��#ࡱ#�################>###��

#################W###########Y#######����####J###K###L###M###N###O###P###Q###R###S#
##T###U###V###x###�###�###�#######�###� ##� ##
##�
##�###�###~
##�
##|##�
##���������������������������������������������������������������������������������
�����������������������������������������������������������������������������������
�����������������������������������������������������������������������������������
���������������������������������������������������������������������������##`
###�#�###############�#
###bjbj�#�###################
##s&
#�##�##��######�################^######��##########��##########��############
######�#####P
######P
##P
######P
######H+######H+######H+##$###########l+######��######��######��##P####�##########�
###l+######�-
######�###�###�###.###�#######�#######h###############################�$######�$###
###�$######�$######�$######�$######�$##$###�/##h###D2##�###�$##�###################
H+######u0#######################�##�h##�###"###u0######u0######�$##############P
######P
######�###############h###��##�-#######{#######{#######{######u0#####P
##\###�###�###H+######h#######�$###############{###################################
###################u0######�$###############{#######{##*###+�##�###�"##�###H+######
########################################################O�######h#######�###
###�VK
�1�#########��######{=##� ##'�##R###########�##
F##�-##0###�-
######y�##�###�2######U^##T###�2##�###O�###########################################
###################################�2##############H+######O�##0###.###J###x#######
#{######�&##t###�(##y#######################################�###�###�###b###�###�$#
#####�$######################################�z##^#################################
##.#######.#######.#######�-
######u0######u0######u0######u0##############l+######l+######l+##$�##��##$###l+###
###l+######l+######��######l+######l+######l+######P
######P
######P
######P
######P
######P
######����######
###################################################################################
###################################################################################
###################################################################################
###################################################################################
###################################################################################
###################################################################################
##################################################################################U
NIVERSIDAD TECNOLOGICA DE LA HUASTECA HIDALGUENSE####
MANUAL DEL PROFESOR#
�ndiceIntroducci�n#4##Firmas de autorizaci�n #4##Probabilidad aplicadaConceptos
b�sicosPermutaciones y combinacionesEnfoque de probabilidadDistribuci�n de
probabilidad#5581224##Estimaci�nEstimaci�n puntualEstimaci�n por intervalo
Determinaci�n del tama�o de muestra #43434753##3. Prueba de hip�tesis3.1.
Prueba de hip�tesis para medias3.2. Prueba de hip�tesis para proporciones#585871
##4. Regresi�n y Correlaci�n4.1. M�nimos cuadrados.4.2. Estimaci�n mediante
l�nea de regresi�n simple.4.3. An�lisis de correlaci�n.#76768086##Introducci�n a
las matem�ticas financieras
Conceptos generalesProgresiones aritm�ticas e inter�s simple Progresiones
geom�tricas e inter�s compuesto Diagramas de flujo de caja #919195105111##Tasa de
inter�s.Tasa de inter�s efectiva Tasa de inter�s real Tasa de inter�s nominal
C�lculos de tasa real y efectiva#115115120125127##Anualidades y amortizaci�n.7.1
Anualidades anticipadas y vencidas7.2 amortizaci�n#128128141##Tasa interna de
retorno.conceptos generalesM�todo de la tasa interna de retornoM�todo del valor
presente netoM�todo del costo anual uniforme equivalente#147147150153160##Firmas
Elabor�#Revis�##Ing. Dar�o Garc�a Hern�ndez.#M en C. Juana Garc�a Morales.##
#Directora de la Carrera##Vo. Bo.#Autoriz�## MAD. Marisol Flores Contreras#
Dra. Miriam Yta##Directora de Enlace Acad�mico#Rectora##Introducci�n Elevar la
calidad acad�mica de esta universidad se ha convertido en el objetivo a corto
plazo, es de reconocer el esfuerzo aqu� vertido para proporcionar a los estudiantes
una formaci�n de calidad, sin embargo, la participaci�n global de una instituci�n
educativa obliga a una actualizaci�n permanenteDentro de este marco los materiales
did�cticos se convierten en instrumentos indispensables para ayudar a elevar la
calidad educativa en las instituciones. Este manual pretende proporcionar una
visi�n de conjunto de la asignatura, as� como se�alar los conceptos fundamentales
tratados en cada uno de los temas del programa. El objetivo principal que se
persigue es el de ayudar al alumno a estructurar y organizar la informaci�n
recogida en el manual para facilitar as� la compresi�n de sus contenidos. Por
tanto, el equipo docente recomienda a todos los alumnos de la carrera de
Administraci�n y Evaluaci�n de Proyectos en que lean detenidamente este manual
para tener una orientaci�n general de la asignatura y que la consulten cuando
estudien cada uno de los temas tratados en el texto, ya que en ella se
proporcionar�n las orientaciones did�cticas precisas para su estudio. Creemos que
este manual puede facilitar al alumno de la Universidad Tecnol�gica de la Huasteca
Hidalguense un material did�ctico adicional que contribuya al aprendizaje de los
contenidos de la asignatura. Se indican igualmente en este manual, otra serie de
medios con los que cuenta el alumno para el estudio. Todos ellos obedecen a un
inter�s fundamental, reducir la distancia alumno-profesor. El presente manual
presenta ser un instrumento de apoyo para que el profesor lleve acabo una
planeaci�n por sesi�n y una revisi�n minuciosa de los contenidos para cumplir con
el saber y saber hacer de una manera evidenciable, el curso se divide en VIII
unidades tem�ticas, las cuales incluyen las actividades de aprendizaje y los
criterios de evaluaci�n de cada actividad, el manual cuenta adem�s con 3 anexos, a)
Resumen de actividades de aprendizaje, b) Resumen de sesiones, c)justificaci�n de
desfasamientoUnidad Tem�tica: I. Probabilidad Aplicada.I.1Tema: Conceptos b�sicos.
I.1.1 Objetivo de aprendizaje: Que el alumno identifique y maneje los distintos
conceptos b�sicos fundamentales en la probabilidad.I.1.2 Recurso tiempo del tema: 3
horasI.1.3 Desarrollo:Probabilidad.- Valor entre cero y uno, inclusive, que
describe la posibilidad relativa de que ocurra un evento.Se utilizan tres palabras
clave en el estudio de la probabilidad, experimento, resultado y evento. Estos
t�rminos se emplean en nuestra habla cotidiana, pero en estad�stica tienen
significados espec�ficos.Experimento.- Proceso que conduce a la ocurrencia de una
(y solamente una) de varias observaciones posibles.En el caso de la probabilidad,
un experimento tiene dos o m�s resultados posibles, y es incierto cual habr� de
ocurrir.Resultado.- Lo que resulta espec�ficamente de un experimento. Por ejemplo,
lanzar una moneda al aire es un experimento se puede observar el lanzamiento de
aquella, pero no se est� seguro de que si caer� �cara� (anverso) o cruz (reverso).
Evento.- Conjunto de uno o m�s resultados de un experimento.En el experimento de
tirar un dado existen seis resultados posibles, pero hay muchos eventos factibles.
Cuando contamos el n�mero de miembros de junta de directores que tienen m�s de 60
a�os de edad en las 500 compa��as representadas en la revista Fortune, el No. Total
de resultados posibles puede estar entre cero y el n�mero total de miembros. Existe
un gran n�mero de eventos posibles en �ste experimento.Experimento.#Tirar un
dado.#Contar el n�mero de miembros de junta de directores de 500 compa��as
presentadas en Fortune de m�s de 60 a�os de edad.##Todos los resultados
posibles#Caer un 1Caer un 2Caer un 3Caer un 4Caer un 5Caer un 6#Ninguno es mayor de
60 uno es mayor de 60dos son mayores de 6029 son mayores de 6048 son mayores de
60##Algunos eventos posibles.#Un n�mero parUn n�mero mayor que 4Un n�mero menor que
3#Mas de 13 son mayores de 60Menos de 20 con mayores de 60.##Una probabilidad se
expresa con un n�mero decimal, del tipo 0.70, 0.27 o bien 0.50. Sin embargo, puede
darse como una fracci�n por ejemplo 7/10, 27/100 o bien �.
Puede ser un cierto n�mero desde 0 a 1, inclusive. Si una compa��a tiene solo cinco
regiones de ventas y el nombre o n�mero de cada una se escribe en un trozo de
papel, las notas se colocan en un sombrero, la probabilidad de escoger del sombrero
un trozo de papel que diga�acereros de Pittsburg� (un equipo deportivo), es 0. De
esta forma, la probabilidad 1 representa algo que seguramente va a suceder, y la
probabilidad 0 se�ala algo que no puede ocurrir.Cuando m�s se aproxime a 0 una
probabilidad, es m�s improbable que suceda algo. Cuanto m�s se acerque a 1, tantos
m�s seguros estaremos que ocurrir�.
############0.00#0.10#0.20#0.30#0.40#0.50#0.60#0.70#0.80#0.90#1.00##########
Ejemplo:El departamento de v�a p�blica, en Huejutla, Hgo., est� considerando
ampliar la Avenida Ju�rez a tres carriles. Antes de tomar una decisi�n, se pregunt�
a 500 ciudadanos si apoyan la ampliaci�n.a).- �Cu�l es el experimento?b).- �Cu�les
son algunos de los posibles eventos?c).- Mencione dos resultados posibles.a).-
Preguntar a 500 ciudadanos si est�n a favor o en contra de ampliar a tres carriles
la Avenida Ju�rez.b).- 321 a favor de la ampliaci�n 387 favorecen tal acci�n
444 opinan a favor de la misma.c).- Una mayor�a es favorable a la ampliaci�n .251 o
m�s. 300 personas est�n a favor de la ampliaci�n.I.1.3.1 T�cnica Did�ctica:
Exposici�n del profesor.I.1.3.2 Material de Apoyo: Pizarr�n, haciendo uso de
marcadores en diferentes colores.I.1.4 Actividades de AprendizajeActividad de
aprendizaje No. 1:PR-1 : Practica escritaI.1.4.1 Instrucciones: Resuelve de manera
correctamente las siguientes Preguntas.Valor actividad: 5 PuntosProducto
esperado: Que sea resuelta de manera satisfactoria la pr�ctica.Fecha inicio: Fecha
entrega: Forma de entrega: Por separado, escrito a manoTipo de actividad:
IndividualFecha de realimentaci�n: El mismo d�a de entrega.I.1.4.1 Criterio de
evaluaci�n de la actividad P-1Actividad#Actividad#Ponderaci�n##Practica por escrito
#Responder � la practica.# 4 Puntos##Manejo de los conceptos b�sicos
probabil�sticas.#Utilizar el formato para la elaboraci�n de pr�cticas.# 1
Puntos###Total#5 puntos##I.1.5 Resultado del Aprendizaje: Se pretende que los
alumnos adquieran los conocimientos fundamentales de la probabilidad. I.1.6
Bibliograf�a:Estad�stica para Administraci�n y Econom�a.Robert D. Mason/ Douglas A.
Lind/ William G. Marcial. Editorial Alfaomega.I.2. Tema: Permutaciones y
combinaciones.I.2.1Objetivo de aprendizaje: Aplicar las permutaciones en la
soluci�n de problemas pr�cticosI.2.2 Recurso tiempo del tema: 3.0 horasI.2.3
Desarrollo:Principios de conteoSi el n�mero de posibles resultados de un
experimento es peque�o, resultarelativamente f�cil enlistar y contar todos lo
eventos factibles. Por ejemplo, hay seisposibles eventos resultantes de la tirada
de un dado, espec�ficamente:###### Sin
embargo, si existe un gran numero de posibles resultados, como podr�a ser elnumero
de ni�os y ni�as en familia de 10 hijos, resultar�a tedioso enlistar y contar todas
las posibilidades. Podr�a tener solo ni�os, un ni�o y nueve ni�as. Dos ni�os y
ocho,ni�as y as� sucesivamente. Para facilitar el conteo, se examinaran 3 formulas:
formula demultiplicaci�n, permutaci�n y combinaci�n. Formula de multiplicaci�n: si
hay m modosde hacer una cosa y n formas de hacer otra, existen M X N formas de
hacer ambas.En t�rminos de una formula:#Esto puede extenderse para m�s de dos
eventos. Para tres eventos M, N, O:#Ejemplo:Un vendedor de autom�viles desea
anunciar que $19 999 (d�lares) usted puede comprar un convertible, un sedan de dos
puertas, o un modelo de cuatro, con elecci�n de de cubrerrines (o cubrerruedas)
deportivos o comunes.�Cu�ntos arreglos diferentes de modelos y cubrerruedas puede
ofrecer el comerciante?Soluci�n: Desde luego, el vendedor podr�a determinar el
n�mero total de arreglos esquematizados y cont�ndolo. Hay seis posibilidades.
