ESTADSTICA Y PROBABILIDADES

2DO EXAMEN

5TA CLASE

CONCEPTOS DEPROBABILIDAD
EXPERIMENTO ESTADISTICO:
Proceso que induce a que ocurra una y solo una de
varias observaciones.
a) Se conoce todos los resultados posibles
b) Cualquier realizacin del experimento conduce a
un resultado que no se conoce de antemano pero
es uno de los posibles resultados.
c) El experimento puede ser repetido bajo
condiciones similares

 RESULTADO: Un Resultado particular de un

experimento.
EVENTO: Conjunto de uno o mas resultados de
un experimento.
PROBABILIDAD
La probabilidad es La posibilidad numrica de
que ocurra un evento. La probabilidad de un
evento es medida por valores comprendidos
entre 0 y 1. Entre mayor sea Ia probabilidad de
que ocurra un evento, su probabilidad asignada
estara mas prxima a 1. La probabilidad de
certeza es 1. La probabilidad de una
imposibilidad es 0.


PROBABILIDAD CLASICA: La probabilidad clsica
parte del supuesto de que todos los resultados de
un experimento son igualmente posibles.
P(E) =

Numero de resultados favorables

Numero de posibles resultados

MUTUAMENTE EXCLUYENTE: El hecho de que un

evento se presenta significa que ninguno de los
eventos puede ocurrir al mismo tiempo.

COLECTIVAMENTE EXHAUSTIVO: Por lo menos uno

de los eventos debe ocurrir cuando se lleva un
experimento.
Si cumple las dos condiciones anteriores la suma de
las probabilidades es igual a 1.

 PROBALIDAD EMPIRICA: La probabilidad de que un evento

ocurra representa una fraccion de los eventos similares que
sucedieron en el pasado.
P(E) =

Numero veces que el evento ocurre

Numero total de observaciones

REGLAS PARA CALCULAR PROBABILIDADES

REGLA DE LA ADICION. Para eventos mutuamente
excluyentes.
P(AoB) = P(A) + P(B)
P(AoBoC) = P(A) + P(B)+P(C)
EJ. En una un grupo muestras enviadas a laboratorio la
mayora de muestras contienen el peso correcto, aunque por
la variacin de la humedad un paquete podra variar; una
revisin de 4000 muestras arroja resultados menos peso 100
muestras, mas peso 300 muestras, cual es la probabilidad de
que el paquete tenga mayor o menor peso?

REGLA DEL COMPLEMENTO.- Se emplea para

determinar la probabilidad de que un evento
ocurra restando de 1 la probabilidad de que un
evento no ocurra.
P(A) = 1 P(nA)
Demuestre en el ejemplo anterior de que la
muestra tenga el peso correcto su probabilidad
es de 0.9.
PROBABILIDAD CONJUNTA.- Probabilidad que
mide la posibilidad de que dos o mas eventos
sucedadan simultaneamente.
P(AoB) = P(A) + P(B)-P(AyB)

 REGLA DE LA MULTIPLICACION:
REGLA ESPECIAL DE LA MULTIPLICACION: Esta regla
contempla que 2 eventos sean independientes, y si lo
son el hecho de que ocurra un evento no altere al otro
evento.
INDEPENDENCIA. Si un evento ocurre, no tiene ningun
efecto sobre la posibilidad de que otro acontezca.
P(AyB) = P(A)P(B)
Ejemplo: En una encuesta llevada a cabo por una
compaa de viajes revelo que el 60% de los miembros
hizo reservaciones el mes pasado, 2 de ellas fueron
seleccionados al azar cual es la probabilidad de que
ambos hicieran reservaciones el mes pasado.

 Un Camion minero de 450 TN de carga usa

llantas Michelini llenas con nitrogeno, la
probabilidad de que una llanta llegue a un
tiempo de vida de 10 000 horas antes que se
Quede lisa o falle es de 0.8 cualquier llanta
que no llegue a las 10 000 horas se le hace
arreglos usted tiene cuatro llantas Michelini
cual es la probabilidad de que las cuatro
llantas lleguen a un tiempo de vida de 10 000
horas.

 REGLA GENERAL DE LA MULTIPLICACION

Si dos eventos no son independientes entonces
son dependientes.
PROBABILIDAD CONDICIONAL Probabilidad de
que un evento en particular ocurra, dado que
otro evento haya acontecido.

P(AyB) = P(A) P(AIB)

Cual es la probabilidad de seleccionar 2
camisetas de color blanco de un grupo de 12 de
los cuales 3 son azules y el resto blanco.

6TA CLASE

Torema de Bayes

P(A1) P(B/A1)
P(A1/B) =--------------------------------------P(A1) P(B/A1) +P(A2) P(B/A2)

1.-La maquina A1 produce insumos el 60% de la produccin

total, y Ia maquina A2 produce el restante 40%. El 2% de las
unidades producidas por A1 son defectuosas, mientras que
A2 tiene una tasa de defectos del 4%. se desea saber la
probabilidad de la maquina A1 con defecto.
2.-El departamento de personal de una empresa ha
descubierto que solo el 60% de los candidatos entrevistados
estn realmente calificados (Q) para asumir un cargo en la
compaa. Una revisin de los registros de la firma muestra
que quienes estaban calificados, el 67% tuvo un
entrenamiento previo en estadstica (T), mientras que el 20%
de quienes
no estaban calificados
haban recibido
instruccin estadstica mucho antes. La pregunta entonces
seria, restringir las entrevistas solo a aquellos candidatos
que tengan capacitacin en anlisis estadstico.

Variable aleatoria: es una variable cuyo valor es el resultado de un

evento aleatorio. Se supone que se Lanza una moneda tres veces y se
anota el numero de caras que se obtienen. Los posibles resultados son 0,
1 , 2 , 3 caras. La variable aleatoria es el numero de caras que se
obtienen, y los posibles resultados son los valores de Ia variable aleatoria.
las variables aleatorias pueden ser discretas o continuas.

Una variable aleatoria discreta: Puede asumir solo ciertos valores,

con frecuencia nmeros enteros, y resulta principalmente del
conteo.
Una variable aleatoria continua: Resulta principalmente de Ia
medicin y puede tomar cualquier valor, al menos dentro de un
rango dado.
Una distribucin de probabilidad.- Es un despliegue de todos los posibles
resultados de un experimento junto con las probabilidades de cada
resultado. Ia probabilidad de lanzar una moneda tres veces y de obtener
cara es .

Media y Ia varianza de las

distribuciones discretas
Media o valor esperado: La media aritmtica de
una distribucin de probabilidad se llama el valor
esperado E(X), y se halla multiplicando cada
resultado posible por su probabilidad y sumando
los resultados.
JL = E(X) = [(x)P(x)].
Valor esperado
El valor esperado de una
variable aleatoria discreta es Ia media ponderada
de todos los posibles resultados en los cuales los
pesos son las probabilidades respectivas de tales
resultados.

Distribucin binomial
Cada ensayo en una distribucin binomial termina en solo
uno de dos resultados mutuamente excluyentes, uno de
los cuales se identifica como un xito y el otro como un
fracaso. La probabilidad de cada resultado permanece
constante de un ensayo al siguiente.

Consideremos la siguiente situacin: un gerente de crdito

de American Express ha descubierto que 10%de los
usuarios de tarjeta no paga el monto completo de la
deuda durante un mes dado. Desea determinar la
probabilidad que de 20 cuentas seleccionadas de manera
aleatoria 5 de las cuentas no sean pagadas.

Consideremos otro ejemplo de distribucin

binomial. Se tiene que el personal de ventas de
Widgets, Inc., hace una venta al 15% de los clientes
a los que visitan. Si un miembro del personal de
ventas llama a 15 clientes hoy cual es la
probabilidad de que venda exactamente dos
aparatos?
La tabla binomial incluye los valores de n solo hasta
0.5. Que debe hacerse si la probabilidad de un
xito es mayor? Supongamos que el 70% de todos
los residentes de Flatbush tiene sus computadores
enlazados con internet. Cual es la probabilidad de
que de los 10 residentes seleccionados
aleatoriamente, 6 estn conectados?

La media y la varianza de una distribucin binomial

Distribuciones binomiales acumuladas

El 40% de todos los estudiantes trabajan durante el verano para
ganar dinero para la educacin universitaria correspondiente al
siguiente periodo de otoo. Si 7 bachilleres se seleccionan de
manera aleatoria, cual es la probabilidad de que 3 o menos
estudiantes trabajaron; mas de 5 trabajaron; 3 y 5 inclusive
trabajaron; 3 o menos trabajaron considerando que el 80% de los
estudiantes trabajaron?

La distribucin hipergeometrica
La distribucin binomial es apropiada solo si la probabilidad de un
xito permanece constante para cada intento. Esto ocurre si el
muestreo se realiza con reemplazo o de una poblacin finita (o muy
grande). Sin embargo, si Ia poblacin es pequea y ocurre el
muestreo sin reemplazo, la probabilidad de un xito variara.

La distribucin de Poisson
Una variable aleatoria discreta de gran utilidad en la
medicin de la frecuencia relativa de un evento sobre alguna
unidad de tiempo o espacio es la distribucin de Poisson.
Con frecuencia se utiliza para describir el numero de
llegadas de clientes por hora, el numero de accidentes
industriales cada mes, el numero de conexiones elctricas
defectuosas por milla de cableado en un sistema elctrico de
una ciudad.
Son necesarios dos supuestos para la aplicacion de la
distribucion de Poisson:
La probabilidad de ocurrencia del evento es constante
para dos intervalos cualesquiera de tiempo o espacio.
La ocurrencia del evento en un intervalo es independiente
de la ocurrencia de otro intervalo cualquiera.

7MA CLASE

DISTRIBUCIONES CONTINUAS

La distribucin exponencial
La distribucin de Poisson es una distribucin discreta que mide el
numero de ocurrencias sobre algn intervalo de tiempo o espacio.
Por el contrario, la distribucin exponencial es una distribucin
continua. Mide el paso del tiempo entre tales ocurrencias. Si el
numero de ocurrencias tiene distribucion de Poisson, el lapso entre
las ocurrencias estara distribuido exponencialmente.

 Los camiones llegan al puerto de carga a una tasa de

=2 por hora. l Cual es la probabilidad de que no mas
de 30 minutos transcurran entre llegadas?
Taxitour programa sus taxis para que lleguen al
aeropuerto local en una distribucin de Poisson con
una tasa promedio de llegada de 12 por hora. Usted
acaba de aterrizar en el aeropuerto y debe llegar al
centro de Arequipa a cerrar un gran negocio. Cual es
la probabilidad de que usted tenga que esperar
mximo 5 minutos para conseguir un taxi? Si jefe no
tolerara la falla, de manera que si la probabilidad de
que pase otro taxi dentro de 5 minutos es menor al
50%, usted tomara otro taxi que probablemente no le
garantice la seguridad.

La distribucin normal
De todas las distribuciones de probabilidad que se
analizaran, la distribucin normal es la mas importante. su
caracterstica simtrica en forma de campana y la forma
como se relacionaba con la regla emprica. es una
distribucin continua. Se utiliza para reflejar la distribucin
de variables tales como estaturas, pesos, distancias, leyes y
otras medidas que son divisibles infinitamente. Tales
variables continuas generalmente son el resultado de la
medida.

La desviacin normal
Puede existir un numero infinito de distribuciones normales
posibles, cada una con su propia media y su desviacin estndar.
Ya que obviamente no se puede analizar un numero tan grande
de posibilidades, es necesario convertir todas estas
distribuciones normales a una forma estndar. Esta conversin
a la distribucin normal estndar se efectuara con la formula de
conversin (o formula- Z)

En donde Z es la desviacin normal y X es algn valor

especifico de la variable aleatoria, cuando X= 67 y a= 2

Calcular la probabilidad de que un valor de x = 69 y x 69

= P(O Z 1) = 0.3413

Calcular la probabilidad de

8VA Y 9NA CLASE

DISTRIBUCIONES MUESTRALES

Generalmente las poblaciones son demasiado

grandes como para ser estudiadas en su
totalidad. Es necesario seleccionar una muestra
representativa de un tamao mas manejable.
La estadstica inferencial involucra el uso de un
estadstico para sacar una conclusin o inferencia
sobre el parmetro correspondiente.

se tiene una poblacin de N = 4 ingresos para cuatro

estudiantes universitarios. Estos ingresos son de
US$100, US$200, US$300 y US$400. El ingreso
promedio puede calcularse como = US$250.. Como
alternativa, se decide seleccionar una muestra de n = 2
observaciones para estimar el desconocido Se podra
entonces seleccionar aleatoriamente una muestra 4C2
= 6 posibles muestras

68, 73, 65, 80 y 72. Asumiendo que estos cinco valores

constituyen Ia poblacin, =71.6. tomando una muestra
de tamao n = 3. Se espera que el error de muestreo que
es probable sea pequeo
Realice la distribucin maestral y haga comentarios
sobre el posible error de muestreo

muestreo se realiza con reemplazo, o si la muestra se toma de una

poblacin muy grande virtualmente infinita.

Si el muestreo se realiza sin

reemplazo y si el tamao de la
muestra es mas del 5% de la
poblacin, n > 0.05N

Estimacin con intervalos de confianza

Actualmente se debe estar bien consciente de que las poblaciones
son generalmente muy grandes como para ser estudiadas en su
totalidad.
Su tamao requiere que se seleccionen muestras, las cuales se
pueden utilizar mas tarde para hacer inferencias sobre las
poblaciones.
Hay por lo menos dos tipos de estimadores que se utilizan mas
comnmente para este propsito: un estimador puntual y un
estimador por intervalo.

Un estimador puntual utiliza un estadstico para estimar el

parmetro en un solo valor o punto.
Una estimacin por intervalo especifica el rango dentro del cual
este el parmetro desconocido.
En realidad hay tres niveles de confianza relacionados comnmente
con los intervalos de confianza: 99, 95, y 90%.
Intervalo de confianza
Un intervalo de confianza tiene un limite inferior de confianza (LIC) y
un limite superior de confianza (LSC). Estos Iimites se hallan
calculando primero la media muestral
luego se suma una cierta
cantidad a para obtener el LSC, y Ia misma cantidad se resta de
para obtener el LIC.

Intervalo de confianza para Ia media poblacional Muestras grandes

acaba de registrar las declaraciones de impuestos de sus clientes.

Desea estimar la cantidad promedio que deben al Servicio de Renta
interna. De los 50 clientes que selecciono en su muestra, la cantidad
promedio que se adeudaba era de US$652.68. Ya que la desviacin
estndar de todos sus clientes es desconocida, debe estimar con
la desviacin estndar de la muestra s = US$217.43. Si se desea un
nivel de confianza del 99%.

10MA CLASE

El concepto de prueba de hiptesis

Para realizar una prueba de hiptesis, se hacen algunas inferencias
o supuestos con sentido acerca de la poblacin. Se plantea la
hiptesis nula (Ho ) se prueba contra la hiptesis alternativa (HA )
que establece lo contrario.
Con base en los datos mustrales, esta hiptesis nula es rechazada
o no rechazada. Nunca se puede "aceptar" Ia hiptesis nula como
verdadera. EI no rechazo de la hiptesis nula solamente significa
que la evidencia muestral no es lo suficientemente fuerte como
para llevar a su rechazo.
Un embotellador de bebidas plantea la hiptesis que el contenido
promedio es de 16 onzas ( = 16). Esta hiptesis nula (Ho:) se
prueba contra la hiptesis alternativa (HA :) que establece lo
contrario. En este caso, el contenido promedio no es de 16 onzas
(16).

 Se asume que se toma una muestra de n botellas y se halla

una media de X = 16.15 onzas. Se puede concluir que Ia
media poblacional no es 16? Despus de todo, 16.15 no es
16. Esta pequea diferencia podra ser estadsticamente
insignificante puesto que podra explicarse fcilmente como
un simple error de muestreo. 16.15 no es lo suficientemente
fuerte como para desencadenar un rechazo de la hiptesis
nula de que =16.
Diferencia estadsticamente insignificante Es Ia diferencia
entre el valor de Ia media poblacional bajo Ia hiptesis y el
valor de Ia media muestral que es lo suficientemente
pequea como para atribuirla a un error de muestreo

 La regla emprica dice que el 95% de las en la distribucin

de muestreo estn a 1.96 errores estndar de la media
poblacional desconocida

Los niveles de significancia, o valores a, comnmente seleccionados

para pruebas de hiptesis son del 10%, 5% y 1%.