Cuadernillo - Probabilidad y Estadistica - Junio 2020 PDF

PROBABILIDAD Y
ESTADISTICA
CETis 030 “Emiliano Zapata”

JUNIO 2020
PROBABILIDAD Y ESTADISTICA
Índice
Bloque 1: Manejo de la Información.

a. Contenidos Específicos: Nociones básicas de la Estadística y manejo de los datos
b. Aprendizaje Esperado: Usa un lenguaje propio para situaciones que necesiten del estudio con
elementos de estadística y probabilidad de usa técnicas de conteo o agrupación la determinación
de probabilidad.
c. Producto Esperado: Ejercicios resueltos del tema.
Bloque 2: Análisis de información.

a. Contenidos Específicos: Organiza la información recolectada y la situación estudiada. Construye
formas de probabilidad.
b. Aprendizaje Esperado: Manejo de datos y cálculos de Frecuencia
Bloque 3: Medidas de Tendencia Central, de Posición, de Dispersión y de Forma

a. Contenidos Específicos: Medidas de Tendencia Central, de Posición, de Dispersión y de Forma
b. Aprendizaje Esperado: Calcular las Medidas de Tendencia, de Posición, Dispersión y de Forma
en datos obtenidos de una muestra o de una población en la resolución de problemas.
Bloque 4: 4a) Teoría de Conjuntos, 4b) Teoría de Probabilidad I.

a. Contenidos Específicos: Operaciones con Conjuntos
b. Aprendizaje Esperado: Calcular la unión, diferencia, intersección y complemento de un
conjunto. Introducción a la Probabilidad. Ley de los Grandes Numeros, Regla de Laplace
Bloque 5: 5a) Técnicas de Conteo, 5b) Teoría de Probabilidad II.

a. Contenidos Específicos: Calcular Ordenaciones y Combinaciones así como la Probabilidad
b. Aprendizaje Esperado: Aprender a contar así como calcular la Probabilidad Condicional,
Probabilidad Total y Teorema de Bayes
Bibliografía Recomendada.
Rúbrica de Evaluación: En los bloques 1 y 2 el alumno deberá contestar todos los 15 reactivos. Para el
bloque 3 cada medida calculada representa 1 punto en la evaluación del Segundo Parcial. Del bloque 4a el
alumno deberá elegir 6 de los ocho ejercicios, del bloque 4b deberá resolver los 4 ejercicios, del bloque 5a
el alumno deberá elegir 7 de los nueve ejercicios y del bloque 5b deberá elegir 3 de los seis ejercicios.
Cada ejercicio elegido en los bloques 4 y 5 vale 0.5 punto en la evaluación del Tercer Parcial.
Colaboradores
Grupo(s) a
Nombre del Docente Correo Electrónico
Evaluar Cuadernillo
Noemi Cruz Perez noemi_cruzperez@yahoo.com.mx 10612 y 10615
Ing. Alicia López García lici.lopez.mate@gmail.com 10601
Armando Figueroa Ortiz figueroarmando@yahoo.com.mx 10606,10608,10609,10610 y 10613
CETIS 030 “EMILIANO ZAPATA” 1

Bloque 1: Manejo de la Información

La probabilidad y la estadística son dos ramas de las matemáticas que están sumamente relacionadas.
Se ha mencionado que la probabilidad es el “vehículo de la estadística” que a través de las leyes de la
probabilidad, es posible la teoría de la estadística.
La probabilidad se describe como la ciencia de hacer afirmaciones sobre lo que ocurría en poblaciones
conocidas en base a muestras obtenidas, y la estadística fue descrita como una técnica científica que elige
una muestra y hace inferencias sobre la población desconocida. Es utilizada por otras áreas de estudio en
un proceso de investigación, como las administrativas, ciencias físicas y sociales, y de muchos otros
campos.
DEFINICIÓN DE LA ESTADISTICA
El aprender de la estadística es más parecido a aprender otro idioma que aprender matemáticas, es más
que formulas y datos. Incluye los procesos de resolución de problemas, pensamiento estadístico,
recolección de datos, obtención de resultados numéricos y gráficos, y su cuestionamiento.
Cada cosa o persona es una unidad estadística por lo que es diferente de manera única a los demás.
Cuando se trata de un solo rasgo, se dan muchos valores de una sola variable que genera un patrón.
La estadística aplica técnicas para cuantificar las ideas de investigación y la información se reduce de
manera numérica y pueda representarse grafica o algebraicamente.
La experiencia y compresión de la vida real constituyen la base para comprender la estadística. Esta se ha
utilizado para fines descriptivos, para organizar y resumir datos, terminando con su presentación
numérica y gráfica.
Los métodos estadísticos permiten obtener información precisa de los datos:
1. Definir la situación cuidadosamente.
2. Recolectar datos.
3. Resumir la información con precisión.
4. Obtener y expresar conclusiones representativas del estudio.
TIPOS DE ESTADISTICAS
El campo de la estadística puede dividirse a grandes rasgos en dos áreas:
Estadística descriptiva y estadística inferencial.
 Estadística descriptiva: Es la estadística que incluye la recolección, presentación y descripción
de datos muestrales.
Un uso importante de la estadística descriptiva es resumir un conjunto de datos de una manera clara y
comprensible. Hay dos métodos básicos: números y gráficos. Utilizando el enfoque numérico se podría
calcular estadísticas como la media y la desviación estándar. Usando el método grafico se podría crear
diferentes tipos de diagramas.
 Estadística inferencial: Es la estadística que refiere a la técnica descriptiva de interpretación de

la información para la toma de decisiones y conclusiones de la población.
La estadística inferencial se utiliza para obtener conclusiones sobre una población a partir de una muestra.
Hay dos métodos principales utilizados en la estadística inferencial: estimación y pruebas de hipótesis. En
la estimación, la muestra se utiliza para calcular un parámetro y se construye un intervalo de confianza
alrededor de la estimación. En el uso más común de las pruebas de hipótesis es que se plantea hipótesis
nula (hipótesis acerca de un parámetro de la población) y se determina, si los datos son lo suficientemente
fuertes como para rechazarla.
ELEMENTOS BÁSICOS DE LA ESTADISTICA Y DEFINICIONES:
TERMINOS BASICOS DE LA ESTADISTICA
Para el inicio del estudio de la estadística es necesario definir algunos términos básicos.

POBLACIÓN: Es la colección o conjunto de cosas, individuos, objetos o eventos cuyas propiedades

serán analizadas.
La población se considera definida solo cuando se especifica la lista de elementos que pertenecen a ella.
Por ejemplo: Los estudiantes de un Centro de Estudios Científicos y Tecnológicos
(C.E.C y T.); una colección de animales; las aves de una granja; la producción de una fábrica: etc. Es
difícil estudiar grandes poblaciones, por lo tanto, se acostumbra seleccionar una muestra y estudiar los
datos de está.
MUESTRA: Es un subconjunto que representa a la población, consta de objetos, cosas, individuos o

medidas seleccionadas de la población por un proceso aleatorio.
VARIABLE: Es la característica de interés sobre cada elemento de la población o muestra, por ejemplo:
color de cabello, ciudad que habita, productos defectuosos, costos de una producción, etc
DATO: el valor que se le da a una variable asociada a un elemento de la población o muestra. Puede ser
un número, palabra o símbolo.
Por ejemplo:
 Juan tiene el cabello color (negro).
 Beatriz vive en (puebla).
 En una producción de cerillos en cada caja tiene por lo menos (1) cerillo defectuoso.
DATO: conjunto de valores recolectados de acuerdo con la variable de cada elemento que pertenece a la
muestra.
Por ejemplo: “el conjunto de 50 edades recolectadas de 50 estudiantes.” (edades).
“el conjunto de 122 salarios de empleados de una empresa.” (122).
EXPERIMENTO:
Es una actividad que se planea para obtener resultados de una muestra.
PARAMETRO:
Es un valor numérico que resume la información de una población. Es el promedio de los datos obtenidos
y que describe la población.
ESTADISTICA:
Valor numérico que describe los datos de las muestras. Se determinara con ayuda de fórmulas.
Por ejemplo: “la edad promedio de los estudiantes del 3er semestre de la preparatoria.”
Ejemplo 1: identifica los ocho términos de la estadística: el 23% de la población adulta en Canadá padece
alergia. En una muestra aleatoria de 1200 adultos se encontró que 20.2% tiene alergia.
Solución:
Población: Personas adultas de Canadá.
Muestra: 1200 adultos.
Variable: Padecen alergia.
Dato: “Si” padecen alergia; “No” padecen alergia.
Datos: 1200 entre “Si” y “No”.
Experimento: muestra aleatoria.
Parámetro: 23% de la población “Si” padece alergia.
Estadística: 20.2%
Ejemplo 2: Un estudiante está interesado en determinar el valor promedio de los automóviles de los
profesores de su escuela, en especial a los maestros de matemáticas.
Solución:
Población: Todos los automóviles de la escuela.
Muestra: Los automóviles de los maestros de matemáticas.
Variable: Valor en pesos.
Dato: El valor del automóvil del profesor Ledesma es de $ 110.000.00
Datos: $ 110.000.00, $ 95.000.00, $ 57.000.00, $ 183.000.00, etc. (datos de la muestra).

Experimento: Métodos aplicados: preguntar a cada miembro de la academia de matemáticas.
Parámetro: Promedio de la población.
Estadística: Promedio de los autos de los profesores
Ejercicio 1: Identifica los términos de la estadística: Se desea saber el promedio de la estatura de los
alumnos hombres de 5to semestre del C.E.C. y T. #4. De los 10 grupos, se selecciona un grupo para
realizar la medición directa.
El promedio de estatura de los hombres es de 1.75 cm.
De la muestra obtenida, 25 hombres el promedio fue de 1.78 cm.
Solución:
Población: ____________________________________________________
Muestra: ____________________________________________________
Variable: ____________________________________________________
Dato: ____________________________________________________
Datos: _____________________________________________________
Experimento: _____________________________________________________
Parámetro: _____________________________________________________
Estadística: _____________________________________________________
TIPOS DE VARIABLES
VARIABLE:
Establece cómo es la característica de interés sobre cada elemento de la población o muestra, puede tomar
diferentes valores y es parte fundamental del estudio estadístico.
Es cualquier característica o atributo que mide difiere para diferentes materias.
Por ejemplo, si se midió el peso de 30 sujetos, entonces el peso sería una variable.
Debido a sus diferentes y variadas características la variable se clasifica en: variable cualitativa y variable
cuantitativa.
Estas variables se pueden subdividir en:
Normal
Cualitativa
Ordinal
Variable
Discreta
Cuantitativa
Continua
VARIABLE CUALITATIVA DE ATRIBUTOS O CATEGORÍAS

Son los atributos de una variable que no son numéricos, solamente pueden describirse mediante palabras
o una cualidad, sin tomar valores numéricos, como nacionalidad, ocupación, religión, estado civil, ciudad
en donde vive, etc.
 VARIABLE NOMINAL
Es la variable que describe o identifica un elemento de una población. Por ejemplo: color de su
preferencia, género, afiliación política, estado civil, ciudad de residencia, marca de automóvil, etc.

 VARIABLE ORDINAL
Es la variable que presenta una posición, clasificación o un ordenamiento. Por ejemplo: grados de estudio,
nivel de satisfacción, nivel de preferencia de un producto, etc.
Las variables cualitativas se miden en una escala nominal (se asignan elementos a los grupos o categorías,
ejemplo de escalas nominales: preferencia religiosa, raza y sexo)
VARIABLE CUANTITATIVA O NUMÉRICA

Son datos numéricos de la variable, se obtienen mediante conteos o mediciones, como el salario de un
trabajador, números de artículos producidos por una máquina, la edad de una persona, etc
 VARIABLE DISCRETA
Es la variable que tiene valor representado por un numero natural o cero. Por ejemplo, el número de
personas asistidas en un partido de fútbol.
 VARIABLE CONTINUA
Es la variable que puede tomar cualquier valor entre los números reales o el intervalo de valores incluido
entre ellos. Por ejemplo, el tiempo transcurrido entre la llegada de dos aviones a un aeropuerto, etc.
Las variables cuantitativas se miden en una escala ordinal (los números más altos, representan los valores
más altos), intervalo (una unidad en la escala representa la misma magnitud en el rasgo o característica
que se mide a través de toda la gama de la escala) o de razón.
VARIABLES INDEPENDIENTES Y DEPENDENTES

Cuando se realiza un experimento, algunas variables son manipuladas por el experimentador y otros se
miden a partir de los primeros. Las variables anteriores se denominan “variables independientes” mientras
que los segundos se denominan “variables dependientes.”
Ejercicio 1: Escribe el tipo de variable que se enlista a continuación:
1. El número de llamadas telefónicas del conmutador en 10 min.
2. Candidato que apoyan los lectores.
3. Tiempo que sane una herida.
4. Grado máximo de estudios de los trabajadores de una empresa_______________
Bloque 2: Análisis de información
TABLAS DE DISTRIBUCIÓN DE FRECUENCIA Y GRÁFICAS DE DATOS,

OBTENIDOS DE UNA MUESTRA DE POBLACIÓN
 Obtención y organización de datos. Tipos de muestras

 Elaboración de tablas de distribución de frecuencias
 Representación gráfica de datos:
Histogramas, polígono de frecuencia, figuras y circulares
OBTENCIÓN DE DATOS
Los datos no ocurren simplemente: es necesario buscarlos y recolectarlos. Los datos deben representar
con exactitud a la población, no es fácil garantizar que un método particular de muestreo produzca datos
requeridos.
La obtención de datos para el análisis estadístico es un proceso complicado y laborioso. Incluye los
siguientes pasos:

1. Definir el objetivo de la investigación o del experimento. Ejemplo: comparar la resistencia de

ciertos materiales en diferentes condiciones ambientales, estimar los problemas más frecuentes en
una delegación del Distrito Federal
2. Identificar la variable y la población de interés. Ejemplo: Tiempo de oxidación de tubulares de
fierro en las costas de una localidad, la inseguridad que muestra determinada colonia de una
delegación.
3. Recolectar y medir los datos. Incluye el procedimiento de muestreo, tamaño de la muestra y el
instrumento de medición (cuestionario, vía telefónica, etc.)
4. Determinar las técnicas para realizar el análisis de datos: descriptivo o inferencialmente.
METODOS DE RECOLECCIÓN DE DATOS
Los métodos que se utilizan para recolectar datos con el fin de realizar un análisis estadístico son los
experimentos y estudios de observación:
a) En un experimento, el investigador controla, modifica el entorno y observa los efectos de la

variable en estudio. En ocasiones leemos resultados de laboratorios obtenidos con roedores para
probar dosis de medicamentos en la cura de una enfermedad. El experimento se diseña
específicamente para obtener datos necesarios para estudiar tal efecto sobre la variable.
b) En un estudio de observación el investigador no modifica el entorno y no controla el proceso de

observación. Los datos se obtienen de la muestra de la población de interés a través de encuestas,
por ejemplo: los censos de la población de un país.
La recolección de datos de la muestra debe ser representativa de la población.

El proceso de selección de elementos de la muestra puede ser de dos categorías: muestras de juicios y
muestras probabilísticas.
Muestras de juicio
La muestra es elegida a juicio de recolector de datos en base al hecho que son “típicas”
Muestra probabilística
Las muestras se obtienen con base en la probabilidad, cada elemento tiene la misma probabilidad de ser
elegido en la muestra. Unos de los métodos comúnmente usados para recolectar datos es el muestreo
aleatorio simple.
Muestreo aleatorio simple.

Es una muestra seleccionada donde todos los elementos de la población tienen la misma probabilidad de
ser elegidos. En el procedimiento se utiliza un generador de números aleatorios o con una tabla de
números aleatorios
A menudo se confunden el termino aleatorio (misma probabilidad) con el de fortuito (sin patrón). Cada
elemento numerado en la muestra corresponde a un número aleatorio seleccionado.
También se puede enumerar cada elemento de la muestra y en un papel se anota el número, se dobla y se
deposita en una urna y así sucesivamente con todos los números de la muestra. Se agita la urna y se extrae
el primero de ellos, después otro número con algún patrón de extracción: cada 2 números, de 3 en 3 etc. Y
se repite la operación cuantas veces sea necesario hasta juntar el 10% (recomendado) de la muestra
Muestra aleatoria estratificada
Se selecciona un número fijo de elementos de cada uno de los estratos por medio de la técnica de
muestreo aleatorio simple.
ORGANIZACIÓN DE DATOS
Su finalidad es ver rápidamente todas las características posibles de los datos que se han recolectado.
Entre más información tengamos de la muestra, mejor se conocerá la población y las decisiones serán más
afirmativas.
Las características de los datos más importantes son el valor máximo y el mínimo, los datos de mayor
frecuencia y la tendencia de agruparse
Los datos se organizan de acuerdo al número de elementos de la muestra. Si son pocos datos (datos no
agrupados) se puede hacer un arreglo y si son muchos datos (datos agrupados) – una tabla de
distribución.
ARREGLO
La forma más sencilla en la que se organizan los datos: se colocan los elementos u observaciones de la
muestra en orden ascendente o descendente según su magnitud. El arreglo es utilizado con mayor
frecuencia para pocos datos, llamados datos no agrupados
Ejemplo: las edades de los miembros de un club de pintura.
37, 28, 40, 47, 30, 42, 38, 52, 25, 30
El arreglo en orden ascendente será:
25, 28, 30, 30, 37,
38, 40, 42, 47, 52
TABLA DE DISTRIBUCIÓN DE DATOS
(DISTRIBUCIÓN DE FRECUENCIA)
Cuando se obtiene un gran número de datos es útil distribuirlos en categorías o clases y determinar el
número de datos pertenecientes a ellas (frecuencias).
Entonces, los datos quedan agrupados en clases o categorías.
Ejemplo:
Los aciertos de un examen fueron:
TABLAS DE DISTRIBUCIÓN DE FRECUENCIAS
TABLA DE DISTRIBUCION (1)
El número de
datos de cada
clase se llama
frecuencia (f)
El número total de
datos de una muestra
se representa con “N”
N= 60

CLASES (CL)
Las clases o categorías no deberían ser tan pequeñas (menos de 5) o tan grandes (más de 20). Para
determinar el número de clases (CL) que debe tener la muestra, se obtiene la raíz cuadrada del número
total de datos (N), o bien se aplica la fórmula de Sturges:
CL = 1+ 3.32 log N ó CL = √N
En el ejemplo anterior aplicamos las dos fórmulas,
N= 60 CL= √60 = 7.7
Sturges CL= 1 + (3.32 log 60) = 6.9

De acuerdo con las dos fórmulas, el resultado está alrededor de “7”.
Intervalo de clases (I)

De la tabla de distribución (1), Cada clase tiene una magnitud llamado intervalo donde se concentran los
datos con ciertas características similares.
Ejemplo: Clase f
50 - 59 7
La clase tiene un tamaño de 10 puntuaciones de exámenes diferentes.

