Professional Documents
Culture Documents
2
- 5) =
c)
i = 1
4
(y
i
- 2) = d) (y + 2i) =
i = 1
3
a) (y - 4) =
y = 0
5
(0 - 4) + (1 - 4) + (2 - 4) + (3 - 4) + (4 - 4) + (5 - 4)
= - 4 - 3 - 2 - 1 + 0 + 1 = - 9
como podemos observar, se fue sustituyendo en el lugar de y el valor
consecutivo desde el cero hasta el mximo valor que era el 5. Lo hecho
anteriormente es similar para los incisos b), c) y d).
PROBABILIDAD Y ESTADSTICA
26
b) (y
y = 2
6
2
- 5) = (4 - 5) + (9 - 5) + (16 - 5) + (25 - 5) + (36 - 5)
= - 1 + 4 + 11 + 20 + 31 = 65
c)
i = 1
4
(y
i
- 2) = (y
1
- 2) + (y
2
- 2) + (y
3
- 2) + (y
4
- 2)
= y
1
+ y
2
+ y
3
+ y
4
- 8
d) (y + 2i) =
i = 1
3
[y + 2(1)] + [y + 2(2)] + [y + 2(3)] = 3y + 12
* Si y es la variable de posicin de una sucesin y la
frmula para el elemento tpico es y
2
- 1:
a) Escriba los primeros cuatro elementos de la sucesin.
Los primeros cuatro elementos son:
si y = 1 entonces : (1)
2
- 1 = 0 primer elemento
si y = 2 entonces : (2)
2
- 1 = 3 segundo elemento
si y = 3 entonces : (3)
2
- 1 = 8 tercer elemento
si y = 4 entonces : (4)
2
- 1 = 15 cuarto elemento
b) Use el signo de sumatoria para escribir una expresin para la suma de
los primeros cuatro elementos. La frmula de sumatoria es :
y = 1
4
(y
2
- 1)
c) Encuentre la suma de los primeros cuatro nmeros.
y = 1
4
(y
2
- 1) = [(1)
2
- 1] + [(2)
2
- 1] + [(3)
2
- 1] + [(4)
2
- 1]
= 0 + 3 + 8 + 15 = 26
PROBABILIDAD Y ESTADSTICA
27
* Para estimar la prdida semanal debida a robos, una tienda
de ropas registr el total en nuevos pesos de las prdidas durante un perodo
de 10 semanas. Estas prdidas, redondeadas a la decena ms cercana fueron:
y
1
= 360.00 y
2
= 430.00 y
3
= 210.00 y
4
= 320.00 y
5
= 550.00
y
6
= 170.00 y
7
= 240.00 y
8
= 370.00 y
9
= 280.00 y
10
= 290.00
a) Encuentre
i = 1
10
y
i
= 360 + 430 + 210 + 320 + 550 + 170 + 240 + 370
+ 280 + 290 = 3,220.00
b) Encuentre: i)
i = 2
4
y
i
ii)
i = 2
4
y
i
2
i)
i = 2
4
y
i
= 430.00 + 210.00 + 320.00 = 960.00
ii)
i = 2
4
y
i
2
= (430.00)
2
+ (210.00)
2
+ (320.00)
2
= 331,400.00
* Dados el siguiente conjunto de elementos:
16 19 17 8 11 9 14 8
11 13 19 17 7 6 5 9
16 8 9 13 12 17 16 14
9 16 15 18 6 8 5 7
16 17 13 9 7 5 7 11
elaborar un cuadro estadstico en el podamos observar la frecuencia,
frecuencia acumulada, frecuencia relativa, frecuencia relativa acumulada,
marca de clase, amplitud de clase y lmites reales de clase.
Primero procederemos a ordenar los datos presentados
anteriormente:
5 7 8 9 11 14 16 17
5 7 8 9 12 14 16 17
5 7 8 9 13 15 16 18
6 7 9 11 13 16 17 19
PROBABILIDAD Y ESTADSTICA
28
6 8 9 11 13 16 17 19
como tenemos 40 elementos en la muestra, aplicaremos la frmula de menos
de 50 elementos:
Num. de Clases = 1 + 3.3 log N
Num. de Clases = 1 + 3.3 log (40)
Num. de Clases = 1 + 3.3(1.602)
Num. de Clases = 1 + 5.28 = 6.28
como tenemos 6.28 clases, redondeamos al inmediato inferior, por lo que
utilizaremos 6 clases para la distribucin anterior. Con 6 clases, el intervalo
de clase ser:
Int. de Clase = ( 19 - 5 + 1 ) / 6 = 2.5
como el intervalo de clase es un nmero no entero, utilizaremos 3 como
intervalo de clase, y entonces el nmero de clases ser 5, quedando nuestro
cuadro estadstico de la siguiente manera:
# de C Intervalo
de Clase
Int. Clase
Lim. Real
Frecuencia Frecuencia
relativa
Frecuencia
Acumulada
Frec. Rel.
Acumulada
Marca de
Clase
1 5 - 7 4.5 - 7.5 9 0.225 9 0.225 6
2 8 - 10 7.5 - 10.5 9 0.225 18 0.450 9
3 11 - 13 10.5 - 13.5 7 0.175 25 0.625 12
4 14 - 16 13.5 - 16.5 8 0.200 33 0.825 15
5 17 - 19 16.5 - 19.5 7 0.175 40 1.000 18
Totales 40 1.000
los lmites reales se obtuvieron aplicando la relacin de la pgina 23 vista en
este captulo.
PROBABILIDAD Y ESTADSTICA
29
EJERCICIOS PROPUESTOS
1.- Defina los siguientes conceptos:
a) Frecuencia
b) Frecuencia Relativa
c) Cuadro Estadstico.
d) Amplitud de Clase.
2.- Las calificaciones de 50 alumnos de la materia de Matemticas son:
2 8 5 2 7 2 5 5 5 6
1 6 2 3 6 7 7 6 3 3
4 3 4 8 1 4 5 2 7 5
5 4 4 6 6 3 8 3 7 1
8 8 3 2 3 8 6 2 7 2
Formar un cuadro estadstico con toda la informacin manejada
en este captulo.
3.- Evale las siguientes sumas:
a)
y = 1
3
y
3
b)
x = 1
3
( 1 + 2x + x
2
)
c)
x = 0
3
( x
3
+ 2x )
PROBABILIDAD Y ESTADSTICA
30
INTRODUCCIN
Es natural introducir los mtodos grficos para describir
conjuntos de datos a travs de la consideracin de un conjunto real de datos.
