estadística aplicada.pdf
TRANSCRIPT
![Page 2: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/2.jpg)
![Page 3: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/3.jpg)
Evaluación
Ejercicios
Tareas
Programación
Examen
![Page 4: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/4.jpg)
![Page 5: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/5.jpg)
Introducción
En la vida cotidiana tenemos contacto con datos estadísticos como los
siguientes:
En 1930 la esperanza de vida de un mexicano era de 34 años, y casi 80 años
después, en el 2009 se calculó en 75 años, más del doble. Este dato nos ayuda
a inferir que el desarrollo socioeconómico, aunado a los avances médicos, nos
pronostica una vida cada vez más larga.
El promedio aritmético de las calificaciones de un estudiante, durante toda su
carrera universitaria es de 9.5 (en escala de 0-10). Esto hace inferir que el
estudiante fue responsable en tareas asignadas y en general fue
comprometido con sus estudios.
![Page 6: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/6.jpg)
Introducción
La vida útil empírica de una computadora es de 4 ±1 año, es decir en
promedio 4 años con una desviación estándar de 1 año. Esta información nos
ayuda a conocer el intervalo de tiempo probable en el que se tendría que
cambiar o renovar una computadora.
![Page 7: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/7.jpg)
Estadística
El término estadística proviene del latín statisticum collegium Estado
(Consejo de Estado) y de su derivado italiano statista (“hombre de política o
político). En 1749, el alemán Gottfried Achenwall comenzó a utilizar la
palabra alemana statistik para designar el análisis de datos estatales.
Las estadísticas (resultado de la aplicación de un algoritmo estadístico a un
grupo de datos) permiten la toma de decisiones dentro del ámbito
gubernamental y hoy en día en el mundo de los negocios. Así la estadística
aplicada puede ser dividida en dos ramas, la estadística descriptiva
(recolección, descripción, visualización y resumen de los datos representados
en forma numérica o gráfica), y la inferencia estadística (la generación de los
modelos y predicciones relacionadas a los fenómenos estudiados, teniendo en
cuenta el aspecto aleatorio y la incertidumbre en las observaciones).
![Page 8: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/8.jpg)
Estadística descriptiva
La estadística descriptiva es la parte de la estadística más accesible, que
consiste en al tratamiento mecánico de un conjunto de datos, que puede ser
representado en tablas o gráficas, es la forma más sencilla de dar información
sobre un todo, por lo que se utiliza en todas las áreas disciplinarias ya sean
sociales, científicas o tecnológicas.
El análisis de datos se hace a través de cálculos de medidas de tendencia
central (media aritmética, media geométrica) y de dispersión (desviación
estándar, varianza), y en su caso representaciones gráficas, para comprender
el significado de estas medidas, es necesario algunas definiciones que se
mencionan a continuación:
![Page 9: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/9.jpg)
Población y muestra
Población: Es el conjunto formado por TODAS las unidades que se están
estudiando.
Muestra: Es un subconjunto, una porción de la población, seleccionada para
su estudio.
Ejemplo.
Población: Estudiantes de la Universidad Tecnológica del Valle de Toluca; es
decir los 2308 estudiantes que actualmente están inscritos.
Muestra: Se eligen al azar 100 estudiantes de la UTVT.
![Page 10: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/10.jpg)
Estadística descriptiva
En la mayoría de los casos prácticos, el estudio de datos se hace sobre una
muestra, por lo que las medidas estadísticas calculadas tienen errores
asociados, es decir no son valores exactos y por ello se denominan variables
estadísticas. Para disminuir el error la selección de la muestra debe ser
aleatoria o sobre una base de probabilidad conocida, además debe ser
representativa de la población, entre más grande la muestra menor será el
error.
La recolección de datos puede ser a través de encuestas, de fuentes
publicadas, de un experimento previamente diseñado y controlado, o de un
estudio observacional. Teniendo los datos de estudio las medidas estadísticas
se pueden obtener del total de datos no ordenados, o bien ordenarlos en
clases. Se describirá el procedimiento de ambos casos, presentando primero
para el caso de datos no ordenados.
![Page 11: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/11.jpg)
Ejercicios media aritmética o promedio
![Page 12: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/12.jpg)
Tarea
Investigar los conceptos:
Estadística
Probabilidad
Conjunto
Media aritmética o promedio
Moda
Mediana
Varianza
Desviación estándar
![Page 13: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/13.jpg)
Media Aritmética
ത𝑋 =𝑥1 + 𝑥2 + ⋯ + 𝑥𝑁
𝑁=
1
𝑁
𝑖=1
𝑁
𝑥𝑖
![Page 14: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/14.jpg)
Media Aritmética
ത𝑋 =𝑥1 + 𝑥2 + ⋯ + 𝑥𝑁
𝑁=
1
𝑁
𝑖=1
𝑁
𝑥𝑖
Ejmplo:
Calcular la media o promedio del siguiente grupo de numeros
12 10 13 11 14 19 15 17 18
ത𝑋 = (12 + 10 + 13 + 11 + 14 + 19 + 15 + 17 + 18) / 9 = 129/9 = 14.333
![Page 15: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/15.jpg)
Mediana
Es el centro de los datos ordenados de manera ascendente o descendente, se
denota como ෨𝑋.
