Вы находитесь на странице: 1из 205

MATERIAL DE REFERENCIA

APRENDER MATMATICA CREANDO SOLUCIONES

MATERIAL DE REFERENCIA

I.S.B.N.: XXX-XXX-XXX-XXX-X 1 edicin: Octubre de 2008 2003 por Centro Comenius Universidad de Santiago de Chile Inscripcin N XXXXXX Derechos Exclusivos Reservados Universidad de Santiago de Chile Editado por Centro Comenius Universidad de Santiago de Chile San Martn 40 A oficina 6, Santiago Telfono: 6883261 Fax: 6727140 Diseo Juan Rojas R. Impreso por XXXXXXX XXXXXXXX, XXXXXX Santiago de Chile

Matemtica Interactiva: Aprender matemtica creando soluciones Centro Comenius Universidad de Santiago de Chile

El Centro Comenius de la Universidad de Santiago de Chile, desarroll el modelo interactivo para el aprendizaje matemtico, en el proyecto FONDEF D00I1073 Aprender matemtica creando soluciones entre los aos 2001 y 2004. El modelo cuenta, para su implementacin en salas de clases, con material para el alumno (actividades, guas, proyectos, etc.), material del profesor (sugerencias pedaggicas para trabajar los materiales, los contenidos e integrar las tecnologas), material de referencia (tratamiento ms formal de la matemtica), materiales manipulativos concretos (fichas, dados, juegos, etc.), evaluaciones y recursos tecnolgicos que siguen los principios de diseo tericos sugeridos en el modelo. Sobre la base del Modelo Interactivo para Aprender Matemtica, en la actualidad se est desarrollando el proyecto Enlaces Matemtica, con aportes del Centro de Educacin y Tecnologa, ENLACES del Ministerio de Educacin de Chile y del Centro Comenius de la Universidad de Santiago de Chile, implementndose en siete regiones del pas, con la colaboracin de las universidades asociadas.

Profesionales del Proyecto Enlaces Matemtica


Fidel Oteza Morra Director del Proyecto Gonzalo Villarreal Farah Sub Director del Proyecto Manuel Galaz Prez Encargado operativo Hernn Miranda Vera Roberto Araya Schulz Lorena Espinoza Salfate Investigadores asociados Claudia Matus Ziga Coordinadora recursos educativos Osvaldo Baeza Rojas Macarena Escalante Salamanca Evelyn Herrera Toro Claudia Matus Ziga Mauricio Moya Mrquez Gustavo Rodrguez Seplveda Alicia Venegas Thayer Michael Yez Rojas Lucrecia Zamorano Aravena Diseo y desarrollo de textos, guas, material concreto y recursos tecnolgicos Luis Belmar Rebolledo Nelly Devia Ormeo Mara Isabel Escobar Gutirrez Paula Gaete Oteiza Marcelo Gonzlez Molina Mara Jos Moreno Silva Marisol Troncoso Salazar Mabel Vega Rojas Colaboradores produccin de materiales Juan Silva Quiroz Evelyn Herrera Toro Encargados de la plataforma virtual Lucrecia Zamorano Aravena Instrumentos de evaluacin y revisin de materiales Sergio Reyes Gonzlez Anlisis estadstico Claudia Matus Correa Asesora anlisis estadstico Cristin Reyes Reyes Rigoberto Becerra Allende Eugenio Saavedra Gallardo Gerardo Honorato Gutirrez Miguel Muoz Jara Gladys Bobadilla Abarca Editores matemticos Guillermo Garrido Acevedo Coordinador Transferencia Alicia Venegas Thayer Responsable rea Educacin de Adultos Jessica Marinkovic ORyan Dwight Pennanen Arias Roxana Donoso Loyola Apoyo operativo y logstico Juan Rojas Rivera Diagramacin, diseo y edicin grfica Mauro Silva Cuevas Hctor Ros Bolbarn Ingeniera y soporte tcnico

RECONOCIMIENTO
Muchas personas e instituciones han hecho posible el proyecto FONDEF Aprender Matemtica Creando Soluciones y, como consecuencia directa, la existencia de este material educativo, cuyo propsito es proponer caminos alternativos e interesantes para que muchos estudiantes puedan aprender Matemtica y, lo que es ms importante, puedan disfrutar con ella y apreciarla como una herramienta poderosa creada por el ser humano, que permite explicar y entender muchas cosas del mundo que nos rodea. A todos ellos les damos nuestro ms profundo agradecimiento por su trabajo duro y comprometido, por sus ideas frescas y desafiantes, y por su apoyo constante cuando las encrucijadas de un esfuerzo de esta envergadura, hacan difcil ver el camino por dnde seguir. En particular, queremos agradecer a las instituciones que han aportado recursos financieros, profesionales e instalaciones al proyecto: CONICYT de Chile, quienes a travs del FONDEF aportaron fondos, aliento y apoyo constante; Automind S.A.; Corporacin Municipal de Servicios Traspasados de Rancagua, a travs del Liceo scar Castro; Corporacin Municipal de San Vicente de Tagua-Tagua, a travs del Liceo Ignacio Carrera Pinto; Colegio Santa Mara de Santiago; Fundacin Educacional de La Araucana, a travs del Complejo Educacional Padre scar Moser de Padre Las Casas (IX Regin); Colegio Alcalde Pedro Urbina Flores de Peumo; DAEM de Las Cabras, a travs del Liceo Francisco Encina; Colegio Cristbal Coln de Santiago; Corporacin Municipal de San Fernando, a travs del Liceo de Nias Eduardo Charme; SEREMI de Educacin de la Sexta Regin; Proyecto Enlaces del Ministerio de Educacin; Centro Zonal Enlaces Costa-Centro de la Universidad Catlica de Valparaso. Tambin queremos agradecer especialmente a los colegios, profesores y estudiantes que participaron en las pruebas piloto del material educativo: Colegio Santa Mara de Santiago, a travs de su director Jos Parisi y las profesoras del Departamento de Matemtica, Lorena Lizana Manrquez, Ilia Maldonado, Luca Jara Bravo y Lucrecia Zamorano Aravena; Liceo Ignacio Carrera Pinto de San Vicente de Tagua-Tagua, a travs de su director Eduardo Michel Aedo y los profesores del Departamento de Matemtica, Juan Pablo Cabezas, Gustavo Moreno, Jorge Fuentes, Lilian Miranda, Alfredo Astrain y Marcelo Seplveda.

Un especial reconocimiento a los directivos, profesores y estudiantes de todos los establecimientos que participaron en la experimentacin del material durante el ao escolar 2003: Liceo scar Castro de Rancagua; Liceo de Nias Eduardo Charme de San Fernando; Liceo Ignacio Carrera Pinto de San Vicente de Tagua-Tagua; Liceo Francisco Encina de Las Cabras; Colegio Alcalde Pedro Urbina Flores de Peumo; Colegio Santa Mara de Santiago; Colegio Cristbal Coln; Colegio Santa Cruz; Colegio Marcelino Champaignat; Colegio Franciscano Mara Reina; Complejo Educacional Padre scar Moser de Padre Las Casas. A todos ellos muchas gracias por la paciencia de habernos tenido todo un ao visitando sus salas de clases y por el profesionalismo, dedicacin y esfuerzo puesto en la experimentacin. La existencia de este material no habra sido posible sin el trabajo editorial dedicado y altamente calificado del personal de la empresa editora Zig-Zag S.A. Nuestros agradecimientos para todos ellos, a travs de Felipe Morales, Robert Pardo y Mara Eugenia Mestre. Por ltimo, una mencin y reconocimiento particular a todo el equipo de investigadores, profesionales y tcnicos del Centro Comenius de la Universidad de Santiago, quienes hicieron un gran esfuerzo por construir este sueo: mejorar las condiciones para que muchos jvenes puedan aprender Matemtica y abrir as sus posibilidades de construir un futuro mejor.

FUNCIONES
FUNCIN POTENCIA, EXPONENCIAL Y LOGARITMO
MATERIAL DE REFERENCIA

UNIDAD FUNCIONES

Miguel Muoz Jara Mabel Vega Rojas

CONTENIDO
9 1. Comienzo del anlisis desde el punto de vista histrico
La inquietud de un agricultor Un Amigo inesperado. El nmero Conclusin 9 11 16

17 2. Conceptos previos
El concepto de funcin Denicin de funcin Funciones inversas Funciones montonas 17 18 22 29

31 3. Potenciacin
Propiedades de la Potenciacin Aplicacin 3.2.1. Representacin de los nmeros en una base determinada 3.2.2. Sistemas de numeracin 32 34 34 35

40 4. Funciones exponenciales
Funciones exponenciales Propiedades de las funciones exponenciales Aplicaciones 1. Ecuaciones exponenciales 2. Aplicaciones de la Ley de Malthus 3. Inters compuesto 4. Funcin logstica 40 43 45 45 47 49 50

51 5. Funciones logartmicas
Denicin de funcin logaritmo Propiedades de las funciones logartmicas Aplicaciones 1. Ecuaciones Logartmicas 2. Intensidad del Sonido 3. Intensidad de un terremoto 51 53 57 57 59 60

1. Comienzo del anlisis desde el punto de vista histrico


No se debe ver la historia de las matemticas como una marcha triunfal a lo largo de una avenida sin obstculos. Al contrario, esta historia presenta numerosas interrupciones, y el camino seguido raramente se parece a una lnea recta, encontrndose incluso a veces en un callejn sin salida. Hubo avances bruscos debidos a nuevos conceptos, que respondieron a problemas a veces muy alejados de las cuestiones iniciales que los haban generado. Los logaritmos son un ejemplo de este desarrollo catico y fecundo a la vez. Partiendo de una idea simple, pero cuya puesta en prctica necesitaba un gran trabajo (la construccin de las tablas), han sido en primer lugar el motor de un desarrollo de las matemticas aplicadas, antes de revelarse como la solucin de un problema geomtrico. Objeto de estudios tericos seguidos de profundizaciones, han sido tambin una herramienta indispensable para la modelacin de mltiples fenmenos fsicos. Considerando la importancia dentro del tortuoso, pero bello al n y al cabo, camino de las matemticas, iniciaremos esta unidad relatando el nacimiento de los logaritmos. 1.1. La inquietud de un agricultor. La invencin de los logaritmos llego al mundo como una bendicin del cielo. Ningn trabajo previo conduca a l, o anunciaba su llegada. Aparece aislado, en la lnea del pensamiento humano. El inventor de los logaritmos, John Napier, naci en 1550 en Escocia, cerca de Edimburgo. Perteneca a una familia aristocrtica, y sus intereses fueron muy variados: como agricultor y propietario de tierras, experiment con abonos para mejorar el rendimiento de los suelos, invent una mquina hidrulica para controlar el nivel de agua en los pozos de carbn, se ocup de problemas militares y dise enormes espejos para incendiar los barcos enemigos (a la manera de Arqumedes). Tambin imagin una pieza de artillera muy potente.

1 Adaptacin

del texto Final del Juego de Leonardo Moledo.

Unidad: Funcin potencia, exponencial y logartmo

para la poca, una carroza de guerra y hasta una especie de submarino. Pero su inters principal era la religin y en 1593 public Una explicacin simple del Apocalipsis de San Juan, atacando brutalmente a la Iglesia Catlica y sosteniendo, como buen protestante, que el Papa era el Anticristo. El libro, que alcanz la cifra de 21 ediciones (diez de las cuales fueron durante la propia vida de Napier) fue traducido a un montn de idiomas. Tambin predeca que el Da del Juicio caera entre 1688 y 1700. Obviamente, esta prediccin estaba equivocada, ya que todo indica que el Da del Juicio no cay entre esas fechas. Napier consideraba que, con este libro, su lugar en la historia estaba asegurado. Y en esto tambin se equivoc. Su fama qued asegurada por un pasatiempo al que Napier dedic veinte aos de su vida, y que fueron precisamente, los logaritmos. La idea parte de una relacin bien conocida y que se repite como loro en la enseanza media, a saber: al multiplicar potencias de igual base se conserva la base y se suman los exponentes. Por ejemplo:

Lo anterior nos sugiere que de alguna manera hemos reducido una operacin de multiplicacin a una suma de exponentes y de manera anloga hemos reducido una divisin en una resta. Pues bien: a Napier se le ocurri lo siguiente: si uno pudiera expresar todos los nmeros como potencias de un nmero base, la multiplicacin se reducira, simplemente, a sumar exponentes y la divisin a restarlos. Y lo puso en prctica tomando como base el nmero 0.3678794412 Con esta idea, y durante veinte aos desde 1594 a 1614 se dedic a hacer una tabla. .

Lo cierto es que, una vez que termin con las cuentas, decidi que haba que ponerles un nombre. Primero pens en llamarlos nmeros articiales, pero nalmente opt por la palabra logaritmos. La palabra logaritmo viene de dos trminos griegos: logos que signica calcular o razonar, y arithmos que quiere decir nmero, de lo anterior se desprende que la palabra logaritmo signica

10

Unidad: Funcin potencia, exponencial y logartmo

nmero calculador. Es importante sealar que la poca en que aparecieron los logaritmos se les llam tambin nmeros proporcionales. Napier public su invento en 1614, en un libro titulado Mirici logarithmorum canonis descriptio (Descripcin del maravilloso canon de los logaritmos), y que tuvo un xito fulminante: primero el italiano Buonaventura Cavalieri, contemporneo de Galileo, impuls su uso en Italia, luego Kepler en Alemania, y es interesante que el tercer pas en adoptarlos fuera China, donde en 1653 apareci un tratado sobre los logaritmos escrito por el matemtico Xue Fengzuo. Casi inmediatamente despus, el matemtico Henry Briggs elabor tablas de logaritmos con base diez (esencialmente idnticas a las que se usaban hasta la llegada de las calculadoras porttiles), y William Outghtred (1574-1660) invent la regla de clculo, que funcion como una computadora de bolsillo para los cientcos y los ingenieros durante 350 aos, lo cual fue todo un xito. Lo cierto es que los logaritmos, que, como decamos, eran tan aborrecidos por los estudiantes, fueron una manera de librarse de horribles y espantosos clculos.

1.2. Un Amigo inesperado. El nmero2 e El nmero e llega por primera vez a las matemticas de forma muy discreta. Sucedi en 1618 cuando, en un apndice al trabajo de Napier sobre logaritmos, apareci una tabla dando el logaritmo natural de varios nmeros. Sin embargo, no se reconoci que estos fueran logaritmos en base e, ya que la base sobre la que se calculan los logaritmos no surgi en la manera en la que se pensaba en los logaritmos en aquel entonces. Aunque hoy consideramos a los logaritmos como los exponentes a los que se debe elevar una base para obtener el nmero deseado, esta es una forma moderna de pensar. Dicha tabla en el apndice, aunque no tiene el nombre del autor, es casi seguro que fue escrita por Oughtred. Unos aos despus, en 1624, e estuvo a punto de volver a la literatura matemtica pero no lo logr. En ese ao, Briggs dio una aproximacin numrica al logaritmo base diez de e sin mencionar a ste especcamente en su trabajo.

2 Adaptacin

del texto The Number e de J.J. OConnor and E.F. Robertson.

Unidad: Funcin potencia, exponencial y logartmo

11

Existe una duda con la siguiente aparicin de e en escena; ya que en 1647, Saint-Vincent calcul el rea bajo una hiprbola rectangular. No est claro si l reconoci o no la conexin con los logaritmos, an si lo hubiera hecho, no haba realmente razn para que se encontrara explcitamente con el nmero e. Posteriormente, hacia 1661 Huygens comprendi la relacin entre la hiprbola rectangular y el logaritmo. Examin explcitamente la relacin entre el rea bajo la hiprbola rectangular yx = 1 y el logaritmo. La relacin dice que el nmero e es tal que el rea bajo la hiprbola rectangular entre 1 y e es igual a 1. sta es la propiedad que hace que e sea la base de los logaritmos naturales, sin embargo para los matemticos de la poca no era tan obvio, aunque se estaban acercando lentamente a ello. Huygens hizo otro avance en 1661. Deni una curva a la que llam logartmica pero no en los trminos en los que nosotros nos referimos a una curva exponencial, con la forma y = kax. Nuevamente, a partir de esto sale el logaritmo en base 10 de e, que Huygens calcul con 17 decimales. Sin embargo, en el trabajo que l realiz aparece como el clculo de una constante y no es reconocida como el logaritmo de un nmero (nuevamente cerca de e, pero sin ser reconocido). Hay trabajos posteriores sobre los logaritmos en los que todava no aparece el nmero e como tal, pero que contribuyen al desarrollo de los logaritmos. Unos aos ms tarde, para ser ms exactos en 1668, Nicols Mercator public Logarithmotechnia, esta obra contiene la expansin en serie de log(1 + x). Aqu Mercator usa el trmino logaritmo natural por primera vez para los logaritmos en base e. El nmero e otra vez no aparece explcitamente y contina escondido en las cercanas.

Parece curioso, pero la primera vez en que e es descubierto no tiene que ver con la nocin de logaritmo sino ms bien en un estudio del inters compuesto; esto se debe a que en 1683, Jacobo Bernoulli examin el problema del inters compuesto y, durante su anlisis de ste, trat de encontrar el lmite de cuando n tiende a innito. Us el teorema del binomio

para demostrar que el lmite tena que estar entre 2 y 3, podramos considerar este hecho como

12

Unidad: Funcin potencia, exponencial y logartmo

la primera aproximacin que se encontr para e. Tambin, si aceptamos sta como una denicin de e, sera la primera vez en que un nmero fue denido mediante un proceso de lmite. De hecho, Bernoulli no reconoci en ningn momento la conexin entre su trabajo y aquellos sobre los logaritmos. Hemos mencionado previamente que, al inicio de su desarrollo, no se pensaba que los logaritmos tuvieran relacin alguna con los exponentes. Claro que de la ecuacin x = at, deducimos que t = log(x) donde log es el logaritmo en base a, pero esta es una forma de pensar muy posterior. Aqu realmente estamos pensando en log como una funcin mientras que los primeros trabajos sobre logaritmos lo consideraban meramente como un nmero que ayudaba en los clculos. Es posible que el primero en comprender la manera en que la funcin log es la inversa de la funcin exponencial haya sido Jacobo Bernoulli. Siguiendo con la historia, la primera persona que tal vez reconoci la conexin entre logaritmos y exponentes en 1684 fue tal vez James. Hasta donde sabemos, la primera vez que el nmero e aparece explcitamente es en el ao 1690. Aqu, Leibniz le escribi una carta a Huygens en la que usa la notacin b para lo que nosotros hoy llamamos e. Por n el nmero e tena nombre (aunque no sea el actual) y era reconocido como tal. Por otro lado, es importante recordar los problemas que surgen del hecho de que no se pensara en log como una funcin. Es necesario mencionar que Johann Bernoulli comenz el estudio del clculo de la funcin exponencial en 1697 cuando public Principia calculi exponentialium seu percurrentium. Es tanta la notacin matemtica actual que le debemos a Euler que no sorprende descubrir que la notacin e para este nmero se la debemos a l. La armacin que se ha hecho algunas veces de que Euler us la letra e porque era la primera letra de su nombre es ridcula. Es probable que e ni siquiera venga de exponencial sino que sea simplemente la vocal que sigue de la a, la cual Euler ya estaba usando en su trabajo. Sea cual fuera la razn, la notacin e aparece por primera vez en una carta que le escribi Euler a Goldbach en 1731. Euler hizo varios descubrimientos respecto a e en los aos siguientes pero no fue sino hasta 1748 con la publicacin de Introductio in Analysin innitorum cuando Euler dio un tratamiento completo a las ideas alrededor de e. Demostr que

Unidad: Funcin potencia, exponencial y logartmo

13

y que e es el lmite de decimales,

cuando n tiende a innito. Dio una aproximacin de e con 18

e 2.718281828459045235 sin decir de dnde sali. Es probable que haya calculado el valor l mismo, pero de ser as no hay indicios de cmo lo hizo. De hecho, tomando unos 20 trminos de se obtiene la aproximacin dada por Euler. Entre otros resultados interesantes, en este trabajo est la relacin entre las funciones seno y coseno y la funcin exponencial compleja, lo cual Euler dedujo usando la frmula de De Moivre. Es interesante que Euler tambin haya dado el desarrollo de e en fracciones continuas y que haya notado un patrn en la expresin. Especcamente dio

El no dio una prueba que los patrones que encontr continuaran (lo cual s sucede) pero saba que si diera esta prueba sera equivalente a probar que e es irracional. Ya que, si la fraccin continua para siguiera el patrn mostrado por los primeros trminos,

6, 10, 14, 18, 22, 26,... (sumando cuatro cada vez), entonces nunca terminara;

14

Unidad: Funcin potencia, exponencial y logartmo

por ello

(as como e) no puede ser racional. Esto sin duda podra considerarse como el

primer intento de probar que e no es racional. Aquella pasin que llev a tantos a calcular con ms y ms decimales nunca se dio para el caso de e. Sin embargo, s hubo quienes calcularon su expansin decimal y el primero en dar a e con un gran nmero de dgitos fue Shanks en 1854. Como dato curioso vale la pena hacer notar que Shanks fue an ms entusiasta calculando la expansin decimal de . Glaisher mostr que las primeras 137 posiciones de los clculos de Shanks estaban correctas pero encontr un error que, despus de ser corregido por Shanks, dio e con 205 decimales. De hecho, se necesitan unos 120 trminos de 1 + 1/1! + 1/2! + 1/3! +.. para obtener 200 decimales de e. En 1864, Benjamn Peirce se tom una foto parado delante de un pizarrn en el que haba escrito la frmula:

En sus clases, deca a sus estudiantes: Seores, no tenemos la menor idea de lo que signica esta ecuacin pero podemos estar seguros de que su signicado es algo muy importante. Casi todo el mundo acepta que Euler fue el primero en probar que e es irracional. Y sin duda fue Hermite quien prob en 1873 que e no es un nmero algebraico3. Si ee es algebraico es todava una pregunta abierta, aunque claro que lo nico que falta es una prueba - ningn matemtico considerara seriamente que ee es algebraico! Hasta donde sabemos, lo ms cerca que los matemticos han llegado a probar es un resultado reciente que dice que al menos uno de estos dos nmeros no es algebraico (es decir, numero trascendente): ee y e elevado a e2. Posteriormente en 1884 Boorman calcul e con 346 decimales y encontr que su clculo coincida con el del Shanks hasta la posicin 187 pero despus variaban. Luego en el ao 1887, Adams calcul el logaritmo base 10 de e con 272 decimales.

Un nmero se dice algebraico si es la raz de un polinomio de coecientes enteros.

Unidad: Funcin potencia, exponencial y logartmo

15

1.3. Conclusin. Desde su introduccin, los logaritmos pueden encontrarse tanto en los manuales de aritmtica como en los de anlisis. Objeto y mtodo, no slo han participado del desarrollo de las Matemticas, sino tambin de la historia de las ciencias fsico - qumicas. La ph - metra, por ejemplo, no habra podido ser concebida a principios del siglo XX sin la ayuda de este concepto matemtico. Surgidos de una idea de hecho muy simple, los logaritmos continan siendo un instrumento tal vez modesto, pero a pesar de todo esencial para el conocimiento cientco. En el transcurso de la unidad se mostrarn aplicaciones de los logaritmos y funciones exponenciales, los cuales pueden motivar un estudio en ms profundidad de estos conceptos.

16

Unidad: Funcin potencia, exponencial y logartmo

2. Conceptos previos
En la siguiente seccin recordaremos e introduciremos algunos conceptos matemticos que sern de gran ayuda para dar una mirada distinta a la operatoria de potencias y logaritmos.

2.1. El concepto de funcin. En todo contexto de trabajo se realizan relaciones entre objetos, ya sean estos de la misma naturaleza o no. Un grupo de estas relaciones se denomina funcin (nocin moderna de funcin). El concepto de funcin es de gran importancia en matemticas y en todas las ramas del saber que interactan con las matemticas. De hecho si se realizara una encuesta a un grupo de matemticos con respecto a los conceptos matemticos ms importantes en su rea de desarrollo, lo ms probable que el trmino funcin debiera estar en la mayora de las respuestas de los encuestados. El trmino funcin fue usado por primera vez en 1637 por el matemtico francs Ren Descartes, para designar la potencia xn de la variable x. En 1694 el matemtico alemn coinventor del calculo, Gottfried Wilhem Von Leibniz utilizo el termino para referirse a varios aspectos de una curva. La palabra funcin proviene de la palabra latina functo, que signica acto de realizar. En los siglos XVII y XVIII, los matemticos tenan una idea ms intuitiva de funcin. Para muchos de ellos el concepto de funcin solamente representaba una relacin funcional entre dos variables la cual estaba dada por cierta curva uniforme o por una ecuacin que inclua las dos variables. A pesar que las ecuaciones y las formulas juegan un papel importante en el estudio de las funciones, nosotros estudiaremos la interpretacin moderna de funcin (la que data de a mediados del siglo XIX, que fue denida por el matemtico alemn Johan Peter Gustav Lejeune- Dirichlet).

Unidad: Funcin potencia, exponencial y logartmo

17

2.2. Denicin de funcin. Comenzaremos dando una denicin de funcin ms coloquial. En el mundo que nos desenvolvemos es habitual que interactuemos tanto con personas como con objetos. Por lo tanto es frecuente que establezcamos una regla de correspondencia que asocie o empareje a los miembros de un grupo con los miembros de otro grupo. Por ejemplo, para cada automvil registrado en la ciudad de santiago le corresponde una placa patente, toda persona de nacionalidad chilena le corresponde un nmero de identicacin. En matemticas estamos interesados en estudiar una clase especial de correspondencia, la cual denominamos funcin. Esta relaciona a cada miembro de un grupo con un nico elemento de otro grupo. Para poder dar una denicin ms formal de funcin debemos introducir algunos conceptos de Teora de conjuntos. De hecho la denicin que utilizaremos y algunas propiedades ms generales pueden ser profundizadas por el lector en el libro Axiomatic Set Theory del autor Patrick Suples.

Denicin Sean X e Y dos conjuntos no necesariamente distintos. Una funcin de un conjunto en un conjunto Y es una regla de correspondencia que le asigna a cada elemento uno y solamente un elemento . En diversos textos de algebra y calculo la denicin de funcin usada es la siguiente. Una funcin de un conjunto X en un conjunto Y es una regla de correspondencia que le asigna a cada elemento uno y solamente un elemento . Es importante sealar que bajo este contexto el conjunto X es el dominio de la funcin, entonces en una funcin de X en Y se pueden establecer las siguientes deniciones. Denicin. Sea f una funcin de X en Y denimos: El dominio de f por:

La imagen de f por:

18

Unidad: Funcin potencia, exponencial y logartmo

La ncin inversa de f por:

Para representar funciones se utilizan diferentes tipos de registro, a saber: diagramas, grcas y tablas. Utilizamos diagramas (gura 1) para ilustrar la correspondencia de todos los elementos de conjunto X con algunos o todos los elementos del conjunto Y.

La utilizacin de tablas cumple el mismo papel que los diagramas pero nos permite tener una visin un poco ms ordenada de la correspondencia entre los elementos del conjunto X y el conjunto Y (gura 2). Es importante sealar que la utilizacin de tablas esta condicionada al nmero de elementos de los conjuntos con que se trabaje.

La utilizacin de grcas cumple el mismo papel que los registros anteriores, dndonos una visin geomtrica del comportamiento de la funcin (gura 3), este registro es til en algunas ramas de la matemtica que estudian por ejemplo modelacin de problemas.

Observacin 1. Antes de introducir una notacin que permita el manejo y estudio de las funciones de la unidad debemos mencionar que los conjuntos de trabajo sern considerados como subconjuntos de los nmeros reales. Una funcin usualmente se denota por una letra itlica minscula, por ejemplo f. Luego, dados dos conjunto X e Y, podemos representar una funcin f de X en Y por medio

Unidad: Funcin potencia, exponencial y logartmo

19

de la notacin o por medio de un diagrama similar al de la gura 1 (gura 4). El nmero y del conjunto Y que se muestra en la gura 4 el que est asociado con x del conjunto X va la funcin f se escribe:

y se lee y es igual a f de x. Tambin se dice que el nmero f(x) es el valor de la funcin f en x o que y es la imagen de x va f. Observacin. Si se conoce la graca de una relacin dada, la cual se desea determinar si es funcin o no. Esto se puede realizar utilizando la prueba de la recta vertical, la cual establece: Una relacin es una funcin si y solamente si cada recta vertical intersecta la grca de la relacin dada a lo ms en un punto. Para que la prueba de la recta vertical nos que ms clara, analicemos los siguientes ejemplos.

Ejemplo. a. Consideremos la relacin dada implcitamente por la ecuacin . Es decir consideremos la circunferencia de radio 2. Si observamos la grca de nuestra relacin, la cual se muestra en la gura 5, y trazamos una recta vertical que pase por el punto (1,0) podemos observar que la recta intersecta a la circunferencia en dos puntos. Por lo tanto la relacin dada no es una funcin.

b. Consideremos la relacin dada implcitamente por la ecuacin 3x + 4y 12 = 0. Es decir consideremos la recta que pasa por los puntos (4,0) y (0,3). Si analizamos la grca de nuestra relacin, la cual se muestra en la gura 6, podemos observar que al trazar una recta vertical esta intersecta a la graca de la relacin solamente en un punto. Por lo tanto la relacin dada es una funcin (lo cual ya habamos estudiado en los cursos previos, de hecho la relacin dada es la ecuacin general de la recta que pasa por los puntos (4,0) y (0,3)).

20

Unidad: Funcin potencia, exponencial y logartmo

A menudo una funcin sobre un conjunto se dene por una frmula explcita, por ejemplo consideremos , denida por la relacin . Observe que el valor de la variable y, en depende de la eleccin de x, por lo tanto diremos que la variable y es la variable dependiente. Por otro lado, la eleccin de x es independiente de y, por lo tanto diremos que x es la variable independiente. Uno de los conceptos importantes dentro de la teora de las funciones es el concepto de imagen, en algunos casos tambin denominado recorrido. Esencialmente la imagen de una funcin f denida de un conjunto X en un conjunto Y es el conjunto de todos los elementos del conjunto Y que estn relacionados con al menos un elemento del conjunto X. Lo anterior se puede enunciar ms formalmente, en la denicin siguiente.

Denicin. Sean

una funcin, denimos la imagen de f por el conjunto:

Ejemplo. Si analizamos la funcin , denida por la relacin , la cual esta dada por una frmula explcita, como ya hemos mencionado anteriormente el dominio de la funcin es el conjunto de los nmeros reales. Determinemos la imagen de f.

Si hacemos una pausa en nuestro trabajo, debemos observar que para determinar la imagen de nuestra funcin debemos determinar para que valores de la ecuacin y = x2 posee solucin. Si recordamos que el cuadrado de un nmero real no puede ser negativo, entonces podemos deducir que:

Unidad: Funcin potencia, exponencial y logartmo

21

Para determinar explcitamente la imagen de nuestra funcin haremos uso de una propiedad de los nmeros reales, la cual establece que; Dado y entonces existe tal que n 4 y = x De lo anterior podemos deducir que

2.3. Funciones inversas. El lector podr observar que muchas relaciones matemticas importantes se pueden expresar en trminos de funciones, por ejemplo. a. El volumen V de un cubo en funcin de su lado x.

b. La demanda d de un producto en funcin del precio p.

c. La temperatura medida en F en funcin de la temperatura en C.

En muchos casos, lo que nos interesa en invertir la correspondencia entre las variables involucradas. As considerando los ejemplos anteriores tenemos: a. El lado x de un cubo en funcin de su volumen V.

b. El precio p de un producto en funcin de su demanda d.

c. La temperatura medida en C en funcin de la temperatura en F.

De nuestros ejemplos, podemos observar que al invertir la relacin entre las variables involucradas a menudo se obtiene una nueva relacin. Esta nueva relacin se denomina inversa de la funcin original.

Vease Calculus vol 1, Tom M. Apostol o Principios de Anlisis Matemticos, Rudin.

22

Unidad: Funcin potencia, exponencial y logartmo

A continuacin desarrollaremos tcnicas para determinar si la relacin inversa determina una funcin, la cual denominaremos funcin inversa. Recordemos que una funcin es un tipo de relacin entre los elementos de los conjuntos X e Y, que relaciona los elementos de conjunto X con un nico elemento del conjunto Y. Pero la asignacin no garantiza que dos elementos del conjunto X tengan una misma asignacin. Por ejemplo si consideramos todos los bebs nacidos en Chile durante el ao 2006. Cada beb est asociado a una nica madre, sin embargo dos bebs pueden tener una misma madre. En este caso la relacin inversa, la cual asigna a cada madre su beb no es una funcin, como podemos observar en gura 7.

Denicin. Sea una funcin, diremos que f es una funcin uno a uno, tambin llamada inyectiva, si y solamente si se tiene que: si entonces x = y, donde .

En otras palabras, una funcin se dice inyectiva si esta no asigna a dos valores distintos una misma imagen. Ejemplo. Consideramos dos tipos de funciones ya estudiadas en los cursos previos. a. Funcin cuadrtica. Sea , denida por funcin inyectiva ya que, por ejemplo, 2 2. . Observe que f no es una , mientras que

Unidad: Funcin potencia, exponencial y logartmo

23

b. Funcin afn. Sea , inyectiva, en efecto si suponemos que

, donde m 0. Observe que f es una funcin , entonces tenemos que:

Por lo tanto como m 0 tenemos que x = y. As de lo anterior podemos deducir que la funcin lineal dada es inyectiva.

Observacin 2. Si se conoce la grca de una funcin dada, y se desea determinar si es inyectiva o no, se puede realizar la prueba de la recta horizontal: Una funcin es inyectiva si y solamente si cada recta horizontal intersecta la grca de la funcin dada a lo ms en un punto. Retomemos los ejemplos anteriores y analicemos la inyectividad utilizando la prueba de la recta horizontal. Ejemplo. Consideramos dos tipos de funciones ya estudiadas en los cursos previos.

a. Funcin cuadrtica. Sea en la gura 8.

, denida por

. La grca de f se presenta

Observe que si trazamos la recta horizontal L : y = 5 observamos que se produce una interseccin con la grca de la funcin en los puntos (2,5) y (2,5), como se muestra en la gura 9.

24

Unidad: Funcin potencia, exponencial y logartmo

De lo anterior tenemos que la funcin dada no es inyectiva. b. Funcin afn. Sea gura 10. , denida por . La grca de f se muestra en la

De la gura 10 se puede observar que al trazar una recta horizontal cualquiera esta no intersecta la grca de f en ms de un punto. Por lo tanto la funcin lineal dada es inyectiva. Aun no estamos en condiciones de determinar si la relacin inversa asociada a una funcin dada es o no una funcin, ya que falta analizar si todo elemento del conjunto de llegada posee una pre-imagen. En efecto, analicemos los siguientes ejemplos. Ejemplo. Comencemos con un ejemplo un poco ms coloquial. La empresa de transmisin de datos

Unidad: Funcin potencia, exponencial y logartmo

25

Rapid posee 4 estacionamientos reservados para su planta de ejecutivos de alto nivel (gerente general, gerente de nanzas y gerente informtico). Para evitar problemas con el uso de los estacionamientos asigna a cada uno de ellos un respectivo estacionamiento como se indica en la gura 11. As la relacin que asigna a cada gerente su respectivo estacionamiento es una funcin inyectiva, mientras que la relacin inversa que asigna a cada estacionamiento a su respectivo gerente no es una funcin, ya que el estacionamiento 4 no posee usuario asignado.

