Analisis Matematico 3

Anlisis Matemtico III
Integrales Curvilineas
Conduccin:
uen
ANALISIS MATEMATICO III
Ano 2013
PROBABILIDAD Y ESTADISTICA
Apunte elaborado por:

Ing. Hugo Guillermo Castro
Ing. Luis Eduardo Kosteski
Prof. Antonio Mahave
Captulo 1
Estadstica
1.1. Fenomenos aleatorios.

La ingeniera, como muchas otras ciencias, se basa en la observacion de fenomenos al que luego se le
atribuyen modelos matematicos y fsicos, permitiendo su posterior estudio de manera bastante precisa. Necesa-
riamente, estos modelos deben simplificar las cosas y permitir la omision de ciertos detalles, y su exito depende
de si los detalles que se omitieron tienen o no importancia en el desarrollo de los fenomenos estudiados. Pa-
ra verificar la validez de un modelo, se deben deducir un cierto numero de consecuencias del mismo y luego
compararlas con las observaciones.
Por ejemplo, la ecuacion diferencial homogenea de segundo orden:
d2 y dy
m + c + ky = 0
dt2 dt
permite modelar el movimiento de un sistema de un grado de libertad en vibracion libre. Una vez determinados
los parametros m, c y k (los cuales representan la masa, el amortiguamiento y la rigidez del sistema, respec-
tivamente) el desplazamiento y queda perfectamente determinado para cada instante de tiempo t considerado.
Este modelo se denomina determinista o determinstico y los fenomenos factibles de ser interpretados por
esta clase de modelos se denominan determinsticos. En un modelo determinista se supone que el resultado
real esta definido por las condiciones en las cuales se efectua la observacion del fenomeno o el experimento. El
numero de repeticiones de un fenomeno determinista, bajo las mismas condiciones, produce siempre el mismo
resultado, dentro de los lmites de precision con los cuales se trabaja.
Hay muchos ejemplos de fenomenos en la naturaleza para los cuales los modelos deterministas son apro-
piados. Por ejemplo, la ley gravitacional describe con precision lo que sucede a un cuerpo que cae debido a
la atraccion terrestre. Las leyes de Newton sientan las bases para el modelado determinstico de innumerables
fenomenos.
En muchos casos el modelo matematico determinista es suficiente, sin embargo, hay tambien muchos
fenomenos que necesitan de un modelo matematico distinto para su investigacion. Estos modelos son deno-
minados probabilsticos (tambien se los suelen denominar estocasticos) y los fenomenos estudiados de esta
manera se conocen como aleatorios.
Como ejemplo podemos imaginar que es necesario determinar cuanta lluvia caera debido a una tormenta
que pasara por una zona especfica. Estan disponibles los instrumentos para registrar la cantidad de lluvia
que caera. Las observaciones meteorologicas pueden otorgar informacion considerable sobre la tormenta que
se aproxima: la presion barometrica en diversos puntos, la velocidad del viento, el origen y direccion de la
tormenta. Pero incluso con esta cantidad de datos, sencillamente no es posible determinar con exactitud cuanta
lluvia caera. Se esta considerando un fenomeno que por s mismo no se presta a un tratamiento determinista.
En este caso, un modelo probabilstico describe la situacion con mayor exactitud.
1
Analisis Matematico III Facultad de Ingeniera - UNNE
Otros ejemplos de fenomenos aleatorios son:
el lanzamiento de un dado,
la cantidad de vehculos en un semaforo en un determinado horario,
las consecuencias de la administracion de una medicacion,
la medicion de la resistencia a la rotura por traccion de una barra de acero,
la medicion de la resistencia a la rotura por compresion de una probeta de hormigon,
la carga maxima de viento en un determinado periodo de tiempo.
Que tienen en comun estos fenomenos? Los siguientes aspectos son importantes para una descripcion
adecuada de un fenomeno aleatorio:
a) Es posible repetir cada observacion o experimento en forma indefinida sin cambiar esencialmente las
condiciones.
b) Aun cuando no es posible indicar cual sera un resultado en particular, en muchos casos es posible des-
cribir el conjunto de todos los resultados posibles del experimento o fenomeno.
c) A medida que el experimento se repite, los resultados individuales parecen ocurrir de forma caprichosa.
Sin embargo, cuando el experimento se repite un gran numero de veces, aparece un patron definido o
regularidad.
Esta ultima caracterstica, la regularidad, es la que hace posible la construccion de un modelo matematico
preciso con el cual es posible analizar el fenomeno. Por ejemplo, aunque las caras y cruces en sucesivas tira-
das de una moneda apareceran de manera arbitraria, es bien conocido el hecho emprico de que, luego de un
gran numero de lanzamientos, la proporcion de caras y cruces sera aproximadamente igual (y en el infinito,
exactamente igual).
En la estadstica aplicada a la ingeniera se tiene interes en los metodos para disenar y evaluar experimentos
con el fin de obtener informacion sobre los fenomenos aleatorios, como tambien la posibilidad de extraer
conclusiones acerca de un conjunto con un numero muy grande de elementos sin necesidad de estudiar todos y
cada uno de ellos.
1.2. Poblacion y muestreo

Al recoger los datos relativos a las caractersticas de un grupo de individuos u objetos, sea resistencia a la
traccion de un determinado tipo de acero o cantidad de tuercas defectuosas producidas por una fabrica, suele
ser imposible o nada practico observar todo el grupo, en especial si es muy grande. En lugar de examinar el
grupo entero, llamado poblacion o universo, se examina una pequena parte del grupo, llamada muestra. La
poblacion o universo define al conjunto de elementos o individuos que poseen una caracterstica o propiedad
comun, y que constituyen la totalidad de los individuos de interes para nuestro estudio.
En cambio, una muestra es cualquier subconjunto de la poblacion sobre el que se realizan los estudios para
obtener conclusiones acerca de las caractersticas de la poblacion. Una poblacion puede ser finita o infinita.
Por ejemplo, la poblacion consistente en todas las tuercas producidas por una fabrica un cierto da es finita,
mientras que la determinada por todos los posibles resultados (combinaciones de caras y cruces) de sucesivas
(infinitas) tiradas de una moneda es infinita.
2
Manejo de datos.
Los fenomenos aleatorios son caracterizados por observaciones experimentales que son siempre diferentes
(incluso si se llevan a cabo bajo aparentes identicas condiciones). En otras palabras, se tiene usualmente un
rango de medidas o valores observados distribuidos en forma aleatoria y dentro de ese rango ciertos valores
pueden ocurrir con mas frecuencia que otros.
(a) En numero de observaciones (b) En fraccion del total de observaciones
Figura 1.1: Histograma de intensidad de precipitaciones.
Figura 1.2: Histograma del modulo de elasticidad de la madera.
Las caractersticas de los datos experimentales pueden ser descriptas graficamente mediante histogramas o
diagramas de frecuencia, los cuales son graficas de barras como las que se pueden observar en las figuras (1.1)
y (1.2). Estas graficas permiten presentar informacion sobre la distribucion de las observaciones realizadas
sobre el fenomeno estudiado.
Cuadro de distribucion de frecuencias e histograma.

El histograma es un grafico que describe la distribucion de los datos experimentales u observaciones re-
cogidas. Si contamos con un grupo especfico de N datos experimentales, es posible construir un histograma
3
como se indica a continuacion:
Ordenamos el conjunto de datos en forma creciente o decreciente y a la diferencia entre el mayor y el

menor de los valores se la denomina rango:
R = xM xm
donde xM y xm son el valor maximo y el valor mnimo del conjunto, respectivamente.
A continuacion se debe decidir cuantos intervalos de clase (NI) utilizar y elegir los lmites de cada
intervalo, es decir, desde y hasta donde abarcara cada uno. En general el numero de clases que usemos
dependera del numero de observaciones, pero tiene muy poca utilidad utilizar menos de 5 o mas de 15,
dependiendo asimismo del rango de los datos.
Una formula frecuentemente utilizada para la determinacion del numero de intervalos es la Formula de
Sturges,
N I = 1 + 3,3 log N
Sin embargo, esta ecuacion solo aporta una recomendacion sobre que cantidad de intervalos utilizar y no
es una ley.
As, ordenadas las observaciones, podemos determinar las frecuencias de clase, tambien denominadas
frecuencias absolutas, las cuales son el numero de veces que los elementos pertenecientes a esa clase se
repiten o aparecen en la muestra (ni ).
Con estos pocos pasos ya se esta en condiciones de poder construir un histograma. Como se puede observar
en la fig. (1.3), en un histograma se representa la tendencia central, la dispersion y la forma general de la
distribucion de los datos.
Figura 1.3: Histograma y polgono de frecuencias.
A continuacion, veremos un ejemplo para clarificar los conceptos vistos hasta el momento.
Ejemplo 1: Para ejemplificar la construccion de un histograma de una variable continua, consideremos

las siguientes 80 mediciones de la emision diaria (en toneladas) de oxido de azufre de una planta industrial:
4
Tabla 1.1:
15,8 26,4 17,3 11,2 23,9 24,8 18,7 13,9 9,0 13,2
22,7 9,8 6,2 14,7 17,5 26,1 12,8 28,6 17,6 23,7
26,8 22,7 18,0 20,5 11,0 20,9 15,5 19,4 16,7 10,7
19,1 15,2 22,9 26,6 20,4 21,4 19,2 21,6 16,9 19,0
18,5 23,0 24,6 21,1 16,2 18,0 7,7 13,5 23,5 14,5
14,4 29,6 19,4 17,0 20,8 24,3 22,5 24,6 18,4 18,1
8,3 21,9 12,3 22,3 13,3 11,8 19,3 20,0 25,7 31,8
25,9 10,5 15,9 27,5 18,1 17,9 9,4 21,4 20,1 28,5
En vista de que la observacion mas grande es 31,8 y la mas pequena 6,2; luego el rango es 25,6. Podramos
elegir 6 intevalos de clase que tuvieran los lmites 5, 09, 9; 10, 014, 9; . . .; 30, 034, 9. Podramos tambien
elegir 7 intervalos de clase de 5, 0 8, 9; 9, 0 12, 9; . . .; 29, 0 32, 9; o 9 intervalos de clase de 5, 0 7, 9;
8, 0 10, 9; . . .; 29, 0 31, 9. Notese que en cada caso las clases no se traslapan, incluyen todos los datos y
tienen la misma amplitud.
Supongamos que hemos optado por la segunda de estas clasificaciones, ordenamos las 80 observaciones de
menor a mayor o viceversa y obtenemos los resultados que se muestran en la tabla (1.2):
Tabla 1.2: Ordenamiento de los datos