Anteriormente vimos el anlisis de datos por mtodos numricos, mtodos
con los que nosotros podemos leer informacin respecto a promedios,
poblaciones, etc. En los cuadros estadsticos se habl de clases y variables,
ahora podremos representar grficamente esas clases o variables y a ello es lo
que llamaremos mtodos estadsticos grficos. Note que en los extremos de
los subintervalos o clases se han escogido de manera que ningn elemento
coincida con dos subintervalos o clases a la vez, eliminando as cualquier
ambigedad relacionada con la ubicacin de una observacin particular. Justo
con los cuadros estadsticos vistos en el captulo anterior es con los que
deberemos elaborar nuestras grficas estadsticas para el desarrollo de los
mtodos grficos.
REPRESENTACIONES GRFICAS
En muchos casos una representacin grfica de una tabla de
frecuencias da una informacin concisa y clara de una distribucin de
frecuencias. Son cuatro los tipos de representaciones grficas ms usuales,
tambin existen dos tipos de representacin grfica no muy comn y que sin
embargo se deben de conocer; las representaciones grficas son :
1.- Histograma Diagrama de Barras.
2.- Polgono de frecuencias.
3.- Diagrama de Pastel.
4.- Ojiva o Curva de frecuencias.
PROBABILIDAD Y ESTADSTICA
31
Los dos tipos de grficas no muy usuales son:
1.- Curva de Lorenz.
2.- Curva de la distribucin Normal.
HISTOGRAMA DIAGRAMA DE BARRAS
Es aquel en el que se representan los datos mediante un plano
coordenado, en el eje horizontal o de abcisas anotaremos la amplitud de clase
o valor de la variable, mientras que en el eje vertical o de ordenadas se
anota el nmero de elementos o frecuencias de clase; existen dos formas de
presentar un histograma, por ejemplo, utilizando los datos del siguiente
cuadro tendramos:
Int. de Clase
30-39 40-49 50-59 60-69 70-79 80-89 90-99 Total
Frecuencia
4 6 8 12 8 8 4 50
PRIMERA FORMA
PROBABILIDAD Y ESTADSTICA
32
SEGUNDA FORMA
POLGONO DE FRECUENCIAS
Se obtiene relacionando la marca de clase (punto medio de cada
intervalo) con su frecuencia respectiva. Ahora bien, para poder formar el
polgono de frecuencias es necesario tomar una clase antes de la primera clase
y una clase despus de la ltima clase ambas con frecuencia cero, de esta
manera al unir todos los puntos de relacin marca de clase con frecuencia
quedara formado el polgono respectivo. Veamos un polgono de frecuencias
en base al siguiente cuadro estadstico. Las marcas de clase se obtienen como
se menciono en el captulo 2.
Int. de Clase
30-39 40-49 50-59 60-69 70-79 80-89 90-99 Total
Frecuencia
4 6 8 12 8 8 4 50
Marca de Clase
34.5 44.5 54.5 64.5 74.5 84.5 94.5
PROBABILIDAD Y ESTADSTICA
33
DIAGRAMA DE PASTEL
Este diagrama se forma con la distribucin de frecuencias
relativas y se llama as debido a su configuracin, la forma de obtener las
rebanadas que le dan la forma de un pastel es multiplicando la frecuencia
relativa por 360 grados que es el nmero de grados que tiene una
circunferencia, su configuracin es la siguiente:
Extraccin de el estudiante Z. Urbana Z. Suburbana Z. Rural Totales
Frecuencia 240 1400 360 2000
Porcentaje ( % ) 12 70 18 100
PROBABILIDAD Y ESTADSTICA
34
OJIVA O CURVA DE FRECUENCIA ACUMULADA
Esta grfica y distribucin nos sirve para saber o poder
responder preguntas como las siguientes:
a) Cuntos alumnos reciben calificaciones superiores a 60?
b) Cuntos alumnos tienen calificaciones inferiores a 60?
Estas interrogantes en las que se desea conocer la frecuencia por
encima o por debajo de cierto valor de la variable, son preguntas muy visuales
en los distintos campos de la ciencia.
Variable Frecuencia Frec. Acum.
40 0 0
50 3 3
60 1 4
70 2 6
80 3 9
90 1 10
Totales 10
Si hiciramos un histograma de frecuencias obtendramos la
siguiente grfica:
PROBABILIDAD Y ESTADSTICA
35
En base al mismo cuadro estadstico elaboraremos a continuacin
un histograma de frecuencias acumuladas.
Sobre el mismo histograma de frecuencia acumulada podramos
formar la curva u Ojiva, que es otra grfica caracterstica de la Estadstica
Descriptiva, la cual se forma de la siguiente manera:
a).- Se eligirn los ejes coordenados en los cuales se especifica-
rn la clase (o variable) y la frecuencia acumulada.
b).- Si se trabaja con clases, para la formacin de la Ojiva
utilizaremos los limites superiores de clase, mientras que si trabajamos con
variables, utilizaremos el punto donde se localiza la variable.
Tanto el histograma de frecuencia acumulada como la Ojiva son
utilizados en los cuadros estadsticos por clases o variables, veamos la grfica
de una Ojiva.
PROBABILIDAD Y ESTADSTICA
36
Existe una curva ms sobre frecuencia acumulada que toma el
nombre de Curva de Lorenz. La elaboracin de esta curva se realiza de la
misma manera que la Ojiva, slo que la unin entre puntos son lneas rectas,
adems, de que se cierran los cuadros quedando la grfica de la manera
siguiente:
PROBABILIDAD Y ESTADSTICA
37
Est curva no es muy utilizada en el campo de las Ciencias
Sociales, sin embargo, es muy importante dentro de las investigaciones en
Fsica, Matemticas, Fisiologa, Ingeniera, etc.
Las curvas de frecuencias son representaciones graficas de
distribuciones de frecuencias tericas. Ciertas formas de curvas de
frecuencias reciben nombres especficos que guardan correspondencia con
tipos especficos de distribuciones de frecuencias. Existen cuatro tipos de
distribucin correspondientes a estos tipos especficos, que son: La
distribucin Rectangular, La distribucin Normal, La distribucin Asimtrica
y La distribucin Bimodal. En este cuaderno hablaremos de la distribucin
Normal o curva acampanada ya que ser utilizada ms adelante.
