Tema 1: La Estadstica: importancia, organizacin y

presentacin de datos
1.1. Introduccin a la Ciencia Estadstica

1.1.1 Definicin de la Estadstica descriptiva e Inferencial

a) Estadstica descriptiva:
Es la rama que se encarga de describir, analizar una serie de datos y extraer
conclusiones sobre el comportamiento de estas. Los grficos, tablas, diagramas y
clculos descriptivos nos ayudan a mostrar los datos de manera ms clara y
elocuente.
b) Estadstica inferencial:
Es la rama que implica generalizaciones y afirmaciones con respecto a la
probabilidad de su validez.

1.1.2 Importancia
No existe actividad humana en que se deje de usar la Estadstica, las decisiones ms
importantes en nuestra vida se toman con ayuda de esta ciencia. La importancia en el rea
cientfica es porque:

Realiza una descripcin ms exacta.

Permite resumir los resultados de manera significativa y cmoda.

Nos permite obtener conclusiones generales y especficas.

1.2. Objeto y objetivos de estudio de la Estadstica

El objetivo bsico de la estadstica es hacer inferencia acerca de una poblacin con base a
la informacin contenida en una muestra, qu significa esto?
Inferir significa inducir una cosa de otra, llevar consigo, conducir a un resultado.
Es decir se pretende establecer inferencia acerca de una poblacin, entendiendo a la
poblacin como un conjunto de individuos, organismos o entes inanimados de los cuales
queremos conocer alguna o algunas caractersticas para que nos ayuden a tomar una decisin
u obtener alguna conclusin de suma importancia, y nada sabemos sobre la distribucin,

existencia, ubicacin, valor de esta o estas caractersticas que nos interesa saber. Guerra,C.;
Menndez,E. (2003)

1.3. Nomenclatura Estadstica

a) Medicin:
La medicin es un proceso de asignacin de nmeros u otros signos a las caractersticas de
los objetos, de acuerdo con ciertas reglas especificadas con anticipacin.
b) Poblacin:
Es el Conjunto de todos los elementos que comparten un grupo comn de caractersticas y
forman un universo para el propsito del problema de investigacin educativa.
c) Muestra:
Es una parte, un subgrupo de elementos de la poblacin que se selecciona para participar en
el estudio. Cuando la poblacin es muy grande, es decir tiene cientos o miles de elementos o
cuando los medios y el tiempo son limitados, la investigacin se conduce slo por la muestra.
d) Dato
Es una representacin simblica de un atributo. Los datos describen hechos empricos,
sucesos y entidades. Los datos pueden ser constantes o variables.
e) Constantes
Es un dato cuyo valor no puede cambiar durante la ejecucin de la investigacin. Recibe un
valor en el momento de la recoleccin y este permanece inalterado durante toda la
investigacin.
f)
Variables
Es una palabra que representa a aquello que vara o que est sujeto a algn tipo de cambio.
Se trata de algo que se caracteriza por ser inestable, inconstante y mudable.

1.4. Clasificacin de variables

a) Variables cualitativas: Son las variables que expresan distintas cualidades,
caractersticas o modalidad. Cada modalidad que se presenta se denomina atributo o
categora. Las variables cualitativas pueden ser dicotmicas cuando slo pueden tomar dos
valores posibles como s y no, hombre y mujer o son politmicas cuando pueden adquirir tres
o ms valores.
b) Variables cuantitativas: Son las variables que se expresan mediante cantidades
numricas. Las variables cuantitativas adems pueden ser:

Variable discreta: Es la variable que presenta separaciones o interrupciones en la escala

de valores que puede tomar. Estas separaciones o interrupciones indican la ausencia de
valores entre los distintos valores especficos que la variable pueda asumir. Ejemplo: El
nmero de hijos (1, 2, 3, 4, 5).

Variable continua: Es la variable que puede adquirir cualquier valor dentro de un

intervalo especificado de valores. Por ejemplo la masa (2,3 kg, 2,4 kg, 2,5 kg,...) o la altura

