Notas de Clase Estadística Ingenieria

ESTADISTICA NOTAS DE CLASE - MSc.
LILIANA VITOLA GARRIDO
ESTADISTICA PROGRAMA
PRIMER CAPITULO: GENERALIDADES
Definicin de Estadstica.
Poblacin.
Muestra.
Parmetro.
Estadstico.
Variable.
Muestreo.
SEGUNDO CAPITULO: DISTRIBUCIN DE FRECUENCIAS Y GRFICAS
Distribucin de Frecuencias Simples y Agrupadas
Histograma y Polgono de Frecuencias
Ojiva
Diagrama de Caja
Diagrama de Barras y Circular
TERCER CAPITULO: MEDIDAS DE TENDENCIA CENTRAL
Media Aritmtica
Mediana
Moda
Cuartiles
Deciles
Percentiles
CUARTO CAPITULO: MEDIDAS DE DISPERSIN
Rango
Varianza
Desviacin Estndar
Regla Emprica
Coeficiente Variacin
Coeficiente de Simetria
Tipos de Curtosis
ESTADISTICA NOTAS DE CLASE - MSc. LILIANA VITOLA GARRIDO
QUINTO CAPITULO: PROBABILIDAD

Combinatoria-Permutacin -Multiplicacin
Espacios Mustrales
Axiomas de Probabilidad
Reglas de Probabilidad
Eventos Independientes
Probabilidad Condicional
Teorema de Bayes.
SEXTO CAPITULO: VARIABLES ALEATORIAS DISCRETAS Y DISTRIBUCIONES DE PROBABILIDAD
Variables Aleatorias Discretas
Esperanza y Varianza de una Variable Aleatoria Discreta
Funcin de Distribucin de Probabilidad de una v.a. Discreta
Distribuciones de Probabilidad de Variables Aleatorias Discretas: Binomial, Poisson, Hipergeometrica, Multinomial.
SEPTIMO CAPITULO: VARIABLES ALEATORIAS CONTINUAS Y DISTRIBUCIONES DE PROBABILIDAD
Variables Aleatorias Continuas
Esperanza y Varianza de una Variable Aleatoria Continua
Funcin de Densidad de Probabilidad de una v.a. Continua
Distribuciones de Probabilidad de Variables Aleatorias Continuas: Distribucin normal, Aproximacin Distribucin
Normal a Binomial, Aproximacin Distribucin Normal a Poisson, Aproximacin Distribucin Normal a
Hipergeometrica.
OCTAVO CAPITULO: INTERVLOS DE CONFIANZA Y PRUEBAS DE HIPTESIS
Intervalos de Confianza para la Media de una y dos poblaciones
Intervalos de Confianza para la Proporcin de una y dos poblaciones
Intervalos de Confianza para la Varianza de una y dos poblaciones
Prueba de Hiptesis para la Media de una y dos poblaciones
Prueba de Hiptesis para la Proporcin de una y dos poblaciones
Prueba de Hiptesis para la Varianza de una y dos poblaciones
Error Tipo I y Error Tipo II
BIBLIOGRAFIA
Frend, J. Perles, B. (2009). Estadstica Elemental Moderna. Arizona, Estados Unidos: Editorial
Prentice Hall.
Garca, C. (2014). Estadstica Descriptiva y Probabilidades Para Ingenieros. Lima, Per: Editorial
MACRO.
Kaznier, L. (2012). Estadstica Aplicada a Administracin y Economa. Mxico D.F. Mxico: Editorial
Mc Graw Hill.
Kinney, J. (2009). Estadstica Para Ciencia e Ingeniera. Estados Unidos: Editorial, Addison Wesley.
MacLave, J. et al. (2011). Estadstica. New Yersey, Estados Unidos: Editorial Prentice Hall.
Moore, D. (2009). Estadstica Aplicada Bsica. Barcelona, Espaa: Editorial Antoni Bosch.
Quezada, Nel. (2014). Estadstica para Ingenieros. Lima, Per: Editorial MACRO.
Quezada, Nel. (2014). Estadstica con SPSS 20. Lima, Per: Editorial MACRO.
Sullivan, Michael. (2009). Fundamentos de Estadstica. Estados Unidos: Editorial Prentice Hall.
Triola, M. (2009). Estadstica Elemental. Estados Unidos: Editorial Addison Wesley.
Llinas, H. (2010). Estadstica Inferencial. Barranquilla, Colombia: Ediciones Uninorte.
EVALUACIN
- Talleres y Actividades dentro y fuera de clase 40%
- 3 Examenes Parciales de 20% cada uno: Total 60%
- Total Evaluacin: 100%
ASESORIAS PARA ESTUDIANTES

PROGRAMA DIA HO
Ingenieria Civil LUNES 9:00 - 11
MARTES 9:00 10
Economa MARTES 10:00 1
JUEVES 11:00 1
Ingenieria Agroindustrial JUEVES 9:00 11
VIERNES 9:00 10
ESTADSTICA
DEFINICIN:
La Estadstica estudia los mtodos para recoger, organizar, resumir y analizar datos, as como para
sacar conclusiones vlidas y tomar decisiones razonables basadas en tal anlisis. Su aplicacin tuvo
origenes en asuntos del gobierno, compaa de seguros, juegos de azar, siguiendo posteriormente con
los comerciantes, industriales y educadores.
La Estadstica Descriptiva tiene como fin presentar resmenes de un conjunto de datos y poner de
manifiesto sus caractersticas, mediante representaciones grficas. Los datos se usan para fines
comparativos, y no se usan principios de probabilidad. El inters se centra en describir el conjunto dado
de datos y no se plantea el extender las conclusiones a otros datos diferentes o a una poblacin.
La Inferencia Estadstica, por el contrario, estudia los resmenes de datos con referencia a un modelo
de distribucin probabilstico o una familia de modelos, determinando mrgenes de incertidumbre en la
estimacin de los parmetros desconocidos del mismo. Se supone que el conjunto de datos analizados
es una muestra de una poblacin y el inters principal es predecir el comportamiento de la poblacin, a
partir de los resultados en la muestra.
POBLACIN OBJETO DE ESTUDIO:

Es un conjunto de elementos (animales, personas u objetos), que poseen una caracterstica en comn. Por
ejemplo, si se est interesado en conocer los niveles de desempeo acadmico en el rea de Matemticas
de los estudiantes de Educacin Bsica Secundaria, del sector pblico en la ciudad de Sincelejo, pues la
poblacin objeto de estudio, en ste caso deben ser, Estudiantes de Bsica Secundaria de los Colegios del
Sector Pblico de la Ciudad de Sincelejo.
MUESTRA:
Es una representacin de la poblacin, es decir, un subconjunto de la poblacin, cuyos elementos tienen las
mismas caractersticas del resto de los elementos de la poblacin de la cual fue extrada.
La muestra puede ser probabilstica o no probabilstica.
El muestreo probabilstico es una tcnica de muestreo en virtud de la cual, las muestras son recogidas en
un proceso que brinda a todos los individuos de la poblacin objeto de estudio, las mismas oportunidades
de ser seleccionados.
El muestreo no probabilstico es aquel en el cual, los individuos de la poblacin objeto de estudio, no tienen
la misma oportunidad o probabilidad de ser seleccionados.
Para el ejemplo anterior, la muestra es probabilstica si, independientemente de la Institucin Educativa de

donde se van a seleccionar los estudiantes, cualquier institucin puede ser seleccionada dentro de la
muestra, as como dentro de cada institucin escogida, cualquier estudiante puede ser seleccionado para
conformar la muestra.
Pero si se opta por tomar como muestra, solo las Instituciones Educativas de las que se sabe, obtienen
altos puntajes en pruebas de estado, y dentro de esas instituciones, solo los estudiantes con los mejores
desempeos, entonces la muestra es no probabilstica, lo que puede generar sesgos.
PARMETRO:
Un parmetro es un nmero que resume la gran cantidad de datos que pueden derivarse del estudio de
una variable estadstica. El clculo de este nmero est determinado, usualmente, mediante una
frmula aritmtica obtenida a partir de datos de la poblacin.
El estudio de una gran cantidad de datos individuales de una poblacin puede ser tedioso y extenso, por lo
que se hace necesario realizar un resumen que permita tener una idea global de la poblacin, y realizar
estimaciones sobre datos desconocidos de la misma y, en definitiva, tomar decisiones acerca de la
poblacin.
ESTADSTICO:
Un Estadstico es una medida cuantitativa, derivada de un conjunto de datos de una muestra, con el
objetivo de estimar o inferir caractersticas de una poblacin.
Es decir, un estadstico es una funcin medible T que, dada una muestra estadstica de valores X1, X2, X3,
Xn , se les asigna un nmero T( X1, X2, X3, ..Xn ), que sirve para estimar el valor de determinado
parmetro de la poblacin de la que procede la muestra.
VARIABLE:
Es una caracterstica que poseen los elementos de una poblacin, como su nombre lo indica, varia de
individuo a individuo.
Variable Cualitativa:
Las variables cualitativas se refieren a caractersticas o cualidades que no pueden ser medidas
con nmeros, y pueden ser: Nominal u Ordinal;
Binomial o Multinomial;
Nominal: Una variable cualitativa nominal presenta modalidades no numricas que no admiten un criterio de
orden.
Por ejemplo, la variable Color de Ojos: Caf; Negros; Verdes; Azules; Violeta; etc.
Ordinal: Una variable cualitativa ordinal presenta modalidades no numricas, en las que existe un orden o
jerarqua.
Por ejemplo, la variable Estrato: Estrato 1; Estrato 2; Estrato 3; etc.
Binomial: Cuando la variable cualitativa, tiene solo dos categoras o modalidades.

Por ejemplo, la variable Estado del Paciente: Sano; Enfermo.
Multinomial: Cuando la variable cualitativa, tiene ms de dos categoras.

Por ejemplo, la variable Grupo Sanguneo: A+; A-; B+; B-; AB+; AB-; O+; O-.
Variable Cuantitativa:
Las variables cuantitativas se refieren a caractersticas o cualidades que pueden ser medidas con nmeros,
y pueden ser: Discreta o Continua.
Discreta: Son aquellas variables, cuya representacin con nmeros intervalares no tiene sentido.
Por ejemplo, la variable Nmero de Accidentes de Trnsito Registrados mensualmente, en la Avenida la
Paz de la Ciudad de Sincelejo, Durante el ao 2015: 0; 1; 2; 3; 4; etc.
Continua: Son aquellas variables que se pueden representar con nmeros intervalares.
Por ejemplo, la variable Peso: 56,7 kg; 60,2 kg; 53,5 kg; 50,0 kg;... etc.
MUESTREO
El muestreo es una herramienta de la investigacin cientfica, cuya funcin bsica es determinar que parte
de una poblacin debe examinarse, con la finalidad de hacer inferencias sobre dicha poblacin.
La razn principal para observar una muestra en lugar de la poblacin completa, consiste en que la recogida
de toda la informacin, resulta exageradamente costosa en la mayora de las ocasiones.
Ademas del factor econmico, una enumeracin completa de la poblacin llamada CENSO, puede ser
imposible por circunstancias como el tiempo, que puede ser insuficiente en determinadas condiciones o
tambien debido a factores ambientales.
Usos del Muestreo en Diferentes Campos
Poltica: Las muestras de las opiniones de los votantes se usan para que los candidatos midan la
opinin pblica y el apoyo en las elecciones.
Educacin: Las muestras de las calificaciones de los exmenes de estudiantes se usan para determinar
la eficiencia de una tcnica o programa de enseanza.
Industria: Muestras de productos de una linea de ensamblaje sirven para controlar la calidad de la
manufacturacin de los mismos.
Medicina: Un fabricante de drogas de sea saber los resultados de algn medicamento para bajar la
tensin en la sangre y compararlo con una droga de la competencia, para ello toma una muestra de
pacientes hipertensos.
Economa: Las muestras de las opiniones de los consumidores acerca de la preferencia por cierta
marca de gaseosa, pueden ayudar a los asesores de una fbrica de refrescos a considerar, si mejoran o
cambian el producto.
Ingenieria: Las muestras de suelos analizadas en un laboratorio, pueden ayudar a determinar si el

terreno de donde fueron extradas las muestras, es adecuado o no para construir.
Muestreo Con y Sin Reemplazo:
El muestreo es Con Reemplazo, cuando habindose determinado el tamao de las muestras que se van a
seleccionar, cada vez que se seleccione un individuo para que haga parte de la muestra, se incluye
nuevamente en la poblacin con la posibilidad de ser elegido nuevamente.
El muestreo es Sin Reemplazo, cuando habindose determinado el tamao de las muestras que se van a
seleccionar, cada vez que se seleccione un individuo para que haga parte de la muestra, no se incluye ms
en la poblacin y asi sucesivamente con todos los individuos o elementos que se van extrayendo.
Error Muestral y no Muestral:

Cuando se usan valores mustrales (estadsticos), para estimar valores poblacionales (parmetros), se
puede incurrir en dos tipos generales de error, El Error Muestral y el Error no Muestral.
Error Muestral:
Es la diferencia que hay entre el valor de un estadstico de la muestra y el correspondiente parmetro de la
poblacin.
Por ejemplo: Al calcular la media o promedio de una muestra, es posible que este valor no sea igual al valor
de la media o promedio de la poblacin.
Por lo que es posible que existan diferencias entre las estadsticas de la muestra y los parmetros de la
poblacin.
Ejemplo: Supongamos que tenemos una poblacin de datos conformados por los nmeros: 3, 5 y 7. Y se
van a tomar muestras de tamao dos de manera ordenada y con reemplazo.
Con esta informacin, hllese:

a) La media poblacional.
b) Todas las posibles muestras tamao 2 que pueden salir de los datos.
c) La media de cada muestra.
d) Los errores mustrales.
a) Media Muestral
3+5+7
= =5
3
Muestras Ordenadas Media Muestral Error Muestral e= x

x
(3,3) 3 3 5= -2
(3,5) 4 4 5= -1
(3,7) 5 5 5= 0
(5,3) 4 4 5= -1
(5,5) 5 5 5= 0
(5,7) 6 6 5= 1
(7,3) 5 5 5= 0
(7,5) 6 6 5= 1
(7,7) 7 7 5= 2
Error No Muestral:
Es un error que no est asociado con el procedimiento de muestreo usado. Y sucede cuando,
- La poblacin de la que realmente se muestrea, no es la relevante.

Ejemplo:
Se desea determinar la preferencia que tienen los padres de familia, por una nueva marca de ropa juvenil
(dicha marca vende ropa a un costo poco accesible para familias de estratos 1 y 2). Las personas
encargadas de aplicar la encuesta, lo hicieron escogiendo tres de los barrios ms exclusivos de la ciudad,
ubicados entre los estratos 4 al 6.
- Los individuos bajo estudio dan respuestas inexactas o inciertas.

Ejemplo:
Se busca indagar en jovenes de entre 12 y 20 aos, de un sector popular de la ciudad de Sincelejo, si han
tenido acceso al consumo de algn tipo de alucinogeno.
- Cuando los instrumentos de recoleccin de informacin estan mal ajustados o mal calibrados.
- Los datos estan mal consignados o se pierde informacin al momento de tabularla.
Sesgo Muestral:
Es la tendencia a favorecer la seleccin de ciertos elementos de la muestra en lugar de otros.
Ejemplo:
Se toma una muestra de personas y se les pregunta acerca de su actitud frente a la pena de muerte,
dentro de la muestra hay una cantidad preponderante de personas vctimas de la violencia en el pas.
TAMAO DE MUESTRA
Para poder hacer inferencias acerca del comportamiento de la poblacin en estudio, se debe tomar una
muestra representativa de la poblacin, es decir, que tenga un tamao adecuado y que recoja la mayor
variabilidad posible presente en la poblacin.
Si el parmetro poblacional de inters es la Media Poblacional, el tamao de la muestra est dado por:
2 2
z / 2
n0 = 2
e
En el caso que el tamao N de la poblacin, se conozca. El tamao muestral queda:
n0
n=
n 1
1+ 0
N
Que es equivalente a:
Z
2
( N1 ) e 2+( ) 2
2
2 2
N (Z )
2
n=

Si el parmetro poblacional de inters es la Proporcin Poblacional, el tamao de la muestra est dado por:
2
z / 2 pq
n0 = 2
e
En el caso que el tamao N de la poblacin, se conozca. El tamao muestral queda:
n0
n=
n 1
1+ 0
N
Que es equivalente a:
Z
2 2
( N1 ) e +( ) pq

2
N ( Z )2 pq
2
n=

Donde N es el tamao de la poblacin.
Ejemplo:
1) Un investigador esta interesado en determinar el peso medio ganado por pollo entre 0 y 4 semanas,
despues de haber sido alimentados con una racin nueva. Si se tiene una poblacin de 1000 pollos y
por resultados de investigaciones pasadas, se sabe que la variacin del peso de los pollos es de.
2
=36 grm.
a) Calcule el tamao de la muestra para estimar el peso medio , ganado por lo pollos en las ultimas
semanas, con un error no mayor a 1.0 grm y con una confianza del 95%.
2) Los productos defectuosos resultan costosos para el fabricante en terminos de deterioro de la imagen
del producto ante los consumidores. un fabricante de memorias USB, confia en que a lo sumo el 10% de
las memorias fabricadas por su empresa resulten defectuosas.
a) Se desea estimar la proporcin actual de memorias defectuosas con un error no mayor al 5% y con una
confianza del 95%, calcule un tamao de muestra adecuado para hacer dicha estimacin.
TIPOS DE MUESTREO PROBABILSTICO
Muestreo Aleatorio Simple

Definicin: Un procedimiento de Muestreo Aleatorio Simple, es aquel en el que todas las posibles muestras
del mismo tamao tienen la misma probabilidad de ser escogidas. El muestreo aleatorio simple es la forma
ms fcil de muestreo probabilstico. Lo nico que el investigador tiene que hacer es asegurarse de que
todos los miembros de la poblacin sean incluidos en la lista y luego seleccionar al azar el nmero deseado
de sujetos.
La mejor manera de escoger los elementos que harn parte de la muestra, es a travs de una Tabla de
Nmeros Aleatorios, que es una tabla de nmeros que se hace y se presenta en tal forma que cada uno de
los nmeros 0 al 9, aparecen en ella, con una frecuencia aproximadamente igual.
Ejemplo: De una poblacin de 250 nios, se desea tomar una muestra de 15 chicos para estimar el peso
medio de estos, en kilos. Como se hara la seleccin de la muestra aplicando el Mtodo de Muestreo
Aleatorio Simple.
Para ello se enumeran a los integrantes de la poblacin objeto de estudio con los digitos del 001 hasta el
250. Posteriormente se toma cualquier columna de la tabla de nmeros aleatorios, y se selecciona el primer
nmero de 3 cifras que este en dicha columna, dicho nmero representa al primer elemento seleccionado
para la muestra, de los 250 nios, para el siguiente elemento se continua bajando por la misma columna y
el nmero que sigue es precisamente el segundo elemento seleccionado para la muestra; y as
sucesivamente, hasta completar el tamao de muestra requerido.
Para este ejemplo: una posible muestra estara conformada por los nios identificados con los nmeros:
120, 140, 130, 121, 046, 212, 098, 146, 083, 165, 073, 185, 109, 235, 179
Muestreo Aleatorio Estratificado

Definicin: Suponga que una poblacin de N individuos puede subdividirse en K grupos mutuamente
excluyentes, llamados ESTRATOS. El Muestreo Aleatorio Estratificado, es la seleccin de muestras
aleatorias simples independientes de cada uno de los estratos de la poblacin.
Tambin es conocido como Muestreo Aleatorio Proporcional y es una tcnica de muestreo probabilstico en
donde los sujetos son inicialmente agrupados en diferentes categoras, tales como la edad, el nivel
socioeconmico o el gnero. Luego, el investigador selecciona aleatoriamente la lista final de sujetos que
conformaran la muestra, de los distintos estratos, de manera proporcional a la cantidad de individuos que
existen en cada estrato. Generalmente, los investigadores utilizan un muestreo aleatorio estratificado si
quieren estudiar un determinado subgrupo dentro de la poblacin.
Observacin:
Si los K grupos de la poblacin contienen N1, N2,NK, entonces N1+ N2 ++ NK= N

Y si los tamaos de muestra de cada una de los estratos son respectivamente, n1, n2,nK, entonces n1+
n2 ++ nK= n
Ejemplo:
Suponga que se quiere estudiar los gastos de publicidad de 352 empresas de un pas y que el objetivo del
estudio consiste en determinar si las empresas con altos rendimientos, han gastado ms proporcin de su
presupuesto en publicidad, que las empresas que tienen un menor rendimiento o incluso un dficit.
Las empresas se dividieron en 5 estratos de acuerdo a su rendimiento financiero, y se van a tomar 50 de
ellas.
Los resultados se muestran a continuacin:
Estrato Rentabilidad(Rendimiento Financiero) Nmero De Empresas Nmero Muestreado Nm
1 30% y mas 8 1
2 Entre 20% y 30% 35 5
3 Entre 10% y 20% 189 27
4 Entre 0% y 10% 115 16
5 Dficit 5 1
______
TOTAL 352
Muestreo Aleatorio Sistemtico

Definicin: Es una tcnica de muestreo que requiere de una seleccin aleatoria de inicial de observaciones,
seguida de otra seleccin de observaciones obtenida de algn sistema o regla.
El muestreo aleatorio sistemtico se puede comparar con una progresin aritmtica en donde la diferencia
entre dos nmeros consecutivos es la misma. Es decir, se seleccionan a los individuos que harn parte de
la muestra, tomandolos de a cada 3, 4 o 5 personas, etc. este nmero se determina por el cociente entre el
N
tamao de la poblacin N y el tamao de muestra n, previamente hallado: n
Ejemplo: Supongamos que se tiene una poblacin de 100 muestras de suelos a los que se les desea aplicar
algunas pruebas de laboratorio.
1. Se calcula el tamao de la muestra correspondiente; digamos que el tamao de muestra es 20.

100
=5
2. Luego, se divide 20 , lo que indica, que las muestras de suelos se seleccionaran cada 5
unidades.
3. De tal manera que las muestras de suelo seleccionadas para la prueba de laboratorio sern, las
muestras, 1, 6, 11, 16, 21, 26 y as sucesivamente, hasta completar el tamao de muestra requerido.
Muestreo Aleatorio Por Conglomerados

Definicin: Si la poblacin puede dividirse en unidades ms pequeas y geogrficamente compactadas,
estos se llaman CONGLOMERADOS. En este muestreo se toma una Muestra Aleatoria Simple de
Conglomerados y a continuacin se aplica un censo completo de toda la poblacin que hace parte de cada
Conglomerado escogido, o bien, si un conglomerado es muy grande para estudiar su poblacin de manera
completa, pueden elegirse algunos de sus elementos. El muestreo aleatorio por conglomerados se realiza
cuando es imposible el muestreo aleatorio simple debido al tamao de la poblacin.
Ejemplo: Si el estudio que se desea hacer tiene como poblacin en cuestin a toda Colombia.
1. En el muestreo por conglomerados, la investigacin identificara primero los departamentos de

Colombia.
2. Se selecciona, aleatoriamente, un nmero de departamentos identificados. Es importante que todos
los departamentos dentro de la poblacin, tengan las mismas posibilidades de ser seleccionados.
3. Se puede incluir todos los individuos dentro de los departamentos seleccionados o seleccionar
aleatoriamente individuos de los departamentos escogidos, con el muestreo Aleatorio Simple o con el
muestreo Sistemtico.
Muestreo Aleatorio por Etapas Mltiples o Multietpico

Esta tcnica de muestreo probabilstico implica una combinacin de dos o ms tcnicas de muestreo
enumeradas anteriormente. En la mayora de las investigaciones complejas realizadas en el campo o en el
laboratorio, no es adecuado utilizar un solo tipo de muestreo probabilstico.
La mayora de las investigaciones se realizan en diferentes etapas y en cada etapa se aplica una tcnica de
muestreo aleatorio diferente.
Si el muestreo tiene dos etapas, se le conoce como Muestreo Bietapico.

Si el muestreo tiene ms de dos etapas, se le conoce como Muestreo Multietapico.
La unidad de muestreo que hace parte de la primera seleccin se le conoce como Unidad Primaria de
Muestreo.
La unidad de muestreo que hace parte de la segunda seleccin se le conoce como Unidad Secundaria de
Muestreo.
Y asi sucesivamente en cada etapa del muestreo.
Ejemplo:
Se desea tomar una muestra de estudiantes de Educacin Bsica Secundaria de la ciudad de Sincelejo,
para aplicarles una encuesta que busca indagar aspectos Socio- Econmicos del entorno del estudiante, y
mirar si estos influyen o no en su desempeo en el rea de Matemticas.
TIPOS DE MUESTREO NO PROBABILSTICO
Muestreo por Conveniencia

Es aquel en el que la muestra est conformada por unidades que faciliten su medida, sean accesibles o que
sean favorables.
Ejemplo: Cuando se toma un grupo de estudiantes con los mejores desempeos acadmicos para medir el
impacto de una nueva estrategia metodolgica en el aula.
Ejercicios:
1) Se desea estimar la cantidad media de solvente que contiene un producto elaborado en una planta
quimica, tal que el error de estimacin sea de grm/L, con una confianza del 90%. Cul debe ser el
tamao de la muestra requerido que satisfaga estas condiciones si se conoce, de un muestreo anterior,
que la desviacin de la cantidad de solvente es de S= 21 grm/L?
2) De acuerdo al ejercicio anterior, si la planta quimica cuenta con 4 subestaciones para fabricar el producto,
de las cuales, por su tamao, 2 producen, cada una, el triple de la cantidad que producen cualquiera de
las otras dos y que las dos subestaciones mas pequeas producen lo mismo. Que tipo de Muestreo
Aleatorio debo aplicar para seleccionar la muestra y cuntas unidades mustrales, saldran de cada
subestacin, si en total la planta produce de manera diaria N= 16000 unidades del producto y que las
estaciones mas pequeas producen entre las dos, 4000 unidades?
DISTRIBUCIN DE FRECUENCIAS
Distribucin de Frecuencias Simples:
Ejemplo:
En la siguiente tabla se registra el nmero de horas que unas muestras de concreto tardaron en fraguarse
completamente, de acuerdo a diferentes tipos de elaboracin de la mezcla:
HORAS FRECUENCIA FRECUENCIA FRECUENCIA FRECUENCIA
ABSOLUTA fi ABSOLUTA RELATIVA hi RELATIVA
ACUMULADA Fi ACUMULADA Hi
1 6 6 6 14,28%
X 100 = 14,28
42
%
2 7 13 7 30,98%
X 100 = 16,7%
42
3 6 19 6 45,26%
X 100 = 14,28
42
%
4 6 25 6 59,54%
X 100 = 14,28
42
%
5 2 27 2 64,3%
X 100 = 4,76%
42
6 4 31 4 73,82%
X 100 = 9,52%
42
7 4 35 4 83,34%
X 100 = 9,52%
42
8 3 38 3 90,48%
X 100 = 7,14%
42
9 4 42 4 100%
X 100 = 9,52%
42
TOTAL 42
Distribucin de Frecuencias Agrupadas:
Pasos para construir la tabla de frecuencia con datos agrupados:

1) Se halla el Rango R, del conjunto de datos:
RANGO= Xmax Xmin
2) Se halla el nmero de intervalos C, que van a componer la tabla:
Regla de STURGEES: C = 1+ 3,3Log(n), donde n es el tamao de la muestra, si da un nmero decimal

se aproxima al entero siguiente.
3) Se halla el ancho A, de cada uno de los intervalos:
R
A= C
Si dicho cociente da un nmero decimal, y los datos son nmeros enteros, se aproxima al entero siguiente,
en tal caso habra que modificar el Rango, lo que se conoce como Rango Ampliado. Esto modificara los
valores mximo y mnimo, por los cuales se inicia y termina, respectivamente, los intervalos en la tabla.
4) Cuando el rango se ample, se determina en cuantas unidades lo hace, y se reparte convenientemente

entre el valor mximo y minimo iniciales, sumndole al mximo y restndole al mnimo la cantidad
especfica, obtenindose los nuevos valores mximo y minimo.
Una vez se defina esta parte correspondiente a la primera columna de la tabla, de alli en adelante, se
procede a llenar la tabla de manera similar a como se hace con la tabla de datos Simples.
Ejemplo:
La corrosin de acero reforzado, es un grave problema para las estructuras de concreto, dentro de
ambientes afectados por condiciones climatolgicas extremas, por esta razn, investigadores estudian el
empleo de varillas de refuerzo fabricadas con materiales compuestos. En este sentido, se realiz un estudio
para establecer parmetros en el diseo de varillas de refuerzo, fabricadas con material plstico, reforzado
con fibra de vidrio en el concreto. Los siguientes datos representan la resistencia de adherencia de 25
observaciones realizadas.
5,2 4,8 11,5 12,1 9,9

6,6 7,0 9,3 7,8 6,2
4,1 3,8 13,4 17,1 9,3
5,4 5,2 5,1 5,6 5,7
5,1 5,0 4,9 10,7 11,7
a) Organiza los datos en una tabla de frecuencia de datos agrupados y saca las conclusiones
correspondientes al respecto.
DIAGRAMAS DE REPRESENTACIN DE DATOS
Histograma
El histograma es una tcnica grfica utilizada para presentar gran cantidad de datos. El histograma puede
ser de frecuencias absolutas, de frecuencias relativas, de frecuencias absolutas acumuladas y de
frecuencias relativas acumuladas. Para la construccin del histograma se requiere elaborar una tabla de
distribucin de frecuencias.
El histograma de frecuencias es una representacin visual de los datos en donde se evidencian

fundamentalmente tres caractersticas: forma, acumulacin o tendencia posicional y dispersin o
variabilidad.
Polgono
Otro recurso grfico para ilustrar el comportamiento de los datos es el polgono de frecuencias. Este se
construye sobre el sistema de coordenadas cartesianas, al colocar sobre cada marca de clase un punto a
una altura igual a la frecuencia asociada a esa clase; luego se unen dichos puntos por segmentos de recta.
Ojiva
La Ojiva es el polgono frecuencial acumulado, es decir, que permite ver cuntas observaciones se
encuentran por encima o debajo de ciertos valores, en lugar de solo exhibir los nmeros asignados a cada
intervalo.
MEDIDAS DE TENDENCIA CENTRAL
Media Aritmtica
La media aritmtica mustral representa el centro fsico del conjunto de datos y se define como la suma de
los valores observados, dividido por el total de observaciones. Si X1, X2, X3, Xn son n observaciones
numricas, entonces la media aritmtica de esta n observaciones, se define como:
n
xi
X = i=1
n
Caso de datos agrupados:
Cuando se trata de datos agrupados (tabla de frecuencias) la media aritmtica se puede aproximar
mediante la expresin:
n
y if i
X = i=1
n
yi fi
Donde y son respectivamente la marca de clase de cada intervalo y la frecuencia del intervalo.
Mediana
Sea X1, X2, X3, Xn una muestra aleatoria de n observaciones. La Mediana, de un conjunto de
observaciones es el valor para el cual, todas las observaciones ordenadas de manera creciente, la mitad de
estas es menor que este valor y la otra mitad mayor.
Sea X1, X2, X3, Xn una muestra aleatoria de n observaciones, la Mediana para datos agrupados, se define
de la siguiente manera:
n
Me=L+
2
fi( )
F i1
A
Dnde:
L: Es el lmite inferior del intervalo donde se encuentra la Mediana.

n
2 : Es la mitad de la muestra.
Fi1 : Es la frecuencia absoluta acumulada anterior al intervalo donde se encuentra la Mediana.
f i : Es la frecuencia absoluta del intervalo donde est la mediana.
A : Es la amplitud del intervalo.
Moda
Es el dato con mayor frecuencia entre el conjunto de datos. Para datos agrupados, se halla de la siguiente
forma:
d1
Mo=L+ ( )
d 1 +d 2
A
Dnde:
L es el lmite inferior del intervalo donde se encuentra la Moda.
d1 : Es la diferencia entre la frecuencia absoluta del intervalo donde est la moda y la frecuencia absoluta
del intervalo inmediatamente anterior.
d 2 : Es la diferencia entre la frecuencia absoluta del intervalo donde est la moda y la frecuencia absoluta
del intervalo inmediatamente posterior.
A : Es la amplitud del intervalo.
Medidas de Posicin
El objetivo es describir el comportamiento de una variable dividiendo la serie de valores en diferente nmero
de partes porcentualmente iguales, las ms usadas son: los Cuartiles (cuartas partes), los Deciles (decimas
partes) y los Centiles o Percentiles (centsimas partes).
Los Cuartiles
Son aquellos nmeros que dividen los datos en cuatro partes porcentualmente iguales. Hay tres cuartiles,
Q1, Q2 y Q3. El primer Cuartil Q1, es el valor por debajo del cual queda aproximadamente la cuarta parte
(25%) de todos los datos ordenados; El segundo Cuartil Q2 es el valor por debajo del cual queda el 50% de
los datos (Mediana), el tercer Cuartil Q3 es el valor por debajo del cual quedan las tres cuartas partes (75%)
de los datos.
Q1: n/4 si el resultado da un nmero decimal, se aproxima al entero siguiente y el dato que est en dicha
posicin corresponde a Q1.
Q2: n/2 si el resultado da un nmero decimal, se aproxima al entero siguiente y el dato que este en dicha
Q3: 3n/4 si el resultado da un nmero decimal, se aproxima al entero siguiente y el dato que este en dicha
Ejemplo:
Tomando como ejemplo los datos correspondientes a la resistencia a la adherencia de 25 varillas fabricadas
con el nuevo material.
Los cuartiles quedaran definidos de la siguiente manera:
Como n=25
n/4= 25/4=6,25 7, entonces el cuartil Q1 es el dato que se encuentra en la posicin 7 del

conjunto de datos.
Q1= 5,2
n/2 =25/2=12,5 13, entonces el cuartil Q2 es el dato que se encuentra en la posicin 13 del
conjunto de datos.
Q2= 6,2
3n/4=3(25)/4=18,75 19, entonces el cuartil Q3 es el dato que se encuentra en la posicin 19 del

conjunto de datos.
Q3= 9,9
Los Percentiles
Son nmeros que dividen el conjunto de datos ordenados en cien partes porcentualmente iguales. El
percentil 50 equivale a la mediana.
Considerando la definicin de la mediana, esta ser el segundo cuartil, el quinto Decil o el 50avo Percentil.
El procedimiento para encontrar el valor de cualquier percentil Pk a partir de datos clasificados, es el

siguiente:
1. Encontrar la posicin del percentil PK, mediante el calculo de n*k, donde K es la valor porcentual que
representa el percentil.
2. Si n*k no es un entero, entonces la posicin del percentil, es el entero siguiente y el valor de Pk es el
dato ordenado en dicha posicin.
3. Si n*k es un entero, entonces la posicin del percentil P K, ser el promedio de las observaciones
ordenadas en las posiciones nk y nk +1.
Ejemplo:
con el nuevo material. Si queremos encontrar por ejemplo, el percentil 10 (P0,10 ) , donde k = 0.10.
En este caso nk=25(0,10)=2,5 no es un entero, de tal manera que se aproxima al entero siguiente 2,5
3, luego el percentil 10 (P0,10) es el valor que se encuentra en la posicin 3 del conjunto de
P0,10
datos, luego, = 4,8 lo cual significa que el 10% de las varillas observadas, registraron una resistencia
a la adherencia, aproximadamente menor a 4,8%.
El percentil 22 se encuentra de manera similar. Puesto que ahora k=0.22, n*k = 25(0,22) = 5,5 6.
Luego P0,22 =5,1. Por tanto, el 22% de las varillas observadas, registraron una resistencia a la adherencia,
aproximadamente, inferior a 5,1%.
Los Deciles
Son nmeros que dividen el conjunto de observaciones ordenadas en diez partes porcentualmente iguales.
De tal manera que el Decil 1(D1) es igual al Percentil 10 (P0,10)
El Decil 2(D2) es igual al Percentil 20 (P0,20)
El Decil 3(D3) es igual al Percentil 30 (P0,30) y as sucesivamente.
MEDIDAS DE DISPERSIN
Varianza Mustral
Se puede definir como el promedio de los cuadrados de las desviaciones de los datos con respecto a la
media mustral. Se define como:
n
( y i x )2f i
S 2= i=1
n1
Desviacin Estndar Mustral

Al tomar el cuadrado de las desviaciones con respecto a la media para el clculo de la varianza, las
unidades en que estn dados los datos tambin se expresaran en unidades al cuadrado. Esto puede no
tener sentido. Estas circunstancias condujeron a que se le hiciera una modificacin a la anterior medida y se
lleg de esta manera al concepto de desviacin estndar, la cual se define como la raz cuadrada de la
varianza, esto es:
( y i x )2f i
i=1
S=
n1
La Regla Emprica:
Esta regla permite encontrar el porcentaje de datos que debe estar dentro de determinadas desviaciones
estndar respecto a la media. A continuacin se determinan estos porcentajes:
Aproximadamente el 68% de los datos estn a menos de una desviacin estndar de la media
Aproximadamente el 95% de los datos estn a menos de dos desviaciones estndar de la media
Aproximadamente el 99,7% de los datos de la muestra estn a tres desviaciones de la media
Ejemplo:
con el nuevo material. Un calculista desea saber en qu rangos, exactamente, estn oscilando los valores
de las resistencias de las varillas fabricadas con el nuevo material.
Aplicando la regla emprica, se determinan los siguientes valores:

(x - s, x + s)
(x - 2s, x + 2s)
(x - 3s, x + 3s)
Aproximadamente el 68% de las varillas fabricadas tienen una resistencia de entre el 4,1 y el 11,3
Aproximadamente el 95% de las varillas fabricadas tienen una resistencia de entre el 0,58 y el 14,82
Aproximadamente el 99,7% de las varillas fabricadas tienen una resistencia de entre el 0,0 y el 18,38
Coeficiente de Asimetra
Indica hacia que extremo los datos estan ms aglomerados o distribuidos. Si hay pocos datos distribuidos
hacia el extremo derecho se dice que la distribucin es sesgada a la derecha, mientras que si hay pocos
datos distribuidos hacia la izquierda, se dice que la distribucin es sesgada hacia la izquierda. La medida
que describe esta asimetra se denomina coeficiente de sesgo, o simplemente sesgo. Est definida como:
( y ix )3f i
i=1
n
3=
3
( )
n
2
( y i x ) f i
i =1
n1
3> 0 3< 0
Si la distribucin es Sesgada a la Derecha. Si la distribucin es Sesgada a la Izquierda. Si
3=0
la distribucin es Simtrica.
Coeficiente de Curtosis
En algunos casos unos datos pueden estar concentrados alrededor de la media, de manera que la
distribucin tiene un pico grande. En otros casos, la distribucin puede ser relativamente plana. La medida
que determina que tan empinada se encuentra una distribucin se denomina coeficiente de curtosis, o
simplemente curtosis y est dada por:
( y i x )4f i
i=1
n
4=
4
( )
n
2
( y i x ) f i
i=1
n1
4 >0 4 <0 4=0

Si la distribucin es Leptocrtica. Si la distribucin es Platocrtica. Si los datos se
distribuyen forma normal o Mesocrtica.
Rango Intercuartilico
Es la distancia entre los cuartiles superior e inferior y se define como:
RI =Q3Q1
Permite dibujar el diagrama de cajas, que ayuda a visualizar que tan dispersos estan los datos que se
encuentran ubicados antes de la Mediana y despues de la Mediana.
Diagrama de cajas
Es un resumen grfico que se emplea de manera satisfactoria para describir varias de las ms destacadas
caractersticas de un conjunto de datos. Estas caractersticas incluyen: centro, dispersin y desviacin de la
simetra e identificacin de "puntos inusuales"; es decir, observaciones que estn desafortunadamente lejos
del cuerpo principal de los datos.
Un diagrama de cajas se puede construir mediante la siguiente secuencia de pasos:
1. Dibujar y marcar un eje de medida horizontal.

2. Construir un rectngulo cuyo borde izquierdo est en el primer cuartil y cuyo borde derecho est en el
tercer cuartil.
3. Dibujar un segmento de recta vertical dentro de la caja arriba donde est la mediana.
4. Se calcula el valor de 1.5 veces el Rango Intercuartlico dicho valor se le suma al Q3 y se le resta al
Q1.
5. Las observaciones que estan por fuera de dicho rango se conocen como puntos inusuales.
TECNICAS DE CONTEO Y PROBABILIDAD
TCNICAS DE CONTEO:
Principio de la Multiplicacin:
Es aquel que me indica que si un evento A, se puede realizar de n formas, y por cada una de estas formas
otro suceso B, se realiza de m formas, entonces los sucesos pueden ocurrir de nxm maneras.
Ejemplo: Una agencia de viajes ofrecen un paquete turistico para visitar el Parque Tayrona, saliendo desde
la ciudad de Sincelejo y llegando primero a Santa Martha. Si se sabe que para llegar de Sincelejo a Santa
Martha, existen tres medios de transporte diferentes (Minivan, Thermo king, Avin). Y de Santa Martha al
Parque Tayrona hay 4 formas diferentes de llegar (Camioneta, Caballo, Bicicleta, Moto). De cuntas
maneras puede la agencia organizar su itinerario de viaje, desde Sincelejo, para ofrecerlo a sus clientes.
Principio de la Adicin.
Si se desea llevar a cabo una actividad, la cual tiene formas alternativas para ser realizada, donde la
primera de esas alternativas puede ser realizada de M formas, la segunda alternativa puede realizarse de N
formas... y la ltima de las alternativas puede ser realizada de W formas, entonces esa actividad puede ser
llevada a cabo de,
M + N +.....+ W formas
Ejemplo:
1) En un reconocido almacn de cadena de la ciudad, ofrecen tres marcas de lavadoras diferentes

(Whirlpool, Easy y General Electric), cada marca maneja sus propias lneas de lavadoras, por ejemplo, las
lavadoras de la marca Whirlpool, viene con dos tipos de carga (18 o 30 libras), en cuatro colores diferentes
y puede ser automtica o digital. Las mientras que las lavadoras de la marca Easy, viene con tres tipos de
carga (18, 25 o 30 libras), en dos colores diferentes y puede ser automtica o digital. Por su parte las
lavadoras de la marca GE, vienen con solo un tipo de carga (25libras), dos colores diferentes y solo la hay
digital. Si el almacn ofrece todas las lneas disponibles de las marcas. Cuntas opciones diferentes tiene
una persona para comprar una lavadora, si entra a ste almacn?
Permutacin:
Si tenemos n elementos y queremos organizarlos de varias maneras, entonces tendremos permutaciones

de n elementos, lo que se simboliza con
Pn= n! = n(n-1)(n-2)(n-3)..(2)(1)
Ejemplo:
Cuantos nmeros diferentes puedo armar con las cifras: 9, 6, 3, 8, 1, 4.
6 5 4 3 2 1
P6= 6!= 6x5x4x3x2x1= 720 maneras diferentes
Variaciones:
Cuando de un conjunto de n elementos, se hacen permutaciones de ellos tomandolos en subconjuntos de

r elementos, estamos haciendo variaciones de n elementos tomandolos de r en r.
n!
nVr = ( nr ) !
Ejemplo:
Una entidad bancaria que cuenta con 20 empleados, va a seleccionar un comit de 3 personas para una
capacitacin en manejo de balances, pero cada una de ellas debe ir a una ciudad diferente a recibir el curso
(Bogot, Medelln y Barranquilla).De cuantas maneras pueden quedar repartidos los destinos entre los 20
empleados?
Combinaciones:
Cuando de un conjunto de n datos se van a formar grupos tomando subconjunto de r elementos, sin
importar su orden, estamos haciendo combinaciones de n elementos tomandolos de r en r.
n!
n Cr= ( nr ) ! r !
Ejemplo:
Si tomamos el ejemplo anterior, con la variante de que los tres empleados van a recibir la capacitacin en la
misma ciudad, digamos, Barranquilla. De cuantas maneras se puede conformar el equipo?
PROBABILIDAD
EXPERIMENTO ALEATORIO:
Es un proceso que se realiza bajo un conjunto de condiciones dadas, que puede repetirse indefinidamente
bajo las mismas condiciones y cuyos resultados dependen del azar y por lo tanto no son predecibles.
Ejemplos de experimentos:
- Lanzamiento de un dado.
- Nacimiento de un hijo.
- Lanzamiento de una moneda, entre otros.
ESPACIO MUESTRAL:
Es el conjunto de todos los resultados posibles, de un experimento Aleatorio. Se representa con la letra U y
los elementos que lo conforman se llaman eventos simples.
La cantidad de elementos dentro del espacio muestral U, lo representamos con n(U).
EVENTO O SUCESO:
Es un subconjunto del espacio muestral. Se representa con letras mayusculas A, B, C etc. Y a la cantidad
de elementos presentes en el evento A definido, lo representamos con n(A).
Ejemplos de Espacios Mustrales y Eventos: Considera los ejemplos descritos en las Tcnicas de Conteo,
como experimentos aleatorios y escribe el Espacio Muestral generado, la cantidad de elementos n(U) en
cada caso, un posible evento para cada uno y el nmero de elementos de ste.
Considera tambien los siguientes experimentos y escribe el espacio muestral que se genera, la cantidad de
elementos n(U), un posible evento y el nmero de elementos de ste.
1) Lanzamiento de una moneda 2 veces
2) Lanzamiento de un dado 2 veces.
Sea A un evento asociado a un experimento aleatorio. La probabilidad de que A, ocurra est definida como
n(A ) Nmero de xitos

p ( A )= =
n(U ) Nmero Total de Posibilidades
Ejemplos:
Dados los espacios mustrales y eventos, definidos con anterioridad, hallemos las probabilidades de que
dichos eventos ocurran:
Ejercicio:
a) Considere el experimento aleatorio Nacimiento de tres bebs: Escribe el espacio muestral U que se
genera, la cantidad de elementos n(U), un posible evento asociado al espacio muestral generado y la
probabilidad de que ste suceda.
AXIOMAS DE PROBABILIDAD:
Axioma 1: P( A) 0
Axioma 2: P (U )=1
Axioma 3: P ( A 1 A2 A 3 A n )=
i=1
P ( A i)
REGLAS DE PROBABILIDAD:
Sea U un espacio muestral obtenido de un experimento aleatorio. Sean A, B, C, eventos del espacio
muestral.
La probabilidad de A que se simboliza como P(A) es:
a) P ()=0
b) 0 P(A) 1
c) P(AUB) = P(A) + P(B) si son disyuntos
d) P(AUB) = P(A) + P(B) P(A B) si no son disyuntos
e) P(AUBUC) = P(A) + P(B) +P(C) P(A B) - P(B C) - P(A C) + P(A B C)
f) P(A) = 1 P(A)
g) P(A-B)= P(A) P(A B) = P(A B)

h) P(AUB) = 1 - P(AUB)
i) P(A B) = 1 - P(A B)
EJEMPLOS:
1) Se lanza una moneda dos veces. Halla la probabilidad de que:
a) Salgan dos caras o dos sellos
b) Salga por lo menos un sello
c) No salga sello
2) En la biblioteca de la universidad, existen tres libros de Estadstica: A, B, C. Si el 30% de los alumnos

lee el libro A, el 20% lee el libro B, el 15% lee el libro C, el 12% lee A y B, el 9% lee A y C, el 6% lee B y
C, y finalmente 3% leen A, B y C.
a) Cul es la probabilidad que lean al menos uno de los tres libros?
b) Qu porcentaje de alumnos leen B o C, pero no A
c) Cul es la probabilidad que lean A pero no leen B o C.
3) En una ciudad, el 40% de la poblacin tiene cabellos castaos, el 25% tiene ojos castaos y el 15%
tiene cabellos y ojos castaos. Si se toma una persona al azar.
a) Cul es la probabilidad que tenga ojos castaos, pero no cabello castao.

b) Cul es la probabilidad que no tenga ojos castaos y tampoco cabello castao.
c) Cul es la probabilidad que tenga ojos castaos o cabello castao.
PROBABILIDAD CONJUNTA
Sean A y B, dos eventos cualesquiera, asociados a un espacio muestral U. La probabilidad que ocurran A y
B al mismo tiempo y que se representa con P( A B) , est dado por:
P ( A B ) =P ( A ) P ( B ) , si A y B son independientes.
Ejemplos de Eventos independientes:
a) Los asociados al lanzamiento de un dado o de una moneda.

b) El sexo de un nio al nacer, entre otros.
Ejemplos:
1) La probabilidad de que una persona compre una casa despues de haber sido contactada por un agente
inmobiliario es de P= 0,40. Represente con V, el evento Vender una casa y con V, el evento No vender
una casa.
a) Construye un diagrama de rbol, que muestre la secuencia de contactar a tres personas.
b) Cul es la probabilidad de que el agente haga minimo dos ventas?
c) Cul es la probabilidad de que el agente haga minimo una venta?
2) En la figura, la probabilidad de que la i-sima llave del circuito est cerrada es P i= 1/6, para i=1, 2, 3, 4, 5.
Si todas las llaves abren y cierran de manera independiente. Cul es la probabilidad de que la corriente
pase del punto M al punto N, en ste circuito?
1 2
M N
4 5
3) La probabilidad que en una familia nazca una nia es del 47%, si se toman familias con tres hijos y se
elige una de estas familias al azar. Cul es la probabilidad que:
a) Todos sean nios.
b) Uno de los hijos sea nia.
c) Hallan al menos dos nias.
PROBABILIDAD CONDICIONAL
Sean A y B, dos eventos cualesquiera, asociados a un espacio muestral U. La probabilidad que el evento A
ocurra, dado que ocurre el evento B, y que se simboliza como P( A/ B) , est dado por:
P( A B)
P ( A /B )= con P ( B ) 0
P(B)
P( A B)
P ( B/ A )= con P ( A ) 0
O P( A)
P ( A B ) =P ( A ) P ( B / A ) P ( A B ) =P ( B ) P ( A /B )
De aqu:
Se puede generalizar a ms de dos eventos: P ( A B C )=P ( A ) P ( B/ A ) P (C/ A B)
Ejemplos:
1) La siguiente tabla muestra la reaccin de 400 personas cuando se les pregunto acerca de un nuevo
incremento al impuesto predial. Estas personas fueron clasificadas de acuerdo a la actividad que ejercen:
REACCION
ACTIVIDAD A FAVOR NEUTRAL EN CONTRA TOTAL
a) Halla la probabilidad ECONMICA
que sea EMPLEADO 120 20 20 160
desempleado. INDEPENDIENTE 50 30 60 140
DESEMPLEADO 50 10 40 100
b) Halla la probabilidad TOTAL 220 60 120 400
que la persona sea independiente y se oponga al nuevo plan.
c) Halla la probabilidad que la persona se oponga al plan dado que es independiente.
d) Halla la probabilidad que la persona sea desempleado o est a favor del nuevo plan.
e) Prueba, si ser Desempleado y estar En Contra son eventos independientes.

2) En una caja se depositaron 7 banderines Rojos, 4 Verdes y 3 Amarillos. Si se sacan dos al azar sin
reposicin, halla las siguientes probabilidades:
a) Que uno sea Rojo y el otro Amarillo.
b) Si se sacan consecutivamente tres banderines, cual es la probabilidad de que el primero sea Amarillo, el
Segundo Verde y el tercero Rojo.
Probabilidad Total
Sean A, B y C tres eventos cualquiera asociados a un espacio muestral U, con A y B disyuntos entre si. Si la
probabilidad de que se de el evento C, depende de la ocurrencia del evento A P (C / A ) o de la ocurrencia
del evento B P (C / B ) . Entonces la probabilidad de que se de C, esta dado por:
P (C )=P ( C /B ) P ( B ) + P ( C / A ) P( A)
Ejemplo:
1) Un profesional dedicado a la construccin, utiliza cemento de tres proveedores diferentes: A, B y C. De

1000 bolsas recibidas, 500 provienen del proveedor A, 300 del proveedor B, y el resto del proveedor C.
De experiencias pasadas, el ingeniero sabe que el 6% de las bolsas que provienen del proveedor A, no
cumplen con el peso exacto requerido, el 8% de las que provienen de B tampoco y el 10% de las que
vienen de C tampoco cumplen con el peso exacto exigido. Si se elige una bolsa al azar, halla:
a) La probabilidad de que no cumpla con el peso exigido y viene de la empresa B.

b) La probabilidad que no tenga el peso exacto exigido.
Teorema de Bayes
A 1 , A 2 , A3 , A n
Sea U un espacio muestral y sean una coleccin de eventos asociados a U, mutuamente
excluyentes, tales que:
n
i) U i=1 A i=U
P ( A i ) >0
ii) i= 1, 2, 3, n
B , de U. La probabilidad que Ai B , que se

Para cualquier evento ocurra, dado la ocurrencia de
P ( A i /B )
simboliza con es la llamada probabilidad A Priori, y esta dada por:
Ai
B/

P ( Ai ) P
n

i=1
P ( A i ) P( B / A i)
P ( A i /B )=
Ejemplos:
1) Un analista de una empresa de construccin, estima que la probabilidad de que una nueva empresa
planee ofrecer servicios de construccin en los prximos tres aos, es de 0.30 y de 0.70 de que no lo
haga. Si la nueva empresa tiene estos planes, definitivamente debera construir una nueva instalacin de
administracin de obras. Si la nueva empresa no tiene estos planes todava, queda una probabilidad del
60% de que se construya una nueva instalacin de administracin de obras por otras razones.
a) Representa con A la decisin de que la nueva empresa ofrezca servicios de construccin y con B la
construccin de una nueva instalacin de administracin de obras, e ilustra los posibles eventos con un
diagrama de rbol.
b) Suponga que la nueva empresa ya empez a construir una nueva instalacin de administracin de obras.
Con base en esta informacin. Cul es la probabilidad que la empresa haya decidido ofrecer servicios
en el rea de la construccin?
c) Cul es la probabilidad que se construya una nueva instalacin para la administracin de las obras?
2) Tres mquinas producen el total de piezas de repuestos de autos de una fbrica. Sean A, B y C las tres
mquinas. Donde A, fabrica el 45% de las piezas; B fabrica el 30% de las piezas y C fabrica el 25% de
las piezas. Los porcentajes de piezas defectuosas producidas por la maquina A son el 3%; por B el 4%;
por C el 5%. Segn esto. Si se selecciona una pieza al azar. Cul es la probabilidad que:
a) Sea defectuosa dado que fue elaborada por la maquina B.
b) Sea defectuosa.
c) Dado que es defectuosa, cul es la probabilidad que venga de la maquina C.
VARIABLE ALEATORIA
X
Sea U un espacio muestral; sea A un evento del espacio muestral U. Una variable aleatoria (v.a.) , es
una funcin que le asigna un valor real, a cada evento A del espacio muestral U. Se simbolizan con letras
mayusculas ( X , Y , Z ,etc . , de tal manera que si A es un evento del espacio muestral U, entonces:
X ( A )=x donde x R
Las variables aleatorias son Discretas o Continuas:
Variable Aleatoria Discreta
Sea U un espacio muestral discreto; sea A un evento del espacio muestral U. Una variable aleatoria (v.a.)
discreta X , es una funcin que le asigna un nmero entero, a un evento A del espacio muestral U.
Ejemplo:
a) Sea el experimento Lanzar una moneda 3 veces

Sea X la v.a. definida como el:

Nmero de caras que salen, al lanzar una moneda 3 veces
Dado que el espacio muestral U de ste experimento, tiene como elementos.
U : { ccc , ccs , csc , scc , ssc , scs , css , sss }
X
La v.a. tomara los siguientes valores:
X ( sss ) =0 X ( ssc , scs , css )=1 X ( scc , csc , ccs )=2 X ( ccc )=3
b) Sea el experimento Lanzar dos dados a la vez
Sea Y la v.a. definida como el:
Nmero de cifras impares que salen, al lanzar dos dados a la vez
Y ( 4,6 ) =0 Y ( 3,2 ) =1Y ( 5,1 )=2
Funcin de Distribucin de Probabilidad de una Variable Aleatoria Discreta
Definicin:
La funcin de probabilidad puntual o de masa de una v.a. discreta X , es, para todo x :
f x ( X )=P x ( X ) =P ( X=x )=P( { X ( A )=x , A U })
f x ( X )=P x ( X )
Las condiciones para que una funcin , sea funcin de distribucin de probabilidad discreta
son:
0 Px ( X ) 1
a)
b) P x ( X )=1
Tomando el ejemplo del lanzamiento de la moneda 3 veces; la Funcin de distribucin de probabilidad de la

v.a. X quedar de la siguiente manera:
P ( X=x ) :
a) Primero se hallan las probabilidades
1
P ( X=0 )=P ( sss )=
8
3
P ( X=1 )=P ( ssc , s cs , css )=
8
3
P ( X=2 ) =P ( ccs , csc , scc )=
8
1
P ( X=3 )=P ( ccc )=
8
b) Se organizan en una tabla o grfica:
X 0 1 2 3
f x ( X )=P ( X=x ) 1 3 3 1
8 8 8 8
{
0 si x< 0
1
si x=0
8
3
f x ( X )= 8 si x=1
3
si x=2
8
1
si x=3
8
Funcin de Distribucin de Probabilidad Acumulada de una Variable Aleatoria Discreta

Definicin:
X
La funcin de distribucin de probabilidad acumulada de una v.a. discreta , con funcin de probabilidad
+
puntual P ( X=x ) , est dada, x Z como:

F x ( X )=P ( X x )= P x (x j ) x j < x
Es decir la probabilidad que la v.a. X tome un valor menor a x .
Tomando el ejemplo del lanzamiento de una moneda 3 veces; la Funcin de distribucin de probabilidad
Acumulada de la v.a. X quedar de la siguiente manera:
X x 0 1 2 3
F x ( X )=P ( X x ) 1 1 7 1
8 2 8
{
0 si x <0
1
si 0 x<1
8
F x ( X )= 1 si 0 x <2
2
7
si 0 x <3
8
1 si x 3
Valor Esperado de una Variable Aleatoria Discreta

X Px ( X )
Sea una v.a. discreta con funcin de distribucin de probabilidad , la Esperanza o Valor
Esperado de la v.a. X , est dada por:
E ( X )= x P x ( X )= x
En el ejemplo del lanzamiento de la moneda 3 veces, cuya v.a. X : Nmero de caras que salen
La Esperanza o Valor Esperado de X , es:
E ( X )= x P x ( X )=0 ( 18 )+1( 38 )+ 2( 38 )+3( 18 )=1,5 2

Propiedades de la Esperanza
Sean X y Y v.a. discretas, definidas sobre un espacio muestral U.
X +
Y
E = E ( X ) +( Y )
E ( kX )=kE (X )
para todo nmero real k .
E ( k )=k
para todo nmero real k .
E ( aX +b )=aE ( X ) +b para todo par de nmeros reales a y b .
X
E Y =E ( X )E(Y ) nicamente en el caso de que X y Y sean variables aleatorias
independientes.
Varianza de una Variable Aleatoria Discreta

X Px ( X ) E(X),
Sea una v.a. discreta con funcin de distribucin de probabilidad , y Esperanza la
Varianza de la v.a. X , sta dada por:

2 2 2
Var ( X )=E( xx ) = ( x x ) P x ( X ) = x
O bien
Var ( X )= x 2 P x ( X ) x 2= x2
Tomando el ejemplo de la moneda que se lanza 3 veces, cuya v.a. X : Nmero de caras que salen
La Varianza de la v.a. X es:
1 3 3 1
Var ( X )= ( x x )2 P x ( X )=(01,5)2 +(11,5)2 +(21,5)2 +( 31,5)2 =0,75
8 8 8 8
Propiedades de la Varianza
Var ( X ) 0
Var ( kX )=k 2 Var ( X ) para todo nmero real k .
Var ( k )=0 para todo nmero real k .
Var ( aX +b ) =a2 Var ( X ) para todo par de nmeros reales a y b .
Var ( X +Y )=Var ( X ) +Var (Y ) . Si X y Y

son v.a. independientes
Ejemplo:
X
Tomando el ejemplo de dos dados que se lanzan una vez. Si es la v.a. definida como:
X :Nmero de cifras impares que salen al lanzar dos dados una sola vez
encuentre:
a) La distribucin de probabilidad de la v.a. X .

b) La distribucin de probabilidad acumulada de X .
c) El valor esperado de X .
d) La Varianza de X .
Ejercicios:
Aplicando las propiedades de la Esperanza; Demuestra las propiedades de la Varianza.
Esperanza de una Funcin

X
Proposicin: Si es una v.a. discreta, con valores x1, x2, x3 xn, entonces la funcin h( X) es discreta
con valores y1, y2, y3 yn donde yi h(x i) .
X Px ( X ) h( X) , est
Proposicin: Si la v.a. , tiene funcin de probabilidad , entonces la Esperanza de
dada por:
E ( h( X) ) = h(x )P x ( X )=h (x)
Ejemplo:
X
Sea , la v.a. definida como el nmero de paquetes de programas de computador, contratados por un
cliente seleccionado al azar. La funcin de distribucin de probabilidad del nmero de paquetes que se
contraten se muestra a continuacin:
X 1 2 3 4 5
Px ( X ) 0,375 0,275 0,175 0,1 0,075
Si el costo del servicio, es una variable Y , que es funcin del nmero de paquetes que se contraten, dada
por la frmula:
h ( X )=Y =30( X +1)
Cul es el valor esperado del costo pagado por el cliente?
Variable Aleatoria Continua
Sea U un espacio muestral continuo, es decir, aquel que tiene tantas posibilidades como puntos en un
X
segmento de linea; sea A un intervalo U. Una variable aleatoria (v.a.) continua , es aquella que
toma valores dentro de un intervalo A cualquiera, del espacio muestral U. Los intervalos pueden ser de
tiempo, distancia, rea, etc.
Ejemplo:
a) Si un experimento consiste en medir la vida til de un determinado nmero de bombillas ahorradoras de luz
fabricadas por una empresa, el resultado del experimento es el tiempo t en horas, que dura una bombilla, y
que se encuentra en algn intervalo de tiempo A, del espacio muestral U, donde U, en este caso es,
U= { 0 t 1000 } , si las bombillas tiene una vida til que no supera las 1000. En ste caso la v.a. X
tomara valores, en un intervalo como el que sigue:
X ( A )=[0,t ] Donde t , es el tiempo de duracin de una bombilla cualquiera.
Funcin de Densidad de Probabilidad una Variable Aleatoria Continua

X
La funcin de densidad de probabilidad de una v.a. continua , es una funcin de los valores que toma
la v.a X , y que se representa con f x ( X ) . De tal manera que el rea bajo la curva de la funcin f x ( X ) es
igual a 1.
Definicin:
f x( X) , X , definida en el
La funcin es una funcin de densidad de probabilidad de la v.a. continua
conjunto de los nmeros reales R . Si se cumplen las 3 siguientes condiciones:
f x ( X ) 0 x R
a)

b) f x ( X ) dx=1

c) P ( a x b )= f x ( X ) dx
a
Ejemplo:
El nmero total de horas, medidas en unidades de 100 horas, que dura una bombilla ahorradora de luz
funcionando, es una variable aleatoria continua dada por:
{ }
x si 0 x <1
f x ( X )= 2x si 1 x< 2
0 en otro caso
a) Pruebe que f x ( X ) es funcin de Densidad de probabilidad de la v.a. X

b) Halle la probabilidad de que una bombilla cualquiera, dure entre 100 y 150 horas.
c) Trace la grfica de la funcin f x ( X ) .
Funcin de Distribucin de Probabilidad Acumulada de una Variable Aleatoria Continua

Definicin:
La funcin de distribucin de probabilidad acumulada F x ( X ) de una v.a. continua X , con funcin de
densidad f x ( X ) , est dada, x R por:

x
F x ( X )=P ( X x )= f ( t ) dt

Ejemplo:
Tomando el ejemplo de las bombillas ahorradoras de luz, encuentra su funcin de distribucin acumulada
Fx( X )
y traza la grfica de F x ( X ) .
Valor Esperado de una Variable Aleatoria Continua
Sea X
una v.a. continua con funcin de densidad de probabilidad f x ( X ) , la Esperanza o Valor Esperado
de la v.a. X , est dada por:

E ( X )= xf x ( X ) dx= x

Varianza de una Variable Aleatoria Continua

X f x( X) E ( X ) , la
Sea una v.a. continua con funcin de Densidad de Probabilidad , y Esperanza
Varianza de la v.a. X , est dada por:


Var ( X )= (xE ( X ))2 f x ( X ) dx = 2x

O bien

Var ( X )= (x )2f x ( X ) dx x2= 2x

Ejemplo:
Tomando el ejemplo de las bombillas ahorradoras de luz, halla E ( X ) y Var ( X ) .
Ejercicio:
Sea la funcin de densidad de probabilidad f x ( X ) dada por:
f x ( X )= {
k x 2(1x)2 si 0< x <1
0 en otro caso }
Halla el valor de k , de tal manera que se cumpla que f x ( X ) es funcin de densidad de probabilidad.
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS ESPECIALES
DISTRIBUCIN DE BERNOULLI
Es aquel que modela experimentos consistentes en un ensayo que tiene solo dos posibles resultados. Por
ejemplo: Sexo; Estado de un artculo fabricado; Estado de salud de un paciente; etc.
La variable aleatoria X , toma los siguientes valores:
X= { 01sisinoocurre
ocurre el evento A }
el evento A
Donde A es el evento de inters.
DISTRIBUCIN BINOMIAL
Cuando un ensayo Bernoulli se repite n veces, en idnticas condiciones, de modo que la probabilidad p
de que ocurra el evento de inters A, o bien, de que se d el xito, es constante; hablamos entonces de n
ensayos de Bernoulli independientes, de tal manera, que la suma de estos n ensayos de Bernoulli, se
convierten en un experimento aleatorio Binomial. El cual, presenta las siguientes caractersticas:
a) El experimento consta de n ensayos repetidos e independientes unos de otros.

b) Cada ensayo tiene dos posibles resultados: Exito y Fracaso.
c) La probabilidad de exito p y de fracaso q = 1 p, son constantes de un ensayo a otro.
La funcin de distribucin de probabilidad de una variable aleatoria Binomial sta dada por:
()
f ( X )=P ( X=x )= n p x q nx
x
x=0, 1,2, 3, .n
Donde x representa el nmero de xitos.
Esperanza de una v.a. Binomial:
La media o valor esperado de una distribucin Binomial est dada por:
E ( X )==np
Donde n es el tamao de muestra y p

es la probabilidad de xito del evento de inters.
Varianza de una v.a. Binomial:
La varianza de una v.a. Binomial est dada por:
Var ( X )= 2=npq
Si X es una v.a. cuya distribucin de probabilidad es Binomial, esto se simboliza como:

X B (n , p)
Propiedades de la Distribucin Binomial:

P ( x a )= se busca directo en la tabla.
a)
P ( x <a )=P ( x a1 )
b)
P ( x >a )=1P ( x a )
c)
P ( x a )=1P ( x <a )=1P( x a1)
d)
P ( a x b )=P ( x b )P ( x <a ) =P ( x b )P( x a1)
e)
P ( a< x b ) =P ( x b )P ( x a )
f)
P ( a x <b ) =P ( x b1 )P ( x <a ) =P ( x b1 )P ( x a1 )
g)
P ( a< x< b )=P ( x b1 )P ( x a )
h)
i) ()
P ( x=a )= n p x q nx =P ( x a ) P( x a1)
x
Ejemplos:
a) En una empresa el 25% de sus empleados tienen estudios de postgrado. Se elige una muestra aleatoria
X
de 20 trabajadores. Si es la v.a. que representa el nmero de trabajadores con postgrado,
encuentra:
P (x 4 )
P ( x < 4)
P ( x >6 )
P ( x 6 )
P (2 x 7 )
P (2< x 7 )
P (2 x<7 )
P ( x=5 )
X
b) En cierto proceso de produccin se sabe que el 10% de la unidades fabricadas son defectuosas. Si
es la v.a. que representa el nmero de unidades defectuosas, halladas en una muestra de 30 articulos
tomados al azar, encuentra:
La probabilidad de que a lo sumo 12, esten defectuosas
Minimo 9 esten defectuosas

Cul es el nmero de unidades defectuosas que se espera que salgan.
Halla la Varianza del nmero de unidades defectuosas.
DISTRIBUCIN POISSON
La distribucin de probabilidad de Poisson, modela aquellos tipos de fenmenos, que ocurren en un intervalo
de tiempo o distancia determinado. Dicho intervalo puede estar dado en horas, minutos, segundos, etc. o en
kilometros, metros, centimetros, etc.
Ejemplos de Fenmenos Poissonianos:

- Nmero de accidentes de transito que se registran diariamente en una avenida de la ciudad.
- Nmero de clientes que llegan a un reconocido almacen de la ciudad, cada hora.
- Nmero de autos que pasan por un peaje cada hora.
- Nmero de fallas que registra una maquina embotelladora, mensualmente.
- Nmero de quejas que se reciben, semanalmente, por mala prestacin de servicios, en una empresa
suministradora de energia, de la ciudad. Etc.
En los experimentos Poissonianos, los eventos deben ocurrir de manera aleatoria e independiente unos de
otros.
La funcin de distribucin de probabilidad de una variable aleatoria Poisson sta dada por:
x
e
f X =P X=x =
( ) ( )
x!
x=0, 1,2, 3, .n
Donde x representa el nmero de xitos que ocurren durante un periodo de tiempo, en el cual, se espera,
que un promedio de ellos, ocurra.
Esperanza de una v.a. Poisson:
La media o valor esperado de una distribucin Poisson est dada por:
E ( X )==
Varianza de una v.a. Poisson:
La varianza de una v.a. Poisson est dada por:
Var ( X )= 2=
Si X es una v.a. cuya distribucin de probabilidad es Poisson, esto se simboliza como:

X P( )
Propiedades de la Distribucin Poisson:
Iguales que las de la Distribucin Binomial, arriba escritas, excepto cuando se halla.
e x
P x=a =
( )
x!
Ejemplos:
a) En promedio en una interseccin vial, ocurren 3 accidentes por mes. Cual es la probabilidad de que en un
determinado mes, en esta interseccin ocurran:
- Exactamente 4 accidentes?
- Minimo dos accidentes?
b) Por un congestionado peaje de la region, pasan autos a una tasa de 300 autos por hora. Encuentra la
probabilidad que en un minuto cualquiera, lleguen:
- 2 autos.
- Menos de 3 autos.
- Entre 2 y 5 autos inclusive.
APROXIMACIN DE LA DISTRIBUCIN BINOMIAL A LA POISSON

n ( n 30 ) , y la probabilidad de xito p
Cuando el tamao de muestra es grande, es pequea
( p 0.05 ) , entonces la distribucin Binomial, se puede aproximar a una distribucin Poisson, haciendo a
lambda,
=np
La aproximacin es buena si np 5
Ejemplo:
a) La probabilidad de que una persona muera debido a cierta infeccin respiratoria, es de 0,002. Encuentre
la probabilidad de que mueran menos de 5 personas de las prximas 2000 personas infectadas.
b) El 1% de los articulos producidos por una empresa son defectuosos. Encuentre la probabilidad de que
haya 4 defectuosos en una muestra de 500 articulos.
DISTRIBUCIN HIPERGEOMTRICA
Un Fenmeno se modela con la distribucin de probabilidad Hipergeometrica, cuando se cumplen las dos
siguientes condiciones:
a Cuando de una poblacin total de tamao N , se extrae una muestra aleatoria sin reemplazo de tamao
n
.
N
b Cuando dentro de la poblacin de elementos hay, k xitos, de tal manera que los fracasos sern,
Nk
.
La funcin de probabilidad de la distribucin de probabilidad Hipergeometrica, esta dada por:
f ( x )= p ( X =x ) =
( x )( nx )
k N k
( Nn )
x=0, 1,2, 3, .n
N k n
Dnde: = es el tamao de la poblacin; = es la cantidad de xitos en la poblacin; = es el
tamao de la muestra o el nmero de ensayos y; x = es el nmero de xitos en la muestra.
Es decir, la distribucin Hipergeometrica, mide la probabilidad de obtener x xitos, del total de xitos k ,
de la poblacin N , cuando se toma una muestra sin reemplazo de n elementos de la poblacin total.
Esperanza de una v.a. Hipergeometrica:
La media o valor esperado de una distribucin Hipergeometrica est dada por:

nk
E ( X )==np=
N
Donde n es el tamao de muestra, k el nmero total de xitos en la poblacin y N, es el tamao de la

poblacin.
Varianza de una v.a. Hipergeometrica:
La varianza de una v.a. Hipergeometrica est dada por:
Var ( X )= 2=npq ( NN n
1 ) k k N n
=n (1 ) (
N N N 1 )
Dnde: ( NN1
n
) , es el llamado factor de correccin poblacional, que tiende a 1, cuando N .
Si X es una v.a. cuya distribucin de probabilidad es Hipergeometrica, esto se simboliza como:

X H ( N , n , k)
Propiedades de la Distribucin Hipergeomtrica:
Iguales que las de la Distribucin Binomial, arriba escritas, excepto cuando se halla.
P ( x=a )=
( x )( nx )
k N k
( Nn )
Ejemplos:
a De 30 personas seleccionadas de una determinada empresa, 12 de ellas son tcnlogos, y 18 son
profesionales, en el rea de mercadeo. Si se selecciona una muestra aleatoria de 8 personas, cul es la
probabilidad de que:
- 4 de ellos sean tcnlogos.
- Maximo 2 sean profesionales

b Un lote de 40 articulos, contiene 5 defectuosos. Se elige una muestra de 8 articulos. Cul es la
probabilidad de encontrar:
- 0; 1; 2 defectuosos.
APROXIMACIN DE LA DISTRIBUCIN HIPERGEOMTRICA A LA BINOMIAL

n
Cuando el tamao de muestra es grande (n ) , entonces la distribucin Hipergeomtrica, se puede
p:
aproximar a una distribucin Binomial, haciendo a
k
p=
N
Ejemplo:
a De cada 2000 tornillos fabricados por una determinada mquina, hay 2 defectuosos. Para realizar el
control de calidad, se observan solo 150 tornillos. Se rechaza el lote si se llegase a encontrar, mas de 1
tornillo defectuoso. Calcule la probabilidad de que el lote sea rechazado.
DISTRIBUCIN NORMAL
Es una distribucin con amplias aplicaciones, como por ejemplo, las medidas longitudinales, de rea,
edades, estaturas, industria, mediciones fsicas, experimentos metereolgicos, entre otras.
Una variable Aleatoria que se distribuye de manera Normal, se representa Como:
X N ( , 2)
Funcin de Densidad de Probabilidad de la Distribucin Normal:

Sea X una v.a. continua que se distribuye de manera Normal, la funcin de densidad de probabilidad de
X
es:
2
1
( x
)
1 2
f ( x )= e < x <
2
Esperanza de una v.a. Normal:
La media o valor esperado de una distribucin Normal est dada por:
E ( X )=
Varianza de una v.a. Normal:

La varianza de una v.a. Normal est dada por:
Var ( X )= 2
Propiedades de la Distribucin Normal:
a Su grfica tiene punto mximo en x= .

x= ,
b Es simetrica respecto de la vertical es decir, que =Me=Mo .
c Es concava hacia abajo, en el intervalo [ , + ] .
d Es creciente en el intervalo (, ] ; y decreciente ( , ]
Ejemplos de Grficas de la Distribucin Normal:

Funcin de Probabilidad Acumulada de la Distribucin Normal:

X
Sea una v.a. continua que se distribuye de manera normal, con funcin de densidad
2
1
( x
)
1
La funcin de probabilidad Acumulada de X , est dada por:
2
f ( x )= e
2
x 1
( t )
1
F ( x )= e 2
dt
2
Teorema:
2 X
X N ( , ) , entonces la variable estandarizada Z N (0,1) , donde, Z=
Si la v.a. continua
Z.
Que es la llamada variable Estandarizada
Propiedades de las probabilidades de la v.a. Normal:

P ( x a )=P ( x< a )=
a) Directo en la tabla.
P ( x a )=P ( x> a )=1P ( x a )
b)
P ( a x b )=P ( a< x b )=P ( a x <b )=P ( a< x< b )=P ( x b )P ( x a )
c)
P ( x=a )=0
d)
Ejemplos:
a) Los pesos de cierto grupo de personas estan distribuidos de manera normal, con una media de
=70 kg . =12.5 kg .
Y una desviacin estndar de Cul es la probabilidad de que una
persona seleccionada al azar, de este grupo, tenga un peso de entre, 50 y 85 kg.?
b) Supngase que los dimetros de los tornillos producidos por una fbrica, estan distribuidos de
manera normal, con una media de 0,25 pl. y una desviacin estndar de 0,02 pl. se considera
un tornillo defectuoso, si su diametro es menor e igual a 0,2 pl. o mayor e igual a 0,28 pl. Halla
el porcentaje de tornillos defectuosos fabricados por la compaa.

Notas de Clase Estadística Ingenieria

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Notas de Clase Estadística Ingenieria

Uploaded by

Copyright:

Available Formats

ESTADISTICA NOTAS DE CLASE - MSc.

LILIANA VITOLA GARRIDO

QUINTO CAPITULO: PROBABILIDAD

ASESORIAS PARA ESTUDIANTES

Ingenieria Civil LUNES 9:00 - 11

POBLACIN OBJETO DE ESTUDIO:

Para el ejemplo anterior, la muestra es probabilstica si, independientemente de la Institucin Educativa de

Binomial: Cuando la variable cualitativa, tiene solo dos categoras o modalidades.

Multinomial: Cuando la variable cualitativa, tiene ms de dos categoras.

Usos del Muestreo en Diferentes Campos

Ingenieria: Las muestras de suelos analizadas en un laboratorio, pueden ayudar a determinar si el

Muestreo Con y Sin Reemplazo:

Error Muestral y no Muestral:

Con esta informacin, hllese:

Muestras Ordenadas Media Muestral Error Muestral e= x

- La poblacin de la que realmente se muestrea, no es la relevante.

- Los individuos bajo estudio dan respuestas inexactas o inciertas.

En el caso que el tamao N de la poblacin, se conozca. El tamao muestral queda:

En el caso que el tamao N de la poblacin, se conozca. El tamao muestral queda:

Donde N es el tamao de la poblacin.

TIPOS DE MUESTREO PROBABILSTICO

Muestreo Aleatorio Simple

Muestreo Aleatorio Estratificado

Si los K grupos de la poblacin contienen N1, N2,NK, entonces N1+ N2 ++ NK= N

Los resultados se muestran a continuacin:

Estrato Rentabilidad(Rendimiento Financiero) Nmero De Empresas Nmero Muestreado Nm

2 Entre 20% y 30% 35 5

3 Entre 10% y 20% 189 27

4 Entre 0% y 10% 115 16

Muestreo Aleatorio Sistemtico

1. Se calcula el tamao de la muestra correspondiente; digamos que el tamao de muestra es 20.

Muestreo Aleatorio Por Conglomerados

1. En el muestreo por conglomerados, la investigacin identificara primero los departamentos de

Muestreo Aleatorio por Etapas Mltiples o Multietpico

Si el muestreo tiene dos etapas, se le conoce como Muestreo Bietapico.

TIPOS DE MUESTREO NO PROBABILSTICO

Muestreo por Conveniencia

Distribucin de Frecuencias Simples:

Distribucin de Frecuencias Agrupadas:

Pasos para construir la tabla de frecuencia con datos agrupados:

1) Se halla el Rango R, del conjunto de datos:

RANGO= Xmax Xmin

2) Se halla el nmero de intervalos C, que van a componer la tabla:

Regla de STURGEES: C = 1+ 3,3Log(n), donde n es el tamao de la muestra, si da un nmero decimal

3) Se halla el ancho A, de cada uno de los intervalos:

4) Cuando el rango se ample, se determina en cuantas unidades lo hace, y se reparte convenientemente

5,2 4,8 11,5 12,1 9,9

DIAGRAMAS DE REPRESENTACIN DE DATOS

El histograma de frecuencias es una representacin visual de los datos en donde se evidencian

MEDIDAS DE TENDENCIA CENTRAL

Caso de datos agrupados:

L: Es el lmite inferior del intervalo donde se encuentra la Mediana.

Fi1 : Es la frecuencia absoluta acumulada anterior al intervalo donde se encuentra la Mediana.

f i : Es la frecuencia absoluta del intervalo donde est la mediana.

A : Es la amplitud del intervalo.

L es el lmite inferior del intervalo donde se encuentra la Moda.

del intervalo inmediatamente posterior.

A : Es la amplitud del intervalo.

Los cuartiles quedaran definidos de la siguiente manera:

n/4= 25/4=6,25 7, entonces el cuartil Q1 es el dato que se encuentra en la posicin 7 del

3n/4=3(25)/4=18,75 19, entonces el cuartil Q3 es el dato que se encuentra en la posicin 19 del

El procedimiento para encontrar el valor de cualquier percentil Pk a partir de datos clasificados, es el

De tal manera que el Decil 1(D1) es igual al Percentil 10 (P0,10)