TERCER SEMESTRE DE LICENCIATURA EN INFORMTICA. CENTRO UNIVERSITARIO DE LOS ALTOS.

CAPITULO I. DESCRIPCION DE UN CONJUNTO DE DATOS. CONCEPTOS. 1. ESTADSTICA: Es una disciplina de las matemticas cuyo objetivo es analizar la informacin obtenida a fin de poder obtener un resultado mediante el mtodo de anlisis para la toma de decisiones. 2. ESTADSTICAS: Son los resultados de los eventos que debern ser sujetos a un anlisis estadstico. 3. POBLACIN: Es un conjunto entero de datos. Las poblaciones pueden ser de tipo finito o infinito. Ejemplo: Finito: Nmero de alumnos de un grupo. Infinito: Los nmeros. 4. TOMA DE DATOS: Es un conjunto o una coleccin de datos que no han sido ordenados numricamente. Ejemplo: Un edificio tiene 15 apartamentos con el siguiente nmero de inquilinos: 2,1,3,5,2,2,2,1,4,2,6,2,4,3,1 DISTRIBUCIONES DE FRECUENCIAS. Estas pueden utilizarse cuando el nmero de datos es mayor que 30. Para ellos se recomienda utilizar el siguiente procedimiento: 1. Se calcula el rango, el cual es igual al dato mayor menos el dato menor. Rango = Dato mayor Dato menor. 2. Se obtiene en forma aproximada el nmero de clases, el cual se divide el rango entre un valor arbitrario. Nmero de clases = ___Rango_____ X = valor arbitrario.

3. Se ordenan las clases y se calculan las frecuencias absolutas y frecuencias relativas. MARCAS DE CLASE. Estas se obtienen sumando el limite real inferior mas el limite real superior y el resultado se divide entre 2. LIMITES REALES SUPERIORES E INFERIORES. Estos se obtienen sumando 0.5 a los limites superiores y restando 0.5 a los limites inferiores. LONGITUD TAMAO O ANCHURA DE CLASE (c). Este se obtiene restando el limite real superior menos el limite real inferior para cada clase. Ejemplo 1. Supongamos que las temperaturas en grados Fahrenheit medidas a las 6 de la tarde durante un periodo de 35 das son las siguientes:

DATOS AGRUPADOS. 72 82 92 92 81 78 81 83 93 77 86 93 77 87 76 78 84 107 73 76 106 82 73 99 80 107 91 81 94 88 98 95 86 86 91

Hacer una distribucin de frecuencias. 1) Rango= 107 72 = 35 2) Nmero de clases = Rango = 35 = 7 clases aproximadamente. X=5 5

DISTRIBUCIN DE FRECUENCIAS.
Clases Frecuencia Absoluta Frecuencia Relativa Marca de Clase Limite Real Inferior Limite Real Frecuencia Superior Acumulada Frecuencia Relativa Acumulada

1 2 3 4 5 6 7 8

72-76 77-81 82-86 87-91 92-96 97-101 102-106 107-111

5 8 7 4 6 2 1 2

14.28% 22.85% 20% 11.42% 17.14% 5.71% 2.85% 5.71%

74 79 84 89 94 99 104 109

71.5 76.5 81.5 86.5 91.5 96.5 101.5 106.5

76.5 81.5 86.5 91.5 96.5 101.5 106.5 111.5

5 13 20 24 30 32 33 35

14.28 37.13 57.13 68.55 85.69 91.4 94.25 99.96

35

99.6%

HISTOGRAMA Y POLGONO DE FRECUENCIAS. Es una representacin grfica mediante rectngulos cuyas bases corresponden a la longitud de la clase y las alturas a las frecuencias absolutas. HISTOGRAMAS: Se grafican en el eje horizontal las marcas de clase y en el eje vertical las frecuencias absolutas. POLGONO DE FRECUENCIAS: Es una representacin grfica que se obtiene en los puntos medios de los techos de los rectngulos, se unen con lneas rectas. 8 7 6 5 4 3 2 1 0 74 79 84 89 94 MARCA DE CLASE 99 104 109 114 4

HISTOGRAMA

POLGONO DE FRECUENCIAS

POLGONO DE FRECUENCIAS RELATIVAS. Es una representacin grfica que se obtiene mediante las marcas de clase y las frecuencias relativas.

25 2 2 .8 5 20 FRECUENCIA RELATIVA 20 1 7 .1 4 15 1 4 .2 8 1 1 .4 2 10 5 .7 1 2 .8 5 0 74 79 84 89 94 99 104 109 114 M A RC A DE C L A SE 5 .7 1

DIAGRAMA DE PARETO.

Es una representacin grfica en base a rectngulos, con la caracterstica de la mayor frecuencia absoluta hasta la menor.

8 7 6 5 4 3 2 1 0
79 84 94 74 89 99 109 104

MARCA DE CLASE

FRECUENCIAS ACUMULADAS. Estas se obtienen para cada una de las clases sumando la frecuencia absoluta de la clase actual mas la frecuencia o frecuencias absolutas anteriores. La grfica se llama OJIVA y esta se obtiene con los lmites reales superiores y las frecuencias acumuladas.

40 35 32 FRECUENCIAS ACUMULADAS 30 25 20 15 13 10 5 0 7 6 .5 8 1 .5 8 6 .5 9 1 .5 9 6 .5 1 0 1 .5 1 0 6 .5 1 1 1 .5 L IM IT E REA L SUPERIOR 5 20 30 33 35

24

MEDIDAS DE TENDENCIA CENTRAL. Entre las medidas de tendencia central ms comunes son: a) Media Aritmtica ( b) Moda. c) Mediana.

x ).

Las medidas de tendencia central son las que representan a un conjunto de datos. a) MEDIA ARITMTICA: Es aquella que se define como el promedio de un conjunto de datos. La media Aritmtica se obtiene tanto para datos agrupados como los no agrupados. 1) DATOS NO AGRUPADOS:

Donde: X = Datos. N = Nmero total de datos. Ejemplo: 66, 100, 98, 96, 58, 94, 90

X = 66, 100, 98, 96, 58, 94, 90 = 602 = 86.

7 2) DATOS AGRUPADOS: 7

Donde: X = Nmero de datos N = Nmero total de datos. f = Frecuencias absolutas. 8

Ejemplo:

b) MODA: Es la medida de tendencia central que se define como el valor que se presenta con mayor frecuencia, es decir el ms comn. La moda para datos no agrupados presenta los siguientes casos: Caso 1: 2, 3, 3, 4, 4, 4, 5, 7, 8, 9. Caso 2: 2, 5, 5, 6, 6, 7, 9, 16. Caso 3: 2, 4, 5, 6, 7, 8, 11. No existe Moda. Moda = 6, 5. Moda = 4.

La moda para datos agrupados presenta la siguiente formula:

Donde: L1 = Es el limite inferior de la clase que contiene la moda. (1 = Es la diferencia de la frecuencia modal menos la frecuencia de la clase contigua inferior. (2 = Es la diferencia de la frecuencia de la clase menos la frecuencia de la clase contigua superior. C = Es el tamao, longitud o anchura de clase.

Ejemplo:

(1 = 8 5 = 3
3 Moda = 76.5 + 3 +1

(1 = 8 7 = 1

5 = 76.5 + 3 (5) = 76.5 + 3.75 = 80.25 Moda = 80.25.

c) MEDIANA: Es la medida que se define como el valor que divide a un conjunto de datos en dos partes iguales. La moda presenta los siguientes casos: Caso 1: (Conjunto impar). 2, 3, 4, 5, 7 , 7, 8, 9, 13 Mediana Mediana = 7 Caso 2: (Conjunto par ).

1, 3, 3, 6, 7, 8, 9, 15 6 + 7 = 13 = 6.5 2 Mediana = 6.5

10

Para calcular la mediana para datos agrupados se aplica la siguiente frmula: Mediana = L + N _ 7f 2 fm

Donde: L = Es el lmite real inferior de la clase que contiene la mediana. N = Es el nmero total de datos en el conjunto. 7f =Es la suma de las frecuencias acumuladas inferiores sin contar la frecuencia de la clase que contiene la mediana. C = Es el tamao, longitud o anchura de la clase. *NOTA: La clase que contiene la mediana se obtiene contando las frecuencias absolutas, de arriba hacia abajo y viceversa localizndola donde nos de la mitad de N. Ejemplo: Mediana = 81.5 + 35 - 13 2 7 5 = 81.5 + (17.5 13 ) = 7

Mediana = 81.5 + 3.21 = 84.71

RELACION EMPRICA ENTRE MEDIA ARITMTICA, MODA Y MEDIANA.

86.57 80.25 } 3 (86.57 84.71) 6.32 } 5.58

11

MEDIDAS DE DISPERSIN. DISPERSIN: Es el grado en que los datos numricos tienden a extenderse alrededor de un valor medio.

85 tienen

a) Entre las medidas mas importantes de dispersin se AMPLITUD DE VARIACIN (RANGO).

b) DESVIACIN MEDIA ABSOLUTA (D.M): Es la media aritmtica de los valores absolutos de las desviaciones con respecto a la media aritmtica. Para calcular las desviacin media para los datos no agrupados se utiliza la siguiente frmula:

N Donde: X= Datos

= Media Aritmtica. | | = Valor absoluto. N = Nmero Total de Datos. Ejemplo:

D.M = |6686| + |10086| + |98-86| + 96-86| + |58-86| + |94-86| + |90-86| 7 D.M = |20| + |14| + |12| + |10| + |28| + |8| + |14| =13.71 7

12

Para calcular la desviacin media para datos utiliza la siguiente frmula:

agrupados se

Donde: X = Marcas de clase. f = Frecuencias Absolutas. = Media Aritmtica. N = Nmero total de datos en el conjunto. Ejemplo:
D.M = 5|74-86.57|+8|79-86.57|+7|84-86.57|+4|89-86.57|+ 6|94-86.57|+2|99-86.57|+1|104-86.57|+2|109-86.57| =

35
D.M =|62.85|+|60.56|+|17.99|+|9.72|+|44.58|+|24.86|+|17.43|+|44.86|= 35

D.M = 282.85 = 8.08 35 c) DESVIACIN TIPICA O ESTNDAR: Se define como la raz cuadrada de la varianza. Para calcular las desviacin tpica para los datos no agrupados mayores de 30 se utiliza la siguiente frmula:

Para menores de 30:

13

Ejemplo:

Para calcular la desviacin tpica o estndar para datos agrupados se utiliza la siguiente frmula:

Donde: f1 = Frecuencia Absoluta. Ejemplo:

= 9.66

d) VARIANZA: Se define como la desviacin tpica o estndar elevada al cuadrado; su smbolo es Ejemplo:

W2.

W2 = (9.66)2 = 93.31

14

e) REGLA EMPRICA PARA UNA, DOS Y TRES DESVIACIONES TIPICAS: 1. Para una desviacin tpica el porcentaje es del 68.27%

2. El porcentaje para 2 desviaciones tpicas es igual al 95.45%.

3. El porcentaje para 3 desviaciones tpicas es igual a 99.73%.

15

MODELO. El presidente de Ocean Airlines intenta hacer una estimacin de cuanto se tardar el Departamento de Aeronutica Civil en decidir acerca de la solicitud de la compaa sobre una nueva ruta entre la ciudad de Charlotte y Los Angeles. Los asesores del presidente han conseguido los siguientes tiempos de espera de las solicitudes hechas durante el ao anterior. Los datos estn en das desde la fecha de solicitud hasta la respuesta del D.A.C.