(1,64 m, 1,65 m, 1,66 m,...), o el salario. Solamente se est limitado por la precisin del
aparato medidor, en teora permiten que exista un valor entre dos variables.
c) Variables cualitativas Nominal: Presenta modalidades no numricas que no admiten un
criterio de orden, por ejemplo: sexo, estado civil, profesin, color de cabello, etc.
d) Variables cualitativas Ordinal: Presenta modalidades no numricas que admiten un
criterio de orden, por ejemplo: nivel de instruccin, ciclo acadmico, cargo administrativo,
etc.
e) Variables cuantitativas Intervalo: Son variables numricas cuyos valores representan
magnitudes y la distancia entre los nmeros de su escala es igual. Con este tipo de variables
podemos realizar comparaciones de igualdad/desigualdad, establecer un orden dentro de sus
valores y medir la distancia existente entre cada valor de la escala. Las variables de
intervalo carecen de un cero absoluto, por lo que operaciones como la multiplicacin y la
divisin no son realizables. Un ejemplo de este tipo de variables es la temperatura, ya que
podemos decir que la distancia entre 10 y 12 grados es la misma que la existente entre 15 y
17 grados. Lo que no podemos establecer es que una temperatura de 10 grados equivale a la
mitad de una temperatura de 20 grados.
f)
Variables cuantitativas Razn: Las variables de razn poseen las mismas
caractersticas de las variables de intervalo, con la diferencia que cuentan con un cero
absoluto; es decir, el valor cero (0) representa la ausencia total de medida, por lo que se
puede realizar cualquier operacin Aritmtica (Suma, Resta, Multiplicacin y Divisin) y
Lgica (Comparacin y ordenamiento). Este tipo de variables permiten el nivel ms alto de
medicin. Las variables altura, peso, distancia o el salario, son algunos ejemplos de este tipo
de escala de medida.
g) Variables Dependientes: Es aquella que dentro de una hiptesis representa la
consecuencia, el efecto, el fenmeno que se estudia. Se simboliza con la letra Y. Ejemplo:
entre las variables rendimiento acadmico y aplicacin de mtodos, la variable dependiente
es rendimiento acadmico.
h) Variables Independientes: Es aquella que influye en la variable dependiente y no
depende de otra variable, dentro de una hiptesis. Se simboliza con la letra X. Ejemplo:
entre las variables hiperactividad y falta de autoestima, la variable autoestima es
independiente, ya que explica o influye en la hiperactividad del nio. (Matus, R.; Hernandez,
M. ,2010)

1.5. Mtodo de recoleccin de datos

Se denomina mtodo a la estrategia concreta e integral para establecer relacin entre el
investigador y el objeto o fenmeno bajo estudio para la obtencin de datos de manera
coherente para el logro de los objetivos de la investigacin.
Los mtodos que ms se emplean para recopilar datos en la investigacin descriptiva son el
mtodo de la Encuesta y la Observacin.

1.6. El cuadro estadstico

a) Tablas para Variables Cualitativas

Nomenclatura usada en la tabla:

Frecuencia absoluta simple (fi) Es el nmero de veces que se repiten los valores dentro de
los diferentes intervalos en que est dividida la informacin.
Frecuencia relativa simple (hi%) Es el valor que resulta al dividir cada una de las
frecuencias absolutas simples entre el nmero total de datos.

b) Tablas para Variables Cualitativas Discretas

Nomenclatura usada en la tabla:

Frecuencia absoluta acumulada (Fi) Se obtiene sumando y acumulando los valores de las
frecuencias absolutas intervalo por intervalo en orden ascendente.
N1 = n1
N2 = n1 + n2

N3 = n1 + n2 + n3
Ni = n1 + n2 + n3 + + ni
Frecuencia relativa acumulada (Hi%) Se obtiene sumando y acumulando los valores relativos
simples intervalo por intervalo en orden ascendente.
H1 = h1
H2 = h1 + h2
H3 = h1 + h2 + h3
Hi = h1 + h2 + h3 + + hi

c) Tablas para Variables Cualitativas Continuas

1.7 Grficos estadsticos

a)

Diagramas de barras:

Se representan en el eje de ordenadas las modalidades y en abscisas las frecuencias

absolutas o bien, las frecuencias relativas.

b)

Grfico Circular

Se usa para representar la dimensin de las partes de un fenmeno total. Para su

elaboracin se utiliza la circunferencia, siendo necesario que los valores absolutos y/o
porcentuales, sean traducidos en GRADOS.

c)

Diagrama de Bastones

Las barras deben ser estrechas para representar los valores que toma la variable pues son
discretos.

d)

Histograma

Un histograma se construye a partir de la tabla estadstica, representando sobre cada

intervalo, un rectngulo que tiene a este segmento como base. El criterio para calcular la
altura de cada rectngulo es el de mantener la proporcionalidad entre las frecuencias
absolutas (o relativas) de cada intervalo y el rea de los mismos.

e)

Polgono de frecuencias

El polgono de frecuencias se construye fcilmente si tenemos representado previamente el

histograma, ya que consiste en unir mediante lneas rectas los puntos del histograma que
corresponden a las marcas de clase. Para representar el polgono de frecuencias en el primer
y ltimo intervalo, suponemos que adyacentes a ellos existen otros intervalos de la misma
amplitud y frecuencia nula, y se unen por una lnea recta los puntos del histograma que
corresponden a sus marcas de clase. Obsrvese que de este modo, el polgono de frecuencias
tiene en comn con el histograma el que las reas de la grfica sobre un intervalo son
idnticas

Estadstica, rama de las matemticas que se ocupa de reunir, organizar y analizar datos numricos y que
ayuda a resolver problemas como el diseo de experimentos y la toma de decisiones."
Ante todo es un elemento til, ya que nos permite obtener informacin referida a grandes grupos de
individuos conociendo los datos de slo unos pocos.
Desde los comienzos de la civilizacin han existido formas sencillas de estadstica, pues ya se utilizaban
representaciones grficas y otros smbolos en pieles, rocas, palos de madera y paredes de cuevas para contar el
nmero de personas, animales o ciertas cosas. Hacia el ao 3000 a.C. los babilonios usaban ya pequeas tablillas
de arcilla para recopilar datos tabulados sobre la produccin agrcola y de los gneros vendidos o cambiados
mediante trueque. Los egipcios analizaban los datos de la poblacin y la renta del pas mucho antes de construir
las pirmides en el siglo XXXI a.C.. Los libros bblicos de Nmeros y Crnicas incluyen, en algunas partes,
trabajos de estadstica. El primero contiene dos censos de la poblacin de Israel y el segundo describe el
bienestar material de las diversas tribus judas.
En China existan registros numricos similares con anterioridad al ao 2000 a.C. Los griegos realizaban
censos cuya informacin se utilizaba para cobrar impuestos hacia el 594 a.C.
El Imperio romano fue el primer gobierno que recopil una gran cantidad de datos sobre la poblacin, superficie
y renta de todos los territorios bajo su control. Durante la edad media slo se realizaron algunos censos
exhaustivos en Europa. Los reyes visigodos ordenaron hacer estudios minuciosos de las propiedades de la Iglesia
en los aos 758 y 762 respectivamente. Despus de la conquista normanda de Inglaterra en 1066, el rey
Guillermo I de Inglaterra encarg un censo. La informacin obtenida con este censo, llevado a cabo en 1086, se
recoge en el Domesday Book. En 1662 apareci el primer estudio estadstico notable de poblacin,
titulado Observations on the London Bills of Mortality (Comentarios sobre las partidas de defuncin en

Londres). Un estudio similar sobre la tasa de mortalidad en la ciudad de Breslau, en Alemania, realizado en 1691,
fue utilizado por el astrnomo ingls Edmund Halley como base para la primera tabla de mortalidad. En el siglo
XIX, con la generalizacin del mtodo cientfico para estudiar todos los fenmenos de las ciencias naturales y

sociales, los investigadores aceptaron la necesidad de reducir la informacin a valores numricos para evitar la
ambigedad de las descripciones verbales.
En Espaa los primeros censos se remontan al siglo XVI, cuando la Corona de Castilla necesit conocer sus
efectivos militares, o el censo de Toms Gonzlez en 1591 para el reparto de impuestos.
La creacin de la comisin estadstica del Reino marca el comienzo de la estadstica oficial en Espaa. El 3 de
noviembre de 1856, el general Narvez, presidente del Consejo de Ministros de Isabel II, firma un Decreto por
el que se crea una Comisin, compuesta por personas de reconocida capacidad, para la formacin de la
Estadstica General del Reino.
Unos meses ms tarde, el 21 de abril de 1857, la Comisin pasa a denominarse Junta de Estadstica. Su primer
trabajo es el Censo de Poblacin, con fecha de referencia del 21 de mayo del mismo ao.
La Ley de Instruccin Pblica de 9 de septiembre de 1857 establece que la Estadstica ser una disciplina
acadmica universitaria.
Un Decreto del 12 de septiembre de 1870, durante el gobierno provisional del general Serrano, crea el Instituto
Geogrfico y Estadstico. Tres aos ms tarde, 19 de junio de 1873, pasa a denominarse Instituto Geogrfico y
Estadstico, asumiendo todas las tareas de recogida de informacin numrica para el Estado.
En 1877, el Instituto Geogrfico y Estadstico aprueba su Reglamento. Las estadsticas pasan a depender del
Ministerio de Fomento en el ao 1890. En 1924, elConsejo del Servicio Estadstico, creado en 1921 es
reformado, cuatro aos antes de que pase a depender del Ministerio de Trabajo y Previsin. Ya en 1931, la
adscripcin se hace al Ministerio de la Presidencia.
La Ley de 31 de diciembre de 1945 crea el Instituto Nacional de Estadstica, que tiene como misin la
elaboracin y perfeccionamiento de las estadsticas demogrficas, econmicas y sociales ya existentes, la
creacin de otras nuevas y la coordinacin con los servicios estadsticos de las reas provinciales y municipales.
El 9 de mayo de 1989 se promulga la Ley de la Funcin Estadstica Pblica que hace del Instituto Nacional de
Estadstica un organismo autnomo potenciando las nuevas tecnologas estadsticas, la coordinacin con las
Comunidades Autnomas, la elaboracin del Plan Estadstico Nacional y las relaciones con la Unin Europea en
materia estadstica.
El desarrollo de la Estadstica se fundamenta cientficamente a partir de los aos 30 a raz de los problemas
planteados en la sociedad industrial, por el desarrollo de otras ramas de las Matemticas y de otros campos
como la Biologa, Medicina, Informtica...

