modulo_estadistica_compleja
TRANSCRIPT
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 1/112
ESTADISTICACOMPLEJA(Probabilidad)Cod.301014
AdrianaMoralesRobayoEstadístico
UNIVERSIDADNACIONALABIERTAYADISTANCIA–UNAD–
ESCUELADECIENCIASBÁSICASEINGENIERÍAUNIDADDECIENCIASBÁSICAS
BogotáD.C.,2007
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 2/112
2
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 3/112
3
COMITÉDIRECTIVOJaimeAlbertoLealAfanador
RectorRobertoSalazarRamosVicerrectordeMediosyMediacionesPedagógicasGloriaHerreraSánchezVicerrectoraAcadémicaydeInvestigación
MÓDULO
CURSOPROBABILIDADPRIMERAEDICIÓN
©CopyrigthUniversidadNacionalAbiertayaDistancia
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 4/112
4
INTRODUCCIÓN
LaEstadísticasehaconvertidoenunefectivométodoparadescribir,relacionaryanalizar los valores de datos económicos, políticos, sociales, biológicos, físicos,entreotros.Peroestaciencianosóloconsisteenreunirytabularlosdatos,sinoendarlaposibilidaddetomardecisionesacertadasyatiempo,asícomorealizarproyeccionesdelcomportamientodealgúnevento.Esasícomoeldesarrollodelateoría de la Probabilidad ha aumentado el alcance de las aplicaciones de laEstadística.Muchos de los eventos que ocurren en la vida del ser humano no se puedenpredecirconexactitud,pueslamayoríadeloshechosestáninfluenciadosporelazar,esdecir,porprocesosinciertos,enlosquenoseestásegurodeloquevaa
ocurrir.Seríaunerrorafirmarquevivimosenunmundodeterminista,endondenohay influencia del azar y la incertidumbre. La Probabilidad permite unacercamiento a estossucesos,ponderandolas posibilidadesdesuocurrenciayproporcionando métodos para tales ponderaciones, creando así modelosProbabilísticos. Precisamente, algunos de esos métodos proporcionados por lateoríadelaProbabilidadllevanadescubrirqueciertoseventostienenunamayoromenor probabilidad de ocurrir que la apreciación hecha a través del sentidocomún.De esta manera, la Probabilidad permite estudiar los eventos de una manerasistemáticaymáscercanaalarealidad,entregandounainformaciónmásprecisa
yconfiabley,portanto,másútilparalasdistintasdisciplinasdelserhumano.Deahí que se vea la importancia de conocer a profundidad las características deciertos fenómenos cotidianos que el serhumano vive, comprender los métodosProbabilísticosmáscomúnmenteusadosyconellosllegaratomarlasdecisionesmásapropiadas.ElconocimientodelaProbabilidad constituyelabasequepermitecomprenderlaformaenquesedesarrollanlastécnicasdelaInferenciaEstadísticaylatomadedecisiones,enotraspalabras,esellenguajeylafundamentaciónmatemáticadelaInferenciaEstadística.
El curso de Probabilidad , programado como curso académico básico —comúnentre los diferentes programas que oferta la UNAD—, busca fomentar en elestudiante la capacidad de reconocer y establecer modelos apropiados paradescribirfenómenosaleatoriosquesurgenensusáreasdeespecialidad,yapuntaaqueéstereconozcaquelaEstadísticaproporcionalasherramientasnecesariasparahacerinferenciassobreuntodo(población)enbasealosdatosrecopiladosensólounoscuantoselementosobservadosdelapoblación(muestra)yquelaProbabilidad aportaloselementosdevalidacióndelosmétodosestadísticos.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 5/112
5
Elpresentemódulobuscadotaralestudiantedelasherramientasprobabilísticasbásicasparaelestudiodefenómenospropiosdesudisciplinadeformaciónydelentorno social, económico y político en que se desenvuelve, cuya evolución
temporal o espacial depende del azar, y apunta a que el estudiante tomedecisiones más objetivas frente a dichos fenómenos. En él se introducen losconceptos básicos de la Probabilidad y se manejan las distribuciones deprobabilidadmásconocidas.Estetextocontienedosunidadesdidácticas 1,correlacionadasdirectamenteconelnúmero de créditos académicos asignados. La primera de ellas considera losPrincipios de Probabilidad, necesarios para el cumplimiento de los propósitos yobjetivos delcurso. Enesta unidadse recuerdan algunos conceptos básicosdelastécnicasdeconteo:permutaciones,variacionesycombinaciones;seidentificanconceptos sobre espacios muestrales y eventos, las propiedades básicas de la
probabilidad como las reglas de adición y multiplicación, la probabilidadcondicionalyelteoremadeBayes.Enlasegundaunidaddidáctica,seestablecela diferencia entre variables aleatorias discretas y continuas, en términos de sufunción de probabilidad, valor esperado, varianza y desviación estándar sereconocenalgunasdelasdistribucionesdeprobabilidadmáscomunes,tantolasdiscretas como las continuas. Entre las primeras se contemplan la uniformediscreta,binomial,geométrica,binomialnegativa,hipergeométricayladistribuciónde Poisson y, como distribuciones de probabilidad continua, se trabajan ladistribuciónuniformecontinua,normal,exponencial,Weibull,Erlang,Gamma,Ji-cuadrada,t-studentyFdeFisher.
El módulo está dirigido a una población estudiantil que se interesa en laestadísticaporsu valorcomo instructivo para apoyarprocesos de investigación,más que como objeto del conocimiento, que sería el caso si se tratara deestudiantes de estadística o matemática. Es por esto que se evitarán losdesarrollos matemáticos de las fórmulas, aunque se presentan algunosrazonamientosyprocedimientosenqueellassefundamentan.Seenfatizamásenlaformaadecuadadeinterpretar,seleccionaryutilizardichosplanteamientos,queenlasdemostraciones,deduccionesydesarrollosmatemáticos.El curso está escrito partiendo de la premisa de que el estudiante posee losconocimientosbásicosdelaEstadísticaDescriptiva,requisitosmínimosparallevarcon éxito las intencionalidades formativas trazadas para el curso. También esdeseable tener algunos conocimientos básicos de la teoría de conjuntos y del
1Conjuntodeconocimientosseleccionados,organizadosydesarrolladosapartirdepalabrasclavetomados como conceptos que los tipifican, en articulación con las intencionalidades formativas,destinadas a potenciar y hacer efectivo el aprendizaje mediante el desarrollo de operaciones,modificaciones y actualizaciones cognitivas y nuevas actuaciones o competencias por parte delestudiante.ELMATERIALDIDÁCTICO. RobertoJ.SalazarRamos.UNAD,BogotáD.C.2004.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 6/112
6
cálculointegraldebidoaqueestospermitenobtenerunaperspectivamásampliadelaProbabilidad.Estetextonopretendereemplazarlasdiferentesreferenciasbibliográficasclásicas
delaProbabilidad,eselresultadodelaconsultadediferentesfuentesquetratancadatemaenformamásamplia.Loquesepretendeesentregarlosconceptosdeunmodomásdidáctico,enfocadoenelautoaprendizajeyenrelacióndirectaconlaGuíadeActividadesreferenciadaenelprotocolodelpresentecurso.Alfinaldecadaunidad,elestudianteencontrarálasreferenciasbibliográficasbásicas,perono únicas, para que con ellas refuerce en conceptos y definiciones. Además,encontrará una serie de páginas web recomendadas que amplían los temastratados. Se trata pues de un material didáctico de apoyo para el curso deProbabilidad delaUNAD,comopartedelasdiferentesydiversasherramientasdidácticasenlasqueseapoyaelaprendizajeautónomo.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 7/112
7
CONTENIDO
INTRODUCCIÓN
UNIDADUNOPRINCIPIOSDEPROBABILIDADINTRODUCCIÓNALAUNIDADOBJETIVOGENERALOBJETIVOSESPECÍFICOSRESEÑAHISTÓRICADELAPROBABILIDAD1.-EXPERIMENTOALEATORIO,ESPACIOSMUESTRALESYEVENTOS1.1.ESPACIOMUESTRAL1.2.SUCESOSOEVENTOS.OPERACIONESCONEVENTOSEJERCICIOSCAPITULO12.-TÉCNICASDECONTEO2.1PRINCIPIOFUNDAMENTALDELCONTEO
2.2.FACTORIALDEUNNÚMERO2.3PERMUTACIONESYVARIACIONES2.4COMBINACIONES2.5REGLADELEXPONENTEEJERCICIOSCAPÍTULO23.-PROPIEDADESBÁSICASDELAPROBABILIDAD
3.1.-INTERPRETACIONESDELAPROBABILIDAD3.2.AXIOMASDEPROBABILIDAD3.3.PROBABILIDADTOTALYTEOREMADEBAYESEJERCICIOSCAPÍTULO3
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 8/112
8
UNIDADDOSVariablesAleatoriasyDistribucionesdeprobabilidadINTRODUCCIÓNALAUNIDADOBJETIVOGENERALOBJETIVOSESPECÍFICOS1.-VARIABLESALEATORIAS1.1.-VARIABLEALEATORIADISCRETA1.2.-VARIABLEALEATORIACONTINUA1.3.-TEOREMADECHÉBYSHEVEJERCICIOSCAPÍTULO12.-DISTRIBUCIONESDEPROBABILIDADDISCRETA2.1.-DISTRIBUCIÓNUNIFORMEDISCRETA2.2..-DISTRIBUCIÓNBINOMIAL
2.3.-DISTRIBUCIÓNGEOMÉTRICA2.4.-DISTRIBUCIÓNBINOMIALNEGATIVA2.5.-DISTRIBUCIÓNHIPERGEOMÉTRICA2.6.-DISTRIBUCIÓNPOISSON3.-DISTRIBUCIONESDEPROBABILIDADCONTINUA3.1.-DISTRIBUCIÓNUNIFORMECONTINUA
3.2..-DISTRIBUCIÓNNORMALBIBLIOGRAFÍA
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 9/112
9
UnidadUno
PRINCIPIOSDEPROBABILIDAD
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 10/112
10
INTRODUCCIÓNALAUNIDAD
Para indicar el grado de incertidumbre de un evento, ésta debe expresarse entérminosnuméricos;paraelloserequiereconocerlasreglasyoperacionesdelaprobabilidad. Es así como, en esta primera unidad didáctica, se tratarán losprincipiosbásicosdeProbabilidad.Estaunidadsedivideencuatrocapítulos.Losdosprimeroscapítulossecentranennocionesbásicasparaeldesarrollocompletodelconceptodeprobabilidad.Elprimero de ellos introduce los términos básicos que se encuentran ligados allenguajeestadísticoylosfundamentosnecesariosparaelestudiodelateoríade
laprobabilidad.Elsegundocapítulodesarrollalateoríadelconteoylastécnicasparadeterminarelnúmerodevecesdeocurrenciadeunevento.Enelcapítulo3se desarrolla el concepto de probabilidad y se examinan las diferentesinterpretaciones que se tienen de ella, también se trata aquí los axiomas quesatisfacen las probabilidades de cualquier experimento aleatorio, las reglas deadición y de multiplicación para probabilidades, la probabilidad condicional, laindependenciadeeventosyelTeoremadeBayes.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 11/112
11
OBJETIVOGENERAL
Analizar e interiorizar los principios de Probabilidad, identificando suspropiedades,leyesyloscamposdeaplicaciónquetieneestacienciapropiadelaestadística.
OBJETIVOSESPECÍFICOS
• Introducir los fundamentos necesarios para el estudio de la teoría de laprobabilidad.
• Reconocerlascaracterísticasdeunexperimentoaleatorio.
• Identificar el espacio muestral y distintos eventos de experimentos
aleatorios.• Adquirir las herramientas y habilidades necesarias de las técnicas de
conteo.
• Calcular las medidas de espacios muestrales y eventos aplicando reglasbásicasdeconteo,permutacionesycombinaciones.
• Establecer y aplicar las técnicas de conteo a través de permutaciones y
combinaciones.
• Enunciar y aplicar el principio fundamental de conteo o principiomultiplicativoyutilizardiagramasdeárbolparaejemplificarlo
• Definiryestudiardiversostiposdeespaciosdeprobabilidad.
• Reconocerlaimportanciadelateoríadelasprobabilidadesenelanálisise
interpretacióndeinformaciónestadística.• Aplicarlaspropiedadesmatemáticasbásicasde lasprobabilidadesparael
cálculo de la probabilidad de diferentes eventos que ocurren enexperimentosaleatorios.
• Calcularlaprobabilidaddeunevento,dadoqueotrohasucedido.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 12/112
12
• Demostrarlaindependenciaonodedosomáseventos.
• Enunciaryaplicarlaleydelaprobabilidadtotal.
• Obtener la probabilidad de eventos que involucren el uso del principiomultiplicativo,diagramasdeárbolylastécnicasdeconteo.
• CalcularlaprobabilidaddecausasaplicandoelteoremadeBayes.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 13/112
13
RESEÑAHISTÓRICADELAPROBABILIDAD2.
Elorigendelateoríadelasprobabilidadesesoscuroynisiquieraloshistoriadores
estándeacuerdoconlafechaenquepuedesituarse.En1494(apenasdosañosdespués del descubrimiento de América), el italiano Pacioli planteó algunaspreguntasconcretassobrelaprobabilidad,peronuncaintentóabordareltemademaneracientífica.
Cincuenta y seis años más tarde, también en Italia, elcélebre y controvertido matemático Girolamo Cardano(1501-1576)loestudióconmayorprofundidadyescribióuntratadosobrelosjuegosdeazar,perosusescritosnofueronpublicadossinohastadespuésdesumuerte,bajoeltítuloLíberdeLudoAleae (Librosobrelosjuegosdel
azar). Ése fue el primer tratado sobre la teoría de lasprobabilidadesqueseescribióenelmundoypasaríanmásdecienañosantesdequeseescribieraelsegundo.
Contodaseguridad,elestudianterecordaráoasociaráelnombredeCardanoconlasolucióndelasecuacionesgeneralesdetercerycuartogradopormedioderadicales,aunquealgunoshistoriadoressostienenqueesasfórmulasCardanoselasusurpóalvenecianoNiccoloTartaglia(1500-1557).Alparecer,Cardano,adictoa los juegos de azar y las apuestas, desarrolló por su cuenta la teoría deprobabilidades para sacar ventaja en el juego, pero sus resultados másimportantes jamás los publicó por miedo a que sus contrincantes en el juegotambiénlosutilizaran.SecuentaqueCardanoteníafrecuentesdisputasconsusadversarioseneljuegoysiemprecargabauncuchillo,conelcualhirióenlacaraauncontrincantequenoqueríapagarleunaapuesta.Esunaironíadelahistoriaque Cardano sea reconocido por algo que aparentemente no hizo (la solucióngeneraldelascúbicasylascuárticas),yencambionoseareconocidoporalgoquesíhizo(serelprimeroencrearlasbasesdelateoríadelasprobabilidades).Apesardesupasióncompulsivaporeljuegoylasapuestas,Cardanologróescribirmuchoslibrosacercadetodoloqueleinteresaba,eraunhombresabio,estudiómedicinayamabalamúsica.Suinfanciafuemuydura:sumadrejamásloquiso,porloqueloregalóaunosparientes,quieneslogolpeabanylohacíantrabajarduro. Ya de viejo pronosticó que moriría exactamente a los 75 años, yefectivamentesesuicidóel21deseptiembrede1576alaedadde75años.
En1654,ydesconociendoloquehabíaescritoCardanomásdecienañosatrás,el gran matemático francés (o geómetra, como se autonombraba) Blas Pascalredescubriólasbasesdelateoríadelasprobabilidadesconunenfoquemuchomásuniversaly riguroso.Secuenta quepor aquella épocaelcaballerodeMere
2SOTOMAYORG.yP.WISNIESKIPiotr.ProbabilidadyEstadísticaparaIngenieríayCiencias.Thomson
Learning.2001.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 14/112
14
formuló, en París, la siguiente pregunta al célebre ex prodigio Blas Pascal: "Sialguienlanzaunpardedadosordinariosunayotravez,¿cuántasveceshabráque lanzarlos para que se pueda apostar ventajosamente a que aparecerá eldoble seis?" Aunque hoy en día este problema lo puede resolver con facilidad
cualquier estudiante de un primer curso deprobabilidad, en aquella época fue un planteamientonovedoso.Pascalsepusoatrabajarenesteasuntoyal cabo de unos días halló una serie de fórmulassimples que permitían resolver el problema y otrossimilares.PascalinformóentoncesalCaballerodeMe-re que ya tenía la respuesta a su pregunta: resultaventajoso apostar al doble seis en 25 tiradas de losdados o más; pero es desventajoso hacer semejanteapuestaen24tiradasomenos.Alparecer,araízdeeste incidente, Pascal se interesó por el estudio
matemáticoseriodelosfenómenosrelacionadosconelazar,aunquenoseregistraningunapublicaciónsuyaalrespecto: pero hubo un intercambio de cartas entrePascal y otro ilustre matemático —que curiosamenteeraabogadodeprofesión—,PierreFermat.Aproximadamentetresañosdespuésdeesteincidente,unjovenholandésde27años radicado temporalmente en París y de nombre Christian Huygens, tuvoaccesoa lascartasquehabíanintercambiadoPascaly Fermat,yprofundizó lasideasdeambosenunapequeñamonografíasobrelaincertidumbreyelazar (Elrazonamientoenlosjuegosdelazar).Esefueelsegundolibrosobrelateoríade
probabilidadesqueaparecióenelmundoyademásmarcóelcaminosobreelquedeberíadesarrollarseestaciencia.
Algunos años después de la aparición del libro de Huygens, Jacobo Bernoullipublicó en Basilea, Suiza, su obra Ars Conjectandi, en la cual aparecen porprimera vez las fórmulas y leyes básicas de la teoría de las probabilidades. Eldesarrollo posterior de esta ciencia tuvo lugar primero en Francia, y algunasdécadasdespuésenInglaterrayAlemania.Unfuertedesarrollodeesateoríaestáasociado con los nombres de ilustres matemáticos franceses como el MarquésPierreSimóndeLaplace(1749-1827),AbrahamDeMoivre(1667-1754),Georges-LouisLecler(CondedeBuffon),JosephLouisFrancoisBertrand(1822-1900)(esteúltimo autor del libro Calcul des Probabilités), así como el reverendo ThomasBayes en Inglaterra; el ruso Pafnuty Lvovich Chébyshev (1821-1894) y CarlosFederico Gauss en Alemania, este último considerado por muchos como elmatemáticomásnotableentodalahistoriadelahumanidadhastanuestrosdías,notantoporlacantidad(lacualfuebastanteexigua)sinoporlaimpresionantecalidad y originalidad de sus trabajo y descubrimientos, los cuales tuvieroninfluenciadeterminanteencasitodaslasramasdelasmatemáticas.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 15/112
15
EnelsigloXIX,PierreSimon,marquésdeLaplace(1749-1827),unificótodasestasprimerasideasycompilólaprimerateoríageneraldelaprobabilidad.
AmediadosdelsigloXIX,unfraileagustinoaustriaco,GregorMendel,inicióel
estudiodelaherencia,lagenética,consusinteresantesexperimentossobreelcruce de plantas de diferentes características. Su obra, La matemática de laHerencia, fue una de las primeras aplicaciones importantes de la teoría deprobabilidadalascienciasnaturales.
Lateoríadelaprobabilidadfueaplicadaconéxitoenlasmesasdejuegoy,loqueesmásimportante,enproblemassocialesyeconómicos.Laindustriadesegurosrequería un conocimiento preciso acerca de los riesgos de pérdida. Muchoscentrosde aprendizaje estudiaron laprobabilidadcomo una herramienta para elentendimientodelosfenómenossociales.
Nuestranecesidaddetratarcontotalincertidumbrenosllevaaestudiaryutilizarlateoría de la probabilidad. Al organizar la información y considerarla de manerasistemática, seremos capaces de reconocer nuestras suposiciones, comunicarnuestrorazonamientoaotraspersonasytomarunadecisiónmássólida.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 16/112
16
CAPITULO1
EXPERIMENTOSALEATORIOSYESPACIOMUESTRAL.
Enlateoríadeprobabilidadessehablaamenudodeexperimentosaleatoriosydefenómenosaleatorios.Lapalabraaleatorioprovienedelvocablolatinoalea,elcualsignificasuerteoazar.Unfenómenoaleatorio,esportanto,aquélcuyoresultadoestáfueradecontrolyquedependedelazar.
Experimentos o fenómenos aleatorios son los que pueden dar lugar a variosresultados,sinquepuedaserprevisibleenunciarconcertezacuáldeéstosvaaserobservadoenlarealizacióndelexperimento.
Sidejamoscaerunapiedraolalanzamos,yconocemoslascondicionesinicialesde altura, velocidad, etc., sabremos con seguridad dónde caerá, cuánto tiempo
tardará, etc. Es una experiencia determinista. Si echamos un dado sobre unamesa,ignoramosquécaraquedaráarriba.Elresultadodependedelazar.Esunaexperienciaaleatoria.
SSuucceessooaalleeaattoorriiooeessuunnaaccoonntteecciimmiieennttooqquueeooccuurrrriirrááoonnoo,,ddeeppeennddiieennddooddeellaazzaarr..
La vida cotidiana está plagada de sucesos aleatorios. Muchos de ellos, de tiposociológico (viajes, accidentes, número de personas que acudirán a un granalmacénoquesematricularánenunacarrera...)aunquesonsumademuchasdecisiones individuales, pueden ser estudiados, muy ventajosamente, como
aleatorios.1.1ESPACIOMUESTRALEspaciomuestraleselconjuntoformadoportodoslosposiblesresultadosdeunexperimento aleatorio. En adelante lo designaremos por S. A la colección deresultados que se obtiene en los experimentos aleatorios se le llama espaciomuestral.
EJEMPLO1.1:
Enundado,S={1,2,3,4,5,6}
Enunamoneda,S={C,+}
Unexperimentoaleatoriocumpleconlassiguientescaracterísticas:
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 17/112
17
• Elexperimentopuederealizarsebajoidénticascondicionescuantasvecesseanecesario.
• Losposiblesresultadossontodosconocidos.• Elresultadodelexperimentoesincierto,dependedelazar.
• Se observa cierto patrón de regularidad a medida que aumentan lasrepeticiones.
EJEMPLO1.2:Enunaempresadelácteoshacencontroldecalidadalllenadodebolsasdelechede1000ccdevolumen.Cada20minutosseverificaelvolumendellenadodelamáquina. La evaluación continúa hasta encontrar una bolsa que no cumple lasespecificaciones.
Sea s el hecho de que la bolsa de leche cumple con las especificaciones devolumen,yn lasquenocumpleconellas.¿Cuáleselespaciomuestraldeesteexperimento?Elespaciomuestralserepresentacomounasecuenciadelasletras s yn .Dadoque el experimento termina cuando una bolsa de leche no cumple con lasespecificaciones de volumen, el espacio muestral estará formado por unasecuenciades seguidaporunan .
,...},,,,,{ sssssnssssnsssnssnsnnS =
1.2.SUCESOSOEVENTOS.OPERACIONESCONSUCESOS.
SucesosoEventos.
Elespaciomuestralasociadoallanzamientodetresdadosyanotarlasumadelospuntosobtenidoses:
S={3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18}PodemosconsideraralgunossubconjuntosdeS,porejemplo:Salirmúltiplode5: A={5,10,15}Salirnúmeroprimo: C={2,3,5,7,11,13,17}Salirmayoroigualque12: D={12,13,14,15,16,17,18}
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 18/112
18
Todos estos subconjuntos del espacio muestral S los llamamos sucesos oeventos.
SSuucceessoo oo EEvveennttoo ddee uunn ffeennóómmeennoo oo eexxppeerriimmeennttoo aalleeaattoorriioo eess ccaaddaa uunnoo ddee llooss
ssuubbccoonn j juunnttooss ddeell eessppaacciioo mmuueessttrraall SS.. LLooss eelleemmeennttooss ddee SS ssee llllaammaann ssuucceessoossiinnddiivviidduuaalleess oo ssuucceessooss eelleemmeennttaalleess.. TTaammbbiiéénn ssoonn ssuucceessooss eell ssuucceessoo vvaaccííoo oossuucceessooiimmppoossiibbllee,,ØØ,,yyeellpprrooppiiooSS,,ssuucceessoosseegguurroo..
SiStieneunnúmerofinito,n,deelementos,elnúmerodesucesosdeEes2n.
EJEMPLO1.3:
• {1,2},{2,4,6},{3,5}sonsucesos.{1},{2},{3}...,sonsucesosindividuales.
• Enundadohay26
=64sucesos.• Enunamonedahay22=4sucesos,queson:Ø,{C},{+},{C,+}Esdecir,S={Ø,{C},{+},{C,+}}
1.2.1.-OperacionesconsucesosoeventoYa que los eventos o sucesos son subconjuntos, entonces es posible usar lasoperaciones básicas de conjuntos3, tales como uniones, intersecciones ycomplementos, para formar otros eventos de interés, denominados eventos o
sucesoscompuestos.
Dadosdossucesos,AyB,sellaman:
Unión
eselsucesoformadoportodosloselementosdeAytodoslos
elementosdeB.
3Eneldesarrollo del presentemódulo separtede lapremisa deque el estudiantemaneja los diferentesconceptos de la Teoría de Conjuntos. Se recomienda al estudiante que consulte el módulo de Lógica
Matemáticaocualquierotrotextoquecontengadichosconceptos.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 19/112
19
Intersección
eselsucesoformadoportodosloselementosqueson,ala
vez,deAydeB.
Diferencia
eselsucesoformadoportodosloselementosdeAquenoson
deB.
Sucesocomplementario
ElsucesoA´=E-AsellamasucesocomplementariodeA.
DossucesosAyB,sellamanincompatiblescuandonotienenningúnelementocomún. Es decir, cuando = Ø (A y B son mutuamente excluyentes odisjuntos)
Decimos que un suceso se ha verificado, si al realizar el experimento aleatoriocorrespondiente,elresultadoesunodelossucesoselementalesdedichosuceso.Porejemplo,siallanzarundadosale5,sehaverificado,entreotros,lossucesos{5},{1,3,5}oS.Demaneraanáloga,decimosque:
• Elsuceso severificacuandoseverificaunodelosdosoambos.• Elsuceso severificacuandoseverificansimultáneamenteAyB.• ElsucesoA´,contrariodeA,severificacuandonoseverificaA.• Dos sucesos incompatibles o mutuamente excluyentes no se verifican
simultáneamente.
EJEMPLO1.4:
EnelexperimentoS="lanzarundadoalaire",consideramoslossucesos:
A="sacarunnúmeropar".B={1,2,3,5}="obtenerun1,2,3ó5".
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 20/112
20
C={4,6}="obtenerun4óun6".D={2,4,6}="obtenerun2,4ó6".F={1,3}="obtenerun1óun3".G="obtenerunmúltiplode3".
A y D son sucesos iguales al estar formados por los mismos sucesoselementales.
C está contenido en A. Luego = C, puesto que siempre queocurre el suceso C (sacar 4 ó 6) ocurre el suceso A, puesto que seobtieneunnúmeropar.
B y C son incompatibles, ya que B C = Ø y complementarios, alcumplirseB C=E.
="sacarunnúmeropar" {1,2,3,5}={1,2,3,4,5,6}=E. A G = {2,4,6} {3,6} = {6}, es decir, el suceso intersección de los
sucesos"sacarunnúmeropar"y"obtenerunmúltiplodetres"es"sacar
un6". B-D=B ={1,2,3,5} {1,3,5}={1,3,5}="obtenerunnúmeroimpar"=
. CyFsonincompatiblespuestoqueC F=Ø.
Las operaciones unión, intersección y complementación (contrario) verifican laspropiedades:
Unión Intersección
1.Conmutativa 2.Asociativa 3.Idempotente 4.Simplificación 5.Distributiva 6.Elementoneutro
7.Absorción Paradescribirlasrelacionesentreeventosseusanconfrecuencialosdiagramas.Estosbienpueden ser los denominados diagramasde Venno los diagramasdeárbol.Acontinuaciónsedescribenambostratamientosgráficosdeloseventosdeunespaciomuestraldeterminado.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 21/112
21
LosdiagramasdeVenn suelenemplearsepararepresentarunespaciomuestraly sus eventos. En la figura siguiente se contempla un espacio muestralS (lospuntosdentrodelrectángulo)yloseventosA,B yC comosubconjuntosdeeste.Se representan diferentes diagramas de Venn, ilustrando varios eventos
combinados.
Figura1.1DiagramasdeVenn
(a)EspaciomuestralS conloseventosAyB mutuamenteexcluyentes, =∩ B A Ø.(b)InterseccióndeloseventosAyB delespaciomuestralS , B A∩ .(c)ComplementodeleventoA(A´ )enelespaciomuestralS .(d)Evento C B A ∩∪ )( .
(e)Evento )´( C A∩
EJEMPLO1.5:Lasorquídeasdeunvivero,presentanlassiguientescaracterísticas:
Tamañodepétalo Grande Pequeño
ColorLila 40 4
Blanca 2 3Seanloseventos:
A:laorquídeaesdepétalogrande.B :laorquídeaesdecolorlila.
Determine el número de muestras en B A∩ , ` A y B A∪ . Represente condiagramasdeVennesteespaciomuestralyloseventosAyB.Indiqueelnúmeroderesultadosencadaregióndeldiagrama.
(a) (b) (c)
(d) (e)
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 22/112
22
Observe que siempre es necesario describir el evento que se va a considerardentrodelespaciomuestral.
Deacuerdoalascaracterísticasdescritas,elevento B A∩ estáformadopor40orquídeasparalascualeseltamañodepétalosesgrandeysondecolorlilaalmismotiempo.Elevento ` A contiene7orquídeasparalasquesuspétalossonpequeños,independientedesucolor.Elevento B A∪ estáconformadopor46orquídeas en las que sus pétalos son grandes o su color es lila (o ambascaracterísticasalavez).El siguiente diagrama de Venn representa dicho espacio muestral y los doseventosAyB.Losnúmerosindicanlacantidadderesultadosencadaregióndeldiagrama.
Figura1.2DiagramadeVenn,ejemplo1.5
Cuandounespaciomuestralpuedeconstruirseenvariospasosoetapassuelesermásútilhacerusodelosdiagramasdeárbol .Cadaunadelas n 1manerasdecompletarelprimerpasopuederepresentarsecomounaramadelárbol,cadaunadelasmanerasdecompletarelsegundopasopuederepresentarseconn 2 ramasquecomienzandondeterminanlasramasoriginales,yasísucesivamente.Undiagramadeárbolesunaespeciedemapadeacontecimientosendondesedescriben los eventos básicos que ocurren en un experimento aleatorio. Estegráficoestáformadoporsegmentosderectasypuntos.Loseventosqueocurrensedenotanporpuntos.Estediagramapuedeserdibujadodeizquierdaaderechaodearribahaciaabajo,nohayrestriccionesparaello(Verfigura3).
Estetipodediagramasesmuyusualnosóloparadescribirunespaciomuestral,sinoensituacionesdeprobabilidad,casoenelcuallaprobabilidaddeleventoseindicasobreelsegmentoderecta,tambiénencombinatoriayenmuchasotrasramasdelamatemática.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 23/112
23
Figura1.3Diagramasdeárbol
(a)Vertical,(b)Horizontal
EJEMPLO1.6:SofíayCamilaIntervienenenuntorneodetenis.Laprimerapersonaqueganedos juegosseguidos o que complete tres, gana el torneo. Use un diagramadeárbolparadeterminarlosposiblesresultadosdeltorneo.
Figura1.4Diagramadeárboldelejemplo1.6
Elrecorridodesdeelprincipiodelárbolhastalospuntosterminales,indicaquiénganó cada juego en el torneo individual de tenis. Observe que hay 10 puntos
terminalesquecorrespondenalos10resultadosposiblesdeltorneo,ellosson:{SS,SCSS,SCSCS,SCSCC,SCC,CSS,CSCSS,CSCSC,CSCC,CC.}
S
A
B
C
S
A B C
(a) (b)
S
SS
SS
S
SS
S
C
CC
C C
C
CC
C
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 24/112
24
EEJJEERRCCIICCIIOOSSCCAAPPÍ Í TTUULLOO111.- Proporcioneuna descripción razonabledel espacio muestralde cadaunodelossiguientesexperimentosaleatorios.Utiliceundiagramadeárbol.
a.- Lanzar tres veces una moneda y observar la serie de sellos o caras queaparecen.b.- Tirar un dado, si el resultado es un numero par lanzar una moneda, si elresultadoesunnumeroimparlanzarunamonedadosveces.2.-SedeseaobservarunafamiliaqueposeedosautomóvilesyparacadaunoobservamossifuefabricadoenColombia,siesAmericanoosiesEuropeo.
a.-Cualessonlosposiblesresultadosdeesteexperimento?b.-DefinaeleventoA:LosdosautomovilesnosonfabricadosenColombia,Liste
eleventoB:Unautomovilescolombianoyelotrono.c.-DefinaloseventosA∪ByB∩A.3-Labibliotecadeunauniversidadtienecincoejemplaresdeunciertotextoenreserva,Dosejemplares(1y2)sonprimeraediciónylosotrostres(3,4y5)sonsegundasediciones.Unestudianteexaminaestoslibrosenordenaleatorio,ysedetienecuandoseleccionaunasegundaimpresión.Ejemplosderesultadosson:5,213.
a.-hagaunalistadeloselementosdeSb.- ListeloseventosA: ellibro 5esseleccionado,B:exactamenteun librodebe
serexaminado,C:ellibro1noesexaminadoc.-Encuentre:A∪B,B∩A.,A∪CyB∩C.4.-Dosestacionesdegasolinaseencuentranenunciertocrucedelaciudad,encadaunahay4bombasparadespachodegasolina.Considereelexperimentoenqueelnumerodebombasenusoenundíaparticularsedeterminaparacadaunadelasestaciones.Unresultadoexperimentalespecificacuantasbombasestánenusoenlaprimeraestaciónycuantasestánenusoenlasegunda.a.-Cualessonlosposiblesresultadosdelexperimentob.- Defina el evento A: el numero de bombas en uso es el mismo en ambas
estaciones,eleventoB:elnumerodebombasenusoesmáximodosencadaestación,eleventoC:elnumerototaldebombasenusoenambasestacionesescuatro.c.-DefinaA∪B,B∩C5.- ElsiguientediagramadeVenncontienetreseventos.Reproduzcala figuraysombreelaregiónquecorrespondeacadaunodelossiguienteseventos:
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 25/112
25
a. ´ A b. B A∩ c. C B A ∪∩ )( d. )( ′∪C B
e. C B A ∪′∩ )( 6.- Una mujer es portadora de hemofilia clásica. Esto significa que, aunque lamujernotengahemofilia,puedetransmitirlaenfermedadasushijos.Ellatienetreshijos.Describaelespaciomuestraldeesteexperimento.7.- Enunaencuestarealizadaentre200 inversionistasactivos,sehallóque120utilizancorredoresporcomisión,126usancorredoresdetiempocompletoy64empleanambostiposdecorredores.Determineelnúmerodeinversionistastalesque:
a.Utilizanalmenosuntipodecorredor.b.Utilizanexactamenteuntipodecorredor.c.Utilizansólocorredoresporcomisión.d.Noutilizancorredores.Represente con un diagrama de Venn este espacio muestral y los eventosrelacionados.Indiqueelnúmeroderesultadosencadaregióndeldiagrama.8.-Latablasiguientepresentaunresumendelascaracterísticassolicitadasen100órdenesdecompradecomputadores.
Memoriaadicional No SiProcesadoropcionaldealtavelocidad
No 75 7Si 10 8
Sean:A: evento donde la orden de compra es solicitada sin memoria adicional y sinprocesadoropcionaldealtavelocidad.B :eventodondelaordendecompraessolicitadasinmemoriaadicional.
Determineelnúmerodemuestrasen B A ∩′ , B′ y B A∪ .DibujeundiagramadeVennquerepresenteestosdatos.9.-Selepidióa110comerciantesquedijeranquetipodeprogramadetelevisiónpreferían.Latablamuestralasrespuestasclasificadasalavezsegúnelniveldeestudiosdeloscomerciantesysegúneltipodeprogramapreferido.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 26/112
26
TipodeProgramaNiveldeestudios Colegio(A)
Universidad(B)
Postgrado(C)
Total
Deportes(D) 15 8 7 30Noticias(N) 3 27 10 40Drama(M) 5 5 15 25Comedia(W) 10 3 2 15Total 33 43 34 110
Especifique el numero de elementos en cada uno de los siguientes eventos ydefínalosconpalabras:a)D, b)A∪M c)W`
d)C∩N e)D∩B f)(M∩A)´
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 27/112
27
CAPITULO2
TÉCNICASDECONTEO
Enelcálculodelasprobabilidadessedebepoderdeterminarelnúmerodevecesque ocurre un evento o suceso determinado. Es muchas situaciones deimportanciaprácticaesimposiblecontarfísicamenteelnumerodeocurrenciasdeuneventooenumérelosunoaunosevuelveunprocedimientoengorroso.Cuandoseestafrenteaestasituaciónesmuyútildisponerdeunmétodocorto,rápidoyeficazparacontar.
Acontinuaciónsepresentanalgunasdeestastécnicas,denominadas técnicasdeconteo o análisis combinatorio, entre las cuales se tienen: el principiofundamentaldelconteo,permutaciones,variaciones,combinaciones,laregladel
exponenteyeldiagramadeárbol.2.1PRINCIPIOFUNDAMENTALDELCONTEOEnla teoría fundamentaldelconteosetienendosprincipiosbásicos,queson labaseparadesarrollarotrosconceptoscomopermutacionesycombinacionesqueseveránmásadelante.2.1.1Principiodemultiplicaciónomultiplicativo
Algunos problemas de probabilidad pueden resolverse aplicando este principio.Suponga que unapersonadeseaprepararunalmuerzoparasus amigos ytienedos recetas para la sopa, trespara el plato principal y dos para el postre. ¿Decuántas maneras puede el anfitrión hacer su menú? En la figura 5 se señalantodaslasmanerasposiblesparaprepararelalmuerzo.
Figura2.5Diagramadelasposiblesopcionesparaprepararunmenú
Lasalternativasquetendráson:
{1,3,6} {1,3,7} {1,4,6} {1,4,7} {1,5,6} {1,5,7}{2,3,6} {2,3,7} {2,4,6} {2,4,7} {2,5,6} {2,5,7}
Sopa Platoprincipal
Postre
1
2
3
4
5
6
7
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 28/112
28
En total se tienen 12 maneras diferentes de preparar un delicioso almuerzo.Aplicandoelprincipiodemultiplicaciónsetiene:
2x3x2=12Generalizando, si un evento determinado puede realizarse de n 1 manerasdiferentes,ysiunsegundoeventopuederealizarseden 2 manerasdiferentes,ysi,además, un tercer evento puede realizarse de n 3 maneras diferentes y asísucesivamente, y si al mismo tiempo cada evento es independiente del otro,entonceselnúmerodemanerasenqueloseventospuedenrealizarseenelordenindicadoeselproducto:
...321 ××× nnn
2.1.2PrincipioaditivoEste principiotiene las mismas premisasdel principio multiplicativo,pero con lacondición no de que los eventos sean independientes sino de que seanmutuamenteexcluyentes, esdecirquecadauno ocurrasin lanecesidaddequeotrolohaga.Elnúmerototaldemanerasenlasquepuedenrealizarseloseventoseslaadición:
...321 +++ nnn
Suponga,ahora,quelapersonaquepreparaelmenúparasusamigosprepararápescado como plato principal. Para preparar el pescado, él encuentra cincomaneras diferentes de hacerlo al horno, dos para hacerlo frito y tres paraprepararlococido.¿Decuántasmanerasdiferentespuedecocinarsupescado?Cadaunadelasmanerasdeprepararelpescadoesexcluyentedelasotrasdos.Esdecir,sielcocinerodecideprepararelpescadococido,yanopodráprepararlonifritonialhorno;deigualmanerasucedesidecidehacerloalhornoo frito.Asíqueentotal,ydeacuerdoconelprincipioaditivo,sólohay5+2+3=10manerasdiferentesdecocinarelpescado.
Figura2.6
Esquemadeinterpretacióndelosprincipiosmultiplicativoyaditivo
n1 n2 n3 ...
Principiomultiplicativo
n1
n2
n3.
.
.
Principioaditivo
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 29/112
29
El esquema de la figura 1.6 ilustra una interpretación sencilla de ambosprincipios4.Másadelantesedesarrollanlosconceptosdeeventosindependientesyeventosmutuamenteexcluyentes,peroyainiciaunprimeracercamientoaellos.
2.2FACTORIALDEUNNÚMEROEn el análisis combinatorio interviene con mucha frecuencia el concepto defactorialdeunenterononegativon .Estesedenotaporelsímbolon! ysedefinecomoelproductodenportodoslosenterosqueleprecedenhastallegaraluno.Simbólicamentequedaexpresadocomo:
( )( ) 1121 ≤…= nn-n-nn!
Laexcepcióneselcasode0! Elcualconvienedefinirlocomoiguala1conobjeto
depreservarlavalidezdelasfórmulasencasosextremos.Muchascalculadorastraenunateclafactorial,verifiquequelasuyalatengaypractique.
EJEMPLO2.7Calcule:a. 720123456!6 =×××××= b. 000.368.674.307'1123...131415!15 =××××××= c. 121)12345()1(!5!0 =××××+=+
d. 1561213!11
!111213
!11
!131561213
123...91011
123...111213
!11
!13=×=
××=⇔=×=
××××××
××××××=
e.720
1
8910
1
!78910
!7
!10
!7
123...910
1234567
!10
!7=
××=
×××=⇔
×××××
××××××=
2.3PERMUTACIONESYVARIACIONESConsidere un conjunto de elementos { }cbaS ,,= . Una permutación de los
elementosesunacomodouORDENAMIENTOdeellos.Así:
abc acb bac bca cab cba
4ModificadodeProbabilidady estadísticaparaingeniería y ciencias ,GabrielVelascoS.yPiotrMarianWisniewski.ThomsonLearning.México.2001
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 30/112
30
sonlaspermutacionesdeloselementosdelconjunto S ysonentotal6posiblesacomodos.Estoes:
6123!3 =××=
El número de permutaciones (acomodos u ordenaciones) de n elementosdistintos,tomadostodosdeunavez,sedenotaporn!Unaordenacióndeunnúmeror deelementosdelconjuntoden elementos, nr ≤ ,esdenominadavariación .Sonpermutacionesen lasque implicaun ordenen lacolocación de los elementos, tomando únicamente una parte de los elementos.Unavariaciónpuedeconstruirseseleccionandoelelementoqueserácolocadoenlaprimeraposicióndelarreglodeentrelosnelementos,paraluegoseleccionarelelemento de la segunda posición de entre los n-1 elementos restantes, paraseleccionar después el tercer elemento de entre los n-2 restantes, y así
sucesivamente.Setratapuesdeunapermutacióndenelementostomandoralavez.Elnúmerodepermutacionesden elementostomadosr alavezsedenotacomo
r nP o n
r V ysedefinecomo:
( )( ) ( )( )!r n
n!r n...nnnPP n
r r n−
=+−−−== 121
Observequeenelcasoespecialder=n ,setiene:
!123)...2)(1( nnnnP
nn=××−−=
Enelsiguienteejemploseharáunanálisisbásicoydidácticoparacomprenderfácilmenteelusoadecuadodelaspermutacionesylasvariaciones.
Ejemplo2.7SupongaquesetienenlasbasesTiamina(T),Adenina(A),Citosina(C)yGuanina(G). ¿De cuántas maneras diferentes se pueden ordenar estas bases en una
secuenciadelongitud4,sinrepetirningunabase?Supóngasequeenlassiguientescasillasseubicaránlasbases.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 31/112
31
Enlaprimeracasillasepuedeubicarunadelascuatrobases,cualquieradeellas.Demodoquesetienen4formasdellenarestacasilla.Independientedelabaseelegidaparalaprimeracasilla,quedantresbasesnoseleccionadas,puessehaaclaradoquenosepuederepetirningunabase.Demodoquelasegundacasilla
podrállenarsede3manerasdiferentes.Laterceracasillasepuedellenarde2manerasdiferentes.Unavezllenadalaterceracasilla,quedaunasolabasequedeberáserubicadaenlacuartacasilla.Demodoqueeltotaldeformasdiferentesdellenarestascuatrocasillases:
4 3 2 1 = 24 = 4!Haciendousodelosconceptoshastaahoraestudiados,setratadeconocerelnúmerodepermutacionesde4elementosdistintos,tomadostodosdeunavez.Así:
241234!4 =×××= Bien, ahora suponga que se seleccionará una secuencia de 2 elementos, ¿decuántasmanerassepuedenordenarestasbases?Setienenahoralassiguientescasillas:
Enlaprimeracasillasepuedeubicarunadelascuatrobases,cualquieradeellas.
Demodoquesetienen4formasdellenarestacasilla.Independientedelabaseelegidaparalaprimeracasilla,quedantresbasesnoseleccionadas.Demodoquelasegundacasillapodrállenarsede3manerasdiferentes.Así,eltotaldeformasdiferentesdellenarestascuatrocasillases:
4 3 = 12Se trata de un problema tipo variación, en donde se pide el número depermutacionesde4elementosdistintostomados2alavez.
( ) ( )1234
24
24412341244 2424 =×==−
=⇔=×=+−=!!
!!PP
Cuandounoovarioselementosestánrepetidos,elcálculodelaspermutacionesvaría;enestecasosehabladepermutaciones con repetición .Elnúmerodepermutacionesden objetosdeloscualesn 1soniguales,n 2 soniguales,…,n r soniguales,es:
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 32/112
32
!!...!
!
21 r nnn
n
Ejemplo2.8CalcularelnúmerodeacomodosdistintosdelapalabraCASA.Paralapalabra CASA se tendrían un número inferior a 24 acomodos distintos.DebetenerseencuentalarepeticióndelaletraA.Debeaplicarse:
1243!2
!4=×=
Compruebecuálessonesas12permutacionesposiblesdelapalabraCASA.Ahorabien,¿decuántasmanerasdistintassepuedeordenarlapalabraCASAS?
102
45
!2!2
!5=
×=
×
Compruebecuálessonesas10permutacionesposibles.
2.4COMBINACIONESSuponga que tiene un conjunto de n elementos. Una combinación de ellos,tomadosr alavez,esunsubconjuntode r elementosdondeelordennosetieneencuenta.Elnúmerodecombinacionesden elementostomadosr alavez, nr ≤ ,sintenerencuentaelorden,es:
!)!(
!
r r n
n
r
nC C
n
r r n−
=
==
Ejemplo2.9• Seaelconjunto { }d cbaS ,,,= ,sisedeseacombinarloscuatroelementosala
vez,¿cuántascombinacionessepodránhacer?
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 33/112
33
Una sola combinación, ya que al no importar el orden de colocación da lomismocualquieradeellas.Compruébelousandolafórmula.
• Sisedeseancombinaresascuatroletrasensubconjuntosdedoselementos,
¿cuántascombinacionessepodránhacer?Lascombinacionesposiblestomadasdosalavezson:
ab,ac,ad,bc,bd,cd
Observequeelsubconjuntocompuestodeloselementosaybpuedeser{a,b}o{b,a},puesenunacombinaciónnosetieneencuentaelorden.Elnúmerodeposiblescombinacioneses:
6!2)!24(
!424 =
−=C
Elusodecombinacionesesmásusualcuandosetratadecontarlasposibilidadesde ordenar un conjunto de elementos independientemente de su colocación oposición.Enelsiguienteejemploseverásuusomáscomún,endondenoimportaquiéno quéestomadodeprimero,oenquéordenespecíficoes tomado,deunsubconjuntodeelementosdeterminado.
EJEMPLO2.10
Enunaasambleadesociosdeunaimportanteempresadelpaís,compuestade7hombres y 5 mujeres, se acuerda conformar una comisión de verificación deactividadescomercialesenlaregión.Estacomisióndebeestarcompuestapor3hombresy2mujeres.¿Decuántasmaneraspuedeescogersedichacomisión?Delos7hombrespuedenseleccionarse3.Estoes:
35123
567
!3!4
!7
3
737 =
××
××=
×=
=C posiblesmanerasdeseleccionar3hombresdeun
conjuntode7.Delas5mujerespuedenseleccionarse2.Estoes:
1012
45
!2!3
!5
2
525 =
×
×=
×=
=C posibles maneras de seleccionar 2 mujeres de un
conjuntode5.Por consiguiente, la comisión puede escogerse de 3501035 =× manerasdiferentes.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 34/112
34
En la gran mayoría de calculadoras científicas existe un par de teclas quesimplificanelcálculodelaspermutacionesylascombinaciones.Observesiensucalculadora de trabajo se encuentran dichas teclas. Para las permutaciones la
teclaseexpresacomo r n P ór
nP ó ),( r nP yparalascombinacioneses r nC ór
nC ó),( r nC .Identifiqueestasteclasensucalculadoraypractique.
2.5REGLADELEXPONENTESe trata de un tipo de combinación o arreglo ordenado en donde siempre hayreemplazodelelementoquesetoma.SisetienenunconjuntodeN elementosyseconstruyeconestoselementosunconjunto de n elementos, con la condición de que cada vez que se tome unelemento del conjunto de N elementos este sea nuevamente reemplazado,
entonceselnúmerodeposiblesarreglosoacomodosdelconjuntode n elementoses:
n N
El siguiente ejemplo explica de una manera didáctica el cálculo del número deposiblesarregloshaciendousodelaregladelexponente.
Ejemplo2.11
¿Cuántoscasosposiblesexistenallanzarunamonedaen5lanzamientos?En el lanzamientode una moneda se tienen dos posibilidades: cara o sello.Elnúmerodecasosposiblesestarádadoporelnúmerodeposibilidades(2,enestecaso)conexponenteigualalnúmerodelanzamientos:
• Enunlanzamiento: 221 = casosposibles
• Endoslanzamientos: 422 = casosposibles
• Entreslanzamientos: 823 = casosposibles
Demodoque,paracincolanzamientos,hay 3225 = casosposibles
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 35/112
35
EEJJEERRCCIICCIIOOSSCCAAPPÍ Í TTUULLOO22..1.-SupongaqueunapersonaqueviveenelmunicipiodeBello(Antioquia)trabajaenelcentro de laciudad de Medellín. Para llegara susitiode trabajo, este tienetres rutasdistintasparallegaralaAutopistaydeallípuedetomarotrastresrutasparallegaralcentrodelaciudad.Enelcentro,puedetomarcuatrorutasparallegaralparqueaderomáscercanoasuoficina.¿Decuántasmanerasorutasdistintaspodríatomarlapersonaparallegardelacasaalparqueaderomáspróximoasuoficina?2.- En un restaurante en el centro de la ciudad ofrecen almuerzos ejecutivos con lassiguientesopciones:trestiposdiferentesdesopa,cuatrotiposdecarneconlabandeja,cuatrobebidasaescogerydostiposdepostre.¿Decuántasmaneraspuedeuncomensalelegirsumenúqueconsistade unasopa,unacarneparasubandeja,unabebidayunpostre?3.-Siunfutbolistaconoce7jugadasdiferentesysielentrenadorleinstruyeparaque
jueguelas7sinqueningunaserepita,¿quélibertadlequedaaesejugador?4.-¿Cuántas permutaciones pueden efectuarse con el conjunto S={a,b,c,d}? Describacadaunadelaspermutacionesposibles.5.- ¿Cuántas permutaciones distintas pueden formarse con las letras de la palabraPROBABILIDAD?6.-Dadoslossiguientesseisnúmeros:2,3,5,6,7,9;ysinosepermitenrepeticiones,resuelva:
¿Cuántosnúmerosdetresdígitossepuedenformarconestosseisdígitos?¿Cuántosdeestossonmenoresde400?¿Cuántossonpares?¿Cuántossonimpares?¿Cuántossonmúltiplosdecinco?
7.- Una tarjeta de circuito impreso tiene ocho posiciones diferentes en las que puedecolocarse un componente. Si se van a colocar cuatro componentes distintos sobre latarjeta,¿cuáleselnúmerodediseñosdiferentesposible?8.-Enunapizzeríaseanunciaqueofrecenmásde500variedadesdistintasdepizza.Unclientepuedeordenarunapizzaconunacombinacióndeunoomásdelossiguientesnueve ingredientes: jamón, champiñones, piña, pimentón, salchicha, cebolla, peperoni,salamiyaceitunas.¿Esciertoloqueafirmasupublicidad?
9.- El itinerario de un recorrido turístico por Europa incluye cuatro sitios de visita quedebenseleccionarseentrediezciudades.¿Encuántasformasdiferentespuedeplanearseesterecorridosi:
Esimportanteelordendelasvisitas?Noimportaelordendelasvisitas?
10.-ElmuyconocidoBALOTOelectrónicoesunjuegodeazarqueconsisteenacertaren6númerosde45posiblesparaganarelpremiomayor.Calculecuántosboletosdejuego
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 36/112
36
debe usted comprar para asegurar que tendrá el boleto ganador. La empresa delBALOTOaseguratambiénqueustedpuedeganarunmontodeterminadosiacierta3,4o5veces,calculetambiéncuántosboletosdebecomprarparaasegurar3,4y5aciertos.¿TodavíacreeenelBALOTO?
11.-Enunasaladeesperaseencuentran5personas:3hombresy2mujeres.¿Decuántasmaneraspuedensentarseenunafila?¿Decuántasmaneraspuedensentarseenfilasiloshombressesientanjuntosylasmujerestambién?¿Decuántasmaneraspuedensentarseenfilasijustamentelasmujeressesientan
juntas?¿Decuántasmaneraspuedensentarseenunamesaredonda?
12.-Enunaurnase tienen10bolitas:5 rojas,3blancasy 2azules.Sise toman3conreemplazo,¿decuántasmanerassepuedensacarlastresbolitasdemodoquetodasseandelmismocolor?
13.- Una prueba de opción múltiple consta de 15 preguntas y cada una tiene tresalternativas,delascualessólodebemarcaruna.¿Encuántasformasdiferentespuedemarcarunestudiantesurespuestaaestaspreguntas?14.-¿CuántasplacasvehicularessepuedenelaborarenColombia?Recuerdequeéstasconstandetresletrasdelalfabetoytresdígitos.Tome26letrasdelalfabeto.15.-Cuantasformashaydeseleccionar3candidatosdeuntotalde8reciénegresadosyconlasmismascapacidadesparaocuparvacantesenunaempresa?16.-EnunestudiorealizadoenCalifornia,seconcluyoquealseguir7reglassencillasdesaludlavidadeunhombrepuedealargarse,enpromedio11años.Las7reglassonno
fumar, hacer ejercicio regularmente, tomar alcohol solo en forma moderada, dormir 7horas,conservarunpesoapropiado,desayunarynocomerentrealimentos.Encuantasformaspuedeunapersonaadoptar5deestasreglas,a)siactualmentelasviolatodas;b)Sinuncatomabebidasalcohólicasysiempredesayuna.17.-UnTestigodeunaccidentedetránsitoenelqueelcausantehuyóleindicaalpolicíaqueelnumerodematriculatenialasletrasRHLseguidaportresdígitoselprimerodeloscualeseracinco,eltestigonopuederecordarlosotrosdosperoestaseguroquelostresnúmeroserandiferentes,encuentreelnumeromáximoderegistrosquedebeverificarlapolicía18.- Seis alumnos de último año de bachillerato participan en un concurso de ensayo
literario. No puede haber empates. ¿Cuántos resultados diferentes son posibles?¿Cuántosgruposdeprimero,segundoytercerpuestopuedehaber?19.- Unpsicólogotiene14 pacientes entre los cuales debe seleccionar nuevepara unexperimentoengrupo.¿Cuántosgruposdenuevesepuedehacer?
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 37/112
37
CAPITULOTRES
PROPIEDADESBÁSICASDELASPROBABILIDADES.
Enlavidacotidiananoshemosacostumbradoahaceryaoírafirmacionesquellevanimplícitoelconceptodeprobabilidades:lospronósticosmeteorológicosnosseñalanlasprobabilidadesdelluvia;losmédicosnosdicenqueprobabilidadhaydequenuestrasenfermedades se curen por medio de determinados tratamientos; los consejerosescolares, en el colegio, especulan sobre nuestras posibilidades de éxito en launiversidad,losencuestadorespolíticosnosdicenqueoportunidadtienedeganarenlaseleccionesnuestrocandidatofavorito.
Enformamuysimplesepuededefinirlaprobabilidadcomounnúmerode0a1,queleasignamosasucesoparaindicarsuposibilidaddeocurrir.Lasprobabilidadesseexpresancomo fracciones o como decimales que están entre uno y cero o también en valor
porcentualentre0y100.Tenerunaprobabilidaddecerosignificaquealgonucavaasuceder; una probabilidad de uno indica que algo va a suceder siempre. Casi todo elmundoestarádeacuerdoenquesiselanzaunapelotaalairelaprobabilidaddequevuelvaacaeres1.Porelcontrario,laprobabilidaddequeunapersonapuedasobrevivirenelplanetaMercuriosinningunaclasedeprotecciónes0.
Enelpresentecapítuloseexaminaránlasdiferentesinterpretacionesquesetienendelaprobabilidad: la clásica , la de frecuencias relativas y la subjetiva o a priori . Las dosprimeras son muy similares por cuanto se basan en la repetición de experimentosrealizadosbajolasmismascondiciones;mientrasquelatercerarepresentaunamedidadelgradodecreenciaconrespectoaunaproposición.
Despuésdedefinidalaprobabilidaddeunevento,severáacontinuaciónlosaxiomasquedebensatisfacer lasprobabilidades de cualquier experimento aleatorio.Posteriormente,setrataránlasreglasdeadiciónydemultiplicaciónparaprobabilidades,apoyadasenlateoríadeconjuntos,dedondesederivanconceptoscomolaprobabilidadcondicional,laindependenciadeeventosyelTeoremadeBayes.
3.1.-INTERPRETACIONESDELAPROBABILIDAD
Existentresdiferentesformasdedefinirlaprobabilidaddeunevento.CadaunadeestasformasdeinterpretacióntienesulugarenelestudiodelaProbabilidadyningunadeellasporseparadocubrecompletamentetodosloscasos.
Antesdeiniciarconestasdefiniciones,sehaceimportanteacordarunanotaciónqueseseguirá a lo largo del texto, y que usted encontrará comúnmente en otros textosacadémicos relacionados con la probabilidad. Los eventos serán enunciados en letrasmayúsculas así: A, B, C ,…; la letra mayúscula P denotará una probabilidad y P(A)indicará,entonces,laprobabilidaddequeocurraeleventoA.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 38/112
38
3.1.1.-DEFINICIÓNCLÁSICADEPROBABILIDADOAPRIORICuandounexperimentoaleatoriotienen resultados,ytodosellosconigualposibilidaddeocurrencia, entonces se emplea el método clásico de la probabilidad para estimar laposibilidaddeocurrenciadecadaunodeellos.Lecorrespondepues,acadaresultado,
unaprobabilidadiguala1/n.
Considere,porejemplo,undadode6caras,¿cuáleslaprobabilidaddequecaigaelnúmero5despuésdeunlanzamiento?Undadobalanceado(estoes,norecargado)tiene6resultadosposibles:1,2,3,4,5,6.Laprobabilidaddequecaigaelnúmero5esigualalaprobabilidadquetienecualquierotrodelosvalores,yestaesiguala1/6.
Resumiendo,laprobabilidaddequeocurraunevento Acualquiera,quetienelamismaposibilidad de ocurrencia que cualquier otro evento dentro del espacio muestral detamañon ,sedefinecomo:
n AP1
)( = Esteplanteamientodelaprobabilidadtieneseriosproblemascuandointentamosaplicarloa los problemas de toma de decisiones menos previsibles. El planteamiento clásicosuponeunmundoquenoexiste,suponequenoexistensituacionesquesonbastanteimprobables pero que podemos concebir como reales. La probabilidad clásica suponetambiénunaespeciedesimetríaenelmundo.
3.1.2.- DEFINICIÓN DEPROBABILIDADSEGÚN ELCONCEPTO DE FRECUENCIA
RELATIVAOPROBABILIDADFRECUENTISTA
EnelsigloXIX,losestadísticosbritánicos,interesadosenlafundamentaciónteóricadelcálculo del riesgo de pérdidas en las pólizas de seguros de vida y comerciales,empezarona recoger datos sobre nacimientosy defunciones. En la actualidad, a esteplanteamiento se le llamafrecuencia relativadepresentación deun evento y define laprobabilidadcomo:
La frecuencia relativa observada de un evento durante un gran número de
intentos,o La fracción de veces que un evento se presenta a la larga, cuando las
condicionessonestables.
Este método utiliza la frecuencia relativa de las presentaciones pasadas de un eventocomounaprobabilidad.Determinamosquétanfrecuentehasucedidoalgoenelpasadoyusamosesacifraparapredecirlaprobabilidaddequesucedadenuevoenelfuturo.
Un experimento aleatorio se caracteriza porque repetido muchas veces y en idénticascondicioneselcocienteentreelnúmerodevecesqueapareceunresultado(suceso)yelnúmero total de veces que se realiza el experimento tiende a un número fijo. Estapropiedad es conocida como ley de los grandes números, establecida por Jacob
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 39/112
39
Bernouilli. Tiene el inconveniente de variar la sucesión de las frecuencias relativas deunasseriesderealizacionesaotras,sibienelvaloralqueseaproximanamedidaqueelnúmeroderealizacionesaumentasemantieneestable.
LafrecuenciarelativadelsucesoA:
Cuandoutilizamoselplanteamientodefrecuenciarelativaparaestablecerprobabilidades,el número que obtenemos como probabilidad adquirirá mayor precisión a medida queaumentan las observaciones. Una dificultadpresentecon este planteamiento es quelagenteloutilizaamenudosinevaluarelnúmerosuficientederesultados.
Paraunespaciomuestraldetamañon yparauneventocualquieraAconfrecuenciaf ,se
tienequesuprobabilidaddeocurrenciaes:
n
f AP =)(
EJEMPLO3.12Enunaurnasetienen9bolitasdediferentescolores:4blancas,3grisesy2negras.Siseseleccionadelaurnaunabolita,sean:B :Eventoparaelcuallabolitaseleccionadaesblanca.G :Eventoparaelcuallabolitaseleccionadaesgris.N :Eventoparaelcuallabolitaseleccionadaesnegra.Determinarlaprobabilidaddeocurrenciadecadaevento.Tamañodelamuestra: 9=n FrecuenciadeB : 4= B f
FrecuenciadeG : 3=G f
FrecuenciadeN : 2= N f
%2.2222.09
2)(
%3.3333.09
3)(
%4.4444.094)(
====
====
====
n
f N P
n
f GP
n f BP
N
G
B
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 40/112
40
Intuitivamente, se puede pensar que la probabilidad de ocurrencia de un evento estáasociada a la cantidad de veces en que se repite un procedimiento o fenómeno. Porejemplo, en un típico experimento aleatorio como lanzar una moneda, se tienen dosresultadosprobables:caraosello.Ambosresultadossonigualmenteprobables(siempreycuandolamonedanoestérecargada).Peroperfectamenteenunexperimentocon10
lanzamientosdelamoneda,sepodríatenerunresultadocomo8carasy2sellos.Esteesun resultado normal. Sin embargo, si el experimento fuera de 100 lanzamientos, seríamuy extraño encontrar un resultado como 80 caras y 20 sellos; o bien, con 1000lanzamientos 800 caras y 200 sellos. Entonces, no se puede garantizar cuál será elresultadoenunlanzamiento,opocoslanzamientos,perosepuedeverqueconunagrancantidaddelanzamientoslosresultadosdequelamonedacaigacaraseránmuysimilaresalnúmerodevecesparasello.
Con lo anterior, puede concluirse que al calcular probabilidades con el método defrecuenciasrelativas,seobtieneunestimado ynounvalorexacto.Conformeelnúmerodeobservacionesseincrementa,losestimadoscorrespondientestiendenaacercarsealaprobabilidadreal.Estapropiedadesconocidacomúnmentecomolaleydelosgrandes
números .3.1.1.-PROBABILIDADESSUBJETIVAS.
Las probabilidades subjetivas están basadas en las creencias de las personas queefectúanlaestimacióndeprobabilidad.Laprobabilidadsubjetivasepuededefinircomolaprobabilidadasignadaauneventoporpartedeunindividuo,basadaenlaevidenciaquesetengadisponible.Esaevidenciapuedepresentarseenformadefrecuenciarelativadepresentación de eventos pasados o puede tratarse simplemente de una creenciameditada.
Lasvaloracionessubjetivasdelaprobabilidadpermitenunamásampliaflexibilidadquelosotrosdosplanteamientos.Lostomadoresdedecisionespuedehacerusodecualquierevidencia que tengan a mano y mezclarlas con los sentimientos personales sobre lasituación.Lasasignacionesdeprobabilidadsubjetivasedanconmásfrecuenciacuandoloseventossepresentansólounavezounnúmeromuyreducidodeveces.
Porejemplo,unamujerenembarazoaseguraqueelbebéquetendráserávarónporlacantidad de pataditas recibidas en el vientre, mientras que su cuñada le refuta esteargumento, pues afirma que la forma de su barriga le asegura que tendrá una niña.Ambas mujeres parten de una experiencia o una práctica personal para atreverse aasegurarelsexodelserquevieneencamino.Sinembargo,laprobabilidaddequesea
niñoesigualalaprobabilidaddequeseaniña,yesoesiguala0.5(ó50%).
Otro ejemplo común es el de las predicciones meteorológicas, en las que el científicodebe usar su conocimiento experto de las condiciones del tiempo para desarrollar unestimado de la probabilidad de buen o mal tiempo. Como casi todas las decisionessocialesyadministrativasdealtonivelserefierenasituacionesespecíficasyúnicas,losresponsablesdetomardecisioneshacenunusoconsiderabledelaprobabilidadsubjetiva.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 41/112
41
Se trata pues de una conjetura entrenada, basada siempre en la práctica, en lacomprensióndefenómenossimilaresoenlascircunstanciasquerodeaalevento,ynocomopresuncioneslanzadassinunconocimientodelascausasocomocorazonadas.
Este método es usado, por ejemplo, cuando un médico estima la probabilidad de
recuperación para un enfermo grave o también cuando un ingeniero estima rápida ysubjetivamentelaresistenciadeunpuentealpasodeunacargasuperioralaestablecidaenlosdiseños.
Es importante entender que el método de la probabilidada priori o subjetiva no debemenospreciarse frente a los otros métodos (frecuencia relativa y clásica), ya que esfrecuentenotenerregistrosdelcomportamientodeciertavariableparadeterminarunaprobabilidadrelacionada,puessimplementenoesposiblerepetirelexperimento.
Porejemplo,lasaseguradorasnopuedendarseellujoderepetirelensayodeldañodeun carro, del robo de una valiosa obra de arte, del secuestro de una persona o delaccidente de un avión. Éstas solo pueden basarse en experiencias adquiridas para
estimarsuprobabilidaddeocurrenciayasídeterminarelcostodelseguroqueofrece.Dela misma manera, no se podría determinar la probabilidad de que una ciudad seabombardeadapormeteoritos,porquesimplementenohayregistroshistóricosparahacerunaestimación.Sólosepuedehacerunestimadosubjetivo.
EJEMPLO3.13Suponga queustedesun astrónomo quequiere determinar laprobabilidadde queungranasteroidedestruyaelplanetaTierra.¿Quémétodousaríaparaestecálculo?
Observequenopuedeusarseelmétodoclásico,porquelosresultadosposiblesnotienenlamismaposibilidaddeocurrir.Tampocoseaplicaelmétodo delas frecuencias relativas,yaque esimposible realizarensayosynohaydatoshistóricosdeunadestruccióndeesetipo.Sólopuedeaplicarseelmétododelaprobabilidadsubjetivaapoyándose,porejemplo,enelnúmero deasteroidesreportadoscon untamañosuficientey tan cercanosa nuestroplaneta como para destruirlo, también en el conocimiento de las órbitas de estosasteroides.Los astrónomos desarrollaron la probabilidad subjetiva de que el planeta Tierra fueradestruidoporunacolisiónconunasteroideenalgúnmomentoenlospróximos100años:laprobabilidadesaproximadamentede1/5000.
3.2.AxiomasdeprobabilidadConocida ahora la probabilidad de un evento, se pueden reunir ciertas característicasconocidas como axiomas de probabilidad que satisfacen la probabilidad de cualquierexperimentoaleatorio.Estosaxiomasnodeterminanlasprobabilidades,loquehacenesfacilitarelcálculodelasprobabilidadesdealgunoseventosapartirdelconocimientodelasprobabilidadesdeotros.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 42/112
42
Entendiendolaprobabilidaddecualquiereventocomounnúmeroentre0y1,ella
satisfacelassiguientespropiedades:Si S eselespaciomuestralyA es cualquier evento del experimento aleatorio,
entonces:1. 1)( =SP 2. 1)(0 ≤≤ AP Estosaxiomasimplicanlossiguientesresultados.
• Laprobabilidaddeuneventoimposiblees0óP( Ø )=0 .• Laprobabilidaddequeuneventoocurraconcertezaes1.• ParacualquiereventoA, )(1)( AP AP −=′ .
• SieleventoA1estácontenidoeneleventoA2 ,entonces: )()( 21 AP AP ≤ Laprobabilidaddeuneventocompuesto,generadoalaplicarlasoperacionesbásicasdelos conjuntos a los eventos individuales que lo componen (unión, intersección ycomplementodeeventos),sepuedeobtenerapartirdelasprobabilidadesdeloseventosindividuales.Enestoscasos,lasoperacionesbásicasdelosconjuntostambiénsonútilesparadeterminarlaprobabilidaddeuneventocompuesto3.2.1.REGLADELAADICIÓNa.-Regladelaadiciónparaeventosmutuamenteexcluyentes.Amenudo,estamosinteresadosenlaprobabilidaddequeunacosauotrasuceda;esdecirnosinteresalaprobabilidaddelaunióndedoseventos.Siestosdoseventossonmutuamenteexcluyentes,podemosexpresarestaprobabilidadhaciendousodelaregladeadiciónparaeventosmutuamenteexcluyentes:P(A∪B)=P(A)+P(B)Existeuncasoespecial,paracualquiereventoA,tenemosqueéstesucedeonosucede.DemodoqueloseventosAyA’sonmutuamenteexcluyentesyexhaustivos:P(A)+P(A’)=1P(A’)=1-P(A)b.-Regladeadiciónparaeventosquenosonmutuamenteexcluyentes.Sidoseventosnosonmutuamenteexcluyentes,esposiblequeambossepresentenalmismo tiempo. Entalescasos, debemos modificar la reglade laadición para evitar elconteodoble:
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 43/112
43
P(A∪B)=P(A)+P(B)-P(A∩B)
Elsiguientediagramadeflujo5,resumelasreglasdeadiciónparaelcálculodelaprobabilidaddedoseventosdadosAyB .
Figura3.7Diagramadeflujodelaregladeadición
EJEMPLO3.14:Lassiguientessonlascaracterísticasdelasorquídeasdeunvivero:
Tamañodepétalo Grande Pequeño
Color Lila 40 4Blanca 2 3SeaeleventoA:laorquídeaesdepétalogrande.Entonces:
4942)( = AP YseaeleventoB :laorquídeaesdecolorlila.Entonces:
4944)( = BP Deotrolado, )( B AP ∩ eslaprobabilidaddequelaorquídeaseadepétalograndeyalmismotiempodecolorlila.Entonces:
4940)( =∩ B AP
5ModificadodeProbabilidadyestadística ,MarioF.Triola.Novenaedición.Pearson&AddisonWesley.México.2004.
)( B AP ∪
¿ =∩ B A Ø? )()()( BP AP B AP +=∪
)()()()( B AP BP AP B AP ∩−+=∪
Si
No
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 44/112
44
Elevento B A∪ esaqueldondelaorquídeaesdetamañodepétalograndeodecolorlilao ambos. La tabla indica rápidamente, al igual que su diagrama de Venn, el valor de
4964)( =∪ B AP .
Laotramaneradecalcularloes:
4964)(
494049444942)(
)()()()(
=∪
−+=∪
∩−+=∪
B AP
B AP
B AP BP AP B AP
SeaeleventoE dondelaorquídeanoesdepétalograndeytampocoesdecolorlila.Latablatambiénindicaelvalorde 493)( = E P Otraalternativaparaelcálculode )( E P ,es hacerusoadecuadode operacionesentreconjuntos.Setieneque:
)( ′∪= B A E Portanto,
49349641)(1)( =−=∪−= B AP E P
3.2.2REGLASDEMULTIPLICACIÓN
Eneltemaanteriorsepresentólaregladelaadiciónparacalcular )( B AP ∪ .Enesta
secciónsedesarrollaráunareglaparadeterminar )( B AP ∩ ,estoes,laprobabilidaddequeeleventoAocurraenunprimerexperimentoyeleventoBocurraenunsegundo
experimento.a.-Probabilidadesbajocondicionesdeindependenciaestadística.Cuandosepresentandoseventos,elresultadodelprimeropuedetenerunefectoenelresultadodelsegundo,opuedenotenerlo.Estoes,loseventospuedenserdependienteso independientes. Existen tres tipos de probabilidades que se presentan bajoindependenciaestadística:• Marginal.• Conjunta.• Condicional.
Probabilidadesmarginalesbajoindependenciaestadística.
• Una probabilidad marginal o incondicional es la probabilidad simple depresentacióndeunevento.
• Probabilidadesconjuntasbajocondicionesdeindependenciaestadística.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 45/112
45
La probabilidad de dos o más eventos independientes que se presentan juntos o ensucesióneselproductodesusprobabilidadesmarginales:P(A∩∩∩∩B)=P(A)XP(B)Probabilidadescondicionalesbajoindependenciaestadística.Simbólicamente,laprobabilidadcondicionalseescribeP(B/A)yselee"laprobabilidaddequesepresenteel eventoB,dadoqueeleventoA sehapresentado".La probabilidadcondicionaleslaprobabilidaddequeunsegundoevento(B)sepresente,siunprimerevento(A)yahasucedido.Paraeventosestadísticamenteindependientes,laprobabilidadcondicionaldequesucedaeleventoBdadoqueeleventoAsehapresentado,essimplementelaprobabilidaddeleventoB:P(B/A)=P(B)
b.-Probabilidadesbajocondicionesdedependenciaestadística.La dependencia estadística existe cuando la probabilidad de que se presente algúnsucesodependeoseveafectadaporlapresentacióndealgúnotroevento.Lostiposdeprobabilidadbajocondicionesdedependenciaestadísticason:• Condicional.• Conjunta.• Marginal.
Probabilidadcondicionalbajodependenciaestadística.P(B/A)=P(B∩A)/P(A)Probabilidadesconjuntasbajocondicionesdedependenciaestadística.P(B∩∩∩∩A)=P(B/A)xP(A)OP(B∩∩∩∩A)=P(A/B)xP(B)
Ejemplo3.1.5Retomeelejemplodelascaracterísticasdelasorquídeasdeunviveroycalculelaprobabilidaddequelaorquídeaqueseseleccioneseadecolorliladadoquesehatomadounaorquídeadetamañodepétalogrande.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 46/112
46
Tamañodepétalo Grande Pequeño
Color Lila 40 4Blanca 2 3
Seanloseventos: A:laorquídeaesdepétalogrande. B:laorquídeaesdecolorlila.
Sepideentonces:)(
)()(
AP
A BP A BP
∩=
49 / 42)(
49 / 40)(
=
=∩
AP
A BP
Así: %2,95952,049 / 42
49 / 40)( === A BP
Calcule ahora la probabilidad de que la orquídea seleccionada sea de pétalograndedadoqueesdecolorlila.Observequeestaprobabilidadesdiferentealacalculadaarriba,sepide:
%9,90909,049 / 44
49 / 40)(
)(
)()( ===⇒
∩= B AP
BP
B AP B AP
En este caso, )( AP y )( B AP son las probabilidades del mismo evento (laorquídea es de pétalo grande) pero calculadas bajo dos diferentes estados de
conocimiento:laprimera,sinlacondicióndesucolorylasegunda,condicionadaaquesucolorsealila.Demanerasimilar, )( BP y )( A BP sonlasprobabilidadesdelmismoevento(laorquídeaesdecolorlila)calculadasbajodosestadosdiferentesdeconocimiento:sincondicionarsutamañodepétaloparalaprimeraylasegundacondicionadaaquesutamañodepétaloseagrande.
Laregladelamultiplicaciónsepuederesumirenelsiguientediagramadeflujo 6paraelcálculodelaprobabilidaddelainterseccióndedoseventosdadosAyB .
6ModificadodeProbabilidadyestadística ,MarioF.Triola.Novenaedición.Pearson&AddisonWesley.México.2004.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 47/112
47
Figura3.8.Diagramadeflujodelareglademultiplicación
RECOMENDACIONESPRÁCTICAS:
• Cuandoseaplicalaregladelaadicióndeprobabilidades,determinarpreviamentesiloseventossonexcluyentesono.
• Cuando se usa la regla de la multiplicación, determinar si los eventos sondependientesoindependientes.
• Siempre que sea posible, apoyar la interpretación del problema mediante elempleodediagramasdeVenn.
• Laprobabilidadesunnúmeroquenuncapuedetenervalornegativo,nisermayorque1.
3.3.PROBABILIDADTOTALYTEOREMADEBAYES.
Lareglademultiplicaciónesútilparadeterminarlaprobabilidaddeuneventoquedependedeotros.Enestasecciónseveráotromododecalcularlaprobabilidaddeuneventoconsiderandoaestecomoelresultadodelaunióndeotroseventos.Paraestoesnecesariodefinirelconceptodepartición.Se llama partición al conjunto de eventos Ai tales que n A A AS ∪∪∪= L21 y
=∪ jiA A Ø; es decir un conjunto de eventos mutuamente excluyentes y que
componentodoelespaciomuestral S.engeneral,sedicequeunacolecciónde
conjuntos A1, A 2,…, A nesexhaustiva si n A A AS ∪∪∪=L
21 .Lasiguientefigurapresenta el diagrama de Venn que corresponde a la partición de un espaciomuestralSen A neventos.
)( B AP ∩
¿SonAyBindependientes? )()()( BP AP B AP ⋅=∩
)()()( A BP AP B AP ⋅=∩
Si
No
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 48/112
48
Figura3.10DiagramadeVennindicandolaparticióndeunespaciomuestral
Para cualquier evento B, éste puede definirse como un evento compuesto devariossubconjuntosmutuamenteexcluyentes(verfigura3.6.),estoes:
)()()( 21 n A B A B A B B ∩∪∪∩∪∩= L
Figura3.11
DiagramadeVenndeuneventoenvariossubconjuntosmutuamenteexcluyentes
Laprobabilidadtotal deuneventoeslasumaexhaustivadelasprobabilidadesdetodosloscasosmutuamenteexcluyentesqueconducenadichoevento.,Esasícomolaregladeprobabilidadtotal afirma:
)()()()()()()(
)()()()(
2211
21
nn
n
AP A BP AP A BP AP A BP BP
A B A BP A BP BP
⋅++⋅+⋅=
∩++∩+∩=
L
L
Algunosautoresresumenestadefinicióncomounasumatoria,así:
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 49/112
49
∑=
⋅=n
i
nn AP A BP BP1
)()()(
Laregladeprobabilidadtotalparadoseventossesimplificaconsiderandoqueelevento Bpuededescribirsecomolaunióndelapartede Bqueestáen Aylapartede Bqueestáen A’.Estoes:
)'()( A B A B B ∩∪∩= Demaneraqueparacualquierpardeeventos Ay B:
)'()'()()()()'()()( AP A BP AP A BP BP A BP A BP BP ⋅+⋅=⇔∩+∩=
Ejemplo3.16Unacompañíadedicadaaltransportepúblicotienetreslíneasenunaciudad,deformaqueel60%delosautobusescubreelserviciode laprimeralínea,el30%cubrelasegundayel10%cubreelserviciodelaterceralínea.Sesabequelaprobabilidad de que, diariamente, un autobús se averíe es del 2%, 4% y 1%,respectivamente,paracadalínea.Determinelaprobabilidaddeque,enundía,unautobússufraunaavería.Recuerde que el primer paso en el cálculo de probabilidades es la adecuadadefinicióndeloseventosqueintervienen.Así,sedefinenlossiguienteseventos: L1:eventoparaelcualelautobúscubreelserviciodelaprimeralínea. L2:eventoparaelcualelautobúscubreelserviciodelasegundalínea. L3:eventoparaelcualelautobúscubreelserviciodelaterceralínea. A:eventodondeelautobússeavería.Conesto,seveclaramentequelaprobabilidadpedidaes P(A).Usandolaregladeprobabilidadtotal,setiene:
025,0)(
)1,001,0()3,004,0()6,002,0()(
)3()3()2()2()1()1()(
)3()2()1()(
=
×+×+×=
⋅+⋅+⋅=
∩+∩+∩=
AP
AP
LP L AP LP L AP LP L AP AP
L AP L AP L AP AP
Demaneraquelaprobabilidaddequeenundíaunautobúsdelacompañíaseaveríeesdel2,5%.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 50/112
50
3.3.1TEOREMADEBAYES
En el año 1763, dos años después de la muerte deThomas Bayes (1702-1761),sepublicó una memoriaenla queaparece, por vez primera, ladeterminacióndelaprobabilidaddelascausasapartirdelosefectosquehanpodidoser observados.El cálculo dedichasprobabilidadesrecibeelnombredeteoremadeBayes.
Sea A1, A2, ...,An un sistema completo de sucesos,tales que la probabilidad de cada uno de ellos esdistintadecero,yseaBunsucesocualquierdelquese conocen las probabilidades condicionales P(B/Ai).entonces la probabilidad P(Ai /B) viene dada por laexpresión:
dondeeldenominadorcorrespondeaencontrarlaProbabilidadTotaldeB.
En los problemas relacionados con la probabilidad, y en particular con la probabilidadcondicionada,asícomoconlaprobabilidadtotalyelteoremadeBayes,esaconsejableque,conlainformacióndelproblema,construyasunatabladecontingenciaoundiagramadeárbol.
EJEMPLO3.17
Tresmáquinas,A,ByC,producenel45%,30%y25%,respectivamente,deltotaldelaspiezasproducidasenunafábrica.Losporcentajesdeproduccióndefectuosadeestasmáquinassondel3%,4%y5%.
a. Seleccionamosunapiezaalazar;calculalaprobabilidaddequeseadefectuosa.b. Tomamos,alazar,unapiezayresultaserdefectuosa;calculalaprobabilidadde
habersidoproducidaporlamáquinaB.c. ¿Quémáquinatienelamayorprobabilidaddehaberproducidolacitadapiezadefectuosa?
Solución:
SeaD="lapiezaesdefectuosa"yN="lapiezanoesdefectuosa".Lainformacióndelproblemapuedeexpresarseeneldiagramadeárboladjunto.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 51/112
51
a. Paracalcularlaprobabilidaddequelapiezaelegidaseadefectuosa,P(D),porlapropiedaddelaprobabilidadtotal,
P(D)=P(A)·P(D/A)+P(B)·P(D/B)+P(C)·P(D/C)==0.45·0.03+0.30·0.04+0.25·0.05=0.038
b. DebemoscalcularP(B/D).PorelteoremadeBayes,
c. CalculamosP(A/D)yP(C/D),comparándolasconelvalordeP(B/D)yacalculado.AplicandoelteoremadeBayes,obtenemos:
LamáquinaconmayorprobabilidaddehaberproducidolapiezadefectuosaesA
EJEMPLO3.18
Tenemostresurnas:Acon3bolasrojasy5negras,Bcon2bolasrojasy1negrayCcon
2bolasrojasy3negras.Escogemosunaurnaalazaryextraemosunabola.Silabolahasidoroja,¿cuáleslaprobabilidaddehabersidoextraídadelaurnaA
Solución:
LlamamosR="sacarbolaroja"yN="sacarbolanegra".EneldiagramadeárboladjuntopuedenverselasdistintasprobabilidadesdeocurrenciadelossucesosRoNparacadaunadelastresurnas.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 52/112
52
LaprobabilidadpedidaesP(A/R).UtilizandoelteoremadeBayes,tenemos:
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 53/112
53
EJERCICIOSCAPITULO31-SeaP(A)=0.6P(AΡ B)=0.25P(B´)=0.7a.-EncontrarP(B/A)b.-SonAyBindependientes,compruebe?c.-EncontrarP(A´)2.-Seextraeunacartaalazardeunabarajade40cartas.a.-¿Cuáleslaprobabilidaddequeseadososeaunsiete?B.-Cualeslaprobabilidaddequeseaorooun6?3.- Consideremos el lanzamiento de un dado, usted gana si el resultado es impar odivisiblepordos.¿cuáleslaprobabilidaddeganar?4.-Enelcursodeestadísticalaprobabilidaddequelosestudiantestengancomputadoresde0.60,laprobabilidaddequetenganautoesde0.25yambascosasesde0.15.Cualeslaprobabilidaddequeunestudianteescogidoalazartengacomputadoroauto?5.-Deentre20tanquesdecombustiblefabricadosparaeltransbordadorespacial,tresseencuentran defectuosos. Si se seleccionan aleatoriamente 4 tanques: a.- cual es la
probabilidaddequeningunodelostanquesseadefectuosob.-Cualeslaprobabilidaddequeunodelostanquestengadefectos. 6.-Enlatablaaparecen1000estudiantesuniversitariosclasificadosdeacuerdoconlospuntajesqueobtuvieronenunexamendeadmisiónalauniversidad.Tambiénmuestralaclasificacióndeloscolegiosendondesegraduarondebachilleres:
Puntaje
Colegio TotalInferior(I) Regular(R) Superior(S)
Bajo(B) 100 50 50 200Medio(M) 75 175 150 400
Alto(A) 25 75 300 400
Total 200 300 500 1000Calcular la Probabilidad de que un estudiante escogido al azar: a) haya obtenido unpuntajebajoenelexamen.b)Sehayagraduadoenuncolegiodenivelsuperiorc)hayaobtenidounpuntajebajoenelexamenysehayagraduadoenuncolegiodenivelsuperiord)hayaobtenidounpuntajebajoenelexamendadoquesehayagraduadoenuncolegiode nivel inferior e) si el estudiante escogido termino en un colegio de grado regularencontrarlaprobabilidaddequetengaunpuntajealtoenelexamen.7.-FabiányPilarestudianenunmismocurso.LaprobabilidaddequeFabiánnopierdaningunamateriaesdel85%yladePilaresdel90%.a)Cualeslaprobabilidaddequelosdos no pierdan ninguna materia. b) Cual es la probabilidad de que Fabián pierdaunamateriayPilarninguna.C)Cualeslaprobabilidaddequelosdospierdanunamateria.8.-Cuatroamigossedirigenaunlugarytoman4rutasdiferentesdeacuerdoalriesgodetenerunaccidente.Lasprobabilidadesderiesgodecadarutason0.2,0.15,0.25,0.10respectivamente.Cualeslaprobabilidaddequeningunosufraunaccidente.9.-Elconsejeroescolardeuncolegioestimólasprobabilidadesdeéxitoenlauniversidadpara tres alumnos de último año en 0.9, 0.8 y 0.7 respectivamente. ¿Cuál es laprobabilidaddequelostrestenganéxitoenlauniversidad?
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 54/112
54
10.-Unamaquinaqueproduceundeterminadoartículofueadquiridabajolacondicióndeque el 3% de los artículos producidos son defectuosos. Si el proceso se realiza bajocontrol,esdecirindependientecualeslaprobabilidaddequea.-dosartículosseguidossean defectuosos, b.- dos artículos seguidos no sean defectuosos, c.- el primero sea
defectuosoyelsegundobueno.11.-Laprobabilidad dequeun doctor diagnostiqueen formacorrectauna determinadaenfermedadesde0.7.Dadoqueeldoctorhaceundiagnosticoincorrecto,laprobabilidaddequeunpacientepresentaunademandaesde0.9.¿cuáleslaprobabilidaddequeeldoctorhagaundiagnosticoincorrectoyelpacientepresenteunademanda?12.-Enunaempresa,laprobabilidaddequeunempleadoescogidoalazartengamásde30añosesde0.55.¿Cuáleslaprobabilidaddequeunempleadoescogidoalazartenga30añosomenos?13.-Enunaciudadgrandeel70%deloshogarescompraunperiódicomatutinoyel90%
uno vespertino. Si se supone que los dos eventos son independientes cual es laprobabilidad de que un hogar escogido al azar sea uno de los que compra ambosperiódicos?14.-Latablamuestraelresultadode500entrevistashechasduranteunaencuesta.Losdatosseclasificaronsegúnelsectordelaciudaddondeseaplicoelcuestionario.
Sector
Resultadodelaentrevista TotalContesto(C) Nocontesto(N) Noestaba(S)
M 100 5 20 125N 115 5 5 125O 50 15 60 125P 35 40 50 125
Total 300 65 135 500Siseseleccionauncuestionario.Cualeslaprobabilidaddea)Nosehayacontestadob)Lapersonanoestabaencasac)elcuestionariosehayacontestadoylapersonavivaenel sector N d) Dado que la persona viva en el sector O, no haya contestado elcuestionario e) La persona viva en el sector M ó Conteste el cuestionario. F) Si lapersonanoestabacualeslaprobabilidaddequevivaenelsectorO.15.-Enelejercicioanterior,elresultadodelaentrevistaesindependientedelsectordelaciudaddondevivelapersona?Comprobarlarespuesta16.- El 70% de los estudiantes aprueba una asignatura A y el 60% aprueba otraasignaturaB.Sabemosademás,queel35%deltotaldelosestudiantesapruebaambas.Elegidounestudiantealazar,calcularlasprobabilidadesde:a.-hayaaprobadolaasignaturaBsabiendoquehaaprobadolaAb.-hayaaprobadolaasignaturaBsabiendoquenohaaprobadolaAc.-nohayaaprobadolaasignaturaBsabiendoquehaaprobadolaAd.-nohayaaprobadolaasignaturaBsabiendoquenohaaprobadolaA
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 55/112
55
17.-Los pedidos nuevos delosproductos deunacompañía varíanenvalormonetario,segúnelsiguientecuadro Montoventa 0-1000 1001-
20002001-3000
3001-4000
4001-5000
Probabilidad 0.10 0.35 0.25 0.20 0.10
a) cualeslaprobabilidaddequeunnuevopedidoseamayora$2.000b) cualeslaprobabilidaddequeunnuevopedidoseaigualomenora$2000dado
queelpedidoexcedea$1.000c) cualeslaprobabilidaddequeunnuevopedidoseamayora$3.000dadoquela
ventaexcedea$2.00018.-Unacompañíaencontróqueel82%delaspersonasseleccionadasparasuprogramade entrenamiento de vendedores termino el curso. De estos solamente 60% seconvirtieron envendedoresproductivos. Si unaspirante nuevo llegaal cursocuales laprobabilidaddequetermineelcursoyseconviertaenunvendedorproductivo.19-Enuncentromédico,losfumadoresquesesospechateníancáncerpulmonar,el90%lo tenía, mientras que el 5% de los no fumadores lo padecía. Si la proporción defumadores es del 45% a) Cuál es la probabilidad de que un paciente con cáncerseleccionadoalazarseafumador?B)Cualeslaprobabilidaddequelapersonatengacáncer..20.- Un investigador de una clínica de especialistas ha descubierto que durante unperiodo de varios años, el 20% de los pacientes que llegaron a la clínica tenían laenfermedadD1, el30%la enfermedad D2,yel 50% laenfermedadD3.El investigadordescubriótambiénqueunconjuntodesíntomasbiendefinidosalquedenominoS,seencontrabaenun25%delospacientesconlaenfermedadD1,60%delosqueteníanlaenfermedadD2,y80%delosqueteníanlaenfermedadD3.Elinvestigadorquiereutilizarestainformaciónparahacerrápidamenteeldiagnosticoalospacientesreciénllegados.SupongamosquehasidoadmitidounpacienteconelconjuntodesíntomasS,cualeslaprobabilidad de que tenga la enfermedad D3, cual es la probabilidad de que tenga laenfermedadD1.21.-Uncientíficohadescubiertoenunhospitalparaenfermedadescrónicasqueel15%delospacientespermanecenenelhospitalmenosde30días,mientrasqueel85%delospacientespermanece30díasomás.Tambiénhadescubiertoqueel20%delosquesequedanmenosde30díasyel60%delosquesequedan30díasomás,presentanciertogrupodecaracterísticas.Cualeslaprobabilidaddequeunpacientequellegaalhospitalconesascaracterísticaspermanezcamenosde30días?.22.-Aunsospechososeleaplicaunsuerodelaverdadquesesabequeesconfiableen90%cuando lapersonaesculpableyen99%cuandolapersonaesinocente.Enotraspalabrasel10%delosculpablesseconsideraninocentescuandoseusaelsueroyel1%delosinocentessejuzganculpables.Sielsospechososeescogiódeungrupodelcualsolo5%hancometidoalgunavezuncrimenyelsueroindicaquelapersonaesculpable,cualeslaprobabilidaddequeseainocente?
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 56/112
56
23.-Conlosjugadoresdeunclubdefútbolseformandosequiposparajugarunpartidodeentrenamiento;entrelosdosequipossereúnen6defensas,8medios,6delanterosy2porteros.Elentrenadorsabequeenestospartidos,laprobabilidaddequeselesioneun
jugadores0.22siesdelantero,0.11siesmedio,0.055siesdefensay0siesportero.a.-Calcularlaprobabilidaddequeselesioneunocualquieradelosjugadoreseneste
partido.b.- Sisesabeque unjugadorseha lesionado,determinar laprobabilidad dequehayasidoundefensa.23.-Trasunestudioestadísticoenunaciudadseobservaqueel70%delosmotoristassonvaronesy,deestos,el60%llevanhabitualmentecasco.Elporcentajedemujeresqueconducenhabitualmenteconcascoesdel40%.Sepide:a.-Calcularlaprobabilidaddequeunmotoristaelegidoalazarllevecasco.b.-Seeligeunmotoristaalazaryseobservaquellevacasco.¿Cuáleslaprobabilidaddequeseavarón?24.-LosalumnosdePrimerodeBiologíatienenquerealizardospruebas,unateóricay
otrapráctica.Laprobabilidaddequeunestudianteapruebelaparteteóricaesde0.6,laprobabilidaddequeapruebelaparteprácticaesde0.8ylaprobabilidaddequeapruebeambaspruebases0.5.a.-¿Sonindependienteslossucesosaprobarlaparteteóricaylapartepráctica?b.-¿Cuáleslaprobabilidaddequeunalumnonoapruebeningunodelosdosexámenes?c.- ¿Cuál es la probabilidad de que un alumno apruebe solamente uno de los dosexámenes?d.-Sesabe queun alumno aprobó la teoría. ¿Cuáles la probabilidad de queapruebetambiénlapráctica?25.-Enunacajahayxbolasblancasy1bolaroja.Alextraerdelacajadosbolasalazarsinreemplazamiento,laprobabilidaddequeseanblancases1/2.Calculaelnúmerode
bolasblancasquedebetenerlacaja.26.- El 20% de los empleados de una empresa son ingenieros y otro 20% soneconomistas. El 75% de los ingenieros ocupan un puesto directivo y el 50% de loseconomistastambién,mientrasquedelosnoingenierosynoeconomistassolamenteel20%ocupanunpuestodirectivo.¿Cuáleslaprobabilidaddequeunempleadodirectivoelegidoalazarseaingeniero?
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 57/112
57
AUTOEVALUACIONUNIDAD1
1.- Una Vendedoratiene 10productosy los deseaexhibirenuna ferianacional.Sinembargo,nopuedeexhibirsinocuatro.¿Entrecuantasmuestrasdiferentes
puedeescogersielordenenquevaaexhibirlosproductosnotieneimportancia?2.- En un depósito hay almacenados 503 equipos de televisión. En la tabla sehallanclasificadossegúnlamarcayelmodelo.
ModeloMarca
TotalB1 B2 B3
S1 70 22 50 142S2 65 16 40 121S3 45 35 30 110S4 50 17 60 127
Total 230 90 180 500Conlosdatos,encontrar:a)P(B1) b)P(B2∩S4) c)P(S1∪B1)d)Laprobabilidadde que unequiposeleccionado aleatoriamenteseade marcaB1,dadoquesumodeloesS4e)LaprobabilidaddequeunequiposeleccionadoseademarcaB1oB33.-Cincoamigosquedandereunirseelsábadoenlatardeenelrestaurante“elsombrero”sucedequehaycincorestaurantesenlaciudadconelmismonombreynoacordaronacualdeellosibanair.Cualeslaprobabilidaddequeloscincovayanarestaurantesdiferentes?
4.-Enlosarchivosdeunacompañíadesegurossehanregistradoqueenlosúltimosañosdeuntotalde949171jóvenesde21años,solo577882llegaronalaedadde65años.Sitomamosestosdatoscomorepresentativosdelarealidada)¿cuáleslaprobabilidaddequeunjovende21añosvivaparapensionarsealos65años?b)Sienunaciudadpequeñahayenlaactualidad2000jóvenescuantosdeellossepuedeesperarquesepensionen.
5.-Unseñorreemplazolasdospilasinserviblesdesulinternapordosnuevas,peroseleolvidotirarlaspilasusadasalabasura.Suhijopequeñoqueestaba
jugandoconlalinterna,sacolaspilasyrevolviólaspilasnuevasconlasusadas.
Sielseñorcolocanuevamentepilasasulinterna¿cuáleslaprobabilidaddequefuncione?Porsupuesto,sesuponequelalinternanopuedefuncionarconunapilanuevayunainservible.6.- Unseñorteníacincomaquinasdeafeitardesechables lascualesyaestabanmuyusadas,laspusoenuncajónconlaintencióndebotarlasalabasura.Suhijopequeñonolosabíaylasrevolviócontresnuevasquesacodeunpaquete.Siel
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 58/112
58
señorpruebadosmaquinasdeafeitarunatrasotra¿Cuál eslaprobabilidaddequelasdosesténusadas?7.-LaprobabilidaddequeJuanlleguetardeasucitaconRosyesde0.3.La
probabilidaddequeambos lleguen tardees de0.2.¿Cuáles laprobabilidaddequeJuanlaesteesperando?8.- En un examen de matemáticas solo 75% de una clase respondió todas laspreguntas. De aquellos que lo hicieron, 80% aprobó, pero de los que norespondieron todo, sólo aprobaron 50%. Si un estudiante paso, ¿Cuál es laprobabilidaddequehayarespondidotodaslaspreguntas?9.- Se ha observado que hombres y mujeres reaccionan diferente a unmedicamento;70%delasmujeresreaccionanbien,mientrasqueelporcentajeenlos hombres es solamente de 40%. Se realizo una prueba a un grupo de 20
personas,15mujeresy5hombresparaanalizarsus reacciones.Unarespuestaelegidaalazarde las 20resultonegativa.¿Cuáles laprobabilidaddequehayacontestadounhombre?10.- Ernesto y Luís están enamoradosde Silvia. Si Ernesto le pideque sea sunovia,tiene70%deprobabilidaddequeledigaquesíyLuis30%.SiErnestoeselnoviodeSilviahayunaprobabilidaddel40%dequesecasenysiesLuisdel30%.SiSilviasecasó¿CuáleslaprobabilidaddequehayasidoconLuis?RESPUESTAS
AUTOEVALUACIÓNUNIDAD11.-2102.- a)0.46 b)0.025 c)0.605 d)0.4082 e)0.8253.-0.03844.-a)0.609 b)12165.-1/66.-0.3577.-0.28578.-24/299.-0.4010.-0.756
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 59/112
59
UnidadDos
VARIABLESALEATORIASYDISTRIBUCIONESDEPROBABILIDAD
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 60/112
60
INTRODUCCIÓNALAUNIDAD
ConlosprincipiosdeProbabilidad,laspropiedadesbásicasyleyes,sedefinenlasvariablesaleatoriasyseestableceladiferenciaentrevariablesaleatoriasdiscretasycontinuas,entérminosdesufuncióndeprobabilidad,valoresperado,varianzaydesviaciónestándarysedesarrollaladesigualdaddeChébyshevqueseaplicaacualquiervariablealeatoriadiscretaocontinua.Posteriormente se inicia el estudio de las distribuciones de probabilidad, espertinente comentar que en todo fenómeno, los datos obtenidos tienen uncomportamiento específico, es así como el análisis de las distribuciones deprobabilidadpermitedeterminarquedistribucióndeprobabilidadeslapertinente
paraunconjuntodedatos.Las distribuciones de probabilidad son de tipo discreto y continuo, según lavariablealeatoriaqueesteencuestión,luegoenesteaparteseestudiarandichasdistribuciones,susprincipios,lafunciónquelaidentifica,suspropiedadesyloscamposdeaplicacióndelasmismas.Bienvenidos a el mundo de las distribuciones de probabilidad, será un caminomuy interesante y ameno, por los ejemplos propuestos y las situacionesanalizadas.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 61/112
61
OBJETIVOGENERAL
Comprendereinteriorizarlostiposdedistribucionesdeprobabilidadqueexisten,suscaracterísticas,susparámetrosyloscamposdeaplicaciónquetienendichasdistribuciones.
OBJETIVOSESPECÍFICOS
• Definirvariablealeatoria.
• Definirvariablealeatoriadiscretaycontinua.
• Definirfuncióndeprobabilidaddeunavariablealeatoriadiscreta.
• Definirfuncióndedensidaddeunavariablealeatoriacontinua.
• Obtener probabilidades de eventos haciendo uso de la función de
probabilidaddeunavariablealeatoriadiscreta.
• Establecer las propiedades de la función de distribución de probabilidad
acumuladadeunavariablealeatoriadiscreta.
• Obtener y graficar la función de probabilidad acumulada de una variablealeatoriadiscreta,dadasufuncióndeprobabilidad.
• Obtener y graficar la función de distribución acumulada de una variable
aleatoriacontinua.
• Obtener probabilidades de eventos que involucren variables aleatoriasdiscretas o continuas, haciendo uso de su función de distribuciónacumulada.
• Definiryobtenerelvaloresperadodeunavariablealeatoria,tantodiscreta
comocontinua.
• Definir y obtener la varianza y la desviación estándar de una variablealeatoria,tantodiscretacomocontinua.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 62/112
62
• Aplicaradecuadamente el teorema deChébyshev para cualquier variablealeatoriadiscretaocontinua.
• Describirlasprincipalescaracterísticasypropiedadesde lasdistribucionesdeprobabilidaddiscretaycontinua.
• Identificar y diferenciar las distribuciones de probabilidad discretas máscomunes, como son: distribución uniforme discreta, binomial, geométrica,binomialnegativa,hipergeométricayPoisson.
• Calculareinterpretarparámetrosestadísticos,talescomoMedia,varianzay
desviación estándar, de las diferentes distribuciones de probabilidaddiscretaycontinua.
• ReconocercuándounexperimentoaleatorioesunensayodeBernoulli.• Identificar y diferenciar las distribuciones de probabilidad continuas más
comunes,comoson:distribuciónuniformecontinua,normal,exponencial.
• Estandarizarunavariablealeatoria.
• Emplear la distribución normal para aproximar las probabilidades de unavariablealeatoriabinomialyPoisson.
• Interpretaryutilizarcorrectamente las tablasexistentespara cadaunade
lasdistribucionesdeprobabilidaddiscretasycontinuas.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 63/112
63
CAPITULOUNOVARIABLESALEATORIAS
Enelcapítuloanteriorseexaminaronlosconceptosbásicosdeprobabilidadconrespectoaeventosqueseencuentranenunespaciomuestral,enestecapítuloseverá la importancia de cuantificar los resultados de un experimento aleatoriosabiendoqueellospuedensercualitativosocuantitativos.
Enunexperimentoaleatorioloquemásinteresaesconocerelnúmerototaldeveces que se obtiene un mismo resultado en un determinado número deejecuciones (es decir, cuantificar) y no en cuál ejecución se obtiene undeterminadoresultado.Esporestoqueenlateoríadelaprobabilidad,sehacenecesaria lacuantificaciónde los resultados cualitativosdeunespacio muestralpara luego, mediante el empleo de medidas numéricas, estudiar su
comportamientoaleatorio.Parafacilitarestoscálculosseacudeaunafunciónqueubicaelespaciomuestralenelconjuntodelosnúmerosreales,lacualesconocidacomovariablealeatoria.
Una variablealeatoria espues,unafunciónqueasignaunnúmerorealacadaresultadoenelespaciomuestraldeunexperimentoaleatorio.Ellassedenotanconunaletramayúscula,talcomo X .
Sediceque X esaleatoriaporqueinvolucralaprobabilidaddelosresultadosdel
espacio muestral, y se define X como una función porque transforma todos losposiblesresultadosdelespaciomuestralencantidadesnuméricasreales.
Ejemplo1.1.Considere el lanzamiento de una moneda. El espacio muestral de esteexperimentoaleatorioestáconstituidopordosresultados:caraysello.SisedefineX(cara)=0yX(sello)=1,setransformanlosdosposiblesresultadosdelespaciomuestralencantidadesnuméricasreales.
DeestamaneraP(X=0)representalaprobabilidaddequeelresultadoallanzarlamonedaescara.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 64/112
64
EJEMPLO1.2Considereellanzamientodedosdados 7.Elespaciomuestraldeesteexperimentoaleatorioestáconstituidopor36posiblesresultados.
Sedefinecomovariablealeatoria X lasumadelosvaloresdelasdoscarasdelosdados. La siguiente tabla relaciona los 36 resultados con los valorescorrespondientesdelavariablealeatoria X definidaenesteejemplo.
Tabla1.1.Correspondenciaentrelosresultadosdellanzamientodeunpardedadosylavariable
aleatoriaquerepresentalasumadelascaras.
ResultadoValordela
variablealeatoria
Númerodeocurrencias Probabilidad
(1,1) 2 1 1/36(1,2)(2,1) 3 2 2/36(1,3)(2,2)(3,1) 4 3 3/36(1,4)(2,3)(3,2)(4,1) 5 4 4/36(1,5)(2,4)(3,3)(4,2)(5,1) 6 5 5/36(1,6)(2,5)(3,4)(4,3)(5,2)(6,1) 7 6 6/36(2,6)(3,5)(4,4)(5,3)(6,2) 8 5 5/36(3,6)(4,5)(5,4)(6,3) 9 4 4/36(4,6)(5,5)(6,4) 10 3 3/36(5,6)(6.5) 11 2 2/36(6,6) 12 1 1/36
Sepuedendefinirvariablesaleatoriascuyosvaloresseancontablesono,yalseruna caracterización cuantitativa de los resultadosde un espacio muestral, ellaspuedenserdiscretasocontinuas.Enlosdostemassiguientessedesarrollanlosconceptos de variable aleatoria discreta y variable aleatoria continua y susestadísticosasociados.1.1.-VARIABLEALEATORIADISCRETASe dice que una variable aleatoria X es discreta si el número de valores quepuedetomaresfinito(oinfinitocontable).Frecuentementeelinterésrecaeenlaprobabilidaddequeunavariablealeatoriatome un valor particular, para ello se requiere primero definir claramente la
7TomadodeProbabilidadyestadística.Aplicacionesymétodos ,GeorgeC.Canavos.McGrawHill.México.1988.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 65/112
65
variablealeatoria.Seráimportantepues,acordarlasiguientesimbología:{ } x X = denotará el evento formado por todos los resultados para los que x X = y
)( x X P = serálaprobabilidaddedichoevento.
Ladistribucióndeprobabilidad deunavariablealeatoria X esunadescripcióndelconjuntodeposiblesvaloresde X ,juntoconlaprobabilidadasociadaconcadaunodeestosvalores.Estadistribuciónbienpuedeserunagráfica,unatablaounaecuación que da la probabilidad de cada valor de la variable aleatoria y seconsideracomoelresumenmásútildeunexperimentoaleatorio.Todadistribucióndeprobabilidaddebesatisfacercadaunodelosdosrequisitossiguientes:
• 1)( ==∑ x X P
• 1)(0 ≤=≤ x X P
EJEMPLO1.3Determinesilasiguientetabladescribeunadistribucióndeprobabilidad
x 0 1 2P( X=x) 0,04 0,32 0,64
Para ser una distribución de probabilidad, P( X=x) debe satisfacer los dosrequisitos.
1)(
64,0,32,004,0)(
)2()1()0()(
==
++==
=+=+===
∑∑∑
x X P
x X P
X P X P X P x X P
Demaneraquelatabladeprobabilidadesdelavariablealeatoria X satisfaceelprimer requisito. Observe, además, que cada uno de los valores de P( X=x) seencuentran entre 0 y 1. Como ambos requisitos se satisfacen, la tabla deprobabilidadesdelavariablealeatoria X esunadistribucióndeprobabilidadde X .
Cuandoladistribucióndeprobabilidadsedescribeapartirdeunaecuación,seledenominafuncióndeprobabilidad .Estafunción )()( x X P x f == vadelconjuntodelosvaloresposiblesdelavariablealeatoriadiscreta X (denominadorangode X )alintervalo[0,1]ysatisfacelassiguientespropiedades:
• x x f ∀≥ 0)(
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 66/112
66
• 1)( =∑ x f
Ejemplo1.4
Determinesilafunción 3)()(
x x X P x f === (dondexpuedeser0,1ó2)esuna
funcióndeprobabilidad.Enlasiguientetablaseresumenlosposiblesvaloresdelavariablealeatoria X .
X 0 1 2 f(x)=P( X=x) 0 1/3 2/3
Observequetodoslosvaloresde f(x)sontodospositivos,estoes 0≥ .Ademássecumpleelsegundorequisito:
1
3
2
3
10)( =++=∑ x f
Porlotanto,lafunción f(x)esunafuncióndeprobabilidad.
Enocasiones,esútilpoderexpresarprobabilidadesacumuladas,estoes,valorespara los que X son menores o iguales a un valor específico x. El uso deprobabilidades acumuladas es una alternativa para describir la distribución deprobabilidaddeunavariablealeatoria.
La función de distribución acumulada de una variable aleatoria discreta X ,denotadapor F(x)es:
∑≤
=≤= x x
i
i
x f x X P xF )()()(
Paraunavariablealeatoriadiscreta X , F(x)satisfacelassiguientespropiedades:
• 1)(0 ≤≤ xF • )()(, yF xF entonces y xSi ≤≤
• )(1)( xF x X P −=> • 0)( =−∞F • 1)( =+∞F
Además, puede establecerse que para variables aleatorias discretas de valorenterosetiene:
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 67/112
67
• )1()()( −−== xF xF x X P • )1()()( −−=≤≤ i j ji xF xF x X xP
La función de distribución acumulada también proporciona probabilidades. Elsiguienteejemploilustracómoemplearla funciónde distribuciónacumuladaparadeterminarlafuncióndeprobabilidaddeunavariablealeatoriadiscreta.
EJEMPLO1.5Supongaquelafuncióndedistribuciónacumuladadelavariablealeatoria X es:
≤
<≤
<
=
x
x
x
xF
31
315,0
10
)(
Determinelafuncióndeprobabilidadde X .
Figura1.1.(a)Funcióndedistribuciónacumuladadelejemplo4.5.
(b)Funcióndeprobabilidaddelejemplo4.5.Enlafigura1.1.(a),serepresentaunagráficadelafunción F(x).Sepuedeverquelosúnicospuntosquetienenunaprobabilidaddistintadeceroson1y3.Paratodovalorde xmenorque1, 0)( =≤ x X P yf(1)=0,5.Paravaloresde xentre1y3ymayoresde3,sinincluiresteúltimo, 0)( =≤ x X P yf(3)=0,5.Demaneraquelafuncióndeprobabilidadde X sepuedeescribircomo:
F(x)
x
0,5
1
1 2 3
f(x)
x
0,5
1
1 2 3
a b
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 68/112
68
>=
<<
=
<
=
x x
x
x
x
x f
3035,0
310
15,0
10
)(
Lafigura1.1.(b)representalagráficadelafuncióndeprobabilidadde X .Observetambiénquelafunciónqueseacabadedefinircumplelosdosrequisitos: 0)( ≥ x f
y 1)( =∑ x f .Compruébelo.
Ahorabien,observecomo seusanlaspropiedadesdela funcióndedistribuciónacumuladade X paracalcularlassiguientesprobabilidades:
a. 1)3()3( ==≤ F X P b. 5,0)2()2( ==≤ F X P c. 05,05,0)1()2()21( =−=−=≤≤ F F X P d. 5,0)2(1)2( =−=> F X P
El valor esperado (también llamado media o esperanza matemática ) de unavariablealeatoriadiscreta X esunamedidadeposiciónparaladistribuciónde X .Sesimbolizacon µysecalculaalsumarelproductodecadavalorde X consuprobabilidadcorrespondiente.Enotraspalabras,lamediaovaloresperadodeuna
variablealeatoriadiscreta X es:
∑ ⋅== x
X x f x X E )]([)( µ
EJEMPLO1.6.Considerelasiguientedistribucióndeunavariablealeatoria X .
X 0 1 2 f(x) 0,04 0,32 0,64
Lamediaestádadapor:
6,1)64,02()32,01()04,00()( =×+×+×== X E X µ
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 69/112
69
EJEMPLO1.7
Determine el valor esperado de la suma de las caras de dos dados al serlanzados.Sea X lavariablealeatoriaquerepresentalasumadelascarasdelosdosdados.Tomando de referencia la tabla 4.1. en la que se relacionan los resultados dellanzamientodelosdadosylasumadelascaras,setiene:
7)36 / 112()36 / 211(...)36 / 34()36 / 23()36 / 12()( =×+×++×+×+×== X E X µ Demaneraqueelvaloresperadoallanzardosdadoses7.
La varianza de una variable aleatoria es una medida de la dispersión de ladistribucióndeprobabilidaddeésta.Secalculaponderandoelcuadradodecadadesviación con respecto a la media, con la probabilidad asociada con ladesviación.Enotraspalabras,lavarianzadeunavariablealeatoriadiscreta X conmedia X µ yfuncióndeprobabilidadf(x),es:
∑ ⋅−=−== x
X X X x f x X E X V )]()[()()( 222 µ µ σ
Odeunmodoequivalente,
222 )]([()( X
x X
x f x X V µ σ −−== ∑
EJEMPLO1.8Determineahoralavarianzadelavariablealeatoriadefinidaenelejemplo4.7.
05,27)]36 / 112(...)36 / 34()36 / 23()36 / 12[(222222
=×−++−+−+−= X σ
Otra alternativa para medir la variabilidad, que con frecuencia es más fácil deinterpretarpuessusunidadessonidénticasalasdelavariablealeatoria X ,esladesviación estándar denotada por X σ y que corresponde a la raíz cuadradapositivadelavarianza.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 70/112
70
1.2.-VARIABLEALEATORIACONTINUA
Eneltemaanteriorsepresentóelconceptodevariablealeatoriacomounafuncióndevalorqueasignaunnúmerorealfinito(oinfinitocontable)acadaresultadoenelespaciomuestraldeunexperimentoaleatorio;variablesaleatoriasquehansidodenominadas discretas . En este tema, donde las variables aleatorias puedentomarvaloresenunaescalacontinua,elprocedimientoescasielmismo.Se dice que una variable aleatoria X es continua sielnúmerodevaloresquepuedetomarestáncontenidosenunintervalo(finitooinfinito)denúmerosreales.Dichosvalorespuedenasociarseamedicionesenunaescalacontinua,demaneraquenohayahuecosointerrupciones.
En algunos casos, la variable aleatoria considerada continua en realidad esdiscreta,perocomoelrangodetodoslosvaloresposiblesesmuygrande,resultamásconvenienteutilizarunmodelobasadoenunavariablealeatoriacontinua.
La distribución de probabilidad de una variable aleatoria continua X estácaracterizadaporunafunción f(x)querecibeelnombrede funcióndedensidaddeprobabilidad .Estafunción f(x)noeslamismafuncióndeprobabilidaddeunavariable aleatoria discreta. La gráfica de la función f(x) es una curva que seobtienepara un númeromuy grande de observaciones y para una amplituddeintervalomuypequeña.Recuerdequelagráficadeunafuncióndeprobabilidadde
unavariablealeatoriadiscretaesescalonada,dandolasensacióndepeldañosenascendencia(verfigura1.1.(a)).
Estafuncióndedensidaddeprobabilidad f(x)permitecalculareláreabajolacurvaque representa la probabilidad de que la variable aleatoria continua X tomeunvalorentreelintervalodondesedefinelafunción.
Formalmente,lafuncióndedensidaddeprobabilidad f(x)deunavariablealeatoriacontinua,sedefinecomotalsiparacualquierintervalodenúmerosreales[a,b]secumpleque:
• 0)( ≥ x f • 1)( =∫
∞
∞−
dx x f
• ∫=≤≤b
a
dx x f b X aP )()(
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 71/112
71
Puestoqueeláreatotalbajo f(x)esuno,laprobabilidaddelintervalo[a,b]eseláreaacotadaporlafuncióndedensidadylasrectas X =ay X =b,comosemuestraenlafigurasiguiente.
Figura1.2.Probabilidadilustradacomoeláreabajolacurvadedensidad
Elmodelodevariablealeatoriacontinuaimplicalosiguiente:
)()()()( b X aPb X aPb X aPb X aP <<=<≤=≤<=≤≤ Además,para cualquiervaloren elrangode lavariablealeatoria continua X ,secumplequeP( X=x)=0.Esteresultadosedesprendedelaspropiedadesdelcálculointegral8:
0)( =∫ x
x
dx x f
8Separtedelapremisadequeelestudiantemanejaelcálculodiferencial,oporlomenostieneunconocimiento básico de este. Se recomienda al estudiante que consulte el módulo de CálculoIntegralocualquierotrotexto.Sinembargo,eneltratamientodelasdistribucionesdeprobabilidadelcálculodeintegralescomplejasnoescomúny,comoseveráenlasiguienteUnidadDidáctica,lasdistribucionesdeprobabilidadmáscomunesestándefinidasporfuncionespococomplejasypermitenasíuntratamientosencillo.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 72/112
72
EJEMPLO1.9Supongaque xe x f −=)( para x>0.Calculelassiguientesprobabilidades:
a. 368,0)()1( 1
111
=+−=−===> −∞−∞
−∞
−∞
∫∫ eeedxedx x f X P x x
b. 286,0)()5,21( 15,25,2
1
5,2
1
5,2
1
=+−=−===<< −−−−
∫∫ eeedxedx x f X Px x
c. 0)3( == X P
d. { } 982.0018,0111)4(1)4( 4
4
=−=+−−=−=>−=< ∞−−∞
−
∫ eedxe X P X P x
e. 05,0)()3()3( 3
333
=+−=−===≥=≤ −∞−∞
−
∞
−
∞
∫∫eeedxedx x f X P X P x x
Al igual que en el caso de una variable aleatoria discreta, la función dedistribuciónacumulada deunavariablealeatoriacontinua X eslaprobabilidaddeque X tomeunvalormenoroigualaalgún xespecífico.Estoes,
∫∞−
=≤= x
dx x f x X P xF )()()( para ∞<<∞− x
Porlotanto,lafuncióndedistribuciónacumulada F(x)eseláreaacotadaporlafunción de densidad que se encuentra a la izquierda de la recta X=x,comoseilustraenlafigura4.3.Lafuncióndedistribuciónacumulada F(x)cumplelassiguientespropiedades:
• )()()( x X P x X P xF <=≤= • 0)( =−∞F • )()()( aF bF b X aP −=<<
• )()( x f dx xdF =
EJEMPLO1.10
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 73/112
73
Supongalasiguientefuncióndedistribuciónacumuladadelavariablealeatoria X ydetermine:
≤
<≤
<
=
x
x x
x
xF
51
502,0
00
)(
a. 56,08,22,0)8,2()8,2( =×==< F X P b. 70,0)5,12,0(1)5,1(1)5,1(1)5,1( =×−=−=<−=> F X P X P c. 0)2()2( =−=−< F X P d. 011)6(1)6(1)6( =−=−=<−=> F X P X P e. 2,0)42,0(1)4()6()64( =×−=−=<< F F X P
Lamedia ylavarianza deunavariablealeatoriacontinuasedefinendemanerasimilaralcasodelavariablealeatoriadiscreta.Enlasdefiniciones,laintegraciónsustituyealasumatoria.
∫∞
∞−
== dx x xf X E X )()( µ
[ ]
222
22
)()(
)()()(
µ σ
µ σ
−==
−==
∫∫∞
∞−
∞
∞−
dx x f x X V
dx x f x X V
X
X X
Asímismo,ladesviaciónestándarde X es 2
X X σ σ =
EJEMPLO1.11
Supongaque f(x)=0,125xpara0<x<4.Calculelamediaylavarianzade X .
( )3
8
24
1
8
1125,0
4
0
3
4
0
2
4
0
=⋅==⋅= ∫∫ xdx xdx x x X µ
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 74/112
74
88,09
64
8
1)(
4
0
32 =−== ∫ dx x X V X σ
1.3.-TEOREMADECHÉBYSHEVParademostrarcómoladesviaciónestándaresindicadoradeladispersióndeladistribución de una variable aleatoria, el matemático ruso Pafnuty LvovichChébyshevdesarrollóunteoremaenelqueofreceunagarantíamínimaacercadela probabilidad de que una variable aleatoria asuma un valor dentro de kdesviacionesestándaralrededordelamedia.Para cualquier variable aleatoria X con media µ y desviación estándar σ , laprobabilidaddeque X tomeunvalorcontenidoen kdesviacionesestándardela
media,siendo kunaconstantepositivacualquiera,escuandomenos 211k
− .
Simbólicamente,elteoremaseexpresadecualquieradelassiguientesmaneras:
( ) ( )22
111
k k X Pó
k k X P ≤>−−≥≤− σ µ σ µ
LadesigualdaddeChébyshevesmuyimportante,yaquepermitedeterminarloslímitesdelasprobabilidadesdevariablesaleatoriasdiscretasocontinuassintener
que especificar sus funciones de probabilidad. Este teorema asegura que laprobabilidad de que una variable aleatoria se aleje de la media no más de kdesviacionesestándar,esmenoroiguala1/k 2paraalgúnvalorde k>1.Aunquelagarantíanosiempreesmuyprecisa,laventajasobreesteteoremaessu gran generalidad por cuanto es aplicable a cualquier variable aleatoria concualquierdistribucióndeprobabilidad,yaseadiscretaocontinua.
EJEMPLO1.12Elnúmerodelicenciasdeconducciónexpedidasenunaciudadduranteelmesde
junio puede considerarse como una variable aleatoria cuya distribución deprobabilidadsedesconoce,pero seestima quesu mediaseaaproximadamente µ=124ysudesviaciónestándarσ =7,5.SegúnelteoremadeChébyshev,¿conquéprobabilidad se puede afirmar que se expedirán entre 64 y 184 licencias deconducciónenesaciudadduranteelmesdejunio?
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 75/112
75
Paradarsoluciónaesteproblemasedebeconocercuálesesevalordek.Paraellosepartedeladefinicióndeunadesigualdadmenorquedeunvalorabsoluto:
( ) ( )22
11
11
k
k X k P
k
k X k P −≥+≤≤+−⇔−≥≤−≤− µ σ µ σ σ µ σ
Tomandoelfactordelaizquierda,setiene
( ) ( )18464 ≤≤⇔+≤≤+− X Pk X k P µ σ µ σ
Esto quiere decir que: 64=+− µ σ k o bien que 184=+ µ σ k . Al despejar k decualquieradeellassetiene:
85,7
6412464=
−=
−=
σ
µ k
DemaneraqueladesigualdaddeChébyshevquedaplanteada:( ) ( ) 9844,018464
8
1118464
2≥≤≤⇔−≥≤≤ X P X P
De modo que se puede afirmar que se expedirán entre 64 y 184 licencias deconducción en esa ciudad durante el mes de junio con una probabilidad del98,44%.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 76/112
76
EEJJEERRCCIICCIIOOSSCCAAPPÍ Í TTUULLOO11..1.-Unaurnacontienecuatrobalotasconlosnúmeros1,2,3y4,respectivamente.Sisetomandosbalotasdelaurnasinsustitucióny X eslasumadelosnúmeros
de las dos balotas extraídas, determine la distribución de probabilidad de X yrepreséntelapormediodeunhistograma.2.-Paralassiguientestablasdedatos,determinesisetratadeunadistribucióndeprobabilidad. En los casos en que sea así, identifique los requisitos que no sesatisfacen.Enloscasosenquesisedescribaunadistribucióndeprobabilidad,calculesumediaydesviaciónestándar.
a. x 0 1 2 3
f(x) 0,125 0,375 0,375 0,125
b. x 0 1 2 3 4
F(x) 0,502 0,365 0,098 0,011 0,001
c. x 0 1 2 3 4
f(x) 0,0000 0,0001 0,0006 0,0387 0,96063.- El espacio muestral de un experimento aleatorio es { } f ed cba ,,,,, , y cadaresultadoesigualmenteprobable.Sedefineunavariablealeatoriadelasiguientemanera:
resultado a b c d e f x 0 0 1,5 1,5 2 3
Determine:a. Lafuncióndeprobabilidadde X . e. )20( <≤ X P b. )5,1( = X P f. )20( == X ó X P
c. )7,25,0( << X P g. 2
X X y σ µ d. )3( > X P
4.-Sea X una variable aleatoria discreta. Determine el valor de kparaquelafunción xk x f / )( = , x=1,2,3,4,sealafuncióndeprobabilidadde X .Determineademás )31( ≤≤ X P .5.-Elrangodelavariablealeatoria X es[0,1,2,3, x],donde xesunaincógnita.Sicadavaloresigualmenteprobableylamediade X es6,calcule x.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 77/112
77
6.-Compruebequelasiguientefunciónesfuncióndedistribuciónacumuladadelavariable aleatoria discreta X y calcule la función de probabilidad y lasprobabilidadespedidas.
≤
<≤<≤−
−<
=
x
x
x
x
xF
5,01
5,03,075,0
3,01,025,0
1,00
)(
a. )5,0( ≤ X P d. )0( < X P b. )4,0( ≤ X P e. )1,00( <≤ X P c. )6,04,0( ≤≤ X P f. )1,01,0( <<− X P
7.-Verifiquequelasiguientefunciónesunafuncióndeprobabilidadycalculelasprobabilidadespedidas.
x -2 -1 0 1 2 f(x) 1/8 2/8 2/8 2/8 1/8
a. )2( ≤ X P d. )21( =−≤ X ó X P
b. )2( −> X P e. Determine 2
X X y σ µ c. )11( ≤≤− X P
8.- Dada lasiguientefunción deprobabilidadacumulada de lavariable aleatoriadiscreta X ,
≥
<≤
<≤
<≤−
−<
=
51
5343
3121
1141
10
)(
x
x
x
x
x
xF
Obtenga:a. )3( ≤ X P d. )3( = X P b. )1( ≥ X P e. )44,0( <<− X P c. )3( < X P f. )5( = X P
9.-SeaXunavariablealeatoriaquerepresentaelnúmerodeclientesquellegaaunalmacénenunahora.Dadalasiguienteinformación:
x 0 1 2 3 4 5 6 7 8 f(x) 0,05 0,10 0,10 0,10 0,20 0,25 0,10 0,05 0,05
Encuentre E(X)yV(X).
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 78/112
78
10.- Demuestre que las siguientes funciones son funciones de densidad deprobabilidad para algún valor de k;determineelvalorde k.Calculelamediayvarianzadecadaunadelastresfuncionesdedensidad.
•••• 2)( kx x f = para 40 << x •••• )21()( xk x f += para 20 << x
•••• xke x f −=)( para x<0 11.-Lafuncióndedensidaddeprobabilidaddeunavariablealeatoriacontinua X estádadapor:
<<
=casootroen
x x f
0
7251)(
a. Demuestrequeeláreabajolacurvadeestafunciónesiguala1.b. Determine )53( << X P
12.-Sea X unavariablealeatoriacontinua.
a. Determineelvalorde k,demaneraquelafunción f(x)sealafuncióndedensidaddeprobabilidadde X .
≤≤−
=casootroen
xkx x f
0
11)(
2
b Determinelafuncióndedistribuciónacumuladade X .c. Calcule )2 / 12 / 1()2 / 1( ≤≤−≥ X P y X P .
13.- La función de distribución acumulada de una variable aleatoria continua X estádadapor:
>
<<−
≤
=
11
102
00
)( 2
x
x x x
x
xF
Determine:a. )( x f b. )2 / 1( < X P c. )4 / 3( > X P
14.- Suponga que la función de distribución acumulada de la variable aleatoriacontinua X es:
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 79/112
79
≤
<≤−+
−<
=
x
x x
x
xF
21
225,025,0
20
)(
Determine:a. )8,1( < X P c. )2( −< X P b. )5,1( −> X P d. )11( <<− X P
4.15. Supongaque 25,0)( = x f ,para 40 << x .Calculelamediaylavarianzade
lavariablealeatoriacontinua X .16.-Sea X lavariablequerepresentalacantidaddelluviacaídadeunasemanaenunaregióndeterminada.Supongaque µ=1,0yσ =0,25pulgadas.¿Seríaextrañoqueestaregiónregistremásdedospulgadasdeaguaduranteunasemana?
17.-SeaXelnúmerodecasosderabiaregistradosenunmesenunaciudaddeterminada. Suponga que µ=1/2 y σ
2=1/25. ¿Podría considerarse infrecuente
registrardoscasosderabiaenunmesenesaciudad?18.- Se lleva a cabo un estudio de un fármaco destinado a mantener un ritmocardíacoconstanteenpacientesqueyahansufridouninfarto.Sea X elnúmerodelatidos por minuto, registrado durante la utilización de este fármaco con lasiguientefuncióndeprobabilidad:
x 40 60 68 70 72 80 100 f(x) 0,01 0,04 0,05 0,80 0,05 0,04 0,01
Utilizando la desigualdad de Chébyshev, ¿entre qué valores oscilará elritmocardíacodel75%delospacientestratados?
19.-¿Cuáleselvalormínimode kenelteoremadeChébyshevparaelcuallaprobabilidaddequeunavariablealeatoriatomeunvalorentreque µ-k σ y µ+k σ sea:
a. cuandomenos0,95?b. cuandomenos0,99?
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 80/112
80
CAPITULODOSDISTRIBUCIONESDEPROBABILIDADDISCRETA
En este capítulo se examinan con detalle seis familias de distribuciones deprobabilidaddiscretaysehacencomentariossobresuaplicación.Estasson:lasdistribuciones uniforme discreta, binomial, geométrica, binomial negativa,hipergeométricayPoisson.Tambiénseestudiansusparámetrosestadísticosmásusados;esdecir,lamediaovaloresperado,lavarianzayladesviaciónestándar.2.1. DISTRIBUCIÓNUNIFORMEDISCRETA
La variable aleatoria discreta más sencilla es aquella que toma sólo unnúmerofinitodevaloresposibles n,cadaunoconlamismaprobabilidad.Ellasedenomina entonces variable aleatoria discreta uniforme y su distribución
uniformediscretaestádadapor:
n x f
1)( =
Para una variable aleatoria discreta uniforme X , que puede tomar los
valores1,2,…,n,lamediaes:
2
1)(
+==n
X E X µ
Ysudesviaciónestándares:
12
12 −=
n X σ
Otros autores expresan estos parámetros en términos del rango de la
variablealeatoriadiscretauniforme[a,b].
12
1)1(
2)(
2 −+−=
+==
abba X E X X σ µ
No hay reparos para usar una u otra fórmula, queda a criterio del
estudiante.Loimportanteesqueésteentiendaquesonequivalentes.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 81/112
81
EJEMPLO2.1.
Lavariablealeatoria X tieneunadistribucióndiscretauniformesobrelosenteros10091 ≤≤ x .Determinelamediaylavarianzade X .
5,952
91100)( =
+== X E X µ
25,812
1)191100()(
22 =
−+−== X V X σ
EJEMPLO2.2
Unjugadorlanzaundadocorriente.Sisaleunnúmeroprimo,ganaelvalorendólares pero si no sale el número, entonces pierde igual cantidad en dólares.Determinesieljuegoesfavorableodesfavorableparaelapostador.Solución:Losposiblesvaloresqueseobtienenallanzarundadosonlosnúmerosdel1al6,de ellos sólo tres son números primos, a saber: 2, 3 y 5. Estos númeroscorresponden a las ganancias posibles en dólares del apostador. Las posiblespérdidas serán entonces: 1, 4 y 6. La siguiente tabla relaciona los posiblesresultados de la variable aleatoria X (cantidad de dólares ganados al lanzar un
dado)consusrespectivasprobabilidades,queparaestecasosonigualespueseldadonoseencuentracargadohaciaunacaradeterminada.
x -1 2 3 -4 5 -6 f(x) 1/6 1/6 1/6 1/6 1/6 1/6
Observequelosnúmeros1,4y6sonnegativos,puescorrespondenalhechodequeeljugadorpierdesinosaleunnúmeroprimo.Comocadavalordelavariablealeatoriatieneigualprobabilidad,ladistribucióndeprobabilidadesuniformediscreta.Perotengaencuentaquelosvaloresquetoma X nosonconsecutivos,portantonoseaplicaladefinicióndevaloresperadoy
deberecurrirsealadefiniciónoriginalEstoes:
6
1)654321(
6
1)()(
1
−=−+−++−⋅=⋅== ∑=
n
i
i X x f x X E µ
Comoelvaloresperadoesnegativo,eljuegoesdesfavorableparaelapostador.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 82/112
82
Si todos los valores del rango de la variable aleatoria X semultiplicanporunaconstante (sin cambiar ninguna de las probabilidades), entonces la media y la
desviaciónestándarde X quedanmultiplicadasporlamismaconstante.2.2.- DISTRIBUCIÓNBINOMIALLasdistribucionesbinomialessonlasmásútilesdentrodelasdistribucionesdeprobabilidad discretas. Sus áreas de aplicación incluyen inspección de calidad,ventas, mercadotecnia, medicina, investigación de opiniones, entre otras. Estasdistribuciones permiten enfrentar circunstancias en las que los resultadospertenecenadoscategoríasrelevantes:queocurrauneventodeterminadooquenolohaga.Estetipodeexperimentoaleatorioparticularesdenominado ensayodeBernoulli .Susdosresultadosposiblessondenotadospor“éxito”y“fracaso”y
sedefinepor plaprobabilidaddeunéxitoy1-plaprobabilidaddeunfracaso.Engeneral, unexperimento aleatorio queconsistede nensayosrepetidostalesque:
• Losensayossonindependientes• Cada ensayo es de tipo Bernoulli. Esto es, tiene sólo dos resultados
posibles:“éxito”o“fracaso”.• La probabilidad de éxito de cada ensayo, denotada por p, permanece
constante.recibeelnombredeexperimentobinomial .
Lavariablealeatoria X ,deunexperimentobinomial,quecorrespondealnúmerodeensayosdondeelresultadoesunéxito,tieneuna distribuciónbinomial conparámetros pyn=1,2,…ysufuncióndeprobabilidades9:
n x para p p x
nn p x f
xn x,...,1,0)1(),;( =−⋅⋅
= −
Sisedenotalaprobabilidaddefracasocomo pq −= 1 ,lafuncióndeprobabilidadbinomialsesimplificadelasiguientemanera:
xn x q p
x
nn p x f −⋅⋅
=),;(
9Recuerdequelanotación )!(!
!
xn x
n
x
n
−=
esunacombinación yestádesarrolladaenelcapítulo2delaUnidadDidácticaUnodelpresentemódulo.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 83/112
83
En muchos casos es conveniente denotar la función de probabilidad binomialcomo ),;( n p xb .
Lafuncióndedistribuciónbinomialacumulada seexpresacomo:
∑=
−⋅⋅
==≤
x
i
ini q pi
nn p xF x X P
0
),;()(
EJEMPLO2.3Lavariablealeatoria X tieneunadistribuciónbinomialconn=10y p=0,5.Calculelasprobabilidadessiguientes.Antes de determinar las probabilidades pedidas, debe definirse la distribuciónbinomialconlosparámetrosdados.
1010 5.010
)5.01(5.010
)10,5.0;()( ⋅
=−⋅⋅
=== −
x x x f x X P
x x
a. 246,05.05
10)10,5.0;5()5( 10 =⋅
=== f X P
b. 055,05.02105.0
110)10,5.0;2()2( 21 =⋅
+⋅
==≤ F X P
c. ∑=
=−=⋅
−=≤−=≥
8
0
011,0989,015.010
1)8(1)9(i
i
i X P X P
d. ∑=
=⋅
=<≤
4
3
322,05.010
)53(i
i
i X P
e. 945,0055,01)2(1)2( =−=≤−=> X P X P
Lamedia ylavarianza deunavariablealeatoria binomialdependensólode losparámetros py n.Yellassedefinen:
npq pnp ynp X E X X =−=== )1()( 2σ µ
EJEMPLO2.4
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 84/112
84
Laprobabilidaddequeunfutbolistaprofesionalhagagoldetirolibreesdel70%.Enunentrenamiento,estefutbolistahace14tiroslibres.Calculelaprobabilidaddeque éste haga por lo menos 7 goles, la probabilidad de que falle entre 3 y 6
inclusive, laprobabilidaddequeno haganingúngoly laprobabilidaddequeentodossustirosélacierte.Calculetambién,elpromediodegolesesperados.Sea X elnúmerodegoleshechosporunfutbolistaen14tiros.Observeque X esunavariablealeatoriaquesedistribuyecomounabinomialcon p=0.7yn=14.
x x
x x f n p xb
−⋅⋅
== 143.07.014
)14,7.0;(),;(
Sepidelaprobabilidaddequehagaporlomenos7goles,estoes:
∑∑ =
−
==−=⋅⋅
−=≤−==≥
6
0
1414
79685,00315,013.07.0
14
1)6(1)14,7.0;()7(i
ii
i i X Pi f X P
Laprobabilidaddequefalleentre3y6equivaleaqueestehagaentre8y11golesinclusive.Puessifalla3goles,esporquehaacertadoen11ysifallaen6,ha hecho 8 goles. Recuerde que se ha definido la variable aleatoria como elnúmerodeaciertosodegoleshechosynoelnúmerodefallas.Demaneraquelaprobabilidadpedidaes:
∑=
− =⋅⋅
=≤≤
11
8
14 7459,03.07.014
)118(i
ii
i X P
Laprobabilidaddequeelfutbolistanohaganingúngolensus14tiroslibresestádadapor:
010783,43.07.00
14)0( 8140 ≈×=⋅⋅
== − X P
Escasiimposible,encondicionesnormales,queunfutbolistaconladestrezade7golesporcada10detirolibrenopuedahacerunsólogolen14oportunidadesPorúltimo,laprobabilidaddequeéstehagalos14golesserá:
0068,010782,63.07.014
14)14( 3014 ≈×=⋅⋅
== − X P
Esto quieredecir que nuestrofutbolistatieneunaprobabilidadmenordel1%deacertarentodossus14tiroslibres.Ahorabien,elpromediodegolesqueseesperanes:
8.97.014)( =×== X E X µ Conunadesviaciónestándarde1,71goles.Compruébelo.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 85/112
85
Ladistribuciónbinomialsehatabuladodemaneraextensaparadistintosvaloresdeny p.Enlatabladelarchivoanexo“Tablasestadísticas” 10,seproporcionanlasprobabilidades acumuladas para distintos valores de los parámetros n y p. El
procedimientoparasucálculoeselsiguiente:(1)Localiceelvalorden,indicadoenlaprimeracolumnadelatablaenmención.(2)Ubiqueelvalorcorrespondientede xenlasegundacolumna.(3)Identifiqueelrenglónofiladenúmeros,resultadodelospasos(1)y(2).(4)Enlaprimerafiladelatabla,quecorrespondealvalorde p,ubiqueelvalordesubúsqueda.(5) Haga coincidiro cruzarla fila que obtuvo enel paso (3) con la columnadelpaso(4).(6) El valor correspondiente a la intersección obtenida en el paso (5) será laprobabilidadacumuladadeseada.
Enelsiguienteejemploseindicacómohacerestecálculo.
EJEMPLO1.5Sea X unavariablealeatoriabinomialconn=13y p=0.3.HaciendousodelatablaA.1.delanexoA,calculelaprobabilidaddequeXpuedasercuatro.La siguiente tabla es extraída de la tabla de distribución binomial acumulada,correspondientealvalorden=13.
Tabla2.1.Distribuciónbinomialacumuladaparan =13
P
n x 0.1 0.2 0.25 0.3 0.4
13 0 0.2542 0.0550 0.0238 0.0097 0.0013 1 0.6213 0.2336 0.1267 0.0637 0.0126 2 0.8661 0.5017 0.3326 0.2025 0.0579 3 0.9658 0.7473 0.5843 0.4206 0.1686 4 0.9935 0.9009 0.7940 0.6543 0.3530
5 0.9991 0.9700 0.9198 0.8346 0.5744 6 0.9999 0.9930 0.9757 0.9376 0.7712 7 1.0000 0.9988 0.9944 0.9818 0.9023
...
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
10http://www.informatica.us.es/~calvo/asi/varios/tablaspedro.pdf
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 86/112
86
p
n x 0.1 0.2 0.25 0.3 0.4
13 0 0.2542 0.0550 0.0238 0.0097 0.0013 1 0.6213 0.2336 0.1267 0.0637 0.0126
2 0.8661 0.5017 0.3326 0.2025 0.0579 3 0.9658 0.7473 0.5843 0.4206 0.1686 4 0.9935 0.9009 0.7940 0.6543 0.3530 5 0.9991 0.9700 0.9198 0.8346 0.5744 6 0.9999 0.9930 0.9757 0.9376 0.7712 7 1.0000 0.9988 0.9944 0.9818 0.9023
...
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
(1)
(2) (3)
(4)
(5)
Enlafigurasiguienteseindicangráficamenteunoaunolospasosparaelcálculo
de 6543,07.03.013
)13,3.0;4()4(13
0
13 =⋅⋅
==≤ ∑
=
−
i
ii
iF X P
Figura2.1.
Esquemagráficoparaelusodelatabladedistribuciónbinomialacumulada
De la misma manera, puede hacerse uso de esta tabla para determinar lasprobabilidadesindividualespuestoquelavariablealeatoriabinomialtieneunvalorenteroyseaplicalapropiedad:
),;1(),;(),;( pn xF pn xF pn xb −−= Parailustrarlo,sean=10y p=0.3,laprobabilidaddeque X seaexactamentecincoes:
1030,08497,09527,0)4()5()5( =−=−== F F X P Nota:Enelsiguientelinksepuedeencontrarunprogramasencilloquepermitecalcularprobabilidades de variables aleatorias discretas, simplemente conociendo losvaloresdelosparámetrosdecadauna
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 87/112
87
http://www.pwpamplona.com/wen/calcu/calcu1.htm2.3DISTRIBUCIÓNGEOMÉTRICA
Considereahorauna serie deensayos Bernoulliconunaprobabilidadconstantedeéxitos p,enlaqueelnúmerodeensayosnoesfijocomoenladistribuciónbinomial si no que éstos se realizan hasta que se obtiene el primer éxito. Seaentonces,lavariablealeatoria X elnúmero deensayosrealizadoshastaobtenerunéxito,ellatieneunadistribucióngeométrica conparámetro pyseexpresa:
,...2,1)1();( 1 =⋅−= − x p p p x f
x
Tomando pq −= 1 y denotando la distribución geométrica como );( p xg ,ellasesimplificadelasiguientemanera:
pq p xg x ⋅= −1);( Lafuncióndedistribucióngeométricaacumulada seexpresacomo:
∑=
− ⋅==≤ x
i
i pq p xF x X P0
1);()(
Lamedia ylavarianza deunavariablealeatoriageométricason:
2
2 )(1
)( p
q X V
p X E X X ==== σ µ
EJEMPLO1.6Supongaquecadaunadelasllamadasquehaceunapersonaaunaestaciónderadiomuypopulartieneunaprobabilidadde2%dequelalíneanoestéocupada.
Supongaquelasllamadassonindependientes.a. ¿Cuál es la probabilidad de que la primera llamada que entre sea de la
décimapersonaquelarealizó?Sea X lavariablealeatoriacorrespondientea encontrar lalíneadesocupada,enotraspalabras,que entre lallamada. Entonces X sedistribuyegeométricamentecon p=0.02.
02.098.0)02.0;( 1 ⋅= − x xg
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 88/112
88
Entonces: 0167,002.098.0)02.0;10()10( 9 =⋅=== g X P b. ¿Cuáleslaprobabilidaddequeseanecesariollamarmásdecincoveces
parahallardesocupadalalínea?
8836,0)0184,00188,00192,00196,00200,00204,0(1)5(
02.098.01)5(1)5(5
0
1
=+++++−=>
⋅−=≤−=> ∑=
−
X P
X P X Pi
i
c. ¿Cuáleselnúmeropromediode llamadasquedebenhacerseparahallar
desocupadalalínea?
5002.0
1)( === X E X µ llamadas.
2.4.-DISTRIBUCIÓNBINOMIALNEGATIVAEnladistribucióngeométrica,lavariablealeatoriaestabadefinidacomoelnúmerodeensayosBernoullinecesariosparaobtenerelprimer éxito.Supongaahoraquesedeseaconocerelnúmerodeensayos hastaobtener réxitos;enestecasolavariablealeatoriaesdenominadabinomialnegativa.La distribución binomial negativa o distribución de Pascal es unageneralización de la distribución geométrica donde la variable aleatoria X eselnúmerode ensayos Bernoulli efectuados hasta que se tienen réxitos,conunaprobabilidadconstantedeéxito p.Sediceentoncesque X tieneunadistribuciónbinomialnegativaconparámetros pyr =1,2,3,…
...2,1,1
1),;( ++++=⋅⋅
−
−= −
r r r r x pqr
xr p x f
r r x
Algunosautoresdenotanestadistribucióncomo ),;(* r p xb Observequeenelcasoespecialdonder =1, lavariablealeatoriabinomialnegativaseconvierteenunavariablealeatoriageométrica.
Latablasiguienteexpresaladiferenciaentreunavariablealeatoriabinomialyunavariablealeatoriabinomialnegativa.Enestesentido,lavariablealeatoriabinomialnegativaseconsideracomoelopuesto,oelnegativo,deunavariablealeatoriabinomial.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 89/112
89
Tabla2.2.Comparaciónentreunavariablealeatoriabinomial
yunavariablealeatoriabinomialnegativa
Variablealeatoria Predeterminado Aleatorio
BinomialConteodelnúmerodeéxitosennensayosBernoulli,
Númerototaldeensayos
Númerodeéxitos.
BinomialnegativaConteodelnúmeroseensayosnecesariosparaobtenerr éxitos.
Númerodeéxitos Númerodeensayos.
La media y la varianza de una variable aleatoria binomial negativa X conparámetros pyr son:
22 )()(
p
qr X V
p
r X E X X
⋅==== σ µ
Ejemplo2.7Suponga otra vez el caso del jugador de fútbol del ejemplo 1.4. ¿Cuál es laprobabilidaddequeelquintotiroquelanzaseaprecisamentesutercergol?Sea X elnúmerode tiroslibreshechosporunfutbolistaparaobtenertresgoles.Observeque X esunavariablealeatoriabinomialnegativacon p=0.7yr =3.
33* 7.03.013
1)3,7.0;( ⋅⋅
−
−= − x
x xb
Laprobabilidadpedidaes:
1852,07.03.02
15)5( 32 =⋅⋅
−== X P
Lafuncióndedistribuciónbinomialnegativaacumulada seexpresacomo:
∑=
− ⋅
−
−==≤
x
r i
r r i pq
r
ir p xF x X P
1
1),;()(
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 90/112
90
EJEMPLO2.8SupongaqueXesunavariablealeatoriabinomialnegativaconp=0,2yr=4.
Calcule:
a. LamediadeX. 202.0
4)( === X E X µ
b. 0436,02.08.014
120)20( 4420 =⋅⋅
−
−== − X P
c. 0170,02.08.03
1)6(
6
4
44 =⋅⋅
−=≤ ∑
=
−
i
ii
X P
d. 9830,00170,01)6(1)5( =−=≤−=> X P X P
2.5.DISTRIBUCIÓNHIPERGEOMÉTRICAEn la distribución binomial se veía que el muestreo se hacía con reemplazo,asegurando la independencia de los ensayos y la probabilidad constante.Supóngaseahoraqueelmuestreoessinreemplazo ,casoenelcuallosensayos
nosonindependientes.Sea N elnúmerodeelementosdeunconjuntodeloscuales k sondeterminadoscomoéxitosy N-k comofallas,se trataahoradedeterminar laprobabilidad de xéxitosennensayosdelos N elementosdelconjuntodonde N k ≤ y N n ≤ .Seatambién la variable aleatoria X el númerode éxitosen la muestra. Entonces, X tiene una distribución hipergeométrica y su función de distribución deprobabilidadestádadapor:
),(,...2,1,0),,;( nk mín x
n
N xn
k N
x
k
nk N x f =
−
−
=
Laexpresiónmín(k,n)correspondealvalormenorentreeltamañodelamuestrak y el número máximo de éxitos que puede presentarse en la muestra n. Ladistribuciónhipergeométricasueleexpresarsecomo ),,;( nk N xh .
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 91/112
91
Lafuncióndedistribuciónhipergeométricaacumulada seexpresacomo:
∑=
−
−
==≤ x
i
n
N
in
k N
i
k
nk N xF x X P0
),,;()(
Eláreadondemásaplicacionestieneladistribuciónhipergeométricaeselcontrolestadístico de calidad y la aceptación de muestreo, el siguiente ejemplo esmuestradeello.
EJEMPLO2.9Un lote de 75 quesos contiene cinco en los que la variabilidad de su peso esinaceptable.Setomaunamuestraalazarde10quesos,sinreemplazo.Determinelassiguientesprobabilidades.Antesdeiniciarconelcálculodelasprobabilidades,sedebeidentificareltipodevariablealeatoriaqueintervieneenelproblemaysusrespectivosparámetros.Sea X elnúmerodequesosinaceptablesenunamuestrade10,tomadosdeunlotede75quesosdeloscuales5soninaceptables.Estoes, X esunavariablealeatoriahipergeométrica con parámetros N =75, k =5 y n=10 y su distribución de
probabilidades:
−
=
10
75
10
705
)10,5,75;( x x
xh
a. ¿Cuál es la probabilidad de que ninguno de los quesos inaceptables se
encuentrenelamuestra?
4786,0
10
75
10
70
0
5
)0( =
== X P
b. ¿Cuáleslaprobabilidaddequealmenosunodelosquesosinaceptables
seencuentreenlamuestra?
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 92/112
92
8709,03923,04786,0
10
75
9
70
1
5
10
75
10
70
0
5
)1()0()1( =+=
+
=+=≤ F F X P
c. ¿Cuál es la probabilidad de que exactamente uno de los quesos
inaceptablesseencuentreenlamuestra?
3923,0
10
75
9
70
1
5
)1( =
== X P
La media y la varianza de una variable aleatoria hipergeométrica X conparámetros N,k ynson:
N
k N
pq y N
k
pdonde
N
n N npq X V np X E X X
−
=−==
−
−⋅====
1
1)()( 2σ µ
Observequeelvalordelamediaparaunavariablealeatoriahipergeométricaessimilaralresultadocorrespondienteaunavariablealeatoriabinomial.Además,el
valordesuvarianzadifiereentreambasdistribucionesporelfactor:1−
−
N
n N ,quese
conocecomofactordecorreccióndepoblaciónfinita .Estacorrecciónsehacesobre la varianza binomial debido a que el muestreo en la distribuciónhipergeométricaessinreemplazo deunconjuntofinitodetamaño N .
Sinespequeñorespectoa N ,entonceslacorrecciónespequeñayladistribuciónhipergeométrica es similar a la binomial. De esta forma, la distribuciónhipergeométricatiendealabinomialconformeelcocientede n/N sevuelvemáspequeño.Demanerageneral,lafuncióndeprobabilidadbinomialaproximarádemaneraadecuadaaladistribucióndeprobabilidadhipergeométricasisetienequen<0,1N .
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 93/112
93
EJEMPLO2.10Un fabricante asegura que sólo el 1% de su producción total se encuentra
defectuosa. De un lote de 1000 artículos y se seleccionan 25 al azar parainspeccionarlos.Siloqueafirmaelfabricanteescierto,¿cuáleslaprobabilidaddeobservardosomásartículosdefectuososenlamuestra?Sea X elnúmerodeartículosdefectuososdeunamuestrade25,tomadosdeunlotede1000con10 artículos defectuosos.Entonces X esunavariablealeatoriahipergeométrica con parámetros N =1000, k =10 y n=25. Dado que el cocienten/N =0,025<0,1 puede emplearse la distribución binomial para aproximar laprobabilidaddeseada.
0258,0)1964,07778,0(1)2(
99.001.01
2599.001.0
0
251)2(
)25,01.0;1(1)1(1)2(
24250
=+−=≥
⋅⋅
+⋅⋅
−=≥
−=≤−=≥
X P
X P
F X P X P b
DondeF besladistribución
Comoseve,laprobabilidaddetenerdosomásartículosenelloteesdemasiadopequeña.Estoquieredecirquesedeberechazarellotesiseencuentranmásdedos artículos defectuosos, pues habría serias dudas de que el fabricante estédiciendolaverdadfrenteasuproducción.
2.6.DISTRIBUCIÓNPOISSONEstaesotradistribucióndeprobabilidaddiscretaútilenlaquelavariablealeatoriarepresenta el número de eventos independientes que ocurren a una velocidadconstante. La distribución de Poisson, llamada así en honor a Simeón DenisPoisson probabilista francés que fue el primero en describirla, es el principalmodelode probabilidadempleado para analizarproblemasde líneasdeespera,confiabilidadycontroldecalidad;comoelnúmerodepersonasquelleganaunlugardeterminadoenuntiempodefinido,losdefectosenpiezassimilaresparaelmaterial,elnúmerodebacteriasenuncultivo,elnúmerodegolesanotadosenun
partidodefútbol,elnúmerodefallasdeunamáquinaenunahoraoenundía,lacantidad de vehículos que transitan por una autopista, el número de llamadastelefónicas por minuto, etc. Como se puede observar se trata de hallar laprobabilidaddeocurrenciadecualquiernúmeroporunidaddemedición(temporaloespacial).Dado un intervalo de números reales, si éste puede dividirse en subintervalossuficientementepequeños,talesque:
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 94/112
94
(1) La probabilidad de másdeunacierto en un subintervalo es cero oinsignificante.
(2) La probabilidad de una ocurrencia en un subintervalo es la mismaparatodoslossubintervalos,yesproporcionalalalongituddeestos.
(3) Elconteodeocurrenciasencadasubintervaloesindependientedeldelosdemássubintervalos.entonceselexperimentoaleatoriorecibeelnombrede procesoPoisson o flujodeprocesosdePoisson .Un proceso Poisson constituye un mecanismo físico aleatorio en el cual loseventosocurrenalazarenunaescaladetiempo(odedistancia).Porejemplo,laocurrencia de accidentes en un cruce específico de una carretera sigue dichoproceso.Caberecordarquenoesposiblepredecirconexactitudlacantidaddeaccidentes que pueden ocurrir en determinado intervalo de tiempo, pero sí elpatróndelosaccidentesengrannúmerodedichosintervalos.
DadounprocesoPoissondonde λeselnúmeropromediodeocurrenciasenelintervalo de números reales donde este se define, la variable aleatoria X correspondiente al número de ocurrencias en el intervalo es llamada variablealeatoriaPoisson ysufuncióndeprobabilidadestádadapor:
0,...2,1,0!
);( >==−
λ λ
λ λ
x x
e x f
x
LadistribuciónPoissonrepresentalaprobabilidaddequeuneventoaisladoocurra
unnúmeroespecíficodevecesenunintervalodetiempo(ounespacio)dado,alfijarse la tasa de acontecimientos en un continuo temporal (o espacial). Suparámetroes λ,elnúmeropromediodeocurrenciasdelexperimentoaleatorio.En
muchoscasossedenotacomo );( λ x℘ .
LaprobabilidaddequeunavariablealeatoriaPoisson X seamenoroigualaunvalorde xsedeterminaporlafuncióndedistribuciónacumulada:
∑=
−
==≤ x
i
i
i
e xF x X P
0 !);()(
λ λ
λ
LadistribuciónPoissonsehatabuladodemaneraparadistintosvaloresde λ.Enla tabla A.2. del anexo A, se proporcionan las probabilidades acumuladas paradistintosvaloresdelparámetro λ.Elprocedimientoparasucálculoessimilaralseguido en el cálculo de probabilidades acumuladas de variables aleatoriasbinomiales,
(1)Localiceelvalorde λ,indicadoenlaprimerafiladelatabla.(2)Identifiquelacolumnadenúmerosqueseobtienendelpaso(1).(3)Ubiqueelvalorcorrespondientede xenlaprimeracolumna.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 95/112
95
(4)Hagacoincidirocruzarlafilaqueobtuvoenelpaso(3)conlacolumnadelpaso(1)paraobtenerelvalordelaprobabilidadacumuladadeseada.
Sepuedehacerusodeestatablaparadeterminarlasprobabilidadesindividuales
puesto que la variable aleatoria Poisson tiene un valor entero y se aplica lapropiedad:
);1();();( λ λ λ −−=℘ xF xF x El número promedio de ocurrencias de un evento por unidad de tiempo (o deespacio)eslamediadelavariablealeatoriaPoissonysedefinecomo:
λ µ == )( X E X Yladesviaciónestándarresultaser: λ σ == )(2 X V X
EJEMPLO2.11Un equipo de fútbol, en un campeonato local, lleva un promedio de 2,5 golesanotados.Calculelaprobabilidaddequeenunpartidocualquieraelequipohaga:a. cuatrogoles.b. entre4y6golesinclusive.c. nomásdetresgoles.d. ningúngol.e. porlomenostresgoles.
Sea X elnúmerodegolesporpartidodefútboljugadoanotadosporunequipo.Entonces X sedistribuyecomounaPoissonconparámetro λ=2.5.
!
5.2)5.2;(
5.2
x
e x
x−
=℘
HaciendousodelastablasdeprobabilidadesacumuladasdePoisson,seobtiene:
a. 1336,07576,08912,0)5.2;3()5.2;4()5.2;()5.2;()4(3
0
4
0
=−=−=℘−℘== ∑∑==
F F x x X P x x
b.
2282,07576,09858,0)5.2;3()5.2;6(
)5.2;()5.2;()5.2;()64(
3
0
6
0
6
4
=−=−=
℘−℘=℘=≤≤ ∑∑∑ ===
F F
x x x X P x x x
c. 7576,0)5.2;3()3( ==≤ F X P
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 96/112
96
d. 0821,0)5.2;0()5.2;()0(0
0
==℘== ∑=
F x X P x
e. 4562,05438,01)5.2;2(1)5.2;(1)3(
2
0=−=−=℘−=≥ ∑= F x X P
x
2.6.1. DistribuciónPoissoncomoaproximaciónaladistribuciónbinomialLa distribución Poisson ofrece una aproximación excelente a la función deprobabilidadbinomialcuandolaprobabilidad pdetenerunéxitoespequeñayeltamañondelamuestraesgrande.Podríadecirsequesetieneunaaproximaciónmuy satisfactoria cuando 20≥n y 05.0≤n y tal aproximación se incrementa amedidaquedisminuye p.Esteresultadoseobtienemedianteelsiguienteteorema.
SeaXunavariablealeatoriacondistribuciónbinomialyfuncióndeprobabilidad:
xn x q p x
nn p xb
−⋅⋅
=),;(
Si para n = 1, 2, … la relaciónn
pλ
= es cierta para alguna constante 0>λ ,
entonces:
,...2,1,0!
),;(
0
==−
→
∞→ x
x
e pn xblím
x
p
n
λ λ
Deacuerdoalanteriorteorema,lamediaylavarianzadeladistribuciónbinomiales:
λ === np X V X E )()(
EJEMPLO2.12.Siel1%delasbombillasfabricadasporunaempresasondefectuosas,determinelaprobabilidaddequeenunamuestrade100bombillas3seandefectuosas.Sea X elnúmerodebombillasdefectuosascon p=0.01yn=100,entonces X esuna variable aleatoria binomial que puede aproximarse a una Poisson conparámetro λ=np=(0.01)(100)=1ysufuncióndedistribuciónes:
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 97/112
97
!
1)1;(
1
x
e x
x−
=℘
Laprobabilidaddeencontrar3bombillasdefectuosases:
0613,0
!3
1)3(
31
===−e
X P
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 98/112
98
EJERCICIOSCAPITULODOS1.-Sesabequeel60%delosalumnosdeunauniversidadasistenaclaseseldíaviernes.Enunaencuestaa8alumnosdelauniversidad.¿Cuáleslaprobabilidad
dequea)porlomenossieteasistanaclaseeldíaviernes.b)porlomenosdosnoasistanaclase.2.-Segúnlosregistrosuniversitariosfracasael5%delosalumnosdeciertocurso.¿cuáleslaprobabilidaddequede6estudiantesseleccionadosalazar,menosde3hayanfracasado?3.- En promedio, el 10% de las varillas de madera usadas en cierto productopresentan problemas para ser usadas. ¿cuál es la probabilidad de que en unpaquetede15varillas,a)encuentreexactamente5condefectos.b)porlomenos10esténnudosas,c)nomasde4esténnudosas.
4.-Unacompañíadesegurosconsideraquealrededordel25%deloscarrosseaccidentan cada año. Cual es la probabilidad de que por lo menos 3 de unamuestrade7vehículosasegurados,sehayaaccidentado?5.-Losregistrosmuestranque30%delospacientesadmitidosenunaclínica,nopagansusfacturasyeventualmentesecondonaladeuda.Supongaquellegan4nuevos pacientes a la clínica, cual es la probabilidad de que se tenga queperdonar la deuda de uno de los cuatro. B) los cuatro pacientes paguen susfacturas.
6.- El conmutador de un hospital recibe en promedio 20 llamadas cada dosminutos.Cualeslaprobabilidaddequelleguencomomáximodosllamadasenunperiodode15segundos.7.-Losclienteslleganaunaexhibiciónarazónde6,8clientes/horaCalculelaprobabilidaddequea)enlaprimeramediahoraporlomenoslleguendosclientes;b)encualquierhoradadalleguemasdeuno.8.-Elnumeropromediodeurgenciasquellegaaunhospitalenunahoraesde12.Cualeslaprobabilidaddequeenunminutolleguenporlomenos2urgencias.Cualeselnumerodeurgenciasesperadoporminuto?
9.- Las estadísticas indican que en una fabrica se presentan en promedio 10accidentesportrimestre.Determinelaprobabilidaddequenohayamasde12accidentesenelúltimotrimestre.10.-Elnumerodepersonasqueingresanalaunidaddecuidadosintensivosdeunhospitalenundíacualquiera,esde5personasdiarias.Cualeslaprobabilidadde
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 99/112
99
queelnumerodepersonasqueingresanalaunidaddecuidadosintensivosenundíaparticularseamenoroiguala2personas?11.-Unjefedealmacénsabeque6delas25bicicletasquetieneparalaventa
presentan fallas en los frenos y necesitan ajuste. Si el vendedor que no teníaconocimientodeloanteriorvendióeneldía4bicicletas,¿cuáleslaprobabilidaddequevendieradosdelasquerequeríanajuste12.-Deungrupode20ingenieroscondoctorado,seseleccionan10paraunaltocargo de una compañía. Cual es la probabilidad de que los 10 seleccionadosincluyaalos5ingenierosquetienenlasmejorescalificacionesdelgrupode20?13.-Unalmacéncontienediezmaquinasimpresoras,cuatrodelascualesestándefectuosas.Unacompañíaseleccionaalazarcincodelasmaquinas,pensandoquetodasestánencondicionesdetrabajar,¿cuáleslaprobabilidaddequelas
cincomaquinasesténenbuenestado?14.- En promedio una casa de cada 2000 en cierta zona de Barranquilla seincendiaduranteelaño,sihay6000casasendichazona¿Cuáleslaprobabilidaddequemasde3casasseincendienduranteelaño?15.-Laprobabilidaddequeunestudiantedeaviaciónpaselapruebaescritaparaobtenersulicenciadepilotoprivadoesde0.7.encuentrelaprobabilidaddequeunapersonapaselapruebaantesdelcuartointento.16.- La experiencia mostró que en promedio, solamente uno de diez pozos
perforadosllegaaproducirpetróleo.Cualeslaprobabilidaddequenecesiteochoperforacionesparaencontrarpetróleo.17.- En un departamento de control de calidad se inspeccionan las unidadesterminadasqueprovienendeunalíneadeensamble.Sepiensaquelaproporcióndeunidadesdefectuosasesde0.05.Cuales laprobabilidaddequela vigésimaunidadinspeccionadasealasegundaqueseencuentredefectuosa?
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 100/112
100
CAPITULOTRESDISTRIBUCIONESDEPROBABILIDADCONTINUA
3.1.DISTRIBUCIONUNIFORMESedicequeunavariableX poseeunadistribuciónuniformeenelintervalo[a ,b ],
sisufuncióndedensidadeslasiguiente:
Con esta ley de probabilidad, la probabilidad de que al hacer un experimentoaleatorio,elvalordeX estecomprendidoenciertosubintervalode[a ,b ]dependeúnicamentedelalongituddelmismo,nodesuposición.
Teniendoencuentaquesi ,
lafuncióndedistribuciónde es:
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 101/112
101
Figura3.1FuncióndeProbabilidadydeDistribucióndelaVariableUniformeContinua
Elvaloresperadosepuededefinir:
Lavarianza:
Ejemplo3.1:
El volumen de precipitaciones estimado para el próximo año en la ciudad de
Bucaramangava aoscilarentre400y 500litrospormetrocuadrado.Calcularlafuncióndedistribuciónylaprecipitaciónmediaesperada:
Esdecir,queelvolumendeprecipitacionesestéentre400y401litrostieneun1%deprobabilidades;queestéentre401y402litros,otro1%,etc.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 102/112
102
Elvalormedioesperadoes:
Esdecir,laprecipitaciónmediaestimadaenBucaramangaparaelpróximoañoesde450litros.
3.2.DISTRIBUCIONNORMALOGAUSSIANA
Esel modelodedistribuciónmásutilizadoenlapráctica,yaquemultituddefenómenossecomportansegúnunadistribuciónnormal.
Esta distribución de caracteriza porque los valores se distribuyen formando unacampanadeGauss,entornoaunvalorcentralquecoincideconelvalormediodeladistribución:
Figura3.2Funcióndedensidaddeunavariablealeatoriadedistribuciónnormal
Ladistribucióngaussiana ,recibetambiénelnombrededistribuciónnormal ,yaqueuna gran mayoría de las variables aleatorias continuas de la naturaleza siguenesta distribución. Se dice que una variable aleatoriaX sigue una distribuciónnormalsisufuncióndedensidades:
Estadistribuciónvienedefinidapordosparámetros:X:N(µ,σσσσ2)
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 103/112
103
µ:eselvalormediodeladistribuciónyesprecisamentedondesesitúaelcentro
delacurva(delacampanadeGauss).σσσσ
2:eslavarianza.Indicasilosvaloresestánmásomenosalejadosdelvalorcentral:silavarianzaesbajalosvaloresestánpróximosalamedia;siesalta,entonceslosvaloresestánmuyalejadosdeella.Serepresentapor σσσσ2porquesuraizcuadrada,σσσσ,esladenominadadesviaciónestandar.
3.2.1DistribuciónnormalestándarotipificadaCuandolamediadeladistribuciónnormales0ylavarianzaes1,sedenomina"normaltipificada",ysuventajaresideenquehaytablas,orutinasdecálculo
que permiten obtener esos mismos valores, donde se recoge la probabilidadacumuladaparacadapuntodelacurvadeestadistribución.
Además, toda distribución normal se puede transformar en una normaltipificada:
Enelcasodequetengamosunadistribucióndiferente,
seobtieneZ haciendoelsiguientecambio:
Ladistribuciónnormaltipificada tienelaventaja,comoyahemosindicado,dequelasprobabilidadesparacadavalordelacurvaseencuentranrecogidasenunatabla.(VertablacompletaenelarchivoanexodeTablasestadísticas)
X 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5723
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7090 0,7224
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 104/112
104
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7813 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8416 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,86211,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861
¿Cómoseleeestatabla?
Lacolumnadelaizquierdaindicaelvalorcuyaprobabilidadacumuladaqueremosconocer. La primera fila nos indica el segundo decimal del valor que estamosconsultando.
Ejemplo3.2.Queremos conocer la probabilidad acumulada en el valor 2,75. Entoncesbuscamosenlacolumnadelaizquierdaelvalor2,7yenlaprimerafilaelvalor
0,05.Lacasillaenlaqueseinterceptanessuprobabilidadacumulada(0,99702,esdecir99.7%).
Atención:latablanosdalaprobabilidadacumulada,esdecir,laquevadesdeelinicio de la curva por la izquierda hasta dicho valor. No nos da la probabilidadconcreta enesepunto.En una distribucióncontinuaen elque lavariable puede
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 105/112
105
tomar infinitos valores, la probabilidad en un punto concreto es prácticamentedespreciable.
Ejemplo3.3.Imaginemos que una variable continua puede tomar valores entre 0 y 5. Laprobabilidaddequetomeexactamenteelvalor2esdespreciable,yaquepodríatomarinfinitosvalores:porejemplo:1,99,1,994,1,9967,1,9998,1999791,etc.Veamosotrosejemplos:a.-Probabilidadacumuladaenelvalor0,67:larespuestaes0,7486
b.-Probabilidadacumuladaenelvalor1,35:larespuestaes0,9115
c,-Probabilidadacumuladaenelvalor2,19:larespuestaes0,98574
Veamosahora,comopodemosutilizarestatablaconunadistribuciónnormal:
Ejemplo3.4.El salario medio de los empleados de una empresa se distribuye según unadistribuciónnormal,conmedia$500.000.ydesviacióntípica$100.000Calcularelporcentajedeempleadosconunsueldoinferiora$700.000
Solución:
Loprimeroqueharemosestransformaresadistribuciónenunanormaltipificada,paraellosecreaunanuevavariable(Z)queseráigualalaanterior(X)menossumediaydivididaporladesviacióntípica
000.100
000.500000.700 −= Z
Estanuevavariablesedistribuyecomounanormaltipificada.LavariableZque
correspondeaunavariableXdevalor700.000es:2= Z
Ya podemos consultar en la tabla la probabilidad acumulada para el valor 2(equivalentealaprobabilidaddesueldosinferioresa$700.000.).Estaprobabilidades0,97725
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 106/112
106
Porlotanto,elporcentajedeempleadosconsalariosinferioresa$700.000esdel97,725%.
EJEMPLO3.5.
Larentamediadeloshabitantesdeunpaísesde4millonesdepesos/año,conunavarianzade1,5.Sesuponequesedistribuyesegúnunadistribuciónnormal.CalcularelPorcentajedelapoblaciónconunarentainferiora3millonesdepesos.
Solución:
Loprimeroquetenemosquehacerescalcularlanormaltipificada:
5.1
43−= Z
Recordemos que el denominador es la desviación típica ( raíz cuadrada de lavarianza)
ElvalordeZequivalentea3millonesdepesoses-0,816.
P(X<3)=P(Z<-0,816)
Ahora tenemos que ver cuál es la probabilidad acumulada hasta esevalor.Tenemos un problema: la tabla de probabilidades sólo abarca valorespositivos, no obstante, este problema tiene fácil solución, ya que la distribuciónnormalessimétricarespectoalvalormedio.
Porlotanto:
P(Z<-0,816)=P(Z>0,816)
Por otraparte, la probabilidad quehay a partirdeun valor es igual a 1 (100%)menoslaprobabilidadacumuladahastadichovalor:
P(Z>0,816)=1-P(Z<0,816)=1-0,7925=0,2075
Luego,el20,75%delapoblacióntieneunarentainferiora3millonespesos.
EJEMPLO3.6
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 107/112
107
Lavidamediade loshabitantesdeunpaísesde68años,conunavarianzade25.Sehaceunestudioenunapequeñaciudadde10.000habitantes:a)¿Cuántaspersonassuperaránprevisiblementelos75años?b)¿Cuántosviviránmenosde60años?
Solución:a)¿Cuántas personas superarán previsiblemente los 75 años? Calculamos elvalordelanormaltipificadaequivalentea75años
P(X>75)=P(Z>1,4)=1-P(Z<1,4)=1-0,9192=0,0808
Luego,el8,08%delapoblación(808habitantes)viviránmásde75años.
b)Personasquevivirán(previsiblemente)menosde60años.Calculamoselvalordelanormaltipificadaequivalentea60años
P(X<60)=P(Z<-1,6)=P(Z>1,6)=1-P(Z<1,6)=0,0548
Luego, el 5,48% de la población (548 habitantes) no llegarán probablemente aestaedad.
EJEMPLO3.7
La vida media de una lámpara, según el fabricante, es de 68 meses, con unadesviacióntípicade5.SesuponequesedistribuyesegúnunadistribuciónnormalEnunlotede10.000lámparas.a)¿Cuántaslámparassuperaránprevisiblemente
los75meses?.b)¿Cuántoslámparasseestropearánantesde60meses?
Solución:
Z=(75-68)/5=1,4
P(X>75)=P(Z>1,4)=1-P(Z≤1,4)=1-0,9192=0,0808
Luego,el8,08%delaslámparas(808lámparas)superaránlos75meses
b)Z=(60-68)/5=-1,6
P(X≤60)=P(Z≤-1,6)=P(Z>1,6)=1-P(Z≤1,6)=0,0548
Luego,el5,48%dellote(548lámparas)nollegaránprobablementeadurar60meses
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 108/112
108
Ejemplo3.8
Elconsumomediobimestraldeenergíaeléctricaenunaciudadesde59Kwh.,con una desviación típica de 6 Kwh. Se supone que se distribuye según una
distribuciónnormal.a)¿CuántosKwh.tendríaqueconsumirbimestralmenteparapertenecer al 5% de la población que más consume?. b) Si ustedconsume 45Kwh.¿qué%delapoblaciónconsumemenosqueusted?
Solución:
a) Buscamos en la tabla el valor de la variable tipificada cuya probabilidadacumulada esel 0,95 (95%), por lo que por arribaestaría el 5% restante. EstevalorcorrespondeaZ=1,645.AhoracalculamoslavariablenormalXequivalenteaesevalordelanormaltipificada:
1,645=(X-59)/6X=67,87
Porlotanto,tendríaustedqueconsumirmásde67,87Kwh.bimestralmenteparaperteneceral5%delapoblaciónquemásconsume
b)Vamosaverenqueniveldelapoblaciónsesituaríaustedenfuncióndelos45Kwh.consumidos.
Calculamoselvalordelanormaltipificadacorrespondientea45Kwh.
Z=(45-59)/9=-2.333
P(X≤45)=P(Z≤-2,333)=P(Z>2,333)=1-P(Z≤2,333)=1-0,9901=0,0099
Luego,tansóloun1,39%delapoblaciónconsumemenosqueusted
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 109/112
109
EJERCICIOSCAPITULO3
1.-Unamaquinaautomáticaconfuncionamientoelectrónicohacepernosde3/8depulgadaloscualesdebentenerunalongitudde3pulgadas.Sienrealidadlas
longitudesdelospernosde3/8sedistribuyenuniformeenelintervalo(2,5:3,5)pulgadas¿Cuáleslaprobabilidaddequeunodelospernoselegidoalazar,deunlotedeterminadotengaunalongitudde:a.-esteentre2.75y3.25pulgadasb.-seamayorde3.25pulgadasc.-seaexactamenteiguala3pulgadas2.-Unaempresadeproductosdehulefabricapelotasesféricasdehulebaratas,cuyosdiámetrososcilanentre4 y8 cm.Supongaqueeldiámetrodeunapelotaelegidaalazaresunavariablealeatoriaquesedistribuyedemodouniformeentredichosvalores.¿Cuáleselvaloresperadodelvolumendeunapelota?
3.-Elpesodeunbebereciénnacidoenunpaísesunavariablealeatoriacontinuaquesigueunadistribuciónnormal,conmedia3.2kgydesviacióntípicade0.4kg.Determineelporcentajedebebesreciénnacidosquepesan3.5kgomas.4.- Un número considerable de muestras aleatorias de leche parcialmentedescremadafueron
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 110/112
110
BIBLIOGRAFÍA
CANAVOSC.,George(1986).ProbabilidadyEstadística.México:McGrawHil.CASTILLOGARZÓN,Patricia(1998).MétodoscuantitativosIenadministración.SantafédeBogotá:UNAD.CHRISTENSEN, Howard B. (1999). Estadística Paso a Paso. México: EditorialTrillas.HERNÁNDEZ MAHECHA, Carlo Marcelo (2000). Introducción a laProbabilidad.
GuíadeEstudio.SantafedeBogotá:UNAD.KENNEDY, John B. & NEVILLE, Adam M. (1982). Estadística para ciencias eingeniería.México:HarlaS.A.LIPSCHUTZ,Seymour.Teoríayproblemasdeprobabilidad. SeriedecompendiosSchaum.México:McGrawHill.LOPES, Paulo Afonso (2000).Probabilidad& Estadística: Conceptos,Modelos,AplicacionesenExcel.SantafedeBogotá:PrenticeHall,PearsonEducación.
MARTÍNEZBENCARDINO,Ciro(2004).EstadísticaBásicaAplicada.SantafedeBogotá:ECOEEdiciones.MARTÍNEZ BENCARDINO, Ciro (2003). Estadística y Muestreo. Santa fe deBogotá:ECOEEdiciones.MARTÍNEZ BENCARDINO, Ciro (1992). Estadística. Apuntes y 614 problemasresueltos.SantafedeBogotá:ECOEEdiciones.MENDENHALL (1982). Introducción a la Probabilidad y la Estadística . EEUU:Iberoamericana
MILTON,J.Susan(1999).Estadísticaparabiologíaycienciasdelasalud.Madrid:McGrawHill—Interamericana.MONTGOMERY, Douglas C. & RUNGER, George C. (1997). Probabilidad yEstadísticaaplicadasalaIngeniería.México:McGrawHill.
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 111/112
111
ORTEGA, Joaquín y WSCHEBOR,Mario(1994). Introduccióna laProbabilidad.SantafedeBogotá:UNISUR.PUENTES MEJÍA, Carlos Eduardo (1995). Elementos de Probabilidad y de
MétodosEstadísticos.SantafédeBogotá:UNISUR.SPIEGEL,MurrayR.(1991).Estadística.SeriedecompendiosSchaum .México:McGrawHill.TRIOLA, Mario F. (2004). Probabilidad y estadística. Novena edición. México:Pearson&AddisonWesley.VELASCO SOTOMAYOR, Gabriel & PIOTR WISNIEWSKI, Marian (2001).Probabilidadyestadísticaparaingenieríayciencias.México:ThomsonLearning.
VELASCO SOTOMAYOR, Gabriel & PIOTR WISNIEWSKI, Marian (2001).ProblemariodeProbabilidad.México:ThomsonLearning.CIBERGRAFÍAhttp://thales.cica.es/rd/Recursos/rd98/Matematicas/28/matematicas-28.htmlhttp://server2.southlink.com.ar/vap/PROBABILIDAD.htmhttp://es.wikipedia.org/wiki/Probabilidad
http://descartes.cnice.mecd.es/3_eso/Azar_y_probabilidad/http://www.terra.es/personal2/jpb00000/pprobjunio99.htmhttp://www.terra.es/personal2/jpb00000/pprobjunio00.htmhttp://www.fvet.edu.uy/estadis/probabilidad.htmhttp://thales.cica.es/rd/Recursos/rd98/Matematicas/28/matematicas-28.htmlhttp://www.aulafacil.com/CursoEstadistica/CursoEstadistica.htm
http://www.uantof.cl/facultades/csbasicas/Matematicas/academicos/emartinez/Estadistica/index.htmlhttp://www.cortland.edu/flteach/stats/links.htmlhttp://www.d16acbl.org/U173/Brmx_prob1.html#_1
5/10/2018 modulo_estadistica_compleja - slidepdf.com
http://slidepdf.com/reader/full/moduloestadisticacompleja 112/112
112
http://espanol.geocities.com/eprobabilidades/index.htmhttp://www.monografias.com/trabajos11/tebas/tebas.shtml#intro