34 49 29 24 29

40 34 40 44 22

23 38 31 37 28

28 31 30 39 44

31 33 34 32 51

40 42 31 36 31

25 26 38 34 44

35 35 35 36 28

47 27 37 41 47

32 31 33 39 31

a) Construya ana distribucin de frecuencias utilizando 10 intervalos cerrados igualmente espaciados. Rango = 51 22 = 29 = 9.66 } 10 3

Clases

Frecuencia Absoluta

Frecuencia Relativa

Marca de Clase

Limite Real Inferior

Limite Real Frecuencia Superior Acumulada

Frecuencia Relativa Acumulada

1 2 3 4 5 6 7 8 9 10

21 25 28 31 34 37 40 43 49 49

24 27 30 33 36 39 42 45 48 51

3 3 6 12 8 6 5 4 2 1

6% 6% 12% 24% 16% 12% 10% 8% 4% 2%

23 26 29 32 35 38 41 44 47 50

21.5 24.5 27.5 30.5 33.5 36.5 39.5 42.5 45.5 48.5

24.5 27.5 30.5 33.5 36.5 39.5 42.5 45.5 48.5 51.5

3 6 12 24 32 38 43 47 49 50

6 12 24 48 64 76 86 94 98 100

50

100%

Longitud = 3. 16

HISTOGRAMA Y POLGONO DE FRECUENCIAS.

12 FRECUENCIA ABSOLUTA 10 8 6 4 2 0
23 26 29 32 35 38 41 44 47 50

MA RCA DE CLA SE

17

DIAGRAMA DE PARETO.

12 10 8 6 4 2 0
32 35 29 38 41 44 23 26 47 50

MARCA DE CLASE

18

POLGONO DE FRECUENCIAS RELATIVAS.

25

24

20 FRECUENCIA RELATIVA 16 12 10 6 6 4 2 0 23 26 29 32 35 38 41 44 45 50 M A RC A DE C L A SE 12 10 8 5

15

19

OJIVA.

50 45 47 42 38 32 24

49

50

LADA I

40 35 30 25 20 15 10 5 0 6 3 12

24.5 27.5 30.5 33.5 36.5 39.5 42.5 45.5 48.5 51.5

LI I
a) MEDIA.

3(23)+3(26)+6(29)+12(32)+8(35)+6(38)+5(41)+4(44)+2(47)+1(50)= 50 20

X = 34.76 b) MODA.

Moda = 30.5 +

6 6+4

3=

30.5 + 1.8 = 32.3

c) MEDIANA. Mediana = L + N _ 7f 2
fm

Mediana = 33.5 +

50 2 8

24

3 = 33.5 + 0.375 = 33.875

d) RELACION EMPRICA. 37.46 32.3 } 3 (34.76 33.875) 2.46 } 2.65 e) DESVIACIN MEDIA.

3|23-34.76|+3|26-34.76|+6|29-34.76|+12|32-34.76|+8|35-34.76|+ 6|38-34.76|+5|41-34.76|+4|44-34.76|+2|47-34.76|+1|50-34.76| = 50 35.28+26.28+34.56+33.12+1.92+19.44+31.2+36.96+24.48+15.24 = 50 D.M = 5.16 21

f) DESVIACIN TPICA O ESTNDAR.

W=3(23-34.76)2+3(26-34.76)2+6(29-34.76)2+12(32-34.76)2+8(35-34.76)2

+6(38-34.76)2+5(41-34.76)2+4(44-34.76)2+2(47-34.76)2+1(50-34.76)2 50

W
g) VARIANZA.

= 6.4298

W2 W2
= (6.4298)2 = 41.3423

h) REGLA EMPRICA PARA DESVIACIONES TPICAS.

UNA,

DOS

TRES

Para una desviacin tpica: X s W. 34.76 s 9.66 34.76 + 9.66=44.42 34.76 - 9.66= 25.1
Para dos desviaciones tpicas:

X s 2W. 34.76 s 2(9.66) 34.76 + 19.32=54.08 34.76 - 19.32= 15.44

Para tres desviaciones tpicas:

X s 3W. 34.76 s 3(9.66) 34.76 + 28.98=63.74 34.76 - 28.98= 5.78

22

CAPITULO II. DESCRIPCIN DE DOS CONJUNTOS DE DATOS.

ANLISIS DE CORRELACIN. Es el grupo de tcnicas estadsticas empleado para medir la intensidad de la relacin entre dos variables. Se deben identificar la variable dependiente y la independiente.

Ejemplo: Se est efectuando un proyecto de investigacin en una empresa para determinar si existe relacin entre los aos de servicio y la eficiencia de un empleado. El objetivo de estudio fue predecir la eficiencia de un empleado con base en los aos de servicio. Los resultados de la muestra son:

Empleados Aos de Puntuacin XY Servicio de eficiencia X Y A 1 6 6 B 20 5 100 C 6 3 18 D 8 5 40 E 2 2 4 F 1 2 2 G 15 4 60 H 8 3 24 7x = 61 7y = 30 7xy=254

X2 1 400 36 64 4 1 225 64 2 7x =795

Y2 36 25 9 25 4 4 16 9 7y2=128

Y 3.23 4.64 3.61 3.77 3.31 3.23 4.30 3.77

23

DIAGRAMA DE DISPERSIN. Es la grfica que representa la relacin entre dos variables de intereses.

7 Y(PUNTO DE EFICIENCIA ) 6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 1011121314151617181920 X (AOS DE SERVICIO).

24

COEFICIENTE DE CORRELACIN. Es la medida de la intensidad de la relacin entre dos conjuntos de variables. Para calcular el coeficiente de correlacin se utiliza la siguiente frmula:

Ejemplo:

r = .3531

ANLISIS DE REGRESIN. Es la tcnica empleada para hacer predicciones. Para ello se emplea la ecuacin de regresin mediante el mtodo de mnimos cuadrados; dicha ecuacin se le conoce como la ecuacin de estimacin de o de pronstico la cual se expresa:

y = a +bX

donde: a = Coordenada de la interseccin con el eje y. b = Es la pendiente de la recta. x = Cualquier valor seleccionado para la variable independiente. y = Es el valor pronosticado de la variable y para un valor seleccionado de x.

25

Matemticamente se obtiene de la siguiente manera:

Ejemplo:
b = 202 = .0765 2639 a = 3.75 - .0765 ( 7.625) = 3.16 COEFICIENTE DE DETERMINACIN (r2). Se define como la proporcin de la variacin total en la variable dependiente y que se explica por o se debe a la variacin en la variable dependiente x. El coeficiente de determinacin se obtiene aplicando la siguiente frmula: r2 = Variacin total Variacin no explicada. Variacin Total.

