Probabilidad y Estadística

Contenido
Estadística
Rama de las matemáticas que se encarga de recopilar, organizar, y procesar datos con el fin de inferir las
características de la población objetivo
Información recopilada a través de los datos recabados.

Población: Población
Conjunto de todos los posibles elementos sujeto que intervienen en un
experimento o en un estudio Muestra

Muestra
Un conjunto de medidas u observaciones tomadas a partir de una población
dada. Es un subconjunto de la población.
Tipos o clases de Estadística:
•Descriptiva
•Inferencial

Estadística Descriptiva
Es la técnica que se va a encargar de la recopilación, presentación, tratamiento y análisis de los datos, con el objetivo
de resumir, describir las características de un conjunto de datos y por lo general toman forma de tablas y gráficas.

Estadística Inferencial:
Técnica mediante la cual se sacan conclusiones o generalizaciones acerca de parámetros de una población basándose
en el estadígrafo o estadígrafos de una muestra de población
Parámetro:
Son las caracteristicas medibles en una poblacion completa. Se le asigna un simbolo representado por una letra
griega

Estadístico
Es la medida de una característica relativa a una muestra. La mayoria de los estadísticos muestrales se encuentran
por medio de una formula y suelen asignarseles nombres simbolicos que son letras latinas

Variable (datos estadísticos)

Son agrupaciones de cualquier numero de observaciones relacionadas para que se considereun datos estadistico
(variable) debe tener 2 caracteristicas:
a. Que sean comparables entre sí
b. Que tengan alguna relación
Una variable es una caracteristica que se asume valores

Variables cuantitativa escalar

Será una variable cuando pueda asumir sus resultados en medidas numericas

Variable cuantitativa discreta

Es aquella que puede asumir solo ciertos valores, numeros enteros

Variable cuantitativa continua

Es aquella que teoricamente pueda tomar cualquier valor en una escala de medidas, ya sea entero o fraccionario.
Variable cualitativa o normal
Cuando no es posible hacer medidas numericas, son susceptibles de clasificacion

Cuantitativa
Utiliza la recoleccion de datos para probar hipótesis y responder a preguntas de investigacion. Confía en la medición
numerica

Cualitativa
Se utiliza para descubrir y refinar preguntas de investigacion y tiene un enfoque mas holístico

Medicion
Atraves de este se obtienen los datos . Es el proceso por el cual asignamos una categoria (o un valor) a una variable,
para determinada unidad de analisis

Escala nominal
Son variables numericas cuyos valores representan una categoria o identifican un grupo de pertenencia. Este tipo de
catiables solo nos permite establecer relaciones de igualdad/desigualdad entre los elementos de la variable. La
asignacion de los valores se realiza en forma aleatoria por lo que no cuenta con un orden lógico

Escala ordinal
Son variables numericaas cuyos valores representan una categoria o identifican un grupo de pertenencia contando
con un orden lógico. Este tipo de variable nos permite establecer relaciones de igualdad/desigualdad y a su vez
podemos identificar si una categoria es mayor o menor que otra
Escala de intervalo
Son variables numericas cuyos valores representan magnitudes y la distancia entre los numeros de su escala es igual.
Con este tipo de variables podemos realizar comparaciones de igualdad/desigualdad, establecer un orden dentro de
sus valores y medir la distancia existente entre cada valor de la escala. Las variables de intervalo carecen de un cero
absoluto, por lo que operaciones como la multiplicacion y la division no son realizables

Escala de razón
Las variables de razon poseen las mismas caracteristicas de las variables de intervalo con la diferencia que cuentan
con un cero absoluto, es decir el valor cero representa la ausencia total de medida, por lo que se puede realizar
cualqueir operación aritmetica. Este tipo de variable permite el nivel mas alto de medicion

MEDIDAS DE TENDENCIA CENTRAL

Las medidas estadisticas pretenden “resumir” la informacion de la “muestra” para poder tener asi un mejor
conocimiento de la poblacion. Las medidas de tendencia central corresponden a valores que generalmente se ubican
en la parte central de un conjunto de datos (ellas permiten analizar los datos en torno a un valor central). Entre estas
estan :
•Media Aritmetica: Suma del conjunto de datos/Número total de datos
•Moda: Determina que dato se repite mas
•Mediana: Valor que deja igual numero de valores antes y despues de el en un conjunto de datos
agrupados

MEDIDAS DE POSICIÓN
Las medidas de posicion dividen un conjunto de datos en grupos con elmismo numero de individuos. Los datos deben
estar ordenados de menor a mayor. Son: Cuartiles, Deciles y Percentiles
Cuartil: Son los 3 valores de la variable que dividen a un conjunto de datos en 4 partes iguales
Deciles: Son los 9 valores que dividen la serie de datos en 10 partes iguales
Percentiles: Son los 99 valores que deviden la serie de datos en 100 partes iguales

MEDIDAS DE DISPERSION
Nos informan sobre cuanto se alejan del centro los valores de la distribucion son:
•Rango o recorrido: Es la diferencia entre el mayor y el menor de los datos de una distribucion estadistica
•Desviacion Media. Diferencia entre cada valor de la variable estadistica y la media aritemetica
•Desviacion media para datos agrupados
•Varianza
•Desviacion típica

Prueba de hipótesis
Procedimiento basado en la evidencia muestral y la teoria de probabilidad, se emplea para determinar si la hipotesis
es una afirmacion razonable. Se realiza en 5 pasos:

1. Se plantea la hipótesis nula y alternativa

2. Se selecciona el nivel de significancia
3. Se identifica el estadistico de prueba
4. Se forma la regla de decisión
5. Se toma una muestra y se decide

Mapa Conceptual
Representa de modo gráfico las relaciones existentes entre conceptos ayudandonos a comprender mejor el contenido
del texto.
Se establecen las relaciones entre los conceptos centrales del texto, y se marcan las palabras clave. Nos permite tener
todas las ideas centrales de un texto a la vista

MEDIDAS DE PUNTO
Son aquellas que se trabajan con los atributos o categorias de las variables cualitativas con el objeto de sacar
proporciones razones o porcentajes que representan estos atributos o categorias en una muestra o poblacion. Es una
proporcion de la categoria. Solo se usa con la cariable cualitativa.

Ejercicio

Variable Tipo de Variable Escala de Medición

Edad (años) Cuantitativa Continua Razón
Genero Cualitativa Nominal
Peso (lbs) Cuantitativa continua Razón
Religion Cualitativa Nominal
Temperatura ambiental Cuantitativa continua Intervalo
Numero d hijos Cuantitativa discreta Razon
Fume Cualitativa Nominal
Aceleracion Cuantitativa continua Intervalo
Nivel socioeconomico Cualitativa Ordinal
Estado civil Cualitativo Nominal
Grado de quemadura Cualitativo Ordinal
MEDIDAS DE TENDENCIA CENTRAL
Son aquellas que generan parámetros o estadisticos y que apuntan o tienden a estar mas al centro de una distribucion
Las principales medidas de tendencia central son:
•La Moda
•La Mediana
•La Media

Estas medidas se trabajan según como esten agrupados los datos, para lo cual las dividemos en 3 categorias.
a. Seres simples (S.S.)
b.Distribución simple de frecuencias (DSF)
c.Datos Agrupados (DA)

Los datos se trabaja como series simples si se manejan menos de 30 si el rango de datos esta entre 30 y 59 se manejara
la distribucion simple de frecuencias y si el numero de datos es mayor o igual a 60 se agruparan los datos

Media
Es una medida de tendencia central que tiene las características siguientes:
a. Es única, esto quiere decir que en una distribucion de datos existe unicamente una media
b.Se ve afectada por valores extremos, ya sea muy alto o muy bajo, esto quiere decir que valores muy altos o muy bajos
pueden variar significativamente el valor de la media

Media en Serie Simple

Para calcular la media en series simples se suman todos los datos observados y se divide dentro del numero de datos
observados y se divide dentro del numero de datos.

= ∑ observaciones/n
Donde: = Media, ∑= Sumatoria y n= cantidad de datos observados
Si la media viene de una muestra donde “n” es del tamaño de la muestra el símbolo que la representará es:

Si la media viene de una población, donde “N” es el tamaño de la muestra el símbolo que le representará es:
µ
EJEMPLO1
MEDIA EN DISTRIBUCION SIMPLE DE FRECUENCIAS (DSF)
EJEMPLO2
MEDIA EN DATOS AGRUPADOS
Para calcular la media en datos agrupados se necesita calcular las marcas de clase, las cuales se determinan
promediando el limite inferior del intervalo con el limite superior, luego las frecuencias se multiplican por cada una
de las marcas, estos resultados se suman y se dividen dentro del numero de observaciones (tamaño de muestra o
población)
n= Muestra N= Población
Marcas de clase: (Xi= Lim inf + Lim Sup)/2
Estadístico = De Muestra
Parámetro= De Población
EJEMPLO3
MEDIANA

Mediana en Series Simples (S.S.) La mediana es una medida de tendencia central que divide a la distribución en dos
partes iguales
Características:
a.) Unicidad (es única)
b.) No es afectada por sus valores extremos
EJEMPLO4
MEDIANA EN DATOS AGRUPADOS

Para calcular la mediana como datos agrupados se utilizara la siguiente formula:

Med = Lri + ( ( (n/2) – FAant))/fmed ) )*i
Donde:
LRi: Limite Real inferior
n: Numero de datos
FAant: Frecuencia acumulada anterior
fmed: Frecuencia de la mediana
i= Amplitud del intervalo de la clase de la mediana

Límites reales

Los límites reales o verdaderos de una clase son aquéllos que se obtienen restándole media unidad de medida al
límite aparente inferior de una clase y sumándole media unidad de medida al límite superior aparente de las
diferentes clases, es decir, son valores no observables de la variable en estudio, puesto que no lo registra la unidad
utilizada.
MODA EN SERIES SIMPLE (S.S.)
La moda consiste en el dato que mayor frecuencia tiene en una distribucion y tiene las siguientes
caracteristicas:
a)No existe unicidad, pues puede haber mas de 1 moda, si una distribucion tiene 2 modas es llamada
bimodal, si tiene mas de 2 es llamada multimodal
b)El valor de la moda no se ve afectada por valores extremos

Para calcular la media en series simples, se ordenan estos (datos) y se calcula su frecuencia, la
frecuencia mayor nos dará la pauta para elegir el valor modal

EJEMPLO6
MODA EN DISTRIBUCION SIMPLE DE FRECUENCIA
El valor de la moda es el dato que tiene mayor frecuencia

EJEMPLO7
MODA EN DA
Para calcular la moda en D.A. utilizamos la formula siguiente:
Moda = LRi + (A1/(A1+A2))i
Donde:
LRi: Limite Real inferior
A1: Frecuencia Modal – f anterior
A2: frecuencia modal – f posterior
i: Amplitud del intervalo
EJEMPLO8
ARREGLO DE DATOS AGRUPADOS
Para el arreglo de datos agrupados se utilizara la regla de Strugers la cual permitira agrupar datos en
intervalos

Struglers (regla) – Clases o Intervalos

K=1+3.3Log (n)
Donde n es la cantidad de datos y k debe ser continuo

Rango o amplitud de la variable

R= Dato mayor – Dato Menor

Amplitud del intervalo

I= R/K I = Debe ser discreta
EJEMPLO9

MEDIDAS DE POSICION EN SERIE SIMPLE (S.S)

Cuartil:
Divide la distribución en 4 partes iguales

Decil:
Divide la distribución en 10 partes iguales, por lo tanto hay que 9 deciles

Percentil:
Divide la distribucion en 100 partes iguales

Q2 = D5 = P50 Mediana
Q2= Cuartil 2
D5= Decil 5
P50= Percentil 50
EJEMPLO9
EJEMPLO9
EJEMPLO9
FORMULAS PARA ENCONTRAR LA POSICION

CUARTIL Qk= k(n+1) donde k= Solo puede ser: 1ó2ó3

4

DECIL Dk= k(n+1) donde k= 1-9

10

PERCENTIL Pk= k(n+1) donde k= 1-99

NOTA: NO LOLVIDAR QUE LOS DATOS DEBEN ESTAR ORDENADOS ASCENDENTEMENTE*

EJEMPLO10
EJEMPLO10
EJEMPLO10
 MEDIDAS DE POSICION EN DSF

EJEMPLO 11

De una población 57 pacientes internados por una enfermedad cardiovascular se tomó

nota de la edad de cada paciente en la siguiente tabla:
EDAD f fAcum
17 5 5
18 10 15
19 15 30
20 12 42
Encuentre: 21 10 52
a)El valor que deja sobre si al 22
20% de los datos 5 57
b)El valor que deja bajo si el 45% de los datos
c)Que % esta por encima del 28% de los datos
d)Interprete el valor del decil 6 (D6)
EJEMPLO 11
MEDIDAS DE POSICION EN DATOS AGRUPADOS

