UNIVERSIDAD TECNICA DE AMBATO

FACULTAD DE INGENIERIA EN SISTEMAS, ELECTRONICA E INDUSTRIAL ESTADISTICA Y PROBABILIDADES

Nivel: TERCERO

Carreras: Sistemas, Electrnica e Industrial Docente: Ing. LUIS MORALES

ESTADISTICA

INTRODUCCIN
QU ES LA ESTADSTICA? Es una rama de las matemticas que tiene por objetivo la recopilacin, clasificacin, interpretacin o anlisis y presentacin de datos del fenmeno o hecho que se est estudiando. DEFINICION.- Es una ciencia cuantitativa que describe los fenmenos colectivos, los analiza cientficamente y predice conclusiones o resultados lo ms objetivo posible. OTRAS DEFINICIONES Es la ciencia de la recopilacin, clasificacin, presentacin e interpretacin de datos. Es una ciencia incluida en el conjunto de las matemticas, cuyo campo de accin es el de recoger, ordenar, clasificar e interpretar los datos proporcionados por la investigacin cientfica, permitiendo conocer a travs de ellos con la mayor precisin posible, los caracteres de los hechos y fenmenos observados o que se produce en las diferentes ciencias. OBJETIVOS DE LA ESTADSTICA Clasificar o reordenar, analizar y presentar grficamente el conjunto de datos obtenidos de manera que sea fcil reconocer los hechos ms importantes o significativos del fenmeno o problema a analizar. Mediante el clculo de probabilidades pretende predecir las condiciones futuras mediante el conocimiento de las condiciones pasadas y presentes. Ejemplo: crecimiento poblacional Lograr informacin sobre una gran masa de hechos, tomando para ello una muestra representativa. Ejemplo: eleccin de autoridades de un pas. TIPOS DE ESTADSTICA. ESTADSTICA DESCRIPTIVA.- Se ocupa de la presentacin y anlisis de hecho o fenmeno, explicando sus diferentes partes, pero sin extraer conclusiones que puedan generalizarse a un todo. Mtodo de la estadstica descriptiva. 1. Recoleccin de datos.- Obtener los datos relacionados con el problema motivo de estudio para lo cual utiliza tcnicas de la investigacin cientfica. 2. Clasificacin.- Ordenar y tabular datos.

3. Anlisis.- Utilizar tcnicas estadsticas para buscar aspectos relevantes. 4. Presentacin.- Mediante tablas o grficos presentar los resultados obtenidos. ESTADSTICA INFERENCIAL.- Extrae conclusiones vlidas de una muestra de la poblacin investigada que una vez ensayada y analizada, pueden proporcionar ciertas caractersticas comunes de la poblacin. Mtodo de la estadstica inferencial. 1. Delimitar el problema o fenmeno motivo de estudio. 2. Formulacin de hiptesis.- Describir o hacer el enunciado o enunciados que sern objetos de comprobacin (hiptesis) para que posteriormente sean admitidos o rechazados. 3. Recoleccin de datos.- Obtener los datos relacionados con el problema motivo de estudio para lo cual utiliza tcnicas de la investigacin cientfica. 4. Clasificacin.- Ordenar y tabular datos. 5. Anlisis.- Utilizar tcnicas estadsticas para buscar aspectos relevantes. 6. Aceptacin o rechazo de la hiptesis.- Una vez que se ha aplicado la prueba estadstica conveniente, se debe realizar el ensayo de hiptesis, mediante el cual se la acepta o se la rechaza 7. Conclusiones.- Bajo el supuesto de no haber incurrido en fallas se toman las decisiones que sean confiables y oportunas para dar solucin al problema. INVESTIGACIN ESTADSTICA Cuando se realiza una investigacin las caractersticas bsicas que debe tener la misma son: Validez.- Que sea demostrable. Confiabilidad.- Que permita ser aplicable con igual o parecidos resultados. Precisin.- Que su exactitud sea satisfactoria en concordancia con el objetivos de la investigacin.

Antes de realizar cualquier investigacin es imprescindible determinar el fenmeno que se va a investigar y las caractersticas que nos interesa para el anlisis es decir clarificar Qu es lo que queremos investigar. FENMENO ESTADSTICO Es la conformacin de un grupo o colectivo alrededor de ciertas caractersticas que permitan ser investigadas en cuanto a su comportamiento.

Los fenmenos pueden ser de carcter econmico, social, poltico, deportivo u otros. ETAPAS DE LA INVESTIGACIN ESTADISTICA Permite sealar con claridad las fases o actividades necesarias en cuanto a una investigacin. En un proceso de investigacin estadstico se debe seguir cuatro fases fundamentales: 1. RECOPILACIN DE DATOS Esta fase tiene como objetivo recopilar u obtener informacin que se requiere en la investigacin estadstica. Los datos pueden recopilarse de fuentes interna y externa. Fuente Interna.- Los datos se obtienen dentro de la organizacin o institucin que auspicia la investigacin. Fuente Externa.- Los datos se obtienen de fuentes ajenas a la organizacin y se los puede obtener a travs de datos publicados, encuestas, observacin directa.

2. CLASIFICACIN DE LOS DATOS Los datos recolectados de cualquier fuente deben ser organizados. Los de fuente interna y fuente externa mediantes datos publicados deben ser reelaboraos. Mientras los obtenidos a travs de encuestas deben ser organizados mediante un proceso que abarca tres etapas. 2.1 Correccin de datos.- consiste en la depuracin de datos, descartando respuestas vagas, incompletas y errneas. 2.2 Organizacin de los datos.- Es un proceso de ordenamiento en funcin de la similitud de caractersticas y obedeciendo a cuatro aspectos diferenciales: TIEMPO, AREAS ESPECIALES, MAGNITUD Y MODALIDADES o CATEGORAS, las cuales determinan series cronolgicas, geogrficas, cuantitativas y cualitativas respectivamente. 2.3 Tabulacin.- Resumir los datos clasificados en tablas. 3. PRESENTACIN DE DATOS Es el proceso mediante el cual los datos deben presentarse definitivamente en forma clara y adecuada para su respectivo anlisis e interpretacin. Los datos se pueden presentar de tres formas: textual, tabular, grfica. 3.1 Presentacin textual.- Es un tipo particular de presentacin que se lo utiliza cuando la investigacin abarca pocos datos y se los describe mediante palabras o smbolos.

Este tipo de presentacin los utiliza usualmente los medios de comunicacin impresos. 3.2 Presentacin tabular.- Se utiliza tablas para presentar la informacin la cual debe contener ttulo, encabezado, columna matriz y cuerpo. 3.3 Presentacin graficativa.- Se presenta los datos mediante grficas como histogramas, Diagramas de pastel, polgonos de frecuencia.

MEDIDAS DE TENDENCIA CENTRAL

TRMINOS ESTADSTICOS VARIABLE: Es una caracterstica cualitativa o cuantitativa que puede tomar diferentes valores para cada uno de los elementos de la poblacin. Ejemplo: Estaturas de los estudiantes de tercer nivel de la FISEI de la Universidad Tcnica de Ambato. VARIABLE DISCRETA: Es una caracterstica cuantitativa que no puede tomar valores comprendidos entre dos nmeros enteros consecutivos. Ejemplo: Nmero de presidentes constitucionales del Ecuador. VARIABE CONTINUA.- Es una caracterstica cuantitativa que puede tomar cualquier valor numrico. Ejemplo: Edad de los Presidentes constitucionales del Ecuador. POBLACIN: Es el grupo o colectivo que va hacer investigado y que posee caractersticas comunes. Ejemplo: Profesores de educacin media de la provincia de Tungurahua. Parmetros.- Son los valores numricos que corresponden a las caractersticas de la poblacin. Ejemplo: Media aritmtica de la edad de los profesores de educacin media de la provincia de Tungurahua. MUESTRA: Es una parte de la poblacin de cuyo anlisis se puede obtener caractersticas que corresponden a la poblacin. Ejemplo: Profesor de educacin media del cantn Ambato. Estadstico.- Son los valores numricos que corresponden a las caractersticas de la muestra. Ejemplo: Media aritmtica de la edad de los profesores de educacin media del cantn Ambato. TAMAO DE LA MUESTRA Para calcular el tamao de la muestra se puede recurrir a diferentes frmulas en las cuales se toma en cuenta el tamao de la poblacin, el error que se considera aceptable en el

clculo de la muestra, la expresin que se utilizara en ste mdulo para dicho clculo es la siguiente:

=
Donde:

1) + 1

n: Tamao de la muestra m: Tamao de la poblacin. e: error admisible

Ejemplo: En una poblacin de 10000 alumnos Cul es tamao de la muestra si el error mximo admisible es del 5%?

n = 384.65 z 386 alumnos

10000 (0.05) (10000 1) + 1

Caractersticas de la muestra: Debe ser representativa.- Es decir que represente en verdad a toda la poblacin salvo el margen de error admisible. Tamao adecuado.- De tal modo que los resultados de la investigacin no sean dudosos por haber tomado una muestra muy pequea. Que el margen de error admisible est dentro del lmite aceptado por la estadstica < = 15%. REDONDEO DE DATOS En la actualidad, con el uso de las computadoras, se pueden obtener miles de cifras decimales o enteras, pero en la estadstica no se requiere de la precisin absoluta, sino ms bien de la aproximacin o redondeo de ciertos valores. Para realizar la aproximacin o redondeo se puede utilizar sistemas de redondeo. Sistemas de redondeo: Sistema convencional ste sistema menciona que si el ltimo dgito es menor que 5 se lo suprime y la cantidad resultante es la misma:

Ejemplos: 7,23 10, 284

redondeando a la dcima sera redondeando a la centsima sera

7,2 10,28

Si el ltimo dgito es mayor o igual que 5, se lo suprime y el dgito anterior es redondeado a la cifra inmediata superior. Ejemplos: 8,277 redondeando a la centsima es 8,28 14,375 redondeando a la centsima es 14,38 Sistema internacional Cuando la cantidad entera de un nmero es impar se aumenta una unidad ms. Ejemplo: 39,5 redondeando a dos cifras enteras 40 Si la fraccin decimal es exactamente 5 y si le precede una cifra par, no vara el nmero. Ejemplo: 74,5 redondeando a dos cifras enteras 74

MEDIDAS DE TENDENCIA CENTRAL PARA DATOS NO AGRUPADOS

CONCEPTO.- Son los valores ms representativos de un conjunto de datos o valores con los cuales se pueden hacer comparaciones y que sirven de base para un sistema estadstico. TIPOS 1. COMPUTACIONALES: Utilizan formulas comprobadas matemticamente o cientficamente 2. NO COMPUTACIONALES O POSICIONALES: Cuando se lo realiza por simple observacin o se utilizan frmulas empricas con principios de interpolacin. MEDIDAS COMPUTACIONALES MEDIA ARITMETICA ( ) Es la razn de la sumatoria de los valores de la variable para el nmero total de ellas. =

Ejemplo: Mediante los siguientes datos hallar la media aritmtica. 10, 8, 6, 5, 10, 7 10 + 8 + 6 + 5 + 10 + 7 = 6 = 8 Aproximado

MEDIA ARITMETICA PONDERADA ( ) Consiste en asignar importancia pesos a cado uno de los valores de la variable: =

Ejemplo: Promedio de calificaciones las materias seguidas en tercero. Materia Fsica Estadstica Redes Programacin Clculo Circuitos Importancia 7 1 6 8 10 10 Nota 9 4.7 8.5 9.1 7.4 8.3

MEDIA ARITMTICA CON FRECUENCIAS ( ) Es utilizada cuando los valores de la variable se repiten muchas veces. = Del ejemplo de la media aritmtica: =

9 7 + 4.1 1 + 8.5 6 + 8 9.1 + 10 7.4 + 10 8.3 42 = 8.3

10 2 + 8 1 + 6 1 + 5 1 + 7 1 2+1+1+1+1 = 8 Aproximado

Propiedades de la media aritmtica: 1.- La sumatoria de los valores de la variable X menos la media aritmtica es cero aproximadamente cero. ( )=0

2.- La sumatoria ( ). es mnimo cuando X= Desventaja: La media aritmtica se ve muy afectada por valores extremos que tengan las variables. MEDIA GEOMETRICA ( )

Se define como la raz ensima del producto de los n valores que puede tomar la variable X.

= Ejemplo: Hallar la media geomtrica de los nmeros 3, 5, 6, 6, 7, 10, 12 = 3 5 6 6 7 10 12 Ventaja: = 6,4

Es menos influenciada por valores externos a diferencia de la media aritmtica. Desventaja: No es aplicable cuando existe valor 0 o cuando en ciertos casos hay nmeros negativos. MEDIA ARMNICA Es el recproco de la media aritmtica de los recprocos de los valores de la variable X.
= 1

Ejemplo: Una persona viaja de A hasta B con una velocidad media de 30 millas por hora (mi/h) y regresa de B hasta A, a una velocidad media de 60 mi/h. Cul es la velocidad media en el viaje completo.
= 1 1 30 + 60 2 1

La media armnica est asociada directamente con series mecnicas donde intervenga el tiempo. MEDIDAS POSICIONALES MEDIANA (MED) Es el valor ms central de la serie, divide al conjunto de valores en 2 partes iguales. Se la puede calcular mediante un promedio o por simple observacin. La mediana es un parmetro de tendencia central muy aplicado y que es muy cercano a la media aritmtica pero que no se ve influenciado en absoluto por los valores extremos. No se utiliza en clculos matemticos muy profundos. Ejemplo: encuentre la mediana de los siguientes nmeros: 9.6, 8.0, 7.7, 6.5, 10.0, 9.9 Para encontrar la mediana se sigue los siguientes pasos. 1. Ordenar los datos. Puede ser en forma ascendente o descendente. 10.0 9.9 9.6 8.0 7.7 6.5 2. Si el nmero de datos es par, se escoge los dos valores ms centrales y se les saca un promedio. = 9.9 + 8.0 2 = 8.8

= 40 mi/h

3. En el caso de que el nmero de datos sea impar, se escoge el valor central de los datos ordenados. Ejemplo: en los datos 14, 9, 8, 6, 5, 4, 3 la mediana sera 6. MODA (MOD) Es el valor que ms se repite en una serie estadstica

Ejemplo: encuentre la moda de los siguientes valores 3, 5, 6, 6, 7, 10, 12. La moda es 6. Nota: Cuando existe ms de un nmero que se repite el mismo nmero de veces se dice que no existe moda, a su vez que bimodal, trimodal, etc. Segn sea el caso. Ejemplo: 3, 5, 6, 6, 7, 10,10, 12.
Se puede decir que la moda es bimodal por el nmero 6 y 10; o a su vez que no existe moda.

CUANTILES Es el nmero de partes que se divide una serie estadstica o un conjunto de valores. Se tiene cuatro tipos de cuantiles a saber: # De cuantiles y parte en que dividen a la serie. # DE PARTES QUE DIVIDE # DE CUANTILES A CUANTILES LA SERIE ENCONTRAR Cuartiles (Qi) 4 3 Quintiles (Ki) 5 4 Deciles (Di) 10 9 Percentiles (Pri) 100 99 Para el clculo de los cuantiles en datos no agrupados primeramente se debe ubicar la posicin en la serie a travs de frmulas empricas para posteriormente determinar el valor correspondiente. Las frmulas empricas para encontrar la posicin de los cuantiles es: 1.- Cuartiles: ( + 1) = 4 2.- Quintiles: ( + 1) = 5 3.-Decil: ( + 1) = 10 4.-Percentil: ( + 1) = 100

Donde: N: Nmero de valores de la variable i: Nmero de cuantil.

Ejemplo: La estatura en metros de siete estudiantes de ingeniera fueron: 1.83, 1.72, 1.77, 1.80, 1.71, 1.85, 1.80; determinar el quintil nmero uno, decil nmero 6, cuartil nmero 3, percentil nmero 61. Para poder calcular los cuantiles es necesario en primer lugar ordenar los valores ya sea en forma descendente o ascendente. En forma descendente: 1.85 1.83 1.80 1.80 1.77 1.72 1.71 Cuartil 3 3( + 1) 3= 4 3=
( )

Para encontrar el valor se procede a contar las posiciones en forma descendente por lo tanto el valor de cuartil 3 es V(Q3) = 1.72 Quintil 1 1( + 1) 1= 5 1(7 + 1) 1= = 1.6 5

= 6 Es la posicin que va a tener el valor en la serie

Cuando la posicin del cuantil no es un nmero entero se procede a interpolar el valor de la siguiente forma: 1. Se observa entre que datos esta contenido el valor dependiendo de la posicin calculado, en ste ejemplo la posicin es 1.6 por lo tanto el valor buscado estar entre 1.85 y 1.83 2. Se interpola de la siguiente forma: ( 1) = 1.85 [0.6(1.85 1.83)]

Decil 6

Percentil 61

6( + 1) 10 6(7 + 1) 6= = 4.8 10 ( 6) = 1.80 [0.8(1.80 1.77)] ( 6) = 1.776 1.78 6= 61 =

( 1) = 1.838 1.84

MEDIDAS DE DISPERSION PARA DATOS NO AGRUPADOS

CONCEPTO.- Es el grado de alejamiento de los valores de la serie estadstica con respecto a una medida de tendencia central. La dispersin de los datos intenta dar una idea de cun esparcidos se encuentran stos, es de mucha utilidad cuando se realiza un anlisis estadstico en mediciones, en control de produccin, en investigacin estadstica y cuando se requiere realizar anlisis de cualquier informacin que se investigue. Las ms utilizadas son rango, rango semiintercuartil, rango percentil, MAD, desviacin tpica o estandar, coeficiente de variacin. RANGO (R) Es la diferencia entre el valor mximo y el valor mnimo del conjunto de valores de la serie estadstica. = . .
R L.min L.max

61( + 1) 100 61(7 + 1) 61 = = 4.88 100 61) = 1.80 [0.88(1.80 1.77)] ( 61) = 1.773 1.77

Ejemplo: Cul es el rango del conjunto de datos 2, 3, 3, 5, 5, 5, 8, 10, 12 = 12 10 = 2

RANGO SEMIINTERCUARTIL (RK) El rango semiintercuartil es la distancia dividida para dos entre el cuartil tres y el cuartil uno. ( 3) ( 1) = 2 RANGO PERCENTIL (RPr) Es la distancia que existe entre el percentil noventa y el percentil diez. = ( 90) ( 10)

Ejemplo: Para los siguientes datos calcule el rango semiintercuartil y rango percentil. 12, 6, 7, 3, 15, 10, 18, 5. Antes de resolver se debe ordenar los datos en forma descendente o ascendente. 18 15 12 10 7 6 5 3 Se procede a calcular las posiciones y valores de los cuartiles y percentiles. 3= 3( + 1) 4 3(8 + 1) 3= 4 3 = 6.75 1= 1( + 1) 4 1(8 + 1) 1= 4 1 = 2.25

90 =

( 1) = 15 [0.25(15 12)] ( 3) = 6 [0.75(6 5)] ( 1) = 14.25 14.3

90( + 1) 100 90(8 + 1) 90 = 100 90 = 8.1

10 =

( 3) = 5.25 5.3 ( ( 10) = 18 90) = 3

10( + 1) 100 10(8 + 1) 10 = 100 10 = 0.9

Finalmente se calcula los valores de los rangos. 5.3 14.3 = 2 = ( = 3 18 = 15 90) ( = 4.5

10)

Recordar que el rango es una distancia por lo tanto no se toma en cuenta el signo. DESVIACION MEDIA ABSOLUTA (MAD)
Media Promedio

Diferencia

Sin el signo

Desviacin

Absoluta

Permite determinar el promedio de las desviaciones con respecto a una medida de tendencia central ya sea esta computacional o posicional. Computacional | | = Posicional = | |

DESVIACION TPICA O ESTANDAR () Permite calcular el grado de dispersin real de una serie estadstica por que utiliza desviaciones cuadrticas para su clculo Computacional
= =1( =1(

Posicional

)2

VARIANZA (2) La varianza no es ms que la desviacin tpica elevada al cuadrado y es utilizada para el clculo inicial de la dispersin pero tiene el inconveniente de que las unidades quedan elevadas al cuadrado.

VARIANZA EXPERIMENTAL (2) Es una variante de la varianza que se utiliza en el clculo de la incertidumbre generalmente presente en las mediciones.

COEFICIENTE DE VARIACION (CV) Permite determinar en porcentaje el grado de dispersin que existe en los valores de la serie estadstica. =

( ) ( 1)

Ejemplo 1: Para el conjunto de datos mostrados calcule todas las medidas de dispersin analizadas. 18, 15, 12, 10, 7, 6, 5, 3 Xi 18 15 12 10 7 6 5 3 sumatoria |Xi-X| 8.5 5.5 2.5 0.5 2.5 3.5 4.5 6.5 34 = 18 3 = 15 = Media aritmtica = (Xi-X)2 72.25 30.25 6.25 0.25 6.25 12.25 20.25 42.25 190

100%

= 9.5

76 8

Desviacin media absoluta = = | |

Desviacin Tpica
=

= 4.3 )
2

34 8

=1( =

Varianza

= 4.9

190 8

=
Coeficiente de variacin

= 23.2 =

4.9
9.5

DATOS AGRUPADOS

= 51.6%

100%

100%

La agrupacin de datos generalmente responde a necesidades de carcter metodolgico debido a que cuando se tienen demasiados valores de las variables investigadas es imposible analizarlos sin previamente ordenarlos o agruparlos de alguna manera. Razn ms que fundamental para utilizar conceptos como frecuencias, distribucin de frecuencias, intervalos, clases que a continuacin se definirn.

DISTRIBUCION DE FRECUENCIAS Organizar los datos en series estadsticas de tipo cuantitativas a travs de clases y frecuencias para posteriormente determinar por separado mediante tcnicas de conteo el nmero de observaciones pertenecientes a cada una de ellas. Tabla de distribucin de frecuencias.- Colocar las clases y frecuencias en tablas tabulacin para su posterior anlisis mediante tcnicas estadsticas. Clase.- Categoras o niveles que se establece al clasificar o dividir los datos obtenidos en una investigacin. Frecuencias (f) .- Es el nmero de veces que se repite un mismo valor de la variable. En la distribucin de frecuencias se considera la frecuencia de la clase que es el nmero de valores que estn contenidos en una clase. Tabla de distribucin de frecuencias
CLASES 0.1355 0.1287 0.1287 0.1219 0.1219 0.1151 0.1151 0.1083 0.1083 0.1015 0.1015 0.0947 0.0947 0.0879 f 5 6 10 14 9 5 1

Clases

Frecuencias de clase

Intervalo de clase.- Son todos los valores que estn comprendidos entre dos lmites incluidos ellos. Ejemplo: en el intervalo de 70 a 75 estn incluidos los valores de 70, 71, 72, 73, 74, 75. Lmites de clase.- Son los valores extremos que forman el intervalo, siendo los valores ms grande y ms pequeo de la clase respectivamente. Del ejemplo anterior el lmite inferior es 70 y el lmite superior es 75. Lmites reales de clase.- Son los valores verdaderos que se consideran como lmites tomando en cuenta que los valores pueden aproximarse a un nmero determinado de cifras significativas. Ejemplo: en los datos anteriores los lmites reales son: 69.5 y 75.5. Se considera el limite real inferior (LRi) y lmite real superior (LRs). Para encontrarlos se debe considerar el nmero de cifras decimales que tiene los datos y aumentarle y quitarle 5 a las ltimas cifras segn sea el caso.

Ejemplo: los lmites de un intervalo son 56.786 y 60.787. Cules sern los lmites reales? LRi = 56.7855 LRs = 60.7875 Amplitud o recorrido de la variable Rango (R) Se define como la distancia o diferencia que se establece entre el valor mayor y el valor menor de la variable en el conjunto de datos recolectados. =

Ancho del intervalo o longitud de clase (i).- Es la diferencia entre los lmites reales superior e inferior. =
NOTA: i tiene que tener un decimal ms que los que tienen en los datos.

Nmero de intervalos (ni).- Constituye un nmero entero que refleja la totalidad de las clases. Se puede calcular a travs de las siguientes frmulas. = Frmula de Esturges Donde: n = nmero de datos. = 1 + 3.332 = +1 ( )

En el caso de que se plantee el ancho del intervalo el nmero de intervalos ser:

NOTA: (ni) siempre va a Ser un valor entero.

Generalmente se calcula primero el nmero de intervalos y luego el ancho del intervalo con la expresin. = 1

El nmero de intervalos no debe ser menor a 5 ya que las frecuencias estaran muy concentradas

El nmero de intervalos no debe ser mayor que 15 ya que las frecuancias estaran muy dispersas.

Frecuencia acumulada (fa).- Es la suma de las frecuencias a partir de la frecuencia del ltimo de los intervalos. Frecuencia relativa (fr).- Es la relacin que se establece al dividir la frecuencia de cada clase para el nmero total de datos. =

Frecuencia porcentual (%f).- Es el producto de la frecuencia relativa por el cien por ciento. % = 100%

Marca de clase (Xm).- Es el valor promedio de cada intervalo. + = 2 0.110 0.113 0.124 0.117 0.108 0.118 Rango: = Nmero de intervalos (ni) = 0.135 0.094 = 0.041 = = 50 = 7.0711 7 0.110 0.098 0.118 0.111 0.120 0.106 0.126 0.122 0.132 0.112 0.099 0.128 0.112 0.105 0.108 0.101 0.102 0.094 0.117 0.103 0.115 0.112 0.129 0.111 0.113 0.119 0.120 0.111 0.115

Ejemplo: Elabore una tabla de distribucin de frecuencias para los siguiente datos presentados. 0.135 0.100 0.107 0.119 0.121 0.107 0.117 0.123 0.103 0.130 0.122 0.113 0.109 0.100 0.134

Ancho del intervalo (i) = 1 0.041 = 71

Tabla de distribucin de frecuencias Para comenzar a elaborar la tabla se toma el valor mayor de los datos y se lo toma como lmite real superior es decir se lo adiciona 5 como ltima cifra decimal es decir: 0.135 como lmite real superior sera 0.1355. Posteriormente para encontrar el lmite real inferior se lo hace restando del lmite real superior el ancho del intervalo. = = 0.1355 0.0068 = 0.1287 Este lmite calculado se convierte en el superior del siguiente intervalo y as se procede hasta obtener el nmero de intervalos calculados.
Tabla de distribucin de frecuencias

= 0.0068

CLASES 0.1355 0.1287 0.1287 0.1219 0.1219 0.1151 0.1151 0.1083 0.1083 0.1015 0.1015 0.0947 0.0947 0.0879 SUMATORIA

Xm 0.1321 0.1253 0.1185 0.1117 0.1049 0.0981 0.0913

f 5 6 10 14 9 5 1 50

fa 50 45 39 29 15 6 1

fr 0.1000 0.1200 0.2000 0.2800 0.1800 0.1000 0.0200 1.0000

%f 10.0000 12.0000 20.0000 28.0000 18.0000 10.0000 2.0000 100.0000

Nota: La primera y la ltima siempre debe tener un valor de frecuencia y no puede ser cero.

PRESENTACIN GRFICA DE LA DISTRIBUCIN DE FRECUENCIAS Para observar mejor los datos agrupados en la distribucin de frecuencias se recurre a la presentacin grfica de los mismos utilizando sistemas de referencia adecuados, generalmente el primer cuadrante del sistema cartesiano. Histograma.- Un histograma es un conjunto de rectngulos que estn juntos unos a otros y que tienen el mismo espesor y que corresponde al ancho del intervalo. En el eje X se representa las clases y en el eje Y las frecuencias. Ejemplo

Histograma
Frecuencias
16 14 12 10 8 6 4 2 0 46.3 50.5 42.1 46.3 37.9 42.1 33.7 37.9 29.5 33.7 25.3 29.5 21.1 25.3

Serie Estadstica

Polgonos de frecuencia.- Es un grfico de trozos de la frecuencia de cada clase con relacin a las marcas de clase; se lo puede representar en el mismo grfico del histograma simplemente aadiendo un punto ms antes y despus de la ltima y la primera clase. El polgono de frecuencias se grafica utilizando las marcas de clase en el eje X y las frecuencias en el eje Y. Ejemplo

POLIGONO DE FRECUENCIAS
16 14 12 10 8 6 4 2 0 0,1321 0,1253 0,1185 0,1117 0,1049 0,0981 0,0913

POLIGONO DE FRECUENCIAS

Diagrama de sectores pastel.- El diagrama de sectores es una representacin de los datos en un circulo para lo cual se utiliza los valores de la frecuencia porcentual (%f) distribuidos en los 360 grados que posee dicho circulo. Para lo cual se puede recurrir fcilmente a una regla de tres. 100 % %f Ejemplo: 360 grados x

DIAGRAMA DE SECTORES
2,0 10,0 18,0 20,0 28,0 10,0 12,0 1 2 3 4 5 6 7

Diagrama de frecuencias acumuladas Ojiva.- El diagrama de frecuencias acumuladas permite observar la tendencia de concentracin de los datos segn la longitud de los segmentos dibujados.

Para graficar se lo debe hacer colocando en el eje X las marcas de clase y en el eje Y las frecuencias acumuladas. Ejemplo

Frecuencia acumulada
60 50 40 30 20 10 0 0,1321 0,1253 0,1185 0,1117 0,1049 0,0981 0,0913

Frecuencia acumulada

MEDIDAS DE TENDENCIAL CENTRAL PARA DATOS AGRUPADOS

CONCEPTO.- Son los valores ms representativos de un conjunto de datos o valores agrupados en la tabla de distribucin de frecuencias con los cuales se pueden hacer comparaciones y que sirven de base para el anlisis de un sistema estadstico. TIPOS COMPUTACIONALES: Utilizan formulas comprobadas matemticamente o cientficamente para su clculo pero que utilizan las frecuencias y marcas de cada clase a diferencia de los datos no agrupados. NO COMPUTACIONALES O POSICIONALES: Se utilizan frmulas empricas con principios de interpolacin y que utilizan las columnas de frecuencia, frecuencia acumulada y lmites para su clculo. MEDIDAS COMPUTACIONALES MEDIA ARITMETICA ( ) Es la razn de la sumatoria de los valores de la marca de clase por la frecuencia de cada clase para el nmero total de datos.

MEDIA GEOMETRICA (

Se define como el antilogaritmo de la razn entre la sumatoria del producto de las frecuencias de cada clase y el logaritmo decimal de las marcas de clase para el nmero de datos. El antilogaritmo es la operacin contraria al logaritmo. = ( )

MEDIA ARMNICA Es el recproco de la media aritmtica de los recprocos de la marca de clase por la frecuencia de cada una de las clases.
= 1

Las operaciones de multiplicacin y sumas se las realiza rpidamente en la misma tabla de distribucin de frecuencias

Ejemplo: En la oficina de un diario, el tiempo que se tardan en imprimir la primera plana fue registrado durante 50 das. A continuacin se presentan los datos.
DATOS 20.7 20.9 23.8 23.3 25.1 25 24.2 24.1 23.8 24.3

20.8 25.3 23.7 21.3 19.7

22.8 20.7 20.3 21.5 24.2

21.9 22.5 23.6 23.1 23.8

22 21.2 19 19.9 20.7

25 20.9 19.5 19.8 21.1

22.2 22.9 24.1 23.9 20.9

22.8 23.5 24.2 22.8 21.6

20.1 19.5 21.8 23.9 22.7

Determine las medidas de tendencia central computacionales.

Rango: = Nmero de intervalos (ni) = 25.3 19 = 6.3

Ancho del intervalo (i)

= 1 + 3.332 log ( ) = 1 + 3.332 log (50) = 6.661 7 = 1 6.3 = 71 = 1.05

Tabla de distribucin de frecuencias

DISTRIBUCIN DE FRECUENCIAS

CLASES
25.35 24.30 24.30 23.25 23.25 22.20 22.20 21.15 21.15 20.10 20.10 19.05 19.05 18.00 SUMATORIA

f
5 14 8 7 10 5 1 50

Xm
24.83 23.78 22.73 21.68 20.63 19.58 18.53

fa
50 45 31 23 16 6 1

fr

%f

f*Xm
124.13 332.85 181.80 151.73 206.25 97.88 18.53 1113.15

f*log(Xm) f*(1/Xm)
6.97 19.27 10.85 9.35 13.14 6.46 1.27 67.31 0.20 0.59 0.35 0.32 0.48 0.26 0.05 2.26

0.10 10.00 0.28 28.00 0.16 16.00 0.14 14.00 0.20 20.00 0.10 10.00 0.02 2.00 1.00 100.00

Medidas computacionales Media aritmtica = = 1113.15 50

= 22.26

Media geomtrica = ( (
.

= 10

(1.35)

67.31 ) 50

Media Armnica
=

= 22.20
1

MEDIDAS POSICIONALES MEDIANA (MED)

= 22.13

1 2.26 50

Es el valor ms central de la serie estadstica, divide al conjunto de las clases en 2 partes iguales. La mediana es un parmetro de tendencia central muy aplicado y que para su determinacin se utiliza la columna de las frecuencias acumuladas junto con el ancho del intervalo. +2

Donde:

: Lmite real inferior de la clase de la mediana.

: Frecuencia acumulada anterior a la clase de la mediana. : Frecuencia de la clase de la mediana. : Ancho del intervalo. MODA (MOD) Es el valor que ms se repite en una serie estadstica, para su clculo se utiliza la columna de las frecuencias junto con el ancho del intervalo.

Donde 1 = 2 = : Ancho del intervalo. CUANTILES

1 1 + 2

: Lmite real inferior de la clase modal.

Es el nmero de partes iguales que se divide una serie estadstica, para su clculo se determina con la columna de las frecuencias acumuladas y el ancho del intervalo. CUARTIL (K) La frmula utilizada para encontrar los cuartiles segn su nmero es: + 4

Donde: : Lmite real inferior de la clase del cuartil. : Frecuencia de la clase del cuartil. : Ancho del intervalo. j: Nmero del cuartil.

: Frecuencia acumulada anterior a la clase del cuartil.

QUINTIL (Q) La frmula utilizada para encontrar los quintiles segn su nmero es: + 5

Donde: : Lmite real inferior de la clase del quintil. : Frecuencia de la clase del quintil. : Ancho del intervalo. j: Nmero del quintil.

: Frecuencia acumulada anterior a la clase del quintil.

DECIL (D) La frmula utilizada para encontrar los deciles segn su nmero es: + 10

Donde: : Lmite real inferior de la clase del decil. : Frecuencia de la clase del decil. : Ancho del intervalo. j: Nmero del decil.

: Frecuencia acumulada anterior a la clase del decil.

PERCENTIL (Pr) La frmula utilizada para encontrar los percentiles segn su nmero es: + 100

Donde: : Lmite real inferior de la clase del percentil. : Frecuencia de la clase del percentil.

: Frecuencia acumulada anterior a la clase del percentil.

: Ancho del intervalo. j: Nmero del percentil. Ejemplo: La tabla adjunta muestra los dimetros en centmetros de una muestra de 60 bolas de cojinete manufacturados por una fbrica.
1.738 1.736 1.728 1.738 1.736 1.729 1.735 1.738 1.739 1.744 1.743 1.724 1.725 1.727 1.732 1.740 1.733 1.733 1.735 1.737 1.736 1.742 1.734 1.735 1.731 1.741 1.736 1.732 1.732 1.746 1.735 1.739 1.733 1.735 1.735 1.731 1.735 1.730 1.727 1.735 1.726 1.745 1.732 1.734 1.729 1.737 1.736 1.730 1.732 1.734 1.728 1.742 1.739 1.736 1.730 1.737 1.740 1.734 1.741 1.740

Determine la mediana, la moda el cuartil 3, quintil 2, decil 5 y percentil 90. Utilice la raz para el clculo del nmero de intervalos Rango: = = 1.746 1.724 = 0.022 Nmero de intervalos (ni) = Ancho del intervalo (i) = 60 = 7.746 8 = 1 0.022 = 81
f 3 5 9 17 14 7 4 1 60

Medidas posicionales de tendencia central

= 0.0031

CLASES 1.7465 1.7434 1.7434 1.7403 1.7403 1.7372 1.7372 1.7341 1.7341 1.7310 1.7310 1.7279 1.7279 1.7248 1.7248 1.7217 SUMATORIAS

fa 60 57 52 43 26 12 5 1

Xm 1.7450 1.7419 1.7388 1.7357 1.7326 1.7295 1.7264 1.7233

Mediana = Procedimiento de clculo: 1. Determine el resultado de 60 = 30 2 +2

2. Con el resultado anterior determine en la columna de la frecuencia acumulada en que clase queda contenido dicho valor. En este ejemplo est en la clase nmero 4, ya que el valor de 30 es mayor que 26 y menor 43. 3. Se localiza el , , observando en la tabla de distribucin de frecuencias. Los valores son: = 1.7341 4. Se calcula la mediana = 1.7341 + Moda = 30 26 0.0031 17 = 17 = 26

= 1.7348 +

Procedimiento de clculo 1. En la tabla de distribucin de frecuencia se observa la clase que tiene mayor frecuencia; sta se convierte en la frecuencia modal y se obtiene tambin el . En ste ejemplo la frecuencia modal es 17 y lmite real inferior de la clase modal es 1.7341. En el caso de haber ms de una clase con la misma frecuencia no existir moda. 2. Se localiza la frecuencia premodal que es aquella que est antes de la frecuencia modal en ste ejemplo es 14, y de la misma forma la postmodal que es la que est

1 1 + 2

despus de la frecuencia modal en ste ejemplo 9. Se comienza a contar desde la ltima clase. 3. Se calcula 1 y 2 1 = 2 = 1 = 17 14 = 3 2 = 17 9 = 8 = 1.7341 + 3 0.0031 3+8

4. Se calcula la moda.

Cuantiles

= 1.7349

El procedimiento de clculo es similar al de la mediana ya que hay que recordar que la mediana es un cuantil que divide en dos partes iguales a la serie estadstica. Cuartil 3. = + 4

60 3 4 43 = 1.7372 + 0.0031 9 Quintil 2. = = 1.7379

60 12 = 1.7310 + 5 0.0031 14 2 = 1.7337

+ 5

Decil 5 = + 10 0.0031

= 1.7341 +

60 5 10 26 17

Percentil 90 =

= 1.7348

+ 100 5

= 1.7403 +

60 90 100 52

0.0031

MEDIDAS DE DISPERSION PARA DATOS NO AGRUPADOS

CONCEPTO.- Es el grado de alejamiento de los valores de la serie estadstica con respecto a una medida de tendencia central. RANGO (R) Es la diferencia entre el lmite real superior de la primera clase y el lmite real inferior de la ltima clase. =

= 1.7415

RANGO SEMIINTERCUARTIL (RK) El rango semiintercuartil es la distancia dividida para dos entre el cuartil tres y el cuartil uno que se encuentren en la tabla de distribucin de frecuencias.

RANGO PERCENTIL (RPr) Es la distancia que existe entre el percentil noventa y el percentil diez encontrados en la tabla de distribucin de frecuencias. = 90 10

3 1 2

DESVIACION MEDIA ABSOLUTA (MAD)

Diferencia

Media Promedio

Sin el signo

Desviacin

Absoluta

Permite determinar el promedio de las desviaciones con respecto a una medida de tendencia central ya sea esta computacional o posicional. Para su clculo se utiliza frecuencias y marcas de clase. Computacional = = | | | |

Posicional

DESVIACION TPICA O ESTANDAR () Permite calcular el grado de dispersin real de una serie estadstica por que utiliza desviaciones cuadrticas para su clculo. Se determina con las frecuencias y marcas de clase. Computacional
= =1

Posicional

=1

)2

VARIANZA (2) La varianza no es ms que la desviacin tpica elevada al cuadrado y es utilizada para el clculo inicial de la dispersin pero tiene el inconveniente de que las unidades quedan elevadas al cuadrado.

COEFICIENTE DE VARIACION (CV) Permite determinar en porcentaje el grado de dispersin que existe en los valores de la serie estadstica. =

Ejercicio: En el ejemplo anterior calcule las medidas de dispersin.

Medidas de dispersin para datos agrupados

100%

CLASES 1.7465 1.7428 1.7428 1.7391 1.7391 1.7354 1.7354 1.7317 1.7317 1.7280 1.7280 1.7243 1.7243 1.7206 SUMATORIAS

f 4 7 15 20 9 4 1 60

fa 60 56 49 34 14 5 1

Xm 1.7447 1.7410 1.7373 1.7336 1.7299 1.7262 1.7225

f*|Xm-X| 0.0392 0.0427 0.0361 0.0259 0.0450 0.0348 0.0124 0.2361

f*(Xm-X)^2 0.0004 0.0003 0.0001 0.0000 0.0002 0.0003 0.0002 0.0014

Rango =

= 1.7465 1.7206 = .

Rango semiintercuartil

60 3 4 43 = 1.7372 + 0.0031 9 60 1 4 14 = 1.7217 + 0.0031 20 1.7379 1.7219 2 = . = 1.7219 = 1.7379

3 1 2

= Rango percentil

= = 1.7403 +

60 90 100 52 = 1.7415 9 5

90

10 0.0031

= 1.7280 +

60 10 100 5

= 1.7415 1.7283 Desviacin media absoluta = = .

= 1.7283

0.0031

= Desviacin tpica o estandar

=1 =

0.2361 60 = 0.0039
2

Varianza (2)

= .

0.0014 60

Coeficiente de variacin

= . =

0.0014 60

0.0048 100% 1.7348 = . %

100%

RELACIN ENTRE MEDIDAS DE TENDENCIA CENTRAL COMPUTACIONALES Y MEDIDAS DE DISPERSIN CLCULO DE PERCENTILES

Los percentiles se pueden calcular en funcin de la media aritmtica y la desviacin tpica o estandar () de una forma rpida a travs de unas constantes que dependen del nmero de percentil. La expresin para determinar dichos percentiles es: =

Donde: Pr: Percentil : Media aritmtica Z: Constante segn el percentil elegido. : Desviacin tpica o estandar.

Valores de la constante Z segn el percentil

Ejemplo de clculo: En un estudio sobre la talla de una poblacin de estudiantes se la media aritmtica fue de 1750 mm, y la desviacin tpica de 67,07 mm. Calcular los valores de estatura que quedaran comprendidos en el 90% de sta poblacin

Esto significa que se debe analizar los valores comprendidos entre el 5 y 95 % de la poblacin por lo cual es necesario calcular el percentil 5 y 95. El valor de Z segn la tabla para estos percentiles es de 1.65 5 = 1750 1.65 67.07 5 = 1639.3

Por lo tanto los valores de estatura que corresponden al 90% de la poblacin est entre 1639.3 mm y 1860.7 mm. Utilidad de los percentiles Los percentiles son muy tiles en el diseo y tienen mucha significancia en el dimensionamiento. Ejemplo: analice el siguiente grfico.

95 = 1750 + 1.65 67.07 95 = 1860.7

Como dimensionar la estantera para que un porcentaje de la poblacin no tenga ningn inconveniente en tomar la caja de la repisa. De una solucin.

MOMENTOS ESTADSTICOS Al igual que las medidas de dispersin y de tendencia central los momentos estadsticos permite tambin realizar un anlisis estadstico de los datos que resulten de la investigacin estadstica. Algunos de los momentos estadsticos son muy tiles en el anlisis de curvas de distribucin de frecuencias por ejemplo en la determinacin el sesgo y el curtosis. Concepto.- Es un parmetro que permite un anlisis cuantitativo de los datos de una serie estadstica. Se definen los momentos con respecto a la variable X y con respecto a la media aritmtica. a) Con respecto a la variable X

Su frmula matemtica es:

Para datos no agrupados = =

Para datos agrupados

El momento de grado 1 con respecto a la variable X es la media aritmtica. b) Con respecto a la media aritmtica

Su frmula matemtica es:

Para datos no agrupados = = ( ( ) )

Para datos agrupados

Si r = 1, el momento de grado 1 con respecto a la media aritmtica es cero, si r = 2, el momento de grado dos con respecto a la media aritmtica es la varianza. Tambin se puede definir un momento con respecto a un valor constante cualquiera. Para datos no agrupados = = ( ( ) )

Para datos agrupados

Ejemplo 1: Para los valores 5, 8, 7, 3, 2, 1, 9 calcule el momento de grado 1, momento de grado 4, momento de grado 3 con respecto a la media aritmtica. a) Momento de grado 1 =

=5 Este valor corresponde a la media aritmtica.

5 + 8 +7 +3 +2 + 1 + 9 7

b) Momento de grado 4. =

c) Momento de grado 3 con respecto a la media aritmtica = ( )

5 +8 +7 +3 +2 +1 +9 7 = 1968.7

(5 5) + (8 5) + (7 5) + (3 5) +(2 5) + (1 5) + (9 5) 7 =0

Ejemplo 1: Para la siguiente tabla de distribucin de frecuencias calcule el momento estadstico 6 y el momento 5 con respecto a la media aritmtica.
Distribucin de frecuencias

CLASES 1.7465 1.7434 1.7434 1.7403 1.7403 1.7372 1.7372 1.7341 1.7341 1.7310 1.7310 1.7279 1.7279 1.7248 1.7248 1.7217 SUMATORIAS

f 3 5 9 17 14 7 4 1 60

fa 60 57 52 43 26 12 5 1

Xm 1.7450 1.7419 1.7388 1.7357 1.7326 1.7295 1.7264 1.7233

f*Xm 5.2349 8.7093 15.6488 29.5061 24.2557 12.1062 6.9054 1.7233 104.0894

= 1.7348

104.0894 60

f*Xm^6 84.6875 139.6479 248.6940 464.7526 378.6541 187.3036 105.8847 26.1872 1635.8117

f*(Xm-X)^5 0.0000000003 0.0000000001 0.0000000000 0.0000000000 0.0000000000 0.0000000000 -0.0000000002 -0.0000000002 -0.000000000001

a) Momento 6 =

b) Momento 5 con respecto a la media aritmtica = ( 60 )

1635.8117 60 .

MOMENTOS ESTADSTICOS ADIMENSIONALES Para evitar unidades particulares se utiliza los momentos adimensionales respecto a la media aritmtica. Todo momento a dimensional se lo obtiene dividiendo para la desviacin tpica elevada al exponente del momento. = =

= .

0.000000000001

( ) Para momento adicional 1 su valor ser cero, y para el momento adicional 2 su valor ser 1.

Ejemplo: Para los valores 5, 8, 7, 3, 2, 1, 9 calcule el momento adimensional 4. La media aritmtica es 5. a) Momento de grado 4 con respecto a la media aritmtica = ( )

(5 5) + (8 5) + (7 5) + (3 5) +(2 5) + (1 5) + (9 5) 7 = 100.9

Desviacin tpica:

=1( =

) 58 7

Momento adimensional 4

= 2.9

= =

SESGO El sesgo es el grado de asimetra que tiene distribucin de frecuencia, es decir, cunto se aparta de la simetra. Si la curva del polgono de frecuencias suavizado sin trazos rectos de una distribucin tiende a la derecha una cola ms larga que a la izquierda, se dice sesgada a la derecha, o de sesgo positivo. Por lo contrario si la distribucin tiene una cola ms larga a la izquierda, se dice sesgada a la izquierda, o de sesgo negativo.

= 34.8

100.9 2.9

Sesgada a la derecha:

Sesgada a la izquierda:

Distribucin normal:

Coeficiente de Karl Pearson (SK) Para una distribucin normal la media aritmtica, la moda, y la mediana tienen el mismo valor. Mientras ms diferente sean media aritmtica y la moda, ms asimtrica es la curva de distribucin. El coeficiente de Karl Pearson mide el grado de asimetra en unidades de desviacin estndar con la siguiente expresin: =

Si la media es mayor que la moda, entonces, SK es positivo. Es decir, el sesgo es positivo. Si la media es menor que la moda, SK es negativo, es decir el sesgo es negativo. Si la media es igual a la moda, SK=0 y la distribucin es simtrica. Ejemplo: Para un conjunto de datos el valor de la media es 0.2608, el valor de la moda es 0.258. Por otra parte, el valor de la desviacin estndar es 0.0408. Qu tipo de distribucin se tiene.

0.2608 0.258 0.0408 = 0.069

Respuesta: Se tiene una distribucin positiva o sesgada a la derecha. Coeficiente de Arthur Bowley (SKK) Este coeficiente, utiliza para su clculo los cuartiles de orden uno, dos y tres. = 2 +

Si SKK es positivo, el sesgo es positivo. Si SKK es negativo, el sesgo es negativo. Si SKK = 0, la distribucin es simtrica.

Ejemplo: Calcular el coeficiente de Arthur Bowley para los datos en los cuales el cuartil 3 tiene un valor de 0.291, el cuartil 2 tiene un valor 0.260 y el cuartil 1 tiene un valor de 0.232. = 0.291 2 0.260 + 0.232 0.291 0.232

= 0.05 El sesgo es positivo implica que es sesgada a la derecha.

Momento estadstico adimensional para la determinacin del sesgo La expresin ms importante con sustento matemtico para la determinacin del sesgo es a travs del momento estadstico adimensional 3. Si Si Si = .

es positivo, el sesgo es positivo. es negativo, el sesgo es negativo. = 0, la distribucin es simtrica.

Ejemplo: Para la distribucin de frecuencias presentada a continuacin determine qu tipo de curva de distribucin se obtiene.
Distribucin de frecuencias

CLASES 1.7465 1.7428 1.7428 1.7391 1.7391 1.7354 1.7354 1.7317 1.7317 1.7280 1.7280 1.7243 1.7243 1.7206 SUMATORIAS

f 4 7 15 20 9 4 1 60

fa 60 56 49 34 14 5 1

Xm 1.7447 1.7410 1.7373 1.7336 1.7299 1.7262 1.7225

f*Xm 6.9786 12.1867 26.0588 34.6710 15.5687 6.9046 1.7225 104.0907

f*(Xm-X)^2 0.0004 0.0003 0.0001 0.0000 0.0002 0.0003 0.0002 0.0014

f*(Xm-X)^3 0.000004 0.000002 0.000000 0.000000 -0.000001 -0.000003 -0.000002 -0.00000013

Media aritmtica = Desviacin tpica 104.0907 60 0.0014 60

= 1.7348

Momento adimensional 3.

= 0.0049

= Momento estadstico 3 con respecto a la media. = 60 = 2.1 10 2.1 10 0.0049 = 0.02

0.00000013

Esto implica que la curva de distribucin de frecuencias est sesgada a la izquierda.

25 20 15 10 5 0 1,7200

DISTRIBUCION DE FRECUENCIAS

MEDIA ARITMTICA

1,7250

1,7300

1,7350

1,7400

1,7450

1,7500

CURTOSIS La curtosis mide cuan puntiaguda es una distribucin con respecto a la distribucin normal. Si tiene un pico alto se dice que es leptocrtica, mientras si es aplastada se dice que es platicrtica. La distribucin normal segn ste criterio es mesocrtica. Leptocrtica

Platicrtica

Mesocrtica

Momento estadstico adimensional para la determinacin de la curtosis Una medida del la curtosis utiliza el cuarto momento respecto a la media adimensional y viene dada por: =

Una distribucin es mesocrtica cuando Una distribucin es leptocrtica cuando Una distribucin es platicrtica cuando

=3 >3 <3

Otra medida de la curtosis se la puede obtener a travs del clculo del rango semiintercuartil y el rango percentil. Curtosis = 0.263

Ejemplo: En la tabla de distribucin mostrada anteriormente calcule la curtosis.

f*(Xm-X)^4 0.00000004 0.00000001 0.00000000 0.00000000 0.00000001 0.00000002 0.00000002 0.00000010 Suma

Momento estadstico 4 con respecto a la media. = 60 = 1.7 10

0.00000010

1.7 10 0.0049 = 2.85

Esto implica que la curva de distribucin de frecuencias platicrtica.

TEORIA ELEMENTAL DEL MUESTREO La teora del muestreo estudia la relacin entre una poblacin y las muestras tomadas de ella. Se utiliza para estimar magnitudes desconocidas de una poblacin, tales como la media y la varianza llamados como parmetros de la poblacin, a partir del conocimiento de esas magnitudes estadsticos sobre muestras. Permite tambin determinar si las diferencias observadas entre dos muestras son debidas a variaciones fortuitas o si son realmente significativas. Ejemplo si la seleccin de circuitos para el armaje de un microcontrolador es mejor que la seleccin de otro tipo de circuitos para armar el mismo microcontrolador.

Poblacin

=
Muestra

Caractersticas de la muestra - Representativa. Todos los elementos de la poblacin tienen que tener la misma oportunidad de ser considerado en la muestra. - Tamao adecuado.- De tal modo que los resultados de la investigacin no sean dudosos por haber tomado una muestra muy pequea. - Que el margen de error admisible est dentro del lmite aceptado por la estadstica < = 15%. Muestras aleatorias Para que las conclusiones del muestreo y de la inferencia estadstica sean vlidas, las muestras deben escogerse representativamente de la poblacin. El anlisis de los mtodos de muestreo y problemas relacionados se llama diseo del experimento. Una forma para obtener una muestra representativa es mediante muestreo aleatorio de acuerdo con el cual, cada miembro de la poblacin tiene la misma probabilidad de ser incluido en la muestra. Un mtodo para lograr esto es recurrir a nmeros aleatorios. Ver apndice IX pgina 545 Estadstica Spiegel Murray segunda edicin

Muestreo con y sin reposicin Si se saca un nmero de una urna, se lo puede volver a ponerlo o no, antes de la siguiente extraccin. En el primer caso ese nmero puede salir de nuevo ms veces, mientras que en el segundo caso slo puede salir cada nmero una vez. Esos dos tipos de muestreo se llaman, respectivamente muestreo con reposicin y muestreo sin reposicin. Ejemplo: Seleccionar 10 muestras de 4 estudiantes con reposicin de la siguiente tabla:
Altura de 100 estudiantes de los niveles bsicos

Altura (pulgadas) Nmero de estudiantes 60-62 5 63-65 18 66-68 42 69-71 27 72-74 8 Total = 100 1. Se debe asignar nmeros a los 100 estudiantes comenzando desde el 0. Altura (pulgadas Xm Nmero de estudiantes Nmero de muestreo 60-62 61 5 00-04 63-65 64 18 05-22 66-68 67 42 23-64 69-71 70 27 65-91 72-74 73 8 92-99 2. Escoger nmeros de la tabla de valores aleatorios y hacer una correspondencia a los intervalos en la columna del nmero de muestra en los cuales est contenido as, el nmero aleatorio 51 corresponde al intervalo 66 68 pulgadas porque en el nmero de muestra est entre 23 y 64 y el valor que toma es el de la marca de clase 67. # de muestra Nmeros aparecidos en la muestra Altura correspondiente 1 51,77,27,46 67, 70, 67, 67 2 40,42,33,12 67, 67, 67,64 3 90,44,46,62 70, 67, 67, 67 4 16,28,98,93 64, 67, 73, 73 5 58,20,41,86 67, 64, 67, 70 6 19,64,08,70 64, 67, 64, 70 7 56,24,03,32 64, 67, 61, 67 8 34,9183,58 67, 70, 70, 67 9 70,65,68,21 70, 70, 70, 64 10 96,02,13,87 73, 61, 64, 70

Distribuciones de muestreo Si se considera todas las posibles muestras de tamao (n) en una poblacin dada (con o sin reposicin), y para cada una de las muestras se calcula un estadstico (media aritmtica, desviacin tpica, etc.) que varan para cada una de ellas, de ste modo se obtiene una distribucin del estadstico que se llama distribucin de la muestra. Si el estadstico utilizado es la media, se obtiene una distribucin de muestreo de la media. Distribucin de muestreo de medias Si se toman todas las posibles muestras de tamao de n, sin reposicin de una poblacin finita de tamao m > n y de ellas se calcula la media y la desviacin tpica de la distribucin de muestreo de medias se obtiene que: = Donde: : Media aritmtica de la muestra. : Desviacin tpica de la muestra : Desviacin tpica de la poblacin. : Media aritmtica de la poblacin. =

Para una poblacin infinita o muestreo con reposicin las relaciones son: =

Ejemplo: Para el problema anterior determine la media a partir de las muestras. # de muestra 1 2 3 4 5 6 Nmeros aparecidos en la muestra 51,77,27,46 40,42,33,12 90,44,46,62 16,28,98,93 58,20,41,86 19,64,08,70 Altura correspondiente 67, 70, 67, 67 67, 67, 67,64 70, 67, 67, 67 64, 67, 73, 73 67, 64, 67, 70 64, 67, 64, 70

67.8 66.3 67.8 69.3 67.0 66.3

7 8 9 10

56,24,03,32 34,9183,58 70,65,68,21 96,02,13,87

64, 67, 61, 67 67, 70, 70, 67 70, 70, 70, 64 73, 61, 64, 70 Media de muestras

64.8 68.5 68.5 67.0 67.3

Para ste ejemplo a partir de las medias aritmticas de cada una de las muestras se determina la media de todas ellas y por lo tanto la media de la poblacin ser: = = 67.3

Para valores grandes de tamao de la muestra n a partir de (n30), la distribucin de muestreo de medias es aproximadamente normal independientemente de la poblacin siempre y cuando la media poblacional y la varianza sean finitas y el tamao de la poblacin sea al menos el doble que de la muestra.

CORRELACION Y REGRESION ESTADISTICA

Muchos fenmenos en la naturaleza estn asociados a la relacin de las variables que rigen su comportamiento de tal modo que existen leyes que los gobiernan como es el caso de una velocidad en el movimiento rectilneo uniforme en el cual dicha velocidad depende del cambio de posicin en un intervalo de tiempo o la presin atmosfrica que cambia con la altura de la localidad en la cual se mide. Existen otros fenmenos en los cuales es de inters saber la relacin que existe entre sus variables por ejemplo el consumo de gasolina de un auto en funcin del peso y la potencia del motor para lo cual sera conveniente encontrar una relacin entre dichas variables. Cmo hacerlo? CORRELACION Es el grado de relacin que existe entre los datos o las variables en un fenmeno estadstico. Es el grado de interconexin entre las variables, para las cuales intenta determinar con qu precisin describe o explica la relacin a travs de una ecuacin. Se dice que los datos estn correlacionados si por su ubicacin grfica, pueden definirse como parte de una familia, dependencia funcional o ley matemtica. El grado de correlacin se concepta como el nivel de acercamiento o alejamiento respectivamente de los datos respecto de una expresin funcional o ley.

Cuando todos los valores de la variable satisfacen una ecuacin exactamente, se dice que las variables estn perfectamente correlacionadas. Ejemplo la circunferencias C y los radios r de todos los crculos estn perfectamente correlacionados con la expresin. =2 Existe correlacin entre el peso de una persona y su altura? Correlacin simple Cuando la relacin existe entre solo dos variable se habla de una correlacin simple y regresin simple, y se dice que se tiene una variable independiente y otra dependiente, Caso contrario se trata de correlaciones y regresiones mltiples. REGRESIN Es el proceso matemtico que permite encontrar la relacin que existe entre las variables de un fenmeno estadstico, o permite determinar la funcin que ms o mejor se ajuste a los datos correlacionados. Aplicaciones del anlisis de regresin Descripcin cuantitativa de las relaciones existentes entre una variable dada y un conjunto de variables. Interpolacin entre valores de una funcin. Prediccin y pronstico. Seleccin entre varios modelos alternativos. CORELACION LINEAL Si dos variables X e Y que se estn analizando y que se las grafica en un sistema coordenado dan como resultado puntos coordenados que parecen estar en una lnea recta la correlacin se la llama lineal.

Correlacin lineal

Tipos de de correlacin a. Si la variable Y tiende a incrementarse cuando se incrementa X la correlacin se dice que es positiva o correlacin directa. b. Si la variable Y disminuye cuando se incrementa X la correlacin es negativa. c. Si todos los puntos parecen estar sobre una cierta curva la correlacin es no lineal.

Correlacin lineal positiva

Correlacin lineal negativa

Sin correlacin

Diagrama de dispersin El diagrama de dispersin es un grfico en un sistema coordenado donde se representa los puntos coordenados de las variables que se estn analizando y que permiten observar la correlacin que existe entre ellas.

Diagrama de dispersin

REGRESIN LINEAL La regresin lineal consiste en encontrar la ecuacin de una lnea recta para lo cual se puede seguir los siguientes pasos. 1. 2. 3. 4. Definir: Que variable es dependiente y cual independiente. Dibujar el diagrama de dispersin: Ubicar pares ordenados (solo puntos sin unir). Observar: Si existe correlacin lineal ya sea positiva o negativa. Determinar: La ecuacin de la lnea recta.

Para encontrar la ecuacin de la lnea recta se puede utilizar las herramientas de la geometra analtica, en la cual una recta puede quedar defina por dos puntos y se puede obtener la ecuacin de una recta: Considerando los dos puntos P1 y P2 de coordenadas (X1, Y1) y (X2, Y2) se puede determinar la ecuacin: 2 1 ( 1) 1= 2 1 Donde: : Pendiente de la recta. = 2 1 2 1

O la ecuacin general de la recta:

= + El inconveniente al utilizar las ecuaciones anteriores es que solo se utiliza dos puntos de la dispersin por lo cual el grado de correlacin no es tan bueno, para mejorar esto se puede utilizar el mtodo de los mnimos cuadrados. REGRESIN LINEAL POR EL METODO DE MINIMOS CUADRADOS La recta por mnimos cuadrados es aquella lnea que tiene por propiedad que las sumatoria de las distancias al cuadrado de cada uno de los puntos de dispersin con respecto a la recta es mnimo. 1 + 2 + 3 + 4 + 5 + =

1=

( 1)

Recta de mnimos cuadrados

Para poder encontrar la recta de mnimos cuadrados se debe determinar los coeficientes de la ecuacin general de la recta = + Para lo cual se utiliza las siguientes expresiones: + =

Que pueden ser expresadas tambin como: +

Estas expresiones representan un sistema de ecuaciones con incgnitas a y b, que puede ser resuelto por cualquiera de los mtodos de resolucin des sistemas de ecuaciones. Ejemplo: En una fbrica se est analizando la relacin que existe entre la fuerza aplicada a una banda de transmisin de una mquina y la deformacin que sufre. Los valores arrojados por las pruebas fueron. Fuerza (N) 0.5 1 1.5 2 2.5 3 Deformacin(mm) 3.2 4 5.6 7.1 8.6 20

1. Dado que la deformacin es consecuencia de la fuerza aplicada a la banda de transmisin, sta es la variable dependiente y la fuerza la independiente. Y: Deformacin en mm X: Fuerza en Newton. 2. Diagrama de dispersin.

DIAGRAMA DE DISPERSIN
DEFORMACIN (mm) 25 20 15 10 5 0 0 0,5 1 1,5 2 2,5 3 3,5 FUERZA (N)

3. Del diagrama de dispersin se puede concluir que existe una correlacin lineal positiva sobre todo en los primeros puntos coordenados por lo cual se procede a determinar la ecuacin de la recta que ms se ajuste. 4. Determinar la ecuacin de la recta En un clculo inicial se proceder a encontrar la ecuacin con la expresin: 1= 2 1 ( 1) 2 1

Se tomar los pares ordenados P1 (0.5; 3.2) y el punto P2 (2.5; 8.6) 3.2 = 8.6 3.2 ( 0.5) 2.5 0.5 + .

3.2 = 2.7( 0.5) = .

Para mejorar el clculo se procede a determinar la recta por mnimos cuadrados: Es necesario encontrar la sumatoria de la variable X y tambin su sumatoria al cuadrado, la sumatoria de la variable Y, como tambin la sumatoria del producto de X por Y. + =

Tabulacin para el mtodo mnimos cuadrados

Fuerza (N)
X

Alargamiento(mm)
Y X^2 0.25 1 2.25 4 6.25 9 22.75 X*Y 1.6 4 8.4 14.2 21.5 60 109.7

0.5 1 1.5 2 2.5 3

SUMATORIA 10.5

3.2 4 5.6 7.1 8.6 20

48.5

+ = 22.75a + 10.5b = 109.7 + = 10.5a + 6b = 48.5

a = 5.674 X 1.846
25

Resolviendo para a y b se tiene que

DIAGRAMA DE DISPERSIN

20 DEFORMACIN (mm) y = 5,674x - 1,846

15

10

0 0 0,5 1 1,5 FUERZA (N) 2 2,5 3 3,5

EVALUACIN Y SIGNIFICACIN DE LA CORRELACIN LINEAL Cuando se elabora el proceso de correlacin lineal se llega a determinar una ecuacin de una lnea recta a travs de la regresin pero queda la incertidumbre de que si la recta encontrada es la apropiada o si es posible encontrar otra lnea curva que se ajuste mejor a los datos, razn por la cual es necesario realizar la evaluacin de la ecuacin encontrada. La evaluacin se realiza con los valores de la variable dependiente Y, es decir los valores que se encuentran reemplazando en la ecuacin, y con ellos se determinan las desviaciones medias absolutas para comprobar a travs de valores de tolerancia la bondad de la recta de regresin, es decir si a futuro los pronsticos pueden ser o no abalizados. Los parmetros de tolerancia son: VARIACIN TOTAL (VT) Representa la sumatoria de las desviaciones cuadradas de los valores dados de la variable independiente Y respecto a su media aritmtica ( ).

DONDE : Valores de la variable dependiente. : Media aritmtica de los valores de la variable dependiente. VARIACIN EXPLICADA (VE) Representa la parte de la variacin total que depende de la variable independiente X influenciando a la variable dependiente Y. Se calcula como la sumatoria de las desviaciones cuadradas de los valores de la variable dependiente pronosticada (Yc) respecto a la media aritmtica ( ).

( )

VARIACION NO EXPLICADA (VI) Es la variacin residual que refleja el comportamiento de las fluctuaciones de la variable independiente X sobre la variable dependiente Y. Se calcula como la sumatoria de las

desviaciones al cuadrado de los valores de la variable dependiente Y, respecto de los valores pronosticados (Yc).

COEFICIENTE DE CORRELACION (CR) Expresa el grado de asociacin de las dos variables dependiente e independiente.

Para que la correlacin se considere aceptable el valor de coeficiente de correlacin debe ser mayor que 0.75. ERROR DE ESTIMACIN (m) El error de estimacin se debe que al determinar la ecuacin de una lnea recta se comete un error al calcular la pendiente de la misma. =

El valor de K depende del nmero de variables en la correlacin, en una correlacin simple es de solamente 2. Ejemplo: Se desea hacer una correlacin lineal entre la produccin de dixido de uranio (kg) de Rusia en el periodo 1989-1993 segn la tabla presentada a continuacin. AO Kg(Dixido de Uranio) 1989 1990 1991 1992 1993 144.6 129.5 107.5 93.5 80.5

Para poder trabajar con series cronolgicas estas deben ser transformadas a cuantitativas se lo hace fcilmente numerando los aos desde el 0.

# 0 1 2 3 4

AO Kg(Dixido de uranio) 1989 1990 1991 1992 1993 144.6 129.5 107.5 93.5 80.5

1. La produccin de dixido de uranio depende del ao en cuestin por lo tanto Y: Kg (Dixido de uranio) X: Nmero de ao 2. Diagrama de dispersin.
160 140 DIXIDO DE URANIO (Kg) 120 100 80 60 40 20 0 0 0,5 1 1,5 2 2,5 # AO DIAGRAMA DE SIPERSIN 3 3,5 4 4,5

3. Del diagrama de dispersin se puede concluir que existe una correlacin lineal negativa, por lo cual se procede a determinar la ecuacin de la recta que ms se ajuste. 4. Regresin lineal por el mtodo de los mnimos cuadrados + =

Tabulacin datos

SUMATORIA

X 0 1 2 3 4 10

144.6 129.5 107.5 93.5 80.5

555.6

X^2 0 1 4 9 16 30

X*Y 0 129.5 215 280.5 322 947

+ = 30a + 10b = 947 + = 10a + 5b = 555.6

a = -16.42 b = 143.9

Resolviendo para a y b se tiene que

Por lo cual la ecuacin ser

160 140 DIXIDO DE URANIO (Kg) 120 100 80 60 40 20 0 0 0,5 1

y = -16,42x + 143,9 R = 0,991

1,5

2,5 # AO

3,5

4,5

DIAGRAMA DE SIPERSIN

Lineal (DIAGRAMA DE SIPERSIN)

La produccin baja con forme transcurre los aos.

5. Evaluacin de la correlacin lineal. Se elabora la tabla para la evaluacin de la correlacin lineal segn los parmetros necesarios de clculo.
Evaluacin y significacin de la Correlacin.

SUMATORIA

X 0 1 2 3 4 10

144.6 129.5 107.5 93.5 80.5

555.6

X^2 0 1 4 9 16 30

X*Y 0 129.5 215 280.5 322 947

Yc 143.9 127.48 111.06 94.64 78.22

(Y-Yc)^2 (Y- )^2 (Yc- )^2 (Xi- )^2 0.49 1120.91 1074.53 4 4.08 337.82 267.65 1 12.67 13.10 0.00 0 1.30 310.46 271.59 1 5.20 937.58 1082.41 4 23.74 2719.89 2696.18 10

Medias aritmticas de las variables Independiente = Dependiente =

Variacin total (VT) = Variacin explicada (VE) = Variacin no explicada (VI)

555.6 5 = 111.12 = ( )

10 5 =2

= 2719.89 (

= 2696.18

= Coeficiente de correlacin (CR)

= 23.74 = =

El valor del coeficiente es mayor que 0.75 lo que se considera una buena correlacin. Error de estimacin (m) =

= 0.996

2696.18 2719.89

REGRESIONES NO LINEALES Muchas ocasiones el clculo del coeficiente de correlacin determina que la regresin lineal no sea la que ms se ajusta a los datos de dispersin, por lo cual es necesario encontrar lneas que se ajusten de mejor forma a dichos datos, para ello se puede recurrir a las mismas ecuaciones que determina el mtodo de mnimos cuadrados. LA PARABOLA DE MNIMOS CUADRADOS La parbola de mnimos cuadrados se acerca a los puntos de dispersin por medio de la ecuacin: = + +

23.74 = 52 10 = 0.89

Las ecuaciones que permiten calcular los valores constantes (a, b, c) son:

+ +

= + =

Ejemplo: La tabla mostrada a continuacin representa la temperatura media anual en varios sitios de Pas de acuerdo a su altura del nivel del mar.
Altura (metros) Temperatura ( C ) 10 32 200 27 800 23 1200 20 1500 17 2500 15 3000 13 3500 12

La dispersin resultante es:

DISPERSIN NO LINEAL
35 30 25 20 15 10 5 0 0 500 1000 1500 2000 2500 3000 3500 4000

DISPERSIN NO LINEAL

Realice una regresin no lineal con los datos. 1. Se procede a calcular los coeficientes y las sumatorias para establecer las ecuaciones.

Regresin no lineal

Altura (metros) X 10 200 800 1200 1500 2500 3000 3500 12710

Temperatura ( C ) Y 32 27 23 20 17 15 13 12 159

X^2 100 40000 640000 1440000 2250000 6250000 9000000 12250000 31870100

X^3 1000 8000000 512000000 1728000000 3375000000 1.5625E+10 2.7E+10 4.2875E+10 9.1123E+10

X^4 x^2*Y 10000 3200 1600000000 1080000 4.096E+11 14720000 2.0736E+12 28800000 5.0625E+12 38250000 3.9063E+13 93750000 8.1E+13 117000000 1.5006E+14 147000000 2.7767E+14 440603200

X*Y 320 5400 18400 24000 25500 37500 39000 42000 192120

2. Formar el sistema de ecuaciones. + + + =

2.78 10 9.11 10

+ 9.11 10 + 3.2 10 + +

+ 3.2 10 =

= 4.4 10

Resolviendo el sistema de ecuaciones tendramos: = 2 10 = 0.01 = 30.6

3.2 10

+ 12710

+ 12710 = 192120 + 8 = 159 =

y = 2x10 -6 X2 - 0.010X + 30.60

REGRESIN NO LINEAL
35 30 25 20 15 10 5 0 0 500 1000 1500 2000 2500 3000 3500 4000 y = 2E-06x2 - 0,010x + 30,60

DISPERSIN NO LINEAL

Polinmica (DISPERSIN NO LINEAL)

PROBABILIDADES

TEORA DE PROBABILIDADES
INTRODUCCIN La teora de probabilidades es muy importante en muchos campos de estudio como economa, administracin y la INGENIERA no se es indiferente, ya que siempre se necesita tomar decisiones ante situaciones de incertidumbre preguntndose por ejemplo cunto horas durar un circuito electrnico, el software desarrollado ser aceptado para ms del 50% del mercado para el cual fue diseado, para un cierto poltico cuantos votantes lo hicieron por l, para un ingeniero industrial sera importante saber cuntos horas de funcionamiento tendr una mquina en su rea de produccin antes que se dae. Todos estos cuestionamientos provienen de fenmenos cuyo resultado no puede ser anticipado con certeza, si no que existe cierta probabilidad de que un cierto resultado se d, a diferencia de los fenmenos cuyo resultado se determina unvocamente a partir de ciertas condiciones, por ejemplo, los resultados de mediciones geomtricas, clculos financieros o procesos mecnicos. Histricamente se puede decir que las probabilidades surgieron de los juegos de azar en los siglos XV y XVI con resolucin de puntuales problemas de juego de dados por personas como: Blaise Pascal y Pierre de Fermat. Otras personas influyentes fueron Christian Huygens quien public el primer libro de probabilidades, James Bernoulli y Abraham de Moivre fueron las personas que ms influyeron en el desarrollo de probabilidades. Por el Ao de 1812 Pierre de Laplace introdujo gran cantidad de ideas nuevas y tcnicas matemticas en su libro, Teora Analtica de Probabilidades con lo cual la probabilidad ya no solo estaba destinada a los juegos de azar sino aplicaciones ms all de ella. DEFINICIN TERICA Las probabilidades constituyen una rama de las matemticas que se ocupa de medir o determinar cuantitativamente la posibilidad de que un experimento produzca un determinado resultado. Es el estudio de las posibilidades de que ocurra o no un evento. EXPERIMENTO ALEATORIO, ESPACIO MUESTRAL Y EVENTOS EXPERIMENTO ALEATORIO () Los experimentos u operaciones reales o hipotticos pueden dividirse en dos clases: determinsticos y no determinsticos.

Determinstico.- Si los resultados del experimento estn completamente determinados y puede describirse por una frmula matemtica llamado modelo Determinstico. Ejemplos: a) Soltar una piedra desde una cierta altura Cada libre de los cuerpos. b) Colocar una pelota en el agua Principio de flotacin. c) Los cambios de aceleracin que produce una fuerza Segunda ley de Newton No Determinstico.- Si los resultados del experimento no pueden predecirse con exactitud antes de realizar el experimento. Ejemplos: a) Lanzar una moneda y observar el resultado cara o sello. b) Lanzar una moneda y observar el nmero que aparece uno, dos, tres, cuatro, cinco, seis. c) Observar el nmero de autos que pasan por una estacin de servicio en un da uno, dos, tres,, n. Caractersticas de un experimento no Determinstico: Cada experimento puede repetirse indefinidamente sin cambiar esencialmente las condiciones. Cada experimento es no Determinstico. Cada experimento tiene varios resultados posibles que pueden describirse de antemano con precisin. En el caso del lanzamiento de la moneda sus posibilidades son cara o sello no sabremos cual sale pero si los resultados posible. Por lo tanto un experimento aleatorio es aquel que tiene las tres caractersticas mencionadas. Para denotar un experimento aleatorio se utilizar el smbolo: Ejemplos de experimentos aleatorios: 1: Fabricar artculos, hasta fabricar cinco defectuosos y contar el nmero total de artculos fabricados. 2: Elegir un punto en el intervalo cerrado [0 ,1]. 3: Verificar el estado de un transistor (0 = apagado, 1 = encendido). 4: Elegir un presidente de un curso de 30 estudiantes. 5: Extraer un artculo de un lote que contiene artculos defectuosos y no defectuosos. ESPACIO MUESTRAL () Es el conjunto de todos los resultados posibles de un experimento aleatorio ().

Por lo cual es muy conveniente utilizar notacin de conjuntos y consecuencia de ello utilizar algebra de conjuntos. Ejemplos: 1) 1: Lanzar una moneda y observar su resultado. 1 = {cara, sello} 2) 2: Lanzar un dado y observar el nmero resultante. 2 = {1, 2, 3,4, 5, 6} 3) 3: Fabricar artculos hasta producir 5 defectuosos y contar el total de nmeros de artculos producidos. 3 = {5, 6, 7, 8, 9, 10,} 4) 4: Contar el nmero de vehculos que llegan a una estacin de servicio a recargar gasolina. 4 = {0, 1, 2, 3, 4,.} 5) 5: Verificar el estado de un transistor (0 = apagado, 1 = encendido). 5 = {0, 1} 6) 6: Elegir un punto en el intervalo cerrado [0 ,1]. 6 = {X R/ 0 X 1} 7) 7: Elegir un presidente de un curso de 30 estudiantes. 7 = {A1, A2, A3, A4, A5,, A30} A: Representa a cada uno de los estudiantes Clasificacin del Espacio Muestral 1. El espacio muestral puede ser finito o infinito Espacio muestral finito.- Posee un determinado nmero de posibilidades, o se le puede considerar como un experimento sin reposicin. Ejemplo: 2: Lanzar un dado y observar el nmero resultante. 2 = {1, 2, 3,4, 5, 6} Espacio muestral infinito.- Posee un nmero indeterminado de posibilidades, o se le puede considerar un experimento con reposicin.

Ejemplo: 4: Contar el nmero de vehculos que llegan a una estacin de servicio a recargar gasolina. 4 = {0, 1, 2, 3, 4,.} 2. El espacio muestral puede ser Simple o compuesto Espacio muestral simple.- Es el espacio que resulta de un solo experimento aleatorio. 2: Lanzar un dado y observar el nmero resultante. 2 = {1, 2, 3,4, 5, 6} Espacio muestral compuesto.- Es aquel que resulta de dos o ms experimentos simples sucesivos o simultneos. 1: Lanzar una moneda y un dado a la vez Cul ser su espacio muestral? Para responder la pregunta anterior se debe incluir el criterio que los espacios muestrales compuestos son de dos tipos bsicos aquellos que estn unidos por la letra gramatical O y la letra gramatical Y.

Experimentos unidos por la O excluyente Un experimento compuesto , es una O combinacin de los experimentos simples, 1 y 2 si, slo si el experimento ocurre, cuando el experimento, 1 2 ocurre (pero no ambos). Ejemplo: Considere el experimento, que consiste en lanzar un dado o una moneda. Hallar El espacio muestral para ste experimento. : lanzar un dado o una moneda. El experimento consiste de dos simple unidos por la O. 1: Lanzar una moneda y observar su resultado. 1 = {cara, sello} 2: Lanzar un dado y observar el nmero resultante. 2 = {1, 2, 3,4, 5, 6} = 1 O 2 Por lo tanto el espacio muestral ser:

 = {cara, sello, 1, 2, 3, 4, 5, 6} Experimentos unidos por la Y Un experimento compuesto , es una Y combinacin de los experimentos simples, 1 y 2 si, solamente si, el experimento ocurre, cuando ambos experimentos, 1 Y 2 ocurren. Una consecuencia directa del experimento compuesto por la Y combinacin es que su espacio muestral resultante es el producto cartesiano de los espacios muestrales de los experimentos simples correspondientes. Es decir: = 1 x 2 Ejemplo: Cul es el espacio muestra de lanzar una moneda y un dado a la vez: : Lanzar una moneda y un dado a la vez. Experimentos simples: 1: Lanzar una moneda y observar su resultado. 1 = {cara, sello} 2: Lanzar un dado y observar el nmero resultante. 2 = {1, 2, 3,4, 5, 6} = 1 x 2: Por lo tanto el espacio muestral ser: = {(C, 1); (C, 2); (C, 3); (C, 4); (C, 5); (C, 6); (S, 1); (S, 2); (S, 3); (S, 4); (S, 5); (S, 6)} Cuando se desea determinar un espacio muestral resultado de una Y combinacin de dos experimentos aleatorios simples es til usar tablas de doble entrada para encontrar dicho espacio muestral. Ejemplo: Se lanzan dos monedas simultneamente y se observan las secuencias de caras o sellos. Determine su espacio muestral. : Se lanzan dos monedas simultneamente y se observan las secuencias de caras o sellos. = 1 x 2 1: Lanzar una moneda y observar su resultado. 1 = {cara, sello} 2: Lanzar una moneda y observar su resultado. 2 = {cara, sello}

SEGUNDA MONEDA PRIMERA MONEDA CARA SELLO

CARA CARA- CARA

SELLO CARA - SELLO

SELLO - CARA SELLO - SELLO

= {cara-cara, cara-sello, sello-cara, sello-sello} Ejemplo: Se lanzan dos dados simultneamente y se observan los resultados. Determine su espacio muestral. : Se lanzan dos dados simultneamente y observar los resultados. = 1 x 2 Experimentos simples: 1: Lanzar una dado y observar su resultado. 1 = {1, 2, 3, 4, 5, 6} 2: Lanzar una dado y observar su resultado. 2 = {1, 2, 3, 4, 5, 6} SEGUNDO DADO PRIMER DADO 1 2 3 4 5 6 (1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 5) (2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6) (3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6) (4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6) (5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6) (6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6) 1 2 3 4 5 6

Debido a que el espacio muestral resultando es un conjunto de pares ordenados se pude utilizar la simbologa de la teora de conjuntos para representarlo as: = {(x, y) / x, y = 1, 2, 3, 4, 5, 6} En muchos casos es ms sugerente utilizar un diagrama para encontrar el Espacio Muestral de un experimento compuesto, ste es llamado Diagrama de rbol.

Ejemplos: 1) Se lanza una moneda tres veces. Hallar el espacio muestral resultante de ste experimento. : Se lanza una moneda tres veces y se observan los resultados El experimento consiste de tres experimentos simples unidos por la Y. Po lo tanto se puede dividir en tres experimentos que dan espacios muestrales simples as: = 1 x 2 x 3 1: Lanzar una moneda y observar su resultado. 1 = {cara, sello} 2: Lanzar una moneda y observar su resultado. 2 = {cara, sello} 3: Lanzar una moneda y observar su resultado. 3 = {cara, sello} Aplicando el diagrama de rbol se tendr:

= {CCC, CCS, CSC, CSS, SCC, SCS, SSC, SSS} 2) Cul es el espacio muestral en el lanzamiento de una moneda hasta que salga cara.
C C S

C S

C S

 = {C, S, SC, SSC, SSS, SSSC, SSSS } 3) Cul es el espacio muestral en el lanzamiento de dos dados simultneamente.
1 D1 6 5 2 3 4 D2 6 5 1 2 3 4

= {(x, y) / x, y = 1, 2, 3, 4, 5, 6} 4) Los artculos provenientes de una lnea de produccin se clasifican en defectuosos y no defectuosos se observan los artculos y se anotan su condicin, el proceso continua hasta observar dos artculos defectuosos o hasta que se observen 3 artculos no defectuosos. Cul es su espacio muestral?

 = {DD, DNDD, DNDNDD, DNDNDN, DNDNN, DNNDD, DNNDN, DNNN, NDD, NDNDD, NDNDN, NDNN, NNDD, NNDN, NNN} 3. El espacio muestral puede ser discreto o continuo Espacio muestral discreto Si tiene un nmero finito o infinito numerable de elementos. Espacio muestral discreto finito: Si el espacio muestral tiene un nmero finito de elementos. Ejemplo : Lanzar una dado y observar su resultado. = {1, 2, 3, 4, 5, 6} Es espacio muestral discreto finito ya que no puede haber valores en l como 2.5, 3.4 etc. Espacio muestral discreto infinito: Cuando puede establecerse una correspondencia uno a uno con el conjunto de los enteros positivos de modo que pueda ser enumerado como 1, 2, 3,4,.. Ejemplo: : Lanzar una moneda hasta que ocurra cara. = {C, SC, SSC, SSSC, SSSSC,} Espacio muestral continuo Un espacio muestral es continuo si tiene un nmero no numerable de elementos. Es decir todos los elementos posibles en un intervalo. Ejemplo : Elegir un punto en el intervalo cerrado [0 ,1]. = {X R/ 0 X 1} se puede escoger un nmero infinito de valores entre esos dos puntos. EVENTO Se define como un subconjunto del espacio muestral. Por lo que al espacio muestral tambin se lo considera como el conjunto universo. Se representa con las letras maysculas del alfabeto (A, B, C, DZ). El evento A se lo puede representar como AT Ejemplo: : Salga par en el lanzamiento de un dado = {1, 2, 3, 4, 5, 6} Evento elemental Cuando tiene solamente una posibilidad. Ejemplo A = {2, 4, 6}

: Que un transistor est encendido = {encendido, apagado} Evento Nulo No existe ningn elemento en el subconjunto. A = {0} SUCESOS Son los elementos ms bsicos de un espacio muestral o un evento. Se representan con las letras minsculas x, y, z. Ejemplo: : Sacar un cuatro en una baraja A = {4 corazn rojo, 4 corazn negro, 4 trbol, 4 brillos} Un suceso puede ser: x = {4 corazn negro} PROBABILIDAD Definicin La probabilidad de un evento es la razn entre el nmero de casos (sucesos) favorables y el nmero total de casos (sucesos) posibles, siempre que nada obligue a creer que algunos de estos sucesos debe tener preferencia a los dems, lo que hace que todos sean igualmente posibles. Para determinar la expresin matemtica se considera lo siguiente: El nmero total de sucesos posibles: N() El nmero de sucesos del evento A: N(A) La probabilidad del evento A: P[A] [ ]= ( ) = () 0 [ ]1 A = {encendido}

Corolarios:

1. La probabilidad de un evento A cualquiera est comprendido entre 0 y 1. 2. P[A] = 0, si A es un evento imposible. 3. P[A] = 1, si A es el evento seguro.

4. Puesto que todos los sucesos de = {1, 2, 2,..., n} son igualmente probables, se tiene que P[{i}] = 1/n, i = 1, 2, 3, , n. Y por lo tanto P[] = P[{i}] = 1 Ejemplo 1: Probabilidad de sacar un nmero par en un lanzamiento de un dado : Lanzamiento de un dado = {1, 2, 3, 4, 5, 6} A: sacar un nmero par A = {2, 4, 6} N(A) = 3 [ ]= ( ) 3 = () 6 1 2 N() = 6

Ejemplo 2: Se lanza una moneda tres veces. Calcular la probabilidad que ocurran a lo ms dos caras. : Lanzar una moneda tres veces = {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS} A: Ocurre a lo ms dos caras A = {SSS, SSC, SCS, CSS, CCS, SCS, SCC} N(A) = 7 ( ) 7 = () 8 7 8 N() = 8

[ ]=

[ ]=

[ ]=

Ejemplo 3: Se elige una carta aleatoriamente de una baraja de 52 cartas. Cul es la probabilidad que sea una carta negra? : Extraer una carta de 52 = {La baraja completa} A: Obtener una carta negra A = {13 corazn negro, 13 trbol} N(A) = 26 N() = 52

[ ]= No Probabilidad (Q)

[ ]=

( ) 26 = () 52 1 2

La no probabilidad se considera como el evento que no va a ocurrir en un experimento aleatorio. Matemticamente se considera como: Del ejemplo 3: Cul es la probabilidad de que no salga una carta negra [ ]= 1 [ ]= 1 2 1 2 [ ]=1 [ ]

Tendencia

Es la divisin entre la probabilidad para la no probabilidad. = [ ] [ ] [ ] [ ] [ ] [ ]

Tendencias Favorables y en Contra Tendencia Favorable

Tendencia En Contra

= =

Ejemplo: Que tendencia a favor existe que al lanzar un dado para que salga un nmero par : Lanzamiento de un dado = {1, 2, 3, 4, 5, 6} A: sacar un nmero par A = {2, 4, 6} N(A) = 3 [ ]= ( ) 3 = () 6 N() = 6

[ ]= 1 [ ]= 1 2

[ ]=

1 2

1 2 = [ ] [ ]

= 1: 1

OPERACIONES CON EVENTOS SUB EVENTOS Dados dos eventos A y B se dice que A est contenido en B o que A es sub evento de B, si todo seceso favorable A, es favorable a B; es decir si ocurre el evento A tambin ocurre el evento B. Simblicamente: ,
B A

Ejemplo: Un experimento consiste en lanzar una moneda hasta que ocurra cara y contar el nmero de lanzamientos de la moneda. En dicho experimento se define los eventos: A: Se necesita por lo menos 20 lanzamientos B: Se necesita ms de 5 lanzamientos : Lanzar una moneda hasta que ocurra cara y contar el nmero de lanzamientos de la moneda. = {1, 2, 3, 4, 5, 6,..} A: Se necesita por lo menos 20 lanzamientos A = {20, 21, 22, 23,..} B: Se necesita ms de 5 lanzamientos

B = {6, 7, 8, 9, 10,..} Se puede concluir que: EVENTOS IGUALES

A

Dos eventos A y B son iguales (A = B), si

A = B: { / A y B} Ejemplo: Un experimento consiste lanzar un dado hasta que salga seis y contar el nmero de lanzamientos. En dicho experimento se considera los siguientes eventos: A: Se necesita a lo ms 10 lanzamientos. B: Se necesita menos de 11 lanzamientos. : Lanzar un dado hasta que salga seis y contar el nmero de lanzamientos. = {1, 2, 3, 4, 5,..} A: Se necesita a lo ms 10 lanzamientos. A = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10} B: Se necesita menos de 11 lanzamientos. B = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10} Se puede concluir que: UNIN DE EVENTOS =

Dado dos eventos A y B, la unin de A con B ( ) genera un evento formado por los sucesos que pertenecen a A o a B o de ambos.
AUB

Ejemplo: Un experimento consiste en observar a los estudiantes que ingresan a un bar hasta que uno de ellos sea una persona conocida. En dicho experimento se define los siguientes eventos: A: Observar 10 estudiantes B: Observar ms de 12 estudiantes. : Observar a los estudiantes que ingresan a un bar hasta que uno de ellos sea una persona conocida. = {1, 2, 3, 4, 5,..} A: Observar 10 estudiantes A = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10} B: Observar ms de 12 estudiantes. B = {13, 14, 15, 16, 17,..} = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 13, 14, 15, 16, 17, . . }

={

B}

INTERSECCIN DE EVENTOS La interseccin de dos eventos A con B ( ) genera un evento formado por todos los sucesos favorables a A y a B, es decir ambos eventos ocurren A y B.
B A

Ejemplo: Un experimento consiste en lanzar una moneda hasta que ocurra cara y contar el nmero de lanzamientos de la moneda. En dicho experimento se define los eventos: A: Se necesita un nmero par de lanzamientos

={

B}

B: Se necesita ms de 10 lanzamientos : Lanzar una moneda hasta que ocurra cara y contar el nmero de lanzamientos de la moneda. = {1, 2, 3, 4, 5, 6,..} A: Se necesita un nmero par de lanzamientos A = {2, 4, 6, 8, 10,.} B: Se necesita ms de 10 lanzamientos B = {11, 12, 13, 14, 15,..} DIFERENCIA DE EVENTOS = {12, 14, 16, 18, }

La diferencia de dos eventos A B, es un nuevo evento formado por los sucesos favorables a A y que no son favorables a B.
A B

Del anterior ejemplo:

={

B}

= {11, 13, 15, 17, . }

= {2, 4, 6, 8, 10}

EVENTO COMPLEMENTO (A) Es un evento (A) que contiene todos los sucesos que no tiene o no posee el evento A.

A A

Ejemplo: Cual es el complemento del evento sacar un nmero par en el lanzamiento de un dado. : Lanzar un dado = {1, 2, 3, 4, 5, 6} A: Sacar un nmero par. A = {2, 4, 6} = {1, 3, 5} EVENTOS MUTUAMENTE EXCLUYENTES Dos eventos A y B definidos en el mismo espacio muestral, se dice que son mutuamente excluyentes si no pueden ocurrir juntos. Es decir la ocurrencia de uno excluye la ocurrencia del otro. Ejemplo: =0

={

= /

A}

Se lanza un dado dos veces. Sean los eventos A: La suma de los puntos obtenidos en los dos lanzamientos es 7 B: En los dos dados se obtiene el mismo nmero Son estos eventos mutuamente excluyentes. A: {(3,4); (4,3); (1,6); (6,1); (5,2); (2,5)} B: {(1,1); (2,2); (3,3); (4,4); (5,5); (6,6)} Respuesta: Los eventos son mutuamente excluyentes ya que =0

EVENTOS COLECTIVAMENTE EXHAUSTIVOS Un conjunto de eventos son colectivamente exhaustivos si la unin de ellos es igual al espacio muestral. 1 2 3 . =

Ejemplo: Sea el experimento contar el nmero de personas atendidas por un banco en un periodo de tiempo. En el cual se tiene los siguientes eventos A: Se han atendido a menos de 20 personas.

B: Se han atendido a exactamente 25 personas. C: Se han atendido exactamente 15 personas. Los eventos A, B, C son colectivamente pues la unin de ellos generan el espacio muestral.

LEYES DISTRIBUTIVAS DE LOS CONJUNTOS APLICABLES A EVENTOS

Dados los eventos A, B, C se tiene que: ( )=( )( ) LEYES DE MORGAN ( )=( )( ) ( ) = ( ) = PROPOSICIONES TILES EN OPERACIONES CON EVENTOS Proposiciones Por lo menos uno de los eventos A o B ocurren Ambos eventos A y B ocurren No ocurre A Ni A ni B ocurren Exactamente ocurre uno de los eventos No ms de los eventos A o B ocurren Si ocurre A tambin B A y B se excluyen mutuamente Evento A o evento B Evento A y evento B Interpretacin de Conjuntos )( )

( ) =0

Ejemplo: Dados los eventos A, B, C del espacio muestral . Expresar mediante operaciones entre conjuntos los eventos: a) Tan solo ocurre A. b) Si ocurre A, no ocurre B. c) Por lo menos uno de los eventos ocurren.

Solucin: a) Puede ocurrir A, y simultneamente no ocurre B y no ocurre C por lo cual el evento resultante es: b) Si no ocurre B entonces ocurre B, es decir que si ocurre A, tambin ocurre B, el evento es . c) Ocurrirn (A y B) o (A y C) o (B y C) o (A y B y C), pero ste ltimo est contenido en los tres primeros eventos. El resultado es: ( ) ( ) ( )

PRODUCTO CARTESIANO Dados los eventos A y B, se llama producto cartesiano de A con B, denotado A x B, al conjunto de pares ordenados cuyos primeros elementos pertenecen a A y cuyos segundos elementos pertenecen a B. Ejemplo: Se lanzan dos dados simultneamente y se observan los resultados. Se definen los eventos: A: Los resultados de los dados son iguales B: la suma del resultado de los dos dados es menor o igual a 3 Cul es el resultado de A x B. : Se lanzan dos dados simultneamente y observar los resultados. = 1 x 2 Experimentos simples: 1: Lanzar una dado y observar su resultado. 1 = {1, 2, 3, 4, 5, 6} 2: Lanzar una dado y observar su resultado. 2 = {1, 2, 3, 4, 5, 6} SEGUNDO DADO PRIMER DADO 1 2 3 4 5 (1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 5) (2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6) (3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6) (4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6) (5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6) 1 2 3 4 5 6 = {( 1, 2)/ 1 2 }

(6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)

Debido a que el espacio muestral resultando es un conjunto de pares ordenados se pude utilizar la simbologa de la teora de conjuntos para representarlo as: = {(x, y) / x, y = 1, 2, 3, 4, 5, 6} A: {(1,1); (2,2); (3,3); (4,4); (5,5); (6,6)} B: {(1,1); (1,2); (2,1)} = {( 1, 2)/ 1 TCNICAS DE CONTEO La tcnicas de conteo ayudan a determinar el nmero de elementos que tiene un espacio muestral o un evento y que son de utilidad en el momento de calcular una probabilidad. 1. MULTIPLICACIN Si un experimento aleatorio u operacin ( 1) ocurre de n1 formas y si para cada una de estas, un experimento u operacin (2) ocurre de n2 formas, entonces los dos experimentos juntos ocurren de n1 x n2 formas. En forma general: n = n1 x n2 x n3 x n4 x..x nk Ejemplo 1: Cuntos elementos tiene el espacio muestral del experimento aleatorio lanzar una moneda y un dado simultneamente? : Lanzar una moneda y un dado simultneamente Experimentos simples: 1: Lanzar una moneda. 1 = {Cara, Sello} 2: Lanzar una dado. 2 = {1, 2, 3, 4, 5, 6} N (2) = 6 ( )= ( )= ( ) ( ) N (1) = 2 2 }

ANLISIS COMBINATORIO

( )=

Ejemplo 2: Una persona puede viajar de una ciudad A a otra ciudad B de 5 formas y de B a C de 6 formas. De cuantas formas puede ir de A a C pasando por B?

: Ir de A hacia C pasando por B. 1: Ir de de A hacia B. 1 = {1, 2, 3, 4, 5} 2: Ir de B hacia C. 2 = {1, 2, 3, 4, 5, 6} N (2) = 6 ( )= ( )= ( ) ( ) N (1) = 5

Existen 30 formas de ir de A hacia C pasando por B. COROLARIO: Si es que el nmero de formas en que pueden ocurrir los experimentos simples es igual es decir: Se tiene que el total de formas que puede ocurrir un experimento compuesto por dichos experimentos simples es: Ejemplo3: Se lanza una moneda sucesivamente seis veces De cuantas formas ocurre? : Lanzar seis veces una moneda sucesivamente. 1: lanzar una moneda. 1 = {Cara, Sello} N (1) = 2 ( )= ( )= ( ) () = = 1= 2= 3==

( )=

( )=

Ocurre de 64 formas diferentes. 2. ADICIN Si un experimento aleatorio u operacin ( 1) ocurre de n1 formas y un experimento u operacin (2) ocurre de n2 formas, entonces el experimento aleatorio u operacin ( ), que consiste en realizar (1 o 2) no pueden ocurrir juntos ocurre de la siguiente forma: ( )= ( )+ ( )

Siempre y cuando los espacios muestras de los experimentos simples sean disjuntos. En forma general: ( )= ( )+ ( )+ + ( )

Ejemplo 1: Consideremos el experimento de lanzar una moneda o un dado. De cuntas formas ocurre? : lanzar un dado o una moneda. El experimento consiste de dos simple unidos por la O. 1: Lanzar una moneda y observar su resultado. 1 = {cara, sello} 2 = {1, 2, 3, 4, 5, 6} N (1) = 2 N (2) = 6 ( )= ( )= ( )+ + ( ) 2: Lanzar un dado y observar el nmero resultante.

Ejemplo 2: Una persona puede viajar de A hacia B por va area o por va terrestre y dispone de 5 lneas areas y 6 lneas terrestres. De cuantas formas puede hacer el viaje? : Formas de viajar de A hacia B. 1: Ir de de A hacia B en va area. 1 = {1, 2, 3, 4, 5} 2 = {1, 2, 3, 4, 5, 6} N (1) = 5 N (2) = 6 ( )= ( )+ ( ) 2: Ir de de A hacia B en va terrestre.

( )=

( )= ( )=

COROLARIO: Si A y B son conjuntos disjuntos se tiene que; En general si se tiene los eventos A1, A2, A3,, Ak = 3. PERMUTACIONES Nmero factorial Sea n un nmero entero positivo, el factorial de n se denota por ! y se define como el producto de todos los enteros consecutivos de 1 hasta n. Ejemplo 1: Cual es el nmero factorial de 3 3! = 3 x 2 x 1 = 6 Permutacin ( Una permutacin es un arreglo de todos o parte de los elementos sucesos de un conjunto espacio muestral o evento. Muchas veces para encontrar el nmero de sucesos que tiene un espacio muestral N() o un evento N(A) es necesario determinar todas las ordenaciones o arreglos. Ejemplo 1: Asumiendo que se tiene un conjunto A = {a, b, c}. Cul es el nmero de arreglos con los elementos de A: Respuesta: Arreglos: {abc, acb, bac, bca, cab, cba} = ! 6 arreglos. Por lo tanto una permutacin se puede calcular con un nmero factorial as: La anterior frmula se lee: Nmero de permutaciones de n objetos tomados de n en n y equivale al factorial de un nmero. En las permutaciones el orden de los elementos es importante. ) ( )+ ( ) ( )

( )=

Ejemplo2: Un inspector quiere revisar la forma como trabajan sus operarios en las 6 maquinas que posee, pero quiere caerles de sorpresa. De cuantas formas lo puede hacer? 6! = 6 x 5 x 4 x 3 x 2 x 1 = 720 Lo puede hacer de 720 formas. Ejemplo3: En una eleccin de candidatas para reina se tienen 10 chicas los jueces quieren determinar de cuantas formas se pueden ordenar en un fila sabiendo que 2 chicas no pueden estar juntas. 9! x 8 = 2903040 formas Ejemplo4: Se tienen 12 nios en un aula de clase la profesora quiere ponerle en una fila pero 4 nios siempre deben estar juntos. Nmero de formas = 4!x8!x9 4. VARIACIONES ( ) = !

Las variaciones es el nmero de permutaciones de n objetos diferentes tomados de r a r. = ! ( )!

Ejemplo 1: Un grupo est formado por 5 personas y desea formar una comisin integrado por presidente y secretario. De cuantas formas puede nombrarse esa comisin? 5! (5 2)!

Ejemplo 2: Encontrar el nmero total de enteros positivos que pueden formarse utilizando los dgitos {1, 2, 3, 4}, si ningn digito ha de repetirse cuando se forma un nmero. # # 4! 4! 4! 4! + + + (4 1)! (4 2)! (4 3)! (4 4)! = 4 + 12 + 24 + 24 =4 1+4 2+4 3+4 4

5 2 = 20

5 2=

= 64

5. PERMUTACIONES CIRCULARES (nPc) Son aquellas que se forman cuando se hace ordenamientos alrededor de un crculo. En ste tipo de agrupaciones no hay primero ni ltimo elemento. Para poder calcular una permutacin circular con n elementos se debe fijar uno y los (n-1) restantes pueden cambiar de lugar de ( 1)! formas diferentes tomando todas las posiciones sobre la circunferencia relativa al primer punto. Las permutaciones circulares se denotan por (nPc) = ( 1)! = ( 1)! 13 = 12!

Ejemplo 1: De cuantas maneras pudieron sentarse los apstoles en la ltima cena si la mesa fuera circular. 13 = (13 1)!

Ejemplo 2: Existen 8 personas en una familia y poseen un comedor circular, cuando se sientan a comer 2 de los integrantes no deben estar juntos por que pelean. De cuantas formas pueden sentarse en la mesa? # # # = (6 1)! 5 = 5! 5 =6 5

PERMUTACIONES CON REPETICIN

El nmero de permutaciones distintas de n objetos de los cuales n1 son de una clase, n2 de una segunda clase,, nk de una k-sima clase y todo los dems objetos de clase 1, se denota por: 1, 2, , = 1! n! 2!

Ejemplo 1: Un estante de una librera tiene capacidad para 10 libros de matemticas que tiene pasta verde, 8 de fsica de pasta roja y 7 de qumica de pasta azul. De cuantas maneras puede colocarse los libros segn los colores?

1, 2, ,

25 10,8,7 =

25 10,8,7 = 21034600

25! 10! 8! 7!

Ejemplo 2: Suponga que un da obscuro nacen en cierto hospital cuatro pares de mellizos, idnticos, dos pares de mellizas, idnticas, nueve nios y once nias. Se utiliza una tinta no indeleble para escribir sus nombres. El da siguiente (an obscuro) la tinta desaparece. De cuantas maneras es posible mezclar a los nios? 32 2,2,2,2,2,2 = 32! 2! 2! 2! 2! 2! 2! 32! 32 2,2,2,2,2,2 = (2!)

COMBINACIONES (

Las combinaciones son las ordenaciones de un subconjunto de r elementos de un conjunto que tiene n elementos diferentes. Y se llama combinaciones de los n elementos tomados de r en r. En las combinaciones el orden de los elementos no es importante. Si se tiene un conjunto formado por los elementos {a, b, c, d}. Cules sern las combinaciones que se pueden hacer tomando de una en una, de dos en dos, de tres en tres y de cuatro en cuatro. 1. De 1 en 1. {a}, {b}, {c}, {d} 2. De 2 en 2. {a, b}, {a, c}, {a, d}, {b, c}, {b, d}, {c, d} 3. De 3 en 3 {a, b, c}, {a, b, d}, {a, c, d}, {b, c, d} 4. De 4 en 4 {a, b, c, d} Por lo tanto la expresin que permite calcular el nmero de combinaciones es: = ! ! ( )!

Ejemplo 1: Se extraen dos cartas de una baraja de 52. De cuantas maneras se puede hacer esto?

Se necesita subconjuntos de dos cartas sin importar el orden por lo tanto se tiene lo siguiente: 52! 2! (52 2)! 52! 2! (50)!

52 2 =

Ejemplo 2: un estudiante tiene que contestar 8 de 10 preguntas en un examen. a) De cuantas maneras puede el estudiante escoger las 8 preguntas? b) Si las tres primeras preguntas son obligatorias. De cuantas maneras puede escoger las preguntas? c) Si tiene que contestar 4 de las 5 preguntas. De cuantas formas puede hacerlo? a) 10 8 =

52 2 = 1326

52 2 =

b)

10 8 = 45 7 5=

10 8 =

10! 8! (10 8)! 10! 8! 2!

c) si tiene que contestar 4 de las 5 primeras preguntas, lo hara , y las 4 preguntas restantes seleccionar de las 5 preguntas finales, lo cual lo hara de . Entonces las 8 preguntas se seleccionan de la siguiente forma. EJERCICIOS DE PROBABILIDADES = =

7 5 = 21

7 5=

7! 5! (7 5)! 7! 5! 2!

1. En una caja hay 20 bolas numeradas del 1 al 20, se extrae al azar una bola. cul es la probabilidad que el nmero de la bola extrada? a) No exceda de 20? b) Sea por lo menos 15?

: Extraer una bola de la caja. : {1, 2, 3, 4,, 20} N() = 20 a) A: El nmero de la bola extrada no exceda de 20 A: {1, 2, 3, 4,, 20} N(A) = 20 Ya que cualquier bola que se extraiga no supera 20. N(A) [ ]= N() 20 [ ]= 20 b) B: El nmero de bola extrada sea por lo menos 15. B: {15, 16, 17, 18, 19, 20} N(B) = 6 N(B) [ ]= N() 6 [ ]= 20 3 [ ]= 10 [ ]=1

2. En una compaa hay 6 varones y 4 damas que aspiran a ser miembros de un comit. Si se desea escoger 2 al azar escribiendo los nombres en hojas de papel y sacndoles de una urna. Cul es la probabilidad que los dos sean hombres? : Extraer 2 nombres de los diez. Como cada conjunto que se saca es de dos personas el espacio muestral se transforma en un problema de combinacin. : {(A, B); (A, C); (A, D);} N(A) = 6C2 N(A) N() 6C2 [ ]= 10C2 1 [ ]= 3 [ ]= N() = 10C2 A: Las dos personas elegidas son hombres

3. Un experimento aleatorio consiste en disponer los dgitos 2, 3, 4, 5, 6, 7, 8, 9 uno a continuacin del otro; calcular la probabilidad de: a) Que el 3 aparece junto al cuatro y en ese orden. b) El nmero formado sea par. : Disponer los dgitos uno a continuacin de otro. : {23456789, 24685379,} a) A: El tres aparece junto al cuatro y en ese orden A: {23456789, 34256978, 85967342,} N(A) = 7P7 = 7! Ya que el 3 y 4 deben estar juntos en ese orden como un solo nmero por lo cual solo bastara en permutar 7 nmeros. N(A) [ ]= N() 7! [ ]= 8! 1 [ ]= 8 N() = 8P8 = 8!

b) B: El nmero formado sea par. B: {34256978, 85967342,} N(B) = 7P7 = 4 x 7! Para que sea par debe terminar en 2, 4, 6, 8 por lo cual existen 4 formas de que termine el nmero en par y los dems nmeros pueden ordenarse en forma de permutaciones. N(B) N() 4 x 7! [ ]= 8! 1 [ ]= 2 [ ]=

4. En el consejo universitario cada una de las 17 facultadas est representada por el decano y Subdecano. Se nombra una comisin de 17 miembros elegidos al azar. Determine la probabilidad de que una determinada facultad est representada. : Nombrar una comisin de 17 miembros elegidos al azar. : {Arreglos formados por la combinacin de todos los representantes tomados de 17 en 17} N() = 34C17 A: Una determinada facultad est representada.

Significa que cada una de las facultas debe tener un representante. Para facilitar el clculo se puede encontrar el complemento del evento A y luego restar del espacio muestral as: A: Una facultad dada no est representada. A: {Arreglos formados por la combinacin de todos los representantes quitando una facultad tomados de 17 en 17} N(A) = 32C17 N(A) N() 32C17 [ ] = 34C17 8 [ ] = 33 [ ] = 8 33 25 [ ]= 33 [] [ ]

[ ]=

[ ]= 1

AXIOMAS DE PROBABILIDAD Y PROPIEDADES

Axioma 1: Para cada evento A definido en el espacio muestral se tiene que: La probabilidad del evento A est entre 0 y 1. 0 [ ]1 [ ]=1

Axioma 2: La probabilidad del espacio muestral es: Axioma 3: Para cualquier nmero finito k de eventos mutuamente excluyentes definidos en el espacio muestral se tiene que: = [ ]

De ste axioma si se tienen dos eventos A y B los cuales son mutuamente excluyentes definidos en el espacio muestral . Se tiene que:

Axioma 4: Si se tiene el evento imposible A definido en el espacio muestral se tiene que: Axioma 5: Para cada evento A definido en el espacio muestral se tiene que: [ ] = 1 [ ] O Axioma 6: Si se tiene los eventos A y B definidos en el espacio muestral tales que ATB se tiene que: [ ] = 1 [ ] [ ]=0

[ ]= [ ]+ [ ]

Axioma 7: Si se tiene los eventos A y B definido en el espacio muestral y si ellos se intersecan entre s, se tiene:

[ ] [ ]

[ ]= [ ]+ [ ] [ ] Axioma 8: Si A, B, C son tres eventos cualesquiera definidos en el espacio muestral y si ellos se intersecan entre s, se tiene:
A B

C ]= [ ]+ [ ]+ [ ] [ ] [ ] [ ] [

Ejemplo 1: La probabilidad de que llueve en Latacunga en Diciembre es 0.10, de que truene es 0.05 y que llueve y truene es de 0.03. Cul es la probabilidad de que llueve o truene ese da? Sean los eventos: A: Llueve en Latacunga en Diciembre B: Truene en Latacunga en Diciembre C: Llueve o truene en Latacunga en Diciembre Sean las probabilidades: P[A] = 0.10 P[B] = 0.05 =

[ ]= [ ]= [ ]+ [ ] [ ] [ ] = 0.10 + 0.05 0.03 [ ] = 0.12

[ ] = 0.03

Ejemplo 2: La probabilidad que la central de riesgos de la provincia de Tungurahua reciba a lo ms 5 llamadas telefnicas en un da es 0,20; y por lo menos 9 llamadas en un da es 0.50. Cul es la probabilidad que la central de riesgos reciba 6, 7 u 8 llamadas en un da? : La central de riesgos de Tungurahua recibe en un da una llamada telefnica. : {0, 1, 2, 3, 4, 5,...} Sean los eventos: A: La central de riesgos reciba a lo ms 5 llamadas. A: {0, 1, 2, 3, 4, 5} B: {9, 10, 11, 12, 13, 14,...} C: {6, 7, 8} Los eventos no tienen interseccin por lo cual se tiene: B: La central de riesgos reciba por lo menos 9 llamadas. C: La central de riesgos reciba 6, 7 u 8 llamadas [ ] = 0.5 [ ] = 0.2

1 = 0.2 + 0.5 + [ ] [ ] = 0.3

[] = [

Ejemplo 3: De un grupo de personas, el 30% practica ftbol y el 40% juega ajedrez. De los futbolistas el 50% juega ajedrez. Si se elige aleatoriamente una persona. Cul es la probabilidad? a) Practica slo uno de estos deportes? b) No practique ni futbol ni ajedrez? : Elegir aleatoriamente una persona de un grupo de personas. : {1, 2, 3, 4, 5,...n} Sean los eventos: A: La persona elegida es futbolista. B: La persona elegida juega ajedrez. a) Practica slo uno de estos deportes? C: La persona elegida practica solo uno de estos deportes.
A 15% 15% 25%

[ ] = 0.4 =( )( )

[ ] = 0.3

Los eventos (

[ ]= [

) son mutuamente excluyentes por lo cual se tiene: [ ] = 0.15 + 0.25 [ ] = 0.4 ]+ [ ]

b) No practique ni futbol ni ajedrez? Sea el evento:

D: la persona elegida no practica ni futbol ni ajedrez. [ ]= 1 [ ] [ ] = 1 0.55 [ ] = 0.45 [ ] = [( )]

= ( )

PROBABILIDAD CONDICIONAL La probabilidad condicional est determinada o condicionada a la ocurrencia de un evento dado que ya ocurri otro. Si se considera un evento A y un evento B definido en un espacio muestral . Se tiene que:

Si se quisiera determinar la ocurrencia del evento A dado que ya a ocurrido el evento B se tendra grficamente:

Es evidente que la probabilidad del evento A es diferente cuando ya a ocurrido un evento anterior definido en dicho espacio muestral. Si el evento B fue el que ya ocurri se tiene que el espacio muestral queda restringido a dicho evento, y es obvio pensar que el

complemento de B no ha ocurrido por lo cual se puede definir probabilidad del evento A dado que ya ocurri B. Y se denota por [ / ] cuya frmula matemtica es: [ / ]= [ ] [ ]

De esta frmula tambin se deriva la expresin: [ /] =

Ejemplo 1: Se considera el experimento lanzar un dado y observar su resultado en el cual se definen los eventos: A: Se observa un nmero impar B: Se observa un nmero mayor que 3. Determina la probabilidad de A dado que ya ocurri B: : Lanzar un dado y observar su resultado. : {1, 2, 3, 4, 5, 6} A: {1, 3, 5} B: {4, 5, 6} N() = 6 N(A) = 3 N(B) = 3
1 3 4 6 B

[ ] = [ ] []

A 5

[ ]=

1 [ / ]= 6 1 2 1 [ / ]= 3

1 6

=5

[ ]=

1 2

Ejemplo 2: En un estudio sociolgico sobre la fidelidad en el matrimonio se obtuvo el siguiente modelo probabilstico, calificando al hombre y a la mujer como fiel (F) o infiel (I).
MUJER HOMBRE F I F 0.22 0.31 I 0.24 0.23

Cul es la probabilidad condicional de que un esposo sea fiel, dado que su esposa es fiel? Se denotara por: Hombre fiel (HF) Mujer fiel (MF) [ / [ ]= / [ [ ] ]

]=

Axiomas Axioma 1: Axioma 2: 0 [ / ]1 [/ ] = 1

] = 0.415

0.22 0.22 + 0.31

Axioma 3: Para un conjunto de n eventos A1, A2, A3,..., An, mutuamente excluyentes se tiene: [ / ]= [ / ]

Axioma 4: Axioma 5:

[/ ] = 0

Axioma 6: Si ATB; Axioma 7:

[ / ] = 1 [ / ] = 1 [ / ]= [ / ]+ [ / ] [ / ] [ / ]< [ / ]

Ejemplo 1: En una universidad de 10000 estudiantes y 1000 profesores, el 10% de los profesores son zurdos y el 90% derechos, mientras que en los estudiantes ste porcentaje

es lo contrario. Se selecciona al azar un miembro de la Universidad y se encuentra que es derecho. Cul es la probabilidad que se haya selecciona un estudiante? : Seleccionar al azar un miembro de la universidad y observar si es derecho o izquierdo; : {1, 2, 3, 4, 5, 6,...,11000} D: El miembro seleccionado es derecho E: el miembro seleccionado es estudiante A calcular: [ / ]=
[ ] [ ]

N() = 11000

Tamaos: ( ) = 1000 ( ) = 1900 [ / ]=

REGLA DE LA MULTIPLICACIN

[ / ]=

La regla de la multiplicacin permite calcular la probabilidad de la interseccin de dos o ms eventos: Si se tiene dos eventos A y B y que no son mutuamente excluyentes se puede establecer que: La probabilidad de que ocurra A y B es igual a la probabilidad de la ocurrencia de uno de ellos multiplicado por la probabilidad condicional que ocurra el segundo, dado que el primero ha ocurrido. [ ] = [ ]. [ / ] Ejemplo: Una urna contiene 5 bolas blancas y 6 negras; se extrae al azar sucesivamente y sin reposicin, cul es la probabilidad que las dos resultan blancas? Se considera los eventos: A1: La primera bola result blanca A2: La segunda bola resulto blanca E: Las dos bolas resultan blancas La probabilidad buscada es del evento : 1 2, es decir es la interseccin de los dos eventos. [ ] = [ 1 2] = [ 1]. [ 2/ 1] [ ] = [ ]. [ / ]

10 19

En la urna existe 11 bolas de las cuales 5 son blancas, por lo cual: [ 1] =

Despus de la ocurrencia del evento A1, queda 10 bolas de las cuales 4 son blancas, luego [ 2/ 1] = [ ]= 5 4 11 10 2 [ ]= 11

Por lo tanto

EVENTOS INDEPENDIENTES Y DEPENDIENTES

Dados dos eventos A y B se dicen que son independientes si la probabilidad de ocurrencia de uno de ellos no afecta para nada la probabilidad de ocurrencia del otro, caso contrario son dependientes [ ] = [ ]. [ / ] Eventos Dependientes [ ] = [ ]. [ ] Eventos Independientes Ejemplo 1: Sean los eventos A1 y A2 cara en el quinto lanzamiento y cara en el sexto lanzamiento de una moneda, respectivamente. Determine la probabilidad de que salga cara en ambos intentos [ 1 2] = [ 1]. [ 2] Ya que son independientes [ 1 2] = . =
PROBABILIDAD COMPLETA Y TEOREMA DE BAYES Antes de definir lo que se es una probabilidad completa o el teorema de Bayes hay que definir ciertos parmetros muy importantes para poder comprender lo antes mencionado as:

PARTICIN DE UN ESPACIO MUESTRAL Se dice que la coleccin de eventos B1, B2, B3,..., Bk del espacio muestral representan una particin del espacio muestral si cumplen las siguientes condiciones:

a) Los eventos B1, B2, B3,..., Bk son mutuamente excluyentes. b) Los eventos B1, B2, B3,..., Bk son colectivamente exhaustivos. =

c) La probabilidad de cada uno de los eventos es mayor que cero. [ ]>0 B4 Bk

B1

B2

B3

PROBABILIDAD TOTAL Sean los eventos B1, B2, B3,..., Bk que forman una particin del espacio muestral entonces para cualquier evento A definido en el mismo espacio muestral se cumple: B1 A B2 B3 B4 Bk

[ ]=

[ ] [ /

] = [ 1] [ / 1] + [ 2] [ / 2] + + [

] [ /

Corolario: Si B es un evento en tal que 0 < [ ] < 1, entonces para cualquier evento A en se tiene que: [ ] = [ ] [ / ] + [ ] [ / ] Ejemplo: En un laboratorio hay tres jaulas. En la jaula I hay 2 ratas negras y 3 blancas, la jaula II tiene 4 ratas negras y 2 blancas y la jaula III contiene 5 negras y 5 blancas. Se selecciona al azar una jaula y se saca una rata de esa jaula. Cul es la probabilidad que la rata sea blanca? Solucin: : Sacar una rata de una jaula elegida al azar de tres existentes. : {11 ratas negras, 10 ratas blancas} Se definen los eventos; I: La jaula I es seleccionada. II: La jaula II es seleccionada. III: La jaula III es seleccionada. A: La rata escogida es blanca

[ ]= [ ] [ / ]+ [ ] [ / ]+ [ 1 3 1 2 1 5 [ ]= . + . + . 3 5 3 6 3 10 [ ]= 43 90

] [ /

TEOREMA DE BAYES El teorema de Bayes se puede considerar como una operacin inversa al de la probabilidad total. Sean los eventos B1, B2, B3,..., Bk que forman una particin del espacio muestral y el evento A definido tambin en se tiene que:

/ ]=

] [ / ] [ ] [ / ]

Corolario: Si A y B son eventos en tales que P[A] > 0 y 0 < P[B] <1 entonces: [ / ]= [ ] [ / ] [ ] [ / ] + [ ] [ / ]

Ejemplo: Del problema anterior suponer que la rata escogida fue blanca. Cul es la probabilidad que venga de la primera jaula? [ ] [ / ] [ ]

[ / ]=

1 3 [ / ]= 3 5 43 90 [ / ]= 18 43

VARIABLES ALEATORIAS
Cuando se calcula probabilidades muchas veces los elementos de los espacios muestrales son abstractos por ejemplo en el lanzamiento de una moneda sus elementos son: cara, sello y por ello muchas veces tambin es difcil escribir el asociado a un experimento aleatorio cuando sus elementos no son nmeros, sobre todo cuando se trata de experimentos que definen espacios muestrales discretos infinitos y continuos. Cuando se maneja variables aleatorias se introduce el concepto de funcin de la misma forma que se trata en lgebra; as se denomina la funcin de probabilidad P cuyo dominio es () y rango el intervalo de nmeros reales [0, 1] se tiene que: P: () [0, 1]

Pero cuando los elementos son abstractos no se puede aplicar un clculo matemtico, por lo cual es conveniente que el dominio de la funcin P sea tambin un conjunto de los nmeros reales para esto se debe asignar un valor numrico , a lo que se denomina cuantificar los sucesos. Ejemplo: Considere el experimento aleatorio lanzar una moneda tres veces, y en l se define el evento nmero de caras obtenidas. Determine una funcin que permita asignar valores a los sucesos de dicho evento. : Lanzar una moneda tres veces

: {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS} A: {CCC, CCS, CSS, SSS} Debido a que el evento slo pide el nmero de caras los sucesos CCS, CSC, SCC son iguales as como tambin los sucesos, CSS, SCS, SSC. Se puede definir la funcin: X(CCC) = 3 X(CCS) = X(CSC) = X(SCC) = 2 X (CSS) = X(SCS) = X(SSC) = 1 X(SSS) = 0 Es decir, la funcin X en definida por X() = nmero de caras obtenidas al lanzar una moneda tres veces es una funcin a valores reales, que tiene como dominio el espacio muestral y el subconjunto de nmeros reales, = { / = 0, 1, 2, 3} como rango X: {0, 1, 2, 3}

En el ejemplo se podra determinar la probabilidad correspondiente a que salga tres caras, dos caras, una cara y cero caras, observado que son eventos independientes los lanzamientos de las monedas as: [{3}] = [ ]= 1 8

[{2}] = [

[{1}] = [

]= [

Definicin variable aleatoria.- Se llama variable aleatoria a cualquier funcin definida en un espacio muestral y con rango o recorrido en un subconjunto finito o infinito de los nmeros reales, el cual asigna un nico valor de .

[{0}] = [

]= [

]=

]= [ 1 8

]= [

]=

]=

3 8

3 8

El dominio de la variable aleatoria X es (conjunto de partida) y el rango o recorrido es un subconjunto de los reales que se va a denotar como (conjunto de LLEGADA). Notacin: ={ / ( )= , } = ()

Ejemplo: Sea X una variable aleatoria que se considera como el beneficio de un jugador, en un juego en el que se tira un dado y el jugador gana 100 dlares, si sale los nmeros 1 o 3, no gana ni pierde si sale los nmeros 2 o 5, pierde 100 dlares si sale 4 o 6. Cul es su recorrido El dominio de X es: : {1, 2, 3, 4, 5, 6} es decir las posibilidades del dado. N() = 6

Los valores que toma la funcin en su recorrido que tambin se les puede llamar imgenes son segn el enunciado: X(1) = X(3) = 100 $; X(2) = X(5) = 0; X(4) = X(6) = -100 $ Por lo cual l recorrido es: = {100, 0, 100} Clculo de probabilidades en el recorrido de una funcin Cada elemento del rango Rx de la variable aleatoria X tiene una probabilidad que han sido inducidas por las probabilidades asignadas a los posibles resultados del espacio muestral a travs de la funcin X, lo cual implica que se puede utilizar la teora de probabilidades para calcular probabilidades en Rx. Al igual que se habla de eventos como subconjuntos del espacio muestral, a travs de la variable aleatoria tambin se puede hablar de eventos como subconjuntos de Rx, con la siguiente notacin: [X() = x] o [X = x] que se lee: la variable aleatoria toma el valor de x P[X = x] se lee: La probabilidad que la variable aleatoria tome el valor de x

Ejemplo: Del problema anterior cul es la probabilidad que la persona que juega gane 100 dlares. Para que gane 100 dlares la persona, el dado lanzado debe salir 1 o 3 [ = 100$] = [ ] Donde: Se definen los eventos A: Sale 1 en el lanzamiento del dado N(A) = 1 B: Sale 3 en el lanzamiento del dado N(B) = 1

Los eventos no tienen interseccin.

[ = 100$] = [ ] + [ ] [ = 100$] = 1/6 + 1/6

EVENTOS EQUIVALENTES

[ = 100$] =

2 1 = 6 3

Sea un espacio muestral asociado a un experimento aleatorio , y X una variable aleatoria con rango Rx definida sobre . Un evento A en y un evento Ex en Rx son equivalentes si: ={ ( ) }

Simplemente, si A es un evento en que consiste de todos los resultados posibles para el cual ( ) , entonces A y son equivalentes

Si A es un evento en tal que = { ( ) = } su evento equivalente en Rx es = { }, lo cual se denota por [X = a], es decir el evento [X = a] es el conjunto de puntos en el espacio que son aplicados en el nmero real a por la funcin X. Ejemplo: En el experimento aleatorio lanzar una moneda tres veces, y X() = nmero de caras obtenidas. Sea Y sea ={ ( ) = 2} su evento equivalente es {CCS, CSC, SCC} o [X = 2] ={

= {1, 0} se tendra que A = {CSS, SCS, SSC, SSS} o

( ) = 1, 0} o [X = 1 o 0]

En forma general se tiene que: ={ ={ ( ) = } , se denota por [X = a, b]

< ( ) < }, se denota por [a < X < b] un evento en el rango como: de la

Definicin.- Si A es un evento en el espacio muestral y variable aleatoria X, entonces definimos la probabilidad [ ] = [ ], ={ ( ) }

VARIABLES ALEATORIAS DISCRETAS

Definicin.- Una variable aleatoria X se dice que es discreta si su rango RX es un conjunto finito o infinito numerable as: = { 1, 2, 3, }

Ejemplo: suponiendo que el nmero de das de trabajo de un ao en particular es 280 y los records de los empleados se marcan cada da cada da que ellos se ausentan. Se selecciona aleatoriamente un record y se observa los das marcados. Cul es el rango de la variable aleatoria. Respuesta La variable aleatoria se define como el nmero de das ausentes del trabajo, por lo cual: = {0, 1, 2, , 280}

La variable aleatoria es discreta con un nmero finito de posibles valores.

FUNCIN O LEY DE PROBABILIDAD Definicin.- Sea X una variable aleatoria discreta con rango ( )= [ = ]= Donde la suma es sobre los sucesos condiciones: { . Una funcin definida por [{ }] y satisface las siguientes

tal que ( ) = ( )>0

/ ( )= }

( )=

[ = ]=1

A esta sta ltima expresin se la conoce como funcin o ley de probabilidad.

Distribucin de probabilidad La coleccin de pares ordenados [(x, ( ) ), ] se llama distribucin de probabilidad.

Nota: si

La distribucin de probabilidad se representa en tablas o grficamente:

, [X = x] es un evento imposible, por lo tanto

( ) = [ = ] = 0.

Representacin tabular de la distribucin de probabilidad x ( )= [ = ] x1 ( 1) x2 ( 2) x3 ( 3) . . . . . .

Representacin grfica de la distribucin de probabilidad

Para cualquier evento definido en RX como puede ser A, B, C o ya el conocido EX , se lo puede definir como sigue: [ ]= ( )= [ = ]

Ejemplo: En el lanzamiento de una moneda tres veces considere la variable aleatoria que define el nmero de caras menos el nmero de sellos. Compruebe la ley de probabilidad y halle la distribucin de probabilidad den forma tabular y grfica. : Lanzar una moneda tres veces : {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS} X() = #caras - #sellos Por lo tanto su recorrido ser: = {3, 1, 1, 3}

(1) = [ = 1] = [

(1) = [ = 1] = [

(3) = [ = 3] = [ ] + [

(3) = [ = 3] = [

] + [

] + [

]=

1 8

] + [ ]= 1 8

] =

] =

3 8

3 8

Representacin tabular x ( )= [ = ] Representacin grfica -3 1/8 -1 3/8 1 3/8 3 1/8

FUNCIN DE DISTRIBUCIN DE UNA VARIABLE ALEATORIA DISCRETA La funcin de distribucin o distribucin acumulativa es un concepto muy importante dentro del estudio de las variables aleatorias. Y se les considera s a eventos que tienen la forma: [ ] [ ]

Definicin.- Sea X una variable aleatoria discreta con rango = { 1, 2, 3, } y funcin de probabilidad, ( ) = [ = ] , sea x un nmero real cualquiera, la Funcin de Distribucin de X se denota por F(x) y se define como:

( )= [ ]=

( )=

[ =

Del ejemplo anterior se determino la distribucin de probabilidad como: x ( )= [ = ] Determine: F(-3), F(-1), F(1), F(3). -3 1/8 -1 3/8 1 3/8 3 1/8

Si x < -3, se tiene que:

( )= [ ]= Si x = -3, (3) = [ 3] = Si x [3, 1 >

( )=0 1 8

( ) = (3) = 1 8

( )= [ ]=

( ) = (3) =

Si x = -1 (1) = [ 1] = Si x [1, 1 > ( ) = (3) +

(1) =

1 3 4 + = 8 8 8

( )= [ ]= Si x = 1 (1) = [ 1] = Si x [1, 3 >

( ) = (3) +

(1) =

4 8 4 3 7 + = 8 8 8 7 8 7 1 + =1 8 8

( ) = (3) +

(1) +

(1) =

( )= [ ]=

( ) = (3) +

(1) +

(1) =

Si x = 3 (3) = [ 1] = Si x > 3 ( )= [ ]= ( ) = (3) + (1) + (1) + ( ) = (3) + (1) + (1) + (3) =

(3) = 1

0, si x < -3 1/8, si -3 x < -1 F(x) = 4/8, si -1 x < 1 7/8, si 1 x < 3 1, si x 3

x ( )= [ = ] F(x)

-3 1/8 1/8

-1 3/8 4/8

1 3/8 7/8

3 1/8 1

Propiedades de la funcin de distribucin Se usa la siguiente notacin: () lim ( )

()

lim

( )

PROPIEDAD 1: 0 ( ) 1 para todo ( ) , pues F(x) es una probabilidad para cualquier (x) real y las propiedades estn limitadas por 0 y 1. PROPIEDAD 2: F(x) es una funcin no decreciente. Sean x1, x2 ( ) tales que x1 x2, entonces se tiene

En funcin de las probabilidades se tiene:

{ / 1} { / 2} [ 1] = ( 2)

( 1) = [ 1] PROPIEDAD 3: () = [{ /

() = [{ /

{ / < } es el conjunto de todos los nmeros reales. < }] = [ < ] = 0,

< }] = [ < ] = 1,

{ / < } es el conjunto nulo PROPIEDAD 4: Sea , , si x es tal que < , entonces F(x) = F(xk)

Es decir, la funcin F(x) es constante e igual a F(xk) para todo [ , ). Esto implica, que si X es una variable discreta, F(x) es una funcin escalonada y la altura de un escaln en ( ) es igual a la P[X = xk] De esta propiedad se deriva que: a) La funcin de distribucin da directamente P[X a] = F(a) b) P[X a] = 1 - P[X < a] = 1 F(a 1), Si a es entero = 1 F([a]), si a no es entero. c) La funcin de distribucin F(x) se puede usar para determinar probabilidades de cualquier clase con relacin a X; en particular consideremos el evento. ( < < ), , <

Se considera los siguientes eventos: A = { / X() a } = (X a)

B = { / a < X() b } = ( a < X b) Desde que a y b son dos nmeros reales cualesquiera tales, que a < b, entonces es claro que = 0. Luego, [ ] = [ ] + [ ] Pero, Por lo tanto: =( , , < )=( ) ]

[ ]= [ ]+ [ < De donde Tambin se puede calcular [ [ ( )= ( )+ [ < [ < ]

]= ( ) ( ) < ],

Desde que los eventos (X = a) y ( <

]= [ =

) son excluyentes, se tiene que:

Suponiendo que se desee calcular [ < [ < [ <

]= ( )

( )+ [ =

< ]= [ <

< ] se tiene que:

< ] [ = ]

< ]= ( ) ( ) [ = ]