Convertible con cubrerrines deportivos.#Convertible
con cubrerrines comunes.##Dos puertas con cubrerrines deportivos.#Dos puertas con
cubrerrines comunes.##Cuatro puertas con cubrerrines deportivos.#Cuatro puertas con
cubrerrines comunes.##Podemos utilizar la f�rmula de la multiplicaci�n para
verificar (donde m es el n�mero de modelos y n el tipo de cubrerrines. Aplicando la
f�rmula:Total de arreglos posible= (m)(n)= (3) (2) = 6.En este ejemplo no fue
dif�cil en listar y contar todas las posibles combinacionesdecubrerrines y modelos
de autos. Sin embargo, suponga que el vendedor decidieraofrecer ocho modelos y seis
tipos de cubrerruedas. Resultar�a tedioso dibujar y contar todas las alternativas
posibles. En vez de esto podr�a utilizarse la f�rmula de multiplicaci�n. En tal
caso, (m) (n) = (8) (6) = 48 arreglos posibles.F�rmula de permutaci�n. Es un
arreglo o disposici�n de r objetos seleccionados a partir de un grupo �nico de n
objetos posibles.Observe que el arreglo a,b,c y b,a,c, son permutaciones
diferentes. La f�rmula que se utiliza para contar el n�mero total de permutaciones
distintas es: # EMBED Equation.3 ###Donde: P es
el n�mero de permutaciones o, modos en que pueden ordenarse los objetos.N es el
n�mero total de objetos. En el primero ejemplo, has tres partes electr�nicas, de
manera que n=3.r es el n�mero de objetos que se van a disponer cada vez.n! => se
lee como �n factorial� es el producto de todos los n�meros de 1 a n. Por
definici�n 0! = 1.Ejemplo 1: Con referencia a un grupo de tres partes electr�nicas
que deben ensamblarse en cualquier orden �En cuantos modos diferentes pueden
reunirse?Se tiene que n=3, porque hay 3 partes a ensamblar,Y tambi�n r=3 porque las
3 partes van a insertarse en la unidad de enchufe.# EMBED Equation.3 ###ABC
BAC CAB ACB BCA CBAEjemplo 2: Sup�ngase que hay ocho maquinas disponibles
pero solo tres espacios en el piso de un taller donde se han de instalar tales
maquinas .�De cuantos modos diferentes pueden colocarse las ocho en los tres
espacios disponibles?Soluci�n: Hay ocho posibilidades par el primer espacio , siete
para el segundo (una ya fue utilizada) y seis para el tercero. Entonces.(8)(7)(6) =
336.Como antes, esto tambi�n puede expresarse matem�ticamente diciendo que el
numero de permutaciones ,P, de n elementos depende del numero de espacios ,r,
disponibles.nPr =# EMBED Equation.3 ### = # EMBED Equation.3 ### = # EMBED
Equation.3 ### =# EMBED Equation.3 ###= 336Formula de la Combinaci�nA fin de que
se considere como una permutaci�n es diferente el orden de los objetos para cada
resultado posible. Para tres objetos, a, b, c, la ordenaci�n a, b, c es el de una
permutaci�n ; b, a, c es otra c, a, b es otra m�s, y as� sucesivamente. Hay seis
arreglos posibles para estos tres objetos tomados tres a la vez. Utilizando la
formula de la permutaci�n.nPr =# EMBED Equation.3 ### = # EMBED Equation.3 ### =#
EMBED Equation.3 ###= 6Si no importa el orden de los objetos, al n�mero total de
ordenaciones se le denomina combinaci�n.Combinaci�n. Es el n�mero de modos para
elegir r objetos de un grupo de n de ellos sin considerar el orden.La formula de la
combinaciones:# EjemploSi los
ejecutivos Abel, B�ez y Chauncy han de ser elegidos como un comit� para negociar
una fusi�n de empresas, s�lo existe una combinaci�n posible de estos tres. El
comit� formado por Abel, B�ez y Chauncy equivale al integrado B�ez, Chauncy y Abel.
Utilizando la f�rmula de la combinaci�n.nCr# EMBED Equation.3 ###=# EMBED
Equation.3 ###= 1Ejemplo:A un departamento de mercadeo se le ha solicitado que
dise�e c�digos de color para las 42 l�neas de discos compactos (CD)vendidos por
Godoy Records. Se han de utilizar tres colores en cada l�nea, pero con una
combinaci�n de tres colores empleados para una de ellas no puede reordenarse y ser
utilizada para identificar una distinta l�nea de CD. Esto significa que si se
usaran verde, amarillo y violeta para se�alar una l�nea, entonces amarillo, verde y
violeta (o cualquiera otra combinaci�n de estos tres colores)no pueden ser
empleados para identificar otra � ser�n adecuados siete colores tomados de tres a
la vez para codificar por color las 42 l�neas?Soluci�n.Existen 35 combinaciones que
se obtienen del c�lculo de:nCr =# EMBED Equation.3 ###=# EMBED Equation.3 ###= 35
Los siete colores tomados de tres a la vez , no ser�an adecuados para codificar por
colorlos 42 discos compactos diferentes, por que solo permiten 35 combinaciones.
Ocho colores tomados tres a la vez dar�an 56 combinaciones distintas. Esto ser�a
mas que adecuado para codificar crom�ticamente las 42 l�neas.I.2.3.1 T�cnica
Did�ctica: Exposici�n del profesor.I.2.3.2 Material de Apoyo: Pizarr�n, haciendo
uso de marcadores en. diferentes colores.I.2.4 Actividades de
AprendizajeActividad de aprendizaje No. 2TA-1 : Ejercicios de aplicaci�n.I.2.4.1
Instrucciones: Resuelve de manera correctamente los siguientes Ejercicios.
Valor actividad: 10 PuntosProducto esperado: Que los alumnos resuelvan de manera
correcta los ejercicios propuestos.Fecha inicio: Fecha entrega: Forma de entrega:
Por separado, escrito a manoTipo de actividad: IndividualFecha de realimentaci�n:
El mismo d�a de entrega.I.2.4.1 Criterio de evaluaci�n de la actividad TA-1
Actividad#Actividad#Ponderaci�n##Ejercicios propuestos. #Resolver los ejercicios
propuestos.# 9 Puntos##Resuelva de manera correcta los problemas.#Utilizar el
formato para la entrega de tareas.# 1 Puntos###Total#10 puntos##Actividad de
aprendizaje No. 3PR-2 Resolver ejercicios pr�cticosI.2.4.1 Instrucciones: Resolver
los siguientes ejercicios pr�cticos. o) Valor: 5 Puntosp) Producto
esperado: Que los ejercicios sean resueltos de manera correcta. q)
Fecha inicio: r) Fecha entrega: s) Forma de entrega: escrito a manot) Tipo de
actividad: Individualu) Fecha de retroalimentaci�n:I.2.4.1 Criterio de evaluaci�n
de la actividad PR-2Actividad#Actividad#Ponderaci�n##Practica por escrita.
#Resolver en forma r�pida ejercicios sobre permutaciones..#4 Puntos##Uso de reglas
de presentaci�n#Utilizar el formato para la elaboraci�n de pr�cticas.#1
Puntos###Total#5 puntos##I.2.5 Resultado del Aprendizaje: Se pretende que los
alumnos resuelvan de manera satisfactoria los problemas propuestos de permutaciones
y combinaciones. I.2.6 Bibliograf�a:Estad�stica para Administraci�n y Econom�a.
Robert D. Mason/ Douglas A. Lind/ William G. Marcial. Editorial Alfaomega.I.3.
Tema: Enfoque de probabilidad.I.3.1 Objetivo de aprendizaje: Que el alumno aplique
la teor�a de la probabilidad en la soluci�n de problemas de dependendencia e
independencia estad�stica. As� como el teorema de Bayes, como una parte importante
de �sta teor�a.I.3.2 Recurso tiempo del tema: 3.0 horasI.3.3 Desarrollo:Enfoques de
probabilidad:#
Probabilidad cl�sicaPUNTO DE VISTA OBJETIVO:
Probabilidad emp�rica#Probabilidad = No. de resultados favorablesDe un
evento No. total de resultados posibles Ejemplo: Considerar
el experimento de tirar un dado de seis caras �Cu�l ser� la probabilidad del evento
de caer un numero par?######Probabilidad de un n#�mero par = 3� 6 = 0.5Mutuamente
excluyente: se expresa esto porque la ocurrencia de cualquier evento implica que
ning�n otro puede ocurrir al mismo tiempo.En el experimento de tirar un dado, el
evento �un n�mero par� y el evento �un n�mero impar� son mutuamente excluyentes. Si
cay� un n�mero par, no podr�a caer, uno impar al mismo tiempo. Si un experimento
tiene un conjunto de eventos que incluye cada uno de los resultados posibles, tales
como los eventos �un n�mero par� y �un n�mero impar� en el lanzamiento de un dado,
entonces el conjunto de eventos se denomina colectivamente exhaustivo.
Colectivamente exhaustivo: Se se�ala esto porque por lo menos uno de los eventos
debe ocurrir cuando se realiza un experimento. En el experimento de tirar un dado,
cada resultado ser� un n�mero par o impar. Por lo tanto el conjunto es
colectivamente exhaustivo.Si el conjunto de eventos es colectivamente exhaustivo y
los eventos son mutuamente excluyentes, la suma de las probabilidades es igual a 1.
