Estadistica Administrativa I

Instituto Tecnolgico de Apizaco
Departamento de Ciencias Bsicas
INSTITUTO TECNOLGICO DE APIZACO
DEPARTAMENTO DE CIENCIAS BSICAS

www.itapizaco.edu.mx/~cbasicas
ESTADSTICA ADMINISTRATIVA I
(Licenciatura en administracin)
M. en C. JOS LUIS HERNNDEZ GONZLEZ

www.itapizaco.edu.mx/~joseluis
(~ alt 126)
Enviar las tareas al correo: tareasjlhg@yahoo.com
Alum.:____________________________________________ No. Lista: _________
Apizaco Tlax., Agosto Diciembre 2007
Estadstica Administrativa I
pag. 1
M. en C. Jos Luis Hernndez Gonzlez
ESTADSTICA ADMINISTRATIVA I
(Licenciatura en administracin)
OBJETIVO GENERAL DEL CURSO.

Analizar y aplicar conceptos y tcnicas de la probabilidad y estadstica descriptiva e inferencial en
la solucin de problemas en reas de su competencia.
I Distribuciones de frecuencia.
1.1 Conceptos de estadstica y su clasificacin
1.2 Recopilacin de datos
1.3 Distribucin de frecuencia
1.3.1 Histogramas, polgonos de frecuencia, ojivas
1.4 Medidas de tendencia central para un conjunto de datos y datos no agrupados
1.4.1 Media, media ponderada
1.4.2 Mediana
1.4.3 Moda
1.4.4 Relacin entre media, mediana y moda
1.5 Medidas de dispersin para un conjunto de datos y datos agrupados
1.5.1 Rango
1.5.2 Desviacin media
1.5.3 Varianza
1.5.4 Desviacin estndar
1.6 Coeficiente de variacin
1.7 Coeficiente de asimetra de Pearson
II Introduccin a la probabilidad y valor esperado
2.1 Introduccin a la probabilidad
2.1.1 Definicin y expresin
2.2 Eventos mutuamente excluyentes y no excluyentes
2.3 Reglas de adicin
2.4 Eventos independientes, dependientes, probabilidad condicional
2.5 Reglas de multiplicacin
2.6 Diagrama de rbol
2.7 Combinaciones y permutaciones
2.8 Anlisis combinatorio
2.9 Teorema de Bayes
2.10 Valor esperado o esperanza matemtica
III Tipos de distribuciones variables aleatorias discretas y continuas
3.1 Binomial
3.1.1 Propiedades: media, varianza y desviacin estndar
3.1.2 Grfica
pag. 2
3.2 Poisson
3.2.2 Grfica
3.3 Hipergeomtrica
3.3.2 Grfica
3.4 Normal
3.4.2 Grfica
3.5 Aproximacin de la normal a la binomial
3.5.2 Grfica
IV Muestreo y estimaciones
4.1 Definicin de muestreo
4.1.1 Tipos de muestreo aleatorio, sistematizado, estratificado y conglomerados
4.2 Concepto de distribucin de muestreo de la media
4.2.1 Distribucin muestral de la media con conocida y desconocida
4.2.2 Distribucin muestral de la 1-1 con conocida y desconocida
4.2.3 Distribucin muestral de la proporcin
4.2.4 Distribucin muestral p1-p2
4.3 Teorema del lmite central
4.4 Tipos de estimaciones y caractersticas
4.5 Determinacin del tamao de la muestra de una poblacin
4.6 Intervalos de confianza para la media, distribucin Normal y t
4.6.1 Determinacin del tamao de la muestra con grado de confianza y estimacin
4.7 Intervalo de confianza para la diferencia entre dos medias 1 - 2 con y 12 conocidas, con el
uso de la distribucin normal y la t student
4.8 Una sola muestra: estimacin de la proporcin
4.9 Intervalo de confianza para la diferencia de dos proporciones
V Control estadstico de Proceso
5.1. Introduccin a la calidad total
5.2. Control estadstico
5.3. Tipos de variacin
5.4. Graficas de control
5.4.1.Grficas de control para la media del proceso: grfica
5.4.2 Grficas de control para la desviacin estndar del proceso: (S)
5.4.3 Grficas de control para el rango del proceso. Graficas ( R )
5.4.4 Software estadstico
pag. 3
BIBLIOGRAFA (Temario)
1) Levin I. Richard.
Estadstica para administradores
Editorial: Prentice-Hall.
Observaciones:
2) Mendenhall.
Estadstica para administradores.
Editorial: Grupo Editorial Iberoamericana.
_________________________
_________________________
_________________________
3) Stephen P. Sha O.
Estadstica para economistas y administracin de empresas.
Editorial: Harreu. H.
_________________________
_________________________
_________________________
4) Kazmier.
Estadstica para administracin economa y ciencias sociales.
Editorial: McGraw Hill
_________________________
_________________________
5) Spiegel. Murray V.
Estadstica. Editorial:
McGraw Hill
_________________________
_________________________
_________________________
6) William Mendenhall, D. Wackerly, L. Scheaffer.

Estadstica matemtica en aplicaciones.
Grupo Editorial Iberoamericana.
_________________________
7) Kenneth D. Hopkins B.R. Hopkins, V. Class.

Estadstica bsica para las ciencias sociales y del comportamiento.
8) Walphole.
Probabilidad y estadstica.
Editorial: McGrawHill.
9) John E. Freund A. Simon.
Estadstica elemental.
10) George Canavos.
Probabilidad y estadstica, aplicaciones y mtodos.
Editorial: McGrawHill
pag. 4
(1) www.bibitec.org.mx
(2) Programas: Mathcad y
SSPS.
BIBLIOGRAFA (Apuntes)
Estadstica I
Napolen Labastida Lpez
I.P.N. Limusa
IMPORTANTE
Entregar apuntes completos al
Estadstica Inferencial y Econometra

Jos Felipe Padilla Daz
I.P.N.
finalizar
el
curso.
(con
anotaciones de la clase en las

copias y fechas, 4 revisiones
Probabilidad y Estadstica
Walpole y Mier
Mc Graw Hill
durante el semestre)
Las
tareas
trabajos
de
investigacin se deben entregar
Probabilidad y Estadstica
Problemas de Probabilidad
Hugo E. Borras Garca
Rafael Iriarte B.
Facultad de Ingeniera
UNAM
como mapas conceptuales. (en

hojas blancas, nombre, fecha y
nmero de lista, engrapado)
Elaborar proyecto con algn
LINKS
software de la lista.
Entregar reporte de lecturas
Programa R (software libre)

http://cran.r-project.org/
Winplot y Winstat (software libre)
http://math.exeter.edu/rparris/winplot.html
http://math.exeter.edu/rparris/winstats.html
seleccionadas.
Entregar 10 problemas resueltos
por cada tema.
http://www.minitab.com
http://www.spss.com/corpinfo/
pag. 5
UNIDAD I
RECOPILACIN DE LA INFORMACIN
CONCEPTOS DE ESTADSTICA Y SU CLASIFICACIN
ESTADSTICA. Es la ciencia que estudia los medios para derivar informacin vlida a partir de un
conjunto de datos. Es decir, estudia los mecanismos para la obtencin de datos as como su
manipulacin y anlisis.
El estudio de la estadstica se ha concretado primordialmente en el anlisis de datos y su aplicacin en la
toma de decisiones, lo que ha permitido dividir a la estadstica en:
Estadstica descriptiva
Inferencia estadstica (estadstica inductiva o estadstica analtica).
ESTADSTICA DESCRIPTIVA. Es el proceso que se relaciona con los mtodos y/o tcnicas para
la recopilacin, organizacin y anlisis de un conjunto de datos cuantitativos, con el objeto de
describir en forma apropiada las diversas caractersticas de dicho conjunto.
INFERENCIA ESTADSTICA. Es la tcnica o metodologa mediante la cual es posible realizar la
estimacin de las caractersticas de una poblacin o realizar la toma de decisiones basados en resultados
muestrales.
DEFINICIONES
POBLACIN. Es la totalidad de elementos de un grupo dado que posee una caracterstica delimitada
para el alcance de una investigacin.
MUESTRA. Se denomina muestra a una porcin de datos representativos de una poblacin.
PASOS PARA EFECTUAR UN ESTUDIO ESTADSTICO
El uso de los mtodos estadsticos es muy variado y se aplican generalmente a distintos campos como
son los negocios, economa, educacin, medicina, ingeniera, etc. Para lo cual el proceso para realizar
un estudio estadstico est constituido de las siguientes etapas:
1. Formulacin del problema. Para realizar el estudio de un problema es necesario delimitarlo y
formularlo adecuadamente, definindolo de manera clara y precisa.
2. Diseo del experimento. Esta etapa se basa primordialmente en obtener un mximo de
informacin empleando un mnimo de costo y tiempo.
pag. 6
3. Recopilacin de datos. Los datos provienen de observaciones reales o de documentos que se

usan de manera cotidiana, es la parte que consume mayor tiempo la cual la podemos obtener de:
a. Bancos de datos
b. Entrevistas o cuestionarios
c. Observacin directa o mediciones experimentales
4. Organizacin y descripcin. Consiste en desglosar los datos en algunas propiedades sencillas,
se incluye el problema de elaborar modelos matemticos apropiados de los datos.
5. Inferencia estadstica. Consiste en obtener conclusiones acerca de la poblacin muestreada que
dio lugar a los datos recopilados, es el principal objetivo de las investigaciones estadsticas.
6. Interpretacin y decisin. Consiste en la fase final del estudio la cual determinar si una
solucin es adecuada o no, dependiendo de los resultados obtenidos.
OBTENCIN DE DATOS
Dentro de un proceso de investigacin una de las actividades que se realizan es la recopilacin de datos,
la cual es el acopio de informacin y se incluye desde elaborar fichas bibliogrficas hasta la aplicacin
de cuestionarios con el empleo de tcnicas de muestreo.
Existe una gran variedad de tcnicas para realizar la investigacin, que se debern seleccionar de
acuerdo a las necesidades del problema, as como a diferentes factores como son el tiempo, costo, tipo
de actividades a realizar, recursos humanos, etc.
Las tcnicas de recopilacin de datos las podemos realizar con:
Investigacin documental
Investigacin de campo
LA INVESTIGACIN DOCUMENTAL. Consiste en el estudio de documentos escritos sobre un
objeto determinado, es decir son todos aquellos documentos registrados en diferentes dispositivos
fsicos a los que podemos tener acceso en forma directa o indirecta para su consulta y se puede clasificar
en:
1.- Documental bibliogrfica
4.- Documental audiogrfica
2.- Documental hemerogrfica
5.- Documental videogrfica
3.- Documental escrita
6.- Documental iconogrfica
LA INVESTIGACIN DE CAMPO. Consiste en obtener informacin directa mediante diferentes
actividades por contacto directo con el hecho que se quiere investigar as como las personas
relacionadas y se puede realizar:
a) Por observacin directa
b) Por interrogacin
LA OBSERVACION. Es el procedimiento emprico bsico, el cual consiste en realizar la
percepcin intencionada de una actividad determinada mediante la experimentacin la cual consiste
pag. 7
en la obtencin de datos cuantitativos por medio de la medicin del fenmeno que se este
observando. Para realizar la observacin se utilizan diversos instrumentos auxiliares los cuales son:
1.- La ficha de campo
2.- Estudio de Actividades
realizadas con anterioridad, biografas, etc.
3.- La entrevista
4.- La encuesta
LA ENTREVISTA. Es una de las tcnicas ms comunes y es considerada como la relacin directa

entre el investigador y el objeto de estudio a travs de individuos o grupos con el fin de obtener
testimonios reales.
a) Entrevistas formales
b) Entrevistas informales
LA ENCUESTA. Consiste en recopilar informacin sobre una parte e la poblacin, en donde la
informacin recopilada puede emplearse para un anlisis cuantitativo con el fin de identificar las
magnitudes del problema.
a) Un cuestionario
b) Una cedula de entrevista
EL CUESTIONARIO. Es un eficaz auxiliar en la observacin cientfica que contiene aspectos del
fenmeno esenciales, las cuales son preguntas formuladas por escrito y no es necesaria la presencia
del investigador.
- Cuestionarios por correo
- Cuestionario administrado por el entrevistado
- Cuestionario administrado por el entrevistador
LA CEDULA. Tiene carcter de annimo, donde el encuestador es quien llena la cedula de
entrevista, adems de que es posible aclara la informacin sobre las preguntas y es utilizada cuando
una persona tiene un bajo nivel cultural.
Investigacin
Documental
Bibliogrfica
Hemerogrfica
Escrita
Audiogrfica
Videogrfica
Iconogrfica
Dispositivo magntico
Ficha de campo
Observacin
directa
Actividades anteriores
Entrevista
Formal
Informal
Encuesta
Cuestionario
Cdula de entrevista
Campo
Por interrogacin
pag. 8
Organizacin, presentacin y medicin de la informacin