Las puntuaciones serian de: 50, 51, 52, 53, 54, 55, 56, 57, 58, 59.
Los números 50 y 59 son extremos, fronteras o límites de la clase:
El 50 es el extremo, frontera o límite inferior de la clase.

El 59 es el extremo, frontera o límite superior de la clase.
Nota. Todas las clases deben ser iguales en el tamaño de intervalo. Los intervalos más usuales son los nones: 3, 5, 7 etc.

MARCA DE CLASE (mc)

El punto medio del intervalo de la clase se llama marca de clase (MC). Para obtener MC debemos
calcular la semisuma de los límites de clase.
mc= Límite inferior + Límite superior

2
Para el ejemplo:
mc = 50 + 59 = 109 = 54.5
2 2
mc = 54.5
LIMITE REAL DE CLASE (LR)

Los límites reales de clase se obtienen agregando o disminuyendo 0.5 a los límites de la clase.
Límite real inferior (Lri)
Ejemplo:
Lri = límite inferior - 0.5
Límite real superior (Lrs)

Lri CLASE Lrs
Lrs = límite superior + 0.5
49.5 50 - 59 59.5
RANGO (R)
Es la amplitud de los datos de la muestra y se obtiene mediante la diferencia del dato mayor menos el dato
menor.
Ejemplo:
Dato mayor: 98- 30 = 68 R = 98 - 30 = 68
Dato menor: 30 R = 68
TAMAÑO DE INTERVALO (I)
Se puede obtener con el cociente del rango entre el número de clases:
FRECUENCIA ABSOLUTA (f) de una variable estadística es el

I= R número de veces que se repite cada categoría o valor de la
CL variable

Ejemplo:
I = 68 = 9.7, haciendo el redondeo:
7
I = 10
FRECUENCIA ACUMULADA (fa)

Es La frecuencia que se obtiene sumando sucesivamente los números de la columna de frecuencia.
FRECUENCIA RELATIVA (fr)
Se obtiene dividiendo la frecuencia de la clase entre el número total de observaciones. La suma (∑) de las
frecuencias relativas es igual a la unidad.
fr = f
N
No. CLASES f fa fr
1 30 - 39 1 1 0.02
2 40 - 49 3 4 0.05
3 50 - 59 7 11 0.11
4 60 - 69 20 31 0.34
5 70 - 79 16 47 0.26
6 80 - 89 8 55 0.13
7 90 - 99 5 60 0.09
N= 60 Iguales ∑ 1
Porcentaje (%). Si la frecuencia relativa se multiplica por 100, obtenemos el porcentaje, valor que nos permite
estimar, si la frecuencia con la que aparece un dato es relevante o no.
FRECUENCIA RELATIVA ACUMULADA (fra)

Se obtiene simulando sucesivamente las frecuencias relativas o dividiendo la frecuencia acumulada (fa)
entre el número total de datos (N).

No. CLASES f fa fr fra
1 30 - 39 1 1 0.0116 0.02
2 40 - 49 3 4 0.05 0.07
3 50 - 59 7 11 0.116 0.19
4 60 - 69 20 31 0.333 0.52
5 70 - 79 16 47 0.266 0.78
6 80 - 89 8 55 0.133 0.91
7 90 - 99 5 60 0.083 1
N= 60
DISTRIBUCIÓN DE FRECUENCIAS PARA DATOS NO AGRUPADOS

Este tipo de distribución se aplica cuando la cantidad de valores distintos no es mayor a diez.
Ejemplo: Las calificaciones de 22 alumnos de un grupo de una escuela son:

6, 4, 3, 3, 5, 6, 7, 9, 0, 5, 4, 9, 10, 2, 7, 2, 3, 5, 6, 5, 9, 8.
Elaboremos la distribución de frecuencias, de frecuencias relativas y de las frecuencias relativas

acumuladas.
Primero, ordenamos los datos de menor a mayor:

0, 2, 2, 3, 3, 4, 4, 5, 5, 5, 5, 6, 6, 6, 7, 7, 8, 9, 9, 9, 10.
La distribución de frecuencias correspondiente será:

Variable Frecuencias Frecuencias relativas relativas

acumuladas (fra)
estadística (fr) acumuladas (fa)
(xi)
0 1 1 1/22 1/22
2 2 3 2/22 3/22
3 3 6 3/22 6/22
4 2 8 2/22 8/22
5 4 12 4/22 12/22
6 3 15 3/22 15/22
7 2 17 2/22 17/22
8 1 18 1/22 18/22
9 3 21 3/22 21/22
10 1 22 1/22 22/22
DISTRIBUCIÓN DE FRECUENCIAS PARA DATOS AGRUPADOS

Este tipo de distribución se utiliza cuando la cantidad de valores distintos es mayor a diez. En este caso
recomendable agrupar los datos por intervalos o clases de tal manera que la totalidad de los datos queden
concentrados en un mínimo de cinco intervalos y en un máximo de diez, aunque se puede perder precisión
en la información.
Aquí hay libertad para elegir el número de clase y los valores extremos de las mismas.
Algunas recomendaciones para elaborar una distribución de frecuencia para datos agrupados:
❖ Los intervalos, en general, deben tener el mismo ancho.
❖ A la tabla de la distribución de frecuencia se le debe agregar otra columna, la cual corresponde al

punto medio de cada clase, llamado marca de clase.
Ya sabes que existen dos maneras de determinar el número de intervalos o de clases (CL) adecuados para
datos agrupados, dependiendo del número de datos (N):
● Cuando son hasta cien datos: El valor entero más próximo a √N,
CL = √N.
● Cuando son más de cien datos: Se usa la regla de Sturges
CL = 1+ 3.32 log N
Para seleccionar los límites de clase que definirán los intervalos y la longitud de los mismos se
recomienda:
➢ Calcular el rango (R) incluido entre todos los datos, que es la medida de la dispersión de los
datos obtenidos de la muestra mediante la fórmula:
R = valor máximo - valor mínimo

 Calcular el tamaño del intervalo (I) de cada intervalo mediante la fórmula:
I=R
CL
Este ancho de clase se ajusta para abarcar todos los datos. Puede redondearse a una cifra decimal más de
la que tienen los datos, por ejemplo, si los datos son enteros un redondeó de 0.5 sería suficiente.
Para asegurarnos de que ningún valor queda afuera debemos definir un nuevo rango (NR) de los datos,
multiplicando el ancho de cada clase por el número de intervalos.
NR = I * (CL)
El nuevo Rango debe ser de igual o mayor tamaño que el rango original, si es mayor, el exceso se reparte
equitativamente antes del dato menor y después del dato mayor.
Al final, para obtener la frecuencia de cada clase se cuenta el número de datos que quedan entre sus
límites. En el caso de que un dato se encuentre en la frontera de una clase, se debe de contar en la
siguiente clase y no en la primera.
EJEMPLO:
Ejemplo: Los siguientes datos corresponden a la estatura, medida en centímetros, de los alumnos de un
grupo de estudiantes.
160 156 174 157 161 152 154 175
152 170 170 159 159 163 160 164

155 152 175 163 171 165 163 152
165 155 153 154 163 159 165 180
160 165 165 160 152 170 165 175
Primera ordenaremos los datos de menor a mayor para facilitar su conteo y observamos que se tiene más
de diez valores diferentes, Por lo cual se deben agrupar.
152 153 156 160 163 165 165 174
152 154 157 160 163 165 170 175
152 154 159 160 163 165 170 175
152 155 159 160 163 165 170 175
152 155 159 161 164 165 171 180
El Rango de los datos será: R = 180 - 152 = 28

El número de clases será: CL = √N = √40 = 6.32 redondeado a 6.
El tamaño de cada intervalo será:
I = R = 28
CL 6 = 4.66 redondeado a 5.
De acuerdo a estas condiciones el nuevo rango de los datos es:

NR = I *CL 5 * (6) = 30
En la distribución de frecuencias de datos agrupados daremos un margen de 0.5 antes del menor valor y
de 0.5 después del mayor valor, porque el nuevo rango es una unidad mayor que el rango real.
Tendremos:

Tabla de distribución de frecuencias
Intervalo o Variable Frecuencia Frecuencia Frecuencia Fr. relativa

clase acumulada relativa acumulada
est. (xi) (f) (fra)
(fa) (fr)
[151.5, 156.5] 153.5 11 11 11/40 11/40
[156.5, 161.5] 158.5 9 20 9/40 20/40 = 1/2
[161.5, 166.5] 163.5 11 31 11/40 31/40
[166.5, 171.5] 168.5 4 35 4/40 35/40
[171.5, 176.5] 173.5 4 39 4/40 39/40
[176.5, 181.5] 1 40 1/40 40/40 = 1
REPRESENTACION GRAFICA DE DATOS
4/40 1/40 11/40

4/40
11/40 9/40
153.5 158.5 163.5 168.5 173.5
La distribución de los datos puede presentarse a través de histogramas, polígonos de frecuencia,

pictogramas, sector circular (pastel), gráficas de barras y ojivas.
HISTOGRAMA
Son rectángulos cuyas bases están sobre un eje horizontal representadas con los límites reales de clases y
las alturas son iguales a las frecuencias.

Frecuencias HISTOGRAMA
“ACIERTOS DE UN EXAMEN”
25
20
15
10
0
CLASES (limies reales)
29.5
39.5
49.5
59.5
69.5
79.5
89.5
POLÍGONO DE FRECUENCIA
Es una gráfica representa Con segmentos de recta
Características:
unidos en cada marca de clases, asemeja un
polígono cuando se une al eje horizontal. • Cada barra representa un dato o una
clase.
• Cada barra tiene el mismo ancho.
• Para datos no agrupados las barras van
Polígono de Frecuencia juntas y para datos agrupados se deja
"Aciertos en un examen" una separación pequeña entre las clases.
25% • La altura de cada barra representa
alguna de las frecuencias: la frecuencia
absoluta, la frecuencia relativa o el
20% 20% porcentaje.
16%
15%
10%
8% 8% Marca de clase (mc)
6%
5%
4%
2%
0%

EJEMPLO DE POLIGONO DE FRECUENCIAS

ACUMULADAS
25
POLÍGONO DE FRECUENCIAS ACUMULADAS 20
Se elabora partiendo del valor 0 en el extremo izquierdo de la 15
primera clase y va tomando en los extremos derechos de las
clases un valor igual a la frecuencia acumulada. Se unen los 10
puntos y de esta manera se obtiene el polígono de frecuencias 5
acumuladas
0
1 2 3 4 5 6 7 8 9 10
PICTOGRAMAS
La frecuencia de cada clase se
presenta con dibujos referentes a
20 la variable.
18
16
14 PICTOGRAMAS
12
“ACIERTOS DE UN EXAMEN.
10
8
6
Nomenclatura:
4
representa 1 dato
2
0 representa 2 datos
SECTOR CIRCULAR (Pastel)

Cada sector circular de la gráfica representa la frecuencia de las clases. Para obtener el tamaño de cada
sector, se multiplica la frecuencia relativa por 360°.

SECTOR CIRCULAR
EJEMPLO:
"ACIERTOS DE UN EXAMEN"
1
3 2 7
fr 12%
Ejemplo: Distribución de frecuencias 13%
6 2%
CLASES f fr X 360° 5%
1 30-39 1 0.016 5.76° 8%
2 40-49 3 0.05 18° 27%
3 50-59 7 0.116 41.76°
5
4 60-69 20 0.333 119.88°
5 70-79 16 0.266 95.76° 4
33%
6 80-89 8 0.133 47.88°
7 90-99 5 0.083 29.88°
∑ 360°
Si la frecuencia relativa se multiplica

por 100, obtienen el porcentaje (%)
1.6%
fr
Se recomienda para variables cualitativas 11.3% 5.0%
8.3% 1
13.3% 2
3
33.3 4
26.6 % 5
%

GRAFICA DE BARRAS
Son rectángulos cuyas bases están sobre un eje horizontal representadas con los limites de clases y las
alturas son iguales a las frecuencias.
GRAFICA DE BARRAS
“ACIERTOS DE UN EXAMEN”
CLASE f 20
20
S 18
18
1 30-39 1
16
16
2 40-49 3
14
14
3 50-59 7
12
12
4 60-69 2
0 10
10
5 70-79 1 88
6 66
6 80-89 8 44
7 90-99 5 22
30303939 4040 49
49 5050 59
59 606069
69 707079
79 80
80 89
89
CLASES
(Límites de clases)

OJIVA
Se utilizan las frecuencias relativas acumuladas y las marcas de clases.
1.2 OJIVA
1 “ACIERTOS DE UN EXAMEN”
0.8
0.6
0.4 La grafica se muestra como una “S”

0.2
alargada
0
30-39 40-49 50-59 60-69 70-79 80-89 90-99
fra
La zona importante de la Ojiva es
cuando cambia de concavidad
EJERCICIOS DEL BLOQUE 1 Y 2
I. Contesta las preguntas:
1. Un conjunto de datos consta de 36 valores, la mayoría de ellos diferentes. ¿Cuántas clases

recomendarías?
2. Un conjunto de datos tiene 43 valores entre 0 y 28 dólares. ¿Qué tamaño de intervalo
recomendarías?
3. Un conjunto de datos consiste de 250 valores que oscilan desde 345 a 578. ¿Qué limites
recomendarías para la primer clase?
4. Un conjunto de datos contiene 57 observaciones. El valor mas bajo es de 41 y al mas grande de
193.Los datos se deben de organizar en una distribución de frecuencias.
a. ¿Cuántas clases propondrías?
b. ¿Cuáles serían los límites de la primera clase?

II. Realiza las distribuciones y las graficas correspondientes a los ejercicios de 5 a 11 en Excel.
5. El gerente de una compañía tiene 15 solicitudes para ocupar un puesto vacante. Se hacen
entrevistas y se dan calificaciones de los candidatos. Sus calificaciones de la prueba son:
30 27 28 27 29 25 28 27 28 26 26 31 20 26 26
Organiza las calificaciones en una distribución de frecuencias que contenga las frecuencias relativas y
realiza el grafico correspondiente.
6. El numero de operaciones realizadas en un cajero automático en los últimos 18 días fueron:
55 72 65 58 81 90 73 66 57 62 70 92 54 78 66 74 51 83
a. ¿Cuántas clases recomendarías?

b. ¿Cuál es el tamaño de cada clase?
c. Organiza el numero de operaciones en una distribución de frecuencias que muestre las
frecuencias relativas.
d. Elabora el grafico correspondiente
7. Un informe elaborado por el gobierno de cierto estado indico que 52% de los impuestos
recaudados fueron para la educación, 24% para el fondo general, 12% para los municipios, 6%
para los programas sociales el remanente a otros programas. Realiza la distribución de
frecuencias y dibuja la grafica correspondiente para mostrar la distribución del presupuesto.
8. El gerente de una tienda de abarrotes esta interesado a averiguar cuantas veces un cliente
compra en su tienda durante una semana. Las respuestas de 39 clientes fueron:
4 2 3 3 1 4 5 6 2 6 6 6 7 8 14 12 9 6 3 5 3 4 5 6 4 1 6 5 9 7 12 4 7
5 13 11 10 8 2
a. Organiza los datos en una distribución de frecuencias que muestre las frecuencias
acumuladas, relativas y relativas acumuladas.
b. Traza el grafico correspondiente y analízalo.
9. Una empresa de venta por internet estudia el tiempo de surtido de los pedidos (el tiempo desde
que recibe y entrega un pedido) para una muestra de pedidos. Los tiempos de surtido se
reportan en días.