DISTRIBUCION NORMAL
Es una distribucin simtrica alrededor de la media, con una
curva de frecuencias en forma acampanada; es la principal distribucin
dentro de la Estadstica Inferencial, ms adelante en el captulo siete esta
distribucin ser tratada con ms detalle, su representacin grfica es:
A continuacin se muestra un conjunto de datos, con los que
vamos a elaborar las graficas estadsticas que se mencionaron: un histograma,
un polgono de frecuencias, un diagrama de pastel y una ojiva.
PROBABILIDAD Y ESTADSTICA
38
30 42 50 73 60 63
38 27 67 83 70 63
52 83 97 49 83 73
30 35 63 59 84 75
84 90 80 95 85 68
Basndonos en que se trata del ejercicio presentado en el captulo
anterior para la formacin de un cuadro estadstico, procederemos a colocar
nuevamente dicho cuadro, el cual queda de la siguiente manera:
Nmero
de
Clase
Intervalo de
Clase
Frecuencia Frecuencia
Acumulada
Frecuencia
Relativa
Frecuencia
Rel. Acum.
Marca de
Clase
1 27 - 35 4 4 4 / 30 4 / 30 31
2 36 - 44 2 6 2 / 30 6 / 30 40
3 45 - 53 3 9 3 / 30 9 / 30 49
4 54 - 62 3 12 3 / 30 12 / 30 58
5 63 - 71 6 18 6 / 30 18 / 30 67
6 72 - 80 4 22 4 / 30 22 / 30 76
7 81 - 89 5 27 5 / 30 27 / 30 85
8 90 - 98 3 30 3 / 30 30 / 30 94
Totales 30 30 / 30
Basndose en el cuadro anterior, se procede a formar las grficas estadsticas.
a) HISTOGRAMA
PROBABILIDAD Y ESTADSTICA
39
b) POLGONO DE FRECUENCIAS
c).- CLCULOS PARA OBTENER EL DIAGRAMA DE PASTEL
Num. de Clase Frecuencia Relativa
Frecuencia Relativa x 360
Grados por Clase
1 0.133 0.133 x 360 48
2 0.067 0.067 x 360 24
3 0.100 0.100 x 360 36
4 0.100 0.100 x 360 36
5 0.200 0.200 x 360 72
6 0.133 0.133 x 360 48
7 0.167 0.167 x 360 60
8 0.100 0.100 x 360 36
PROBABILIDAD Y ESTADSTICA
40
d) O J I V A
frec. 30
26.5 35.5 44.5 53.5 62.5 71.5 80.5 89.5 98.5
Lmites superiores de las clases
EXAMEN DE AUTOEVALUACIN
1.- Explique la elaboracin de las siguientes grficas estadsticas :
a) Histograma.
b) Diagrama de Pastel.
c) Pictograma
d) Polgono de Frecuencias
2.- Las calificaciones de 50 alumnos de la materia de Matemticas son:
2 8 5 2 7 2 5 5 5 6
1 6 2 3 6 7 7 6 3 3
4 3 4 8 1 4 5 2 7 5
5 4 4 6 6 3 8 3 7 1
8 8 3 2 3 8 6 2 7 2
a) Formar un cuadro estadstico.
PROBABILIDAD Y ESTADSTICA
41
b) Construir un Histograma.
c) Construir un Polgono de Frecuencia.
d) Graficar una Ojiva.
e) Construir un Diagrama de Pastel.
3.- Con las siguientes estaturas de los estudiantes de un grupo de la Fac. de
Derecho:
1.87 1.79 1.75 1.90 1.84 1.82 1.77 1.85
1.73 1.98 1.87 1.81 1.79 1.85 1.89 1.90
1.77 1.83 1.91 1.94 1.79 1.80 1.92 1.84
1.76 1.85 1.82 1.91 1.90 1.87 1.86 1.91
1.91 1.89 1.86 1.86 1.97 1.78 1.74 1.76
a) Construir un Cuadro Estadstico.
b) Elaborar las cuatro grficas estadsticas ms usuales.
PROBABILIDAD Y ESTADSTICA
42
LA MEDIA ARITMTICA
Tambin se le conoce como promedio; es la suma de todos los
elementos dividida entre el nmero total de ellos. Matemticamente se
representa de la siguiente manera:
" Sea X una variable; X
1
, X
2
, . . . , X
n
, la poblacin generada
por X, el promedio de la poblacin ser :
Xi
n
i=1
n
=
(1)
Existen dos tipos de medias, la Media Poblacional que se
representa con la letra griega " ", y la Media Muestral que se representa con
una X testada " X ", ambas se obtienen de la misma forma. La Media
Aritmtica es una medida que se utiliza para describir poblaciones, por
ejemplo:
1.- La vida media de una pila es cierto nmero de horas.
2.- La calificacin promedio de los estudiantes de un grupo.
3.- El gasto promedio de gasolina por kilmetro recorrido en un auto.
4.- El salario medio de los empleados de una empresa.
5.- La altura media de los jugadores de un equipo de bsquetbol.
Una caracterstica de la Media Aritmtica que debe tenerse en
cuenta cuando se describe una poblacin es que esta medida es afectada por
los valores extremos de la muestra o poblacin. As por ejemplo: Si se le
pide a un empresario que informe sobre el salario promedio de los
PROBABILIDAD Y ESTADSTICA
43
trabajadores de su empresa, esta informacin se ver totalmente afectada si
en el clculo se incluye su propio salario y el de sus trabajadores de ms alta
jerarqua, ya que elevara el salario promedio, en caso contrario, al calcular el
salario promedio de los ejecutivos, no se incluira el sueldo de los intendentes,
porque esto bajara el salario promedio de estas personas. La Media
Aritmtica es una buena medida descriptiva de una poblacin, si los datos de
sta no se encuentran muy dispersos. Veamos a continuacin algunos
ejemplos.
* Obtenga la media aritmtica o promedio de las calificaciones de
un grupo de 18 alumnos en la materia de Filosofa, las calificaciones de los
alumnos son:
7 9 6 9 4 8 5 8 7
6 9 8 5 7 5 8 4 7
para obtener la media aritmtica de los datos anteriores, debemos aplicar la
frmula (1), tenindose entonces que :
X =
2 4 3 5 2 6 4 7 4 8 3 9
18
122
18
6 77
( ) ( ) ( ) ( ) ( ) ( )
.
