Академический Документы
Профессиональный Документы
Культура Документы
Nivel: TERCERO
Carreras: Sistemas, Electrnica e Industrial
Docente: Ing. LUIS MORALES
ESTADISTICA
INTRODUCCIN
QU ES LA ESTADSTICA?
Es una rama de las matemticas que tiene por objetivo la recopilacin, clasificacin,
interpretacin o anlisis y presentacin de datos del fenmeno o hecho que se est
estudiando.
DEFINICIN.- Es una ciencia cuantitativa que describe los fenmenos colectivos, los
analiza cientficamente y predice conclusiones o resultados lo ms objetivo posible.
OTRAS DEFINICIONES
OBJETIVOS DE LA ESTADSTICA
1. Clasificar o reordenar, analizar y presentar grficamente el conjunto de datos
obtenidos de manera que sea fcil reconocer los hechos ms importantes o
significativos del fenmeno o problema a analizar.
2. Mediante el clculo de probabilidades y correlacin estadstica pretende predecir
las condiciones futuras mediante el conocimiento de las condiciones pasadas y
presentes. Ejemplo: crecimiento poblacional
3. Lograr informacin sobre una gran masa de hechos, tomando para ello una
muestra representativa. Ejemplo: eleccin de autoridades de un pas.
TIPOS DE ESTADSTICA.
ESTADSTICA DESCRIPTIVA.- Se ocupa de la presentacin y anlisis de hecho o fenmeno,
explicando sus diferentes partes, pero sin extraer conclusiones que puedan generalizarse
a un todo.
Mtodo de la estadstica descriptiva.
1. Recoleccin de datos.- Obtener los datos relacionados con el problema motivo de
estudio para lo cual utiliza tcnicas de la investigacin cientfica.
Los fenmenos pueden ser de carcter econmico, social, poltico, deportivo u otros.
ETAPAS DE LA INVESTIGACIN ESTADISTICA
Permite sealar con claridad las fases o actividades necesarias en cuanto a una
investigacin.
En un proceso de investigacin estadstica se debe seguir cuatro fases fundamentales:
1. RECOPILACIN DE DATOS
Esta fase tiene como objetivo recopilar u obtener informacin que se requiere en la
investigacin estadstica. Los datos pueden recopilarse de fuentes interna y externa.
TAMAO DE LA MUESTRA
Para calcular el tamao de la muestra se puede recurrir a diferentes frmulas en las cuales
se toma en cuenta el tamao de la poblacin, el error que se considera aceptable en el
clculo de la muestra, la expresin que se utilizara en ste mdulo para dicho clculo es la
siguiente:
Donde:
n: Tamao de la muestra
m: Tamao de la poblacin.
e: error admisible
) (
REDONDEO DE DATOS
En la actualidad, con el uso de las computadoras, se pueden obtener miles de cifras
decimales o enteras, pero en la estadstica no se requiere de la precisin absoluta, sino
ms bien de la aproximacin o redondeo de ciertos valores. Para realizar la aproximacin
o redondeo se puede utilizar sistemas de redondeo.
Sistemas de redondeo:
Sistema convencional
ste sistema menciona que si el ltimo dgito es menor que 5 se lo suprime y la cantidad
resultante es la misma:
Ejemplos:
7,23
7,2
10, 284
10,28
redondeando a la centsima es
8,28
14,375
redondeando a la centsima es
14,38
Sistema internacional
Cuando la cantidad entera de un nmero es impar se aumenta una unidad ms.
Ejemplo:
39,5
40
74
MEDIDAS COMPUTACIONALES
MEDIA ARITMETICA ( )
Es la razn de la sumatoria de los valores de la variable para el nmero total de ellas.
Ejemplo:
Aproximado
Materia
Importancia Nota
Fsica
Estadstica
4.7
Redes
8.5
Programacin 8
9.1
Clculo
10
7.4
Circuitos
10
8.3
Aproximado
es mnimo cuando X=
Desventaja:
La media aritmtica se ve muy afectada por valores extremos que tengan las variables.
MEDIA GEOMETRICA ( )
Se define como la raz ensima del producto de los n valores que puede tomar la
variable X.
Ventaja:
Es menos influenciada por valores externos a diferencia de la media aritmtica.
Desventaja:
No es aplicable cuando existe valor 0 o cuando en ciertos casos hay nmeros negativos.
MEDIA ARMNICA ()
Es el recproco de la media aritmtica de los recprocos de los valores de la variable X.
Ejemplo: Una persona viaja de A hasta B con una velocidad media de 30 millas por hora
(mi/h) y regresa de B hasta A, a una velocidad media de 60 mi/h. Cul es la velocidad
media en el viaje completo.
mi/h
La media armnica est asociada directamente con series mecnicas donde intervenga el
tiempo.
MEDIDAS POSICIONALES
MEDIANA (MED)
Es el valor ms central de la serie, divide al conjunto de valores en 2 partes iguales. Se la
puede calcular mediante un promedio o por simple observacin. La mediana es un
parmetro de tendencia central muy aplicado y que es muy cercano a la media aritmtica
pero que no se ve influenciado en absoluto por los valores extremos. No se utiliza en
clculos matemticos muy profundos.
Ejemplo: encuentre la mediana de los siguientes nmeros: 9.6, 8.0, 7.7, 6.5, 10.0, 9.9
Para encontrar la mediana se sigue los siguientes pasos.
1. Ordenar los datos. Puede ser en forma ascendente o descendente.
10.0 9.9 9.6 8.0 7.7 6.5
2. Si el nmero de datos es par, se escoge los dos valores ms centrales y se les saca
un promedio.
3. En el caso de que el nmero de datos sea impar, se escoge el valor central de los
datos ordenados. Ejemplo: en los datos 14, 9, 8, 6, 5, 4, 3 la mediana sera 6.
MODA (MOD)
Es el valor que ms se repite en una serie estadstica
Ejemplo: encuentre la moda de los siguientes valores 3, 5, 6, 6, 7, 10, 12.
La moda es 6.
Nota: Cuando existe ms de un nmero que se repite el mismo nmero de veces se dice
que no existe moda, a su vez se denomina segn el nmero de veces que se repite el valor
seria bimodal, trimodal, etc. Segn sea el caso.
Ejemplo: 3, 5, 6, 6, 7, 10,10, 12.
Se puede decir que la moda es bimodal por el nmero 6 y 10; o a su vez que no existe moda.
CUANTILES
Es el nmero de partes que se divide una serie estadstica o un conjunto de valores. Se
tiene cuatro tipos de cuantiles a saber:
CUANTILES
# DE CUANTILES A
ENCONTRAR
Cuartiles (Ki)
Quintiles (Qi)
Deciles (Di)
10
Percentiles (Pri)
100
99
2.- Quintiles:
3.-Decil:
4.-Percentil:
Donde:
N: Nmero de valores de la variable
i: Nmero de posicin del cuantil.
Ejemplo: La estatura en metros de siete estudiantes de ingeniera fueron: 1.83, 1.72, 1.77,
1.80, 1.71, 1.85, 1.80; determinar el quintil nmero uno, decil nmero 6, cuartil nmero 3,
percentil nmero 61.
Para poder calcular los cuantiles es necesario en primer lugar ordenar los valores ya sea
en forma descendente o ascendente.
En forma descendente: 1.85 1.83 1.80 1.80 1.77 1.72 1.71
Cuartil 3
(
Para encontrar el valor se procede a contar las posiciones en forma descendente por lo
tanto el valor de cuartil 3 es V(Q3) = 1.72
Quintil 1
(
(
)
)
[
(
)]
Decil 6
(
(
(
[
(
)]
Percentil 61
(
(
(
)
(
)
[
)]
R
L.min
L.max
Ejemplo: Para los siguientes datos calcule el rango semiintercuartil y rango percentil. 12,
6, 7, 3, 15, 10, 18, 5.
15 12 10
)
(
(
)]
)
)
(
)
(
)]
Recordar que el rango es una distancia por lo tanto no se toma en cuenta el signo.
DESVIACION MEDIA ABSOLUTA (MAD)
Media
Diferencia
Sin el signo
Promedio
Desviacin
Absoluta
Posicional
Posicional
VARIANZA (2)
La varianza no es ms que la desviacin tpica elevada al cuadrado y es utilizada para el
clculo inicial de la dispersin pero tiene el inconveniente de que las unidades quedan
elevadas al cuadrado.
(
(
)
)
Ejemplo 1: Para el conjunto de datos mostrados calcule todas las medidas de dispersin
analizadas. 18, 15, 12, 10, 7, 6, 5, 3
Xi
|Xi-X|
(Xi-X)2
18
8.5
72.25
15
5.5
30.25
12
2.5
6.25
10
0.5
0.25
2.5
6.25
3.5
12.25
4.5
20.25
6.5
42.25
sumatoria 34
190
Media aritmtica
Desviacin Tpica
Varianza
Coeficiente de variacin
DATOS AGRUPADOS
La agrupacin de datos generalmente responde a necesidades de carcter metodolgico
debido a que cuando se tienen demasiados valores de las variables investigadas es
imposible analizarlos sin previamente ordenarlos o agruparlos de alguna manera. Razn
ms que fundamental para utilizar conceptos como frecuencias, distribucin de
frecuencias, intervalos, clases que a continuacin se definirn.
