
El experimento es lanzar el dado.
Los resultados posibles son los nmeros 1, 2, 3, 4, 5 y 6.
Un evento es la ocurrencia de un nmero par. Esto es, los nmeros 2, 4 y 6
Ejemplo 2
En el departamento acadmico del profesor Lpez, se ha asignado un total
de calificaciones de A de 186 entre un total de 1,200 estudiantes. Cul
es la probabilidad de que un estudiante de su seccin este semestre reciba
una calificacin de A?
Este es un ejemplo de la definicin emprica de probabilidad.
Encuentre la probabilidad de seleccionar un estudiante con calificacin A:
P(A) = 186/1,200 = 0.155
Probabilidad subjetiva
Ejemplos de probabilidad subjetiva son:
Estimar la posibilidad de que el equipo de los Patriotas de Nueva Inglaterra
participe en el juego del Sper Tazn de futbol americano para el prximo
ao (en EUA).
Evaluar la probabilidad de que la empresa General Motors, pierda su lugar
nmero 1 en el total de unidades vendidas, frente a la Ford o la Chrysler, en
un lapso de dos aos.
Reglas bsicas de probabilidad
Si dos eventos A y B son mutuamente excluyentes, la regla especial de la
adicin indica que la probabilidad de que ocurra uno u otro de los eventos,
es igual a la suma de sus probabilidades.
P(A o B) = P(A) + P (B)
Ejemplo 3:
La oficina de vuelos de Aeromxico tiene registrada la siguiente informacin
en su bitcora de vuelos entre Ciudad de Mxico y Acapulco.
Llegadas Frecuencia
Temprano 100
A tiempo 800
Tarde 75
Cancelado 25
Total 1000
Continuacin del ejemplo 3:
Si A es el evento de que el vuelo llegue temprano, entonces:
P(A) = 100/1000 = 0.10
Si B es el evento de que el vuelo llegue tarde, entonces:
P (B) = 75/1000 = 0.075
La probabilidad de que el vuelo llegue temprano o tarde es:
P(A o B) = P(A) + P (B) = 0.10 + 0.075 = 0.175
La regla del complemento
La regla del complemento es utilizada para determinar la probabilidad de
que un evento ocurra, restando a 1 la probabilidad de que no ocurra dicho
evento.
Si P(A) es la probabilidad de un evento A y P(~A) es la probabilidad del
complemento de A,
P(A) + P(~A) = 1 o P(A) = 1 P(~A)
Un diagrama de Venn ilustrando la regla del complemento se apreciara as:

Retomando el ejemplo 3, use la regla del complemento para encontrar la
probabilidad de un evento (A) temprano o un evento (B) tarde.
Si C es el evento de que el vuelo llegue a tiempo, entonces P(C) =
800/1000 = 0.8
Si D es el evento de que el vuelo se cancele, entonces P(D) = 25/1000 =
0.025
P(A o B) = 1 - P(C o D) = 1 - [.8 +.025] =0.175

1.3.- Entender los trminos: experimento, evento, resultado, permutaciones y
combinaciones.
La regla general de la adicin
Si A y B son dos eventos que no son mutuamente excluyentes, entonces
P(A o B) es dada por la siguiente frmula:
P(A o B) = P(A) + P (B) - P(A y B
El diagrama de Venn ilustra esta regla:

Ejemplo 5
En una muestra de 500 estudiantes, 225 afirmaron tener un estreo, 175
dijeron tener una TV, y 100 afirmaron tener ambos.

Si un estudiante es seleccionado al azar, cul es la probabilidad de que el
estudiante tenga slo un estreo, slo una TV, y ambos un estreo y una
TV?
P(S) = 225/500 = 0.45
P(T) = 175/500 = 0.35
P(S y T) = 100/500 = 0.20
Si un estudiante es seleccionado al azar, cul es la probabilidad de que
tenga un estreo o una TV en su cuarto?
P(S o T) = P(S) + P(T) - P(S yT)
= 0.45 + 0.35 - 0.20 = 0.60
1.4.- Definir los conceptos probabilidad condicional y
probabilidad conjunta
Probabilidad conjunta
Probabilidad conjunta: mide la posibilidad de que dos o ms eventos
ocurran en forma simultnea.
Un ejemplo podra ser el evento de que un estudiante elegido al azar tenga
ambos, un estreo y una TV en su cuarto.
Regla especial de la multiplicacin
La regla especial de la multiplicacin requiere que dos eventos A y B sean
independientes.
Dos eventos A y B son independientes si la ocurrencia de uno no afecta la
probabilidad de que ocurra el otro.
Esta regla se escribe:
P(A y B) = P(A) P (B)
Ejemplo 6
Cristina tiene dos acciones, IBM y GE. La probabilidad de que la accin de
IBM aumente de valor el prximo ao es 0.5, y la probabilidad de que la
accin de GE aumente su valor el prximo ao es 0.7. Suponga que las dos
acciones son eventos independientes. Cul es la probabilidad de que
ambas acciones incrementen su valor el prximo ao?
P (IBM y GE) = (0.5)(0.7) = 0.35
Cul es la probabilidad de que al menos una de estas acciones aumente
su valor durante el prximo ao?
P(al menos una) = (0.5)(0.3) + (0.5)(0.7) + (0.7)(0.5) = 0.15 + 0.35 +0.35 =
0.85


Probabilidad condicional
La probabilidad condicional es la probabilidad de que ocurra un evento
determinado, dado que otro evento ya haya ocurrido.
La probabilidad de que ocurra el evento A dado que el evento B ha ocurrido
se escribe P(A/B).