Cuartil: Qk= Lri+ (Kn/4 - FAant) i

fclas Qk
Donde: Kn/4= Posicion
Fclas Qk= Frecuencia de la clase

Decil: Dk= Lri+ (Kn/10 - FAant) i

fclas Dk

Percentil: Pk= Lri+ (Kn/100 - FAant) i

fclas Qk
EJEMPLO 12
EJEMPLO 12
MEDIDAS DE DISPERSIÓN
La variabilidad de los datos, respecto de la media. La desviacion estandar puede ser tomado como
parametro o como estadistica según los datos vengan de una muestra o de una poblacion

σ=Parámetro (de una población)

S= Muestra (de una muestra)
VARIANZA: No es mas que la variabilidad expresada en unidades al cuadrado, esto quiere decir que es
la desviación estándar elevado al cuadrado. Se puede expresar de la siguiente forma:

REGLA DE LA DESVIACION ESTANDAR EN DISTRIBUCIONES SIMÉTRICAS

Cuando una distribución es simétrica, la distribución puede representarse como una campana de la
siguiente forma:
DESVIACION ESTANDAR EN S.S.

EJEMPLO13
DESVIACION ESTANDAR EN DISTRIBUCION SIMPLE DE FRECUENCIAS

EJEMPLO14
DESVIACION ESTANDAR EN DATOS AGRUPADOS

EJEMPLO15
PROBABILIDAD
Sucesos Favorables/sucesos totales

ESPACIO MUESTRAL
Es el conjunto que contiene todo lo que puede suceder en un evento.

EJEMPLO 1

Si se lanza una moneda 1 vez su espacio muestral S={C,E} C= cara y E= Escudo

EJEMPLO 2
Describa el espacio muestral (S) de lanzar una moneda 2 veces
S{ CC, CE, EC, EE }
P(C)= ½= 0.5=50% P(E)= ½=0.5=50%
EXPERIMENTANDO (A POSTERIORI)

Ejemplo: Lanzamiento de moneda 26 personas, 10 veces

133 caras/260 lanzamiento= 0.51

TEORIA DE LA PROBABILIDAD (ANEXO)

•PROBABILIDAD COMO FRECUENCIA RELATIVA O A POSTERIORI
•PROBABILIDAD DE UN EVENTO
•PROBABILIDAD MARGINAL O GENERAL
•PROBABILIDAD CONJUNTA
•PROBABILIDAD DE DOS EVENTOS MUTUAMENTE EXCLUYENTES
•PROBABILIDAD CONDICIONAL

EVENTOS INDEPENDIENTES
Un evento es independiente si la probabilidad de que ocurra un evento anterior no incide o no alterará
de ninguna manera al evento posterior.
Los siguientes ejemplos muestran eventos independientes, pero que son a su vez mutuamente
excluyentes, tal y como es arrojar la moneda 3 veces y el de la extracción sin reemplazo hecha 3 veces
en una urna que contiene bolas amarillas y rojas.

*Si son o no mutuamente excluyente no tiene que ver con su independencia*

EJEMPLO
Si se lanza una moneda 3 veces, la moneda:

Este evento es excluyente y es independiente

EJEMPLO
Una urna contiene 6 bolas rojas y 3 amarillas. Se hacen 3 extracciones
sin reemplazo. Dibuje el diagrama del árbol para este experimento
RRR=5/21 AAA=11/84
RRA= 5/28 AAR= 1/14
RAA= 1/14 ARR= 5/28
RAR= 5/28 ARA= 1/14

Este evento es NO independiente, es dependiente y no excluyente.

• Tenemos una urna con 3 bolas amarillas y 5 bolas negras. Si
extraemos dos bolas con devolución, calcular la probabilidad de:
A) Qué sean las dos amarillas
B) Qué sean las dos negras
C) Qué sean del mismo color
D) Qué sean de distinto color
• Tenemos una urna con 3 bolas amarillas y 5 bolas negras. Si
extraemos dos bolas sin devolución, calcular la probabilidad de:
A) Qué sean las dos amarillas
B) Qué sean las dos negras
C) Qué sean del mismo color
D) Qué sean de distinto color
P(2 bolas rojas)= 65/84= 0.77 77%
P(3 bolas amarillas)= 1/84= 1%
P(ninguna sea roja)= 1/84= 1%
P(2 bolas amarillas)= 19/84

INDEPENDENCIA EN EVENTOS NO EXCLUYENTES

Definicion: Un evento es independiente si:

P(A1ᴖA2)= P(A1) P(A2)

EJEMPLO

A1= Se saca una carta de espadas

A2= Se saca una carta alta
(Un naipe tiene 52 cartas)

P(A1ᴖA2) = P(A1) P(A2)

5/52 = (13/52) (20/52)
5/52 = 5/52 Sí es independiente
EJEMPLO
Sean A1 y A2 tales que la probabilidad de A1 P(A1)=0.5 y P(A2)= 0.7
P(A1ᴖA2)= ? “A que debe ser igual para que sean independientes?”

P(A1ᴖA2)= P(A1) P(A2)

P(A1ᴖA2) = (0.5)(0.7)
P(A1ᴖA2) = 0.35

EJEMPLO
Sean los eventos A1 y A2 y P(A1)=0.6 y P(A2)=0.40 y la P(A1ᴗA2)= 0.8 son independientes A1 y A2?

P(A1ᴖA2)= 0.20 P(A1)P(A2)

0.6*0.40
0.24
0.20 no es igual a 0.24, por lo tanto NO son independientes
REGRESION Y CORRELACIÓN
A continuación se estudiaran las tendencias que representan 2 variables relacionadas entre si para
representar esta relacion se usará una representacion grafia llamada diagrama de dispersión, se estudiará un
modelo matematicos para estimar el valor de una variable basandonos en el valor de la otra, lo que se
llamara analisis de regresion, se explicara mas adelante el coeficiente de correlación y su utilidad en la
regresion.

DIAGRAMA DE DISPERSION: Es aquel grafico que representa la relacion entre 2 variables

VARIABLE DEPENDIENTE: Es la variable que se predice o calcula y la representacion es “Y”

VARIABLE INDEPENDIENTE: Es la variable que proporciona las bases para el calculo y la

representacion es “X”

COEFICIENTE DE CORRELACION:
Describe la intensidad entre 2 conjuntos de variables. El valor de coeficiente de correlacion, puede tomar
valores desde -1 hasta 1, indicando que mientras mas cercano a 1 sea el valor del coeficiente de relacion en
cualqueir direccion, mas fuerte sera la asociacion lineal entre las 2 variables. Mientras mas cercano a 0 sea el
coeficiente de correlacion indicara que mas debil es la asiciacion entre ambas variables si es = 0, se concluirá
que no existe relacion lineal alguna entre ambas variables.

ANALISIS DE REGRESION Es la tecnica empleada para desarrollar la ecuacion y dar las

estimaciones.
ECUACION DE REGRESION SIMPLE: Es una ecuacion que define la relacion lineal entre 2
variables: y=a+bx

PRINCIPIOS DE MINIMOS CUADRADOS: Es la tecnica empleada para obtener la ecuacion de

regresion, minimizando la suma de los cuadrados de las distancias verticales entre los valores
verdaderos de “x” y los valores pronosticados de “y”

EJEMPLO16
El vicepresidente de una empresa de productos quimicos y de manufactura de fibra piensa que las
utilidades anuales dependa de lo que invierta en investigacion y desarrollo. L nuevo presidente
ejecutivo no esta de acuerdo con el y ha pedido datos. He aquí los datos correspondientes a 6 años.
El vicepresidente solicita al departamento de estadistica lo siguiente:
a.El diagrama de dispersion
b.La ecuacion de regresion
c.Las utilidades para el año 2008 si se tiene presupuestado gastar 8 millones
d.La interpretacion de la pendiente de la recta
e.Interprete el coeficiente de correlación
EJEMPLO16
EJEMPLO16
EJEMPLO16
EJEMPLO16
TABLA DE CORRELACION
RELACION TIPO DE
CORRELACION
0 No existe
0<r<=0.40 Mala
0.40<r<=0.80 Regular
0.80<r<=0.99 Buena
1 Excelente

EJEMPLO 16b
La tabla muestra las respectivas alturas x,y de una muestra de 12 padres y sus hijos primogenitos.
a.Construya un diagrama de dispersión
b.Encontrar la ecuacion de la recta
c.Determine si se trata de un caso directametne proporcional o inversamente proporcional
d.Si el padre mide 1.80m cuanto medira el hijo?
e.Que tan buena relacion existe entre las variables?
Ejemplo 16b
Ejemplo 16b
Ejemplo 16b
DISTRIBUCION NORMAL

La distribucion normal es una de las distribuciones mas importantes en toda la estadistica, ya que
gracias a ella pueden resolverse problemas relacionados por la probabilidad en cualquier situacion
desde el punto de vista economico, de ingenieria, administrativo, medico, etc. Las siguientes son
algunas de las caracteristicas mas importantes de la distribucion normal:

1.Es simetrica respecto a su media µ, la curva hacia cualquiera de los lados de µ es una imagen de
espejo de la del otro lado.
2.La media, mediana y moda son iguales
3.El area total bajo la curva sobre el eje de las x´s es una unidad de area, esta caracteristica se deduce
del hecho de que la distribucion normal es una distribucion de probabilidad, debido a la simetri aya
mencionada, el 50% del area esta a la derecha de la perpendicular que va a la derecha y el otro 50%
esta a la izquierda
4.Si se levantan perpendiculares a una distancia de una desviacion estandar desde la media hacia
ambos lados, el area delimitada por esas perpendiculares, el eje de la x y la curva sera de un 68% del
area total, aproximadamente. Si los limites laterales se extienden a 2 desviaciones estandar en ambos
lados de la media estara incluida aproximadamente el 95% del area, y extendiendolos a una distancia
de 3 desviaciones estandar, aproximadamente el 99% del area total estara englobada (abarcada
La formula de la distribución normal, fue publicada por Abraham de Moure el 12 de noviembre de
1733, la formula es:
f(x)= [(1/√2ᴨ σ)]e-(x-µ)^2/2 σ^2

DISTRIBUCION NORMAL ESTANDAR

La distribucion normal estandar o distribucion normal unitaria llamada asi porque tiene una media
µ=0 y una σ=1. Esta distribucion se puede obtener a partir de la ecuacion de la distribucion normal
creando una variable aleatoria para z
Z= x - µ
σ
Entonces al sustituir z, en la ecuacion queda:
f(z)= 1 e-z^2/2
Desviacion tipica:
+/- 1 σ
+/- 2 σ
+/- 3 σ
EJEMPLO
Encuentre el área bajo la curva entre z=0 y z= 1.43

Para z= 1.43 = 0.9236

(-) 0.5000 Le restamos 0.5 porque 0.9236 es el área desde el principio y solo queremos de z=0 a 1.43
0.4236 <--- R//

Para encontrar z: Buscar en la tabla el 1.4 (para el caso anterior), y en las columnas 0.03 asi se
encuentra el 1.43 y el numero encontrado es el área tras esa línea.
Ejemplos
Ejemplos
Ejemplos
Ejemplos
PROBLEMAS DONDE SE APLICA LA DISTRIBUCION NORMAL

La media de los pesos de 500 estudiantes de un colegio es 151 lbs. Y la desviacion tipica es de 15 libras.
Suponiendo que los pesos se distribuyen normalmente. Hallar cuantos estudiantes pesan:
Entre 120-155 lbs

µ= 151 lbs (media poblacional) σ= 15 lbs (desviacion estandar)

Para transformar de distribucion normal a distribucion normal estandar:

Z=x- µ
σ

Z= 120-151 = -2.07
15

Z= 155-151 = 0.27
15
Y ahora se hace el procedimiento normal:

Z= 0.27= 0.6064
Z= -2.07= 0.0192 (-)
0.5872  Este es el area dentro de -2.07 y 0.27

Valor esperado “E”

E= p*N
P= 0.5872
N= 500

E= (0.5872)(500)= 293.6 294 personas entre 120 y 155 lbs.  Respuesta

DISTRIBUCION BINOMIAL

Ensayo de Bernoulli

Una distribución binomial se deriva de un procedimiento denominado ensayo de Bernoulli, el cual

consta de 3 pasos

No.1: En cada ensayo ocurre 1 de 2 posibles resultados mutuamente excluyentes y 1 de ellos

denominado arbitrariamente “éxito”

No. 2: La probabilidad de éxito se denota por la letra “P” y la probabilidad de fracaso es “q”. Esto
quiere decir que q= 1-p

No.3: Los ensayos son independientes

La distribucion biomial analiza toda variable aleatoria asociada con valores discretos, binomial quiere
decir dos resultados, solo se nos puede dar 2 posibles mutuamente excluyentes, por ejemplo: Vida y
muerte, el genero femenino y masculino