( y y )2 ( y y )2 5.0625 7.6729 1.5625 0.0961 0.5625 0.3721 1.5625 1.5129 3.0625 1.7161 3.0625 1.5129 0.0625 0.09 0.5625 0.5929 15.5 13.5659 r2 = 15.5 13.5659 = 0.1247 = 15.5 0.1247 26

ERROR ESTNDAR DE ESTIMACIN. Es aquel que mide la dispersin de los valores observados con respecto a la recta de regresin. El error estndar de estimacin se obtiene aplicando cualquiera de las siguientes frmulas.

Ejemplo:

1.

13.5659
6

1.5036

2.

128 3.166(30) 0.0765(254) =

1.5049

27

MODEL0. Un analista de operaciones realiza un estudio para analizar la relacin entre la produccin y costos de fabricacin de la industria

electrnica. Se toma una muestra de 10 empresas seleccionadas de la industria y se dan los siguientes datos:
Empresa A B C D E F G H I J Miles de Unidades 40 42 48 55 65 79 88 100 120 140 777 Miles de $ 150 140 160 170 150 162 185 165 190 185 1657 xy 6000 5880 7680 9350 9750 12798 16280 16500 22800 25900 132,938 y2 1600 1764 2304 3025 4225 6241 7744 10000 14400 19600 70,903 y2 22500 19600 25600 28900 22500 26244 34225 27225 36100 34225 277,118

Determinar: a) b) c) d) Cual es la variable dependiente y cual la independiente. Hacer el diagrama de dispersin. El coeficiente de correlacin. La recta de regresin mediante el mtodo de mnimos cuadrados. e) El coeficiente de determinacin. f) El error estndar de estimacin. g) Determinar el costo que se tiene al producir 50,000 y 150,000 unidades.

a) Variable dependiente: Miles de unidades. Variable Independiente: Miles de pesos.

28

b) DIAGRAMA DE DISPERSIN.

200 190 180 170 160 150 140 130 120 30 40 50 60 70 80 90 100 110 120 130 140 M IL ES D E UN ID A D ES
c)

MILES DE $

r=

1 329,380 1 287,489

r=

[709030

603729][2771190 2745949] = _41891__ = 51860.32 0.8078

___41891

(105301)(25541)

29

d) y = a + bX b = 41891 = 0.3978 105301 a = 165.7 (.3978) (77.7) = 134.7909 y= 134.7909 + 0.3978 X e) r2 = (0.8078)2 = 0.65254084

f)

Syx =

(277119) 134.7909 (1657) (.3978) (132.938) 10 - 2 10.53

Syx =

g) 134.9909 + 0.3978(50) = 154.8809 134.9909 + 0.3978(150) = 199.6609

30

CAPITULO III. VARIABLES ALEATORIAS Y FUNCIONES DE PROBALIDAD. ESPACIO MUESTRAL: Es el conjunto de todos los resultados posibles de un experimento o muestra. EVENTO: Es el resultado de un experimento. Los eventos se clasifican en tres tipos: 1. Simple. 2. Mltiple. 3. Imposible. VARIABLE OPCIONAL: Es aquella que est en funcin valorada numricamente, cuyo valor est regido por factores en los que interviene el azar. Las variables aleatorias se clasifican en dos tipos: 1. 2. Variables aleatorias continuas: Son aquellas en las que se considera si se puede asumir cualquier valor dentro de un determinado intervalo. Variables aleatorias discretas: Son aquellas que se consideran si los valores que se asumen se pueden contar.

Ejemplo: Continua: - Estatura de una persona. - Nmero de litros de agua en un estanque. Discreta: - Nmero de muestra de un lote. - Cantidad de alumnos de un grupo. Las probabilidades se utilizan para expresar cuan probable es un determinado evento. La probabilidad de que un evento ocurra est representada del 0 a 1.

31

Ejemplo: Evento: Lanzamiento de una par de dados. Qu nmero sumado puede dar? a) b) c) d) e) Hallar la variable aleatoria. El espacio muestral. La probabilidad. La grfica en forma tcnica. Hacer la grfica de un experimento lanzamientos. y compararla con la anterior.
Espacio Muestral (1,1) (2,1),(1,2) (3,1),(2,2),(1,3) (4,1),(3,2),(2,3),(1,4) (5,1),(4,2),(3,3),(2,4),(1,5) (6,1),(5,2),(4,3),(3,4),(2,5),(1,6) (6,2),(5,3),(4,4),(3,5),(2,6) (6,3),(5,4),(4,5),(3,6) (6,4),(5,5),(4,6) (6,5),(5,6), (6,6)

aleatorio

con

100

Variable Aleatoria 2 3 4 5 6 7 8 9 10 11 12

Probabilidad Clsica. 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

Probabilidad en el experimento 1.66 6.66 10 12.5 15 17.5 11.66 10 9.3 4.16 2.5

d) Grfica en forma clsica. 1/36

0.14 5/36 PROBABILIDAD

4/36 0.112 3/36 0.084 2/36 0.056 1/36 0.028

0 2 3 4 5 6 7 8 9 10 11 12 V A RIA BL E A L EA T ORIA
32

e) Grfica del experimento de 100 lanzamientos.

17.5 15 12.5 10 7.5 5 2.5 0 2 3 4 5 6 7 8 9 10 11 12 V A RIA BL E A L EA T ORIA

PROBABILIDAD

FACTORIAL DE N. Para calcular el factorial de un nmero positivo se aplican la siguiente frmula: n! = n(n - 1) (n 2) . . . 1 Ejemplos: 0! 1! 2! 3! 4! = = = = = 1 1 2 6 24

33

PERMUTACIONES Y COMBINACIONES. Una permutacin se representa nPr, es una ordenacin de n objetos tomados de r en r. Una permuta aplica la siguiente frmula: nPr = Ejemplo: r=2 n=6
6P2 =

n! (n r)!

6! = 720 = 30 (6- 2)!

Una combinacin es una seleccin de n objetos o cosas seleccionadas de r en r. Una combinacin se obtiene con la siguiente frmula: nCr =_ n!___ r! (n r)! Ejemplo: r=2 n=6 6C2 =

6!___ = 2!(6-2)!

