Clases de Probabilidades

UNIVERSIDAD RICARDO PALMA
CURSO: ESTADISTICA Y PROBABILIDADES
FACULTAD DE INGENIERIA
PROBABILIDAD
Se usa para indicar que existe duda o incertidumbre sobre lo que ocurri o lo que ocurre o
lo que ocurrir. Las situaciones que implican incertidumbre varan desde simples juegos de
azar a experimentos complejos dentro de las ciencias mdicas, sociales, economa, industria,
negocios, seguros, etc.
Por dicho motivo se puede deducir a la Probabilidad, como un Estudio de Fenmenos
ALEATORIOS cuyo INTERES ES DEDUCIR LAS LEYES DEL AZAR Y LOS
RESULTADOS QUE ESTOS DETERMINAN.
ELEMENTOS DE PROBABILIDAD
ESPACIO MUESTRAL.Es el conjunto total de todos los resultados posibles de un Experimento dado.
Se denota con el signo
CLASIFICACION DEL ESPACIO MUESTRAL
Espacio Muestral Discreto.Cuando se tiene un nmero finito de elemento o sus elementos son contables.
Ejemplo: a) lanzar una moneda b) lanzar un dado.
ESPACIO MUESTRAL CONTINUA.Cuando no se puede contar sus elementos o tiene un nmero infinito de elementos.
El espacio se define mediante funciones
Ejemplo: a) Todos los puntos de un plano
Ejemplo: b) De un grupo de matrimonios se tiene la siguiente informacin:
Sea X: Edad del esposo, que est dentro del intervalo 25 <X< 60 aos
Sea Y: Edad de la esposa, su intervalo es de 20 < Y< 50 aos
Entonces definamos el espacio muestral para las edades de parejas de casados:
= {(x, y) R / 25 < X < 60 y 20 < Y < 50}
Representacin grfica.
EJEMPLOS: Definir el espacio muestral de:
a) Lanzar 2 monedas.
b) Lanzar 4 monedas.
c) Lanzar 2 dados
SUCESO O EVENTO
Es un subconjunto del Espacio muestral, se representa mediante letras maysculas, ejemplo: A,
B, D, R, Q, ETC.
Tipos de Eventos.1. Evento simple.- es un subconjunto unitario del espacio muestral, ya que esta representado
por un solo elemento. Ejemplo:
2. Evento Compuesto.- es la unin de 2 o ms eventos simples. Ejemplo:
PUNTO ELEMENTAL
Es un resultado o un elemento del espacio muestral.
FAMILIA DE EVENTOS
Se representa mediante F
Es el conjunto de todos los posibles eventos (sucesos) de un experimento dado.
El nmero de elementos de la Familia de Eventos esta dado por la base 2 elevado al nmero de
elementos o posibles resultados. F = 2n
DIAGRAMA DE ARBOL
Nos permite determinar el nmero de elementos, y adems quienes son los elementos del
espacio muestral ()
Ejemplo:
Lic. Amrica Paula Campomanes Morn
1

TEORIA COMBINATORIA
ARREGLO.
Dado un conjunto de n elementos, si se quieren formar grupos pequeos de m elementos
donde (m < n) en los cuales interesa el ORDEN de esos elementos. (Se denota como nAm)
FORMULAS.
a) Si los elementos del conjunto NO se repiten
nAm = . n! .
(n m)!
b) Si los elementos del conjunto se repiten
AR = nm
PERMUTACION
Si se tiene un conjunto con * n * elementos y se reordenan en * n * elementos donde interesa el
ORDEN. Se denota P(n)
FORMULAS
Pn = n!
PR =.
n!
.
n1!n2!.....nk!
Donde n1, n2,.nk son los elementos que se repiten
COMBINACION
Se tiene un conjunto de *n* elementos, si se quieren formar grupos de * m * elementos donde
(m < n) en donde NO interesa el ORDEN de esos elementos. Se denota nCm
FORMULAS
nCm = . n!
.
m!*(n-m)!
nCRm = .( n + m 1)!
m!*(n - 1)!
DEFINICIONES DE PROBABILIDAD
I.- DEFINICION AXIOMATICA DE PROBABILIDAD.
Dado un espacio muestral finito, que es el conjunto universal de todos los eventos A relativos
a un experimento aleatorio. Se denomina PROBABILIDAD a una funcin P que asigna a cada
evento A del espacio muestral un nmero real P(A), que es la medida de la probabilidad del
evento A, y para el cual se cumplen las siguientes condiciones:
a) La probabilidad del evento A siempre es un nmero positivo:
P(A) > 0
b) La probabilidad de la unin de todos los eventos del espacio muestral es igual a uno (1)
P(A1UA2UA3U.....UAk) = P(Ai) = 1
Consecuencias de los axiomas de Probabilidad:
1.- Si el evento A es igual al conjunto vaci entonces
P(A = ) = 0 evento imposible es igual a cero
2.- Si el evento A es igual al espacio muestral, entonces
P(A = ) = 1 evento certeza es igual a 1
3. - P (A) = 1 P (A)
4.- Si A C B = P(A) C P (B)
5.- Para todo evento A: P(A) < 1
2

II.- DEFINICION CLASICA DE PROBABILIDAD

La probabilidad de un evento es igual al nmero de casos favorables del evento A sobre el
nmero total de posibles resultados.
P(A) = NUMERO DE CASOS FAVORABLES DEL EVENTO A
NUMERO TOTAL DE RESULTADOS POSIBLES
La probabilidad es un nmero restringido a los valores de 0 a 1 inclusive .
< P(A) < 1
La probabilidad igual a 1 esta asociada a la CERTEZA

La probabilidad igual a 0 esta asociada a IMPOSIBLE
NOCIONES DE CONJUNTO
1.- Unin (AU B)
2.- Interseccin (A B)
3.- Complemento A
PROBABILIDAD DE EVENTOS COMBINADOS

I.
REGLA DE LA ADICION
AUB; A+B; AB; AuB

a) EVENTOS MUTUAMENTE EXCLUYENTE
Si la ocurrencia de uno cualquiera de ellos imposibilita la ocurrencia de los otros. Entonces
el Eventos A y el Evento B no tienen elementos comunes y se expresa como A B =
Entonces La probabilidad de la suma de los eventos es:

P( A+ B ) = P ( A) + P( B )
b) EVENTOS NO EXCLUYENTE.
Donde la ocurrencia de uno cualquiera de ellos NO IMPOSIBILITA la ocurrencia de los
otros. Entonces el eventos A y el evento B tienen elementos comunes y se denota como
A B
La probabilidad de la suma de los Eventos A y B es igual a.
P ( A + B ) = P ( A ) + P ( B ) - P ( A B)
P ( A + B ) = P ( A ) + P ( B ) - P ( AB)
II.
REGLA DE LA MULTIPLICACION
A B; AyB; A*B; A,B; AB
a) EVENTOS INDEPENDIENTES
Si se tienen dos eventos A y B. Se dice que el evento A y el evento B son independientes si la
ocurrencia de B no es influenciado por la ocurrencia de A.
Entonces P (AB) = P ( A ) P ( B ).
b) EVENTO DEPENDIENTE
El eventos A y el evento B son dependiente cuando la ocurrencia del evento B es
influenciado por la ocurrencia del evento A
Entonces. P (AB) = P (A) P (B/A)

3

PROBABILIDAD CONDICIONAL
Dado dos eventos A y B, de tal forma que la P (B) > 0. La probabilidad de que ocurra el evento
A, dado que ha ocurrido el evento B, se denomina la probabilidad condicional del evento A
dado el evento B y se denota P(A/B) y su formula se define como .
P (A/B)
= P(A B)
P (B)
Anlogamente se trabaja la probabilidad condicional de B dado A

Ejemplo.
PARTICION DE UN ESPACIO MUESTRAL

Si se tiene un grupo de eventos A1, A2, A3,...., AK del espacio muestral. Representa una particin
del espacio muestral si cumple con las siguientes condiciones.
1.- Los eventos A1, A2,..... , AK son mutuamente excluyente.
2.- La unin de los eventos A1, A2,..... , AK es igual
al espacio muestral
3.- La probabilidad de los eventos Ai es un nmero
Positivo P (Ai) > 0
4.- La suma de las probabilidades de los eventos Ai es
Igual a 1. ( P(Ai) = 1)
TEOREMA PROBABILIDAD TOTAL

Sean los eventos E1, E2, y E3, una particin del espacio muestral, (es decir que cumple las
condiciones de particin de un espacio muestral.
1.- E1 E2 = , E1 E3 = , E2 E3 =
2.- E1 + E2 +E3 =
3.- P(E1) > 0 , P(E2) > 0 , P(E3) >0
4.- P(E1) + P(E2) + P(E3) = 1
E1
E2
E3
ENTONCES para cualquier evento A en el espacio muestral

Se Cumple:
A = E1A + E2A + E3A
Entonces P(A) = P(E1)P(A/E1) + P(E2)P(A/E2) + P(E3)P(A/E3)
GENERALIZANDO LA FORMULA.
P(A) =
P(Ei).P(A/Ei)
Ejemplo.
En un laboratorio hay 3 gabinetes, en el gabinete I hay 3 mouse rojos y 4 cremas, en el
gabinete II hay 4 rojos y 5 cremas y el gabinete III contiene 7 rojo y 6 cremas. Si se
selecciona al azar un gabinete y se saca un mouse aleatoriamente de este gabinete. Cul
es la probabilidad de que el mouse escogido sea crema?
Solucin.

4

TEOREMA DE BAYES
Si los eventos E1, E2,..... , EK, forman una particin del espacio muestral. Sea A un
suceso cualquiera del espacio muestral, tal que la probabilidad condicional de la
ocurrencia de A dado que ha ocurrido la causa Ei son conocidos. Entonces para cada i se
tiene:
P(Ei/A) = . P(Ei)P(A/Ei) .
P(Ei).P(A/Ei)
Ejemplo.
Se tiene 3 urnas (U1, U2, U3), la urna 1 tiene 3 bolas negras, 1 blanca, y 5 rojas, La urna 2 tiene 4
negras, 3 blancas y 2 rojas, la urna 3 tiene 2 negras, 4 blancas y 3 rojas. Sea el experimento.
Escoger una urna al azar y de ella extraer una bola al azar. Cul es la probabilidad de escoger la
urna 2, sabiendo que la bola extrada es blanca?
Solucin
VARIABLES ALEATORIAS UNIDIMENSIONALES

VARIABLE ALEATORIA.La variable aleatoria es una funcin definida sobre el Espacio Muestral (), donde a cada
elemento del espacio muestral se le asigna un nico nmero real.
--------------- R
(a, b)
##
Propiedades de la variable aleatoria.
1. La variable se define en el espacio muestral asociado a un experimento y sus valores son
nmeros reales.
2. Cualquier nmero real tiene una probabilidad bien definida.
Ejemplo.DOMINIO DE UNA VARIABLE ALEATORIA (Dx)
Llamado Conjunto de Partida, esta formado por todos los PRIMEROS, elementos de la funcin
(Espacio Muestral)
RANGO DE UNA VARIABLE ALEATORIA (Rx)
Llamado al Conjunto de Llegada, es el conjunto formado por los diversos nmeros que pueden
tomar la variable aleatoria.
CLASES (Tipos) DE VARIABLES ALEATORIAS
Hay 2 tipos de variables aleatorias:

1.- VARIABLE ALEATORIA DISCRETA.
Cuando los valores de la funcin (x) es un nmero ENTERO, es decir es un conjunto finito o
numerable
2.- VARIABLE ALEATORIA CONTINUA
Si los valores de la funcin (x) siempre esta comprendido dentro de un intervalo.

5

DISTRIBUCION DE UNA VARIABLE ALEATORIA DISCRETA

Es la presentacin ordenada de los datos en una tabla y contiene los valores que toman la
funcin y su probabilidad correspondiente.
Xi
: X1
X2 ............. Xn
P(Xi) : P(X1) P(X2)
P(Xn)
FUNCION DE PROBABILIDAD O (FUNCION DE CUANTIA)
Es la probabilidad que le corresponde a cada uno de los nmeros enteros de la variable aleatoria
discreta, si cumple con las siguientes condiciones.
1.- La probabilidad de la variable aleatoria (Xi) es un nmero positivo
P (Xi) 0
2.- La sumatoria de las probabilidades de la variable aleatoria (X i) es igual a
1 (uno).
P (Xi) = 1
Ejemplo y Grfico.
FUNCION DE DISTRIBUCION O (FUNCION CUMULATIVA O FUNCION DE
DISTRIBUCION ACUMULADA).Es la suma de las probabilidades hasta un determinado valor de la variable aleatoria discreta.
Se denota por F(X)
F(X) = P(X < x) = P (Xi)
PROPIEDADES DE LA FUNCION DE DISTRIBUCION
1.- Es una funcin NO decreciente
Si X1 < X2 == F(X1) < F(X2)
2.- Es una Funcin Acotada entre 0 y 1 0 F(X) 1
3.- Para valores pequeos o cantidades pequeas F (- ) = 0
4.- Para valores grandes o cantidades grandes
F (+ ) = 1
Ejemplos y grfico
ESPERANZA MATEMATICA o (valor esperado)
Es la media terica de la variable aleatoria discreta, o tambin conocida como media aritmtica
de la variable aleatoria.
La formula de la esperanza matemtica de una variable con es.
E(X) =
XiP(Xi)
PROPIEDAD
1.- si X e Y son 2 variables aleatorias discretas, La esperanza de la suma de las 2 variables es
igual a la esperanza de la variable aleatoria X mas la esperanza de la variable aleatoria Y
E(X + Y) = E(X) + E (Y)

VARIANZA DE UNA VARIABLE ALEATORIA.
Nos indica el grado de dispersin de la distribucin con respecto a su esperanza matemtica y se
denota V(X),
Formula.
V(X) = E(X2) (E(X)) 2
Se define. Como el valor esperado al cuadrado de la desviacin de la variable aleatoria con
respecto a la esperanza matemtica.

6

DESVIACION ESTANDAR DE UNA VARIABLE ALEATORIA

Es la raz positiva de la varianza
Formula.
S(X) = E(X2) (E(X)) 2
S(X) = V(X)
VARIABLE ALEATORIA CONTINUA
FUNCION DE DENSIDAD f(X)
(A la funcin de probabilidad cuando la variable es continua se le da ese nombre)

Esta funcin esta asociada a la integral (matemtica)
Si consideramos el conjunto de parejas (x , f(x) ), donde x es la variable aleatoria definida sobre
el Espacio Muestral Infinito { - X + } Entonces. Para que sea funcin de densidad
debe de cumplir las siguientes propiedades.1) La funcin f(x) debe de ser positivo.
F (x) 0
2) La integral de la funcin definida entres sus limites es igual a 1 (uno).
+
- f(x)dx = 1
Ejemplo.
FUNCION DE DISTRIBUCION O (FUNCION DE DISTRIBUCION ACUMULATIVA)
F(x)
k
F(X) =
- f(x)dx
Propiedades de la Funcin de Distribucin

1.- La funcin de distribucin F(x) es una funcin creciente
2.- La funcin acumulativa de cantidades negativas (pequeas) la suma es igual a 0, F (- ) = 0
3.- La funcin acumulativa de cantidades positivas (grandes) la suma es igual a 1, F (+) = 1
0
Se expresa
F (X) =
, X<x
( ) ,
1
xi X x i+1.
, X>x
PROPIEDADES DE LA VARIABLE ALEATORIA CONTINUA

b
1. - P (a < x < b) = a f(x)dx

2. - P (a < x < b)
= F (b) - F(a)
3.- Dado F(x) se puede calcular f(x) = dF(x)

dx
ESPERANZA MATEMATICA
+
E( X ) = - x * f ( x) dx
VARIANZA
V ( X ) = E ( x 2 ) (E(x))2
DONDE:
E (x2 ) =
- x2* f ( x) dx

7

DESVIACION ESTANDAR
S (x) = V(x)
DISTRIBUCIONES DE PROBABILIDAD PARA UNA VARIABLE ALEATORIA
DISCRETA
1.- Distribucin Binomial
2.- Distribucin de Poisson
3.- Distribucin hipergeometrica
DISTRIBUCION BINOMIAL
Se da este nombre a la Distribucin de Probabilidad de una Variable Aleatoria Discreta.
Frecuentemente se denota por V.a.X ~ B(n, p)
Las condiciones de la distribucin binomial:
1.
Debe de existir una prueba simple dividida en dos categoras o clases bien
definidas (mutuamente excluyentes)
- a una categora se le denomina xito y se denota con (p) y
- la otra categora se le denomina fracaso y se denota con (q)
Donde el xito (p) mas el fracaso (q) tiene que ser igual a 1 (p + q = 1)
2.
La prueba simple o (ensayo) se repite un nmero (n) fijo de veces y no muy
grande
3.
Las n - pruebas (o ensayos) son independientes.
4.
Interesa el nmero de xito x en las n pruebas independientes.
Entonces la funcin de probabilidad de la distribucin binomial est dado por:
P (X = x) = nCx (px) (qn-x)

PROPIEDADES DE LA DISTRIBUCIN BINOMIAL
1.
2.
3.
Media o Esperanza
Se denota por E (x) o
Donde
= np
Nos indica el valor esperado o promedio de la probabilidad
Varianza
Se denota por V(x) o Var(x) o
Donde
= V(x) = npq
Desviacin Estndar
Es la raz cuadrada de la varianza
Y se denota = npq
Ejemplo1.La probabilidad de un estudiante que ingresa a la URP y logre graduarse es 45%. Si

hay 15 estudiantes nuevos Cul es la probabilidad de que:
a.- se graden 3 estudiantes?
b.- A lo ms se graden 2 estudiantes?
c.- Ninguno se grade?
Solucin:
1. Cul es la prueba simple: un estudiante
2. Que posibilidades tiene:
- graduarse
- no graduarse
El xito sera graduarse su posibilidad o probabilidad es p = 0.4
El fracaso sera no graduarse su posibilidad es q = 1 0.4 = 0.6
3. La prueba simple se repite n = 15

8

4. Interesa x xitos de acuerdo a cada pregunta:

a) X = 3 estudiantes se graden
P (x = 3) = 15C3 (0.4)3(0.6)12
P (x= 3) = 0.0633879 es decir que la probabilidad de que 3 estudiantes se
graden es 6.34%.
b) X = a lo ms 2 se graden es igual a decir (hasta 2)
P ( x 2 ) = P (x=0) + P (x=1) + P (x=2)
P ( x 2 ) = 15C0 (0.4)0(0.6)15 + 15C1(0.4)1(0.6)14 + 15C2(0.4)2(0.6)13
P ( x 2 ) = 4.7018498 x 10-4 + 4.7018498 x 10-3 + 0.0219419
P ( x 2 ) = 0.0271139
c) x = ninguno se grade
P ( x = 0 ) = 15C0 (0.4)0(0.6)15
P ( x = 0 ) = 4.7018498 x 10-4
Ejemplo 2.
De los alumnos de la facultad de ingeniera, el 38% fuma. Se elige a 14 alumnos para
preguntarle si fuma o no fuma. Encuentre la probabilidad de que:
a) 3 de los alumnos no fuma?
b) Ninguno de los alumnos no fuma?
c) Por lo menos 2 no fuma
Los siguientes ejemplos de variable aleatoria se pueden clasificar como binomial
1) Productos manufacturados clasificados como defectuosos o no defectuosos.
2) Sistema de calificacin de aprobado y no desaprobados.
3) Respuesta un examen de verdadero - falso
4) Respuesta a un examen de opciones mltiple pueden ser correcta o incorrecta.
DISTRIBUCION DE POISSON
Para variables aleatorias discretas, Se denota V.A. X ~ P ( ).
Debe de cumplir todas las condiciones de una distribucin Binomial a excepcin que las n
pruebas (o ensayos) tienen que ser muy grande (n +) y la probabilidad p es muy pequea
(p 0). Entonces la funcin de probabilidad se puede obtener por la siguiente formula
P(X= x)
= e - )( x
X!
donde = n.p
La distribucin de Poisson generalmente se usa en ciertos problemas donde se cuenta el nmero

de eventos de cierto tipo, que ocurren en un intervalo de tiempo o en una regin o en un
volumen.
A esta distribucin tambin se le conoce como Distribucin de EVENTOS
RAROS.
Propiedades:
La Media
Varianza
Desviacin estndar
= (landa)
= (landa)
= raz cuadrado de landa
Ejemplo:
DISTRIBUCION HIPERGEOMETRICA
Se utiliza cuando se consideran extracciones de una poblacin que esta dividida en dos
caractersticas y estas extracciones son hechas SIN REPOSICION (Dependientes).
Se denota V.A.X ~ H(N,n,a)

9

Y podemos definirla como:

Si consideramos una poblacin de N elementos la cual esta dividida en dos grupos, que tienen
caractersticas bien definidas llamadas:
a (xito) que es la variable que cumple con la propiedad
b (fracaso) variable que no cumple con la propiedad.
Si seleccionamos un grupo (o subgrupo) de n elementos de esta poblacin, SIN
REMPLAZAMIENTO, y sea x la variable aleatoria que interesa. Entonces la distribucin
Hipergeometrica de Probabilidad esta dada por la siguiente funcin :
P(X)=
a
x
b
n-x
N
N
Media E(x) = n*(a/N)

VARIANZA (Vx) = n.*(a/N)*((N-a)/N)* ((N-n)/(N-1))
Otra Definicin:
Debe de cumplir todas las condiciones de la Distribucin Binomial a

excepcin que las n - pruebas son DEPENDIENTES.
Ejemplos:
DISTRIBUCIONES DE PROBABILIDAD PARA UNA VARIABLE ALEATORIA
CONTINUA
DISTRIBUCION NORMAL
Es la distribucin de probabilidad continua ms importante y de mayor uso en el campo de la
estadstica. Es importante porque:
1) Esta relacionada directamente con propiedades matemticas.
2) Los datos con que se trabaja ocurren en la vida real, es decir en la industria, la economa,
ejemplo, alturas, pesos, produccin, etc.
3) Utiliza el teorema del lmite central y una de sus consecuencias es que muchas funciones de
los valores muestrales tienen aproximacin normal.
Esta distribucin terica se puede expresar en forma general o en forma estandarizada.
En Forma General
La Funcin de densidad se denota como: v.a.x ~ N (, )
Cuando la variable x esta comprendida de menos infinito a mas infinito. (- x + )
La formula es:
f (x ) =
.
1 . e -1/2
2
(x -
GRAFICA
Toda el rea encerrada debajo

curva es igual a 1
La esperanza E(x) =
Varianza
V(x) =

10
de la

DISTRIBUCION NORMAL ESTANDARIZADA

Se denomina cuando la media ( = 0 ) y desviacin ( = 1)
La funcin de densidad de esta distribucin generalmente se denota (z)
La formula de la funcin es:
Z2
(z) = .
1 . e -1/2
2
La variable aleatoria Z se estandariza con la siguiente formula:
Z=
x-
PROPIEDADES
a) P (Z < a)
Se busca en la tabla de la Normal
b) P (Z < - a ) = 1 P(Z < a)
c) P (Z > a )
= 1 P( Z < a)
d) P ( a < Z < b ) = P ( Z < b) P( Z < a)
Se considera (<) o () indistintamente
Generalmente los problemas se enfocan en funcin de la variable aleatoria
Ejemplos:
Las estaturas de los estudiantes de ingeniera estn normalmente distribuidos, con un promedio
de 173 cmts y una desviacin estndar de 25 cmts. Hallar la probabilidad de que al elegir un
estudiante al azar de ingeniera su estatura
a) sea mayor de 185 cmts.
b) Este entre 165 y 192 cmts.
c) sea a lo ms 168 cmts.
TEORIA DEL MUESTREO

ELEMENTOS DE LA TEORIA DEL MUESTREO
MUESTRA.Es una parte de la poblacin, que se elige para su estudio. O tambin se puede decir que es una
porcin relativamente pequea de la poblacin.
MUESTREO
Es el proceso o labor de extraer una muestra de una poblacin.
El objetivo del Muestreo.- es el de obtener una muestra que nos permita que a travs del estudio
de los elementos, estimar como son los elementos de la Poblacin a la que pertenece la muestra.
TEORIA DEL MUESTREO
Estudia la relacin existente entre una poblacin y las muestras tomadas o extradas de ella.
Ventajas.- Econmica
- Ahorra tiempo
- Ahorra trabajo
POBLACION:
Cuando se estudia la poblacin las medidas de anlisis se denominan
POBLACIONAL
media Poblacional
Varianza poblacional

11
PARAMETRO

desviacin estndar poblacional

MUESTRA:
Cuando se estudia la muestra las medidas de anlisis se denominan ESTADISTICO
MUESTRAL
_
X = media muestral
S2 = varianza muestral
S = desviacin estndar muestral
Para que las conclusiones de la Teora del muestreo sea vlido, las muestras deben de ser
representativas
TIPOS DE MUESTREO
1.- Muestreo por Estratos o Estratificado.
Cuando se divide a la poblacin en subgrupos (estratos) de elementos homogneos o semejantes
y luego hay que muestrear en cada subgrupo (el muestreo en cada estrato es al azar).
2.- Muestreo por Conglomerado (Acumulacin).
Comprende en ordenar los elementos de una poblacin en subgrupos heterogneos (o acumular
los elementos heterogneos) que puedan representar a toda la poblacin. Este proceso es
ventajoso cuando los elementos de la poblacin estn ampliamente dispersos.
3.- Muestreo Sistemtico.
Se elabora un alista aleatoria de los elementos de la poblacin y deben de estar dispuesto en un
orden en particular (sistema), se muestrean los elementos por secuencias.
4.- Muestreo Aleatorio Simple (o Muestreo al azar)
Cuando cada elemento de la poblacin tenga la misma oportunidad de ser incluido en la
muestra. El proceso de seleccin es el que es aleatorio.
TABLA DE NUMEROS ALEATORIOS.Contiene los 10 dgitos ( 0, 1, 2, 3, 4, 5, 6, 7, 8, 9) , tales dgitos se puede leer individualmente
o en grupos y en cualquier orden en columnas hacia abajo ( o viceversa), de derecha a izquierda
( o viceversa) o en forma diagonal , etc.
FORMA DE UTILIZAR LA TABLA DE NUMEROS ALEATORIOS
1.- Elaborar una lista de los elementos de la poblacin.
2.- Asignar nmeros consecutivos a los elementos de la lista
3.- Tomar los nmeros de una tabla de nmeros aleatorios de manera que la cantidad de dgitos
de cada uno, sea igual a la del ltimo elemento numerado de su lista.
4.- Omitir cualquier dgito que no corresponda con los nmeros de la lista o que se repita cifras
seleccionadas anteriormente.
5.- Utilice dichos nmeros aleatorios para identificar los elementos de la lista que habr de
incluir en la muestra.
Ejemplo.
DISTRIBUCION MUESTRAL
Dada una poblacin de tamao N y se toman todas las muestras de tamao n posibles de
ellas y de cada una de sus muestras se obtiene los estadsticos como la X, S, S 2 y luego cada
estadstico se agrupa.
DISTRIBUCION MUESTRAL DE MEDIAS
Dada una poblacin de Tamao N y se toman todas las muestras de tamao n de la
poblacin y se calcula la media aritmtica de todas las muestras. Entonces al conjunto de todas
las medias aritmticas de la muestra se le denomina DISTRIBUCION MUESTRAL DE
MEDIAS y se denota (D.M.M)
Donde la media de la Distribucin Muestral de Medias se denota

12

La desviacin Tpica de la Distribucin Muestral de Medias se denota x
Para muestras con Reemplazo:

a) La Media de la D.M.M.
b) La desviacin Tpica de la D.M.M.
x = n
Desviacin tpica de la poblacin

n = tamao de la muestra
Para muestras Sin Reemplazo:

La media de la D.M.M.
La Desviacin tpica de la D.M.M.
x =
N - n
n
N-1
Desviacin tpica (estndar) de la poblacin

N = tamao de la poblacin
Ejemplo 1.- Dada una poblacin formada por 2, 3, 4, 6,8 y se toman todas las muestras de
tamao 2 con reemplazo. Determinar : a) la media de la poblacin, b) La desviacin estndar de
la poblacin c) todas las muestras de tamao 2 d) la media de distribucin muestral de medias e)
la desviacin estndar de la distribucin muestral de medias.
Ejemplos: 2.- Las estaturas de los estudiantes de ingeniera estn normalmente distribuidos, con
un promedio de 173 cmts y una desviacin estndar de 25 cmts. Hallar la probabilidad de que al
elegir 7 estudiantes al azar de ingeniera su estatura
a) sea mayor de 185 cmts.
b) Este entre 165 y 192 cmts.
c) a lo ms 167 cmts
TEORIA DE LA ESTIMACION ESTADISTICA
Es el proceso mediante el cual nos permite conocer los resultados (valores)
correspondiente a una Poblacin, a partir de los resultados (o informacin) de una
muestra.
TIPOS DE ESTIMACION
1.- Estimacin Puntual (o de Punto)
Cuando se da un solo valor para el Parmetro Poblacional
Ejemplo: aos.
2.- Estimacin por Intervalos
Cuando se da varios valores para el Parmetro Poblacional y dichos valores se
encuentran dentro de un rango (INTERVALO)
Ejemplo: 19.6 aos.
13

Este tipo de ESTIMACIN POR INTERVALO trata de encontrar un intervalo con

lmites [L1 ; L2 ] llamado INTERVALO DE CONFIANZA.
Figura 1
El INTERVALO DE CONFIANZA debe de contener el Parmetro Poblacional

deseado (ejemplo: con una probabilidad dada de ( 1 - llamada NIVEL
DE CONFIANZA tambin se le conoce como Porcentaje de Confianza
Figura 2
A las colas se le conoce como REGION CRTICA O MARGEN DE ERROR, el

valor de cada cola es .
Entonces:
Figura 3
Pero entre el NIVEL DE CONFIANZA y la REGION CRTICA existe un punto

llamado PUNTO CRTICO O VALOR CRTICO.
Para muestras grandes ( n 30) se denota con Zc.
Figura 4
ESTIMACION DE LOS PARAMETROS POBLACIONALES

Para Muestras Grandes ( n > 30)
1.- ESTIMACION DE LA MEDIA POBLACIONAL ( por Intervalo de Confianza.
Para muestras grandes ( n 30), Distribucin Normal.
Se usa toda la informacin contenida en la muestra:
_
X = Media aritmtica muestral
S = Desviacin tpica Estndar de la muestra
n = Tamao de la muestra.
Zc = punto crtico (valor que se encuentra en la tabla)
ENTONCES
_
est entre X + Zc S
n
14

Ejemplo:
2.-ESTIMACION DE LA DESVIACION ESTANDAR POBLACIONAL ( por Intervalo

de Confianza.Para muestras grandes (n 30), Distribucin Normal .
Se usa toda la informacin contenida en la muestra:
S = Desviacin tpica Estndar de la muestra
n = Tamao de la muestra.
Zc = punto crtico (valor que se encuentra en la tabla)
ENTONCES:
est entre S + Zc
S
2n
Ejemplo:
DETERMINAR EL TAMAO DE LA MUESTRA.

Para determinar el tamao de tal manera que el error mximo permisible sea (e) con
grado de confianza se tiene que el Error de estimacin :
e=
Zc*S
n
Entonces usando esta frmula se obtiene el tamao de la muestra

Entonces:
n = ( Zc*S
e
)2
ESTIMACION PARA MUESTRAS PEQUEAS (n < 30)

SE TIENEN LAS SIGUIENTES DISTRIBUCIONES:
1.- t- STUDENT para estimar la media poblacional
2.- JI-CUADRADO (CHI- CUADRADO) para estimar la desviacin tpica poblacional
1.- DISTRIBUCION t-STUDENT

Solamente nos permite estimar la media poblacional para muestras pequeas.
Se considera:
a) El rea total bajo la curva es igual a 1
b) La distribucin simtrica ( o aproximadamente normal)
c) El rea de las colas son iguales
ENTONCES:
_
est entre
X + tc S
n-1
Donde:
_
X = media de la muestra
S = desviacin tpica (estndar) de la muestra

15

tc = punto crtico
Grado de libertad (se denota
n 1
Ejemplos:
2.- DISTRIBUCION JI-CUADRADO
Solamente nos permite estimar la desviacin tpica (estndar) POBLACIONAL, para
muestras pequeas.
Se considera:
d) El rea total bajo la curva es igual a 1
e) La distribucin no es simtrica
f) El rea de las colas son iguales
ENTONCES:
Esta entre
Sn
;
Xc
S n
Xc
donde:
S = desviacin tpica (estndar) de la muestra
Xc y Xc = son punto crtico
Grado de libertad (se denota
n 1
Ejemplos.
TEORIA DE LA DECISION ESTADISTICA.- DOCIMA DE HIPOTESIS

Es la decisin (o conclusin) que se hace respecto a un parmetro de la poblacin en base a una
muestra que se selecciona de la misma poblacin.
Para tomar esta decisin se debe de tener en cuenta varias condiciones .-
1.- IDENTIFICAR LA POBLACIN

es decir identificar el tipo de distribucin
y se denomina a este efecto ENFOQUE
PARAMETRICO
2.- TIPO DE HIPOTESIS
a) Hiptesis Nula : Ho
b) Hiptesis Alternativa: H1
a) Hiptesis nula.- es una declaracin tentativa de que un parmetro de la poblacin es
IGUAL a un valor especfico.
b) Hiptesis Alternativa.- es una declaracin tentativa de que el MISMO parmetro de la
poblacin tiene un VALOR DIFERENTE del especificado en la Hiptesis Nula.
A esta Hiptesis se le denomina HIPOTESIS DE TRABAJO.
La relacin matemtica que se usa para cada hiptesis es :
Hiptesis Nula: se usa la relacin de igualdad ( = )
Hiptesis Alternativa: se usa las relaciones Diferente ( = ), Menor ( < ); Mayor ( > )

16

3.- NIVEL DE SIGNIFICACION.- (

Es el subconjunto del espacio muestral que nos conduce a Rechazar la Hiptesis Nula cuando
es Verdadera.
= P [RECHAZAR Ho / Ho ES VERDADERO]
Generalmente se trabaja con
= 0.05 o con 0.01
4.- TIPO DE DOCIMA:

Esto depende del enunciado de la HIPOTESIS ALTERNATIVA, y pueden ser:
UNILATERALES o BILATERALES
Las unilaterales: a)
b)
Bilateral
c)
H1 : o
H1 : o
H1 : o
1 -
__________________
o
1-
__________________
o
_____________________
o
5.- PLANTEAMIENTO DE LA REGLA DE DECISION.Para poder aceptar a rechazar la HIPOTESIS NULA, debemos de conocer lo siguiente:

17

REGION DE ACEPTACION .- contiene los valores para los cuales NO SE RECHAZA ,

la Hiptesis Nula ( Ho )
REGION CRITICA.- (llamada tambin Regin de Rechazo margen de error) contiene
los valores para los cuales SE RECHAZA la Hiptesis Nula (Ho).
VALOR CRITICA.- Es el valor que separa la regin de Rechazo, de la regin de
Aceptacin. Es el PRIMER VALOR de la Regin Crtica.
6. - TIPO DE ERRORES.SE PUEDEN COMETER 2 TIPOS:

a) ERROR DE TIPO I
Consiste en Rechazar la Hiptesis Nula (Ho), siendo esta verdadera.
= P [RECHAZAR Ho / Ho ES VERDADERA]
b) ERROR DE TIPO II
Consiste en ACEPTAR Hiptesis Nula (Ho), siendo esta falsa
= P [ACEPTAR Ho / Ho ES FALSA]
TABLA DE DECISION
DECISION
RECHAZAR
ACEPTAR
HIPOTESIS NULA Ho
VERDADERO FALSA
Error Tipo I
Decis.Correcta
Decis.Correcta Error Tipo II
DOCIMA SOBRE LA MEDIA POBLACIONAL

PARA MUESTRAS GRANDES:
( n > 30) DISTRIBUCION SIMTRICA
_
Z =
X - o
n
_
Donde:
= Media de la Poblacin
=Desviacin tpica de la poblacin
PARA MUESTRAS PEQUEAS: (n < 30)
_
t. = X - o
s/n
_
Donde:

18

= Media de la Poblacin
s = Desviacin tpica de la muestra
Ejemplos:
DOCIMA SOBRE LA VARIANZA POBLACIONAL

19

Clases de Probabilidades

Cargado por

Copyright:

Formatos disponibles

Clases de Probabilidades

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clases de Probabilidades

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD RICARDO PALMA

CURSO: ESTADISTICA Y PROBABILIDADES

UNIVERSIDAD RICARDO PALMA

Donde n1, n2,.nk son los elementos que se repiten

UNIVERSIDAD RICARDO PALMA

II.- DEFINICION CLASICA DE PROBABILIDAD

< P(A) < 1

La probabilidad igual a 1 esta asociada a la CERTEZA

PROBABILIDAD DE EVENTOS COMBINADOS

AUB; A+B; AB; AuB

Entonces La probabilidad de la suma de los eventos es:

Entonces. P (AB) = P (A) P (B/A)

Lic. Amrica Paula Campomanes Morn

UNIVERSIDAD RICARDO PALMA

Anlogamente se trabaja la probabilidad condicional de B dado A

PARTICION DE UN ESPACIO MUESTRAL

TEOREMA PROBABILIDAD TOTAL

ENTONCES para cualquier evento A en el espacio muestral

Lic. Amrica Paula Campomanes Morn

UNIVERSIDAD RICARDO PALMA

VARIABLES ALEATORIAS UNIDIMENSIONALES

Hay 2 tipos de variables aleatorias:

Lic. Amrica Paula Campomanes Morn

UNIVERSIDAD RICARDO PALMA

DISTRIBUCION DE UNA VARIABLE ALEATORIA DISCRETA

E(X + Y) = E(X) + E (Y)

Lic. Amrica Paula Campomanes Morn

UNIVERSIDAD RICARDO PALMA

DESVIACION ESTANDAR DE UNA VARIABLE ALEATORIA

(A la funcin de probabilidad cuando la variable es continua se le da ese nombre)

Propiedades de la Funcin de Distribucin

PROPIEDADES DE LA VARIABLE ALEATORIA CONTINUA

1. - P (a < x < b) = a f(x)dx

3.- Dado F(x) se puede calcular f(x) = dF(x)

Lic. Amrica Paula Campomanes Morn

UNIVERSIDAD RICARDO PALMA

P (X = x) = nCx (px) (qn-x)

Ejemplo1.La probabilidad de un estudiante que ingresa a la URP y logre graduarse es 45%. Si

Lic. Amrica Paula Campomanes Morn

UNIVERSIDAD RICARDO PALMA

4. Interesa x xitos de acuerdo a cada pregunta:

La distribucin de Poisson generalmente se usa en ciertos problemas donde se cuenta el nmero

Lic. Amrica Paula Campomanes Morn

UNIVERSIDAD RICARDO PALMA

Y podemos definirla como:

Media E(x) = n*(a/N)

Debe de cumplir todas las condiciones de la Distribucin Binomial a

Toda el rea encerrada debajo

Lic. Amrica Paula Campomanes Morn

UNIVERSIDAD RICARDO PALMA

DISTRIBUCION NORMAL ESTANDARIZADA

La variable aleatoria Z se estandariza con la siguiente formula:

TEORIA DEL MUESTREO

Lic. Amrica Paula Campomanes Morn

UNIVERSIDAD RICARDO PALMA

desviacin estndar poblacional

Lic. Amrica Paula Campomanes Morn

UNIVERSIDAD RICARDO PALMA

La desviacin Tpica de la Distribucin Muestral de Medias se denota x