Lmites de Conteos Frecuencia
clase absoluta (ni)
[5, 0; 9, 0) ||| 3
[9, 0; 13, 0) ||||| ||||| 10
[13, 0; 17, 0) ||||| ||||| |||| 14
[17, 0; 21, 0) ||||| ||||| ||||| ||||| |||| 24
[21, 0; 25, 0) ||||| ||||| ||||| ||| 18
[25, 0; 29, 0) ||||| |||| 9
[29, 0; 33, 0) || 2
Total: N = 80
Para conformar la tabla anterior se recorren los valores ordenados y se hace un pequeno trazo por cada
numero que se encuentre. De esta manera se obtiene un diagrama de conteo de la muestra, como se muestra
en la tabla anterior. Luego se lista el numero de marcas, indicando con que frecuencia se encuentra una medicion
dentro de cada intervalo de clase y recibe el nombre de frecuencia absoluta o frecuencia de clase (ni ).
En la primer columna de la tabla (1.2) se puede notar la convencion para determinar la amplitud de cada
intervalo de clase. [5,0; 9,0) indica que el extremo de la izquierda es cerrado y el derecho es abierto, por
lo cual tendra como verdadero lmite inferior1 (V LI) al valor 5,0 pero como verdadero lmite superior al
valor correspondiente al lmite inferior siguiente, que en este caso es 9,0, de tal manera de que no hayan
superposiciones entre los intervalos de clase. De esta forma tambien se puede ver que la amplitud del intervalo
de clase (c) sera c = 9,0 5,0 = 4, o de manera general:
ci = V LIi+1 V LIi
1
se denomina verdadero lmite inferior para distinguirlo del lmite inferior, el cual es el menor valor contenido en el intervalo de
clase. Esto tambien se aplica al caso del lmite superior.
5
Si la distribucion de frecuencias tuviera todos sus intervalos con igual amplitud se denomina equiespaciada.
En ese caso, existe una relacion entre el numero de intervalos (NI), el rango (R) y la amplitud (c):
R R
NI = c= (1.1)
c NI
Con lo cual si se fija la amplitud de los intervalos, para R conocido, es posible obtener el numero de inter-
valos (NI) mediante la ecuacion (1.1) y viceversa. Una vez que los datos han sido agrupados, cada observacion
pierde su identidad, en el sentido de que su valor exacto ya no se conoce. Esto puede originar dificultades cuan-
do queremos dar algunas descripciones posteriores de los datos, pero podemos evitarlas representando cada
observacion en una clase por su punto medio, denominado marca de clase (xm i ):
V LIi + V LIi+1
xm
i =
2
Si la distribucion de frecuencias resultara equiespaciada, es posible obtener las marcas de clase partiendo
del primer punto medio y adicionando sucesivamente la amplitud c. El histograma de una distribucion de
frecuencias se construye con rectangulos adyacentes, las alturas de los rectangulos representan las frecuencias
de clase y sus bases se extienden entre fronteras de clases sucesivas con centro en sus respectivas marcas de
clase. Por lo tanto, el area asociada a cada rectangulo sera proporcional a la frecuencia de clase.
El histograma de los datos de la emision de oxido de azufre se representa en la figura (1.4):
Figura 1.4: Histograma y polgono de frecuencia.
Otra forma de presentar las distribuciones de frecuencia en forma grafica es el polgono de frecuencias.
En el las frecuencias de clases son graficadas sobre las marcas de clase, y los puntos sucesivos se unen por
medio de lneas rectas despues de haber agregado clases con frecuencia cero a una distancia igual a la mitad
del tamano del intervalo de clase con respecto a los puntos lmites inferior y superior del primer y ultimo
intervalo de clase de la distribucion, respectivamente. El polgono de frecuencias permite mostrar como sera,
de una manera sumamente esquematica, la verdadera distribucion teorica de la variable bajo estudio. Se puede
observar el polgono de frecuencias superpuesto al histograma en la figura (1.4), correspondiente al ejemplo de
la emision de azufre.
De la misma forma se pueden graficar el histograma de frecuencias relativas y el polgono de frecuencias
relativas colocando en ordenadas el cociente entre la frecuencia de cada intervalo y el total de observaciones
realizadas.
6
Seguimos trabajando con la tabla (1.2), adicionando ahora las frecuencias relativas (fi = ni /N ) y las
Pk
frecuencias relativas acumuladas (Fk = fi ) para el ejemplo 1:
i=1
Ic ni fi Fk
[5, 0; 9, 0) 3 3/80 = 0, 0375 0, 0375
[9, 0; 13, 0) 10 10/80 = 0, 125 0, 1625
[13, 0; 17, 0) 14 14/10 = 0, 175 0, 3375
[17, 0; 21, 0) 24 24/80 = 0, 300 0, 6375
[21, 0; 25, 0) 18 18/80 = 0, 225 0, 8625
[25, 0; 29, 0) 9 9/80 = 0, 1125 0, 9750
[29, 0; 33, 0) 2 2/80 = 0, 025 1, 0000
N = 80
Resultando el histograma de frecuencias relativas y el correspondiente polgono de frecuencias relativas

como se puede observar en la siguiente figura:
Figura 1.5: Histograma y polgono de frecuencias relativas.
Como es posible observar, la distribucion de frecuencias relativas se puede obtener del histograma o del
polgono de frecuencias sin mas que cambiar la escala de ordenadas, pasando de frecuencias de clase a frecuen-
cias relativas, manteniendo exactamente el mismo grafico.
Ahora bien, hasta aqu no se ha discutido la naturaleza de las variables con las cuales vamos a trabajar. Los
valores de los datos obtenidos de un determinado experimento o de la medicion efectuada sobre algun fenomeno
pueden pertencer al conjunto de numeros reales o al de los numeros enteros. Si pertenecen al conjunto de los
numeros reales, se dice que las variables o los datos son continuos. De lo contrario, se dicen que son discretos.
Esta diferencia es importante al tratar de describir la distribucion de los valores tanto mediante un histogra-
ma como en una distribucion de probabilidad, tal como se vera mas adelante. Los datos obtenidos del ejemplo 1
claramente evidencian su pertenencia al conjunto de numeros reales y por lo tanto son continuos. En el caso de
un experimento en el que se arroja sucesivamente un dado, los posibles resultados del mismo son los numeros
del 1 al 6 pertenecientes al conjunto de los numeros enteros. Estos datos son discretos, y si se supone que se
arroja 50 veces el dado, el histograma de frecuencias podra resultar de la siguiente manera:
7
Figura 1.6: Histograma del experimento arrojar 50 veces un dado.
Esta forma de representacion es util solamente cuando se cuentan con relativamente pocos valores asignados
a la variable en estudio (numero de las caras de un dado, cara o cruz en una moneda). Cuando la cantidad de
valores distintos de datos discretos es considerable, la forma de graficar el histograma es analoga al caso de
variables continuas.
Graficos de frecuencias acumuladas

Los graficos de frecuencias acumuladas son similares a los polgonos de frecuencia, excepto en que
graficamos las frecuencias acumuladas sobre las fronteras de clase en lugar de graficar las frecuencias ordinarias
sobre las marcas de clase. Los puntos as determinados se unen otra vez mediante segmentos rectilneos. El
grafico de frecuencias acumuladas (tambien conocido como ojiva creciente o menor que) es utilizado para
representar la frecuencia de los valores menores al verdadero lmite superior de un determinado intervalo de
clase.
Volviendo al ejemplo 1, la frecuencia acumulada hasta (e incluyendo) el intervalo de clase [13, 0; 17, 0) se
calcula haciendo: 3 + 10 + 14 = 27, lo cual significa que 27 mediciones realizadas de la emision de oxido de
azufre resultaron con valores menores a 17 toneladas. En la figura (1.7) se puede ver el grafico de frecuencias
acumuladas menor que de los datos del ejemplo 1.
Ahora bien, si en lugar de trabajar con las frecuencias absolutas, dividimos estas por el valor total N de
observaciones, obtenemos la grafica de frecuencias relativas acumuladas, figura (1.8). Al igual que en el
caso de los histogramas, los graficos de frecuencia acumulada absoluta y relativa solo difieren en la escala de
ordenadas con la cual se trabaja, como se puede observar al comparar las figuras (1.7) y (1.8).
8
Figura 1.7: Distribucion de frecuencias acumuladas.
Mediante los valores de frecuencia relativa acumulada es posible obtener rapidamente por ejemplo que por-
centaje de las mediciones presentan valores menores a 17 toneladas (el resultado es 33, 75 %):
Figura 1.8: Distribucion de frecuencias relativas acumuladas.
En el caso de variables discretas, si consideramos nuevamente el ejemplo del dado, tambien es posible
obtener tanto el diagrama de frecuencias acumuladas como la distribucion de frecuencias relativas acumuladas,
figura (1.9).
9
Figura 1.9: Distribucion (discreta) de frecuencias absolutas y relativas acumuladas.
En resumen, una forma de ordenar los calculos necesarios para construir el cuadro de distribucion de fre-
cuencia y posteriormente graficar los histogramas como as tambien las distribuciones de frecuencia es:
Intervalos Marca Frecuencia Frec. abs. Frecuencia Frec. rel.

de clase de clase absoluta acumulada relativa acumulada
xmi ni Ni fi Fi
(a0 + a1 ) n1
[a0 , a1 ) xm
1 = n1 n1 f1 = F1 = f1
2 N
(a1 + a2 ) n2
[a1 , a2 ) xm
2 = n2 n1 + n2 f2 = F2 = f1 + f2
2 N
... ... ... ... ...
(ai1 + ai ) i
P ni Pi
[ai1 , ai ) xm
i = ni nj fi = Fi = fj
2 j=1 N j=1
... ... ... ... ...
(a k k
k1 + ak ) P nk P
[ak1 , ak ) xm
k = nk N= nj fk = Fk = fj = 1
2 j=1 N j=1
P P
=N =1
A modo de verificacion, es posible observar que la suma de todas las frecuencias relativas en un cuadro de
distribucion de frecuencias es igual a 1, es decir:
k
X
fj = f1 + f2 + . . . + fn = 1
j=1
donde k es el numero de marcas de clase (igual a NI).
10
1.3. Medidas descriptivas

1.3.1. Medidas de posicion
Media
La media, x, es una medida de la tendencia central de los datos. Dado un conjunto de N mediciones u
observaciones: x1 , x2 , . . . , xN existen varias formas de describir su centro. Entre las mas comunes se cuentan
la media aritmetica y la mediana. La media aritmetica, o simplemente media, se define de la siguiente manera:
N
1 X 1
x= xi = (x1 + x2 + . . . + xN ) (1.2)
N N
i=1
es decir, es la suma de todos los valores de la muestra, dividida por el tamano N de la muestra. Para
resaltar que esta basada en un conjunto de observaciones, a menudo se hace referencia a x como la media de
la muestra.
Si ahora tenemos un conjunto de N observaciones de las cuales k son distintas y cada xi tiene una frecuencia
de aparicion ni , la media sera:
k
P k
P
xi ni xi ni
x1 n1 + x2 n2 + . . . + xk nk
xp = = i=1k = i=1
(1.3)
N P N
ni
i=1
que se denomina promedio ponderado o media ponderada. Es posible observar que si ni = 1 entonces
k = N y obtenemos la ecuacion (1.2), definida anteriormente.
Cuando estamos trabajando con los datos de un cuadro de distribucion de frecuencias como el confeccio-
nado en la seccion anterior, los valores de las observaciones que se encuentran dentro de un intervalo de clase
pueden considerarse coincidentes con el valor de la marca de clase del intervalo (xm i ). En ese caso, la ecua-
cion (1.3) permite calcular rapidamente el valor de la media aritmetica en forma aproximada, debido a que en
realidad en pocas ocasiones los valores de las observaciones coinciden con las marcas de clase.
Propiedades de la Media
Las propiedades se enumeran a continuacion (sin demostracion):
1) La media aritmetica de un conjunto definido de datos es un valor constante.
2) La sumatoria de los desvos entre los valores de la variable y su media aritmetica es igual a cero.
3) La sumatoria de los desvos al cuadrado entre los valores de la variable y un valor constante y arbitrario
A, es un mnimo si A = x.
4) Si a todos los valores de una variable les sumamos (o restamos) un valor constante y arbitrario A, se
obtiene una nueva variable cuya media aritmetica sera igual al de la variable original sumado o restado
el valor de A.
5) Si a todos los valores de una variable los multiplicamos (o dividimos) por un valor constante y arbitrario
C, se obtiene una nueva variable cuya media aritmetica sera igual al de la variable original multiplicada
(o dividida) por C.
11
6) La media aritmetica de la suma (o diferencia) de dos variables es igual a la suma (o diferencia) de sus
correspondientes medias aritmeticas.
Mediana
La mediana (Me) es una medida descriptiva del centro de un conjunto de datos. Dado un conjunto de
valores, la mediana es un valor tal que el 50 % de los valores son menores o iguales a ella y el 50 % restante
son mayores. Para determinarla, deben ordenarse las observaciones o mediciones del fenomeno estudiado de
acuerdo con su valor (de mayor a menor o viceversa); si N es un numero impar, la mediana es el valor de
la observacion que aparece en la posicion (N + 1)/2 y si es par, la mediana se define como el promedio de
los valores de las observaciones que aparecen en los lugares centrales del arreglo, es decir, los valores que se
encuentran en las posiciones N/2 y N/2 + 1.
Geometricamente, la mediana es el valor de la abscisa correspondiente a la lnea vertical que divide al
histograma en dos partes de areas iguales o bien, si se trabaja con la distribucion de frecuencias acumuladas, el
valor de la abscisa cuya frecuencia relativa acumulada es del 50 %.
Ejemplo 2: En la figura (1.10) se reproduce nuevamente el histograma de frecuencias absolutas del ejemplo
1. La mediana es el valor de la abscisa correspondiente al segmento LM que divide al histograma en dos areas
iguales. Debido a que el area del histograma es proporcional a la frecuencia de los datos, el area a la derecha
y a la izquierda de LM debe ser igual a la mitad de la frecuencia total, es decir, igual a 40. Luego, las areas
AM LD y M BEL deben representar las frecuencias 13 y 11, respectivamente.
Figura 1.10: Determinacion grafica de la mediana.
Entonces: AM = 13 13
24 AB = 24 4 = 2, 17, siendo el valor de la mediana igual a 17 + 2, 17 = 19, 17. Si
nos situamos en el intervalo de clase donde se encuentra el valor de la mediana, se puede notar que V LI = 17,
c = AB y nm = 24, donde nm es la frecuencia absoluta correspondiente al intervalo de clase analizado.
Xa
Ademas N/2 Na = 40 17 = 13, donde Na = ni es la frecuencia acumulada de los intervalos de clase
i=1
inferiores al analizado. De esta manera, en forma general, la ecuacion para encontrar el valor de la mediana es:
N/2 Na
M e = V LI + c
nm
12
Otra forma de calcular la mediana es utilizando el polgono de frecuencias relativas acumuladas. En este
grafico la mediana es la abscisa del punto P , cuya ordenada es el 50 %. Para calcular ese valor podemos hacer
uso de la semejanza entre los triangulos RQP y RST :
Figura 1.11: Determinacion grafica de la mediana.
RQ PQ RQ 50 % 33, 75 %
= = = 0, 54 RQ
= 2, 17
RS TS 4 63, 75 % 33, 75 %
Luego la mediana es: 17 + 2, 17 = 19, 17 toneladas.
Moda
La moda o modo (Mo) de un conjunto de datos es el valor que tenga mayor frecuencia absoluta de ocu-
rrencia es decir, la que mas se repite. Por su propia definicion, la moda puede ser nula o no ser unica, pues
puede haber dos o mas valores de la variable que tengan la misma frecuencia siendo esta maxima. En cuyo caso
tendremos una distribucion bimodal o polimodal segun el caso.
Raz del valor cuadrado medio (rms)

La raz del valor cuadrado medio (tambien conocido como valor rms, por su denominacion en ingles, root
mean square) o media cuadratica de un conjunto de valores x1 , x2 , . . . , xN se define como:
v
uN
uP 2
p u xi
t
rms = x = i=1
2 (1.4)
N
Este tipo de valor medio es muy utilizado ya que cuando x = 0, el valor rms coincide con una medida de
dispersion denominada desvo estandar, la cual se discutira con mayor detalle en secciones posteriores.
13
Cuartiles, Deciles y Percentiles

Hemos visto que si un conjunto de datos es organizado por orden de magnitud, el valor central, el cual divide
al conjunto en dos partes iguales, se denomina mediana. Haciendo una extension de esta idea, podemos definir
a aquellos valores que dividen al conjunto en cuatro partes iguales. Estos valores, indicados como Q1 , Q2 y Q3 ,
se denominan primero, segundo y tercer cuartil, respectivamente, siendo Q2 igual a la mediana.
De igual manera, aquellos valores que dividen los datos en diez partes iguales son denominados deciles
y se indican como D1 , D2 , . . . , D9 , mientras que los valores que dividen a los datos en cien partes iguales se
denominan percentiles y se indican como P1 , P2 , . . . , P99 .
El quinto decil y el 50-esimo percentil se corresponden con la mediana. El 25-esimo y 75-esimo percentil
se corresponden con el primer y tercer cuartil, respectivamente. Los cuartiles, deciles, percentiles y todo otro
valor que se obtenga de dividir al conjunto de datos en partes iguales son denominados cuantiles.
1.3.2. Medidas de dispersion

Desvo Estandar y Varianza
El grado al cual los datos u observaciones realizadas sobre un determinado fenomeno aleatorio tienden a
esparcirse con respecto a un valor constante se denomina variacion o dispersion de los datos. Generalmente
este valor constante tomado de referencia es alguna medida de posicion, y en particular la mas utilizada es la
media aritmetica.
La importancia de considerar la dispersion como una forma de describir un conjunto de valores aleatorios
yace en que una de las caractersticas mas importantes de casi cualquier conjunto de datos es que los valores
no son todos iguales. Observamos que la dispersion de un conjunto de datos es pequena si los valores estan
acotados muy cerca alrededor de su media y que es grande si los valores estan dispersos ampliamente alrededor
de su media. En este sentido, se puede ver claramente que el rango (R), presentado anteriormente, es una medida
de dispersion.
En un conjunto de numeros x1 , x2 , . . . , xn de valor medio x, las diferencias x1 x, x2 x, . . . , xn x
se denominan desviaciones o desvos de los datos con respecto a la media. Como la suma de las desviaciones
de la media es cero, un camino alternativo es trabajar con los cuadrados de las desviaciones con respecto al
promedio, que es la variancia o varianza:
N
1 X 1 h i
Sx2 = (xi x)2 = (x1 x)2 + (x2 x)2 + + (xN x)2 (1.5)
N 1 N 1
i=1
Otra formula muy utilizada de la variancia es:

N
1 X
Sx2 = (xi x)2 (1.6)
N
i=1
donde se utiliza en el denominador a N en lugar de N 1. La ecuacion (1.5) representa una mejor estimacion
de la variancia de la poblacion de la cual es extrada la muestra xi , debido a que es un estimador insesgado.
Para grandes valores de N (N > 30) practicamente no se aprecia diferencia entre las dos definiciones. Por lo
tanto, para grandes conjuntos de datos las dos definiciones son igualmente validas.
Para distinguir claramente entre la variancia de una poblacion y la variancia de una muestra de esa pobla-
cion, se indica con 2 a la variancia de la poblacion y con Sx2 a la variancia de la muestra.
Tambien es posible definir una variancia ponderada:
14
k
1 X
Sp2 = (xi xp )2 ni (1.7)
N 1
i=1
Al elevar al cuadrado el desvo de los valores con respecto a la media, el valor que se obtiene al calcular
la variancia es grande con respecto a los valores de los desvos. Entonces es necesario definir la desviacion
estandar o desvo estandar de N observaciones, como la raz cuadrada de la variancia del conjunto de datos:
v
u N
u 1 X
Sx = t (xi x)2 (1.8)
N 1
i=1
La desviacion estandar es la estadstica que generalmente se utiliza para medir la variacion. Su ventaja sobre
la variancia esta en que su unidad es la misma que las unidades de las observaciones (y por lo tanto tambien de
la media aritmetica).
Si se parte de la ecuacion (1.6), es posible obtener la formula de trabajo de la variancia, la cual en algunos
casos resulta mas conveniente de operar:
N
P
x2i
i=1
Sx2 = x2
N
Para la forma ponderada se obtiene:
k
P k
P
x2i ni x2i ni
2 i=1 i=1
Sp(x) = x2p = x2p
k
P N
ni
i=1
Propiedades de la variancia
Las propiedades se enumeran a continuacion (sin demostracion):
1) La variancia de un conjunto definido de datos es un valor constante mayor o igual a cero.
2) La variancia de una constante es igual a cero.
3) La variancia es una medida mnima si se la compara con cualquier otra que se calcule tomando como
referencia alguna medida de posicion diferente a la media aritmetica.
4) Si a todos los valores de una variable les sumamos (o restamos) un valor constante y arbitrario A, se
obtiene una nueva variable cuya variancia sera igual a de la variable original.
5) Si a todos los valores de una variable los multiplicamos (o dividimos) por un valor constante y arbitra-
rio C, se obtiene una nueva variable cuya variancia sera igual a de la variable original multiplicada (o
dividida) por C 2 .
6) Variancia de la suma o diferencia de dos variables.
15
a) Sea di = xi + yi , luego
Sd2 = Sx2 + Sy2 + 2 Sxy
N
P
1
donde Sxy = N (xi x)(yi y) se denomina covariancia entre x e y.
i=1
b) Sea di = xi yi , luego
Sd2 = Sx2 + Sy2 2 Sxy
Coeficiente de variacion
La variancia y el desvo estandar son medidas de dispersion que indican de que modo se alejan, en promedio,
los valores de una variable respecto de una medida de posicion convencional, en este caso la media aritmetica.
Sirve para medir el alejamiento promedio de los valores de una variable respecto de su propia medida de
posicion. En este sentido, por lo indicado, resulta ser una medida de dispersion absoluta.
Para comparar la dispersion de diferentes conjuntos de datos la variancia y el desvo estandar no resultan
ser medidas apropiadas, dado que dependen de la escala de medicion. En esos casos es preferible valerse de
una medida de dispersion relativa, como el coeficiente de variacion, el cual da la desviacion estandar como un
porcentaje de la media:
Sx
100
CV [ %] = (1.9)
x
Es posible observar que esta medida de dispersion es invariante ante cambios de escala. Sin embargo, un
problema que presenta esta medida es que cuando x 0 no es recomendable su uso.
Asimetra
Las medidas de asimetra, al igual que la curtosis, son indicadores de la forma de la distribucion de los
datos u observaciones, es frecuente que los valores de una distribucion tiendan a ser similares a ambos lados de
las medidas de centralizacion:
El signo del sesgo esta en correspondencia con el signo del coeficiente de asimetra, As:
x Mo 3(x M e)
As1 = As2 = (1.10)
Sx Sx
Ambos coeficientes propuestos por Karl Pearson (http://es.wikipedia.org/wiki/Karl_Pearson).
Otro tipo de coeficiente de asimetra es el basado en el uso de los cuartiles:
16
(Q3 Q2 ) (Q2 Q1 ) Q3 + Q1 2Q2 Q3 + Q1 2M e

Asq = = = (1.11)
(Q3 Q2 ) + (Q2 Q1 ) Q3 Q1 Q3 Q1
Otro coeficiente es el denominado curtosis, el cual es una medida del apuntamiento, que nos indicara si
la distribucion tiene un grado de concentracion alto de valores en la region central de la distribucion o no:
Como regla general se suele indicar la conveniencia del uso de las medidas de posicion en funcion de la
asimetra de los datos analizados. En funcion de esto se conviene que si 0,20 < As < 0,20 es adecuado
utilizar la madia aritmetica para representar la region central de los datos y en cambio si |As| > 0,20 entonces
es mas preciso utilizar M e o bien M o.
Ejemplo 3: Con los datos del ejemplo 1 nos proponemos calcular la media, mediana, moda, desviacion
estandar y coeficiente de variacion. La media o promedio sera:
15, 8 + 26, 4 + . . . + 28, 5
x= = 18, 9
80
Como N es par, el valor de la mediana se define como el promedio de los valores de las observaciones que
aparecen en los lugares N/2 y (N + 2)/2, una vez ordenada la muestra. Estos valores son 19 y 19, 1, por lo
que la mediana sera 19, 05.
En este caso se tienen seis modas: 18; 18, 1; 19, 4; 21, 4; 22, 7 y 24, 6 (todos se repiten dos veces). La
desviacion estandar se calcula como:
r
(6, 2 18, 9)2 + (7, 2 18, 9)2 + . . . + (31, 8 18, 9)2
s= = 5, 63
79
5,63
y el coeficiente de variacion CV = 18,9 100 = 29, 8 %
1.4. Ejercicios
1) Demostrar que si se define una variable di = C xi , donde C = cte, la media de esta nueva variable es:
d = C x.
2) Probar que si se define una variable di = xi C, donde C = cte, la media de esta nueva variable es:
d = x C.
17
3) Probar que la sumatoria de los desvos de los valores de la variable xi con respecto a x es igual a cero.
N
P
Es decir: (xi x) = 0.
i=1
4) Probar que si definimos una variable di = xi C, donde C = cte, la variancia Sd2 de esta nueva variable
es igual a la variancia Sx2 de xi , es decir: Sd2 = Sx2 .
5) Relacionar los puntos anteriores con las propiedades de la media aritmetica y la variancia.
6) Completar el ejemplo 3 calculando la media aritmetica ponderada y el desvo estandar ponderado. Ex-
plicar la diferencia de valores entre los hallados en este punto y en el ejemplo 3.
18
Captulo 2
Probabilidad
Como ya se haba mencionado en el captulo 1, decimos que un fenomeno se denomina aleatorio cuando
al repetirlo en condiciones analogas no se puede predecir su resultado. Si por el contrario, se puede predecir el
resultado de una experiencia u observacion aun antes de realizarla, se dice que el experimento es determinista.
Cuando hablamos de probabilidad nos estamos refiriendo a la ocurrencia de un evento con respecto a la
ocurrencia de otros eventos, en otras palabras, existe (al menos implcitamente) mas de una posibilidad, puesto
que de lo contrario el problema sera determinstico. Desde un punto de vista cuantitativo podramos decir
que la probabilidad puede considerarse como una medida numerica de la posibilidad de ocurrencia de un evento
con respecto a un conjunto de eventos aleatorios.
Entonces, la primera condicion en la formulacion de un problema probabilstico es la identificacion del
conjunto de posibilidades (el espacio de posibilidades) y el evento o suceso que nos interesa. Las probabilidades
estan asociadas entonces con eventos especficos dentro de un espacio particular de posibilidades.
2.1. Espacio muestral

El conjunto de todos los posibles resultados de un experimento se llama espacio muestral. Por ejemplo, el
espacio muestral del experimento que consiste en lanzar una moneda al aire tres veces es:
S = {(c, c, c); (c, c, x); (c, x, c); (c, x, x); (x, c, c); (x, c, x); (x, x, c); (x, x, x)}
El espacio muestral del experimento lanzar una vez el dado al aire es:
S = {1, 2, 3, 4, 5, 6}
En otro experimento le preguntamos a la proxima persona que encontramos en la calle su mes de nacimien-
to:
S = {Ene, Feb, Mar, Abr, May, Jun, Jul, Ago, Sep, Oct, Nov, Dic}
Usualmente se designa al espacio muestral con la letra S (tambien se puede ver en la bibliografa el uso de
la letra griega ). La definicion de un espacio muestral depende del objetivo del analisis.
Ejemplo 4: Considerese un experimento en el cual debemos seleccionar al azar una pieza de plastico, como
por ejemplo un conector, y medir su espesor. Los posibles valores del espesor dependeran de la resolucion del
instrumento de medicion, pero podemos definir al espacio muestral simplemente conteniendolo en el conjunto
de numeros reales positivos (sin incluir al cero):
19
S = + = {x/x > 0}
debido a que no podemos obtener valores negativos del espesor. Si es conocido que todos los conectores
tienen un espesor entre 10 y 11 milmetros, el espacio muestral podra ser:
S = {x/10 < x < 11}

Si el objetivo del analisis es clasificar los espesores de las piezas como bajo, medio o alto:
S = {bajo, medio, alto}

Si el objetivo del analisis es considerar solo si las piezas verifican ciertas especificaciones de la fabrica, el
especio muestral podra ser un conjunto de dos posibles resultados:
S = {si, no}
indicando si la pieza verifica o no.
Un espacio muestral es discreto si consiste en un conjunto finito o infinito numerable de resultados

posibles y es continuo si contiene un intervalo (finito o infinito) de numeros reales.
Por ejemplo, si en una produccion industrial extraemos un artculo para averiguar si es defectuoso o no, S
puede constar de 2 elementos: D (defectuoso) o N (no defectuoso), por lo tanto el espacio muestral es discreto.
El espacio muestral del experimento medir la resistencia del acero es continuo debido a que el resultado
puede ser cualquier numero real positivo dentro de cierto intervalo.
Eventos o Sucesos
Otra nocion basica es el concepto de evento o suceso. Un evento A (respecto a un espacio muestral parti-
cular S asociado con un experimento) es simplemente un conjunto de resultados posibles contenido en S. En la
terminologa de conjuntos, un evento es un subconjunto del espacio muestral S. Esto quiere decir que incluso
S es un evento como as tambien lo es el conjunto vaco {}. Cualquier resultado individual tambien puede ser
considerado como un evento.
Volviendo al ejemplo de la moneda, si nos interesa que en los lanzamientos aparezcan al menos dos caras,
el evento sera:
A = {(c, c, c); (c, c, x); (c, x, c); (x, c, c)}

En el caso del dado, si estamos interesados solo en numeros pares:
A = {2, 4, 6}
Si en el experimento de los cumpleanos nos interesan solo aquellos meses con 31 das:
L = {Ene, Mar, May, Jul, Ago, Oct, Dic}

Los eventos pueden combinarse de acuerdo a las operaciones usuales entre conjuntos. Por ejemplo, si
definimos a R como el evento correspondiente a la ocurrencia de los meses en cuyos nombres se encuentra la
letra r:
20
R = {Ene, Feb, Mar, Abr, Sep, Oct, Nov, Dic}

Por lo que el evento ocurrencia de un mes de 31 das cuyo nombre contiene a la letra r sera
L R = {Ene, Mar, Oct, Dic}

donde L R indica la interseccion de L y R. La interseccion de dos conjuntos L y R es el conjunto de
todos los elementos que pertenecen tanto a L como a R. De igual manera, es posible plantear la union, L R,
conjunto formado por todos los elementos que pertenecen a L o a R o a ambos. En consecuencia,
L R = {Ene, Feb, Mar, Abr, May, Jul, Ago, Sep, Oct, Nov, Dic}
Lo que formalmente puede expresarse como:
L R = {x|x L x R} L R = {x|x L x R}
Los conjuntos y las operaciones asociadas a ellos son faciles de visualizar cuando se utilizan diagramas de
Venn:
S S
E E
T T
(a) E T (b) E T (c) E c T
S S S
T T
E U
E
(d) T c (e) {E T U } = {} (f) {E T U } = S
Figura 2.1: Ejemplos de diagramas de Venn.
Algebra de conjuntos
Las operaciones entre conjuntos poseen varias propiedades, las cuales son consecuencias inmediatas de sus
definiciones. Algunas de ellas son:
R T = T R, R (T U ) = (R T ) U,
R (T U ) = (R T ) (R U ), R (T U ) = (R T ) (R U ),
c c
(R ) = R, R Rc = ,
R S = S, R S = R.
21
Dos propiedades particularmente utiles son las conocidas como Leyes de De Morgan, las cuales establecen
que
(E1 E2 ) = E1 E2 y (E1 E2 ) = E1 E2
o bien, generalizando,
[ c \ \ c [
c
Ei = Ei (2.1) Ei = Ei c (2.2)
i i i i
2.2. Definicion clasica de probabilidad

Suponga la existencia de un experimento aleatorio que puede dar lugar a la aparicion de un suceso A, que
puede presentarse de h formas diferentes, todas ellas que le favorecen, de un total de N formas posibles de
ocurrencia del experimento, se define a la probabilidad del suceso A como la relacion entre el numero de casos
favorables h, igualmente posibles, y el numero de casos posibles N . Es decir:
h
P (A) = (2.3)
N
Ejemplo 5: Una moneda tiene dos lados, a los que llamamos cara (C) y cruz (X). En el experimento
aleatorio arrojar la moneda al aire, Cual es la probabilidad de obtener una cara?
Si el numero de casos favorables al lado cara es igual a 1 y el total de lados posibles de aparecer es 2, la
probabilidad simplemente es: P (C) = 1/2.
Ejemplo N 6: Un dado tiene seis caras, luego la probabilidad de obtener un 3 en una tirada es: P (3) = 1/6.
Analicemos ahora los elementos que componen la formula de la definicion clasica y veremos que:
N siempre debe ser mayor o igual a 1, ya que si N es cero no hay realizacion del experimento.
h siempre vara entre 0 y N , esto quiere decir que si es igual a cero no hay casos favorables y como
maximo todos los casos pueden ser favorables. Entonces:
Si h = 0 P (A) = 0 A se denomina suceso imposible

Si h = N P (A) = 1 A se denomina suceso seguro o cierto
Luego se concluye que 0 P (A) 1: La probabilidad de un suceso A es un numero real perteneciente

al intervalo [0, 1].
La definicion clasica de la probabilidad se debe al matematico frances Blas Pascal (1623-1662) (http:
//es.wikipedia.org/wiki/Blaise_pascal), quien en 1654 desarrollo las bases de la teora de la
probabilidad.
Ejemplo 7: En una viga simplemente apoyada como la que se observa en la figura, una carga de 100 kg
puede ubicarse en cualquier parte de ella. En ese caso, la reaccion del soporte A, RA , puede ser cualquier valor
entre 0 y 100 kg, y por lo tanto, el espacio muestral de la reaccion RA es cualquier valor entre 0 y 100 kg.
22
El evento que nos interesa puede ser que la reaccion se encuentre en algun intervalo en particular, por
ejemplo (10 RA 20kg) o (RA 50kg). Si la probabilidad de que la carga se ubique en cualquier punto de
la viga es la misma en cada punto, la probabilidad de ocurrencia del valor de RA dentro de un cierto intervalo
especfico sera proporcional a dicho intervalo, es decir:
P (10 RA 20 kg) = 10/100 o P (RA 50 kg) = 50/100
2.3. Definicion frecuencial o estadstica de la probabilidad

En la definicion clasica se requiere conocer cuales son los valores correspondientes tanto a los casos favo-
rables como a los casos posibles. Sin embargo, a menudo ocurre que alguno de los datos, o ambos, resultan o
completamente desconocidos o muy difciles de conocer. Por ejemplo como calcularamos:
a) La probabilidad que llueva un da determinado del ano.
b) La probabilidad de que el equipo de futbol A le gane al equipo de futbol B.
c) La probabilidad que una creciente inunde la ciudad de Resistencia.
Para estos casos, los valores requeridos para aplicar la relacion pascaliana son desconocidos, por lo que
se necesita definir a la probabilidad de otra manera. La probabilidad estimada, o probabilidad emprica, de
un suceso se toma como la frecuencia relativa de ocurrencia del suceso cuando el numero de observaciones
es muy grande. Nos acercaremos al valor verdadero de la probabilidad del suceso motivo del experimento, a
medida que N . Esto quiere decir que la probabilidad de un suceso cualquiera A es el lmite de la relacion
frecuencial ni /N , donde ni es el numero de ocurrencias, cuando N tiende a infinito:
ni ni
P (A) = lm o mejor aun, P (A) cuando N
N N N
Es decir, la relacion frecuencial converge al valor de la probabilidad del suceso A cuando el numero de
realizaciones del experimento crece indefinidamente.
Ejemplo 8: Cual es la probabilidad de que llueva el 21 de septiembre de este ano?

Para calcular esta probabilidad no se puede aplicar la definicion clasica. Una solucion posible para contestar
esta pregunta es consultar en los diarios locales de los ultimos anos (la cantidad de anos puede ser definida
por el investigador y establecida, por ejemplo en 10, 20, 30 o mas anos, ya sea segun su propio deseo o la
disponibilidad del archivo periodstico) que ocurrio el 21 de septiembre. Si en el lapso de 20 anos, en cuatro de
ellos llovio el da 21 de septiembre, la probabilidad de que llueva en esa fecha puede calcularse haciendo:
4
P (llueva el 21 de septiembre = = 0, 20
20
23
2.4. Sucesos opuestos

Indiquemos con el smbolo A (se lee no A) al suceso o conjun-
to de sucesos que no son el suceso A (es decir, es conjunto comple- S
mentario). Si de los N casos posibles, h favorecen al suceso A, los A
restantes (N h) sucesos favoreceran al suceso A. Por consiguiente,
partiendo de la definicion clasica de la probabilidad:
N h h
P (A) = =1 (2.4)
N N
Si ahora sumamos las probabilidades de los sucesos A y A, obtenemos:
h h
P (A) + P (A) = + 1 =1
N N
Con lo que podemos decir: La suma de las probabilidades de dos sucesos opuestos es igual a 1.
Ejemplo 9: Los sucesos C y X en la tirada de una moneda son opuestos. Luego la P (C) + P (X) = 1, lo
cual demuestra adicionalmente que la aparicion de cara o cruz en una sola tirada de una moneda constituye
un suceso seguro o, lo que es lo mismo, ambos sucesos conforman un sistema completo (ya que no existe otra
solucion posible para el experimento). Tambien es opuesto el suceso que salga la cara del dado con el 3 a los
otros cinco resultados (que no salga 3) posibles en la tirada de un dado.
2.5. Sucesos Mutuamente Excluyentes
Dos o mas sucesos se denominan mutuamente excluyentes si la S

ocurrencia de cualquiera de ellos excluye la de los otros. De modo A
que si A y B son sucesos mutuamente excluyentes, entonces B
P (A B) = 0.
Cuando dos o mas sucesos no son mutuamente excluyentes son compatibles. Haciendo una analoga con
el algebra de conjuntos, estos eventos seran conjuntos con elementos en comun.
24
2.6. Regla de la suma
Si A y B son sucesos excluyentes: S

A
P (A + B) = P (A o B) = P (A) + P (B) (2.5)
(A + B) se interpreta ocurrencia de A o de B y tambien se lo
indica con el smbolo (union).
Demostracion: Si A ocurrio n1 veces y B ocurrio n2 veces, siendo N la cantidad total de observaciones

realizadas:
n1 + n2 n1 n2
P (A B) = = + = P (A) + P (B)
N N N
Vemos tambien que si A es el complemento de A, tendremos:
n1 + (N n1 ) n1 N n1
P (A A) = = + = P (A) + P (A) = 1
N N N
es decir, un evento seguro. De esta ultima ecuacion se observa que se verifica que:
P (A) = 1 P (A)
Ahora, si con A + B se denota el suceso de que ocurra A o B o

ambos a la vez, (sucesos compatibles) entonces:
P (A + B) = P (A o B) = P (A) + P (B) P (AB) (2.6)
Para demostrarlo, definiremos 2 eventos mutuamente excluyentes

A y A B. Entonces tendremos:
P [A (A B)] = P (A) + P (A B)
Sabemos que (A B) (A B) = B, luego
P [(A B) (A B)] = P (A B) + P (A B) = P (B)

dado que (A B) y (A B) son sucesos mutuamente excluyentes. Entonces:
P (A B) = P (B) P (A B)
y como A (A B) = A B,
P (A B) = P (A) + P (B) P (AB)
25
que es analoga a la ecuacion (2.6). Se puede observar que si (A B) = , obtenemos la ecuacion (2.5).
Ejemplo 10: Se arroja un dado. Cual es la probabilidad de obtener un uno o un seis?

Estos sucesos son excluyentes, por lo tanto la solucion es:
P (1 6) = 1/6 + 1/6 = 1/3
Ejemplo 11: Se dispone de un mazo de cartas espanolas. Cual es la probabilidad de sacar un As o una
carta de espadas retirando del mazo una sola carta al azar?
La probabilidad de sacar un As es: P (As) = 4/40 = 1/10.
La probabilidad de sacar una carta de espadas es: P (esp) = 10/40 = 1/1.
Pero tambien existe la posibilidad de que salga el As de espadas: P (As de esp) = 1/40.
Por lo que se trata de sucesos compatibles (no excluyentes). La probabilidad de sacar un As o una carta de
espadas sera:
P (As esp) = 4/40 + 10/40 1/40 = 13/40
2.7. Probabilidad condicional, Sucesos independientes y sucesos dependientes

La probabilidad de ocurrencia de un suceso puede depender de otro (o de la no-ocurrencia). Si existe esa
dependencia, la probabilidad asociada a ese evento se denomina probabilidad condicional. Si A y B son dos
sucesos, la probabilidad de que B ocurra dado que haya ocurrido A se denota P (B/A) y se llama probabilidad
condicional de B dado A.
Si la ocurrencia de A no afecta para nada la probabilidad de ocurrencia de B, entonces P (B/A) = P (B),
y diremos que A y B son sucesos independientes, en caso contrario, se dira que son sucesos dependientes.
2.8. Regla de la multiplicacion

Si denotamos (A B) al suceso de que ambos, A y B, ocurran, entonces:
P (A B) = P (A) P (B/A) = P (B) P (A/B)

Haciendo una analoga con la teora de conjuntos, la probabilidad condicional puede interpretarse como la
probabilidad de extraer un elemento del conjunto A que tambien pertenezca al conjunto B:
P (A B)
P (A/B) =
P (B)
26
Tambien es posible asimilarlo como si fuera una reduccion del es-

pacio muestral, es decir, al asumir que B ya ha ocurrido, las po-
sibilidades se restringen a los elementos de B, de los cuales solo S
A B elementos pertenecen al suceso ocurrencia de A.
Podemos observar que P (A) podra indicarse como P (A/S) = A
P (AS) A B
P (S) ,
B
P (A)
A S = A y P (S) = 1, entonces P (A/S) = .
1
Para sucesos estadsticamente independientes:
P (AB) = P (A y B) = P (A) P (B)

es decir: P (B/A) = P (B) y P (A/B) = P (A).
Ejemplo 12: Se arroja una moneda dos veces. Hallar la probabilidad de obtener el suceso cara en la primera
tirada y el suceso cruz en la segunda.
P (C1 y X2 ) = P (C1 ) P (X2 /C1 ) = P (C1 ) P (X2 ) = 1/2 1/2 = 1/4
2.9. Regla de la Probabilidad Total

Sea E1 , E2 , . . . , En un sistema completo de sucesos mutuamente excluyentes tales que la probabilidad de
cada uno de ellos es distinta de cero. Ademas:
P (E1 o E2 o . . . o En ) = 1
Sea A un suceso asociado a la ocurrencia de los sucesos Ei para el que se conocen las probabilidades
P (A/Ei ), entonces la probabilidad del suceso A viene dada por:
n
X
P (A) = P (Ei ) P (A/Ei )
i=1
27
2.10. Teorema de Bayes

Si partimos de la formula de probabilidad conjunta:
P (A y B) = P (A) P (B/A) = P (B) P (A/B) = P (B y A)

con lo que se puede deducir que:
P (A) P (B/A) = P (B) P (A/B)

Esta expresion puede plantearse ahora utilizando la probabilidad total, de modo que:
P (A) P (Ek /A) = P (Ek ) P (A/Ek )

A partir de pasajes de termino y reemplazando la expresion de P (A) por la de probabilidad total, se tiene:
P (Ek ) P (A/Ek ) P (Ek ) P (A/Ek )

P (Ek /A) = = n
P (A) P
P (Ei ) P (A/Ei )
i=1
conocida como Formula de Bayes o teorema de las causas.
Ejemplo 13: Dos companas A y B proveen materiales de construccion de un cierto tipo. La compana A
entrega 600 cargas por da, de las cuales el 3 % no satisface las especificaciones. La compana B entrega 400
cargas por da, y solo el 1 % no satisface las especificaciones.
a) Cual es la probabilidad de que una carga elegida aleatoriamente provenga de A?
b) Cual es la probabilidad de que una carga elegida aleatoriamente no pase las especificaciones?
c) Si una carga no pasa las especificaciones, cual es la probabilidad de que provenga de la empresa B?
a) En total se tienen 1000 cargas de las cuales 600 provienen de la compana A, por lo tanto la probabilidad
de que eligiendo una carga aleatoriamente, esta provenga de la compana A sera:
P (A) = 600/1000 = 0,6
b) Si una carga no pasa las especificaciones, puede provenir tanto de la compana A como de la B. Utilizan-
do la teora de la probabilidad total para calcular la probabilidad de N , que no pase las especificaciones,
se tiene:
P (N ) = P (N/A) P (A) + P (N/B) P (B)

= 0, 03 0, 60 + 0, 01 0, 40 = 0, 018 + 0, 004 = 0, 022
c) Para calcular la probabilidad de que si una carga no pasa las especificaciones esta sea de la compana B
utilizamos el teorema de Bayes:
28
P (B) P (N/B) 0, 004

P (B/N ) = = = 0, 182
P (B) P (N/B) + P (A) P (N/A) 0, 022
Este ultimo calculo tambien se lo puede realizar si decimos que de la 600 cargas de la empresa A, 18 son
defectuosas (3 %) y de las 400 de la empresa B solamente 4 lo son (1 %), entonces la probabilidad de
que eligiendo una carga, y esta sea defectuosa, provenga de la compana B sera 4/22 = 0, 182.
2.11. Resumen
Axiomas Basicos de la Probabilidad
1) si A es un evento cualquiera en un espacio muestral S: 0 P (A) 1.
2) al espacio muestral completo le corresponde P (S) = 1
3) P (A + B) = P (A o B) = P (A) + P (B) para sucesos mutuamente excluyentes,

P (A + B) = P (A o B) = P (A) + P (B) P (AB) para sucesos compatibles.
4) P (AB) = P (A y B) = P (A) P (B/A) = P (B) P (A/B) = P (BA)

P (AB) = P (A y B) = P (A) P (B) (independientes)
5) Condicionales opuestos: P (A/B) + P (A/B) = 1

n
P
6) Probabilidad total: P (A) = P (Ei ) P (A/Ei )
i=1
P (Ek ) P (A/Ek ) P (Ek ) P (A/Ek )

7) Teorema de Bayes: P (Ek /A) = P (A) = n
P
P (Ei )P (A/Ei )
i=1
2.12. Ejercicios
1) Cual es el conjunto complemento del espacio muestral S? Que tipo de evento probabilstico implica?
2) Cual es la probabilidad de que una familia con 2 hijos tenga 2 varones, dado que tienen al menos 1
hijo varon? Asumir que cada una de las combinaciones V V, V M, M V, M M son igualmente probables,
donde V representa un hijo varon y M una hija mujer. (Observe que V M representa una familia con un
hijo mayor y una hija menor, mientras que M V representa lo contrario).
3) Demostrar que
P (A B C) = P (A) + P (B) + P (C) P (A B) P (A C) P (B C) + P (A B C)
4 Demostrar que si A B P (A) < P (B).
5 Probar que P (A/B) + P (A/B) = 1.
29
6 Si P (A/B) = 0, 4, P (B) = 0, 8 y P (A) = 0, 5, los eventos A y B son independientes?
7) Suponga que P (A/B) = 0, 2, P (A/B) = 0, 3 y P (B) = 0, 8. Determinar P (A).

Rpta: 0,22.
8) Tres eventos E, F y G no pueden ocurrir simultaneamente. Ademas, se sabe que P (EF ) = P (F G) =

P (E G) = 1/3. Es posible determinar P (E)? (Ayuda: confeccionar un diagrama de Venn y represen-
tar los eventos).
9) Un sistema de control esta formado por 10 componentes. La falla de cualquiera de ellos provoca la
falla del sistema. Se sabe que la probabilidad de falla de cada componente es 0,0002. Probar que la
probabilidad de que el sistema funcione es 0,998.
10) Sobre una mesa hay tres cartas boca abajo: un as, un dos y un tres, y hay que acertar cual de ellas es el as.
Usted elige una. El croupier le muestra una de las otras dos, que resulta no ser el as, y le da la oportunidad
de cambiar su eleccion en ese instante. Que le conviene mas: mantener su decision o elegir la restante
carta desconocida? (Ayuda: construya un modelo para la opcion de cambiar siempre de carta).
11) Se arroja repetidamente un dado equilibrado. Calcular la probabilidad de obtener:

a) dos numeros pares, tirando dos veces.
b) al menos un as, tirando cuatro veces.
30
Captulo 3
Distribuciones de Probabilidad
3.1. Variables aleatorias

Si se lanzan dos dados, se sabe que la suma X de los dos numeros que se obtienen debe ser un entero entre 2
y 12, pero no puede predecirse cual valor de X se presentara en el ensayo siguiente y por lo tanto puede decirse
que X es aleatoria. Analogamente, si se desea extraer cinco tornillos de un lote y medir sus diametros, no
puede predecirse cuantos seran defectuosos (no satisfaran los requisitos) de donde, una vez mas, X = numero
de defectuosos es un valor aleatorio.
Tambien es posible obtener resultados no numericos de las observaciones, como por ejemplo la condicion
de una maquina al cabo de 6 meses (X = mala, regular, buena), el color de una esfera extrada al azar, etc.
Sin embargo, estos ultimos eventos pueden ser identificados numericamente si se les asignan numeros a los
posibles resultados. En otras palabras, los resultados posibles de un fenomeno aleatorio pueden identificarse
numericamente, ya sea natural o artificialmente.
Si se efectua un experimento aleatorio y ocurre el evento correspondiente a un numero a, entonces se dice
que en ese ensayo, la variable aleatoria X ha tomado el valor a, o bien que se ha observado el valor X = a.
En lugar de el evento correspondiente a un numero a, se dice mas brevemente el evento X = a. La
probabilidad asociada se denota por P (X = a). De manera analoga, la probabilidad del evento:
X toma cualquier valor en el intervalo a < X < b
se denota por P (a < X < b). La probabilidad del evento:
X c (X toma cualquier valor menor o igual a c)
se denota por P (X c) y la probabilidad del evento:
X > c (X toma cualquier valor mayor que c)
se denota por P (X > c).
Los dos ultimos eventos son mutuamente excluyentes, por lo cual
P (X c) + P (X > c) = P ( < X < )
es posible observar que el segundo miembro es igual a 1, porque < X < corresponde al espacio
31
muestral completo. Esto conduce nuevamente a la importante relacion (ya analizada en el Captulo 2):
P (X > c) = 1 P (X c)
Formalmente, una variable aleatoria puede considerarse como una funcion que asigna un numero real a
cada evento contenido en el espacio muestral de un experimento aleatorio. En la figura siguiente los eventos
E1 y E2 son transformados desde el espacio muestral S a la recta de los numeros reales mediante la variable
aleatoria X, y pueden identificarse como:
E1 = (a < X b)
E2 = (c < X d)
Analizando la figura tambien es posible definir otros eventos:
E1 E2 = (c < X b)
(E1 E2 ) = (X a) (X > d)
De acuerdo al tipo de espacio muestral, una variable aleatoria puede ser discreta o continua. El proposito
de identificar a los eventos en terminos numericos radica en que permite una descripcion analtica conveniente,
as como una descripcion grafica de los eventos y sus probabilidades.
3.2. Variable discreta