DISTRIBUCION DE FRECUENCIAS
Organizar los datos en series estadsticas de tipo cuantitativas a travs de clases y
frecuencias para posteriormente determinar por separado mediante tcnicas de conteo el
nmero de observaciones pertenecientes a cada una de ellas.
Tabla de distribucin de frecuencias.- Colocar las clases y frecuencias en tablas
tabulacin para su posterior anlisis mediante tcnicas estadsticas.
Clase.- Categoras o niveles que se establece al clasificar o dividir los datos obtenidos en
una investigacin.
Frecuencias (f) .- Es el nmero de veces que se repite un mismo valor de la variable. En la
distribucin de frecuencias se considera la frecuencia de la clase que es el nmero de
valores que estn contenidos en una clase.
Clases
CLASES
0.1355
0.1287
0.1287
0.1219
0.1219
0.1151
0.1151
0.1083
0.1083
0.1015
0.1015
0.0947
0.0947
0.0879
f
5
6
10
14
9
5
1
Frecuencias de
clase
Intervalo de clase.- Son todos los valores que estn comprendidos entre dos lmites
incluidos ellos. Ejemplo: en el intervalo de 70 a 75 estn incluidos los valores de 70, 71, 72,
73, 74, 75.
Lmites de clase.- Son los valores extremos que forman el intervalo, siendo los valores
ms grande y ms pequeo de la clase respectivamente. Del ejemplo anterior el lmite
inferior es 70 y el lmite superior es 75.
Lmites reales de clase.- Son los valores verdaderos que se consideran como lmites
tomando en cuenta que los valores pueden aproximarse a un nmero determinado de
cifras significativas. Ejemplo: en los datos anteriores los lmites reales son: 69.5 y 75.5.
Se considera el limite real inferior (LRi) y lmite real superior (LRs). Para encontrarlos se
debe considerar el nmero de cifras decimales que tiene los datos y aumentarle y quitarle
5 a las ltimas cifras segn sea el caso.
Ejemplo: los lmites de un intervalo son 56.786 y
reales?
LRi = 56.7855
LRs = 60.7875
Ancho del intervalo o longitud de clase (i).- Es la diferencia entre los lmites reales
superior e inferior.
Nmero de intervalos (ni).- Constituye un nmero entero que refleja la totalidad de las
clases. Se puede calcular a travs de las siguientes frmulas.
Frmula de Sturges
( )
Donde: n = nmero de datos.
En el caso de que se plantee el ancho del intervalo el nmero de intervalos ser:
Frecuencia porcentual (%f).- Es el producto de la frecuencia relativa por el cien por ciento.
Ejemplo: Elabore una tabla de distribucin de frecuencias para los siguiente datos
presentados.
0.110
0.113
0.124
0.117
0.108
0.118
0.110
0.098
0.118
0.111
0.120
0.106
0.126
0.122
0.132
0.112
0.099
0.128
0.112
0.105
0.108
0.101
0.102
0.094
0.117
0.103
0.115
0.112
0.129
0.111
Rango:
0.113
0.119
0.120
0.111
0.115
0.135
0.100
0.107
0.119
0.121
0.107
0.117
0.123
0.103
0.130
0.122
0.113
0.109
0.100
0.134
Xm
0.1321
0.1253
0.1185
0.1117
0.1049
0.0981
0.0913
f
5
6
10
14
9
5
1
50
fa
50
45
39
29
15
6
1
fr
0.1000
0.1200
0.2000
0.2800
0.1800
0.1000
0.0200
%f
10.0000
12.0000
20.0000
28.0000
18.0000
10.0000
2.0000
1.0000
100.0000
Nota: La primera y la ltima siempre debe tener un valor de frecuencia y no puede ser
cero.
Frecuencias
Histograma
16
14
12
10
8
6
4
2
0
46.3
42.1
37.9
33.7
29.5
25.3
21.1
50.5
46.3
42.1
37.9
33.7
29.5
25.3
Serie Estadstica
Polgonos de frecuencia.- Es un grfico de trozos de la frecuencia de cada clase con
relacin a las marcas de clase; se lo puede representar en el mismo grfico del histograma
simplemente aadiendo un punto ms antes y despus de la ltima y la primera clase.
El polgono de frecuencias se grafica utilizando las marcas de clase en el eje X y las
frecuencias en el eje Y. Ejemplo
POLIGONO DE FRECUENCIAS
16
14
12
10
8
POLIGONO DE
FRECUENCIAS
6
4
2
0.0913
0.0981
0.1049
0.1117
0.1185
0.1253
0.1321
360 grados
%f
Ejemplo:
DIAGRAMA DE SECTORES
2.0
10.0
10.0
1
12.0
18.0
2
3
4
20.0
5
6
28.0
Frecuencia acumulada
60
50
40
30
20
10
0
0.1321
0.1253
0.1185
0.1117
0.1049
0.0981
0.0913
Frecuencia acumulada
MEDIDAS COMPUTACIONALES
MEDIA ARITMETICA ( )
Es la razn de la sumatoria de los valores de la marca de clase por la frecuencia de cada
clase para el nmero total de datos.
MEDIA GEOMETRICA ( )
MEDIA ARMNICA ()
Es el recproco de la media aritmtica de los recprocos de la marca de clase por la
frecuencia de cada una de las clases.
20.8
25.3
23.7
21.3
19.7
22.8
20.7
20.3
21.5
24.2
21.9
22.5
23.6
23.1
23.8
DATOS
20.7
20.9
23.8
23.3
25.1
25
24.2
24.1
23.8
24.3
22
21.2
19
19.9
20.7
25
20.9
19.5
19.8
21.1
22.2
22.9
24.1
23.9
20.9
22.8
23.5
24.2
22.8
21.6
20.1
19.5
21.8
23.9
22.7
CLASES
Xm
fa
25.35
24.30
24.30
23.25
23.25
22.20
22.20
21.15
21.15
20.10
20.10
19.05
19.05
18.00
SUMATORIA
5
14
8
7
10
5
1
50
24.83
23.78
22.73
21.68
20.63
19.58
18.53
50
45
31
23
16
6
1
Medidas computacionales
Media aritmtica
fr
%f
0.10 10.00
0.28 28.00
0.16 16.00
0.14 14.00
0.20 20.00
0.10 10.00
0.02 2.00
1.00 100.00
f*Xm
124.13
332.85
181.80
151.73
206.25
97.88
18.53
1113.15
f*log(Xm) f*(1/Xm)
6.97
19.27
10.85
9.35
13.14
6.46
1.27
67.31
0.20
0.59
0.35
0.32
0.48
0.26
0.05
2.26
Media geomtrica
)
(
)
)
Media Armnica
MEDIDAS POSICIONALES
MEDIANA (MED)
Es el valor ms central de la serie estadstica, divide al conjunto de las clases en 2 partes
iguales. La mediana es un parmetro de tendencia central muy aplicado y que para su
determinacin se utiliza la columna de las frecuencias acumuladas junto con el ancho del
intervalo.
Donde:
: Lmite real inferior de la clase de la mediana.
: Frecuencia acumulada anterior a la clase de la mediana.
: Frecuencia de la clase de la mediana.
: Ancho del intervalo.
MODA (MOD)
Es el valor que ms se repite en una serie estadstica, para su clculo se utiliza la columna
de las frecuencias junto con el ancho del intervalo.
Donde
CUANTILES
Es el nmero de partes iguales que se divide una serie estadstica, para su clculo se
determina con la columna de las frecuencias acumuladas y el ancho del intervalo.
CUARTIL (K)
Donde:
: Lmite real inferior de la clase del cuartil.
: Frecuencia acumulada anterior a la clase del cuartil.
: Frecuencia de la clase del cuartil.
: Ancho del intervalo.
j: Nmero del cuartil.
QUINTIL (Q)
La frmula utilizada para encontrar los quintiles segn su nmero es:
Donde:
: Lmite real inferior de la clase del quintil.
: Frecuencia acumulada anterior a la clase del quintil.
: Frecuencia de la clase del quintil.
: Ancho del intervalo.
j: Nmero del quintil.
DECIL (D)
La frmula utilizada para encontrar los deciles segn su nmero es:
Donde:
: Lmite real inferior de la clase del decil.
: Frecuencia acumulada anterior a la clase del decil.
: Frecuencia de la clase del decil.
: Ancho del intervalo.
j: Nmero del decil.
PERCENTIL (Pr)
La frmula utilizada para encontrar los percentiles segn su nmero es:
Donde:
: Lmite real inferior de la clase del percentil.
: Frecuencia acumulada anterior a la clase del percentil.
: Frecuencia de la clase del percentil.
