Contenido

TEORIA DE MUESTREO ........................................................................................................................ 2

TABLA DE DISTRIBUCIÓN DE FRECUENCIAS ........................................................................................ 7
MODELOS PROBABILÍSTICOS:.............................................................................................................. 8
ALGEBRA DE CONJUNTOS ................................................................................................................. 10
CLASIFICACIÓN DE EVENTOS ............................................................................................................. 18
TABLAS DE CONTINGENCIA ............................................................................................................... 21
TABLA DE PROBABILIDAD:................................................................................................................. 23
PROBABILIDAD CONDICIONAL .......................................................................................................... 26
DIAGRAMA DE ÁRBOL ....................................................................................................................... 27
OPERACIONES EN PROBABILIDADES: ................................................................................................ 29
TEOREMA DE BAYES .......................................................................................................................... 34
REGRESIONES LINEALES SIMPLES:..................................................................................................... 37
Lista de referencias ........................................................................................................................... 44
TEORIA DE MUESTREO

Concepto e importancia: Es la actividad por la cual se toman ciertas muestras de una población de
elementos de los cuales vamos a tomar ciertos criterios de decisión, el muestreo es importante
porque a través de él podemos hacer análisis de situaciones de una empresa o de algún campo de
la sociedad.

Los símbolos usados para representar los estadísticos y los parámetros, en éste y los siguientes
capítulos, son resumidos en la tabla siguiente:

Símbolos para estadísticos y parámetros correspondientes

Medida Símbolo para el estadístico Símbolo para el parámetro

(muestra) (Población)

Media X µ

Desviación estándar s

Número de elementos n N

Proporción p

DISTRIBUCIÓN EN EL MUESTREO:

Cuando el tamaño de la muestra (n) es más pequeño que el tamaño de la población (N), dos o más
muestras pueden ser extraídas de la misma población. Un cierto estadístico puede ser calculado
para cada una de las muestras posibles extraídas de la población. Una distribución del estadístico
obtenida de las muestras es llamada la distribución en el muestreo del estadístico.

Por ejemplo, si la muestra es de tamaño 2 y la población de tamaño 3 (elementos A, B, C), es

posible extraer 3 muestras ( AB, BC Y AC) de la población. Podemos calcular la media para cada
muestra. Por lo tanto, tenemos 3 medias muéstrales para las 3 muestras. Las 3 medias muéstrales
forman una distribución. La distribución de las medias es llamada la distribución de las medias
muéstrales, o la distribución en el muestreo de la media. De la misma manera, la distribución de
las proporciones (o porcentajes) obtenida de todas las muestras posibles del mismo tamaño,
extraídas de una población, es llamada la distribución en el muestreo de la proporción.
ERROR ESTÁNDAR:
La desviación estándar de una distribución, en el muestreo de un estadístico, es frecuentemente
llamada el error estándar del estadístico. Por ejemplo, la desviación estándar de las medias de
todas la muestras posibles del mismo tamaño, extraídas de una población, es llamada el error
estándar de la media. De la misma manera, la desviación estándar de las proporciones de todas las
muestras posibles del mismo tamaño, extraídas de una población, es llamada el error estándar de
la proporción. La diferencia entre los términos "desviación estándar" y "error de estándar" es que
la primera se refiere a los valores originales, mientras que la última está relacionada con valores
calculados. Un estadístico es un valor calculado, obtenido con los elementos incluidos en una
muestra.

ERROR MUESTRAL O ERROR DE MUESTREO

La diferencia entre el resultado obtenido de una muestra (un estadístico) y el resultado el cual
deberíamos haber obtenido de la población (el parámetro correspondiente) se llama el error
muestral o error de muestreo. Un error de muestreo usualmente ocurre cuando no se lleva a cabo
la encuesta completa de la población, sino que se toma una muestra para estimar las
características de la población. El error muestral es medido por el error estadístico, en términos de
probabilidad, bajo la curva normal. El resultado de la media indica la precisión de la estimación de
la población basada en el estudio de la muestra. Mientras más pequeño el error muestras, mayor
es la precisión de la estimación. Deberá hacerse notar que los errores cometidos en una encuesta
por muestreo, tales como respuestas inconsistentes, incompletas o no determinadas, no son
considerados como errores muéstrales. Los errores no muéstrales pueden también ocurrir en una
encuesta completa de la población.

MÉTODOS DE SELECCIÓN DE MUESTRAS

Una muestra debe ser representativa si va a ser usada para estimar las características de la
población. Los métodos para seleccionar una muestra representativa son numerosos,
dependiendo del tiempo, dinero y habilidad disponibles para tomar una muestra y la naturaleza de
los elementos individuales de la población. Por lo tanto, se requiere un gran volumen para incluir
todos los tipos de métodos de muestreo.

Los métodos de selección de muestras pueden ser clasificados de acuerdo a:

El número de muestras tomadas de una población dada para un estudio y

La manera usada en seleccionar los elementos incluidos en la muestra. Los métodos de muestreo
basados en los dos tipos de clasificaciones son expuestos en seguida.

Métodos de muestreo clasificados de acuerdo con el número de muestras tomadas de una

población.
Bajo esta clasificación, hay tres tipos comunes de métodos de muestreo. Estos son, muestreo
simple, doble y múltiple.

MUESTREO SIMPLE
Este tipo de muestreo toma solamente una muestra de una población dada para el propósito de
inferencia estadística. Puesto que solamente una muestra es tomada, el tamaño de muestra debe
ser el suficientemente grande para extraer una conclusión. Una muestra grande muchas veces
cuesta demasiado dinero y tiempo.

MUESTREO DOBLE
Bajo este tipo de muestreo, cuando el resultado del estudio de la primera muestra no es decisivo,
una segunda muestra es extraída de la misma población. Las dos muestras son combinadas para
analizar los resultados. Este método permite a una persona principiar con una muestra
relativamente pequeña para ahorrar costos y tiempo. Si la primera muestra arroja una resultado
definitivo, la segunda muestra puede no necesitarse.

Por ejemplo, al probar la calidad de un lote de productos manufacturados, si la primera muestra

arroja una calidad muy alta, el lote es aceptado; si arroja una calidad muy pobre, el lote es
rechazado. Solamente si la primera muestra arroja una calidad intermedia, será requerirá la
segunda muestra. Un plan típico de muestreo doble puede ser obtenido de la Military Standard
Sampling Procedures and Tables for Inspection by Attributes, publicada por el Departamento de
Defensa y también usado por muchas industrias privadas. Al probar la calidad de un lote
consistente de 3,000 unidades manufacturadas, cuando el número de defectos encontrados en la
primera muestra de 80 unidades es de 5 o menos, el lote es considerado bueno y es aceptado; si el
número de defectos es 9 o más, el lote es considerado pobre y es rechazado; si el número está
entre 5 y 9, no puede llegarse a una decisión y una segunda muestra de 80 unidades es extraída
del lote. Si el número de defectos en las dos muestras combinadas (incluyendo 80 + 80 = 160
unidades) es 12 o menos, el lote es aceptado si el número combinado es 13 o más, el lote es
rechazado.