ESTADSTICA DESCRIPTIVA
Medidas descriptivas. Es posible realizar una interpretacin o anlisis de los datos mediante diferentes
medidas descriptivas que nos permiten extraer y resumir las principales caractersticas de los datos. Las
medidas descriptivas pueden calcular a partir de una muestra o de una poblacin, adems es necesario
realizar una tabla de frecuencias cuando los datos son demasiados para poder graficarlos e
interpretarlos.
DISTRIBUCIN DE FRECUENCIAS
Distribucin de Frecuencia: Es una representacin tabular en la cual se disponen datos divididos en
grupos ordenados numricamente y que se denominan clases o categoras.
Al construir una tabla de distribucin de frecuencias, debemos de:

1) Se selecciona el nmero adecuado de clases para la tabla.
2) Se selecciona un intervalo de clase o anchura apropiada.
3) Establecer los lmites de clase para evitar traslapes.
La seleccin del nmero de clases depende de la cantidad de datos sin embargo, se propone de entre
5 y 15.
CLCULO DE NMEROS DE CLASES
Para calcular el nmero de clases de una tabla de frecuencias podemos usar las siguientes
expresiones frmulas:
a)
Raz cuadrada
k =
b)
Regla de Sturges
k = 1 + 3.3 log n
c)
Regla de Stockes
k =
pag. 9
ln(n )
+1
ln(2)
Considere los siguientes datos aleatorios:

15
10
18
20
19
14
17
10
13
20
10
11
16
19
12
16
15
13
20
10
13
19
n = 35
a)
Raz cuadrada
k =
= 5.916
b)
Regla de Sturges
k = 1 + 3.3 log (35)
= 6.095
c)
Regla de Stockes
k =
ln(n )
+1
ln(2)
= 6.129
35
Rango= 20 1 = 19
I=
recorrido 19
=
= 3.1667 4
k
6
Si redondeamos a I = 4 tendremos k = 5 y si redondeamos a I = 3, tendremos k = 6, por simplicidad

se toma en este ejemplo I = 4 y k = 5.
Clase
Frecuencias
Frecuencias
Frecuencias
Frecuencias
frecuencias
Marca de
acumuladas
relativas
acumuladas
clase
relativas
li
ls
Fa
fr
far
0.5 a menos de 4.5 xxxxx
5/35
5/35
2.5
4.5 a menos de 8.5 xxxxxxx
12
7/35
12/35
6.5
8.5 a menos de 12.5 xxxxxxx
19
7/35
19/35
10.5
12.5 a menos de 16.5 xxxxxxxx
27
8/35
27/35
14.5
16.5 a menos de 20.5 xxxxxxxx
35
8/35
35/35
18.5
35
k = Nmero de clases
35
ls = Lmite Superior
li = Lmite Inferior
I = Ancho de clase
pag. 10
HISTOGRAMAS
Histograma de Frecuencias: Est formado por un conjunto de barras rectangulares, levantadas

sobre el eje de las abscisas (x), cuyas reas son proporcionales a las frecuencias, la altura de cada
frecuencias
barra representa a la frecuencia.

9
8
7
6
5
4
3
2
1
0
2.5
6.5
10.5
14.5
16.5
marca de clase
Polgonos de frecuencia: Es un diagrama de lnea que usa los mismos ejes y escala del histograma,
formando un polgono.
frecuencias
10
8
6
4
2
0
-1.5
2.5
6.5
10.5
14.5
16.5
20.5
16.5
20.5
marca de clase
frecuencias
10
8
6
4
2
0
-1.5
2.5
6.5
10.5
14.5
marca de clase
pag. 11
Diagramas acumulativos (ojivas): En ocasiones se desea mostrar la distribucin de datos, en forma

acumulada. Las frecuencias acumuladas se pueden formar sobre una base menor que mayor
frecuencias acumuladas
que y se obtienen sumando en orden ascendente o descendente las frecuencias.

40
30
20
10
0
0.5
4.5
8.5
12.5
16.5
20.5
16.5
20.5
frecuencias acumuladas
lmites
40
35
30
25
20
15
10
5
0
0.5
4.5
8.5
12.5
lmites
Efecto de la cantidad de datos en un histograma.
pag. 12
MEDIDAS DE TENDENCIA CENTRAL O DE POSICIN
La mayora de los datos se muestra la tendencia de agruparse alrededor de un punto central y es posible
elegir un valor promedio que describa al conjunto. Las ms usuales son: la Media Aritmtica, la
Mediana, Moda y el Rango Medio.
Media aritmtica
n
xi
muestra
x = i =1
n
x1 + x 2 + K + x n
n
=
N
xi
poblacin
= i =1
N
Mediana
Md =
n +1
posicin
2
Nota: Es importante ordenar los datos de mayor a menor o de menor a mayor.
Moda (Mo)
Es aquel valor con mayor frecuencia.
Rango medio
x mayor + x menor
2
Rm =
Media geomtrica
M g = n x i = n x1x 2 K x n
i =1
pag. 13
utilizando logaritmos
n
log x i
x i =1
M g = 10
= 10 x log x 1 + log x 2 + K + log x n
Media armnica (M-1)

n
M 1 =
1
1
1
+
+K+
x1 x 2
xn
i =1 i
Media cuadrtica (Mc)

n
x i2
Mc =
i =1
x 12 + x 22 + K + x 2n
=
n
Media aritmtica ponderada
wixi
x = i =1
x1w 1 + x 2 x 2 + K + w n x n
w1 + w 2 + K + w n
wi
i =1
Cuartiles (Qi)
Qi =
ni
Di =
ni
1
posicin
2
1
posicin
2
1
posicin
2
Deciles (Di)
10
Percentiles (Pi)
Pi =
ni
100
pag. 14
MEDIDAS DE DISPERSIN
Es una propiedad que describe a un conjunto de datos en relacin al grado de variacin o diseminacin
de los mismos las medidas mas usuales son el rango, la desviacin media, la varianza y la desviacin
Estndar.
Rango (recorrido, amplitud, oscilacin)
R = x mayor x menor
Desviacin media (D. M.)
D.M. =
n | x x |
i
i =1
| x1 x | + | x 2 x | + K + | x n x |
n
Varianza
n
muestra
s2 =
i =1
2 =
poblacin
(x i x) 2 (x 1 x) 2 + (x 2 x) 2 + K + (x n x) 2
=
n 1
n 1
N ( x ) 2
i
i =1
Desviacin estndar
muestra
(x i x ) 2
s= s =
n 1
i =1
poblacin
( x i ) 2
= =
N
i =1
Coeficiente de variacin
cv =
s
x
cv =
Coeficiente de asimetra
ca =
3( x M d )
s
pag. 15
ca =
3( M d )
Ejemplo: Considere el siguiente conjunto de calificaciones obtenidas de una muestra de 8 alumnos

del grupo. 80, 78, 60, 33, 80, 90, 80, 98
x =
80 + 78 + 60 + 33 + 80 + 90 + 80 + 98 599
=
= 74.875
8
8
Md =
33
1
60
2
78
3
80
4
8+1
= 4.5 posicin
2
80
5
80
6
90
7
98
8
4.5 posicin
Md = 80
Mo = 80
Rm =
Q2 =
98 + 33
= 65.5
2
(8)(2)
4
1
= 4.5 posicin
2
MEDIDAS DE DISPERSIN
R = 98 33 = 65
(80 9.36) 2 + (78 9.36) 2 + K + (98 9.36) 2

8 1
s=
403.839 = 20.0958
cv =
20.0958
= 0.268
74.875
ca =
3(74.875 80)
20.0958
2826.88
= 403.839
7
= .0765
pag. 16
DATOS AGRUPADOS
Cuando el conjunto de datos es muy grande lo podemos organizar en una tabla de frecuencias y
despus calcular sus medidas como datos agrupados.
n
x ifi
Media
n = Nmero de datos
x = i =1
li = Lmite inferior
fi
f = Frecuencia
i =1
Mediana
Moda
Cuartiles
Deciles
Percentiles
fa a
I
M d = li + 2
f
1
M o = li +
1 + 2
ni
fa a
Q i = li + 4
x = Valor Medio o marca de clase

1 = Diferencia entre la mayor frecuencia
y la frecuencia anterior
2 = Diferencia entre la mayor frecuencia

y la frecuencia que le sigue
I = Ancho de la clase intervalo
faa = Frecuencia acumulada anterior
ni
fa a
I
D i = li + 10
ni
fa a
I
Pi = li + 100
( x ) 2 f i
Varianza
2 = i =1
fi
i =1
Ejemplo: Calcular en la tabla de frecuencias anterior la media aritmtica, mediana, moda,

desviacin estndar y comparar como datos no agrupados.
pag. 17
fa
xf
(x-)2f
0.5 a menos de 4.5
2.5
12.5
387.2
4.5 a menos de 8.5
12
6.5
45.5
161.28
8.5 a menos de 12.5
19
10.5
73.5
4.48
12.5 a menos de 16.5
27
14.5
116.0
81.92
35
18.5
148.0
414.72
35
395.5
1049.6
li
ls
Media
=
395.5
= 11.30
35
Mediana
Buscar en las frecuencias acumuladas el valor de
n
35
=
= 17.5 en las frecuencias acumuladas,
2
2
como no aparece tmese el rengln con la frecuencia mayor a 17.5 que corresponde a la clase de 8.5
a menos de 12.5.
li
ls
fa
0.5 a menos de 4.5
2.5
4.5 a menos de 8.5
12
6.5
8.5 a menos de 12.5
19
10.5
27
14.5
35
18.5
35
sustituir
li = 8.5
faa = 12
f =7
I= 4
17.5 12
M d = 8 .5 +
4 = 11.64
7
Moda
Tomar la mayor frecuencia, considerar el valor de 8 en la clase de 12.5 a menos de 16.8.
li = 12.5
1 = 1
2 = 0
I =4
1
M o = 12.5 +
4 = 16.5
1+ 0
pag. 18
Varianza
2 =
1049.6
= 29.99
35
29.99 = 5.473
Desviacin estndar
Comparativa de la media aritmtica y la desviacin estndar

