Professional Documents
Culture Documents
Probabilidad y Estadstica
Texto adaptado para la
carrera de Ingeniera
Civil
CONTENIDO POR UNIDAD DE LA MATERIA:
UNIDAD 1
INTRODUCCION
La ciencia y la tecnologa siempre se desarrollan con algn grado de incertidumbre ocasionados por los
errores inherentes al humano, errores que pueden ser accidentales, sistemticos o producto de la
casualidad, o bien por variabilidad (despreciable o no) en los resultados obtenidos de algn proceso de
produccin; dichos resultados pueden considerarse iguales a la mejor estimacin disponible, gracias a
una frmula de diseo o al promedio de algn nmero de valores observados; Por otra parte, existen
tambin diferentes factores con los que debemos relacionarnos en nuestras actividades diarias de
produccin: capacidades individuales de los obreros, condiciones de rendimiento y eficiencia de
mquinas y/o instrumentos, manejo de materiales heterogneos producidos o utilizados, condiciones
climticas, propiedades de elasticidad o plasticidad de los materiales, destreza del operador, etc.
Es posible encontrar siempre un valor confiable en los diseos? Puede predecirse con certeza el
comportamiento de una instalacin con solo una estimacin conservadora?
La incertidumbre y variabilidad deben ser manejadas adecuadamente por los Ingenieros Civiles, por
medio de mejorar las estimaciones o realizar clculos ms conservadores, que permitan tomar decisiones
para elaborar mejores diseos, proyecciones o realizacin de las construcciones. Si la variabilidad es
pequea y sus consecuencias no son significativas se pueden ignorar, de lo contrario, el diseo o la
proyeccin, deben ser modificados.
Cuando la incertidumbre es considerable, el Ingeniero puede hacer estimaciones prudentes, que muchas
ocasiones sucede fijando un mnimo especificado, como la resistencia a la compresin del concreto o
de la mampostera, volmenes de transporte diario u horario, altura de precipitaciones pluviales,
coeficientes de rugosidad, coeficientes de evapotranportacin, coeficiente de rugosidad, coeficiente de
escurrimiento, etc.
La Probabilidad, tiene como objetivo medir o determinar cuantitativamente la posibilidad de que ocurra
un determinado evento o suceso. La probabilidad se basa en el estudio de la combinacin.
La Estadstica, tienen como objetivo reunir, organizar y analizar datos numricos, que ayudan a resolver
problemas como el diseo de experimentos y la toma de decisiones.
Debemos tener un concepto de qu son los errores; Existen dos clases de errores: Sistemticos y
Accidentales
Los errores sistemticos son constantes y del mismo signo y por tanto son acumulativos (defecto en un
instrumento repetidamente utilizado, arrastre de malas graduaciones, equivocaciones en puntos de
inicio); Los errores accidentales se cometen indiferentemente en un sentido u otro, por lo que tienen la
misma probabilidad de ocurrir en sentido positivo o negativo (lecturas de graduaciones, ngulos de
visualizaciones incorrectas, colocacin de marcas).
El origen de los errores:
a) Instrumentales: mala calibracin, desgaste por uso, mala calidad, inapropiados para ciertas
ocasiones.
b) Personales: falta de pericia, falta de inters, mala actitud
c) Naturales: influencias climtolgicas, casos fortuitos.
eficiente.
8. Realizar conclusiones y recomendaciones en base a la solucin del problema.
Grficamente podramos hacer el siguiente esquema:
Identificar factores
importantes
Manipular el modelo
Confirmar la solucin
Conclusiones y
# 6
#2
disea
presenta
product
datos
os
#5
solucion #3
a analiza
problem # 4 datos
as utiliza
datos
para
tom a de
desicion
es
La Probabilidad utiliza mucho la variabilidad, que es un fenmeno que ocurre por observaciones
sucesivas de un fenmeno o sistema que no produce exactamente el mismo resultado; por ejemplo, el
rendimiento de un tanque de gasolina de un auto (depende de muchos factores: trafico, desgaste del
motor, clima, condiciones de la carretera); Los factores representan la fuente de variabilidad y podemos
determinar cules representan mayor impacto.
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO LVAREZ 4
INSTITUTO TECNOLOGICO DE PACHUCADEPARTAMENTO DE CIENCIAS BASICAS
Conjunto es una coleccin de objetos, elementos o miembros, se designan con maysculas, los
elementos de un conjunto se designan con letras minsculas
A, es un conjunto a, es un elemento de conjunto.
p A = p es un elemento del conjunto A, p pertenece al conjunto A
B = { 1, 2, 3, 4, . }
8 B; -6 B
E = { X| X2 3 X + 2 = 0 }
Es el conjunto que son la solucin de X 2 3 X + 2 = 0, las races de la ecuacin son 1 y 2,
podramos escribir E = { 1, 2 }.
E = { X : X2 3 X + 2 = 0 }, F = { 1, 2 }, G = { 1, 2, 2, 1, 6/3 }
E = F = G , un conjunto no depende de la manera como se escriban los elementos; un conjunto
permanece igual si se repiten o reordenan los elementos.
Cuando un conjunto tiene pocos elementos, los elementos se escriben; cuando son muchos, se escribe
la propiedad que los caracteriza.
Principio de abstraccin: dado cualquier conjunto y cualquier propiedad P, hay un conjunto A, tal
que los elementos de A, son exactamente aquellos miembros de que tienen la propiedad P.
Conjunto universal : generalmente todos los conjuntos que se investigan pertenecen a algn
Ejemplos: En geometra del plano, el conjunto son todos los puntos del plano;
Puede existir un conjunto fijo y una propiedad P, y puede suceder que ningn elemento de
Por el principio de extensin se concluye que solamente existe un conjunto vaco; si S y T son ambos
conjuntos vacos, entonces S = T, ya que ambos conjuntos tienen exactamente los mismos elementos, es
decir, ninguno.
Subconjuntos: si cada elemento del conjunto A es tambin elemento del conjunto B, entonces A se
denomina subconjunto de B y decimos que A esta contenido en B, que B contiene a A.
A B, A est contenido en B, A es un subconjunto de B
B A, B contiene a A
Ejemplo, A = { 1, 3, 4, 5, 8, 9 } B = { 1, 2, 3, 5, 7 } C = { 1, 5 }
C A; C B 1 y 5 son elementos de A, B y C.
B A, 2 y 7 no pertenecen a A
A, B y C tienen que pertenecer al conjunto universal U; por tanto U tiene que tener por lo menos los
elementos { 1, 2, 3, 4, 5, 7, 8, 9 }-
Existen conjuntos de nmeros que ocurren con mucha frecuencia, se adopta la siguiente convencin:
N = conjunto de los enteros positivos: 1, 2, 3,
Z = es el conjunto de los nmeros enteros: - 3, - 2, - 1, 0, 1, 2, 3
Q = es el conjunto de los nmeros racionales,
Enteros positivos, negativos y el cero
Fracciones positivas y negativas: 2/7, - 4/ 5, 87/9
Decimales positivos y negativos con nmero infinito de dgitos: 2.36, 236/1000
Decimales peridicos positivos y negativos con un nmero infinito de dgitos: 1/3 =
0.333333.
R = es el conjunto de los nmeros reales
Ejemplo: E = { 2, 4, 6 } F = { 6, 2, 4 }
E es un subconjunto de F, ya que cada nmero 2, 4 y 6 que pertenece a E, tambin pertenece a F.
De hecho E = F, cada conjunto es subconjunto de s mismo.
Cada conjunto A es un subconjunto de U ( todos los miembros de A pertenecen a U ).
es un subconjunto de A
Teorema 1
a) Para todo conjunto, se tiene que A U
c) Si A B, y B C, entonces A C
d) A = B, si y slo si, A B, y B A
Diagramas de Venn
Es una representacin grfica de conjuntos por conjuntos de puntos en el plano; el conjunto Universal U
se representan por el interior de un rectngulo; Los otros conjuntos se representan por discos dentro del
rectngulo.
Algunos enunciados verbales pueden traducirse en enunciados equivalentes sobre conjuntos por medio
de diagramas de Venn, stos se utilizan a veces para determinar si un argumento es vlido.
Ejemplos. ( 1 )
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO LVAREZ 7
INSTITUTO TECNOLOGICO DE PACHUCADEPARTAMENTO DE CIENCIAS BASICAS
a) ,A
b) A, B
c) B, C
d) B, E
e) C, D,
f) C, E
g) D, E
h) D, U
Unin: la unin de dos conjuntos A y B, A B, es el conjunto de todos los elementos que pertenecen a
A o a B.
A B = { x : x A x B }
A B={x|x A, x B }
A B A B
Ejemplos: (2)
Complementos:
En cierto momento todos los conjuntos son subconjuntos del conjunto uiniversal U; El complemento
absoluto o simplemente el complemento de un conjunto A, es Ac, es el conjunto de los elementos que
pertenecen a U, pero que no pertenecen a A.