Tiempo Frecuencias
0 a 2 días 12
3 a 4 días 10
4 a 5 días 8
5 a 8 días 6
9 a 10 días 3
a. ¿Cuántos pedidos se estudiaron?

b. ¿Cuántos pedidos se entregaron en menos de 5 días?
c. ¿Y cuantos pedidos fueron entregados en más de 5 días?
d. ¿Alrededor del 65% de los pedidos se entregaron en menos de cuantos días?
e. Elabora la distribución de frecuencias
f. Dibuja el histograma y el polígono de frecuencias
10. Una agencia de viajes ofrece una promoción de paquetes turísticos con tarifas especiales a
gente por el Estado de Quintana Roo. El gerente de la agencia quiere información adicional
sobre las edades de las personas que viajan. Se tomo una muestra aleatoria de 54 clientes que
hicieron este viaje el año pasado y se dio a conocer las siguientes edades.
36 45 28 30 38 24 45 51 34 26 36 23 52 34 42 40 28 36 43 50 60 41 22 33
64 42 45 60 31 32 28 60 45 62 43 60 53 38 47 18 23 35 50 41 20 36 21 19
54 47 41 23 19 25
a. Organiza los datos en una distribución de frecuencias que muestre las frecuencias
acumuladas.
b. ¿Dónde tienden a agruparse los datos’
c. Elabora el grafico correspondiente.

11. Dibuja el diagrama lineal y de plano de la cantidad de coches, producidos en unos países, para el
2012, si sabes que esta se ha aumentado para EEUU, Japón en 30%, para Alemania y Francia - en 20% y
para Gran Bretaña - en 25%. Utiliza la tabla que se muestra abajo para el 1995:
PAÍS Cantidad de
coches en
millones
EEUU 15
Japón 9
Alemania 5
Francia 4.5
Gran Bretaña 3

12. Trazar el polígono y el histograma de la distribución de frecuencia del número de trabajadores de una
empresa según sus salarios mensuales dados en la tabla siguiente:
Intervalos Frecuencia f
(Salarios mensuales en (Número de los trabajadores)
dólares)
50-100 2
100-150 6
150-200 18
200-250 4
250-300 2
13. Dibujar diagrama circular del ciclo diario de un alumno de la preparatoria que se distribuye como
sigue: para dormir -- 8 horas; para la escuela -- 7 horas; para ver televisión -- 4 horas; para hacer los
deberes -- 2 horas; para diversión -- 2 horas; para comer -- 1 hora.
14. Se sabe que los empleados de una tienda tienen edades como sigue (en años):
28,26,36,49,16,42,38,61,40,23,31,53,35.
Encuentra la frecuencia relativa y dibuja el polígono e histograma de la distribución de la frecuencia del

número de los empleados en esta tienda según edad de cada uno de ellos.
Tabla de distribución de frecuencia
Grupos de Frecuencia f Frecuencia

edad relativa
(número de
(Intervalos) empleados) 𝒇
𝒇𝒓 =
𝒏
15-25 2 2/13=0,15
25-35
35-45
45-55
55-65
𝛴= 𝛴=

15. El INEGI muestra la tasa de crecimiento media anual de la población por entidad federativa, 1990 a
2010 de los Estados Mexicanos, en porciento en un intervalo de 5 años desde 1990 hasta 2010. Escoge un
Estado y elabora en tu cuaderno el gráfico correspondiente que muestre el crecimiento de la población.
Haz comparación entre la tasa de crecimiento de los diferentes Estados.
Entidad federativa 1990 199 1990 2000 2005

- 5- - - -
1995 200 2000 2005 2010
0
Estados Unidos 2.1 1.6 1.9 1.0 1.8

Mexicanos
Aguascalientes 3.3 2.1 2.8 2.2 2.2
Baja California 4.3 3.9 4.2 2.4 5.0
Baja California sur 3.0 2.9 2.9 3.4 4.5
Campeche 3.3 1.7 2.6 1.6 1.7
Coahuila de Zaragoza 1.7 1.3 1.6 1.5 2.0
Colima 2.3 2.5 2.4 0.8 2.8
Chiapas 2.0 2.1 2.0 1.6 2.2
Chihuahua 2.4 2.1 2.3 1.1 1.0
Distrito Federal 0.5 0.3 0.4 0.2 0.3
Durango 1.1 0.3 0.7 0.7 1.6
Guanajuato 1.8 1.3 1.6 0.9 2.3
Guerrero 1.9 1.3 1.6 0.2 1.7
Hidalgo 2.0 1.3 1.7 0.8 2.6
Jalisco 2.2 1.3 1.8 1.2 1.7

México 3.2 2.7 2.9 1.2 1.6
Michoacán de Ocampo 1.6 0.7 1.2 -0.1 1.9
Morelos 3.4 1.8 2.7 0.6 2.0
Nayarit 1.5 0.6 1.1 0.6 2.7
Nuevo León 2.4 1.8 2.2 1.6 2.1
Oaxaca 1.2 1.5 1.3 0.3 1.6
Puebla 2.0 2.2 2.1 1.0 1.4
Querétaro 3.1 2.7 3.0 2.3 2.7
Quintana Roo 6.5 5.2 5.9 4.7 3.1
San Luis Potosí 1.7 1.0 1.4 0.8 1.4
Sinaloa 1.7 1.1 1.4 0.5 1.2
Sonora 2.4 1.4 2.0 1.4 2.1
Tabasco 2.7 1.9 2.4 0.9 2.4
Tamaulipas 2.1 2.0 2.1 1.7 1.6
Tlaxcala 2.7 2.0 2.4 1.9 1.8
Veracruz 1.4 0.6 1.1 0.5 1.5
Yucatán 2.4 1.5 2.0 1.6 1.5
Zacatecas 0.8 0.3 0.6 0.2 1.7
Fuente: INEGI. Censos de Población y Vivienda, 1990, 2000, y 2010
INEGI. Conteos de Población y Vivienda, 1995 y 2005


Bloque 3: Medidas de Tendencia Central
Definición:
Son medidas que nos proporcionan información del valor central de los datos, como el promedio, el valor
medio de los datos que más se repiten. Tienden a ubicarse en la parte del centro de la representación
gráfica.
¿Cuáles son las medidas de tendencia central?
• Media aritmética: (Promedio)

• Mediana: Muestra que número de datos se encuentra en el centro. Hay en mismo número de datos
antes y después de él.
• Moda: Muestra el número que más se repite en la muestra de valores.
Fórmulas para calcular medidas de tendencia central para datos sin agrupar
∑𝒏
𝒊=𝟏 𝑿𝒊
� =
Media aritmética: 𝑿 =
𝑵
𝑵+𝟏
Mediana: =
𝟐
Moda: No existe una formula, es el valor que más se repite en el conjunto de datos:
Categorías de moda:
Unimodal: Cuando hay un solo valor
Bimodal: Cuando 2 valores se repiten el mismo número de veces.
Multimodal: Cuando más de 2 valores se repiten el mismo número de veces.
No existe Moda: Cuando ningún valor se repite en el conjunto de datos.
Ejemplo: Entre a YOUTUBE y observe el siguiente video:
Video 1) Tablas de frecuencia│ Ejemplo 1

Video 2) Media mediana y moda │ Datos sin agrupar
Una vez visto el video calcule Media, mediana y moda para los siguientes problemas:
Problema 1.- Los siguientes valores son las edades de un grupo de niños en clase de pintura infantil: 3, 3,
3, 4, 4, 5, 6, 7, 7, 8.
Problema 2.- Ocho pacientes con cita previa necesitaron esperar varios minutos para que fueran
atendidos en la clínica de su localidad. La espera fue de: 38, 42 36, 40, 44, 45, 36,42.
Problema 3.- La ganancias diarias de un restaurante dentro de una semana son como sigue: 4600, 4800,
3500, 4300, 8200, 9500, 6400.
(VALOR 9 PUNTOS)

Fórmulas para calcular medidas de tendencia central para datos agrupados
∑(𝒙𝒊 )𝑭𝒊
�=
Media aritmética: 𝑿 =
𝑵
𝒏
− 𝑭𝒊−𝟏
Mediana = Me = 𝑳𝒊 + � 𝟐
𝒇𝒊
� [𝒂𝒊 ]=
𝒇𝒊 − 𝒇𝒊−𝟏
Moda = Mo = 𝑳𝒊 + �(𝒇 � [𝒂𝒊 ] =
𝒊 − 𝒇𝒊−𝟏 ) + ( 𝒇𝒊 − 𝒇𝒊+𝟏 )
Video 3) Tabla de frecuencia agrupada en intervalos │Ejemplo 1

Video 4) Media, mediana y moda │ Datos agrupados en intervalos ejemplo 1
Una vez visto los videos calcule Media, mediana y moda para los siguientes conjuntos de datos
agrupados en intervalos:
Problema 4
Intervalo X Frecuencia F Xf
Absoluta
(f)
50 - 59 5 5
60 - 69 9 14
70 –79 10 24
80 – 89 7 31
90 – 99 8 39
100 - 109 1 40
∑ 40
Problema 5
Absoluta(f)
16 - 20 14 14
21 – 25 18 32
26 – 30 26 58
31 – 35 32 90
36 – 40 50 140
41 – 45 38 178
46 – 50 24 202
51 - 55 17 219
∑ 219

Problema 6
Absoluta(f)
15 – 22 14 14
23 – 30 17 31
31 – 38 12 43
39 – 46 9 52
47 – 54 5 57
∑ 57
(VALOR 9 PUNTOS)
Bloque 3: Medidas de Posición
Las medidas de posición dividen un conjunto de datos en grupos con el mismo número de individuos: Se
utilizan para mostrar la localización de un dato específico en relación con otros datos de la muestra.
Las medidas de posición de posición son:
• Cuartiles: Son los tres valores de la variable que dividen a un conjunto de datos ordenados en 4
partes iguales. Q 1, Q 2 , Q 3 determinan los valores correspondientes al 25%, al 50% y al 75% de
los datos.
• Deciles: Son los nueve valores que dividen la serie de datos en 10 partes iguales. Los deciles dan
los valores correspondiente al 10%, 20%, 30%.......y al 90% de los datos.
• Percentiles: Los centiles o percentiles son los 99 valores que dividen la serie de datos en 100
partes iguales. Los percentiles dan los valores correspondientes al 1%, 2%, 3%, 4%.......y al 99%
de los datos
Fórmulas para calcular medidas de posición para datos sin agrupar
Estas fórmulas están contenidas en el video 7

Para cuando el número de datos es impar:
𝑲(𝒏+𝟏)
Cuartil = Q k =
𝟒
Para cuando el número de datos es par:
𝑲(𝒏)
Cuartil = Q k = 𝟒
𝑲𝒏
Posición= =
𝟏𝟎
𝒑
P i = � � (𝒏) =
𝟏𝟎𝟎
Video 7) Cuartiles introducción│ Qué son y cómo encontrarlos en datos sin agrupar
Video 8) Deciles│ Introducción concepto y como encontrarlos datos sin agrupar
Video 9) Como sacar PERCENTILES

Una vez visto los videos calcule: El Primer cuartil (Q 1 ), El quinto decil (D 5 ) y El percentil setenta
(P 70 ) para los problemas 1, 2 y 3.
(VALOR 9 PUNTOS)
Fórmulas para calcular medidas de posición para datos agrupados en intervalos.
𝒌𝒏
− 𝑭𝒊−𝟏
Cuartil = Q k = 𝑳𝒊 + A � 𝟒
�=
𝑭𝒊 − 𝑭𝒊−𝟏
𝒌𝒏
− 𝑭𝒊−𝟏
Decil = D k = 𝑳𝒊 + A �𝟏𝟎
𝑭 −𝑭
�=
𝒊 𝒊−𝟏
𝒌𝒏
− 𝑭𝒊−𝟏
Percentil = P k = 𝑳𝒊 + A �𝟏𝟎𝟎 �=
𝑭𝒊 − 𝑭𝒊−𝟏
Ejemplo: Entre a YOUTUBE y observe los siguientes videos:
Video 10) Cuartiles, Deciles y Percentiles │ Ejemplo 1

Video 11) Cuartiles, Deciles y Percentiles │ Datos agrupados en intervalos │Ejemplo 1
Video 12) Cuartiles, Deciles y Percentiles │ Datos agrupados en intervalos │Ejemplo 2
Una vez visto los videos calcule: El Tercer cuartil (Q 3 ), El séptimo decil (D 7 ) y El percentil veinte
(P 20 ) para los problemas 4, 5 y 6.
(VALOR 9 PUNTOS)

Bloque 3: Medidas de Dispersión
Las medidas de Dispersión se utilizan para medir el grado de alejamiento que tiene cada uno de los datos
con respecto a una medida de tendencia central. Esto se puede saber mediante el rango, desviación
estándar y varianza para datos no agrupados y agrupados.
Las medidas de Dispersión son:
• Rango: Es la diferencia entre el valor mayor y el valor menor.

• Desviación media: Es el promedio de las desviaciones con respecto a la media aritmética
• Varianza: es el promedio de los cuadrados de la diferencia de cada dato con la media de la
muestra.
• Desviación estándar: Es la raíz cuadrada de la varianza muestral.
• Coeficiente de variación: Cociente entre la desviación estándar entre la media.
Ejemplo: Entre a YOUTUBE y observe los siguientes videos:
Video 13) Rango, varianza, desviación estándar, coeficiente de variación, desviación media: datos
no agrupados.
Una vez visto el video calcule: Rango, varianza, desviación estándar, coeficiente de variación,
desviación media. Para los problemas 1, 2 y 3.
(VALOR 15 PUNTOS)
Fórmulas para calcular medidas de dispersión para datos agrupados en intervalos.
Las formulas de la Varianza, Deviación Estándar y Coeficiente de variación, están incluidas en el

video
Video 14) Varianza, Desviación Estándar y Coeficiente de Variación │Datos agrupados en

intervalos.
Una vez visto el video calcule: Varianza, Desviación Estándar, coeficiente de variación. Para los
problemas 4, 5 y 6.
(VALOR 9 PUNTOS)
Bloque 3: Medidas de Forma
Miden el grado de simetría y la zona de concentración de los datos en la distribución. Las medidas de
forma caracterizan la forma de la gráfica de una distribución de datos estadísticos. Ellas comparan la
forma que tiene la representación gráfica, histograma de barras de la distribución con la distribución
normal.
Existen 2 tipos de medidas de Forma:
• Medidas de asimetría (SESGO)

• Medida de apuntamiento o curtosis
Medidas de asimetría (SESGO): Una distribución es simétrica cuando su mediana, su moda y su media
aritmética coinciden.
La distribución es asimétrica a la derecha, si las frecuencias descienden más lentamente por la derecha
que por la izquierda.
Si las frecuencias descienden más lentamente por la izquierda que por la derecha la distribución es
asimétrica a la izquierda.
Esta medida se calcula con el Coeficiente de Asimetría de Pearson.
3(𝑋� −𝑀𝑑)
Ca = 𝑠
=
Donde: 𝑥̅ = media aritmética; Md= mediana; s= Desviación estándar.
Medida de apuntamiento o Curtosis: Ellos miden la mayor o menor cantidad de datos que se agrupan en
tono a la moda.
El coeficiente de curtosis mide que tan “puntiaguda” es una distribución respecto de un estándar (forma
acampanada denominada “normal”)
Se definen 3 tipos de distribuciones según su grado de curtosis.
Distribución leptocúrtica: Presenta un elevado grado de concentración alrededor de los valores centrales
de la variable.
Distribución mesocúrtica: Presenta un grado de concentración medio alrededor de los valores centrales
de la variable.
Distribución platicúrtica; Presenta un reducido grado de concentración alrededor de los valores centrales
de la variable.
Para calcular la Curtosis se emplea el coeficiente de Asimetría de Fisher.
Ck= ∑(𝑥𝑖 − 𝑥̅ )
-3=
𝑛𝑠4
Donde: 𝑥̅ = media aritmética; x i = Cada uno de los valores ; s= Desviación estándar; n = tamaño de la
muestra y ∑ = sumatoria.
Video 15) Medidas de forma
Una vez visto el video sustituya los valores encontrados en las anteriores medidas centrales y de
dispersión en las fórmulas de: Coeficiente de Asimetría de Pearson y Coeficiente de Asimetría de
Fisher. Para los problemas 1, 2, 3, 4, 5 y 6.
(VALOR 12 PUNTOS)
PARA SER EVALUADOS SOBRE 10 EN EL BLOQUE 3 TENDRIA QUE REUNIR 72 PUNTOS

