Probabilidad y Estadistica Unidad 1 2

INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS
Probabilidad y Estadística
Texto adaptado para la carrera de
Ingeniería Civil
CONTENIDO POR UNIDAD DE LA MATERIA:
Unidad 1 Teoría de la probabilidad

1.1 Conjuntos, sus operaciones, leyes y su representación.
1.2 Introducción a la probabilidad
1.2.1 Probabilidad de eventos aleatorios.
1.2.2 Diagramas de árbol
1.2.3Permutaciones y combinaciones.
1.2.4 espacio muestral y eventos
1.3 Definiciones de probabilidad.
1.3.1 Definición clásica.
1.3.2 Con base en la frecuencia relativa.
1.3.3 Axiomática.
1.4 Probabilidad condicional e independencia
1.5 Teorema de Bayes
Unidad 2 Variables aleatorias y distribuciones
2.1 Variable aleatoria y funciones de densidad de probabilidad y de distribución acumulativa.
2.2 Valor esperado y momentos.
2.3 Distribuciones discretas.
2.3.1 Bernoulli
2.3.2 Binomial
2.3.3 Poisson.
2.3.4 Geométrica.
2.4 Distribuciones contínuas.
2.4.1 Uniforme
2.4.2 Exponencial.
2.4.3 Normal y normal estándar
2.4.4 Aproximaciones con la normal.
Unidad 3 Estadística descriptiva y la teoría del muestreo, Inferencia estadística
3.1 Distribuciones de frecuencia, de frecuencia relativa y acumulada.
3.2 Medidas de tendencia central: media, mediana, moda, promedio (ponderado, móvil), media
geométrica, media armónica, cuantiles (cuarteles, deciles y percentiles).
3.3 Medidas de dispersión: rango o amplitud de variación, desviación media, varianza, desviación
estándar, momentos y kurtosis.
3.4 Muestreo aleatorio: simple, sistemático, estratificado, por conglomerados.
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL

ING. LUIS ALONSO ÁLVAREZ 1
3.5 Muestreo no aleatorio: dirigido, por cuotas, deliberado.

Unidad 4 Inferencia estadística
4.1 Estimación puntual y por intervalos de confianza.
4.2 Estimación de la media, de la diferencia de medias, de la proporción y de la diferencia de
proporciones.
4.3 Determinación del tamaño de la muestra.
4.4 Prueba de hipótesis
4.4.1 Pruebas unilaterales y bilaterales.
4.4.2 Pruebas para media y para diferencia de medias.
4.4.3 pruebas para proporción y diferencia de proporciones.
4.5 Muestras pequeñas.
4.5.1 Distribución t de Student.
4.5.2 Distribución de ji-cuadrada. Cuadros de contingencia, limitaciones de la
prueba.
Unidad 5 Análisis de regresión y correlación
5.1 Regresión lineal simple, curvilínea y múltiple.
5.2 Correlación.
5.3 Regresión y correlación para datos agrupados.
5.4 Correlación por rangos.
5.5 Coeficiente de correlación para datos nominales.
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.
Francamente no es variado ni versátil el material desarrollado para el estudio de la Probabilidad y la

Estadística aplicada a la Ingeniería Civil, es por eso que el estudiante de Ing. Civil queda con una
limitada apreciación práctica de los conceptos teóricos, razón por la que (en la medida de lo posible), los
ejemplos en el presente documento se aplican al campo de la Ingeniería Civil.
Un Ingeniero Civil resuelve problemas de interés aplicando eficientemente principios científicos; La

Ingeniería Civil se relaciona con eventos que dependen de clases de operadores humanos, materiales
heterogéneos, actitud de los trabajadores, condiciones climatológicas, etc.; Los resultados esperados
muchas veces pueden ser de gran variabilidad en la ocurrencia sucesiva de dichos fenómenos o
sistemas los cuales no producen el mismo resultado; debe estudiarse cuándo representan mayor
impacto. Para esta tarea se perfeccionan productos o procesos ya existentes o se diseñan otros que
sean nuevos para satisfacer las necesidades de los consumidores;
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.
Para estudiar un fenómeno de interés, un proceso constructivo o de investigación, necesitamos

establecer una metodología que nos oriente cómo estudiar de manera sistemática nuestro objeto de
análisis; Algunos pasos lógicos de esta metodología son:
1. Descripción clara y concisa del problema

2. Identifica los factores importantes que afectan el problema o la solución
3. Proponer un modelo para resolver el problema, fijando las limitaciones y/o
Las suposiciones del modelo.
4. Realizar experimentos o pruebas con el modelo propuesto, recolectando datos que
validan el modelo propuesto o las conclusiones planteadas en los pasos 2 y 3.
5. Refinar el modelo en base a los datos planteados
6. Manipula el modelo para contribuir a desarrollar una solución del problema
7. Realizar experimentos para verificar que la solución planteada es efectiva y
eficiente.
8. Realizar conclusiones y recomendaciones en base a la solución del problema.
Gráficamente podríamos hacer el siguiente esquema:
Descripción clara del problema
Identificar factores importantes
Proponer o refinar un modelo Realizar experimentos
Manipular el modelo
Confirmar la solución
Conclusiones y recomendaciones
Entonces resulta evidente la importancia de adquirir y dominar ciertos conocimientos de Estadística y

Probabilidad que permitan conocer y manejar técnicas adecuadas para diseñar y mejorar productos,
sistemas y procesos de producción.
Una relación sencilla de la Estadística sobre el problema es la siguiente:
#1
# 7 diseña
recolecta
procesos
datos
#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.

1.1 Conjuntos, operaciones de conjuntos leyes y sus representaciones
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
A ⊄ B, A no es un subconjunto de B ( por lo menos un elemento de A no pertenece a B )

B ⊅ A, B no contiene a A ( por lo menos un elemento de A no pertenece a B ).
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.
A ⊂ B, el disco A está completamente dentro del disco B

A y B son disjuntos, no tienen elementos en común.
A y B son conjuntos arbitrarios, es posible que:

 Algunos elementos estén en A pero no en B
 Algunos elementos estén en B pero no en A
 Algunos elementos estén en ambos conjuntos
 Algunos elementos no estén ni en A ni en B
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
Operaciones con conjuntos:
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 }
Intersección de dos conjuntos A y B: A ∩ B, es el conjunto de los elementos que pertenecen tanto a A

como a B.
A ∩ B = { x | x ∈ A, x ∈ B }
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
Complemento relativo de un conjunto B con
respecto a un conjunto A, o sencillamente la
diferencia de A y B, denotada por A\ B, es

el conjunto de los elementos que pertenecen a
A pero no a B
Ejemplos: ( 3 ) A\B
LEYES DEL ALGEBRA DE CONJUNTOS
Leyes de Idempotencia
1a) A ∪ A=A 1b) A ∩ A=A
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
4 a) A ∪ ( B ∩ C ) = ( A ∪ B ) ∩ ( A ∪ C ) 4b) A∩ (B∪C)=(A∩ B)∪(A∩ C)
Leyes de Identidad
5 a) A∪∅=A 5b) A∩U=A
6 a) A∪U=A 6b) A∩∅=∅
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
10 a) ( A ∪ B)C = AC ∩ BC 10b) ( A ∩ B)C = AC ∪ BC
CONJUNTOS FINITOS, PRINCIPIOS DE CONTEO
Un conjunto es finito si contiene exactamente m elementos diferentes donde m es un entero no negativo,

en caso contrario es un conjunto infinito. Ejemplos:
 El conjunto vacío es un conjunto finito

 El conjunto de letras del alfabeto es finito
 El conjunto de los enteros positivos pares { 2, 4, 6, ….} es infinito
Si A es un conjunto finito, n (A) es el número de elementos de A.
Si A y B son conjuntos finitos disjuntos, entonces A ∪ B es finito y n (A ∪ B ) = n (A) + n (B).
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).
TEOREMA: Si A y B son conjuntos finitos entonces A ∪ B y A ∩ B son finitos, y entonces tenemos n

(A ∪ B ) = n (A) + n (B). – n ( A ∩ B )
Si A, B y C son conjuntos finitos, entonces A ∪ B ∪ C, también es un conjunto finito, y tenemos.
n(A∪B∪C) = n(A) + n(B) + n(C) – n (A ∩ B) – n ( A ∩ C) – n (B ∩ C ) + n ( A∩ B∩ C)
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:
65 estudian francés 45 estudian alemán 42 estudian italiano
20 estudian francés y alemán 25 estudian francés e italiano 15 estudian alemán e italiano
a) Encuentre el número de estudiantes que estudian los 3 idiomas simultáneamente.

b) Encuentre el número exacto de estudiantes en cada una de las 8 regiones del diagrama de Venn.
Definamos: F = { conjunto de los estudiantes de francés }
A = { conjunto de los estudiantes de alemán }
I = { conjunto de los estudiantes de Italiano }
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 ∪ A ∪ I ) = 100, por lo menos 100 alumnos estudian un idioma)
n ( F ) = 65; n ( A ) = 45; n ( I ) = 42; n ( F ∩ A ) = 20
n ( F ∩ I ) = 25; n ( A ∩ I ) = 15
100 = 65 + 45 + 42 – 20 – 25 – 15 + n ( F ∩ A ∩ I )
100 – 92 = n ( F ∩ A ∩ I ); por tanto, 8 estudian los 3 idiomas simultáneamente, luego,
20 – 8 = 12, estudian francés y alemán pero no italiano
25 – 8 = 17, estudian francés e italiano pero no alemán
15 – 8 = 7, estudian alemán e italiano pero no francés
65 – 12 – 8 – 17 = 28, estudian solamente francés
45 – 12 – 8 – 7 = 18, estudian solamente alemán
42 – 17 – 8 – 7 = 10, estudian solamente italiano
120 – 100 = 20, no estudian ningún idioma

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
ING. LUIS ALONSO ÁLVAREZ Octubre 11 31
Noviembre 20
Diciembre 8
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
1.2 Introducción a la probabilidad
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:
• puede apreciarse fácilmente la localiza--

• • • • • • • ción y dispersión de los datos; Un núme-
ro corto de pruebas reduce el análisis.
12 13 14

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
Si existe un número finito de observaciones en la población, entonces la Media Poblacional es

𝜇 = ∑𝑛𝑖=0 𝑋𝑖 ; La Media Muestral X es una estimación razonable de la Media Poblacional 𝜇; La
Media Muestral no proporciona toda la información acerca de una muestra de datos; La Variabilidad o
dispersión de los datos puede medirse con la varianza muestral o desviación estándar muestral.
Definición: Si X1, X2, ……. Xn es una muestra de N observaciones, entonces la varianza muestral es:
S2 = ∑𝑛𝑖=0(𝑋𝑖 − 𝑋)2 La desviación estándar muestral S es la raíz cua--

drada positiva de la varianza muestral. Estas uni--
N–1 dades se miden en las unidades originales de la va--
riable de interés X.
Entre mayor sea la variabilidad en los datos de la fuerza

• de desconexión, más grande será la magnitud absoluta
de algunas de las desviaciones Xi – X.
• • • • • • •
12 13 14
X2 X8
Esta es la forma en que la varianza muestral
X1 X3
mide la variabilidad por medio de las
X7 X6 desviaciones Xi – X.
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.
No. Carga en la cual Carga final

Trabe aparece la (ton.)
 Todas las trabes de construyeron con las
primera grieta mismas especificaciones
(Ton)  Con el mismo tipo de concreto
1 4.7 4.70  Los resultados a la primera grieta y a la carga
2 3.88 4.22 final se aproximaron a 50 kgs.
3 3.27 4.35
 La dispersión de los datos puede deberse a:
4 2.31 4.67
 Diferencias de construcción
5 2.95 4.26
 Diferencias de ensayo
6 4.81 4.81
7 2.72 4.58  Mano de obra deficiente
8 2.72 4.49  Errores humanos
9 4.31 4.31  Heterogeneidad del material
10 2.95 4.63  Errores en las mediciones y
11 4.22 4.22 observaciones.
12 2.72 4.33
13 2.72 4.33 49.81
14 2.63 4.76 X= = 3.32 Ton. ( de la primera carga )
15
15 2.45 4.63
∑ 49.81 67.29
X = 𝑋1+𝑋2+
𝑛
.… 𝑋𝑛 = ∑15
𝑖=0 𝑋𝑖 = 67.29 = 4.486 Ton. ( Carga última )
15 15
La media muestral es el punto de equilibrio de

4.48 Ton.
un sistema de peso.
• • ••• • • • • • • •
• • • Ton.
4.0 4.25 4.5 4.75 5.0
DIAGRAMA DE DISPERSION PARA LA CARGA FINAL
D1
D1 = la carga última observada fue de 4.81 Ton., es un
D3 D2 evento simple (existe una carga específica)
D2 = la carga es mayor de 4.81 Ton, evento compuesto
4.0 4.81 D3 = la carga es mayor de 4.0 Ton, pero menos de 4.81

Ton., evento compuesto.
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.
Espacio muestral de un experimento S : Es el conjunto de todos los posibles resultados de ese

experimento. Es un evento seguro, porque es seguro que ocurre, su probabilidad es 1.
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.
Evento: es un subconjunto del espacio muestral
Evento compuesto es aquél que consta de 2 ó más puntos muestrales.
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
Evento Aleatorio: es el evento que ocurre dependiendo del azar
El grado de probabilidad que un evento ocurra es su PROBABILIDAD
Conjunto vacío ∅, es un evento imposible, no tiene ningún evento elemental, es imposible que
ocurra, su probabilidad es cero.
Ejemplos de espacio muestrales de eventos aleatorios, si los eventos fueran:

a) Tirar un dado, s = { 1, 2, 3, 4, 5, 6 }
b) “las letras del alfabeto” = { a, b, c, d, e, f, g, …….z }
c) “lanzar una moneda al aire” = { sol, águila }
d) “Los meses del año” = { E;F, M, A, M, J, J, A, S, O, N, D }
Adecuamos el espacio muestral a lo que consideramos posible o no posible.

En un experimento el espacio muestral no es único ni inapelable, por tanto se deben definir
características importantes del espacio muestral:
1. ¿Cuáles son los resultados posibles y cuáles los imposibles?
2. ¿Cómo se anotan los resultados?
3. ¿Qué es un resultado?
a. Tiramos al aire una moneda de $ 1.0, existen dos resultados { sol, águila }
b. Tiramos al aire dos monedas de $ 1.0, existen 3 resultados posibles:
i. Sol – sol
ii. Sol – águila
iii. Águila – águila
c. Tiramos al aire una moneda de $ 1.0 y una de $ 1.0, existen 4 resultados posibles:
i. Sol – cara
ii. Sol – cruz
iii. Águila – cara
iv. Águila – cruz
¿porqué el número de resultados del experimento b y c son distintos, Si en ambos casos fueron dos
monedas de 1.0? porque en el experimento b las monedas son iguales y los resultados son
distinguibles y en el experimento c las monedas son diferentes y los resultados no distinguibles.
Por tanto en un espacio muestral es básico tener claro cuáles son los resultados distinguibles y cuáles
son no distinguibles.
Por ejemplo, al tirar un dado los diferentes resultados pueden anotarse como conjuntos numéricos o
conjuntos por comprensión:
{ 1 }, { 2 }, { 1, 3 }, { 2, 4, 6 }, { 1, 2, 3 }, { 4, 5 }
{ que salga un número par }
{ que salga un número impar }
{ Que salga un número mayor que 3 }
S = { 1, 2, 3, 4, 5, 6 }
A = { 1 }, un evento A⊂ S
B = { 5 }, un evento B⊂ S
Ejemplo: Experimento: se tira un dado

A = { que salga menos de 4 } A = { 1, 2, 3 }
B = { que salga mayor que 2 } B={3}
A ∩ B = { 3 }, es el evento que ocurre cuando ocurren simultáneamente A y B.
C = { que salga 1 ó 2 } C = { 1, 2 }
D = { que salga más de 4 } D = { 5, 6 }
C ∩ D = 𝜙 , tienen intersección nula, no pueden ocurrir simultáneamente; C y D son disjuntos o
mutuamente excluyentes.
E = { que salga menos de 4 } E = { 1, 2, 3 }
F = { que salga 2 ó 6 } F = { 2, 6 }
E ∪ F = { 1, 2, 3, 6 }, es el suceso que ocurre cuando ocurre E, F, o los dos simultáneamente.
Evento G = { sale 1, sale 2, sale 3, sale 4, sale 5, sale 6 }
H = { sale 4 }
Hc = { sale 1, sale 2, sale 3, sale 5, sale 6 }
H y Hc son subconjuntos de G
H ∪ Hc = G
H ∩ Hc = 𝜙, un evento y su complemento son disjuntos, no pueden ocurrir al mismo tiempo.
Partición del espacio muestral
Ejemplo: se lanza un dado,

El espacio muestral es S E = resultados posibles = { 1, 2, 3, 4, 5, 6 }
N es el número de eventos N : A1 = { 1 }; A2 = { 2 }; A3 = { 3 }
A 4 = { 4 }; A5 = { 5 }; A6 = { 6 }
E = es la unión de los eventos del espacio muestral = A1 ∪ A2 ∪ A3 ∪ A4 ∪ A5 ∪ A6
A1 ∩ A2 = 𝜙 ; A1 ∩ A3 = 𝜙 ……….. A5 ∩ A6 = 𝜙 Ai ∩ Aj = 𝜙, todos los posibles
pares tienen intersección nula.
Se dice entonces que A1 ,A2 ,A3 ,A4 ,A5 y A6 son una partición de E.
A ∪ Ac = E y A ∩ Ac = 𝜙
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 )
 Si dos eventos no tienen puntos en común son mutuamente excluyentes o disjuntos

 Los sucesos simples son mutuamente excluyentes por definición
 A ∩ B, son los puntos comunes a los sucesos A y B
 D1 ⊂ D2, si la intersección de dos sucesos es igual a uno de ellos, se dice que éste está
contenido en el otro.
La media muestral no proporciona toda la información acerca de una muestra de datos. Para una mejor
información, se utiliza la varianza muestral.
Varianza muestral = es la variabilidad o dispersión de los datos.
S2 = ∑𝑛𝑖=0(𝑋𝑖 − 𝑋)2
N–1

Desviación estándar muestral = S = √𝑆 2 = raíz cuadrada positiva de la varianza muestral
 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.
Para el ejemplo de las Trabes:

a) Para la carga de falla:
0.6008
Varianza muestral = S2 = = 0.0401
15
Desviación estándar = S = √0.0401 = 0.20 Ton.
𝑆 0.20
Coeficiente de variación muestral = V = = = 0.0446 Ton.
𝑋 4.486
b) Para la 1ª carga:
Varianza muestral = S2 = 0.6349 Ton.

Desviación estándar = 0.7968
Coeficiente de variación muestral = V = 0.24 Ton.
Conclusión:
 cuando se forma la primera grieta “las cargas son más variables” o más difíciles de predecir, que
las cargas de ruptura.
 Esto es muy importante cuando la resistencia es el criterio de diseño.
Probabilidad de Eventos Aleatorios
Definición de Probabilidad: Es el grado de certeza de que ocurrirá un determinado experimento al

realizar un determinado evento aleatorio.
 Mientras más alta sea la probabilidad de un evento, mayor es el grado de certeza de que ocurrirá
al hacer el evento.
 P (A) es la probabilidad de un evento.
Definición informal: La Probabilidad de un evento es un número entre 1 y 0.

 Si la probabilidad es cero, se sabe que el evento no ocurrirá, probabilidad cercana a cero es baja.
 Si la probabilidad es 1, se sabe que el evento ocurrirá, probabilidad cercana a 1 es alta.
Ejemplo: E = evento que consiste en lanzar una moneda al aire.

S = sol; A = águila
P (E) = P (A) + P (S) = 0.5 + 0.5 = 1.0
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
Definición Axiomática: La probabilidad consiste en asignar a cada evento A, un número P (A )

(probabilidad del evento A, que frecuentemente se llama suceso aleatorio) que proporciona una medida
precisa de la probabilidad de que el evento suceda, dado un experimento y un espacio muestral S. Se
deben cumplir las tres condiciones para las probabilidades asignadas a los sucesos del espacio muestral:
Axioma I:
Para cualquier evento A, 0 ≤ 𝑃 (𝐴 ) ≤ 1, no existen probabilidades negativas
Axioma II:
La probabilidad de un suceso seguro A, es la unidad P(A)=1
Axioma III:
a) La probabilidad de un suceso que sea la unión de eventos mutuamente excluyentes, es la suma
de las probabilidades individuales de cada evento:
P ( A U B ) = P ( A ) + P ( B ) = ∑𝑁
𝑖 𝑃 (𝐴𝑖)
b) Si A1, A2, A3,……..An es un conjunto infinito de eventos mutuamente excluyentes, entonces
P ( A1, A2, A3,……..An ) = ∑∞ 𝑖 𝑃 (𝐴𝑖)
Luego deducimos que:
a) P(A) ≤ 1 la probabilidad no puede ser mayor que 1

b) c
P(A) + P(A ) = 1 P ( A ) = 1 – P ( Ac )
c) p (∅) =0
d) A ⊂ B = P(A) ≤ P(B)
e) P ( A ∪ B ) = P(A) + P(B) – P ( A ∩ B )
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.
n ( A ) = frecuencia relativa de ocurrencia del evento A en la secuencia de repeticiones

n
Cuando crece n , se estabiliza [ n ( A ) ] / n ( porque se aproxima a un valor límite conocido como
frecuencia relativa )
frecuencia x x
relativa x x x x x
x …… x………
P (A) = frecuencia relativa limitante

Las probabilidades se asignan a eventos con frecuencias relativas limitantes, entonces en el caso de
las monedas es águila = 0.5, sol = 0.5.
Esta es la interpretación objetiva de probabilidad porque se apoya en una propiedad del experimento;
pero en la práctica no se conoce la frecuencia relativa limitante; por tanto, debemos asignar
probabilidades basadas en nuestras creencias del experimento en estudio.
Por ejemplo,
 consideramos en el caso de la moneda P ( a ) = P( s ) = 0.5 ;
1 1
P (águila) = 2 ; P( sol ) = 2
 En el caso de un dado P = { {1}, {2}, {3}, {4}, {5}, {6{ } = 1/6
 En el caso de la letra con la cual inicia el título de cualquier libro
1
s={las letras del alfabeto} p(letras)= 27
1
 los Meses del año s={E,F,M,A,M,J,J,A,S,O,N,D} p(M)=
12
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
1) Ley # 1 Para cualquier evento A, P(A) = 1 – P(Ac)

Aplicando el axioma 3 de la probabilidad
Sea K = 2, A1 = A y A2 = Ac
Por definición de Ac tenemos que mientras A y Ac sean disjuntos, S = A ∪ Ac
Luego 1 = P (S) = P (A ∪ Ac) = P(A) + P(Ac)
Ejemplo: existen al menos 5 procesos para la fabricación de una mezcla de concreto
1. Agregar pétreos
2. Mezclar pétreos
3. Agregar el cemento
4. Revolver pétreos + cemento
5. Agregar agua según diseño y mezclar
Sean: F = proceso que falla dos probabilidades de resultados
X = proceso bien hecho
Definimos A = evento en el que por lo menos un proceso falla
Ac = evento donde todo el proceso de fabricación es bueno = X X X X X
Existen solamente 2 eventos, debemos calcular 2 probabilidades.
Probabilidad = 25 = ( 2 probabilidades )5 (procesos) = 32 – 1 = 31
Para un 90 % de eficiencia P ( Ac ) = X X X X X = (0.9)5 = 0.5905 (90% es la probabilidad que el

proceso de fabricación es bueno).
Luego P ( A ) = 1 – 0.59 = 0.41 % del proceso de fabricación de la mezcla fallará
2) Ley # 2 Si A y B son mutuamente excluyentes, entonces P ( A ∩ B ) = 0

Como A ∩ B no tiene resultados, entonces S = P (A ∩ B )c
Por tanto, 1 = P ( A ∩ B )c = 1 – P ( A ∩ B ) esto implica que P (A ∩ B ) = 1 – 1 = 0
 Cuando A y B son mutuamente excluyentes, el axioma 3 genera como resultado:
P ( A ∩ B ) = P (A) + P(B)
 Cuando A y B no son mutuamente excluyentes, la probabilidad de la unión se obtiene de

la siguiente ley:
3) Ley # 3 Para cualquiera de los dos eventos A y B

P ( A ∪ B ) = P(A) + P(B) – P ( A ∩ B ) esto también es válido cuando A
y B son mutuamente excluyentes porque en ese caso P ( A ∩ B ) = 0
Principios Básicos de Conteo: (Adición y Multiplicación)
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: Suponga que en el Instituto de Ingeniería de la UNAM, existen 3 maestrías diferentes en

Mecánica de Suelos, 5 maestrías en Ingeniería Estructural y 4 maestrías diferentes en
Hidráulica; Entonces existen n = 3 + 5 + 4 = 12 formas diferentes para que un estudiantes
de Ingeniería Civil pueda especializarse en una maestría.
Ejemplo:
= +
A∪B A ( B ∩ AC)
A ∪ B = A ∪ ( B ∩ AC) A y ( B ∩ AC) son mutuamente disjuntos

c
P ( A ∪ B ) = P (A) + P (B ∩ A )………… (1)
Pero B = ( B ∩ A ) ∪ ( B ∩ AC)
Por tanto P (B) = P ( B ∩ A ) + P ( B ∩ AC), despejando P ( B ∩ AC) = P (B) – P ( B ∩ A )
Sustituyendo P ( B ∩ AC) en (1)

P (A ∪ B) = P(A) + [ P (B) – P (B∩A)]
= P(A) + P (B) – P (B ∩ A)
Ejemplo: En cierta población del estado de Hidalgo

60% de familias tiene servicio de agua potable A = 60 % = 0.6 = P (A)
80% de familias tiene servicio de electricidad B = 80 % = 0.80 = P (B)
50% de familias tienen ambos servicios A ∩ B = 50 % = 0.50 = P ( A ∩ B )
Al seleccionar una familia al azar:

1) ¿Cuál es la probabilidad que reciba al menos un servicio?
2) ¿Cuál es la probabilidad que reciba exactamente uno de los servicios?
A) Tienen servicios de agua potable = 60% = P(A) = 0.6

B) Tienen servicio de electricidad = 80% = P(B) = 0.8
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
P (A ∩ Bc ) P ( Ac ∩ B ) ∑ = 0.50 + 0.30 + 0.1 = 0.90
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.
En notación de conjunto: suponga que A y B son conjuntos finitos, entonces
n(A*B) = n(A) * n(B);

Si existiera un tercer evento entonces podría ocurrir de n1* n2 * n3 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3 vuelos diarias del DF., a Mexicali

B2 vuelos diarias del DF., a Mexicali
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
A1 A2 A3 B1 B2 ( la misma posibilidad para los demás vuelos de ida )
AR1 AR2 AR3 BR1 BR2
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
5 ! = 5 * 4 ! = 120
12! 12∗11∗10∗9∗8!
= = 11,880
8! 8!
Aproximación de Stirling a N! Se utiliza cuando n es muy grande

𝑛 ! ≅ √2𝜋𝑛 𝑛𝑛 𝑒 − 𝑛 Cuando n es muy grande la relación entre ambos miembros tienden a 1
Coeficiente binomial
(𝑛𝑟) donde n y
r son enteros positivos, se lee “n tomado de r en r”

r≤n
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)
(𝑛𝑛) = 1 (solo hay una forma de seleccionar todos los elementos)
(𝑛1) = n (hay un subconjunto de tamaño 1)
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
12! 12! 12∗11∗10∗9∗8

(12
5
) = 5!(12−5)! = 5!7! = 5∗4∗3∗2∗1
= 792
10! 10! 10∗9∗8

(10
3
) = 3!(10−3)! = 3!7! = 3∗2∗1
= 120
13! 13! 13
(13
1
) = 1!(13−1)! = 1!12! = = 13
1
10(10−1)(10−2)…..(10−7+1) 10! 10∗9∗8∗7!

(10
7
)= 7(7−1)(7−2)(7−3)∗3∗2∗1
=
7!3!
=
7!3!
= 120 calculando de otra forma por medio
de la ecuación ( 2 ); 10 – 7 = 3
10∗9∗8
(10
7
) = (10
3
)= 3!
= 120 10
(10−7 ) = (10
7
)
𝑛
(𝑛−𝑟 ) = (𝑛𝑟)
Ya que 7 + 3 = 10 entonces (10

7
) = (10
3
)
10∗9∗8∗7!
Luego (10
7
) 𝑠𝑒 𝑟𝑒𝑠𝑢𝑒𝑙𝑣𝑒 𝑐𝑜𝑚𝑜 (10
3
)= 3∗2∗1
= 120
Permutaciones:
Es el ordenamiento de un conjunto de n objetos en un orden dado (tomados todos al mismo tiempo).

 Cualquier ordenamiento de r ≤ n de estos objetos en un orden determinado se llama una
permutación r o una permutación de n objetos tomados r a la vez.
Ejemplo
Conjunto de letras del alfabeto
 a b c d, b c d a, c a b d, son permutaciones de las 4 primeras letras del alfabeto (tomadas todas a

la vez).
 a b d, c b a, b c d son permutaciones de las primeras 4 letras (tomadas en grupos de 3).
 a c, c b, b a, b d, son permutaciones de las primeras 4 letras (tomadas en grupos de 2)
P ( n, r ) es el número de permutaciones de n objetos, tomados r a la vez
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
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!
Por el principio de conteo tenemos:
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)!
Cuando n = r  P ( n , n ) = n ! existen n! permutaciones de n

objetos tomados todos al mismo tiempo
Ejemplo:
Existen 3 ! Permutaciones de las letras a b c
abc bac cab acb bca cba
Permutaciones con repeticiones

𝑛!
P (n; n1, n2, n3,…,nr ) =
𝑛1!𝑛2!𝑛3!…𝑛𝑟!
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
BBBAY BBBYA BABBY BYBAB ABBBY YABBB ABYBB

BBAYB BBABY BYBBA BAYBB YBBBA ABBYB YBABB
BBYAB BBYBA BABYB BYABB AYBBB YBBAB
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
7! 7∗6∗5∗4∗3 7∗6∗5∗4 840

m = P ( 7, 3, 2 ) = = = = = 420
3!2! 3!2! 2∗1 2
Muestreos con reposición:
Se toma un elemento del conjunto y se reemplaza en el conjunto antes de seleccionar el próximo

elemento, por tanto existe n formas diferentes de seleccionar cada elemento.
n * n * n * n *…n = 𝑛𝑟 diferentes muestras ordenadas con reposición de tamaño r.
r veces
Muestreo sin reposición
El elemento escogido no se reemplaza antes de tomar el próximo elemento, no existen repeticiones en la

muestra ordenada.
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
A) Con reposición 𝑛𝑟 = (52)3 = 140,608
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:
abc abd acd bcd

Ejemplo:
Las siguientes combinaciones son iguales { a b c, a c b, b a c, b c a, c a b }, es decir, cada uno

representa el mismo conjunto a b c.
C ( n, r ) Es el número de combinaciones de n objetos tomados r a la vez.
Ejemplo:
Encuentre el número de combinaciones de 4 objetos a, b, c, d, tomados en grupos de 3; Cada

combinación que contiene 3 objetos, produce 3 ! = 6 permutaciones de los objetos en cada
combinación que se realice.
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.
Esto indica que el número de combinaciones multiplicado por 3 ! es igual al número de

permutaciones, es decir:
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:
Un contratista de pintura compra en un almacén 3 cubetas de pintura vinílica, 2 rodillos y 4 galones de

pintura de aceite; las existencias en el almacén, son 6 cubetas de pintura vinílica, 5 rodillos y 8 galones
de pintura de aceite ¿Cuántas formas de escoger tiene el contratista si cada galón es de color diferente?
Existencias: 6 cubetas de p. v. Compra: 3 cubetas de p. v.

5 rodillos 2 rodillos
8 galones de p. a 4 gal de p. a
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
En total, los insumos los puede escoger de (63)(52)(34) = 20 * 10 * 70 = 14,000 formas
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.
Ejemplo: Encuentre el conjunto de productos A x B x C donde A, B y C son
A = { 1, 2 }; B = { a, b, c }; C = { 3, 4 }
a
4
3
1 b
4
3
c
4
3
a
4
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.
Profundidad Los pilotes deben empalmarse

A lecho rocoso es para alargarse; mientras se hace Decisión correcta no hay perdida
15 mts esto, el personal y equipo para
perforar permanecerán ociosos.
Profundidad Se deberá recortar 5 mts. de cada
B lecho rocoso es Decisión correcta, no hay perdida pilote y desecharse; se perderán 270
10 mts. ml. de pilote.
Realice el diagrama de árbol correspondiente
PROBABILIDAD CONDICIONAL:
Se ilustra conforme se desarrolla el siguiente ejemplo:
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.
 Si se suministra agua potable y electricidad en exceso a la demanda efectiva, habrá un

desperdicio de capital.
 Si las instalaciones son inadecuadas habrá de hacerse cambios costosos
Para simplificar el problema, se supone que una construcción particular necesita :

 potencia eléctrica de 5 ó 10 unidades.
 Capacidad de agua 1 o 2 unidades

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.
Punto muestral Suceso simple Probabilidad estimada

por el cliente
( 5, 1 ) E5 A1 0.1
( 5, 2 ) E5 A2 0.2
( 10, 1 ) E10 A1 0.1
( 10, 1 ) E10 A1 0.6
∑ 1.00
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.
P ( A2 ) = P ( E5 A2 ) + P ( E10 A2 ) = 0.2 + 0.6 = 0.8

P ( E10 ) = P ( E10 A1 ) + P ( E10 A2 ) = 0.1 + 0.6 = 0.7
P ( A2 ∪ E10 ) = P ( A2 ) + P ( E10 ) – P ( A2 ∩ E10 ) = 0.8 + 0.7 - 0.6 = 0.90
Calculando de otra forma
P ( A2 U E10 ) = P ( E10 A2 ) + P ( E5 A1 ) + P ( E10 A1 ) = 0.1 + 0.2 + 0.6 = 0.90
Probabilidad condicional P ( A | B ):
La probabilidad condicional de un suceso A, dado que un suceso el suceso B ha ocurrido, es la relación

entre la probabilidad de la intersección de A y B, y la probabilidad del suceso B.
P(A|B)= 𝑃 (𝐴 ∩ 𝐵)
P(B)
Si la probabilidad de B es 0, entonces la P ( A ∩ B ) no está definida.
La probabilidad condicional de A es la probabilidad

que A haya ocurrido sabiendo que B ocurrió.
Como B ha ocurrido el espacio muestral ya no es S,

ahora está formado por los resultados de B; el evento
A, sucede solo si uno de los resultados de la
intersección suceden; por lo tanto la P ( A | B ) es

proporcional a P ( A ∩ 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
Si 2 sucesos no están relacionados de manera alguna, sus probabilidades particulares no se alteran, se

mantienen independientes aun si el otro ha ocurrido.
Dos eventos A y B son independientes si y solo si P ( A | B ) = P ( A )
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.
Los sucesos A, B, C, …, N son mutuamente independientes si y solo si
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.
Evento Prob asignada por el ingeniero

E5 0.2
E10 0.8
1.00
A1 0.3
A2 0.7
1.00
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
En la ecuación de probabilidad condicional donde, un conjunto de evento B1, B2,…, Bn mutuamente

disjuntos y exclusivos, se pueden desarrollar la prob., de otro suceso A de la sig., forma.
P(A)=P(AnB1)+P(AnB2)+…+P(AnBn)
= ∑𝑛𝑖=1 𝑝(𝐴𝑛𝐵𝑖)  teorema de las probabilidades totales
Esta es la probabilidad de un suceso en términos de sus probabilidades condicionales; la probabilidad de

A está condicionada a un conjunto de sucesos mutuamente excluyentes y exhaustivos; esto es útil
porque en algunas ocasiones los sumandos pueden obtenerse mas fácilmente que la prob. de A.
Una colección de conjuntos es exhaustivo si.
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
En base que su experiencia el ing., residente realiza la sig., tabla de probabilidades.
Actividad Num. De Costo Probabilidades de tiempo necesario Costo

obreros por dia para terminar operador de
construcción
Pintura 10 200 0.2 0.5 0.3 1.0 1020
Pintura 12 240 0.3 0.6 0.1 1.0 1152
Pintura 14 280 0.6 0.4 - 1.0 1232
Limpieza 10 200 0.1 0.4 0.5 1.0 1080
Limpieza 15 300 0.3 0.4 0.3 1.0 1500
Limpieza 20 400 0.6 0.3 0.1 1.0 1800
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.
Los costos minimos de construccion son para esta estrategia
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
Si el proyecto se concluye en 11 o 12 días habrá pérdidas económicas:
P11dias=0.5(0.5)+0.3(0.4)=0.37
P12dias=0.3(0.5)=0.015
La multa esperada es
Multa= 0.37($2000)+0.5($2000)(2 días)= $1340
estrategia Probabilidad Probabilidad Multa 11 Multa 12

de 11 días de 12 días días días
P10L10 0.37 0.15 740 600 1340
P10L15 0.27 0.09 540 360 900
P10L20 0.19 0.03 220 120 460
P12L10 0.34 0.05 680 200 380
P12L15 0.22 0.03 440 120 560
P12L20 0.09 0.01 130 40 220
P14L10 0.20 0 400 0 400
P14L15 0.12 0 240 0 240
P14L20 0.14 0 80 0 80
COSTOS TOTALES MULTAS COSTO

ESPERADOS E($) ESPECIALES TOTAL
P10L10 1020+1080=2100 1340 3440
P10L15 1020+1500=2520 900 3420
P10L20 1020+1300=2820 900 3220
P12L10 1152+1080=2232 880 3112
P12L15 1152+1500=2652 560 3212
P12L20 1152+1800=2952 820 3172
P14L10 1232+1080=2312 400 2712
P14L15 1232+1500=2732 240 2972
P14L20 1232+1800=3032 80 3112
Este análisis muestra una técnica de selección entre las diferentes estrategias; la mas
económica es P14L10; los costos diarios de esta estrategia seria:
P14L10 4 dias $280.00(4dias)+$200.00(4dias)=$1920
5 dias $280.00(5dias)+$200.00(5dias)=$2400
6 dias $280.00(6dias)+$200.00(6dias)=$6880
TEOREMA DE BAYES
Si E1, E2,……, Ek son eventos exclusivos mutuamente excluyentes y B es cualquier evento,
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.
Combinando la teoría de probabilidad totales y el teorema de Bayes se tiene
𝑃(𝐵|𝐴1)𝐵
Si deseamos obtener la probabilidad del evento B, a partir del diagrama de árbol tenemos
P(B)=P(A1)𝑃(𝐵|𝐴1)𝑃(𝐵|𝐴1) + 𝑃(𝐴2)𝑃(𝐵|𝐴2) + 𝑃(𝐴3)𝑃(𝐵|𝐴3)
Para obtener la probabilidad del evento A2(por ejemplo) tenemos
𝑃(𝐴2𝑛𝐵) 𝑃(𝐴2)𝑃(𝐵 |𝐴2) 𝑃(𝐴2)𝑃(𝐵|𝐴2)

𝑃(𝐴2|𝐵) = = =
𝑃(𝐵) 𝑃(𝐵) 𝑃(𝐴1)𝑃(𝐵 |𝐴1)+𝑃(𝐴2)𝑃(𝐵|𝐴2)+𝑃(𝐴3)𝑃(𝐵 |𝐴3)
Ejemplo:
Un proyecto de construcción se tiene:

A)30% de los trabajadores son peones, 10% tienen IMSS
B)40% de los trabajadores son albañiles, 20% tienen IMSS
C)20% de los trabajadores son carpinteros 40% tiene IMSS
D)10% de los trabajadores son mecánicos 60% tiene IMSS
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
por teorema de bayes se busca
𝑃(𝐶)𝑃(𝐸 |𝐶1) 0.2(0.4)

P(C)= = = 0.32 = 32%
𝑃(𝐸) 0.25
Unidad 2
VARIABLE ALEATORIA Y DISTRIBUCIONES
Variable aleatoria: una variable aleatoria X de un espacio muestral S es una función de S en el

conjunto {R} de # reales. Tales que la imagen inversa de cualquier intervalo de R es un evento
de S.
La variable discreta asigna a cada uno de los elementos del espacio muestral un número real
finito contable (Fx).
Variable aleatoria discreta: es aquella en la cual se asignan datos numéricos (valores

cuantitativos).
X= variable aleatoria; x = valor de uno de los eventos

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.
Espacio muestral continuo: contiene un número infinito de posibilidades.
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.
El comportamiento de una variable aleatoria se describe por su ley de probabilidades, la que

puede caracterizarse de varias maneras, la más común es la distribución de probabilidades que
generalmente es una lista con los posibles valores que puede tomar una variable aleatoria junto
con los resultados posibles del experimento y las respectivas probabilidades.
Función masa de probabilidades (FMP): es un conjunto innumerable y restringido de valores

que puede tomar una variable aleatoria discreta; su probabilidad es una función masa de
probabilidades (FMP); esta función se llama Px (X) de la variable aleatoria discreta X.
Ejemplo: X= variable aleatoria que representa el numero observado de vehículos que se

detienen en un semáforo.
El ing. Elige porcentajes de probabilidades.
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
Cada barra es ∝ a la probabilidad que la variable toma en ese valor.
Para que se cumplan las leyes de probabilidad se requieren las siguientes condiciones.
a) 0 ≤ f(xi) ≤ 1
b) ∑ni=0 f(xi) = 1
C) f(a ≤ x ≤ b = ∑xi≤b
a≤xi f(xi)
Función de distribución acumulada (FDA): el valor de esta función fx (X) es la probabilidad

del suceso que la variable aleatoria tome valores menores o iguales a x, entonces
Fx (X) = P[X ≤ x] = ∑𝑘Xi=≤ Px (X) ∑

 Para variables aleatorias discretas o sea aquellas que poseen (FMP)
 Es la suma de los valores de la función masa de probabilidades sobre los valores
menores o iguales a x que la variable aleatoria X puede tomar.
Fx Para
(x)
0 X< 0
0.1 0≤x
≤1
0.3 1≤x≤2
0.6 2≤x≤3
0.8 3≤x≤4
0.9 4≤x≤5
1.0 x≤
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
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) = M(x) = X1 f (x1) + X₂ f (x2) +……..Xn f (n) = media = ∑n

i=1 x f (x) Si x es discreta
∞
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.
Varianza de una variable aleatoria discreta
E (x²) = ∑ x² f (xi) = Esperanza
Varianza = E (x²) - M²x = (Esperanza)² - (Media)²

2
Desviación estándar o típica = σ x= √𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎
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.
 La media muestral describe concisamente el valor central de la variable

 La varianza muestral describe su dispersión, lo que ayuda a predecir su comportamiento.
La media y valor medio resume en un numero la información contenida en FDP a través de la

suma de todos los valores de x, del producto del valor de x y su probabilidad.
En la unidad 1 se estudió la media como:

1
X= ∑ni=0 xi
n
Si se tienen varias observaciones de cada valor xi :

ni
M = μx = ∑ri=0 xi = ∑ri=0 xi fi r = número total de valores distintos observados
n
ni = número total de observaciones xi
ni es la frecuencia observada del valor.

fi = {
n xi en la muestra
Esta es la media de una variable aleatoria ( en la unidad 1 se estudió la media muestral ); Esta
Media representa observaciones repetidas de la variable aleatoria.
La media muestral (unidad1) se calcula a partir de observaciones dadas; la Media o la

Esperanza se calcula a partir de las leyes de probabilidades (FDA, FDP y FMP) y a veces se
denomina Media de la población.
La varianza es una medida de dispersión del valor central, de una variable aleatoria, La cual
muestra la dispersión o aleatoriedad de una variable.
Las gráficas a y b tienen medias diferentes
Las gráficas b y c tienen las mismas medias pero diferentes varianzas.
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.
El coeficiente de correlación facilita la comparación entre desviación estándar y la media, y entre

variables aleatorias de diferentes unidades.
Ejemplo: Una moneda se lanza al aire 2 veces. La variable aleatoria la llamamos x y

representa el número de soles obtenidos, calcular:
a) la función de distribución
b) Media
c) Varianza
d) Desviación estándar

Probabilidad de función: f(x):1/4
punto muestra x f(x)

ss 2 1/4
as 1 1/4
sa 1 1/4
aa 0 1/4
∑=1
X= número de soles obtenidos
x 0 1 2
f(X) 1/4 1/2 1/4
1 1 1
a) FDP: + + = 1.0
4 2 4
1 1 1
b) Mx = 0 ( ) + 1 ( ) + 2 ( ) = 1
4 2 4
c) Se requiere calcular E(x 2 )

1 1 1
E( x 2 ) = (0) ( ) + (1) 2 + (2)3 ( ) = 1.5
4 2 4
V = E (x 2 ) = M 2 x = 1.5 - (1)2 = 0.5
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
La empresa perderá 1 % de los costos administrativos si construye en más de 2 plazas.
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.
1.- El expresión consiste en n ensayos que se repiten.
2.- Cada ensayo tiene dos resultados posibles éxito o fracaso.
3.- La probabilidad de éxito P es constante de un ensayo a otro.
4.-los ensayos que se repiten son independientes entre si.
Se define la variable aleatoria de Bernoulli x y se le asignan valores, por ejemplo:
X=1 si se tiene éxito es una asignacion de

X=0 si se tiene fracaso {
valores arbitrarios.
P, si x = 1
Entonces FMP de x es P x (X) { p es la probabilidad de éxito
1 − P, si x = 0
La media de la varianza aleatoria es: E(x) = (1) P + 0 (1-P) = 0
La Varianza = Var(x) = (1 - P)² p + (0-P)² (1-P) = ( 1 - P) P
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
 Se consideran 2 ensayos independientes entre sí

 solo hay 2 resultados posibles, éxito o fracaso
 en cada ensayo, la probabilidad de éxito es constante.
(𝑛𝑥) = 𝑐𝑜𝑚𝑏𝑖𝑛𝑎𝑐𝑖𝑜𝑛: 𝐶(𝑛, 𝑥)

P = probabilidad de éxito q = probabilidad de fracaso n = número de pruebas
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
si p = 2/3, entonces q = 1/3; n = 4
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 )!
b) K = 0 (40) (2/3)0 ( 1/3 )4 = 0!(4−0

4!
)!
(2/3)0 ( 1/3 )4 – 0 = 0.012 = 1.23 %;
Luego 100 – 1.23 = 98.8 %
Las probabilidades de k son 0, 1, 2, 3, 4
A cada probabilidad le corresponde un porcentaje, el porcentaje que le corresponde a 0 es 98.8 %
c) K = 3 (43) (2/3)3 ( 1/3 )4 – 3 = 39.5 %
K=4 (44) (2/3)4 ( 1/3 )4 – 4 = 19.75 %
∑ = 59.25 %
Resumen: probabilidades de 0: 1.23 %

1: 9.88 %
2: 29.63 %
3: 39.5 %
4: 19. 75 %
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.
(𝒒 + 𝒑)𝒏 = (𝒏𝟎)𝒒𝒏 + (𝒏𝟏)𝒑𝒒𝒏−𝟏 +(𝒏𝟐) 𝒑𝟐 𝒒𝒏−𝟐 …. . (𝒏𝒏)𝒑𝒏

= b (0;n, p) + b (1;n,p) + b (2; n, p) +……….b (n; n, p) +
Como p + q = 1, entonces ∑𝒏𝒙=𝟎 𝒃(𝒙; 𝒏, 𝒑) = 1
Esto es válido para cualquier distribución de probabilidad
Con frecuencia nos interesa saber la probabilidad de la variable p ( x < r ) o de la variable p ( a ≤ x ≤ b ).
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.
Solución: a) x = número de dispositivos defectuosos entre los 20.
La distribución es b = ( x, 20, 0.03 )

P (x ≥1) = 1 – p ( x – 0 ) = 1 – b (0;20,0.03) = 1 - (𝟎. 𝟎𝟑)𝟎 (𝟏 − 𝟎. 𝟎𝟑)𝟐𝟎−𝟎 = 0.4562
b) suponemos que :
*cada cargamento puede contener al menos un WC defectuoso o no.
*probar el resultado de cada cargamento sería un experimento de Bernoulli con p = 0.4502
*suponiendo que Y = # de cargamentos que contiene al menos un artefacto defectuoso.
*suponga que cada cargamento es independiente uno al otro.
Y sigue una distribución binomial:
b=(𝒏𝒙)𝒑𝒏 𝒒𝒏−𝒙 1=p–q q=1–p
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
b) X = 0 1 partido por lo menos, las probabilidades de x es: 0, 1, 2, 3,4

𝟐 𝟏
b=(𝟒𝟎)(𝟑)𝟎 (𝟑)𝟒 =0.0123 por 100% = 1.23% el porcentaje que le corresponde a cero es
100 - 1.23 = 98.77%

𝟐 𝟏
c) x=3 b = (𝟒𝟑)(𝟑)𝟑 (𝟑) = 0.395 = 39.5%
𝟐 𝟏
x=4 b = (𝟒𝟒)(𝟑)𝟒 (𝟑)𝟎 = 0.1975 = 19.75% ∑ = 59. 25 %
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:
El experimento puede ser el número de bacterias en un cultivo.
Numero de varillas producidas en un día, en una semana etc.
Características del proceso de poisson.
1. El número de resultados en un espacio de tiempo o en una región son independientes de lo que

ocurre en cualquier otro espacio de tiempo o región disjuntos; por eso si dice “el proceso de poisson
no tiene memorias”.
2. La probabilidad de que un resultado sencillo ocurra en un espacio de tiempo o región pequeña es
proporcional a la longitud del intervalo de tiempo o al tamaño de la región y no depende de los
resultados que ocurran fuera de ese intervalo de tiempo o de esa región.
3. La probabilidad de que más de un resultado ocurra en ese intervalo de tiempo corto o región pequeña
es despreciable.
X= variable de poisson, que es igual al número de resultados que ocurren en un experimento de

poisson; su distribución de probabilidad de la variable aleatoria se llama distribución de poisson.
El número de resultados promedio es la media M = λ = n p
t = tiempo específico o región de interés.
Taza de ocurrencia es p ( x ; 𝝀 t )
La distribución de probabilidades de la variable aleatoria de poisson x, que representa el número de

resultados que ocurren en un intervalo de tiempo dado o en una región específica indicada por t es:
(𝝀 𝒕)𝒙 𝒆− 𝝀 𝒕
P(x; 𝝀t)=
𝒙!
(𝝀) 𝒙 𝑒 −𝝀
P= X= número de éxitos N=número de pruebas
𝒙!
P=probabilidad de éxito λ = media = n p
Ejemplo: En un sensor de moléculas radiactivas se detectan 4 partículas radiactivas por cada

milisegundo ¿Cuál es la probabilidad que se detecten 6 partículas en el sensor radiactivo
en un milisegundo determinado.

(𝟒)𝟔 𝑒 −𝟒
P ( 6; 4 ) = 𝟔!
= .0.104195634 por 100% = 10.41% ( x = 6, λ = 4 )
Ejemplo: En un proyecto de construcción de una carretera se ha determinado que en el cadena

miento 8+640 se requieren diariamente 10 camiones de volteo de 12 metros cúbicos de
balasto; la dimensión del trabajo en ese cadenamiento es una necesidad de 15 camiones
de volteo por día máximo; ¿Cuál es la probabilidad de que un determinado día se tengan
que regresar los camiones?.
X = número de camiones de volteo que llegan por día.
λ = número máximo de camiones por día
(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:
a) Existan 2 imperfecciones exactamente.

b) Existan 2 ó más imperfecciones.
𝟑𝟎𝟎 𝟏
Si existen 2 imperfecciones exactamente: n = 300 λ = 𝟓𝟎𝟎 = 0.6 p = 𝟓𝟎𝟎
(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%
P2 = 100 - (54.8+32.9) = 12.3% probabilidad de más de dos imperfecciones en una loseta.
Distribución geométrica discreta

𝒈(𝒙; 𝒑) = 𝒑𝒒𝒙−𝟏
P=probabilidad de éxito q = número de pruebas ( x = 1, 2, 3….)
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
b) antes del cuarto intento
a) x=3 p = 70% = 0.7 q = 30% = 0.3 g = (0.7)(𝟎. 𝟑𝟎)𝟐 = 𝟎. 𝟎𝟔𝟑 = 𝟔. 𝟑%
b) x=2 g = (0.7) (𝟎. 𝟑)𝟏 = 𝟎. 𝟐𝟏 (𝟏𝟎𝟎%) = 𝟐𝟏%
x=1 g = (0.7) (𝟎. 𝟑)𝟎 = 0.7 (100%) = 70%
= ∑ 𝟔. 𝟑% + 𝟐𝟏% + 𝟕𝟎% = 97.3%
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.
f(x) es una función de los valores numéricos de la variable continua x.
Función de distribución acumulada. de una variable aleatoria continua x es:

𝒙
Fx (X) = P (X ≤ x ) = ∫∞ 𝑓(𝑡) 𝑑t = 1, 𝑝𝑎𝑟𝑎 − ∞ < 𝑥 < ∞
Función de densidad de probabilidad o probabilidad que varia con x.
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
Valor esperado para variable continúa.
Valor esperado (varianza): E(x ) = M = ∫𝑅 𝑥𝑓(𝑥)𝑑𝑥
Varianza: var. (x) = ∫𝑅 x 2 𝑓(𝑥) 𝑑𝑥 − 𝑀2
Desviación estándar: σ x = √var(x)

Ejemplo: Sea x una variable aleatoria continua con la siguiente distribución.
1
si 0 ≤ x ≤ 8
F(x)={ 2
0 en cualquier otra parte
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
d) 𝜎(𝑥) = √0.31 = 0.556
Ejemplo: Sea x una variable aleatoria continua con la siguiente distribución:

1
𝑠𝑖 0 ≤ 𝑥 ≤ 8
{ 8 Hallar: 𝑎) 𝑃(2 ≤ 𝑥 ≤ 5)
𝑜 𝑒𝑛 𝑜𝑡𝑟𝑎 𝑝a𝑟𝑡𝑒
𝑏) 𝜎𝑥
5𝑥 𝑥 2 5 1
a) P(2 ≤ x ≤ 5) = ∫2 𝑑𝑥 = | = − = 0.375
8 8 5 8 4
b) σ x = √var(x) var. (x) = ∫𝑅 x 2 𝑓(𝑥) 𝑑𝑥 − 𝑀2

8
𝑥 𝑥2
M = ∫ 𝑭(𝑿) 𝒅𝒙 = ∫ 𝑑𝑥 = =4
0 8 16
8
𝑥2 𝑥2 8
Var x = ∫ 𝑑𝑥 − 16 = [ − 16 = 5.33
0 8 16 0
𝜎𝑥 = √5.33 = 2.3
Distribución normal (distribución gaussiana)
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.
La fórmula de una variable aleatoria X con función de densidad de probabilidad es:
−(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
De igual forma E(x) = M y V(x) = σ2
La M y la σ determinan la forma de la función de

densidad de probabilidad, esta grafica es en forma de
campana; la M determina el centro de la función y la σ
determina la dispersión; f(x) (x; M, σ) siempre es
positiva, su área es 1 en el intervalo -∞ < 𝑥 < ∞, su
valor máximo es (√2πσ).
Funciones para densidad de probabilidad normal para

distintos valore de los parámetros M y σ2 .
La distribución normal es una distribución

probabilística para variables aleatorias contínuas, la
cual tiene simetría perfecta en forma de campana
unimodal.
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
Distribución normal estándar:
Cuando crece la desviación estándar la curva se aplana en

caso contrario se hace puntiaguda o compacta alrededor de la
media.
Para determinar la probabilidad de que x tome un valor entre

a y b se determina el área bajo la curva en el intervalo a y b.
Una marca estandarizada t indica (en unidades de desviación

estándar ) a que distancia se encuentra una marca particular
de la media, a la izquierda o a la derecha de la media.
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.
Con estas marcas se puede comparar diferentes

mediciones.
Ejemplo de estandarización: Jorge tiene calificación 70 en un examen de matemáticas; el examen tiene

M = 70 y σ = 10; Elena toma un examen mayor y obtiene 350 de calificación, dicho examen tiene M = 300
y σ = 20, ¿Cómo hacer para comparar las calificaciones?
Se deben estandarizar ambas calificaciones para hacer una comparación significativa.
𝑥−𝑀 70−50 𝑥−𝑀 350 −300

Jorge t= = =2 Elena t= = = 2.5
𝜎 10 𝜎 10

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
B ) entre t = -1.97 y t = 0.86
a) El área bajo la curva es 1 – el área en la tabla A.3 a la izquierda

de z = 1.84; Según tablas el área es 0.9671
Área a la izquierda es 1 - 0.9671 = 0.03229
b) Área entre t = - 1.97 y t = 0.86
T= - 1.97 = 0.0244
T = 0.86 = 0.8051
El área que se busca es
0.8051 - 0.0244 = 0.7807
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
Entonces de la tabla A.3 se tiene x = 0.52
b) el área total a la izquierda de ( por tabla ) de

- 0.8 = 0.4286
el área total entre x y - 0.18 es 0.4197
0.4287-0.4197=0.0089
Por tanto de la tabla A.3 tenemos que x = - 2.37

Ejemplo: En un examen de probabilidad la calificación media es 72 y la desviación típica es 15;

determine en unidades estándar las calificaciones de los alumnos que obtuvieron 60, 93, y 72 de
puntuación.
a) Calificación 60: Media es = 72 Desviación típica: 15

60−72
t= 15
= −0.80
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
d.2) 1.6 X = ( 1.6 ) ( 15 ) + ( 72 ) = 96
Ejemplo Encuentre el área bajo la curva para cada uno de los siguientes casos.
a) área entre t = 0 y t = 1.2 P(0 ≤ t ≤ 1.2)
Por tablas
La probabilidad negativa es 0.5.
Por tablas 1.2=0.8849-0.5 =0.3849
0.3849 es la probabilidad de que t se encuentre entre 0 y 1.2
el área bajo la curva entre 1-0.68 y 0 P(-0.68≤t≤0)
Por tablas; 0.2483 0.5+0.2483=0.2517
c) el área entre t=-0.46 y t=2.21
1) Área entre t=-0.46 y t=0 =0.3225
2) Área entre t=0 y t=2.21 =0.4864

Área total=0.8092
d) área bajo la curva que esta entre t=0.81 y t =1.94
t=0.81⟶0.2910
t=1.94⟶0.4738
Área requerida es: 0.4738-0.2910=0.1828
e) Área que se encuentra a la izquierda de t=-0.6
t=-0.6 0.2743
f) Área que se encuentra a la derecha de t=-1.28
t= -1.28 0.1003
0.5
t ≥ μ = 0.6003
f)
g) El área que está a la derecha de t=2.05=0.4798

0.0749
El área que está a la izquierda de t=-1.44=0.5547

T=-1.44=0.0749
El área a la derecha es: 0.4251
El área total es 1.0
El área requerida es 1-.4251-0.4798=0.0951
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)
Encuentre la probabilidad con una media de 108.2 o más alta
108.2 − 100
t= = 0.8 0.2939
10
Luego P(x>108.2)=p(t>0.82)
=0.5-0.2939
=0.2061

Esta es la probabilidad de que la media sea mayor que 0.82
c)
¿Cuál es la probabilidad de obtener una observación entre 111 y 115
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)
tienen un peso inferior a 100 kg

100−155
t= 20
=-2.75 .4970
p(x≤ 100) ∴ 0.5 − 0.4970 = 0.003
N=2000 sacos (0.003)=6 sacos pesan menos de 100 kg
b)
Cuantos sacos pesan entre 120kg y 130kg?
120 − 155
t120 = −1.75 0.4599
20
130 − 155
t130 = = −1.25 0.3944
20
0.4599-0.3944=0.0655=6.55%
2000 sacos (6.55%)=131 sacos pesan 120y 130kg
Cuantos sacos pesan más de 200 kg
200 − 155
t= = 2.25 0.4878
20
0.5 (0.4870)=0.0122
2000(0.0122)=24 pesan más de 200kg
Tarea para segunda unidad
UNIDAD 3 ESTADÍSTICA DESCRIPTIVA Y TEORÍA DEL MUESTREO
3.1 FRECUENCIAS Y FRECUENCIAS RELATIVAS Y ACUMULADAS:
DISTRIBUCIÓN DE FRECUENCIA.
♦ Datos cualitativos son medidas de características de cualidades, asociados con la unidad de

observación (sexo, filiación política, color de cabello, etc.…)
♦ Datos cuantitativos: son números obtenidos de mediciones hechos sobre unidades de observación,
representan cantidades y valores (áreas, volúmenes, velocidades.)

Frecuencia: es el número de veces que ocurre un valor particular o fenómeno.
Frecuencia de intervalo: es el numero de valores que caen dentro del intervalo.
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.
Fi= frecuencia de una clase dada.
N= No. Total de mediciones en un conjunto
♦ Ejemplo para frecuencia de datos cuantitativos
Número anual de muertes en carretas de México.

𝑓𝑖
Intervalo de clase = i Frecuencia = fi Frecuencia relativa = 𝑁
∗ 100%
Entidad Numero de accidentes Porcentaje total de

accidentes
D.F. 1200 2.0
Monterrey 60 0.1
Guadalajara 780 1.3
Puebla 520 0.866
. . .
. . .
Totales 60 000 100%
♦ Ejemplo de frecuencia para datos cuantitativos de peso de bebes, nacidos en hospital central.
Intervalo de clase i Frecuencia fi Frecuencia

relativa
𝒇𝒊
𝑵
Peso en Kg. Numero de bebes Porcentaje

Menor de 2.2 2 4
Mayor de 2.2 y menos que 3.1 25 51
Mayo que 3.1 y menor que 4.0 18 57

Mayor que 4.1 4 8

Lo mas difícil es definir y crear los intervalos de clase; por el rango de valores siempre presentan
fronteras naturales de clase.
Los intervalos se definen arbitrariamente, se pueden utilizar tres criterios:
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
Hay demasiados intervalos
6
Serie 3
5
Serie 2
4 Serie 1
3
0
Categoría 1 Categoría 2

Hay pocos
Formas básicas para distribución de frecuencias.
Tabla de Sturge
Numero de valores en el conjunto Numero apropiado de intervalos de

clase
10 a 100 4a8
100 a 1000 8 a 11
1000 a 10 000 11 a 14
Ejemplo porciento de impurezas en agua, recolectada en pozos rurales.
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
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.
Intervalo de clase i conteo Frecuencia fi Frecuencia relativa

𝒇𝒊
∗ 𝟏𝟎𝟎%
𝑵
4.5 - 9.5 3 3 7.5
9.51 – 14.5 14 14 35
14.51 – 19.5 12 12 30
19.51 – 24.25 9 9
24.51 – 29.5 2 2
MEDIDAS DE TENDECIA CENTRAL
Medida de posición: es un numero de representa la medida central o la posición mas representativa en

un conjunto.
Media (media aritmética): es el promedio aritmético de un conjunto de mediciones

𝑁
𝑀 = ∑ Xi
𝑖=1
Xi= Es el elemento individual en el conjunto
M= Media del conjunto de mediciones

N= Número total de mediciones en el conjunto
MEDIANA (Md)
Es el numero que se encuentra a la mitad ordenado, si el numero de mediciones es impar la mediana

esta exactamente a la mitad; si el numero de mediciones es par, existen 2 números a la mitad en este
caso la mediana es el promedio de ambos
Moda (Mo)
Es el numero que se presenta con mayor frecuencia en un conjunto de mediciones; un conjunto de

mediciones podría tener más de una moda.
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.
La media es el centro físico del conjunto
Ejemplo:
Encontrar la media del conjunto numérico: 1,1,2,3,4,4

1+1+2+3+4+4 15
𝑀= 6
= 6
= 2.5 este es el punto de balance para estos valores
4.5
3.5
2.5
1.5
0.5
Graficamente es igual a 2.5
Ejemplo : encuentre la media de 1,3,4,7,8,9,9.

1+3+4+7+8+9+9 41
𝑀= 7
= 7
= 5.857

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.
En estos casos es mejor que la mediana como mejor posición.
Md.
Existen las siguiente medias 4,1,6,20,3.
Encontrar la mediana ordenando los datos queda: 1,3,4,6,20.
N es impar, Md se toma exactamente a la mitad
20 es un valor extremo pero no afecta la Md.
Ej. Encontrar la media de 6,2,17,3,4,10,11,11.
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.
Ej. Conjunto de mediciones : 1,3,4,4,7,3,3,4,2,7,8,3,1
Organizándola en una tabla de frecuencia:
Media Conteo
1 2
2 1
3 4moda
4 3
7 2
8 1
En un conjunto de mediciones 22,26,27,27,23,23,27,22,28,22,28,30,29,25.
Media Conteo
22 3moda
23 2
25 1 bimodal
26 1
27 3moda
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
Asimétrica ala izquierda unimodal Asimétrica a la derecha unimodal.
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.
Una seri de tiempo es un conjunto de observaciones tomadas en momentos de tiempos específicos,

generalmente en un intervalos iguales ejemplos(precio diario del euro, precio diario del petróleo).
Las características mas comunes del promedio móvil son:
1. Se calcula un cierto de tiempo

2. Cuando el periodo de tiempo es muy corto, la probabilidad de un dato falso aumenta.
3. Periodos de tiempos largos produce una menor sensibilidad al promedio.
El promedio móvil es un cuerpo de datos cambiante, a veces se llama móvil aritmético; existen 4 tipos de
promedios móviles:
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
Promedio móvil simple
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.
Tendencia a largo plazo Movimiento cíclico a largo plazo

Movimientos cíclicos estacionales y tendencia a largo plazo
Promedio móvil ponderado
Ciertos puntos se ponderan mas o menos que otros , según de considere conveniente a la experiencia.
Dados los números: 2,6,1,5,3,7,2.
Un promedio móvil de orden 3 está dado por la secuencia:
2+6+1 6+1+5 1+5+3 5+3+7 3+7+2

, , , ,
3 3 3 3 3
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”.
Si se utilizan medias aritméticas ponderadas en la secuencia de la Ec. Con pesos especificados de

antemano, entonces la secuencia resultantes conoce como promedio móvil ponderado de orden N, por
ejemplo si lo pesos 1,4 y 1 se utilizan en el anterior , un promedio móvil ponderado de orden 3 está
definido por la secuencia.
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
Calcule la media armónica de: 34,27,45,55,22,34.

6
H= = 33.0818
1 1 1 1 1 1
+ + + + +
34 27 45 55 22 34
Media geométrica G
De un conjunto de observaciones es la raíz n-esima de su producto, donde todas las observaciones

deben ser positivas.
𝑛
𝐺 = √𝑋1 ∗ 𝑋2 … ∗ 𝑋𝑛
Ejemplo
Calcular la media geométrico de 34,27,45,55,22,34

6
𝐺 = √34 ∗ 27 ∗ 45 ∗ 55 ∗ 22 ∗ 34 =34.545
Relación entre media Armónica, media geométrica y media
H≤G≤M
La igualdad sucede solo cuando los datos o letras son iguales.
Ejemplo: calcular HGM de 3,5,6,6,7,10,12.
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
No hay igualdad, no hay relación.
Una lista de datos mediana es el promedio de los valores de en medio, que divide al conjunto en dos
partes iguales.

Cuantiles
Es el conjunto de formas que dividen lo datos en partes iguales.
Cuartiles
(Q1,Q2,Q3) divide el conjunto de datos en 4 partes iguales, que son el primero. Segundo y tercer cuatil
respectivamente
Deciles
Divide los datos en 10 pares iguales. Y se denotan por D1, D2,…D9.
Percentiles
Divide al conjunto en 100 partes iguales. Y se denotan por P1,P2,…P99.
Ejemplo
Obtenga el Q1, Q2, Q3, D9 y P95.
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
Solución ordenando datos de menor a mayor
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
37+38 57+57 75+74 𝑛𝑃 60∗90

𝑃25 = 𝑄1 = = 37.5 𝑄2 = = 57 𝑄3 = = 77 𝑖 = = = 54 𝑑𝑎𝑡𝑜𝑠
2 2 2 100 100
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 de un conjunto de números
Es la diferencia entre el dato mayor y el menor del conjunto.
Ejemplo conjunto: 2,3,3,5,5,8,10,12.
Rango = 12-2 = 10
A veces el rango solo se indica: de 2 a 12 o 2-12
Desviación media
𝑛
( ∑𝑖=1 ∣ xj − x⃑∣∣ ) (∑ ∣ x − x⃑∣∣∣ )
DM = n
= n
= ∣ x − x⃑ ∣
x⃑ = media aritmética de los números
∣ xj − x⃑ ∣ = valor absoluto de la deviación de Xj respecto a x⃑
Ejemplo
Encontrar la desviación media del conjunto: 2,3,6,8,11.

2+3+6+8+11 ∣2−6∣+∣3−6∣+∣8−6∣+∣6−6∣+∣11−6∣ 4+3+2+0+5 14
x⃑ = = 6 x⃑ = = = = 2.8
5 5 5 5
Desviación estándar(S) de un conjunto de datos x1, x2,…,xn
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
Si dj=xj-a=desviación de xj respecto a una constante arbitraria A
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
Encuentre la desviación estándar de 12,6,7,3,15,10,18,5.

12+6+7+3+15+10+18+5
𝑥= 8
= 9.5 √(𝜮(𝒙𝟐 − 𝒙)²)/𝑵 𝑠=
√((𝟏𝟐 − 𝟗. 𝟓)𝟐 + (𝟔 − 𝟗. 𝟓)𝟐 + (𝟕 − 𝟗. 𝟓)𝟐 + ⋯ + (𝟓 − 𝟗. 𝟓)𝟐 )

𝟖
Momentos
Dados N valores X1, X2, X3…,Xn ya que forma la variable X, se define la cantidad.
𝑥1𝑟 +𝑥2𝑟 +⋯+𝑥𝑛

𝑟
(𝑥)
𝑥= = ∑𝑁 𝑟
𝑗=1 𝑥𝑗 = ∑  Ecuación 1
𝑁 𝑛
Es el r-enesimo momento respecto de cero.
El primer momento donde r=1 es la mediana aritmética 𝒙
El r-enesimo momento, respecto a la 𝒙 media aritmética es:
(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
El r-enesimo momento respecto a cualquier origen A es:
(𝑥𝑗 − 𝐴) (𝑥
𝑚𝑟 = ∑𝑁
𝑗01 = ∑ − 𝐴) = ∑ 𝑑 = (𝑥 − 𝐴 )  Ecuación 3
𝑁 𝑁 𝑁
D=x-a; son las desviaciones de las X respecto de Aj si a=0, la ec 3 se reduce a la ecuación 1

Momentos para datos agrupados
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
Como m1=, m2=s² se tiene a1=0y a2=1
curtosis k: indica cuan puntiaguda es la curva de distribución normal:
 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
para distribuciones normales b₂ = α₄=3
otra forma de calcular k
Rango
𝑄 1
𝐾 = 𝑃90𝑃10 𝑑𝑜𝑛𝑑𝑒 𝑞 = 2 (𝑞3 − 𝑞1)
Semi-intercuartil
k= coeficiente percentil de curtosis ; para distribuciones normales k=0.263
Ejemplo dado el conjunto: 2,3,7,8,10
Calcular: m1, m2, m3, m4

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
Calcular m1, m2, m3, m4, con respecto a la media
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
Unidad 4 INFERENCIA ESTADISTICA

 Estimación puntual y por intervalos de confianza
 Estimación de la media, de la diferencia de medias, de la proporción y de la diferencia de
proporciones
 Determinación del tamaño de la muestra
 Prueba de hipótesis
 Pruebas unilaterales y bilaterales pruebas para medias y diferencia de medias
 Distribución t de student
 Distribución de ji cuadrada
Estimación de intervalos de confianza

Sean Ms: media de la distribución de muestreo.
𝜎: Desviación típica de la distribución de muestreo.
Si el número de muestreos es N≥30, entonces podemos confiar en encontrar Ms en los

siguientes intervalos.
Intervalos intervalo de confianza límite de confianza para s
Intervalos Intervalo de confianza Límite de

confianza para
s
Ms – 𝝈
a 68,27%
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
Los límites extremos de cada intervalo se denominan “Límites de confianza” o fiduciales.
Zc = coeficiente de confianza o valores críticos.
Limites de confianza para proporciones.
𝑝𝑞 √𝑃(1−𝑝)
P± 𝑍𝐶 √ 𝑛 = P ± 𝑍𝑐 𝑁
PARA MUESTRA DE POBLACIÓN INFINITA Ó FINITA CON REPOSICIÓN
p= probabilidad de éxitos.
Q= probabilidad de fracasos.
P= proporción de éxitos.
N=tamaño de la muestra.
PARA POBLACIÓN FINITA Y SIN REPOSICIÓN.
𝑝𝑞 𝑁𝑝−𝑁
P ±𝑍𝑐√ 𝑛 √ 𝑁−1
INTERVALOS DE CONFIANZA PARA SUMAS.
S1 y S₂= estadísticas muéstrales con distribución de muestreos aproximadamente normales.
LIMITES DE CONFIANZA PARA DIFERENCIAS DE LOS PARÁMETROS DE LA

POBLACIÓN. CORRESPONDIENTES A S₁ Y S₂
s₁ - s₂ ± Zc 𝜎s₁ - s₂=s₁ - s₂ ± Zc √𝜎² + 𝜎²
LIMITES DE CONFIANZA PARA SUMAS.

s₁ - s₂ ± Zc 𝜎 s₁ + 𝜎s₂= s₁ + s₂ ± Zc √𝜎s₁2 + 𝜎s₂2

Limites de confianza para la diferencia de Z proporciones poblacionales con poblaciones
infinitas.
√P₁+1−P₁ P2 (1−P₂
P₁ -P₂ ± Zc 𝜎 P₁ -P₂= P₁ -P₂+ 𝑍𝑐 +
𝑁₁ N₂
P₁, P2 = 2 proporciones muéstrales.
N₁, N₂= Tamaño de las 2 muestras.
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
b) La estimación sin sesgo y coeficiente de la media verdadera (de la población) es:

𝑁 Σ (𝑥 −𝑋̅ )²
ŝ²= 𝑁−1 s² = 𝑁−1
(6.33−6.35)2 +(6.37−6.35)2 +(6.36−6.35)2 +(6.32−6.35)2 +(6.37−6.35)²

ŝ²= = 0.00055
5−1
Estimación sin sesgo e ineficiente para la verdadera media.

La mediana en una buena medida; ordenando por magnitud Md= 6.36
EJEMPLO DEL CALCULO PARA INTERVALOS DE CONFIANZA PARA MEDIAS

Las medias de los diámetros de una muestra aleatoria de 200 bolas de rodamiento
(balines) producidas por una maquina en una semana dieron una medida de 0.824 cm.
Con una desviación típica de 𝜎 = 0.042 cm. Hallar el limite confianza para el limite medio,
para todas las bolas.
a) 95%
b) 99%
a) Los límites de confianza para 95% son:
1.96𝜎𝑠 𝑠
X ±= = 𝑥 ± 1.96 √𝑁
√𝑁
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
c) Limite por 98%, 90%, 99.73%

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
EJEMPLO PARA INTERVALO DE CONFIANZA PARA PROPORCIONES.
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%
a) 95% de la población p son

𝑝(1−𝑝)
P ± 1.96 𝜎 =p = p±1.96√ 𝑁
√0.55∗0.45
= 0.55±1.96 = 0.55 ±0.10
100
 se utiliza la población maestral P para encontrar p.
√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
EJEMPLO INTERVALOS DE CONFIANZA PARA DIFERENCIA Y SUMAS.

En una muestra de 150 lámparas tipo A Con una Media de 1,400 hrs. y desviación típica de 120
hrs.
Otra muestra de 200 lámparas tipo B con una Media 1,200 hrs. y desviación típica de 80 hrs.
Encuentra los límites de confianza para.
a) 95%
b) 99%
Para la diferencia de las vidas medias de la población de ambos tipos.
Limites de confianza para la diferencia entre medias tipo A y B
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.
Muestra con o sin reposición: Se hace extracción de un elemento de la población y se devuelve

o no antes de la segunda extracción.
Población finita: Cuando existe un número de elementos.
Población infinita: Cuando no existe un número de elementos.
Prueba de hipótesis: En la práctica tomamos decisiones sobre poblaciones basadas en el

conocimiento en que se tiene la muestra; estas son decisiones estadísticas, para ello se realizan
hipótesis estadísticas (conjeturas) que pueden ser ciertas o no.
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.
Contraste de hipótesis Procedimientos que ayudan a determinar si
Contrastes de significación las muestras observadas difieren significativamente

Reglas de decisión de los resultados esperados.
H0 es verdadero H0 es falso
No rechace H0 Decisión correcta Error tipo II
Rechace H0 Error tipo I Decisión correcta
Error tipo I: Rechaza una hipótesis cuando debió ser aceptada.
Error tipo II: Acepta una hipótesis que debió ser aceptada.
Nivel de significancia: Es la probabilidad de cometer un error tipo I ∝
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.
NIVEL DE SIGNIFICACIÓN DE SIGNIFICACIÓN DEL CONTRASTE ∝
En cuando damos la máxima probabilidad a una hipótesis y estamos dispuestos a correr el

riesgo de cometer un error tipo I; este nivel se especifica antes de tomar la muestra (los
resultados no influyen nuestra decisión) en la práctica se usa entre el 5% y el 1%.
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.
Existe 5% de oportunidades de rechazar la hipótesis.
CONTRASTES CON LA DISTRIBUCIÓN NORMAL
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.
Basados en esto se formula la regla de decisión:

1. Rechazar la hipótesis al nivel de significancia 0.05 si el valor de Z para el estadístico S,
esta fuera del rango -1.96 a 1.96; Equivale a decir que el estadístico muestral es
significativo al nivel 0.05.
2. Aceptar la hipótesis en caso contrario (o no tomar una decisión)
Z es un estadístico de contraste; se puede utilizar niveles de significación. Cuando el nivel
de interés del contraste está a ambos lados de la curva se llama prueba bilateral o de
dos colas.
Cuando el nivel de contraste a un lado se llama prueba unilateral o de una cola.
Nivel de 0.10 0.05 0.01 0.005 0.002

significancia
-1.28 -1.645 -2.33 -2.58 -2.88
Valores críticos de ó ó ó ó ó
Z para test 1.28 1.645 2.33 2.58 2.88
unilateral
- -1.96 -2.58 -2.81 -3.08
Valores críticos de 1.645 ó ó ó ó
Z para test ó 1.96 2.58 2.81 3.08
bilateral 1.645
Todos los casos son para poblaciones infinitas o por muestreo con repetición.
PRUEBA PARA MEDIAS

S= 𝑋̅ = Media muestral
M 𝑋̅ = M= Media de la población
𝜎
𝜎𝑠 = 𝜎𝑥̅ =
𝑁
𝜎= Desviación típica de la población

𝑁= Tamaño de la muestra
𝑋̅ − M
𝜎 𝑍=
𝑁
̂
Cuando sea necesario se usa la desviación muestral S ó 𝑺
PRUEBA PARA DIFERENCIA DE MEDIAS
𝑋̅1 y 𝑋̅2 = medias muestrales obtenidos en grandes muestras de tamaño N 1 y N2

tomados de poblaciones con respectivas medias M1 y M2 y desviaciones típicas 𝜎1 y 𝜎2
Se considera la hipótesis que “No hay diferencia entre las medias”
M1 = M2
DISTRIBUCION DE MUESTREO DE DIFERENCIA DE MUESTRAS

M𝑋1 - M 𝑋̅2= 0 y 𝜎
̅
𝜎1 2 𝜎22
𝑋̅ 1−𝑋̅2 = √ +
𝑁1 𝑁2
con esto se puede contrastar la hipótesis nula frente a la hipótesis alternativa.
𝑋̅ 1 − 𝑋̅ 2
𝑍=
𝜎𝑋̅ 1 − 𝜎𝑋̅ 2
PRUEBA PARA PROPORCIONES

S=P Proporción de éxitos en una muestra
MS= MP= P P es la proporción de éxitos en una población
N= Tamaño de la muestra
𝑝𝑞
𝜎s= 𝜎p =√ 𝑛 q= 1-p
𝑃−𝑝
Z= 𝑝𝑞
√
𝑁
𝑋
Cuando P= 𝑁 , donde X es el número real de éxitos en una muestra
𝑋̅ −𝑁𝑝
Z se calcula así 𝑍 =
√𝑁 𝑝𝑞
Esto es:
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 
N P1  N 2 P 2 Se usa como estimación para la proporción poblacional

p 1
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.
P= probabilidad de curación del fármaco

H0= p=0.9 “la afirmación es correcta”
H1=p<0.9 “la afirmación es falsa
 Se elige el contraste de una cola tomando el nivel de significación de 0.10 Zc= -1.28
 Se adopta como regla de decisión
 Si Z<-1.28, no es legitima la hipótesis
200----180 personas
160 personas si fue efectivo
Si H0 es verdadero
M  NP  200(0.9)  180 personas
  Npq  (200)(0.9)(0.1)  4.24

  4.24
DEPARTAMENTO DE CIENCIAS DE LA TIERRA
 4.72  1.28la _ afirmacion _ es _ falsa
CARRERA DE INGENIERIA CIVIL
 El estándar para 160 personas es
Ejemplo 2.
160  180
unaempresa
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”
Para un nivel de significancia de 0.1 la regla de decisión es

Si Z observando es mayor a 1.28el resultado es significativo y se rechaza H 0
En caso contrario se acepta H0
X M 1850  1800
Z   3.54
 100
N 50
3.54  1.28
El resultado es altamente significativo y la hipótesis puede mantenerse
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
xM xM
t  N 1 
S 
N
Para muestras pequeñas con población normal se calcula t utilizando la media de x y S ó Ŝ;

puede obtenerse la distribución de muestreo para t, esta distribución viene dada por student.
Y0 Y0 Y0= constante que depende de N de tal forma que el
y N
 (V 1) área de la curva sea 1rados de libertad
 t 
2 2  t 2 2 V=(N-1)= Numero de grados de libertad
1 
 N  1 
 V
1
   
Fórmula para ajustar las curvas cuando V o N> 30
t2
1 2
y e
2

Distribución t de student para valores de V
Los valores de t se obtienen por tabla (apéndice 3, libro Schawm)
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
La distribución de muestras Ji – cuadrada está dada por

 
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
Y0 depende de V1 tal que el área bajo la curva es 1
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
UNIDAD 5 ANALISIS DE REGRESION y CORRELACION
5.1 Regresión lineal simple, curvilínea y múltiple.
5.2 Correlación.
5.3 Regresión y correlación para datos agrupados.
5.4 Correlación por rangos.
5.5 Coeficiente de correlación para datos nominales.


Probabilidad y Estadistica Unidad 1 2

Caricato da

Informazioni sul documento

Titolo originale

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

Probabilidad y Estadistica Unidad 1 2

Caricato da

Copyright:

Formati disponibili

INSTITUTO TECNOLOGICO DE PACHUCA DEPARTAMENTO DE CIENCIAS BASICAS

CONTENIDO POR UNIDAD DE LA MATERIA:

Unidad 1 Teoría de la probabilidad

DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL

3.5 Muestreo no aleatorio: dirigido, por cuotas, deliberado.

DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL

Francamente no es variado ni versátil el material desarrollado para el estudio de la Probabilidad y la

Un Ingeniero Civil resuelve problemas de interés aplicando eficientemente principios científicos; La

Para estudiar un fenómeno de interés, un proceso constructivo o de investigación, necesitamos

1. Descripción clara y concisa del problema

Descripción clara del problema

Identificar factores importantes

Proponer o refinar un modelo Realizar experimentos

Entonces resulta evidente la importancia de adquirir y dominar ciertos conocimientos de Estadística y

DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL

1.1 Conjuntos, operaciones de conjuntos leyes y sus representaciones

A ⊄ B, A no es un subconjunto de B ( por lo menos un elemento de A no pertenece a B )

A ⊂ B, el disco A está completamente dentro del disco B

DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL

A y B son disjuntos, no tienen elementos en común.

A y B son conjuntos arbitrarios, es posible que:

Operaciones con conjuntos:

Intersección de dos conjuntos A y B: A ∩ B, es el conjunto de los elementos que pertenecen tanto a A

Complemento relativo de un conjunto B con

respecto a un conjunto A, o sencillamente la

diferencia de A y B, denotada por A\ B, es

LEYES DEL ALGEBRA DE CONJUNTOS

1a) A ∪ A=A 1b) A ∩ A=A

4 a) A ∪ ( B ∩ C ) = ( A ∪ B ) ∩ ( A ∪ C ) 4b) A∩ (B∪C)=(A∩ B)∪(A∩ C)

5 a) A∪∅=A 5b) A∩U=A

6 a) A∪U=A 6b) A∩∅=∅

10 a) ( A ∪ B)C = AC ∩ BC 10b) ( A ∩ B)C = AC ∪ BC

CONJUNTOS FINITOS, PRINCIPIOS DE CONTEO

Un conjunto es finito si contiene exactamente m elementos diferentes donde m es un entero no negativo,

 El conjunto vacío es un conjunto finito

Si A es un conjunto finito, n (A) es el número de elementos de A.

Si A y B son conjuntos finitos disjuntos, entonces A ∪ B es finito y n (A ∪ B ) = n (A) + n (B).

TEOREMA: Si A y B son conjuntos finitos entonces A ∪ B y A ∩ B son finitos, y entonces tenemos n

Si A, B y C son conjuntos finitos, entonces A ∪ B ∪ C, también es un conjunto finito, y tenemos.

n(A∪B∪C) = n(A) + n(B) + n(C) – n (A ∩ B) – n ( A ∩ C) – n (B ∩ C ) + n ( A∩ B∩ C)

65 estudian francés 45 estudian alemán 42 estudian italiano

20 estudian francés y alemán 25 estudian francés e italiano 15 estudian alemán e italiano

a) Encuentre el número de estudiantes que estudian los 3 idiomas simultáneamente.

Definamos: F = { conjunto de los estudiantes de francés }

A = { conjunto de los estudiantes de alemán }

I = { conjunto de los estudiantes de Italiano }

n ( F ∪ A ∪ I ) = 100, por lo menos 100 alumnos estudian un idioma)

n ( F ) = 65; n ( A ) = 45; n ( I ) = 42; n ( F ∩ A ) = 20

100 – 92 = n ( F ∩ A ∩ I ); por tanto, 8 estudian los 3 idiomas simultáneamente, luego,

20 – 8 = 12, estudian francés y alemán pero no italiano

25 – 8 = 17, estudian francés e italiano pero no alemán

15 – 8 = 7, estudian alemán e italiano pero no francés

65 – 12 – 8 – 17 = 28, estudian solamente francés

45 – 12 – 8 – 7 = 18, estudian solamente alemán

42 – 17 – 8 – 7 = 10, estudian solamente italiano

120 – 100 = 20, no estudian ningún idioma

DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL

1.2 Introducción a la probabilidad

• puede apreciarse fácilmente la localiza--

DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL

Si existe un número finito de observaciones en la población, entonces la Media Poblacional es

S2 = ∑𝑛𝑖=0(𝑋𝑖 − 𝑋)2 La desviación estándar muestral S es la raíz cua--

Entre mayor sea la variabilidad en los datos de la fuerza

n(AB) = n(A) n(B);