6!__ = 6 . 5. 4. 3. 2. 1 = 30 = 15 2!.4! 2. 1 4. 3. 2. 1 2

Ejemplo: En cuantas formas puede una sucursal local en una sociedad programar a 3 conferencistas en 3 diferentes congresos, si los primeros estn disponibles en cualquiera de 5 fechas posibles. n=5 r=3 nPr = n!__ (n r)!

5. 4. 3. 2. 1 = 60 Formas 2. 1 En cuantas formas diferentes puede un superior seleccionar un equipo de 5, de 8 personas que trabajan para el. n=8 r=5 nCr =_ n!___ r! (n r)! 8!__ = 8. 7. 6. 5. 4. 3. 2. 1 = 336 = 56 Formas. 5!(8-5)! (5. 4. 3. 2. 1)(3. 2. 1)

34

PRINCIPIO FUNDAMENTAL. Si un suceso o evento puede presentarse con cualquiera de las n1 formas distintas y si otro suceso ha ocurrido relacionado con el primero de las n2 distintas, entonces el nmero de formas en que ambos sucesos en orden especfico pueden presentarse ser n1 . n2 formas. Ejemplo: De cuantas formas pueden ordenarse 7 libros en un estante? a) Si es posible cualquier ordenacin. b) 3 libros determinados deben estar juntos. c) 2 libros determinados deben ocupar los extremos. a) 7P7 = 7!__ = 7. 6. 5. 4. 3. 2. 1 = 5040 (77)! 1 5!_ (5-5)! 5!_ (5-5)! 3!_ = 5. 4. 3. 2. 1 (2-2)! 1 2!_ = 5. 4. 3. 2. 1 (2-2)! 1 3 .2. 1 = 120 x 6=720 1 2. 1 1 = 120 x 2=240

b) 5P4 . 3P3 = c) 5P2 . 2P2 =

Una clase de 9 nios y 3 nias. a) Hallar el nmero de posibilidades que tiene un profesor de elegir un comit de 4 integrantes. b) Tiene que haber 2 nios y 2 nias. c) Tiene que haber exactamente una nia. a)
12C4

= 12!_ = 12. 11. 10. 9. 8. 7. 6. 5. 4. 3. 2. 1 = 495 Formas. 4!(12-4)! (4. 3. 2. 1) (8. 7 .6 .5 .4 .3. 2. 1)

b) 3C2 . 9C2 = (3) (36) = 108 Formas. c) 3C1 . 9C3 = (3) (84) = 252 Formas. Un granjero compra 3 vacas, 2 cerdos, 4 gallinas a un hombre que tiene 6 vacas, 5 cerdos y 8 gallinas. Cuntas elecciones puede hacer?
6C3

. 5C2 .

C4 = (20) (10) (70) = 14,000 formas.

35

ESPERANZA MATEMTICA. Es la cantidad que un jugador espera ganar como media cada vez que juega. Si el valor de E es positivo se dice que el juego est a favor del jugador, si E es negativo esta en su contra y se dice que es una perdida. Para calcular la esperanza matemtica de un cierto evento se aplica:

E = W1P1 + W2P2 + . . . +WnPn

Ejemplo: 1. Un jugador tira 2 dados, si la suma es de 7 11 gana 7 dlares, con cualquier otro resultado pierde 2 dlares. Determine el valor esperado del juego. E=? W1 = $7 P1 = 6 + 2 = 8 36 36 W2 =-$2 P2 = 28 36 2. Si un hombre compra una papeleta de rifa en la que puede ganar un primer premio de 5,000 dlares un segundo premio de 2,000 dlares con probabilidades de .001 y .003. Cul sera el precio justo a pagar por la papeleta? E=? W1 = $5,000 P1 = .001 W2 =-$2,000 P2 = .003 E = (5000) (.001) (2000) (.003) E = $5 + $6 = $11 E = (7) (8/36) (2) (28/36) 56 56 = 0 36 36

3. Un juego consiste en tirar una moneda no-truncada 4 veces. Un jugador gana 3 dlares si sale 2 o mas veces cara, de cualquier otra forma el jugador pierde 4 dlares. Hallar el valor esperado E del juego. E=? W1 = $3 E = (3)(11/16) (4)(5/16) P1 = 11/16 W2 =-$4 E = 33 - 20 = 13 P2 = 5/16 16 16 16 36

CAPITULO IV. FUNCIONES DE PROBABILIDAD. DISTRIBUCIN DE PROBABILIDAD: Es la distribucin de frecuencias relativas respecto a resultados del espacio muestral, seala la proporcin de veces en que la variable aleatoria tiende a obtener diversos valores. Considerando que la probabilidad de que un evento suceda o no suceda es igual a 1, para ello se aplica la siguiente frmula: 1=p+q p = Probabilidad de xito. q = Probabilidad de no xito. Las distribuciones de probabilidad se clasifican de 2 tipos: Binomial. 1. LAS DISCRETAS. Poison. Hipergeomtrica. p=1-q q = 1 p

2. CONTINUAS.

Normal.

a) Distribuciones de probabilidad discretas: 1. Distribucin Binomial: Para calcular la probabilidad mediante esta distribucin de acuerdo a las caractersticas, se aplica la siguiente frmula.

P(x) =

_ n!___ px qn-x x! (n-x)!

37

Donde: n = Nmero de ensayos. p = Proporcin de xito que se tiene en el evento. q = Proporcin de no-xito o de fracaso que se tiene en el evento. x = Es el nmero de veces que se obtiene al obtener xito. Ejemplo: 1. El 8% de las hamburguesas que se venden en un estadio de bisbol, se piden sin mayonesa. Si 7 personas ordenan hamburguesas encuentre la probabilidad de que: a) Todas las quieran con mayonesa. b) Solo 1 la quiera con mayonesa. Datos: p = .92% q = .08% n=7 a) x = 7 P(7) = 7!___ (.92)7 (.08)7-7 = 7!(7-7)! 7!___ (.92)1 (.08)7-1 = 1!(7-1)! 0.5578

b) x = 1

P(1) =

0.000001688

2. El 90% de probabilidades de que un tipo particular de complemento funcione adecuadamente en condiciones de alta temperatura. Si el dispositivo en cuestin incluye 4 de esos componentes, determine la probabilidad de que: a) b) c) Datos: p = .90% q = .10% x=4 38 Todos los componentes funcionen adecuadamente y por lo tanto el dispositivo es operante. El dispositivo es inoperante por que falla exactamente 1 de los 4 componentes. El dispositivo es inoperante por que falla 1 o mas de los componentes.

a) x = 4

P(4) =

4!___ (.90)4 (.10)4-4 = 4!(4-4)! 4!___ (.10)1 (.90)4-3 = 1!(4-1)!

0.6561

b) p = 0.10% q = 0.90% x=1 c) p = 0.10% q = 0.90% x = 1, 2, 3,4 P(1, 2, 3, 4) =

P(1) =

.2916

4!___ (.10)1 (.90)3+ 1!(4-1)!

4!___ (.10)2 (.90)4-2+ 2!(4-2)!

4!__ (.10)3 (.90)4-3+ 4!__ (.10)4 (.90)4-4= 3!(4-3)! 4!(4-4)! 0.2916 +0.0486 + 0.0036 +0.0001 = 0.3439

Una familia tiene 6 hijos. Hallar la probabilidad de que sean: a) 3 nios y 3 nias. b) Menos nios que nias. Tomaremos 0.5 como la probabilidad de que un hijo sea nio. Datos: p = 0.5% nios. q = 0.5% nias. n = 6 hijos. a) x = 3 b) x =0, 1, 2 P(0,1, 2) = 6!___ (0.5)0 (0.5)6-0+ 6!___ (0.5)1 (0.5)6-1+ 0!(6-0)! 1!(6-1)! 6!__ (0.5)2 (0.5)6-2= .0152 + .09375 + .2343 = 2!(6-2)! .3436 P(3)= 6!__ (0.5)3 (0.5)6-3= 3!(6-3)! 0.3125

39

2. Distribucin de probabilidad Poison: Esta distribucin tiene muchas aplicaciones y se utiliza como modelo para describir fenmenos, por ejemplo el nmero de errores en captura de datos, las imperfecciones en piezas recientemente pintadas, el nmero de partes defectuosas en ciertos embarques, el nmero de clientes que llegan a un banco a solicitar servicio, el nmero de errores que una secretaria comete por pgina, el nmero de accidentes que ocurren en un determinado tiempo, etc. Esta probabilidad utiliza la siguiente frmula:

P(x) = e-P . Px x! P = Promedio de ocurrencia del suceso o evento. x = Nmero pedido de acuerdo a la probabilidad. e = Nmero de Euter ( 2.7172).
Cuando la probabilidad es muy pequea se debe de contar el nmero de la poblacin, para ello el promedio de ocurrencia se obtiene:

P=N.P
Ejemplo: 1. La seora Garca esta encargada de los prstamos de un banco. Con base en sus aos de experiencia, estima que la probabilidad de que un solicitante no sea capaz de pagar oportunamente sus prstamo es de .025, el mes pasado realizo 40 prstamos: a) Cul es la probabilidad de que 3 prstamos no se paguen oportunamente? b) Cul es la probabilidad de que al menos 3 prstamos se liquiden a tiempo? Datos: P = .025 N = 40 P = (40)(.025)=1 cliente. a) x = 3 P(3)= e-1.13 = (.3678)(1) = 3! 6 .0613

40

b) x = 3 o ms.

P(0,1,2) = e-1. 10 + e-1. 11 + e-1 . 12 = 0! 1! 2!

.3679+ .3679+ .3679 = .3679 + .3679 + .1839 = 0.9197 1 1 2 P(3 o ms) = 1 q = 1 0.9197 = 0.0803 % Probabilidad pedida. 2. Los automviles que llegan a una razn de 2 por minuto. salida de una carretera a

a) Cul es la probabilidad que en un minuto dado no lleguen automviles? b) Cul es la probabilidad e que al menos 1 automvil llegue durante un minuto especifico? Datos: P = 2 autos / minuto. a) x = 0 P(0)= e-2.20 = (0.1353)(1) = 0! 1 0.1353 Probabilidad pedida.

b) x = 1 o ms. P(1 o ms) = 1 q = 1 0.1353% Probabilidad pedida. 3. Supongamos que el 2% de la poblacin es zurda. Hallar la probabilidad de encontrar 3 o ms zurdos en 100 personas. Datos: P = 2% = .02 N = 100 P = (100)(.02) = 2

P(0,1,2) = e-2. 20 + e-2. 21 + e-2 . 22 = 0! 1! 2!

.1353(1) + .1353(2)+ .1353(4) = .1353 + .2706 + .3706 = 0.6765 1 1 2 Probabilidad 1 q = 1 - .6765 = .3234 pedida.

41

4. A una construccin llegan camiones de carga a razn media de 2.8 camiones por hora. Obtenga la probabilidad de tener 3 o ms camiones que lleguen en un: a) Lapso de 30 minutos. b) Lapso de 1 hora. c) Lapso de 2 horas. Datos: P = 2.8 Camiones / minuto a) x = 0, 1,2 P = 1.4 P(0,1,2) = e-1.4. 1.40 + e-1.4. 1.41 + e-1.4 . 1.42 = 0! 1! 2!

.2465(1) + .2465(1.4)+ .2465(1.96)=.2465 + .3451 + .2415 = .8331 1 1 2 Probabilidad pedida = 1 - .8331 = b) x = 0, 1,2 P = 2.8 .1669

P(0,1,2) = e-2.8. 2.80 + e-2.8. 2.81 + e-2.8 . 2.82 = 0! 1! 2!

.0608(1) + .0608(2.8)+ .0608(7.84)= .0608 + .1702 + .2383 = .4693 1 1 2 Probabilidad pedida = 1 - .4693 = c) x = 0, 1,2 P = 5.6 .5307

P(0,1,2) = e-5.6. 5.60 + e-5.6. 5.61 + e-5.6 . 5.62 = 0! 1! 2!

