CAPITULO I 1. 1.1.

ESTADISTICA

Historia de la Estadstica Desde los comienzos de la civilizacin han existido formas sencillas de estadstica, pues ya se utilizaban representaciones grficas y otros smbolos en pieles, rocas, palos de madera y paredes de cuevas para contar el nmero de personas, animales o ciertas cosas. Hacia el ao 3000 a.C. los babilonios usaban ya pequeas tablillas de arcilla para recopilar datos en tablas sobre la produccin agrcola y de los gneros vendidos o cambiados mediante trueque.

Los egipcios analizaban los datos de la poblacin y la renta del pas mucho antes de construir las pirmides en el siglo XXXI a.C. Los libros bblicos de Nmeros y Crnicas incluyen, en algunas partes, trabajos de estadstica. El primero contiene dos censos de la poblacin de Israel y el segundo describe el bienestar material de las diversas tribus judas. En China existan registros numricos similares con anterioridad al ao 2000 a.C. Los griegos clsicos realizaban censos cuya informacin se utilizaba hacia el 594 a.C. para cobrar impuestos.

El Imperio romano fue el primer gobierno que recopil una gran cantidad de datos sobre la poblacin, superficie y renta de todos los territorios bajo su control. Durante la edad media slo se realizaron algunos censos exhaustivos en Europa. Los reyes carolingios Pipino, el Breve, y Carlomagno ordenaron hacer estudios minuciosos de las propiedades de la Iglesia en los aos 758 y 762 respectivamente. Despus de la conquista normanda de Inglaterra en 1066, el rey Guillermo I de Inglaterra encarg un censo. La informacin obtenida con este censo, llevado a cabo en 1086, se recoge en el Domesday Book. El registro de nacimientos y defunciones comenz en Inglaterra a principios del siglo XVI, y en 1662 apareci el primer estudio estadstico notable de poblacin, titulado Observations on the London Bills of Mortality (Comentarios sobre las

partidas de defuncin en Londres). Un estudio similar sobre la tasa de mortalidad en la ciudad de Breslau, en Alemania, realizado en 1691, fue utilizado por el astrnomo ingls Edmund Halley como base para la primera tabla de mortalidad En el siglo XIX, con la generalizacin del mtodo cientfico para estudiar todos los fenmenos de las ciencias naturales y sociales, los investigadores aceptaron la necesidad de reducir la informacin a valores numricos para evitar la ambigedad de las descripciones verbales.

La palabra estadstica a menudo nos trae a la mente imgenes de nmeros apilados en grandes arreglos y tablas, de volmenes de cifras relativas a nacimientos, muertes, impuestos, poblaciones, ingresos, deudas, crditos y as sucesivamente. La Estadstica es mucho ms que slo nmeros apilados y grficas bonitas. Es una ciencia con tanta antigedad como la escritura, y es por s misma auxiliar de todas las dems ciencias. Los mercados, la medicina, la ingeniera, los gobiernos, etc. Se nombran entre los ms destacados clientes de sta. La ausencia de sta conllevara a un caos generalizado, dejando a los administradores y ejecutivos sin informacin vital a la hora de tomar decisiones en tiempos de incertidumbre. La Estadstica que conocemos hoy en da debe gran parte de su realizacin a los trabajos matemticos de aquellos hombres que desarrollaron la teora de las probabilidades, con la cual se adhiri a la Estadstica a las ciencias formales. En nuestros das, la estadstica se ha convertido en un mtodo efectivo para describir con exactitud los valores de datos econmicos, polticos, sociales, psicolgicos, biolgicos y fsicos, y sirve como herramienta para relacionar y analizar dichos datos. El trabajo del experto estadstico no consiste ya slo en reunir y tabular los datos, sino sobre todo en el proceso de interpretacin de esa informacin.

El desarrollo de la teora de la probabilidad ha aumentado el alcance de las aplicaciones de la estadstica. Muchos conjuntos de datos se pueden aproximar, con gran exactitud, utilizando determinadas distribuciones probabilsticas; los resultados de stas se pueden utilizar para analizar datos estadsticos. La probabilidad es til para comprobar la fiabilidad de las inferencias estadsticas y para predecir el tipo y la cantidad de datos necesarios en un determinado estudio estadstico. La materia prima de la estadstica consiste en conjuntos de nmeros obtenidos al contar o medir cosas. Al recopilar datos estadsticos se ha de tener especial cuidado para garantizar que la informacin sea completa y correcta. El primer problema para los estadsticos reside en determinar qu informacin y cunta se ha de reunir. En realidad, la dificultad al compilar un censo est en obtener el nmero de habitantes de forma completa y exacta; de la misma manera que un fsico que quiere contar el nmero de colisiones por segundo entre las molculas de un gas debe empezar determinando con precisin la naturaleza de los objetos a contar. Los estadsticos se enfrentan a un complejo problema cuando, por ejemplo, toman una muestra para un sondeo de opinin o una encuesta electoral. El seleccionar una muestra capaz de representar con exactitud las preferencias del total de la poblacin no es tarea fcil. Para establecer una ley fsica, biolgica o social, el estadstico debe comenzar con un conjunto de datos y modificarlo basndose en la experiencia. Por ejemplo, en los primeros estudios sobre crecimiento de la poblacin los cambios en el nmero de habitantes se predecan calculando la diferencia entre el nmero de nacimientos y el de fallecimientos en un determinado lapso. Los expertos en estudios de poblacin comprobaron que la tasa de crecimiento depende slo del nmero de nacimientos, sin que el nmero de defunciones tenga importancia. Por tanto, el futuro crecimiento de la poblacin se empez a calcular basndose en el nmero anual de nacimientos por cada 1.000 habitantes. Sin embargo, pronto se dieron cuenta de que las predicciones obtenidas utilizando

este mtodo no daban resultados correctos. Los estadsticos comprobaron que hay otros factores que limitan el crecimiento de la poblacin. Debido a que el nmero de posibles nacimientos depende del nmero de mujeres, y no del total de la poblacin, y debido a que las mujeres slo tienen hijos durante parte de su vida, el dato ms importante que se ha de utilizar para predecir la poblacin es el nmero de nios nacidos vivos por cada 1.000 mujeres en edad de procrear. El valor obtenido utilizando este dato mejora al combinarlo con el dato del porcentaje de mujeres sin descendencia. Por tanto, la diferencia entre nacimientos y fallecimientos slo es til para indicar el crecimiento de poblacin en un determinado periodo de tiempo del pasado, el nmero de nacimientos por cada 1.000 habitantes slo expresa la tasa de crecimiento en el mismo periodo, y slo el nmero de nacimientos por cada 1.000 mujeres en edad de procrear sirve para predecir el nmero de habitantes en el futuro.

1.2.