Para el experimento de lanzar una moneda Probabilidad
Evento: Cara 0.5# Evento: Cruz 0.5
Total: 1.0 Obs�rvese que es innecesario realizar un
experimento para determinar la probabilidad de que ocurra un evento al utilizar un
enfoque cl�sico. Ejemplo: Es posible llegar en forma l�gica a la probabilidad de
obtener una cruz en el lanzamiento de una moneda o tres caras en el lanzamiento de
tres monedas.Concepto emp�rico: Otra manera para definir la probabilidad es con
base a las frecuencias relativas. La probabilidad de que un evento ocurra a largo
plazo se determina observando en que fracci�n de tiempo sucedieron eventos
semejantes en el pasado. Utilizando una f�rmula: Probabilidad
No. de veces que el evento ocurri� en el pasado# De que =
Suceda un evento No. total de observacionesEjemplo: Se
efectu� un estudio de 751 graduados en administraci�n en la universidad de Toledo
(EUA). Este experimento revel� que 383 de los 751 no estaban empleados seg�n su
principal �rea de estudio en la universidad. Por ejemplo: Una persona que se gradu�
en un �rea especializada en contadur�a; ahora es gerente del mercadeo de una
empresa de procesamiento de tomates. �Cu�l es la probabilidad de
que un graduado espec�fico en administraci�n est� empleado en un �rea distinta a
la principal de sus estudios de universidad? Probabilidad No. de
veces que el evento ocurri� en el pasado# De que =Suceda un
evento No. total de observaciones 383#P(A) =
751P(A) = 0.51Con base en la experiencia, existe una probabilidad de 0.51 de que un
graduado en administraci�n est� empleado en un campo distinto al de su �rea
principal de estudio.Probabilidad subjetiva: Posibilidad (probabilidad) de que
suceda un evento espec�fico, asignado por una persona con base en cualquier
informaci�n de que se disponga.Calcular la probabilidad de que la General Motors
Corp. pierda su lugar n�mero 1 en unidades totales vendidas frente a la Ford Motor
Co., o a la Chrysler Corp. dentro de 2 a�os.Valorar la posibilidad de que el alumno
x obtenga una calificaci�n de 100 en este curso.Estimar la probabilidad de que el
equipo de los patriotas de Nueva Inglaterra jueguen en el supertaz�n de f�tbol
americano el pr�ximo a�o.Hay dos puntos de vista con respecto a la probabilidad; el
objetivo y el subjetivo. Se observ� que una expresi�n probabil�stica siempre
constituye una estimaci�n de un valor desconocido que regir� un evento que todav�a
no ocurre. Desde luego existe una extensi�n considerable en el grado de
incertidumbre que rodea a esta estimaci�n, con base principal en el conocimiento
que posea la persona respecto del proceso b�sico. REGLAS DE PROBABILIDAD: Regla
especial de adici�n.Para aplicar la regla especial de adici�n, los eventos deben
ser mutuamente excluyentes. Recu�rdese que mutuamente excluyente significa que
cuando ocurre un evento, ninguno de los otros puede ocurrir al mismo tiempo. Un
ejemplo de eventos mutuamente excluyentes en el experimento de tirar un dado son
los eventos �un n�mero 4 o mayor� y �un n�mero 2 o menor�. Si el resultado se
encuentra en el primer grupo {4, 5, 6} no puede estar en el segundo grupo {1, 2}. Y
un producto industrial que sale de una l�nea de ensamble no puede ser defectuoso y
satisfactorio a la vez.Si dos eventos A y B son mutuamente excluyentes, la regla
especial de adici�n indica que la probabilidad de que ocurra uno u otro de los
eventos, es igual a la suma de las probabilidades. Esta regla se expresa en la
formula siguiente:# Ejemplo:Una m�quina autom�tica Shaw llena bolsas de
pl�stico con un a mezcla de frijoles, br�coli y otras legumbres. La mayor�a de las
bolsas contiene el peso correcto, pero debido a ligeras variaciones en el tama�o de
las verduras, un paquete puede tener un peso ligeramente menor o mayor. Una
verificaci�n de 4000 paquetes llenados en el mes pasado indic�.Peso#Evento#N�mero
de paquetes#Probabilidad de ocurrencia.##Con peso menor#A#100#0.025
(100/4000)##Satisfactorio#B#3600#0.900##Con peso
mayor#C#300#0.075##Total##4000#1.000##�Cu�l es la probabilidad de que un paquete en
especial tenga un peso menor o mayor?Soluci�n. El resultado �peso menor �es el
evento A. El resultado �peso mayor� es el evento C. Aplicando la regla especial de
la adici�n: P(A o C) = P(A) + P(C)
= 0.025+0.075 = 0.10Regla de
complemento:Diagramas de VennEl experto en l�gica J. Venn (1834 � 1888) desarroll�
un diagrama para representar gr�ficamente el resultado de un experimento. El
concepto de mutuamente excluyentes y otras reglas diversas para combinar
probabilidades pueden visualizarse empleando �ste dispositivo.Para elaborar un
diagrama primero se delimita un espacio que ha de representar a todos los posibles
resultados. Tal espacio tiene generalmente forma de rect�ngulo. Un evento se
representa por un �rea redonda que se dibuja proporcional a la probabilidad del
evento.Representaci�n del concepto mutuamente excluyente. No hay superposici�n de
eventos, lo cual indica que son de ese tipo.####
EVENTO EVENTO EVENTO
A B CLa probabilidad
de que una bolsa de verduras mixtas seleccionada sea de peso menor, P(A) mas la
probabilidad de que no sea una bolsa con peso de menos, que se escribe P(~A) y se
lee �no A� , debe l�gicamente ser igual a 1. Esto se expresa como sigue:
P(A) + P(~A) = 1Lo anterior puede ser expresado tambi�n como:#
A esto se le denomina regla del complemento.La regla del complemento se utiliza
para determinar la probabilidad de que ocurra un evento restando del n�mero 1 la
probabilidad de que no ocurra. Un diagrama de Venn que ilustre la regla del
complemento ser�a:###Ejemplo: Hay que recordar que la probabilidad de que una bolsa
con legumbres mixtas tenga peso de menos es 0.025 y que tenga peso de mas, 0.075.
Debe de utilizarse la regla de complemento para demostrar que la probabilidad de
que una bolsa satisfactoria vale 0.900. Plantear la soluci�n empleando diagrama de
Venn.Soluci�n: La probabilidad de que la bolsa no sea satisfactoria es igual a la
probabilidad de que sea de peso mayor, mas la probabilidad de que sea de menor
peso. Esto es, P(A o C) = P(A) + P(C) = 0.025 + 0.075 = 1.00. La bolsa es
satisfactoria si no es de peso menor ni de peso mayor, por tanto P(B) = 1- [P(A)] +
[P(C)] = 1 - (0.025 + 0.075) = 0.900#####Regla general de adici�n:Los resultados
de un experimento pueden no ser mutuamente excluyentes. Por ejemplo Suponga que la
Comisi�n de Turismo de Florida selecciono una muestra de de 200 turistas que
visitaron ese estado durante el a�o. La encuesta revel� que 120 fueron a Disney
World , y 100, a Busch Gardens, cerca de Tampa.�Cu�l es la probabilidad de que una
persona seleccionada haya visitado Disney World o Busch Gardens? Si se emplea la
regla especial de adici�n, la probabilidad de seleccionar un turista que fue a
Disney World es 0.60, que se obtiene de 120/200. De manera similar, la probabilidad
de que uno de los viajeros haya ido a Busch Gardens es 0.50. La suma es de 1.10.
Sin embargo, se sabe que �sta probabilidad no puede ser ,mayor que 1.�La
explicaci�n es que muchos turistas visitaron ambas atracciones y se est�n contando
dos veces! Una verificaci�n de las respuestas de la encuesta revel� que 60 de las
200 personas de la muestra en realidad fueron a ambos lugares.Para responder a la
pregunta, ��Cu�l es la probabilidad de que una persona seleccionada haya visitado
Disney World o Busch Gardens?�(1) se suma la probabilidad de que el turista haya
ido a Disney Word y la probabilidad de que haya estado en Busch Gardens, y (2) se
resta de la probabilidad de visitar ambos lugares. De esta forma:
P(Disney o Busch) = P(Disney) + P (Busch) �P(Disney y Busch)
= 120/200 + 100/200 - 60/200
= 0.60 + 0.50 � 0.30 =
0.80Cuando dos eventos se traslapan, la probabilidad se le denomina probabilidad
conjunta. La probabilidad de que el turista visite ambos lugares (0.30) es un
ejemplo de probabilidad conjunta.Probabilidad Conjunta: Es la probabilidad que mide
la posibilidad de que dos eventos ocurran en forma simult�nea.En resumen, la regla
general de adici�n se utiliza para combinar eventos que nos son mutuamente
excluyentes. Esta regla para dos eventos denotados como A y B se escribe:# En la
expresi�n P(A o B), el t�rmino �o� indica que A puede ocurrir o que B tambi�n puede
suceder. Esto incluye asimismo la posibilidad de que A y B puedan ocurrir. A �ste
uso de la �o� a veces se le llama �inclusivo� puesto de otra forma, se ver� con
agrado cuando tanto A y B sucedan, o bien cuando cualquiera de los dos ocurran.
Ejemplo: �Cu�l es la probabilidad de que una carta elegida al azar de una baraja
americana sea un rey o una de corazones?Soluci�n: Uno puede pensar en sumar las
probabilidades de que salga un rey y la de que se tenga una carta de corazones.
Pero esto crea un problema,. Si se hiciera, el rey de tal s�mbolo se cuenta con
todos los reyes y tambi�n con todas las cartas de corazones. De modo que
simplemente se suma la probabilidad de un rey ( hay 4 en la baraja de 52 naipes) a
la de una carta de corazones (hay 13 en dicha baraja) y se expresa que 17 cartas de
las 52 cumplen el requisito , se ha contado dos veces al rey de corazones. Se
necesita restar 1 carta de las 17 para que dicho rey se cuente una sola vez. Por
tanto, hay 16 cartas que son de dicha figura o bien de reyes por lo que la
probabilidad es de 16/52 = 0.3072Carta#Probabilidad#Explicaci�n##Rey #P(A) =
4/52#Hay cuatro reyes en la baraja.##Corazones.#P(B) = 13/52#Hay 13 cartas de
corazones en la baraja.##Rey de corazones#P(A y B) = 1/52#Hay un rey de corazones
en la baraja.##Utilizando la formula: P(A o B) = P(A) + P(B) �P(A y B)
= 4/52 + 13/52 � 1/52 = 16/52, o
bien 0.3077Un diagrama de Venn presenta estos resultados que nos son mutuamente
excluyentes.# ##Reglas de multiplicaci�nRegla Especial de Multiplicaci�n. La
regla especial de multiplicaci�n requiere que dos eventos A y B sean
independientes. Dos eventos son independientes si la ocurrencia de uno no altera
la probabilidad del otro. De manera que si los eventos A y B son independientes, la
ocurrencia de A no altera la probabilidad B.Independiente. Se expresa esto cuando
la ocurrencia de un evento no tiene efecto en la probabilidad de la ocurrencia de
cualquier otro.Si hay
dos eventos independientes A y B, la probabilidad de que ocurran A y B se obtiene
al multiplicar las dos probabilidades. A esto se llama la regla especial de
multiplicaci�n y expresada en forma simb�lica: #Esta regla para combinar
probabilidades supone que un segundo resultado no depende del primero. Para
ilustrar lo que significa independencia de resultados, suponga que se lanzan al
aire dos monedas. El resultado de una moneda (cara o cruz) no se ve afectado por el
resultado de la otra moneda (cara o cruz). Puesto de otra forma, dos eventos son
independientes si el resultado de un segundo evento no depende del resultado del
primero.Para tres eventos independientes A, B y C, la regla especial de
multiplicaci�n utilizada para determinar la probabilidad de que ocurran los tres
eventos es:# Ejemplo: Se lanzan dos monedas al aire �Cu�l es la probabilidad de
que ambas caigan cruz?Soluci�n: La probabilidad de que una de las dos monedas caiga
cruz (Cr), escrita P(A), es de �, o bi�n 0.5. La probabilidad de que la otra moneda
caiga igual, denotada por P(B) es tambi�n de �, o 0.5. La probabilidad de que
ocurran ambas cosas es de un �, o 0.25, lo cual se obtiene como sigue:
PA y B) = P(A) P(B) = (1/2)(1/2)
= 17$ o bi�n 0.25Si dos eventos no son independientes, se dice que son
dependientes. Para ilustrar la dependencia suponga que hay 10 rollos de pel�cula
fotogr�fica en una caja y que se saben que 3 est�n defectuosos. Se selecciona 1. Es
obvio que la probabilidad de escoger un rollo con defecto es de 3/10, y que la
probabilidad de seleccionar uno, satisfactorio es 7/10. Despu�s se elige un segundo
rollo de la caja sin devolver el primero a �sta. La probabilidad de que est�
defectuoso depende de que el primer rollo seleccionado fuera no aceptable o bueno.