= 11.34 (no agrupados)
11.30 (agrupados)
= 5.79 (no agrupados)
5.47 (agrupados)
Asimetra. Es una medida del grado de distorsin respecto a la simetra que presenta una distribucin
de frecuencias. Cuando una distribucin es perfectamente simtrica los valores de la media, la
mediana y de moda son iguales.
Simtrica
Asimetra positiva
(a la derecha)
Asimetra negativa
(a la izquierda)
Curtsis. Mide el grado de apuntamiento de la distribucin. La curva normal se toma como

referencia para medir la curtsis. Si una curva es menos apuntada que la normal se dice que es
platicrtica y una curva ms apuntalada que la normal se llama leptocrtica. El termino mesocrtica
es utilizado para describir a la curva normal.
Leptocrtica
Mesocrtica
Platicrtica
pag. 19
UNIDAD II
INTRODUCCIN A LA PROBABILIDAD Y VALOR ESPERADO
CONJUNTOS Y TCNICAS DE CONTEO
DEFINICIN Y NOTACIN DE CONJUNTOS
El trmino conjunto juega un papel fundamental en el desarrollo de las matemticas modernas;
Adems de proporcionar las bases para comprender con mayor claridad algunos aspectos de la teora
de la probabilidad. Su origen se debe al matemtico alemn George Cantor (1845 1918).
Podemos definir de manera intuitiva a un conjunto, como una coleccin o listado de objetos con
caractersticas bien definidas que lo hace pertenecer a un grupo determinado.
Para que exista un conjunto debe basarse en lo siguiente:
La coleccin de elementos debe estar bien definida.
Ningn elemento del conjunto se debe contar ms de una vez, generalmente, estos elementos
deben ser diferentes, si uno de ellos se repite se contar slo una vez.
El orden en que se enumeran los elementos que carecen de importancia.
NOTACIN
A los conjuntos se les representa con letras maysculas A, B, C, ... y a los elementos con letras
minsculas a, b, c, ..., por ejemplo, el conjunto A cuyos elementos son los nmeros en el
lanzamiento de un dado.
A = { 1, 2, 3, 4, 5, 6 }
En base a la cantidad de elementos que tenga un conjunto, estos se pueden clasificar en conjuntos
finitos e infinitos.
FINITOS: Tienen un nmero conocido de elementos, es decir, se encuentran determinados por su

longitud o cantidad.
El conjunto de das de la semana
INFINITOS: Son aquellos en los cuales no podemos determinar su longitud.

El conjunto de los nmeros reales
Existen dos formas comunes de expresar un conjunto y la seleccin de una forma particular de
expresin depende de la conveniencia y de ciertas circunstancias siendo:
pag. 20
EXTENSIN: Cuando se describe a cada uno de los elementos.

A = {a, e, i, o, u}
COMPRENSIN: Cuando se enuncian las propiedades que deben tener sus elementos.
A = {x | x es una vocal}
Para describir si un elemento pertenece o no a un conjunto, se utiliza el smbolo de pertenencia o es
elemento de, con el smbolo , en caso contrario .
A = {1, 2, 3}
2 A; 5 A
TIPOS DE CONJUNTOS
CONJUNTO VACI O NULO: Es aquel que no tiene elementos y se simboliza por o { }.
A = {x2 + 1 = 0 | x R}
El conjunto A, es un conjunto vaco por que no hay ningn nmero real que satisfaga a x2+1 = 0
CONJUNTO UNIVERSAL: Es el conjunto de todos los elementos considerados en una poblacin

o universo, en un problema en especial. No es nico, depende de la situacin, denotado por U o .
RELACIONES ENTRE CONJUNTOS

IGUALDAD DE CONJUNTOS
Considerando el conjunto A y el conjunto B, si ambos tienen los mismos elementos, es decir, si
cada elemento que pertenece a A tambin pertenece a B y si cada elemento que pertenece a B
pertenece tambin a A.
A=B
SUBCONJUNTO
Si todo elemento de un conjunto A es tambin elemento de un conjunto B, entonces se dice que A es
un subconjunto de B. Representado por el smbolo .
ABoBA
SUBCONJUNTOS PROPIOS
Se dice que es un subconjunto propio de A s todos los elementos de un conjunto B se encuentran
incluidos en l A, denotado por .
ABoBA
pag. 21
CONJUNTO POTENCIA
La familia de todos los subconjuntos de un conjunto se llama conjunto potencia. Si un conjunto es
finito con n elementos, entonces el conjunto potencia tendr 2n subconjuntos.
A = {1, 2}
El total de subconjuntos es:
22 = 4
{1,2}, {1}, {2}, { }
CONJUNTOS DISJUNTOS
Son aquellos que no tienen elementos en comn, es decir, cuando no existen elementos que
pertenezcan a ambos.
F = {1, 2, 3, 4, 5, 6}
G = {a, b, c, d, e, f}
PARTICIN
Cuando un conjunto es dividido en subconjuntos mutuamente excluyentes y exhaustivos, se le
denomina particin.
OPERACIONES DE CONJUNTOS
Unin.
Interseccin.
Diferencia.
Complemento.
Producto cartesiano.
UNIN DE CONJUNTOS. Sean A y B dos subconjuntos cualesquiera del conjunto universal. La

unin de A y B, expresada por A B, es el conjunto de todos los elementos que pertenecen a A o
pertenecen a B.
A B = {x | x A o x B}
INTERSECCIN DE CONJUNTOS. Sean A y B dos conjuntos cualesquiera del conjunto
universal. La interseccin de A y B, expresada por A B, es el conjunto de todos los elementos que
pertenecen a A y a B simultneamente, es decir:
A B = {x | x A y x B}
pag. 22
DIFERENCIA DE CONJUNTOS O COMPLEMENTO RELATIVO. Sean A y B dos conjuntos

cualesquiera del conjunto universal. La diferencia o complemento relativo de B con respecto a A, es
el conjunto de los elementos que pertenecen a A, pero no pertenecen a B.
A - B = {x | x A, x B}
Nota: A - B B - A
COMPLEMENTO ABSOLUTO O SIMPLEMENTE COMPLEMENTO. Sea A un subconjunto

cualesquiera del conjunto universal. El complemento de A es el conjunto de elementos que
perteneciendo al universo y no pertenecen al conjunto A, denotado por A o Ac.
A = {x | x U, x A}
Nota: A = U - A
PRODUCTO CARTESIANO. Sean A y B dos conjuntos, el conjunto producto o producto

cartesiano expresado por A x B est formado por las parejas ordenadas (a, b) donde a A y b B.
A x B = {(a, b) | a A y b B}
LEYES DE CONJUNTOS
DE IDEMPOTENCIA
AA=A
A A=A
DE INVOLUCIN
(A) = A
ASOCIATIVA
(A B) C = A (B C )
(A B) C = A (B C)
DE COMPLEMENTO
A A = U
A A =
U=
= U
CONMUTATIVA
A B = B A
DMORGAN
(A B) = A B
A B=B A
(A B)= A B
DISTRIBUTIVA
A (B C) = (A B) (A C)
A (B C) = (A B) (A C)
DE IDENTIDAD
A U = U
A = A
A U=A
A =
PRINCIPIO DE CONTEO
n(A B) = n(A) + n(B)
AB=
n(A B) = n(A) + n(B) - n(A B) A B
pag. 23
DIAGRAMAS DE VENN
Un diagrama de Venn es una representacin pictrica de conjuntos en el plano. El conjunto universal
U se representa por un rectngulo, cualquier otro conjunto se representa con un crculo. Una
operacin se representa mediante el sombreado de los elementos del conjunto.
AB
EVENTOS
EXPERIMENTO ESTADSTICO: Es el proceso mediante el cual se genera un conjunto de datos
y puede ser determinstico o aleatorio.
ESPACIO MUESTRAL: Son todos los posibles resultados que se obtienen de un experimento
denotado por S o .
S = {1, 2, 3, 4, 5, 6}
EVENTO SIMPLE: Son los eventos constituidos por un slo elemento.
A = {4}
EVENTO COMPUESTO: Es cualquier evento que se puede descomponer en dos o ms eventos
simples.
B = {2, 4, 6}
EVENTOS MUTUAMENTE EXCLUYENTES: Llamados tambin disjuntos, no pueden ocurrir
simultneamente, es decir, la ocurrencia de ellos excluye la ocurrencia de los otros.
AB=
EVENTOS INDEPENDIENTES: Cuando la ocurrencia o no ocurrencia de un evento no afecte la
ocurrencia de otro evento.
EVENTOS DEPENDIENTES: Si los eventos A y B estn relacionados de tal modo que la
ocurrencia de B depende de la ocurrencia de A, entonces A y B son independientes.
pag. 24
TCNICAS DE CONTEO
Para determinar el espacio muestral o el tamao del espacio muestral, es necesario desarrollar
algunas tcnicas de enumeracin las cuales son:
El Diagrama de rbol
Anlisis Combinatorio.
DIAGRAMAS DE RBOL
Los diagramas de rbol son ordenaciones empleadas para enumerar todas las posibilidades lgicas
de una secuencia de eventos, donde cada evento puede ocurrir en un nmero finito. Proporcionan un
mtodo sistemtico de enumeracin objetiva de los resultados.
Ramas
Raz
A continuacin, se presenta un Diagrama de rbol, referente a las respuestas que se pueden dar a
tres preguntas de Verdadero o Falso.
Tenemos dos opciones posibles para cada pregunta, V o F el rbol presenta dos ramas en cada
pregunta.
1) La teora de conjuntos fue desarrollada por G. Cantor.

a) V
b) F
2) G. Cantor es de origen francs.
a)V
b) F
3) La teora de conjuntos sirve para simplificar la Estadstica.
a) V
2
V
b) F 3)
V
F
1)
V
V
F
F
V
V
F
V
F
F
pag. 25
Las diferentes formas en que se puede contestar son ocho y forman el espacio muestral.
S = {VVV, VVF, VFV, VFF, FVV, FVF, FFV, FFF}

Se tienen en un estante 3 libros uno de lgebra, otro de Contabilidad y otro de Biologa. De
cuntas formas distintas se pueden ordenar los libros?
C
B
A
C
C
C
A
A
B
{ACB, ABC, BCA, BAC, CAB, CBA}
lgebra
Biologa
lgebra
Biologa
Contabilidad
Contabilidad
lgebra
Contabilidad
Biologa
Contabilidad
Biologa
lgebra
lgebra
Contabilidad
Contabilidad
Biologa
Biologa
lgebra
ANLISIS COMBINATORIO
Los diagramas de rbol muestran objetivamente el nmero de resultados posibles en que se puede
disponer de la ordenacin de un conjunto de elementos, pero esta enumeracin es limitada, pues a
medida que aumenta el nmero de objetos dicha ordenacin se complica, por lo que hay que utilizar
otro procedimiento ms sencillo para determinar el nmero total de resultados. Con este fin, nos
pag. 26
apoyaremos en los conceptos permutaciones y combinaciones, los cuales tienen como base el
principio fundamental del conteo.
PRINCIPIO FUNDAMENTAL DE CONTEO