Regla general de la multiplicacin
La regla general de la multiplicacin es utilizada para encontrar la
probabilidad conjunta de que dos eventos ocurran.
La regla establece que dados dos eventos A y B, la probabilidad conjunta
de que ambos ocurran se encuentra multiplicando la probabilidad de que
suceda A, por la probabilidad condicional de que ocurra el evento B.
La probabilidad conjunta P(A y B) est dada por la siguiente frmula:
P(A y B) = P(A)P(B/A) o
P(A y B) = P(B)P(A/B
Ejemplo 7
El director de la Escuela de Negocios de la Universidad Nacional, recopil
la siguiente informacin acerca de estudiantes no graduados en su escuela:
Especialidad Hombre Mujer Total
Contadura 170 110 280
Finanzas 120 100 220
Mercadotecnia 160 70 230
Administracin 150 120 270
Total 600 400 1000
Si un estudiante es seleccionado al azar, cul es la probabilidad de que el
estudiante sea una mujer (F) pasante de contadura (A)?
P(A y F) = 110/1000
Dado que el estudiante es una mujer, cul es la probabilidad de que ella
sea pasante de contadura?
P(A/F) = P(A y F)/P(F) = [110/1000]/[400/1000] = 0.275
Diagrama de rbol
El diagrama de rbol es una representacin grfica til para organizar
clculos que abarcan varias etapas. Cada segmento en el rbol es una
etapa del problema. Las probabilidades escritas cerca de las ramas son las
probabilidades condicionales del experimento.
Ejemplo 8
En una bolsa que contiene 7 chips rojos y 5 chips azules, usted selecciona dos
chips uno despus del otro sin reemplazarlo. Elabore un diagrama de rbol
mostrando esta informacin.

Teorema de Bayes
El Teorema de Bayes es un mtodo que utiliza la probabilidad revisada con
base en informacin adicional.
Se calcula utilizando la siguiente frmula:


) / ( ) ( ) / ( ) (
) / ( ) (
) | (
2 2 1 1
1 1
1
A B P A P A B P A P
A B P A P
B A P
+
=
Ejemplo 9
Una embotelladora de refresco de cola recibi varias denuncias acerca del
bajo contenido de sus botellas. Una denuncia fue recibida hoy, pero el
gerente de produccin no puede identificar cul de las dos plantas en
Aguascalientes (A o B) llen estas botellas. Cul es la probabilidad de que
las botellas defectuosas provengan de la planta A?
La siguiente tabla resume la experiencia de produccin de dicha embotellado
% del total de
produccin
% de botellas
defectuosas
A 55 3
B 45 4


La probabilidad de que las botellas fueran llenadas en la planta A se redujo
de 0.55 a 0.4783
Principios de conteo
Frmula de la multiplicacin: Si hay m formas de hacer una cosa, y n
formas de hacer otra, existirn m x n formas de hacer ambas.
Ejemplo 10
El Dr. Velasco tiene 10 camisas y 8 corbatas. Cuntos juegos de camisa y
corbata puede tener?
(10)(8) = 80
Principios de conteo
Permutacin: Un arreglo o disposicin de r objetos seleccionados de un
solo grupo de n objetos posibles.
Nota: El orden del arreglo es importante en las permutaciones.

4783 .
) 04 (. 45 . ) 03 (. 55 .
) 03 (. 55 .
) / ( ) ( ) / ( ) (
) / ( ) (
) / (
=
+
=
+
=
B U P B P A U P A P
A U P A P
U A P
)! (
!
r n
n
P
r n

=


Una combinacin es el nmero de maneras de escoger r objetos de un
grupo de n objetos sin importar el orden:



Hay 12 jugadores en el equipo de bsquetbol de la Preparatoria Popular. El
director tcnico Toms Prez debe escoger 5 jugadores de los 12 del
equipo para formar su lnea de inicio. De cuntas maneras diferentes
puede hacerlo?



Suponiendo que adems de formar los grupos de 5 jugadores, el tcnico
debe respetar el orden de los mismos de acuerdo a su habilidad.



III ESTADSTICA DESCRIPTIVA
3.1.- Organizar los datos en una distribucin de frecuencias.
3.2.-Presentar una distribucin de frecuencias en un histograma, un
polgono de frecuencias y un polgono de frecuencias acumuladas.
3.3.-Elaborar e interpretar una representacin de tallo y hoja.
3.4.- Presentar datos utilizando tcnicas de graficacin como grficas de lneas,
grficas de barras y grficas circulares
)! ( !
!
r n r
n
Cr n

=
792
)! 5 12 ( ! 5
! 12
5 12 =

= C
040 , 95
)! 5 12 (
! 12
5 12
=

= P
3.5.-Calcular la media aritmtica, la media ponderada, la mediana, la moda y la
media geomtrica.
3.6.-Explicar las caractersticas, uso, ventajas y desventajas de cada medida de
tendencia central.
3.7.-Identificar la posicin de la media aritmtica, la mediana y la moda, tanto en
distribuciones simtricas como asimtricas.
3.1.- Organizar los datos en una distribucin de frecuencias.
Distribucin de frecuencias: Agrupamiento de datos en categoras
mutuamente excluyentes, que indican el nmero de observaciones en cada
categora.
Distribucin de frecuencias
Punto medio de clase: Un punto que divide el intervalo en dos partes
iguales. Es el promedio entre el lmite inferior y superior del intervalo de
clase.
Frecuencia de clase: El nmero de observaciones en cada clase.
Intervalo de clase: El intervalo de clase es obtenido restando el lmite
inferior de una clase del lmite inferior de la siguiente clase.
3.2.-Presentar una distribucin de frecuencias en un histograma, un
polgono de frecuencias y un polgono de frecuencias acumuladas.

Ejemplo 1
El Dr. Yez es director de una Escuela de Negocios en la Universidad de
Calvillo. l desea preparar un resumen mostrando el nmero de horas por
semana que los estudiantes emplean en el estudio. Selecciona una muestra
de 30 estudiantes y determina el nmero de horas que cada alumno estudi
en la ltima semana.
15.0, 23.7, 19.7, 15.4, 18.3, 23.0, 14.2, 20.8, 13.5, 20.7, 17.4, 18.6, 12.9,
20.3, 13.7, 21.4, 18.3, 29.8, 17.1, 18.9, 10.3, 26.1, 15.7, 14.0, 17.8, 33.8,
23.2, 12.9, 27.1, 16.6
Organice los datos en una distribucin de frecuencias.
Hay 30 observaciones.
Dos elevado a la quinta potencia es 32.
Sin embargo, debemos tener al menos 5 clases. Eventualmente
utilizaramos 6.
El rango es 23.5 horas, restando 10.3 de 33.8 horas.
Escogemos un intervalo de 5 horas.
El lmite inferior de la primera clase es 7.5 horas.
EJEMPLO
Horas en estudio Frecuencia, f
De 7.5 a menos de 12.5 1
De 12.5 a menos de 17.5 12
De 17.5 a menos de 22.5 10
De 22.5 a menos de 27.5 5
De 27.5 a menos de 32.5 1
De 32.5 a menos de 37.5 1
Sugerencias en la construccin de la distribucin de frecuencias
El intervalo o amplitud de las clases debe ser el mismo para todas ellas.
Determine el intervalo o amplitud usando la siguiente frmula:
Sugerencias en la construccin de la distribucin de frecuencias
Use el clculo obtenido como sugerencia del ancho del intervalo en la
construccin de la distribucin de frecuencias.
Nota: Esto es un ancho del intervalo de clase sugerido; si el clculo
obtenido es 97, puede ser mejor usar 100.
Cuente el nmero de valores en cada clase.
Ejemplo 1:(continuacin)
Una distribucin de frecuencias relativas muestra el porcentaje de
observaciones en cada clase.
Distribucin de frecuencias relativas.
Horas en estudio Frecuencia, f Frecuencia relativa
De 7.5 a menos de 12.5 1 1/30 = .0333
De 12.5 a menos de 17.5 12 12/30 = .4000
De 17.5 a menos de 22.5 10 10/30 = .3333
De 22.5 a menos de 27.5 5 5/30 = .1667
De 27.5 a menos de 32.5 1 1/30 = .0333
De 32.0 a menos de 37.5 1 1/30 = .0333
Total 30 30/30 = 1.0000
3.3.-Elaborar e interpretar una representacin de tallo y hoja.
Representacin de tallo y hoja
Representacin de tallo y hoja: Es una tcnica estadstica que muestra un
conjunto de datos. Cada valor numrico se divide en dos partes: los dgitos
principales se toman como el tallo, y el dgito siguiente es la hoja. Los tallos
se ubican a lo largo del eje vertical principal, y las hojas de cada
observacin, a lo largo del eje horizontal.
Nota: Una ventaja de esta representacin sobre la distribucin de
frecuencias es que no se pierde la identidad de cada observacin.
Ejemplo 2
Coln obtuvo las siguientes calificaciones en doce pruebas de este semestre
86, 79, 92, 84, 69, 88, 91, 83, 96, 78,82, 85.
Construya un diagrama de rbol y hojas
Solucin
rbol Hojas
6 9
7 8 9
8 2 3 4 5 6 8
9 1 2 6
3.4.- Presentar datos utilizando tcnicas de graficacin como grficas de lneas,
grficas de barras y grficas circulares
Presentacin de una distribucin de frecuencias en grficas
Las tres grficas ms comunes son: histograma, polgono de frecuencias y
distribucin de frecuencias acumuladas.
Un histograma es una grfica en la cual los intervalos de clase se sealan
en el eje horizontal, y las frecuencias de clase en el eje vertical.
Las frecuencias de clase son representadas por barras de diferente altura y
stas se colocan una junto a otra.
Un polgono de frecuencias consiste en segmentos de lnea conectados a
travs de los puntos medios (marcas de clase) de clase en cada intervalo
de clase.
Una distribucin de frecuencias acumulada (ojiva) es utilizada para determinar
cuntos o qu proporcin de los datos estn por arriba o por debajo de cierto
valor.
Histograma para horas empleadas en estudiar




Histograma
0
2
4
6
8
10
12
14
intervalos de clase
f
r
e
c
u
e
n
c
i
a

Polgono de frecuencias para horas empleadas en estudiar










Distribucin de frecuencias acumuladas (ojiva) para horas en estudio










Grfica de barras
Una grfica de barras es especialmente til para mostrar cualquiera de los
niveles de medicin: nominal, ordinal, de intervalo o de razn.
polgono de frecuencias
0
2
4
6
8
10
12
14
1 2 3 4 5 6
intervalos de confianza
f
r
e
c
u
e
n
c
i
a
frecuencia
frecuencia acumulada(ojiva)
0
5
10
15
20
25
30
35
1 2 3 4 5 6 7
intervalos de clase
f
r
e
c
u
e
n
c
i
a

a
c
u
m
u
l
a
d
a
ojiva
Ejemplo 3
Construya un diagrama de barras para el nmero de desempleados de una
poblacin de 100,000 para ciudades seleccionadas durante 2001.

Ciudad Nmero de desempleados por
cada 100,000
Atlanta 7300
Boston 5400
Chicago 6700
Los ngeles 8900
Nueva York 8200
Washington 8900

Diagrama de barras para desempleados










Diagrama tipo pastel
Diagrama de barras
0
2000
4000
6000
8000
10000
A
t
l
a
n
t
a
B
o
s
t
o
n
C
h
i
c
a
g
o
L
o
s

A
n
g
e
l
e
s
N
u
e
v
a

Y
o
r
k
W
a
s
h
i
n
g
t
o
n
Ciudades
D
e
s
e
m
p
l
e
a
d
o
s
/
1
0
0
,
0
0
0
Un diagrama tipo pastel es til para mostrar la distribucin de frecuencias
relativas. Un crculo es dividido proporcionalmente a las frecuencias
relativas y las porciones del crculo estn ubicadas para los diferentes
grupos.
Ejemplo 4
A una muestra de 200 corredores se le pregunt su tipo de zapato tenis
favorito.
Elabore un diagrama tipo pastel en base a la siguiente informacin.

Tipo de zapato No. de corredores
Nike
Adidas
Reebok
Asics
Otros
92
49
37
13
9

Diagrama tipo pastel para zapato tenis










3.5.-Calcular la media aritmtica, la media ponderada, la mediana, la moda y la
media geomtrica.
Caractersticas de la media
La media aritmtica es, con mucho, la medida de localizacin ms usada.
Diagrama tipo pastel
Nike
Adidas
Reebok
Asics
Otros
Nike
Adidas
Reebok
Asics
Otros
Es calculada sumando los valores y dividiendo entre el nmero de valores.
Las principales caractersticas de la media son:
- Requiere de una escala de intervalo.
- Todos los valores son utilizados.
- Es nica.
- La suma de las desviaciones con respecto a la media es cero.
Media poblacional

Para datos no agrupados, la media poblacional es la suma de todos los
valores de la poblacin divididos entre el nmero total de valores de la
poblacin: donde es la media poblacional, N es el total de observaciones
de la poblacin y X un valor particular.

Ejemplo 1
Un parmetro es una medida caracterstica de la poblacin.
Ejemplo 1: La familia Castro es propietaria de cuatro autos. Los siguientes datos
corresponden al kilometraje de cada uno de ellos:
56,000 23,000 42,000 73,000
Encuentre la media aritmtica del kilometraje de los autos:
= (56,000 + + 73,000)/4 = 48,500
Media muestral
Para datos no agrupados, la media muestral es la suma de todos los
valores de la muestra dividida por el nmero de valores de la muestra.
Donde n es el nmero total de valores en la muestra.
Ejemplo 2
Un estadstico es una medida caracterstica de una muestra.
Ejemplo 2: Una muestra de cinco ejecutivos recibi los siguientes bonos el
ltimo ao ($000):
14.0, 15.0, 17.0, 16.0, 15.0

Propiedades de la media aritmtica
Todos los datos de nivel de intervalo y de nivel de razn tienen una media.
Para evaluar la media se consideran todos los valores.
Un conjunto de datos slo tiene una media la cual es un valor nico.
La media es afectada por valores inusualmente grandes o pequeos.
La media aritmtica es la nica medida de tendencia central donde la suma
de las desviaciones de cada valor, respecto de la media, siempre es igual a
cero.
Ejemplo 3
Considere el siguiente conjunto de valores: 3, 8, y 4. La media es 5.
Ilustrando la quinta propiedad:

Media ponderada
La media ponderada de un conjunto de nmeros X
1
, X
2
, ,X
n
con pesos
correspondientes w
1
, w
2
, ,w
n
es calculada con la siguiente frmula:

n
X
X
E
=
4 . 15
5
77
5
0 . 15 ... 0 . 14
= =
+ +
=
E
=
n
X
X
| | 0 ) 5 4 ( ) 5 8 ( ) 5 3 ( ) ( = + + = E X X
)
2 1
)
2 2 1 1
... (
... (
n
n n
w
w w w
X w X w X w
X
+ +
+ + +
=
Media ponderada
La media ponderada de un conjunto de nmeros X
1
, X
2
, ,X
n
con pesos
correspondientes w
1
, w
2
, ,w
n
es calculada con la siguiente frmula:


Ejemplo 6
Durante el periodo de una hora, en una tarde calurosa de sbado, Cristina
sirvi 50 refrescos. Ella vendi 5 bebidas de $0.50, 15 de $0.75, 15 de
$0.90, y 15 de $1.15. Calcule la media ponderada para el precio de estas
bebidas.



3.6.-Explicar las caractersticas, uso, ventajas y desventajas de cada medida de
tendencia central
La mediana
La mediana es el valor que corresponde al punto medio de los valores
despus de ordenarlos de menor a mayor.
Cincuenta por ciento de las observaciones son mayores que la mediana, y
50% son menores que ella.
Para un conjunto par de valores, la mediana ser el promedio aritmtico de
los dos valores centrales.
Ejemplo 4
Las edades de una muestra de 5 estudiantes del colegio son:
21, 25, 19, 20, 22
Ordenando los datos en forma ascendente, tenemos:
)
2 1
)
2 2 1 1
... (
... (
n
n n
w
w w w
X w X w X w
X
+ +
+ + +
=
89 . 0 $
50
50 . 44 $
15 15 15 5
) 15 . 1 ($ 15 ) 90 . 0 ($ 15 ) 75 . 0 ($ 15 ) 50 . 0 ($ 5
= =
+ + +
+ + +
=
w
X
19, 20, 21, 22, 25. Entonces la mediana es 21.
Las estaturas de 4 jugadores de basquetbol, en pulgadas, son:
76, 73, 80, 75
Entonces la mediana es 75.5
Propiedades de la mediana
Es nica; esto es, a semejanza de la media, slo existe una mediana para
un conjunto de datos.
No se ve afectada por valores extremadamente grandes o muy pequeos, y
por tanto es una medida valiosa de tendencia central cuando se presenta
esta clase de valores.
Puede calcularse para datos de nivel de razn, de intervalo y ordinal.
Puede calcularse para una distribucin de frecuencias con una clase de
extremo abierto, si la mediana no se encuentra en tal clase.
La Moda
La moda es el valor de la observacin que aparece con ms frecuencia.
Ejemplo 5: Las calificaciones de 10 estudiantes son: 81, 93, 84, 75, 68, 87,
81, 75, 81, 87
Dado que 81 es el dato que aparece con ms frecuencia, ste es la moda.
La moda es el valor de la observacin que aparece con ms frecuencia.
Ejemplo 5: Las calificaciones de 10 estudiantes son: 81, 93, 84, 75, 68, 87,
81, 75, 81, 87
Dado que 81 es el dato que aparece con ms frecuencia, ste es la moda.
La media geomtrica
La media geomtrica (GM) de un conjunto de n nmeros se define como la
raz ensima del producto de n nmeros.
La media geomtrica es til para encontrar el promedio de porcentajes,
razones, ndices o tasas de crecimiento.
La frmula es:
Ejemplo 7
La tasa de inters de tres bonos son: 5, 21 y 4 por ciento.
La media aritmtica es (5+21+4)/3 =10.0
La GM da una utilidad ms conservadora porque no est demasiado
influenciada por la tasa del 21 por ciento.



La media geomtrica es:
Otro uso de la media geomtrica es determinar el aumento porcentual en
ventas, produccin o series econmicas de un periodo de tiempo a otro.
Ejemplo 8
El nmero total de mujeres contratadas en Colegios Americanos se
increment de 755,000 en 1992 a 835,000 en 2000. Esto es, la media
geomtrica o tasa de incremento es 1.27%.


n
n X X X X GM ) )...( )( )( ( 3 2 1 =
49 . 7 ) 4 )( 21 )( 5 (
3
= = GM
0127 . 1
000 , 755
000 , 835
8
= = GM


La media para datos agrupados
La media de una muestra de datos organizados en una distribucin de
frecuencias es calculada por la siguiente frmula:

3.7.-Identificar la posicin de la media aritmtica, la mediana y la moda, tanto en
distribuciones simtricas como asimtricas.
Ejemplo 9
Una muestra de 10 cines en una gran rea metropolitana cont el nmero
total de pelculas en exhibicin la ltima semana. Calcule el nmero medio
de pelculas en exhibicin.


Pelculas en
cartelera
Frecuencia
f
Punto medio de
clase (X)
(f)(X)
1 hasta 3 1 2 2
3 hasta 5 2 4 8
5 hasta 7 3 6 18
7 hasta 9 1 8 8
9 hasta 11 3 10 30
Total 10 66

La mediana para datos agrupados
n
Xf
X
E
=
6 . 6
10
66
= =
E
=
n
X
X
La mediana de una muestra de datos agrupados en una distribucin de
frecuencias se calcula con:
Donde L es el lmite inferior de la clase que contiene a la mediana, n es el nmero
total de frecuencias, CF es la frecuencia acumulada precedente a la clase
mediana, f es la frecuencia de la clase que contiene a la mediana, e i es la
amplitud de la clase en que se encuentra la mediana.
Encontrar la clase que contiene a la mediana
Para determinar la clase que contiene a la mediana para datos agrupados:
Construya una distribucin de frecuencias acumuladas.
Divida el nmero total de datos entre 2.
Determine cul clase contiene este valor.
Por ejemplo, si n = 50, 50/2 =25, entonces determine cul clase contiene el valor
en la posicin 25.
Ejemplo 10
Pelculas en cartelera Frecuencia Frecuencia acumulada
1 hasta 3 1 1
3 hasta 5 2 3
5 hasta 7 3 6
7 hasta 9 1 7
9 hasta 11 3 10

De la tabla, tenemos: L = 5, n = 10, f = 3, i = 2, CF = 3
25
Ejemplo 10 (Continuacin)
De la tabla, tenemos: L = 5, n = 10, f = 3,
i = 2, CF = 3
33 . 6 ) 2 (
3
3
2
10
5 ) (
2
=

+ =

+ = i
f
CF
n
L Mediana

La moda en datos agrupados
Para datos agrupados en una distribucin de frecuencias, es posible
aproximar la moda usando el punto medio de la clase que contiene el
mayor nmero de frecuencias de clase.
Las modas en el ejemplo 10 son 8 y 10. Cuando dos valores ocurren un
gran nmero de veces, la distribucin es llamada bimodal, como en el
ejemplo 10.
Distribucin simtrica
Cero asimetra moda = mediana = media

Distribucin con sesgo positivo
Asimetra positiva: media y mediana estn a la derecha de la moda
29
Distribucin con sesgo negativo
Asimetra negativa: media y mediana estn a la
izquierda de la moda.
Media<Mediana<Moda




UNIDAD IV:
4.1.-Definir los trminos distribucin de probabilidad y variable aleatoria.
4.2.-Distinguir entre una distribucin de probabilidad discreta y una distribucin de
probabilidad continua.
4.3.- Calcular la media, la varianza y la desviacin estndar de una distribucin de
probabilidad discreta.
4.4.- Describir las caractersticas de la distribucin de probabilidad binomial y
calcular las probabilidades utilizando esa distribucin.
4.1.-Definir los trminos distribucin de probabilidad y variable aleatoria.
Variable aleatoria.
Una variable aleatoria es un valor numrico determinado por el resultado de
un experimento.
Una distribucin de probabilidad es la lista de todos los resultados posibles
de un experimento y la correspondiente probabilidad.
4.2.-Distinguir entre una distribucin de probabilidad discreta y una
distribucin de probabilidad continua.
Una distribucin de probabilidad discreta puede asumir slo valores
claramente separados.
Una distribucin de probabilidad continua puede asumir un nmero infinito
de valores dentro de un rango determinado.

Tipos de distribuciones de probabilidad


Ejemplos de una distribucin discreta son:
El nmero de estudiantes en una clase.
El nmero de nios en una familia.
El nmero de autos entrando en un autolavado por hora.
El nmero de clientes que llegan a una esttica cada hora.
Ejemplos de una distribucin de probabilidad continua:
La distancia que recorre cada estudiante para llegar a su clase.
El tiempo que le toma a un ejecutivo llegar a su trabajo.
El tiempo invertido en una llamada telefnica.
La estatura de los alumnos de un grupo en clase.
Caractersticas de una distribucin discreta.
Las principales caractersticas de una distribucin de probabilidad discreta
son:
La suma de las probabilidades es 1.00
La probabilidad de un resultado particular es un nmero mayor o
igual a cero y menor o igual a uno.
Los resultados son mutuamente excluyentes.
Ejemplo 1
Considere un experimento aleatorio en el cual una moneda es lanzada tres
veces. Sea x el nmero de caras. Sea H la que representa el resultado cara
y T el resultado cruz.

Los posibles resultados para este experimento sern:
TTT, TTH, THT, THH,
HTT, HTH, HHT, HHH.
Entonces los valores posibles para x (nmero de caras) son 0, 1, 2, 3.
El resultado cero caras ocurre una vez.
El resultado una cara ocurre tres veces.
El resultado dos caras ocurre tres veces.
El resultado tres caras ocurre una vez.
De la definicin de variable aleatoria, x est definida en este experimento
como la variable aleatoria.
La media de una distribucin discreta de probabilidad
La media:
Registra la ubicacin central de los datos.
Es el valor promedio a largo plazo de la variable aleatoria.
Tambin se le conoce como su valor esperado, E(x), en una
distribucin de probabilidad.
Es un promedio ponderado.
4.3.- Calcular la media, la varianza y la desviacin estndar de una distribucin de
probabilidad discreta.
La media de una distribucin discreta de probabilidad
La media es calculada con la frmula
Donde representa la media, y P(x) es la probabilidad de que x asuma algn valor
La varianza de una distribucin de probabilidad discreta
La varianza mide el tamao de la dispersin de una distribucin.
La varianza de una distribucin discreta es representada por la letra griega

2
(sigma cuadrada).
La desviacin estndar es la raz cuadrada de
2
.
La varianza de una distribucin de probabilidad discreta
La varianza de una distribucin de probabilidad discreta es calculada con la
siguiente frmula.

Ejemplo 2
David Ramrez, dueo de un negocio de servicios de pintura, estudi sus
registros de las ltimas 20 semanas y reporta el siguiente nmero de casas
pintadas por semana:
# de casas
pintadas
semanas
10 5
)] ( [ x xP E =
)] ( ) [(
2 2
x P x o E =





Distribucin de probabilidad:
Nmero de casas pintadas, x Probabilidad, P(x)
10 .25
11 .30
12 .35
13 .10
TOTAL 1.00

Calcule el nmero medio de casas pintadas por semana:



Calcule la varianza del nmero de casas pintadas por semana:



4.4.- Describir las caractersticas de la distribucin de probabilidad binomial y
calcular las probabilidades utilizando esa distribucin
Distribucin de probabilidad binomial
La distribucin binomial tiene las siguientes caractersticas:
El resultado de cada ensayo de un experimento se clasifica en una
de dos categoras mutuamente excluyentes, a saber: xito o fracaso.
11 6
12 7
13 2
3 . 11
) 10 )(. 13 ( ) 35 )(. 12 ( ) 30 )(. 11 ( ) 25 )(. 10 (
)] ( [ ) (
=
+ + + =
E = = x xP x E
91 . 0
2890 . 0 1715 . 0 0270 . 0 4225 . 0
) 10 (. ) 3 . 11 13 ( ... ) 25 (. ) 3 . 11 10 (
)] ( ) [(
2 2
2 2
=
+ + + =
+ + =
E = x P x o
La variable aleatoria cuenta el nmero de xitos en una cantidad fija
de ensayos.
La probabilidad de un xito permanece igual en todos los ensayos.
Lo mismo sucede con la probabilidad de un fracaso.
Los ensayos son independientes.

Distribucin de probabilidad binomial
Para construir una distribucin binomial, sea:
C es una combinacin.
n es el nmero de ensayos.
x es el nmero de xitos.
t es la probabilidad de xito en cada ensayo.
Distribucin de probabilidad binomial
La frmula para la distribucin de probabilidad binomial es:

Ejemplo 3
El departamento del trabajo de Alabama registra que el 20% de la fuerza de
trabajo en Mobile est desempleada. Para una muestra de 14 trabajadores,
calcule las siguientes probabilidades:
Exactamente 3 estn desempleados.
x n x
x n
C x P

= ) 1 ( ) ( t t
Al menos 3 estn desempleados.
Al menos 1 est desempleado.

La probabilidad de exactamente 3:



La probabilidad de al menos 3:


La probabilidad de al menos 1:


Media y varianza de la distribucin binomial
La media se calcula as:

La varianza se calcula as:
Ejemplo 4
Del ejemplo 3, retomamos que t = .2 y n = 14.
Por lo tanto, la media es: = nt = 14(.2) = 2.8
2501 .
) 0859 )(. 0080 )(. 364 (
) 20 . 1 ( ) 20 (. ) 3 (
11 3
3 14
=
=
= C P
551 . 000 . ... 172 . 250 .
) 80 (. ) 20 (. ... ) 80 (. ) 20 (. ) 3 (
0 14
14 14
11 3
3 14
= + + + =
+ + = > C C x P
956 . 044 . 1
) 20 . 1 ( ) 20 (. 1
) 0 ( 1 ) 1 (
14 0
0 14
= =
=
= >
C
P x P
t n =
) 1 (
2
t t o = n
La varianza es:
2
= nt(1 t) = 14(.2)(.8) = 2.24

Poblacin finita
Una poblacin finita es una poblacin que consiste en un nmero fijo de
individuos conocidos, objetos o medidas, por ejemplo:
El nmero de estudiantes en esta clase.
El nmero de carros en el estacionamiento.
El nmero de casas construidas en el fraccionamiento Arboledas.
4.5.-Definir las caractersticas de la distribucin Hipergeomtrica y calcular
probabilidades con aplicacin de tal distribucin




Distribucin Hipergeomtrica

La distribucin Hipergeomtrica tiene las siguientes caractersticas:
Hay slo dos resultados posibles.
La probabilidad de un xito no es la misma en cada ensayo.
sta resulta de contar el nmero de xitos en un nmero fijo de
ensayos.
Distribucin Hipergeomtrica
La frmula para encontrar una probabilidad utilizando la distribucin
Hipergeomtrica es:

Donde N es el tamao de la poblacin, S es el nmero de xitos en la
poblacin, x es el nmero de xitos en una muestra de n observaciones.
Distribucin Hipergeomtrica
Utilice la distribucin Hipergeomtrica para encontrar la probabilidad de un
nmero especfico de xitos o resultados si:
La muestra es seleccionada de una poblacin finita sin reemplazo.
El tamao de la muestra n es mayor que el 5% del tamao de la
poblacin N.
Ejemplo 5
La fbrica de juguetes Andy, tiene 50 empleados en el departamento de
ensamble. De stos, 40 pertenecen a un sindicato y 10 no. Se van a elegir
cinco empleados aleatoriamente, para que integren un comit que hablar
con el gerente acerca de la hora de inicio de los distintos turnos. Cul es
la probabilidad de que cuatro de los cinco elegidos pertenezcan al
sindicato?

n N
x n S N x S
C
C C
x P
) )( (
) (

=
N es 50, el nmero de empleados.
S es 40, el nmero de empleados del sindicato.
x es 4, el nmero de empleados del sindicato que fueron seleccionados.
n es 5, el nmero de empleados elegidos.
P(4)=
40
C
4
(
50-40
C
5-4
/
50
C
5
= (91390)(10)/2118760
= 0.431
4.6.- Describir las caractersticas de la distribucin de Poisson y calcular las
probabilidades empleando esta distribucin.

Distribucin de probabilidad de Poisson

La distribucin de probabilidad de Poisson describe la cantidad de veces
que ocurre un evento en un intervalo determinado.
Esta distribucin tambin es una forma lmite de la distribucin binomial,
cuando la probabilidad de xito es muy pequea y n es grande.
Distribucin de probabilidad de Poisson

Donde es la media del nmero de ocurrencias (xitos) en un intervalo
especfico.
e es la constante 2.71828 (base del sistema logartmico neperiano).
!
) (
x
e
x P
u x
=

x es el nmero de xitos.
P(x) es la probabilidad que se va a calcular para un valor dado de x.
Distribucin de probabilidad de Poisson
La media del nmero de xitos puede determinarse en una situacin
binomial as: nt donde n es el nmero de ensayos y t es la probabilidad de
xito.
La varianza de una distribucin Poisson es tambin nt(1 t).
Ejemplo 6
La Sra. Bonilla est encargada de los prstamos en el banco del centro de
Peralvillo. Con base en sus aos de experiencia, estima que la probabilidad
de que un solicitante no sea capaz de pagar su prstamo, es 0.025. El mes
pasado realiz 40 prstamos. Cul es la probabilidad de que 3 prstamos
no sean pagados a tiempo?
= nt = 40(.025) = 1
P(3) = 1
3
e
-1
/3! = 0.0613



DISTRIBUCIN DE POISSON

En una distribucin de Poisson si lambda= 0.4
A) Cual es la probabilidad de que x=0?
B) Cual es la probabilidad de x>0
La seora spiderman est encargada de los prstamos en el banco espaol
la araa. Con base a sus aos de experiencia, estima que la probabilidad
de que un solicitante no sea capaz de pagar su prstamo, es de 0.025. El
mes pasado realiz 40 prestamos
a) Cual es la probabilidad de que 3 prstamos no sean pagados a tiempo.
b) Cual es la probabilidad de que por lo menos 3 prstamos no sean
pagados a tiempo.


UNIDAD V.- VARIABLES ALEATORIAS Y DISTRIBUCIONES DE
PROBABILIDAD CONTINUAS


5.- 1Enlistar las caractersticas de la distribucin de probabilidad normal.
5.2.-Definir y calcular valores z.
5.3.-Determinar la probabilidad de que una observacin est entre dos valores de
una distribucin, utilizando la distribucin normal estndar.
5.4- Establecer la probabilidad de que una observacin sea mayor (o menor) que
un valor determinado, utilizando la distribucin normal estndar.
Caractersticas de la distribucin de probabilidad normal.
La curva normal es acampanada y presenta slo un pico en el centro de la
distribucin.
La media aritmtica, la mediana y la moda de la distribucin son iguales y
estn localizadas en el pico. De esta forma, la mitad del rea bajo la curva
se encuentra por arriba de este punto central, y la otra mitad por abajo.
Caractersticas de la distribucin de probabilidad normal
La distribucin de probabilidad normal es simtrica con respecto a su
media.
La curva normal decrece uniformemente en ambas direcciones a partir del
valor central. Es asinttica, esto significa que la curva se acerca cada vez
ms al eje x, pero en realidad nunca llega a tocarlo. Esto es, los puntos
extremos de la curva se extienden indefinidamente en ambas direcciones.