+ + + + +
= =
tenindose entonces que el promedio de los alumnos es: X = 6.77
* Si la estatura de 12 jugadores de Bsquet Bol de la
Universidad de Colima son:
1.97 1.92 1.84 1.86 1.88 1.92
1.82 1.85 1.94 1.87 1.80 1.93
cul es la estatura promedio de los 12 jugadores?
PROBABILIDAD Y ESTADSTICA
44
Aplicando la misma frmula (1), tenemos que la media aritmtica o
estatura promedio es:
X =
1.80 +1.82 +1.84 +1.85 +1.86 +1.87 +1.88 +1.92 +1.92 +1.93 +1.94 +1.97
12
X =
22 6
12
.
= 1.88 mts
* Si la produccin mensual de maz en toneladas, durante un ao
en Tlaxcala fue :
12,000 14,280 15,720 13,318 14,420 13,300
12,800 13,618 14,710 15,127 14,360 13,750
cul es la produccin promedio mensual y cul es la produccin anual ?.
Aplicando la frmula (1) tenemos:
X =
12,000 +14,280 +15,720 + + 15,127 +14,360 +13750
12
=
167,403
12
X = 13,950.25 toneladas
para obtener la produccin anual, slo debemos sumar todos datos de
produccin mensual, para lo cual, aplicaremos el concepto de sumatoria visto
en la unidad 2.
Produccin anual =
i = 1
12
x
i
= 12,000 + 14,280 +
* * *
+ 14,360 + 13,750
Produccin anual = 167,403 toneladas
PROBABILIDAD Y ESTADSTICA
45
LA MEDIANA
Es otra medida que se utiliza para describir el valor central de
una poblacin. Para calcular la Mediana se ordenan los datos en forma
ascendente o descendente, si el tamao de la poblacin es impar, la Mediana
es el dato que queda al centro del los datos ordenados; si es par, la Mediana es
el promedio de los dos datos que ocupan el centro de la ordenacin. Se
observa que la Mediana divide en dos partes iguales a los datos de una
muestra o poblacin. La Mediana es una medida que no es afectada por los
valores extremos de la muestra o poblacin. Veamos algunos ejemplos.
* Calcular la mediana de los siguientes datos:
46, 54, 58, 56, 48, 58, 112
Para calcular la Mediana, primero se ordenan los datos en forma ascendente o
descendente, tenindose:
46, 48, 54, 56, 58, 58, 112
Una vez ordenados, se toma el dato al centro de la ordenacin ya
que en este caso tenemos un nmero impar de datos, por lo tanto, la Mediana
es: 56
* En un grupo de 15 alumnos de la Fac. de Medicina, los
alumnos obtuvieron las siguientes calificaciones en Anatoma:
85 92 78 87 96
87 79 90 77 92
87 94 83 78 89
Determine la Mediana.
PROBABILIDAD Y ESTADSTICA
46
Para obtener la Mediana es necesario ordenar los datos,
tenindose entonces que:
77 78 78 79 83 85 87 87 87 89 90 92 92 94 96
La Mediana de los datos o el dato que divide en dos partes iguales a la
muestra es 87 debido a ser el dato que ocupa el centro de la muestra por ser
un nmero impar. A partir de este momento, representaremos a la Mediana de
la siguiente manera:
X
* Determine la Mediana del siguiente conjunto de datos:
12 18 23 16 24 17 18 20
15 9 16 22 18 11 14 19
para obtener la Mediana debemos ordenar los datos en forma ascendente y
escoger el dato que se encuentre en el centro de la coleccin, por lo tanto:
9 11 12 14 15 16 16 17
18 18 18 19 20 22 23 24
como podemos observar en este caso el nmero de datos es par y por lo tanto
la Mediana de esta coleccin de datos ser el media aritmtica de los datos
que ocupan el centro de la coleccin, siendo estos datos los nmeros 17 y 18
tenindose entonces que la Mediana en este ejercicio es :
X=
17 18
2
17 5
+
= . .
PROBABILIDAD Y ESTADSTICA
47
LA MODA
Es otra medida de tendencia central y que se utiliza para describir
el valor tpico de una poblacin. La Moda en una poblacin o muestra es el
valor que se presenta con mayor frecuencia. S en una muestra de 10 casas, se
considera la siguiente distribucin en nmero de hijos, 3, 0, 1, 5, 6, 2, 1, 2, 7,
2, entonces la Moda es el nmero 2, ya que es el elemento que aparece con
mayor frecuencia. La Moda la representaremos de la siguiente manera : M
o
.
Debemos aclarar que pudiera existir una coleccin de datos en la que existan
dos o ms modas, lo cual sucedera cuando existieran dos o ms elementos
que aparecen la misma cantidad de veces y que adems son el que mayor
frecuencia tienen. Veamos algunos ejemplos.
* En un grupo de 15 alumnos de la Fac. de Medicina, los
alumnos obtuvieron las siguientes calificaciones en Anatoma:
85 92 78 87 96
87 79 90 77 92
87 94 83 78 89
Cul es la Moda ?. La Moda es la calificacin que se present con mayor
frecuencia en el grupo, tenindose entonces que: M
o
= 87
* Si la estatura de 12 jugadores de Bsquet Bol de la Universidad
de Colima son:
1.97 1.92 1.84 1.86 1.88 1.92
1.82 1.85 1.94 1.87 1.80 1.93
PROBABILIDAD Y ESTADSTICA
48
cual es la estatura que existe en mayor cantidad en los 12 jugadores? A la
estatura que mayor frecuencia tenga es la que llamaremos la Moda,
tenindose entonces que: M
o
= 1.92
* Obtenga la Moda de la siguiente coleccin de datos:
9 11 12 14 16 16 16 17
18 18 18 19 20 22 23 24
en este ejemplo tenemos que los nmeros que mayor veces aparecen son el 16
y el 18, por lo tanto, en esta coleccin de datos tenemos un ejemplo de
distribucin bimodal ( existen 2 modas en la coleccin ), por lo que las modas
son: M
o
= 16 y 18
COMPARACIN DE LA MEDIA
ARITMETICA, LA MEDIANA Y LA MODA
Hemos visto 3 medidas de tendencia central que describen a una
poblacin, pero, cul debe usarse en una situacin determinada?. La eleccin
de la medida de tendencia central a usarse depende del tipo de variable que
genera la poblacin y de las finalidades del estudio que se est realizando. Un
criterio fuerte para la eleccin de alguna de estas medidas es el de escoger la
que presente ventajas significativas sobre las otras dos, por ejemplo: En el
caso de una fbrica de automviles la empresa deber decidir que marca de
acumuladores usar en sus vehculos, para lo que le puede ser til adems del
costo, comparar la durabilidad de los acumuladores de diversas marcas. En
poblaciones de este tipo, la media, la mediana, y la moda son en la mayor
parte de los casos valores muy parecidos.