Si un evento A puede ocurrir de n1 maneras, y una vez que este ha ocurrido, otro evento B puede
ocurrir de n2 maneras diferentes, entonces el nmero total de formas diferentes en que ambos
eventos pueden ocurrir en el orden indicado, es igual a n1 x n2.
De cuntas maneras pueden repartirse 3 premios a un conjunto de 10 personas, suponiendo que

cada persona no puede obtener ms de un premio?
Aplicando el principio fundamental del conteo, tenemos 10 personas que pueden recibir el primer
premio. Una vez que ste ha sido entregado, restan 9 personas para recibir el segundo, y
posteriormente quedarn 8 personas para el tercer premio. De ah que el nmero de maneras
distintas de repartir los tres premios.
n1 x n2 x n3
10 x 9 x 8 = 720
Cuntas placas de automvil se pueden hacer utilizando dos letras seguidas de tres cifras? No se
admiten repeticiones.
26 x 25 x 10 x 9 x 8 = 468000
El smbolo ! se lee factorial y es el producto resultante de todos los enteros positivos de 1 a n; es
decir, sea n un nmero entero positivo, el producto n (n-1) (n-2)...3 x 2 x 1 se llama factorial de n.
n! = n (n -1 ) (n -2 )...3 x 2 x 1
5! = 5 x 4 x 3 x 2 x 1 = 120
Por definicin 0! = 1
PERMUTACIONES
Una permutacin de un conjunto de elementos, es un ordenamiento especfico de todos o algunos
elementos del conjunto, facilita el recuento de las ordenaciones diferentes que pueden hacerse con
los elementos del conjunto.
Nota: En una permutacin el orden en que se disponen los elementos del conjunto es importante.
PERMUTACIONES DE n ELEMENTOS
Por el principio fundamental del conteo podemos enunciar que el nmero de permutaciones de n
objetos distintos tomados de n en n, es:
n Pn = n!
pag. 27
Se quiere conocer el conjunto de todas las disposiciones posibles de tres personas colocadas en
hilera para tomar una fotografa.
3P3
= 3! = 6
Cinco personas desean nombrar un Comit Directivo compuesto de un presidente, un

vicepresidente, un secretario, un tesorero y un vocal. Cuntas maneras hay de constituir el
comit?
5P5
= 5! = 120
Hay seis banderas de distintos colores. Cuntas seales diferentes se pueden enviar usando las seis
banderas al mismo tiempo?
6P6
= 6! = 720
PERMUTACIONES DE n ELEMENTOS EN DIFERENTES GRUPOS DE r ELEMENTOS.

Podemos calcular el nmero de permutaciones nPr, de n elementos, tomados en grupos o
subconjuntos de r elementos.
n Pr =
n!
(n r )!
Si de un estante tomamos 2 de 3 libros Cuntas permutaciones pueden realizarse?
3 P2 =
3!
= 3! = 6
(3 2)!
Cuntas ternas pueden formarse con las 26 letras del alfabeto, si cada letra slo puede utilizarse
una sola vez?
26!
26!
=
= 15600
26 P3 =
(26 3)! 23!
pag. 28
Cinco personas entran a una sala en la que hay 8 sillas. De cuntas maneras diferentes pueden
ocupar las sillas?
8!
8!
=
= 6720
8 P5 =
(8 5)! 3!
PERMUTACIONES DONDE NO TODOS LOS ELEMENTOS SON DIFERENTES.

Si los elementos de un conjunto no son todos diferentes entre s, es decir, algunos de los elementos
son idnticos, la frmula de las permutaciones presenta un nuevo aspecto.
El nmero de permutaciones que se pueden formar en el caso de n elementos, cuando hay n1
elementos idnticos, n2 elementos de otro tipo idnticos, etctera, es:
n Pn1, n2, ..., nk =
n!
n1! n2! ... nk!
Cuntas palabras diferentes de cuatro letras pueden formarse con las letras LULU?
4 P2, 2 =
4!
24
=
=6
2! 2!
4
S = {LLUU, LULU, UULL, ULUL, LUUL, ULLU}
Cuntas palabras de once letras pueden formarse con la palabra Mississippi?.
11!
= 34650
4! 4! 2!1!
11 P4, 4, 2, 1 =
Cuntos mensajes pueden enviarse con diez banderas utilizndolas todas, si son cuatro negras,
tres verdes y tres rojas?
10
= 4200
10 P4, 3, 3 =
4! 3! 3!
PERMUTACIONES CIRCULARES
Cuando los elementos se encuentran dispuestos en forma circular tenemos:
n Pc
= (n 1)!
De cuntas maneras podemos ordenar 5 llaves en un llavero?

5 Pc = (5 1)! = 4! = 24
pag. 29
COMBINACIONES
Ya sabemos que en una permutacin el orden de los elementos es importante, pero cuando el orden
de colocacin carece de importancia, a la disposicin de dichos elementos se le denomina
combinacin.
Por lo tanto, una combinacin es un subconjunto o una disposicin de todos los elementos de un
conjunto, sin tener en cuenta el orden de ellos.
El nmero de combinaciones o subconjuntos no ordenados, cada uno formado por r elementos, que
pueden obtenerse de un conjunto de n elemento es:
n Cr =
n!
n!
n
o =
(n r )! r!
r (n r )! r!
Si de un estante tomamos 2 de 3 libros, Cuntas combinaciones pueden realizarse?
3 C2 =
3!
3!
6
=
= =3
(3 2)! 2! 1! 2! 2
Por lo tanto, el resultado se reduce a 3 posibles formas ya que en una combinacin el orden de los
elementos no es importante.
Se tienen cinco obreros para un trabajo especial que requiere de tres de ellos. De cuntas maneras
diferentes se puede seleccionar un equipo de tres?
5 C3 =
5!
5!
120
=
=
= 10
(5 3)! 3! 2! 3! 12
De un club de 20 socios, se van a seleccionar 3 para formar la mesa directiva. De cuntas formas
puede constituirse?
20 C 3 =
20!
20!
6840
=
=
= 1140
(20 3)! 3! 17! 3!
6
pag. 30
Es conveniente observar que:
=n Cn r
n Cr
As:
100 C 98 =100 C100 98 =100 C 2
FRMULA DEL BINOMIO
(a + b ) n =
n n
n r r
r a
r = 0
AXIOMAS Y TEOREMAS DE LA PROBABILIDAD.

DEFINICIONES DE LA PROBABILIDAD.
La palabra probabilidad se utiliza para cuantificar nuestra creencia de que ocurra un acontecimiento
determinado. Existen tres formas de estimar probabilidades: el enfoque clsico, el cual se aplica
cuando todos los resultados posibles que se consideran igualmente probables; el de frecuencias
relativas o probabilidad emprica, se refiere a la estimacin con base en un gran nmero de
experimentos repetidos en las mismas condiciones. El enfoque subjetivo basado en situaciones
especiales, en las cuales no es posible repetir el experimento y slo usa un grado de confianza
personal.
PROBABILIDAD CLSICA O DE LAPLACE (fines del siglo XVI).
Bajo este concepto definiremos la probabilidad de obtener un determinado resultado A, en un
experimento aleatorio como la relacin por cociente, entre el nmero de casos favorables a su
ocurrencia, y el nmero de casos posibles. Si representamos la probabilidad de ocurrencia del evento
A, por P(A), se tendr:
P( A) =
Casos favorables al evento A

Casos posibles
Esta es la definicin clsica o apriori (antes de), es de aplicacin fcil, pues no se necesita de ningn
experimento para su clculo, sino nicamente el conocimiento de las condiciones en que se realiza el
experimento. Se supone que todos los resultados posibles son conocidos, y que todos tienen la
misma probabilidad de ocurrir.
Si una urna contiene 10 esferas blancas, 15 azules y 5 rojas, la probabilidad de extraer al azar una
esfera blanca, es:
10 1
P (B) =
=
30 3
pag. 31
Esta probabilidad se basa en razonamientos abstractos y no depende de la experiencia, lo cual

permite estimar probabilidades sin realizar una gran cantidad de experimentos.
PROBABILIDAD FRECUENTISTA O DE VON MISES (frecuencias relativas 1957)

La probabilidad experimental de que ocurra un evento es la frecuencia relativa observada con que
ocurre ese evento. Si un experimento se realiza n veces, bajo las mismas condiciones y si ocurren
n(A) resultados favorables al evento A, el valor estimado de la probabilidad de que ocurra A como
resultado de la experimentacin, puede determinarse de la manera siguiente:
P( A) =
n( A)
n
Donde n(A) es el nmero de veces que se observ realmente el evento A, y n es el nmero de veces
que se efectu el experimento.
La probabilidad estimada, obtenida en esta forma, se denomina probabilidad experimental. A medida
que aumenta el nmero de ensayos o experimentos, la probabilidad estimada de que ocurra un
evento, que se obtiene a travs de la frecuencia relativa, se va acercando al valor apriori.
Por medio del enfoque de frecuencias relativas, la probabilidad se determina sobre la base de la
proporcin de veces que ocurre un resultado favorable, en un nmero de observaciones o
experimentos. No hay supuesto previo de iguales probabilidades.
De 70 alumnos que se inscribieron al curso de probabilidad y estadstica en el semestre anterior. 15

no lo terminaron, 20 obtuvieron una calificacin de NA y el resto lo aprobaron, Cul es la
probabilidad de que un alumno acredite la materia?
P( A) =
35 1
=
70 2
PROBABILIDAD SUBJETIVA (1969)

La probabilidad estimada mediante los enfoques clsicos y experimental, son completamente
objetivos, ya que se determinan con base en hechos reales. En cambio, en algunos casos se presentan
situaciones en las cuales no es posible realizar experimentos repetitivos y los resultados tampoco son
igualmente probables. En estas condiciones, la probabilidad de ocurrencia de un evento debe
evaluarse en forma subjetiva.
Tales apreciaciones suelen ser de criterio personal, y por lo tanto, dos personas pueden cuantificar en
forma diferente, la probabilidad subjetiva del mismo evento. Podemos entonces considerar la
probabilidad subjetiva como la evaluacin personal de la ocurrencia de un evento incierto, que se
hace con base en criterios o experiencias sobre casos semejantes.
AXIOMAS DE PROBABILIDAD
Los axiomas de la formulacin moderna de la teora de la probabilidad constituyen una base para
deducir a partir de ellas un amplio nmero de resultados.
pag. 32
La letra P se utiliza para designar la probabilidad de un evento, siendo P(A) la probabilidad de

ocurrencia de un evento A en un experimento.
AXIOMA 1
Si A es un evento de S, entonces la probabilidad del evento A es:
0 P(A) 1
Como no podemos obtener menos de cero xitos ni ms de n xitos en n experimentos, la
probabilidad de cualquier evento A, se representa mediante un valor que puede variar de 0 a 1.
AXIOMA 2
Si dos eventos son mutuamente excluyentes, la probabilidad de obtener A o B es igual a la
probabilidad de obtener A ms la probabilidad de obtener B.
P(A B) = P(A) + P(B)
Excluirse mutuamente quiere decir que A y B no pueden ocurrir simultneamente en el mismo

experimento. As, la probabilidad de obtener guila o sol en la misma tirada de una moneda ser
P(A B) = P(A) + P(B)
P(A B) = 1/2 + 1/2 = 1.
En general podemos decir que la suma de las probabilidades de todos los posibles eventos
mutuamente excluyentes es igual a 1:
P(A1) + P(A2) + P(A3) + ... + P(An) = 1
AXIOMA 3
Si A es un evento cualquiera de un experimento aleatorio y A es el complemento de A, entonces:
P(A) = 1 - P(A)
Es decir, la probabilidad de que el evento A no ocurra, es igual a 1 menos la probabilidad de que