En nuestros das, la estadstica se ha convertido en un mtodo efectivo para describir con exactitud los valores
de datos econmicos, polticos, sociales, psicolgicos, biolgicos y fsicos, y sirve como herramienta para
relacionar y analizar dichos datos. El trabajo del experto estadstico no consiste ya slo en reunir y tabular los
datos, sino sobre todo en el proceso de interpretacin de esa informacin. El desarrollo de la teora de la
probabilidad ha aumentado el alcance de las aplicaciones de la estadstica. Muchos conjuntos de datos se pueden
aproximar, con gran exactitud, utilizando determinadas distribuciones probabilsticas; los resultados de stas se
pueden utilizar para analizar datos estadsticos. La probabilidad es til para comprobar la fiabilidad de las
inferencias estadsticas y para predecir el tipo y la cantidad de datos necesarios en un determinado estudio
estadstico.

VIDEO
https://www.youtube.com/watch?v=JkAW6EwBEPs

TEMA 2:MEDIDAS ESTADSTICAS

2.2 Promedio o Media aritmtica

A) Promedio para datos originales: Se denomina datos originales a un conjunto

de datos de cualquier variable y copiados de cualquier manera. La frmula para su
clculo es:

Ejemplo: Los siguientes datos corresponde al ingreso de 8 padres de los alumnos de

ingeniera Informtica: 1200, 900, 1250, 1350, 800, 750, 1200,1300. Encontrar el ingreso
promedio

El ingreso econmico promedio de 8 padres de familia es 1093.75 soles.

B) Promedio para datos tabulados

B.1) Promedio para datos tabulados no agrupados en intervalos cuando se tiene una
variable discreta

B.2) Promedio para datos tabulados agrupados en intervalos cuando la

variable es cuantitativa continua

2.3 Moda para datos originales

B) Moda para Datos Originales

Ejemplo N 1: Los siguientes datos corresponde a los ingresos econmicos de 10 padres de
familia. Encontrar la moda.
970, 930, 860, 1040, 1020, 1380, 1410, 900, 1040, 1240
La moda es: Md = 1040

Ejemplo N 2:Ingresos econmicos de 8 trabajadores. Encontrar la moda

1200, 1050, 1200, 910, 1300, 1550, 1420, 960
Estos datos no tienen moda.

Ejemplo N 3: corresponde a los pesos de 10 alumnos:

65, 54, 72, 60, 58, 54, 66, 70, 58
Md1 = 54
Md2 = 58
Un conjunto de datos puede tener una moda o ms de una moda o tambin no tener ninguna
moda.

2.3.1 Moda para datos tabulados

C) Moda para datos tabulados no agrupados en intervalos (Variable Discreta)

Donde: xj es el valor de la variable que corresponde a la mxima frecuencia absoluta.

Ejemplo: Se tomarn los siguientes datos sobre el nmero de trabajadores por empresa:

La Moda ser el valor de la variable que corresponde a la mxima frecuencia absoluta

(n4 =16), en este caso Md = 48

El resultado significa que es ms frecuente encontrar empresas con 48 trabajadores.

D) Moda para datos tabulados agrupados en intervalos (Variable Continua)

Los sueldos o ingresos econmicos ms frecuente de 62 trabajadores encuentran alrededor

de 1016.06 soles.

2.3.2 Moda para datos cualitativos

E) Moda para datos cualitativos
La moda estar dada por la categora de la variable que corresponde a la mxima frecuencia
absoluta.
Nivel de instruccin

Primaria
Secundaria
Sup. No Universitaria
Sup. Universitaria

2
11
42
15

2.86
15.71
60.00
21.43

Total

70

100.00

Ejemplo: Tomaremos los datos del siguiente cuadro:

La mxima frecuencia es 42, por lo tanto, la moda es la categora superior no universitaria,

es decir: Md = Sup. No Universitaria

2.4 Mediana para datos originales

Es el valor que divide a la totalidad de datos, ordenados en forma creciente o decreciente,
en dos partes iguales, de tal manera que el 50% de los datos se encuentren a la izquierda de
la mediana y el otro 50% a la derecha de la mediana. (Anderson, 2008)

La mediana se aplica en lugar del promedio, cuando la variabilidad de los datos es muy
marcada. La mediana tambin se aplica a datos cualitativos ordenados de acuerdo a rangos.

A) Mediana para Datos Originales

Se presentan dos casos:
A.1) Cuando el N de datos es Par
Se ordenan los datos en forma creciente o decreciente y se toma el promedio de los dos
valores del centro.
Ejemplo: Los siguientes datos corresponde a las edades de 10 ingenieros:.
50, 22, 61, 30, 55, 42, 46, 35, 38,28
Ordenamos en forma creciente:
22, 28, 30, 35, 38, 42, 46, 50, 55, 61

El 50% de los ingenieros tienen una edad mxima de 40 aos

A.2)Cuando el N de datos es Impar

Ejemplo: Los siguientes datos corresponden al n de trabajadores de 9 empresas :
63, 56, 94, 32, 58, 41, 90, 45, 104
Ordenamos de forma creciente : 32, 41, 45, 56, 58, 63, 90, 94, 104
Se toma el valor del centro: Me = 58
El 50% de empresas tienen un nmero mximo de 58 trabajadores

2.4.1 Mediana para datos tabulados NO EN INTERVALOS

2.4.2 Mediana para datos tabulados EN INTERVALOS

2.4.3 Mediana para datos cualitativos

Es factible obtener la mediana cuando se tiene datos cualitativos, susceptibles de ordenarse
de acuerdo a rangos o categoras. (Tomeo,2003)

Ejemplo: Tomaremos los datos del siguiente

La mediana est dada por la categora que se encuentra en la misma fila de Nj. Por lo tanto,
la mediana est dada por la categora Secundaria.

El 50% de los padres de familia de los estudiantes tienen un grado de instruccin mximo de
secundaria

2.5 Cuartiles para datos originales

Son medidas de posicin que dividen a la distribucin de datos ordenados, en cuatro
partes iguales, de tal manera que:

A).Cuartiles para datos originales

2.5.1 Cuartiles para datos tabulados

A continuacin se presenta la formula para cuartiles en datos tabulados

2.6 Deciles

A). Deciles para datos originales

Son medidas de posicin que dividen a la distribucin de datos, previamente ordenados, en
10 partes.

El Decil i simo es el valor del dato que ocupa la posicin

Si la posicin no resulta entera, se hace una interpolacin lineal entre los dos
valores correspondientes a las dos observaciones entre las cuales se encuentre la
posicin.
Ejemplo

Por tanto el Decil 2 es el dato que ocupa la segunda posicin: D2 = 330.

El 20% de los trabajadores tienen un ingreso mximo de 330 soles.

B). Deciles para datos tabulados

Ejemplo:

El 40% de los trabajadores, tienen un ingreso mximo de 902.61 soles.

2.7 Percentiles

2.8 Medidas de dispersin

A). Recorrido o Rango: (R)
Viene a ser la diferencia entre el valor mayor y el valor menor de los datos, es decir:

Ejm. Si tenemos los dos siguientes valores

R = 1384 456 = 928 soles.

B). Varianza: ( 2 )
Es el promedio de las desviaciones con respecto al promedio elevado al cuadrado.
La varianza no tiene interpretacin.
Varianza para datos originales:

Ejem. Los siguientes datos corresponden a los ingresos econmicos por semana de 12
trabajadores de una empresa
Xi: 600, 650, 200, 710, 300, 550, 420, 460, 450, 540, 850, 225.
Para poder aplicar la frmula, primero debemos encontrar el promedio y luego aplicar la
frmula de la varianza.

c. Desviacin Estndar: ( )

Se define como la raz cuadrada de la varianza.

Ejemplo: Encontrar la desviacin estndar para el caso b.1

La dispersin promedio que existe entre los datos y la media aritmtica es de 186.89 soles.

VIDEO

https://www.youtube.com/watch?v=vJOLRFT_cTc

Tema 3: Introduccin a las probabilidades

3.1 Experimento aleatorio y determinstico

Si se realiza un experimento, ste puede tener uno de varios posibles resultados; si no puede
predecirse con seguridad cual ocurrir, se dice que el experimento es aleatorio.
Por Ejemplo si lanzas una moneda, cuyo resultado puede ser, caer cara o caer
sello. En este experimento no podemos predecir con seguridad cul resultado
aparecer con certeza. Otro experimento aleatorio es el siguiente: al lanzar un
dado, los resultados que se obtienen pueden ser cualquier nmero del 1 al 6.
Si un experimento tiene un nico resultado posible, que al realizarlo sabemos que
ocurrir, el experimento se llamar determinstico.
Por Ejemplo, un experimento determinstico sera extraer una bola de una que contiene
bolas con un slo color, digamos negras. Si nos fijamos en el color de la bola extrada
sabemos de antemano que es negra.

3.2 Espacio muestral

I. Espacio Muestral
Es el conjunto de todos los posibles resultados de un experimento. Por Ejemplo, al realizar el
experimento de lanzar un dado y observar la cara que aparece, vemos una serie de
resultados posibles y que se representa por:

S = {1, 2, 3, 4, 5, 6 }

Otro Ejemplo es, si realizamos el experimento; si lanzamos dos monedas al aire, observamos
que los posibles resultados pueden ser (en este caso los resultados de a dos se agrupan en
pares ordenados):

T = { (sello, sello) (sello, cara) (cara, sello) (cara, cara) }

Otro Ejemplo es, si realizamos el experimento; se lanzan dos dados, los posibles resultados al
observar el nmero de puntos en ambas caras de los dados es el siguiente espacio muestral:

Ms Ejemplos:
Dados los siguientes experimentos:
E1: Lanzar una moneda y observar la cara superior.
E2: Lanzar un dado y observar el nmero que aparece en la cara superior.
E3: Extraer una bola de una urna que contiene bolas rojas R y bolas verdes V.
E4: Designar un delegado de un grupo de 50 personas a travs de un sorteo.

E6: Elegir un punto del intervalo cerrado [0,1]

E7: Observar el tiempo de vida de un T.V. SONY.
E8: verificar el estado de un transistor (0= apagado, 1= prendido).

Indicar su espacio muestral:

Solucin:

Evento y suceso
Con base a los experimentos anteriores (lanzar un dado, lanzar dos monedas y
lanzar dos dados), observamos que stos pueden tener uno o ms resultados, a los
cuales se les llama Eventos y que se representan mediante letras maysculas.
Por tanto un Evento es un subconjunto de un Espacio Muestral. (Tomeo, 2003)
Se puede hacer una lista de muchos eventos asociados con un experimento,
algunos con ms posibilidad de ocurrir que otros. Desde el punto de vista de
conjuntos, un evento es un subconjunto de un espacio muestral. Por Ejemplo, en el
experimento de tirar un dado se tiene:
{1}
es el evento elemental o evento simple que indica que al lanzar un dado
salga la unidad.
{2, 4,6} es un evento que indica que al lanzar un dado salga nmero par.
{1, 2,3}
que 4

es un evento que indica que al lanzar un dado salga un nmero menor

{1, 2, 3, 4, 5, 6} es un evento que indica que al lanzar un dado salga un nmero

menor que 7
Otro Ejemplo: En el experimento aleatorio lanzar 4 monedas simultneamente.
Definimos los eventos siguientes:
E1: Todas las monedas muestran el mismo lado
E2: Ocurren por lo menos dos caras

E3: Ocurre sello en el tercer lanzamiento.

3.3 Axiomas y teorema de probabilidad

Ejemplo: Se lanza dos dados. Calcular la probabilidad de:

a) Obtener suma 4.
b) Obtener suma 7.
c) Obtener suma par.
d) Obtener suma mayor que 5.
e) Que el resultado del primer dado sea mayor que el resultado del segundo?
Sol: El espacio muestral lo podemos obtener a travs de un cuadrado de doble entrada donde
S est formado por pares ordenados, en la cual la primera componente es el resultado del
primer dado y la segunda componente el resultado del segundo dado.

3.4 Definiciones de probabilidad

1.

Definicin Clsica o A priori

La probabilidad de un evento es la razn entre el nmero de casos (sucesos) favorables
y el nmero total de casos (sucesos) posibles del espacio muestral, siempre y cuando cada
uno de los resultados o sucesos del espacio muestral tiene la misma posibilidad de suceder.
As, la probabilidad de que ocurre el evento E es:
Dnde: N (E)=nE = cardinal del conjunto E

N(S)=n

= cardinal del conjunto S.

Nota: cardinal de un conjunto es el nmero de elementos que tiene dicho

conjunto.

Observacin: las propiedades de la probabilidad por frecuencia relativa son las mismas que
la probabilidad clsica dados en las observaciones generales de la pg.
Ejemplo: en 20 centros educativos de las diferentes P.P.J.J. de Chiclayo que forman en total
a 16000 alumnos, se detectaron 1900 casos de tuberculosis. Hallar la probabilidad de
encontrar a un alumno tuberculoso en un colegio determinado.
Sol: sea el evento E: un alumno tuberculoso en determinado colegio.

Entonces diremos si escogemos un alumno de un determinado centro educativo, existe un

11,86% de posibilidades que est tuberculoso.

3. Probabilidad Subjetiva
La probabilidad es subjetiva cuando en un experimento determinado, la probabilidad de que
un evento A ocurra, tiene un grado de creencia asignado a la ocurrencia de este evento por
un individuo en particular, pero eso s, est basado en toda la evidencia a su disposicin, con
las siguientes exigencias:
1) P(A) = 0 , representa la certeza de que el evento A no ocurrir.
2) P(A) = 1, representa la certeza de que el evento A si ocurrir.
3) 0 P(A) 1, representa la certeza de que el evento A, ocurrir.
Claro es que si la probabilidad es subjetiva de la ocurrencia de un evento A, para una
persona tendr un determinado valor de acuerdo a las condiciones o evidencias que dispone.
Y para otra persona que tiene de repente ms evidencias, podra asignar a la ocurrencia del
evento A otra probabilidad diferente (un nmero diferente al anterior).

Ejemplo:
Cul es la probabilidad de que la seleccin peruana se clasifique al prximo Mundial de
Ftbol?
Cul es la probabilidad de que un profesor en educacin pblica gane S/.10000 en el
prximo gobierno?
Como pueden observar, son eventos nicos, que no han ocurrido antes. No hay forma de que
se puedan interpretar tales probabilidades como una frecuencia relativa o como una
probabilidad Clsica. Entonces el enfoque subjetivo de la probabilidad es pues adecuado en
la respuesta de las preguntas ltimamente expuestas. (Walpole, 1998)
Observacin: las dos primeras definiciones son probabilidades objetivas.

3.5 Algebra de eventos

Simplemente es la misma lgebra de conjuntos, es decir podemos combinar
eventos para formar nuevos eventos, utilizando las diferentes operaciones
conjunto:
Si denotamos los eventos por A,B,C,D,E,etc.

3.6 Tcnicas de conteo

1. Principio aditivo

Si se desea llevar a efecto una actividad, la cul tiene formas alternativas para ser realizada,
donde la primera de esas alternativas puede ser realizada de M maneras o formas, la segunda
alternativa puede realizarse de N maneras o formas y la ltima de las alternativas puede ser
realizada de W maneras o formas, entonces esa actividad puede ser llevada a cabo de,
M + N + .........+ W maneras o formas
Ejemplos:
1) Una persona desea comprar una lavadora de ropa, para lo cul ha pensado que puede
seleccionar de entre las marcas Whirpool, Easy y General Electric, cuando acude a hacer la
compra se encuentra que la lavadora de la marca W se presenta en dos tipos de carga ( 8 u
11 kilogramos), en cuatro colores diferentes y puede ser automtica o semiautomtica,
mientras que la lavadora de la marca E, se presenta en tres tipos de carga (8, 11 o 15
kilogramos), en dos colores diferentes y puede ser automtica o semiautomtica y la
lavadora de la marca GE, se presenta en solo un tipo de carga, que es de 11 kilogramos, dos
colores diferentes y solo hay semiautomtica. Cuntas maneras tiene esta persona de
comprar una lavadora?
Solucin:
M = Nmero de maneras de seleccionar una lavadora Whirpool
N = Nmero de maneras de seleccionar una lavadora de la marca Easy
W = Nmero de maneras de seleccionar una lavadora de la marca General Electric
M = 2 x 4 x 2 = 16 maneras
N = 3 x 2 x 2 = 12 maneras
W = 1 x 2 x 1 = 2 maneras
M + N + W = 16 + 12 + 2 = 30 maneras de seleccionar una lavadora
Cmo podemos distinguir cuando hacer uso del principio multiplicativo y cuando del aditivo?
Es muy simple, cuando se trata de una sola actividad, la cual requiere para ser llevada a
efecto de una serie de pasos, entonces haremos uso del principio multiplicativo y si la
actividad a desarrollar o a ser efectuada tiene alternativas para ser llevada a cabo, haremos
uso del principio aditivo.