MUESTREO MÚLTIPLE
El procedimiento bajo este método es similar al expuesto en el muestreo doble, excepto que el
número de muestras sucesivas requerido para llegar a una decisión es más de dos muestras.

Métodos de muestreo clasificados de acuerdo con las maneras usadas en seleccionar los
elementos de una muestra.

Los elementos de una muestra pueden ser seleccionados de dos maneras diferentes:

a. Basados en el juicio de una persona.

b. Selección aleatoria (al azar)

MUESTREO DE JUICIO
Una muestra es llamada muestra de juicio cuando sus elementos son seleccionados mediante
juicio personal. La persona que selecciona los elementos de la muestra, usualmente es un experto
en la medida dada. Una muestra de juicio es llamada una muestra probabilística, puesto que este
método está basado en los puntos de vista subjetivos de una persona y la teoría de la probabilidad
no puede ser empleada para medir el error de muestreo, Las principales ventajas de una muestra
de juicio son la facilidad de obtenerla y que el costo usualmente es bajo.

MUESTREO ALEATORIO
Una muestra se dice que es extraída al azar cuando la manera de selección es tal, que cada
elemento de la población tiene igual oportunidad de ser seleccionado. Una muestra aleatoria es
también llamada una muestra probabilística son generalmente preferidas por los estadísticos
porque la selección de las muestras es objetiva y el error muestral puede ser medido en términos
de probabilidad bajo la curva normal. Los tipos comunes de muestreo aleatorio son el muestreo
aleatorio simple, muestreo sistemático, muestreo estratificado y muestreo de conglomerados.

MUESTREO ALEATORIO SIMPLE

Una muestra aleatoria simple es seleccionada de tal manera que cada muestra posible del mismo
tamaño tiene igual probabilidad de ser seleccionada de la población. Para obtener una muestra
aleatoria simple, cada elemento en la población tenga la misma probabilidad de ser seleccionado,
el plan de muestreo puede no conducir a una muestra aleatoria simple. Por conveniencia, este
método pude ser reemplazado por una tabla de números aleatorios. Cuando una población es
infinita, es obvio que la tarea de numerar cada elemento de la población es infinita, es obvio que
la tarea de numerar cada elemento de la población es imposible. Por lo tanto, ciertas
modificaciones del muestreo aleatorio simple son necesarias. Los tipos más comunes de muestreo
aleatorio modificado son sistemático, estratificado y de conglomerados.

MUESTREO SISTEMÁTICO.
Una muestra sistemática es obtenida cuando los elementos son seleccionados en una manera
ordenada. La manera de la selección depende del número de elementos incluidos en la población
y el tamaño de la muestra. El número de elementos en la población es, primero, dividido por el
número deseado en la muestra. El cociente indicará si cada décimo, cada onceavo, o cada
centésimo elemento en la población va a ser seleccionado.
El primer elemento de la muestra es seleccionado al azar. Por lo tanto, una muestra sistemática
puede dar la misma precisión de estimación acerca de la población, que una muestra aleatoria
simple cuando los elementos en la población están ordenados al azar.

MUESTREO ESTRATIFICADO
Para obtener una muestra aleatoria estratificada, primero se divide la población en grupos,
llamados estratos, que son más homogéneos que la población como un todo. Los elementos de la
muestra son entonces seleccionados al azar o por un método sistemático de cada estrato. Las
estimaciones de la población, basadas en la muestra estratificada, usualmente tienen mayor
precisión (o menor error muestra) que si la población entera muestreada mediante muestreo
aleatorio simple. El número de elementos seleccionado de cada estrato puede ser proporcional o
desproporcional al tamaño del estrato en relación con la población.

MUESTREO DE CONGLOMERADOS.
Para obtener una muestra de conglomerados, primero dividir la población en grupos que son
convenientes para el muestreo. En seguida, seleccionar una porción de los grupos al azar o por un
método sistemático. Finalmente, tomar todos los elementos o parte de ellos al azar o por un
método sistemático de los grupos seleccionados para obtener una muestra. Bajo este método,
aunque no todos los grupos son muestreados, cada grupo tiene una igual probabilidad de ser
seleccionado. Por lo tanto la muestra es aleatoria.

Una muestra de conglomerados, usualmente produce un mayor error muestral (por lo tanto, da
menor precisión de las estimaciones acerca de la población) que una muestra aleatoria simple del
mismo tamaño. Los elementos individuales dentro de cada "conglomerado" tienden usualmente a
ser iguales. Por ejemplo la gente rica puede vivir en el mismo barrio, mientras que la gente pobre
puede vivir en otra área. No todas las áreas son muestreadas en un muestreo de áreas. La
variación entre los elementos obtenidos de las áreas seleccionadas es, por lo tanto,
frecuentemente mayor que la obtenida si la población entera es muestreada mediante muestreo
aleatorio simple. Esta debilidad puede reducida cuando se incrementa el tamaño de la muestra de
área.

El incremento del tamaño de la muestra puede fácilmente ser hecho en muestra de área. Los
entrevistadores no tienen que caminar demasiado lejos en una pequeña área para entrevistar más
familias. Por lo tanto, una muestra grande de área puede ser obtenida dentro de un corto período
de tiempo y a bajo costo.

Por otra parte, una muestra de conglomerados puede producir la misma precisión en la
estimación que una muestra aleatoria simple, si la variación de los elementos individuales dentro
de cada conglomerado es tan grande como la de la población.

EJEMPLOS:
El tiempo de conexión a internet de los alumnos de cierta universidad, sigue una distribución
normal con una desviación típica de 15 minutos. Para estimar la media del tiempo de conexión, se
quiere calcular un intervalo de confianza que tenga una amplitud menor o igual a 6 minutos, con
un nivel de confianza del 95 %.

Determina cuál es el tamaño mínimo de la muestra que es necesario observar.

TABLA DE DISTRIBUCIÓN DE FRECUENCIAS

Variable F Fr Fp Fa Fra Fpa

2 3 0,3 30 3 0,3 30

3 3 0,3 30 6 0,6 60

4 1 0,1 10 7 0,7 70

5 2 0,2 20 9 0,9 90

6 1 0,1 10 10 1 100

20 10 1 100
MODELOS PROBABILÍSTICOS:

Modelo de la frecuencia relativa:

La frecuencia relativa es una medida estadística que se calcula como el cociente de la frecuencia
absoluta de algún valor de la población/muestra (fi) entre el total de valores que componen la
población/muestra (N).

P(E) = F P: probabilidad F: Frecuencia absoluta

N E: Evento N: Total de población

Ejercicios:

Lanza un dado 50 veces, el experimento sale el numero 5 ocurre 8 veces, calcular la frecuencia
relativa de dicho evento.