: Ancho del intervalo.
j: Nmero del percentil.
Ejemplo: La tabla adjunta muestra los dimetros en centmetros de una muestra de 60
bolas de cojinete manufacturados por una fbrica.
1.738
1.736
1.728
1.738
1.736
1.729
1.735
1.738
1.739
1.744
1.743
1.724
1.725
1.727
1.732
1.740
1.733
1.733
1.735
1.737
1.736
1.742
1.734
1.735
1.731
1.741
1.736
1.732
1.732
1.746
1.735
1.739
1.733
1.735
1.735
1.731
1.735
1.730
1.727
1.735
1.726
1.745
1.732
1.734
1.729
1.737
1.736
1.730
1.732
1.734
1.728
1.742
1.739
1.736
1.730
1.737
1.740
1.734
1.741
1.740
Determine la mediana, la moda el cuartil 3, quintil 2, decil 5 y percentil 90. Utilice la raz
para el clculo del nmero de intervalos
Rango:
CLASES
1.7465
1.7434
1.7434
1.7403
1.7403
1.7372
1.7372
1.7341
1.7341
1.7310
1.7310
1.7279
1.7279
1.7248
1.7248
1.7217
f
3
5
9
17
14
7
4
1
SUMATORIAS
60
fa
60
57
52
43
26
12
5
1
Xm
1.7450
1.7419
1.7388
1.7357
1.7326
1.7295
1.7264
1.7233
Mediana
Procedimiento de clculo:
1. Determine el resultado de
4. Se calcula la mediana
Moda
Procedimiento de clculo
1. En la tabla de distribucin de frecuencia se observa la clase que tiene mayor
frecuencia; sta se convierte en la frecuencia modal y se obtiene tambin el
. En ste ejemplo la frecuencia modal es 17 y lmite real inferior de la clase
modal es 1.7341. En el caso de haber ms de una clase con la misma frecuencia
no existir moda.
2. Se localiza la frecuencia premodal que es aquella que est antes de la frecuencia
modal en ste ejemplo es 14, y de la misma forma la postmodal que es la que est
despus de la frecuencia modal en ste ejemplo 9. Se comienza a contar desde la
ltima clase.
3. Se calcula
y
4. Se calcula la moda.
Cuantiles
El procedimiento de clculo es similar al de la mediana ya que hay que recordar que la
mediana es un cuantil que divide en dos partes iguales a la serie estadstica.
Cuartil 3.
Quintil 2.
Decil 5
Percentil 90
Diferencia
Sin el signo
Promedio
Desviacin
Absoluta
Posicional
Computacional
(
Posicional
(
VARIANZA (2)
La varianza no es ms que la desviacin tpica elevada al cuadrado y es utilizada para el
clculo inicial de la dispersin pero tiene el inconveniente de que las unidades quedan
elevadas al cuadrado.
CLASES
1.7465
1.7428
1.7428
1.7391
1.7391
1.7354
1.7354
1.7317
1.7317
1.7280
1.7280
1.7243
1.7243
1.7206
f
4
7
15
20
9
4
1
SUMATORIAS
60
fa
60
56
49
34
14
5
1
Xm
1.7447
1.7410
1.7373
1.7336
1.7299
1.7262
1.7225
f*|Xm-X|
0.0392
0.0427
0.0361
0.0259
0.0450
0.0348
0.0124
f*(Xm-X)^2
0.0004
0.0003
0.0001
0.0000
0.0002
0.0003
0.0002
0.2361
0.0014
Rango
Rango semiintercuartil
Rango percentil
Varianza (2)
Coeficiente de variacin
En este tipo de distribucin se sabe que el 68 % de los datos caern entre +/- 1 desviacin
estndar (1 Sigma) a cada lado de la Media. A +/- 2 Sigmas el 95 % de los datos.
Este patrn es el que nos permitir saber rpidamente si los procesos estn controlados o
fuera de control.
CLCULO DE PERCENTILES
Los percentiles se pueden calcular en funcin de la media aritmtica y la desviacin tpica
o estndar ( ) de una forma rpida a travs de unas constantes que dependen del nmero
de percentil.
La expresin para determinar dichos percentiles es:
Donde:
Pr: Percentil
: Media aritmtica
Z: Constante segn el percentil elegido.
: Desviacin tpica o estndar.
Valores de la constante Z segn el percentil
Ejemplo de clculo:
Por lo tanto los valores de estatura que corresponden al 90% de la poblacin est entre
1639.3 mm y 1860.7 mm.
Utilidad de los percentiles
Los percentiles son muy tiles en el diseo y tienen mucha significancia en el
dimensionamiento. Ejemplo: analice el siguiente grfico.
Ejemplo 1:
Para los valores 5, 8, 7, 3, 2, 1, 9 calcule el momento de grado 1, momento de grado 4,
momento de grado 3 con respecto a la media aritmtica.
a) Momento de grado 1
b) Momento de grado 4.
Ejemplo 1:
Para la siguiente tabla de distribucin de frecuencias calcule el momento estadstico 6 y el
momento 5 con respecto a la media aritmtica.
Distribucin de frecuencias
CLASES
1.7465
1.7434
1.7434
1.7403
1.7403
1.7372
1.7372
1.7341
1.7341
1.7310
1.7310
1.7279
1.7279
1.7248
1.7248
1.7217
f
3
5
9
17
14
7
4
1
SUMATORIAS
60
fa
60
57
52
43
26
12
5
1
Xm
1.7450
1.7419
1.7388
1.7357
1.7326
1.7295
1.7264
1.7233
f*Xm
5.2349
8.7093
15.6488
29.5061
24.2557
12.1062
6.9054
1.7233
104.0894
f*Xm^6
84.6875
139.6479
248.6940
464.7526
378.6541
187.3036
105.8847
26.1872
1635.8117
f*(Xm-X)^5
0.0000000003
0.0000000001
0.0000000000
0.0000000000
0.0000000000
0.0000000000
-0.0000000002
-0.0000000002
-0.000000000001
a) Momento 6
( )
Para momento adicional 1 su valor ser cero, y para el momento adicional 2 su valor ser
1.
Ejemplo: Para los valores 5, 8, 7, 3, 2, 1, 9 calcule el momento adimensional 4.
La media aritmtica es 5.
a) Momento de grado 4 con respecto a la media aritmtica
Desviacin tpica:
Momento adimensional 4
SESGO
El sesgo es el grado de asimetra que tiene distribucin de frecuencia, es decir, cunto se
aparta de la simetra. Si la curva del polgono de frecuencias suavizado sin trazos rectos
de una distribucin tiende a la derecha una cola ms larga que a la izquierda, se dice
sesgada a la derecha, o de sesgo positivo. Por lo contrario si la distribucin tiene una cola
ms larga a la izquierda, se dice sesgada a la izquierda, o de sesgo negativo.
Sesgada a la derecha:
Sesgada a la izquierda:
Distribucin normal:
Si
es positivo, el sesgo es positivo.
Si es negativo, el sesgo es negativo.
Si = 0, la distribucin es simtrica.
Ejemplo: Para la distribucin de frecuencias presentada a continuacin determine qu
tipo de curva de distribucin se obtiene.
Distribucin de frecuencias
CLASES
1.7465
1.7428
1.7428
1.7391
1.7391
1.7354
1.7354
1.7317
1.7317
1.7280
1.7280
1.7243
1.7243
1.7206
f
4
7
15
20
9
4
1
SUMATORIAS
60
fa
60
56
49
34
14
5
1
Xm
1.7447
1.7410
1.7373
1.7336
1.7299
1.7262
1.7225
f*Xm
6.9786
12.1867
26.0588
34.6710
15.5687
6.9046
1.7225
f*(Xm-X)^2
0.0004
0.0003
0.0001
0.0000
0.0002
0.0003
0.0002
f*(Xm-X)^3
0.000004
0.000002
0.000000
0.000000
-0.000001
-0.000003
-0.000002
104.0907
0.0014
-0.00000013
Media aritmtica
Desviacin tpica
Momento adimensional 3.
MEDIA ARITMTICA
25
20
15
10
5
0
1.7200
1.7250
1.7300
1.7350
1.7400
1.7450
1.7500
CURTOSIS
La curtosis mide cuan puntiaguda es una distribucin con respecto a la distribucin
normal. Si tiene un pico alto se dice que es leptocrtica, mientras si es aplastada se dice
que es platicrtica. La distribucin normal segn ste criterio es mesocrtica.
Leptocrtica
Platicrtica
Mesocrtica
=3
>3
<3
Otra medida de la curtosis se la puede obtener a travs del clculo del rango
semiintercuartil y el rango percentil.
Curtosis =
Ejemplo: En la tabla de distribucin mostrada anteriormente calcule la curtosis.
f*(Xm-X)^4
0.00000004
0.00000001
0.00000000
0.00000000
0.00000001
0.00000002
0.00000002
0.00000010
Suma
Poblacin
(
Muestra
Caractersticas de la muestra
- Representativa. Todos los elementos de la poblacin tienen que tener la misma
oportunidad de ser considerado en la muestra.
- Tamao adecuado.- De tal modo que los resultados de la investigacin no sean
dudosos por haber tomado una muestra muy pequea.
- Que el margen de error admisible est dentro del lmite aceptado por la estadstica
< = 15%.
Muestras aleatorias
Para que las conclusiones del muestreo y de la inferencia estadstica sean vlidas, las
muestras deben escogerse representativamente de la poblacin. El anlisis de los
mtodos de muestreo y problemas relacionados se llama diseo del experimento.
Una forma para obtener una muestra representativa es mediante muestreo aleatorio de
acuerdo con el cual, cada miembro de la poblacin tiene la misma probabilidad de ser
incluido en la muestra.
Un mtodo para lograr esto es recurrir a nmeros aleatorios. Ver apndice IX pgina 545
Estadstica Spiegel Murray segunda edicin
Altura
(pulgadas)
Nmero de
estudiantes
60-62
63-65
66-68
69-71
72-74
5
18
42
27
8
Total = 100
Altura
(pulgadas
Xm
Nmero de
estudiantes
60-62
63-65
66-68
69-71
72-74
61
64
67
70
73
5
18
42
27
8
Nmero
de
muestreo
00-04
05 -22
23-64
65-91
92-99
Distribuciones de muestreo
Si se considera todas las posibles muestras de tamao (n) en una poblacin dada (con o
sin reposicin), y para cada una de las muestras se calcula un estadstico (media
aritmtica, desviacin tpica, etc.) que varan para cada una de ellas, de ste modo se
obtiene una distribucin del estadstico que se llama distribucin de la muestra.
Si el estadstico utilizado es la media, se obtiene una distribucin de muestreo de la
media.
Distribucin de muestreo de medias
Si se toman todas las posibles muestras de tamao de n, sin reposicin de una poblacin
finita de tamao m > n y de ellas se calcula la media y la desviacin tpica de la distribucin
de muestreo de medias se obtiene que:
Donde:
: Media aritmtica de la muestra.
: Desviacin tpica de la muestra
: Desviacin tpica de la poblacin.
: Media aritmtica de la poblacin.
Para una poblacin infinita o muestreo con reposicin las relaciones son:
Altura
correspondiente
67, 70, 67, 67
67, 67, 67,64
70, 67, 67, 67
64, 67, 73, 73
67, 64, 67, 70
64, 67, 64, 70
64, 67, 61, 67
67, 70, 70, 67
70, 70, 70, 64
73, 61, 64, 70
Media de muestras
67.8
66.3
67.8
69.3
67.0
66.3
64.8
68.5
68.5
67.0
67.3
Para ste ejemplo a partir de las medias aritmticas de cada una de las muestras se
determina la media de todas ellas y por lo tanto la media de la poblacin ser:
Se dice que los datos estn correlacionados si por su ubicacin grfica, pueden
definirse como parte de una familia, dependencia funcional o ley matemtica.
Cuando todos los valores de la variable satisfacen una ecuacin exactamente, se dice que
las variables estn perfectamente correlacionadas. Ejemplo la circunferencias C y los
radios r de todos los crculos estn perfectamente correlacionados con la expresin.
Existe correlacin entre el peso de una persona y su altura?
Correlacin simple
Cuando la relacin existe entre solo dos variable se habla de una correlacin simple y
regresin simple, y se dice que se tiene una variable independiente y otra dependiente,
Caso contrario se trata de correlaciones y regresiones mltiples.
REGRESIN
Es el proceso matemtico que permite encontrar la relacin que existe entre las variables
de un fenmeno estadstico, o permite determinar la funcin que ms o mejor se ajuste a
los datos correlacionados.
Correlacin lineal
Tipos de correlacin
a. Si la variable Y tiende a incrementarse cuando se incrementa X la correlacin se
dice que es positiva o correlacin directa.
b. Si la variable Y disminuye cuando se incrementa X la correlacin es negativa.
c. Si todos los puntos parecen estar sobre una cierta curva la correlacin es no lineal.
Sin correlacin
Diagrama de dispersin
El diagrama de dispersin es un grfico en un sistema coordenado donde se representa los
puntos coordenados de las variables que se estn analizando y que permiten observar la
correlacin que existe entre ellas.
Diagrama de dispersin
REGRESIN LINEAL
La regresin lineal consiste en encontrar la ecuacin de una lnea recta para lo cual se
puede seguir los siguientes pasos.
1. Definir: Que variable es dependiente y cual independiente.
2. Dibujar el diagrama de dispersin: Ubicar pares ordenados (solo puntos sin unir).
3. Observar: Si existe correlacin lineal ya sea positiva o negativa.
4. Determinar: La ecuacin de la lnea recta.
Para encontrar la ecuacin de la lnea recta se puede utilizar las herramientas de la
geometra analtica, en la cual una recta puede quedar defina por dos puntos y se puede
obtener la ecuacin de una recta:
Considerando los dos puntos P1 y P2 de coordenadas (X1, Y1) y (X2, Y2) se puede
determinar la ecuacin:
)(
Donde:
Pendiente de la recta.
(
O la ecuacin general de la recta:
El inconveniente al utilizar las ecuaciones anteriores es que solo se utiliza dos puntos de la
dispersin por lo cual el grado de correlacin no es tan bueno, para mejorar esto se puede
utilizar el mtodo de los mnimos cuadrados.
REGRESIN LINEAL POR EL METODO DE MINIMOS CUADRADOS
La recta por mnimos cuadrados es aquella lnea que tiene por propiedad que las
sumatoria de las distancias al cuadrado de cada uno de los puntos de dispersin con
respecto a la recta es mnimo.
Para poder encontrar la recta de mnimos cuadrados se debe determinar los coeficientes
de la ecuacin general de la recta
3.2
1.5
5.6
7.1
2.5
8.6
20
DEFORMACIN (mm)
DIAGRAMA DE DISPERSIN
25
20
15
10
5
0
0
0.5
1.5
FUERZA (N)
2.5
3.5
3. Del diagrama de dispersin se puede concluir que existe una correlacin lineal
positiva sobre todo en los primeros puntos coordenados por lo cual se procede a
determinar la ecuacin de la recta que ms se ajuste.
4. Determinar la ecuacin de la recta
En un clculo inicial se proceder a encontrar la ecuacin con la expresin:
)(
(
(
)
)
SUMATORIA
Fuerza (N)
Alargamiento(mm)
0.5
1
1.5
2
2.5
3
3.2
4
5.6
7.1
8.6
20
10.5
48.5
X^2
0.25
1
2.25
4
6.25
9
22.75
X*Y
1.6
4
8.4
14.2
21.5
60
109.7
10.5a + 6b = 48.5
Resolviendo para a y b se tiene que
a = 5.674 X 1.846
DIAGRAMA DE DISPERSIN
25
DEFORMACIN (mm)
20
y = 5.6743x - 1.8467
15
10
0
0
0.5
1.5
2.5
3.5
FUERZA (N)
DONDE
: Valores de la variable dependiente.
: Media aritmtica de los valores de la variable dependiente.
VARIACIN EXPLICADA (VE)
Representa la parte de la variacin total que depende de la variable independiente X
influenciando a la variable dependiente Y. Se calcula como la sumatoria de las
desviaciones cuadradas de los valores de la variable dependiente pronosticada (Yc)
respecto a la media aritmtica ( ).
)
144.6
129.5
107.5
93.5
80.5
Para poder trabajar con series cronolgicas estas deben ser transformadas a cuantitativas
se lo hace fcilmente numerando los aos desde el 0.
#
0
1
2
3
4
AO Kg(Dixido de uranio)
1989
1990
1991
1992
1993
144.6
129.5
107.5
93.5
80.5
2. Diagrama de dispersin.
160
140
120
100
80
60
40
20
0
0
0.5
1.5
2.5
3.5
4.5
# AO
DIAGRAMA DE SIPERSIN
3. Del diagrama de dispersin se puede concluir que existe una correlacin lineal
negativa, por lo cual se procede a determinar la ecuacin de la recta que ms se
ajuste.
4. Regresin lineal por el mtodo de los mnimos cuadrados
Tabulacin datos
SUMATORIA
X
0
1
2
3
4
10
144.6
129.5
107.5
93.5
80.5
555.6
X^2
0
1
4
9
16
30
X*Y
0
129.5
215
280.5
322
947
10a + 5b = 555.6
Resolviendo para a y b se tiene que
a = -16.42
b = 143.9
Por lo cual la ecuacin ser
160
140
y = -16.42x + 143.96
R = 0.9913
120
100
80
60
40
20
0
0
0.5
1.5
2.5
3.5
4.5
# AO
DIAGRAMA DE SIPERSIN
SUMATORIA
X
0
1
2
3
4
10
144.6
129.5
107.5
93.5
80.5
555.6
X^2
0
1
4
9
16
30
X*Y
0
129.5
215
280.5
322
947
Yc
143.9
127.48
111.06
94.64
78.22
Dependiente
El valor del coeficiente es mayor que 0.75 lo que se considera una buena correlacin.
Error de estimacin (m)
REGRESIONES NO LINEALES
Muchas ocasiones el clculo del coeficiente de correlacin determina que la regresin
lineal no sea la que ms se ajusta a los datos de dispersin, por lo cual es necesario
encontrar lneas que se ajusten de mejor forma a dichos datos, para ello se puede recurrir
a las mismas ecuaciones que determina el mtodo de mnimos cuadrados.
LA PARABOLA DE MNIMOS CUADRADOS
La parbola de mnimos cuadrados se acerca a los puntos de dispersin por medio de la
ecuacin:
Las ecuaciones que permiten calcular los valores constantes (a, b, c) son:
DISPERSIN NO LINEAL
35
30
25
20
15
10
5
0
0
500
1000
1500
2000
2500
3000
3500
4000
DISPERSIN NO LINEAL
Regresin no lineal
Altura
(metros)
X
10
200
800
1200
1500
2500
3000
3500
12710
Temperatura ( C )
Y
32
27
23
20
17
15
13
12
159
X^2
100
40000
640000
1440000
2250000
6250000
9000000
12250000
31870100
X^3
1000
8000000
512000000
1728000000
3375000000
1.5625E+10
2.7E+10
4.2875E+10
9.1123E+10
X^4
x^2*Y
10000
3200
1600000000 1080000
4.096E+11 14720000
2.0736E+12 28800000
5.0625E+12 38250000
3.9063E+13 93750000
8.1E+13
117000000
1.5006E+14 147000000
2.7767E+14 440603200
X*Y
320
5400
18400
24000
25500
37500
39000
42000
192120
REGRESIN NO LINEAL
35
30
25
y = 2E-06x2 - 0.0109x + 30.609
20
15
10
5
0
0
500
1000
1500
DISPERSIN NO LINEAL
2000
2500
3000
3500
4000
PROBABILIDADES
TEORA DE PROBABILIDADES
INTRODUCCIN
La teora de probabilidades es muy importante en muchos campos de estudio como
economa, administracin y la INGENIERA no se es indiferente, ya que siempre se
necesita tomar decisiones ante situaciones de incertidumbre preguntndose por ejemplo
cunto horas durar un circuito electrnico, el software desarrollado ser aceptado para
ms del 50% del mercado para el cual fue diseado, para un cierto poltico cuantos
votantes lo hicieron por l, para un ingeniero industrial sera importante saber cuntos
horas de funcionamiento tendr una mquina en su rea de produccin antes que se
dae.
Todos estos cuestionamientos provienen de fenmenos cuyo resultado no puede ser
anticipado con certeza, si no que existe cierta probabilidad de que un cierto resultado se
d, a diferencia de los fenmenos cuyo resultado se determina unvocamente a partir de
ciertas condiciones, por ejemplo, los resultados de mediciones geomtricas, clculos
financieros o procesos mecnicos.
Histricamente se puede decir que las probabilidades surgieron de los juegos de azar en
los siglos XV y XVI con resolucin de puntuales problemas de juego de dados por personas
como: Blaise Pascal y Pierre de Fermat.
Otras personas influyentes fueron Christian Huygens quien public el primer libro de
probabilidades, James Bernoulli y Abraham de Moivre fueron las personas que ms
influyeron en el desarrollo de probabilidades.
Por el Ao de 1812 Pierre de Laplace introdujo gran cantidad de ideas nuevas y tcnicas
matemticas en su libro, Teora Analtica de Probabilidades con lo cual la probabilidad ya
no solo estaba destinada a los juegos de azar sino aplicaciones ms all de ella.
DEFINICIN TERICA
Las probabilidades constituyen una rama de las matemticas que se ocupa de medir o
determinar cuantitativamente la posibilidad de que un experimento produzca un
determinado resultado.
Es el estudio de las posibilidades de que ocurra o no un evento.
ESPACIO MUESTRAL ()
Es el conjunto de todos los resultados posibles de un experimento aleatorio ().
Ejemplo:
4: Contar el nmero de vehculos que llegan a una estacin de servicio a recargar
gasolina.
4 = {0, 1, 2, 3, 4,.}
2. El espacio muestral puede ser Simple o compuesto
Espacio muestral simple.- Es el espacio que resulta de un solo experimento aleatorio
(experimento simple).
2: Lanzar un dado y observar el nmero resultante.
2 = {1, 2, 3,4, 5, 6}
Espacio muestral compuesto.- Es aquel que resulta de dos o ms experimentos simples
sucesivos o simultneos.
1: Lanzar una moneda y un dado a la vez
Cul ser su espacio muestral?
Para responder la pregunta anterior se debe incluir el criterio que los espacios muestrales
compuestos son de dos tipos bsicos aquellos que estn unidos por la letra gramatical O
y la letra gramatical Y.
SEGUNDA MONEDA
CARA
SELLO
PRIMERA MONEDA
CARA
CARA- CARA
CARA - SELLO
SELLO
PRIMER DADO
1
1
2
3
4
D1
2
3
4
D2
= {(x, y) / x, y = 1, 2, 3, 4, 5, 6}
4) Los artculos provenientes de una lnea de produccin se clasifican en defectuosos
y no defectuosos se observan los artculos y se anotan su condicin, el proceso
continua hasta observar dos artculos defectuosos o hasta que se observen 3
artculos no defectuosos. Cul es su espacio muestral?
= {DD, DNDD, DNDNDD, DNDNDN, DNDNN, DNNDD, DNNDN, DNNN, NDD, NDNDD,
NDNDN, NDNN, NNDD, NNDN, NNN}
EVENTO
Se define como un subconjunto del espacio muestral. Por lo que al espacio muestral
tambin se lo considera como el conjunto universo. Se representa con las letras
maysculas del alfabeto (A, B, C, DZ). El evento A se lo puede representar como AT
Ejemplo:
: Salga par en el lanzamiento de un dado
= {1, 2, 3, 4, 5, 6}
A = {2, 4, 6}
Evento elemental
Cuando tiene solamente una posibilidad. Ejemplo
: Que un transistor est encendido
= {encendido, apagado}
A = {encendido}
Evento Nulo
No existe ningn elemento en el subconjunto.
A = {0}
SUCESOS
Son los elementos ms bsicos de un espacio muestral o un evento. Se representan con
las letras minsculas x, y, z. Ejemplo:
: Sacar un cuatro en una baraja
A = {4 corazn rojo, 4 corazn negro, 4 trbol, 4 brillos}
Un suceso puede ser: x = {4 corazn negro}
PROBABILIDAD
Definicin
La probabilidad de un evento es la razn entre el nmero de casos (sucesos) favorables y
el nmero total de casos (sucesos) posibles, siempre que nada obligue a creer que algunos
de estos sucesos debe tener preferencia a los dems, lo que hace que todos sean
igualmente posibles.
Para determinar la expresin matemtica se considera lo siguiente:
El nmero total de sucesos posibles: N()
El nmero de sucesos del evento A: N(A)
La probabilidad del evento A: P[A]
( )
( )
[ ]
Corolarios:
[{ }]
N() = 6
N(A) = 3
( )
( )
[ ]
[ ]
Ejemplo 2: Se lanza una moneda tres veces. Calcular la probabilidad que ocurran a lo ms
dos caras.
N() = 8
N(A) = 7
( )
( )
[ ]
[ ]
N() = 52
N(A) = 26
( )
( )
[ ]
[ ]
No Probabilidad (Q)
[ ]
Tendencia
Es la divisin entre la probabilidad para la no probabilidad.
[ ]
[ ]
Tendencias Favorables y en Contra
Tendencia Favorable
[ ]
[ ]
Tendencia En Contra
[ ]
[ ]
Ejemplo: Que tendencia a favor existe que al lanzar un dado para que salga un nmero par
: Lanzamiento de un dado
= {1, 2, 3, 4, 5, 6}
N() = 6
N(A) = 3
( )
( )
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
Ejemplo: Un experimento consiste en lanzar una moneda hasta que ocurra cara y contar
el nmero de lanzamientos de la moneda. En dicho experimento se define los eventos:
A: Se necesita por lo menos 20 lanzamientos
B: Se necesita ms de 5 lanzamientos
: Lanzar una moneda hasta que ocurra cara y contar el nmero de lanzamientos de la
moneda.
= {1, 2, 3, 4, 5, 6,..}
A: Se necesita por lo menos 20 lanzamientos
A = {20, 21, 22, 23,..}
B: Se necesita ms de 5 lanzamientos
B = {6, 7, 8, 9, 10,..}
Se puede concluir que:
EVENTOS IGUALES
Dos eventos A y B son iguales (A = B), si
A = B: { / A y B}
Ejemplo: Un experimento consiste lanzar un dado hasta que salga seis y contar el nmero
de lanzamientos. En dicho experimento se considera los siguientes eventos:
A: Se necesita a lo ms 10 lanzamientos.
