M.E.T.

Juan Manuel Jurez Zamorano

Colegio de Estudios Cientficos y Tecnolgicos del
Estado de Jalisco.

Plantel 11. Atotonilco el Alto; Jal.
















Antologa de Probabilidad y Estadstica.
Compilado por: Profr. Juan Manuel Jurez Zamorano
Semestre Agosto 09-Enero 10
M.E.T. Juan Manuel Jurez Zamorano
ndice


Introduccin
1. Conceptos bsicos
1.1 Estadstica
1.2 Poblacin

1.3 Muestra

1.4 Variable

1.5 Variable discreta

1.6 Variable contnua

1.7 Redondeo de datos

1.8 Notacin cientfica

1.9 Toma de datos

1.10 Distribucin de frecuencias

1.11 Intervalos de clase

1.12 Limites de clase

1.13 Marca de clase

1.14 Representaciones grficas



2. Medidas de tendencia central

2.1 Media

2.2 Moda

2.3 Mediana

2.4 Cuartiles

2.5 Deciles

2.6 Percentiles



3. Medidas de dispersin

3.1 Rango

3.2 Varianza

3.3 Desviacin media

3.4 Desviacin estndar

3.5 Coeficiente de variacin



4. Acercamiento a la probabilidad

4.1 Teora de conjuntos

4.2 Diagramas de Venn

4.3 Antecedentes, axiomas y conceptos bsicos de probabilidad

- Espacio muestral

- Evento

- Punto muestral

- Experimento

4.4 Modelos matemticos



M.E.T. Juan Manuel Jurez Zamorano
5. Probabilidad

5.1 Tcnicas de conteo

a) Selecciones sucesivas (permutaciones)

b) Combinaciones

c) Diagrama de rbol

d) Procesos de conteo

e) Conjuntos y subconjuntos

f) Teorema del binomio

5.2 Probabilidad en eventos sucesivos

5.3 Probabilidad condicional

5.4 Eventos independientes

5.5 Teorema de Bayes

5.6 Selecciones al azar



Bibliografa



M.E.T. Juan Manuel Jurez Zamorano
Introduccin.


La presente antologa de Probabilidad y Estadstica est elaborada pensando en facilitar a los
estudiantes de preparatoria el estudio de esta materia. En ella se encuentran los conceptos ms bsicos
que el estudiante debe aprender y utilizar a lo largo del quinto semestre del bachillerato.

Sin dudas, la recopilacin de datos es una de las actividades que enfrenta el estudiante y que si
no sabe como hacerla, pierde tiempo al mismo tiempo que desgasta sus energas contribuyendo esto a
crear un desnimo en torno a la materia.

Por otro lado, el material que aqu se propone es complementario a lo que el estudiante puede
indagar por su cuenta, de manera que a ti te corresponde comparar los temas expuestos con otro tipo
de bibliografa para validar los conocimientos y aprender puntos de vista de los diferentes autores.

Suerte en tus estudios!

Atte: Profr. Juan Manuel.
M.E.T. Juan Manuel Jurez Zamorano

1. Conceptos Bsicos

Es muy recomendable que cuando vamos a comenzar el estudio de una materia nueva,
tengamos en cuenta los conceptos que se manejan para poder entenderla mejor. En esta ocasin,
comenzaremos por definir aquellos conceptos que sern relevantes para el comienzo del estudio de la
Estadstica.

1.1 Concepto de Estadstica

La Estadstica, es la rama de las matemticas que se ocupa de reunir, organizar y analizar datos
numricos y que ayuda a resolver problemas como el diseo de experimentos y la toma de decisiones.

Desde los comienzos de la civilizacin han existido formas sencillas de estadstica, pues ya se
utilizaban representaciones grficas y otros smbolos en pieles, rocas, palos de madera y paredes de
cuevas para contar el nmero de personas, animales o cosas. Hacia el ao 3000 a.C. los babilonios
usaban pequeas tablillas de arcilla para recopilar datos sobre la produccin agrcola y sobre los gneros
vendidos o cambiados mediante trueque. En el siglo XXXI a.C., mucho antes de construir las pirmides,
los egipcios analizaban los datos de la poblacin y la renta del pas. Los libros bblicos de Nmeros y
Crnicas incluyen, en algunas partes, trabajos de estadstica. El primero contiene dos censos de la
poblacin de Israel y el segundo describe el bienestar material de las diversas tribus judas. En China
existan registros numricos similares con anterioridad al ao 2000 a.C. Los griegos clsicos realizaban
censos cuya informacin se utilizaba hacia el 594 a.C. para cobrar impuestos.

El Imperio romano fue el primer gobierno que recopil una gran cantidad de datos sobre la
poblacin, superficie y renta de todos los territorios bajo su control. Durante la edad media slo se
realizaron algunos censos exhaustivos en Europa. Los reyes caloringios Pipino el Breve y Carlomagno
ordenaron hacer estudios minuciosos de las propiedades de la Iglesia en los aos 758 y 762
respectivamente. Despus de la conquista normanda de Inglaterra en 1066, el rey Guillermo I de
Inglaterra encarg la realizacin de un censo. La informacin obtenida con este censo, llevado a cabo en
1086, se recoge en el Domesday Book. El registro de nacimientos y defunciones comenz en Inglaterra a
principios del siglo XVI, y en 1662 apareci el primer estudio estadstico notable de poblacin, titulado
Observations on the London Bills of Mortality (Comentarios sobre las partidas de defuncin en Londres).
Un estudio similar sobre la tasa de mortalidad en la ciudad de Breslau, en Alemania, realizado en 1691,
fue utilizado por el astrnomo ingls Edmund Halley como base para la primera tabla de mortalidad. En
el siglo XIX, con la generalizacin del mtodo cientfico para estudiar todos los fenmenos de las ciencias
naturales y sociales, los investigadores aceptaron la necesidad de reducir la informacin a valores
numricos para evitar la ambigedad de las descripciones verbales.

En nuestros das, la estadstica se ha convertido en un mtodo efectivo para describir con
exactitud los valores de datos econmicos, polticos, sociales, psicolgicos, biolgicos o fsicos, y sirve
como herramienta para relacionar y analizar dichos datos. El trabajo del experto estadstico no consiste
ya slo en reunir y tabular los datos, sino sobre todo en el proceso de interpretacin de esa
informacin. El desarrollo de la teora de la probabilidad ha aumentado el alcance de las aplicaciones de
la estadstica. Muchos conjuntos de datos se pueden aproximar, con gran exactitud, utilizando
determinadas distribuciones probabilsticas; los resultados de stas se pueden utilizar para analizar datos
M.E.T. Juan Manuel Jurez Zamorano
estadsticos. La probabilidad es til para comprobar la fiabilidad de las inferencias estadsticas y para
predecir el tipo y la cantidad de datos necesarios en un determinado estudio estadstico.

Un estudio estadstico consta de los siguientes pasos:
- Recogida de datos.
- Organizacin y representacin de datos.
- Anlisis de datos.
- Obtencin de conclusiones.

1.2 Poblacin.

Una poblacin es el conjunto de todos los elementos a los que se somete a un estudio
estadstico. A cada elemento se le denomina tambin como individuo. Cada individuo puede ser descrito
mediante uno o varios caracteres. Por ejemplo, si los individuos son personas, el sexo, el estado civil, el
nmero de hermanos o su estatura son caracteres. Y si el individuo es una reaccin qumica, el tiempo
de reaccin, la cantidad de producto obtenido o si ste es cido o bsico sern posibles caracteres que
pueden analizarse.

Un carcter puede ser cuantitativo si es medible numricamente o cualitativo si no admite
medicin numrica. El nmero de hermanos y la estatura son caracteres cuantitativos mientras que el
sexo y el estado civil son caracteres cualitativos.

1.3 Muestra

Una muestra es un conjunto representativo de la poblacin de referencia, el nmero de
individuos de una muestra es menor que el de la poblacin. La muestra estadstica al extraerse de la
poblacin tiene como objeto inferir, mediante su estudio, caractersticas de toda la poblacin. Se dice
que una muestra es representativa cuando, por la forma en que ha sido seleccionada, aporta garantas
suficientes para realizar inferencias fiables a partir de ella.

El procedimiento por el cual se adquiere una muestra se le denomina muestreo. Para que se
puedan obtener conclusiones fiables para la poblacin a partir de la muestra, es importante tanto su
tamao como el modo en que han sido seleccionados los individuos que la componen.

Para seleccionar los individuos de la muestra es fundamental proceder aleatoriamente, es decir,
decidir al azar qu individuos de entre toda la poblacin forman parte de la muestra. Si se procede como
si de un sorteo se tratara, eligiendo directamente de la poblacin sin ningn otro condicionante, el
muestreo se llama aleatorio simple o irrestrictamente aleatorio.

Las inferencias realizadas mediante muestras seleccionadas aleatoriamente estn sujetas a
errores, llamados errores de muestreo, que estn controlados. Si la muestra est mal elegida no es
significativa se producen errores sistemticos no controlados.

1.4 Variable

Una variable estadstica es cada una de las caractersticas o cualidades que poseen los individuos
de una poblacin. Existen diferentes tipos de variable, segn las cualidades que se busquen en ellas.
M.E.T. Juan Manuel Jurez Zamorano

1.5 Variable discreta

Una variable discreta es aquella que toma valores aislados, es decir no admite valores
intermedios entre dos valores especficos. Por ejemplo: El nmero de hermanos de 5 amigos: 2, 1, 0, 1,
3.

1.6 Variable continua

Una variable continua es aquella que puede tomar valores comprendidos entre dos nmeros, es
decir, cuando admite todos los valores de un intervalo. Por ejemplo: La altura de los 5 amigos: 1.73, 1.82,
1.77, 1.69, 1.75. En la prctica medimos la altura con dos decimales, pero tambin se podra dar con tres
decimales.

1.7 Redondeo de datos

El redondeo de datos es una prctica que nos permite visualizar cantidades de una forma mas
cmoda. El propsito de redondear las cantidades decimales es facilitarnos la interpretacin y la
comunicacin de los resultados de un proceso estadstico. Para realizar el redondeo de una cifra decimal
existen varios procedimientos. El mas comn es el que se realiza, por ejemplo, al asignar calificaciones
en los parciales de nuestras materias. Por ejemplo: si un alumno tiene 87 puntos, como solamente
podemos manejar una cantidad entera en los parciales, se sube al entero superior, que seria 9 (90
puntos). Por lo contrario, si el alumno tiene 83 puntos, se redondea su calificacin al entero inmediato
anterior, que sera 8 (80 puntos).

El redondeo se realiza de la siguiente manera: si el dgito que queremos redondear es un 0, 1, 2,
3 4, entonces se redondea al entero anterior; si fuera 5, 6, 7, 8 9, se redondea al entero superior.

1.8 Notacin cientfica

Es la forma de expresar un nmero mediante la cual se aprecia, de un golpe de vista, el orden de
magnitud del mismo. Un nmero escrito en notacin cientfica consta de un decimal con una nica cifra
distinta de cero en su parte entera, multiplicado por una potencia entera de 10:

a,bcd 10
n


con a 0, por lo que el nmero a,bcd es mayor o igual a 1 y menor que 10. n es un nmero entero,
positivo o negativo.

La notacin cientfica es muy til para manejar nmeros muy grandes o muy pequeos. Por
ejemplo, 3,548 10
12
es un nmero grande, que puesto en la forma habitual sera 3.548.000.000.000.
Para interpretarlo habra que contar sus cifras, tarea que se da hecha en la expresin cientfica. El
nmero 5,5491 10
-20
= 0,000000000000000000055491 es un nmero muy pequeo. Es clara la ventaja
que supone la notacin cientfica sobre la habitual para interpretar su valor.

Para manejar de una manera prctica la notacin cientfica, podemos decir que la potencia nos
indica los lugares que se mueve el punto decimal. Si la potencia es positiva, entonces el punto decimal se
mueve a la derecha, si es negativa, entonces se mover a la izquierda.
M.E.T. Juan Manuel Jurez Zamorano

1.9 Toma de datos

Es el primer paso de un proceso estadstico y consiste en recabar la informacin del campo de
estudio. La toma de datos se realiza mediante entrevistas estructuradas o preguntas directas, de acuerdo
con el objeto del estudio a realizar. La concentracin de los resultados obtenidos se analiza y se
representa de diferentes maneras.

1.10 Distribucin de frecuencias.

Una distribucin de frecuencias o tabla de frecuencias es una ordenacin en forma de tabla de
los datos estadsticos, asignando a cada dato su frecuencia correspondiente.

Estas tablas constan de dos columnas. En la primera se escriben los valores de la variable, x
i
. En
la segunda las correspondientes frecuencias, f
i
. Estas sencillas tablas se utilizan, nicamente, cuando la
variable es discreta y admite pocos valores (a lo sumo, de 12 a 16).

La tabla siguiente da la distribucin de la variable nmero de hijos correspondiente a un
conjunto de 43 familias:
Tipos de frecuencia

Frecuencia absoluta

La frecuencia absoluta es el nmero de veces que aparece un determinado valor en un estudio
estadstico. Se representa por fi.

La suma de las frecuencias absolutas es igual al nmero total de datos, que se representa por N.

Para indicar resumidamente estas sumas se utiliza la letra
griega (sigma mayscula) que se lee suma o sumatoria.


Frecuencia relativa

La frecuencia relativa es el cociente entre la frecuencia absoluta de un determinado valor y el
nmero total de datos. Se puede expresar en tantos por ciento y se representa por ni.

La suma de las frecuencias relativas es igual a 1.

Frecuencia acumulada
M.E.T. Juan Manuel Jurez Zamorano

La frecuencia acumulada es la suma de las frecuencias absolutas de todos los valores inferiores o
iguales al valor considerado. Se representa por Fi.

Frecuencia relativa acumulada

La frecuencia relativa acumulada es el cociente entre la frecuencia acumulada de un
determinado valor y el nmero total de datos. Se puede expresar en tantos por ciento.

1.11 Intervalos de clase

Cuando tenemos una cantidad grande de datos para analizar (30 o mas), la mayora de las veces
nos conviene separarlos por clases, que son grupos de datos a los que les asignamos una caracterstica
de forma arbitraria. Cada uno de esos grupos abarca una cierta cantidad de datos de la poblacin,
separndolos de los dems de acuerdo a su categora. A esto le llamamos tambin intervalo o intervalo
de clase.

Pasos para agrupar datos.

Determinar el rango o recorrido de los datos: Rango = Valor mayor Valor menor

Establecer el nmero de clases (k) en que se van a agrupar los datos tomando como base para
esto la siguiente tabla.

Tamao de muestra o No. De datos Nmero de clases
Menos de 50 5 a 7
50 a 99 6 a 10
100 a 250 7 a 12
250 en adelante 10 a 20

El uso de esta tabla es uno de los criterios que se puede tomar en cuenta para establecer el
nmero de clases en las que se van a agrupar los datos, existen otros para hacerlo.

Determinar la amplitud de clase para agrupar (C).



1.12 Lmites de clase

Las clases tiene dos lmites: uno superior y uno inferior. Para formar clases y agrupar datos se
procede de la siguiente manera:

Para formar la primera clase, se pone como lmite inferior de la primera clase un valor un poco
menor que el dato menor encontrado en la muestra y posteriormente se suma a este valor C,
obteniendo de esta manera el lmite superior de la primera clase, luego se procede a obtener los lmites
de la clase siguiente y as sucesivamente.
k
Rango
C =
M.E.T. Juan Manuel Jurez Zamorano

1.13 Marca de clase

La marca de clase es el punto medio de cada intervalo y es el valor que representa a todo el
intervalo para el clculo de algunos parmetros.

1.14 Representaciones grficas

Para representar grficamente el resultado de un proceso estadstico, podemos acudir a varias
herramientas que nos permiten visualizar dichos resultados de una forma comprensible y agradable.
Entre las grficas que vamos a necesitar, encontramos tres: el histograma, la grfica de barras y el
polgono de frecuencias.

Grfica de barras:

En este tipo de grfica, sobre los valores de las variables se levantan barras estrechas de
longitudes proporcionales a las frecuencias correspondientes. Se utilizan para representar variables
cuantitativas discretas. El diagrama de barras siguiente representa la distribucin del nmero de hijos de
43 familias:

Histograma:

Los histogramas se utilizan para representar tablas de frecuencias con datos agrupados en
intervalos. Si los intervalos son todos iguales, cada uno de ellos es la base de un rectngulo cuya altura es
proporcional a la frecuencia correspondiente. El histograma que se muestra a continuacin es el
correspondiente a la tabla de frecuencias con intervalos adjunta (1.200 calificaciones distribuidas en 10
intervalos):
M.E.T. Juan Manuel Jurez Zamorano

Si se unen los puntos medios de la base superior de los rectngulos se obtiene el polgono de
frecuencias.

Polgono de frecuencias

Un pol gono de f recuenci as se forma uniendo los ext r emos de las bar r as de un
di agr ama de bar r as mediante segment os. Tambin se puede realizar trazando los punt os que
representan las f r ecuenci as y unindolos mediante segmentos .

Ejemplo:
Las temperaturas en un da de otoo de una ciudad han
sufrido las siguientes variaciones:

Hora Temperatura
6 7
9 12
12 14
15 11
18 12
21 10
24 8

Polgonos de frecuencia para datos agrupados

Para construir el pol gono de f r ecuenci a se toma la mar ca de cl ase que coincide con el
punt o medi o de cada rect ngul o de un hi st ogr ama. Ejemplo: El peso de 65 personas adultas
viene dado por la siguiente tabla:
c
i
f
i
F
i

[50, 60) 55 8 8
[60, 70) 65 10 18
[70, 80) 75 16 34
[80, 90) 85 14 48
[90, 100) 95 10 58
M.E.T. Juan Manuel Jurez Zamorano
[100, 110) 110 5 63
[110, 120) 115 2 65
65



Polgono de frecuencias acumuladas

Si se representan las f r ecuenci as acumul adas de una t abl a de datos agr upados se
obtiene el hi stogr ama de f r ecuenci as acumul adas o su correspondiente pol gono.

Grfica circular

En un diagrama de este tipo, los 360 de un crculo se reparten proporcionalmente a las
frecuencias de los distintos valores de la variable. Resultan muy adecuados cuando hay pocos valores, o
bien cuando el carcter que se estudia es cualitativo. El diagrama de sectores siguiente refleja el
resultado de una encuesta (realizada a 300 personas) sobre los tipos de pelcula preferidos por el pblico
en general:
M.E.T. Juan Manuel Jurez Zamorano



2. Medidas de tendencia central

La estadstica descriptiva en su funcin bsica de reducir datos, propone una serie de indicadores
que permiten tener una percepcin rpida de lo que ocurre en un fenmeno.

La primera gama de indicadores corresponde a las Medidas de Tendencia Central. Existen
varios procedimientos para expresar matemticamente las medidas de tendencia central, de los cuales,
los ms conocidos son: la media aritmtica, la moda y la mediana.

2.1 Media

Equivale al clculo del promedio simple de un conjunto de datos. Para diferenciar datos
muestrales de datos poblacionales, la media aritmtica se representa con un smbolo para cada uno de
ellos: si trabajamos con la poblacin, este indicador ser ; en el caso de que estemos trabajando con
una muestra, el smbolo ser .

Media aritmtica ( o X): Es el valor resultante que se obtiene al dividir la sumatoria de un
conjunto de datos sobre el nmero total de datos. Solo es aplicable para el tratamiento de datos
cuantitativos.

Podemos diferenciar la frmula del promedio simple para datos poblaciones y muestrales:


Observa que la variacin de ambas frmulas radica en el tamao de los datos (N identifica el
tamao de la poblacin, mientras que n el de la muestra).

M.E.T. Juan Manuel Jurez Zamorano
2.2 Moda

Indica el valor que ms se repite, o la clase que posee mayor frecuencia. Su smbolo ser Mo. En el caso
de que dos valores presenten la misma frecuencia, decimos que existe un conjunto de datos bimodal.
Para ms de dos modas hablaremos de un conjunto de datos multimodal. Se puede hallar la moda para
variables cualitativas y cuantitativas.

2.3 Mediana

Valor que divide una serie de datos en dos partes iguales. La cantidad de datos que queda por
debajo y por arriba de la mediana son iguales. Su smbolo ser Me. Para localizar la mediana de un
conjunto de datos, stos debern estar ordenados en orden ascendente o descendente.

Al momento de ordenar los datos, podremos observar que en ocasiones ser un conjunto de
elementos impares, lo que facilita la ubicacin de la mediana. Cuando el conjunto de datos ser impar,
se necesitar desarrollar un procedimiento como el que a continuacin veremos.

a) Mediana para datos no agrupados (cantidad de datos impar)

Encontrar la mediana para los siguientes datos:
4 1 2 3 4 2 2 1 5 5 3

SOLUCIN
PASO 1: Ordenar los datos.
1 1 2 2 2 3 3 4 4 5 5

PASO 2: Localizar el valor que divide en dos parte iguales el nmero de datos.


La mediana es 3, dejando 5 datos a cada lado.

Me = 3

b) Mediana para datos no agrupados (cantidad de datos par)

Modifiquemos el ejemplo anterior, eliminando el ltimo dato. Encontrar la mediana:
4 1 2 3 4 2 2 1 5 5
SOLUCIN
PASO 1: Ordenar los datos.
1 1 2 2 2 3 4 4 5 5
PASO 2: Localizar el valor que divide en dos parte iguales el nmero de datos.


El punto medio se encuentra entre dos valores: 2 y 3, por tanto, el valor de la mediana ser 2,5.
M.E.T. Juan Manuel Jurez Zamorano
Me = 2,5

2.4 Cuartiles

En estadstica, son las medidas de posicin que, junto con la mediana, sirven para separar la
poblacin en cuatro porciones, cada una de ellas con la cuarta parte de los individuos.

El cuartil inferior, Q
1
, es un valor por debajo del cual queda el 25% de la poblacin. Es, por tanto,
el percentil 25: Q
1
= p
25
. El cuartil superior, Q
3
, es un valor por debajo del cual queda el 75% de la
poblacin. Es, por tanto, el percentil 75: Q
3
= p
75
. La mediana sera el segundo cuartil, pero no se le suele
dar este nombre.

La diferencia entre los cuartiles superior e inferior es el recorrido intercuartlico.

Clculo de los cuartiles

1. Ordenamos los datos de menor a mayor.
2. Buscamos el lugar que ocupa cada cuartil mediante la expresin .

Nmero impar de datos
2, 5, 3, 6, 7, 4, 9


Nmero par de datos
2, 5, 3, 4, 6, 7, 1, 9


2.5 Deciles

Los deciles son los nueve valores que dividen la serie de datos en diez partes iguales. Los deciles
dan los valores correspondientes al 10%, al 20%... y al 90% de los datos. D
5
coincide con la mediana.

2.6 Percentiles

Los percentiles son los 99 valores que dividen la serie de datos en 100 partes iguales. Los
percentiles dan los valores correspondientes al 1%, al 2%... y al 99% de los datos. P
50
coincide con la
mediana.

M.E.T. Juan Manuel Jurez Zamorano


3. Medidas de dispersin

Cuando se tiene una muestra de datos obtenida de una poblacin cualquiera, es importante
determinar sus medidas de tendencia central as como tambin es bsico el determinar que tan
dispersos estn los datos en la muestra, por lo que se hace necesario determinar su rango, la varianza, la
desviacin estndar, etc., ya que una excesiva variabilidad o dispersin en los datos indica la
inestabilidad del proceso en anlisis en la mayora de los casos.

3.1 Rango

El rango (tambin lo podemos llamar recorrido) es la diferencia entre el valor mayor y el valor
menor encontrados en la muestra, tambin se le denomina recorrido ya que nos dice entre que valores
hace su recorrido la variable de inters; y se determina de la siguiente manera:

R = V
M
V
m

Donde:

R = rango o recorrido
V
M
= valor mayor en la muestra
V
m
= valor menor en la muestra

El rango intercuartlico es la diferencia, Q
3
Q
1
, entre el cuartil superior, Q
3
, y el cuartil inferior,
Q
1
. El par de parmetros formado por la mediana, Me, y el rango intercuartlico, Q
3
Q
1
, proporciona
una buena informacin sobre la forma de la distribucin.


3.2 Varianza

La varianza, V, es el promedio de los cuadrados de las desviaciones, (x
i
- )
2
, de cada
elemento, x
i
, respecto a la media, :

La frmula anterior es equivalente a esta otra:

que resulta ms cmoda de aplicar, sobre todo cuando la media, , no es un nmero
entero.
En la distribucin 4, 6, 6, 7, 9, 11, 13, de media 8, la varianza es:

M.E.T. Juan Manuel Jurez Zamorano
Aplicando la segunda frmula se obtiene, obviamente, el mismo resultado:




El clculo de la varianza en un proceso estadstico puede aplicarse tanto a una muestra
(simbolizada como S
2
) o tambin a una poblacin (su smbolo ser o
2
).


3.3 Desviacin media

Se simboliza con Dm y es un promedio de los valores absolutos de las desviaciones, |x
i
- |,
de cada elemento, x
i
, de la distribucin respecto a su media, :

Por ejemplo, en la distribucin 4, 6, 6, 7, 9, 11, 13, cuya media es 8, la desviacin media es:





La desviacin media en ocasiones la podemos encontrar simbolizada con

3.4 Desviacin estndar

Tambin llamada desviacin tpica y se obtiene sacndole raz cuadrada a la varianza. Se
representa con la letra S o con . La razn de ser de este parmetro es conseguir que la medida de
dispersin se exprese en las mismas unidades que los datos a los que se refieren. Por ejemplo, en una
distribucin de estaturas en la que los datos estn dados en centmetros (cm), la media viene dada en
centmetros, pero la varianza en centmetros cuadrados (cm
2
). Para evitar este inconveniente se calcula
su raz cuadrada, obtenindose as la desviacin tpica en centmetros. El par de parmetros formado por
la media y la desviacin tpica ( , ) aporta una informacin suficientemente buena sobre la forma de la
distribucin.

Frmula de trabajo para la poblacin

Frmula de trabajo para la muestra:
M.E.T. Juan Manuel Jurez Zamorano

Propiedades de la desviacin tpica

a) La desviacin tpica ser siempre un valor positivo o cero, en el caso de que las puntuaciones
sean iguales.
b) Si a todos los valores de la variable se les suma un nmero la desviacin tpica no vara.
c) Si todos los valores de la variable se multiplican por un nmero la desviacin tpica queda
multiplicada por dicho nmero.
d) Si tenemos varias distribuciones con la misma media y conocemos sus respectivas desviaciones
tpicas se puede calcular la desviacin tpica total.

Si todas las muestras tienen el mismo tamao:



Si las muestras tienen distinto tamao:


Observaciones sobre la desviacin tpica

a) La desviacin tpica, al igual que la media y la varianza, es un ndice muy sensible a las
puntuaciones extremas.
b) En los casos que no se pueda hallar la media tampoco ser posible hallar la desviacin tpica.
c) Cuanta ms pequea sea la desviacin tpica mayor ser la concentracin de datos alrededor de
la media.


3.5 Coeficiente de variacin

El coeficiente de variacin es la relacin entre la desviacin tpica de una muestra y su media.

El coeficiente de variacin se suele expresar en porcentajes:

El coeficiente de variacin permite comparar las dispersiones de dos distribuciones distintas,
siempre que sus medias sean positivas.

Se calcula para cada una de las distribuciones y los valores que se obtienen se comparan entre s.
La mayor dispersin corresponder al valor del coeficiente de variacin mayor.
M.E.T. Juan Manuel Jurez Zamorano

Ejemplo: Una distribucin tiene x = 140 y = 28.28 y otra x = 150 y = 25. Cul de las dos
presenta mayor dispersin?


La primera distribucin presenta mayor dispersin.


4. Acercamiento a la probabilidad

En ocasiones cuando se habla de probabilidad o posibilidad de que un evento ocurra, se pierde la
credibilidad acerca del evento en cuestin, pero es posible tener siempre la certeza total en todo
proyecto o actividad que se desea realizar?, es muy difcil tenerla, debido a que el llevar a efecto un
proyecto cualquiera por ms simple que este sea, ste est sujeto a una gran diversidad de factores que
afectan su ocurrencia, entonces que es lo ms aconsejable para predecir su ocurrencia?, la probabilidad
es la que nos ayuda en estos casos, ya que basndose en estadsticas, podemos cuantificar la posibilidad
de ocurrencia de los eventos y por consiguiente tomar una buena decisin basados en esta informacin.


4.1 Teora de conjuntos

La Teora de conjuntos es una rama de las matemticas a la que el matemtico alemn Georg
Cantor dio su primer tratamiento formal en el siglo XIX. El concepto de conjunto es uno de los ms
fundamentales en matemticas, incluso ms que la operacin de contar, pues se puede encontrar,
implcita o explcitamente, en todas las ramas de las matemticas puras y aplicadas. En su forma
explcita, los principios y terminologa de los conjuntos se utilizan para construir proposiciones
matemticas ms claras y precisas y para explicar conceptos abstractos como el de infinito.

La Teora de Conjuntos es necesaria para entender como la teora moderna de la probabilidad.
En este apartado se explicarn algunos conceptos y temas que te ayudarn a comprender mejor esta
teora.

Comenzaremos por definir algunos conceptos fundamentales:

Conjunto: es una coleccin bien definida de objetos, los cuales se denominan elementos o
miembros del conjunto. Generalmente se utilizan las letras maysculas, como A, B, X, Y para
designar los conjuntos mientras que las letras minsculas, como a, b, x, y. se utilizan para
designar los elementos de los conjuntos. Las palabras clase, coleccin, y familia son sinnimos de
conjunto.

Para designar la pertenencia de un elemento a un conjunto se utiliza el smbolo e que se lee
pertenece. As, al escribir b e S, se lee el elemento b pertenece al conjunto S. De forma contraria, si
el elemento no pertenece a determinado conjunto se escribe el smbolo e que se lee no pertenece. Un
conjunto se representa frecuentemente mediante llaves que contienen sus elementos, ya sea de forma
M.E.T. Juan Manuel Jurez Zamorano
explcita, escribiendo todos y cada uno de los elementos, o dando una frmula, regla o proposicin que
los describa. Por ejemplo, S
1
= {2, 4}; S
2
= {2, 4, 6, ..., 2n, ...} = {todos los enteros pares}; S
3
= {x | x
2
- 6x +
11 3}; S
4
= {todos los varones vivos llamados Juan}. S
3
se describe como el conjunto de todas las x tales
que x
2
- 6x + 11 3.

Subconjuntos y superconjuntos: Si todo elemento de un conjunto R pertenece tambin al
conjunto S, R es un subconjunto de S, y S es un superconjunto de R; utilizando smbolos, R c S, o
S R. Todo conjunto es un subconjunto y un superconjunto de s mismo. Si R c S, y al menos un
elemento de S no pertenece a R, se dice que R es un subconjunto propio de S, y S es un
superconjunto propio de R. Si R c S y S R, es decir, todo elemento de un conjunto pertenece
tambin al otro, entonces R y S son dos conjuntos iguales, lo que se escribe R = S. En los
ejemplos del apartado anterior, S
1
es un subconjunto propio de S
2
.

Unin e interseccin de conjuntos: Si A y B son dos subconjuntos de un conjunto S, los
elementos que pertenecen a A, a B o a ambos forman otro subconjunto de S llamado unin de A
y B, escrito A B. Los elementos comunes a A y B forman un subconjunto de S denominado
interseccin de A y B, escrito A B. Si A y B no tienen ningn elemento comn, su interseccin
no tiene ningn elemento, y siendo conveniente representar esta interseccin como otro
conjunto, ste se denomina conjunto vaco o nulo y se representa con el smbolo C. Por
ejemplo, si A = {2, 4, 6}, B = {4, 6, 8, 10} y C = {10, 14, 16, 26}, entonces A B = {2, 4, 6, 8, 10},
A C = {2, 4, 6, 10, 14, 16, 26}, A B = {4, 6} y A C = C.

Conjunto Universo: es un conjunto que contiene todos los elementos de una cierta
investigacin. Por ejemplo, en el estudio de la poblacin humana, el conjunto universo consiste
en todas las personas del planeta. El conjunto Universo de denota con el smbolo U.

Diferencia y complemento de conjuntos: El conjunto de elementos que pertenecen a A pero no
a B se denomina conjunto diferencia entre A y B, escrito A - B (y a veces A\B). As, siguiendo con
el ejemplo anterior, A - B = {2}, B - A = {8, 10}. Si A es un subconjunto del conjunto l, el conjunto
de los elementos que pertenecen a l pero no a A, es decir, l - A, se denomina conjunto
complementario de A (con respecto a l), lo que se escribe l - A = A (que tambin puede aparecer
como , o ~A).


4.2 Diagramas de Venn
El la teora de conjuntos, la simbologa que se maneja, a parte de la que ya hemos mencionado
para los conjuntos es la que se conoce como diagramas de Venn. Estos diagramas son representados por
crculos, los cuales simbolizan a los conjuntos y las relaciones o superposiciones entre ellos son los que
definen las operaciones que se realizan entre ellos.

Para representar al conjunto universal se utiliza un rectngulo y los dems conjuntos estn
representados por crculos que se encuentran dentro del rectngulo. Si A _ B (lase el conjunto A es un
subconjunto del conjunto B), entonces el crculo que representa a A estar completamente dentro del
crculo que representa a B. Si A y B son disyuntivos, es decir, no tienen elementos en comn, entonces el
crculo que representa a A estar separado del crculo que representa a B. En otra situacin, si A y B
tienen elementos comunes, aunque no todos los de A estn en B y viceversa, entonces se representan
con crculos superpuestos. Veamos las siguientes figuras:
M.E.T. Juan Manuel Jurez Zamorano









A _ B A y B disyuntivos A y B con elementos comunes

Tambin los diagramas de Venn nos sirven para graficar las operaciones que se pueden realizar
con los conjuntos. Veamos con mas detalle estas operaciones, donde el resultado se muestra
sombreado.

Operacin Expresin grfica
Unin de conjuntos: es el conjunto de todos los elementos
que pertenecen a A o a B
Se expresa:
A B





Interseccin de conjuntos: la interseccin de A y B la
conforman los elementos comunes a ambos conjuntos.
Se expresa:
A B


Diferencia de conjuntos: se conforma por los elementos de
B que no pertenecen a A
Se expresa:
B A


Complemento: El complemento de un conjunto A,
representado por A
c
, es el conjunto de los elementos que
pertenecen a U pero que no pertenecen a A.
Se expresa:
A
c
= { x:x e U, x e A}

Diferencia simtrica: consiste en aquellos elementos que
pertenecen a A o a B, pero no a ambos.
Se expresa:
A B = (A B) \ (A / B)



Los conjuntos bajo las operaciones de unin, interseccin y complemento, satisfacen las diversas
leyes (identidades) que se muestran a continuacin. Las propiedades se cumplen si A, B, C... son
subconjuntos de un conjunto U:

1. A B = B A
2. A B = B A
3. (A B) C = A (B C)
4. (A B) C = A (B C)
5. A C = A
6. A C = C
7. A U= U
U
B
A
U
B
A
U
A B
U
A

A B
M.E.T. Juan Manuel Jurez Zamorano
8. A U = A
9. A (B C) = (A B) (A C)
10. A (B C) = (A B) (A C)
11. A A = U
12. A A = C
13. (A B) = A B
14. (A B) = A B
15. A A = A A = A
16. (A) = A
17. A - B = A B
18. (A - B) - C = A - (B C)
19. Si A B = C, entonces (A B) - B = A
20. A - (B C) = (A - B) (A - C)

stas tambin son llamadas propiedades del lgebra de conjuntos, que es un caso particular
del sistema algebraico conocido como lgebra de Boole.


4.3 Antecedentes, axiomas y conceptos bsicos de probabilidad.

La Probabilidad es la rama de las matemticas que se ocupa de medir o determinar
cuantitativamente la posibilidad de que ocurra un determinado suceso. La probabilidad est basada en el
estudio de la combinatoria y es fundamento necesario de la estadstica.

Antecedentes

Analizando un poco la historia de esta disciplina, encontramos que la creacin de la probabilidad
se atribuye a los matemticos franceses del siglo XVII Blaise Pascal y Pierre de Fermat, aunque algunos
matemticos anteriores, como Gerolamo Cardano en el siglo XVI, haban aportado importantes
contribuciones a su desarrollo. La probabilidad matemtica comenz como un intento de responder a
varias preguntas que surgan en los juegos de azar, por ejemplo, saber cuntos dados hay que lanzar
para que la probabilidad de que salga algn seis supere el 50%. La probabilidad de un resultado se
representa con un nmero entre 0 y 1, ambos inclusive. La probabilidad 0 indica que el resultado no
ocurrir nunca, y la probabilidad 1, que el resultado ocurrir siempre.

Histricamente se han desarrollado tres diferentes enfoques conceptuales para definir la
probabilidad y para determinar valores de probabilidad:

el clsico,
el de frecuencia relativa y
el subjetivo.


De acuerdo con el enfoque clsico de la probabilidad, si N(A) resultados elementales posibles
son favorables en el evento A, y existe N(S) posibles resultados en el espacio muestral y todos los
resultados elementales son igualmente probables y mutuamente excluyentes; entonces, la probabilidad
de que ocurra el evento A es:
M.E.T. Juan Manuel Jurez Zamorano
()
()
()

EJEMPLO:

En un mazo de cartas bien barajadas que contiene 4 ases y 48 cartas de otro tipo, la probabilidad
de obtener un as (A) en una sola extraccin es

()
()
()

Obsrvese que el enfoque clsico de la probabilidad se basa en la suposicin de que cada uno de
los resultados es igualmente probable. Debido a que este enfoque (cuando es aplicable) permite
determinar los valores de probabilidad antes de observar cualesquiera eventos muestrales, tambin se le
denomina enfoque a priori.

A travs del enfoque de frecuencia relativa, se determina la probabilidad con base en la
proporcin de veces que ocurre un resultado favorable en un determinado nmero de observaciones o
experimentos. No hay implcita ninguna suposicin previa de igualdad de probabilidades. Debido a que
para determinar los valores de probabilidad se requiere de la observacin y de la recopilacin de datos, a
este enfoque se le denomina tambin enfoque emprico. La probabilidad de que ocurra un evento A, de
acuerdo con el enfoque de frecuencia relativa es
()

()

Tanto el enfoque clsico como el de frecuencia relativa producen valores de probabilidad
objetivos, en el sentido de que sealan la tasa relativa de ocurrencia del evento a largo plazo.

Por el contrario, el enfoque subjetivo a la probabilidad es particularmente apropiado cuando
slo existe una probabilidad de que el evento ocurra, y se da el caso de que ocurra o no esa nica vez. De
acuerdo con el enfoque subjetivo, la probabilidad de un evento es el grado de confianza que una
persona tiene en que el evento ocurra, con base en toda la evidencia que tiene disponible. Debido a que
el valor de la probabilidad es un juicio personal, al enfoque subjetivo se le denomina tambin enfoque
personalista.

Axiomas

Para el clculo de probabilidades hay que tomar en cuenta los Axiomas y Teoremas que a
continuacin se enumeran.

1) La probabilidad de que ocurra un evento A cualquiera se encuentra entre cero y uno.

0 s p(A) > 1

2) La probabilidad de que ocurra el espacio muestral o debe de ser 1.

p(o) = 1

3) Si A y B son eventos mutuamente excluyentes, entonces la p(AB) = p(A) + p(B)
M.E.T. Juan Manuel Jurez Zamorano
A
o
A

A
c


o

o

A

B\A

B

A

B

AB

o

A

B

AB

o


Generalizando:

Si se tienen n eventos mutuamente excluyentes o exclusivos A1, A2, A3,.....An, entonces;
p(A1A2.........An) = p(A1) + p(A2) + .......+ p(An)

Teoremas

Teorema 1. Si | es un evento nulo o vaco, entonces la
probabilidad de que ocurra | debe ser cero. p(|)=0


Demostracin: Si sumamos a |un evento A cualquiera, como | y A son dos eventos mutuamente
excluyentes, entonces p(A|)=p(A) +p(|)=p(A). LQQD


Teorema 2. La probabilidad del complemento de A, Ac debe ser,
p(Ac)= 1 p(A)

Demostracin: Si el espacio muestral o, se divide en dos
eventos mutuamente exclusivos, A y Ac luego o=AAc, por
tanto p(o)=p(A) + p(Ac) y como en el axioma dos se afirma que
p(o)=1, por tanto, p(Ac)= 1 - p(A) .LQQD

Teorema 3. Si un evento A c B, entonces la p(A) s p(B).

Demostracin: Si separamos el evento B en dos eventos
mutuamente excluyentes, A y B \ A (B menos A), por tanto,
B=A(B \ A) y p(B)=p(A) +p(B \ A), luego entonces si p(B \ A)>0
entonces se cumple que p(A)sp(B). LQQD



Teorema 4. La p( A \ B )= p(A) p(AB)

Demostracin: Si A y B son dos eventos cualquiera, entonces el
evento A se puede separar en dos eventos mutuamente
excluyentes, (A \ B) y AB, por tanto, A=(A \ B)(AB), luego
p(A)=p(A \ B) + p(AB), entonces, p(A \ B) = p(A) p(AB).
LQQD


Teorema 5. Para dos eventos A y B, p(AB)=p(A) + p(B) p(AB).

DEMOSTRACIN: Si AB = (A \ B) B, donde (A \ B) y B son
eventos mutuamente excluyentes, por lo que p(A B) = p(A \ B) +
A\B

M.E.T. Juan Manuel Jurez Zamorano
A

B

C

o

AB
ABC
BC

AC

p(B) y del teorema anterior tomamos que p(A \ B) = p(A) p(AB), por tanto, p(AB) = p(A) + p(B)
p(AB). LQQD


Corolario:
Para tres eventos
A, B y C, p(ABC) = p(A) + p(B) + p(C) p(AB) p(AC) (BC)
+ p(ABC).






Conceptos Bsicos

a) Espacio muestral (o).- Es el conjunto de todos los resultados posibles de un experimento. Es nuestro
Universo.

Ejemplos:
1. Se lanza al aire un dado normal (perfectamente equilibrado), enumere los posibles resultados
de este experimento.

o= {1, 2, 3, 4, 5, 6 }

2. Se lanza al aire dos veces una moneda normal, defina su espacio muestral.

o = {AA, AS, SA, SS}

b) Evento A.- El evento A es un subconjunto del espacio muestral.

Ejemplos:

1. Sea A el evento de que aparezca un nmero par en el lanzamiento de un dado, entonces;

A = {2,4,6}
2. Sea B el evento de que aparezcan dos guilas en tres lanzamientos de una moneda normal,
entonces;

Como o = {AAA, AAS, SAA, ASA, ASS, SAS, SSA, SSS}

Luego B = {AAS, SAA, ASA}


c) Evento seguro.- Se dice de aquel evento cuya probabilidad siempre es 1.
P(A)=1

M.E.T. Juan Manuel Jurez Zamorano
d) Punto muestral.- se le denomina punto muestral a un resultado particular, es decir, a un elemento del
conjunto de estudio.

e) Eventos mutuamente excluyentes.- los eventos A y B se denominan mutuamente excluyentes si son
disyuntivos, es decir, si A B = C. En esta caracterstica, A y B no pueden ocurrir en forma simultnea.

4.4 Modelos matemticos

5. Probabilidad.

Se le conoce como Probabilidad a la rama de las matemticas que se ocupa de medir o
determinar cuantitativamente la posibilidad de que ocurra un determinado suceso. La probabilidad est
basada en el estudio de la combinatoria y es fundamento necesario de la estadstica.

La creacin de la probabilidad se atribuye a los matemticos franceses del siglo XVII Blaise Pascal
y Pierre de Fermat, aunque algunos matemticos anteriores, como Gerolamo Cardano en el siglo XVI,
haban aportado importantes contribuciones a su desarrollo.

La probabilidad de un resultado se representa con un nmero entre 0 y 1, ambos inclusive. La
probabilidad 0 indica que el resultado no ocurrir nunca, y la probabilidad 1, que el resultado ocurrir
siempre.

El clculo matemtico de probabilidades se basa en situaciones tericas en las cuales puede
configurarse un espacio muestral cuyos sucesos elementales tengan todos la misma probabilidad.

5.1 Tcnicas de conteo

Las tcnicas de conteo son aquellas que son usadas para enumerar eventos difciles de
cuantificar. Ejemplos en los que definitivamente haremos uso de las tcnicas de conteo seran:

-Cuntas comisiones pro limpieza del Plantel se pueden formar si hay 150 alumnos que desean
ayudar en esta tarea y se desea formar comisiones de ocho alumnos?

-Cuntas representaciones de alumnos pueden ser formadas a) si se desea que estas consten
solo de alumnos de Informtica?, b) se desea que el presidente sea un Electromecnico?, c) se desea que
el presidente y tesorero sean electromecnicos? Para todos los casos, se desea que las representaciones
consten de once alumnos.

-Cuntas maneras tiene una persona de seleccionar una lavadora, una batidora y dos
licuadoras, si encuentra en una tienda 8 modelos diferentes de lavadoras, 5 modelos diferentes de
batidoras y 7 modelos diferentes de licuadoras?

Se les denomina tcnicas de conteo a: las combinaciones, permutaciones y diagrama de rbol,
las que a continuacin se explicarn y hay que destacar que stas nos proporcionan la informacin de
todas las maneras posibles en que ocurre un evento determinado.

M.E.T. Juan Manuel Jurez Zamorano
Las bases para entender el uso de las tcnicas de conteo son el principio multiplicativo y el
aditivo, los que a continuacin se definen y se hace uso de ellos.

Principio Multiplicativo

Si se desea realizar una actividad que consta de r pasos, en donde el primer paso de la actividad
a realizar puede ser llevado a cabo de N1 maneras o formas, el segundo paso de N2 maneras o formas y
el r-simo paso de Nr maneras o formas, entonces esta actividad puede ser llevada a efecto de;


N1 x N2 x ..........x Nr maneras o formas

El principio multiplicativo implica que cada uno de los pasos de la actividad deben ser llevados a
efecto, uno tras otro.

Ejemplos:

1) Una persona desea construir su casa, para lo cul considera que puede construir los cimientos de
su casa de cualquiera de dos maneras (concreto o block de cemento), mientras que las paredes
las puede hacer de adobe, adobn o ladrillo, el techo puede ser de concreto o lmina
galvanizada y por ltimo los acabados los puede realizar de una sola manera cuntas maneras
tiene esta persona de construir su casa?

Solucin:

Considerando que r = 4 pasos

N1= maneras de hacer cimientos = 2
N2= maneras de construir paredes = 3
N3= maneras de hacer techos = 2
N4= maneras de hacer acabados = 1

N1 x N2 x N3 x N4 = 2 x 3 x 2 x 1 = 12 maneras de construir la casa

El principio multiplicativo, el aditivo y las tcnicas de conteo que posteriormente se tratarn nos
proporcionan todas las maneras o formas posibles de como se puede llevar a cabo una actividad
cualquiera.

2) Cuntas placas para automvil pueden ser diseadas si deben constar de tres letras seguidas de
cuatro nmeros, si las letras deben ser tomadas del abecedario y los nmeros de entre los dgitos del 0 al
9?, a. Si es posible repetir letras y nmeros, b. No es posible repetir letras y nmeros, c. Cuntas de las
placas diseadas en el inciso b empiezan por la letra D y empiezan por el cero, d. Cuantas de las placas
diseadas en el inciso b empiezan por la letra D seguida de la G.

Solucin:

a. Considerando 26 letras del abecedario y los dgitos del 0 al 9

M.E.T. Juan Manuel Jurez Zamorano
( )! k n
n!

26 x 26 x 26 x 10 x 10 x 10 x 10 = 75,760,000 placas para automvil que es posible disear

b. 26 x 25 x 24 x 10 x 9 x 8 x 7 = 78,624,000 placas para automvil

c. 1 x 25 x 24 x 1 x 9 x 8 x 7 = 302,400 placas para automvil

d. 1 x 1 x 24 x 10 x 9 x 8 x 7 = 120,960 placas para automvil


a) Selecciones sucesivas (permutaciones)

Suponga que hay n objetos diferentes y queremos ordenar r de estos objetos en lnea. Puesto que hay n
maneras de escoger el primer objeto y luego n-1 maneras de escoger el segundo y finalmente n-r+1 maneras de
escoger el r-esimo, a partir del principio fundamental de conteo se deduce que el nmero de arreglos diferentes o
permutaciones, como se les nombra con frecuencia, est dado por:
n
P
r
= n(n-1)(n-2)(n-r+1),
De acuerdo con el principio de la multiplicacin:
P(n,k) = n*(n-1)*(n-2)**(n-k+1)=
Ejemplo: si tomamos 7 letras diferentes A, B, C, D, E, F, G, y de entre ellas tomamos arreglos de 3 letras,
entonces el nmero de arreglos que se pueden lograr es:

7
P
3
=

()

En las permutaciones, el orden en el que se ubiquen las personas, smbolos u objetos hace diferencia, es
decir SI importa el orden, de manera que

Existe un caso especial de ordenamientos sin reemplazo y se da cuando r = n, es decir, las extracciones son
del mismo tamao que el conjunto.
Su frmula es:

Ejemplo 1.- Cuantas permutaciones diferentes podemos formar al lanzar un dado 6 veces

2.- Cuantas permutaciones podemos formar con los 10 alumnos del saln

M.E.T. Juan Manuel Jurez Zamorano
3.- En la caja hay 5 pelotas negras, 6 pelotas blancas, 7 pelotas verdes, se pide extraer:
a) 3 pelotas con reemplazo
b) cantidad de permutaciones
c) permutaciones de pelotas verdes ;-)
d) 4 pelotas blancas con reemplazo
e) 3 pelotas verdes sin reemplazo
4.- De los 18 hombres del saln y 15 mujeres, se pide formar:
a) Pares de alumnos con reemplazo
b) Permutaciones de mujeres
c) Tercias de mujeres sin reemplazo
d) Permutaciones de alumnos
e) Quintetos de mujeres con reemplazo

Permutaciones SIN repeticin:

Las permutaciones sin repeticin de n elementos se definen como las distintas formas de ordenar todos
esos elementos distintos, por lo que la nica diferencia entre ellas es el orden de colocacin de sus elementos. El
nmero de estas permutaciones ser:


Permutaciones CON repeticin:

Llamamos a las permutaciones con repeticin de n elementos tomados de a en a, de b en b, de c en c, etc,
cuando en los n elementos existen elementos repetidos (un elemento aparece a veces, otro b veces, otro c veces,
etc) verificndose que a+b+c+...=n. El nmero de estas permutaciones ser:
Permutaciones circulares

Una permutacin circular es una disposicin de n elementos
de forma tal que una cualquiera de ellas se distingue de otra por variar la
posicin relativa de los elementos que la componen. En este sentido dos
disposiciones circulares son iguales si una se puede obtener de la otra por medio de una rotacin.

El nmero de arreglos circulares de n elementos viene dado por


( )! 1 n (n) P
C
=
M.E.T. Juan Manuel Jurez Zamorano
b) Combinaciones

Es todo arreglo de elementos en donde no nos interesa el lugar o posicin que ocupa cada uno de los
elementos que constituyen dicho arreglo. Por ejemplo abc es una combinacin diferente de bca. Sin embargo, en
muchos problemas solo nos interesa la seleccin de los objetos sin tener en cuenta su orden.

Combinaciones sin repeticin.
Definicin:

Las combinaciones sin repeticin de n elementos tomados de p en p se definen como las distintas
agrupaciones formadas con p elementos distintos, eligindolos de entre los n elementos de que disponemos,
considerando una variacin distinta a otra slo si difieren en algn elemento, (No influye el orden de colocacin de
sus elementos). El nmero de combinaciones que se pueden construir se puede calcular mediante la frmula:

n
C
r
=

()



Ejemplo: el nmero de maneras como pueden escogerse 3 personas de un total de 8 es:

8
C
3
=

()

Definicin:

Las combinaciones con repeticin de n elementos tomados de p en p se definen como las distintas
agrupaciones formadas con p elementos que pueden repetirse, eligindolos de entre los n elementos de que
disponemos, considerando una variacin distinta a otra slo si difieren en algn elemento, (No influye el orden de
colocacin de sus elementos). El nmero de combinaciones que se pueden construir se puede calcular mediante la
frmula:






c) Diagrama de rbol

Un diagrama de rbol es un mecanismo utilizado para enumerar todos los resultados posibles de
una secuencia de experimentos o eventos posibles donde cada evento puede ocurrir en un nmero finito
de formas. Por ejemplo, al resolver el problema: Julio tiene dos pantalones (azul y blanco) y dos camisas
(negra y blanca) de cuntas formas diferentes se puede vestir, sin repetir?. La construccin del
diagrama de rbol se ejemplificara de la siguiente manera:

Combinaciones
Pantaln azul
Camisa blanca
Camisa negra
Pantaln Blanco
Camisa blanca
Camisa negra
M.E.T. Juan Manuel Jurez Zamorano
Siendo las ultimas ramas el resultado final, en este caso, como son 4 ramas al final, seran 4
resultados:

Pantaln azul camisa blanca,
Pantaln azul camisa negra,
Pantaln blanco camisa blanca y
Pantaln blanco camisa negra.

d) Procesos de conteo

Existen dos principios bsicos de conteo, uno comprende la adicin y el otro, la multiplicacin.

El principio de la adicin menciona: supongamos que algn evento E puede ocurrir en m formas
y un segundo evento F puede ocurrir en n formas, y supongamos que ambos eventos no pueden ocurrir
en forma simultnea. Entonces E o F pueden ocurrir en m + n formas.

Este principio puede expresarse en trminos de conjuntos de la siguiente manera: supongamos
que A y B son conjuntos disyuntos. Entonces: n(A U B) = n(A) + n(B).

Ejemplo: supongamos que hay 8 profesores y 5 profesoras que ensean una clase de clculo. Un
estudiante puede escoger un profesor de clculo de 8 + 5 = 13 formas.

El principio multiplicativo menciona: supongamos que un evento E puede ocurrir en m formas e
independiente de este evento, un evento F puede ocurrir en n formas. Entonces las combinaciones de
los eventos E y F pueden ocurrir en mn formas.

Este principio tambin puede expresarse en trminos de conjuntos de la siguiente manera:
supongamos que A y B son conjuntos finitos. Entonces: n(A x B) = n(A) * n(B).

Ejemplo: supongamos que un restaurante tiene 3 aperitivos diferentes y 4 entradas diferentes.
Entonces hay

n = (3)(4) = 12

formas diferentes de ordenar un aperitivo y una entrada.


e) Teorema del binomio

Este teorema hace referencia a la expansin de la expresin algebraica (a + b)
n
. Los nmeros que
aparecen en los resultados se denominan coeficientes binomiales. Los coeficientes de las potencias
sucesivas de a + b pueden arreglarse en un ordenamiento triangular de nmeros, llamado tringulo de
Pascal. Los nmeros en el tringulo de Pascal tienen las siguientes propiedades interesantes:

a) El primer y el ltimo nmero de cada fila es 1
b) El nmero despus del siguiente en el ordenamiento se puede obtener sumando los dos
nmeros que aparecen directamente encima de ste. Por ejemplo: 10 = 4 + 6, 15 = 5 + 10,
etc.
M.E.T. Juan Manuel Jurez Zamorano
1
(a+b)
0
= 1
1 1
(a+b)
1
= a + b
1 2 1
(a+b)
2
= a
2
+ 2ab + b
2

1 3 3 1
(a+b)
3
= a
3
+ 3a
2
b + 3ab
2
+ b
3

1 4 6 4 1
(a+b)
4
= a
4
+ 4a
3
b + 6a
2
b
2
+ 4ab
3
+ b
4

1 5 10 10 5 1
(a+b)
5
= a
5
+ 5a
4
b + 10a
3
b
2
+ 10a
2
b
3
+ 5ab
4
+ b
5

1 6 15 20 15 6 1
(a+b)
6
= a
6
+ 6a
5
b + 15a
4
b
2
+ 20a
3
b
3
+ 15a
2
b
4
+ 6ab
5
+ b
6

La frmula que se utiliza para el teorema del binomio es: ( )

5.2 Probabilidad de eventos sucesivos




5.3 Probabilidad condicional

Supongamos que E es un evento de un espacio muestral S con P(E) > 0. La probabilidad de que
ocurra un evento A una vez que E ha ocurrido o, en otras palabras, la probabilidad condicional de A dado
E, escrita P(A|E), se define as:

(|)
()
()


Ejemplo: se lanza un par de dados equilibrados. El espacio muestral S consiste en 36 pares
ordenados (a,b) donde a y b pueden ser cualquier entero del 1 al 6. Por tanto, la probabilidad de
cualquier resultado es 1/36. Encuentra la probabilidad de que uno de los dados sea 2, si la suma es 6. Es
decir, encuentre P(A|E) donde

E={la suma es 6} y A={2 aparezca al menos en un dado}

Tambin encuentra P(A)

Ahora E est formado por cinco elementos, especficamente:

E={(1,5),(2,4),(3,3),(4,2),(5,1)}

Dos de ellos, (2,4) y (4,2) pertenecen a A, es decir, AE={(2,4),(4,2)}. Por el teorema, P(A|E)=2/5.

Por otra parte, A est conformado por 11 elementos, especficamente:

A={(2,1),(2,2),(2,3),(2,4),(2,5),(2,6),(1,2),(3,2),(4,2),(5,2),(6,2)}

Y S est conformado por 36 elementos; por tanto P(A)=11/36

M.E.T. Juan Manuel Jurez Zamorano
5.4 Eventos independientes

En este tipo de eventos, si P(B|A), es decir, que la probabilidad de que ocurra B no est afectada
por la ocurrencia o no de A, entonces decimos que A y B son eventos independientes, esto equivale a:

P(AB)= P(A)P(B)


5.5 Teorema de Bayes

Suponiendo que A
1
, A
2
,. A
n
, son eventos mutuamente excluyentes cuya unin es el espacio
muestral S, es decir, que debe ocurrir uno de los eventos. Entonces, si A es un evento cualquiera,
tenemos el teorema de Bayes.

Este teorema nos permite encontrar las posibilidades de diferentes eventos A
1
, A
2
,. A
n
, que
pueden hacer que ocurra A. Por esta razn, con frecuencia se hace referencia a este teorema como el
teorema de la probabilidad de las causas.

La frmula que caracteriza a este teorema es:

(

|)
(

)(|

)
(

)(|

M.E.T. Juan Manuel Jurez Zamorano
Bibliografa.

"Estadstica." Microsoft Student 2008 [DVD]. Microsoft Corporation, 2007.

"Grficas estadsticas." Microsoft Student 2008 [DVD]. Microsoft Corporation, 2007.

"Teora de conjuntos." Microsoft Student 2008 [DVD]. Microsoft Corporation, 2007.

Notacin cientfica." Microsoft Student 2008 [DVD]. Microsoft Corporation, 2007.

Johnson, Robert Estadstica elemental Editorial Iberoamerica.

Kazmier, Leonard y Daz Mata, Alfredo. Estadstica aplicada a Administracin y Economa 2. Edicin.
Editorial McGraw-Hill.

Lipshutz, Seymour y Lipson, Marc. Probabilidad. Segunda Edicin. Ed. McGraw Hill. Bogot, Colombia.
2001. 324 pp.

Mendenhall/Reinmuthata, Estadstica aplicada a Administracin y Economa Editorial Iberoamerica

Spiegel, Murray R. et. al. Probabilidad y Estadstica. Segunda Edicin. Ed. McGraw Hill. Mxico, D.F. 2007.
416 pp.