PROBABILIDAD

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA
PROFESIONAL
UNIVERSIDAD DE SAN CARLOS DE GUATEMALA

FACULTAD DE CIENCIAS ECONMICAS
ESCUELA DE AUDITORA
PRIMER SEMESTRE 2015
TRABAJO No.
PROBABILIDADES (ESTADISTICA)
PROBABILIDAD
Pgina 1

PROFESIONAL
INDICE
Introduccin.................................................................................
Probabilidad.................................................................................
Enfoque Clasico...........................................................................
Evento..........................................................................................
Tipos de Evento............................................................................
Espacio Muestral..........................................................................
Experimento Aleatorio..................................................................
Tipos de Experimento Aleatorio....................................................
Experimento Determinstico.........................................................
Teorema de Bayes........................................................................
Distribucin de Poisson................................................................
Distribucin Binomial..................................................................
Distribucin Normal.....................................................................
Conclusin...................................................................................
3
4
5
6
7
7
7
8
9
9
10
11
12
14
Introduccin
La probabilidad es una herramienta de ayuda para la toma de decisiones
porque proporciona una forma de medir, expresar y analizar las incertidumbres
PROBABILIDAD
Pgina 2

PROFESIONAL
asociadas con eventos futuros de razones entre el nmero de casos favorables

y el nmero de casos posibles.
El concepto de probabilidad nace con el deseo del hombre de conocer
con certeza los eventos futuros. Es por ello que el estudio de probabilidades
surge como una herramienta utilizada por los nobles para ganar en los juegos y
pasatiempos de la poca. El desarrollo de estas herramientas fue asignado a
los matemticos de la corte.
Con el tiempo estas tcnicas matemticas se perfeccionaron y
encontraron otros usos muy diferentes para la que fueron creadas. Actualmente
se continu con el estudio de nuevas metodologas que permitan maximizar el
uso de la computacin en el estudio de las probabilidades disminuyendo, de
este modo, los mrgenes de error en los clculos.
Probabilidad
La probabilidad constituye un importante parmetro en la determinacin
de las diversas casualidades obtenidas tras una serie de eventos esperados
dentro de un rango estadstico.
PROBABILIDAD
Pgina 3

PROFESIONAL
La probabilidad se encarga de evaluar todas aquellas actividades en donde

se tiene incertidumbre acerca de los resultados que se pueden esperar, esto
quiere decir que la probabilidad est presente en casi en todas las actividades
que se pretenda realizar, ejemplos:
Cualquier proyecto de Ingeniera o de otras reas
Competencias deportivas
Juegos de azar, etc.
La probabilidad de un evento se denota con la letra p y se expresa en
trminos de una fraccin y no en porcentajes, por lo que el valor de p cae entre
0 y 1. Por otra parte, la probabilidad de que un evento "no ocurra" equivale a 1
menos el valor de p y se denota con la letra q:
Ejemplo. Determine la probabilidad de que en cierta lnea de produccin se

manufacture un producto defectuoso, si se toma como referencia que la
produccin de la ltima semana en esta lnea fue de 1,500 productos, entre los
que se encontraron 8 productos defectuosos.
P (producto defectuoso) = No de productos defectuoso /Total de productos

producidos en la semana
= 18 / 1500 = 0.012
Lo anterior nos indica que es muy probable que 1.2 productos de cada
100 que se manufacturen en esa lnea sern defectuosos.
Los tres mtodos para calcular las probabilidades son la regla de la
adicin, la regla de la multiplicacin y la distribucin binomial.
Enfoque Clsico
PROBABILIDAD
Pgina 4

PROFESIONAL
El enfoque clsico dice que si hay x posibles resultados favorables a la

ocurrencia de un evento A y z posibles resultados desfavorables a la ocurrencia
de A, y todos los resultados son igualmente posibles y mutuamente excluyente
(no pueden ocurrir los dos al mismo tiempo), entonces la probabilidad de que
ocurra A es:
El enfoque clsico de la probabilidad se basa en la suposicin de que

cada resultado sea igualmente posible. Este enfoque es llamado enfoque a
priori porque permite, (en caso de que pueda aplicarse) calcular el valor de
probabilidad antes de observar cualquier evento de muestra.
Ejemplo: Si tenemos en una caja de bombones 20 bombones de chocolate
con man y 5 bombones de chocolate blanco. La probabilidad de sacar un
bombn de chocolate blanco en un intento es:
Evento
Un evento es el resultado posible o un grupo de resultados posibles de un
experimento y es la mnima unidad de anlisis para efectos de clculos
probabilsticos los eventos se clasifican de la siguiente forma:
o Mutuamente excluyentes: aquellos que no pueden ocurrir al mismo
tiempo. Ejemplo: cara o escudo.
o Independientes: Estos
no
se
ven
afectados
por
otros
independientes. Ejemplo: el color del zapato y la probabilidad que llueva

hoy.
o Dependientes: cuando un evento afecta a la probabilidad de ocurrencia de
otro. Ejemplo: repaso, calificaciones.
o No excluyentes entre s: cuando la ocurrencia de uno de ellos no impide
que ocurra el otro. Ejemplo: que una persona sea doctor que tenga 56
aos, ser estudiante y ya estar casado.
PROBABILIDAD
Pgina 5

PROFESIONAL
Tipos de evento
o Suceso simple o elemental: Aquel suceso que est formado por un nico
resultado del espacio muestral.
o Suceso compuesto: Aquel suceso que est determinado por 2 o ms
resultados del mismo.
o Suceso seguro: Aquel suceso que est formado por todos los resultados
posibles del experimento y por tanto, coincide con el espacio muestral.
o Suceso imposible: Aquel suceso que nunca se verifica. Se representa con
la letra.
Espacio Muestral
En la teora de probabilidades, el espacio muestral o espacio de
muestreo (denotado E, S, o U) consiste en el conjunto de todos los posibles
resultados individuales de un experimento aleatorio.
Los espacios de muestreo aparecen de forma natural en una
aproximacin elemental a la probabilidad, pero son tambin importantes en
espacios de probabilidad.
Variable Aleatoria
Se denomina variable aleatoria, a una variable X que puede tomar un conjunto

de valores {x0, x1, x2, ... xn-1}, con probabilidades {p0, p1, p2, ... pn-1}. Por
ejemplo, en la experiencia de lanzar monedas, los posibles resultados son
{cara, cruz}, y sus probabilidades son {1/2, 1/2}. En la experiencia de lanzar
PROBABILIDAD
Pgina 6

PROFESIONAL
dados, los resultados posibles son {1, 2, 3, 4, 5, 6} y sus probabilidades

respectivas son {1/6, 1/6, 1/6, 1/6, 1/6, 1/6}.
Realicemos ahora la experiencia de hacer girar una ruleta y apuntar el nmero
del sector que coincide con la flecha. En la ruleta de la izquierda de la figura los
resultados posibles son {0, 1, 2, 3, 4, 5, 6, 7}, y la probabilidad de cada
resultado es 1/8. En la ruleta de la derecha de la figura los posibles resultados
son {0, 1, 2, 3}, y las probabilidades respectivas {1/4, 1/2, 1/8, 1/8},
proporcionales al ngulo del sector.
Para ver la frmula seleccione la opcin "Descargar" del men superior
En los tres primeros ejemplos, la variable aleatoria X se dice que est
uniformemente distribuida, ya que todos los resultados tienen la misma
probabilidad. Sin embargo, en el ltimo ejemplo, la variable aleatoria X, no est
uniformemente distribuida.
El problema crucial de la aplicacin de los mtodos de Montecarlo es hallar los
valores de una variable aleatoria (discreta o continua) con una distribucin de
probabilidad dada por la funcin p(x) a partir de los valores de una variable
aleatoria uniformemente distribuida en el intervalo [0, 1), proporcionada por el
ordenador o por una rutina incorporada al programa.
Para simular un proceso fsico, o hallar la solucin de un problema matemtico
es necesario usar gran cantidad de nmeros aleatorios. El mtodo mecnico de
la ruleta sera muy lento, adems cualquier aparato fsico real genera variables
aleatorias cuyas distribuciones difieren, al menos ligeramente de la distribucin
uniforme ideal. Tambin, se puede hacer uso de tablas de cifras aleatorias
uniformemente distribuidas, comprobadas minuciosamente en base a pruebas
estadsticas
especiales.
Se
emplean
solamente
cuando
los
clculos
correspondientes a la aplicacin del mtodo de Montecarlo se realiza a mano,

lo que en estos tiempos resulta inimaginable. En la prctica, resulta ms
conveniente emplear los denominados nmeros pseudoaleatorios, se trata de
nmeros que se obtienen a partir de un nmero denominado semilla, y la
PROBABILIDAD
Pgina 7

PROFESIONAL
aplicacin reiterada de una frmula, obtenindose una secuencia {x0, x1, x2, ...
xn} de nmeros que imitan los valores de una variable uniformemente
distribuida en el intervalo [0, 1).
Se dice que una funcin
es una variable aleatoria si la "suerte" de realizacin de sus posibles valores
puede establecerse con ayuda de los resultados de la experiencia aleatoria en
estudio, cuyo espacio muestral es . Se trata, en definitiva, de una funcin
que asigna un valor numrico a cada uno de los resultados de una experiencia
aleatoria.
En estadstica y teora de probabilidad una variable aleatoria se define como el
resultado numrico de un experimento aleatorio. Matemtico es una mapa
que da un valor numrico a cada suceso en el espacio de los resultados
posibles del experimento.
Se distinguen entre:
variables aleatorias discretas y
variables aleatorias continuas.