Pasos para su cálculo
a)
![Page 16: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/16.jpg)
Mediana
![Page 17: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/17.jpg)
![Page 18: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/18.jpg)
![Page 19: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/19.jpg)
![Page 20: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/20.jpg)
Moda
![Page 21: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/21.jpg)
Moda
![Page 22: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/22.jpg)
Moda
![Page 23: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/23.jpg)
Varianza y desviación estándar Desviación estándar
La desviación estándar (σ) mide cuánto se separan los datos.
La fórmula es fácil: es la raíz cuadrada de la varianza. Así que, "¿qué es la varianza?"
Varianza
la varianza (que es el cuadrado de la desviación estándar: σ2) se define así:
Es la media de las diferencias con la media elevadas al cuadrado.
En otras palabras, sigue estos pasos:
1. Calcula la media (el promedio de los números)
2. Ahora, por cada número resta la media y eleva el resultado al cuadrado (la diferencia elevada al cuadrado).
3. Ahora calcula la media de esas diferencias al cuadrado. (¿Por qué al cuadrado?)
![Page 24: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/24.jpg)
Varianza y desviación estándar
Ejemplo
Tú y tus amigos han medido las alturas de sus perros (en milímetros):
Las alturas (de los hombros) son: 600mm, 470mm, 170mm, 430mm y 300mm.
Calcula la media, la varianza y la desviación estándar.
![Page 25: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/25.jpg)
Varianza y desviación estándar
Respuesta:
así que la altura media es 394 mm. Vamos a dibujar esto en el gráfico:
![Page 26: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/26.jpg)
Varianza y desviación estándar
Ahora calculamos la diferencia de cada altura con la media:
![Page 27: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/27.jpg)
Varianza y desviación estándar
𝜎2 =1
𝑁 𝑋𝑖 − 𝑋ത 2𝑖=𝑘
𝑖=1
![Page 28: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/28.jpg)
Varianza y desviación estándar
![Page 29: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/29.jpg)
Varianza y desviación estándar
Así que usando la desviación estándar tenemos una manera "estándar" de saber
qué es normal, o extra grande o extra pequeño.
Los Rottweilers son perros grandes. Y los Dachsunds son un poco más pequeños
*Nota: ¿por qué al cuadrado?
Elevar cada diferencia al cuadrado hace que todos los números sean positivos (para
evitar que los números negativos reduzcan la varianza)
Y también hacen que las diferencias grandes se destaquen. Por ejemplo
1002=10,000 es mucho más grande que 502=2,500.
Pero elevarlas al cuadrado hace que la respuesta sea muy grande, así que lo
deshacemos (con la raíz cuadrada) y así la desviación estándar es mucho más útil.
![Page 30: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/30.jpg)
Ejercicios
Obtener media, varianza y desviación estándar
2, 3, 6, 8, 11.
12, 6, 7, 3, 15, 10, 18, 5.
2, 3, 6, 8, 11, 10, 12, 14
3, 6, 9, 12, 15, 18, 21, 24, 27, 30
![Page 31: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/31.jpg)
Media de distribución de frecuencias
![Page 32: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/32.jpg)
Media de distribución de frecuencias
La marca clase de una tabla para datos agrupados en
intervalos corresponde al promedio de los extremos de
cada intervalo.
![Page 33: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/33.jpg)
Media de distribución de frecuencias
![Page 34: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/34.jpg)
Ejercicio
![Page 35: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/35.jpg)
Solución
![Page 36: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/36.jpg)
Mediana
Es el valor que ocupa el lugar central de todos los datos cuando éstos están ordenados de menor a mayor.
La mediana se representa por Me.
La mediana se puede hallar sólo para variables cuantitativas.
Cálculo de la mediana para datos agrupados
La mediana se encuentra en el intervalo donde la frecuencia acumulada llega hasta la mitad de la suma de las frecuencias absolutas.
Es decir tenemos que buscar el intervalo en el que se encuentre. N / 2
Luego calculamos según la siguiente fórmula:
![Page 37: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/37.jpg)
Mediana
![Page 38: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/38.jpg)
Ejercicio Mediana
![Page 39: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/39.jpg)
Solución
![Page 40: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/40.jpg)
Moda para datos agrupados
Es el valor que representa la mayor frecuencia absoluta. En tablas de frecuencias
con datos agrupados, hablaremos de intervalo modal.
La moda se representa por Mo.
![Page 41: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/41.jpg)
Ejercicio
![Page 42: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/42.jpg)
Moda para datos agrupados
![Page 43: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/43.jpg)
Ejercicio, media, moda, mediana
i LI LS Frecuencia absolutaMarca
de clase
Frecuencia
acumulada
1 1 60 18 30.5 18
2 61 120 15 90.5 33
3 121 180 23 150.5 56
4 181 240 21 210.5 77
5 241 300 18 270.5 95
6 301 360 21 330.5 116
7 361 420 21 390.5 137
8 421 480 13 450.5 150
Total 150
![Page 44: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/44.jpg)
Ejercicio, media, moda, medianai LI LS Frecuencia
Marca
de clase
Frecuencia
acumulada
1 1 50 14
2 51 100 17
3 101 150 28
4 151 200 25
5 201 250 11
6 251 300 29
7 301 350 20
8 351 400 14
Total
![Page 45: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/45.jpg)
Probabilidad
La probabilidad es la medida de la posibilidad de que ocurra un resultado específico, llamado evento (E), que se encuentra entre todos los posibles resultados de un experimento, conjunto al que se le nombra espacio muestral.
Los siguientes conceptos son esenciales en la probabilidad:
Experimento: Cualquier procedimiento o actividad del que se pueden obtener diversos resultados. Ejemplo: lanzar una moneda, tomar sin ver un número de una tómbola, elegir una carta de una baraja, elegir un procesador, medir el voltaje.
Evento: Resultado o grupo de resultados posibles de un experimento. Ejemplos respectivos a los experimentos descritos arriba: cae sol, se obtiene un número primo, se elige un haz, el procesador es defectuoso, 110.2 V.
La probabilidad de un evento P(E) se obtiene con el cociente del número de resultados que hacen posible el evento (h), y el número total de posibles resultados (n). Es decir
𝑃 𝐸 =ℎ
𝑛
![Page 46: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/46.jpg)
Probabilidad
Ejemplo:
Experimento: Se lanza un dado
Evento (E): Cae un número par
Resultados que hacen posible el evento: {2, 4, 6}, es decir tres resultados hacen cierto el evento
Resultados posibles: {1, 2, 3, 4, 5,6}, son seis resultados posibles
Por lo que 𝑃 𝐸 =3
6= 0.5, o bien 50% de probabilidad de que caiga par.
Es evidente que para calcular probabilidades es necesario conocer la cantidad de posibles resultados para lo cual son valiosas las técnicas de conteo, como permutaciones, combinaciones y diagramas de árbol. Por lo que repasaremos estos conceptos.
![Page 47: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/47.jpg)
Permutaciones y combinaciones
![Page 48: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/48.jpg)
Permutaciones
El número de permutaciones posibles de n elementos se calcula como n!
Ejemplo: si para diseñar una bandera con tres franjas verticales de distinto color,
se cuenta con tres lienzos uno verde, uno blanco y uno rojo, ¿Cuántos diseños
diferentes son posibles?
En el ejemplo anterior el número de permutaciones es 3! = 3x2x1 = 6
![Page 49: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/49.jpg)
Permutaciones
Usando Factoriales
Cuando escogemos k de n objetos y no se permite repeticiones, podemos usar la
siguiente fórmula :
![Page 50: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/50.jpg)
Permutaciones
Cuando escogemos r de n objetos y se permite repeticiones, podemos usar la
siguiente fórmula :
![Page 51: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/51.jpg)
Ejemplos permutaciones
Si tuviéramos un lienzo verde, un blanco, un rojo y un azul, y queremos una bandera
incluyendo solo tres colores, ¿cuántas banderas podemos hacer?
![Page 52: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/52.jpg)
Ejercicio permutaciones
Ejemplo: si tuviéramos un lienzo verde, un blanco, un rojo y un azul, y queremos una
bandera incluyendo solo tres colores, ¿cuántas banderas podemos hacer?
![Page 53: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/53.jpg)
Ejemplos permutaciones
![Page 54: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/54.jpg)
Combinaciones
Usando Factoriales
Cuando escogemos k de n objetos, podemos usar la siguiente fórmula:
![Page 55: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/55.jpg)
Combinaciones
Ejemplo: Una organización de una escuela tiene 30 miembros. Cuatro
miembros serán escogidos al azar para una entrevista con el periódico de
la escuela sobre el grupo. ¿Cuántos grupos de 4 personas son posibles?
![Page 56: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/56.jpg)
Ejercicio
Ejemplo: De 5 estudiantes (Gaby, Dany,
Jorge, Arturo y Marco) se desea elegir un
comité de tres, ¿Cuáles son las posibles
combinaciones?
![Page 57: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/57.jpg)
Ejercicio
![Page 58: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/58.jpg)
Ejercicio
Para una prueba psicológica se dejan frente al
postulante dos recipientes: uno con 6 colores
claros distintos y el otro con 6 colores obscuros
distintos. La indicación es que realice un dibujo
usando 3 colores claros y 2 obscuros. ¿Cuántos
conjuntos distintos pueden elegirse?
![Page 59: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/59.jpg)
Ejercicio
Solución.
El número de formas de elegir 3 colores claros de
un total de 6, es 6C3=20. El número de formas de
elegir 2 colores obscuros de 6 disponibles, es
6C2=15. Como cada tres colores claros puede
unirse con cualquiera de las parejas de colores
obscuros, el número total de conjuntos de 5
colores usados son: 20 x 15 = 300.
![Page 60: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/60.jpg)
Diagrama de árbol
El diagrama de árbol es otra técnica de conteo, donde se visualiza el espacio
muestral de un experimento.
Ejemplo:
Un fabricante de Notebooks puede equiparlas con accesorios opcionales:
cubierta (negra, roja o azul), material de cubierta (dos tipos, plástico o
laminado), con ratón (de tres tipos). Si el espacio muestral consta de todos
los tipos de laptop ¿Cuál es el número de resultados en el espacio muestral?
Solución:
Utilizando un diagrama de árbol se obtiene
![Page 61: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/61.jpg)
Diagrama de árbol
![Page 62: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/62.jpg)
Diagrama de árbol
Ejercicio: elaborar el diagrama de árbol para los posibles atuendos con una
playera(roja, negra), Zapatos(botas, tenis), pantalón(vestir, mezclilla) y
chamarra(térmica, rompe vientos)
![Page 63: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/63.jpg)
Diagrama de árbol
Ejercicio: Elaborar el diagrama de árbol las posibles rutas de embarque de
computadoras, aerolínea(Volaris, Interjet, Aeromexico, United Airlines, Delta,
American Airlines) si cada aerolínea tiene 3 posibles rutas
![Page 64: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/64.jpg)
Probabilidad con árboles de decisión
![Page 65: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/65.jpg)
Ejercicio
Una clase consta de seis niñas y 10 niños. Si se escoge un comité de tres al
azar, hallar la probabilidad de:
1. Seleccionar tres niños.
2. Seleccionar exactamente dos niños y una niña.
3. Seleccionar exactamente dos niñas y un niño.
4. Seleccionar tres niñas
![Page 66: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/66.jpg)
Ejercicio
![Page 67: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/67.jpg)
Ejercicio
![Page 68: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/68.jpg)
Ejercicio
![Page 69: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/69.jpg)
Teoría de conjuntos
![Page 70: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/70.jpg)
Teoría de conjuntos
U
U
![Page 71: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/71.jpg)
Teoría de conjuntos: intersección
∩
∩
![Page 72: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/72.jpg)
Teoría de conjuntos: intersección
![Page 73: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/73.jpg)
Teoría de conjuntos: diferencia de sucesos
![Page 74: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/74.jpg)
Ejemplo
Obtenga:
1. A U B
2. A ∩ B
3. A - B
![Page 75: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/75.jpg)
Ejemplo
Obtenga:
1. A U B
2. A ∩ B
3. A - B
![Page 76: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/76.jpg)
Teoría de conjuntos
![Page 77: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/77.jpg)
Teoría de conjuntos
![Page 78: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/78.jpg)
Teoría de conjuntos
U U U U
U U
U U
∩ ∩ ∩ ∩
∩ ∩
∩∩
![Page 79: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/79.jpg)
Propiedades conjuntasDistributiva: A ∩ (B U C) = (A ∩ B) U(A ∩ C)
Ejercicio:
![Page 80: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/80.jpg)
Propiedades conjuntas
∩
U
U ∩ U
∩ ∩
Distributiva: A ∩ (B U C) = (A ∩ B) U(A ∩ C)
![Page 81: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/81.jpg)
Probabilidad
La probabilidad de sucesos incompatibles:
P(A1 U A2 U A3…U An ) = P(A1) + P(A2)+ P(A3) … P(An)
La probabilidad del Espacio muestral:
P(E) = 1
![Page 82: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/82.jpg)
Probabilidad condicional
Sean A y B dos sucesos de un mismo espacio muestral E.Se llama probabilidad del suceso B condicionado a A y se representa por P(B/A) a la probabilidad del suceso B una vez ha ocurrido el A.
![Page 83: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/83.jpg)
Probabilidad condicional
![Page 84: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/84.jpg)
Probabilidad condicional
![Page 85: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/85.jpg)
Probabilidad condicional
∩
![Page 86: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/86.jpg)
Probabilidad condicional
Sucesos independientes Dos sucesos A y B son independientes si
p(A/B) = p(A)
Sucesos dependientes Dos sucesos A y B son dependientes si
p(A/B) ≠ p(A)
![Page 87: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/87.jpg)
Teorema de Bayes
![Page 88: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/88.jpg)
Teorema de Bayes
![Page 89: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/89.jpg)
Teorema de Bayes
![Page 90: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/90.jpg)
Teoremas de Bayes
![Page 91: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/91.jpg)
Distribución binomial
![Page 92: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/92.jpg)
Distribución binomial
![Page 93: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/93.jpg)
Distribución binomial
![Page 94: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/94.jpg)
Distribución binomial
![Page 95: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/95.jpg)
Media y Varianza de la Distribución
binomial
Ejemplo:La probabilidad de que un artículo producido por una fabrica sea defectuoso es 0.02. Se envió un cargamento de 10.000 artículos a unos almacenes. Hallar el número esperado de artículos defectuosos, la varianza y la desviación típica.
![Page 96: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/96.jpg)
Distribución binomial
![Page 97: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/97.jpg)
Distribución binomial
![Page 98: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/98.jpg)
Distribución binomial
![Page 99: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/99.jpg)
Distribución binomial
![Page 100: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/100.jpg)
Distribución binomial
![Page 101: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/101.jpg)
Distribución binomial
![Page 102: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/102.jpg)
Distribución hipergeométrica
Son experimentos donde, al igual que en la distribución binomial, en cada
ensayo hay tan sólo dos posibles resultados: o sale blanca o no sale. Pero se
diferencia de la distribución binomial en que los distintos ensayos son
dependientes entre sí:
Si en una urna con 5 bolas blancas y 3 negras en un primer ensayo saco una
bola blanca, en el segundo ensayo hay una bola blanca menos por lo que las
probabilidades son diferentes (hay dependencia entre los distintos ensayos).
![Page 103: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/103.jpg)
Distribución hipergeométrica
![Page 104: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/104.jpg)
N2: Número de elementos que no tiene la característica o propiedad específica
(fracasos)
![Page 105: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/105.jpg)
Distribución hipergeométrica
Por lo tanto, P (x = 3) = 0,3535. Es decir, la probabilidad de sacar 3 bolas blancas es del 35,3%.
![Page 106: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/106.jpg)
![Page 107: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/107.jpg)
Ejercicios
Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son
defectuosos, si de seleccionan 4 objetos al azar, ¿cuál es la probabilidad de que 2 sean
defectuosos?
Solución:
N = 10 objetos en total
N1 = 3 objetos defectuosos
N2 = 7 objetos no defectuosos
n = 4 objetos seleccionados en muestra
k = 2 objetos defectuosos deseados en la muestra
![Page 108: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/108.jpg)
Ejercicios
Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son defectuosos, si de seleccionan 4 objetos alazar, ¿cuál es la probabilidad de que 2 sean defectuosos?
Solución:
N = 10 objetos en totalN1 = 3 objetos defectuososN2 = 7 objetos no defectuososn = 4 objetos seleccionados en muestrak = 2 objetos defectuosos deseados en la muestra
0.30
![Page 109: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/109.jpg)
Ejercicio
Ejemplos:1.Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de narcótico en una botella que contiene 9 píldoras de vitamina que son similares en
apariencia. Si el oficial de la aduana selecciona 3 tabletas aleatoriamente para analizarlas, a) ¿Cuál es la probabilidad de que el viajero sea arrestado por posesión
de narcóticos?, b) ¿Cuál es la probabilidad de que no sea arrestado por posesión de narcóticos?.
Solución:
a) N = 9+6 =15 total de tabletas
N1 = 6 tabletas de narcótico
N2 = 3 píldoras de vitaminas
n = 3 tabletas seleccionadas
x = 0, 1, 2, o 3 tabletas de narcótico = variable que nos indica el número de tabletas de narcótico que se puede
encontrar al seleccionar las 3 tabletas
p(viajero sea arrestado por posesión de narcóticos) = p(de que entre las 3 tabletas seleccionadas haya 1 o más
tabletas de narcótico)
![Page 110: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/110.jpg)
Ejercicio
Ejemplos:1.Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de narcótico en una botella que contiene 9 píldoras de vitamina que
son similares en apariencia. Si el oficial de la aduana selecciona 3 tabletas aleatoriamente para analizarlas, a) ¿Cuál es la probabilidad de que el
viajero sea arrestado por posesión de narcóticos?, b) ¿Cuál es la probabilidad de que no sea arrestado por posesión de narcóticos?.
Solución:
a) N = 9+6 =15 total de tabletas
N1 = 6 tabletas de narcótico
N2 = 3 píldoras de vitaminas
n = 3 tabletas seleccionadas
x = 0, 1, 2, o 3 tabletas de narcótico = variable que nos indica el número de tabletas de narcótico que se puede encontrar al seleccionar las 3 tabletas
p(viajero sea arrestado por posesión de narcóticos) = p(de que entre las 3 tabletas seleccionadas haya 1 o más tabletas de narcótico)
0.815338 1- 0.184615
![Page 111: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/111.jpg)
Distribución de Poisson Recibe su nombre en honor de Simeon Poisson, quien fue el que la estudió y
dio a conocer en 1837. También se conoce como la Ley de eventos
improbables, debido a que la probabilidad de éxito P es bastante pequeña y
es una distribución de probabilidad discreta.
Así mismo la distribución de Poisson se puede utilizar para determinar la
probabilidad de un número designado de éxitos como son:
a) Número de clientes que son atendidos en una ventanilla de banco.
b) Número de accidentes en una carretera.
c) Número de llamadas en un determinado tiempo
d) Número de partes defectuosas, etc
![Page 112: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/112.jpg)
Distribución de Poisson
![Page 113: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/113.jpg)
Distribución de Poisson
En la ventanilla de un banco, en promedio se atienden a 20 personas por hora,
¿cuál es la probabilidad de que en una hora se atiendan a 7 personas?
µ = 20
e = 2.7183
K=7
P(x=k) = (20)7 (2.7183) -20
_________________ = 0.00052
7!
![Page 114: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/114.jpg)
Ejercicios:
En un aeropuerto, llegan en promedio 10 aviones por hora, ¿cuál es la
probabilidad de que lleguen menos de 3 aviones en una hora?
P(x< 3) = P(x = 0) + P(x = 1) + P(x = 2)
µ = 10
e = 2.7183
K=0,1,2
![Page 115: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/115.jpg)
Ejercicios:
En una gasolinera, una bomba surte a 90 autos por hora. ¿Cuál es la
probabilidad de que en 15 minutos se surtan exactamente 8 automóviles.
µ = 90 X hora, hacer regla de 3 y obtener el promedio para 15 minutos
e = 2.7183
K = 8
![Page 116: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/116.jpg)
Ejercicios:
Cada rollo de acero de 800 metros tienen en promedio 5 imperfecciones,
¿Cuál es la probabilidad de que en 200 metros no exista ninguna
imperfección?
µ = 5 X 800 metros, hacer regla de 3 y obtener el promedio para 200 metros
e = 2.7183
K = 0
![Page 117: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/117.jpg)
Ejercicios Distribución de Poisson
Un cajero automático es utilizado cada 20 minutos por 6 personas en
promedio. Se desea saber cuál es la probabilidad de:
a) Que el cajero sea utilizado por 5 personas en 20 minutos.
b) Que el cajero sea utilizado por 10 personas en 20 minutos.
c) Que el cajero sea utilizado por 5 personas o menos en 20 minutos.
Si un banco recibe en promedio 6 cheques sin fondo por día. Cuáles son las
probabilidades de que:
a) Reciba 4 cheques sin fondo en un día.
b) 10 cheques sin fondo en cualquiera de 2 días consecutivos.
![Page 118: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/118.jpg)
Distribución Geométrica
Si una variable aleatoria discreta X definida en un espacio de probabilidad representa el numero de repeticiones necesarias de un experimento de Bernoulli para obtener el primer éxito, entonces tiene por función de densidad: X-1
P(x=k) = qk-1 . p P (X=k) = función de densidad, de la variable aleatoria con distribución geométrica.
k Numero de experimentos hasta que aparece el 1er éxito.
p probabilidad de éxito
q probabilidad de fracaso (1 - p)
![Page 119: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/119.jpg)
Distribución Geométrica
Del salon el 60% de los alumnos son hombres, calcular probabilidad
de extraer el 1er hombre a la cuarta ocasión que extraemos un
alumno.
Definir éxito: sea hombre.
k = 4
p = 0.60
q = 0.40
P(x=k) = qk-1 . p
![Page 120: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/120.jpg)
Distribución Geométrica
Ejemplo:2 Calcular la
probabilidad de que salga
el No. 5 a la tercera vez
que lanzamos un dado.
![Page 121: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/121.jpg)
Distribución Geométrica Ejemplo:2 Calcular la probabilidad de que salga el No. 5 a la tercera vez que
lanzamos un dado.
Definir éxito: sale No. 5
k = 3
p = 1/6 = 0. 1666
q = (1 - 0.16660) = 0.8333
P(X=3) = (0.8333)3-1(0.1666) = (0.8333)2(0.1666) =0.1156
![Page 122: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/122.jpg)
Distribución Geométrica
En el salón hay 8 alumnos de ojos cafés, 9 de ojos azules, 7 de ojos negros, y 10 de ojos verdes; si extraemos 6 alumnos,
Calcular la probabilidad de que este ultimo tenga los ojos claros.
Calcular la probabilidad de que este ultimo no tenga los ojos claros.
Calcular la probabilidad de que este ultimo tenga los ojos NEGROS.
Calcular la probabilidad de que este ultimo tenga los ojos CAFES.
![Page 123: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/123.jpg)
Distribución Geométrica
En el salón hay 8 alumnos de ojos cafés, 9 de ojos azules, 7 de ojos negros, y 10
de ojos verdes; si extraemos 6 alumnos, calcular la probabilidad de que este
ultimo tenga los ojos claros.
Definir éxito: tenga ojos claros.
k = 6
p = 0.5588
q = 1- 0.5588 = 0.4412
P(X=6) = (0.4412)6-1(0.5588) = (0.4412)5(0.5588) = 0.0093
![Page 124: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/124.jpg)
Distribución Geométrica
Una máquina detecta fallas en los productos que elabora una fabrica. Si losproductos tienen una probabilidad de falla del 5%.
calcular la probabilidad de que la máquina encuentre su primer productodefectuoso en la octava ocasión que selecciona un producto para su inspección.
Calcular la probabilidad de que la máquina encuentre su primer productodefectuoso en la decima ocasión que selecciona un producto para su inspección.
Calcular la probabilidad de que la maquina encuentre su primer productodefectuoso en la novena ocasión que selecciona un producto para su inspección.
Calcular la probabilidad de que la maquina encuentre su primer producto NOdefectuoso en la novena ocasión que selecciona un producto para su inspección.
Calcular la probabilidad de que la maquina encuentre su primer producto NOdefectuoso en la DECIMA ocasión que selecciona un producto para su inspección.
![Page 125: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/125.jpg)
Distribución Geométrica
Una maquina detecta fallas en los productos que elabora unafabrica. Si los productos tienen una probabilidad de falla del 5%,calcular la probabilidad de que la maquina encuentre su primerproducto defectuoso en la octava ocasión que selecciona unproducto para su inspección.
Definir éxito: salga defectuoso el producto.
k = 8
p = 0.05
q = 1 - 0.05 = 0.95
P(X=8) = (0.95)8-1(0.05) = (0.95)7(0.05) =0.0349
![Page 126: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/126.jpg)
La distribución uniforme continua La distribución uniforme es aquella que puede tomar cualquier valor dentro de un
intervalo, todos ellos con la misma probabilidad.
Es una distribución continua porque puede tomar cualquier valor y no únicamente un número determinado (como ocurre en las distribuciones discretas).
Ejemplo: el precio medio del kilo de salmón durante el próximo año se estima que puede oscilar entre 140 y 160 pesos. Podría ser, por tanto, de 143 pesos, o de 143.4 pesos., o de 143.45 pesos, o de 143.455 pesos, etc. Hay infinitas posibilidades, todas ellas con la misma probabilidad.
Su función de densidad, aquella que nos permite conocer la probabilidad que tiene cada punto del intervalo, viene definida por:
![Page 127: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/127.jpg)
La distribución uniforme continua
Donde:
b: es el extremo superior (en el ejemplo, 160 pesos)
a: es el extremo inferior (en el ejemplo, 140 pesos)
Por lo tanto, la función de distribución del ejemplo sería:
Es decir, que el valor final esté entre 140 pesos y 141 pesos tiene un 5% de probabilidad, que esté entre 141 y 142, otro 5%, etc.
![Page 128: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/128.jpg)
La distribución uniforme continua
Por lo tanto, el precio promedio esperado del salmón para el próximo año es de 150 pesos
![Page 129: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/129.jpg)
La distribución uniforme continua
Es decir, la precipitación media estimada en Toluca para el próximo año es de
450 litros.
El volumen de precipitaciones estimado para el próximo año en la ciudad de Toluca va a oscilar entre 400 y 500 litros por metro cuadrado. Calcular la función de distribución y la precipitación media esperada:
![Page 130: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/130.jpg)
Distribución Normal
Definición de distribución normal
Una variable aleatoria X con función de densidad de probabilidad
𝑃 𝑥 =1
2𝜋𝜎𝑒
− 𝑥−𝜇 2
2𝜎2 , −∞ < 𝑥 < ∞
Tiene una distribución normal, con parámetro µ, donde −∞ < 𝜇 < ∞, 𝑦 𝜎 > 0.
Para encontrar la probabilidad de que la variable aleatoria este en cierto intervalo
sería necesario calcular la integral definida correspondiente, lo cual no es práctico,
de manera que lo que se hace en la práctica es tomar la variable aleatoria normal,
estandarizarla con el cambio de variable 𝑍 =𝑋−𝜇
𝜎,y obtener el área correspondiente,
es decir la probabilidad, en la tabla de distribución normal estándar, que tiene media
cero y desviación estándar 1
![Page 131: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/131.jpg)
Distribución Normal
![Page 132: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/132.jpg)
Distribución Normal
![Page 133: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/133.jpg)
Ejemplos
Tenemos un programa de entrenamiento diseñado para mejorar la calidad de
las habilidades de los supervisores de línea de producción. Debido a que el
programa es autoadministrado, los supervisores requieren un número
diferente de horas para terminarlo. Un estudio de los participantes anteriores
indica que el tiempo medio para completar el programa es de 500 horas, y
que esta variable aleatoria normalmente distribuida tiene una desviación
estándar de 100 horas.
Ejemplo 1 ¿Cuál es la probabilidad de que un participante elegido al azar
requiera más de 500 horas para completar el programa?
![Page 134: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/134.jpg)
Ejemplos
Tenemos un programa de entrenamiento diseñado para mejorar la calidad de las
habilidades de los supervisores de línea de producción. Debido a que el programa
es autoadministrado, los supervisores requieren un número diferente de horas
para terminarlo. Un estudio de los participantes anteriores indica que el tiempo
medio para completar el programa es de 500 horas, y que esta variable aleatoria
normalmente distribuida tiene una desviación estándar de 100 horas.
Cuál es la probabilidad de que un candidato elegido al azar se tome entre 500 y
650 horas para completar el programa de entrenamiento?
Si buscamos z 1.5 en la tabla 1 del apéndice, encontraremos una probabilidad de 0.4332.
En consecuencia,
la probabilidad de que un candidato escogido al azar requiera entre 500 y 650 horas para
terminar el programa de entrenamiento es ligeramente mayor a 0.4.
![Page 135: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/135.jpg)
Ejemplos
¿Cuál es la probabilidad de que un
candidato elegido al azar se tome
más de 700 horas
![Page 136: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/136.jpg)
Ejemplos ¿Cuál es la probabilidad de que un candidato elegido al azar se tome más de 700
horas
Buscando en la tabla 1 del apéndice un valor de z igual a 2.0, encontramos una probabilidad de 0.4772. Esto
representa la probabilidad de que el programa tome entre 500 y 700 horas. Sin embargo, deseamos tener la
probabilidad de que tome más de 700 horas (el sombreado de la figura). Puesto que la mitad derecha de la curva
(entre la media y la cola derecha) representa una probabilidad de 0.5, podemos obtener nuestra respuesta (el
área que se encuentra a la derecha del punto correspondiente a 700 horas) si restamos 0.4772 de 0.5;
0.5000 - 0.4772 = 0.0228.
Por tanto, hay un poco más de dos oportunidades en 100 de que un participante elegido al azar se lleve más de
700 horas en completar el curso.
![Page 137: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/137.jpg)
Ejemplos
Suponga que el director del programa de
entrenamiento desea saber la probabilidad de que
un participante escogido al azar requiera entre 550
y 650 horas para completar el trabajo requerido en
el programa.
![Page 138: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/138.jpg)
Ejemplos Suponga que el director del
programa de entrenamiento desea
saber la probabilidad de que un
participante escogido al azar
requiera entre 550 y 650 horas para
completar el trabajo requerido en el
programa.
Esta probabilidad está representada
por el área sombreada de la figura 5-
19. En esta ocasión, nuestra
respuesta requerirá nuevos pasos.
Primero calculamos un valor de z
para nuestro punto correspondiente
a 650 horas de la siguiente manera:
Cuando buscamos un valor de z
igual a 1.5 en la tabla 1 del
apéndice, encontramos una
probabilidad de 0.4332 (la
probabilidad de que la variable
aleatoria esté entre la media y 650
horas). Ahora, para el segundo paso
calculamos un valor de z para el
punto correspondiente a 550 horas,
así:En la tabla 1 del apéndice, nos damos cuenta de
que el valor z igual a 0.5 tiene una probabilidad
de 0.1915 (la posibilidad de que la variable
aleatoria caiga entre la media y 550 horas). Para
responder nuestra pregunta, debemos realizar la
resta siguiente:
![Page 139: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/139.jpg)
Ejercicio
¿Cuál es la probabilidad de que un
candidato elegido al azar se tomará
menos de 580 horas para completar el
programa?
![Page 140: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/140.jpg)
Ejercicio ¿Cuál es la probabilidad de que un candidato elegido al azar se tomará menos
de 580 horas para completar el programa?
Al buscar en la tabla 1 del apéndice un valor para z igual a 0.8, encontramos una probabilidad de 0.2881 (la probabilidad de que la variable aleatoria
esté entre la media y 580 horas). Debemos sumar a ésta la probabilidad de que la variable aleatoria esté entre la cola izquierda y la media. Debido a
que la distribución es simétrica con respecto a la mitad de su área a cada lado de la media, sabemos que este valor debe ser de 0.5. Como paso final,
entonces, sumamos las dos probabilidades:
![Page 141: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/141.jpg)
Ejercicio
¿Cuál es la probabilidad de que un
candidato escogido al azar se tome
entre 420 y 570 horas para completar
el programa?
![Page 142: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/142.jpg)
Ejercicio
¿Cuál es la probabilidad de que un candidato escogido al azar se tome entre 420 y 570 horas para
completar el programa?
La figura ilustra el intervalo en cuestión de 420 a 570 horas. De nuevo, para llegar a la solución se
necesitan dos pasos. Primero, calculamos un valor para z correspondiente al punto 570 horas:
Buscamos el valor de z correspondiente a 0.7 en la tabla 1 del
apéndice y encontramos 0.2580 como
valor de probabilidad. Segundo, calculamos el valor de z para el
punto correspondiente a 420 horas:
Como la distribución es simétrica, podemos desentendernos del signo y buscar un
valor de z correspondiente a 0.8. La probabilidad asociada con este valor de z es
0.2881. Encontramos nuestra respuesta si sumamos estos dos valores, para
obtener:
![Page 143: Estadística aplicada.pdf](https://reader034.vdocuments.co/reader034/viewer/2022052209/5695d26e1a28ab9b029a6bc6/html5/thumbnails/143.jpg)