Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Probabilidad y Estadística
Texto adaptado para la carrera de
Ingeniería Civil
UNIDAD 1
INTRODUCCION
La ciencia y la tecnología siempre se desarrollan con algún grado de incertidumbre ocasionados por los
errores inherentes al humano, errores que pueden ser accidentales, sistemáticos o producto de la
casualidad, o bien por variabilidad (despreciable o no) en los resultados obtenidos de algún proceso de
producción; dichos resultados pueden considerarse iguales a la mejor estimación disponible, gracias a
una fórmula de diseño o al promedio de algún número de valores observados; Por otra parte, existen
también diferentes factores con los que debemos relacionarnos en nuestras actividades diarias de
producción: capacidades individuales de los obreros, condiciones de rendimiento y eficiencia de
máquinas y/o instrumentos, manejo de materiales heterogéneos producidos o utilizados, condiciones
climáticas, propiedades de elasticidad o plasticidad de los materiales, destreza del operador, etc.
¿Es posible encontrar siempre un valor confiable en los diseños? ¿Puede predecirse con certeza el
comportamiento de una instalación con solo una estimación conservadora?
La incertidumbre y variabilidad deben ser manejadas adecuadamente por los Ingenieros Civiles, por
medio de mejorar las estimaciones o realizar cálculos más conservadores, que permitan tomar decisiones
para elaborar mejores diseños, proyecciones o realización de las construcciones. Si la variabilidad es
pequeña y sus consecuencias no son significativas se pueden ignorar, de lo contrario, el diseño o la
proyección, deben ser modificados.
Cuando la incertidumbre es considerable, el Ingeniero puede hacer estimaciones prudentes, que muchas
ocasiones sucede fijando un mínimo especificado, como la resistencia a la compresión del concreto o
de la mampostería, volúmenes de transporte diario u horario, altura de precipitaciones pluviales,
coeficientes de rugosidad, coeficientes de evapotranportación, coeficiente de rugosidad, coeficiente de
escurrimiento, etc.
La Probabilidad, tiene como objetivo medir o determinar cuantitativamente la posibilidad de que ocurra
un determinado evento o suceso. La probabilidad se basa en el estudio de la combinación.
La Estadística, tienen como objetivo reunir, organizar y analizar datos numéricos, que ayudan a resolver
problemas como el diseño de experimentos y la toma de decisiones.
Debemos tener un concepto de qué son los errores; Existen dos clases de errores: Sistemáticos y
Accidentales
Los errores sistemáticos son constantes y del mismo signo y por tanto son acumulativos (defecto en un
instrumento repetidamente utilizado, arrastre de malas graduaciones, equivocaciones en puntos de
inicio); Los errores accidentales se cometen indiferentemente en un sentido u otro, por lo que tienen la
misma probabilidad de ocurrir en sentido positivo o negativo (lecturas de graduaciones, ángulos de
visualizaciones incorrectas, colocación de marcas).
El origen de los errores:
a) Instrumentales: mala calibración, desgaste por uso, mala calidad, inapropiados para ciertas
ocasiones.
b) Personales: falta de pericia, falta de interés, mala actitud
c) Naturales: influencias climátológicas, casos fortuitos.
eficiente.
8. Realizar conclusiones y recomendaciones en base a la solución del problema.
Gráficamente podríamos hacer el siguiente esquema:
Manipular el modelo
Confirmar la solución
Conclusiones y recomendaciones
#2
# 6 diseña
presenta
productos
datos
#5
#3 analiza
soluciona
datos
problemas
# 4 utiliza
datos para
toma de
desiciones
La Probabilidad utiliza mucho la variabilidad, que es un fenómeno que ocurre por observaciones
sucesivas de un fenómeno o sistema que no produce exactamente el mismo resultado; por ejemplo, el
rendimiento de un tanque de gasolina de un auto (depende de muchos factores: trafico, desgaste del
motor, clima, condiciones de la carretera); Los factores representan la fuente de variabilidad y podemos
determinar cuáles representan mayor impacto.
Conjunto es una colección de objetos, elementos o miembros, se designan con mayúsculas, los
elementos de un conjunto se designan con letras minúsculas
A, es un conjunto a, es un elemento de conjunto.
p 𝜖 A = “p es un elemento del conjunto A”, “p pertenece al conjunto A”
p∉ A = “p no es un elemento del conjunto A”
Principio de extensión, este es el hecho de que en un conjunto se determine completamente cuando se
dan especificados sus elementos.
A = B, los conjuntos son iguales A ≠ B, los conjuntos son diferentes <
Dos formas para especificar un conjunto:
A= { a, e, i, o, u }, se anotan los elementos ente corchetes y comas
B= {x:x, es un entero, x > o }, se enuncia la propiedad que caracteriza los elementos del conjunto.
A = { x | x es una letra del alfabeto español, x es una vocal }
b ∉ A; e 𝜖 A; p∉A
B = { 1, 2, 3, 4, …. }
8 𝜖 B; -6∉B
E = { X| X2 – 3 X + 2 = 0 }
Es el conjunto que son la solución de X2 – 3 X + 2 = 0, las raíces de la ecuación son 1 y 2,
podríamos escribir E = { 1, 2 }.
E = { X : X2 – 3 X + 2 = 0 }, F = { 1, 2 }, G = { 1, 2, 2, 1, 6/3 }
E = F = G , un conjunto no depende de la manera como se escriban los elementos; un conjunto
permanece igual si se repiten o reordenan los elementos.
Cuando un conjunto tiene pocos elementos, los elementos se escriben; cuando son muchos, se escribe
la propiedad que los caracteriza.
Principio de abstracción: dado cualquier conjunto ∪ y cualquier propiedad P, hay un conjunto A, tal que
los elementos de A, son exactamente aquellos miembros de ∪ que tienen la propiedad P.
Conjunto universal ∪: generalmente todos los conjuntos que se investigan pertenecen a algún conjunto
grande fijo, llamado conjunto universal o universo de discurso.
Ejemplos: En geometría del plano, el conjunto ∪ son todos los puntos del plano;
En estudios de población humana, el conjunto ∪ es toda la gente del mundo.
Puede existir un conjunto fijo ∪ y una propiedad P, y puede suceder que ningún elemento de ∪ tenga a la
propiedad P; ejemplo,
S = { X | X es un entero positivo, X2 = 3 } este conjunto no tiene elementos, ningún entero la positivo la
cumple.
∅ = conjunto vacío, conjunto sin elementos.
Por el principio de extensión se concluye que solamente existe un conjunto vacío; si S y T son ambos
conjuntos vacíos, entonces S = T, ya que ambos conjuntos tienen exactamente los mismos elementos, es
decir, ninguno.
Subconjuntos: si cada elemento del conjunto A es también elemento del conjunto B, entonces A se
denomina subconjunto de B y decimos que A esta contenido en B, ó que B contiene a A.
A ⊂ B, A está contenido en B, A es un subconjunto de B
B ⊃ A, B contiene a A
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO ÁLVAREZ 5
INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS
Ejemplo, A = { 1, 3, 4, 5, 8, 9 } B = { 1, 2, 3, 5, 7 } C = { 1, 5 }
C ⊂ A; C ⊂ B 1 y 5 son elementos de A, B y C.
B ⊄ A, 2 y 7 no pertenecen a A
A, B y C tienen que pertenecer al conjunto universal U; por tanto U tiene que tener por lo menos los
elementos { 1, 2, 3, 4, 5, 7, 8, 9 }-
Existen conjuntos de números que ocurren con mucha frecuencia, se adopta la siguiente convención:
N = conjunto de los enteros positivos: 1, 2, 3, ……
Z = es el conjunto de los números enteros: - 3, - 2, - 1, 0, 1, 2, 3 ……
Q = es el conjunto de los números racionales,
Enteros positivos, negativos y el cero
Fracciones positivas y negativas: 2/7, - 4/ 5, 87/9
Decimales positivos y negativos con número infinito de dígitos: 2.36, 236/1000
Decimales periódicos positivos y negativos con un número infinito de dígitos: 1/3 =
0.333333.
R = es el conjunto de los números reales
Ejemplo: E = { 2, 4, 6 } F = { 6, 2, 4 }
E es un subconjunto de F, ya que cada número 2, 4 y 6 que pertenece a E, también pertenece a F.
De hecho E = F, cada conjunto es subconjunto de sí mismo.
Cada conjunto A es un subconjunto de U ( todos los miembros de A pertenecen a U ).
∅ es un subconjunto de A
A es un subconjunto de A, cada elemento de A pertenece a A
Si A ⊂ B, y B ⊂ C, entonces A ⊂ C
Si A ⊂ B, y B ⊂ A, entonces A = B, es decir, tienen los mismos elementos.
Recíprocamente, si A = B, entonces A ⊂ B, y B ⊂ C, ya que todo conjunto es subconjunto de sí
mismo.
Teorema 1
a) Para todo conjunto, se tiene que Ø ⊂ A ⊂ U
b) Para todo conjunto A, se tiene que A ⊂ A
c) Si A ⊂ B, y B ⊂ C, entonces A ⊂ C
d) A = B, si y sólo si, A ⊂ B, y B ⊂ A
Diagramas de Venn
Es una representación gráfica de conjuntos por conjuntos de puntos en el plano; el conjunto Universal U
se representan por el interior de un rectángulo; Los otros conjuntos se representan por discos dentro del
rectángulo.
Algunos enunciados verbales pueden traducirse en enunciados equivalentes sobre conjuntos por medio
de diagramas de Venn, éstos se utilizan a veces para determinar si un argumento es válido.
Ejemplos. ( 1 )
1) Determinar cuáles de los siguientes conjuntos son iguales.
2) Haga una lista de los elementos que pertenecen a cada uno de los siguientes conjuntos, donde N
= { 1, 2, 3, ….. }
3) Considere los siguientes conjuntos:
𝜙, A = { 1 }; B = { 1, 3 }; C = { 1, 5, 9 }; D = { 1, 2, 3, 4, 5 }
E = {1, 3 5, 7, 9 }
Ahora coloque el símbolo ⊂ ó ⊄, según corresponda en las siguientes parejas de conjuntos:
a) 𝜙, A
b) A, B
c) B, C
d) B, E
e) C, D,
f) C, E
g) D, E
h) D, U
Unión: la unión de dos conjuntos A y B, A ∪ B, es el conjunto de todos los elementos que pertenecen a A
o a B.
A ∪ B= { x : x∈ A óx∈B }
A ∩ B = { x | x ∈ A, x ∈ B }
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO ÁLVAREZ 7
INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS
A∪B A ∩ B
Ejemplos: (2)
Complementos:
En cierto momento todos los conjuntos son subconjuntos del conjunto uiniversal U; El complemento
absoluto o simplemente el complemento de un conjunto A, es Ac, es el conjunto de los elementos que
pertenecen a U, pero que no pertenecen a A.
Ac = { x : x ∈ U, x ∉ A }
Ac = A’ = Ã
Ac
Ejemplos: ( 3 ) A\B
Leyes de Idempotencia
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO ÁLVAREZ 8
INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS
Leyes asociativas
2 a) ( A ∪ B) ∪ C = A ∪ ( B ∪ C ) 2b) (A∩B)∩C=A∩(B∩C)
Leyes conmutativas
3 a) A ∪ B= B∪ A 3b) A ∩ B= B∩A
Leyes distributivas
Leyes de Identidad
Leyes de Involución
( AC )C = A
Leyes de Complemento
8 a) A ∪ AC = U 8b) A ∩ AC = ∅
9 a) UC = ∅ 9b) ∅C = U
Leyes de De Morgan
DEMOSTRACION: Al contar los elementos de la A ∪ B, primero contamos los elementos que están en el
conjunto A; los otros elementos de la union A ∪ B, son los elementos que están en el conjunto B (pero no
están en A), como A y B son disjuntos ningún elemento de B esta en A, por tanto existen n(B) elementos
que están en B pero que no están en A y se comprueba que
n (A ∪ B ) = n (A) + n (B).
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO ÁLVAREZ 9
INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS
Ejemplo : En la escuela de Ing. Civil existen 120 alumnos, 100 de ellos estudian por lomenos un
idioma entre francés, alemán, e italiano suponga además que:
Entonces:
n( F ∪ 𝐀 ∪ I ) = n( F ) + n( A ) + n( I ) – n ( F ∩ A ) – n ( F ∩ I ) – n ( A ∩ I ) + n ( F ∩ A ∩ I )
n ( F ∩ I ) = 25; n ( A ∩ I ) = 15
100 = 65 + 45 + 42 – 20 – 25 – 15 + n ( F ∩ A ∩ I )
HISTOGRAMAS
Sirven para representar datos con diagramas de barra; se deben organizar los datos disponibles para
apreciar la naturaleza y el grado de incertidumbre en los datos existentes del evento.
Ejemplo: precipitación pluvial del río papagayo, Gro.
Mes: Junio 2005.
12
Semana hp
10
1 3
8 Serie 1 2 5
Serie 2 3 11
6
Serie 3 4 7
4
Serie 4
2
Mes hp
Enero 4
Febrero 3.5
Marzo 4.1
Abril 6
Mayo 10
Junio 25
Julio 32
Agosto 44
Septiembre 40
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO ÁLVAREZ Octubre 11 31
Noviembre 20
Diciembre 8
INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS
50
Columna11
45
Columna10
40
Columna9
35 Columna2
30 Columna1
25 25
Columna8
20
Columna7
15
Columna6
10
Columna5
5 Columna4
0 Columna3
Categoría 1
Los siguientes dos ejemplos muestran las formas posibles de representar los datos de un experimento y
el grado de variabilidad que se presenta en el registro de datos; Dichos ejemplos muestran la necesidad
de desarrollar técnicas que nos permiten una organización estructurada de los datos del experimento que
permitan un análisis matemático del mismo.
Valor promedio o Media Aritmética X : Es el número más simple y útil asociado a un conjunto de datos.
X1, X2, …..Xn, es la sucesión de valores observados, con un número finito de observaciones.
Se llama Media Muestral porque los datos se consideran como una muestra
Es el valor típico o central de los datos
DEFINICION: Si las n observaciones de una muestra se denotan por X1, X2, …….Xn, entonces la
Media Muestral es:
X = 𝑋1+𝑋2+
𝑛
.… 𝑋𝑛
= ∑𝑛𝑖=0 𝑋𝑖
N
Ejemplo: Se requiere diseñar un conector de nylon para un motor de automóvil, se considera que el
espesor ideal puede ser 3/32”; si la fuerza de desconexión es muy débil puede causar
averías al motor, se fabrican 8 unidades prototipo y se miden las fuerzas de desconexión
que son: 12.6, 12.9, 13.4, 12.3, 13.6, 13.5, 12.6, 13.1
El diagrama de puntos de los datos es el siguiente:
Estos datos se pueden describir también numéricamente; por ejemplo, la localización o tendencia central
de los datos .puede caracterizarse con el promedio aritmético ordinario o media; En este caso, ya que los
datos se consideran como una muestra, la media aritmética se refiere como la media muestral.
Aplicando esta fórmula al problema de los conectores de nylon, la Media Muestral es:
X = 𝑋1+𝑋2+
𝑛
.… 𝑋𝑛
= ∑8𝑖=0 𝑋𝑖 = 12.6 + 12.9 + 13.4 + 12.3 + 13.6 + 13.5 + 12.6 + 13.1
8 8
•
• • • • • • •
X = 13.0 La Media Muestral es el punto de
12 13 14 equilibrio de un sistema de peso.
DIAGRAMA DE DISPERSION
Definición: Si X1, X2, ……. Xn es una muestra de N observaciones, entonces la varianza muestral es:
X4 X5
DIAGRAMA DE DISPERSION
Ejemplo: se construyen 15 trabes de concreto reforzado los cuales se ensayan a flexión simple,
todas se construyen con las mismas especificaciones y la misma resistencia a compresión;
los resultados a la primera grieta y a la carga final se aproximaron a 50 lb.
X = 𝑋1+𝑋2+
𝑛
.… 𝑋𝑛 = ∑15
𝑖=0 𝑋𝑖 = 67.29 = 4.486 Ton. ( Carga última )
15 15
D1
D1 = la carga última observada fue de 4.81 Ton., es un
D3 D2 evento simple (existe una carga específica)
PROBABILIDAD
Se refiere al estudio de sucesos que ocurren con mucha aleatoriedad y con cierto grado de incertidumbre
de los fenómenos que ocurren en la ingeniería; La probabilidad proporciona métodos para cuantificar
oportunidades o probabilidades asociados con varios tipos de resultados.
La probabilidad trata de construir modelos matemáticos que describan sucesos de situaciones reales en
forma simple e idealizada, esos modelos deben ser adecuados para el cálculo y predicción de dichos
sucesos.
Cuando aparece un factor de incertidumbre en el estudio de un evento o suceso, originado por causas
naturales o por conocimiento parcial del fenómeno, se utilizan modelos probabilísticos para su análisis.
Experimento: Es cualquier acción o suceso que genera observaciones y que puede tener distintos
resultados posibles, y cuyos resultados se conocen hasta que se ha llevado a cabo.
Puntos muestrales o evento simple: Son los elementos del conjunto S, cada uno de ellos asociado con
uno, y solo un resultado muestral, distinto de un experimento.
Ac, complemento de A, son todos los puntos muestrales del espacio muestral del experimento que no
pertenecen a A; el complemento de un suceso es también un suceso.
Variable Aleatoria: es una variable cuyo valor será el resultado de un determinado evento si lo
hiciéramos.
Ejemplo:
Tirar un dado, la variable aleatoria X sería el número que salga.
El conjunto de valores posibles de X es el espacio muestral S
Conjunto vacío ∅, es un evento imposible, no tiene ningún evento elemental, es imposible que
ocurra, su probabilidad es cero.
Ejemplo: una persona es propietario de dos gasolinerías las que se encuentran ubicadas una enfrente
de la otra en un bulevar de la ciudad; cada gasolinería tiene 6 bombas; ¿ cuántas bombas están
funcionando de manera simultánea en un día cualquiera?
(# de bombas gasolinería 1, # de bombas gasolinería 2) existen 49 probabilidades diferentes.
( 0, 0 ) ( 0, 1 ) ( 0, 2 ) ( 0, 3 ) ( 0, 4 ) ( 0, 5 ) ( 0, 6 )
( 1, 0 ) ( 1, 1 ) ( 1, 2 ) ( 1, 3 ) ( 1, 4 ) ( 1, 5 ) ( 1, 6 )
( 2, 0 ) ( 2, 1 ) ( 2, 2 ) ( 2, 3 ) ( 2, 4 ) ( 2, 5 ) ( 2, 6 )
( 3, 0 ) ( 3, 1 ) ( 3, 2 ) ( 3, 3 ) ( 3, 4 ) ( 3, 5 ) ( 3, 6 )
( 4, 0 ) ( 4, 1 ) ( 4, 2 ) ( 4, 3 ) ( 4, 4 ) ( 4, 5 ) ( 4, 6 )
( 5, 0 ) ( 5, 1 ) ( 5, 2 ) ( 5, 3 ) ( 5, 4 ) ( 5, 5 ) ( 5, 6 )
( 6, 0 ) ( 6, 1 ) ( 6, 2 ) ( 6, 3 ) ( 6, 4 ) ( 6, 5 ) ( 6, 6 )
Ejemplo: Una empresa constructora tiene 3 casas por vender, en la bodega del proyecto solamente
existen 2 colores de pintura (amarillo y verde); encuentre la probabilidad de secuencia de resultado
cuando las casas se pinten.
V = verde
A = amarillo 2³ = 8 (2 = # opciones, 3 = # de casas, 8 = # de probabilidades )
La media muestral no proporciona toda la información acerca de una muestra de datos. Para una mejor
información, se utiliza la varianza muestral.
S2 = ∑𝑛𝑖=0(𝑋𝑖 − 𝑋)2
N–1
Mientras más pequeña es la desviación estándar, los datos se concentrarán más alrededor de la
media muestral y las desviaciones grandes respecto al valor promedio serán menos frecuentes.
𝑆 0.20
Coeficiente de variación muestral = V = = = 0.0446 Ton.
𝑋 4.486
b) Para la 1ª carga:
Definición Empírica: consiste en asociar las probabilidades de los resultados con sus frecuencias
relativas, luego de repetir el experimento una determinada cantidad de veces.
P * A ≅ Fr.relativa * A = Fr. absoluta * A * n
Fr. absoluta = cantidad de veces que ocurrió A en las n veces que se llevó a cabo el experimento.
Cuanto más grande sea n, mejor será la aproximación de P (A) por Frrelativa(A).
Ejemplo: Si se elige un estudiante de la clase de Probabilidad ¿cuál es la probabilidad que el elegido sea
mujer?
Suponiendo que en el grupo de estudiantes de Probabilidad existen 41 personas de las cuales 6 son
mujeres, entonces P(m) 6/41 = 0.1463
El espacio muestral es el evento que debe ocurrir cuando el experimento se realiza ( S tiene todos los
resultados posibles ).
Ejemplo: se lanza una moneda al aire Espacio muestral S = { sol, águila }
P(S)=1 se debe determinar P ( S = sol ) y P ( A = águila )
a y s son eventos disjuntos s ∪ a = S
Por el axioma 3 1=P(S)=P(s)+P(a)
1= P(s)+P(a) P(s)=1–P(a)
Si P ( a ) = 0.5, luego P ( s ) = 0.5
P ( a ) = 0.75, entonces P ( s ) = 0.25
Si P es cualquier número fijo entre 0 y 1, entonces P ( S ) = P y P ( a ) = 1 – P ( s )
Frecuencia relativa
Para cualquier evento, n ( A ) = número de repeticiones donde ocurre el evento A de un experimento.
frecuencia x x
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO ÁLVAREZ 19
INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS
relativa x x x x x
x …… x………
Estos son ejemplos en los que adecuamos el espacio muestral a lo que consideramos posible o no
posible; En un experimento el espacio muestral no es único ni inapelable, por lo tanto deben definirse las
características importantes del espacio muestral:
1) Cuáles son los resultados posibles e imposibles?
2) Como se anotan los resultados?
3) Que es un resultado?
Propiedades de la Probabilidad
Principio de Adición: Suponga que un evento E puede ocurrir de m formas y otro evento F puede
ocurriren n formas, además suponga que ambos eventos no pueden ocurrir simultáneamente; Entonces E
ó F pueden ocurrir en m + n formas.
Suponga que A y B son disjuntos, entonces n (A ∪ B ) = n (A) + n (B)
Ejemplo: Suponga que existen 6 ingenieros y 4 arquitectos para diseñar el edificio de una bodega; El
propietario puede escoger el profesionista que va a diseñar de 6 + 4 = 10 formas.
Ejemplo:
= +
A∪B A ( B ∩ AC)
P (A ∩ B) = 50% = 0.5
P ( familias que reciben por lo menos un servicio ) = P (A ∪ B) = P (A) + P (B) – P (A ∩ B )
= 0.6 + 0.8 – 0.5
= 0.90
( Ac ∪ B ) = familias que no reciben Agua potable pero sí reciben electricidad
P ( A ∪ B ) = P (A) + P ( Ac ∩ B )
0.90 = 0.60 + P ( Ac ∩ B ) despejando P ( Ac ∩ B ) = 0.90 – 0.60 = 0.30
( A ∩ Bc ) = familias que sí reciben Agua potable pero no reciben electricidad
P ( A ∪ B ) = P ( B ) + P ( A ∩ Bc )
0.90 = 0.80 + P ( A ∩ Bc ) despejando P ( A ∩ Bc ) = 0.90 – 0.80 = 0. 10
Probabilidad que las familias que reciben solamente un servicio exactamente:
P ( uno exactamente ) = P ( Ac ∪ B ) + P ( A ∩ Bc ) = 0.10 + 0.30 = 0.40
0.5
A=0.1 B=0.3
Principio de multiplicación:
Suponga que un evento E puede ocurrir en m formas e independientemente a este evento un evento F
puede ocurrir en n formas; entonces las combinaciones de ambos eventos pueden ocurrir en m*n formas.
Ejemplo:
Se debe dar el acabado final decorativo a la columna central del lobby de un hotel; en la bodega
del proyecto existen 3 tipos de pasta stuco, y 4 colores diferentes de pintura, entonces existen n =
3 * 4 = 12 formas diferentes de dar el acabado final a la columna.
Ejemplo:
Una empresa constructora debe enviar al gerente a una licitación en la ciudad de Mexicali; la
compañía A tiene 3 vuelos diarios del DF. hacia Mexicali
la compañía B tiene 2 vuelos diarios (ida y vuelta) a Mexicali.
A) ¿Cuántas formas de volar existen del DF., a Mexicali en la línea A y volar de regreso en la
aerolínea B?
B) ¿Cuántas formas existen para volar del DF., a Mexicali? M = 3 + 2 = 5 formas
a) (A1 B1), (A1 B2) , (A2 B1), (A2 B2), (A3 B1), (A3 B2) = n = 3 (2) = 6
b) A A A B B = 5
c) N = 5 (5) = 25
Ejemplo:
El ITP tiene entre sus actividades extracurriculares 3 deportes diferentes, 4 tipos de danzas
típicas, 2 tipos de otras actividades culturales.
a) Si un alumno debe escoger una de entre cada tipo de actividad, el número de formas de hacerlo
es n = (3)(4)(2) = 24 formas
b) Si necesita escoger solamente una de cada actividad entonces tiene:
M = 3+4+2 = 9 formas de escoger
Número factorial ( N! )
N ! = 1 x 2 x 3 x….(n-1) n
8! 8∗7∗6∗5∗4∗3∗2∗1
0 ! = 1 por definición = = 8 * 7 = 56
6! 6∗5∗4∗3∗2∗1
1!=1
2!=1x2=2
18! 18∗17∗16!
3!=1x2x3=6 = = 306
16! 16!
4 ! = 1 x 2 x 3 x 4 = 24
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO ÁLVAREZ 23
INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS
5 ! = 5 * 4 ! = 120
12! 12∗11∗10∗9∗8!
= = 11,880
8! 8!
Coeficiente binomial
(𝑛𝑟) donde n y
𝑛 𝑛(𝑛 − 1)(𝑛 − 2) … (𝑛 − 𝑟 + 1) 𝑛!
( )= =
𝑟 𝑛(𝑟 − 1) … 3 ∗ 2 ∗ 1 𝑟! (𝑛 − 𝑟)!
1 𝑛! 1 𝑛!
De otra forma n(n-1)…(n – r +1) ∗ = ∗
(𝑛−𝑟)! 𝑟!
=
𝑟! 𝑟!(𝑛−𝑟)!
𝑛
(𝑛−𝑟 ) = (𝑛𝑟) equivalentemente (𝑛𝑎) = (𝑛𝑏) donde a + b = n …… ecuación ( 2 )
𝑛! 𝑛!
(𝑛0) = 0!(𝑛−0)! = 0!𝑛! = 1 (solo hay una forma de seleccionar 0 elementos)
0 0!
( )= =1
0 0! 0!
8! 8! 56
(82) = 2!(8−2)! = 2!6! = 2
= 28
9! 9! 9∗8∗7∗6
(49) = 4!(9−4)! = 4!5! = 4∗3∗2∗1 = 126
13! 13! 13
(13
1
) = 1!(13−1)! = 1!12! = = 13
1
10∗9∗8
(10
7
) = (10
3
)= 3!
= 120 10
(10−7 ) = (10
7
)
𝑛
(𝑛−𝑟 ) = (𝑛𝑟)
10∗9∗8∗7!
Luego (10
7
) 𝑠𝑒 𝑟𝑒𝑠𝑢𝑒𝑙𝑣𝑒 𝑐𝑜𝑚𝑜 (10
3
)= 3∗2∗1
= 120
Permutaciones:
Ejemplo
Ejemplo:
Encuentre las permutaciones del conjunto A, B, C, D, E, F, tomados en grupos de 3 cada vez sin
repeticiones.
La primera letra se puede seleccionar en 6 formas diferentes
La segunda letra se puede seleccionar en 5 formas diferentes
La tercera letra se puede seleccionar en 4 formas diferentes
Se pueden formar palabras de 3 letras A B C
A C D
A D E
A E F
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO ÁLVAREZ 25
INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS
A F
A
Por el principio de conteo (6) (5) (4) = 120
Por el principio de multiplicación existen (6)(5)(4)=120 posibles palabras de 3 letras, sin repetición
de las 6 letras
Existen 120 permutaciones de 6 objetos tomados 3 a la vez; entonces P ( 6, 3 ) = 120
El primer elemento en una permutación r de n objetos pueden seleccionarse de n formas
diferentes
El segundo elemento de una permutación se puede seleccionar de n – 1 formas.
El tercer elemento de una permutación se puede seleccionar de n – 2 formas.
El último elemento de una permutación se puede seleccionar de n – (r – 1) formas.
6∗5∗4∗3!
P ( n, r ) = P ( 6, 3 ) = (63) = = 120
3!
P ( n, r ) = n ( n – 1 ) ( n – 2 )…( n – r + 1)
𝑛(𝑛−1)(𝑛−2)…(𝑛−𝑟+1)(𝑛−𝑟)! 𝑛!
n ( n – 1 ) ( n – 2 )… (n – r + 1 )=
(𝑛−𝑟)!
= (𝑛−𝑟)!
𝑛!
P( n – r ) =
(𝑛−𝑟)!
Ejemplo:
Existen 3 ! Permutaciones de las letras a b c
Ejemplo:
¿Cuántas palabras de 5 letras se pueden formar utilizando las letras de la palabra BABBY?
Solución:
5! 𝑐𝑖𝑛𝑐𝑜 𝑙𝑒𝑡𝑟𝑎𝑠 120
P ( 5, 3) = = = = 20
3! 3 𝑣𝑒𝑐𝑒𝑠 𝑠𝑒 𝑟𝑒𝑝𝑖𝑡𝑒 𝐵 6
Ejemplo:
Encuentre el número de m palabras que pueden formarse con la letras BENZENE
Núm. Letras = 7
Num. Rep. De E = 3
Num. Rep. de N = 2
r veces
𝑛!
P ( n, r ) = (𝑛−𝑟)!
Ejemplo:
En una baraja existen 52 cartas, se escogen 3 sucesivamente; encuentre el número de formas en
que esto puede hacerse
52! 52!
B) Sin reposición= P(52,3) =
(52−3)!
= = 132,600
49!
Combinaciones
Si se tiene una colección de n objetos, la combinación de éstos n objetos tomados r a la vez, es cualquier
selección de r objetos, en donde el orden no cuenta; es decir, una combinación r de un conjunto de n
objetos es cualquier subconjunto de r elementos.
Ejemplo:
Combinaciones de las letras a, b, c, d, tomados en grupos de 3 son:
Ejemplo:
Ejemplo:
Combinaciones Permutaciones
abc a b c, a c b, b a c, b c a, c a b, c b a.
adb a b d, a d b, b a d, b d a, d a b, d b a.
acd a c b, a d c, c a d, c d a, d a c, d c a .
bcd b c d, b d c, c b d, c d b, d b c, d c b.
𝑃(4∗3)
C ( 4, 3 ) * 3 ! = P ( 4, 3 ) =
3!
𝑃(4∗3)
Las permutaciones P ( 4, 3 ) = 4 * 3 * 2 = 24 C(4,3)= =4
3!
Ya que una combinación de n objetos tomados r a la vez determina r ! permutaciones de los objetos en
la combinación, entonces la permutación es igual a:
P ( n, r ) = r ! C ( n , r ) despejando C ( n, r ) se tiene:
𝑝(𝑛,𝑟) 𝑛!
C ( n, r ) = = , lo cual es igual al coeficiente binomial, por tanto
𝑟! 𝑟!(𝑛−𝑟)!
C ( n, r ) = (𝑛𝑟)
Ejemplo:
Encuentre el número de Q equipos de trabajo de obreros que pueden formarse en grupo de 3 de un total
de 8 obreros.
8∗7∗6
Q = C ( 8, 3 ) = (83) = 3∗2∗1 = 56 equipos
Ejemplo:
Puede escoger:
.
6!
(63) = 3!3! = 20 cubetas de pintura vinílica
5!
(52) = 2!3! = 10 rodillos
8!
(84) = 4!4!= 70 galones de pintura de aceite
Diagramas de árbol
Es un mecanismo para enumerar todos los resultados posibles de una secuencia de experimentos o
eventos, donde cada uno puede ocurrir en un numero finito de formas (se utilizan en problemas donde
aplica la regla del producto); sirve para tomar decisiones con información conocida.
A = { 1, 2 }; B = { a, b, c }; C = { 3, 4 }
a
4
3
1 b
4
3
c
4
3
a
4
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO ÁLVAREZ 29
INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS
2 b 3
4
C 3
Ejemplo:
Una empresa constructora de cimentación debe hincar 54 pilotes de acero para la fundación de un
edificio; el programa de obra indica que hasta este momento cuenta con 8 días hábiles para retirar su
equipo y trasladarlo a otro proyecto, si no cumple con los tiempos enfrentará una multa por día en ambos
proyectos. En el proyecto actual, la profundidad de la roca es incierta, las opciones son: hincar pilotes de
10 a 15 mts. estudien las consecuencias acción-estado y realice el diagrama de árbol.
Acción
Estado Pilote hincado hasta 10 mts. Pilote hincado hasta 15 mts.
PROBABILIDAD CONDICIONAL:
Existe un parque industrial que tiene 6 naves construidas; las acometidas de agua y electricidad son
subterráneas, las construcciones son para arrendamiento, se desconoce las necesidades de cada una de
ellas, para cualquier industria en particular.
El espacio muestral asociado con una nave es: (5,1), (5,2), (10,1), (10,2)
En una entrevista el cliente expone al ingeniero varios planteamientos sobre las posibilidades y peso
relativos a partir de los cuales el ingeniero calcula el siguiente conjunto de probabilidades.
Recordando:
Un suceso está asociado con una o más puntos muestrales o sucesos simples.
Dichos sucesos simples son mutuamente excluyentes por la construcción del espacio
muestral.
Entonces la probabilidad de un suceso es la suma de las probabilidades asignadas a los
puntos muestrales con las que el suceso está asociado.
La probabilidad de un suceso asociado con todos sus puntos muestrales es 1.
La probabilidad de un suceso imposible es 0.
Probabilidad condicional P ( A | B ):
P(A|B)= 𝑃 (𝐴 ∩ 𝐵)
P(B)
1
La constante de proporcionalidad se utiliza para asegurar que la probabilidad de P ( B ) / P ( B ) del
𝑃(𝐵)
nuevo espacio muestral B sea 1.
En el ejemplo anterior el Ingeniero puede necesitar que una nave tenga demanda A2 y E10, entonces:
𝑃 (𝐸10𝐴2) 0.6
P ( A 2 / E10 ) = = = 0.86;
𝑃 (𝐸10) 0.7
En términos generales P ( B ) y P ( A / B ) se deducen del análisis de cada problema en particular; Si se
requiere obtener la probabilidad de P ( A ∩ B ):
P(A∩B)=P(A|B) P(B)= P(B|A) P(A)
Para 3 sucesos:
P(A∩B∩C)=P(A|B∩C) P(B|C)P(C)
Independencia
𝑃(𝐴𝑛𝐵)
Esto implica que: P(A)=
𝑃(𝐵)
P(A)P(B)=P(AnB)
P(A/B)=P(B)
La independencia de sucesos se prueba obteniendo P(A) P(B) y P(AnB), y demostrando que se verifica
una de dichas ecuaciones.
P(AnBnC…nN)=P(A)P(B)P(C)…P(N)
Regla de multiplicacion
Si los sucesos son independientes, la probabilidad de que ocurra simultáneamente es simple el producto
de sus probabilidades.
En el ejemplo de las naves industriales, puede ser que el ing. tenga un criterio dif. Al expresado por el
cliente, y que en base a la inv., de otro tipo de demandas en partes ind., similares, puede establecer otra
forma de fijar las probabilidades (por ejemplo una demanda alta de energía parece que no esta
relacionada con una demanda alta de agua)
En base a la inf., de empresas de serv., publico el ing., asigna las sig., probabilidades.
El ing. adopta el supuesto de independencia entre las demandas, de electricidad y agua, y calcula las
prob. de frecuencia conjunto de los sucesos simples.
P(E5A1)=P(E5)(A1)=0.2*0.3=0.6
P(E5A2)=P(E5)(A2)=0.2*0.7=0.14
P(E10A1)=P(E10)(A1)=0.3*0.3=0.24
0.56
P(E10A2)=P(E10)(A2)=0.3*0.7=1.00
P(A)=P(AnB1)+P(AnB2)+…+P(AnBn)
B1uB2u……uBn=S
Una constructora necesita elegir una estrategia para finalizar la construcción de un proyecto, las últimas
dos op., para concluir son pintura de paredes y limp. Gral. Y cada op., pueda realizarse días. El espacio
muestral es el siguiente:
El ing. residente considera que cada op. Puede ejecutarse en 3 velocidades dif., cada uno con costo dif.,
lo que conduce a prob., de tiempo requerido; si el proyecto no se concluye en 10 dias el contratista
pagara un amulta de $2,000 por dia; para cada combinación de los tiempos de las actividades por
ejemplo:
P4nL5=9
Esta tabla refleja que acelera la obra implica mayores costos económicos; el análisis del ing., residente
supone que las actividades, de pintura y limp., son independientes entre si.
P10=$1020
L19=$1080
Esta estrategia debe incluir un posibilidad de multa para todas las posibilidades.
P10 y L10 requieren 8 dias de trabajo, ya que las prob., son independientes entonces las porb.,
de 8 dias es:
P8dias=(P10(4)nL10(4))=0.2(0.1)=0.002
P9dias=(P10(4)nL10(5))+(P10(5)nL10(4))=0.2(0.4)
P10dias=(P10(4)nL10(6))+(P10(5)nL10(5))+(P10(6)nL10(4))=0.2(0.5)+0.5(0.4)+0.3(0.1)=0.33
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO ÁLVAREZ 34
INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS
P11dias=0.5(0.5)+0.3(0.4)=0.37
P12dias=0.3(0.5)=0.015
La multa esperada es
Este análisis muestra una técnica de selección entre las diferentes estrategias; la mas
económica es P14L10; los costos diarios de esta estrategia seria:
5 dias $280.00(5dias)+$200.00(5dias)=$2400
6 dias $280.00(6dias)+$200.00(6dias)=$6880
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO ÁLVAREZ 35
INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS
TEOREMA DE BAYES
𝑃(𝐵|𝐸1)𝑃(𝐸1)
𝑃(𝐸1|𝐵)
𝑃(𝐵|𝐸1)𝑃(𝐸1) + 𝑃(𝐵|𝐸2)𝑃(𝐸2) + ⋯ + 𝑃(𝐵|𝐸𝑘)𝑃(𝐸𝑘)
En esta ecuación si los eventos E se consideran causa posible del evento D, entonces se puede
calcular la probabilidad de ocurrencia de un evento Ei dado que B no ocurre.
𝑃(𝐵|𝐴1)𝐵
𝑃(𝐵|𝐴2)𝐵
𝑃(𝐵|𝐴3)𝐵
Si deseamos obtener la probabilidad del evento B, a partir del diagrama de árbol tenemos
Ejemplo:
1.- encuentre la probabilidad que un trabajador del proyecto (cualquiera tenga IMSS
2.- si un trabajador cualquiera posee IMSS, que probabilidad existe que sea carpintero
1 P(E)= 0.3(0.1-0.4(0.2)+0.2(0.4)=0.25
Unidad 2
VARIABLE ALEATORIA Y DISTRIBUCIONES
La variable discreta asigna a cada uno de los elementos del espacio muestral un número real
finito contable (Fx).
Cada valor posible de X representa un evento que es un subconjunto del espacio muestral S
para el experimento dado.
Espacio muestral discreto: contiene un número finito de posibilidades a una serie infinita con
tantos elementos enteros que existan.
Variable aleatoria continua: son los valores que toma una variable en una escala continua; en
la mayoría de los casos representan datos medidos como pesos, alturas, temperaturas,
distancias.
Para todo evento o suceso simple existe un valor numérico de la variable aleatoria definida
dentro del espacio muestral; a todo evento o suceso compuesto le corresponde uno o un
conjunto de valores de la variable aleatoria.
0.1 x=0
0.2 x=1
0.3 x=2
px(X) = para
0.2 x=3
0.1 x=4
{0.1 {x = 5
∑ = 1.0
.3
.2
.1
1 2 3 4 5 ∝ = directamente proporcional
Para que se cumplan las leyes de probabilidad se requieren las siguientes condiciones.
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO ÁLVAREZ 38
INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS
a) 0 ≤ f(xi) ≤ 1
b) ∑ni=0 f(xi) = 1
C) f(a ≤ x ≤ b = ∑xi≤b
a≤xi f(xi)
1.0
.9
.8
.7
.6
.5
.4
.3
.2
.1
1 2 3 4 5 6 7 8
La ingeniería civil trabaja generalmente con variables aleatorias continuas (masa, tiempo etc.); Si
se dividen los intervalos de las magnitudes en magnitudes infinitesimales dx, entonces fx(X) es
la probabilidad de que x se encuentre en el intervalo (x, x + dx ) su probabilidad será fx(X)dx , la
cual se llama función de densidad de probabilidades FDP de una variable aleatoria continua ; el
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO ÁLVAREZ 39
INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS
área bajo de FDP en un intervalo es la probabilidad de que la variable aleatoria en ese intervalo
tenga una probabilidad igual a:
X₂
P [ x1 ≤ X ≤ x2 ]= ∫X1 Fx(x)dx
Esperanza de una variable aleatoria discreta (E(x)) es el valor esperado o media de un evento
en un experimento.
∞
E(x)= ∫−∞x f(x) dx si x es continua
La media o valor esperado de una variable se obtiene multiplicando cada uno de los valores
x1,x2…...xn por su probabilidad correspondiente y sumando sus productos.
Por la naturaleza de las variables aleatorias no se puede predecir el valor exacto que tendrá la
variable en un experimento; la descripción completa de su comportamiento lo aporta FDA, FDP
ó FMP; Sin embargo a veces no se tiene esta información, por lo que se utilizan uno o más
números que son promedios ponderados de ciertas funciones de las variables aleatorias, las
ponderaciones usadas son FDP ó FMP de la variable, el promedio se denomina Esperanza de
la función.
Operar con esperanza facilita el uso de la leyes de probabilidad y se obtiene estimaciones con
más facilidad a partir de datos disponibles; es preferible tener promedios y Esperanza que no
poseer datos de ninguna especie.
ni
M = μx = ∑ri=0 xi = ∑ri=0 xi fi r = número total de valores distintos observados
n
La varianza es una medida de dispersión del valor central, de una variable aleatoria, La cual
muestra la dispersión o aleatoriedad de una variable.
Entre más pequeña es una varianza, la gráfica presenta menor dispersión y por lo tanto la media
es más concentrada.
Por otro lado la desviación estándar tiene la ventaja que permite comparación más fácil y más
rápida con la media y nos da la idea del grado y de la gravedad de la incertidumbre asociada con
la variable aleatoria.
a) la función de distribución
b) Media
c) Varianza
d) Desviación estándar
x 0 1 2
1 1 1
a) FDP: + + = 1.0
4 2 4
1 1 1
b) Mx = 0 ( ) + 1 ( ) + 2 ( ) = 1
4 2 4
x = √V = √0.5 = 0.7071
Ejemplo: Una empresa constructora participa licitación de proyectos a nivel estatal; los
costos administrativos de la empresa han sido fijados de tal forma que la empresa
tendrá una ganancia del 5% si ejecuta 3 proyectos en la misma plaza;Y tendrá 3%
de perdida si ejecuta 3 proyectos en más de una plaza ¿Cuál es su ganancia
esperada?
G = 1 plaza
P = 2 o 3 plazas
S={GGG.GGP,GPG,GPP,PGG,PPG,PGP,PPP}
1 1
E (1) = { GGG, PPP } →5% p1 = 8 (2) = 4 la empresa genera ganancias
1 3
E(2) = { GGP,GPG,GPP,PGG,PPG,PGP }→P2 = 6 (8) = 4 la empresa pierde
1 3 5 9 4
M= E(x) = = (5%) ( ) + (-3%) ( ) = − = − = −1
4 4 4 4 4
DISTRIBUCIONES DISCRETAS
A) Bernoulli
B) Binomial
C) Poisson
D) Geométrica
A veces los experimentos consisten en pruebas repetidas con 2 resultados posibles éxito o
fracaso; este proceso se llama proceso de Bernoulli y tiene las siguientes propiedades.
Pruebas de Bernoulli
Es una sucesión de experimentos simples de Bernoulli, cuando los resultados de los experimentos son
mutuamente independientes y cuando la probabilidad de éxito no cambia (las probabilidades permanecen
inalteradas).
Distribución binomial
B(x; n, p ) = (𝑛𝑥)𝑝 𝑥 𝑞 n−𝑥 x = 0,1,2……n
x = número de éxitos
Ejemplo: el equipo A tiene P = 2/3 de probabilidad de ganar cuando juega. Si A juega 4 partidos,
hallar la probabilidad que gane:
a) 2 partidos
b) 1 partido por lo menos
c) Más de la mitad de los juegos
𝑛
b = (𝑘 ) pk qn – k
4
a) K = 2; b = (2) (2/3)2 ( 1/3 )4 – 2 = 0.29 = 29 %
4!
= (2/3)2 ( 1/3 )4 – 2 = 0.29 = 29 %
2!(4−2 )!
La distribución binomial viene del hecho que los ( n+1 ) de términos de la expresión binomial de (𝒒 + 𝒑)𝒏
corresponde a los diversos valores de b (x ; n, p ) para x = 0,1,2,3…n lo cual significa.
Ejemplo: una empresa constructora de viviendas compra directamente al fabricante los muebles para el
W.C.; el fabricante le informa que la taza de defectos es 3% en la fabricación.
a) El supervisor de proyectos elije 20 artículos al azar ¿Cuál es la probabilidad de que exista al menos
un producto defectuoso entre los 20?
b) Suponga que la empresa constructora recibe 10 cargamentos en un mes y que el supervisor prueba
aleatoriamente 20 productos por cada cargamento ¿Cuál es la probabilidad de que existan 3
cargamentos que contengan al menos un WC defectuosos.
P ( y = 3 ) = (𝟏𝟎
𝟑
)(. 𝟒𝟓𝟔𝟐)𝟑 [ 𝟏 − (𝟎. 𝟒𝟓𝟔𝟐)𝟕 ] = 𝟎. 𝟏𝟔𝟎𝟐
𝟐
Ejemplo: El ingeniero Pérez tiene una probabilidad P = 𝟑
de ganar un partido de ajedrez cada vez
que juega; si juega 4 partidos encuentre la probabilidad que gane:
a) Dos partidos
b) Un partido por lo menos
c) Más de la mitad de los juegos.
Solución: si p = 2/3, entonces q = 1/3, n = 4
a) 2 partidos X=2
𝟐 𝟏
b=(𝟒𝟐)( )𝟐 ( )𝟐 = 0.29 = 29 %
𝟑 𝟑
𝟐 𝟏
x=4 b = (𝟒𝟒)(𝟑)𝟒 (𝟑)𝟎 = 0.1975 = 19.75% ∑ = 59. 25 %
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO ÁLVAREZ 45
INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS
𝟎 𝟏. 𝟐𝟑%
𝟏 𝟗. 𝟖𝟖%
Probabilidades 𝟐 𝟐𝟗. 𝟔𝟑% ∑ = 99.99%
𝟑 𝟑𝟗. 𝟓%
{𝟒 𝟏𝟗. 𝟕𝟓%
Distribución de Poisson
Experimento de poisson; son los valores numéricos que resultan del experimento de una variable
aleatoria x, donde x misma representa, el número de resultados durante un intervalo de tiempo dado
o en una región especifica. El intervalo de tiempo puede ser minutos, hora día, semana, mes o año.
Ejemplos de experimentos:
Taza de ocurrencia es p ( x ; 𝝀 t )
(𝝀 𝒕)𝒙 𝒆− 𝝀 𝒕
P(x; 𝝀t)=
𝒙!
(𝝀) 𝒙 𝑒 −𝝀
P= X= número de éxitos N=número de pruebas
𝒙!
(𝟒)𝟔 𝑒 −𝟒
P ( 6; 4 ) = 𝟔!
= .0.104195634 por 100% = 10.41% ( x = 6, λ = 4 )
(𝟏𝟓)𝟏𝟎 𝒆−𝟏𝟓
P= 𝟏𝟎!
= 0.0486 por 100% = 4.8610%
Ejemplo:
Un cargamento de 500 losetas de piso contiene 300 imperfecciones de acabado distribuidos en las 500
losetas; Encuentre la probabilidad que cuando el piso esté ya instalado en 1 loseta:
(𝟎.𝟔)𝟐 𝑒 −𝟎.𝟔
X=2 P= = 0.0988 por 100% = 9.9%
𝟐!
b)
(𝟎.𝟔)𝟎 𝑒 −𝟎.𝟔
x=0 P= = 0.5488 por 100% = 54.8% probabilidad de cero imperfecciones
𝟎!
(𝟎.𝟔)𝟏 𝑒 −𝟎.𝟔
X=1 P= 𝟏!
= 0.3292 por 100% = 32.9% probabilidad de una imperfección
P1 + p2 + p3 = 100%
Esta fórmula se utiliza cuando existen intentos repetidos, g es el número de intentos en el cual ocurre el
primer éxito.
Ejemplo: En la colocación de losetas de cimbra para colar casas in-situ, una de cada 100 losetas
está defectuosa ¿Cuál es la probabilidad de que se inspeccionen 5 piezas antes de
encontrar una defectuosa?
𝟏
P = 𝟏𝟎𝟎 = 0.01 q = 1 - 0.01 = 0.99 g = (5;0.01) = 0.01 (𝟎. 𝟗𝟗)𝟒 = 0.009005 (100%) =0.9605
Ejemplo: un estudiante de Ing. civil tiene 70% de probabilidad de aprobar la materia de algebra
lineal; encuentre la probabilidad de que dicho estudiante apruebe el examen.
a) en el tercer intento
Distribución contínua
Una variable aleatoria contínua describe un intervalo, en cambio la variables discretas son puntos
aislados; la variable aleatoria contínua es una variable cuantitativa; puede adoptar una cantidad infinita de
valores que correspondan a los puntos en un intervalo lineal.
Ejemplos de varianzas continuas: peso, distancia, tiempo etc. Puede adoptar cualquier valor en puntos
a lo largo de un intervalo lineal.
Propiedades: a) F(x)≥ 𝟎
∞
b) ∫−∞ 𝑭(𝑿)𝒅𝒙 = 𝟏
𝒃
c) ∫𝒂 𝒇(𝒙)𝒅𝒙 𝒑𝒂𝒓𝒂 𝒑(𝒂 < 𝒙 < 𝒃)
el área bajo la curva es igual a la Probabilidad Los límites para a y b son siempre números
reales
Ejemplo: Existe un error en la temperatura de reacción (℃) para la reacción exotérmica del colado
de una losa, la cual está representada por la variable aleatoria continua x, que tiene una
función de densidad de probabilidad =
𝑥2
, 𝑠𝑖 − 1 < 𝑥 < 2
f (x) = { 3
𝑜, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
∞
a) Verifique ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1
2 𝑥2 𝑥3 (2)3 (−1)3 8 1
=∫−1 𝑑𝑥 = = ⌊21 = | − |= + =1
3 9 9 9 9 9
b) Encuentre P(0< 𝒙 ≤ 𝟏)
1 𝑥2 𝑥3 1 1
=∫ 𝑑𝑥 = | =
0 3 9 0 9
Como consecuencia de la definición de distribución acumulada, se puede escribir los dos resultados P
(𝒂 < 𝒙 < 𝒃) = 𝑭(𝒃) − 𝑭(𝒂)
𝒅𝒇(𝒙)
Si la derivada existe f(x) = 𝒅𝒙
a) Calcular P ( 1 ≤ x ≤ 1.5 )
b) E(x)
c) Var(x)
1.5 𝑥 𝑥 2 1.5 (1.5)2 1
a) P ( 1 ≤ x ≤ 1.5 ) = ∫1 𝑑𝑥 = ⌈ = − = 0.3125
2 4 1 4 4
𝟐 𝒙𝟐 𝒙𝟑 𝟐 (𝟐)𝟑 𝟖 𝟒
b) 𝑬(𝒙) = ∫𝟎 𝒅𝒙 = [ = = = = 𝟏. 𝟑𝟑
𝟐 𝟔 𝟎 𝟔 𝟔 𝟑
𝟐 𝒙𝟐 𝒙𝟒 𝟐
c) 𝒗𝒂𝒓(𝒙) = ∫𝟎 𝟐
𝒅𝒙 = |
𝟖 𝟎
= 𝟐 − (𝟏. 𝟑𝟑)𝟐 = 𝟎. 𝟑𝟏𝟏
𝑏) 𝜎𝑥
5𝑥 𝑥 2 5 1
a) P(2 ≤ x ≤ 5) = ∫2 𝑑𝑥 = | = − = 0.375
8 8 5 8 4
𝜎𝑥 = √5.33 = 2.3
Es la más utilizada para modelar experimentos aleatorios; se obtiene al tomar el modelo básico de una
variable aleatoria binomial cuando el número de ensayos es muy grande.
−(𝑥−𝜇)2
1
F(x) ( x; 𝑀 ,𝜎 ) = 𝑒 2𝜎2 ; para −∞ < 𝑥 < ∞ , tiene una Distribución normal con parámetros
√2𝜋 𝜎
M, donde −∞ < 𝑀 < ∞ y 𝜎 > 0
La media, mediana y moda de la distribución normal son todas iguales y se localizan al centro de la
distribución.
La marca normalizada t o marca z, es un número que mide “que tan cerca está” cualquier medición dada
con respecto a la media de todas las mediciones; la marca t está expresada en unidades de desviación
x −M
stándar t = .
σ
Distribución normal stándar: Si estandarizamos todas las mediciones en una distribución normal que
tiene una media M y σ ( desviación estándar ), se le llama distribución normal stándar, ésta tiene una
media = 0 y una varianza y desviación stándar = 1
x −M
t= . Que esta también normalmente distribuida
σ
como una media = 0 y una varianza =1
x −M
t= nos dice a cuántas desviaciones estándar está x
σ
con respecto a M; si t es positiva, entonces la media t es
mayor que M ( y se ubica a la derecha ); Si t es negativa se
ubica a la izquierda.
Las marcas t nos indican cómo entrar en las tablas A.3 de distribución normal estándar, el cálculo
consiste en encontrar el área bajo la curva de gauss; las probabilidades para distribuciones continuas
son las áreas bajo la curva de una distribución normal estándar; esos cálculos se resumen en la tabla A.3
los que han sido calculados para todos los casos de una distribución normal.
Ejemplo: Dada una distribución normal estándar encuentre el área bajo la curva que existe en:
A ) a la derecha de t = 1.84
T= - 1.97 = 0.0244
T = 0.86 = 0.8051
Ejemplo: Dada una distribución normal estándar encuentre el valor de x de tal forma que:
a) P ( t > x ) = 0.3015
b) P ( x < t < -0.18 ) = 0.4197
a) El área a la izquierda es 1 - 0.3015 = 0.6985
0.4287-0.4197=0.0089
93−72
b) Calificación 93 t= 15
= 1.4
72−72
c) Calificación 72 t= 15
=0
d ) encontrar las calificaciones que obtuvieron correspondientes a las puntuaciones estándar siguientes.
x−μ
d.1) -1 t = σ
= ×= σt+M
X = ( - 1 ) ( 15 ) + ( 72 ) = 57
Ejemplo Encuentre el área bajo la curva para cada uno de los siguientes casos.
Por tablas
Área total=0.8092
t=0.81⟶0.2910
t=1.94⟶0.4738
t=-0.6 0.2743
t= -1.28 0.1003
0.5
t ≥ μ = 0.6003
f)
T=-1.44=0.0749
Ejemplo: Una distribución normal tiene una media=100 y una desviación=10 ¿Cuál es la
probabilidad de que una media escogida aleatoriamente puede estar entre 110y 100?
110−100
T= 10
=1.0
La probabilidad de que una observación este entre 100 y 110 es 0.3413 (100)=34.13%
b)
108.2 − 100
t= = 0.8 0.2939
10
Luego P(x>108.2)=p(t>0.82)
=0.5-0.2939
=0.2061
c)
115 − 100
t= 1.5 0.4332
10
111 − 110
t2 = = 1.1 0.3643
10
P(111<x<115)=
P(1.1<x<1.5)=0.4332-0.3643=0.0689
Ejemplo 4
2000 sacos de arroz tienen un peso medio de media=155 Kg con una desviación 20Kg
a)
b)
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO ÁLVAREZ 56
INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS
120 − 155
t120 = −1.75 0.4599
20
130 − 155
t130 = = −1.25 0.3944
20
0.4599-0.3944=0.0655=6.55%
200 − 155
t= = 2.25 0.4878
20
0.5 (0.4870)=0.0122
DISTRIBUCIÓN DE FRECUENCIA.
♦ Datos cuantitativos: son números obtenidos de mediciones hechos sobre unidades de observación,
representan cantidades y valores (áreas, volúmenes, velocidades.)
Frecuencia relativa de un intervalo es la proporción de todos los valores dados, que caen dentro del
intervalo.
Tabla de frecuencias
Es un arreglo sistemático de valores agrupados en intervalos de clase; resume datos para presentar
claramente la frecuencia de cada intervalo y calcular fácilmente la frecuencia relativa de cada intervalo.
Lo mas difícil es definir y crear los intervalos de clase; por el rango de valores siempre presentan
fronteras naturales de clase.
5
4.5
4
3.5
3 Serie 1
2.5 Serie 2
2 Serie 3
1.5
1
0.5
0
Categoría 1 Categoría 2 Categoría 3 Categoría 4
6
Serie 3
5
Serie 2
4 Serie 1
3
0
Categoría 1 Categoría 2
Hay pocos
Tabla de Sturge
22 8 15 14 13 23 23 12
10 17 11 11 13 17 11 15
19 26 17 23 14 24 21 15
15 14 21 20 10 26 13 16
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO ÁLVAREZ 60
INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS
5 21 13 15 13 7 16 11
Existen 40 mediciones
26−5 21
Amplitud de intervalos = = = 4.2
5(𝑐𝑙𝑎𝑐𝑒𝑠) 5
Tabla de frecuencias.
𝑀 = ∑ Xi
𝑖=1
MEDIANA (Md)
Moda (Mo)
Las medidas de posición son clases diferentes de promedios que pueden servir como resúmenes
numéricos de un conjunto de mediciones; dichos promedios definen el centro del conjunto o la posición
del mismo.
Ejemplo:
4.5
3.5
2.5
1.5
0.5
10
8
Serie 1
7
Serie 2
6 Serie 3
5 Serie 4
4 Serie 5
Serie 6
3
Serie 7
2
Si las medidas desvia en el punto de balance también pueden cambiar; la media es sensible a la
magnitud de números en un conjunto dado, lo cual representa una desventaja en el uso de la media, en
el ejemplo anterior la media no representa la mayor parte de los números, la media esta para balancear el
valor extremo de 20.
Cuando existen numero extremos al final de un conjunto, la sensibilidad de la media no permite que
pueda considerársele representativa de la mayoría de las mediciones.
Md.
En orden: 2,3,4,6,10,11,11,17.
N= 8
6+10
𝑀𝑑 = 2
= 8 Md= 8
Moda (Mo)
Es el valor particular que ocurre más frecuentemente que cualquier otro en un conjunto de mediciones; si
dos valores tienen la misma frecuencia o aproximadamente la misma el conjunto de bimodal, si tres
tienen la misma frecuencia el conjunto es trimodal.
Media Conteo
1 2
2 1
3 4moda
4 3
7 2
8 1
Media Conteo
22 3moda
23 2
25 1 bimodal
26 1
27 3moda
28 2
29 1
30 1
Aunque a veces no es una medición central Mo. Sirve significativamente como un número
representativo.
M
Md
Mo
Mo M Mo
Simetría Unimodal Md
Simetría Bimodal
M Md Mo Mo Md Mo
Promedio móvil
Es el promedio indicador mas utilizado en análisis técnico, en el valor para un cierto periodo de tiempo
que muestra el sentido u la duración de una tendencia.
1. Simple
2. Exponencial
3. Suavización
4. Ponderado linealmente.
Un promedio móvil de orden n se define como la secuencia de medidas aritméticas
𝑦1 + 𝑦2 + ⋯ 𝑦𝑛 𝑦2 + 𝑦3 … + 𝑦𝑛 𝑦3 + 𝑦4 + ⋯ + 𝑦𝑛
+ +
𝑁 𝑁 𝑁
Se promedia un periodo que contiene varios puntos, se promedia un periodo que contiene varios datos,
dividiendo la sima de los valores de los puntos entre el numero de puntos, de esta forma cada punto tiene
la misma influencia.
La serie de tiempos se define por medio de los valores de y1, y2…yn de una variable, para los tiempos de
t1,t2,…,tn. Por tanto y es función de t.
A
t
S
Años meses
La grafica muestra un punto que se mueve con el paso del tiempo, los movimientos pueden ser el
resultado de combinación de fuerzas económicas,sociológicas, fisiológicas, etc.
Ciertos puntos se ponderan mas o menos que otros , según de considere conveniente a la experiencia.
O bien: 3,4,3,5,4.
Se localiza cada numero del promedio móvil en su posición apropiada, relacionada con los datos
originales para N años (1, 2, 3,4,5) pueden existir promedios móviles para N meses(1,2,3,4,5).
El promedio móvil tiende a reducir la cantidad de variación presente en un conjunto de datos , esta
propiedad se acostumbra a utilizarse para eliminar fluctuaciones en series de tiempos, este proceso se
llama “suavización de las series de tiempo”.
1(2) + 4(6) + 1(1) 1(6) + 4(1) + 1(5) 1(1) + 4(5) + 1(3) 1(5) + 4(3) + 1(7) 1(3) + 4(7) + 1(5)
, , , ,
1+4+1 1+4+1 1+4+1 1+4+1 1+4+1
Media Armónica H
Es una cantidad finita de números que es igual al reciproco de la media aritmética, se utiliza para
promediar tiempo, velocidades y rendimientos.
𝑛
1 n
𝐻 = (𝑁)/(∑ ) =
ai 1 1 1
𝑖=1 a1 + a2 + ⋯ + an
Ejemplo
6
H= = 33.0818
1 1 1 1 1 1
+ + + + +
34 27 45 55 22 34
Media geométrica G
Ejemplo
H≤G≤M
3 + 5 + 6 + 6 + 7 + 10 + 12
𝑀= = 7.0
7
7
𝐻= = 5.87
1 1 1 1 1 1 1
+ + + + + +
3 5 6 6 7 10 12
7
𝐺 = √3(6)(6)(7)(10)(12) =6.43
Una lista de datos mediana es el promedio de los valores de en medio, que divide al conjunto en dos
partes iguales.
Cuantiles
Cuartiles
(Q1,Q2,Q3) divide el conjunto de datos en 4 partes iguales, que son el primero. Segundo y tercer cuatil
respectivamente
Deciles
Percentiles
Ejemplo
88 45 5386 33 86 85 30 89 53 41 96
71 51 86 68 29 28 47 33 37 25 36 33
42 34 79 72 88 99 82 62 57 42 28 55
96 61 57 75 93 34 75 53 22 28 73 51
56 38 62
94 73 46
67 62 60
69 91 35
25 28 28 28 29 30 32 33 33 33 34 34 35 36 37
38 41 42 42 45 46 47 51 51 53 53 53 55 56 57
57 60 61 62 62 62 67 68 69 71 72 73 73 75 75
79 82 85 86 86 86 88 88 89 91 93 94 96 96 99
𝑛𝑃 60∗95 94+96
𝐷9 = 𝑃90 = 89 𝑖 = 100 = 100
= 57 𝑙𝑒𝑐𝑡𝑢𝑟𝑎𝑠 𝑃95 = 2
= 95
60(93)
𝑃93 ⤏ 𝑖 = 100
= 55.8 ⤏ 56 ⤏ 43 𝑙𝑒𝑐𝑡𝑢𝑟𝑎𝑠
Rango = 12-2 = 10
Desviación media
𝑛
( ∑𝑖=1 ∣ xj − x⃑∣∣ ) (∑ ∣ x − x⃑∣∣∣ )
DM = n
= n
= ∣ x − x⃑ ∣
Ejemplo
𝑛 ∣
√(∑
𝑖=1
( xj − x⃑∣∣∣)² ) √( ∑ ( xj − x⃑∣∣∣)² )
𝑠= n
= n
= √𝜮𝒙𝟐 = √(𝑥 − 𝑥 )2
X= es la desviación de cada uno de los numero xj respecto a la media entonces s es la raíz cuadrada de
la media las desviaciones, respecto a la media
En ocasiones se calcula s utilizando como denominador (n-1)en vez de N, esto es un dato con mejo
aproximación para valores grandes (N>30); casi no existe entre los dos cálculos.
Varianza S²
S² = varianza muestral
δ² = varianza poblacional
2 2
S² = √x − x
2
x = media de los cuadrado de los diversos valores de x
2
x = cuadrado de la media de los iversos valores de x
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO ÁLVAREZ 70
INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS
2 2
S = √d − d
Cuando exiten intervalos de clase de un mismo tamaño y existe una distribución de frecuencia en datos
agrupados, se tiene dj = cuj o xj = A+cuj
Luego
Este método se recomienda para datos
2 2
S = √u − u agrupados siempre que los intervalos de clase
sean del mismo tamaño
Ejemplo
Momentos
Dados N valores X1, X2, X3…,Xn ya que forma la variable X, se define la cantidad.
(𝑥 − 𝑥 )
𝑚𝑟 = ∑𝑁
𝑗=1(𝑥 − 𝑥 ) = ∑ = (𝑥 − 𝑥 ) Ecuación 2
𝑁
Si r=1; m1=0
Si r=2; m2 es la varianza
(𝑥𝑗 − 𝐴) (𝑥
𝑚𝑟 = ∑𝑁
𝑗01 = ∑ − 𝐴) = ∑ 𝑑 = (𝑥 − 𝐴 ) Ecuación 3
𝑁 𝑁 𝑁
Si X1, X2,…, Xn presentan frecuencias f1, f2,…,fn respectivamente los momentos anteriores están dados
por:
(𝑓𝑥 𝑟 )
𝑥 = 𝑓1 𝑥1𝑟 + 𝑓2 𝑥2𝑟 + ⋯ + 𝑓𝑘 𝑥𝑘𝑟 = ∑𝑁 𝑟
𝑗=1 𝑓𝑗 𝑥𝑗 = ∑
𝑁
𝑚𝑟 = ∑𝑁 𝑓𝑗(𝑥𝑗 − 𝑥) = ∑ 𝑓(𝑥 − 𝐴) = (𝑥 − 𝑥)
𝑗=1
𝑁 𝑁
𝑓𝑗(𝑥𝑗 − 𝐴) 𝑓(𝑥 − 𝐴)
𝑚𝑟 = ∑𝑁
𝑗=1 =∑ = (𝑥 − 𝐴 )
𝑁 𝑁
𝑘
𝑑𝑜𝑛𝑑𝑒 𝑁 = ∑ 𝑓𝑗 = ∑ 𝑓𝑗
𝑖=1
Momentos en forma adiemcioal respecto a la media se utiliza para evitar unidades particulares.
𝑚𝑟 𝑚𝑟 𝑚𝑟
𝜕𝑟 = = = 𝑑𝑜𝑛𝑑𝑒: 𝑠 = √𝑚2 es la desviación estándar
𝑠 (√𝑚2 ) √𝑚2𝑟
una curva de distribución normal con pico alto se llama leptocurtica, curtosis (+).
una curva de distribución normal con pico relativamente aplastado se llama platicurtica cortosis (-
).
una curva de distribución normal no puntiaguda ni aplastada se llama mesocúrtica, curtosis (0).
en una medida de la curtosis se emplea el 4º momento respecto a la medida, en forma tridimensional.
𝑚4 𝑚4
coeficiente momento de curtosis = 𝛼 4 = 𝑠4
= 𝑠44
= 𝑏₂
Rango
𝑄 1
𝐾 = 𝑃90𝑃10 𝑑𝑜𝑛𝑑𝑒 𝑞 = 2 (𝑞3 − 𝑞1)
Semi-intercuartil
2+3+7+3+10
A) M1= media aritmética 5
=6
2 2²+3²+7²+3²+10² 226
B) M2= x = 5
= 5 = 45.2
3
x 2³+3³+7³+3³+10³ 1890
C) M3 = 𝑁 = 5
= 5
4
x 2⁴+3⁴+7⁴+3⁴+10⁴ 16594
D) M4 = 𝑁 = 5
= 5
A) M1= (𝑥𝑗 − 𝑥)
2
B) m2= ∑ (𝑥𝑗 − 𝑥) = 5
46
𝑁
C) m3= ∑
(𝑥𝑗 − 𝑥)3 = −18
𝑁 5
(𝑥𝑗 4
D) M4= ∑ − 𝑥)
𝑁
Ms + 𝝈
Ms -2 𝝈 95.45% 5+1.95 𝝈s
a
Ms +2 𝝈
Ms -3 𝝈 99.73% 5+2.58 𝝈s
a
Ms + 3 𝝈
Nivel de 99.73% 99% 98% 96% 95.45% 95% 90% 80% 68.27% 50%
confianza
Zc 3.0 2.58 2.33 2.05 2.00 1.96 1.645 1.28 1.00 0.6745
𝑝𝑞 √𝑃(1−𝑝)
P± 𝑍𝐶 √ 𝑛 = P ± 𝑍𝑐 𝑁
p= probabilidad de éxitos.
Q= probabilidad de fracasos.
P= proporción de éxitos.
N=tamaño de la muestra.
𝑝𝑞 𝑁𝑝−𝑁
P ±𝑍𝑐√ 𝑛 √ 𝑁−1
p₂ y p2 = Proporciones en la 2 poblaciones.
Ejemplo 1.
En una muestra existen 5 medidas: 6.33, 6.37, 6.36, 6.32 y 6.37 cm.
Determina la media y la varianza.
6.33+6.32+6.36+6.32+6.37
a) Media X = = 6.35 𝑐𝑚.
5
1.96∗0.042
a) = 0.824± = 0.824± 0.0058 cm
√200
2.58∗0.042
b) = 0.824± = 0.824± 0.0077 cm
√200
2.33∗0.042
0.824± = 0.820± 0.0069 cm
√200
1.645∗0.042
0.824± = 0.824± 0.0048 cm
√200
3.0∗0.042
0.824± = 0.824± 0.0089 cm
√200
Un sondeo de 100 votantes elegidos al azar indican que el 55% de ellos estaba a favor de cierto
candidato. Encuentre los limites de confianza para la proporción de todos los votantes para ese
candidato con 95%, 99%, 99.73%
√0.55∗0.45
= 0.55±1.96 = 0.55 ±0.10
100
√0.55∗0.45
b) 99%→0.55±2.58 = 0.55±0.13
100
√0.55∗0.45
c) 99.73%→0.55±3 100 = 0.55±0.15
a) 95%
b) 99%
𝜎2 𝜎𝐵²
XA-XB ± Zc√𝑁𝐴 + 𝑁𝐵
a) Para 95%
1202 80²
1400-1200±1.96 √ 150 + 200 = 200 ± 24.8
Existe un límite de confianza de que la diferencia de medidas de las poblaciones está entre 175
y 225 horas.
b) Para 99%
1202 80²
1400-1200±2.58 √ 150 + 200 = 200± 32.6. Existe un 99% de confianza de que la diferencia
de las medias de las poblaciones esté entre 169 y 233 horas.
Tamaño de la muestra:
La teoría de la muestra estudia la relación existente entre una población y las muestras tomadas
de ellas; se obtienen magnitudes (media y varianza) y/o las diferencias entre muestras
(significativas o fortuitas).
Para que las conclusiones de la teoría de muestreo sean válidas y la inferencia estadística sea
verdadera, se necesita que las muestras sean representativas.
Diseño del experimento: Es el análisis de los métodos del muestreo, las muestras
representativas de obtienen por muestreo aleatorio con o sin reposición.
Muestreo aleatorio: Cada miembro de la población tiene la misma probabilidad de ser incluido en
la muestra.
H0 Hipótesis nula: Son hipótesis que se formulan para ser rechazadas o invalidarlas; por ejemplo
“no hay diferencia entre los métodos A y B”, “las monedas son buenas”.
H1 Hipótesis alternativas:
Es la que difiere de la hipótesis nula, por ejemplo, si existe una probabilidad 0.5 la hipótesis
alternativa seria de H1= 0.75 o p= 0.4
Si se asume una hipótesis y los resultados obtenidos muestran una diferencia muy grande,
entonces las diferencias observadas son significativas y la hipótesis debe ser rechazada.
H0 es verdadero H0 es falso
No rechace H0 Decisión correcta Error tipo II
Rechace H0 Error tipo I Decisión correcta
Error tipo II: Acepta una hipótesis que debió ser aceptada.
Toda buena decisión minimiza los errores; siempre que disminuye un error, existe otro que
aumenta el tamaño de la muestra y esto no siempre es posible.
Por ejemplo si se elige el 5% del nivel de significación entonces hay 5 oportunidades entre 100
de rechazar la hipótesis cuando debía ser aceptada, es decir 95% de confianza que se adoptó la
decisión correcta.
Hipótesis con nivel de significancia 5%- 95% de confianza que se adoptó la decisión correcta.
Supongamos que cierta hipótesis tiene una distribución de muestreo S con distribución normal,
𝑆−𝑀𝑆
con una media Ms y una desviación 𝜎. Entonces distribución de la variable tipificada. Z = 𝜎𝑆
0.025
Si Z esta fuera de 1.96 el estadístico estaría afuera del rango y diferiría significativamente y la
hipótesis debería ser rechazada en este caso; el área sombreada 0.025 es el nivel de
significancia del contraste, es la posibilidad de equivocarnos al rechazar la hipótesis, decimos
que la hipótesis se realiza a un nivel de significación del 5%; o que el valor z de estadística
muestral dado es significativo al nivel de 0.05.
Z dentro del rango menor -1.96 a 1.96= región de la aceptación de la hipótesis o región de no
significancia.
Z fuera del rango -1.96 a 1.96= región critica de hipótesis, región de rechazo de hipótesis, región
de significancia.
Todos los casos son para poblaciones infinitas o por muestreo con repetición.
Esto es:
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO ÁLVAREZ 80
INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS
Mx=M =Np
𝜎x= 𝜎 =√𝑁 𝑝𝑞
S=X
DIFERENCIA DE PROPORCIONES
P1, P2 = Proporciones muestrales obtenidas en grandes muestral de tamaño N1 y N2 tomadas
de respectivas poblaciones que tienen proporciones P1, P2
Se considera la hipótesis nula Ho = “No hay diferencia entre los parámetros de las poblaciones”
(P1= P2) muestras tonadas de la misma población.
MP1-P2= =0
1 1
P1 P 2 pq
donde N1 N 2
donde
q 1 p; y
P1 P2
z
P1 P 2
Ejemplo:
Un laboratorio afirma que uno de sus productos es 90% efectivo para reducir una alergia en 8
horas. En una muestra de 200 personas con esa alergia el medicamento da buen resultado en
160 personas; determine si la afirmación del laboratorio es legítima.
Ejemplo 2.
160 180
unaempresa
La tensión de ruptura de los cables fabricados por 4.72 tiene una M de 1800 lbs y una
100lbs ; Se desea comprobar si un nuevo proceso
4.24 de fabricación aumenta la tensión media
de ruptura; para este objetivo se da una muestra de 50 cables y la tensión media de ruptura es
de 1850 lbs. ¿Se puede afirmar la mejoría del proceso a un nivel de significancia de 0.10?
2 Hipótesis
H0=M=1800 lbs, “no hay cambios en la tensión de ruptura”
H1=M>1800 lbs, “hay un cambio real en la tensión de ruptura”
MUESTRAS PEQUEÑAS
Distribución t de student
X M X M
t N 1
s
N
Para muestras N<30 las aproximaciones no son buenas y empeoran al decrecer N por eso se
realizan algunas modificaciones en los cálculos; un tipo de modificación es conocida como
distribución t de student
xM xM
t N 1
S
N
Por ejemplo
Si –t 0.975, t 0.975, los valores de t para los que el 2.5% del área está en cada cola de la
distribución t entonces, el intervalo de confianza de 95% de t es
x-M
- t 0.975 N 1 t 0.975
S
Contraste de hipótesis
H0 proceso de verificación
H1
NOMASHTO 95% compact. Z0=95%
5%
X
Región Región
Región de
Crítica o de Crítica o de
aceptación
rechazo rechazo
DISTRIBUCIÓN JI – CUADRADO
X2
N s2
X 1 X 2 X 2 X 2 ...... X n X 2
2 2
Se aplica cuando:
Se considera muestras N de población normal
desviación típica
X2 para cada muestra
1 1
2 2 v 2
1 x2 x2
v 2
y Y0 x e 2
Y0 x e 2
____ V N 1 # de _ grados _ de _ libertad
Distribución Ji cuadrada para varios valores de V el máximo Y ocurre cuando X2=V-2 para V>2.
BIBLIOGRAFIA
Probabilidad y Estadística en Ingeniería Civil, Jack R Benjamin , ed. MacGraw Hill, 1981
Probabilidad y Estadística para Ingenieros, Montgomer, Mc Graw Hill
Probabilidad y Estadística para Ingeniería, Walpole and Meyers
5.2 Correlación.