Los ensayos independientes no quiere decir que no importa el 1er. Resultado ya que el situiente no
afecta el siguiente ensayo
Ejemplo
Se dice que el 29% de adultos en USA beben licor regularmente. Encuentre las probabilidades
asociadas a este fenómeno

P=0.29 Probabilidad de que beban

q=0.71 Probabilidad de que no beban
n= 3 (muestra)

ppp= 0.0244
ppq= 0.0597
pqp= 0.0597
pqq= 0.1462
qpp= 0.0597
qqp= 0.1462
qqq= 0.3579
1.000
x= Cantidad de personas que beben
p= 0.29

•Probabilidad que exactamente 2 beban:

p(x=2) = 0.1791 (se suman las que tienen 2 p´s)
a. p(x<2)= p(x=1)+p(x=0)
p(x<2) = 0.4386+0.3579
p(x<2) = 0.7965

c. p(x>=2)
p(x>=2)= p(x=2)+p(x=3)
p(x>=2)= 0.1791+0.0244
p(x>=2)= 0.2035

P(x>=2)=1 – p(x<=1) es lo mismo

La formula utilizada para el calcula de la distribución binomial es la siguiente:

p= (x=x)= nCxpxqn-x

Usando la formula para el inciso (a) anterior:

p= (x=2)= 3C2(0.29)2(0.71)n-x
p= (x=2)= 0.1791
DISTRIBUCION DE POISSON

Esta disribucion discreta es llamada asi en honor del matematico frances Denis Poisson quien tiene
amplio reconocimiento por la publicacion de un trabajo en 1837.
La distribucion se explica de la siguiente forma:
Si x es el numero de ocurrencias de algun evento aleatorio en un intervalo de espacio o tiempo (o
algun volumen de materia), la probabilidad de que x ocurra es dada por:

F(x)= e- ƛ ƛx
x!

x= 0,1,2…

ƛ (lambda) es el parametro d ela distribucion y es el numero promedio de ocurrencias del evento

aleatorio dentro del intervalo (o volumen)

e es la constante 2.7183

Proceso de Poisson
Los siguientes puntos describen el proceso de Poisson

No. 1 Las ocurrencias de lso eventos son independientes

No. 2 Teóricamente, es posible la ocurrencia de un evento, un numero infinito de veces dentro del
intervalo.

No. 3 La probabilidad de una sola ocurrencia del evento de un intervalo dado es proporcional a la
dimension del intervalo

Una caracteristica es que la media y la varianza son iguales. La distrinucion de Pisson se emplea
cuando cuentan los eventos distribuidos al azar en espacio o tiempo.

Ejemplo

El administrador de un hospital analiza los casos varios de urgencia durante un periodo de varios años
y concluyo que se distributen de acuerdo a la ley de posson. Los rgistros del hospital revelan que los
casos de urgencia del hospital revelan que los casos de urgencia promedian 3 por dia durante ese
periodo. Si el administrador tiene razon respecto a la distribucion de poisson, calcular la (p) de:

a.Ocurran exactamente 2 casos de urgencia en 1 dia dado

b.No ocurra un caso de urgencia en un dia particular
c.Ocurran 3 o 4 casos de urgencia en un dia particular

ƛ=3 x= El mismo de urgencias diarias

e= 2.7183

a.P(x=2)= (2.7183)^-3*3^2= 0.2240

2!
b. P(x=0)= (2.7183)^-3*3^0 = 0.050
0!

c.f(x=3)+f(x=4)
(2.7183)^-3*3^3 + (2.7183)^-3*3^4 = 0.22+0.1680= 0.388
3! 4!

DISTRIBUCION HIPERGEOMETRICA

Propiedaes
n N
r
N-r

Definicion: N, n, r, S:

f(x)=
 ANEXO

DEFINICIONES Y CONCEPTOS DE PROBABILIDAD:

http://www.fileden.com/files/2012/11/10/3365433/TEORIA%20DE%20LA%20PROBABILIDAD.pdf

TABLAS PARA POISSON, HIPERGEOMETRICA Y BINOMIAL:

http://www.fileden.com/files/2012/11/10/3365433/TABLAS%20PARA%20NUMEROS%20ALEATORIOS
%20BINOMIAL%2C%20POISSON%2C%20HIPERGEOMETRICA.pdf