Antología de Probabilidad y Estadística I PDF

Antologa de Probabilidad y Estadstica I
COBACH PLANTEL 01 TUXTLATERAN TURNO MATUTINO AUTOR MC FRANCISCO JAVIER RUIZ CRUZ
18/08/2013
Contenido Temtico PROBABILIDAD Y ESTADISTICAS I

UNIDAD I RECOLECCION DE DATOS
1.1. TRMINOS BSICOS DE LA ESTADSTICA 1.1.1. Trminos bsicos de la estadstica. 1.1.2. Definicin de la Estadstica. 1.1.3 Clasificacin de la estadstica. 1.1.4. Definicin de: poblacin, Muestra, Variable, dato(s), experimento, muestreo, parmetro, tipos de variables. 1.2 MTODOS DE MUESTREO. 1.2.1 Definicin de muestreo, censo, poblaciones finitas e infinitas 1.2.2 Mtodos de muestreo: aleatorio simple, sistemtico, estratificado y por conglomerados. UNIDAD II REPRESENTACION TABULAR Y GRAFICA 2.1 DISTRIBUCIN DE FRECUENCIAS 2.1.1 Frecuencia absoluta, relativa y acumulada. 2.1.2 Construccin de una tabla de frecuencias para datos agrupados y no agrupados. 2.2 REPRESENTACIN GRAFICA Histograma Polgono de frecuencia Ojiva De barras Circular. UNIDAD III MEDIDAS DE TENDENCIA CENTRAL Y VARIABILIDAD
3.1 MEDIDAS DE TENDENCIAS CENTRAL * Media * Mediana * Moda 3.1.1 Datos no agrupados 3.1.2 Datos agrupados
MC FRANCISCO JAVIER RUIZ CRUZ AGOSTO DEL 2013 TUXTLA GUTIERREZ CHIAPAS COBACH 01
3.2 MEDIDAS DE VARIABILIDAD * Rango * Varianza * Desviacin estndar 3.2.1 Datos no agrupados 3.2.2 Datos agrupados. UNIDAD IV PROBABILIDAD 4.1 Conceptos bsicos y operaciones elementales en la teora de conjuntos. 4.1.1 Definicin de conjunto, conjunto universo, subconjunto. 4.1.2 Definicin y representacin con simbologa y diagramas de: * Conjunto vaci * Interseccin * Unin * Complemento * Diferencia. 4.2 CONCEPTOS BSICOS DE PROBABILIDAD 4.2.1 Definicin de experimento, espacio muestral, punto muestral y evento. 4.3 TCNICAS DE CONTEO. 4.3.1 Factorial de un nmero. 4.3.2 Principio de la multiplicacin 4.3.3 Permutaciones y combinaciones CRITERIO DE EVALUACION 1.- EVALUACION ESCRITA ..100% 2.- TRABAJOS DE INVESTIGACION. 100% 3.- TAREAS100% 4.- ACTIVIDADES EXTRACLASE.100% 5.- PARTICIPACION Y ASISTENCIA...100% SUMA.100%
MC FRANCISCO JAVIER RUIZ CRUZ
AGOSTO DEL 2013
TUXTLA GUTIERREZ CHIAPAS COBACH 01
BIBLIOGRAFA Bsica: *Fuenlabrada Samuel, Probabilidad y Estadstica. Mxico. Edit Mc Graw Hill, 2012. * Kazmier J. Leonard, Estadstica aplicada a la administracin y a la economa Edit Mc Graw Hill; Mxico 209 *Pastor Guillermo, Estadstica Elemental, Edit Trillas, Mxico, 2010. * Snchez Octavio, Probabilidad y Estadstica, Edit. Mc Graw Hill, Mxico 2010. * Estadstica elemental, Edit Mc Graw Hill, Mxico 2007 * Elena Ruiz Ledesma, Elvia Ruiz Ledesma, Probabilidad y Estadstica, Edit. Mc Graw Hill. Mxico 2011 Complementaria: * Enciclopedia interactiva serie Matemticas; Azar y Estadstica, Lectus Vergara, Nech computers, el peridico. Pgina Web: www.aulaclic.org
AGOSTO DEL 2013
Origen
El trmino alemn Statistik, que fue primeramente introducido por Gottfried Achenwall (1749), designaba originalmente el anlisis de datos del Estado, es decir, la "ciencia del Estado" (tambin llamada aritmtica poltica de su traduccin directa del ingls). No fue hasta el siglo XIX cuando el trmino estadstica adquiri el significado de recolectar y clasificar datos. Este concepto fue introducido por el militar britnico Sir John Sinclair (1754-1835). En su origen, por tanto, la Estadstica estuvo asociada a los Estados, para ser utilizados por el gobierno y cuerpos administrativos (a menudo centralizados). La coleccin de datos acerca de estados y localidades contina ampliamente a travs de los servicios de estadsticas nacionales e internacionales. En particular, los censos suministran informacin regular acerca de la poblacin. Ya se utilizaban representaciones grficas y otras medidas en pieles, rocas, palos de madera y paredes de cuevas para controlar el nmero de personas, animales o ciertas mercancas. Hacia el ao 3000 a. C. los babilonios usaban ya pequeos envases moldeados de arcilla para recopilar datos sobre la produccin agrcola y de los gneros vendidos o cambiados. Los egipcios analizaban los datos de la poblacin y la renta del pas mucho antes de construir las pirmides en el siglo XI a. C. Los libros bblicos de Nmeros y Crnicas incluyen en algunas partes trabajos de estadstica. El primero contiene dos censos de la poblacin de Israel y el segundo describe el bienestar material de las diversas tribus judas. En China existan registros numricos similares con anterioridad al ao 2000 a. C. Los antiguos griegos realizaban censos cuya informacin se utilizaba hacia el 594 a. C. para cobrar impuestos ESTADISTICA: La estadstica es una ciencia que estudia la recoleccin, anlisis e interpretacin de datos, ya sea para ayudar en la toma de decisiones o para explicar condiciones regulares o irregulares de algn fenmeno o estudio aplicado, de ocurrencia en forma aleatoria o condicional. Sin embargo estadstica es ms que eso, en otras palabras es el vehculo que permite llevar a cabo el proceso relacionado con la investigacin cientfica.
La estadstica se divide en dos grandes reas:
La estadstica descriptiva, se dedica a la descripcin,

AGOSTO DEL 2013 TUXTLA GUTIERREZ CHIAPAS COBACH 01
visualizacin y resumen de datos originados a partir de los fenmenos de estudio. Los datos pueden ser resumidos numrica o grficamente. Ejemplos bsicos de parmetros estadsticos son: la media y la desviacin estndar. Algunos ejemplos grficos son: histograma, pirmide poblacional, clsters, entre otros.

La estadstica inferencial, se dedica a la generacin de los modelos, inferencias y predicciones asociadas a los fenmenos en cuestin teniendo en cuenta la aleatoriedad de las observaciones. Se usa para modelar patrones en los datos y extraer inferencias acerca de la poblacin bajo estudio. Estas inferencias pueden tomar la forma de respuestas a preguntas si/no (prueba de hiptesis), estimaciones de caractersticas numricas (estimacin), pronsticos de futuras observaciones, descripciones de asociacin (correlacin) o modelamiento de relaciones entre variables (anlisis de regresin). Otras tcnicas de modelamiento incluyen anova, series de tiempo y minera de datos.
Ambas ramas (descriptiva e inferencial) comprenden la estadstica aplicada. Hay tambin una disciplina llamada estadstica matemtica, la que se refiere a las bases tericas de la materia. La palabra estadsticas tambin se refiere al resultado de aplicar un algoritmo estadstico a un conjunto de datos, como en estadsticas econmicas, estadsticas criminales, entre otros. Poblacin debe entenderse el total de los elementos que conforman a un conjunto. Por ejemplo el total de las manzanas producidas en la Huerta LA FLOR o bien el nmero total de empleados de una empresa. Muestra Es un conjunto de elementos extrados de un conjunto mayor a fin de conocer aproximadamente las caractersticas de la poblacin de donde proviene. El conocimiento exacto de una poblacin requiere un estudio muy detallado, mientras que una muestra solo permite resultados aproximados pero su tiempo y costo de realizacin son, por lo general, menores que el estudio de la poblacin. ESTUDIO DE LA POBLACION ESTUDIO DE LA MUESTRA Conocimiento exacto Conocimiento aproximado Mucho tiempo requerido Alto costo Rpido Econmico
Una poblacin puede clasificarse como finita cuando el nmero de elementos que la componen es limitado como son el nmero de ballenas en el mundo, o bien es infinita cuando el nmero de sus elementos es muy grande, como los granos de arena del mar o francamente no medibles como son las estrellas del universo.
Una muestra puede ser grande o pequea, en funcin del nmero de elementos que lo contenga. Convencionalmente se dice que una muestra es grande si tiene 30 o ms elementos. En estadstica se conoce como muestreo a la tcnica para la seleccin de una muestra a partir de una poblacin. Al elegir una muestra se espera conseguir que sus propiedades sean extrapolables a la poblacin. Este proceso permite ahorrar recursos, y a la vez obtener resultados parecidos a los que se alcanzaran si se realizase un estudio de toda la poblacin. Cabe mencionar que para que el muestreo sea vlido y se pueda realizar un estudio adecuado (que consienta no solo hacer estimaciones de la poblacin sino estimar tambin los mrgenes de error correspondientes a dichas estimaciones), debe cumplir ciertos requisitos. Nunca podremos estar enteramente seguros de que el resultado sea una muestra representativa pero s podemos actuar de manera que esta condicin se alcance con una probabilidad alta. En el muestreo, si el tamao de la muestra es ms pequeo que el tamao de la poblacin, se puede extraer dos o ms muestras de la misma poblacin. Al conjunto de muestras que se pueden obtener de la poblacin se denomina espacio muestral. La variable que asocia a cada muestra su probabilidad de extraccin, sigue la llamada distribucin muestral. Tcnicas de muestreo Existen dos mtodos para seleccionar muestras de poblaciones: el muestreo no aleatorio o de juicio y el muestreo aleatorio (que incorpora el azar como recurso en el proceso de seleccin). Cuando este ltimo cumple con la condicin de que todos los elementos de la poblacin tienen alguna oportunidad de ser escogidos en la muestra, si la probabilidad correspondiente a cada sujeto de la poblacin es conocida de antemano, recibe el nombre de muestreo probabilstico. Una muestra seleccionada por muestreo de juicio puede basarse en la experiencia de alguien con la poblacin. Algunas veces una muestra de juicio se usa como gua o muestra tentativa para decidir cmo tomar una muestra aleatoria ms adelante. Muestreo probabilstico Forman parte de este tipo de muestreo todos aquellos mtodos para los que puede calcular la probabilidad de extraccin de cualquiera de las muestras posibles. Este conjunto de tcnicas de muestreo es el ms aconsejable, aunque en ocasiones no es posible optar por l. En este caso se habla de muestras probabilsticas, pues no es en rigor correcto hablar de muestras representativas dado que, al no conocer las caractersticas de la poblacin, no es posible tener certeza de que tal caracterstica se haya conseguido.
Sin reposicin de los elementos: Cada elemento extrado se descarta para la subsiguiente extraccin. Por ejemplo, si se extrae una muestra de una "poblacin" de bombillas para estimar la vida media de las bombillas que la integran, no ser posible medir ms que una vez la bombilla seleccionada. Con reposicin de los elementos: Las observaciones se realizan con reemplazamiento de los individuos, de forma que la poblacin es idntica en todas las extracciones. En poblaciones muy grandes, la probabilidad de repetir una extraccin es tan pequea que el muestreo puede considerarse sin reposicin aunque, realmente, no lo sea. Con reposicin mltiple: En poblaciones muy grandes, la probabilidad de repetir una extraccin es tan pequea que el muestreo puede considerarse sin reposicin. Cada elemento extrado se descarta para la subsiguiente extraccin. Para realizar este tipo de muestreo, y en determinadas situaciones, es muy til la extraccin de nmeros aleatorios mediante ordenadores, calculadoras o tablas construidas al efecto. Muestreo estratificado Consiste en la divisin previa de la poblacin de estudio en grupos o clases que se suponen homogneos con respecto a alguna caracterstica de las que se van a estudiar. A cada uno de estos estratos se le asignara una cuota que determinara el nmero de miembros del mismo que compondrn la muestra. Dentro de cada estrato se suele usar la tcnica de muestreo sistemtico, una de las tcnicas de seleccin ms usadas en la prctica. Segn la cantidad de elementos de la muestra que se han de elegir de cada uno de los estratos, existen dos tcnicas de muestreo estratificado:
Asignacin proporcional: el tamao de la muestra dentro de cada estrato es proporcional al tamao del estrato dentro de la poblacin. Asignacin ptima: la muestra recoger ms individuos de aquellos estratos que tengan ms variabilidad. Para ello es necesario un conocimiento previo de la poblacin.
Por ejemplo, para un estudio de opinin, puede resultar interesante estudiar por separado las opiniones de hombres y mujeres pues se estima que, dentro de cada uno de estos grupos, puede haber cierta homogeneidad. As, si la poblacin est compuesta de un 55% de mujeres y un 45% de hombres, se tomara una muestra que contenga tambin esos mismos porcentajes de hombres y mujeres. Para una descripcin general del muestreo estratificado y los mtodos de inferencia asociados con este procedimiento, suponemos que la poblacin est
dividida en h subpoblaciones o estratos de tamaos conocidos N1, N2,..., Nh tal que las unidades en cada estrato sean homogneas respecto a la caracterstica en cuestin. La media y la varianza desconocidas para el i-simo estrato son denotadas por mi y si2, respectivamente. Muestreo sistemtico Se utiliza cuando el universo o poblacin es de gran tamao, o ha de extenderse en el tiempo. Primero hay que identificar las unidades y relacionarlas con el calendario (cuando proceda). Luego hay que calcular una constante, que se denomina coeficiente de elevacin K= N/n; donde N es el tamao del universo y n el tamao de la muestra. Determinar en qu fecha se producir la primera extraccin, para ello hay que elegir al azar un nmero entre 1 y K; de ah en adelante tomar uno de cada K a intervalos regulares. Ocasionalmente, es conveniente tener en cuenta la periodicidad del fenmeno. Esto quiere decir que si tenemos un determinado nmero de personas que es la poblacin (N) y queremos escoger de esa poblacin un nmero ms pequeo el cual es la muestra (n), dividimos el nmero de la poblacin por el nmero de la muestra que queremos tomar y el resultado de esta operacin ser el intervalo, entonces escogemos un nmero al azar desde uno hasta el nmero del intervalo, y a partir de este nmero escogemos los dems siguiendo el orden. Muestreo por estadios mltiples Esta tcnica es la nica opcin cuando no se dispone de lista completa de la poblacin de referencia o bien cuando por medio de la tcnica de muestreo simple o estratificado se obtiene una muestra con unidades distribuidas de tal forma que resultan de difcil acceso. En el muestreo a estadios mltiples se subdivide la poblacin en varios niveles ordenados que se extraen sucesivamente por medio de un procedimiento de embudo. El muestreo se desarrolla en varias fases o extracciones sucesivas para cada nivel. Por ejemplo, si tenemos que construir una muestra de profesores de primaria en un pas determinado, stos pueden subdividirse en unidades primarias representadas por circunscripciones didcticas y unidades secundarias que seran los propios profesores. En primer lugar extraemos una muestra de las unidades primarias (para lo cual debemos tener la lista completa de estas unidades) y en segundo lugar extraemos aleatoriamente una muestra de unidades secundarias de cada una de las primarias seleccionadas en la primera extraccin. Muestreo por conglomerados Tcnica similar al muestreo por estadios mltiples, se utiliza cuando la poblacin se encuentra dividida, de manera natural, en grupos que se supone que contienen toda la variabilidad de la poblacin, es decir, la representan fielmente respecto a la
caracterstica a elegir, pueden seleccionarse slo algunos de estos grupos o conglomerados para la realizacin del estudio. Dentro de los grupos seleccionados se ubicarn las unidades elementales, por ejemplo, las personas a encuestar, y podra aplicrsele el instrumento de medicin a todas las unidades, es decir, los miembros del grupo, o slo se le podra aplicar a algunos de ellos, seleccionados al azar. Este mtodo tiene la ventaja de simplificar la recogida de informacin muestral. Cuando, dentro de cada conglomerado seleccionado, se extraen algunos individuos para integrar la muestra, el diseo se llama muestreo bietpico. Las ideas de estratos y conglomerados son, en cierto sentido, opuestas. El primer mtodo funciona mejor cuanto ms homognea es la poblacin respecto del estrato, aunque ms diferentes son stos entre s. En el segundo, ocurre lo contrario. Los conglomerados deben presentar toda la variabilidad, aunque deben ser muy parecidos entre s. Homogeneidad de las poblaciones o sus subgrupos Homogneo siginifica, en el contexto de la estratificacin, que no hay mucha variabilidad. Los estratos funcionan mejor cuanto ms homogneos son cada uno de ellos respecto a la caracterstica a medir. Por ejemplo, si se estudia la estatura de una poblacin, es bueno distinguir entre los estratos mujeres y hombres porque se espera que, dentro de ellos, haya menos variabilidad, es decir, sean menos heterogneos. Dicho de otro modo, no hay tantas diferencias entre unas estaturas y otras dentro del estrato que en la poblacin total. Por el contrario, la heterogeneidad hace intil la divisin en estratos. Si se dan las mismas diferencias dentro del estrato que en toda la poblacin, no hay por qu usar este mtodo de muestreo. En los casos en los que existan grupos que contengan toda la variabilidad de la poblacin, lo que se construyen son conglomerados, que ahorran algo del trabajo que supondra analizar toda la poblacin. En resumen, los estratos y los conglomerados funcionan bajo principios opuestos: los primeros son mejores cuanto ms homogneo es el grupo respecto a la caracterstica a estudiar y los conglomerados, si representan fielmente a la poblacin, esto es, contienen toda su viariabilidad, o sea, son heterogneos.
Muestreo de juicio Aqul para el que no puede calcularse la probabilidad de extraccin de una determinada muestra. Se busca seleccionar a individuos que se juzga de
antemano tienen un conocimiento profundo del tema bajo estudio, por lo tanto, se considera que la informacin aportada por esas personas es vital para la toma de decisiones. Muestreo por cuotas Es la tcnica ms difundida sobre todo en estudios de mercado y sondeos de opinin. En primer lugar es necesario dividir la poblacin de referencia en varios estratos definidos por algunas variables de distribucin conocida (como el gnero o la edad). Posteriormente se calcula el peso proporcional de cada estrato, es decir, la parte proporcional de poblacin que representan. Finalmente se multiplica cada peso por el tamao de n de la muestra para determinar la cuota precisa en cada estrato. Se diferencia del muestreo estratificado en que una vez determinada la cuota, el investigador es libre de elegir a los sujetos de la muestra dentro de cada estrato. Muestreo de bola de nieve Indicado para estudios de poblaciones clandestinas, minoritarias o muy dispersas pero en contacto entre s. Consiste en identificar sujetos que se incluirn en la muestra a partir de los propios entrevistados. Partiendo de una pequea cantidad de individuos que cumplen los requisitos necesarios estos sirven como localizadores de otros con caractersticas anlogas. Muestreo subjetivo por decisin razonada En este caso las unidades de la muestra se eligen en funcin de algunas de sus caractersticas de manera racional y no casual. Una variante de esta tcnica es el muestreo compensado o equilibrado, en el que se seleccionan las unidades de tal forma que la media de la muestra para determinadas variables se acerque a la media de la poblacin. DISTRIBUCIONES DE FRECUENCIA La capacidad humana para comprender al mismo tiempo grandes cantidades de datos es muy limitada, por otra parte, la mayora de los anlisis estadsticos incluyen un gran nmero de datos, los cuales sera casi imposible utilizar si no se les compactara mediante un sencillo procedimiento conocido como TABLA DE DSITRIBUCION DE FRECUENCIAS. UNA DISTRIBUCION DE FRECUENCIAS es una tabla que presenta el nmero de elementos que pertenecen a cada una de las clases o categoras en las que se halla dividido para su estudio un grupo de datos. Las distribuciones de frecuencias son la forma ms comn de organizar un gran nmero de datos, por ejemplo, las calificaciones de los alumnos del primer
semestre de bachillerato en una escuela pblica y a partir de ellas lograr conclusiones que no eran visibles originalmente. Por ejemplo, la concentracin de calificaciones en sus niveles bajo, medio y alto; incluso permiten definir lneas de decisin, como los precios al mayoreo de cierto artculo, las tarifas de agua potable para una ciudad o las tablas de impuesto sobre la renta que se aplica en un pas. Conceptos fundamentales de una distribucin de frecuencias son: a) Numero de clases o categoras en que se agruparan los datos b) El intervalo o ancho de la clase, delimitado por los valores mnimos y mximos aceptables en cada clase c) La frecuencia o nmero de elementos de cada clase. d) Las marcas de clase o valores centrales de cada intervalo e) La frecuencia relativa f) Las frecuencias acumuladas y complementarias g) Los limites exactos. INTERVALOS UNIFORMES, DESIGUALES O ABIERTOS A pesar de que en la mayora de los casos el ancho de la clase es uniforme. Como se ve a continuacin CLASE LIMITE INFERIOR LIMITE SUPERIOR FRECUENCIA A 500 699 12 B 700 899 23 C 900 1099 15 D 1100 1299 21 E 1300 1499 19 Sin embargo el ancho de la clase debe ser desigual o incluso abierto LIMITE LIMITE INFERIOR (aos) SUPERIOR ( aos) Bebe 0 1 Nios 2 12 Adolescentes 13 16 Jovenes 17 25 Adultos 26 60 Ancianos 60 -CLASE LIMITE LIMITE INFERIOR ( kg) SUPERIOR ( Kg) Ligero -45 Medio 46 60 Pesado 61 80 Muy pesado 81 -MC FRANCISCO JAVIER RUIZ CRUZ AGOSTO DEL 2013 TUXTLA GUTIERREZ CHIAPAS COBACH 01
CLASE
El intervalo tambin conocido como RANGO, AMPLITUD o ANCHO DE CLASE, puede determinarse como: AMPLITUD= LIMITE SUPERIOR-LIMITE INFERIOR DE LA CLASE AMPLITUD= Xmax- Xmin Una consideracin importante es el nmero de clases o categoras en las que se va a dividir o agrupar a los datos. Si se ha decidido que el ancho de cada clase sea uniforme entonces se calcula: ANCHO= AMPLITUD / NUMERO DE INTERVALOS QUE SE DESEA TENER Para la elaboracin de una tabla de distribucin de frecuencia es necesario: a) Recopilacin de los datos b) Clasificacin de los datos de menor a mayor c) Especificacin del nmero de clases d) Calculo del tamao exacto del ancho de clases e) Determinacin del tamao ajustado del ancho de clase f) Identificacin de los limites de clase g) Conteo de los datos La estructura de una tabla de distribucin de frecuencia queda definida por los lmites inferior y superior de cada clase. El primer lmite inferior puede ser el valor ms pequeo de los datos. El primer lmite superior podra ser el valor ms grande de los datos. El primer lmite superior es el lmite inferior mas el ancho de la clase menos una unidad de variacin. Los lmites inferior y superior de las siguientes clases se obtienen sumando el ancho de clase al valor de la clase anterior. Lmite Inferior Lmite Superior 500 699 700 899 900 1099 1100 1299 1300 1499 En todos los casos debe comprobarse que la diferencia entre los lmites superior e inferior de cada clase es igual al ancho de clase menos la unidad de variacin. LS-LI = Ancho- UV
AGOSTO DEL 2013
El ltimo paso de este proceso consiste en determinar la frecuencia de la clase, esto es, determinar mediante el conteo, el nmero de elementos incluidos en cada clase. La MARCA de CLASE es el punto medio entre los lmites de una clase. Se calcula sumando el lmite inferior y el superior de cada clase y dividiendo el resultado entre dos. MARCA DE CLASE (mc)= Limite superior + Limite inferior de cada clase 2 Una forma o mtodo para determinar el nmero de clases es: Numero de clases = numero de datos EJERCICIOS PARA PRACTICAR. 1.- Clasifique los siguientes valores en 4 clases de tamao uniforme: 23.1 37.7 58.9 68.1 22.7 SOLUCION a) Obtenemos el valor del rango de la poblacin: Rango= Xmax Xmin Rango= 72.8 22.7= 50.1 b) Obtenemos el valor de la amplitud de cada clase Amplitud= Rango / Num de intervalos que desees Amplitud = 50.1 / 4 = 12.52 c) El valor de los limites serian El primer lmite inferior de la clase 1 es el valor mnimo de la poblacin, Es decir Limite Inferior = Lim Inf= 22.7 A partir de este dato podemos conocer el valor del otro extremo al que conoceremos como Limite Superior de la clase Limite Sup de la clase 1 = Limite Inferior + Amplitud Lim Sup = 22.7 + 12.52 = 35.22 Lmite superior de la clase 2 sera = 35.22 + 12.52 = 47.74
64.9 43.6 39.4 52.9 26.3
48.3 68.4 35.1 57.1 30.5
72.8 52.3 58.2 48.4 29.8
42.9 29.4 70.4 62.8 60.4
Lmite superior de la clase 3 = 47.74 + 12.52 = 60.26 d) La tabla de distribucin de frecuencia quedara de la siguiente manera: Num Clase Frecuencia (f) 1 22.7 35.22 07 2 35.22 47.74 04 3 47.74 60.26 07 4 60.26 72.8 07 suma 25
2.- Clasifique los siguientes valores en 4 clases de tamao uniforme: 145 105 190 155 75 90 135 110 120 185 175 160 150 165 120 140 155 175 125 170 80 110 134 126 110
3.- Determine los lmites exactos, las marcas de clase y obtenga un grafico de las siguientes tablas de distribucin de frecuencias Lmite inferior Lmite superior frecuencia 37.7 50.2 23 50.3 62.8 19 62.9 75.4 22 75.5 88 21 4.-Determine los limites exactos, las marcas de clase y obtenga un grafico de las siguientes tablas de distribucin de frecuencias Lmite inferior Lmite superior frecuencia 504 595 21 596 687 19 688 779 22 780 871 23 872 963 20
5.-A continuacin se presenta los valores de las estaturas (en cm) de un grupo de 5o Grado de Educacin primaria 130 122 128 132 137 124 125
AGOSTO DEL 2013
152 124 118 152 134 115 120 125
134 134 130 140 120 146 132 135
138 140 131 150 112 110 145 125 148 142 130 152
a) Elaborar una tabla de frecuencias agrupando en intervalos de clase a tu eleccin b) Obtn el Rango c) Construye un polgono de frecuencia d) Construye un grafico de pastel e) Construye una ojiva SOLUCION Obtenemos el valor del rango de la poblacin: Rango= Xmax Xmin Rango= 152 110= 42 El numero de clases a utilizar =35 = 5.92 clases = 6 Obtenemos el valor de la amplitud de cada clase Amplitud= Rango / Num de intervalos que desees Amplitud = 42 / 6= 7 El valor de los limites serian El primer lmite inferior de la clase 1 es el valor mnimo de la poblacin, Es decir Limite Inferior = Lim Inf= 110 A partir de este dato podemos conocer el valor del otro extremo al que conoceremos como Limite Superior de la clase Limite Sup de la clase 1 = Limite Inferior + Amplitud Lim Sup = 110 + 7 = 117 Lmite superior de la clase 2 sera = 117 + 7 = 124 Lmite superior de la clase 3 = 124 + 7 = 131 La tabla de distribucin de frecuencia quedara de la siguiente manera: Num Clase Frecuencia (f) MC 1 110 - 117 03 113.5 2 117 124 06 120.5 3 124 131 08 127.5
4 5 6
131 - 138 138 145 145 - 152 suma
08 04 06 35
134.5 141.5 148.5
Para calcular las marcas de clase de cada categora realizamos el siguiente clculo. Marca de clase(MC)= Lim Superior + Lim Inferior de cada clase 2 MC = 110+117= 127 = 113.5 2 2 MC = 117+124= 141 = 120.5 2 2 Para obtener el grafico del pastel es necesario encontrar la frecuencia relativa (fr)
Num 1 2 3 4 5 6 Clase 110 - 117 117 124 124 131 131 - 138 138 145 145 - 152 suma Frecuencia (f) 03 06 08 08 04 06 35 MC 113.5 120.5 127.5 134.5 141.5 148.5 Fr 03/35= .085 06/35=0.171 08/35=0.228 08/35=0.228 04/35=0.114 06/35=0.171 0.997= 1 FA 00+03=03 03+06=9 09+08=17 17+08=25 25+04=29 29+06=35 FAr 03/35=0.085 06/35=0.256 17/35=0.486 25/35= 0.714 29/35=0.828 35/35= 1 Area o Sector 0.085 x 360= 30.60 0.171 x 360= 61.56 0.228 x 360 = 82.08 0.228 x 360 = 82.08 0.114 x 360 = 41.04 0.171 x 360 = 61.56
AGOSTO DEL 2013
La ojiva se obtiene utilizando los valores de la frecuencia acumulada
6- A continuacin se presenta los valores de las estaturas (en cm) de un grupo de 4 Grado de Educacin primaria 133 122 128 132 137 127 151 124 134 134 138 146 119 152 130 140 150 114 133 115 120 146 145 123 121 125 132 135 142 132
a) Elaborar una tabla de frecuencias agrupando en intervalos de clase a tu eleccin b) Obtn el Rango c) Construye un polgono de frecuencia d) Construye un grafico de pastel e) Construye una ojiva SOLUCION Obtenemos el valor del rango de la poblacin: Rango= Xmax Xmin Rango= 152 114= 38
AGOSTO DEL 2013
El numero de clases a utilizar =30 = 5.47 clases = 5 Obtenemos el valor de la amplitud de cada clase Amplitud= Rango / Num de intervalos que desees Amplitud =38 / 5 = 7.6 El valor de los limites serian 114 + 7.6 = 121.6 121.6 + 7.6=129.2 La tabla de distribucin de frecuencia se obtendr de la siguiente manera: Num 1 2 3 4 5 Clase Frecuencia (f) 114-121.6 05 121.6-129.2 06 129.2. -136.8 09 136.8 -144.4 04 144.4- 152 06 suma 30 MC 117.8 125.6 132.4 139 147.6
Para calcular las marcas de clase de cada categora realizamos el siguiente clculo. Marca de clase(MC)= Lim Superior + Lim Inferior de cada clase 2 MC = 114+121.6= 235.6 = 117.8 2 2 MC = 121.6+129.2=250.8 = 125.6 2 2 El grafico de pastel se obtendr utilizando las frecuencias relativas La frecuencia relativa = frecuencia de cada clase/ Nmero total de datos
Num 1 2 3 4 5
Clase 114-121.6 121.6-129.2 129.2. -136.8 136.8 -144.4 144.4- 152 suma
Frecuencia (f) 05 06 09 04 06 30
MC 117.8 125.6 132.4 139 147.6
Fr 05/30= 0.16 06/30=0.20 09/30=0.30 04/30=0.13 06/30=0.20
Area o sector 0.16 x 360=57.6 0.20 x 360= 72 0.30 x 360 = 108 0.13 x 360 = 46.8 0.20 x 360= 72
FA 0+5=5 5+6=11 11+9=20 20+4=24 24+6=30
El grafico de lneas representa la que vamos a conocer como ojiva y tomaremos para ello los valores de las frecuencias acumuladas
PRESENTACIONES GRAFICAS
AGOSTO DEL 2013
Una grafica vale ms de mil palabras, dice el refrn. Esto es particularmente cierto en el caso de los anlisis estadsticos, donde los datos al natural e incluso tabulados pueden ser abrumadores y difciles de comprender. Las graficas estadsticos ms comunes son: HISTOGRAMA.- Es un diagrama de barras que representa, a escala, el numero de elementos que comprende cada una de las clases de una distribucin de frecuencias. La altura de las barras del histograma esta determinada por la frecuencia de cada una de las clases, mientras que los limites horizontales son los limites exactos de cada clase, aunque en ocasiones los limites horizontales son los limites nominales, de esta manera las barras quedan separadas entre si.
EL POLIGONO DE FRECUENCIAS es una figura cerrada delimitada en su base por el eje horizontal y cuyos vrtices son los puntos centrales de la horizontal superior de cada barra del histograma, incluyendo tambin la clase anterior a la primera y la clase siguiente a la ltima.
AGOSTO DEL 2013
GRAFICO DE PASTEL Las graficas de pastel o grficos circulares son figuras que representan por medio de segmentos de crculo, la frecuencia absoluta o relativa de una tabla de distribucin de frecuencias. La presentacin de datos en esta forma es impresionante, sobre todo cuando se les aade efectos visuales tales como color y grosor a los segmentos o se separa algunos de ellos del centro. Esta graficas se prepara en base en el ngulo que resulta de multiplicar 360 por la frecuencia relativa ANGULO DE LA CLASE = 360 * (frecuencia de la clase/ total de frecuencias)
Aplicaciones graficas y numricas Las graficas de la frecuencia acumulada y complementaria ofrecen informacin no visible originalmente; cualquiera de sus puntos indica la relacin entre un valor del
eje horizontal y su correspondiente valor en el eje vertical. De esta manera es posible determinar en forma grafica , con la aproximacin que permita el dibujo, la frecuencia que corresponde a un cierto limite o el limite que corresponde a una cierta frecuencia.
MEDIDAS DE TENDENCIA CENTRAL La estadstica descriptiva en su funcin bsica de reducir datos, propone una serie de indicadores que permiten tener una percepcin rpida de lo que ocurre en un fenmeno. En otras palabras las Medidas de tendencia central: Son indicadores estadsticos que muestran hacia qu valor (o valores) se agrupan los datos. La primera gama de indicadores corresponde a las Medidas de Tendencia Central. Existen varios procedimientos para expresar matemticamente las medidas de tendencia central, de los cuales, los ms conocidos son: la media aritmtica, la moda y la mediana.
Media Aritmtica La media aritmtica de n observaciones de la variable X se denotar por el smbolo y se define como la suma de ellas dividida por n. Simblicamente:
Ejemplo: La media aritmtica de los nmeros 3, 9, 12, 5 y 6 es:

Si se grafican estos puntos se obtiene:
En la figura es claro que la media aritmtica geomtricamente al punto de equilibrio de los datos.
corresponde
El total de ventas de la empresa LA ESPERANZA S.A. de C.V. durante el ao 2011 fue de $76229500. Determine e interprete el promedio de ventas por empleado considerando que la empresa tiene un total de 5214 empleados El monto de ventas por empleados se obtiene: Ventas por empleados= Total ventas Total empleados Ventas por empleado= $76229500 5214 Ventas por empleado= $14260 Puede decirse que cada empleado contribuyo con $14,620.16 a los ingresos de la empresa. En una tabla de frecuencias, la media aritmtica se calcula suponiendo que todas las observaciones en una clase son iguales a su valor medio ( mi), por lo que la contribucin de la i-sima clase a la suma es fimi. Por lo tanto, se calcula la media por la ecuacin:
AGOSTO DEL 2013
Esta ecuacin tambin puede re-escribirse como:
Donde: fi = frecuencia de la clase i-sima mi = Valor medio de la clase i-sima fRi = Frecuencia relativa de la clase i-sima Ejemplo: Calcular la media de la siguiente tabla de distribucin de frecuencias: Punto medio de Conteo clase (mi) 9.7 ||||| ||||| ||||| ||| 13.7 ||||| ||||| ||| ||||| ||||| ||||| 17.7 ||||| |||| 21.7 ||||| ||||| ||||| || 25.7 ||||| ||||| ||| 29.7 33.7 |||| 37.7 |
intervalos (07.7 , 11.7] (11.7 , 15.7] (15.7 , 19.7] (19.7 , 23.7] (23.7 , 27.7] (27.7 , 31.7] (31.7 , 35.7] (35.7 , 39.7] TOTAL
fi 18 13 24 17 13 0 4 1 90
fAi 18 31 55 72 85 85 89 90 90
FRi
FRAi
18/90 18/90 13/90 31/90 24/90 55/90 17/90 13/90 0/90 4/90 1/90 90/90 72/90 85/90 85/90 89/90 90/90 90/90
Se tiene la siguiente frmula: Se van a tomar todos los valores de la tabla de la columna f i y mi ; se va a sustituir en la frmula anterior y queda como:
AGOSTO DEL 2013
Tambin la media se puede calcular con la formula: Al tomar los datos de la Tabla de Frecuencias para fRi y mi y sustituirlos en la frmula el resultado queda de la siguiente manera:
Note que los resultados son utilizados para los clculos.
un poco diferentes por el nmero de decimales
Si utilizamos los datos de la tabla anterior de distribucin de frecuencias ( anlisis de las estaturas de los nios de 5 grado de primaria tendramos el siguiente valor)
Num 1 2 3 4 5 6
Clase 110 - 117 117 124 124 131 131 - 138 138 145 145 152 suma
Frecuencia (f) 03 06 08 08 04 06 35
MC
F (mc)
113.5 03 X 113.5= 340.5 120.5 06 X 120.5=723.0 127.5 08 X 127.5 =1020 134.5 08 X 134.5 =1076 141.5 04 X 141.5=566.0 148.5 06 X 148.5=891 4616.5
La media = 4616.5 / 35 = 131.9
Mediana
La mediana (Me) de un conjunto de n nmeros ordenados de menor a mayor, es el nmero central en el arreglo. Si n es un nmero impar (non), slo hay un valor central en el arreglo. Si n es un nmero par, hay dos valores centrales y la mediana debe tomarse como la media aritmtica de estos dos valores. Ejemplo: Calcular la mediana de los nmeros 3, 9 , 12, 5 y 6
Primero hay que ordenar los nmeros de menor a mayor:
3, 4, 6, 9, 12
Despus se debe verificar si el valor de n es par o impar (non), en caso de ser par se toman los dos valores que estn en el centro. Como en este caso n = 5 (nmero non), hay un solo valor central, el 6 y ste es el valor de la mediana, es decir:
Me = 6 Ntese que la mediana es un valor ms tpico del conjunto anterior que la media aritmtica: Ejemplo: Se tienen las siguientes edades tomadas de un grupo de 10 estudiantes del grupo del curso de Introduccin a los Diseos Experimentales del Colegio de Postgraduados, se desea conocer cual sera su media y cul sera su mediana. 25, 27, 35, 28, 30, 24, 25, 29, 32, 37 a. Clculo de la media:
b. Clculo de la mediana: Primero se ordenan los datos de menor a mayor: 24, 25, 25, 27, 28, 29, 30, 32, 35, 37 Puesto que n = 10(nmero par), hay dos valores centrales, que son 28 y 29. La mediana es la media aritmtica de estos dos valores. Es decir
AGOSTO DEL 2013
Para localizar la mediana en una tabla de frecuencias slo busque los valores que indiquen aproximadamente la mitad de la frecuencia relativa acumulada (aproximadamente el 50%), ya que la mediana es un valor que divide a los datos en mitades. Como los datos son 90 (nmero par) la mediana esta localizada entre la observacin cuadragsima quinta y cuadragsima sexta (45a y 46a) que corresponde al intervalo entre 15.7 y 19.7 como se muestra en la tabla: Punto medio de Conteo clase (mi) (07.7 , 11.7] 9.7 ||||| ||||| ||||| ||| (11.7 , 15.7] 13.7 ||||| ||||| ||| ||||| ||||| ||||| (15.7 , 19.7] 17.7 ||||| |||| (19.7 , 23.7] 21.7 ||||| ||||| ||||| || (23.7 , 27.7] 25.7 ||||| ||||| ||| (27.7 , 31.7] 29.7 (31.7 , 35.7] 33.7 |||| (35.7 , 39.7] 37.7 | TOTAL intervalos
fi 18 13 24 17 13 0 4 1 90
fAi 18 31 55 72 85 85 89 90 90
FRi
FRAi
18/90 18/90 13/90 31/90 24/90 55/90 17/90 13/90 0/90 4/90 1/90 90/90 72/90 85/90 85/90 89/90 90/90 90/90
Otra forma de clculo sera utilizando la siguiente frmula:
Donde: Me es mediana. L es Lmite inferior de la clase mediana. n es Tamao de muestra. FA es Frecuencia Acumulada precedente a la clase mediana. f es Frecuencia absoluta de la clase mediana. c es amplitud del intervalo de clase. De la tabla anterior se han tomando los valores necesarios para sustituir en la frmula y obtener el valor de la Mediana: L = 15.7
n = 90 FA = 31 f = 24 c=4 Al sustituir en la formula queda la siguiente expresin:
Si utilizamos los valores de la tabla del ejercicio 5 tendriamos que el valor de la mediana seria:
Num 1 2 3 4 5 6
Clase
110 117 117 124 124 131 131 138 138 145 145 152 suma
Frecuencia MC F (mc) (f) 03 113.5 03 X 113.5= 340.5 06 120.5 06 X 120.5=723.0 08 127.5 08 X 127.5 =1020 08 134.5 08 X 134.5 =1076 04 141.5 04 X 141.5=566.0 06 148.5 06 X 148.5=891 35 4616.5
FA 03 09 17 25 29 35
De la tabla obtenemos la informacin L = Limite Inferior de la clase en donde se ubica a la mediana= 131 FA= Frecuencia acumulada que le antecede a la frecuencia en donde se ubica la mediana= 17 C = Amplitud de la clase= 7 N= 35 F = Es la frecuencia de la clase que contiene a la mediana= 8
Me = 131 + [ (35)/2 - 17] (7) = 131 + [ 17.5 - 17] (7) 8 8 Me= 131 + (0.5)(7) = 131 + (3.5) = 131 + 0.4375= 131.4375 8 8
Num
Clase
La moda (Mo) de un conjunto de datos es el valor (si existe) que ocurre con mayor frecuencia. Si es un valor nico decimos que la distribucin de frecuencias es unimodal, si tiene dos o ms valores con la misma frecuencia mxima, decimos que la distribucin es bimodal, trimodal, entre otras. La moda es una medida de tendencia central que es poco usada por las siguientes razones: a) Puede ocurrir que no exista. b) A menudo no es un valor nico. Retomando el ejemplo de las edades tomadas de un grupo de 10 estudiantes del grupo del curso de Introduccin a los Diseos Experimentales, el clculo de la moda sera: 25, 27, 35, 28, 30, 24, 25, 29, 32, 37 La moda de este conjunto de datos es 25 puesto que tiene una frecuencia de 2, mientras los dems valores tienen una frecuencia de 1. Si se comparan los valores obtenidos por este conjunto de datos se tiene:
Frecuencia (f)
MC
F (mc)
FA
Moda
No siempre los datos obtenidos por la media, la mediana y la moda coinciden, este es un ejemplo en el cual se nota ms este concepto.
AGOSTO DEL 2013
1 2 3 4 5 6
110 - 117 117 124 124 131 131 - 138 138 145 145 - 152 suma
03 06 08 08 04 06 35
113.5 120.5 127.5 134.5 141.5 148.5
03 X 113.5= 340.5 06 X 120.5=723.0 08 X 127.5 =1020 08 X 134.5 =1076 04 X 141.5=566.0 06 X 148.5=891 4616.5
03 09 17 25 29 35
En una tabla de frecuencias, la moda se define como el valor medio de la clase cuya frecuencia tiene el valor numrico mayor, la cual recibe el nombre de clase modal.
Punto Intervalos medio de Conteo clase (mi) (07.7 , 11.7] 9.7 ||||| ||||| ||||| ||| (11.7 , 15.7] 13.7 ||||| ||||| ||| ||||| ||||| ||||| (15.7 , 19.7] 17.7 ||||| |||| (19.7 , 23.7] 21.7 ||||| ||||| ||||| || (23.7 , 27.7] 25.7 ||||| ||||| ||| (27.7 , 31.7] 29.7 (31.7 , 35.7] 33.7 |||| (35.7 , 39.7] 37.7 | TOTAL Los valores obtenidos utilizando la tabla fueron:
fi 18 13 24 17 13 0 4 1 90
fAi 18 31 55 72 85 85 89 90 90
FRi
FRAi
18/90 18/90 13/90 31/90 24/90 55/90 17/90 13/90 0/90 4/90 1/90 90/90 72/90 85/90 85/90 89/90 90/90 90/90
Mo = 17.7 que es el punto medio del intervalo donde la frecuencia absoluta (24) es mayor que los dems, y es de tipo unimodal. O bien podemos aplicar la siguiente expresin: Moda = Li + [ ( D1 ) ] * C D1 + D2 donde Li = limite Inferior de la clase ms abundante D1= frecuencia de la clase ms abundante- frecuencia de la clase anterior D2= Frecuencia de la clase ms abundante- frecuencia de la clase posterior C = Ancho del intervalo de la clase ms abundante Si retomamos el ejercicio de la clase tendramos Los valores sern para la clase 3 Li=124 D1=08-06= 02
D2=08-08=00 C= 07 Moda = Li + [ ( D1 ) ] * C D1 + D2 Moda = 124 + [ ( 2 ) ] ( 7) = 124 + (2/8)(7)= 124 +1.75= 125.75 8+0 Para la clase 4 Li= 131 D1=8-8= 0 D2=8-4=4 C= 7 Moda = 131 + [ ( 0 ) ] (7)= 131 + 0= 131 0+4
EJERCICIOS PARA PRACTICAR

1.- De un conjunto de 5 plantas se tomo el nmero de hojas que tiene cada una de ellas: 9, 7, 5, 8, 6 D clic junto al nmero que indica las hojas promedio tienen las plantas:
7 6 8 9
2.- Los siguientes son conteos del nmero de cromosomas en una herbcea (Claytonia virginica, L): 24, 28, 28, 27, 28, 29, 29, 29, 30, 26 D clic junto al nmero que indica la media de los cromosomas:
22.5 26.8 27.8 29.6

3.- Los siguientes datos expresan el Rendimiento (en Kilogramos) de plantas de maz atacadas por el barrenador europeo:
3.81 6.81 7.49 4.56 7.16 8.61 3.86 6.78 9.02 8.65 8.65 6.72 5.26 10.34 D clic junto al nmero que indica el promedio del rendimiento en Kg:
4.94 7.75 5.57 6.98

4.- La siguiente tabla tiene la calificacin de estadstica de 20 alumnos: 8.5 9 10 6.5 9 8 7 9.5 7 10 6.5 8 9 8.5 6 5 10 5.5 8 5 D clic junto al nmero que indica la media de los alumnos en estadstica:
8.3 7.8 5.9 6.7
5.-Considere los siguientes datos sobre la concentracin de globulina receptora, para una muestra de mujeres con pruebas de laboratorio de evidente anemia por deficiencia de hierro: 15.2 9.3 7.6 11.9 10.4 9.7 20.4 9.4 11.5 16.2 9.4 8.3 D clic junto al nmero que indica la media de los alumnos en estadstica:
11.60 10.86 12.03 17.25

6.-Calcule la media de la siguiente tabla de distribucin de Frecuencias utilizando las columnas fi y mi: Clase o intervalo mi (3.8,4.6] (4.6,5.4]
fi
FRi
4.2 4 0.054 5.0 1 0.013

AGOSTO DEL 2013
(5.4,6.2] (6.2,7.0] (7.0,7.8] (7.8,8.6] (8.6,9.4] (9.4,10.2] (10.2,11.0]
5.8 7 0.095 6.6 19 0.260 7.4 20 0.273 8.2 9 0.123 9.0 10 0.136 9.8 1 0.013 10.6 2 0.027
n=73 De clic junto al nmero que indica la media calculada de la tabla:
7.268 8.314 6.668 7.987

7.-De la misma tabla calcule la media utilizando las columnas fRi y mi: Clase o intervalo mi (3.8,4.6] (4.6,5.4] (5.4,6.2] (6.2,7.0] (7.0,7.8] (7.8,8.6] (8.6,9.4] (9.4,10.2] (10.2,11.0] fi FRi
4.2 4 0.054 5.0 1 0.013 5.8 7 0.095 6.6 19 0.260 7.4 20 0.273 8.2 9 0.123 9.0 10 0.136 9.8 1 0.013 10.6 2 0.027
De clic junto al nmero que indica la media calculada de la tabla:
7.987 7.678 6.998 7.223

1.- De un conjunto de 5 plantas se tomo el nmero de hojas que tiene cada una de ellas: 9, 7, 5, 8, 6
D clic junto al nmero que indica las mediana del conjunto de datos:
6 8 7 9
2.- Los siguientes son conteos del nmero de cromosomas en una herbcea (Claytonia virginica, L): 24, 28, 28, 27, 28, 29, 29, 29, 30, 26 D clic junto al nmero que indica la mediana de los cromosomas:
28 29 26 27
3.- Los siguientes datos expresan el Rendimiento (en Kilogramos) de plantas de maz atacadas por el barrenador europeo: 3.81 6.81 7.49 4.56 7.16 8.61 3.86 6.78 9.02 8.65 8.65 6.72 5.26 10.34 D clic junto al nmero que indica la mediana del rendimiento en Kg:
8.94 7.03 6.98 5.96
4.- La siguiente tabla tiene la calificacin de estadstica de 20 alumnos:
AGOSTO DEL 2013
8.5 9 10 6.5 9 8 7 9.5 7 10 6.5 8 9 8.5 6 5 10 5.5 8 5
D clic junto al nmero que indica la mediana de las calificaciones de los alumnos en estadstica:
8.6 7.9 9 8
5.-Considere los siguientes datos sobre la concentracin de globulina receptora, para una muestra de mujeres con pruebas de laboratorio de evidente anemia por deficiencia de hierro: 15.2 9.3 7.6 11.9 10.4 9.7 20.4 9.4 11.5 16.2 9.4 8.3 D clic junto al nmero que indica la mediana de los alumnos en estadstica:
10.05 11.03 9.89 10.75
6.-Calcule la mediana de la siguiente tabla de distribucin de Frecuencias utilizando las columnas fi y mi:
Clase o intervalo mi (3.8,4.6]
fi
FAi FRi 0.054
4.2 4 4
AGOSTO DEL 2013
(4.6,5.4] (5.4,6.2] (6.2,7.0] (7.0,7.8] (7.8,8.6] (8.6,9.4] (9.4,10.2] (10.2,11.0]
5.0 1 5
0.013
5.8 7 12 0.095 6.6 19 31 0.260 7.4 20 51 0.273 8.2 9 60 0.123 9.0 10 70 0.136 9.8 1 71 0.013 10.6 2 73 0.027
n=73 D clic junto al nmero que indica la media calculada de la tabla:
8.12 6.78 6.66 7.22

1.- De un conjunto de 8 plantas se tomo el nmero de hojas que tiene cada una de ellas: 9, 8, 7, 5, 8, 6, 8, 9 D clic junto al nmero que indica la moda de las hojas que tienen las plantas:
7 6 8 9
2.- Los siguientes son conteos del nmero de cromosomas en una herbcea (Claytonia virginica, L):
AGOSTO DEL 2013
29, 28, 28, 27, 28, 29, 29, 29, 30, 26, 24, 29 D clic junto al nmero que indica la moda de los cromosomas:
29 28 24 27
3.- Los siguientes datos expresan el Rendimiento (en Kilogramos) de plantas de maz atacadas por el barrenador europeo: 3.81 6.81 7.49 4.56 7.16 8.61 3.86 6.78 9.02 8.65 8.65 6.72 5.26 10.34 D clic junto al nmero que indica la moda del rendimiento en Kg:
9.02 3.86 7.49 8.65

4.- La siguiente tabla tiene la calificacin de estadstica de 20 alumnos: 8.5 9 10 6.5 9 8 7 9.5 7 10 6.5 8 9 8.5 6 5 10 5.5 8 5 D clic junto al nmero que indica la moda o las modas de los alumnos en estadstica:
Monomodal moda=8 Polimodal moda=8, moda=9, moda=10 Bimodal moda=9, moda=10 Bimodal moda=8, moda=9
5.-Considere los siguientes datos sobre la concentracin de globulina receptora, para una muestra de mujeres con pruebas de laboratorio de evidente anemia por deficiencia de hierro: 15.2 9.3 7.6 11.9 10.4 9.7 20.4 9.4 11.5 16.2 9.4 8.3 D clic junto al nmero que indica la moda o las modas de los alumnos en estadstica:
Bimodal moda=9.4 y moda=9.7 Monomodal moda=15.2 Polimodal moda=7.6, moda=9.7 y moda=11.5 Monomodal moda=9.4
6.-Calcule la moda de la siguiente tabla de distribucin de Frecuencias utilizando las columnas fi y mi: Clase o intervalo mi (3.8,4.6] (4.6,5.4] (5.4,6.2] (6.2,7.0] (7.0,7.8] (7.8,8.6] (8.6,9.4] (9.4,10.2] (10.2,11.0] n=73 D clic junto al nmero que indica la media calculada de la tabla: fi FRi
4.2 4 0.054 5.0 1 0.013 5.8 7 0.095 6.6 19 0.260 7.4 20 0.273 8.2 9 0.123 9.0 10 0.136 9.8 1 0.013 10.6 2 0.027
7.4 7.0 6.6 9.0

Tomado del Libro Said Infante, Guillermo Zarate (1990). Mtodos Estadsticos. Trillas. pp25
PARA DATOS CUALITATIVOS
DISEO DE ENCUESTAS DE SATISFACCION El primer paso para desarrollar una encuesta sobre la satisfaccin del cliente es determinar su finalidad. Las encuestas deben disearse para proporcionar con claridad la informacin a los usuarios de los resultados de la encuesta que
necesitan para tomar decisiones. Una pregunta vital que se debe considerar es Quin ES EL CLIENTE? los gerentes, los empleados de compras, los usuarios finales y otros pueden quedar afectados por los productos y servicios de una empresa. Por ejemplo XEROX, enva encuestas especficas compradores, gerentes y usuarios. Los compradores proporcionan informacin sobre facturacin y otros procesos administrativos, y los usuarios aportan retroalimentacin sobre el desempeo del producto y el apoyo tcnico. Las encuestas no deben limitarse a los clientes externos; la informacin proveniente de los clientes internos tambin contribuye a la elevacin de los puntos fuertes y dbiles de la organizacin. Algunas empresas tambin emplean encuestas de opinin de empleados o instrumentos de tipo similar para buscar retroalimentacin de los empleados respecto al entorno de trabajo, los beneficios, la compensacin, la administracin, las actividades en equipo, los premios y el reconocimiento, as como los planes y valores de le empresa. Sin embargo otros indicadores son el absentismo, la rotacin de personal, las quejas y las huelgas, que frecuentemente pueden aportar mejor informacin que las encuestas, mismas que muchos empleados pudieron no tomar con seriedad.
La siguiente pregunta a encarar ES QUIEN DEBERIA DE LLEVAR A CABO LA ENCUESTA. A menudo, organizaciones independientes de terceras personas son ms crebles para quienes responden y pueden asegurar la obtencin de objetividad en los resultados. Una vez cumplidos estos pasos preliminares, es necesario definir UN MARCO DE MUESTRA; esto es un grupo seleccionado, a partir del cual se escogera una muestra. Dependiendo de la finalidad de la encuesta pudiera tratarse de la totalidad de la base de los clientes o algn segmento en especial.
El siguiente paso es seleccionar el INSTRUMENTO APROPIADO para la encuesta. El medio ms comn para medir la satisfaccin del cliente es mediante encuestas formales por escrito, aunque tambin se emplean otras tcnicas, como son las entrevistas cara a cara, las entrevistas telefnicas y los grupos de enfoque. Las encuestas por escrito tienen la ventaja de tener un bajo costo de recoleccin de datos, autoadministracin y facilidad de anlisis; adems, se puede profundizar en los temas. Sin embargo, sufren de una alta proporcin de respuestas sin validez. Requieren muestran de gran tamao y miden solo percepciones predeterminadas de lo que es importante para el cliente. Las
entrevistas telefnicas se clasifican en algn sitio entre dos extremos y parece ser el procedimiento preferido para aquellas empresas que tienen una cantidad limitada de clientes comerciales; se utilizan encuestas por correo para llevar a cabo un control de transacciones rutinarias , donde los atributos calves son estables en el transcurso del tiempo. Las entrevistas cara a cara y los grupos de enfoque, por otra parte requieren una muestra de tamao mucho menor y pueden generar una cantidad significativa de informacin cualitativa, pero incurren en costos elevados y comprometen mucho tiempo del participante.
La mayora de las medidas de satisfaccin del cliente evalan caractersticas de servicio; puede ser difcil desarrollar caractersticas medibles de la calidad de los servicios. Por ejemplo una caracterstica de calidad como DISPONIBILIDAD tal y como se aprecia en los siguientes enunciados: 1.- El doctor est disponible para programarme en un buen momento 2.- Pude obtener una cita con el doctor a la hora que yo deseaba 3.- Mi cita se program a una hora conveniente. Se utiliza una escala LIKERT para medir las respuestas (Tabla No 1). Las respuestas en el rango 5 indican a una organizacin que lo esta haciendo bien. Respuesta el rango 4 sugieren que las expectativas del cliente se estn cumpliendo, pero la empresa pudiera ser vulnerable a la competencia. Las respuestas en el rango 3 significan que el producto o servicio apenas si cumple con las expectativas del cliente y que hay mucho que mejorar. Las respuestas en el rango 1 y 2 indican problemas serios. Muy pobre 1 Muy en desacuerdo 1 Pobre 2 En desacuerdo 2 Regular 3 Ni en acuerdo Ni en desacuerdo 3 Muy insatisfecho 1 Insatisfecho 2 Ni satisfecho Ni insatisfecho 3 Satisfecho 4 Muy satisfecho 5 Buena 4 De acuerdo 4 Muy buena 5 Muy en acuerdo 5
AGOSTO DEL 2013
Tabla No 1
Ejemplos de Escala Likert utilizadas para medir la satisfaccin del cliente
La tarea final es disear el formato del informe y los mtodos de entrada de datos. La tecnologa moderna como las bases de datos de una computadora, en conjunto con diversas herramientas de anlisis estadstico, ayudan a registrar la satisfaccin del cliente. La encuesta esta formada por ms de 30 pregunta de opcin mltiple, con espacio adicional para realizar los comentarios. La figura No 10 nos muestra porciones seleccionada de una encuesta. Como nota final, las encuestas deben probarse primero para determinar si las instrucciones se han comprendido, identificar las preguntas que se pudieran mal interpretar o estuvieran mal redactadas, determinar cuanto tiempo toma completar la encuesta y determinar el nivel del inters del cliente.
La medicin apropiada de la satisfaccin del cliente permite distinguir entre procesos con un elevado impacto en la satisfaccin y bajo desempeo, y aquellos que se estn ejecutando bien. Una forma de asegurarse que la medicin es apropiada es recolectando informacin tanto de importancia como en el desempeo de las caractersticas clave de calidad, por ejemplo en la encuesta de la Fig. 1, la pegunta 8 cuestiona la eficiencia (desempeo) genera del personal del hotel; parte de la pregunta 13 indaga lo que se percibe quien responde sobre la importancia de la eficiencia general del personal. Se puede llevar a cabo la evaluacin de datos utilizando una rejilla como la que se muestra en la Fig. No 2. En los cuadrantes diagonales (reas sombreadas) los resultados son buenos. Los resultados que se aparten de la diagonal indican que la firma esta desperdiciando recursos para conseguir un elevado desempeo sobre los atributos no importantes del cliente
AGOSTO DEL 2013
Figura No 1 Partes seleccionadas de la encuesta para los huspedes de Marriott

Importancia Desempeo Reducida Reducida Elevada A QUIEN LE IMPORTA? Vulnerable Elevada En exceso PUNTOS FUERTES
AGOSTO DEL 2013
Figura No 2 Comparacin desempeo-importancia Cada uno de los atributos se desglosa en un grupo de preguntas .por ejemplo, las interacciones de la fuerza de venta con los clientes incluiran las siguientes: * Disponibilidad de los representantes de ventas * Conocimiento tcnico del representante de ventas * Comprensin de las necesidades reales del cliente * Habilidades de consultara del representante de ventas * Prediccin de las necesidades futuras del cliente
Todas las preguntas se pueden medir en una escala de 1 a 5 o del 1 al 10. La uniformidad de la medicin es importante para permitir que se observen las tendencias a lo largo de los aos. Adems de medir la satisfaccin, cada pregunta o grupo de preguntas se debe medir segn su importancia.
Se debe alentar a los clientes que responden a la encuestas para que proporcionen comentarios sobre cada aspecto, as como comentarios al azar. Se recomienda hacer una encuesta al azar de una muestra representativa de clientes selectos
AGOSTO DEL 2013
AGOSTO DEL 2013
POR ESTE MEDIO TE SOLICITO CONTESTE DE ACUERDO A TUS PRINCIPIOS Y CONOCIMIENTOS. TU RESPUESTA ES MUY FUNDAMENTAL PARA NUESTRO APRENDIZAJE 1.- SABES QUE ES UNA ENCUESTA? A) SI B) NO C) EN EFECTO NO D) POSIBLEMENTE 2.- CONOCES ALGUNA? A) SI B) NO C) NO RECUERDO 3.- HAS CONTESTADO ALGUNA? A) SI B) NO C) NO RECUERDO 4.- SABES QUE ES UNA ENCUESTA DE SATISFACCION DE CLIENTE? A) SI B) NO C) TALVES 5.- SABES QUE METODOS PODEMOS EMPLEAR PARA DESARROLLAR UNA ENCUESTA DE SATISFACCION DE CLIENTE? A) SI B) NO C) TALVES 6.- CONOCES COMO DARLE CONFIABILIDAD A UNA ENCUESTA O TEST? A) SI B) NO C) TALVES 7.- DE LAS SIGUIENTES ESCALAS CUAL CONOCES? A) ORDINAL B) CUANTITATIVA C) CARDINAL D) LIKERT E) NINGUNA 8.- LOS DATOS CUALITATIVOS EN ESTADISTICA PODEMOS MEDIRLO POR MEDIO DE LA? A) MEDIA B) CUANTH C) HOMOGENEA D) LIKERT E) NINGUNA
PROBABILIDAD
Orgenes en probabilidad
Los mtodos estadstico-matemticos emergieron desde la teora de probabilidad, la cual data desde la correspondencia entre Pascal y Pierre de Fermat (1654). Christian Huygens (1657) da el primer tratamiento cientfico que se conoce a la materia. El Ars coniectandi (pstumo, 1713) de Jakob Bernoulli y la Doctrina de posibilidades (1718) de Abraham de Moivre estudiaron la materia como una rama de las matemticas.1 En la era moderna, el trabajo de Kolmogrov ha sido un pilar en la formulacin del modelo fundamental de la Teora de Probabilidades, el cual es usado a travs de la estadstica.
AGOSTO DEL 2013
La teora de errores se puede remontar a la pera miscellnea (pstuma, 1722) de Roger Cotes y al trabajo preparado por Thomas Simpson en 1755 (impreso en 1756) el cual aplica por primera vez la teora de la discusin de errores de observacin. La reimpresin (1757) de este trabajo incluye el axioma de que errores positivos y negativos son igualmente probables y que hay unos ciertos lmites asignables dentro de los cuales se encuentran todos los errores; se describen errores continuos y una curva de probabilidad. Pierre-Simon Laplace (1774) hace el primer intento de deducir una regla para la combinacin de observaciones desde los principios de la teora de probabilidades. Laplace represent la Ley de probabilidades de errores mediante una curva y dedujo una frmula para la media de tres observaciones. Tambin, en 1871, obtiene la frmula para la ley de facilidad del error (trmino introducido por Lagrange, 1744) pero con ecuaciones inmanejables. Daniel Bernoulli (1778) introduce el principio del mximo producto de las probabilidades de un sistema de errores concurrentes. Hoy el uso de la estadstica se ha extendido ms all de sus orgenes como un servicio al Estado o al gobierno. Personas y organizaciones usan la estadstica para entender datos y tomar decisiones en ciencias naturales y sociales, medicina, negocios y otras reas. La estadstica es entendida generalmente no como un sub-rea de las matemticas sino como una ciencia diferente aliada. Muchas universidades tienen departamentos acadmicos de matemticas y estadstica separadamente. La estadstica se ensea en departamentos tan diversos como psicologa, educacin y salud pblica.
Regresin lineal - Grficos de dispersin en estadstica.
Al aplicar la estadstica a un problema cientfico, industrial o social, se comienza con un proceso o poblacin a ser estudiado. Esta puede ser la poblacin de un pas, de granos cristalizados en una roca o de bienes manufacturados por una fbrica en particular durante un periodo dado. Tambin podra ser un proceso observado en varios ascos instantes y los datos recogidos de esta manera constituyen una serie de tiempo.
AGOSTO DEL 2013
Por razones prcticas, en lugar de compilar datos de una poblacin entera, usualmente se estudia un subconjunto seleccionado de la poblacin, llamado muestra. Datos acerca de la muestra son recogidos de manera observacional o experimental. Los datos son entonces analizados estadsticamente lo cual sigue dos propsitos: descripcin e inferencia. El concepto de correlacin es particularmente valioso. Anlisis estadsticos de un conjunto de datos puede revelar que dos variables (esto es, dos propiedades de la poblacin bajo consideracin) tienden a variar conjuntamente, como si hubiera una conexin entre ellas. Por ejemplo, un estudio del ingreso anual y la edad de muerte podran resultar en que personas pobres tienden a tener vidas ms cortas que personas de mayor ingreso. Las dos variables se dicen que estn correlacionadas. Sin embargo, no se puede inferir inmediatamente la existencia de una relacin de causalidad entre las dos variables. El fenmeno correlacionado podra ser la causa de una tercera, previamente no considerada, llamada variable confusora. Si la muestra es representativa de la poblacin, inferencias y conclusiones hechas en la muestra pueden ser extendidas a la poblacin completa. Un problema mayor es el de determinar que tan representativa es la muestra extrada. La estadstica ofrece medidas para estimar y corregir por aleatoriedad en la muestra y en el proceso de recoleccin de los datos, as como mtodos para disear experimentos robustos como primera medida, ver diseo experimental. El concepto matemtico fundamental empleado para entender la aleatoriedad es el de probabilidad. La estadstica matemtica (tambin llamada teora estadstica) es la rama de las matemticas aplicadas que usa la teora de probabilidades y el anlisis matemtico para examinar las bases tericas de la estadstica. El uso de cualquier mtodo estadstico es vlido solo cuando el sistema o poblacin bajo consideracin satisface los supuestos matemticos del mtodo. El mal uso de la estadstica puede producir serios errores en la descripcin e interpretacin, afectando las polticas sociales, la prctica mdica y la calidad de estructuras tales como puentes y plantas de reaccin nuclear. Incluso cuando la estadstica es correctamente aplicada, los resultados pueden ser difcilmente interpretados por un inexperto. Por ejemplo, el significado estadstico de una tendencia en los datos, que mide el grado al cual la tendencia puede ser causada por una variacin aleatoria en la muestra, puede no estar de acuerdo con el sentido intuitivo. El conjunto de habilidades estadsticas bsicas (y el escepticismo) que una persona necesita para manejar informacin en el da a da se refiere como cultura estadstica. La probabilidad constituye un importante parmetro en la determinacin de las diversas casualidades obtenidas tras una serie de eventos esperados dentro de un rango estadstico.
Las probabilidades constituyen una rama de las matemticas que se ocupa de medir o determinar cuantitativamente la posibilidad de que un suceso o experimento produzca un determinado resultado. La probabilidad est basada en el estudio de la combinatoria y es fundamento necesario de la estadstica.
La creacin de la probabilidad se atribuye a los matemticos franceses del siglo XVII Blaise Pascal y Pierre de Fermat, aunque algunos matemticos anteriores, como Gerolamo Cardano en el siglo XVI, haban aportado importantes contribuciones a su desarrollo. La PROBABILIDAD mide la frecuencia con la que se obtiene un resultado (o conjunto de resultados) al llevar a cabo un experimento aleatorio, del que se conocen todos los resultados posibles, bajo condiciones suficientemente estables. La teora de la probabilidad se usa extensamente en reas como la estadstica, la fsica, la matemtica, la ciencia y la filosofa para sacar conclusiones sobre la probabilidad discreta de sucesos potenciales y la mecnica subyacente discreta de sistemas complejos. El concepto intuitivo de la probabilidad, por medio del cual una persona toma decisiones sin la certeza de que ocurran todos sus supuestos, es la base de un estudio sistemtico que permite incrementar el grado de confianza que se puede tener en una decisin. La probabilidad puede ser objetiva o subjetiva. La primera es el resultado de clculos mientras que la subjetiva solo se ve reflejada por la percepcin de quien la emite. La probabilidad objetiva bajo el enfoque clsico, supone que todos los eventos tienen la misma posibilidad de ocurrir. Esta es la relacin entre el numero de eventos sealados como EXITOSOS, respecto al nmero total de eventos POSIBLES. Matemticamente podemos expresarlos de la siguiente manera: P = NUMERO DE EVENTOS EXITOSOS= ( n ) NUMEROS DE EVENTOS (N) Donde P= Probabilidad expresada en porcentaje o en forma decimal N= Nmero total de eventos n = Numero de eventos que son exitosos
La probabilidad muchas veces se expresa en porcentajes o bien en forma decimal.
AGOSTO DEL 2013
La probabilidad matemtica comenz como un intento de responder a varias preguntas que surgan en los juegos de azar, por ejemplo saber cuntas veces se han de lanzar un par de dados para que la probabilidad de que salga seis sea el 50 por ciento.
La probabilidad de un resultado se representa con un nmero entre 0 y 1, ambos inclusive. La probabilidad 0 indica que el resultado no ocurrir nunca, y la probabilidad 1 que el resultado ocurrir siempre. Los problemas ms sencillos estudian la probabilidad de un suceso favorable en un experimento o acontecimiento con un nmero finito de resultados, todos ellos con igual probabilidad de ocurrir.
Si un experimento tiene n posibles resultados, y f de ellos se consideran favorables, la probabilidad de un suceso favorable es f/n. Por ejemplo, un dado no trucado se puede lanzar de seis formas posibles, por tanto, la probabilidad de que salga un 5 un 6 es 2/6.
Problemas ms complicados estudian acontecimientos en que los distintos resultados tienen distintas probabilidades de ocurrir. Por ejemplo, encontrar la probabilidad de que salga 5 6 al lanzar un par de dados: los distintos resultados (2, 3,12) tienen distintas probabilidades. Algunos experimentos pueden incluso tener un nmero infinito de posibles resultados, como la probabilidad de que una cuerda de circunferencia dibujada aleatoriamente sea de longitud mayor que el radio.
Los problemas que estudian experimentos repetitivos relacionan la probabilidad y la estadstica. Algunos ejemplos: encontrar la probabilidad de obtener 5 veces un 3 y al menos 4 veces un 6 al lanzar un dado, sin hacer trampas, 50 veces; si una persona lanza una moneda al aire y da un paso hacia delante si sale cara y un paso hacia atrs si sale cruz, calcular la probabilidad de que, despus de 50 pasos, la persona est a menos de 10 pasos del origen.
El uso ms generalizado de la probabilidad es su utilizacin en el anlisis estadstico. Por ejemplo, la probabilidad de sacar 7 al lanzar dos dados es 1/6, lo que significa (se interpreta como) que al lanzar dos dados aleatoriamente y sin hacer trampas, un gran nmero de veces, alrededor de un sexto de los lanzamientos darn 7.
La probabilidad matemtica se utiliza mucho en las ciencias fsicas, biolgicas y sociales, as como en el comercio y la industria. Se aplica a muchas reas tan dispares como la gentica, la mecnica cuntica y los seguros. Tambin estudia problemas matemticos tericos de gran importancia y dificultad y est bastante relacionada con la teora del anlisis matemtico, que se desarroll a partir del clculo.
Clculo o medicin de la Probabilidad
La PROBABILIDAD mide la mayor o menor posibilidad de que se d un determinado resultado (suceso o evento) cuando se realiza un experimento aleatorio. Para calcular la probabilidad de un evento se toma en cuenta todos los casos posibles de ocurrencia del mismo; es decir, de cuntas formas puede ocurrir determinada situacin. Los casos favorables de ocurrencia de un evento sern los que cumplan con la condicin que estamos buscando. La probabilidad toma valores entre 0 y 1 (o expresados en tanto por ciento, entre 0% y 100%): El valor cero corresponde al suceso imposible; ejemplo: lanzamos un dado al aire y la probabilidad de que salga el nmero 7 es cero. El valor uno corresponde al suceso seguro, ejemplo: lanzamos un dado al aire y la probabilidad de que salga cualquier nmero del 1 al 6 es igual a uno (100%). El resto de sucesos tendr probabilidades entre cero y uno: que ser tanto mayor cuanto ms probable sea que dicho suceso tenga lugar. Mtodos de medicin de Probabilidad Uno de los mtodos ms utilizados es aplicando la Regla de Laplace: define la probabilidad de un suceso como el cociente entre casos favorables y casos posibles.
AGOSTO DEL 2013
Ejemplos: a) Probabilidad de que al lanzar un dado salga el nmero 2: el caso favorable (f) es tan slo uno (que salga el dos), mientras que los casos posibles (n) son seis (puede salir cualquier nmero del uno al seis). Por lo tanto: (o lo que es lo mismo, 16,6%) b) Probabilidad de que al lanzar un dado salga un nmero par: en este caso los casos favorables (f) son tres (que salga el dos, el cuatro o el seis), mientras que los casos posibles (n) siguen siendo seis. Por lo tanto: (o lo que es lo mismo, 50%) c) Probabilidad de que al lanzar un dado salga un nmero menor que 5: en este caso tenemos cuatro casos favorables (f) (que salga el uno, el dos, el tres o el cuatro), frente a los seis casos posibles. Por lo tanto: (o lo que es lo mismo, 66,6%) d) Probabilidad de ganarse el premio mayor de una lotera en la que juegan 100.000 nmerosnos: tan slo un caso favorable (f), el nmero que jugamos, frente a los 100.000 casos posibles (n). Por lo tanto: (o lo que es lo mismo, 0,001%)
d) Probabilidad al lanzar una moneda, con un guila en una cara y un sol en la otra. Hay dos casos posibles (n) de ocurrencia (o cae guila o cae sol) y slo un caso favorable (f) de que pueda caer guila (pues slo hay un guila en la moneda). Por lo tanto:
(o, lo que es lo mismo, 50 %) Existe una probabilidad del 50% de obtener un guila al tirar una moneda. e) Probabilidad de elegir tal o cual fruta. Si en una canasta hay 20 peras y 10 manzanas. Qu fruta es ms probable que saque al azar de la canasta? Para este ejemplo tenemos que 30 es el total de frutas en la canasta; es decir los casos posibles (n). Para calcular la probabilidad de sacar una manzana los casos favorables (f) son 10 puesto que existen slo 10 manzanas. Por lo tanto: (o, lo que es lo mismo, 33,3 %) (o, lo que es lo mismo, 66,7 %) Fjate bien que 33,3% + 66,7% es igual al 100% porque siempre que saquemos algo de la canasta es seguro que ser una fruta. Condiciones importantes Para poder aplicar la Regla de Laplace el experimento aleatorio tiene que cumplir dos requisitos: a) El nmero de resultados posibles (sucesoso eventos) tiene que ser finito. Si hubiera infinitos resultados, al aplicar la regla "casos favorables dividido por casos posibles" el cociente siempre sera cero. b) Todos los sucesos o eventos tienen que tener la misma probabilidad. Si al lanzar un dado, algunas caras tuvieran mayor probabilidad de salir que otras, no podramos aplicar esta regla. A la regla de Laplace tambin se le denomina "probabilidad a priori", ya que para aplicarla hay que conocer antes de realizar el experimento cuales son los posibles resultados y saber que todos tienen las mismas probabilidades. Cuando se realiza un experimento aleatorio un nmero muy elevado de veces, las probabilidades de los diversos posibles sucesos empiezan a converger hacia valores determinados, que son sus respectivas probabilidades.
Ejemplo: si lanzo una vez una moneda al aire y sale "cara", quiere decir que el suceso "cara" ha aparecido el 100% de las veces y el suceso "cruz" el 0%. Si lanzo diez veces la moneda al aire, es posible que el suceso "cara" salga 7 veces y el suceso "cruz" las 3 restantes. En este caso, la probabilidad del suceso "cara" ya no sera del 100%, sino que se habra reducido al 70%. Si repito este experimento un nmero elevado de veces, lo normal es que las probabilidades de los sucesos "cara" y "cruz" se vayan aproximando al 50% cada una. Este 50% ser la probabilidad de estos sucesos segn el modelo frecuentista. La probabilidad de un evento se denota con la letra p y se expresa en trminos de una fraccin y no en porcentajes, por lo que el valor de p cae entre 0 y 1. Por otra parte, la probabilidad de que un evento "no ocurra" equivale a 1 menos el valor de p y se denota con la letra q: = 1-q
Donde P= Probabilidad q= Fracaso ANALISIS COMBINATORIO

Orientado al estudio de las probabilidades, el anlisis combinatorio o anlisis del numero de formas en las que se pueden presentarse los resultados de un proceso, ayuda a cuantificar la probabilidad de que ocurra un resultado en particular. El anlisis combinatorio tiene como elementos fundamentales a las permutaciones y a las combinaciones. Una PERMUTACIN es una forma en la que pueden presentarse los objetos o eventos, y en la que el orden de aparicin es muy importante. La formula general de las permutaciones es: Permutaciones n objetos tomados de r en r = nPr = n! (n-r)!
Donde n = es el nmero total de objetos o eventos r = es el numero de objetos que se desean considerar
P= Permutacin
Una COMBINACIN es una forma en las que pueden presentarse los objetos o eventos y en las que el orden de aparicin no importa. La formula general de las combinaciones es la siguiente: Combinaciones de nCr = n! n objetos tomados r! * (n-r)! de r en r donde n= Es el nmero total de objetos o eventos r = Es el numero de objetos que se desea considerar
TIPOS DE EVENTOS
Un evento es el resultado posible o un grupo de resultados, de un experimento o proceso observado, y es la mnima unidad de anlisis para el efecto de clculo de probabilidades. Los eventos pueden clasificarse de la siguiente manera: 1).- Mutuamente excluyentes o disjuntos.- Son aquellos que no pueden ocurrir al mismo tiempo. Ejemplo.- Que juan juegue futbol y tenga clases de esgrima al mismo tiempo. 2).- Independiente.- Estos no se ven afectados por otros. Por ejemplo, el color de mis zapatos y la probabilidad de que llueva hoy. 3).- Dependientes.- Cuando un evento afecta la probabilidad de que suceda otro. Por ejemplo.- Si un trabajo se hace descuidadamente, es ms probable que resulte mal. 4).- No excluyentes.- Cuando la ocurrencia de uno de ellos no impide que suceda tambin el otro. Por ejemplo: Que una persona sea doctor y que tenga mas de 35 aos. Los tres mtodos para calcular las probabilidades son la regla de la adicin, la regla de la multiplicacin y la distribucin binomial.
Regla de la adicin
La regla de la adicin o regla de la suma establece que la probabilidad de ocurrencia de cualquier evento en particular es igual a la suma de las
probabilidades individuales, si es que los eventos son mutuamente excluyentes, es decir, que dos no pueden ocurrir al mismo tiempo. P(A o B) = P(A) U P(B) = P(A) + P(B) si A y B son mutuamente excluyente. P(A o B) = P(A) + P(B) P(A y B) si A y B son no excluyentes. Siendo: P(A) = probabilidad de ocurrencia del evento A. P(B) = probabilidad de ocurrencia del evento B. P(A y B) = probabilidad de ocurrencia simultanea de los eventos A y B.
Regla de la multiplicacin
La regla de la multiplicacin establece que la probabilidad de ocurrencia de dos o ms eventos estadsticamente independientes es igual al producto de sus probabilidades individuales. P(A y B) = P(A B) = P(A)P(B) si A y B son independientes. P(A y B) = P(A B) = P(A)P(B|A) si A y B son dependientes
Distribucin binomial
La probabilidad de ocurrencia de una combinacin especfica de eventos independientes y mutuamente excluyentes se determina con la distribucin binomial, que es aquella donde hay solo dos posibilidades, tales como masculino/femenino o si/no.
1. Hay dos resultados posibles mutuamente excluyentes en cada ensayo u observacin. 2. La serie de ensayos u observaciones constituyen eventos independientes. 3. La probabilidad de xito permanece constante de ensayo a ensayo, es decir el proceso es estacionario.
Para aplicar esta distribucin al calculo de la probabilidad de obtener un nmero dado de xitos en una serie de experimentos en un proceso de Bermnoulli, se requieren tres valores: el nmero designado de xitos (m), el nmero de ensayos y observaciones (n); y la probabilidad de xito en cada ensayo (p). Entonces la probabilidad de que ocurran m xitos en un experimento de n ensayos es: P (x = m) = (nCm)(Pm)(1P)nm Siendo: nCm el nmero total de combinaciones posibles de m elementos en un conjunto de n elementos.
En otras palabras P(x = m) = [n!/(m!(nm)!)](pm)(1p)nm Ejemplo. La probabilidad de que un alumno apruebe la asignatura Clculo de Probabilidades es de 0,15. Si en un semestre intensivo se inscriben 15 alumnos Cul es la probabilidad de que aprueben 10 de ellos? P(x = 10) = 15C10(0,15)10(0,85)5 = 10!/(10!(1510)!)(0,15)10(0,85)5 = 7,68 * 106 Generalmente existe un inters en la probabilidad acumulada de "m o ms " xitos o "m o menos" xitos en n ensayos. En tal caso debemos tomar en cuenta que: P(x < m) = P(x = 0) + P(x = 1) + P(x = 2) + P(x = 3) +....+ P(x = m 1) P(x > m) = P(x = m+ 1) + P(x = m+ 2) + P(x = m+3) +....+ P(x = n) P(x m) = P(x = 0) + P(x = 1) + P(x = 2) + P(x = 3) +....+ P(x = m) P(x m) = P(x = m) + P(x = m+1) + P(x = m+2) +....+ P(x = n) Supongamos que del ejemplo anterior se desea saber la probabilidad de que aprueben: a. al menos 5 b. mas de 12 SOLUCION a. la probabilidad de que aprueben al menos 5 es: P(x 5) es decir, que: 1 - P(x < 5) = 1 - [P(x = 0)+P(x = 1)+P(x = 2)+P(x = 3)+P(x = 4)] = 1 - [0,0874 + 0,2312 + 0,2856 + 0,2184 + 0,1156] = 0,0618 Nota: Al menos, a lo menos y por lo menos son locuciones adverbiales sinnimas. Ejemplo: La entrada al cine por lo menos tendr un costo de 10 soles (como mnimo podra costar 10 soles o ms). b. la probabilidad de que aprueben mas de 12 es P(x > 12) es decir, que: P(x > 12) = P(x = 13)+P(x = 14)+P(x = 15) P(x > 12) = 1,47 *109 +3,722 *1011 +4,38 *1013 = 1,507 *109 La esperanza matemtica en una distribucin binomial puede expresarse como: E(x) = np = 15(0,15)=2,25 Y la varianza del nmero esperado de xitos se puede calcular directamente: Var(x) = np(1p)= 15(0,15)(1-0,15)=1,9125
Aplicaciones
Dos aplicaciones principales de la teora de la probabilidad en el da a da son en el anlisis de riesgo y en el comercio de los mercados de materias primas. Los gobiernos normalmente aplican mtodos probabilsticos en regulacin ambiental donde se les llama "anlisis de vas de dispersin", y a menudo miden el bienestar usando mtodos que son estocsticos por naturaleza, y escogen qu proyectos emprender basndose en anlisis estadsticos de su probable efecto en la
poblacin como un conjunto. No es correcto decir que la estadstica est incluida en el propio modelado, ya que tpicamente los anlisis de riesgo son para una nica vez y por lo tanto requieren ms modelos de probabilidad fundamentales, por ej. "la probabilidad de otro 11-S". Una ley de nmeros pequeos tiende a aplicarse a todas aquellas elecciones y percepciones del efecto de estas elecciones, lo que hace de las medidas probabilsticas un tema poltico. Un buen ejemplo es el efecto de la probabilidad percibida de cualquier conflicto generalizado sobre los precios del petrleo en Oriente Medio - que producen un efecto domin en la economa en conjunto. Un clculo por un mercado de materias primas en que la guerra es ms probable en contra de menos probable probablemente enva los precios hacia arriba o hacia abajo e indica a otros comerciantes esa opinin. Por consiguiente, las probabilidades no se calculan independientemente y tampoco son necesariamente muy racionales. La teora de las finanzas conductuales surgi para describir el efecto de este pensamiento de grupo en el precio, en la poltica, y en la paz y en los conflictos. Se puede decir razonablemente que el descubrimiento de mtodos rigurosos para calcular y combinar los clculos de probabilidad ha tenido un profundo efecto en la sociedad moderna. Por consiguiente, puede ser de alguna importancia para la mayora de los ciudadanos entender cmo se calculan los pronsticos y las probabilidades, y cmo contribuyen a la reputacin y a las decisiones, especialmente en una democracia. Otra aplicacin significativa de la teora de la probabilidad en el da a da es en la fiabilidad. Muchos bienes de consumo, como los automviles y la electrnica de consumo, utilizan la teora de la fiabilidad en el diseo del producto para reducir la probabilidad de avera. La probabilidad de avera tambin est estrechamente relacionada con la garanta del producto. Se puede decir que no existe una cosa llamada probabilidad. Tambin se puede decir que la probabilidad es la medida de nuestro grado de incertidumbre, o esto es, el grado de nuestra ignorancia dada una situacin. Por consiguiente, puede haber una probabilidad de 1 entre 52 de que la primera carta en un baraja sea la J de diamantes. Sin embargo, si uno mira la primera carta y la reemplaza, entonces la probabilidad es o bien 100% 0%, y la eleccin correcta puede ser hecha con precisin por el que ve la carta. La fsica moderna proporciona ejemplos importantes de situaciones determinsticas donde slo la descripcin probabilstica es factible debido a informacin incompleta y la complejidad de un sistema as como ejemplos de fenmenos realmente aleatorios. En un universo determinista, basado en los conceptos newtonianos, no hay probabilidad si se conocen todas las condiciones. En el caso de una ruleta, si la fuerza de la mano y el periodo de esta fuerza es conocido, entonces el nmero donde la bola parar ser seguro. Naturalmente, esto tambin supone el conocimiento de la inercia y la friccin de la ruleta, el peso, lisura y redondez de la bola, las variaciones en la velocidad de la mano durante el movimiento y as
sucesivamente. Una descripcin probabilstica puede entonces ser ms prctica que la mecnica newtoniana para analizar el modelo de las salidas de lanzamientos repetidos de la ruleta. Los fsicos se encuentran con la misma situacin en la teora cintica de los gases, donde el sistema determinstico en principio, es tan complejo (con el nmero de molculas tpicamente del orden de magnitud de la constante de Avogadro ) que slo la descripcin estadstica de sus propiedades es viable. La mecnica cuntica, debido al principio de indeterminacin de Heisenberg, slo puede ser descrita actualmente a travs de distribuciones de probabilidad, lo que le da una gran importancia a las descripciones probabilsticas. Algunos cientficos hablan de la expulsin del paraso.[cita requerida] Otros no se conforman con la prdida del determinismo. Albert Einstein coment estupendamente en una carta a Max Born: Jedenfalls bin ich berzeugt, da der Alte nicht wrfelt. (Estoy convencido de que Dios no tira el dado). No obstante hoy en da no existe un medio mejor para describir la fsica cuntica si no es a travs de la teora de la probabilidad. Mucha gente hoy en da confunde el hecho de que la mecnica cuntica se describe a travs de distribuciones de probabilidad con la suposicin de que es por ello un proceso aleatorio, cuando la mecnica cuntica es probabilstica no por el hecho de que siga procesos aleatorios sino por el hecho de no poder determinar con precisin sus parmetros fundamentales, lo que imposibilita la creacin de un sistema de ecuaciones determinista.
Investigacin biomdica
La mayora de las investigaciones biomdicas utilizan muestras de probabilidad, es decir, aquellas que el investigador pueda especificar la probabilidad de cualquier elemento en la poblacin que investiga. Las muestras de probabilidad permiten usar estadsticas inferenciales, aquellas que permiten hacer inferencias a partir de datos. Por otra parte, las muestras no probabilsticas solo permiten usarse estadsticas descriptivas, aquellas que solo permiten describir, organizar y resumir datos. Se utilizan cuatro tipos de muestras probabilsticas: muestras aleatorias simples, muestras aleatorias estratificadas, muestra por conglomerados y muestras sistemticas. EJERCICIOS CON SOLUCION 1. Una experiencia aleatoria consiste en preguntar a tres personas distintas, elegidas al azar, si son partidarias o no de consumir un determinado producto. a) Escribe el espacio muestral asociado a dicho experimento, utilizando la letra "s" para las respuestas afirmativas y "n" para las negativas. b) Qu elementos del espacio muestral anterior constituyen el suceso " al menos dos de las personas son partidarias de consumir el producto"? c) Describe el suceso contrario de "ms de una persona es partidaria de consumir el producto"
AGOSTO DEL 2013
2.
AGOSTO DEL 2013
3.
En un supermercado el 70% de las compras las realizan las mujeres; de las compras realizadas por estas, el 80% supera las 2000 PTA, mientras que de las compras realizadas por hombres slo el 30% supera esa cantidad. a) Elegido un ticket de compra al azar, cul es la probabilidad de que supere las 2000 PTA?
b) Si se sabe que el ticket de compra no supera las 2000 PTA cul es la probabilidad de que la compra haya sido hecha por una mujer?
4.
Se extrae una carta de una baraja espaola de 40 cartas. Si la carta extrada es un rey, nos dirigimos a la urna I; en caso contrario a la urna II. A continuacin, extraemos una bola. El contenido de la urna I es de 7 bolas blancas y 5 negras y el de la urna II es de 6 bolas blancas y 4 negras. Halla: a) La probabilidad de que la bola extrada sea blanca y de la urna II b) La probabilidad de que la bola extrada sea negra.
AGOSTO DEL 2013
5.
En una ciudad el 55% de los habitantes consume pan integral, el 30% consume pan de multicereales y el 20% consume ambos. Se pide: I) Sabiendo que un habitante consume pan integral, cul es la probabilidad de que coma pan de multicereales? II) Sabiendo que un habitante consume pan de multicereales, cul es la probabilidad de que no consume pan integral?
III) Cul es la probabilidad de que una persona de esa ciudad no consuma ninguno de los dos tipos de pan? Para ver el grfico seleccione la opcin "Descargar" del men superior
AGOSTO DEL 2013
SOLUCION:
6.
Si A y B son dos sucesos tales que:
Enunciado 7. El equipo directivo de cierta empresa del sector de hostelera est constituido por 25 personas de las que un 60% son mujeres. El gerente tiene
que seleccionar a una persona de dicho equipo para que represente a la empresa en un certamen internacional. Decide lanzar una moneda: si sale cara, selecciona a una mujer y si sale cruz, a un hombre. Sabiendo que 5 mujeres y 3 hombres del equipo directivo no hablan ingls, determina, justificando la respuesta, la probabilidad de que la persona seleccionada hable ingls.
Enunciado
AGOSTO DEL 2013
8.
Dos personas piensan cada una de ellas un nmero del 0 al 9. Calcula la probabilidad de que las dos personas no piensen el mismo nmero. 9. En una Universidad existen tres facultades: A, B y C. En A hay matriculadas 150 chicas y 50 chicos; en B, 300 chicas y 200 chicos; y en C, 150 chicas y 150 chicos. a. b. Calcula la probabilidad de que un estudiante, elegido al azar, sea chico. Si un estudiante elegido al azar resultara ser chico, cul es su facultad ms probable
AGOSTO DEL 2013
AGOSTO DEL 2013
1. 2.
Se escuchan tres discos y se vuelven a guardar al azar. Cul es la probabilidad de que al menos uno de los discos haya sido guardado en el envoltorio que le corresponda? 3. Se considera una clula en el instante t=0. En el intante t=1 la clula puede: bien reproducirse, dividindose en dos, con probabilidad 3/4, o bien morir con probabilidad 1/4. Si la clula se divide, entonces en el tiempo t=2 cada uno de sus dos descendientes puede tambin subdividirse o morir, con las mismas probabilidades que antes, independientemente uno de otro.
AGOSTO DEL 2013
a. b.
Cuntas clulas es posible que haya en el tiempo t=2? Con qu probabilidad?
AGOSTO DEL 2013
1.
Una caja contiene 10 bolas blancas, 5 negras y 5 rojas. Se extraen dos bolas consecutivamente de la caja. Calcula la probabilidad de que las dos sean blancas si: Antes de extraer la segunda bola se vuelve a meter la primera en la caja. La segunda bola se extrae sin haber metido la primera en la caja.
AGOSTO DEL 2013
1. 2.
Un monedero contiene 2 monedas de plata y 3 de cobre, y otro contiene 4 de plata y 3 de cobre. Si se elige un monedero al azar y se extrae una moneda cul es la probabilidad de que sea de plata? 3. En una oficina el 70% de los empleados son asturianos. De entre los asturianos, el 50% son hombres, mientras que de los no asturianos, slo son hombres el 20%.

Qu porcentaje de empleados nos asturianos son mujeres? Calcula la probabilidad de que un empleado de la oficina sea mujer. Para ver el grfico seleccione la opcin "Descargar" del men superior
Fernando trabaja en dicha oficina.Cul es la probabilidad de que sea asturiano? 1. El 12% de los habitantes de un pas padece cierta enfermedad. Para el diagnstico de esta, se dispone de un procedimiento que no es
completamente fiable ya que da positivo en el 90% de los casos de personas realmente enfermas, pero tambin da positivo en el 5% de personas sanas. Cul es la probabilidad de que est sana una persona a la que el procedimiento le ha dado positivo?. 2. 3. Para ver el grfico seleccione la opcin "Descargar" del men superior Para ver el grfico seleccione la opcin "Descargar" del men superior En un ayuntamiento hay 5 concejales del partido A, 4 del B y 1 del C. Si se eligen al azar y sucesivamente tres concejales, cul es la probabilidad de que los tres sean del partido A? y la de que pertenezcan a partidos distintos? 4. Un dado ha sido trucado de manera que la probabilidad de sacar un nmero par es el doble que la de sacar un nmero impar. Se lanza el dado y se pide:

La probabilidad de obtener un nmero par Si, a la vez, se lanza un dado no trucado, la probabilidad de obtener un nmero par y un nmero impar. Si, a la vez, se lanza un dado no trucado, la probabilidad de obtener, al menos, un nmero impar. Para ver el grfico seleccione la opcin "Descargar" del men superior 1. Tengo dos urnas, dos bolas blancas y dos bolas negras. Se desea saber como debo distribuir las bolas en las urnas para que, al elegir una urna al azar, sea mxima la probabilidad de obtener una bola blanca. La nica condicin exigida es que cada una tenga al menos una bola.
Ver: Probabilidades Ahora practica lo aprendido resolviendo los ejercicios que se te proponen en: http://www.conevyt.org.mx/actividades/probabilidad/evaluacion.html Fuentes Internet: http://www.aulafacil.org/CursoEstadistica/Lecc-16-est.htm http://thales.cica.es/rd/Recursos/rd97/Biografias/52-4-blaplace.html#Laplace%20y%20la%20Teora%20de%20la%20Probabilidad. http://www.conevyt.org.mx/actividades/probabilidad/lectura3.html Es propiedad: www.profesorenlinea.cl. Registro N 188.540
AGOSTO DEL 2013

Antología de Probabilidad y Estadística I PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Antología de Probabilidad y Estadística I PDF

Transféré par

Droits d'auteur :

Formats disponibles

Antologa de Probabilidad y Estadstica I

Contenido Temtico PROBABILIDAD Y ESTADISTICAS I

MC FRANCISCO JAVIER RUIZ CRUZ

AGOSTO DEL 2013

TUXTLA GUTIERREZ CHIAPAS COBACH 01

MC FRANCISCO JAVIER RUIZ CRUZ

AGOSTO DEL 2013

TUXTLA GUTIERREZ CHIAPAS COBACH 01

La estadstica se divide en dos grandes reas:

La estadstica descriptiva, se dedica a la descripcin,

MC FRANCISCO JAVIER RUIZ CRUZ

MC FRANCISCO JAVIER RUIZ CRUZ

AGOSTO DEL 2013

TUXTLA GUTIERREZ CHIAPAS COBACH 01

64.9 43.6 39.4 52.9 26.3

48.3 68.4 35.1 57.1 30.5

72.8 52.3 58.2 48.4 29.8

42.9 29.4 70.4 62.8 60.4

MC FRANCISCO JAVIER RUIZ CRUZ

AGOSTO DEL 2013

TUXTLA GUTIERREZ CHIAPAS COBACH 01

152 124 118 152 134 115 120 125

134 134 130 140 120 146 132 135

MC FRANCISCO JAVIER RUIZ CRUZ

131 - 138 138 145 145 - 152 suma

134.5 141.5 148.5

MC FRANCISCO JAVIER RUIZ CRUZ

AGOSTO DEL 2013

TUXTLA GUTIERREZ CHIAPAS COBACH 01

La ojiva se obtiene utilizando los valores de la frecuencia acumulada

MC FRANCISCO JAVIER RUIZ CRUZ

AGOSTO DEL 2013

TUXTLA GUTIERREZ CHIAPAS COBACH 01

MC 117.8 125.6 132.4 139 147.6

Fr 05/30= 0.16 06/30=0.20 09/30=0.30 04/30=0.13 06/30=0.20

FA 0+5=5 5+6=11 11+9=20 20+4=24 24+6=30

MC FRANCISCO JAVIER RUIZ CRUZ

AGOSTO DEL 2013

TUXTLA GUTIERREZ CHIAPAS COBACH 01

MC FRANCISCO JAVIER RUIZ CRUZ

AGOSTO DEL 2013

TUXTLA GUTIERREZ CHIAPAS COBACH 01

Ejemplo: La media aritmtica de los nmeros 3, 9, 12, 5 y 6 es:

Si se grafican estos puntos se obtiene:

MC FRANCISCO JAVIER RUIZ CRUZ

AGOSTO DEL 2013

TUXTLA GUTIERREZ CHIAPAS COBACH 01

Esta ecuacin tambin puede re-escribirse como:

MC FRANCISCO JAVIER RUIZ CRUZ

AGOSTO DEL 2013

TUXTLA GUTIERREZ CHIAPAS COBACH 01

Note que los resultados son utilizados para los clculos.

un poco diferentes por el nmero de decimales

La media = 4616.5 / 35 = 131.9

Primero hay que ordenar los nmeros de menor a mayor:

MC FRANCISCO JAVIER RUIZ CRUZ

AGOSTO DEL 2013

TUXTLA GUTIERREZ CHIAPAS COBACH 01

Otra forma de clculo sera utilizando la siguiente frmula:

n = 90 FA = 31 f = 24 c=4 Al sustituir en la formula queda la siguiente expresin:

MC FRANCISCO JAVIER RUIZ CRUZ

AGOSTO DEL 2013

TUXTLA GUTIERREZ CHIAPAS COBACH 01