La probabilidad de que el segundo rollo est� defectuoso es 2/9, si el primer rollo
seleccionado fuera defectuoso. (Quedar�an solo dos rollos defectuoso m�s en la
caja, que conten�a nueve piezas) 3/9 si el primer rollo seleccionado fuera bueno
(los tres con defectos siguen estando en la caja que conten�a los nueve
originales). A la fracci�n 2/9 (0 3/9) se le denomina probabilidad condicional
porque su valor tiene tal caracter�stica (dependiente de �stas) respecto de la
primera selecci�n de la caja: que se haya sacado un rollo fotogr�fico defectuoso o
uno normal.Probabilidad condicional:Es la probabilidad de que ocurra un evento en
particular, dado que otro evento haya ocurrido.Regla General de Multiplicaci�n: La
regla general de multiplicaci�n se utiliza para determinar la probabilidad
conjunta, de que ocurran dos eventos, como seleccionar dos rollos defectuosos de la
caja con 10, uno despu�s del otro. En general, la regla indica que para dos eventos
A y B, la probabilidad conjunta de que ambos sucedan se eval�a al multiplicar la
probabilidad de que el evento A ocurra, por la probabilidad condicional de que
suceda el evento B. De manera simb�lica, la probabilidad conjunta P(A y B) se
obtiene por medio de: #Donde P(B/A) expresa la
posibilidad de que ocurra B dado que ya ocurri� A. El trazo vertical significa �
dado que�.Ejemplo. Considerar otra vez el ejemplo anterior de los 10 rollos de
pel�cula en una caja, 3 de los cuales est�n defectuosos. Se van a seleccionar dos,
uno despu�s de otro �Cu�l es la probabilidad de escoger un rollo con defectos
seguido por otro tambi�n en tal condici�n? Soluci�n: El primer rollo seleccionado
de la caja, que se encontr� ser defectuoso, es el evento A. De modo que P(A) =
3/10 porque tres de los diez rollos son no aceptables. El segundo rollo
seleccionado, resultante con defectos, es el evento B. Por lo tanto , P(B/A) = 2/9,
porque despu�s de descubrir que la primera secci�n era un rollo con defectos, solo
quedaron dos rollos �no buenos� en la caja que conten�a nueve rollos. Se determina
la probabilidad de dos rollos defectuosos aplicando la f�rmula:
P(A y B) = P(A) P(B / A) = (3/10)
(2/9) = 6/90 o tambi�n 0.07 aprox.Por
cierto que se considera que este experimento se realiz� sin reposici�n(o
reemplazo); es decir, el rollo defectuoso de pel�cula no se devolvi� a la caja
antes de selecciona el siguiente rollo. Tambi�n debe observarse que la regla
general de multiplicaci�n puede ampliarse a m�s de dos eventos: para tres eventos;
A, B y C, la f�rmula ser�a:#Ejemplo: la probabilidad de que los primeros tres
rollos seleccionados de la caja sean todos defectuosos es 0.00833, que resulta de
calcular: P(A y B y C) = P(A) P(B/A)P(C/A y B)
= (3/10) (2/9) (1/8) = 6/720 o
tambi�n 0.Teorema de Bayes En el siglo XVIII el reverendo Thomas Bayes, ministro
presbiteriano ingl�s, plante� la siguiente cuesti�n �Realmente existe Dios? Estando
interesado en las matem�ticas, intent� desarrollar una f�rmula para llegar a
evaluar la probabilidad de que Dios exista, con base en la evidencia de que �l
dispon�a aqu� en la Tierra. M�s adelante. Laplace afin� el trabajo de Bayes y le
di� el nombre de Teorema de Bayes.# #Ejemplo: Suponga que el
5% de la poblaci�n de Umen, un pa�s ficticio del Tercer Mundo, padece una
enfermedad que es originaria de ese lugar. Sea A1 el evento � tiene la enfermedad�,
y A2 el evento �no tiene la enfermedad. Por lo tanto sabemos que si seleccionamos
una persona de Umen al azar, la probabilidad de que la elegida tenga el
padecimiento es 0.05, o bien P(A1) = 0.05. Esta probabilidad P(A1) = P(tiene la
enfermedad) = 0.05, se denomina probabilidad a priori . Se da �ste nombre porque la
probabilidad se asigna antes de haber obtenido datos emp�ricos.Probabilidad a
Priori = Es la probabilidad inicial con base en el nivel actual de informaci�n.
Existe una t�cnica de diagnostico para detectar la enfermedad, pero no es muy
exacta .Sea B el evento �la prueba indica que la enfermedad est� presente�.
Considere que la evidencia hist�rica muestra que si una persona realmente padece la
enfermedad, la probabilidad de que la prueba indique la presencia de la misma vale
0.90. Utilizando las definiciones de probabilidad condicional desarrolladas
anteriormente, tal afirmaci�nse expresa como: P(B/A1)
= 0.90Considere que la probabilidad de que una persona en realidad no tenga el
padecimiento, pero que la prueba indique que el mismo est� presente, es 0.15.
P(B/A2) = 0.15Seleccionamos en forma aleatoria a un habitante de Umen, al que se le
aplica la prueba. Los resultados indican que el padecimiento est� presente.�Cu�l es
la probabilidad de que la persona tenga realmente la enfermedad? En forma
simb�lica, se desea determinar P(A1/B), que se interpreta como: P(tiene la
enfermedad/( los resultados de la prueba son positivos). La probabilidad de P(A1/B)
se denomina una probabilidad a posteriori.Probabilidad a Posteriori. Es una
probabilidad revisada con base en informaci�n adicional.Con la ayuda del teorema de
Bayes, es posible determinar la probabilidad a posteriori o revisada.##
# = (0.05) (0.90)
(0.05) (0.90) + (0.95) (0.15)# = 0.0450
0.1875 = 0.24Por lo tanto, la
probabilidad de que una persona tenga la enfermedad, dado que la prueba result�
positiva, es 0.24. �Como se interpreta �ste resultado? Si una persona se
selecciona al azar de la poblaci�n, la probabilidad de que padezca el trastorno es
0.05. Si se aplica la prueba a la persona y resulta positiva, la posibilidad de que
en realidad tenga el padecimiento aumenta aproximadamente cinco veces, de 0.05 a
0.24.El problema anterior incluy� solamente dos eventos, A1 y A2 como
probabilidades a priori. Si hay mas de dos probabilidades de este tipo, el
denominador del teorema de Bayes requiere t�rminos adicionales. Si la distribuci�n
probabil�stica a priori consiste en n eventos mutuamente excluyentes, el teorema de
Bayes queda como sigue:##Donde A1 se refiere a cualquiera de los n posibles
resultados.I.3.3.1 T�cnica Did�ctica: Exposici�n del profesor.I.3.3.2 Material de
Apoyo: Pizarr�n, haciendo uso de marcadores en. diferentes colores.I.3.4
Actividades de AprendizajeActividad de aprendizaje No. 4TA-2 : Ejercicios de
aplicaci�n.I.3.4.1 Instrucciones: Resuelve de manera correctamente los siguientes
Ejercicios acerca de las reglas de probabilidad.v) Valor actividad: 10 Puntosw)
Producto esperado: Que los alumnos resuelvan de manera correcta los ejercicios
propuestos.x) Fecha inicio: y) Fecha entrega: z) Forma de entrega: Por separado,
escrito a manoa) Tipo de actividad: Individualb) Fecha de realimentaci�n: El mismo
d�a de entrega.I.3.4.1 Criterio de evaluaci�n de la actividad TA-2Actividad
#Actividad#Ponderaci�n##Ejercicios propuestos de reglas de probabilidad. #Resolver
los ejercicios propuestos.# 9 Puntos##Resuelva de manera correcta los
problemas.#Utilizar el formato para la entrega de tareas.# 1 Puntos###Total#10
puntos##Actividad de aprendizaje No. 5PR-3 Resolver ejercicios pr�cticosI.3.4.1
Instrucciones: Resolver los siguientes ejercicios pr�cticos acerca de raglas de
probabilidad. c) Valor: 5 Puntosd) Producto esperado: Que los ejercicios
sean resueltos de manera correcta.e) Fecha inicio: f) Fecha entrega: g)
Forma de entrega: escrito
a manoh) Tipo de actividad: Individuali) Fecha de retroalimentaci�n:I.3.4.1
Criterio de evaluaci�n de la actividad PR-3Actividad
#Actividad#Ponderaci�n##Practica por escrita considerando reglas de probabilidad.
#Resolver en forma r�pida ejercicios sobre reglas de probabilidad.#4 Puntos##Uso de
reglas de presentaci�n#Utilizar el formato para la elaboraci�n de pr�cticas.#1
Puntos###Total#5 puntos##Actividad de aprendizaje No. 6TA-3 : Ejercicios de
aplicaci�n.I.3.4.1 Instrucciones: Resuelve de manera correctamente los siguientes
ejercicios considerando condiciones de dependencia e independencia
estad�stica.j) Valor actividad: 10 Puntosk) Producto esperado: Que los alumnos
resuelvan de manera correcta los ejercicios propuestos.l) Fecha inicio: m) Fecha
entrega: n) Forma de entrega: Por separado, escrito a manoo) Tipo de actividad:
Individualp) Fecha de realimentaci�n: El mismo d�a de entrega.I.3.4.1 Criterio de
evaluaci�n de la actividad TA-3Actividad#Actividad#Ponderaci�n##Ejercicios
propuestos de dependencia e independencia estad�stica #Resolver los ejercicios
propuestos.# 9 Puntos##Resuelva de manera correcta los problemas.#Utilizar el
formato para la entrega de tareas.# 1 Puntos###Total#10 puntos##Actividad de
aprendizaje No. 7PR-4 Resolver ejercicios pr�cticosI.3.4.1 Instrucciones: Resolver
los siguientes ejercicios pr�cticos. q) Valor: 5 Puntosr) Producto
esperado: Que los ejercicios sean resueltos de manera correcta.s) Fecha
inicio: t) Fecha entrega: u) Forma de entrega: escrito a manov) Tipo de
actividad: Individualw) Fecha de retroalimentaci�n:I.3.4.1 Criterio de evaluaci�n
de la actividad PR-4Actividad#Actividad#Ponderaci�n##Practica por escrita con
problemas de dependencia e independencia estadistica. #Resolver en forma r�pida
ejercicios sobre permutaciones..#4 Puntos##Uso de reglas de presentaci�n#Utilizar
el formato para la elaboraci�n de pr�cticas.#1 Puntos###Total#5 puntos##Actividad
de aprendizaje No. 8TA-4: Ejercicios de aplicaci�n.I.3.4.1 Instrucciones: Resuelve
de manera correctamente los siguientes ejercicios aplicando el teorema de
Bayes..a) Valor actividad: 10 Puntosb) Producto esperado: Que los alumnos
resuelvan de manera correcta los ejercicios propuestos.c) Fecha inicio: d) Fecha
entrega: e) Forma de entrega: Por separado, escrito a manof)) Tipo de actividad:
Individualg) Fecha de realimentaci�n: El mismo d�a de entrega.I.3.4.1 Criterio de
evaluaci�n de la actividad TA-4Actividad#Actividad#Ponderaci�n##Ejercicios
propuestos aplicando el teorema de Bayes.#Resolver los ejercicios propuestos.# 9
Puntos##Resuelva de manera correcta los problemas.#Utilizar el formato para la
entrega de tareas.# 1 Puntos###Total#10 puntos##I.3.5 Resultado del Aprendizaje:
Se pretende que los alumnos resuelvan de manera satisfactoria los problemas
propuestos de reglas de probabilidad, probabilidad de dependencia e independencia
estad�stica adem�s del teorema de Bayes. I.3.6 Bibliograf�a:Estad�stica para
Administraci�n y Econom�a.Robert D. Mason/ Douglas A. Lind/ William G. Marcial.
Editorial Alfaomega.I.4. Tema: Distribuciones de probabilidad.I.4.1 Objetivo de
aprendizaje: Que el alumno encuentre las probabilidades de ocurrencia de los datos.
I.4.2 Recurso tiempo del tema: 5.0 horasI.4.3 Desarrollo:Recordando la definici�n
de un experimento como cualquier proceso que genera resultados bien definidos.
