Estadistica Explicada para Ingenieria

1
UNIVERSIDAD TECNOLOGICA DE TAMAULIPAS NORTE

PROBABILIDAD

UNIDAD UNO

ESTADISTICA DESCRIPTIVA

ELABORADO POR: OZIEL CARDENAS VARGAS

INGENIERIA INDUSTRIAL

2

UNI DAD 1: ESTADI STI CA DESCRI PTI VA
OBJETIVO DE LA UNIDAD:

El estudiante obtendr, analizara y representara grficamente los resultados o soluciones
obtenidas y comprender las caractersticas de las medidas de dispersin y tendencia
central y aplicara sus propiedades para resolver problemas a partir de datos tomados de
situaciones reales en el rea de ingeniera en estudio sintetizndolos mediante
descripciones numricas y representndolos de una forma ya sea mediante un
histograma, ojiva o polgono de frecuencia.

MEDIDAS DE TENDENCIA CENTRAL

Se conoce como medidas de tendencia central a:
- La media aritmtica: es la suma de los valores de cierto nmero de cantidades
dividido entre su nmero.
- Mediana: se define como el valor que divide a un conjunto de datos previamente
ordenados de menor a mayor, y es el punto intermedio entre todos ellos.
- Moda: es un conjunto de datos de una distribucin de frecuencias, la moda es el
valor que ocurre con mayor frecuencia, por ejemplo en los valores:
1,2,5,5,6,6,6,6,7,8,9,9,9 la moda es el 6. La moda es el valor ms representativo
o tpico de una serie de valores en el sentido que ocurre con mayor frecuencia.
- Rango medio: es el promedio aritmtico de las medidas de mayor a menor.

EJEMPLOS:

Ejemplo 1: Los totales anuales en miles de millones de dlares para las exportaciones
agrcolas de Estados unidos de Amrica de 1996 a 2006 son de 21.9, 21.9, 23.0, 23.6,
29.4, 34.7, 41.2, 43.3, 39.1, y 33.7, Determinar la media, moda, mediana y rango medio.

RESULTADO:

6 . 32
2
3 . 43 9 . 21
9 . 21
55 . 31
2
7 . 33 4 . 29
3 . 43 , 2 . 41 , 1 . 39 , 7 . 34 , 7 . 33 , 4 . 29 , 6 . 23 , 23 , 9 . 21 , 9 . 21
18 . 31
10
8 . 311
10
7 . 33 1 . 39 3 . 43 2 . 41 7 . 34 4 . 29 6 . 23 23 9 . 21 9 . 21
:
=
+
=
=
=
+
= =
= =
+ + + + + + + + +
=
X
=
Rangomedio
Moda
Mediana
Media
q
_

Ejemplo 2:
Los datos siguientes son las docenas/mes de calcetines fabricados en Cannon, mills:
104,102,85,60,93,103,94,97,81,75,79,104,97,95,65,75,89,104,103,100,90,104,71,69,88.

-Encontrar las medidas de tendencia central.

3

RESULTADO:

82
2
104 60
104
93 13
2
1 25
93 , 90 , 89 , 88 , 85 , 81 , 79 , 75 , 75 , 71 , 69 , 65 , 60
08 . 89
25
2227
25
=
+
=
=
= =
+
=
=
= =
=
Rangomedio
Moda
Me
Me
_
_

MEDIA GEOMETRICA Y MEDIA ARMONICA:

La geomtrica ayuda a conocer las tasas de crecimiento y la armnica es mas referida a
los rendimientos ya sea de una produccin y ayuda a localizar tambin para el estudio
de costos.

EJEMPLOS:

Ejemplo geomtrico:

La poblacin de un pueblo cercano a la ciudad de Uruapan en los ltimos 6 aos a sido
de 3 200 000 habitantes a 3 570 000 habitantes.
Calcular la tasa de crecimiento total en los 6 aos y el promedio anual.

RESULTADO:

% 92 . 1 0192 . 0
6
1156 . 0
% 56 . 11 1156 . 0
3200000
370000
5
370000 3200000 3570000
= = =
= = =
=
anual
aos en

Ejemplo armnica:

Se toman los datos de dos obreros donde se arma una pieza, el primero lo logra en tres
das seguido del segundo que logra el objetivo en cuatro das. Calcular el rendimiento
de un trabajador representativo de los rendimientos de los dos obreros.

7
3
3
7
24
24
7 1
24
7
2
12
7
2
12
3 4
2
4
1
3
1
1
= =
=
= =
+
=
+
=
H
H
H

Rendimiento representativo=
7
3
3
4

MEDIDAS DE DISPERSION:

Para emplear las medidas de dispersin se emplea el uso del rango, desviacin cuartil, la
desviacin media, la varianza y la desviacin estndar.

-Rango= es la diferencia del numero menor y el numero mayor.
-Desviacin cuartil: Hace referencia a los nmeros de separacin de los valores d x: el
primer cuartil corresponde al 25% (
1
Q ), el segundo representa al 50% representado con
2
Q , y as sucesivamente siguiendo la misma referencia para el cuartil tres. Nota si en
lugar de dividir en cuatro partes iguales se hace en diez partes, se tienen nueve puntos
de divisin, correspondiendo a cada uno un decil: de donde el primer decil es el valor
por debajo del cual esta el diez por 10% de las observaciones, para el segundo decil el
20% y as sucesivamente.
-Desviacin media (DM): es una medida de dispersin muy objetiva, y cuanto mayor
sea su valor mayor es la dispersin de los datos.
-Varianza: sirve de base para calcular la desviacin estndar o desviacin tpica.
-Desviacin estndar o tpica: es la raz cuadrada de la varianza es la ms importante de
todas las medidas de dispersin ya que incluye ms o menos el 68% de los trminos de
una distribucin normal.

EJEMPLOS:

Ejemplo 1:
En la tabla siguiente se representan las longitudes en centmetros de ochenta piezas de
madera que fueron seleccionadas en una bodega. Presentar datos en forma resumida y
ordenada.

50.1 50.6 51.1 50.8 52.2 51.9 51.2 52
50.6 49.1 51.8 51 50.8 51.8 51.1 49.7
50.7 51.4 51.9 50.4 51.7 51 49.5 52
51.1 51.8 50.3 51.5 51.7 50.3 49.9 49.7
52 51.3 51.1 50.8 49.4 50.3 51.1 51.2
50.8 51.5 51.1 51.2 50.3 51.3 51.7 51.8
51.4 51 51.7 50.1 52.1 51 52.8 51.1
49.9 50.9 50.2 51.5 51 50.2 49.6 51.3
51.8 50.3 50.5 51.7 51.7 50.4 49.6 51.2
51.3 51.2 51.6 51.5 51.9 51.6 53.1 51.8

Clases limites de clase tr fr Cuenta
I 49-<50 49.5 9 IIII/ IIII
II 50-<51 50.5 20 IIII/ IIII/ IIII/ IIII/
III 51-<52 51.5 44 IIII/ IIII/ IIII/ IIII/ IIII/ IIII/ IIII
IV 52-<53 52.5 6 IIII/ I
V 53-<54 53.5 2 I
80

5

FREC. REL FREC. REL. ACUMULADA
I
fr Fr
0.112 0.112
0.25 0.362
0.055 0.912
0.075 0.987
0.0125 1

( )
125 . 51
1 5 . 53 6 5 . 52 44 5 . 51 20 5 . 50 9 5 . 49
80
1
1
1
=
- + - + - + - + - =
=

=
_
_
_ trf r
n
ETICA MEDIAARITM
m
r

| |
134 . 0 3
) 673125 . 0 (
420166 . 1
3
420166 . 1 ) 125 . 51 5 . 53 ( 01 . 0
) 125 . 51 5 . 52 ( 08 . 0 ) 125 . 51 5 . 51 ( 55 . 0 ) 125 . 51 5 . 50 ( 25 . 0 ) 125 . 51 5 . 49 ( 11 . 0
1621094 . 0 ) 125 . 51 5 . 53 ( 01 . 0
) 125 . 51 5 . 52 ( 08 . 0 ) 125 . 51 5 . 51 ( 55 . 0 ) 125 . 51 5 . 50 ( 25 . 0 ) 125 . 51 5 . 49 ( 11 . 0
673125 . 0
) 125 . 51 5 . 53 ( 01 . 0
) 125 . 51 5 . 52 ( 08 . 0 ) 125 . 51 5 . 51 ( 55 . 0 ) 125 . 51 5 . 50 ( 25 . 0 ) 125 . 51 5 . 49 ( 11 . 0
) (
, 29 . 0
) 6731 . 0 (
1621 . 0
088 . 1 184375 . 1
184375 . 1 ) 125 . 51 ( ) 5 . 53 ( 01 . 0 ) 5 . 52 ( 08 . 0 ) 5 . 51 ( 55 . 0 ) 5 . 50 ( 25 . 0 ) 5 . 49 ( 11 . 0
4 1 . 49 1 . 53
23 . 51
6 20
6
51
3
1
25 . 51
) 362 . 0 5 . 0 (
3
1
51
3
) 1 . 5 . 0 (
2 2
2
4
4
4
4 4 4 4
4
3
3 3 3 3
3
2
2
2 2 2 2
2
1
2
3
3
2
3
3
2 2 2 2 2 2 2 2
2 2 !
1
4 2
4
3
1 1
!
|!
/
= = = =
=
+ + + + =
= +
+ + + =
=
= +
+ + + =
=
=
= =
=
= = =
= + + + + =
=
= = =
=
+
+ =
+
+ =
=
+
+
+ =
=
+ =
=
+ =
+
m
m
a CURTOSIS
m
m
m
m
f r f mk
negativa asimetria
m
m
a
IA EDEASIMETR COEFICIENT
cm Sx ESTANDAR DESVIACION
cm S
tr f r VARIANZA
datomenor datosmayor RANGO
MO
f f
f
Mo
j
f j f j
f j
h j Mo
Me
F
Me
k
k F
f k
h
i Me
k
s
i
m
i
_
_
_

6

Ejemplo dos:
La tabla siguiente muestra los costos por litro de gasolina de alto octanaje en las
ciudades del mundo.

CIUDADES COSTO X LITRO
msterdam 57
Bruselas 53
Buenos aires 38
Hong kong 57
Johannesburgo 48
Londres 56
Madrid 59
Manila 46
Mxico 25
Montereal 47
Nairobi 57
New Cork 40
Oslo 65
Paris 58
Ri de Janeiro 42
Roma 76
Singapur 59
Sydney 43
Tokio 79

6241
1849
3481
5776
1764
3364
4225
1600
3249
2209
625
2116
2481
3136
2304
3249
1444
2809
3249
2
_

7

2552 .
19
85 . 4
19
85 . 25 15 . 10 85 . 5 85 . 22 15 . 11 85 . 4 85 . 11 15 . 13 85 . 3
15 . 6 15 . 28 15 . 7 85 . 5 85 . 2 15 . 5 85 . 3 15 . 15 15 . 0 85 . 3
15 . 53
54 25 79
9 . 12 2 . 167 var
2 . 167
18
3011
1
3011
19
) 1005 (
56171
2
2
) (
2
2
=
=
+ + + + + +
+ + +
=
=
= =
= =
= = =
= =
=
= =

N
DM MEDIA DESVAICION
N
x
Rango
ianza S
n
SS
S
SS
n
x
_ _
_
_

Ejemplo tres:

Calcular el cuartil en el cuadro de frecuencias agrupadas, en donde se han registrado las
alturas de un grupo de alumnos.

Clases Frecuencias
121.5-126.5 2
126.5-131.5 3
131.5-136.5 8
136.5-141.5 23
141.5-146.5 27
146.5-151.5 20
151.5-156.5 16
156.5-161.5 3
161.5-166.5 2
total= N=104

26
4
104
4
= =
N
EL PRIMER CUARTIL ESTA EN LA CLASE 136.5-141.5
SUMAMOS 2+3+5=13 Para calcular los trece alumnos que faltan y para realizar este
clculo hacemos:
13:5::1: x NOTA: el 5 se obtiene de 141.5-136.5=5

Despejamos x
13x=5
x=
13
5

8

Este valor lo multiplicamos por 13 que era el valor faltante de conocer y obtenemos:
5
13
65
13
5
13 = =
|
.
|
\
|

Obteniendo el valor 5 ms 13 obtenemos que el valor del cuartil es igual a 18.

Ejemplo cuatro:

Los datos acontinuacion hacen referencia al nmero de cigarros fumados durante un fin
de semana por un grupo de quince fumadores:

X 10 15 17 20 22
F 1 3 5 2 4

X f fx
2
_
2
fx
10 1 10 100 100
15 3 45 225 675
17 5 85 289 1445
20 2 40 400 800
22 4 88 484 1936

( )
46 . 3 98 . 11
98 . 11
14
74 . 167
1
74 . 167
15
268
4956
8 . 17
15
268
2
2
= =
= =
=
= =
= =
S
n
SS
S
SS
_

HISTOGRAMA, POLIGONO DE FRECUENCIA Y OJIVA:

Histograma:

Para realizar el histograma utilizas para Y los valores de fr y para X los valores de tr.
Basndonos de los datos del ejemplo uno anteriormente realizado obtenemos una
grafica de:

Fr tr
9 49.5
20 50.5
44 51.5
6 52.5
1 53.5

9

Grafica Ojiva:

En la grafica ojiva empleas para x los valores de la frecuencia acumulada (Fr) que se
obtiene este valor de ir sumando la frecuencia relativa hasta llegar ala unidad y para Y
son los valores del lmite de clase.
Ejemplo: basndonos de los datos del ejercicio uno obtenemos la siguiente grafica:

Fr Limite de clase
49 0
50 0.112
51 0.25
52 0.55
0
5
10
15
20
25
30
35
40
45
53.5
Serie1
Serie2
Serie3
Serie4
Serie5
HISTOGRAMA
0
10
20
30
40
50
49.5 50.5 51.5 52.5 53.5
fr
t
r
Serie1
10

53 0.75
54 1

Polgono de frecuencia:

Para realizar estos datos se toma como X los valores de t0 (antes del valor de tr) y para
los valores de Y se toman los datos de frecuencia relativa y con los datos del ejemplo
uno obtenemos la siguiente grafica:

tr0,tr6 fr
48.5 0
49.5 0.112
50.5 0.25
51.5 0.55
52.5 0.075
53.5 0.0125
54.5 0

OJIVA
0
0.2
0.4
0.6
0.8
1
1.2
49 50 51 52 53 54
LIMITES DE CLASE
F
R
E
C
U
E
N
C
I
A

R
E
L
A
T
I
V
A

A
C
U
M
U
L
A
D
A
Serie1
11

CONCLUSIN:

Este tipo de medidas con ciertas tendencias centrales o dispersas son muy importantes y
tienen una gran aplicacin en la solucin de problemas en el rea de estudio apartir de
datos agrupados o datos no agrupados para poder entender mejor el comportamiento de
algunas variables que para algunas empresas representa tiempo, esfuerzo o costos y que
se pueden optimizar mediante la aplicacin de este tipo de clculos estadsticos y que se
pueden representar de una manera fcil y entendible mediante de grficos e histogramas
con la informacin necesaria para el interesado ayudndolo a un mejor entendimiento y
comprensin del problema en cuestin.

POLIGONO DE FRECUENCIA
0
0.1
0.2
0.3
0.4
0.5
0.6
48.5 49.5 50.5 51.5 52.5 53.5 54.5
LOS DATOS DE tr
L
O
S

V
A
L
O
R
E
S

D
E

f
r
Serie1
12


PROBABILIDAD

UNIDAD DOS

FUNDAMENTOS DE PROBABILIDAD

ELABORADO POR: OZIEL CARDENAS VARGAS


UNIDAD DOS: FUNDAMENTOS DE PROBABILIDAD
13

OBJ ETI VO DE LA UNI DAD:

El estudiante obtendr, analizara y representara los resultados o soluciones obtenidas y
comprender las caractersticas de un Teorema de Bayes as como el espacio muestral y
eventos, combinaciones y permutaciones, ayudando para entender mejor la Probabilidad
condicional as como unos axiomas de probabilidad y aplicara sus propiedades para
resolver problemas a partir de datos tomados de situaciones reales en el rea de
ingeniera en estudio sintetizndolos mediante descripciones numrica.

TEOREMA DE BAYES:

Formula de Bayes =
( )
( ) ( )
( ) A P
B P B A P
A B P
) ( |
| =
tambin se le conoce como la
probabilidad de las causas debido a que las
i
A son una particin del espacio muestral
S, uno y solo una de los sucesos
i
A ocurre es decir que uno de los sucesos
i
A debe
ocurrir y solamente uno. (
i
A Es la causa donde B ya ocurri).

Ejemplos:

Ejemplo uno:

En una empresa de circuitos para computadora se toman en cuenta la produccin de tres
grupos de trabajadores el primero A produce el 68% de la produccin total de la
maquiladora mientras que el grupo B produce el 32% del total. Obteniendo que el grupo
A el 2% de su produccin es defectuosa en tanto el del grupo B el 5%.
Calcular la probabilidad de que al revisar al azar un circuito sea defectuoso y la
probabilidad de que al revisar aleatoriamente un circuito defectuoso este provenga del
grupo B?

RESPUESTA:

Para obtener la probabilidad de revisar a azar un circuito y sea defectuoso lo hacemos
multiplicando el porcentaje de produccin defectuosa multiplicndolo por la produccin
que produce a esto sumndole el porcentaje del grupo B que se multiplica por su
produccin. Como de la siguiente manera:

( )( ) ( )( ) % 96 . 2 0296 . 0 016 . 0 0136 . 0 32 . 0 05 . 0 68 . 0 02 . 0 ) ( = = + = + = s defectuoso a probabilid

Obteniendo este valor es ya ms fcil conocer la probabilidad del que el circuito
defectuoso sea del B, esto se obtiene con la ayuda del Teorema de Bayes de la siguiente
manera:

14

( )
( ) ( )
( ) A P
B P B A P
A B P
) ( |
| =
( )( )
% 05 . 54 100 5405 . 0
0296 . 0
32 . 0 05 . 0
= = = x

Ejemplo dos:

Una fbrica con tres sucursales produce 40,35 y 25 por ciento del total de la produccin.
Obteniendo como resultado de artculos defectuosos un porcentaje del 4%, 6% y 8%. Si
se elige aleatoriamente un artculo calcular la probabilidad de: a) de que no sea
defectuoso, b) si resulto defectuoso cual es la probabilidad de que proceda de la primera
sucursal y c) si no resulto defectuoso cual es la probabilidad de que proceda de la
segunda sucursal.

RESPUESTA:

:
1
A El producto es de la primera sucursal.
:
2
A El producto es de la segunda sucursal.
:
3
A El producto es de la tercera sucursal.
B: El producto es defectuoso.

a) Probabilidad de que no sea defectuoso.

( )
( )
( )
( )
( )
( )
( ) ( ) ( ) ( ) ( ) ( ) ( )
( )
( )
( ) % 3 . 94 100 934 . 0
1000
943
1000
57
1000
1000
1000
57
1
1000
57
1000
20 21 16
100
2
1000
21
125
2
4
1
25
2
20
7
50
3
5
2
25
1
| | |
25
2
% 8 |
50
3
% 6 |
25
1
% 4 |
:
4
1
% 25
20
7
% 35
5
2
% 40
3 3 2 2 1 1
3
2
1
3
2
1
= = = = =
=
+ +
= + + =
|
.
|
\
|
+
|
.
|
\
|
+
|
.
|
\
|
=
- + - + - =
= =
= =
= =
= =
= =
= =
X B P
B P
B P
A P A B P A P A B P A P A B P B P
A B P
A B P
A B P
ADEMAS
A P
A P
A P

b) Si salio defectuoso la probabilidad de que proceda de la primera sucursal?

15

( )
( ) ( )
( )
% 07 . 28 100 2807 . 0
57
16
7125
2000
1000
57
125
2
1000
57
5
2
25
1
|
|
1 1
1
= = = = =
|
.
|
\
|
=
-
= X
B P
A P A B P
B A P

c) Si no resulto defectuoso cual es la probabilidad de que proceda de la sucursal
2
A

( )
( )
( )
( ) ( )
( )
( ) ( ) ( )
( )
% 88 . 34 100 3488 . 0
943
329
1000
943
1000
21 350
1000
943
1000
21
20
7
1000
943
20
7
50
3
20
7
|
2 2 2
2 2 2
2
= = =
=
|
.
|
\
|
|
.
|
\
|
=
-
=

=
=
X
B P
A P A B P A P
B P
B A P A P
B P
B A P
B A P

Ejemplo tres:

En una escuela el 40% de los alumnos son de tercer grado, el 25% de cuarto ao el 20%
de quinto ao y el 15% del sexto ao. Todos los de tercer grado cursan ingles, el 40%
de cuarto grado, 20% de quinto ao y 10% de sexto. Si aleatoriamente escogemos a un
alumno y este cursa ingles cual es la probabilidad de que sea de cuarto grado?

RESPUESTA:

:
1
A Cursa el tercer ao
5
2
% 40 ) (
1
= = A P
:
2
A Cursa el cuarto ao
4
1
% 25 ) (
2
= = A P
:
3
A Cursa el quinto ao
5
1
% 20 ) (
3
= = A P
:
4
A Cursa el sexto ao
20
3
% 15 ) (
4
= = A P
B: Cursa ingles

:
1
B Cursa tercer ao y cursa Ingles ) (
5
2
% 100 ) (
1 1
B A P B P =
|
.
|
\
|
=
:
2
B Cursa cuarto ao y cursa Ingles ( ) B A P B P =
|
.
|
\
|
=
2 2
4
1
% 40 ) (
:
3
B Cursa quinto ao y cursa Ingles ) (
5
1
% 20 ) (
3 3
B A P B P =
|
.
|
\
|
=
:
4
B Cursa sexto ao y cursa Ingles ) (
20
3
% 10 ) (
4 4
B A P B P =
|
.
|
\
|
=
16

( )
( ) ( )
% 18 100 18 . 0
1110
200
200
111
10
1
200
3
25
1
10
1
5
2
20
2
10
1
20
3
5
1
5
1
5
2
4
1
) 1 (
5
2
5
2
4
1
) | ( ) ( ) | ( ) ( ) | ( ) ( ) | ( ) (
|
|
4 4 3 3 2 2 1 1
2 2
2
= = = =
+ + +
=
|
.
|
\
|
|
.
|
\
|
+
|
.
|
\
|
|
.
|
\
|
+
|
.
|
\
|
|
.
|
\
|
+
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
=
=
- + - + - + -
-
=
X
A B P A P A B P A P A B P A P A B P A P
A B P A P
B A P

ESPACI O MUESTRAL Y EVENTOS.

-Espacio muestral: Es la coleccin de todos los datos posibles de un experimento y se
representa con la letra S.

-Evento: Es cualquier subcoleccion o subconjunto de un espacio muestral S y se
representa con diagrama de Venn.

Ejemplos:

Ejemplo uno:

Suponga que un experimento consiste en examinar 3 fusibles, cada fusible puede ser
defectuoso D o no defectuoso N.
a) Listar el espacio muestral para este experimento:
b) Anotar los datos que conforman a cada uno de los experimentos siguientes:
:
1
E El primer fusible esta defectuoso.
:
2
E El primer fusible y el ltimo estn defectuosos.
:
3
E Todos los fusibles son buenos.
:
4
E Al menos un fusible esta defectuoso
:
3
E A lo mas un fusible esta defectuoso

RESPUESTAS:

a) S=(NNN,NDN,NND,NDD,DND,DNN,DDN,DDD)
D=defectuoso
N=no defectuoso

b) =
1
E (DND,DNN,DDN,DDD)
=
2
E (DND,DDD)
=
3
E (NNN)
=
4
E (NDN,NND,NDD,DND,DNN,DDN,DDD)
5
E = (NDN,NND,DNN,NNN)

17

Ejemplo dos:

Considere el experimento de tirar un dado rojo y uno negro y observar como cae; Un
espacio muestral de 36 resultados posibles es como sigue donde la primera entrada es el
resultado del dado rojo y la segunda la del dado negro.

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

a) De una descripcin para los eventos siguientes:

=
1
E El dado negro muestre 1= {(1,1), (2,1), (3,1), (4,1), (5,1), (6,1)}
=
2
E Los dados coinciden, ambos muestren el mismo numero= {(1,1), (2,2), (3,3),
(4,4), (5,5), (6,6)}
=
3
E La suma de los dados es siete = {(3,4), (4,3), (5,2), (2,5), (6,1), (1,6)}
=
4
E La suma de los dados es once= {(5,6), (6,5)}
=
5
E Los dados muestran uno= {(1,1)}
=
6
E Los dados muestran cuatro = {(4,4)}

Ejemplo tres:

Del ejemplo anterior de los dados buscar:

a) La suma es par: {(1,1), (1,3), (2,2), (2,4), (2,6), (3,1), (3,3), (3,5), (4,2), (4,4), (4,6),
(5,1), (5,3), (5,5), (6,2), (6,4), (6,6)}

b) La suma es divisible entre cinco: {(1,4), (2,3), (3,2), (4,1), (5,5), (6,4), (4,6)}

c) La suma es un nmero primo: {(1,1), (1,2), (1.4), (1,6), (2,1), (2,3), (2,5), (3,2), (3,4),
(4,1), (4,3), (5,2), (5,6), (6,1), (6,5)}

d) El nmero del dado negro es dos unidades mayor que el del dado rojo: {(1,3), (2,4),
(3,5), (4,6)}

e) L a suma es impar: {(1,2), (1,4), (1,6), (2,1), (2,3), (2,5), (3,2), (3,4), (3,6), (4,1),
(4,3), (4,5), (5,2), (5,4), (5,6), (6,1), (6,3), (6,5)}

f) La suma no es divisible exactamente entre cinco: {(1,1), (1,2), (1,3), (1,5), (1,6),
(2,1), (2,2), (2,4), (2,5), (2,6), (3,1), (3,3), (3,4), (3,5), (3,6), (4,2), (4,3), (4,4), (4,5),
(5,1), (5,2), (5,3), (5,4), (5,6), (6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}

18

Evento no E: Si E es un evento contenido en un espacio muestral S, entonces el evento
no
E denotado por (

E ) es el que contiene todos los resultados en S que no estn
contenidos en E. Ejemplo S= {(1, 2, 3, 4, 5,6)} E= {(4,6)} y
E = {(1, 2, 3,5)}.

Eventos compuestos: Cuando los eventos son conjuntos, los operadores de unin y de
interseccin pueden usarse para formar eventos compuestos; si E y F son eventos,
entonces ) ( F E y ) ( F E son eventos compuestos.

) ( F E : es el evento de que ocurren E o F o ambos.
) ( F E : es el evento de que tanto E como F ocurran al mismo tiempo.

Ejemplos:

Ejemplo uno:

Alejandro va a una estacin de servicio automotriz rpido a comprar de liquido para
transmisin y un de aceite para su coche, si hay disponibles 3 marcas de liquido para
transmisin (x, y, z) y 6 marcas de aceite (A, B, C, D, E, F) Alejandro puede hacer 18
compras, suponga adems que las 3 marcas del liquido de transmisin y las 6 de aceite
coinciden cada una en el precio. Como Alejandro no sabe mucho sobre el aceite que
usa su coche decide hacer sus compras adivinando sea E el evento de que Alejandro
compre la marca X o la Z del lquido de transmisin y F el evento de que compre la
marca de aceite A o B. Calcule lo siguiente:

RESPUESTA:

a) El espacio muestral del experimento:
Liquido: X, Y, Z
Aceite: A, B, C, D, E, F

{(X,A), (X,B), (X,C), (X,D), (X,E), (X,F), (Y,A), (Y,B), (Y,C), (Y,D), (Y,E), (Y,F),
(Z,A), (Z,B), (Z,C), (Z,D), (Z,E), (Z,F)}

b) Evento E

{(Y,A), (Y,B), (Y,C), (Y,D), (Y,E), (Y,F)}

c) Evento F E

{(X,A), (X,B), (X,C), (X,D), (X,E), (X,F), (Y,A), (Y,B), (Z,A), (Z,B), (Z,C), (Z,D),
(Z,E), (Z,F)}

d) Evento F E

{(X,A), (X,B), (Z,A), (Z,B)}

E= Alejandro compre X o Z (liquido)
F= Alejandro compre A o B (aceite)
19

Ejemplo dos:

Un experimento consiste en preguntar al azar a tres consumidores si compraron la
marca A de mantequilla de cacahuate. Use una S para si y una N para no.

a) Espacio muestral:

S= {(SSS,SSN,SNS,SNN,NSS,NSN,NNS,NNN)}

El evento de que al menos dos personas digan si y F el que la primera encuestada diga
no, contestar los eventos siguientes:

b) E= {(SSS, SSN, SNS, NSS)}

F= {(NSS,NSN,NNS,NNN)}

c) E ={(SNN,NSN,NNS,NNN)}

d) F E ={(SSS,SSN,SNS,NSS,NSN,NNS,NNN)}

e) F E = {(SSS,SSN,SNS)}

FACTORI AL:

El producto de cualquier numero entero positivo n por todos los enteros menores que n
se llama FACTORIAL de n y se expresa con el smbolo n!

Ejemplos:

0!= 1 (por definicin)
1!= 1 (1)= 1
2!= 2 (1)= 2
3!= 3 (2) (1)= 6
4!= 4 (3) (2) (1)= 24
5!= 5 (4) (3) (2) (1)= 120

PERMUTACI ONES:

Se le conoce como permutacin del conjunto cuando el problema de un conteo consiste
en ordenar elementos de un conjunto.

Las permutaciones se pueden clasificar en:

- Lineales: Se presenta cuando los elementos se ordenan en una fila.
- Circulares: Se presenta cuando los elementos deben ser colocados alrededor de
un crculo en una secuencia cclica o cerrada. La formula es= (n-1)!

Una ordenacin de un conjunto de n objetos en un orden dado se llama una
permutacin de los objetos, tomados todos a la vez y es igual a n!
-Para ordenar r objetos de entre n objetos distintos:
20

nPr=
( )!
!
r n
n

7, 6, 5, 4=
( )
840
! 3
! 7
! 4 7
! 7
= =
en la calculadora seria 7 nPr 4= 840

-Para permutaciones con objetos repetidos
1
n del tipo 1,
2
n del tipo 2,
3
n del tipo 3, se
utiliza la siguiente formula:
Per=
! ! !
!
3 2 1
n n n
n

Ejemplos:

Ejemplo uno:

a) Hallar el nmero de permutaciones diferentes que se pueden formar con todas las
letras de la palabra CAMARA.
b) Cuntas de ellas principian y terminan con A?
c) Cuntas tienen tres A juntas?
d) Cuantas empiezan con A y terminan con M?

RESULTADOS:

a) nPr= 120
! 3
! 6
=

b) A- -4!- - A = 24

c) 4, 3, 2, 1= 24 (se toma a la A como un solo objeto)

d) A - -
! 1 ! 1 ! 2
! 4
- - M= 12

Ejemplo dos:

a) De cuantas maneras 3 nios y 2 nias pueden sentarse en una fila?
b) De cuantas maneras pueden sentarse si los nios se sientan juntos y las nias
tambin?
c) De cuantas maneras pueden sentarse en fila si justamente las nias se sientan juntas?
d) De cuantas maneras pueden sentarse si se sientan alternados?

RESPUESTA:

a) 5!= 120
b) (2! 3!)2= 24
c) 2 4!= 48
d) (H) (M) (H) (M) (H)= 3*2*2*1*1= 12

21

Ejemplo tres:

a) De cuantas maneras pueden formarse 6 personas para subir en un autobs?
b) Si tres de ellas insisten en seguirse una a la otra, en cuantas formas es esto posible?
c) Si dos personas se rehsan a seguirse una a la otra, en cuantas formas es esto
posible?

RESPUESTA:

a) 6!=
b) 4! 3!= 144
c) 6! (5! 2)= 480

Ejemplo cuatro:

Nueve personas salen de viaje para esquiar en tres vehculos cuyas capacidades son de
2,4 y 5 pasajeros respectivamente. En cuantas formas es posible transportar a las nueve
personas con todos los vehculos?

RESPUESTA:

2 4 5 TOT. 9
2 4 3 9
2 3 4 9
2 2 5 9
1 4 4 9
1 3 5 9

4410
! 5 ! 3 ! 1
! 9
! 4 ! 4 ! 1
! 9
! 5 ! 2 ! 2
! 9
! 4 ! 3 ! 2
! 9
! 3 ! 4 ! 2
! 9
= + + + +

Ejemplo cinco:

Suponga que se desea determinar el numero de permutaciones de 5 objetos tomados 3 a
la vez, podemos pensar este problema como el de colocar cinco objetos distintos en tres
cajas.

RESPUESTA:

Aplicando la formula de
)! (
!
r n
n
P
n
r
=
Donde r=3 y n= 5

Tenemos que: 60
2
120
! 2
! 5
)! 3 5 (
! 5
5
3
= = =
= P

22

COMBI NACI ONES:

Una coleccin de n objetos tomados r a la vez es una seleccin de r o de n objetos donde
el orden no se toma en cuenta. (El orden no afecta).

Su formula es:
)! ( !
!
r n r
n
nCr
=

Ejemplos:
Ejemplo uno:

Una seora tiene 11 amigos de confianza:

a) De cuantas maneras puede invitar a cinco de ellos a comer?
b) De cuantas maneras si dos de ellos son casados y no asisten el uno sin el otro?
c) De cuantas maneras si dos de ellos no la llevan bien y no asisten juntos?

RESPUESTA:

a) 462
)! 5 11 ( ! 5
! 11
5 11
=
= C

b)
210 462
210
4 9 1 2
5 9 0 2 3 9 2 2
=
= +
C C C
C C C C

C) 378 ) (
5 9 0 2 4 9 1 2
= + C C C C

Ejemplo dos:

Un estudiante tiene que resolver diez preguntas de 13 en un examen.

a) Cuntas maneras de escoger tiene?
b) Cuntas maneras si las dos primeras son obligatorias?
c) Cuntas si una de las dos primeras es obligatoria?
d) Cuntas si tiene que contestar exactamente tres de las cinco primeras?
e) Cuntas si tiene que contestar por lo menos tres de las cinco primeras?

RESPUESTA:

a) 286
10 13
= C
b) 165
8 11 2 2
= C C
c) 110
9 11 1 2
= C C
d) 80
7 8 3 5
= C C
e) 276 ) ( ) ( ) (
5 8 5 5 6 8 4 5 7 8 3 5
= + + C C C C C C

23

Ejemplo tres:

Hay 10 puntos A, B en un plano; en una misma lnea no hay 3.

a) Cuntas lneas forman los puntos?
b) Cuntas lneas no pasan por A o B?
c) Cuntos tringulos determinan los puntos?
d) Cuntos tringulos de estos se forman con los puntos A?
e) Cuntos tringulos contienen el la AB?
RESPUESTA:

a) 45
2 10
= C

b) 28
2 8
= C

c) 120
3 10
= C

d) 36
2 9 1 1
= C C

e) 8
1 8 2 2
= C C

TEORI A CLASI CA DE LA PROBABI LI DAD

P(A)=
les ENTOSposib NUMEROdeEV
ables ENTOSfavor NUMEROdeEV

AXI OMAS DE PROBABI LI DAD

1) 1 ) ( 0 < < A P Entre mas cercano al 1 la incertidumbre es menor. Tenemos ms
seguridad de que ocurrir lo previsto.

2) P (S)= 1 La probabilidad del universo es la unidad.

3) P ( B A )= P (A) + P (B) P (A ) B

Ejemplos:

Ejemplo uno:

Se escogen al azar tres lmparas entre 15 de las cuales, 5 son defectuosas. Hallar la
probabilidad (p) de que:

a) Ninguna sea defectuosa.
b) Una exactamente sea defectuosa.
c) Una por lo menos sea defectuosa.

24

RESPUESTA:

a) P (ninguna sea defectuosa)= % 26 100 26 . 0
3 15
0 5 3 10
= =
X
C
C C

b) P (una exactamente sea defectuosa)= % 49 100 49 . 0
3 15
1 5 2 10
= =
X
C
C C

c) P (una por lo menos sea defectuosa)= 73 . 0
455
335
3 15
0 10 3 5 1 10 2 5 2 10 1 5
= =
+ +
C
C C C C C C

Ejemplo dos:

Se lanza una moneda 9 veces Cul es la probabilidad de obtener:

a) 4 guilas y 5 soles
b) A lo mucho 3 guilas

RESULTADO:

a) P (4a y 5s)= 24 . 0
2
! 5 ! 4
! 9
9
=

b) P (a lo mucho 3a)=
25 . 0
512
130
2
! 6 ! 3
! 9
! 7 ! 2
! 9
! 8 ! 1
! 9
! 9 ! 0
! 9
2
) 3 ( ) 2 ( ) 1 ( ) 0 (
9 9
= =
+ + +
=
+ + + AGUILAS P AGUILAS P AGUILA P AGUILA P

PROBABI LI DAD CONDI CI ONAL:

La probabilidad condicional se aplica en el calculo de sucesos cuando se sabe que a
ocurrido otro con el cual se relacionan(los sucesos son dependientes).

Ejemplos:

Ejemplo uno:

En cierta ciudad 40% de la poblacin tiene cabellos castaos 25% tienen ojos castaos y
15% tiene cabellos y ojos castaos. Se escoge una persona al azar

a) Si tiene cabellos castaos Cul es la probabilidad de que tambin tenga ojos
castaos.

b) Si tiene ojos castaos Cul es la probabilidad de que no tenga cabellos castaos?

c) Cul es la probabilidad de que no tenga ni ojos no cabellos castaos?
25

RESPUESTA:

a) P (OC. /CC.)=
8
3
% 40
% 15
) (
) (
= =
CC P
CC OC P

b) P (
5
2
25
10
) (
) (
) / = =
=
OC P
OC CC P
OC CC

c) P (
2
1
% 50 = = OC CC

Ejemplo dos:

La vctima de un accidente, morir a menos de que reciba en los prximos 10 minutos
una cantidad de sangre tipo ARH positiva, que sea suministrada por un solo donante. Se
tarda 2 minutos en definir el tipo de sangre de un posible donante y 2 minutos en
realizar la transfusin. Hay una gran cantidad de donantes diferentes cuyo tipo de sangre
se desconoce y 40% de ellos tienen el tipo de sangre ARH positivo, Cul es la
probabilidad de que sobreviva la victima si solamente se dispone de un equipo para
determinar el tipo de sangre?

RESPUESTA:

10 minutos de vida
2 minutos definir el tipo de sangre
2 minutos de transfusin
40% tiene ARH positivo

1 persona- 0.4
2 persona- 0.4
3 persona- 0.4
4 persona- 0.4

P--- 0.4+ (0.6*0.4) + (0.6*0.6*0.4) + (0.6*0.6*0.6*0.4)= 0.8704x100= 87.04%

Ejemplo tres:

Una caja A contiene nueve cartas numeradas de 1 a 9 y otra caja B contiene 5 cartas
numeradas de 1 a 5. Se escoge una caja a azar y se saca una carta, si la carta indica un
numero par se saca otra carta de la misma caja; si la carta es impar, se saca una carta de
la otra caja.
a) Cul es la probabilidad de que ambas cartas muestren nmeros pares?
b) Si ambas cartas muestran nmeros pares, Cul es la probabilidad de que procedan
de A.
c) Cul es la probabilidad de que las 2 cartas tengan nmeros impares?

26

RESPUESTA:

a) P (PP)=
15
2
4
1
5
2
2
1
8
3
9
4
2
1
= +

b) P (Proc.A/PP)=
8
5
15
2
8
3
9
4
2
1
) (
) (Pr
=

=
PP P
PP ocA P

c) P (II)=
3
1
9
5
5
3
2
1
5
3
9
5
2
1
= +

CONCLUSI N:

Este tipo de teoremas, eventos, espacios, combinaciones, permutaciones entre otros son
aplicables para resolver diferentes tipos de problemas tomando en cuenta cierto tipo de
limitaciones o caractersticos del problema que el alumno entendiendo una vez el tema
puede aplicar estas caractersticas que son de suma importancia para resolver diversos
problemas en el rea de estudio partiendo de datos reales encontrando soluciones reales.
Con la finalidad de minimizar costos esfuerzos y tiempos y optimizar adecuadamente
ciertos procesos logrando una mayor productividad para la empresa.

27


PROBABILIDAD

UNIDAD TRES

MODELOS ANALITICOS DE FENOMENOS ALEATORIOS
DISCRETOS

ELABORADO POR:


28

UNIDAD TRES: MODELOS ANALITICOS DE FENOMENOS
ALEATORIOS DISCRETOS.

OBJ ETI VO DE LA UNI DAD:

El estudiante obtendr, analizara y representara los resultados o soluciones obtenidas y
comprender las caractersticas ya sea de una distribucin normal, as como otras
distribuciones como la de Poisson adems de la Hipergeometrica, las binomial adems
de la binomial negativa que ayudaran para resolver los problemas tomados de
situaciones tanto de rea de Ingeniera as como de momentos cotidianos.

DI STRI BUCI ON DE PORBABI LI DAD:

La variable que asocia a un nmero con el resultado de un experimento aleatorio se
conoce como variable aleatoria.

Una variable aleatoria es una funcin que asigna un nmero real a cada resultado en
el espacio muestral de un experimento aleatorio. Tambin la variable aleatoria es la
asignacin de un nmero con los posibles resultados de un experimento.

Una variable aleatoria discreta es una variable aleatoria con un rango finito o infinito
contable.

La distribucin de probabilidad o distribucin de una variable aleatoria, es una
descripcin del conjunto de valores posibles de x, junto con la probabilidad asociada
con cada una de esos valores. La distribucin de probabilidad de una variable aleatoria,
es el resumen ms til de un experimento aleatorio; para una variable aleatoria que
pueda tomar un nmero pequeo de valores, lo ms simple es proceder como una
distribucin de probabilidad, listando los valores posibles junto con las probabilidades
respectivas.

-Datos discretos: generalmente se cuentan enteros.
-Datos continuos: generalmente se miden intervalos.

EJEMPLOS:

Ejemplo uno:

Un ingeniero pide prestado el diseo de un proceso el cual cuenta con 5 claves para el
arranque, intenta con cada una de las 5 claves hasta que consigue activarlo. Sea la
variable x el nmero de intentos necesarios para arrancar el proceso. Encuentre la
distribucin de probabilidad.

RESOLUCION:

x p(x)
1 1/5
2 1/4
3 1/3
4 1/2
29

5 1

Ejemplo dos:

En un laboratorio experimental se realiz una prueba a tres visitantes, se les pide que
hagan corresponder cada una de las tres sustancias con la formula qumica que
identifica a cada sustancia. Si un visitante asigna aleatoriamente las tres frmulas a las
tres sustancias, encuentre la distribucin de probabilidad para Y, el nmero de
correspondencias correctas.

RESOLUCION:

Y P(Y)
0 2/6
1 3/6
3 1/6

X Y Z
1 x y z 3
/ x z y 1
/ z y x 1
/ y x z 1
0 z x y 0
0 y z x 0

P(y) Y
3/6 0
2/6 1
1/6 3

Ejemplo tres:

-Cinco pelotas numeradas 1, 2, 3, 4, 5 se encuentran en una hurna. Se sacan dos pelotas
al azar de las cinco y se anotan sus nmeros. Encuentra la distribucin de probabilidad
para lo siguiente:
a) El mayor de los dos nmeros seleccionados.
b) La suma de los dos nmeros seleccionados.

RESOLUCION:

a)
Y P(Y)
2 1/10
3 2/10
4 3/10
5 4/10

12
30

13

23
14 24 34
15 25 25 45

10
2 5
= C

b)
Y P(Y)
3 1/10
4 1/10
5 2/10
6 2/10
7 2/10
8 1/10
9 1/10
1

DI STRI BUCI ON BI NOMI AL:

Una distribucin binomial tiene las siguientes propiedades:

1) El experimento consiste en n intentos repetidos.
2) Los resultados de cada uno de los intentos, pueden clasificarse como un xito o como
un fracaso.
3) La probabilidad de xito permanece constante para todos los intentos (p).
4) Los intentos repetidos son independientes.

Entonces la distribucin de probabilidad de la variable aleatoria x, el nmero de xitos
en las n pruebas:

x n x
x n
q p C b

=

Dnde:

b= probabilidad de xito
q= 1-p probabilidad de fracaso
x= la variable aleatoria, el nmero de xitos en las n pruebas.
n= el nmero de pruebas.

EJEMPLOS:

Ejemplo uno:

Si 20% de las piezas de televisin que fabrica una maquinaria recientemente reparada
son defectuosas, calcula la probabilidad de que en cinco piezas elegidas al azar se
obtengan:

a) Una pieza defectuosa.
31

b) Ninguna defectuosa.
c) A lo ms dos piezas defectuosas.

RESOLUCION:

x n x
x n
q p C X P

= ) ( =
x n x
q p
x n x
n

)! ( !
!

Con:

n=5
x=1
p=20%=0.2 piezas defectuosas.
q=1-p=1-0.2=o.8

a) P (una pieza defectuosa) =
4 1 5 1
1 5
) 8 . 0 )( 2 . 0 (
)! 1 5 ( ! 1
! 5
) 8 . 0 ( ) 2 . 0 ( =
C
4096 . 0 ) 4096 . 0 )( 2 . 0 (
! 4
) ! 4 ( 5
= =

b) Ninguna pieza defectuosa.
n=5
x=0
p=0.2
q=0.8
p (cero piezas defectuosas)
3276 . 0 ) 3276 . 0 (
! 5
! 5
) 3276 . 0 (
)! 0 5 ( ! 0
! 5
) 8 . 0 ( ) 2 . 0 (
0 5 0
0 5
= =
C

c) A lo ms 2 piezas defectuosas:

n=5
x=2
p=0.2
q=0.8

p (2 piezas defectuosas)=
2048 . 0 ) 512 . 0 )( 04 . 0 (
) ! 3 )( 1 ( 2
) ! 3 )( 4 ( 5
) 8 . 0 ( ) 2 . 0 (
)! 2 5 ( ! 2
! 5
) 8 . 0 ( ) 2 . 0 (
3 2 3 2
2 5
= =
= C

AHORA:

P(a lo ms 2 piezas defectuosas)= P (0 piezas defectuosas)
=0.3276+0.4096+0.2048= 0.942

32

Ejemplo dos:

En una cierta rea de la ciudad se da como una razn del 75% de los robo, la necesidad
de dinero para comprar droga. Encuentra la probabilidad de que dentro de los cinco
prximos asaltantes reportados en esa rea.

a) Entre 1 y 3 se debieron a la necesidad de dinero para comprar drogas.
b) Exactamente 2 se debieron a la necesidad de dinero para comprar drogas.
c) Cuando mucho 3 se debieron a la misma razn.

RESOLUCION:

a) p=0.75
q=0.25
n=5
x=1, 2, 3

p ( 3 1 s s x )= p (1)+p (2)+p (3)

b=
3662 . 0 % 62 . 36
) 25 . 0 )( 75 . (
) 25 . 0 )( 75 . 0 (
) 25 . 0 )( 75 . 0 (
2 3
3 5
3 2
2 5
4 1
1 5
=
=
+
+
O C
C
C

b) P (2)= % 78 . 8 08789 . 0 ) 25 . 0 )( 75 . 0 (
3 2
2 5
= = C

c) p(x ) 3 s = F (3)-acumulado a 3=

d
c
b
a
b
a
x
c
d
=
(
(
(
75 . 0
4718 . 0 70 . 0
2627 . 0 80 . 0

a=x-0.4718
b=0.2627-0.4718=-0.2091
c=0.75-0.70=0.05
d=0.80-0.70=0.10

0.70 0.80
0.4718 0.2627
33

( ) 4716 . 0 2091 . 0
10 . 0
05 . 0
10 . 0
05 . 0
2091 . 0
4718 . 0
+
|
.
|
\
|
=
=
x
x

x=0.36705

Ejemplo tres:

La probabilidad de que un paciente se recupere de una delicada operacin de corazn es
0.9 Cul es la probabilidad?
a) De que exactamente cinco de los prximos siete pacientes sobrevivan.
b) Por lo menos dos sobrevivan de los siete pacientes.
c) Exactamente uno muera de entre los siete.

RESOLUCION:
a) p(x=5)
n=7
p=0.9
q=0.1
b= 12 . 0 ) 1 . 0 ( 9 . 0 (
2 5
5 7
= C

UTILIZANDO TABLAS:
b (x=5)=F(5)-F(4)
=0.1497-0.0257=0.12

b) b (2)+b (3)+b (4)+b (5)+b (6)+b (7)=1-0=1

c) como ahora se busca la probabilidad de muerte, se intercambian las p. de xito y
fracaso. p=0.1 y q=0.9

b (x=1)= 37 . 0 ) 9 . 0 )( 1 . 0 (
6 1
1 7
= C

USANDO TABLAS:

b(x=1)= 0.5503-0.4783= 0.372
p=0.1

DI STRI BUCI ON BI NOMI AL NEGATI VA

Contiene las mismas propiedades indicadas para un experimento binomial, con la
excepcin de que los intentos se repetirn hasta que ocurra un nmero determinado de
xitos, esta es, en lugar de encontrar la probabilidad de x xitos en n intentos donde n es
fijo, ahora se buscara la probabilidad de que el k-esimo xito ocurra en el x-esimo
intento.

34

Si repetidos intentos independientes pueden resultar en un xito con una probabilidad P
y en un fracaso con una probabilidad Q=1-P entonces la distribucin de probabilidad de
la variable aleatoria X el nmero del intento en el cual ocurre el k-esimo intento es:

k x k
k x
q p C b

=
1 1
*

dnde:

x=el nmero del intento en el cual ocurre el k-esimo xito
k=nmero de xitos
p=probabilidad de xito.
q=probabilidad de fracaso (1-p).

EJEMPLOS:

Ejemplo uno:

Tres personas lanzan una moneda y la que salga dispareja tendr que elaborar el
inventario de un almacn. Si todas las monedas caen iguales, se lanzan nuevamente.
Encuentre la probabilidad de que se necesiten menos de 4 lanzamientos.

RESOLUCION:

2*2*2=8
+ + +
+ + -
+ - +
- + +
- - +
- + -
+ - -
- - -

p (1)+p (2)+p (3)

p (xito)=6/8
p (fracaso)=2/8

k x k
k x
q p C b

=
1 1
*

si k=1 es una distribucin geomtrica.

g=
1 x
pq

g (1)+g (2)+g (3)

g= 9843 . 0
64
3
16
3
4
3
8
2
8
6
8
2
8
6
8
2
8
6
2 1 0
=
|
.
|
\
|
+
|
.
|
\
|
+
|
.
|
\
|
=
|
.
|
\
|
|
.
|
\
|
+
|
.
|
\
|
+
|
.
|
\
|
+
|
.
|
\
|
|
.
|
\
|

35

Ejemplo dos:

Suponga que la probabilidad de que una persona determinada crea una historia acerca
de los atentados a una empresa manufacturera es 0.8 Cul es la probabilidad de que?

a) La 6 persona escucha tal historia sea la 4 que la crea
b) La 3 persona que escucha la historia sea la 1 en creerla.

RESOLUCION:

a) x=6 1638 . 0 ) 2 . 0 ( ) 8 . 0 )( 10 (
2 4 4 6 4
3 5
= =
q p C
k=4

b) x=3 g= (0.8) (0.2) 032 . 0
2
=
k=1

DI STRI BUCI ON DE POI SSON

Un experimento de poisson contiene las siguientes propiedades:

-El nmero de resultados que ocurren en un intervalo de tiempo a regin especficos es
independiente del nmero que ocurre en cualquier otro intervalo disjunto de tiempo o
regin del espacio disjunto. De esta manera se dice que el proceso de poisson no tiene
memoria.

-La probabilidad de que un resultado sencillo ocurra en un intervalo de tiempo muy
corto o en una regin pequea es proporcional a la longitud del intervalo de tiempo o al
tamao de la regin y no depende del nmero de resultados que ocurran fuera de ese
intervalo.

-La probabilidad de que ms de un resultado ocurra en ese intervalo de tiempo tan corto
o en esa regin tan pequea, es despreciable.

La distribucin de probabilidad de la variable aleatoria de Poisson x, que representa el
nmero de resultados que ocurren en un intervalo de tiempo dado o en una regin
especfica indicada por t es:

!
) (
) , (
x
t e
t x p
x t

=

np t
promedio t

EJEMPLOS:

36

Ejemplo uno:

El nmero de partculas radioactivas que pasan a travs de un contador durante un
milisegundo es de 4 Cul es la probabilidad de que entren:

a) 6 partculas en 1 milisegundo.
b) Entre 3 y 5 partculas en 1 milisegundo.
c) Menos de 5 partculas en 1 milisegundo.

RESOLUCION:

a) F (6)-F (5)= 0.8893-0.7851= 0.1042
FORMULA:
p(x=6)= 10419 . 0
! 6
) 4 (
6 4
=
e

b) p (3 547 . 0 2381 . 0 7851 . 0 ) 2 ( ) 5 ( ) 5 = = = s s f f x

c) p (x<5)= f (4)= 0.6288

Ejemplo dos:

Si la probabilidad de que en una persona sufra una reaccin daina al ingerir un
determinado antibitico es de 0.001. Calcular la probabilidad de que un total de 3000
pacientes sufran el malestar:

a) De exactamente 3 personas.
b) Mas de 2 presenten reaccin daina.

RESOLUCION:

a)
!
) (
) , (
x
t e
t x p
x t

=
P(X personas sufran reaccin )
con 3 ; 3 ) 001 . 0 ( 3000 = = = = x np

p (3 personas sufran reaccin)= 2240 . 0
) 083 . 20 ( 6
27
) 1 )( 2 ( 3
27
! 3
3
3
3 3
= = =
e
e

b) Mas de 2 personas.

P(ms de dos sufran reaccin)

P (0 reacciona)=
3
3 0
1
! 0
2
e
e
=

P (1 reacciona)=
3
3 1
2
! 1
2
e
e
=

37

P (2 reacciona)=
3
3 2
2
! 2
2
=
e
e

Total= 751 . 0
08 . 20
5
1
5
1
3 2 1
1
3 3 3 3
= = =
|
.
|
\
|
+ +
e e e e

NOTA:

EN GENERAL SE APLICA LA DISTRIBUCION DE POISSON CUANDO EL
NUMERO DE REPETICIONES DEL EXPERIMENTO ES AL MENOS DE 50(n 50 >
) Y np ES MENOR QUE 5. EN ESTOS CASOS LA DISTRIBUCION BINOMIAL SE
APROXIMA A LA DISTRIBUCION DE POISSON Y CUANDO SE APLICA ESTA,
GENERALMENTESE CONOCEN LOS VALORES DE n Y p.

Ejemplo tres:

Las llamadas deservicio entran a un centro de mantenimiento y en promedio entran 2.7
llamadas por minuto. Encuentre la probabilidad de que:
-Menos de 2 llamadas entren en un minuto cualquiera.

RESOLUCION:

-p(x<2)= 2486 . 0 1814 . 0 0672 . 0
! 1
) 7 . 2 (
! 0
) 7 . 2 (
1 ) 7 . 2 ( 0 ) 7 . 2 .(
= + = +

e e

DI STRI BUCI ON HI PERGEOMETI RCA

Su inters se centra en la probabilidad de seleccionar x xitos de los k posibles
resultados o artculos tambin considerados xitos y n-x fracasos de los N-K posibles
resultados o artculos tambin considerados fracasos, cuando una muestra aleatoria de
tamao n, se selecciona de N resultados o artculos totales.

La distribucin de la variable aleatoria hipergeometrica x, el nmero de xitos en una
muestra aleatoria de tamao n, seleccionada de N resultados posibles, de los cuales k,
son considerados como xitos y N-K como fracaso.

n N
x n x k
C
C K N C
h
) (
) (

=

EJEMPLOS:

Ejemplo uno:

Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de narctico
en una botella que contiene 9 pldoras de vitaminas que son similares en apariencia.

Si el oficial de la aduana selecciona 3 tabletas aleatoriamente Cul es la probabilidad
de que el viajero no sea arrestado?
38

n=3
N=15
k=9
x=3

1846 . 0
65
12
455
84
3 15
0 6 3 9
= = =
=
C
C C
h

Ejemplo dos:

Una compaa est interesada en evaluar sus actuales procedimientos de inspeccin en
el embarque de 50 artculos idnticos. El procedimiento es tomar una muestra de 5
piezas y autorizar el embarque si se encuentra que no ms de dos estn defectuosas
Qu proporcin del 20% de embarques defectuosos sern autorizados?

RESOLUCION:

N=50
n=5
k=10
x=0, 1, 2
95 . 0 ) 2 ( ) 1 ( ) 0 (
209 . 0
2118760
444600
431 . 0
2118760
10 ) 91390 (
31 . 0
2118760
008 , 658 1
5 50
3 40 2 10 2
5 50
4 40 1 10 1
5 50
5 40 0 10 0
= + +
= =
=
= =
=
=
=
h h h
C
C C
h
C
C C
h
C
C C
h

Ejemplo tres:
De un lote de10 misiles, se seleccionan 4 al azar y se lanzan. Si el lote contiene 3
misiles defectuosos que explotara Cules la probabilidad de que

a) los 4 exploten ?
b) a lo ms 2 fallen ?

RESOLUCION:

a) N=10
n=4
k=7
x=4
1666 . 0
210
35
4 10
0 3 4 7
= =
=
C
C C
h

39

b) N=10
n=4
k=3
x=2

3 . 0
210
63
210
21 3
4 10
2 7 2 3
= =
=
C
C C
h |

CONCLUSI N:

40


PROBABILIDAD

UNIDAD CUATRO

MODELOS ANALITICOS DE FENOMENOS ALEATORIOS
CONTINUOS

ELABORADO POR:


UNIDAD CUATRO: MODELOS ANALITICOS DE FENOMENOS
ALEATORIOS CONTINUOS.

41


El estudiante analizara y comprender los conceptos y caractersticas de una variable
aleatoria continua, funcin de densidad y acumulativa y ser capaz de calcular un valor
esperado as como la varianza y la desviacin estndar, adems podr desarrollar ciertos
tipos de distribuciones como uniforme, binomial y normal as como el teorema de
Chebyshev y aplicara sus propiedades a casos reales.

DI STRI BUCI ON NORMAL

Su grafica recibe el nombre de curva normal, es la curva en forma de campana, la cual,
describe en forma aproximada, algunos fenmenos de la naturaleza, la industria y la
investigacin.

Una variable aleatoria continua se llama variable aleatoria normal si tiene la
distribucin en forma de campana.

Las propiedades de la curva normal son las siguientes:

-La moda, que es el punto sobre el eje horizontal donde la curva tiene su mximo,
ocurre en X=M.

-La curva es simtrica alrededor de su eje vertical, donde se tiene la media (M).

-La curva tiene sus puntos de inflexin en x=M

-La curva normal se acerca al eje horizontal en forma asinttica en cualquier de los 2
direcciones alejndose de la media.

-El rea total bajo la curva y arriba del eje horizontal es igual a 1.

42

o
M x
z

=

EJEMPLOS:
Ejemplo uno:
Dada una distribucin normal con M=30 Y
= 6 Encontrar:
a) A la derecha de x=17
b) El rea de la curva normal a la izquierda de x=22
c) El rea de la curva normal entre x=32 y x=41
d) El valor de x que tiene el 80% del rea de la curva normal a la izquierda.
e) Los dos valores de x que contiene un intervalo central del 75% de la mitad del rea de
la curva normal.

RESOLUCION:
a) P(X>17)= 16 . 2
6
30 17
1
=
=
o
M X
Z
Entonces:
P (Z>-2.16)=1-P (Z<-2.16 (tablas))=1-0.0154=0.9846=98.46%
b) P(x<22)= P (X<-1.33)=0.0918
c) P (32<x<41)=
83 . 1
6
30 41
33 . 0
6
30 32
2
1
=
=
=
=
Z
Z

P (0.33<Z<1.83)= P (Z<1.83)-P (Z<0.33)=0.9664-0.6293=0.3371=33.7%

d) para 0.7995; Z=0.84

04 . 35 30 6 ) 84 . 0 (
) (
= + =
+ =
=
X
M Z X
M X
Z
o
o

e) z---1.15
43

9 . 36 30 ) 6 )( 15 . 1 (
1 . 23 30 ) 6 )( 15 . 1 (
2
1
= + =
= + =
X
X

Ejemplo dos:

Estadsticas publicadas por la Nacional Highway Traffic Safety muestran que una noche
de fin de semana, en promedio, 1 de cada 10 conductores esta ebrio. Si se verifican 400
conductores en forma aleatoria la siguiente noche del sbado Cul es la probabilidad
de que el nmero de conductores ebrios sea:

a) Menos de 32?
b) Mas de 49 ?
c) Al menos 35 pero menos de 47?
d) 35 exactamente ?

RESOLUCION:

a) Menos de 32
M=40
o =6
0793 . 0 ) ( 47 . 1
6
40 5 . 31
= =
= TABLAS Z

b) Mas de 49
0571 . 0 9429 . 0 1 9429 . 0 58 . 1
6
40 5 . 49
= = = =
= Z

c) al menos 35 pero ms de 47

M=40
o =6
P(35<Z<47)=P34.5-P46.5=
916 . 0
6
40 5 . 34
083 . 1
6
40 5 . 46
2
1
=
=
=
=
Z
M X
Z
o
1.083-
0.916=0.167=0.5636

d) 35 exactamente

P(X=35)=P (34.5<Y<35.5)=
75 . 0
6
40 5 . 35
91 . 0
6
40 5 . 34
2
1
=
=
=
=
Z
Z

P (Z<-0.75)-P (Z<-0.91)=0.2266-0.1844=0.0452

Ejemplo tres:
44

El coeficiente intelectual de los aspirantes aprobados para ingresar a la Escuela medico
Militar tiene una distribucin normal de M=100 y una desviacin estndar de 10.
Calcula cul es la proporcin de reclutas que tienen un coeficiente intelectual entre 100
y 107 en trminos de la calificacin estndar z.

RESOLUCION:

70 . 0
10
7
10
100 107
= =
= Z
Ahora como z es positivo y mayor que 0.5000 entonces obtenemos que:
0.5000-0.2580= 0.2420=24.20% de los alumnos tiene un coeficiente intelectual entre
100 y 107 o decir que los alumnos que se encuentran entre 100 y 107 es de 0.2420.

APROXI MACI ON DE LA DI STRI BUCI ON NORMAL A LA BI NOMIAL

Las probabilidades que se asocian con experimentos binomiales pueden obtenerse
fcilmente cuando n es pequea, de la frmula de la distribucin binomial o de las
tablas.

La distribucin normal frecuentemente es una buena aproximacin a la distribucin
discreta, cuando esta ltima toma la forma de campana simtrica.

Para aproximar propiedades binomiales cuando n es suficiente mente grande
utilizamos el siguiente teorema:

npq
np X M X
Z

=
=
o

Dnde:

M=np
npq = o

EJEMPLOS:

Ejemplo uno:

-Una moneda se lanza 400 veces, encuentre:
a) La probabilidad de obtener entre 185 y 210 caras.
b) Exactamente 205 caras.
c) Menos de 176 o ms de 227 caras.

RESOLUCION:

a) n=400
p=0.5
45

q=0.5
M=np=(400)(0.5)=200
10 ) 5 . 0 )( 5 . 0 ( 400 = = = npq o

05 . 1
10
200 5 . 210
55 . 1
10
200 5 . 184
2
1
=
=
=
=
Z
Z

P
7925 . 0
0606 . 0 8531 . 0 ) 55 . 1 ( ) 05 . 1 ( ) 05 . 1 55 . 1 ( ) 5 . 210 5 . 184 ( ) 210 185 (
=
= = < < = s s = s = s s Z P Z P Z P P x

b) P(X=205)=P (204.5 5 . 205 s sY )
55 . 0
10
200 5 . 205
45 . 0
10
200 5 . 204
2
1
=
=
=
=
Z
Z

0352 . 0 6736 . 0 7088 . 0 ) 45 . 0 ( ) 55 . 0 ( ) ( ) ( ) 55 . 0 45 . 0 (
1 2
= = < < = < < = s s Z P Z P Z Z P Z Z P Z P

c) P (176 ) 227 > > X
P ( 5 . 227 5 . 175 > > X )
75 . 2
10
200 5 . 227
45 . 2
10
200 5 . 175
2
1
=
=
=
=
Z
Z

( ) | | ( ) | | 0101 . 0 0071 . 0 9970 . 0 1 45 . 2 75 . 2 1 = + = < + < X P X P

Ejemplo dos:

-Una compaa farmacutica sabe que aproximadamente 5% de sus pldoras tiene un
ingrediente que est por debajo de la dosis mnima, lo que vuelve ineficaz a la pldora.
Cul es la probabilidad de que menos de 10 en una muestra de 200 sea ineficaz?

RESOLUCION:

p=0.05
q=0.95
n=200
M=np=200(0.05)=10
46

4364 . 0 ) 16 . 0 ( ) 5 . 9 ( ) 10 (
16 . 0
05 . 3
10 5 . 9
082 . 3 ) 95 . 0 ( 100
= < = < = <
=
=
= =
Z P Y P X P
Z
o

Ejemplo tres:

-Si 20% de los residentes en una ciudad prefiere un automvil blanco que cualquier otro
color disponible. Cul es la probabilidad de que entre los siguientes 1000 automviles
que produzca la industria automotriz :
a) Entre 170 y 185 sean blancos?
b) Al menos 210 sean blancos?

p=0.2
q=0.8
n=1000
M=np=200
65 . 12 ) 8 . 0 ( 200 = = o

a)

14 . 1
05 . 12
200 5 . 185
41 . 2
05 . 12
200 5 . 169
2
1
=
=
=
=
Z
Z

P (169.5
1191 . 0 0080 . 0 1271 . 0 ) 14 . 2 ( ) 14 . 1 ( ) 185 170 ( ) 5 . 185 = = < < = s s = s s PZ Z P X P Y

b) 75 . 0
65 . 12
200 5 . 209
=
= Z
P (Y 2266 . 0 7734 . 0 1 ) 75 . 0 ( 1 ) 5 . 209 = = < = > P

TEOREMA DE CHEBYSHEV

La desviacin estndar muestral S indica la dispersin de los datos respecto a la media
muestral, si los valores de los datos se acumulan cerca de la media, entonces S es
pequea; si se dispersan considerablemente respecto a la media, entonces S es grande,
pero Cmo podemos determinar cules valores de S son grandes y cuales son
pequeos?

Un teorema que lleva el nombre del matemtico Ruso Pafnuty Luovich Chebyshev
(1821-1894) nos da alguna informacin til sobre como la magnitud de la desviacin
estndar de cualquier conjunto de datos se relaciona con la concentracin de estos en
47

torno a la media, segn el teorema de Chevyshev la afirmacin siguiente es cierta para
cualquier conjunto de datos cuantitativos, tanto poblacionales como mustrales.

El teorema de chebyshev se describe como:

La expresin
2
1
1
k
representa la proporcin mnima de los datos que dista no ms de
k desviaciones estndar de la media S 1 > k
NOTA:
Note que el resultado del clculo
2
1
1
k
es una fraccin, al multiplicarla por 100 se
obtiene el porcentaje mnimo de los datos que no distan ms de k desviaciones estndar
de la media de acuerdo con el teorema de Chevyshev para cualquier conjunto de
medidas.

Ejemplos:

Ejemplo uno:

-Suponga que la asistencia promedio a un estadio de baseball de ligas mayores para
juegos locales es de 35500 personas, con una desviacin estndar de 4200. Use el
teorema de Ch evyshev para determinar el intervalo que contenga al menos el 80% de
las asistencias a los juegos locales.

RESULTADO:

4200
35500
=
=
S
X

44866 9366 35500
26134 9366 35500
) 4200 ( 23 . 2 35500
23 . 2
80 . 0
1
1
2
2
= +
=
= =
=
=
X
K X
K
K

Ejemplo dos:

Suponga que las calificaciones de un grupo de alumnos tiene una media de 25 y una
desviacin estndar de 3.2.Determinar un intervalo que contenga al menos 90% de las
medidas de la muestra.

RESOLUCION:

48

| | 11 . 35 11 . 15
12 . 10 25
) 2 . 3 ( 16 . 3 25
16 . 3
90 . 0
1
1
2 . 3
25
2
=
=
=
=
KS X
K
K
S
X

Ejemplo tres:

Suponga que la muestra tiene como media 540 y como desviacin estndar 10.5.
Determinar un intervalo que contenga al menos 92% de las medidas de la muestra.

RESOLUCION:

| | 065 . 577 88 . 502
065 . 37 540
) 5 . 10 ( 53 . 3 540
53 . 3
92 .
1
1
2
=
=
KS X
K
K

CONCLUSIN:

En la mayora de los procesos industriales intervienen diferentes variables que afectan a
la lnea de produccin, mediante el conocimiento y la aplicacin de los temas antes
mencionados podemos determinar que parte del proceso esta fallando haciendo una
distribucin de su comportamiento que nos permita dar una solucin o hacer una
mejora, buscando siempre la optimizacin y mejor calidad.

49

GOBIERNO DEL ESTADO DE TAMAULIPAS


PROBABILIDAD

UNIDAD CINCO

REGRESION Y CORRELACION SIMPLE


50


El estudiante ser capaz de establecer un modelo matemtico razonable que
describa las relaciones entre las variables bajo estudio y ser capaz de medir el
grado de dicha relacin, adems podr pronosticar la ocurrencia de un evento
en determinado periodo de tiempo.

UNIDAD CINCO: REGRESION Y CORRELACION SIMPLE

Una curva de regresin es una funcin que relaciona cada valor particular x de una
variable independiente x con el correspondiente valor esperado de la variable
dependiente y.

Para obtener una curva de regresin es necesario establecer la distribucin de
probabilidad conjunta, la cual es difcil de conocer generalmente.

Existen algunos mtodos para estimar la curva de regresin a partir de una muestra
representativa de la poblacin. Entre ellos se encuentra el mtodo grfico y el mtodo
de los mnimos cuadrados.

-mtodo grfico: se basa en un diagrama denominado de dispersin en el cual se
encuentra graficados los n elementos ocultos (
i i
Y X , ) con i=1, 2,3 n. obtenidos de una
muestra representativa.

Podemos encontrar 4 diagramas de dispersin:

De la figura a) y b) se puede considerar que la curva de regresiones una lnea recta. En
el inciso a) con pendiente positiva y en el inciso b) con pendiente negativa.

51

En el inciso c) puede suponerse una parbola como curva de regresin y en el inciso d)
se puede considerar una recta horizontal pues no se percibe ninguna relacin entre las
variables.

El mtodo para estimar la curva de regresin es subjetiva y cambia de una persona a
otra, pero puede usarse para determinar qu tipo de curva (recta, exponencial,
logartmica, etc) es la ms apropiada para estimar la curva de regresin.

EL METODO DE LOS MINIMOS CUADRADOS

Consiste en estimar la curva de regresin de Y dado X mediante una funcin ) ( x f y =
de tal manera que para una muestra de tamao n, se minimice la funcin.

El mtodo de mnimos cuadrados se puede usar para aproximar funciones algebraicas a
la curva de regresin, solo se tratara el ajuste de una lnea recta de la forma
bx a x y + = ) (
que es la ms utilizada. Se puede demostrar que los coeficientes a y b
obtenidos con el mtodo de mnimos cuadrados, son buenos estimadores de a y b.

Para encontrar los coeficientes a y b se evala en X=s.f. y se sustituye en la ecuacin de
regresin.

Y se obtiene que:

a=

2 2
2
) ( x x n
xy x x y

b=
2 2
) (

x x n
y x xy n

El mtodo de mnimos cuadrados se basa en la distancia vertical entre los puntos de la
muestra, y las ordenadas correspondientes de la recta y no toma en cuenta las distancias
horizontales.

EJEMPLOS:

Ejemplo uno:

El nmero de ingenieros egresados de las escuelas de educacin superior y el nmero de
ingenieros recibidos del 2001 al 2007 fueron como se muestra a continuacin:

AO 2001 2002 2003 2004 2005 2006 2007
EGRES.(miles) 8.81 9.24 9.77 10.25 10.74 11.3 11.78
TITULADOS(miles) 3.78 3.99 4.2 4.41 4.62 4.57 5.01

52

MEDIANTE EL METODO DE MINIMOS CUADRADOS:

A) Cul es la estimacin de la recta de regresin del nmero de ingenieros titulados
dado el nmero de egresados?

B) Si en un ao egresan 20,000 estudiantes Cuntos de ellos pueden esperarse que
obtengan el titulo?

RESOLUCION:

A) x= N egresado
y= N titulados

x y s.f.
2
x
8.81 3.78 33.3 77.6161
9.24 3.99 37.0671 86.3041
9.77 4.2 41.034 95.4529
10.25 4.41 45.2025 105.0625
10.74 4.62 49.6188 115.3476
11.3 4.87 55.031 127.69
11.78 5.01 59.0178 138.7684
71.94 30.88 320.273 749.2416

a=

2 2
2
) ( x x n
xy x x y
=
( )( ) ( )( )
0724 . 0
) 94 . 71 ( ) 2416 . 746 ( 7
273 . 320 94 . 71 2416 . 746 88 . 30
2
=

b=
2 2
) (

x x n
y x xy n
422197 . 0
) 94 . 71 ( ) 2416 . 746 ( 7
) 88 . 30 )( 94 . 71 ( ) 273 . 320 ( 7
2
=
=

B) bx a y + =
ecuacin de pronstico
personas x y 8444 0124 . 8444 ) 20000 ( 422197 . 0 0724 . 0 422197 . 0 0724 . 0 = = + = + =

53

Ejemplo dos:
MESES AO 1 AO 2 AO 3
E 15 52 ?
F 18 54
M 20 55
A 25 60
M 27 61
J 30 65 ?
J 32 67
A 40 68
S 45 70
O 48 75
N 50 78
D 51 83 ?

a=

2 2
2
) ( x x n
xy x x y
= 5688 . 14
) 300 ( ) 4900 )( 24 (
) 18080 )( 300 ( ) 4900 )( 1189 (
2
=
=
=
18080
4900
2
xy
x

b=
2 2
) (

x x n
y x xy n
= 7978 . 2
) 300 ( ) 4900 ( 24
) 1189 )( 300 ( ) 18080 ( 24
2
=

AHORA:

bx a y + =
=14.5688+2.7978x

PARA ENERO DEL AO 3

bx a y + =
=14.5688+2.7978 (25)=84.51

PARA JUNIO DEL AO 3

54

bx a y + =
=14.5688+2.7978 (30)=98.5025

PARA DICIEMBRE DEL AO 3

bx a y + =
=14.5688+2.797(36)=115.2896

Ejemplo tres:

Con los datos siguientes encuentre la ecuacin de prediccin para el ao 2000 y
pronostique Diciembre y Septiembre.

MES 1998 1999 2000
E 104 37
F 100 27
M 97 26
A 95 25
M 98 10
J 85 13
J 72 9
A 70 7
S 65 6 ?
O 60 5
N 51 5
D 41 1 ?

a=

2 2
2
) ( x x n
xy x x y
= 7572 . 109
) 300 ( ) 4900 )( 24 (
) 8016 )( 300 ( ) 4900 )( 1109 (
2
=

b=
2 2
) (

x x n
y x xy n
= 0839 . 5
) 300 ( ) 4900 )( 24 (
) 1109 )( 300 ( ) 8016 ( 24
2
=

PARA SEPTIEMBRE DEL2000

bx a y + =
=109.7572+ (-5.0839) (33)=-58.0115

PARA DICIEMBRE DEL 2000
55

bx a y + =
=109.7572+ (-5.0839) (36)=-73.2632

DISTRIBUCION t DE STUDENT

Ejemplos:

-Ejemplo uno:

Un ingeniero qumico afirma que el rendimiento medio de la poblacin de cierto
proceso en lotes de 500 gramos por milmetro de materia prima. Para verificar esta
afirmar toma una muestra de 25 lotes cada mes. Si el valor de t calculado cae entre
t0.05 y t0.05, queda satisfecho con su afirmacin. Qu conclusin estriara de una
muestra que tiene una media de 518 gramos por milmetro y una desviacin estndar de
40 gramos? Suponga que la distribucin de rendimiento es aproximadamente normal.

Solucin:

Tabla= t 0.05 para 24 grados de libertad es de 1.711 si una muestra de 25 lotes rinde un
valor t entre -1.711 y 1.711 se calcula:

25 . 2
25
40
500 518
=
=
n
s
x
t

Es un valor arriba de 1.711 si se desea obtener la probabilidad de obtener un valor de t
con 24 grados de libertad igual o mayor a 2.25 se busca en la tabla y es aproximado de
0.02. De esto se concluye el fabricante de que el proceso produce un mejor producto del
que se piensa.

CONCLUSIN:

Mediante el mtodo de mnimos cuadrados podemos hacer que una curva de dispersin
tenga una tendencia lineal que nos sea ms favorable para un resultado esperado,
tambin nos es de mucha utilidad para pronosticar las fachas en un sistema de
produccin o las ventas de determinado producto en un periodo de tiempo establecido,
en fin estos mtodos son de mucha importancia y de mucha aplicacin para la industria.

56

INGENIERIA EN PROCESOS Y OPERACIONES INDUSTRIALES

MATERIA PROBABILIDAD CLAVE________
TIPO DE EXAMEN ORDINARIO FECHA________

NOMBRE DEL ESTUDIANTE____________________________________________
Recomendaciones: leer e interpretar de manera efectiva el contenido del examen antes
de contestar cada seccin, inicia al resolver los ejercicios de menor a mayor grado de
anlisis.

UNIDAD I ESTADISTICA DESCRIPTIVA

1.- Los totales anuales en miles de millones de dlares para las exportaciones agrcolas
de Estados unidos de Amrica de 1996 a 2006 son de 21.9, 21.9, 23.0, 23.6, 29.4, 34.7,
41.2, 43.3, 39.1, y 33.7, Determinar la media, moda, mediana y rango medio.

R= Media: = X 31.18
Mediana: 31.55
Moda: 21.9
Rango medio: 32.6

2.- Los datos siguientes son las docenas/mes de calcetines fabricados en Cannon, mills:
104,102,85,60,93,103,94,97,81,75,79,104,97,95,65,75,89,104,103,100,90,104,71,69,88.

-Encontrar las medidas de tendencia central.
R=
= X 89.08
Me=93
Moda=104
Rango medio= 82

3.- La poblacin de un pueblo cercano a la ciudad de Uruapan en los ltimos 5 aos a
sido de 3 200 000 habitantes a 3 570 000 habitantes.
Calcular la tasa de crecimiento total en los 5 aos y el promedio anual.
R=
En 5 aos=0.1156x100= 11.56%
Anual= 0.0192x100= 1.92%

4.- Se toman los datos de dos obreros donde se arma una pieza, el primero lo logra en
tres das seguido del segundo que logra el objetivo en cuatro das. Calcular el
rendimiento de un trabajador representativo de los rendimientos de los dos obreros.
R=
Rendimiento representativo=
7
3
3

57

5.- En la tabla siguiente se representan las longitudes en centmetros de ochenta piezas
de madera que fueron seleccionadas en una bodega. Presentar datos en forma resumida
y ordenada .Obtener sus frecuencias, sus medidas de tendencia central y sus medidas de
dispersin as como su curtosis y sus coeficientes de asimetra.

50.1 50.6 51.1 50.8 52.2 51.9 51.2 52
50.6 49.1 51.8 51 50.8 51.8 51.1 49.7
50.7 51.4 51.9 50.4 51.7 51 49.5 52
51.1 51.8 50.3 51.5 51.7 50.3 49.9 49.7
52 51.3 51.1 50.8 49.4 50.3 51.1 51.2
50.8 51.5 51.1 51.2 50.3 51.3 51.7 51.8
51.4 51 51.7 50.1 52.1 51 52.8 51.1
49.9 50.9 50.2 51.5 51 50.2 49.6 51.3
51.8 50.3 50.5 51.7 51.7 50.4 49.6 51.2
51.3 51.2 51.6 51.5 51.9 51.6 53.1 51.8

R=
Clases lmites de clase tr fr Cuenta
I 49-<50 49.5 9 IIII/ IIII
II 50-<51 50.5 20 IIII/ IIII/ IIII/ IIII/
III 51-<52 51.5 44 IIII/ IIII/ IIII/ IIII/ IIII/ IIII/ IIII
IV 52-<53 52.5 6 IIII/ I
V 53-<54 53.5 2 I
80

FREC. REL FREC. REL. ACUMULADA
I
fr Fr
0.112 0.112
0.25 0.362
0.055 0.912
0.075 0.987
0.0125 1

= X 51.125
Me= 51.25
Mo= 51.23
Rango= 4
Varianza= 1.1843
Desviacin estndar= 1.088
Coeficiente de asimetra= =
3
a -0.29
=
2
m 0.6731
=
3
m -0.1621
=
4
m 1.4201
Curtosis= 0.134

58

6.- Del ejercicio anterior realizar una grfica de Ojiva

Fr Lmite de clase
49 0
50 0.112
51 0.25
52 0.55
53 0.75
54 1

7.- La tabla siguiente muestra los costos por litro de gasolina de alto octanaje en las
ciudades del mundo.

CIUDADES COSTO X LITRO
msterdam 57
Bruselas 53
Buenos aires 38
Hong kong 57
Johannesburgo 48
Londres 56
Madrid 59
Manila 46
Mxico 25
Montereal 47
Nairobi 57
New Cork 40
Oslo 65
Paris 58
OJIVA
0
0.2
0.4
0.6
0.8
1
1.2
49 50 51 52 53 54
LIMITES DE CLASE
F
R
E
C
U
E
N
C
I
A

R
E
L
A
T
I
V
A

A
C
U
M
U
L
A
D
A
Serie1
59

Ri de Janeiro 42
Roma 76
Singapur 59
Sydney 43
Tokio 79

Obtener las medidas de dispersin:
R=
6241
1849
3481
5776
1764
3364
4225
1600
3249
2209
625
2116
2481
3136
2304
3249
1444
2809
3249
2
_

SS=3011
=
2
S 167.2
S=12.9
Rango= 54
X =53.15
DM=-.2552

8.- Los datos a continuacin hacen referencia al nmero de cigarros fumados durante un
fin de semana por un grupo de quince fumadores:

X 10 15 17 20 22
F 1 3 5 2 4

-Obtener las medidas de dispersin as como sus frecuencias.

60

R=
X f fx
2
_
2
fx
10 1 10 100 100
15 3 45 225 675
17 5 85 289 1445
20 2 40 400 800
22 4 88 484 1936

X =17.8
SS=167.74
=
2
S 11.98
S=3.46

61

INGENIERIA EN PROCESOS Y OPERACIONES INDUSTRIALES


Recomendaciones: leer e interpretar de manera efectiva el contenido del examen
antes de contestar cada seccin, inicia al resolver los ejercicios de menor a mayor
grado de anlisis.

UNIDAD II FUNDAMENTOS DE PROBABILIDAD

1.- En una empresa de circuitos para computadora se toman encuentra la produccin de
tres grupos de trabajadores el primero A produce el 68% de la produccin total de la
maquiladora mientras que el grupo B produce el 32% del total. Obteniendo que el grupo
A el 2% de su produccin es defectuosa en tanto el del grupo B el 5%.
Calcular la probabilidad de que al revisar al azar un circuito sea defectuoso y la
probabilidad de que al revisar aleatoriamente un circuito defectuoso este provenga del
grupo B?
R=Probabilidad (defectuoso)=2.96%, -Provenga de grupo B= 54.05%

2.- Suponga que un experimento consiste en examinar 3 fusibles, cada fusible puede ser
defectuoso D o no defectuoso N.
a) Listar el espacio muestral para este experimento:
b) Anotar los datos que conforman a cada uno de los experimentos siguientes:
:
1
E El primer fusible esta defectuoso.
:
2
E El primer fusible y el ltimo estn defectuosos.
:
3
E Todos los fusibles son buenos.
:
4
E Al menos un fusible esta defectuoso
:
3
E A lo ms un fusible esta defectuoso
R= a) =(NNN,NDN,NND,NDD,DND,DNN,DDN,DDD)
b) =
1
E (DND, DNN, DDN, DDD)
=
2
E (DND, DDD)
=
3
E (NNN)
=
4
E (NDN, NND, NDD, DND, DNN, DDN, DDD)
5
E = (NDN, NND, DNN, NNN)

3.- Alejandro va a una estacin de servicio automotriz rpido a comprar de lquido
para transmisin y un de aceite para su coche, si hay disponibles 3 marcas de lquido
para transmisin (x, y, z) y 6 marcas de aceite (A, B, C, D, E, F) Alejandro puede hacer
18 compras, suponga adems que las 3 marcas del lquido de transmisin y las 6 de
aceite coinciden cada una en el precio. Como Alejandro no sabe mucho sobre el aceite
que usa su coche decide hacer sus compras adivinando sea E el evento de que Alejandro
compre la marca X o la Z del lquido de transmisin y F el evento de que compre la
marca de aceite A o B. Calcular lo siguiente:
a) El espacio muestral del experimento:
62

b) Evento E
c) Evento F E
d) Evento F E
R= a) {(X,A), (X,B), (X,C), (X,D), (X,E), (X,F), (Y,A), (Y,B), (Y,C), (Y,D), (Y,E),
(Y,F), (Z,A), (Z,B), (Z,C), (Z,D), (Z,E), (Z,F)}

b) Y,A), (Y, B), (Y, C), (Y, D), (Y, E), (Y, F)}

c) {(X,A), (X,B), (X,C), (X,D), (X,E), (X,F), (Y,A), (Y,B), (Z,A), (Z,B), (Z,C), (Z,D),
(Z,E), (Z,F)}

d) {(X, A), (X, B), (Z, A), (Z, B)}

4.- a) Hallar el nmero de permutaciones diferentes que se pueden formar con todas las
letras de la palabra CAMARA.
b) Cuntas de ellas principian y terminan con A?
c) Cuntas tienen tres A juntas?
d) Cuantas empiezan con A y terminan con M?
R= a) 120, b) 24, c) 24 (se toma a la A como un solo objeto), d) 12

5.- Se lanza una moneda 9 veces Cul es la probabilidad de obtener:
a) 4 guilas y 5 soles
b) A lo mucho 3 guilas
R=a) P (4a y 5s)= 0.24, b) P (a lo mucho 3a)= 0.25

6.- Nueve personas salen de viaje para esquiar en tres vehculos cuyas capacidades son
de 2,4 y 5 pasajeros respectivamente. En cuntas formas es posible transportar a las
nueve personas con todos los vehculos? R= 4410

7.- Una seora tiene 11 amigos de confianza:
a) De cuantas maneras puede invitar a cinco de ellos a comer?
b) De cuantas maneras si dos de ellos son casados y no asisten el uno sin el otro?
c) De cuantas maneras si dos de ellos no la llevan bien y no asisten juntos?
R= a) 462, b) 210, C) 378

8.- Un estudiante tiene que resolver diez preguntas de 13 en un examen.
a) Cuntas maneras de escoger tiene?
b) Cuntas maneras si las dos primeras son obligatorias?
c) Cuntas si una de las dos primeras es obligatoria?
d) Cuntas si tiene que contestar exactamente tres de las cinco primeras?
e) Cuntas si tiene que contestar por lo menos tres de las cinco primeras?
R= a) 286, b) 165, c) 110, d) 80, e) 276

9.- Se escogen al azar tres lmparas entre 15 de las cuales, 5 son defectuosas. Hallar la
probabilidad (p) de que:
a) Ninguna sea defectuosa.
b) Una exactamente sea defectuosa.
c) Una por lo menos sea defectuosa.
R= a) P (ninguna sea defectuosa)= 26%
b) P (una exactamente sea defectuosa)= 49%
63

c) P (una por lo menos sea defectuosa)= 0.73
10.- En cierta ciudad 40% de la poblacin tiene cabellos castaos 25% tienen ojos
castaos y 15% tiene cabellos y ojos castaos. Se escoge una persona al azar
a) Si tiene cabellos castaos Cul es la probabilidad de que tambin tenga ojos
castaos.
b) Si tiene ojos castaos Cul es la probabilidad de que no tenga cabellos castaos?
c) Cul es la probabilidad de que no tenga ni ojos no cabellos castaos?
R=a) P (OC. /CC.)=
8
3
% 40
% 15
) (
) (
= =
CC P
CC OC P

b) P (
5
2
25
10
) (
) (
) / = =
=
OC P
OC CC P
OC CC

c) P (
2
1
% 50 = = OC CC

64

INGENIERIAEN PROCESOS Y OPERACIONES INDUSTRIALES


anlisis.

UNIDAD TRES MODELOS ANALITICOS DE FENOMENOS ALEATORIOS
DISCRETOS.

1.- Un ingeniero pide prestado el diseo de un proceso el cual cuenta con 5 claves para
el arranque, intenta con cada una de las 5 claves hasta que consigue activarlo. Sea la
variable x el nmero de intentos necesarios para arrancar el proceso. Encuentre la
distribucin de probabilidad.

R=
x p(x)
1 1/5
2 1/4
3 1/3
4 1/2
5 1

2.- Si 20% de las piezas de televisin que fabrica una maquinaria recientemente
reparada son defectuosas, calcula la probabilidad de que en cinco piezas elegidas al azar
se obtengan:

a) Una pieza defectuosa.
b) Ninguna defectuosa.
c) A lo ms dos piezas defectuosas.

R=
a) 0.4096
b) 0.3276
c) 2 piezas= 0.2048
P(a lo ms 2 piezas defectuosas)= P (0 piezas defectuosas)
=0.3276+0.4096+0.2048= 0.942

3.- Tres personas lanzan una moneda y la que salga dispareja tendr que elaborar el
inventario de un almacn. Si todas las monedas caen iguales, se lanzan nuevamente.
Encuentre la probabilidad de que se necesiten menos de 4 lanzamientos.

R=0.9843

65

4.- El nmero de partculas radioactivas que pasan a travs de un contador durante un
milisegundo es de 4 Cul es la probabilidad de que entren:

a) 6 partculas en 1 milisegundo.
b) Entre 3 y 5 partculas en 1 milisegundo.
c) Menos de 5 partculas en 1 milisegundo.

R= a) 0.1042
b) 0.547
c) 0.6288

5.- Si la probabilidad de que en una persona sufra una reaccin daina al ingerir un
determinado antibitico es de 0.001. Calcular la probabilidad de que un total de 3000
pacientes sufran el malestar:

a) De exactamente 3 personas.
b) Mas de 2 presenten reaccin daina.

R= a) 0.2240
b) 0.751

6.- Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de
narctico en una botella que contiene 9 pldoras de vitaminas que son similares en
apariencia.

Si el oficial de la aduana selecciona 3 tabletas aleatoriamente Cul es la probabilidad
de que el viajero no sea arrestado?
R=0.1846

7.- Una compaa est interesada en evaluar sus actuales procedimientos de inspeccin
en el embarque de 50 artculos idnticos. El procedimiento es tomar una muestra de 5
piezas y autorizar el embarque si se encuentra que no ms de dos estn defectuosas
Qu proporcin del 20% de embarques defectuosos sern autorizados?

R= 0.95

8.- En un laboratorio experimental se realiz una prueba a tres visitantes, se les pide que
hagan corresponder cada una de las tres sustancias con la formula qumica que
identifica a cada sustancia. Si un visitante asigna aleatoriamente las tres frmulas a las
tres sustancias, encuentre la distribucin de probabilidad para Y, el nmero de
correspondencias correctas

R= RESOLUCION:

Y P(Y)
0 2/6
1 3/6
3 1/6

66

X Y Z
1 x y z 3
/ x z y 1
/ z y x 1
/ y x z 1
0 z x y 0
0 y z x 0

P(y) Y
3/6 0
2/6 1
1/6 3

67

INSTITUTO TECNOLOGICO SUPERIOR DE URUAPAN


anlisis.

UNIDAD CUATRO: MODELOS ANALITICOS DE FENOMENOS ALEATORIOS
CONTINUOS.

1.- Dada una distribucin normal con M=30 Y
= 6 Encontrar:
a) A la derecha de x=17
b) El rea de la curva normal a la izquierda de x=22
c) El rea de la curva normal entre x=32 y x=41
d) El valor de x que tiene el 80% del rea de la curva normal a la izquierda.
e) Los dos valores de x que contiene un intervalo central del 75% de la mitad del rea de
la curva normal.
R: a) 0.9846=98.46%
b) 0.0918
c) Z1=0.33
Z2= 1.83
0.3371=33.7%
d) 35.04
e) X1=23.1
X2= 36.9

2.- Estadsticas publicadas por la Nacional Highway Traffic Safety muestran que una
noche de fin de semana, en promedio, 1 de cada 10 conductores esta ebrio. Si se
verifican 400 conductores en forma aleatoria la siguiente noche del sbado Cul es la
probabilidad de que el nmero de conductores ebrios sea:

a) Menos de 32?
b) Mas de 49?
c) Al menos 35 pero menos de 47?
d) 35 exactamente?

R=a) -1.47 (tablas)=0.0793
68

b) 0.0571
c) Z1=1.083 Z2=-0.916=0.167=0.5636
d) Z1=-0.91 Z2=-0.75=0.2266-0.1844=0.0452

3.- El coeficiente intelectual de los aspirantes aprobados para ingresar a la Escuela
mdico Militar tiene una distribucin normal de M=100 y una desviacin estndar de
10. Calcula cul es la proporcin de reclutas que tienen un coeficiente intelectual entre
100 y 107 en trminos de la calificacin estndar z. Interpretar el resultado.

R= 0.70

Ahora como z es positivo y mayor que 0.5000 entonces obtenemos que:
0.5000-0.2580= 0.2420=24.20% de los alumnos tiene un coeficiente intelectual entre
100 y 107 o decir que los alumnos que se encuentran entre 100 y 107 es de 0.2420.

4.- Una compaa farmacutica sabe que aproximadamente 5% de sus pldoras tiene un
ingrediente que est por debajo de la dosis mnima, lo que vuelve ineficaz a la pldora.
Cul es la probabilidad de que menos de 10 en una muestra de 200 sea ineficaz?

R= 0.4364

5.- Si 20% de los residentes en una ciudad prefiere un automvil blanco que cualquier
otro color disponible. Cul es la probabilidad de que entre los siguientes 1000
automviles que produzca la industria automotriz:

a) Entre 170 y 185 sean blancos?
b) Al menos 210 sean blancos?

R= a) 0.1191
b) 0.2266

6.- Suponga que la asistencia promedio a un estadio de baseball de ligas mayores para
juegos locales es de 35500 personas, con una desviacin estndar de 4200. Use el
teorema de Ch evyshev para determinar el intervalo que contenga al menos el 80% de
las asistencias a los juegos locales.

R= X1= 26134
X2= 44866

7.- Suponga que las calificaciones de un grupo de alumnos tiene una media de 25 y una
desviacin estndar de 3.2.Determinar un intervalo que contenga al menos 90% de las
medidas de la muestra.

R= 15.11-35.11

8.- Suponga que la muestra tiene como media 540 y como desviacin estndar 10.5.
Determinar un intervalo que contenga al menos 92% de las medidas de la muestra.

R= | | 065 . 577 88 . 502
69

INGENIERIA EN PROCESOS Y OPERACIONES INDUSTRIAL


Recomendaciones: leer e interpretar de manera efectiva el contenido del examen
antes de contestar cada seccin, inicia al resolver los ejercicios de menor a mayor
grado de anlisis.

UNIDAD CINCO: REGRESION Y CORRELACION SIMPLE

1.- El nmero de ingenieros egresados de las escuelas de educacin superior y el
nmero de ingenieros recibidos del 2001 al 2007 fueron como se muestra a
continuacin:

AO 2001 2002 2003 2004 2005 2006 2007
EGRES.(miles) 8.81 9.24 9.77 10.25 10.74 11.3 11.78
TITULADOS(miles) 3.78 3.99 4.2 4.41 4.62 4.57 5.01

Mediante el mtodo de mnimos cuadrados obtener:

A) Cul es la estimacin de la recta de regresin del nmero de ingenieros titulados
dado el nmero de egresados?

B) Si en un ao egresan 20,000 estudiantes Cuntos de ellos pueden esperarse que
obtengan el titulo?

R=

70

UNIVERSIDAD TECNOLOGICA DE TAMULIPAS NORTE

Practica N

Nombre de la prctica: Medidas de tendencia central y de Dispersin.

Introduccin:

Cmo se pueden realizar las medidas de tendencia central y las medidas de
dispersin a partir de datos numricos?
Se empieza por conocer si se debe de realizar de la forma agrupada o no
agrupada esto para facilitar ms la forma de poder sacar tanto las medidas de
tendencia central as como las medidas de dispersin.

OBJETIVOS:
El estudiante establecer un modelo matemtico ya sea del modo agrupado o
no agrupado esto para un desempeo positivo en la resolucin del problema.

Hiptesis_______________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________

Actividades:

Dar respuesta al siguiente problema obteniendo sus medidas de tendencia
central as como las de dispersin de una forma agrupada y no agrupada.

-El siguiente conjunto de datos corresponde a las faltas de 40 alumnos del
tercer grado de secundaria durante todo el ciclo escolar pasado.

1,8,7,15,20,2,7,9,12,18,2,3,21,17,15,14,13,12,12,18,19,16,16,16,17,0,8,9,11,12
,11,12,21,22,6,6,10,3,14,0

DATOS NO AGRUPADOS:

0 12
0 12
1 12
2 13
2 14
3 14
3 15
6 15
6 16
7 16
7 16
71

8 17
8 17
9 18
9 18
10 19
11 20
11 21
12 21
12 22

-rango= dato mayor-dato menor= 22-0=22

- Numero de clase= 32 . 6 40 = = os totaldedat se ajusta a la clase 6
NOTA mnimo debe de haber 5 clases.

-Amplitud de clase= 66 . 3
6
22
= =
ases Numerodecl
Rango
se ajusta a 4 la amplitud de
clase.

-Moda=12 es el dato que ms se repite.

-Media= 37 . 11
40
455 det
= =
n
odos suma

-Mediana: = +1
2
n
16

-Varianza:
( ) | | 75 . 37 27 . 129 ) 6681 ( 025 . 0 37 . 11 0 .. .......... 8 1
40
1
) (
1
2
1
2 2 2 2
1
= = + =
=
n
i
x x
n

-Desviacin estndar= 14 . 6 75 . 37 =

-Coeficiente de variacin= 54 . 0
tan
=
media
dar es desviacion

72

MEDIDAS DE ASIMETRIA=

-Coeficiente de asimetra:
3
2
3
3
m
m
a =
( ) | |
( ) | |
( ) ( ) | | 03 . 2153 ) 44 . 86121 ( 025 . 0 ......... ) 37 . 11 8 ( 37 . 11 1
40
1
) (
1
32 . 23 ) 93 . 932 ( 025 . 0 .........) ) 37 . 11 8 ( 37 . 11 1 (
40
1
) (
1
31 . 31 ) 53 . 1252 ( 025 . 0 ..... ) 37 . 11 8 ( ) 37 . 11 1 (
40
1
) (
1
4 4
3 3
1
2 2
= = + = =
= = + = =
= = + + = =
=
=
k
i
n
n
k
i
n
i
k
i
x x
n
mk
x x
n
mk
x x
n
mk

Coeficiente de asimetra:

ositiva asimetriap
m
m
a 133 . 0
19 . 175
32 . 23
) 31 . 31 (
32 . 23 3
2
3
3
2
3
= = = =

-Curtosis=

803 . 0 3
31 . 980
03 . 2153
3
) 31 . 31 (
03 . 2153
3
2 2
2
4
4
= = = =
m
m
a

Es menor que cero entonces es lepticurtica

DATOS AGRUPADOS:

-Rango= 22-0=22

-Amplitud de la clase= 4 6 . 3
6
22
= =

clase
limites
clase conteo
frecuenci
a tr
FREC.
Relativa
fr.
1

frec.rela.acumula
da
1 0-4 7 2 0.175 0.175
6 32 . 6 40 = = = = n c
73

2 4 6 0.1 0.275
3 7 10 0.175 0.45
4 10 14 0.25 0.7
5 8 18 0.2 0.9
6 4 22 0.1 1
total= 40 1

-Media= 12 ) 4 22 8 18 10 14 7 10 4 6 7 2 (
40
1
= + + + + + x x x x x x

Mediana=
8 . 12 ) 45 . 0 5 . 0 (
25 . 0
4
12 ) 5 . 0 (
4
4
12 ) 1 5 . 0 (
1
3
1
1
1
= + = + = + = f
f
k F
k f
h
li me

-Moda= 53 . 12
8 7
8
12
5 3
5
4
1 1
1
=
+
+ =
+
+ =
+ +
+
+ +
f f
f
fj fj
fj
h Li

Varianza=
| | 40 ) 12 ( ) 22 ( 1 . 0 ) 18 ( 2 . 0 ) 14 ( 25 . 0 ) 10 ( 175 . 0 ) 6 ( 1 . 0 ) 2 ( 175 . 0
1
2 2 2 2 2 2
2
2 1
= + + + + + =
m
i
x tr fr

-Desviacin estndar= 32 . 6 40 =

-Coeficiente de asimetra: 526 . 0
12
32 . 6
=

MEDIDAS DE ASIMETRIA:

3
2
3
3
m
m
a =
k
m
i
x tr r f mk ) (
1
=
=

74

6 . 3145 4
8 . 52
) 12 22 ( 1 . 0 ) 12 18 ( 2 . 0 ) 12 14 ( 25 . 0 ) 12 10 ( 175 . 0 ) 12 6 ( 1 . 0 ) 12 2 ( 175 . 0 3
40 . .......... ) 12 6 ( 1 . 0 ) 12 2 ( 175 . 0 2
3 3 3 3 3 3
2 2
=
=
= + + + + + =
= + =
m
m
m

Coeficiente de asimetra=

2087 . 0
98 . 252
8 . 52
) 40 (
8 . 52 3
2
3
3
2
3
=
= =
m
m
a

Curtosis=

034 . 1 3
1600
6 . 3145
3
) 40 (
6 . 3145
3
2 2
2
4
4
= = = =
m
m
a

La curtosis es lepticurtica.

75

PROBLEMA:

Para investigar la distribucin de los dimetros de ejes de acero producidos en un
proceso de laminacin, se midieron los dimetros de 90 vigas, como se muestran a
continuacin.

2.51 2.511
2.527 2.515
2.529 2.528
2.52 2.53
2.535 2.522
2.533 2.521
2.525 2.527
2.531 2.519
2.518 2.527
2.517 2.519
2.536 2.521
2.523 2.543
2.514 2.532
2.523 2.502
2.51 2.522
2.515 2.522
2.545 2.519
2.527 2.529
2.522 2.532
2.506 2.536
2.523 2.538
2.512 2.526
2.526 2.53
2.542 2.535
2.52 2.542
2.524 2.529
2.511 2.528
2.522 2.543
2.541 2.529
2.523 2.518
2.534 2.523
2.525 2.522
2.524 2.54
2.519 2.54
2.522 2.522
2.519 2.519
2.51 2.525
2.512 2.524
2.519 2.534
2.526 2.52
2.532 2.514
2.53 2.528
2.526 2.528
2.52 2.513
2.531 2.521

76

EN FORMA DE DATOS AGRUPADOS SE OBTI ENE:

-Rango: 2.545-2.502=0.043

-Amplitud de clase: A= 005 . 0 0047 . 0
9
043 . 0
= = =
C
R

0.005+2.502= 2.507

CLASE LIMITES CONTEO fr ir fr. FR
1
2.502-
2.507 i.e. 2 2.504 0.0222 0.0222
2
2.507-
2.512 lllll 5 2.509 0.0555 0.0777
3
2.512-
2.517 lllllll 7 2.514 0.0777 0.1554
4
2.517-
2.522 lllllllllllllllll 17 2.519 0.1888 0.3442
5
2.522-
2.527 lllllllllllllllllllllll 23 2.524 0.2555 0.5997
6
2.527-
2.532 lllllllllllllllll 17 2.529 0.1888 0.7885
7
2.532-
2.537 llllllllll 10 2.534 0.111 0.8995
8
2.537-
2.542 llll 4 2.539 0.0444 0.9439
9
2.542-
2.547 lllll 5 2.544 0.0555 1
90 90

-Media Aritmetica:

=
= =
m
r
trfr
n
1
524 . 2 ) 253 . 227 ( 011 . 0
1

-Mediana= ) 5 . 0 (
1
+
k i
F
fk
h
= 003 . 3 ) 3442 . 0 5 . 0 (
2555 . 0
005 . 0
3 = +
k=5

9 4 . 9 90 = = = = n C
77

-Moda= 022 . 3
34
17
522 . 2
6 4
6
1 1
1
5
= + =
+
+ =
+ +
+
+
f f
f
fj f
f
h
j
j
j

-Varianza=
2
SX

+ + + + + + + + =
m
i
x tr fr
1
2
2
355 . 0 2836 . 0 706 . 0 215 . 1 592 . 1 205 . 1 4866 . 0 845 . 6 1379 . 0

=12.826-6.3705=6.456

-Desviacin estndar= SX= 54 . 2 456 . 6 =

-Coeficiente de variacin= 006 . 1
524 . 2
54 . 2
= =
X
SX

-Coeficiente de Asimetra:

3
2
3
3
m
m
a =

=
=
m
i
k
K
x tr r f M
1
) (

39 0000000194 . 0
00000061 . 0
0000813 . 0
4
3
2
=
=
=
m
m
m

( )
ositiva asimetriap a 356 . 0
0000813 . 0
000000261 . 0
2
3
3
= =

-Curtosis=

0606 . 0
0000000066 . 0
0000000194 . 0
3
2
2
4
4
= = =
m
m
a

78

AHORA CON DATOS NO AGRUPADOS:
-Media: 27 . 2
90
431 . 204
= = =

n
Xi
X

-Moda= 2.522

-Mediana= 524 . 2 1
2
1 )
2
(
2
= + + + =
n
n
X
n
X X

-Amplitud o Rango= (DATOS MAYOR-DATOS MENOR)

= 2.545-2.502=0.043

-Varianza= 16 . 1 15 . 5 ) 6604 . 573 ( 011 . 0 ) (
1
90
1
2
= =
=
=
n
i
X Xi
n

-Desviacin estndar= 07 . 1 16 . 1 =

-Coeficiente de variabilidad= % 13 . 47 4713 . 0 100 = = x
X
o

-Coeficiente de asimetra=
3
2
3
3
m
m
a =

=
=
m
i
k
k
x Xi
n
M
1
) (
1

=
2
m 1.16

=
3
m 4.41

=
4
m 13.26

53 . 3
) 16 . 1 (
41 . 4
2
3
3
= = a

79

-Curtosis=

85 . 6
345 . 1
26 . 13
2
2
4
4
= = =
m
m
a

80

FORMULARIO:

DATOS AGRUPADOS:

-RANGO= DATO MAXIMO-DATO MINIMO

-Amplitud de clase: A=
C
R

Media Aritmetica:
=
m
r
trfr
n
1
1

-Mediana= ) 5 . 0 (
1
+
k i
F
fk
h
=
h= valor de cada clase

-Moda=
1 1
1
+ +
+
+
fj f
f
h
j
j
j

j=al subndice que corresponde a la clase modal
=
j
Al lmite interior del intervalo j

-Varianza=
2
SX

m
i
x tr fr
1
2
2

-Desviacin estndar= SX= ianza var

-Coeficiente de variacin=
X
SX

-Coeficiente de Asimetra:

3
2
3
3
m
m
a =

=
=
m
i
k
K
x tr r f M
1
) (

n C =
81

-Curtosis=

3
2
2
4
4
=
m
m
a

AHORA CON DATOS NO AGRUPADOS:
-Media:
n
Xi
X

=

Moda: el nmero que se repite ms veces.

Mediana= 1
2
+ =
n
X

-Amplitud o Rango= (DATOS MAYOR-DATOS MENOR)

-Varianza=
=

n
i
X Xi
n
1
2
) (
1

-Desviacin estndar= ianza var

-Coeficiente de variabilidad= 100 x
X
o

-Coeficiente de asimetra=
3
2
3
3
m
m
a =

=
=
m
i
k
k
x Xi
n
M
1
) (
1

-Curtosis=

2
2
4
4
m
m
a =

k= al subndice que corresponde al intervalo de clase que contiene a la mediana
1
1
K F = a la frecuencia relativa acumulada hasta el intervalo k-1
FK= a la frecuencia relativa del intervalo k
82

h= al tamao del intervalo de clase.
Li= al lmite inferior del intervalo k

Estadistica Explicada para Ingenieria

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Estadistica Explicada para Ingenieria

Hochgeladen von

Copyright:

Verfügbare Formate

1

UNIVERSIDAD TECNOLOGICA DE TAMAULIPAS NORTE

en la calculadora seria 7 nPr 4= 840

Das könnte Ihnen auch gefallen