Definicin de Estadstica La estadstica es una rama de las matemticas que se ocupa de reunir, organizar y analizar datos numricos y que ayuda a resolver problemas como el diseo de experimentos y la toma de decisiones. La Estadstica es la ciencia cuyo objetivo es reunir una informacin cuantitativa concerniente a individuos, grupos, series de hechos, etc. y deducir de ello gracias al anlisis de estos datos unos significados precisos o unas previsiones para el futuro. La estadstica, en general, es la ciencia que trata de la recopilacin, organizacin presentacin, anlisis e interpretacin de datos numricos con el fin de realizar una toma de decisin ms efectiva. Los estudiantes confunden comnmente los dems trminos asociados con las Estadsticas, una confusin que es conveniente aclarar debido a que esta palabra

tiene tres significados: la palabra estadstica, en primer trmino se usa para referirse a la informacin estadstica; tambin se utiliza para referirse al conjunto de tcnicas y mtodos que se utilizan para analizar la informacin estadstica; y el trmino estadstico, en singular y en masculino, se refiere a una medida derivada de una muestra. 1.3. Tipos de estadstica La estadstica se encarga de la recoleccin, clasificacin, anlisis y presentacin de datos; cuando los datos son numerosos se necesita la aplicacin de mtodos estadsticos para los cuales se detallan los tipos de estadstica siguientes. 1.1.1. Descriptiva o Deductiva

Esta clase de estadstica se utiliza con el propsito de recolectar, describir y resumir un conjunto de datos obtenidos. Estos pueden visualizarse de manera numrica y grfica. Sin embargo, su uso se acota slo al uso de la informacin obtenida. Es decir, que a partir de loa misma no se puede realizar ningn tipo de generalizacin. 1.1.2. Inferencial o Inductiva

De manera contraria a la anterior, esta clase de estadstica tiene la particularidad de que a partir de los datos mustrales que maneja, es posible realizar conclusiones y predicciones que incluyan a toda la poblacin. Es decir, que los resultados obtenidos a partir del anlisis y conclusin podrn ser extrapolados, y de esta forma realizar un pronstico inclusivo. Las inferencias pueden presentarse a travs de respuestas a preguntas del tipo si/no, relaciones entre una serie de variables, estimaciones numricas, entre otras. 1.1.3. Aplicada

Est conformada por las dos clases de estadsticas anteriores. Su objetivo consiste en deducir resultados sobre un universo, a partir de una muestra

determinada. Este tipo de estadstica puede ser aplicada en cualquier rea que no pertenezca a ella, tal como historia, psicologa, etc. 1.1.4. Estadstica Matemtica

Se refiere al empleo de la estadstica pero desde un punto de vista formal, a travs del uso de distintas ramas propias de la matemtica y de la teora de la probabilidad. Su uso es necesario debido a que los datos que maneja la estadstica matemtica son aleatorios e inciertos. 1.4. Utilidad e Importancia Los mtodos estadsticos tradicionalmente se utilizan para propsitos descriptivos, para organizar y resumir datos numricos. La estadstica descriptiva, por ejemplo trata de la tabulacin de datos, su presentacin en forma grfica o ilustrativa y el clculo de medidas descriptivas. Ahora bien, las tcnicas estadsticas se aplican de manera amplia en mercadotecnia, contabilidad, control de calidad y en otras actividades; estudios de consumidores; anlisis de resultados en deportes; administradores de instituciones; en la educacin; organismos polticos; mdicos; y por otras personas que intervienen en la toma de decisiones. 1.5. Conceptos Bsicos

1.1.5.

Probabilidad Matemtica:

Consiste en proporcionar un modelo matemtico adecuado a la descripcin e interpretacin de cierta clase de fenmenos observados. 1.1.6. resultado. Experimento:

Es una accin mediante la cual se obtiene un resultado y la observacin de dicho

1.1.7.

Experimento Aleatorio:

Es un experimento cuyo resultado no se puede predecir con exactitud. 1.1.8. Espacio Muestral

Es el conjunto de sucesos simples de un experimento. 1.1.9. Evento Compuesto Es el evento formado por varios eventos simples. 1.1.10. Suceso o Evento Simple:

Es cada uno de los resultados posibles de un experimento. 1.1.11. Evento Contrario o Complementario

Este se expresa como la probabilidad de fracaso o no-xito. 1.1.12. Evento o Suceso Cierto O Verdadero

Conocido como evento determinista y se expresa como la probabilidad de xito de cualquier suceso simple dentro del espacio muestral. 1.1.13. Evento o Suceso Imposible (Nulo)

La imposible ocurrencia de algn suceso o evento.

1.1.14.

Espacio Muestral

Espacio muestral es el conjunto formado por todos los posibles resultados de un experimento aleatorio. En adelante lo designaremos por S. A la coleccin de resultados que se obtiene en los experimentos aleatorios se le llama espacio muestral.

CAPITULO II 2. 1.6. Probabilidades

Origen de las probabilidades Los orgenes de las matemticas de la probabilidad se remonta al siglo XVI, las primeras aplicaciones se relacionaban bsicamente con los juegos de azas, en muchos casos puede ser virtualmente y posible predecir que pasara, pero es posible establecer lo que poda pasar ejemplo: Si se lanza una moneda por lo regular no se puede decir con seguridad si cayera cara o cruz sin embargo combinando el rasgo, la experiencia y los datos histricos es factible decir que probable es algn evento futuro. En los negocios predecir cuantos elementos tiene un producto nuevo, pronosticar las fallas de las cosechas, contratar un nuevo empleado, las probabilidades son tiles ya que puede servir para desarrollar estrategias. Los automovilistas tienen mayor tendencia aumentar la velocidad si se cree que existe un riesgo pequeo de que se le extienda una remisin. El punto central en todos los casos es la capacidad de cuantificar en determinado evento

P = h / n = casos o eventos favorables casos posibles. Segn Amanda Dure, "Antes de la mitad del siglo XVII, trmino 'probable' (en latn probable) significaba aprobable, y se aplicaba en ese sentido, unvocamente, a la opinin y a la accin. Una accin u opinin probable era una que las personas sensatas emprenderan o mantendran, en las circunstancias." Aparte de algunas consideraciones elementales hechas por Girolamo Cardano en el siglo XVI, la doctrina de las probabilidades data de la correspondencia de Pierre de Fermat y Blaise Pascal (1654). Christiaan Huygens (1657) le dio el tratamiento

cientfico conocido ms temprano al concepto. Ars Conjectandi (pstumo, 1713) de Jakob Bernoulli y Doctrine of Chances (1718) de Abraham de Moivre trataron el tema como una rama de las matemticas. Vase El surgimiento de la probabilidad (The Emergence of Probability ) de Ian Hacking para una historia de los inicios del desarrollo del propio concepto de probabilidad matemtica. La teora de errores puede trazarse atrs en el tiempo hasta Opera Miscellanea (pstumo, 1722) de Roger Cotes, pero una memoria preparada por Thomas Simpson en 1755 (impresa en 1756) aplic por primera vez la teora para la discusin de errores de observacin. La reimpresin (1757) de esta memoria expone los axiomas de que los errores positivos y negativos son igualmente probables, y que hay ciertos lmites asignables dentro de los cuales se supone que caen todos los errores; se discuten los errores continuos y se da una curva de la probabilidad. Pierre-Simon Laplace (1774) hizo el primer intento para deducir una regla para la combinacin de observaciones a partir de los principios de la teora de las probabilidades. Represent la ley de la probabilidad de error con una curva , siendo cualquier error e y su probabilidad, y expuso tres

propiedades de esta curva: 1. es simtrica al eje ;