ocurra.
TEOREMAS DE LA SUMA DE PROBABILIDADES
Suponiendo que P(A) y P(B) representan las probabilidades para los dos eventos A y B, entonces
P(A B) significa la probabilidad de que ocurran A o B. Si representamos los eventos A y B en un
Diagrama de Venn con A B =
pag. 33
AB=
Entonces A y B son conjuntos disjuntos o mutuamente excluyentes, o sea que no pueden ocurrir en
forma simultnea
P(A B) = P(A) + P(B)
En cambio, si ambos eventos tienen puntos muestrales en comn A B
S
AB
P(A B) = P(A) + P(B) - P(A B)
PROBABILIDAD CONDICIONAL
La probabilidad condicional se simboliza P(B/A), que se lee probabilidad de B, dado A, o la

probabilidad de que ocurra B, condicionado a que haya ocurrido A.
Se dice que dos o ms eventos son independientes entre s cuando la probabilidad de que ocurra uno
no es influida por la ocurrencia de otro. Si A y B representan dos eventos y si la ocurrencia de A no
afecta a la ocurrencia de B, y la ocurrencia de B no afecta a la ocurrencia de A, entonces se dice que
A y B son Independientes.
En este caso, la probabilidad de que ocurran A y B es igual al producto de sus respectivas
probabilidades, y se expresa as:
P(A B) = P(A) P(B)
En una caja hay 5 esferas blancas, 4 rojas y 3 negras. Se extrae una esfera, se observa su color y se
regresa a la caja. Bajo estas condiciones, Cul es la probabilidad de que al extraer 3 esferas, stas
sean de color rojo?
4
4
4
64
1
P (R1 R2 R3) =
x
x
=
=
12 12 12 1728 27
pag. 34
Si dos eventos A y B no son independientes, es decir, si A y B son dependientes, la probabilidad

compuesta de A y B no es igual al producto de sus probabilidades respectivas. Por lo cual, podemos
decir, que para eventos dependientes:
P(A B) P(A) P(B)
Es decir:
P(A B) = P(A) P(B / A)
o
P(B A) = P(B) P(A / B)
En una caja hay 5 esferas blancas, 4 rojas y 3 negras. Si se extraen al azar 3 esferas en forma
consecutiva, sin reemplazo, Cul es la probabilidad de que las 3 sean de color rojo?
Sea R1 el evento extraer una esfera roja.
P(R1R2R3) = P(R1) P(R2 / R1) P(R3 / R1 R2) =
4
3
2
24
1
x
x
=
=
12 11 10 1320 51
De la expresin P(AB) = P(A)P(B/A) despejamos P(B/A) y se obtiene la probabilidad

condicional de "B dado A".
P( A B)
P (B / A ) =
P( A)
En forma anloga, la probabilidad condicional de "A dado B", es :
P( A / B) =
P (B A )
P (B )
Una caja contiene 200 focos, 50 azules y 50 rojos; de los cuales, 10 son defectuosos: 6 azules y 4
rojos. Cul es la probabilidad de que un foco elegido al azar, sea defectuoso (evento D)?
P ( D) =
10
1
=
100 100
Si seleccionamos un foco al azar y se observa que ste es azul (evento A), Cul es la probabilidad
de que el foco sea defectuoso, dado que es azul ?
Escribiremos P(D/A), para representar la probabilidad del evento D, dado A. Entonces, puesto que
hay 50 focos azules y de stos, 6 son defectuosos
P(D / A) =
pag. 35
6
3
=
50 25
TEOREMA DE BAYES
El procedimiento que se utiliza para encontrar probabilidades posteriores, a partir de probabilidades

previas, se llama regla Bayesiana. Las probabilidades apriori o previas se conocen antes de obtener
informacin alguna del experimento en cuestin. Las probabilidades aposteriori se determinan
despus de conocer los resultados del experimento.
El teorema de Bayes consiste en un mtodo para encontrar la probabilidad de una causa especfica
cuando se observa un efecto particular.
Esto es, si el evento B ha ocurrido, Cul es la probabilidad de que fue generado por el evento A1
(que es una causa posible ) o por el A2 (otra causa posible)?
Si suponemos que los eventos A1, A2, A3, ...., An, forman una particin de un espacio muestral S;
esto es, que los eventos A1 son mutuamente excluyentes y su unin es S. Ahora, sea B otro evento,
entonces :
A1
An
B
A2
A3
A4
B = S B = (A1 A2 A3 ... An) B
Donde Ai B son eventos mutuamente excluyentes. En consecuencia:

P(B) = P(A1 B) + P(A2 B) + P(A3 B) + ... + P(An B)
Luego por la regla de multiplicacin:

P(B) = P(A1) P(B/A1) + P(A2) P(B/A2) + P(A3) P(B/A3) ... P(An) P(B/An)
Si A1, A2, A3, ..., An es una particin de S, y B es cualquier evento. Entonces para cualquier i,
P ( A i / B) =
P(A i )P(B/A i )
P(A 1 )P(B/A 1 ) + P(A 2 )P(B/A 2 ) + ... + P(A n )P(B / A n )
Es decir:
P ( A i / B) =
P(A i )P(B/A i )
P(A i )P(B/A i )
pag. 36
La expresin anterior puede interpretarse de la manera siguiente: Si un evento puede ocurrir en ms

de una forma, entonces la probabilidad de que ocurra en una forma particular ser igual a la razn de
la probabilidad de que se presente la forma respecto a la probabilidad de que ocurra.
Se tienen dos cajas. La caja I contiene 3 esferas rojas y 2 azules, en tanto que la caja II contiene 2
esferas rojas y 8 azules. Se arroja una moneda. Si se obtiene guila se saca una esfera de la caja I;
si se obtiene sol se saca una esfera de la caja II. R indica el evento sacar una esfera roja
mientras que I y II indican los eventos escoger caja I y caja II, respectivamente. Una esfera roja
puede resultar al escoger cualquiera de las cajas.
a) Hallar la probabilidad de sacar una esfera roja.

P (R ) = P (I )P (R / I ) + P (II )P (R / II )
1 3 1 2 2
P (R ) = + =
2 5 2 10 5
b) Hallar la probabilidad de que se escogiera la caja I, dado que la esfera es R, (es decir que el
resultado de arrojar la moneda sea guila).
La persona que arroj la moneda no da a conocer si result guila o sol (de tal manera que la caja de
la cual se sac la esfera se desconoce) pero indica que se extrajo una esfera roja.
Buscamos la probabilidad de que se escoja la caja I y se sabe que se sac una esfera roja. Empleando
el teorema de Bayes, esta probabilidad est dada por:
P (I / R ) =
P (I ) P ( R / I )
P(I )P(R / I ) + P(II )P(R / II )
1 3

3
2 5
P (I / R ) =
=
1 3 1 2 4
+
2 5 2 | 0
En un Instituto Superior, el 25 por ciento de los hombres y el 10 por ciento de las mujeres estudian
Biologa. Las mujeres constituyen el 60 por ciento del estudiantado. Si se selecciona en forma
aleatoria un estudiante y resulta que est cursando Biologa, determinar la probabilidad de que sea
mujer.
P(H) = 0.40;
P(M) = 0.60;
P (M / B ) =
P(B/H) = 0.25;
(0.6)(0.1)
(9.4)(0.25) + (0.6)(0.1)
pag. 37
P(B/M) = 0.10
= 0.375
FORMULARIO
Factorial
Casos favorables al evento A
P( A) =
Casos posibles
n!=n(n-1)(n-2)(3)(2)(1)
P( A) =
Permutaciones de n elementos
Permutaciones de n elementos en diferentes

grupos de r elementos.
n Pr
P(A1) + P(A2) + P(A3) + ...... + P(An) = 1

P(A) = 1 - P(A)
Teoremas de la suma de probabilidades.

S A B =
P(A B) = P(A) + P(B)
n!
n Pn1, n2, ..., nk =
n1! n2! ... nk!
S A B
P(A B) = P(A) + P(B) - P(A B)
Permutaciones circulares
= (n 1)!
Probabilidad condicional
P(A B) = P(A) P(B) (Independientes)
Combinaciones
n Cr =
0 P(A) 1
n!
(n r )!
Permutaciones donde no todos los elementos

son diferentes.
n Pc
Axiomas
= n!
n Pn
n( A)
P(A B) = P(A) P(B / A)
n!
(n r )! r!
P (B / A ) =
Frmula binomial
(a + b ) n =
P( A B)
P( A)
P(B A) = P(B) P(A / B)
n
r a n r b r
r = 0
n
P( A / B) =
Probabilidad de un evento
P (B A )
P (B )
Teorema de Bayes
P ( A i / B) =
P(A i )P(B/A i )
P(A 1 )P(B/A 1 ) + P(A 2 )P(B/A 2 ) + ... + P(A n )P(B / A n )
pag. 38
UNIDAD III
Distribucin de probabilidad de variables aleatorias
discretas
ESPACIO MUESTRAL. El el conjunto de todos los resultados posibles de un experimento estadstico
denotado por S o
VARIABLE. Se denomina variable a la entidad que puede tomar un valor cualesquiera durante la
duracin de un proceso dado. Si la variable toma un solo valor durante el proceso se llama constante.
VARIABLE ALEATORIA: Es una funcin que asocia un nmero real a cada elemento del espacio
muestral. Es decir son aquellas que pueden diferir de una respuesta a otra.
Una variable aleatoria se puede clasificar en:

Variable aleatoria discreta.
Variable aleatoria continua.
Variable aleatoria discreta. Una variable discreta proporciona datos que son llamados datos
cuantitativos discretos y son respuestas numricas que resultan de un proceso de conteo.
La cantidad de alumnos regulares en un grupo escolar.

El nmero de guilas en cinco lanzamientos de una moneda.
Nmero de circuitos en una computadora.
El nmero de vehculos vendidos en un da, en un lote de autos
Variable aleatoria continua. Es aquella que se encuentra dentro de un intervalo comprendido entre dos
valores cualesquiera; sta puede asumir infinito nmero de valores y stos se pueden medir.
La estatura de un alumno de un grupo escolar.