2. Principio Multiplicativo
Si se desea realizar una actividad que consta de r pasos, en donde el primer paso de la
actividad a realizar puede ser llevado a cabo de N 1 maneras o formas, el segundo paso de
N2 maneras o formas y el r-simo paso de Nr maneras o formas, entonces esta actividad
puede ser llevada a efecto de;
N1 x N2 x ..........x Nr maneras o formas
El principio multiplicativo implica que cada uno de los pasos de la actividad deben ser
llevados a efecto, uno tras otro.
Ejemplos:
Una persona desea construir su casa, para lo cul considera que puede construir los
cimientos de su casa de cualquiera de dos maneras (concreto o block de cemento), mientras
que las paredes las puede hacer de adobe, adobn o ladrillo, el techo puede ser de concreto
o lmina galvanizada y por ltimo los acabados los puede realizar de una sola manera
cuntas maneras tiene esta persona de construir su casa?
Solucin
Considerando que r = 4 pasos
N1= maneras de hacer cimientos = 2
N2= maneras de construir paredes = 3
N3= maneras de hacer techos = 2
N4= maneras de hacer acabados = 1
N1 x N2 x N3 x N4 = 2 x 3 x 2 x 1 = 12 maneras de construir la casa

El principio multiplicativo, el aditivo y las tcnicas de conteo que posteriormente se tratarn

nos proporcionan todas las maneras o formas posibles de como se puede llevar a cabo una
actividad cualquiera.

3.7 Principios factoriales

a) Permutaciones:
Dado un conjunto finito A, de cardinal , se llaman permutaciones a las ordenaciones totales
que pueden hacerse con los elementos del conjunto A.
Ejemplo:
- el conjunto unitario {a} slo puede ordenarse de un modo nico.
- el conjunto {a, b} puede ordenarse de dos modos: ab, ba
- el conjunto {a, b, c} puede ordenarse en seis modos: abc, acb, bac, bca, cab, cba

b) Variaciones:
Dado un conjunto de elementos, se da el nombre de variacin a cada una de las
ordenaciones que se pueden formar tomando grupos en elementos de este conjunto;
teniendo en cuenta el orden que toman .
Del Ejemplo anterior tenemos que del conjunto {2, 3, 5, 6, 7, 9} tomamos 3 elementos para
formar nmeros diferentes de 3 dgitos (parte a), es decir tomamos grupos de 3 en 3
elementos, teniendo en cuenta el orden, dio como resultado por el principio fundamental
del conteo

c) Combinaciones:
Una combinacin de objetos es aquel acto de juntarlos en donde no cuenta el
orden de colocacin de los objetos. Las diversas combinaciones de objetos difieren
entre si por la calidad de los ingredientes; es decir, dado un conjunto de
elementos se pide cuantos subconjuntos de elementos hay.
Ejemplo: del conjunto A={a, b, c, d}. Cuntos subconjuntos de 3 elementos
hay?
Sol: hallamos las combinaciones de 3 elementos (subconjuntos de 3 elementos del
conjunto
A)

{a, b, c}, {a,b,d}, {a, c, d}, {b, c, d}

Luego hay 4 combinaciones.

La dificultad se da si A tiene muchos elementos, para hallar el nmero de

combinaciones existe el siguiente teorema:

3.6 Teorema de Bayes

Sean A1, A2, A3,., An , n eventos pertenecientes al espacio muestral S y sea B un

evento cualquiera, con P (B) > 0, entonces se cumple que:

Ejem. En una empresa A se tiene 10 obreros , 18 empleados y 5 ejecutivos. En la sala B , se

tiene 13 obreros ,25 empleados y 4 ejecutivos. En la empresa C, se tiene 8 obreros, 14
empleados y 3 ejecutivos Se elige una empresa y se extrae un trabajador, el mismo que
resulto que era empleado. Cual es la probabilidad de que el trabajador elegido proceda de
la empresa:
1.
A
2.
B
3.
C
Solucin
Simbolizaremos con O, a los obreros; con E, a los empleados y con Ej. a los ejecutivos. Ahora
aplicamos la frmula: