You are on page 1of 46

Conceptos Si bien no hay una definicin de estadstica exacta, se puede decir que la "estadstica es el estudio de los mtodos y procedimientos

para recoger, clasificar, resumir y analizar datos y para hacer inferencias cientficas partiendo de tales datos". Esta definicin cubre gran parte de la actividad del cientfico. Es importante observar que el objeto del que realiza el anlisis estadstico son los datos y las observaciones cientficas por s mismos, mas que el material qumico que interviene en el estudio. Por lo tanto no es posible trazar lmites rgidos entre la qumica, la estadstica y la matemtica. La estadstica se puede dividir en 2 categoras, la "estadstica descriptiva" y la "inferencia estadstica". La estadstica descriptiva implica la abstraccin de varias propiedades de conjuntos de observaciones, mediante el empleo de mtodos grficos, tabulares numricos. Entre estas propiedades, estn la frecuencia con que se dan varios valores en la observacin, la nocin de un valor tpico o usual, la cantidad de variabilidad en un conjunto de datos observados y la medida de relaciones entre 2 mas variables. El campo de la estadstica descriptiva no tiene que ver con las implicaciones o conclusiones que se puedan deducir de conjuntos de datos. La estadstica descriptiva sirve como mtodo para organizar datos y poner de manifiesto sus caractersticas esenciales con el propsito de llegar a conclusiones. La inferencia estadstica se basa en las conclusiones a la que se llega por la ciencia experimental basndose en informacin incompleta. Por ejemplo, Mendel al estudiar la manera como diferan entre s las plantas de guisantes en altura, color de las semillas, color de las vainas y color de las flores, tuvo que hacer sus conclusiones necesariamente basndose en un grupo de plantas relativamente poco numeroso comparado con toda lapoblacin de plantas de guisantes de un tipo particular. Al hacer un enunciado, como por ejemplo, sobre el color de las flores, las conclusiones de Mendel dependan de la muestra particular de plantas disponibles para este estudio. En la terminologa estadstica, el procedimiento inductivo implica el hacer inferencias acerca de una poblacin adecuada universo a la luz de lo averiguado en un subconjunto aparte o muestra. La inferencia estadstica se refiere a los procedimientos mediante los cuales se pueden hacer tales generalizaciones inducciones. Es importante por todo lo dicho anteriormente, que el proceso de la inferencia cientfica, implica el grado mas elevado de cooperacin entre la estadstica y el estudio experimental. Grficos y tablas Principios generales Los grficos se han de explicar enteramente por s mismos. El contenido de un grfico deber ser tan completo como sea posible. Las escalas vertical y horizontal estarn rotuladas con claridad dando las unidades pertinentes. La mayoras de los grficos presentan informacin numrica con escalas, que deben rotularse para describir completamente la variable presentada en la escala y para variables de medida se dirn las unidades de medicin.

No se debe tratar de abarcar demasiada informacin en un solo grfico. Es mejor hacer varios grficos que comprimir toda la informacin en uno solo. Una regla prctica segura es evitar grficos que contengan ms de 3 curvas. Los grficos tienen que dar una visin general y no una imagen detallada de un conjunto de datos. Las presentaciones detalladas se deben reservar para las tablas. Las tablas se explicarn por s mismas enteramente. como los grficos, se ha de dar suficiente informacin en el ttulo y en los encabezamientos de columnas y filas de la tabla para permitir que el lector identifique fcilmente su contenido. Como el ttulo ser por lo general lo primero que se lee en detalle, deber suministrar toda la informacin esencial sobre el contenido de la tabla y deber especificar el tiempo, lugar, material estudio experimental y relaciones que se presenten en la tabla. Para cada variable numrica se han de dar las unidades. La funcin del rayado es dar claridad de interpretacin. Las anotaciones de numricas del cero se han de escribir explcitamente. Una anotacin numrica no debe comenzar con una punto decimal. Los nmeros que indican valores de la misma caracterstica se han de dar con el mismo nmero de decimales. Estadstica descriptiva Como se ha sealado anteriormente, el objetivo de la estadstica descriptiva, es la descripcin de los datos y no la inferencia partiendo de los datos. Medidas de tendencia central Al describir grupos de observaciones, con frecuencia se desea describir el grupo con un solo nmero. Para tal fin, desde luego, no se usar el valor mas elevado ni el valor mas pequeo como nico representante, ya que solo representan los extremos. mas bien que valores tpicos. Entonces sera mas adecuado buscar un valor central. Las medidas que describen un valor tpico en un grupo de observaciones suelen llamarse medidas de tendencia central..Es importante tener en cuenta que estas medidas se aplican a grupos mas bien que a individuos. un promedio es una caracterstica de grupo, no individual. Media aritmtica

La medida de tendencia central mas obvia que se puede elegir, es el simple promedio de las observaciones del grupo, es decir el valor obtenido sumando las observaciones y dividiendo esta suma por el nmero de observaciones que hay en el grupo. En realidad hay muchas clases de promedios y sta se la llama media aritmtica para denotar la suma de un grupo de observaciones dividida por su nmero.

Mediana Otra medida de tendencia central que se utiliza con mucha frecuencia es la mediana, que es el valor situado en medio en un conjunto de observaciones ordenadas por magnitud. Moda Otra medida de tendencia central es la moda. La moda es el valor que ocurre con mas frecuencia en un conjunto de observaciones. Oras medidas de tendencia central Centro de amplitud Es el valor que queda en medio de los valores mnimo y mximo.

Media geomtrica La media geomtrica de un conjunto de observaciones es la raz n sima de su producto. El clculo de la media geomtrica exige que todas las observaciones sean positivas.

Media armnica Es el inverso de la media aritmtica de los inversos de las observaciones.

Media ponderada En ciertas circunstancias no todas las observaciones tienen igual peso. En general si se tienen observaciones con sus respectivos pesos es:

Medidas de variabilidad Amplitud Se obtiene restando el valor mas bajo del mas alto en un conjunto de observaciones. La amplitud tiene la ventaja de que es fcil de calcular y sus unidades son las mismas que las de la variable que se mide. La amplitud no toma en consideracin el nmero de observaciones de la muestra estadstica,

sino solamente la observacin del valor mximo y la del valor mnimo. Sera deseable utilizar tambin los valores intermedios del conjunto de observaciones. Desviacin media Esta medida es mas acorde que la de amplitud, ya que involucra a todos los valores del conjunto de observaciones corrigiendo la desviacin. sta medida se obtiene calculando la media aritmtica de la muestra, y luego realizando la sumatoria de las diferencias de todos los valores con respecto de la media. Luego se divide por el nmero de observaciones. Una medida como sta tiene la ventaja de que utiliza cada observacin y corrige la variacin en el nmero de observaciones al hacer la divisin final. Y por ltimo tambin se expresa en las mismas unidades que las observaciones mismas. Varianza Existe otro mecanismo para solucionar el efecto de cancelacin para entre diferencias positivas y negativas. Si elevamos al cuadrado cada diferencia antes de sumar, desaparece la cancelacin:

Esta frmula tiene una desventaja, y es que sus unidades no son las mismas que las de las observaciones, ya que son unidades cuadradas. Esta dificultad se soluciona, tomando la raz cuadrada de la ecuacin anterior: Desviacin tpica Es la raz cuadrada de la varianza:

Entonces en este caso la unidad de s es la misma que la del conjunto de observaciones de la muestra estadstica. Variables discretas y variables continuas Una distribucin de los datos en categoras que ha demostrado ser til al organizar los procedimientos estadsticos, es la distincin entre variables discretas y variables continuas. Una variable discreta es sencillamente una variable para la que se dan de modo inherente separaciones entre valores observables sucesivos. Dicho con mas rigor, se define una variable discreta como la variable tal que entre 2 cualesquiera valores observables (potencialmente), hay por lo menos un valor no observable (potencialmente). Por ejemplo, un recuento del nmero de colonias de un cultivo en agar es una variable discreta. Mientras que cuentas de 3 y 4 son potencialmente observables, no lo es una de 3,5. Una variable continua tiene la propiedad de que entre 2 cualesquiera valores observables (potencialmente), hay otro valor observable (potencialmente). Una variable continua toma valores a lo largo de un continuo, esto es, en todo un intervalo de valores. Longitudes y pesos son ejemplos de

variables continuas. La estatura de una persona, pude ser 1,70 mts. 1,75 mts., pero en potencia al menos podra tomar cualquier valor intermedio como 1,73 mts. por ejemplo. Un atributo esencial de una variable continua es que, a diferencia de lo que ocurre con una variable discreta, nunca se la puede medir exactamente. Con una variable continua debe haber inevitablemente un error de medida. Un importante principio sobre variables continuas es que siempre se registran en forma discreta, quedando la magnitud de la distancia entre valores registrables adyacentes determinada por la precisin de la medicin. ESTADISTICA DE DATOS AGRUPADOS Poblaciones, muestras e inferencia Como se ha sealado anteriormente, el objetivo de la estadstica descriptiva, es la descripcin de los datos y no la inferencia partiendo de los datos. Una poblacin de unidades es un grupo de entidades que tienen alguna caracterstica cuantificable en comn. Las unidades pueden ser personas, rboles, bacterias, compuestos qumicos, etc.. Pueden ser finitas o infinitas en nmero. La caracterstica cuantificable puede ser una variable continua o discreta. Una poblacin de observaciones es un grupo que consiste en los valores numricos de una caracterstica cuantificable determinada en cada elemento de una poblacin de unidades. La misma poblacin de unidades tendr en ocasiones mas de una poblacin de observaciones asociada. Una muestra de unidades es un nmero finito de unidades procedentes de una poblacin de unidades. Una muestra de observaciones es un nmero finito de observaciones procedentes de una poblacin de observaciones. Es decir una muestra es una parte de una poblacin que aislamos para estudiarla. Este concepto es de importancia para el anlisis estadstico porque por lo general uno dispone de una muestra de una poblacin para el estudio que intenta realizar. Por ejemplo, si necesitramos hacer un promedio de todas las alturas de los habitantes de un pas de 200.000.000 de habitantes (esta sera la poblacin estadstica), es lgico suponer lo engorroso que sera medir la altura de todos. Esto se realiza midiendo las alturas de una muestra de esta poblacin, por ejemplo 10.000 habitantes. Este procedimiento es inductivo ya que el investigador saca conclusiones acerca de la poblacin basndose en el anlisis de una muestra de esa poblacin; esto es hacer una inferencia acerca de una poblacin partiendo de una muestra. Se llama inferencia estadstica una conclusin que se refiere a una poblacin de observaciones, obtenida sobre la base de una muestra de observaciones. Una caracterstica descriptiva global de una poblacin de observaciones se llama parmetro. Una caracterstica descriptiva global de una muestra de observaciones se llama estadgrafo. Muestra aleatoria Una muestra aleatoria es una muestra sacada de una poblacin de unidades, de manera que todo elemento de la poblacin tenga la mismaprobabilidad de seleccin y que las unidades diferentes se seleccionen independientemente.

Variables aleatorias y distribuciones Se llama variable aleatoria aquella que toma diversos valores o conjuntos de valores con distintas probabilidades. Existen 2 caractersticas importantes de una variable aleatoria, sus valores y las probabilidades asociadas a esos valores. Una tabla, grfico o expresin matemtica que d las probabilidades con que una variable aleatoria toma diferentes valores, se llama distribucin de la variable aleatoria. Como vimos anteriormente, la inferencia estadstica se relaciona con las conclusiones que se pueden sacar acerca de una poblacin de observaciones basndose en una muestra de observaciones. Entonces intervienen las probabilidades en el proceso de la seleccin de la muestra; en este caso se desea saber algo sobre una distribucin con base en una muestra aleatoria de esa distribucin. De tal manera vemos que trabajamos con muestras aleatorias de una poblacin que es ms grande que la muestra obtenida; tal muestra aleatoria aislada no es mas que una de muchas muestras diferentes que se habran podido obtener mediante el proceso de seleccin. Este concepto es realmente importante en estadstica. La distribucin de un estadgrafo en todas las muestras aleatorias de tamao n tomadas de una poblacin, se llama distribucin muestral del estadgrafo para muestras aleatorias de tamao n.

Definicin Una muestra aleatoria simple de tamao n de una poblacin de tamao N, es una muestra escogida de tal manera que todo grupo de n unidades diferentes tiene igual probabilidad de ser escogido como muestra. Distribucin normal Propiedades generales de la curva normal La distribucin que ocupa la posicin central en la teora y prctica estadsticas, es la distribucin normal. No hay variable aleatoria observable que siga exactamente la distribucin normal, y muchas variables que se dan en la experiencia normal no tienden a seguir esta distribucin. La expresin matemtica de la densidad normal es:

El rea total bajo la curva es 1, ya que las reas bajo las curvas de densidad dan probabilidades y puesto que debe presentarse algn valor de x entre mas infinito y menos infinito; lo cual es lo mismo que decir que la probabilidad de que x caiga en algn punto debe ser 1. La distribucin normal tpica La distribucin normal es una numerosa familia de distribuciones que corresponden a los muchos valores diferentes de y de . Es esencial una simplificacin para tabular las probabilidades normales para varios valores de los parmetros. Esto es posible por medio del procedimiento llamado tipificacin. Geomtricamente equivale a convertir la escala bsica de valores x de modo que se mida en una escala patrn en la que corresponda el valor cero y en la que la unidad de medida sea 1 desviacin tpica (s); es decir, se convierten las medidas a nmeros expresados en scomo unidades por encima o por debajo de la media.

Teorema del lmite central

2 TABLAS Y GRFICOS ESTADSTICOS 2.1 RECUENTO Y AGRUPAMIENTO DE DATOS Una vez recogidos los datos debemos resumir la informacin de forma adecuada y til para su posterior estudio. Segn el tipo de problema, el agrupamiento se har de un modo o de otro: Si el carcter es cualitativo, hallaremos las frecuencias absolutas de cada modalidad del carcter. Si el carcter es cuantitativo (discreto o continuo), hallaremos: Si los valores de la variable son pocos, las frecuencias absolutas de cada valor de la variable. En caso contrario, agrupando los valores en intervalos, las frecuencias absolutas de cada intervalo. Para el estudio posterior de las variables, slo distinguiremos entre variables agrupadas y variables no agrupadas. 2.2 TABLAS ESTADSTICAS A) TABLAS DE FRECUENCIAS Una vez realizado el recuento de datos, resumiremos la informacin en tablas de frecuencias. Si la variable es no agrupada, construiremos la siguiente tabla: Frecuencia Frecuencia Frecuencia Frecuencia relativa Modalidad Porcentajes absoluta absoluta relativa acumulada acumulada c1 n1 f1 p1 N1 F1 c2 n2 f2 p2 N2 F2 c3 n3 f3 p3 N3 F3 M M M M M M ck nk fk pk n 1 n 1 100% donde n es el nmero de individuos de la poblacin. En el caso de un carcter cualitativo no tienen sentido las dos ltimas columnas de frecuencias acumuladas. Si la variable es agrupada, construiremos la siguiente tabla: Intervalos Marca de Frecuencia Frecuencia Frecuencia Frecuencia Porcentajes absoluta de clase relativa absoluta relativa clase acumulada acumulada (a1,b1] c1 n1 f1 p1 N1 F1 (a2,b2] c2 n2 f2 p2 N2 F2 (a3,b3] c3 n3 f3 p3 N3 F3 M M M M M M M (ak,bk] ck nk fk pk n 1 n 1 100%

donde las marcas de clase son el punto medio del intervalo de clase. Para que la informacin no quede distorsionada, los intervalos deben ser de la misma amplitud. Ejemplo 1. Un estudio hecho en un conjunto de 25 varones con objeto de determinar su grupo sanguneo ha conducido a los siguientes resultados: A, B, A, A, A, AB, O, A, A, A, O, B, O, A, B, O, B, O, A, B, B, A, A, O, B. Cmo resumiras los datos en una tabla? Modalidad A B O AB Frecuencia absoluta 11 7 6 1 25 Frecuencia relativa 11/25 7/25 6/25 1/25 1 Porcentajes 44% 28% 24% 4% 100%

Ejemplo 2. Observa el siguiente grfico en el que se expresan las calificaciones obtenidas en un ejercicio:

Cmo resumiras esta informacin en una tabla?

Valores 1 2 3 4 5 6 7 8 9 10

Frecuencia Frecuencia Porcentajes absoluta relativa 1 2 1 2 3 4 3 1 2 1 20 1/20 2/20 1/20 2/20 3/20 4/20 3/20 1/20 2/20 1/20 1 5% 10% 5% 10% 15% 20% 15% 5% 10% 5% 100%

Frecuencia Frecuencia absoluta relativa acumulada acumulada 1 1/20 3 3/20 4 4/20 6 6/20 9 9/20 13 13/20 16 16/20 17 17/20 19 19/20 20 1

Ejemplo 3. El nmero de personas que viven en cada uno de los portales de una gran barriada es: 63, 69, 83, 85, 93, 73, 80, 94, 104, 125, 141, 152, 115, 120, 127, 139, 105, 114, 123, 121, 128, 90, 75, 137, 131, 73, 62, 100, 109, 117, 124, 103, 133, 138, 143, 110, 61, 91, 87, 156, 147, 134, 129, 96, 99, 74, 104, 97, 84, 98, 78, 71, 133, 63, 69, 76, 86, 88, 77, 124, 116, 119, 102, 107, 106, 111, 119, 107, 100, 109, 83, 85, 93, 93, 118, 116, 117, 133, 155, 143. Cmo resumiras los datos en una tabla? Intervalos Marca de Frecuencia Frecuencia Frecuencia Frecuencia Porcentajes absoluta de clase relativa absoluta relativa clase acumulada acumulada (60,76] 68 12 12/80 15% 12 12/80 (76,92] 84 13 13/80 1625% 25 25/80 (92,108] 100 18 18/80 225% 43 43/80 (108,124] 116 18 18/80 225% 61 61/80 (124,140] 132 12 12/80 15% 73 73/80 (140,156] 148 7 7/80 875% 80 1 80 1 100% B) SERIES CRONOLGICAS Son tablas estadsticas que recogen observaciones de un mismo carcter a lo largo de un periodo de tiempo (en aos o en meses). Son muy utilizadas en Geografa y Economa. Ejemplo 4. En la siguiente tabla se han recogido los datos sobre la entrada de turistas, en millones, en Espaa durante los distintos meses de 1997. E F M A M J J A S O N D 194 198 284 3 391 398 589 648 456 390 246 239 2.3 GRFICOS ESTADSTICOS Las representaciones grficas deben conseguir que un simple anlisis visual ofrezca la mayor informacin posible. Segn el tipo del carcter que estemos estudiando, usaremos una representacin grfica u otra. A) DIAGRAMAS DE BARRAS Es un grfico sobre ejes cartesianos en el que distribuimos en el eje X o eje de abscisa: Las modalidades si el carcter es cualitativo Los valores si la variable es no agrupada Sobre ellos se levantan barras o rectngulos de igual base (que no se solapen) cuya altura sea proporcional a sus frecuencias. Tambin se suelen utilizar para series cronolgicas y pueden, asimismo, representarse horizontalmente, intercambiando los ejes. Realicemos los diagramas de barras asociados a los ejemplos n 1 y n 4:

B) HISTOGRAMAS Se utiliza con variables agrupadas en intervalos, representando en el eje X los intervalos de clase y levantando rectngulos contiguos de base la longitud de los distintos intervalos y de altura tal que el rea sea proporcional a las frecuencias representadas. Si son frecuencias acumuladas, sern proporcionales a las alturas aunque los intervalos sean de distinta amplitud. En el ejemplo 3 hemos agrupado los datos en intervalos. Por tanto, podemos realizar los histogramas utilizando las frecuencias absolutas y las frecuencias absolutas acumuladas.

En este caso, todos los intervalos son de la misma longitud, por lo que la altura de cada rectngulo coincide con la frecuencia. Cuando se realizan representaciones correspondientes a edades de poblacin, cambiamos el eje Y por el eje X para obtener las llamadas pirmides de poblacin, que no son ms que 2 histogramas a izquierda y derecha, para hombres y mujeres. Veamos un ejemplo:

C) POLGONOS DE FRECUENCIAS Son grficos lineales que se utilizan en el caso de una variable cuantitativa. Para realizar estos polgonos unimos los puntos medios de las bases superiores del diagrama de barras o del histograma segn la variable sea agrupada o no agrupada. Vamos a realizar los polgonos de frecuencia asociados a los ejemplos 2 y 3.

Un caso particular de aplicacin de los histogramas y los polgonos de frecuencias es el climograma, que representa la marcha anual de las temperaturas y de las lluvias medias, sobre un mismo sistema de coordenadas. Veamos un ejemplo:

En el caso de representar las frecuencias acumuladas se unen los puntos medios de las bases superiores del diagrama de barras, si la variable es no agrupada, y los vrtices superiores derechos de los rectngulos si se trata de una variable agrupada. D) DIAGRAMA DE SECTORES Son grficos en los que a cada valor o modalidad se reasigna un sector circular de rea proporcional a la frecuencia que representan. Se utilizan si el carcter es cualitativo o cuantitativo discreto no agrupado. Realicemos el diagrama de sectores del ejemplo 1.

E) PICTOGRAMAS Son grficos con dibujos alusivos al carcter que se est estudiando y cuyo tamao es proporcional a la frecuencia que representan; dicha frecuencia se suele representar. En el siguiente ejemplo hemos representado el nmero de partidos ganados, perdidos o empatados de un equipo.

F) CARTOGRAMAS Son grficos realizados sobre mapas, en los que aparecen indicados sobre las distintas zonas cantidades o colores de acuerdo con el carcter que representan. En el siguiente cartograma observamos la urbanizacin en el mundo atendiendo a la industrializacin.

G) OTROS GRFICOS Otras representaciones grficas que nos podemos encontrar son anlogas al diagrama de barras, en las que en lugar de levantar rectngulos se asocian a cada valor pirmides, cilindros, etc. H) ANLISIS DE LA INFORMACIN Cuando nos encontramos con informacin basada en grficos estadsticos hemos de tener en cuenta: La escala de los ejes coordenados cuando los hay. Si no existen ejes, la informacin numrica debe aparecer en el grfico y guardar la correspondiente proporcin con el dato numrico.

2.3.8 Relacin entre media, mediana y moda En el caso de distribuciones unimodales, la mediana est con frecuencia comprendida entre la media y la moda (incluso ms cerca de la media). En distribuciones que presentan cierta inclinacin, es ms aconsejable el uso de la mediana. Sin embargo en estudios relacionados con propsitos estadsticos y de inferencia suele ser ms apta la media. Veamos un ejemplo de clculo de estas tres magnitudes. 2.3.8.1 Ejemplo Consideramos una tabla estadstica relativa a una variable continua, de la que nos dan los intervalos, las marcas de clase ci, y las frecuencias absolutas, ni. Intervalos ci ni

0 -- 2 1 2 2 -- 4 3 1 4 -- 6 5 4 6 -- 8 7 3 8 - 10 9 2

Para calcular la media podemos aadir una columna con las cantidades trminos de esa columna dividida por n=12 es la media: Intervalos ci ni Ni 0 -- 2 1 2 -- 4 3 4 -- 6 5 6 -- 8 7 8 - 10 9 12 2 1 4 2 3 7 2 3 20 21 18

. La suma de los

3 10 2 12 64

La mediana es el valor de la variable que deja por debajo de s a la mitad de las n observaciones, es decir 6. Construimos la tabla de las frecuencias absolutas acumuladas, Ni, y vemos que eso ocurre en la modalidad tercera, es decir,

Para el clculo de la , lo primero es encontrar los intervalos modales, buscando los mximos relativos en la columna de las frecuencias absolutas, ni. Vemos que hay dos modas, correspondientes a las modalidades i=1, i=3. En el primer intervalo modal, (l0,1]=(0,2], la moda se calcula como

El segundo intervalo modal es (l2,l3]=(4;6], siendo la moda el punto perteneciente al mismo que se obtiene como:

En este caso, como se ve en la figura 2.5, la moda no toma un valor nico, sino el conjunto

Figura: Diagramas diferencial e integral con clculo geomtrico de la moda y de la mediana de la variable.

Probailidadad La probabilidad mide la frecuencia con la que se obtiene un resultado (o conjunto de resultados) al llevar a cabo un experimento aleatorio, del que se conocen todos los resultados posibles, bajo condiciones suficientemente estables. La teora de la probabilidad se usa extensamente en reas como la estadstica, la fsica, la matemtica, la ciencia y la filosofa para sacar conclusiones sobre la probabilidad de sucesos potenciales y la mecnica subyacente de sistemas complejos. Historia El diccionario de la Real Academia Espaola define azar como una casualidad, un caso fortuito, y afirma que la expresin al azar significa sin orden.1 La idea de Probabilidad est ntimamente ligada a la idea de azar y nos ayuda a comprender nuestras posibilidades de ganar un juego de azar o analizar las encuestas. Pierre-Simon Laplace afirm: "Es notable que una ciencia que comenz con consideraciones sobre juegos de azar haya llegado a el objeto ms importante del conocimiento humano". Comprender y estudiar el azar es indispensable, porque la probabilidad es un soporte necesario para tomar decisiones en cualquier mbito.2 Segn Amanda Dure, "Antes de la mitad del siglo XVII, trmino 'probable' (en latn probable) significaba aprobable, y se aplicaba en ese sentido, unvocamente, a la opinin y a la accin. Una accin u opinin probable era una que las personas sensatas emprenderan o mantendran, en las circunstancias."3 Aparte de algunas consideraciones elementales hechas por Girolamo Cardano en el siglo XVI, la doctrina de las probabilidades data de la correspondencia de Pierre de Fermat y Blaise Pascal (1654).Christiaan Huygens (1657) le dio el tratamiento cientfico conocido ms temprano al concepto. Ars Conjectandi (pstumo, 1713) de Jakob Bernoulli y Doctrine of Chances (1718) de Abraham de Moivretrataron el tema como una rama de las matemticas. Vase El surgimiento de la probabilidad (The Emergence of Probability) de Ian Hacking para una historia de los inicios del desarrollo del propio concepto de probabilidad matemtica. La teora de errores puede trazarse atrs en el tiempo hasta Opera Miscellanea (pstumo, 1722) deRoger Cotes, pero una memoria preparada por Thomas Simpson en 1755 (impresa en 1756) aplic por primera vez la teora para la discusin de errores de observacin. La reimpresin (1757) de esta memoria expone los axiomas de que los errores positivos y negativos son igualmente probables, y que hay ciertos lmites asignables dentro de los cuales se supone que caen todos los errores; se discuten los errores continuos y se da una curva de la probabilidad. Pierre-Simon Laplace (1774) hizo el primer intento para deducir una regla para la combinacin de observaciones a partir de los principios de la teora de las probabilidades. Represent la ley de la probabilidad de error con una curva y = (x), siendo x cualquier error e y y su probabilidad, y expuso tres propiedades de esta curva: 1. es simtrica al eje y; 2. el eje x es una asntota, siendo la probabilidad del error igual a 0; 3. la superficie cerrada es 1, haciendo cierta la existencia de un error. Dedujo una frmula para la media de tres observaciones. Tambin obtuvo (1781) una frmula para la ley de facilidad de error (un trmino debido a Lagrange, 1774), pero una que llevaba a ecuaciones inmanejables. Daniel Bernoulli (1778) introdujo el principio del mximo producto de las probabilidades de un sistema de errores concurrentes. El mtodo de mnimos cuadrados se debe a Adrien-Marie Legendre (1805), que lo introdujo en suNouvelles mthodes pour la dtermination des orbites des comtes (Nuevos mtodos para la determinacin de las rbitas de los cometas). Ignorando la contribucin de Legendre, un escritor

irlands estadounidense, Robert Adrain, editor de "The Analyst" (1808), dedujo por primera vez la ley de facilidad de error,

siendo c y h constantes que dependen de la precisin de la observacin. Expuso dos demostraciones, siendo la segunda esencialmente la misma de John Herschel (1850). Gauss expuso la primera demostracin que parece que se conoci en Europa (la tercera despus de la de Adrain) en 1809. Demostraciones adicionales se expusieron por Laplace (1810, 1812), Gauss (1823), James Ivory (1825, 1826), Hagen (1837), Friedrich Bessel (1838), W. F. Donkin (1844, 1856) y Morgan Crofton (1870). Otros personajes que contribuyeron fueron Ellis (1844), De Morgan (1864), Glaisher(1872) y Giovanni Schiaparelli (1875). La frmula de Peters (1856) para r, el error probable de una nica observacin, es bien conocida. En el siglo XIX, los autores de la teora general incluan a Laplace, Sylvestre Lacroix (1816), Littrow (1833), Adolphe Quetelet (1853), Richard Dedekind (1860), Helmert (1872), Hermann Laurent (1873), Liagre, Didion, y Karl Pearson. Augustus De Morgan y George Boole mejoraron la exposicin de la teora. En 1930 Andri Kolmogorov desarroll la base axiomtica de la probabilidad utilizando teora de la medida. En la parte geomtrica (vase geometra integral) los colaboradores de The Educational Times fueron influyentes (Miller, Crofton, McColl, Wolstenholme, Watson y Artemas Martin).

Teora La probabilidad constituye un importante parmetro en la determinacin de las diversas casualidades obtenidas tras una serie de eventos esperados dentro de un rango estadstico. Existen diversas formas como mtodo abstracto, como la teora Dempster-Shafer y la teora de la relatividad numrica,esta ltima con un alto grado de aceptacin si se toma en cuenta que disminuye considerablemente las posibilidades hasta un nivel mnimo ya que somete a todas las antiguas reglas a una simple ley de relatividad.[cita requerida] La probabilidad de un evento se denota con la letra p y se expresa en trminos de una fraccin y no en porcentajes, por lo que el valor de p cae entre 0 y 1. Por otra parte, la probabilidad de que un evento "no ocurra" equivale a 1 menos el valor de p y se denota con la letra q: Los tres mtodos para calcular las probabilidades son la regla de la adicin, la regla de la multiplicacin y la distribucin binomial. Regla de la adicin

La regla de la adicin o regla de la suma establece que la probabilidad de ocurrencia de cualquier evento en particular es igual a la suma de las probabilidades individuales, si es que los eventos son mutuamente excluyentes, es decir, que dos no pueden ocurrir al mismo tiempo. Regla de la multiplicacin La regla de la multiplicacin establece que la probabilidad de ocurrencia de dos o ms eventos estadisticamente independientes es igual al producto de sus probabilidades individuales. Distribucin binomial La probabilidad de ocurrencia de una combinacin especfica de eventos independientes y mutuamente excluyentes se determina con la distribucin binomial, que es aquella donde hay solo dos posibilidades, tales como masculino/femenino o si/no. CONCEPTOS BSICOS Experimento Aleatorio Un experimento se considera aleatorio o estocstico si sus resultados son inciertos. Espacio Muestral Conjunto de todos los resultados posibles de un experimento aleatorio. Es un conjunto universal y se simboliza con S. Ejemplo: el experimento consiste en arrojar un dado S = _1, 2, 3, 4, 5, 6a Punto Muestral Cada uno de los resultados posibles de un experimento aleatorio. Suceso, hecho o evento Es un subconjunto del espacio muestral S. Un suceso E definido en un espacio muestral se dice que es simple o elemental si contiene un solo punto muestral en S; se dice que es compuesto si contiene ms de un punto muestral. Ejemplo: Experimento que consiste en arrojar un dado

S
2 5

Espacio Muestral

S = _ 1, 2, 3, 4, 5, 6a

Eventos Simples

E1 =_1 a E2 =_2a E3= _3a E4 =_4a E5 =_5a E6 =_6a

Eventos compuestos E1 =_1, 3, 5 a E2 =_2, 4, 6 a

TEORIAS DE PROBABILIDAD

OBJETIVAS

SUBJETIVAS

Clsica a Priori

Clsica Emprica o Frecuencial

 Teora Clsica a priori

Teora de la razn insuficiente

Cuando no hay razones para preferir uno de los posibles resultados o suceso a cualquier otro, todos deben considerarse con la misma probabilidad de ocurrencia. Entonces la probabilidad de ocurrencia de un suceso E, es:

P E !

n E N S

Resultados favorables Resultados posibles

La Teora Clsica a priori se basa en el conocimiento anterior o previo del proceso o fenmeno. Teora Clsica frecuencial Cuando el experimento aleatorio se repite un gran nmero de veces (n) y el suceso ocurre (m) veces, la frecuencia relativa m/n ser prcticamente (casi igual, aproximadamente) igual a P.

1er Enfoque

P E !

m n

frecuencia relativa n: grande

2do Enfoque

P (E): Lim

La teora frecuencial se basa en datos observados como resultado de repetir el experimento un nmero grande de veces.

LAS FRECUENCIAS RELATIVAS ESTABILIZAN LAS PROBABILIDADES Ejemplo: La moneda se arroja 200 veces; el nmero de caras en cada 20 ocasiones que se arroja se muestra en el cuadro que sigue. Cul es la probabilidad de que caiga cara cuando se arroja la moneda?

 Con la base de este experimento, la mejor respuesta que puede enunciarse es que la probabilidad de que con esta moneda particular caiga cara al arrojarla es 98/200= 0,49.

La grfica siguiente muestra el nmero de tiros y la frecuencia relativa acumulativa. Advirtase que la grfica vara alrededor de la frecuencia relativa de 0.5 calculada si la moneda es ordinaria, normal o legal.

 Las fluctuaciones de las frecuencias relativas varan considerablemente, cuando n es pequeo. Cuando n es grande, las fluctuaciones disminuyen y la frecuencia relativa presenta regularidad estadstica.

AXIOMAS DE PROBABILIDAD La probabilidad de un evento E en un experimento aleatorio, es el valor numrico P(E) que satisface los siguientes axiomas: Si E es un evento definitivo del espacio muestral S, entonces: 0 eP (E) e 1 Si S representa el conjunto de todos los resultados posibles de un experimento aleatorio, entonces:

P (S)= 1 Si A y B son dos eventos cualesquiera definidos en el mismo espacio muestral y, si A B = , entonces A y B se dice que son mutuamente excluyentes y, la probabilidad de que ocurra A B es la suma de probabilidad de sus probabilidades: P (A B) = P (A) + P (B) Si A y B son dos eventos cualesquiera definidos en el mismo espacio muestral y, si A B { , entonces A y B se dice que son no mutuamente excluyentes y, la probabilidad de que ocurra A B es la suma de probabilidad de sus probabilidades menos la probabilidad de ocurrencia de ambos eventos: P (A B) = P (A) + P (B) P (A B) Evento imposible, es aquel que no tiene ningn resultado favorable dentro de un conjunto de resultados posibles de un experimento aleatorio: P ( ) = 0 Evento complementario A , de un evento A es el evento que consiste en todos los resultados que no contiene el evento A: P ( A ) = 1 - P (A) REGLAS PARA CLCULO DE PROBABILIDADES

y y y y

Probabilidad Conjunta. Probabilidad Marginal. Probabilidad Condicional. Independencia.

Ejemplo: Una Empresa ha relevado y clasificado a su personal segn el tipo de puesto que ocupan y el tipo de estudio alcanzado. Universitario (A) Gerencial B No gerencial 25 75 No Universitario (A) 5 195

Total

30 Evento Conjunto 270

B Total 100 200 300

Evento Simple Si al elegir un empleado al azar resulta que su formacin es universitaria, cul es la probabilidad que ocupe un puesto gerencial? Si al elegir un empleado al azar resulta que ocupa un puesto gerencial, cul es la probabilidad que su formacin sea universitario? Cual es la probabilidad de que al elegir un empleado al azar su formacin sea universitaria y ocupe un puesto gerencial? Cual es la probabilidad de que al seleccionar un empleado al azar ocupe un puesto gerencial? Cual es la probabilidad que al seleccionar dos empleados azar, el primero ocupe un puesto gerencial (B1), y el segundo, tambin (B2)? PROBABILIDAD CONDICIONAL Si al elegir un empleado al azar resulta que su formacin es universitaria, cul es la que ocupe un puesto gerencial? probabilidad

Si al elegir un empleado al azar resulta que ocupa un puesto gerencial, cul es la probabilidad que sea universitario? La probabilidad de que se presente el evento A, cuando se sabe que el suceso B ya se present, es la probabilidad de A, condicionada a la ocurrencia del suceso B. Se denota como P(A/B) y se puede definir como:

P (A / B) =

P A B P( B )

P (B / A) =

P B A P A

25 300 =25/30 $ 0.83 P (A / B) = 30 300


PROBABILIDAD CONJUNTA P (B / A) =

25 300 = 25/100 = 0.25 100 300

Cual es la probabilidad de que al elegir un empleado al azar su formacin sea universitaria y ocupe un puesto gerencial? La probabilidad de que se presenten en forma simultanea dos eventos A y B, se conoce como probabilidad conjunta de A y B y se puede definir como:

P A B ! P A

B * P B

P B A ! P B

A * P A

P A B ! 0 .83 * 0.10 $ 0.083

= P B A ! 0 .25 * 0.33 $ 0.083 PROBABILIDAD MARGINAL

Cual es la Probabilidad de que al seleccionar un empleado al azar ocupe un puesto gerencial? La probabilidad marginal es la probabilidad de un evento simple A, es decir un evento de una sola caracterstica y se puede definir como:  P(A) = 100/300 $ 0,333  la suma de ocurrencias conjuntas P (A) = P (A B) + P (A B*) = (25/300) + (75/300) $ 0,333

P (B) = P (A B) + P (A* B) = (25/300) + (5/300) $ 0,333 INDEPENDENCIA ESTADSTICA - REGLA DE LA MULTIPLICACIN Al resolver la probabilidad de ocurrencia conjunta de (A y B) se tiene:

La regla general de la multiplicacin

P A B ! P A

B * P B

Los eventos A y B son independientes slo si : P (A / B) = P (A)

P (B / A) = P (B) Los eventos son estadsticamente independiente slo s: P(A y B) = P (A). P (B) Veamos:

-Cual es la probabilidad que al seleccionar dos empleados azar, el primero ocupe un puesto gerencial (B1), y, el segundo, tambin (B2)?

Por lo que, para el ejemplo de clasificacin del personal de la empresa tenemos dos posibles situaciones) Seleccin (muestreo) sin reemplazo

P (B1 y B2) = P (B2 / B1) . P (B1) = (29/ 299) * (30/ 300) $ 0.0097

Son eventos independientes?

P (B2 / B1)= P (B2)

(29/ 299) { (30/300) Eventos dependientes

b) Seleccin (muestreo) con reemplazo

P (B1 y B2) = P (B2 / B1) . P (B1)

= (30/ 300) (30/ 300) = 0,01

Son eventos independientes?

P (B2 / B1) = P(B2)

(30/300) = (30/300) Eventos Independientes

Se deduce que si B2 y B1 son independientes, su probabilidad de ocurrencia conjunta es: P (B2 y B1) = P (B2) P (B1) = (30/ 300) (30/ 300) = 0.01

Evento estadstico En estadstica, un evento o suceso es un subconjunto de un espacio muestral, es decir, un conjunto de posibles resultados que se pueden dar en un experimento aleatorio. Formalmente, sea un subconjunto resultados. Tipos de eventos Un suceso o evento elemental es un subconjunto del espacio muestral que contiene un nico elemento. Ejemplos de espacios muestrales y sucesos elementales:
  

un espacio muestral, entonces un evento es , donde (w1,w2,...) son una serie de posibles

Se dice que un evento A ocurre, si el resultado del experimento aleatorio es un elemento de A.

Si se trata de contar objetos y el espacio muestral S = {0, 1, 2, 3, ...} (los nmeros naturales), entonces los sucesos elementales son cada uno de los conjuntos {k}, donde k N. Si se lanza una moneda dos veces, S = {cc, cs, sc, ss}, donde (c representa "sale cara" y s, "sale cruz"), los sucesos elementales son {cc}, {cs}, {sc} y {ss}. Si X es una variable aleatoria normalmente distribuida, S = (-, +), los nmeros reales, los sucesos elementales son todos los conjuntos {x}, donde x .

Los sucesos elementales pueden tener probabilidades que son estrictamente mayores que cero, cero, no definidas o cualquier combinacin de estas. Por ejemplo, la probabilidad de cualquier variable aleatoria discreta est determinada por las probabilidades asignadas a los sucesos elementales del experimento que determina la variable. Por otra parte, cualquier suceso elemental tiene probabilidad cero en cualquier variable aleatoria continua. Existen distribuciones mixtas que no son completamente continuas, ni completamente discretas, entre las que pueden darse ambas situaciones. Otros sucesos Un evento compuesto es un subconjunto . Los eventos triviales son el conjunto universal y el conjunto vaco. Al primero se le llama tambin evento seguro, y al segundo, evento imposible.  Sean dos eventos A y B, si ambos son conjuntos disjuntos, entonces ellos son eventos excluyentes.  Un evento con elementos infinitos pero numerables se llama -lgebra (sigma-lgebra), y un evento con elementos finitos se llama lgebra de sucesos de Boole. Propiedades
 

Dados dos eventos A y B, entonces:


 

El evento El evento

ocurre si A y B ocurren a la vez ocurre si por lo menos ocurre A, B o ambos

Variable

Una variable es un smbolo que representa un elemento o cosa no especificada de un conjunto dado. Dicho conjunto es llamado conjunto universal o referencial de la variable, universo o variar de la variable, y cada elemento del conjunto es un valor de la variable. Sea x una variable cuyo universo es el conjunto {1,3,5,7,9,11,13}; entonces x puede tener cualquiera de esos valores: 1,3,5,7,9,11,13. En otras palabras x puede reemplazarse por cualquier entero positivo impar menor que 14. Por esta razn, a menudo se dice que una variable es un reemplazo de cualquier elemento de su universo. Una variable es un elemento de una frmula, proposicin o algoritmo que puede adquirir o ser sustituido por un valor cualquiera (siempre dentro de su universo). Los valores que una variable es capaz de recibir, pueden estar definidos dentro de un rango, y/o estar limitados por razones o condiciones de pertenencia, al universo que les corresponde (en estos casos, el de una variable es una constante. Tambin puede considerarse a las constantes como caso particular de variables, con un universo unitario (con un solo elemento), ya que slo pueden tener un valor, y no pueden modificarlo Distribucin binomial En estadstica, la distribucin binomiales una distribucin de probabilidad discreta que mide el nmero de xitos en una secuencia de n ensayos independientes deBernoulli con una probabilidad fija p de ocurrencia del xito entre los ensayos. Un experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo son posibles dos resultados. A uno de estos se denomina xito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p. En la distribucin binomial el anterior experimento se repite nveces, de forma independiente, y se trata de calcular la probabilidad de un determinado nmero de xitos. Para n = 1, la binomial se convierte, de hecho, en unadistribucin de Bernoulli. Para representar que una variable aleatoriaX sigue una distribucin binomial de parmetros n y p, se escribe: La distribucin binomial es la base del test binomial de significacin estadstica.

ejemplos Las siguientes situaciones son ejemplos de experimentos que pueden modelizarse por esta distribucin:
  

Se lanza un dado diez veces y se cuenta el nmero X de tres obtenidos: entonces X ~ B(10, 1/6) Se lanza una moneda dos veces y se cuenta el nmero X de caras obtenidas: entonces X ~ B(2, 1/2) Una partcula se mueve unidimensionalmente con probabilidad qde moverse de aqui para all y 1q de moverse de all para ac

Experimento binomial Existen muchas situaciones en las que se presenta una experiencia binomial. Cada uno de los experimentos es independiente de los restantes (la probabilidad del resultado de un experimento no depende del resultado del resto). El resultado de cada experimento ha de admitir slo dos categoras (a las que se denomina xito y fracaso). Las probabilidades de ambas posibilidades han de ser constantes en todos los experimentos (se denotan como p y q o p y 1-p). Se designa por X a la variable que mide el nmero de xitos que se han producido en los nexperimentos.

Cuando se dan estas circunstancias, se dice que la variable X sigue una distribucin de probabilidad binomial, y se denota B(n,p). Caractersticas analticas u funcin de probabilidad es

donde

siendo en ) Ejemplo

las combinaciones de

en

elementos tomados de

Supongamos que se lanza un dado 50 veces y queremos la probabilidad de que el nmero 3 salga 20 veces. En este caso tenemos una X ~ B(50, 1/6) y la probabilidad sera P(X=20):

P r o b a b ilid a d : E je r c ic io s y p r o b le m a s r e s u e lt o s d e p r o b a b il id a d c o n d ic io n a d a 1 ) S e a n A y B d o s s u c e s o s a le a t o r io s c o n p ( A ) = 1 /2 , p ( B ) = 1 /3 , p ( A B ) = 1 /4 . D e t e r m in a r :

2 ) S e a n A y B d o s s u ce s o s a le a t or io s c o n p( A ) = 1 /3 , p ( B ) = 1 /4 , p ( A 1 /5 . D e t e r m in a r :

B) =

3 ) E n u n c e nt r o e sc o la r lo s a lu m n o s p u e de n o p t a r p or c ur s a r c om o le n g u a e x t r a n je r a in g l s o f ra n c s . E n u n d e t e rm in a d o c u r s o , e l 9 0 % d e lo s a lu m n o s e s t u d ia in g l s y e l r e s t o f r an c s . E l 3 0 % d e lo s q u e e s t u d ia n in g l s s o n c h ic o s y d e lo s q u e e s t u d ia n f r a n c s s o n c h ic o s e l 4 0 % . E l e le g id o u n a lu m n o a l a z a r , c u l e s la p r o b a b ilid a d d e q u e s e a c h ic a ?

p ( c h ic a ) = 0 .9 0 .7 + 0 .1 0 .6 = 0 .6 9 4 ) D e u n a b a r a ja d e 4 8 c a rt a s s e e xt r a e s im u lt n e a m e nt e d o s d e e lla s . C a lc u la r la p r o b a b ilid a d d e q u e : 1 Las dos sean copas.

2Al menos una sea copas.

3 U n a s e a c o p a y la o t r a e s p a d a .

5 ) A n t e un e x am e n , u n a lum n o s lo h a e s t u d ia d o 1 5 de lo s 2 5 t em a s c o r r e s p o n d ie n te s a la m at e r ia d e l m is m o . s t e s e r e a liz a e xt r a y e n d o a l a z ar d o s t e m a s y d e ja n d o q u e e l a lu m n o e sc o ja u n o d e lo s d o s p a r a s e r e x a m in a d o d e l m ism o . H a lla r la p r o b a b ilid a d d e q u e e l a lu m n o p u e d a e le g ir e n e l e x a m e n u n o d e lo s t e m a s e s t u d ia d o s .

6 ) U n a c la s e e st f o rm a d a p or 1 0 c h ic o s y 1 0 c h ic a s ; la m ita d d e la s c h ic a s y la m it a d d e lo s c h ic o s h a n e le g id o f r a n c s c o m o a s ig n a t u r a o p t at iv a . 1 C u l e s la p r o b a b ilid a d d e q u e u n a p e rso n a e le g id a a l a z a r s e a c h ic o o e s t u d ie f r a n c s ?

2 Y la p r o b a b il id a d d e q u e s e a c h ic a y n o e s t u d ie f r a n c s ?

7 ) U n t a lle r s a be q u e p or t r m in o m e d io a c u d e n : p or la m a a n a tr e s a u t o m v ile s c o n p r o b le ma s e l c t r ic o s , o c h o c o n p r o b le m a s m e c n ic o s y t re s c o n p r o b le m a s d e c h a p a , y p or la t ar d e d os c o n p r o b le ma s e l c tr ic o s , t r e s c o n p r o b le m a s m e c n ic o s y u n o c o n p r o b le m a s d e c h a p a . 1 H a c e r u n a t a b la o r d e n a n d o lo s d a t o s a n t e r io r e s .

2 C a lc u la r e l p o r c e n t a je d e lo s q u e a c u d e n p o r la t a r d e .

3 C a lc u la r m e c n ic o s .

el

p o r c e n t a je

de

lo s

que

acuden

por

p r o b le ma s

4 C a lc u la r la p r o b a b ilid a d d e q u e u n a uto m v il c o n p r o b le ma s e l c t r ic o s a c u d a p o r la m a a n a .

8 ) U n a c la s e c o n s t a d e s e is n i a s y 1 0 n i o s . S i s e e s c o g e u n c o m it d e t r e s a l a z a r , h a l la r la p r o b a b i lid a d d e : 1 S e le c c io n a r t r e s n i o s .

2 S e le c c io n a r e x a c t a m e nt e d o s n i o s y u n a n i a .

3 S e le c c io n a r p o r lo m e n o s u n n i o .

4 S e le c c io n a r e x a c t a m e nt e d o s n i a s y u n n i o .

9 ) U n a c a ja c o n t ie n e t r e s m o n e d a s . U n a m on e d a e s c o r r ie n t e , o tr a t ie n e d o s c a r a s y la o t r a e s t c ar g a d a d e m o d o q u e la p r o b a b ilid a d d e o b t e n e r c a r a e s d e 1 /3 . S e s e le c c io n a u n a mo n e d a la n z a r y s e la n z a a l a ir e . H a lla r la p r o b a b ilid a d d e q u e s a lg a c a r a .

1 0 ) U n a ur n a c o nt ie n e 5 b o la s r o ja s y 8 ve r d e s . S e e xt r a e u n a b o la y se r e e m p la z a p o r d o s d e l o tr o c o lo r . A c o nt in u a c i n , s e e x t r ae u n a s e g u n d a b o la . S e p id e : 1 P r o b a b ilid a d d e q u e la s e g u n d a b o la s e a v e r d e .

2 P r o b a b ilid a d d e q u e la s d o s b o la s e x t r a d a s s e a n d e l m is m o c o lo r .

1 1 ) E n u na c la s e e n la q u e t o d o s pr a ct ic a n a lg n d e p o rt e , e l 6 0 % d e lo s a lu m n o s ju e g a a l f t b o l o a l b a lo n c e st o y e l 1 0 % pr a c t ic a am b o s de p o rt e s . S i a d e m s h a y u n 6 0% q u e n o ju e g a a l f t b o l, c u l s e r la p r o b a b ilid a d d e q u e e s c o g id o a l a z a r u n a lu m n o d e la c la s e : 1 J u e g u e s lo a l f t b o l.

2 J u e g u e s lo a l b a lo n c e s t o .

3 P r a c t iq u e u n o s o lo d e lo s d e p o r t e s .

4 N o ju e g u e n i a l f t b o l n i a l b a lo n c e s t o .

1 2 ) E n u n a c iu d a d , e l 40 % d e la po b la c i n t ie n e c a b e llo s c a st a o s , e l 2 5% t ie n e o jo s c a s t a o s y e l 1 5 % t ie n e c a b e llo s y o jo s c a s t a o s . S e e s c og e u n a persona al azar: 1 S i t ie n e lo s c a b e llo s c a s ta o s , c u l e s la p r o b a b ilid a d d e q u e t e n g a t am b i n o jo s c a s t a o s ?

2 S i t ie n e o jo s c a s t a o s , c u l e s la p r o b a bilid a d d e q u e n o t e n g a c a b e llo s c a s t a o s ?

3 C u l e s la p r o b a b ilid a d d e q u e n o te n g a c a b e llo s n i o jo s castaos?

1 3 ) E n u n a u la h a y 1 0 0 a lu m n o s , d e lo s c u a le s : 4 0 s o n h o m b r e s , 3 0 u s a n g a f a s , y 15 s o n v a r o n e s y u sa n g af a s . S i s e le c c io n a m o s a l az a r u n a lu m n o d e d ic h o c u r s o : 1 C u l e s la p r o b a b il id a d d e q u e s e a m u je r y n o u s e g a f a s ?

2 S i s a b e m o s q u e e l a lum n o s e le c c io n a do n o u s a g a f as , q u p r o b a b ilid a d h a y d e q u e s e a h o m b r e ?

1 4 ) D is p o n e m o s d e d o s u r na s : la u r n a A co n t ie n e 6 b o la s r o ja s y 4 b o la s b la n c a s , la u r n a B c o n t ie n e 4 b o la s r o ja s y 8 b o la s b la n c a s . S e la n z a u n d a d o , s i a p a r e c e u n n m e r o me n o r q u e 3; n o s v am o s a la ur n a A ; s i e l r e s u lt a d o e s 3 m s , n o s v am o s a la ur n a B . A c o n t in u a c i n e x t r a em o s u n a b o la . S e p id e : 1 P r o b a b ilid a d d e q u e la b o la s e a r o ja y d e l a u r n a B .

2 P r o b a b ilid a d d e q u e la b o la s e a b la n c a .

1 5 ) U n e s t u d ia nt e c u e nt a , p a r a u n e xa m e n con la a y u d a d e u n d e s p e rt a d or , e l c u a l c o n s ig u e d e s p e r t ar lo e n u n 8 0% d e lo s c a s o s . S i o y e e l d e s p e r t ad o r , la p r o b a b ilid a d d e q u e r e a liz a e l e x a m e n e s 0 .9 y , e n c a s o c o n t r a r io , d e 0 .5 . 1 S i v a a r e a liz a r e l e x a me n , c u l e s la p ro b a b ilid a d d e q u e h a y a o d o e l d e s p e r t a d o r ?

2 S i n o r e a liz a e l e x a m e n , c u l e s la p r o b a b ilid a d d e q u e n o h a y a o d o e l d e s p e r t a d o r ?

1 6 ) E n u n a e s ta n t er a h a y 6 0 n o v e la s y 2 0 lib r o s d e p o e s a . U n a p e r s o n a A e lig e u n lib r o a l a z a r d e la e s t a n t e r a y se lo lle v a . A c o n t in u a c i n o t r a p e r s o n a B e lig e o t r o l ib r o a l a z a r . 1 C u l e s la p r o b a b ilid a d d e q u e e l lib r o s e le c c io n a d o p o r B s e a

u n a n o v e la ?

2 S i s e s a b e q u e B e lig i u n a n o v e la , c u l e s la p r o b a b ilid a d d e q u e e l lib r o s e le c c io n a d o p o r A s e a d e p o e s a ?

1 7 ) S e s u p o n e q u e 2 5 d e c a d a 1 0 0 h om b r e s y 6 0 0 d e c a d a 1 0 00 m u je r es u s a n g a f a s . S i e l n m e r o d e m u je r e s es c u a tr o ve c e s s u p e r io r a l d e h om b r es , s e p id e la p r o b a b ilid a d d e e n c o n t r a r n o s: 1 C o n u n a p e r s o n a s in g a f a s .

2 C o n u n a m u je r c o n g a f a s .

1 8 ) E n u n a c a s a h a y t r e s lla v e r o s A , B y C ; e l p r im e r o c o n c in c o lla v e s , e l s e g u n d o c o n s ie t e y e l te r c er o c o n o c h o , d e la s q u e s lo u n a d e c a d a lla v e r o a b r e la p u e r t a d e l tr a s t er o . S e e s c o g e a l a z a r u n lla v e r o y , d e l u n a lla v e p a r a a b r ir e l t r a s t e ro . S e p id e : 1 C u l s e r la p r o b a b ilid a d d e q u e s e a c ie r t e c o n la lla v e ?

2 C u l s e r la p r o b a b ilid a d d e q u e e l ll a v e r o e s c o g id o s e a e l t e r c er o y la l la v e n o a b r a ?

3 Y s i la lla v e e s c o g id a e s la c o r r e ct a , c u l s e r la p r o b a b ilid a d d e q u e p e r t e n e z c a a l p r im e r lla v e r o A ?

P a r a la c o n s t r u cc i n d e u n d ia g r a m a e n rb o l s e p a r t ir p o n ie n d o u n a r am a p ar a c a d a u n a d e la s p o s ib ilid a d e s , a c o m p a a d a de s u p r o b a b ilid a d .

E n e l f in a l d e c a d a r a m a p a r c ia l s e c o n s t it u ye a s u v e z , u n n u d o d e l c u a l p a r t e n n u e v a s r am a s , s e g n la s p os ib ilid a d e s d e l s ig u ie n t e p a s o , s a lv o s i e l n u d o r e p r e s e n t a u n p o s ib le f in a l d e l e x p e r im e n t o ( n u d o f in a l) . H a y q u e t e n e r e n c u e n t a : q u e la s u m a d e p r o b a b ilid a d e s d e la s ramas de cada nudo ha de dar 1. E je m p lo s U n a c la s e c o n st a d e s e is n i a s y 1 0 n i o s . S i s e e s c o g e u n c om it d e t r e s a l a z a r , h a lla r la p r o b a b il id a d d e : 1 S e le c c io n a r t r e s n i o s .

2 S e le c c io n a r e x a c t a m e nt e d o s n i o s y u n a n i a .

3 S e le c c io n a r e x a c t a m e nt e d o s n i a s y u n n i o .

1 S e le c c io n a r t r e s n i a s .

C a lc u la r la p r o b a b ilid a d d e q u e a l a r r o ja r a l a ir e t r e s m o n e da s , s a lg a n : Tres caras.

aaq|

"2011, AO DEL CAUDILLO VICENTE GUERRERO"

ESCUELA PREPARATORIA OFICAL ANEXA A LA NORMAL No. 1 DE

NEZAHUALCYOTL

CIBERGRAFIA Ramirez hernndez jesus arturo

PROBABILIDAD Y ESTADSTICA

ALANIS GELACIO GALICIA FRANCISCO

TERCERO TRES

CD. NEZAHUALCYOTL, JUNIO 2011

You might also like