Ahora deseamos concentrarnos en el proceso de asignar valores num�ricos a los
resultados, para lo que introducimos el concepto de variable aleatoria.Para
cualquier experimento en particular, se puede definir una variable aleatoria de
manera que cada resultado experimental posible genere exactamente un valor num�rico
para dicha variable. Por ejemplo, si consideramos el experimento de la venta de
autom�viles durante un d�a en una agencia en particular, describir�amos los
resultados experimentales en funci�n del n�mero de veh�culos vendidos. En este
caso, si, x = n�mero de autom�viles vendidos, x se conoce como una variable
aleatoria. Este valor num�rico particular, que toma la variable aleatoria,
depender� del resultado del experimento. Esto es, no sabremos cu�l es el valor
espec�fico de la variable aleatoria en tanto no hayamos observado el resultado
experimental. Por ejemplo, si en un d�a dado se venden 3 autom�viles, el valor de
la variable aleatoria ser� 3; si en otro d�a (una repetici�n del experimento) se
venden 4, el valor ser� 4. Definimos una variable aleatoria como sigue:Una variable
aleatoria es la descripci�n num�rica del resultado de un experimento.En la tabla
4. Se dan varios ejemplos adicionales de experimentos y de sus variables aleatorias
asociadas. Aunque muchos experimentos tienen resultados experimentales que
naturalmente se prestan a valores num�ricos, en otros no ocurre as�. Por ejemplo
para el experimento de lanzar una moneda una vez, el resultado experimental puede
ser cara o cruz, ninguno de los cuales tiene un valor num�rico natural. Sin
embargo, quiz�s deseemos a�n as� expresar los resultados en funci�n de una variable
aleatoria, por lo que necesitamos una regla que pueda utilizarse para asignar un
valor num�rico a cada uno de los resultados experimentales. Una posibilidad es
signar la variable aleatoria x=1 si el resultado experimental en una cara y x=0
si el resultado experimental es una cruz. Aunque los valores num�ricos para x sean
arbitrarios, x es una variable aleatoria ya que describe num�ricamente los
resultados experimentales.Tabla 4.0#Ejemplos de variables
aleatorias.###Experimento#Variable aleatoria (x)#Valores posibles de la variable
aleatoria##Efectuar 100 llamadas de ventas.#N�mero total de
ventas.#0,1,2,3�.10#0#####I#n#s#p#e#c#c#i#o#n#a#r# #u#n# #e#m#b#a#r#q#u#e# #d#e#
#7#0# #r#a#d#i#o#s#.###N#�#m#e#r#o# #d#e# #r#a#d#i#o#s#
#d#e#f#e#c#t#u#o#s#o#s###0#,#1#,#2#,#3#& .#.#7#0#####C#o#n#s#t#r#u#i#r# #u#n#a#
#n#u#e#v#a# #b#i#b#l#i#o#t#e#c#a#.###P#o#r#c#e#n#t#a#j#e# #d#e#l# #p#r#o#y#e#c#t#o#
#t#e#r#m#i#n#a#d#o# #d#e#s#p#u#�#s# #d#e# #6#
#m#e#s#e#s#.###0#d"x#d"1#0#0#####O#p#e#r#a#r# #u#n#
#r#e#s#t#a#u#r#a#n#t#e#.###N#�#m#e#r#o# #d#e# #c#l#i#e#n#t#e#s# #q#u#e#
#e#n#t#r#a#n# #e#n# #u#n# #d#�#a#.###0#,#1#,#2#,#3#& & .#.###Una variable aleatoria
puede clasificarse como discreta o continua, dependiendo de los valores num�ricos
que pueda tomar. Aquella variable aleatoria que solamente pueda tomar una secuencia
de valores, finita o infinita, (por ejemplo, 1,2,3�) es una variable aleatoria
discreta. El n�mero de unidades vendidas, el n�mero defectos observados, el n�mero
de clientes que entran en un banco durante un d�a de operaci�n, y as�
sucesivamente, son ejemplos de variables aleatorias discretas. Las dos primeras y
la �ltima de la tabla anterior son discretas. Variables aleatorias como peso,
tiempo y temperatura, que pueden tomar cualquier valor dentro de un cierto
intervalo o colecci�n de intervalos, son variables aleatorias continuas. Son
ejemplos de variables aleatorias continuas, la estatura de los clientes de una
tienda de ropa, los ingresos de los empleados de un centro comercial local, el
tiempo transcurrido entre la llegada de cada cliente a la biblioteca, adem�s, la
tercera variable aleatoria de la tabla es una variable aleatoria continua, porque
puede tomar cualquier valor del intervalo del 0 al 100 (por ejemplo, 56.33 0
64.22).Variables aleatorias discretas:Podemos demostrar el uso de una variable
discreta al pensar en la venta de autom�viles en DiCarlo Motors, en Saratoga, Nueva
York. El propietario de DiCarlo Motors est� interesado en el volumen diario de
ventas de autom�viles. Supongamos que decimos que x es una variable aleatoria que
indica el n�mero de autom�viles vendidos en un d�a dado. Los registros de ventas
muestran que cinco es el n�mero m�ximo de autom�viles que alguna vez haya vendido
DiCarlo durante un d�a. El propietario cree que la historia previa de las ventas
representa de manera adecuada lo que puede ocurrir en el futuro, por lo que
esperar�amos que la variable aleatoria x tome algunos de los valores num�ricos
0.1.2.3.4 o 5. Los valores posibles de la variable aleatoria son finitos, por lo
que clasificar�amos a x como una variable aleatoria discreta.La distribuci�n de
probabilidad de una variable aleatoria discreta:Suponga que al revisar los
registros de ventas de DiCarlo encontramos que a lo largo del a�o pasado la empresa
ha estado abierta durante 300 d�as. Los vol�menes diarios de ventas generados y la
y la frecuencia en que ocurrieron se resumen en la tabla 4.1. Teniendo disponibles
estos datos hist�ricos, el propietario de DiCarlo Motors cree que el m�todo de
frecuencia relativa dar� un medio razonable de juzgar las probabilidades de la
variable aleatoria x. La funci�n de probabilidad, indicada como f(x), representa la
probabilidad de que la variable aleatoria x tome alg�n valor espec�fico. Dado que
en 54 de los 300 d�as de datos hist�ricos, DiCarlo Motors no vendi� ning�n
autom�vil, dado que ninguna venta corresponde a x=0, asignamos a f(0) el valor de
54/300 =0.18. De manera similar, f(1) indica la probabilidad de que x toma el valor
de uno, por lo que le asignamos a f(1)el valor de 117/300=0.39. Despu�s de calcular
las frecuencias relativas de los otros valores posibles de x, podemos desarrollar
una tabla de valores de x y de f(x).La tabla 4.2 muestra una forma de representar
la distribuci�n de probabilidad de la variable aleatoria x. ##Tambi�n se puede
representar la distribuci�n de probabilidad de x de manera grafica. En la figura
4.1 se muestran los valores de la variable aleatoria x en un eje horizontal; la
probabilidad de que x tome estos valores aparece en el eje vertical. Para muchas
variables aleatorias discretas, la distribuci�n de probabilidad tambi�n se puede
representar como
una f�rmula que nos da f(x) para cualquier valor posible de x. Ilustraremos �ste
procedimiento en la siguiente secci�n.En el desarrollo de la distribuci�n de
probabilidad discreta, deber�n satisfacerse siempre dos condiciones:
###################################################################################
###################################################################################
###################################################################################
### # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # #
# # # #f#(#x# # #e" # #0## # # # # # # # # # # # # # # # # # # # # # # # # # # # #
# # # # # # # # # # # # # #�#f#(#x#)# #=# #1###L#a# #p#r#i#m#e#r#a#
#c#o#n#d#i#c#i#�#n# #e#s# #e#l# #r#e#q#u#i#s#i#t#o# #q#u#e# #l#a#s#
#p#r#o#b#a#b#i#l#i#d#a#d#e#s# #a#s#o#c#i#a#d#a#s# #c#o#n# #c#a#d#a# #u#n#o# #d#e#
#l#o#s# #v#a#l#o#r#e#s# #d#e# #x# #d#e#b#e# #s#e#r# #m#a#y#o#r# #q#u#e# #o#
#i#g#u#a#l# #a# #c#e#r#o#,# #e#n# #t#a#n#t#o# #q#u#e la segunda condici�n dice que
la suma de las probabilidades de todos los valores de la variable x debe ser igual
a uno. La tabla 4.2 muestra que las condiciones anteriores han sido satisfechas,
por lo que la distribuci�n de probabilidad desarrollada por DiCarlo Motors es una
distribuci�n de probabilidades discretas v�lida. # Probabilidad### 0.40
## 0.30# ## 0.20### 0.10#
## 0.0 0 1 2 3
4 5 Numero de autom�viles vendidos por d�a. Despu�s de
establecer una variable aleatoria y su distribuci�n de probabilidad, podemos
desarrollar una diversidad de informaci�n de probabilidad adicional, dependiendo de
las necesidades e intereses de quien toma las decisiones. Por ejemplo en el
problema de DiCarlo Motors la distribuci�n de probabilidad que se muestra en la
tabla 4.2 puede utilizarse para obtener la informaci�n siguiente:Existe la
probabilidad de 0.18 que durante alg�n d�a no se venda ning�n autom�vil.El volumen
mas probable de ventas es uno, con f/x) = 0.39Existe una probabilidad de 0.05 que
exista un d�a de ventas extraordinario, con ventas de 4 o 5 autom�viles.Utilizando
la informaci�n de probabilidades como la que acabamos de dar, la administraci�n de
Dicarlo puede comprender mejor las incertidumbres asociadas con la operaci�n de
venta de autom�viles. Quiz�s esta mayor comprensi�n puede servir de base a nuevas
pol�ticas o decisiones que incrementan la eficacia de la empresa.Valor esperado o
esperanza matem�tica: Despu�s de construir la distribuci�n de probabilidad para una
variable aleatoria, a menudo deseamos calcular cual es el valor medio o esperado
de dicha variable aleatoria. El valor esperado o esperanza matem�tica de una
variable aleatoria discreta es un promedio ponderado de los valores posibles de la
variable aleatoria, para el cual la funci�n de probabilidad proporciona las
ponderaciones. La formula matem�tica para calcular el valor esperado o esperanza
matem�tica de una variable aleatoria discreta x es:#Para calcular el valor esperado
o esperanza matem�tica de una variable aleatoria discreta debemos multiplicar cada
uno de los valores de la variable aleatoria por su probabilidad correspondiente y,
a continuaci�n, sumar los t�rminos resultantes. El calculo del valor esperado o
esperanza matem�tica de la variable aleatoria (n�mero de ventas diarias) para
DiCarlo Motors aparece en la tabla 4.3. La primera columna contiene los valores de
la variable aleatoria x , la segunda sus propiedades asociadas f(x). Multiplicando
cada uno de los valores de x por su probabilidad f(x) nos da los valores de xf(x)
de la tercera columna siguiendo la ecuaci�n anterior sumamos esta columna
###################################################################################
###################################################################################
############################################################�# #x#f#(#x#)#,# #a#
#f#i#n# #d#e# #d#e#t#e#r#m#i#n#a#r# #e#l# #v#a#l#o#r# #e#s#p#e#r#a#d#o# #o#
#e#s#p#e#r#a#n#z#a# #m#a#t#e#m#�#t#i#c#a# #d#e# #1#.#5#0# #a#u#t#o#m#�#v#i#l#e#s#
#v#e#n#d#i#d#o#s# #p#o#r# #d#�#a#.# ####T#a#b#l#a# #4#.#3###C#a#l#c#u#l#o# #d#e#l#
#v#a#l#o#r# #e#s#p#e#r#a#d#o###########x### # #f#(#x#)###x#
#f#(#x#)#######0###0#.#1#8###0#(#0#.#1#8#)# #=#
#0#######1###0#.#3#9###1#(#0#.#3#9#)# #=#
#0#.#3#9#######2###0#.#2#4###2#(#0#.#2#4#)# #=#
#0#.#4#8#######3###0#.#1#4###3#(#0#.#1#4#)# #=# #0.42###4#0.04#4(0.04) =
0.16###5#0.01#5(0.04) = 0.05##### E(x = 1.50##El valor esperado de una
variable aleatoria es el valor medio, es decir promedio. Esto es, par experimentos
que puedan repetirse muchas veces, el valor esperado o esperanza matem�tica puede
interpretarse como el valor promedio �a la larga� de la variable aleatoria. Sin
embargo, el valor esperado no es necesariamente el n�mero que pensamos asumir� la
variable aleatoria la siguiente vez que se conduzca el experimento. De hecho
resulta, imposible para DiCarlo vender exactamente 1.50 autom�viles durante
cualquier d�a. Sin embargo, si podemos imaginar a DiCarlo vendiendo autom�viles
durante muchos d�as en el futuro, el valor esperado o esperanza matem�tica de 1.50
autom�viles nos da el volumen de ventas diario medio o promedio.El valor esperado
puede ser importante para el administrador tanto desde el punto de vista de
planeaci�n como el de toma de decisiones. Por ejemplo, suponga que DiCarlo Motors
piensa estar abierto durante 60 d�as en los siguientes 3 meses. �Cu�ntos
autom�viles se vender�n durante este tiempo? Aunque no podemos especificar las
ventas exactas de cualquiera de los d�as el valor esperado de 1.50 autom�viles por
d�a nos da una estimaci�n de ventas esperada o ventas promedio de 60(1.50) =
90automoviles para el siguiente periodo de 3 meses. Para el establecimiento de
cuotas de ventas o para planear pedidos, el valor esperado o esperanza matem�tica
puede dar una informaci�n para la toma de decisiones.Varianza.#El valor esperado de
una variable aleatoria nos da una idea del valor promedio o central de una variable
aleatoria, pero a menudo deseamos alguna idea de la dispersi�n, es decir de la
variabilidad de los valores posibles de la variable aleatoria. Por ejemplo, si los
valores de la variable aleatoria solamente muestran una variaci�n modesta,
esperamos un valor relativamente peque�o. La varianza es una medida utilizada
com�nmente para resumir la variabilidad de los valores de una variable aleatoria.