Ac = { x : x U, x A}
Ac = A =
Ac
A pero no a B
Ejemplos: ( 3 ) A\B
Leyes de Idempotencia
Leyes asociativas
C)
Leyes conmutativas
3 a) A B= B A 3b) A B= B A
Leyes distributivas
B) (A C)
Leyes de Identidad
5 a) A =A 5b) A U=A
6 a) A U=A 6b) A =
Leyes de Involucin
( AC )C = A
Leyes de Complemento
8 a) A AC = U 8b) A AC =
9 a) UC = 9b) C
=U
Leyes de De Morgan
DEMOSTRACION: Al contar los elementos de la A B, primero contamos los elementos que estn en
el conjunto A; los otros elementos de la union A B, son los elementos que estn en el conjunto B
(pero no estn en A), como A y B son disjuntos ningn elemento de B esta en A, por tanto existen n(B)
elementos que estn en B pero que no estn en A y se comprueba que
n (A B ) = n (A) + n (B).
Ejemplo : En la escuela de Ing. Civil existen 120 alumnos, 100 de ellos estudian por lomenos un
idioma entre francs, alemn, e italiano suponga adems que:
Entonces:
100 = 65 + 45 + 42 20 25 15 + n ( F A I)
HISTOGRAMAS
Sirven para representar datos con diagramas de barra; se deben organizar los datos disponibles para
apreciar la naturaleza y el grado de incertidumbre en los datos existentes del evento.
Ejemplo: precipitacin pluvial del ro papagayo, Gro.
Mes: Junio 2005.
12
Semana hp
10
1 3
2 5
8 Serie 1
3 11
Serie 2 4 7
6
Serie 3
4 Serie 4
Mes
hp
2
C
5
o
l
u
0 m
a t
C e go
r
n a 1
a
9
2
1
8
7
6
5
4
3
1
0
Enero 4
Febrero
3.5
1.2 Introduccin a la probabilidad
Marzo 4.1
Los siguientes dos ejemplos muestran las formas posibles de representar los datos de un experimento
Abril y6
el grado de variabilidad que se presenta en el registro de datos; Dichos ejemplos muestran la necesidad
Mayo
de desarrollar tcnicas que nos permiten una organizacin estructurada de los datos del experimento 10
que
permitan un anlisis matemtico del mismo. Junio 25
Valor promedio o Media Aritmtica X : Es el nmero ms simple y til asociado a Julio un conjunto 32
de
datos. Agosto
44
X1, X2, ..Xn, es la sucesin de valores observados, con un nmero finito de observaciones.
Se llama Media Muestral porque los datos se consideran como una muestra Septiembre 40
Es el valor tpico o central de los datos Octubre 31
Noviembre 20
DEFINICION: Si las n observaciones de una muestra se denotan por X1, X2, .Xn, entonces la
Diciembre 8
Media Muestral es:
n
X 1+ X 2+. Xn
X=
n = Xi
i=0
Ejemplo: Se requiere disear un conector de nylon para un motor de automvil, se considera que el
espesor ideal puede ser 3/32; si la fuerza de desconexin es muy dbil puede causar
averas al motor, se fabrican 8 unidades prototipo y se miden las fuerzas de desconexin
que son: 12.6, 12.9, 13.4, 12.3, 13.6, 13.5, 12.6, 13.1
El diagrama de puntos de los datos es el siguiente:
Estos datos se pueden describir tambin numricamente; por ejemplo, la localizacin o tendencia central
de los datos .puede caracterizarse con el promedio aritmtico ordinario o media; En este caso, ya que los
datos se consideran como una muestra, la media aritmtica se refiere como la media muestral.
Aplicando esta frmula al problema de los conectores de nylon, la Media Muestral es:
8
X 1+ X 2+. Xn
X=
n = Xi = 12.6 + 12.9 + 13.4 + 12.3 + 13.6 + 13.5 + 12.6 + 13.1
i=0
8 8
X = 13.0 La Media Muestral es el punto de
12 13 14 equilibrio de un sistema de peso.
DIAGRAMA DE DISPERSION
Media Muestral no proporciona toda la informacin acerca de una muestra de datos; La Variabilidad o
dispersin de los datos puede medirse con la varianza muestral o desviacin estndar muestral.
Definicin: Si X1, X2, . Xn es una muestra de N observaciones, entonces la varianza muestral es:
S2 = ( Xi X ) 2
La desviacin estndar muestral S es la raz cua--
i=0
X4 X5
DIAGRAMA DE DISPERSION
Ejemplo: se construyen 15 trabes de concreto reforzado los cuales se ensayan a flexin simple,
todas se construyen con las mismas especificaciones y la misma resistencia a compresin;
los resultados a la primera grieta y a la carga final se aproximaron a 50 lb.
15
X 1+ X 2+. Xn
X=
n = Xi = 67.29 = 4.486 Ton. ( Carga ltima )
i=0
15 15
D3 D2
4.0 4.81
PROBABILIDAD
Se refiere al estudio de sucesos que ocurren con mucha aleatoriedad y con cierto grado de incertidumbre
de los fenmenos que ocurren en la ingeniera; La probabilidad proporciona mtodos para cuantificar
oportunidades o probabilidades asociados con varios tipos de resultados.
La probabilidad trata de construir modelos matemticos que describan sucesos de situaciones reales en
forma simple e idealizada, esos modelos deben ser adecuados para el clculo y prediccin de dichos
sucesos.
Cuando aparece un factor de incertidumbre en el estudio de un evento o suceso, originado por causas
naturales o por conocimiento parcial del fenmeno, se utilizan modelos probabilsticos para su anlisis.
Experimento: Es cualquier accin o suceso que genera observaciones y que puede tener distintos
resultados posibles, y cuyos resultados se conocen hasta que se ha llevado a cabo.
Puntos muestrales o evento simple: Son los elementos del conjunto S, cada uno de ellos asociado con
uno, y solo un resultado muestral, distinto de un experimento.
Ac, complemento de A, son todos los puntos muestrales del espacio muestral del experimento que no
pertenecen a A; el complemento de un suceso es tambin un suceso.
Variable Aleatoria: es una variable cuyo valor ser el resultado de un determinado evento si lo
hiciramos.
Ejemplo:
Tirar un dado, la variable aleatoria X sera el nmero que salga.
El conjunto de valores posibles de X es el espacio muestral S
Conjunto vaco , es un evento imposible, no tiene ningn evento elemental, es imposible que
B = { 5 }, un evento B S
C = { que salga 1 2 } C = { 1, 2 }
D = { que salga ms de 4 } D = { 5, 6 }
A1 A = ; A1 A3 = .. A5 A = Ai A
2 6 j
Se dice entonces que A1 ,A2 ,A3 ,A4 ,A5 y A6 son una particin de E.
A Ac = E y A Ac =
Ejemplo: una persona es propietario de dos gasolineras las que se encuentran ubicadas una enfrente
de la otra en un bulevar de la ciudad; cada gasolinera tiene 6 bombas; cuntas bombas estn
funcionando de manera simultnea en un da cualquiera?
(# de bombas gasolinera 1, # de bombas gasolinera 2) existen 49 probabilidades diferentes.
( 0, 0 ) ( 0, 1 ) ( 0, 2 ) ( 0, 3 ) ( 0, 4 ) ( 0, 5 ) ( 0, 6 )
( 1, 0 ) ( 1, 1 ) ( 1, 2 ) ( 1, 3 ) ( 1, 4 ) ( 1, 5 ) ( 1, 6 )
( 2, 0 ) ( 2, 1 ) ( 2, 2 ) ( 2, 3 ) ( 2, 4 ) ( 2, 5 ) ( 2, 6 )
( 3, 0 ) ( 3, 1 ) ( 3, 2 ) ( 3, 3 ) ( 3, 4 ) ( 3, 5 ) ( 3, 6 )
( 4, 0 ) ( 4, 1 ) ( 4, 2 ) ( 4, 3 ) ( 4, 4 ) ( 4, 5 ) ( 4, 6 )
( 5, 0 ) ( 5, 1 ) ( 5, 2 ) ( 5, 3 ) ( 5, 4 ) ( 5, 5 ) ( 5, 6 )
( 6, 0 ) ( 6, 1 ) ( 6, 2 ) ( 6, 3 ) ( 6, 4 ) ( 6, 5 ) ( 6, 6 )
Ejemplo: Una empresa constructora tiene 3 casas por vender, en la bodega del proyecto solamente
existen 2 colores de pintura (amarillo y verde); encuentre la probabilidad de secuencia de resultado
cuando las casas se pinten.
V = verde
A = amarillo 2 = 8 (2 = # opciones, 3 = # de casas, 8 = # de probabilidades )
D1 D2, si la interseccin de dos sucesos es igual a uno de ellos, se dice que ste est
contenido en el otro.
La media muestral no proporciona toda la informacin acerca de una muestra de datos. Para una mejor
informacin, se utiliza la varianza muestral.
S2
= ( Xi X ) 2
i=0
N1
S 0.20
Coeficiente de variacin muestral = V = X = 4.486 = 0.0446 Ton.
b) Para la 1 carga:
Definicin Emprica: consiste en asociar las probabilidades de los resultados con sus frecuencias
relativas, luego de repetir el experimento una determinada cantidad de veces.
P*A Fr.relativa * A = Fr. absoluta * A * n
Fr. absoluta = cantidad de veces que ocurri A en las n veces que se llev a cabo el experimento.
Cuanto ms grande sea n, mejor ser la aproximacin de P (A) por Frrelativa(A).
Ejemplo: Si se elige un estudiante de la clase de Probabilidad cul es la probabilidad que el elegido sea
mujer?
Suponiendo que en el grupo de estudiantes de Probabilidad existen 41 personas de las cuales 6 son
mujeres, entonces P(m) 6/41 = 0.1463
P ( AU B ) = P ( A) + P ( B ) = P( Ai)
i
d) A B = P(A) P(B)
e) P ( A B ) = P(A) + P(B) P ( A B )
El espacio muestral es el evento que debe ocurrir cuando el experimento se realiza ( S tiene todos los
resultados posibles ).
Ejemplo: se lanza una moneda al aire Espacio muestral S = { sol, guila }
P(S)=1 se debe determinar P ( S = sol ) y P ( A = guila )
a y s son eventos disjuntos s a=S
Frecuencia relativa
Para cualquier evento, n ( A ) = nmero de repeticiones donde ocurre el evento A de un experimento.
frecuencia x x
relativa x x x x x
x x
1 1
P (guila) = 2 ; P( sol ) = 2
1
los Meses del ao s={E,F,M,A,M,J,J,A,S,O,N,D} p(M)= 12
Estos son ejemplos en los que adecuamos el espacio muestral a lo que consideramos posible o no
posible; En un experimento el espacio muestral no es nico ni inapelable, por lo tanto deben definirse las
caractersticas importantes del espacio muestral:
1) Cules son los resultados posibles e imposibles?
2) Como se anotan los resultados?
3) Que es un resultado?
Propiedades de la Probabilidad
11=0
Cuando A y B son mutuamente excluyentes, el axioma 3 genera como resultado:
P (A B ) = P (A) + P(B)
Principio de Adicin: Suponga que un evento E puede ocurrir de m formas y otro evento F puede
ocurriren n formas, adems suponga que ambos eventos no pueden ocurrir simultneamente; Entonces
E
F pueden ocurrir en m + n formas.
Suponga que A y B son disjuntos, entonces n (A B ) = n (A) + n (B)
Ejemplo: Suponga que existen 6 ingenieros y 4 arquitectos para disear el edificio de una bodega; El
propietario puede escoger el profesionista que va a disear de 6 + 4 = 10 formas.
Ejemplo:
= +
A B A (B AC)
P ( A B ) = P (A) + P (B Ac ) (1)
Pero B = ( B A) ( B AC)
= P(A) + P (B) P (B A)
B)
P (A B) = 50% = 0.5
P ( A B ) = P (A) + P ( Ac B)
P ( A B ) = P ( B ) + P ( A Bc )
0.5
A=0. B=0.
1 3
Principio de multiplicacin:
Suponga que un evento E puede ocurrir en m formas e independientemente a este evento un evento F
puede ocurrir en n formas; entonces las combinaciones de ambos eventos pueden ocurrir en m*n formas.
Ejemplo:
Se debe dar el acabado final decorativo a la columna central del lobby de un hotel; en la bodega
del proyecto existen 3 tipos de pasta stuco, y 4 colores diferentes de pintura, entonces existen n =
3 * 4 = 12 formas diferentes de dar el acabado final a la columna.
Ejemplo:
Una empresa constructora debe enviar al gerente a una licitacin en la ciudad de Mexicali; la
compaa A tiene 3 vuelos diarios del DF. hacia Mexicali
la compaa B tiene 2 vuelos diarios (ida y vuelta) a Mexicali.
A) Cuntas formas de volar existen del DF., a Mexicali en la lnea A y volar de regreso en la
aerolnea B?
B) Cuntas formas existen para volar del DF., a Mexicali? M = 3 + 2 = 5 formas
a) (A1 B1), (A1 B2) , (A2 B1), (A2 B2), (A3 B1), (A3 B2) = n = 3 (2) = 6
b) A A A B B = 5
c) N = 5 (5) = 25
Ejemplo:
El ITP tiene entre sus actividades extracurriculares 3 deportes diferentes, 4 tipos de danzas
tpicas, 2 tipos de otras actividades culturales.
a) Si un alumno debe escoger una de entre cada tipo de actividad, el nmero de formas de hacerlo
es n = (3)(4)(2) = 24 formas
b) Si necesita escoger solamente una de cada actividad entonces tiene:
M = 3+4+2 = 9 formas de escoger
Nmero factorial ( N! )
N ! = 1 x 2 x 3 x.(n-1) n
8! 87654321
0 ! = 1 por definicin
= = 8 * 7 = 56
6! 654321
1!=1
2!=1x2=2
18 ! 181716 !
3!=1x2x3=6
= = 306
16 ! 16 !
4 ! = 1 x 2 x 3 x 4 = 24
5 ! = 5 * 4 ! = 120
12 ! 12111098 !
= =
8! 8! 11,880
Coeficiente binomial
n
()
r donde n y
n = n ( n1 )( n2 ) ( nr +1 ) = n!
()
r n ( r1 ) 321 r ! ( nr ) !
n!
1 1
( nr ) ! n!
De otra forma n(n-1)(n r +1) r! = =
r! r ! ( nr ) !
n =n
(nr ) (r) equivalentemente (na )=(nb) donde a + b = n ecuacin ( 2 )
n! n!
(n0 )= 0 ! ( n0 =
)! 0!n!
=1
(solo hay una forma de seleccionar 0 elementos)
(00 )= 00!! 0 ! =1
8! 8! 56
(82 )= 2 ! ( 82 = = =
) ! 2!6! 2 28
9! 9! 9876
(49 )= 4 ! ( 94 = =
) ! 4 ! 5 ! 4321
=
126
10 ! 10 ! 1098
(103 )= 3 ! ( 103 = =
) ! 3 ! 7 ! 321
=
120
13! 13! 13
(131 )= 1! ( 131 = = =
) ! 1 ! 12! 1 13
medio
de la ecuacin ( 2 ); 10 7 = 3
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO LVAREZ 27
INSTITUTO TECNOLOGICO DE PACHUCADEPARTAMENTO DE CIENCIAS BASICAS
1098
(107)=(103)= 3! = 120
10 = 10
(107 ) (7)
n =n
(nr ) (r)
Permutaciones:
Ejemplo
Ejemplo:
Encuentre las permutaciones del conjunto A, B, C, D, E, F, tomados en grupos de 3 cada vez sin
repeticiones.
La primera letra se puede seleccionar en 6 formas diferentes
La segunda letra se puede seleccionar en 5 formas diferentes
La tercera letra se puede seleccionar en 4 formas diferentes
Se pueden formar palabras de 3 letras A B C
A C D
A D E
A E F
A F
A
Por el principio de conteo (6) (5) (4) = 120
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO LVAREZ 28
INSTITUTO TECNOLOGICO DE PACHUCADEPARTAMENTO DE CIENCIAS BASICAS
Por el principio de multiplicacin existen (6)(5)(4)=120 posibles palabras de 3 letras, sin repeticin
de las 6 letras
Existen 120 permutaciones de 6 objetos tomados 3 a la vez; entonces P ( 6, 3 ) = 120
El primer elemento en una permutacin r de n objetos pueden seleccionarse de n formas
diferentes
El segundo elemento de una permutacin se puede seleccionar de n 1 formas.
El tercer elemento de una permutacin se puede seleccionar de n 2 formas.
El ltimo elemento de una permutacin se puede seleccionar de n (r 1) formas.
6 = 6543 ! =
P ( n, r ) = P ( 6, 3 ) = ()
3 3! 120
P ( n, r ) = n ( n 1 ) ( n 2 )( n r + 1)
n ( n1 ) ( n2 ) ( nr +1 ) ( nr ) ! n!
n ( n 1 ) ( n 2 ) (n r + 1 )= ( nr ) ! = ( nr ) !
n!
P( n r ) = ( nr ) !
Ejemplo:
Existen 3 ! Permutaciones de las letras a b c
Ejemplo:
Cuntas palabras de 5 letras se pueden formar utilizando las letras de la palabra BABBY?
Solucin:
5! cinco letras 120
= = =
P ( 5, 3) = 3 ! 3 veces se repite B 6 20
Ejemplo:
Encuentre el nmero de m palabras que pueden formarse con la letras BENZENE
Nm. Letras = 7
Num. Rep. De E = 3
Num. Rep. de N = 2
r veces
n!
P ( n, r ) = ( nr ) !
Ejemplo:
En una baraja existen 52 cartas, se escogen 3 sucesivamente; encuentre el nmero de formas en
que esto puede hacerse
52 ! 52!
= =
B) Sin reposicin= P(52,3) = ( 523 ) ! 49 ! 132,600
Combinaciones
Si se tiene una coleccin de n objetos, la combinacin de stos n objetos tomados r a la vez, es cualquier
seleccin de r objetos, en donde el orden no cuenta; es decir, una combinacin r de un conjunto de n
objetos es cualquier subconjunto de r elementos.
Ejemplo:
Combinaciones de las letras a, b, c, d, tomados en grupos de 3 son:
Ejemplo:
Ejemplo:
Combinacione Permutaciones
s
abc a b c, a c b, b a c, b c a, c a b, c b a.
adb a b d, a d b, b a d, b d a, d a b, d b a.
acd a c b, a d c, c a d, c d a, d a c, d c a .
bcd b c d, b d c, c b d, c d b, d b c, d c b.
P( 43)
C ( 4, 3 ) * 3 ! = P ( 4, 3 ) = 3!
P(43)
Las permutaciones P ( 4, 3 ) = 4 * 3 * 2 = 24 C(4,3)= = 4
3!
Ya que una combinacin de n objetos tomados r a la vez determina r ! permutaciones de los objetos en
la combinacin, entonces la permutacin es igual a:
P ( n, r ) = r ! C ( n , r ) despejando C ( n, r ) se tiene:
p (n , r ) n!
C ( n, r ) =
= , lo cual es igual al coeficiente binomial, por tanto
r! r ! ( nr ) !
C ( n, r ) = (nr)
Ejemplo:
Encuentre el nmero de Q equipos de trabajo de obreros que pueden formarse en grupo de 3 de un total
de 8 obreros.
Q = C ( 8, 3 ) = (83 )= 876
321
=
56 equipos
Ejemplo:
Puede escoger:
.
5 = 5 ! =
()
2 2! 3 ! 10 rodillos
En total, los insumos los puede escoger de (63)(52)( 34)= 20 * 10 * 70 = 14,000 formas
Diagramas de rbol
Es un mecanismo para enumerar todos los resultados posibles de una secuencia de experimentos o
eventos, donde cada uno puede ocurrir en un numero finito de formas (se utilizan en problemas donde
aplica la regla del producto); sirve para tomar decisiones con informacin conocida.
A = { 1, 2 }; B = { a, b, c }; C = { 3, 4 }
a
4
3
1 b
4
3
c
4
3
a
4
2 b 3
4
C 3
Ejemplo:
Una empresa constructora de cimentacin debe hincar 54 pilotes de acero para la fundacin de un
edificio; el programa de obra indica que hasta este momento cuenta con 8 das hbiles para retirar su
equipo y trasladarlo a otro proyecto, si no cumple con los tiempos enfrentar una multa por da en ambos
proyectos. En el proyecto actual, la profundidad de la roca es incierta, las opciones son: hincar pilotes de
10 a 15 mts. estudien las consecuencias accin-estado y realice el diagrama de rbol.
Accin
Estado Pilote hincado hasta 10 mts. Pilote hincado hasta 15 mts.
PROBABILIDAD CONDICIONAL:
Existe un parque industrial que tiene 6 naves construidas; las acometidas de agua y electricidad son
subterrneas, las construcciones son para arrendamiento, se desconoce las necesidades de cada una de
ellas, para cualquier industria en particular.
El espacio muestral asociado con una nave es: (5,1), (5,2), (10,1), (10,2)
En una entrevista el cliente expone al ingeniero varios planteamientos sobre las posibilidades y peso
relativos a partir de los cuales el ingeniero calcula el siguiente conjunto de probabilidades.
Recordando:
Probabilidad condicional P ( A | B ):
P (A| B ) = P( A B)
P(B)
1
La constante de proporcionalidad P(B) se utiliza para asegurar que la probabilidad de P ( B ) / P
En el ejemplo anterior el Ingeniero puede necesitar que una nave tenga demanda A2 y E10, entonces:
P(E 10 A 2) 0.6
P ( A 2 / E10 ) = = = 0.86;
P( E 10) 0.7
Para 3 sucesos:
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO LVAREZ 35
INSTITUTO TECNOLOGICO DE PACHUCADEPARTAMENTO DE CIENCIAS BASICAS
P(A B C ) = P (A| B C ) P ( B | C ) P ( C )
Independencia
P( AnB)
Esto implica que: P (A) = P( B)
P(A)P(B)=P(AnB)
P(A/B)=P(B)
La independencia de sucesos se prueba obteniendo P(A) P(B) y P(AnB), y demostrando que se verifica
una de dichas ecuaciones.
P(AnBnCnN)=P(A)P(B)P(C)P(N)
Regla de multiplicacion
Si los sucesos son independientes, la probabilidad de que ocurra simultneamente es simple el producto
de sus probabilidades.
En el ejemplo de las naves industriales, puede ser que el ing. tenga un criterio dif. Al expresado por el
cliente, y que en base a la inv., de otro tipo de demandas en partes ind., similares, puede establecer otra
forma de fijar las probabilidades (por ejemplo una demanda alta de energa parece que no esta
relacionada con una demanda alta de agua)
En base a la inf., de empresas de serv., publico el ing., asigna las sig., probabilidades.
El ing. adopta el supuesto de independencia entre las demandas, de electricidad y agua, y calcula las
prob. de frecuencia conjunto de los sucesos simples.
P(E5A1)=P(E5)(A1)=0.2*0.3=0.6
P(E5A2)=P(E5)(A2)=0.2*0.7=0.14
P(E10A1)=P(E10)(A1)=0.3*0.3=0.24
0.56
P(E10A2)=P(E10)(A2)=0.3*0.7= 1.00
P(A)=P(AnB1)+P(AnB2)++P(AnBn)
n
p( AnBi) teorema de las probabilidades totales
i=1
B1uB2uuBn=S
Una constructora necesita elegir una estrategia para finalizar la construccin de un proyecto, las ltimas
dos op., para concluir son pintura de paredes y limp. Gral. Y cada op., pueda realizarse das. El espacio
muestral es el siguiente:
El ing. residente considera que cada op. Puede ejecutarse en 3 velocidades dif., cada uno con costo dif.,
lo que conduce a prob., de tiempo requerido; si el proyecto no se concluye en 10 dias el contratista
pagara un amulta de $2,000 por dia; para cada combinacin de los tiempos de las actividades por
ejemplo:
P4nL5=9
Esta tabla refleja que acelera la obra implica mayores costos econmicos; el anlisis del ing., residente
supone que las actividades, de pintura y limp., son independientes entre si.
P10=$1020
L19=$1080
Esta estrategia debe incluir un posibilidad de multa para todas las posibilidades.
P10 y L10 requieren 8 dias de trabajo, ya que las prob., son independientes entonces las porb.,
de 8 dias es:
P8dias=(P10(4)nL10(4))=0.2(0.1)=0.002
P9dias=(P10(4)nL10(5))+(P10(5)nL10(4))=0.2(0.4)
P10dias=(P10(4)nL10(6))+(P10(5)nL10(5))+(P10(6)nL10(4))=0.2(0.5)+0.5(0.4)+0.3(0.1)=0.33
P11dias=0.5(0.5)+0.3(0.4)=0.37
P12dias=0.3(0.5)=0.015
La multa esperada es
Este anlisis muestra una tcnica de seleccin entre las diferentes estrategias; la mas
econmica es P14L10; los costos diarios de esta estrategia seria:
5 dias $280.00(5dias)+$200.00(5dias)=$2400
6 dias $280.00(6dias)+$200.00(6dias)=$6880
TEOREMA DE BAYES
P ( B|E 1 ) P( E 1)
P ( E 1|B )
P ( B|E 1 ) P ( E 1 )+ P ( B|E 2 ) P ( E 2 ) ++ P ( B|Ek ) P(Ek )
En esta ecuacin si los eventos E se consideran causa posible del evento D, entonces se puede
calcular la probabilidad de ocurrencia de un evento Ei dado que B no ocurre.
P ( B| A 1 ) B
P ( B| A 2 ) B
P ( B| A 3 ) B
Si deseamos obtener la probabilidad del evento B, a partir del diagrama de rbol tenemos
P(B)=P(A1) P ( B| A 1 ) P ( B| A 1 ) + P ( A 2 ) P ( B| A 2 ) + P( A 3) P ( B| A 3 )
P ( A 2nB ) P ( A 2 ) P ( B|A 2 ) P ( A 2 ) P ( B| A 2 )
P ( A 2|B )= = =
P(B) P (B) P ( A 1 ) P ( B| A 1 )+ P ( A 2 ) P ( B| A 2 ) + P ( A 3 ) P ( B| A 3 )
Ejemplo:
1.- encuentre la probabilidad que un trabajador del proyecto (cualquiera tenga IMSS
2.- si un trabajador cualquiera posee IMSS, que probabilidad existe que sea carpintero
1 P(E)= 0.3(0.1-0.4(0.2)+0.2(0.4)=0.25
P ( C ) P ( E|C 1 ) 0.2(0.4)
= =0.32=32
P(C)= P(E) 0.25
Unidad 2
VARIABLE ALEATORIA Y DISTRIBUCIONES
La variable discreta asigna a cada uno de los elementos del espacio muestral un nmero real
finito contable (Fx).
Cada valor posible de X representa un evento que es un subconjunto del espacio muestral S
para el experimento dado.
Espacio muestral discreto: contiene un nmero finito de posibilidades a una serie infinita con
tantos elementos enteros que existan.
Variable aleatoria continua: son los valores que toma una variable en una escala continua; en
la mayora de los casos representan datos medidos como pesos, alturas, temperaturas,
distancias.
Para todo evento o suceso simple existe un valor numrico de la variable aleatoria definida
dentro del espacio muestral; a todo evento o suceso compuesto le corresponde uno o un
conjunto de valores de la variable aleatoria.
{ {
0.1 x=0
0.2 x=1
px ( X ) = 0.3 x=2
0.2 para x=3
0.1 x=4
0.1 x=5
= 1.0
.3
.2
.1
1 2 3 4 5
= directamente proporcional
Para que se cumplan las leyes de probabilidad se requieren las siguientes condiciones.
a) 0 f ( xi) 1
b) f ( xi ) =1
i=0
xi b
a x b= f ( xi)
C) a xi
f
0 X< 0
0. 0x
1 1
0. 1x2
3
0. 2x3
6
0. 3x4
8
0. 4x5 1.0
9 .9
.8
.7
1. x .6
0 .5
.4
.3
.2
.1
1 2 3 4 5 6 7 8
La ingeniera civil trabaja generalmente con variables aleatorias continuas (masa, tiempo etc.); Si
se dividen los intervalos de las magnitudes en magnitudes infinitesimales dx, entonces fx(X) es
la probabilidad de que x se encuentre en el intervalo (x, x + dx ) su probabilidad ser fx(X)dx , la
cual se llama funcin de densidad de probabilidades FDP de una variable aleatoria continua ; el
rea bajo de FDP en un intervalo es la probabilidad de que la variable aleatoria en ese intervalo
tenga una probabilidad igual a:
X
P [ x1 X x2 ]=
X1
Fx
(x)dx
Esperanza de una variable aleatoria discreta (E(x)) es el valor esperado o media de un evento
en un experimento.
n
x f(x) dx
E(x)= si x es continua
La media o valor esperado de una variable se obtiene multiplicando cada uno de los valores
x1,x2...xn por su probabilidad correspondiente y sumando sus productos.
Por la naturaleza de las variables aleatorias no se puede predecir el valor exacto que tendr la
variable en un experimento; la descripcin completa de su comportamiento lo aporta FDA, FDP
FMP; Sin embargo a veces no se tiene esta informacin, por lo que se utilizan uno o ms
nmeros que son promedios ponderados de ciertas funciones de las variables aleatorias, las
ponderaciones usadas son FDP FMP de la variable, el promedio se denomina Esperanza de
la funcin.
Operar con esperanza facilita el uso de la leyes de probabilidad y se obtiene estimaciones con
ms facilidad a partir de datos disponibles; es preferible tener promedios y Esperanza que no
poseer datos de ninguna especie.
n {
fi= es la frecuencia observada del valor .
xi en la muestra
Esta es la media de una variable aleatoria ( en la unidad 1 se estudi la media muestral ); Esta
Media representa observaciones repetidas de la variable aleatoria.
La varianza es una medida de dispersin del valor central, de una variable aleatoria, La cual
muestra la dispersin o aleatoriedad de una variable.
Entre ms pequea es una varianza, la grfica presenta menor dispersin y por lo tanto la media
es ms concentrada.
Por otro lado la desviacin estndar tiene la ventaja que permite comparacin ms fcil y ms
rpida con la media y nos da la idea del grado y de la gravedad de la incertidumbre asociada con
la variable aleatoria.
a) la funcin de distribucin
b) Media
c) Varianza
d) Desviacin estndar
x 0 1 2
1 1 1
a) FDP: 4 + 2 + 4 = 1.0
1 1 1
b) Mx = 0 ( 4 ) + 1 ( 2 ) + 2 ( 4 ) = 1
2
c) Se requiere calcular E( x )
1 21 3 1
E( x 2 ) = (0) ( 4 ) + (1) 2 + (2) ( 4 ) = 1.5
2 2 2
V = E ( x ) = M x = 1.5 - (1) = 0.5
x= V = 0.5=0.7071
Ejemplo: Una empresa constructora participa licitacin de proyectos a nivel estatal; los
costos administrativos de la empresa han sido fijados de tal forma que la empresa
tendr una ganancia del 5% si ejecuta 3 proyectos en la misma plaza;Y tendr 3%
de perdida si ejecuta 3 proyectos en ms de una plaza Cul es su ganancia
esperada?
G = 1 plaza
P = 2 o 3 plazas
S={GGG.GGP,GPG,GPP,PGG,PPG,PGP,PPP}
1 1
E (1) = { GGG, PPP } 5% p1 = 8 (2) = 4 la empresa genera ganancias
1 3 5 9 4
= =1
M= E(x) = = (5%) ( 4 ) + (-3%) ( 4 ) = 4 4 4
DISTRIBUCIONES DISCRETAS
A) Bernoulli
B) Binomial
C) Poisson
D) Geomtrica
A veces los experimentos consisten en pruebas repetidas con 2 resultados posibles xito o
fracaso; este proceso se llama proceso de Bernoulli y tiene las siguientes propiedades.
Pruebas de Bernoulli
Es una sucesin de experimentos simples de Bernoulli, cuando los resultados de los experimentos son
mutuamente independientes y cuando la probabilidad de xito no cambia (las probabilidades permanecen
inalteradas).
Distribucin binomial
B(x; n, p ) = (nx) p q
x nx
x = 0,1,2n
(nx)=combinacion :C ( n , x )
P = probabilidad de xito q = probabilidad de fracaso n = nmero de pruebas
x = nmero de xitos
Ejemplo: el equipo A tiene P = 2/3 de probabilidad de ganar cuando juega. Si A juega 4 partidos,
hallar la probabilidad que gane:
a) 2 partidos
b) 1 partido por lo menos
c) Ms de la mitad de los juegos
b= (nk ) pk qn k
4!
= 2 ! ( 42 ) ! (2/3)2 ( 1/3 )4 2 = 0.29 = 29 %
4!
b) K = 0 (40 ) (2/3)0 ( 1/3 )4 = 0! ( 40 ) ! (2/3)0 ( 1/3 )4 0 = 0.012 = 1.23 %;
= 59.25 %
La distribucin binomial viene del hecho que los ( n+1 ) de trminos de la expresin binomial de
(q+ p)n corresponde a los diversos valores de b (x ; n, p ) para x = 0,1,2,3n lo cual significa.
Como p + q = 1, entonces b( x ; n , p) = 1
x=0
Ejemplo: una empresa constructora de viviendas compra directamente al fabricante los muebles para el
W.C.; el fabricante le informa que la taza de defectos es 3% en la fabricacin.
a) El supervisor de proyectos elije 20 artculos al azar Cul es la probabilidad de que exista al menos
un producto defectuoso entre los 20?
b) Suponga que la empresa constructora recibe 10 cargamentos en un mes y que el supervisor prueba
aleatoriamente 20 productos por cada cargamento Cul es la probabilidad de que existan 3
cargamentos que contengan al menos un WC defectuosos.
b= (nx) p q
n n x
1=pq q=1p
1( 0 . 4562 )
[7 ]=0. 1602
P(y=3)
10 ( . 4562 )
3 ( ) 3
2
Ejemplo: El ingeniero Prez tiene una probabilidad P = 3 de ganar un partido de ajedrez cada
2
3
1
b= 3 = 0.29 = 29 %
4
()
2
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO LVAREZ 50
INSTITUTO TECNOLOGICO DE PACHUCADEPARTAMENTO DE CIENCIAS BASICAS
2
3
b= =0.0123 por 100% = 1.23% el porcentaje que le corresponde a cero es
4
()
0
4 0
4 (2 ) ( 1)
x=4 b= ()
4 3 3 = 0.1975 = 19.75% = 59. 25 %
{
0 1. 23
1 9. 88
Probabilidades 2 29. 63 = 99.99% Distribucin de Poisson
3 39. 5
4 19 .75
Experimento de poisson; son los valores numricos que resultan del experimento de una variable
aleatoria x, donde x misma representa, el nmero de resultados durante un intervalo de tiempo dado
o en una regin especifica. El intervalo de tiempo puede ser minutos, hora da, semana, mes o ao.
Ejemplos de experimentos:
Taza de ocurrencia es p ( x ; t)
t
P(x; t)= x e t
P = x e X= nmero de xitos N=nmero de pruebas
4
P ( 6; 4 ) = 6 e4 = .0.104195634 por 100% = 10.41% ( x = 6, = 4 )
15
P = 10 e15 = 0.0486 por 100% = 4.8610%
Ejemplo:
Un cargamento de 500 losetas de piso contiene 300 imperfecciones de acabado distribuidos en las 500
losetas; Encuentre la probabilidad que cuando el piso est ya instalado en 1 loseta:
300 1
Si existen 2 imperfecciones exactamente: n = 300 = 500 = 0.6 p= 500
0 .6
X=2 P= 2 e0 .6 = 0.0988 por 100% = 9.9%
b)
0.6
x=0 P= 0 e0. 6 = 0.5488 por 100% = 54.8% probabilidad de cero imperfecciones
0 .6
X=1 P= 1 e0 .6 = 0.3292 por 100% = 32.9% probabilidad de una imperfeccin
P1 + p2 + p3 = 100%
g ( x ; p )= p q x1
Esta frmula se utiliza cuando existen intentos repetidos, g es el nmero de intentos en el cual ocurre el
primer xito.
Ejemplo: En la colocacin de losetas de cimbra para colar casas in-situ, una de cada 100 losetas
est defectuosa Cul es la probabilidad de que se inspeccionen 5 piezas antes de
encontrar una defectuosa?
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO LVAREZ 53
INSTITUTO TECNOLOGICO DE PACHUCADEPARTAMENTO DE CIENCIAS BASICAS
1
P= = 0.01 q = 1 - 0.01 = 0.99 g = (5;0.01) = 0.01 (0 . 99)4 = 0.009005 (100%)
100
=0.9605
Ejemplo: un estudiante de Ing. civil tiene 70% de probabilidad de aprobar la materia de algebra
lineal; encuentre la probabilidad de que dicho estudiante apruebe el examen.
a) en el tercer intento
1
b) x=2 g = (0.7) ( 0 .3 ) =0 . 21 ( 100 )=21
0
x=1 g = (0.7) (0 . 3) = 0.7 (100%) = 70%
Distribucin contnua
Una variable aleatoria contnua describe un intervalo, en cambio la variables discretas son puntos
aislados; la variable aleatoria contnua es una variable cuantitativa; puede adoptar una cantidad infinita de
valores que correspondan a los puntos en un intervalo lineal.
Ejemplos de varianzas continuas: peso, distancia, tiempo etc. Puede adoptar cualquier valor en puntos
a lo largo de un intervalo lineal.
Propiedades: a) F(x) 0
b) F( X)dx=1
el rea bajo la curva es igual a la Probabilidad Los lmites para a y b son siempre nmeros
reales
de una losa, la cual est representada por la variable aleatoria continua x, que tiene una
funcin de densidad de probabilidad =
{
2
x
, si1< x <2
f (x) = 3
o , en cualquier otro caso
a) Verifique f ( x ) dx=1
1
2 3 8 1
x2 x3 2 +
= 3 dx= 9 = = = 9 9 =1
1 1 (2)3
9
b) Encuentre P(0 x 1 )
1 2 3
x x 1 1
= 3 dx= 9 0= 9
0
|
Como consecuencia de la definicin de distribucin acumulada, se puede escribir los dos resultados P (
a< x <b =F ( b )F(a)
df (x)
Si la derivada existe f(x) = dx
x 2 f ( x ) dx M 2
Varianza: var. (x) =
R
{
1
si0 x 8
F(x)= 2
0 en cualquier otra parte
a) Calcular P ( 1 x 1.5 )
b) E(x)
c) Var(x)
0.3125
1.5 2 2
x x 1.5 (1.5 ) 1
a) P (1 x 1.5 )= dx= =
1
2 4 1 4 4
[
2 3 2
x2 x3 2 ( 2) 8 4 x2 x4
b) E ( x )=
0
2
dx= =
6 0 6 6 3
= = =1 .33 c) var ( x )=
0 2 8 0 |
dx= 2 =2(1. 33)2 =0 . 311
d) ( x )= 0.31=0.556
{
1
si 0 x 8
8 Hallar: a P(2 x 5)
o en otra p a rte
b x
a)
x
2 8
x 5 1
8 5 8 4 |
P (2 x 5 )= dx= 2= =0.375 b) x= var ( x) var. (x) =
x 2 f ( x ) dx M 2
x x2
dx= =4
8 16
8
F ( X ) dx=
0
M =
8 2 2
x x 8
Var x=
0 8
dx16=
16 0
16=5.33
[
x = 5.33 = 2.3
Es la ms utilizada para modelar experimentos aleatorios; se obtiene al tomar el modelo bsico de una
variable aleatoria binomial cuando el nmero de ensayos es muy grande.
x
2
F(x) ( x; ; para < x < , tiene una Distribucin normal con parmetros M,
1
M , = e
2
2
valor mximo es .
La media, mediana y moda de la distribucin normal son todas iguales y se localizan al centro de la
distribucin.
La marca normalizada t o marca z, es un nmero que mide que tan cerca est cualquier medicin dada
con respecto a la media de todas las mediciones; la marca t est expresada en unidades de desviacin
xM
stndar t = .
Distribucin normal stndar: Si estandarizamos todas las mediciones en una distribucin normal que
tiene una media M y ( desviacin estndar ), se le llama distribucin normal stndar, sta tiene una
media = 0 y una varianza y desviacin stndar = 1
xM
t= .Que esta tambin normalmente distribuida
xM
t= nos dice a cuntas desviaciones estndar est
xM 7050 xM
Jorge t= = 10 =2 Elena t = =
350300
10 = 2.5
Las marcas t nos indican cmo entrar en las tablas A.3 de distribucin normal estndar, el clculo
consiste en encontrar el rea bajo la curva de gauss; las probabilidades para distribuciones continuas
son las reas bajo la curva de una distribucin normal estndar; esos clculos se resumen en la tabla A.3
los que han sido calculados para todos los casos de una distribucin normal.
Ejemplo: Dada una distribucin normal estndar encuentre el rea bajo la curva que existe en:
A ) a la derecha de t = 1.84
T= - 1.97 = 0.0244
T = 0.86 = 0.8051
Ejemplo: Dada una distribucin normal estndar encuentre el valor de x de tal forma que:
a) P ( t > x ) = 0.3015
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO LVAREZ 59
INSTITUTO TECNOLOGICO DE PACHUCADEPARTAMENTO DE CIENCIAS BASICAS
0.4287-0.4197=0.0089
6072
t= =0.80
15
9372
b) Calificacin 93
t= =1.4
15
7272
c) Calificacin 72
t= =0
15
d ) encontrar las calificaciones que obtuvieron correspondientes a las puntuaciones estndar siguientes.
x
d.1) -1
t= = = t+ M
X = ( - 1 ) ( 15 ) + ( 72 ) = 57
Ejemplo Encuentre el rea bajo la curva para cada uno de los siguientes casos.
Por tablas
rea total=0.8092
t=0.81 0.2910
t=1.94 0.4738
t=-0.6 0.2743
t= -1.28 0.1003
0.5
t =
0.6003
f)
0.0749
El rea que est a la izquierda de t=-1.44= 0.5547
T=-1.44=0.0749
Ejemplo: Una distribucin normal tiene una media=100 y una desviacin=10 Cul es la
probabilidad de que una media escogida aleatoriamente puede estar entre 110y 100?
110100
T= 10 =1.0
La probabilidad de que una observacin este entre 100 y 110 es 0.3413 (100)=34.13%
b)
108.2100
t= =0.8 0.2939
10
Luego P(x>108.2)=p(t>0.82)
=0.5-0.2939
=0.2061
c)
115100
t= 1.5 0.4332
10
111110
t 2= =1.10.3643
10
P(111<x<115)=
P(1.1<x<1.5)=0.4332-0.3643=0.0689
Ejemplo 4
2000 sacos de arroz tienen un peso medio de media=155 Kg con una desviacin 20Kg
a)
100155
t=
= -2.75 .4970
20
b)
120155
t 120 =1.75 0.4599
20
130155
t 130= =1.25 0.3944
20
0.4599-0.3944=0.0655=6.55%
200155
t= =2.25 0.4878
20
0.5 (0.4870)=0.0122
DISTRIBUCIN DE FRECUENCIA.
Datos cuantitativos: son nmeros obtenidos de mediciones hechos sobre unidades de observacin,
representan cantidades y valores (reas, volmenes, velocidades.)
Frecuencia relativa de un intervalo es la proporcin de todos los valores dados, que caen dentro del
intervalo.
Tabla de frecuencias
Es un arreglo sistemtico de valores agrupados en intervalos de clase; resume datos para presentar
claramente la frecuencia de cada intervalo y calcular fcilmente la frecuencia relativa de cada intervalo.
fi
Intervalo de clase = i Frecuencia = fi Frecuencia relativa =
100
N
Lo mas difcil es definir y crear los intervalos de clase; por el rango de valores siempre presentan
fronteras naturales de clase.
4.5
3.5
3
Serie 1
2.5 Serie 2
2 Serie 3
1.5
0.5
0
Categora 1 Categora 2 Categora 3 Categora 4
9
8
7
6 Serie 3
5 Serie 2
4 Serie 1
3
2
1
0
Categora 1 Categora 2
Hay pocos
Tabla de Sturge
22 8 15 14 13 23 23 12
10 17 11 11 13 17 11 15
19 26 17 23 14 24 21 15
15 14 21 20 10 26 13 16
5 21 13 15 13 7 16 11
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO LVAREZ 68
INSTITUTO TECNOLOGICO DE PACHUCADEPARTAMENTO DE CIENCIAS BASICAS
Existen 40 mediciones
265 21
= =4.2
Amplitud de intervalos = 5 ( claces ) 5
Tabla de frecuencias.
MEDIANA (Md)
Moda (Mo)
Las medidas de posicin son clases diferentes de promedios que pueden servir como resmenes
numricos de un conjunto de mediciones; dichos promedios definen el centro del conjunto o la posicin
del mismo.
Ejemplo:
1+ 1+ 2+ 3+ 4 +4 15
M= = =2.5 este es el punto de balance para estos valores
6 6
4.5
3.5
2.5
1.5
0.5
10
7 Serie 1
Serie 2
6
Serie 3
5 Serie 4
Serie 5
4
Serie 6
3 Serie 7
Si las medidas desvia en el punto de balance tambin pueden cambiar; la media es sensible a la
magnitud de nmeros en un conjunto dado, lo cual representa una desventaja en el uso de la media, en
el ejemplo anterior la media no representa la mayor parte de los nmeros, la media esta para balancear
el valor extremo de 20.
Cuando existen numero extremos al final de un conjunto, la sensibilidad de la media no permite que
pueda considerrsele representativa de la mayora de las mediciones.
Md.
En orden: 2,3,4,6,10,11,11,17.
N= 8
6+10
Md= =8 Md= 8
2
Moda (Mo)
Es el valor particular que ocurre ms frecuentemente que cualquier otro en un conjunto de mediciones; si
dos valores tienen la misma frecuencia o aproximadamente la misma el conjunto de bimodal, si tres
tienen la misma frecuencia el conjunto es trimodal.
Media Conteo
1 2
2 1
3 4moda
4 3
7 2
8 1
Media Conteo
22 3moda
23 2
25 1 bimodal
26 1
27 3moda
28 2
29 1
30 1
Aunque a veces no es una medicin central Mo. Sirve significativamente como un nmero
representativo.
M
M
d
Mo
Mo M Mo
Simetra Unimodal Md
Simetra Bimodal
M Md Mo Mo Md Mo
Promedio mvil
Es el promedio indicador mas utilizado en anlisis tcnico, en el valor para un cierto periodo de tiempo
que muestra el sentido u la duracin de una tendencia.
El promedio mvil es un cuerpo de datos cambiante, a veces se llama mvil aritmtico; existen 4 tipos de
promedios mviles:
1. Simple
2. Exponencial
3. Suavizacin
4. Ponderado linealmente.
y 1+ y 2+ yn y 2+ y 3 + yn y 3+ y 4+ + yn
+ +
N N N
Se promedia un periodo que contiene varios puntos, se promedia un periodo que contiene varios datos,
dividiendo la sima de los valores de los puntos entre el numero de puntos, de esta forma cada punto tiene
la misma influencia.
La serie de tiempos se define por medio de los valores de y1, y2yn de una variable, para los tiempos
de t1,t2,,tn. Por tanto y es funcin de t.
S t
Aos meses
La grafica muestra un punto que se mueve con el paso del tiempo, los movimientos pueden ser el
resultado de combinacin de fuerzas econmicas,sociolgicas, fisiolgicas, etc.
Ciertos puntos se ponderan mas o menos que otros , segn de considere conveniente a la experiencia.
O bien: 3,4,3,5,4.
Se localiza cada numero del promedio mvil en su posicin apropiada, relacionada con los datos
originales para N aos (1, 2, 3,4,5) pueden existir promedios mviles para N meses(1,2,3,4,5).
El promedio mvil tiende a reducir la cantidad de variacin presente en un conjunto de datos , esta
propiedad se acostumbra a utilizarse para eliminar fluctuaciones en series de tiempos, este proceso se
llama suavizacin de las series de tiempo.
1 ( 2 ) +4 ( 6 ) +1 (1 ) 1 ( 6 ) +4 (1 )+1 ( 5 ) 1 ( 1 ) + 4 ( 5 ) +1 (3 ) 1 ( 5 ) +4 ( 3 ) +1 ( 7 ) 1 ( 3 ) +4 ( 7 ) +1 ( 5 )
, , , ,
1+4 +1 1+ 4+ 1 1+ 4+1 1+4 +1 1+4 +1
Media Armnica H
Es una cantidad finita de nmeros que es igual al reciproco de la media aritmtica, se utiliza para
promediar tiempo, velocidades y rendimientos.
1
ai
n
i=1
H=( N)/
Ejemplo
6
H= =33.0818
1 1 1 1 1 1
+ + + + +
34 27 45 55 22 34
Media geomtrica G
G=n X 1X 2 Xn
Ejemplo
HGM
3+5+6+6 +7+10+12
M= =7.0
7
7
H= =5.87
1 1 1 1 1 1 1
+ + + + + +
3 5 6 6 7 10 12
7
G= 3 ( 6 ) ( 6 ) ( 7 ) ( 10 )( 12 ) =6.43
Una lista de datos mediana es el promedio de los valores de en medio, que divide al conjunto en dos
partes iguales.
Cuantiles
Cuartiles
(Q1,Q2,Q3) divide el conjunto de datos en 4 partes iguales, que son el primero. Segundo y tercer cuatil
respectivamente
Deciles
Percentiles
Ejemplo
88 45 5386 33 86 85 30 89 53 41 96
71 51 86 68 29 28 47 33 37 25 36 33
42 34 79 72 88 99 82 62 57 42 28 55
96 61 57 75 93 34 75 53 22 28 73 51
56 38 62
94 73 46
67 62 60
69 91 35
25 28 28 28 29 30 32 33 33 33 34 34 35 36 37
38 41 42 42 45 46 47 51 51 53 53 53 55 56 57
57 60 61 62 62 62 67 68 69 71 72 73 73 75 75
79 82 85 86 86 86 88 88 89 91 93 94 96 96 99
nP 6095 94+ 96
D 9=P 90=89 i= = =57 lecturas P 95= =95
100 100 2
60 ( 93 )
P 93 i= =55.8 56 43 lecturas
100
Rango = 12-2 = 10
Desviacin media
( )
DM=
xj x
i=1
=
( xx ) = xx
n n
Ejemplo
( xj x )
( xj x )
n
i=1
=
n
s=
X= es la desviacin de cada uno de los numero xj respecto a la media entonces s es la raz cuadrada de
la media las desviaciones, respecto a la media
En ocasiones se calcula s utilizando como denominador (n-1)en vez de N, esto es un dato con mejo
aproximacin para valores grandes (N>30); casi no existe entre los dos clculos.
Varianza S
S = varianza muestral
= varianza poblacional
S = x 2x 2
S= d 2d 2
Cuando exiten intervalos de clase de un mismo tamao y existe una distribucin de frecuencia en datos
agrupados, se tiene dj = cuj o xj = A+cuj
Luego
Este mtodo se recomienda para
S= u2 u2 datos agrupados siempre que los
intervalos de clase sean del mismo
tamao
Ejemplo
x
12+ 6+7+3+15+ 10+ 18+5 ( 2x )
x= =9.5 / N
8
2 2 2 2
s= ( ( 129 .5 ) + ( 69 . 5 ) + ( 79 .5 ) ++ ( 59 . 5 ) )
8
Momentos
Dados N valores X1, X2, X3,Xn ya que forma la variable X, se define la cantidad.
x r1 + x r2+ + x rn N r x)
x=
x = x j= ( x
N j=1 n Ecuacin 1
N
mr= ( xx ) = ( xx ) =( xx ) Ecuacin 2
j=1 N
Si r=1; m1=0
Si r=2; m2 es la varianza
Si X1, X2,, Xn presentan frecuencias f1, f2,,fn respectivamente los momentos anteriores estn dados
por:
N r
x =f 1 x r1+ f 2 xr2 ++ f k x rk = f j x rj= ( f x )
j=1 N
N
mr= fj ( xjx ) = f ( x A ) =( xx)
j=1 N N
N
mr= fj ( xj A ) = f ( x A ) =( xA )
j=1 N N
fj= fj
k
donde N =
i=1
Momentos en forma adiemcioal respecto a la media se utiliza para evitar unidades particulares.
mr mr mr
r= = = donde : s= m 2 es la desviacin estndar
s ( m2 ) mr2
una curva de distribucin normal con pico alto se llama leptocurtica, curtosis
(+).
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO LVAREZ 81
INSTITUTO TECNOLOGICO DE PACHUCADEPARTAMENTO DE CIENCIAS BASICAS
m4 m4 4
= 4 = 4 =b
coeficiente momento de curtosis = s s4
Rango
Q 1
K= donde q= (q 3q 1)
P 90 P 10 2 Semi-intercuartil
2+3+ 7+3+10
A) M1= media aritmtica
=6
5
2 + 3 +7 +3 + 10 226
B) M2= x 2= = =45.2
5 5
3
x 2 +3 + 7 +3 +10 1890
C) M3 = = =
N 5 5
x 4 2 +3 +7 +3 + 10 16594
D) M4 = = =
N 5 5
A) M1= ( xjx )
2
46
( xjx ) =
B) m2 N 5
( xjx )3= 18
N 5
C) m3
4
( xjx )
D) M4 N
Prueba de hiptesis
Distribucin t de student
Distribucin de ji cuadrada
Ms
68,27%
a
Ms +
Ms -2 95.45% 5+1.95 s
a
Ms +2
Ms -3 99.73% 5+2.58 s
a
Ms + 3
Nivel de 99.73 99% 98% 96% 95.45 95% 90% 80% 68.27 50%
confian % % %
za
Zc 3.0 2.58 2.33 2.05 2.00 1.96 1.64 1.28 1.00 0.674
5 5
pq
= P(1p)
P ZC n P Zc N
p= probabilidad de xitos.
Q= probabilidad de fracasos.
P= proporcin de xitos.
N=tamao de la muestra.
P Zc pq
n NpN
N 1
P, P2 = 2 proporciones mustrales.
p y p2 = Proporciones en la 2 poblaciones.
Ejemplo 1.
En una muestra existen 5 medidas: 6.33, 6.37, 6.36, 6.32 y 6.37 cm.
Determina la media y la varianza.
1.960.042
a) = 0.824 200 = 0.824 0.0058 cm
2.580.042
b) = 0.824 200 = 0.824 0.0077 cm
1.6450.042
0.824 200 = 0.824 0.0048 cm
3.00.042
0.824 200 = 0.824 0.0089 cm
Un sondeo de 100 votantes elegidos al azar indican que el 55% de ellos estaba a favor de cierto
candidato. Encuentre los limites de confianza para la proporcin de todos los votantes para ese
candidato con 95%, 99%, 99.73%
0.550.45
= 0.551.96 100 = 0.55 0.10
0.550.45
b) 99% 0.552.58 100 = 0.550.13
0.550.45
c) 99.73% 0.553 100 = 0.550.15
a) 95%
b) 99%
XA-XB Zc 2 B
+
NA NB
a) Para 95%
1400-12001.96 1202 80
+
150 200 = 200 24.8
Existe un lmite de confianza de que la diferencia de medidas de las poblaciones est entre 175
y 225 horas.
b) Para 99%
1400-12002.58 1202 80
+
150 200 = 200 32.6. Existe un 99% de confianza de que la
diferencia de las medias de las poblaciones est entre 169 y 233 horas.
Tamao de la muestra:
La teora de la muestra estudia la relacin existente entre una poblacin y las muestras tomadas
de ellas; se obtienen magnitudes (media y varianza) y/o las diferencias entre muestras
(significativas o fortuitas).
Para que las conclusiones de la teora de muestreo sean vlidas y la inferencia estadstica sea
verdadera, se necesita que las muestras sean representativas.
Diseo del experimento: Es el anlisis de los mtodos del muestreo, las muestras
representativas de obtienen por muestreo aleatorio con o sin reposicin.
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO LVAREZ 87
INSTITUTO TECNOLOGICO DE PACHUCADEPARTAMENTO DE CIENCIAS BASICAS
Muestreo aleatorio: Cada miembro de la poblacin tiene la misma probabilidad de ser incluido en
la muestra.
H0 Hiptesis nula: Son hiptesis que se formulan para ser rechazadas o invalidarlas; por ejemplo
no hay diferencia entre los mtodos A y B, las monedas son buenas.
H1 Hiptesis alternativas:
Es la que difiere de la hiptesis nula, por ejemplo, si existe una probabilidad 0.5 la hiptesis
alternativa seria de H1= 0.75 o p= 0.4
Si se asume una hiptesis y los resultados obtenidos muestran una diferencia muy grande,
entonces las diferencias observadas son significativas y la hiptesis debe ser rechazada.
H0 es verdadero H0 es falso
No rechace H0 Decisin correcta Error tipo II
Rechace H0 Error tipo I Decisin correcta
Error tipo II: Acepta una hiptesis que debi ser aceptada.
Toda buena decisin minimiza los errores; siempre que disminuye un error, existe otro que
aumenta el tamao de la muestra y esto no siempre es posible.
Por ejemplo si se elige el 5% del nivel de significacin entonces hay 5 oportunidades entre 100
de rechazar la hiptesis cuando deba ser aceptada, es decir 95% de confianza que se adopt la
decisin correcta.
Hiptesis con nivel de significancia 5%- 95% de confianza que se adopt la decisin correcta.
Supongamos que cierta hiptesis tiene una distribucin de muestreo S con distribucin normal,
con una media Ms y una desviacin . Entonces distribucin de la variable tipificada. Z =
SMS
S
0.025
Si Z esta fuera de 1.96 el estadstico estara afuera del rango y diferira significativamente y la
hiptesis debera ser rechazada en este caso; el rea sombreada 0.025 es el nivel de
significancia del contraste, es la posibilidad de equivocarnos al rechazar la hiptesis, decimos
que la hiptesis se realiza a un nivel de significacin del 5%; o que el valor z de estadstica
muestral dado es significativo al nivel de 0.05.
Z dentro del rango menor -1.96 a 1.96= regin de la aceptacin de la hiptesis o regin de no
significancia.
Z fuera del rango -1.96 a 1.96= regin critica de hiptesis, regin de rechazo de hiptesis, regin
de significancia.
DEPARTAMENTO DE CIENCIAS DE LA TIERRA CARRERA DE INGENIERIA CIVIL
ING. LUIS ALONSO LVAREZ 89
INSTITUTO TECNOLOGICO DE PACHUCADEPARTAMENTO DE CIENCIAS BASICAS
Todos los casos son para poblaciones infinitas o por muestreo con repeticin.
M X = M= Media de la poblacin
s= x =
N
P p
Z=
pq
N
X
Cuando P= N , donde X es el nmero real de xitos en una muestra
XN p
Z se calcula as Z=
N pq
Esto es:
Mx=M =Np
x= = N pq
S=X
DIFERENCIA DE PROPORCIONES
P1, P2 = Proporciones muestrales obtenidas en grandes muestral de tamao N1 y N2 tomadas
de respectivas poblaciones que tienen proporciones P1, P2
1 1
P1 P 2 pq
N1 N 2
Se considera la hiptesis nula Ho = No hay diferencia entre los
parmetros de las poblaciones (P1= P2) muestras tonadas de la misma poblacin.
MP1-P2= =0
donde
N P1 N 2 P 2
p 1
N1 N 2
donde
q 1 p; y
P1 P2
z
P1 P 2
Ejemplo:
Un laboratorio afirma que uno de sus productos es 90% efectivo para reducir una alergia en 8
horas. En una muestra de 200 personas con esa alergia el medicamento da buen resultado en
160 personas; determine si la afirmacin del laboratorio es legtima.
160 180
4.72
4.24
Ejemplo 2.
La tensin de ruptura de los cables fabricados por una empresa tiene una M de 1800 lbs y una
100lbs
; Se desea comprobar si un nuevo proceso de fabricacin aumenta la
tensin media de ruptura; para este objetivo se da una muestra de 50 cables y la tensin media
de ruptura es de 1850 lbs. Se puede afirmar la mejora del proceso a un nivel de significancia
de 0.10?
2 Hiptesis
H0=M=1800 lbs, no hay cambios en la tensin de ruptura
H1=M>1800 lbs, hay un cambio real en la tensin de ruptura
X M 1850 1800
Z 3.54
100
N 50
3.54 1.28
MUESTRAS PEQUEAS
Distribucin t de student
X M X M
t N 1
s
N
xM xM
t N 1
S
N
Para muestras N<30 las aproximaciones no son buenas y empeoran al
decrecer N por eso se realizan algunas modificaciones en los clculos; un tipo de modificacin
es conocida como distribucin t de student
x
Para muestras pequeas con poblacin normal se calcula t utilizando la media de y S ;
puede obtenerse la distribucin de muestreo para t, esta distribucin viene dada por student.
Y0 Y0
y N
(V 1)
t2 2 t2 2
1 N 1 1 V
t2
1 2
y e
2
Y0= constante que depende
de N de tal forma que el rea de la curva sea 1rados de
libertad
V=(N-1)= Numero de grados de libertad
Por ejemplo
Si t 0.975, t 0.975, los valores de t para los que el 2.5% del rea est en cada cola de la distribucin
t entonces, el intervalo de confianza de 95% de t es
x-M
- t 0.975 N 1 t 0.975
S
Contraste de hiptesis
H0 proceso de verificacin
H1
NOMASHTO 95% compact. Z 0=95%
5%
X
Regin
Regin Regin
Crtica o Crtica o
de
de de
rechazo aceptaci
rechazo
DISTRIBUCIN JI CUADRADO
X2
N s2
X 1 X 2 X 2 X 2 ...... X n X 2
2 2
Se aplica cuando:
Se considera muestras N de poblacin normal
desviacin tpica
X2 para cada muestra
Distribucin Ji cuadrada para varios valores de V el mximo Y ocurre cuando X 2=V-2 para V>2.
BIBLIOGRAFIA
Probabilidad y Estadstica en Ingeniera Civil, Jack R Benjamin , ed. MacGraw Hill, 1981
Probabilidad y Estadstica para Ingenieros, Montgomer, Mc Graw Hill
Probabilidad y Estadstica para Ingeniera, Walpole and Meyers
5.2 Correlacin.