Ciclo Preuniversitario Admisin 2013-2

ESTADSTICA
Definicin. Nos proporciona un conjunto de mtodos, procedimientos o tcnicas para recopilar, clasificar,
analizar y presentar datos con el fin de describirlos o de realizar generalizaciones vlidas.
El estudio de la estadstica puede dividirse en dos reas principales:
a) Estadstica Descriptiva. Comprende las tcnicas que se emplean para la recopilacin, organizacin,
resumen y presentacin de los datos (o informacin).
b) Estadstica Inferencial. Comprende tcnicas que permiten tomar decisiones acerca de una poblacin
a partir del estudio de una muestra (subconjunto de dicha poblacin, sometida a observacin o
experimentacin).
La inferencia (de muestra a poblacin) no tiene por qu ser cierta en forma absoluta, motivo por el cual es
necesario que ella sea dada con una medida de confiabilidad a la cual se denomina probabilidad.
Poblacin y muestra. Todo estudio estadstico esta siempre referido a un conjunto o coleccin de
personas o cosas; al cual se le denomina poblacin, la cual puede ser finita o no.
Las personas o cosas que forman la poblacin se denominan unidad elemental o unidad estadstica.
Normalmente un estudio estadstico se realiza sobre un subconjunto de la poblacin, al que se le llama
muestra. La muestra debe ser seleccionada adecuadamente de manera que ella sea representativa de la
poblacin, para poder realizar de este modo posibles inferencias..
Variables estadsticas. Al estudiar una poblacin o muestra nos concentramos en una caracterstica
de los individuos u objetos que le conforman; si esta caracterstica tiene variabilidad o variacin se
denomina variable estadstica y el resultado de las observaciones o mediciones de la caracterstica se
llama dato estadstico.
Cuando la caracterstica o variable en estudio es no numrica o numrica no operable se le denomina
variable cualitativa o atributo. As por ejemplo: el estado civil de una persona, su nacionalidad, tipo de
automvil que posee, ciclo en el que se encuentra un alumno, etc. son variables cualitativas.
Cuando la variable de estudio se puede expresar numricamente y se puede hacer operaciones con
ella, entonces se denomina variable cuantitativa. As por ejemplo: el saldo de una cuenta bancaria; la
estatura de una persona, el nmero de hijos en una familia, son variables cuantitativas.
Estas variables cuantitativas pueden ser:
a) Discretas: Cuando se les puede asociar un nmero entero. Por ejemplo, el nmero de hijos, nmero de
empleados de una empresa, nmero de ruedas de un vehculo, etc; son variables cuantitativas discretas
b) Continuas, Aquellas que por su naturaleza admiten que entre dos valores cualesquiera la variable
pueda tomar cualquier valor intermedio, por ejemplo pesos, tiempo de duracin de en proceso y estaturas
de personas, etc.)
Organizacin y presentacin de datos
I. Para datos no agrupados. La informacin que se ha recopilado pero que an no se organiza se debe
ordenar. Si los datos incluyen valores repetidos se puede organizar una distribucin de frecuencias que
es una tabla o lista de los distintos valores de la variable (x).
A continuacin damos las siguientes definiciones:
Sean x1,x2, x3,., xk los distintos valores que puede tomar la variable x.
Frecuencia absoluta (fi): Designa el nmero de veces que el valor correspondiente aparece en el
conjunto de datos. Por ejemplo, fi indica el nmero de veces (frecuencia absoluta) que aparece el valor xi
Frecuencia relativa (hi): Indica la fraccin o porcentaje del total, con que aparece el valor xi, dentro del
fi
total de datos. Se calcula como: hi , i =1,2,....,n
N
Frecuencia Absoluta Acumulada (Fi) es la suma de todas las frecuencias absolutas hasta k = 1 hasta
k = i, obtenindose Fi f1 f2 ... fi
Frecuencia Relativa Acumulada (Hi) Es el cociente entre la frecuencia acumulada absoluta
Fi
correspondiente al dato xi y el nmero total de datos N. Luego Hi o tambin Hi h1 +h2 +...+hi
N
Ejemplo 1: Se realiz una encuesta entre los 50 empleados de una empresa, consultando sobre el
nmero de hijos en edad escolar que tena cada empleado, a fin de estimar el pago de una bonificacin
por gastos escolares que proyecta hacer la empresa.

CEPRE-UNI ARITMTICA Pgina 1

Ciclo Preuniversitario Admisin 2013-2

Estos fueron los resultados:

0 2 1 0 3 2 0 1 1 0 0 1 1 2 4 1 0 1 1 0
2 1 0 0 3 0 0 1 2 1 0 0 2 4 1 1 0 1 2 0
1 1 0 3 5 1 2 1 3 2
Organizar los datos en una distribucin de frecuencias, enlistando cada valor diferente (x) en una columna,
luego empleamos marcas para contar el nmero de veces que aparece cada valor de x y al acabar,
anotamos la frecuencia absoluta (f) y luego calculamos la frecuencia relativa (h).
Tabla 1. No de hijos por empleados de una empresa
No de Conteo fi hi Fi Hi
hijos
0 \\\\ \\\\ \\\\ \ 16 16/50 = 0.32 = 32% 16 32%
1 \\\\ \\\\ \\\\ \\\ 18 18/50 = 0.36 = 36% 34 68%
2 \\\\ \\\\ 9 9/50 = 0.18 = 18% 43 86%
3 \\\\ 4 4/50 = 0.08 = 8% 47 94%
4 \\ 2 2/50 = 0.04 = 4% 49 98%
5 \ 1 1/50 = 0.02 = 2% 50 100%
n = 50 Total = 1 = 100%

Se deduce que: El total de frecuencias absolutas debe ser el total de datos y el total de frecuencias
relativas debe ser el 100%.
n n
Propiedad fundamental: f = N = total de datos ; h = 100%
i=1
i
i=1
i

II. Para datos agrupados. Cuando los datos consisten en muchos valores en su mayora no repetidos es
conveniente agrupar los datos y determinar las frecuencias absolutas y relativas de cada grupo que
llamaremos clase.
Necesitamos las definiciones:
a) Rango Recorrido (R). Es la diferencia entre el mayor xmx y el menor de los datos xmin: R = xmax xmin

CEPRE-UNI ARITMTICA Pgina 2

Ciclo Preuniversitario Admisin 2013-2

b) Intervalo de Clase a i , b i . Son cada una de las categoras excluyentes (o clases) en los que se

pueden clasificar los datos. Los extremos de un intervalo [ai, bi son ai y bi, donde:
ai = lmite inferior del intervalo de clase; bi = lmite superior del intervalo de clase
c) Marca de Clase (xi). Son los puntos medios de cada clase, as en el intervalo a i , b i la marca de

clase xi ser: ai bi
xi
2

d) Nmero de Intervalos (k). No existen reglas fijas para establecer el valor de k. Una regla sugiere que
sea un nmero prximo a N y otra dice que el nmero ideal es 1 + 3,3 logN (Regla de Sturges), siendo
N el total de datos. En muchos casos, desde 5 hasta 20 intervalos puede ser el nmero adecuado.
e) Amplitud del Intervalo (A). Es la diferencia entre sus extremos. Por lo general todos los intervalos
tienen la misma longitud A por lo que se cumplir para estos casos que: R
A
k
Es preferible redondear el valor de A por exceso para no perder datos.
f) Frecuencia absoluta (fi). Es el nmero de datos que corresponden al i-simo intervalo de clase.
g) Frecuencia absoluta Acumulada (Fi) Se define para cada i-simo intervalo de clase, como la suma de
todas las frecuencias absolutas fi desde el primero hasta el i-simo intervalo: Fi f1 f2 ... fi
h) Frecuencia relativa (hi). Es el cociente entre la frecuencia absoluta del i-simo intervalo y el nmero

fi
total de datos: hi
N

i) Frecuencia relativa Acumulada (Hi). Es el cociente entre la frecuencia acumulada absoluta

correspondiente al i-simo intervalo y el nmero total de datos. Fi
H i
N
Organizacin y presentacin de datos para una variable cuantitativa contina
Ejemplo. Se pesaron a 40 estudiantes y sus pesos en kilogramos fueron:
60 69 50 79 65 71 48 60 86 42 86 64 90 81 78 73
69 64 72 80 65 52 70 47 54 74 53 77 45 66 75 60
63 55 62 72 59 61 67 55
Construir la tabla de distribucin de frecuencias
Solucin: La variable (x) es el peso de los estudiantes.
a) Determinacin del rango: Rango = Dato mayor Dato menor = 90 42 = 48

b) Nmero de intervalos: k = 40 6
c) Ancho de clase 48 / 6 = 8

CEPRE-UNI ARITMTICA Pgina 3

Ciclo Preuniversitario Admisin 2013-2

La tabla de frecuencias viene dada por: Tabla 2

Ii xi fi Fi hi Hi
42 - 50 46 4 4 0.10 0.100
50 - 58 54 6 10 0.15 0.250
58 - 66 62 11 21 0.275 0.525
66 -74 70 9 30 0.225 0.750
74 -82 78 7 37 0.175 0.925
82 -90 86 3 40 0.075 1.00

Representaciones graficas de un conjunto de datos estadsticos

a) Histogramas. Son grficos especficos para datos agrupados por intervalos.
Los histogramas asocian a cada intervalo un rectngulo de superficie proporcional a la frecuencia.
Los lmites de clase se marcan en el eje horizontal y determinan las bases de los rectngulos y las
frecuencias se anotan en el eje vertical y determinan sus alturas.
b) Polgono de frecuencias. Es la lnea que une los puntos correspondientes a las frecuencias de cada
elemento. Si los datos estn agrupados por intervalos, se construye de modo similar al histograma, pero
los puntos que se unen son los correspondientes a las marcas de clase.
Histograma de la frecuencia absoluta con el polgono de frecuencias

c) Ojivas. Son grficos de frecuencias acumuladas. En el eje vertical se anotan la frecuencias acumuladas
asociadas a cada lmite superior de clase (acumula frecuencias menores que un valor dado).
En algunos casos se grafican las frecuencias acumuladas de todos los valores mayores o iguales al lmite
inferior de cada intervalo (ojivas mayor que). Siempre que se mencione una ojiva sin especificar su tipo,
se entender que es de tipo menor que.
Histograma de la frecuencia absoluta acumulada y la OJIVA (Menor que)
Fi
50
40
30
20
10

0 x
42 50 58 66 74 82 90

CEPRE-UNI ARITMTICA Pgina 4

Ciclo Preuniversitario Admisin 2013-2

Observaciones. Si f es la frecuencia en el intervalo de clase [a, b> y se considera que los datos se
distribuyen de manera uniforme en ese intervalo, entonces podemos considerar por ejemplo que en el
/ c -a
intervalo [a, c] contenido en [a, b> existen aproximadamente: f = ( ).f . Igualmente para una
b-a
/ c -a
frecuencia relativa h: h = ( ).h . Por semejanza:
b-a
f f f'
Esta se rige por una simple regla de tres:
ba c a
f
a b
c

Ejemplo: En el intervalo [50; 58> la frecuencia es 6, luego en el intervalo [52; 55] habr
55 - 52 2,25
f = . 6 = 2,25 100% = 5,625%
58 - 50 40
Medidas de centralizacin.
Los nmeros que describen de manera concisa el comportamiento y las caractersticas generales de un
conjunto de datos son los parmetros estadsticos.
Los parmetros que miden la tendencia central de los datos se llaman medidas de centralizacin y son
datos que representan de forma global a toda la poblacin y los ms representativos son la media, la
mediana y la moda.
a) Media aritmtica. Se calcula dividiendo la suma de los valores de todos los datos entre el nmero de
datos. As tenemos:

Para datos no agrupados x

x i
, Para datos agrupados: x
f x'
i i

n n
En la ltima frmula fi es la frecuencia de cada intervalo y xi es la marca de clase.
Media aritmtica ponderada. Se aplica cuando no todos los datos tienen la misma importancia o peso.
Su frmula es similar a la de los datos agrupados, cambiando f i por los pesos pi y el denominador N por la
suma de todos los pesos; en este caso xi sera el valor de cada dato.

xp
x pi i

x 1p1 x 2p 2 ... x k p k
p i p1 p 2 ... p k
b) Mediana (Me). Es el valor del dato que ocupa la posicin central cuando stos se ordenan de menor a
mayor (o viceversa); dividiendo a la lista de datos en dos grupos de igual nmero de elementos.
Veamos cmo se calcula su valor:
b1) Para datos no agrupados: La mediana est dada por aquel valor que ocupa la posicin central,
cuando los datos se ordenan de menor a mayor (o viceversa)
Si el nmero de datos es par la mediana es la media de los dos que ocupan las posiciones centrales.
Si el nmero de datos es impar la mediana es el dato central.
Ejemplo. Sean los datos: 9, 7, 8, 10, 8, 11; al ordenar se tiene: 7, 8, 8, 9, 10, 11 Me = (8 + 9)/2 = 8,5
b2) Para datos agrupados. Debe encontrarse primero el intervalo mediano, (que es el intervalo donde se
sobrepasa por primera vez la mitad de los datos) y luego ubicar en dicho intervalo la mediana (Me) con la

N
Fi1
frmula : , donde se tiene:
Me ai ( 2 ).A
fi
ai = lmite inferior del intervalo mediano N = nmero de datos
N
i = el menor intervalo que cumple Fi Fi-1 = frecuencia acumulada del intervalo i-1
2
fi = frecuencia absoluta del intervalo mediano A = amplitud del intervalo
CEPRE-UNI ARITMTICA Pgina 5
Ciclo Preuniversitario Admisin 2013-2

Ejemplo: En el caso de los 40 estudiantes, de la tabla 2, la mediana es:

20 - 10
Me = 58 + 8 = 65,27
11
Es decir, la mitad de los estudiantes tienen 65,27 aos o menos y la otra mitad supera esta edad.
c) Moda. Se define como el valor que ms veces se repite en el conjunto de datos.
Si hay dos valores que se repiten mayoritariamente y con igual frecuencia, la distribucin se llama
bimodal.
Veamos cmo se calcula su valor:
c1 ) Para datos no agrupados:
Ej. Para 1, 2, 3, 3, 5, 100 la moda es 3 (unimodal)
2, 5, 5, 7, 8, 8, 10 la moda es 5 y 8 (bimodal)
3, 5, 7, 9, 10, 13, 15 no tiene moda
c2) Para datos agrupados. Se encuentra primero el intervalo modal (que es el intervalo que tiene la
mayor frecuencia) luego se aplica la siguiente frmula: d1 , donde se tiene:
Mo ai ( ).A
d1 d2
ai :lmite inferior de la clase modal (la que tiene la mayor frecuencia)
d1 : exceso de la frecuencia modal sobre la frecuencia de la clase inmediatamente anterior a la clase
modal
d2: exceso de la frecuencia modal sobre la frecuencia de la clase que sigue inmediatamente a la clase
modal
A: amplitud del intervalo de clase modal.
Ejemplo: En el caso de los 40 estudiantes (tabla 2) la clase modal es la tercera; luego:
5
Mo = 58 + 8 = 63,71, es decir que la edad ms frecuente en el grupo de 40 estudiantes es
5+2
63,71 aos.
d) Media geomtrica. Tenemos los casos:
d1) Para datos no agrupados: MG n x1 x2 x3 ............... xn

d2) Para datos agrupados: MG n x1f1 x 2 f2 ...... x k fk (fi es la frecuencia del dato xi )

e) Media armnica. Tenemos los casos:

n 1
MH
e1) Para datos no agrupados: 1 1 1 1

x1 x 2
...
xn
x
i

n
e2) Para datos agrupados: MH
1
f xi
i
Propiedad: MH MG MA
Medidas de dispersin
Las medidas de tendencia central determinan el centro de los datos estadsticos, pero no nos indican nada
acerca de la posicin respecto al centro. Por lo tanto se necesita una medida que nos indique el grado de
dispersin o variacin respecto a un valor central que por lo general es la media aritmtica, con la finalidad
de tener una comparacin y ampliar la descripcin de los datos.

CEPRE-UNI ARITMTICA Pgina 6

Ciclo Preuniversitario Admisin 2013-2

Las principales medidas de dispersin son:

El rango, el rango intercuartil, la varianza, la desviacin estndar y el coeficiente de variacin
En particular nosotros estudiaremos la varianza y la desviacin estndar.
Varianza y Desviacin estndar
Definicin: La varianza es una medida que en promedio cuantifica el grado de dispersin o variabilidad
de los valores de una variable cuantitativa respecto a la media aritmtica.
Si los valores de la variable estn alrededor de la media, la varianza es pequea y si los valores de la
variable tienden a estar lejos de la media, la varianza es grande.
Desde el punto de vista matemtico la varianza es la media aritmtica de los cuadrados de las diferencias
de los datos respecto a su media aritmtica, pero sus unidades estn elevadas al cuadrado.
La desviacin estndar es la raz cuadrada positiva de la varianza.
La varianza calculada a partir de una muestra se denota s2 y la desviacin estndar es s2 s
a) Varianza para datos no tabulados
Si x1, x2, ...., xn son variables estadsticas cuantitativas y x es su media, entonces la varianza es:
n

n
(x x)

2 2
i x i
i1
s
2
Lo cual es equivalente a s2 i1
x2 x2 x2
N N

Propiedades fundamentales.
a1) Sea M(X) la media de una variable X, entonces: M(a X + b) = a M(X) + b (a y b constantes)
2
a2) Sea V(X) la varianza de la variable X, entonces: V(aX + b) = a V(x) (a y b constantes)

b) Varianza para datos tabulados por intervalos

Si x1, x2,............. xk, son las marcas de clase de k intervalos, f 1, f2,...., fk, son las frecuencias absolutas de

una variable X y x es la media, entonces la varianza s2 es:

n n

fi (xi x)2 , lo cual equivale a

i1
f .x
i i
2

s2 i1 s2 x
N N

Anlisis Combinatorio
Principios fundamentales
1. Principio de la multiplicacin. Si un evento A tiene p formas diferentes de realizarse y para cada una
de estas formas existe un segundo evento B que se puede realizar de q formas diferentes, entonces la
realizacin del evento A y B se podr hacer de : p . q formas.
2. Principio de la adicin. Si el evento A se puede realizar de p formas diferentes y un segundo evento B
se puede realizar de q formas diferentes y no es posible realizar los dos eventos a la vez, A B = ,
entonces la realizacin del evento A B se podr hacer de:p + q formas.
Factorial de un nmero. Sea n un nmero entero positivo, se define el factorial de n, como:

n! = 1 x 2 x 3 x ...............x n

CEPRE-UNI ARITMTICA Pgina 7

Ciclo Preuniversitario Admisin 2013-2

Observacin: 1! = 1 y por convencin 0! = 1

Permutacin. Se entiende por permutacin de n elementos diferentes, a toda agrupacin lineal de estos
n elementos, sin que ninguno falte o se repita.
Estas agrupaciones se diferencian entre s, slo por el orden de sus elementos (el orden interesa)
El nmero de permutaciones de n elementos es: P(n) = n!
Ejemplo. Calcule el nmero de permutaciones que pueden formarse con 3 elementos.
Sean a, b, c los 3 elementos, entonces las permutaciones son: abc; acb; bac; bca; cab y cba
Luego hay 6 permutaciones y usando la frmula: P(3) = 3! = 6
Nota: Cuando en un arreglo solo entra parte de los elementos del conjunto, el arreglo es llamado
variacin.

Variacin de n elementos tomados de r en r (Permutacin de n elementos tomados de r en r: nPr o Prn )

Son los diferentes arreglos lineales de r elementos diferentes

Vrn = Prn = nPr = n(n -1)(n - 2) (n - r +1)
que pueden formarse con n elementos, de tal manera que si
n!
dos grupos tienen los mismos elementos, estos dos grupos se =
(n - r)!
diferencian en el orden de sus elementos.
Ejemplo:
Hallar el nmero de permutaciones que pueden formarse con 3 elementos tomados de 2 en 2.
Solucin: Sean a, b y c los 3 elementos, las permutaciones son: ab; ac; ba; bc; ca y cb

3! 3!
Luego hay 6 permutaciones. Usando la frmula, obtenemos: V23 = = =6
(3 - 2)! 1!

Permutaciones con repeticin (Pr). Se tiene n1 elementos repetidos de un primer tipo, n2 elementos
repetidos de un segundo tipo,., nk elementos repetidos de un k-simo tipo y sea n = n1 + n2 + .+ nk ,
entonces la cantidad de permutaciones diferentes que se pueden obtener al disponer en forma lineal los n
n n!
elementos es: PRnn1,n2 ,....nk = = , llamado coeficiente multinomial.
n1,n2 ,....nk n1!n2!nk!
Ejemplo
Cuntas palabras diferentes (con sentido o sin sentido) se pueden escribir con las letras de la palabra
MATEMATICA?
Solucin
Las letras M, A, T ,E, I, C se repiten 2,3,2,1,1,1 veces respectivamente, tal que 2 + 3 + 2 + 1 + 1 + 1 = 10

10 10!
La cantidad de palabras distintas es = = 151200
2,3,2,1,1,1 2! 3! 2! 1! 1! 1!

Permutaciones circulares (PC). Se tiene una cantidad de elementos diferentes, se entiende por
permutacin circular de dichos elementos a cualquier disposicin circular de estos.
Dos permutaciones circulares son diferentes cuando uno de ellos no resulta de una rotacin del otro.
El nmero de permutaciones circulares diferentes de n elementos es PC(n) =(n-1)!.

CEPRE-UNI ARITMTICA Pgina 8

Ciclo Preuniversitario Admisin 2013-2

Nmeros Combinatorios
Combinacin. Una combinacin de un conjunto de elementos es una disposicin lineal de ellos de
algunos de ellos en donde no interesa el orden de estos.
Ejemplo.
Para el conjunto 1, 2, 3, 4, 5, 6 tenemos que 1,2,3 y 3,2,1 son dos permutaciones distintas pero una
misma combinacin. Pero 1,2,3 y 2,4,6 son dos permutaciones distintas y dos combinaciones distintas.
Combinacin de un conjunto de n elementos tomados de r en r
Supongamos que tenemos una coleccin de n elementos. Una combinacin de r elementos
(r 0) es una disposicin lineal de r elementos donde el orden no interesa.
Ejemplo.
Las combinaciones de las letras a, b,c,d tomadas 3 a la vez son:
Disposiciones Combinaciones Permutaciones
abc abc, acb, bac, bca, cab, cba 1 3!
abd abd, adb, bad, bda, dab, dba 1 3!
acd acd, adc, cad, cda, dac, dca 1 3!
bcd bcd, bdc, cbd, cdb, dbc, dcb 1 3!
Luego hay 4 combinaciones porque el orden de cada tro seleccionado, no se tiene en cuenta.
Se observa, que el nmero de combinaciones multiplicado por 3! , es igual al nmero de permutaciones

P34
totales: C34 .3! = P34 C34 = =4
3!
En general: Cada combinacin de n elementos tomados de r en r, determina r! permutaciones
n n!
de los objetos, luego se deduce que: Cnr .r! = Prn , de donde Cnr = =
r r!.(n - r)!

Propiedades de los nmeros combinatorios. Sea n , k 0 y n k

n n
1.- Combinatorios Complementarios: = .
k n - k
n n n -1 n -1 k n
2. Se deduce que =
k k k -1 k -1 n k
Consecuencias:
n k +1 n n n - k n
a) = (n +1) - k
n n +1 n +1 n +1 n
b) =
k n +1 k k (n +1) - k k k n - k k +1 k +1 k +1 k

CEPRE-UNI ARITMTICA Pgina 9

Ciclo Preuniversitario Admisin 2013-2

n n n +1 n +1 n n
3. Suma de combinatorios: + = = +
k k +1 k +1 k +1 k k +1
4.Igualdad de nmeros combinatorios:
n m
Si = , entonces se verifica que: (i) m = n x = y (ii) m = n = x + y
x y
Resultados notables:
n n n n n n n(n -1)
5. = = 1 6. = =n 7. = =
0 n 1 n -1 2 n - 2 2
n
n n
n
Binomio de Newton: (a + b)n = ak bn-k = an-k bk n , k 0 y n k
k=0 k k=0 k

n
n n n n n n
8. k = 0 + 1 + 2 + 3 +......+ n = 2n

k=0
n
n n n n n
9. k k = + 2 + 3 +......+ n = n 2n-1
k=1 1 2 3 n
n
n n n n n n n
10. (-1) k
= - + - +......+ (-1) = 0
k=0 k 0 1 2 3 n

11. Si n 2k, entonces C(n, k) >C(n, k-1), y si n2k, entonces C(n, k)>C(n, k+1).

PROBABILIDADES
Definiciones:
1. Experimento aleatorio (): Es todo proceso que consiste en la realizacin de una prueba o ms, cuyo
resultado (en cada una) depende del azar, por tanto, no se puede anticipar.
2. Espacio Muestral ( ) : Conjunto de todos los posibles resultados de un experimento aleatorio.
3. Evento Suceso (A): Conjunto de uno o ms resultados de un experimento. (es un subconjunto del
espacio muestral). El vaco tambin se considera un evento.
4. Probabilidad: Medida de la posibilidad de que ocurra un evento (o suceso) en el futuro.
5. Sean A, B,.,C dos eventos del espacio muestral , entonces
A B : Es el evento que ocurre si y slo si ocurre A o ocurre B ocurre A y B a la vez.
A B: Es el evento que ocurre si y slo si ocurre A y B a la vez.
Ac : Es el evento que ocurre si y slo si no ocurre A.
ABC: Ocurre si y slo si ocurre al menos uno de los eventos A, B,.,C.
A B C: Ocurre si y slo si todos los eventos A, B,.,C ocurren a la vez
Asignacin de probabilidad a un evento:
(i) En forma terica. La definicin clsica se basa en el supuesto de que todos los resultados posibles de
un experimento aleatorio son igualmente probables; es decir, cada uno de los elementos del espacio
muestral tiene la misma probabilidad de ocurrencia.
Empleando el punto de vista clsico, la probabilidad de que suceda un evento A se calcula as:
Nmero de resultados favorables n(A) Cardinal de A
P(A) = = =
Nemro total de resultados posibles n() Cardinal de

CEPRE-UNI ARITMTICA Pgina 10

Ciclo Preuniversitario Admisin 2013-2

Propiedades. Se deduce que: P() = 0 , P( ) = 1 y 0 P(A) 1 para todo A

Ejemplo. Se lanza un dado y se observa el nmero que aparece en la cara superior
Entonces = 1, 2, 3, 4, 5, 6
Si A el evento ocurre un nmero impar, entonces A = 1, 3, 5, luego la probabilidad de la ocurrencia del
evento A es ; es decir: P(A) = 1/2
Nota: En los experimentos que se consideran anteriormente:
1.Es posible repetir cada experimento indefinidamente sin cambiar las condiciones
2. No se puede determinar cul ser el resultado de un experimento pero se puede determinar el espacio
muestral.
(ii) En forma frecuencial. Ley de los grandes nmeros. En un experimento se determina el espacio
muestral y se elige un evento cualquiera A, luego se efecta el experimento una cantidad de veces y se
Nmero de veces que ocurre A
calcula: fA = .
Nmero de veces del experimento
A este nmero se le llama la frecuencia relativa del evento A.
A medida que el experimento se repite los resultados del experimento pueden ocurrir en forma aleatoria, la
frecuencia relativa de A cambia en forma aleatoria pero cuando el experimento se repite un gran nmero
de veces, aparece un modelo definido de regularidad : la frecuencia relativa de A tiende a un nmero fijo el
cual es llamado la probabilidad de A, esto hace posible la construccin de un modelo matemtico para
analizar el experimento.
Con respecto al ejemplo anterior:
Si lanzamos un dado una vez, registramos la ocurrencia del evento A y calculamos
Nmero de veces que ocurre A
fA (1) =
1
Si lanzamos un dado dos veces, registramos la ocurrencia del evento A y calculamos
Nmero de veces que ocurre A
fA (2) =
2
Si lanzamos un dado tres veces, registramos la ocurrencia del evento A y calculamos
Nmero de veces que ocurre A
fA (3) =
3
Y as sucesivamente, veremos que los nmeros fA (1) , fA (2) , fA (3) ,.. son aleatorios pero a partir de un
nmero de veces bien grande que se realiza el experimento se cumple que la frecuencia relativa del
Nmero de veces que ocurre A n(A)
evento A : fA = se acerca cada vez ms a P(A) = la
Nmero de veces del experimento n()
probabilidad de la ocurrencia del evento A, el cual es su valor lmite.
Eventos mutuamente excluyentes: Dos eventos A y B son mutuamente excluyentes si no pueden ocurrir
en forma simultnea, esto implica que P(AB) = 0
Observacin: A y B son mutuamente excluyentes si AB =
Propiedades:
1. Si A y B son eventos cualesquiera: P(AB) = P(A) + P(B) P(AB)
2. Para tres eventos A , B y C, se tiene:
P(A B C) = P(A) + P(B) + P(C) - P(A B) - P(A C) - P(B C) + P(A B C)
3.- La Regla del complemento: La probabilidad de que no ocurra un evento A: P(Ac) = 1 P(A)
Eventos independientes: Dos Eventos A y B de un espacio mismo espacio muestral asociado a un
experimento E se dice que son independientes si y slo si P(AB) = P(A).P(B)
Esto quiere decir que los eventos A y B no estn relacionados, por lo tanto la ocurrencia de uno de ellos
no influye en la ocurrencia del otro.
Distribucin de probabilidad discreta. Una variable aleatoria es discreta si su valor se obtiene por
simple conteo y normalmente estos valores son enteros. Si una variable X puede tomar una serie de
valores discretos x1, x2, ,xk con probabilidades P1, P2, , Pk, tal que:

CEPRE-UNI ARITMTICA Pgina 20

Ciclo Preuniversitario Admisin 2013-2

P1 + P2+P3++Pk = 1, entonces se ha definido para X una distribucin de probabilidad discreta, de la

misma manera se puede asociar una funcin de probabilidad Pi = f(xi), i=1,2,.,k que asocie a Xi una
probabilidad Pi.
Ejemplo. Sea el siguiente experimento aleatorio:
Se enciende el motor de un carro y la probabilidad que funcione a 750 RPM sin apagarse es de 80%, si
este experimento se realiza cuatro veces en las mismas condiciones y definimos la variable aleatoria
X: nmero de veces que funciona bien el motor; determinar la funcin de probabilidad y realizar un
diagrama de bloques.
Solucin:
Los valores que pueden tomar X son:
0 Nunca funcion bien el motor: P(X = 0) = C04 0,8 0,2 = 0,0016 = 0,16%
0 4

1 Una sola vez funcion el motor: P(X = 1) = C14 0,8 0,2 = 0,0256 = 2,56%
1 3

2 Dos veces funcion bien el motor: P(X = 2) = C24 0,8 0,2 = 0,1536 = 15,36%
2 2

3 Tres veces funcion bien el motor: P(X = 3) = C34 0,8 0,2 = 0,4096 = 40,96%
3 1

4 En todas las pruebas funcion bien el motor: P(X = 4) = C44 0,8 0,2 = 0,4096 = 40,96%
4 0

45 40.96 40.96
40
35
30
25
20 15.36
15
10
5 2.56
0.16
0
0 1 2 3 4

ESPERANZA MATEMTICA E(X) . Se define la esperanza matemtica (o valor esperado) de una

k

variable aleatoria x por: E(X) = xiP(x i )

i=1

Nota: Si se considera la probabilidad de Xi como una frecuencia relativa se tiene que E(X) es el valor
promedio de X.
Ejemplo. En el problema anterior:
E(X) = (0).0,16% +(1).2,56% + (2).15,36% +(3).40,96% + (4).40,96% = 3,2
Observacin: Tenemos que 3,2 es el 80% de 4
Propiedad: E(a X + b) = a E(X) + b

CEPRE-UNI ARITMTICA Pgina 30