El peso en gramos de una moneda.
La edad de un hijo de familia.
Las dimensiones de un vehculo.
DISTRIBUCIONES
Distribucin de probabilidad. Es una distribucin terica de frecuencias que describe cmo se
espera que varen los resultados de un experimento. Existen diferentes tipos de modelos que
permiten describir el comportamiento de fenmenos estadsticos que permiten hacer inferencias y
tomar decisiones en condiciones de incertidumbre.
P(x)
Se pueden clasificar en:

Discretas
pag. 39
Distribuciones discretas. Son aquellas donde las variables asumen un nmero limitado de valores,
por ejemplo el nmero de aos de estudio.
Binomial
Hipergeomtrica
Multinomial
Poisson
Discretas
Distribuciones continuas. Son aquellas donde las variables en estudio pueden asumir cualquier
valor dentro de determinados lmites; por ejemplo, la estatura de un estudiante.
Uniforme
Continuas
Exponencial
Normal
Una distribucin de frecuencias es un listado de las frecuencias observadas de todos los resultados
de un experimento que, en realidad se han presentado cuando se lleva a cabo un experimento; en
cambio, una distribucin de probabilidad es un listado de las probabilidades de todos los resultados
posibles que podran presentarse si se efectuara el experimento.
Las probabilidades que se asocian a cada uno de los valores que toma la variable aleatoria x constituyen
lo que se conoce como DISTRIBUCIN DE PROBABILIDAD, la cual puede ser representada
pag. 40
mediante una funcin matemtica, una grfica o una tabla de valores. La diferencia consiste en que la
funcin matemtica se transforma en una funcin probabilstica.
S
E0
E1
X
x0
x1
P(X) p(x0) p(x1)
...
...
...
En
xn
p(xn)
Dados los eventos E1, E2, ..., En S, se dice que x es una variable aleatoria, si a cada valor de xi que
asume cada Ei, se le asocia su probabilidad de ocurrencia y cumple con las siguientes condiciones:
a)
La probabilidad para todo valor que asuma la variable aleatoria xi, ser mayor o igual a cero
pero menor que uno.
0 P(xi) 1 xi
b)
La suma de todas las probabilidades asociadas a todos los valores que toma la variable x, es
igual a la unidad.
n
P(x i ) = 1
1
P(x i )dx
=1
Encuentre la distribucin de probabilidad de lanzar dos monedas y la variable aleatoria nmero de

guilas.
S
X
E0
E1
E2
{Lanzar dos monedas}

Nmero de guilas
1
4
1
Caen x = 1 guilas
P(E1) =
2
1
Caen x = 2 guilas
P(E2) =
4
P(X)
1
2
Caen x = 0 guilas
P(E0) =
1
4
X
0
pag. 41
2
Existen ciertas caractersticas que diferencian a las distribuciones de probabilidad, llamadas

momentos de la distribucin que son: la media aritmtica o esperanza matemtica y la desviacin
estndar.
FUNCIONES DE PROBABILIDAD DISCRETAS
La distribucin de probabilidad para una variable aleatoria discreta puede ser:

1.2.3.-
Una relacin terica de resultados y probabilidades que se puede obtener de un modelo

matemtico y que representa algn fenmeno de inters.
Una relacin emprica de resultados y sus frecuencias relativas observadas.
Una relacin subjetiva de resultados relacionados con sus probabilidades subjetivas o artificiales
que representan el grado de conviccin del encargado en tomar decisiones sobre la probabilidad
de posibles resultados.
Sabemos que una variable aleatoria discreta o discontinua es aquella en la que existe una distancia
bien definida entre dos de los valores consecutivos que asume; y dichos valores son numerables.
Existen varios modelos matemticos que representan diversos fenmenos discretos de la vida real.
Las ms tiles son:
1.La distribucin uniforme discreta.
1.La distribucin de probabilidad Binomial o de Bernoulli.
2.La distribucin de probabilidad Hipergeomtrica.
3.La distribucin de probabilidad de Poisson.
UNIFORME DISCRETA
Si la variable aleatoria X asume valores de X1, X2, ..., Xk con iguales probabilidades, entonces la
distribucin uniforme es:
f (x, k ) =
1
k
P(x)
x1
x2
xk
xi
= i =1
k
pag. 42
(x i
)2
2 = i =1
k
La distribuciin de probabilidad del lanzamiento de un dado es:
S = {1, 2, 3, 4, 5, 6}
P (x = 1, 2, ..., 6) =
1
6
=
1+ 2 + 3+ 4 + 5 + 6
= 3 .5
6
(1 3.5) 2 + (2 3.5) 2 + K + (6 3.6) 2

6
= 2.91
LA DISTRIBUCION BINOMIAL
Esta distribucin fue elaborada por Jacobo Bernoulli y es aplicable a un gran nmero de problemas
de carcter econmico y en numerosas aplicaciones como:
- Juegos de azar.
- Control de calidad de un producto.
- En educacin.
- En las finanzas.
La distribucin binomial posee las siguientes propiedades esenciales:
1.2.-
3.4.5.-
El espacio muestral contiene n ensayos idnticos.

Las observaciones posibles se pueden obtener mediante dos diferentes mtodos de muestreo.
Se puede considerar que cada observacin se ha seleccionado de una poblacin infinita sin
reposicin o de una poblacin finita con reposicin.
Cada observacin se puede clasificar en una de dos categoras conocidas como xito E o
fracaso E', las cuales son mutuamente excluyentes es decir E E' = 0.
Las probabilidades de xito p y de fracaso q = 1 - p en un ensayo se mantienen constantes,
durante los n ensayos.
El resultado de cualquier observacin es independiente del resultado de cualquier otra
observacin.
La probabilidad de que el evento E ocurra x veces y el evento E' ocurra (n - x) veces en n ensayos
independientes est dado por la frmula binomial:
n
P (x, n, p) = p x qn - x
x
pag. 43
donde:
p = Probabilidad caracterstica o probabilidad de xito.

q = Probabilidad de fracaso
x = Nmero de xitos deseados
n = Nmero de ensayos efectuados
Si se lanza 4 veces una moneda, calcular el evento "Nmero de guilas que caen."
datos:
n = 4 ensayos.
1
p = probabilidad de xito en un ensayo.
2
1 1
q = 1 - p = 1 =
2 2
x = 0, 1, 2, 3, 4
S = {lanzar 4 veces la moneda}
A = {nmero de guilas que caen}
0
4
1 4 1 1
1
P (E0) = P 0,4, = =
2 0 2 2
16
1
3
1 4 1 1
4
P (E1) = P1,4, = =
2 1 2 2
16
1 4 1 1
6
P (E 2 ) = P 2,4, = =
2 2 2 2
16
1 4 1 1
4
P (E3) = P 3,4, = =
2 3 2 2 16
MEDIDAS DE TENDENCIA CENTRAL Y DE DISPERSIN

El clculo de estas magnitudes pueden realizarse con las siguientes frmulas:
= np
= npq
npq
= Media
= Varianza
= Desviacin estndar
pag. 44
DISTRIBUCIN MULTINOMIAL
Ocurre cuando en el experimento binomial cada intento tiene ms de dos resultados posibles.
Las probabilidades de ocurrencia p1, p2, ..., pk en un solo ensayo, la distribucin de probabilidad de las
variables aleatorias k1, k2, ..., kn que representan el nmero de ocurrencias de E1, E2, ..., En en n
intentos independientes es:
P(n, k 1 , k 2 , K , k n ) =
n!
k
kn
p 1 1 p k2
2 K pn
k 1!k 2! K k n!
Calcular la probabilidad de obtener dos veces el nmero 4, dos veces el nmero 5 y una vez el
nmero 2, en el lanzamiento de un dado 5 veces.
2
5! 1 1 1
= 0.00385
2!2!1! 6 6 6
P(5, 2, 2, 1) =
LA DISTRIBUCIN HIPERGEOMTRICA
Se emplea para calcular la probabilidad de obtener determinado nmero de xitos en un espacio

muestral de n ensayos; pero a diferencia de la distribucin binomial es que los datos de la muestra se
extraen sin reemplazo en una poblacin finita. Por esto es que el resultado de una observacin depende
o es afectado por el resultado de cualquier otra u otras observaciones anteriores.
Es decir la distribucin hipergeomtrica se emplea para muestreos sin reemplazo de una poblacin finita
cuya probabilidad de ocurrencia cambia a lo largo del ensayo.
Dado un espacio muestral S de tamao N con los subespacios M N y (N - M) N entonces, la
probabilidad de que en n ensayos x pertenezca a M y (n - x) pertenezca a (N - M) est dada por:
M N M

x
x
P(x, N, M, n) =
N

n
Grficamente se puede representar como:
N-M
n-x
pag. 45
N
n
donde:
N
n
M
N-M
x
n-x
= El tamao de espacio muestral S

= El nmero de ensayos
= El nmero de xitos en el espacio muestral
= Nmero de fracasos del espacio muestral
= Nmero de xitos en la muestra
= Nmero de fracasos de la muestra.
Si en una empresa se presentan para cubrir dos vacantes 13 aspirantes de los cuales 5 son hombres y
8 son mujeres, calcular " El nmero de hombres contratados."
N
A
E0
E1
E2
= {13 aspirantes para cubrir 2 vacantes}

= {Nmero de hombres contratados}
= Se contratan x0 = 0 hombres, equivale a contratar (n - x0) = 2 mujeres.
M=5
N-M = 8
x=0
n-x = 2
N = 13
n=2
desarrollando
N = 13 total de aspirantes
M = 5 aspirantes hombres
N-M = 8 aspirantes mujer
n = 2 vacantes totales
x = 0,1,2 hombres posibles a contratar
n-x = 2,1,0 mujeres posibles a contratar
5 8

28
0 2
P(E0) = P(0,13,5,2) =
=
= 0.3588 = 35.88%
78
13

2
pag. 46
5 8

40
1 1
P(E1) = P(1,13,5,2) =
=
= 0.5128 = 51.28%
78
13

2
5 8

10
2 0
P(E2) = P (2,13,5,2) =
=
= 0.1282 = 12.82%
78
13

2
M
= n
N
2 =
nM(N M)(N n)
N 2 (N 1)
= Media
= Varianza
= Desviacin estndar
sustituyendo en el ejemplo anterior.

5
= 2 = 0.7693
13
2 =
(2)(5)(13 5)(13 2)
(13) 2 (13 1)
=
= 0.4339
0.4339 = 0.6587
pag. 47
DISTRIBUCIN HIPERGEOMTRICA GENERALIZADA (MULTIVARIADA)
Si N resultados pueden dividirse en la k celdas N1, N2, ..., Nk con k1 ,k2, ..., kn elementos
respectivamente, entonces la distribucin de probabilidad representa el nmero de elementos
selecionados, en una muestra aleatoria de tamao n, es:
N 1 N 2 N n
k 1 k 2 k n
P(n; k 1, k 2 , K , k n ) =
N

n
Si en un refrigerador hay 12 envases de refrescos de los cuales son 10 de manzana, 5 de naranja y 4
de uva, cal es la probabilidad de que al surtir un pedido de 7 envases tomados al azar 2 sean de
manzana, 4 de naranja y 1 de uva.
N1 = 3
N2 = 5
N3 = 4
N = 12
k1 = 2
k2 = 4
k3 = 4
n=7
3 5 4

2 4 1
P(7;2,4,1) =
= 0.0758
12

7
DISTRIBUCIN DE POISSON
Esta funcin de distribucin de variable discreta se emplea para calcular las probabilidades asociadas a
la variable aleatoria dentro de un intervalo continuo de tiempo o espacio; este intervalo es generalmente
una unidad de medida conocida: cm2, km, gramos, litros, pulgadas, etc.
Algunos de los problemas que presentan como un fenmeno con distribucin de Poisson son:
- Los embotellamientos que se producen por da.
- Nmero de llamadas por hora.
- Defectos por m2 de tela.
- Nmero de defectos por lote de un proceso de produccin.
- Nmero de negocios cerrados por semana.
pag. 48
A este tipo de problemas se les conoce el nmero de xitos x obtenidos por unidad de medida en n
ensayos; pero es totalmente imposible conocer el nmero de fracasos (n - x).
Se dice que se da un proceso de Poisson si se pueden observar eventos discretos en un intervalo

continuo en forma tal que si se acorta el intervalo lo suficiente:
1.2.3.-
La probabilidad de observar exactamente un xito en el intervalo es estable.

La probabilidad de observar dos o ms xitos en el intervalo es cero.
La ocurrencia de un xito en cualquier intervalo es estadsticamente independiente de que
suceda en cualquier otro intervalo.
La distribucin de Poisson se expresa mediante la siguiente frmula.
P(E) = P(x, ) =
x e -
x!
donde:
n
= Nmero de ensayos
x
= Nmero de xitos esperados en n ensayos
e
= 2.71828...
= n p = Constante igual al nmero de xitos promedio por unidad de medida
p
= Probabilidad constante durante el proceso igual al nmero de xitos promedio por unidad de
medida.
Un conmutador recibe en promedio 5 llamadas sobre autos extraviados por hora. Cul es la
probabilidad de que en una hora tomada al azar reciba?
a) Ninguna llamada.
b) Exactamente 3 llamadas.
c) No ms de 3 llamadas.
Para este problema
= 5, en otros casos deber calcularse con:
= n p.
a) Ninguna llamada. x = 0
5 0 e .5
P (E 0 ) = P (0,5) =
= 0.00674963
0!
b) Exactamente 3 llamadas: x = 3
P (E 3 ) = P (3,5) =
5 3 e .5
= 0.1404
3!
c) No ms de 3 llamadas: x < 4
P(x < 4) = P(x 3) = P(x0 = 0) + P(x1 = 1) + P(x2 = 2) + P(x3 = 3)
P(x < 4) = 0.0067+ 0.0337 + 0.0842 + 0.1406 = 0.2652 = 26.52 %
pag. 49

= = np
2 =
=
= Media
= Varianza
= Desviacin estndar
DISTRIBUCIN DE PROBABILIDAD DE VARIABLES CONTINUAS

DISTRIBUCIN NORMAL DE PROBABILIDAD.
La funcin de densidad de probabilidad normal es comnmente empleada en el anlisis estadstico ya

que existe una gran cantidad de fenmenos continuos de tipo econmico, sociales, de ingeniera,
bilgicos, entre otros los cuales son posible expresarlos con ella; siendo la base tanto para la descripcin
como para la inferencia.
La distribucin normal de probabilidad es una distribucin continua de probabilidades que es simtrica
y mesokrtica. Representada por la siguiente figura.
P(x)
x
La distribucin normal de probabilidad es muy importante por las siguientes razones:
1.2.3.-
Se sabe que las mediciones que se obtienen en muchos procesos aleatorios tienen esta clase de
distribucin.
Con frecuencia puede utilizarse en probabilidades normales para aproximar otras distribuciones
de probabilidad tales como la distribucin Binomial y Poisson.
Las distribuciones estadsticas como la media muestral y la proporcin muestral tienen
distribucin normal cuando el tamao de la muestra es grande, sin importar la forma de la
distribucin de la poblacin de origen.
En el caso de distribuciones continuas de probabilidad slo es posible determinar el valor de

probabilidad para un intervalo de valores. La altura de la funcin de densidad o curva de probabilidad
para una variable con distribucin normal est dada por:
pag. 50
f(x) =
1
2
( x )2
-
e 2
2
donde:
= 3.1416
e
= 2.7183
= Media de la distribucin
= Desviacin estndar de la distribucin
La tabla de probabilidades normales se basan en la distribucin especfica de la distribucin normal
estndar, donde = 0 y = 1 cualquier valor de x de una poblacin con distribucin normal se puede
convertir a su valor normal estndar equivalente z por la siguiente ecuacin.
z =
x-
CARACTERSTICAS DE UNA DISTRIBUCIN NORMAL DE PROBABILIDAD.

1.Es unimodal ya que slo tiene un valor mximo en el que coincide la media, la mediana y la
moda.
2.Presenta una forma de campana y es simtrica.
3.La media de una poblacin distribuida normalmente se encuentra en el centro de su curva
normal.
4.Los dos extremos de una distribucin normal de probabilidad se extienden de manera indefinida
y nunca tocan el eje horizontal.
5.Est determinada por medio de dos parmetros: la media y la desviacin estndar.
6.El rea total bajo la curva se considera igual a la unidad y se usa como masa probabilstica.
7.El rea comprendida bajo la curva entre dos valores x1 y x2 es igual a la probabilidad de que
dicha variable suma cualquier valor dentro de ellos.
El promedio de estudiantes inscritos en jardn de nios es de = 500, con una desviacin estndar
= 100. El nmero de alumnos inscritos tienen una distribucin aproximadamente normal. Cul es la
probabilidad de que el nmero de alumnos inscritos en una escuela elegida al azar sea?:
a) entre 500 y 650.

b) entre 450 y 600.
c) menor de 500.
d) menor de 500.
e) menor de 300.
f) mayor de 650.
g) mayor de 400.
h) menor de 610.
pag. 51
SOLUCIN:
a) P(500 < x < 650)
x - 650 500
z =
=
= 1.50
100
de las tablas estandarizadas obtenemos
A = 0.4332 = 43.32%
b) P(450 < x < 600)

x - 450 500
z1 = 1
=
= 0.50
100
A1 = 0.1915
x - 600 500
z2 = 2
=
= 1.00
100
A1 = 0.3413
A = A1 + A2 = 0.1915 + 0.3413 = 0.5338 = 53.38%
pag. 52
c) P(x > 500)

500 500
z=
= 0.00
100
Sin embargo de la grfica observamos que:
A = 0.5000 = 50%
d) P(x < 500)

500 500
z=
= 0.00
100
Sin embargo de la grfica observamos que:
A = 0.5000 = 50%
e) P(x < 300)

300 500
z1 =
= 2.00
100
A1= 0.4772 = 47.72%
A = 0.5 - A1 = 0.5 - 0.4772 = 0.0228 = 2.28%
pag. 53
f) P(x > 650)

650 500
z1 =
= 1.50
100
A1 = 0.4332 = 43.32%
A = 0.5 - A1 = 0.5 - 0.4332 = 0.0668 = 6.68%
g) P(x > 400)

400 500
z1 =
= 1.00
100
A1 = 0.3413
A = A1 + 0.5 = 0.3413 + 0.5 = 0.8413 = 84.13%
pag. 54
h) P(x < 610)

610 500
z1 =
= 1.10
100
A1 = 0.3665
A = 0.5 + A1 = 0.5 + 0.3665 = 0.8665 = 86.65%
pag. 55
TIPOS DE MUESTREOS
No Probabilstico.
Probabilstico.
No probabilstico. Se usa el conocimiento y opinin personal para identificar los elementos de la

poblacin que se incluyen en la muestra.
Muestreo por juicio

Por cuota
Por intervalo
Probabilstico. Todos los elementos de la poblacin tienen la misma posibilidad de participar en la
muestra.
Simple
Sistemtico
Estratificado
Por conglomerados
Estrato
Conglomerado
Universo
Elemento
pag. 56
Simple.
Este tipo de muestreo, consiste en elaborar una lista de la poblacin enumerndola, para posteriormente
mediante la generacin de nmero aleatorios es seleccionado cada uno de los elementos que constituyen
la muestra, o mediante frmulas de recurrencia diseadas para ste propsito. Es adecuado cuando la
poblacin es pequea y los elementos puedan enumerarse.
1
5
11
17
23
35
38
44
Sistemtico.
En este tipo de muestro, tambin se elabora una lista con los elementos de la poblacin, pero en lugar de
seleccionarlos de manera aleatoria, se recorre la lista y se va seleccionando cada elemento con un
intervalo uniforme que se mide en tiempo, orden y espacio. Es ms sencillo de aplicar que el simple, sin
embargo, no es posible de utilizar con poblaciones grandes o con la posibilidad de que la poblacin
tenga datos con periodicidad.
11
3
pag. 57
Estratificado.
En esta tcnica, la poblacin se divide en clases o estratos de acuerdo a una o ms caractersticas

importantes para realizar posteriormente la seleccin, que puede ser aleatoria o sistemtica dentro de
cada estrato. La definicin de la clase debe ser lo suficientemente clara para evitar que alguno de los
elementos se puedan ubicar en alguna de dos clases diferentes.
Por conglomerados.
Consiste en definir subgrupos de elementos homogneos en forma natural y/o existen grupos ya
definidos. No se requiere seleccionar de todos los conglomerados, y en ocasiones, es suficiente con
seleccionar uno de los conglomerados con todos sus elementos, es posible utilizar el muestreo aleatorio
considerando grupos en lugar de elementos.
pag. 58
POBLACIONES
Dependiendo de cmo se seleccionen los elementos para un estudio podremos tener las siguientes
poblaciones:
Poblacin finita
Poblacin infinita
Poblacin finita. Se llama as a la poblacin que es de tamao limitado cuyos elementos son
numerables.
Poblacin infinita. Se llama as a la poblacin de tamao limitado cuya cantidad de elementos son
innumerables.
MUESTREOS
El hecho de regresar un elemento muestreado a la poblacin antes de extraer otro elemento de la misma,
determina si el muestreo es con o sin reemplazo
Con reemplazo
Sin reemplazo
Con reemplazo.
Si un elemento se extrae de la poblacin y posteriormente se regresa a la misma, tiene la posibilidad de
quedar incluido otra vez en la muestra en otra extraccin.
Sin reemplazo.
Si el elemento extrado no se regresa a la poblacin entonces, solamente formar parte de la muestra
una sola vez.
DISTRIBUCIONES MUESTRALES.
La distribucin de todos los valores posibles que pueden ser tomados por alguna estadstica, calculados
a partir de muestras del mismo tamao extradas aleatoriamente de la misma poblacin, se llama
distribucin muestral de esa estadstica.
Las distribuciones muestrales pueden construirse empricamente cuando se obtiene de una poblacin
finita, discreta. Para lo cual se procede como:
1.- De una poblacin finita, discreta de tamao N, se extraen aleatoriamente todas las muestras posibles
de tamao n.
2.- Se calcula la estadstica de inters para cada muestra.
3.- Se enumeran en una columna los diferentes valores observados de la estadstica y, en otra columna,
la frecuencia correspondiente de la ocurrencia de cada uno de esos valores.
pag. 59
EJEMPLO:
Suponga se que de una poblacin de tamao N = 5 edades de nios, dadas como {6, 8, 10, 12, 14}, la
media poblacional = 10 y la varianza poblacional 2 = 8 y la varianza muestral es s2 = 10. Si
extraemos todas las muestras posibles de tamao n = 2, si consideramos un muestreo con remplazo y
calculamos la media tendremos Nn muestras posibles es decir 52 = 25 posibles muestras de tamao 2.
x1 = ( 6 + 6)/2
x4 = ( 6 + 12)/2
x7 = ( 8 + 8)/2
x10 = ( 8 + 14)/2
x13 = (10 + 10)/2
x16 = (12 + 6)/2
x19 = (12 + 12)/2
x22 = (14 + 8)/2
x25 = (14 + 14)/2
= 6
= 9
= 8
= 11
= 10
= 9
= 12
= 11
= 14
x2 = ( 6 + 8)/2
x5 = ( 6 + 14)/2
x8 = ( 8 + 10)/2
x11 = (10 + 6)/2
x14 = (10 + 12)/2
x17 = (12 + 8)/2
x20 = (12 + 14)/2
x23 = (14 + 10)/2
= 7
= 10
= 9
= 8
= 11
= 10
= 13
= 12
x3 = ( 6 + 10)/2
x6 = ( 8 + 6)/2
x9 = ( 8 + 12)/2
x12 = (10 + 8)/2
x15 = (10 + 14)/2
x18 = (12 + 10)/2
x21 = (14 + 6)/2
x24 = (14 + 12)/2
= 8
= 7
= 10
= 9
= 12
= 11
= 10
= 13
LA TABLA DE FRECUENCIAS ES:

X
6
7
8
9
10
11
12
13
14
Total
Frecuencia
1
2
3
4
5
4
3
2
1
25
Frecuencia relativa
1/25
2/25
3/25
4/25
5/25
4/25
3/25
2/25
1/25
1
Las graficas son las siguientes:

Distribucin de la poblacin
pag. 60
Distribucin muestral
DISTRIBUCIN MUESTRAL DE LA MEDIA

TEOREMA:Si X1, X2,..., Xn constituyen una muestra aleatoria de una poblacin finita que tiene la
media y la varianza 2, entonces:
E(x) =
Poblacin infinita:
Poblacin finita:
x =
x =
N-n
N -1
Que se denomina el error estndar de la media.
A la fraccin
n
se le llama fraccin de muestreo. Cuando la fraccin de muestreo es menor que 0.05,
N
no es necesario usar el multiplicador de poblacin finita.

TEOREMA DEL LIMITE CENTRAL. Si X1, X2,..., Xn constituye un muestra aleatoria de poblacin
infinita que tiene la media , la desviacin estndar , entonces la distribucin limitante es de:
x
z=
n
DISTRIBUCIN t
Si el tamao de muestra es pequeo, los valores de S2, varian considerablemente de muestra a muestra,
para ello es necesario usar la distribucin t.
t=
x
s
n
pag. 61
DIFERENCIA DE MEDIAS
Si se sacan al azar muestras independientes de tamaos n1 y n2 de dos poblaciones discretas o
continuas, con medias 1 2 y varianzas 1 y 2 respectivamente entonces la distribucin muestral de
la diferencia de medias X 1 X 2 , esta distribuida aproximadamente en forma normal con medias y
12 22
2
varianzas:
X1 X 2 = 1 2 y X1 X 2 =
+
n1 n 2
Se tiene que
(X 1 X 2 ) (1 2 )
Z=
12 22
+
n1 n 2
DISTRIBUCIN DE PROPORCIONES
Si una poblacin es infinita y distribuida binomialmente, si p y q son las probabilidades respectivas y
considerando muestras de tamao n extradas de esta poblacin, la distribucin muestra de
proporciones est dada por:
~
pp
z=
p(1 p)
n
DISTRIBUCION DE LA DIFERENCIA ENTRE DOS PROPORCIONES DE MUESTRAS.
(~
p1 ~
p 2 ) (p 1 p 2 )
z=
p 1 (1 p 1 ) p 2 (1 p 2 )
+
n1
n2
DISTRIBUCIN MUESTRAL DE
Si S es la varianza de una muestra aleatoria de tamao n tomada de una poblacin normal que tiene
varianza 2, entonces los valores de la variable aleatoria X2 se calculan con:
(n 1)s 2
2 =
2
DISTRIBUCIN MUESTRAL DE 1
2
Si S1 y S2 son las varianzas de variables aleatorias independientes de tamaos n1 y n2 , que se sacan
de poblaciones normales con varianzas 1 y 2, respectivamente, entonces,
S12
2
F=
12
S 22
22 S12
12 S 22
22
tiene una distribucin F con v1 = n1 1 y v2 = n2 1 grados de libertad
donde si se escribe f(v1, v2) para f con v1 y v2 grados de libertad, se tiene que:
1
f 1 (v1 , v 2 ) =
f (v 2 , v1 )
pag. 62
PARMETROS Y ESTIMADORES
Toda medida de tendencia central o de dispersin obtenida de una poblacin, se conoce como
parmetro de la poblacin; aquellas que son obtenidas de una muestra se denominan estimadores, ya
que con ellas se realizar la estimacin de esos parmetros.
Muestreo. Es la operacin para tomar una muestra del universo. El objetivo es contar con datos
necesarios para estimar parmetros en la poblacin, hacer inferencia estadstica con la mayor
confiabilidad posible.
Parmetros y estimadores ms usuales
Parmetros
Media poblacional:
N
X
= i
i =1 N
Varianza poblacional:
Estimadores
Media muestral
n
x
x= i
i =1 n
Varianza muestral
2 =
(X i ) 2
i =1
N
Desviacin estndar
poblacional:
N
(X
i =1
N
Donde X es el valor de
cada medicin desde i = 1
hasta N
N es el nmero de elemento
que constituyen la
poblacin bajo estudio
Proporcin poblacional de
elementos con atributo:
Xi
Px =
N
N es el nmero de
elementos de la poblacin
pag. 63
s2 =
(x
x) 2
i =1
n 1
Desviacin estndar
n
s2 =
(x
x) 2
i =1
n 1
Donde x es el valor de cada
medicin desde i = 1 hasta
n
n es el nmero de elemento
que constituyen la muestra
estudiada
Proporcin poblacional de
elementos con atributo:
xi
px =
n
n es el nmero de
elementos de la muestra
ESTIMACIN: Es el procedimiento que consiste en emplear los estadsticos obtenidos de una

muestra para inferir o estimar los parmetros de una poblacin.
Existen dos tipos de estimaciones fundamentales:

a) ESTIMACIN POR PUNTO
b) ESTIMACIN POR INTERVALO DE CONFIANZA
ESTIMACIN PUNTUAL O POR PUNTO
ESTIMACIN PUNTUAL O POR PUNTO: Consiste en emplear un solo valor de la muestra para
estimar el parmetro poblacional respectivo para que el estimador puntual sea bueno deber reunir
las siguientes caractersticas.
INSESGADO: Es cuando al aumentar el tamao de la muestra el valor del estadstico x se aproxima
al valor del parmetro. En el caso de que sean diferentes decimos que es sesgado y que e =
x.
CONSISTENTE: Es cuando al aumentar el tamao de la muestra n, el valor del estadstico
aproxima al valor del parmetro. n N,
x se
EFICIENTE : Un estimador es eficiente cuando es de varianza mnima.

SUFICIENTE: Un estimador es suficiente cuando es un estadstico que utiliza toda la informacin
que posee una muestra sobre el parmetro que se estima.
ESTIMACIN POR INTERVALOS DE CONFIANZA

Es el rango dentro del cual se espera que se encuentre el valor del parmetro en cuestin, la ventaja
de la estimacin por intervalos es que muestra la exactitud con que estima el parmetro a menor
longitud del intervalo mayor exactitud en la estimacin. la probabilidad de que un intervalo
contenga el parmetro que se estima se denomina coeficiente de confianza. Un valor cercano a la
unidad indica un intervalo ms reducido.
Nivel de significancia / 2
l-
Nivel de
confianza 1-
Nivel de significancia / 2
ivel de confianza
ivel de significancia
pag. 64
Intervalo de confianza para la media con n 30 y conocida.

x z / 2 x x + z / 2 x
x z / 2x
Intervalo de confianza para la media con n < 30 y desconocida.
x t / 2s x x + t / 2s x
x t / 2s x
Intervalo de confianza para diferencia de medias 1 y 2 conocidas
(x 1 x 2 ) z / 2
12 22
+
n1 n 2
Intervalo de confianza para diferencia de medias 1 y 2 desconocidas

(x 1 x 2 ) t / 2 s p
1
1
+
n1 n 2
(n 1 1)s 12 + (n 2 1)s 22
sp =
n1 + n 2 2
= n1 + n2 2
Intervalo de confianza para diferencia de medias 1 2 desconocidas
(x 1 x 2 ) t / 2
s 12 s 22
+
n1 n 2
s 12 s 22
+
1 n2
2
s 12
s 22

n
n
1
2
+
n 1 1 n 2 1
pag. 65
Intervalo de confianza para 2

(n 1)s 2 2 (n 1)s 2
2
2 / 2
1 / 2
= n - 1 grados de libertad
Intervalo de confianza para
12
22
s 12
s 22 f /2( 1 , 2 )
12 s 12
2 2 f /2( 1 , v 2 )
2 s2
1 = n 1 - 1
2 = n 2 - 1
pag. 66

Estadistica Administrativa I

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Estadistica Administrativa I

Caricato da

Copyright:

Formati disponibili

Instituto Tecnolgico de Apizaco

Departamento de Ciencias Bsicas

INSTITUTO TECNOLGICO DE APIZACO

DEPARTAMENTO DE CIENCIAS BSICAS

M. en C. JOS LUIS HERNNDEZ GONZLEZ

Alum.:____________________________________________ No. Lista: _________

Apizaco Tlax., Agosto Diciembre 2007

M. en C. Jos Luis Hernndez Gonzlez

Instituto Tecnolgico de Apizaco

Departamento de Ciencias Bsicas

OBJETIVO GENERAL DEL CURSO.

M. en C. Jos Luis Hernndez Gonzlez

Instituto Tecnolgico de Apizaco

Departamento de Ciencias Bsicas

M. en C. Jos Luis Hernndez Gonzlez

Instituto Tecnolgico de Apizaco

Departamento de Ciencias Bsicas

6) William Mendenhall, D. Wackerly, L. Scheaffer.

7) Kenneth D. Hopkins B.R. Hopkins, V. Class.

M. en C. Jos Luis Hernndez Gonzlez

Instituto Tecnolgico de Apizaco

Departamento de Ciencias Bsicas

Estadstica Inferencial y Econometra

anotaciones de la clase en las

investigacin se deben entregar

como mapas conceptuales. (en

Programa R (software libre)

M. en C. Jos Luis Hernndez Gonzlez

Instituto Tecnolgico de Apizaco

Departamento de Ciencias Bsicas

M. en C. Jos Luis Hernndez Gonzlez

Instituto Tecnolgico de Apizaco

Departamento de Ciencias Bsicas

3. Recopilacin de datos. Los datos provienen de observaciones reales o de documentos que se

M. en C. Jos Luis Hernndez Gonzlez

Instituto Tecnolgico de Apizaco

Departamento de Ciencias Bsicas

LA ENTREVISTA. Es una de las tcnicas ms comunes y es considerada como la relacin directa

M. en C. Jos Luis Hernndez Gonzlez

Instituto Tecnolgico de Apizaco

Departamento de Ciencias Bsicas

Organizacin, presentacin y medicin de la informacin

Al construir una tabla de distribucin de frecuencias, debemos de:

Instituto Tecnolgico de Apizaco

Departamento de Ciencias Bsicas

Considere los siguientes datos aleatorios:

k = 1 + 3.3 log (35)

Si redondeamos a I = 4 tendremos k = 5 y si redondeamos a I = 3, tendremos k = 6, por simplicidad

0.5 a menos de 4.5 xxxxx

4.5 a menos de 8.5 xxxxxxx

8.5 a menos de 12.5 xxxxxxx

12.5 a menos de 16.5 xxxxxxxx

16.5 a menos de 20.5 xxxxxxxx

M. en C. Jos Luis Hernndez Gonzlez

Instituto Tecnolgico de Apizaco

Departamento de Ciencias Bsicas

Histograma de Frecuencias: Est formado por un conjunto de barras rectangulares, levantadas

barra representa a la frecuencia.

M. en C. Jos Luis Hernndez Gonzlez

Instituto Tecnolgico de Apizaco

Departamento de Ciencias Bsicas

Diagramas acumulativos (ojivas): En ocasiones se desea mostrar la distribucin de datos, en forma

que y se obtienen sumando en orden ascendente o descendente las frecuencias.

Efecto de la cantidad de datos en un histograma.

Alum.:____________________________________ No. Lista: _