Fa = 8/50=0.16

B. Se lanza un dado 100 veces observando que el número 4 se repite 16 veces, mientras que el
número 6 cayo 29 ocasiones.

Determine qué probabilidad de que el último lance sea 6.

Determine que el próximo lanzamiento sea un número diferente a 4 y 6.

Es la probabilidad de que 0.16 corresponda a X F P

que salga 4, 16 veces 4 16 16
= 0..16
100

6 29 29
= 0.29
Es la probabilidad de que 0.29 corresponda a 100
que salga 6, 29 veces
55
100
= 0.55

0.55 es la probabilidad de que las 100 no

salga ni 2 y 5
C. Se lanza una moneda 100 veces, el águila salió 45 veces, Calcular la Frecuencia Relativa de dicho
evento.

Fa= 45/100 = 0.45

MODELO CLÁSICO O A PRIORI

Es el número de resultados favorables a la presentación de un evento dividido entre el número

total de resultados posibles. Asignación de probabilidad "a priori", si necesidad de realizar el
experimento.

La probabilidad clásica o teórica se aplica cuando cada evento simple del espacio muestral tiene la
misma probabilidad de ocurrir.

Fórmula para obtener la probabilidad clásica o teórica:

Ejemplo 1: P(de que salgan dos caras al tirar 2 monedas)

P(de que salga una cara al tirar 2 monedas )

Ejemplo 2: P(de que salga un varón al tomar 2 bebés y observar su sexo)

MODELO SUBJETIVO

Se basan en las creencias e ideas en que se realiza la evaluación de las probabilidades y se define
como en aquella que un evento asigna el individuo basándose en la evidencia disponible (el
individuo asigna la probabilidad en base a su experiencia).

Para clarificar lo antes dicho un ejemplo muy común es el pronóstico del tiempo, muchos
individuos como nosotros realizamos una predicción personal de como serán las condiciones
climáticas para el dia, basadas más en nuestra experiencia personal pero que muchas veces
sustentamos en experiencia de eventos pasados.

1) Probabilidad de vida inteligente en el sistema solar.

2) Probabilidad de que me guste una nueva comida.

3) Probabilidad de aprobar un examen.

ALGEBRA DE CONJUNTOS

Unión, intersección, diferencia y complemento.

Unión

La unión de dos conjuntos A y B es el conjunto de AUB que contienen todos los elementos de A y
B.

Ejercicios
AUB: A= {3 Trabajadoras Sociales, 3 Sociólogas}, B= {3 Trabajadores sociales, 1 abogado}

AUB= {3 Trabajadoras Sociales, 3 Sociólogas, 3 Trabajadores sociales, 1 abogado}

AUB: A= {Estadística, Investigación Cuantitativa}, B= {Inglés, Trabajo social de grupo}

AUB= {Estadística, Investigación Cuantitativa, Inglés, Trabajo social de grupo}

AUB: A= {Colegio, gobernación, Fundación}, B= {Hospital, casa de justicia, Universidad}

AUB= {Colegio, gobernación, Fundación, Hospital, casa de justicia, Universidad}

Intersección

La intersección de dos conjuntos A y B, es el conjunto AnB que contiene los elementos comunes
de A y B

Ejercicios

Sea A = {1 Trabajador social, 1 Abogado, 1 Matematico, 1 Antropólogo} Sea B = {1 Antropólogo, 1

Psicólogo, 1 Trabajador Social, 1 Doctor , 1 Veterinario}

A n B = {1 Trabajador Social, 1 Antropólogo}

Sea A = {Grupo, Familia, Comunidad} Sea B = {Finalidad, Coherencia, Fidelidad, Integración, Grupo}

A n B = {Grupo}

Sea A = {Sociología, Psicoanálisis, Psicología Social, educación Informal, Percepción} Sea B =

{Percepción, Psicoanálisis, Motivación, Comportamiento, Dinámica de Grupo}

A n B = {Psicoanálisis, Percepción}

Diferencia
La diferencia entre dos conjuntos A y B, es el conjunto (A/B) que contiene todos los elementos de
A que no pertenecen a B.

Ejercicios
Si A = { Grupos terciarios, Grupos de referencia, Grupos de pertenencia, Grupos formales} y B = {
Grupo natural, Grupo impuesto, Grupo motivado, Grupo preformado, Grupos terciarios, Grupos
de referencia }, entonces la diferencia de dichos conjuntos estará formada por todos los
elementos que estén solamente en A, esto es:

A – B = {Grupos de pertenencia, Grupos formales}

Si A = {Teoría personalista, Teoría funcional , Teoría situacional, Teoría contingencia} y B =

{Decisiones, Futuro, Participación, Intervención, Valoración Teoría personalista}, entonces la
diferencia de dichos conjuntos estará formada por todos los elementos que estén solamente en A,
esto es:

A – B = {Teoría funcional, Teoría situacional, Teoría contingencia}

si A = { Estructura autocrática, Estructura paternalista, Estructura permisiva, Estructura
participativa, Adolescentes} y B = {Niños, Adolescentes, Adultos, Adultos mayores}, entonces la
diferencia de dichos conjuntos estará formada por todos los elementos que estén solamente en A,
esto es:

A – B = {Estructura autocrática, Estructura paternalista, Estructura permisiva, Estructura

participativa}

Complemento
El complemento de un conjunto A’ que contiene todos los elementos que no pertenecen a A.
Ejercicios

Si el conjunto universal es U = {Flexibilidad, Sensibilidad, Observación, Costumbres, Culturas} y A =

{Sensibilidad, Observación, Costumbres}, entonces el complementario de A respecto de U está
formado por los elementos del universal que no estén en A, esto es:

Al = {Flexibilidad, Culturas}

Los conjuntos {Flexibilidad, Culturas} y {Sensibilidad, Observación, Costumbres} son

complementarios.

a. Sensibilidad,
Flexibilidad,
Observación,
Culturas Costumbres

Si el conjunto universal es U = {Recursos materiales, Recursos humanos, Recursos económicos,

Recursos institucionales } y A = { Recursos humanos, Recursos económicos}, entonces el
complementario de A respecto de U está formado por los elementos del universal que no estén en
A, esto es:

Al = {Recursos materiales, Recursos institucionales}

U
 Recursos a. Recursos
Materiales, humanos,
Recursos
Recursos
institucionales
económicos

Los conjuntos {Recursos materiales, Recursos institucionales} y {Recursos humanos, Recursos

económicos} son complementarios.

Si el conjunto universal es U = {Prospectiva, Coordinación, Evaluación, Objetivos, planteamiento,

Eficacia, Apoyo} y A = { Coordinación, Evaluación, Objetivos}, entonces el complementario de A
respecto de U está formado por los elementos del universal que no estén en A, esto es:

Prospectiva, a. Coordinación
planteamiento
, Evaluación,
, Eficacia,
Objetivos
Apoyo

Al = {Prospectiva, planteamiento, Eficacia, Apoyo}

Los conjuntos {Coordinación, Evaluación, Objetivos} y {Prospectiva, planteamiento, Eficacia,

Apoyo} son complementarios.
CLASIFICACIÓN DE EVENTOS
Mutuamente excluyentes
Se dice que dos eventos son mutuamente excluyentes si la ocurrencia de uno prohíbe la
ocurrencia del otro.

Ejercicios

Si se tira un dado calcular la probabilidad de:

A caen 3 puntos o menos o

B caen 5 puntos o más

Cómo son Mutuamente excluyentes AnB=0

P(AoB)=P(a)+P(B)

=P(salen 3 o menos)+P(salen 5 o más) =3/6 + 2/6 =5/6

Se tiene una urna con 50 papeles de colores 15 rojos, 5 morados, 9 verdes, 11 naranjas y 10
azules.

Cual es la probabilidad de:

A sale un papel azul

B sale un papel rojo

P(AoB)=P(AuB)=P(A)+P(B)

=P(sale un azul)+P(sale 1 rojo) =10/50 + 15/50 =25/50 =½

Se tiene una caja con 50 pimpones de colores 16 rojos, 6 morados, 8 verdes, 10 naranjas y 10
azules.

Cual es la probabilidad de:

A sale un pompón azul

B sale un pompón rojo

P(AoB)=P(AuB)=P(A)+P(B)
=P(sale un azul)+P(sale 1 rojo) =10/50 + 16/50 =26/50

Colectivamente exhaustivos

Consta de todos los posibles resultados de un experimento y es ,lo que constituye su espacio
muestral; al sumar la probabilidad combinada de cada evento colectivamente exhaustivo el
resultado será 1

Ejercicios

Por lo menos uno de los eventos debe ocurrir cuando se realiza un experimento.

En el EJEMPLO, los cuatro resultados posibles son colectivamente exhaustivos.

En otras palabras,

la suma de las probabilidades es

0.25 + 0.25 +0 .25 +0 .25 = 1

Una Trabajadora social debe identificar qué tipo de grupo son los alumnos del Colegio Nuestra
Señora del Rosario, hay tres clases de grupos, grupos primarios, grupos secundarios y grupos
terciarios, los tres resultados posibles son colectivamente exhaustivos.

0,333 + 0,333 + 0,333 = 1

Una Trabajadora social debe identificar en una empresa cómo se constituye la estructura de un
grupo de trabajadores, hay cuatro estructuras, la Autocracia, Paternalista, Permisiva y
Participativa

0.25 + 0.25 +0 .25 +0 .25 = 1

Independientes
Los eventos independientes son aquellos en los que la ocurrencia de un fenómeno no tiene nada
que ver con la ocurrencia de otro fenómeno.

Ejercicios

Una caja tiene 4 canicas rojas, 3 canicas verdes y dos canicas azules. Una canica es eliminada de la
caja y luego reemplazada. Otra canica se saca de la caja, ¿Cual es la probabilidad de que la primera
canica sea azul y la segunda canica sea verde?

Ya que la primera canica es reemplazada, el tamaño del espacio muestral 9 no cambia de la

primera sacada a la segunda, así los eventos son independientes

P(azul) P(verde)

2/9 * 3/9 = 6/81 = 2/27

Sacas una carta de un mazo de 52 cartas, y luego lanzas un dado. ¿Cuál es la probabilidad de sacar
un 2 y luego lanzar y que caiga 2?

Aunque la carta no es regresada al mazo después de sacarla, el lanzamiento del dado no depende
de las cartas, por lo que ningún posible resultado ha sido reemplazado. A pesar del resultado de
sacar la carta, la probabilidad de del dado no será afectada.

Lanzas un dado, y si no sale 6, lanzas de nuevo. ¿Cuál es la probabilidad de sacar un 6 en el

segundo lanzamiento?

El hecho de que el primer lanzamiento no es un 6 no cambia la probabilidad de que el segundo

lanzamiento sea un 6. (A algunas personas les gusta decir, "el dando no se acuerda qué sacaste
antes.")

Eventos Complementarios

Si un evento A no ocurre, el evento B debe ocurrir

Ejercicios

El suceso A constituye un suceso complementario al Suceso B, si incluye todos los resultados

posibles que no fueron incluidos en el Suceso B.
Por Ejemplo, en el caso del lanzamiento de un dado:

Suceso A consiste en obtener como resultado un 6.

Suceso B consiste en obtener como resultado un 1, 2, 3, 4 o 5.

Estos dos sucesos son sucesos complementarios, dado que todos los resultados posibles que no
aparecen en el Suceso A son exactamente las posibilidades que aparecen en el Suceso B, y
viceversa.

El Experimento: Lanzamiento de un dado.

Suceso A: Se obtiene un número par.

Suceso B: Se obtiene un número impar.

¿Estos dos sucesos son complementarios?

La respuesta es sí.

La Explicación:

Los resultados posibles en el Suceso A son 2, 4 y 6. Ahora nos preguntamos cuáles son los
resultados posibles que no están incluidos en el Suceso A. La respuesta es 1, 3 y 5, pero estos
resultados son exactamente los que el Suceso B define. Por lo tanto, los sucesos son
complementarios.

El Experimento: Lanzamiento de un dado.

Suceso A: Se obtiene un número par.

Suceso B: Se obtiene un número menor a 4.

¿Estos dos sucesos son complementarios? La respuesta es no.

La Explicación: Los resultados posibles del Suceso A son 2, 4 y 6. Los resultados posibles en el
Suceso B son 1, 2 y 3.

12 = 3 El Suceso B no incluye todos los resultados posibles no incluidos en el Suceso A e incluso

incluye uno de los resultados incluidos en el Suceso A (tener como resultado el 2). Esta es una
regla importante:

Si dos sucesos son complementarios, es imposible que los resultados aparezcan en ambos sucesos.

TABLAS DE CONTINGENCIA

¿Qué es una tabla de contingencia?

Una tabla de contingencia es una tabla que cuenta las observaciones por múltiples variables
categóricas. Las filas y columnas de las tablas corresponden a estas variables categóricas.

EJERCICIOS:

Después de una elección reciente entre dos candidatos, una encuesta de salida registró el sexo y el
voto de 100 electores seleccionados de manera aleatoria y los datos se tabularon de la siguiente
manera:

CANDIDATO A CANDIDATO B TOTAL

MUJER 28 20 48

HOMBRE 39 13 52

TOTAL 67 33 100

TOTAL 67 33 100

La tabla también incluye los totales marginales para cada nivel de las variables. Los totales
marginales para las filas muestran que 52 de los encuestados fueron mujeres. Los totales
marginales para las columnas muestran que 67 encuestados votaron por el Candidato A. Además,
la total general muestra que el tamaño de la muestra es 100.

2. Se sortea un viaje a Roma entre los 120 mejores clientes de una agencia de automóviles. De
ellos, 65 son mujeres, 80 están casados y 45 son mujeres casadas.
3. En un congreso de 200 jóvenes se realiza una encuesta para conocer si se realizan contratos de
viaje por internet, donde los encuestados fueron 120 hombres de los cuales 84 contratan viajes
por internet, y donde 24 mujeres no lo hacen.

HOMBRES MUJERES TOTAL

INTERNET 84 56 140

NO INTERNET 36 24 60

TOTAL 120 80 200

TABLA DE PROBABILIDAD:
Nos permiten determinar las probabilidades de un suceso, partiendo del modelo estadístico al que
ese suceso se ajusta.

En la práctica, cuando queremos saber el valor numérico de esa probabilidad, no solamente la

expresión que la determina, necesitamos cuantificar la distribución de probabilidad, que no suelen
ser expresiones sencillas

Ejercicio 1

Después de una elección reciente entre dos candidatos, una encuesta de salida registró el sexo y el
voto de 100 electores seleccionados de manera aleatoria y los datos se tabularon de la siguiente
manera:

Determinar la probabilidad de que sea una mujer y que haya votado por el candidato B.

Determinar la probabilidad de que sea un hombre y que haya votado por el candidato A.
 CANDIDATO A P(E) CANDIDATO B P(E TOTAL P(E)

MUJER 28 28/100= 20 20/100=0, 48 48/100

2 =0,48
0.28

HOMBRE 39 39/100= 13 13/100=0, 52 52/100

0,39 3 =0.52

TOTAL 67 67/100=0. 33 33/100=0, 100 1

67 33

0,2

0,39

2. Se sortea un viaje a Roma entre los 120 mejores clientes de una agencia de automóviles. De
ellos, 65 son mujeres, 80 están casados y 45 son mujeres casadas.

A. Cuál será la probabilidad de que le toque el viaje a un hombre soltero?

B.Si del afortunado se sabe que es casado, ¿cuál será la probabilidad de que sea una mujer?

HOMBRES P(E) MUJERES P(E) TOTAL P(E)

CASADOS 35 35/120= 45 45/120= 80 80/120=

0.29 0.37 0.66

SOLTEROS 20 20/120= 20 20/120= 40 40/120=

0.16 0.16 0.33

TOTAL 55 55/120= 65 65/120= 120 1

0.45 0.54

0.16

B. 0.37
 3. En un congreso de 200 jóvenes se realiza una encuesta para conocer si se realizan contratos de
viaje por internet, donde los encuestados fueron 120 hombres de los cuales 84 contratan viajes
por internet, y donde 24 mujeres no lo hacen.

A. Determine la probabilidad de que no contraten su viaje por internet.

Determine la probabilidad de quienes si contratan su viaje por internet.

Determine la probabilidad de quién si contrate su viaje por internet y sea mujer

HOMBRES P(E) MUJERES P(E) TOTAL P(E)

INTERNET 84 84/200= 56 56/200= 140 140/200=

0.42 0,28 0,7

NO INTERNET 36 36/200= 24 24/200=0.1 60 60/200=

2
0,3 0,3

TOTAL 120 120/200= 80 80/200= 200 200/200=

0,6 0,4 1

0,3

0,7

0,28
PROBABILIDAD CONDICIONAL

P (A/B) P (AnB)

Ejercicios

Investigadores encuestaron a 100 estudiantes y les preguntaron qué super poder les gustaría
tener más. Esta tabla de contingencia exhibe los datos de la muestra de estudiantes que
respondieron

Super poder Hombre Mujer Total

Volar 26 12 38

Invisibilidad 12 32 44

Otro 10 8 18

Total 48 52 100

Un estudiante será elegido al azar

Hubo 38 de un total de 100 estudiantes de la muestra que eligieron volar como su superpoder

P (Volar)= 38/100 = 3.38

Probabilidad de que el estudiante fuera hombre

Hubo 48 de un total de 100 estudiantes de la muestra que eran hombres

P (Hombre)= 48/100 = 0.48

Encuentra la probabilidad de que el estudiante fuera hombre, dado que el estudiante eligió volar
como su super poder.

La condición es que el estudiante eligió volar como su superpoder. Hubo 38 estudiantes del total
de la muestra que eligieron volar, y 26 de ellos eran hombres.

P(hombre ∣ volar)=3826=1913=0.68

DIAGRAMA DE ÁRBOL

Que es

Por ejemplo imagina que ha habido elecciones en el Consejo estudiantil de tu escuela y que cuatro
son los finalistas del mismo; sus nombres son Rita, Luis, Paul y Nancy. Pero los cargos a los que
aspiran son sólo tres, a saber: presidente, secretario y tesorero.

¿Cuáles son las probabilidades de que Paul sea el presidente, Nancy la secretaria y Luis el
tesorero? No es fácil de intuir sin la ayuda de un diagrama de árbol que podría ser el siguiente,
disponiendo los cargos en tres columnas y escribiendo las diferentes posibilidades a partir de que
cada uno de ellos fuera presidente. Observa:
Una moneda se lanza dos veces. Si en ambos lanzamientos sale cara, la moneda será de Juan, si
sale sello dos veces será de pedro. Si una vez sale cara y otra vez sello, será de María. ¿Quién tiene
mayor probabilidad de quedarse con la moneda?

Una universidad está formada por tres facultades:

La 1ª con el 50% de estudiantes.

La 2ª con el 25% de estudiantes.

La 3ª con el 25% de estudiantes.

Las mujeres están repartidas uniformemente, siendo un 60% del total en cada facultad.
¿Probabilidad de encontrar una alumna de la primera facultad?

¿Probabilidad de encontrar una alumna de la primera facultad?

OPERACIONES EN PROBABILIDADES:
MULTIPLICACIÓN:

La regla de multiplicación establece que la probabilidad de ocurrencia de dos o más eventos

estadísticamente independientes es igual al producto de sus probabilidades individuales.

FORMULAS:

. Eventos dependientes

Dos o más eventos serán dependientes cuando la ocurrencia o no-ocurrencia de uno de ellos
afecta la probabilidad de ocurrencia del otro (o otros).

P(AnB)= P(A)x P(B/A)

. Eventos Independientes:

Dos eventos evento son independientes si el conocimiento de que uno ocurrirá o ya ha ocurrido
no afecta la probabilidad del otro; más precisamente es Evento cuyo resultado no tiene que ver
con haya sido hecho por la máquina A, sabiendo que el celular es defectuoso, es de 0.319.el
resultado de otro(s) evento(s).
P(AnB)= P(A)x P(B)

Ejercicios (eventos dependientes)

De una bajara estándar de 52 cartas sea A el suceso de sacar un As en la primera extracción y B

sacar un As en la segunda extracción. Calcular la probabilidad de sacar dos Ases en dos
extracciones sin devolver la carta extraída.

Solución:

A y B son sucesos dependientes porque la ocurrencia de A afecta la probabilidad de ocurrencia de

B.

P(A) = 4/52

La probabilidad de que la segunda carta sea un As, dado que ya se sacó un As en la primera
extracción es

P(B/A)= 3/51

Reemplazar:

P(AnB)= P(A)x P(B/A)

P(1AS n 1AS)= 4/52. 3/51

P(AnB)= 12/2652

P(AnB)= 0,0045

La probabilidad de sacar dos Ases en dos extracciones sin devolver la carta extraída es de 0,0045

Sea A el suceso de sacar un As de una baraja estándar de 52 cartas y B sacar un rey de corazón
rojo. Calcular la probabilidad de sacar un As y un Rey de corazón en dos extracciones sin devolver
la carta extraída.

Solución:

P(AnB)= P(A)x P(B/A)

P(1C n 1CR )= 4/52. 1/51

P(1C n 1CR )= 4/2651

P(1C n 1CR )= 0,0015

La probabilidad de sacar un As y un Rey de corazón en dos extracciones sin devolver la carta

extraída es de 0,0015

En una investigación sobre opinión de la economía se encontró La siguiente distribución de 600

economistas:

120 hombres y 150 mujeres pertenecen a la industria privada

150 hombres y 140 mujeres pertenecen al gobierno

30 hombres y 10 mujeres pertenecen a la academia

Utilizando la ecuación de eventos dependientes determinar:

Probabilidad seleccionar un hombre que pertenezca a la industria privada

Probabilidad de seleccionar un mujer que pertenezca a la academia

Probabilidad de seleccionar un hombre que pertenezca al gobierno

Solución:

INDUSTRIA P(E) GOBIERNO P(E) ACADEMIA P(E) TOTAL P(E)

PRIVADA
HOMBRES 120 0.2 150 0.25 30 0.05 300 0.5
MUJERES 150 0.25 140 0.2 10 0.01 300 0.5
TOTAL 270 0.45 290 0.48 40 0.06 600 1

P(1HM n IP)

P (AnB)= P(A)x P(B/A)

P (1HM n IP) = P (1HM) x P (IP/1HM)

P (1HM n IP) = (0.5) x( 0.2/0.5 )

P (1HM n IP) = P (0.5) x (0.4)

P (1HM n IP) = 0.2

(1M n AC)

P (AnB)= P(A)x P(B/A)

P (1M n AC) = P (1M) x P (AC/1M)

P (1M n AC) = (0.5) x( 0.01/0.5 )

P (1M n AC) = P (0.5) x (0.02)

P (1M n AC) = 0.01

(1HM n GB)

P (AnB)= P(A)x P(B/A)

P (1HM n GB) = P (1H) x P (GN/1H)

P (1M n AC) = (0.5) x( 0.25/0.5)

P (1M n AC) = P (0.5) x (0.5)

P (1M n AC) = 0.25

Ejercicios (eventos independientes)

Si haya una probabilidad del 10% de que Júpiter se alineará con Marte, y una probabilidad del
50% de que su tirada de una moneda saldrá águilas, entonces ¿qué es la probabilidad de que
Júpiter se alineará con Marte y su tirada de la moneda saldrá águilas (suponiendo que Júpiter no
tenga ningún efecto en el resultado de su tirada)?

Solución:

J: Júpiter se alineará con Marte

A: Su tirada saldrá águilas

P(AnB)= P(A)x P(B)

P(J n A)= P(0.1) x P (0.5)

P(J n A)= 0.5 = 50%

Hay una probabilidad del 50% que usted viaje a México y una probabilidad del 6% de que se va a
encontrar a un desconocido alto y moreno.

Solución:

Viajar a México = 50%

Desconocido Moreno y alto= 6%

P(AnB)= P(A)x P(B)

P(VM n DMA)= P(0.5) x P (0.06)

P(J n A)= 0.03 = 30%

Se lanza un dado dos veces. ¿Cuál es la probabilidad de que en el primer lanzamiento resulte 3 y
en el segundo lanzamiento un número impar?

Solución:

Sacar un número tres: 1/6

Sacar un número impar: 3/6

P(AnB)= P(A)x P(B)

P(ST n SI)= P(1/6) x P (3/6)

P(ST n SI)= (3/36)

ADICIÓN:
La regla de la adición establece que la probabilidad de ocurrencia de cualquier evento en
particular es igual a la suma de las probabilidades individuales. Si es que los eventos son
mutuamente excluyentes, es decir, que dos no pueden ocurrir al mismo tiempo.

Formulas:

. No mutuamente excluyentes:

Dos o más eventos son excluyentes o conjunto cuando es posible que ocurran ambos. Esto no
indica que necesariamente deban ocurrir estos eventos en forma simultánea.

P(AuB)= P(A) + P(B) – P (AnB)

. Mutuamente excluyentes:

Los eventos mutuamente excluyentes son aquellos en los que si un evento sucede significa que el
otro no puede ocurrir.

P(AuB)= P(A) + P(B)

Ejercicios (no mutuamente excluyentes)

Se lanza un dado normal. ¿Cuál es la probabilidad de que salga un número par o menor que 5?

Solución: (ejercicios Pao)

Ejercicios (mutuamente excluyentes)

Si se tira un dado, calcular la probabilidad de

A: Caen en 3 puntos o menos

B: Caen en 5 puntos o mas

Solución:

P (AuB)=P(A)+P(B)

P (AuB) = P(salen 3 o menos)+P(salen 5 o más)

P (AuB) = 3/6 + 2/6 = 5/6

Se tiene una urna con 50 papeles de colores 15 rojos, 5 morados, 9 verdes, 11 naranjas y 10
azules.

Cuál es la probabilidad de:

A =sale un papel azul

B = sale un papel rojo

P (AuB)=P(A)+P(B)

P (AuB)=P(sale un azul)+P(sale 1 rojo)

P (AuB)=10/50 + 15/50

P (AuB)=25/50

P (AuB) =1/2

Se tienen cinco libros de distintas materias: Matemática, Biología, Química, Física y Lenguaje. Si se
toma uno de ellos, ¿cuál es la probabilidad de que este sea de matemática o de física?

Solución:

A: Tomar el libro de Matemáticas.

B: Tomar el libro de Física.

P(A∪B) = P(A) + P(B)

P(A∪B) = (1/5)+(1/5)

P(A∪B) = 2/5

TEOREMA DE BAYES

El teorema de Bayes es utilizado para calcular la probabilidad de un suceso, teniendo información

de antemano sobre ese suceso.

Podemos calcular la probabilidad de un suceso A, sabiendo además que ese A cumple cierta
característica que condiciona su probabilidad. El teorema de Bayes entiende la probabilidad de
forma inversa al teorema de la probabilidad total. El teorema de la probabilidad total hace
inferencia sobre un suceso B, a partir de los resultados de los sucesos A. Por su parte, Bayes
calcula la probabilidad de A condicionado a B.

El teorema de Bayes ha sido muy cuestionado. Lo cual se ha debido, principalmente, a su mala

aplicación. Ya que, mientras se cumplan los supuestos de sucesos disjuntos y exhaustivos, el
teorema es totalmente válido.

Fórmula del teorema de Bayes

Para calcular la probabilidad tal como la definió Bayes en este tipo de sucesos, necesitamos una
fórmula. La fórmula se define matemáticamente como:
El 20% de los empleados de una empresa son ingenieros y otro 20% son economistas. El 75% de
los ingenieros ocupan un puesto directivo y el 50% de los economistas también, mientras que los
no ingenieros y los no economistas solamente el 20% ocupa un puesto directivo. ¿Cuál es la
probabilidad de que un empleado directivo elegido al azar sea ingeniero?

La probabilidad de que haya un accidente en una fábrica que dispone de alarma es 0.1. La
probabilidad de que suene esta sí se ha producido algún incidente es de 0.97 y la probabilidad de
que suene si no ha sucedido ningún incidente es 0.02.

En el supuesto de que haya funcionado la alarma, ¿cuál es la probabilidad de que no haya habido
ningún incidente?
Sean los sucesos:

I = Producirse incidente.

A = Sonar la alarma.

Una empresa de celulares tiene dos máquinas A y B. El 54% de los celulares producidos son hechos
por la máquina A y el resto por la máquina B. No todos los celulares producidos están en buen
estado.

La proporción de celulares defectuosos hechos por A es 0.2 y por B es 0.5. ¿Cuál es la probabilidad
de que un celular de dicha fábrica sea defectuoso? ¿Cuál es la probabilidad de que, sabiendo que
un celular es defectuoso, proceda de la máquina A?

Aquí, se tiene un experimento que se realiza en dos partes; en la primera parte ocurren los
eventos:

A: celular hecho por la máquina A.

B: celular hecho por la máquina B.

Ya que la máquina A produce el 54% de los celulares y el resto los produce la máquina B, se tiene
que la máquina B produce el 46% de los celulares. Las probabilidades de estos eventos son dadas,
a saber:

P(A)=0,54.

P(B)=0,46.

Los eventos de la segunda parte del experimento son:

D: celular defectuoso.

E: celular no defectuoso.

Como se dice en el enunciado, las probabilidades de estos eventos dependen del resultado
obtenido en la primera parte:
P(D|A)=0,2.

P(D|B)=0,5.

Utilizando estos valores, se puede determinar también las probabilidades de los complementos de
estos eventos, es decir:

P(E|A) = 1 – P(D|A)

= 1 – 0,2

= 0,8

p(E|B) = 1 – P(D|B)

= 1 – 0,5

= 0,5.

Ahora, el evento D se puede escribir como sigue:

Estos eventos son mutuamente excluyentes.

Utilizando el Teorema de la multiplicación para probabilidad condicional resulta:

Con lo cual se responde la primera pregunta.

Ahora solo falta calcular P(A|D), para lo cual se aplica el Teorema de Bayes:

Gracias al Teorema de Bayes se puede afirmar que la probabilidad de que un celular

REGRESIONES LINEALES SIMPLES:

Si sabemos que existe una relación entre una variable denominada dependiente y otras
denominadas independientes (como por ejemplo las existentes entre: la experiencia profesional
de los trabajadores y sus respectivos sueldos, las estaturas y pesos de personas, la producción
agraria y la cantidad de fertilizantes utilizados, etc.), puede darse el problema de que la
dependiente asuma múltiples valores para una combinación de valores de las independientes

La Regresión y la correlación son dos técnicas estadísticas que se pueden utilizar para solucionar
problemas comunes en los negocios.
Muchos estudios se basan en la creencia de que es posible identificar y cuantificar alguna Relación
Funcional entre dos o más variables, donde una variable depende de la otra variable.

Se puede decir que Y depende de X, en donde Y y X son dos variables cualquiera en un modelo de
Regresión Simple.

"Y es una función de X"

Y = f(X)

Como Y depende de X,

Y es la variable dependiente, y

X es la variable independiente.

En el Modelo de Regresión es muy importante identificar cuál es la variable dependiente y cuál es

la variable independiente.

En el Modelo de Regresión Simple se establece que Y es una función de sólo una variable
independiente, razón por la cual se le denomina también Regresión Di variada porque sólo hay dos
variables, una dependiente y otra independiente y se representa así:

Y = f (X)

"Y está regresando por X"

La variable dependiente es la variable que se desea explicar, predecir. También se le llama

REGRESANDO ó VARIABLE DE RESPUESTA.

La variable Independiente X se le denomina VARIABLE EXPLICATIVA ó REGRESOR y se le utiliza para

EXPLICAR Y.

ANÁLISIS ESTADÍSTICO: REGRESIÓN LINEAL SIMPLE

En el estudio de la relación funcional entre dos variables poblacionales, una variable X, llamada
independiente, explicativa o de predicción y una variable Y, llamada dependiente o variable
respuesta, presenta la siguiente notación:

Y=a+bX+e

Donde:

a es el valor de la ordenada donde la línea de regresión se intercepta con el eje Y.

b es el coeficiente de regresión poblacional (pendiente de la línea recta)

e es el error
ESTIMACIÓN DE LA ECUACIÓN DE REGRESIÓN MUESTRAL
Consiste en determinar los valores de "a" y "b " a partir de la muestra, es decir, encontrar los
valores de a y b con los datos observados de la muestra. El método de estimación es el de
Mínimos Cuadrados, mediante el cual se obtiene:

Luego, la ecuación de regresión muestral estimada es

Que se interpreta como:

a es el estimador de a

Es el valor estimado de la variable Y cuando la variable X = 0

b es el estimador de b , es el coeficiente de regresión

Está expresado en las mismas unidades de Y por cada unidad de X. Indica el número de unidades
en que varía Y cuando se produce un cambio, en una unidad, en X (pendiente de la recta de
regresión).

Un valor negativo de b sería interpretado como la magnitud del decremento en Y por cada unidad
de aumento en X.

Ejemplos:

A continuación, se relacionan el número de ventas de una empresa de la ciudad de Cartagena en

1998 se vendieron 50 salas, en 1999 se vendieron 30 salas, 2000 se vendieron 24 salas, 2001 se
vendieron 35 salas. Proyectar las ventas para los años 2002,2003 y 2004.

1998 50
1999 30
2000 24
2001 35
Calcular

x y 𝒙𝟐 (x.y)
1 50 1 50
2 30 4 60
3 24 9 72
4 35 16 140
10 139 30 322

𝒃 = 𝑵. ∑ 𝒁 (𝑿. 𝒀) − ∑ 𝑿 − ∑ 𝒀

𝑵. ∑ 𝑿𝑿𝟐−(∑ 𝟐)𝟐

𝑵. ∑ 𝑿𝑿𝟐−(∑ 𝟐)𝟐

b = 4 (322) – (10) ( 139)

4 (30) – 100

b = 5.1

𝑎 = ∑ 𝑦 − 𝑏. ∑ 𝑥

a = 139 – 5.1 (10)

a = 22

1998 1
1999 2
2000 3
2001 4
2002 5
y= a + b (x) 2003 6
2004 7
y= 22+ 5.1 (5)

y= 47.5 = 48

y= 22+ 5.1 (6)

y=52.6 = 53

y= 22+ 5.1 (7)

y= 57.7 = 58

Cinco niños de 2, 3, 5, 7 y 8 años de edad pesan, respectivamente, 14, 20, 32, 42 y 44 kilos.

