Académique Documents
Professionnel Documents
Culture Documents
DISTRIBUCIN DE PROBABILIDADES
Variable Aleatoria es una funcin que asocia un nmero real, perfectamente definido, a
cada punto muestral. A veces las variables aleatorias (va) estn ya implcitas en los puntos
muestrales.
Ejemplo 1: Sea el evento, la experiencia relacionada con la medicin de la estatura de 100
individuos. Un punto muestral (resultado de un experimento) es ya un nmero (estatura).
La va est implcita.
Ejemplo 2: Sea el evento, lanzar una moneda 3 veces al aire. Si se representa la cara con c
y el sello con s, entonces el espacio muestral ser:
Espacio Muestral = {ccc, ccs, csc, scc, css, scs, ssc, sss}
La probabilidad de cada suceso elemental es 1/8. Por ejemplo p(ccc) = 1/8, ya que la
probabilidad de sacar cara en una tirada es 1/2 segn la definicin clsica y las tiradas son
independientes.
Definimos la va X: nmero de caras, que puede tomar los valores {0, 1, 2, 3}. Se buscan
todos los puntos muestrales que dan lugar a cada valor de la variable y a ese valor se le
asigna la probabilidad del suceso correspondiente.
Sucesos
px
{zzz}
1/8
3/8
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.
Dagoberto Salgado Horta
Pgina 1
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, f x ( x ) es una funcin que va
del conjunto de valores posibles de la variable aleatoria al intervalo [0, 1].
Definicin
La funcin f x ( x k ) P ( X x k ), k 1, 2 ,3,... que va del conjunto de los valores
posibles de la variable aleatoria discreta X al intervalo [0, 1] recibe el nombre de
funcin de probabilidad.
Para una variable aleatoria
X , f x ( x)
Pgina 2
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
Definicin
Si un espacio muestral contiene un nmero finito de posibilidades o una secuencia
sin final con igual nmero de elementos que nmeros enteros, se le denomina
variable aleatoria discreta (espacio muestral discreto). A una variable aleatoria
se le denomina variable aleatoria discreta si su conjunto de posibles resultados es
contable. Las distribuciones discretas son aquellas en las que la variable puede
pude tomar un nmero determinado de valores.
Las variables aleatorias discretas representan datos que se refieren, tales como el nmero
de artculos defectuosos en una muestra de m de ellos o el nmero de accidentes en
carreteras por ao en un estado determinado.
Ejemplo: si se lanza una moneda al aire puede salir cara o cruz; si se tira un dado puede
salir un nmero de 1 al 6; en una ruleta el nmero puede tomar un valor del 1 al 32.
El resultado de un experimento estadstico que puede no ser finito ni contable. Un ejemplo
de este paradigma ocurre cuando se produce una investigacin para medir las distancias
Dagoberto Salgado Horta
Pgina 3
que recorre cierta marca de automvil en una distancia de prueba especificado con 5 litros
de gasolina. Asumiendo que el trayecto es una variable que se puede medir con cualquier
grado de precisin, entonces resulta claro que se tiene un nmero infinito de distancias
posibles en el espacio muestral y que no puede igualarse al nmero de nmeros enteros. Si
se registrara tambin la cantidad de tiempo en que se efecta el recorrido de la diferentes
marcas, da nueva cuenta de los intervalos de tiempos posibles que conforman el espacio
muestral serian infinitos en nmero e incontables. Se observa con esto que no todos los
espacios muestrales son necesariamente discretos.
Definicin
Pgina 4
variable aleatoria X que represente esa distancia, X puede tomar cualquier valor en el
intervalo [0,1].
Distribuciones de Probabilidad
DISTRIBUCIONES DE PROBABILIDAD PARA VARIABLES ALEATORIAS
Demandas Posibles
X
Nmero de Das
Probabilidad P ( X )
3
4
5
6
7
8
TOTALES
3
7
12
14
10
4
50
0.06
0.14
0.24
0.28
0.20
0.08
1.00
Valor
Ponderado X . P ( X )
0.18
0.56
1.20
1.68
1.40
0.64
E ( X ) 5 . 66
Pgina 5
3
SJB
b
Espacio Muestral
1
SBJ
1
JSB
0
JBS
0
BSJ
1
BJS
La probabilidad de que ningn obrero reciba de nuevo la herramienta que tena, es decir,
la probabilidad de que B tome el valor de cero, es 1/3. Los posibles valores b de B y sus
probabilidades estn dados por
b
P(B = b)
Pgina 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 ).
f (0) P (X 0)
.f ( 2 ) P ( X 2 )
3 5
0 2
8
2
3 5
2 0
8
2
10
,.. f (1) P ( X 1)
28
3 5
1 1
8
2
15
,..
28
3
28
Pgina 7
x
f(x)
10
15
28
28
28
=
=
=
P(SS)
P(SC o CS)
P(CC)
= P(X=0) =
= P(X=1) =
= P(X=2) =
/4
X
P(X=x)
1
/4
Pgina 8
Problema
Se Lanzan dos dados al aire. Cul es probabilidad de que la suma de los puntos en los
dados sea menor que 8?
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:
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
Como nos interesa la suma de los puntos observados, si obtenemos el resultado (3, 5) le
asignamos el valor 8, correspondiente a la suma de 3 y 5. Podemos calcular la probabilidad
de que la suma sea igual a 8, contando todos los resultados donde la suma es ocho. El
evento de que la suma es ocho contiene 5 resultados: {(2,6), (3,5), (4,4), (5, 3), (6,2)}; por
lo tanto la probabilidad deseada es 5/36. Podemos repetir este proceso con cada uno de los
resultados para obtener las siguientes sumas probables al lanzar dos de acuerdo con la
tabla 2.
Sumas
Probabilidades
10
11
12
36
36
36
36
36
36
36
36
36
36
36
Pgina 9
observar en el dado verde, podemos expresar el valor que nos interesa as: X = R + V.
Antes de lanzar los dados no sabemos qu valores observaremos para R y V, por lo tanto
tampoco lo sabemos para X.
El valor que asumir X puede variar de lanzada en lanzada, sujeto a la distribucin
especificada en la tabla de arriba. As X es una variable, que asume un nmero finito de
valores sujeto a una distribucin de probabilidad. Este es un ejemplo de una variable
aleatoria discreta. Otros ejemplos son las variables R y V. En general, si S es un espacio
muestral con una medida de probabilidad P, definimos una variable aleatoria como una
funcin que asigna un nmero real a cada uno de los elementos de S.
Interpretamos, por ejemplo X = 8 como el evento de que se observ el resultado 8 al lanzar
los dos dados, es decir el evento {(2,6), (3,5), (4,4), (5, 3), (6,2)} ocurri. Tambin
asignamos a X = 8 la probabilidad de ese evento. As vemos que P(X = 8) = P({ (2,6),
(3,5), (4,4), (5, 3), (6,2)}) = 5/36= 0.14. Es usual denotar las variables aleatorias por letras
maysculas y los valores que puede asumir por letras minsculas.
En este caso la variable X puede asumir un valor entre un conjunto finito de valores
posibles. Cualquier variable que pueda asumir un nmero finito de valores decimos es una
variable aleatoria discreta. Tambin son variables aleatorias discretas aquellas que
pueden asumir un nmero muy grande o infinito de valores que potencialmente podran ser
contados, tal como el nmero de habitantes del planeta, el nmero de granos de maz
producidos en el planeta en una fecha determinada, el nmero de los rboles de un pas.
En la Tabla 2
vemos que a cada valor posible de X, le asignamos un nmero
correspondiente a su probabilidad. As podemos definir otra funcin: f(x) = P(X = x), para
cada nmero x en el campo de valores de la variable X. Esta funcin se llama la funcin de
probabilidad o distribucin de probabilidad de la variable X. Para el ejemplo de la suma
de los puntos al tirar dos dados, los valores de esta funcin estn dados en la Tabla 2, la
cual se puede reescribir usando los conceptos estudiados.
10
11
12
36
36
36
36
36
36
36
36
36
36
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 lo valores que puede tener f(x) obtenemos 1, debido a
que estamos sumando las probabilidades de que la variable aleatoria asuma uno de los
Dagoberto Salgado Horta
Pgina 10
de f.
0,18
0,16
Probabilidades
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
1
10
11
12
Pgina 11
podemos ver que el rea de la barra sobre el 3 es 2/36 1 = 2/36 = 0.056 ya que la altura de
la barra es 2/36 y su ancho es 1. Usar el rea de las barras para representar la probabilidad
es muy til para extender la nocin de probabilidad a otras variables.
Podemos usar el histograma de probabilidad para calcular probabilidades tal como P(X
4). Vemos que P(X 4) = P(X =2 X =3 X =4) = P(X = 2) + P(X = 3) + P(X = 4) , ya
que los eventos donde X = 2, X = 3 y X = 4 son disjuntos. Entonces P(X 4) = 1/36 + 2/36
+ 3/36 = 6/36, sumando las reas de la barras que estn sobre el 4 y a su izquierda.
Debemos ser muy cuidadosos con las desigualdades, ya que P(X 4) = 6/36, mientras que
P(X< 4) = 3/26.
Extendiendo esta idea de probabilidades acumulativas, podemos definir otra funcin
partiendo de la distribucin de probabilidad. Si X es una variable aleatoria discreta,
definimos la funcin de distribucin de X o funcin de distribucin acumulativa de X
de la siguiente manera:
f ( x ) p( X i x )
x i
0 P(X=x) 1.
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
Dagoberto Salgado Horta
Pgina 12
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:
xf
n
f
n
x .P ( x )
Pgina 13
Por ejemplo: Consideremos la variable X del ejemplo de caras observadas en dos lanzamientos de
monedas. Es decir, X tal que su distribucin de probabilidad sea:
X
P(X=x)
1
2
/4
xP ( x ) 0 . 4 1 . 2 2 . 4
x0
Anlogamente, la
f (x )
n
, y haciendo un
(x)
f
n
(x)
P( x )
Pgina 14
( 0 1)
(1 1 )
( 2 1)
1
4
1.
0.
1
2
1.
1
4
1
4
1
4
1
2
x E(X )
X i P ( X i ) , donde:
i 1
Pgina 15
i= 1, 2, 3, ....,N.
x E(X )
xf
( x) o
x E(X )
X iP(X i ) .
i 1
La media de X puede interpretarse como el centro de la masa del rango de los valores de X.
Esto es, si se coloca una masa igual a f x ( x ) en cada punto x de la recta real, entonces
E(X) es el punto donde la recta queda en equilibrio. Por consiguiente, el trmino funcin de
probabilidad puede interpretarse mediante esta analoga con la mecnica.
( 0 )( 4 ) (1)( 7 ) ( 2 )( 5 )
1 . 06 .
16
Pgina 16
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
P(X = 2) = P(HH) = 1 .
4
Pgina 17
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
1
1
1 2 1 . 0 .
4
2
4
E ( X ) 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 x 1 , x 2 ,..., x n , de la variable aleatoria X por su
probabilidad correspondiente f ( x 1 ), f ( x 2 ),....., f ( x n ), 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
f(x)
4 3
x 3 x
7
3
, para
x = 0, 1, 2, 3.
Pgina 18
f (0)
4 3
0 3 0
3
7
;.. f (1)
35
4 3
1 3 1
3
7
12
;.. f ( 2 )
35
4 3
2 3 2
3
7
18
,.. f ( 3 )
35
4 3
3 33
3
7
4
35
1 . 70 .
1
2
3
7
35
35
35
35 35
E ( X ) 0
Por lo tanto, si se selecciona al azar una y otra vez un comit de 3 miembros a partir de un
grupo de 4 qumicos y 3 bilogos, el mismo contendra en promedio 1.7 qumicos.
Ejemplo. En un juego de azar de un casino, se le paga a una persona 5 dlares si al tirar a
aire 3 monedas obtiene solo caras o sellos, mientras que esta persona deber pagar 3
dlares si obtiene slo una o dos caras. Cul es la ganancia esperada de jugador?
Solucin. El espacio muestral formado por todos los posibles resultados que pueden
obtenerse cuando se lanzan 3 monedas de manera simultnea, o en forma equivalente si la
moneda se lanzan 3 veces sucesivamente (C = cara, S = sello), es
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 ) .
2 2 2 8
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 E 1 CCC , SSS y - 3 $ si ocurre el
Pgina 19
evento E 2 CCS , CSC , SCC ; CSS , SCS , SSC .Si se observa que E1 y E2 se presentan con
probabilidad de y , respectivamente, se concluye que
1
3
3 1 .
4
4
E ( X ) 5
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 perdida 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
Pgina 20
Valores posibles de
la Variable
Aleatoria.
Probabilidad de que la
variable aleatoria tome estos
valores.
(1)
100
101
102
103
104
105
106
107
108
109
110
110
112
113
114
115
TOTALES
(2)
1
2
3
5
6
7
9
10
12
11
9
8
6
5
4
2
100
(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
Esperanza
Matemtica.
(1)x(3)
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
Pgina 21
Gr af ica co r r e s p o n d ie n t e a la d is t r ib u cio n d e
p r o b ab ilid ad p ar a la var iab le ale at o r ia d is cr e t a,
0,14
0,12
PR O B A B IL ID A D
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
N m e r o s d iar io s d e m u je r e s at e n d id as
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 realmente 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 pesos, 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 pesos.
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 pesos?
Dagoberto Salgado Horta
Pgina 22
1
1000
, entonces nuestra
esperanza matemtica es
480000x
1000
480000
480
1000
PROBLEMA. Sean 0.24, 0.35, 0.29 y 0.12 las probabilidades de que un usurero pueda
vender en un ao un lote subdividido, con las respectivas ganancias de Bs.1250000, Bs.
800000 o de Bs. 100000 o con una prdida de Bs. 250000. Cul es la utilidad o ganancia
esperada?
SOLUCIN: Si se sustituye
x E(X )
X iP(X i ) .
i 1
Este
resultado indica que el usurero espera ganar 579000 Bs. Con su usura.
3 1 3
f ( x )
x 4 4
3 x
Pgina 23
Solucin:
27
27
9
3 1 3
3 1 3
3 1 3
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
0
27
f ( x)
27
64
9
64
3
1
64
64
X i P ( X i ) . Se tiene:
i 1
3
27
27
9
1 27 ( 2 ) 9 ( 3 )1 48
E 0
0 . 75 .
1
2
3
64
64
4
64
64
64
64
LA DISTRIBUCIN BINOMIAL
El nombre que recibe esta distribucin se debe a la similitud existente entre la distribucin
de las probabilidades de obtener 0, 1, 2, 3,..elementos considerados como xito de
una muestra de tamao n, y los trminos sucesivos del desarrollo binomial ( p q ) n ,
donde p expresa la probabilidad de xito de un solo ensayo (situacin experimental), y q
es la probabilidad de fracaso (tal que, p + q = 1). En este caso, xito significa
encontrarse con cierta clase de evento, mientras que fracaso significa no encontrarse con
dicho evento. En esta gua se har un breve reposo del Teorema del binomio o Binomio
Dagoberto Salgado Horta
Pgina 24
de Newton. El teorema del binomio, o Binomio de Newton por haber sido ste quien
propuso el mtodo general para su desarrollo, es un binomio elevado a una potencia n, que
en su caso ms simple es un nmero natural.
En trminos generales, el teorema del binomio establece que para a, bR y nN, se
tiene que:
n n n n 1
n n 1 n n
( a b ) a a b ....
b
ab
0
1
n 1
n
n
i 1
n n i i
a b .
i
La probabilidad
x veces en n
intentos esta
n x n x
.
Px . p q
x
xx
xx
Px
xx
veces en n
n x n x
. p q
.
x
Pgina 25
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 ultimo nmero de la fila horizontal siempre tiene que ser 1 (ver tringulo).
1
1
1
1
1
1
1
1
1
1
3
6
10
15
21
4
10
20
35
1
1
5
15
35
1
6
21
1
7
28
56
70
56
28
8
1
1
9
36
84 126
126
84
36
9
1
1
10
45
120 210 252
210 120
45
10
1
Pgina 26
( 2 x 3 y ) ( 2 x ) 5( 2 x ) 3 y 10 ( 2 x ) ( 3 y ) 10 ( 2 x ) ( 3 y ) 5( 2 x )( 3 y ) ( 3 y )
5
243 y .
( x y ) x 6 x y 15 x y 20 x y 15 x y 5 xy y .
p + q = 1.
EJEMPLOS 2: Probabilidad de salir cara al lanzar una moneda al aire:
Probabilidad de que salga cara: p = 0,5.
Probabilidad de que no salga cara: q = 0,5.
p + q = 0,5 + 0,5 = 1.
Ejemplo 3: Probabilidad de ser admitido en la universidad:
Dagoberto Salgado Horta
Pgina 27
p + q = 0,25 + 0,75 = 1.
p + q = 0,00001 + 0,99999 = 1.
Considrense los siguientes experimentos y variables aleatorias
1.
Pgina 28
variable aleatoria es el conteo del nmero de ensayos que cumplen con un criterio
especfico. Con esto, el resultado de cada ensayo coincide o no con el criterio y X cuenta o
no; en consecuencia, cada ensayo puede resumirse como un xito o un fracaso,
respectivamente. Por ejemplo, en el experimento de opcin mltiple, para cada una de las
preguntas, slo la opcin que es correcta es la que se considera como un xito. La seleccin
de cualquiera de las otras tres opciones incorrectas da como resultado un ensayo que puede
resumirse como un fracaso.
Los trminos xito y fracaso son solo etiquetas. Tambin pueden utilizarse para este fin
A B o 0 y "1". Por desgracia, en ocasiones las etiquetas usuales pueden ser
engaosas. En el experimento (2), dado que X es el nmero de partes defectuosas, la
produccin de stas es un xito.
A menudo es razonable suponer que los ensayos que forman el experimento aleatorio son
independientes. Esto implica que el resultado de uno de los ensayos no tiene ningn efecto
sobre el resultado que se obtenga en cualquier otro ensayo. En el experimento (2), la
hiptesis de ensayos independientes implica saber que la parte nmero 5 es defectuosa, no
tiene ningn efecto sobre la probabilidad de que cualquiera de las dems partes sea
defectuosa. Asimismo, a menudo es razonable suponer que la probabilidad de xito en
cada ensayo es constante. En el experimento de opcin mltiple [experimento (5)], si se
supone que el sujeto que lleva a cabo la prueba no tiene ningn conocimiento del tema y
slo adivina la respuesta de cada pregunta, entonces puede considerarse que la probabilidad
de una respuesta correcta para cada pregunta es 1/4.
NDN
NND
DNN
NDD
DND
DDN
DDD
4 1 4 3 4 9 64 .
P ( NDN ) P ( N ) P ( D ) P ( N ) 3
Pgina 29
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
x n x
. Se debe determinar ahora el nmero total de puntos maestrales en el experimento
p q
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 otro, el cual esta determinado
n
n!
x ! ( n x )!
por C ( n ,x ) C xn =
de cero es igual 1). Como esas particiones son mutuamente excluyentes, se suman las
probabilidades de todas las particiones diferentes para obtener la formula general o se
n
multiplica p x q n x por .
x
n x n x
b( x , n , p ) f ( x ) . p q
,.... x 0 ,1 ,2 ,3 ......, n
x
Pgina 30
1
3 1 3
b x ,3 , f ( x )
4
x 4 4
3 x
, x 0 ,1 ,2 ,3 .
27
27
3 1 3
3 1 3
f ( 0 )
..., f ( 1 )
64
64
0 4 4
1 4 4
9
1
3 1 3
3 1 3
f ( 2 )
..., f ( 3 )
64
64
2 4 4
3 4 4
x
f(x)
f ( x ) 27
27
64
9
64
1
64
64
Resultado
CCCC
CCCE
CCEC
CCEE
CECC
Dagoberto Salgado Horta
x
0
1
1
2
1
Resultado
ECCC
ECCE
ECEC
ECEE
EECC
x
1
2
2
3
2
Pgina 31
CECE
CEEC
CEEE
2
2
3
EECE
EEEC
EEEE
3
3
4
En general,
P(X = x) =f(x)= (nmero de resultados con x errores) multiplicados por (0.1)x (0.9)4-x
Para ultimar una frmula general de probabilidad, nicamente es preciso una expresin
para el nmero de resultados que contienen x errores. Puede construirse un resultado que
contiene x errores separando los cuatro ensayos en dos grupos. El tamao de uno de los
grupos es x y contiene los errores, mientras que el tamao del otro grupo es n-x y est
formado por los ensayos donde no hay errores. Tomando en cuenta la ecuacin de
Combinacin, el nmero de maneras de separar cuatro objetos en dos grupos, uno de los
cuales tiene tamao x, es:
4!
4
. Por tanto, en este ejemplo,
x x ! ( n x )!
Pgina 32
4
4
x
4 x
2
42
P ( X x ) f ( x ) ( 0 . 1 ) ( 0 . 9 )
P ( X 2 ) f ( 2 ) ( 0 . 1 ) ( 0 . 9 )
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;
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 son de color:
a) rojas b) azules c) amarillas d) naranjas
2.- Don Cristbal Colon descubri a Colombia en:
a) 1592 b) 1692 c) 1492 d) 1792
3.- El significado de la palabra planta es:
a) hoja b) rbol c) flor d) fruto
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
Dagoberto Salgado Horta
Pgina 33
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(X=1)
P(X=2)
P(X=3)
P(F1 F2 F3)
P(E1 E2 E3)
(3/4)3
=
27
/64
1(3/4)3(1/4)0
81
3(3/4)2(1/4)1
/64
3(3/4)1(1/4)2
(1/4)3
= 1/64
1(3/4)0(1/4)3
P(F1)P(F2)P(F3)
P(E1)P(E2)P(E3)
/256
P(X=x)
0
0.422
0.422
0.141
0.016
Pgina 34
a.- Cul es la probabilidad de que en exactamente 2 de las 4 familias los maridos ejerza
una influencia decisiva en la seleccin de la marca del automvil a comprar?
b.- Cul es la probabilidad de que los maridos ejerzan una influencia decisiva en la
seleccin de la marca del automvil en por lo menos 2 de las 4 familias?
c.- Cul es la probabilidad de que los maridos seleccionen la marca del automvil en las 4
familias?
SOLUCIN: Se supone que las decisiones de compras de las familias son independiente
y que p permanece constante de una familia a otra, por lo tanto, n = 4, y p = 0.7. Sea x el
nmero de familias en las cuales los maridos ejercen una influencia decisiva en la seleccin
de un automvil nuevo. Por consiguiente, x = 0, 1, 2, 3 y 4, entonces se tiene que:
4
x
n x
b ( x ,4 ,0 . 7 ) f ( x ) 0 . 70 0 . 30
,... x 0 ..,1 .., 2 ..,3 .., 4
x
4
2
2
a ). P ( exactament e ..dos ) P ( x 2 ) f ( 2 ) .( 0 . 70 ) ( 0 . 30 )
2
4!
( 0 . 49 )( 0 . 09 ) 0 . 2646
2 !. 2 !
Pgina 35
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 %.
1 C 0 ( 0 .7 ) ( 0 .3 ) C 1 ( 0 .7 ) ( 0 .3 )
1 0 . 0081 0 . 0756
1 0 . 0837
1 0 . 0837 0 . 9163
C 4 ( 0 .7 ) ( 0 .3 )
4!
( 0 . 7 ) ( 1 ) 0 . 2401 .
4 !. 0 !
La probabilidad de que los maridos de las 4 familias seleccionen la marca del automvil es
de 0.2401 = 24.01 %.
PROBLEMA: Con el propsito de decidir si se aceptan los lotes de mercanca que enva
la fabrica RANICA a un comerciante, se lleva acabo un procedimiento que consiste en
seleccionar 10 artculos al azar de cada lote y determinar el nmero que presenta defectos.
Un lote se rechaza siempre que se encuentren 2 o ms artculos defectuosos entre los 10
seleccionados. Se supone que el nmero de artculos en cada lote es grande y que cada lote
contiene un 5 % de artculos defectuosos. Cul es la probabilidad de aceptar un lote de
artculos? Cul es la probabilidad de rechazarlo?
SOLUCIN: Sea x el nmero de artculos defectuosos observados; n 10 , y la
probabilidad de observar un articulo defectuoso en un ensayo es p = 0.05, entonces:
10
x
10 x
p ( x ) f ( x ) .( 0 . 05 ) ( 0 . 95 )
, entonces las probabilidades de aceptar un lote
x
es:
Pgina 36
1 .. P ( aceptar ) p ( 0 ) p ( 1 )
10
2 .. P ( aceptar ) 1
10
x
10 x
.( 0 . 05 ) ( 0 . 95 )
x2 x
10
1 ). P ( aceptar ) p ( 0 ) p ( 1 ) C ( 10 ,0 ) ( 0 . 05 ) ( 0 . 95 )
C ( 10 ,1 ) ( 0 . 05 ) ( 0 . 95 )
10
b ). P ( rechazar )
10
x
10 x
.( 0 . 05 ) ( 0 . 95 )
x2 x
El estudiante debe realizar la parte 2 de la P ( acetar ) y el resultado tiene que ser igual al
obtenido en la parte 1, (0.914). De la misma forma debe realizar los clculos de la parte b y
el resultado tiene que ser igual al de la parte a (0.086).
LA MEDIA Y LA VARIANZA DE UNA VARIABLE ALEATORIA BINOMIAL
El clculo de p(x) puede ser muy aburrido cuando los valores de n son muy grandes. Por
tal razn, es conveniente describir la distribucin de probabilidad binomial mediante se
media y su desviacin estndar. Esto permitir identificar valores de x que son altamente
improbables, usando el conocimiento sobre el teorema de Tchebysheff y la regla emprica.
Por lo tanto, es de gran importancia conocer el valor esperado o esperanza matemtica y la
varianza de la variable aleatoria binomial x.
La Media, la Varianza y la Desviacin Estndar de una variable aleatoria Binomial son:
E ( x ) np
npq
npq
Pgina 37
Una funcin y=f(x) es una funcin de densidad de una variable aleatoria continua si
cumple las siguientes condiciones:
Pgina 38
cul densidad nos referimos podemos usar la notacin f x (x), ponindole el subndice X a
la f.
Distribucin normal
Tambin se llama distribucin de Gauss o distribucin de Laplace-Gauss. 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:
Pgina 39
Pgina 40
total de la curva por encima del eje basal x es la unidad del rea = 1, por lo tanto cada
sector de derecha e izquierda tiene un valor de 0,5. Si se trazan lneas perpendiculares a un
desvo estndar ( ) de distancia de la media, se obtiene un 68% del rea de la curva. Dos
desvos estndar encierran un 95% y tres un 99,7% de la curva. La mayora de las variables
aleatorias que se presentan en los estudios relacionados con las ciencias sociales,
Administracin, fsicas y biolgicas, por ejemplo, el peso de nios recin nacidos, talla de
jvenes de 18 aos en una determinada regin, son continuas y se distribuyen segn una
funcin de densidad.
Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas. Es propio
que ciertos fenmenos tienden a parecerse en su comportamiento a esta distribucin.
Muchas variables aleatorias continuas presentan una funcin de densidad cuya grfica tiene
forma de campana.
En otras ocasiones, al considerar distribuciones binomiales, tipo B(n, p), para un mismo
valor de p y valores de n cada vez mayores, se ve que sus polgonos de frecuencias se
aproximan a una curva en "forma de campana".
En resumen, la importancia de la distribucin normal se debe principalmente a que hay
muchas variables asociadas a fenmenos naturales que siguen el modelo de la normal.
Pgina 41
Donde:
e es la constante 2,7182(base de los logaritmos neperianos).
es 3,1415 (Relacin entre la longitud de la circunferencia y su dimetro).
Dicha curva y tal como vemos en la grfica, presenta un apiamiento de frecuencias altas
en torno a la media, que se alejan de la misma a medida que ganan en singularidad.La
medida de la distancia al valor central es indicado por la desviacin tipo o estndar.
Pgina 42
Pgina 43
Pgina 44
Como e y son constantes, la forma de la curva normal depende solamente de los dos
parmetros de la distribucin normal, la media x y la desviacin estndar x. Las
diferentes curvas normales van a variar dependiendo de esos dos parmetros.
En matemticas, la ecuacin de la distribucin normal se puede representar visualmente
como una curva en forma de campana. El rea debajo de esta curva se halla por medio del
integral de la funcin y corresponde al porciento o la proporcin de puntuaciones que se
encuentran en el intervalo dado.
La distribucin normal queda definida por dos parmetros, su media y su desviacin tpica
y la representamos as
N ( , )
Para cada valor de y se tendr una funcin de densidad diferente, por lo tanto la
expresin N ( , ) representa una familia de distribuciones normales.
Donde es la media de la variable aleatoria y es su desviacin tpica. Este tipo de
variables se dice que se distribuye normalmente. El rea bajo la funcin de densidad es 1.
La funcin de densidad, en el caso de la distribucin Normal, tiene forma de campana:
Pgina 45
Para una variable aleatoria X, que se distribuya normalmente con media: y desviacin
tpica: , la probabilidad de que la variable X est comprendida entre los valores a y b es el
rea teida de rojo en la siguiente figura:
Pgina 46
5.- El rea bajo la curva comprendida entre los valores situados aproximadamente a dos
desviaciones estndar de la media es igual a 0.95. En concreto, existe un 95% de
posibilidades de observar un valor comprendido en el intervalo 1 . 96 ; 1 . 96 .
6.- La forma de la campana de Gauss depende de los parmetros y . La media
indica la posicin de la campana, de modo que para diferentes valores de la grfica
es desplazada a lo largo del eje horizontal. Por otra parte, la desviacin estndar
determina el grado de apuntamiento de la curva. Cuanto mayor sea el valor de , ms se
dispersarn los datos en torno a la media y la curva ser ms 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
Son ms probables los valores cercanos a uno central que llamamos media
Pgina 47
Pgina 48
y su funcin de distribucin es
Pgina 49
Pgina 50
Ejemplo:
Consideremos que el peso de los nios varones venezolanos en el momento del nacimiento
se distribuyen normalmente. Si sabemos que el peso medio en el momento de nacer son
3,25 Kg. y la desviacin tpica es de 0,82 Kg., cul es la probabilidad de que el peso de un
nio varn al nacer sea superior a 4 Kg?
Z
4 3 . 25
0 . 9146
0 . 82
. Luego:
Por lo tanto la probabilidad de que un nio al nacer tenga un peso superior a 4 kg. es de
18.0 %.
Pgina 51
EJEMPLOS:
A) Calcular P (z < 1.35) y P (z > 1.35). Solucin: abajo se reproduce parte de la tabla:
z
.00
.01
.02
.03
.04
.05
.06
.07
.08
.09
1.3
.0968
.0951
.0934
.0918
.0901
.0885
.0869
.0853
.0838
.0823
Recordamos que la tabla proporciona el rea bajo la curva a la izquierda de z. Por lo tanto,
P (z < 1.35) = 0.0885.
La otra rea se obtiene as: P (z > 1.35) = 1 0.0885 = 0.9115.
B) Una distribucin normal tiene = 60 y = 5. Encontrar P(x < 63) y P(x > 63).
Solucin: Primero transformamos el valor de x a su equivalente en z: z = (6360)/5 = 0.6.
z
.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) P(z > 2.43)
2) P(z < 0.96)
3) P(z > 1.17)
4) P(z < 2.39)
5) Si = 110 y = 4, calcular P(x < 107) y P(x > 105)
6) Si = 30 y = 2, calcular P(x < 31.2) y P(x > 32.3)
Consideremos, el siguiente problema:
Supongamos que se sabe que el peso de los sujetos de una determinada poblacin sigue
una distribucin aproximadamente normal, con una media de 80 Kg. y una desviacin
Dagoberto Salgado Horta
Pgina 52
estndar de 10 Kg. Podremos saber cul es la probabilidad de que una persona, elegida al
azar, tenga un peso superior a 100 Kg?
SOLUCIN: Expresando por X a la variable que representa el peso de los individuos en
esa poblacin, sta sigue una distribucin N (80, 10). Su distribucin no es de la normal
estndar, entonces, es til transformar esta caracterstica segn la Ecuacin siguiente:
Esta ltima probabilidad puede ser fcilmente obtenida a partir de la tabla, resultando ser
. Por lo tanto, la probabilidad buscada de que una persona elegida
aleatoriamente de esa poblacin tenga un peso mayor de 100 Kg., es de:
10.9772 = 0.0228, es decir, aproximadamente de un 2.3%.
De modo anlogo, podemos obtener la probabilidad de que el peso de un sujeto est entre
60 y 100 Kg:
Por el ejemplo anterior, se sabe que P ( z 2 ) 0 . 9772 . Para la segunda probabilidad, sin
embargo, encontramos el problema de que las tablas estndar no proporcionan el valor de
P ( z 2 ) para valores negativos de la variable. Sin embargo, haciendo uso de la simetra
de la distribucin normal, se tiene que:
Pgina 53
Finalmente, la probabilidad buscada de que una persona elegida al azar tenga un peso entre
60 y 100 Kg., es de 0.9772-0.0228=0.9544, es decir, aproximadamente de un 95%. Resulta
interesante comprobar que se obtendra la misma conclusin recurriendo a la propiedad de
la distribucin normal.
No obstante, es fcil observar que este tipo de situaciones no corresponde a lo que
habitualmente nos encontramos en la prctica. Generalmente no se dispone de informacin
acerca de la distribucin terica de la poblacin, sino que ms bien el problema se plantea a
la inversa: a partir de una muestra extrada al azar de la poblacin que se desea estudiar, se
realizan una serie de mediciones y se desea extrapolar los resultados obtenidos a la
poblacin de origen.
Ejemplo: Supongamos que se dispone del peso de n =100 individuos de esa misma
poblacin, obtenindose una media muestral de X 75 Kg., y una desviacin estndar
muestral S 12 Kg., se pretende extraer alguna conclusin acerca del valor medio real de
ese peso en la poblacin original.
La solucin a este tipo de cuestiones se basa en un resultado elemental de la teora
estadstica, el llamado teorema central del lmite. Dicho axioma viene a decirnos que las
medias de muestras aleatorias de cualquier variable siguen ellas mismas una distribucin
normal con igual media que la de la poblacin y desviacin estndar la de la poblacin
dividida por n . En nuestro caso, podremos entonces considerar la media muestral
X N ,
;
. Puesto que los valores de y son desconocidos, podramos
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,
P 39 X 48 ??
Pgina 54
X 45
X 45
81
De modo que
P 39 X 48 0 . 378 37 . 80 %.
Pgina 55
Tabla de reas bajo la curva normal estndar. Los valores de la tabla que no se muestran en negrita
representan la probabilidad de observar un valor menor o igual a z. La cifra entera y el primer
decimal de z se buscan en la primera columna, y el segundo decimal en la cabecera de la tabla.
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
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
0.01
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
0.02
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
0.03
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
0.04
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
0.05
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
0.06
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
0.07
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
0.08
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
0.09
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
Pgina 56
3.6
3.7
3.8
3.9
0.9998
0.9999
0.9999
1.0000
0.9998
0.9999
0.9999
1.0000
0.9999
0.9999
0.9999
1.0000
0.9999
0.9999
0.9999
1.0000
0.9999
0.9999
0.9999
1.0000
0.9999
0.9999
0.9999
1.0000
0.9999
0.9999
0.9999
1.0000
0.9999
0.9999
0.9999
1.0000
0.9999
0.9999
0.9999
1.0000
0.9999
0.9999
0.9999
1.0000
Pgina 57
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:
Z
75
SOLUCIN:
Lo primero que tenemos que hacer es calcular la normal tipificada:
Z
X 4
1 . 22
Pgina 58
X 4
1 . 282 ( 1 . 22 ) X 4 X 1 . 57 4 X 5 . 57 .
1 . 22
Despejando X, su valor es 5,57. Por lo tanto, aquellas personas con ingresos superiores a
5,57 millones de Bs. constituyen el 10% de la poblacin con renta ms elevada.
c) Nivel de ingresos mnimo y mximo que engloba al 60% de la poblacin con renta
media
Vemos en la tabla el valor de la variable normalizada Z cuya probabilidad acumulada es el
0,8 (80%). Como sabemos que hasta la media la probabilidad acumulada es del 50%, quiere
decir que entre la media y este valor de Z hay un 30% de probabilidad.
Por otra parte, al ser la distribucin normal simtrica, entre -Z y la media hay otro 30% de
probabilidad. En definitiva, el segmento (-Z, Z) engloba al 60% de poblacin con renta
media.
El valor de Z que acumula el 80% de la probabilidad es 0,842 (aprox.), por lo que el
segmento viene definido por (-0,842, + 0,842). Ahora calculamos los valores de la variable
X correspondientes a estos valores de Z.
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:
Dagoberto Salgado Horta
Pgina 59
SOLUCIN:
a) Personas que vivirn (posiblemente) ms de 75 aos
Calculamos el valor de la normal tipificada equivalente a 75 aos
Z
75 68
1 .4
Por lo tanto
P (X > 75) = (Z > 1,4) = 1 - P (Z < 1,4) = 1 - 0,9192 = 0,0808
Luego, el 8,08% de la poblacin (808 habitantes) vivirn ms de 75 aos.
b) Personas que vivirn (posiblemente) menos de 60 aos
Calculamos el valor de la normal tipificada equivalente a 60 aos
Z
60 68
1 ,6 . Por lo tanto P (X < 60) = (Z < -1,6) = P (Z > 1,6) = 1 - P (Z < 1,6) =
0,0548.
Luego, el 5,48% de la poblacin (548 habitantes) no llegarn probablemente a esta edad.
Ejercicio 3: El consumo medio anual de cerveza de los habitantes de una pas es de 59
litros, con una varianza de 36. Se supone que se distribuye segn una distribucin normal.
a) Si usted presume de buen bebedor, cuntos litros de cerveza tendra que beber al ao
para pertenecer al 5% de la poblacin que ms bebe?.
b) Si usted bebe 45 litros de cerveza al ao y su mujer le califica de borracho qu podra
argumentar en su defensa?
a) 5% de la poblacin que ms bebe.
Vemos en la tabla el valor de la variable tipificada cuya probabilidad acumulada es el 0,95
(95%), por lo que por arriba estara el 5% restante.
Ese valor corresponde a Z = 1,645 (aprox.). Ahora calculamos la variable normal X
equivalente a ese valor de la normal tipificada:
Pgina 60
1 ,645
X 58
6 ( 1 ,645 ) X 58 X 9 . 87 58
6
X 67 ,87
Despejando X, su valor es 67,87. Por lo tanto, tendra usted que beber ms de 67,87 litros al
ao para pertenecer a ese "selecto" club de grandes bebedores de cerveza.
b) Usted bebe 45 litros de cerveza al ao. Es usted un borracho?
Vamos a ver en que nivel de la poblacin se situara usted en funcin de los litros de
cerveza consumidos.
Calculamos el valor de la normal tipificada correspondiente a 45 litros:
Z
45 58
2 ,2
Por lo tanto
P (X < 45) = (Z < -2,2) = P (Z> 2,2) = 1 - P (Z < 2,2) = 0,0139
Luego, tan slo un 1,39% de la poblacin bebe menos que usted. Parece un argumento de
suficiente peso para que dejen de catalogarle de "enamorado de la bebida"
Ejercicio 4: A un examen de oposicin se han presentado 2.000 aspirantes. La nota media
ha sido un 5,5, con una varianza de 1,1.
a) Tan slo hay 100 plazas. Usted ha obtenido un 7,7. Sera oportuno ir organizando una
fiesta para celebrar su xito?
b) Va a haber una 2 oportunidad para el 20% de notas ms altas que no se hayan
clasificados. A partir de que nota se podr participar en este "Nuevo Ingreso"?
a) Ha obtenido usted un 7,7
Vamos a ver con ese 7,7 en que nivel porcentual se ha situado usted, para ello vamos a
comenzar por calcular el valor de la normal tipificada equivalente.
Z
7 .7 5 .5
1 ,049
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".
Dagoberto Salgado Horta
Pgina 61
X 5 .5
1 ,049
X 6 ,38
Despejamos la X, su valor es 6,38. Por lo tanto, esta es la nota a partir de la cual se podr
acudir al "Nuevo Ingreso".
X
S
(X )
S
por Z
N .
Pgina 62
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.
S
X t
2
, Donde S
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 esta trabajando con dos valores de muestra, a y b, y se sabe que tienen
una media de 18. Simblicamente, se puede expresar:
ab
a y b puedan tomar
en esta situacin? La respuesta es que a y b pueden ser cualquiera de dos valores cuya
suma sea 36, ya que 36 entre 2 es 18.
Suponiendo que a tiene un valor de 10; ahora b ya no esta libre de tomar cualquier valor,
sino que debe tomar solamente el valor 26 puesto que, si a = 10, entonces 10 + b = 36,
por lo tanto b = 26.
Este ejemplo demuestra que cuando existen 2 elementos de una muestra y solo conocemos
la media de la muestra de esos elementos, entonces somos libres de especificar solamente
uno de esos elementos, puesto que el otro estar determinado por el hecho de que los 2
elementos suman el doble de la mitad de la muestra. En trminos estadsticos se dice que
tenemos un grado de libertad.
Observemos otro ejemplo. Existen 7 elementos en una muestra y se sabe que la media de
estos elementos es 16. Simblicamente se tiene la siguiente situacin:
abcd e f g
16
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
Dagoberto Salgado Horta
Pgina 63
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
Pgina 64
Valores crticos para la distribucin Student's - t alfa = rea a la derecha de t(df, alfa)
T~t(df)
grados
de
libertad
alfa
0.1000
0.0500
0.0250
0.0100
0.0050
0.0010
0.0005
3.078
6.314
12.706
31.821
63.656
318.289
636.578
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
Pgina 65
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
BIBLIOGRAFA
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.
Best,J. W. (1987): Como Investigar en Educacin. Editorial Morata. Madrid Espaa.
BUDNICK FRANK S. (1992): Matemticas Aplicadas para Administracin, Economa y
Ciencias Sociales. Tercera Edicin. Editorial McGaw-Hill Interamericana de
Mxico, S.A de C.V. Mxico.
CABALLERO, WILFREDO (1975): Introduccin a la Estadstica. Editorial ICA. Costa
Rica.
Cadoche, L. S.; G. Stegmayer, J. P. Burioni y M. De Bernardez (1998). Material del
Seminario de Encuestas en Educacin, impartido va internet por parte de la
Universidad
Nacional del Litoral, en Santa Fe, y de la Universidad Tecnolgica Nacional,
Regional Santa Fe, en la Repblica de Argentina.
Castaeda J., J.(1991): Mtodos de Investigacin 2. Editorial McGraw-Hill. Mxico.
Carono, R., Minujin, A. y Vera, G.(1982): Manual de tcnicas de evaluacin y
ajuste de informacin Estadsticas. Fondo de cultura econmica. Mxico.
Chao, L.(1993): Estadstica para la Ciencia Administrativa. Editorial McGraw
Hill. 4ta Edicin. Colombia
CHOU, YA-LUN (1972): Anlisis Estadstico. Editorial Interamericana. Mxico
DANIEL WAYNE, W. y Otros (1993): Estadstica con Aplicacin a las Ciencias
Sociales y a la Educacin. Editorial McGraw-Hill Interamericana de Mxico,
S.A. de C.V. Mxico.
Dagoberto Salgado Horta
Pgina 66
De Oteyza de O., E; Emma Lam O., Carlos Hernndez G. y ngel M. Carrillo H. (1998).
Temas Selectos de Matemticas. Prentice Hall. Mxico
Enciclopedia Microsoft Encarta 2002 (2002): Censo- Cuestionario- Encuesta. Estadstica.
Editorial Microsoft corporation. USA.
ERKIN KREYSZIA (1978): Introduccin a la Estadstica Matemtica. Editorial Limusa,
S.A. Mxico.
FREUD J: E. y Otros (1990): Estadstica para la Administracin con Enfoque Moderno.
Editorial, S.A. Mxico.
Gomes Rondn, Francisco (1985): Estadstica Metodologica: Ediciones Fragor. Caracas.
Gonzlez, Nijad H. (1986): Mtodos estadsticos en Educacin. Editorial Bourgen,
Caracas.
Guilford, J. Y Fruchter, B. (1984): Estadstica aplicada a la Psicologa y la Educacin.
Editorial McGraw-Hill Latinoamericana, S. A., Bogot.
Hamdan Gonzlez, Nijad (1986): Mtodos Estadsticos en Educacin. Editorial Bourgen
C.A. Caracas Colombia.
KEVIN, RICHARD I. (1988): Estadstica para Administradores. Editorial
Hispanoamericana. Mxico.
LARSON HAROLD, J. (1985): Introduccin a la Teora de Probabilidades e inferencia
Estadstica. Editorial Limusa. Mxico.
LEHMANN, CHARLES H. (1995): LGEBRA. Editorial limusa, S.A. DE C.V. Grupo
Noriega Editores. Mxico.
LEITHOLD, LOUIS (1992): El Clculo con Geometra Analtica. Editorial HARLA
Mxico.
LINCON L., CHAO (1996): Estadstica para Ciencias Administrativas. Cuarta edicin.
Editorial McGaw-Hill. Usa.
Lenin, R.y Kubin, D.(1992): Estadstica para Administradores. Editorial
Hispanoamrica. VI edicin. Mxico.
LOPEZ CASUSO, R. (1984): Introduccin al Clculo de Probabilidades e Inferencia
Estadstica. Editorial Instituto de Investigaciones Econmicas, UCAB. CaracasColombia.
Mason, Robert (1.992): Estadstica para la Administracin y Economa. Ediciones
Alfaomega S.A.N. Mxico.
Dagoberto Salgado Horta
Pgina 67
Pgina 68
http://www.unesr.edu.ve/pregrado/Estadistica/ES1ntro.htm
http://buscar.hispavista.com/?cadena=Aprende+estadistica
http://www.psicol.unam.mx/Cim2000/Estadistica/journal_of_statistics_education.htm
http://www.cimat.mx/talleres/pasados/2002/
http://www.ine.es/revistas/estaespa/148_2.pdf
http://www.fuentesestadisticas.com/numero1/paginas/editorial.html
http://www.itcr.ac.cr/carreras/matematica/ArchivosyProgramas/IIFESTIVAL/Index2festiva
l.htm
http://www.uaq.mx/matematicas/estadisticas/xstad02.html
http://fc.udg.es/~caegb/material_esp.html
http://www.fceqyn.unam.edu.ar/bio/farpro.html
http://lib.stat.cmu.edu/
http://www.statserv.com/softwares.html
http://www.maths.uq.edu.au/~gks/webguide/
http://www.statistics.com/
http://www.helsinki.fi/~jpuranen
http://e-stadistica.bio.ucm.es/web_spss/entorno_de_trabajo_del_SPSS.html
http://fc.udg.es/~caegb/material_esp.html
http://www.computo99.unam.mx/educacio/educa47.htm
http://fractus.mat.uson.mx/Papers/revista/Urre_Ar/Urre_Ar.html
http://www.hrc.es/bioest/Introducion_ch.html
http://www.hrc.es/bioest/M_docente.html#tema2
http://www.edustatspr.com/toc.htm
http://members.tripod.com/~beatrizt/verdad/5.html
http://www.doxmatic.com/EE/libros.mv?h
http://www.monografias.com/trabajos5/estadm/estadm.shtml
http://www.pntic.mec.es/Descartes/Bach_CNST_1/Variables_estadisticas_bidimensionales
_regresion_correlacion/regresio.htm
http://www.monografias.com/trabajos10/esta/esta.shtml
http://www.rincondelvago.com/html/fotocopiadora/search.php?id=&tipo=&categoria=&titu
lo=estadistica&totalResults=44&thisPage=2
http://platea.pntic.mec.es/~jescuder/estadist.htm
http://xue.unalmed.edu.co/~pguarin/estadistica/83regresion.htm
http://www.universidadabierta.edu.mx/SerEst/MAP/METODOS%20CUANTITATIVOS/V
ega%20Trujillo%20Maria%20del%20Pilar.htm
http://www.geocities.com/arguello_vyr/contenido.html
http://www.cortland.edu/flteach/stats/stat-sp.html
http://www.fuentesestadisticas.com/Numero50/paginas/9.htm
http://cipres.cec.uchile.cl/~ma34b/
http://www.ideamas.cl/cursoProb/javaEstat/intro_prob_models/intro_prob_models.html
http://www.ideamas.cl/cursoProb/javaEstat/index.html
http://www.angelfire.com/journal2/estadistica/Links.htm
http://www.ibad-laspalmas.com/inferencia/index.html Cursa de est. Inferencial)
http://www.estadisticautil.es.fm/
http://www.edustatspr.com/documentos/probabilidad/3.1.vadiscr.pdf
http://www.cnice.mecd.es/Descartes/Estadistica/variables_continuas/normal0.htm
http://www.unlu.edu.ar/~mapco/apuntes/610/mapco610.htm
http://www.tutoria.com.ar/apuntes.htm
Dagoberto Salgado Horta
Pgina 69
http://w3.mor.itesm.mx/~cmendoza/ma835/ma83500.html
http://rrpac.upr.clu.edu:9090/~amenend/excel8intro.htm
http://www.fisterra.com/material/investiga/distr_normal/distr_normal.htm
http://www.fisterra.com/material/index.htm
http://www.multired.com/ciencia/gosilagu/analisis%20estadistico.htm
http://www.uned.es/111044/examenes/EJERESUS01.doc
Software on-line
http://it.stlawu.edu/~rlock/maa99/
http://it.stlawu.edu/~rlock/tise98/java.html
http://www.stat.vt.edu/~sundar/java/applets/
http://www.kuleuven.ac.be/ucs/java/index.htm
Demostraciones Java para el aprendizaje de la estadstica
Electronic Textbook (UCLA), programa on-line de representacin y clculo de funciones de
densidad y de distribucin (normal, F, ji-cuadrado, nmeros aleatorios...). Equivalente a un
libro de tablas
Pgina 70