.0036(1) + .0036(5.6)+ .0036(31.36) =.0036 + .0207 + .0596 = .0823 1 1 2 Probabilidad pedida = 1 - .0823 = .9177

42

3. Distribucin de probabilidad Hipergeomtrica: Cuando la poblacin es finita y el muestreo se hace sin reemplazo, la probabilidad cambiar para cada nueva observacin, en tales circunstancias se tendr una distribucin Hipergeomtrica, est debe estar formada por 2 grupos de individuos u objetos. Un primer grupo constituido por aquellos individuos que poseen las caracterstica de estudio; se representar N1; y el otro grupo estar conformado por los que no poseen la caracterstica y el nmero de sus elementos se representar con N2. La probabilidad mediante una distribucin Hipergeomtrica se obtiene:

, x = 0, 1, . . . n si n N1

Donde: x = Nmero de xitos el los n ensayos donde el muestreo es sin repeticin. Ejemplo: 1. Una empresa produce 100 unidades de las cuales 90 son buenas y 10 son defectuosas. Se toman 20 unidades sin remplazo; halle la probabilidad de que resulten 5 defectuosas. Datos: N1 = 10 N2 = 90 P(5) = N = N1 + N2 = 100 n = 20 x=5

10C5

100C20

90C15

= (252)(4.58 x 1016) = 0.0215

5.36 x 1020

2. 15 de los 20 estudiantes de una grupo escolar estn insatisfechos con el texto que se emplea. Si una muestra aleatoria de 4 estudiantes es interrogada sobre el libro de texto. Determine la probabilidad: a) Exactamente 3. b) Al menos 3 estudiantes. Se muestren insatisfechos con el libro. 43

Datos: N1 = 15 N2 = 5 N = N1 + N2 =20 n=4 a) x = 3 P(3) =

15C3

. 5C1 = (455)(5) = 4845 20C4 . 5C0 = (1365)(1)= 4845 20C 4

Probabilidad 0.4695 pedida

b) x = 3, 4

P(4) =

15C4

0.2817

Probabilidad pedida

3. Una caja contiene 30 baterias para radio de las cuales 5 son defectuosas. De la caja se escogen al azar 6 baterias; halle la probabilidad de que: a) 2 sean defectuosas. b) Ninguna sea defectuosa. c) Menos de 3 sean defectuosas. Datos: N1 = 5 N2 =25 N = N1 + N2 = 30 n=6 a) x = 2 P(2) = 5C2 . P(0) = 5C0 .
25C4

= (10)(12650) =
593775

0.2130

P.P

30C6

b) x = 0

30C6

25C 6

= (1)(177100) =
593775

0.2982

P.P

b) x = 0,1,2

P(1) = 5C1 .

30C6

25C5

= (5)(53130) =
593775

0.4473

P(0,1,2) = 0.2982 + 0.4473 + 0.2130 =

0.9585

P.P

44

4. Distribucion Normal: Esta distrbucion se aplica en muchos fenmenos naturales, los cuales para el clculo de la probabilidad se utiliza la curva simtrica llamada campana, la cual se expresa a continuacin:

.5000

.5000

Para calcular la probabilidad mediante una distribucin normal se utiliza la siguiente frmula: Z= XM

W
Donde: M = Es la media aritmtica o promedio. W = Desviacin tpica o estndar de la poblacin. X = Valor buscado de acuerdo a la probabilidad pedida. Z = Es el valor tpificado (rea bajo la curva). Ejemplo. 1. El nmero de das entre la facturacin y el pago de las cuentas a crdito en una gran tienda de departamentos, tiene uyna distribucin aproximadamente normal con una media de 18 das y una desviacin estndar de 4 das: a) b) c) d) Qu poblacin de las cuentas sern pagadas entre 12 y 19 das? Entre 20 y 23 das. En menos de 8 das. En 12 das o ms.

Datos: M = 18 W=4 a) x = Entre 12 y 19 . Z1 = 12 18 = -1.5 4

0.5319

.4332 Z1 = 19 18 = 0.25 4 P.P = 0.5319 Z1= -1.5

.0987 Z2=0.25 45

b) x= Entre 20 y 23 0.2029 Z1 = 20 18 = 0.5 4

0.1915 0.3944

Z2 = 23 18 = 1.25 4 P.P = 0.1915 0.3944 = 0.2029

Z1= 0.5 0.9938

Z2=1.25

c) x= Menos de 8 0.0062 Z = 8 18 = -2.5 4 0.4938 Z= -2.5 0.9332 d) x= 12 o mas Z = 12 18 = -1.5 4 0.4332 Z= -1.5 .5000
12 das o mas

.5000

P.P = 1 0.9938 = 0.0062

2. El tiempo requerido para instalar un motor nuevo de un avin es distribuido con una media de 20 horas y una desviacin tpica de 1 hora. Cul es la probabilidad de que la siguiente instalacin toma:? a) 19 o menos y 22 o ms horas. b) Entre 17 y 18 horas. Datos: M = 20 horas. W = 1 hora. a) x= 19 o menos y 22 o ms. Z1 = 19 20 = -1 1 Z2 = 22 20 = 2 1 P.P=1 - 0.8185 = 0.1815

0.8115

0.3413 Z1 =-1

0.4772 Z2 = 2 46

b) x = 17 y 18 0.0215 Z1 = 17 20 = -3 1 Z2 = 18 20 = -2 1 0.4987 Z1= -3 0.4772 Z2= -2

P.P = 0.4987 0.4772 = 0.0215 3. Suponga que se disea una prueba de inteligencia que tenga una distribucin normal con una media de 100 y una desviacin estndar de 15. a) Qu proporcin de personas tienen resultados inferiores a 115. b) Mayores a 130? c) Entre 85 y 115? d) Entre 70 y 130? Datos. M = 100 W = 15 0.8413 a) x = menores a 115. Z = 115 100 = 1 15 P.P=0.3413 b) x = Ms de 130 Z = 130 100 = 2 15 P.P = .9772 c) x = Entre 85 y 115 Z1 = 85 100 = 1 15 Z2 = 115 100 = 1 15 .3413 Z1=-1 .5000 .6826 .4772 Z=2 .5000 0.9772 .3413 Z=1

.3413 Z2=1

P.P = .3413 + .3413 =.6826 47

d) x = Entre 70 y 130 Z1 = 70 100 = -2 15 Z2 = 130 100 = 2 15

.9544

.4772 Z1= -2

.4772 Z2= 2

P.P = .4772 + .4772 = .9544 El gerente de un club de natacion sabe por experiencia de aos pasados que el nmero de nios que cada miembro trae a la alberca en una sesin dada es una variable aleatoria con media de 3.1 y desviacin tpica de 0.56. Entre 200 miembros Cuntos se pueden esperar que traigan de 2 a 4 nios a las piscina en una sesin? Datos: M = 3.1 W = 0.56 x=2a4 N = 200 miembros. Z1 = 2 31 = -1.96 .56 Z2 = 4 31 = 1.61 .56

.9213

.4750 Z1 = -1.96

.4463 Z2 = 1.61

P.P = .4750 + .4463 = .9213 Nmero de nios = (200)(.9213) = 184.26 } 184 Nios.

48

CAPITULO V DISTRIBUCIONES DERIVADAS DEL MUESTREO.

ESTIMACIN DE PARMETROS. La estimacin de parmetros puede ser de 2 formas: 1) Estimacin por intervalo. 2) Estimacin por punto. Estimacin por punto: Es la estimacin parmetro de la poblacin. de un valor nico de un

Estimacin por intervalo: Es la estimacin que incluye un intervalo de valores posibles en el que se considera que est comprendido un parmetro de la poblacion. Para calcular el nivel de confianza deseado con respecto al Zc se tiene: Nivel de Confianza 99.73% 99% 98% 96% 95.45% 95% 90% 80% 68.27% 50% Zc 3 2.58 2.33 2.05 2 1.96 1.645 1.25 1 .6745

ESTIMACIN PARA MEDIAS ARITMTICAS DE ACUERDO AL TAMAO DE LA MUESTRA. Para calcular los intervalos de confianza para muestras grandes se utiliza la siguente frmula: X s Zc

W_ n

Donde: X = Es la media aritmtica o promedio muestral. W = Es la desviacin tpica o estndar de la poblacin (muestra). n = Es el tamao de la muestra. Zc = Es el valor buscado en la tabla de acuerdo al nivel de confianza deseado.

49

Para calcular la estimacion de intervalos para muestras pequeas (menores de 30), se utiliza la siguiente frmula: X s tc

S_ n

Donde: X = Es la media aritmtica o promedio muestral. tc = Es el valor buscado en la tabla (t de student) y esta se busca de acuerda a los grados de libertad. S = Desviacin tpica o estndar de la muestra. n = Tama de la muestra. En el caso de utilizar la tabla T de student se utilizan los grados de libertad aplicando la soguiente frmula: V=n1 Ejemplo: 1. Una psicloga de una industria, desea estimar la media de edad de cierta poblacin de empleadas. Extrae una muestra de de 60 mujeres de la poblacin. La muestra da como resultado una media de edad de 23.67 aos. Sabe que la poblacin de edades tiene una desviacin tpica de 15 aos. Construya un intervalo de confianza: a) 96% b) 99% Datos: X =23.67 aos. W =15 aos. n = 60 NC. a) 96% Zc= 2.05 27.6398 23.67 s 2.05 (15) = 23.67 s 30.75 = 23.67 s 3.9698 = 60 7.7459 b) 99% Zc= 2.58 28.6661 23.67 s 2.58 (15) = 23.67 s _38.7 = 23.67 s 4.9961 = 60 7.7459 18.6739 50 19.70

2. Al final de cada llamada en una estacin telfonica se hace un reporte en el que se indica la duracin de la llamada. Una muestra aleatoria simple de 9 reportes da como resultado una media de duracin de llamada de 1.2 minutos con uan desviacin tpica o estndar de 0.6 minutos. Construya un intervalo de confianza: a) 95% b) 99% para la media de la poblacin. Datos: X =1.2 minutos. s =0.6 minutos n=9 V = 9 1 =8 Tc. a) 95% tc = 2.306 = 1.2 s 0.4612 = 1.6612 0.7388 2.5%

1.2 s 2.306 (.6) = 1.2 s _1.3836 9 3 2.5%

95% .95

0 b) 99%

.025

.975

1 1.871

tc = 3.355 = 1.2 s 0.671 = 0.529 .5% 99% 0 .005 .99 .995 1

1.2 s 3.355 (.6) = 1.2 s _2.013 9 3 .5%

51

3. Las alturas de una muestra de 50 estudiantes mostraron una media de 174.5 cm y una desviacin tpica de 6.9 cm. determine un intervalo de confianza: a) 90% b) 98% Para la altra promedio de todos los estudiantes. Datos: X =174.5 cm. W =6.9 cm. n = 50 NC. a) 90% Zc= 1.645 27.6398 19.70 176.77 172.23

174.5 s 1.645 (6.9) = 23.67 s 11.3505 = 23.67 s 1.0652= 50 7.0710 b) 98% Zc= 2.33

174.5 s 2.33 (6.9) = 23.67 s 16.077 = 23.67 s 2.2736 = 60 7.0710

Una mquina produce piezas metlicas de forma cilndrica. Se toma una muestra de piezas cuyos dimetros son: 1.01, 0.97, 1.03, 1.04, 0.99, 0.98, 0.99, 1.01, 1.03 centmetros. Encuentre: a) Un intervalo de confianza del 90%. b) Un intervalo de confianza del 99%. Para el dimetro promedio de piezas de esta mquina. Datos: X =1.0055 Sn-1 =0.02455 n=9 V = 9 1 =8

52

Tc. a) 90%

tc = 1.860 1.0207

1.0055 s 1.860 (.02455) = 1.0055 s 0.0456 = 1.0055 s 0.0152= 9 3 .9903 5% 90% 0 b) 99% .05 .90 .95 1 5%

tc = 3.355 1.03296

1.0055 s 3.355 (.02455) = 1.0055 s 0.0824 = 1.0055 s 0.02746= 9 3 .5% 99% 0 .005 .99 .995 1 .5%

.97804

53