1 hallar la ecuación de la recta de regresión de la edad sobre el peso.

2 ¿Cuál sería el peso aproximado de un niño de seis años?

x y 𝑥2 𝑦2 ( X.Y)
2 14 4 196 28
3 20 9 400 60
5 32 25 1024 160
7 42 49 1764 294
8 44 64 1936 352
25 152 151 5320 894

Las notas obtenidas por cinco alumnos en Matemáticas y Química son:

Matemáticas Química
6 6. 5
4 4. 5
8 7
 5 5
3. 5 4

Determinar las rectas de regresión y calcular la nota esperada en Química para un alumno que
tiene 7.5 en Matemáticas.

xi yi xi² yi² x i ·y i

6 6.5 36 42.25 39

4 4.5 16 20.25 18

8 7 64 49 56

5 5 25 25 25

3.5 4 12. 25 16 14

26.5 27 153.25 152.5 152

Las estaturas y pesos de 10 jugadores de baloncesto de un equipo son:

Estatura (X) Pesos (Y)

186 85

189 85

190 86
192 90

193 87 Calcular:

La recta de regresión de Y sobre X.

193 91
El coeficiente de correlación.
198 93
El peso estimado de un jugador que mide 208 cm.
201 103

203 100

205 101

xi yi xi² yi² xi ·yi

186 85 34 596 7 225 15 810

189 85 35 721 7 225 16 065

190 86 36 100 7 396 16 340

192 90 36 864 8 100 17 280

193 87 37 249 7 569 16 791

193 91 37 249 8 281 17563

198 93 39 204 8 649 18 414
201 103 40 401 10 609 20 703
203 100 41 209 10 000 20 300
205 101 42 025 10 201 20 705

1 950 921 380 618 85 255 179 971

Correlación positiva muy fuerte.

Lista de referencias
Navarro, A. N. Alejandra. (2015, 24 marzo). Eventos excluyentes y no excluyentes. Recuperado 11
noviembre, 2018, de https://prezi.com/vzugcmwexgkc/eventos-excluyentes-y-no-excluyentes/

García, A. G. Alvaro. (2013, 27 marzo). PROBABILIDAD Y ESTADÍSTICA [Publicación en un blog].

Recuperado 11 noviembre, 2018, de http://probabilidadmitad1.blogspot.com/
Dionicio, E. D. Estefany. (2017, 28 octubre). Suma y multiplicación de probabilidades [Publicación
en un blog]. Recuperado 11 noviembre, 2018, de https://prezi.com/0ecss9bim7o1/suma-y-
multiplicacion-de-probabilidades/

Eventos independientes. (2017, 8 agosto). Recuperado 11 noviembre, 2018, de

https://glosarios.servidor-alicante.com/terminos-estadistica/eventos-independientes

Navarro, K. N. Karen. (2013, 8 marzo). Probabilidad y estadística [Publicación en un blog].

Recuperado 11 noviembre, 2018, de http://proyest1.blogspot.com/p/blog-page_3746.html

Hilda, R. H. Rosa. (2008, 25 septiembre). Estadística: Eventos dependientes [Publicación en un

blog]. Recuperado 11 noviembre, 2018, de http://apaecarhe.blogspot.com/2008/09/eventos-
dependientes.html

mcatalan, M. (2018). TEORIA BASICA DEL MUESTREO - Monografias.com. [online]

Monografias.com. Available at: https://www.monografias.com/trabajos11/tebas/tebas.shtml
[Accessed 13 Nov. 2018].

Vadenumeros.es. (2018). Problemas de muestreo y estimación I. [online] Available at:

https://www.vadenumeros.es/sociales/problemas-muestreo-estimacion-1.htm [Accessed 13 Nov.
2018].

Frecuencia estadística. (2018, June 28). Retrieved from

https://es.wikipedia.org/wiki/Frecuencia_estadística

Subjetiva, P. R. (1970, January 01). PROBABILIDAD DE FRECUENCIA RELATIVA Y SUBJETIVA.

Retrieved from http://probabilidadrelativaysubjetiva.blogspot.com/2016/05/probabilidad-de-
frecuencia-relativa.html

Jenyfer. (1970, January 01). ESTADISTICA. Retrieved from

http://jenyferestadistica.blogspot.com/2008/09/probabilidad-clasica.html

Villatoro, F. R. (2010, January 07). ¿Cuál es la probabilidad de tener dos hijos varones, si uno de
ellos se llama Francis? | Ciencia. Retrieved from https://francis.naukas.com/2010/01/07/cual-es-
la-probabilidad-de-tener-dos-hijos-varones-si-uno-de-ellos-se-llama-francis/

T.E.S.I. (1970, January 01). Estadistica 2301. Retrieved from

http://estadistica2301.blogspot.com/2010/01/probabilidad-subjetiva.html

Tablas de contingencia. (n.d.). Retrieved from https://support.minitab.com/es-

mx/minitab/18/help-and-how-to/statistics/tables/supporting-topics/basics/contingency-tables/

Problemas de probabilidad condicionada. (n.d.). Retrieved from

https://www.vitutor.com/pro/2/a_h.html

Tablas estadísticas. (2018, May 01). Retrieved from

https://es.wikipedia.org/wiki/Tablas_estadísticas

Probabilidad condicional con el uso de tablas de contingencia. (n.d.). Retrieved from

https://es.khanacademy.org/math/probability/probability-geometry/conditional-probability-
geo/a/conditional-probability-using-two-way-tables
Monografias.com, J. (n.d.). Regresión lineal simple. Retrieved from
https://www.monografias.com/trabajos27/regresion-simple/regresion-simple.shtml

Vitutor.com. (2018). Ejercicios de regresión y correlación - Vitutor. [online] Available at:

https://www.vitutor.com/estadistica/bi/ejercicios_regresion.html [Accessed 13 Nov. 2018].

braira. (2000). Repaso de Algebra de Conjuntos. 1/11/2018, de Hospital universitario ramon Sitio
web: http://www.hrc.es/bioest/Algebra_conjuntos.html

Vitutoe. (2016). Diagramas de arbol. 1/11/2018, de Vitutor Sitio web:

https://www.vitutor.com/pro/2/a_15.html

Salinas, Jose. (2016). Teorema de Bayes. 1/11/2018, de Adoracion Sitio web:

http://www.cva.itesm.mx/biblioteca/pagina_con_formato_version_oct/apaweb.html