La expresi�n matem#�#t#i#c#a# #p#a#r#a# #l#a# #v#a#r#i#a#n#z#a# #d#e# #u#n#a#
#v#a#r#i#a#b#l#e# #a#l#e#a#t#o#r#i#a# #d#i#s#c#r#e#t#a# #e#s#:## # ####C#o#m#o#
#m#u#e#s#t#r#a# #l#a# #e#c#u#a#c#i#�#n# #l#a# #e#c#u#a#c#i#�#n# #a#n#t#e#r#i#o#r#,#
#u#n#a# #p#a#r#t#e# #e#s#e#n#c#i#a#l# #d#e# #l#a# #f#o#r#m#u#l#a# #d#e# #l#a#
#v#a#r#i#a#n#z#a# #e#s# #u#n#a# #d#e#s#v#i#a#c#i#�#n#,# #x#-#�#,# #q#u#e# #m#i#d#e#
#l#o# #l#e#j#o#s# #q#u#e# #u#n# #v#a#l#o#r# #p#a#r#t#i#c#u#l#a#r# #d#e# #l#a#
#v#a#r#i#a#b#l#e# #a#l#e#a#t#o#r#i#a# #e#s#t#�# #d#e#l# #v#a#l#o#r#
#e#s#p#e#r#a#d#o# #o# #m#e#d#i#o#,# #�#.# #A#l# #c#a#l#c#u#l#a#r# #l#a#
#v#a#r#i#a#n#z#a# #d#e# #u#n#a# #v#a#r#i#a#b#l#e# #a#l#e#a#t#o#r#i#a#
#d#i#s#c#r#e#t#a#,# #e#l#e#v#a#m#o#s# #a#l# #c#u#a#d#r#a#d#o# #l#a#s#
#d#e#s#v#i#a#c#i#o#n#e#s# #y# #a# #c#o#n#t#i#n#u#a#c#i#�#n# #l#a#s#
#p#o#n#d#e#r#a#m#o#s# #a#l# #m#u#l#t#i#p#l#i#c#a#r#l#a#s# #p#o#r# #l#a#
#p#r#o#b#a#b#i#l#i#d#a#d# #c#o#r#r#e#s#p#o#n#d#i#e#n#t#e#.# #L#a# #s#u#m#a# #d#e#
#e#s#a#s# #d#e#s#v#i#a#c#i#o#n#e#s# #c#u#a#d#r#�#t#i#cas ponderadas, para todos los
valores de la variable aleatoria es la varianza. En otras palabras, la varianza es
el promedio ponderado de las desviaciones cuadr�ticas de la media.El c�lculo de
varianza para el n�mero de ventas diarias en el problema de DiCarlo Motors se
resume en la tabla 4.4. Observemos que la varianza para el n�mero de autom�viles
vendidos es hoy en d�a de 1.25. Una medida de variabilidad relacionada es la
desviaci�n est�ndar ###########################################################�#,#
#q#u#e# #s#e# #d#e#f#i#n#e# #c#o#m#o# #l#a# #r#a#�#z# #c#u#a#d#r#a#d#a#
#p#o#s#i#t#i#v#a# #d#e# #l#a# # #v#a#r#i#a#n#z#a#.# #E#n# #e#l# #c#a#s#o# #d#e#
#D#i# #C#a#r#l#o# #m#o#t#o#r#s#,# #l#a# #d#e#s#v#i#a#c#i#�#n# #e#s#t#�#n#d#a#r#
#d#e#l# #n#�#m#e#r#o# #d#e# #a#u#t#o#m#�#v#i#l#e#s# #v#e#n#d#i#d#o#s# #p#o#r#
#d#�#a# #e#s## ##�# #=# ##"1#.#2#5# #=# #1#.#1#1#8###P#a#r#a# #u#n#a# #m#a#s#
#f#�#c#i#l# #i#n#t#e#r#p#r#e#t#a#c#i#�#n#,# #d#e#s#d#e# #e#l# #p#u#n#t#o# #d#e#
#v#i#s#t#a# #a#d#m#i#n#i#s#t#r#a#t#i#v#o#,# #p#u#d#i#e#r#a# #r#e#f#e#r#i#r#s#e#
#l#a# #d#e#s#v#i#a#c#i#�#n# #e#s#t#�#n#d#a#r# #e#n# #v#e#z# #d#e# #l#a#
#v#a#r#i#a#n#z#a#,# #p#o#r#q#u#e# #s#e# #m#i#d#e# #e#n# #l#a#s# #m#i#s#m#a#s#
#u#n#i#d#a#d#e#s# #q#u#e# #l#a# #v#a#r#i#a#b#l#e# #a#l#e#a#t#o#r#i#a#
#(#�#=#1#.#1#1#8# #a#u#t#o#m#�#v#i#l#e#s# #v#e#n#d#i#d#o#s# #p#o#r# #d#�#a#)#.#
#L#a# #v#a#r#i#a#n#z#a# #(#�#2#)# #s#e# #m#i#d#e# #e#n# #u#n#i#d#a#d#e#s#
#c#u#a#d#r#�#t#i#c#a#s#,# #p#o#r# #l#o# #q#u#e# #s#u# #i#n#t#e#r#p#r#e#t#a#c#i#�#n#
#r#e#s#u#lta m�s dif�cil para el administrador.En este momento nuestra
interpretaci�n de la varianza y de la desviaci�n est�ndar se limita a comparaciones
de variabilidad de distintas variables aleatorias. Por ejemplo, si los datos
diarios de ventas de una segunda agencia Dicarlo en Albany , Nueva York ,diera
###################################################################################
###################################################################################
##########################################�#2#=# #2#.#5#6# #y# # #�#2#=# #1#.#6#,#
#p#o#d#e#m#o#s# #c#o#n#c#l#u#i#r# #q#u#e# #e#l# #n#�#m#e#r#o# #d#e#
#a#u#t#o#m#�#v#i#l#e#s# #v#e#n#d#i#d#o#s# #d#i#a#r#i#a#m#e#n#t#e# #e#n# #e#s#a#
#a#g#e#n#c#i#a#
#e#x#h#i#b#e# #m#a#y#o#r# #v#a#r#i#a#b#i#l#i#d#a#d# #q#u#e# #l#a# #p#r#i#m#e#r#a#
#a#g#e#n#c#i#a# #D#i#C#a#r#l#o#,# #�#2#=#1#.#2#5# #y# #�#2#=# #1#.#1#1#8#.####
#T#a#b#l#a# #4#.#4### # # # # # # # # # # # # # #C#�#l#c#u#l#o# #d#e# # #l#a#
#v#a#r#i#a#n#z#a###############x###x#-#�### # #(#x#-#�#)#2### # #f#(#x#)### # # # #
#(#x#-#�#)#2#f#(#x#)#######0###0#-#1#.#5#0# #=# #-#1#.#5#0### # #2#.#2#5###
#0#.#1#8### #2#.#2#5#(#0#.#1#8#)# #=# # #0#.#4#0#5#0# # # #######1###1#-#1#.#5#0#
#=# #-#0#.#5#0### # #0#.#2#5### #0#.#3#9### # #0#.#2#5#(#0#.#3#9#)# #=# #
#0#.#0#9#7#5#######2###2#-#1#.#5#0# #=# # #0#.#5#0### # #0#.#2#5### #0#.#2#4### #
#0#.#2#5#(#0#.#2#4#)# #=# # #0#.#0#6#0#0#######3###3#-#1#.#5#0# #=# # #1#.#5#0### #
#2#.#2#5### #0#.#1#4### # #2#.#2#5#(#0#.#1#4#)# #=# # #0#.#3#1#5#0#######4###4#-
#1#.#5#0# #=# # #2#.#5#0### # #6#.#2#5### #0#.#0#4### # #6#.#2#5#(#0#-#0#4#)# #=# #
#0#.#2#5#0#0#######5###5#-#1#.#5#0# #=# # #3#.#5#0###1#2#.#2#5###
#0#.#0#1###1#2#.#2#5#(#0#.#0#1#)# #=# # #0#.#1#2#2#5############### # # # # # # # #
# # # # # # #�#2# #=# # #1#.#2#5#0#0#######L#a# #d#i#s#t#r#i#b#u#c#i#�#n#
#b#i#n#o#m#i#a#l##E#n# #e#s#t#a# #s#e#c#c#i#�#n# #v#e#r#e#m#o#s# #u#n# #t#i#p#o#
#d#e# #e#x#p#e#r#i#m#e#n#t#o#s# #q#u#e# #c#u#m#p#l#e#n# #c#o#n# #l#a#s#
#c#o#n#d#i#c#i#o#n#e#s# #s#i#g#u#i#e#n#t#e#s#:##L#a# #t#o#t#a#lidad del experimento
se puede escribir en funci�n de una secuencia de experimentos n id�nticos conocidos
como ensayos. En cada ensayo son posibles dos resultados. Nos referimos a uno de
ellos como un acierto y al otro como un fracaso.Las probabilidades de los
resultados no se modifican de un ensayo al siguiente.Los ensayos son independientes
(es decir, el resultado de un ensayo no afecta el resultado de cualquiera de los
dem�s).Los experimentos que satisfacen las condiciones 2, 3 y 4 se dice que est�n
generados por un proceso de Bernoulli. Adem�s, si se satisface la condici�n 1(que
existan n ensayos id�nticos) nos encontramos ante un experimento Binomial. Una
variable aleatoria discreta importante asociada con el experimento binomial es el
n�mero de aciertos en los n ensayos. Si suponemos que x representa el valor de �sta
variable aleatoria, entonces x puede tener un valor de 0, 1, 2, 3 �n. Dependiendo
del n�mero de aciertos observados en los n intentos. La distribuci�n de
probabilidad asociada con esta variable aleatoria se conoce como la distribuci�n de
probabilidad binomial.En los casos en los que es aplicable la distribuci�n
binomial, la formula matem�tica para calcular la probabilidad de cualquier valor de
una variable aleatoria es la funci�n binomial de probabilidad.#
Donde n = numero de intentos. p = probabilidad de aciertos
en un intento. x = numerote aciertos en n intentos.
f(x)=probabilidad de x aciertos en n intentos.
El t�rmino n! en la expresi�n arriba citada se conoce como el factorial de n y se
define como: n! = n(n - 1) (n - 2) �(2)(1)Por ejemplo 4! =
(4)(3)(2)(1) =24. Tambi�n por definici�n, el caso especial de factorial de cero es
0! = 1Ejemplo:Consideremos el experimento de clientes que entran a la tienda de
ropa Nastke. Para mantener relativamente peque�o el problema, restringiremos el
experimento a los siguientes tres clientes. Si, con base en la experiencia, el
administrador de la tienda estima que la una compra es de 0.30, �Cu�l es la
probabilidad de que exactamente 2 de los 3 clientes siguientes efect�en una compra?
Primero deseamos demostrar que 3 clientes que entran en la tienda de ropa y que han
de decidir si van hacer o no una adquisici�n se puede considerar como un
experimento binomial.Si verificamos los 4 requisitos para un experimento binomial,
observamos lo siguiente:El experimento se puede describir como una secuencia de 3
intentos id�nticos, un intento para cada 1 de los 3 clientes que entran en la
tienda.Para cada uno de los intentos son posibles 2 resultados: el cliente efect�a
una compra (acierto) o no (fracaso).La probabilidad de adquisici�n (0.30) o de no
adquisici�n (0.70)se supone lamisca para todos los clientes .La decisi�n de compra
de cada cliente es independiente de la decisi�n de compra de los otros clientes.Por
lo que, si definimos la variable aleatoria x como el n�mero de clientes que
efect�an una adquisici�n (es decir, el n�mero de aciertos para los 3 intentos)
satisfacemos los requisitos de la distribuci�n de probabilidad binomial.Con n=3
intentos y la probabilidad de una compra p=30 para cada uno de los clientes,
utilizando la ecuaci�n anterior, para calcular la probabilidad de que 2 clientes
efect�en una compra. Esta probabilidad, que se identifica como f(2), es#
F(2) = 3! (0.30)2(0.70)1 2!1!# = 3 x 2
x1 (0.30) 2(0.70)1 2x1x1 = 0.189
Similarmente, la probabilidad de que ning�n cliente efect�e la compra,
identific�ndola como f(0), es:# f(o) =
3! (0.30)0(0.70)3 0!3!#
= 3x2x1 (0.30)0(0.70)3
1x3x2x1 = 0.343Similarmente, se
puede utilizar la ecuaci�n anterior para demostrar que la probabilidades de 1 y de
3 compras son f(1) = 0.441 y f(3) = 0.027. La tabla 4.5Muestra resume la
distribuci�n de probabilidad binomial correspondiente al problema de la tienda de
ropa Nastke. Tabla 4.5#Distribuci�n de probabilidad para los clientes que efect�an
una compra#### x
f(x)####0 0.343####1
0.441####2 0.189####3
0.027####Total 1.000###Valor esperado o esperanza
matem�tica y varianza para la distribuci�n binomial.De la tabla 4.5 podemos
utilizar la ecuaci�n para el valor esperado o esperanza matem�tica de clientes que
efect�an una compra o el n�mero esperado de clientes que efect�an una compra:
###################################################################################
###############################################�# #=# #�#x# #f#(#x#)# #=# #
#0#(#0#.#3#4#3#)#+# #1#(#0#.#4#4#1#)# #+#2#(#0#.#1#8#9#)#+#3#(#0#.#0#2#7#)#
#0#.#9#.##O#b#s#e#r#v#e# #q#u#e# #p#u#d#i#�#r#a#m#o#s# #h#a#b#e#r#
#o#b#t#e#n#i#d#o# #e#s#t#e# #m#i#s#m#o# #v#a#l#o#r# #e#s#p#e#r#a#d#o# #o#
#e#s#p#e#r#a#n#z#a# #m#a#t#e#m#�#t#i#c#a# #s#i#m#p#l#e#m#e#n#t#e#
#m#u#l#t#i#p#l#i#c#a#n#d#o# #n# #(#e#l# #n#�#m#e#r#o# #d#e#
#i#n#t#e#n#t#o#s#)#p#o#r# #p# #(#l#a# #p#r#o#b#a#b#i#l#i#d#a#d# #d#e#
#a#c#i#e#r#t#o#s# #e#n# #c#u#a#l#q#u#i#e#r#a# #d#e# #l#o#s# #i#n#t#e#n#t#o#s#)#.##
# # # # #n#p# #=# #3#(#0#.#3#0#)# #=# #0#.#9#0##P#a#r#a# #e#l# #c#a#s#o#
#e#s#p#e#c#i#a#l# #d#e# #u#n#a# #d#i#s#t#r#i#b#u#c#i#�#n# #d#e#
#p#r#o#b#a#b#i#l#i#d#a#d# #b#i#n#o#m#i#a#l#,# #e#l# #v#a#l#o#r# #e#s#p#e#r#a#d#o#
#o# #e#s#p#e#r#a#n#z#a# #m#a#t#e#m#�#t#i#c#a# #d#e# #l#a# #v#a#r#i#a#b#l#e#
#a#m#a#t#o#r#i#a# #e#s#t#�# #d#a#d#a# #p#o#r#:## # # # # #�# #=# #n#p##P#o#r# #l#o#
#q#u#e#,# #s#i# #u#s#t#e#d# #s#a#b#e# #q#u#e# #l#a# #d#i#s#t#r#i#b#u#c#i#�#n# #d#e#
#p#r#o#b#a#b#i#l#i#d#a#d# #e#s# binomial, no es necesario que efect�elos c�lculos
detallados requeridos por la ecuaci�n para calcular el valor esperado o esperanza
matem�tica.Ejemplo:Suponga que durante el mes siguiente la tienda de ropa de Nestke
espera que entren a la tienda 1 000 clientes. �Cual es el n�mero esperado de
clientes que efect�en una compra? Utilizando la ecuaci�n anterior, la respuesta es
###################################################################################
##################################################�# #=# #n# #p# #=#
#(#1#0#0#0#)#(#0#.#3#)# #=# #3#0#0#.# #A# #f#i#n# #d#e# #i#n#c#r#e#m#e#n#t#a#r#
#e#l# #n#�#m#e#r#o# #e#s#p#e#r#a#d#o# #d#e# #v#e#n#t#a#s#,# #N#a#s#t#k#e# #d#e#b#e#
#i#n#d#u#c#i#r# #a# #q#u#e# #e#n#t#r#e#n#e#n# # #m#�#s# #c#l#i#e#n#t#e#s# #e#n#
#l#a# #t#i#e#n#d#a#,# #o# #d#e# #a#l#g#u#n#a# #m#a#n#e#r#a# #i#n#c#r#e#m#e#n#t#a#r#
#l#a# #p#r#o#b#a#b#i#l#i#d#a#d# #d#e# #q#u#e# #a#l#g#�#n# #c#l#i#e#n#t#e# #e#n#
#p#a#r#t#i#c#u#l#a#r# #e#f#e#c#t#�#e# #u#n#a# #c#o#m#p#r#a# #u#n#a# #v#e#z# #q#u#e#
#h#a#y#a# #e#n#t#r#a#d#o#.##P#a#r#a# #e#l# #c#a#s#o# #e#s#p#e#c#i#a#l# #d#e#
#u#n#a# #d#i#s#t#r#i#b#u#c#i#�#n# #b#i#n#o#m#i#a#l# #l#a# #v#a#r#i#a#n#z#a# #d#e#
#l#a# #v#a#r#i#a#b#l#e# #a#l#e#a#t#o#r#i#a# #e#s#:##�#2# #=# #n#p# #(#1#-#p#)#
#P#a#r#a# #e#l# #p#r#o#b#l#e#m#a# #d#e# #l#a# #t#i#e#n#d#a# #d#e# #r#o#p#a#
#N#a#s#t#k#e# #c#o#n# #3# #c#l#i#e#n#t#e#s#,# #l#a# #v#a#r#i#a#n#z#a# #y# #l#a#
#d#e#s#v#i#a#c#i#�#n# #e#s#t#�#n#d#a#r# #p#a#r#a# #e#l# #n#�#m#e#r#o# #d#e#
#c#l#i#e#n#t#e#s# #q#u#e# #e#f#e#c#t#�#a#n# #c#o#m#p#r#a#s# #s#o#n#:##�#2# # #=#
#n#p#(#1#-#p#)#=#3#(#0#.#3#)#(#0#.#7#)#=#0#.#6#3##�# #=# ##"0#.#6#3# #=# #0#.#7#9#
#D#i#s#t#r#i#b#u#c#i#�#n# #d#e# #P#o#i#s#s#o#n#:##L#a# #d#i#s#t#r#i#b#u#c#i#�#n#
#d#e# #P#o#i#s#s#o#n# #s#e# #l#l#a#m#a# #a#s#�# #e#n# #h#o#n#o#r# #a# #S#i#m#e#�#n#
#D#e#n#n#i#s# #P#o#i#s#s#o#n#.# #E#s#t#a# #d#i#s#t#r#i#b#u#c#i#�#n# #m#a#n#e#j#a#
#u#n#a# #v#a#r#i#a#b#l#e# #a#l#e#a#t#o#r#i#a# #d#i#s#c#r#e#t#a# #q#u#e# #a#
#m#e#n#u#d#o# #r#e#s#u#l#t#a# #�#t#i#l# #c#u#a#n#d#o# #n#o#s# #enfrentamos con el
n�mero de ocurrencias de un evento en un intervalo de tiempo o de espacio
especificados. Por ejemplo, la variable aleatoria de inter�s pudiera ser el n�mero
de llegadas a un lavado de autom�viles en una hora, el n�mero de reparaciones que
se requieren en 10 millas de autopista o el n�mero de fugas existentes en 100
millas de oleoducto. Si se satisfacen las
dos hip�tesis siguientes, es aplicable la distribuci�n de probabilidad de Poisson.
La probabilidad de ocurrencia de un evento es la misma para cualquiera de 2
intervalos de igual valor.La ocurrencia o no ocurrencia del evento en cualquier
intervalo es independiente de la ocurrencia o no ocurrencia de cualquier otro
intervalo. La funci�n de probabilidad de la variable aleatoria de Poisson queda
dada por la ecuaci�n siguiente:## Donde
###################################################################################
###################################################################################
#####################�# # #=# #n#u#m#e#r#o# #p#r#o#m#e#d#i#o# #d#e#
#o#c#u#r#r#e#n#c#i#a#s# #e#n# #u#n# #i#n#t#e#r#v#a#l#o#.## # # # # # # # # # # # #
# #e# #=# #2#.#7#1#8#2#8## # # # # # # # # # # # # # #x# #=# #n#�#m#e#r#o# #d#e#
#o#c#u#r#r#e#n#c#i#a#s# #d#e#n#t#r#o# #d#e# #u#n# #i#n#t#e#r#v#a#l#o#.# ## # # # #
# # # # # # # # # #f#(#x#)# #=# #p#r#o#b#a#b#i#l#i#d#a#d# #d#e# #x#
#o#c#u#r#r#e#n#c#i#a#s# #e#n# #e#l# #i#n#t#e#r#v#a#l#o#.##E#j#e#m#p#l#o#.##
#S#u#p#o#n#g#a# #q#u#e# #e#s#t#a#m#o#s# #i#n#t#e#r#e#s#a#d#o#s# #e#n# el n�mero de
llegadas al cajero autom�tico para automovilistas durante un periodo de 15 minutos
en las ma�anas de la semana. Si suponemos que la probabilidad de que llegue
un autom�vil es la misma para cualquiera de de 2 periodos de tiempo de igual
duraci�n, y que la llegada o no llegada de un autom�vil en cualquier periodo de
tiempo, es aplicable la funci�n de probabilidad de Poisson. Entonces, si suponemos
que un an�lisis de los datos hist�ricos muestra que el n�mero promedio de
autom�viles que llegan# #d#u#r#a#n#t#e# #u#n# #i#n#t#e#r#v#a#l#o# #d#e# #1#5#
#m#i#n#u#t#o#s# #e#s# #d#e# #1#,# #e#s# #a#p#l#i#c#a#b#l#e# #l#a# #f#u#n#c#i#�#n#
#d#e# #p#r#o#b#a#b#i#l#i#d#a#d# #d#e# #P#o#i#s#s#o#n# #c#o#n# #�# #=# #1#0#.### # #
# # # # # # # # # # # # # # # #f#(#x# #)# # #=# # #�#x# # # #e#-#�# # # #=# # # # #
# #1#0# #x# #e#-#1#0# # # # # # # #P#a#r#a# # # #x# #=# #0#,#1#,#2#,#& ##### # # #
# # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # #
# # # # #x#!# # # # # # # # # # # # x!Si dese�ramos saber �cu�l es la
probabilidad de 5 llegadas en 15 minutos, har�amos x = 5? # F(x) =
105e-10 = 0.0378 5!Distribuci�n Normal. La
distribuci�n probabil�stica normal y su respectiva curva normal tienen las
siguientes caracter�sticas:La curva normal es acampanada y presenta un solo pico en
el centro de la distribuci�n. La media (aritm�tica), la mediana y la moda de la
distribuci�n son iguales y est�n localizadas en el pico. De esta forma, la mitad
del �rea bajo la curva. De esta forma, la mitad del �rea bajo la curva se encuentra
por arriba de ese punto central, y la otra mitad por abajo.La distribuci�n
probabil�stica normal es sim�trica con respecto a su media. Si se corta la curva
normal verticalmente en este valor central, las dos mitades se reflejaran como
im�genes en un espejo.La curva normal decrece uniformemente en ambas direcciones a
partir del valor central. Es asint�tica, lo cual significa que la curva se acerca
cada vez m�s al eje x, pero en realidad nunca llega a tocarlo. Esto es, los puntos
extremos de la curva se extienden indefinidamente en uno y otros sentidos.
