Professional Documents
Culture Documents
PROBABILIDADES
Sucesos
px
{zzz}
1/8
{czz, zcz,
zzc}
3/8
{ccz, czc,
zcc}
3/8
{ccc}
1/8
En el caso de las variables discretas, como en el ejemplo, es una funcin que para
cada valor de la variable da su probabilidad.
EJEMPLO 3. Sea el evento experimental, lanzar al aire 2 monedas. Se sabe que el
espacio muestral de este experimento contiene 4 puntos muestra les.
S = {(c, c), (c, s), (s, c), (s, s)}, donde el primer elemento de cada par indica si
se obtuvo cara (c) o sello (s) en la primera moneda, y el segundo lo mismo con
respecto a la segunda moneda. La probabilidad de cada punto muestral es
entonces 1/4. Ahora bien, normalmente
no estamos interesados en los puntos
muestrales, sino en cierta magnitud asociada con los puntos muestrales. Por Ej.
Se podra estar interesado en el nmero de caras que hay en cada punto
muestral. Si definimos una variable Xi como el nmero de caras en el punto
muestral si, Xi tomar los valores X1 = 2, X2 = 1, X3 = 1, X4 = 0. Por lo tanto,
Xi es una variable aleatoria.
Una variable X es una variable aleatoria si es una magnitud susceptible de tomar
diversos valores con determinadas probabilidades. Es una regla que asocia un
nmero con cada evento simple en el espacio muestra de un experimento. Por lo
general, esta regla se simboliza por medio de las maysculas X, Y o Z.
DEFINICIN: Una variable aleatoria es una funcin que asocia un nmero
real a cada elemento del espacio muestral. O tambin, Una Variable
Aleatoria es una funcin que asigna un nmero real a cada resultado en
el espacio muestral de un experimento aleatorio.
Una variable es aleatoria si toma diferentes valores como resultado de un
experimento aleatorio. Esta variable aleatoria puede ser discreta o continua. Si
puede tomar slo un nmero limitado de valores, entonces es una variable
aleatoria discreta. En el otro extremo, si puede tomar cualquier valor dentro de un
intervalo dado, entonces se trata de una variable aleatoria continua.
La distribucin de probabilidad X se describe por una frmula que enuncia la
probabilidad como una funcin de x. Es decir, la distribucin de X est especificada
por la funcin f x ( x) P( X x) . El subndice de f x (x) revela la variable aleatoria de
inters. El subndice se omitir cuando no
halla ninguna confusin sobre la
probabilidad del resultado. Puesto que f x (x) est definida como una probabilidad,
X , f x ( x)
1..... f x ( x k ) P(X x k )
2....f x ( x k ) 0,...
3....
Para todo x.
f x (x k ) 1
x
Para una variable aleatoria continua no es posible enumerar todos los posibles
valores fraccionarios de la variable y, por lo tanto, las probabilidades que se
determinan a travs de una funcin matemtica se ilustran en forma grfica
mediante una funcin de densidad de probabilidad o curva de probabilidad.
EJEMPLO 1. En la Tabla A se muestra el nmero de camionetas que se han
solicitado para rentar en una arrendadora de automviles, en un periodo de 50
das. En la ltima columna de la Tabla se incluyen las frecuencias observadas en
este periodo de 50 das. En la ltima columna de la tabla se incluyen las
frecuencias observadas en ese periodo de 50 das, convertidas en probabilidad.
As, puede observarse que la probabilidad de que se hayan solicitado exactamente
siete camionetas en un da elegido al azar en ese periodo es de 0.20, y que la
probabilidad de que se hayan solicitado seis o ms es de 0.28 + 0.20 + 0.08 =
0.56.
Tabla B. Demanda diarios de arrendamiento de camionetas
Durante un periodo de 50 das.
Demandas
Nmero
de Probabilidad P(X )
Valor
Posibles X
Das
Ponderado X .P( X )
3
3
0.06
0.18
4
7
0.14
0.56
5
12
0.24
1.20
6
14
0.28
1.68
7
10
0.20
1.40
8
4
0.08
0.64
E ( X ) 5.66
TOTALES
50
1.00
3
SJB
1
1
0
0
1
SBJ JSB JBS BSJ BJS
0
1
3
1
1
2
3
1
6
Obsrvese que los valores de b agotan todos los casos posibles y por ello las
probabilidades suman 1.
Con frecuencia, resulta conveniente representar todas las probabilidades de una
variable aleatoria X a travs de una frmula. Esta frmula seria necesariamente
funcin de los valores numricos x, que se denotarn por f(x), g(x), r(x) y as
sucesivamente. Por lo tanto, se escribe f(x) = P(X= x); es decir f (3) P(X 3) . Al
conjunto de pares ordenados (x, f(x)) se le denomina funcin de probabilidad o
distribucin de probabilidad de la variable aleatoria discreta X.
DEFINICIN: El conjunto de pares ordenados (x, f(x)) es una funcin de
probabilidad o una distribucin de probabilidad de la variable aleatoria discreta X
si, para cada posible resultado x,
1. f ( x) 0.
2. f ( x) 1.
3. P( X x) f ( x).
3 5
3 5
10
0 2
1 1 15 ,..
f (0) P(X 0)
,..
f
(
1
)
P
(
X
1
)
28
28
8
8
2
2
3 5
3
2
0
.f (2) P(X 2) 8
28
2
0
10
28
1
15
28
2
3
28
P(SS)
P(X=0)
P(SC o CS) =
P(X=1)
P(CC)
P(X=2)
/4
P(X=x)
1
2
/4
PROBLEMA
SOLUCIN: Si asumimos que todos los resultados observados al lanzar los dos
dados son equiprobables (si todos los sucesos elementales que lo integran tienen
la misma probabilidad) entonces el espacio muestral del experimento, con treinta
y seis posibles resultados, se presentan a continuacin:
Tabla 1. Espacio muestral
resultante al lanzar dos dados
1
2
3
4
5
6
1
1,1
1,2
1,3
1,4
1,5
1,6
2
2,1
2,2
2,3
2,4
2,5
2,6
3
3,1
3,2
3,3
3,4
3,5
3,6
4
4,1
4,2
4,3
4,4
4,5
4,6
5
5,1
5,2
5,3
5,4
5,5
5,6
6
6,1
6,2
6,3
6,4
6,5
6,6
10
11
12
Probabilidades
1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
3
36
2
36
1
36
10
11
12
f(x)
1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
3
36
2
36
1
36
Vemos que f(x) nunca adquiere un valor menor de cero. Esto se debe a que f(x)
representa una probabilidad, la cual nunca puede ser menor de cero. De igual
manera f(x) nunca puede ser menor de 1. Si sumamos todos los valores que
puede tener f(x) obtenemos 1, debido a que estamos sumando las probabilidades
de que la variable aleatoria asuma uno de los valores establecidos. Por su
definicin, la funcin de probabilidad tiene las siguientes caractersticas:
1.
f ( x ) 0 para todo valor x en su dominio.
2.
f ( x ) 1
el dominio de f.
Los valores de la funcin de probabilidad se pueden representar en una grfica
como la siguiente:
0,18
0,16
Probabilidades
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
1
10
11
12
f ( x) p( X i x) f ( x),..Para.... <x<
x i
f (x) P(X=x) = 1.
De donde se puede afirmar que: la suma de todas las probabilidades de los
eventos posibles de una variable aleatoria es igual a la unidad. Hay que recalcar
que estas propiedades se enuncian suponiendo que conocemos el valor de la
probabilidad, pero en la realidad esto no ocurre, es decir, que no sabemos la
probabilidad y lo que se hace es trabajar con estimaciones. Se puede observar que
en ningn caso las combinaciones toma valores negativos, y como p y q son
positivos o cero, entonces todos los valores de la distribucin probabilstica son
positivos o cero. Precisamente esto conlleva a modelos tericos que estiman los
resultados, y los principales, son los que a continuacin se exhiben:
n
f
puede expresarse como X .
n
Considerando la definicin de probabilidad de un evento, P(X) es el cociente de la
frecuencia entre el nmero total de eventos (probabilidad frecuencial de
ocurrencia), por lo que la media de una distribucin de probabilidad de una
variable discreta es:
x.P( x )
1
/4
xP ( x) 0.
x 0
1
1
1
1. 2. 1
4
2
4
f (x )2
, y haciendo un
( x )2 n
f
( x )2 P( x )
( 0 1 )2
del ejemplo
1
1
1
1
1
1
1 1
1
2
( 1 1 )2 ( 2 1 )2 1. 0. 1.
.
4
2
4
4
2
4
4 4
2
2
x E ( X ) X i P( X i ) , donde:
i 1
x E ( X ) xf x ( x)
x
x E ( X ) X i P( X i ) .
i 1
4
7
5
1 2 1.06.
16
16
16
Los nmeros 4/16, 7/16 y 5/16 son las fracciones del total de lanzamientos que
resulta en 0, 1 y 2 caras, respectivamente. Estas fracciones son tambin las
frecuencias relativas que corresponden a los diferentes valores de X en el
experimento. En efecto, se puede calcular entonces la media o el promedio de un
conjunto de datos, si se conocen los distintos valores que intervienen y sus
frecuencias relativas, sin conocimiento alguno del nmero total de observaciones
en el conjunto de datos. Por consiguiente, si 4/16 1/4 de los lanzamientos
resultan 0 caras; 7/16, una cara; y 5/16, dos caras, el nmero medio de caras por
lanzamiento seria 1.06, sin importar que el nmero total de lanzamientos sea de
16, 1 000 o aun de 10 000.
Utilcese ahora este mtodo de las frecuencias relativas para calcular a la larga el
nmero promedio de caras por lanzamiento de dos monedas que podra esperarse.
Este valor promedio se conoce como media de la variable aleatoria X o media
de la distribucin de probabilidad de X, y se representa como x , o
simplemente como , cuando est claro de que variable aleatoria se trata.
Tambin es comn entre los estadsticos designar a este valor como Esperanza o
Expectativa Matemtica, o bien como valor esperado de la variable X, y
representarla como E(X).
Suponiendo que se tiran al aire dos monedas normales, se tiene que el espacio
muestra1 para el experimento es
S = {CC, CS, SC, SS}
Donde es C cara y S sello.
Puesto que los 4 puntos muestrales son igualmente probables, se deduce que
P(X = 0) = P(SS) = 1 .
4
P(X = l) = P(SC) + P(CS) = 1 .
4
1
.
P(X = 2) = P(HH) =
4
Donde un elemento, por ejemplo, SC, indica que de la primera tirada result Sello,
seguida de una cara en la segunda tirada. Ahora bien, estas probabilidades son
justamente las frecuencias relativas que a la larga corresponden a los eventos
dados. Por consiguiente,
1
4
1
2
1
4
E ( X ) 0 1 2 1.0.
Esto significa que una persona que tira al aire 2 monedas una y otra vez, lograr
en promedio 1 cara por tirada.
EL mtodo descrito para calcular el nmero esperado de caras en cada tirada de 2
monedas, indica que la media o valor esperado de una variable aleatoria discreta
puede obtenerse multiplicando cada uno de los valores x1 , x2 ,..., xn , de la variable
aleatoria X por su probabilidad correspondiente f ( x1 ), f ( x2 ),....., f ( xn ), y sumando
luego los resultados. Sin embargo, esto se verifica slo si la variable aleatoria es
discreta. En el caso de variables aleatorias continuas, la definicin del valor
esperado es en esencia la misma, slo que las sumatorias se reemplazan por integrales.
EJEMPLO. Determine el nmero esperado de qumicos en un comit de tres
personas seleccionado al azar de un grupo de 4 qumicos y 3 bilogos.
SOLUCIN. Se considera que X representa el nmero de qumicos en el comit.
La distribucin de probabilidad de X est dada por
4 3
x 3 x
f(x)
, para x = 0, 1, 2, 3.
7
3
Aplicando la formula se calculan los diferentes f ( xi ) as:
4 3
4 3
4 3
4 3
1
12
18
0 3 0
1 31
2 3 2
3 33 4
f (0)
;..
f
(
1
)
;..
f
(
2
)
,..
f
(
3
)
35
35
35
35
7
7
7
7
3
3
3
3
Los clculos
obtenidos son:
1
12
18
4 60 12
1.70.
1 2 3
35
35
35
35 35 7
E ( X ) 0
S = {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}. Se puede argumentar que
cada una de estas posibilidades es igualmente posibles y
ocurre con una
probabilidad igual a 1/8. Un enfoque alternativo seria aplicar la regla multiplicativa
de probabilidad para sucesos independientes con cada uno de los elementos del
espacio muestral (S), as:
1 1 1 1
P(CCS ) P(C ) P(C ) P( S ) . Recuerde que la probabilidad de salir cara es
2 2 2 8
igual a la de salir sello, es decir, .
La variable aleatoria de inters es X, que es la cantidad que el jugador puede
ganar; y los valores posibles de X 5 $ si ocurre el evento E1 CCC , SSS y - 3
$ si ocurre el evento E2 CCS , CSC, SCC; CSS , SCS , SSC.Si se observa que E1 y E2 se
presentan con probabilidad de y , respectivamente, se concluye que
1
4
3
4
E ( X ) 5 3 1.
Por lo tanto en este juego el apostador, en promedio, perder 1 $ al lanzar las 3
monedas.
Un juego de azar se considera justo si en el promedio el jugador termina sin
prdida o ganancia. Por lo tanto, un juego justo se define como aquel donde hay
una ganancia esperada de cero, es decir, 0 .
Se puede pensar en una variable aleatoria como un valor o una magnitud que
cambia de una presentacin a otra, sin seguir una secuencia predecible. Por
ejemplo, en una clnica para tratamiento del cncer de mamas no se tiene manera
de saber con exactitud cuntas mujeres van a ser atendidas en un da cualquiera.
De modo que el nmero de pacientes del da siguiente es una variable aleatoria.
Los valores de una variable aleatoria son los valores numricos correspondientes a
cada posible resultado del experimento aleatorio. Si los registros diarios de la
clnica indican que los valores de la variable aleatoria van desde 100 hasta 115
pacientes diarios, entonces sta es una variable aleatoria discreta.
En la tabla B se ilustra el nmero de veces que se ha alcanzado cada nivel durante
los ltimos l00 das. Observe que en la tabla aparece una distribucin de
frecuencias. Hasta donde creamos que la experiencia de los pasados 100 das es
un comportamiento tpico, podemos utilizar este registro para asignar una
probabilidad a cada nmero posible de pacientes y encontrar una distribucin de
probabilidad. Hemos hecho esto en la tabla B mediante la normalizacin de la
distribucin de frecuencias observadas (en este caso, dividimos cada valor que
aparece en la columna de las frecuencias (fi) de la tabla B , el nmero total de das
en que se tomaron los registros (nmero atendido). La distribucin de probabilidad
para la variable aleatoria nmero de atenciones diarias se presenta de manera
grfica en la figura I. Note que la distribucin de probabilidad para una variable
aleatoria proporciona una probabilidad para cada valor posible y que estas
probabilidades deben sumar 1. De la misma forma en esa tabla se registra el valor
esperado o esperanza matemtica que es simplemente la multiplicacin de los
valores posibles de la variable aleatoria por la probabilidad de que la variable
aleatoria tome esos valores. En la tabla B mostramos que ambos requisitos se
cumplen. Adems, tanto la tabla B como la figura I nos dan informacin acerca de
la frecuencia de presentacin a la larga del nmero de pacientes atendidos
diariamente que esperaramos observar si este experimento aleatorio se
efectuara de nuevo.
TABLA B
NMERO DE MUJERES ATENDIDAS DIARIAMENTE DURANTE 100
DAS EN UNA CLNICA PARA LA ATENCIN DE CNCER DE MAMA.
Valores
posibles de la
Variable
Aleatoria.
(1)
100
101
102
103
104
105
106
107
108
109
110
110
112
113
114
115
TOTALES
Nmero de
das que se
observa este
nivel (fi).
(2)
1
2
3
5
6
7
9
10
12
11
9
8
6
5
4
2
100
Probabilidad de que
la variable aleatoria
tome estos valores.
(3)
Esperanza
Matemtica.
(1)x(3)
0.01
0.02
0.03
0.05
0.06
0.07
0.09
0.10
0.12
0.11
0.09
0.08
0.06
0.05
0.04
0.02
1.00
2.02
3.06
5.15
6.24
7.35
9.54
10.70
12.96
11.99
9.90
8.88
6.72
5.65
4.56
2.30
108.02
0,14
0,12
PROBABILIDAD
0,1
0,08
0,06
0,04
0,02
10
10
0
10
1
10
2
10
3
10
4
10
5
10
6
10
7
10
8
10
9
11
0
11
1
11
2
11
3
11
4
11
5
0
Nmeros diarios de mujeres atendidas
Si un agente de seguros afirma que puede esperarse que una mujer de 45 aos
de edad viva otros 33 aos, esto no significa que cualquier persona espere real-
mente que una mujer de 45 aos siga viviendo hasta cumplir los 78 aos y muera
al da siguiente. En lo concerniente a esa afirmacin, ciertas mujeres de 45 aos
vivirn 12 aos ms, otras sobrevivirn 25 aos, otras vivirn 38 aos ms, . . . ,
y la expectativa de vida de 33 aos ms se debe interpretar como una especie
de promedio particular, llamado valor esperado o esperanza matemtica.
Originalmente, el concepto de la esperanza matemtica apareci en relacin con
juegos de azar y, en su forma ms simple, se determina con el producto de la
cantidad que un jugador deposita para ganar y la probabilidad de que gane dicha
cantidad.
EJEMPLO Cul es nuestra esperanza matemtica, si apostamos para ganar 500
bolvares, si y slo si sale cara, al lanzar al aire una moneda equilibrada?
SOLUCIN: La moneda est equilibrada, de manera que la probabilidad de que
salga cara es , entonces
nuestra esperanza matemtica es 500x0.5 = 250
bolvares.
EJEMPLO Cul es nuestra esperanza matemtica, si compramos uno de los 1000
boletos de una rifa, en la que se ofrece como premio un televisor a color, que vale
480000 bolvares?
1
SOLUCIN: La probabilidad de que nos ganemos el televisor es
, entonces
1000
nuestra esperanza matemtica es
1
480000
480000x
x E ( X ) X i P( X i ) .
i 1
3 1 3
f ( x)
x 4 4
3 x
SOLUCIN:
0
27
27
3 1 3
3 1 3
3 1 3 9
f (0)
,... f (1)
,.. f (2)
64
64
0 4 4
1 4 4
2 4 4 64
1
3 1 3
f (3)
64
3 4 4
Con estos datos se puede formar la siguiente distribucin de probabilidad:
x
f (x)
0
27
64
1
27
64
2
9
64
3
1
64
27
27
9
1 27 (2)9 (3)1 48 3
E 0 1 2 3
0.75.
64
64 4
64
64
64
64
Si X es una variable aleatoria, entonces para cualquier nmero real x0, existe la
probabilidad P( X x0 ) del evento X x0 (X toma cualquier valor menor o igual a
x0). La probabilidad P( X x0 ) que depende de la eleccin de x0 es la probabilidad
acumulada hasta x0 que es la funcin distribucin o distribucin acumulada y
se denota por F(x0). Entonces, F ( x0 ) es igual a:
F ( x0 ) P X x0
p( x
X xi
OBSERVACIONES
1. F(xo) = P[X xo] = p(x1) + p(x2) + ... + p(xo)
2.
Si
X:
0,
1,
2,
3,
4
entonces
F(0) = P[X 0] = P(X < 0 ) + P(X = 0) = 0 + p(0) = p(0)
F(1) = P[X 1] = P(X 0) + P(X = 1) = p(0) + p(1)
F(2) = P[X 2] = P(X 1) + P(X = 2) = p(0) + p(1) + p(2)
F(3) = P[X 3] = P(X 2) + P(X = 3) = p(0) + p(1) + p(2) + p(3)
etc.
En general:
F(x)
P[X
x-1]
P(X
x)
F(x-1)
p(x)
x1
x2
p( x )
p( x1 )
x3
x4
p( x2 ) p( x3 ) p( x4 )
CONSIDERACIONES
ACUMULADA
TOMARSE
F ( xi ) P X xi
EN
CUENTA
EN
LA
DISTRIBUCIN
p( x )
i
X xi
EJEMPLOS
Sea X una variable aleatoria discreta cuya funcin de probabilidad viene dada por:
X
SOLUCIN
a) Recordemos que para todo valor de X menor que el mnimo valor implica que:
F(x) = 0
Del mismo modo, para X mayor o igual que el mximo valor de X, se tendr
F(x) = 1
Tomando en cuenta estos criterios, la funcin acumulada viene dada por:
b)Puesto
P(X
que
F(a)
2)
P(X
=
F(2)
a),
entonces:
=
7/8
f(X)
F(X)
1/36
1/36
2/36
3/36
3/36
6/36
4/36
10/36
5/36
15/36
6/36
21/36
5/36
26/36
4/36
30/36
10
3/36
33/36
11
2/36
35/36
12
1/36
36/36
X f(X) F(X)
0 15/45 15/45
1 24/45 39/45
2 6/45 45/45
P(
) = P(
Despejando P
P
= P(
) + P(
)
se tiene
) - P(
) = F(x2) - F(x1)
FUNCIN DISTRIBUCIN
CONTINUAS:
PARA
VARIABLES
ALEATORIAS
2.
, si X es discreta
, si X es continua.
, si X es continua.
4. Si X es continua
EJEMPLO 4.9: Determinar el valor de la constante c tal que f(x) defina una
funcin densidad en el intervalo dado y determinar la regla de correspondencia de
la funcin de distribucin acumulada correspondiente.
a.
b.
a.
b.
c. Para el segundo caso se har lo mismo que para el anterior con la diferencia
que tenemos una integral impropia.
2.
, si X es discreta
, si X es continua.
3.
4.
, si X es continua.
Si
es
continua,
N
la muestra que pertenecen a dicha categora. La notacin
hace
n
referencia al coeficiente binomial, es decir, el nmero de combinaciones
posibles al seleccionar n elementos de un total N.
Su media estadstica es
y su varianza
LA DISTRIBUCIN BINOMIAL
LA DISTRIBUCIN BINOMIAL es una distribucin de probabilidad discreta que
mide el nmero de xitos en una secuencia de n ensayos de Bernoulli
independientes entre s, con una probabilidad fija p de ocurrencia del xito entre
los ensayos. Estos experimento de Bernoulli se caracterizan por ser dicotmico,
vale decir, que nicamente son posibles dos resultados. A uno se le designa como
xito y presenta una probabilidad de ocurrencia p y al otro se le llama fracaso,
con una probabilidad q = 1 - p. En la distribucin binomial el anterior experimento
se repite n veces, de forma independiente, y se trata de calcular la probabilidad de
un determinado nmero de xitos. Para n = 1, la binomial se convierte, de hecho,
en una distribucin de Bernoulli. Para representar que una variable aleatoria X
sigue una distribucin binomial de parmetros n y p, se escribe:
La funcin de probabilidad es
Donde
de en
y
elementos tomados de
).
n
n
n
n
( a b ) a n a n1b .... abn1 b n
0
1
n1
n
n
n ni i
a b .
i 1 i
n
La probabilidad
Px de que un evento ocurra EXACTAMENTE
intentos esta dada por la ecuacin:
x veces en
n x n x
Px . p q
.
x
La probabilidad Px de que un evento se presente POR LO MENOS
en n intentos esta expresada por la ecuacin:
xn
x x
Px
x x
x x
x veces
n x n x
.
. p q
x
TRINGULO DE PASCAL
Los coeficientes de los trminos del desarrollo de cualquier potencia de un binomio
se pueden encontrar en forma inmediata utilizando el llamado tringulo de
Pascal. Los coeficientes del desarrollo de cualquier potencia de un binomio son los
nmeros que se hallan en la fila horizontal en donde despus del 1 esta el
exponente del binomio. Ejemplo: Los coeficientes del desarrollo del binomio
( a b )5 son aquellos nmeros que se encuentran en la fila horizontal, del tringulo
de Pascal, en donde despus del 1 esta el 5, es decir, 1, 5, 10, 10, 5, 1. De igual
manera se procede para ubicar los coeficientes de cualquier binomio.
El tringulo se forma de la siguiente manera: En la primera fila horizontal se
coloca 1. En la segunda fila se coloca 1 y 1. Desde la tercera fila en adelante se
comienza por 1 y cada nmero posterior al 1 se obtiene sumando en la fila
anterior el primer nmero con el segundo, el segundo con el tercero, el tercero
con el cuarto, cuarto con el quinto, el quinto con el sexto y as sucesivamente
hasta obtener los coeficientes de la potencia buscada, recuerde que el ltimo
nmero de la fila horizontal siempre tiene que ser 1 (ver tringulo).
1
1
1
1
1
1
1
1
1
2
3
4
5
6
7
1
3
6
10
15
21
1
4
10
20
35
1
5
15
35
1
6
21
1
7
1
1
8
9
28
36
84
56
70
56
126
126
84
28
8
36
1
9
( 2 x 3 y )5 ( 2 x )5 5( 2 x )4 3 y 10( 2 x )3 ( 3 y )2 10( 2 x )2 ( 3 y )3 5( 2 x )( 3 y )4 ( 3 y )5
( 2 x 3 y )5 32 x 5 240 x 4 y 720 x 3 y 2 1080 x 2 y 3 810 xy 4 243 y 5 .
( x y )6 x 6 6 x 5 y 15 x 4 y 2 20 x 3 y 3 15 x 2 y 4 5xy 5 y 6 .
Resultados NNN
x
0
NDN
1
NND
1
DNN
1
NDD
2
DND
2
DDN
2
DDD
3
4143 4 9 64 .
P( X x ) f ( x ) b( x.;..n;.. p ),
Generalizando la igualad anterior con el objeto de obtener una formula
matemtica para b(x, n, p), que proporcione la probabilidad de x xitos en n
ensayos en el caso de un experimento binomial. Primeramente se considerar la
probabilidad de x xitos y de n x fracasos en un orden especificado. Tomando
en cuenta que los ensayos son independientes, se pueden multiplicar todas las
probabilidades correspondientes a los diferentes resultados. Cada xito ocurre con
una probabilidad
p y cada fracaso, con una probabilidad q = 1 p. En
consecuencia, la probabilidad para un determinado pedido (del problema anterior)
es p x q n x . Se debe determinar ahora el nmero total de puntos maestrales en el
experimento que tiene x xitos y n x fracasos. Este nmero es igual al nmero
de particiones de n resultados en dos grupos, con x en un grupo y n x en el
n!
(n! se lee factorial
x! ( n x )!
de n, donde por definicin factorial de cero es igual 1). Como esas particiones son
mutuamente excluyentes, se suman las probabilidades de todas las particiones
x n x
por
n
.
x
n
b( x ,n , p ) f ( x ) . p x q n x ,.... x 0,1,2,3......, n
x
Esta es la frmula de la distribucin de probabilidad
binomiales.
para eventos
1
3 1 3
b x ,3, f ( x )
4
x 4 4
3 x
, x 0,1,2,3.
27
3 1 3
3 1
f ( 0 )
..., f ( 1 )
64
0 4 4
1 4
27
3
64
4
0
9
1
3 1 3
3 1 3
f ( 2 ) ..., f ( 3 )
64
2 4 4 64
3 4 4
La distribucin de probabilidad del problema Va es:
x
f(x)
f ( x ) 27
64
27
64
64
64
Resultado x
CCCC
0
CCCE
1
CCEC
1
CCEE
2
CECC
1
CECE
2
CEEC
2
CEEE
3
Resultado x
ECCC
1
ECCE
2
ECEC
2
ECEE
3
EECC
2
EECE
3
EEEC
3
EEEE
4
(0.1)x
4!
4
. Por tanto, en este ejemplo,
x x! ( n x )!
4
4
x
4 x
P( X x ) f ( x ) ( 0.1 ) ( 0.9 ) P( X 2 ) f ( 2 ) ( 0.1 )2 ( 0.9 )42
x
2
P( X 2 ) f ( 2 ) 6( 0.01 )( 0.81 ) 0.0486 .
P( X 2 ) f ( 2 ) 0.0486 .
OTROS EJEMPLO
Los siguientes son ensayos Binomiales:
Un tornillo, puede estar defectuoso o no defectuoso.
El sexo de un beb al nacer puede ser: nio o nia.
Las respuestas en una prueba determinada puden ser: correcta o incorrecta.
Si consideramos que una serie de ensayos Binomiales tiene como caractersticas:
1.
La probabilidad de xito permanece constante, ensayo tras ensayo; y
2. Los ensayos son independientes entre s;
3.
Entonces se tiene lo que se denomina experimento binomial, donde el nmero
de ensayos se denota con n, la probabilidad de xito con p y la de fracaso con q.
Hay que notar que las probabilidades de xito y de fracaso estn relacionadas de
la siguiente manera: p + q =1.
POR EJEMPLO: Consideremos un examen con tres preguntas de opcin mltiple,
con cuatro opciones, y que ser contestado al azar.
Podemos utilizar el siguiente ejemplo:
1.Las
flores
de
la
cayena
a) rojas
b) azules
c) amarillas
d) naranjas
son
de
color:
2.Don
Cristbal
Colon
a) 1592 b) 1692
c) 1492
d) 1792
3.El
significado
a) hoja
b) rbol
c) flor
de
d) fruto
descubri
la
palabra
Venezuela
en:
planta
es:
Con los datos de esta prueba contamos con un experimento binomial, ya que la
probabilidad de xito permanece constante en las tres preguntas (p = ) y las
respuestas de una a otra pregunta son independientes entre s. Se cuenta con una
cantidad n = 3 de ensayos y q =1 p = 3/4.
Hay que decir que n y p son los llamados parmetros de la distribucin.
Tenemos ahora la variable aleatoria X del ejemplo anterior que representar el
nmero de respuestas correctas, siendo sus posibles valores: 0, 1, 2, y 3.
Para calcular la distribucin de probabilidad correspondiente, consideraremos
como E los xitos y como F los fracasos (el subndice indica el nmero de
pregunta). As pues, se tiene que:
P(X=
0)
= P(F1 F2 F3)
= P(F1)P(F2)P
(F3)
= (3/4 = 1(3/4)3(1
)3 =
/4)0
27
/6
4
P(X=
1)
P(X=
2)
P(X=
3)
= P(E1 E2 E3)
P(X=x)
0.422
0.422
0.141
0.016
/2
= 3(3/4)2(1
/4)1
/64
= 3(3/4)1(1
/4)2
56
= P(E1)P(E2)P
(E3)
81
= (1/4 = 1(3/4)0(1
)3 =
/4)3
1
/64
4
b( x ,4,0.7 ) f ( x ) 0.70 x 0.30 n x ,... x 0..,1..,2..,3..,4
x
4
a ). P( exactamente..dos ) P( x 2 ) f ( 2 ) .( 0.70 )2 ( 0.30 )2
2
4!
( 0.49 )( 0.09 ) 0.2646
2!.2!
Luego la probabilidad de que en exactamente 2 de las a familias los maridos
ejerzan una influencia decisiva en la seleccin de la marca de auto a comprar es
de 26.46 %.
b).- P(al menos dos) = tiene 2 soluciones posibles a saber:
1 ). P( x 2 ) p( 2 ) p( 3 ) p( 4 ),...o..tambien
2 ). P( x 2 ) 1 p( 0 ) p( 1 )
4!
( 0.7 )4 ( 1 ) 0.2401 .
4!.0!
10
p( x ) f ( x ) .( 0.05 ) x ( 0.95 )10 x , entonces las probabilidades de aceptar un lote
x
es:
1..P( aceptar ) p( 0 ) p( 1 )
2..P( aceptar ) 1
10
.( 0.05 ) x ( 0.95 )10 x
x2 x
10
1 ).P( aceptar ) p( 0 ) p( 1 ) C( 10,0 ) ( 0.05 )0 ( 0.95 )10 C( 10,1 ) ( 0.05 )1( 0.95 )9
P( aceptar ) ( 1 )(1 )( 0.599 ) ( 10 )( 0.05 )( 0.6302 ) 0.599 0.315
P( aceptar ) 0.914 91 .40 %.
a ).P( rechazar ) 1 P( aceptar 1 0.914 0.086 8.60 %...tambien.. puede..ser :
b ).P( rechazar )
10
.( 0.05 ) x ( 0.95 )10 x
x2 x
10
E( x ) np
2 npq
npq
1
f ( x)
.......si..a x b
b a
x a
F ( x) P( X x)
....si..a x b,...0....si.. a;....1...si..b x.
b a
es
variable Z
una
variable
aleatoria
de
media y
desviacin
tpica
, la
X
tiene de media 0 y de desviacin tpica 1, y se llama tipificada
DISTRIBUCIN NORMAL
Se llama distribucin normal, distribucin de Gauss o distribucin de LaplaceGauss. Ello se debe a que el matemtico francs Pierre Simon de Laplace (v.), fue
el primero que demostr la siguiente relacin, muy importante en el estudio de la
distribucin normal:
x2
e
Caracteres psicolgicos,
adaptacin a un medio,...
por
ejemplo:
cociente
intelectual,
grado
de
Donde:
e es la constante 2,7182(base de los logaritmos neperianos).
Se dice que una variable aleatoria continua X sigue una distribucin normal de
parmetros y y se denota X~N (, ) si su funcin de densidad est dada
por:
plana. Un valor pequeo de este parmetro indica, por tanto, una gran
probabilidad de obtener datos cercanos al valor medio de la distribucin.
7.- Como se deduce de este ltimo apartado, no existe una nica distribucin
normal, sino una familia de distribuciones con una forma comn, diferenciadas por
los valores de su media y su varianza. De entre todas ellas, la ms utilizada es la
distribucin normal estndar, que corresponde a una distribucin de media 0 y
varianza 1.
8.- Ql y Q3 estn situados a 2/3 de una desviacin estndar. El 68 % del rea de la
curva (probabilidad) se encuentra a una desviacin estndar de la media.
9.- La variable tiene un alcance infinito, pero la mayor parte del rea bajo la curva
se encuentra a tres desviaciones estndar de la media.
FUNCIN DE DISTRIBUCIN
Puede tomar cualquier valor (- , + )
Son ms probables los valores cercanos a uno central que llamamos media
Conforme nos separamos de ese valor , la probabilidad va decreciendo de igual
forma a derecha e izquierda (es simtrica).
y su funcin de distribucin es
X 4 3.25
0.9146
0.82
. Luego:
2
Por lo tanto la probabilidad de que un nio al nacer tenga un peso superior a 4 kg.
es de 18.0 %.
EJEMPLOS:
A) Calcular P (z < 1.35) y P (z > 1.35). Solucin: abajo se reproduce parte
de la tabla:
B)
z
.00
.01
.02
.03
.04
.05
.06
.07
.08
.09
1.3
.0968
.0951
.0934
.0918
.0901
.0885
.0869
.0853
.0838
.0823
.00
.01
.02
.03
.04
.05
.06
.07
.08
.09
0.6
.7257
.7291
.7324
.7357
.7389
.7422
.7454
.7486
.7517
.7549
Al consultar la tabla (ver arriba): P(x < 63) = P(z < 0.60) = 0.7257.
Adems, P(x > 63) = P (z > 0.60) = 1 P (z < 0.60) = 0.2743.
EJERCICIOS: Calcular las siguientes probabilidades.
1)
2)
3)
4)
P(z
P(z
P(z
P(z
>
<
>
<
2.43)
0.96)
1.17)
2.39)
, con lo cual, a
1.96
1.96
;
n
n
.
Estaremos, por lo tanto, un 95% seguros de que el peso medio real en la
poblacin de origen oscila entre 75.6 Kg y 80.3 Kg. Aunque la teora estadstica
subyacente es mucho ms compleja, en lneas generales ste es el modo de
construir un intervalo de confianza para la media de una poblacin.
EJEMPLO: Supongamos que cierto fenmeno pueda ser representado mediante
una va X N ( 45 ,81 ) , y queremos calcular la probabilidad de que X tome un valor
entre 39 y 48, es decir,
P39 X 48 ??
SOLUCIN: Comenzamos haciendo el cambio de variable
X X 45 X 45
. De modo que
9
81
z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
0.00
0.5000
0.5398
0.5793
0.6179
0.6554
0.6915
0.7257
0.7580
0.7881
0.8159
0.8413
0.8643
0.8849
0.9032
0.9192
0.9332
0.9452
0.9554
0.9641
0.9713
0.9772
0.9821
0.9861
0.9893
0.9918
0.9938
0.9953
0.9965
0.9974
0.9981
0.9987
0.9990
0.9993
0.9995
0.9997
0.9998
0.9998
0.9999
0.9999
1.0000
0.01
0.5040
0.5438
0.5832
0.6217
0.6591
0.6950
0.7291
0.7611
0.7910
0.8186
0.8438
0.8665
0.8869
0.9049
0.9207
0.9345
0.9463
0.9564
0.9649
0.9719
0.9778
0.9826
0.9864
0.9896
0.9920
0.9940
0.9955
0.9966
0.9975
0.9982
0.9987
0.9991
0.9993
0.9995
0.9997
0.9998
0.9998
0.9999
0.9999
1.0000
0.02
0.5080
0.5478
0.5871
0.6255
0.6628
0.6985
0.7324
0.7642
0.7939
0.8212
0.8461
0.8686
0.8888
0.9066
0.9222
0.9357
0.9474
0.9573
0.9656
0.9726
0.9783
0.9830
0.9868
0.9898
0.9922
0.9941
0.9956
0.9967
0.9976
0.9982
0.9987
0.9991
0.9994
0.9995
0.9997
0.9998
0.9999
0.9999
0.9999
1.0000
0.03
0.5120
0.5517
0.5910
0.6293
0.6664
0.7019
0.7357
0.7673
0.7967
0.8238
0.8485
0.8708
0.8907
0.9082
0.9236
0.9370
0.9484
0.9582
0.9664
0.9732
0.9788
0.9834
0.9871
0.9901
0.9925
0.9943
0.9957
0.9968
0.9977
0.9983
0.9988
0.9991
0.9994
0.9996
0.9997
0.9998
0.9999
0.9999
0.9999
1.0000
0.04
0.5160
0.5557
0.5948
0.6331
0.6700
0.7054
0.7389
0.7704
0.7995
0.8264
0.8508
0.8729
0.8925
0.9099
0.9251
0.9382
0.9495
0.9591
0.9671
0.9738
0.9793
0.9838
0.9875
0.9904
0.9927
0.9945
0.9959
0.9969
0.9977
0.9984
0.9988
0.9992
0.9994
0.9996
0.9997
0.9998
0.9999
0.9999
0.9999
1.0000
0.05
0.5199
0.5596
0.5987
0.6368
0.6736
0.7088
0.7422
0.7734
0.8023
0.8289
0.8531
0.8749
0.8944
0.9115
0.9265
0.9394
0.9505
0.9599
0.9678
0.9744
0.9798
0.9842
0.9878
0.9906
0.9929
0.9946
0.9960
0.9970
0.9978
0.9984
0.9989
0.9992
0.9994
0.9996
0.9997
0.9998
0.9999
0.9999
0.9999
1.0000
0.06
0.5239
0.5636
0.6026
0.6406
0.6772
0.7123
0.7454
0.7764
0.8051
0.8315
0.8554
0.8770
0.8962
0.9131
0.9279
0.9406
0.9515
0.9608
0.9686
0.9750
0.9803
0.9846
0.9881
0.9909
0.9931
0.9948
0.9961
0.9971
0.9979
0.9985
0.9989
0.9992
0.9994
0.9996
0.9997
0.9998
0.9999
0.9999
0.9999
1.0000
0.07
0.5279
0.5675
0.6064
0.6443
0.6808
0.7157
0.7486
0.7794
0.8078
0.8340
0.8577
0.8790
0.8980
0.9147
0.9292
0.9418
0.9525
0.9616
0.9693
0.9756
0.9808
0.9850
0.9884
0.9911
0.9932
0.9949
0.9962
0.9972
0.9979
0.9985
0.9989
0.9992
0.9995
0.9996
0.9997
0.9998
0.9999
0.9999
0.9999
1.0000
0.08
0.5319
0.5714
0.6103
0.6480
0.6844
0.7190
0.7517
0.7823
0.8106
0.8365
0.8599
0.8810
0.8997
0.9162
0.9306
0.9429
0.9535
0.9625
0.9699
0.9761
0.9812
0.9854
0.9887
0.9913
0.9934
0.9951
0.9963
0.9973
0.9980
0.9986
0.9990
0.9993
0.9995
0.9996
0.9997
0.9998
0.9999
0.9999
0.9999
1.0000
0.09
0.5359
0.5753
0.6141
0.6517
0.6879
0.7224
0.7549
0.7852
0.8133
0.8389
0.8621
0.8830
0.9015
0.9177
0.9319
0.9441
0.9545
0.9633
0.9706
0.9767
0.9817
0.9857
0.9890
0.9916
0.9936
0.9952
0.9964
0.9974
0.9981
0.9986
0.9990
0.9993
0.9995
0.9997
0.9998
0.9998
0.9999
0.9999
0.9999
1.0000
en el valor 0,67: la
en el valor 1,35: la
en el valor 2,19: la
podemos utilizar
respuesta es 0,7486
respuesta es 0,9115
respuesta es 0,98574
esta tabla con una distribucin
X 5
1
Esta nueva variable se distribuye como una normal tipificada. La variable Z que
corresponde a una variable X de valor 7 es:
75
2
1
SOLUCIN:
Lo primero que tenemos que hacer es calcular la normal tipificada:
X 4
1.22
1,282
X 4
1.282( 1.22 ) X 4 X 1.57 4 X 5.57 .
1.22
Los valores de X son 2,97 y 5,03. Por lo tanto, las personas con ingresos
superiores a 2,97 millones de Bs. e inferiores a 5,03 millones de Bs. constituyen el
60% de la poblacin con un nivel medio de renta.
EJERCICIO 2: La vida media de los habitantes de un pas es de 68 aos, con
una varianza de 25. Se hace un estudio en una pequea ciudad de 10.000
habitantes:
a) Cuntas personas superarn posiblemente los 75 aos?
b)
c) Cuntos vivirn menos de 60 aos?
d)
SOLUCIN:
a) Personas que vivirn (posiblemente) ms de 75 aos
b)
Calculamos el valor de la normal tipificada equivalente a 75 aos
75 68
1.4
5
Por lo tanto
60 68
1,6 . Por lo tanto P (X < 60) = (Z < -1,6) = P (Z > 1,6) = 1 - P (Z <
5
1,6) = 0,0548.
X 58
6( 1,645 ) X 58 X 9.87 58
6
X 67 ,87
1,645
45 58
2,2
6
Por lo tanto
7.7 5.5
2.1 . A este valor de Z le corresponde una probabilidad acumulada
1,049
(ver tablas) de 0,98214 (98,214%), lo que quiere decir que por encima de usted
tan slo se encuentra un 1,786%.
Si se han presentado 2.000 aspirante, ese 1,786% equivale a unos 36 aspirantes;
como hay 100 plazas disponibles, tiene usted suficientes probabilidades como para
ir organizando la "mejor de las fiestas".
b) "Repesca" para el 20% de los candidatos
Vemos en la tabla el valor de la normal tipificada que acumula el 80% de la
probabilidad, ya que por arriba slo quedara el 20% restante.
Este valor de Z corresponde a 0,842 (aprox.). Ahora calculamos el valor de la
normal X equivalente:
X 5.5
( 0.842 )(1,049 ) X 5.5 X ( 0,883 ) 5.5
1,049
X 6,38
0,842
dado por Z
X ( X )
X X
N.
INTERVALOS DE CONFIANZA
Al igual que se hizo con la distribucin normal, se pueden definir los intervalos de
confianza 95%, 99%, u otros, usando la tabla de la distribucin t. De esta forma
podemos estimar la media de la poblacin dentro de los lmites especificados.
X t
S
, Donde S
es la desviacin estndar estimada de X .
N
N
GRADOS DE LIBERTAD
Para el clculo de un estadstico tal como t y
es necesario emplear tanto
observaciones de muestras como propiedades de ciertos parmetros de la
poblacin, si estos parmetros son desconocidos, hay que estimarlos a partir de la
muestra.
Qu son los grados de libertad? Se pueden definir como el nmero de valores
que se pueden escoger libremente.
Suponiendo que se est trabajando con dos valores de muestra, a y b, y se sabe
que tienen una media de 18. Simblicamente, se puede expresar:
ab
18 a b 36 . Cmo se puede encontrar los valores que a y b puedan
2
abcd e f g
16
7
En este caso, los grados de libertad (GL) o el nmero de variables que se pueden
especificar libremente es 7 1 = 6. Se tiene la libertad de asignar valores a 6
variables, y luego ya no tenemos libertad de especificar el valor de la sptima
variable, puesto que esa queda determinada automticamente. En cada uno de los
ejemplo tenemos un grado de libertad que es igual a n 1 grados de libertad,
suponiendo que n es el tamao de la muestra. Utilizamos los grados de liberta
cuando se elige una distribucin t para estimar una media de poblacin, y se
utilizar n 1 GL, tomando n igual al tamao de la muestra.
Regiones de aceptacin y rechazo en el contraste de hiptesis
P(T>t(df,alfa))
grados alfa
de
libertad 0.1000 0.0500 0.0250 0.0100 0.0050 0.0010 0.0005
1
3.078
6.314
1.886
2.920
4.303
6.965
9.925
22.328
31.600
1.638
2.353
3.182
4.541
5.841
10.214
12.924
1.533
2.132
2.776
3.747
4.604
7.173
8.610
1.476
2.015
2.571
3.365
4.032
5.894
6.869
1.440
1.943
2.447
3.143
3.707
5.208
5.959
1.415
1.895
2.365
2.998
3.499
4.785
5.408
1.397
1.860
2.306
2.896
3.355
4.501
5.041
1.383
1.833
2.262
2.821
3.250
4.297
4.781
10
1.372
1.812
2.228
2.764
3.169
4.144
4.587
11
1.363
1.796
2.201
2.718
3.106
4.025
4.437
12
1.356
1.782
2.179
2.681
3.055
3.930
4.318
13
1.350
1.771
2.160
2.650
3.012
3.852
4.221
14
1.345
1.761
2.145
2.624
2.977
3.787
4.140
15
1.341
1.753
2.131
2.602
2.947
3.733
4.073
16
1.337
1.746
2.120
2.583
2.921
3.686
4.015
17
1.333
1.740
2.110
2.567
2.898
3.646
3.965
18
1.330
1.734
2.101
2.552
2.878
3.610
3.922
19
1.328
1.729
2.093
2.539
2.861
3.579
3.883
20
1.325
1.725
2.086
2.528
2.845
3.552
3.850
21
1.323
1.721
2.080
2.518
2.831
3.527
3.819
22
1.321
1.717
2.074
2.508
2.819
3.505
3.792
23
1.319
1.714
2.069
2.500
2.807
3.485
3.768
24
1.318
1.711
2.064
2.492
2.797
3.467
3.745
25
1.316
1.708
2.060
2.485
2.787
3.450
3.725
26
1.315
1.706
2.056
2.479
2.779
3.435
3.707
27
1.314
1.703
2.052
2.473
2.771
3.421
3.689
28
1.313
1.701
2.048
2.467
2.763
3.408
3.674
29
1.311
1.699
2.045
2.462
2.756
3.396
3.660
30
1.310
1.697
2.042
2.457
2.750
3.385
3.646
31
1.309
1.696
2.040
2.453
2.744
3.375
3.633
32
1.309
1.694
2.037
2.449
2.738
3.365
3.622
33
1.308
1.692
2.035
2.445
2.733
3.356
3.611
34
1.307
1.691
2.032
2.441
2.728
3.348
3.601
35
1.306
1.690
2.030
2.438
2.724
3.340
3.591
36
1.306
1.688
2.028
2.434
2.719
3.333
3.582
37
1.305
1.687
2.026
2.431
2.715
3.326
3.574
38
1.304
1.686
2.024
2.429
2.712
3.319
3.566
39
1.304
1.685
2.023
2.426
2.708
3.313
3.558
40
1.303
1.684
2.021
2.423
2.704
3.307
3.551
60
1.296
1.671
2.000
2.390
2.660
3.232
3.460
120
1.289
1.658
1.980
2.358
2.617
3.160
3.373
inf
1.282
1.645
1.960
2.327
2.576
3.091
3.291
1
f ( x) e ,....x 0..... y..donde.... 0
BIBLIOGRAFA
Babbie, E. (2000): Fundamentos de la Investigacin Social. International Thomson
Editores. Mxico.
Benavente
del Prado, Arturo Nez (1992): Estadstica Bsica par
Planificacin. Editorial Interamericana. 6. Edicin. Mxico.
Berenso, Mark.(1.992): Estadstica Bsica en Administracin. Editorial. Harla.
Cuarta Edicin. Mxico.
Hill
INTERAMERICANA DE ESPAA, S.A.U. Mxico.
Universidad Nacional Experimental Simn Rodrguez (1983): Estadstica 1.
Ediciones UNESR, Caracas.
Walpole, R. y Myers, R. (1987): Probabilidad y Estadstica para Ingenieros.
Editorial Interamericana. Mxico.
Webster, Allen L (2001) Estadstica Aplicada a los Negocios y la Economa.
Editorial McGraw Hill INTERAMERICANA DE BOGOTA, S.A.U. Colombia.
BIBLIOWEB
https://sites.google.com/site/educacionvirtualdelsigloxxi/
https://sites.google.com/site/aprendizajedeestadistica /
https://sites.google.com/site/estadisticaconelspss /
http://hamletyelaprendizajevirtual.jimdo.com /
http://aprendizajevirtuylastic.wordpress.com /
http://hamletylaestadisticaugma.jimdo.com /
http://aprendizajevirtuaylastic.jimdo.com /
https://sites.google.com/site/hamletylastic /
http://hamletyestadisticaspss.jimdo.com /
http://www.udemy.com/draft/12005
http://rossyindriagosilva.jimdo.com /
http://equposanantonio.jimdo.com /
http://hamletmud.jimdo.com /
http://postgradougma.jimdo.com
http://www.bioestadistica.uma.es/libro/
http://www.hrc.es/bioest/Mdocente.html#tema1
http://www.mailxmail.com/curso/informatica/spssespanol/capitulo1.htm (SPSS)
http://www.aulafacil.com/investigacionspss/Lecc-6.htm (SPSS)
http://home.ubalt.edu/ntsbarsh/Business-stat/opre504S.htm
http://nutriserver.com/Cursos/Bioestadistica/Distribuciones_Continuas.html
http://www.bioestadistica.freeservers.com/farpro.html
http://www.gestiopolis.com/canales/financiera/articulos/36/estapro.htm
http://www.hrc.es/bioest/Reglin_8.html
http://www.monografias.com/trabajos20/estadistica/estadistica.shtml
http://nutriserver.com/Cursos/Bioestadistica/Distribuciones_Bidimensionales.html
http://www.terra.es/personal2/jpb00000/tvariablealeatoria.htm
http://www.terra.es/personal2/jpb00000/tinferencia.htm#muestreoaleatoriosimpl
e
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_probabilidad
http://w3.mor.itesm.mx/~cmendoza/ma835/ma83500.html
http://www.seh-lelha.org/noparame.htm
http://sapiens.ya.com/matagus/unidad6.htm
http://zip.rincondelvago.com/?00044092
http://www.seh-lelha.org/regresion1.htm
http://www.eumed.net/cursecon/medir/introd.htm
http://encyclopedie-es.snyke.com/articles/distribucion_de_probabilidad.html
http://www.seh-lelha.org/concor2.htm
http://www.seh-lelha.org/noparame.htm
http://www.inf.ufsc.br/cee/pasta1/art4.html
http://www.inf.ufsc.br/cee/pasta4/art1p4.html
http://buscar.hispavista.com/?cadena=Aprende+estadistica
http://www.psicol.unam.mx/Cim2000/Estadistica/journal_of_statistics_education.
htm
http://www.statserv.com/softwares.html
http://www.statistics.com/
http://e-stadistica.bio.ucm.es/web_spss/entorno_de_trabajo_del_SPSS.html
http://www.hrc.es/bioest/Introducion_ch.html
http://www.hrc.es/bioest/M_docente.html#tema2
http://members.tripod.com/~beatrizt/verdad/5.html
http://www.monografias.com/trabajos5/estadm/estadm.shtml
http://www.monografias.com/trabajos10/esta/esta.shtml
http://platea.pntic.mec.es/~jescuder/estadist.htm
http://www.angelfire.com/journal2/estadistica/Links.htm
http://www.edustatspr.com/documentos/probabilidad/3.1.vadiscr.pdf
http://www.fisterra.com/material/investiga/distr_normal/distr_normal.htm
http://www.caib.es/ibae/esdeveniment/jornades_10_01/doc/Estepa-JornadasMallorca.doc