2. el eje

es una asntota, siendo la probabilidad del error

igual a 0;

3. la superficie cerrada es 1, haciendo cierta la existencia de un error. Dedujo una frmula para la media de tres observaciones. Tambin obtuvo (1781) una frmula para la ley de facilidad de error (un trmino debido a Lagrange, 1774), pero una que llevaba a ecuaciones inmanejables. Daniel Bernoulli (1778) introdujo el principio del mximo producto de las probabilidades de un sistema de errores concurrentes.

El mtodo de mnimos cuadrados se debe a Adrien-Marie Legendre (1805), que lo introdujo en su Nouvelles mthodes pour la dtermination des orbites des comtes (Nuevos mtodos para la determinacin de las rbitas de los cometas ). Ignorando la contribucin de Legendre, un escritor irlands estadounidense, Robert Adrain, editor de "The Analyst" (1808), dedujo por primera vez la ley de facilidad de error,

Siendo

constantes que dependen de la precisin de la observacin. Expuso

dos demostraciones, siendo la segunda esencialmente la misma de John Herschel (1850). Gauss expuso la primera demostracin que parece que se conoci en Europa (la tercera despus de la de Adrain) en 1809. Demostraciones adicionales se expusieron por Laplace (1810, 1812), Gauss (1823), James Ivory (1825, 1826), Hagen (1837), Friedrich Bessel (1838), W. F. Donkin (1844, 1856) y Morgan Crofton (1870). Otros personajes que contribuyeron fueron Ellis (1844), De Morgan (1864), Glaisher (1872) y Giovanni Schiaparelli (1875). La frmula de Peters (1856) para , el error probable de una nica observacin, es bien conocida. En el siglo XIX, los autores de la teora general incluan a Laplace, Sylvestre Lacroix (1816), Littrow (1833), Adolphe Quetelet (1853), Richard Dedekind (1860), Helmert (1872), Hermann Laurent (1873), Liagre, Didion, y Karl Pearson. Augustus De Morgan y George Boole mejoraron la exposicin de la teora. En 1930 Andri Kolmogorov desarroll la base axiomtica de la probabilidad utilizando teora de la medida. En la parte geomtrica (vase geometra integral) los colaboradores de The Educational Times fueron influyentes (Miller, Crofton, McColl, Wolstenholme, Watson y Artemas Martin).

1.7.

Definicin Las Probabilidades pertenecen a la rama de la matemtica que estudia ciertos experimentos llamados aleatorios, o sea regidos por el azar, en que se conocen todos los resultados posibles, pero no es posible tener certeza de cul ser en particular el resultado del experimento. Por ejemplo, experimentos aleatorios cotidianos son el lanzamiento de una moneda, el lanzamiento de un dado, extraccin de una carta de un mazo de naipes. Ms adelante se ver que debemos distinguir entre los conceptos de probabilidades matemticas o clsicas de las probabilidades experimentales o estadsticas. El concepto de probabilidad nace con el deseo del hombre de conocer con certeza los eventos futuros. Es por ello que el estudio de probabilidades surge como una herramienta utilizada por los nobles para ganar en los juegos y pasatiempos de la poca. El desarrollo de estas herramientas fue asignado a los matemticos de la corte. Con el tiempo estas tcnicas matemticas se perfeccionaron y encontraron otros usos muy diferentes para la que fueron creadas. Actualmente se continu con el estudio de nuevas metodologas que permitan maximizar el uso de la computacin en el estudio de las probabilidades disminuyendo, de este modo, los mrgenes de error en los clculos. A travs de la historia se han desarrollado tres enfoques conceptuales diferentes para definir la probabilidad y determinar los valores de probabilidad La probabilidad es la medida cuantitativa por medio de la cual se obtiene la frecuencia de un suceso determinado mediante la realizacin de un experimento aleatorio, del que se conocen todos los resultados posibles, bajo condiciones suficientemente estables. La teora de la probabilidad se usa extensamente en reas como la estadstica, la fsica, la matemtica, las ciencias y la filosofa para sacar conclusiones sobre la probabilidad discreta de sucesos potenciales y la mecnica subyacente discreta de sistemas complejos.

Las probabilidades constituyen una rama de las matemticas que se ocupa de medir o determinar cuantitativamente la posibilidad de que un suceso o experimento produzca un determinado resultado. El diccionario de la Real Academia Espaola define azar como una casualidad, un caso fortuito, y afirma que la expresin al azar significa sin orden. La idea de Probabilidad est ntimamente ligada a la idea de azar y nos ayuda a comprender nuestras posibilidades de ganar un juego de azar o analizar las encuestas. Pierre-Simon Laplace afirm: "Es notable que una ciencia que comenz con consideraciones sobre juegos de azar haya llegado a ser el objeto ms importante del conocimiento humano". Comprender y estudiar el azar es indispensable, porque la probabilidad es un soporte necesario para tomar decisiones en cualquier mbito. 1.8. Definicin Clsica de Probabilidad: La probabilidad que se presente un determinado evento o suceso es igual al cociente del nmero de casos favorables a este suceso entre el nmero total de casos posibles. 1.9. Teora De Probabilidades La probabilidad constituye un importante parmetro en la determinacin de las diversas casualidades obtenidas tras una serie de eventos esperados dentro de un rango estadstico. Existen diversas formas como mtodo abstracto, como la teora Dempster-Shafer y la teora de la relatividad numrica, esta ltima con un alto grado de aceptacin si se toma en cuenta que disminuye considerablemente las posibilidades hasta un nivel mnimo ya que somete a todas las antiguas reglas a una simple ley de relatividad.

La probabilidad de un evento se denota con la letra p y se expresa en trminos de una fraccin y no en porcentajes, por lo que el valor de p cae entre 0 y 1. Por otra parte, la probabilidad de que un evento "no ocurra" equivale a 1 menos el valor de p y se denota con la letra q:

Los tres mtodos para calcular las probabilidades son la regla de la adicin, la regla de la multiplicacin y la distribucin binomial. 1.10. Reglas De Las Probabilidades: 2.1.1. Probabilidad De Dos O Ms Eventos:

Eventos Mutuamente Excluyentes Eventos Parcialmente Excluyentes Eventos Independientes Eventos Dependientes

2.1.1.1.