Dado una variable aleatoria X se pueden calcular estimadores estadsticos
diferentes como la media (Media aritmtica, Media geomtrica, Media
ponderada) y valor esperado y varianza de la distribucin de probabilidad de X.
Se puede pensar en una variable aleatoria como un valor o una magnitud que
cambia de una presentacin a otra, sin seguir una secuencia predecible. Los
valores de una variable aleatoria son los valores numricos correspondientes a
cada posible resultado de un experimento aleatorio.
PROBABILIDAD
Pgina 8

PROFESIONAL
La distribucin de probabilidad de una variable aleatoria proporciona una

probabilidad para cada valor posible, y estas probabilidades deben sumar 1.
Valor esperado de una variable aleatoria

El valor esperado es una idea fundamental en el estudio de las distribuciones
de probabilidad.
Para obtener el valor esperado de una variable aleatoria discreta, se multiplica
cada valor que la variable puede tomar por la probabilidad de presentacin de
ese valor y luego se suman esos productos. Es un promedio pesado de los
resultados que se esperan en el futuro. El valor esperado pesa cada resultado
posible con respecto a la frecuencia con que se espera se que presente. En
consecuencia, las presentaciones ms comunes tienen asignadas un peso
mayor que las menos comunes.
El valor esperado tambin puede ser obtenido a partir de estimaciones
subjetivas. En ese caso, el valor esperado no es ms que la representacin de
las convicciones personales acerca del resultado posible.
En muchas situaciones, encontraremos que es ms conveniente, en trminos
de los clculos que se deben hacer, representar la distribucin de probabilidad
de una variable aleatoria de una manera algebraica. Al hacer esto, podemos
llevar a cabo clculos de probabilidad mediante la sustitucin de valores
numricos directamente en una frmula algebraica.
Sugerencia:
El valor esperado de una variable aleatoria discreta es un promedio pesado del
valor de cada resultado posible multiplicado por la probabilidad de dicho
PROBABILIDAD
Pgina 9

PROFESIONAL
resultado. Aunque existen muchos valores diferentes posibles que la variable

aleatoria puede tomar, el valor esperado es slo un nmero.
Tratamiento de Variables Aleatorias

Variables aleatorias discretas.
Variable que toma un nmero finito o infinito de valores numerables. Variable
aleatoria que puede tomar slo un nmero limitado de valores sean x1, x2,
x3, ... xn los distintos valores que puede tomar la variable aleatoria.
Y p(x1), p(x2),... p(xn) su probabilidad.
Los pares de valores (xj, p(xj)) constituyen la distribucin de probabilidades de
la variable aleatoria.
p(x) se denomina funcin de probabilidad, y debe cumplir con las siguientes
propiedades:
0 < p(xj) < 1 (p(x) es una probabilidad, y por lo tanto debe tomar valores entre 0
y 1).
p(xj) = 1 (la suma de probabilidades repartidas entre todos los valores de la
variable debe ser igual a 1).
De la misma manera que calculamos frecuencias acumuladas, podemos
acumular
probabilidades,
obteniendo
la
funcin
de
distribucin
de
probabilidades:
F(x) = p(xj)
Esta funcin representa la probabilidad de que la variable aleatoria sea menor
o igual que un determinado valor:
F(xj) = P (X < xj)
PROBABILIDAD
Pgina 10

PROFESIONAL
Grficamente, la funcin aumenta de "a saltos", ya que entre dos valores

consecutivos de una variable discreta, no puede tomar valores intermedios.
Para simular la ruleta situada a la derecha de la figura, se procede del siguiente
modo: se hallan las probabilidades de cada resultado, proporcionales al ngulo
de cada sector y se apuntan en la segunda columna, la suma total debe de dar
la unidad. En la tercera columna, se escriben las probabilidades acumuladas.
Resultado
Se sortea un nmero aleatorio g uniformemente distribuido en el intervalo [0, 1),

el resultado del sorteo se muestra en la figura. En el eje X se sitan los
distintos resultados que hemos nombrado x0, x1, x2, x3. En el eje vertical las
probabilidades en forma de segmentos verticales de longitud igual a la
probabilidad pi de cada uno de los resultados, dichos segmentos se ponen
unos a continuacin de los otros, encima su respectivo resultado xi. Se obtiene
as una funcin escalonada. Cuando se sortea una variable aleatoria g, se traza
una recta horizontal cuya ordenada sea g. Se busca el resultado cuya abscisa
sea la interseccin de dicha recta horizontal y del segmento vertical, tal como
se seala con flechas en la figura. Si el nmero aleatorio g est comprendido
entre 0.25 y 0.75 se obtiene el resultado denominado x1.
PROBABILIDAD
Pgina 11

PROFESIONAL
La tabla describe el sorteo de una variable discreta, siendo g una variable

aleatoria uniformemente distribuida en el intervalo [0,1).
Condicin
0<=g<0.25
0.25<=g<0.75
0.75<=g<0.875
0.875<=g<1
Una vez visto un caso particular, el problema general puede formularse del
siguiente modo:
Si X es una variable aleatoria discreta cuyos posible resultados son {x0, x1,
x2 , ... xn-1} y sean {p0, p1, p2, ... pn} sus respectivas probabilidades. Al sortear
un nmero aleatorio g, uniformemente distribuido en el intervalo [0, 1), se
obtiene el resultado xi, si se verifica la siguiente condicin
Variables aleatorias continuas

Variable que toma un valor infinito de valores no numerables. Variable aleatoria
que puede tomar cualquier valor dentro de un intervalo dado de valores.
En este caso, en lugar de trabajar con la probabilidad de valores particulares de
la variable, resulta ms apropiado calcular probabilidades asociadas a
PROBABILIDAD
Pgina 12

PROFESIONAL
intervalos. Para distribuir propiedades se usa una funcin que mide

"concentracin" de probabilidades alrededor de un punto, que se denomina
funcin de densidad de probabilidad (fdp) y se denota como f(x).
Una funcin de densidad de probabilidad debe cumplir con las siguientes
propiedades:
F(x) > 0 (la funcin es no negativa para cualquier valor de x, f(x) no es

una probabilidad, y puede valer ms de 1).
f(x) dx = 1 (la acumulada para todos los valores de la variable suma 1,

el rea bajo la curva de la funcin vale 1).
La funcin de distribucin para una variable aleatoria continua se calcula:
F(a) = P(X < a) = f(x) dx
La probabilidad de que la variable est dentro de un intervalo [a - b] se calcula:
P (a< x < b) = F(b) - F(a)
La probabilidad de que la variable tome un valor particular se puede expresar
como:
F(c) - F(c) = 0
Esto explica la idea de que para el caso de una variable aleatoria continua no
tiene sentido trabajar con la probabilidad de un valor particular.
Comprendido el concepto de transformacin de una variable discreta, y el
procedimiento para obtener un resultado cuando se efecta el sorteo de una
variable aleatoria uniformemente distribuida, no reviste dificultad el estudio de
la variable continua. Si X es una variable aleatoria continua, y p(x) es la
probabilidad de cada resultado x, construimos la funcin que se representa en
la figura.
PROBABILIDAD
Pgina 13

PROFESIONAL
El resultado del sorteo de una variable g uniformemente distribuida en el

intervalo [0 ,1) se obtiene a partir de la ecuacin.
Grficamente, se obtiene trazando una recta horizontal de ordenada g. La
abscisa x del punto de corte con la funcin es el resultado obtenido. En la figura
se seala mediante flechas.
Para ver el grfico seleccione la opcin "Descargar" del men superior
Un ejemplo sencillo es la transformacin de una variable aleatoria que est
uniformemente distribuida en el intervalo [a, b) si
Integrando (2) obtenemos la funcin
Caractersticas de las variables aleatorias

Una variable aleatoria se caracteriza adems de las funciones de probabilidad,
de densidad y distribucin por una serie de medidas que ayudan a describir la
tendencia, dispersin, asimetra y apuntamiento de sus valores, tales pueden
ser el valor esperado, la desviacin estndar, los cuantiles, coeficientes de
variacin, asimetra y apuntamiento.
Valor Esperado
Se entiende por valor esperado al medio aritmtico probabilstico el cual puede
ser calculado con la siguiente frmula: XE = n XK . PK
PROBABILIDAD
Pgina 14

PROFESIONAL
Donde:
XE = Valor esperado.
XK = Valor del resultado K.
PK = Probabilidad del resultado K.
n = Nmero total de resultados.
Los promedios son parte de nuestro diario vivir. Nosotros escuchamos el
promedio de lluvia en una ciudad en un ao, el promedio de temperatura en
Agosto, el promedio de edad de los trabajadores de una empresa, entre otros.
El objetivo de esta seccin es mostrar algunas caractersticas numricas de
una distribucin poblacional. El ms comn promedio utilizado en estadstica es
la media o valor esperado o esperanza matemtica.
Valor esperado o esperanza matemtica

Sea X una variable aleatoria discreta. Se denomina esperanza matemtica
de X o valor esperado, y se denota bien
o bien
, a la cantidad que se expresa como:
Donde
PROBABILIDAD
Pgina 15

PROFESIONAL

es el conjunto numerable de ndices de los valores que puede tomar la variable
(por ejemplo
para un nmero finito de valores de la variable aleatoria o bien
para una cantidad infinita numerable de los mismos.
Si X es una variable aleatoria continua, se define su esperanza a partir de la
funcin de densidad como sigue:
Observacin:
Recordamos que si
y por tanto tiene sentido calcular su esperanza matemtica:
Por las analogas existente entre la definicin de media aritmtica y esperanza
matemtica, las propiedades de linealidad de la primera se trasladan a la
segunda, como es inmediato comprobar:
Qu es una distribucin de probabilidad, una variable aleatoria y un

valor esperado?
PROBABILIDAD
Pgina 16

PROFESIONAL
Distribucin de Probabilidad
Una distribucin de probabilidad la podemos concebir como una distribucin
terica de frecuencia, es decir, es una distribucin que describe como se
espera que varen los resultados. Dado que esta clase de distribuciones se
ocupan de las expectativas son modelos de gran utilidad para hacer inferencias
y tomar decisiones en condiciones de incertidumbre.
Variable Aleatoria
Es aquella que asume diferentes valores a consecuencia de los resultados de
un experimento aleatorio.
Estas variables pueden ser discretas o continuas. Si se permite que una
variable aleatoria adopte slo un nmero limitado de valores, se le llama
variable aleatoria discreta. Por el contrario, si se le permite asumir cualquier
valor dentro de determinados lmites, recibe el nombre de variable aleatoria
continua.
El Valor Esperado
El valor esperado es un concepto fundamental en el estudio de las
distribuciones de probabilidad. Desde hace muchos aos este concepto ha sido
aplicado ampliamente en el negocio de seguros y en los ltimos veinte aos ha
sido aplicado por otros profesionales que casi siempre toman decisiones en
condiciones de incertidumbre.
Para obtener el valor esperado de una variable aleatoria discreta, multiplicamos
cada valor que sta puede asumir por la probabilidad de ocurrencia de ese
PROBABILIDAD
Pgina 17

PROFESIONAL
valor y luego sumamos los productos. Es un promedio ponderado de los

resultados que se esperan en el futuro.
Tipos de pruebas estadsticas de hiptesis

Uno de los aspectos ms importantes de las estadsticas en la investigacin es
comprender que para poder utilizar una prueba estadstica el experimento tiene
que cumplir con los supuestos que exige la prueba.
Las pruebas de hiptesis pueden ser paramtricas, libres de distribucin y noparamtricas.
a.
Pruebas paramtricas
Requieren
1.
variables medidas en la escala de razn o intervalar
2.
anlisis de un parmetro de la poblacin y otros requisitos que

dependen de la prueba en especfico.
La robustez en las pruebas paramtricas

Una prueba paramtrica es robusta si a pesar de no cumplir cabalmente con
todos los requisitos se puede emplear sin que deforme mucho las
conclusiones. Cuando la prueba no es robusta es necesario utilizar otra prueba
libre de distribucin o no paramtrica.
b.
Pruebas libres de distribucin
1.
La prueba estadstica no depende de la forma de la distribucin de la

poblacin
PROBABILIDAD
Pgina 18

PROFESIONAL
c.
2.
Pruebas no paramtricas
Los datos estn en escala nominal u ordinal
No tienen que ver con los parmetros de la poblacin

Por qu se llaman pruebas paramtricas?
Porque comparan los grupos a travs de una medida de tendencia central
(parmetro): la media aritmtica. Como vemos, este valor adquiere una vital
importancia.
En qu condiciones la media es realmente un valor representativo de una
serie de datos? Como sabemos, existen otras medidas de tendencia central
que, segn la distribucin de los datos, pueden llegar a ser ms
representativas. Cuando los datos siguen una distribucin normal la media
acta como una buena medida resumen. Recordemos algunas de las
caractersticas de esta distribucin:
Viene determinada por dos parmetros, la media () y la desviacin tpica (*).
Es acampanada y simtrica alrededor de la media.
Recordemos que, por ejemplo, si se cumplen los supuestos de normalidad (fig.
1.):
El valor de la 1* incluir aproximadamente el 68,3% central de las
observaciones.
El valor de la 2* incluir aproximadamente el 95,3% central de las
observaciones.
El valor de la 3* incluir prcticamente todas las observaciones, el 99,7%.
Conocidas la y la *, se puede reconstruir la distribucin de las observaciones.
La igualdad de variancias es el otro gran obstculo que deberemos salvar. Dos
distribuciones pueden tener el mismo valor en el parmetro media, mostrando
PROBABILIDAD
Pgina 19

PROFESIONAL
la primera valores cercanos a la media (poca dispersin, variancia pequea) y

la segunda valores alejados de dicho parmetro (ms dispersin, gran
variancia). Como vemos estas dos variables siguen diferentes patrones,
aunque tienen en comn el mismo valor de la media (fig. 2).
Por qu tienen estas asunciones? Las pruebas paramtricas asumen que los
datos de las variables a comparar se distribuyen de igual forma, pero que entre
ellos existe un desplazamiento fijo; es decir, para cada valor de una muestra
hay un valor igual pero incrementado en un valor constante (K), al que
podramos llamar desplazamiento (fig. 3). Si este valor constante se acerca al
valor 0, no habra diferencias entre los grupos, ya que existira un solapamiento
entre
los valores
comparar. Cuanto
ms se
aleje
del
valor 0,
mayores sern las diferencias.

Obsrvese la importancia de asumir que este valor de desplazamiento de una
muestra a la otra es constante. Si estamos comparando dos diferentes
tratamientos, por ejemplo un placebo y un principio activo, en dos muestras que
son homogneas basalmente, este valor K ser el efecto que podremos
imputar al principio activo en cada caso: la diferencia entre medias representa,
no el efecto promedio, sino el efecto del tratamiento en cada caso. Si por el
contrario este efecto no fuera constante, ya no se cumpliran los supuestos de
estas pruebas.
Chi-cuadrado
El llamado Test de Chi-cuadrado Es muy usual la necesidad de hacer una
comparacin global de grupos de frecuencias. Para este problema el mtodo
es diferente, pues el test que se utiliza se denomina Chi-Cuadrado de Pearson,
y con ese test lo que queremos determinar es si la frecuencia observada de un
fenmeno es significativamente igual a la frecuencia terica prevista, o s, por
el contrario, estas dos frecuencias acusan una diferencia significativa para, por
ejemplo, un nivel de significacin del 5%. Las posibles aplicaciones son
PROBABILIDAD
Pgina 20

PROFESIONAL
muchas: eleccin de un cartel turstico publicitario presentado a grupos de

clientes; comparar la rentabilidad de un proyecto hotelero en dos espacios
tursticos; determinar las preferencias o gustos de los turistas por determinados
espacios geogrficos, o por determinados servicios hoteleros, etc. El mtodo
que se sigue es el siguiente: 1) Se designan las frecuencias observadas con
letras minsculas y con letras maysculas las frecuencias esperadas o
tericas. 2) Las frecuencias se presentan en cuadros o tablas con un cierto
nmero de columnas y de filas. Pueden ser tablas de 1 x 2, o de 2 x 2 etc.
Aplicaremos el mtodo con una tabla 1 x 2; y despus con una tabla 2 x 2.
Supongamos que se ha comprobado fallas leves ( atributos) en dos proyectos
tursticos que no han satisfecho plenamente a la clientela. Estas fallas han
ocurrido en los sitios tursticos A y B. O sea, de un total de 102 fallas, 59 han
tenido lugar en el sitio A y 43 fallas en el sitio B. Formulamos la hiptesis nula
que no existe relacin entre el nmero de fallas y el hecho de que hayan
ocurrido en los sitios A y B. Si la hiptesis nula no se rechaza, quiere decir que
cada sitios es independiente del hecho y entonces no existe razn para
suponer que por ejemplo A es menos predispuesto a fallas que B. Si se
rechaza la hiptesis nula, entonces alguno de los dos sitios si est propenso a
mayor nmero de fallas. Para este anlisis se aplica el test Chi-cuadrado de
Pearson. Vamos a observar los datos empricos (59 y 43= 102) y los datos
esperados o sea una reparticin por igual de las fallas entre el proyecto A y el B
(51 y 51 = 102). a = 59 b = 43 A = 51 B = 51 La frmula que permite obtener el
Chi-cuadrado incluye una correccin igual a O,50 por ser muestras pequeas y
su valor estimado con la frmula es 2,206. Al ir a la tabla del encontramos que
para un grado de libertad, el valor del Chi-cuadrado debe ser igual o mayor que
3,841 para un nivel de significacin del 5%. Dado que el valor encontrado en el
anterior clculo es igual a : 2,206, podemos admitir que la hiptesis nula es
correcta, pues no existe razn para suponer que se produzcan ms fallas en el
espacio turstico A que en el espacio B. Si la tabla es de 2 x 2 De nuevo el fin
del test es comparar las frecuencias observadas empricamente de dos
muestras, con las frecuencias esperadas o tericas. Dos procedimientos de
refrigeracin ("x" e "y") se han ensayado en el Dpto. de Alimentos y Bebidas de
PROBABILIDAD
Pgina 21

PROFESIONAL
un Hotel con el fin de aumentar la duracin de las materias primas

perecederas. Los resultados son segn atributos cualitativos los siguientes:
Primero veremos las frecuencias empricas u observadas: Refrigeracin X :
fracasos =77; xitos =63 y el total 140. Y para la Refrigeracin Y: fracasos = 54;
xitos = 66 y el total 120. Los totales de las tres columnas son: 131,129 y 260.
En seguida veremos las frecuencias tericas o esperadas: Refrigeracin X :
fracasos = 70,54; xitos=69,46 y el total 140. Refrigeracin Y : fracasos =60,46;
xitos = 59,54 y el total 120. Todos los totales de las tres columnas son;
131,129 y 260. Las frecuencias tericas fueron estimadas de esta manera:a1 =
131 x 140 / 260 = 70,54; b1 = 129 x 140 / 260 = 69,46; a2 = 131 x 120 / 260 =
60,46; b2 = 129 x 120 / 260 = 59,54. Cuando las muestras son pequeas se
aplica en la frmula una correccin igual a 0,50. Y al aplicar la frmula del Chicuadrado obtenemos el valor de: 2,200. De nuevo se compara el resultado 2,20
con el de la tabla para un grado de libertad y para el nivel de significacin del
5% con un valor de 3,841. La diferencia entre las dos muestras no es
significativa y no se puede llegar a ninguna conclusin razonada sobre los dos
procedimientos de refrigeracin.
Distribucin Chi-cuadrado de Pearson

Tabla de la funcin de distribucin:
P(
n z) = p
z: valor tabulado
p: probabilidad acumulada
n: grados de libertad
Para ver el cuadro seleccione la opcin "Descargar" del men superior
PROBABILIDAD
Pgina 22

PROFESIONAL
Pruebas no paramtricas:
Se denominan pruebas no paramtricas aquellas que no presuponen una
distribucin de probabilidad para los datos, por ello se conocen tambin como
de distribucin libre (distribution free). En la mayor parte de ellas los resultados
estadsticos se derivan nicamente a partir de procedimientos de ordenacin y
recuento, por lo que su base lgica es de fcil comprensin. Cuando
trabajamos con muestras pequeas (n < 10) en las que se desconoce si es
vlido suponer la normalidad de los datos, conviene utilizar pruebas no
paramtricas, al menos para corroborar los resultados obtenidos a partir de la
utilizacin de la teora basada en la normal.
En estos casos se emplea como parmetro de centralizacin la mediana, que
es aquel punto para el que el valor de X est el 50% de las veces por debajo y
el 50% por encima.
Prueba de Wilcoxon de los rangos con signo

Esta prueba nos permite comparar nuestros datos con una mediana terica
(por ejemplo un valor publicado en un artculo).
PROBABILIDAD
Pgina 23

PROFESIONAL
Llamemos M0 a la mediana frente a la que vamos a contrastar nuestros datos,

y sea X1, X2 .. Xn los valores observados. Se calcula las diferencias X1-M0,
X2-M0, ..., Xn-M0. Si la hiptesis nula fuera cierta estas diferencias se
distribuiran de forma simtrica en torno a cero.
Para efectuar esta prueba se calculan las diferencias en valor absoluto |Xi-M0|
y se ordenan de menor a mayor, asignndoles su rango (nmero de orden). Si
hubiera dos o ms diferencias con igual valor (empates), se les asigna el rango
medio (es decir que si tenemos un empate en las posiciones 2 y 3 se les asigna
el valor 2.5 a ambas). Ahora calculamos R+ la suma de todos los rangos de las
diferencias positivas, aquellas en las que Xi es mayor que M0 y R- la suma de
todos los rangos correspondientes a las diferencias negativas. Si la hiptesis
nula es cierta ambos estadsticos debern ser parecidos, mientras que si
nuestros datos tienen a ser ms altos que la mediana M0, se reflejar en un
valor mayor de R+, y al contrario si son ms bajos. Se trata de contrastar si la
menor de las sumas de rangos es excesivamente pequea para ser atribuida al
azar, o, lo que es equivalente, si la mayor de las dos sumas de rangos es
excesivamente grande.
Prueba de Wilcoxon para contrastar datos pareados

El mismo razonamiento lo podemos aplicar cuando tenemos una muestra de
parejas de valores, por ejemplo antes y despus del tratamiento, que podemos
denominar (X1,Y1), (X2,Y2), ... ,(Xn,Yn). De la misma forma, ahora
calcularemos las diferencias X1-Y1, X2-Y2, ... , Xn-Yn y las ordenaremos en
valor absoluto, asignndoles el rango correspondiente. Calculamos R+ la suma
de rangos positivos (cuando Xi es mayor que Yi), y la suma de rangos
negativos R-. Ahora la hiptesis nula es que esas diferencias proceden de una
distribucin simtrica en torno a cero y si fuera cierta los valores de R+ y Rsern parecidos.
Prueba de Mann-Whitney para muestras independientes
PROBABILIDAD
Pgina 24

PROFESIONAL
Si tenemos dos series de valores de una variable continua obtenidas en dos

muestras independientes: X1, X2, ... , Xn, Y1, Y2, ... , Ym, procederemos a
ordenar conjuntamente todos los valores en sentido creciente, asignndoles su
rango, corrigiendo con el rango medio los empates. Calculamos luego la suma
de rangos para las observaciones de la primera muestra Sx, y la suma de
rangos de la segunda muestra Sy. Si los valores de la poblacin de la que se
extrajo la muestra aleatoria de X se localizan por debajo de los valores de Y,
entonces la muestra de X tendr probablemente rangos ms bajos, lo que se
reflejar en un valor menor de Sx del tericamente probable. Si la menor de las
sumas de rangos es excesivamente baja, muy improbable en el caso de que
fuera cierta la hiptesis nula, sta ser rechazada.
Existen ms pruebas no paramtricas de entre las cuales tenemos:
Prueba de Kruskal-Wallis para comparar K muestras
Prueba de Friedman para comparar K muestras pareadas (bloques)
Coeficiente de correlacin de Spearman para rangos
Prueba de rachas de Wald-Wolfowitz

Distribuciones de Probabilidad
Toda distribucin de probabilidad es generada por una variable aleatoria x, la
que puede ser de dos tipos:
1.
Variable aleatoria discreta (x). Se le denomina variable porque puede

tomar diferentes valores, aleatoria, porque el valor tomado es totalmente al
azar y discreta porque solo puede tomar valores enteros y un nmero finito
de ellos.
Ejemplos:
x Variable que nos define el nmero de burbujas por envase de vidrio

que son generadas en un proceso dado.
x 0, 1, 2, 3, 4, 5, etc, etc. burbujas por envase

PROBABILIDAD
Pgina 25

PROFESIONAL
x Variable que nos define el nmero de productos defectuosos en un

lote de 25 productos.
x 0, 1, 2, 3,....,25 productos defectuosos en el lote
x Variable que nos define el nmero de alumnos aprobados en la

materia de probabilidad en un grupo de 40 alumnos.
x 0, 1, 2, 3, 4, 5,....,40 alumnos aprobados en probabilidad

Con los ejemplos anteriores nos damos cuenta claramente que los valores de
la variable x siempre sern enteros, nunca fraccionarios.
1.
Variable aleatoria continua (x). Se le denomina variable porque puede

tomar diferentes valores, aleatoria, porque los valores que toma son
totalmente al azar y continua porque puede tomar tanto valores enteros
como fraccionarios y un nmero infinito de ellos.
Ejemplos:
x Variable que nos define el dimetro de un engrane en pulgadas
x 5.0", 4.99, 4.98, 5.0, 5.01, 5.0, 4.96
x Variable que nos define la longitud de un cable o circuito utilizado en

un arns de auto
x 20.5 cm, 20.1, 20.0, 19.8, 20,6, 20.0, 20.0
x Variable que nos define la concentracin en gramos de plata de

algunas muestras de mineral
x 14.8gramos, 12.0, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8

Como se observa en los ejemplos anteriores, una variable continua puede
tomar cualquier valor, entero o fraccionario, una forma de distinguir cuando se
trata de una variable continua es que esta variable nos permite medirla o
evaluarla, mientras que una variable discreta no es medible, es una variable de
tipo atributo, cuando se inspecciona un producto este puede ser defectuoso o
no, blanco o negro, cumple con las especificaciones o no cumple, etc, etc.
PROBABILIDAD
Pgina 26

PROFESIONAL
Las variables descritas anteriormente nos generan una distribucin de

probabilidad, las que pueden ser.
1.
Distribucin de probabilidad discreta.
2.
Distribucin de probabilidad continua.
Las caractersticas de cada una de las distribuciones anteriores se

mencionarn a continuacin:
Distribucin de probabilidad discreta
Caractersticas:
1.
Es generada por una variable discreta (x).
x Variable que solo toma valores enteros

x 0, 1, 2, 3, 4, 5, 6, 7, 8, ... etc,etc.
2.
p(xi) 0 Las probabilidades asociadas a cada uno de los valores que

toma x deben ser mayores o iguales a cero.
3.
S p(xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de

los valores que toma x debe ser igual a 1.
Clculo de media y desviacin estandar para una distribucin discreta
1.
Donde:
m = media de la distribucin
E(x) = valor esperado de x
xi = valores que toma la variable
PROBABILIDAD
Pgina 27

PROFESIONAL
p(xi) = probabilidad asociada a cada uno de los valores de la variable x

2.
Media o valor esperado de x.- Para determinar la media de la

distribucin discreta se utiliza la siguiente frmula:
1 Desviacin estndar. Para determinar la desviacin estndar de la

distribucin discreta se utiliza la siguiente frmula:
Donde:
s = desviacin estndar
m = media o valor esperado de x
xi = valores que toma la variable x
p(xi) = probabilidad asociada a cada uno de los valores que toma x
Ejemplos:
1.
1.
Solucin:
Haciendo uso de un diagrama de rbol, usando las literales siguientes,
se obtiene el espacio muestral d como se muestra a continuacin;
N = no sufre de algn desperfecto en el motor los primeros 12 meses de
uso
S = sufre de algn desperfecto en el motor los primeros 12 meses de uso
d = { NNN, NNS, NSN, NSS, SNN, SNS, SSN, SSS}
PROBABILIDAD
Pgina 28

PROFESIONAL
x = variable que nos define el nmero de autos que no sufre de algn

desperfecto en el motor durante los primeros 12 meses de uso
x = 0, 1, 2 o 3 autos que no sufren algn desperfecto en el motor en los
primeros 12 meses de uso
p(x=0)=p(SSS)=(0.02)(0.02)(0.02)=0.000008
p(x=1)=p(NSS,SNS,
SSN)=(0.98)(0.02)(0.02)+(0.02)(0.98)(0.02)+(0.02)
(0.02) (0.98)=
=0.001176
p(x=2)=p(NNS,NSN,SNN)=(0.98)(0.98)(0.02)+(0.98)(0.02)(0.98)+ (0.02)
(0.98)(0.98)==0.057624
p(NNN) = (0.98)(0.98)(0.98) =0.941192
Por tanto la media o valor esperado se determina de la siguiente
manera:
m =E(x) =
(0)(0.000008)+(1)(0.001176)+(2)(0.057624)+(3)
(0.94119)=
=0.0+0.001176+0.115248+2.823576=2.94@ 3 autos que no sufren algn
desperfecto en el motor en los primeros 12 meses de uso
La interpretacin de la media o valor esperado es; se espera que los 3
autos probados no sufran de algn desperfecto en el motor en los
primeros 12 meses de uso.
=
PROBABILIDAD
Pgina 29

PROFESIONAL
0.2497@ 0.0
autos que no sufren algn desperfecto en su motor en los primeros 12

meses de uso.
Interpretacin:
En este experimento se espera que los 3 autos probados no sufran de
algn desperfecto en su motor en los primeros 12 meses de uso y la
variabilidad de este experimento es de cero.
Nota:
La media y la desviacin estndar se redondean a un valor entero ya
que son la media y desviacin de una distribucin de probabilidad
discreta.
2.
Segn estadsticas la probabilidad de que el motor de un auto

nuevo, de cierto modelo, y marca sufra de algn desperfecto en los
primeros 12 meses de uso es de 0.02, si se prueban tres automviles de
esta marca y modelo, encuentre el nmero esperado de autos que no
sufren de algn desperfecto en los primeros doce meses de uso y su
desviacin estndar.
Solucin:
Tambin haciendo uso de in diagrama de rbol, se obtiene el espacio
muestral d
a)
D = objeto defectuoso
N = objeto no defectuoso
d ={ DDD, DDN, DND, DNN, NDD, NDN, NND, NNN}
PROBABILIDAD
Pgina 30

PROFESIONAL
Este espacio muestral ha sido obtenido haciendo uso de un diagrama de

rbol,
x = Variable que nos define el nmero de objetos defectuosos
encontrados
x = 0, 1, 2 o 3 objetos defectuosos
p(x=0)=p(NNN)=(0.9)(0.9(0.9)=0.729
p(x=1)=p(DNN,
NDN,
NND)=(0.1)(0.9)(0.9)+(0.9)(0.1)(0.9)+(0.9)(0.9)
DND,
NDD)=(0.1)(0.1)(0.9)+(0.1)(0.9)(0.1)+(0.9)(0.1)
(0.1)=0.243
p(x=2)=p(DDN,
(0.1)=0.027
p(x=3)=p(DDD)=(0.1)(0.1)(0.1)=0.001
Distribucin de probabilidad
3.
Se ha detectado en una lnea de produccin que 1 de cada 10

artculos fabricados es defectuoso; se toman de esa lnea tres artculos
uno tras otro, a) obtenga la distribucin de probabilidad del experimento,
b) encuentre el nmero esperado de artculos defectuosos en esa
muestra y su desviacin estndar.
P(x)
2.
b)
(0)(0.729)+(1)(0.243)+(2)(0.027)+(3)(0.001)=
3.
= 0.0 + 0.243 + 0.054 + 0.003 = 0.3 @ 0 productos defectuosos
4.
Interpretacin:
PROBABILIDAD
Pgina 31

PROFESIONAL
5.
Se espera que ninguno de los productos inspeccionados sea

defectuoso.
6.
7.
= 0.6 = 1 producto defectuoso
8.
Interpretacin:
9.
En este experimento se espera que ninguno de los productos

inspeccionados sea defectuoso, pero los resultados de este experimento
pueden variar en 1 producto defectuoso, por lo que al inspeccionar los 3
productos el numero de productos defectuosos puede variar desde 1
producto defectuoso, hasta 1 producto defectuoso, pero, es posible
obtener 1 producto defectuoso?, claro que esto no puede ocurrir, luego el
nmero de productos defectuosos en el experimento variar de 0 a 1
producto defectuoso solamente.
10.
Solucin:
11.
Se obtiene el espacio muestral d , de la misma forma que se ha hecho

en los ejemplos anteriores;
12.
B = se puede el pozo que se perfora
13.
N = no se puede beneficiar el pozo que se perfora
14.
d = { BBB, BBN, BNB, BNN, NBB, NBN, NNB, NNN}
15.
x = variable que nos define el nmero de pozos que se pueden

beneficiar
16.
x = 0, 1, 2 o 3 pozos que se pueden beneficiar

PROBABILIDAD
Pgina 32

PROFESIONAL
17.
p(x = 0) = p(NNN) = (0.7)(0.7)(0.7)= 0.343
18.
p(x = 1) = p(BNN, NBN, NNB) = (0.3)(0.7)(0.7)(3)=0.441
19.
p(x = 2) = p(BBN, BNB, NBB) = (0.3)(0.3)(0.7)(3)=0.189
20.
p(x = 3) = p(BBB) =(0.3)(0.3)(0.3)= 0.027
21.
22.
@ 1 pozo beneficiado
23.
Interpretacin:
24.
Se espera que solo 1 de los tres pozos perforados sea el que pueda ser
beneficiado.
25.
26.
Interpretacin:
27.
La cantidad esperada de pozos que se pueden beneficiar puede variar

en 1 1 pozo, esto es la cantidad de pozos que se pueden beneficiar puede
variar de 0 a 2 pozos.
28.
Segn estadsticas, la probabilidad de que un pozo petrolero que se

perfore en cierta regin pueda ser beneficiado es de 0.30. Se perforan tres
pozos en esa regin, encuentre el nmero esperado de pozos que pueden
ser beneficiados y su desviacin estndar.
PROBABILIDAD
Pgina 33

PROFESIONAL
1 La distribucin de probabilidad de x , el nmero de defectos por cada 10

metros de una tela sinttica en rollos continuos de ancho uniforme , es
x
p(x)
0.
a.
Determine la distribucin de probabilidad acumulada de x; P(x).
b.
Determine el nmero esperado de defectos por cada 10 metros de tela

sinttica en rollos continuos de ancho uniforme y la desviacin estndar del
nmero de defectos por cada 10 metros de tela .....
c.
Determine la probabilidad de que en 10 metros de tela sinttica se

encuentren como mximo 2 defectos.
d.
Determine la probabilidad de que en 10 metros de tela sinttica se

encuentren por lo menos 2 defectos.
Solucin:
a)
p(x)
P(x)
b)
@ 1 defecto
Interpretacin:0.16, 0.05 ,0.01
PROBABILIDAD
Pgina 34

PROFESIONAL
Se espera que por cada 10 metros de tela se encuentre un defecto.
Interpretacin:
El nmero de defectos esperado puede variar en 1 defecto, es decir que el
nmero de defectos esperado por cada 10 metros de tela puede variar de 0 a
2.
c) p(x 2)= p(x=0) + p(x=1) + p(x=2) = 0.41+0.37+0.16 = 0.94
d) p(x 2) = p(x=2) + p(x=3) + p(x=4) = 0.16 + 0.05 + 0.01= 0.22
Ejemplo: Consideremos a la variable aleatoria X como la cantidad de guilas
observadas cuando se lanzan dos volados. El espacio muestral es el conjunto
{AA, AS, SA, SS} y se puede ver que la variable X puede tomar como valores
0, 1 y 2.
Calculando las probabilidades tenemos:
P(de no observar guilas)
P(de observar una guila)
P(de observar dos guilas)
Si ahora se organizan estos resultados con el siguiente formato
X
PROBABILIDAD
Pgina 35

PROFESIONAL
se podr explicar por qu se usa el nombre "distribucin de probabilidad". E,

incluso, con esta informacin se puede construir una grfica de barras o un
histograma como el que sigue:
Las propiedades de las distribuciones de variables discretas son dos, y que
posteriormente, al hablar de las distribuciones de variables continuas, se
repetirn de manera muy similar:
1.
2.
0 P(X=x) 1.
3.
P(X=x) = 1, o que es lo mismo: la suma de todas las probabilidades de

los eventos posibles de una variable aleatoria es igual a la unidad.
Hay que hacer notar que estas propiedades se enuncian suponiendo

que conocemos el valor de la probabilidad, pero en la realidad sto no ocurre,
es decir que no sabemos la probabilidad y lo que se hace es trabajar con
estimaciones. Precisamente esto nos lleva a modelos tericos que estiman los
resultados, los principales son los que a continuacin se presentan.
Modelos de distribuciones de probabilidad de variables discretas
Uniforme. Es la distribucin donde todos los eventos elementales tienen

la misma probabilidad. Por ejemplo: tirar un dado, donde la funcin P(X=x)=1/6
para valores de x=1,2,3,4,5,6.
PROBABILIDAD
Pgina 36

PROFESIONAL
Binomial. Es la que maneja la distribucin de la probabilidad de obtener

cierta cantidad de xitos al realizar una cantidad de experimentos con
probabilidad de xito constante y con ensayos independientes.
Geomtrica. Es la distribucin de la probabilidad de realizar cierto

nmero de experimentos antes de obtener un xito.
Hipergeomtrica. Es similar a la binomial, pero con un tamao de

muestra grande en relacin al tamao de la poblacin. La funcin de Excel que
proporciona sus valores es DISTR.HIPERGEOM
De Poisson. Es la distribucin de la probabilidad de que ocurra un evento raro
en un periodo de tiempo, un espacio o un lugar. La funcin de Excel que da los
valores de la distribucin es POISSON
Distribucin de probabilidad continua
Caractersticas:
1.
x Es una variable que puede tomar tanto valores enteros como

fraccionarios.
x 1.0, 3.7, 4.0, 4.6, 7.9, 8.0, 8.3, 11.5, .....,
2.
Es generada por una variable continua (x).
3.
f(x) 0 Las probabilidades asociadas a cada uno de los valores que toma
x deben ser mayores o iguales a cero. Dicho de otra forma, la funcin de
densidad de probabilidad deber tomar solo valores mayores o iguales a
cero. La funcin de densidad de probabilidad slo puede estar definida en
los cuadrantes I y II.
4.
La sumatoria de las probabilidades asociadas a cada uno

de los valores que toma x debe ser igual a 1. El rea definida bajo la funcin
de densidad de probabilidad deber ser de 1.
PROBABILIDAD
Pgina 37

PROFESIONAL
Hasta el momento se han considerado las distribuciones de probabilidad para

variables discretas, donde se poda asignar el valor que toma la funcin de
probabilidad cuando la variable aleatoria tomaba un valor en concreto. Sin
embargo, al considerar las variables continuas se encuentra uno el problema
de que, lo ms probable, los datos que se puedan recabar no sean
completamente exactos, o dos o ms de ellos no coincidan, por lo que se
tienen que trabajar en intervalos y, en ese momento, modelar una funcin se
convierte en un problema serio.
Sin embargo, se pueden realizar aproximaciones y describir la probabilidad a
travs de modelos tericos de probabilidad cuya grfica es una lnea continua,
a diferencia de las variables discretas que le corresponde un histograma.
Para clarificar cmo se realiza esta aproximacin al modelo terico
consideremos el siguiente caso:
Se han registrado los tiempos que le tom a una empresa de mensajera
entregar 190 paquetes con destinatarios diferentes dentro de una misma
ciudad. Los datos se han agrupado en una distribucin de frecuencias
considerando intervalos de cinco das como sigue:
Supongamos que un posible cliente, conociendo esta informacin, quisiera
saber qu probabilidad tiene de que su paquete sea entregado en dos das. El
problema es que al manejar intervalos de cinco das estamos suponiendo que
dentro de cada intervalo los datos se distribuyen uniformemente, cosa que no
es real.
Podramos aumentar la muestra y seguir recogiendo informacin para hacer
una distribucin de frecuencias similar a la anterior, pero se tendra el mismo
problema: dentro de cada intervalo se est presuponiendo que los datos se
distribuyen uniformemente.
PROBABILIDAD
Pgina 38

PROFESIONAL
Otra posible solucin es reducir la amplitud de los intervalos, de tal suerte que
podramos tomar una amplitud de tres das por intervalo y hacer la siguiente
distribucin de frecuencias:
Al seguir reduciendo la amplitud a dos das se obtiene la distribucin:
Y al reducirla a intervalos de un da se tiene la distribucin:
Ahora, veamos. Lo que le interesa al futuro cliente es la probabilidad de que se
haga una entrega en un cierto tiempo, por lo que habra que considerar las
frecuencias relativas y, como antes, reducir la amplitud de los intervalos. Con
esto se obtendran las siguientes distribuciones de frecuencias:
Para ver los cuadros seleccione la opcin "Descargar" del men superior
Intervalos de dos das
Intervalos de un da
Y podramos graficar tal informacin en histogramas para poder ver cmo se
aproximan, si es que ocurre, los valores a una curva continua:
donde las barras rosas (y la lnea roja) corresponden a los intervalos de cinco
das; las barras y lnea azules, a los intervalos de tres das; las barras y lnea
amarillas, a los intervalos de dos das; y las barras y lneas verdes, a los
intervalos de un da.
Se han incluido de una vez las lneas que unen los puntos medios de las barras
del histograma porque se puede ver que las barras de las frecuencias relativas
PROBABILIDAD
Pgina 39

PROFESIONAL
se "achaparran" y las lneas graficadas estn tan separadas del lado izquierdo
(en este caso) que no se puede hablar de una aproximacin continua a una
sla lnea.
Una posible solucin es utilizando la densidad del intervalo, que se va a
definir como el cociente de la frecuencia relativa entre la amplitud del intervalo:

(De hecho, existe la funcin de densidad de una distribucin de probabilidad,
de donde se deriva esta definicin de densidad del intervalo.)
De esta manera, a las distribuciones de frecuencias anteriores se les puede
aadir la columna correspondiente a la densidad:
Intervalos de cinco das
Intervalos de tres das
Intervalos de dos das
Intervalos de un da
Para ver los cuadros seleccione la opcin "Descargar" del men superior
y realizar los histogramas correspondientes, que quedan como sigue:
donde las barras rosas, y la lnea roja, corresponden a los intervalos de cinco
das; las barras y lnea verdes, a los intervalos de tres das; las barra y lnea
amarillas, a los intervalos de dos das; y las barras y lnea azules, a los
intervalos de un da.
PROBABILIDAD
Pgina 40

PROFESIONAL
Igual que en el caso anterior, se han graficado simultneamente las barras y las
lneas que unen los puntos medios de stas para observar que con la densidad
s se aproximan los histogramas a una lnea continua (que la mejor
aproximacin presentada es la lnea azul) cuando los intervalos se reducen
continuamente.
El resultado es una lnea continua que es la grfica de una cierta funcin

denominada funcin de densidad de la distribucin probabilstica.
Ahora, considerando la manera en que se defini la densidad de un
intervalo como:
y recordando que la frecuencia relativa es la probabilidad de un evento (en el

ejemplo de la mensajera sera la probabilidad de entregar un paquete dentro
de un intervalo dado de tiempo):
Entonces, despejando en el primer cociente la frecuencia relativa e igualando

con esta segunda expresin obtenemos que
probabilidad del evento = (densidad del intervalo) (amplitud del intervalo)
Es decir, que la probabilidad de que ocurra un evento corresponde al rea de
las barras del histograma hecho tomando en cuenta la densidad de los
intervalos; y que cuando tales intervalos tienen una amplitud que tiende a cero,
y la grfica se convierte en la curva continua de la funcin de densidad,
PROBABILIDAD
Pgina 41

PROFESIONAL
entonces la probabillidad de que un evento ocurra en un intervalo (a,b) es el

rea bajo la curva de la funcin en ese intervalo:
y, por tanto, el clculo de tal probabilidad se realiza utilizando clculo integral:
donde f(x) es la funcin de densidad de la distribucin probabilstica

correspondiente.
Hay que estar conscientes de que en el caso de las variables continuas slo se
puede calcular la probabilidad de que un evento caiga dentro de un intervalo,
debido a que la exactitud de los instrumentos de medicin siempre es relativa y
muy lejana a la "exactitud" de los clculos matemticos.
Por esto, la probabilidad de que la variable aleatoria tome un valor exacto es
nula:
Esto se puede explicar de la siguiente manera: si, como ya dijimos, la

probabilidad (frecuencia relativa) es igual a la densidad del intervalo por la
amplitud del intervalo, entonces no importa qu tan grande sea la densidad de
tal intervalo porque, como ya tambin se dijo, por ser variable continua la
amplitud del intervalo tiende a cero y, por tanto, la probabilidad es igual a cero.
Modelos de distribucin de probabilidad de variables continuas
PROBABILIDAD
Pgina 42

PROFESIONAL
Al igual que en el caso de las distribuciones de probabilidad de variables

discreta, en el caso de las distribuciones de probabilidad de variables continuas
se tienen varios modelos tericos que en seguida presentamos.
A la derecha de cada modelo aparece la funcin de densidad correspondiente a
cada modelo.
Uniforme. Es la distribucin en donde todos los eventos tienen la misma

probabilidad.
Exponencial. Se utiliza para estudiar el tiempo entre dos sucesos. La

funcin de Excel que le corresponde es DISTR.EXP.
Beta. Sirve para el estudio de variaciones, a travs de varias muestras,

de
un
porcentaje
que
funcin DISTR.BETA del Excel sirve
representa
para
algn
obtener
sus
fenmeno.
valores;
La
y
la
funcin DISTR.BETA.INV proporciona los valores inversos de la funcin, es

decir, se utiliza como parmetro la imagen de la funcin y regresa la variabla
independiente.
Gamma. Se utiliza para estudiar variables cuya distribucin puede ser

asimtrica. La funcin de Excel que le corresponde es DISTR.GAMMA; y la
funcin DISTR.GAMMA.INV es la inversa de la anterior.
PROBABILIDAD
Pgina 43

PROFESIONAL
ji cuadrada (c). Es una distribucin asociada a la prueba c, y se usa

para
comparar
los
valores
observados
con
los
esperados.
La
funcin DISTR.CHI de Excel sirve para este

Normal. Es la distribucin ms utilizada porque la mayora de las

variables utilizadas en fenmenos sociales se distribuyen aproximadamente
siguiendo este modelo. Es la que tocaremos a continuacin y se le llama
comnmente distribucin normal.
Calculo de media y desviacin estndar para una distribucin continua
1.

Donde:
m = E(x) = media o valor esperado de la distribucin
x = variable aleatoria continua
f(x) = funcin de densidad de la distribucin de probabilidad
2.
Media o valor esperado de x.- Para calcular la media de una distribucin

de probabilidad continua se utiliza la siguiente frmula:
3.
Desviacin estndar.- La frmula para determinar la desviacin estndar

de una distribucin continua es;

luego:
Ejemplo:
PROBABILIDAD
Pgina 44

PROFESIONAL
1.
cuando 0 x 3, f(x) = 0 para cualquier otro valor

a.
Diga si esta funcin nos define una distribucin de probabilidad.
b.
Si la funcin define una distribucin de probabilidad, entonces,

determine su media y desviacin estndar.
c.
2.
Determine la probabilidad de que 1 x < 2.

Para la siguiente funcin,
Solucin:
a.
1.
1.
x s es una variable continua porque puede tomar

cualquier valor entre 0 y 3
2.
f(x) 0, lo que se comprueba si damos diferentes valores a

x para ver que valores toma f(x), dndonos cuenta de que
efectivamente f(x) solo toma valores mayores o iguales a cero.
0.5
1.0
1.4
2.1
2.7
PROBABILIDAD
Pgina 45

PROFESIONAL
3.0
2.
Para comprobar que la sumatoria de las probabilidades que toma

cada valor de x es de 1, se integra la funcin de 0 a 3 como se muestra a
continuacin:

A= rea bajo la funcin
Con las operaciones anteriores comprobamos que la funcin
s nos
define una distribucin de probabilidad continua.

b.
Para verificar que la funcin nos define una distribucin de probabilidad,

es necesario que cumpla con las caractersticas que se haban mencionado.
c.
Clculo de media y desviacin estndar.

Las barras nos indican la evaluacin de la integral entre 0 y 3.
c) Para ver la frmula seleccione la opcin "Descargar" del men superior
La barra nos indica la evaluacin de la integral de 1 a 2.
Con las operaciones anteriores nos damos cuenta que para evaluar
probabilidades para variables de tipo continuo, es necesario evaluar la funcin
de densidad de probabilidad en el rango de valores que se desea; que vendra
siendo el rea que se encuentra entre f(x) y el eje de las x y entre el rango de
valores definidos por la variable x.
PROBABILIDAD
Pgina 46

PROFESIONAL
1.
, para -1< x < 2 y f(x)= 0 en cualquier otro caso

a.
Verifique la tercera condicin de la definicin de una distribucin

de probabilidad continua.
b.
Determine la media o valor esperado de la distribucin de

probabilidad.
c.
2.
Encuentre la probabilidad de que 0< x 1.

Suponga que el error en la temperatura de reaccin, en oC, para un
experimento controlado de laboratorio es una variable aleatoria continua x,

que tiene la funcin de densidad de probabilidad:
Solucin:
a.
Como la tercera condicin es que la sumatoria de las probabilidades

asociadas a cada uno de los valores que toma x debe de ser 1, esto se
comprueba de la siguiente manera:

Distribuciones simtricas y distribuciones sesgadas
Se dice que la distribucin es simtrica si se puede dividir en dos mitades que
parecen ser la imagen una de la otra. En estos casos las frecuencias en los
extremos de la distribucin son idnticas. La grfica puede tener diferentes
formas. Una de estas formas es la de campana.
Otra forma es la rectangular
PROBABILIDAD
Pgina 47

PROFESIONAL
Si la distribucin tiene algunos valores extremos muy bajos, entonces en la

grfica se nota una cola larga y fina hacia la izquierda de la distribucin y se
dice que la distribucin est sesgada negativamente o que tiene un sesgo a la
izquierda.
Si la distribucin tiene algunos valores extremos altos, entonces en la grfica
se nota una cola larga y fina hacia la derecha de la distribucin y se dice que la
distribucin est sesgada positivamente o que tiene un sesgo a la derecha.
La relacin entre la grfica de la distribucin y las medidas de tendencia
central y dispersin
A.
En distribuciones unimodales cuando la media, la moda y la mediana

coinciden la distribucin es simtrica.
Ejemplo
La media, mediana y moda coinciden en la distribucin
B.
Distribuciones unimodales cuando la media, la moda y la mediana

coinciden
C.
Distribuciones unimodales cuando la media, la moda y la mediana no

coinciden
En distribuciones unimodales cuando la media, la moda y la mediana no

coinciden la distribucin es sesgada.
Si la media es mayor que la mediana (la media a la derecha de la mediana)
entonces la distribucin est sesgada a la derecha (positivamente)
PROBABILIDAD
Pgina 48

PROFESIONAL
Ejemplo
Si la media es menor que la mediana (la media a la izquierda de la mediana)
entonces la distribucin est sesgada a la izquierda (negativamente)
Ejemplo
Nota
En estos casos la media siempre est ms cerca del sesgo que la mediana.
Relacin entre las grficas de dos distribuciones con medidas de
tendencia central y dispersin iguales o diferentes
A.
Si dos distribuciones tienen la misma desviacin estndar, pero medias

diferentes; entonces van a tener la misma forma. La diferencia consiste en
que se encuentran desplazadas a lo largo del eje de x.
B.
Dos distribuciones con desviacin estndar igual, pero medias diferentes
C.
Dos distribuciones con medias iguales pero desviacin estndar

diferentes
Si dos distribuciones tienen la misma media, pero sus desviaciones estndar

son diferentes; entonces se diferencian en que la que tiene la desviacin
estndar ms pequea tiene los valores ms concentrados alrededor de la
media y por lo tanto es ms "alta".
Ejercicio
PROBABILIDAD
Pgina 49

PROFESIONAL
La relacin entre la grfica de la distribucin y la grfica de caja y bigote.

A.
B.
Si ambas partes de la caja son iguales (la mediana en el medio de la

caja) y los dos bigotes tambin son iguales, aunque algo ms largos que las
partes de la caja entonces la distribucin tiene tipo de campana (bell shaped
distribution)
D.
Si los bigotes y las partes de la caja son todos del mismo largo,
entonces la distribucin es rectangular o uniforme. Tiene la misma
frecuencia en cada uno de sus valores.
E.
Si los bigotes son cortos y la caja muy larga la distribucin tiene

forma de U, con mucha concentracin de valores en los extremos.
C.
Si los bigotes son diferentes y la mediana no se encuentra en el medio

de caja entonces la distribucin est sesgada. Negativamente, si el bigote y
la parte de la caja largos se encuentran a la izquierda. Positivamente, si el
bigote y la parte de la caja largos se encuentran a la derecha.

Conclusiones
Una distribucin de frecuencia es una tabla de resumen en la que los datos se
disponen en agrupamientos o categoras convenientemente establecidas de
clases ordenadas numricamente.
En esta forma las caractersticas ms importantes de los datos se aproximan
muy fcilmente, compensando as el hecho de que cuando los datos se
agrupan de ese modo, la informacin inicial referente a las observaciones
individuales de que antes se dispona se pierde a travs del proceso de
agrupamiento o condensacin.
PROBABILIDAD
Pgina 50

PROFESIONAL
La principal ventaja de usar una de estas tablas de resumen es que las

principales caractersticas de los datos se hacen evidentes inmediatamente
para
el
lector.
La principal desventaja de tal tabla de resumen es que no podemos saber

como se distribuyen los valores individuales dentro de un intervalo de clase
particular sin tener acceso a los datos originales. El punto medio de la clase,
sin embargo, es el valor usado para representar todos los datos resumidos en
un intervalo particular.
El punto medio de una clase (o marca de clase) es el punto a la mitad de los
lmites de cada clase y es representativo de los datos de esa clase.
La probabilidad es la posibilidad u oportunidad de que suceda un evento
particular. La probabilidad involucrada es una porcin o fraccin cuyo valor
vara entre cero y uno exclusivamente. Observamos un evento que no tiene
posibilidad de ocurrir (es decir, el evento nulo), tiene una probabilidad de cero,
mientras que un evento que seguramente ocurrir (es decir, el evento cierto),
tiene una probabilidad de uno.
La regla mas evidente para las probabilidades es que deben variar en valor de
0 a 1. Un evento imposible tiene una probabilidad cero de ocurrir, y un evento
cierto tiene una probabilidad uno de ocurrir. La probabilidad simple se refiere a
la probabilidad de ocurrencia de un evento simple.
Una distribucin de probabilidad para una variable aleatoria discreta es un
listado mutuamente excluyente de todos los resultadosposibles para esa
variable aleatoria, tal que una probabilidad particular de ocurrencia est
asociada con cada resultado.
Esperanza Matemtica
La media de una distribucin de probabilidad es el valor esperado de su
variable
aleatoria.
El valor esperado de una variable aleatoria discreta puede considerarse como

PROBABILIDAD
Pgina 51

PROFESIONAL
su promedio pesadoo sobre todos los resultados posibles, siendo los pesos la
probabilidad asociada con cada uno de los resultados.
Todos los procedimientos paramtricos tienen tres caractersticas distintivas:
Los procedimientos de prueba paramtricos pueden definirse como aquellos
1)que requieren que el nivel de medicin obtenido con los datos recolectados
est en forma de una escala de intervalo o de una escala de cociente;
2)implican la prueba de hiptesis de valores de parmetros especificados 3) y
por ltimo requieren un conjunto limitante de suposiciones.
Procedimientos
sin
distribucin
no
paramtricos
Los procedimientos de prueba sin distribucin pueden definirse ampliamente

como 1) aquellos cuya estadstica de prueba no depende de la forma de la
distribucin de la poblacin subyacente de la cual se tom la muestra de datos
o como 2) aquellos para los cuales los datos no tienen fuerza suficiente para
garantizar operaciones aritmticas significativas.
Una distribucin chi-cuadrado es una distribucin sesgada cuya forma depende
exclusivamente del nmero de grados de libertad. Conforma este aumenta, la
distribucin se vuelve ms simtrica.
Experimento aleatorio
PROBABILIDAD
Pgina 52

PROFESIONAL
Es aquel que bajo el mismo conjunto aparente de condiciones iniciales,

puede presentar resultados diferentes, es decir, no se puede predecir o
reproducir el resultado exacto de cada experiencia particular.
Se conoce el procedimiento que se va a seguir y los posibles resultados
pero no se puede predecir con certeza cul de estos resultados ser el final
antes de realizar el experimento.
Un experimento se denomina aleatorio si verifica las siguientes condiciones:
Si los resultados se pueden contar se le llama experimento aleatorio

numerable; y si no se pueden contar, se le llama experimento aleatorio no
numerable.
Si es posible conocer previamente todos los posibles resultados (el espacio

muestral, constituido por diferentes sucesos) o por lo menos nombrar al
ltimo resultado se le llama experimento aleatorio finito; y si no se puede
nombrar al ltimo resultado, se le llama experimento aleatorio infinito.
Es imposible predecir el resultado exacto del mismo antes de realizarlo.
A cada realizacin de un experimento se le llama experiencia o prueba
Tipos de experimento aleatorio

o Determinista: un experimento que siempre que se repita con las mismas
condiciones inciales se obtiene igual resultado.
o Aleatorio: cuando al repetirse con las mismas condiciones inciales, no se
puede predecir el resultado. (Ejemplo: lanzar un dado extraer una carta).
Los fenmenos o experimentos aleatorios. Son los que pueden dar lugar a
varios resultados, sin que pueda ser previsible enunciar con certeza cul de
estos va a ser observado en la realizacin del experimento a pesar de haberlo
realizado en similares condiciones.
A la coleccin de resultados que se obtiene en los experimentos aleatorios
se le llama espacio muestral.
PROBABILIDAD
Pgina 53

PROFESIONAL
Experimento Determinstico
Los experimentos determinsticos son aquellos en los que podemos
predecir el resultado antes de que se realicen.
Ejemplo: Si dejamos caer una piedra desde una ventana sabemos sin lugar a
dudas que la piedra bajar. Si la arrojamos hacia arriba sanemos que subir
durante un determinado intervalo de tiempo pero despus bajar.
Teorema de Bayes
El teorema de Bayes, enunciado por Thomas Bayes, en la teora de la
probabilidad, es el resultado que da la distribucin de probabilidad condicional
de un evento aleatorio A dado B en trminos de la distribucin de probabilidad
condicional del evento B dado A y la distribucin de probabilidad marginal de
slo A.
Teorema
Sea {A1,A3,...,Ai,...,An} un conjunto de sucesos mutuamente excluyentes
y exhaustivos, y tales que la probabilidad de cada uno de ellos es distinta de
cero. Sea B un suceso cualquiera del que se conocen las probabilidades
condicionales P (B | A). Entonces, la probabilidad P (A | B) viene dada por la
expresin:
Donde:
P (Ai) son las probabilidades a priori.
P (B | A) es la probabilidad de B en la hiptesis A.
P (A | B) son las probabilidades A posteriori.

Esto se cumple
Adems, unido a la definicin de Probabilidad condicionada, obtenemos la
Frmula de Bayes, tambin conocida como la Regla de Bayes:
PROBABILIDAD
Pgina 54

PROFESIONAL
Distribucin de Poisson
Se llama as en honor a Simen Dennis Poisson (1781 - 1840), francs que
desarrollo esta distribucin la cual describe la cantidad de veces que ocurre un
evento en un intervalo determinado.
Caractersticas:
En este tipo de experimento los xitos buscados son expresados por
unidad de rea, tiempo, pieza, etc.:
de defectos de una tela por m2
de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc.
de bacterias por cm2 de cultivo
de llamadas telefnicas a un conmutador por hora, minuto, etc.
de llegadas de embarcaciones a un puerto por da, mes, etc.

Para determinar la probabilidad de que ocurran x xitos por unidad de
tiempo, rea, o producto, la formula a utilizar seria:

Donde:
PROBABILIDAD
Pgina 55

PROFESIONAL
P(x,e) = probabilidad de que ocurran x xitos, cuando el nmero

promedio de ocurrencia de ellos es:
u= media o promedio de xitos por unidad de tiempo, rea o producto
e= 2.718, la base de los logaritmos naturales.
x = variable que nos denota el nmero de xitos que se desea que ocurra.
Hay que hacer notar que en esta distribucin el nmero de xitos que
ocurren por unidad de tiempo, rea o producto es totalmente al azar y que cada
intervalo de tiempo es independiente de otro intervalo dado, as como cada
rea es independiente de otra rea dada y cada producto es independiente de
otro producto dado.
Ejemplo:
Supongamos que en un proceso manufacturero el 10% de las unidades
producidas son defectuosas. Encuentre la probabilidad de que una muestra de
10 unidades seleccionadas de el proceso tengan exactamente 3 defectuosas,
usando la formula de la Distribucin de Poisson.
Solucin:
El tamao de la poblacin N (total de unidades producidas) es muy
grande. La probabilidad de una unidad defectuosa extrada de la poblacin es
de P=10% o de 0,1.n=10 y X=3.
Formula de la distribucin de Poisson:

PROBABILIDAD
Pgina 56

PROFESIONAL
Sustituimos los valores en la formula nos queda de la siguiente manera:
Anlisis del resultado:

La probabilidad de que salgan 3 unidades defectuosas es, de 6,13%.
En teora de probabilidad y estadstica, la distribucin de Poisson es una
distribucin de probabilidad discreta que expresa, a partir de una frecuencia de
ocurrencia media, la probabilidad que ocurra un determinado nmero de
eventos durante cierto periodo de tiempo.
Distribucin Binomial
En estadstica, la distribucin binomial es una distribucin de
probabilidad discreta que mide el nmero de xitos en una secuencia de n
ensayos de Bernoulli independientes entre s, con una probabilidad fija p de
ocurrencia del xito entre los ensayos. Un experimento de Bernoulli se
caracteriza por ser dicotmico, esto es, slo son posibles dos resultados. A uno
de estos se denomina xito y tiene una probabilidad de ocurrencia p y al otro,
fracaso, con una probabilidad q = 1 - p. En la distribucin binomial el anterior
experimento se repite n veces, de forma independiente, y se trata de calcular la
probabilidad de un determinado nmero de xitos. Para n = 1, la binomial se
convierte, de hecho, en una distribucin de Bernoulli.
PROBABILIDAD
Pgina 57

PROFESIONAL
1. La ltima novela de un autor ha tenido un gran xito, hasta el punto de que el

80% de los lectores ya la han ledo. Un grupo de 4 amigos son aficionados a la
lectura:
A. Cul es la probabilidad de que en el grupo hayan ledo la novela 2
personas?
B. Y cmo mximo 2?
La ltima novela de un autor ha tenido un gran xito, hasta el punto de que el
80% de los lectores ya la han ledo. Un grupo de 4 amigos son aficionados a la
lectura:
A. Cul es la probabilidad de que en el grupo hayan ledo la novela 2
personas?
B(4, 0.2) p = 0.8 q = 0.2
B.Y cmo mximo 2?
La distribucin Normal
Se trata, sin duda, del modelo continuo ms importante en estadstica,
tanto por su aplicacin directa, veremos que muchas variables de inters
general pueden describirse por dicho modelo, como por sus propiedades, que
han permitido el desarrollo de numerosas tcnicas de inferencia estadstica. En
realidad, el nombre de Normal proviene del hecho de que durante un tiempo se
crey, por parte de mdicos y bilogos, que todas las variables naturales de
inters seguan este modelo.
Su funcin de densidad viene dada por la frmula:
PROBABILIDAD
Pgina 58

PROFESIONAL
1 Si X es una variable aleatoria de una distribucin N(, ), hallar:

p(3 X +3)
Ejemplo:
La media de los pesos de 500 estudiantes es de 151 libras y la
desviacin tpica es de 15.Suponiendo que los pesos se distribuyen
normalmente,
Cuntos estudiantes pesan? :
a entre 120 y 155 libras?
Se
aplica
la
siguiente
formula
de
de
distribucin normal :
Buscamos el valor de Z-2.
La grafica de las reas bajo la curva normal para los valores de Z-1 Y Z-2
queda de la siguiente manera:
PROBABILIDAD
Pgina 59

PROFESIONAL
En la siguiente tabla, buscamos el rea o probabilidad de Z-1= -2,06 y Z- 2

= 0,26 es 0,4803 y 0,102
PROBABILIDAD
Pgina 60

PROFESIONAL
Aplicamos una regla de tres y obtenemos el nmero de estudiantes que se

encuentran entre los pesos 120 y 155 libras.
Anlisis del resultado:

Por lo tanto el nmero de estudiantes que est dentro de estos lmites (120
y 155 libras) es de 291
PROBABILIDAD
Pgina 61

PROFESIONAL
PROBABILIDAD
Pgina 62

PROFESIONAL
Conclusin
La estadstica es una rama de la matemtica que est no se encuentra
muy visible en lo cotidiano pero que en realidad es de mucha utilidad para
interpretar y ver desde un punto de vista muy general datos que se obtienen. A
travs de sus grficas, medidas de tendencia central y de dispersin podemos
ver ms claro y concreto un conjunto de datos que se nos hacen muy
complicados, en resumen son un verdadero mtodo de ayuda para informar.
PROBABILIDAD
Pgina 63

PROBABILIDAD

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

PROBABILIDAD

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

asociadas con eventos futuros de razones entre el nmero de casos favorables

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

La probabilidad se encarga de evaluar todas aquellas actividades en donde

Ejemplo. Determine la probabilidad de que en cierta lnea de produccin se

P (producto defectuoso) = No de productos defectuoso /Total de productos

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

El enfoque clsico dice que si hay x posibles resultados favorables a la

El enfoque clsico de la probabilidad se basa en la suposicin de que

independientes. Ejemplo: el color del zapato y la probabilidad que llueva

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

Se denomina variable aleatoria, a una variable X que puede tomar un conjunto

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

dados, los resultados posibles son {1, 2, 3, 4, 5, 6} y sus probabilidades

correspondientes a la aplicacin del mtodo de Montecarlo se realiza a mano,

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

variables aleatorias discretas y

variables aleatorias continuas.

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

La distribucin de probabilidad de una variable aleatoria proporciona una

Valor esperado de una variable aleatoria

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

resultado. Aunque existen muchos valores diferentes posibles que la variable

Tratamiento de Variables Aleatorias

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

Grficamente, la funcin aumenta de "a saltos", ya que entre dos valores

Se sortea un nmero aleatorio g uniformemente distribuido en el intervalo [0, 1),

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

La tabla describe el sorteo de una variable discreta, siendo g una variable

Variables aleatorias continuas

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

intervalos. Para distribuir propiedades se usa una funcin que mide

F(x) > 0 (la funcin es no negativa para cualquier valor de x, f(x) no es

f(x) dx = 1 (la acumulada para todos los valores de la variable suma 1,

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

El resultado del sorteo de una variable g uniformemente distribuida en el

Caractersticas de las variables aleatorias

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

Valor esperado o esperanza matemtica

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

Para ver la frmula seleccione la opcin "Descargar" del men superior

Qu es una distribucin de probabilidad, una variable aleatoria y un

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

valor y luego sumamos los productos. Es un promedio ponderado de los

Tipos de pruebas estadsticas de hiptesis

variables medidas en la escala de razn o intervalar

anlisis de un parmetro de la poblacin y otros requisitos que

La robustez en las pruebas paramtricas

Pruebas libres de distribucin

La prueba estadstica no depende de la forma de la distribucin de la

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

No tienen que ver con los parmetros de la poblacin

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

la primera valores cercanos a la media (poca dispersin, variancia pequea) y

mayores sern las diferencias.

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

muchas: eleccin de un cartel turstico publicitario presentado a grupos de

UNIVERSIDAD DE SAN CARLOS DE GUATEMALA- ECONOMICAS REA

un Hotel con el fin de aumentar la duracin de las materias primas

Distribucin Chi-cuadrado de Pearson