NDICE : Introduccin Nmero factorial Variaciones Permutaciones Combinaciones Nmeros combinatorios Tringulo de Tartglia Binmio de Newton Introduccin : La combinatoria

inatoria estudia las diferentes formas en que se pueden realizar la ordenacin o agrupamiento de unos cuantos objetos siguiendo unas determinadas condiciones o reglas . Una forma de hacer estos recuentos es utilizar los diagramas en rbol . Estos recuentos estn intimamente relacionados con la probabilidad . Nmero factorial : es el producto de nos consecutivos naturales n! = (n)(n1)(n2).........321 Todo producto tiene al menos dos factores , luego debemos admitir que 0! = 1 y que 1! = 1 Variaciones ordinarias : Se llama variaciones ordinarias de m elementos tomados de n en n ( n m ) a los distintos grupos formados por n elementos de forma que : los n elementos que forman el grupo son distintos ( no se repiten ) Dos grupos son distintos si se diferencian en algn elemento o en el orden en que estn colocados ( influye el orden ) . Vm,n =

Variaciones con repeticin : se llama variaciones con repeticin de m elementos tomados de n en n a los distintos grupos formados por n elementos de manera que : los elementos que forman cada grupo pueden estar repetidos Dos grupos son distintos si se diferencian en algn elemento o en el orden en que estos estn colocados ( influye el orden ) . VRm,n = mn Permutaciones ordinarias : se llama permutaciones de m elementos a las diferentes agrupaciones de esos m elementos de forma que : en cada grupo intervienen los m elementos sin repetirse ninguno (intevienen todos los elementos ) dos grupos son diferentes si el orden de colocacin de alguno de esos m elementos es distinto ( influye el orden ) .

Pm = m! Permutaciones con repeticin : se llama permutaciones con repeticin de m elementos donde el primer elemento se repite a veces , el segundo b veces , el tercer c .......... a los distintos qrupos que pueden formarse con esos m elementos de forma que : intervienen todos los elementos dos grupos se diferencian en el orden de colocacin de alguno de sus elementos . PRma,b,c... =

Combinaciones : se llama combinaciones de m elementos tomados de n en n ( n m ) a todas las agrupaciones posibles que pueden hacerse con los m elementos de forma que : cada agrupacin est formada por n elementos distrintos entre s dos agrupaciones distintas se diferencian al menos en un elemento , sin tener en cuenta el orden . Cm,n = = = nmero combinatorio Combinaciones con repeticin : se llama combinaciones con repeticin de m elementos tomados de n en n , a los distintos grupos formados por n elementos de manera que : los elementos que forman cada grupo pueden estar repetidos dos agrupaciones distintas se diferencian al menos en un elemento , sin tener en cuenta el orden . CRm,n =

Por ejemplo las combinaciones con repeticin de los elementos (a,b,c,d) tomados de dos en dos son : aa ab ac ad bb bc bd cc cd dd Otro ejemplo : en una bodega hay 12 botellas de ron , 12 de ginebra y 12 de ans .Un cliente compr 8 botellas en total . Cuntas posibilidades hay ? CR8,3 = 120 Resumen : 2

Intervienen todos los elementos Permutaciones Influye el orden Variaciones No intervienen todos los elementos No influye el orden Combinaciones Nmeros combinatorios : se llama nmero combinatorio de ndice m y orden n al nmero de combinaciones de m elementos tomados de n en n tales que n m.

Propiedades : = =1 =

+ = + +................+

Tringulo de Tartaglia o Pascal :

1 4

11 121 1331 14641 Binomio de Newton : (a + b) = a + b (a + b)2 = a2 + 2ab + b2 (a + b)3 = a3 + 3a2b + 3ab2 + b3 (a + b)4 = a4 + 4a3b + 6 a2b2 + 4ab3 + b4 ........................................... Si nos fijamos atentamente , los coeficientes coinciden con los del tringulo de Pascal , los exponentes de a van disminuyendo desde n hasta 0 y los de b van aumentando desde 0 hasta n , y en cada trmino la suma de los exponentes de a y b es igual a n . Generalizando : (a + b)n = anb0 + an1b1 + ......................+ a1bn1 + a0bn NDICE Definicin de Estadstica Conceptos generales Tratamiento de la informacin Representacin de los datos Medidas de centralizacin Medidas de dispersin Estadstica bidimensional Correlacin Regresin Definicin de Estadstica : la palabra estadstica procede del vocablo "estado" pues era funcin principal de los gobiernos de los estados establecer registros de poblacin , nacimientos , defunciones , etc . Hoy en da la 5

mayora de las personas entienden por estadstica al conjunto de datos , tablas , grficos , que se suelen publicar en los periodicos . En la actualidad se entiende por estadstica como un mtodo para tomar decisiones , de ah que se emplee en multitud de estudios cientficos . La estadstica se puede dividir en dos partes : Estadstica descriptiva o deductiva , que trata del recuento , ordenacin y clasificacin de los datos obtenidos por las observaciones . Se construyen tablas y se representan grficos , se calculan parmetros estadsticos que caracterizan la distribucin , etc. Estadstica inferencial o inductiva , que establece previsiones y conclusiones sobre una poblacin a partir de los resultados obtenidos de una muestra . Se apoya fuertemente en el clculo de probabilidades . Poblacin : es el conjunto de todos los elementos que cumplen una determinada caracterstica . Ejemplo : alumnos matriculados en COU en toda Espaa . Muestra : cualquier subconjunto de la poblacin . Ejemplo : alumnos de COU del Sotomayor . Carcter estadstico : es la propiedad que permite clasificar a los individuos , puede haber de dos tipos : Cuantitativos : son aquellos que se pueden medir . Ejemplo : n de hijos , altura , temperatura . Cualitativos : son aquellos que no se pueden medir . Ejemplo : profesin , color de ojos , estado civil . Variable estadstica : es el conjunto de valores que puede tomar el carcter estadstico cuantitativo ( pues el cualitativo tiene "modalidades'' ) . Puede ser de dos tipos : Discreta : si puede tomar un nmero finito de valores . Ejemplo : n de hijos Continua : si puede tomar todos los valores posibles dentro de un intervalo . Ejmplo : temperatura , altura . Frecuencia absoluta fi : ( de un determinado valor xi ) al nmero de veces que se repite dicho valor . Frecuencia absoluta acumulada Fi : ( de un determinado valor xi ) a su frecuencia absoluta ms la suma de las frecuencias absolutas de todos los valores anteriores . Frecuencia relativa hi : es el cociente fi/N , donde N es el nmero total de datos . Frecuencia relativa acumulada Hi : es el cociente Fi/N Si las frecuencias relativas las multiplicamos por 100 obtenemos los % . Tratamiento de la informacin : se deben de seguir los siguientes pasos : recogida de datos ordenacin de los datos recuento de frecuencias agrupacin de los datos , en caso de que sea una variable aleatoria continua o bien discreta pero con un nmero de datos muy grande se agrupan en clases . N de clases = 6

Los puntos medios de cada clase se llaman marcas de clase . Adems se debe adoptar el criterio de que los intervalos sean cerrados por la izquierda y abiertos por la derecha . construccin de la tabla estadstica que incluir , clases , marca de clase , fi , Fi , hi , Hi . Ejemplo : Las notas de Matemticas de una clase han sido las siguientes : 534128987667987710159980888957 Construir una tabla : xi 0 1 2 3 4 5 6 7 8 9 fi 2 3 1 1 1 3 2 5 7 5 30 Fi 2 5 6 7 8 11 13 18 25 30 hi 2/30 3/30 1/30 1/30 1/30 3/30 2/30 5/30 7/30 5/30 1 Hi 2/30 5/30 6/30 7/30 8/30 11/30 13/30 18/30 25/30 30/30

Representaciones grficas : para hacer ms clara y evidente la informacin que nos dan las tablas se utilizan los grficos , que pueden ser : Diagramas de barras ( datos cualitativos y cuantitativos de tipo discreto ) . En el eje y se pueden representar frecuencias absolutas o relativas . Histogramas ( datos cuantitativos de tipo continuo o discreto con un gran nmero de datos ) . El histograma consiste en levantar sobre cada intervalo un rectngulo cuyo rea sea igual a su frecuencia absoluta rea = base altura fi =

luego la altura de cada rectngulo vendr dada por ni que se llama funcin de densidad . Si por ejemplo un intervalo es doble de ancho que los dems su altura ni debe ser la mitad de la frecuencia absoluta y as no se puede inducir a errores . Normalmente la amplitud de los intervalos es cte por lo que ni ser proporcional a fi y por tanto podemos tomar fi como la altura ni ya que la forma del grfico ser la misma , aunque ahora el rea del rectngulo ya no sea exactamente la frecuencia absoluta ( a no ser que la amplitud del intervalo sea igual a 1 ) .

 Polgono de frecuencias Diagrama de sectores Cartogramas Pirmides de poblacin Diagramas lineales Pictogramas CLCULO DE PARMETROS : Medidas de centralizacin : Media aritmtica :

si son pocos datos

si son muchos valores pero se repiten mucho En el caso de que los datos estn agrupados en clases , se tomar la marca de clase como xi . No siempre se puede calcular la media aritmtica como por ejemplo cuando los datos son cualitativos o los datos estn agrupados en clases abiertas . Ejemplo : hacer los clculos para el ejercicio de las notas Moda : es el valor de la variable que presenta mayor frecuencia absoluta . Puede haber ms de una . Cuando los datos estn agrupados en clases se puede tomar la marca de clase o utilizar la frmula : M0 = Linf + donde : Linf = lmite inferior de la clase modal , =amplitud del intervalo , d1= diferencia entre la fi de la clase modal y la fi de la clase anterior y d2 = diferencia entre la fi de la clase modal y la fi de la clase posterior . Tambin se puede hacer grficamente : 8

La moda si sirve para datos cualitativos , pero no tiene por qu situarse en la zona central del grfico . Ejemplo : en el ejercicio de las notas la moda sera x=8 Mediana : es el valor de la variable tal que el nmero de observaciones menores que l es igual al nmero de observaciones mayores que l . Si el nmero de datos es par , se puede tomar la media aritmtica de los dos valores centrales . Cuando los datos estn agrupados la mediana viene dada por el primer valor de la variable cuya Fi excede a la mitad del nmero de datos . Si la mitad del nmero de datos coincide con Fi se tomar la semisuma ente este valor y el siguiente . Cuando los datos estn agrupados en clases se puede utilizar reglas de tres o la frmula : M = Linf +

Grficamente se hace a partir del polgono de frecuencias acumuladas . Ejemplo : En el caso de las notas podras ordenar de menor a mayor los datos y obtendramos : 0 0 1 1 1 2 3 4 5556677777888888899999 dato nmero 1516 (por ser par) luego la mediana sera 7 Tambin se podra observar las Fi y ver que en el 7 se excede a la mitad del n de datos , es decir , sobrepasa el 15 . Cuantiles : son parmetros que dividen la distribucin en partes iguales , as por ejemplo la mediana los divide en dos partes iguales , los cuartiles son tres valores que dividen a la serie de datos en cuatro partes iguales , los quintiles son cuatro valores que lo dividen en 5 partes , los deciles en 10 y los percentiles en 100 . Se calculan de la misma manera que la mediana . Tambin se puede utilizar la frmula : Cn = Linf +

donde n es el valor que deja el n% de valores por debajo de l . Medidas de dispersin : Rango o recorrido : es la diferencia entre el mayor valor y el menor . Depende mucho de los valores extremos por que se suele utilizar el rango intercuartlico = Q3 Q1 o el rango entre percentiles = P90 P10 Ejemplo : Para el caso de las notas sera 9 0 = 9

 Varianza s2 : es la media aritmtica de los cuadrados de las desviaciones respecto a la media ( desviacin respecto a la media d = xi ). s2 = =

s2 = =

Al igual que la media en el caso de que los datos estn agrupados en clases , se tomar la marca de clase como xi . Otra forma de calcular s2 es : s2 = =

Se llama desviacin tpica s a la raz cuadrada de la varianza . Es ms til que la varianza ya que tiene las mismas dimensiones que la media Ejemplo : Hacer los clculos para el ejercicio de las notas Coeficiente de variacin : es el cociente entre la desviacin tpica y la media aritmtica . Valores muy bajos indican muestras muy concentradas . C.V. =

DISTRIBUCIONES BIDIMENSIONALES : Variables estadsticas bidimensionales : es cuando al estudiar un fenmeno obtenemos dos medidas x e y , en vez de una como hemos hecho hasta ahora . Ejemplo : pulso y t de los enfermos de un hospital , ingresos y gastos de las familias de los trabajadores de una empresa , edad y n de das que faltan al trabajo los productores de una fbrica .

10

Tipos de distribuciones bidimensionales : cualitativa cualitativa cualitativa cuantitativa ( discreta o continua ) cuantitativa ( discreta o continua ) cuantitativa ( discreta o continua ) Tipos de tablas : Tabla de dos columnas xi , yi ( pocos datos ) Tabla de tres columnas xi , yi , fi ( muchos datos y pocos valores posibles ) Tablas de doble entrada ( muchos datos y muchos valores posibles ) x1 y1 f11 y2 f12 ..... ..... ym f1m fi* f1* Diagramas de dispersin : x2 f21 f22 ...... f2m f2* ...... ...... ...... ...... ...... ...... xn fn1 fn2 ...... fnm fn* f*j f*1 f*2 ...... f*m f**=N

Si hay pocos datos ( tabla de dos columnas ), se representan las variables en los ejes x e y . Si hay muchos datos pero muy agrupados ( tabla de tres columnas y tablas de doble entrada ), se hace igual pero con los puntos ms gordos segn la fi ,o se pintan muchos puntos juntos , o se pinta en tres dimensiones x , y , fi , con lo que obtendramos un diagrama de barras en tres dimensiones . Si hay muchos datos y muchos valores posibles , se pueden agrupar en clases , y se utilizan los estereogramas ( 3 dimensiones ) en los que el volumen de cada prisma es proporcional a la frecuencia . Tambin se puede tomar la marca de clase de los intervalos y tratar la variable continua como si fuese discreta . Clculo de parmetros : Cuando hay pocos datos o estn muy agrupados ( tablas de 2 o 3 columnas )

Aparece un parmetro nuevo que es la covarianza que es la media aritmtica de las desviaciones de cada una de las variables respecto a sus medias respectivas .

11

Cuando hay muchos datos ( tablas de doble entrada )

Correlacin o dependencia : es la teora que trata de estudiar la relacin o dependencia entre las dos variables que intervienen en una distribucin bidimensional , segn sean los diagramas de dispersin podemos establecer los siguientes casos : Independencia funcional o correlacin nula : cuando no existe ninguna relacin entre las variables .( r = 0 ) Dependencia funcional o correlacin funcional : cuando existe una funcin tal que todos los valores de la variable la satisfacen ( a cada valor de x le corresponde uno solo de y o a la inversa ) (r = 1) Dependencia aleatoria o correlacin curvilinea ( lineal ): cuando los puntos del diagrama se ajustan a una linea recta o a una curva , puede ser positiva o directa , o negativa o inversa ( 1<r<0 0<r<1) Ejemplo : a 12 alumnos de COU se les toma las notas de los ltimos exmenes de Matemticas , Fsica y Filosofa : Matemticas 2 3 4 4 5 6 6 Fsica 1 3 2 4 4 4 6 Filosofa 2 5 7 8 5 3 4 12

7 7 8 10 10

4 6 7 9 10

6 7 5 5 9

Si representamos las variables matemticas fsica en un diagrama y matemticasfilosofa en otro vemos que la correlacin es mucho ms fuerte en el primero que en el segundo ya que los valores estn ms alineados . Coeficiente de correlacin lineal : es una forma de cuantificar de forma ms precisa el ttipo de correlacin que hay entre las dos variables . r=

Regresin : consiste en ajustar lo ms posible la nube de puntos de un diagrama de dispersin a una curva . Cuando esta es una recta obtenemos la recta de regresin lineal , cuando es una parbola , regresin parablica , cuando es una exponencial , regresin exponencial , etc . ( logicamente r debe ser distinto de 0 en todos los casos ) . La recta de regresin de y sobre x es : en la cual se hace mnima la distancia entre los valores yj obtenidos experimentalmente y los valores tericos de y. A valor se le llama coeficiente de regresin de y sobre x ( nos da la pendiente de la recta de regresin ). La recta de regresin de x sobre y es : en la cual se hace mnima la distancia entre los valores xi obtenidos experimentalmente y los valores teoricos de x. A valor se le llama coeficiente de regresin de x sobre y ( su inversa nos da la otra pendiente ) . NDICE Mtodos de muestreo Distribucin del muestreo Intervalos de confianza Contraste de hiptesis Mtodos de muestreo : para no tener que trabajar con toda la poblacin se utiliza el muestreo . Puede ser :

13

 Muestreo no probabilstico : no se usa el azar , sino el criterio del investigador , suele presentar grandes sesgos y es poco fiable . Muestreo probabilstico : se utilizan las leyes del azar . Puede ser : Muestreo aleatorio simple (es el ms importante ) : cada elemento de la poblacin tiene la misma probabilidad de ser elegido , las observaciones se realizan con reemplazamiento , de manera que la poblacin es identica en todas las extracciones , o sea , que la seleccin de un individuo no debe afectar a la probabilidad de que sea seleccionado otro cualquiera aunque ello comporte que algn individuoo pueda ser elegido ms de una vez . ( "se hacen tantas papeletas numeradas como indivuos hay , se coge una y se devuelve , se vuelve a coger otra y se devuelve , etc" ) Muestreo sistemtico : es cuando los elementos de la poblacin estn ordenados por listas . Se elige un individuo al azar y a continuacin a intervalos constantes se eligen todos los dems hasta completar la muestra . Si el oreden de los elementos es tal que los individuos prximos tienden a ser ms semejantes que los alejados , el muestreo sistemtico tiende a ser ms preciso que el aleatorio simple , al cubrir ms homogeneamente toda la poblacin . Muestreo estratificado : es cuando nos interesa que la muestra tenga la misma composicin a la de la poblacin la cual se divide en clases o estratos . Si por ejemplo en la poblacin el 20% son mujeres y el 80% hombres , se mantendr la misma proporcin en la muestra . Distribuciones de muestreo : al obtener conclusiones de la muestra y las comparamos con las de la poblacin puede que se aproximen o no . No obstante , las medias muestrales se comportan estadsticamente bien y siguen leyes perfectamente previsibles , esto nos permitir hacer inferencias precisas a partir de ellas , incluso determinar el riesgo que asumimos al hacerlas . Si una poblacin est formada por N elementos , el n de muestras diferentes de tamao n que se pueden obtener , si se pueden repetir los elementos ( m.a.s.) sera : VRN,n=Nn Distribucin de medias muestrales : aunque al tomar una muestra no podemos estar seguros de que los parmetros obtenidos sean buenos estimadores de los parmetros poblacionales si se puede afirmar que : La media de las medias muestrales es igual a la media real de la poblacin es decir :

La desviacin tpica de las medias muestrales vale :

Esto significa que la distribucin de medias muestrales de tamao n extraidas de una poblacin ( normal o no normal ) se distribuye segn una N( ) Ejemplo : Supongamos que tenemos los elementos 2,4,6,8 .

14

En esta poblacin vamos a tomar todas las muestras posibles de tamao 2 : Elementos e1 e2 22 24 26 28 42 44 46 48 62 64 66 68 82 84 86 88 Media de la muestra 2 3 4 5 3 4 5 6 4 5 6 7 5 6 7 8

La media de las medias muestrales ser :

La varianza de las medias muestrales ser :

Por lo tanto y

Ejemplo : el peso de los recin nacidos en una maternidad se ha distribuido segn una ley normal de media =3100gr y de desviacin tpica =150gr Cul ser la probabilidad de que la media de una muestra de 100 recin nacidos se superior a 3130gr ? La distribucin muestral sigue una N(3100,15) por lo que p p = 1 0'9772 = 0'0228

15

por lo tanto solo un 2'28% de las muestras tendr una media por encima de los 3130gr Intervalos de probabilidad : inferencia estadstica ;Como la distribucin de medias muestrales es

se tendr por ejemplo que :

Esto significa que por ejemplo el 68'26% de las muestras de tamao n extraidas de una poblacin de media tendrn una media perteneciente al intervalo En general el 100(1 )% de las muestras de tamao n tendrn una media comprendida entre : siendo el valor de la probabilidad que queda a cada lado del intervalo . O lo que es lo mismo :

(nivel de confianza) As por ejemplo si =0'05 entonces el 95% de las muestras tendrn una media comprendida entre =

16

Sin embargo lo normal ser que se desconozca la media y la desviacin tpica de la poblacin y que mediante tcnicas de muestreo se busque estimarlas con la fiabilidad necesaria . Por lo tanto si nos hacen la pregunta de otra forma ( cul es la probabilidad de que la media poblacional se encuentre entre ...? ) podremos transformar la desigualdad obteniendo :

(nivel de confianza) A este intervalo se le llama intervalo de confianza para la media poblacional . A lo que est fuera del intervalo se le llama regon crtica . Al valor se le llama nivel de confianza . Al valor se le llama nivel de significacin .

Por lo tanto el nuevo dibujo sera :

Por lo tanto podemos afirmar que en ese intervalo tenemos una probabilidad del 95 % de que est la media poblacional . Como ya hemos dicho lo normal ser que se desconozca la desviacin , por lo que debemos sustituir por sn1=

donde sn12 es la cuasivarianza muestral . La relacin entre la varianza muestral y la cuasivarianza muestral es :

17

Aunque para valores grandes de n ( mayores de 30 ) coinciden aproximadamente la cuasivarianza y la varianza por lo que se puede sustituir por s . Por lo tanto :

Para n grandes :

Distribucin para proporciones : cuando se trata de determinar la proporcin de una poblacin que posee un cierto atributo ( hombre/mujer , video/no video , xito/fracaso , etc ) su estudio es equiparable al de una distribucin binomial . As pues si tomamos muestras aleatorias de tamao n , la media y la desviacin tpica de las medias muestrales ser :

Esta distribucin es aproximadamente normal para valores grandes de n ( mayor de 30 ) en consecuencia puede estudiarse como una N

Si hablamos de intervalos de probabilidad entonces :

(nivel de confianza) Como lo que no se suele saber es la media y la varianza podemos hacer :

Error admitido y tamao de la muestra : cuando decimos que estamos admitiendo un error mximo de esto es : la diferncia mxima entre la media poblacional y la media muestral debe ser menor que este valor . Como se puede observar de este valor se puede controlar dos parmetros , n y z . El tamao mnimo de una encuesta depende de la confianza que se desee para los resultados y del error mximo que se est dispuesto a asumir : 18

E= despejando

Analogamente se puede hacer para la distribucin de proporciones . Ejemplo : se desea realizar una investigacin para estimar el peso medio de los hijos de madres fumadoras . Se admite un error mximo de 50 gr , con una confianza del 95% . Si por estudios se sabe que la desviacin tpica es de 400 gr Qu tamao mnimo de muestra se necesita en la investigacin ? El tamao mnimo de la muestra debe ser n = = 246 Contraste de hiptesis sobre la media poblacional : La media muestral ppuede ser diferente de la media poblacional . Lo normal es que estas diferencias sean pequeas y estn justificadas por el azar , pero podra suceder que no fuesen debidas al azar sino a que los parmetros poblacionales sean otros , que por los motivos que sea , han cambiado . El contraste de hiptesis es el instrumento que permite decidir si esas diferencias pueden interpretarse como fluctuaciones del azar ( hiptesis nula )o bien , son de tal importancia que requieren una explicacin distinta ( hiptesis alternativa ). Como en los intervalos de confianza las conclusiones se formularn en trminos de probabilidad . Comparando la media poblacional y la media muestral Podemos asegurar que esa muestra procede de una poblacin de media 0 ? La respuesta ser no cuando 0 no pertenezca al intervalo de confianza de , para el nivel de significacin prefijado , por el contrario la respuesta ser s cuando s pertenezca a tal intervalo . S pertenece a la poblacin................. se acepta la hiptesis nula . Otra forma de verlo es que :

No pertenece a la poblacin ............. se rechaza la hiptesis nula . Otra forma de verlo es que :

Error de tipo I : es el que cometemos cuando rechazamos la hiptesis nula siendo verdadera . Error de tipo II : es el que cometemos cuando aceptamos la hiptesis nula siendo falsa . Podemos hacer todava dos preguntas : 19

 La muestra procede de una poblacin con media mayor que la supuesta ? Se acepta que la media poblacional es mayor que la supuesta cuando : desarrollando la igualdad obtenemos que :

La media poblacional debe de estar por encima de y por lo tanto por encima de La rechazamos en caso contrario . La muestra procede de una poblacin con media menor que la supuesta ? Se acepta que la media es menor que la supuesta cuando : desarrollando la igualdad obtenemos que :

La media poblacional debe de estar por debajo de y por lo tanto por debajo de La rechazamos en caso contrario . Nota : No olvidemos que en todas las ecuaciones anteriores si se desconoce la deviacin tpica de la poblacin debemos sustituirla por la cuasivarianza de la muestra. Contraste de hiptesis sobre la proporcin p : por analoga con el apartado anterior par responder a la pregunta : Puede asegurarse que esa muestra de proporcin procede de una poblacin con proporcin p0 ? 20

La respuesta ser s cuando :

con una probabilidad de 1 Se admite que la media poblacional es mayor que un valor p0 si :

Se admite que la media poblacional es menor que un valor p0 si :

NDICE Sucesos aleatorios Definicin de probabilidad Probabilidad condicionada Teorema de la Bayes Variable aleatoria Funcin de probabilidad Funcin de distribucin Media y varianza Distribucin binomial Distribucin normal SUCESOS ALEATORIOS Experimento aleatorio : es aquel que se caracteriza porque al repetirlo bajo anlogas condiciones jams se puede predecir el resultado que se va a obtener . En caso contrario se llama experimento determinista . Espacio muestral E : ( de un experimento aleatorio ) es el conjunto de todos los resultados posibles del experimento . Suceso de un experimento aleatorio : es un subconjunto del espacio muestral . Puede haber los siguientes tipos : suceso elemental suceso compuesto ( de varios sucesos elementales ) suceso seguro suceso imposible suceso contrario Operaciones con sucesos : Unin de sucesos : la unin de dos sucesos A y B es el suceso que se realiza cuando se realiza A B Interseccin de sucesos : la interseccin de A y B es el suceso que se realiza cuando se realizan simultaneamente los sucesos A y B . Cuando es imposible que los sucesos se realicen

21

simultaneamente se dice que son incompatibles . Si . En caso contrario se dice que son compatibles . Propiedades : Unin (A B) C=A (B C) A B=B A A A=A A (B A)=A A (B A)=A A (B C)=(A B) (A C) A(B C)=(A B) (A C) A Suceso contrario =E Sistema completo de sucesos : Se dice que un conjunto de suceesos A1 , A2 .......constituyen un sistema completo cuando se verifica : A1 A2 ........=E A1 , A2 , ......son incompatibles 2 a 2 . A1 A2 ............. An PROBABILIDAD Interseccin (A B) C=A (B C) A B=B A A A=A

Asociativa

Conmutativa Idempotente

Simplificativa

Distributiva

22

Ley de los grandes nmeros : La frecuencia relativa de un suceso tiende a estabilizarse en torno a un nmero , a medida que el nmero de pruebas del experimento crece indefinidamente . Este nmero lo llamaremos probabilidad de un suceso . Definicin clsica de probabilidad : (regla de Laplace)

( para aplicar esta definicin se supone que los sucesos elementales son equiprobables ) Definicin axiomtica de probabilidad : ( Kolmogorov ) Se llama probabilidad a una ley que asocia a cada suceso A un nmero real que cumple los siguientes axiomas : La probabilidad de un suceso cualquiera del espacio de sucesos siempre es positiva , es decir p(A) 0 La probabilidad del suceso seguro es 1 , es decir , p(E) = 1 La probabilidad de la unin de sucesos incompatibles es igual a la suma de probabilidades de cada uno de ellos , o sea , p(A B) = p(A) + p(B) Consecuencias de los axiomas : p( ) = 1 P(A) p( )=0 Si A Si los suceso son compatibles : p(A B) = p(A) + p(B) p(A B) Para el caso de tres sucesos compatibles sera : p(A B C) = p(A) + p(B) + p(C) p(A B) p(A C) p(B C) + p(A B C) Probabilidad condicionada p(A/B) : Se llama probabilidad del suceso A condicioniado por B a la probabilidad de que se cumpla A una vez que se ha verificado el B . p(A/B) =

AB 23

abc p(A B) = p(B) = p(A/B) =

Otra forma de ver la frmula es : p(A B) = p(B) p(A/B) = p(A) p(B/A) = p(B A) Generalizando : p(A B C) = p(A) p(B/A) p(C/A B) Ejemplo : Hombres 70 20 90 Mujeres 40 30 70

Fuman No Fuman

110 50 160

p(H) = 90/160 p(M) = 70/160 p(F) = 110/160 p(NF) = 50/160 p(H/NF) = 20/50 p(H/F) = 70/110 p(M/NF) = 30/50 p(M/F) = 40/110 p(H F) = 70/160 = p(F) p(H/F) = (110/160) (70/110) Lo mismo se podra hacer con color de ojos ( marrones y azules ) y color de pelo ( rubio y castao ) . Sucesos independientes : dos sucesos A y B se dice que son independientes si p(A) = p(A/B) . En caso contrario , p(A) p(A/B) , se dice que son dependientes . Probabilidad de la interseccin o probabilidad compuesta : Si los sucesos son dependientes p(A B) = p(A) p(B/A) = p(B) p(A/B) Si los sucesos son independientes p(A B) = p(A) p(B) Ejemplo : si al extraer dos cartas de una baraja lo hacemos con devolucin tendremos dos sucesos independientes , p(A 24

B) = p(A) p(B) pero si lo hacemos sin devolucin ahora si son dependientes p(A B) = p(A) p(B/A) . Teorema de la probabilidad total : sea un sistema completo de sucesos y sea un suceso B tal que p(B/Ai) son conocidas , entonces : p(B) = p(B A1) + p(B A2) + .........= A1 A2 A3 A4 B B Teorema de Bayes : sea un sistema completo de sucesos y sea un suceso B tal que p(B/Ai) son conocidas , entonces :

Ejemplo importante : Se va ha realizar el siguiente experimento , se tira una moneda , si sale cara se saca una bola de una urna en la que hay 4 bolas negras , 3 turquesa y 3 amarillas , si sale cruz se saca una bola de otra urna en la que hay 5 bolas negras , 2 turquesa y 3 amarillas . NNNN TTT AAA Cara NNNNN TT AAA Cruz N 4/10 p(Cara N) = 1/2 4/10 = 4/20 Cara 1/2 T 3/10 p(Cara T) = 1/2 3/10 = 3/20 A 3/10 p(Cara A) = 1/2 3/10 = 3/20

25

N 5/10 p(Cruz N) = 1/2 5/10 = 5/20 Cruz 1/2 T 2/10 p(Cruz T) = 1/2 2/10 = 2/20 A 3/10 p(Cruz A) = 1/2 3/10 = 3/20 T de la probabilidad total : p(N) = p(Cara N) + p(Cruz N) = 4/20 + 5/20 = 9/20 T de Bayes : p(Cara/N) = que no es ni ms ni menos que casos favorables entre casos posibles . DISTRIBUCIONES DISCRETAS : DISTRIBUCIN BINOMIAL Variable aleatoria X : es toda ley que asocia a cada elemento del espacio muestral un nmero real . Esto permite sustituir los resultados de una prueba o experimento por nmeros y los sucesos por partes del conjunto de los nmeros reales . Las variables aleatorias pueden ser discretas o continuas . Por ejemplo en el experimento aleatorio de lanzar tres monedas el espacio muestral es E = [ CCC , CCX , CXC , XCC , CXX , XCX , XXC , CCC ] . Supongamos que a cada suceso le asignamos un nmero real igual al nmero de caras obtenidas . Esta ley o funcin que acabamos de construir la llamamos variable aleatoria ( discreta ) que representa el n de caras obtenidas en el lanzamiento de tres monedas . Consideremos el experimento que consiste en elgir al azar 100 judas de una plantacin y medimos su longitud . La ley que asocia a cada juda su longitud es una variable aleatoria ( continua ). Por ejemplo al lanzar un dado podemos tener la varible aleatoria xi que asocia a cada suceso el n que tiene en la parte de arriba . Por ejemplo al lanzar dos dados podemos tener la variable aleatoria xi que asocia a cada suceso el producto de los dos nmeros que tiene en la parte de arriba . Funcin de probabilidad : ( de una variable aleatoria ) es la ley que asocia a cada valor de la variable aleatoria xi su probabilidad pi = p( X = xi ) . Funcin de distribucin F(x) : ( de una variable aleatoria ) es la ley que asocia a cada valor de la variable aleatoria , la probabilidad acumulada de este valor . F(x) = p ( X x) Media de una variable aleatoria discreta : Varianza de una variable aleatoria discreta : 26

= Ejemplo : en una bolsa hay bolas numeradas : 9 bolas con un 1 , 5 con un 2 y 6 con un 3 . Sacamos una bola y vemos que nmero tienen . La funcin de probabilidad es : xi pi 1 9/20 2 5/20 3 6/20

La funcin de distribucin es : xi pi 1 9/20 2 14/20 3 20/20

La media es 1(9/20)+2(5/20)+3(6/20) = 1'85 La varianza es (11'85)2 9/20 + (21'85)2 5/20 + (31'85)2 6/20 = 0'72 Distribucin binomial : Una variable aleatoria es binomial si cumple las siguientes caractersticas : Los elementos de la poblacin se clasifican en dos categorias , xito o fracaso . El resultado obtenido en cada prueba es independiente de los resultados anteriores La probabilidad de xito y fracaso es siempre constante Ejemplos : fumadores de una poblacin , n de aprobados de la clase , das de lluvia a lo largo de un ao , n de caras al tirar una moneda , etc . Funcin de probabilidad p(X = r) = pr qnr donde p es la probabilidad de xito , q la probabilidad de fracaso , n el numero total de pruebas y r el nmero de xitos . Funcin de distribucin p(X x) =

pr qnr Media Varianza =npq Ejemplo : Se lanza una moneda 11 veces : Cul es la probabilidad de obtener 5 caras ? Cul es la probabilidad de obtener 5 o menos caras ?

27

 Cuntas caras se obtienen por trmino medio ? Cul es la desviacin tpica ? DISTRIBUCIONES CONTINUAS : DISTRIBUCIN NORMAL Funcin de densidad f(x) : cuando en un histograma de frecuencias relativas de una variable continua aumentamos el n de clases y por lo tanto su amplitud es ms pequea vemos que el polgono de frecuencias relativas se acerca a una funcin f(x) que llamaremos funcin de densidad que cumple las siguientes propiedades : f(x) el rea encerrada bajo la curva de la funcin es igual a la unidad .

rea bajo la curva correspondiente a ese intervalo . Funcin de distribucin F(x) = p(X x) : cuando en un histograma de frecuencias relativas acumuladas de una variable continua aumentamos el n de clases y por lo tanto su amplitud es ms pequea vemos que el polgono de frecuencias relativas acumuladas se acerca a una funcin F(x) que llamaremos funcin de distribucin que cumple las siguientes propiedades : F(a) = = p( X a) por lo tanto : p( X b) = = F(b) F(a) F(x) es nula para todo valor de x anterior al menor valor de la variable aleatoria y es igual a la unidad para todo valor posterior al mayor valor de la variable aleatoria . Si es continua se dice que F( )=0 y F(+ )=1 Por ser una probabilidad . Es una funcin creciente . Media de una variable aleatoria continua :

28

Varianza de una variable aleatoria continua : =

Distribucin normal : una variable aleatoria es normal si se rige segn las leyes del azar . La mayora de las distribuciones ms importantes son normales . Por ejemplo la distribucin de los pesos de los individuos de cualquier especie , la estatura de una pobablacin , T del mes de agosto a lo largo de 100 aos , la longitud de los tornillos que salen de una fbrica , etc . No todas las distribuciones son normales por ejemplo si clasificamos segn el nivel de renta a los ciudadanos espaoles son muy pocos los que poseen niveles de rentas altas y en cambio son muchos los que poseen niveles de rentas bajas , por tanto la distribucin no sera simtrica y en consecuencia no se adapta al modelo normal . Funcin de densidad : una variable continua X sigue una distribucin normal de media y desviacin tpica , y se designa por N( , ) , si cumple que f(x) =

Podramos comprobar que :

= 2 Para calcular los mximos y mnimos deberamos hacer : f(x) =

f '(x) = f(x) , puesto que f(x) nunca puede valer 0 entonces , si x = f ' (x) = 0 por lo que ser un posible mximo o mnimo .

29

f ''(x) =

luego f ''( ) <0 por lo que es hay un mximo en el punto ( ) Conviene observar que cuando la desviacin tpica es elevada aumenta la dispersin y se hace menos puntiaguda la funcin ya que disminuye la altura del mximo . Por el contrario para valores pequeos de obtenemos una grfica menos abierta y ms alta . Cuando =0y =1 , N(0,1) se dice que tenemos una distribucin normal reducida , estandar o simplificada . Funcin de distribucin : F(x) =

= p(X x) Distribucin Normal Estndar N(0,1) : La distribucin N(0,1) se encuentra tabulada , lo cual permite un clculo rpido de las probabilidades asociadas a esta distribucin . Pero en general la media no suele ser 0 , ni la varianza 1 , por lo que se hace una transformacin que se llama tipificacin de la variable , que consiste en hacer el siguiente cambio de variable : Z=

a partir del cual obtenemos una variable Z que si es N(0,1) y que por lo tanto podemos calcular sus probabilidades . F(x) =

Ejemplo : si tenemos N(2,4) y queremos calcular p(x<7) entonces : p(x<7) = = p( z < 5/4 ) = 0'1056 Manejo de tablas : pueden presentarse los siguientes casos : p(z<1'45) = 0'9265 p(z<1'45) = 0'0735 p(1'25<z<2'57) = 0'1005

30

p(2'57<z<1'25) = 0'1005 p(0'53<z<2'46) = 0'695 Utilizacin conjunta de : En est el 68'26% de los datos ya que : p( <X< + )=p = p(1< Z < 1) = 0.6826 Anlogamente se puede comprobar que en est el 95'4% de los datos y en est el 99'7% . Ejemplo : El C.I. de los 5600 alumnos de una provincia se distribuyen N(112,6) . Calcular aproximadamente cuntos de ellos tienen : ms de 112 .................2800 alumnos.................la mitad de los alumnos entre 106 y 118 ..........3823 alumnos .................este es el caso : entre 106 y 112 ...........1911 alumnos menos de 100 ..............128 alumnos ms de 130 ..................7 alumnos entre 118 y 124 ............761 alumnos ( ojo hay que multiplicar % obtenido en la tabla por 5600/100 , que sale de una regla de tres ) Aproximacin normal para la binomial : Cuando los valores a calcular para la binomial superan a los de las tablas para obtener un resultado aproximado se utiliza la distribucin normal , es decir , la variable obedece a una distribucin N(0,1) El resultado es tanto ms fiable cuanto mayor es el tamao de la muestra n y cuanto ms cerca est p de 0'5 . Ejemplo : Se ha comprobado que la probabilidad de tener un individuo los ojo marrones es 0'6 . Sea X la variable aleatoria que representa el n de individuos que tienen los ojos marrones de un grupo de 1100 . Calcular p(X>680) y p(X=680) p(X>680) = 1 p(X<680) = 1 p(Y< ) = 1 p(Y<1'23) = 0'1093 31

p(X = 680) = p(679'5<X<680'5) se debe hacer as puesto que en una variable continua no tiene sentido calcular probabilidades de valores puntuales . COMBINATORIA

32

ESTADISTICA La Estadstica es una ciencia que estudia las caractersticas de un conjunto de casos para hallar en ellos regularidades en el comportamiento, que sirven para describir el conjunto y para efectuar predicciones. La Estadstica tiene por objeto recolectar, organizar, resumir, presentar y analizar datos relativos a un conjunto de objetos, personas, procesos, etc. A travs de la cuantificacin y el ordenamiento de los datos intenta explicar los fenmenos observados, por lo que resulta una herramienta de suma utilidad para la toma de decisiones. Poblacin o Universo: es el total del conjunto de elementos u objetos de los cuales se quiere obtener informacin. 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 cuidar que el conjunto de elementos que la integran quede perfectamente delimitado. Si, por ejemplo, estamos analizando las escuelas primarias, debemos especificar cules y cundo: escuelas primarias de la Capital Federal, ao 1992. El tamao de una poblacin viene dado por la cantidad de elementos que la componen. Unidad de anlisis: es el objeto del cual se desea obtener informacin. Muchas veces 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. Dada esta definicin, puede redefinirse poblacin como el conjunto de unidades de anlisis. Muestra: es un subconjunto de unidades de anlisis de una poblacin dada, destinado a suministrar 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. Las causas por la cual se seleccionan muestras son muchas. Puede ocurrir que la poblacin que se defina tenga tamao infinito, y en consecuencia, no fuera posible observar a todos sus elementos. En otras ocasiones, el costo de la observacin exhaustiva puede ser muy elevado, el tiempo de recoleccin de la informacin muy extenso, o ms an, la observacin de los elementos puede ser destructiva. Por ejemplo, si quisiramos hacer un estudio de la calidad de una partida de fsforos, no podramos probarlos a todos pues los destruiramos. Variable: es la cualidad o cantidad medible que se estudia de las unidades de anlisis y que varan de una unidad a otra. Por ejemplo: edad, ingreso de un individuo, sexo, cantidad de lluvia cada, etc. Nivel de medicin: las variables pueden ser medidas con mayor o menor grado de precisin segn la escala de medida utilizada para su observacin. Podemos distinguir los siguientes niveles de medicin de una variable: Nominal: slo permite clasificar a las unidades de anlisis en categoras. Por ejemplo: sexo varn y mujer . Ordinal: adems de clasificar a los elementos en distintas categoras, permite establecer una relacin de orden de las mismas. Por ejemplo: clase social baja, media y alta. 1

 Intervalar: permite clasificar, ordenar y medir la distancia entre las diferentes categoras. Por ejemplo: edad. Las variables se clasifican en dos grupos de acuerdo al nivel de medicin utilizado para su observacin: Variables cualitativas: son las variables medidas en escala nominal u ordinal, ya que la caracterstica que miden de la unidad de anlisis es una cualidad. Variables cuantitativas: son las variables medidas en escala intervalar, puesto que lo que miden es una cantidad. Encuesta Es un mtodo de recoleccin mediante el cual la informacin se obtiene relevando slo un subconjunto o muestra de elementos del universo en estudio, que permite obtener informacin sobre el mismo. Para que la informacin obtenida con la encuesta sea generalizable a la poblacin, la muestra utilizada debe ser representativa de la poblacin de la que proviene. Para lograrlo, se utilizan mtodos de seleccin de unidades especialmente diseados con este fin. Su uso ha ido en rpido aumento, en la medida en que las instituciones productoras de informacin disponen de personal capacitado para efectuar su organizacin, diseo y anlisis, debido a su menor costo y a que en determinadas circunstancias la informacin resulta ms exacta debido a que los errores ajenos al muestreo (errores en la recoleccin y en el procesamiento) pueden ser reducidos a travs de una mejor capacitacin de los empadronadores y la utilizacin de mtodos de captacin de informacin ms objetivos. Agrupamiento de datos Existen mtodos para resumir los datos medidos u observados. Cuando se trata de variables cualitativas donde las categoras estn determinadas, lo nico que hay que hacer es contabilizar el nmero de casos pertenecientes a cada categora y normalizar en relacin al nmero total de casos, calculando una proporcin, un porcentaje o una razn. En cambio, cuando se trata de variables cuantitativas, el resumen de los datos consiste en organizar tablas que sintetizan los datos originales y se denominan distribuciones de frecuencia. Frecuencia: es el nmero de veces que se presenta cada valor de la variable. Tabla de frecuencias: es una tabla que presenta en forma ordenada los distintos valores de una variable y sus correspondientes frecuencias. Por ejemplo: consideremos la variable nmero de aulas por escuela, medida en las escuelas de una localidad. Nmero de aulas por escuela (1) 8 9

Frecuencia (2) 7 7 2

10 11 12 13 14

12 11 15 10 5 67

Representacin grfica: en general la representacin grfica de una tabla de frecuencias permite percibir con mayor claridad algunas caractersticas de la masa de datos que se investiga. Por ello, a travs de grficos, resulta bastante ms fcil transmitir conclusiones a personas no habituadas a la interpretacin de tablas de frecuencias. Para representar grficamente una distribucin de frecuencias se utiliza un par de ejes de coordenadas. En el eje de las abscisas se representar la variable estudiada y en el eje de las ordenadas, las correspondientes frecuencias. El siguiente es un grfico de frecuencias confeccionado con los datos del ejemplo anterior. Parmetros estadsticos Al obtener de una poblacin la distribucin de frecuencias de una variable lo que se persigue es reducir o condensar en pocas cifras el conjunto de observaciones relativas a dicha variable. Este proceso de reduccin puede continuarse hasta su grado mximo, es decir, hasta sustituir todos los valores observados por uno solo, que se llama promedio. Existen numerosas formas de calcular promedios. La ms conocida es la media aritmtica, pero adems existen otras como la mediana y la moda o el modo. Media aritmtica: es el nmero que se obtiene al dividir la suma de todas las observaciones por la cantidad de observaciones sumadas. A la media aritmtica la simbolizamos con X. Por ejemplo, si tomamos las edades de un grupo de 9 personas: 16 17 19 20 22 22 23 28 29 X = (16+17+19+20+22+22+23+28+29)/9 = 21,8 aos. Mediana: si todos los valores observados de la variable se ordenan en sentido creciente (o decreciente), la mediana es el valor de la variable que ocupa el lugar central, es decir, el que deja a un lado y a otro el mismo nmero de observaciones. La mediana se representa con el smbolo Mna. En el ejemplo anterior, las edades ya estn ordenadas de menor a mayor. La mediana ser: 16 17 19 20 22 22 23 28 29 Mna= 22 aos 3

Moda o modo: es el valor de la variable que ms veces se repite, o sea, el valor que presenta mayor frecuencia. Es til como medida de tendencia central, slo en aquellos casos en que un valor de la variable es mucho ms frecuente que el resto. Se basa en la idea de lo que es moda o en el comportamiento de la mayora para tomar a cierto valor como representativo del comportamiento de los datos. Poblacin, elementos y caracteres. Es obvio que todo estudio estadstico ha de estar referido a un conjunto o coleccin de personas o cosas. Este conjunto de personas o cosas es lo que denominaremos poblacin. Las personas o cosas que forman parte de la poblacin se denominan elementos. En sentido estadstico un elemento puede ser algo con existencia real, como un automvil o una casa, o algo ms abstracto como la temperatura, un voto, o un intervalo de tiempo. A su vez, cada elemento de la poblacin tiene una serie de caractersticas que pueden ser objeto del estudio estadstico. As por ejemplo si consideramos como elemento a una persona, podemos distinguir en ella los siguientes caracteres: Sexo, Edad, Nivel de estudios, Profesin, Peso, Altura, Color de pelo,Etc. Luego por tanto de cada elemento de la poblacin podremos estudiar uno o ms aspectos cualidades o caracteres. La poblacin puede ser segn su tamao de dos tipos: Poblacin finita: cuando el nmero de elementos que la forman es finito, por ejemplo el nmero de alumnos de un centro de enseanza, o grupo clase. Poblacin infinita: cuando el nmero de elementos que la forman es infinito, o tan grande que pudiesen considerarse infinitos.. Como por ejemplo si se realizase un estudio sobre los productos que hay en el mercado. Hay tantos y de tantas calidades que esta poblacin podra considerarse infinita. Ahora bien, normalmente en un estudio estadstico, no se puede trabajar con todos los elementos de la poblacin sino que se realiza sobre un subconjunto de la misma. Este subconjunto puede ser una muestra, cuando se toman un determinado nmero de elementos de la poblacin, sin que en principio tengan nada en comn; o una subpoblacin, que es el subconjunto de la poblacin formado por los elementos de la poblacin que comparten una determinada caracterstica, por ejemplo de los alumnos del centro la subpoblacin formada por los alumnos de 3 ESO, o la subpoblacin de los varones. Variables y atributos. Como hemos visto, los caracteres de un elemento pueden ser de muy diversos tipos, por lo que los podemos clasificar en: dos grandes clases: Variables Cuantitativas. Variables Cualitativas o Atributos. Las variables cuantitativas son las que se describen por medio de nmeros, como por ejemplo el peso, Altura, Edad, Nmero de Suspensos 4

A su vez este tipo de variables se puede dividir en dos subclases: Cuantitativas discretas. Aquellas a las que se les puede asociar un nmero entero, es decir, aquellas que por su naturaleza no admiten un fraccionamiento de la unidad, por ejemplo nmero de hermanos, pginas de un libro, etc. Cuantitativas continuas: Aquellas que no se pueden expresar mediante un nmero entero, es decir, aquellas que por su naturaleza admiten que entre dos valores cualesquiera la variable pueda tomar cualquier valor intermedio, por ejemplo peso, tiempo. etc. No obstante en muchos casos el tratamiento estadstico hace que a variables discretas las trabajemos como si fuesen continuas y viceversa. Los atributos son aquellos caracteres que para su definicin precisan de palabras, es decir, no le podemos asignar un nmero. Por ejemplo Sexo Profesin, Estado Civil, etc. A su vez las podemos clasificar en: Ordenables: Aquellas que sugieren una ordenacin, por ejemplo la graduacin militar, El nivel de estudios, etc. No ordenables: Aquellas que slo admiten una mera ordenacin alfabtica, pero no establece orden por su naturaleza, por ejemplo el color de pelo, sexo, estado civil, etc. La estadstica es una Ciencia que tiene como finalidad facilitar la solucin de problemas en los cuales necesitamos conocer algunas caractersticas sobre el comportamiento de algn suceso o evento. Caractersticas que nos permiten conocer o mejorar el conocimiento de ese suceso. Adems nos permiten inferir el comportamiento de sucesos iguales o similares sin que estos ocurran. Inferencia Estadstica: Tcnica mediante la cual se sacan conclusiones o generalizaciones acerca de parmetros de una poblacin basndose en el estadgrafo o estadgrafos de una muestra de poblacin.

OBJETIVO DE LA ESTADSTICA: Es la obtencin de conclusiones basadas en los datos experimentales.

OBJETIVO DE LA ESTADSTICA DESCRIPTIVA: Describir las caractersticas principales de los datos reunidos.

OBJETIVO DE LA INFERENCIA ESTADSTICA: Extraer las conclusiones tiles sobre la totalidad de todas las observaciones posibles basndose en la informacin recolectada.

POBLACIN: Es el conjunto de todos los posibles elementos que intervienen en un experimento o en un estudio.

CENSO: Al estudio completo de la poblacin. 5

TIPOS DE POBLACIN:

POBLACIN FINITA: Es aquella que indica que es posible alcanzarse o sobrepasarse al contar.

Es aquella que posee o incluye un nmero limitado de medidas y observaciones.

POBLACIN INFINITA: Es infinita si se incluye un gran conjunto de medidas y observaciones que no pueden alcanzarse en el conteo. Son poblaciones infinitas porque hipotticamente no existe lmite en cuanto al nmero de observaciones que cada uno de ellos puede generar.

MUESTRA: Un conjunto de medidas u observaciones tomadas a partir de una poblacin dada. Es un subconjunto de la poblacin.

MUESTRA REPRESENTATIVA: Un subconjunto representativo seleccionado de una poblacin de la cual se obtuvo.

MUESTREO: Al estudio de la muestra representativa.

PARMETRO: Son las caractersticas medibles en una poblacin completa. Se le asigna un smbolo representado por una letra griega.

ESTADSTICO O ESTADGRAFO: Es la medida de una caracterstica relativa a una muestra. La mayora de los estadsticos muestrales se encuentran por medio de una frmula y suelen asignrseles nombres simblicos que son letras latinas. DATOS ESTADSTICOS (VARIABLES): Los datos son agrupaciones de cualquier nmero de observaciones relacionadas.

Para que se considere un dato estadstico debe tener 2 caractersticas:

a) Que sean comparables entre s. b) Que tengan alguna relacin.

VARIABLE: Una caracterstica que asume valores. CLASES DE DATOS: VARIABLE CUANTITATIVA O ESCALAR: Ser una variable cuando pueda asumir sus resultados en medidas numricas. VARIABLE CUANTITATIVA DISCRETA: Es aquella que puede asumir slo ciertos valores, nmeros enteros.

VARIABLE CUANTITATIVA CONTINUA: Es aquella que tericamente puede tomar cualquier valor en una escala de medidas, ya sea entero o fraccionario.

VARIABLES CUALITATIVAS O NOMINALES: Cuando no es posible hacer medidas numricas, son susceptibles de clasificacin.

Ejemplo: Color de autos: rojo, verde, azul.

Estadstica. El arte y ciencia de reunir, analizar presentar e interpretar datos. Datos. Los hechos y nmeros que se renen, analizan e interpretan. Conjunto de datos. Todos los datos reunidos en un determinado estudio. Elementos. Las entidades acerca de las que se renen datos. Variable. Una caracterstica de inters de los elementos. Observacin. Conjunto de mediciones obtenidas de un solo elemento. Escala nominal. Una escala de medicin para una variable que utiliza una etiqueta o nombre para identificar un atributo de un elemento. Los datos nominales podran ser no numricos o numricos. Escala ordinal. Una escala de medicin para una variable que tiene las propiedades de los datos nominales y se puede emplear para clasificar u ordenar los datos. Los datos ordinales podran ser no numricos o numricos. Escala de intervalo. Una escala de medicin para una variable que tienen las propiedades de los datos 7

ordinales y el intervalo entre observaciones se expresa en trminos de una unidad fija de medida. Los datos de intervalo siempre son numricos. Escala de razn. Una escala de medicin para una variable que tiene las propiedades de los datos de intervalo y el cociente de los valores es significativa. Los datos de razn siempre son numricos. Datos cualitativos. Datos que son etiquetas o nombres utilizados para identificar un atributo de cada elemento. Los datos cualitativos utilizan la escala de medicin ordinal o nominal y podran ser no numricos o numricos. Datos cuantitativos. Datos que indican cuanto o cuantos de algo. Los datos cuantitativos utilizan la escala de razn o de intervalo y siempre son numricos. Variable cualitativa. Una variable con valores cualitativos. Variable cuantitativa. Variable con valores cuantitativos. Datos transversales. Datos reunidos en el mismo, o aproximadamente el mismo, punto en el tiempo. Datos de una serie de tipo. Datos reunidos en diversos periodos sucesivos. Estadstica descriptiva. Mtodos tabulares, grficos y numricos para resumir datos. Poblacin. El conjunto de todos los elementos de inters en determinado estudio. Muestra. Un subconjunto de la poblacin. Inferencia estadstica. Proceso de reunir datos obtenidos de una muestra para hacer estimaciones o probar hiptesis acerca de las caractersticas de una poblacin. Distribucin de frecuencias. Resumen tabular que muestra el nmero (frecuencia) de artculos en cada una de varias clases que no se traslapan Distribucin de frecuencias relativas. Resumen tabular de datos que muestran la fraccin o proporcin (frecuencia relativa), de elementos en cada una de varias clases que no se traslapan. Distribucin de frecuencias porcentuales. Resumen tabular de un conjunto de datos donde se muestra el porcentaje de elementos en cada una de varias clases que no se traslapan. Grafica de barras. Dispositivo grafico para representar los datos que han sido resumidos en una distribucin de frecuencia, distribucin de frecuencias relativas o de frecuencias porcentuales. Grfica de pastel. Forma grfica de presentar resmenes de datos cualitativos, basado en la subdivisin de un circulo en sectores que corresponden a la frecuencia relativa de cada clase. Punto medio de clase. Punto en cada clase que esta a la mitad entre los lmites inferior y superior de la clase. Histograma. Presentacin grfica de una distribucin de frecuencias, de frecuencias relativas o de frecuencias porcentuales de datos cuantitativos; se traza colocando los intervalos de clase sobre el eje horizontal y las frecuencias sobre el eje vertical. Distribucin acumulada de frecuencias. Resumen tabular de un conjunto de datos cuantitativos donde se 8

muestra el nmero de elementos que tienen valores menores que, o iguales al lmite superior de la clase. Distribucin acumulada de frecuencias relativas. Resumen tabular de datos cuantitativos donde se muestra la fraccin o proporcin de los elementos cuyos valores son menores que, o iguales al lmite superior de la clase. Distribucin acumulada de frecuencias porcentuales. Resumen tabular de datos cuantitativos donde se muestra el porcentaje de los articulas que tienen valores menores que, o iguales al lmite superior de la clase. Ojiva. Grfica de una distribucin acumulada. Anlisis exploratorio de datos. Mtodos que emplean operaciones aritmticas simples y grficas fciles de dibujar para resumir datos de manera rpida. Diagrama de tallo y hojas. Tcnica de anlisis exploratorio de datos que clasifica y ordena simultneamente los datos cuantitativos y proporciona una perspectiva de la forma de la distribucin. Fabulacin cruzada. Resumen tabular de datos para dos variables. Las clases de una variable se representan en los renglones; las clases de la otra variable, en las columnas. Diagrama de dispersin. Mtodo grfico para mostrar la relacin entre dos variables cuantitativas. Una variable se representa sobre el eje horizontal y la otra sobre el eje vertical. PROBABILIDAD Y ESTADISTICA. TEMA: CONCEPTOS DE ESTADISTICA, EJERCICIOS. Este trabajo consta de los principales conceptos de estadstica y algunos problemas resueltos. BIBLIOGRAFIA ESTADISTICA PARA ADMINISTRACION Y ECONOMIA , ANDERSON EJERCICIO 2 La tabla 1.6 muestra la paga del director ejecutivo, ramo industrial, ventas anuales, sueldo y calificacin del rendimiento por parte de los accionistas para 10 empresas (Bussines Week, 21de abril de 1997). La paga del director ejecutivo con calificacin de 1 indica que la empresa pertenece al grupo con la mejor relacin de sueldo a rendimiento de las acciones. Una calificacin de 2 indica que la empresa es semejante a otras que tienen una relacin muy buena, aunque no la mejor. Las empresas con la peor relacin de sueldo del director ejecutivo a rendimiento de acciones tienen calificacin de 5. Cuntos elementos hay en este conjunto de datos? Cuantas variables hay en este conjunto de datos? Cules variables son cualitativas y cuales son cuantitativas? Clasificacin sueldo del directores comparacin con los dividendos a los accionistas 3 9

Sueldo del director Compaa ejecutivo($miles) Bankers Trust 8925 Banca Ramo

Ventas ($millones) 9565

Bebidas 18546 5 Alimenticia 5567 1 Electrnica 1239 2 Electrnica 27973 4 Editorial 2968 3 Detallista 38236 4 Telecomuni Sprint 3344 14045 4 caciones Walgreen 1490 Detallista 12140 2 Wells fargo 2861 Banca 8723 3 Tabla 1.6 1 Sueldo del director ejecutivo de una muestra de 10 compaas. Respuestas: 10 EJERCICIO 4 La revista Fortune publica datos sobre la clasificacin de las 500 corporaciones industriales estadounidenses ms grandes, en trminos de ventas y utilidades. En la tabla 1.7 vemos datos acerca de una muestra de las 500 compaas (Fortune, 28 de abril de 1997). Cuntos elementos hay en este conjunto de datos? Cul es la poblacin? Calcule las ventas anuales de la muestra. Con el resultado del inciso c, Cul es la estimacin de las ventas promedio para la poblacin? TABLA 1.7 MUESTRA DE 10 EMPRESAS FORTUNE 500 Compaa Bank One CPC Int Tyson Foods HeelettPackard Intel Northurp Seagate Teach Unisys Westvaco Woolwort Respuestas: 10 Las 500 corporaciones estadounidenses ms grandes. $14227.59millones 14227.59millones 10 Ventas($millones) 10272 9844 6454 38420 20847 8071 8588 6371 3075 8093 Utilidades($millones) 1427.0 580.0 87.0 2586.0 5157.0 234.0 213.3 49.7 212.2 168.7 Cdigo del ramo industrial 8 19 19 12 15 2 11 10 22 48

Coca Cola General Mills LSI Logic Motorota Reader digest Sears

2437 1410 696 1847 1490 3414

EJERCICIO 6 En Columbia House se distribuyen discos compactos, casetes y discos por correo a los miembros de su club. La empresa realizo una encuesta musical pidiendo a los nuevos miembros llenaran una nueva forma con 11 preguntas. Algunas de ellas fueron: Cuntos lbumes (discos compactos, cintas o discos) compro usted en los ltimos 12 meses? Es actualmente miembro de un club nacional de pedidos por correo? (S o No). Qu edad tiene usted? Incluyndose usted Cuntas personas (adultos y nios) viven en su casa? Qu tipo de msica le interesa comprar? (Se presenta una lista de 15 categoras, incluyendo rock pesado, rock suave, contempornea, heavy metal, rap y country). Diga si en cada pregunta se piden datos cualitativos o cuantitativos. Respuestas: Las preguntas a, c y d son cuantitativas. Las preguntas b y e son cualitativas. EJERCICIO 8 En una encuesta de Wall Street Journal/NBC news se pregunto a 2013 adultos: Qu tan satisfecho esta usted con la economa estadounidense en la actualidad? (The Wall Street Journal, 12 de diciembre de 1997). Las categoras de las respuestas eran Insatisfecho, Satisfecho y No estoy seguro. Cul fue el tamao de muestra para esta encuesta? Los datos son cualitativos o cuantitativos? Qu tendra mas sentido emplear, promedios o porcentajes como resumen de los datos para esta pregunta? De quienes respondieron, el 28% dijo no estar satisfecho con el estado de la economa de Estados Unidos. Cuntas personas dieron esa respuesta? Respuestas: 2013 Cualitativo Porcentajes 563 o 564 EJRCICIO 10 Diga si cada una de las variables que siguen es cualitativa o cuantitativa. Edad. Sexo. Lugar en la clase. Marca de automvil. Cantidad de personas que estn a favor de la pena de muerte. Respuestas:

11

 Cuantitativa; relacin Cualitativa; nominal Cualitativa; ordinal Cualitativa; nominal Cuantitativa; relacin EJERCICIO 16 El rea de mercadotecnia de su empresa ha propuesto una nueva bebida diettica que, dicen, captura una gran parte del mercado de adultos jvenes. Qu datos quiere analizar antes de decidirse a invertir cantidades importantes para introducir el nuevo producto en el mercado? Cmo espera obtener los datos mencionados en el inciso b? Respuestas: Pruebas del sabor del producto y comercializacin de la prueba. Estudios estadsticos diseados especialmente. EJERCICIO 18 En un estudio reciente acerca de las causad de muerte en hombres de 60 y mas aos de edad, una muestra de 120 personas indico que 48 murieron debido a enfermedades del corazn. Desarrolle una medida estadstica descriptiva que se pueda emplear como estimado del porcentaje de hombres de 60 aos o mas, que mueren de alguna enfermedad cardiaca. Son cualitativos o cuantitativos los datos sobre las causa de muerte? Explique el papel de la inferencia estadstica en este tipo de investigacin mdica. Respuestas: 40% Cualitativos. EJERCICIO 20 La encuesta de usuarios de datos de escner de 1996, entre 50 empresas, arrojo los siguientes resultados (Mercer Management Consulting, Inc., 24 de abril de 1997): . A.C Nielsen acaparo el 56% del valor del mercado en dlares. La cantidad promedio invertida en datos de escaners, por categora de bienes al consumidor En una escala de 1 (muy descontento) a 5 (muy satisfecho), el nivel promedio de satisfaccin general, con los datos de escaners, fue 3.73. Cite dos medias estadsticas descriptivas. Haga una inferencia de satisfaccin general en la poblacin de todos los usuarios de datos de lectores pticos. Haga una inferencia acerca de la cantidad promedio invertida por categora para datos de escaners acerca de bienes al consumidor. Respuestas: 12

 56% y 387,325 dlares 3.73 387,325 dlares EJERCICIO 22 Una empresa desea probar la eficacia de un nuevo comercial de TV. Como parte de la prueba, el comercial se pasa a las 6:30PM en un programa de noticias locales en Denver, Colorado. Dos das despus, una empresa de investigacin de mercado lleva a cabo una encuesta telefnica para recabar informacin sobre la frecuencia de recuerdos (porcentaje de los telespectadores que recuerdan haber visto el comercial) y las impresiones del comercial. Cul es la poblacin para este estudio? Cul es la muestra para este estudio? Por qu necesita usarse una muestra en este caso? Explique su respuesta: Respuestas: Todos los espectadores adultos que vieron la estacin de TV. Espectadores contactados en la encuesta telefnica. Muestra. EJERCICIO 24 Una muestra de calificaciones intermedias de cinco alumnos arrojo los siguientes resultados: 72, 65, 82, 90, 76. Cules de las siguientes afirmaciones son correctas y cuales se debe considerar que son demasiado generalizadas? La calificacin intermedia promedio de la muestra de cinco alumnos es 77. La calificacin intermedia promedio de todos los alumnos que hicieron el examen es 77. Un estimado de la calificacin intermedia promedio, para todos los alumnos que hicieron el examen es 77. Ms de la mitad de los alumnos que hicieron el examen tienen calificaciones entre 70 y 85. Si se hubieran incluido otros cinco alumnos en la muestra, sus calificaciones estaran entre 665 y 90. Respuestas: Correcto Incorrecto Correcto Incorrecto Incorrecto. CAPITULO 1 EJERCICIO 2 La tabla 1.6 muestra la paga del director ejecutivo, ramo industrial, ventas anuales, sueldo y calificacin del rendimiento por parte de los accionistas para 10 empresas (Bussines Week, 21de abril de 1997). La paga del director ejecutivo con calificacin de 1 indica que la empresa pertenece al grupo con la mejor relacin de sueldo a rendimiento de las acciones. Una calificacin de 2 indica que la empresa es semejante a otras que tienen una relacin muy buena, aunque no la mejor. Las empresas con la peor relacin de sueldo del director ejecutivo a rendimiento de acciones tienen calificacin de 5. 13

 Cuntos elementos hay en este conjunto de datos? Cuantas variables hay en este conjunto de datos? Cules variables son cualitativas y cuales son cuantitativas? Sueldo del director ejecutivo($miles) 8925 2437 1410 696 1847 1490 3414 Ventas Ramo ($millones) Clasificacin sueldo del directores comparacin con los dividendos a los accionistas

Compaa Bankers Trust Coca Cola General Mills LSI Logic Motorota Reader digest Sears

Banca 9565 3 Bebidas 18546 5 Alimenticia 5567 1 Electrnica 1239 2 Electrnica 27973 4 Editorial 2968 3 Detallista 38236 4 Telecomuni 14045 4 Sprint 3344 caciones Walgreen 1490 Detallista 12140 2 Wells fargo 2861 Banca 8723 3 Tabla 1.6 2 Sueldo del director ejecutivo de una muestra de 10 compaas. Respuestas: 10 4 Cualitativa: el sueldo y el ramo; cuantitativa las ventas y puntuacin global. EJERCICIO 4 La revista Fortune publica datos sobre la clasificacin de las 500 corporaciones industriales estadounidenses ms grandes, en trminos de ventas y utilidades. En la tabla 1.7 vemos datos acerca de una muestra de las 500 compaas (Fortune, 28 de abril de 1997). Cuntos elementos hay en este conjunto de datos? Cul es la poblacin? Calcule las ventas anuales de la muestra. Con el resultado del inciso c, Cul es la estimacin de las ventas promedio para la poblacin? TABLA 1.7 MUESTRA DE 10 EMPRESAS FORTUNE 500 Compaa Bank One CPC Int Tyson Foods HeelettPackard Intel Northurp Ventas($millones) 10272 9844 6454 38420 20847 8071 Utilidades($millones) 1427.0 580.0 87.0 2586.0 5157.0 234.0 Cdigo del ramo industrial 8 19 19 12 15 2

14

Seagate Teach Unisys Westvaco Woolwort Respuestas: 10

8588 6371 3075 8093

213.3 49.7 212.2 168.7

11 10 22 48

Las 500 corporaciones estadounidenses ms grandes. $14227.59millones 14227.59millones EJERCICIO 6 En Columbia House se distribuyen discos compactos, casetes y discos por correo a los miembros de su club. La empresa realizo una encuesta musical pidiendo a los nuevos miembros llenaran una nueva forma con 11 preguntas. Algunas de ellas fueron: Cuntos lbumes (discos compactos, cintas o discos) compro usted en los ltimos 12 meses? Es actualmente miembro de un club nacional de pedidos por correo? (S o No). Qu edad tiene usted? Incluyndose usted Cuntas personas (adultos y nios) viven en su casa? Qu tipo de msica le interesa comprar? (Se presenta una lista de 15 categoras, incluyendo rock pesado, rock suave, contempornea, heavy metal, rap y country). Diga si en cada pregunta se piden datos cualitativos o cuantitativos. Respuestas: Las preguntas a, c y d son cuantitativas. Las preguntas b y e son cualitativas. EJERCICIO 8 En una encuesta de Wall Street Journal/NBC news se pregunto a 2013 adultos: Qu tan satisfecho esta usted con la economa estadounidense en la actualidad? (The Wall Street Journal, 12 de diciembre de 1997). Las categoras de las respuestas eran Insatisfecho, Satisfecho y No estoy seguro. Cul fue el tamao de muestra para esta encuesta? Los datos son cualitativos o cuantitativos? Qu tendra mas sentido emplear, promedios o porcentajes como resumen de los datos para esta pregunta? De quienes respondieron, el 28% dijo no estar satisfecho con el estado de la economa de Estados Unidos. Cuntas personas dieron esa respuesta? Respuestas: 2013 Cualitativo Porcentajes 15

 563 o 564 EJRCICIO 10 Diga si cada una de las variables que siguen es cualitativa o cuantitativa. Edad. Sexo. Lugar en la clase. Marca de automvil. Cantidad de personas que estn a favor de la pena de muerte. Respuestas: Cuantitativa; relacin Cualitativa; nominal Cualitativa; ordinal Cualitativa; nominal Cuantitativa; relacin EJERCICIO 16 El rea de mercadotecnia de su empresa ha propuesto una nueva bebida diettica que, dicen, captura una gran parte del mercado de adultos jvenes. Qu datos quiere analizar antes de decidirse a invertir cantidades importantes para introducir el nuevo producto en el mercado? Cmo espera obtener los datos mencionados en el inciso b? Respuestas: Pruebas del sabor del producto y comercializacin de la prueba. Estudios estadsticos diseados especialmente. EJERCICIO 18 En un estudio reciente acerca de las causad de muerte en hombres de 60 y mas aos de edad, una muestra de 120 personas indico que 48 murieron debido a enfermedades del corazn. Desarrolle una medida estadstica descriptiva que se pueda emplear como estimado del porcentaje de hombres de 60 aos o mas, que mueren de alguna enfermedad cardiaca. Son cualitativos o cuantitativos los datos sobre las causa de muerte? Explique el papel de la inferencia estadstica en este tipo de investigacin mdica. Respuestas: 40% Cualitativos. EJERCICIO 20 La encuesta de usuarios de datos de escner de 1996, entre 50 empresas, arrojo los siguientes resultados 16

(Mercer Management Consulting, Inc., 24 de abril de 1997): . A.C Nielsen acaparo el 56% del valor del mercado en dlares. La cantidad promedio invertida en datos de escaners, por categora de bienes al consumidor En una escala de 1 (muy descontento) a 5 (muy satisfecho), el nivel promedio de satisfaccin general, con los datos de escaners, fue 3.73. Cite dos medias estadsticas descriptivas. Haga una inferencia de satisfaccin general en la poblacin de todos los usuarios de datos de lectores pticos. Haga una inferencia acerca de la cantidad promedio invertida por categora para datos de escaners acerca de bienes al consumidor. Respuestas: 56% y 387,325 dlares 3.73 387,325 dlares EJERCICIO 22 Una empresa desea probar la eficacia de un nuevo comercial de TV. Como parte de la prueba, el comercial se pasa a las 6:30PM en un programa de noticias locales en Denver, Colorado. Dos das despus, una empresa de investigacin de mercado lleva a cabo una encuesta telefnica para recabar informacin sobre la frecuencia de recuerdos (porcentaje de los telespectadores que recuerdan haber visto el comercial) y las impresiones del comercial. Cul es la poblacin para este estudio? Cul es la muestra para este estudio? Por qu necesita usarse una muestra en este caso? Explique su respuesta: Respuestas: Todos los espectadores adultos que vieron la estacin de TV. Espectadores contactados en la encuesta telefnica. Muestra. EJERCICIO 24 Una muestra de calificaciones intermedias de cinco alumnos arrojo los siguientes resultados: 72, 65, 82, 90, 76. Cules de las siguientes afirmaciones son correctas y cuales se debe considerar que son demasiado generalizadas? La calificacin intermedia promedio de la muestra de cinco alumnos es 77. La calificacin intermedia promedio de todos los alumnos que hicieron el examen es 77. Un estimado de la calificacin intermedia promedio, para todos los alumnos que hicieron el examen es 77. Ms de la mitad de los alumnos que hicieron el examen tienen calificaciones entre 70 y 85. Si se hubieran incluido otros cinco alumnos en la muestra, sus calificaciones estaran entre 665 y 90. Respuestas: Correcto 17

 Incorrecto Correcto Incorrecto Incorrecto. CAPITULO 2 EJERCICIO 6 En la tabla 2.4 se enumeran los ocho libros de mayor venta en Estados Unidos en febrero de 2000, elaborados en rstica y relacionados con temas de negocio (Bussiness Week, 3 de abril del 2000). Suponga que se llevo acabo un muestreo de compra de libros en Denver, Colorado, y que se obtuvieron los siguientes datos: TABLA 2.4 LOS 8 LOBROS SOBRE ADMINISTRACION MAS VENDIDOS: The 7 Habits of Highly Effective People. Investing for Dummies The Ernst & Young Tax Guide 2000. The Millionaire Next Door. The Motley Fool Investment Guide. Rich Dad. Poor Dad. The Wall Street Journal Guide to Understanding Money and Investing. What Color is Your Parachute? 2000. (Estos son los datos) 7 Habits Motley Millionaire Dad Motley Millionaire Motley 7 Habits Motley Millionaire Dad Millionaire Motley 7 Habits WSJ Guide 7 Habits 7 Habits WSJ Guide Motley Millionaire 7 Habits Tax Guide Dad WSJ Guide Millionaire Millionaire Dad Tax Guide Millionaire Millionaire Millionaire 7 Habits Dad WSJ Guide 7 Habits 7 Habits Dad Millionaire Millionaire Dad Millionaire Dad Parachute WSJ Guide Millionaire Motley Dad Motley Dad Millionaire WSJ Guide Dummies Dad 7 Habits Millionaire Motley Dad Tax Guide Dummies Dad

forme las distribuciones de frecuencias y de frecuencias porcentuales para los datos. Agrupe los libros que tengan una frecuencia de 5% o menor en la categora de otros. Clasifique los libros de mayor venta. Qu porcentajes de las ventas corresponden a The Millionaire Next Door y Rich Dad, Poor Dad? Libro 7 Habits Millionaire Motley Dad Frecuencia 10 16 9 13 Frecuencia % 16,66 26,67 15 21,67 18

WSJ Guide Otro Totales Respuestas: a.

6 6 60

10 10 100

b. Primeros cinco: Millionaire, Dad,motley,7 Habits,WSJ Guide. 43.33% EJERCICIO 8 En la pagina siguiente se observan datos de una muestra de 25 miembros del salon de la fama de beisbol, en Cooperstown, Nueva York, para cada posicin del campo. Cada observacin indica la posicin principal del jugador: lanzador (P), receptor (H), primera base (1), segunda base (2), tercera base (3), parador en corto (S), jardinero izquierdo (l), jardinero central , jardinero derecho . LPCH2PR1SS1LPR PPPRCSLRPCCPPR 23PHLP1CPPPS1L R12HS3H2LP resuma los datos elaborando una distribucin de frecuencias y una distribucin de frecuencias relativas. Qu posicin tiene mas miembros en el salon de la fama? Qu posicin tiene menos miembros? Qu posicin de jardin (L, C o R) tiene mas miembros? Compare los jugadores de cuadro (1,2,3 y S) con los jardineros (L, C y R). Respuestas: a) POSICION FRECUENCIA FRECUENCIA REL. P 17 0.309 H 4 0.073 1 5 0.091 2 4 0.073 3 2 0.036 S 5 0.091 L 6 0.109

19

C 5 0.091 R 7 0.127 ___ _____ TOTALES 55 1.000 b) LANZADOR c) TERCERA BASE d) JARDINERO DERECHO e) 16 JUGADORES DE CUADRO CONTRA 18 JARDINEROS EJERCICIO 16 En la tabla 2.9 se presenta una muestra de 25 empresas fabricantes de componentes de computo, tomada de la base de datos de Stock Invester Pro. Elabore resumenes tabulares y un histograma para los precios de las acciones. Haga comentarios acerca de los precios caractersticos y de la distribucin de los precios. Elabore resmenes tabulares y un histograma de los datos del rendimiento por accion. Haga comentarios de sus resultados. Tabla 2.9 PRECIO POR ACCION 12.31 11.00 65.50 35.94 15.00 43.00 14.25 16.25 12.88 PROPIEDAD (%) 45.4 66.1 83.0 91.5 33.4 58.8 11.8 20.9 30.8 RELACION PRECIO/VALOREN LIBROS 2.49 2.22 6.84 4.25 2.04 1.92 3.47 2.38 1.41 RENDIMIENTO POR ACCION($ANUALES) 2.49 0.85 2.01 1.15 0.89 2.93 0.80 0.76 0.82 20

EMPRESA Amdahl Auspex systems Compaq computer Dat general Digi internacional Digital equipment corp. En pointe Technologies Equitrac Franklin electronic

Pals Gateway 2000 Hewlettpackard Ingrammicro Maxwell Technologies Micro age Micro electronics Networ computingdevices Pomeroy computer resourse Sequent computer systems Silicon ggraphics Southrn electronics Stratus computer Sun microsistems Taqnden computers Tech data Uniys

39.13 61.50 28.75 30.50 27.19 16.31 11.88 33.00 28.19 27.44 15.13 55.50 48.00 34.25 38.94 11.31

36.0 50.2 14.4 26.5 76.6 18.8 39.8 56.9 57.0 63.0 41.9 77.2 59.3 61.3 82.3 34.8

6.45 4.35 4.53 8.07 2.16 4.48 3.34 3.29 2.65 3.01 2.46 2.48 7.50 3.61 3.80 16.64

1.74 2.64 1.01 0.46 1.25 1.06 0.15 1.81 0.36 0.44 0.99 2.52 1.67 1.02 1.50 0.08

Respuestas: a) Precio de frecuencia Frecuencia Frecuencia Las acciones Relativa Porcentual (dolares) 10.00 19.99 10 0.40 40 20.00 29.99 4 0.16 16 30.00 39.99 6 0.24 24 40.00 49.99 2 0.08 8 50.00 59.99 1 0.04 4 60.00 69.99 2 0.08 8 ____ ____ ___ Totales 25 1.00 100 21

b) Ganancias por Frecuencia Frecuencia Frecuencia Accin Relativa Porcentual (dlares) 3.00 a 2.01 2 0.08 8 2.00 a 1.01 0 0.00 0 1.00 a 0.01 2 0.08 8 0.00 a 0..99 9 0.36 36 1.00 a 1.99 9 0.36 36 2.00 a 2.99 3 0.12 12 ___ ____ ___ Totales 25 1.00 100 EJERCICIO 18 Wageweb lleva a cabo encuestas de datos de salarios y presenta los resmenes en su sitio de la red. Usando datos de salarios a partir del primero de enero de 2000, Wageweb informo que los salarios de los vicepresidentes de marketing variaban de 85090 a 190054 dlares (Wageweb.com, 12 de abril de 2000). Suponga que los siguintes datos son una muestra de los salarios anuales para 50 vicepresidentes de marketing. Los daros estan dados en miles de dolares. 145 140 145 173 116 127 155 134 138 114 95 162 127 113 178 143 93 165 160 135 148 118 148 104 123 134 102 123 157 151 112 170 165 141 141 136 154 124 138 138 132 144 138 142 138 137 142 124 131 157

Cules son los salarios minimo y maximo Use un ancho de clase de 150,00 dolares y prepare resumes tabulares de los datos de salario anual? Qu proporcion hay de salarios anuales de 135,000 dolares o menos? Qu porcentaje hey de salarios anuales mayores de 150,000 dolares? Trace un histograma de los datos. Respuestas: Salario mnimo: 93,000 dlares 22

Salario mximo: 178,000 dlares. b. Sueldo miles de dolares 90105 106120 121135 136150 151165 166180 totales c. 20/50 d. 24% e. EJERCICIO 20 La oficina de censos de Estados Unidos publica informacin diversa acreca de la poblacin de ese pais. La siguiente informacin es la distribucin de frecuencias porcentules de la poblacin de Estados Unidos por edad desde el primero de julio de 2000 (The World Almanac and Book of Facts 2000). Edad 013 1417 1824 2534 3544 4554 5564 65 o ms Frecuencia Porcentual 20.0 5.7 9.6 13.6 16.3 13.5 8.7 12.6 100.0 frecuencia 4 5 11 18 9 3 50 Frecuencia relativa 0,08 0,1 0,22 0,36 0,18 0,06 1 Frrecuencia % 8 10 22 36 18 6 100

Qu porcentaje de la poblacin tiene 34 aos o menos? Qu porcentaje de la poblacin tiene entre 25 y 54 aos inclusive? Qu porcentaje de la poblacin es mayor de 34 aos? La poblacin total es 275 millones. Cuntas personas son menores de 25 aos? Suponga que usted cree que la mitad de las personas en la clase 5564 estn retiradas y que aproximadamente todas las personas de 65 aos o mas estn retiradas. Estime el numero de personas retiradas de la poblacin. Respuestas: 48.9$ 43.4% 23

 51.1% 97.075 millones 46.6125 millones EJERCICIO 26 Los datos de rendimiento por accin para una muestra de 20 empresas de la tabla de empresas de bussuness week, 17 de noviembre de 1997 son los siguientes. Empresa Rendimiento por accin En dlares Barnes & Noble 0.78 Citicorp 7.10 Compaq Computer 2.16 Dana 3.42 Dell Computer 2.03 Digital Equipmet 1.28 General Dynamics 4.82 Goodyear 0.94 Harley Davidson 1.11 Heinz 0.98 Hersey Foods 1.97 Hewlett Packard 2.82 Humana 0.89 Microsoft 2.66 Procter & Gamble 2.53 Quaker Satate 0.41 Sara Lee 2.08 Snap On Tools 2.38 Sunstrad 2.53 Xerox 3.95 24

Trazar un diagrama de tallo y hoja para esto datos. Utilice 01 como unidad de la hoja. Comente lo que aprendi acerca de los rendimientos por accin para estas empresas. 047899 1129 200135568 349 48 5 6 71 EJERCICIO 32 Los elementos de la tabla 2.15 son los datos financiero para una muestra de 36 compaas cuyas acciones se comercializan en la bolsa de valores de New York . Los datos sobre ventas, mrgenes , ROE, es una evaluacin compuesta basada en la tasa de crecimiento de ventas de la compaa, sus mrgenes de ganancia y su rendimiento de la equidad (ROE). La evaluacin EPS es una medida del crecimiento del rendimiento por accin para la compaa. Prepare una tabulacion cruzada de los datos sobre ventas , mrgenes, ROE (renglones) y evaluacin EPS (columnas) . Use clases de 019, 2039, 4059, 6079, y 8099. para la evolucin EPS . Calcule los porcentajes por rengln y comente cualquier relacin que haya entre las variables. Clasificacin Consistencia Consistencia ventas Compaia EPS Relativa relativa de Mrgenes De precios grupos ind. ROE Advo 81 74 B A Alaska AirGP 58 17 C B Alliant Tech 84 22 B B Atmos Engy 21 9 C E Bsnk of Am. 87 38 C A Bowater PLC 14 46 C D Callaway Golf 46 62 B E Central Parking 76 18 B C Dean Foods 84 7 B C Dole Food 70 54 E C Elec. Data Sys. 72 69 A B Fed. Dep. Stor. 79 21 D B Gateway 82 68 A A Goodyear 21 9 E D

25

Hanson PLC 57 32 B B ICN Pharm 76 56 A D Jeferson Plt. 80 38 D C Kroger 84 24 D A Mattel 18 20 E D Mc Dermott 6 6 A C Monaco 97 21 D A Murphy Oil 80 62 B B Nordstrom 58 57 B C NYMAGIC 17 45 D D Oficce Depot 58 40 B B Payless Shoes 76 59 B B Praxair 62 32 C B Reebok 31 72 C E Safeway 91 61 D A Teco Energy 49 48 D B Texaco 80 31 D C US West 60 65 B A United Rental 98 12 C A Wachovia 69 36 E B Winnebago 83 49 D A York Intl 28 14 D B Respuestas: a) Ventas/ Margenes/ ROE A B C D E Totales b) Ventas/ Margenes/ ROE A B Evaluacion 20 39 8.33 EPS 40 59 33.33 Evaluacion 20 39 1 1 3 4 1 2 4 EPS 40 59 4 1 1 6

0 19

60 79 1 5 2 1 9

80 100 8 2 3

13

Total 9 12 7 5 3 36

0 19

60 79 11.11 41.67

80 100 88.89 16.67

Total 100 100 26

C D E

14.29 60.00

14.29 20.00 66.67 33.33

28.57 20.00

42.86

100 100 100

Al parecer, las evaluaciones EPS mayores estn asociadas con evaluaciones mayores en ventas/ mrgenes / ROE. En la columna (1) se observan los valores que toma la variable nmero de aulas por escuela, que varan de 8 a 14. En la columna (2) se ha colocado la cantidad de escuelas correspondiente a cada valor de la variable. Si sumamos esta columna obtenemos la cantidad total de escuelas bajo estudio. Nmero de aulas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 10 5 Frecuencia

27

 Indice general
1. COMBINATORIA 1.1. Conceptos fundamentales . . . . . . . . . . . . 1.2. Muestras ordenadas . . . . . . . . . . . . . . . 1.2.1. Muestras ordenadas sin repeticin . . . o 1.2.2. Permutaciones . . . . . . . . . . . . . . 1.2.3. Permutaciones con elementos repetidos . 1.2.4. Muestras ordenadas con repeticin . . . o 1.3. Muestras no ordenadas . . . . . . . . . . . . . . 1.3.1. Muestras no ordenadas y sin repeticin o 1.4. EJERCICIOS . . . . . . . . . . . . . . . . . . . 5 5 7 7 7 8 8 9 9 12 15 15 15 18 21 25 26 27 30 31 33 38 38 38 40 40 41 42 44 44 46 47 49 51 56 56 56 58 59

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

2. PROBABILIDAD 2.1. Experimentos aleatorios . . . . . . . . . . . . . . . . . 2.2. Deniciones bsicas . . . . . . . . . . . . . . . . . . . . a 2.3. Operaciones con sucesos . . . . . . . . . . . . . . . . . 2.4. Asignacin de probabilidades. Regla de Laplace . . . . o 2.5. Probabilidad condicionada . . . . . . . . . . . . . . . . 2.6. Sucesos independientes . . . . . . . . . . . . . . . . . . 2.7. Experimentos compuestos. Teorema de la probabilidad 2.8. Tablas de contingencia . . . . . . . . . . . . . . . . . . 2.9. El teorema de Bayes. . . . . . . . . . . . . . . . . . . . 2.10. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . total. . . . . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

3. DISTRIBUCION BINOMIAL Y DISTRIBUCION NORMAL 3.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 3.2. La distribucin binomial o de Bernoulli . . . . . . . . . . . . . . . o 3.2.1. El uso de las tablas de la distribucin binomial . . . . . . . o 3.2.2. Probabilidades acumuladas . . . . . . . . . . . . . . . . . . 3.2.3. Media y desviacin t o pica en una distribucin binomial . . . o 3.3. La distribucin Normal . . . . . . . . . . . . . . . . . . . . . . . . o 3.3.1. Uso de las tablas de la distribucin normal N(0;1) . . . . . o 3.3.2. Clculo de otras probabilidades . . . . . . . . . . . . . . . . a 3.3.3. Clculo de probabilidades en normales N (x; ) . . . . . . . a 3.3.4. Otro uso de las tablas . . . . . . . . . . . . . . . . . . . . . 3.4. Relacin entre la distribucin binomial y la distribucin normal . . o o o 3.5. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4. INFERENCIA ESTAD ISTICA 4.1. Introduccin . . . . . . . . . . . . o 4.2. Muestreos . . . . . . . . . . . . . 4.3. Estimacin por puntos . . . . . . o 4.4. Distribucin muestral de medias o

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . .

. . . .

. . . .

. . . .

. . . . 1

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

 INDICE GENERAL 4.5. Distribucin muestral de proporciones . . . . . . . . . . . . . . o 4.6. Intervalos de probabilidad . . . . . . . . . . . . . . . . . . . . . 4.6.1. Intervalo de probabilidad para la media muestral x . . . 4.6.2. Intervalo de probabilidad para la proporcin muestral p o 4.7. Estimacin por intervalos . . . . . . . . . . . . . . . . . . . . . o 4.7.1. Estimacin de la media de una poblacin . . . . . . . o o 4.7.2. Estimacin de una proporcin . . . . . . . . . . . . . . . o o 4.8. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5. TEST DE HIPOTESIS 5.1. Introduccin . . . . . . . . . . . . . . o 5.2. Hiptesis estad o sticas . . . . . . . . . 5.3. Errores . . . . . . . . . . . . . . . . . 5.4. Regin cr o tica y regin de aceptacin o o 5.5. Etapas de la prueba de hiptesis . . o 5.6. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2 60 62 63 65 65 65 67 69 72 72 72 73 74 76 80

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

6. MATRICES Y DETERMINANTES 6.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . o 6.2. Matrices. Denicin y primeros ejemplos . . . . . . . o 6.3. Tipos de matrices . . . . . . . . . . . . . . . . . . . . 6.4. Aplicaciones de las matrices . . . . . . . . . . . . . . 6.5. Operaciones con matrices . . . . . . . . . . . . . . . 6.5.1. Suma y diferencia . . . . . . . . . . . . . . . 6.5.2. Producto por un nmero real . . . . . . . . . u 6.5.3. Trasposicin de matrices . . . . . . . . . . . . o 6.5.4. Producto de matrices . . . . . . . . . . . . . 6.6. La matriz inversa . . . . . . . . . . . . . . . . . . . . 6.6.1. Mtodo directo: . . . . . . . . . . . . . . . . . e 6.6.2. Mtodo de Gauss-Jordan: . . . . . . . . . . . e 6.7. Rango de una matriz . . . . . . . . . . . . . . . . . . 6.8. Determinantes . . . . . . . . . . . . . . . . . . . . . 6.9. La regla de Sarrus . . . . . . . . . . . . . . . . . . . 6.10. Propiedades de los determinantes . . . . . . . . . . . 6.11. Relacin entre la inversa y los determinantes . . . . o 6.12. Aplicacin de los determinantes al clculo del rango o a 6.13. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . .

82 . 82 . 82 . 83 . 84 . 86 . 86 . 87 . 87 . 88 . 90 . 91 . 92 . 94 . 95 . 97 . 98 . 100 . 101 . 103

7. SISTEMAS DE ECUACIONES LINEALES 109 7.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 o 7.2. Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 7.3. Expresin matricial de un sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 o 7.4. Tipos de sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 7.5. Sistemas con dos incgnitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 o 7.5.1. Discucin de sistemas de 2 ecuaciones con 2 incgnitas . . . . . . . . . . . . . . 113 o o 7.6. Sistemas de 2 incgnitas y 3 ecuaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 113 o 7.7. Sistemas de 3 ecuaciones y 3 incgnitas . . . . . . . . . . . . . . . . . . . . . . . . . . 117 o 7.7.1. Interpretacin geomtrica de los sistemas con 3 ecuaciones y 3 incgnitas . . . 117 o e o 7.7.2. Discusin de sistemas de 3 ecuaciones y 3 incgnitas . . . . . . . . . . . . . . . 120 o o 7.8. Aplicacin de las matrices y determinantes a la resolucin de sistemas. Regla de Cramer 121 o o 7.8.1. Aplicacin de las matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 o 7.8.2. Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122

 INDICE GENERAL 7.9. Estudio de sistemas cualesquiera Frobenius . . . . . . . . . . . . . 7.10. Sistemas homogneos . . . . . . . e 7.11. EJERCICIOS . . . . . . . . . . . mediante el . . . . . . . . . . . . . . . . . . . . . clculo del rango. Teorema a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3 de Rouche . . . . . . . 123 . . . . . . . 124 . . . . . . . 125 127 127 127 128 131 131 133 134 136 139 141 145 145 147 149 149 151 152 153 153 155 156 157 158 161 168 168 168 170 171 172 173 175 175 176 177 179 183 185 187 189

8. PROGRAMACION LINEAL 8.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 8.2. Inecuaciones lineales con 2 variables . . . . . . . . . . . . . . . . 8.3. Sistemas de inecuaciones lineales con dos variables . . . . . . . . 8.4. Problemas de optimizacin de una funcin sujeta a restricciones . o o 8.4.1. Forma geomtrica . . . . . . . . . . . . . . . . . . . . . . e 8.4.2. Forma algebraica . . . . . . . . . . . . . . . . . . . . . . . 8.5. Algunos ejemplos de casos extremos . . . . . . . . . . . . . . . . 8.6. Aplicacin a problemas concretos . . . . . . . . . . . . . . . . . . o 8.7. El problema del transporte . . . . . . . . . . . . . . . . . . . . . 8.8. EJERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9. L IMITES Y CONTINUIDAD DE FUNCIONES 9.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . o 9.2. Tipos de l mites . . . . . . . . . . . . . . . . . . . . 9.3. Clculo de l a mites . . . . . . . . . . . . . . . . . . . 9.3.1. L mites en el innito . . . . . . . . . . . . . 9.3.2. L mites en puntos nitos . . . . . . . . . . . 9.3.3. L mites potenciales. Indeterminacin 1 . . o 9.4. As ntotas . . . . . . . . . . . . . . . . . . . . . . . 9.4.1. As ntotas verticales . . . . . . . . . . . . . . 9.4.2. As ntotas horizontales . . . . . . . . . . . . 9.4.3. As ntotas Oblicuas . . . . . . . . . . . . . . 9.5. Continuidad . . . . . . . . . . . . . . . . . . . . . . 9.6. Tipos de discontinuidad . . . . . . . . . . . . . . . 9.7. EJERCICIOS . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

. . . . . . . . . . . . .

10.DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION 10.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 10.2. Introduccin al concepto de derivada. Tasas de variacin media e instantnea. . . . . . o o a 10.3. Denicin de derivada. Reglas de derivacin. Interpretacin geomtrica . . . . . . . . . o o o e 10.3.1. Propiedades de las derivadas. Reglas de derivacin . . . . . . . . . . . . . . . . o 10.3.2. Derivadas elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.3.3. Interpretacin geomtrica de la derivada . . . . . . . . . . . . . . . . . . . . . . o e 10.4. Aplicaciones de las derivadas a la F sica y la Econom . . . . . . . . . . . . . . . . . . a 10.4.1. Aplicacin a la F o sica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.4.2. Aplicacin a la Econom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o a 10.5. Derivabilidad y continuidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.6. Aplicaciones de las derivadas al clculo del crecimiento y decrecimiento de una funcin. a o Clculo de extremos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . a 10.7. Aplicaciones de las derivadas al clculo de la concavidad y la convexidad, puntos de a inexin. Criterio para determinar mximos y m o a nimos. . . . . . . . . . . . . . . . . . 10.8. Representacin grca de funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o a 10.9. Optimizacin de funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 10.10. JERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . E

 INDICE GENERAL 11.INTEGRACION. CALCULO DE AREAS 11.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 11.2. Primitivas. Integral indenida . . . . . . . . . . . . . . . . . . . . 11.3. Primitivas inmediatas . . . . . . . . . . . . . . . . . . . . . . . . 11.4. Integracin por cambio de variable . . . . . . . . . . . . . . . . . o 11.5. Determinacin de una primitiva particular de una funcin . . . . o o 11.6. El problema del clculo del area . . . . . . . . . . . . . . . . . . . a 11.7. La integral denida. La regla de Barrow . . . . . . . . . . . . . . 11.8. Aplicaciones de la integral denida al clculo de areas de recintos a 11.8.1. Areas limitadas por una funcin y el eje x . . . . . . . . . o 11.8.2. Areas limitadas por dos funciones . . . . . . . . . . . . . 11.9. Otras aplicaciones de las integrales . . . . . . . . . . . . . . . . . 11.10. JERCICIOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . E

4 193 193 193 195 196 198 199 201 203 203 206 207 210

. . . . . . . . . . . . . . . . . . . . . . . . . . . . planos . . . . . . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

Cap tulo 1

COMBINATORIA
Previamente al estudio de la probabilidad en s conviene dedicar algn tiempo al repaso de las , u tcnicas combinatorias. e Recordemos que la Combinatoria es la parte de las Matemticas que se ocupa de la resolucin de a o problemas de eleccin y disposicin de los elementos de cierto conjunto, de acuerdo con ciertas reglas. o o Es decir, dentro de la Combinatoria es dnde tienen sentido preguntas del tipo: o 1. Cuntas quinielas distintas pueden hacerse?. a 2. Cuntas posibles combinaciones pueden darse en la loter primitiva?. a a 3. Qu posibilidades hay de que me toquen los cuatro ases en una mano de tute?. e 4. De cuntas formas se pueden sentar 5 personas en 5 asientos de un cine?. a Trataremos de dar respuesta a estas cuestiones y algunas ms. a

1.1.

Conceptos fundamentales

En todo problema combinatorio hay varios conceptos claves que debemos distinguir: 1. Poblacin: Es el conjunto de elementos que estamos estudiando. Llamaremos tamao de la o n poblacin al nmero de elementos de este conjunto. o u 2. Muestra: Es un subconjunto de la poblacin. Llamaremos tamao de la muestra al nmero de o n u elementos que la componen. Los diferentes tipos de muestra vienen determinados por dos aspectos: a) El orden, es decir, si es importante que los elementos de la muestra aparezcan ordenados o no. b) La posibilidad de repeticin o no de los elementos. o Ejemplo: Veamos con qu tipo de poblaciones y muestras trabajamos en los ejemplos anteriores: e 1. La poblacin en este caso es {1,X,2}, que tiene tamao 3 (no hay otras posibilidades en una o n quiniela). Una quiniela (teniendo en cuenta el pleno al 15) es una muestra de tamao 15 de la poblacin n o anterior (por ejemplo : 1XX121XXX212111). Es evidente que el orden en esta muestra es importante (no es lo mismo una X en la segunda casilla que en la quinta) y que se permiten elementos repetidos ( los unos , equis o doses se pueden repetir). Es por tanto una muestra ordenada y con repeticin. o 5

CAP ITULO 1. COMBINATORIA

2. En este caso la poblacin es mayor, pus son todos los nmeros desde el 1 al 49, es decir o e u {1,2,3. . . .,49}. Por tanto, y si nos olvidamos del complementario, una apuesta de loter primitiva es una muestra a de tamao 6 de dicha poblacin (por ejemplo 3, 18, 40, 41, 43, 45 ). n o Aqu el orden no inuye y los elementos no se pueden repetir (no puede salir un nmero ms de u a una vez). Son muestras no ordenadas y sin repeticin. o 3. La poblacin ahora est formada por las 40 cartas que componen una baraja espaola, es decir o a n {1 oros, 2 oros,. . . .,Rey bastos} , y para el caso de 4 jugadores, tenemos una muestra de 10 cartas, que evidentemente no se pueden repetir y adems el orden no importa. a Muestras no ordenadas y sin repeticin. o 4. La poblacin son las 5 personas a elegir, y la muestra tiene el mismo tamao, 5, pues elegimos a o n las 5 personas. Eso s ahora el orden s que es importante y adems las personas no se pueden , a repetir. Son muestras ordenadas y sin repeticin. o 5. Un ejemplo de muestra no ordenada y con repeticin podr ser una mano de cartas pero teniendo o a en cuenta que jugamos con 2 barajas idnticas mezcladas (80 cartas). e Si se reparten 10 a cada uno de 4 jugadores, tenemos una muestra de tamao 10 en la que n es evidente que el orden no importa y que podemos tener cartas repetidas (por ejemplo, dos caballos de oros). El objetivo de la Combinatoria es calcular cuntos tipos de muestras de un determinado tamao a n se pueden extraer de cierta poblacin. El resultado en el que nos basaremos a la hora de calcular el o nmero de muestras es el siguiente: u Principio de multiplicacin: o Si un procedimiento se puede separar en r etapas, de modo que el resultado de una de ellas no inuye en el resultado de las otras, y en cada una de estas etapas se obtienen respectivamente n1 , n2 , n3 , . . ., nr resultados, entonces el procedimiento global conduce a n1 n2 n3 . . . nr resultados. Ejemplo: Cuntos resultados podemos obtener al lanzar una moneda tres veces?. a Aplicando el principio anterior, en el primer lanzamiento obtenemos 2 resultados (Cara o cruz), en el segundo lanzamiento, otros 2 y en el tercero tambin 2. e Por tanto, en total hay 2 2 2 = 8 posibles resultados. Si lo disponemos en forma de diagrama de a rbol, obtenemos los 8 resultados:

Figura 1.1: Diagrama de arbol

CAP ITULO 1. COMBINATORIA

1.2.
1.2.1.

Muestras ordenadas
Muestras ordenadas sin repeticin o

Si tenemos una poblacin de tamao n y queremos extraer una muestra ordenada y sin repeticin o n o de tamao k (k < n), razonemos de este modo: n El primer elemento lo podemos elegir entre n elementos. El segundo, al no poder repetir, podemos elegirlo entre n 1 elementos. . . . El elemento k, lo podremos elegir entre n k + 1 elementos. Por tanto, y aplicando el principio de multiplicacin en total hay : o n (n 1) . . . (n k + 1) muestras de tama o k ordenadas y sin repeticin. n o Ejemplos: 1. De cuntas formas se pueden elegir 2 cartas, extra a das sucesivamente y sin repetir, de una baraja espaola? n La primera se puede elegir de 40 formas. La segunda, al no poder repetir, slo se puede elegir de 39 maneras. o Por tanto, en total hay 4039 = 1560 posibilidades. 2. Seis ciclistas llegan al sprint en una prueba de la Olimpiadas, De cuntas maneras se pueden a colocar los tres primeros puestos?. Para el primer puesto hay 6 posibilidades. Para el segundo, slo 5 posibilidades. o Para el tercero, quedan 4 opciones. Por tanto hay en total 654 = 120 maneras. Las muestras ordenadas y sin repeticin se denominan Variaciones sin repeticin. Por tanto, o o si el tamao de la poblacin es n y el de la muestra k, el nmero de variaciones sin repeticin lo n o u o expresaremos por: k Vn = n (n 1) . . . (n k + 1) (notemos que k, tamao de la muestra indica el nmero de factores que hay que multiplicar, por n u ejemplo, en los ejemplos anteriores, en el primero las muestra eran de tamao 2 y multiplicbamos 2 n a factores, y en el segundo eran muestras de tamao tres y multiplicbamos tres factores). n a Ejercicio: Cuntos nmeros de cuatro cifras no repetidas se pueden formar con las cifras del 1 al 9 a u (ambas inclusive)?

1.2.2.

Permutaciones

En el caso particular de que se tome una muestra de tamao igual al tamao de la poblacin, es n n o decir, k = n, las variaciones se denominan permutaciones y se obtendr a:
n Vn = n (n 1) . . . (n n + 1) = n (n 1) . . . 1

CAP ITULO 1. COMBINATORIA

El producto de todos los nmeros enteros desde el 1 hasta el n se denomina factorial de n y se u representa por n!. Por denicin, 0!=1 y 1!=1. Evidentemente no existen los factoriales de los nmeros o u negativos (Si intentsemos calcular, por ejemplo (-4)!, por denicin deber a o amos escribir: (4) (3) (2) (1) 0 1 = 0 , es decir, el 0 siempre aparecer en un factorial de un entero negativo, y dicho factorial ser siempre a a 0. No tiene sentido, por tanto, calcular el factorial en este caso). Por tanto este caso particular de variaciones sin repeticin se denomina permutaciones sin repetio cin de n elementos y se expresa: o Pn = n! Ejemplo: De cuntas maneras se pueden sentar 5 personas en 5 asientos en un cine?. a La primera persona se puede sentar en 5 sitios. La segunda slo en 4, la tercera en 3, la cuarta en 2 y la quinta en 1. o De modo que hay 54321 = 120 posibilidades, es decir, P5 = 5! = 120. Ejercicio: Cuntas palabras de 8 letras (con o sin sentido) se pueden formar con las letras A B C a D E F G H?.

1.2.3.

Permutaciones con elementos repetidos

Si queremos calcular el n mero de permutaciones de n elementos de los cules hay n1 de una u a clase,n2 de otra, etc. . . de modo que n1 + n2 + . . . + nr = n , entonces hablamos de permutaciones de n elementos, algunos de los cuales estn repetidos, lo que se expresa como: a
n Pn 1 ,n2 ,...,nr =

n! n1 ! n2 ! . . . nr !

Ejemplo: Con las letras A A A B B ,cuntas palabras, con o sin sentido, pueden formarse? a La A se repite 3 veces y la letra B se repite 2 veces, y en total hay 5 letras. As el nmero total de u palabras son: 54321 54 5! 3,2 = = = 10 P5 = 3! 2! 32121 2 Dichas palabras ser an: AAABB, AABAB, AABBA, ABAAB, ABABA, ABBAA Escribe los 4 restantes. Ejercicio: Con 5 signos + y 3 signos - Cuntas cadenas de s a mbolos se pueden formar?

1.2.4.

Muestras ordenadas con repeticin o

Si la poblacin es de tama o n y la muestra de tamao k, pero ahora permitimos repeticiones o n n ,procedemos as : El primer elemento se puede elegir de n maneras. Como podemos repetir, el segundo tambin se puede elegir de n maneras. e . . . El elemento nmero k se puede elegir de n maneras. u En total tendremos nn. . . n (k veces ) = nk muestras de este tipo. Ejemplos: 1. De cuntas maneras se pueden elegir 2 cartas (no necesariamente distintas de una baraja de 40 a cartas?. La primera se puede elegir de 40 maneras. La segunda, al poder repetir, tambin se puede elegir de 40 maneras. e En total hay 4040 = 1600 formas.

CAP ITULO 1. COMBINATORIA

2. De cuntas formas se puede entregar el Premios al primer clasicado, al segundo, al tercero, y a al cuarto entre 5 pel culas diferentes en un festival de cine? El primer Premio se puede dar de 5 maneras, el segundo tambin, el tercero tambin y el cuarto e e tambin. e Por tanto hay 54 = 625 posibilidades. Las muestras ordenadas y con repeticin se denominan Variaciones con repeticin y lo expresareo o mos: V Rk = nk n Ejercicio: Cuntos nmeros de tres cifras (no necesariamente distintas) pueden formarse con los a u d gitos 1,6,7,8,9?.

1.3.
1.3.1.

Muestras no ordenadas
Muestras no ordenadas y sin repeticin o

Para estudiar este caso, es conveniente jarse en un ejemplo. Supongamos que tenemos una bolsa con 5 bolas numeradas del 1 al 5. Sacamos dos bolas, sin importarnos el orden y sin repetir, cuntos posibles resultados hay?. a Examinemos las posibilidades. Si el orden fuese importante ya sabemos que tendr amos 54 = 20 an: posibilidades (V52 = 5 4) que ser 1, 2 2, 1 3, 1 4, 1 5, 1 1, 3 2, 3 3, 2 4, 2 5, 2 1, 4 2, 4 3, 4 4, 3 5, 3 1, 5 2, 5 3, 5 4, 5 5, 4

Ahora bien, como no nos importa el orden, para nosotros las parejas 2,1 y 1,2 que son 2, en realidad slo deber contar como una, y lo mismo ocurre con el resto de parejas. o an Estamos contando cada pareja 2 veces. Por tanto, para obtener el nmero de parejas que buscamos u tenemos que dividir entre 2. As resulta que el nmero de muestras no ordenadas y sin repeticin que u o 20 = 10 , slo 10 posibilidades que son: o tenemos es de: 2 {1, 2}, {1, 3}, {1, 4}, {1, 5}, {2, 3}, {2, 4}, {2, 5}, {3, 4}, {3, 5}, {4, 5} donde las llaves indican que el orden no importa. Si sacsemos 3 bolas en lugar de 2, tendr a amos los tr 1,2,3 1,2,4 1,2,5 etc. . . en total 543 = os: 3 = 5 4 3). 60 posibilidades (V5 Razonando de igual manera al caso anterior, todos aquellos tr en los que estuviesen por ejemplo, os el 1, el 2 y el 3 estar repetidos. Ahora bien, cuntas veces se repite cada tr Veamos, tomando an a o?. como ejemplo los tr con 1,2 y 3 obtenemos: 1,2,3 1,3,2 2,1,3 2,3,1 3,1,2 3,2,1 6 posibilidades os (P3 = 3!) que en realidad representan lo mismo pues no nos importa el orden. Lo mismo ocurre con cada tr de modo que cada uno de ellos se repite 6 veces, as pus si no tenemos en cuenta el orden, o, e 60 = 10 maneras (no ordenadas y sin repeticin). o el nmero de muestras no son 60 sino: u 6 Ejercicio: Escribir los 10 tr del ejemplo anterior. os Formalizando lo anterior, si la poblacin es de tama o n y se extraen muestras de tamao k, si o n n fuesen ordenadas ser an k Vn = n (n 1) . . . (n k + 1) pero como son no ordenadas tenemos que dividir por el nmero de maneras de ordenar esas muestras u de tamao k, es decir hay que dividir por n Pk = k!

CAP ITULO 1. COMBINATORIA

10

Resumiendo, el nmero de muestras no ordenadas y sin repeticin de tama o k que se extraen de u o n una poblacin de tamao n es: o n k Vn Pk Las muestras no ordenadas y sin repeticin se denominan Combinaciones sin repeticin y las o o expresaremos: Vk k Cn = n Pk
k El nmero de combinaciones sin repeticin Cn se recuerda de manera ms sencilla mediante otra u o a frmula: o n k Cn = k

La expresin o

n se denomina nmero combinatorio y se lee n sobre k. u k Una regla sencilla que permite calcular este nmero combinatorio es: u n k = n! k! (n k)!

Ejemplos: 1. De cuntas maneras se pueden sacar 3 bolas numeradas en cualquier orden, de una bolsa que a contiene 5 bolas?. Ser combinaciones de 5 elementos de los que sacamos 3, es decir, tenemos que calcular: an
3 C5 =

5 3

5! = 10 3! 2!

son las maneras que hab amos calculado en el ejemplo de la introduccin. o 2. De cuntas formas se puede formar un grupo de trabajo de 6 alumnos de entre una clase de a 27?. En este caso son combinaciones (no importa el orden ) de 27 elementos de los que se escogen 6 , es decir: 27! 27 27! 6 = = 296010 = C27 = 6! (27 6)! 6! 21! 6 (Comprubalo!). e Ejercicio: De cuntas maneras se pueden extraer 6 bolas de un bombo que contiene 49 bolas? a (Loter Primitiva) a Hay algunos tipos ms de muestras, en concreto las muestras no ordenadas con repeticin, pero a o no se estudiarn en este momento. a Nmeros combinatorios y factoriales en la calculadora u Las calculadoras cient cas poseen algunas teclas utiles para el clculo de factoriales y nmeros com a u binatorios. Para el factorial, se utiliza la tecla !, que suele encontrarse sobre alguna otra tecla, por lo que al utilizarla habr que presionar antes la tecla SHIFT (o INV). a Dado que los factoriales crecen a una velocidad enorme, un calculadora normal slo puede calcular o hasta el factorial de 69, y ya si pretendemos calcular 70!, se produce un mensaje de error. Observemos que un nmero tan inofensivo como 13! ya tiene un valor de 6.227.020.800 u

CAP ITULO 1. COMBINATORIA

11

Para el caso de los nmeros combinatorios, algunas calculadoras poseen una funcin para calcuu o larlos. Suele estar situada sobre la tecla de la divisin (depende mucho del modelo de calculadora). o Dicha funcin es o nCr n 5 , de modo que si queremos calcular , basta con introducir r 3 el 5, luego SHIFT (o INV) , posteriormente el 3 y luego presionar la tecla de = para obtener 10. (Ya lo hab amos calculado antes). Evidentemente si alguna de estas funciones tiene una tecla propia en la calculadora, es decir, no est encima de otra, no es necesario presionar la tecla SHIFT (o INV) para operar con ella. a y calcula el nmero combinatorio u

Cap tulo 2

PROBABILIDAD
La probabilidad y la estad stica son, sin duda, las ramas de las Matemticas que estn en mayor a a auge en este siglo, y tienen una tremenda aplicabilidad en todos los aspectos y ciencias, especialmente en las Ciencias Sociales, puesto que aquellas variables que inuyen en dichas ciencias, econmicas, o demogrcas, suelen tener carcter aleatorio,es decir, no son deterministas, y se fundamentan en a a predicciones a partir de datos conocidos. Todo aquello que implique prediccin nos lleva al terreno de o la probabilidad.

2.1.

Experimentos aleatorios

En todos los aspectos de la vida a veces nos encontramos con acontecimientos predeterminados, es decir, tales que podemos decir el resultado de dichos acontecimientos antes de que nalice o incluso de que comience. Tal es el caso de: 1. Tirar una piedra desde un edicio ( sabemos que se caer). a 2. Calentar un cazo de agua ( sabemos que la temperatura sube). 3. Golpear una pelota ( sabemos que se va a mover, e incluso conociendo fuerzas que actan etc, u podemos conocer precisamente dnde caer ). o a Tales acontecimientos o experimentos de los que podemos predecir el resultado antes de que se realicen se denominan experimentos deterministas. Sin embargo, analicemos otro tipo de experimentos, mucho ms interesantes desde el punto de a vista matemtico: a Imaginemos que lanzamos un dado al aire (normal, de 6 caras y no trucado). Podemos predecir el resultado que vamos a obtener?. Evidentemente no. Este es un experimento que no es determinista. A este tipo de experimentos, en los cuales no se puede predecir el resultado antes de realizar el experimento se les denomina experimentos aleatorios. Otros ejemplos de experimentos aleatorios pueden ser: Tirar una moneda al aire y observar qu lado cae hacia arriba, rellenar una quiniela de ftbol, e u jugar una partida de pker y, en general, cualquier juego en el que intervenga el azar. o

2.2.

Deniciones bsicas a

La teor de probabilidades se ocupa de asignar un cierto nmero a cada posible resultado que pueda a u ocurrir en un experimento aleatorio, con el n de cuanticar dichos resultados y saber si un suceso es ms probable que otro o relaciones parecidas. Con este n, introduciremos algunas deniciones. a Si realizamos un experimento aleatorio, llamaremos espacio muestral del experimento al conjunto de todos los posibles resultados de dicho experimento. Al espacio muestral lo representaremos por E (o bien por la letra griega omega ). A cada elemento que forma parte del espacio muestral se le denomina suceso elemental.

15

CAP ITULO 2. PROBABILIDAD Ejemplo:

16

1. Cul es el espacio muestral asociado al experimento de lanzar un dado normal al aire y observar a la cara que queda hacia arriba?. Evidentemente, en este caso hay 6 posibles resultados (6 sucesos elementales) y el espacio muestral estar formado por: E={1,2,3,4,5,6}. a 2. Y en el caso del lanzamiento de una moneda? Entonces E={C,X} Ejercicios: 1. Escribir el espacio muestral asociado al experimento de sacar una carta de entre las diez del palo de copas de una baraja espaola. n 2. Escribir el espacio muestral asociado al experimento de lanzar dos dados de diferentes colores y observar la pareja de nmeros que se obtiene. u 3. Escribir el espacio muestral asociado al experimento de lanzar dos dados de diferentes colores y sumar los nmeros que se obtienen. u Llamaremos suceso aleatorio a cualquier subconjunto del espacio muestral. El concepto de suceso es fundamental en probabilidad. Dicho de forma simple, un suceso de un experimento aleatorio es cualquier cosa que se nos ocurra armar sobre dicho experimento. As si tiramos una moneda dos veces, ser sucesos todos los siguientes: , an 1. Sale al menos una cara. 2. Salen ms caras que cruces. a 3. La moneda cae de canto. 4. No sale ninguna cruz. Llamaremos suceso imposible al que no tiene ningn elemento y lo representaremos por . u Llamaremos suceso seguro al formado por todos los posibles resultados (es decir, al espacio muestral) . Llamaremos espacio de sucesos y lo representaremos por S, al conjunto de todos los sucesos aleatorios. Ejemplo: 1. En el caso del lanzamiento de la moneda en el que el espacio muestral era E={C,X} , analicemos quin es el espacio de sucesos: e - Sucesos con 0 elementos: - Sucesos con 1 elemento: {C},{X} - Sucesos con 2 elementos:{C,X} De modo que el espacio de sucesos es: S={,{C},{X},{C,X}}. 2. En el caso del lanzamiento de dos monedas, si haces el diagrama de rbol obtienes el siguiente a espacio muestral: E = {(C, C), (C, X), (X, C), (X, X)} El espacio de sucesos tiene ahora 16 elementos, que puedes intentar escribir, siguiendo el esquema anterior, desde los sucesos con 0 elementos hasta aquellos que tienen 4 elementos. Si describimos los sucesos que pon amos antes como ejemplos, obtenemos:

CAP ITULO 2. PROBABILIDAD a) Sale al menos una cara={(C,C),(C,X),(X,C)}

17

b) Salen ms caras que cruces={(C,C)} a c) La moneda cae de canto= d ) No sale ninguna cruz={(C,C)} 3. En el caso del lanzamiento del dado el espacio de sucesos es mucho ms amplio (64 elementos. a Ser interesante que intentases escribirlos todos o al menos te dieses cuenta de cmo son , a o aunque no los escribas todos) En este mismo ejemplo, se puede considerar el suceso A= sacar un nmero par. De qu sucesos u e elementales consta el suceso A?. Evidentemente, A={{2},{4},{6}}. Otros sucesos pueden ser: B = Sacar un nmero mayor que 5-{{6}}. u C = Sacar un nmero par y menor que 5-{{2},{4}}. u Ejercicio: Una urna contiene dentro 4 bolas de las cuales 2 son blancas, 1 roja y otra azul. Se saca una bola de la urna. a) Escribir el espacio muestral. b) Escribir los sucesos no sacar bola azul y sacar bola roja o blanca. c) Escribir el espacio de sucesos. Los sucesos admiten una representacin grca que facilita su interpretacin; del modo: o a o

Figura 2.1: Representacin en diagrama de Venn del suceso A o

Por ejemplo, en el caso del dado:

Figura 2.2: Representacin en diagrama de Venn para un dado o

A = salir par y menor que 5. Estos diagramas se denominan diagramas de Venn. Propiedad: Si el espacio muestral tiene n elementos, el espacio de sucesos tiene 2n elementos. Ejemplo: En el caso del dado, el espacio muestral ten 6 elementos y el espacio de sucesos tiene 26 = 64 a elementos. En el caso de la moneda, el espacio muestral ten dos elementos y el espacio de sucesos tiene a 22 = 4 elementos.

CAP ITULO 2. PROBABILIDAD

18

2.3.

Operaciones con sucesos

Si realizamos un experimento aleatorio y consideramos varios sucesos A, B, C, etc, asociados a dicho experimento, podemos realizar varias operaciones entre ellos. Los ms importantes son: a 1. Igualdad de sucesos: Dos sucesos A y B son iguales si estn compuestos por los mismos elementos. a Lo expresaremos por A = B. 2. Interseccin de sucesos: Llamaremos suceso interseccin de los sucesos A y B, y lo representareo o mos por A B, al suceso ocurren A y B a la vez. Ejemplo: Si tiramos un dado, ya sabemos que el espacio muestral asociado es E={1,2,3,4,5,6}. u Sean los sucesos A=sacar un n par={2,4,6}, y B=sacar un nmero entre 2 y 4 (inclusive)={2,3,4}. El suceso A B es tal que ocurren A y B a la vez, es decir: e A B=sacar un n par y que est entre 2 y 4 (inclusive)={2,4}. El suceso A B son los elementos comunes a los conjuntos A y B (elementos que estn en los a dos conjuntos). Representado en diagramas de Venn:

Figura 2.3: Interseccin de sucesos: A B o

En ocasiones podremos encontrarnos con sucesos que NO tengan elementos en com n. En estos u casos se dice que los sucesos A y B son incompatibles, y su interseccin se representa con el o conjunto vac o: AB = Evidentemente, si los sucesos s tienen interseccin, diremos que son compatibles. o 3. Unin de sucesos: Llamaremos suceso unin de los sucesos A y B y se representa por A B al o o suceso ocurre A o bien ocurre B o bien ocurren ambos a la vez(tambin podemos decir que e ocurre alguno). Es decir A B son los elementos que estn en ambos conjuntos (aunque no necesariamente en a los dos a la vez). Representado en diagrama de Venn:

Figura 2.4: Unin de sucesos: A B o

CAP ITULO 2. PROBABILIDAD Ejemplo: En el caso anterior: e A B=sacar un n par o un n que est entre 2 y 4 (inclusive)={2,3,4,6}. NOTA:

19

Observemos que la interseccin de dos conjuntos siempre es menorque la unin, de hecho es o o menor que el propio conjunto. Escrito matemticamente: a AB AB AB A AB B A AB B AB (El s mbolo signica contenido, o que el primer conjunto es un subconjunto del segundo) 4. Suceso contrario de otro: Dado un suceso A, denominaremos suceso contrario de A y se repre sentar por A (o bien A o bien Ac ) al suceso que tiene por elementos a todos aquellos que no a pertenecen a A. Ejemplo: Si tiramos un dado, ya sabemos que el espacio muestral asociado es E={1,2,3,4,5,6}. Como antes, los sucesos A=sacar un n par={2,4,6}, por tanto A={1,3,5} y B= sacar un nmero entre 2 y 4 (inclusive)={2,3,4}, de modo que B={1,5,6}. u En un diagrama de Venn:

Figura 2.5: La parte punteada es A.(Todo lo que no est incluido en A) a

5. Diferencia de sucesos: Si A y B son dos sucesos, llamaremos diferencia entre A y B al suceso B A, que consta de los elementos que estn en B pero no estn en A.Por ejemplo, si A={2,4,6}, a a B={2,3,4}, tenemos que B A={3}. Se cumple que B A = B A B, y tambin que e B A = A B. Representado en un diagrama de Venn:

Figura 2.6: La parte rayada es B A, todos los elementos de B que no estn en A e De todas formas, hemos de ser cuidadosos con esta operacin: No se debe confundir con una o simple resta como operacin numrica, sino que es una diferencia conjuntista, quitar los elementos o e comunes a dos conjuntos. Ejercicio: En una urna tenemos 9 bolas numeradas del 1 al 9. Sacamos una y anotamos su nmero. u u Sean los sucesos: A=sacar un n primoB=sacar un n cuadrado (por ejemplo 4 es un nmero cuadrado, porque 4=22 ). Se pide: a) Describir el espacio muestral. b) Cuntos elementos tiene el espacio de sucesos?. a

CAP ITULO 2. PROBABILIDAD

20

c) Calcula A B y A B. d) Son A y B compatibles o incompatibles?. e) Calcula A y B. f) Si C=sale un nmero impar, calcula A C, B C,C , A C,A C. u Propiedades de las operaciones con sucesos: Las operaciones con sucesos tienen las siguientes propiedades, la mayor de ellas bien conocidas: a Interseccin o AB = BA A (B C) = (A B) C AA=A A (A B) = A A (B C) = (A B) (A C) AE =A A = A Unin o AB = BA A (B C) = (A B) C AA = A A (A B) = A A (B C) = (A B) (A C) A = A AE = A

Conmutativa Asociativa Idempotente Simplicacin o Distributiva Elemento neutro Absorcin o

Adems de estas sencillas propiedades (que se demuestran fcilmente mediante un diagrama de a a Venn), las operaciones con sucesos tienen otras dos propiedades muy importantes: Leyes de De Morgan: Si A y B son dos sucesos, se verican: (A B) = A B (A B) = A B Demostracin: Demostraremos la primera de las igualdades. o En primer lugar, representemos en un diagrama de Venn (A B). Para ello, primero representamos A B, y luego su contrario (A B):

Figura 2.7: Imagen 1 corresponde a A B.

Imagen 2 corresponde a A B

Ahora, representaremos en otro diagrama el otro miembro, es decir A B. En primer lugar, representaremos A, luego B y luego su interseccin: o

Figura 2.8: Imagen 1 corresponde a A.

Imagen 2 corresponde a B.

Imagen 3 corresponde a A B.

Observando los dos resultados, vemos que las partes rayadas son iguales, por lo que la igualdad es cierta.

CAP ITULO 2. PROBABILIDAD Ejercicio: 1. Mediante un procedimiento similar, demostrar la segunda ley de De Morgan.

21

2. Luisa y Mar interviene en un torneo de ajedrez. La primera que gane dos partidas seguidas o a tres alternas gana el torneo. Encuentra el espacio muestral con todos los resultados posibles ( suponemos que nunca hacen tablas). (Indicacin: Utiliza un diagrama de arbol). o 3. Consideramos el fenmeno aleatorio extraer una carta de una baraja de 40 y anotarla . Sean los o sucesos A= sacar oro, B= sacar rey, C= sacar el rey de bastos. Determina los sucesos: A C, A B C, A B C, A B

2.4.

Asignacin de probabilidades. Regla de Laplace o

Hasta el momento hemos descrito lo que es un experimento aleatorio y hemos denido los conceptos bsicos asociados a este experimento. Nos falta responder a esta pregunta: Cmo asignar a o probabilidades a cada uno de los sucesos de un experimento aleatorio?. Hay muchas maneras de asignar probabilidades. La ms sencilla e intuitiva la dio el matemtico a a francs Pierre Simon Laplace (1749-1827), quin enunci la regla que lleva su nombre: e e o Regla de Laplace: Si realizamos un experimento aleatorio en el que hay n sucesos elementales, todos igualmente probables, entonces si A es un suceso, la probabilidad de que ocurra el suceso A es: p(A) = nmero de casos favorables al suceso A u nmero de casos posibles u

Ejemplo: Lanzamos un dado normal al aire. Consideramos el suceso A= sale par. Calcular p(A). Casos posibles hay 6, pues E={1,2,3,4,5,6}. Casos favorables al suceso A={2,4,6}. 1 3 Por tanto p(A) = = = 0 5. 6 2 (Notemos que la probabilidad siempre es un nmero positivo y menor, o a lo sumo igual a 1). u El inconveniente que plantea la denicin de Laplace es que necesariamente los sucesos elementales o tienen que tener la misma probabilidad de ocurrir. Observemos un caso tan sencillo como el siguiente: De una urna que contiene 8 bolas rojas, 5 amarillas y 7 verdes se extrae una bola al azar. Calcula la probabilidad de que la bola extra sea : da a) roja b) verde c) amarilla El espacio muestral en este caso ser E={R,V,A}, que consta slo de tres elementos, pero ser un a: o a poco ingenuo asignar las probabilidades mediante la regla de Laplace, p(R) = 1 3 p(V ) = 1 3 p(A) = 1 3

porque ya intuitivamente se ve que hay ms posibilidades, por ejemplo, de que salga una bola roja a que de que salga una bola amarilla, de modo que cmo asignar probabilidades?. o

CAP ITULO 2. PROBABILIDAD Fue el matemtico ruso Kolmogorov quin precis este trmino: a e o e Denicin axiomtica de probabilidad: o a

22

Una probabilidad p es una funcin que asocia a cada suceso A del espacio de sucesos S , un n mero o u real p(A), es decir: p : S R , y que cumple las propiedades: 1. 0 p(A) 1, (es decir, cualquier suceso tiene probabilidad positiva y menor o igual que 1). 2. p(E) = 1 (la probabilidad del suceso seguro es 1). 3. Si A y B son incompatibles, es decir A B = , entonces p(A B) = p(A) + p(B). (es decir la probabilidad de la unin es la suma de las probabilidades si los sucesos tienen interseccin o o vac a). Ejemplo: Sea un experimento aleatorio cualquiera y denamos en S (espacio de sucesos) la siguiente probabilidad: nmero de elementos del conjunto A u p(A) = nmero total de elementos u Comprobemos que p es una probabilidad. Para ello, comprobemos las tres propiedades: a) Se ve que la probabilidad de cualquier suceso est entre cero y uno, puesto que cualquier conjunto a que tenga elementos ya tendr probabilidad positiva, y el nmero de elementos de cualquier conjunto a u no puede ser mayor que el nmero total de elementos existentes. u b) p(E) = 1, es evidente. c) Tomemos dos sucesos A y B que no tengan elementos en com n. Entonces: u p(A B) = elementos que forman parte de A o de B = nmero total de elementos u nmero de elementos de A + nmero de elementos de B u u = p(A) + p(B) = nmero total de elementos u

puesto que si A y B no tienen elementos comunes, el nmero de elementos de la unin es la suma de u o los elementos de cada conjunto por separado. Por tanto se cumplen las 3 propiedades y p as denida es una probabilidad. Esta ser la denicin a o de probabilidad que utilicemos a partir de ahora. Ejemplo: En el ejemplo de las urnas anterior, lo lgico es denir la probabilidad as Como en total hay 20 o : 7 5 8 p(V ) = p(A) = . bolas y 8 son rojas, 7 verdes y 5 amarillas, p(R) = 20 20 20 Se puede comprobar que as denida p es una probabilidad. Sin embargo, comprobar las propiedades de la denicin de Kolmogorov es una labor larga y engorrosa, o puesto que hay que vericar que se cumple para todos aquellos sucesos del espacio de sucesos S, que es ciertamente amplio en muchas ocasiones. El siguiente resultado simplica la tarea de decidir cundo a una funcin p sobre el espacio de sucesos es una probabilidad, basndose slo en los sucesos elementales, o a o es decir, aquellos que forman parte del espacio muestral. Lo enunciaremos sin demostracin: o

CAP ITULO 2. PROBABILIDAD

23

Propiedad o Si w1 , w2 , . . ., wn son los n sucesos elementales de un suceso aleatorio cualquiera,p una funcin p : S R de modo que cumple las propiedades: 1. 0 p(wi) 1 i {1, 2, . . . , n} 2. p(w1) + p(w2) + . . . + p(wn ) = 1 Entonces p es una probabilidad. Ejemplo: Comprobar si las siguientes funciones denidas para los sucesos elementales son probabilidad, siendo E={a,b,c,d} el espacio muestral del experimento aleatorio: 1 1 1 1 a) p(a) = , p(b) = , p(c) = , p(d) = 2 3 4 5 Es obvio que la primera propiedad se cumple, puesto que las 4 probabilidades son nmeros positivos u menores que 1. Para ver si se cumple la segunda, basta realizar la suma: 30 + 20 + 15 + 12 77 1 1 1 1 + + + = = 2 3 4 5 60 60 que evidentemente NO es 1, luego p NO es probabilidad. 1 1 1 b) p(a) = , p(b) = , p(c) = 0, p(d) = 4 2 2 Es obvio que la primera propiedad se cumple, puesto que las 4 probabilidades son nmeros positivos u o cero menores que 1. Para ver si se cumple la segunda, basta realizar la suma: 1+2+1 1 1 1 + + = =1 4 2 4 4 luego p S es probabilidad. I Consecuencias de la denicin de probabilidad: o 1. p(A) = 1 p(A) En efecto, puesto que E = A A y adems A y A son incompatibles, resulta por la propiedad a 3) de la denicin que o p(E) = p(A A) = p(A) + p(A) Y por la propiedad 2), p(E)=1, luego 1 = p(A) + p(A) y por tanto p(A) = 1 p(A). 2. p() = 0 Como E = , resulta que: p(E) = p() = 1 p(E) = 1 1 = 0 3. Si A y B son dos sucesos cualesquiera, p(A B) = p(A) + p(B) p(A B) 4. Si A, B y C son tres sucesos cualesquiera, p(A B C) = p(A) + p(B) + p(C) p(A B) p(A C) p(B C) + p(A B C)

CAP ITULO 2. PROBABILIDAD Ejemplo: Se tira una moneda 3 veces. Calcular la probabilidad de obtener alguna cara.

24

Los problemas de este tipo, en los que se pide la probabilidad de obtener alguna cosa, se suelen resolver muy bien por paso al complementario. En este caso concreto, A = obtener alguna cara. A= no obtener ninguna cara= obtener 3 cruces. 1 o , pues hay 8 casos posibles (222, haz el diagrama de arbol!) y slo uno Entonces, p(A) = 8 favorable (XXX, 3 cruces), por tanto: p(A) = 1 p(A) = 1 1 7 = 8 8

Ejercicio: Calcular la probabilidad de obtener al menos 1 seis si se lanza 4 veces un dado. Ejemplo: Se lanza un dado dos veces y se suman las dos caras. Sea A el suceso A= la suma de resultados es mayor o igual que 10 y B= la suma de los resultados es m ltiplo de 6. Calcular p(A), p(B) y u p(A B). Hay 36 posibles resultados al lanzar dos veces un dado. Cuntos de ellos suman 10 o ms? a a Que sumen 10: (4,6), (5,5), (6,4) Que sumen 11: (5,6), (6,5) Que sumen 12: (6,6) 1 6 = . Por tanto, p(A) = 36 6 Cuntos hay que sumen mltiplo de 6? a u Que sumen 6: (1,5), (2,4),(3,3), (4,2), (5,1) Que sumen 12: (6,6) 1 6 = . Por tanto, p(B) = 36 6 1 En cuanto a A B = (6, 6), luego p(A B) = . 36 Ejercicios: 1. Se ha encargado la impresin de una encuesta a una imprenta, que imprime 12 folios defectuosos o de cada 1000. Hallar la probabilidad de que elegido un folio de la encuesta al azar: a) Est mal impreso. e b) Est correctamente impreso. e 2. Una bolsa contiene 8 bolas numeradas. Se extrae una bola y anota su nmero. Sean los sucesos u A= salir par, B= salir impar, C= salir mltiplo de 4. u Calcular las probabilidades de A B, A C, B C, A B C. 3. Extraemos una carta de una baraja espaola. Calcula: n a) La probabilidad de que sea un rey o un as. b) La probabilidad de que sea un rey o una copa. c) La probabilidad de que sea un rey y una copa. 4. En el banquete posterior a una boda se sientan en la presidencia 10 personas, entre los cuales se encuentran los novios. Calcular la probabilidad de que los novios estn juntos en el centro de la e mesa.

CAP ITULO 2. PROBABILIDAD

25

2.5.

Probabilidad condicionada

Hasta ahora nos hemos limitado a calcular probabilidades unicamente partiendo de un experimento aleatorio, sin tener ms informacin. Pero, qu ocurre si conocemos alguna informacin adicional?. a o e o Supongamos que estamos realizando el experimento aleatorio de lanzar un dado y obtener el 1 nmero que sale. Consideremos el suceso A= sale un 4. Evidentemente, p(A) = . u 6 Ahora bien, variar esta probabilidad si al lanzar el dado alguien pasa por all y nos dice que ha a salido un nmero par?. u Disponemos entonces de una informacin adicional, B={2,4,6}. o Hemos reducido nuestro espacio muestral, que ahora slo consta de 3 elementos y tenemos que o cambiar las probabilidades asignadas. 1 Ahora el suceso A no tiene una posibilidad entre 6 de ocurrir, sino una entre tres, es decir, p(A) = . 3 Esta es la idea de la probabilidad condicionada: La informacin obtenida B, modica la probao 1 y se lee probabilidad de A condicionada a B o bilidad de A. Lo expresaremos as p(A/B) = : 3 probabilidad de A conociendo B. El caso anterior es muy sencillo, pues directamente podemos calcular p(A/B), pero si el espacio muestral se ampl el problema es ms complicado. La frmula siguiente simplica el problema. a, a o Denicin: o Sea A un suceso aleatorio asociado a un experimento aleatorio, y sea B otro suceso que sabemos que se ha realizado. Llamaremos probabilidad de A condicionada a B y lo expresaremos por p(A/B) a la expresin: o p(A/B) = p(A B) p(B)

(de idntico modo se dene p(B/A), escribe la frmula). e o Ejemplo: Para el caso anterior, 1 3 A={4},B={2,4,6} p(B) = = . 6 2 1 A B = {4} p(A B) = . 6 Luego: 1 2 1 p(A B) = 6 = = p(A/B) = 1 p(B) 6 3 2 es lo mismo que obten amos antes directamente. Ejercicios: 1. Calcula la probabilidad de que la suma de las caras de dos dados sea mayor a igual que 10 sabiendo que en el primer dado ha salido un seis. 2. Se lanzan dos dados:cul es la probabilidad de obtener una suma de puntos igual a siete?. a Si la suma de puntos ha sido 7, cul es la probabilidad de que en alguno de los dados haya a salido un 3?

CAP ITULO 2. PROBABILIDAD

26

2.6.

Sucesos independientes

Si bien el conocer cierta informacin adicional modica la probabilidad de algunos sucesos, puede o ocurrir que otros mantengan su probabilidad, pese a conocer dicha informacin. o Por ejemplo, en el lanzamiento de un dado, consideremos los sucesos: A= sacar un nmero par u y B= sacar un nmero menor o igual que 2 Es claro que A= {2,4,6} y B= {1,2}. u Calculemos la probabilidad de A conociendo que se ha realizado el suceso B, es decir, p(A/B). Utilizando la frmula: o 1 3 1 p(A B) = 6 = = =05 p(A/B) = 1 p(B) 6 2 3 1 1 puesto que p(A B)=p(sacar par y menor o igual que 2)= y p(B)= . 6 3 Pero si no conocisemos la informacin B, cul ser la probabilidad de A?. e o a a 3 o p(A)=p(sacar par)= = 0 5, es decir que p(A/B)=p(A), y por tanto el conocer la informacin B 6 no modica la probabilidad de A. Cuando esto ocurre es decir, cuando p(A/B) = p(A), diremos que los sucesos A y B son independientes (el hecho de que ocurra B no modica la probabilidad de A). Propiedad: A y B son sucesos independientes p(A B) = p(A) (B). Demostracin: =) Si A y B son independientes, p(A/B) = p(A), y por la frmula de la probabilidad o o p(A B) p(A B) , luego = p(A), y por tanto p(A B) = p(A) p(B). condicionada,p(A/B) = p(B) p(B) =) Partiendo de p(A B) = p(A) p(B), entonces p(A/B) = p(A) p(B) p(A B) = = p(A) p(B) p(B)

luego p(A/B) = p(A) y por tanto A y B son independientes. Ejemplo: En el caso anterior, p(A B) = 1 1 1 , y por otra parte p(A) = y p(B) = ,luego se cumple que 6 2 3 1 1 1 = = p(A) p(B) 6 2 3

p(A B) = luego A y B son independientes. Ejercicio:

1 2 De dos sucesos conocemos que p(A B) = y p(A) = , calcula p(A B) y p(B) para que A y 3 5 B sean independientes. (Indicacin: Utilizar la frmula de la unin de dos sucesos y la de la independencia de sucesos). o o o 7 7 (Solucin: p(B) = 12 , p(A B) = 60 ). o

CAP ITULO 2. PROBABILIDAD

27

NOTA IMPORTANTE: No se deben confundir los conceptos de sucesos incompatibles y sucesos independientes. Dos sucesos son incompatibles cuando no tienen elementos en comn, es decir, A B = , o con diagramas de u Venn:

Figura 2.9: A y B incompatibles, sin elementos en comn. u Dos sucesos son independientes si p(A B) = p(A) p(B). Son conceptos totalmente distintos. Uno se reere a CONJUNTOS y otro se reere a PROBABILIDADES.

2.7.

Experimentos compuestos. Teorema de la probabilidad total.

Un experimento compuesto es aquel que consta de dos o ms experimentos aleatorios simples. a Es decir, si tiramos un dado, o una moneda, son experimentos aleatorios simples, pero si realizamos el experimento de tirar un dado y posteriormente una moneda, estamos realizando un experimento compuesto. Propiedad: De la frmula para calcular la probabilidad condicionada se deduce inmediatamente que: o p(A B) = p(B) p(A/B) y p(A B) = p(A) p(B/A)

Ejemplo: Se extraen 2 cartas, sucesivamente, de una baraja de 40. Calcular la probabilidad de extraer 2 sotas. Sea A = sacar sota en la 1 y B = sacar sota en la 2 . Nos piden p(A B). Segn la frmula anterior, p(A B) = p(A) p(B/A). u o 1 3 1 1 1 1 4 = y p(B/A) = = , por lo que p(A) = = . Ahora bien , p(A) = 40 10 39 13 10 13 130 La forma ms sencilla de calcular probabilidades en experimentos compuestos es un digrama de a a rbol, donde en cada rama situamos la probabilidad que le corresponde al suceso del nal de dicha rama. Estas probabilidades que se van poniendo en el arbol son probabilidades condicionadas, porque dependen de los resultados anteriores. En el caso del ejercicio anterior, el diagrama ser a:

Figura 2.10: Diagrama de arbol para la extraccin de sota(S) u otra carta (S) o

CAP ITULO 2. PROBABILIDAD

28

Nota: Este mismo resultado se podr haber obtenido sin usar la probabilidad condicionada, del modo: a 40 Formas de elegir 2 cartas de entre 40= . 2 4 Formas de elegir 2 sotas entre 4= . 2 4 6 1 casos favorables 2 = = = . Por la regla de Laplace, p(obtener 2 sotas)= 40 casos posibles 780 130 2 Ejercicios: 1. Una urna contiene 9 bolas rojas y 5 negras. Se extraen sucesivamente 2 bolas. Calcula la probabilidad de que: a) la primera bola sea roja y la segunda negra. b) una sea roja y la otra negra. 2. En una bolsa hay 4 canicas rojas, 4 azules y 2 verdes. Se extraen 3 canicas que resultan ser 2 rojas y una azul. Sin devolverlas a la bolsa se saca otra canica, de qu color es ms probable e a que salga?. Ejemplo: Tenemos dos urnas, una con 7 bolas rojas y 2 azules, y otra con 3 bolas rojas y 8 azules. Tiramos un dado. Si nos sale un 3 o un 5, sacamos una bola de la primera urna y en caso contrario, sacamos una bola de la segunda urna. Cul es la probabilidad de que la bola extra sea azul?. a da Evidentemente estamos realizando un experimento compuesto. En primer lugar, se trata de elegir una urna, para lo cul lanzamos un dado. Si U1 = elegir la urna 1 y U2 = elegir la urna 2, es claro que a 1 2 2 4 p(U1 )= = y p(U2 )= = . 6 3 6 3 Por otra parte, luego realizamos otro experimento consistente en sacar una bola de la urna elegida. Si A= sacar una bola azul, las probabilidades que conocemos son: 2 p(A/U1 ) = 9 y 8 p(A/U2 ) = 11 Lo que nos piden es p(A). Para calcular dicha probabilidad, si representamos el diagrama de arbol:

Figura 2.11: Diagrama de arbol para la extraccin de bolas o Como la probabilidad de A depende de la urna en la que estemos, basta multiplicar las probabilidades de cada rama que llegue a la bola azul y luego sumar los 2 resultados, es decir: 4 32 166 2 2 4 8 = + = = 0 559 p(A) = + 6 9 6 11 54 66 297

CAP ITULO 2. PROBABILIDAD La justicacin terica para proceder as la da el teorema de la probabilidad total. o o

29

o Teorema de la probabilidad total: Si A1 , A2 , . . . , An son sucesos incompatibles 2 a 2, y cuya unin es el espacio muestral (A1 A2 . . . An = E), y B es otro suceso, resulta que: p(B) = p(A1 ) p(B/A1 ) + p(A2 ) p(B/A2 ) + . . . + p(An ) p(B/An ) Nota: El conjunto A1 , A2 , . . . , An que verica la incompatibilidad 2 a 2 y que la unin de todos ellos es o el espacio muestral se denomina sistema completo de sucesos y este sistema divide el espacio muestral en partes que no se solapan. Mediante representacin grca: o a

Figura 2.12: Sistema completo de sucesos: A1 , A2 , . . . , An Ejemplo: Para el caso anterior, A1 = sacar la bola de la urna 1. A2 = sacar la bola de la urna 2. B= sacar bola azul. Y aplicando el teorema: p(B) = p(A1 ) p(B/A1 ) + p(A2 ) p(B/A2 ) = 4 32 166 2 2 4 8 + = + = = 0 559 6 9 6 11 54 66 297

Ejemplo: En un colegio se imparten slo los idiomas ingls y francs. El 80 % de los alumnos o e e estudian ingls y el resto francs. El 30 % de los alumnos de ingls son socios del club musical del e e e colegio y de los que estudian francs son socios de dicho club el 40 %. Se elige un alumno al azar. e Calcular la probabilidad de que pertenezca al club musical. En estos problemas es importante elegir el sistema completo de sucesos. En este caso: A1 = estudiar ingls e e A2 = estudiar francs B= ser del club musical Nos piden p(B). Por el teorema anterior: p(B) = p(A1 ) p(B/A1 ) + p(A2 ) p(B/A2 ) = Mediante el diagrama de arbol: 20 40 8 80 30 + = = 0 32 100 100 100 100 25

Figura 2.13: Diagrama de arbol para el problema de idiomas y club musical Se obtiene el mismo resultado.

CAP ITULO 2. PROBABILIDAD

30

Ejercicio: Se tienen dos urnas, la primera de las cuales tiene 6 bolas blancas, 4 negras y 2 rojas y la urna 2 tiene 3 bolas blancas y 7 negras. Se lanza un dado al aire, y si sale mltiplo de 3 se saca de la primera urna y en otro caso se saca u una bola de la segunda urna. Calcular la probabilidad de que sea: a) bola blanca b) bola negra c) bola roja. Solucin: 11 , 26 , 18 . o 30 45 1

2.8.

Tablas de contingencia

Las tablas de contingencia estn referidas a 2 caracter a sticas que presentan cada una dos o ms a sucesos. Ejemplo: En un taller se sabe que acuden, por la maana 3 automviles con problemas de elctricos, n o e 8 con problemas mecnicos y 3 con problemas de chapa. Por la tarde hay 2 con problemas elctricos, a e 3 con problemas mecnicos y 1 con problemas de chapa. a a) Calcular el porcentaje de los que acuden por la tarde. b) Calcular el porcentaje de los que acuden con problemas mecnicos a c) Calcular la probabilidad de que un automvil con problemas elctricos acuda por la maana. o e n Resumiendo los datos en una tabla de contingencia: Maana n Tarde Total Pr. elctricos e 3 2 5 Pr. Mecnicos a 8 3 11 Pr. de chapa 3 1 4 Total 14 6 20

a) En total acuden 20 y por la tarde acuden 6, luego: 6 p(acudir por la tarde)= = 0 3, es decir, el 30 %. 20 b) En total acuden 20 y con problemas mecnicos hay 11, luego: a 11 p(problemas mecnicos)= = 0 55, es decir, el 55 %. a 20 c) Aqu tenemos una informacin adicional (es un coche que tiene problemas elctricos), luego se o e trata de una probabilidad condicionada.Con problemas elctricos hay 5 y de ellos 3 por la maana, e n luego: 3 p(acudir por la maana/problemas elctricos)= = 0 6, es decir, el 60 %. n e 5 En una tabla de contingencia puede que nos falten datos, pero se pueden hallar fcilmente con los a datos que son conocidos. Ejemplo Para tratar de curar una enfermedad se aplica un tratamiento nuevo a 81 pacientes de un hospital, mientras que en el mismo hospital hay otros 79 pacientes que siguen un tratamiento antiguo contra la misma enfermedad. En total, con ambos tratamientos los curados son 103, de los cuales 60 lo son gracias al tratamiento nuevo. Si tratamos de construir la tabla, con los datos del problema se obtiene: Tratamiento antiguo Curarse No curarse Total Tratamiento nuevo 60 81 Total 103

79

CAP ITULO 2. PROBABILIDAD Completa la tabla y responde a las cuestiones: Si se elige un individuo al azar, calcula la probabilidad de que: 1. Se haya curado. 2. No se haya curado. 3. Se haya curado con el nuevo tratamiento. 4. No se haya curado con el nuevo tratamiento. 5. Se haya curado con el tratamiento antiguo. 6. No se haya curado con el tratamiento antiguo

31

2.9.

El teorema de Bayes.

Como consecuencia del teorema de la probabilidad total y de las propiedades de la probabilidad condicionada, resulta este importante teorema que permite calcular probabilidades condicionadas. Teorema de Bayes: o Si A1 , A2 , . . . , An son sucesos incompatibles 2 a 2, y cuya unin es el espacio muestral (A1 A2 . . . An = E), y B es otro suceso, resulta que: p(Ai /B) = p(Ai ) p(B/Ai ) p(A1 ) p(B/A1 ) + p(A2 ) p(B/A2 ) + . . . + p(An ) p(B/An )

Demostracin: o Por denicin,p(Ai /B) = o

p(Ai B) . p(B)

Ahora bien, recordando que p(Ai B) = p(Ai ) p(B/Ai ), debido a que p(B/Ai ) = Por tanto, combinando los dos hechos: p(Ai /B) = p(Ai ) p(B/Ai ) p(Ai B) = p(B) p(B)

Ai B . p(Ai )

Como por el teorema de la probabilidad total es: p(B) = p(A1 ) p(B/A1 ) + p(A2 ) p(B/A2 ) + . . . + p(An ) p(B/An ) resulta que sustituyendo: p(Ai/B) = p(Ai ) p(B/Ai ) p(Ai ) p(B/Ai ) = p(B) p(A1 ) p(B/A1 ) + p(A2 ) p(B/A2 ) + . . . + p(An ) p(B/An )

y el teorema queda demostrado. Nota: Las probabilidades p(Ai ) se denominan probabilidades a priori. Las probabilidades p(Ai /B) se denominan probabilidades a posteriori. Las probabilidades p(B/Ai ) se denominan verosimilitudes.

CAP ITULO 2. PROBABILIDAD

32

Ejemplo: Dos clases de 2 de Bachillerato, una de 28 alumnos y otra de 35 alumnos hacen conjuntamente un examen de Matemticas. La probabilidad de aprobar de los alumnos de la primera clase es de 068 a y los de la segunda del 073. Se toma un examen al azar y resulta que est aprobado. Cul es la a a probabilidad de que sea de un alumno de la 1 clase?. Sea A1 = el examen es de un alumno de la primera clase A2 = el examen es de un alumno de la segunda clase B= el examen est aprobado a Nos piden p(A1 /B). Hagamos antes que nada un diagrama de arbol:

Figura 2.14: Diagrama de arbol para el problema del examen

Por el teorema de Bayes: p(A1 /B) = Sustituyendo: 28 0 68 0 302 63 = = 0 427 p(A1 /B) = 35 28 0 708 0 68 + 0 73 63 63 p(A1 ) es la probabilidad a priori, es decir , antes de realizar el experimento y careciendo de informacin. o 28 = 0 444. En este caso p(A1 ) = 63 e a o p(A1 /B) es la probabilidad a posteriori, despus de realizarlo y conocer ms informacin. En este caso p(A1 /B) = 0 427 (es algo menor). Ejercicio: Se tienen dos urnas. En la primera hay 10 bolas blancas, 7 negras y 5 rojas. En la segunda 24 blancas, 4 negras y 9 rojas. Se elige una urna al azar y se saca una bola. Calcular: a) Probabilidad de sacar bola blanca. b) Sabiendo que la bola extra es blanca, probabilidad de que provenga de la segunda urna. da 449 264 Solucin: 814 , 449 . o p(A1 ) p(B/A1 ) p(A1 ) p(B/A1 ) + p(A2 ) p(B/A2 )

Cap tulo 3

DISTRIBUCION BINOMIAL Y DISTRIBUCION NORMAL

3.1. Introduccin o

Estudiaremos en este tema dos de las distribuciones de probabilidad ms importantes y que son a imprescindibles a la hora de adentrarnos en el estudio de la inferencia estad stica. La distribucin o binomial es uno de los primeros ejemplos de las llamadas distribuciones discretas (que slo pueden o tomar un nmero nito, o innito numerable, de valores). Fue estudiada por Jakob Bernoulli (Suiza, u 1654-1705), quin escribi el primer tratado importante sobre probabilidad, Ars conjectandi (El e o arte de pronosticar). Los Bernoulli formaron una de las sagas de matemticos ms importantes de la a a historia. La distribucin normal es un ejemplo de las distribuciones continuas, y aparece en multitud o de fenmenos sociales. Fue estudiada, entre otros, por J.K.F. Gauss (Alemania, 1777-1855), uno de los o ms famosos matemticos de la historia. La grca de la distribucin normal en forma de campana se a a a o denomina Campana de Gauss.

3.2.

La distribucin binomial o de Bernoulli o

La distribucin binomial est asociada a experimentos del siguiente tipo: o a - Realizamos n veces cierto experimento en el que consideramos slo la posibilidad de xito o o e fracaso. - La obtencin de xito o fracaso en cada ocasin es independiente de la obtencin de xito o o e o o e fracaso en las dems ocasiones. a - La probabilidad de obtener xito o fracaso siempre es la misma en cada ocasin. e o Vemoslo con un ejemplo a Tiramos un dado 7 veces y contamos el nmero de cincos que obtenemos. Cul es la probabilidad u a de obtener tres cincos?. Este es un t pico ejemplo de distribucin binomial, pues estamos repitiendo 7 veces el experimento o de lanzar un dado. Cul es nuestro xito?. a e Evidentemente, sacar un 5, que es en lo que nos jamos. El fracaso, por tanto, ser no sacar 5, sino sacar cualquier otro nmero. a u 1 Por tanto, Exito = E = sacar un 5 = p(E) = 6 5 Fracaso = F = no sacar un 5 = p(F ) = 6 Para calcular la probabilidad que nos piden, jmonos en que nos dicen que sacamos 3 cincos y e por lo tanto tenemos 3 xitos y 4 fracasos, de cuntas maneras pueden darse estas posibilidades?. e a Podr amos sacar 3 cincos en las 3 primeras tiradas y luego 4 tiradas sin sacar cinco, es decir: EEEFFFF Pero tambin podr e amos sacar EFEFFFE, es decir que en realidad estamos calculando de cuntas a 38

 CAP ITULO 3. DISTRIBUCION BINOMIAL Y DISTRIBUCION NORMAL

39

maneras se pueden ordenar 4 fracasos y 3 xitos. Recordando las tcnicas combinatorias, este problema e e se reduce a calcular las permutaciones con elementos repetidos: 765 7! = = 35formas 3! 4! 321 5 1 e Y por tanto, como p(E) = y tengo 3 xitos y p(F ) = y tengo 4 fracasos: 6 6 1 1 1 5 5 5 5 p(tener 3 xitos y 4 fracasos) = 35 = 0 0781 e 6 6 6 6 6 6 6
3,4 P7 =

1 Formalizando lo obtenido, en una variable binomial con 7 repeticiones y con probabilidad de xito , e 6 la probabilidad de obtener 3 xitos es 00781, y lo expresar e amos: Bin 7; 1 6 , entonces p(X = 3) = 0 0781

Como repetir este proceso ser bastante penoso en la mayor de los casos, lo mejor es recurrir a la a a siguiente frmula que expresa la probabilidad de obtener cierto nmero de xitos en una distribucin o u e o binomial: Denicin de distribucin binomial: o o Si realizamos n veces un experimento en el que podemos obtener xito, E, con probabilidad p y e fracaso, F, con probabilidad q (q = 1 p), diremos que estamos ante una distribucin binomial de o parmetros n y p, y lo representaremos por Bin(n;p). En este caso la probabilidad de obtener k xitos a e viene dada por: n p(X = k) = pk q (nk) k Nota: Observar que las probabilidades de xito y fracaso son complementarias, es decir, q = 1-p y p = e 1-q, por lo que basta saber una de ellas para calcular la otra. Ejemplo: Antes ten amos Bin 7; 1 , y quer amos calcular p(X=3) (obtener 3 xitos). Aplicando la frmula: e o 6 p(X = 3) = 7 3 1 6
3

5 6

= 0 0781

Ejemplo: Supongamos que la probabilidad de que una pareja tenga un hijo o una hija es igual. Calcular la probabilidad de que una familia con 6 descendientes tenga 2 hijos. En este caso Exito = E = tener hijo y p(E) = 05. Fracaso = F = tener hija y p(F) = 05. Estamos por tanto ante una binomial Bin(6;05) y nos piden p(X=2). Si aplicamos la frmula es: o p(X = 2) = 6 (0 5)2 (0 5)4 = 0 2344 2

Nota: La eleccin de xito o fracaso es subjetiva y queda a eleccin de la persona que resuelve el problema, o e o pero teniendo cuidado de plantear correctamente lo que se pide. En el caso concreto del ejemplo anterior, si: Exito = tener hija, como nos piden la probabilidad de que una familia con 6 hijos tenga 2 hijos, si el xito es tener hija hemos de plantearnos cul es la probabilidad de tener 4 xitos (4 hijas), es e a e

 CAP ITULO 3. DISTRIBUCION BINOMIAL Y DISTRIBUCION NORMAL decir: p(X = 4) =

40

6 (0 5)4 (0 5)2 = 0 2344 4

Evidentemente sale lo mismo, pero hay que ser consecuente a la hora de elegir el xito y el fracaso y e la pregunta que nos hagan.

3.2.1.

El uso de las tablas de la distribucin binomial o

La distribucin binomial se encuentra tabulada por lo que es fcil calcular probabilidades sin o a necesidad de hacer demasiadas cuentas. Para usar las tablas de la distribucin binomial es necesario o conocer: - El nmero de veces que se realiza el experimento (n). u - La probabilidad de xito (p). e - El nmero de xitos (k). u e La probabilidad p se busca en la primera la (valores desde 001 hasta 05). El nmero de veces que se realiza el experimento, en la primera columna (valores desde 2 a 10) y u el nmero de xitos a su lado. u e Por ejemplo en el caso anterior, Bin (6;05) , p(X=2), la columna p=05 es la ultima, y cuando n=6 y k=2 encontramos 02344, el valor que hab amos calculado. Nota importante: El caso en que p > 0 5, no se encuentra tabulado. e La razn es bien sencilla. Si p > 0 5, entonces q < 0 5 y basta intercambiar los papeles de xito y o fracaso para que podamos utilizar la tabla. Ejemplo: a La probabilidad de que un alumno de 2 de Bachillerato apruebe las Matemticas es de 07. Si consideramos un grupo de 8 alumnos, cul es la probabilidad de que cinco de ellos aprueben las a Matemticas?. a Si xito = aprobar y fracaso = suspender, entonces p = 07 y q = 03. e Tenemos, por tanto, una Bin(8;07). Nos piden calcular p(X=5), que no se puede calcular mediante las tablas porque p = 07 y slo o tenemos hasta p = 05. Por tanto si intercambiamos xito = suspender y fracaso =aprobar entonces e p = 03, q = 07, es decir la nueva binomial es Bin(8;03) y nos piden que aprueben 5 de 8, es decir que suspendan 3 de 8 o lo que es lo mismo, que tengamos 3 xitos, p(X=3), y buscando en la tabla es e p(X=3) = 02541. Tambin, desde luego podr e amos haber utilizado la frmula desde el principio, utilizar la Bin(8;07) o y olvidarnos de tablas para hacer: p(X = 5) = 8 (0 7)5 (0 3)3 = 0 254 5

3.2.2.

Probabilidades acumuladas

Es posible que nos pidan no slo la probabilidad de que ocurran un cierto nmero de xitos en o u e concreto, sino que ocurran como mucho k xitos o preguntas similares. En el ejemplo anterior, por e ejemplo, podr pedirnos: an a) Cul es la probabilidad de que aprueben como mucho 2 alumnos?. a Si xito = aprobar y fracaso = suspender, p= 07 y q = 03, entonces nos piden p(X 2). En e este caso, basta pensar en que para que aprueben 2 alumnos como mucho, puede que aprueben 2, 1 o ninguno, es decir: p(X 2) = p(X = 0) + p(X = 1) + p(X = 2) = 0 0001 + 0 0012 + 0 01 = 0 1013 (haz las cuentas) b) Cul es la probabilidad de que aprueben entre 3 y 6 alumnos (inclusive)?. a

 CAP ITULO 3. DISTRIBUCION BINOMIAL Y DISTRIBUCION NORMAL Del mismo modo: p(3 X 6) = p(X = 3) + p(X = 4) + p(X = 5) + p(X = 6) =

41

= 0 0467 + 0 1361 + 0 2541 + 0 2965 = 0 7334 Hemos de tener en cuenta que para la distribucin binomial, en las tablas slo se admiten valores o o hasta n=10 (10 repeticiones del experimento). Para valores de n > 10, inevitablemente hemos de utilizar la frmula. o Ejemplo: Los alumnos de cierta clase se encuentran en una proporcin del 67 % que estudian ingls y el resto o e francs. e Tomamos una muestra de 15 alumnos de la clase, calcular: a) Probabilidad de que al menos encontremos tres alumnos de ingls. e b) Probabilidad de que los 15 alumnos estudien ingls. e c) Probabilidad de que estudien ingls entre 7 y 10 alumnos. e Si xito = estudiar ingls, p = 067 y fracaso = estudiar francs, q = 1-067 = 033. Manejamos e e e por tanto una Bin(15;067) a) p(X 3) = p(X = 3) + p(X = 4) + p(X = 5) + p(X = 6) + . . . + p(X = 15). Una opcin es calcular estas 13 probabilidades y sumarlas. Como hay que aplicar la frmula para o o calcular cada una, la tarea se puede hacer bastante larga. Otra opcin, ms sencilla, es pasar al o a complementario. El complementario de encontrar al menos 3 alumnos de ingls es encontrar como e mucho 2 alumnos de ingls, p(X 2). e Es decir, p(X 3) = 1 p(X < 3) = 1 p(X 2) = 1 (p(X = 0) + p(X = 1) + p(X = 2)) y slo tenemos que calcular 3 probabilidades: p(X = 0) 0 , p(X=1) = 0000001, p(X=2) = 0000026 o (comprubalo!). e Por lo cual, p(X 3) = 1 (0 + 0 000001 + 0 000026) = 1 0 000027 = 0 999973 b) p(X=15) = 00025 (aplica la frmula). o c) p(7 X 10) = p(X = 7) + p(X = 8) + p(X = 9) + p(X = 10) = = 0 0549 + 0 1114 + 0 1759 + 0 2142 = 0 5564.

3.2.3.

Media y desviacin t o pica en una distribucin binomial o

Aunque no se demostar, en una distribucin binomial Bin(n;p), el nmero esperado de xitos o a o u e media, viene dado por x = n p. (Recordemos que la media es una medidad de centralizacin). o La desviacin t o pica, , que es una medida de dispersin y mide lo alejados que estn los datos o a de la media, viene dada por = n p q.

 CAP ITULO 3. DISTRIBUCION BINOMIAL Y DISTRIBUCION NORMAL

42

3.3.

La distribucin Normal o

Al estudiar aspectos tan cotidianos como: - Caracteres morfolgicos de individuos ( personas, animales, plantas) de una misma raza. como o tallas, pesos, envergaduras, etc. - Caracteres siolgicos, como el efecto de una misma dosis de un frmaco, o de una misma cantidad o a de abono. - Caracteres sociolgicos, como el consumo de ciertos productos por individuos de un mismo grupo o humano. - Caracteres psicolgicos, como el cociente intelectual, grado de adaptacin a un medio. o o - Caracteres f sicos, como la resistencia a la rotura de ciertas piezas. . . todos ellos tienen en com n que se distribuyen normalmente. Qu quiere decir esta expresin?. u e o Pus, por ejemplo, si hacemos una estad e stica para conocer la altura de 1400 mujeres y representamos los resultados en un diagrama de barras, obtenemos:

Figura 3.1: Distribucin de estaturas de 1400 mujeres o

Las grcas de este tipo son muy corrientes: Hay pocos individuos en los extremos y un aumento a paulatino hasta llegar a la parte central del recorrido, donde est la mayor de ellos. a a Denicin: Diremos que una distribucin de probabilidad sigue una distribucin normal de media x o o o o a o y desviacin t o pica , y lo representaremos por N (x; ) cuando la representacin grca de su funcin de densidad es una curva positiva continua, simtrica respecto a la media, de mximo en la media, y e a que tiene 2 puntos de inexin , situados a ambos lados de la media (x y x + respectivamente) o y a distancia de ella, es decir de la forma:

Figura 3.2: Distribucin normal N (x; ). El mximo est en (x, o a a

1 ) 22

 CAP ITULO 3. DISTRIBUCION BINOMIAL Y DISTRIBUCION NORMAL

43

a o a Dependiendo de los valores que tomen x y , la grca de esta funcin puede ser ms o menos alargada, achatada, etc..., pero en cualquier caso siempre tiene las mismas condiciones de simetr a, continuidad, etc reseadas anteriormente. n El concepto de funcin de densidad introducido anteriormente no se estudiar con profundidad. o a Baste decir que la funcin de densidad determina la forma de cada distribucin de probabilidad. En o o o el caso de la distribucin normal de parmetros x y , dicha funcin viene dada por: o a f (x) = 1 2 2 e
(xx)2 2 2

Propiedad: El area encerrada bajo la curva normal N (x; ) siempre es 1. La demostracin de este resultado no es nada sencilla e implica el uso de resultados matemticos que o a exceden el nivel de este curso. a De entre todas las curvas normales N (x; ), la ms sencilla, usada y conocida es aquella que tiene por media 0 y por desviacin t o pica 1, N(0, 1). Esta normal estndar se suele representar por Z. a La grca de esta curva se denomina campana de Gauss y se puede observar en la gura: a

1 Figura 3.3: Distribucin normal N (0; 1). El mximo est en (0, 2 ) o a a

x2 1 e 2 2 Puesto que el area bajo esta curva normal es 1, podemos denir una probabilidad de la siguiente manera:

Su funcin de densidad ser: o a

f (x) =

Para un valor cualquiera k, denimos la probabilidad de que la distribucin Z, N(0;1) , sea menor o o igual que k como: p(Z k)= Area encerrada bajo la curva normal N(0,1) desde hasta k (es decir la parte rayada de la gura siguiente).

Figura 3.4: Area encerrada por la curva normal desde hasta k Ahora bien, cmo calcular dicha area?. Fcil: Dichas reas o probabilidades se encuentran tabuo a a ladas.

 CAP ITULO 3. DISTRIBUCION BINOMIAL Y DISTRIBUCION NORMAL

44

3.3.1.

Uso de las tablas de la distribucin normal N(0;1) o

La normal N(0;1) se encuentra tabulada, para valores a partir de 0 y hasta 399. Si por ejemplo queremos calcular p(Z 2 78), hemos de realizar los pasos: 1. Buscar la parte entera y las dcimas en la primera columna (en este caso 27). e 2. Buscar las centsimas en la primera la (en este caso 8). e 3. En el punto comn a la la y la columna que hemos encontrado, tenemos la probabilidad buscada, u en este caso 09973. Por tanto p(Z 2 78) = 0 9973. Si queremos calcular una probabilidad de un valor mayor que 399, basta jarse en que las probabilidades correpondientes a valores tales como 362 y mayores ya valen 09999 (prcticamente 1). Por a eso, para estos valores mayores que 399, diremos que la probabilidad es aproximadamente 1. As : p(Z 5 62) 1 aunque no aparezca en la tabla. Por otra parte, jmonos en que en este tipo de distribuciones no tiene sentido plantearse probabilie dades del tipo p(Z=k), ya que siempre valen 0, al no encerrar ningn area. Por tanto, si nos pidiesen u p(Z=32), basta decir que p(Z=32)=0. Este tipo de distribuciones en las cuales la probabilidad de tomar un valor concreto es 0 se demoniman distribuciones continuas, para diferenciarlas de otras en las que esto no ocurre, como por ejemplo la binomial, que es una distribucin discreta. o As al pasar al complementario, si tenemos Z k, su complementario ser Z < k, pero como incluir , a k no inuye en la probabilidad,al calcular probabilidades podemos escribir: p(Z k) = 1 p(Z < k) = 1 p(Z k) Slo se puede hacer esto en distribuciones continuas, en el caso de la binomial esto no se puede hacer o y hay que ser cuidadosos con el paso al complementario. Ejercicio: Buscar en la tabla de la normal estndar N(0;1) las probabilidades: a b) p(Z 0 5) c) p(Z 0 82) d) p(Z 1 05) a) p(Z 1 15) f) p(Z 18 09)

e) p(Z 4 27)

3.3.2.

Clculo de otras probabilidades a

1. Si k es positivo y queremos calcular p(Z k), es decir el rea rayada: a

Figura 3.5: p(Z k). Basta pasar al complementario basta pasar al complementario, es decir: p(Z k) = 1 p(Z k) y esta ultima probabilidad ya se encuentra tabulada. Ejercicio: Calcular p(Z 0 3) y p(Z 2 07).

 CAP ITULO 3. DISTRIBUCION BINOMIAL Y DISTRIBUCION NORMAL

45

2. Si k es positivo y queremos calcular p(Z k), es decir el rea: por simetr p(Z k) = a a,

Figura 3.6: p(Z k).Las probabilidades de valores negativos no estn tabuladas a p(Z k) y sta se calcula como en el caso anterior. Se puede observar la igualdad de areas en e la gura:

Figura 3.7: p(Z k) = p(Z k). La simetr permite reducir este caso al anterior a

Ejercicio: Calcular p(Z 0 78) y p(Z 3 2). 3. Si k es positivo y queremos calcular p(Z k), es decir el rea rayada: a

Figura 3.8: p(Z k)

entonces, por simetr p(Z k) = p(Z k): a

Figura 3.9: p(Z k) = p(Z k).La simetr permite reducir este caso al que ya est tabulado a a

Ejercicio: Calcular p(Z 0 96) y p(Z 1 01).

 CAP ITULO 3. DISTRIBUCION BINOMIAL Y DISTRIBUCION NORMAL a 4. Probabilidades comprendidas entre dos valores,p(k1 Z k2 ) ,es decir el rea rayada:

46

Figura 3.10: p(k1 Z k2 ). Probabilidad comprendida entre dos valores se calcula restando las reas: a

Figura 3.11: p(Z k2 ) en la primera imagen.p(Z k1 ) en la segunda. Al restar obtenemos el area pedida. Se quita la parte correspondiente a Z k1 ,p(Z k2 ) p(Z k1 ). Ejercicio: Calcular p(0 96 Z 1 49) y p(1 32 Z 0 57). Ejercicio: Calcular p(Z=2), p(Z 2), p(Z 2), p(Z 2), p(Z 2), p(2 Z 2), p(0 81 Z 1 33).

3.3.3.

Clculo de probabilidades en normales N(x; ) a

Si no tenemos una distribucin N(0;1), sino una N (x; ) cualquiera, cmo calcular probabilidades, o o si no tenemos tabla salvo para N(0;1)?. El siguiente resultado nos da la respuesta. Propiedad: Xx sigue una distribucin N(0,1). o o (El paso de la variable X N (x; ) a la Z N(0;1) se denomina tipicacin de la variable X). Si X sigue una distribucin N (x; ) , entonces la variable Z = o

Ejemplo: Las estaturas de 600 soldados se distribuyen de acuerdo a una distribucin normal de media 168 o y desviacin t o pica 8 cm. Cuntos soldados miden entre 166 y 170 cm?. a Sea X la distribucin de los soldados , X es una N(168,8). Nos piden p(166 X 170). o Utilizando el resultado anterior, primero restamos x=168 en la desigualdad: p(166 X 170) = p(166 168 X 168 170 168) = p(2 X 168 2) Y ahora dividimos entre = 8, con lo que acabamos de tipicar: p(166 X 170) = p(2 X 168 2) = p X 168 2 2 8 8 8

 CAP ITULO 3. DISTRIBUCION BINOMIAL Y DISTRIBUCION NORMAL X 168 = Z, sta ya es normal N(0,1) y se encuentra en las tablas: e 8

47

Llamando a

p(166 X 170) = p(0 25 Z 0 25) = p(Z 0 25) p(Z 0 25) = = (tablas) = 0 5987 0 4013 = 0 1974. (pues p(Z 0 25) = p(Z 0 25) = 1 p(Z 0 25) = 1 0 5987 = 0 4013). Ejercicios: 1) En una distribucin N(22,5), calcula: p(X 27),p(X 27),p(X 125), p(15 o X 20), p(17 X 30). 2) Los pesos de 60 soldados siguen una distribucin N(67,5). Calcula la probabilidad de que el o peso sea: a) mayor de 80 kg. b) 50 kg. o menos c) menos de 60 kg. d) 70 kg. e) Entre 60 y 70 kg inclusive.

3.3.4.

Otro uso de las tablas

Hasta ahora nos han dado la distribucin normal N(0;1) y nos ped p(Z k) siendo k un cierto o an nmero, y nos ped calcular dicha probabilidad. u an Ahora bien, otra pregunta puede ser: Dado que en una normal N(0;1) sabemos que p(Z k) = e 0 9573, quin es k?. La resolucin es bien sencilla. Basta buscar 09573 dentro de la tabla de la distribucin normal, y o o lo encontramos en el cruce de la la 17 con la columna 2, y por lo tanto k debe ser 172. Ejercicio: Calcular k si: a) p(Z k) = 0 8078. b) p(Z k) = 0 0028. En caso de que el valor a buscar no aparezca directamente dentro de la tabla de la distribucin normal, o pueden ocurrir dos posibilidades: a) Si el valor se encuentra entre dos valores de la tabla y a la misma distancia (aproximadamente) a de cada uno de ellos, por ejemplo: p(Z k) = 0 7982. En este caso el valor buscado ser la media entre los valores extremos. Si buscamos en la tabla este valor no aparece directamente, sino que se encuentra entre los valores 07967 (que corresponde a 083) y 07996 (que corresponde a 084). Por tanto el valor de k ser: a k= 0 83 + 0 84 = 0 835 2

b) Si el valor est entre dos valores, pero muy cercano a uno de ellos, directamente tomamos este valor, a a por ejemplo: p(Z k) = 0 7970. El valor ms cercano es 09767 (que corresponde a 083) y como el valor buscado est muy cerca de l, entonces directamente k=083. a e Si la distribucin no es normal N(0;1), sino N (x; ), tendremos que tipicar previamente. o Por ejemplo, si X sigue una normal N(6;3) y p(X k) = 0 9082, calcula k. Tipicando: k6 k6 X 6 = 0 9082 p Z = 0 9082 p 3 3 3 Y buscando en la tabla, k6 = 1 33 k 6 = 3 99 k = 9 99 3

 CAP ITULO 3. DISTRIBUCION BINOMIAL Y DISTRIBUCION NORMAL Ejercicios: 1. Calcular k si p(X k) = 0 6141 y X sigue una N(15,4).

48

2. De una variable normal N (x; ) se sabe que p(X 7) = 0 9772 y p(X 6 5) = 0 8413. Calcular: a) x y . b) p(5 65 X 6 25) c) El nmero k tal que p(X > k) = 0 3 u

 CAP ITULO 3. DISTRIBUCION BINOMIAL Y DISTRIBUCION NORMAL

49

3.4.

Relacin entre la distribucin binomial y la distribucin normal o o o

Es un hecho comprobado que cuando tenemos una distribucin Bin(n;p), a medida que n crece, es o dif hacer uso de las frmulas y/o tablas. cil o Por ejemplo, tiramos un dado 100 veces, calcular la probabilidad de obtener entre 20 y 33 cincos(inclusive). 5 1 Si xito = obtener cinco entonces p = y fracaso = no obtener cinco y q = . e 6 6 1 , y nos piden p(20 X 33). Tenemos una Bin 100; 6 Es inviable aplicar las tablas (pues repetimos el experimento 100 veces) y tampoco la frmula pues o es inviable calcular, por ejemplo, p(X = 32) = 100 32 1 6
32

5 6

68

Cmo resolver el problema?. Del siguiente modo: o Teorema Central del L mite: o La distribucin binomial Bin(n;p) se aproxima a una curva normal de media x = n p y desviacin o t pica = n p q, cuando n tiende a , es decir, cuando n se hace muy grande. La aproximacin se puede aplicar (es una buena aproximacin) slo si n es grande, en concreto n 30 o o o y adems n p 5 y n q 5. Si no se cumplen estas condiciones NO podemos aproximar la binomial a que tengamos por una distribucin normal. o En caso de que podamos aproximar, debemos tener en cuenta que estamos pasando de una variable discreta (binomial) a una continua (normal), y por tanto son distribuciones diferentes. El precio que hay que pagar por pasar de una a otra se denomina correccin por continuidad y consiste en hacer o determinados ajustes para que la aproximacin realizada sea lo ms precisa posible. o a As si nos piden p(X=k) en una distribucin binomial X, y aproximamos X por una distribucin normal , o o Y, no podemos calcular directamente p(Y=k) porque, como ya se ha comentado anteriormente, en una distribucin continua todas estas probabilidades valen 0. La correccin por continuidad consiste o o en tomar un pequeo intervalo de longitud 1 alrededor del punto k. n De otro modo, si nos piden p(X=k) con X binomial, con la aproximacin normal Y deberemos o calcular p(k 0 5 Y k + 0 5). Del mismo modo se razona en el caso de probabilidades acumuladas en la binomial. Algunos ejemplos: Si nos piden p(X < k) con X binomial, aproximando por Y normal calcularemos p(Y k 0 5). La explicacin de que haya que restar 05 y no sumarlo es que queremos que X sea menor estrictamente o que k, con lo cul, si sumase 05 , el propio k aparecer en la probabilidad a calcular y NO debe a a aparecer. Por contra, si debisemos calcular p(X k), con X binomial, jmonos que ahora k S est incluido e e I a en la probabilidad y por tanto al aproximar por la normal Y deber amos calcular p(Y k + 0 5). Comprender estos dos hechos es fundamental para realizar bien la correcin por continuidad al o aproximar una distribucin binomial por una normal. o En el caso anterior,x = n p = 100 500 = 16 67 y = n p q = = 3 73. De modo que, como 6 36 n 30, n p = 16 67 5 y nq = 83 33 5, se pude aproximar la binomial por la normal, es decir: X Bin 100; 1 6 Y N (16 67; 3 73)

 CAP ITULO 3. DISTRIBUCION BINOMIAL Y DISTRIBUCION NORMAL Entonces: p(20 X 33) p(20 0 5 Y 33 + 0 5) = p
()

50

Y 16 67 33 5 16 67 19 5 16 67 3 73 3 73 3 73

= p(0 89 Z 4 51) = p(Z 4 51) p(Z 0 89) 1 0 8133 = 0 1867 Notemos que en el paso se alado por (*) hemos cambiado X(binomial) por Y(normal) y se ha realizado n la correccin por continuidad. o

Cap tulo 4

INFERENCIA ESTAD ISTICA

4.1. Introduccin o

Inferir: Sacar una consecuencia de una cosa. Sacar consecuencia o deducir una cosa de otra. La estad stica, ciencia o rama de las Matemticas que se ocupa de recoger datos, analizarlos y a organizarlos, y de realizar las predicciones que sobre esos datos puedan deducirse, tiene dos vertientes bsicas: a a) Estad stica descriptiva: Bsicamente se ocupa de la 1 parte, es decir, a partir de ciertos datos, a analizarlos y organizarlos. Es aqu donde tiene sentido calcular la media, mediana, moda, desviacin o media, desviacin t o pica, etc. b) Estad stica inferencial: Se ocupa de predecir, sacar conclusiones, para una poblacin tomando o como base una muestra (es decir , una parte) de dicha poblacin. Como todas las predicciones, siempre o han de hacerse bajo un cierto grado de abilidad o conanza. Ser esta ultima vertiente de la estad a stica la que estudiemos en este tema.

4.2.

Muestreos

Ya sabemos que una poblacin es el conjunto de individuos sobre los que hacemos cierto estudio, y o que una muestra es un subconjunto de la poblacin. Es evidente que los resultados de una determinada o encuesta tendrn un mayor grado de abilidad si dicha encuesta se realiza sobre la poblacin completa. a o Sin embargo, en la mayor de las ocasiones esto no es posible, debido a mltiples razones: a u * Imposibilidad material (Hacer una encuesta a los casi 41 millones de espa oles es imposible,hacer n un estudio sobre la fecha de caducidad de un producto. Si lo hacemos con todos los productos qu vene demos luego?) * Imposibilidad temporal (Hacer un estudio sobre la duracin de una bombilla. Cunto debemos o a esperar para saberlo?). Por tanto, es habitual que tengamos que manejarnos con muestras, de modo que es importante saber elegir bien una muestra de la poblacin, una muestra que represente bien a dicha pbolacin. o o Hay muchas maneras de elegir una muestra de una poblacin. o Antes de pasar a analizar dichas formas de extraccin de muestras, lo que si hemos de dejar claro o es que todas las muestras han de cumplir varias condiciones indispensables. Es evidente que para que el estudio a realizar sea able, hay que cuidar mucho la eleccin de o la muestra, para que represente en la medida de lo posible a la poblacin de la que se extrae. Si la o muestra est mal elegida, diremos que no es representativa. a En este caso, se pueden producir errores imprevistos e incontrolados. Dichos errores se denominan sesgos y diremos que la muestra est sesgada. a Una de las condiciones para que una muestra sea representativa es que el muestreo (o sistema para elegir una muestra de una poblacin) que se haga sea aleatorio, es decir, todas las personas de o

56

CAP ITULO 4. INFERENCIA ESTAD ISTICA

57

la poblacin tengan las mismas posibilidades de ser elegidas, mientras que si la eleccin de la muestra o o es subjetiva, es probable que resulte sesgada. Las distintas maneras de elegir una muestra de una poblacin se denominan muestreos. Bsicamente o a hay dos tipos de muestreos: 1. Muestreo no probabilstico: El investigador no elige la muestra al azar, sino mediante determi nados criterios subjetivos. 2. Muestreo probabilstico: Cuando la muestra se elige al azar. En este caso podemos distinguir varios tipos: a) Muestreo aleatorio simple: Aquel en el que cada individuo de la poblacin tiene las mismas o posibilidades de salir en la muestra.

b) Muestreo sistemtico: En el que se elige un individuo al azar y a partir de l, a intervalos a e constantes, se eligen los dems hasta completar la muestra. a c) Muestreo estraticado: En este muestreo se divide la poblacin en clases o estratos y se o escoge, aleatoriamente, un nmero de individuos de cada estrato proporcional al nmero u u de componentes de cada estrato. d ) Muestreo por conglomerados:Si no disponemos de la relacin de los elementos de la poblao cin, o de los posibles estratos, no podemos aplicar los muestreos anteriores. o Aqu entra el llamado muestreo por conglomerados, donde en lugar de elegir individuos directamente, se eligen unidades ms amplias donde se clasican los elementos de la poblaa cin, llamados conglomerados. En cada etapa del muestreo en lugar de seleccionar elementos o al azar seleccionamos conglomerados. Los conglomerados deben ser tan heterogneos como la poblacin a estudiar, para que la e o represente bien. Luego se elegir algunos de los conglomerados al azar, y dentro de stos, an e analizar todos sus elementos o tomar una muestra aleatoria simple. No debemos confundir estrato y conglomerado. Un estrato es homogneo (sus elementos e tienen las mismas caracter sticas), mientras que un conglomeardo es heterogneo (debe e representar bien a la poblacin). o Veamos la diferencia de estos muestreos mediante un ejemplo: Imaginemos que hemos de recoger una muestra de 20 alumnos de entre los de un instituto de 600. 1 -Muestreo aleatorio simple: Elegir amos un alumno al azar (probabilidad de elegirlo 600 . Lo de1 volvemos a la poblacin y se elige otro (probabilidad de elegirlo 600 ), y as hasta 20. Notemos que o a 1 si no devolvisemos al alumno, entonces, la probabilidad de escoger al 2 alumno ser 599 , y ya no e todos tendr la misma probabilidad de ser elegidos. El problema es que entonces permitimos que se an puedan repetir individuos. -Muestreo sistemtico: Como hemos de elegir 20 alumnos de 600, es decir, 1 de cada 30, se procede a as Se ordenan los alumnos y se numeran, se elige uno al azar, por ejemplo el alumno 27, y luego los : dems se eligen a partir de este a intervalos de 30 alumnos. Escoger a amos por tanto a los alumnos: 27,57,87,117,147,177,207,237,267,297,327,357,387,417,447,477,507,537,567,597 y el alumno 627 ya es otra vez el 27. -Muestreo estraticado: Si queremos que la muestra sea representativa, lo mejor ser conocer a cuntos alumnos de cada curso hay, es decir, si hay 200 alumnos de 3 ESO, 150 de 4 ESO, 150 de a amos: 1 Bachillerato y 100 de 2 Bachillerato, proceder Como de 600 en total hemos de elegir a 20, de 200 de 3 de ESO hemos de elegir x: x 4000 20 = x = = 6 6 7 alumnos de 3 600 200 600

CAP ITULO 4. INFERENCIA ESTAD ISTICA (Utilizando la regla de tres) De igual manera podemos calcular los alumnos correspondientes a los dems cursos: a y 3000 20 = y = = 5 alumnos de 4 600 150 600

58

z 3000 20 = z = = 5 alumnos de 1 600 150 600 t 2000 20 = t = = 3 3 alumnos de 2 600 100 600 De modo que en nuestra muestra de 20, 7 alumnos son de 3, 5 de 4, 5 de 1 y 3 de 2. Para la eleccin de cada alumno dentro de cada curso, utilizamos el muestreo aleatorio simple. o -Muestreo por conglomerados: Para ver este muestreo, hemos de cambiar el ejemplo. Supongamos que queremos extraer una muestra aleatoria de los estudiantes universitarios del pa s. Necesitariamos una lista con todos ellos para poder realizar algn muestreo del tipo de los 3 anteriores, u lo cul es muy dif de conseguir. Sin embargo, los estudiantes estan clasicados por Universidades, a cil Facultades y Clases. Podemos seleccionar en una primera etapa algunas Universidades, despus algunas facultades al e azar, dentro de las facultades algunas clases y dentro de las clases, algunos estudiantes por muestreo aleatorio simple. Los conglomerados en cada etapa ser las diferentes Universidades, las diferentes an facultades y los diferentes clases. Como vemos los conglomerados son unidades amplias y heterogneas. e Ejercicio: En una poblacin de 1500 jvenes,7500 adultos y 1000 ancianos, se hace una encuesta a 200 personas o o para conocer sus actividades de ocio preferidas. Si se utiliza un muestreo estraticado, qu tamao e n muestral corresponde a cada estrato?.

4.3.

Estimacin por puntos o

Como el objetivo principal de la estad stica inferencial es el estudio de la poblacin y realizar o predicciones a cerca de ella pero a partir de una muestra de ella , no de la poblacin entera, en o principio, tendremos que estimar los ndices de la poblacin a partir de los o ndices correspondientes para la muestra. En una primera aproximacin, parece lgico pensar que si queremos determinar la media de una o o cierta poblacin, si hemos cogido una muestra representativa de dicha poblacin, la media de la muestra o o (que es fcilmente calculable porque tenemos los datos) ser muy parecida a la de la poblacin y por a a o tanto sirva para estimarla. Distinguiremos, por tanto, entre: 1. Parmetros poblacionales: Que son los a ndices centrales y de dispersin que denen a una poo blacin. o Representaremos la media poblacional y la desviacin t o pica poblacional . En el caso de proporciones, la proporcin de poblacin que tiene una determinada caracter o o stica la denotaremos por p y la proporcin que no la cumple por q = 1 p. (Como en la Distribucin o o binomial) 2. Estadsticos poblacionales: Son los ndices centrales y de dis persin que denen a una muestra. o o pica muestral por s. Representaremos la media muestral por x y la desviacin t En el caso de proporciones, la proporcin de muestra que tiene una determinada caracter o stica la denotaremos por p y la proporcin que no la cumple por q = 1 p. o

CAP ITULO 4. INFERENCIA ESTAD ISTICA

59

Cul es el problema de la estimacin entonces?. Como vamos a disponer de una muestra, lo que a o podemos calcular es x y s (o bien p y q ), y a partir de estos intentar estimar quienes tienen que ser y (o bien p y q), los reales para la poblacin. o En la estimacin por puntos, el conocimiento de un estad o stico muestral nos permitir decidir cul a a es el correspondiente parmetro de la pobla cin. Para ello hemos de conocer cul es la relacin entre a o a o un estad stico y el corresp ondiente parmetro. a

4.4.

Distribucin muestral de medias o

Si tenemos una poblacin de parmetros desconocidos y , y tomamos una muestra, podemos o a a o calcular la media muestral,x1, que tendr cierta relacin con . Podr amos tomar otra muestra, de igual tamao, y calcular de nuevo su media muestral x2 , que n tambin estar relacionada con . e a As sucesivamente, considerando varias muestras y haciendo las medias muestrales respectivas, tenemos una serie de medias, relacionadas de alguna manera con cmo?. De la siguiente forma: o Propiedad: Si la poblacin sigue una distribucin normal N (, ), donde y son desconocidos, si o o elegimos todas las muestras de cierto tama o (n) , de forma que sean representativas, entonces: n a) La media de las medias muestrales de todas las muestras posibles, es igual a la media poblacional, es decir: x1 + x2 + . . . + xk = x= k b) La desviacin t o pica de las medias muestrales posibles es: sx = n donde es la desviacin t o pica poblacional y n es el tamao de las muestras. n Conclusin: Las medias de las muestras de tama o n extra o n das de una poblacin de parmetros y o a , siguen una distribucin: o X N , n siempre que dichas muestras tengan un tamao n 30. n Notas importantes: a) Este resultado es consecuencia del Teorema Central del lmite. b) Si la poblacin es normal, el resultado se cumple para muestras de CUALQUIER tama o o n (incluso menor que 30). c) Si es desconocida, el mismo resultado sigue siendo cierto sustituyendo en la frmula por s. o Ejemplo: La altura de los estudiantes de una poblacin se distribuye segn una normal de media 167 o u y desviacin t o pica 32. a) Calcula la probabilidad de que un estudiante mida menos de 165 cm. b) Se toma una muestra de 10 estudiantes. Calcula la probabilidad de que la media muestral sea menor que 165 cm. En el apartado a) , manejamos la variable X N (165; 3 2) siendo X= altura de un estudiante.

CAP ITULO 4. INFERENCIA ESTAD ISTICA La probabilidad pedida ser: a p(X < 165) = p 165 167 X 167 < 32 32 = p(Z < 0 63) = 0 2676

60

En el apartado b), la variable que manejamos ya no es X, sino que tenemos una muestra de 10 estudiantes. Como la poblacin inicial es normal, podemos aplicar el resultado anterior aunque la o muestra sea de tama o menor que 30. As la variable a estudiar es n , X=media de las alturas de 10 estudiantes, que segn lo dicho, sigue una distribucin u o X N Nos piden: p(X < 165) = p 165 167 X 167 < 1 012 1 012 = p(Z < 1 97) = 0 0244 32 165; 10 = N (165; 1 012)

Ejemplo: Los pesos de los tornillos que fabrica cierta mquina se distribuyen segn una N (142 32; 8 5) a u (medidas en gr.). Se toman muestras de 25 tornillos. Calcular: a) Distribucin que siguen las medias de esas muestras. o b) Probabilidad de que una muestra elegida al azar de 25 tornillos tenga un peso medio superior a 1446 gr. c) La misma pregunta si la muestra es de 100 tornillos. a) Como las muestras son de tama o n=25 y la poblacin es normal N (142 32; 8 5), las medias muesn o trales siguen una distribucin: o X N b) Nos piden: p(X 144 6) = p Z 144 6 144 32 17 = p(Z 1 34) = 1 p(Z 1 34) = 0 0901 85 142 32; 25 = N (142 32; 1 7)

c) Si las muestras son de tamao n=100, las medias muestrales siguen una distribucin: n o X N y por tanto: p(X 144 6) = p Z 144 6 144 32 0 85 = p(Z 2 68) = 1 p(Z 2 68) = 0 0037 85 142 32; 100 = N (142 32; 0 85)

Ejercicio: Una mquina ha fabricado piezas de precisin con un peso medio de 150 gr. y una desviacin a o o t pica de 20 gr. Calcular la probabilidad de que una muestra de 80 piezas tenga un peso medio de ms a de 155 gr. (Solucin: 00129) o

4.5.

Distribucin muestral de proporciones o

Nos planteamos ahora determinar qu proporcin de una poblacin posee un cierto atributo, por e o o ejemplo si es fumador o no fumador, si tiene ordenador o no, si tiene alergia o no,etc... El estudio de este tipo de proporciones es equiparable al de una distribucin binomial (donde slo hay dos posibilidades). o o Si la proporcin xito es p y la de fracaso q, y se toma una muestra de la poblacin de tamao n, al o e o n

CAP ITULO 4. INFERENCIA ESTAD ISTICA

61

igual que en el caso anterior, para cada muestra tendremos una proporcin muestral que denotaremos o por p y una desviacin t o pica muestral que denotaremos por sp . Entonces,utilizando razonamientos similares a los del apartado anterior, se verica que p = p, y pq por tanto: sp = n Conclusin: Las proporciones muestrales de tamao n 30, extra o n das de una poblacin en la que la o probabilidad de xito es p, se ajustan a una normal e N p; pq n

Ejemplo: Una fbrica de pasteles fabrica, en su produccin habitual, un 3 % de pasteles defectuosos. a o Un cliente recibe un pedido de 500 pasteles de la fbrica. a a) Probabilidad de que encuentre ms del 4 % de pasteles defectuosos. a b) Probabilidad de que encuentre menos de un 1 % de pasteles defectuosos. 3 tanto, a) En este caso xito= pastel defectuoso, y la proporcin poblacional de xito es de p = e o e 100 97 . La muestra que recibe el cliente es de tama o n=500. n q= 100 Por tanto, las proporciones muestrales siguen una distribucin: o 3 97 3 ; 100 100 = N (0 03; 0 076) p N 100 500 puesto que las muestras tienen tamao mayor que 30. n La probabilidad pedida es que la proporcin de pasteles defectuosos en la muestra sea mayor del o 4 %, es decir: 0 04 0 03 = p(Z 1 32) = 0 0934 p( 0 04) = p Z p 0 0076 b) En este caso es p( 0 01) = p Z p Ejercicios: 1. De una poblacin de 120 alumnos , hay 48 que tienen 2 o ms hermanos. Si de dicha poblacin o a o se toman muestras de tama o 40. n a) Qu distribucin siguen las proporciones muestrales?. e o b) Cul es la probabilidad de que se encuentre en dicha muestra una proporcin de ms del a o a 55 % de alumnos con 2 o ms hermanos?. a 2. Las notas de cierto examen se distribuyen seg n una normal de media =53 y desviacin t u o pica =24. Hallar la probabilidad de que un estudiante tomado al azar tenga una nota: a) Superior a 65 b) Inferior a 52 c) Comprendida entre 5 y 65 Halla las mismas probabilidades para de la media de las notas de 16 estudiantes elegidos al azar. 3. En un saco mezclamos jud blancas y pintas en la relacin de 14 blancas por cada pinta. as o Extraemos un puado de 100 jud Calcula la probabilidad de que la proporcin de jud n as. o as pintas est comprendida entre 005 y 01. e 0 01 0 03 0 0076 = p(Z 2 63) = 0 0043

CAP ITULO 4. INFERENCIA ESTAD ISTICA

62

4. El cociente intelectual, CI, de unos universitarios se distribuye normalmente con media 100 y desviacin t o pica 11. a) Se elige al azar una persona. Hallar la probabilidad de que su CI est entre 100 y 103. e b) Se elige al azar una muestra de 25 personas. Encontrar la probabilidad de que la media de sus cocientes intelectuales est entre 100 y 103. e

4.6.

Intervalos de probabilidad

En una variable normal cualquiera N (, ), se verica que: 1. En el intervalo ( , + ) est el 6826 % de la poblacin. a o 2. En el intervalo ( 2 , + 2 ) est el 9544 % de la poblacin. a o 3. En el intervalo ( 3 , + 3 ) est el 9974 % de la poblacin. a o

Figura 4.1: Porcentajes de poblacin en los diferentes intervalos simtricos de una normal N (, ). o e

Es evidente que a medida que el intervalo se ampl hay mayor porcentaje de la poblacin en l. a, o e En general, dado un porcentaje del N %, siempre es posible encontrar un intervalo simtrico rese pecto de la media de forma que dicho intervalo contenga a dicho porcentaje de poblacin. o Ms explicitamente, se denomina intervalo de probabilidad a aquel intervalo para el cul se sabe que a a hay una seguridad del N % de que los parmetros muestrales (x o p) se encuentren en dicho intervalo. a La seguridad N viene jada previamente. Si queremos que el N % de la poblacin est en el intervalo, denominaremos nivel de conanza al o e nmero: u N 1 = 100 y unido a este, se encuentra el llamado nivel de signicacin, que viene dado por . Este nivel en o general vendr explicitado en las condiciones del problema, si bien los valores ms comunes suelen ser a a del 90 %,95 % y 99 %. Ejemplo: Si queremos que el 88 % de la poblacin est en el intervalo, el nivel de conanza ser 1 = o e a 88 = 0 88, mientras que el nivel de signicacin ser = 1 0 88 = 0 12. o a 100

CAP ITULO 4. INFERENCIA ESTAD ISTICA

63

4.6.1.

Intervalo de probabilidad para la media muestral x

Si la poblacin sigue una distribucin de parmetros y , y las muestras son de tamao n 30 o o a n (o bien la poblacin ya es normal y las muestras son de cualquier tamao), sabemos que la media o n o muestral x sigue una distribucin: X N ; n Se trata de encontrar el valor de k como en la gura:

Figura 4.2: Buscamos el valor de k que deje en el intervalo ( k, + k) al (1 ) 100 % de la poblacin. o Razonemos ahora sobre la normal Z N(0;1) que es la que se encuentra tabulada Si queremos que el intervalo buscado contenga a la media muestral con una conanza de 1 , entonces fuera del intervalo el area tiene que ser de , y como la curva es simtrica, en cada una de las ramas fuera de e al punto situado en el eje x que separa la la regin rayada, tenemos un area de . Llamaremos z 2 o 2 regin rayada de la otra. o

Figura 4.3: Buscamos el valor de z que deje en el intervalo (z , z ) al (1 ) de la poblacin en o 2 2 2 la N(0;1) Es evidente que se cumple: p Z z 2 o dicho de otro modo: p Z z 2 =

2 probabilidad que se busca dentro de la tabla como hemos visto anteriormente en el tema de la normal. =1 Ahora bien, este valor slo sirve para la normal estndar N(0;1). Nosotros manejamos la normal o a y para pasar a la normal estndar deberemos tipicar: a N ; n k
n

= z 2

de donde despejando, encontramos k, el valor buscado: k = + z n 2

CAP ITULO 4. INFERENCIA ESTAD ISTICA

64

As dado el nivel de signicacin o el de conanza 1 , podemos determinar el intervalo de , o probabilidad para la media muestral, que ser: a z , + z 2 2 n n Ejemplo Determinar, en la distribucin N(0;1), el valor que concentra el 75 % de la poblacin en un o o intervalo simtrico respecto a la media e Ahora 1 = 0 75, es decir = 0 25 y por tanto = 0 125, es decir, buscamos el valor z0 125 , de 2 modo que, como en la gura, dejemos el 75 % de la poblacin en el centro. o

Figura 4.4: Buscamos el valor de z0 125 que deje en el intervalo (z0 125 , z0 125 ) al 075 de la poblacin o en la N(0;1) Se cumple que p(Z z0 125 ) = 0 125, es decir p(Z z0 125 ) = 0 875,y si buscamos en la tabla, resulta que el valor es: z0 125 = 1 15 Ejercicio: Encuentra el valor correspondiente que concentre el 88 % de la poblacin. o Ejemplo:Calcular el intervalo de probabilidad con un nivel de conanza del 95 % para la media de una muestra de 100 recin nacidos, sabiendo que la poblacin de recin nacidos sigue una normal de e o e media =3100 gr. y desviacin tipica =150 gr. o Como el nivel de conanza es 095, entonces 1 = 0 95 y por tanto = 0 05 y en cada rama fuera de la regin queda = 0 025. o 2 Buscamos entonces z0 025 , que es el valor que deja a su derecha un area de 0025, es decir: p(Z z0 025 ) = 0 025 = p(Z z0 025 ) = 0 975 Buscando este valor dentro de la tabla se obtiene que el valor de z0 025 = 1 96, y por tanto el intervalo para la media muestral es: 150 150 , 3100 + 1 96 3100 1 96 100 100 = (3100 1 96 15, 3100 + 1 96 15) = (3070 6, 3129 4)

Esto signica que el 95 % de las muestras de tamao 100 tendr su media comprendida entre estos 2 n a valores: (30706,31294) Ejercicio: Calcular el mismo intervalo con una conanza del 99 %. Ejercicio: Las notas de una poblacin de 150 alumnos siguen una distribucin de media 55 y o o varianza 41616. Extaremos muestras de tama o 36. Calcula el intervalo de probabilidad para un nivel n de conanza del: a)75 % b) 8664 %, e interpreta los resultados. (NOTA: Recordemos que la varianza y la desviacin t o pica de una distribucin estn relacionadas o a porque la varianza es el cuadrado de la desviacin t o pica y se representa por 2 ).

CAP ITULO 4. INFERENCIA ESTAD ISTICA

65

4.6.2.

Intervalo de probabilidad para la proporcin muestral p o

Razonando de igual manera se puede llegar a que para el nivel de signicacin el intervalo para o la proporcin muestral p es o pq pq , p + z p z 2 2 n n donde p y q son las proporciones poblacionales y n 30. Ejercicio: Sabiendo que la proporcin de alumnos con v o deo de una poblacin de 120 alumnos es de o p=07, halla el intervalo de probabilidad para la proporcin de: o a) las muestras de tamao 30 con una conanza del 75 %. n b) las muestras de tamao 49 con una conanza del 90 %. n c) las muestras de tama o 49 con una conanza del 99 %. n

4.7.

Estimacin por intervalos o

La estimacin anterior, la puntual, se utiliza poco, pues no tenemos datos sucientes que nos o indiquen el grado de abilidad del dato muestral que hemos tomado. Lo que tiene ms sentido plana tearse es cul es la probabilidad de que la media o proporcin poblacional pertenezcan a un intervalo a o determinado.

4.7.1.

Estimacin de la media de una poblacin o o

La media de una poblacin es desconocida y deseamos conocerla. Para ello, basndonos en los o a intervalos de probabilidad, sabemos que si la poblacin tiene parmetros y , la media muestral x o a sigue una distribucin: o X N ; n , siendo n el tamao de la muestra, y sabemos que el intervalo de probabilidad a nivel de conanza n 1 para x es: z , + z 2 2 n n es decir, que: z x + z 2 2 n n z x = x + z 2 2 n n Y de la segunda: x + z = x z 2 2 n n x z x + z 2 2 n n

De la primera desigualdad se sigue que:

Luego se deduce que:

Es decir, que el intervalo de conanza con nivel de conanza 1 para la media poblacional desconocida es: x z , x + z 2 2 n n NOTA: a) Hay que aadir que para aplicar este resultado, o bien las muestras tienen tamao n 30, o n n bien la poblacin sigue una distribucin normal. o o

CAP ITULO 4. INFERENCIA ESTAD ISTICA

66

b) Si la desviacin t o pica de la poblacin , es desconocida, se utilizar, la desviacin t o a o pica muestral s en su lugar,y el intervalo ser a: s s x z , x + z 2 2 n n a Al valor se le denomina error tpico o estndar. n Ejemplo: Para estimar la media de los resultados que obtendr al resolver un cierto test los alumnos an o de 4 de E.S.O. de la Comunidad de Castilla-Len, se les pasa el test a 400 alumnos escogidos al azar, con los resultados de la tabla: Puntuacin o 1 2 3 4 5 Nmero de alumnos u 24 80 132 101 63

A partir de ellos, estima con un nivel de conanza del 95 % el valor de la media poblacional. Aprovechando repasaremos el clculo de algunos parmetros estad a a sticos. Como slo disponemos de la muestra, no conocemos la media ni la desviacin t o o pica poblacional, hemos de calcular la media y la desviacin t o pica muestral. Para ello, calculamos la tabla siguiente: X 1 2 3 4 5 Total Resulta: x= Varianza=s2 = Frec.absoluta fi 24 80 132 101 63 400 X fi 24 160 396 404 315 1299 X2 1 4 9 16 25 X 2 fi 24 320 1188 1616 1575 4723

1299 = 3 25 400

4723 (3 25)2 = 11 81 10 56 = 1 25 400 s = s2 = 1 25 = 1 12

Ya tenemos los parmetros muestrales. Hemos de determinar el intervalo de conanza para . Como a 1 = 095, resulta que = 0 05 y queda = 0 025. 2 Se obtiene que el valor es z0 025 = 1 96, por tanto el intervalo de conanza para , al 95 % es: 1 12 1 12 , 3 25 + 1 96 3 25 1 96 400 400 = (3 25 0 11, 3 25 + 0 11) = (3 14, 3 36)

Por tanto tenemos una conanza del 95 % de que la nota media de la poblacin est comprendida o e entre 314 y 336. Ejercicio: De una variable estad stica conocemos la desviacin t o pica, 8, pero desconocemos la media. Para estimarla, extraemos una muestra de tama o 60 cuya media es 37. Estimar la media poblacional n con una conanza del 99 %.

CAP ITULO 4. INFERENCIA ESTAD ISTICA Error mximo admisible: a Hemos visto que el intervalo de conanza para la media poblacional es: x z , x + z 2 2 n n

67

Se cumple entonces que la diferencia, en valor absoluto, entre las medias poblacional y muestral es: | x| < z 2 n Al valor E = z 2 n

se le llama error mximo admisible. Dicho error tiene las siguientes propiedades: a a) El error es manor cuanto mayor sea el tama o de la muestra (n), porque dividimos por un n nmero cada vez mayor. u b) El error es mayor al aumentar el nivel de conanza, puesto que el valor z aumenta, como se 2 observa en la tabla: Conanza=1 09 095 099 z 2 1645 196 2575

Para reducir el error, por tanto, no hay que aumentarla conanza, sino el tamao de la muestra elegida. n Si conocemos el error y el nivel de conanza, podemos calcular el tamao de la muestra , usando n la frmula del error. o Ejercicio: Al medir un tiempo de reaccin, un psiclogo sabe que la desviacin t o o o pica del mismo es 05 segundos. Cul es el n mero de medidas que deber realizar para que con una conanza del 99 %, a u a el error de estimacin no exceda de 01 segundos?. o

4.7.2.

Estimacin de una proporcin o o

Si para cierta poblacin se desconoce la proporcin p de individuos que poseen cierta caracter o o stica, y deseamos dar un intervalo de conanza para el valor de p, como el intervalo de probabilidad para la proporcin muestral, ,para el nivel de conanza 1 en una muestra de tamao n es: o p n p z 2 pq , p + z 2 n pq n

Razonando igual que en el caso anterior, concluimos que: El intervalo de conanza para p a un nivel de conanza de 1 es: p z 2 pq , p + z 2 n pq n

Aunque como habitualmente no se conoce p en realidad se usa: p z 2 pq , p + z 2 n pq n

NOTA: a) Es necesario que n 30 para poder aplicar esta frmula. o b) Habitualmente en las encuestas, se suele utilizar, en lugar de la ultima frmula, el valor de o p=q=05, que es la situacin ms desfavorable. o a

CAP ITULO 4. INFERENCIA ESTAD ISTICA

68

Ejercicio: Determina el intervalo de conanza, con una signicacin del 005 para la proporcin o o poblacional de fumadores entre los jvenes menores de 21 a os, a partir de una muestra de tamao o n n 900, cuando no se conocen valores de p anteriores. Considera los dos casos anteriores (usando p y p=q=05). La proporcin de fumadores en la encuesta ha sido de p = 0 3. o El error mximo admisible en este caso es: a E = z 2 o en caso de no conocer p: pq n Ejercicio: Para 96 familias espa olas elegidas al azar se ha determinado que la TV permanece enn cendida en la casa una media de 217 minutos diarios, la desviacin t o pica de la muestra fue de 40 minutos. a) Para una abilidad del 95 % qu error se asume cuando se da por bueno ese dato para el total e de las familias espaolas?. n b) Qu tamao muestral ser necesario para reducir ese error a la mitad?. e n a E = z 2 NOTA: Diferencia entre intervalos de probabilidad y de conanza En un intervalo de probabilidad lo que conocemos es la media y desviacin tpica poblacionales, o y damos el intervalo donde se encontrar (para un cierto nivel de conanza) la media muestral o la a proporcin muestral. o Sin embargo, en un intervalo de conanza entramos ya en el terreno de la estimacin, es decir o NO conocemos la media poblacional (y en ocasiones tampoco la desviacin t o pica poblacional) ni la proporcin poblacional , sino que slo conocemos, o podemos calcular, la media muestral o la proporcin o o o muestral, y de lo que se trata es de dar un intervalo en el que se encuentre la media poblacional (o la proporcin poblacional). o pq n

Cap tulo 5

TEST DE HIPOTESIS
5.1. Introduccin o

En este tema trataremos el importante aspecto de la toma de decisiones, referida a decidir si un valor obtenido a partir de la muestra es probable que pertenezca a la poblacin. o En general, la media (o proporcin) en una muestra suele ser distinta a la media de la poblacin, o o de la cul se extrae la muestra. Lo normal suele ser que tal diferencia entre la media muestral y a poblacional sea pequea y debida al azar, pero podr suceder que dicha diferencia no est justicada n a e por el azar y se deba a un cambio en la poblacin, y debamos modicar los datos que conocemos o previamente. Ejemplos: a) Hace algunos aos, la media de estatura de los espaoles adultos varones era de 170 cm y su n n desviacin t o pica 9 cm. Pasado el tiempo, un muestreo realizado a 36 adultos da una medida de 172 cm. Puede armarse que esa diferencia de 2 cm es debida al azar o realmente la estatura media ha aumentado?. b) Supongamos que, respecto a una determinada ley, el 52 % de los ciudadanos est en contra. a Pasado el tiempo, una encuesta realizada a 400 personas indica que los ciudadanos en contra han descendido hasta el 49 %.Ha cambiado realmente la opinin pblica o tal resultado es debido al o u azar?. c) El porcentaje de aprobados en las PAU en un determinado distritouniversitario ha sido del 82 %. En una ciudad de ese distrito, el porcentaje de aprobados fue del 86 %. Puede armarse con un nivel de conanza del 90 % que los resultados en esa ciudad son superiores a la media?. Los mtodos de decisin estad e o stica estn ligados a los de estimacin de parmetros mediante los a o a intervalos de conanza, aunque tambin aparecern otros nuevos conceptos. e a

5.2.

Hiptesis estad o sticas

Trataremos de utilizar los datos obtenidos en una muestra para tomar decisiones sobre la poblacin. o Para ello, debemos realizar ciertos supuestos o conjeturas sobre las poblaciones. Estos supuestos, que pueden ser o no ciertos,se llaman hiptesis estad o sticas. Podemos, entonces, denir el test de hiptesis o contraste de hiptesis como el procedimiento o o estad stico mediante el cul se investiga la verdad o falsedad de una hiptesis acerca de una poblacin a o o o poblaciones. Dichas hiptesis se formularn sobre la media poblacional o la proporcin poblacional p. o a o o Llamaremos hiptesis nula, y se representa por H0 , a la hiptesis que se formula y por tanto se quiere o o contrastar o rechazar, e hiptesis alternativa, y se representa por H1 , a cualquier otra hiptesis que o o o sea diferente de la formulada, y que sea contraria a H0 , de forma que la aceptacin de la hiptesis nula o H0 implica el rechazo de la alternativa H1 y viceversa, el rechazo de H0 implica la aceptacin de H1 .

72

 CAP ITULO 5. TEST DE HIPOTESIS

73

En un problema de contraste de hiptesis, pues, siempre tiene que formularse una hiptesis nula H0 , o o y ha de ir acompaada de una alternativa, H0 que es la que aspira a desplazar a la nula. n Ejemplo: Un investigador arma que la temperatura del cuerpo humano en un adulto sano se distrio pica = 0 9 C. Formular la hiptesis o buye segn una normal de media = 37 C y desviacin t u nula y la hiptesis alternativa o A la vista de los datos, el investigador arma que la temperatura media del cuerpo humano es 37, es decir la hiptesis o conjetura que formula es: o H0 = 37 (hiptesis nula) o

Como hiptesis alternativa, hemos de tomar aquella contraria a esta, que la media sea distinta de 37 o C, es decir: o H1 = 37 (hiptesis alternativa) Si la hiptesis nula fuese del tipo k la hiptesis alternativas ser o o a: < k.

5.3.

Errores

Hay ocasiones en que la hiptesis nula, H0 , es cierta, pero a la vista de la muestra tengamos que o rechazarla. En tal caso, estamos cometiendo un error. El error que consiste en rechazar la hiptesis nula cuando sta es verdadera, se denomina error de o e tipo I. Otro tipo de error puede ocurrir cuando, siendo H0 falsa, las evidencias de la muestra, sin embargo, nos lleven a aceptarla. Este error, cometido al aceptar cuando sta es falsa, se denomina error de tipo II. Resumiendo: e Situacin o Mantener H0 Decisin o Rechazar H0 Decisin incorrecta: o ERROR DE TIPO I Probabilidad= H0 verdadera Decisin correcta o Probabilidad=1 H1 verdadera (H0 falsa) Decisin incorrecta: o ERROR DE TIPO II Probabilidad= Decisin correcta o Probabilidad=1

donde es el nivel de signicacin y 1 es el nivel de conanza. o Con esta notacin y utilizando probabilidades condicionadas: o = p (Rechazar H0 /H0 es cierta) = p(Error de tipo I) y = p (Aceptar H0 /H0 es cierta) Por otra parte: = p (Aceptar H0 /H0 es falsa) = p(Error de tipo II) y 1 = p (Rechazar H0 /H0 es falsa) A la probabilidad 1 se le denomina potencia del contraste.

 CAP ITULO 5. TEST DE HIPOTESIS

74

5.4.

Regin cr o tica y regin de aceptacin o o

Sabemos ya formular la hiptesis nula y la hiptesis alternativa. Lo que necesitamos ahora es o o un criterio para saber si debemos aceptar una u otra, es decir, con cul de las dos hiptesis nos a o quedamos?. Al tener ya formulada la hiptesis nula, es necesario que las evidencias sean muy fuertes para o rechazarla; es decir, puede que haya cambios debidos al azar, en cuyo caso el cambio no es signicativo, y no cambiamos , pero puede que los cambios sean debidos a otras causas. En este ultimo caso es cuando el cambio es signicativo y rechazaremos. Por lo tanto, lo primero que debemos hacer es jar un cierto intervalo dentro del cul es normal a que haya cambios, es decir, una regin tal que si el parmetro se mantiene en dicho intervalo, nos o a n o seguimos quedando con H0 , pues esas pequeas variaciones son debidas al azar. Ese intervalo o regin se denomina regin de aceptacin, y ser mayor o menor dependiendo del nivel de conanza que o o a precisemos, 1 . La regin que quede fuera de la regin de aceptacin indica que en este caso los cambios no se o o o o o pueden atribuir al azar, y por tanto hemos de rechazar H0 y aceptar H1 . Tal regin se llama regin crtica o de rechazo. Llegados a este punto, hemos de distinguir entre dos tipos de contraste o test, que determinan la regin de aceptacin y la regin de rechazo. o o o 1. Contraste bilateral (o de dos colas): En este caso la regin de rechazo o regin cr o o tica est formada por dos conjuntos de puntos disjuntos. Dicho caso se presenta cuando la hiptesis a o o nula es del tipo H0 : = k (o bien H0 : p = k) y la hiptesis alternativa, por tanto, es del tipo H1 : = k (o bien H1 : p = k). La regin cr o tica para un cierto nivel ser en la N(0;1): a,

Figura 5.1: El intervalo (z , z ) es la Regin de Aceptacin. La regin no sombreada es la Regin o o o o 2 2 cr tica, formada por dos partes o colas. Fijmonos en que el nivel de signicacin se concentra en dos partes (o colas) simtricas e o e respecto de la media. La regin de aceptacin en este caso no es ms que el correspondiente intervalo de probabilidad o o a para x o p, es decir: z , + z 2 2 n n o bien: pq pq , p + z p z 2 2 n n Las correspondientes regiones cr ticas sern: a , z 2 n o bien , p z 2 pq n + z , 2 n p + z 2 pq , n

 CAP ITULO 5. TEST DE HIPOTESIS

75

2. Contraste unilateral (o de una cola): En este caso la regin cr o tica est formada por un a slo conjunto de puntos. o Como se observa en las guras, el nivel de signicacin se concentra slo en una parte o cola. o o Este caso se presenta cuando la hiptesis nula es del tipo H0 : k (o bien H0 : p k) y la o e hiptesis alternativa, por tanto, es del tipo H1 : < k (o bien H1 : p < k).(Tambin si aparece o ) A nivel de conanza 1 , las regiones ser an, en la N(0;1): a) Unilateral por la derecha:

Figura 5.2: El intervalo (, z ) es la Regin de Aceptacin. La regin no sombreada es la Regin o o o o cr tica, formada por una partes o cola. El nivel se concentra ah . La regin de aceptacin en este caso ser: o o a , + z n o bien: , p + z Las correspondientes regiones cr ticas sern: a + z , n o bien p + z b) Unilateral por la izquierda: pq , n pq n

Figura 5.3: El intervalo (z , ) es la Regin de Aceptacin. La regin no sombreada es la Regin o o o o cr tica, formada por una partes o cola. El nivel se concentra ah . La regin de aceptacin en este caso ser: o o a z , n

 CAP ITULO 5. TEST DE HIPOTESIS o bien p z Las correspondientes regiones cr ticas sern: a , z n o bien: , p z pq n

76

pq , n

En todos los casos, conociendo el nivel de conanza 1 , tendremos que determinar el valor z 2 (para contrastes bilaterales) o bien z (para contrastes unilaterales), que separa las regiones de rechazo y aceptacin. o Algunos de estos valores ms comunes se dan en la tabla adjunta, que en los bilaterales son los a mismos que para intervalos de conanza o probabilidad, ya vistos con anterioridad:

Figura 5.4: Valores ms comunes para contrastes bilaterales y unilaterales derechos. Los correspona dientes para los unilaterales izquierdos son negativos.

5.5.

Etapas de la prueba de hiptesis o

Los procedimientos seguidos en las pruebas de hiptesis correspondientes a las situaciones de o decisin estad o stica se encuentran totalmente prejados y se llevan a cabo en una serie de etapas que facilitan su comprensin, y que son: o 1. Enunciar la hiptesis nula H0 y la alternativa H1 . o Deben ser excluyentes entre s Analizar, una vez enunciadas, si el contraste es bilateral o unila. teral (Es bilateral si la hiptesis alternativa es del tipo = y unilateral si es del tipo > o <). o 2. Determinar el valor z (para contrastes bilaterales) o bien z (para contrastes unilaterales), 2 que separa las regiones de rechazo y aceptacin, a partir del nivel de conanza 1 o el de o signicacin . o

 CAP ITULO 5. TEST DE HIPOTESIS

77

3. Determinar la distribucin que sigue el parmetro muestral (x o p) y en base a ella y al valor o a obtenido en la etapa anterior, escribir las correspondientes regiones de aceptacin y rechazo. o 4. Calcular el estad stico usado en la prueba (en nuestro caso, calcular media muestral x o proporcin muestral p, a partir de la muestra). o 5. Aplicar el test,es decir, dependiendo de si el estad stico cae en la regin de aceptacin o de o o rechazo, tomar la decisin de aceptar una de las dos hiptesis. o o A continuacin se ofrecen algunos ejemplos de problemas de test de hiptesis: o o 1. La vida media de una muestra de 100 tubos uorescentes producidos por una empresa es de 1570 horas, una desviacin t o pica de 120 horas. Si es la vida media media de los tubos de dicha empresa, se puede armar a nivel de signicacin 005 que la duracin media de los tubos es o o de 1600 horas?. Determinar los errores de tipo I y II Etapa 1: Queremos saber si la duracin media de los tubos es de 1600 horas, es decir, que nuestra o hiptesis nula es H0 : = 1600. o Por lo tanto, la hiptesis alternativa ser que la duracin no sea de 1600 horas, es decir, la o a o hiptesis alternativa es H1 : = 1600. o Por tanto estamos ante un contraste bilateral. Etapa 2: A nivel de signicacin = 0 05 = 1 = 0 95, y realizando el dibujo habitual o (hacer como ejercicio), obtenemos que z = z0 025 = 1 96. 2 Etapa 3: Determinemos la distribucin de la media muestral, x, teniendo en cuente que como la o desviacin t o pica de la poblacin no la conocemos, tomamos la muestral, que es s = 120, y por o tanto sabemos que la media muestral sigue una normal: N 120 1600; 100 = N (1600; 12)

Por tanto la regin de aceptacin ser el intervalo de probabilidad: o o a 120 120 , 1600 + 1600 100 100

= (1600 1 96 12, 1600 + 1 96 12) = (1576 48, 1623 52)

De modo que, Regin de Aceptacin:(157648,162352) o o Regin de Rechazo: (, 1576 48) (1623 52, ) o Etapa 4: En la muestra se ha obtenido que x = 1570. Etapa 5: Para aplicar el test, simplemente hemos de comprobar si el valor de est dentro de la a regin de aceptacin o de la de rehazo. o o Como en este caso se observa que 1570 (1576 48, 1623 52) / es decir, 1570 no est en la regin de aceptacin, sino en la de rechazo. a o o Por tanto, hemos de rechazar que la media es 1600 (hiptesis nula) y aceptar la alternativa. o A este nivel de conanza no se puede armar que la duracin media de los tubos sea de 1600 o horas. En cuanto a los errores: Error de tipo I es armar que la duracin media no es de 1600 horas cuando en realidad s lo es. o Error de tipo II es armar que la duracin media es de 1600 horas cuando en realidad no lo es. o

 CAP ITULO 5. TEST DE HIPOTESIS

78

2. Una encuesta, realizada a 64 empleados de una fbrica, concluy que el tiempo medio de duracin a o o de un empleo en la misma era de 65 aos con una desviacin t n o pica de 4. Sirve esta armacin o para aceptar, con un nivel de signicacin del 5 %, que el tiempo medio de empleo en esa fbrica o a es menor o igual que 6? Justicar adecuadamente la respuesta. El enunciado no puede ser ms claro a la hora de determinar las hiptesis nula y alternativa. a o Queremos comprobar si el tiempo medio de empleo en esa fbrica es menor o igual que 6, luego a la hiptesis alternativa ser que dicho tiempo medio de empleo sea MAYOR que 6, es decir: o a H0 : 6 o simplemente H0 : = 6 (lo que queremos comprobar) frente a: H1 : > 6 Es claramente un contraste unilateral. La regin de aceptacin ser o o a s , + z n puesto que aceptamos todos los valores menores que un cierto tope. Notemos que concemos el valor de s (en la muestra) y no el de , pero eso no inluye en la frmula. La regin de rechazo, o o por tanto, es: s + z , n o o Para calcular el nivel z = z0 05 , y por tanto z0 05 = 1 645. As pues, la regin de aceptacin es, puesto que = 6 , s = 4 y n = 64, resulta ser, aproximadamente: (, 6 8225) Y la regin cr o tica: (6 8225, ) o o Como en la muestra resulta que x = 6 5, que pertenece a la regin de aceptacin, es decir, aceptamos la hiptesis nula, la media es de 6 aos, al 95 % de conanza. o n 3. Un investigador, utilizando informacin de anteriores comicios, sostiene que, en una determinada o zona, el nivel de abstencin en las prximas elecciones es del 40 % como m o o nimo. Se elige una muestra aleatoria de 200 individuos para los que se concluye que 75 estar dispuestos a votar. an Determinar, con un nivel de signicacin del 1 %, si se puede admitir como cierta la armacin o o del investigador. Se trata ahora de un contraste de proporciones. La hiptesis a contrastar est muy clara: El o a investigador dice que el nivel de abstencin es de un 40 % por lo menos, es decir, slo rechazaremos o o su hiptesis cuando la proporcin sea menor que este valor, es decir: o o H0 : p 0 4 o simplemente H0 : p = 0 4 (lo que dice el investigador) frente a: H1 : p < 0 4 (la proporcin de abstencin es menor) o o As pues la regin de aceptacin es: o o p z pq , n

 CAP ITULO 5. TEST DE HIPOTESIS Y la de rechazo: , p z pq n

79

o o Para calcular el nivel z = z0 01 , y por tanto z0 01 = 2 33. As pues, la regin de aceptacin es, puesto que p = 0 4 , q = 0 6 y n = 200, resulta ser, aproximadamente: (0 3192, ) Y la regin cr o tica: (, 0 3192) Como en la muestra resulta que 125 = 0 625 200 , los 125 que no votan de los 200 a los que se pregunta. Al 99 % de conanza entonces, resulta que dicho valor en la muestra pertenece a la regin de aceptacin, es decir,aceptamos la hiptesis o o o nula y el investigador tiene razn, la abstencin ser, al menos del 40 %. o o a p=

Cap tulo 6

MATRICES Y DETERMINANTES
6.1. Introduccin o

Las matrices y los determinantes son herramientas del algebra que facilitan el ordenamiento de datos, as como su manejo. Los conceptos de matriz y todos los relacionados fueron desarrollados bsicamente en el siglo XIX a por matemticos como los ingleses J.J. Sylvester y Arthur Cayley y el irlands William Hamilton. a e Las matrices se encuentran en aquellos mbitos en los que se trabaja con datos regularmente a ordenados y aparecen en situaciones propias de las Ciencias Sociales , Econmicas y Biolgicas. o o

6.2.

Matrices. Denicin y primeros ejemplos o

nmeros reales dispuestos en las y columnas del modo: u . . . a1n . . . a2n . Filas de la matriz A .. . . . . . . amn

Una matriz es una tabla rectangular de a11 a12 a13 a21 a22 a23 A= . . . . . . . . . am1 am2 am3

Columnas de la matriz A

ndices. El Abreviadamente se puede expresar A = (aij ). Cada elemento de la matriz lleva dos sub primero de ellos i, indica la la en la que se encuentra el elemento, y el segundo, j, la columna. a a As el elemento a23 est en la la 2 y columna 3. Las matrices siempre se representarn con letras maysculas. u Ejemplos: Son ejemplos de matrices los siguientes: 3 1 0 2 4 0 2 1 6 4 0 C = A= B= 1 1 2 1 2 1 3 4 5 1 0 0 A tiene 2 las y 2 columnas, diremos que su tamao es 2 x 2.Qu elemento es a21 ?. n e B tiene 2 las y 3 columnas, diremos que su tamao es 2 x 3.Qu elemento es b23?. n e C tiene 4 las y 3 columnas, diremos que su tamao es 4 x 3.Qu elemento es c42 ?. n e En general, si una matriz A tiene m las y n columnas, diremos que su tamao o dimensin es m n o x n (se lee m por n), siempre en primer lugar el n de las y en segundo lugar el de columnas.

82

CAP ITULO 6. MATRICES Y DETERMINANTES

83

6.3.

Tipos de matrices
Por ejemplo, A= es una matriz nula de tamao 2x5. n 0 0 0 0 0 0 0 0 0 0

1. Se llama matriz nula a la que tiene todos los elementos cero.

2. Se llama matriz la a la que slo tiene una la, es decir su dimensin es 1x n. o o Por ejemplo, 1 0 4 9 es una matriz la de tamao 1 x 4. n 3. Se llama matriz columna a la que slo consta de una columna, es decir su dimensin ser m x o o a 1, como por ejemplo: 1 0 C= 8 es una matriz columna de tamao 3 x 1. n 4. Una matriz es cuadrada cuando tiene el mismo nmero de las que de columnas, es decir su u n dimensin es n x n. La matriz ( 2 1 ) del primer ejemplo anterior es cuadrada de tamao 2 x 2 o o 3 4 simplemente de orden 2. Otro ejemplo de matriz cuadrada es: 1 2 3 D= 6 5 4 3 4 0

de orden 3. Dentro de las matrices cuadradas llamaremos diagonal principal a la formada por los elementos a11 , a22 , a33, . . . , ann , siendo la matriz: a11 a12 a13 . . . a1n a21 a22 a23 . . . a2n A= . . . . .. . . . . . . . . . an1 an2 an3 . . . ann En la matriz D del ejemplo anterior, su diagonal principal estar formada por 1, 5, 0. a Se llama traza de la matriz a la suma de los elementos de la diagonal. Es decir, Traza (A)=a11 + a22 + a33 + . . . + ann , y en el caso de D, Traza (D)= 1+5+0 = 6. La diagonal secundaria es la formada por los elementos a1n , a2,n1, a3,n2, . . . , an1 . En la matriz D estar formada por 3, 5, -3. a Una clase especial de matrices cuadradas son las matrices triangulares. Una matriz es triangular superior si todos los elementos por debajo de la diagonal principal son nulos y triangular inferior si son nulos todos los elementos situados por encima de dicha diagonal. Son ejemplos de estas matrices: 1 0 0 0 1 4 1 3 0 4 0 0 F = 0 9 5 E= 3 4 5 0 0 0 1 3 16 78 Triangular superior
Triangular inferior

CAP ITULO 6. MATRICES Y DETERMINANTES

84

Si una matriz es a la vez triangular superior e inferior, slo tiene elementos en la diagonal principal. o Una matriz de este tipo se denomina matriz diagonal. Un ejemplo de matriz diagonal ser a: 1 0 0 0 0 45 0 0 G= 0 0 3 0 0 0 0 0 Por ultimo, si una matriz diagonal tiene en su diagonal principal slo unos, se denomina matriz unidad o n o identidad. Se suelen representar por In , donde n es el orden o tamao de la matriz. Algunas matrices identidad son: 1 0 0 0 1 0 0 1 0 0 1 0 I4 = 0 1 0 0 I3 = I2 = 0 0 1 0 0 1 0 0 1 0 0 0 1

6.4.

Aplicaciones de las matrices

Las matrices se utilizan en el contexto de las ciencias como elementos que sirven para clasicar valores numricos atendiendo a dos criterios o variables. e Ejemplo: Un importador de globos los importa de dos colores, naranja (N) y fresa (F). Todos ellos se envasan en paquetes de 2, 5 y 10 unidades, que se venden al precio (en euros) indicado por la tabla siguiente: Color N Color F 2 unid. 004 003 5 unid. 008 005 10 unid. 012 008

Sabiendo que en un ao se venden el siguiente nmero de paquetes: n u 2 unid. 5 unid. 10 unid. Color N 700000 600000 500000 Color F 50000 40000 500000

Resumir la informacin anterior en 2 matrices A y B, de tama o respectivo 2x3 y 3x2 que recojan las o n ventas en un ao (A) y los precios (B). n Nos piden que organicemos la informacin anterior en dos matrices de tama o concreto. Si nos jamos o n en las tablas, es sencillo obtener las matrices: N 2 ud 5 ud 10 ud 0 04 700000 600000 500000 N 0 08 B= 50000 40000 500000 F 0 12 F 0 03 2 ud 0 05 5 ud 0 08 10 ud

A=

Estas matrices se denominan matrices de informacin, y simplemente recogen los datos numricos del o e problema en cuestin. o Otras matrices son las llamadas matrices de relacin, que indican si ciertos elementos estn o no o a relacionados entre s En general, la existencia de relacin se expresa con un 1 en la matriz y la ausencia . o de dicha relacin de expresa con un 0. o Estas matrices se utilizan cuando queremos trasladar la informacin dada por un grafo y expresarla o numricamente. e

CAP ITULO 6. MATRICES Y DETERMINANTES

85

En Matemticas, un grafo es una coleccin cualquiera de puntos conectados por lineas. a o Existen muchos tipos de grafos. Entre ellos, podemos destacar: * Grafo simple: Es el grafo que no contiene ciclos, es decir, lineas que unan un punto consigo mismo, ni lineas paralelas, es decir, lineas que conectan el mismo par de puntos. * Grafo dirigido: Es el grafo que indica un sentido de recorrido de cada linea, mediante una echa. Estos tipos de grafo pueden verse en la gura:

Figura 6.1: Grafo, Grafo simple y Grafo dirigido.

Relacionadas con los grafos se pueden denir algunas matrices. Entre todas ellas, nosotros nos jaremos en la llamada matriz de adyacencia, que es aquella formada por ceros y unos exclusivamente, de tal forma que: * un 1 en el lugar (i,j) expresa la posibilidad de ir desde el punto de la la i hasta el punto de la columna j mediante una linea que los una directamente. * un 0 en el lugar (i,j) expresa la imposibilidad de ir del primer punto al segundo mediante una linea que los una directamente. La matriz de adyacencia del grafo dirigido de la gura anterior ser: a A A 0 B 0 C 1 D 0 B 1 0 0 0 C 0 1 0 0 D 1 0 0 0

Ejercicio 1) Escribe las correspondientes matrices de adyacencia de los grafos:

2) Dibuja los grafos dirigidos que correspondan a las matrices de adyacencia: A A 0 B 1 C 0 B 1 0 0 C 0 1 0 A A 0 B 0 C 1 D 0 B 1 0 0 1 C 1 0 0 1 D 1 1 0 0

CAP ITULO 6. MATRICES Y DETERMINANTES

86

6.5.
6.5.1.

Operaciones con matrices

Suma y diferencia

Dadas dos matrices A y B podemos realizar su suma o diferencia de acuerdo a la siguiente regla. Para sumar o restar dos matrices del mismo tama o, se suman o restan los elementos que se encuentren n en la misma posicin, resultando otra matriz de igual tamao. o n Por ejemplo: 2 0 4 0 1 1 2 1 3 = 3 2 5 7 0 4 4 2 1
2x3 2x3 2x3

Si las matrices tienen diferente tamao, no se pueden sumar o restar entre s n . Propiedades de la suma (y diferencia) de matrices: a) Conmutativa: A + B = B + A b) Asociativa: A + (B + C) = (A + B) + C c) Elemento neutro: La matriz nula del tamao correspondiente. n d) Elemento opuesto de A: La matriz -A, que resulta de cambiar de signo a los elementos de A. Ejemplo: Si 0 1 0 1 A = 4 2 = A = 4 2 3 9 3 9
3x2 3x2

porque:

0 1 0 0 0 1 4 2 + 4 2 = 0 0 3 9 0 0 3 9
3x2 3x2 3x2

Ejercicios: 1. Las exportaciones, en millones de euros, de 3 pa ses A, B, C a otros tres X, Y, Z, en los a os n 2000 y 2001 vienen dadas por las matrices: X Y Z A 11 6 7 0 5 A2000 = B 14 5 10 1 2 C 20 9 3 2 2 3 X Y Z A 13 3 7 1 = B 15 7 11 1 3 2 C 21 02 43

A2001

Calcula y expresa en forma de matriz el total de exportaciones para el conjunto de los dos aos. n Cuntos millones ha exportado el pa B al Z en total? a s Calcula el incremento de las exportaciones del ao 2000 al 2001 con los datos del ejemplo anterior. n 2. Calcula x, y, z en la suma: x y 1 2 y 0 z 1 1 3 1 y x + z 2 3 = 0 4 4 0 z 2 2 3 x 2 4 1 3. Calcula a, b, c para que se cumpla la igualdad: 3a b 2 2 a+b 4 + 4 c + 1 6 1c 2 0 = 1 a 2 2 0 6

CAP ITULO 6. MATRICES Y DETERMINANTES

87

6.5.2.

Producto por un nmero real u

Dada una matriz cualquiera A y un nmero real k, el producto kA se realiza multiplicando todos u los elementos de A por k, resultando otra matriz de igual tamao. (Evidentemente la misma regla n sirve para dividir una matriz por un nmero real). u Por ejemplo: 10 5 15 2 1 3 = 5 20 10 5 4 2 1
2x3 2x3

Propiedades: a) Distributiva respecto de la suma de matrices: k(A + B) = kA + kB b) Distributiva respecto de la suma de nmeros: (k + d)A= kA + dA u c) Asociativa: k(dA)=(kd)A d) Elemento neutro, el nmero 1: 1A=A u Ejercicios: 1. Si A = 1 1 0 1 yB= 1 0 , halla una matriz X que verique la ecuacin: o 0 2 2X 4A = B 2. Determina las matrices X y Y sabiendo que: 3X 5Y =

1 2 8 1 X + 3Y = 2 4 3 0

6.5.3.

Trasposicin de matrices o

Dada una matriz cualquiera A, se llama matriz traspuesta de A, y se representa por At a la matriz que resulta de intercambiar las las y las columnas de A. 2 1 0 7 Por ejemplo, si A = , entonces la matriz traspuesta de A es: 3 4 2 1 2 3 1 4 At = 0 2 7 1 a n Evidentemente, si A es una matriz de tamao m x n, su traspuesta At tendr tamao n x m, pues el n nmero de columnas pasa a ser el de las y viceversa. u Si la matriz A es cuadrada, su traspuesta tendr el mismo tama o. a n Propiedades: a) (At )t = A, es decir, la traspuesta de la traspuesta es la matriz inicial. b) (A + B)t = At + B t c) (k A)t = k At En base a esta nueva operacin, podemos denir otras dos clases de matrices, que son: o Matriz simtrica, que es aquella para la que se cumple e 2 1 1 0 A= 3 2 que At = A, por ejemplo la matriz: 3 2 7

CAP ITULO 6. MATRICES Y DETERMINANTES es simtrica (comprubalo). e e En una matriz simtrica, los elementos son simtricos respecto a la diagonal principal. e e Ejercicio: Puede ser simtrica una matriz que no sea cuadrada?Por qu?. e e Matriz antisimtrica, es aquella para la que se cumple que At = A. e Por ejemplo: 0 1 3 B = 1 0 2 3 2 0

88

es antisimtrica (comprueba). e En una matriz antisimtrica, los elementos de la diagonal principal son siempre nulos (por qu?), e e y los restantes son opuestos respecto a dicha diagonal. Ejercicios: 1 3 3 1 1 2 1. Dadas las matrices A = 1 4 3 y B = 2 0 1 calcula 3At B t . 1 3 4 6 1 0 2. Obtener las matrices X e Y 2X 3Y = 1 4 a) X Y = 1 3 que veriquen los sistemas: 5 X + Y = 2 1 2 3 0 b) 0 X Y = 6 2 6 0 1 2X + Y = c) X + 2Y =

3 1 0 2 1 0 2 4

6.5.4.

Producto de matrices

Hay que dejar claro ya desde el principio que no todas las matrices pueden multiplicarse. Dos matrices se pueden multiplicar cuando se cumple la siguiente condicin: o o u Para multiplicar dos matrices A y B, en este orden, AB , es condicin indispensable que el nmero de columnas de A sea igual al nmero de las de B u Si no se cumple esta condicin, el producto AB no puede realizarse, de modo que esta es una o condicin que debemos comprobar previamente a la propia multiplicacin. o o Una vez comprobado que el producto AB se puede realizar, si A es una matriz m x n y B es una matriz n x p (observemos que el n de columnas de A = n = n de las de B), entonces el producto n AB da como resultado una matriz C de tamao n x p del siguiente modo: El elemento que se encuentra en la la i y la columna j de la matriz C=AB, se obtiene multiplicando los elementos de la la i de A por la columna j de B y sumando los resultados Vemoslo mediante un ejemplo: a Para multiplicar las matrices: 3 2 1 4 2 5 3 2
2x4

A=

0 4 1 1 2 1 B= 2 0 2 3 2 1
4x3

primero comprobamos que se puede realizar el producto AB, pues el n de columnas de A es 4 y el e u a n n de las de B tambin es 4, y el resultado, segn lo dicho ser una matriz de tamao 2 x 3, tiene 2

CAP ITULO 6. MATRICES Y DETERMINANTES las y 3 columnas:

89

0 4 1 1 2 1 3 2 1 4 = 2 5 3 2 2 0 2 2x4 3 2 1
4x3

2x3

Slo nos falta completar los elementos de la matriz producto. Para ello, seguimos la regla anterior: o El elemento de la la 1 y columna 1 de AB proviene de multiplicar elemento a elemento la la 1 de A por la columna 1 de B y sumar, es decir: (3) 0 + 2 1 + 1 2 + 4 3 = 0 + 2 + 2 + 12 = 16 El elemento de la la 1 y columna 2 de AB proviene de multiplicar elemento a elemento la la 1 de A y la columna 2 de B y sumar: (3) (4) + 2 (2) + 1 0 + 4 2 = 12 4 + 0 + 8 = 16 El elemento de la la 1 y columna 3 de AB proviene de multiplicar elemento a elemento la la 1 de A y la columna 3 de B y sumar: (3) 1 + 2 1 + 1 2 + 4 1 = 3 + 2 + 2 + 4 = 5 As sucesivamente se obtienen (comprueba): 16 16 5 5 22 11
2x3

Ejercicios: 1. Para las matrices A y B anteriores, calcula BA 1 3 ,B 2 6 1 0 3. Lo mismo si A = 4 2. Si A = = 3 5 2 1 , calcula si es posible AB y BA. Coinciden?. 3 0 2 . 1 1 5

1 2, B = 1

4. Calcula todos los productos posibles entre las matrices: 1 2 3 1 A = 1 1 1 B = 2 0 2 1 1 Adems, calcula A2 y A3 . a 5. Para las matrices A= 1 1 2 4 0 3 B= 0 3 4 1 2 3

C=

2 1 0 3 4 5

2 3 0 1 C = 5 1 4 2 1 0 0 3

2 D = 1 3

calcula: A + B, 3A 4B, A B, A D, B C, C D, At C, Dt At , B t A, Dt D, D Dt

CAP ITULO 6. MATRICES Y DETERMINANTES Propiedades del producto de matrices a) Asociativa: A(BC) = (AB)C b) Distributiva respecto de la suma: A (B + C) = A B + A C (B + C) A = B A + C A c) Elemento neutro, la matriz identidad correpondiente, si A es m x n: A In = A Im A = A d) En general el producto de matrices no es conmutativo AB =BA Pueden verse ejemplos en los ejercicios anteriores. Esta es una propiedad muy importante. e) El producto de dos matrices no nulas A y B puede dar lugar a una matriz nula: 5 0 2 1 3 2 = 0 0 2 1 4 2x3 2x1
3x1

90

Se dice que el conjunto de las matrices con la operacin producto tiene divisores de cero, es decir, hay o matrices no nulas cuyo producto es nulo. Ejercicios: 1. Si A y B son dos matrices cuadradas del mismo orden, son ciertas las propiedades siguientes, que son ciertas para las operaciones con nmeros reales?: u a) (A + B)2 = A2 + B 2 + 2 A B b) (A B)2 = A2 + B 2 2 A B c) (A + B) (A B) = A2 B 2 2. Determina los valores de a y b de la matriz A = 3. Qu matrices conmutan con la matriz e 1 2 ?. 0 1 2 1 a b para que A2 = A.

6.6.

La matriz inversa

Sabemos ya multiplicar matrices y hemos visto algunas de las propiedades de esta operacin. o Recordemos, en primer lugar, que no siempre es posible efectar la multiplicacin de dos matrices, u o y en segundo lugar, que aunque sea posible hacer esta multiplicacin, en general no es conmutativo, o es decir AB es distinto de BA. En el caso particular de que tratemos con matrices cuadradas del mismo orden A y B, es claro que a podemos efectuar los productos AB y BA, que darn como resultado otra matriz del mismo orden, aunque, como ya se ha dicho, las matrices resultantes sern, en general, distintas. a Sabemos tambin que el elemento neutro del producto de matrices es la matriz identidad In . e Por analog con el caso de los nmeros reales, podemos plantearnos la siguiente cuestin: a u o

CAP ITULO 6. MATRICES Y DETERMINANTES

91

Si tenemos un nmero real, por ejemplo el 2, podemos interesarnos en buscar el inverso del 2 para u el producto, es decir un nmero real x tal que 2x = 1, el producto de 2 por x sea igual al elemento u neutro, el 1. Evidentemente, en el caso de los nmeros reales es bien fcil despejar x para obtener, en nuestro u a 1 u u e caso, que x = , es decir, el inverso de un nmero real es otro nmero que multiplicado por l da el 2 elemento neutro, el 1. Todo nmero real, salvo el 0, tiene inverso. u Trasladando esto a las matrices, nos podemos plantear si dada una matriz cuadrada A de orden n, cualquiera, existe su inversa X para el producto de matrices,tal que A X = In es decir, el producto de A por su inversa produce el elemento neutro matricial, la matriz identidad In . Sin embargo, hay algunas diferencias con respecto al caso de los nmeros reales: u In o 1) No podemos despejar la matriz X del modo X = , porque no hemos denido la divisin de A matrices. 2) No todas las matrices cuadradas no nulas tienen matriz inversa (sea lo que sea, por analog a con los nmeros). u Denamos, en primer lugar, el trmino de matriz inversa: e Dada una matriz cuadrada de orden n , A, se dice que A es invertible (o que posee inversa o que es no singular o que es regular ), si existe otra matriz del mismo orden, denominada matriz inversa de A y representada por A1 y tal que: A A1 = In y A1 A = In

Si A no tiene inversa, se dice que es singular o no invertible. Si una matriz tiene inversa, dicha matriz inversa es unica (slo hay una). Para calcular dicha matriz o inversa, podemos utilizar dos v as:

6.6.1.

Mtodo directo: e

Consiste en determinar A1 planteando un sistema de ecuaciones, es decir, si por ejemplo queremos 1 2 determinar la inversa de la matriz A = , lo que estoy buscando es otra matriz de igual tamao n 1 1 x y , se tiene que cumplir que : (orden 2) tal que A A1 = I2 y A1 A = I2 , es decir, si A1 = z t A A1 = I2 = 1 2 x y 1 1 z t = 1 0 0 1 = x + 2z y + 2t x + z y + t = 1 0 0 1

x + 2z = 1 y + 2t = 0 x + z = 0 y + t = 1 Es decir, hemos de resolver un sistema de 4 ecuaciones con 4 incgnitas, aunque en realidad son 2 o sistemas de dos ingnitas cada uno (uno con x y z y otro con y y t). o Resolviendo el sistema se obtiene que x= 2 1 1 1 ,y = ,z = ,t = 3 3 3 3

CAP ITULO 6. MATRICES Y DETERMINANTES por lo que la matriz inversa es: A1 =

1 3 1 3 2 3 1 3

92

1 1 2 1 1 3

Se puede comprobar que tambin se cumple que A1 A = I2 , luego A es invertible, tiene inversa. Si e el sistema no tiene solucin, la matriz no tiene inversa. o 1 1 Por ejemplo, en el caso en que A = , del mismo modo : 2 2 A A1 = I2 = 1 1 x y 2 2 z t = 1 0 = 0 1 x+z y+t 2x + 2z 2y + 2t = 1 0 0 1

x+z = 1 y+t = 0 2x + 2z = 0 2y + 2t = 1 Y por ejemplo de 2x+2z=0 se obtiene x = -z, si se sustituye en la primera ecuacin es -z+z=1, es o decir 0 = 1 (imposible). El sistema no tiene solucin. o Por tanto A no es invertible, es singular. Este mtodo directo slo se suele utilizar para matrices cuadradas de tamao 2, puesto que para e o n las de tamao 3 obtenemos un sistemas de 9 ecuaciones con 9 incgnitas! que realmente es dif de n o cil resolver.

6.6.2.

Mtodo de Gauss-Jordan: e

Consiste en hacer transformaciones elementales en las las de la matriz para llegar a obtener la matriz identidad. Realizando estas mismas transformaciones con la matriz identidad llegamos a la matriz A1 . Se llama transformacin elemental en una matriz a: o T1) Multiplicar o dividir una la por un nmero real distinto de cero. u T2) Sumar o restar a una la otra multiplicada por un nmero real no nulo. u T3) Intercambiar el lugar de dos las entre s . 1 2 Veamos como se realiza el mtodo de Gauss-Jordan, realizndolo a la vez con la matriz e a . 1 1 i) Consideramos la matriz formada por A y la matriz identidad correspondiente . En nuestro caso: (A|I2 ) = 1 2 1 0 1 1 0 1

ii) Se hace la matriz triangular superior (es decir, hacemos ceros por debajo de la diagonal principal) usando transformaciones elementales en las. La mejor forma de realizar esto es hacer cero los elementos por debajo de la diagonal en la primera columna usando la la 1. Luego, hacer cero los elementos por debajo de la diagonal en la segunda columna usando la la 2, y as sucesivamente. En nuestro caso, basta sumar la la 2 con la la 1, y se obtiene: (A|I2 ) = 1 2 1 0 1 1 0 1 2 1
F +F

1 2 1 0 0 3 1 1

iii) Una vez hecha la matriz triangular superior, se hace la matriz triangular inferior, haciendo ceros a los elementos por encima de la diagonal. El proceso es parecido al anterior:

CAP ITULO 6. MATRICES Y DETERMINANTES

93

Hacer cero los elementos por encima de la diagonal en la ultima columna usando la ultima la. Lue go, hacer cero los elementos por encima de la diagonal en la penltima columna usando la penmtima u u la, y as sucesivamente. En nuestro caso: 1 2 1 0 0 3 1 1 1 2
3F 2F

3 0 1 2 0 3 1 1

iv) Ya tenemos una matriz diagonal. Lo unico que falta es dividir a cada la entre el nmero u adecuado para obtener unos en la diagonal principal, es decir, para obtener la matriz identidad en la parte izquierda: F1 F2 , 1 0 1 2 3 0 1 2 3 3 3 3 1 0 1 3 1 0 3 1 1 3 v) Una vez se tiene la matriz identidad en la parte de la izquierda, la parte derecha es la matriz inversa, es decir, llegamos a: (I2 , A1 ) = 1 0 0 1
1 3 1 3 2 3 1 3

= A1 =

1 3 1 3

2 3 1 3

1 1 2 1 1 3

matriz que hab amos obtenido antes por el mtodo directo. e Si al realizar el mtodo de Gauss-Jordan en algn momento alguna la es de ceros, la matriz no e u tiene inversa. Cuanto mayor sea el orden de la matriz, mejor es este mtodo frente al directo. e Veamos otro ejemplo: 1 1 0 Calcular la inversa de la matriz B = 1 1 2 por el mtodo de Gauss-Jordan. e 1 0 1 Siguiendo los pasos anteriores: 1 1 0 1 0 0 1 1 0 1 0 0 1 1 0 1 0 0 F +F1 F F1 (B|I3 ) = 1 1 2 0 1 0 2 0 2 2 1 1 0 3 0 2 2 1 1 0 1 0 1 0 0 1 1 0 1 0 0 1 0 1 1 1 0 1 1 1 0 1 0 0 1 1 0 1 0 0 2F3 +F 2F2 F 4F1 F 2 0 2 2 1 1 0 3 0 4 0 3 1 2 2 0 0 4 1 1 2 0 0 4 1 1 2 4 0 0 1 1 2 1 0 0 1 1 2 F1 F2 F3 4 4 4 , 4 , 4 4F1 F 3 1 2 2 0 4 0 3 1 2 4 0 1 0 4 = (I3 |B 1 ) 4 4 2 0 0 4 1 1 2 0 0 1 1 1 4 4 1 1 1 4 = B 1 =
4 3 4 1 4 4 1 4 1 4 2 1 2 1 2

Tambin se puede expresar, sacando factor comn: e u 1 1 2 1 1 2 B 1 = 3 4 1 1 2 es la inversa de B. Si calculamos por este mtodo la inversa de A = e (A|I2 ) = 1 1 1 0 2 2 0 1 1 1 2 2 resulta: 1 1 1 0 0 0 2 1

2 1

F 2F

Como aparece una la de ceros, la matriz A no tiene inversa. Ejercicios:

CAP ITULO 6. MATRICES Y DETERMINANTES 1. Calcular por el mtodo de Gauss-Jordan la inversa de las matrices: e 1 2 3 2 1 4 A = 3 2 4 B= 0 1 2 2 1 0 1 0 1 3 0 2. Dada la matriz diagonal D = 0 2 0 0 rpida la inversa de una matriz diagonal a

94

0 0 calcula su inversa. Cmo calcular de forma o as 5 cualquiera?.

6.7.

Rango de una matriz

Un concepto muy importante relacionado con las matrices es el de rango. El concepto de rango se encuentra ligado al de independencia lineal de las o columnas de una matriz, pero no se introducir de esta manera porque se requieren conceptos que no conocemos. a Baste saber que se dene el rango de una matriz como el n mero mximo de las o columnas u a linealmente independientes. Sin embargo, el clculo del rango de una matriz lo abordaremos desde otra perspectiva, utilizando a el mtodo de Gauss. e Supongamos que tenemos una matriz cualquiera A a la que aplicamos el mtodo de Gauss con el e n de simplicarla lo ms posible (es decir, consiguiendo que tenga el mayor nmero de ceros posible), a u realizando operaciones elementales en las. Llamaremos rango de la matriz A y lo representaremos por Rg(A) al n mero de las no nulas de u la matriz tras aplicarle el mtodo de Gauss. e Ejemplo: Calcular el rango de las siguientes matrices: 1 1 0 1 1 0 3 A= B= C= 2 1 1 2 2 1 1 1 1 2 a)

D=

2 4 6 1 2 3

1 1 F2 2F1 1 1 , Rg(A)=1 ,slo una la distinta de cero. o 0 0 2 2 0 3 F2 F1 1 1 , Rg(B)=2 hay 2 las no nulas. b) 0 3 1 1 1 1 0 1 1 0 1 1 0 1 1 0 F 2F F +F1 F +2F c) 2 1 1 2 1 0 1 1 3 0 1 1 3 2 0 1 1 1 1 2 0 2 2 0 0 0 1 1 2 Rg(C)=2 hay 2 las no nulas. 2 4 6 2 4 6 2F2 +F 1 , Rg(D)=1, slo una la no nula. o d) 0 0 0 1 2 3 Los ejemplos anteriores ponen de maniesto que el rango de cualquier matriz siempre es menor o igual que el nmero de las de la matriz. u De hecho se verica que el rango de cualquier matriz siempre es menor o igual que su nmero de u las y de columnas, pues el proceso para hacer el mtodo de Gauss se puede hacer indistintamente e mediante operaciones elementales en las o en columnas. Esto permite, antes de calcular el rango de una matriz, saber entre qu valores va a estar ese rango. e Por ejemplo, en el caso c) del ejemplo, como la matriz es 3x3 , el rango slo puede ser 0, 1, 2 o 3, o no hay otras posibilidades. En el caso del apartado d), como la matriz es 2 x 3, el rango slo puede ser 0,1 o 2. (De hecho, o podemos reducir esto algo ms , pues una matriz slo tiene rango cero si es la matriz nula).Resumiendo: a o

CAP ITULO 6. MATRICES Y DETERMINANTES Propiedad: Si A es una matriz de tamao m x n no nula se cumple que: n 1 Rg(A) min{m, n} Ejemplo: Calcular en funcin de k el rango de la matriz: o A= Aplicando Gauss, A= 1 1 2 3 3 k 2 1
F 3F

95

1 1 2 3 3 k 1 1 2 0 0 k6

Ahora es evidente que si k-6=0, la ultima la es nula. Por tanto, si k=6, la ultima la es nula y el rango de A es 1, Rg(A)=1, mientras que si k-6 es distinto de cero, es decir si k es distinto de 6, hay 2 las no nulas y el rango de A es 2, Rg(A)=2. Resumiendo: Si k = 6, entonces Rg(A)=2 Si k=6, entonces Rg(A)=1 La siguiente propiedad permite relacionar el concepto de rango con el de matriz inversa visto anteriormente: Propiedad: Una matriz cuadrada A tiene inversa Rg(A) es mximo. a Ejercicios: 1 2 1 1. Calcula el rango de A segn los valores de k: A = 1 1 3.Para qu valores de k tiene A u e 5 1 k inversa?. 2. Calcula el rango de las matrices: 1 0 1 A= 2 1 0 2 1 1 1 0 0 1 0 C = 2 1 1 1 0 0 0 1 0 B = 1 0 2 D = 1 1 2 1 0 1 4 2 1 5 1 8 2 3 4 5 3 10 11 13

6.8.

Determinantes

Introduciremos a continuacin el concepto de determinante asociado a una matriz cuadrada. Este o concepto permite simplicar operaciones matriciales tales como el clculo del rango o de la matriz a inversa. Denicin: o Si es una matriz 2 x 2 se dene el determinante de la matriz A, y se expresa como det(A) o bien |A|, como el nmero: u a a det(A) = |A| = 11 12 = a11 a22 a12 a21 a21 a22 Ejemplos: El clculo de los determinantes de orden 2 es bien sencillo, por ejemplo: a

CAP ITULO 6. MATRICES Y DETERMINANTES 1 3 =14-(-1)3=4+3=7. 1 4 2 3 b) =-10+6=-4. 2 5

96

a)

Para denir determinantes de matrices de orden mayor que 2 es necesario introducir previamente algunos conceptos. Dada una matriz cuadrada A de orden n, denimos el menor complementario de un elemento de A,aij , como el determinante de la matriz que se obtiene al suprimir la la i y la columna j en la que se encuentra dicho elemento aij . Se representa por Mij . 2 4 5 Ejemplo: En la matriz A = 6 7 3 , los menores complementarios de cada uno de los 3 0 2 elementos de la primera la son: 7 3 =14-0=14. Menor complementario de -2:M11 = 0 2 6 3 =12+9=21. Menor complementario de 4:M12 = 3 2 6 7 =0-21=-21. Menor complementario de 5:M13 = 3 0 Y as sucesivamente. Ejercicio: Obtener los restantes menores complementarios de los elementos de la matriz A. Estrechamente ligado al concepto de menor complementario se encuentra el de adjunto de una matriz. Dada una matriz cuadrada A de orden n, denimos el adjunto de un elemento aij de A como el nmero: u Aij = (1)i+j Mij es decir, no es ms que el menor complementario correspondiente acompaado de un signo ms o a n a menos dependiendo de la la y la columna en la que se encuentre el elemento en cuestin. o Por ejemplo, para la matriz anterior, los adjuntos de los elementos de la primera la son: Adjunto de -2:A11 = (1)1+1 M11 = 1 14 = 14 (coincide con el menor complementario) Adjunto de 4:A12 = (1)1+2 M12 = (1) 21 = 21 (menor complementario con signo cambiado) Adjunto de 5:A13 = (1)1+3 M13 = 1 21 = 21 (coincide con el menor complementario). Ejercicio: Obtener los restantes adjuntos de los elementos de la matriz A. En general puede saberse si el signo del menor complementario y del adjunto coinciden o no utilizando una sencilla regla grca, por ejemplo, para matrices 3 x 3 y 4 x 4 basta jarse en las matrices: a + + + + + + + + + + + + + donde el + signica que el adjunto coincide con el menor complementario y el - indica que tienen signo contrario. Una vez vistos estos conceptos se puede denir ya: Denicin: Dada una matriz cuadrada A de tamao n se dene su determinante como la suma o n

CAP ITULO 6. MATRICES Y DETERMINANTES

97

del producto de los elementos de una linea cualquiera de la matriz (la o columna) elegida, por sus correpondientes adjuntos. Se puede demostrar, aunque dicha demostracin excede los contenidos del curso, que el valor del o determinante no depende de la la o columna elegida para calcularlo. 2 4 5 Ejemplo: Para la matriz A = 6 7 3 ,aplicando la denicin, si elegimos la la tercera queda: o 3 0 2 det(A) = 3 4 5 2 5 +0 7 3 6 3 +2 2 4 = 6 7

= 3 (12 35) + 0 ((6 30)) + 2 (14 24) = 141 + 0 76 = 217 Si hubisemos elegido otra la o columna, por ejemplo la columna 2, quedar e a: 6 3 3 2 2 5 2 5 +0 3 2 6 3

det(A) = 4

+7

= 4 ((12 + 9)) + 7 (4 15) + 0 ((6 30)) = 84 133 + 0 = 217 Ejercicio: Calcula, desarrollando por la la que t elijas los determinantes de las matrices: u 1 8 1 3 4 6 7 8 0 0 3 1 1 7 0 2 1 1 0 7 3 2 0 2 1 6 1 5 3 5 1 0 1 3 4 0 1 1 1 0 1 1 0 1 1 0 1 1 0 1 1 1 1 2 3 3 2 1 1 4 3 3 4 1 4 1 3 2 1 2 2 3 0 1 2 3 2 2 4 2 1 1 5 3

6.9.

La regla de Sarrus

La denicin de determinante es bastante engorrosa y se hace mucho ms pesada a medida que o a aumenta el orden de la matriz A. En el caso de las matrices cuadradas de orden 3, esta regla facilita el clculo de dichos determia nantes. a11 a12 a13 Si la matriz es A = a21 a22 a23 , entonces el determinante de A se calcula mediante la resta a31 a32 a33 de dos expresiones obtenidas del siguiente modo: Llamaremos sumandos positivos a los obtenidos al multiplicar: - Los elementos de la diagonal principal,a11 a22 a33 . - Los elementos de la linea paralela superior a la diagonal principal por el elemento aislado de la esquina inferior izquierda:a12 a23 a31 . - Los elementos de la linea paralela inferior a la diagonal principal por el elemento aislado de la esquina superior derecha:a21 a32 a13 .

CAP ITULO 6. MATRICES Y DETERMINANTES Grcamente: a

98

Figura 6.2: Sumandos positivos

Llamaremos sumandos negativos a los obtenidos al multiplicar: - Los elementos de la diagonal secundaria,a13 a22 a31 . - Los elementos de la linea paralela superior a la diagonal secundaria por el elemento aislado de la esquina inferior derecha: a12 a21 a33 . - Los elementos de la linea paralela inferior a la diagonal secundaria por el elemento aislado de la esquina superior izquierda: a32 a23 a11 . Grcamente: a

Figura 6.3: Sumandos negativos

Y entonces det (A)= Sumandos positivos - Sumandos negativos. Por ejemplo, en el caso de la matriz anterior: 2 4 5 A = 6 7 3 3 0 2 , se tiene que aplicando la regla de Sarrus: det(A)=(-2)72+43(-3)+650-(375+0(-2)(-3)+642)=-28-36-105-48=-217. Ejercicio: Comprobar, mediante la regla de Sarrus, los determinantes de orden 3 obtenidos en el ejercicio anterior.

6.10.

Propiedades de los determinantes

Algunas propiedades importantes que tienen los determinantes, y que se enuncian sin demostracin, o son: 1. Si una matriz tiene una linea (la o columna) de ceros, el determinante vale cero. Esta propiedad es evidente, puesto que por denicin de determinante, basta elegir dicha linea o para desarrollar y el determinante ser 0. a

CAP ITULO 6. MATRICES Y DETERMINANTES 2. Si una matriz tiene dos las iguales o proporcionales, su determinante es nulo.

99

3. Si permutamos dos lineas paralelas de una matriz cuadrada, su determinante cambia de signo, por ejemplo: 0 1 2 3 0 1 2 3 1 3 2 5 1 3 2 5 = 91 = 91 = 3 2 8 1 2 4 3 1 2 4 3 1 3 2 8 1 4. Si multiplicamos todos los elementos de una linea de un determinante por un nmero, el deteru minante queda multiplicado por ese nmero. Por ejemplo: u 0 1 2 3 1 3 2 5 = 91 = 2 4 3 1 3 2 8 1 0 1 2 3 2 6 4 10 = 182 2 4 3 1 3 2 8 1

0 2 4 6 2 6 4 10 pero = 16 91 = 1456 4 8 6 2 6 4 16 2 5. Si a una linea de una matriz se le suma otra linea multiplicada por un nmero, el determinante u no cambia. Esta propiedad permite utilizar un mtodo ms sencillo para calcular determinantes de orden e a mayor que 3. 6. El determinante de una matriz es igual al de su traspuesta, |A| = |At| 7. Si A tiene matriz inversa, A1 , se verica que: det(A1 ) = 1 det(A)

Una estrategia a tener en cuenta en este caso de determinantes de orden 4 o superior, o incluso de orden 3 si la matriz es compleja, es el mtodo de hacer ceros, puesto que el valor del determinante e no var al realizar a la matriz ciertas transformaciones elementales en las,como indica la propiedad a 5 anterior, si bien hemos de ser cuidadosos al aplicar dicha propiedad. As pues la mejor forma de calcular un determinante es hacer ceros en una la o columna y desarrollar por dicha la o columna, porque entonces slo tendremos que calcular un adjunto. Por o ejemplo, si calculamos: 0 1 2 3 1 3 2 5 2 4 3 1 3 2 8 1 0 1 2 3 1 3 2 5 0 2 1 11 3 2 8 1 0 1 2 3 1 3 2 5 = 0 2 1 11 0 11 14 16

F3 2F2

F4 3F2

Desarrollando por la columna 1 1 2 3 = 1 2 1 11 = 11 14 16 = (16 242 84 (33 154 64)) = 91

CAP ITULO 6. MATRICES Y DETERMINANTES

100

Como hemos dicho, hemos de tener especial cuidado al aplicar esta regla con determinantes, puesto que no podemos hacer las mismas operaciones que con las matrices, lo que puede confundir. Por ejemplo, si queremos calcular el determinante: 1 2 3 C= 0 1 2 4 1 5 mediante la regla de Sarrus es: det(C)=5+16+0-(12+2+0)=21-14=7. Si hicisemos ceros en la primera columna, y desarrollsemos nos deber dar lo mismo. Ahora e a a bien,podemos hacer cero el 4 de la primera columna mediante: 1 2 3 0 1 2 4 1 5
F3 4F1

1 2 3 1 2 0 1 2 = = 7 + 14 = 7. 7 7 0 7 7

lo que es correcto. Sin embargo, si queremos hacer cero el 1 de la primera columna ser un error a hacer: 0 7 7 1 2 3 7 7 4F1 F 0 1 2 3 0 1 2 = 4 = 4 (14 7) = 28. 1 2 4 1 5 4 1 5 no obtenemos lo mismo, porque hemos multiplicado la la sustituida por un nmero y eso altera el u valor del determinante. Luego la la a sustituir conviene no multiplicarla, como en el primer ejemplo, puesto que si no nos damos cuenta, podemos variar el valor del determinante.

6.11.

Relacin entre la inversa y los determinantes o

Hay una estrecha relacin entre la inversa de una matriz cuadrada y su determinante. De hecho se o verica que: Propiedad: Una matriz cuadrada A tiene inversa |A| = 0. Adems, en este caso, la matriz inversa de A, A1 se calcula de la manera: a A1 = (Adj(A)t |A|

donde Adj(A) denota la matriz adjunta de A, es decir, aquella que se obtiene de sustituir cada elemento de A por su adjunto. 1 0 1 Ejemplo: Calcular, si es posible, la inversa de la matriz A = 0 1 3. 1 1 0 1 0 1 En primer lugar,|A| = 0 1 3 = 0 + 0 + 0 (1 3 + 0) = 2 y por tanto A tiene inversa. 1 1 0 Calculando Adj(A), se obtiene: 1 3 0 3 0 1 1 0 1 0 1 1 3 3 1 0 1 1 1 1 0 Adj(A) = = 1 1 1 1 0 1 0 1 1 1 3 1 0 1 1 1 1 0 1 3 0 3 0 1

CAP ITULO 6. MATRICES Y DETERMINANTES Por tanto,

101

3 1 1 (Adj(A)t) = 3 1 3 1 1 1 3 A1 =
2 3 2 1 2 1 2 1 2 1 2 1 2 3 2 1 2

Y entonces, se obtiene:

Ejercicio: Calcular la inversa anterior por el mtodo de Gauss. e

6.12.

Aplicacin de los determinantes al clculo del rango o a

Los determinantes tambin proporcionan una forma sencilla de calcular el rango de una matriz e cualquiera. Un denicin alternativa de rango de una matriz es: o El Rango de una matriz A es el tama o del mayor menor complementario no nulo que est incluido n e dentro de la matriz. Aplicando este criterio, calculemos el rango de las matrices siguientes: 1 1 0 1 1 0 3 2 4 6 A= B= C= 2 1 1 D= 2 2 1 1 1 2 3 1 1 2 a) Slo hay un menor de orden 2, que es: o 1 1 =0 2 2 Como es nulo, el rango de la matriz NO es 2. Menores de orden 1 hay 4, por ejemplo |1| = 1, que es no nulo,luego el rango de la matriz es Rg(A)=1 (el tamao de dicho menor complementario). n b) Slo hay un menor de orden 2, que es: o 0 3 = 0 3 = 3 1 1 Como no es nulo, el rango de la matriz es Rg(B)=2 (el tamao de dicho menor complementario). n c) Slo hay un menor de orden 3, que es: o 1 1 0 2 1 1 = 2 1 + 0 (0 + 1 4) = 3 + 3 = 0 1 1 2 Como es nulo, podemos asegurar que el rango NO es 3. Menores de orden 2 hay 9. Calculando alguno: 1 0 =1 1 1 resulta que es no nulo, luego el rango es Rg(C)=2 (el tamao de dicho menor complementario). n d) El menor ms grande que podemos formar es de orden 2. Hay 3 de ellos: a 2 4 = 4 + 4 = 0 1 2 2 6 = 6 + 6 = 0 1 3 4 6 = 12 + 12 = 0 2 3

CAP ITULO 6. MATRICES Y DETERMINANTES

102

Son todos nulos, luego el rango NO es 2. Menores de orden 1 hay 6, y por ejemplo |6| = 6 = 0, es no nulo, luego el rango es Rg(D)=1. Ejercicio Calcula,utilizando los determinantes, el rango de 0 1 0 1 A= B = 1 2 1 0 0 2 1 1 1 2 0 0 1 0 1 C = D= 2 1 1 1 1 0 0 0 1 las matrices: 2 1 0 1 4 2 1 5 1 8 2 3 4 5 3 10 11 13

Cap tulo 7

SISTEMAS DE ECUACIONES LINEALES

7.1. Introduccin o

Se denomina ecuacin lineal a aquella que tiene la forma de un polinomio de primer grado, es decir, o las incgnitas no estn elevadas a potencias, ni multiplicadas entre s ni en el denominador. o a , Por ejemplo, 3x + 2y + 6z = 6 es una ecuacin lineal con tres incgnitas. o o Como es bien sabido, las ecuaciones lineales con 2 incgnitas representan una recta en el plano. o Si la ecuacin lineal tiene 3 incgnitas, su representacin grca es un plano en el espacio. o o o a Un ejemplo de ambas representaciones puede observarse en la gura:

Figura 7.1: Representacin grca de la recta x + 2y = 3 en el plano y del del plano x + y + z = 1 o a en el espacio

El objetivo del tema es el estudio de los sistemas de ecuaciones lineales, es decir, un conjunto de varias ecuaciones lineales. Diremos que dos ecuaciones son equivalentes si tienen las mismas soluciones, o geomtricamente representan la misma recta o plano. e

109

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES

110

7.2.

Sistemas de ecuaciones lineales

Un sistema de ecuaciones lineales es un conjunto de ecuaciones lineales de la forma: a11 x1 + a12 x2 + a13 x3 + + a1n xn = b1 a21 x1 + a22 x2 + a23 x3 + + a2n xn = b2 . . . am1 x1 + am2 x2 + am3 x3 + + amn xn = bm En este caso tenemos m ecuaciones y n incgnitas. o o u Los nmeros reales aij se denominan coecientes y los xi se denominan incgnitas (o nmeros a u e determinar) y bj se denominan trminos independientes. En el caso de que las incgnitas sean 2 se suelen designar simplemente por x e y en vez de x1 y x2 o , y en el caso de tres, x, y, z en lugar de x1 , x2 y x3 pero esto es indiferente a la hora de resolver el sistema. Resolver el sistema consiste en calcular las incgnitas para que se cumplan TODAS las ecuaciones o del sistema simultneamente. a Diremos que dos sistemas son equivalentes cuando tienen las mismas soluciones.

7.3.

Expresin matricial de un sistema o

Cualquier sistema de ecuaciones lineales se puede expresar en forma matricial del modo: x1 b1 a11 a12 a13 . . . a1n a21 a22 a23 . . . a2n x2 b2 . . . . . = . .. . . . . . . . . . . . . . am1 am2 am3 . . . amn xn bm
mxn nx1 mx1

a1n x1 x2 a2n . se llama matriz de coecientes, la matriz X = . . . . . am1 am2 am3 . . . amn xn b1 b2 e se llama matriz de incgnitas, y la matriz B = . se llama matriz de trminos independientes. o . . bm La matriz formada por A y B conjuntamente, es decir: a11 a12 a13 . . . a1n b1 a21 a22 a23 . . . a2n b2 (A|B) = . . . . . .. . . . . . . . . . . . a11 a21 La matriz A = . . . a12 a22 . . . a13 a23 . . . ... ... .. . am1 am2 am3 . . . amn bm se llama matriz ampliada del sistema y se representar por (A|B) o bien por A . a x+yz = 5 Ejemplo: El sistema: x+y =7 escrito matricialmente es: 2x + 2y z = 12 1 1 1 x 5 1 1 0 y = 7 2 2 1 z 12

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES y la matriz ampliada es: 1 1 1 5 (A|B) = 1 1 0 7 2 2 1 12

111

7.4.

Tipos de sistemas

En general,buscaremos las soluciones de los sistemas en los n meros reales R. Dependiendo del u posible nmero de tales soluciones reales que tenga un sistema, stos de pueden clasicar en: u e o * INCOMPATIBLES (No tienen solucin) S.I. o * DETERMINADOS (Solucin unica) S.C.D. o * COMPATIBLES (Tienen solucin) * INDETERMINADOS (Innitas soluciones) S.C.I.

7.5.

Sistemas con dos incgnitas o

Los sistemas ms sencillos son aquellos en los que slo hay dos incgnitas y 2 ecuaciones, y que ya a o o son conocidos de cursos pasados. Hay varios sistemas para resolverlos, los ms habituales: a * Reduccin o * Igualacin o * Sustitucin o en los que ya no nos entretendremos. Como cada ecuacin lineal con 2 incgnitas se interpreta geomtricamente como una recta, el estudio o o e de la solucin del sistema se limita a estudiar la posicin de 2 rectas en el plano. o o Veamos algunos ejemplos con los tres casos que se pueden presentar. Resolver e interpretar el x + 2y = 3 sistema: . 2x + y = 1 Por reduccin: o 2x+4y=-6 -2x+ y=1 5y=-5 de donde y = -1 y sustituyendo x + 2(-1) = -3, x = -1. Es decir, la solucin del sistema es unica, x = -1, y = -1 lo que signica que el sistema es compatible o y determinado, y que las rectas se cortan en un punto, precisamente el (-1,-1):

Figura 7.2: Solucin del sistema, punto (-1,-1) o

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES x + 2y = 3 . 2x 4y = 5

112

Resolver e interpretar el sistema:

x = 3 2y 5 + 4y de donde: Por igualacin: o x= 2 3 2y = 5 + 4y = 4y + 6 = 5 + 4y = 0y = 1 = 0 = 1 2

lo cul es imposible y por tanto el sistema no tiene solucin, es un sistema incompatible y por a o tanto las rectas son paralelas. Geomtricamente: e

Figura 7.3: Sistema sin solucin. Rectas paralelas o x + 2y = 3 . 3x + 6y = 9

Resolver e interpretar el sistema:

Por sustitucin, como x = 2y 3 resulta 3(2y 3) + 6y = 9, es decir 6y 9 + 6y = 9, por o tanto 0y = 0, 0 = 0. Como 0 = 0 es una igualdad siempre cierta, quiere decir que el sistema tiene innitas soluciones, es compatible indeterminado, o que las rectas son la misma.

Figura 7.4: Innitas soluciones. Las rectas coinciden Lo expresaremos as Como x = 2y 3, dando valores a y se obtiene x. . As si le damos a y el valor arbitrario de (lambda), entonces expresaremos la solucin como: o x = 2 3 siendo R y= y como puede ser cualquier nmero real, hay innitas soluciones. u Estos son los unicos casos que pueden darse con dos ecuaciones y dos incgnitas, y su interpretacin o o geomtrica. e

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES Ejercicio: Estudiar la solucin de los siguientes sistemas e interpretarla geomtricamente: o e a) x+y = 5 2x y = 7 b) 2x + y = 1 3x + 2y = 4 c) x + 2y = 3 xy = 4

113

7.5.1.

Discucin de sistemas de 2 ecuaciones con 2 incgnitas o o

ax + 3y = 5 , no estamos 2x y = 6 ante un slo sistema, sino ante innitos, uno para cada valor de a, y cada sistema ser distinto en o a funcin del valor que tome dicha letra (llamada parmetro). o a Para estudiarlo, se resuelve el sistema como habitualmente y se estudian los distintos casos que se pueden dar. Por ejemplo , por reduccin: o Si alguno de los coecientes del sistema es desconocido, por ejemplo, ax+3y=5 6x-3y=18 ax+6x =23 por tanto, x(6 + a) = 23. Entonces, si 6 + a = 0 no podremos despejar x, es decir si a = 6, obtenemos una ecuacin del tipo 0 = 23, es decir, imposible. o Por tanto, si a = 6 el sistema es incompatible. 23 , y se puede sacar y sustituyendo, por tanto, En cualquier otro caso, podemos despejar x,x = 6+a si a = 6, el sistema es compatible determinado. Ejercicio: Discutir los sistemas en funcin del parmetro desconocido: o a x+y =5 a) ax + 2y = 10 b) ky + x = 1 2 y 3x = 5

7.6.

Sistemas de 2 incgnitas y 3 ecuaciones o

Podemos aadir a los clsicos sistemas de 2 ecuaciones y 2 incgnitas cuantas ecuaciones queramos n a o para obtener diferentes tipos de sistemas con 3, 4, 5 o ms ecuaciones. a En cualquier caso, los tipos de sistemas a los que dan lugar son los mismos reseados anteriormente. n Al aumentar el nmero de ecuaciones, la resolucin del sistema por alguno de los tres mtodos u o e clsicos se vuelve ms farragoso, por lo que conviene aplicar ya el conocido mtodo de Gauss para a a e determinar el tipo de sistema. Para ello expresaremos el sistema en la forma matricial, analizando la matriz ampliada asociada, que tendr 2 columnas y tantas las como ecuaciones tengamos. a Analizaremos tan slo aquellos sistemas con 3 ecuaciones y 2 incgnitas. o o La matriz ampliada genrica es: e a11 a12 b1 (A|B) = a21 a22 b2 a31 a32 b3 Aplicar el mtodo de Gauss consiste en realizar transformaciones elementales mediante las las de la e matriz para obtener la matriz escalonada siguiente: a11 a12 b1 (A|B) = 0 a b 22 2 0 0 b 3 Recordemos que las operaciones elementales permitidas en las las de la matriz (ecuaciones del sistema) eran:

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES

114

T1) Multiplicar o dividir una la por un nmero real distinto de cero. u T2) Sumar o restar a una la otra multiplicada por un nmero real no nulo. u T3) Intercambiar el lugar de dos las entre s . Utilizando estas transformaciones, los sucesivos sistemas que se obtienen son equivalentes al primero, es decir, tienen las mismas soluciones. Debemos eliminar, en este orden, el elemento a21 utilizando la la 1, el elemento a31 , utilizando a e tambin la la 1, y por ultimo el elemento a32 utilizando la la 2, de modo anlogo al mtodo de e Gauss-Jordan para la inversa. Adems, es conveniente en cada paso indicar la operacin realizada con las las, poniendo en a o primer lugar aquella que se va a sustituir por otra. Llegados a la matriz ampliada escalonada al nal del proceso, pueden darse los casos siguientes: 1. a = 0. Entonces hay dos posibilidades: 22 a) o o b = 0. Sistema incompatible (hay una ecuacin del tipo 0=k), sin solucin. 3 Geomtricamente, puede ocurrir que: e a) Dos rectas sean paralelas y la otra las corte. b) Las rectas se corten dos a dos (formen un tringulo). a

b) b = 0. Aparece una ecuacin 0=0 que no inuye en la resolucin del sistema, que reduo o 3 cido a las dos ecuaciones iniciales tiene solucin unica, es decir, el Sistema es Compatible o Determinado. Geomtricamente: e a) Dos rectas son coincidentes y la otra las corta. b) Las tres rectas se cortan en un mismo punto.

2. a = 0. Entonces hay tres posibilidades: 22 a) o Si b = b = 0, aparecen dos ecuaciones 0=0, que no inuyen en la resolucin del siste2 3 ma, que ahora tiene innitas soluciones (1 ecuacin y dos incgnitas). Sistema compatible o o indeterminado.

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES Geomtricamente, las tres rectas coinciden (son la misma): e

115

b) Si b = 0, b = 0 o bien b = 0, b = 0, aparece una ecuacin 0=0 (que no inuye) y otra o 2 3 2 3 0=k (que es imposible). El sistema es incompatible. Geomtricamente: e a) Dos rectas son paralelas y la otra las corta. b) Dos rectas coinciden y la otra es paralela.

c) Si b = 0, b = 0, hay dos ecuaciones 0=k que son imposibles, el sistema es incompatible. 2 3 Geomtricamente, las tres rectas son paralelas o dos son coincidentes y una paralela. e

En cada uno de los casos, para determinar la posicin concreta de las rectas, basta representarlas. o Ejemplo Estudiar el sistema siguiente, dando la interpretacin geomtrica: o e x + 2y = 5 3x + y = 7 2x + 3y = 12

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES A partir de la matriz ampliada 1 (A|B) = 3 2 y aplicando el mtodo e 1 2 5 F +3F1 1 7 2 0 F3 +2F1 0 3 12 de Gauss, obtenemos: 1 2 5 2 5 F F2 7 22 3 0 7 22 0 0 0 7 22

116

En este caso aparece una ecuacin 0=0 que no inuye y el elemento a es no nulo. El sistema es o 22 compatible determinado, tiene solucin unica. o Geomtricamente, puede ocurrir que: e a) Dos rectas son coincidentes y la otra las corta. b) Las tres rectas se cortan en un mismo punto. Resolviendo y dibujando, obtenemos: x + 2y = 5 7y = 22 9 22 y sustituyendo es x = (comprubalo). e De donde y = 7 7 Dibujando las rectas:

Figura 7.5: Solucin del sistema. Las tres rectas se cortan en un punto: P= o

9 22 , 7 7

se observa que las rectas se cortan en un punto, precisamente el punto solucin del sistema: P = o 9 22 , . 7 7 Ejercicios a) Resuelve e interpreta geomtricamente los sistemas: e x+y =0 x y = 2 a) x + y = 2 b) x + 2y = 1 x + 3y = 2 4x 10y = 14

2x + y = 2 c) x + y = 3 y = 2x

b) Discute y resuelve en funcin del parmetro: o a xy = 1 2x + y = 3 a) x + 2y = 1 b) x + 3y = 0 2x + my = 0 mx + 4y = 3

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES

117

7.7.

Sistemas de 3 ecuaciones y 3 incgnitas o

Cuando los sistemas tienen ms de dos ecuaciones y tres o ms incgnitas se utilizar el ya conocido a a o a mtodo de Gauss. e Ahora partiremos de la matriz ampliada: a11 a12 a13 b1 (A|B) = a21 a22 a23 b2 a31 a32 a33 b3 para dejar dicha matriz escalonada, es decir, del tipo: a11 a12 a13 b1 0 a a b 22 23 2 0 0 a b 33 3 utilizando las transformaciones conocidas, y de la forma indicada en ocasiones anteriores. Los tipos de sistema que pueden obtenerse dependiendo del n mero de soluciones son los reseados u n en apartados anteriores. Al aplicar el mtodo de Gauss podemos encontrarnos con distintos casos: e * Si se obtiene un sistema escalonado con coecientes no nulos, el sistema es compatible determinado, tiene solucin unica. o * Si se obtiene una o ms las en las que todos los elementos sean cero, el sistema tiene innitas a soluciones, y hay que despejar una o varias incgnitas en funcin de otras, es un sistema compatible o o indeterminado. * Si se obtiene una o ms las de ceros, salvo el elemento correspondiente al trmino independiente, a e que es distinto de cero, digamos k, entonces como la la en cuestin corresponder a una ecuacin o a o del tipo 0 = k , lo que es imposible, el sistema no tiene solucin y por tanto es incompatible. o Veamos un ejemplo: 2x + y z = 11 Ejemplo Resolver por el mtodo de Gauss: e x 3y = 20 . 4x + 2y + 5z = 8 2 1 1 11 La matriz ampliada es (A|B) = 1 3 0 20. Aplicando el mtodo de Gauss: e 4 2 5 8 2 1 1 11 2 1 1 11 2x + y z = 11 2F2 1 3 0 20 F1 0 7 1 51 = 7y + z = 51 F3 2F1 0 0 7 14 7z = 14 4 2 5 8 obtenemos un sistema escalonado, que es compatible y determinado, pus podemos despejar z, e obteniendo z = 2, y luego 7y 2 = 51, de donde 7y = 49 es decir y = 7 y sustituyendo en la primera ecuacin es 2x + 7 + 2 = 11, luego 2x = 2 , es decir x = 1. o La solucin es (1, 7, 2). o Este proceso de resolucin, que comienza calculando z y permite calcular las dems incgnitas o a o sustituyendo en las ecuaciones anteriores se denomina sustitucin regresiva. o

7.7.1.

Interpretacin geomtrica de los sistemas con 3 ecuaciones y 3 incgnitas o e o

Como cada ecuacin lineal con 3 incgnitas corresponde a un plano en el espacio, la solucin del o o o sistema correspoder a la posicin en que dichos planos estn en el espacio. a o e Lo ms sencillo es saber que ocurre con los planos 2 a 2, pues en el espacio dos planos slo pueden a o estar en 3 posiciones:

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES

118

* Son coincidentes: Lo cul es fcil de saber porque sus correspondientes ecuaciones tienen coea a cientes de las incgnitas y los trminos independientes proporcionales, es decir, si los planos son: o e Ax + By + Cz = D Ax+B y+C z =D B C D A = = = A B C D (siempre que se puedan realizar las divisiones). Por ejemplo, los planos 2x + 3y z = 5, y 10x 15y + 5z = 15 son coincidentes. * Son paralelos: Tambin es sencillo de saber porque los coecientes de las incgnitas son propore o cionales, pero los trminos independientes NO. Es decir, en este caso: e Ax + By + Cz = D Ax+B y+C z =D entonces se verica: B C D A = = = A B C D (siempre que se puedan realizar las divisiones). Por ejemplo, los planos 2x + 3y z = 5 y 10x 15y + 5z = 7 son paralelos. * Son secantes: Simplemente los coecientes no son proporcionales, es decir: Ax + By + Cz = D Ax+B y+C z =D entonces se verica: B C D A = = = A B C D (siempre que se puedan realizar las divisiones, y basta con que un par de ellas correspondientes a las incgnitas sean diferentes). o Por ejemplo, los planos 7x + 3y z = 5 y 10x 15y + 5z = 7 son secantes. Puesto que podemos determinar la posicin de los planos 2 a 2, podemos determinar en qu posicin o e o se encuentran los 3 a la vez, jndonos en los casos: a 1. Si el sistema es S.C.D. (Solucin unica), es que los tres planos se cortan en un punto, que es la o solucin del sistema. o entonces se verica:

2. Si el sistema es S.C.I. (Innitas soluciones), puede ocurrir que: a) Los tres planos se corten en una recta.

b) Dos planos son coincidentes y el otro los corta en una recta. c) Los tres planos son coincidentes.

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES

119

Y determinaremos la opcin correspondiente estudindolos de dos en dos. o a 3. Si el sistema es S.I. (Sin solucin), puede ocurrir que: o a) Los planos se cortan dos a dos.

b) Dos planos son paralelos y el otro los corta. c) Los tres planos son paralelos. d ) Dos planos son paralelos y el otro coincidente con uno de ellos.

Y determinaremos la opcin correspondiente estudindolos de dos en dos. o a Ejemplo: Estudiar el sistema e interpretarlo geomtricamente: e 2x + y z = 6 3x y + z = 5 4x + 2y 2z = 1 2 1 1 6 Aplicando Gauss a (A|B) = 3 1 1 5, se obtiene: 4 2 2 1 2 1 1 6 2 1 1 6 2x + y z = 6 2F2 3F 3 1 1 5 1 0 5 5 8 = 5y + 5z = 8 F3 2F1 0 0 0 11 0 = 11 4 2 2 1 Lo que indica que el sistema es incompatible y por tanto no tiene solucin, los planos no tienen puntos o comunes.

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES

120

Si estudiamos la posicin de los planos 2 a 2, se obtiene que el primero y el segundo tienen o coecientes que no son proporcionales, luego se cortan. El primero y el tercero tienen coecientes proporcionales pero no los trminos independientes, e luego son paralelos. Y el segundo y el tercero no tienen coecientes proporcionales, por lo que se cortan. Concluimos por tanto que los planos primero y tercero son paralelos y son cortados por el segundo plano, sta es la interpretacin geomtrica: e o e

Ejercicios: Estudiar e interpretar geomtricamente los sistemas: e 2x y + 3z = 1 x+y+z = 2 x + y z = 2 a) 4x 2y + 6z = 5 b) 2x + y + 3z = 1 c) 2x y + 3z = 5 2x + y 3z = 7 x + 2y + z = 4 3x + 2z = 7

x+y+z = 8 d) 7x + y + 6z = 7 x + 7y + z = 1

7.7.2.

Discusin de sistemas de 3 ecuaciones y 3 incgnitas o o

Si aparece algn coeciente desconocido,aplicaremos el mtodo de Gauss e investigaremos seg n u e u los valores del parmetro la posibilidad de que aparezca o no una la de ceros. a x+y+z = m+1 Ejemplo: Discutir segn los valores de m el sistema: mx + y + (m 1)z = m u x + 7y + z = 1 Aplicando Gauss a la matriz ampliada: 1 1 1 m+1 1 1 1 m+1 F mF F F1 m 1 m 1 m 2 1 0 1 m 1 m2 3 (m=0) 1 1 7 1 1 1 m 1 1 1 1 m+1 1 1 1 m+1 F F1 F +F2 3 0 1 m 1 m2 3 0 1 m 1 m2 0 m 1 0 m 0 0 1 m m2 Debemos, llegados a este punto, jarnos en dos aspectos: a) El desarrollo anterior slo es posible si m = 0, luego el caso m = 0 debe estudiarse por separado. o b) En el sistema escalonado nal, hay problemas cuando el valor 1 m = 0, es decir, cuando m = 1. En cualquier otro caso, no hay problemas. De modo que, resumiendo, si m = 0 y m = 1, el sistema es S.C.D. Estudiemos ahora cada caso por separado: Si m = 0, al aplicar Gauss, queda: 1 1 1 1 1 1 1 1 1 1 1 1 F F1 F +F2 0 1 1 0 3 0 1 1 0 3 0 1 1 0 0 1 0 0 0 0 1 0 1 0 1 1

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES que vuelve a ser S.C.D. Si m = 1, al aplicar Gauss queda: 1 1 1 1 0 0 1 1 0 0 1 2

121

Se obtienen dos valores distintos de z, lo que es absurdo y el sistema en este caso no tiene solucin o (S.I.) Conclusin: o * Si m = 1 S.I. * Si m = 1 S.C.D. Ejercicios: 1. Discutir en funcin del parmetro desconocido los sistemas siguientes e interpretar geomtricao a e mente el resultado: x + y + az = 1 x + y 6z = 0 a) x + ay + z = 1 b) x 2y + 6z = 0 ax + y + z = 1 3x + y + mz = 0 3x + y + 2z = 1 a x + y + az = a2 c) (1 + a)x + 2y + z = a d) x + ay + z = a ax + y + z = 1 ax y + z = 1 a x + 2y z = 8 2. Dado el sistema 2x 3y + z = 1 , se pide: 3x y + kz = 5 a) Hallar el valor de k que hace el sistema incompatible. b) Hallar el valor de k que hace el sistema compatible y adems z= -1. a c) Para el valor de k hallado en b), resolver el sistema.

7.8.
7.8.1.

Aplicacin de las matrices y determinantes a la resolucin de o o sistemas. Regla de Cramer

Aplicacin de las matrices o

Si tenemos un sistema con el mismo nmero de ecuaciones que de incgnitas ( un sistema de ese u o tipo de llama cuadrado), entonces la matriz A de coecientes es cuadrada y podemos escribir el sistema matricialmente as : AX =B donde A,X y B son las matrices ya denidas de coecientes, incgnitas y trminos independientes o e respectivamente. Como el objetivo es calcular la matriz X de incgnitas, el problema estar resuelto si conseguimos o a despejar X de dicha ecuacin. o Sabemos que eso se puede hacer slo cuando la matriz A posee inversa, y en ese caso aplicar o amos que: A X = B = A1 A X = A1 B = I X = A1 B = X = A1 B es decir podr amos calcular X, y el sistema tendr solucin unica. a o Si A no posee inversa, no podemos despejar X y el sistema no se puede resolver de esta manera.

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES

122

Conclusin: En un sistema cuadrado y cuya matriz de coecientes tenga inversa, la solucin del o o sistema viene dada por: X = A1 B 2x + y z = 11 Ejemplo: Resolver, aplicando la inversa, el sistema: x 3y = 20 . 4x + 2y + 5z = 8 2 1 1 La matriz de coecentes es 1 3 0 . 4 2 5 Para poder aplicar lo anterior es necesario que A tenga inversa, lo que por ejemplo comprobamos haciendo det (A). Como det(A) = 49, no nulo, A tiene inversa. Por tanto y segn lo dicho,X = A1 B , es decir: u 1 11 x 2 1 1 y = 1 3 0 20 8 z 4 2 5 Si hacemos la inversa de A (comprubalo!), resulta: e 15 A1 = y por tanto,
49 5 49 2 49

1 7 2 7

3 49 1 49 1 7

15 x 49 y = 5 49 2 z 49

1 7 2 7

3 49 1 49 1 7

11 1 20 = 2 8 7

es decir x=1, y=7 , z=-2 , solucin que ya hab o amos obtenido utilizando el mtodo de Gauss. e

7.8.2.

Regla de Cramer

En el caso de sistemas que cumplan las mismas condiciones que los del anterior apartado, es decir, que sean cuadrados y tales que su matriz de coecientes tenga inversa (los sistemas que cumplen estas dos condiciones se llaman sistemas de Cramer ), se puede aplicar una regla muy sencilla para calular la solucin y que se basa en los determinantes, conocida como regla de Cramer. o Si det(A) es cero, evidentemente la regla no se puede aplicar. La regla de Cramer: Para un sistema de Cramer (cuadrado y con matriz regular) se verica que la incnita nmero k o u se calcula dividiendo entre el determinante de A el determinante que resulta de sustituir la columna k (correspodiente al lugar que ocupe la incgnita que se est calculando) por la columna de trminos o a e independientes. 2x + y z = 11 x 3y = 20 . Ejemplo: Resolver el sistema 4x + 2y + 5z = 8 Como el sistema es de Cramer puesto que det(A) = 49, aplicamos la regla de Cramer: Para x sustituimos la primera columna por la de trminos independientes pues x es la primera e incgnita: o 11 1 1 20 3 0 8 2 5 49 = =1 x= 49 49

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES

123

Para y sustituimos la segunda columna por la de trminos independientes pues y es la segunda incgnie o ta. 2 11 1 1 20 0 4 8 5 343 = =7 y= 49 49 Para z sustituimos la tercera columna por la de trminos independientes pues z es la tercera incgnita). e o 2 1 11 1 3 20 4 2 8 98 = = 2 x= 49 49 Y obtenemos la solucin como antes. o Recordemos que esto slo se puede aplicar para sistemas de Cramer. o Ejercicio: Resolver, mediante estos dos mtodos, los sistemas: e 3x 2y + z = 1 x+y+z = 6 3x + y + z = 2 a) 2x + y z = 2 b) x y + 2z = 5 c) 2x + 2y + z = 5 x 3y + z = 0 x+yz = 0 xy +z = 0

7.9.

Estudio de sistemas cualesquiera mediante el clculo del rango. a Teorema de Rouch-Frobenius e

Saber si un sistema tiene o no solucin (si es compatible), y cuntas soluciones tiene (si es detero a minado o indeterminado), se reduce para cualquier tipo de sistemas a estudiar rangos. El resultado fundamental es el: Teorema de Rouch-Frobenius: e Un sistema cualquiera de matriz A y matriz ampliada (A|B) tiene solucin (es compatible) si y o solamente si Rg(A) = Rg(A|B). Por tanto si los dos rangos son distintos el sistema no tiene solucin (S.I.). o Adems, si dicho rango coincide con el nmero de incgnitas del sistema, la solucin es unica a u o o (S.C.D.), y si dicho rango es menor que el nmero de incgnitas, hay innitas soluciones (S.C.I.). u o Es importante darse cuenta de que Rg(A) Rg(A|B), puesto que la matriz de coecientes forma parte de la ampliada, es decir, la matriz A no puede tener rango mayor que la ampliada. An siendo importante, el unico problema que plantea este teorema es que NO ofrece ningn mtodo u u e para calcular la solucin, slamente dice si hay solucin o no. o o o Ejercicio: Aplicar el teorema de Rouch para determinar el tipo de sistema que es: e x+yz+t = 4 2x y = 1 x + 3y = 3 3x + 3y z = 1 a) 2x y + 3z + 2t = 1 b) x + 3y = 2 c) 3x + 5y = 7 d) x + y 5z = 2 4x + 5y 11z 4t = 11 5x 4y = 7 2x + 4y = 5

CAP ITULO 7. SISTEMAS DE ECUACIONES LINEALES

124

7.10.

Sistemas homogneos e

Un sistema homogneo es aqul que tiene todos los trminos independientes nulos. e e e Cualquier sistema homogeneo es evidente que es compatible, pues dando a cada incgnita el valor o 0, se cumplen las ecuaciones. Esta solucin (que todas las incgnitas sean nulas) se llama solucin o o o trivial. El problema entonces est en determinar si dichos sistemas son compatibles determinados o indea terminados. Aplicando el teorema de Rouch slo podemos tener dos casos: e o o a) Rg (A) = n incgnitas. En este caso el sistema es compatible determinado, y por tanto tiene solucin unica que es la trivial (todas las incgnitas valen cero) o o o b) Rg(A) < n incgnitas. En este caso el sistema es compatible indeterminado y tiene innitas soluciones que se determinan de la manera conocida. Ejercicios: 1. Estudiar la solucin de los sistemas homogneos siguientes: o e x+yz = 0 x+y = 0 x+y+z = 0 a) b) c) 2x y + z = 0 xy = 0 2x y + z = 0 4x + y z = 0 6x + 18y bz = 0 2. Discutir el sistema homogneo: 7x 2y 4z = 0 . e 4x + 10y 6z = 0

Cap tulo 8

PROGRAMACION LINEAL
8.1. Introduccin o

La programacin lineal es una tcnica matemtica relativamente reciente (siglo XX), que consiste o e a en una serie de mtodos y procedimientos que permiten resolver problemas de optimizacin en el e o a mbito, sobre todo, de las Ciencias Sociales. Nos centraremos en este tema en aquellos problemas simples de programacin lineal, los que tienen o slamente 2 variables, problemas bidimensionales. o Para sistemas de ms variables, el procedimiento no es tan sencillo y se resuelven por el llamado a mtodo Simplex (ideado por G.B.Danzig, matemtico estadounidense en 1951). e a Recientemente (1984) el matemtico indio establecido en Estados Unidos, Narenda Karmarkar, a ha encontrado un algoritmo, llamado algoritmo de Karmarkar, que es ms rpido que el mtodo a a e simplex en ciertos casos. Los problemas de este tipo, en el que intervienen gran nmero de variables, u se implementan en ordenadores.

8.2.

Inecuaciones lineales con 2 variables

ax + by c

Una inecuacin lineal con 2 variables es una expresin de la forma: o o

(donde el s mbolo puede ser tambin , < o bien >), donde a, b y c son nmeros reales y x e y las e u incgnitas. o Para resolver estas inecuaciones, se recordar de otros cursos, hay que representar grcamente en a a el plano la recta dada por la correspondiente ecuacin lineal y marcar una de las dos regiones en que o dicha recta divide al plano. Ejemplo: Si queremos resolver la inecuacin: 2x + 3y 3, representamos en primer lugar la recta o 2x + 3y = 3:

127

 CAP ITULO 8. PROGRAMACION LINEAL

128

La recta divide al plano en dos regiones, una de las cuales es la solucin de la inecuacin. Para o o saber qu parte es, hay dos procedimientos: e 1. Se despeja la y de la inecuacin, poniendo cuidado en que si en una inecuacin multiplicamos o o o dividimos por un nmero negativo, la desigualdad cambia de sentido. u En este caso tend amos que: y 3 2x 3

Observando el dibujo vemos que la recta divide al eje de ordenadas (y) en dos partes. La solucin de la inecuacin ser aquella parte en la que la y sea mayor que la recta, es decir, la o o a parte superior.

Figura 8.1: Solucin de la inecuacin lineal o o

2. Se toma un punto cualquiera que no pertenezca a la recta, por ejemplo el (1,2). Para que dicho punto sea solucin, se tendr que cumplir la desigualdad, por lo que sustituimos o a en la inecuacin inicial el (1,2): o 2 1 + 3 2 3, es decir, 8 3. Como esta ultima desigualdad es evidentemente cierta, concluimos que el (1,2) es solucin y o por tanto el semiplano que contiene al (1,2) es la solucin, es decir el semiplano superior, como o hab amos obtenido antes. Cualquiera de los procedimientos es vlido si se realiza con correccin. a o

8.3.

Sistemas de inecuaciones lineales con dos variables

Un sistema de inecuaciones lineales, por tanto, es un conjunto de inecuaciones del tipo anterior, y resolverlo consistir en resolver grcamente cada inecuacin (como en el caso anterior), representar a a o la solucin en un mismo grco y la solucin total ser la parte comn a todas las soluciones. o a o a u

 CAP ITULO 8. PROGRAMACION LINEAL Ejemplo: Resolver el sistema de inecuaciones siguiente: 2x + 3y 3 2x y 9 0 2x 5y 5 0 Si representamos las rectas: 2x + 3y = 3 (recta r) 2x y 9 = 0 (recta s) 2x 5y 5 = 0 (recta t)

129

Figura 8.2: Solucin del sistema de inecuaciones lineales o El tringulo rayado es la solucin del sistema. a o Adems, para los problemas de programacin lineal es necesario el clculo de los vrtices de la a o a e regin solucin. Es sencillo su clculo, pues se reduce a resolver sistemas de ecuaciones lineales son o o a dos incgnitas, que provienen de igualar las ecuaciones de las rectas correspondientes. o Por ejemplo, en este caso, si queremos el punto interseccin de las rectas r y t tendremos que o resolver el sistema formado por: 2x + 3y = 3 = 2x y 9 = 0 2x 3y = 3 2x y 9 = 0

Sumando 4y = 12 = y = 3. Y sustituyendo que da 2x + 3(3) = 3, es decir 2x 9 = 3, y entonces x = 3. Luego r y t se cortan en el punto (3,-3). Ejercicios: 1. Calcular los otros dos vrtices. e 2. Resolver los sistemas de inecuaciones lineales siguientes encontrando los vrtices de las regiones e que sean solucin: o x + 2y 12 3x + 6y 420 3x + 5y 150 2x + y 4 a) b) c) 4x + 2y 290 3x + 3y 120 x 2y 6 xy 0

 CAP ITULO 8. PROGRAMACION LINEAL

130

Nota: Rectas horizontales y verticales. En ocasiones, en estos sistemas, aparecen inecuaciones del tipo x k o bien y k, donde falta alguna de las dos incgnitas. o Estas inecuaciones en realidad corresponden a rectas horizontales y verticales, y su representacin o es bien sencilla. Por ejemplo, la inecuacin x 2 no es ms que el conjunto de puntos a la izquierda de la recta o a vertical que pasa por el punto x = 2, grcamente: a

Lo mismo ocurre con y 1, que ser en este caso la parte inferior a la recta horizontal y = 1, es a decir:

En el caso particular de que sea x 0 o y 0, las rectas coincidirn con los ejes de coordenadas. a Ejercicios: Resolver los sistemas de inecuaciones lineales siguientes, encontrando los vrtices de las e regiones que sean solucin: o x + 3y 50 2x + y 10 5x + 15y 150 9x 8y 0 x + 3y 12 6x + 8y 120 b) 3x + 4y 60 c) a) x0 0x8 x0 0y2 y0 y0 Nota: Las dobles desigualdades como 0 x 8 se pueden desdobler en otras dos, x 0 y x 8.

 CAP ITULO 8. PROGRAMACION LINEAL

131

8.4.

Problemas de optimizacin de una funcin sujeta a restricciones o o

En un problema de programacin lineal de dos variables x e y, se trata de optimizar (hacer mxima o a o m nima, segn los casos) una funcin (llamada funcin objetivo) de la forma: u o o F (x, y) = A x + B y sujeta a una serie de restricciones dadas mediante un sistema de inecuaciones lineales del tipo: a1 x + b1 y c1 a2 x + b2 y c2 . . . am x + bm y cm Los puntos del plano que cumplen el sistema de desigualdades forman un recinto convexo acotado (poligonal) o no acotado, llamado regin factible del problema. o Todos los puntos de dicha regin cumplen el sistema de desigualdades. Se trata de buscar, entre o todos esos puntos, aquel o aquellos que hagan el valor de F(x,y) mximo o m a nimo, segn sea el u problema. Los puntos de la regin factible se denominan soluciones factibles. o De todas esas soluciones factibles, aquellas que hacen ptima (mxima o m o a nima) la funcin objeo tivo se llaman soluciones optimas. En general,un problema de programacin lineal puede tener una, innitas o ninguna solucin. o o Lo que si se verica es la siguiente propiedad: Propiedad: Si hay una unica solucin optima, sta se encuentra en un vrtice de la regin factible, y si hay o e e o innitas soluciones optimas, se encontrarn en un lado de la regin factible. a o Es posible que no haya solucin optima, pues cuando el recinto es no acotado, la funcin objetivo o o puede crecer o decrecer indenidamente. Para resolver el problema, podemos abordarlo de dos formas, pero antes a aplicar cualquiera de ellas siempre hay que dibujar la regin factible, resolviendo el sistema de inecuaciones lineales o correspondiente, como se ha visto en los ep grafes anteriores (la regin factible puede estar acotada o o no), y se calculan los vrtices de dicha regin. e o

8.4.1.

Forma geomtrica e

En este caso se representa el vector director de la recta que viene dada por la ecuacin de la funcin o o objetivo,F (x, y) = A x + B y , que hay que maximizar o minimizar. El vector director de la recta A x + B y viene dado por v = (B, A). Adems, como lo unico que a nos importa es la direccin del vector y no su mdulo (longitud), podemos dividir a las coordenadas o o del vector si los nmeros son muy grandes, puesto que vectores con coordenadas proporcionales tienen u la misma direccin. o Posteriormente, se trazan rectas paralelas a este vector que pasen por los vrtices de la regin e o factible (si es acotada) , o por todo el borde de la regin factible (cundo no es acotada) y se observa o a en qu vrtice la funcin F se hace mxima (o m e e o a nima) sin ms que tener en cuenta cul de las rectas a a tiene mayor (o menor) ordenada en el origen, es decir, qu recta corta en un punto mayor o menor al e eje y. Ejemplo: Maximizar la funcin F (x, y) = 2000x + 5000y sujeta a las restricciones: o 2x + 3y 3 2x y 9 0 2x 5y 5 0

 CAP ITULO 8. PROGRAMACION LINEAL La regin factible en este caso es: o

132

Los vrtices eran los puntos (0,-1), (5,1) y (3,-3). e Como la funcin es F (x, y) = 2000x + 5000y, el vector director es v = (5000, 2000), que tiene la o misma direccin que el v = (5, 2) y representndolo queda: o a

Figura 8.3: Regin factible y vector de la funcin objetivo o o

 CAP ITULO 8. PROGRAMACION LINEAL Se trata ahora de trazar paralelas al vector que pasen por los vrtices anteriores, es decir: e

133

Figura 8.4: Solucin grca. Paralelas al vector por los vrtices. o a e Se observa grcamente que de las tres paralelas trazadas, la que corta al eje y en un punto mayor a es la que pasa por el punto (5,1), que por tanto ser la solucin optima al problema de mximos a o a planteado. Para saber cul es este valor ,mximo sustituimos en la funcin: a a o F (5, 1) = 2000 5 + 5000 1 = 10000 + 5000 = 15000 Luego la funcin tiene su solucin optima en (5,1) donde toma el valor 15000. o o

8.4.2.

Forma algebraica

Consiste, simplemente, en susituir cada uno de los vrtices de la regin en la funcin objetivo. La e o o solucin optima vendr dada por aquel que tome el mayor (o menor) valor. o a Ejemplo: Maximizar la funcin F (x, y) = 2000x + 5000y sujeta a las restricciones: o 2x + 3y 3 2x y 9 0 2x 5y 5 0 Con la misma regin factible que en el caso anterior. o Los vrtices eran los puntos (0,-1), (5,1) y (3,-3). e De esta forma sustituyendo: F (5, 1) = 2000 5 + 5000 1 = 10000 + 5000 = 15000 F (0, 1) = 2000 0 + 5000 (1) = 0 5000 = 5000 F (3, 3) = 2000 3 + 5000 (3) = 6000 15000 = 9000 Vemos que el valor mximo se alcanza para el vrtice (5,1) y que dicho valor es 15. La misma solucin a e o que se obten antes. a Ejercicio: Resolver los problemas de programacin lineal: o

 CAP ITULO 8. PROGRAMACION LINEAL 2x + y 10 x + 3y 12 Maximizar F (x, y) = 4x + 5y sujeto a: . 0x8 0y2 3x + 2y 12 4x + 5y 29 . Minimizar F (x, y) = 12x + 10y sujeto a: x0 y0 4x + 2y 6 7x + 8y 28 Maximizar F (x, y) = 120x + 80y sujeto a: . x0 y0 4x + 5y 20 Minimizar F (x, y) = 12x + 8y sujeto a: 7x + 2y 14 . xy

134

1.

2.

3.

4.

8.5.

Algunos ejemplos de casos extremos

Puede ocurrir que la solucin optima no sea unica, e incluso que no exista, como en los ejemplos o siguientes: Ejemplo 1: x + y 14 2x + 3y 36 Maximizar g(x, y) = 3x + 4y sujeta a las rectricciones: . 4x + y 16 x 3y 0 Si representamos la regin factible: o

Los vrtices sern: e a A=

2 40 , , B = (6, 8), C = (12, 4) 3 3

Observemos que la regin factible es NO acotada superiormente. o

 CAP ITULO 8. PROGRAMACION LINEAL

135

Si aplicamos el mtodo geomtrico, deber trazar paralelas al vector director por los vrtices, pero e e a e como la regin en no acotada, dichas rectas son cada vez mayores al trazarlas sobre los puntos de la o recta t, que son soluciones factibles. Por tanto el problema no tiene solucin. o

Figura 8.5: Las paralelas cortan cada vez en un punto mayor.

En general, un problema de mximos no tiene solucin si la regin factible no est acotada supea o o a riormente, y un problema de m nimos no tiene solucin si la regin no est acotada inferiormente. o o a Tambin puede tener el problema innitas soluciones: e Ejemplo 2: x+y 5 y x+3 Minimizar g(x, y) = 3x + 3y sujeta a las restricciones 3y x 1 . y + 2x 16 4y x 22 La regin es, en este caso: o

 CAP ITULO 8. PROGRAMACION LINEAL Los vrtices respectivos son: A=(1,4), B=(2,5), C=(6,4), D=(7,2) y E=(4,1). e Si utilizamos el mtodo grco, obtenemos: e a

136

Es decir, como buscamos el valor m nimo, todos los puntos comprendidos entre A y E sirven, es decir, hay innitas soluciones. Si utilizamos el mtodo algebraico: g(x, y) = 3x + 3y, luego: e A : g(1, 4) = 3 + 12 = 15 B : g(2, 5) = 6 + 15 = 21 C : g(6, 4) = 18 + 12 = 30 D : g(7, 2) = 21 + 6 = 27 E : g(4, 1) = 12 + 3 = 15 Observamos que el valor m nimo se toma en A y en E, y por tanto en todos los puntos comprendidos entre ellos, es decir, hay innitas soluciones.

8.6.

Aplicacin a problemas concretos o

El verdadero valor de las tcnicas de la programacin lineal consiste en poder aplicarlas a problemas e o reales. Para resolver estos problemas se deben seguir los siguientes pasos, a la vez que vemos como se aplicar a un ejemplo concreto. a Ejemplo: Una fbrica de muebles fabrica dos tipos de sillones, S1 y S2. La fbrica cuenta con dos secciones; a a carpinter y tapicer a a. Hacer un silln de tipo S1 requiere 1 hora de carpinter y 2 de tapicer mientras que uno de tipo o a a, S2 requiere 3 horas de carpinter y 1 de tapicer a a. El personal de tapicer trabaja un total de 80 horas, y el de carpinter 90. a a Las ganancias por las ventas de S1 y S2 (unidad) son, respectivamente 60 y 30 euros. Calcular cuntos sillones de cada tipo hay que hacer para maximizar las ganancias. a

 CAP ITULO 8. PROGRAMACION LINEAL

137

Este es un problema t pico en el que hay que usar las tcnicas de programacin lineal. Intentaremos e o seguir el siguiente esquema: 1. Leer el enunciado , determinar la funcin objetivo y denir las variables. o En este caso, queremos hacer mximo el benecio, es decir, queremos maximizar una funcin. a o Como queremos determinar las cantidades de sillones S1 y S2 respectivamente, llamemos x=n de unidades de S1 e y=n de unidades de S2. La funcin benecio a maximizar ser: B(x, y) = 60 x + 30 y, que es la funcin objetivo. o a o 2. Reordenar los datos del problema y escribir las inecuaciones correspondientes. En este paso es conveniente el uso de tablas: Tiempo(horas) S1 S2 Disponible Tiempo(horas) S1 S2 Necesario Disponible De aqu se deduce que: x + 3y 90 2x + y 80 y adems a x0 y0 pues el n de unidades producidas no puede ser negativo. Ya tenemos por tanto las restricciones. 3. Representar grcamente la regin factible, calcular sus vrtices y el vector si usamos el mtodo a o e e geomtrico. e En este caso, representando la regin factible: o Carpinter a 1 3 90 Tapicer a 2 1 80 Tapicer a 2x y 2x + y 80

Cantidad x y

Carpinter a x 3y x + 3y 90

 CAP ITULO 8. PROGRAMACION LINEAL Siendo los vrtices A=(0,0), B=(0,30), C=(30,20), D=(40,0). e El vector ser (30, 60), equivalente a (10, 20). a

138

Grcamente se observa que la solucin no es unica, sino que se encuentran innitas soluciones a o en el lado correspondiente CD, sobre la recta 2x + y = 80, desde que x vale 30 hasta que vale 40, todas las soluciones son vlidas. a

4. Sustituir las coordenadas en la funcin objetivo y dar la solucin correcta. o o En este caso se obtiene: B(0, 0) = 0 B(0, 30) = 900 B(30, 20) = 2400 B(40, 0) = 2400 con lo cul hay innitas soluciones y el benecio que se obtiene es 2400 euros. a 5. Analizar la solucin obtenida en el contexto del problema: tiene sentido?. o Debemos interpretar que en el contexto del problema no todas las soluciones son vlidas, sino a que slo sirven soluciones enteras, es decir, no se pueden fabricar, por ejemplo 38 sillones del o tipo S1. Las soluciones con sentido vendr dadas por: an S1 S2 30 20 31 18 32 16 33 14 34 12 35 10 36 8 37 6 38 4 39 2 40 0

Encontramos por tanto slo 11 soluciones que son las de la tabla o En cualquiera de estas soluciones el benecio es de 2400 euros, que es el mximo bajo las a condiciones del problema.

 CAP ITULO 8. PROGRAMACION LINEAL

139

8.7.

El problema del transporte

Es uno de los problemas que dieron lugar a la programacin lineal. o Un ejemplo t pico ser el siguiente: a Ejemplo: Una empresa tiene 2 plantas de produccin (P1 y P2) de cierto art o culo que vende en 3 ciudades (C1,C2 y C3). En P1 produce 5000 unidades, y en P2 7000 unidades. De estas 12000 unidades las vende as 3500 es C1, 4000 en C2 y 4500 en C3. Los costes de transporte, en euros por unidad de : producto, desde las plantas de produccin a las ciudades son: o Env os Desde P1 Desde P2 Hasta C1 3 225 Hasta C2 25 375 Hasta C3 35 4

Determina el n de art culos que debe enviar la empresa desde cada planta a cada ciudad para que los costes de transporte sean m nimos. Para problemas de este tipo necesitamos una nueva variable. Sea x=unidades de P1 a C1, y=unidades de P1 a C2 y z=unidades de P1 a C3. Tiene que vericarse entonces que x + y + z = 5000. Si desde P1 a C1 se env x unidades, como en C1 necesitan 3500, desde P2 se mandarn a C1 an a 3500 x. Razonando del mismo modo con y y z, se obtiene la tabla: Env os Desde P1 Desde P2 Hasta C1 x 3500 x Hasta C2 y 4000 y Hasta C3 z = 5000 x y 4500 z = 4500 (5000 x y)

Hemos sustituido z por 5000 y x, porque x + y + z = 5000 y as transformamos las 3 incgnitas o en slo 2. o Para obtener las restricciones imponemos que cada cantidad ha de ser mayor o igual que cero, es decir: x0 3500 x 0 y0 4000 y 0 5000 x y 0 500 + x + y 0 Por tanto el sistema de inecuaciones es: x0 x 3500 y0 y 4000 x + y 5000 x + y 500 Como se trata de minimizar costes, la funcin objetivo es: o C(x, y) = 3 x + 2 5 y + 3 5 (5000 x y) + 2 25 (3500 x) + 3 75 (4000 y) + 4 (500 + x + y) C(x, y) = 1 25 x 0 75 y + 22625

 CAP ITULO 8. PROGRAMACION LINEAL Dibujando la regin factible: o

140

Resulta que A=(0,500), B=(0,4000), C=(1000,4000), D=(3500,1500), E= (3500,0) y F=(500,0). Sustituyendo es: C(0, 500) = 22250 C(0, 4000) = 19625 C(1000, 4000) = 20875 C(3500, 1500) = 25875 C(3500, 0) = 27000 C(500, 0) = 23250 El m nimo se da en B, cuando x = 0 e y = 4000. Es decir, las unidades a distribuir son: Env os Desde P1 Desde P2 Hasta C1 0 3500 Hasta C2 4000 0 Hasta C3 1000 3500

Ejercicio: Dos fbricas de cemento, F1 y F2, producen respectivamente 3000 y 4000 sacos de cemento al d a a. Hay que enviar ese cemento a tres centros de ventas C1, C2 y C3 en cantidades de 3000, 2500 y 1500 sacos respectivamente. Los costes de transporte de cada fbrica a los puntos de venta vienen dados, en euros por cada a saco, por: Env os Desde F1 Desde F2 Hasta C1 2 15 Hasta C2 25 3 Hasta C3 2 1

Determina cmo hay que distribuir la produccin para que el transporte resulte lo ms econmico o o a o posible.

Cap tulo 9

L IMITES Y CONTINUIDAD DE FUNCIONES

9.1. Introduccin o

El concepto de l mite en Matemticas tiene el sentido de lugar hacia el que se dirige una funcin a o en un determinado punto o en el innito. Veamos un ejemplo: Consideremos la funcin dada por la grca de la gura y jmonos en el o a e punto x = 2 situado en el eje de abscisas:

Qu ocurre cuando nos acercamos al punto 2 movindonos sobre el eje x? Tomemos algunos e e valores como 21, 201, 2001. Vemos en la gura que en este caso las imgenes de dichos puntos sobre la curva, f(21), f(201), a f(2001) se acercan a su vez a un valor situado en el eje y, el valor y = 3. Si nos acercamos a 2 por la otra parte, es decir, con valores como 19, 199, 1999 en este caso las imgenes f(19), f(199), f(1999) se acercan tambin al mismo valor, y = 3. a e Concluimos que el l mite de la funcin f(x) cuando nos acercamos a x = 2 es 3, lo cul expresamos o a como: l f (x) = 3 m
x2

Intuitivamente, por tanto, podemos decir que el l mite de una funcin en un punto es el valor en el o eje Oy al que se acerca la funcin, f (x), cuando la x se acerca, en el eje Ox a dicho punto. o 145

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES Sin embargo la expresin matemtica rigurosa de l o a mite es algo ms compleja: a

146

Denicin: Dada una funcin f (x) y un punto x = a, se dice que el l o o mite de f (x) cuando x se acerca a a es L, y se expresa como: l f (x) = L m
xa

cuando: Dado > 0, existe > 0 tal que siempre que |x a| < , entonces |f (x) L| <

Lo que viene a expresar esta formulacin matemtica es que si x est sucientemente cerca de o a a a, entonces su imagen f(x) tambin est muy prxima a L. e a o

En la prctica en muchas ocasiones es necesario calcular los llamados l a mites laterales, que como recordaremos se denen de la siguiente forma: Denicin: o Se dene el lmite lateral por la derecha de a de la funcin f (x), y se expresa como: o
xa+

l f (x) m

al l mite al que se acerca f (x) cuando x se acerca a a y toma valores mayores que a. De igual modo, el lmite lateral por la izquierda de a de la funcin f (x) se expresa como: o
xa

l f (x) m

y se dene como el l mite al que se acerca f (x) cuando x se acerca a a y toma valores menores que a. Propiedad: Para que una funcin f (x) tenga l o mite en x = a es necesario y suciente que existan ambos l mites laterales y coincidan, es decir:
xa

m m l f (x) = l f (x) = l f (x) m

xa+ xa

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

147

9.2.

Tipos de l mites

Recordaremos algunos tipos de l mites que son conocidos: 1. Lmites innitos en un punto nito: En la situacin del dibujo, se dice que el l o mite cuando x se acerca por la derecha de a es +, pus a medida que la x se acerca a a, la funcin se hace e o cada vez mayor: l f (x) = + m
xa+

(de igual forma se puede denir cuando nos acercamos por la izquierda. Intenta hacer el dibujo). De igual modo se dene el l mite cuando nos acercamos a a (por la derecha o por la izquierda).(Dibuja el que falta)

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

148

Puede ocurrir que uno de los l mites laterales sea nito y otro innito, o cualquier combinacin o entre ellos, por ejemplo:

En la gura anterior se cumple que:

x2+

l f (x) = + m l f (x) = 2 m

y
x2

2. Lmites nitos en el innito: Se dice que una funcin tiene l o mite b cuando x tiende a + cuando la funcin se acerca a b cuando la x se hace cada vez mayor, es decir: o
x

l f (x) = b m

Grcamente: a

En este caso el l mite es 2 cuando x tiende a +. De igual modo se dene el l mite nito cuando x tiende a .

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

149

3. Lmites innitos en el innito: Aparece este caso cuando si x tiende a + la funcin se hace o cada vez mayor o menor (lo mismo si x tiende a ). Un ejemplo grco de este tipo de l a mites ser a:

En este caso:
x

l f (x) = m

(Intenta dibujar otros casos diferentes).

9.3.

Clculo de l a mites

Recordaremos, dada su importancia, algunas de las reglas para el clculo de l a mites cuando se presentan diferentes indeterminaciones:

9.3.1.

L mites en el innito

1. Lmites de polinomios: El l mite de cualquier polinomio cuando x tiende a siempre es + o , dependiendo del coeciente del trmino de mayor grado del polinomio: e
x

l (2x5 3x2 + 5) = + m

l (3x7 5x2 + 4x 8) = m

pues en el primer caso el coeciente de x5 es positivo, y en el segundo caso el coeciente de x7 es negativo. : Si tenemos un cociente de polinomios nos encontraremos con una indeter2. Indeterminacin o minacin de este tipo. Para resolverla basta recordar la siguiente regla: o Si tenemos: p(x) 0 = l m x q(x) a b si grado(p(x)) > grado(q(x)), donde el signo depende de los coecientes. si grado(p(x)) < grado(q(x)) si grado(p(x)) = grado(q(x)), siendo a y b los coecientes de los trminos de mayor grado de cada polinomio. e x3 5x2 + 6 = x x2 + 4 l m =

Ejemplos: a)

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

150

porque el grado del numerador es mayor, pero los respectivos coecientes de mayor grado tienen signo diferente. b) x2 5 = =0 4 3x2 + 4 x porque el grado del denominador es mayor.
x x6

l m

c) 7x3 + 2x 6 = x 3x3 + 6 l m porque los grados son iguales. Nota: La resolucin de l o mites cuando x tiende a se reduce a estos casos, puesto que:
x

7 3

m l f (x) = l f (x) m
x

es decir: x3 5x2 + 4 (x)3 5(x)2 + 4 x3 5x2 + 4 = l m = l m = = 2 5x x x2 + 5x x (x)2 + 5(x) x x l m La misma regla anterior sirve en el caso de que aparezcan ra ces, siempre que tengan sentido los l mites: d)
x

l m

3+

x3 5x = =0 2+4 x

3 puesto que el grado del denominador es 2 y en el numerador la mayor potencia de x es , que 2 es menor que 2. e) l m x + 1 + x3 = x 1 + x + 3x3 puesto que aunque los grados de numerador y denominador son iguales, cuando x tiende a + (es positivo y muy grande) resulta que x + 1 es negativo y como es bien conocido, la ra z cuadrada de un nmero negativo no existe en el cuerpo de los nmeros reales, por tanto el l u u mite anterior no tiene sentido. f)
x

l m

(x) + 1 + (x)3 1 x + 1 + x3 x + 1 x3 = = l m = l m = x 1 + (x) + 3(x)3 x 1 x 3x3 1 + x + 3x3 3

pues en este caso la ra si tiene sentido y los grados son iguales, quedando el l z mite el cociente de los coecientes de los monomios de mayor grado. 3. Indeterminacin : Cuando aparece esta indeterminacin, si tenemos una resta de fraco o ciones, simplemente se hace la resta para obtener un cociente de polinomios que ya sabemos resolver: x2 x + 1 x + 3 + x2 (x2 x + 1)(x 1) (x + 3 + x2 )(x + 1) = ( ) = l m x x x+1 x1 (x + 1)(x 1) (x 1)(x + 1) 3 2 3 2 2 4x 2x 4 x 2x + 2x 1 x + 2x + 4x + 3 = l m = = 4 = l m 21 21 21 x x x x x l m =

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

151

En caso de que aparezca una ra el proceso es multiplicar y dividir por el conjugado de la z, expresin radical: o (2x 1) x + 1 (2x 1) + x + 1 = m l m (2x 1) x + 1 = ( ) = l x x (2x 1) + x + 1 (2x 1)2 ( x + 1)2 4x2 4x + 1 x 1 = l m = l m = x (2x 1) + x + 1 x (2x 1) + x + 1 4x2 5x = = + = l m x (2x 1) + x + 1

9.3.2.

L mites en puntos nitos

Si queremos calcular el l mite de una funcin f (x) cuando x se acerca a cierto valor a, simplemente o hemos de sustituir el valor de a en f (x): 2 9 3 (3) + 1 2x2 3x + 1 = = 28 x3 x+2 3 + 2 l m El problema que nos podemos encontrar en este caso es que el denominador se haga 0 al sustituir x por el valor que corresponda. Nos podemos encontrar, por tanto, varios tipos de indeterminacin. o k u 1. Indeterminacin , (k = 0): Se presenta cuando en el numerador aparece un nmero cualquiera o 0 no nulo y el denominador es 0. En este caso el l mite el siempre , pero para determinar su signo, se calculan los l mites laterales: a) 1 2 1 0001 1 1 2x = = = + 1 x2 1 (1 0001)2 0 1 2 0 9999 1 1 2x = = + = 2 2 1x 1 (0 9999) 0

x1

l m

1 12 1 2x = = = 1 x2 11 0

x1+

l m

x1

l m

b) l m

7 7 = = x0 x 0 c)

x0+

l m l m

7 7 7 = = + = x 0 0001 0 7 7 7 = = = + x 0 0001 0

x0

2 2 = = 2 x1 (x + 1) 0 l m 2. Indeterminacin o

x1+

l m

2 2 2 = = + = 2 2 (x + 1) (0 9999 + 1) 0 2 2 2 = = + = 2 2 (x + 1) (1 0001 + 1) 0

x1

l m

0 : En este caso tanto numerador como denominador se hacen 0. 0 Si tanto en el numerador como en el denominador tenemos polinomios, la forma de resolver la indeterminacin es descomponer los polinomios en factores (mediante, por ejemplo, la regla de o Runi) y simplicar para posteriormente volver a sustituir. 4 10 + 6 x2 5x + 6 = = x2 x2 4 44 l m 0 0 = l m 1 (x 2)(x 3) (x 3) = l m = (x 2)(x + 2) x2 (x 2) 4

x2

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

152

En caso de que tambin aparezcan ra e ces cuadradas, el proceso es multiplicar y dividir por la expresin radical conjugada con el n de simplicar y luego sustituir: o 0 x+41 ( x + 4 1) ( x + 4 + 1) = = = l m l m 2 x3 x + 2x 3 x3 (x2 + 2x 3) ( x + 4 + 1) 0 ( x + 4)2 12 x+3 = l m = l m = x3 (x2 + 2x 3) ( x + 4 + 1) x3 (x2 + 2x 3) ( x + 4 + 1) 1 1 (x + 3) 1 = l m = = = l m x3 (x + 3) (x 1) ( x + 4 + 1) x3 (x 1) ( x + 4 + 1) (4) (1 + 1) 8

9.3.3.

L mites potenciales. Indeterminacin 1 o

Cuando aparecen exponentes, hay que recordar algunas reglas bsicas. a Si tenemos l (f (x))g(x) m
xa

o bien
x

l (f (x))g(x) m

se pueden presentar varios casos: 1. La base tiende a un nmero cualquiera no nulo y el exponente a otro nmero. En este caso el u u l mite es el nmero que resulta de realizar la operacin correspondiente: u o l (x + 1)2x3 = 21 = m 1 2

x1

2. La base tiende a un nmero positivo mayor que 1 y el exponente a +. En este caso el l u mite es tambin +. e 2x + 1 2x3 = 2 = + l m x 1+x 3. La base tiene a un nmero no nulo comprendido entre -1 y 1 y el exponente a +. En este caso u el l mite es 0. 1 1 + x 2x3 = =0 l m x 2x + 1 2 4. La base tiende a un nmero negativo menor o igual que -1 y el exponente a +. En este caso u el l mite no existe, pues los productos son alternativamente de signo contrario: l m 3x + 1 1+x
2x3

= (3) =

5. En el caso en que la base tiende a 1 y el exponente a + tenemos una indeterminacin que se o resuelve aplicando la frmula: o l (g(x) (f (x) 1)) m l (f (x))g(x) = (1 ) = (e)xa m

xa

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES O bien realizando los pasos para resolver tales l mites que recordamos: l m 1+x 2x + 1
2x+3 x

153

x0

1+x 1 = (1) = (1 ) = l m 1 + se suma y se resta 1 a la base x0 2x + 1

3 0

2x+3 x

=
se hace la resta

= l m

x0

1 + x 2x 1 1+ 2x + 1 1+ 1
2x+1 x
2x+3 x

2x+3 x

x = l m 1 + x0 2x + 1 =

2x+3 x

=
se baja el numerador dividiendo al denominador

x0

= l m

x0

l 1 + m l m

1
2x+1 x 2x3 2x+1

2x+1 x

x 2x+1 2x+3 x

se pone el denominador como exponente

=
se sustituye el corechete por

(e)

x0

l m

x 2x+1

2x+3 x

= (e)

x0

= e3

Ejercicio: Resolver el l mite anterior utilizando la frmula. o Nota: El caso en que el exponente tiende a se reduce a este sin ms que recordar las propiedades a de las potencias: a n b n = b a

9.4.

As ntotas

Una primera aplicacin del clculo de l o a mites consiste en el clculo de las as a ntotas de una funcin. o Hay tres tipos de as ntotas: Verticales, Horizontales y Oblicuas (aunque de hecho las as ntotas horizontales son un caso particular de stas). e

9.4.1.

As ntotas verticales
l f (x) = m

Una as ntota vertical de una funcin f (x) es una recta vertical x = k tal que se cumple: o
xk+

o bien
xk

l f (x) = m

Las posibles as ntotas verticales de una funcin se encuentran entre los puntos que no estn en el o a dominio de la funcin, aquellos que anulan el dominador en las funciones racionales, etc... o Para determinar si un punto constituye una as ntota vertical de la funcin, se tiene que cumplir o que alguno de los l mites laterales de la funcin en el punto sea . o En tal caso, se dir que la funcin posee una as a o ntota vertical en dicho punto por el lado en el cul a dicho l mite sea . Ejemplo: Estudiar las as ntotas verticales de las funciones: f (x) = 2x + 3 x1 1 g(x) = x

a) Para la primera funcin, la posible as o ntota estar en el punto x = 1, que es el unico nmero real a u que no pertenece a su domino por anular el denominador. As pues estudiamos el: l 2x + 3 = 2 1 0001 + 3 = 5 = + m + 1 0001 1 0+ 5 x1 x 1 2x + 3 = = l m x1 x 1 0 l 2x + 3 = 2 0 9999 + 3 = 5 = m 0 9999 1 0 x1 x 1

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

154

Como ambos l mites laterales son innitos, existe una as ntota vertical de la funcin en x = 1, y es o ms, conociendo el valor de los l a mites podemos asegurar que en las cercan de la as as ntota la funcin o se comportar como en el dibujo: a

1 b) En cuanto a esta funcin,g(x) = , notemos que el denominador se anula cuando x = 0 = o x x = 0, es decir la posible as ntota vertical estar en x = 0. Analizando obtenemos: a 1 1 l = 1 m = + = + x0+ x 0 0 0001 1 1 l = = m x0 x 0 1 l = 1 = m x x0 0 0001 puesto que no hay ra cuadradas de nmeros negativos. ces u De modo que hay una as ntota vertical en x = 0 pero slo por la derecha, es decir, la grca ser: o a a

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

155

9.4.2.

As ntotas horizontales

Las as ntotas horizontales, si existen, indican el valor al que se acerca la funcin cuando la variable o independiente x se hace muy grande o muy pequea. n Dicho en forma de l mites, una funcin tiene una as o ntota horizontal en y = k cuando para alguno de los dos l mites: l f (x) = k m
x

o bien
x

l m f (x) = k

Ejemplo: Calcular las as ntotas horizontales de las funciones: f (x) = x2 + 1 x+1 1 g(x) = x

a) Para f (x) calculemos los l mites anteriores: x2 + 1 = + x x + 1 l m x2 + 1 (x)2 + 1 x2 + 1 = l m = l m = x x + 1 x (x) + 1 x x + 1 l m de modo que la funcin f(x) no posee as o ntotas horizontales. b) En cuanto a g(x), de igual modo: 1 l = 0 m x

1 l m = x

De modo que g(x) posee una as ntota horizontal en y = 0 cuando x tiende a . De forma grca: a

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

156

9.4.3.

As ntotas Oblicuas

Una recta y = m x + n es una as ntota oblicua de la funcin f(x) cuando existen y son nitos los o l mites: f (x) m = l m x x y n = l (f (x) m x) m
x

Las as ntotas horizontales son un caso particular de las oblicuas para el caso en que m = 0. Ejemplo: Estudiar las as ntotas oblicuas de f (x) = Calculemos m y n: m = l m f (x) x = l m x2 . x+1
x2 x+1

= l m

x2 =1 x x2 + x

m n = l (f (x) m x) = l m
x

l m

x2 x2 1 x = l m x x x + 1 x x + 1 x2 x2 x x = l m = 1 x x + 1 x+1

Por tanto f (x) tiene una as ntota oblicua en y = x 1 cuando x tiende a +. Se puede comprobar que cuando x tiende a , f (x) tiene esta misma as ntota. (Intntalo). e Grcamente se obtiene: a

Figura 9.1: La as ntota oblicua es y = x 1

Ejercicios: 1. Calcula las as ntotas de las funciones: f (x) = x 21 x g(x) =

1

x2 x+2

h(x) =

x2 4 x2 + 4

2. Estudia las as ntotas de la funcin:f (x) = e x2 . o

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES 3. Calcula los l mites: x3 a) l m x x2 2 d) l m x2 + 4 x+4

x x1

157

x3 b) l m x x2 2 x2 + 5 3 e) l m x2 x+73

c) l m

3x2 5 3x2 + x

x2 1

x1

f ) l m

2x2 2 x1 x2 2x + 1

9.5.

Continuidad

La idea intuitiva de funcin continua en un punto es bien sencilla. o Una funcin continua en un punto es aquella que no da saltos, aquella que se puede dibujar sin o levantar el lpiz del papel. a Matemticamente la denicin de funcin continua es un poco ms compleja. Dice as a o o a : Denicin: Una funcin f (x) es continua en un punto x = a si: o o Dado > 0, existe > 0 tal que siempre que |x a| < , entonces |f (x) f (a)| < Dicho de otra forma, si nos acercamos al punto a, entonces las imgenes se acercan a la imagen de a, a f (a). Si f (x) no es continua en x = a se dice que f (x) es discontinua en a o que tiene una discontinuidad en x = a. Propiedad: Para que una funcin sea continua en un punto a es necesario y suciente que: o a) Exista el valor de la funcin en el punto, f (a). o b) Existan los l mites laterales, l f (x) m
xa+

y
xa

l f (x) m

, y sean nitos e iguales entre s e iguales a f (a), es decir:

xa+

m l f (x) = l f (x) = f (a) m

xa

Esta ultima propiedad proporciona una forma muy sencilla de saber si una funcin es continua o no o en un punto. Ejemplo: Estudiar la continuidad de la funcin: o f (x) = 2x + 1 si x > 2 1 si x 2 x

En primer lugar, sealemos que la mayor de las funciones que estudiamos son continuas en todos los n a puntos salvo en algunos. Cules son los posibles puntos de discontinuidad de una funcin?. a o Aquellos en los que no est denida la funcin (anulan el denominador, etc...) y aquellos en los a o que cambia la denicin de la funcin. o o En todos los dems puntos las funciones son siempre continuas y no hace falta analizarlos. a En nuestro caso, si nos jamos en f (x) encontramos 2 posibles puntos de discontinuidad. El primero es aquel en el que cambia la denicin de la funcin, x = 2. Adems, como hay un o o a demominador, que se anula para x = 0, y adems estamos en el tramo de funcin para valores menores a o que 2, el punto x = 0 es otro posible punto de discontinuidad.

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES Analicemos si la funcin es continua o no en esos puntos. o Continuidad en x = 2: 1 f (2) = 2 pues debemos sustituir en la parte inferior de f (x), que es donde est el igual. a L mites laterales: 1 1 m = l f (x) = l m x2 x 2 x2 Por otra parte:
x2+

158

m l f (x) = l 2x + 1 = 5 m
x2

Como los l mites laterales existen pero son diferentes, concluimos que f (x) es discontinua en x = 2. Continuidad en x = 0: f (0) = quedar un cero en el denominador. a Con esto ya sabemos que la funcin no puede ser continua en x = 0. De todos modos calculamos o los l mites laterales. Observemos que cuando nos acercamos a 0, da igual por la derecha que por la izquierda, estamos siempre en la parte inferior de la funcin, luego: o
x0

m l f (x) = l m

x0

1 1 = = x 0 1 1 = + = + x 0

Por otra parte:

x0+

m l f (x) = l m

x0+

Y f (x) tambin es discontinua en x = 0. e Por tanto f (x) es continua en todos los nmeros reales salvo en x = 0 y x = 2. u

9.6.

Tipos de discontinuidad

Analicemos los posibles casos que se pueden dar a la hora de estudiar la continuidad de una funcin o en un punto. 1. Existe f (a) y los l mites laterales, que son iguales y nitos, pero distintos del valor de f (a). Una discontinuidad de este tipo se denomina discontinuidad evitable. Grcamente: a

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

159

Observamos que los l mites por la derecha y por la izquierda valen 1, ambos, mientras que f (0) = 0. Hay una discontinuidad evitable en x = 0. 2. Existe f (a) y los l mites laterales existen y son nitos, aunque distintos. Estamos ante una discontinuidad de salto nito. Grcamente: a

1 , hay una discontinuidad En este caso el l mite por la derecha es 1, el izquierdo es 0 y f (0) = 2 evitable en x = 0. 3. Existe f (a) y alguno de los l mites laterales es innito. En este caso hay una discontinuidad de salto innito. Grcamente: a

Ahora f (0) = 1, el l mite por la izquierda vale 1 tambin y el l e mite lateral por la derecha vale +. Discontinuidad de salto innito en x = 0.

CAP ITULO 9. L IMITES Y CONTINUIDAD DE FUNCIONES

160

4. No existe f (a) o alguno de los l mites laterales. Se trata de una discontinuidad esencial. De forma grca: a

Los l mites laterales, ambos, son +, pero f (0) no existe. Hay una discontinuidad esencial en x = 0.

Cap tulo 10

DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

10.1. Introduccin o

Sin duda uno de los pilares bsicos de las matemticas lo constituye el clculo diferencial (o clculo a a a a de derivadas). Las aplicaciones de las derivadas son mltiples y se dan en muchos y muy diversos u campos. El clculo diferencial tuvo su grmen en los trabajos del ilustres matemticos como I.Newton y a e a G.W. Leibnitz, quienes, independientemente uno del otro, llegaron a resultados similares en el siglo XVII. En este tema se a alizarn algunas de las principales aplicaciones de las derivadas de funciones, n a que posibilitan el clculo de extremos relativos, concavidad y puntos de inexin, facilitan el trazado a o de curvas y sirven de herramienta para la resolucin de los llamados problemas de optimizacin, en o o los cuales se trata de encontrar la solucin optima (mxima o m o a nima) a cierto problema.

10.2.

Introduccin al concepto de derivada. Tasas de variacin meo o dia e instantnea. a

Sabemos que las funciones son crecientes en ocasiones, decrecientes en otras, e incluso constantes en alguna de sus partes. Ahora bien, no todas las funciones crecientes crecen de igual modo, e incluso una misma funcin o creciente puede crecer de distinta forma, dependiendo de que nos encontremos en una parte u otra. x : Analicemos un ejemplo. La siguiente gura muestra la grca de la funcin f (x) = a o x2

Es evidente que la funcin es creciente a partir del punto de abscisa x = 2. Ahora bien, siempre o crece de igual modo?. 168

 CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION Evidentemente no. Tomemos un intervalo, por ejemplo el intervalo [3, 4]. Cunto ha crecido la funcin en ese intervalo?. Como: a o f (3) = y f (4) = la funcin ha crecido en realidad: o f (4) f (3) = 1 3 = 3 1 4 = 2 2

169

1 unidad. Si nos jamos en otro intervalo donde la funcin tambin sea creciente, el [4, 6], veamos como crece o e la funcin. o Como f (4) = 2 y 3 6 = f (6) = 4 2 el crecimiento total es de 1 3 (2) = f (6) f (4) = 2 2 tan slo media unidad, aunque el intervalo es dos veces mayor que el primero. o Podemos inferir entonces que la funcin es mucho ms creciente, o que crece ms rpidamente en o a a a el intervalo [3, 4] que en el [4, 6]. La formalizacin de estas ideas la da la Tasa de Variacin Media de una funcin. o o o Denicin: Se llama Tasa de Variacin Media en un intervalo [a, b] de una funcin f (x), y se expresa o o o por T V M [a, b], al cociente: f (b) f (a) T V M [a, b] = ba La T V M no es ms que la diferencia entre los valores de la funcin en los extremos del intervalo a o dividida entre la longitud del intervalo. Por tanto, de esta primera denicin podemos deducir algunas propiedades: o * Si la T V M en el intervalo es positiva, signica que la funcin crece, globalmente en el intervalo. o (Entindase globalmente en el sentido de que no es necesariamente creciente en todo el intervalo, pero e en denitiva hay un crecimiento de la funcin en dicho intervalo). o * Si la T V M en el intervalo es negativa, la funcin decrecer. o a * La magnitud del crecimiento o el decrecimiento depender de la magnitud de la T V M . a As pues la T V M nos da una idea de cmo crece o decrece la funcin y con qu rapidez lo hace. o o e Sin embargo, la T V M no resuelve todos los problemas, puesto que nos podemos plantear si la funcin es creciente o no en un punto concreto, no en un intervalo. o La T V M y el concepto de l mite solucionan el problema:

 CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

170

Si queremos saber si la funcin tiene una tendencia creciente o decreciente en un punto a, utilizao remos el concepto de T V M como antes en un intervalo [a, a + h]: T V M [a, a + h] = f (a + h) f (a) f (a + h) f (a) = a+ha h

A medida que nos acercamos al punto a, es decir, a medida que h se acerca a 0, la tasa de variacin o media en ese intervalo se acerca al dato buscado, la tasa de variacin en ese punto concreto. Ms o a concretamente: Denicin: Se llama Tasa de Variacin Instantnea en un punto a de una funcin f (x) al valor, o o a o denotado por T V I(a): f (a + h) f (a) T V I(a) = l m h0 h x en el punto 2. Ejemplo: Calcular la tasa de variacin instantnea de la funcin f (x) = o a o x1 Aplicando la denicin: o T V I(2) = l m = l m f (2 + h) f (2) = l m h0 h h0
2+h22h 1+h 2+h 2 21 2 = l 1+h m = h h0 h h h 1 = l 1+h = l m m = l m =1 h0 h h0 h(h + 1) h0 h + 1 2+h 2+h1

h0

Ejercicio: Calcula la Tasa de Variacin Instantnea para las siguientes funciones en los puntos indio a cados: 2x 1 en x = 0 y x = 1. a) f (x) = x+1 b) g(x) = x + 3 en x = 1 y x = 2. x3 c) h(x) = x + 3 en x = 6 y x = 2.

10.3.

Denicin de derivada. Reglas de derivacin. Interpretacin o o o geomtrica e

La tasa de variacin instantnea en un punto es precisamente la derivada de la funcin en un o a o punto. Formalicemos: Denicin: Dada una funcin f (x) y un punto a, se llama derivada de la funcin f (x) en el punto o o o a, y se representa por f (a) a: f (a + h) f (a) m f (a) = l h0 h es decir la derivada en un punto es la tasa de variacin instantnea en ese punto. o a El problema que nos podemos encontrar es el siguiente. Si tenemos una funcin, digamos f (x) = 2x2 + 1, y calculamos su derivada en un punto x = 3, o tendremos que hacer: f (3 + h) f (3) 2(3 + h)2 + 1 (2(3)2 + 1) = l m = h0 h h0 h 2(9 + h2 6h) + 1 19 2h2 12h h(2h 12) = l m = l m = l 2h 12 = 12 m = l m h0 h0 h0 h0 h h h m f (3) = l Ahora bien, si queremos calcular la derivada en el punto 2 de la misma funcin, tenemos que volver a o calcular ese l mite, lo cul es un trabajo engorroso. a Conviene, por tanto calcular la funcin derivada de f (x), es decir f (x). o

 CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

171

Esta funcin derivada permite calcular la derivada en cualquier punto sin ms que sustituir en el o a punto concreto. Por ello es conveniente dominar las llamadas reglas de derivacin para las funciones o ms habituales. a Por otra parte, es posible calcular las derivadas sucesivas de una funcin. o La derivada segunda ser la derivada de la funcin derivada, y se representar por f (x), y as sua o a cesivamente las funciones derivadas tercera (f (x)), cuarta, etc.

10.3.1.

Propiedades de las derivadas. Reglas de derivacin o

1. La derivada de una constante es nula: f (x) = k = f (x) = 0 donde k R. 2. Derivada de la suma (o diferencia de funciones): (f g) (x) = f (x) g (x) 3. Derivada del producto de una funcin por una constante: o (k f ) (x) = k f (x) donde k R. 4. Derivada del producto de funciones: (f g) (x) = f (x) g(x) + f (x) g (x) 5. Derivada del cociente de funciones: f g (x) = f (x) g(x) f (x) g (x) (g(x))2

6. Derivada de la composicin de funciones (Regla de la cadena): o (f g) (x) = f (g(x)) g (x)

 CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

172

10.3.2.

Derivadas elementales
Funcin elemental o 1.- f (x) = xk , k R 2.- f (x) = ex 3.- f (x) = ax , a R+ 4.- f (x) = logax, a R+ 5.- f (x) = ln x 6.- f (x) = sen x 7.- f (x) = cos x 8.- f (x) = tan x 9.- f (x) = csc x 10.- f (x) = sec x 11.- f (x) = cot x 12.- f (x) = arc sen x Derivada f (x) = k xk1 f (x) = ex f (x) = ax ln a f (x) = f (x) = 1 1 x ln a 1 x

f (x) = cos x f (x) = sen x f (x) = 1 + tan2 x = sec2 x = f (x) = cot x csc x f (x) = tan x sec x f (x) = 1 = csc2 x sen 2 x 1 1 x2 1 1 x2 1 cos2 x

f (x) = f (x) = f (x) = f (x) =

13.- f (x) = arc cos x

14.- f (x) = arctan x 15.- f (x) = x

1 1 + x2 2 1 x

16.- f (x) =

f (x) =

1 n n xn1

Con todas estas propiedades es mucho ms fcil derivar, por ejemplo, para la funcin y el punto a a o anterior, calculamos la funcin derivada: o f (x) = 2x2 + 1 = f (x) = 4x y ahora, conocida la funcin derivada podemos calcular la derivada en cualquier punto: En x = 2, o f (2) = 4 2 = 8 En x = 3, f (3) = 4 (3) = 12

Es mucho ms cmodo y no tenemos que recurrir a la denicin. a o o

 CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

173

10.3.3.

Interpretacin geomtrica de la derivada o e

La derivada tiene una interpretacin geomtrica muy sencilla. o e Observemos la funcin f (x). Si calculamos las respectivas tasas de variacin media en los intervalos o o que se acercan al punto a, como la tasa de variacin media es: o T V M [a, a + h] = f (a + h) f (a) h

este cociente corresponde a la pendiente (o inclinacin) de la recta que une los puntos (a, f (a)) y o (a + h, f (a + h)):

Figura 10.1: La pendiente de la recta secante es

f (a + h) f (a) . h

Por tanto cuando nos acercamos al punto a, es decir, cuando calculamos el valor de la tasa de variacin instantnea o derivada en el punto a, dicho valor es precisamente la pendiente de la recta o a tangente en el punto a, es decir, aquella recta que slo corta (en las cercan del punto) a la funcin o as o f (x) en el punto a.

Figura 10.2: La pendiente de la recta tangente es f (a).

 CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

174

Recordemos que la pendiente de una recta es, en cierta forma, la inclinacin de la recta. o Si es al ngulo que forma la recta con el eje x y m es la pendiente de la recta, se cumple que: a m = tan

Figura 10.3: La pendiente de la recta tangente es m = tan

As si f (x) es la funcin y queremos calcular la tangente en el punto (a, f (a)), sabemos que la , o o pendiente de la recta tangente es m = f (a), y utilizando la ecuacin de la recta en la forma puntopendiente, sabemos que la ecuacin de dicha recta tangente es: o y f (a) = f (a) (x a) Ejemplo: Calcula la ecuacin de la recta tangente a la curva f (x) = e2x+2 en el punto 1. o Como a = 1, en primer lugar calculamos: f (1) = e2+2 = e0 = 1 Para calcular f (1), derivamos: f (x) = 2 e2x+2 y por tanto la derivada en el punto a = 1 ser: a f (1) = 2 e2+2 = 2 e0 = 2 Con estos datos, la ecuacin de la recta tangente es: o y f (1) = f (1) (x (1)) = y 1 = 2(x + 1) = y = 2x + 3

 CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION Gracamente la funcin y la recta tangente son: o

175

Figura 10.4: Curva f (x) = e2x+2 y tangente en x = 1, y = 2x + 3.

10.4.
10.4.1.

Aplicaciones de las derivadas a la F sica y la Econom a

Aplicacin a la F o sica

La derivada tiene una importante aplicacin en el campo de la f o sica. Si una part cula lleva un movimiento cualquiera en el que el espacio recorrido viene dado por una funcin e(t), es decir, el espacio dado en funcin del tiempo, entonces se cumple que: o o cula en el instante t, es decir, la a) La derivada del espacio, e (t) representa la velocidad de la part derivada del espacio es la velocidad: v(t) = e (t) o cula en cualquier b) Adems, la derivada de la velocidad, v (t) representa la aceleracin de la part a instante t, es decir, la derivada de la velocidad (o la derivada segunda del espacio) es la aceleracin: o a(t) = v (t) = e (t) Ejemplo: El espacio recorrido por un mvil viene dado por la funcin e(t) = 3t2 t + 1. o o a) Calcular la tasa de variacin en el intervalo [2, 6]. o b) Hallar la velocidad en el instante t = 0. c) Hallar la velocidad y aceleracin en el instante t = 2. o a) Aplicando la frmula: o e(6) = 108 6 + 1 = 103, e(2) = 12 2 + 1 = 11 luego: T V M [2, 6] = b) La velocidad ser: a v(t) = e (t) = 6t 1 = v(0) = 1 m/s 103 11 92 e(6) e(2) = = = 23 m/s 62 4 4

 CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION c) En el instante 2: v(2) = 11 m/s Y la aceleracin en ese mismo instante; o a(t) = v (t) = 6 Por tanto, a(2) = 6 m/s2 la aceleracin es constante, es un movimiento uniformemente acelerado. o

176

10.4.2.

Aplicacin a la Econom o a

La aplicacin a la Econom se reere al concepto de marginalidad. o a As el coste marginal de fabricacin de un producto es el incremento de coste que se produce , o cuando se aumenta la produccin en una unidad ms. o a Del mismo modo se hablar del incremento de los ingresos por la ultima unidad vendida, ingreso a marginal. En cualquier caso, siempre que se utilice el trmino marginal , se trata de la derivada de la funcin e o de que se est tratando, respecto de la variable de produccin, que se mide en unidades fabricadas. e o Supongamos, por ejemplo, que la funcin de costes de cierto producto viene dada por la expresin o o c(x) = 30 + 50x x2 , donde c(x) se expresa en euros y x en unidades. El coste marginal para producir la unidad x + 1 ser c (x) = 50 2x. a En realidad, la derivada no proporciona exactamente el coste marginal, sino una aproximacin o que facilita el clculo. Dicho coste marignal, rigurosamente, viene dado por c(x + 1) c(x), pero esta a diferencia se puede aproximar bien por la derivada c (x). e Si queremos calcular el coste marginal producido al producir la 3 unidad, jmonos en que estar amos calculando el coste marginal de la unidad n 2, c (2) = 46, es decir, 46 euros. Si no utilizsemos la derivada, el coste marginal ser a a: c(3) = 30 + 150 9 = 171, c(2) = 30 + 100 4 = 126 = c(3) c(2) = 171 126 = 45 no es el valor que obten amos con la derivada, pero es una buena aproximacin. o Las funciones de la Econom tienen un campo de validez que, por lo general, es restringido respecto a al dominio de denicin de la funcin. o o En este caso, por ejemplo, la funcin es vlida desde x = 0 hasta x = 25; a partir de ah si obsero a , vamos el coste marginal, disminuyen los costes de fabricacin, lo que es absurdo si se est fabricando o a ms. a Notemos, adems que si queremos calcular el coste marginal si se quiere producir la unidad nmero a u n, hemos de calcular la funcin de coste marginal evaluada en la unidad anterior, que es la ultima o unidad producida, es decir, en la unidad n 1. Lo mismo se puede decir si la funcin es de ingresos o de benecios. o Ejercicios: 1. El desplazamiento de un mvil que se mueve a lo largo de una linea recta viene dado por la o t2 funcin e(t) = e 1. o Halla la velocidad y la aceleracin del movimiento. En el instante inicial, cules son stas?. o a e 2. Las funciones de ingresos y gastos correspondientes a cierto producto de consumo son, respectivamente: I(x) = 80x 0 1x2 , C(x) = 500 + 20x . Halla la funcin benecio y el benecio marginal. Para qu valores de x estn denidas estas o e a funciones?.

 CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

177

10.5.

Derivabilidad y continuidad

Se estudi en el tema anterior el concepto de continuidad de una funcin en un punto. o o Vimos, por ejemplo, que intuitivamente se puede decir que una funcin es continua cuando se o puede dibujar sin levantar el lpiz del papel, o de manera ms formal, cuando en el punto coinciden a a los l mites laterales con el valor de la funcin en el punto, esto es: o
xa+

m l f (x) = l f (x) = f (a) m

xa

La condicin para que una funcin sea derivable es ms fuerte, ms restrictiva. Para ello es necesario o o a a denir las derivadas laterales. Denicin: Dado un punto a y una funcin f (x), se dene la derivada lateral por la derecha de la o o funcin f (x) y se expresa por f+ (a), como: o f+ (a) = l m f (a + h) f (a) h

h0+

Dado un punto a y una funcin f (x), se dene la derivada lateral por la izquierda de la funcin f (x) o o y se expresa porpor f (a), como: m f (a) = l
h0

f (a + h) f (a) h

Denicin: Diremos que una funcin es derivable en un punto a cuando existen y son nitas las o o derivadas laterales y son iguales, es decir: f+ (a) = f (a) Ejemplo: Estudiar la continuidad y derivabilidad de la funcin: o f (x) = Calculando los l mites laterales:
x0+ x0

x si x 0 x si x > 0

m l f (x) = l x = 0 m
x0 x0

m l f (x) = l x = 0 m

Adems f (0) = 0, por tanto la funcin es continua en el punto x = 0 que es el unico punto conictivo. a o Analicemos la derivabilidad en x = 0: m f (0) = l
h0

f (0 + h) f (0) h 0 h = l m = l m = l 1 = 1 m h0 h0 h h0 h h f (0 + h) f (0) h0 h = l m = l m = l 1 = 1 m h0 h0 h h0 h h

m f+ (0) = l

h0+

Por tanto la funcin no es derivable en x = 0. o

 CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION Viendo la grca de la funcin, se observa lo que ocurre: a o

178

La funcin es continua pues se puede dibujar sin levantar el lpiz del papel, pero no es derivable o a en el cero porque en dicho punto hay un punto anguloso, una esquina. En puntos como estos, la funcin no es derivable. o Por tanto, se verica que aunque una funcin puede ser continua en un punto y sin embargo no o ser derivable en ese mismo punto. Sin embargo, la posibilidad contraria no es posible. Resumiendo: Propiedad: Si una funcin es derivable en un punto, entonces es continua en dicho punto. o Sin embargo, el rec proco no es cierto, si una funcin es continua en un punto, la funcin puede ser o o o no derivable en dicho punto. Ejercicios: 1. Estudiar la continuidad y derivabilidad de la funcin: o x 2 2x 1 si f (x) = x2 3 si 2 < x 2 2x 3 si x>2 2. Calcula a y b para que sea derivable la funcin: o g(x) = ax + 3 si x 1 2x2 b si x > 1

Indicacin: Primero impn la condicin de que sea continua o o o

 CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

179

10.6.

Aplicaciones de las derivadas al clculo del crecimiento y dea crecimiento de una funcin. Clculo de extremos o a

Observemos la siguiente grca: a

Figura 10.5: La pendiente de las tangentes (la derivada) es positiva si la funcin crece. o

Si trazamos las correspondientes tangentes en diversos puntos, todos ellos donde la funcin es o creciente, obsevamos como la recta tangente est cada vez menos inclinada, lo que quiere decir (ya a que la inclinacin de una recta se mide a travs de su pendientes y sabemos que esta coincide con la o e derivada ) que la derivada es cada vez menor. Ms an, como las rectas tangentes tienen inclinacin positiva (son rectas crecientes), las pendientes a u o son cada vez menores y positivas, es decir, la derivada es positiva en aquellos intervalos en los que la funcin es creciente. o Si seguimos trazando tangentes, llegamos al punto 3, donde la tangente es totalmente horizontal, es decir:

Figura 10.6: La pendiente de las tangentes (la derivada) es nula si la funcin tiene un extremo (un o valor mximo o m a nimo).

 CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

180

Dec amos que la pendiente era decreciente, hasta que llega al mximo de la funcin, donde se ha a o alcanzado el valor extremo de la pendiente. La recta es horizontal, no est inclinada y su pendiente es a cero. Si seguimos trazando las tangentes, vemos ahora lo siguiente:

Figura 10.7: La pendiente de las tangentes (la derivada) es negativa si la funcin decrece. o

Y ahora observamos que la pendiente de la recta (la derivada) es negativa, y cada vez menor, por tanto si la funcin de decreciente, armamos que la funcin derivada es negativa. o o Todo lo observado anteriormente lo podemos resumir en la siguiente propiedad. Propiedad: Dada una funcin f (x), se cumple que: o o a) Si f (x) > 0 (la derivada es positiva) entonces la funcin f (x) es creciente. o b) Si f (x) < 0 (la derivada es negativa) entonces la funcin f (x) es decreciente. o a nimo) en c) Si f (x) = 0 entonces la funcin puede presentar un extremo relativo (mximo o m dicho punto. La manera prctica de proceder, por tanto, para determinar los extremos de una funcin, as como a o aquellos intervalos en los que la funcin crece o decrece es la siguiente: o o * Calculamos la derivada de la funcin, f (x), y la igualamos a cero, resolvemos la ecuacin resulo tante, cuyas soluciones son los posibles extremos de la funcin. o * Realizamos una tabla en la que tenemos que poner los puntos obtenidos anteriormente y adems a los puntos conictivos de la funcin (aquellos donde la funcin no est denida, o donde no es derivao o a ble....). Todos estos puntos se denominan puntos cr ticos. * En dicha tabla, estudiamos el signo de la derivada primera, f (x). Si dicha derivada es positiva, nos indicar el crecimiento de la funcin, y si es negativa, ser un signo a o a de su decrecimiento. El paso de un intervalo creciente a otro decreciente o viceversa nos indicar la a existencia de un mximo o un m a nimo relativo de la funcin f (x). o Ejemplo: Estudiar los intervalos de crecimiento y los extremos de la funcin: f (x) = x3 3x. o Comenzamos calculando la derivada: f (x) = 3x2 3. Igualando a cero: 3x2 3 = 0 = x2 = 1 = x = 1

 CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

181

obtenemos dos puntos cr ticos, y no hay ms pues la funcin es polinmica y por tanto, su dominio a o o son todos los nmeros reales y no presenta problemas. Hacemos una tabla como la siguiente: u f (x) f (x) + 1 1 + +

Para obtener los signos de f (x) basta tomar, por ejemplo, un punto en cada intervalo y sustituir en la expresin de la derivada. o Entre y 1 tomamos el 2, con lo que: f (2) = 12 3 = 9 > 0 positiva. Entre 1 y 1, tomamos el 0, quedando: f (0) = 3 < 0 negativa. Entre 1 e se toma el 2, y se obtiene: f (2) = 12 3 = 9 > 0 positivo. Concluimos que la funcin es creciente en el intervalo (, 1) (1, ). o La funcin es decreciente en (1, 1). o Adems, se observa que presenta un mximo en el punto x = 1, y un m a a nimo en x = 1. Cmo calcular la segunda coordenada del mximo y el m o a nimo?. Basta sustituir en la funcin: o El mximo est en el punto (1, f (1)) = (1, 2). a a El m nimo est en el punto (1, f (1)) = (1, 2). a As la representacin aproximada de la funcin ser: , o o a

Figura 10.8: Grca de f (x) = x3 3x. Intervalos de crecimiento y extremos. a

 CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION Ejemplo: Estudiar los intervalos de crecimiento y los extremos de la funcin: o f (x) = Derivando: f (x) = E igualando a cero: 1 2x2 + 7x 3 = 0 = 2x2 + 7x 3 = 0 = x = 3, x = x e 2 (4x 3)ex ex (2x2 3x) ex (2x2 + 7x 3) 2x2 + 7x 3 = = (ex )2 (ex )2 ex 2x2 3x ex

182

o No hay ms puntos conictivos, pues aunque hay denominador, nunca se hace cero, pues ex , la funcin a exponencial es siempre positiva, de modo que Dom f (x) = R. As pues los unicos puntos cr ticos son x = 3, x = 1 . 2 Hacemos la tabla: f (x) f (x) Con lo que f (x) es creciente en
1 2

3 + 1 2

1 , 3 , decreciente en 2 Por tanto f (x) presenta un mximo relativo en: a (3, f (3)) = 3, 9 e3

(3, ).

(3, 0 45)

y un m nimo relativo en 1 ,f 2 Grcamente: a 1 2 =

1 1 , 2 e1 2

(0 5, 0 61)

Figura 10.9: Grca de f (x) = a

2x2 3x . Intervalos de crecimiento y extremos. ex

 CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

183

10.7.

Aplicaciones de las derivadas al clculo de la concavidad y a la convexidad, puntos de inexin. Criterio para determinar o mximos y m a nimos.

Igual que se aplican las derivadas para el clculo de los mximos y los m a a nimos, y el crecimiento o decrecimiento de la funcin, tambin se pueden aplicar para calcular la concavidad y la convexidad. o e Fijmonos en la funcin siguiente, convexa (o, para evitar ambigedades, cncava hacia abajo): e o u o

Figura 10.10: La pendiente de las tangentes pasa de positiva a negativa (es decir, decrece) si la funcin o es cncava hacia abajo o Al trazar las tangentes, nos jamos en que cada vez son menores. Empiezan siendo positivas y muy grandes, van decreciendo hasta que valen cero, y luego comienzan a ser negativas y cada vez menores. Es decir, que la funcin derivada es decreciente, f (x) decreciente. o Si f (x) es decreciente, es que su derivada es negativa, es decir, f (x) < 0. Por tanto se deduce que si la derivada segunda de la funcin es negativa, la funcin es cncava o o o hacia abajo. De igual modo si nos jamos en una funcin cncava (o cncava hacia arriba): o o o

Figura 10.11: La pendiente de las tangentes pasa de negativa a positiva (es decir, crece) si la funcin o es cncava hacia arriba o

 CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

184

En este caso la derivada es creciente, y por tanto la derivada segunda ser positiva. Es decir, si la a derivada segunda es positiva, la funcin es cncava hacia arriba. o o Propiedad: Dada una funcin f (x), se cumple que: o o o a) Si f (x) > 0, entonces la funcin f (x) es cncava hacia arriba. o o b) Si f (x) < 0, entonces la funcin f (x) es cncava hacia abajo. o o c) Si f (x) = 0, entonces el punto es un posible punto de inexin (un punto donde la funcin pasa de cncava hacia arrina a cncava hacia abajo o viceversa) de la funcin. o o o El proceso para determinar la concavidad y puntos de inexin es, por tanto, muy similar al del o clculo del crecimiento, unicamente hay que hacer la derivada segunda e igualarla a cero. La tabla es a similar. Ejemplo: Calcular la concavidad y convexidad de la funcin: o f (x) = x3 3x Calculando la derivada segunda: f (x) = 3x2 3 = f (x) = 6x Igualando a cero, 6x = 0, de donde x = 0. Es el unico punto conictivo, pues la funcin es polinmica. o o Haciendo la tabla: f (x) f (x) 0 + +

As pues la funcin es cncava hacia arriba en (0, ) y cncava hacia abajo en (, 0). o o o Hay un punto de inexin es (0, f (0)) = (0, 0). o Se observa grcamente: a

Figura 10.12: Grca de f (x) = x3 3x. Intervalos de concavidad y puntos de inexin. a o

 CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION

185

Ejercicios: Estudiar la concavidad y convexidad, el crecimiento y el decrecimiento, los extremos y puntos de inexin de las siguientes funciones: o a) f (x) = 2x3 9x2 2 b) g(x) = x c) h(x) = x4 12x2 + 8 d) t(x) = x e2x Adems la derivada segunda permite discernir si un punto cr a tico es un mximo o un m a nimo, en base al siguiente resultado: Propiedad: Si a es un punto tal que f (a) = 0 (un posible extremo relativo), entonces: nimo de la funcin. o * Si f (a) > 0, entonces a es un m a o * Si f (a) < 0, entonces a es un mximo de la funcin. * Si f (a) = 0 no podemos asegurar nada. (Aunque en realidad si se puede saber pero excede los contenidos del curso). Ejemplo: Estudiar los intervalos de crecimiento y los extremos de la funcin: o f (x) = x3 3x Comenzamos calculando la derivada: f (x) = 3x2 3. Igualando a cero: 3x2 3 = 0 = x2 = 1 = x = 1 , obtenemos dos puntos cr ticos. Calculando la derivada segunda: f (x) = 6x Sustituyendo, f (1) = 6 > 0 en x = 1 hay un m nimo. f (1) = 6 < 0 en x = 1 hay un mximo. a Como ya hab amos obtenido anteriormente.

10.8.

Representacin grca de funciones o a

Con todas estas aplicaciones es sencillo representar grcamente cualquier funcin, basndose en a o a los siguientes puntos: 1. Dominio de denicin. o 2. Puntos de corte con los ejes: Con el eje x, y = 0. Con el eje y, x = 0. 3. Simetr as. Par si f (x) = f (x). Impar si f (x) = f (x). No tiene simetr si no se da ninguna de esas condiciones. a 4. As ntotas: Verticales, Horizontales y Oblicuas.

 CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION 5. Crecimiento y decrecimiento. Extremos relativos. 6. Concavidad y convexidad. Puntos de inexin. o Ejemplo: Representa grcamente la funcin f (x) = a o 1. Dominio de denicin o Igualando a cero el denominador: 3x2 + 1 = 0 = x2 = de modo que Dom f (x) = R. 2. Puntos de corte con los ejes Con el eje x, f (x) = 0: 1 3x 1 = 3x 1 = 0 = x = 2+1 3x 3 1 = x = 3 1 = 3 3x 1 . 3x2 + 1

186

el punto es

1 ,0 . 3 Con el eje y, x = 0: f (0) =

1 301 = = 1 2+1 30 1

el punto es (0, 1). 3. Simetr as f (x) = f no es par. f (x) = 3x 1 3x 1 3(x) 1 = = 2 = f (x) 2+1 2+1 3(x) 3x 3x + 1

3x 1 3x 1 3(x) 1 = = 2 = f (x) 3(x)2 + 1 3x2 + 1 3x + 1

f no es impar, luego f no tiene simetr as. 4. As ntotas Verticales: No tiene puesto que Dom f (x) = R. Horizontales: 3x 1 =0 3x2 + 1 3x 1 3(x) 1 3x 1 = l m = l m =0 l m x 3x2 + 1 x 3(x)2 + 1 x 3x2 + 1
x

l m

Hay una as ntota horizontal en y = 0. Oblicuas: No hay, pues hay horizontales. 5. Crecimiento Derivando: f (x) = Igualando a cero: 9x2 + 6x + 3 = 0 = 3x2 + 2x + 1 = 0 = x = 1 x = 1 3 3(3x2 + 1) 6x(3x 1) 9x2 + 6x + 3 = =0 (3x2 + 1)2 (3x2 + 1)2

 CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION No hay ms puntos cr a ticos, pues Dom f (x) = R. Haciendo la tabla: f (x) f (x) Luego f (x) es creciente en 1 ,1 3
1 3

187

1 + 1 3

y decreciente en 1, 1 2

(1, ). 1 2 , 4 3 3 =

Tiene un mximo relativo en (1, f (1)) = a 1 6 , 3 4 6. Concavidad Calculando la derivada segunda, es: f (x) = = 1 3 , . 3 2

y un mximo relativo en a

54x3 54x2 54x + 6 (3x2 + 1)3

e igualando a cero no se obtienen ra exactas, por lo que no se puede hacer este estudio. ces Con los datos que tenemos, podemos hacer un esbozo de la grca de la funcin: a o

Figura 10.13: Grca de f (x) = a

3x 1 . 3x2 + 1

10.9.

Optimizacin de funciones o

La ultima aplicacin de las derivada es la optimizacin de funciones. Consiste en calcular los o o mximos y los m a nimos de cierta funcin que se obtiene de un problema surgido de una situacin o o cotidiana. En estos problemas siempre se tiene: * Una funcin de la que hay que calcular el mximo o el m o a nimo, y que habitualmente tiene dos variables, x e y. * Una relacin entre x e y, que permite despejar una de las dos para obtener una funcin con una o o sola variable. Veamos cmo se aplica: o Ejemplo: De entre todos los nmeros cuya suma es 36, calcula aquellos cuya suma de cuadrados u es m nimo.

 CAP ITULO 10. DIFERENCIABILIDAD DE FUNCIONES. OPTIMIZACION Los nmeros buscados son x e y. u La funcin a minimizar es f (x, y) = x2 + y 2 . o Tenemos dos variables, luego todav no podemos derivar. a La relacin que tenemos es que los n meros suman 36, es decir, x + y = 36. o u Despejando, y = 36 x. Y por tanto, la funcin a minimizar es: o f (x) = x2 + (36 x)2 que ya tiene slo una vatiable. o Para buscar sus m nimos, calculamos la derivada f (x): f (x) = 2x + 2(36 x)(1) = 2x 72 + 2x = 4x 72 Igualando a cero, 4x 72 = 0 = x = Adems calculando la derivada segunda: a f (x) = 4 con lo que sustituyendo: f (18) = 4 > 0 es positivo luego el punto x = 18 es un m nimo. La solucin es, por tanto, un nmero x = 18 y el otro y = 36 18 = 18. o u Los dos nmeros son iguales a 18. u Ejercicios: 72 = 18 4

188

1. Descompn el nmero 48 en dos sumandos tales que el qu o u ntuplo del cuadrado del primero ms a el sxtuplo del cuadrado del segundo sea m e nimo. 2. Halla un nmero positivo cuya suma con 4 veces su rec u proco sea m nima. 3. Halla las dimensiones del rectngulo de area mxima inscrito en una circunferencia de 20 cm de a a radio. 4. La suma de tres n meros es 60. El primero ms el doble del segundo ms el triple del tercero u a a suman 120. Halla los n meros que verican estas condiciones y cuyo producto es mximo. u a 5. Un depsito abierto de chapa y de base cuadrada debe tener capacidad para 13500 litros. Cules o a han de ser sus dimensiones para que se precise la menor cantidad de chapa? 6. Una ventana normanda consiste en un rectngulo coronado con un semic a rculo. Encontrar las dimensiones de la ventana de area mxima si su per a metro es 10 metros.

7. Una hoja de papel debe contener 18 cm2 de texto impreso. Los mrgenes superior e inferior a deben tener 2 cm cada uno y los laterales 1 cm. Calcular las dimensiones de la hoja para que el gasto de papel sea m nimo.

Cap tulo 11

INTEGRACION. CALCULO DE AREAS

11.1. Introduccin o

Si el problema del clculo de la recta tangente llev a los matemticos del siglo XVII al desarrollo de a o a las tcnicas de la derivacin, otro problema, el del clculo del area encerrada por una curva, propici el e o a o desrrollo de las tcnicas de integracin. e o Se trataba, por ejemplo, de hallar el rea encerrada bajo la curva f (x) entre los puntos a y b: a

Se conoc frmulas para recintos de forma igual a guras geomtricas(rectangulares, triangulares, an o e e incluso algunas de curvas espec cas), pero si la curva no ten forma regular, no se conoc en a a, general, su area exacta. El clculo integral da respuesta a esta y otras cuestiones. a

11.2.

Primitivas. Integral indenida

Dada un funcin f (x), sabemos calcular su derivada f (x), e incluso sus derivadas sucesivas, f (x), o f (x), etc. Sin embargo ahora nos planteamos el problema rec proco: Dada una funcin f (x), se trata de encontrar otra, F (x), tal que al derivar esta ultima funcin, o o obtengamos la funcin inicial, es decir: o F (x) = f (x) Veamos un ejemplo: Tomemos la funcin f (x) = 2x. o Se trata de encontrar una funcin F (x) tal que al derivarla nos de f (x). o

193

 CAP ITULO 11. INTEGRACION. CALCULO DE AREAS Si pensamos un poco, llegamos a que tal funcin puede ser: o F (x) = x2 pues su derivada es precisamente f (x) = 2x. Ahora bien, no es F (x) la unica funcin que cumple eso. o Tomemos esta otra: F (x) = x2 + 43

194

Tambin su derivada es f (x) = 2x. e Esto nos hace ver que no slo hay una funcin que cumple lo requerido, sino innitas, sin ms que o o a aadir cualquier nmero. Esto se expresa como: n u F (x) = x2 + C Una funcin F (x) como la que hemos encontrado se llama primitiva de f (x), y hemos visto que si una o funcin tiene una primitiva, entonces tiene innitas. o Llamaremos integral indenida de la funcin al conjunto de todas estas primitivas. o Lo representaremos, en el caso anterior, como: 2x dx = x2 + C, CR

Denicin: Dada una funcin f (x), se llama primitiva de f (x) a otra funcin F (x) tal que: o o o F (x) = f (x) Se denomina integral indenida de f (x) al conjunto de todas las primitivas (hay innitas) de f (x), y se representa por: f (x) dx = F (x) + C, CR

As el problema de calcular una primitiva de una funcin es inverso al de calcular una derivada; como , o son operaciones inversas la suma y la resta, el producto y el cociente, la potenciacin y la radicacin. o o

 CAP ITULO 11. INTEGRACION. CALCULO DE AREAS

195

11.3.

Primitivas inmediatas

De modo anlogo al caso de las derivadas, debemos recordar algunas primitivas de las funciones a ms usuales: a 1. k dx = kx + C, C R, k R 2. 3. 4. 5. 6. 7. 8. 9. 10. xn dx = xn+1 + C, n+1 C R, , n R, CR n = 1

x1 dx = ax dx =

1 dx = ln x + C, x CR CR

ax + C, ln a

ex dx = ex + C,

sen x dx = cos x + C, cos x dx = sen x + C, 1 dx = arctan x, 1 + x2

CR CR CR CR

1 dx = arc sen x + C, 1 x2

1 dx = arc cos x + C, C R 1 x2 Estas primitivas permiten calcular algunas integrales sencillas. Adems es conveniente la utilizacin de las dos propiedades siguientes: a o 1. k f (x) dx = k f (x) dx, kR

Esta propiedad indica que si hay un nmero multiplicando a toda la integral, entonces se puede u sacar fuera de la integral. 2. (f (x) g(x)) dx = f (x) dx g(x) dx

Lo que indica esta propiedad es que si tenemos una suma (o resta) de dos funciones, entonces podemos separar la integral en la suma (o resta) de dos integrales. Utilizando estas propiedades de manera combinada, se calculan las primeras integrales sencillas. Veamos algunos ejemplos: Ejemplo: Calcular las integrales siguientes: a) x dx b) (15x4 + 10x3 12x2 8x + 5) dx c) 2 + ex 3 cos x x dx

 CAP ITULO 11. INTEGRACION. CALCULO DE AREAS

196

Para la primera integral , expresamos la ra en forma de potencia y utlizamos la integral inmediata z 2: 1 3 3 1 2 x3 2x x x2 x 2 +1 2x 2 2 dx = = = + C, C R = 3 = x dx = x 1 3 3 3 2 +1 2 En la segunda, separamos las sucesivas sumas y restas y sacamos los n meros fuera de las integrales, u aplicando las propiedades de la integral para luego aplicar la integral inmediata 2 de nuevo: (15x4 + 10x3 12x2 8x + 5) dx = = 15 x4 dx + 10 x3 dx 12 15x4 dx + x dx + 10x3 dx 5 dx = 12x2 dx 8x dx + 5 dx =

x2 dx 8

15x5 10x4 12x3 8x2 + + 5x = 5 4 3 2 CR

= 3x5 +

5x4 4x3 4x2 + 5x + C, 2

Por ultimo, volvemos a separar las integrales y los nmeros y aplicamos la tabla de integrales inme u diatas: 2 + ex 3 cos x x =2 1 dx + x ex dx 3 dx = 2 dx + x ex dx 3 cos x dx =

cos x dx = 2 ln x + ex 3 sen x + C, C R

Ejercicio: Calcular las siguientes integrales: a) 5x3 4x dx x4 e) b) sen x + 2 cos x + 3 dx 3 2 4 + 2+ 3 x x x c) (18x + 1) dx 2 3 x dx

d)

(2x 1)2 (2x + 1) dx

dx

f)

(x + 2)2 dx

g)

11.4.

Integracin por cambio de variable o

A veces las integrales no son tan simples como las inmediatas, sino que hay peque os detalles que n nos impiden aplicar la tabla de primitivas. Por ejemplo, podemos calcular sin problema la integral: sen x dx = cos x + C, CR

pues es inmediata. Sin embargo otra integral tan parecida y de aspecto simple como: sen (2x + 6) dx ya no la sabemos calcular porque no aparece en la tabla de primitivas inmediatas. El razonamiento a utilizar en este caso es el siguiente: Si en vez de tener en la integral anterior 2x + 6, tuvisemos simplemente x, la integral ser inmediata. e a Por tanto, la idea es la siguiente, vamos a cambiar la variable x por otra nueva (que usualmente denotaremos por t) y que simplica la tarea. Llamaremos t a la variable que tiene la siguiente relacin con x, en este caso: o t = 2x + 6

 CAP ITULO 11. INTEGRACION. CALCULO DE AREAS

197

Ahora bien, se nos plantea otro problema. En la integral aparece el trmino dx (lase diferencial de x). e e Lo lgico es que si la integral tiene una nueva variable t, en vez de aparecer diferencial de x, aparezca o diferencial de t, para no mezclar las variables. Aunque pueda parecer una forma un poco articial, daremos aqu la forma para calcular dt. Simplemente se deriva en la expresin del cambio de variable: o Derivando t = 2x + 6, se obtiene, 1 dt = 2 dx, es decir que: dx = dt 2

Una vez calculado esto, ya podemos calcular la integral: sen (2x + 6) dx =

cambio

sen t

1 dt = 2 2

1 sen t dt = ( cos t) = 2

=
deshacer el cambio

1 cos (2x + 6) + C, C R 2

El mtodo del cambio de variable permite resolver de manera simple integrales que de otro modo no e se podr abordar. an Ejemplo: e2x
3 5

x2 dx

Razonando como antes, se observa que la parte problemtica de la integral est en el exponente de a a dicha integral. Hacemos entonces el cambio: t = 2x3 5 y calculando el diferencial: dt = 6x2 dx de donde despejamos la parte que aparece en la integral: x2 dx = y por tanto la integral queda reducida a: e2x Ejemplo: (6x2 + 15x + 3)178 (12x + 15) dx El cambio necesario en este caso es: t = 6x2 + 15x + 3 con lo que queda: dt = 12x + 15 dx y por tanto la integral es: (6x2 + 15x + 3)178 (12x + 15) dx = =
cambio 3 5

dt 6

x2 dx =
cambio

et

1 dt = 6 6

et dt =

1 t e 6

=
deshacer el cambio

1 2x3 5 e + C, C R 6

t178 dt = + C, C R

t179 = 179

=
deshacer el cambio

(6x2

+ 15x + 179

3)179

 CAP ITULO 11. INTEGRACION. CALCULO DE AREAS Ejercicios: Calcula mediante integracin por cambio de variable las siguientes integrales: o a) 3x2 2x dx x3 x2 + 3 d) cos Cambio:t = x3 x2 + 3 2x + 1 3 h) dx e) b) cos (x2 + 1) 2x dx (x 4) 7 dx j)
5

198

c)

5sen (3x + 1) dx 1 dx 1+x

ex+2 dx i)

f)
2

g)

1 + cos x dx x + sen x

xex dx

1 dx (x + 2)3

11.5.

Determinacin de una primitiva particular de una funcin o o

Ya hemos visto que si una funcin tiene una primitiva, entonces tiene innitas, lo que representamos o aadiendo la constante C al clculo de la integral. n a Ahora bien, si queremos determinar una primitiva concreta de entre todas esas innitas, necesitamos un dato ms, como por ejemplo, un punto por el que pase dicha funcin. a o Ejemplo: Calcular la primitiva de la funcin: o f (x) = x3 2x + 5 que pasa por el punto (1, 3). Calculamos en primer lugar todas las primitivas de f (x), es decir la integral indenida: x3 2x + 5 dx = x2 x4 x4 2 + 5x = x2 + 5x + C, C R 4 2 4

De todas estas primitivas, la unica que cumple que pasa por el (1, 3), es aquella tal que: 14 12 + 5 1 + C = 3 4 es decir 17 5 1 1 + 5 + C = 3 = + C = 3 = C = 4 4 4 y por tanto la primitiva buscada es: F (x) = 5 x4 x2 + 5x 4 4

 CAP ITULO 11. INTEGRACION. CALCULO DE AREAS

199

11.6.

El problema del clculo del rea a a

Ya se dijo que el desarrollo del clculo integral en buena medida se debe al problema de calcular a a reas de funciones como esta:

Una aproximacin para calcular el area consiste en dividir el intervalo en otros ms pequeos y o a n calcular el rea de los rectngulos que se forman bien al tomar el valor de la funcin en un extremo a a o del intervalo, bien en otro entremo, es decir:

Figura 11.1: Aproximacin del area mediante rectngulos ms pequeos que la funcin o a a n o En este caso, hemos dividido el intervalo mayor en 4 subintevalos ms pequeos y hemos tomado a n como altura de los rectngulos el valor de la funcin en el extremo superior del intervalo. a o As la suma de las reas de los rectngulos son ms pequeas que el area buscada. a a a n Area suma rectngulos< Area de la funcin a o Esta suma, en la que la suma de las reas de los rectngulos es menor que el rea total se denomina a a a suma inferior de la funcin en el intervalo. o Pero podr amos haber tomado estos otros rectngulos: a

Figura 11.2: Aproximacin del area mediante rectngulos ms grandes que la funcin o a a o Ahora la suma del area de los rectngulos es mayor que el rea total, es decir: a a

 CAP ITULO 11. INTEGRACION. CALCULO DE AREAS Area de la funcin< Area suma rectngulos o a

200

Esta suma, en la que la suma de las reas de los rectngulos es mayor que el rea total se denomina a a a suma superior de la funcin en el intervalo. o Por tanto, el area buscada est entre la suma superior y la suma inferior de la funcin: a o Suma inferior Area Suma superior Adems, obervemos lo que ocurre cuando los subintervalos que tomamos son cada vez menores: a

Vemos que las sumas inferiores son cada vez mayores y cada vez ms cercanas al rea buscada, a a a medida que los intervalos son ms pequeos. a n

Figura 11.3: La aproximacin se mejora al aumentar el nmero de rectngulos o u a

Por contra, las sumas superiores son cada vez ms pequeas y tambin cada vez ms cercanas al a n e a a rea buscada, a medida que los intervalos son ms pequeos. a n A medida que los subintervalos son menores, las sumas superiores e inferiores se acercan al rea a buscada. Para llegar a calcular dicha area, necesitamos calcular una suma innita (la de los innitos rectngulos a medida que estos son ms pequeos), cosa que en matemticas se denomina sumar una a a n a serie. Esto excede con mucho los contenidos del curso. Lo que se necesita saber es que tanto las sumas superiores como las sumas inferiores convergen (se acercan) al rea buscada, y dicha suma se representa, a si la funcin es f (x) y el intervalo es [a, b], por la integral: o
b

f (x) dx
a

Ahora bien, el siguiente problema es cmo se calcula esta integral, pues en las integrales indenidas o no hab amos incluido ningn intervalo. u

 CAP ITULO 11. INTEGRACION. CALCULO DE AREAS

201

11.7.

La integral denida. La regla de Barrow

b

Se denomina integral denida de la funcin f (x) en el intervalo [a, b] a la expresin: o o f (x) dx

a

La integral denida posee las mismas propiedades que la denida, es decir: 1.

a b

k f (x) dx = k
a b a

f (x) dx,

kR
b

2.
a

(f (x) g(x)) dx =

f (x) dx
a

g(x) dx

La integral denida, puesto que representa, si la funcin es positiva, el area que encierra la funcin o o con el eje x, tiene algunas propiedades tales como: 1. Si c es un punto que est dentro del intervalo [a, b], entonces: a
b c b

f (x) dx =
a a

f (x) dx +
c

f (x) dx

En otras palabras, el rea de la funcin desde a hasta b es la suma de las reas de la funcin a o a o desde a hasta c y desde c hasta b, si la funcin es positiva. o

2. Si calculamos la integral de derecha a izquierda ,en vez de izquierda a derecha se cumple:

b a

f (x) dx =
b

f (x) dx

3. La integral cuando el intervalo se reduce a un punto es cero:

a

f (x) dx = 0
a

Pero sin duda la propiedad ms importante, y que permite calcular integrales denidas es la llamada a Regla de Barrow. Regla de Barrow: Si f (x) es una funcin que tiene primitiva F (x), y queremos calcular su integral o denida en un intervalo [a, b], se cumple que:
b a

f (x) dx = F (x)]x=b = F (b) F (a) x=a

 CAP ITULO 11. INTEGRACION. CALCULO DE AREAS Ejemplo: Calcular la integral denida:
3 1

202

x2 dx

e interpretar el resultado geomtricamente. e Aplicando la regla de Barrow, queda:

3 1

x3 x dx = 3
2

x=3

=
x=1

27 1 3 3

26 8 67 u2 3

donde u2 representa unidades de area. Geomtricamente es el rea representada en la gura: e a

Ejercicio: Utilizando la regla de Barrow, calcula el valor de las siguientes integrales denidas:
3

a)
1

(2x3 4x2 +5x2) dx

b)
1

(3x+1)2 dx

c)
2

(2x4 3x2 7) dx

d)
2

(x+1)(x2) dx

 CAP ITULO 11. INTEGRACION. CALCULO DE AREAS

203

11.8.

Aplicaciones de la integral denida al clculo de reas de rea a cintos planos

La aplicacin de la integral denida para el clculo de areas depende de cmo sea la funcin en el o a o o intervalo concreto. Se pueden presentar los siguientes casos:

11.8.1.

Areas limitadas por una funcin y el eje x o

1. La funcin es siempre positiva siempre en el intevalo: En este caso el rea simplemente viene o a dada por: Area =
a b

f (x) dx

donde a y b son los puntos entre los que queremos calcular el rea, y que habitualmente son los a puntos de corte de la funcin con el eje x. o Geomtricamente: e

2. La funcin se siempre negativa dentro del intervalo: En este caso el area viene dada por: o Area =
a b

f (x) dx

Geomtricamente: e

 CAP ITULO 11. INTEGRACION. CALCULO DE AREAS

204

3. Si la funcin es a veces positiva y a veces negativa en el intervalo, se calculan los puntos de corte o y se calculan las integrales sucesivas, utilizando los apartados anteriores:

En la gura, ser a: Area =

a c d b

f (x) dx +
c

f (x) dx +
d

f (x) dx

En cualquier caso, y cuando calculemos areas, siempre es conveniente comenzar por calcular los puntos de corte de la funcin con el eje x para saber si es positiva o negativa y calcular las integrales o correspondientes, o bien utilizar siempre el valor absoluto para asegurarnos de que el resultado es positivo. Ejemplo: Calcular el area que encierra con el eje x la grca de la funcin: a o f (x) = x3 7x2 + 10x No hace falta dibujar la grca. a Calculamos los puntos de corte con el eje x: x3 7x2 + 10x = 0 = x(x2 7x + 10) = 0 = x=0 = x = 0, x = 2, x = 5 x2 7x + 10 = 0

Corta al eje x en (0, 0), (2, 0) y (5, 0). Veamos cmo es la funcin entre 0 y 2. Tomamos un valor situado en ese intervalo y lo sustituimos o o en la funcin. Se obtiene: o f (1) = 13 7 12 + 10 1 = 1 7 + 10 = 4 como 4 es positivo, signica que la funcin es positiva en ese intervalo, luego el area ser: o a
2 0

Area = =

x 7x + 10x dx =
3 2

x3 x2 x4 7 + 10 4 3 2 = 4

x=2

=
x=0

23 22 24 7 + 10 4 3 2

04 03 02 7 + 10 4 3 2

56 16 2 + 20 = u 3 3

En el otro intervalo, entre el 2 y el 5, tomamos otro valor para saber si la funcin es positiva o negativa: o f (3) = 33 7 32 + 10 3 = 27 63 + 30 = 6

 CAP ITULO 11. INTEGRACION. CALCULO DE AREAS la funcin es negativa en el intervalo, luego el area ser: o a Area =
2 5

205

x 7x + 10x dx =
3 2

x3 x2 x4 7 + 10 4 3 2 = 125 16 12 3

x=5

=
x=2

54 53 52 7 + 10 4 3 2

23 22 24 7 + 10 4 3 2

63 2 63 = u 4 4

En total el area pedida ser: a 253 2 16 63 + = u 21 08 u2 3 4 12 Grcamente: a

Observa lo importante que es diferenciar los dos intervalos, pues si simplemente hubisemos calcue lado, sin ms: a
5 0

x3 7x2 + 10x dx

sin separar, el resultado ser a:

5 0

x3 7x2 + 10x dx = 10 42

(Comprubala) que no es el rea buscada, sino la diferencia entre las areas. e a Desde luego, si es posible, es mejor hacer un dibujo para saber como va la grca y determinar el a a rea a calcular. Ejercicio: Calcula las areas encerradas por el eje x y las funciones siguientes: a) f (x) = x x3 b) g(x) = x2 + 9 c) h(x) = x2 2x 3 entre x=1 y x=5.

 CAP ITULO 11. INTEGRACION. CALCULO DE AREAS

206

11.8.2.

Areas limitadas por dos funciones

Tambin es posible aplicar las integrales denidas para el clculo de areas de recintos limitados e a por dos curvas, por ejemplo el de la gura:

Si las curvas son f (x) y g(x) se cumple que el rea limitada por las dos curvas en el intervalo [a, b] a es:
a b

(f (x) g(x)) dx

siempre que f (x) est por encima de g(x) en el intervalo [a, b]. e Si las curvas se cortan en el intervalo, se subdivide el intervalo en otros menores, en cada uno de los cuales se aplican la integral anterior, determinando qu curva est por encima, y se suma el resultado. e a En todo caso siempre es necesario hallar los puntos de corte entre las curvas, que se calculan igualando las expresiones algebraicas de ambas funciones: f (x) = g(x) y resolviendo la ecuacin resultante. o Ejemplo: Calcular el area limitada por las curvas f (x) = x2 1 y g(x) = 4x 4. Comenzamos calculando los puntos de corte de las funciones: f (x) = g(x) = x2 1 = 4x 4 = x2 4x + 3 = 0 = x = 1, x = 3 Las funciones se cortan en los puntos 1 y 3. Veamos qu funcin est por encima y cul por debajo en ese intervalo. e o a a Dando un valor intermedio, por ejemplo el 2: f (2) = 22 1 = 3 g(2) = 8 4 = 4

Como el valor de g(x) es mayor, signica que g(x) est por encima de f (x) en el intervalo, de modo a que el valor del area ser el dado por la integral denida: a Area =
1 3

(g(x) f (x)) dx =
1

(4x 4 (x2 1)) dx =

1

4x 3 x2 dx =

2x2 3x

x3 3

x=3

= (18 9 9) 2 3
x=1

1 3

4 2 u 1 33 u2 3

 CAP ITULO 11. INTEGRACION. CALCULO DE AREAS Si se hace un dibujo, lo cul es sencillo porque se trata de una recta y una parbola: a a

207

Ejercicio: Calcular el area encerrada por las curvas: a) f (x) = x2 2x y g(x) = 6x x2 b) f (x) = x2 y g(x) = x + 2 c) f (x) = x3 y g(x) = 2x

11.9.

Otras aplicaciones de las integrales

Las aplicaciones de las integrales a las Ciencias Sociales se relacionan con las de las derivadas. Sabemos, por ejemplo, que si cierta funcin I(x), es la funcin de ingresos de una determinada o o empresa, la funcin de ingresos marginal es su derivada I (x). o Las integrales, al ser la operacin rec o proca, permiten calcular la funcin de ingresos conocida la o de ingresos marginal, es decir: I (x) dx = I(x) + C, C R (Lo mismo si la funcin es de coste o de benecio, etc). o Por tanto, en general, conociendo la funcin de cambio (o crecimiento) de cualquier proceso, o integrando se puede conocer la funcin que mide dicho proceso. o Ejemplo: El ritmo de crecimiento de la poblacin de palomas en una ciudad viene dado por la funcin: o o f (x) = 2x 0 5x2 x en aos a partir del actual y f (x) en miles de palomas. n Actualmente hay 2500 palomas. a) Cuntas habr dentro de x aos? a a n b) En cunto aumentar la poblacin durante el segundo semestre a partir del momento actual? a a o c) Hasta cuando aumenta la poblacin de palomas?. Qu nmero mximo alcanza?. o e u a a) Como conocemos la funcin de crecimiento, la funcin que da el nmero total de palomas ser una o o u a primitiva de sta: e F (x) = f (x) dx = 1 2x 0 5x2 dx = x2 x3 + C, 6 CR

Para determinar C, sabemos que la poblacin de palomas ahora mismo es de 2500, es decir: o F (0) = 2 5

 CAP ITULO 11. INTEGRACION. CALCULO DE AREAS luego sustituyendo: 1 3 0 + C = 2 5 = C = 2 5 6 La poblacin de palomas sigue una funcin: o o 02 1 F (x) = x2 x3 + 2 5 6 a b) El segundo semestre, x va desde 0 5 hasta 1, y el aumento de palomas ser: F (1) F (0 5) = 29 20 131 = = 0 604 6 48 49

208

es decir, 604 palomas (recuerda que la funcin viene dada en miles de palomas). o c) Calculamos los mximos y mimimos de F (x). a Como: F (x) = f (x) resulta que igualamos f (x) = 0, y queda: 2x 0 5x2 = 0 = x(2 0 5x) = 0 = x = 0, x = 4 Para saber si son mximos o m a nimos, con la derivada segunda: F (x) = 2 x luego: F (0) = 2 x = 0 es un m nimo y: F (4) = 2 x = 4 es un mximo, luego a lo sumo, la poblacin de palomas se dar a los 4 aos a partir de ahora, a o a n es decir: 1 64 + 2 5 = 7 833 F (4) = 42 43 + 2 5 = 16 6 6 aproximadamente 7833 palomas. La grca de F(x) es: a

 CAP ITULO 11. INTEGRACION. CALCULO DE AREAS Ejercicios:

209

1. Supongamos que dentro de x meses la poblacin de tu ciudad crecer a razn de 5+4 x personas o a o por mes. Si la poblacin actual es de 7500 personas. o a) Cul ser la poblacin dentro de un ao? a a o n b) En cuntos habitantes aumentar durante el segundo ao? a a n c) Llegar a algn mximo su nmero de habitantes?. a u a u 2. Halla la funcin de benecio de una empresa, B(x), sabiendo que los costes e ingresos marginales o , c(x) e i(x), vienen dados respectivamente por las funciones: c(x) = 0 04x + 4 con C(0) = 80 , siendo C(x) la funcin de coste. o i(x) = 200 2x