Eventos Mutuamente Excluyentes

Son tambin llamados Eventos Disjuntos. Dos o ms eventos son considerados mutuamente excluyentes si estos no pueden ocurrir simultneamente (al mismo tiempo), es decir, la ocurrencia de cualquiera de ellos excluye la ocurrencia de los otros. Frmula: P (A U B) = P(A) + P(B) = Regla de Adicin o Suma de las Probabilidades

2.1.1.2.

Eventos Parcialmente Excluyentes

Cuando la ocurrencia de uno se traslapa parcialmente con la ocurrencia del otro. Frmula:

P (A U B) = P(A) + P(B) - P (A B) Siendo P (A B) elementos comunes entre los conjuntos A y B. 2.1.1.3. Eventos Independientes

Dos o ms eventos se consideran independientes si los eventos en ningn momento se afectan el uno al otro, es decir, la ocurrencia de uno no afecta sobre la ocurrencia del otro. Frmula: P(A y B) = P(A) X P(B) = Regla de la Multiplicacin ** Se reemplazan, se devuelven (Texto clave en el problema) 2.1.1.4. Eventos Dependientes

Son eventos dependientes cuando la ocurrencia de uno depende de la ocurrencia del otro. Frmula: P(A y B) = P(A) X P(B/A) P(B/A) = Probabilidad de B dado que ya ocurri A ** Sin reemplazo, no se devuelven (texto clave en el problema) Ejemplo Compras Hombre Mujer Total

De Q.

0.01 a Q. 100.00

160 120 35 315

100 145 12 257

260 265 47 572

De Q. 100.01 a Q. 500.00 De Q. 500.01 a Q. 5000.00 Total

Si se selecciona una compra se quiere saber la siguiente probabilidad: Que sea de mujer y de Q. 0.01 a Q. 100.00 A: compra de mujer B: compra de Q. 0.01 a Q. 100.00 P(A y B) = 100 / 572 = 0.1748 Que sea de Q. 100.01 a Q. 500.00 P(A) = 265/572 = 0.4633 Que sea de hombre P(A) = 315/572 = 0.5507 Que sea de mujer o de Q. 500.01 a Q. 5000.00 A: compra de mujer B: compra de Q. 500.01 a Q. 5000.00 P(A o B) = P(A U B) = P(A) + P(B) P(AB) P(A o B) = 257/572 + 47/572 12/572 = 292/572 P(A o B) = 0.5105 Que sea de hombre de Q. 100.01 a Q. 500.00

A: compra de hombre B: compra de Q. 100.01 a Q. 500.00 P(A o B) = P(A U B) = P(A) + P(B) P(AB) P(A o B) = 315/572 + 265/572 120/572 = 460/572 P(A o B) = 0.8042 Ejemplo En una caja fuerte de una firma de contabilidad, se tienen 16 comprobantes de depsitos monetarios, de los cuales 5 corresponden al Almacn Cielito Lindo, 7 al Almacn Buen Hogar y el resto al Almacn La Estrella. Si se extraen 3 comprobantes sin reemplazo, (no se devuelven) probabilidades: a. Que el tercero sea del Almacn Buen Hogar, si los dos primeros tambin lo fueron. b. Que los tres sean del Almacn Buen Hogar. c. Que sea uno de cada almacn. Se extrae un comprobante y luego se reemplaza, otra extraccin se realiza despus del reemplazo, hallar la probabilidad: a. Que ambas extracciones sean del Almacn La Estrella. hallar las siguientes

b. Que el tercero sea del Almacn Buen Hogar, si los dos primeros tambin lo fueron. 7 16 6 15 solo usar el 3r ter = 5 14 = 0.3571 * 100 = R // 35.71 %

b) Que los tres sean del Almacn Buen Hogar 7 16 * 6 15 * 5 14 = 0.0625 * 100 = R // 6.25 %

c) Que sea uno de cada almacn = 5 16 * 7 15 * 4 14 = 0.041666 * 100 = R // 4.17 %

Se extrae un comprobante y luego se reemplaza, otra extraccin se realiza despus del reemplazo, hallar la probabilidad: Que ambas extracciones sean del Almacn La Estrella. 4 16 1.11. * 4 16 = 0.0625 * 100 = R // 6.25 %

Regla de la Adicin La regla de la adicin o regla de la suma establece que la probabilidad de ocurrencia de cualquier evento en particular es igual a la suma de las probabilidades individuales, si es que los eventos son mutuamente excluyentes, es decir, que dos no pueden ocurrir al mismo tiempo. P(A o B) = P(A) U P(B) = P(A) + P(B) si A y B son mutuamente excluyente. P(A o B) = P(A) + P(B) P(A y B) si A y B son no excluyentes. Siendo: P(A) = probabilidad de ocurrencia del evento A. P(B) = probabilidad de ocurrencia del evento B. P(A y B) = probabilidad de ocurrencia simultanea de los eventos A y B.

1.12.

Reglas de Multiplicacin Se relacionan con la determinacin de la ocurrencia de conjunta de dos o ms eventos. Es decir la interseccin entre los conjuntos de los posibles valores de A y los valores de B, esto quiere decir que la probabilidad de que ocurran conjuntamente los eventos A y B es:

P(A y B) = P(A B) = P(A)P(B) si A y B son independientes P(A y B) = P(A B) = P(A)P(B|A) si A y B son dependientes P(A y B) = P(A B) = P(B)P(A|B) si A y B son dependientes

1.13.

Distribuciones De Probabilidades La Distribucin de probabilidades es un listado de las probabilidades de todos los posibles resultados que podran obtenerse si el experimento se llevara a cabo. 2.1.2. Distribucin de Probabilidad Normal

Es una distribucin de probabilidad continua que es tanto simtrica como mesocurtica. La curva que representa la distribucin de probabilidad normal se describe generalmente como en forma de campana. Esta distribucin es importante en inferencia estadstica por tres razones diferentes:
1. Se sabe que las medidas producidas en muchos procesos aleatorios siguen

esta distribucin. 2. Las probabilidades normales pueden utilizarse generalmente para aproximar otras distribuciones de probabilidad, tales como las distribuciones binomial y de Poisson. 3. Las distribuciones estadsticas tales como la media de la muestra y la proporcin de la muestra, siguen a menudo la distribucin normal, sin tener en cuenta la distribucin de la poblacin Los valores de los parmetros de la distribucin de probabilidad normal son = 0 y = 1. Cualquier conjunto de valores X normalmente distribuido pueden convertirse en valores normales estndar z por medio de la frmula:

Haciendo posible el uso de la tabla de proporciones de rea y hace innecesario el uso de la ecuacin de la funcin de densidad de cualquier distribucin normal dada.

Para aproximar las distribuciones discretas binomial y de Poisson se debe hacer: Binomial = np = np(1-p) Si n > 30 .np > 5 n(1-p) > 5 Poisson = = > 10

Llamada tambin Distribucin de Gauss. Tiene algunas propiedades que la hacen aplicable a un gran nmero de situaciones en las que es necesario hacer inferencias mediante la toma de muestras. Casi se ajusta a las distribuciones reales de frecuencias observada en muchos fenmenos. varias razones: Puede coincidir muy de cerca con las distribuciones de frecuencias observadas y de muchas mediciones naturales y fsicas. Se puede utilizar para aproximar probabilidades binomiales cuando "n" es muy grande. Ocupa un lugar importante tanto en la estadstica terica como en la estadstica aplicada por

 Lo que la hace ms importante es que las distribuciones de medias muestrales y proporciones de grandes muestras tienden a distribuirse normalmente por lo que tiene importantes repercusiones en el muestreo.

2.1.2.1.

Caractersticas

La curva normal es simtrica por lo tanto el coeficiente de sesgo es igual a cero. (b1=0) Muestra pocos valores en los extremos. El promedio, la mediana y la moda tienen el mismo valor, tiene un solo pico y es unimodal. Los puntos de inflexin estn a X+S y X-S (Media, mas, menos desviacin estndar). La curva normal es "asntota" al eje de las abcisas (eje de x). Significa que sus extremos nunca tocan eje de las equis (x) La sumatoria del rea bajo la curva normal es igual a uno o al 100%. El coeficiente de Kurtosis es igual a tres. (b2=3) El valor tpico de "Z" es positivo cuando corresponde a un valor mayor que la media y negativo cuando corresponde a un valor menor. El valor "Z" para equis(x) igual a la media siempre ser igual a cero (O). Una desviacin S=68.26%). Dos desviaciones estndar cubre el 95.46% de los casos 2S=95.46%). Tres desviaciones estndar cubre el 99.72% de los casos. (X+3S=99.72%). La media aritmtica mas o menos una desviacin media cubre el 58% de los datos (X+-DM= 58%). (X+estndar cubre un 68.26% de los casos (X+,-

2.1.3.

Distribucin De Probabilidad Exponencial

Si en el contexto de un proceso de Poisson ocurren eventos o xitos en un espectro continuo de tiempo y espacio. Entonces la longitud del espacio o tiempo entre eventos sucesivos sigue una distribucin de probabilidad exponencial. Puesto que el tiempo y el espacio son un espectro continuo, esta es una distribucin continua. En caso de este tipo de distribucin no vale la pena preguntarse cul es la probabilidad de que el primer pedido de servicio se haga exactamente de aqu a un minuto? Ms bien debemos asignar un intervalo dentro del cual el evento puede ocurrir, preguntndonos, cul es la probabilidad de que el primer pedido se produzca en el prximo minuto? Dado que el proceso de Poisson es estacionario, la distribucin exponencial se aplica ya sea cuando estamos interesados en el tiempo (o espacio) hasta el primer evento, el tiempo entre dos eventos sucesivos, o el tiempo hasta que ocurra el primer evento despus de cualquier punto aleatoriamente seleccionado.

Donde es la cifra media de ocurrencias para el intervalo de inters, la probabilidad exponencial de que el primer evento ocurra dentro del intervalo designado de tiempo o espacio es. P(T < t) = 1 - e - De manera que la probabilidad exponencial de que el primer evento no ocurra dentro del intervalo designado de tiempo o espacio es: P(T > t) = e - Ejemplo:

Un departamento de mantenimiento recibe un promedio de 5 llamadas por hora. Comenzando en un momento aleatoriamente seleccionado, la probabilidad de que una llamada llegue dentro de media hora es: Promedio 5 por hora, como el intervalo es media hora tenemos que = 2,5/media hora. P (T < 30 min.) = 1- e -5 = 1 - 0,08208 = 0,91792 2.1.4. Discretas y Continuas.

Las Discretas tienen un nmero limitado de valores, mientras que en las Continuas la variable que se est considerando puede tomar cualquier valor dentro de un intervalo dado. 2.1.5. Distribucin Binomial

La probabilidad de ocurrencia de una combinacin especfica de eventos independientes y mutuamente excluyentes se determina con la distribucin binomial, que es aquella donde hay solo dos posibilidades, tales como masculino/femenino o si/no. 1. Hay dos resultados posibles mutuamente excluyentes en cada ensayo u observacin. 2. La serie de ensayos u observaciones constituyen eventos independientes. 3. La probabilidad de xito permanece constante de ensayo a ensayo, es decir el proceso es estacionario. Para aplicar esta distribucin al clculo de la probabilidad de obtener un nmero dado de xitos en una serie de experimentos en un proceso de Bermnoulli, se requieren tres valores: el nmero designado de xitos (m), el nmero de ensayos y observaciones (n); y la probabilidad de xito en cada ensayo (p).

Entonces la probabilidad de que ocurran m xitos en un experimento de n ensayos es:

P (x = m) = (nCm)(Pm)(1P)nm

Siendo: nCm el nmero total de combinaciones posibles de m elementos en un conjunto de n elementos.

En otras palabras P(x = m) = [n!/(m!(nm)!)](p m)(1p)nm Ejemplo. La probabilidad de que un alumno apruebe la asignatura Clculo de Probabilidades es de 0,15. Si en un semestre intensivo se inscriben 15 alumnos Cul es la probabilidad de que aprueben 10 de ellos?

P(x = 10) = 15C10(0,15)10(0,85)5 = 10!/(10!(1510)!)(0,15)10(0,85)5 = 7,68 * 106 Generalmente existe un inters en la probabilidad acumulada de "m o ms " xitos o "m o menos" xitos en n ensayos. En tal caso debemos tomar en cuenta que: P(x < m) = P(x = 0) + P(x = 1) + P(x = 2) + P(x = 3) +....+ P(x = m 1) P(x > m) = P(x = m+ 1) + P(x = m+ 2) + P(x = m+3) +....+ P(x = n) P(x m) = P(x = 0) + P(x = 1) + P(x = 2) + P(x = 3) +....+ P(x = m) P(x m) = P(x = m) + P(x = m+1) + P(x = m+2) +....+ P(x = n)

Supongamos que del ejemplo anterior se desea saber la probabilidad de que aprueben: al menos 5

ms de 12 la probabilidad de que aprueben al menos 5 es:

SOLUCION UNO: P(x 5) es decir, que: P(x < 5) = 1 - [P(x = 0)+P(x = 1)+P(x = 2)+P(x = 3)+P(x = 4)] = - [0,0874 + 0,2312 + 0,2856 + 0,2184 + 0,1156] = 0,0618

Nota: Al menos, a lo menos y por lo menos son locuciones adverbiales sinnimas. Ejemplo: La entrada al cine por lo menos tendr un costo de 10 soles (como mnimo podra costar 10 soles o ms). SOLUCION DOS: La probabilidad de que aprueben mas de 12 es P(x > 12) es decir, que: P(x > 12) = P(x = 13)+P(x = 14)+P(x = 15) P(x > 12) = 1,47 *109 +3,722 *1011 +4,38 *1013 = 1,507 *109

La esperanza matemtica en una distribucin binomial puede expresarse como: E(x) = np = 15(0,15)=2,25

Y la varianza del nmero esperado de xitos se puede calcular directamente: Var(x) = np(1p)= 15(0,15)(1-0,15)=1,9125 Estadsticas y probabilidades, con sus diferentes diagramaciones como: diagrama De barras. Diagrama de lnea. y diagrama de crculos que se aplican de acuerdo a el tipo de estadsticas y probabilidades matemticas.

2.1.5.1. Caractersticas del Binomio: El nmero de elementos del desarrollo del binomio es n+1 En el primer trmino p aparece con un exponente igual al exponente del binomio y luego disminuye de uno en uno. En el segundo trmino el exponente de q es uno y luego aumenta de uno en uno hasta tener un exponente igual al del binomio. Los coeficientes de los trminos son simtricos. La suma de los exponentes de cada trmino es siempre igual a n.

2.1.5.2. Aplicacin de la Distribucin Binomial: Cuando los resultados obtenidos pueden clasificarse en 2 categoras (dicotoma). Ejemplo. Cursos aprobados y reprobados, artculos defectuosos y en buen estado, trabajadores eficientes y deficientes, mquinas productivas e improductivas. Cada intento tiene solamente 2 resultados posibles (xito o fracaso). La probabilidad del resultado de cualquier intento permanece fijo con respecto al tiempo.

Los eventos son estadsticamente independientes, es decir, el resultado de un evento no altera a otro. Cuando la probabilidad de fracaso (q) es igual a 1-p y p+q es igual a u EJEMPLO:

Una empresa tiene inversiones en ttulos privados, estos estn clasificados de acuerdo al plazo de vencimiento y casa de bolsa de valores, la informacin es la siguiente:

Plazos (meses) 1a3 4a6 7 a 12 13-15

Global 14 35 30 20

Corporacin Burstil 27 15 10 8

Capital e Inversiones 7 5 22 12

Se pide calcular las siguientes probabilidades: a) b) c) d) e) A) 46 205 B) 55 205 C) Seleccionar un ttulo con vencimiento de 1 a 3, o de 7 a 12 meses Seleccionar un ttulo con vencimiento de 4 a 6 meses = 0.268292682 * 100 = R // 26.83 % Seleccionar un ttulo de Capital e Inversiones Seleccionar un ttulo con vencimiento de 4 a 6 meses Seleccionar un ttulo con vencimiento de 1 a 3, o de 7 a 12 Seleccionar un ttulo con vencimiento de 16 meses Seleccionar un ttulo de Corporacin Burstil con vencimiento de 4 a 6 Seleccionar un ttulo de Capital e Inversiones = 0.224390243 * 100 = R // 22.44 % meses

meses.

110 205 D)

= 0.536585365 * 100

= R // 53.66 %

Seleccionar un ttulo con vencimiento de 16 meses} No hay de 16 meses por lo tanto valor nulo R// P(a) =

E)

Seleccionar un ttulo de Corporacin Burstil con vencimiento de 4 a 6

meses. 15 205 1.14. Teorema De Bayes Es un mtodo estadstico poderoso para evaluar nueva informacin y revisar anteriores estimaciones, basada slo en informacin limitada. Es la obtencin de probabilidades posteriores con informacin limitada. 1.15. Estadgrafos De La Distribucin De Probabilidades Binomial = 0.073170731 * 100 = R // 7.32 %

PROMEDIO ARITMETICO:

X = n.p

VARIANZA:

S2 = n.p.q

DESVIACION ESTANDAR:

S = n.p.q

COEFICIENTE DE VARIACION: C.V. = S X

x 100

COEFICIENTE DE SESGO:

b1 =

qp S

COEFICIENTE DE KURTOSIS: b3 = 3 + 1 6pq S

1.16.

Manejo De La Tabla De reas:

2.1.6.

reas Bajo la Curva Normal

La tabla proporciona valores acumulativos a la derecha de la media de la poblacin. Est diseada en funcin de la variable "Z" o variable estandarizada ("Z"= desviaciones respecto a la media). Z = x-X S Dnde: x = un valor cualquiera. X = media de la poblacin S = desviacin estndar. Las columnas muestran el centsimo de "Z". 2.1.7. Cuando Se Conoce El rea Y Se Desconoce El Valor De "Z":

La media aritmtica de las ventas de 600 almacenes es de Q150.00 (miles de Q.) y la desviacin estndar es de Q16.00 (Miles de Q.) Si se sabe que las ventas se "distribuyen normalmente" se pide: 1.) Calcular la probabilidad de que un almacn tenga ventas entre Q150.00 y Q160.00 y que cantidad de almacenes representa? Datos: X = 150.00 ** No aplicar lmite real por ser el origen S = 16 x = 160.5 Z=? Aplicar lmite real

Z = x -X = S

160.5-150 = 16

Z = 0.66

luego buscar rea 0.66 en tabla II = 0.2454 = 24.54% R/ La probabilidad que un almacn tenga ventas entre Q150.00 y Q160.00 es de 24.54%. Para calcular el nmero de almacenes 600 x 0.2454 = 147.24 R/ Equivale a 147 almacenes. 2.) Calcular la probabilidad de que un almacn tenga ventas entre Q163.00 y

Q170.00 a) Datos Z= ? x = 162.5 X = 150 S = 16 z = 162.50-150 = 0.78 buscar en tabla II 16 = 0.2823 b) Datos Z=? x = 170.5 X = 150 S = 16 16

Z = 170.5 - 150 = 1.28 en Tabla II = 0.3997 c) Por diferencia: = = 0.2823 0.3997 0.1174 = **La probabilidad no puede ser negativa. 11.74% rea de Q163.00 rea de Q170.00

R / La probabilidad de encontrar un almacn con ventas entre Q163.00 y Q170.00 es de 11.74%. 3.) Datos Z = ? x = 135.50 X = 150.00 S = 16 0.3186 Calcular la probabilidad de que un almacn venda mas de Q135.00

Z=135.5-150=-0.91Areas/tablaII = 16

Tomar en cuenta la otra mitad de la curva 0.5000 (+) 0.3186= 0.8136 = 81.36%

R/ La probabilidad de que un almacn venda mas de Q135.00 es de 81.36 % 4.) Cual es la probabilidad de que un almacn tenga ventas entre Q121.00 y Q165.00. a)Datos X = 150 x = 120.50 S = 16 Z=? Z = 120.50 - 150=1.84375= -1.84Area = 0.4671 16 b) Datos X = 150.00 x = 165.50 S= 16 Z=?

Z = 165.5 - 150 =0.96875 = 0.97 16

Area

= 0.3340

Luego sumamos ambas respuestas. 0.4671 + 0.3340 0.8011 = 80.11% R/

Cuando Se Ignora "Z" Y Se Conoce El rea 1.) Con la informacin del problema anterior, encuentre las ventas arriba de las cuales se encuentran el 40% de los almacenes. Datos x=? S = 16 X = 150

De la formula original: z= x -X S a) Buscar tabla II un valor aproximado al 10% = 0.0987= 0.10= Z= 0.25 b) Aplicar nueva frmula: x = 0.25 (16) +150 = x = 154 R/ Verificacin Z=x-X S = 154-150 = 0.25 = rea = 0.0987 16 = 0.10 Se obtiene la siguiente: x = ZS + X

2.) Encontrar las ventas que limitan el 60% central de los casos. x = ZS + X

x = -0.84 (16) + 150

x = 136.56

x=

0.84 (16) + 150

x = 163.44

R/ El 60% central de las ventas estarn comprendidas entre Q 136.56 y Q163.44 1.17. Calculo De Ordenadas

La altura de la ordenada que corresponde al valor de equis (x) igual a la media le corresponde la ordenada mxima o la ordenada en el origen. Formula: Yx = N DONDE: Y (x) = Altura de cualquier punto N = Nmero de elementos C = Intervalos y distancia entre ordenadas 2.5 = Constante YO = Ordenadas mximas u ordenada en el origen Ejemplo: Los precios de 400 artculos manufacturados por la empresa El Manantial, estn distribuidos normalmente, se estableci un precio promedio de Q 160.00, varianza de Q 36.00 (como nos dan varianza hay que sacarle raz cuadrada para obtener S) y un intervalo constante de Q 4.50. Calcular lo siguiente: a) El nmero de artculos para un precio de Q 145.00 C S(2.50)

Z=x - X=145-160 = -2.5 ver Tabla I = 0.04394 S 6

Y = 400 X 4.50 = 1800 = 120 artculos 6(2.5) 15

120 x 0.04394 = 5 artculos b) Los precios en donde estn comprendidos el 80% central de los casos. Datos x=? S=6 X = 160 x = ZS + X x = -1.28 (6) + 160 x = 1.28 (6) + 160 x = 152.32 x = 167.68

R/ El 80% central de las ventas estarn comprendidas entre Q 152.32 y Q167.68 c) La probabilidad y el nmero de artculos menores de Q 150.00 Datos X = 160 x = 149.50 S=6 Z=? Z =149.5-160= 1.75 S/tabla II rea = 0.4599 6 0.5000 - 0.4599 = 0.0401 = 4.01%

400 x 0.0401 = 16 artculos d) La probabilidad de precios entre Q 150.00 y Q 170.00 a) Datos X = 160 x = 149.50 S=6 Z=?

Z = 149.50 - 160 = -1.75 = 6 b) Datos X = 160.00 x = 170.50 S= 6 Z=? Z = 170.5 - 160 = = 1.75 6

Prob. = 0.4599

Prob. = 0.4599

Luego sumamos ambas respuestas. 0.4599 + 0.4599 0.9198 = Datos Z=? x = 170.50 X = 160.00 S=6 0.4599 91.98 % R/

La probabilidad que sean mayores de Q 170.00

Z = 170.5 - 160 = 1.75 Area s/tabla II = 6

Tomar en cuenta la otra mitad de la curva = 0.5000 (-) 0.4599 = 0.0401 = 4.01% R/ La probabilidad de que un almacn venda mas de Q170.00 es de 4.01 % El peso y la estatura cms. pide: Determinar la varianza normalmente. de cada distribucin suponiendo que se distribuyen media de un grupo de alumnos es de 145 libras y 182 0.73 respectivamente. Se Cuando los valores de los pesos y las estaturas son de 128 y 190

respectivamente, los valores de Z son - 1.25 y

Z = x-X S PESO: S

ZS = x - X =

S=

x-X Z

= 128 - 145 - 1.25 (13.60)2 =

13.60 S2 = 184.96

S =

ESTATURA: S = S = 190 - 182 0.73 ( 10.96)2 S2 = 120.10 = 10.96

EJEMPLO: Si se sabe que los precios de 2 productos son Q 70 y Q 65.00 y sus respectivos valores de Z =0.60 y 0.40. Suponiendo que se distribuyen normalmente,

determinar la Media aritmtica y la desviacin estndar de los precios. x = ZS + X CALCULO DE LA MEDIA 70 = 0.60S + X 65 = -0.40S + X (por 1.50) 70.00 = 0.60S + 167.50= X = 67 X 2.5X

97.50 = -0.60S + 1.5X

Calculo De La Desviacin Estndar 70 = 0.60S + X 70 = 0.60S + 67 70 67 = 0.60S S=5 EJEMPLO: Un grupo de estudiantes tiene un promedio de notas de 65 puntos en la clase de auditora y el 60% de ellos no pasa de un punteo de 70. Encontrar: a) x = 70 z = 0.10 = 0.25 Z = (x-X) S o bien S= xX Z S = 70-65 = 0.25 b) Entre qu calificaciones se encuentra el 60% central de los estudiantes. Z = 0.84 y - 0.84 48.20 81.80 S = 20 La Desviacin Estndar

X = 65

0.60/2 = 0.30 = x = x = 1.18. ZS + X

x = -0.84 (20) +65 = 0.84 (20) +65 =

Geometra Al Azar

La mayor parte de los autores que han dedicado sus esfuerzos y desvelos al complejo estudio del Clculo de Probabilidades, sealan como fecha clave de su creacin la segunda mitad del siglo XVII, cuando Pascal y Fermat tratan de resolver ciertos problemas relativos a los juegos de azar planteados por el Caballero de Mre, clebre jugador de la corte francesa de aquel entonces, a Pascal. La correspondencia mantenida por Pascal y Fermat se ocup fundamentalmente del llamado problema de la divisin de las apuestas, que consista bsicamente en establecer una regla fija que permitiera dividir entre los jugadores el montante de las apuestas de un juego cuando este, por la razn que fuere, se interrumpe y no puede ser concluido. La importancia de esta correspondencia no radica en obtener la solucin correcta sino en la construccin de criterios analticos sistemticos que permitan medir con validez universal el concepto de probabilidad.

CAPITULO III

Dos aplicaciones principales de la teora de la probabilidad en el da a da son en el anlisis de riesgo y en el comercio de los mercados de materias primas. Los gobiernos normalmente aplican mtodos probabilsticos en regulacin ambiental donde se les llama "anlisis de vas de dispersin", y a menudo miden el bienestar usando mtodos que son estocsticos por naturaleza, y escogen qu proyectos emprender basndose en anlisis estadsticos de su probable efecto en la poblacin como un conjunto. No es correcto decir que la estadstica est incluida en el propio modelado, ya que tpicamente los anlisis de riesgo son para una nica vez y por lo tanto requieren ms modelos de probabilidad fundamentales,

por ej. "la probabilidad de otro 11-S". Una ley de nmeros pequeos tiende a aplicarse a todas aquellas elecciones y percepciones del efecto de estas elecciones, lo que hace de las medidas probabilsticas un tema poltico. Un buen ejemplo es el efecto de la probabilidad percibida de cualquier conflicto generalizado sobre los precios del petrleo en Oriente Medio - que producen un efecto domin en la economa en conjunto. Un clculo por un mercado de materias primas en que la guerra es ms probable en contra de menos probable probablemente enva los precios hacia arriba o hacia abajo e indica a otros comerciantes esa opinin. Por consiguiente, las probabilidades no se calculan independientemente y tampoco son necesariamente muy racionales. La teora de las finanzas conductuales surgi para describir el efecto de este pensamiento de grupo en el precio, en la poltica, y en la paz y en los conflictos. Se puede decir razonablemente que el descubrimiento de mtodos rigurosos para calcular y combinar los clculos de probabilidad ha tenido un profundo efecto en la sociedad moderna. Por consiguiente, puede ser de alguna importancia para la mayora de los ciudadanos entender cmo se calculan los pronsticos y las probabilidades, y cmo contribuyen a la reputacin y a las decisiones, especialmente en una democracia. Otra aplicacin significativa de la teora de la probabilidad en el da a da es en la fiabilidad. Muchos bienes de consumo, como los automviles y la electrnica de consumo, utilizan la teora de la fiabilidad en el diseo del producto para reducir la probabilidad de avera. La probabilidad de avera tambin est estrechamente relacionada con la garanta del producto. Se puede decir que no existe una cosa llamada probabilidad. Tambin se puede decir que la probabilidad es la medida de nuestro grado de incertidumbre, o esto es, el grado de nuestra ignorancia dada una situacin. Por consiguiente, puede haber una probabilidad de 1 entre 52 de que la primera carta en un baraja sea la J de diamantes. Sin embargo, si uno mira la primera carta y la reemplaza, entonces la probabilidad es o bien 100% 0%, y la eleccin correcta puede ser hecha con

precisin por el que ve la carta. La fsica moderna proporciona ejemplos importantes de situaciones determinsticas donde slo la descripcin probabilstica es factible debido a informacin incompleta y la complejidad de un sistema as como ejemplos de fenmenos realmente aleatorios. En un universo determinista, basado en los conceptos newtonianos, no hay probabilidad si se conocen todas las condiciones. En el caso de una ruleta, si la fuerza de la mano y el periodo de esta fuerza es conocido, entonces el nmero donde la bola parar ser seguro. Naturalmente, esto tambin supone el conocimiento de la inercia y la friccin de la ruleta, el peso, lisura y redondez de la bola, las variaciones en la velocidad de la mano durante el movimiento y as sucesivamente. Una descripcin probabilstica puede entonces ser ms prctica que la mecnica newtoniana para analizar el modelo de las salidas de lanzamientos repetidos de la ruleta. Los fsicos se encuentran con la misma situacin en la teora cintica de los gases, donde el sistema determinstico en principio, es tan complejo (con el nmero de molculas tpicamente del orden de magnitud de la constante de Avogadro estadstica de sus propiedades es viable. La mecnica cuntica, debido al principio de indeterminacin de Heisenberg, slo puede ser descrita actualmente a travs de distribuciones de probabilidad, lo que le da una gran importancia a las descripciones probabilsticas. Algunos cientficos hablan de la expulsin del paraso. Otros no se conforman con la prdida del determinismo. Albert Einstein coment estupendamente en una carta a Max Born: Jedenfalls bin ich berzeugt, da der Alte nicht wrfelt. (Estoy convencido de que Dios no tira el dado). No obstante hoy en da no existe un medio mejor para describir la fsica cuntica si no es a travs de la teora de la probabilidad. Mucha gente hoy en da confunde el hecho de que la mecnica cuntica se describe a travs de distribuciones de probabilidad con la suposicin de que es por ello un proceso aleatorio, cuando la mecnica cuntica es probabilstica no por el hecho de que siga procesos aleatorios sino por el hecho de no poder determinar con ) que slo la descripcin

precisin sus parmetros fundamentales, lo que imposibilita la creacin de un sistema de ecuaciones determinista. Estos ejemplos son casos claros de la importancia de las probabilidades en nuestro entorno por lo que a continuacin se enumeraran casos prcticos los cuales tendrn su resolucin en el captulo IV. Simbologa Probabilidad de un evento p : Probabilidad de xito q : Probabilidad de fracaso n : Numero de pruebas Probabilidad especifica n : Exponente del binomio x : Exponente de la probabilidad que se busca nCx : Coeficiente del trmino de la probabilidad que se busca X : Media s : Varianza S : Desviacin Estndar CV : Coeficiente de Variacin A : Asimetra C : Curtosis

Distribucin Normal : Numero de desviacin Estndar Ordenada Mxima Ym : Ordenada mxima o Y mxima n : nmero de elementos i : intervalo constante de clase 2 : Constante 3.141592654 : Problema 1
Probabilidad Especfica El 75% de estudiantes aprueba sus cursos si asisten con puntualidad a sus clases, si se eligen 5 estudiantes al azar describir lo siguiente: 1) Que haya exactamente 4 estudiantes que aprueben sus cursos. 2) Al menos 4 estudiantes aprueben sus cursos 3) Pero menos de 5 aprueben sus cursos 4) Que 2 estudiantes aprueben sus cursos

Problema 2 Propiedades de la Distribucin Binomial

Una firma de auditoria est realizando revisin en las empresas el pago de cuotas sobre planillas. Para que cualquier empresa sea visitada por los auditores existe una probabilidad de 3/5. Si se selecciona una muestra de 5 empresas calcular: a) La curtosis

b) La desviacin estndar c) La media aritmtica

CAPITULO IV Resolucin problema 1

Datos Triangulo de Pascal 1 1 2 1 1 3 1 4 6 1 5 10 1 6 15 20 p= 0.75 q= 0.25 n= 5

1 4 1 10 5 15 6 1

(p+q) = p + 5p q+10p q +10p q+ 5p + q

Solucin para x = 5 5! 5! (5-5)! = 1 (0.237305) = 0.237305 Para x = 3

5! 3! (5-3)! = 10 (0.421875) (0.0625) = 0.263672

Respuestas

a) 0.395508*100= 39.5% b) 0.395508+0.237305= 63.28% c) 1- 237305 = 76% d) 8.79%

Resolucin problema 2
Datos: P= 3/5 = 0.6 q= 2/5 = 0.4 n= 5

a) Varianza:

S2 = n * p * q S2 = 5 * 0.6 * 0.4 S2 = 1.2

Curtosis:
C=3+ C=3+ 16(p*q) S2 1 6 ( 0.6 * 0.4 ) 1.2

C = 2.633333333

R. La curtosis es de 2.63

b) Desviacin Estndar:

S=

n * p* q

S=

5 * 0.6 * 0.4

S=

1.2

S = 1.095445115

R. La desviacin estndar es de 1.09

c)

Media Aritmtica

X= n*p

X = 5 * 0.6

X= 3

R. La media aritmtica es de 3