PROBABILIDAD Y ESTADÍSTICA
Bloque 4a: Teoría de Conjuntos.
La palabra conjunto no es nueva para nosotros. La usamos en la vida diaria en distintos escenarios,
por ejemplo, cuando nos referimos a un conjunto de rock, cuando hablamos de ropa, etcétera. El objetivo
ahora es pasar este concepto de la vida diaria al lenguaje de las matemáticas. Por ende, es necesario ir
construyendo poco a poco algunos conceptos y conjuntos importantes. Para hacerlo un poco divertido, en
lo siguiente tomaremos como el ejemplo al grupo 10666 del CETIS 069 y veamos que conjuntos podemos
formar con sus estudiantes.
¿Qué es un conjunto?
Si algún primito nos preguntase que es un conjunto, tal vez lo primero en decirle es que en una
agrupación de cosas, para enseguida, ponerle un ejemplo con algunos de sus dulces o sus juguetes. Es
decir, el concepto de conjunto no es algo demasiado abstracto con el que no podamos lidiar. ¿ Por qué
estudiar conjuntos? Resulta que son la base de muchas aplicaciones. De hecho, la electrónica misma que
hace posible el funcionamiento de los celulares o computadora esta fundada en el Álgebra Booleana que, a
su vez, usa Teoría de Conjuntos. En Matemáticas, la Probabilidad se fundamente en Teoría de Conjuntos.
De manera formal diremos que un conjunto es una colección de objetos o elementos. El orden de estos
elementos no importa pero cada elemento debe ocurrir solo una vez.
Vayamos ahora al CETIS 069, donde el grupo 10666 se determino clasificar a sus integrantes en algunos
de los conjuntos mostrados en la Figura (1). Observando la imagen, el grupo 10666 definió los siguientes
Figura 1: Tipos de alumnos en el CETIS 069.
CETPPIS 030 “EMILIANO ZAPATA” 34

conjuntos por comprensión:
A = { x | x son los compañeros que llegan tarde} ,

B = { x | x son los compañeros “Judas”} ,
C = { x | x son los compañeros porros} ,
D = { x | x son las compañeras “divas”} ,
E = { x | x son los compañeros populares} ,
F = { x | x son los compañeros estudiosos} ,
G = { x | x son los compañeros que nunca van clase} ,
H = { x | x son los compañeros inteligentes} ,
I = { x | x son los compañeros que solo platican} ,
J = { x | x son los compañeros que todos aman} ,
K = { x | x son los compañeros que hacen desastre } ,
donde la linea vertical | significa “tal que”. Por ejemplo, la definición del conjunto A se lee: A es el conjunto
formados por los elementos x tales que x son los compañeros que llegan tarde .
Con los nombres explícitos de los alumnos del grupo 10666, las definiciones por extensión de estos
mismos conjuntos son:
A = {Iker, Kevin, Esbeidy, Britanny} ,

B = {Yeison}
C = {Brayan, Tiffani, Kevin} ,
D = {Brianda, Ashly, Shaori, Esbeidy } ,
E = {Brianda, Brayan, Britny, Iker, Yoraida, Lionel } ,
F = {} ,
G = {Brayan, Estiven, Tamara, Brandon} ,
H = {Leidi, Edwin, Wendolin, Brandon} ,
I = { Kevin, Tiffani, Britanny, Iker, Tamara, Britny, Kimberly, Ashly, Brayan } ,
J = ∅,
K = { Sheila, Ian, Barbie, Kevin, Britanny, Brayan, Britny, Edwin } ,
por ejemplo, el conjunto A de los que llegan tarde esta conformado por Iker, Kevin, Esbeidy y Britanny.
Mientras que el conjunto F de los estudiosos y J de los que todos aman están vacíos. Esto se denota, ya sea
con el símbolo {} o con el símbolo ∅.
Ahora que sabemos las dos formas para definir un conjunto podemos notar que, la definición por
comprensión es muy útil cuando el numero de elementos es muy grande, por ejemplo, es mas sencillo
decir “los alumnos del grupo 10666” que estar nombrando a cada integrante. En cambio, la definición por
extensión es muy útil cuando los elementos son pocos pues se ve mas claramente quienes son, como por
ejemplo en el conjunto de los porros.
Pasemos ahora a definir algunos conjuntos importantes en Teoría de Conjuntos, ya que se ocupan
regularmente y son la base de muchas aplicaciones. El primero es el conjunto vacío, el cual vimos arriba.
Como su nombre lo indica, no tiene elementos y se denota con los simbolos {} ó ∅. Otro es el conjunto
universo y es aquel que contiene a todos los elementos y se representa con el símbolo U, por ejemplo,
U = “los alumnos del salon 10666”. El conjunto unitario es aquel que solo contiene un elemento, por

ejemplo, el conjunto de los compañeros “Judas” compuesto solo por Yeison. El conjunto finito es aquel
en que podemos contar a sus elementos aunque su numero fuese muy grande, mientras que, el conjunto
infinito tiene tantos elementos que no es posible conocerlos a todos. Por último, la cardinalidad de un
conjunto consiste en el numero de elementos que posee, por ejemplo, las cardinalidad del conjunto C de
compañeros porros es de 3 y se denota como card(C ) = 3.
Operaciones con conjuntos

Así como podemos sumar, restar, multiplicar y dividir a los números, podemos hacer algo similar
con los conjuntos. Las operaciones que podemos hacer con ellos son: Unión, Intersección, Diferencia y
Complemento. Sus respectivos símbolos son: ∪ , ∩ , \ , c . Es importante señalar que en muchos libros la
diferencia la denotan con el símbolo - de la resta aritmética y el complemento lo denotan con una comilla o un sombrero
de barra.
Unión de conjuntos
En la vida diaria, cuando unimos elementos provenientes de diversos orígenes, estamos aplicando
la unión de conjuntos. Por ejemplo, el playlist de Bayron alumno del CETIS 069 esta conformado por
cumbias o reggaeton. Otro ejemplo es la familia Delgadillo Gordillo que esta conformada por la unión de
las personas que sean parientes del Sr. Delgadillo o de la Sra. Gordillo. Para nuestro grupo 10666, veamos
algunos ejemplos:
D ∪ E = { Brianda, Ashly, Shaori, Esbeidy, Brayan, Britny, Iker, Yoraida, Lionel } ,
G ∪ J = { Brayan, Estiven, Tamara, Brandon} ,
F∪ J = ∅,
A∪ F = A.
En el primer caso vemos que Brianda esta tanto en D como en E pero cuando hacemos la unión de conjuntos
ella aparece solo una vez. Esto es correcto, tanto intuitivamente pues de nada sirve repetir su nombre,
como por la misma definición de conjunto que se dio arriba. En el segundo ejemplo, notamos que G ∪ J es
exactamente igual a G. Esto era de esperarse pues J es vacío. De este sencillo ejemplo podemos concluir
algo muy importante en Teoría de Conjuntos: Todo conjunto siempre tiene como elemento al vacío. No
hay necesidad de escribirlo explicitamente en cada conjunto, sabemos que siempre esta ahí como algo
omnipresente. De ahí que el tercer ejemplo sea intuitivo pues si dos conjuntos no tienen elementos, su
unión tampoco. Y en el último ejemplo sucede lo mismo que en el segundo, con la diferencia que se escribió
solo el nombre del conjunto en lugar de listar a todos sus elementos.
Formalmente la unión de un conjunto Y con otro Z se define como
Y ∪ Z = {x|x ∈ Y ∨ Z} , (1)
y se lee: Y unión Z es el conjunto de los elementos x tal que x pertenezca a Y o pertenezca a Z . Los símbolos ∈
significa pertenencia y ∨ significa disyunción, o sea, la letra “o” del español. Por ejemplo, Shaori pertenecerá
al conjunto D ∪ E siempre y cuando Shaori pertenezca a D o pertenezca a E. Si esta en alguna de estas dos
opciones, entonces Shaori estará en D ∪ E. Y esto sucede, pues Shaori esta en D.
Intersección de conjuntos
En la vida diaria, cuando buscamos cosas comunes entre dos opciones, estamos aplicando la intersección
de conjuntos. Por ejemplo, el playlist de Bayron tiene varias canciones de “cumbiaton”, genero que esta en

la intersección de la cumbia y el reggaeton. De igual forma, Brandon Delgadillo Gordillo hijo de la pareja,
esta en la intersección de la Familia Delgadillo Gordillo pues tiene el apellido Delgadillo y Gordillo. No
podemos decir lo mismo de Fiona Lomas Gordillo, prima de Brandon, pues aunque pertenece a la Familia
no esta en la intersección pues solo lleva un apellido. Para nuestro grupo 10666, veamos algunos ejemplos:
A ∩ B = {} , C∩ F = ∅, C∩ D = ∅, C∩ I = C, D ∩ E = { Brianda} .
En el primer caso vemos que el conjunto A de los que llegan tarde no tiene nada en común con el conjunto
B de los “Judas”. Lo mismo sucede con el segundo y tercer ejemplo, aunque con los conjuntos C y F es
más difícil de ver pues F no tiene elementos. ¿ Como podemos entender este resultado? Bueno, arriba
mencionamos que todo conjunto siempre contiene al vacío, por tanto, podemos escribir F = { Brayan,
Tiffani, Kevin, ∅}. Escrito así ya se ve más claramente que lo único en común C y F es el vacío. Con estos
tres ejemplos podemos introducir la definición de conjuntos ajenos, que son dos o mas conjuntos que no
tienen algo en común. El cuarto ejemplo, lo que tienen en común C e I son precisamente los elementos de
C, de ahí que el resultado sea C. En el último ejemplo, lo único que tienen en común D y E es a Brianda.
Formalmente la intersección de un conjunto Y con uno Z se define como
Y ∩ Z = {x|x ∈ Y ∧ Z} , (2)
y se lee: Y intersección Z es el conjunto de los elementos x tal que x pertenezca a Y y pertenezca a Z. El símbolo
∧ significa conjunción, o sea, la letra “y” del español. Por ejemplo, Brianda pertenecerá al conjunto D ∩ E
siempre y cuando Brianda pertenezca tanto a D como a E. Si esta en ambas opciones simultáneamente,
entonces Brianda está en D ∩ E. Y esto sucede, pues Brianda esta en D y en E.
Diferencia de conjuntos y Complemento de un conjunto

La diferencia y el complemento de conjuntos son muy similares. De ahí que también se les conozca
respectivamente como complemento relativo y complemento absoluto. Ambas funcionan como comparación,
la primera respecto a otro conjunto y la segunda respecto al conjunto universo.
En la vida diaria, cuando comparamos o distinguimos dos cosas estamos aplicando la diferencia de
conjuntos. Por ejemplo, Bayron distingue al reggaeton de las cumbias si solo oye sonidos reggaetoneros.
Por tanto, el cumbiaton no lo considera reggaeton. De forma similar, para distinguir solo a los parientes del
Sr. Delgadillo de los de la Sra. Gordillo debemos ver quien solo tiene el apellido Delgadillo. Para nuestro
grupo 10666, veamos algunos ejemplos:
D \ E = { Ashly, Shaori, Esbeidy } , I \ K = { Tiffani, Iker, Tamara, Kimberly, Ashly } ,

A\ B = A, B\ A = B, J \ B = ∅.
Entonces, cuando restamos a D el conjunto E, debemos dejar los elementos que tenga D y que no tenga E,
que son Ashly, Shaori y Esbeidy. Y esto se aplica para los demás ejemplos. Notemos que, así como con el
reggaeton de Bayron o los parientes Delgadillo, el conjunto de la izquierda funciona de referencia y el de
la derecha el de comparación. Por eso no da lo mismo A \ B que B \ A ya que, en el primer caso el conjunto
de referencia es A mientras que en el segundo caso es B.
Formalmente la diferencia de un conjunto Y con uno Z se define como
Y \ Z = {x|x ∈ Y ∧ x ∈
/ Z} , (3)
y se lee: Y menos Z es el conjunto de los elementos x tal que x pertenece a Y y no pertenece a Z. El símbolo ∈
/
significa “no pertenencia”.

La operación complemento funciona de forma similar, solo que ahora la referencia es el conjunto universo
U. En la vida diaria, cuando decimos que nos falta dinero o un carro, estas dos cosas son nuestro complemento,
es decir, lo que nos falta respecto de un todo. Este “todo” es un conjunto universo. Por ejemplo, el complemento
de las cumbias respecto del universo de la música de Bayron esta compuesto por los corridos, el reggaeton,
el cumbiaton y las charangas. El complemento de los Delgadillo respecto a la familia de Brandon son solo
los Gordillo.
Si nuestro conjunto universo es el grupo 10666, tendríamos que
Bc = A ∪ C ∪ D ∪ E ∪ F ∪ G ∪ H ∪ I ∪ J ∪ K ,
es decir, el complemento del conjunto B son todos los compañeros de Yeison que faltan para completar el
grupo 10666, o sea, la unión de todos los conjuntos restantes.
Si ahora el conjunto universo consistiera solo del conjunto I entonces,
C c = { Britanny, Iker, Tamara, Britny, Kimberly, Ashly } ,
que son los compañeros que le faltarían a Brayan, Tiffani y Kevin para convertirse en el conjunto de los
compañeros que solo platican.
Formalmente el complemento de un conjunto Y respecto de un conjunto universo U se define como
Yc = {x|x ∈ U ∧ x ∈
/ Y} , (4)
y se lee: el complemento de Y es el conjunto de los elementos x tal que x pertenece al conjunto universo U y no
pertenece a Y. Es decir, Y c consiste en todos los elementos que le faltan a Y para convertirse en el conjunto
universo U.
Note la similitud con la definición de la diferencia de conjuntos dada en (3) con el complemento en (4).
Es posible ver entonces que Y c = U \ Y.
Diagramas de Venn
Los diagramas de Venn son una representación gráfica de las operaciones con conjuntos. Abajo vemos
algunas representaciones. Noten que toda operación de conjuntos siempre se realiza en el ambiente de un
conjunto universal U representado por el recuadro.
A B A B
A∪B A∩B
U U
A B A B
A\B B\A
U U

A B A B
Ac Bc
U U
A B A B
A∪B∪C A∩B∩C
U C U C
A B A B
A \ (B ∪ C) Ac
U C U C
Precaución
Lo primero a señalar es que la diferencia de conjuntos no es una resta aritmética, por ello, es conveniente
usar el símbolo \ en lugar de − para acentuar esta distinción. Esta confusión sucede frecuentemente,
por ejemplo, supongamos que card( A) = 20, card( B) = 10, card( A ∩ B) = 5 y nos piden card( A \ B).
Lo principiantes calculan esto erróneamente como card( A \ B) = card( A) − card( B) = 10. El resultado
correcto es card( A \ B) = card( A) − card( A ∩ B) = 15. Y la confusión es mayor aun si se usa −.
Por otro lado, en muchos libros no se preocupan por dibujar el rectángulo exterior que representa el
conjunto universo U. Ellos simplemente suponen que el conjunto universo solo consta de los círculos
que dibujan. Por ejemplo, en el diagrama de abajo a la izquierda esta coloreado en verde Ac cuando
el conjunto universo consta de mas conjuntos que A, B y C pero no son de interés en los cálculos o
simplemente no sabemos quienes son. Ahora, del lado derecho esta coloreado también en verde Ac cuando
el conjunto universo solo consta de los conjuntos A, B y C, por ello no hay necesidad de dibujar el rectángulo
que representa U.

A B
A B
U C
Un análogo de esto en la vida diaria sería la frase “me gusta la pizza”. Si lo piensan un poco, esta frase
esta incompleta y es porque regularmente se presupone que la otra persona sabe de que hablamos. Por
ejemplo, si el universo de las pizzas a las que se refiere la frase consta de las pizzas de Italia tal vez nos
quedaríamos callados sin saber que opinar pues puede que nunca hayamos probado una pizza de ese país,
ni ido allá. Pero si el universo consta solo de las Little Caesars o las Dominos pizza pues podríamos
responder ”a mi también me gustan”. Como podrán darse cuenta, el conjunto universo me da el contexto
en que estoy hablando pero mucha gente obvia esto. Por tanto, cuando en los libros no dibujen el recuadro
que representa U, están obviando que U solo consta de los círculos que dibujan.
Reglas mnemotécnicas
Al principio siempre es difícil entender las definiciones matemáticas abstractas y mucho menos memorizarlas.
Las frases siguientes nos ayudarán en el proceso de entendimiento de las operaciones con conjuntos. Si
definimos Y = yo y T = tu.
UNION: Y ∪ T = ¡vamos a unirnos tu y yo!
INTERSECCIÓN: Y ∩ T = ¿ que tenemos en común tu y yo ?
DIFERENCIA: Y \ T = ¿ que tengo yo que no tienes tu ?
COMPLEMENTO: Y c = ¿ que tienen los demás que yo no tengo?
Ejemplo de cálculos con conjuntos

Veamos más ejemplos. Definamos los siguientes conjuntos por comprensión:
A = { x | x son las letras de la palabra “voy ”} , B = { x | x son las letras de la palabra “reprobar ”} ,
C = { x | x son las letras de la palabra “estadística ”} , D = { x | x la calificación que sacaré} ,
Estos mismos conjuntos por extensión son:
A = {v, o, y} , B = {r, e, p, o, b, a} , C = {e, s, t, a, d, i, c} , D = {5} ,
como vemos, por la definición de conjunto, cada letra deber aparecer solo una vez. En cuanto a las cardinalidades,
vemos que card( A) = 3, card( B) = 6, card(C ) = 7 y card( D ) = 1. Hagamos el respectivo diagrama de
Venn:

La intersección entre
las palabras “voy” y
“reprobar” es la letra o.
A B
v,y o
r,p,b La intersección entre
La calificación es un ∅ las palabras 3 palabras
∅ e,a es el vacío.
conjunto ajeno.
s, t, d, i, c La intersección entre
las palabras “reprobar”
5 y “estadistica” son las
U C
La intersección entre letras e y a.
las palabras “voy” y
“estadistica” es el
vacío.
Guiándonos con los diagramas de Venn coloreados y con el diagrama de Venn particular de este
ejemplo, podemos calcular lo siguiente:
A ∪ B = {v, y, o, r, p, b} , B ∪ C = {r, p, b, e, a, s, t, d, i, c} , A ∪ C = {v, y, s, t, d, i, c} ,

A ∩ B = {o } , A∩C = ∅, B ∩ C = {e, a} , A∩ B∩C = ∅, A∩ D = ∅,
A∩ B∩C = ∅, A ∪ B ∪ C = {v, y, o, r, p, b, e, a, s, t, d, i, c}, A ∪ B ∪C ∪ D = U,
A \ B = {v, y} , B \ A = {r, p, b} , A\C = A, B \ C = {r, p, b} , (5)
c c c
A = {r, p, b, e, a, s, t, d, i, c, 5} ( A ∪ B) = {s, t, d, i, c, 5} D = A∪B∪C,
c c
( B ∩ C ) = {v, y, o, r, p, b, s, t, d, i, c, 5} , ( A \ B) = {o, r, p, b, e, a, s, t, d, i, c, 5} ,
A \ ( B ∪ C ) = {v, y} .

Ejercicios
√ √ √
Ejercicio 1. Si U = { 12 , 0, π, 5, − 2, −4}, A = {− 2, 0, π }, B = {5, 12 , − 2, −4} y C = { 12 , −4}
encuentre: A ∩ B, A ∪ B, ( A ∪ B) ∩ C, Bc ∪ C c , A \ B, ( B ∩ C )c y ( A ∩ C ) ∪ ( B ∩ C ).
/, ∅ en un problema cotidiano.
Ejercicio 2. El propósito es usar los símbolos ∨, ∧, ∈, ∈
En 1901 Karl Landsteiner descubrió que el tipo de sangre varia en cada persona. Hay 8 tipos: A− , B− , O+ ,
AB− , A+ , B+ , AB+ , O− , donde a los signos ± se les llama factor Rh. Hay posible compatibilidad entre
un donador y un receptor si ambos tipos de sangre pertenecen al mismo conjunto. La compatibilidad es
perfecta si son del mismo tipo pero si son de tipos distintos dentro del conjunto, el receptor aceptará sangre
del donador si el área de la región que ocupa este último en el diagrama de Venn es estrictamente mayor
que el área del receptor. Complete las sentencias con las palabras o símbolos matemáticos adecuados.
Se tienen 3 conjuntos A, B y Rh+ . Definalos por extension viendo
el diagrama y calcule las operaciones solicitadas:
A = { }, A B
A− B−
B = { },
+
Rh = { }, AB−
+
B ∩ Rh = { },
+
A ∪ Rh = { }, AB+
+
B \ ( A ∪ Rh ) = { }, A+ B+
Bc = { }.
Como A+ AB− A es posible que haya

y pertenecen 0+
compatibilidad, sin embargo, tomando el criterio del área U = 0−
vemos que area( A+ ) = area( AB− ). Por tanto, A+ no puede Rh+
donar a AB− y viceversa.
Ahora, A+ AB+ A y area( A+ ) > area( AB+ ), por tanto, la persona con sangre AB+ aceptará
y pertenecen
sangre del tipo A+ .
Como A ∪ B ∪ Rh+ 0− y area(0− ) es la mayor de todas, entonces a 0− se le llama
pertenece
universal.
Como A ∩ B ∩ Rh+ = AB+ y area( AB+ ) es la menor de todas, entonces a AB+ se le llama
universal.
Puede verse que A− B y además A− ∩ B− = , entonces A− y B− son incompatibles.
no pertenece
¿Quién o quienes le pueden donar a 0− ? .
−
Si una mujer es Rh y su pareja también, no existen riesgos para el embarazo, ya que los hijos heredarán el
mismo factor Rh. Sin embargo, si la mujer es Rh− y su pareja es Rh+ , hay un 75 % de posibilidad de que el
bebé herede el tipo sanguíneo del padre y tenga incompatibilidad Rh con la madre. Esto puede provocar
aborto espontaneo, anemia fetal, lesiones cerebrales, insuficiencia cardíaca y pulmonar, inflamación corporal,
convulsiones o muerte poco después del parto. El bebé puede sobrevivir con trastornos de movimiento,
pérdida de audición o disminución de capacidad mental. Si definiéramos Rh− = { A− , B− , AB− , 0− },
usando el lenguaje de conjuntos, la condición para poder casarse es Rh− ∩ Rh+ = .
Ejercicio 3. En verde está resultado de la operación indicada a la derecha. Lo que deberán hacer es
iluminar o subrayar con distintos colores los pasos intermedios hasta llegar a dicha respuesta.

A B A B

A ∪ B ∪ C \ ( A ∩ B) ∪
A ∩ (B ∪ C)
( A ∩ C) ∪ (B ∩ C)
U C U C
A B A B
( A \ B) ∪ ( A \ C ) ∪
( A ∩ C) \ B
(B \ C)
U C U C
A B A B
A ∪ ( B ∩ C )c C \ ( A ∩ B)
U C U C
A B A B
A ∪ (C ∩ B) ( A ∪ B ∪ C )c
U C U C

Ejercicio 4. Se definen los siguientes conjuntos por comprensión:
E = { x | x son 35 alumnos que estudian Español} ,

A = { x | x son 27 alumnos que estudian Alemán} ,
F = { x | x son 50 alumnos que estudian Francés} ,
A ∩ E = { x | x son 12 alumnos que estudian Alemán y Español} ,
F ∩ E = { x | x son 9 alumnos que estudian Francés y Español} ,
A ∩ F = { x | x son 7 alumnos que estudian Alemán y Francés} ,
A ∩ F ∩ E = { x | x son 4 alumnos que estudian los tres idiomas} ,
En cuanto a las cardinalidades, vemos que card( E) = 35, card( A) = 27, card( F ) = 50, card( A ∩ E) = 12,
card( F ∩ E) = 9, card( A ∩ F ) = 7 y card( A ∩ F ∩ E) = 4.
Ayudandose con los diagramas de Venn de las secciones anteriores, llene con el número correspondiente
los recuadros siguientes y complete el diagrama de Venn de abajo.
E ∩ A \ F = { x | x son alumnos que solo estudian Español y Alemán pero no Francés} ,

E ∩ F \ A = { x | x son alumnos que solo estudian Español y Francés pero no Alemán} ,
A ∩ F \ E = { x | x son alumnos que solo estudian Alemán y Francés pero no Español} ,
E \ ( A ∪ F ) = { x | x son alumnos que solo estudian Español} ,
A \ ( E ∪ F ) = { x | x son alumnos que solo estudian Alemán} ,
F \ ( A ∪ E) = { x | x son alumnos que solo estudian Francés} .
E A
8
3
10 5
U F
Con su diagrama de Venn completado, llene cada recuadro con el número correspondiente.

E ∪ F ∪ A \ ( E ∩ F ) ∪ ( E ∩ A) ∪ ( A ∩ F ) = { x | x son alumnos que estudian un solo idioma} ,
( E ∩ A \ F ) ∪ ( E ∩ F \ A) ∪ ( A ∩ F \ E) = { x | x son alumnos que solo estudian dos idiomas} .
Ejercicio 5. Complete todos los recuadros siguientes. Ayúdese con el diagrama de Venn.

U = { x | x son 120 alumnos entrevistados} , B A

B = { x | x son 46 alumnos que practican Basketball} ,
A = { x | x son 28 alumnos que practican Atletismo} ,
F = { x | x son 35 alumnos que practican Fútbol} ,
= { x | x son 11 alumnos que practican Basketball y Atletismo} ,
= { x | x son 15 alumnos que practican Basketball y Fútbol} ,
= { x | x son 8 alumnos que practican Atletismo y Fútbol} ,
U F
= { x | x son 6 alumnos que practican los tres deportes} ,
= { x | x son 5 alumnos que solo practican Basketball y Atletismo pero no Fútbol} ,

A ∩ F \ B = { x | x son alumnos que practican Atletismo y Fútbol pero no Basketball} ,
B ∩ F \ A = { x | x son 9 alumnos que },
B \ ( A ∪ F ) = { x | x son alumnos que },
A \ ( B ∪ F ) = { x | x son alumnos que },
= { x | x son alumnos que solo practican Fútbol} ,

B \ ( A ∪ F ) ∪ A \ ( B ∪ F ) ∪ F \ ( B ∪ A) = { x | x son alumnos que practican un solo deporte} ,
( B ∩ A \ F ) ∪ ( B ∩ F \ A) ∪ ( A ∩ F \ B) = { x | x son alumnos que practican solo dos deportes} ,

c
B∪A∪F = { x | x son alumnos que no practican algún deporte} ,
Bc = { x | x son alumnos que no practican basketball} .
Ejercicio 6. En los diagramas siguientes ilumine con distintos colores los pasos intermedios de las
operaciones de conjuntos marcadas en los seis recuadros punteados del ejercicio 5, hasta llegar al resultado
final, que ira en color negro. No importa el orden pero escriba cada operación en las líneas de la derecha.
B A B A
U F U F

B A B A
U F U F
B A B A
U F U F
Ejercicio 7. La síntesis aditiva es una actuación conjunta de estímulos de color sobre la retina. Los
colores obtenidos naturalmente por descomposición de la luz o artificialmente mediante fuentes de luz, se
denominan colores aditivos. Su representación se le llama RGB (Red, Green, Blue). Complete las lineas con
la respuesta correcta. Ejemplo: A ∩ B ∩ C = {blanco}.
A B
A∩B−C = { },
= {verde} ,
= {rojo, verde, azul} , amarillo
rojo verde
= {magenta} ,
= {magenta, amarillo,cian} , blanco
magenta cian
= {cian, verde, azul} ,
= {rojo, amarillo, verde, magenta, azul, cian} , azul
= {rojo, amarillo, verde, magenta, blanco, cian} ,
= {magenta, blanco, amarillo, cian, verde} ,
= {rojo} ,
C
Ejercicio 8. Usando los conjuntos U = { a, b, c, d, e, f , g, h, i, j, k, l, m, n, o, p, q}, X = { a, c, d, e, i, m, p} e
Y = { a, b, e, f , g, k, m, o, q}, compruebe las siguientes 11 propiedades:
Existencia del neutro: 1) X ∪ ∅ = X , 2) X ∩ U = X. Dominación: 3) X ∪ U = U , 4) X ∩ ∅ = ∅.
Complementariedad: 5) X ∪ X c = U , 6) X ∩ X c = ∅, 7) ∅c = U , 8) Uc = ∅.
Involutiva: 9) ( X c )c = X. Leyes de De Morgan: 10) ( X ∪ Y )c = X c ∩ Y c , 11) ( X ∩ Y )c = X c ∪ Y c .

Bloque 4b: Teoría de Probabilidad I.
Hemos llegado a la última parte del semestre en la cual se unen varias disciplinas de la Matemática: el
Álgebra, la Estadística, la Teoría de Conjuntos, la Teoría Combinatoria, el Calculo Diferencial e Integral, y
demás disciplinas que no vale la pena mencionar. Por el momento, solo trataremos con las cuatro primeras
y su relación con la Probabilidad.
Hay dos tipos de fenómenos que pueden observarse en la naturaleza. Al primero se le conoce como
fenómenos deterministas. Como su nombre lo indica, se perciben siempre de la misma forma, es decir, se
pueden precisar pues siguen leyes deterministas. Ejemplos son la fuerza de gravedad, los impuestos, el
voltaje eléctrico, etcétera. Todas ellas siguen leyes o ecuaciones que funcionan igual en cualquier lugar.
El otro tipo son los de fenómenos no deterministas o aleatorios. Como su nombre lo indica, no se pueden
precisar pues no siguen una ley que determine su comportamiento. Ejemplos son el clima, los juegos de
azar, la temperatura ambiental, etcétera. La Probabilidad se encarga de estudiar estos fenómenos.
Entonces, como trataremos con fenómenos aleatorios que, si los repito me pueden dar distintos resultados,
es necesario hacer varios experimentos para a partir de sus resultados tratar de modelar su comportamiento.
Aquí en donde entra la Estadística pues esta disciplina nos enseña la recolección de datos, como agruparlos
y como obtener información de ellos.
Por otra lado, los experimentos que podemos realizar como humanos son finitos, es decir somos capaces
solamente de repetir un experimento hasta cierto punto, ya sea por falta de tiempo, por falta de energía,
por falta de dinero, etcétera. Debido a ello, es muy necesario organizar nuestros experimentos y todos
los resultados que obtengamos de ellos. Aquí es donde entra la Teoría de Conjuntos. Es decir, haremos
conjuntos con los resultados de los experimentos para calcular qué tan posible es que algunos o varios de
ellos ocurran más que otros. En adicción, la Teoría de Conjuntos introduce también un esquema lógico que
nos permitirá calcular muchas cosas y dará estructura a la descripción de los fenómenos aleatorios.
Subconjuntos y Conjunto Potencia

Recordemos que un conjunto es una colección de elementos. Un conjunto A es un subconjunto de un
conjunto B si cada elemento en A está también en B. Es decir, un subconjunto es un conjunto que está
incluido o contenido dentro de otro conjunto más amplio. Simbólicamente se escribe: A ⊂ B si ∀ x, x ∈
A ∧ x ∈ B. Y se lee: A es subconjunto de B si para toda x, x pertenece a A y x pertenece a B. Por ejemplo
B = { x | x son las horas del día }, mientras que A podría ser A = { x | x son los horas laborables }. Es posible
notar que A esta contenido en B. Vemos también que card( B) = 24 y que card( A) = 8.
El conjunto potencia P( A) (o conjunto de las partes) de un conjunto A es otro conjunto formado por
todos los subconjuntos del conjunto A. Por ejemplo, dado el conjunto A = {b, 5, ∆} tiene como conjunto
potencia P( A) = {∅, {b}, {5}, {∆}, {b, 5}, {b, ∆}, {5, ∆}, {b, 5, ∆}}. Como puede verse, el conjunto P( A)
consta de todas las combinaciones que pueden hacerse con los elementos del conjunto A. Es importante
notar que el vacío ∅ siempre tiene que añadirse, pues como recordarán, el vacío siempre esta contenido en
todos los conjuntos.
Distintas nociones de Probabilidad, Ley de los Grandes Números y la Regla de

Laplace
Llamaremos espacio muestral al conjunto formado por todos los posibles resultados elementales de
un experimento. Lo representaremos con la letra S. Un evento o suceso es un subconjunto del espacio

muestral. Por ejemplo S = { x | x son los días de la semana }, mientras que un evento A subconjunto de S
podría ser A = { x | x son los días laborables }. Vemos que card(S) = 7 y que card( A) = 5.
Otro ejemplo es el experimento de lanzar dos monedas consecutivamente, escribiendo s=sol y a=águila.
El espacio muestral vendría dado por S = {(s, s), (s, a), ( a, s), ( a, a)}. Un evento puede ser A = {(s, s), (s, a)}
que consiste en las veces que la primer moneda cayo sol. Aquí card(S) = 4 mientras card( A) = 2.
Como podemos notar el espacio muestral juega el mismo papel que el conjunto universo U, y sí, son
los mismo pero en diverso contexto. Se escogió llamarle espacio muestral para recalcar que es un conjunto
que tiene todas las muestras de los posibles resultados de nuestro experimento. En la tabla 1 se encuentra
un diccionario para traducir algunos términos de Teoría de Conjuntos a la Teoría de Probabilidades.
Lenguaje Conjuntista vs Lenguaje Probabilista

Teoría de Conjuntos Teoría de Probabilidades
U Universo Espacio muestral
∅ Conjunto Vacío Evento imposible
P( A ) Conjunto Potencia de A Familia de todos los eventos posibles de A
A⊂U A subconjunto de U A es un evento
A∪B A unión B Ocurre el evento A o el evento B
A∩B A intersección B Ocurre el evento A y el evento B
A\B A menos B Ocurre el evento A, pero no el evento B
Ac Complemento de A No ocurre el evento A (Evento no-A)
A⊂B A es subconjunto de B A implica B
A∩B = ∅ A y B son disjuntos A y B son mutuamente excluyentes
Tabla 1: Diccionario entre el lenguaje conjuntista y el lenguaje probabilista.
Como último ejemplo tomemos el experimento de lanzar un dado. Su espacio muestral son todos los
resultados elementales, esto es, S = {1, 2, 3, 4, 5, 6} con card(S) = 6. Un evento es cuando el dado cae en 3,
esto es, A = {3} con card( A) = 1.
En cuanto al tema importante, podemos afirmar que la probabilidad es una medida de la incertidumbre.
La primera noción de probabilidad es la probabilidad “subjetiva” basada en la opinión de un experto. Un
ejemplo cotidiano son los partidos de fútbol, donde cada uno le da una probabilidad de que un equipo
gane o pierda.
Otra noción es la probabilidad teórica o probabilidad “a priori” de un evento A que resulta del
cociente de la cardinalidad del evento A y la cardinalidad del espacio muestral S,
card( A)
p( A) = . (6)
card(S)
Los inconvenientes de definir la probabilidad de esta forma son: 1) Solo es válida cuando los eventos
elementales son equiprobables (igualmente probables). 2) A veces no es posible contar.
Retomemos el ejemplo consistente en tirar un dado para ejemplificar esta noción.
Vemos que la probabilidad de sacar un 3 es 1/6 ≈ 0.166 y, podemos intuir y calcular que, este resultado
no cambiará para cualquiera de las otras caras del dado. Vemos también que es distinto enunciar "sacar un
2 o un 3"que "sacar un 2 y un 3". En el primer enunciado estamos aplicando la operación unión mientras
que en el otro estamos aplicando la intersección. Este último caso es un evento imposible pues da como
resultado el vacío ya que no se puede sacar un 2 y un 3 simultáneamente teniendo un único dado. El último
es un evento seguro pues siempre al lanzar un dado saldrá alguno de los 6 números, por ello p(S) = 1.

Experimento Resultados posibles Eventos Probabilidad

sacar un par, A = {2, 4, 6} p( A) = 36 = 12
espacio muestral S: sacar un 3, B = {3} p( B) = 16
Lanzar un dado S = {1, 2, 3, 4, 5, 6} sacar un impar, D = {1, 3, 5} p( D ) = 36 = 12
card(S) = 6 sacar un 2 o un 3, C = {2, 3} p(C ) = 62 = 13
sacar un 2 y 3, E = ∅ p( E) = 06 = 0
sacar todas las caras, S p (S) = 1
Pasemos ahora a la noción Estadística de probabilidad. Si nos hubieran pedido el porcentaje de veces
que sale el 3 al tirar un dado usando Estadística, tendríamos que repetir muchas veces el experimento
de tirar un dado y anotar la frecuencia f en que sale el 3. Teniendo f y el número total n de tiradas que
hicimos, el siguiente paso es calcular la frecuencia relativa f r y después la acumulada Fr . El porcentaje
pedido vendría dado por f r × 100 %. Hagamos una pausa aquí y analicemos la fórmula de la frecuencia
relativa f r ,
f
fr = . (7)
n
Notemos la analogía entre esta formula y la fórmula de la probabilidad dada en la ec. (6). El número total n
de tiradas juega el papel de card(S) mientras que la frecuencia f juega el papel de card( A). He aquí entonces
la noción Estadística de probabilidad, por ello es que a la frecuencia relativa f r también se le conozca como
probabilidad empírica o probabilidad “a posteriori”. Los inconvenientes de definir así la probabilidad
son los siguientes: 1) No es posible realizar un experimento indefinidamente. 2) Las condiciones bajo las
cuales se realiza el experimento pueden variar en el tiempo y, con ello, las frecuencias relativas.
Estarán de acuerdo que la noción subjetiva de la probabilidad no tiene sustento matemático y, por
ende, no nos ayudará a tomar una decisión. La pregunta ahora es ¿Como podemos reconciliar la noción
de probabilidad teórica con la empírica? Para responder esta cuestión es necesario analizar cuando el
número de pruebas del experimento estadístico crece indefinidamente. En el lenguaje del Cálculo, hay que
calcular este límite,
p( A) = lı́m f r ( A) , (8)
n→∞
el cual da como resultado p( A). Es decir, a medida que el número de pruebas del experimento tiene al
infinito (o son demasiadas), la frecuencia relativa del evento A tiende a estabilizarse en torno a un número.
Este número es precisamente la probabilidad “a priori” del evento A. Esta es la llamada Ley de los
Grandes Números y es el primer teorema fundamental de la Teoría de Probabilidades. En la figura (2)
vemos como la frecuencia relativa concerniente a sacar un determinado número con un dado, se estabiliza
alrededor de 1/6 ≈ 0.166, que es precisamente la probabilidad “a priori”.
Inclusive, por sentido común, cuando lanzamos muchas veces un dado, no debemos esperar que un
resultado ocurra más frecuentemente que otro. Los resultados en esta situación se dicen equiprobables.
Es decir, siempre esperamos obtener cada resultado de los lanzamientos. En otras palabras, esperamos
que salga 1 en 1/6 de los lanzamientos, 2 en 1/6 de los lanzamientos, 3 en 1/6 de los lanzamientos y
así sucesivamente. La Regla de Laplace es precisamente esto, llevar el sentido común a las matemáticas.
Podemos enunciarla así: cuando todos los resultados de un experimento aleatorio sean equiprobables,
la probabilidad de un evento A será el cociente entre el número de resultados favorables a que ocurra
el evento A y el número de resultados posibles del experimento contenidos en el espacio muestral. Esto
queda sintetizado en la formula (6). Vemos pues que su origen proviene de la Regla de Laplace.

Figura 2: Estabilización de la frecuencia relativa alrededor de la probabilidad “a priori”.
La aguja de Buffon
Reconocer cuándo los resultados son equiprobables al calcular probabilidades nos ahorra mucho trabajo.
La equiprobabilidad está presente en casi todos los juegos de azar y en muchos otros problemas cotidianos.
Sin embargo, hay varios casos donde no es intuitivo aplicar la Regla de Laplace. Un ejemplo es el experimento
llamado la aguja de Buffon que consiste en dejar caer una aguja sobre una hoja rayada paralelamente
y anotar las veces que la aguja cruza alguna de las rayas. Después de lanzar la aguja muchas veces se
comprobó que el experimento estaba íntimamente relacionado con el número π, a saber,
2l
p(aguja cruce una línea) = lı́m f r = ,
n→∞ Lπ
es decir, cuando el numero de experimentos n es muy grande, la frecuencia relativa del experimento es
igual a la probabilidad de que una aguja cruce una línea, a su vez igual a 2l/Lπ. Aquí l es el largo de la
aguja y L = es la distancia entre lineas paralelas. Hay que notar dos cosas: Por simplicidad se ha quitado el
“a priori”, lo cual haremos desde este momento y es porque ya conocemos la Ley de los Grandes Números;
segundo es que este resultado no es intuitivo e imposible obtener con la regla de Laplace.
l
Despejando a π tenemos, π = L lı́m2n→ ∞ fr
, así en la figura (3) vemos como el valor de π se estabiliza
alrededor de 3.1416 cuando el numero de lanzamientos es muy grande.
Figura 3: Estimación de π por medio del experimento de Buffon.

Ejemplo de Calculo de Probabilidades

En una clase de 260 estudiantes de último año, 93 estudian
Economía, 95 estudian Filosofía, 165 estudian Probabilidad, E F
18 estudian Economía y Filosofía, 75 estudian Filosofía y 70 17
Probabilidad, 20 estudian Probabilidad y Economía y 15
estudian las tres materias. Haz un diagrama de Venn para 3
ilustrar la información y luego encuentra la probabilidad de que
si un estudiante se elige al azar estudie: 15
5 60
a) Solo Economía
b) Filosofía y Probabilidad pero no Economía 5
c) Ninguna de estas materias 85

d) Las tres materias S P
Pasemos a darle solución al problema. Como card(S) = 260 se tiene que:
card( E \ F ∪ P) 70
a) p( E \ F ∪ P) = = = 0.2692
card(S) 260
card( F ∩ P \ E) 60
b) p( F ∩ P \ E) = = = 0.2308
card(S) 260
card(( E ∪ F ∪ P)c ) 5
c) p ( E ∪ F ∪ P)c =

= = 0.0192
card(S) 260
card( E ∩ F ∩ P) 15
d) p( E ∩ F ∩ P) = = = 0.0577
card(S) 260

Ejercicios
Ejercicio 1. Haga un ensayo A MANO de máximo una pagina del vídeo:
Ley grandes números y Regla de Laplace de Javier Valdés Gómez
https://www.youtube.com/watch?v=vweXbDNwsh4
Ejercicio 2. En una fiesta infantil hay 3 sabores aguas: Horchata, Naranja y Tamarindo. Ayudándose
del diagrama de Venn resuelva:
S = { x | x son 130 alumnos entrevistados} , H N

H = { x | x son 55 niños que toman agua de Horchata} ,
N = { x | x son 25 niños que toman agua de Naranja} ,
T = { x | x son 83 niños que toman agua de Tamarindo} ,
= { x | x son 15 niños que toman agua de Horchata y Naranja} ,
= { x | x son 40 niños que toman agua de Horchata y Tamarindo} ,
= { x | x son 20 niños que toman agua de Naranja y Tamarindo} ,
S T
= { x | x son 10 niños que toman de las 3 aguas} ,
= { x | x son 5 niños que solo toman agua de Horchata y Naranja pero no de Tamarindo} ,
N∩T\H = { x | x son niños que solo toman agua de Naranja y Tamarindo pero no de Horchata} ,
H∩T\N = { x | x son 30 niños que toman agua de Horchata y Tamarindo pero no de Naranja } ,
H \ (N ∪ T) = { x | x son niños que },
N \ (H ∪ T) = { x | x son niños que },
= { x | x son niños que solo toman agua de Tamarindo } ,
c
H∪N∪T = { x | x son niños que no toman de estas 3 aguas } ,
Para cada evento de los recuadros de la izquierda, calcule su probabilidad con la formula (6), o sea:
p( )= ,
130
donde card(S) = 130. Es decir, debe sustituir la cardinalidad marcada en los recuadros punteados y hacer
la división por 130. En el recuadro del paréntesis va la operación de conjuntos correspondiente.
Ejercicio 3. Sea S el espacio muestral consistente en los alumnos entrevistados y,
R = { x | x son alumnos que reprobaron el 3er parcial de Estadística} ,

A = { x | x son alumnos que aprobaron el 2do parcial de Estadística} ,
E = { x | x son alumnos que tienen esperanza de aprobar Estadística} .
Llene el diagrama de Venn. La cardinalidad de S es, card(S) = .

Ahora poniendo en la linea dentro del paréntesis la operación del conjunto, calcule la probabilidad de que,
al elegir un alumno al azar,

a) Haya reprobado el 3er parcial y aprobado el 2do:

p( )=
R A
b) Haya reprobado el 3er parcial y aprobado el 2do pero ya no tenga 35 15
esperanza: p( )=
5
c) Este en el “limbo”, es decir, no presento ni el 2do ni 3er parcial y ya no
tiene esperanza de pasar Estadística: p( )= 6
9 3
d)Haya reprobado el 3er parcial y aprobado el 2do y tenga esperanza:
p( )=
25 30
e) Solo aprobó el 2do parcial: p( )= E
S
f) Solo tenga esperanza: p( )=
Ejercicio 4. En las linea escriba la operación de conjuntos y en los recuadros el número correspondiente.
Llene el diagrama de Venn.
B M
S = { x | x son 53 jóvenes entrevistados} ,
M = { x | x son 11 jóvenes admiradores de Maluma} ,
B = { x | x son 13 jóvenes admiradores de Bad Bunny} ,
O = { x | x son 21 jóvenes admiradores de Ozuna} ,
= { x | x son 3 jóvenes admiradores de los tres reggaetoneros} ,
= { x | x son 7 jóvenes que admiran a Maluma y Bad Bunny} ,
= { x | x son 4 jóvenes que admiran a Maluma y Ozuna} ,
= { x | x son 5 jóvenes que admiran a Ozuna y Bad Bunny} , S O
= { x | x son jóvenes que solo admiran a Maluma y Ozuna} ,

= { x | x son jóvenes que no admiran a Bad Bunny} ,
= { x | x son jóvenes que solo admiran a Maluma y Bad Bunny} ,
= { x | x son jóvenes que admiran a un solo reggaetonero} ,
= { x | x son jóvenes que solo admiran a Ozuna y Bad Bunny} ,
= { x | x son jóvenes que solo admiran a Maluma} ,
= { x | x son jóvenes que no admiran a algún reggaetonero} ,
La cardinalidad de S es, card(S) = . Ahora poniendo en la linea dentro del paréntesis la operación
del conjunto, calcule la probabilidad de que, al elegir un joven al azar,
a) Sea admirador solamente de Ozuna y Bad Bunny: p( )=

b) No admire algún reggaetonero: p( )=
c) Admire a los tres reggaetoneros: p( )=
d) Admire a solo un reggaetonero: p( )=

Bloque 5a: Técnicas de Conteo.
¿ Cómo se cuenta el número de personas en un cuarto lleno de gente? Podríamos contar cabezas pues
cada persona tiene exactamente una cabeza. Alternativamente, podríamos contar orejas y dividir por dos.
Por supuesto, podríamos tener que ajustar el cálculo si alguien pierde una oreja en una incursión pirata o
alguien nació con tres orejas. El punto aquí es que regularmente podemos contar una cosa contando otra.
Mucho antes de la invención de los números, los humanos primitivos usaban sus dedos para contar.
Una clásica imagen la podemos encontrar en la portada del libro Baldor (Fig. 4(a)). Su forma de contar era
asignando a cada dedo de la mano un animal (Fig. 4(b)). Aun en la época moderna así aprendemos cuando
somos niños. El gran salto apareció con la invención de los números surgiendo una nueva regla, la cual a
cada dedo de la mano se le asigna un numero (Fig. 4(c)). Este sencillo paso nos permite comunicar a otros
la cuenta que obtuvimos, lo cual era posible hasta cierto grado para el hombre primitivo.
(a) Portada del Baldor. (b) Contando primitivamente.
(c) Contando modernamente.
Figura 4: Evolución en la forma de contar.
Podemos ver entonces que el contar es un proceso que consiste en una regla de asignación que relaciona
dos conjuntos. Uno de ellos es del que se quiere obtener información y el segundo conjunto nos ayudan a
contar. Esa regla de asignación es lo que conocemos como función.

¿ Qué es una función?

La palabra función existe en el español y la ocupamos para referirnos al propósito que se le atribuye a
una cosa en relación con un objetivo a lograr. Es decir, una función siempre relaciona al menos un par de
cosas. Por ejemplo, la función de un auto es transportar cosas o gente a un lugar especifico. La función de
una escalera es ayudar a las personas a subir más alto. El auto o la escalera persé no tienen propósito de
existir si no es para cumplir un objetivo. Como pueden notar entonces, las funciones están siempre en la
vida diaria y en muchas otras actividades como en la ciencia pues un científico para estudiar la naturaleza
también usa a las funciones. Por ejemplo, a través de la relación que hay con el coronavirus y sus síntomas
se puede saber si una persona esta contagiada.
Matemáticamente, una función conecta un conjunto “de salida” con otro “de llegada” tal que a cada
elemento del conjunto de salida le corresponde un único elemento del conjunto de llegada. Al conjunto
“de salida” se le denomina dominio y al “de llegada” se le llama rango o codominio. Note que esta
definición nunca impide que a algún elemento del conjunto “de llegada” le puedan corresponder dos o
mas elementos distintos del “de salida”, como es el caso de las funciones sobreyectivas mostrado en la
figura (5).
f f f f
A B A B A B A B
a 5 a 5 a 5 a 5
b 6 b 6 b 6 b 6
g z g z g z g z
y q
f no es función. f es biyectiva.
f es inyectiva. f es sobreyectiva.
Figura 5: Los tres tipos de funciones.
Un caso donde f no es función está en el primer ejemplo, donde f asigna al elemento g del conjunto
A dos elementos del conjunto B, incumpliendo el requisito para ser una función. Los restantes tres casos
si cumplen el requisito y son los tres tipos de funciones que hay. Notemos que, si f es inyectiva se deber
cumplir que Card( A) ≤ Card( B). Si f es sobreyectiva se cumple que Card( A) ≥ Card( B). Y si f es biyectiva
obligadamente se debe cumplir que Card( A) = Card( B).
La Combinatoria o el Arte de Contar

El propósito ahora es usar el concepto de función y sus tres tipos para contar de forma rápida y
metódica. Para ello, analicemos los siguientes problemas:
O1: ¿Cuantas cifras de dos dígitos puedo hacer con los números 3, 5 y 7 si permito que se repitan?
O2: ¿Cuantas cifras de dos dígitos puedo hacer con los números 3, 5 y 7 si no permito que se repitan?
O3: ¿Cuantas cifras de tres dígitos puedo hacer con los números 3, 5 y 7 si no permito que se repitan?
C1: ¿Cuantos productos con dos números puedo obtener usando el 3, 5 y el 7 si permito que se repitan?
C2: ¿Cuantos productos con dos números puedo obtener usando el 3, 5 y el 7 si no permito que se repitan?

Problema O1.
Para responder este problema podemos nombrar al conjunto A como A = { posicion 1, posicion 2} que
es el orden que guardan los dígitos de izquierda a derecha en una cifra de dos números, al conjunto B como
B = {3, 5, 7} que son los números con los que formaremos las cifras y la función f como “poner en una
posición especifica a un número”. Esto lo visualmente esta indicado en la figura 6 donde vemos que la cifra
37 se forma al asignar a la posición 1 el numero 3 y a la posición 2 el 7. En estos casos la función f trabaja
de forma inyectiva. Otro ejemplo mostrado al lado es la cifra 33 formada al poner en la posición 1 y en la
posición 2 el número 3. En este caso f trabaja de forma sobreyectiva debido a que el problema indica que es
permitida la repetición de los números. Si continuamos con esta idea vemos que podemos formar en total
9 cifras: {33, 35, 37, 53, 55, 57, 73, 75, 77}.
Figura 6: Arreglos con repetición
Problema O2.
Para responder este nuevo problema, lo unico que hay que quitar son las ocasiones en que f trabaja
de forma sobreyectiva, es decir, no se deben tomar las cifras 33, 55, y 77 (ver Fig. 7). Por tanto, podemos
formar en total 6 cifras: {35, 37, 53, 57, 73, 75}.
Figura 7: Arreglos sin repetición
Problema O3.
Este problema es similar al anterior, la unica diferencia es que la cardinalidad de los conjuntos A y B es
la misma. Por tanto, la función f trabaja de forma biyectiva (ver Fig. 8) y podemos formar en total 6 cifras:
{357, 573, 735, 537, 375, 753}.