Ejemplo. Consideremos

denida por la relacin

. Si analizamos el grco de f (gura 12) y usamos la prueba de la recta horizontal podemos observar que en este caso la funcin dada es inyectiva, adems la imagen de la funcin es . Por otro lado la relacin inversa esta dada por:

Si f (x) = y. Lamentablemente la relacin inversa obtenida no es una funcin sobre el conjunto de los nmeros reales, ya que su dominio no es todo el conjunto de los nmeros reales. De lo anterior podemos observar que no basta con que una funcin sea inyectiva para que su relacin inversa sea tambin una funcin. De hecho, adems de inyectiva, se debe cumplir que todo elemento del conjunto de llegada tenga una pre-imagen. Las funciones que satisfacen lo anterior se denominan funciones epiyectivas o sobreyectivas. A continuacin damos su denicin. Denicin. Sea una funcin, diremos que f es una funcin epiyectiva, tambin llamada sobreyectiva, si y solamente si se tiene que:

26

Unidad: Funcin potencia, exponencial y logartmo

En otras palabras podemos decir que una funcin f es epiyectiva si y solamente si

Lo anterior establece que si una funcin es epiyectiva entonces todo elemento del conjunto Y est relacionado con algn elemento del conjunto X a travs de f. Como hemos visto a veces es importante, que la relacin inversa asociada a una funcin sea tambin una funcin. Por lo tanto, las funciones que cumplen lo anterior se denominan funciones biyectivas y su relacin inversa de denomina funcin inversa. Para ser ms precisos consideremos la siguiente denicin. Denicin. Sea funcin, diremos que f es una funcin biyectiva si y solamente si f es una funcin inyectiva y sobreyectiva. Adems la relacin inversa asociada a f se denomina funcin inversa, denotamos por . Adems se tienen que:

Observacin. Antes de mencionar algunas propiedades de las funciones biyectivas, es importante sealar que .

Ejemplo. Consideramos la funcin lineal que

denida por

podemos observar . Me

es biyectiva. Adems se tiene que la relacin inversa esta dada por

gusta mucho esta notacin. Hay gente que no usa el y como variable dependiente y se casen con la x. Se agradece.

Por otro lado tenemos que no esta denida. Observaciones. Sea

, de donde podemos deducir que

, mientras

una funcin biyectiva, entonces:

Unidad: Funcin potencia, exponencial y logartmo

27

El dominio de f -1 es la imagen de f . La imagen de f -1 es el dominio de f . , para todo . En otras palabras , donde Iy es la funcin iden-

tidad asociada al conjunto Y , para todo . En otras palabras , donde Ix es la funcin iden-

tidad asociada al conjunto X Ejemplo. Consideremos la funcin lineal determinemos la imagen de f. , denida por . Observe que la

funcin dada es inyectiva, ya que m = 3 0. Para determinar si f una funcin biyectiva

Por lo tanto para determinar la imagen de la funcin dada basta determinar para que valores de y la ecuacin y = 3x + 1 posee solucin. Al resolver la ecuacin en cuestin tenemos:

Por lo tanto no hay restriccin sobre y, lo que implica que y puede ser cualquiera en se tiene que:

, de donde

As de lo anterior tenemos que la funcin inversa . Adems la relacin inversa

es una funcin biyectiva con relacin es funcin.

28

Unidad: Funcin potencia, exponencial y logartmo

2.4. Funciones montonas. Para nalizar esta seccin introduciremos dos nuevas propiedades que pueden satisfacer las funciones. Deniremos los conceptos de funcin creciente y funcin decreciente. Definicin. Consideremos I un subconjunto no vaco de los nmeros reales y funcin. Diremos que f es una funcin: a. Creciente en I , si y solamente si se tiene que para todo que . Ver figura 13 como ejemplo. b. Decreciente en I, si y solamente si se tiene que para todo que . Ver figura 14 como ejemplo. Ejemplo. Si consideremos la funcin afn definida por que: a. Si m > 0, entonces la funcin lineal dada es creciente en son tales que a < b. Entonces se tiene que: tales que a < b se tiene tales que a < b se tiene

, donde m 0 tenemos

. En efecto, supongamos que

De donde podemos deducir que lineal dada es creciente. Para que nos quede ms claro el concepto es importante sealar, que si conocemos la grca de la funcin f y observamos que al desplazarnos por el eje de las X de izquierda a derecha se tiene que la grca de la funcin sube, esto nos indica que la funcin es creciente.

. As de lo anterior se tiene que la funcin

b. Si m < 0, entonces la funcin lineal dada

Unidad: Funcin potencia, exponencial y logartmo

29

es decreciente en tiene que:

. En efecto, supongamos que

son tales que a < b. Entonces se

De donde podemos deducir que dada es decreciente.

. As de lo anterior se tiene que la funcin lineal

Anlogamente al caso anterior si conocemos la graca de la funcin f y observamos que al desplazarnos por el eje de las X de izquierda a derecha se tiene que la graca de la funcin baja, esto nos indica que la funcin es decreciente. Observacin 3. Si , es una funcin epiyectiva la cual es creciente o decreciente en A, entonces f es una funcin biyectiva. En efecto, sin perdida de generalidad podemos suponer que la funcin en cuestin es creciente (el caso en que la funcin dada es decreciente es anlogo y se deja como ejercicio al lector), es decir si son tales que a < b entonces . Observe que solo debemos mostrar que la funcin es inyectiva ya que por hiptesis se tiene que la funcin es epiyectiva.

Supongamos que f no es inyectiva, es decir supongamos que existen distintos tales que . Pero si x y, entonces x < y o y < x, de donde podemos deducir que: o Observe que lo anterior contradice el hecho de que . As de lo anterior podemos concluir que si , es una funcin epiyectiva la cual es creciente o decreciente en A, entonces f es una funcin biyectiva.

30

Unidad: Funcin potencia, exponencial y logartmo

3. Potenciacin
La potenciacin o exponenciacin es una multiplicacin de varios factores iguales solo cuando el exponente es natural, lo mismo que la multiplicacin es una suma de varios sumandos iguales cuando uno de los factores es natural. En la nomenclatura de la potenciacin se diferencian dos partes, la base y el exponente. El exponente determina la cantidad de veces que la base se multiplica por s misma. Lo descrito anteriormente se puede analizar en la gura 15.

Una de las deniciones de la potenciacin, se puede realizar utilizando recursividad, a saber:

Si en la segunda expresin se toma que n = 1, se tiene que . Al dividir los dos trminos 0 de la igualdad por x (siempre que x 0), obtenemos que x = 1. De este modo hemos obtenido que la potencia cero de cualquier nmero no nulo, es igual a la unidad. Para el caso particular si x = 0 se tiene 00, esta expresin no est denida. La denicin anterior se enunci solamente para exponentes naturales o cero. De lo anterior surge una interrogante natural; La denicin puede ser extendida al conjunto de los nmeros enteros? La solucin al problema se puede obtener si introducimos el siguiente axioma, que se asume como vlido e irrefutable. Axioma. Dado y entonces .

Unidad: Funcin potencia, exponencial y logartmo

31

Ejemplo.

3.1. Propiedades de la Potenciacin. En la siguiente seccin analizaremos las propiedades que satisfacen las potencias. Asumiendo que los exponentes son nmeros enteros. Multiplicacin de potencias de igual base. Al multiplicar dos o ms potencias de igual base a se obtiene una potencia de base a cuyo exponente es igual a la suma de los exponentes de las potencias involucradas. En otras palabras:

Divisin de potencias de igual base. Al dividir dos potencias de igual base a se obtiene una potencia de base a cuyo exponente es igual a la diferencia de los exponentes del numerador y el denominador. Ejemplo:

Potencia de potencia. La potencia de una potencia de base a es igual a una potencia de base a cuyo exponente igual al producto de los exponentes. Es decir:

Propiedad distributiva. La potenciacin es distributiva con respecto a la multiplicacin y a la divisin, pero no lo es con respecto a la suma ni a la resta. Es decir: En general:

32

Unidad: Funcin potencia, exponencial y logartmo

Existen algunos casos particulares donde se cumple la distribucin de la potenciacin con respecto a la suma y/o la resta, los cuales se detallan a continuacin: 1. Si m = 1. En efecto

2. Si n > 1 entonces: Si a = 0 entonces existe distribucin de la potenciacin con respecto de la suma. En efecto.

Si b = 0 entonces existe distribucin de la potenciacin con respecto de la suma y la resta. En efecto.

Si a = b = 0 entonces existe distribucin de la potenciacin con respecto de la suma y la resta. Notar que este es caso particular de los anteriores. En efecto.

Observacin. En general:

Potencia de exponente 0. Toda potencia de exponente 0 y base distinta de 0 es igual a 1. , si se cumple que Potencia de exponente 1. Toda potencia de base a y exponente 1 es igual a a .

Unidad: Funcin potencia, exponencial y logartmo

33

Potencia de base 10. Toda potencia positiva de base 10 es igual a la unidad seguida de tantos ceros como unidades posee el exponente. Por ejemplo:

3.2. Aplicacin. Una de las aplicaciones importantes de la potenciacin es la representacin de nmeros en una base determinada. Esta aplicacin es de gran importancia en informtica. A continuacin detallamos la mencionada aplicacin. 3.2.1. Representacin de los nmeros en una base determinada.5 Cuando los hombres empezaron a contar usaron los dedos, guijarros, marcas en bastones, nudos en una cuerda y algunas otras formas para ir pasando de un nmero al siguiente. A medida que la cantidad crece se hace necesario un sistema de representacin ms prctico. En diferentes partes del mundo y en distintas pocas se lleg a la misma solucin, cuando se alcanza un determinado nmero se hace una marca distinta que los representa a todos ellos. Este nmero es la base. Se sigue aadiendo unidades hasta que se vuelve a alcanzar por segunda vez el nmero anterior y se aade otra marca de la segunda clase. Cuando se alcanza un nmero determinado (que puede ser diferente del anterior constituyendo la base auxiliar) de estas unidades de segundo orden, las decenas en caso de base 10, se aade una de tercer orden y as sucesivamente. La base que ms se ha utilizado a lo largo de la Historia es 10 segn todas las apariencias por ser ese el nmero de dedos con los que contamos. Hay alguna excepcin notable como son la numeracin babilnica que usaba 10 y 60 como bases y la numeracin maya que usaba 20 y 5 aunque con alguna irregularidad.

5 Adaptacin

del texto El concepto de base de Santiago Casado.

34

Unidad: Funcin potencia, exponencial y logartmo

Desde hace 5000 aos la gran mayora de las civilizaciones han contado en unidades, decenas, centenas, millares etc. es decir de la misma forma que seguimos hacindolo hoy. Sin embargo la forma de escribir los nmeros ha sido muy diversa y muchos pueblos han visto impedido su avance cientco por no disponer de un sistema ecaz que permitiese el clculo. Casi todos los sistemas utilizados representan con exactitud los nmeros enteros, aunque en algunos casos pueden confundirse unos nmeros con otros, pero muchos de ellos no son capaces de representar grandes cantidades, y otros requieren tal cantidad de smbolos que los hace poco prcticos. Pero sobre todo no permiten en general efectuar operaciones tan sencillas como la multiplicacin, requiriendo procedimientos muy complicados que slo estaban al alcance de unos pocos iniciados. De hecho cuando se empez a utilizar en Europa el sistema de numeracin actual, los abaquistas, los profesionales del clculo se opusieron con las ms peregrinas razones, entre ellas la de que siendo el clculo algo complicado en s mismo, tendra que ser un mtodo diablico aquel que permitiese efectuar las operaciones de forma tan sencilla. El sistema actual fue inventado por los indios y transmitido a Europa por los rabes. Del origen indio del sistema hay pruebas documentales ms que sucientes, entre ellas la opinin de Leonardo de Pisa (Fibonacci) que fue uno de los introductores del nuevo sistema en la Europa de 1200. El gran mrito fue la introduccin del concepto y smbolo del cero, lo que permite un sistema en el que slo diez smbolos puedan representar cualquier nmero por grande que sea y simplicar la forma de efectuar las operaciones.

3.2.2. Sistemas de numeracin. A continuacin describiremos algunos sistemas de numeracin mas usados. Cabe resaltar que el trabajo de numeracin se puede realizar en cualquier base a. Sistema de numeracin decimal. Tambin llamado sistema de numeracin Base 10, utiliza diez dgitos para representar cualquier cifra. Ellos son:

Unidad: Funcin potencia, exponencial y logartmo

35

0, 1, 2, 3, 4, 5, 6, 7, 8, 9 Combinando estos dgitos, podemos construir cualquier nmero. Ejemplo: El nmero 569 es un dato representado en sistema de numeracin decimal. Lo construimos mediante:

b. Sistema de numeracin binario. Tambin llamado sistema de numeracin Base 2, El sistema binario utiliza dos dgitos para representar cualquier cifra. Estos dgitos son 0, 1. Combinando estos dgitos, podemos construir cualquier nmero. Ejemplo: El nmero 110101 es un dato representado en sistema de numeracin binario. Observemos que no estamos familiarizados con el sistema de numeracin binario, ya que en la vida cotidiana utilizamos y representamos los nmeros en el sistema decimal. Para comprender mejor el signicado del nmero 110101 en sistema binario, aplicaremos un proceso de conversin, que nos permita representar dicho nmero en el sistema decimal.

Ejemplo: El nmero 110101 en sistema binario equivale a:

De lo anterior tenemos que la representacin decimal del numero binario 110101 es 53. Observacin. Tambin es posible realizar el proceso inverso, es decir dado un nmero representado en el sistema decimal, determinar su representacin en el sistema binario.

36

Unidad: Funcin potencia, exponencial y logartmo

Ejemplo: Continuemos trabajando con el nmero 53 en sistema decimal. Realicemos el siguiente procedimiento:

El procedimiento anterior consiste en dividir por 2 el nmero que deseamos representar en sistema binario. Luego aplicamos el mismo procedimiento con el cuociente de la divisin anterior y as sucesivamente hasta obtener cuociente 0. Lo interesente de este mtodo es que los restos de las divisiones que hemos realizado nos determinan la representacin del numero en base binaria. Por lo tanto nuestro nmero en sistema binario queda representado por 110101. Dato curioso.6 Existe una tcnica ms ldica que nos permite ver la representacin binaria de un nmero. Esta tcnica consiste en utilizar los nuestras manos, la cual puede ser de utilidad si no contamos como una calculadora. Lamentablemente esta tcnica solo se puede aplicar para nmeros pequeos (entre 1 y 1023). Ilustraremos un ejemplo con una secuencia de imgenes. Figura 16.

Para mayor informacin visitar http://gaussianos.com/los-dedos-de-la-mano-suman-1023.

Unidad: Funcin potencia, exponencial y logartmo

37

Como ejemplo de la importancia del sistema binario en la representacin de los datos, se tiene que los ordenadores representan todos sus datos en sistema de numeracin binarios. Es decir, los datos viajan, se procesan y se almacenan en los ordenadores a travs de impulsos elctricos. Estos impulsos se representan por dos estados, prendido (1) apagado (0).

c. Sistema de numeracin octal. Tambin llamado sistema de numeracin Base 8. El sistema octal utiliza ocho dgitos para representar cualquier cifra. Estos dgitos son 0, 1, 2, 3, 4, 5, 6, 7. d. Sistema de numeracin hexadecimal. Tambin llamado sistema de numeracin Base 16. El sistema hexagecimal utiliza diecisis dgitos para representar cualquier cifra. Estos dgitos son 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, A, B, C, D, E, F. Es importante sealar que este sistema numrico tiene mucha utilidad, en las operaciones internas del computador, ya que por ejemplo cuando se utiliza el comando DEBUG, los valores contenidos en todos los registros de memoria se especican en hexadecimal. S dos valores se suman, restan, multiplican o dividen, el resultado se presenta en hexadecimal. Dado que lo ms comn es el sistema decimal, es necesario efectuar una conversin de hexadecimal y viceversa para obtener el resultado de cualquier operacin en el formato DEBUG. En este instante surge una pregunta natural: A mi me surge otra: Como es posible realizar un cambio de Base? El proceso para escribir el nmero 53 en sistema binario, se describi en (1) sin embargo, este proceso se puede realizar para escribir cualquier nmero y cualquier base distinta de 10. El proceso consiste en dividir al nmero por la base, y luego dividir los cocientes que se van obteniendo por la base hasta que no se pueda continuar. Luego se escriben los restos empezando por el ltimo hasta llegar al primero. A continuacin se presenta el siguiente ejemplo, como escribir a 63481 en base 8:

38

Unidad: Funcin potencia, exponencial y logartmo

As del procedimiento anterior tenemos que la representacin del nmero 63481 en el sistema octal es (173771)8 Para comprender como funciona el cambio de base, supongamos que ya se tiene escrito al nmero en base 8 (es lo mismo en cualquier otra base).

Lo podemos separar en dos partes: la ltima cifra y el todas las otras. De esta manera queda:

Pero la primera parte es mltiplo de 8 y la ltima es menor que 8, as que a tiene que ser el resto en la divisin por 8 y ....fedcd8 el cociente. Por esto es necesario realizar la primera divisin. En el ejemplo se tiene que a = 1 y ....fedcd8 = 7935. Pero todava se necesita escribir al cociente en base 8, pero para ello repetimos esta operacin. En el segundo paso obtenemos que b = 7 y ...fedc8 = 991 . En cada repeticin el cociente es ms chico y por lo tanto en algn momento el da menor que 8, por lo tanto este procedimiento siempre termina.

Unidad: Funcin potencia, exponencial y logartmo

39

4. Funciones exponenciales
La mayora de las funciones que se han estudiado en los cursos previos han sido funciones lineales y cuadrticas. La clase general de funciones denidas por medio de un numero nito de operaciones algebraicas (suma, resta, multiplicacin, divisin, potencias y races) aplicadas a la funcin identidad y a la funcin constante, se denominan funciones algebraicas. En esta seccin se estudiarn las propiedades de dos nuevos tipos importantes de funciones, las exponenciales y las logartmicas. Estas funciones no son algebraicas pero forman parte de un grupo de funciones denominado funciones trascendentales. Las funciones logartmicas y las exponenciales se utilizan en la descripcin y solucin de una amplia variedad de problemas de la vida cotidiana, como ya hemos mencionado, incluyendo el crecimiento de poblaciones, animales y bacterias; decaimiento radioactivo; el incremento del dinero con inters compuesto; la absorcin de la luz al atravesar el aire, agua o vidrio y las magnitudes del sonido, entre otras.

4.1. Funciones Exponenciales. Comencemos la discusin de los temas observando que las funciones f y g denidas por y no son iguales. En efecto, en la primera funcin se tiene una base variable elevada a un exponente constante y en la segunda funcin se tiene a una base constante elevada a un exponente variable, existiendo una gran diferencia. La primera funcin es una funcin polinomial, que pertenece al conjunto de las funciones algebraicas, mientras que la segunda funcin pertenece al conjunto de las funciones trascendentales, y se denomina funcin exponencial.

Observemos que si se les pidiramos a varios estudiantes que realizaran la grca de la funcin exponencial , lo ms probable es que utilizaran una tabla asignando valores enteros a la variable y uniran los puntos por medio de una curva como se muestra en la gura 18.

40

Unidad: Funcin potencia, exponencial y logartmo

En la realizacin del procedimiento anterior, es importante sealar que existe una pequea trampa, ocurre que 3x no se deni para todos los nmeros reales x. De hecho hasta el momento solo sabemos lo que signica 3n, donde . Para justicar el signicado de 3p, donde p es un nmero racional usaremos la siguiente propiedad de los nmeros reales, la cual asumiremos como axioma.

Axioma 17. Para todo de x la cual se denota por de exponentes de la forma Observacin. Para calcular establece:

existe

tal que yn = x. y se denomina la raz enesima

. Adems las leyes de potencias son validas para potencias , donde , donde . y , aplicaremos la propiedad de potencia que

De lo anterior podemos deducir que

. y . Si

En este momento estamos en condiciones de determinar xr, donde entonces existen m, tal que . Por lo tanto

Por ltimo en este momento surge una pregunta natural. Cmo realizar el calculo de , por p ejemplo? O si se desea, nos podramos preguntar Cmo realizar el clculo de 3 , donde p es un nmero irracional?

Vease Calculus vol 1, Tom M. Apostol.

Unidad: Funcin potencia, exponencial y logartmo

41

La respuesta escapa a los alcances de la unidad. Sin embargo podemos mostrar un procedimiento que se puede utilizar para determinar una aproximacin de 3r, donde r es un numero irracional. Por ejemplo tratemos de determinar . Observemos que:

Entonces los nmeros racionales

Dan en orden sucesivo mejores aproximaciones a los nmeros

. De lo anterior podemos deducir que

Nos entregan en orden sucesivo mejores aproximaciones al valor de . De hecho si se desea una aproximacin ms exacta de debemos considerar una mejor aproximacin de . En este punto surge el problema de qu entendemos por mejor aproximacin lo cual es materia de otra rama de las matemticas. Para no profundizar ms en el tema, ya que no corresponde a las materias de la unidad, introduciremos un axioma de trabajo, entendiendo que un axioma un hecho considerado irrefutable y que se asume como verdadero, sobre el cual se basar en el trabajo de esta seccin. Axioma 28. Para b > 0 y cualquier nmero real r, la expresin br representa un nico nmero real, adems las leyes de potenciacin son vlidas para todos los exponentes reales. Denicin. Sea a > 0, a 1, denimos la funcin exponencial de base a, , denida por

Observe que gracias al axioma se tiene que la funcin esta bien denida, de donde podemos deducir que el dominio de es efectivamente el conjunto de los nmeros reales. Por otro lado es importante sealar que si a = 1 se obtiene simplemente la funcin constante f (x) = 1.

42

Unidad: Funcin potencia, exponencial y logartmo

4.1.1. Propiedades de las funciones exponenciales. A continuacin realizaremos un estudio de las funciones exponenciales indicando las propiedades que satisfacen, adems de analizar su grca dependiendo de los valores que puede tomar su base. Consideremos a > 0, a 1, y la funcin exponencial de base a, , denida por

a. Observemos que dado el axioma, se tiene que el dominio de la funcin exponencial es el conjunto de los nmeros reales, lo cual ya fue mencionado para garantizar que la funcin exponencial esta bien denida. b. La imagen de la funcin exponencial es el conjunto de los nmeros reales positivos. La demostracin no es trivial, pero si el lector desea profundizar puede consultar el texto Calculus vol 1, Tom M. Apostol. La grca de la funcin exponencial intersecta al eje las ordenadas solamente en el punto (0,1), independiente de la base de la funcin exponencial. c. La grca de la funcin exponencial no intersecta al eje de las abscisas, es decir la ecuacin

No posee solucin en el conjunto de los nmeros reales. d. El eje de las abscisas es una asntota9 horizontal de la grca de la funcin exponencial. Ms precisamente, dependiendo de la base de la funcin exponencial si esta es mayor a 1 o menor a 1, la graca se aproxima a cero, a medida que se aproxima al innito negativo o al innito positivo segn corresponda. e. La funcin exponencial es creciente si a > 1, mientras que si a < 1 la funcin exponencial es decreciente. En efecto mostremos que si a > 1 entonces la funcin exponencial de base a es creciente. Sea x > y entonces se tiene que x = y + r donde x > 0, por lo tanto:

8 9

Vease Calculus vol 1, Tom M. Apostol. La denicin formal de asintota horizontal es: La recta y = b es una asintota horizontal de la funcin f (x) si tiende al innito. . En trminos ms coloquiales una recta horizontal y = b es una asintota de la funcin f (x) si la grca de la funcin f (x) y de la recta y = b se confunden cuando

Unidad: Funcin potencia, exponencial y logartmo

43

Pero de los axiomas 1 y 2 tenemos que las propiedades de potenciacin son siempre vlidas, por lo tanto podemos asegurar que:

As de lo anterior tenemos que

Por lo tanto la funcin exponencial es una funcin creciente si a < 1 . Por otro con un racionamiento similar podemos deducir que la funcin exponencial es una funcin decreciente si a < 1. f. La funcin exponencial es funcin inyectiva es decir:

En efecto, esto es consecuencia directa de la propiedad e. adems de la observacin 3 de la seccin 2 de la unidad. De esta propiedad se tiene una herramienta potente para resolver ecuaciones exponenciales, una de las aplicaciones que analizaremos ms adelante. g. S son tales que a 1 y b 1 entonces para todo propiedades de potencias se satisfacen. se tiene que las siguientes

Lo anterior es consecuencia directa de los axiomas 1 y 2, ya que las propiedades antes mencionadas son propiedades de potencias. h. Dado no nulo se tiene que si son tales que a 1 y b 1 entonces

ax = bx si y solamente si a = b.

44

Unidad: Funcin potencia, exponencial y logartmo

Ejemplo. Para ilustrar lo descrito anteriormente, analicemos en un mismo sistema coordenado las gracas de las funciones exponenciales y .(Figura 19). De la

grca podemos observar que la funcin f es una funcin creciente. Adems si realizamos la prueba de la recta horizontal se puede determinar que la funcin es inyectiva. De manera anloga podemos observar que la funcin g es decreciente e inyectiva.

4.1.2. Aplicaciones. En esta seccin mostraremos algunas aplicaciones de las funciones. Las aplicaciones que mostraremos van desde resolver ecuaciones exponenciales, resolver problemas de crecimiento de poblaciones, calculo de inversiones de capital en inters compuesto, desintegracin radioactiva, entre otras. 1. Ecuaciones exponenciales. Uno de los problemas a los cuales se enfrentan los estudiantes durante la enseanza media es la resolucin de ecuaciones, ya sean ecuaciones lineales o ecuaciones de segundo grado, entre otras. En este ejemplo se ilustrar la utilidad de las propiedades de las funciones exponenciales para resolver ecuaciones que involucren funciones exponenciales. Problema 1. Determine el conjunto solucin de la siguiente ecuacin exponencial.

Solucin. Para resolver la ecuacin dada usaremos la propiedad de inyectividad de las funciones exponenciales. Ms especcamente propiedad f.

Unidad: Funcin potencia, exponencial y logartmo

45

Por lo tanto la solucin del problema es

Problema 2. Determine la solucin de la siguiente ecuacin exponencial

Solucin. Para resolver esta ecuacin combinaremos la tcnica para resolver ecuaciones de segundo grado y las propiedades de funciones exponenciales. En efecto observe:

Al resolver la ecuacin de segundo obtenida se tiene que:

De lo anterior se tiene que los valores de x que resuelven la ecuacin exponencial dada deben satisfacer que:

Pero la imagen de la funcin exponencial , es el conjunto de los nmeros reales positivos, por lo tanto la relacin no es valida en el conjunto de los nmeros reales. Considerando lo anteriores tiene que:

As se tiene que la solucin de la ecuacin exponencial es solo x = 3.

46

Unidad: Funcin potencia, exponencial y logartmo

2. Aplicaciones de la Ley de Malthus10. Para analizar esta ley primero debemos ubicarnos el contexto de la modelacin matemtica. Las ecuaciones Diferenciales son una de las ramas de la matemtica que trata de resolver problemas reales va la modelacin. Muchas leyes naturales e hiptesis pueden ser traducidas al lenguaje matemtico en ecuaciones que envuelven derivadas. Por ejemplo derivadas aparecen en la fsica como velocidades y aceleraciones, en la geometra como pendientes, en la biologa como razn de crecimiento de poblaciones, en sicologa como razn de aprendizaje, en qumica como rapidez de reaccin, en economa como razn de cambio de costo de vida y en nanzas como razn de crecimiento de inversiones. En muchos modelos matemticos, para obtener una ecuacin diferencial que describa un problema real, se asume que la situacin es gobernada por leyes muy simples. Una vez que el modelo es construido en la forma de una ecuacin diferencial, la siguiente etapa es resolver la ecuacin diferencial y utilizar la solucin para hacer predicciones relativas al problema real. En el caso que estas predicciones no concuerden razonablemente con la realidad, se debe considerar los supuestos iniciales para obtener un modelo ms cercano a la realidad. A continuacin daremos algunos ejemplos especcos donde las soluciones de las ecuaciones diferenciales de algunos problemas reales son funciones exponenciales. Dinmica de poblaciones. Uno de los primeros intentos de modelar matemticamente el crecimiento demogrco humano lo hizo el economista ingles Thomas Malthus en 1798. En esencia, la idea del modelo malthusiano es la hiptesis de que la tasa crecimiento de la poblacin de un pas crece en forma proporcional a la poblacin total. P(t), de ese pas en cualquier momento t. En trminos matemticos, esta hiptesis se puede expresar en la siguiente ecuacin (Ley de Malthus) (1)

donde k es una constante de proporcionalidad.

10

Para conocer la biografa de Thomas Malthus, visitar www.eumed.net/cursecon/dic/bzm/m/Malthus.htm.

Unidad: Funcin potencia, exponencial y logartmo

47

A pesar de que este modelo no toma en cuenta muchos factores, como por ejemplo inmigracin y emigracin, que pueden inuir en las poblaciones humanas, sin embargo predijo con bastante exactitud la poblacin de Estados Unidos desde 1790 hasta 1860. La solucin de la ecuacin diferencial (1) es una funcin exponencial, a saber:

Donde P0 representa la poblacin inicial de la muestra. Observacin. Las poblaciones que crecen con tasa proporcional son raras, sin embargo se sigue usando la ecuacin (1) para modelar el crecimiento de poblaciones pequeas en intervalos cortos de tiempo, como por ejemplo el crecimiento de bacterias. Biologa. Se ha observado que para un gran tipo de colonias de bacterias tienden a crecer en una razn proporcional al nmero de bacterias presentes. Si para tales tipos de colonias consideramos B(t) el nmero de bacterias presentes en el instante t y denotamos por k la constante de proporcionalidad, podemos observar que B(t) satisface las hiptesis de la ley de Malthus, por lo tanto podemos deducir que:

donde B0 es el nmero de bacterias iniciales de la muestra. Desintegracin Radiactiva. El ncleo de un tomo esta formado por combinaciones de protones y neutrones. Muchas de esas combinaciones son inestables; esto es, los tomos se desintegran o se convierten en tomos de otras sustancias. Se dice que estos ncleos son radioactivos; por ejemplo, con el tiempo el radio Ra 226 que es intensamente radioactivo, se transforma en gas radn Rn , 222 tambin radioactivo. Para modelar el fenmeno de la desintegracin radioactiva, se supone que la tasa con que el ncleo de una sustancia se desintegran es proporcional a la cantidad M ( t) de sustancia que queda en el tiempo t: es decir se supone que la desintegracin se comporta bajo los

48

Unidad: Funcin potencia, exponencial y logartmo

supuestos de la Ley de Malthus, de donde se tiene que la cantidad de material radioactivo en el instante t esta dado por

Farmacologa. Se sabe en farmacologa que la penicilina y otras drogas administradas a pacientes desaparecen de sus cuerpos de acuerdo a la siguiente regla; Si D(t) es la cantidad de droga en un cuerpo humano en el instante t, entonces la razn de cambio de la droga es proporcional a la cantidad presente. Esto es, D(t) satisface las hiptesis de la Ley de Malthus, de donde se puede deducir que la cantidad de droga en un instante t esta dada por:

Donde k es la constante de proporcionalidad. 3. Inters compuesto. Las inversiones, tales como las cuentas de ahorros, pagan una tasa anual de inters que puede componerse anual, semestral, trimestral mensual, diaria y as sucesivamente. En general, si una cantidad de P pesos se invierte con una tasa de inters anual r, que se compone n veces al ao, entonces la cantidad incrementada al cabo de t aos esta dada por:

Donde S es el valor futuro del capital P. Observe que el valor futuro del capital puede ser expresado como una funcin exponencial. En efecto, al cabo de t aos el valor futuro del capital depositado en una cuenta de ahorros con un inters compuesto de r que se componen n veces al ao esta dado por:

Donde

Unidad: Funcin potencia, exponencial y logartmo

49

Por otro lado si tenemos que el nmero n de veces que el inters se compone crece sin lmite, se dice que el inters se compone continuamente. Para determinar el valor futuro S en este caso es importante sealar que si consideramos , entonces obtenemos:

Por otro lado recordemos que e es el lmite de

cuando m tiende a innito, lo cual fue

expuesto en la seccin 1.2.). As podemos observar que si la tasa anual de inters r se compone continuamente entonces el valor futuro S de un capital C despus de t aos ser:

4. Funcin Logstica. La funcin exponencial es un modelo vlido para crecimientos o decrecimientos continuos en los que las condiciones son siempre igualmente favorables: aumento del capital ingresado en un banco, desintegracin de sustancias radioactivas, etc. Las poblaciones de seres vivos comienzan creciendo segn una curva exponencial pero si no hay catstrofes, llegan a invadir su espacio vital y, debido a la limitacin de alimentos, etc., su crecimiento se amortigua, no sobrepasando su poblacin lmite. Este tipo de aumento, amortiguado por un nivel de saturacin se llama crecimiento logstico. La funcin logstica describe mucho mejor que la exponencial lo que realmente ocurre con las poblaciones de seres vivos. En general, la funcin logstica asociada a una exponencial , donde P0 es la poblacin inicial, es:

Donde L es la poblacin lmite y

50

Unidad: Funcin potencia, exponencial y logartmo

5. Funciones Logartmicas
En la seccin anterior estudiamos las funciones exponenciales , donde y a 1. Una de las propiedades que analizamos de las funciones exponenciales es que independiente de la base de trabajo, la funcin es exponencial es inyectiva. Al ser la funcin exponencial , , inyectiva podemos garantizar que existe la relacin inversa. Lamentablemente como ya analizamos en la seccin 4 para que la relacin inversa dena una funcin no basta con la propiedad de inyectividad y debemos aadir que la funcin asociada sea sobreyectiva. La nalidad de esta seccin es analizar bajo que condiciones la relacin inversa asociada ala funcin exponencial , dene una funcin y cuales son sus propiedades y aplicaciones.

5.1. Denicin de funcin logaritmo. Como ya hemos observado anteriormente En nuestro caso la funcin exponencial , no es sobreyectiva ya que la imagen de la funcin exponencial es , .

De lo anterior podemos deducir que si consideremos la funcin exponencial , denida por , donde y a 1, obtenemos que la relacin inversa dene una funcin. Definicin. Definimos la funcin inversa asociada a la funcin exponencial denida por , donde y a 1, por: ,

Donde loga (y) = x si y solamente si a x = y.

Unidad: Funcin potencia, exponencial y logartmo

51

Observacin. Es importante sealar que la funcin inversa asociada a la funcin exponencial , se denomina funcin logaritmo de base a y la expresin

Se lee logaritmo en base a de y. Ejemplo. En cada caso determinemos el valor de la variable x. a. . Observe que si aplicamos la denicin de funcin logaritmo tenemos:

Por lo tanto se tiene que

si y solamente si x = 3.

b.

. Observe que si aplicamos la denicin de funcin logaritmo tenemos:

Por lo tanto se tiene que c.

si y solamente si x = 8.

. Observe que si aplicamos la denicin de funcin logaritmo tenemos:

Por lo tanto se tiene que

si y solamente si x = 4.