La curva normal es simtrica.
Media, mediana y moda son iguales.
5.2.-Definir y calcular valores z.
La distribucin normal estndar es una distribucin normal con media cero y
desviacin estndar de 1.
Tambin es llamada distribucin z.
Un valor z es la distancia entre un valor seleccionado llamado x, y la media
de la poblacin , dividida entre la desviacin estndar, . La frmula es:
Z = (x )/

5.2.-Definir y calcular valores z.

Ejemplo 1
El salario inicial de los primeros dos meses de los recin graduados de
MBA siguen la distribucin normal con una media de $2,000 y una
desviacin estndar de $200. Cul es el valor z para un salario de $2,200?

Z = (x )/s = (2,200 2,000)/200 = 2.00
Cul es el valor z de $1,700?
Z = (x )/ = (1,700 2,000)/200 = -1.50
Un valor z de 1 indica que el valor de $2,200 es una desviacin estndar
arriba de la media de $2,000.
Un valor z de -1.50 indica que $1,700 es 1.5 desviacin estndar debajo de la
media de $2,000.
reas bajo la curva normal
Aproximadamente 68% del rea bajo la curva normal est entre la media
ms una y menos una desviaciones estndar, y se expresa +- 1.
Alrededor de 95% del rea bajo la curva normal est entre la media ms
dos y menos dos desviaciones estndar, lo que se expresa +- 2.
Prcticamente toda el rea bajo la curva normal est entre la media y tres
desviaciones estndar (a uno y otro lados del centro), es decir +- 3.
Ejemplo 2
El uso diario de agua por persona en Vista Bella, Naucalpan, est
distribuido normalmente con una media de 20 galones y una desviacin
estndar de 5 galones. Aproximadamente 68% de ellos cuntos galones
de agua consumen?
Aproximadamente 68% del uso diario de agua cae entre 15 y 25 galones.
Ejemplo 3
Cul es la probabilidad de que una persona de Vista Bella seleccionada al
azar consuma entre 20 y 24 galones por da?
Z = (x )/ = (20 20)/5 = 0.00
Z = (x )/ = (24 20)/5 = 0.80
El rea bajo la curva normal entre un valor z de cero y un valor z de 0.80 es
0.2881.
Concluimos que 28.81% de los residentes consumen entre 20 y 24 galones
de agua por da.
Observe el siguiente diagrama.


Qu porcentaje de la poblacin consume entre 18 y 26 galones por da?
Z = (x )/ = (18 20)/5 = 0.40
Z = (x )/ = (26 20)/5 = 1.20
El rea asociada con un valor z de 0.40 es de .1554.
El rea asociada con un valor z de 1.20 es de .3849.
Sumando estas reas, el resultado es .5403.
Concluimos que 54.03% de los residentes consumen entre 18 y 26 galones
de agua por da.
5.5.- Comparar dos o ms observaciones que se encuentren en distintas
distribuciones de probabilidades
Ejemplo 4

El profesor Velasco ha determinado que las calificaciones en su curso de
estadstica, estn aproximadamente distribuidas en forma normal con una
media de 72 y desviacin estndar de 5. l avisa a la clase que el 15% ms
alto obtendr una calificacin de A. Cul es la puntuacin lmite ms baja
que obtendr calificacin de A?

Para comenzar, sea x la puntuacin que separa una A de una B.
Si el 15% de los estudiantes tienen puntuacin superior a x, entonces el
35% deber estar entre la media de 72 y x.
El valor z asociado correspondiente al 35% es 1.04.
Para comenzar, sea x la puntuacin que separa una A de una B.
Si el 15% de los estudiantes tienen puntuacin superior a x, entonces el
35% deber estar entre la media de 72 y x.
El valor z asociado correspondiente al 35% es 1.04.
Tomamos z = 1.04 y resolvemos la ecuacin de la normal estndar para x.
El resultado es la puntuacin que separa a los estudiantes que separan una
A de aquellos que ganaron una B.
1.04 = (x 72)/5 = 72 + 5.2 = 77.2
Aquellos cuya puntuacin sea de 77.2 o ms ganarn una A.
5.6.- Utilizar la distribucin de probabilidad normal para aproximar la distribucin
de probabilidad binomial.

La aproximacin normal a la binomial
La distribucin normal (una distribucin continua) proporciona una buena
aproximacin de la distribucin binomial (una distribucin discreta) para
valores grandes de n.
La distribucin de probabilidad normal es generalmente una buena
aproximacin para la distribucin de probabilidad binomial cuando nt y n(1
t) son ambos mayores que 5.

Recordemos que para un experimento binomial:
En un experimento slo existen dos resultados mutuamente excluyentes:
xito y fracaso.
La distribucin es el resultado de contar el nmero de xitos en una
cantidad fija de ensayos.
Cada ensayo es independiente.
La probabilidad,t permanece igual de un ensayo a otro
Factor de correccin de continuidad

El valor 0.5 que se resta o se suma, dependiendo de la situacin, a un valor
seleccionado cuando una distribucin de probabilidad discreta se aproxima por
medio de una distribucin de probabilidad contina.
Cul es la varianza?
Cul es la desviacin estndar?
Cul es la probabilidad de que menos de 40 hogares en la muestra tengan
videocmaras?
Usamos el factor de correccin, por lo tanto x es 39.5.
El valor z es 1.88
Z = (x )/ = (39.5 40)/5.0498 = 1.88
Del apndice D el rea entre 0 y 1.88 en la escala z es .4699.
Por lo tanto, el rea a la izquierda de 1.88 es .5000 + .4699 = .9699.
La probabilidad de que menos de 40 de los 200 hogares tengan
videocmara es aproximadamente 97%.


5 . 25 ) 15 . 1 )( 30 ( ) 1 (
2
= = = t t o n
0498 . 5 5 . 25 = = o