Figura 8: Arreglos sin repetición
Es importante subrayar que, en los problemas tipo O, los elementos de ambos conjuntos son distinguibles.
Por ejemplo, la posición del 3 en la cifra 35 es diferente en la cifra 53 de igual forma el 3,5 y 7 son números
distintos.
Problema C1.
Sean el multiconjunto A = { posicion, posicion} y el conjunto B = {3, 5, 7} que son los números con
los que formaremos los productos. La función f será ahora “formar un producto de dos números”. Un
multiconjunto es una generalización de la noción del concepto de conjunto donde ahora se permite la
repetición de los elementos, es decir, en un multiconjunto puede haber elementos indistinguibles con es el
caso de A. En nuestro problema esto conlleva a que el producto 3 × 7 sea indistinguible de 7 × 3.
Dado que se nos permite la repetición de los números, debemos tomar en cuenta las ocasiones en que
la función f trabaja tanto de forma inyectiva como sobreyectiva (ver Fig. 9). Por tanto, podremos formar en
total 6 productos: {3 × 3, 3 × 5, 3 × 7, 5 × 5, 5 × 7, 7 × 7}.
Figura 9: Combinaciones con repetición
Problema C2.
La única diferencia con el problema anterior es que ahora no se permite la repetición de los números. Es
decir, debemos tomar en cuenta solamente las ocasiones en que f trabaja de forma inyectiva (ver Fig. 10).
Por tanto, el número de productos que podemos formar son 3: {3 × 5, 3 × 7, 5 × 7}.
Es importante subrayar que, en los problemas tipo C, los elementos de A son indistinguibles y los de
B distinguibles.

Figura 10: Combinaciones sin repetición
Metodizando el conteo
En este punto debemos notar varias cosas importantes:
I) Los elementos de A pueden ser distinguibles o indistinguibles. Lo ultimo hace a A un multiconjunto.
II) Si son distinguibles se pueden ordenar. A esto se le conoce como Ordenaciones, Arreglos o Variaciones.
Si son indistinguibles es imposible ordenarlos. A su mezcla se le conoce como Combinaciones.
III) Los elementos de B deben ser siempre distinguibles, por tanto, B debe ser forzosamente un conjunto.
Intuitivamente esto se entiende porque para contar debemos poder distinguir visualmente los objetos.
IV) En un conteo donde se permite la repetición de los elementos de B siempre hay asociada una función
sobreyectiva, mientras que, con la no-repetición una función inyectiva.
V) Un función biyectiva solo se puede conseguir cuando no se permite repetición en B como en el caso
inyectivo pero card( A) = card( B). A este tipo de Ordenaciones se les llama Permutaciones.
Todo esto se resume en la Tabla 2:
A B f
Card(A)= k Card(B)= n A −−→ B
Elementos de A : Elementos de B: Cualquier función Funcion inyectiva Funcion biyectiva

distinguibles nk ( n ) k = n · ( n − 1) · · · ( n − k + 1) n!
distinguibles
Orden =⇒ Ordenaciones Ordenaciones con repetición Ordenaciones sin repetición
indistinguibles (n−k1+k) = (kn!−(n1−+1k)) !! (nk) = k ! (nn−! k) !

distinguibles
No orden =⇒ Combinaciones Combinaciones con repetición Combinaciones sin repetición
n!
Tabla 2: Ordenaciones y combinaciones. Alternativamente (n)k se puede calcular como (n)k = (n−k) !
.
Viendo la tabla, la formula nk denota que el número n se debe elevar a la potencia k. La formula (n)k
se le conoce como factorial decreciente y quiere decir es que el numero n se debe multiplicar por sus
antecesores hasta que se llegue al numero (n − k + 1). La formula n ! le conoce como factorial de n y quiere
decir que el numero n se debe multiplicar por sus antecesores hasta llegar al 1, es un caso particular del
factorial decreciente cuando n = k. A los términos del tipo (rs) se les llama coeficiente binomial.

Veamos ejemplos. Sea n = 7 y k = 5:
nk =⇒ 75 = 7 · 7 · 7 · 7 · 7 = 16807 ,
(n)k =⇒ (7)5 = 7 · 6 · · · (7 − 5 + 1) = 7 · 6 · 5 · 4 · 3 = 2520 ,
n! =⇒ 7 ! = 7 · 6 · 5 · 4 · 3 · 2 · 1 = 5040 ,
7·6·5·4·3·2·1

n 7 7! 7! 5040 5040
=⇒ = = = = = = 21
k 5 5 ! (7 − 5) ! 5!2! (5 · 4 · 3 · 2 · 1) (2 · 1) (120) (2) 240
n−1+k 7−1+5

11 11 ! 11 ! 39916800
=⇒ = = = = = 462 .
k 5 5 5 ! (11 − 5) ! 5!6! (120)(720)
n!
Cabe señalar que (n)k se puede calcular alternativamente en término de los factoriales como (n)k = (n− k) !
.
Una vez que hemos metodizado al conteo y podemos aplicar las formulas procedamos a resolver de
forma rápida los problemas anteriores usando la Tabla 2.
Problema O1. Los elementos de A son distinguibles. Se permite la repetición de los elementos de
B entonces debe considerarse cualquier función de A a B, es decir, tanto sobreyectivas e inyectivas.
Como card( A) = k = 2 y card( B) = n = 3, la respuesta al problema es 32 = 9.
Problema O2. Los elementos de A son distinguibles. No se permite la repetición de los elementos
de B entonces solo deben considerarse las funciones inyectivas de A a B. Como card( A) = k = 2 y
card( B) = n = 3, la respuesta al problema es (3)2 = 3 · 2 = 6.
Problema O3. Los elementos de A son distinguibles. No se permite la repetición de los elementos de
B entonces solo deben considerarse las funciones inyectivas de A a B, sin embargo, como card( A) =
card( B) = 3 en realidad son funciones biyectivas. La respuesta al problema es 3 ! = 3 · 2 · 1 = 6.
Problema C1. Los elementos de A son indistinguibles. Se permite la repetición de los elementos de
B entonces debe considerarse cualquier función de A a B, es decir, tanto sobreyectivas e inyectivas.
(3−1+2) !
Como card( A) = k = 2 y card( B) = n = 3, la respuesta es (3−12+2) = 2 ! (3−1) ! = 2 4! 2! ! = 24
4 = 6.
Problema C2. Los elementos de A son indistinguibles. No se permite la repetición de los elementos
de B entonces solo deben considerarse las funciones inyectivas de A a B. Como card( A) = k = 2 y
card( B) = n = 3, la respuesta es (32) = 2 ! (33−! 2) ! = 2 3! 1! ! = 62 = 3.
Ejemplos
Veamos mas ejercicios y resolvamoslos usando la Tabla 2.
1.- Se venden camisas de tres tipos. Si dos personas compran una camisa cada una ¿ de cuántas posibles
formas se pueden vender las camisas?
Res: Definamos los conjuntos A = { persona1, persona2} y B = {camisa tipo1, camisa tipo2, camisa tipo3}
así como la función f = “una persona compra una camisa”. A es distinguible y esta permitido considerar
cuando f trabaja de forma sobreyectiva pues las personas pueden compartir el mismo gusto en camisas
(elementos de B pueden repetirse). La respuesta es 32 = 9.
2.- Una empresa desea colocar 3 nuevos gerentes en tres de sus 4 plantas. ¿De cuántas maneras se puede
hacer?
Res: Definamos los conjuntos A = { gerente1, gerente2, gerente3} y B = { planta1, planta2, planta3, planta4}
así como la función f = “un gerente se va a una planta a trabajar”. A es distinguible y solo se permite

considerar cuando f trabaja de forma inyectiva pues no puede haber 2 gerentes en una planta (elementos de
B no pueden repetirse). La respuesta es (4)3 = 4 · 3 · 2 = 24.
3.- Tres miembros de una organización se han ofrecido para fungir, de forma voluntaria, como presidente,
tesorero y secretario. Obtener el número de formas en que los tres podrían asumir los puestos.
Res: Definamos los conjuntos A = {miembro1, miembro2, miembro3} y B = { presidente, tesorero, secretario }
así como la función f = “un miembro ocupa un puesto”. A es distinguible y solo se permite considerar
cuando f trabaja de forma biyectiva pues hay 3 miembros y 3 puestos (elementos de B no pueden repetirse).
La respuesta es 3 ! = 3 · 2 · 1 = 6.
4.- Se tienen 5 sabores de helado: banana, chocolate, limón, fresa y vainilla. Si al cliente se le deben dar
3 bolas y el las puede escoger ¿ cuantos tipos de barquillo puede formar el cliente?
Res: Definamos A = {bola, bola, bola} y B = {banana, chocolate, limon, f resa, vainilla} así como la función
f = “elegir una bola de un sabor”. A es indistinguible pues antes de elegir un sabor solo sabemos que el
cono de helado lleva 3 bolas sin importar el orden en que las sirvan. Esta permitido considerar cuando f
trabaja de forma sobreyectiva pues el cliente puede repetir sabores a su gusto. La respuesta es (5−13+3) =
(73) = 3 7! 4! ! = (65040
)(24)
= 35.
5.- Si un club tiene 5 miembros, ¿cuántos comités diferentes de dos miembros son posibles?
Res: Definamos A = { puesto, puesto } y B = {miembro1, miembro2, miembro3, miembro4, miembro5} así
como la función f = “poner en un puesto a un miembro”. A es indistinguible pues los puestos en un
comité no tienen rango. Solo se permite considerar cuando f trabaja de forma inyectiva pues un miembro
no puede ocupar dos puestos. La respuesta es (52) = 2 5! 3! ! = (2120
)(6)
= 10.
Principio Multiplicativo y Aditivo

Para terminar con las técnicas de conteo es importante tratar con dos principios muy importantes que
son el Principio Multiplicativo y el Principio Aditivo. Cuando se trata de una sola actividad, la cual requiere
una serie de pasos para ser llevada a cabo, haremos uso del principio multiplicativo. Por otro lado, si la
actividad a desarrollar tiene alternativas para llevarse a efecto, haremos uso del principio aditivo.
Principio Multiplicativo: Si hay k procedimientos y el i-esimo procedimiento puede hacerse de ni
formas diferentes, entonces el total de formas que se puede realizar el primer procedimiento y seguido
del segundo, . . ., y seguido del k-esimo procedimiento es igual al producto n1 × n2 × n3 × · · · × nk .
Principio Aditivo: Si hay k procedimientos y el i-esimo procedimiento puede hacerse de ni formas
diferentes, entonces el total de formas que se puede realizar el primer procedimiento o el segundo, . . ., o el
k-esimo procedimiento es igual a la suma n1 + n2 + n3 + · · · + nk .
Ejemplo: En el CETIS hay 20 muchachas y 10 muchachos y se tiene que elegir una junta de 5 jóvenes.
a) ¿De cuantas maneras puede hacerse?
b) ¿De cuantas maneras si primero hay que elegir 3 muchachas y luego 2 muchachos?
c) ¿De cuantas maneras si todos han de ser muchachas o muchachos?
Res: a) Aquí A es multiconjunto consistente de 5 puestos indistinguibles de la junta, B consiste en los 30
jóvenes que, por supuesto, son distinguibles y f es la función “asignar un puesto a un joven del CETIS”.
Como no se permite repetición en B, solo hay que considerar las funciones inyectivas de A a B: La respuesta
es entonces (30
5 ) = 142506 maneras. b) Ahora de las 20 muchachas hay que elegir 3 y después 2 de los 20
muchachos, por tanto, la respuesta es (20 10
3 ) × ( 2 ) = 51300 maneras. c) Aquí los 5 pueden ser muchachas o
muchachos, entonces la respuesta es (20 10
5 ) + ( 5 ) = 15756 maneras.
¿Como saber que principio usar? La clave en el Principio Multiplicativo es buscar intrínsecamente la
disyunción “y” que indica una secuencia. Para el Principio Aditivo es buscar intrínsecamente la conjunción
“o” que indica alternativa.

Ejercicios
De los ejercicios 1 a 5 defina por extension al conjunto o multiconjunto A según sea el caso, al conjunto
B y a la función f que relaciona a ambos. Haga diagramas de Venn ejemplificando: 1) cuando f trabaja
de forma inyectiva, 2) cuando f trabaja de forma sobreyectiva y, 3) cuando f trabaja de forma biyectiva.
Claro, estos dos últimos casos si el problema lo permite. Por ultimo, escoja la formula correcta de la Tabla
2 y responda las preguntas.
Ejercicio 1. ¿ De cuantas formas se pueden acomodar 3 huevos blancos en un riel lineal del refrigerador
con 5 espacios numerados?
Ejercicio 2. Se lanza una moneda 4 veces. Hallar el número total de resultados posibles.
Ejercicio 3. Supongamos que va a formarse un comité de 5 estudiantes. ¿Cuántos comités diferentes se
pueden formar con respecto a su composición de hombres y mujeres?
Ejercicio 4. En un tren hay un asiento largo y vacío para 3 personas, una sentada al lado de la ventana,
una en medio y al lado del pasillo. En cierta estación se suben 4 personas. ¿ De cuantas formas pueden
estar sentadas las 4 personas?
Ejercicio 5. Resuelva el problema anterior si en vez de subirse cuatro personas se suben 3 personas.
Ejercicio 6. Si tienen alguna duda respecto a como hacer este ejercicio, pueden guiarse viendo el vídeo:
Expansión Binomial Usando el Triángulo de Pascal.
https://www.youtube.com/watch?v=uE5pEUDxYUU
⇐= Complete el triangulo de Pascal. Una vez lleno, úselo para expandir

los siguientes binomios:
( x + y )7 ,
(5x − 3y)4 .
(00)
(10) (11) ⇐= Ahora, usando la propiedad simétrica de los coeficientes
2 2 2
(0) (1) (2) binomiales (nk) = (n− n
k ) para ahorrar trabajo, calcule todos los
3 3 3 3
(0) (1) (2) (3) coeficientes binomiales del triangulo de la izquierda.
4 4 4 4 4 a) ¿Podría decirse que este triangulo es simétrico respecto una linea
(0) (1) (2) (3) (4)
5 5 5 5 5 5
(0) (1) (2) (3) (4) (5) vertical que lo parte a la mitad?
b) ¿ Nota similitudes entre este triangulo y el triangulo de Pascal?
(60) (61) (62) (63) (64) (65) (66)
(70) (71) (72) (73) (74) (75) (76) (77)
Ejercicio 7. Un granjero tiene vacas en su finca y las quiere encerrar en una cerca, este encuentra 4
maneras distintas para encerrarlas en la mañana, 5 maneras distintas de encerrarlas en la tarde y 4 maneras
distintas de encerrarlas en la noche ¿De cuantas maneras distintas puede encerrar a las vacas?
Ejercicio 8. Una persona desea construir su casa, para lo cuál considera que puede construir los cimientos
de su casa de cualquiera de 2 maneras (concreto o block de cemento), mientras que las paredes las puede
hacer de adobe, adobón o ladrillo, el techo puede ser de concreto o lámina galvanizada y, por último, los
acabados los puede realizar de una sola manera ¿Cuántas maneras tiene esta persona de construir su casa?
Ejercicio 9. De 10 concursantes en un evento femenino, 3 señoritas tienen ojos azules. Si se eligen 2 al
azar ¿Cual es la probabilidad de que i) dos señoritas tengan ojos azules, ii) ninguna tenga ojos azules, iii)
una por lo menos tenga ojos azules?

Bloque 5b: Teoría de Probabilidad II.
Probabilidad Condicional
La probabilidad de un determinado evento en un experimento aleatorio puede verse modificada si
se posee alguna información antes de la realización del experimento. Por ejemplo, si se consideran los
alumnos de una clase de Estadística, la probabilidad de sacar a una alumna rubia será diferente de la
de sacar una alumna rubia del grupo de las alumnas, es decir, si se parte del conocimiento de que la
alumna escogida sea del sexo femenino. Para modelar este tipo de situaciones en las que se parte de una
información a priori, se define el concepto de probabilidad condicionada.
Si P( B) > 0, la probabilidad condicionada de que se realice A si sucedió B, P( A| B), viene definida por
el cociente:
P( A ∩ B)
P( A| B) = .
P( B)
De forma análoga se define la probabilidad condicionada de B respecto a A. Utilizando conjuntamente

ambos resultados se obtiene la llamada Regla de la Multiplicación:
P( A ∩ B) = P( A| B) P( B) = P( B| A) P( A) .
Veamos un ejemplo. El 60 % de los alumnos de una clase de Estadística son chicas y se sabe que el 30 %
de las chicas son rubias. ¿Cuál es la probabilidad de escoger un alumno de la clase que sea chica y rubia?
Para resolver este ejemplo se consideran los siguientes sucesos:
F = {ser de sexo femenino}, M = {ser de sexo masculino}, R = {tener pelo rubio}.
La probabilidad pedida es:
P( R ∩ F ) = P( R| F ) P( F ) = (0.3)(0.6) = 0.18 .
Extendiendo la Regla de la Multiplicación n sucesos, A1 , A2 , . . . , An , se tiene:
P( A1 ∩ A2 ∩ ... ∩ An ) = P( A1 ) · P( A2 /A1 ) · P( A3 /A1 ∩ A2 ) · · · P( An /A1 ∩ A2 ∩ ... ∩ An−1 ) .
Apliquemos esta formula a nuestro ejemplo. Se sabe que el 40 % de las chicas rubias usan lentes. ¿Cuál
es la probabilidad de que al escoger aleatoriamente un alumno de la clase resulte ser una chica rubia con
lentes? Si se define el suceso G = {usar lentes} la probabilidad pedida es,
P( F ∩ R ∩ G ) = P( G/( R ∩ F )) P( R/F ) P( F )
= (0.4)(0.3)(0.6) = 0.072 .
Dependencia e independencia
Anteriormente se introdujo el concepto de probabilidad condicionada, debido a que la probabilidad de
un determinado suceso se ve alterada por la información de que se dispone a priori. Sin embargo, puede
suceder que dicha información no altere la probabilidad de ocurrencia de ese suceso, es decir, el que ocurra
el suceso es independiente de la información.

Se dice que dos eventos A y B son independientes si el conocimiento de la ocurrencia de uno no

modifica la probabilidad de aparición del otro. Es decir, P( B| A) = P( B).
Continuando con el ejemplo de la clase de Estadística, si se sabe que el 10 % de los alumnos escriben con
la mano izquierda. ¿Cuál es la probabilidad de escoger aleatoriamente una chica que escriba con la mano
izquierda? Sea el suceso D definido por D={escribir con la mano izquierda}. Admitiendo que los sucesos
D y F son independientes, la probabilidad solicitada es,
P( F ∩ D ) = P( F ) P( D ) = (0.6)(0.1) = 0.06 .
Vale la peña señalar que, siendo independientes los eventos F y D, también se cumple que P( F ∪ D ) =
P( F ) + P( D ) = 0.6 + 0.1.
Teorema de la Probabilidad Total y Teorema de Bayes

Teorema de la Probabilidad Total
Se considera un experimento que se realiza en dos etapas, en la primera se supone que de los eventos
A1 , A2 , . . . , An son conocidas sus probabilidades P( A1 ), P( A2 ), . . . , P( An ). Mientras que en la segunda
etapa los resultados posibles B, tienen probabilidades desconocidas que dependen de lo que ocurre en la
primera etapa. Si se conocen las probabilidades condicionales P( B| Ai ) para un cierto suceso B y cada Ai se
verifica que:
n
P( B) = ∑ P ( B | Ai ) P ( Ai ) ,
i =1
= P ( B | A1 ) P ( A1 ) + P ( B | A2 ) P ( A2 ) + · · · + P ( B | A n ) P ( A n ) .
Continuando con el ejemplo de nuestra clase de Estadística, si se sabe que el 20 % de los chicos son
rubios. ¿Cuál es la probabilidad de escoger aleatoriamente una persona rubia? La probabilidad solicitada
es:
P( R) = P( R| M) P( M) + P( R| F ) P( F ) ,
= (0.2)(0.4) + (0.3)(0.6) = 0.26 .
Teorema de Bayes
Hasta ahora se ha dado la idea intuitiva de probabilidad condicionada como la probabilidad de que
ocurra un evento sabiendo que ha ocurrido con anterioridad otro suceso. Lo que se intentará ahora es
calcular una probabilidad “antinatura”, es decir, se pretende expresar lo que ocurre antes, Ak , en función
de lo que ocurre después, B. De todas formas, esto tiene sentido porque en algunas ocasiones se conoce el
resultado final de un experimento pero se desconocen algunos de los pasos intermedios en los que se está
interesado. El teorema de Bayes,
P( B| Ak ) P( Ak )
P( Ak | B) = , k = 1, . . . , n ,
∑in=1 P ( B | Ai ) P ( Ai )
resuelve esto, pues expresa las probabilidades a posteriori, P( Ak | B), en función de las verosimilitudes,
P ( B | A k ).
Retomando nuevamente nuestro ejemplo, si se sabe que se ha elegido a una persona rubia, ¿cuál es la
probabilidad de que sea chica? La probabilidad solicitada, a la vista de los resultado anteriores es
P( R| F ) P( F ) (0.3)(0.6)
P( F | R) = = = 0.69 .
P( R) 0.26

Aplicación del Diagrama de Árbol en los Teoremas de Probabilidad Total y de Bayes
Si se consideran experimentos con pocos sucesos en el espacio muestral, es posible utilizar el diagrama
de árbol para introducir teoremas complejos de justificar. Así, tanto el teorema de la probabilidad total
como el teorema de Bayes permiten una interpretación muy sencilla cuando se ha relacionan con un
diagrama de árbol.
Consideremos este ejemplo. En una escuela hay 3 aulas: A1 = {aula roja}, A2 = {aula azul} y A3 = {aula
negra}. La roja tiene al 50 % de los estudiantes, la azul al 30 % y la negra al 20 %. Los B = {hombres} son el
40 % y Bc = {mujeres} el 60 %.
Si se selecciona un estudiante al azar, ¿Cuál es la probabilidad de que sea un estudiante hombre?
Un diagrama de árbol con dos fases ayuda a interpretar

el teorema de la probabilidad total como una herramienta
adecuada para calcular la probabilidad de un suceso de la
segunda fase, sin hacer mención a lo que pudo ocurrir en la
primera. Como puede verse, la suma de las probabilidades
de las ramas que salen de cada nudo debe ser 1 ya que
representan todas las posibilidades de los eventos que
pueden ocurrir tras pasar por ese nudo en dirección a la
siguiente fase.
Por tanto, solo hay que recorrer todos los caminos que
llevan a ese suceso, y sumar los respectivos productos de
las probabilidades que se encuentran en dichos caminos.
Por tanto, la probabilidad del suceso B es:
P ( B ) = P ( B | A1 ) P ( A1 ) + P ( B | A2 ) P ( A2 ) + · · · + P ( B | A n ) P ( A n ) ,
P( B) = (0.4)(0.5) + (0.4)(0.3) + (0.4)(0.2) = 0.4 .
Si el estudiante seleccionado es mujer ¿Cuál es la probabilidad de que su aula haya sido la azul?
En el teorema de Bayes se sabe lo ocurrido en la segunda

fase, pero se desconoce lo que ocurrió en la primera
y, por ello, nos planteamos calcular la probabilidad de
que ocurriese ese suceso con la información disponible.
Para esto, hay que conocer las probabilidades P( Ai )
denominadas, en este contexto, probabilidades a priori,
así como las probabilidades condicionales P( B| Ai ),
que se denominan verosimilitudes de que ocurra el
suceso B sabiendo que ha ocurrido el suceso Ai . Las
probabilidades P( Ai | B) se denominan probabilidades a
posteriori. Para obtenerlas, el teorema de Bayes puede
aplicarse intuitivamente, de la forma siguiente forma:

Unico camino que pasa por A2 y Bc

P ( A2 | B c ) = ,
suma de todos los caminos que llevan a Bc
P ( B c | A2 ) P ( A2 )
P ( A2 | B c ) = ,
P ( B c | A1 ) P ( A1 ) + P ( B c | A2 ) P ( A2 ) + P ( B c | A3 ) P ( A3 )
(0.6)(0.3) 0.18
P ( A2 | B c ) = = = 0.3 ,
(0.6)(0.5) + (0.6)(0.3) + (0.6)(0.2) 0.6
El teorema de Bayes resulta un extraño a primera vista, ya que en él se solicita encontrar la probabilidad
de un evento que pudo ocurrir en la primera fase del experimento cuando sabemos lo que ha ocurrido en
la segunda fase. Esto choca con la intuición inicial de los principiantes, pues asocian los eventos con la
causalidad además, suponen que no puede condicionarse un evento a otro que ocurre con posterioridad.
Sin embargo, matemáticamente, el orden temporal es irrelevante para el condicionamiento pero, intuitivamente,
hay diferencia en la comprensión, aspecto que es origen de diversos sesgos de razonamiento.
Veamos un ultimo ejemplo

En una determinada ciudad se ha cometido un asesinato. De la investigación se encarga un detective,
que tiene 5 sospechosos entre los que se encuentra el asesino. Se sabe que el detective trabaja con un
pequeño margen de error, de forma que la probabilidad de creer inocente al verdadero asesino es de 0.05 y
la probabilidad de creer culpable a una persona inocente es de 0.08. Si el detective cree que una persona es
culpable, ¿cuál es la probabilidad de que esa persona sea el asesino?
Para la resolución del problema se definen los siguientes sucesos:
A = {ser asesino} , I = {ser enjuiciado inocente} , C = {ser enjuiciado culpable} .
De esta forma se tiene que:
a) Hay un asesino de 5 sospechosos, por tanto, la probabilidad de que una persona elegida al azar sea el
asesino es:
1 4
P( A) = , P( Ac ) = .
5 5
b) La probabilidad de creer inocente al verdadero asesino, es la probabilidad de ser enjuiciado inocente
condicionada a que es el asesino, es decir, P( I | A) = 0.05. Además, se sabe que P(C | A) = 1 − P( I | A) =
0.95.
c) La probabilidad de creer culpable a una persona inocente, es la probabilidad de ser enjuiciado culpable
condicionada a que no es el asesino, es decir, P(C | Ac ) = 0.08.
En el problema se pide la probabilidad de que una persona asesina haya sido enjuiciada culpable, es decir,
la probabilidad de que una persona sea asesina condicionada a que ha sido enjuicida culpable. Por tanto,
la probabilidad requerida es P( A|C ), para calcular dicha probabilidad se recurre al teorema de Bayes,
P(C | A) P( A)
P( A|C ) = ,
P(C | A) P( A) + P(C | Ac ) P( Ac )
(0.95)(0.2) 0.19
= = ,
(0.95)(0.2) + (0.08)(0.8) 0.254
= 0.748 .

Ejercicios
Ejercicio 1. Sea una clase de estadística en la que un 20 % de los varones son rubios y un 50 % de
las mujeres rubias. Si se sabe que el 30 % de la clase son varones, se pide: La probabilidad de escoger
aleatoriamente de la clase un varón rubio. La probabilidad de escoger aleatoriamente una persona rubia de
entre todos los alumnos. La probabilidad de que una persona que se ha elegido aleatoriamente sea varón
sabiendo que su pelo es rubio.
Ejercicio 2. Consideremos una población en la que cada individuo es clasificado según dos criterios:
A = {es una persona portadora de V I H } y B = {es una persona en riesgo }. La correspondiente tabla de
probabilidades es:
pertenece a A pertenece a Ac Total

pertenece a B 0.003 0.017 0.020
pertenece a Bc 0.003 0.977 0.980
Total 0.006 0.994 1.000
Dada una persona al azar perteneciente al grupo de riesgo, ¿Cuál es la probabilidad de que sea portador?
Dada una persona al azar no perteneciente al grupo de riesgo, ¿Cuál es la probabilidad de que sea portador?
Ejercicio 3.
En una población el 51 % de las personas son mujeres, el 18 % de las personas tienen la tensión presión
y el 10 % son mujeres con presión alta. cosas. Obtener:
1. Probabilidad de que una persona tenga la presión alta dado que es mujer
2. Probabilidad de ser hombre dado que tiene la presión alta
3. Probabilidad de ser mujer dado que no tiene la presión alta
Ejercicio 4. Sea el experimento de lanzar una moneda y sean los eventos A =“Sol en el quinto lanzamiento”
y B =“Sol en el sexto lanzamiento”. ¿Cual es la probabilidad de que se tenga Sol en el quinto y sexto
lanzamiento?
Ejercicio 5. Una fábrica de tornillos tiene dos máquinas, la M1, que es más antigua, y hace el 75 % de
todos los tornillos, y la M2, más nueva pero pequeña, que hace el 25 % de los tornillos. La M1 hace un 4 %
de tornillos defectuosos, mientras que la M2 tan sólo hace un 2 % de tornillos defectuosos. Si escogemos un
tornillo al azar, ¿Qué probabilidad hay de que salga defectuoso?
Ejercicio 6. Tres máquinas en una fabrica de vidrio producen piezas de adorno. La máquina A produce
el 1 % de las piezas defectuosas, la máquina B el 2 % de las piezas defectuosas y la máquina C el 5 % de las
piezas defectuosas. Cada máquina produce la tercera parte de la producción total. Un especialista examina
una pieza y determina si es defectuosa ¿Cual es la probabilidad de que dicha pieza halla salido de la
máquina A?

Bibliografía Recomendada
[1] John B. Kennedy, Adam M., Neville (1982). Estadistica para Ciencias e Ingeniería. Editorial Harla .
[2] George Canavos. (2003). Probabilidad y Estadistica. Aplicaciones y métodos. Editorial Mc. Graw Hill.
[3] David R. Anderson, Dennis J. Sweeney, Thomas A. Williams (2001). Estadística para administración y
economía. Serie Schaum.

Cuadernillo - Probabilidad y Estadistica - Junio 2020 PDF

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

Cuadernillo - Probabilidad y Estadistica - Junio 2020 PDF

Caricato da

Copyright:

Formati disponibili

PROBABILIDAD Y

CETis 030 “Emiliano Zapata”

Bloque 1: Manejo de la Información.

Bloque 2: Análisis de información.

Bloque 3: Medidas de Tendencia Central, de Posición, de Dispersión y de Forma

Bloque 4: 4a) Teoría de Conjuntos, 4b) Teoría de Probabilidad I.

Bloque 5: 5a) Técnicas de Conteo, 5b) Teoría de Probabilidad II.

CETIS 030 “EMILIANO ZAPATA” 1

Bloque 1: Manejo de la Información

 Estadística inferencial: Es la estadística que refiere a la técnica descriptiva de interpretación de

CETIS 030 “EMILIANO ZAPATA” 2

POBLACIÓN: Es la colección o conjunto de cosas, individuos, objetos o eventos cuyas propiedades

MUESTRA: Es un subconjunto que representa a la población, consta de objetos, cosas, individuos o

Datos: $ 110.000.00, $ 95.000.00, $ 57.000.00, $ 183.000.00, etc. (datos de la muestra).

VARIABLE CUALITATIVA DE ATRIBUTOS O CATEGORÍAS

CETIS 030 “EMILIANO ZAPATA” 4

VARIABLE CUANTITATIVA O NUMÉRICA

VARIABLES INDEPENDIENTES Y DEPENDENTES

2. Candidato que apoyan los lectores.

3. Tiempo que sane una herida.

4. Grado máximo de estudios de los trabajadores de una empresa_______________

Bloque 2: Análisis de información

TABLAS DE DISTRIBUCIÓN DE FRECUENCIA Y GRÁFICAS DE DATOS,

 Obtención y organización de datos. Tipos de muestras

CETIS 030 “EMILIANO ZAPATA” 5

1. Definir el objetivo de la investigación o del experimento. Ejemplo: comparar la resistencia de

METODOS DE RECOLECCIÓN DE DATOS

a) En un experimento, el investigador controla, modifica el entorno y observa los efectos de la

b) En un estudio de observación el investigador no modifica el entorno y no controla el proceso de

La recolección de datos de la muestra debe ser representativa de la población.

Muestreo aleatorio simple.

TABLA DE DISTRIBUCION (1)

CETIS 030 “EMILIANO ZAPATA” 7

En el ejemplo anterior aplicamos las dos fórmulas,

N= 60 CL= √60 = 7.7

Sturges CL= 1 + (3.32 log 60) = 6.9

Intervalo de clases (I)

La clase tiene un tamaño de 10 puntuaciones de exámenes diferentes.

El 50 es el extremo, frontera o límite inferior de la clase.

CETIS 030 “EMILIANO ZAPATA” 8

MARCA DE CLASE (mc)

mc= Límite inferior + Límite superior

LIMITE REAL DE CLASE (LR)

Límite real superior (Lrs)

FRECUENCIA ABSOLUTA (f) de una variable estadística es el

CETIS 030 “EMILIANO ZAPATA” 9

FRECUENCIA ACUMULADA (fa)

FRECUENCIA RELATIVA ACUMULADA (fra)

CETIS 030 “EMILIANO ZAPATA” 10

No. CLASES f fa fr fra

DISTRIBUCIÓN DE FRECUENCIAS PARA DATOS NO AGRUPADOS

Ejemplo: Las calificaciones de 22 alumnos de un grupo de una escuela son:

Elaboremos la distribución de frecuencias, de frecuencias relativas y de las frecuencias relativas

Primero, ordenamos los datos de menor a mayor:

La distribución de frecuencias correspondiente será:

CETIS 030 “EMILIANO ZAPATA” 11

Variable Frecuencias Frecuencias relativas relativas

DISTRIBUCIÓN DE FRECUENCIAS PARA DATOS AGRUPADOS

❖ A la tabla de la distribución de frecuencia se le debe agregar otra columna, la cual corresponde al

● Cuando son más de cien datos: Se usa la regla de Sturges

R = valor máximo - valor mínimo

160 156 174 157 161 152 154 175

152 170 170 159 159 163 160 164