52

Unidad: Funcin potencia, exponencial y logartmo

5.1.1. Propiedades de las funciones logartmicas. A continuacin realizaremos un estudio de las funciones Logartmicas indicando las propiedades que satisfacen, adems de analizar su grca dependiendo de los valores que puede tomar su base. Consideremos a > 0, a 1 , y la funcin logartmica de base a, , denida por

a. imagen de la funcin logartmica es el conjunto de los nmeros reales. La grca de la funcin logartmica intersecta al eje las abscisas solamente en el punto (1,0), independiente de la base de la funcin logartmica. b. Al ser , la funcin inversa de la funcin exponencial , se tienen las siguientes igualdades: . . , denida por

1. para todo 2. para todo

c. La grca de la funcin logartmica no intersecta al eje de las ordenadas. De hecho independiente de la base de la funcin logartmica se tiene que loga (0) no esta denida. Lo anterior es consecuencia directa de la denicin de funcin logartmica. En efecto si suponemos que existe tal que loga (0) = x entonces:

Lo cual es un absurdo, ya que si a > 0 , a 1 ax > 0

Unidad: Funcin potencia, exponencial y logartmo

53

d. El eje de las ordenadas es una asntota11 vertical de la grca de la funcin exponencial. Es decir la grca de la funcin logartmica no corta el eje de las Y. e. La funcin logartmica es creciente si a > 1, mientras que si a < 1 la funcin logartmica es decreciente (Figura 20). En efecto mostremos que si a > 1 entonces la funcin logartmica de base a es creciente. Sea x > y > 0 analicemos la relacin que existe entre loga (x) y loga (y). Supongamos que:

Por lo tanto de la denicin de funcin logartmica tenemos que:

Por otro lado sabemos que x > y > 0 , de donde podemos deducir que:

Por otro lado como a > 1 se tiene que la funcin exponencial es creciente por lo p q tanto si a > a , podemos deducir que p > q. De lo anterior hemos obtenido que la funcin logartmica es una funcin creciente si a > 1. Por otro con un racionamiento similar podemos deducir que la funcin logartmica es una funcin decreciente si a < 1. f. La funcin logartmica es funcin inyectiva, es decir:

11

La denicin formal de asintota vertical es: La recta x = a es una asintota vertical de la funcin f (x) toma valores arbitrariamente grandes cuando . Para mayor informacin y profundizacin vease Calculus vol 1, Tom M. Apostol.

54

Unidad: Funcin potencia, exponencial y logartmo

En efecto, esto es consecuencia directa de la propiedad e. adems de la observacin 3 de la seccin 2 de la unidad. De esta propiedad se tiene una herramienta potente para resolver ecuaciones logartmicas, una de las aplicaciones que analizaremos ms adelante. g. S 1. es tal que a 1 entonces para todo se tienen las siguientes propiedades

. En efecto, de la observacin a. se tiene que: y De donde podemos deducir que:

Es decir

Aplicando la denicin de funcin logartmica obtenemos:

2.

. En efecto, de la observacin a. se tiene que: y De donde podemos deducir que:

Es decir

Aplicando la denicin de funcin logartmica obtenemos:

Unidad: Funcin potencia, exponencial y logartmo

55

3.

, para cualquier

. En efecto, de la observacin a. se tiene que:

De donde podemos deducir que:

Es decir

Aplicando la denicin de funcin logartmica obtenemos:

Observacin. Es importante sealar que:

h. Si

son tales que a 1y b 1 entonces para todo

se tiene que:

Esta propiedad se conoce como formula de cambio de base. Para vericar la formula de cambio de base observemos que si: entonces

56

Unidad: Funcin potencia, exponencial y logartmo

Si aplicamos logaritmo en base b en la ltima igualdad tenemos:

Es decir

Observacin. En el uso cotidiano de las funciones logartmicas existen dos bases que son ms usadas, la base b = 10 y la base b = e, deniendo respectivamente las funciones logartmicas conocidas como funcin logaritmo comn y funcin logaritmo natural, las cuales se denotan por

5.1.2. Aplicaciones. En esta seccin mostraremos algunas aplicaciones de las funciones logartmicas. Las aplicaciones que mostraremos van desde resolver ecuaciones logartmicas, Intensidad del sonido, entre otras. 1. Ecuaciones Logartmicas. Uno de los problemas a los cuales se enfrentan los estudiantes durante la enseanza media es la resolucin de ecuaciones, ya sean ecuaciones lineales o ecuaciones de segundo grado, entre otras. En este ejemplo se ilustrar la utilidad de las propiedades de las funciones logartmicas para resolver ecuaciones que involucren funciones logartmicas. Problema 1. Determine el conjunto solucin de la ecuacin logartmica.

Unidad: Funcin potencia, exponencial y logartmo

57

Solucin. Para resolver la ecuacin logartmica dada aplicaremos las propiedades de las funciones logartmicas.

De donde podemos deducir que:

Por lo tanto hasta este momento estamos tentados a concluir que la solucin de la ecuacin dada es el conjunto {2,5}. Lamentablemente despus de resolver una ecuacin logartmica debemos comprobar si las soluciones encontradas pertenecen a los dominios de las funciones logartmicas involucradas en la ecuacin. En nuestro problema debemos determinar si x = 2 y x = 5 son efectivamente soluciones de la ecuacin logartmica dada. Comprobacin de soluciones: a. x = 2. Observe que:

De donde podemos deducir que x = 2 es solucin de la ecuacin logartmica dada. b. x = 5. Observe que:

58

Unidad: Funcin potencia, exponencial y logartmo

Lamentablemente el dominio de la funcin log(x) es el conjunto de los nmeros reales positivos, de donde podemos deducir que x = 5 no es solucin de la ecuacin dada ya que log(2) y log(5) no estn denidos. As de lo anterior se tiene que la nica solucin de la ecuacin logartmica es x = 2. Problema 2. Determine el conjunto solucin de la ecuacin logartmica.

Solucin. Para resolver esta ecuacin combinaremos la tcnica para resolver ecuaciones de segundo grado y las propiedades de funciones logartmicas. En efecto observe:

Por lo tanto si realizamos el cambio de variable

obtenemos que:

Al resolver la ecuacin de segundo obtenida se tiene que:

De lo anterior se tiene que los valores de x que resuelven la ecuacin exponencial dada deben satisfacer que:

As se tiene que las soluciones de la ecuacin logartmica son x = 1 y x = e2. 2. Intensidad del Sonido. El odo humano es capaz de or el sonido en un rango increble de intensidades. EL sonido ms fuerte que una persona puede percibir sin sufrir dao en su tmpano posee una intensidad de un billn de veces la del sonido ms suave que puede percibir. Para no trabajar con un rango tan grande de nmeros, se usan los logaritmos para crear escalas comprimidas que sean ms fciles de trabajar. La escala de decibeles para la intensidad del sonido,

Unidad: Funcin potencia, exponencial y logartmo

59

es un ejemplo de escalas utilizadas. El decibel llamado as por el inventor del telfono, Alexander Graham Bell, se dene por:

Donde D es el nivel de decibeles del sonido, I es la intensidad del sonido medida en watts por metro cuadrado e I0 es la intensidad del sonido ms pequeo audible por una persona promedio joven y saludable puede escuchar. Este ltimo se estandariza a I0 = 1012 watts por metro cuadrado. 3. Intensidad de un terremoto. La energa liberada por un terremoto, medida en Joules, es aproximadamente de 100 mil millones de veces la energa liberada por un terremoto de poca intensidad. En 1935 el sismlogo de California Charles Richter desarrollo una escala logartmica que lleva su nombre y se usa ampliamente en Estados Unidos. La magnitud M en la escala de Richter esta denida por:

Donde E es la energa liberada por el terremoto, medida en Joules y E0 es la energa liberada por un terremoto de muy poca intensidad que se ha estandarizado a E0 = 104.40 Joules.

60

Unidad: Funcin potencia, exponencial y logartmo

GEOMETRA
LA GEOMETRA EN QUE VIVIMOS
MATERIAL DE REFERENCIA

UNIDAD GEOMETRA

Mara Isabel Escobar Gutirrez Gustavo E. Rodrguez Seplveda

CONTENIDO
63 Presentacin de la unidad

64 Un poco de historia

65 Geometra del espacio


Elementos bsicos de geometra Los actores geomtricos del espacio Poliedros Regulares, Slidos Platnicos Poliedros irregulares rea de los cuerpos Geomtricos Eureka, eureka! Lo encontr! Cuerpos generados por traslacin Slidos de revolucin Teorema de Pappus - Guldin 66 73 76 81 87 92 99 105 107

110 Referencias Bibliogrficas

PRESENTACIN
A lo largo de la Educacin Media nuestros estudiantes se han visto enfrentados fundamentalmente a situaciones en las que slo han necesitado desarrollar habilidades geomtricas en el plano. Sin embargo, en la realidad, la figura plana de dos dimensiones no existe como tal, si no formando parte de un cuerpo en el espacio. Nuestro entorno est rodeado de objetos que tienen tres dimensiones: largo, ancho y alto: an cuando manipulamos papel, cartn, madera, etc., trabajamos con cuerpos geomtricos, ya que stos tienen, aunque pequeo, un cierto grosor; es mentalmente entonces que separamos la figura geomtrica plana de las figuras geomtricas del espacio como si estas no tuvieran relacin con los cuerpos slidos. En la presente unidad de estudio, se abordarn tpicos referentes a la geometra del espacio. Como los alumnos han trabajado en aos anteriores con los elementos bsicos del plano: punto, recta y ngulo, en una primera instancia nos centraremos en los elementos bsicos de la geometra en el espacio, que se requieren para comprender su estudio. En particular, se caracterizarn rectas y planos, ngulos diedros, posiciones relativas de los planos en el espacio, entre otras. Posteriormente abordaremos las caractersticas de cuerpos geomtricos en general y las relaciones obtenidas en su estudio: se presentar la Regla de Euler que nos muestra una relacin numrica entre caras, vrtices y aristas de los cuerpos poliedros, y se presentarn adems las relaciones obtenidas a partir del volumen de los prismas y las pirmides. Se tratarn conceptos bsicos de vectores vinculados a la traslacin de figuran que permiten la representacin plana de cuerpos geomtricos, y en la rotacin de figuras planas encontraremos sentido al concepto de slido de revolucin, apoyados del teorema denominado Pappus-Guldin se mostrar un mecanismo matemtico que permite el clculo del volumen y rea de cuerpos redondos a partir del estudio de la figura plana que lo genera. La presentacin de los contenidos tericos se vincula a la historia, de manera que se aprecie que detrs del pensamiento cientfico existe un contexto histrico y cultural. Han sido hombres quienes, en escenarios muy diversos, han puesto luz en zonas del conocimiento cientfico enriqueciendo el legado de conocimientos que tenemos como humanidad.

Unidad: Geometra en el espacio

63

UN POCO DE HISTORIA
La geometra ha estado presente en la historia de la humanidad desde sus comienzos, sin embargo, el origen de su nombre se remonta al antiguo Egipto. La geometra como palabra tiene dos races griegas: geo = tierra y metrn = medida; o sea, significa medida de la tierra. Tanto en el antiguo Egipto como en la civilizacin Mesopotmica encontramos clculo de volmenes y reas, adems de primitivas nociones de Trigonometra y semejanza de tringulos asociadas a medicin de distancias y construccin de obras que les permitieron resolver situaciones prcticas, sin embargo, carecan de principios generales y demostraciones formales. Recin alrededor del siglo VI a.C. durante el auge de la cultura Helnica se abordan los conceptos geomtricos desde una perspectiva ms terica, donde por primera vez se recopilan los hechos matemticos abstractos. Estos conocimientos pasaron a los griegos y fue Thales de Mileto quien hace unos seis siglos antes de Cristo inici la geometra demostrativa. Las propiedades se demuestran por medio de razonamientos y no porque resulten en la prctica las demostraciones pasan a ser fundamentales y la Lgica pasa a ser la base de las leyes del razonamiento. As se sistematiz el conocimiento geomtrico acumulado, y en este proceso se adquieren nuevos conocimientos mucho ms generales que las reglas particulares ya conocidas.

Foto extrada de History and Theory of Psychology Course http://www.comnet.ca/~pballan/section 1(210).htm

Euclides fue otro matemtico griego, del siglo III antes de Cristo, quien en su famosa obra titulada Los Elementos, recopila, ordena y sistematiza todos los conocimientos de geometra hasta su poca y, salvo algunas pequeas variaciones, son los mismos conocimientos que se siguen enseando en nuestros das. Euclides, usando un razonamiento deductivo parte de conceptos bsicos primarios no demostrables tales como punto, recta, plano y espacio, que son el punto de partida de sus definiciones, axiomas y postulados. Euclides demuestra teoremas y a su vez, stos servirn para demostrar otros. Crea nuevos conocimientos a partir de los ya existentes por medio de cadenas deductivas de razonamiento lgico. Esta geometra, llamada geometra euclidiana se basa en lo que histricamente se conoce como 5 postulado de Euclides: por un punto situado fuera de una recta se puede trazar una y slo una paralela a ella. Existen otras geometras que no aceptan dicho postulado euclidiano, sino que aceptan otros principios que dan origen a las llamadas geometras no euclidianas, como la creada en el siglo XIX por el ruso Lobatschevsky. La geometra euclidiana puede dividirse en geometra plana y en geometra del espacio o Estereometra. La geometra plana estudia las figuras contenidas en un plano. La geometra del espacio estudia figuras que no estn contenidas en un mismo plano.

64

Unidad: Geometra en el espacio

Geometra del espacio


Este texto aborda de forma particular la geometra del espacio desde la perspectiva euclidiana y est orientada especialmente al clculo de reas y volmenes de cuerpos geomtricos, en este mbito se destaca en forma especial el aporte realizado por Francesco Cavalieri, Pappus de Alejandra, Pal Guldin y Leonard Euler. Francesco Cavalieri mediante su mtodo de lo indivisible encuentra simple y rpidamente rea y volumen de varias figuras geomtricas, Pappus de Alejandra (300 a.C.) y Pal Guldin (ao1600) sintetizan lo que actualmente es llamado el teorema de Pappus-Guldin que permite el calculo de rea y volumen en slidos de revolucin, un aporte al estudio de los poliedros convexos lo realiza Euler con la conocida regla que lleva su nombre, que da cuenta de la relacin existente entre caras, vrtices y aristas. La mayora de las construcciones y los objetos creados por el hombre son ejemplos de formas geomtricas, muchas veces cercanas a cuerpos geomtricos puros. En la siguiente serie de imgenes podemos apreciar la presencia de cuerpos geomtricos en algunos diseos y construcciones.

Pilar en forma de paraleleppedo recto

Dados en forma de dodecaedro

La Torre de Pisa que tiene forma de cilindro y la iglesia que tiene distintas formas de prismas

Planetario Universidad de Santiago de Chile

Prisma recto de base triangular

Museo de Louvre en Francia

Unidad: Geometra en el espacio

65

No slo se encuentran los cuerpos geomtricos en objetos hechos por el hombre, la naturaleza ya sea en el mbito macro y microscpico nos muestra asombrosos ejemplos.

Tipo 2 Cristal del Adenovirus de Hexon

Nuestro planeta Tierra es visto como una esfera

Los volcanes tienen forma similar de cono

Elementos Bsicos de Geometra


Punto (1) Un punto es lo que no tiene partes. (euclides.org) (2) Lmite mnimo de la extensin, que se considera sin longitud, anchura ni profundidad. (RAE) El espacio euclidiano puede considerarse constituido por todos los puntos existentes.

Un punto no existe en el mundo fsico, sin embargo lo podemos imaginar como el orificio que deja la punta de un alfiler o simplemente la punta de ste, la huella que deja sobre un papel la presin de la punta de un lpiz recin afilado o por una estrella en el firmamento.

Lnea Este es una de los conceptos geomtricos cuya definicin representa considerable dificultad, por lo cual se enuncia de distinto modo en diferentes apartados de la geometra. (1) En la geometra elemental el concepto de lnea no recibe una formulacin precisa y se define, a veces, como longitud sin anchura o como frontera de una superficie. (Enciclopedia de las Matemticas, MIR) (2) Una lnea es una longitud sin anchura. (euclides.org)

66

Unidad: Geometra en el espacio

Los extremos de una lnea son puntos. (euclides.org) Considerando que una lnea no existe en el mundo fsico podemos imaginarla como el borde de una hoja de papel, el trazo de un lpiz recin afilado, un cabello fino, el extremo filoso de una hoja de bistur, etc.

Para la Real Academia Espaola (RAE), lnea es la sucesin continua e indefinida de puntos en la sola dimensin de la longitud. Recta (1) Una lnea recta es aquella que yace por igual respecto de los puntos que estn en ella. (euclides.org) La lnea recta est sugerida por un hilo a plomo, puede ser imaginada como el borde de una regla, el extremo de una mesa, la marca que queda al doblar un papel, etc.

Superficie Una superficie es aquello que slo tiene longitud y anchura. Los extremos de una superficie son lneas. (euclides.org) Una superficie puede ser plana, como las caras de los prismas, o bien curva como ocurre en un cilindro o un cono. Una superficie plana es aquella superficie que yace por igual respecto de las lneas que estn en ella. (euclides.org) Una superficie plana es la que puede contener una recta imaginaria en cualquier direccin. (RAE)

Unidad: Geometra en el espacio

67

Considerando que una superficie plana no existe en la realidad concreta, podemos imaginarla asocindola a la superficie de agua sin movimiento, a un vidrio, a la superficie de un espejo, o bien a una hoja de papel o una tela.

Es comn el uso del trmino superficie y rea como si fueran lo mismo, sin embargo debemos diferenciar estos dos conceptos. rea Es la medida asociada a una superficie, en el caso de los cuerpos geomtricos el rea se refiere a la suma del rea de cada una de sus caras. Las unidades de medida utilizada habitualmente son el cm2 (cuadrado de un centmetro de lado), m2 (cuadrado de un metro de lado), etc. Plano La idea intuitiva de plano la podemos obtener imaginando una superficie plana prolongada en todas sus direcciones. Para determinar un plano en el espacio bastarn tres puntos no alineados. Por el hecho que por dos puntos distintos pasa una sola recta, otras formas de determinar un plano sern mediante: una recta y un punto exterior a ella dos rectas que se corten dos rectas paralelas

Un plano divide al espacio en dos regiones, situadas a uno y otro lado de dicho plano. Cada una de estas regiones se llama semiespacio.

68

Unidad: Geometra en el espacio

Toda recta contenida en un plano lo divide en dos regiones situadas a uno y otro lado de dicha recta. Cada una de estas regiones es un semiplano.

Posiciones relativas de rectas con respecto a un plano

Se dice que la recta L es paralela al plano P si no tienen puntos en comn.

Si la recta tiene dos puntos en comn con el plano, siendo por lo tanto la recta un subconjunto del plano, decimos que la recta est contenida en el plano. Si la recta tiene exactamente un punto en comn con el plano, decimos que la recta corta al plano en dicho punto. Diremos que es oblicua con respecto a un plano si lo intersecta, pero no perpendicularmente.

Una recta L es perpendicular a un plano, si toda recta L' contenida en el plano y que intersecta a L es perpendicular con sta. Dos rectas son perpendiculares u ortogonales en el espacio si el ngulo que forman mide 90.
Unidad: Geometra en el espacio

69

Posiciones relativas de dos rectas en el espacio Como primera observacin tenemos que dos rectas pueden o no estar contenidas en un mismo plano. Adems, si stas se encuentran en un mismo plano se dir que las rectas son coplanares. Estas rectas pueden presentarse en los siguientes casos. Decimos que dos rectas son concurrentes si se intersectan en un punto. Dos rectas en esta posicin generan un nico plano.

Decimos que dos rectas son paralelas, si se encuentran en un mismo plano y no tienen puntos en comn. El plano que determinan dos rectas paralelas es nico.

Casos particulares de posicin relativa entre dos rectas en el espacio lo constituyen las rectas coincidentes y las rectas alabeadas: Se dice que dos rectas son coincidentes si tienen infinitos puntos en comn. Si dos rectas pertenecientes a planos diferentes no tienen puntos en comn, pero no son paralelas se denominan rectas alabeadas. Planos paralelos Diremos que dos planos son paralelos, si no tienen puntos en comn. Dos planos son paralelos cuando son equidistantes entre s y por ms que se prolonguen no se intersectan.

Planos secantes Cuando dos planos se intersectan se dicen que son secantes y stos en la interseccin determinan una recta.

70

Unidad: Geometra en el espacio

Planos perpendiculares Dos planos se denominan perpendiculares cuando se intersectan determinando un ngulo recto entre los planos.

Planos coincidentes Decimos que dos planos son coincidentes, si tiene tres o infinitos puntos en comn.

Unidad: Geometra en el espacio

71

ngulo diedro Dos planos que se cortan, dividen el espacio en cuatro regiones. Cada una de ellas se llama ngulo diedro o simplemente diedro. Las caras del diedro son los semiplanos que lo determinan y la recta comn a las dos caras se denomina arista.

El ngulo diedro se mide por el ngulo rectilneo, es decir, por el ngulo comprendido entre dos perpendiculares trazadas a la arista desde un punto y que se encuentran en caras distintas. (Enciclopedia de las Matemticas, MIR). La medida y clasificacin de los ngulos diedros se remite a lo visto en geometra plana, un caso particular lo constituye el ngulo diedro recto que es el que caracteriza a los planos perpendiculares. ngulo poliedro Si tenemos tres o ms planos que se cortan mediante rectas que concurren en un mismo punto, la regin de espacio que limitan se llama ngulo poliedro y al punto comn se denomina vrtice.

Segn el nmero de caras que formen el ngulo poliedro, estos reciben un nombre diferente. As, si son tres planos se le llama triedro, si son cuatro, tetraedro, si son cinco, pentaedro, etc., pudiendo ser cada uno de ellos de dos tipos, convexos o no-convexo, segn sea la seccin producida al cortarlos por un plano, un polgono convexo o no-convexo, respectivamente. Adems, se conoce que en todo ngulo poliedro el ngulo correspondiente a una cara es menor que la suma de los ngulos de las caras restantes. Por otro lado, tenemos que los ngulos de las caras de un ngulo poliedro convexo suman menos de 360.

72

Unidad: Geometra en el espacio

Los actores geomtricos del espacio


En el mundo en el que nos movemos estamos rodeados y manejando continuamente cuerpos geomtricos. Algunos muy cercanos a formas geomtricas puras: un cono de helado, una caja de chocolates, una lata de bebida o un dado son claro ejemplos. Una primera clasificacin de los cuerpos geomtricos son: los cuerpos poliedros y los cuerpos redondos como se muestra en el siguiente esquema:
TETRAEDRO HEXAEDRO POLIEDROS REGULARES OCTAEDRO DODECAEDRO ICOSAEDRO

CUERPOS POLIEDROS
(Todas sus caras planas)

PRISMAS PIRAMIDES POLIEDROS IRREGULARES CUERPOS GEOMETRICOS TRONCO DE PRISMA TRONCO DE PIRAMIDE

CILINDRO ESFERA CONO TRONCO DE CONO

CUERPOS REDONDOS
(Al menos una cara curva)

Unidad: Geometra en el espacio

73

Poliedro Cuerpo geomtrico formado por regiones planas denominadas caras que son polgonos y hacen de frontera entre el interior y exterior del cuerpo. Los lados y vrtices de las caras reciben los nombres de aristas y vrtices del poliedro. Un segmento del interior de un cuerpo poliedro que une dos vrtices ubicados en distintas caras se llama diagonal. Los poliedros se designan en general por el nmero de caras que tienen, por ejemplo: Tetraedro, poliedro de cuatro caras, hexaedro, poliedro de seis caras, etc. En todo poliedro podemos encontrar elementos como: Caras, porcin del plano (regin poligonal) que forman un poliedro. Aristas, es el segmento que se forma al intersectarse dos caras. Vrtices, es el punto donde concurren tres o ms caras. Diagonales, segmento que unen dos vrtices opuestos en una cara o que no estn situados en la misma cara. Planos diagonales, porcin del plano (polgono) que une dos aristas no situadas en la misma cara. No en todos los poliedros existen. ngulos diedros, son los ngulos que se forman al intersectar dos caras cuya arista es comn. ngulos poliedros, son los ngulos formados por varios ngulos planos que tiene un mismo vrtice y dos a dos una arista comn.

Nota: Las lneas segmentadas en las figuras representan a una arista oculta del cuerpo geomtrico. Los poliedros, segn la forma de sus caras se clasifican en regulares e irregulares. Un poliedro se dice convexo, si al intersectarlo con un plano se obtiene un polgono convexo, o bien, aquel en el que el plano que contiene a cada cara deja a todas las dems a un mismo lado, es decir, deja al resto de las caras en un mismo semiespacio, en caso contrario se llama poliedro no-convexo.

Poliedro convexo

Poliedro no-convexo

74

Unidad: Geometra en el espacio

En el estudio de los poliedros, un notable matemtico suizo establece una relacin numrica entre el nmero de caras aristas y vrtices de un poliedro, nos referimos a Leonhard Euler. Leonhard Euler Matemtico suizo, cuyos trabajos ms importantes se centraron en el campo de las matemticas puras, Euler naci en Basilea en 1707 y estudi en la Universidad de Basilea con el matemtico suizo Johann Bernoulli, licencindose a los 16 aos. En 1727, por invitacin de la emperatriz de Rusia Catalina I, fue miembro del profesorado de la Academia de Ciencias de San Petersburgo. Fue nombrado catedrtico de fsica en 1730 y de matemticas en 1733. Aunque obstaculizado por una prdida parcial de visin antes de cumplir 30 aos y por una ceguera casi total al final de su vida, Euler produjo numerosas obras matemticas importantes, as como reseas matemticas y cientficas.

Imagen extrada de www.mathematik.de

Euler principalmente era matemtico, sin embargo realiz tambin aportes en astronoma, mecnica, ptica y acstica. Entre sus obras se encuentran Instituciones del clculo diferencial (1755), instituciones del clculo integral (1768-1770) e introduccin al lgebra (1770). Euler tena una memoria prodigiosa; recordaba las potencias, hasta la sexta, de los 100 primeros nmeros primos, y la Eneida entera. Realizaba clculos mentalmente que otros matemticos realizaban con dificultad sobre el papel. La productividad matemtica de Euler fue extraordinaria. Nos encontramos su nombre en todas las ramas de las matemticas: Hay frmulas de Euler, polinomios de Euler, constantes de Euler, integrales eulerianas y lneas de Euler. Muri en 1783. La regla de Euler Este matemtico suizo en el ao 1752, fue quien estudi la relacin entre el nmero de vrtices, aristas y caras de un poliedro convexo que fue uno ms de sus tantos trabajos, demostr que si se suma el nmero de caras y el nmero de vrtices de un poliedro convexo y, del valor obtenido, se resta el nmero de aristas, el resultado es siempre igual a dos. Es decir,

C+VA=2
Donde, C, es el nmero de caras de poliedro convexo. V, es el nmero de vrtices del poliedro convexo. A, es el nmero de aristas del poliedro convexo.

Unidad: Geometra en el espacio

75

Poliedros Regulares, Slidos Platnicos


Los slidos platnicos, tambin conocidos como cuerpos platnicos, cuerpos csmicos, slidos pitagricos, slidos perfectos, poliedros de Platn o, con ms precisin, poliedros regulares convexos; son cuerpos geomtricos caracterizados por ser sus caras polgonos regulares iguales y en cuyos vrtices se unen el mismo nmero de caras. Reciben estos nombres en honor del filsofo griego Platn (427 a.C. - 347 a.C.), al que se atribuye haber estudiado las particulares propiedades de estos poliedros por primera vez. En el texto Los elementos de Euclides se lleg a atribuirles incluso propiedades mgicas o mitolgicas. Platn, en su obra Timaeus (siglo IV a.C.) les atribuye un significado mstico. Asoci cada uno de los cuatro elementos, que segn los griegos formaban el Universo, fuego, aire, agua y tierra a un poliedro: fuego al tetraedro por tener la forma ms aguda y ms mvil, tierra al cubo por ser la forma ms slida y menos mvil, aire al octaedro y agua al icosaedro. Finalmente asoci el ltimo poliedro regular, el dodecaedro, al Universo. Por este motivo estos poliedros reciben el nombre de slidos platnicos. Timeo de Locro, en el dilogo de Platn dice El fuego est formado por tetraedros; el aire, de octaedros; el agua, de icosaedros; la tierra de cubos; y como an es posible una quinta forma, Dios ha utilizado sta, el dodecaedro pentagonal, para que sirva de lmite al mundo.

Sin embargo, arquelogos han hallado imgenes en piedra de los poliedros regulares considerablemente ms antiguas: tierra, fuego, Universo, agua y aire en imgenes recogidas en un yacimiento neoltico de Escocia.

Imagen extrada de www.unirioja.es/cu/luhernan/Divul/POLIEDROS/cuerpos.html

Las caras de estos poliedros son polgonos regulares, iguales entre s y en cuyos vrtices concurren el mismo nmero de caras, todos sus ngulos diedros y ngulos poliedros son congruentes y por consiguiente todas las aristas tienen la misma longitud. Los slidos platnicos son nicamente cinco: Tetraedro, cubo, octaedro, dodecaedro e icosaedro, es geomtricamente imposible construir otro slido diferente de los anteriores que cumpla todas las propiedades exigidas, es decir, convexidad y regularidad.

76

Unidad: Geometra en el espacio

El prefijo que se emplea en el nombre de cada poliedro regular indica el nmero de caras que poseen respectivamente. Nombre del poliedro Tetraedro Cubo (hexaedro) Octaedro Dodecaedro Icosaedro Prefijo y su significado Tetra - 4 Hexa - 6 Octa - 8 Dodeca - 12 Icosa - 20 Nmero de caras 4 6 8 12 20

Tetraedro, poliedro regular limitado por cuatro caras que son tringulos equilteros. Tiene 4 vrtices, 4 ngulos triedros, 6 aristas y 6 ngulos diedros. No tiene diagonales.

Imagen extrada de www.maitreyainfo.com

Cubo o hexaedro, poliedro regular limitado por seis caras que son cuadrados. Tiene 8 vrtices, 8 ngulos triedros, 12 aristas, 12 ngulos diedros y se pueden trazar 4 diagonales congruentes y concurrentes.

Octaedro, poliedro regular limitado por ocho caras que son tringulos equilteros. Tiene 6 vrtices, 6 ngulos tetraedros, 12 aristas y 12 ngulos diedros. Podramos verlo como que esta formado por dos pirmides de bases cuadradas unidas por stas.

Fluorita octadrica (Foto: Ryan Salsbury)

Unidad: Geometra en el espacio

77

Dodecaedro, poliedro regular limitado por doce caras que son pentgonos regulares. Tiene 20 vrtices, 20 ngulos triedros, 30 aristas y 30 ngulos diedros.

Dodecaedro en Andorra la Vella

Icosaedro, poliedro regular limitado por veinte caras que son tringulos equilteros. Tiene 12 vrtices, 12 ngulos pentaedros, 30 aristas y 30 ngulos diedros.

Virus VIH en forma de icosaedro

Los slidos platnicos son cuerpos geomtricos simtricos, es decir: Todos tienen simetra central respecto a un punto del espacio (centro de simetra) que equidista de sus caras, de sus vrtices y de sus aristas. Todos tienen simetra axial respecto a una serie de ejes de simetra que pasan por el centro de simetra. Todos tienen simetra especular respecto a una serie de planos de simetra (o planos principales), que los dividen en dos partes iguales. Como consecuencia geomtrica de lo anterior, se pueden trazar en todo slido platnico tres esferas particulares, todas ellas centradas en el centro de simetra del poliedro: Una esfera inscrita, tangente a todas sus caras en su centro. Una segunda esfera tangente a todas las aristas en su centro. Una esfera circunscrita, que pase por todos los vrtices del poliedro. Proyectando los centros de las aristas de un poliedro platnico sobre su esfera circunscrita desde el centro de simetra del poliedro se obtiene una red esfrica regular, compuesta por arcos iguales de circulo mximo, que constituyen polgonos esfricos regulares.

78

Unidad: Geometra en el espacio

Los slidos platnicos presentes en el modelo de Kepler del sistema solar Johannes Kepler en su obra Mysterium Cosmographicum realiza una interpretacin cosmolgica de la asociacin de Platn entre poliedros y elementos. Por ejemplo, justifica la asociacin de la tierra con el cubo porque, asentado sobre cualquiera de sus bases, es el de mayor estabilidad. La asociacin entre Universo y Dodecaedro la atribuye al hecho de que el nmero de sus caras coincide con el de signos del zodiaco. En 1595, Kepler convencido de haber comprendido los secretos del creador cre un modelo del sistema planetario que utilizaba los slidos platnicos para describir las distancias entre las rbitas de los seis planetas que se conocan entonces. En su modelo Kepler parte de una esfera exterior para proseguir con la construccin, inscribiendo sucesivamente: un cubo, la esfera de Jpiter, un tetraedro, la esfera de Marte, un dodecaedro, la esfera de la Tierra, un octaedro y finalmente la esfera de Mercurio. En su obra la interpretacin cosmolgica de los slidos platnicos*: La Tierra (la esfera de la Tierra) es la medida del resto de las esferas. Circunscriba un dodecaedro a su alrededor y la esfera que le rodea ser la de Marte; circunscriba un tetraedro alrededor de la esfera de Marte y la esfera que le rodea ser la de Jpiter y la esfera que le rodea ser la de Saturno. Ponga ahora un icosaedro dentro de la esfera de la Tierra y la esfera inscrita en l ser la de Venus; coloque un octaedro dentro de la esfera de Venus y la esfera inscrita en l ser la de mercurio. * Tomado de Las Matemticas en la vida cotidiana. Addison-Wesley/Universidad Autnoma de Madrid.
Imagen extrada del sitio Actividades Matemticas www.iessandoval.net/sandoval/aplica/activi_mate/actividades/poliedros/marco_poliedros1.htm

Poliedros semiregulares Excluyendo los prismas, slo es posible construir 13 poliedros semiregulares, conocidos tambin como Slidos Arquimedianos o Slidos de Arqumides. Es un grupo de poliedros convexos cuyas caras son polgonos regulares de dos o ms tipos. Siete de los 13 slidos son obtenidos por el truncamiento de los Slidos Platnicos. Las caractersticas de estos poliedros son las que se describen a continuacin: Nombre Tetraedro truncado 4 hexgonos 8 tringulos Cuboctaedro 12 6 cuadrados
Unidad: Geometra en el espacio

C 4 tringulos

V 12

A 18

24

79

Nombre Cubo truncado

C 8 tringulos

V 24

A 36

6 octgonos 6 cuadrados Octaedro truncado 8 hexgonos Rombicuboctaedro o pequeo rombicuboctaedro 8 tringulos 24 18 cuadrados 12 cuadrados Cuboctaedro truncado o gran rombicuboctaedro 8 hexgonos 6 octgonos 48 72 48 24 36

Cubo Snub o cubo romo (2 formas quirales1)

32 tringulos 24 6 cuadrados 60

20 tringulos Icosidodecaedro 12 pentgonos 20 tringulos Dodecaedro truncado 12 decgonos 12 pentgonos Icosaedro truncado 20 hexgonos 20 tringulos Rombicosidodecaedro o Pequeo rombicosidodecaedro 30 cuadrados 12 pentgonos 60 120 60 90 60 90 30 60

Es denominada quiral y se dice que tiene quiralidad toda figura geomtrica, o todo grupo de puntos, si su imagen en su espejo plano, idealmente realizada, no puede hacerse coincidir consigo misma (no puede ser superpuesta).

80

Unidad: Geometra en el espacio

Nombre

C 30 cuadrados

Icosidodecaedro truncado o 20 hexgonos gran rombicosidodecaedro 12 decgonos

120

180

Dodecaedro Snub o dodecaedro romo (2 formas quirales)

80 tringulos 60 12 pentgonos 150

Imgenes extradas del software Poly Pro ver. 1.10, Compaa Pedagoguery Software Inc., www.peda.com

Poliedros irregulares
Son todos aquellos poliedros que no son poliedros regulares ni semirregulares, como lo son los prismas y las pirmides. Prismas Son poliedros que poseen dos caras basales, las cuales son polgonos congruentes y paralelos. Todas las dems caras que son paralelogramos, se denominan caras laterales. Los prismas se denominan segn el nmero de lados que posean sus bases, por ejemplo: Prisma triangular (bases tringulo), prisma pentagonal (bases pentgono), etc.

Unidad: Geometra en el espacio

81

Prisma recto Es el prisma cuyas aristas laterales son perpendiculares a sus bases. La medida de la altura es igual a la medida de las aristas laterales. Prisma oblicuo Es el prisma cuyas aristas laterales no son perpendiculares a sus bases, y la altura se obtiene al trazar una perpendicular entre las dos bases. Altura de un prisma La altura de un prisma es la longitud de la perpendicular entre las dos bases. En los prismas rectos es la longitud de la arista. La denominaremos h.

Prisma recto Paraleleppedo

Prisma oblicuo

Es un prisma que posee paralelogramos como bases. Estos prismas no se pueden diferenciar por la base, ya que todas sus caras pueden serlo. Paraleleppedo recto Es aquel que tiene sus aristas laterales perpendiculares al plano de la base.

Paraleleppedo recto de base rectangular Paraleleppedo oblicuo Es aquel que no tiene sus aristas laterales perpendiculares al plano de la base.

Paraleleppedo oblicuo de base rectangular

82

Unidad: Geometra en el espacio

Pirmides Son poliedros que poseen una cara basal que es un polgono, el cual la determina el nombre, por ejemplo: Pirmide pentagonal (cara basal pentgono), pirmide hexagonal (cara basal hexgono), etc. Sus caras laterales son siempre tringulos que concurren en un punto llamado cspide o vrtice.

Altura de una pirmide Es el segmento perpendicular desde la cspide a la base, la designaremos por la letra h. Pirmide recta Una pirmide es recta cuando el pie de la altura equidista de todos los vrtices basales y sus caras laterales son tringulos issceles.

Pirmide oblicua Una pirmide es oblicua cuando alguna de sus caras laterales no es tringulo issceles y su altura no equidista de todos los vrtices basales.

Pirmide de base regular Esta es una pirmide recta cuya base es un polgono regular. El pie de su altura coincide con el centro del polgono basal. Las caras laterales son tringulos issceles congruentes2.
2

Apotema de una pirmide regular es igual a la altura de su cara lateral. (Enciclopedia de las matemticas, editorial MIR, pg. 379, 1998). Tambin se le llama apotema () a la longitud de ste segmento.

Unidad: Geometra en el espacio

83

Pirmide convexa. Una pirmide es convexa cuando el polgono basal es convexo. En caso contrario la pirmide es no-convexa. Por ejemplo,

Pirmide convexa Tronco de pirmide

Pirmide no-convexa

Al cortar una pirmide con un plano paralelo a la base, generamos dos partes: 1. La parte que queda entre la base menor y el vrtice se denomina, pirmide deficiente. 2. La parte de la pirmide comprendida entre la base mayor y la seccin determinada por e plano, se denomina tronco de pirmide.

Por otro lado, tenemos que las caras laterales del tronco de la pirmide son trapecios y la altura del tronco de la pirmide, es la distancia entre la base mayor y la seccin determinada por el plano paralelo a la base. Tronco de prisma Si un prisma es cortado por un plano oblicuo a la base, genera un tronco de prisma.

84

Unidad: Geometra en el espacio

Cuerpos redondos Los cuerpos geomtricos redondos son aquellos que estn limitados por superficies curvas, o por superficies curvas y planas. Algunos ejemplos de ellos son el cilindro, el cono y la esfera.

Cilindro Cuerpo limitado por una superficie lateral y dos planos paralelos que la cortan. Las partes de los planos que estn dentro de la superficie cilndrica se llaman bases del cilindro. Cuando las bases del cilindro son crculos, se dice que el cilindro es circular. (Enciclopedia de las matemticas, Tomo 2, Editorial MIR, pg. 99, 1998). Cilindro recto Cuerpo formado por una superficie cilndrica y dos bases circulares paralelas, cuyos centros de las bases pertenecen a un segmento de recta perpendicular a ambos crculos. De otra forma, cuando las generatrices de la superficie lateral son perpendiculares a los planos de las bases. (Enciclopedia de las matemticas, Tomo 2, Editorial MIR, pg. 99, 1998).

Envase cilndrico Cono

Cilindro

Conjunto compuesto de semirrectas que parten de un cierto punto denominado vrtice del cono. La frontera del conjunto de semirrectas (generatrices), forman la denominada superficie cnica. Tambin es denominado cono a la interseccin de un conjunto compuestos por semirrectas con un semiespacio que contiene al vrtice del cono y est acotado por un plano que no pasa por el vrtice del cono. En este caso la parte del plano que se halla en el interior de la superficie cnica se llama base del cono y la parte de la superficie cnica comprendida entre el vrtice y la base se denomina superficie lateral del cono. (Enciclopedia de las matemticas, Tomo 2, Editorial MIR, pg. 442, 1998).

Unidad: Geometra en el espacio

85

Si la base del cono es un crculo, el cono se denomina circular. Cono recto El cono circular se denomina recto si la proyeccin ortogonal de su vrtice sobre el plano de la base coincide con el centro de esta ltima. La recta que pasa por el vrtice del cono perpendicular a la base, se llama eje del cono, y el segmento de ste, comprendido entre el vrtice y la base se denomina altura del cono.

Lmpara en forma de cono

Cono

Tronco de cono Al cortar un cono con un plano paralelo a la base generamos dos partes, el cono deficiente y el tronco del cono. La parte que corresponde al cono deficiente es la comprendida entre la base menor del cono y su vrtice. Por otro lado, tenemos el tronco de cono que es la parte comprendida entre la base mayor y la seccin determinada por el plano que lo corta.

Pantallas de lmpara

Tronco de cono

Esfera La esfera es el cuerpo geomtrico limitado por la superficie formada por todos los puntos del espacio tales que la distancia (llamada radio) a un punto determinado, denominado centro es siempre la misma. La esfera es la figura geomtrica que para la misma cantidad de volumen presenta una superficie externa menor

86

Unidad: Geometra en el espacio

Bolas de billar

Esfera

rea de los cuerpos Geomtricos


Lo ms fcil es determinar el rea de las superficies polidricas como la suma de las reas de sus caras planas. El intento de introducir el concepto de rea de las superficies curvas como el lmite del rea de las superficies polidricas inscritas (al igual que la longitud de una curva se determina como el lmite de las quebradas inscritas) tropieza con dificultades. Incluso para una superficie curva muy simple las reas de los poliedros inscritos en ella, con caras cada vez menores, puede tener lmites diferentes en funcin de cmo se elija la sucesin de los referidos poliedros. (Enciclopedia de las matemticas, Tomo 1, Editorial MIR, pg. 447, 1998). El rea es una medida de la superficie de una figura plana. Esta puede ser medida en centmetros cuadrados, metros cuadrados, etc. El rea de los prismas se obtiene sumando las reas de cada una de las caras que componen ste tipo de cuerpos. En general, de la misma forma se obtiene el rea de los cuerpos poliedros (paraleleppedos, pirmides, etc). En ms de alguna ocasin al estar trabajando con cuerpos geomtricos, especialmente si se trata de cuerpos poliedros, se puede encontrar con cuerpos que poseen algn polgono regular, para determinar el rea de dicho polgono es necesario conocer la apotema.

Apotema La apotema es el segmento perpendicular trazado desde el centro de un polgono regular a cualquiera de sus lados, como muestra la figura. Tambin se le llama apotema () a la longitud de ste segmento.

La apotema de un polgono de n lados se obtiene utilizando, por ejemplo, el teorema de Pitgoras. Para esto se debe construir un tringulo tomando un lado del polgono y trazando los radios de la circunferencia circunscrita en el polgono regular, como muestra la figura.

Unidad: Geometra en el espacio

87

De esta manera tenemos que el tringulo ABO es issceles. Trazamos la altura (apotema del polgono) de este tringulo que cae perpendicular a la base y la dimidia. Entonces, utilizamos el teorema de Pitgoras para determinar el valor de , en el tringulo ABO.
l r = + 2
2 2 2

Por lo tanto:
l = r2 2
2

Donde, : Apotema. r: radio de la circunferencia circunscrita. l: longitud del lado del polgono regular. Como en el interior de los polgonos regulares se construyen tringulos issceles, bastara con calcular el rea de uno de los tringulos y multiplicar esta rea por el nmero de lados del polgono para conocer el rea total del polgono regular. Ahora, para conocer el valor del rea de los tringulos issceles se debe considerar el valor de la apotema y el valor del lado del polgono. De acuerdo a lo anterior tenemos que
Ap = l n 2

Donde, Ap: rea del polgono regular. l: longitud del lado del polgono regular. : Apotema. n: nmero de lados del polgono regular. rea de prismas Como se mencion anteriormente, el rea de un prisma se obtiene sumando las reas de cada una de las caras laterales y las caras basales.

88

Unidad: Geometra en el espacio

Consideremos por ejemplo el prisma de la figura, donde la base es un tringulo equiltero de lado a y la altura del prisma es h, entonces el rea lateral correspondiente ser Alateral = 3 a h, y si indicamos como Abasal el rea de la base triangular, entonces el rea total del prisma estar dada por:

Atotal = Alateral + 2 Abasal

Es importante destacar que para prismas oblicuos la altura no coincide con la arista lateral y que el clculo del rea en estos casos se remite al estudio particular del prisma. rea de pirmides Para el caso de las pirmides rectas, el rea se obtiene sumando las reas de cada una de las caras laterales, que son tringulos, y la cara basal. Por ejemplo, para el caso propuesto en la imagen tenemos una pirmide recta de base un hexgono regular. Donde, a: es la longitud del lado del hexgono regular. h: la altura de la pirmide. : Apotema. r: altura de las cara laterales (tringulos). Por lo tanto, el rea lateral de la pirmide es:
Alateral = ar 6 2

Por otro lado, tenemos que el rea de la base de la pirmide es:


Abasal = a 6 2

Entonces el rea total de la pirmide recta de base hexagonal es:


1 Atotal = Alateral + 2 Abasal = a r 6 + 2 1 a 6 2

Unidad: Geometra en el espacio

89

El mtodo de Exhaucin Este mtodo nace de comparar las figuras curvilneas y las rectilneas. Uno de los grandes problemas de la antigedad era cmo reducir el crculo, o longitudes curvas, a segmentos de recta, y otro: cmo reducir cualquier lnea curva a lneas rectas y crculos (esto se traduce como la construccin de figuras curvas usando solo regla y comps). No obstante, el mtodo de exhaucin no fue llamado as por los griegos, sera mucho tiempo despus que Gregoire de Sant Vicent (1589 1667), lo bautizara de esa manera. El Libro XI de los Elementos de Euclides incluye el mtodo de exhaucin en los 18 teoremas sobre reas y volmenes que posee, especialmente de figuras curvilneas acotadas por superficies. rea del cilindro El cilindro puede ser considerado, por exhaucin, como un prisma regular con infinitas caras laterales. As los conceptos de altura y base, rea lateral y rea total se consideran de forma anloga a los prismas. Es decir:

Para un cilindro de bases circulares, cuyos radios son r y altura del cilindro h, se tiene que el rea del cilindro es: Atotal = Alateral + 2 Abasal Por lo tanto, el rea lateral puede ver como un rectngulo de altura h y base 2r, es decir, Alateral = 2r h Por otro lado, se tiene que el rea de la bases es obtenida al calcular el rea de un crculo de radio r, es decir, Abasal = 2r Entonces, el rea total del cilindro de radio r y altura h, es: Atotal = 2r h + 2 2r

90

Unidad: Geometra en el espacio

rea del cono Al igual que el cilindro el cono puede ser considerado, por exhaucin, como un prisma regular con infinitas caras laterales, lo que permite concebir los conceptos de vrtice, altura, base, rea lateral y rea total de la misma forma que en las pirmides

Para un cono de base circular, cuyos radio es r, altura del cono h y de generatriz g, se tiene que el rea es: ATotal = Alateral + Abasal Nota: Para el caso de las pirmides el rea lateral contempla la apotema, en el caso del cono esta recta es denominada generatriz. Por lo tanto, se tiene que el rea lateral es: 1 ALateral = (2 r g ) = r g 2 Por otro lado, se tiene que el rea basal es: Abasal = 2 r Finalmente el rea superficial del cono es: ATotal = Alateral + Abasal = r g + r 2 = r (g + r ) rea de la esfera La superficie esfrica no es sencilla de descomponer en su red plana como en el caso de los otros cuerpos, para calcularla se realizar de forma indirecta una vez que se estudie el volumen de sta. Una vez que se realice este estudio, se concluir que el rea de la esfera corresponde a cuatro veces el crculo mximo. Es decir,
ATatal = 4 r 2

Ahora concentraremos nuestra atencin en el estudio del volumen de los cuerpos geomtricos, partiremos con la historia de un personaje de grandes hazaas.
Unidad: Geometra en el espacio

91

Eureka, eureka! Lo encontr!


Arqumedes (287-212 a.C.), es uno de los ms grandes matemticos de todos los tiempos, tanto por la magnitud de su contribucin al patrimonio matemtico de la humanidad como por la genialidad de sus mtodos. Se le considera padre de la ciencia mecnica y el cientfico ms importante de la edad antigua.

En el campo de las Matemticas puras su obra ms importante fue el descubrimiento de la relacin entre la superficie y el volumen de una esfera y el cilindro que la circunscribe; por esta razn mand Arqumedes que sobre su tumba figurase una esfera inscrita en un cilindro, como se muestra en la imagen. A l le debemos inventos como la rueda dentada y la polea para subir pesos sin esfuerzo. Tambin a l se le ocurri usar grandes espejos para incendiar a distancia los barcos enemigos. Por primera vez se da explicacin al fenmeno de la flotacin de los cuerpos, cuenta la historia que Arqumedes un da que se encontraba en un bao observ que sus piernas poda levantarlas fcilmente cuando estaban sumergidas. Esta fue la chispa que le permiti llegar a lo que ahora conocemos como Principio de Arqumedes, que seala todo cuerpo sumergido en un fluido experimenta un empuje vertical y hacia arriba igual al peso de fluido desalojado. Medir volmenes de cuerpos regulares (un cubo, por ejemplo) era algo que ya se saba hacer en la poca de Arqumedes, pero con volmenes de formas irregulares (una corona, una joya, el cuerpo humano) nadie lo haba conseguido. Arqumedes se dio cuenta de que cuando entraba en la baera llena de agua hasta el mismo borde, se derramaba una cantidad de agua. Y tuvo la idea: si poda medir el volumen de esa agua derramada habra hallado el volumen de su propio cuerpo. En el siglo III a. de C., el rey de Siracusa le pidi a Arqumedes que le solucionara un problema. El rey haba recibido una corona que, supuestamente, era Grabado que representa a Arqumedes Historia de la humanidad. Renacimiento y humanismo, de oro puro; pero sospechaba que fuera cierto.
Laurousse, Barcelona, 1997.

Fue tan grande el entusiasmo que le produjo el descubrimiento de su principio que tom la corona en una mano y sali desnudo del bao corriendo por las calles de Siracusa y gritando su clebre exclamacin de jbilo: Eureka!, eureka! que quiere decir ya lo encontr. Acababa de tener una idea genial, que le ayudara (a l y a todos nosotros despus) a medir el volumen de los cuerpos por irregulares que fueran sus formas.

92

Unidad: Geometra en el espacio

A qu llamamos volumen? Una idea intuitiva de lo que es el volumen de un cuerpo sera la cantidad de espacio que ocupa el cuerpo. Como los cuerpos tienen tres dimensiones el volumen se mide en unidades cbicas; por lo general, se acostumbra tomar como unidad de volumen un cubo cuya arista mide una unidad de longitud, el que se denomina cubo unitario.

Volumen y Capacidad En muchas ocasiones, los conceptos de volumen y capacidad se confunden. De hecho, es frecuente que ambos trminos se utilicen como sinnimos. Por lo tanto, entenderemos por Volumen a la cantidad de espacio que ocupa un objeto y entenderemos por Capacidad a el volumen contenido en un cuerpo, los objetos susceptibles a ser medidos respecto a capacidad se llaman comnmente recipientes. Por lo tanto, todos los objetos tienen volumen, sin embargo no todos tienen capacidad. Tanto capacidad como volumen se miden en las mismas unidades, la unidad internacional de medida para el volumen es el metro cbico, sin embargo como es una unidad muy grande para medir capacidad de recipientes se utiliza habitualmente el litro que corresponde a un decmetro cbico, es decir 1000 cm3. Volumen de cuerpos geomtricos El primer estudio del volumen de cuerpos geomtricos, generalmente, es realizado sobre un prisma recto de base rectangular (paraleleppedo). Esto con el fin de determinar el volumen de forma sencilla utilizando el cubo unidad. Por ejemplo, como se mencion anteriormente el volumen de un cuerpo expresa la medida de su extensin en el espacio, si un cuerpo presenta un volumen igual a 12 unidades cbicas, significa que podra construirse a partir de 12 cubos unitarios. Desde el otro lado, si se desea obtener el volumen, o bien, el nmero de cubos unitarios que contiene un paraleleppedo recto de base rectangular, como el que se muestra en la imagen. Entonces bastar multiplicar la longitud de sus aristas: largo (3), ancho (2) y alto (2). Volumen = 3 2 2 = 12 unidades cbicas

Unidad: Geometra en el espacio

93

Por lo tanto, si tenemos un paraleleppedo de longitud l de largo, altura h, en este caso la altura es congruente con su arista lateral y ancho a, se obtiene el volumen mediante la frmula: V = largo ancho altura A partir de la regla para el clculo de un paraleleppedo recto se pueden derivar las reglas que permiten calcular el volumen de los dems prismas. V = rea de la base altura

V paraleleppedo = l a h

En particular, el cubo tiene el largo, la altura y el ancho de igual medida a, por lo tanto, tenemos que:

Vcubo = a 3

Volumen de un prisma Sea Ab la medida del rea de la base del prisma y h la medida de su altura, entonces el volumen del cuerpo se obtiene mediante la frmula:

V prisma = Ab h

94

Unidad: Geometra en el espacio

Volumen de una pirmide Un mtodo para hallar la relacin de 1 entre los 3 volmenes de un prisma recto y una pirmide consiste en la descomposicin de un paraleleppedo. La descomposicin propuesta consiste en trazar la pirmide interior al paraleleppedo distinguiendo entre dicha pirmide y el resto del paraleleppedo. Si el paraleleppedo se divide en cuatro prismas triangulares iguales trazando las diagonales de sus caras superior e inferior se podr diferenciar cada uno de estos prismas que, a su vez, comprende una cuarta parte de la pirmide original en forma de un tetraedro recto. Si el resto del prisma triangular se divide en dos tetraedros iguales mediante la subdivisin por la diagonal de su cara rectangular uno de ellos es claramente igual (por tener la misma base e igual altura) que el tetraedro parte de la pirmide original. En consecuencia, la parte de la pirmide resulta ser de un volumen mitad que el resto del prisma triangular o, en otras palabras, la tercera parte del volumen total correspondiente al prisma recto. Como esta relacin se repite en cada uno de los cuatro prismas triangulares en que se ha descompuesto el paraleleppedo la relacin global se mantendr: El volumen de la pirmide es la tercera parte del paraleleppedo de igual base e igual altura. Es decir, sea Ab el rea basal de la pirmide y h la altura de la pirmide, como muestra la figura, entonces el volumen de la pirmide es:

V pirmide =

1 Ab h 3

En particular, el caso de la figura anterior que es una pirmide de base cuadrada de longitud de arista l, por lo que el rea basal se obtiene mediante la expresin Ab = l l = l 2 . As el volumen de la pirmide estar dado por: 1 V = l2 h 3 Volumen de un cilindro El volumen de un cilindro es igual al producto del rea de la base por la altura. Como se mencion anteriormente, el cilindro se puede obtener por la exhaucin de un prisma de base regular. Si tenemos un cilindro circular recto cuya altura mide h y el radio mide r, entonces

Unidad: Geometra en el espacio

95

el volumen corresponder a V = Ab h , considerando que el rea basal del cilindro se calcula por
Ab = r 2, se obtiene:

Vcilindro = r 2 h

Volumen de un cono De igual manera que el caso del cilindro, podemos analizar el cono recto, considerando que es el cuerpo que se obtiene por la exhaucin de una pirmide de base regular. Si tenemos un cono circular recto cuya altura tiene longitud h y el radio basal r, entonces el volumen corresponder 1 a V = Ab h , considerando que el rea basal del cono se calcula por Ab = r 2 , se obtiene: 3
1 Vcono = r 2 h 3

Volumen y rea de una esfera El volumen de una esfera es igual a un tercio del producto de su radio por su rea. Si una esfera tiene un radio r, entonces la expresin para obtener el volumen, es:

Vesfera =

4 r3 3

Relacin entre cilindro, cono y esfera Cualquier esfera es igual a cuatro veces el cono que tiene su base igual al crculo mximo de la esfera, y su altura igual al radio de la esfera.

96

Unidad: Geometra en el espacio

La demostracin la haremos basndonos en los volmenes del cono y del cilindro. Partiendo de una esfera cualquiera, considera un cilindro cuyo radio de la base es igual al radio de la esfera y su altura igual al radio, y un cono con base igual a la del cilindro y altura igual al radio de la esfera. Si hacemos un corte horizontal en los tres cuerpos a una altura inferior al radio, demuestra que la superficie de la seccin correspondiente al cilindro es igual a la suma de las superficies de las secciones correspondientes al cono y a la esfera. Si el corte lo hacemos a una distancia d del punto ms alto de la figura, entonces el radio del crculo que aparece en la esfera es En el cilindro el radio es R.
R 2 d 2 . El radio del crculo que aparece en el cono es d.

Por tanto, (R 2 d 2) + d 2 = R 2 , lo que ya conocemos como principio de Cavalieri, implica que el volumen de media esfera ms el volumen del cono es igual al volumen del r3 cilindro. Como el volumen de este cilindro es r 3 y el del cono , entonces tenemos que 3 4 el volumen de la esfera completa es r 3 . 3 Como consecuencia de este resultado se obtiene que la relacin entre una esfera y el cilindro que la contiene esta en razn 2:3, tanto en superficie como en volumen. Para deducir el clculo del volumen de prismas y cuerpos redondos utilizaremos el principio de Cavalieri por lo cual nos detendremos en el aporte de este clrigo jesuita del siglo XVII. Bonaventura Francesco Cavalieri (1598 - 1647) Fue miembro de una orden religiosa Jesuita en Miln en 1615 cuando an era muy joven. En 1616 fue transferido a un Monasterio Jesuita en Pisa. Su inters por las matemticas fue estimulado por los trabajos de Euclides y luego de encontrar a Galileo, se consider como un discpulo de este astrnomo. En 1629 Cavalieri fue nombrado profesor de matemticas en Bologna en ese tiempo ya haba desarrollado el mtodo de lo indivisible, el cual lleg a ser un factor importante en el desarrollo posterior del Clculo Integral. En 1635 public un trabajo en el que sent las bases para realizar clculos de reas y de volmenes y que actualmente se conoce como el Principio de Cavalieri.

Unidad: Geometra en el espacio

97

La teora de lo indivisible de Cavalieri, presentada en su Geometra indivisibilis continuorum nova era un desarrollo del mtodo exhaustivo de Arqumedes incorporado en la teora infinitesimal y pequeas cantidades geomtricas de Kepler. Esta teora permiti a Cavalieri encontrar simple y rpidamente el rea y volumen de varias figuras geomtricas. Este Principio se constituye tambin en un importante precedente para la construccin del Clculo Diferencial e Integral posteriormente desarrollado independientemente por Newton y Leibnitz. Principio de Cavalieri El clculo del volumen de los poliedros en general no es tan sencillo, pero gracias a los estudios realizados por Bonaventura Cavalieri, el problema del clculo de volumen resulta en muchos casos ser ms simple.
Imagen extrada de http://www.fuenterrebollo.com/Matematicos/cavalleri.html

Cavalieri advirti que tres pilas de igual nmero de cartulinas iguales tiene el mismo volumen.

Sin embargo, no es necesario que las cartulinas tengan la misma forma, basta con que las secciones de cartulina que se producen tengan igual rea para que los slidos que forman tengan el mismo volumen. Entonces el principio dice que: Si en dos o ms cuerpos de igual altura, las reas de las secciones producidas con los mismos planos paralelos a la base limitndolos son iguales, entonces los cuerpos tienen el mismo volumen.

Si A1 = A2 = A3, entonces V1 = V2 = V3, para todos los posibles planos paralelos a las bases.

98

Unidad: Geometra en el espacio

Cuerpos generados por traslacin


Otra forma de estudiar cuerpos geomtricos, es analizando aquellos que se generan de la traslacin de una figura geomtrica a travs de un vector en el espacio. Estos cuerpos pueden ser generados mediante traslaciones sucesivas de una figura geomtrica.

Profundizando el estudio de los cuerpos en el espacio encontramos como primera dificultad su representacin en un papel, una pizarra, la pantalla de un computador, etc., es decir como plasmar en un plano (que tiene dos dimensiones) objetos que presentan tres. Los pintores de todos los tiempos han usado tcnicas para representar en sus cuadros escenas tridimensionales, de forma que cuando se contempla una obra, se tiene la sensacin de estar frente a un objeto tridimensional. Las Meninas (Velsquez, 1956) son una buena prueba de ello.
Imagen extrada de University College Utrecht http://www.phil.uu.nl/staff/rob/2007/hum243/manual.shtml

Para estudiar la representacin plana de cuerpos generados por traslacin son muy tiles la nocin de coordenadas en el plano cartesiano y el concepto de vector. Revisaremos entonces estos conceptos: Vector Un vector es un segmento AB orientado que tiene su origen en el punto A y su extremo en el punto B y se denota por AB . Grficamente se representa por una flecha. Los vectores as definidos se llaman frecuentemente tambin vectores libres para distinguirlos de los vectores que parten todos de un origen fijo, que veremos ms adelante. Un vector (libre) queda determinado conociendo su punto origen y su punto extremo, o bien, conociendo su punto origen, su magnitud o mdulo, direccin y sentido.
Unidad: Geometra en el espacio

99

Magnitud La magnitud o mdulo es la medida, en las unidades de longitud que corresponda, en este caso del trazo AB . Por ejemplo, de acuerdo al vector que se muestra en la imagen, se tiene:
AB =

(5 1)2 + (4 1) 2
25 = 5

AB =

Direccin La direccin del vector AB corresponde al ngulo que forma la recta que contiene al vector con alguna otra recta elegida como referencia. En este caso:
arctg y = x

Luego
3 arctg = 36 52'11,63' ' 4

Por lo tanto,
= 36 52'11,63' '

Sentido El sentido de un vector, esta dado por una de las orientaciones que existe al situar el vector sobre la recta que lo contiene.

Vectores en el plano cartesiano El plano cartesiano o sistema de coordenadas cartesianas consta de dos rectas numricas que se intersectan en forma perpendicular. La recta que se encuentra en forma horizontal corresponde al eje de las abscisas (eje X) y la recta que se encuentra en forma vertical corresponde al eje de las ordenadas (eje Y). El punto donde se intersectan las rectas X e Y, es el punto (0, 0) denominado el origen de coordenadas. El sistema de coordenadas cartesianas, divide el plano en cuatro regiones llamadas cuadrantes, numeradas como se indica en la figura.

100

Unidad: Geometra en el espacio

Para conocer las coordenadas de un punto P del plano, lo que comnmente se realiza es el trazado de rectas paralelas a los respectivos ejes coordenados y que a su vez pasen por el punto P. En la interseccin de la recta paralela al eje Y con el eje X, se encuentra el nmero real a que corresponde al valor de la abscisa del punto P, de la misma forma se conoce el valor de la ordenada b para el punto P. La abscisa y la ordenada son las coordenadas del punto y se escriben como el par ordenado (a, b). Las componentes de un vector (libre) Sea AB , se expresan mediante un par ordenado (a, b) de nmeros, tal que: El valor de la coordinada de abscisa (a) corresponde a la diferencia entre el valor de la abscisa del punto B y el valor de la abscisa del punto A. Por otro lado, el valor de la coordenada de la ordenada (b) corresponde a la diferencia entre el valor de la ordenada del punto B y el valor de la ordenada del punto A. Grficamente, las componentes de un vector estn asociadas a sus proyecciones sobre los ejes. Ejemplo 1 Sea el vector AB , donde A(2, 2) y B(7, 5). Las componentes de AB corresponden a: (7, 5) (2, 2) = (7 2, 5 2) = (5, 3) Por lo tanto, AB = (5, 3)

Ejemplo 2 Las componentes del vector , donde O(0, 0) y D(-2, 4), sern: (-2, 4) (0, 0) = (-2 0, 4 0) = (-2, 4) Por lo tanto, OD = (-2, 4)

Unidad: Geometra en el espacio

101

Vectores equipolentes Se denominan vectores equipolentes a dos vectores que tienen la misma direccin, sentido y magnitud. En tal caso, se dice que representan un mismo vector. Por ejemplo, Sea A(3, 4) y B(6, 6) las coordenadas del vector AB y O(0, 0) y C(3, 2) las coordenadas del vector OD. Determinando las coordenadas para AB , se tiene AB = (6 3, 6 4) = (3, 2) y de la misma forma tenemos que OD = (3, 2). Por lo tanto, AB y OD son equipolentes. Vectores opuestos Se llaman vectores opuestos a dos vectores AB y BA que tienen el mismo mdulo, la misma direccin y sentidos opuestos.

Tambin se da el caso de vectores tales como OD y OE , que nacen en el origen (0, 0) y son opuestos.

Vector nulo Se denomina vector nulo a cualquier vector que tenga su origen y su extremo en el mismo punto. Son vectores nulos AA , BB , CC , etc. Por tanto, sus componentes son nulas. Todos estos vectores son equipolentes al vector (0, 0).

102

Unidad: Geometra en el espacio

Suma de vectores La suma de dos vectores del plano se obtiene de sumar cada una de las componentes de los distintos vectores, es decir, v = (a, b) y w = (c, d ) el vector suma es v + w = ( a + c, b + d ) . Geomtricamente se ilustraran dos mtodos distintos para sumar vectores. Por ejemplo: Sean los vectores AB = (3, 5) y CD = (3,2).

Mtodo del tringulo Este mtodo geomtrico consiste en formar un tringulo con los dos vectores iniciales y el vector resultante de la suma (vector suma). Tomando los vectores anteriores, se hace coincidir el extremo C de CD con el extremo B de AB (Cabe sealar, que en esta accin est implcito el hecho de escoger un vector equipolente a CD adecuado para que los extremos coincidan). Finalmente se forma el tringulo al trazar el vector suma AD , cuyas componentes corresponden a la suma de las componentes de AD y CD . As AB + CD = AD , donde las componentes del vector AD son AD = (3 + 3, 5 + 2) = (3, 3). Mtodo del paralelgramo Este segundo mtodo, consiste en formar un paralelogramo con los dos vectores iniciales para finalmente obtener el vector resultante de la suma (vector suma), como la diagonal principal del paralelogramo. Nuevamente tomando los vectores AB y CD , se hace coincidir el extremo A de AB con el extremo C de CD . Luego se traza un segmento paralelo a cada vector formando de esta manera un paralelogramo. La diagonal principal de este paralelogramo corresponde al nuevo vector, cuyas componentes corresponden a la suma de las componentes de los vectores iniciales.

Luego, las componentes del vector AE son AE = (3 + 3, 5 + 2) = (3, 3).

Unidad: Geometra en el espacio

103

Luego de haber revisado estos conceptos preliminares, abordaremos el movimiento de traslacin de figuras planas. Traslacin La nocin de traslacin corresponde a la idea natural de cambio de una posicin a otra de una figura en una direccin, sentido y magnitud determinados conservando la forma y medidas de la figura.

Designaremos por el smbolo T(m, n) la traslacin del plano de vector (m, n) Es decir, en lenguaje de coordenadas, T(m, n) es la trasformacin del plano que enva a cada punto P de coordenadas (a, b) en el punto P' = T(m, n) (P) de coordenadas (a + m, b + n). La traslacin de un punto P respecto a un vector V es otro punto P', donde el vector PP' tiene la misma direccin, sentido y magnitud que el vector V. Es decir el vector V es equipolente al vector PP'. Al punto P' se le llama homlogo de P. La traslacin de una figura F, respecto a un vector V, es otra figura F' que resulta de trasladar cada uno de los puntos de F respecto al vector V.

Vector gua o vector de traslacin Una traslacin T quedar definida por un vector que recibe el nombre de vector gua o vector de traslacin. Por ejemplo, la siguiente figura ha sido trasladada por medio del vector AB en la direccin y sentido que se indica.

104

Unidad: Geometra en el espacio

La utilizacin del concepto de perspectiva consigue representar en un plano un efecto tridimensional. En la asignatura de Artes Plsticas se utilizan frecuentemente la creacin de objetos con estas caractersticas, a continuacin te presentaremos una de las tcnicas utilizada para representar en un plano cuerpos generados por una traslacin.

Slidos de revolucin
Existen cuerpos geomtricos (llamados tambin cuerpos redondos) que se generan al hacer rotar una regin en torno a un eje de rotacin y que se les denomina slidos de revolucin. La superficie que limita a un slido de revolucin, se denomina superficie de revolucin o manto, y la lnea que genera dicha superficie se denomina generatriz.
Imagen extrada de www.juntadeandalucia.es

Los principales cuerpos redondos son slidos de revolucin: el cilindro, la esfera y el cono. Cilindro recto Cuerpo geomtrico generado por la rotacin de un rectngulo en torno a uno de sus lados o a un eje central, como muestra la figura. Altura del cilindro Altura del cilindro es la distancia entre las bases y equivale a la longitud de su generatriz.

Unidad: Geometra en el espacio

105

O bien

Cono recto Cuerpo generado por la rotacin de un tringulo rectngulo alrededor de uno de sus catetos. El otro cateto forma la base circular del cono, mientras que la hipotenusa (generatriz) forma la superficie cnica. Tambin puede ser generado por la rotacin de un tringulo issceles en torno a un eje central, que pasa por el vrtice opuesto a la base y es perpendicular a sta.

O bien

Esfera Cuerpo generado por la rotacin de un semicrculo o un crculo en torno a su dimetro. Se entiende por superficie esfrica los puntos que equidistan de otro interior llamado centro.

Radio de la esfera Es el segmento de recta (o su medida) que une el centro con cualquier punto de la superficie de la esfera.

106

Unidad: Geometra en el espacio

Teorema de Pappus - Guldin


Pappus de Alejandra Nacido alrededor del ao 290 en Alejandra, Egipto y muerto sobre el ao 350. ltimo matemtico sobresaliente de la escuela alejandrina, escribi comentarios a Los elementos de Euclides y a La gran sintaxis matemtica de Tolomeo, llamada Almagesto por los rabes.

Su obra principal, la Coleccin matemtica, escrita hacia el ao 340, reviste una particular importancia desde el punto de vista histrico porque, adems de ser una exposicin completa y sistemtica de los conocimientos de su poca, recoge fragmentos, a veces ntegros, de las obras que constituan los fundamentos de la enseanza de las matemticas en la ciudad de Alejandra, hoy en gran parte perdidas. La Coleccin, compuesta por ocho libros, casi todos conservados (excepto el primero y parte del segundo), contiene una serie de problemas que introducen nociones geomtricas importantes, como el foco de una parbola o la directriz de una cnica, y los enunciados de muchos teoremas, entre ellos, el que expresa la superficie y el volumen de las figuras de revolucin. Quin fue Pal Guldin? Pal Guldin, (1577 - 1643) matemtico y astrnomo suizo, descubri el teorema que lleva su nombre para determinar la superficie y el volumen de un slido de la revolucin que seala Si cualquier figura plana gira sobre un eje externo en su plano, el volumen del slido as que generado es igual al producto del rea de la figura y la distancia viaj por el centro de gravedad de la figura. Guldin no saba que el teorema fundamental que lleva su nombre y que l utiliz extensivamente, est encontrado en una forma algo vaga en la coleccin del conocido matemtico griego Pappus 300 a.C. Ahora profundizaremos en el Teorema de Pappus Guldin, que nos simplifica el clculo de rea y volumen de un cuerpo de revolucin. Antes recordemos algunos conceptos. Mediana o Transversal de gravedad En un tringulo cualquiera, la mediana3 es el segmento que une cualquier vrtice con el punto medio del lado opuesto al vrtice.

En la bibliografa iternacional, al segmento que comnmente conocemos como Transversal de gravedad, se le denomina Mediana.

Unidad: Geometra en el espacio

107

Baricentro o centro de gravedad En un tringulo cualquiera, el baricentro corresponde al punto donde se cortan las medianas. Fsicamente, en un tringulo suponindole una densidad superficial uniforme (por ejemplo, al recortar un tringulo en una hoja de cartn), el tringulo de cartn se mantendr en equilibro (inestable) en la punta de un lpiz o de un comps si ste est colocado justo debajo del centro de masa (baricentro). En una circunferencia el centro de gravedad se encuentra en su centro, al igual que en los polgonos regulares. Una de las caractersticas que cumple las medianas, es que en un tringulo dos tercios de la longitud de cada mediana estn entre el vrtice y el baricentro, mientras que el tercio restante est entre el baricentro y el punto medio del lado opuesto. Con un ejemplo, calcularemos el rea de un tubo, como lo hacamos hasta ahora y usando PappusGuldin. A (tubo) = A (manto del cilindro de radio(c+a)) + A (manto del cilindro de radio c) + A (coronas circulares) A (tubo) = = =
2 (c + a ) b + 2 c b + 2 (c + a ) c 2
2

a a 2 2 b c + + 2 a c + 2 2
a 2 c + (2a + 2b ) 2

De aqu se desprende que:


2a + 2b es el permetro del rectngulo que genera el cuerpo de revolucin.

a c + es la distancia del eje al centro de gravedad del rectngulo. 2

Lo anterior muestra que el rea del slido de revolucin est relacionada con el permetro de la regin plana que lo genera.

108

Unidad: Geometra en el espacio

Teorema de Pappus - Guldin (Referente al rea) El rea de un cuerpo de revolucin es el producto resultante entre la longitud de la circunferencia que recorre el centro de gravedad y el permetro de la regin generadora. Matemticamente esto es:
A(Cuerpo de Re volucin ) = 2 d P

Donde: d, distancia del eje de rotacin al centro de gravedad de la regin generadora. P, permetro de la regin generadora.

Teorema de Pappus -Guldin (referente al volumen) Ahora, calculemos el volumen de este mismo tubo: V (tubo) = V (cilindro de radio c + a) V (cilindro de radio c)
2 V(tubo) = (c + a ) b c b 2

= (2ca + a 2 ) b = a 2 c + ab 2 El volumen de un cuerpo de revolucin es el producto resultante entre la longitud de la circunferencia que recorre el centro de gravedad y el rea de la regin generadora. De aqu se desprende que: a b es el rea del rectngulo que genera el cuerpo de revolucin. a c + es la distancia del eje al centro de gravedad del rectngulo. 2
a 2 c + es la longitud de la circunferencia que recorre el centro del rectngulo en dar una 2 vuelta completa en torno al eje.

Lo anterior muestra que el volumen del slido de revolucin est relacionado con el rea de la regin plana que lo genera. Matemticamente esto es:
V (Cuerpo de Re volucin ) = 2 d A

Donde: d = Distancia del eje de rotacin al centro de gravedad de la regin A = rea de la regin generadora.
Unidad: Geometra en el espacio

109

REFERENCIAS BIBLIOGRFICAS
Vinogrdov I. M. (1998). Enciclopedia de las Matemticas, Tomos 1, 2, 4, 7, 9-1, 9-2. Editorial MIR, traduccin Alcal Madrid por Rubios - 1860 S.A. Clemens, Stanley R., Phares G. O'Daffer y Thomas J. Cooney (1998). Geometra. Addison Wesley Longman: Mxico. J. Garca Arenas y C. Bertrn Infante (1988). Geometra y experiencias, editorial Addison Wesley Longman, sexta reimpresin, Mxico. Miller, Charles; Heeren, Vern y Hornsby, E. John jr (1999). Matemtica: Razonamiento y Aplicaciones, Editorial Addison Wesley Longman, Mxico. Bamn, R., Gonzlez, P. y Soto Andrade, Jorge (2002). Matemtica Activa 4 Medio, texto para el estudiante, Editorial Mare Nostrum Ltda.., Santiago-Chile. Aula, curso de orientacin escolar: Matemticas, Editorial Cultural S. A. (1997), Madrid-Espaa. Vizmanos, Jos R. y Mximo Anzola (1994). Matemtica Secundaria 3. Ediciones SM: MadridEspaa. Riera Lira, Gonzalo (1999), Matemtica Aplicada: texto para profesores, Editorial Zig-Zag S. A., Santiago-Chile. De las Heras, R., Fuenzalida, G., Lara M. C. y Riveros, J. (1993). lgebra y Geometra II Educacin Media, Editorial Santillana, Santiago-Chile. Blanco, S., De las Heras, R., Fuenzalida, G. y Riveros, J. (1994). Matemtica IV Educacin Media: Plan Comn, Editorial Santillana, Santiago-Chile. Blanco, S., De las Heras, R., Fuenzalida, G. y Riveros, J. (1995). Matemtica III y IV Educacin Media: Plan Electivo, Editorial Santillana, Santiago-Chile. Tapia R., Oscar; Miguel Ormazbal D.; Jorge Olivares S. y David Lpez G. (2003). Manual de preparacin MATEMATICA PSU. Ediciones Universidad Catlica de Chile.

110

Unidad: Geometra en el espacio

ESTADSTICA Y PROBABILIDADES
EL PODER DE LA INFORMACIN Y LA TOMA DE DECISIONES

UNIDAD ESTADSTICA Y PROBABILIDADES

MATERIAL DE REFERENCIA

Mauricio E. Moya Mrquez Mabel Vega Rojas

CONTENIDO
113 Presentacin de la unidad 114 Intoduccin
Antecedentes Histricos de da Estadstica y sus Funciones Qu es la estadstica? Organizacion de datos Grficos De Datos Cualitativos Regresin y correlacin 114 119 125 132 175

182 Cmo analizar Cuantitativamente Datos Cualitativos 184 Nociones de Inferencia Estadstica 205 Referencias Bibliogrficas

PRESENTACIN
La estadstica es una de las herramientas ampliamente utilizadas en la investigacin cientfica. Su aplicacin en instituciones gubernamentales y educativas, en los negocios y en la industria, en la banca y en otros quehaceres hace de la estadstica una herramienta indispensable. Sin embargo, el trmino Estadstica tiene diversos significados para las personas. Para aquellos que no se encuentran familiarizados con el tema, la estadstica significa slo nmeros. Por ejemplo, en el cualquier diario se pueden encontrar las estadsticas ms reciente sobre los delitos de la ciudad; de asesinatos, de robos de automviles; de asaltos y dems delitos que hayan sido denunciados en determinado periodo de tiempo; de los nacimientos y muertes que han ocurrido, o en relacin con el deporte, el nmero de partidos ganados y perdidos por equipos integrantes del campeonato nacional. Para otras personas es un mtodo para obtener, presentar y escribir grandes cantidades de datos, y para otras es un mtodo que permite tomar decisiones en diversas situaciones. El objetivo bsico de esta unidad es aclarar lo que se entiende por Estadstica, diferenciar los tipos de estadstica segn su funcin, definir los conceptos bsicos utilizados con frecuencia y analizar los usos y abusos de los mtodos estadsticos. Aunque los significados sean diferentes, todos ellos forman parte del concepto total de Estadstica. La palabra tiene un sentido ms amplio para aquellas personas cuyo trabajo requiere un conocimiento de los aspectos ms tcnicos de la estadstica. Para estas personas, la palabra tiene relacin con aquellos conceptos y tcnicas que se utilizan en la recopilacin, organizacin, resumen, anlisis, interpretacin y comunicacin de informacin numrica. Estos conceptos y tcnicas adquieren un rol fundamental en las actividades que realizan los profesionales de todos los mbitos.

Unidad: Estadstica y Probabilidades

113

INTRODUCCIN
La estadstica es una rama de las matemticas aplicadas que surgi por la necesidad concreta que el hombre tiene de conocer la resolucin de problemas relacionados con la recoleccin, procesamiento, anlisis e interpretacin de datos cuyo conocimiento le permitir tomar decisiones acertadas. Para el conocimiento de la realidad concreta que al hombre le interesa, considera tres etapas fundamentales que son: Planear la bsqueda y la obtencin de la informacin. Sistematizar y organizar la informacin de tal forma que se pueda describir y analizar con facilidad. Efectuar inferencias sobre la realidad a partir de la informacin obtenida, haciendo estimaciones o verificando hiptesis. La interpretacin de la informacin permite obtener conclusiones que enriquecen nuestro conocimiento de la realidad y nuestra capacidad para transformarla.

Antecedentes Histricos de da Estadstica y sus Funciones


Comenzaremos el estudio de la estadstica con algo de historia la que nos servir para mostrar sus aplicaciones y su naturalidad en situaciones de la vida real. Uno de los precursores de la estadstica fue el londinense John Graunt, un mercader de mercera, en un pequeo libro titulado Natural and political Observations made upon the Bells of Mortality. Con este libro se pretenda interpretar los fenmenos biolgicos de masa y de la conducta social: con estos datos numricos se citaban las cifras brutas de nacimientos y defunciones en Londres, de 1604 a 1661. El oprculo de Graunt apareci en 1662. Transcurridos treinta aos, la Royal Society public en su Philosophical Transactions un artculo sobre tasas de mortalidad escrito por el eminente astrnomo Edmund Halley. Ambas publicaciones constituyen la base de todo trabajo posterior sobre esperanza de vida, la cual es la base para la solvencia de las compaas de seguros de vida. lJohn Graunt naci en 1620 en Berchin Lane, Londres. Muy pronto aprendi el oficio de vendedor de mercera y prosper en su negocio. El xito le dio la posibilidad de dedicarse a ocupaciones ms amplias que las de la venta de artculos de mercera. Se hizo amigo de Sir William Petty, ms tarde autor de un conocido libro sobre la nueva ciencia de la aritmtica poltica, y probablemente discuti con l las ideas expresadas en sus Observations.

114

Unidad: Estadstica y Probabilidades

Las tablas de mortalidad, que atrajeron la atencin de Graunt, eran publicadas semanalmente por la compaa de Sacristanes parroquiales y contenan el nmero de muertes acaecidas en cada parroquia, sus causas y tambin un Recuento de todos los entierros y bautizos ocurridos en la semana en las cuales anotaban el nmero de nacimientos de acuerdo a los que acudan al bautismo y lo mismo suceda cuando presentaban sus defunciones (en las parroquias se llevaba el control).

Con estos datos deduca las siguientes observaciones: Hay ms varones que hembras Pocos murieron de hambre Hay pocos asesinatos Los lunticos son pocos Las Observations impactaron tanto a Carlos II, que ste propuso especialmente a Graunt como socio fundador de la recientemente constituida Royal Society. Para prevenir cualquier posible objecin al hecho de que Graunt era tendero, su majestad dio este encargo particular a su Sociedad, de que si encontraban algn comerciante ms de su estilo, lo admitiesen sin ms ceremonia. De este modo, Graunt fue elegido socio fundador de la Royal Society en 1662. El mrito de las Observations fue inmediatamente reconocido, y foment el estudio de las estadsticas de vida en el continente. El libro alcanz varias ediciones. La quinta, publicada tras la muerte de Graunt fue ampliada por Petty. Los historiadores han discutido largo tiempo la contribucin de Petty al trabajo original. Aubrey que era malicioso, slo dice que Graunt fue inspirado por Petty.

Desde luego, Graunt escribi la mayor parte, incluidas las aportaciones cientficas ms valiosas. Petty aadi La Elegancia, y as aument la popularidad del libro. Sir William Petty era un hombre presuntuoso y algo engredo, incapaz de decidir si patrocinar a Graunt o acreditar su trabajo. No hay pruebas de que alguna vez hubiese entendido la importancia y originalidad de lo que haba hecho su amigo.

Unidad: Estadstica y Probabilidades

115

Graunt fue miembro del consejo comn de la ciudad y desempe otros cargos, pero al convertirse al catolicismo dej el comercio y cualquier otra obra pblica. Graunt muri de ictericia la vspera de Pascua en 1674 y fue enterrado en la iglesia de St. Dunston. En los trabajos de Graunt y Halley se bas John Arbuthnot en 1970 para probar la existencia de Dios. Su argumento dice: No es posible la suposicin de que el sexo est distribuido entre la descendencia humana en una forma puramente casual; debe intervenir una providencia divina que controla las proporciones de los sexos. La demostracin de Arbuthnot es el primer ejemplo conocido de inferencia estadstica. Anchenwall, un economista, acu en 1760 la palabra estadstica, que deriva del trmino italiano statista. La raz de la palabra procede del latn status que significa estado o situacin. Ley de los Grandes Nmeros En el libro Aos Conjectandi de Jacob Bernoulli; aparece un teorema muy importante para el desarrollo de la Teora de Probabilidades, llamado habitualmente, Teorema de Bernoulli Ley de los grandes nmeros, nombre que le fue dado por el matemtico francs, Simeon Poisson (17811840). Este teorema fue el primer intento para deducir medidas estadsticas a partir de probabilidades individuales. El tiempo empleado para escribir este libro no fue en vano, si consideramos la importancia central del resultado. Matemticos, cientficos y filsofos han dedicado ms de veinte aos examinando y discutiendo el significado exacto del Teorema y su alcance en aplicaciones estadsticas. El teorema es ms sencillo de exponer. De hecho, cuando se ve por primera vez, uno se pregunta cmo Bernoulli pudo preocuparse durante veinte aos y cmo ha promovido tantas controversias posteriormente. El teorema dice: En un conjunto bastante amplio de a elementos es casi seguro que la frecuencia relativa de b elementos se aproximar a la probabilidad de un elemento a estando b dentro de cualquier grado de aproximacin deseada. Aqu la frase casi seguro ha de entenderse como un medio conveniente para decir que hay una probabilidad tan cercana como queramos a 1.

116

Unidad: Estadstica y Probabilidades

Como una demostracin de la importancia de la Ley de los grandes nmeros en asuntos prcticos es posible mencionar el ejemplo de Los Seguros de Vida. Supongamos que la probabilidad de que un hombre de cierta edad y constitucin muera en el transcurso de un ao es 1/10. Si tal individuo decide asegurarse, sta es la fraccin que ha de tener en cuenta y usar cuando tome su decisin. Pero la compaa de seguros que se ofrece a cubrir el riesgo de su muerte en este perodo tiene en consideracin otra probabilidad que se deriva de esta probabilidad. Si hay un gran nmero de personas de las mismas caractersticas, que aseguran sus vidas en esa compaa, hay una probabilidad muy elevada de que la compaa no tenga que pagar a ms de, aproximadamente, un dcimo de las plizas. Si, por consiguiente, la compaa carga en cada caso una prima de ms de un dcimo del total de la pliza, es muy probable que tuviera bastante supervit despus de pagar todos los derechos, para cubrir los gastos administrativos y distribuir un dividendo a sus accionistas. Mientras mayor sea el nmero de personas que se asegura en la compaa, mayor es la probabilidad de que las finanzas de la compaa sean sanas siempre que las primas estn calculadas como acabamos de decir. Esta es la consideracin fundamental que distingue el negocio de una compaa de seguros de una apuesta. Siguiendo con la historia nos podemos encontrar con Girolamo Cardano, naci en Pravia en 1501 y muri en 1576. Su vida es una serie de actos incoherentes que pertenecen tanto a la historia de la Matemtica, la Astrologa y la Patologa. Realiz sus primeros estudios en su ciudad natal y luego en la Universidad de Padua, donde alcanz la Licenciatura en Medicina que ejerci en Sacco y en Miln durante el perodo de 1524 a 1556. Durante estos aos estudi Matemticas y public sus principales obras. Entre ellas destaca Ars Magna, en la cual se presentan races negativas de una ecuacin, algunos clculos con nmeros imaginarios y la frmula de la ecuacin cbica que ha pasado a la historia con el calificativo de Cardmica, aunque ya se sabe que es de Fortaglia, con quien tuvo una de las polmicas ms agrias en la historia de las Matemticas. Se le atribuye la primera discusin sobre Probabilidad en su manual para jugadores Siber De Ludo Aleae (Manual para tirar dados).

Unidad: Estadstica y Probabilidades

117

Johann Karl Fredrich Gauss (1777-1855) Junto con Arqumedes y Newton, Gauss es uno de los tres grandes de la Matemtica. Ellos aportaron conceptos muy tiles en sus distintas ramas tanto en su forma pura como aplicada. Como ancdota se puede contar que antes de los tres aos de edad; cuando su padre haca la nmina para el pago de los trabajadores, sin darse cuenta que su hijo segua sus acciones, al terminar, el nio exclam Padre el clculo est equivocado. Al comprobarlo not que el resultado que le dijo el nio era correcto. Gauss se hizo notable, ya que a los doce aos critic los fundamentos de la Geometra Euclidiana, a los trece le interesaba la posibilidad de la Geometra No-Euclidiana, a los quince entendi el concepto de convergencia de lneas y prob el binomio de Newton, a los dieciocho invent el mtodo de los mnimos cuadrados, a los diecinueve, el 30 de marzo de 1796, descubri la construccin del polgono de 17 lados slo con regla y comps. La ley de Gauss de la distribucin normal de errores y su curva en forma de campana usada por maestros, estadistas, comerciantes, etctera, se denomina tambin curva normal de frecuencias y encuentra sus races en la Teora Matemtica de los juegos de azar. Su lema fue: Pauca. Sed natura, que significa: Poco, pero maduro. Ms contemporneo tenemos al epitemlogo austriaco Johann Von Neumann , VON Newsmann; el cual llev a cabo la primera demostracin del Teorema Minimax, base fundamental de la Teora de juegos, que fue propuesto primeramente por Emile Borel en 1921. L tambin fue pionero de la Teora de Computadoras, habiendo diseado y construido el llamado MANIAC (analizador matemtico, integrador numrico y computador) en el Instituto para estudios avanzados de Pinceton, en 1952. Sus ideas fundamentales sobre la axiomatizacin de las matemticas las ha expuesto en varias memorias especialmente en Eine Axiomatiserung der Mengenlebre, Crelle, 1925 y Axiomatiserung der Mengenlebre Math, Zaitrehj 1928. La Estadstica tambin a avanzado gracias al esfuerzo de grandes matemticos y cientficos. Entre los ms famosos se puede mencionar a Laplace, Fermat, Jacques, Bernoulli y Gauss, cuyo aporte principal fue intervenir en el primer y ms importante estudio de la probabilidad en los siglos XVIII y XIX.

118

Unidad: Estadstica y Probabilidades

El matemtico belga Quetelet, los estadsticos escandinavos Charlier y Gram, los ingleses Pearson, Fisher, Galton, tambin fueron partcipes del progreso de esta nueva disciplina, a la que dotaron de bases matemticas slidas. Como se observa, la evolucin de la Estadstica estuvo conformada por una serie de necesidades que condujeron al hombre a su creacin.

QU ES LA ESTADSTICA?
En forma general, puede decirse que la Estadstica es el estudio relativo al conjunto de mtodos enfocados a la obtencin, representacin y anlisis de observaciones numricas, con el fin de describir la coleccin de datos obtenidos, as como inferir generalizaciones acerca de las caractersticas de todas las observaciones y tomar decisiones ms acertadas en el campo de su aplicacin. La Estadstica se divide en dos grandes reas:

Estadstica descriptiva Es la rama de la Estadstica dedicada a descubrir las regularidades o caractersticas existentes en un conjunto de datos mediante la utilizacin de grficos y de medidas numricas de resumen. La estadstica descriptiva resume y transforma datos para poder interpretar la informacin. A travs de la cuantificacin y ordenamiento de los datos se intenta explicar los fenmenos observados, por lo que resulta una herramienta de suma utilidad para la toma de decisiones. La fase descriptiva es comn a cualquier conjunto de observaciones o datos, ya se refieran stos a toda la poblacin, a una muestra o incluso a una sub-poblacin. Se utiliza para describir las caractersticas de una muestra, incluye: Mtodos para organizar los datos. Mtodos para calcular medidas de tendencia central. Mtodos para calcular medidas de dispersin. Estadstica inferencial Permite, mediante la utilizacin de mtodos estadsticos basados en la teora de las probabilidades, generalizar las conclusiones obtenidas a partir de una muestra a la poblacin de la que ha sido extrada. Es importante destacar que para que las conclusiones sean vlidas, la muestra debe ser representativa de la poblacin.
Unidad: Estadstica y Probabilidades

119

Se utiliza para obtener conclusiones acerca de la poblacin desde donde se obtiene la muestra, incluye: Anlisis de intervalos de confianza. Testeo de hiptesis. Conceptos preliminares En esta seccin se introducirn los conceptos necesarios para comprender la estadstica. a) Poblacin o Universo: es el conjunto de entidades u objetos que satisfacen una definicin comn y en los que interesa analizar una o varias caractersticas. Aqu el trmino poblacin tiene un significado mucho ms amplio que el usual, ya que puede referirse a personas, cosas, actos, reas geogrficas e incluso al tiempo.

La poblacin debe estar perfectamente definida en el tiempo y en el espacio, de modo que ante la presencia de un potencial integrante de la misma, se pueda decidir si forma parte o no de la poblacin bajo estudio. Por lo tanto, al definir una poblacin, se debe tener en cuenta que el conjunto de elementos que la integran quede perfectamente delimitado. Si, por ejemplo, estamos analizando las escuelas primarias, debemos especificar cules y cundo. El tamao de una poblacin viene dado por la cantidad de elementos que la componen. Generalmente se simboliza esta informacin con la letra N, en el caso en que sea una poblacin finita. b) Unidad de anlisis: es el objeto del cual se desea obtener informacin. En ciertas ocasiones nos referimos a las unidades de anlisis con el nombre de elementos. En estadstica, un elemento o unidad de anlisis puede ser algo con existencia real, como un automvil o una casa, o algo ms abstracto como la temperatura o un intervalo de tiempo. Tomando en cuenta lo anterior, puede redefinirse poblacin como el conjunto de unidades de anlisis.

Por ejemplo; si se desea estudiar la capacidad de estudiantes que pueden recibir los colegios de Santiago de Chile y se define la unidad de anlisis Colegio; en cada uno de los Colegios de la ciudad se solicitar la siguiente informacin: Nmero de matriculados del colegio. Nmero de profesores del colegio. El colegio cuenta o no con casino (si=1, no=0). Recopilando la informacin especificada en los N colegios de la ciudad de Santiago se formara la base de datos siguientes:

120

Unidad: Estadstica y Probabilidades

Unidad (Colegio) (i) 1 2 3 . . N

Nmero de matriculados ( x i) 700 820 660

Nmero de profesores ( y i) 123 150 90

El colegio cuenta o no con casino ( z i) 1 1 0

802

110

c)

Muestra: es un subconjunto de unidades de anlisis de una poblacin dada, destinado a entregar informacin sobre la poblacin. Para que este subconjunto de unidades de anlisis sea de utilidad estadstica, deben reunirse ciertos requisitos en la seleccin de los elementos.

Una de las causas por las cuales se realiza un muestreo, es que el estudio de la poblacin sera muy trabajoso y en ocasiones demasiado extenso. Adems podemos enumerar entre otras razones: Recursos limitados. Es decir, no existen los recursos humanos, materiales o econmicos para realizar el estudio sobre el total de la poblacin. Por ejemplo: cuando se quiere comprar una casa, se visita para ver si funciona todo como corresponde, (alcantarillado), luz elctrica, etc. y luego se adquiere, pero no se espera a vivir toda la vida para probarla antes de realizar la adquisicin.

Escasez. Es el caso en que se dispone de una sola muestra. Por ejemplo, para el estudio paleontolgico de los mamuts sera muy bueno contar con, al menos, diversos restos fsiles y as realizar tales investigaciones; sin embargo, se cuenta con pocas muestras.

Unidad: Estadstica y Probabilidades

121

Pruebas destructivas. Es el caso en el que realizar el estudio sobre toda la poblacin llevara a la destruccin misma de ella. Por ejemplo, si se quisiera saber el conteo exacto de las plaquetas en el torrente sanguneo de una persona habra que extraerle toda la sangre.

El muestreo puede ser ms exacto. Esto ocurre en el caso en el que el estudio sobre la poblacin total puede causar errores por su tamao o, en el caso de los censos, que sea necesario utilizar personal no lo suficientemente capacitado; mientras que, por otro lado, el estudio sobre una muestra podra ser realizada con menos personal pero ms capacitado. Las caractersticas que debe tener una muestra para que pueda clasificarse como aceptable son: Aleatoria: garantiza que los elementos que componen la muestra fueron escogidos completamente al azar, por lo tanto, no hay predisposicin alguna por incluir o excluir determinada unidad de anlisis. Tamao de la muestra; est dado por el nmero de unidades de anlisis que se deben escoger. El tamao depender de los objetivos del estudio. La determinacin del tamao de una muestra no es un problema fcil de resolver y constituye una especializacin de la estadstica llamada Teora de Muestreo. Se puede decir, en forma muy general, que mientras ms grande sea la muestra tomada los resultados deberan ser ms representativos y confiables. Sin embargo, debe quedar en claro que el tamao de la muestra depende exclusivamente de los objetivos del estudio. Variable de estudio (Tipos de datos) Se pueden definir como todo aquello que vamos a medir, controlar y estudiar en una investigacin o estudio. Por lo tanto, es importante, antes de comenzar una investigacin, que sepamos cules son las variables que vamos a medir y la manera en que lo haremos. Es decir, las variables deben ser susceptibles de medicin. Variable es todo aquello que puede asumir diferentes valores, desde el punto de vista cuantitativo o cualitativo. Las variables pueden ser definidas conceptual y operacionalmente. La definicin conceptual es de ndole terica, mientras que la operacional nos da las bases de medicin y la definicin de los indicadores. Para definir las variables, nos podemos basar en los indicadores, que constituyen el conjunto de actividades o caractersticas propias de un concepto. Por ejemplo, si hablamos de inteligencia,

122

Unidad: Estadstica y Probabilidades

podemos decir que est compuesta por una serie de factores como la capacidad verbal, capacidad de abstraccin, etc. Cada factor puede ser medido a travs de indicadores. En otras palabras, los indicadores son algo especfico y concreto que representan algo ms abstracto o difcil de precisar. No todos los indicadores tienen el mismo valor. Es decir, aunque existan varios indicadores para un mismo fenmeno, habr algunos ms importantes que otros, y por lo general cualquier indicador que se tenga est basado en una probabilidad de que realmente represente al fenmeno. Algunos criterios para escoger los indicadores: Se debe tener el menor nmero de indicadores de una variable, siempre y cuando stos sean realmente representativos de la misma. Se deben poseer formas de medicin especficas para cada indicador. Hay que tener en cuenta que a los indicadores slo se les asigna una probabilidad respecto a la variable y en relacin a la ocurrencia del fenmeno. Las variables se presentan en dos tipos diferentes, stas pueden ser cualitativas (por categoras) y cuantitativas, de acuerdo al tipo de datos usado para medir su valor. Las variables cualitativas se subdividen en nominales y ordinales; mientras que las variables cuantitativas, en discretas y continuas1. Variables Cualitativas Son aquellas que expresan distintas cualidades, caractersticas o modalidad. Cada modalidad que se presenta se denomina atributo o categora y la medicin consiste en una clasificacin de dichos atributos. Las variables cualitativas pueden ser clasificadas en ordinales y nominales. Las variables cualitativas pueden ser dicotmicas cuando slo pueden tomar dos valores posibles como s y no, hombre y mujer, vivo muerto o son politmicas cuando pueden adquirir tres o ms valores. Dentro de ellas podemos distinguir: Variable cualitativa nominal: una variable se dice cualitativa nominal si datos nominales son usados para medir su valor. Diremos que los datos son nominales si: Estos consisten en etiquetas simples o categoras tales como femenino/ masculino; si/no; casado/ soltero; sangre tipo A, B, 0, AB, etc. Las categoras no tienen un orden inherente; esto es, no importa si escribimos femenino/ masculino o masculino / femenino o si escribimos tipo de sangre tipo A, B, 0, AB o tipo de sangre B, AB, 0, A, etc. En otras palabras, el orden de las categoras s completamente arbitrario. Las categoras que se usan con variables nominales son invariablemente alfabticas o no numricas. Debido a esto no podemos usar las reglas usuales de la aritmtica con variables nominales.
1 Saavedra Gallardo, Eugenio (2005). Contenidos bsicos de Estadstica y Probabilidad.

Unidad: Estadstica y Probabilidades

123

Variable cualitativa ordinal: una variable se dice cualitativa ordinal si datos ordinales son usados para medir su valor. Diremos que los datos son ordinales si: Estos constan de categoras tales como satisfecho/ insatisfecho, nivel escolar superior/ medio / bajo, rendimiento en matemtica muy bueno/ regular/ malo, etc. Las categoras tienen un orden natural o inherente, como en el caso de los ejemplos anteriores. En los datos ordinales se tiene un orden natural pero, no se puede cuantificar (es decir, medir precisamente) la diferencia entre las categoras. En consecuencia, al igual que para las variables nominales, no se puede aplicar las reglas ordinarias de la aritmtica a datos ordinales. Variables cuantitativas Son las variables que se expresan mediante cantidades numricas. Las variables cuantitativas adems pueden ser: Variable discreta: diremos que una variable cuantitativa es discreta si el nmero de posibles valores que asume es un conjunto contable (es decir, finito o numerable). Frecuentemente, provienen de conteo de cosas, tales como nmero de accidentes de trnsito, nmero de fumadores, nmero de hijos, nmero de pacientes, etc. Variable continua: diremos que una variable cuantitativa es continua si el conjunto de posibles valores que asume es un conjunto no contable. Por ejemplo, el peso de una persona es una variable continua, aunque por limitaciones del instrumento utilizado para medir pareciera ser discreta. Usualmente, variables continuas provienen de mediciones de cosas, por ejemplo, peso, altura, tiempo, volumen, temperatura, presin, etc. Un esquema5 de los tipos de variables es el siguiente2:

2 Saavedra Gallardo, Eugenio (2005). Contenidos bsicos de Estadstica y Probabilidad.

124

Unidad: Estadstica y Probabilidades

Organizacion de datos
Distribucin de frecuencias de datos cualitativos Para abordar este punto situaremos el siguiente ejemplo: Ejemplo Para saber cmo perciben los estudiantes las asignaturas de matemtica y lenguaje, se seleccionarn 50 estudiantes de distintos colegios, cada persona dir qu asignatura eligi y qu tan difcil la encuentra. Para ello se tienen las siguientes codificaciones de las variables.

Asignatura Grado de dificultad

Matemtica = 0 Fcil = 0

Lenguaje = 1 Difcil = 1 Muy Difcil = 2

Retomando los conceptos previos se puede decir que la asignatura est en escala nominal y el grado de dificultad en escala ordinal. Los datos recogidos se encuentran en la siguiente tabla:

Unidad: Estadstica y Probabilidades

125

Estudiante Asignatura 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 0 1 0 1 1 0 0 1 1 0 1 1 0 1 0 1 0 0 0 0 0 1 1 0 1

Grado de dificultad 1 0 1 2 1 0 1 1 1 2 1 0 1 1 2 1 1 1 0 0 0 1 1 1 2 Tabla 1

Estudiante Asignatura 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 1 1 0 0 1 1 1 1 0 1 1 0 0 0 0 0 1 1 1 1 1 0 1 1 1

Grado de dificultad 0 2 0 2 0 2 0 2 2 2 1 2 1 1 2 2 1 2 0 2 2 0 2 2 0

Al contabilizar segn la asignatura elegida para opinar, se puede obtener la siguiente tabla:

Asignatura 0 1 Total Tabla 2

Nmeros de alumnos 22 28 50

La informacin que se tiene de esta tabla es que 22 estudiantes escogieron la asignatura de matemticas para opinar respecto al grado de dificultad, mientras que 28 estudiantes escogieron opinar respecto a lenguaje.

126

Unidad: Estadstica y Probabilidades

Ahora bien, si se desea extraer la informacin con respecto al grado de dificultad de la asignatura de matemtica, se tiene:
Grado de Dificultad en Matemtica 0 1 2 Total Tabla 3 Nmeros de alumnos 6 9 7 22

De la tabla se puede extraer la informacin de que 6 estudiantes encontraron que matemtica es fcil, 9 estudiantes que es difcil y 7 que es muy difcil. Al tabular los datos, stos se han dispuesto de tal forma que se pueda obtener valores representativos de los mismos. En Estadstica, la base de tal disposicin o estructuracin es la llamada distribucin de frecuencias, que puede representarse grficamente, y nos permite un primer paso de informacin elemental en estadstica. Distribucin de Frecuencias Una distribucin de frecuencias es una tabla de datos, referentes a una variable, en la que se contienen las diversas clases, categoras o valores de la variable, junto con su frecuencia, o veces que se repite cada categora o valor en las unidades de observacin de la poblacin o muestra observada. Las frecuencias se pueden clasificar en: Absolutas (ni) Se refiere al nmero de veces que se repite un valor en n observaciones. De otra forma, est compuesta por las frecuencias efectivamente observadas. En este caso al retomar el ejemplo de la tabla 2 y la tabla 3, en la columna donde aparecen nmeros de alumnos, debe corresponder a la frecuencia absoluta.

Unidad: Estadstica y Probabilidades

127

Asignatura 0 1 Total

Frecuencia ( ni) 22 28 50

Grado de Dificultad en Matemtica 0 1 2 Total

Frecuencia ( ni) 6 9 7 22

Tabla 4

Tabla 5

Acumuladas ( N i ) Aqu se consignan como frecuencias de cada valor o categora de la variable, la suma de su frecuencia absoluta con las frecuencias absolutas de todos los valores o categoras de la variable que la preceden en la distribucin. Ahora, si a nuestro ejemplo se le agrega una columna que refleje la Frecuencia acumulada, se tiene:
Tipo de asignatura 0 1 Total Frecuencia Frecuencia Acumulada Grado de Dificultad en Matemtica 0 1 2 Total Tabla 6 Frecuencia Frecuencia Acumulada

( ni )
22 28 50

( N i)
22 50

( ni )
0 9 7 22

( N i)
6 15 22

Tabla 7

Relativas ( f i) La frecuencia relativa para cualquier distribucin, es la proporcin entre la frecuencia absoluta (ni) de una cierta categora o valor respecto al total de los datos n.

128

Unidad: Estadstica y Probabilidades

Ahora bien, la tabla que a continuacin se presenta contiene una columna con la frecuencia relativa.
Grado de Dificultad en Matemtica 0 1 2 Total Frecuencia

( ni )
6 9 7 22

Frecuencia Relativa

( f i)

6/ 22 = 0,27 9/ 22 = 0,41 (*) 7/ 22 = 0,32 1

Tabla 8

(*) En este caso al realizar la divisin se obtienen nmeros decimales peridicos, por lo que el valor se ha redondeado a dos decimales. Esto es importante considerarlo, pues la suma de las frecuencias relativas debe ser igual a 1. De esta misma forma se podra obtener la Frecuencia Relativa Acumulada ( F i ) . La manera de determinarlo sera calculando el cociente entre frecuencias acumulada y el total de los datos. Muchas veces, la frecuencia se expresa como porcentaje respecto del total; esta frecuencia es conocida como frecuencia relativa porcentual. Como ejemplo, podemos observar la Tabla 8, la frecuencia relativa porcentual para aquellos estudiantes que encontraron la asignatura difcil (1) es de aproximadamente un 32%, este clculo se puede obtener de la siguiente manera:
9 100 41% 22

Esto quiere decir que el alrededor de un 41% de los estudiantes encuentra la asignatura de matemtica difcil. Tambin se puede determinar la frecuencia relativa acumulada porcentual, pero esta tiene sentido cuando la variable est medida en escala ordinal, es decir, la variable aparece con una jerarqua en la percepcin del grado del dificultad que se refleja en su codificacin, as entonces, al analizar nuevamente la tabla 7 y agregando dos nuevas columnas.

Unidad: Estadstica y Probabilidades

129

Grado de Dificultad en Matemtica 0 1 2 Total

Frecuencia

( ni )
6 9 7 22

Frecuencia Acumulada

( f i)
6 15 22

Frecuencia Relativa

Frecuencia Relativa Acumulada

Frecuencia Relativa Acumulada Porcentual 27% 68% 100%

0.27 0.41 0.32 1 Tabla 9

0.27 0.68 1

De la tabla se puede decir que alrededor de un 68% de los estudiantes encuestados perciben la asignatura de matemtica entre fcil (0) y difcil (1), mientras que solo un 32% encuentra que la asignatura de matemtica es muy difcil. Ejemplo3 El siguiente grfico muestra la relacin entre el consumo de alcohol y el riesgo de accidente que va acompaado.

3 Saavedra Gallardo, Eugenio (2005). Contenidos bsicos de Estadstica y Probabilidad.

130

Unidad: Estadstica y Probabilidades

Los datos que se encuentran a continuacin muestran el factor multiplicador del riesgo de accidente de 40 personas que fueron sometidas a una alcoholemia durante un fin de semana. El factor multiplicador del riesgo es una escala ordinal, por lo que los datos obtenidos son ordinales numricos. 8,1 9,1 5,7 9,3 1,0 6,5 1,2 1,5 6,6 2,1 4,2 5,2 8,2 4,7 5,9 1,9 7,9 1,6 4,4 6,1 2,9 2,5 2,7 1,3 6,8 2,9 1,4 9,9 2,1 1,9 7,3 1,8 6,4 7,7 9,2 3,1 2,4 1,1 7,9 2,2

Podemos observar que de stos 40 datos ninguno de ellos se repite, es por esta razn que deberamos pensar, si es productivo y provechoso realizar una tabla de frecuencias como en el ejemplo anterior, ya que en este caso, deberamos listar los 40 datos junto con otra columna con distribuciones de frecuencias completa de valores 1. La idea en este caso sera agruparlos, en intervalos, como por ejemplo:
Intervalos para el factor multiplicador

Frecuencia

1,0 1,9 2,0 2,9 3,0 3,9 4,0 4,9 5,0 5,9 6,0 6,9 7,0 7,9 8,0 8,9 9,0 9,9

10 8 1 3 3 5 4 2 4

No existe una cantidad predeterminada de intervalos, lo importante es que debe ser una cantidad razonable. Es decir, ni demasiado pocos ni muchos considerando de que no se pierda informacin. Ahora podramos agregar una columna con la frecuencia de casos en cada uno de estos intervalos y de sta manera realizar una tabla con mayores ventajas para ser analizada, en vez de aquella con 40 filas.

Unidad: Estadstica y Probabilidades

131

Intervalos para el factor multiplicador 1,0 1,9 2,0 2,9 3,0 3,9 4,0 4,9 5,0 5,9 6,0 6,9 7,0 7,9 8,0 8,9 9,0 9,9

Frecuencia

( ni )
10 8 1 3 3 5 4 2 4

Frecuencia Acumulada

Frecuencia Relativa

( N i)
10 18 19 22 25 30 34 36 40 Tabla 10 0,25 0,2 0,025 0,075 0,075 0,125 0,1 0,05 0,1

Frecuencia Relativa Acumulada

0,25 0,45 0,475 0,55 0,625 0,75 0,85 0,9 1,0

Grficos De Datos Cualitativos


Qu es un grfico o diagrama en estadstica? Un diagrama es un esquema, formado por lneas, figuras, mapas, utilizado para representar, bien datos estadsticos a escala o con una cierta proporcin, los elementos de un sistema, las etapas de un proceso y las divisiones o subdivisiones de una clasificacin. Entre las funciones que cumplen los diagramas o grficos se pueden nombrar; Hacen ms visibles los datos, sistemas y procesos. Ponen de manifiesto sus variaciones y su evolucin histrica o espacial. Pueden evidenciar las relaciones entre los diversos elementos de un sistema o de un proceso y representar la correlacin entre dos o ms variables. Sistematizan y sintetizan los datos, sistemas y procesos. Aclaran y complementan las tablas y las exposiciones tericas o cuantitativas. El estudio de su disposicin y de las relaciones que muestran pueden sugerir hiptesis nuevas. Algunos de los diagramas o grficos ms importantes son: de rbol, de reas o superficies, de bandas, de barras, de bloques, circular, circular polar, de puntos, de tallo y hoja e histogramas.

132

Unidad: Estadstica y Probabilidades

Ahora bien, el tipo de grfico o diagrama que se utilizar depender de qu tipo de datos estn asociados al estudio y qu es lo que queremos determinar. Ya que en esta parte del captulo estamos trabajando con datos cualitativos, los grficos ms usados son: Grficos de barras Si los datos son cualitativos y en un nmero suficientemente pequeo de categoras (lo cual a menudo significar no numrico), entonces un grfico de barras es apropiado4. No existe una regla para definir el nmero mximo de categoras que pueden ser representadas en un grfico de barras. No obstante, construir demasiadas categoras no ayudar al propsito de proveer informacin efectiva. Existen tres principales clases de grficos de barras: Barra simple: en este tipo de grfico se muestra una sola variable. Como ejemplo, se presenta a continuacin un grfico que muestra la competencia de los matinales del 01 al 08 de marzo de 20075.

Otro ejemplo de este tipo de grfico es el que se presenta a continuacin:

4 Saavedra Gallardo, Eugenio (2005). Contenidos bsicos de Estadstica y Probabilidad. 5

Fuente: Las ltimas Noticias, 11 de marzo 2007.

Unidad: Estadstica y Probabilidades

133

Como se puede observar cada clase se representa con una barra o rectngulo cuya altura (si el eje de frecuencias es el vertical) resulta proporcional a la frecuencia que representa. Todas las barras deben tener el mismo grosor y el espacio entre barras debe ser el mismo. Barras mltiples: este tipo de grfico es recomendable para comparar ms de una variable. Se usa para representar las frecuencias observadas en clasificaciones donde los criterios son dos o ms. Su forma de construccin es similar a la del grfico de barras simples, slo que en este caso hay ms barras. En lo visual se utilizan distintos colores o tramas. Se sugiere que las barras que integran una barra mltiple se coloquen juntas o ligeramente solapadas. El siguiente grfico es de barras mltiples:

134

Unidad: Estadstica y Probabilidades

En la leyenda de este grfico aparece el criterio de clasificacin que complementa al que aparece en el eje de categoras. Barras compuestas: este tipo de grfico tambin es para mostrar ms de una variable. La diferencia es que cada barra se divide segn los criterios de clasificacin. Su objetivo es la representacin de las frecuencias relativas (%) observadas en clasificaciones mltiples. Su forma de construccin es la siguiente: cada barra representa el 100 % de los individuos segn el criterio principal de clasificacin y se divide, proporcionalmente, en los porcentajes correspondientes segn los otros criterios. Como es usual, las diferentes partes en que se divide cada barra se diferencian con tramas o colores.

Nota: Se sugiere visitar el sitio http://es.geocities.com/carabu5/webs/graficos.htm para crear atractivos grficos en Excel para estudiantes de Enseanza Media. Grficos de lnea Los grficos de lnea son usados comnmente como una forma de exhibir datos, particularmente si stos tienen una base cronolgica6. Vale decir, cuando los datos consisten en mediciones regulares en el tiempo, digamos cada minuto, da, semana, ao, etc. Es comn anotar el tiempo en el eje horizontal y la frecuencia de una o ms categoras en el eje vertical. Ejemplo: el cambio demogrfico en Chile7. Entre 1960 y 1997, la tasa de crecimiento chilena se redujo en 43%, lo que indica el descenso de la mortalidad y en especial, de la natalidad, hechos ambos que alteraron la composicin y el volumen de personas por edades de la poblacin. MIDEPLAN sostiene que de acuerdo a las proyecciones y estimaciones de poblacin basadas en el Censo de 1992, la tasa de crecimiento
6 Saavedra Gallardo, Eugenio (2005). Contenidos bsicos de Estadstica y Probabilidad. 7

Fuente: INE, Censo de Poblacin. INE - CELADE, Chile, Estimaciones y Proyecciones

Unidad: Estadstica y Probabilidades

135

proyectada para 1995-2000 es de 1.4 por cien personas al ao, con tasa de mortalidad general de 5.6 por mil y fecundidad estimada en 2.4 hijos por mujer en promedio. La poblacin chilena observa un leve predominio de mujeres, representando ellas el 51% del total. La distribucin por grupos de edad da cuenta del proceso gradual de envejecimiento. En el Censo de 1982 el 32% de la poblacin era menor de 15 aos, cifra que en 1992 baj al 30, y que permite proyectar solamente un 23% para el ao 2020. Por su parte los mayores de 65 que en 1982 eran el 5.8%, aumentaron al 6.1% el '92, en el 2000 son el 10% y se espera que continen su incremento en los aos venideros, tal como podemos apreciar en la tabla a continuacin.
Distribucin porcentual Censo 1970 100 39 56 5 1982 100 32 62 6 Censo 1992 100 29 64 7 Proyeccin 2000 100 29 64 7 2010 100 25 66 9 2020 100 23 66 11 2030 100 21 64 15

Grupo de edad Total 0 -14 15 - 64 65 y ms

Fuente: INE, Censo de Poblacin. INE - CELADE, Chile, Estimaciones y Proyecciones

Tabla 11

Esta tabla muestra claramente su informacin al traspasar sus valores a un grfico de lneas:

136

Unidad: Estadstica y Probabilidades

Grficos de dispersin Los grficos de dispersin muestran la relacin entre los valores numricos de varias series de datos o trazan dos grupos de nmeros como una serie de coordenadas XY. Un grfico de dispersin tiene dos ejes de valores, mostrando un conjunto de datos numricos en el eje horizontal (eje X) y otro en el eje vertical (eje Y). Combina estos valores en puntos de datos nicos y los muestra en intervalos uniformes o agrupaciones. Los grficos de dispersin se utilizan normalmente para mostrar y comparar valores numricos. Para organizar los datos de una hoja de clculo para un grfico de dispersin, debera colocar los valores de X en una fila o columna y, a continuacin, escribir los valores correspondientes en las filas o columnas adyacentes. Ejemplo En el siguiente caso un profesor quiere predecir el ndice acadmico que obtendra un nuevo estudiante durante el primer semestre en su clase de 14 estudiantes. Para esto cuenta con la siguiente informacin:
Estudiante ndice acadmico Razonamiento Verbal

1 2 3 4 5 6 7 8 9 10 11 12 13 14 Promedio

2,3 2,4 3,6 3 3 2,3 3 3,8 3.2 3,1 3 3,4 3,6 3,9 3,11
Tabla 12

200 210 210 245 365 450 470 500 555 575 575 680 790 800

Unidad: Estadstica y Probabilidades

137

Si slo contara con los ndices acadmicos de los 14 estudiantes que ya estn en la clase, lo nico que pudiera hacer es utilizar el promedio de los ndices de esos estudiantes para predecir cul sera el ndice del nuevo estudiante. Por lo tanto, el profesor slo podra decir que espera que el nuevo estudiante hubiera obtenido 3.11 de ndice. Pero en esta prediccin el error puede ser maysculo puesto que no se tiene en cuenta ninguna de las caractersticas del nuevo estudiante. En una grfica, esta situacin se puede representar de la siguiente forma.

Cuando dos variables estn relacionadas? Se dice que dos variables, X e Y, estn correlacionadas cuando hay una relacin funcional entre ellas (recta). X suele ser la variable independiente e Y la dependiente (Y depende de X). Ejemplos de variables correlacionadas: Altura y peso de nios. Velocidad mxima que alcanza un auto y potencia de su motor. Presupuesto para adquisiciones y nmero de libros que puede adquirir una biblioteca. La relacin puede ser claramente causal o no. La relacin altura - peso tiene parte de causalidad, pero tambin existen otros factores. (X y otros factores son la causa de Y) La potencia del motor de un auto es la causa de que alcance una mayor velocidad, as como un mayor presupuesto el que se puedan comprar ms libros. (X es la causa de Y) Nota: Cuando se hacen correlaciones hay que analizar bien cada fenmeno para no caer en errores.

138

Unidad: Estadstica y Probabilidades

Correlaciones errneas Hay que evitar las denominadas correlaciones errneas, es decir, que llevan a conclusiones erradas. Ocurren cuando dos variables, X e Y, son realmente independientes entre s, pero dependientes ambas de una misma causa comn, Z.

Ejemplo coloquial de una correlacin errnea Cierto bilogo ingls public un estudio en el que se comprueba que en los pueblos y ciudades con ms cigeas en los campanarios, X, nacen ms nios, Y. Lleg a la conclusin de que los nios los trae la cigea. Lo cierto es que tanto el nmero de cigeas, X, como el de nios, Y, dependen de la causa comn, Z, que es el tamao del pueblo o ciudad. En las poblaciones grandes hay siempre ms cigeas y ms nios. Tanto cigeas como nios estn correlacionados con el tamao de la poblacin, pero no entre ellos mismos. Grficos de tortas Se usa, fundamentalmente, para representar distribuciones de frecuencias relativas (%) de una variable cualitativa o cuantitativa discreta. En este grfico se hace corresponder la medida del ngulo de cada sector con la frecuencia correspondiente a la clase en cuestin. Si los 360 del crculo representan el 100 % de los datos, a cada 1% le correspondern 3,6. Luego, para obtener el tamao del ngulo para un sector dado bastara con multiplicar el por ciento correspondiente por 3,6 (por simple regla de tres). Mediante un sector circular se representan las medidas angulares correspondientes a las diferentes categoras, respetando el orden establecido en la tabla, partiendo de un punto dado de la circunferencia. Ese punto dado generalmente es el punto ms alto de la circunferencia (12 en el reloj). Si lo que se representa en cada sector no puede colocarse dentro del mismo, se elabora una leyenda o se coloca fuera, adyacente al mismo. Se acostumbra a diferenciar los sectores con tramas o colores diferentes.

Unidad: Estadstica y Probabilidades

139

Para ejemplificar podemos tomar los siguientes datos: Superficies de los ocanos
Ocano Antrtico rtico Atlntico ndico Pacfico Total Superficie (millones de Km2) 20 12 105 73 180 390 Tabla 13 Porcentaje 5% 3% 27 % 19 % 46 % 100 %

140

Unidad: Estadstica y Probabilidades

Organizando datos Cuantitativos Consideremos los datos de la tabla 11, los cuales representan la resistencia a la tensin, en libras por pulgadas cuadradas (psi), de 80 muestras de una nueva aleacin de aluminio y litio, que est siendo evaluada como posible material para la fabricacin de elementos estructurales de aeronaves. 105 97 245 163 207 134 218 199 160 196 221 154 228 131 180 178 157 151 175 201 183 153 174 154 190 76 101 142 149 200 186 174 199 115 193 167 171 163 87 176 121 120 181 160 194 184 165 145 160 150 181 168 158 208 133 135 172 171 237 170 180 167 176 158 156 229 158 148 150 118 143 141 110 133 123 146 169 158 135 149

Tabla 14

Cmo se podran ordenar los 80 datos de manera que su manejo sea mucho ms sencillo? Diagrama de tallo y hoja: es una forma rpida de obtener una representacin visual ilustrativa del conjunto de datos. Para construir un diagrama de tallo y hoja primero se debe seleccionar uno ms dgitos iniciales para los valores de tallo, el dgito o dgitos finales se convierten en hojas, luego se hace una lista de valores de tallo en una columna vertical. Prosiguiendo a registrar la hoja por cada observacin junto al valor correspondiente de tallo, finalmente se indica las unidades de tallos y hojas en algn lugar del diagrama, este se usa para listas grandes y es un mtodo resumido de mostrar los datos. En el diagrama "tallo y hojas" cada dato representa su valor y, a la vez, ocupa un espacio de forma que obtenemos simultneamente la presentacin de los datos y el perfil de una distribucin. Por otra parte, la informacin repetitiva se reduce al mnimo.

Unidad: Estadstica y Probabilidades

141

Volviendo a los datos de la tabla 14, se tiene:


Tallos Hojas

7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

6 7 7 51 580 103 413535 29583169 471340886808 3073050879 8544162106 0361410 960934 7108 8 189 7 5

Nota: en este diagrama los nmeros 7, 8, 9,., 24 son los tallos. Qu podemos observar del diagrama? Por ejemplo, que la mayor parte de los valores de resistencia a la tensin se encuentran entre 110 y 200 (psi). Como observacin importante, hay veces es que es necesario proporcionar ms tallos; una manera de hacer esto es modificando los tallos originales de la siguiente manera: se divide el tallo 5 en dos nuevos tallos, 5L y 5U. El tallo 5L contiene las hojas 0, 1, 2, 3, 4, y el tallo 5U las hojas 5, 6, 7, 8, 9.

142

Unidad: Estadstica y Probabilidades

Existe otra forma de agrupar datos cuantitativos? Distribucin de Frecuencias La distribucin de frecuencias ofrece una forma resumida de presentar los datos. Para construir una distribucin de frecuencias, primero se agrupan los datos en intervalos, los cuales se conocen tambin como intervalos de clase. En lo posible, las clases deben tener el mismo ancho con la finalidad de mejorar la informacin visual en la distribucin de frecuencias. Para la seleccin del nmero de clases debe emplearse cierto criterio, de modo que pueda desarrollarse un diagrama til. En general un diagrama que contiene pocas o demasiadas clases no aporta mucha informacin. Un criterio posible para seleccionar el nmero de intervalos o clases es considerar la raz cuadrada del nmero de observaciones. Si volvemos a los datos de la tabla 14, tenemos 80 datos, 80 8,94 9 , entonces 8 o 9 clases proporciona una distribucin de frecuencias ms o menos adecuada. El dato ms grande y el ms pequeo corresponden a 245 y 76, respectivamente, de modo que las clases deben abarcar al menos el rango 245-76=169 unidades en la escala psi. Puede ser que necesitemos que el lmite inferior de la primera clase comience antes. En ese caso podramos partir por 70 y finalizar con el lmite superior de la ltima clase en 250; de esta manera nuestro nuevo rango corresponde a 180 unidades de psi. Se tiene entonces nueve clases o intervalos, cada una de ellas con un ancho de 20 (psi).

Resistencia a la tensin (psi) (Intervalo de clase)

Conteo

Frecuencia

Frecuencia Relativa

70 x < 90 90 x < 110 110 x < 130 130 x < 150 150 x < 170 170 x < 190 190 x < 210 210 x < 230 230 x < 250

II III IIIII I IIIII IIIII IIII IIIII IIIII IIIII IIIII II IIIII IIIII IIIII II IIIII IIIII IIII II
Tabla 15

2 3 6 14 22 17 10 4 2

0, 0250 0, 0375 0, 0750 0, 1750 0, 2750 0, 2125 0, 1250 0, 0500 0, 0250

Unidad: Estadstica y Probabilidades

143

Organizando los datos de manera similar que los de la tabla 10, se tiene que:
Resistencia a la tensin8 (psi) Intervalo de clase Frecuencia Frecuencia Acumulada Frecuencia Relativa Frecuencia Relativa Acumulada

( ni )

( N i)
2 5 11 25 47 64 74 78 80

( f i)
0, 0250 0, 0375 0, 0750 0, 1750 0, 2750 0, 2125 0, 1250 0, 0500 0, 0250 1

( F i)

[ 70 90 [ [90 110 [ [110 130 [ [130 150 [ [150 170 [ [170 190 [ [190 210 [ [ 210 230 [ [ 230 250 [
Total

2 3 6 14 22 17 10 4 2 80

0, 0250 0, 0625 0, 1375 0, 3125 0, 5875 0, 8000 0, 9250 0, 9750 1, 0000

Tabla 16

Que conclusiones podramos obtener de esta tabla? El 17.5% de las pruebas de resistencia est entre 130 y 150 (psi). 25 pruebas de aleacin de material alcanzan a lo ms 150 (psi). Slo dos pruebas de aleacin alcanzaron una resistencia entre 230 y 250 (psi). Ahora usaremos el artificio de aproximar la variable que es continua a una variable que sea discreta, con la idea de no perder demasiada informacin. Esto puede realizarse suponiendo que todos los registros obtenidos en las pruebas, que pertenecen a un determinado intervalo, son iguales al punto medio de ste. As los 3 registros situados en el segundo intervalo, sern iguales a 100 (que es el punto medio de ste), y as sucesivamente.
8 La variable observada en este caso es resistencia a la tensin, la cual es una variable cuantitativa continua.

144

Unidad: Estadstica y Probabilidades

Al realizar nuevamente la tabla e incorporar los puntos medios, de ahora en adelante marca de clase (mi ) , podemos obtener la siguiente tabla.
Resistencia a la tensin (psi) Intervalo de clase Marca de clase Frecuencia Frecuencia Acumulada Frecuencia Relativa Frecuencia Relativa Acumulada

(mi )
80 100 120 140 160 180 200 220 240

( ni )

( N i)
2 5 11 25 47 64 74 78 80

( f i)
0, 0250 0, 0375 0, 0750 0, 1750 0, 2750 0, 2125 0, 1250 0, 0500 0, 0250 1

( F i)

[70 90 [ [90 110 [ [110 130 [ [130 150 [ [150 170 [ [170 190 [ [190 210 [ [210 230 [ [230 250 [
Total

2 3 6 14 22 17 10 4 2 80 Tabla 17

0, 0250 0, 0625 0, 1375 0, 3125 0, 5875 0, 8000 0, 9250 0, 9750 1, 0000

A partir de esta tabla podemos presentar grficamente los pares ordenados (mi , f i 100% )

Unidad: Estadstica y Probabilidades

145

Existe otra manera en que se pueden organizar datos cuantitativos, que es mediante los Histogramas. Qu es un Histograma? Es un grfico de barras continuas que se emplea para ilustrar muchos datos agrupados en intervalos. Est formado por rectngulos unidos a otros, cuyos vrtices de la base coinciden con los lmites de los intervalos y el centro de cada intervalo es la marca de clase, que representamos en el eje de las abscisas. La altura de cada intervalo corresponde a la frecuencia relativa de ste, dividida por el largo del intervalo9 :
Altura del rectngulo = frecuencia relativa largo del intervalo

Si llamamos i al largo del i-simo itervalo, entonces la altura de la i-sima barra ser fi . i f i Adems, considerando que el rea del i-simo intervalo es i , entonces el rea total de i las barras ser igual a:
f f1 f 1 + 2 2 + LL+ k k = f1 + f 2 + 1 2 k + fk = 1

9 Saavedra Gallardo, Eugenio (2005). Contenidos bsicos de Estadstica y Probabilidad.

146

Unidad: Estadstica y Probabilidades

El histograma se usa para representar variables cuantitativas continuas que han sido agrupadas en intervalos de clase. En el caso del ejemplo anterior se puede construir un histograma de la siguiente manera: El primer rectngulo del histograma tiene una altura de 0,00125 que corresponde a la frecuencia relativa del 2 1 intervalo [70 90 [ que es , dividida por la longitud = 80 40 de ste, que es igual a 20.
Area = Base Altura 1 = 20 x 40

1 1 = 0.00125 De donde, x = 40 = 80 20

Estadgrafos Los estadgrafos o estadsticos, son medidas (nmeros) que permiten establecer conclusiones a cerca de la estructura de los datos. Estos nmeros son construidos considerando toda la informacin que contiene dicha muestra, es decir, todos los datos que han sido recolectados. Pueden construirse estadgrafos para distintos fines. Los ms utilizados son: las medidas de posicin, de tendencia central, de variabilidad y de forma.

Unidad: Estadstica y Probabilidades

147

Cada vez que la muestra de datos, medidos en al menos escala ordinal, ha sido ordenada, se establece un Ranking para cada una de las observaciones, este ranking, indica en que posicin, en direccin ascendente, se encuentra el dato respecto de la muestra. Este ranking se denota por un subndice encerrado entre parntesis. Por ejemplo, si se tienen los datos 12, 7, 15 y 13, al ordenarlos se tiene 7, 12, 13 y 15, es decir, el primer dato ordenado es 7, el segundo es 12, y as sucesivamente. Este hecho se puede anotar simblicamente como sigue:
x(1) = 7, x(2 ) = 12, x(3) = 13 y x(4 ) = 15

Con esta notacin, si se tienen n datos, el menor valor observado, que ser llamado mnimo estar denotado por x(1) y el mayor valor observado, que ser llamado mximo ser denotado por x(n) . Estadgrafos de posicin Son aquellos que dan informacin a cerca del orden en la estructura de una muestra. Los ms utilizados son: Los Percentiles Los Cuartiles Los Deciles Los Percentiles Se llaman percentiles a cada uno de los nmeros que dividen la muestra en 100 partes iguales, en consecuencia son 99, y se denotan por Pk , donde k es el orden del percentil indicado. Dado que el percentil Pk divide la muestra en dos partes, la inferior que contiene al k% inferior de observaciones y la superior que contiene el (100 k)% de las observaciones. En general, si disponemos de n datos, 0 < < 1 y queremos calcular el percentil 100% , (conocido como el cuantil a ) procedemos de la forma10 siguiente: Ordenamos la muestra en forma ascendente Calculamos q = ( n + 1) Si q es entero, el percentil 100% ser el dato ubicado en el q-simo lugar. Si q no es entero, el percentil 100% ser el promedio de los datos ubicados en los lugares [q ] y [q ] + 1.

10 Eugenio Saavedra Gallardo, Contenidos Bsicos de Estadstica y Probabilidad.

148

Unidad: Estadstica y Probabilidades

Analicemos el siguiente ejemplo: Los siguientes datos representan la duracin, en horas, de 18 pilas elctricas.

237 262

242 234

232 220

242 225

282 246
Tabla 19

232 232

244 218

242 228

254 240

Realizando un Diagrama de Tallo, ordenando las hojas en orden ascendente, se tiene;

Tallo

Hoja

21 22 23 24 25 26 27 28

8 0 5 8 2 2 2 4 7 0 2 2 2 4 6 4 2

Tabla 20

Aqu el tamao de la muestra es n = 18, por lo tanto el percentil 100% i) ii) Se calcula q = ( n + 1) , que en este caso corresponde a q = (18 + 1)
q = 0,1 (18 + 1) = 1, 9 Si se desea determinar el P 10 , entonces se tiene

iii) Dado que q no es entero, entonces se procede a determinar [q ] y [q ] + 1:

[q ] = [1,9] = 1 [q ] + 1 = [1, 9] + 1 = 1 + 1 = 2
Luego, el percentil buscado corresponde al promedio de los valores ubicados en la primera y segunda posicin:

Unidad: Estadstica y Probabilidades

149

218 + 220 = 219 que corresponde al valor de P 10 . 2

En el caso del P 70 , su valor se determina de la misma forma: i) ii)


q = 0, 7 (18 + 1) = 13, 3

Dado que q no es entero, entonces se procede a determinar [q ] y [q ] + 1:

[q ] = [13,3] = 13 [q ] + 1 = [13,3] + 1 = 13 + 1 = 14
Luego, el percentil buscado corresponde al promedio de los valores ubicados en las posiciones 13 y 14:
242 + 244 = 243 , lo cual corresponde al valor de P 70 2 La interpretacin concreta del percentil anterior es la siguiente: el 70% de las pilas probadas, duraron menos de 243 horas.

Qu sucede con datos agrupados? Para obtener el percentil 100% , donde 0 < < 1 , es necesario utilizar la siguiente frmula:

Pm = a j 1 +
Donde:

j fj

( Fj 1 )

= Corresponde al percentil a calcular, dividido por 100. Este valor es 0 < < 1 j = Corresponde al entero en el cual Fj 1 < y F j >

j = Corresponde al tamao del intervalo. F j ; F j 1 = Corresponde a la frecuencia relativa acumulada en ese intervalo. a j 1 = Corresponde al lmite superior de ese intervalo f j ; f j 1 Corresponde a la frecuencia absoluta en aquel intervalo

150

Unidad: Estadstica y Probabilidades

Analicemos el siguiente ejemplo: El gasto diario en peridicos del hotel Navo se encuentra agrupado en una tabla de frecuencia:
Gasto diario (miles de pesos) Intervalo de clase Marca de clase Frecuencia Frecuencia Acumulada Frecuencia Relativa Frecuencia Relativa Acumulada

(mi )
56.5 65.5 74.5 83.5 92.5

( ni )

( N i)
3 8 17 24 29 32

( f i)
0.094 0.156 0.281 0.219 0.156 0094 1

( F i)

[52 61 [ [61 70 [ [70 79 [

3 5 9 7 5 3 32 Tabla 21

0.094 0.250 0.531 0.750 0.906 1.000

[79 88 [
[88 97 [ [97 106 [
Total

101.5

Determine el percentil 80. Utilizando la frmula:


j fj ( Fj 1 )

Pm = a j 1 +

P80 = 88 +

9 ( 0,8 0, 750 ) 0,156

P80 = 88 + 57, 7 ( 0, 05 ) = 88 + 2,88 = 90,88 91

Unidad: Estadstica y Probabilidades

151

El 80% de los datos analizados sern menores a 91 y el 20% restante sern superiores Cmo se obtiene esta frmula?11 Se dispone de datos agrupados en la forma: Frecuencia relativa acumulada del intervalo Fi
F1 F2

Intervalo

Largo del intervalo i


1 = a1 a 0
2 = a 2 a1

Frecuencia relativa del intervalo f i


f1 f2

[a0 , a1 [ [a1 , a2 [
[ak 1 , a k [ Total


k = a k a k 1 ak a0


fk

Fk

Si se quiere calcular el percentil 100%, 0 < < 1 , asociado a estos datos, se procede de la siguiente forma: a) Encontrar el entero j, de modo que F j 1 < y F j > b) Calcular la ecuacin de la recta que pasa por los puntos (a j 1 , F j 1 ) y (a j , F j ) . La ecuacin resultante debe ser:
y= fj j x + F j 1 a j 1 fj j

c) Encontrar la interseccin de la recta anterior con la recta y = . Es decir, se resuelve la ecuacin:


= fj j x + F j 1 a j 1 fj j

11 Eugenio Saavedra Gallardo, Contenidos Bsicos de Estadstica y Probabilidad.

152

Unidad: Estadstica y Probabilidades

d) La solucin de la ecuacin anterior es el percentil 100% , que se anota: e)


x * () = a j 1 + j fj ( F j 1 )

Aqu se puede observar claramente que la frmula para determinar un percentil proviene de la ecuacin de la recta dados dos puntos. Los Cuartiles Son 3 valores Q1 , Q2 y Q3 que dividen a los datos en 4 partes iguales, corresponden respectivamente a los percentiles P25 , P50 , P75 . En el caso de datos no agrupados, para determinar los cuartiles anteriormente mencionados, se procede de la misma manera descrita antes, asociando el cuartil con el percentil correspondiente. Si desea determinar el Cuartil 3 del ejemplo anterior (Percentil 75%) ste se ubicar en el cuarto intervalo:
Q3 = P75 = 79 + 9 (0, 75 0,531) 0, 219 9 (0, 75 0,531) = 88 0, 219

Q3 = P75 = 79 +

El 75% de los datos sern menores a 88, mientras que el 25% de los datos restantes sern superiores. Los Deciles Son 9, denotados por D1 , D2 ,..............., D9 , que corresponden respectivamente a los percentiles P 10 , P20 ,........, P90 , ellos dividen la muestra en 10 partes iguales. En el caso de datos no agrupados, para determinar los deciles anteriormente mencionados, se procede de la misma manera descrita antes, asociando el decil con el percentil correspondiente. Siguiendo con el ejemplo anterior, si se desea ubicar el Decil 7 (Percentil 70%) ste tambin se ubicar en el cuarto intervalo.
D7 = P70 = 79 + 9 (0, 70 0, 531) = 85,94 0, 219

Unidad: Estadstica y Probabilidades

153

De este modo el 70% de los datos sern menores a 85.94 y el 30% restante sern superiores a 85.94. Estadgrafos de tendencia central Del mismo modo que las grficas pueden mejorar la presentacin de los datos, las descripciones numricas tambin tiene gran valor. A continuacin se presentan varias medidas numricas importantes para describir las caractersticas de los datos. Una caracterstica importante de un conjunto de nmeros es su localizacin o tendencia central. Comnmente tres medidas son usadas para describir el centro o localizacin central de un conjunto de datos: La moda. La mediana La media (promedio) La moda Se define la moda como el valor de la variable que ms se repite, es decir, aquel que tiene mayor frecuencia absoluta. Generalmente se designa por M o . Es importante distinguir el clculo de sta para variables continuas y discretas. Si la variable es discreta, el clculo no presenta ninguna dificultad, nicamente se observa la frecuencia, se ve cual es la mayor y la moda ser el valor de la variable correspondiente a dicha frecuencia. Puede ser que existan dos o ms valores de la variable que alcancen la mxima frecuencia absoluta (bimodal, trimodal, etc). En este caso el valor de la moda se puede calcular de la siguiente forma: Arreglar los datos en forma creciente. Contar el nmero de veces que cada valor ocurre. Identificar el valor (o valores) que ocurre con mayor frecuencia. Analicemos nuevamente el ejemplo anterior (Tablas 19 y 20). 237 262 242 234 232 220 242 225 282 246 232 232 244 218 242 228 254 240

154

Unidad: Estadstica y Probabilidades

El Diagrama de Tallo, ordenando las hojas en orden ascendente, se tiene:

Tallo

Hoja

21 22 23 24 25 26 27 28

8 0 5 8 2 2 2 4 7 0 2 2 2 4 6 4 2 2
Tabla 22

Aqu se puede observar que existen dos modas, las que corresponden a los valores 232 y 242 (cada una con frecuencia absoluta 3). Ahora bien, si los datos estn agrupados, la mayor frecuencia absoluta corresponde a un intervalo, el cual se denomina intervalo modal; pero si se desea calcular un nico valor para la moda, es necesario aplicar la siguiente frmula:
d1 Mo = aj + j d1 + d 2

Donde:
n j : es el valor de la mayor frecuencia.

d1 = ( n j n j 1 ) (Diferencia entre la frecuencia del intervalo y la frecuencia anterior) d 2 = ( n j n j +1 ) (Diferencia entre la frecuencia del intervalo y la frecuencia siguiente)
a j : es el Lmite Inferior del intervalo que contiene a la Moda j : es el tamao del intervalo de clase.

Unidad: Estadstica y Probabilidades

155

Nota: si no se requiere tanta precisin, puede considerarse el punto medio del intervalo y la frmula anterior puede simplificarse como sigue:
Mo = aj + j 2

Analicemos nuevamente el ejemplo de la tabla 21. El gasto diario en peridicos del hotel Navo se encuentra agrupado en una tabla de frecuencia:
Gasto diario (miles de pesos) Intervalo de clase Marca de clase Frecuencia Frecuencia Acumulada Frecuencia Relativa Frecuencia Relativa Acumulada

(mi )
56.5 65.5 74.5 83.5 92.5

( ni )

( N i)
3 8 17 24 29 32

( f i)
0.094 0.156 0.281 0.219 0.156 0094 1

( Fi )

[52 61 [ [61 70 [ [70 79 [

3 5 9 7 5 3 32 Tabla 23

0.094 0.250 0.531 0.750 0.906 1.000

[79 88 [
[88 97 [ [97 106 [
Total

101.5

d1 = 9 5 = 4 d2 = 9 7 = 2

i = 9

La moda estimada utilizando estos datos agrupados es:

4 M o = 70 + 9 = 76 4 + 2

156

Unidad: Estadstica y Probabilidades

El gasto diario del Hotel Navo en peridicos ms frecuente es 76 mil pesos.

Propiedades de la Moda El clculo de la moda no usa toda la informacin en la muestra, es decir, no involucra todos los datos. Esto implica, por ejemplo, si se trata de las notas de un alumno o alumna, que la moda no sea representativa de las notas que tiene. La moda puede no ser nica. En el caso de existir dos modas, es usual habla de una distribucin bimodal. La moda es una medida voltil, esto significa que es sensitiva a pequeos cambios de los valores muestrales. La moda no es particularmente afectada por valores extremos (puntos aislados) en la muestra. La moda es siempre igual a uno de los valores presentes en la muestra (caso de datos no agrupados)

La mediana Si una muestra se ordena en orden creciente, la mediana es el valor que hace que el 50% de los datos est por debajo de ese valor y que el 50% de los datos est sobre l. En otras palabras corresponde al percentil 50. La mediana se determina en dos casos: a) Nmero de datos impar. En este caso la mediana se encuentra en la posicin q = 0,5 (n + 1) , lo que corresponde al valor que est justo al centro. b) Nmero de datos impar. En este caso el valor de la mediana corresponde al promedio entre los dos valores centrales, cuya posicin es respectivamente n y n + 1 2 2 Volviendo al Diagrama de tallo (tabla 22) donde los 18 datos (cantidad par) estn ordenados de manera creciente. Busquemos los dos valores ms cercanos al centro, es decir, cuyas 18 18 posiciones son y + 1 que equivalen a los lugares 9 y 10. 2 2

Unidad: Estadstica y Probabilidades

157

Tallo

Hoja

21 22 23 24 25 26 27 28

8 0 5 8 2 2 2 4 7 0 2 2 2 4 6 4 2 2

En este caso los valores correspondientes a 237 y 240. El valor de la Mediana es M e =


237 + 240 = 238.5 2

Si los datos estn agrupados se debera calcular la Mediana con la siguiente frmula: Anteriormente se dedujo la frmula para los percentiles:
Pm = a j 1 + j fj ( Fj 1 )

En este caso la mediana corresponde al percentil 50, luego:


M e = P50 = a j 1 + j fj (0,5 Fj 1 )

Donde:
j = Corresponde al entero en el cual Fj 1 < y F j >

a j 1 = Corresponde al lmite inferior de ese intervalo j = Corresponde al tamao del intervalo. F j 1 = Corresponde a la frecuencia relativa acumulada anterior a la del intervalo. f j = Corresponde a la frecuencia absoluta en aquel intervalo

158

Unidad: Estadstica y Probabilidades

Volviendo al ejemplo:
Gasto diario (miles de pesos) Intervalo de clase Marca de clase Frecuencia Frecuencia Acumulada Frecuencia Relativa Frecuencia Relativa Acumulada

(mi )
56.5 65.5 74.5 83.5 92.5

( ni )

( N i)
3 8 17 24 29 32

( f i)
0.094 0.156 0.281 0.219 0.156 0094 1

( Fi )

[52 61 [ [ 61 70 [ [ 70 79 [

3 5 9 7 5 3 32

0.094 0.250 0.531 0.750 0.906 1.000

[ 79 88 [
[88 97 [ [97 106 [
Total

101.5

Si los datos son 32, el intervalo que contiene a la mediana es [ 70 79 [ , ya que vez encontrado el intervalo, se reemplaza en la frmula:
j fj (0, 5 Fj 1 )

32 = 16 . Una 2

M e = a j 1 +

M e = 78 +

9 (0,5 0, 250 ) 0, 281

M e = 70 + 8, 01 78

El 50% de los das el hotel gast menos de 78 mil pesos en la compra de peridicos.

Unidad: Estadstica y Probabilidades

159

Propiedades de la Mediana La Mediana no es voltil como la moda, debido a que es razonablemente estable frente a pequeos cambios realizados a los datos. La Mediana no es sensitiva a valores extremos. Para un conjunto de n datos existe una nica mediana. Si n es impar, la mediana resulta ser uno de los datos de la muestra. En el caso de que n sea par, la mediana resulta igual a uno de los datos, solo si los datos ubicados en las n n posiciones y +1 2 2 La mediana no utiliza toda la informacin presente en la muestra, ya que el valor numrico de la mediana es calculado usando solamente el o los valor(es) central(es) de los datos.

La media aritmtica o promedio: La medida ms comn de centralizacin de los datos es la media aritmtica o promedio. Ya que generalmente se considera a los datos como una muestra, usualmente la media aritmtica se conoce con el nombre de media muestral. Si las observaciones de un conjunto de datos de tamao n son x1 , x 2 , x3 ,.........., xn , entonces la media aritmtica corresponde a:
x + x 2 + x3 + ............. + xn i =1 = x= 1 n n xi
n

Retomando el Diagrama de Tallo de la tabla 22, podemos determinar la Media aritmtica de la siguiente manera: 237 262 242 234 232 220 242 225 282 246 232 232 244 218 242 228 254 240

x=

218 + 220 + 225 + 228 + 232 + 232 + 232 + 234 + 237 + 240 + 242 + 242 + 242 + 244 + 246 + 254 + 262 + 282 18

x=

4312 = 239.56 18

Se puede concluir entonces que el promedio de la duracin de 18 pilas elctricas es de 239.56 horas.

160

Unidad: Estadstica y Probabilidades

Ahora bien, cuando los datos se presentan agrupados es necesario utilizar la siguiente frmula:
ni mi n
n

x = i =1

Donde:
ni : Frecuencia en la clase i-sima mi : Marca de clase o punto medio del intervalo i-simo

Nota: cabe sealar que este promedio es una aproximacin, ya que al no conocer exactamente los n valores se tom como representante al punto medio o marca de clase del intervalo. Es decir, el promedio determinado as ser algo diferente al promedio que se obtendra si se suman todos los datos reales y se divide por n.

Retomando los datos de la Tabla 21:


Gasto diario (miles de pesos) Intervalo de clase Marca de clase Frecuencia Frecuencia Acumulada Frecuencia Relativa Frecuencia Relativa Acumulada

(mi )
56.5 65.5 74.5 83.5 92.5

( ni )

( N i)
3 8 17 24 29 32

( f i)
0.094 0.156 0.281 0.219 0.156 0094 1

( Fi )

[52 61 [ [61 70 [ [70 79 [

3 5 9 7 5 3 32

0.094 0.250 0.531 0.750 0.906 1.000

[79 88 [
[88 97 [ [97 106 [
Total

101.5

Unidad: Estadstica y Probabilidades

161

El promedio aritmtico es:


x= (3 56.5) + (5 65.5) + (9 74.5) + (7 83.5) + (5 92.5) + (3 101.5) 2519 = = 78.7 32 32

Durante los 32 das el hotel tuvo un gasto promedio en peridicos de 78.7 miles de pesos.

Propiedades de la Media Aritmtica El clculo de la Media involucra todos los valores de la muestra, es decir, usa toda la informacin disponible, lo cual no sucede en el caso de la mediana ni la moda. La Media se ve afectada por valores extremos o aislados. La media, generalmente, no es igual a alguno de los valores que componen la muestra. La media no puede ser determinada grficamente, como el caso de la mediana. Si los datos se transforman linealmente, entonces la media de los datos transformados es igual a la media de los datos originales, transformada. Es decir, si los datos originales son x1 , x 2 , x3 ,.........., xn y su media x , entonces la media o promedio de los datos ax1 + b, ax2 + b, ax3 + b,.........., axn + b corresponde a ax + b .

Estadgrafos de variabilidad (Medidas de dispersin) La localizacin o tendencia central no necesariamente proporciona informacin suficiente para describir datos de manera adecuada. Por ejemplo, supongamos de resistencia a la tensin (en psi) de dos muestras se aleacin aluminio litio:

Muestra 1 Muestra 2

130 90

150 128

145 205

158 140

165 165

140 160

Tabla 24

Si determinamos la media de ambas muestras podemos ver que es 148 (psi). Sin embargo, si se observamos el siguiente Diagrama: Podemos observar que la dispersin o variabilidad de la muestra 2 es mucho mayor que la de la muestra 1.

162

Unidad: Estadstica y Probabilidades

Los estadgrafos de variabilidad ms utilizados son: Datos cualitativos ordinales: Rango de la muestra y rango intercuartlico. Datos cuantitativos: Desviacin Media. Desviacin estndar muestral y Varianza muestral Coeficiente de Variacin. Diagrama de caja. Rango de la muestra y rango intercuartlico Una de las medidas ms sencillas de variabilidad es el rango de la muestra, ste se define como la diferencia entre las observaciones ms grande y ms pequea. El rango se define como:
r = mx(xi ) mn(xi )

Para el ejemplo anterior, el rango de la primera muestra es r1 = 165 130 = 35 , mientras que el de la segunda muestra es r2 = 205 90 = 115. Claramente se puede inferir que mientras ms grande sea el rango, mayor ser la variabilidad de los datos. El rango de una muestra es fcil de calcular, pero ste ignora toda la informacin que hay en la muestra entre las observaciones ms grande y ms pequea. Si tomamos las siguientes muestras: 1, 3, 5, 8, 9 y 1, 5, 5, 5, 9, ambas tienen el mismo rango ( r = 8 ) , sin embargo, en la segunda muestra slo existe variabilidad en los valores extremos, mientras que en la primera los tres valores intermedios cambian de manera considerable. Algunas veces, cuando el tamao de la muestra es pequeo, n 10, la prdida de informacin asociada con el rango no es muy seria. Esta medida (el Rango), se utiliza mucho en aplicaciones estadsticas al control de calidad, donde lo comn es utilizar muestras con tamaos de cuatro o cinco. En general, lo que se desea es tener una medida de variabilidad que dependa de todas las observaciones, ms que unas cuantas.
Unidad: Estadstica y Probabilidades

163

Al igual que las observaciones mxima y mnima de una muestra llevan informacin sobre la variabilidad, el rango intercuartlico, RIQ = q3 q1 , puede emplearse como medida de variabilidad. En este caso se trabaja con el primer y tercer cuartel (q1 y q3, respectivamente). Para los datos de la tabla 24, el rango intercuartlico es:
RIQ = q3 q1 = 2016 384 = 1632 horas.

Es importante destacar que el RIQ es menos sensible a los valores extremos de la muestra, que el rango muestral ordinario. Desviacin Media. Si se dispone de un conjunto de valores x1 , x 2 ,........., x n , desviacin media para estos valores se define como:
D.M . = x1 x + x 2 x + ................ + xn x n

Donde:
x

: Media aritmtica. : Tamao de la muestra.

xn x : Error absoluto.

En el caso que los datos estn agrupados, se tiene:


D.M . = f1 m1 x + f 2 m2 x + ................ + f k mk x

Donde:
x = f1 m1 + f 2 m2 + .............. + f k mk
mk

: Marca de Clase (mitad del intervalo)

La desviacin media es muy poco usada como medida de dispersin, por las dificultades algebraicas que produce la suma de valores absolutos, lo cual no permite obtener buenas propiedades algebraicas para esta medida. Desviacin estndar muestral y Varianza Muestral Las medidas ms importantes de variabilidad son la varianza muestral y la desviacin estndar muestral.

164

Unidad: Estadstica y Probabilidades

Si x1 , x 2 ,........., x n es una muestra de n observaciones, entonces la varianza muestral es:


s2 =

(x x )
n i =1 i

(1)

La desviacin estndar muestral s, es la raz cuadrada positiva de la varianza muestral, es decir:

s=

(x x )
n i =1 i

Tambin existe una expresin alternativa para determinar la varianza, la cual facilita su determinacin: 2 n n 2 xi xi 2 i =1 i =1 s = (2) n n La expresin (2) se deduce de (1) al desarrollar el cuadrado de binomio en la sumatoria:

(x x )
n i =1 i

. Veamos a continuacin cmo se llega de una expresin a otra:


2

s2 =

(x x )
n i =1 i

(
n i =1 n

xi 2 2 xi x + x n

( ))
2 n

x
2 i =1 i

2 xi x + i =1 x i =1
n

()

n =

x
i =1 n

2 x xi + n x
i =1

()

x
i =1

2 x x + n x n

()

x
i =1

2 x + n x n

()

()
2

x
i =1

2 x + x

() ()
2

Unidad: Estadstica y Probabilidades

165

x
i =1

n
n 2 i

()

n x xi i =1 i =1 n n

Datos a considerar Las unidades de mediacin de la varianza muestral son iguales al cuadrado de las unidades con que se mide la variable. La desviacin estndar tiene la propiedad de medir la variabilidad en las unidades originales que la variable que nos interesa. Cmo mide la varianza muestral la variabilidad? Mientras ms grande sea la variabilidad de los datos, mayor ser la magnitud absoluta de las desviaciones xi x . Ya que la suma de las desviaciones xi x siempre es cero, se debe utilizar una mediada de variabilidad que cambie las desviaciones negativas en cantidades no negativas. Elevar al cuadrado las desviaciones es el enfoque que se emplea en la varianza muestral. En consecuencia, si s 2 es pequea, entonces existe una variabilidad pequea en los datos, pero si s 2 es grande, entonces la variabilidad tambin los es. Para comprender mejor retomemos el ejemplo de la tabla 24, pero esta, vez slo la muestra 2. (Resistencia a la tensin en psi de una aleacin aluminio-litio).

Muestra 2

90

128

205

140

165

160

Tabla 25

166

Unidad: Estadstica y Probabilidades

El grfico anterior nos ayuda a visualizar a travs de las distanciaso diferencias, de cada medida respecto al promedio, para ver cun lejanos o cercanos estn los datos y darnos una idea de la variabilidad. En otras palabras, qu tan dispersos o concentrados estn los valores respecto al centro. Determinemos la varianza muestral y la desviacin estndar muestral.
i
1 2 3 4 5 6

xi
90 128 205 140 165 160

xi x
-58 -20 57 -8 17 12 Tabla 26

( xi x ) 2
3364 400 3249 64 289 144

Entonces:
i =1 6

xi = 888

i =1 6

xi x = 0

i =1

xi x

)2 = 7510

x=

888 = 148 6

Por lo tanto la varianza muestral es:


s2 = 7510 7510 = = 1502 ( psi 2 ) 6 1 5

Mientras que la desviacin estndar muestral est dada por:


s = 1502 = 38.8 ( psi )

Unidad: Estadstica y Probabilidades

167

Es importante indicar como determinar la desviacin estndar cuando los datos estn agrupados (tablas de frecuencias). En este caso, debemos utilizar la siguiente frmula que utiliza la frecuencia relativa fi y la marca de clase mk :
s= f1 m1 x + f 2 m2 x + ......... + f k mk x

)2

)2

)2

(1)

O de manera abreviada la varianza muestral se puede determinar como:

s=

n m
i =1 i

2 i

()

(2)

La expresin (2) se obtiene de (1), al desarrollar el cuadrado de binomio tal como se ha realizado anteriormente. Analicemos nuevamente el ejemplo del Hotel Navo, agregando las columnas necesarias para determinar la varianza muestral y desviacin estndar muestral.

Gasto diario (miles de pesos) Intervalo de clase

Marca de clase

Frecuencia

(mi )
56.5 65.5 74.5 83.5 92.5

( ni )

mi ni

ni m2
i

Frecuencia Relativa Acumulada

( Fi )

[52 61 [ [61 70 [ [70 79 [

3 5 9 7 5 3 32 Tabla 27

169.5 327.5 670.5 584.5 462.5 304.5 2519

9676.75 21451.25 49952.25 48805.75 42781.25 30906.75 203574

0.094 0.250 0.531 0.750 0.906 1.000

[79 88 [
[88 97 [ [97 106 [
Total

101.5

168

Unidad: Estadstica y Probabilidades

s2 =

n m
i =1 i

2 i

x =

()

203574 78.7 2 = 6361.7 6193.7 = 168 32

La desviacin estndar es s = 168 = 12, 96 miles de pesos. Anlogo a la varianza de la muestra s 2, existe una medida de variabilidad en la poblacin, conocida como varianza poblacional. Para ella se utiliza la letra griega 2 para nombrar la varianza poblacional. La raz cuadrada positiva de 2 , , denota la desviacin estndar poblacional. Cuando la poblacin es finita y est formada por N valores, la varianza poblacional puede expresarse como:
2 (xi ) n

2 = i =1

: Media poblacional

Coeficiente de Variacin En ocasiones es deseable expresar la variacin como una fraccin de la media. Para hacer esto se utiliza una medida adimensional de variacin relativa, denominada Coeficiente de variacin muestral. El Coeficiente de variacin se obtiene dividiendo la desviacin estndar usual por la media aritmtica. El resultado algunas veces se multiplica por 100%.
C.V . = s 100% x

Una de las ventajas del C.V. es que se puede comparar la dispersin de dos distribuciones de datos que tengan distintas desviaciones estndares y medias aritmticas o cuando estn medidas en unidades distintas (C, F, g, kg, etc.)
Grado de variabilidad de los datos Coeficiente de variabilidad

Con variabilidad baja Con variabilidad moderada Con alta variabilidad


Tabla 28

Menos de 10% De 10% a 30% Ms de 30%

Unidad: Estadstica y Probabilidades

169

En el ejemplo del Hotel Navo, el coeficiente de variabilidad es:


C.V . = 13.17 100% = 16.73% muestra con variabilidad moderada. 78.7

Diagrama de caja En 1977 John Tukey public un tipo de grfico estadstico para resumir informacin utilizando 5 medidas estadsticas: el valor mnimo, el primer cuartil, la mediana, el tercer cuartil y el valor mximo. Este tipo de grfico recibe el nombre de grfico de caja (boxplot). John Wilder Tukey12 (16 de Junio, 1915 - 26 de Julio, 2000) estadstico nacido en New Bedford, Massachusetts. Tukey obtuvo un Bachiller en Artes en 1936 y una Maestra en Ciencias en 1937, ambas en qumica, en la Univerdidad de Brown, antes de mudarse a la universidad de Princeton donde recibi un Doctorado en Filosofia en matemticas. Durante la segunda guerra mundial Tukey trabaj en la Oficina de la Investigacin de la Extincin de Incendios y colabor con Samuel Wilks y William Cochran. Despus de la guerra regres a Princeton dividiendo su tiempo entre la universidad y los Laboratorios AT&T Bell. Tukey fue uno de los grandes talentos estadsticos del siglo XX, con una notable influencia en la Visualizacin de la Informacin. Quizs su contribucin mejor conocida es la de la transformada rpida de Fourier (FFT). No obstante, Tukey ha dado lugar a muchas otras contribuciones a la estadstica moderna. Entre ellas se cuenta la estadstica descriptiva (Exploratory Data Analysis o EDA). Su libro Exploratory Data Analysis (1977) es el clsico sobre este tema. EDA es una filosofa bsicamente grfica de exploracin de datos estadsticos. Por ello muchas veces se la confunde con la estadstica grfica, aunque EDA va ms all. Lo destacable de EDA, es la potencia que aaden los grficos, la representacin visual, a las herramientas estadsticas. Los grficos proporcionan a los resultados estadsticos una gran ayuda para la comprensin de su significado. Es importante mencionar que uno de los grficos ideados por Tukey es el Box-and-Whisker Plot o el" o el "Stem-and-Leaf Diagram" o tambin llamado Diagrama de tallo y hojas, entre otros.

12 Hoaglin, D C; Mosteller, F & Tukey, John Wilder (Eds) (1985). Explorando la Tabla de Datos, Tendencias y Formas

170

Unidad: Estadstica y Probabilidades

Como dato curioso se puede mencionar que las dos ms famosas palabras inventadas por l estn relacionadas con la informtica. Mientras trabajaba con John von Neumann en diseos previos de computadoras, Tukey introdujo la palabra bit como contraccin de "Dgito binario" (por sus siglas en ingls Binary Digit). Tukey us el termino "Software de Computacin" (Computer Software) en un contexto computacional en un artculo de 1985 y este puede haber sido su primer trabajo publicado13. Qu es un Diagrama de caja? Un grfico de este tipo consiste en un rectngulo (caja), donde los lados ms largos muestran el recorrido intercuartlico (RIQ). Este rectngulo est dividido por un segmento vertical que indica donde se posiciona la mediana y por lo tanto su relacin con los cuartiles primero y tercero (recordemos que el segundo cuartil coincide con la mediana). Este rectngulo se ubica a escala sobre un segmento que tiene como extremos los valores mnimo y mximo de la variable. Estos segmentos que quedan a izquierda y a derecha de la caja se llaman bigotes. ( Freund, Williams y Perles, 1992). Tomemos como ejemplo el siguiente grfico. La variable medida en este caso es: tiempo en segundos para recorrer 100 m.

Qu se puede leer del grfico? Mediana, Primer cuartil, Tercer cuartil, Valor mnimo de la variable, Valor mximo de la variable.
13 http://es.wikipedia.org/wiki/John_W._Tukey

Unidad: Estadstica y Probabilidades

171

Las lneas que sobresalen de la caja se llaman bigotes. Estas lneas o bigotes tienen un lmite de prolongacin, de modo que cualquier caso que no se encuentre dentro de este rango es marcado e identificado individualmente. Si bien hay distintas posturas sobre cual debe ser la longitud de los bigotes, la decisin final debe acomodarse a lo que los objetivos de la investigacin dictaminen. Es decir, que cualquier caso que ste ms all de los bigotes se indica con un asterisco, y si estuviera ms all todava, se indica con un punto negro (Alaminos,1993). Las grficas de caja son muy tiles par hacer comparaciones. Supongamos que un corredor entrena para una determinada carrera y se toman los tiempos que necesita para recorrer los 100m, durante 10 das consecutivos (cada da se toman varios tiempos y se calculan mediana, cuartiles, valores mnimo y mximo).

Observemos que el desplazamiento de las grficas de caja hacia la izquierda indica que el entrenamiento ha dado resultado, ya que se tardan menos segundos en recorrer la misma distancia, siendo la diferencia entre el mximo y el mnimo menor, como as tambin la diferencia intercuartlica. Los bigotes tienen un lmite de prolongacin, de modo que aquellos valores atpicos que se separan del cuerpo principal de datos se indican individualmente. A diferencia de otros mtodos de presentacin de datos, los grficos de caja muestran los valores atpicos de la variable. Llamaremos valores atpicos de la variable a aquellos que estn tan apartados del cuerpo principal de los datos que bien pueden representar los efectos de causas extraas, como algn error de medicin o registro. Su eliminacin no se justifica, ya que el propsito del grfico de caja consiste en brindarnos un mayor conocimiento de la forma en que se distribuyen los datos.

172

Unidad: Estadstica y Probabilidades

Tukey introduce un criterio para fijar los extremos de los bigotes. Para esto calcula 4 barreras, dos interiores y dos exteriores: Barrera interior inferior Barrera interior superior Barrera exterior inferior Barrera exterior superior = = = = Primer cuartil 1,5. RIQ Tercer cuartil + 1,5. RIQ Primer cuartil 3. RIQ Tercer cuartil + 3. RIQ

Recordemos que RIQ (Recorrido Rango Intercuartlico) es igual a la diferencia entre el Tercer cuartil y el Primero. Si se consideran los valores de la variable comprendidos entre las dos barreras interiores, el valor mnimo de la variable y el valor mximo son los extremos de los bigotes. Si existen valores de la variable comprendidos entre las barreras interiores y exteriores se consideran valores atpicos y se indican con *. Si existieren valores fuera de las barreras exteriores se consideran valores todava ms atpicos y se indican con . Por otra parte, este tipo de grfico nos proporciona informacin con respecto a la simetra o asimetra de la distribucin. Se utilizan los siguientes criterios: si la mediana est en el centro de la caja o cerca de l, constituye un indicio de simetra de los datos, si la mediana est considerablemente ms cerca del primer cuartil indica que los datos son positivamente asimtricos y si est ms cerca del tercer cuartil, seala que los datos son negativamente asimtricos. Asimismo, la longitud relativa de los bigotes se puede emplear como un indicio de su asimetra. Una vez realizado el grfico, qu tipo de preguntas debemos formular para una mejor comprensin? Algunas preguntas podran ser las siguientes: Qu porcentaje de los datos est representado por la caja? Qu porcentaje representa cada uno de los bigotes? Puede ser un bigote ms largo que otro? Cul es el significado? Se encuentra la mediana siempre en el centro de la caja? Ejemplo: Analicemos el siguiente ejemplo propuesto por Hildebrand (1997). Suponga que el rendimiento de las inversiones de 21 compaas al trmino de un ao en cierto ramo de la industria es: -24,6 6,7 8,6 2,6 7,0 8,8 2,4 7,2 9,0 2,7 7,5 9,2
Tabla 29
Unidad: Estadstica y Probabilidades

3,8 8,0 9,7

5,6 8,2 10,0

5,9 8,5 20,5

173

Trazaremos un diagrama de caja para estos datos, sealando valores atpicos Solucin En base a los datos obtenemos que: Mediana Cuartil 1 Cuartil 3 RIQ : 7,5 : 5,6 : 8,8 : 3,2 = Q1 3, 0 RIQ = 5, 6 3, 0 (3, 2 ) = 4, 0 = Q3 + 3, 0 RIQ = 8,8 + 3, 0 (3, 2 ) = 18, 4 = Q1 1, 5 RIQ = 5, 6 1, 5 (3, 2 ) = 0,8 = Q3 + 1, 5 RIQ = 8,8 + 1, 5 (3, 2 ) = 13, 6

Las barreras son: Barrera exterior inferior Barrera exterior superior Barrera interior inferior Barrera interior superior

La prueba de las barreras identifica dos valores atpicos importantes, -24,6 y 20,5 y un posible valor atpico, -2,6. (Una grfica de los datos indica que los valores atpicos importantes son obviamente valores extremos y que el valor dudoso queda posiblemente excluido). El grfico de caja para este problema es el siguiente:

174

Unidad: Estadstica y Probabilidades

Regresin y correlacin
Cuando se analizaron los grficos de dispersin nos deberamos haber realizado la siguiente pregunta: Por donde trazar la recta? Retomaremos el ejemplo tratado en el grfico de dispersin, ahora que contamos con ms herramientas. Ejemplo: Un profesor quiere predecir el ndice acadmico que obtendra un nuevo estudiante durante el primer semestre en su clase de 14 estudiantes. Para esto cuenta con la siguiente informacin:

Estudiante

ndice acadmico

Razonamiento Verbal

1 2 3 4 5 6 7 8 9 10 11 12 13 14 Media

2.3 2.4 3.6 3 3 2.3 3 3.8 3.2 3.1 3 3.4 3.6 3.9 3.11
Tabla 30

200 210 210 245 365 450 470 500 555 575 575 680 790 800

Como se vio antes si slo contara con los ndices acadmicos de los 14 estudiantes que ya estn en la clase, lo nico que pudiera hacer sera utilizar la media de los ndices de esos estudiantes para predecir cul sera el ndice del nuevo estudiante. Por lo tanto el profesor slo podra decir que espera que el nuevo estudiante hubiera obtenido 3.11 de ndice. Pero en esta prediccin el error puede ser maysculo puesto que no se tiene en cuenta ninguna de las caractersticas del nuevo estudiante.
Unidad: Estadstica y Probabilidades

175

El error de prediccin se puede visualizar como la suma de las distancias desde cada uno de los puntos hasta la recta y = 3.11 Sin embargo, esta prediccin se puede mejorar si pensamos que hay otra recta que pasa entre los puntos de forma que la suma de las distancias entre los puntos y la recta se minimice. Visualmente se puede pensar que la recta representada en la grfica anterior puede rotar hasta situarse de la siguiente manera:

176

Unidad: Estadstica y Probabilidades

Esto se logra cuando se aade un predictor a la ecuacin (en este caso, la puntuacin que obtuvieron los estudiantes en una prueba de razonamiento verbal). Gracias a este predictor se obtiene la lnea de regresin que minimiza la suma de las distancias de cada punto hasta la recta. La nueva prediccin del ndice del nuevo estudiante se obtendra utilizando la ecuacin de la lnea de regresin que en este caso es:
y = 0, 0015 x + 2, 41

Sustituyendo la puntuacin que el nuevo estudiante obtuvo en la prueba de razonamiento verbal en el lugar de la variable x. Si el estudiante hubiese obtenido 300 en la prueba de razonamiento verbal es posible predecir que obtendra un ndice de:
y = 0, 0015 (300 ) + 2, 41 = 2,86

Esta nueva prediccin utilizando la lnea de regresin no ofrece certitud, pero s reduce considerablemente el error que se hubiese cometido si no se tiene en cuenta ninguna de las caractersticas del estudiante. La caracterstica principal de la lnea de regresin es que minimiza la distancia. Matemticamente hablando esta caracterstica se expresa diciendo que la lnea de regresin cumple con el criterio de los cuadrados menores. En la siguiente situacin, se consideran solamente cuatro puntos una recta cualquiera que pasa entre ellos y la lnea de regresin. El objetivo es demostrar que la suma de las distancias de los puntos a la recta es menor en el caso de la lnea de regresin. Ejemplo:
Estudiante Razonamiento Verbal ndice

1 2 3 4

200 365 360 790


Tabla 31

2.3 3 4 3.6

En este ejemplo hay solamente 4 puntos. El diagrama de dispersin aparece a continuacin. Como hay varias rectas que se pueden ajustar para que pasen entre los puntos se escogern dos. Una de ellas ser la lnea de regresin y la otra ser una recta cualquiera que pase entre los puntos.

Unidad: Estadstica y Probabilidades

177

La primera recta (A) es la lnea de regresin y su ecuacin es y = 0.016 x + 2.54 La segunda es la recta (B) representada por la ecuacin y = 0.002 x + 3 . En cada una de ellas se calcular el error e que se va a visualizar como la distancia que hay entre el punto trazado en el diagrama de dispersin y el que correspondera en la recta a ese valor de x. Este valor que la recta predice para y, se denota como y*. Por lo tanto e = y - y* Cuando x = 200 en la recta (A) tabla es (200; 2,3). y = 0,0016(200) + 2,54 = 2,86, pero el punto real de la

Por lo tanto, e = y - y* = 2,3 2,86 = -0,56 Cuando x = 365 en la recta (A) es (365, 3). y = 0,0016(365) + 2,54 = 3,124, pero el punto real de la tabla

Por lo tanto, e = y - y* = 3 3,124 = -0,124 Si hallamos todos los errores e para ambas lneas de regresin, vamos a encontrar que cuando los cuadramos y sumamos, la suma de todos los e 2 es menor para la lnea de regresin que para la recta B. Lnea de regresin Estudiante
1 2 3 4

x
200 365 360 790

y
2,3 3 4 3,6

y pred
2,86 3,124 3,116 3,804

e
-0,56 -0,124 0,884 -0,204 Suma

e2
0,31360 0,01537 0,78150 0,02170 1,1328

Tabla 32

178

Unidad: Estadstica y Probabilidades

Recta B Estudiante
1 2 3 4

x
200 365 360 790

y
2,3 3 4 3,6

y pred
3,4 3,73 3,72 4,58

e
-1,1 -0,73 0,28 -0,98 Suma

e2
1,2100 0,5329 0,0784 0,9604 2,7817

Tabla 33

Si hallamos todos los errores e para ambas lneas de regresin, vamos a encontrar que la suma de todos los e 2 es menor para la lnea de regresin que para cualquier otra recta que hayamos escogido. La lnea de regresin es, por lo tanto, la recta de mejor ajuste segn el criterio de los cuadrados menores. Sin embargo, para poder determinar esta recta es necesario utilizar algunas frmulas.

Cul es la ecuacin de la lnea de regresin? Si la lnea de regresin est representada por la ecuacin Y = bX + a, entonces las frmulas para obtener b y a son las siguientes
n XY X Y nX
2

b=

( X)

= (r)

SY SX

a = Y bX

Donde: r = correlacin s y = desviacin estndar de Y s x = desviacin estndar de X


X Y

= media de X = media de Y = se llama el coeficiente de regresin = se llama la constante de regresin.


Unidad: Estadstica y Probabilidades

b a

179

Cuando dos variables estn relacionadas? Cuando se trata de una distribucin bidimensional.es necesario conocer la covarianza: Covarianza: Es una medida de lo que se dispersan los valores de una muestra bidimensional tanto del valor medio de la x como del valor medio de la y. Se determina mediante la expresin:

Vxy = S xy =

(x X )(y Y )
i i

o bien mediante Vxy = S xy =

x y
i

XY

Coeficiente de Correlacin de Pearson, r (Bondad de los ajustes) El coeficiente de correlacin de Pearson, r, nos permite saber si el ajuste de la nube de puntos a la recta de regresin obtenida es satisfactorio. Se define como el cociente entre la covarianza y el producto de las desviaciones tpicas (raz cuadrada de las varianzas)
r= Vxy VxV y = S xy
2 2 Sx Sy

S xy SxS y

Teniendo en cuenta el valor de la covarianza y las varianzas, se puede evaluar mediante cualquiera de las dos expresiones siguientes:

x y
i

r=

X Y

2 xi2 2 yi 2 X Y n n

r=

[n xi2 ( xi )2][n yi2 ( yi )2]

n xi yi xi yi

Grado de Correlacin El coeficiente de correlacin r presenta valores entre -1 y +1. Cuando r es prximo a 0, no hay correlacin lineal entre las variables. La nube de puntos est muy dispersa o bien no forma aproximadamente una lnea recta. No se puede trazar una recta de regresin.

180

Unidad: Estadstica y Probabilidades

Cuando r es cercano a +1, hay una correlacin positiva entre las variables segn un modelo lineal y la recta de regresin que se determine tendr pendiente positiva, ser creciente. Cuando r es cercano a -1, hay una buena correlacin negativa entre las variables segn un modelo lineal y la recta de regresin que se determine tendr pendiente negativa: es decreciente.

No hay correlacin ( r = 0)

Correlacin no lineal ( r = 0)

Correlacin lineal positiva ( r = 1)

Correlacin lineal negativa ( r = 1 )

Unidad: Estadstica y Probabilidades

181

CMO ANALIZAR CUANTITATIVAMENTE DATOS CUALITATIVOS


Para la introduccin de este punto es necesario conocer el concepto de: Planilla Electrnica o Planilla de Clculo: Una hoja de clculos permite mantener ordenada una serie de datos y efectuar operaciones matemticas, financieras y estadsticas. Es una herramienta necesaria para el funcionamiento de toda empresa, ya sea una pequea librera o una cadena de supermercados. Algo que puede parecer muy sencillo, tal como escribir los ingresos del da del almacn puede complicarse rpidamente: los das numerosos y variables en nmero (28, 30 o 31 das, dependiendo del mes); hay impuestos que considerar, cambian los precios, etc. Una hoja de clculo, si bien requiere de un computador con un programa apropiado y una planificacin inicial, permite hacer todos estos clculos automticamente sin ms esfuerzo que ingresar los datos. No solo es el sector comercial el que usa este sistema, sino casi toda la actividad. Un hospital necesita guardar los datos de los pacientes, las cuentas, los sueldos y los suministros. Un colegio debe guardar informacin de cada alumno, en particular notas y asistencia, etc. Dnde estn los datos? Los datos estn en todas partes, solo necesitamos saber que informacin deseamos obtener para comenzar a analizarlos. Hay datos registrados que estn impresos, manuscritos o se extraen de una grabadora en forma de notas tomadas durante una observacin, respuestas libres a preguntas abiertas, transcripciones de entrevistas individuales o discusiones de grupo, libros, artculos periodsticos, etc. pueden ser procesados mediante el tratamiento cuantitativo de lo cualitativo. Este enfoque no es nuevo. El procedimiento interpretativo estndar que se da, tanto de las preguntas abiertas como del anlisis de contenido, comprende: reduccin de los datos, seleccin de palabras claves, agrupamientos de frases en dimensiones, edicin de categoras exhaustivas, codificacin de categoras. Pero el anlisis se transforma en una cuantificacin de cdigos numricos, el recuento de cdigos y la obtencin de distribuciones de frecuencias; independientemente de la estructura y significacin del contenido de las categoras.

182

Unidad: Estadstica y Probabilidades

El procedimiento tradicional de la cuantificacin de datos cualitativos es la categorizacin, la codificacin y la tabulacin. De este modo el dato textual se reduce a un tratamiento y anlisis de datos numricos. Interesa ms la frecuencia de los cdigos que el propio contenido de las categoras. El Anlisis Estadstico de Datos Textuales (ADT) se refiere a procedimientos que implican contar las ocurrencias de las unidades verbales bsicas (generalmente palabras) y operar algn tipo de anlisis estadstico a partir de los resultados de tales recuentos. Se recurre a la cuantificacin de los textos desde el primer momento, sin que medien operaciones de codificacin previas. El desarrollo de las tcnicas de la estadstica textual ha hecho que el anlisis estadstico de textos se haya constituido en una herramienta interdisciplinar, integrada por: la estadstica, el anlisis del discurso, la lingstica, la informtica, el procesamiento de encuestas, la investigacin documental; y es cada vez ms utilizada en diversos campos de las ciencias sociales: historia, poltica, economa, sociologa, psicologa, etc. Y especficamente en el anlisis de los discursos sociales en la investigacin del consumidor, del ciudadano, y en general, del sujeto meditico. Las tcnicas de anlisis de datos desarrolladas a partir de las aportaciones de Jean Pal Benzcri han permitido el anlisis de grandes matrices de datos, aplicacin del Anlisis Factorial a tablas de contingencia de n (filas) x p (columnas) a partir grandes matrices de datos extendidas y la visualizacin de los resultados en un mapa perceptual. La segunda mitad del siglo XX: la revolucin computacional Los cientficos, especialmente los ingleses, desarrollaron mtodos matemticos para la estadstica, pero en la prctica manipularon cifras durante medio siglo sin disponer de verdaderas herramientas de clculo. La llegada de los computadores revolucion el desarrollo de la estadstica. En Francia (J. P. Benzcri) y en los Estados unidos (J. W. Tuckey) quienes fueron los pioneros en repensar la estadstica en funcin de los computadores. Mejoraron, adaptaron y crearon nuevos instrumentos para estudiar grandes volmenes de datos: nuevas tcnicas y herramientas grficas. Segn cita . Jean Paul Benzecri, 1965: El modelo tiene que adaptarse a los datos y no al revs.

Unidad: Estadstica y Probabilidades

183

NOCIONES DE INFERENCIA ESTADSTICA


Objetivos de la Inferencia Estadstica En general, en las noticias se escucha hablar cotidianamente de poblacin para referirse a un grupo de personas que tienen algo en comn, como la poblacin de chilenos o la poblacin de los nios de Santiago. Para el estadstico, este concepto se refiere a un conjunto de elementos (personas, animales, plantas, objetos, etc.) sobre el que se quiere averiguar, a partir de mediciones, encuestas, etc., realizadas a sus integrantes. Hacer mediciones, sin embargo, para cada elemento de la poblacin (censo) resulta a menudo muy largo o costoso. Se trata, por lo tanto, en su lugar, de observar solo una muestra, es decir un grupo de algunos elementos elegidos de la poblacin14. El primer problema es entonces cmo elegir una muestra para poder extraer de sta conclusiones que sean vlidas para la poblacin entera. En este caso, cada individuo o elemento de la muestra interesa solamente en cuanto componente de la poblacin. La teora del muestreo nos ofrece mtodos para construir muestras. Anteriormente se dijo que la Estadstica Descriptiva se ocupa de ordenar los datos obtenidos de una muestra y calcular los parmetros estadsticos ms representativos de la misma. La Inferencia Estadstica, en cambio, se encarga de estudiar los mtodos para la obtencin de conclusiones generales en la poblacin o poblaciones objeto de investigacin, a partir de la informacin que nos suministra una muestra. A continuacin se muestra un esquema sinttico con las funciones de ambos tipos de estadstica y adems el papel que juega la teora de probabilidades:

14 Tomado del Qu nos dicen los datos? Introduccin a la estadstica. Notas para un curso del PPF del MINEDUC para

4 Medio, de los autores Nancy Lacourly y Jorge Soto Andrade. Enero 2002.

184

Unidad: Estadstica y Probabilidades

Un tema fundamental en la Inferencia Estadstica es el muestreo, ste se encarga de cmo hay que elegir la muestra para que los resultados sean extrapolables a toda la poblacin, mediante las Tcnicas de muestreo. Para estudiar una poblacin se puede hacer de dos formas: Estudio exhaustivo o Censo; cuando la investigacin se ha hecho sobre todos y cada uno de los elementos que constituyen la poblacin. Estudio por muestreo, cuando la investigacin se ha realizado nica y exclusivamente sobre una muestra (un subconjunto limitado y convenientemente seleccionado de la poblacin. Un ejemplo15 Supongamos que se quiere estudiar la duracin de las ampolletas de 100W de la marca ILIMINA. No se puede esperar que se quemen todas las ampolletas producidas durante un periodo dado para sacar ciertas conclusiones. Observamos entonces mejor el tiempo de vida de una muestra de 500 ampolletas, por ejemplo. Nos preguntamos:

15 Tomado del Qu nos dicen los datos? Introduccin a la estadstica. Notas para un curso del PPF del MINEDUC

para 4 Medio, de los autores Nancy Lacourly y Jorge Soto Andrade. Enero 2002.

Unidad: Estadstica y Probabilidades

185

1. Cmo seleccionar las 500 ampolletas? 2. Cmo extrapolar o inferir las conclusiones obtenidas sobre la muestra de 1500 ampolletas a la totalidad de las ampolletas ILUMINA de 100W? La primera pregunta se responde con la teora de muestreo y la segunda con la inferencia estadstica. Aparecen aqu dos tipos de problemas: El problema de la estimacin: Se busca precisar alguna caracterstica totalmente desconocida de la poblacin a partir de los datos obtenidos sobre una muestra. En este caso, se quiere conocer la duracin o tiempo de vida promedio de las ampolletas ILUMINA de 100W a partir de una muestra de 500 ampolletas. El problema de test de hiptesis, cuando se quiere comprobar alguna informacin sobre la poblacin. Por ejemplo, las ampolletas ILUMINA de 100W no duran ms de 250 horas. Entonces se trata de comprobar esta aseveracin a partir de la informacin relativa a una muestra. Qu se espera de una muestra para poder resolver estos dos tipos de problema? Que no tenga sesgo. Para tener una muestra sin sesgo, es decir, una muestra que no sobreestime ni subestime ninguna caracterstica de la poblacin, todo elemento de la poblacin debera tener la posibilidad de formar parte de la muestra. Adems, la seleccin debera ser objetiva, sin que ningn factor personal intervenga. De aqu que se d un carcter aleatorio al muestreo, es decir, que se asigne a cada elemento de la poblacin una probabilidad no nula de ser seleccionado en la muestra. Para poder inferir algo sobre la poblacin, dedemos poder dasr una formalizacin matemtica que permita estudiar las propiedades de la muestra, especialmente los errores asociados a muestreo. Debemos entonces conocer la probabilidad asignada a cada elemento de la poblacin. Distinguimos dos tipos fundamentales de muestreo: Muestreo no probabilstico. En este tipo de muestreo, puede haber clara influencia de la persona o personas que seleccionan la muestra o simplemente se realiza atendiendo a razones de comodidad. Salvo en situaciones muy concretas en la que los errores cometidos no son grandes, debido a la homogeneidad de la poblacin, en general no es un tipo de muestreo riguroso y cientfico, dado que no todos los elementos de la poblacin pueden formar parte de la muestra. Por ejemplo, si se realiza una encuesta telefnica por la maana, las personas que no tienen telfono o que estn trabajando, no podrn formar parte de la muestra. Muestreo probabilstico. En este tipo de muestreo, todos los individuos de la poblacin, tienen probabilidad positiva de formar parte de la muestra. Por lo tanto es el tipo de muestreo que deberemos utilizar en nuestras investigaciones, por ser el riguroso y cientfico.

186

Unidad: Estadstica y Probabilidades

Muestreo Aleatorio Simple La seleccin de la muestra puede realizarse a travs de cualquier mecanismo probabilstico en el que todos los elementos tengan las mismas opciones de salir (la misma probabilidad de ser seleccionados). Muestreo Aleatorio Estratificado Es frecuente que cuando se realiza un estudio interese estudiar una serie de subpoblaciones (estratos) en la poblacin, siendo importante que en la muestra haya representacin de todos y cada uno de los estratos considerados. El muestreo aleatorio simple no nos garantiza que tal cosa ocurra. Para evitar esto, se saca una muestra de cada uno de los estratos. Volviendo nuevamente al tema principal de que es la Inferencia estadstica, podemos decir que: La Estadstica Inferencial estudia cmo sacar conclusiones generales para toda la poblacin a partir del estudio de una muestra. Distribuciones de probabilidad Son idealizaciones de los polgonos de frecuencias. En el caso de una variable estadstica continua consideramos el histograma de frecuencias relativas, y se comprueba que al

aumentar el nmero de datos y el nmero de clases el histograma tiende a estabilizarse llegando a convertirse su perfil en la grfica de una funcin. Las distribuciones de probabilidad de variable continua se definen mediante una funcin y = f (x) llamada funcin de probabilidad o funcin de densidad. Ejemplo Para ilustrar lo que se entiende como funcin de densidad de probabilidad, veamos el siguiente ejemplo. Supongamos que se miden los tiempos, entre dos llegadas consecutivas, de 100 clientes a una tienda y se agrupan en diez intervalos de un minuto cada uno, como se muestra en la tabla de tiempos entre llegadas. En este punto se grafican las frecuencias relativas para cada intervalo por medio de rectngulos, como se muestra en el grfico de frecuencias, para indicar que la frecuencia se refiere al intervalo completo ms que a un punto en particular del mismo. Ntese

Unidad: Estadstica y Probabilidades

187

que, puesto que la base tiene una longitud igual a uno, el rea de cada rectngulo es la frecuencia relativa del correspondiente intervalo y, por lo tanto, la suma de las reas de todos los rectngulos es igual a 1. Tabla: Tiempos entre dos llegadas consecutivas (100 clientes a un servicio) Intervalo
0 < x 1 1 < x 2 2 < x 3 3 < x 4 4 < x 5 5 < x 6 6 < x 7 7 < x 8 8 < x 9 9 < x 10

Nmero de llegadas 20 16 15 11 12 8 6 7 3 2

Frecuencia relativa 0,20 0,16 0,15 0,11 0,12 0,08 0,06 0,07 0,03 0,02

Grfico: Frecuencias relativas de los tiempos de llegada

Supongamos que en lugar de observar los tiempos entre dos llegadas consecutivas de 100 clientes, se observan los tiempos para 1000 clientes y se agrupan en 20 intervalos de medio minuto cada uno; o bien pueden observarse los tiempos para 10.000 clientes agrupndolos en 40 intervalos de 15 segundos cada uno. Cada vez que esto se hace, se produce un histograma que es cada vez menos

188

Unidad: Estadstica y Probabilidades

irregular, pero en el que la frecuencia sigue siendo prcticamente la misma. Al continuar este proceso de aumento del nmero de observaciones mientras se disminuye la amplitud de los intervalos de clase, se llegar a una curva lmite. Esto es, cuando el nmero observado de clientes, entre dos llegadas consecutivas, es muy grande y la amplitud de los intervalos de clase sean muy pequea, la frecuencia relativa aparecer, en esencia, como una curva lisa. Con base en el grfico de frecuencias, puede especularse que la curva lmite para este ejemplo es la que se muestra en el grfico de curva lmite. Grfico: Curva lmite para la frecuencia relativa de los tiempos de llegada:

La funcin f(x), cuya grfica es la curva lmite que se obtiene para un nmero muy grande de observaciones y para una amplitud de intervalo muy pequea, es la funcin de densidad de probabilidad para una variable aleatoria continua X, ya que la escala vertical se elige de manera que el rea total bajo la curva es igual a 1. Formalmente, la funcin de densidad de probabilidad f(x) cumple con lo siguiente: 1. f ( x ) 0, < x < 2. El rea total bajo la curva es igual a 1. 3. P (X [a , b ]) corresponde al rea bajo la curva entre a y b. Nota: La probabilidad de sucesos puntuales es 0, P ( X = a ) = 0 Funcin de densidad y funcin de distribucin Funcin densidad Llamaremos funcin de densidad de una variable aleatoria continua X a una funcin f que cumple:
Unidad: Estadstica y Probabilidades

189

es no negativa. el rea total bajo la curva f ( x) es 1. el rea determinada por f ( x) , el eje de abscisas y las rectas x = a, x = b, es la probabilidad de que la variable continua X est en el intervalo [a, b ], P (a X b ) . La probabilidad P(a X b) est dada por el rea entre la curva y = f ( x) y el eje de abscisas desde a hasta b, utilizando el clculo integral, el rea est dada por:
P(a X b) = rea bajo la curva desde a hasta b =

f ( x ) dx
a

Funcin de distribucin Con respecto a esta funcin podemos decir que: Puede tomar cualquier valor en (, + ) . Son ms probables los valores cercanos a uno central que llamamos media . Conforme nos separamos de ese valor , la probabilidad va decreciendo de igual forma a derecha e izquierda (es simtrica). Conforme nos separamos de ese valor , la probabilidad va decreciendo de forma ms o menos rpida dependiendo de un parmetro , que es la desviacin tpica. Entonces, se tiene que dada una variable aleatoria X la funcin que asigna a cada nmero real la probabilidad P (x X ) se llama funcin de distribucin y viene dada por:
F (x ) = p ( X x ) =

f (t ) dt

La Distribucin Normal Una de las distribuciones continuas ms importantes es la Distribucin Normal. Esta fue introducida por Carl Friedrich Gauss a principios del siglo XIX en su estudio de los errores de medida. Su importancia radica en que gran cantidad de variables, se distribuyen conforme a este modelo (la mayora de los valores se agrupan en torno al valor central y en los extremos se agrupan muy pocos). Si pensamos en ejemplos tan sencillos como: Caracteres morfolgicos de individuos (personas, animales, plantas) de una misma raza. Como tallas, pesos, envergaduras, etc. Caracteres fisiolgicos, como el efecto de una misma dosis de un frmaco, o de una misma cantidad de abono. Caracteres sociolgicos, como el consumo de ciertos productos por individuos de un mismo grupo humano.

190

Unidad: Estadstica y Probabilidades

Caracteres psicolgicos, como el cociente intelectual, grado de adaptacin a un medio. Caracteres fsicos, como la resistencia a la rotura de ciertas piezas, etc. Es sorprende que todos ellos se distribuyen normalmente. Pero que quiere decir esta frase exactamente? Pensemos, si hacemos un estudio para conocer la altura de 1350 varones y representamos los resultados en un diagrama de barras, obtenemos: Las grficas de este tipo son muy corrientes: Hay pocas personas en los extremos y un aumento paulatino hasta llegar a la parte central del recorrido, donde est la mayora.

Una distribucin de probabilidad sigue una Distribucin Normal de media y desviacin tpica , lo que se anota como N ( , 2) , cuya grfica es simtrica respecto a la media y alcanza el mximo justamente en este valor. La curva que se genera, por lo general se denomina campana de Gauss, en honor a Carl Friederich Gauss quien la introdujo a principios del siglo XIX. Adems, posee dos puntos de inflexin, situados a ambos lados de la media ( y + respectivamente) y la distancia de ella, es decir de la forma:

Unidad: Estadstica y Probabilidades

191

Dependiendo de los valores que tomen y , la grfica de esta funcin puede ser ms o menos alargada, achatada, etc., pero en cualquier caso siempre tiene las mismas condiciones de simetra, continuidad, etc. mencionadas anteriormente. Una caracterstica de la curva normal es la siguiente:

P(x [ , + ]) = P( X + ) P( X ) = 0.682

Representa un 68,2 % Independiente de los valores de y


Figura 5a.

P (x [ 2 , + 2 ]) = P ( X + 2 ) P( X 2 ) = 0.953

Representa un 95,3 % Independiente de los valores de y


Figura 5b.

P(x [ 3 , + 3 ]) = P ( X + 3 ) P( X 3 ) = 0.996

Figura 5c.

Representa un 99,6 % Independiente de los valores de y

Puede demostrarse que la funcin de densidad viene dado por la frmula:


1 f ( x) = e 2

(x )2
2 2

Importante El rea encerrada bajo la curva normal N (, ) siempre es 1. De entre todas las curvas normales N (, ), la ms sencilla, usada y conocida es aquella que tiene por media 0 y por desviacin tpica 1, N (0,1).

192

Unidad: Estadstica y Probabilidades

Esta distribucin normal estndar se suele representar por Z. El inters de estudiar este caso particular de la distribucin normal proviene de que toda variable aleatoria X que distribuya normalmente de media y desviacin estndar , o sea X ~ N ( , ) , es posible transformarla en una distribucin Z ~ N (0 ,1 ) por medio del X cambio de escala Z = . Entonces, es posible independizarse de los valores particulares que tengan y , pudiendo as abordar problemas con nmeros grandes de forma ms simple y gil. En la prctica, esta simplicidad y agilidad de este cambio de escala se aprecia en que slo basta tener una tabla con los valores de las probabilidades de la distribucin normal N (0,1) para obtener TODAS las probabilidades de cualquier distribucin normal, no importando el valor de ni de . Por lo tanto este cambio de escala de X ~ N ( , ) a Z ~ N (0 ,1 ) representa un ahorro de tiempo y recursos. La grfica de la distribucin normal N (0,1) se puede observar en la figura:

Grfica de Distribucin normal N(0,1) Su funcin de densidad est dada por:


x 1 2 f ( x) = e 2
2

Puesto que el rea bajo esta curva normal es 1, podemos definir una probabilidad de la siguiente manera:

Unidad: Estadstica y Probabilidades

193

Para un valor cualquiera k, la probabilidad de que la distribucin Z, N (0,1) , sea menor o igual que k es: P (Z k) Esta nomenclatura nos indica ver el rea encerrada bajo la curva normal N (0,1) desde hasta k, tal como se indica en la figura:

Uso de las tablas de la distribucin normal N (0,1) La normal N(0,1) se encuentra tabulada, para valores a partir de 0 y hasta 3,99. Si por ejemplo queremos calcular P (Z 1,33), hemos de realizar los siguientes pasos: 1. Buscar la parte entera y las dcimas en la primera columna (en este caso 1,3). 2. Buscar las centsimas en la primera fila (en este caso ,03).

194

Unidad: Estadstica y Probabilidades

3. En el punto comn a la fila y la columna que hemos encontrado, tenemos la probabilidad buscada, en este caso 0,9082 Por tanto P (Z 0,75) = 0,9082. Para aquellas probabilidades con un valor mayor que 3,99 nos podemos fijar en la Tabla de distribucin normal que a partir de valores superiores a 3,62 tienen un valor de 0,9999. Concluimos entonces que para valores mayores que 3,99 la probabilidad es aproximadamente 1. Este tipo de distribuciones en las cuales la probabilidad de tomar un valor concreto es 0 se denominan distribuciones continuas, para diferenciarlas de otras en las que esto no ocurre, como por ejemplo la binomial, que es una distribucin discreta. As si tenemos Z k, su complementario ser Z < k, pero como incluir k no influye en la probabilidad, al calcular probabilidades podemos escribir:
P (Z k ) = 1 P (Z < k ) = 1 P (Z k )

Este paso solo es posible en distribuciones continuas, en el caso de la distribucin binomial esto no es posible realizar y es necesario ser cauteloso con el paso al complemento.

Unidad: Estadstica y Probabilidades

195

Estimacin de Parmetros A partir de una muestra nos proponemos dos objetivos: Obtener valores aproximados de parmetros poblacionales, que se denomina estimacin puntual. Proporcionar a partir de la informacin recogida en la muestra, un intervalo que contenga un alto grado de confianza (probabilidad) al parmetro objeto de nuestro inters, se denomina estimacin por intervalos de confianza. Analicemos ahora la estimacin puntual, esencialmente son tres los parmetros de inters: En el caso de que investiguemos una variable cuantitativa: Para la media de la poblacin tomaremos como aproximacin la media de la muestra.
r=

i1

xi

Para la varianza de la poblacin 2 tomaremos la cuasivarianza de la muestra.


s2 =

(
i1

xi x

n1

x
i1

n1

Si el estudio se centra en el estudio de un carcter cualitativo el parmetro de inters ser la proporcin de elementos de la poblacin que pertenecen a cierta categora C, p porque lo aproximaremos con la correspondiente proporcin en la muestra.

p=

nmero de elementos de la muestra que pertenecen a C tamao de la muestra

Analicemos ahora la estimacin por intervalos de confianza, es importante mencionar que a partir de dicho intervalo obtendremos una medida del error mximo cometido al aproximar puntualmente el parmetro.

196

Unidad: Estadstica y Probabilidades

Estimacin por intervalos de confianza para la media Supongamos que tenemos una cierta variable que deseamos estudiar, donde la media (poblacional) es desconocida. Sacamos una muestra y se trata de obtener un intervalo ( L1, L2 ) de forma que tengamos una probabilidad de (1 )% de que la media poblacional est en ese intervalo. El nivel de confianza del intervalo (1 )% lo fijamos nosotros, se suele trabajar con 95% y a veces con 99% o el 100% ; es decir, con probabilidad 0.05, 0.01 0.1. Si se cumple una de las siguientes hiptesis: El tamao de la muestra es mayor de 30 y la variable sigue un modelo normal. El tamao de la muestra es mayor de 100. El intervalo de confianza para la media poblacional es:
s s , x+ z xz n n

Donde z es el valor que en la distribucin N (0,1) deja a su derecha un rea de

, x es la 2 media en la muestra, s la desviacin tpica (raz cuadrada de la varianza) o la desviacin tpica y n el tamao de la muestra.

Intervalo de confianza para la media si se conoce la varianza Analizando de manera terica; ya que es muy difcilmente precisar con exactitud el valor 2 mientras que es desconocido. Sin embargo aproxima del modo ms simple a la estimacin confidencial de medias. Para estimar , el estadstico que mejor nos va a ayudar es X , del que conocemos su ley de distribucin:
X 2 N , n
un parmetro desconocido

Esa ley de distribucin depende de (desconocida). Lo ms conveniente es hacer que la ley de distribucin no dependa de ningn parmetro desconocido, para ello tipificamos:
Z= X (parmetro desconocido, estimador, cosas conocidas ) N (0,1) tabulada n
Unidad: Estadstica y Probabilidades

197

Este es el modo en que haremos siempre la estimacin puntual: Buscaremos una relacin en la que intervengan el parmetro desconocido junto con su estimador y de modo que estos se distribuyan segn una ley de probabilidad que es bien conocida y de ser posible tabulada. De este modo, fijado (0,1) , consideramos la v.a. Z N (0,1) y tomamos un intervalo que contenga una masa de probabilidad de 1 . Este intervalo lo queremos tan pequeo como sea posible. Por ello lo mejor es tomarlo simtrico con respecto a la media (0), ya que all es donde se acumula ms masa. As las dos colas de la distribucin (zonas ms alejadas de la media) se repartirn a partes iguales el resto de la masa de probabilidad, .
La Distribucin Normal N (0,1) y el intervalo ms pequeo posible cuya probabilidad es ( 1 ) . Por simetra los cuantiles Z y Z diferencian en el signo.
2 1 2

solo se

A continuacin se va ha determinar cmo calcular el intervalo de confianza: Sea z el percentil 100 de Z, es decir, aquel valor de los Reales que deja por debajo de 2
2

si la cantidad

de la masa de probabilidad de Z, es decir: 2

P Z z = 2 2

Sea z

el percentil 100 12 , es decir,


P Z z = 1 1 2 2

198

Unidad: Estadstica y Probabilidades

Es til considerar en este punto la simetra de la distribucin normal, y observar que los percentiles anteriores son los mismos aunque con el signo cambiado: z = z
2 1 2

El intervalo alrededor del origen que contiene la mayor parte de la masa es el intervalo siguiente: z , z1 = z1 , z1 2 2 2 2 lo que habitualmente se escribe como:
Z z
1 2

De este modo podemos afirmar que existe una probabilidad de (1 ) de que al extraer una muestra aleatoria de la variable en estudio, ocurra:
Z z
1 2

X n z

X z

De este modo un intervalo de confianza al nivel (1 ) para la esperanza de una normal de varianza conocida es el comprendido entre los valores x = X z y 1 n 2 2
x
1 2

=X +z

n n

La forma habitual de escribir este intervalo es = X z1


2

Intervalo de confianza para la media.

Unidad: Estadstica y Probabilidades

199

Estimacin por intervalos de confianza para la proporcin Sea p desconocida la proporcin de elementos en la poblacin pertenecientes a una categora C, sacamos una muestra y se trata de obtener un intervalo ( L1, L2 ) de forma que tengamos una probabilidad alta (1 )% de que la proporcin est en ese intervalo. Si se cumple una de las siguientes hiptesis, y que habr de comprobarlas en todos los problemas son:

n p > 5
n 1 p

>5

En estas condiciones se obtienen los siguientes intervalos segn el tamao de la muestra: El tamao de la muestra es mayor de 30 y menor o igual de 100.
1 1 p z , p+ z 4n 4n

El tamao de la muestra es mayor de 100.


p 1 p p 1 p , p+ z p z n n

nmero de elementos de la muestra que pertenecen a C , z es el valor que en tamao de la muestra la distribucin N (0,1) deja a su derecha un rea de , n el tamao de la muestra. 2

Donde

p=

De la distribucin binomial a la distribucin normal N(0,1)16 A veces, se estudian fenmenos que al tabular los datos obtenidos de su observacin, aparece una tabla con muchos valores haciendo difcil su manejo. Si bien puede ser posible trabajar con ella, existe una manera de aliviar el estudio de dicho fenmeno.

16 Tomado del Material del Profesor de la Unidad de Estadstica de IV Medio. Proyecto Enlaces Matemtica,

Comenius USACH 2007.

200

Unidad: Estadstica y Probabilidades

Si se tiene un fenmeno cuyos datos se distribuyen binomialmente (es decir segn una distribucin binomial). Ocurre que, bajo ciertas condiciones, los mismos datos se comportan muy parecido a una distribucin normal con cierta media y cierta desviacin estndar. La figura siguiente muestra esta situacin.

Para averiguar si un conjunto de datos se ajusta a una distribucin normal, se calculan la media y desviacin estndar de dichos datos. Si existe una distribucin normal con algn par de valores de la media y de la desviacin tpica tales que las frecuencias tericas de los valores se ajustan (acercan) a las de la binomial, se podra concluir que los datos de la distribucin binomial siguen una distribucin normal de forma aproximada. Pero este ejercicio de comparacin es lento. Un criterio ms adecuado dice que si se tiene una variable aleatoria que distribuye binomialmente, y se tiene un nmero grande de datos de ella, entonces es posible utilizar la distribucin normal para aproximar los clculos de probabilidad de la distribucin binomial bajo ciertas condiciones. Ejemplo de ajuste de una normal a una binomial Supongamos que tras analizar el peso de una muestra de 200 paquetes de azcar, los resultados se han separado en intervalos de pesos, obteniendo la siguiente tabla:
Peso (en kg) Frecuencia

[2,30 2,35 [ [2,35 2,40 [ [2,40 2,45 [ [2,45 2,50 [ [2,50 2,55 [ [2,55 2,60 [ [2,60 2,65 [

4 16 34 45 49 38 14

Unidad: Estadstica y Probabilidades

201

A partir de estos datos, se considera la variable aleatoria X como el peso de los paquetes de azcar. Se calculan la media y la desviacin estndar de esta muestra obteniendo una media de 2,497 y una desviacin estndar de 0,0725. Luego, se comparan las frecuencias reales con las frecuencias tericas, que se obtienen de la distribucin normal con la misma media y la misma desviacin tpica (o estndar), o sea N (2,497 ; 0,0725). La siguiente tabla (similar a la de la pgina 154) muestra esta comparacin:

2
Pesos (en kg)

2
Frecuencias reales

3
Probabilidades

4
Frecuencias tericas17

5
Diferencia entre las columnas 2 y 4

[2,30 2,35 [ [2,35 2,40 [ [2,40 2,45 [ [2,45 2,50 [ [2,50 2,55 [ [2,55 2,60 [ [2,60 2,65 [

4 16 34 45 49 38 14

P ( 2,3 X < 2,35) = 0,0183 P ( 2,35 X < 2,4) = 0,0701 P ( 2,4 X < 2,45 ) = 0,1693 P ( 2,45 X < 2,5 ) = 0,2549 P ( 2,5 X < 2,55 ) = 0,2513 P( 2,55 X < 2,6 ) = 0,1549 P ( 2,6 X < 2,65 ) = 0,0604

3,66 14,02 33,86 50,98 50,26 30,98 12,08

0,34 1,98 0,14 5,98 1,26 7,02 1,92

Una forma de considerar aceptable las diferencias entre las frecuencias reales de la columna 2 respecto de las frecuencias tericas de la columna 4 es si esta diferencia es menor a 0,01. Este no es un mtodo muy confiable (ver columna 5 en la tabla anterior) por lo que se necesita de una forma ms segura. A continuacin presentamos la explicacin del criterio que permitir efectuar el ajuste de una distribucin normal a una distribucin binomial. La siguiente figura muestra el ajuste de la distribucin normal a la distribucin binomial del ejemplo del azcar:

17 Las frecuencias de esta columna 4 se obtienen buscando el valor asociado a la probabilidad de la columna 3 en una distribucin normal de media

2,497 y desviacin estndar 0,0725 en una tabla como la de la pgina 152 si se estandariza. Este clculo no se explicar en esta gua por lo que esta ser la nica justificacin que daremos de ellos.

202

Unidad: Estadstica y Probabilidades

Condiciones para ajustar una distribucin normal a una binomial


1 p ) , entonces cuando el valor de media = n p y desviacin estndar = n p (

Si se tiene una distribucin binomial de n experimentos con probabilidad de xito p con

n p (1 p ) 10 sea mayor o igual a 10, la aproximacin de la distribucin normal a la distribucin binomial ser bastante buena. En este caso, se dice que una binomial B (n, p) es equivalente a una distribucin normal con media = n p y desviacin estndar
1 p ) .18 = n p (1 p ) , o sea, B (n, p ) ~ N np , n p (

Es decir, si se cumple que:


n p ( 1 p ) 10

Entonces, la distribucin binomial es equivalente a una distribucin normal que tenga igual media ( = n p) y misma desviacin tpica ( = n p ( 1 p ) ) que ella. Ejemplo Supongamos que el porcentaje de fracaso escolar en la PSU es del 40%. Calcular la probabilidad de que no se superen los 380 fracasos, para una poblacin de 1000 estudiantes o sea P ( X 380), donde X = Nmero de fracasos escolares en la PSU distribuye binomialmente. La solucin dice que del enunciado, la variable aleatoria X = "nmero de fracasos escolares en la PSU" sigue una distribucin binomial B(1000;0,4). Entonces, para calcular P (X 380) se tendra que disponer de una tabla que tuviese las probabilidades de fracaso de n = 1000 estudiantes. Es una tabla muy, pero muy grande y por lo mismo casi inmanejable.
18 En esta unidad, entenderemos por distribuciones equivalentes a aquellas cuyos valores difieren poco entre ellas.

Unidad: Estadstica y Probabilidades

203

Adems, en estas condiciones, habra que calcular P ( X 380) como la suma de 381 probabilidades: P (0), P (1), , P (379), P (380), es decir: P (X 380) = P(0) + P(1) + + P (379) + P (380) a mano (o con calculadora), o sea un trabajo largo, tedioso y muy susceptible de incorporar errores. Pensando en la economa de esfuerzo y tiempo, es preferible utilizar una distribucin normal que se asemeje mucho a la binomial del problema del enunciado. Para obtener dicha distribucin normal, los pasos a seguir entonces son: a. Identificar los valores que se necesitan: i. n = 1000. ii. p = 0,4 .

1 p ) 10 . b. Luego se debe comprobar que n p ( n p ( 1 p ) = 1000 0,4 ( 1 0,4 ) = 1000 0,4 (0,6 ) = 1000 0,24 = 240 10

Como el resultado es mayor a 10, entonces se puede utilizar una distribucin normal equivalente a B (1000; 0,4) cuya media ser = n p = 1000 0,4 = 400 y su desviacin estndar:
= n p( 1 p ) = 1000 0,4 ( 1 0,4 ) = 1000 0,4 0,6 = 240 15,49

Por lo tanto, la distribucin normal equivalente a B (1000; 0,4) ser N ( ; ) = N (400 ; 15,49) i. Para transformar la distribucin N (400 ; 15,49) en una distribucin normal estndar se utiliza la variable aleatoria Z = X . Para calcular P (X 380) se utiliza esta transformacin y el applet Distribucin normal 03 o la tabla en el Anexo 1 de la gua 16:
ii. P ( X 380 ) = P ( X 380

) = P (Z

380400 15, 49

)= P ( Z 1,29 ) = 0,1056

Por lo tanto, slo el 10,56% de los 1000 estudiantes tendrn, tericamente, menos de 380 fracasos.

204

Unidad: Estadstica y Probabilidades

REFERENCIAS BIBLIOGRFICAS
CAVADA CHACN, GABRIEL (2003). Estadstica. Santiago de Chile. CAO, R. Y OTROS (2002) Introduccin a la Estadstica y sus aplicaciones. Ed. Pirmide. CANAVOS, G.C. (1988) Probabilidad y estadstica: aplicaciones y mtodos. Ed. McGraw Hill. DEGROOT, MORRIS H (1998). Probabilidad y estadstica. Editorial Addison-Wesley iberoamericana, E.U.A. Segunda edicin. GIBBONS, J.D. & CHAKRABORTI, S. Nonparametric Statistical Inference. 3rd ed. Marcel Dekker, New York (1992). HAMILTON, L.C. (1992) Regression with graphics: a second course in in applied statistics. Pacific Grove, CA: Brooks/Cole. HAND, D.J., DALY, F., LUNN, A.D., MCCONWAY, K.J. Y OSTROWSKI, E. (edited by) (1994) A handbook os small data sets. Ed. Chapman & Hall. MENDENHALL, W. Y SINCICH, T. (1997) Probabilidad y Estadstica para Ingeniera y Ciencias, Ed. Prentice-Hall. MONTGOMERY, DOUGLAS C; RUNGER, GEORGE C. (1996). Probabilidad y estadstica aplicada a la Ingeniera. Editorial Mc Graw Hill. MONTGOMERY, C. DISEO Y ANLISIS DE EXPERIMENTOS. Grupo Editorial Iberoamerica (1991). PREZ, CSAR (2002). Estadstica aplicada. Pearson Educacin S.A, Madrid PEA SNCHEZ DE RIVERA, D. Estadstica, modelos y mtodos. 2: Modelos lineales y series temporales. 2nd. ed. Ed. Alianza Universidad Textos (1989). SAAVEDRA G., E. (2005). Contenidos Bsicos de Estadstica y Probabilidad. Editorial Universidad de Santiago de Chile. Primera edicin. WALPOLE, R.E., MYERS, R.H. Y MYERS, S. L. (1999) Probabilidad y estadstica para ingenieros. 6.ed. Prentice Hall.

Unidad: Estadstica y Probabilidades

205