Puesto que el valor de una variable aleatoria representa un evento, este tendra una probabilidad asociada.
Una distribucion de probabilidad esta constituida por el conjunto de todos los valores de la variable aleatoria
Xi (X1 , X2 , . . . , XN ), asociados con sus correspondientes probabilidades pi (p1 , p2 , . . . , pN ), tales que debe
cumplirse la siguiente condicion, llamada condicion de cierre: la suma de las probabilidades a lo largo del
campo de variacion de la variable aleatoria sea igual a la unidad. Es decir:
32
N
X
pi = 1
i=1
Notese que la distribucion de probabilidad de una variable discreta es analoga a la distribucion de frecuen-
cias relativas, con valores de probabilidad en lugar de frecuencias relativas. De manera que podemos pensar
en las distribuciones de probabilidad como formas teoricas o ideales en el lmite, de distribuciones de frecuen-
cia relativa cuando el numero de observaciones es muy grande. Por eso podemos asociar a las distribuciones
de probabilidad con distribuciones de poblaciones, mientras que las distribuciones de frecuencia relativa son
distribuciones de muestras de esa poblacion.
La distribucion de probabilidades puede representarse graficamente colocando en las abscisas la variable
aleatoria X y en ordenadas p(X), igual a como se proceda para las distribuciones de frecuencia relativa.
Acumulando probabilidades, obtenemos distribuciones de probabilidad acumulada, analogas a las dis-
tribuciones de frecuencia relativa acumulada. La funcion de probabilidad en el caso de una variable aleatoria
discreta se denomina genericamente funcion de distribucion o funcion de probabilidad, y solo tiene sentido
en puntos definidos de la variable.
Ejemplo N 14: Dado el experimento tiradas sucesivas de un dado, determinar:
a) la funcion de probabilidad y de distribucion de probabilidad acumulada de la variable aleatoria X.
b) Calcular la probabilidad de obtener en una tirada 1) X 4; 2) X < 3 o X 4; 3) X < 3 y X 4; 4)

X <5yX 4
a) si X es el numero obtenido al lanzar un dado legal, obtendremos: p(X = 1) = 1/6, p(X = 2) =

1/6, . . . , p(X = 6) = 1/6, con lo cual podemos definir la funcion de probabilidad. Esta funcion en
particular tiene la caracterstica de asignar a cada una de las variables el mismo valor de probabilidad y
se conoce como funcion de distribucion uniforme.
Por otro lado podemos observar que:
33
P (1 < X < 2) = 0
P (1 X 2) = P [(X = 1) (X = 2)] = p(X = 1) + p(X = 2) = 1/6 + 1/6 = 1/3
P (0 X 3, 2) = p(X = 0) + p(X = 1) + p(X = 2) + p(X = 3) = 1/6 + 1/6 + 1/6 = 1/2
P (X > 4) = P [(X = 5) (X = 6)] = 1/6 + 1/6 = 1/3
P (X 0, 5) = 0
valores que se reflejan en el grafico de probabilidad acumulada.
b.1)
P (X 4) = P [(X = 1) (X = 2) (X = 3) (X = 4)]
= p(X = 1) + p(X = 2) + p(X = 3) + p(X = 4)
= 1/6 + 1/6 + 1/6 + 1/6 = 2/3
Tambien podemos calcular como:
P (X 4) = 1 P (X > 4) = 1 P [(X = 5) (X = 6)]
= 1 (1/6 + 1/6) = 2/3
b.2) X < 3 o X 4
P [(X < 3) (X 4)] =
= [p(X = 1) + p(X = 2)] [p(X = 4) + p(X = 5) + p(X = 6)]
= 5/6
b.3) X < 3 y X 4
Este suceso no tiene sentido, ya que ambos eventos son mutuamente excluyentes.
b.4) X < 5 y X 4
P [(X < 5) (X 4)] = p(X = 4) = 1/6
34
3.3. Variable continua

Las ideas anteriores se extienden a variables que pueden tomar un conjunto continuo de valores. Dada
una variable continua x, dividimos su rango en intervalos discretos x, denominados intervalos de clase, se
contabilizan las observaciones u ocurrencias que caen en cada uno de ellos y finalmente el resultado se grafica
en forma de diagrama de barras (conocido como histograma de frecuencias relativas). Si ahora al numero
de ocurrencias ni en el intervalo i, que cubre el rango [xi x, xi ], lo dividimos por el numero total de
observaciones N , el resultado lo conocemos como la funcion de frecuencia relativa fs (x):
ni
fs (x) =
N
La cual, en forma similar a la definicion dada por la ecuacion (10), es una estimacion de P (xi x
X xi ), la probabilidad de que la variable aleatoria X se encuentre en el intervalo [xi x, xi ]. El subndice
s indica que la funcion se calcula utilizando informacion de la muestra.
La suma de los valores de las frecuencias relativas hasta un punto dado es la funcion de frecuencia acu-
mulada Fs (x):
i
X
Fs (x) = fs (xj )
j=1
La cual es un estimativo de P (X xi ), la probabilidad acumulada de xi .

Las funciones de frecuencia relativa y de frecuencia acumulada estan definidas para una muestra; las fun-
ciones correspondientes para la poblacion se aproximan como lmites a medida que N y x 0. En el
lmite, la funcion de frecuencia relativa dividida por el intervalo de longitud x se convierte en la funcion de
densidad de probabilidad f (x):
fs (x)
f (x) = lm (3.1)
N x
x 0
La funcion de frecuencia acumulada se convierte en la funcion de distribucion de probabilidad acumulada

F (x):
f (x) = lm Fs (x) (3.2)
N
x 0
cuya derivada es la funcion de densidad de probabilidad:
dF (x)
f (x) = (3.3)
dx
Para un valor dado de x, F (x) es la probabilidad acumulada P (X x), y puede expresarse como la integral
de la funcion de densidad de probabilidad sobre el rango X x:
Z x
P (X x) = F (x) = f (u)du (3.4)

donde u es una variable de integracion auxiliar.

Graficamente, el polgono de frecuencias relativas de una muestra se convierte, en el caso teorico o lmite
de una poblacion, en una curva continua. El area total entre la curva y el eje de las abscisas es uno (condicion
de cierre), y el area entre x = a y x = b (sombreada en la figura) indica la probabilidad de que x se encuentre
entre a y b, que se denota por P (a x b).
35
f(x) F(x)
a b x x
funcin densidad de probabilidad funcin de distribucin acumulada
Llamamos a f (x) funcion densidad de probabilidad, o brevemente funcion de densidad, y cuando tal
funcion es dada decimos que se ha definido una distribucion de probabilidad continua para X. La variable X
se llama entonces variable aleatoria continua.
Como en el caso discreto, podemos definir distribuciones de probabilidad acumulada. La funcion de distri-
bucion o funcion de densidad no tiene sentido puntualmente, pero s en un intervalo particular de la variable.
3.4. Esperanza Matematica de la variable aleatoria

La esperanza matematica de la variable aleatoria, que se define de una manera tecnica, es decir, mediante
su formula de calculo, se obtiene efectuando la sumatoria de los productos de los valores de las variables por
sus respectivas probabilidades, siempre que se cumpla la condicion de cierre.
La expresion de la formula de la esperanza matematica se presenta mas abajo, segun se trate de una variable
aleatoria discreta o continua:
Caso discreto (a) Caso continuo (b)

N
X Z
E(X) = X i pi E(X) = x f (x) dx

(3.5)
i=1
X Z
(si se cumple pi = 1) (si se cumple f (x) dx = 1)

Si las probabilidades pi P en la expresion (a) se sustituyen por las frecuencias relativas ni /N , la esperan-
za matematica se reduce a nNi Xi , que es la media aritmetica X de una muestra de tamano N en la que
X1 , X2 , . . . , XN aparecen con estas frecuencias relativas. Al crecer N las frecuencias relativas se acercan a
las probabilidades pi . De esta manera interpretamos E(X) como la media de la poblacion cuyo muestreo se
consideraba, y se indica con la letra griega x (o simplemente ).
x se denomina media poblacional, y la media aritmetica x se denomina media muestral. Esta ultima se
diferencia de la primera en que es emprica y real.
Otra forma adecuada de expresar a la esperanza matematica, es senalarla con la expresion numero esperado,
lo cual en algunos casos suele resultar mas sencillo y comprensible.
3.5. Variancia de la variable aleatoria

La variancia de la variable aleatoria constituye un concepto similar al de variancia definido anteriormente,
ya que se trata de una medida de dispersion, cuya formula, a similitud de aquella, es:
36
Caso discreto (a) Caso continuo (b)

N Z
X 2 2 (3.6)
V (X) = Xi E(X) pi V (X) = x E(X) f (x) dx
i=1
Puede resultar util la formula de trabajo de la variancia para el caso discreto, que es:
N
X
V (X) = Xi2 pi E(X)2 (3.7)
i=1
As como la esperanza matematica se considera similar a la media poblacional, la variancia de la variable
aleatoria se considera conceptualmente una variancia poblacional, y se simboliza del siguiente modo:
V (x) = x2
Pudiendose obtener el desvo estandar mediante la aplicacion de la raz cuadrada en las en las expresiones
indicadas precedentemente, es decir
DS(x) = x
3.6. Distribuciones de probabilidad para casos con variables discretas

3.6.1. Analisis Combinatorio
El Analisis Combinatorio estudia la forma en que se pueden agrupar n elementos dados, o sucesos, de modo
que en cada grupo entren k elementos (k n).
Interesan dos cuestiones:
a) cuantos grupos se pueden formar.
b) como se obtienen esos grupos.

Consideramos las siguientes formas de agrupar esos n elementos:
Arreglos: se llaman arreglos de n elementos, tomados de k en k, a los grupos de k elementos cada uno,
tomados entre los n dados, de manera que cada grupo se diferencia de los demas en alguno de los elementos
que lo integran o bien, en el orden de colocacion de los mismos.
Resulta obvio que el numero de arreglos que se pueden formar con n elementos, tomados de uno en uno es
n. Representaremos simbolicamente este numero por:
An,1 = n
Por ejemplo, con los elementos a, b, c, y d, podemos formar 4 arreglos de uno en uno, que son: a, b, c, d.
Para formar los arreglos de los mismos elementos tomados de dos en dos, podemos partir de la distribucion
anterior, es decir, de los arreglos tomados de uno en uno, y a cada uno de ellos agregar los (n 1) elementos
restantes. As, continuando con el ejemplo anterior obtenemos:
ab ba ca da
ac bc cb db
ad bd cd dc
37
El numero total de arreglos de n elementos tomados de dos en dos, resulta

An,2 = An,1 (n 1) = n (n 1)
y en el caso del ejemplo, resulta
A4,2 = 4 3 = 12
Continuando el procedimiento, para obtener los arreglos de los n elementos tomados de tres en tres, a cada
uno de los arreglos de n, tomados de dos en dos, le agregamos a continuacion los (n 2) elementos restantes.
As se obtienen:
abc acb adb bac bca bda
abd acd adc bad bcd bdc
cab cba cda dab dba dca
cad cbd cdb dac dbc dcb
El numero total sera

An,3 = An,2 (n 2) = n (n 1) (n 2)
En el ejemplo:
A4,3 = 4 3 2 = 24
En general, el numero de arreglos que se pueden formar con n elementos, tomados de k en k, es igual al
producto de k numeros naturales, decrecientes de unidad en unidad a partir de n, de acuerdo con la siguiente
formula:
An,k = n (n 1) . . . (n k + 1)
| {z }
k factores
Permutaciones: son los grupos o conjuntos que se pueden formar con n elementos dados, de n elementos cada
uno, de modo que cada grupo o permutacion se diferencia de los demas, solamente, en el orden de colocacion
de los elementos.
El numero total de permutaciones, que representaremos por el smbolo Pn , se obtiene teniendo en cuenta
que, como en cada permutacion entran los n elementos disponibles, estas resultan iguales a los arreglos de los
n elementos tomados de n en n:
Pn = An,n = n (n 1) . . . (n n + 1) = n(n 1) . . . 1 = n!
Hemos empleado el smbolo n! (se lee factorial de n) para representar el producto de los n primeros numeros
naturales; y se conviene que 0! = 1.
As, las permutaciones de los cuatro elementos del conjunto anterior son:
abcd bacd cabd dabc

abdc badc cadb dacb
acbd bcad cbad dbac
acdb bcda cbda dbca
adbc bdac cdab dcab
adcb bdca cdba dcba
Combinaciones: se llaman combinaciones de n elementos tomadas de k en k, a los grupos o conjuntos de

k elementos cada uno que se pueden formar con esos n elementos, de modo que cada grupo (o combinacion)
se diferencia de los demas, en alguno de los elementos que lo integran.
38

El numero total de combinaciones de n elementos tomados de k en k, se representa por el smbolo nk que
se lee n sobre k y se denomina numero combinatorio.
Para calcular este numero se puede pensar que si se obtienen, por algun metodo todas las combinaciones
de k elementos cada una, con los n elementos dados, y se realiza con cada una de estas combinaciones las k!
permutaciones posibles, se obtendran como resultado el conjunto de todos los arreglos de esos n elementos
tomados de k en k. Entonces:
An,k
Cn,k Pk = An,k Cn,k =
Pk
Resulta as el numero de combinaciones de n elementos tomados de k en k igual al cociente entre el numero
de arreglos de n, tomados de k en k, sobre el numero de permutaciones de k, es decir

n An,k n (n 1) . . . (n k + 1)
Cn,k = = =
k Pk k!
Si se multiplican numerador y denominador por (n k)! se obtiene

n n (n 1) . . . (n k + 1) (n k)! n (n 1) . . . 2 1 n! n
= = = =
k k! (n k)! k! (n k)! k! (n k)! nk

Esto quiere decir que los numeros combinatorios complementarios nk y nk n
son iguales. Por ejemplo,
7
7

3 = 4 , lo que dicho de otra forma significa que que el numero de combinaciones de 7 elementos, con tres
numero de combinaciones de esos 7 elementos tomados de a cuatro.
de ellos en cada una, esigual al
Se conviene que n0 = nn = 1.
Binomio de Newton
Podemos desarrollar la potencia
(a + b)2 = (a + b) (a + b) = a2 + 2ab + b2
tambien
(a + b)3 = (a + b) (a + b) = a3 + 3a2 b + 3ab2 + b3
Podemos generalizar la formula para (a + b)n , reiterando n veces la multiplicacion y obtenemos
n(n 1) n2 2
(a + b)n = an + nan1 b + a b + . . . + bn
2!
Esta formula que se generaliza para todo valor natural de n, por el principio de induccion completa, posee las
siguientes caractersticas:
1) Numero de terminos: el desarrollo posee (n + 1) terminos.
2) Coeficientes:
el primer coeficiente es 1, el segundo es n, el tercero es n(n1)
2! , el de orden k es
n(n1)...(nk+1)
k! =
n
k .
Es decir que el coeficiente del k-esimo termino del desarrollo es igual al numero de combinaciones de
n elementos tomados de k en k. Como los numeros combinatorios complementarios son iguales, los
coeficientes de los terminos equidistantes de los extremos tambien lo son.
39
Se hace notar que el coeficiente de cualquiera de los terminos del desarrollo se puede obtener multipli-
cando el coeficiente del termino anterior por el exponente de a en el termino anterior y dividiendo por el
numero de terminos que le anteceden. As por ejemplo, en el desarrollo
(a + b)4 = a4 + 4a3 b + 6a2 b2 + 4ab3 + b4
14 43
el coeficiente del primer termino es 1. El del segundo termino es 1 = 4, el tercero es 2 = 6, el cuarto
62 41
3 = 4 y el quinto 4 = 1.
3) El exponente del primer termino del binomio, a, esta elevado a la potencia n-esima en el primer termino
del desarrollo y en los siguientes, el exponente disminuye de unidad en unidad, hasta anularse en el
ultimo.
El segundo termino del binomio, b, esta elevado a la potencia 0 en el primer termino del desarrollo, y en
los siguientes el exponente aumenta de unidad en unidad hasta hacerse igual a n en el ultimo. La suma
de los exponentes de a y b en cualquiera de los terminos del desarrollo es igual a n.
En resumen, podemos escribir la formula

n n n 0 n n1 1 n 0 n
(a + b) = a b + a b + ... + a b
0 1 n
un termino del desarrollo de orden k, sera

n nk k
a b
k
Ejemplo N 15: el numero de arreglos que se pueden dar de las letras a, b, y c tomadas de dos en dos es:
A3,2 = 3 2 = 6. Son ab, ba, ac, ca, bc y cb.
Ejemplo N 16: el numero de combinaciones de las letras a, b y c tomadas de dos en dos es

3 32
= =6
2 1! 2!
Son ab, ac, y bc. Notese que ab es la misma combinacion que ba, pero no la misma permutacion.
3.6.2. Distribucion Binomial

La Distribucion Binomial, estudiada originalmente por el matematico Bernoulli, por lo cual tambien se la
conoce como la Distribucion o Formula de Bernoulli, surge a partir de las siguientes condiciones:
1) se realiza un experimento aleatorio que solo puede dar lugar a la ocurrencia de dos sucesos posibles: el
suceso A o su opuesto A (se denominan resultados dicotomicos).
2) el experimento aleatorio se realiza n veces, manteniendo la independencia entre las distintas realizacio-
nes.
3) en cualquier realizacion del experimento, la probabilidad de A es igual a p y, por consiguiente, la pro-
babilidad de A es (1 p) = q. Esto significa que si se mantiene la independencia entre las distintas
realizaciones del experimento, las probabilidades p y q se mantienen constantes y entonces
P (A) = q y P (A) = 1 q = p
40
Mediante el planteo de esta distribucion podemos calcular cual es la probabilidad de que, en las n reali-
zaciones del experimento, se presenten x veces el suceso A.
Si p es la probabilidad de que ocurra un suceso en un solo intento (llamada probabilidad de exito) y
q = (1 p) es la probabilidad de que no ocurra en un solo intento (llamada probabilidad de fracaso o
falla), entonces la probabilidad de que el suceso ocurra exactamente x veces en n intentos (o sea, x exitos y
n x fallas) viene dada por

n x nx
P (en n realizaciones se presente x veces A) = p q
x
Ejemplo N 17: la probabilidad de obtener exactamente 2 caras en 6 tiradas de una moneda es

6 6! 15
P (6, 2) = (1/2)2 (1/2)62 = (1/2)6 =
2 2! 4! 64
Es conveniente recordar en este momento que el experimento planteado cumple con las condiciones exigidas
para la aplicacion del esquema binomial, es decir, las realizaciones del experimento son independientes, con
solo dos resultados posibles (los cuales son opuestos) y con probabilidad de ocurrencia constante.
Esta distribucion de probabilidad discreta se denomina distribucion binomial porque para x = 0, 1, . . . , n
corresponde a terminos sucesivos de la formula binomial, o desarrollo del binomio,

n n n n1 n n2 2
(q + p) = q + q p+ q p + . . . + pn
1 2
Parametros de la distribucion binomial:
Esperanza matematica: E(x) = n p

Variancia: V (x) = n p q

Desvio Estandar: DS(x) = n p q
3.6.3. Distribucion Hipergeometrica

La Distribucion Hipergeometrica se aplica cuando las realizaciones de un experimento aleatorio se reali-
zan sin reposicion o generan sucesos que son condicionales entre s, lo cual marca la principal diferencia con
la distribucion Binomial, apta para realizaciones con reposicion o independientes entre s.
El siguiente ejemplo teorico permite presentar el tema: un conjunto de N elementos contiene X elementos
que poseen una caracterstica determinada A, mientras el resto de los (N X) elementos no la poseen. Se
selecciona una cantidad n de elementos, efectuando la eleccion sin reponer y se desea calcular la probabilidad
de que, en esos n elementos, hayan x elementos que posean la caracterstica A.
En las condiciones planteadas, debe cumplirse que
N >0
XN
l n N
0xn y xX
lo que equivale a decir que la probabilidad de que se presente el suceso A en el primero de los experimentos es
P (A1 ) = X/N .
41
La probabilidad en la Distribucion Hipergeometrica se obtiene haciendo

X N X

x nx
P (en n realizaciones; x apariciones) = N

n
Mediante el analisis combinatorio podemos analizar la formula anterior y se observa que existen

a) Nn maneras diferentes de tomar n elementos de entre N ,

b) Xx maneras diferentes de tomar x elementos que poseen la caracterstica A de entre X posibles,

c) Nnx
X
maneras diferentes de tomar n x elementos que no poseen la caracterstica A de entre N X
posibles.
Vemos que cada manera dada en b), combinada con cada manera dada en c), da el numero total de maneras
mutuamente excluyentes de obtener x elementos en n extracciones sin reemplazo. Como a) es el numero total
de resultados y se extrae al azar, cada una de esas maneras tiene la probabilidad 1/ N
n , con lo cual se obtiene
la formula planteada.
Ejemplo N 18: deseamos extraer muestras aleatorias de dos paquetes de una caja que contiene diez, y
sabemos que tres de ellos son defectuosos. Cual sera la probabilidad de extraer un paquete defectuoso al
realizar el muestreo?
Primeramente, supongamos que realizaremos el muestreo con reposicion, es decir, al extraer el primer
paquete y despues de analizar si es o no defectuoso, lo devolvemos a la caja y posteriormente realizamos el
segundo muestreo. En estas condiciones, es clara la aplicacion de la Distribucion Binomial:

2 1 1
P (n = 2; x = 1) = p q
1
y sabemos que p = 3/10, por lo que q = 7/10,
2!
P (n = 2; x = 1) = 0, 3 0, 7 = 0, 42
1! 1!
Ahora bien, si la extraccion se realiza sin reposicion, debemos aplicar la Distribucion Hipergeometrica, ya que
la probabilidad de extraer un paquete defectuoso se vera modificada por la primera extraccion. Entonces:

3 103

1 21 3!/(1! 2!) 7!/(1! 6!)
P ((n = 2; x = 1) = 10
= = 0, 47
2
10!/(2! 8!)
Cabe observar que la probabilidad de no extraer un paquete defectuoso es
2!
P ((n = 2; x = 0) = (0, 7)2 = 0, 49
0! 2!

3 103

0 20 3!/(0! 3!) 7!/(2! 5!)
P ((n = 2; x = 0) = 10
= = 0, 47
2
10!/(2! 8!)
para el muestreo con y sin reposicion, respectivamente.
Parametros de la distribucion hipergeometrica:
Esperanza matematica: E(x) = n X

N =np
Variancia: V (x) = n p q N n
N 1
42
3.7. Distribuciones de probabilidad para casos con variables continuas

3.7.1. Distribucion Normal o de Gauss-Laplace
La funcion de densidad Normal fue propuesta por los matematicos Gauss (1777-1855) (http://es.
wikipedia.org/wiki/Carl_Friedrich_Gauss) y Laplace (1749-1827) (http://es.wikipedia.
org/wiki/Pierre_Simon_Laplace), quienes llegaron a ella practicamente en forma simultanea y estu-
diando la distribucion de los errores en mediciones.
Su expresion matematica es:
1 1 x 2
f (x) = e 2 ( ) para x + (3.8)
2
donde E(x) = y V (x) = 2 .
fx
x1 x x2 x
Se indica que una variable tiene Distribucion Normal del siguiente modo:
x N (; 2 )
La probabilidad de que la variable xi se encuentre entre dos valores arbitrarios x1 y x2 se puede calcular
haciendo la integral de la funcion f (x) entre los dos valores indicados, y como en toda funcion de densidad, se
representa graficamente por un area.
En la practica no se realiza el calculo de las probabilidades, ya que se utiliza una tabla a partir de una
transformacion de variables que permite hallar la variable zi denominada variable estandarizada:
xi
zi =

La E(z) = 0 y la V (z) = 1, de modo que DS(x) = 1. La expresion de la funcion en el caso de la
estandarizada es
1 z 2 /2
f (z) = e (3.9)
2
Luego, z N (0; 1) (se lee: la variable aleatoria z se encuentra distribuida normalmente, con media 0 y
variancia 1).
La solucion practica para obtener las probabilidades consiste en utilizar la Tabla de Probabilidades, apro-
piada para calcular cualquier probabilidad en el caso normal, sin que importe cuales son los valores particulares
43
de la variable aleatoria ni los parametros de la distribucion. Esta tabla se utiliza en cualquier circunstancia en
que la variable aleatoria se distribuya normalmente, pero para su aplicacion se requiere transformar la variable
xi bajo estudio en una variable estandarizada zi , con lo cual se consigue que la media y la variancia de zi sean
iguales a cero y a uno, respectivamente. Efectuada la transformacion se utiliza la tabla, reconociendose dos
casos diferentes de busqueda:
Caso de busqueda directa: se dispone de determinados valores de la variable aleatoria y se obtienen en la

tabla las probabilidades que les corresponden.
Caso de busqueda inversa: se dispone de ciertos valores de probabilidad y se desea encontrar a que valores
de la variable aleatoria corresponden.
Manejo de la tabla
Caso directo: para ejemplificar el manejo de la tabla, se considerara que ya se ha efectuado la transforma-
cion de la variable xi en la variable estandarizada zi , y se presentaran las siguientes alternativas:
1) Hallar la probabilidad de que la variable zi se encuentre entre los valores 0 y 1, 38, es decir, P (0 zi
1, 38).
Se puede verificar en el grafico de la derecha que el area

sombreada es la probabilidad requerida, y que ella se puede
obtener, en este caso, directamente de la tabla. Luego
P (0 zi 1, 38) = 0, 4162
0 1.38 z
2) Hallar la probabilidad de que la variable zi se encuentre entre los valores 1, 53 y 0, es decir, P (1, 53
zi 0).
El area correspondiente a la probabilidad pedida se presen-
ta sobre el semieje negativo de las abscisas. Como la curva es
simetrica, esa area es equivalente a aquella extendida sobre el
semieje positivo, alternativa que fuera planteada en el caso an-
terior,
-1.53 0 z
P (1, 53 zi 0) = P (0 zi 1, 53) = 0, 4370
3) Hallar la probabilidad de que la variable zi se encuentre entre los valores 2, 11 y 2, 11, es decir,
P (2, 11 zi +2, 11).
El area correspondiente a la probabilidad pedida es simetri-
ca respecto del valor cero, por lo que se obtiene sumando dos
areas equivalentes extendidas sobre el semieje positivo, es decir
que
-2.11 0 2.11 z
44
P (2, 11 zi 2, 11) = P (0 zi 2, 11)

+ P (0 zi 2, 11)
= 2 P (0 zi 2, 11)
= 2 (0, 4826) = 0, 9652
4) Hallar la probabilidad de que la variable zi se encuentre entre los valores 1, 96 y 1, 58, es decir,
P (1, 96 zi +1, 58).
El area que corresponde a la probabilidad pedida se puede
obtener sumando los sectores de la izquierda y de la derecha,
que este caso no son iguales entre s. Como la curva es simetri-
ca,
P (1, 96 zi 1, 58) = P (0 zi 1, 96)

-1.96 0 1.58 z
+ P (0 zi 1, 58)
= 0, 4750 + 0, 4429 = 0, 9179
5) Hallar la probabilidad de que la variable aleatoria zi se encuentre entre los valores 1, 29 y 2, 07, es decir
P (1, 29 zi 2, 07).
El area que corresponde a la probabilidad pedida se obtiene

restando a la superficie bajo la curva entre los valores 0 y 2, 07,
la superficie entre los valores 0 y 1, 29, es decir que
P (1, 29 zi 2, 07) = P (0 zi 2, 07)

0 1.29 2.07 z
P (0 zi 1, 29)
= 0, 4808 0, 4015 = 0, 0793
6) Hallar la probabilidad de que la variable aleatoria zi se encuentre entre los valores 2, 21 y 0, 95, es
decir P (2, 21 zi 0, 95).
La probabilidad requerida puede obtenerse calculandola co-

mo si los valores de la variable fueran positivos, es decir, del
mismo modo en que fue calculada en el caso anterior,
P (2, 21 zi 0, 95) = P (0, 95 zi 2, 21)

-2.21 -0.95 0 z
= P (0 zi 2, 21)
P (0 zi 0, 95)
= 0, 4864 0, 3289 = 0, 1575
45
7) Hallar la probabilidad de que la variable aleatoria zi sea mayor o igual que el valor 1, 96 es decir,
P (zi 1, 96).
La probabilidad requerida se obtiene tomando toda el area

a la derecha del valor 0, equivalente a 0, 50, restandole luego el
area entre 0 y 1, 96,
P (zi 1, 96) = 0, 50 P (0 zi 1, 96) 0 1.96 z

= 0, 50 0, 4750 = 0, 025
8) Hallar la probabilidad de que la variable aleatoria zi sea menor o igual que el valor 1, 47, es decir,
P (zi 1, 47).
La probabilidad requerida se calcula aplicando el procedi-

miento explicado en el punto anterior, considerando el valor
absoluto de 1, 47,
P (zi 1, 47) = P (zi 1, 47)

= 0, 50 P (0 zi 1, 47) -1.47 0 z
= 0, 50 0, 4292 = 0, 0708
9) Hallar la probabilidad de que la variable aleatoria zi sea mayor o igual que 1, 37, es decir, P (zi
1, 37).
La probabilidad buscada se obtiene luego de considerar que

el area total requerida se extiende entre el valor 1, 37 y +,
lo cual equivale a tomar el area entre 0 y +, por un lado, y
sumarle el area entre 1, 37 y 0 por el otro. Es decir,
P (zi 1, 37) = P (1, 37 zi 0) + 0, 50 -1.37 0 z
= P (0 zi 1, 37) + 0, 50
= 0, 4147 + 0, 50 = 0, 9147
Caso inverso: se reconocen tres casos fundamentales.
1) Hallar el valor zI tal que la probabilidad de que la variable zi este entre 0 y zI sea igual a 0, 4441.
En el area de las probabilidades de la tabla, buscamos el
valor 0, 4441 y encontramos que ese valor esta presente exac-
tamente en la tabla y que se corresponde con un zI igual a 1, 59. 0.4441
Por consiguiente P (0 zi zI = 1, 59) = 0, 4441 zI =

1, 59.
Si el valor de la probabilidad no estuviera presente exacta-
mente en la tabla, se puede efectuar una interpolacion aritmeti-
ca entre aquellos dos que lo encierran o, en caso de no requerir 0 1.59 z
46
demasiada precision, tomar el valor mas cercano que figura en

la tabla.
2) Hallar los valores z1 y z2 tales que se tenga una probabilidad igual a 0, 80 de que la variable zi se
encuentre entre ambos.
En este caso se buscan dos valores de la variable zi , z1 y z2 ,
que encierren una probabilidad igual a 0, 80, es decir P (z1
zi z2 ) = 0, 80.
Esto no tiene solucion unica, ya que hay infinitos pares de

valores (z1 ; z2 ) que encierran un area igual a 0, 80 y solo puede
-z 1 0 z2 z
resolverse si se ampla la informacion disponible.
3) Hallar el valor de z1 tal que la probabilidad de la variable zi se encuentre entre z1 y +z1 sea igual a
0, 90.
Para resolver este caso, se busca aquel valor absoluto z1
de la variable zi que encierra una probabilidad igual a 0, 90,
es decir que P (z1 zi +z1 ) = 0, 90, el cual s tiene
solucion unica, que se consigue reduciendolo al ejemplo dado
en el primer caso, es decir, correspondera calcular la P (0
zi z1 ) = 0, 45 en la cual z1 es igual a 1, 645.
-z 1 0 z2 z
Ejemplo N 19: Segun los registros disponibles, el total de lluvia cada anualmente en una zona tiene una
distribucion N (60, 225).
a) cual es la probabilidad de lluvias entre 40 mm y 70 mm?
b) cual es la probabilidad de lluvias de al menos 30 mm?
c) cual es la probabilidad de que si el registro supera los 40 mm la lluvia sea menor que 70 mm?
a) sabemos que E(x) = = 60 mm y V (x) = 2 = 225 mm2. Por lo tanto,
x1 40 60 x2 70 60
z1 = = = 1, 333; z2 = = = 0, 667
15 15
Luego, podemos obtener las probabilidades
P (1, 333 z 0) = P (0 z 1, 333) = 0, 4082

P (0 z 0, 667) = 0, 2486
Entonces la probabilidad buscada es de 0,4082+0,2486 = 0,6568.
47
b) La probabilidad de que se produzca una precipitacion de al menos 30 mm debe interpretarse como la

probabilidad de ocurrencia de cualquier valor igual o superior a 30 mm:
30 60
z= = 2, 00
15
P (0 z 2) = 0, 4772 P ( z 2) = 0, 4772 + 0, 50 = 0, 9772

P (al menos 30 mm) = 0, 9772
c) En este caso debemos resolver la probabilidad condicional P (x < 70mm/x > 40mm):
P (40 < x < 70)

P (x < 70/x > 40) =
P (x > 40)
El valor del numerador lo tenemos calculado del punto a).
Para determinar el denominador, procedemos:
P (x > 40) = P (1, 333 z 0) + 0, 50 = 0, 9082
Luego,
0, 6568
P (x < 70/x > 40) = = 0, 7232
0, 9082
48
Captulo 4
Bibliografa Consultada
Ang y Tang, Probability Concepts in Engineering, Planning and Design, Wiley and Sons, Inc.
Garber, Mario, Fascculos I, II y III de los Apuntes de la Maestra en Ciencias de la Ingeniera, ano
2005.
Maronna, Ricardo A., Probabilidad y Estadstica Elementales para Estudiantes de Ciencias, Apunte,
http://www.mate.unlp.edu.ar/maron/, Facultad de Ciencias Exactas (UNLP), ano 1995.
Miller, Freud y Johnson, Probabilidad y Estadstica para Ingenieros, Editorial Prentice Hall - 4a
edicion
Murray R. Spiegel, Estadstica, Editorial Mc Graw Hill - 2a edicion
Kreyszig, Edwin, Matematicas avanzadas para Ingeniera, Limusa Noriega editores, Vol. II.
Meyer, Paul L., Probabilidad y Aplicaciones Estadsticas, Addison-Wesley Iberoamericana.
49
Series
Conduccin:
uen
Ecuaciones Diferenciales
Conduccin:
uen

Analisis Matematico 3

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Analisis Matematico 3

Diunggah oleh

Hak Cipta:

Format Tersedia

Anlisis Matemtico III

Apunte elaborado por:

1.1. Fenomenos aleatorios.

Otros ejemplos de fenomenos aleatorios son:

1.2. Poblacion y muestreo

(a) En numero de observaciones (b) En fraccion del total de observaciones

Figura 1.1: Histograma de intensidad de precipitaciones.

Figura 1.2: Histograma del modulo de elasticidad de la madera.

Cuadro de distribucion de frecuencias e histograma.

como se indica a continuacion:

Ordenamos el conjunto de datos en forma creciente o decreciente y a la diferencia entre el mayor y el

donde xM y xm son el valor maximo y el valor mnimo del conjunto, respectivamente.

Figura 1.3: Histograma y polgono de frecuencias.

Ejemplo 1: Para ejemplificar la construccion de un histograma de una variable continua, consideremos

Tabla 1.2: Ordenamiento de los datos

Figura 1.4: Histograma y polgono de frecuencia.

Resultando el histograma de frecuencias relativas y el correspondiente polgono de frecuencias relativas

Figura 1.5: Histograma y polgono de frecuencias relativas.

Figura 1.6: Histograma del experimento arrojar 50 veces un dado.

Graficos de frecuencias acumuladas

Figura 1.7: Distribucion de frecuencias acumuladas.

Figura 1.8: Distribucion de frecuencias relativas acumuladas.

Figura 1.9: Distribucion (discreta) de frecuencias absolutas y relativas acumuladas.

Intervalos Marca Frecuencia Frec. abs. Frecuencia Frec. rel.

donde k es el numero de marcas de clase (igual a NI).

1.3. Medidas descriptivas

1) La media aritmetica de un conjunto definido de datos es un valor constante.

Figura 1.10: Determinacion grafica de la mediana.

Figura 1.11: Determinacion grafica de la mediana.

Raz del valor cuadrado medio (rms)

Cuartiles, Deciles y Percentiles

1.3.2. Medidas de dispersion

Otra formula muy utilizada de la variancia es:

1) La variancia de un conjunto definido de datos es un valor constante mayor o igual a cero.

2) La variancia de una constante es igual a cero.

6) Variancia de la suma o diferencia de dos variables.

(Q3 Q2 ) (Q2 Q1 ) Q3 + Q1 2Q2 Q3 + Q1 2M e

2.1. Espacio muestral

S = {x/10 < x < 11}

S = {bajo, medio, alto}

Un espacio muestral es discreto si consiste en un conjunto finito o infinito numerable de resultados

A = {(c, c, c); (c, c, x); (c, x, c); (x, c, c)}

L = {Ene, Mar, May, Jul, Ago, Oct, Dic}

R = {Ene, Feb, Mar, Abr, Sep, Oct, Nov, Dic}

L R = {Ene, Mar, Oct, Dic}

(a) E T (b) E T (c) E c T

(d) T c (e) {E T U } = {} (f) {E T U } = S

Figura 2.1: Ejemplos de diagramas de Venn.

2.2. Definicion clasica de probabilidad

Si h = 0 P (A) = 0 A se denomina suceso imposible

Luego se concluye que 0 P (A) 1: La probabilidad de un suceso A es un numero real perteneciente

P (10 RA 20 kg) = 10/100 o P (RA 50 kg) = 50/100

2.3. Definicion frecuencial o estadstica de la probabilidad

a) La probabilidad que llueva un da determinado del ano.

b) La probabilidad de que el equipo de futbol A le gane al equipo de futbol B.

c) La probabilidad que una creciente inunde la ciudad de Resistencia.

Ejemplo 8: Cual es la probabilidad de que llueva el 21 de septiembre de este ano?

2.4. Sucesos opuestos

2.5. Sucesos Mutuamente Excluyentes

Dos o mas sucesos se denominan mutuamente excluyentes si la S

2.6. Regla de la suma

Si A y B son sucesos excluyentes: S

Demostracion: Si A ocurrio n1 veces y B ocurrio n2 veces, siendo N la cantidad total de observaciones

Ahora, si con A + B se denota el suceso de que ocurra A o B o