########Figura 4.2. Caracter�sticasde la distribuci�n normal. No existe solo una
distribuci�n probabil�stica normal, sino que hay una �familia�de ellas. Existe una
distribuci�n de probabilidad normal para los tiempos de servicio de los empleados
de la planta de Camden, para la que la media es 20 (a�os) y la desviaci�n est�ndar
vale 3.1(a�os). Existe otra distribu#c#i#�#n# #p#r#o#b#a#b#i#l#�#s#t#i#c#a#
#n#o#r#m#a#l# #p#a#r#a# #l#o#s# #c#i#t#a#d#o#s# #t#i#e#m#p#o#s# #d#e# #l#a#
#p#l#a#n#t#a# #d#e# #D#u#r#k#i#r#k#,# #p#a#r#a# #l#a# #c#u#a#l# #�#=#2#0# #y#
#�#=#3#.#9# #e#n# # #l#a# #f#i#g#u#r#a# #4#.#3# #s#e# #i#l#u#s#t#r#a#n# #t#r#e#s#
#d#i#s#t#r#i#b#u#c#i#o#n#e#s# #n#o#r#m#a#l#e#s# #p#a#r#a# #l#a#s# #q#u#e# #l#a#s#
#m#e#d#i#a#s# # #s#o#n# #i#g#u#a#l#e#s#,# #p#e#r#o# #l#a#s#
#d#e#s#v#i#a#c#i#o#n#e#s# #e#s#t#�#n#d#a#r#e#s# #s#o#n# #d#i#f#e#r#e#n#t#e#s#.####
######Figura 4.3. Distribuciones ##Probabil�sticas normales con #Medias iguales,
pero diferentes#Desviaciones est�ndares. En la figura 4.4. Muestra la distribuci�n
de los pesos de empaques de tres cereales. Los pesos est�n distribuidos en forma
normal, con medias diferentes, pero con desviaciones est�ndares id�nticas.#######
#En la siguiente figura 4.5 muestra tres distribuciones normales que tienen
distintas medias y desviaciones est�ndares. Muestra la distribuci�n de resistencias
a la tensi�n medidas en libras por pulgada cuadrada (lb/pulg2) [psi] para tres
tipos de cables.#Distribuci�n probabil�stica normal.Se observ� que existe una
familia de distribuciones normales. Cada distribuci�n tiene media
(##################################################################################
###################################################################################
#########�#)# #o# #d#e#s#v#i#a#c#i#�#n# #e#s#t#�#n#d#a#r# #(#�#)#,# #c#o#n#
#v#a#l#o#r#e#s# #d#i#f#e#r#e#n#t#e#s#.# #P#o#r# #l#o# #t#a#n#t#o#,# #e#l#
#n#�#m#e#r#o# #d#e# #d#i#s#t#r#i#b#u#c#i#o#n#e#s# #n#o#r#m#a#l#e#s# #e#s#
#i#l#i#m#i#t#a#d#o#.# #R#e#s#u#l#t#a#r#�#a# #f#�#s#i#c#a#m#e#n#t#e#
#i#m#p#o#s#i#b#l#e# #p#r#o#p#o#r#c#i#o#n#a#r# #u#n#a# #t#a#b#l#a# #d#e#
#p#r#o#b#a#b#i#l#i#d#a#d#e#s# #(#c#o#m#o# #l#a# #b#i#n#o#m#i#a#l# #y# #l#a# #d#e#
#P#o#i#s#s#o#n#)# #p#a#r#a# #c#a#d#a# #c#o#m#b#i#n#a#c#i#�#n# #d#e# #�# #y# #�#.#
#P#o#r# #f#o#r#t#u#n#a#,# #p#u#e#d#e# #u#t#i#l#i#z#a#r#s#e# #u#n# #e#l#e#m#e#n#t#o#
#d#e# #l#a# #f#a#m#i#l#i#a# #d#e# #d#i#s#t#r#i#b#u#c#i#o#n#e#s# #n#o#r#m#a#l#e#s#
#p#a#r#a# #t#o#d#o#s# #l#o#s# ####p#r#o#b#l#e#m#a#s# #d#o#n#d#e# #t#a#l#
#d#i#s#t#r#i#b#u#c#i#�#n# #r#e#s#u#l#t#a# #a#p#l#i#c#a#b#l#e#.# #T#i#e#n#e# #u#n#a#
#m#e#d#i#a# #i#g#u#a#l# #a# #0# #y# #u#n#a# #d#e#s#v#i#a#c#i#�#n# #e#s#t#�#n#d#a#r#
#i#g#u#a#l# #a# #1#,# #y# #s#e# #d#e#n#o#m#i#n#a# #d#i#s#t#r#i#b#u#c#i#�#n#
#n#o#r#m#a#l# #e#s#t�ndar. Cualquier distribuci�n normal puede convertirse en una
�distribuci�n normal est�ndar� restando la media a cada observaci�n, dividiendo
luego entre la desviaci�n est�ndar.Primero se convierte o se estandariza, la
distribuci�n a una distribuci�n normal est�ndar utilizando e valor z,(tambi�n
denominado, a veces, desv�o normal estandarizado, o simplemente desv�o normal).
Valor z Diferencia (desviaci�n) entre un valor seleccionado, denotado por x, y la
media #######################################�#,# #d#i#v#i#d#i#d#a# #t#a#l#
#d#i#f#e#r#e#n#c#i#a# #e#n#t#r#e# #l#a# #d#e#s#v#i#a#c#i#�#n# #e#s#t#�#n#d#a#r#,#
#�#.##P#o#r# #t#a#n#t#o#,# #e#l# #v#a#l#o#r# #z# #e#s# #l#a# #d#i#s#t#a#n#c#i#a#
#a# #p#a#r#t#i#r# #d#e# #l#a# #m#e#d#i#a#,# #m#e#d#i#d#a# #e#n# #u#n#i#d#a#d#e#s#
#d#e# #l#a# #d#e#s#v#i#a#c#i#�#n# #e#s#t#�#n#d#a#r#.##E#x#p#r#e#s#a#d#o# #l#o#
#a#n#t#e#r#i#o#r# #c#o#n# #u#n#a# #f#o#r#m#u#l#a# #q#u#e#d#a#:###### #######
#D#o#n#d#e#:## # # # # # # # # # # #X# # #e#s# #e#l# #v#a#l#o#r# #d#e#
#c#u#a#l#q#u#i#e#r# #m#e#d#i#d#a# #u# #o#b#s#e#r#v#a#c#i#�#n#
#e#s#p#e#c#�#f#i#c#a#.## # # # # # # # # # # #�# # #e#s# #l#a# #m#e#d#i#a# #d#e#
#l#a# #d#i#s#t#r#i#b#u#c#i#�#n#.## # # # # # # # # # # #�# # # #e#s# #l#a#
#d#e#s#v#i#a#c#i#�#n# #e#s#t#�#n#d#a#r# #d#e# #l#a# #d#i#s#t#r#i#b#u#c#i#�#n#.#
#C#o#m#o# #s#e# #o#b#s#e#r#v#a# #p#o#r# #l#a# #d#e#f#i#n#i#c#i#�#n#
#a#n#t#e#r#i#o#r#,# #e#l# #v#a#l#o#r# #z# #m#i#d#e# #l#a# #d#i#s#t#a#n#c#i#a#
#e#n#t#r#e# #e#l# #v#a#l#o#r# #e#s#p#e#c#�#f#i#c#o# #X# #y# #l#a# media
(aritm�tica), en unidades de la desviaci�n est�ndar. Conociendo el valor z
determinado por la formula anterior, se puede obtener el �rea o la probabilidad
bajo la curva normal. Recurriendo a la tabla del ap�ndice A.Sup�ngase, como ejemplo
que se obtuvo por c�lculo una z igual 1.91. �Cu�l es el �rea bajo la curva normal
entre la media y X? Nos vamos a la tabla del ap�ndice A. Desci�ndase por la columna
izquierda de �sta encabezada por la letra z, hasta 1.91.Luego se desplaza
horizontalmente hacia la derecha y se lee la probabilidad bajo la columna
encabezada por 0.01. Resulta 0.4719. Esto significa que el 47.19% del �rea bajo la
curva se encuentra entre la media y el valor X de 1.91desviaviones est�ndares por
arriba de la media. Esta es la probabilidad de que una observaci�n se encuentre
entre 0 y 1.91 desviaciones est�ndares respecto de la media. # ## ###
Ejemplo. La media de un grupo de ingresos semanales con distribuci�n normal para un
gran conjunto de gerentes de nivel medio, es $ 1000(d�lares), y la desviaci�n
est�ndar es de $100.�cu�l es el valor z para un ingreso X de $1 100?�Y para uno de
$900? Soluci�n. Utilizando la f�rmula anterior, los valores z para los dos valores
de X ($1 100 y 900) se calculan como sigue:Para X =$1 100
Para X = $900 #Z = X-
###################################################################################
###################################################################################
##############�# # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # #
# # # # # # # # # # # # # # # # # # # # # # # # # # # #Z# #=# #X#-#�#### # # # # #
# # #�# # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # #
# # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # #�######=# #$#1#
#1#0#0# ## #$#1# #0#0#0# # # # # # # # # # # # # # # # # # # # # # # # # # # # # #
# # # # # # # # # # # # # # # # # # # #=# # #$#9#0#0# #-# #$#1# #0#0#0# # # # # # #
# # # # # # # # # # # #
$ 100
$100= 1.00
= -1.00El valor z de 1.00 indica que un ingreso semanal de $1 100 para un
gerente de nivel medio est� una desviaci�n est�ndar por encima de la media; una z
de -1.00 indica que un ingreso de $900 est� una desviaci�n est�ndar por debajo de
la media. Obs�rvese que ambos ingresos ($1 100 y $900) est�n a la misma distancia
($100) respecto de la media.�reas bajo la curva normal.Antes de examinar diversas
aplicaciones de la distribuci�n de probabilidad normal est�ndar, se consideran tres
�reas bajo la curva que han de ser utilizadas ampliamente en los siguientes temas:
Aproximadamente 68% del �rea bajo la curva normal est� dentro de mas una y menos
una desviaciones est�ndares respecto de la media. Esto se expresa como
################�#�#1#�#.##A#p#r#o#x#i#m#a#d#a#m#e#n#t#e# #9#5#%# #d#e#l# #�#r#e#a#
#b#a#j#o# #l#a# #c#u#r#v#a# #n#o#r#m#a#l# #e#s#t#�# #d#e#n#t#r#o# #d#e# #m#�#s#
#d#o#s# #y# #m#e#n#o#s# #d#o#s# #d#e#s#v#i#a#c#i#o#n#e#s# #e#s#t#�#n#d#a#r#e#s#
#r#e#s#p#e#c#t#o# #d#e# #l#a# #m#e#d#i#a#,# #l#o# #q#u#e# #s#e# #e#x#p#r#e#s#a#
#p#o#r# # #�#�#2#�#.##P#r#�#c#t#i#c#a#m#e#n#t#e# #t#o#d#a# #e#l# #�#r#e#a#
#(#9#9#.#7#%#)# #b#a#j#o# #l#a# #c#u#r#v#a# #n#o#r#m#a#l# #e#s#t#�# #d#e#n#t#r#o#
#d#e# #t#r#e#s# #d#e#s#v#i#a#c#i#o#n#e#s# #e#s#t#�#n#d#a#r#e#s# #r#e#s#p#e#c#t#o#
#d#e# #l#a# #m#e#d#i#a# #(#a# #u#n#o# #y# #o#t#r#o# #l#a#d#o#s# #d#e#l#
#c#e#n#t#r#o#)# #l#o# #c#u#�#l# #s#e# #i#n#d#i#c#a# #p#o#r# #�#�#3#�#.#
#M#o#s#t#r#a#n#d#o# #e#s#t#o# #e#n# #u#n# #d#i#a#g#r#a#m#a# #y#
#u#t#i#l#i#z#a#n#d#o# #p#o#r#c#e#n#t#a#j#e#s# #m#�#s# #p#r#e#c#i#s#o#s#
#q#u#e#d#a#:#################################################E#l#
#t#r#a#n#s#f#o#r#m#a#r# #l#a#s# #m#e#d#i#c#i#o#n#e#s# #a# #v#a#l#o#r#e#s# #z#(#o#
#d#e#s#v#�#o#s# #n#o#r#m#a#l#e#s# #e#s#t#�#n#d#a#r#e#s#)# #c#a#m#b#