B: Se necesita menos de 11 lanzamientos.
: Lanzar un dado hasta que salga seis y contar el nmero de lanzamientos.
= {1, 2, 3, 4, 5,..}
A: Se necesita a lo ms 10 lanzamientos.
A = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}
B: Se necesita menos de 11 lanzamientos.
B = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}
Se puede concluir que:
UNIN DE EVENTOS
Dado dos eventos A y B, la unin de A con B (
sucesos que pertenecen a A o a B o de ambos.
AUB
INTERSECCIN DE EVENTOS
La interseccin de dos eventos A con B (
) genera un evento formado por todos los
sucesos favorables a A y a B, es decir ambos eventos ocurren A y B.
Ejemplo: Un experimento consiste en lanzar una moneda hasta que ocurra cara y contar el
nmero de lanzamientos de la moneda. En dicho experimento se define los eventos:
A: Se necesita un nmero par de lanzamientos
B: Se necesita ms de 10 lanzamientos
: Lanzar una moneda hasta que ocurra cara y contar el nmero de lanzamientos de la
moneda.
= {1, 2, 3, 4, 5, 6,..}
DIFERENCIA DE EVENTOS
La diferencia de dos eventos A B, es un nuevo evento formado por los sucesos
favorables a A y que no son favorables a B.
B
A
A
: Lanzar un dado
= {1, 2, 3, 4, 5, 6}
A: Sacar un nmero par.
A = {2, 4, 6}
{
Ejemplo:
Se lanza un dado dos veces. Sean los eventos
A: La suma de los puntos obtenidos en los dos lanzamientos es 7
B: En los dos dados se obtiene el mismo nmero
Son estos eventos mutuamente excluyentes.
A: {(3,4); (4,3); (1,6); (6,1); (5,2); (2,5)}
B: {(1,1); (2,2); (3,3); (4,4); (5,5); (6,6)}
Respuesta: Los eventos son mutuamente excluyentes ya que
EVENTOS COLECTIVAMENTE EXHAUSTIVOS
Un conjunto de eventos son colectivamente exhaustivos si la unin de ellos es igual al
espacio muestral.
LEYES DE MORGAN
(
Proposiciones
Interpretacin de Conjuntos
Si ocurre A tambin B
A y B se excluyen mutuamente
Evento A o evento B
Evento A y evento B
Ejemplo: Dados los eventos A, B, C del espacio muestral . Expresar mediante
operaciones entre conjuntos los eventos:
a) Tan solo ocurre A.
b) Si ocurre A, no ocurre B.
c) Por lo menos uno de los eventos ocurren.
Solucin:
a) Puede ocurrir A, y simultneamente no ocurre B y no ocurre C por lo cual el evento
resultante es:
PRIMER DADO
1
ANLISIS COMBINATORIO
TCNICAS DE CONTEO
La tcnicas de conteo ayudan a determinar el nmero de elementos que tiene un espacio
muestral o un evento y que son de utilidad en el momento de calcular una probabilidad.
1. MULTIPLICACIN
Si un experimento aleatorio u operacin (1) ocurre de n1 formas y si para cada una de
estas, un experimento u operacin (2) ocurre de n2 formas, entonces los dos
experimentos juntos ocurren de n1 x n2 formas.
En forma general: n = n1 x n2 x n3 x n4 x..x nk
N (1) = 2
N (2) = 6
( )
( )
( )
Ejemplo 2: Una persona puede viajar de una ciudad A a otra ciudad B de 5 formas y de B a
C de 6 formas. De cuantas formas puede ir de A a C pasando por B?
N (1) = 5
2: Ir de B hacia C.
2 = {1, 2, 3, 4, 5, 6}
N (2) = 6
( )
( )
( )
Existen 30 formas de ir de A hacia C pasando por B.
COROLARIO: Si es que el nmero de formas en que pueden ocurrir los experimentos
simples es igual es decir:
Se tiene que el total de formas que puede ocurrir un experimento compuesto por dichos
experimentos simples es:
( )
Ejemplo3: Se lanza una moneda sucesivamente seis veces De cuantas formas ocurre?
: Lanzar seis veces una moneda sucesivamente.
1: lanzar una moneda.
1 = {Cara, Sello}
N (1) = 2
( )
( )
( )
2. ADICIN
Si un experimento aleatorio u operacin (1) ocurre de n1 formas y un experimento u
operacin (2) ocurre de n2 formas, entonces el experimento aleatorio u operacin (),
que consiste en realizar (1 o 2) no pueden ocurrir juntos ocurre de la siguiente forma:
( )
Siempre y cuando los espacios muestras de los experimentos simples sean disjuntos.
En forma general:
( )
N (1) = 2
N (2) = 6
( )
( )
( )
Ejemplo 2: Una persona puede viajar de A hacia B por va area o por va terrestre y
dispone de 5 lneas areas y 6 lneas terrestres. De cuantas formas puede hacer el viaje?
: Formas de viajar de A hacia B.
1: Ir de de A hacia B en va area.
1 = {1, 2, 3, 4, 5}
N (1) = 5
2: Ir de de A hacia B en va terrestre.
2 = {1, 2, 3, 4, 5, 6}
N (2) = 6
( )
(
( )
( )
( )
( )
( )
3. PERMUTACIONES
Nmero factorial
Sea n un nmero entero positivo, el factorial de n se denota por
producto de todos los enteros consecutivos de 1 hasta n.
y se define como el
6 arreglos.
Por lo tanto una permutacin se puede calcular con un nmero factorial as:
Ejemplo2: Un inspector quiere revisar la forma como trabajan sus operarios en las 6
maquinas que posee, pero quiere caerles de sorpresa. De cuantas formas lo puede
hacer?
6! = 6 x 5 x 4 x 3 x 2 x 1 = 720
Lo puede hacer de 720 formas.
Ejemplo3: En una eleccin de candidatas para reina se tienen 10 chicas los jueces quieren
determinar de cuantas formas se pueden ordenar en un fila sabiendo que 2 chicas no
pueden estar juntas.
9! x 8 = 2903040 formas
Ejemplo4: Se tienen 12 nios en un aula de clase la profesora quiere ponerle en una fila
pero 4 nios siempre deben estar juntos.
Nmero de formas = 4!x8!x9
4. VARIACIONES (
Ejemplo 1: Un grupo est formado por 5 personas y desea formar una comisin integrado
por presidente y secretario. De cuantas formas puede nombrarse esa comisin?
Ejemplo 1: Un estante de una librera tiene capacidad para 10 libros de matemticas que
tiene pasta verde, 8 de fsica de pasta roja y 7 de qumica de pasta azul. De cuantas
maneras puede colocarse los libros segn los colores?
Ejemplo 2: Suponga que un da obscuro nacen en cierto hospital cuatro pares de mellizos,
idnticos, dos pares de mellizas, idnticas, nueve nios y once nias. Se utiliza una tinta no
indeleble para escribir sus nombres. El da siguiente (an obscuro) la tinta desaparece.
De cuantas maneras es posible mezclar a los nios?
( )
COMBINACIONES (
Ejemplo 1: Se extraen dos cartas de una baraja de 52. De cuantas maneras se puede
hacer esto?
Se necesita subconjuntos de dos cartas sin importar el orden por lo tanto se tiene lo
siguiente:
)
(
b)
(
EJERCICIOS DE PROBABILIDADES
1. En una caja hay 20 bolas numeradas del 1 al 20, se extrae al azar una bola. cul es
la probabilidad que el nmero de la bola extrada?
a) No exceda de 20?
b) Sea por lo menos 15?
: Extraer una bola de la caja.
: {1, 2, 3, 4,, 20}
N() = 20
N() = 10C2
( )
( )
[ ]
[ ]
3. Un experimento aleatorio consiste en disponer los dgitos 2, 3, 4, 5, 6, 7, 8, 9 uno a
continuacin del otro; calcular la probabilidad de:
a) Que el 3 aparece junto al cuatro y en ese orden.
b) El nmero formado sea par.
: Disponer los dgitos uno a continuacin de otro.
: {23456789, 24685379,}
( )
( )
( )
[ ]
[ ]
4. En el consejo universitario cada una de las 17 facultadas est representada por el
decano y Subdecano. Se nombra una comisin de 17 miembros elegidos al azar.
Determine la probabilidad de que una determinada facultad est representada.
: Nombrar una comisin de 17 miembros elegidos al azar.
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
De ste axioma si se tienen dos eventos A y B los cuales son mutuamente excluyentes
definidos en el espacio muestral . Se tiene que:
[ ]
[ ]
[ ] O
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
P[B] = 0.05
[ ]
[ ]
[ ]
[ ]
[ ]
A: {0, 1, 2, 3, 4, 5}
]
[ ]
[ ]
Ejemplo 3: De un grupo de personas, el 30% practica ftbol y el 40% juega ajedrez. De los
futbolistas el 50% juega ajedrez. Si se elige aleatoriamente una persona. Cul es la
probabilidad?
a) Practica slo uno de estos deportes?
b) No practique ni futbol ni ajedrez?
: Elegir aleatoriamente una persona de un grupo de personas.
: {1, 2, 3, 4, 5,...n}
Sean los eventos:
A: La persona elegida es futbolista.
[ ]
[ ]
15%
15%
25%
Los eventos (
[ ]
[ ]
b) No practique ni futbol ni ajedrez?
Sea el evento:
(
[(
[ ]
)]
[
[ ]
[ ]
PROBABILIDAD CONDICIONAL
La probabilidad condicional est determinada o condicionada a la ocurrencia de un evento
dado que ya ocurri otro.
Si se considera un evento A y un evento B definido en un espacio muestral . Se tiene
que:
]
[ ]
]
[ ]
[ ]
N() = 6
A: {1, 3, 5}
N(A) = 3
B: {4, 5, 6}
N(B) = 3
A
1
[ ]
F
0.22
0.31
I
0.24
0.23
Cul es la probabilidad condicional de que un esposo sea fiel, dado que su esposa es fiel?
Se denotara por:
Hombre fiel (HF)
Mujer fiel (MF)
[
]
[
Axiomas
Axioma 1:
]
[
Axioma 2:
Axioma 3: Para un conjunto de n eventos A1, A2, A3,..., An, mutuamente excluyentes se
tiene:
[
Axioma 4:
Axioma 5:
]
[
Axioma 6: Si ATB;
Axioma 7:
]
[
]
[
N() = 11000
Tamaos: (
]
[ ]
( )
[
[
]
]
REGLA DE LA MULTIPLICACIN
La regla de la multiplicacin permite calcular la probabilidad de la interseccin de dos o
ms eventos: Si se tiene dos eventos A y B y que no son mutuamente excluyentes se
puede establecer que: La probabilidad de que ocurra A y B
es igual a la
probabilidad de la ocurrencia de uno de ellos multiplicado por la probabilidad condicional
que ocurra el segundo, dado que el primero ha ocurrido.
[
[ ]
[ ]
Ejemplo: Una urna contiene 5 bolas blancas y 6 negras; se extrae al azar sucesivamente y
sin reposicin, cul es la probabilidad que las dos resultan blancas?
Se considera los eventos:
A1: La primera bola result blanca
A2: La segunda bola resulto blanca
E: Las dos bolas resultan blancas
La probabilidad buscada es del evento
eventos.
[ ]
Despus de la ocurrencia del evento A1, queda 10 bolas de las cuales 4 son blancas, luego
[
Por lo tanto
[ ]
[ ]
[ ]
[ ]
[ ] Eventos Independientes
] Eventos Dependientes
B1
B2
B3
B4
Bk
PROBABILIDAD TOTAL
Sean los eventos B1, B2, B3,..., Bk que forman una particin del espacio muestral entonces para
cualquier evento A definido en el mismo espacio muestral se cumple:
B3
B2
B1
B4
Bk
[ ]
[ ] [
] [
[ ] [
[ ]
] [
] [
[ ] [
Ejemplo: En un laboratorio hay tres jaulas. En la jaula I hay 2 ratas negras y 3 blancas, la jaula
II tiene 4 ratas negras y 2 blancas y la jaula III contiene 5 negras y 5 blancas. Se selecciona al
azar una jaula y se saca una rata de esa jaula. Cul es la probabilidad que la rata sea blanca?
Solucin:
: Sacar una rata de una jaula elegida al azar de tres existentes.
: {11 ratas negras, 10 ratas blancas}
Se definen los eventos;
I: La jaula I es seleccionada.
II: La jaula II es seleccionada.
[ ]
[ ] [
[ ] [
] [
[ ]
[ ]
TEOREMA DE BAYES
El teorema de Bayes se puede considerar como una operacin inversa al de la probabilidad total.
Sean los eventos B1, B2, B3,..., Bk que forman una particin del espacio muestral y el evento A
definido tambin en se tiene que:
] [
[ ] [
]
]
Corolario: Si A y B son eventos en tales que P[A] > 0 y 0 < P[B] <1 entonces:
[
[ ] [
]
]
[ ] [
[ ] [
Ejemplo: Del problema anterior suponer que la rata escogida fue blanca. Cul es la probabilidad
que venga de la primera jaula?
[ ] [
]
[ ]
VARIABLES ALEATORIAS
Cuando se calcula probabilidades muchas veces los elementos de los espacios muestrales son
abstractos por ejemplo en el lanzamiento de una moneda sus elementos son: cara, sello y por
ello muchas veces tambin es difcil escribir el asociado a un experimento aleatorio cuando sus
elementos no son nmeros, sobre todo cuando se trata de experimentos que definen espacios
muestrales discretos infinitos y continuos.
Cuando se maneja variables aleatorias se introduce el concepto de funcin de la misma forma que
se trata en lgebra; as se denomina la funcin de probabilidad P cuyo dominio es ( ) y
rango el intervalo de nmeros reales [0, 1] se tiene que:
P:
( )
Pero cuando los elementos son abstractos no se puede aplicar un clculo matemtico, por lo cual
es conveniente que el dominio de la funcin P sea tambin un conjunto de los nmeros reales
para esto se debe asignar un valor numrico
, a lo que se denomina
cuantificar los sucesos.
Ejemplo: Considere el experimento aleatorio lanzar una moneda tres veces, y en l se define el
evento nmero de caras obtenidas. Determine una funcin que permita asignar valores a los
sucesos de dicho evento.
: Lanzar una moneda tres veces
: {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
A: {CCC, CCS, CSS, SSS}
Debido a que el evento slo pide el nmero de caras los sucesos CCS, CSC, SCC son iguales as
como tambin los sucesos, CSS, SCS, SSC.
Se puede definir la funcin:
X(CCC) = 3
X(CCS) = X(CSC) = X(SCC) = 2
X (CSS) = X(SCS) = X(SSC) = 1
X(SSS) = 0
Es decir, la funcin X en definida por X() = nmero de caras obtenidas al lanzar una moneda
tres veces es una funcin a valores reales, que tiene como dominio el espacio muestral y el
subconjunto de nmeros reales,
{
} como rango
X:
En el ejemplo se podra determinar la probabilidad correspondiente a que salga tres caras, dos
caras, una cara y cero caras, observado que son eventos independientes los lanzamientos de las
monedas as:
[{ }]
[{ }]
[{ }]
[{ }]
( )
( )
Ejemplo: Sea X una variable aleatoria que se considera como el beneficio de un jugador, en un
juego en el que se tira un dado y el jugador gana 100 dlares, si sale los nmeros 1 o 3, no gana ni
pierde si sale los nmeros 2 o 5, pierde 100 dlares si sale 4 o 6. Cul es su recorrido
El dominio de X es:
: {1, 2, 3, 4, 5, 6} es decir las posibilidades del dado. N() = 6
Los valores que toma la funcin en su recorrido que tambin se les puede llamar imgenes son
segn el enunciado:
X(1) = X(3) = 100 $; X(2) = X(5) = 0; X(4) = X(6) = -100 $
Por lo cual l recorrido es:
{
Ejemplo: Del problema anterior cul es la probabilidad que la persona que juega gane 100 dlares.
Para que gane 100 dlares la persona, el dado lanzado debe salir 1 o 3
[
[ ]
[ ]
Donde:
Se definen los eventos
A: Sale 1 en el lanzamiento del dado N(A) = 1
B: Sale 3 en el lanzamiento del dado
N(B) = 1
]
[
EVENTOS EQUIVALENTES
Sea un espacio muestral asociado a un experimento aleatorio , y X una variable aleatoria con
rango Rx definida sobre . Un evento A en y un evento Ex en Rx son equivalentes si:
{
( )
Simplemente, si A es un evento en que consiste de todos los resultados posibles para el cual
( )
, entonces A y
son equivalentes
( )
Si A es un evento en tal que
{
} su evento equivalente en Rx es
{ },
lo cual se denota por [X = a], es decir el evento [X = a] es el conjunto de puntos en el espacio
que son aplicados en el nmero real a por la funcin X.
Ejemplo: En el experimento aleatorio lanzar una moneda tres veces, y X() = nmero de caras
obtenidas.
( )
Sea
Y sea
( )
} o [X = 1 o 0]
( )
} , se denota por [X = a, b]
( )
[ ]
( )
un evento en el rango
como:
de la
( )
{
Donde la suma es sobre los sucesos
condiciones:
[{ }]
( )
tal que ( )
( )
( )
Distribucin de probabilidad
La coleccin de pares ordenados [(x,
( ) ),
Nota: si
( )
x1
[
x2
)
x3
)
( )
Ejemplo: En el lanzamiento de una moneda tres veces considere la variable aleatoria que define el
nmero de caras menos el nmero de sellos. Compruebe la ley de probabilidad y halle la
distribucin de probabilidad den forma tabular y grfica.
: Lanzar una moneda tres veces
: {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
X() = #caras - #sellos
Por lo tanto su recorrido ser:
{
[
( )
( )
[
]
[
[
}
]
]
[
Representacin tabular
x
( )
-3
-1
1/8
3/8
3/8
1/8
Representacin grfica
( )
( )
-3
-1
1/8
3/8
3/8
1/8
( )
( )
Si x = -3,
(
Si x
( )
( )
[
]
( )
( )
Si x = -1
(
Si x
[
[
( )
( )
Si x = 1
[
( )
Si x
( )
( )
[
[
( )
( )
( )
( )
( )
Si x = 3
[
( )
( )
Si x > 3
( )
0, si x < -3
1/8, si -3 x < -1
F(x) = 4/8, si -1 x < 1
7/8, si 1 x < 3
1, si x 3
( )
( )
( )
x
[
( )
F(x)
-3
-1
1/8
3/8
3/8
1/8
1/8
4/8
7/8
( )
( )
( )
PROPIEDAD 1:
para todo (
) , pues F(x) es una probabilidad para cualquier (x)
real y las propiedades estn limitadas por 0 y 1.
PROPIEDAD 2: F(x) es una funcin no decreciente.
Sean x1, x2 (
PROPIEDAD 3:
( )
{
[{
}]
[{
}]
{
PROPIEDAD 4: Sea
} es el conjunto nulo
, si x es tal que
, entonces F(x) = F(xk)
Pero,
[ ]
[ ]
)
Por lo tanto:
[
( )
( )
]
]
De donde
[
( )
( )
]
]
( )
( )
] se tiene que:
( )
( )
X(Marco) = 1.89 m,
X(Antonio) = 1.65 m.
Es decir la estatura de los estudiantes puede tomar cualquier valor positivo dentro de los
reales.
FUNCION DE DENSIDAD DE PROBABILIDAD
Sea X una variable aleatoria continua con rango RX. La funcin de densidad de
probabilidad asociada a la variable aleatoria, es una funcin f(x) integrable que satisface
las siguientes condiciones:
1. f(x) 0, para todo
2.
( )
La grfica mostrada indica que la funcin de densidad es una curva que est definida en
los nmeros reales con rango RX y que est sobre la lnea horizontal segn la condicin 1,
y la condicin 2 indica que si integrramos la funcin f(x) entre los lmites que tiene su
rango esta debe darnos un valor de 1.
La [
] pedida se considera como el rea rayada en la grfica anterior que est
limitada por las rectas x = a, x = b, y el eje X. Por lo tanto la probabilidad del evento pedido
es.
[
( )
Corolarios
1. Es importante resaltar que f(x) no representa la probabilidad de algo y que
solamente cuando la funcin se integra entre dos puntos produce una
probabilidad.
2. Para cualquier valor especfico de X, digamos xo, P[X = xo] = 0. Debido a que
P[X = xo] = P[xo < X xo] =
3.
( )
[
]
[
]
[
cuando X sea una variable aleatoria continua.
].
Siempre
Ejemplo 1. Sea X una variable aleatoria continua definida por la funcin de densidad
(
f(x) =
Calcular:
a) Qu valor tiene el coeficiente a
b) Construir la grfica de la funcin de densidad de probabilidad.
c) Calcular la probabilidad de que la variable aleatoria X se encuentre en el intervalo
de 1 a 2 incluidos.
d) La probabilidad de que x se encuentre de -1 a 3/2 en un intervalo abierto
Por lo tanto
Para obtener la grfica de la funcin de densidad se debe graficar la curva:
fuera de ese intervalo la funcin de densidad toma el valor de 0.
Para encontrar la probabilidad pedida se debe integrar en el intervalo [1, 2]
[
a) determine el valor de k
Se selecciona al azar un punto del interior del triangulo equiltero cuyo lado mide 6cm sea
x la VAC que define la distancia de dicho punto a la base del triangulo encuentre F(x) y f(x)
ESPERANZA MATEMATICA
Se expresa por E (X), es un promedio o el valor esperado que tome una variable aleatoria
X
Tambin se puede utilizar la notacin E(X)= u: esperanza matemtica.
( )
( )
( )
VARIANZA MATEMATICA
Es la desviacin entre el valor que toma la variable aleatoria y el valor esperado de la
misma. Es el grado de alejamiento entre 2 valores definidos dentro del rango de la
variable aleatoria.
Se representa por V(X) o
( )
( )
)
)
( )
Ejemplo:
Sea x una variable aleatoria continua con funcin de distribucin
DISTRIBUCIONES PROBABILISTICAS
VARIABLES ALEATORIAS
ENSAYOS Y DISTRIBUCION DE BERNOULLI
En teora de probabilidad y estadstica, la distribucin de Bernoulli (o distribucin
dicotmica), nombrada as por el matemtico y cientfico suizo Jakob Bernoulli, es una
distribucin de probabilidad discreta, que toma valor 1 para la probabilidad de xito p y
valor 0 para la probabilidad de fracaso q = 1 p. Por lo tanto, si X es una variable aleatoria
con esta distribucin tenemos un experimento que se llama ensayo de Bernoulli.
Se define a la variable aleatoria X de tal manera que ( )= nmero de xitos en el ensayo
{ }.
Bernoulli. Su rango ser
Es decir (
)= 0,
)= 1
X
REALES
EXITO
1
FRACASO
0
Se denota por
[ ] y
[ ]
( )
( )
Por tanto, la variable aleatoria X se distribuye como una Bernoulli de parmetro p = 1/6
La probabilidad de que obtengamos un 6 viene definida como la probabilidad de que X sea
igual a 1.
( )
( ) (
( ))
}.
DISTRIBUCION HIPERGEOMETRICA
La distribucin hipergeomtrica es especialmente til en todos aquellos casos en los que
se extraigan muestras o se realizan experiencias repetidas sin devolucin del elemento
extrado o sin retornar a la situacin experimental inicial.
Modeliza , de hecho, situaciones en las que se repite un nmero determinado de veces
una prueba dicotmica de manera que con cada sucesivo resultado se ve alterada la
probabilidad de obtener en la siguiente prueba uno u otro resultado. Es una distribucin
fundamental en el estudio de muestras pequeas de poblaciones pequeas y en el clculo
de probabilidades de, juegos de azar y tiene grandes aplicaciones en el control de calidad
en otros procesos experimentales en los que no es posible retornar a la situacin de
partida.
Esta distribucin se aplica cuando el muestreo se realiza sin repeticin y la probabilidad de
xito no permanece constante de un ensayo a otros calcula mediante la frmula:
Esta distribucin tiene por variable aleatoria a:
( ) Nmero de xitos en la muestra de tamao n sin remplazo.
La cual genera un rango dado por:
( )
Donde:
N: Tamao de la poblacin
M: Cantidad de xitos en la poblacin
N - M: Cantidad de fracasos en la poblacin.
x : Nmero de xitos
n: Tamao de la muestra
)}
[ ]
[ ][
][
Ejemplo
Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son defectuosos,
si de seleccionan 4 objetos al azar, cul es la probabilidad de que 2 sean defectuosos?
Solucin:
N = 10 objetos en total
a = 3 objetos defectuosos
n = 4 objetos seleccionados en muestra
x = 2 objetos defectuosos deseados en la muestra
Donde:
DISTRIBUCION DE POISSON
En probabilidades, la distribucin de Poisson es una de las distribuciones de probabilidad
discreta. Esta distribucin se utiliza para calcular las posibilidades de un evento con la
tasa media dada de valor (). Una variable aleatoria de Poisson (x) se refiere al nmero de
xitos en un experimento de Poisson.
Esta distribucin es una de las ms importantes distribuciones de variable discreta. Sus
principales aplicaciones hacen referencia a la modelizacin de situaciones en las que nos
interesa determinar el nmero de hechos de cierto tipo que se pueden producir en un
intervalo de tiempo o de espacio, bajo presupuestos de aleatoriedad y ciertas
circunstancias restrictivas.
En este tipo de experimentos los xitos buscados son expresados por unidad de rea,
tiempo, pieza, etc. Ejemplos
( )
Los valores de esperanza y varianza matemtica son:
( )
( )
Ejemplos:
1. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10
cheques sin fondos en cualquiera de dos das consecutivos?
Solucin:
a) x = variable que nos define el nmero de cheques sin fondo que llegan al banco en
un da cualquiera = 0, 1, 2, 3,....
= 6 cheques sin fondo por da
= 2.718
b)
x= variable que nos define el nmero de cheques sin fondo que llegan al banco en
dos das consecutivos = 0, 1, 2, 3,
( )
iii.
iv.
v.
Como se deduce de este ltimo apartado, no existe una nica distribucin normal, sino
una familia de distribuciones con una forma comn, diferenciadas por los valores de su
media y su varianza. De entre todas ellas, la ms utilizada es la distribucin normal
Es importante conocer que, a partir de cualquier variable X que siga una distribucin, N (,
) se puede obtener otra caracterstica Z con una distribucin normal estndar, sin ms
que efectuar la transformacin: