1

ESTADISTICA I
INTRODUCCION
CONCEPTOS BASICOS Cuando se habla de Estadstica, se suele pensar en conjuntos de datos nmericos presentados de forma ordenada y sistemtica. Esta idea hace referencia a la acepcin popular que existe sobre el trmino y que cada vez est ms extendida. La Estadstica es la ciencia que estudia cmo debe emplearse la informacin y pretende dar una gua de accin en situaciones prcticas que entraan incertidumbre. Con el fin de ver de una manera ms especfica la forma conque trabaja esta ciencia, introduciremos los siguientes conceptos: POBLACIN Es un conjunto de elementos de naturaleza cualquiera de los cuales estamos interesados en estudiar al menos una caracterstica comn y observable de dichos elementos en un determinado lugar y en un momento dado. Observacin: La poblacin en estudios debe estar definida sin ambigedad de manera que no de lugar a confusiones. Los elementos consideramos que se encuentran localizados en un determinado lugar o regin geogrfica y en un periodo de tiempo dado. EJEMPLO El conjunto de todos los estudiantes matriculados en el RUCFA en el presente ao. Elementos: estudiantes. Caractersticas : sexo, N asignaturas que lleva, estatura, edad, ao que lleva, turno,procedencia,etc. VARIABLES Utilizaremos variables como X, Y, Z, etc. para representar las caractersticas de los elementos Existen bsicamente 2 tipos de variables: Variables cualitativas: Son las que producen respuestas categricas. ( atributos o modalidades ) Variables cuantitativas : Son las que producen respuestas numricas. (valores) Si X representa la edad entonces X es cuantitativa. Si Y representa el sexo entonces Y es cualitativa. Las variables cuantitativas pueden considerarse como variables discretas y variables contnuas. Variables discretas: Son aquellas cuyos valores posibles tienen interrupcin ( esto es, se separan sin haber valores intermedios ) Por lo general provienen de un proceso de conteo. Si Z representa el nmero de asignaturas que lleva entonces Z es discreta. Variables contnuas: Son aquellas cuyos valores posibles no tienen interrupcin. Por lo general provienen de un proceso de medicin. Si X representa la estatura entonces X es contnua.

DATOS ESTADISTICOS Loa valores posibles de una caracterstica X los denotaremos por x , mientras que los valores realmente observados de esa caracterstica X , los llamaremos datos y los denotaremos por xi donde el valor del subndice i nos indica que es la i-sima observacin de X. Con frecuencia usaremos el trmino poblacin para referirnos a la totalidad de datos que podran recopilarse en una situacin dada. x1 , x2 , , xN PARAMETROS Es una medida que proviene de todos los datos de la poblacin. Los parmetros son constantes que representan por lo general caractersticas de la poblacin. Generalmente se representan por letras griegas. Por ejemplo, la media poblacional es un parmetro que se denota y define como x + x 2 + ... + x N = 1 = N

x
.

Si X representa la edad entonces representa la edad promedio MUESTRA Es una parte de la poblacin que se espera sea representativa de ella. Con frecuencia usaremos el trmino muestra para referirnos a los datos muestrales x1 , x2 , , xn Poblacin tamao N X x1 x2 . . xN

muestra tamao n x1, x2,.xn datos muestrales

ESTIMACION DE UN PARAMETRO Es una medida que proviene de los datos muestrales. Las estimaciones varan de una muestra a otra y representan caractersticas de las muestras. Por ejemplo, la media muestral de un conjunto de datos x1 , x2 , , xn se denota y define como x + x 2 + ... + x n = x= 1 n

x
.

Si X representa la edad entonces x representa la edad promedio y se considera una estimacin o estimado de .

MUESTREO Y CENSO Como el fin de la Estadstica es llegar a conocer un parmetro esto podemos lograrlo haciendo: Un muestreo: un examen sobre una parte de la poblacin. Un Censo: un examen sobre toda la poblacin. QUE ES LA ESTADISTICA ? La Estadstica estudia los mtodos y procedimientos para recopilar, organizar, presentar y analizar datos, siempre y cuando la variabilidad e incertidumbre sea una causa intrnsica de los mismos; as como de realizar inferencias a partir de ellos, con la finalidad de ayudar a la toma de decisiones y en su caso formular predicciones. DIVISION DE LA ESTADISTICA ESTADSTICA DESCRIPTIVA Es la parte de la estadstica que estudia los mtodos de recopilacin, organizacin, presentacin y caracterizacin o anlisis de un conjunto de datos. ESTADSTICA INFERENCIAL Estudia los mtodos que hacen posible la estimacin de un parmetro en base a datos muestrales. APLICACIONES DE LA ESTADISTICA A LA ECONOMIA, LA ADMINISTRACION DE EMPRESA Y LA CONTABILIDAD. Mostraremos como las tcnicas estadsticas pueden servir al economista, al administrador de empresa y al contador para obtener un conocimiento amplio sobre su realidad econmica y social. Es obvio que toda persona que se dedique al mundo de los negocios, industria, empresa, comercio, etc., necesita informacin sobre las caractersticas del ambiente en que realiza su actividad. Cualquier informacin cualitativa o cuantitativa debidamente tratada, puede servir para el conocimiento, desarrollo y control de los principales subsistemas funcionales de la empresa. Si analizamos algunos de estos subsistemas es posible encontrar ejemplos en los que la Estadstica puede constituir un autntico elemento de ayuda.

Recursos humanos
Para la seleccin del personal los empresarios suelen usar cada vez con ms frecuencia resultados obtenidos en tests de aptitudes y conocimientos deseables en la persona a contratar. Las tcnicas descriptivas son intrumentos adecuados para el tratamiento de las puntuaciones nmericas alcanzadas en dichos tests.

Auditoria
Uno de los nuevos instrumentos de que disponen los auditores de hoy, es el empleo de mtodos de muestreo, a fin de reducir la cantidad de revisin detallada que se necesita. Suponga que una empresa tiene una cantidad muy grande de cuentas por cobrar. Un auditor puede utilizar algn mtodo de muestreo estadstico para seleccionar una muestra de cuentas y a partir de ella estimar el saldo total de las cuentas. Si la cantidad que aparece en los libros de la empresa no cae dentro de los lmites de la estimacin, el auditor puede considerar la posibilidad de hacer un asiento de ajuste al valor en libros.

Marketing
Los estudios de mercado dirigidos al conocimiento de la demanda de productos, productos competidores, efectos de campaas publicitarias, etc., se llevan a cabo con regularidad en la empresa. Antes de sacar un producto al mercado se suele realizar una investigacin al respecto mediante muestreo con objeto de obtener alguna informacin. Las tcnicas estadsticas permiten en estas situaciones inferir valores de parmetros a partir de la informacin muestral. Por supuesto, a partir de una muestra no se puede conocer con exactitud y precisin las caractersticas de toda la poblacin, siempre habr un grado de incertidumbre sobre el verdadero valor del parmetro, el cual puede ser cuantificado en trminos de probabilidad.

Produccin
En el proceso de fabricacin de un producto intervienen innumerables factores (materias primas, maquinarias, obreros, etc.) que afectan a las caractersticas de calidad de ese producto. En muchas fbricas es corriente ver cmo los productos llegan a una banda transportadora en cuyo final hay una mquina empacadora que los enva al almacen. Entre la banda transportadora y la mquina de empacar suele haber un operario que observa atentamente los productos que llegan y ocacionalmente arroja alguno a un cesto cercano. Est eliminando productos defectuosos. Hoy da el control de calidad de la produccin es bsico para que los artculos producidos cumplan los requisitos de calidad establecidos por las normas tanto nacionales como internacionales. Los mtodos estadsticos son una herramienta eficaz en esta rea para mejorar los procesos de produccin y reducir sus defectos.

Finanzas
Resulta evidente que cualquier profesional de la empresa o los negocios debe adquirir una formacin bsica en estadstica en un proceso de aprendizaje, que le permita moverse con soltura en el mundo que le rodea. Si ha de tomar decisiones en un entorno de fluctuaciones y riesgos, no bastar con entender la terminologa estadstica, necesitar conocerla lo suficiente como para aplicarla y hacer de ella una herramienta eficaz en el ejercicio de su actividad. Las decisiones de una empresa de invertir en nuevos productos, locales, maquinarias, etc.,vendrn condicionadas por los beneficios esperados del dinero. Para ello son de gran utilidad las tcnicas de prediccin, que constituyen una autntica necesidad en el mundo de los negocios.

TEMA 1 :
OBJETIVOS.

ESTADISTICA DESCRIPTIVA

1. Conocer procedimientos para organizar datos en una distribucin de frecuencias. 2. Construir e interpretar tablas y grficas estadsticas. 3. Calcular e interpretar medidas de posicin, dispersin, asimtria y apuntamiento de datos. 1.1 INTRODUCCION Este tema pretende introducir al estudiante en el manejo de datos numricos, ensearle a organizar y presentar datos obtenidos de un estudio mediante la construccin de tablas y grficas estadsticas. Tambin ser de vital importancia poder condensar la informacin en medidas que la representen en forma clara, por tal razn, trataremos de encontrar valores para esas medidas (estadsticos o parmetros ) que logren sintetizar la informacin. Estas medidas expresarn la posicin, dispersin, asimetra y forma de los datos. 1.2 RECOPILACIN DE DATOS Consiste en la utilizacin adecuada de tcnicas que permitan recoger la informacin de la manera ms eficiente. Los datos pueden ser recopilados de: a) Registros internos b) Publicaciones c) Encuestas Cuando a) y b) no son apropiados para el estudio que estamos haciendo utilizamos la encuesta, esto es, un instrumento que nos permite recopilar la informacin necesaria. La encuesta est limitada por factores: tiempo,dinero,recursos materiales y humanos disponibles. Se puede llevar a cabo por dos formas: a) Por muestreo b) Por censo. 1.3 ORGANIZACIN (RESUMEN) DE LOS DATOS Aqu la informacin se resume con el fin de facilitar su presentacin y anlisis posterior. 1.3.1 DATOS AGRUPADOS EN CLASES Introduciremos primero algunos conceptos: Un intervalo de clase o simplemente clase se denota y define como: Li ---- Ls : Ms de Li hasta Ls donde Li el lmite inferior y Ls es el lmite superior de la clase. Una clase de extremo abierto es la que no especifica uno de sus lmites y la denotaremos as: Hasta Ls Ms de Li

Amplitud o tamao de un intervalo de clase c = Ls Li Punto medio de un intervalo de clase o marca de clase j

mj =

Li + Ls 2

j = 1, 2, ....., g

EJEMPLO 1.1 Los siguientes datos corresponden a consumos mensuales registrados (en cienes de crdobas) en 30 familias del barrio Costa Rica.

Tabla 1.1 Datos originales de los consumos mensuales 24 21 25 16 17 14 26 13 29 31 20 20 17 30 26 25 24 15 17 19 27 23 22 21 23 21 22 19 18 23

Fuente: Encuesta realizada por INEC Organice los datos recopilados anteriormente en 5 clases 1. Ordenar los datos 13 20 24 2. 14 20 24 15 21 25 16 21 25 17 21 26 17 22 26 17 22 27 18 23 29 19 23 30 19 23 31

Determinar el rango R = xmayor xmenor = Dato mayor - Dato menor R = 31 - 13 = 18

3.

Determinar N clases '' g '' y tamao de clase ''c''. R Si g es dado , c > pero cercano a g 18 c> = 3.6 tomar C = 4 5
Escribir las clases.

4.

El lmite inferior de la primera clase debe ser un nmero menor y cercano al dato menor. El lmite superior de la ltima clase debe ser mayor o igual, pero cercano, al dato mayor.

Tabla 1.2 Organizacin de los datos de la tabla 1.1 del ejemplo 1.1 N familias 12 16 20 24 28 ------------------------------16 20 24 28 32 4 8 10 5 3 30 5. Contar los datos
Ls ltima clase = Li primera clase + gc

Ls ltima clase = 12 + 5 ( 4 ) = 32

1.4 PRESENTACION DE DATOS Una vez organizados los datos debemos presentarlos de una forma fcil de entender, esto es que podamos percibir fcilmente los hechos esenciales de la informacin. Los datos sern presentados en una tabla que contendr bsicamente : un ttulo, un cuerpo y una fuente. Tambin presentaremos los datos por grficas, en las cuales tomaremos en el eje horizontal la caracterstica de inters x y en el eje vertical las frecuencias. Debemos tener cuidado en la seleccin de las unidades en los ejes: Regla de los 3/4 La altura del punto correspondiente a la mayor frecuencia debe ser aproximadamente igual a los 3/4 del eje horizontal. 1.4.1 DATOS CUANTITATIVOS Cuando la caracterstica de inters de los elementos sea una variable cuantitativa, se obtendrn de ella lo que llamaremos datos cuantitativos, que pueden ser presentados en tablas o grficas. 1.4.1.1 DATOS REPETIDOS Cuando los datos estn muy repetidos es til contar el nmero de veces que se repite cada dato. Supongamos que fi representa la frecuencia conque se presenta el dato xi de una variable de inters X. Podemos presentar este conjunto de datos en lo que llamaremos una distribucin de frecuencias de X, mediante una tabla o una grfica. TABLA DE FRECUENCIAS DE UNA VARIABLE DISCRETA EJEMPLO 1.2 Supongamos que los siguientes datos representan nmero de das de atraso en el pago de 10 cuentas de crdito. 1, 2, 1, 0, 2, 1, 2, 3, 0, 2

Si X representa el nmero de das de atraso en el pago de las cuentas, podemos presentar esta informacin en la siguiente tabla: Tabla 1.3 Ttulo: Distribucin de frecuencias del nmero de das de atraso en el pago de 10 cuentas de crdito. xi fi N das N cuentas
0 1 2 3 2 3 4 1

10 Fuente: BANPRO
GRAFICO DE FRECUENCIAS DE UNA VARIABLE DISCRETA EJEMPLO 1.3 Con los datos de la tabla 1.3 del ejemplo 1.2 obtenemos la siguiente figura.

f 5 4 3 2 1 0 -1 0 1 2 3 4

X
Figura 1.1 Distribucin de frecuencias del nmero de dias de atraso en el pago de 10 cuentas de crdito.
1.4.1.2 DATOS AGRUPADOS EN CLASES Para presentar datos agrupados en clases necesitaremos introducir los siguientes conceptos:

fj : frecuencia ( absoluta ) de la clase j. Nmero de datos en la clase j faj : frecuencia acumulada hasta la clase j. Nmero de datos cuyos valores son inferiors o iguales al lmite superior de la clase j . faj = f1 + f2 + + fj

frj : frecuencia relativa de la clase j. frj = fj n

Proporcin de datos que corresponde a la clase j .

j=1,2,,g Proporcin de datos cuyos valores son

fraj : frecuencia relativa acumulada hasta la clase j. inferiores o iguales al lmite superior de la clase j . fa j fra j = j=1,2,,g n

Cuando los datos estn agrupados en clases diremos que forman una distribucin de frecuencias , la cual, puede ser presentada por una tabla estadstica o una grfica estadstica.
TABLA DE FRECUENCIAS ( ABSOLUTAS, RELATIVAS, ACUMULADAS, RELATIVAS ACUMULADAS ) EJEMPLO 1.4 Con los datos de la tabla 1.2 del ejemplo 1.1 obtenemos la siguiente tabla.

Tabla 1.4 TITULO : Distribuciones de frecuencias de los consumo mensuales de 30 familias del barrio Costa Rica. Niveles de Consumo mj
12 --- 16 16 --- 20 20 --- 24 24 --- 28 28 --- 32

fj N familias

frj Prop. Familias

faj N familias hasta clase j

fraj Prop. familias hasta clase j

10 14 18 22 26 30 34

4 8 10 5 3

0.13 0.27 0.33 0.17 0.10 1.00

4 12 22 27 30

0.13 0.40 0.73 0.90 1.00

30

Conteste las siguientes preguntas : 1. Cuntas familias tienen un consumo entre 16 y 24 ? 2. Qu proporcin de familias tienen un consumo entre 20 y 24 ? 3. Cuntas familias tienen un consumo inferior a o igual 28 ? 4. Qu proporcin de familias tienen un consumo inferior o igual a 24

10

HISTOGRAMA DE FRECUENCIAS / HISTOGRAMA DE FRECUENCIAS RELATIVAS

Ubicamos en el eje horizontal los lmites inferiores y superiores de cada clase. Dibujamos rectngulos tales que las longitudes de las bases correspondan a los tamaos de las clases y las alturas sean las correspondientes frecuencias de las clases.
EJEMPLO 1.5 Con datos de la tabla 1.4 del ejemplo 1.4 obtenemos la siguiente figura.

f 12 10 10 8 8 6 4 4 2 0 3 5

12

16

20

24

28

32

. Figura 1.2 Histrograma de frecuencias de los consumos mensuales de 30 familias del barrio Costa Rica.
POLGONO DE FRECUENCIAS Se forman haciendo que cada marca de clase represente los datos de esa clase. Luego se toman las frecuencias correspondientes a cada marca de clase para despus unir los puntos resultantes con segmentos. Algunos prolongan el polgono hasta las marcas de clase imaginarias inferior y superior inmediata EJEMPLO 1.6 Con datos de la tabla 1.4 del ejemplo 1.4 se ha dibujado el polgono de frecuencias de los consumos mensuales de las 30 familias. Ver figura 1.3

11

12 10 8 6 4 2 0 10 14 18 22 26 30 34

Figura 1.3
POLGONO DE FRECUENCIAS ACUMULADAS (OJIVA) / POLGONO DE FRECUENCIAS RELATIVAS ACUMULADAS (OJIVA PORCENTUAL) Ubicamos en el eje horizontal los lmites superiores de todas las clases. Algunos prolongan el polgono hasta el lmite superior imaginario de la clase imaginaria inferior inmediata EJEMPLO 1.7 Con datos de la tabla 1.4 del ejemplo 1.4 obtenemos la siguiente figura.

fa

35 30 25 20 15 10 5 0 12 16 20 24 28 32

X
Figura 1.4 Polgono de frecuencias acumuladas ( Ojiva ) de los consumos mensuales de 30 familias del barrio Costa Rica.

12

1.4.1.3

DATOS RELACIONADOS CON EL TIEMPO

EJEMPLO 1.8

Tabla 1.5 Costo de la canasta bsica en crdobas a nivel nacional durante el perodo 1991 2000. Aos Costo 1991 1992 750 780 1993 820 1994 880 1995 1100 1996 1200 1997 1350 1998 1550 1999 1600 2000 1700

Fuente. Banco Central de Nicaragua.

GRAFICO DE LINEAS Consiste en un conjunto de lneas o segmentos de recta que muestran los cambios que experimenta una determinada variable, generalmente en funcin del tiempo. Las coordenadas se pueden graficar en el centro del perodo de tiempo. EJEMPLO 1.9 Con los datos de la tabla 1.5 del ejemplo 1.8 obtenemos la siguiente figura.

1800 1700 1600 1500 1400 Costo 1300 1200 1100 1000 900 800 700 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 A os

Figura 1.5 Grfico de lneas del costo de la canasta bsica en crdobas a nivel nacional durante el perodo 1991 2000. Observe que el costo de la canasta bsica siempre crece durante el perodo 1991 2000, ocurriendo un crecimiento a un ritmo mayor a partir de 1995.

13

EJEMPLO 1.10 Tabla 1.6 Salario mnimo del sector industrial a nivel nacional para el perodo 1991 2000.

Aos Salarios

1991 1992 1993 1994 1995 1996 1997 1998 400 500 600 700 800 850 900 950

1999 2000 1000 1050

Fuente: Banco Central de Nicaragua.

COMPARACION DE GRAFICOS LINEALES Estos grficos generalmente se utilizan para comparar aspectos contrapuestos tales como ingresos gastos, exportacin importacin, etc. EJEMPLO 1.11 Con los datos de la tabla 1.6 y 1.5 de los ejemplos 1.8 y 1.10 respectivamente obtenemos la siguiente figura.
1800 1700 1600 1500 1400

BRECHA ENTRE CANASTA BASICA Y SALARIO

Costo / Salario

1300 1200 1100 1000 900 800 700 600 500 400 300
1991 1992 1993 1994 1995 1996 1997 1998 1999 2000

Aos

Costo

Salario

Figura 1.6 Comparacin del costo de la canasta bsica y el salario mnimo del sector industrial para el perodo 1991 2000. Observe que el costo de la canasta bsica siempre es mayor que el salario mnimo, ocurriendo la diferencia ms pequea de C$ 180 en el ao 1994. De 1991 a 1994 el salario creci a un ritmo mayor que el costo de la canasta bsica, pero de 1995 a 2000 el costo de la canasta bsica creci a un ritmo mucho mayor que el salario. De la figura anterior podemos comentar que el aparato industrial nicaragense tiene poco desarrollo.

14

1.4.2 DATOS CUALITATIVOS Cuando la caracterstica de inters de los elementos sea una variable cualitativa, se obtendrn de ella lo que llamaremos datos cualitativos. En los fenmenos cualitativos, las respuestas categricas se pueden clasificar en tablas o grficas. EJEMPLO 1.12

Tabla 1.7 Importaciones realizadas por Nicaragua de 545.3 millones de dlares en bienes intermedios en el ao 2000 segn la actividad ecnomica. ACTIVIDAD ECONOMICA Agricultura Industria Construccin Total Fuente: Banco Central
GRAFICA DE PASTEL O SECTORES Se construyen en base a un crculo que representa el valor total de las distintas categoras en que se divide un atributo, dividido este crculo en tantos sectores circulares como categoras tenga el atributo. La magnitud del ngulo de los sectores se calcula con la siguiente frmula:

MONTO 78.7 353.7 112.9 545.3

% 14.4 64.9 20.7 100.0

ANGULO 52 233 75 360

Valor de la categora Angulo del sector = Valor total de las categoras

EJEMPLO 1.13 Con los datos de la tabla 1.7 del ejemplo 1.12 obtenemos la siguiente figura.

x 360

21%

14% A gric ultura Indus tria Cons truc c in 65%

Figura 1.7 Grfica de pastel que ilustra las importaciones realizadas por Nicaragua segn la actividad ecnomica.

15

GRAFICA DE BARRAS Este grfico est constituido por un conjunto de barras o rectngulos , separados por distancias iguales , cuyas alturas son el valor de los datos correspondientes al atributo que sealan sus bases. EJEMPLO 1.14 Con los datos de la tabla 1.7 del ejemplo 1.12 obtenemos la siguiente figura.

Importaciones

400 300 200 100 0 A gric ultura 78.7

353.7

112.9

Indus tria

C ons truc c in

A ctivid a d e c n o m ica

Figura 1.8 Grfica de barras que ilustra las importaciones realizadas por Nicaragua segn la actividad ecnomica.
EJEMPLO 1.15 Tabla 1.8 Precios promedios en dlares de los tres principales productos de consumo: frijol, pollo y leche a nivel centroamericano.

PRODUCTOS Frijol Pollo Leche

Costa Rica 0.50 0.94 0.40

El Salvador 0.55 1.02 0.87

Guatemala 0.39 0.93 0.59

Honduras 0.48 0.72 0.47

Nicaragua 051 0.80 0.42

Fuente: Banco Central de Nicaragua, Septiembre de 2000

16

EJEMPLO 1.16 Con los datos de la tabla 1.8 del ejemplo 1.15 obtenemos la siguiente figura.

1.2 1.1 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0

Precios

C.R.

E.S.
Frijol

G
Pollo

H
Leche

Figura 1.9 Grfica de barras que ilustra los precios promedios en dlares de los tres principales productos de consumo: Frijol, Pollo y Leche. Observando el grfico anterior conteste las siguientes preguntas: Cul es el menor precio del pollo a nivel centroamericano ? Cul el el mayor precio de la leche a nivel centroamericano ? En qu pas centroamericano la leche tiene menor precio ? En qu pas centroamericano el pollo tiene mayor precio ? En Guatemala qu producto tiene menor precio ? En Nicaragua qu producto tiene mayor precio?

17

1.5 CARACTERIZACION ( ANLISIS ) DE LOS DATOS Aqu el investigador trata de resumir la informacin disponible en algunas expresiones, esto es, valores o medidas que nos fijen el comportamiento global del fenmeno. El anlisis de los datos consiste bsicamente en la determinacin de dos medidas que representan caractersticas de los datos.

Medidas de posicin Nos indican las posiciones o lugares alrededor de los cuales se distribuyen los datos. Medidas de dispersin Nos informan sobre la variabilidad de los datos alrededor de las medidas de posicin. Existen otras medidas que sern estudiadas posteriormente.
Posicin Posicin

9 10 11 12 13 14 15 16 17 18 19

x
Figura 1.10 Puntos sobre la recta real correspondientes a dos conjuntos de datos. Cmo se dispersan los datos y alrededor de qu posicin lo hacen ?
1.5.1 MEDIDAS DE POSICION

1.5.1.1 MEDIDAS DE POSICIN CENTRAL Son valores representativos que tienden a situarse en el centro de un conjunto de datos ordenados segn su magnitud. 1.5.1.1.1 LA MEDIA ARITMTICA

DATOS NO AGRUPADOS EN CLASES Si x1, x2,..........,xn representan datos muestrales entonces su media muestral se denota y define as

x=

x
.

Si x1, x2,..........,xN representan todos los datos poblacionales entonces su media poblacional se denota y define as =

x
.

18

EJEMPLO 1.17 Los siguientes datos representan saldos en miles de crdobas de 5 cuentas de ahorro.

20, 10, 15, 25, 20 Calcule el saldo promedio de las 5 cuentas Elementos: cuentas X : saldo n=5 x= 20 + 10 + 15 + 25 + 20 90 = = 18 (en miles de C$ ) 5 5

Datos repetidos
Si los datos forman una distribucin de frecuencias de la variable X utilizaremos para la media muestral la siguiente frmula:

x=

x f
.

i i

EJEMPLO 1.18 Dada la distribucin de frecuencias de la tabla 1.3 del ejemplo 1.2 , calcule el nmero promedio de das de atraso en el pago de las cuentas.

Tabla 1.9 xi 0 1 2 3 fi 2 3 4 1 10 14 = 1.4 das 10 xifi 0 3 8 3 14

x=

19

DATOS AGRUPADOS EN CLASES Si los datos representados por la variable de inters X estn agrupados en g clases consideraremos que los valores de X sern las marcas de clase, motivo por el cual escribiremos: Para una muestra:

x=

m f
.

j j

mj: marca de la clase j fj: frecuencia de la clase j

Para una poblacin:

m f
.

j j

EJEMPLO 1.19 La distribucin de frecuencias de gastos en energa elctrica en crdobas durante el mes de Julio en 50 casas del barrio la Primavera de Managua es dada por la siguiente tabla . Tabla 1.10 fj Gastos mj No. casas mjfj uj ujfj 75 ----- 100 100 ---- 125 125 ---- 150 150 ---- 175 175 ---- 200 200 ---- 225

87.5 112.5 137.5 162.5 187.5 212.5

4 8 15 13 7 3

350 900 2062.5 2112.5 1312.5 637.5 7375.0

-2 -1 0 1 2 3

-8 -8 0 13 14 9 20

50

Calcule el gasto promedio en energa elctrica de las casas.

Mtodo ordinario:

x=

7375 = 147.50 50

Mtodo por codificacin: Usaremos una variable de codificacin uj que slo tomar valores enteros, de tal forma que a cada marca de clase le corresponder un entero. La marca de clase que tenga asignado el 0 ser representada por m0. La frmula que usaremos ser la siguiente:

20

x = m0 + ( x = 137.5 +

u f
.

j j

)c

20 (25) = 137.5 + 10 = 147.50 50 Coloque el cdigo 0 a la marca de clase que Ud. quiera, luego calcule x PROPIEDADES DE LA MEDIA ARITMTICA i. Todo conjunto de datos tiene una media y es nica. ii. La suma algebraica de las desviaciones de un conjunto de datos con respecto a su media es cero.

(x
.

x) = 0

EJEMPLO 1.20 Comprobacin de que la suma algebraica de las desviaciones de los nmeros 1, 3, 5, 7 con respecto a su media es cero. Tabla 1.11

xi 1 3 5 7 16

xi - 4 -3 -1 1 3 0
x

x=

16 =4 4

X
Figura 1.11 DESVENTAJAS DE LA MEDIA ARITMTICA i. Es muy sensible a las observaciones extremas cuando stas no estn equilibradas en ambos lados. ii. Es inadecuada si hay clases de extremo abierto.

21

1.5.1.1.2 LA MEDIANA Para datos que contienen valores extremos es recomendable utilizar la mediana porque sta no es sensible a las observaciones extremas. La mediana es el valor que se encuentra en el centro de una secuencia ordenada de datos. DATOS NO AGRUPADOS EN CLASES

Si un conjunto de datos estn ordenados segn su magnitud en orden creciente o decreciente entonces la mediana la determinamos as: i. Si n es impar entonces la mediana es el valor central Posicin: n +1 2

ii. Si n es par la mediana es el promedio de los dos valores centrales n y 2 n +1 2

Posiciones:

EJEMPLO 1.21 Consideremos el costo en crdobas de la canasta bsica de 5 ciudades:

1300, 1000, 1100, 1350, 1200 Determine la mediana. El arreglo ordenado es: 1000, 1100, 1200, 1300, 1350 Me = 1200
EJEMPLO 1.22

Posicin: 3

En 10 das un Banco tuvo 18, 13, 15, 12, 8, 3, 7, 14, 16 y 3 transacciones en moneda extranjera. Determine la mediana. El arreglo ordenado es: 3, 3, 7, 8, 12, 13, 14, 15, 16, 18 Me = 12 + 13 = 12.5 2 Posiciones: 5 y 6

NOTA: La mediana siempre existe y es nica.

22

DATOS AGRUPADOS EN CLASES

1. Identificar la clase mediana ( k ) Es la primera clase con una frecuencia acumulada n / 2 2. Aplicar la frmula n fa k 1 Me = Lik + ( 2 )c fk donde: fa k-1 es la frecuencia acumulada de la clase que precede a la clase mediana. Lik es el lmite inferior de la clase mediana. fk es la frecuencia de la clase mediana. n es el nmero de datos.
EJEMPLO 1.23 Dada la distribucin de frecuencias de la tabla 1.10 del ejemplo 1.19, calcule el gasto mediano en energa elctrica de las 50 casas.

Gastos
75 ---- 100 100 ---- 125 125 ---- 150 150 ---- 175 175 ---- 200 200 ---- 225

fj No. casas
4 8 15 13 7 3

faj 4 12 27 40 47 50

50 1. n / 2 = 25 La primera clase con una fa. 25 es k = 3 25 12 13 )25 = 125 + (25) = 146.6667 15 15

2.

Me = 125 + (

23

EJEMPLO 1.24 Los siguientes datos representan ventas anuales registradas en millones de crdobas en 80 tiendas

Tabla 1.12 Ventas anuales

Hasta 10 10 ---- 20 20 ---- 30 30 ---- 40 40 ---- 50 Ms de 50

N tiendas
8 18 32 15 6 1

faj 8 26 58 73 79 80

80 Calcule la venta anual mediana de las tiendas. 1. n = 40 2 Me = 20 + ( La primera clase con una fa 40 es k = 3 40 26 140 )10 = 20 + = 20 + 4.375 = 24.375 32 32

2.

1.5.1.1.3 LA MODA La moda de un conjunto de datos es aquel valor que se presenta con ms frecuencia. La moda no es afectada por valores extremos. Sin embargo slo se utiliza para propsitos descriptivos porque es ms variable para distintas muestras que las dems medidas de posicin. DATOS NO AGRUPADOS EN CLASES EJEMPLO 1.25 Los siguientes datos corresponden a ventas mensuales de una empresa registradas en millones de crdobas durante el ao pasado.

100, 80, 150, 60, 100, 90, 130, 100, 90, 100, 120, 100 Cul fue la venta mensual modal de la empresa? Mo = 100 La moda puede no existir, incluso si existe puede no ser nica.
EJEMPLO 1.26

60, 74, 82, 85, 90

La moda no existe

24

EJEMPLO 1.27

50, 60, 70, 60, 50, 40, 80, 50, 60, 45 Mo = 50 y Mo = 60

DATOS AGRUPADOS EN CLASES

1. 2.

Identificar la clase modal ( k ) Es la clase con la ms alta frecuencia. Aplicar la frmula Mo = Lik + ( 1 )c 1 + 2

donde: Lik es el lmite inferior de la clase modal. 1 es la diferencia absoluta entre la frecuencia de la clase modal y la frecuencia de la clase precedente. 2 es la diferencia absoluta entre la frecuencia de la clase modal y la frecuencia de la clase siguiente.
EJEMPLO 1.28 Dada la distribucin de frecuencias de la tabla 1.10 del ejemplo 1.19, calcule el gasto modal en energa elctrica de las 50 casas.

GASTOS
75 ---- 100 100 ---- 125 125 ---- 150 150 ---- 175 175 ---- 200 200 ---- 225

fj No. casas
4 8 15 13 7 3
1 = 15 8 = 7

2 = 15 13 = 2

50 1. La clase con la mayor frecuencia es la tercera, esto es, k = 3 2. 7 Mo = 125 + ( )25 = 125 + 19.4444 = 144.4444 7+2

25

1.5.1.2 MEDIDAS DE POSICION NO CENTRAL 1.5.1.2.1 PERCENTILES Son medidas que dividen a una distribucin en cien partes iguales. El percentil r, denotado por Pr, donde r = 1, 2, ........, 99 es el valor por debajo del cual queda el r% de los datos. DATOS AGRUPADOS EN CLASES 1. Identificar la clase que contiene al Pr (k) r Es la primera clase con una frecuencia acumulada n( ) 100

2. Aplicar la frmula r n( ) fa k 1 Pr = Lik + ( 100 )c fk donde n es el nmero de datos Lik es el lmite inferior de la clase que contiene al Pr r n( ) es el r% de n 100 fk es la frecuencia de la clase que contiene al Pr fak-1 es la frecuencia acumulada de la clase que precede a la clase que contiene al Pr.
EJEMPLO 1.29 Dada la distribucin de frecuencias de la tabla 1.10 del ejemplo 1.19, Por debajo de qu gasto en energa elctrica est el 90% de las casas ?

GASTOS
75 ----- 100 100 ----- 125 125 ----- 150 150 ----- 175 175 ----- 200 200 ----- 225

fj
4 8 15 13 7 3

fa 4 12 27 40 47 50

50 r 90 ) = 50( ) = 45 La primera clase con una fa. 45 es k = 5 100 100 45 40 125 P90 = 175 + ( )25 = 175 + = 175 + 17.8571 = 192.8571 7 7

1. 2

n(

Por debajo de qu gasto en energa elctrica est el 60% de las casas ?

26

1.5.2 MEDIDAS DE DISPERSION Considere que los siguientes puntos sobre la recta real son los correspondientes a dos conjuntos de datos.
Posicin Posicin

9 10 11 12 13 14 15 16 17 18 19
X

Figura 1.12 Cmo se dispersan los datos y alrededor de qu posicin lo hacen ? Qu conjunto de datos tendra la menor variacin? Cuando la dispersin de los datos se considera pequea en comparacin a la magnitud de los datos decimos que la medida de posicin es confiable, esto es, representativa de los datos.
1.5.2.1 LA VARIANZA , LA DESVIACION ESTANDAR Y EL COEFICIENTE DE VARIACION. DATOS NO AGRUPADOS EN CLASES Si x1, x2,..........,xN representan todos los datos poblacionales entonces su varianza poblacional se denota y define as

2 =

(x
.

) 2

La desviacin estandar poblacional se denota y define as

= 2
Si x1, x2,..........,xn representan datos muestrales entonces su varianza muestral se denota y define as Frmula abreviada

s =
2

(x
.

x) 2

n 1

s =
2

x
.

2 i

( x i ) 2
.

n 1

La desviacin estndar muestral se denota y define as

s=

s2

27

El coeficiente de variacin es una medida relativa de dispersin. Se expresa como porcentaje y es til cuando se compara la variabilidad de dos o ms conjuntos de datos expresados en diferentes o iguales unidades de medicin.

Para una muestra

CVmtra =

s (100) x

Para una poblacin

CVpob =

(100)

EJEMPLO 1.30 Los siguientes datos representan saldos en miles de crdobas de 5 cuentas de ahorro.

20, 10, 15, 25, 20 Determine: a) El saldo promedio de las cuentas b) La varianza y la desviacin estandar de los saldos c) El coeficiente de variacin xi 20 10 15 25 20 90 a) b) x= (x i x) 2 4 64 9 49 4 130 x2i 400 100 225 625 400 1750

90 = 18 5 130 s2 = = 32.50 4 (90) 2 1750 5 = 1750 1620 = 130 = 32.50 s2 = 4 4 4

s = 32,50 = 5.7009

Tanto la varianza como la desviacin estndar de un conjunto de datos son medidas de variabilidad de los datos alrededor de la media. La desviacin estndar puede interpretarse como una desviacin promedio de los datos alrededor de la media, en otras palabras, cunto se alejan en promedio los datos de la media. Para el ejemlo 1.30, podemos decir que la desviacin promedio de los saldos de las cuentas alrededor de C$ 18 es C$ 5.7009 o bien que los saldos se alejan en promedio C$ 5.7009 de la media. 5.7009 (100) = 31.6717% 18 Este valor no tendr sentido a menos que lo comparemos con otro conjunto de cuentas. c) CV =

28

Consideremos otro conjunto de cuentas: xi2 xi (x i x) 2 21 15 25 29 90 a) x= 2.25 56.25 6.25 42.25 107.00 441 225 625 841 2132

90 = 22.50 4 (90) 2 2132 4 = 2132 2025 = 107 = 35.6667 s = 35.6667 = 5.9722 b) s 2 = 3 3 3 5.9722 c) CV = (100) = 26.5431% 22.50 Qu conjunto de cuentas tiene el saldo ms uniforme?

Datos repetidos
Si los datos forman una distribucin de frecuencias de la variable X, la varianza muestral se define as s2 =

(x
.

x) 2 f i

n 1

EJEMPLO 1.31 Para la distribucin de frecuencias de la tabla 1.3 del ejemplo 1.2 , calcule la desviacin estndar del nmero de das de atraso en el pago de las cuentas. Recordemos que x = 1.4 das.

xi
0 1 2 3

fi
2 3 4 1

(x i x) 2 f i 3.92 0.48 1.44 2.56 8.40 s = 0.9661 Cmo interpretara este resultado ?

10 s2 = 8.40 = 0.9333 9

29

DATOS AGRUPADOS EN CLASES La varianza poblacional se denota y define como

mj es la marca de la clase j g es en nmero de clases 2 =

(m
.

) 2 f j
fj es la frecuencia de la clase j

La desviacin estndar poblacional se denota y define como

= 2
La varianza muestral se denota y define como

Frmula abreviada.

s2 =

(m j X)2 f j
.

n 1

s2 =

m
.

2 j

fj

( m jf j ) 2
.

n 1

La desviacin estndar muestral se denota y define como

s=

s2

El coeficiente de variacin se denota y define as

Para una muestra

CVmtra =

s (100) x

Para una poblacin

CVpob =

(100)

EJEMPLO 1.32 En la siguiente tabla se dan los rendimientos en qq / mz. obtenidos en 60 plantaciones de algodn. Tabla 1.13 Rendimientos N Plantaciones

20 ---- 28 28 ---- 36 36 ---- 44 44 ---- 52 52 ---- 60

4 20 30 5 1 60

30

1. Cul es el rendimiento promedio de las 60 plantaciones? 2. Cul es la varianza y la desviacin estandar del rendimiento de las plantaciones? 3. Calcule el coeficiente de variacin. mj 24 32 40 48 56 fj 4 20 30 5 1 60 mjfj 96 640 1200 240 56 2232 mj2fj 2304 20480 48000 11520 3136 85440

1.

x=

2.

2232 = 37.20 qq/mz. 60 (2232) 2 85440 85440 83030.4 2409.6 60 s2 = = = = 40.8407 59 59 59

s = 40.8407 = 6.3907qq/mz.
3. CV = 6.3907 (100) = 17.1793% 37.20

Cmo interpretara este resultado ?

Aplicando la otra frmula mj 24 32 40 48 56 fj 4 20 30 5 1 60 s2 = 2409.60 = 40.8407 59

(m j x) 2 f j

696.96 540.80 235.20 583.20 353.44 2409.60

EJERCICIO 1.1 Para la distribucin de frecuencias de gastos de energa elctrica en crdobas, del ejemplo 1.19, verifique que la desviacin estndar del gasto de energa elctrica es s = C$ 32.73

31

1.5.3 MEDIDAS DE ASIMETRIA 1.5.3.1 RELACION ENTRE MEDIA , MEDIANA Y MODA. Las diferencias entre los valores de la media, la mediana y la moda permiten saber la forma de la distribucin de frecuencias

DISTRIBUCIONES SIMETRICAS Si en una distribucin de frecuencias, la media, la mediana y la moda coinciden entonces decimos que la distribucin es simtrica. Ver figura 1.13
20 15 15 10 10 5 5 0 5 10

Figura 1.13 DISTRIBUCIONES ASIMETRICAS Si los valores de la media , la mediana y la moda no coinciden entonces decimos que la distribucin es asimtrica. Para distribuciones asimtricas unimodales las posiciones relativas de las tres medidas sern tales que la mediana estar siempre entre la media y la moda. Ver figuras 1.14 y 1.15 Distribucin asimtrica a la izquierda o negativa.
40 30 20 20 10 0 Media Me Mo 5 7 15 28 34 25

Figura 1.14 La cola mayor se extiende a la izquierda o direccin negativa y por tanto la media es la menor de las tres medidas. x < Me < Mo

32

Distribucin asimtrica a la derecha o positiva.

50 40 30 20 10 0 28

40 33 26 18 10 5

Mo

Me

Media

Figura 1.15 La cola mayor se extiende a la derecha o direccin positiva motivo por el cual la media es la mayor de las tres medidas. Mo < Me < x RELACION EMPIRICA ENTRE LA MEDIA , LA MEDIANA Y LA MODA Para distribuciones moderadamente asimtricas la mediana se aleja aproximadamente de la media un tercio de la distancia entre la media y la moda.

x - Mo = 3 x - Me
EJEMPLO 1.33

Mo = 3Me - 2 x

Retomando los datos de la tabla 1.10 del ejemplo 1.19 tenemos que:
x =147.50

Me =146.6667

Mo =144.4444

Por lo tanto la distribucin tiene una asimetra a la derecha. Verifiquemos ahora la relacin emprica determinando la moda: Mo = 3 (146.6667) 2 ( 147.50 ) = 440.0001 295 =145.0001 La diferencia puede deberse a errores de redondeo o bien a que la distribucin no es tan moderamente asimtrica.

33

1.5.3.2. COEFICIENTE DE ASIMETRIA DE PEARSON Un indicador posible de la asimetra de una distribucin es la diferencia ( x Mo ) dividida por s, esto es, x Mo s Una medida adimensional,es decir, invariable ante cambios de escala y de origen. Pero como ( x Mo) = 3(x Me) consideraremos, para distribuciones moderamente asimtricas y en forma de campana, el siguiente indicador que llamaremos coeficiente de asimetra de Pearson.

P=

3(x Me) s

para una muestra

P=

3( Me)

para una poblacin

Apoyndonos en este coeficiente diremos que: Si P = 0 entonces la distribucin es simtrica. Si P < 0 entonces la diatribucin tiene asimetra negativa. Si P > 0 entonces la distribucin tiene asimetra positiva.
EJEMPLO 1.34 Para la distribucin de frecuencias de gastos de energa elctrica en crdobas durante el mes de Julio en 50 casas del barrio la Primavera del ejemplo 1.19 tenemos que:

P=

3(147.50 146.6667) = 0.0764 32.73

Por lo tanto la distribucin tiene asimetra positiva.

1.5.3.3 MOMENTOS CON RESPECTO A LA MEDIA El momento de orden r de una variable X se denota y define como

mr =

(x
.

x) r
, r = 0, 1, 2, .........

Si los datos forman una distribucin de frecuencias de la variable X, la expresin anterior es equivalente a: mr =

(x
.

x) r f i
n , r = 0, 1, 2, .......

Dando valores a r tenemos: m0 = 1 , m1 = 0 Por qu? , n 1 2 m2 = s n , m3 =

(x
.

x) 3 f i
n

34

1.5.3.4 COEFICIENTE DE ASIMETRIA DE FISHER El coeficiente de asimetra de Fisher se denota y define como:
F= m3 s3

para una muestra

F=

m3 3

para una poblacin

Hemos dividido m3 por s3 para que F sea un nmero sin dimensiones Apoyndonos en este coeficiente diremos que: Si F = 0 , la distribucin es simtrica. Si F < 0 , la distribucin tiene asimetra negativa. Si F > 0 , la distribucin tiene asimetra positiva.
EJEMPLO 1.35 El nmero de empleados de 10 pequeas empresas fue el siguiente:

2, 3, 3, 4, 4, 4, 4, 5, ,5, 6 Calcular el coeficiente de asimetra de Fisher. xi 2 3 4 5 6 fi 1 2 4 2 1 10 x= xifi 2 6 16 10 6 40 s2 = (x i x) 2 f i 4 2 0 2 4 12 12 = 1.3333 9 (x i x) 3 f i -8 -2 0 2 8 0 s = 1.1547 empleados (x i x) 4 f i 16 2 0 2 16 36

40 = 4 empleados 10 0 =0 10
F=

m3 =

m3 0 0 = = =0 3 3 s 1.1547 1.5396

Por lo tanto la distribucin es simtrica.

La regla emprica En un conjunto de datos moderamente asimtricos aproximadamente el 67% de los datos (la mayora de los datos) estn comprendidos dentro de la distancia de una desviacin estndar en torno a la media, y aproximadamente entre un 90% y 95% de los datos estn comprendidos dentro de la distancia de dos desviaciones estndar en torno a la media. Para el ejemplo 1.35 podemos decir que aproximadamente un 67% de las pequeas empresas (la mayora de las pequeas empresas) tienen un nmero de empleados que varan entre 4 1.1547 = 2.8453 empleados y 4 + 1.1547 = 5.1547 empleados.

35

1.5.4 MEDIDAS DE CURTOSIS Una vez que la asimetra ha sido determinada, podremos preguntarnos si la distribucin es ms o menos apuntada. Este apuntamiento habr que medirlo comparndolo con cierta distribucin de frecuencias que consideramos normal. 1.5.4.1 COEFICIENTE DE APLASTAMIENTO DE FISHER Denotamos y definimos el coeficiente de Fisher como
K=

m4 3 s4

para una muestra

K=

m4 3 4

para una poblacin

donde m4 es el momento de cuarto orden y K es tambin una medida adimensional Atendiendo al valor de K se clasifican las distribucioes de frecuencias en: Mesocrtica: cuando K = 0 , es decir si es tan apuntada como la normal. Platicrtica: cuando K < 0 , es decir es menos apuntada que la normal. Leptocrtica: cuando K > 0 , es decir es ms apuntada que la normal. Ver figura 1.16
EJEMPLO 1.36 Para el nmero de empleados de las 10 pequeas empresas tenemos que
K=

m4 3.6 3.6 3= 3= 3 = 2.0250 3 = 0.9750 4 4 1.7778 1.1547 s

La distribucin es levemente platicrtica. Leptocrtica Mesocrtica

Platicrtica

Figura 1.16

36

EJERCICIOS PROPUESTOS DEL TEMA 1:ESTADISTICA DESCRIPTIVA 1. Escriba la letra correspondiente a la par de cada enunciado en el parntesis.

1.1. Identifique cual es la muestra (M) y cual es la poblacin (P). a) Se extrae 100 tornillos de los que produce determinada fbrica en un da determinado ( ) b) Obtenemos las calificaciones de todos los estudiantes de la Facultad de Ciencias Econmicas ( ) c) Obtenemos la informacin de las horas trabajadas en un da por los obreros de la Zona Franca. ( ) d) Extraemos dos galones de gasolina de un tanque de 500 galones para que sean examinados ( ) 1.2. Seale con una A las series constituidas por datos cualitativos (o atributos) y con una V los datos cuantitativos. a) b) c) d) e) f) g) h) Preferencia polticas (izquierda, derecha o centro). Marcas de galletas El peso en libras Velocidad en km/h Nivel educativo (primario, secundario, universitario) Nmero de empleados de una empresas. Aos de antigedad laboral. La clase social (bajo, media o alta) ( ( ( ( ( ( ( ( ) ) ) ) ) ) ) )

1.3. Seale cual de las siguientes variables son continuas ( C ) y cuales son discretas ( D ). a) b) c) d) e) Cantidad de quintales de caf cortados . Cantidad de cajas de fsforos en un determinado conteo fsico Galones de gasolina consumidos por un automvil en una semana Cantidad de camisas vendidas diariamente Tiempo de vida de los bombillos elctricos ( ( ( ( ( ) ) ) ) )

2. Un cobrador de una empresa ha registrado el nmero de das que tarda en cobrar cada una de sus cuentas de crditos. Se han obtenido los siguientes 30 registros:

17 21 6 12 45

57 11 20 32 8

10 7 95 28 19

35 72 40 13 21

26 5 14 19 38

3 86 42 28 20

a) Construya una distribucin de frecuencias que contenga 5 clases. b) Grafique el histograma, el polgono de frecuencias y la ojiva. c) Calcule la media aritmtica, la mediana, la moda, la desviacin estndar y el coeficiente de variacin. Interprete los resultados.

37

3. La gran variedad de factores a considerar en la compra de una vivienda, lugar, precio, tasa de amortizacin, tipo de construccin y otros hacen que el tiempo que un comprador tarda en llegar a su decisin final sea muy variable. Los siguientes datos representan la duracin de la bsqueda (en semanas) de 25 compradores de vivienda en cierta poblacin.

15 5 11 9 12

17 3 10 15 1

7 19 4 6 2

15 10 8 2 13

20 3 13 8 4

a) Construya un histograma de frecuencias que contenga 6 clases. b) Qu le dice a usted esta descripcin grfica acerca del tiempo de bsqueda que invierten los compradores de vivienda?
4. Los siguientes datos representan las declaraciones mensuales de impuestos sobre ventas (en miles de crdobas) que los 30 establecimientos comerciales de la ciudad A presentaron ante el correspondiente contralor.

9.0 13.0 11.1

10.3 11.2 10.2

11.1 7.3 9.9

9.6 5.3 9.8

14.5 12.5 11.6

13.0 8.0 15.1

6.7 11.8 12.5

11.0 8.7 14.0

8.4 10.6 8.6

10.3 9.5 5.3

a) Organice los datos anteriores en una distribucin de frecuencias que contenga 5 clases. b) Grafique el histograma de frecuencias y la ojiva.
5.

La revisin de 8 documentos revel el siguiente nmero de equivocaciones en cada uno: 2, 4, 2, 3, 2, 0, 1, a) b) c) d) 0

Determine: El nmero promedio de equivocaciones. El nmero mediano de equivocaciones. El nmero modal de equivocaciones. La desviacin estndar del nmero de equivocaciones.

38

6. Una empresa industrial agrup sus fbricas de acuerdo con el valor de la produccin anual de cada una; se obtuvo la siguiente distribucin: Produccin (en millones de C$) 40-45 45-50 50-55 55-60 60-65 65-70 No. de fbricas 7 10 11 9 8 7

a) b) c) d) e)

Determine la produccin anual promedio de las fbricas. Determine la desviacin estndar de las producciones. Calcule el coeficiente de variacin. Por debajo de qu valor producen el 70% de las fbricas? Calcule el coeficiente de asimetra de Pearson y diga qu tipo de asimetra tiene la distribucin

7. Durante un perodo de 15 aos, los precios promedios de cierto producto fueron de C$ 125, con una desviacin estndar de C$ 25. En un perodo posterior de 12 aos, tuvieron un precio promedio de C$ 80 con una varianza de C$ 100. En qu perodo hubo mayor estabilidad de precios?. 8. Los salarios por da en dlares de 5 obreros son dados a continuacin:

2.50 3.90 3.20 4.20 y 3.70 a) Calcule la suma algebraica de las desviaciones de cada salario con respecto a la media aritmtica. b) Calcule el salario mediano.
9. Dos pases A y B venden la misma materia prima en el mercado mundial a los siguientes precio por kilogramo, en el transcurso de 6 meses: Mes 1 2 3 4 5 6 Cotizaciones en C$ por pas A 4.9 5.0 2.6 4.5 2.3 4.1 B 2.9 3.8 3.0 3.5 3.7 5.0

Realice un anlisis de los precios de este producto para ambos pases. Sugerencia : Compare los coeficientes de variacin y diga a qu pas se le presentan condiciones de mercado ms favorable.

39

10. La tabla siguiente muestra la distribucin por edades de cabezas de familia en un pas dado durante el ao 2000. Edad de aos Hasta 25 25 a 30 30 a 35 35 a 40 40 a 45 45 a 50 50 a 55 Ms de 55 Nmero (en millones) 2.22 4.05 5.08 10.45 9.47 6.63 4.16 1.66

a) Determine la edad mediana y modal. b) Por qu la mediana es una medida ms adecuada que la media aritmtica en este caso?
11. El contador de un almacn desea estimar el balance promedio, en dlares de las 10,000 cuentas de crdito que maneja el almacn. La distribucin de frecuencias se representa en la tabla y fue construida a partir de una muestra de 100 cuentas seleccionadas al azar en los archivos de crdito del almacn. Balance de la Cuenta N de cuentas 0 20 10 20 40 15 40 60 40 60 80 22 80 100 13 100

a) Grafique: Histograma, Polgono de frecuencias relativa, Polgono de frecuencia acumulada. b) Calcule: La media aritmtica, La mediana, La moda La varianza, desviacin estndar y coeficiente de variacin. c) Calcule el coeficiente de asimetra de Pearson, y diga que tipo de asimetra tiene la distribucin.
12. El resultado del ordeo de 100 vacas durante una semana computadas las cantidades diarias de leche obtenidas por cada vaca, fue agrupada segn la siguiente distribucin. Cantidad de litros semanales 60-62 62-64 64-66 66-68 68-70 Nmero de vacas 5 18 42 27 8

40

Calcule: 1. El rendimiento promedio semanal de leche por vaca. 2. El rendimiento mas frecuente. 3. La cantidad de leche por debajo de la cual produce el 80% de las vacas. 4. La desviacin estndar del rendimiento semanal de leche. 5. Calcule el coeficiente de asimetra de Pearson, luego diga que tipo de asimetra tiene la distribucin.
13. La tabla de distribucin de frecuencia de la tasa de desempleo en una muestra de 20 grandes ciudades en 1999 se presenta a continuacin. Tasa de desempleo 7.0-7.5 7.5-8.0 8.0-8.5 8.5-9.0 9.0-9.5 9.5-10 N de ciudades 2 4 5 4 3 2 20

a) construya el histograma y el polgono de frecuencia acumuladas (ojiva ) b) calcule la media aritmtica, la mediana, la moda, la desviacin estndar y el coeficiente de variacin. Interprete los resultados. 14. Se ha recogido el nmero de hoteles de lujo en 20 ciudades de un pas, obtenindose la siguiente tabla: N de hoteles N Ciudades 0 2 1 3 2 10 3 5

a) Represente grficamente la distribucin. b) Calcule el nmero promedio de hoteles y la desviacin estndar del nmero de hoteles. c) Calcule el coeficiente de asimetra de Fisher y diga que tipo de asimetra tiene la distribucin. d) Diga que tan apuntada es la distribucin.
15. Los siguientes datos representan el nmero de interrupciones en 15 das de trabajo debidas a fallas mecnicas en una planta procesadora de alimentos:

a) b) c) d)

3 0 5 1 3 1 3 2 2 0 2 1 2 4 3 Resuma los datos en una distribucin de frecuencias. Calcule el nmero promedio de interrupciones y la desviacin estndar del nmero de interrupciones. Calcule el coeficiente de asimetra de Fisher y diga que tipo de asimetra tiene la distribucin. Calcule el coeficiente de aplastamiento de Fisher y diga que tan apuntada es la distribucin.

41

16. Una autoridad urbana desea disear una grfica que muestre a los contribuyentes que asiten a la prxima reunin, lo que sucede con el dinero que pagan por impuestos. El monto total recolectado es de C$ 2 millones (de crdobas). Los gastos fueron: C$ 440,000 para escuelas, C$ 1160,000 para caminos, C$ 320,000 para administracin y C$ 80,000 para suministros. Una grfica de sectores parece ideal para mostrar el porcentaje de los impuestos que se dedica a caminos, escuelas, administracin y suministros. Convierta las cantidades totales a porcentajes del total general y represente los porcentajes en una grfica de pastel. 17. En el Anuario Estadstico 1997 se seala que el valor total de todos los bienes y servicios producidos en Nicaragua, era de 21 mil millones de crdobas incluyendo todos los sectores de la economa. Sector econmico Porcentaje del PIB de Nic. En 1997

Primarios Secundarios Terciarios T O T A L

21.67 30.48 47.85 100.00

a) Construya una grfica de barras. b) Construya una grfica de pastel.

18. La siguiente tabla refleja el valor de las exportaciones e importaciones en millones de US $ realizadas por Nicaragua de 1993 a 1997. Aos

Concepto
Exportaciones Importaciones

1993 452 807

1994 412 826

1995 305 892

1996 257 761

1997 295 824

a) Construya una grfica de barras. b) Construya una grfica lineal donde puedan compararse las exportaciones y las importaciones

42

TEMA 2.

PROBABILIDADES

OBJETIVOS.

1. Construir espacios muestrales y eventos asociados a un experimento aleatorio. 2. Interpretar el concepto de probabilidad de que ocurra un evento y describir los enfoques de probabilidad. 3. Calcular probabilidades aplicando las reglas de complemento, adicin y multiplicacin. 4. Calcular probabilidades aplicando los conceptos de probabilidad condicional, regla de la multiplicacin e independencia de eventos. 5. Resolver problemas aplicando el teorema de Bayes.
2.1 INTRODUCCION Debido a l a tolerancia de varias formas de juegos para recreacin de la nobleza de Francia e Inglaterra a mediados del XVII, se suscit un inters intenso por los juegos de azar, lo cual permiti que matemticos como Blaise Pascal, Pierre de Fermat, Jacob Bernoulli, Abraham de Moire y Thomas Bayes desarrollaran la teora de las probabilidades. Como vivimos en un mundo donde somos incapaces de pronosticar el futuro con absoluta certeza, la necesidad de sortear la incertidumbre nos lleva a estudiar la teora de probabilidades para conocer las reglas que nos permitirn estudiar los fenmenos aleatorios. En la actualidad la teora de la probabilidad constituye el fundamento de la Estadstica Inferencial, una rama de la Estadstica con importantes aplicaciones a situaciones en que interviene la incertidumbre. En tales circunstancias la Estadstica Inferencial permitir hacer estimaciones de parmetros basados en la informacin muestral. Ver aplicaciones de la Estadstica en Auditora, marketing y Control de calidad. Comenzaremos este tema estudiando la terminologa que usaremos EXPERIMENTO ALEATORIO () Es aquel que al repetirse bajo condiciones aproximadamente idnticas el resultado no es necesariamente el mismo. Podramos decir que todos los juegos de azar son experimentos aleatorios

Lanzar un dado y observar el nmero de puntos que aparecen en la cara superior. Elegir al azar un naipe de la baraja comn de 52 naipes. Lanzar una moneda y observar la cara superior. La caracterstica principal de estos experimentos es la existencia de incertidumbre en el resultado que se puede obtener al realizar el fenmeno. Tambin existen otros experimentos que son considerados de naturaleza aleatoria:
EJEMPLO 2.1 1: Un contador revisa 10 facturas de una empresa. Luego cuenta el nmero de facturas con algn error en su valor total. EJEMPLO 2.2 2: De una lista formada por todas las cuentas de ahorro de un Banco, seleccionar al azar una y luego anotar su vida actual.

43

EL ESPACIO MUESTRAL ( S ) ASOCIADO A UN EXPERIMENTO Es el conjunto de todos los resultados posibles del experimento. A cada elemento de este conjunto le llamaremos punto muestral. Para el ejemplo 2.1 S1 = { 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 }

Aqu decimos que S1 es un espacio muestral discreto porque sus resultados estn representados por valores que tienen interrupcin. Para el ejemplo 2.2 Supongamos una vida mxima registrada en el Banco de 15 aos
S2 = ( 0, 15 ]

Aqu S2 es un espacio muestral contnuo porque sus resultados estn representados por valores que no tienen interrupcin, es decir , que entre dos resultados posibles siempre existe otro.
EVENTOS Un evento A respecto a espacio muestral S es un conjunto de resultados posibles del experimento, esto es, A S

S
A

Figura 2.1 Para el ejemplo 2.1 Consideremos que el evento A representa cuenta a lo ms 3 facturas con algn error. Entonces A = { 0, 1, 2, 3 } Decimos que un evento A ha ocurrido si el resultado del experimento es un elemento de A. De cuntas maneras puede ocurrir un evento A?
Si #A representa el nmero de maneras que puede ocurrir el evento A, entonces #A = 4 NOTA. Si S tiene k elementos entonces hay 2k eventos respecto a S TIPOS DE EVENTOS

Es un evento que nunca ocurre. S Para el ejemplo 2.1 Supongamos que el evento F representa cuenta 12 facturas con algn error , entonces F =

Evento imposible ( )

44

Evento seguro (S )
Es un evento que siempre ocurre. Para el ejemplo 2.1 El evento S1 es un evento seguro.

Evento simple
Es el que describe solamente una carcterstica. Para el ejemplo 2.1 El evento A es simple.

Evento conjunto
Es el que describe dos o ms caractersticas. El evento conjunto de A y B denotado por AB ocurre cuando A y B ocurren juntos. Para el ejemplo 2.1 Supongamos que el evento B representa cuenta un nmero impar de facturas con algn error, esto es, B = { 1, 3, 5, 7, 9 } Entonces AB representa cuenta a lo ms 3 y un nmero impar de facturas con algn error.
AB = { 1, 3 }

es un evento conjunto

#(AB) = 2

S
A
AB

Figura 2.2 El evento unin de A y B denotado por AB es aquel que ocurre si A ocurre B ocurre si ocurren ambos. Para el ejemplo 2.1 AB representa cuenta a lo ms 3 un nmero impar de facturas con algn error.
AB = { 0, 1, 2, 3, 5, 7, 9 }

Evento unin

#(AB) = 7

45

Evento complementario
El evento complementario de A denotado por A es aquel que ocurre si A no ocurre.

A A

Figura 2.3 Para el ejemplo 2.1 A representar lo contrario de A, esto es, A representa cuenta al menos 4 facturas con algn error. A = { 4, 5, 6, 7, 8, 9, 10 }
NOTA: AA = y

AA = S

EVENTOS MUTUAMENTE EXCLUYENTES Dos eventos A y B son mutuamente excluyentes si no pueden ocurrir simultneamente , esto es, si AB =

Para el ejemplo 2.2 Supogamos que el evento M representa la cuenta tiene ms de 3 aos y 4 meses y el evento R representa la cuenta tiene menos de 5 aos. Son los eventos M y R mutuamente excluyentes? No porque MR
EVENTOS COLECTIVAMENTE EXHAUSTIVOS Los eventos A1, A2, ..........., An son colectivamente exhaustivos si A1A2 ............An = S Esto es, si por lo menos uno de ellos debe ocurrir durante un experimento.

Para el ejemplo 2.2 Supongamos que el evento A1 representa la cuenta tiene menos de 1 ao y que el evento A2 representa la cuenta tiene por lo menos 1 ao. Estos eventos son mutuamente excluyentes y colectivamente exhaustivos.
2.2 ENFOQUES DE PROBABILIDAD El propsito de la teora de probabilidad es asignar un nmero a cada evento A, el cual llamaremos probabilidad de que ocurra A y lo denotaremos as P(A)

La probabilidad de cualquier evento indicar que tan factible es que ocurra el evento, entre mayor sea la probabilidad, ms grande ser la factibilidad de que ocurra el evento. Ahora estaremos interesados en cmo obtener P(A)

46

2.2.1 ENFOQUE DE PROBABILIDAD CLASICA A PRIORI Aqu suponemos que el experimento no se realiza y que adems todos los resultados posibles del experimento se consideran igualmente probables. Segn la historia es la manera ms antigua de medir incertidumbre, teniendo su origen en los juegos de azar. Nmero de maneras que puede ocurrir A #A P(A) = = Nmero de resultados posibles del experimento #S EJEMPLO 2.3 Una empresa tiene 200 cuentas por cobrar de las cuales se sabe que 50 tienen un saldo menor que C$ 12000. Un auditor selecciona una al azar, cul es la probabilidad de que tenga un saldo menor que C$ 12000 ?

Supongamos que el evento A representa que la cuenta tiene un saldo menor que C$12000. 50 P(A) = = 0.25 Entonces 200
2.2.2 ENFOQUE DE PROBABILIDAD CLASICA A POSTERIORI (EMPIRICA)

Aqu suponemos que el experimento se realiz un nmero n (suficientemente grande) de veces del cual se observ el nmero x veces que ocurri el evento A. De manera que esta probabilidad puede verse como una frecuencia relativa observada del evento A obtenida de repetir el experimento un nmero grande de veces. Nmero de veces que ocurri A
P( A ) =

x = n

Nmero de veces que se repiti el experimento

EJEMPLO 2.4 La demanda de un artculo durante 360 das de cierto ao ha sido la siguiente:
Tabla 2.1

N artculos 1 2 3 4 5

N das 100 40 90 50 80 360

Suponiendo que el comportamiento de la demanda para el prximo ao ser similar al anterior, cul es la probabilidad de que cierto da:

47

i)

la demanda sea de 4 artculos Supongamos que el evento A representa que la demanda es de 4 artculos
P(A) =

50 = 0.1389 360

ii)

la demanda sea de por lo menos 3 artculos Supongamos que el evento B representa que la demanda es de por los menos 3 artculos 220 P (B) = = 0.6111 360

2.2.3 ENFOQUE DE PROBABILIDAD SUBJETIVA

Se basa en una combinacin de la experiencia, la opinin personal y el anlisis de una situacin en particular. Es til cuando no se pueden utilizar los enfoques anteriores.
EJEMPLO 2.5 Suponga que un profesor de Estadstica quiere determinar la probabilidad de que un determinado estudiante de su clase pase el primer parcial. Basado en lo que sabe del estudiante sobre: La disciplina que muestra en clase i) Las preguntas que hace durante la clase ii) Las respuestas que da cuando se le pregunta iii) Las evaluaciones obtenidas en los sistemticos iv) El grado de inters o esfuerzo que muestra en comprenderle a la asignatura v)

El profesor estima una probabilidad de 0.80 de que pase el primer parcial.

2.3 REGLAS BASICAS DE PROBABILIDAD

1. 2. 3.

P ( ) = 0 Para cualquier evento A,

P(S)=1

0 P( A ) 1

Si A y B son eventos mutuamente excluyentes entonces P( A B ) = P( A) + P( B )

4.

Regla del complemento. P(A) + P( A ) = 1

P( A ) = 1 P( A )

5. Regla de la adicin. Sean A y B eventos cualesquiera P( A B ) = P( A ) + P( B ) P( A B )

48

EJEMPLO 2.6 Supongamos que para cierto da de negociaciones de una accin, los siguientes eventos: A representa que el precio se mantiene sin cambios B representa que el precio sube

Consideremos que P(A) = 0.64 y P( B ) = 0.21 Cul es la probabilidad de que: el precio cambie i) Supongamos que el evento A representa que el precio cambia
P( A ) = 1 P( A ) = 1 0.64 = 0.36

ii)

el precio se mantiene sin cambios y el precio sube.

P( A B ) = P( ) = 0

iii)

el precio se mantiene sin cambios o el precio sube.

P(A B ) = P( A ) + P( B ) = 0.64 + 0.21 = 0.85 EJEMPLO 2.7 En una ciudad se seleccion una muestra de 500 personas para determinar diversas informaciones relacionadas con el comportamiento del consumidor. Entre las preguntas hechas, se encontraba Prefiere comprar productos nacionales o importados? . De 240 hombres 104 contestaron que preferan productos nacionales. De 260 mujeres 36 preferan productos nacionales.

1) Elabore una tabla de contingencia ( o de clasificacin cruzada ) Tabla 2.2 ( N ) Nacionales ( H ) Hombre ( M ) Mujer Total 104 36 140 ( I ) Importados 136 224 360 Total 240 260 500

2) Se selecciona al azar un entrevistado, determinar la probabilidad de que: i) sea mujer

P( M ) =

# M 260 = = 0.52 #S 500

49

ii)

sea hombre
P( H ) = 1 P( M ) = 1 0.52 = 0.48

iii)

prefiera comprar productos importados

P( I ) =

360 = 0.72 500

iv)

sea hombre y prefiera comprar productos importados # ( H I ) 136 = = 0.272 500 #S sea mujer o prefiera productos nacionales
P( H I ) =

v)

P( M N ) =

260 140 36 364 + = = 0.728 500 500 500 500 vii) sea hombre y mujer P(H M ) = P( ) = 0

vi)

sea hombre o mujer

P( H M ) = P( H ) + P( M ) = 0.48 + 0.52 = 1

2.4 PROBABILIDAD CONDICIONAL La probabilidad de que un evento A ocurra supuesto que otro evento B ha ocurrido se denota y define como: Probabilidad conjunta de A y B P(A B) P(A | B) = = P(B) Probabilidad marginal de B

Mide en cierto sentido la probabilidad relativa de A con respecto al espacio reducido B Si B es finito entonces P(A | B) = # (A B) #B

S
B A
AB

Figura 2.4

50

EJEMPLO 2.8 Para el ejemplo 2.7 viii) Suponga que el entrevistado seleccionado es mujer, cul es la probabilidad de que prefiera comprar productos nacionales 36 36 P(N M) 500 P( N M ) = = = = 0.1385 260 260 P(M) 500 # (N M) 36 P( N M ) = = = 0.1385 #M 260

ix)

Suponga que el entrevistado seleccionado prefiere comprar productos importados , cul es la probabilidad de que sea hombre?
P( H I ) =

# (H I) 136 = = 0.3778 #I 360

2.4.1 REGLA DE LA MULTIPLICACION Sean A1 y A2 eventos

Sabemos que P(A 2 | A1 ) =

P(A1 A 2 ) P(A1 )

P(A 1 A 2 ) = P(A 1 )P(A 2 A1 )

La probabilidad de A1 A2 es igual a la probabilidad del primer evento A1 por la probabilidad del segundo evento A2 dado que el primer evento A1 ya ocurri.
2.4.2 INDEPENDENCIA ESTADISTICA Dos eventos A1 y A2 son independientes si y slo si P(A1 A2 ) = P( A1 )

P(A2 A1 ) = P(A2)

Si dos eventos A1 y A2 son eventos independientes entonces segn la regla de la multiplicacin P( A1 A2 ) = P(A1 ) P(A2 )
EJEMPLO 2.9 Para el ejemplo 2.7

x)

Determinar si la preferencia por productos importados es estadsticamente independiente del evento ser hombre. Comprobemos si P( H ) = P( H I ) Sabemos que P( H ) = 0.48 independientes. y que P( H I ) = 0.3778 Luego H, I no son eventos

51

EJEMPLO 2.10 Durante un perodo especfico , el 80% de las acciones ordinarias de una industria que tiene 10 acciones, han aumentado en valor comercial. Un inversionista selecciona aleatoriamente 2 de esas acciones:

1)

Elabore un rbol de probabilidad que describa grficamente la secuencia de las dos selecciones

Consideremos los siguientes eventos: A: ha aumentado en valor , N: no ha aumentado en valor donde el subndice indicar la posicin secuencial de la accin. Como el 80% de 10 es 8, entonces hay 8 acciones que han aumentado en valor y 2 que no han aumentado en valor.

7/9

A2

( 8/10 )( 7/9 ) = 56/90 = 0.6222

8/10

A1
2/9 8/9

N2 A2

(8/10 )( 2/9 ) = 16/90 = 0.1778 (2/10 )( 8/9 ) = 16/90 = 0.1778

2/10

N1
1/9

N2

Figura 2.5 2) i) Cul es la probabilidad de que: ambas hayan aumentado en valor comercial ? 8 7 56 = = 0.6222 10 9 90

P( ambas hayan aumentado ) = P(A1 A2) = P( A1)P(A2 | A1 ) = ii) una haya aumentado en valor comercial ?

P( una haya aumentado ) = P( A1 N2 ) + P( N1 A2 ) = P(A1)P(N2 | A1) + P( N1)P( A2 | N1) Regla de la multiplicacin. = 8 2 2 8 16 16 32 + = + = = 0.3556 10 9 10 9 90 90 90

52

2.5

TEOREMA DE LA PROBABILIDAD TOTAL

Supongamos un experimento aleatorio con su correspondiente espacio muestral S, decimos que los eventos A1 , A2 ,.........., An forman una particin del espacio muestral S, si se cumple que: i) ii) Ai Aj = para todo i j A1 A2 .......... An = S

y que B es otro evento respecto a S. Entonces

P(B) = P(A1)P(BA1) + P(A2)P(BA2) + ......... + P(An)P(B | An)

P(A )P(B A )
i i .

Cada vez que se realice el experimento aleatorio anterior podemos presentar mediante un rbol de probabilidad todos sus resultados posibles con sus correspondientes probabilidades.

P(BA1)

A1
P(A1) P(A2) P(BA2)

B
B

A2 . . . . . P(BAn) An

P(An)

B . . .
B

Figura 2.6
2.6 TEOREMA DE BAYES Queremos saber ahora , cul es la probabilidad de que Ai sea la causa de la ocurrencia de B.

P(A i B) =

P(A i )P(B A i )

P(A )P(B A )
i i .

P(A i )P(B A i ) P(B)

53

EJEMPLO 2.11 Un gerente de crdito clasifica las cuentas a su cargo en 3 tipos: Tipo 1: buen pagador Tipo 2: pagador atrasado Tipo 3: mal pagador De los archivos se estima que el 75%, 20% y 5% de las cuentas caen en las categoras 1, 2 y 3 respectivamente. Por experiencia en el trabajo el gerente considera que el 90% de los clientes con cuentas del tipo 1 tienen casa propia, mientras que el 50% de los clientes con cuentas del tipo 2 y el 20% de los clientes con cuentas del tipo 3 tienen casa propia. i) Cul es la probabilidad de que una nueva aplicacin de crdito corresponda a un cliente con casa propia ? ii) Suponga que la nueva aplicacin corresponde a un cliente con casa propia, cul es la probabilidad de que sea pagador atrasado?

Consideremos los siguientes eventos: S: todas las cuentas a cargo del gerente A1: la cuenta es del tipo 1 A2 : la cuenta es del tipo 2 A3: la cuenta es del tipo 3 B: el cliente tiene casa propia.
0.90

A1, A2, A3 forman una particin de S

0.75(0.90) = 0.675

A1
0.10 0.75 0.20 0.50

B
B

0.20(0.50) = 0.100

A2
0.50 0.05 0.20

B
B

0.05(0.20) = 0.010 0.785

A3
0.80

Figura 2.7 i) P(B) = P(A1) P(BA1) + P(A2) P(BA2) + P(A3) P(BA3) = 0.75(0.90) + 0.20(0.50) + 0.05(0.20) = 0.785 ii)
P(A2B) =

P( A2 ) P( B | A2 ) 0.20(0.50) = = 0.1274 P( B) 0.785

EJERCICIO 2.1 El departamento de crdito de una tienda inform que el 30% de sus ventas son en efectivo, el 30% se pagan con cheques y el 40% son al crdito. Se tiene informacin de que las compras por ms de C$ 500 en efectivo, con cheques y al crdito son el 25%, 90% y 60% respectivamente Un persona acaba de decidir comprar un artculo cuyo precio es de C$ 800, cul es la probabilidad de que pague con cheque ?

54

EJERCICIOS PROPUESTOS DEL TEMA 2: PROBABILIDADES 1. Para cada una de las siguientes situaciones, indique cul de los enfoques (clsico a priori, clsico emprico o subjetivo) sera ms til para determinar el valor de probabilidad adecuado.

a) b) c) d) e) f) g)

La probabilidad de que de un envo de 20 repuestos, del cual se sabe que 3 son defectuosos, un repuesto escogido aleatoriamente resulte defectuoso. La probabilidad de que haya una recesin el ao entrante. La probabilidad de que la demanda de un artculo, que produce una empresa, sea de 400 unidades para el prximo mes. La probabilidad de que un liberal gane la siguiente eleccin presidencial en Nicaragua. La probabilidad de que el dlar se cotice a C$ 15 a finales de este ao. La probabilidad de que al seleccionar al azar una persona de una clase, que tiene 20 mujeres y 8 hombres, el resultado sea una mujer. La probabilidad de que las ventas de un artculo que producen una fabrica suban debido al nuevo nombre.

2. Para cada uno de los siguientes casos, diga si los eventos que se crean son (i) mutuamente excluyentes, (ii) colectivamente exhaustivos.

a) A los votantes registrados se les pregunt si son liberales o sandinistas. b) Los encuestados se clasificaron como propietarios de automviles en las categoras norteamericano, europeo, japons, ninguno. c) A las personas se les pregunt: Actualmente vive en (i) un apartamento (ii) una casa?. d) Un producto se clasific como: (i) defectuoso (ii) no defectuoso. e) A las personas se les pregunt tiene intencin de comprar un televisor a colores en los siguientes seis meses ? (i) si, (ii) no. f) un pas obtuvo un crecimiento econmico del (i) 5% al ao (ii) 7% al ao. g) Se clasificaron las ventas anuales en (i) a lo ms cinco millones de crdobas (ii) de ms de cinco a diez millones (iii) de ms de diez millones. h) En un tipo de industria se clasifican las utilidades anuales en (i) entre uno y siete millones de crdobas (ii) de cinco millones o ms. i) En una fbrica se clasifican las partes defectuosas de la produccin en: (i) menos del 7%. (ii) ms del 2%, (iii) igual al 5% de la produccin. j) La situacin econmica de un pas se describe: (i) crecimiento real del PIB del 3% anual, (ii) inflacin 7% por ao (iii) desempleo del 8% de la fuerza laboral.
3. Determine el valor de probabilidad aplicable a cada una de las siguientes situaciones: Luego diga qu enfoque utilizo.

a) La probabilidad de seleccionar aleatoriamente una cuenta por cobrar que est en mora, si el 5% de las cuentas estn en mora.

55

b) La probabilidad de que una sucursal de una cadena de restaurantes tenga xito financiero. El presunto inversionista obtiene informacin sobre otras sucursales de la cadena, estudia el rea donde se localizar la sucursal y considera el volumen de ventas necesario para el xito financiero. Globalmente, el inversionista cree que hay un 80% de posibilidades de que la sucursal tenga xito financiero y un 20% de lo contrario. c) La probabilidad de accidentes de trabajo en una industria determinada sobre una base anual. Una muestra al azar de 10 firmas que emplean un total de 8000 personas demostr que ocurrieron 400 accidentes de trabajo durante un perodo reciente de 12 meses.
4. La probabilidad de que una nueva poltica de mercadeo tenga xito (S) se calcul en 0.60. la probabilidad de que los gastos para desarrollar la poltica de mercadeo puedan mantenerse dentro del presupuesto inicial (B) es 0.50. la probabilidad de que se logren los dos objetivos es 0.30.

a) Cul es la probabilidad de que se logre por lo menos uno de estos objetivos? b) Cul es la probabilidad de que la nueva poltica de mercado tenga xito dado que el costo de desarrollo se mantuvo dentro del presupuesto inicial. c) Son los eventos S y B estadsticamente independientes?
5. De 12 cuentas de un archivo, 4 contienen un error de procedimiento al contabilizar los saldos de las cuentas. Si un auditor selecciona aleatoriamente:

a) una cuenta, Cul es la probabilidad de contenga error de procedimiento?. b) Dos cuentas (sin reposicin), i) Cul es la probabilidad de que ninguna cuenta contenga error de procedimiento ? Elabore un rbol de probabilidad para representar ste proceso secuencial de muestreo. ii) Cul es la probabilidad de que una cuenta contenga error de procedimiento? c) Tres cuentas (sin reposicin), Cul es la probabilidad de que todas contengan error de procedimiento?
6. De 100 personas que solicitaron empleo de operador de computadoras en una firma el ao pasado, 40 tenan experiencia anterior (E), 30 tenan certificado ( C ), y 20 tenan experiencia anterior y certificado.

a) Elabore un diagrama de Venn para describir grficamente estos eventos. b) Cul es la probabilidad de que un solicitante escogido aleatoriamente: i) Tenga experiencia o certificado. ii) No tenga certificado. iii) No tenga ni experiencia ni certificado. iv) Tenga certificado dado que tiene alguna experiencia anterior. c) Determine si la experiencia y el certificado son eventos independientes.

56

7. En los datos recolectados en una encuesta sobre la satisfaccin de los empleados de la empresa Omega realizada a una muestra de 400 empleados, los resultados con las categoras desglosadas en satisfecho y no satisfecho, y progresado y no progresado en la organizacin, se presentan en la siguiente tabla de contingencia:

Satisfaccin en el trabajo Satisfecho ( S ) No satisfecho ( S ) Totales

Avance
Progresado ( P ) 194 14 208 No progresado ( P ) 162 30 192 Total 356 44 400

1) Determine la probabilidad de que un empleado seleccionado aleatoriamente: a) Est satisfecho con su trabajo. b) No haya progresado en la organizacin. c) Est satisfecho con el trabajo o ha progresado en la organizacin. d) No est satisfecho y no ha progresado e) Est satisfecho con el trabajo dado que se sabe ha progresado en la organizacin. 2) Estar satisfecho con el trabajo es independiente de haber progresado en la organizacin?. Explique.
8. En una gran rea metropolitana se seleccion una muestra de 500 encuestados para determinar informacin diversa respecto al comportamiento de los consumidores. Entre las preguntas formuladas estaba disfruta comprar ropa ?. De 240 hombres, 136 respondieron que s. De las 260 mujeres, 44 respondieron que s. a) Construya una tabla de contigencia para evaluar las probabilidades. b) D un ejemplo de: un evento simple, un evento conjunto. c) Cul es el complemento de disfruta comprar ropa?. d) Cul es la probabilidad que un encuestado elegido aleatoriamente: d.1. Sea hombre? d.2. Disfrute comprar ropa? d.3. Sea una mujer y disfrute comprar ropa? d.4. Sea un hombre y no disfrute comprar ropa? d.5. Sea una mujer o no disfrute comprar ropa e) Suponga que el encuestado elegido es un hombre. Cul es la probabilidad que no disfrute comprar ropa? f) Disfrutar de comprar ropa y el sexo del individuo son estadsticamente independientes?. 9. El director de una gran agencia de empleo desea estudiar las diversas caractersticas de sus solicitantes de trabajo. Se ha seleccionado una muestra de 200 solicitantes para su anlisis. Sesenta solicitantes haban tenido sus trabajos actuales durante al menos cinco aos; ochenta de los solicitantes son graduados universitarios; 25 de los graduados universitarios duraron en sus trabajos al menos cinco aos. a) Cul es la probabilidad que un solicitantes escogido aleatoriamente?. a.1. Sea un graduado universitario? a.2. Sea un graduado universitario y haya tenido su trabajo al actual menos de cinco aos?. a.3. Sea un graduado universitario o haya tenido su trabajo actual al menos de cinco aos?

57

b) Dado que un empleado particular es un graduado universitario, cul es la probabilidad que haya durado en su trabajo menos de cinco aos?. c) Determine si ser graduado universitario y haber durado en el trabajo al menos cinco aos son estadsticamente independientes. Sugerencia: construya una tabla de contingencia.
10. Se han llevado acabo numerosos estudios intensivos de la planeacin de los consumidores para la compra de bienes duraderos como televisores, refrigeradores, lavadora, etc. En uno de estos estudios se pregunt a 1000 individuos de una muestra aleatoriamente seleccionada si estaban planeando comprar una nueva televisin en los siguientes 12 meses. Un ao despus se entrevist a las mismas personas para ver si realmente compraron una nueva T.V. la respuesta a ambas entrevistas se tabula de manera cruzada a continuacin. Planearon ( P ) No planeando ( P ) Totales Compraron ( C ) 200 100 300 No compraron (C) 50 650 700 Totales 250 750 1000

a) D un ejemplo de un evento simple y de un evento conjunto. b) Cul es el complemento de planea comprar? c) si un individuo se selecciona aleatoriamente, cul es la probabilidad de que en el ltimo ao. c.1. Haya comprado una nueva T.V.?. c.2. No haya planeado comprar una nueva T.V.?. c.3. Haya planeado comprar y realmente haya comprado una nueva T.V.?. c.4. Haya planeado comprar o realmente no haya comprado una nueva T.V.?. d) si el entrevistado no planeo comprar una nueva T.V., cul es la probabilidad que no haya comprado una?. e) Planear comprar una T.V. y realmente comprar una son eventos estadsticamente independientes?. Explique.
11. Se ha emprendido una encuesta para determinar si existe una relacin entre el lugar de residencia y la propiedad de un automvil. Se seleccion una muestra aleatoria de 500 personas con los resultados mostrados a continuacin: Propiedad de automvil Ciudad (C) 90 110 200 rea de residencia Suburbio ( Su) Rural ( R ) 60 25 90 125 150 150 Totales 175 325 500

Si ( S )
No ( N ) Totales

a) Si se selecciona aleatoriamente una persona, cul es la probabilidad que sta. a.1. Posea un automvil? a.2. Viva en suburbio? a.3. Posea un automvil o viva en una ciudad?. a.4. Viva en el rea rural y no posea un automvil?

58

b) Suponga que sabemos que la persona seleccionada vive en un suburbio, cul es la probabilidad que posea un automvil? c) Es el rea de residencia estadsticamente independiente de si la persona posea un automvil?. Explique.
12. Una compaa embotelladora de refrescos mantiene registros respecto al nmero de botellas inaceptables obtenidas de las mquinas de llenado y coronado. Basndose en datos anteriores, la probabilidad de que una botella proviniera de la mquina I y fuera inaceptable era de 0.01 y la probabilidad de que una botella proviniera de la mquina II y fuera inaceptable era 0.025. la mitad de las botellas se llena en la mquina I y la otra mitad se llena en la mquina II.

a) Si se selecciona una botella de refresco al azar, cul es la probabilidad que: a.1. Sea una botella inaceptable? a.2. Haya sido llenada en la mquina II? a.3. Haya sido llenada en la mquina I y sea una botella aceptable? a.4. Haya sido llenada en la mquina II o sea una botella inaceptable? b) Suponga que sabemos que la botella fue llenada en la mquina I. Cul es la probabilidad de que sea inaceptable?. c) Suponga que sabemos que la botella es inaceptable. Cul es la probabilidad de que fue llenada en la mquina I? d) Explique la diferencia en las respuestas de b) y c).
13. Consideremos el caso de un distribuidor de aparatos electrodomsticos que ha estado promoviendo cierto producto, por medio de una importante campaa publicitaria por televisin. Para evaluar la efectividad de la campaa, se pregunta a 600 clientes que visitaron la tienda, durante un perodo, si recuerdan el anuncio de la televisin se conservan los registros de las respuestas as como de la posible compra del producto en cuestin. Los resultados de este estudio se dan en la tabla siguiente: Anuncio de Televisin Producto Compra ( C ) No compra ( C ) Recuerda ( R ) No recuerda ( R )

Total

120 80 200

60 340 400

180 420 600

Total

1) Si se selecciona un cliente al azar, cul es la probabilidad de que: a. Recuerde el anuncio? b. No recuerde al anuncio? c. Realice una compra o recuerde el anuncio? d. No recuerde el anuncio y realice una compra? 2) Dado el hecho de que el cliente realiz una compra, cul es la probabilidad de que haya recordado el anuncio?. 3) Si el cliente no recuerda el anuncio, cul es la probabilidad de que realice una compra?

59

14. Una profesora ha estado enseando Estadstica durante muchos aos. Sabe que el 80% de los estudiantes cumplen con los problemas asignados. Determin que de los alumnos que hacen las tareas, 90% aprobarn el curso. De aquellos estudiantes que no realizan la tarea, 40% aprobarn. Miguel Snchez tom Estadstica con la profesora y tuvo calificacin aprobatoria cul es la probabilidad de que s haya hecho las tareas?. 15. Un comprador de ropa de una gran tienda departamental compra anualmente 20% de las piezas a un fabricante A, 30% a un segundo fabricante B y el 50% restante a diversos proveedores. De la ropa comprada a A se vende el 80%; 75% de la de B y 90% de los restantes. Cul es la probabilidad de que una pieza que no se vendi al final de la temporada, provenga del fabricante B? 16. Martn Prez, gerente del departamento de crdito de Epsilon, sabe que la compaa utiliza tres mtodos para exhortar a pagar a las personas con cuentas morosas. De los datos que se tienen registrados, l sabe que 70% de los deudores son visitados personalmente, 20% se les sugiere que paguen va telefnica y el restante 10% se le enva una carta. Las probabilidades de recibir alguna cantidad de dinero debido a los pagos de una cuenta con estos tres mtodos son 0.75, 0.60 y 0.65, respectivamente. El seor Prez acaba de recibir el pago de una de las cuentas vencidas. Cul es la probabilidad de que la peticin de pago se haya hecho: a) Personalmente? b) Por telfono? c) Por correo? 17. El gerente de comercializacin de una compaa fabricante de juguete est planeando introducir un nuevo juguete en el mercado. En el pasado, 40% de los juguetes introducidos por la compaa han tenido xito y 60% no lo han tenido. Antes de que se comercialice el juguete, se lleva a cabo un estudio de mercado y se compila un informe, ya sea favorable o desfavorable. Anteriormente, 80% de los juguetes exitosos recibieron informes favorables y 30% de los juguetes no exitosos tambin recibieron informes favorables. a) Suponga que el estudio de mercado da un informe favorable sobre el nuevo juguete. Cul es la probabilidad de que el nuevo juguete tenga xito? b) Qu proporcin de los juguetes nuevos reciben informes favorables de estudios de mercado?. 18. Una empresa compra cierto tipo de pieza que es suministrada por tres proveedores: el 45%de las piezas son compradas al primer proveedor resultando defectuoso el 1%. El segundo proveedor suministra el 30% de las piezas, y de ellas es defectuoso el 2%. Las restantes piezas provienen del tercer proveedor, siendo defectuoso el 3% de la mismas. En un control de recepcin de artculos se selecciona una pieza al azar y es defectuosa. Calcular la probabilidad de que la haya suministrado el segundo proveedor.

60

19. Un analista de una empresa manufacturera estima que la probabilidad de que una empresa competidora tenga planes para comenzar a fabricar equipo nuevo en los prximos tres aos es de 0.30 y de 0.70 de que la empresa no tenga tales planes. Si la empresa de la competencia s tiene esos planes, definitivamente se construir una nueva instalacin fabril. Si la empresa de la competencia no tiene esos planes, existe an una probabilidad de 60% de que se construya la nueva instalacin fabril por otras razones, a) Al utilizar E para la decisin de participar en el campo del equipo nuevo y F para la adicin de una nueva instalacin fabril, ilustre los eventos posibles mediante un diagrama de rbol. b) Suponga que la empresa de la competencia, de hecho, ha comenzado a trabajar en la nueva fbrica. Con esa informacin, cul es la probabilidad de que la empresa haya decidido ingresar al campo del nuevo equipo? 20. Ochenta por ciento de material de vinil que se recibe del vendedor A es de calidad excepcional, en tanto que solo cincuenta por ciento de material de vendedor B es de calidad excepcional. Sin embargo, la capacidad de fabricacin del vendedor A es limitada y, por esa razn, solo cuarenta por ciento del vinil que la empresa adquiere proviene de este vendedor. El sesenta por ciento restante se compra al vendedor B. Se inspecciona un embarque de vinil que acaba de llegar y se encuentre que es de excepcional calidad. Cul es la probabilidad de que provenga del vendedor A? 21. En cierta universidad, el 70% de los estudiante vienen de instituciones privadas y el 30% de instituciones estatales. Se sabe que el 25% de los estudiantes que vienen de instituciones privadas y el 10% que vienen de instituciones estatales poseen vehculo propio. a) Si se selecciona un alumno al azar de esta universidad, cul es la probabilidad de que tenga vehculo propio? b) Si el alumno seleccionado posee vehculo propio, cul es la probabilidad de que sea de los que vienen de instituciones estatales? c) Si el alumno seleccionado posee vehculo propio, cul es la probabilidad de que sea de los que vienen de instituciones privadas? 22. La constructora Cedro, S.A. trata de determinar si debera presentar licitacin para la construccin de un nuevo centro comercial. En el pasado, la principal competidora de Cedro, la constructora Nardo, S.A. ha presentado licitaciones el 70% de las veces. Si Nardo no presenta licitacin sobre un trabajo, la probabilidad de que Cedro lo obtenga es del 0.50; si Nardo presenta licitacin, la probabilidad de que lo obtenga Cedro es de o.25. a) Si la constructora Cedro obtienen el trabajo, cul es la probabilidad de que Nardo no haya presentado licitacin? b) Cul es la probabilidad de que la constructora Cedro obtenga el trabajo?

61

TEMA 3 : DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES ALEATORIAS

OBJETIVOS 1. Explicar el concepto de variable aleatoria y utilizarlo para definir eventos. 2. Construir la distribucin de probabilidad y la funcin de distribucin acumulada de una variable aleatoria discreta. 3. Calcular e interpretar la esperanza y la varianza de una variable aleatoria discreta. 4. Conocer y aplicar las propiedades de la esperanza y la varianza de una variable aleatoria discreta. 5. Conocer los modelos probabilsticos ms comunes de una variable aleatoria discreta: modelo Binomial, Hipergeomtrico y de Poisson. 6. Aplicar el modelo probabilstico ms adecuado, segn las condiciones experimentales, a la resolucin de problemas. 3.1 INTRODUCCION En el tema anterior utililizabamos letras como A, B, C, para representar eventos asociados a un experimento aleatorio y nos interesaba calcular, digamos P(A). Ahora utilizaremos variables aleatorias como X, Y, Z, para describir los eventos asociados al mismo experimento aleatorio, pero ahora el inters ser calcular la probabilidad de que la variable aleatoria , digamos X, tome algn valor particular x. Por tanto, ser de mucha utilidad prctica la construcin de distribuciones de probabilidad de una variable aleatoria X y la determinacin de sus caractersticas principales. Ms adelante estudiaremos algunas distribuciones clsicas de probabilidad de variables aleatorias discretas, que llamaremos modelos probabilsticos. Por ahora podemos iniciar con el concepto de variable aleatoria. VARIABLE ALEATORIA Sea S el espacio muestral asociado a un experimento aleatorio. Una funcin X que signa a cada uno de los elementos w de S un nmero x, se llama variable aleatoria.

S w x R

X (w) = x

Figura 3.1
EJEMPLO 3.1 Una empresa tiene 100 cuentas por cobrar de las cuales 30 tienen su saldo incorrecto. Un auditor selecciona al azar y sin reposicin 2 de dichas cuentas y luego registra el nmero de cuentas con saldos incorrectos.

62

Definamos los eventos: C: la cuenta tiene su saldo correcto I: la cuenta tiene su saldo incorrecto.
S

C1

C2 2 C2 I2

C1 C2 C1 I2 I1 C2 I1 I2

I1

Figura 3.2 Como estamos interesados en registrar el nmero de cuentas que tienen su saldo incorrecto, es til definir una variable aleatoria X que asigne a cada elemento de S su nmero de cuentas con saldo incorrecto, o bien de una manera ms sencilla, que la variable aleatoria X represente el nmero de cuentas con saldos incorrectos.
X S R

C1 C2 C1 I2 I1 C2 I1 I2

0 1

Figura 3.3
As,

X ( C1 C2 ) = 0 ;

X ( C1 I2 ) = 1 ;

X ( I1 C2 ) = 1 ;

X ( I1 I2 ) = 2

El recorrido o rango de X es RX = { 0, 1, 2 } que ser llamado conjunto de valores posibles de X.

63

EJEMPLO 3.2 Registrar el tiempo que tarda un economista en revisar un documento de una empresa.

Como el resultado del experimento es ya la caracterstica numrica que queremos registrar entonces vamos a definir la variable aleatoria X como una funcin identidad que asigne a cada tiempo w posible que tarda en revisar el documento el mismo tiempo w, esto es,
X( w ) = w

o bien de una manera ms sencilla, que la variable aleatoria X represente el tiempo que tarda el economista en revisar el documento.
VARIABLE ALEATORIA DISCRETA. X es una variable aleatoria discreta si su conjunto de valores posibles es finito o infinito numerable, esto es, si sus valores se pueden asociar a los enteros 1, 2, 3, . . . . Para el ejemplo 3.1, X es una variable aleatoria discreta porque su conjunto de valores posibles es finito. VARIABLE ALEATORIA CONTINUA. X es una variable aleatoria contina si su conjunto de valores posibles es infinito no numerable, esto es, para dos elementos cualesquiera de este conjunto siempre existir otro entre ellos. Para el ejemplo 3.2, X es una variable aleatoria contina. Porque entre dos tiempos posibles siempre existir otro. EVENTOS DEFINIDOS POR VARIABLES ALEATORIAS.

El conjunto de todas los elementos w de S que tienen asignado (Segn X) un mismo valor particular x, ser un evento que denotaremos por X = x . Esto es, { w S | X( w ) = x } es equivalente a X = x. X

S
w

Figura 3.4

64

De manera anloga se definen los eventos

X < x , X > x

a < X < b , X x , X x , a X b , etc.

Para el ejemplo 3.1, consideremos los siguientes eventos:

Registra 1 cuenta con saldo incorrecto es equivalente a { C I , I C } que tambin es equivalente a

X = 1

Registrar 0 cuentas con saldos incorrectos es equivalente a { CC } que tambin es equivalente a

X = 0.

Registra al menos una cuenta con saldo incorrecto es equivalente a { C I , I C , I I } que tambin es equivalente a X 1
Para el ejemplo 3.2 consideremos los eventos:

Tarda entre 2 y 4 horas es equivalente a 2 < X < 4. Tarda a lo sumo 3.5 horas es equivalente a X 3.5
VARIABLES ALEATORIAS INDEPENDIENTES

Recordemos que dos eventos A y B son independientes si P( A | B ) = P( A ) Extendiendo esta idea, definimos que las variables aleatorias discretas X ,Y son independientes si Para cualquier xi , yj , P( Y = yj ) | X = xi ) = P( Y = yj )

y las variables aleatorias contnuas X, Y son independientes si Para cualquier x, y , P( Y y ) | X x ) = P( Y y )

Esto es, la ocurrencia del evento X x no afecta en nada a la ocurrencia del evento Y y La condicin anterior tambin debe cumplirse para eventos expresados de cualquier otra forma.

65

3.2 DISTRIBUCION DE PROBABILIDAD DE UNA VARIABLE ALEATORIA DISCRETA.

Una distribucin de probabilidad de una variable aleatoria X es una funcin que asigna a cada valor posible xi un nmero f (xi ) = P ( X = xi ) llamado la probabilidad de xi tal que: i) ii)
f ( xi ) 0 f ( xi ) = 1

Nota: Para cualquier otro valor que no sea posible f(x) = 0 f

xi

R 0 Figura 3.5 1

EJEMPLO 3.3 Recordando que X representa el nmero de cuentas con saldos incorrectos en el ejemplo 3.1, construya la distribucin de probabilidad de X.

Arbol de probabilidad
69/99

C2

C1 C2

0.4879

70/100

C1
30/99 70/99

I2 C2

C1 I2 I1 C2

1 1

0.2121 0.2121

30/100

I1
29/99

I2

I1 I 2

0.0879

Figura 3.6 Como los valores posibles de X son 0, 1, 2 tendremos:

f ( 0 ) = P ( X = 0 ) = 0.4879 f ( 1 ) = P ( X = 1 ) = 0.2121 + 0.2121 = 0.4242 f ( 2 ) = P ( X = 2 ) = 0.0879

66

La distribucin de probabilidad de X podemos expresarla como: 1. Una tabla Tabla 3.1 xi 0 1 2

f (xi )

0.4879 0.4242 0.0879 1.0000

2. Una funcin matemtica 0.4879 0.4242 f (x) = 0.0879 0 3. Una grfica.

f(x) 0.6 0.5 0.4 0.3 0.2 0.1 0 -1 0

si si si si

x x x x

= 0 =1 = 2 es cualquier otro valor

0.4879

0.4242

0.0879 1 2 3

Figura 3.7
3.3 FUNCION DE DISTRIBUCION ACUMULADA DE UNA VARIABLE ALEATORIA DISCRETA. Sea f ( x ) la distribucin de probabilidad de una variable aleatoria X. La funcin de distribucin acumulada de la variable aleatoria X se denota y define como: F(x) = P(X x) =

xi

xf ( x

- < x <

67

EJEMPLO 3.4 Construir la funcin de distribucin acumulada de la variable aleatoria X del ejemplo 3.1 Retomemos la distribucin de probabilidad de la variable aleatoria X del ejemplo 3.3 y observemos que valores toma F ( x ) cuando: x < 0 , 0 x < 1 , 1 x < 2 y x 2

i) ii) iii)

Si x < 0 , F ( x ) = 0 Si 0 x < 1 ,

porque no hay valores posibles menores o iguales que x porque slo hay un valor posible, que es el

F ( x ) = f ( 0 ) = 0.4879

0, cuya probabilidad es 0.4879 Si 1 x < 2 , F ( x ) = f ( 0 ) + f ( 1 ) = 0.4879 + 0.4242 = 0.9121 porque hay dos valores posibles, que son el 0 y el 1 cuyas, probabilidades son 0.4879 y 0.4242 respectivamente. Si x 2 , F ( x ) = f ( 0 ) + f ( 1 ) + f (2 ) = 0.4879 + 0.4242 + 0.0879 = 1 porque hay tres valores posibles, que son el 0, 1 y 2, cuyas probabilidades son 0.4879 , 0.4242 y 0.0879 respectivamente. Los resultados anteriores podemos expresarlos como: 1. Una funcin matemtica 0 0.4879 F(x) = 0.9121 1 2. Una grfica si si si si
x < 0 0 x <1 1 x < 2 x 2

iv)

1 F(x) 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 -1 0

0.9121

0.4879

0 1 2 3

x
Figura 3.8

68

Algunas caractersticas de F ( x ) a) F ( x ) es siempre una funcin no decreciente. b) Lm F ( x ) = 1

x +

Lm F ( x ) = 0
x -

c) d)

P(a < X b) = F(b) - F(a) f ( x ) = F ( x ) - F ( x 1 ) si x es un nmero natural.

EJERCICIO 3.1 Las llegadas de clientes a un almacn durante 80 das escogidos aleatoriamente se presenta en la siguiente tabla. Tabla 3.2 No. Llegadas No. das

0 1 2 3

15 25 35 5 80

Si X representa el nmero de llegadas de clientes en un da. i) ii) iii) iv)

3.4

Construya la distribucin de probabilidad de X Cul es la probabilidad de que cierto da lleguen menos de 3 clientes. Construya la funcin de distribucin acumulada de X Cul es la probabilidad de que cierto da lleguen a lo sumo 2 clientes?.
ESPERANZA Y VARIANZA DE UNA VARIABLE ALEATORIA DISCRETA.

Con el propsito de resumir la distribucin de probabilidad de una variable aleatoria discreta X se calcularn sus principales caractersticas: la esperanza y la varianza de X. Sea f(xi ) una distribucin de probabilidad de una variable aleatoria discreta X. La esperanza de X o valor esperado de X se denota y define como:
E(X) =

xi f ( xi )

E ( X ) puede considerarse como una media aritmtica ponderada (donde la ponderacin de cada xi sera la probabilidad f(xi)) esto es la media que espero obtener de un gran nmero de observaciones independientes de X, motivo por el cual escribiremos. E(X) = X

( la media de X )

69

La varianza de X se denota y define como:

V (X) = E [ (X - X )2 ] = ( xi - X )2 f ( xi )

La varianza de X tambin se puede denotar como

V( X ) = 2 X

El clculo se puede simplificar utilizando la siguiente frmula :

V (X) = E ( X2 ) - [ E ( X ) ]2

donde

E ( X2 ) = xi2 f ( xi )

La desviacin estndar de X se denota y define como: X = V(X)

EJEMPLO 3.5 Un vendedor de computadoras tiene la oportunidad de trabajar con cierto comerciante. Supongamos que el vendedor ha evaluado las posibilidades de la venta semanal de la manera indicada abajo. Tabla 3.3 No. Computadoras Probabilidad

0 1 2 3 i) ii)

0.1 0.2 0.3 0.4

Determine el nmero de computadoras que espera vender por semana. Interprete el resultado. Determine la desviacin estndar del nmero de computadoras que vende por semana. Interprete el resultado.

Hagamos que la variable aleatoria X represente el nmero de computadoras que podra vender por semana.
xi f( xi ) xi f( xi ) xi2 f( xi )

0 1 2 3

0.1 0.2 0.3 0.4 1.0

0 0.2 0.6 1.2 2.0

0 0.2 1.2 3.6 5.0

E ( X ) = 2 computadoras y V ( X ) = 5 - [ 2 ]2 = 5 - 4 = 1 computadora2

V( X ) =

1 =1

computadora

70

Estos resultados se interpretan as: A medida que transcurran las semanas, el vendedor espera vender en promedio 2 computadoras y el nmero de computadoras que vender por semana variar la mayor parte de las veces entre 1 y 3 computadoras.
EJEMPLO 3.6 Para la distribucin de probabilidad de la variable aleatoria X del ejemplo 3.3

i) ii)

Calcule el nmero esperado de cuentas con saldos incorrectos (interprete el resultado). Calcule la varianza y la desviacin estndar del nmero de cuentas con saldos incorrectos (interprete el resultado)
( xi - X )2 f ( xi ) xi2 f ( xi )

xi

f ( xi )

x i f ( xi )

0 1 2

0.4879 0.4242 0.0879 1.0000

0 0.4242 0.1758 0.6000

0.1756 0.0679 0.1723 0.4158

0 0.4242 0.3516 0.7758

i)
E ( X ) = X = 0.6 cuentas con saldos incorrectos.

Este resultado podemos interpretarlo diciendo que a medida que el auditor vaya seleccionando 2 cuentas de las 100 muchas veces esperamos en promedio que 0 (ninguna) 1 cuenta con saldo incorrecto, pero un poco ms 1 que ninguna. ii)
V ( X ) = 2 = 0.4158 X
X

= 0.6448

Este valor representa la variacin de X alrededor de X. Esto quiere decir que el nmero de cuentas con saldos incorrectos variar entre 0 (ninguna) y 1 la mayor parte de las veces que el auditor seleccione 2 cuentas de las 100. Utilizando la otra frmula tendremos que:
V ( X ) = 0.7758 - [ 0.6 ]2 = 0.4158
X

= 0.6448

71

EJEMPLO 3.7 Un fabricante produce cierto artculo de tal modo que el 10% son defectuosos. Si se produce un artculo defectuoso, el fabricante pierde C$ 10, mientras que un artculo no defectuoso le produce una ganancia de C$ 50. Determine la ganancia esperada por artculo. Interprete el resultado.

Supongamos que X representa la ganancia por artculo y que toma los valores 10 si se produce un artculo defectuoso y 50 si se produce no defectuoso.
xi f ( xi ) xi f (xi )

-10 50

0.10 0.90

-1 45 44

X = E ( X ) = C$ 44 Este resultado se interpreta as: Cuando el fabricante produzca muchos artculos espera una ganancia promedio por artculo de C$ 44
EJERCICIO 3.2 Para la distribucin de probabilidad de X del ejercicio 3.1 i) Calcule el nmero esperado de llegadas de clientes (interprete el resultado). ii) Calcule la varianza y la desviacin estndar del nmero de llegadas de clientes (interprete el resultado). 3.4.1 PROPIEDADES DE LA ESPERANZA Y LA VARIANZA.

1) E (c ) = c

V(c) = 0 ; V ( c X ) = c2 V ( X )

2) E ( c X ) = c E ( X )

3) E (a + b X ) = a + b E ( X ) ; V ( a + b X ) = b2 V ( X ) 4) Si X , Y son variables aleatorias cualesquiera E(X Y) = E(X) E (Y) 5) Si X , Y son variables aleatorias independientes. V(X Y) = V(X) + V(Y)

72

EJEMPLO 3.8 Para el ejemplo 3.5 considere las siguiente situaciones: 1) Si el comerciante le ofrece al vendedor una comisin de C$ 500 por computador vendido determine: i) El ingreso semanal esperado del vendedor. ii) Las desviacin estndar del ingreso semanal. Interprete los resultados.

Hagamos que la variable aleatoria Y represente al ingreso semanal del vendedor. Entonces Y = 500X Aplicando las propiedades de la esperanza y la varianza y recordando del ejemplo 3 que E ( X ) = 2 computadoras y que X = 1 computadora tenemos que: i) ii) E ( Y ) = 500 E ( X ) = 500 ( 2 ) = C$ 1000 V ( Y ) = 5002V ( X ) = 5002 ( 1 ) = 5002
Y = 500 2 = C$ 500

Por tanto a medida que transcurran las semanas, el vendedor espera tener un ingreso semanal promedio de C$ 1000 y su ingreso semanal variar la mayor parte de las veces entre C$ 500 y C$ 1500. 2) Si el comerciante le ofrece al vendedor pagarle C$ 800 fijos por semana ms C$ 400 por computador vendidor, determine: i) ii) El ingreso semanal promedio del vendedor. La desviacin estndar del ingreso semanal Interprete los resultados Hagamos que Y represente el ingreso semanal del vendedor Entonces Y = 800 + 400X
Y

= E ( Y ) = E ( 800 + 400X ) = 800 + 400 E ( X ) = 800 + 400 ( 2 ) = C$ 1600

V ( Y ) = V ( 800 + 400X ) = 4002 V ( X ) = 4002 ( 1 ) = 4002

Y= 4002 = C$ 400

Cmo interpretara usted estos resultados?

73

EJEMPLO 3.9

Un negociante posee dos restaurantes. Sean X , Y, que se suponen independientes entre s, las ventas diarias de dichos restaurantes. El negociante ha reunido datos de ventas durante muchos aos, y de acuerdo con sus registros, la media y la varianza de X son de C$ 5000 y C$ 100 respectivamente y la media y la varianza de Y son de C$ 7000 y C$ 200 respectivamente. Calcule para los dos restaurantes combinados. i) ii) i) La venta diaria promedio. La desviacin estndar de las ventas diarias.

Sea M: La venta diaria total. Entonces M = X + Y E(M) = E(X + Y ) = E(X) + E (Y) = 5000 + 7000 = C$ 12000

ii)

V ( M ) = V ( X + Y ) = V ( X ) + V ( Y ) = 100 + 200 = C$ 300

300 = C$ 17.3205

74

3.5 MODELOS PROBABILISTICOS 3.5.1 INTRODUCCION Hay situaciones en las cuales el cumplimiento de ciertas condiciones experimentales nos lleva a utilizar lo que llamaremos un modelo probabilstico, esto es , una distribucin de probabilidad de una variable aleatoria definida por una expresin matemtica Estos modelos tendrn un nombre y sern estudiados en esta tema. Para poder comprender estas expresiones matemticas necesitaremos estudiar los siguientes conceptos: EL FACTORIAL DE UN NUMERO Sea n un nmero natural. El factorial de n se denota y define as n! = n ( n 1 ) (n 2 ) . . . . . . 1 Nota: 0! = 1

De manera que: 1! 2! 3! 4! = = = = 1 2 (1) = 2 3 (2) (1) = 6 4 (3) (2) (1) = 24

NUMERO DE COMBINACIONES DE x OBJETOS TOMADOS DE n

El nmero de combinaciones de x objetos tomados de n se denota y define as

n n! = x x! ( n - x )!

Para las siguientes situaciones tendremos que:

n =1 , n n = n , 1 n =1 o

Tambin podemos utilizar la siguiente frmula simplificada

n n ( n - 1 ) LL ( n - x + 1 ) = x x!

donde (n x + 1 ) es el ltimo factor

75

De manera que 8 8! 8(7)(6)5! 8(7)(6) = 3 3! 5! = 3(2)(1)5! = 3(2)(1) = 56 Con la frmula simplificada tendremos que 8 8(7)(6) = 3 3(2)(1) = 56 porque 8 3 + 1 = 6 es el ltimo factor

Para situaciones como las siguientes, escribiremos sin ningn clculo 5 =1 5 calculemos ahora 15 15(14)(13)(12)(11)(10)(9) = = 6435 7 7(6)(5)(4)(3)(2)(1) , 10 = 10 1 , 4 =1 0

3.5.2 DISTRIBUCION BINOMIAL INTRODUCCION La distribucin binomial es una distribucin de probabilidad de una variable aleatoria discreta, que ser aplicable cada vez que se suponga un proceso de Bernoulli. PROCESO DE BERNOULLI Es un proceso de muestreo, esto es, una muestra de tamao n que resulta de repetir un mismo experimento aleatorio (que llamaremos ensayo) n veces y que cumple las siguientes condiciones:

1) Los resultados posibles de cada ensayo pueden clasificarse en dos eventos E y F mutuamente excluyentes y exhaustivos que llamaremos posteriormente xito y fracaso respectivamente. 2) Las probabilidades de (E) y (F) permanecen constantes en todos los ensayos, es decir, el proceso es estacionario. 3) Cualquier serie de eventos E y F obtenidos de los n ensayos constituyen eventos independientes.

76

EL MODELO BINOMIAL Supongamos que estamos ante un proceso de Bernoulli con n ensayos donde uno de los dos eventos ser el xito y la probabilidad de que ocurra un xito se representar por p. Estaremos interesados en una variable aleatoria X que representar el nmero de xitos en la muestra, donde el objetivo principal ser obtener una expresin matemtica que defina a la distribucin de probabilidad de X Puede demostrarse que la siguiente expresin matemtica define una distribucin de probabilidad de X llamada distribucin binomial con parmetros n y p , o modelo binomial con parmetros n y p.
n P ( X = x ) = px ( 1 - p )n - x x

x = 0, 1, 2, L , n

donde x es un valor particular de X y 1 p representa la probabilidad de un fracaso.

CARACTERISTICAS.

1. Cada vez que se especifica un grupo de parmetros n y p se produce una distribucin binomial particular. 2. La distribucin es simtrica si p = 0.50

La distribucin es asimtrica a la derecha si p < 0.50 y a la izquierda si p > 0.50. Cuando n crece y p se acerca a 0.50 la asimetra tiende a disminuir. 3. La esperanza de X se obtiene as

x = E ( X) = np
4. La varianza de X se obtiene as
V(X) = np(1p) EJEMPLO 3.10 En un archivo hay 5 documentos de la empresa A y 15 documentos de la empresa B. Seleccionar al azar y con reposicin 4 documentos anotando la empresa correspondiente de cada uno.

Determine la probabilidad de que 3 sean de la empresa B.

Verificando la existencia de un proceso de Bernoulli. Aqu existe un proceso de muestreo que resulta de repetir el ensayo : seleccionar al azar y con reposicin un documento, n = 4 veces. Miremos ahora que condiciones cumple:

77

1. Cada ensayo tiene dos eventos mutuamente excluyentes y exhautivos:

A representa es de la empresa A B representa es de la empresa B

2. Las probabilidades de A y B permanecen constantes en el proceso porque las selecciones de los documentos se realizaron con reposicin de una poblacin finita. 3. Adems cualquier serie de eventos A y B, obtenidos de los 4 ensayos, constituyen eventos independientes. Luego hay un proceso de Bernoulli con n = 4 ensayos.
Aplicando el modelo Binomial Observe para el proceso anterior con n = 4 ensayos, que el evento B ( es de la empresa B) ser el xito, y la probabilidad de que ocurra un xito ser p = P( B ) = 15 / 20 = 0.75 La variable aleatoria X representar el nmero de documentos de la empresa B en la muestra. La probabilidad de que X = 3 se obtiene aplicando un modelo binomial con parmetros n = 4 y p = 0.75

4 P( X = 3 ) = (0.75)3 (0.25) = 4(0.4219)(0.25) = 0.4219 3

EJEMPLO 3.11 Debidos a las altas tasas de inters, una firma informa que 30% de sus cuentas por cobrar de otras firmas comerciales estn vencidas. Un contador escoge aleatoriamente una muestra de 5 cuentas. 1. Obtenga la expresin matemtica que define a la distribucin de probabilidad del nmero de cuentas vencidas. Verificando la existencia de un proceso de Bernoulli. Aqu existe un proceso de muestreo que resulta de repetir el ensayo : escoger aleatoriamente una cuenta por cobrar, n = 5 veces. Miremos ahora que condiciones cumple:

1. Cada ensayo tiene dos eventos mutuamente excluyentes y exhaustivos:

V representa est vencida V representa no esta vencida

2. Las probabilidades V y V permanecen constantes en el proceso porque las escogencias de las cuentas se realizaron sin reposicin de una poblacin considerada infinita. 3. Adems cualquier serie de eventos V y V, obtenidos de los 5 ensayos, constituyen eventos independientes. Luego hay un proceso de Bernoulli con n = 5 ensayos.

78

Aplicando el modelo Binomial. Observe para el proceso anterior con n = 5 ensayos, que el evento V ser el xito, y la probabilidad de que ocurra un xito ser p = P( V ) = 0.30. La variable aleatoria X representar el nmero de cuentas vencidas en la muestra La expresin matemtica que definir a la distribucin de probabilidad de X ser la correspondiente a un modelo binomial con parmetros n = 5 y p = 0.30. Esto es,

P ( X = x ) = ( 0.30 )x ( 0.70 )5 - x x
2.

x = 0, 1, 2, L, n

Determine la probabilidad de que: a) 2 cuentas estn vencidas P(X=2) = 5 ( 0.30 )2 ( 0.70 ) 3 = 10 ( 0.09 ) ( 0.343 ) = 0.3087 2

b) ninguna este vencida P (X=0) = 5 ( 0.30 )0 ( 0.70 )5 = ( 1 ) ( 1 ) ( 0.1681 ) = 0.1681 0

c) al menos una este vencida P(X1) = 1 - P(X=0) = 1 - 0.1681 = 0.8319 d) todas esten vencidas P (X =5) = 5 ( 0.30 )5 ( 0.70 )0 = ( 1 ) ( 0.0024 ) ( 1 ) = 0.0024 5

EJEMPLO 3.12 La probabilidad de que un presunto cliente de un centro comercial escogido aleatoriamente haga una compra es 0.20. Un vendedor visita a 15 presuntos clientes.

1. Determine la probabilidad de que: a) Haga menos de 3 ventas.

79

Puede verificarse la existencia de un proceso de Bernoulli con n = 15 ensayos, y por tanto, aplicarse un modelo binomial Observe que el evento V ( hacer una venta ) ser el xito y que la probabilidad de que ocurra un xito ser p = P( V ) = 0.20 La variable aleatoria X representar el nmero de ventas realizadas en la muestra y

P(X<3) = P(X 2) = P(X = 0) + P(X = 1) + P(X = 2) se obtiene aplicando un modelo binomial con parmetros n = 15 y p = 0.20
P ( X = 0) = 15 ( 0.20 )0 ( 0.80 )15 = ( 1 ) ( 1 ) ( 0.0352 ) = 0.0352 0 15 ( 0.20 )1 ( 0.80 )14 = 15 ( 0.20 ) ( 0.0440 ) = 0.1319 1 15 ( 0.20 ) 2 ( 0.80 )13 = 105 ( 0.04 ) ( 0.0550 ) 2 = 0.2309

P ( X = 1) =

P ( X = 2) = Luego b)

P ( X < 3 ) = 0.0352 + 0.1319 + 0.2309 = 0.3980 Haga al menos 3 ventas.

P(X 3) = 1 - [P(X = 0) + P(X = 1) + P(X = 2 )] = 1 - 0.3980 = 0.602 2. Determine el nmero esperado de ventas del vendedor y la desviacin estndar del nmero de ventas. E ( X ) = np = 15 ( 0.20 ) = 3 ventas V ( X ) = np ( 1 p ) = 15 ( 0.20) ( 0.80 ) = 2.4 Interpretar el resultado X = 2.4 = 1.5492 ventas

80

3.5.3 DISTRIBUCION HIPERGEOMETRICA Cuando estamos ante un proceso de muestreo con n ensayos que slo cumple la primera condicin del proceso de Bernoulli, significa que cada elemento se seleccion sin reposicin de una poblacin finita de tamao N, lo cual provoc un cambio sistemtico en la probabilidad de un xito y un fracaso a medida que se retiraron los elementos de la poblacin. De manera que ahora no estaremos ante un proceso de Bernoulli, pero ser de inters una variable aleatoria X que representar el nmero de xitos en la muestra. EL MODELO HIPERGEOMETRICO Puede demostrarse que la siguiente expresin matemtica define una distribucin de probabilidad de X llamada distribucin hipergeomtrica con parmetros n, N y A, o modelo hipergeomtrico con parmetros n, N y A. A x P(X = x) = N-A n-x N n

x = 0, 1, 2, L, n

donde N representa el nmero de elementos en la poblacin A representa el nmero de xitos en la poblacin N A representa el nmero de fracasos en la poblacin n representa el nmero de elementos en la muestra x representa el nmero de xitos en la muestra n x representa el nmero de fracasos en la muestra CARACTERISTICAS. A represente la proporcin de xitos en la poblacin y que 1 p representa Hagamos que p = N la proporcin de fracasos en la poblacin. 1. Cada vez que se especifica un grupo de parmetros n, N, A se produce una distribucin hipergeomtrica particular. 2. La distribucin es simtrica si p = 0.50 y asimtrica cuando P 0.50 La distribucin es asimtrica a la derecha si p < 0.50 y a la izquierda si p > 0.50. Cuando n crece y p se acerca a 0.50 la asimetra tiende a disminuir. 3. La esperanza de X se obtiene as

x = E (X) = np

81

4. La varianza de X se obtiene as N -n V(X) = np( 1 - p ) N - 1 Lo cul implica que X

= V(x)

EJEMPLO 3.12 Un gerente selecciona aleatoriamente 3 individuos de un grupo de 10 empleados para asignarlos a un estudio de clasificacin de salarios. Suponga que 4 de los empleados trabajaron previamente en proyectos semejantes.
1. Determine la expresin matemtica que define a la distribucin de probabilidad del nmero de empleados con experiencia. Este es un proceso con n = 3 ensayos, que slo cumple la primera condicin de un proceso de Bernoulli porque los 3 empleados se seleccionaron al azar sin reposicin de una poblacin finita de tamao N = 10. Observe que el evento E (con experiencia) ser el xito y que por tanto tendremos que:

N representa el nmero de empleados del grupo. A representa el nmero de empleados con experiencia.
N A repreenta el nmero de empleados sin experiencia.

n representa el nmero de empleados en la muesta.

x representa el nmero de empleados con experiencia en la muestra. n x representa el nmero de empleados sin experiencia en la muestras. La variable aleatoria X representar el nmero de empleados con experiencia, y la expresin matemtica que va a definir a la distribucin de probabilidad de X, ser la correspondiente a un modelo hipergeomtrico con parmetros n = 3, N = 10 y A = 4. Esto es, 4 6 x 3-x 10 3

P(X = x) =

x = 0, 1, 2, 3

82

2. Determine la probabilidad de que: a) dos tengan experiencia.

4 6 2 3 - 2 P(X = 2) = 10 3 4 6 2 1 = 10 3

6(6) 120

= 0.30

b) ninguno tenga experiencia. 4 6 0 3 - 0 P(X = 0) = 10 3 4 6 0 3 = 10 3

( 1 ) (20 ) = 0.1667 120

c) a lo sumo 2 tienen experiencia P(X 2) = P(X = 0) + P(X = 1) + P(X = 2) 4 6 1 2 10 3

P(X = 1) =

4 ( 15 ) = 0.50 120

Luego P ( X 2 ) = 0.1667 + 0.5000 + 0.3000 = 0.9667 3. Determine el nmero esperado de empleados con experiencia y la desviacin estndar del nmero de empleados con experiencia. Como p =
A 4 = = 0.4 N 10

E( X ) = np = 3(0.4) = 1.20 empleados

N-n V( X ) = np (1 p) = 3(0.4)(0.6)( 7 / 9 ) = 0.56 X = 0.56 = 0.7483 empleados N -1

83

LA DISTRIBUCION BINOMIAL COMO UNA APROXIMACION A LA DISTRIBUCION HIPERGEOMETRICA. Cuando el tamao N de la poblacin se considera muy grande en comparacin al tamao n de la muestra, el hecho de que el muestreo se efecte sin reposicin tiene poco efecto en la probabilidad de xito de cada ensayo. Un mtodo emprico conveniente es que se puede utilizar una distribucin binomial con parmetros A n y p = como una aproximacin de la distribucin hipergeomtrica cuando n < 0.05 N, N esto es, el tamao de la muestra debe ser menor que el 5% del tamao de la poblacin.
EJEMPLO 3.13 Un producto industrial particular se enva en lotes de 200. Como la prueba para determinar si un artculo est defectuoso es costosa, dise un plan de muestreo que recomienda muestrear 5 artculos de cada lote y rechazar el mismo si resulta ms de un artculo defectuoso. Si se rechaza se prueba cada artculo del lote. Suponga que un lote contiene 8 artculos defectuosos.
1. Cul es la probabilidad de aceptar el lote? Aqu hay un proceso de muestreo con n = 5 ensayos que slo cumple la primera condicin de un proceso de Bernoulli porque el muestreo se hace sin reposicin de una poblacin finita. Observe que el evento D (sale defectuoso) es el xito y que por tanto tendremos que: N : representa el nmero de artculos del lote. A : representa el nmero de artculos defectuosos en el lote. n : representa el nmero de artculos en la muestra. x : representa el nmero de artculos defectuosos en la muestra. Como la variable aleatoria X representa el nmero de artculos defectuosos en la muestra Entonces la distribucin de probabilidad de X ser la distribucin hipergeomtrica con n = 5 , N = 200 y A = 8. P (aceptar el lote) = P ( X 1 ) = P ( X = 0 ) + P ( X = 1 )

Miremos ahora la posibilidad de utilizar la distribucin binomial como una aproximacin de la hipergeomtrica.
n N = 5 200 = 0.025 n = 0.025 N

Esto es, el tamao de la muestra es el 2.5% del tamao de la poblacin. Luego se cumple la relacin Podemos utilizar una distribucin binomial con parmetros n = 5 emprica de que n < 0.05 N. A 8 = = 0.04 como una aproximacin de la distribucin hipergeomtrica con y p= N 200 parmetros n = 5, N = 200 y A = 8.

84

5 P(X = 0) = 0 5 P ( X = 1) = 1

( 0.04 ) 0 ( 0.96 ) 5 ( 0.04 ) 1 ( 0.96 ) 4

= ( 1 ) ( 1 ) ( 0.8154 ) = 0.81.54

5 ( 0.04 ) ( 0.8493 ) = 0.1699

P ( X 1 ) = 0.8154 + 0.1699

= 0.9853

3.5.4 DISTRIBUCION DE POISSON Ahora estudiaremos un proceso semejante al proceso de Bernoulli en el cual los eventos ocurrirn en una porcin muy pequea que generalmente ser de tiempo. PROCESO DE POISSON.
Consideremos una unidad t de tiempo, longitud, superficie, volumen, etc. dividida en porciones t muy pequeas. Un proceso de muestreo resultante de la posible repeticin de un mismo experimento aleatorio ( que llamaremos ensayo y cuyos resultados posibles sern llamados observaciones en la porcin t ) ser un proceso de Poisson si cumple las siguientes condiciones: 1) Las observaciones en cada porcin t pueden clasificarse en dos eventos E y F mutuamente excluyentes y exhaustivos que llamaremos xito y fracaso respectivamente. 2) La probabilidad de que se produzca un xito ( E ) es muy pequeo y permanece constante en cada porcin t. La probabilidad de que se produzan dos o ms xitos en una porcin t es tan reducida que podemos asignarle un valor cero. 3) La ocurrencia de un xito ( E ) en la porcin t es independiente dela ocurrencia de otro xito ( E ) en cualquier otra porcin t.

EL MODELO DE POISSON En un proceso de Poisson estaremos interesados en una variable aleatoria X que representar el nmero de xitos en la unidad de tiempo, superficie, volumen, etc. Supongamos que (lambda) representa el nmero promedio de xitos en la unidad de tiempo, superficie, volumen, etc, y que este valor se conoce por experiencia. Entonces la distribucin de probabilidad de X definida por la siguiente expresin matemtica, ser la distribucin de Poisson con parmetros , o simplemente el modelo de Poisson con parmetro .
x e- x!

P( X = x ) =

x = 0, 1, 2, e = 2.71828

85

CARACTERISTICAS. Cada vez que se especifica el parmetro se produce una distribucinde Poisson particular. La distribucin es siempre asimtrica a la derecha cuando es pequea y se acercar a la simetra (con su punto ms alto en el centro) segn aumenta . La esperanza de X se obtiene as
X = E(X) =

La varianza de X se obtiene as

V(X) =

x =

EJEMPLO 3.14 Suponga que el nmero promedio de vehculos que llegan a un parqueo es de 10 por hora. Cul es la probabilidad de qu en una hora determinada lleguen 4 vehculos ? Verificando la existencia de un proceso de Poisson. Consideremos la unidad de tiempo, una hora, dividida en porciones muy pequeas de tiempo, digamos en segundos. 1) En cada segundo pueden observarse dos eventos mutuamente excluyentes y exhaustivos: E : llega un vehculo. F : no llega ninguno vehculo. Suponga que E es el xito y F el fracaso.

2) La probabilidad de que llegue un vehculo en un segundo es muy pequea y permanecer constante en cada segundo. Adems la probabilidad de que lleguen 2 o ms vehculos en un segundo es casi cero. 3) La llegada de un vehculo en un segundo es independiente de la llegada de otro vehculo en cualquier otro segundo. Por lo tanto estamos ante un proceso de Poisson. Aplicando el modelo de Poisson. En el proceso anterior tendremos que: X que representar el nmero de vehculos que llegan en una hora. representar el nmero promedio de vehculos que llegan en una hora. Sabemos por experiencia que = 10 y que la probabilidad de que X = 4 se va a obtener aplicando un modelo de Poisson con parmetro = 10
104 e P( X = 4 ) = 4!
10

10000(0.00004540) 0.4540 = = 0.0189 24 24

86

EJEMPLO 3.15 Suponga que el nmero promedio de llamadas que llegan a una Central Telefnica es de 120 por hora. 1) Construya la expresin matemtica que define a la distribucin de probabilidad del nmero de llamadas que ocurren en 3 minutos. Podemos verificar la existencia de un proceso de Poisson. En este proceso tendremos que: X representar el nmero de llamadas que ocurren en 3 minutos. representar el nmero promediode llamadas que ocurren en 3 minutos. Entonces la expresin matemtica que va a definir a la distribucin de probabilidad de X, ser la 120 correspondiente a un modelo de Poisson con parmetro = ( ) ( 3 ) = 2(3) = 6 60 Esto es, 6x e- 6 , P(X = x) = x = 0, 1, 2, L x! 2) Cul es la probabilidad de que: i) Se reciban 2 llamadas 62 e- 6 P(X = 2) = = 18 e- 6 = 18 ( 0.0025 ) = 0.0450 2!

ii)

Se reciba una llamada o ms P(X 1) = 1 - P(X = 0) 60 e - 6 ( 1 ) e- 6 P(X = 0) = = = e- 6 = 0.0025 1 0! P ( X 1 ) = 1 - 0.0025 = 0.9975

EJEMPLO 3.16 En una fbrica han ocurrido accidentes a razn de una cada dos meses. Suponga que ocurrieron en forma independiente.

1. Determine la probabilidad de que: i) No haya accidente en determinado mes. Tenemos un proceso de Poisson en el cual. X representar el nmero de accidentes que ocurren cada mes. representara el nmero promedio de accidentes por mes.

87

Entonces vamos a utilizar un modelo de Poisson con = P( X = 0 ) = ii)

1 2

= 0.50 accidentes por mes

(0.5)0 e 0.5 (1)e 0.5 = = e 0.5 = 0.6065 0! 1

hayan 4 accidentes en determinado trimestre 1 Utilizaremos un modelo de Poisson con = (3) = 1.5 accidentes 2 ( 1.5 )4 e- 1.5 5.0625 ( 0.231 ) P(X = 4) = = = 0.0471 4! 24 2. Cuantos accidentes espero en un ao? =
1 2 ( 12 ) = 6 accidentes

LA DISTRIBUCION DE POISSON COMO UNA APROXIMACION DE LA DISTRIBUCION BINOMIAL Cuando en una distribucin binomial n es grande y p es pequeo, los clculos son bastante tediosos. Afortunadamente podemos utilizar el modelo de Poisson como una aproximacin del modelo binomial haciendo = np. Una regla emprica conveniente es que tal aproximacin se puede hacer cuando n 20 y p 0.05. EJEMPLO 16. Se sabe que el 1% de las cuentas de ahorro de un banco estn desactivadas. Se selecciona aleatoriamente una muestra de 30 cuentas. Cul es la probabilidad de que 3 cuentas esten desactivadas? Podramos utilizar una distribucin binomial con n = 30 y p = 0.01, pero como se cumple la regla emprica podemos usar la distribucin de Poisson con = 30 ( 0.01 ) = 0.30
P(X = 3) = ( 0.30 )
3

- 0.3

3!

0.027 (0.7408 ) 6

= 0.0033

Si hubieramos utilizado la distribucin binomial con n = 30 y p = 0.01 tendriamos que 30 P(X = 3) = (0.01)3 (0.99)27 = 4060(0.000001)(0.7623) = 0.0031 3 De esta manera la diferencia entre la aproximacin de Poisson y el valor de probabilidad binomial real es 0.0002.

88

EJERCICIOS PROPUESTOS DEL TEMA 3: DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS. 1. En la siguiente tabla se muestra el nmero de camionetas que se han solicitado por da a, una agencia que renta vehculos, en un perodo de 50 das. No. Camionetas 3 4 5 6 7 No. das 10 16 18 4 2 50 Si X representa el nmero de camionetas solicitadas por da. i) ii) iii) iv) Construya la distribucin de probabilidad de X y grafiquela. Cul es la probabilidad de que cierto da se solicitan entre 4 y 6 camionetas (incluyendo a 4 y 6) Cuntas camionetas espero que sean solicitadas en un da? Calcule la desviacin estndar de X e interprete el resultado

2. En la siguiente tabla se muestra el nmero de camiones disponibles por centro de 20 centros distribuidores de cierto artculo No. Camiones 1 2 3 4 No. centros 5 8 6 1 20 1) Si X representa el nmero de camiones disponibles por centro. i) ii) Construya la distribucin de probabilidad de X. Construya la funcin de distribucin acumulada de X.

2) Suponga que un supervisor selecciona al azar el centro que visitar i) Cul es la probabilidad de que tenga ms de 2 camiones disponibles? ii) Cuntos camiones disponibles espera encontrar en el centro despus de muchas visitas? iii) Determine la desviacin estndar del nmero de camiones disponibles por centro. Interprete el resultado.

89

3. El nmero de revistas vendidas por da en una tienda durante 30 das se presenta en la siguiente tabla. No. Revistas 10 11 12 13 14 No. das 3 7 10 8 2

30 Si X representa el nmero de revistas vendidas por da. i) ii) iii) iv) Construya la distribucin de probabilidad de X y grafquela. Cul es la probabilidad de que cierto da se vendan como mximo 12 revistas. Cuntas revistas espero vender en un da ? Interprete el resultado. Calcule la desviacin estndar de X e interprete el resultado.

4. Julio Martnez recibe un lote de 100 discos de clutch. El historial de la empresa muestra que el 10% de discos recibidos es defectuoso. Saquemos al azar 2 discos uno a uno de dicho lote (sin reposicin) y anotemos el nmero de discos defectuosos. Si la variable aleatoria T representa el nmero de discos defectuosos en la muestra. a) Construya una distribucin de probabilidad de T. b) Determine la esperanza y varianza de T. Interprete el resultado. 5. Un inversionista ha decidido invertir su dinero en tres acciones diferentes. En su bsqueda ha encontrado que tiene como alternativas, cinco acciones, de las cuales 2 son preferentes y 3 son ordinarias. Si la variable aleatoria X representa el nmero de acciones preferentes que comprar y decide seleccionarlas al azar. a) Construya la distribucin de probabilidad de X y grafquela. b) Elabore la funcin de distribucin acumulada y grafiquela. 6. Supongamos que la probabilidad de xito de un proyecto es 0.90 y que dicho proyecto es repetido (independientemente uno de otro) hasta que el proyecto sea todo un xito o bien haya sufrido 3 fracasos consecutivos. Si representamos por X el nmero de veces que es necesario repetir el proyecto. a) Construya una distribucin de probabilidad de X. b) Construya una funcin de distribucin acumulada de X. c) Cual es la probabilidad de que el proyecto sea repetido a lo sumo 2 veces.

90

7. Una empresa tiene 4 cuenta por pagar de las cuales una tiene un saldo mayor que C$ 10,000. Un contador selecciona al azar una cuenta despus de la otra, sin reponerla, hasta registrar inclusive la que tiene un saldo mayor que C$ 10,000. Cuntas cuentas espera seleccionar hasta registrar inclusive la que tiene un saldo mayor que C$ 10,000 ? Interpretar el resultado. 8. De 12 cuentas de un archivo, 4 contienen un error de procedimiento al contabilizar los saldos de las cuentas. Un auditor selecciona aleatoriamente dos de estas cuentas (sin reposicin). Si X representa el nmero de cuentas con error de procedimiento en la muestra. a) Construya la distribucin de probabilidad de X y grafquela. b) Construya la funcin de distribucin acumulada de X y grfiquela. 9. Un vendedor ha descubierto que las probabilidades del nmero de ventas por da, se presentan de la siguiente manera: No. Ventas 1 2 3 4 Probabilidad 0.19 0.45 0.29 0.07

Si el vendedor obtiene una comisin de C$ 150 por venta determine: i) ii) La ganancia diaria esperada del vendedor despus de muchos das. La desviacin estndar de la ganancia diaria. Interpretar el resultado

10. Un agente de ventas ha recibido una oferta de trabajo de una casa comercial que distribuye cocinas elctricas. Suponga que X es la variable aleatoria que representa el nmero de cocinas vendidas en una semana y que la distribucin de probabilidad de esas ventas es. x1 0 1 2 3 f ( xi ) 0.30 0.35 0.25 0.10

Si la casa comercial ofrece al agente de ventas pagarle C$ 500 fijos por semana, ms C$ 300 por cada cocina que venda, determine. a) El ingreso semanal esperado del agente de ventas despus de muchas semanas. b) La desviacin estndar del ingreso semanal del agente. Interpretar el resultado.

91

11. Una compaa tiene una sucursal en una ciudad con ventas diarias en crdobas representada por la variable aleatoria X y otra sucursal en otra ciudad con ventas diarias en crdobas representada por la variable aleatoria Y. Al analizar los registros de la compaa por largos perodos anteriores, se ha encontrado que la media y la varianza de X son C$ 4,500 y C$ 340 respectivamente, y la media y la varianza de Y son C$ 5,500 y C$ 300 respectivamente. Si la variable aleatoria Z representa el total de ventas diarias en ambas sucursales, determine:

a) Z b) Z
12. Un vendedor de paraguas gana C$ 30 en das de lluvias; cuando hay das soleados (no lluvia) pierde C$ 6. La probabilidad de que un da sea lluvioso es de 40% Que ganancia espera tener por da a largo plazo? 13. En una empresa de negocios una persona puede obtener ganancias diarias de $ 300 con una probabilidad 0.6 o experimentar una prdida de $ 100 con probabilidad de 0.4. Qu ganancia espera tener por da a largo plazo? 14. Se tienen dos granjas para la siembra de cierto cultivo. Se calcula que en la primera granja el cultivo en cuestin producir una utilidad anual de $ 20,000 si tiene xito, y una prdida anual de $ 2,000 si no lo tiene. Se estima tambin que en la segunda granja el cultivo producir una utilidad anual de $ 25,000 si tiene xito, y una perdida anual de $ 5,000 si no lo tiene. Si la probabilidad de xito en cada granja es . En qu granja se debe sembrar el cultivo con el fin de elevar al mximo las utilidades esperadas? Como se afectara la decisin si la probabilidad fuera en vez de ? 15. Si la probabilidad de que, en un momento dado, el precio del barril de petrleo en el Mercado Mundial se mantenga constante es 0.46; las probabilidades de que el precio aumente $ 0.50 $ 1.00 son respectivamente 0.17 y 0.23 y la probabilidad de que el precio disminuya $ 0.25 es 0.14, Cul es el aumento esperado en el precio del barril de petrleo? 16. Suponga que el 40% de los empleados de una gran firma estn a favor de la representacin sindical, y que se pide una respuesta annima a una muestra aleatoria de 10 empleados. 1. 2. a) b) c) Obtenga la expresin matemtica que define la distribucin de probabilidad del nmero de empleados a favor de la representacin sindical. Cul es la probabilidad de que: Ninguno este a favor de la representacin Sindical. Todos estn a favor de la representacin Sindical. Menos de la mitad estn a favor de la representacin Sindical.

92

17. La probabilidad de que un posible cliente haga una compra cuando un vendedor se comunique con l es 0.40. Si un vendedor selecciona aleatoriamente de un archivo 3 posibles clientes y se comunica con ellos. 1. Cul es la probabilidad de que el vendedor haga a) 3 ventas b) por lo menos 2 ventas 2. Cuntas ventas espero que haga el vendedor a largo plazo? 3. Calcule la desviacin estndar del nmero de ventas. 18. La probabilidad de que un empleado elegido al azar este participando en un programa de inversin en acciones de una compaa es 0.30. Si se eligen al azar 5 empleados. Cul es la probabilidad de que el nmero de participantes sea a) Exactamente 3 empleados? b) Menos de 3 empleados? c) Por lo menos 4 empleados? 19. Un gerente de un banco sabe por experiencia que, en promedio, el 10% de los clientes de prstamos fallan en sus pagos. Un da el gerente autoriza 7 prstamos. 1. Cul es la probabilidad de que: a) Ninguno falle en sus pagos? b) Uno falle en sus pagos? c) Al menos dos fallen en sus pagos? 2. Cuntos clientes espero que fallen en sus pagos despus de muchas autorizaciones de ese tipo. 3. Calcule la desviacin estndar del nmero de clientes que fallan en sus pagos. 20. Con base en la experiencia anterior, el 15% de las facturas de una compaa que vende libros por correo estn incorrectas. Si se selecciona una muestra aleatoria de 3 facturas actuales, 1. Obtenga la expresin matemtica que define la distribucin de probabilidad del nmero de facturas incorrectas. 2. Cul es la probabilidad de que: a) dos facturas estn incorrectas? b) No ms de dos facturas estn incorrectas?

93

21. Suponga que el 4% de todos los insectos expuestos a un insecticida en condiciones de laboratorio pudieron sobrevivir. 1. Si se expone una muestra de 5 insectos a este insecticida, Cul es la probabilidad de que: a) Sobrevivan los 5 insectos? b) No sobrevivan los 5 insectos? c) Sobreviva al menos un insecto? 2 Si se expone una muestra de 50 insectos al insecticida. a) Cuntos espero que sobrevivan? b) Calcule la desviacin estndar del nmero de insectos que sobrevivan 22. La probabilidad de que un vendedor de seguros efecte la venta en su primer visita a un cliente nuevo es de 0.25. Si el vendedor va a visitar hoy a 3 nuevos clientes, 1. Cul es la probabilidad de que efecte una venta a a) exactamente un cliente nuevo b) por lo menos dos clientes nuevos. 2. A cuntos clientes espera hacerle una venta despus de muchos das ? 23. Un auditor del Departamento del Impuesto sobre la Renta est seleccionando una muestra de 6 declaraciones de impuestos de personas de una profesin particular, para una posible auditora. Si dos o ms de ellas indican deducciones no autorizadas, se auditar todo el grupo (poblacin) de 100 declaraciones. Cul es la probabilidad de una auditora ms detallada si el porcentaje de declaraciones incorrectas es: a) 25 ? b) 30 ? c) Comente las diferencias en sus resultados dependiendo del porcentaje real de declaraciones incorrectas. 24. El cuerpo secretarial de un importante bufete de abogados contiene 25 secretarias, 10 de las cuales han estado con la firma ms de 5 aos. Si un ejecutivo selecciona al azar a 3 secretarias para asignarlas a un asunto nuevo, 1. Cul es la probabilidad de que: a) ninguna tenga ms de 5 aos de experiencia. b) dos tengan ms de 5 aos de experiencia. 2. Escriba la expresin matemtica que define la distribucin de probabilidad del nmero de secretarias con ms de 5 aos de experiencia.

94

25. Un auditor esta analizando los documentos por pagar de una empresa comercial. En este momento hay 800 documentos firmados por esa empresa. Como el nmero de documentos es relativamente elevado, el auditor decide extraer una muestra de 8 documentos e investigarlos. La decisin de aprobar la cuenta o de seguir investigando depende del resultado de la nuestra. El auditor decide certificar las cuentas por pagar, si a lo ms uno de los 8 documentos muestreados es errneo, y continuar investigando si encuentra dos o ms documentos errneos. Si en realidad hay 16 documentos errneos. a) Cul es la probabilidad de que el auditor certifique las cuentas? b) Cul es la probabilidad de que decida continuar investigando? Sugerencia: Aproxime las probabilidades con una distribucin binomial. 26. Se embarcan motores elctricos pequeos en lotes de50. Antes de que tal cargamento sea aceptado, un inspector elige 5 motores y los inspecciona. Si ninguno de los motores probados es defectuoso, el lote es aceptado. Si se encuentra que uno o ms son defectuosos, se inspecciona el cargamento completo. Suponiendo que en realidad hay 3 motores defectuosos en el lote. Cul es la probabilidad de que no sea necesaria una inspeccin completa? 27. Un representante de ventas debe visitar 6 ciudades en un viaje. Suponga que existen 10 ciudades en el rea geogrfica a visitar, de las cuales 6 de ellas son mercados primarios para el producto en cuestin, mientras que las otras 4 constituyen mercados secundarios. Si el vendedor elige en forma aleatoria las 6 ciudades que va a visitar. 1. Determine la expresin matemtica que define la distribucin de probabilidad del nmero de ciudades que son mercados primarios. 2. Cul es la probabilidad de que: a) cuatro de ellas resulten ser mercados primarios? b) todas sean mercados primarios? 28. En la Contralora General de la Repblica (CGR) hay 20 solicitudes para trabajar como auditor. Si se aprueban 10 solicitudes, cul es la probabilidad de qu se encuentren las 5 mejores de todas las solicitudes? 29. El nmero promedio de llamadas por minuto recibidas en un taller de servicio de televisin es de 1.2 1. Determine la expresin matemtica que define la distribucin de probabilidad del nmero de llamadas recibidas por minuto 2. Cul es la probabilidad de que en un minuto dado: a) se reciban menos de dos llamadas b) se reciban 4 llamadas 3. Cul es la probabilidad de que en 5 minutos dados. a) se reciban 2 llamadas b) al menos una llamadas

95

28. Los empleados de una oficina del Banco Central atienden como promedio120 personas en una hora de aglomeracin. Si se sabe que como mximo estos empleados pueden atender 3 personas por minuto, Cul es la probabilidad de que en un minuto dado: a) no haya cola en la oficina? b) haya cola en la oficina? c) hayan 3 personas en la cola de la oficina? 29. Suponga que el nmero de defectos por yarda cuadrada de cierto tipo de tela tiene una distribucin de probabilidad de Poisson. Segn la experiencia de la fbrica, el nmero promedio de defectos es de 1.5. Calcular la probabilidad de que una yarda cuadrada tenga: a) Tres defectos o menos. b) Entre 3 y 5 defectos. 30. Una oficina policial del pas Homicilandia reporta que en dicho pas hay un nmero promedio de 2 homicidios diarios. 1. Construya la expresin matemtica que define la distribucin de probabilidad del nmero de homicidios diarios. 2. Determine la probabilidad de que en un da determinado haya: a) menos de 3 homicidios. b) Al menos 2 homicidios. 31. Desde el ao 1998, la clausura de bancos por problemas financieros ha ocurrido a razn de 5.7 clausuras por ao, en promedio. Suponga que el nmero de cierres X en un determinado perodo de tiempo tienen una distribucin de probabilidad de Poisson. a) Encuentre la probabilidad de que por lo menos tres bancos sean clausurados durante un ao determinado. b) Encuentre la probabilidad de que ningn banco sea clausurado durante un perodo de 4 meses. 32. El conmutador telefnico de una empresa puede manejar un mximo de 5 llamadas por minuto. Si la experiencia indica que recibe un promedio de 120 llamadas por hora, encuentre la probabilidad de que en un determinado minuto el conmutador est sobrecargado. 33. Se supone segn la experiencia que el 2% de las facturas de una empresa que vende libros por correo estn incorrectas. Si se selecciona una muestra aleatoria de 20 facturas, encuentre la probabilidad de que cuando menos una factura este incorrecta Sugerencia: Aproxime la probabilidad con una distribucin de Poisson. 34. Para el ejercicio 21 suponga que se expone una muestra de 30 insectos al insecticida. Cul es la probabilidad aproximada, segn la distribucin de Poisson, de que a) sobreviva un insecto b) no sobreviva ninguno

96

TEMA 4 : DISTRIBUCION NORMAL

OBJETIVOS. 1. Explicar la necesidad de introducir el concepto de funcin de densidad de probabilidad de una variable aleatoria contnua. 2. Definir la distribucin normal y explicar sus principales caractersticas. 3. Poder transformar cualquier distribucin normal en distribucin normal estndar. 4. Calcular probabilidades de eventos definidos por variables aleatorias que siguen una distribucin normal. 5. Aplicar la distribucin normal en la solucin de problemas. 4.1 INTRODUCCION Si x1, x2, , xk son todos los valores admisibles de una variable aleatoria discreta X entonces cada valor xi contribuye con una cantidad f (xi) al total:

f (x ) = 1
i

Cuando una variable aleatoria X es continua no tiene sentido hacer una suma de probabilidades en el sentido anterior ya que su conjunto de valores posibles es no numerable. En este caso, se generalizar el concepto de suma ( ) con el concepto de integral ( ). Por tanto, cuando la variable aleatoria sea contnua ser necesario introducir el siguiente concepto que sustituya al de funcin de probabilidad de una variable aleatoria discreta. Funcin de densidad de probabilidad de una variable aleatoria X continua. Es una funcin f : R R integrable, que cumple las siguientes condiciones:
i) ii)
f ( x) 0

f (x)dx = 1

La probabilidad de que X tome un valor comprendido entre a y b ser la siguiente rea. P(a X b) =

f (x)dx = A

97

Esto es, el rea que existe entre la funcin, el eje x y las rectas x = a y x = b. f(X)

b Figura 4.1

No ser inters hablar de la probabilidad de que X tome un valor particular a, ya que siempre tendremos que: P(X = a) = 0 Por esta razn, la probabilidad de que X tome un valor comprendido en un intervalo no se ver afectada por el hecho de que este sea abierto o cerrado en cualquiera de sus extremos: P(a X b) = P(a < X b) = P(a X < b) = P(a < X < b) P(X a) = P(X < a) P(X a) = P(X > a) De todos los modelos probabilsticos contnuos que existen estudiaremos a continuacin el ms importante segn sus aplicaciones a situaciones reales. 4.2 DISTRIBUCION NORMAL

Esta distribucin es considerada la ms importante por las siguientes razones: 1. Numerosos fenmenos contnuos parecen seguirla o se pueden aproximar mediante ella. 2. Se puede utilizar para aproximar distribuciones de probabilidad de variables aleatorias discretas. 3. Proporciona la base para la Estadstica Inferencial. 4.2.1 EL MODELO NORMAL Decimos que una variable aleatoria continua X, tiene una distribucin normal con parmetros y 2, lo cual denotaremos por X definida por:

N ( , 2 ), si la funcin de densidad de probabilidad de X est

- 1 f (x) = e 2 2

1 x -

- < x < e = 2.71828 L

98

CARACTERISTICAS. 1. Es una familia de distribuciones normales de tal forma que cada vez que se especifican los parmetros y 2 se identifica al correspondiente miembro de la familia, esto es, se produce una distribucin normal particular. 2. Los dos parmetros y 2 conciden con la media (esperanza) y la varianza respectivamente de X, esto es E(X) = V( X ) = 2 X =
V( X )

3. Tiene forma de campana y el valor mximo de f ( x ) ocurre en x = . Tambin tiene puntos de inflexin que ocurren en x = - y x = +

Figura 4.2 4. La mediana y la moda coinciden con , y por lo tanto, es simtrica con respecto a , as que P(X ) = P(X ) = 1 2

5. A medida que x aumenta o disminuye a partir de , f ( x ) decrece uniformemente, de tal forma que cuando x , f ( x ) 0. Esto significa que el eje X es asntota de la curva normal, en otras palabras, que a medida que x se aleja de , en ambas direcciones, f ( x ) se acerca cada vez ms al eje X, pero nunca llega a tocarlo. Formando de esta manera colas que se extienden indefinidamente en ambas direcciones. 6. La posicin y forma de la campana depender respectivamente de los valores y . Esto quiere decir que le dar posicin a la campana, mientras que le dar forma. As que cuanto menor sea , mayor rea habr concentrada alrededor de y la curva ser muy apuntada cerca de , y cuanto mayor sea , menor rea habr alrededor de y ms aplastada ser la curva.

99

1 Figura 4.3

En la figura 4.3 se dan tres funciones de densidad de probabilidad normales. Las funciones de densidad de probabilidad A y B tienen la misma media 1 pero diferentes desviaciones estndar. La desviacin estndar de la funcin de densidad de probabilidad B es menor que la desviacin estndar de la funcin de densidad de probabilidad de A, motivo por el cual aparece ms apuntada . Por otra parte, las funciones de densidad de probabilidad A y C tienen la misma desviacin estndar pero medias diferentes. Ms an, las funciones de densidad de probabilidad de B y C tienen diferentes medias y tambin diferentes desviaciones estndar. 4.2.2 LA DISTRIBUCION NORMAL ESTANDAR

Si una variable aleatoria Z tiene una distribucin normal con parmetros Z = 0 y Z = 1 entonces estamos en presencia de un miembro muy honorable de la familia, que llamaremos distribucin normal estndar. La figura 4.4 ilustra esta distribucin. Z = 1

Z = 0 Figura 4.4

100

4.2.3 ESTANDARIZACION DE LA DISTRIBUCION NORMAL Cada vez que apliquemos una distribucin normal a una situacin dada ser necesario identificar un miembro de la familia, esto es, una variable aleatoria X que tenga distribucin normal con parmetros y , con el fin de poder calcular las probabilidades solicitadas. Lo anterior significa que cada situacin o problemas tendra su propia distribucin normal, lo cual resulta muy incmodo. Para evitar ese inconveniente convertiremos la variable aleatoria X que tiene distribucin normal con media y desviacin estndar a otra variable aleatoria Z que tenga distribucin normal estndar, mediante la siguiente frmula de transformacin: X - = Z Esto es, las diferencias X - expresadas en unidades de la desviacin estndar. A Z le llamaremos variable aleatoria estandarizada y su funcin de densidad de probabilidad estar definida as:
1 f (z) = e2 2 1
Z2

- < z <

El procedimiento de estandarizacin de una distribucin normal puede apreciarse con el siguiente grfico. Z = 1

X Figura 4.5

Z = 0

En smbolos lo anterior puede escribirse as: X -

X~ N ( , )

= Z ~ N ( 0 ,1)

101

4.2.4 LA FUNCION DE DISTRIBUCION ACUMULADA DE LA VARIABLE ALEATORIA Z Suponga que f ( s ) es la funcin de densidad de probabilidad de Z. La funcin de distribucin acumulada de Z se denota y define como
F(z) = P(Z z) =

- f ( s ) d s

= A

Las figuras siguientes ilustran la funcin de distribucin acumulada de Z. A

0 Figura 4.6

0 Figura 4.7

Con el propsito de no recurrir a los mtodos de integracin numrica se ha elaborado una tabla para la funcin de distribucin acumulada de Z, que nos permite leer directamente el valor de F ( z ) para cualquier valor z. USO DE LA TABLA Note que la tabla consta de dos partes, una arriba, para los valores negativos de z y otra abajo para los valores positivos de z. Observe, para ambas partes de la tabla, que en el mrgen izquierdo est el dgito unitario y una dcima de z, mientras que en el margen superior se encuentran las centsimas de z. EJEMPLO 4.1 Encuentre P ( Z - 1.24 )

102

Aplicando la definicin de funcin de distribucin acumulada de Z tenemos que:

P ( Z - 1.24 ) = F ( - 1.24 ) =

- 1.24

f (z)dz

Para no calcular la integral definida anterior es que usaremos la tabla 1, que aparece en la pgina 111, de la siguiente manera: Bajamos sobre el mrgen izquierdo o columna z, de la parte de arriba de la tabla, hasta encontrar -1.2, luego buscamos en el margen superior el 4. Ahora tracemos dos lneas imaginarias, una horizontal que pase por 1.2 y otra vertical que pasa por 4. En la interseccin de las lneas anteriores encontraremos el valor 0.1075. De manera que F (-1.24 ) = 0.1075. La ilustracin grfica del resultado anterior es

0.1075

- 1.24

0 Figura 4.8

4.2.5 COMO CALCULAR PROBABILIDADE DE EVENTOS DESCRITOS POR VARIABLES ALEATORIAS NORMALES. Suponga que la variable aleatoria X tienen una distribucin normal con parmetros y 2. Estamos interesados en calcular probabilidades de eventos de finidos por X. Segn la forma en que se definan estos eventos, consideraremos los siguientes casos: Caso 1. El evento tiene la forma X < c donde c es un valor determinado, queremos calcular P ( X < c ). Lo primero que tenemos que hacer es estandarizar la variable aleatoria X y el valor c. Una ilustracin grfica sera la siguiente donde se ha sombreado el rea que representa P ( X < c ) A x - A = Z 1

X Figura 4.9

103

El hecho anterior permitir que: P(X < c) = P(Z < c c ) = F =A

Esta rea acumulada a la izquierda de c - podemos leerla directamente en la tabla Caso 2. El evento tiene la forma X > c donde c es un valor determinado, queremos calcular P ( X > c ). Una ilustracin grfica sera la siguiente donde se ha sombreado el rea que representa P ( X > c ).

Figura 4.10

Como la distribucin normal es simtrica podemos escribir que: P(X > c) = 1 - P(X c) = A Esto es, el rea acumulada a la derecha de c es igual a 1 menos el rea acumulada a la izquierda de c. El rea acumulada a la izquierda de c, esto es, P ( X < c ) se encuentra aplicando el Caso 1. Caso 3. El evento tiene ahora la forma a < X < b donde a y b son valores determinados, queremos calcular P ( a < X < b ). Una ilustracin grfica sera la siguiente donde se ha sombreado el rea que representa P ( a < X < b ).

a Figura 4.11

104

Aplicando diferencias de reas acumuladas a la izquierda de b y a podemos escribir que: P(a<X<b) = P(X< b) - P(X < a) = A donde P ( X < b ) y P ( X < a ) se encuentran aplicando el caso 1 a cada una. EJEMPLO 4.2 Suponga para cierta marca y modelo de computadora, que el tiempo de operacin en forma efectiva (antes de la primera descompostura) sigue una distribucin normal con una media de 350 horas y una desviacin estndar de 50 horas. 1. Cul es la probabilidad de qu una computadora de esa marca y modelo opere efectivamente: i) menos de 300 horas

Suponga que la variable aleatoria X representa el tiempo de operacin en forma efectiva de las computadoras. Sabemos que X N ( = 350 , = 50 ) y que necesitamos calcular P ( X < 300 ). Una ilustracin grfica de la estandarizacin de X y 300 se da a continuacin donde se ha sombreado el rea representada por P ( X < 300 ). = 50 A = 0.1587 A = 0.1587

300

= 350

X Figura 4.12

-1

Como el evento X < 300 corresponde al Caso 1, tenemos que:

P ( X < 300 ) = P Z < 300 - 350 50

= P ( Z < - 1 ) = F ( - 1 ) = 0.1587

105

ii) Por lo menos 280 horas. Aqu queremos calcular P ( X 280 ). Una ilustracin grfica ser la siguiente donde se ha sombreado el rea representada por P ( X 280 ).

A = 0.9192

280

= 350 Figura 4.13

Como el evento X 280 corresponde al caso 2, tenemos que: P ( X 280 ) = 1 - P ( X < 280 )
donde segn el caso 1, P ( X < 280 ) = P Z < 280 - 350 50

= P ( Z < - 1.40)
= F ( - 1.40 ) = 0.0808

Luego P ( X 280 ) = 1 0.0808 = 0.9192. iii) Entre 300 y 403 horas.

Ahora queremos calcular P ( 300 < X < 403 ) La ilustracin grfica de esta situacin se da a continuacin donde se ha sombreado el rea que representa P ( 300 < X < 403 ).

A = 0.6967

300

= 350 Figura 4.14

403

106

Como el evento 300 < X < 403 corresponde al caso 3, tenemos que: P ( 300 < X < 403) = P ( X < 403) - P ( X < 300 )

donde segn el caso 1,

P ( X < 403 ) = P Z < 403 - 350 50

= P ( Z < 1.06 ) = F (1.06 ) = 0.8554

Luego P ( 300 < X < 403 ) = 0.8554 - 0.1587 = 0.6967

2. Suponga que un momento dado se disponen de 500 computadoras de esa marca y modelo, Cuntas espero que operen en formas efectiva despus de 280 horas?. Como hay 500 computadoras espero 500 P ( X > 280 ) = 500 ( 0.9192 ) = 459.6 computadoras. 3. En cuntas horas estarn descompuestas el 99% de esas computadoras? Recordemos que X representa el tiempo de operacin en forma efectiva de las computadoras. Supongamos que a representa el mximo tiempo en horas que tarda en descomponerse el 99% de esas computadoras, entonces. A = 0.99

= 350 Figura 4.15 P ( X a ) = 0.99 Estandarizando X y a obtenemos

P Z a - 350 50

= P ( Z < 2.33 )

El valor 2.33 se encuentra as: Buscamos en el cuerpo de la tabla 4.1 el valor ms cercano a 0.99 que debe ser 0.9901, luego trace a partir de l una lnea horizontal imaginaria hasta que toque el margen izquierdo de la tabla en 2.3 ; despus trace una lnea imaginaria vertical hasta que toque el mrgen superior de la tabla en 3. Ahora si las reas acumuladas a la izquierda de a - 350 50 cumplirse que: a - 350 = 2.33 50 y 2.33 son iguales, entonces debe

a = 350 + 2.33 (50) =350 + 116.5 = 466.5 horas

107

EJEMPLO 4.3 En la rama de la construccin est establecido por la ley un salario mnimo de C$ 12 por hora para los obreros. Si suponemos que los salarios en esta rama estn distribuidos normalmente con una media de C$ 18 por hora y una desviacin estndar de C$ 3. i) Qu porcentaje de los obreros podran iniciar un proceso de demanda por incumplimiento a la ley? Supongamos que la variable aleatoria X representa al salario de los obreros. Sabemos que X N ( = 18 , = 3 ). Cuando el salario X no llega al mnimo se puede iniciar un proceso de demanda, esto es, cuando X < 12. Por tanto calcularemos P ( X < 12). Una ilustracin grfica de la estandarizacin de X y 12 aparece a continuacin donde se ha sombreado el rea representada por P ( X < 12 ). =3 A = 0.0227 A = 0.0227

12

= 18

X Figura 4.16

-2

Como el evento X < 12 corresponde al caso 1, tenemos que:

P ( X < 12 ) = P Z < 12 - 18 = P ( Z < - 2 ) = 0.0227 3 El 2.27% de los obreros pueden iniciar un proceso de demanda

ii) Cul es el menor salario que perciben los obreros que representan el 10% de los mejores remunerados? Suponga que c representa el menor salario que perciben el 10% de los mejores remunerados. Entonces P ( X c ) = 0.10 Como el evento X c corresponde al caso 2. 1 - P ( X < c ) = 0.10 Estandarizando X obtenemos P ( X < c ) = 0.90

P Z < c - 18 3

= P ( Z < 1.28 )

Luego

c - 18 = 1.28 c = 18 + 1.28 (3) = C$ 21.84 3

108

EJERCICIOS PROPUESTOS DEL TEMA 4: LA DISTRIBUCION NORMAL. 1. Determine el rea situada bajo la curva normal estndar que se encuentra: a) b) c) d) e) f) entre z = 0 y z = 0.94 entre z = -2.15 y z = 0 a la derecha de z = 0.92 a la derecha de z = - 0.93 a la izquierda de z = 0.84 a la izquierda de z = -0.35

2. Determine z si el rea de la curva normal. a) b) c) d) A la derecha de z es a la derecha de z es a la izquierda de z es a la derecha de z es 0.9983 0.7324 0.1314 0.2981

3. Las encuestas realizadas por una corporacin financiera han revelado que la vida de una cuenta regular de ahorros abierta en uno de sus bancos tiene una distribucin normal con un promedio de 26 meses y una desviacin estndar de 8.2 meses. Si un depositante abre una cuenta en un banco que es miembro de esa corporacin: a) Cul es la probabilidad de que en esa cuenta haya todava dinero despus de 30 meses? b) Cul es la probabilidad de que la cuenta haya sido cancelada antes de un ao y medio? La vida de un cierto tipo de tubo fluorescente est normalmente distribuida y su media es 1500 4. horas con una desviacin estndar de 250. La UNAN colocar 1200 de ellos en el prximo ao (en el mes de Enero). Se calcula que esos tubos trabajarn 6 horas diarias, con 105 das de inactividad en el ao. Para confeccionar el plan de piezas de repuesto del prximo ao, Qu cantidad de tubos habr que tener de reserva para que se mantengan 1200 de ellos funcionando? El nmero de das entre la facturacin y el pago de las cuentas de crdito de un almacn tiene 5. una distribucin aproximadamente normal con una media de 18 das y desviacin estndar de 4 das. a) Qu proporcin de las cuentas sern pagadas. a.1. entre 12 y 18 das? a.2. en menos de 8 das? a.3. en 12 das o ms. b) En cuntos das estarn pagadas el 99.5% de las cuentas?

109

La empresa Consolidada de Conformacin de Metales produce varillas de aluminio. Se 6. conoce que segn el proceso empleado se fabrican varillas cuyas longitudes son normalmente distribuidas con media poblacin igual a 6.00 pulg y desviacin estndar igual a 0.30 pulg. Si las especificaciones requeridas para las longitudes son desde 5.60 pulg hasta 6.50 pulg: a) Qu proporcin de las varillas son cortas? b) La empresa afirma que a lo sumo el 5% de las varillas resultan largas. Es cierta dicha afirmacin? Explique su respuesta. El editor de una editorial calcula que transcurren en promedio 11 meses antes de terminar el 7. proceso de publicacin, desde la elaboracin del manuscrito hasta terminar con el libro, con una desviacin estndar de 2.4 meses. Piensa que la distribucin normal describe bien los tiempos de publicacin. De 19 libros que tendr a su cargo este ao, aproximadamente cuntos finalizarn el proceso en menos de un ao ? La duracin de un determinado tipo de lavadora automtica tiene una distribucin 8. aproximadamente normal, con una media de 3.1 aos y una desviacin estndar de 1.2 aos. Qu proporcin del total de unidades vendidas tendr que ser reemplazado si la garanta es de un ao.? Suponga que el tiempo necesario para que germine una variedad de semillas de una planta est 9. normalmente distribuido con una media de 15 das y desviacin estndar de 4 das. a) Qu proporcin de las semillas deben germinar a.1. antes de 19 das? a.2. despus de 23 das? b) A los cuntos das deben haber germinado tres cuartas partes de las semillas? 10. Un anlisis de duracin de llamadas telefnicas locales hechas desde la oficina de una empresa muestra que el tiempo de llamadas es una variable aleatoria que tiene una distribucin aproximadamente normal con una media de 125.7 segundos y una desviacin estndar de 30 segundos. Qu porcentaje de estas llamadas. a) Es mayor que 3 minutos? b) Es cuando mucho, 2 minutos? c) Est entre 120 y 180 segundo? 11. La direccin de carreteras de un estado se encuentra conque su ingreso anual por cuotas esta normalmente distribuido con una media de 700000 dlares y una desviacin de 50000. El gerente desea saber: a) La probabilidad de que queden cubiertos los gastos de operacin del ao prximo que ascienden a 680000 dlares. b) La probabilidad de que estos gastos queden cubiertos en los siguientes dos aos (suponiendo que el monto de ingreso de un ao sea independiente del ao anterior). c) El monto del ingreso en el mejor 25% de los aos.

110

12. En un estado hay x gasolineras cuyos ingresos son normalmente distribuidos con una media de 29000 dlares al ao y una desviacin estndar de 5100. Unas 189 gasolineras ganan entre 26000 y 31000 dlares al ao. Cuntas gasolineras hay en el estado?. 13. Supongamos que la vida til de cierta marca de llanta de automvil se distribuye aproximadamente normal con media y desviacin estndar iguales a 32,000 y 1000 millas respectivamente. a) Cul es la probabilidad de que una llanta dure al menos 30,350 millas? b) Si una empresa ha tenido que reemplazar el 5% de las llantas vendidas, Cul fue la garanta utilizada? 14. La demanda semanal de artculos que produce una empresa es una variable aleatoria aproximadamente normal con una media de 20 artculos y una desviacin estndar de 2 artculos. Cul es la probabilidad de que cierta semana la demanda sea: i) ii) Como mximo 12 artculos? Como mnimo 20 artculos?

15. Una empresa de jabonera y perfumera usa una mquina para llenar cajas con polvo facial. En un informe del departamento de control estadstico de la calidad, se afirma que los pesos netos de las cajas estn distribuidos normalmente con una media igual a 15 onzas y desviacin estndar igual a 0.8 onzas. a) Se selecciona al azar una caja, cul es la probabilidad de que tenga un peso neto mayor de 14.5 onzas? b) Si cierto da la mquina llena 1500 cajas, cuntas cajas tendrn pesos netos menores que 14.5 onzas? 16. En un curso de Estadstica el 15% de los estudiantes, los mejores, recibieron un premio y el 10%, los peores, perdieron el curso. Suponiendo que las calificaciones del curso estn distribuidas normalmente con una media de 76 y una desviacin estndar de 15. i) Cul fue la calificacin mnima para aprobar. ii) Cul fue la calificacin mnima para ganar un premio. 17. Se estima que aproximadamente la demanda semanal de diesel en una gasolinera estar normalmente distribuida con una media de 1000 galones y una desviacin estndar de 50 galones. La gasolinera se abastecer de diesel una vez a la semana. Cul debe ser la capacidad de su tanque, si suponemos que la probabilidad de que se termine el diesel en una semana es 0.01.

111

Tabla 1
z -3. -2.9 -2.8 -2.7 -2.6 -2.5 -2.4 -2.3 -2.2 -2.1 -2.0 -1.9 -1.8 -1.7 -1.6 -1.5 -1.4 -1.3 -1.2 -1.1 -1.0 -.9 -.8 -.7 -.6 -.5 -.4 -.3 -.2 -.1 -.0

Funcin de distribucin acumulada de Z (Areas a la izquierda de z)

0
.0013 .0019 .0026 .0035 .0047 .0062 .0082 .0107 .0139 .0179 .0227 .0287 .0359 .0446 .0548 .0668 .0808 .0968 .1151 .1357 .1587 .1841 .2119 .2420 .2743 .3085 .3446 .3821 .4207 .4602 .5000 .0018 .0025 .0034 .0045 .0060 .0080 .0104 .0136 .0174 .0222 .0281 .0351 .0436 .0537 .0655 .0793 .0951 .1131 .1335 .1562 .1814 .2090 .2389 .2709 .3050 .3409 .3783 .4168 .4562 .4960 .0017 .0024 .0033 .0044 .0059 .0078 .0102 .0132 .0170 .0217 .0274 .0344 .0427 .0526 .0643 .0778 .0934 .1112 .1314 .1539 .1788 .2061 .2358 .2676 .3015 .3372 .3745 .4129 .4522 .4920 .0017 .0023 .0032 .0043 .0057 .0075 .0099 .0129 .0166 .0212 .0268 .0336 .0418 .0516 .0630 .0764 .0918 .1093 .1292 .1515 .1762 .2033 .2326 .2643 .2981 .3336 .3707 .4090 .4483 .4880 .0016 .0023 .0031 .0041 .0055 .0073 .0096 .0125 .0162 .0207 .0262 .0329 .0409 .0505 .0618 .0749 .0901 .1075 .1271 .1492 .1736 .2005 .2297 .2611 .2946 .3300 .3669 .4052 .4443 .4840 .0016 .0022 .0030 .0040 .0054 .0071 .0094 .0122 .0158 .0202 .0256 .0322 .0401 .0495 .0606 .0735 .0885 .1056 .1251 .1469 .1711 .1977 .2266 .2578 .2912 .3264 .3632 .4013 .4404 .4801 .0015 .0021 .0029 .0039 .0052 .0069 .0091 .0119 .0154 .0197 .0250 .0314 .0392 .0485 .0594 .0721 .0869 .1038 .1230 .1446 .1685 .1949 .2236 .2546 .2877 .3228 .3594 .3974 .4364 .4761 .0015 .0021 .0028 .0038 .0051 .0068 .0089 .0116 .0150 .0192 .0244 .0307 .0384 .0475 .0582 .0708 .0853 .1020 .1210 .1423 .1660 .1921 .2206 .2514 .2843 .3192 .3557 .3936 .4325 .4721 .0014 .0020 .0027 .0037 .0049 .0066 .0087 .0113 .0146 .0188 .0239 .0300 .0375 .0465 .0571 .0694 .0838 .1003 .1190 .1401 .1635 .1894 .2177 .2483 .2810 .3156 .3520 .3897 .4286 .4681 .0014 .0019 .0026 .0036 .0048 .0064 .0084 .0110 .0143 .0183 .0233 .0294 .0367 .0455 .0559 .0681 .0823 .0985 .1170 .1379 .1611 .1867 .2148 .2451 .2776 .3121 .3483 .3859 .4247 .4641

.0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.

.5000 .5398 .5793 .6179 .6554 .6915 .7257 .7580 .7881 .8159 .8413 .8643 .8849 .9032 .9192 .9332 .9452 .9554 .9641 .9713 .9773 .9821 .9861 .9893 .9918 .9938 .9953 .9965 .9974 .9981 .9987

.5040 .5438 .5832 .6217 .6591 .6950 .7291 .7611 .7910 .8186 .8438 .8665 .8869 .9049 .9207 .9345 .9463 .9564 .9649 .9719 .9778 .9826 .9864 .9896 .9920 .9940 .9955 .9966 .9975 .9982

.5080 .5478 .5871 .6255 .6628 .6985 .7324 .7642 .7939 .8212 .8461 .8686 .8888 .9066 .9222 .9357 .9474 .9573 .9656 .9726 .9783 .9830 .9868 .9898 .9922 .9941 .9956 .9967 .9976 .9982

.5120 .5517 .5910 .6293 .6664 .7019 .7357 .7673 .7967 .8238 .8485 .8708 .8907 .9082 .9236 .9370 .9484 .9582 .9664 .9732 .9788 .9834 .9871 .9901 .9925 .9943 .9957 .9968 .9977 .9983

.5160 .5557 .5948 .6331 .6700 .7054 .7389 .7704 .7995 .8264 .8508 .8729 .8925 .9099 .9251 .9382 .9495 .9591 .9671 .9738 .9793 .9838 .9875 .9904 .9927 .9945 .9959 .9969 .9977 .9984

.5199 .5596 .5987 .6368 .6736 .7088 .7422 .7734 .8023 .8289 .8531 .8749 .8944 .9115 .9265 .9394 .9505 .9599 .9678 .9744 .9798 .9842 .9878 .9906 .9929 .9946 .9960 .9970 .9978 .9984

.5239 .5636 .6026 .6406 .6772 .7123 .7454 .7764 .8051 .8315 .8554 .8770 .8962 .9131 .9279 .9406 .9515 .9608 .9686 .9750 .9803 .9846 .9881 .9909 .9931 .9948 .9961 .9971 .9979 .9985

.5279 .5675 .6064 .6443 .6808 .7157 .7486 .7794 .8079 .8340 .8577 .8790 .8980 .9147 .9292 .9418 .9525 .9616 .9693 .9756 .9808 .9850 .9884 .9911 .9932 .9949 .9962 .9972 .9979 .9985

.5319 .5714 .6103 .6480 .6844 .7190 .7517 .7823 .8106 .8365 .8599 .8810 .8997 .9162 .9306 .9429 .9535 .9625 .9700 .9761 .9812 .9854 .9887 .9913 .9934 .9951 .9963 .9973 .9980 .9986

.5359 .5753 .6141 .6517 .6879 .7224 .7549 .7852 .8133 .8389 .8621 .8830 .9015 .9177 .9319 .9441 .9545 .9633 .9706 .9767 .9817 .9857 .9890 .9916 .9936 .9952 .9964 .9974 .9981 .9986

112

BIBLIOGRAFIA Elementos bsicos de Estadstica Ecnomica y Empresarial A. M. Montiel Torres F. Rius Daz F. J Barn Lpez Prentice Hall, Espaa, 1997 Serie Schaum, Estadstica aplicada a la Administracin y a la Economa Leonard J. Kasmier. Mc Graw Hill, Mexico, 1988 Estadstica Bsica en Administracin. Mark L. Berenson David M Levine Mexico, Cuarta edicin, Prentice Hall 1992 Estadstica para Administradores Richard I. Levine Prentice Hall Hispanoamericana, S. A. Mexico, segunda edicin, 1988 Gua de clases de Estadstica I Departamento de Matemtica y Estadstica. Facultad de Ciencias Ecnomicas, UNAN Maril Zeledn