PROBABILIDAD Y ESTADSTICA
49
La media slo puede calcularse cuando la variable de inters es
numrica. A pesar de que la media puede ser afectada por valores muy
grandes o muy pequeos respecto al resto de la poblacin, es una medida que
se emplea con mucha frecuencia para orientar la toma de decisiones, porque
su naturaleza numrica facilita el tratamiento estadstico.
La mediana es una medida que slo se puede obtener si la
variable al menos es cardinal, en general, se acude a esta medida cuando no se
puede calcular la media o sta no sea representativa de la poblacin.
La moda es una medida que puede obtenerse para cualquier tipo
de variable. Hay muchas ocasiones en que esta medida presenta ventajas
sobre las otras dos para describir a una poblacin. Por ejemplo: Consideremos
el caso de planear la produccin de un nuevo tipo de chamarras, para el largo
de la manga y la talla, el fabricante considerar las de mayor frecuencia, es
decir, la moda. En este caso, la media o la mediana no le aportan la
informacin requerida. Veamos un ejemplo:
El siguiente conjunto de datos contiene las calificaciones de 50
alumnos de la materia de Economa:
5 2 3 8 4 5 4 7 5 8
6 8 7 7 2 9 1 10 9 6
9 7 10 8 9 9 10 5 9 5
9 10 10 2 8 2 10 2 7 3
3 10 5 10 9 6 1 9 7 6
a) Obtener La Media Aritmtica, La Mediana y La Moda.
X = ( 1 + 1 + 2 + . . . + 10 + 10 + 10 ) / 50
X = 326 / 50 = 6.52
Mediana =
X = 7 ( por ocupar los lugares 25 y 26 en el arreglo )
La Moda = M
o
= 9 ( por ser el que ms se repite aparece )
PROBABILIDAD Y ESTADSTICA
50
b) Mencione cul de las tres medidas de tendencia central es la ms
adecuada y por que?
La ms representativa es la Media Aritmtica, ya que los datos no se
encuentran muy dispersos, adems de que la Mediana y la Moda tienden a
cargarse ms hacia un extremo.
Debemos sealar que las tres medidas de tendencia central
mencionadas anteriormente son las ms comunes, ms no son las nicas.
Existen otras medidas de tendencia central como son la Media Geomtrica, La
Media Armnica, La Media Ponderada, La Media Supuesta, y algunas otras.
Veamos un ejemplo de lo anterior.
* La duracin en horas de una muestra de focos tomados de la
produccin diaria de una fabrica son:
129 145 168 164 165 172 168 179 168 170
159 168 175 164 179 168 180 173 149 159
168 178 177 178 168 172 168 158 154 168
a) Calcular la Media Aritmtica, la Mediana y la Moda.
X =
129 + 145 + + 154 + 168
30
=
4991
30
= 166.36 horas
X = 81,000
La ms significativa es la Mediana, por que es el valor que se
encuentra al centro de la distribucin, mientras que la Moda toma un valor
extremo lo que la hace no muy significativa y a la Media la afecta el valor de
163,000 por estar muy disperso.
* Obtener la Media Geomtrica de los siguientes datos:
12 15 17 13 18 14 18 13 17 15
g = 12 x 15 x 17 x 13 x18 x 14 x 18 x 13 x 17 x 15
10
g = 5 981 655 000 000
10
, , , , = 15.05
MEDIA ARMNICA
La idea de promedio es tan manejable que no es sorprendente que
se hayan inventado diversos tipos de promedio de modo que pueda
representarse con un mnimo de deformacin un campo tan amplio como sea
posible. Podemos escoger nuestro promedio, y tomamos el apropiado para
nuestro propsito. El promedio aritmtico de un conjunto de nmeros es el
ms simple de los promedios medidas de centralizacin.
PROBABILIDAD Y ESTADSTICA
53
Un segundo tipo de promedio importante es la Media Armnica,
que es el recproco de la media aritmtica de los recprocos de los valores que
queremos promediar. La Media Armnica es el promedio adecuado cuando
tratamos con tarifas y precios. Consideremos un ejemplo para explicar este
tipo de promedio.
* Un aeroplano vuela alrededor de un cuadrado cuyo lado tiene
100 Km de largo, tomando el primer lado a 100 Km/h , el segundo lado a 200
Km/h , el tercer lado a 300 Km/h y el cuarto lado a 400 Km/h. Cul es la
velocidad media del aeroplano en su vuelo alrededor del cuadrado?
Si promediamos las velocidades usando la media aritmtica de la
manera usual, tenemos:
4
400 300 200 100
= X
+ + +
= 250 Km/h
pero ste no es el resultado correcto, ya que lo podemos comprobar de la
siguiente manera :
Tiempo para viajar el primer lado 1 hora
Tiempo para viajar el segundo lado 30 minutos
Tiempo para viajar el tercer lado 20 minutos
Tiempo para viajar el cuarto lado 15 minutos
De el desglose anterior tenemos que el tiempo total empleado en
recorrer los 400 kilmetros fue de 2 horas 5 minutos, con este total se
deduce que la velocidad media del aeroplano en recorrer los 400 Km del
cuadrado fue de 192 Km/h.
El promedio aritmtico nos da por lo tanto un resultado
equivocado. Podemos deducir la razn de esto a partir del hecho de que no
PROBABILIDAD Y ESTADSTICA
54
todas las velocidades se mantienen durante el mismo tiempo, slo lo hacen
para la misma distancia.
El promedio correcto para usar en este caso es la Media
Armnica. Para dar la frmula introduciremos la notacin de sumatoria ya
analizada anteriormente, tenindose entonces que:
Media Armnica (H) =
n
1
Xi
i=1
n
1
2
1
4
1
6
2
3 2
12
2
5
12
24
5
4
4
5
1
por lo tanto el rendimiento representativo de los dos tractores es de 4
4
5
das.
Para determinar en cuntos das los tractores pueden arar el
campo si trabajan conjuntamente tenemos que su rendimiento representativo
es de 4
4
5
das, por lo que al trabajar conjuntamente resulta:
4
4
5
2
24
5
2
24
10
2
2
5
= = =
por lo tanto para arar el campo si los dos tractores trabajan conjuntamente, se
requiere 2
2
5
das.
Comprobacin: Los dos tractores pueden arar en un da
1
4
1
6
5
12
+ = del campo; en arar todo el campo tardarn : por dos das de arado
conjuntamente habrn arado
10
12
del campo, pero como araron juntos
2
5
de un
da ms, eso es en proporcin del campo lo siguiente :
2
5
de un da por
5
12
de
PROBABILIDAD Y ESTADSTICA
56
campo arado conjuntamente en un da da
2
12
de campo, que es el complemento
de
10
12
del campo, entonces, en arar todo el campo tardarn 2
2
5
das.
* En una ruta ferroviaria la velocidad a la que se desplaza un tren
es: los primeros 90 Km. a 70 Km/h, en el segundo tramo de 70 Km. a 100
Km/h; determinar la velocidad promedio para todo el recorrido.
Dado que las distancias de los tramos no son iguales, se debe
utilizar una ecuacin representativa que denominamos media armnica
ponderada para las velocidades donde los pesos son las distancias
respectivas, es decir:
1 1
H N
f
X
= en donde N = f , o tambin puede ser
N
H
f
X
= sustituyendo los datos de velocidad y distancia, resulta:
d + d + d + . . . + d
v
d
v
d
v
d
v
. . . +
d
v
1 2 3 N 1
1
2
2
3
3
N
N
= + + +
sustituyendo los datos en la ecuacin de la media armnica ponderada para la
velocidad media, resulta:
9 0 7 0
1 6 0
1 9 8 5 7
+
+
=
v
=
9 0
7 0
7 0
1 0 0
v
= 1 . 2 8 5 7 + 0 . 7
1 6 0
v
v = 8 0 . 5 7
.
por lo tanto la velocidad promedio para todo el recorrido es 80.57 Km/h.
Comprobacin: Determinamos primeramente el tiempo
requerido para recorrer el primer tramo:
PROBABILIDAD Y ESTADSTICA
57
TIEMPO ( t ) =
DISTANCIA ( d )
VELOCIDAD ( v )
=
90 Km
70 Km / h
horas
El tiempo requerido para recorrer el segundo tramo es:
( t ) =
d
v
Km
100 Km / h
horas.
La velocidad media para todo el recorrido es:
VELOCIDAD MEDIA =
DISTANCIA TOTAL
TIEMPO TOTAL
90 Km + 70 Km
1.2857 h + 0.7 h
Km
1.9857 h
VELOCIDAD MEDIA = 80.57 Km / h
=
= =
= =
12857
70
0 7
160
.
.
MEDIA ARMONICA PARA DATOS AGRUPADOS
Si consideramos los elementos ( X
1
, X
2
, X
3
, . . . , X
N
) que se
presentan con frecuencias ( f
1
, f
2
, f
3
, . . . , f
N
) en donde ( f
1
+ f
2
+ f
3
+ . . . +
f
N
= N ) representa la frecuencia total; la ecuacin de la Media Armnica para
datos agrupados se expresa por:
H =
f
f
X
N
f
X
=
donde: H = Media Armnica
N = f = Nmero total de frecuencias
X
N
= Marcas de clases de datos agrupados.
f
N
= Frecuencias de clase.
* La siguiente tabla de distribuciones de frecuencias registra las
longitudes en centmetros que en una semana tienen 100 plantas de frijol; con
esta informacin obtener la Media Armnica.
PROBABILIDAD Y ESTADSTICA
58
INTERVALOS
( LONGITUDES )
FRECUENCIAS ( f )
( No. DE PLANTAS )
5.4 - 5.7 7
5.8 - 6.1 16
6.2 - 6.5 21
6.6 - 6.9 29
7.0 - 7.3 18
7.4 - 7.7 9
100
SOLUCION: Para determinar la Media Armnica es necesario construir la
siguiente tabla de distribuciones:
INTERVALOS
( LONGITUDES )
MARCA DE
CLASE ( X)
FRECUENCIAS ( f )
(No. DE PLANTAS)
f
X
5.4 - 5.7 5.55 7 1.261261
5.8 - 6.1 5.95 16 2.689075
6.2 - 6.5 6.35 21 3.307086
6.6 - 6.9 6.75 29 4.296296
7.0 - 7.3 7.15 18 2.517482
7.4 - 7.7 7.55 9 1.192052
N = 100 = f
f
X
15.2632252 =
Sustituyendo los datos anteriores en la correspondiente ecuacin tenemos:
H =
N
f
X
=
100
15.2632252
= 6.55
=
( X - )
N
i
i = 1
n
donde: N = Tamao de la Poblacin.
PROBABILIDAD Y ESTADSTICA
61
m
=
X - X
n
i
i=1
n
s
2
=
2(2-5.11) +2(3-5.11) +2(4-5.11) +5(5-5.11) +3(6-5.11) +2(7-5.11) +(8-5.11) +(9-5.11)
18 - 1
s
2
=
19.3442+8.9042+2.4642+0.0605+2.3763+7.1442+8.3521+ 15.1321
17
=
637778
17
.
s
2
= 3.7516353
por lo tanto la desviacin estndar es s = 1.9369135
* Calcule la media aritmtica, la varianza y desviacin estndar
de los siguientes datos: 5 7 1 2 4
X =
5 7 1 2 4
5
19
5
3 8
+ + + +
= = .
s
2
=
(5- 3.8) + (7 - 3.8) + (1- 3.8) + (2 - 3.8) + (4 - 3.8)
5 - 1
=
22 8
4
.
s
2
= 5.7 ;
por lo tanto la desviacin estndar es : s = 2.3874673
PROBABILIDAD Y ESTADSTICA
65
CALCULO DE LA MEDIA Y DESVIACIN
ESTNDAR PARA DATOS AGRUPADOS
Generalmente cuando se agrupan en clases los datos generados
por una variable numrica, es posible calcular la media y la desviacin
estndar con los datos tabulados. En estos casos, tanto la media como la
desviacin estndar son aproximaciones de los valores reales, debido a que
uno conoce la cantidad de elementos que pertenecen a la clase, pero
desconocemos sus valores.
Para calcular la Media Aritmtica de un conjunto de datos
agrupados, se emplea la siguiente frmula:
( m
i *
f
i
) ( m
i *
f
i
)
X= =
f
i
n
Donde: m
i
= Marca de Clase.
f
i
= Frecuencia de Clase.
n = Tamao de la Muestra.
X = Media Aritmtica.
Para el clculo de la Varianza se utiliza:
s
2
=
( m - X ) f
n - 1
i i
Existe otra forma de calcular la varianza, llamada forma
simplificada, la cual se obtiene sustituyendo en la frmula de la varianza la de
la media, y al simplificar quedara as:
PROBABILIDAD Y ESTADSTICA
66
| | | |
s =
n (X) f - (X f )
n(n-1)
i i i i
donde : n = Tamao de la Muestra
X
i
= Elemento de la Muestra
f
i
= Frecuencia de la Clase
La frmula anterior es para calcular la Varianza de un grupo de
variables colocadas en un cuadro estadstico, para determinar la varianza de
un cuadro estadstico cuando est agrupado por clases, entonces sustituimos
en el lugar de la variable ( X
i
) la marca de clase ( m
i
) tenindose entonces
que la frmula a aplicar ser:
n[ {(m
i
)
2
*
f
i
}] - [ ( m
i *
f
i
)]
2
s
2
=
n ( n - 1 )
donde : n = Tamao de la Muestra
m
i
= Marca de Clase
f
i
= Frecuencia de Clase
En los dos casos anteriores, la Desviacin Estndar se obtiene
sacando la raz cuadrada de la Varianza.
INTERPRETACIN PRACTICA DE LA
DESVIACIN ESTNDAR
Introduciremos ahora un teorema interesante y til, desarrollado
por el matemtico ruso Tchebysheff. La demostracin del teorema no es
difcil, pero la omitiremos para manejar directamente su significado.
PROBABILIDAD Y ESTADSTICA
67
El teorema de Tchebysheff dice : Dado un nmero k mayor o
igual a 1 y un conjunto de n observaciones x
1
, x
2
, x
3
,
* * *
, x
n
, por lo
menos ( 1 - 1/k
2
) de las observaciones se encuentran dentro de k
desviaciones estndar de la media .
El teorema de Tchebysheff se aplica a cualquier conjunto de
observaciones y, para propsitos de ilustracin, nos podramos referir tanto a
la muestra como a la poblacin. Usaremos la notacin correspondiente a
poblaciones, pero deben darse cuenta que bien podramos usar la media
aritmtica y la desviacin estndar muestral. La idea contenida en el teorema
de Tchebysheff se ilustra en la siguiente figura:
k 1 - 1/k
2
1
2 3/4
3 8/9
4 15/16
-3 -2 -1 0 1 2 3
Se construye un intervalo midiendo una distancia de k veces la
en unidades a ambos lados de la media aritmtica . Note que el teorema
es cierto para cualquier valor que le demos a k , siempre y cuando k sea
mayor o igual a 1. Entonces, calculando la fraccin 1 - 1/k
2
, vemos que el
teorema de Tchebysheff establece que al menos esa fraccin del nmero de
observaciones caern en el intervalo construido.
Ponemos nfasis en la expresin al menos del teorema de
Tchebysheff porque el teorema es muy conservador, siendo aplicable a
PROBABILIDAD Y ESTADSTICA
68
cualquier distribucin. En la mayora de las situaciones, la fraccin de las
observaciones que caen en el intervalo especificado excede a 1 - 1/k
2
.
Enunciaremos ahora una regla que describe con precisin la variabilidad de
una distribucin particular en forma de campana y que describe
razonablemente bien la variabilidad de otras distribuciones de datos de forma
monticular. La frecuente ocurrencia de distribuciones acampanadas y
monticulares en la naturaleza, y por tanto la aplicabilidad de nuestra regla,
nos conduce a llamarla la regla emprica .
Regla emprica: Dada una distribucin de observaciones que es
aproximadamente acampanada, el intervalo :
1) contiene aproximadamente el 68 % de las observaciones.
2) 2 contiene aproximadamente el 95 % de las observaciones.
3) 3 contiene todas o casi todas las observaciones.
Las relaciones anteriores las podemos mostrar por medio de una
grfica en la cual se muestra la distribucin en porcentajes de los datos
alrededor de la media aritmtica.
-3 -2 - 2 3
68.27 %
95.45 %
99.95 %
PROBABILIDAD Y ESTADSTICA
69
La distribucin acampanada se conoce comnmente como la
Distribucin Normal y ser discutida con detalle en el captulo 7. Lo que
quisiramos recalcar aqu, es que la regla emprica es sumamente til y
proporciona una descripcin excelente de la variacin para muchos tipos de
datos. Note que el Teorema de Tchebysheff es un hecho que puede ser
demostrado matemticamente y sin embargo dejamos el razonamiento
matemtico para un curso de Clculo.
Aunque los porcentajes mencionados en la regla corresponden a
reas bajo la curva normal, los mismos porcentajes son validos
aproximadamente para distribuciones con formas diversas, siempre que
tiendan a ser ms o menos monticulares. Veamos algunos ejemplos.
* La media y varianza de un conjunto de n = 25 observaciones
son 75 y 100 respectivamente. Usando la regla emprica para describir esta
distribucin tendramos : Sabemos que = 75 y que
2
=100 . La
desviacin estndar es = 10. La distribucin de las observaciones esta
centrado alrededor de = 75, y la regla emprica establece que:
a) = 75 10 ; que el 68 % de las observaciones esta entre 65 y 85.
b) 2 = 7520; que el 95 % de las observaciones esta entre 55 y 95.
c) 3 = 7530; que todas o casi todas las observaciones se
encuentran entre 45 y 105.
* En la siguiente tabla se especifica la vida til de una marca de
pilas que se utilizan en una misma marca de reloj.
Vida til
(Horas )
f
i
m
i
m
i
x f
i
( m
i
)
2
x f
i
420 - 439 15 429.5 06,442.5 2767,053.75
440 - 459 20 449.5 08,990.0 4041,005.00
460 - 479 25 469.5 11,737.5 5510,756.25
480 - 499 25 489.5 12,237.5 5990,256.25
500 - 519 32 509.5 16,304.0 8306,888.00
PROBABILIDAD Y ESTADSTICA
70
520 - 539 30 529.5 15,885.0 8411,107.50
540 - 559 24 549.5 13,188.0 7246,806.00
560 - 579 14 569.5 07,913.0 4540,623.50
580 - 599 7 589.5 04,126.5 2432,571.75
TOTALES 190 95,945.0 48806,208.00
Obtener la Media Aritmtica, la Varianza y Desviacin Estndar
(por el mtodo general y el simplificado).
( m
i *
f
i
) 95,945
X= = = 504.97
n 190
La Varianza en su forma simplificada es :
n[
{(m
i
)
2
*
f
i
}] - [
( m
i *
f
i
)]
2
s
2
=
n ( n - 1 )
s
2
=
( )( ' , ) , ' , , ' ,
,
190 48806 208 9 273179 500 9 205443000
35910
- (95,945)
190(190-1)
=
s
2
=
67 736 500
35 910
' ,
,
= 1,886.2852
por lo tanto : s = 43.43
si a continuacin obtenemos la varianza en su forma general para datos
agrupados tendremos :
[( m
i
- X )
2
*
f
i
]
s
2
=
n - 1
s
2
=
(429.5-504.97) (15) + (449.5-504.97) (20) + +(569.5-504.97) (14) + (589.5-504.97) (7)
190-1
PROBABILIDAD Y ESTADSTICA
71
s
2
=
85 435814 61538418 360 950 31
189
, . , . , . + +
=
+58,297.693+50,017.246
189
s
2
= 1,909.79
s = 1 909 79 , . = 43.701
Como podemos observar, no existe gran diferencia entre la
desviacin estndar obtenida por la forma simplificada y la obtenida por la
forma general.
* Obtener la Varianza y Desviacin Estndar para los siguientes
datos: 6, 3, 8, 5, 2
X =
6 3 8 5 2
5
24
5
4 8
+ + + +
= = .
s
2
=
(6 - 4.8) + (3 - 4.8) + (8 - 4.8) + (5 - 4.8) + (2 - 4.8)
5-1
s
2
=
1.44 + 3.24 + 10.24 + 0.04 + 7.84
4
=
22 8
4
.
s
2
= 5.7 por lo tanto s = 57 . = 2.387
* Los ingresos anuales de 12 profesores en nuevos pesos son:
72,000 72,000 75,000 81,000 163,000 78,000
81,000 89,000 72,000 90,000 84,000 81,000
Calcular la Varianza y Desviacin Estndar.
La media aritmtica se determino en el capitulo anterior, por lo que tenemos
que X = 86,500, por lo tanto la varianza es:
s
2
=
( , , ) 72 000 86 500
12 1
+ + (163,000- 86,500)
PROBABILIDAD Y ESTADSTICA
72
s
2
=
210250 000 6 803000 000
11
' , , ' , + + 5,852' 250,000
11
=
s
2
= 6.1845455 x 10
8
como la desviacin estndar se obtiene sacando la raz cuadrada a la
varianza, tenemos entonces que esta es: s = 24,868.746
* Se sabe que la frecuencia de respiracin en los humanos puede
variar desde 4 respiraciones por minuto hasta 70 75 para una persona que
realiza ejercicios extenuantes. Supongamos que las frecuencias de respiracin
en estado de reposo, para estudiantes universitarios, poseen una distribucin
de forma monticular con media 12 y desviacin estndar 2.3 respiraciones por
minuto. Qu fraccin de los estudiantes poseen frecuencias en los siguientes
intervalos:
a).- 9.7 a 14.3 respiraciones por minuto?
Aplicando la regla emprica, tenemos que la relacin de 9.7 a 14.3 es lo
mismo que sealar una desviacin estndar alrededor de la media aritmtica,
ya que 12 + 2.3 nos da el lmite superior y 12 - 2.3 nos da el lmite inferior, y
por tratarse de una relacin con distribucin monticular, tenemos que en ese
intervalo se encuentra el 68 % de los estudiantes o bien la fraccin es 0.68
b).- 7.4 a 16.6 respiraciones por minuto?
Basndonos en el inciso anterior tenemos que la fraccin que se
encuentra alrededor de la media a 2 desviaciones estndar es 0.95 o el 95 %
de los estudiantes.
c).- ms de 18.9 o menos de 5.1 respiraciones por minuto?
En este inciso vemos que tenemos una relacin alrededor de la media
de tres desviaciones estndar, por lo que se encuentran todos o casi todos los
estudiantes universitarios.
PROBABILIDAD Y ESTADSTICA
73
* La siguiente tabla muestra el concentrado de los resultados de
25 estudiantes universitarios:
Num C. Int. de Clase Frecuencia m
i
m
i
x f
i
m
i
2
x f
i
1 1.8 - 2.1 4 1.95 07.80 15.210
2 2.2 - 2.5 6 2.35 14.10 33.135
3 2.6 - 2.9 8 2.75 22.00 60.500
4 3.0 - 3.3 4 3.15 12.60 39.690
5 3.4 - 3.7 3 3.55 10.65 37.808
Totales 25 67.15 186.343
En base al cuadro estadstico, calcule la media aritmtica, la
desviacin estndar y la varianza
X=
( .
.
m f )
n
i i
= =
6 7 1 5
2 5
2 6 8 6
s
2
=
( )
| |
( )
| | n (m) f - m f
n(n - 1)
- (67.15)
25(25- 1)
i i i i
=
25 186 343 ( . )
s
2
=
4 658575 , . - 4,509.125
600
=
149.45
600
s
2
= 0.25 ;
por lo tanto, la desviacin estndar es : s = 0.5
PROBABILIDAD Y ESTADSTICA
74
EJERCICIOS PROPUESTOS
1.- Qu es una medida de dispersin?
2.- Describa el proceso para la obtencin de la Varianza.
3.- Qu es el Rango?
4.- Qu diferencia hay entre la forma simplificada para la obtencin de la
Varianza y la forma general?
5.- Defina la desviacin media.
6.- Los siguientes datos representan el tiempo de vida en aos de una
muestra aleatoria de 30 motores elctricos similares.
2.0 3.0 0.3 3.3 1.3 0.4
0.2 6.0 5.5 6.5 0.2 2.3
1.5 4.0 5.9 1.8 4.7 0.7
4.6 0.3 1.5 0.5 2.5 5.0
1.0 6.0 5.6 6.0 1.2 0.2
Calcular la Desviacin Media , la Varianza y la Desviacin Estndar.
7.- El cociente de inteligencia (CI) expresa la inteligencia como la razn
de la edad mental a la edad cronolgica multiplicada por 100.
As, el promedio cuando la edad mental es igual a la edad
cronolgica es 100. Para los siguientes CI.
100 103 99 101 100 120 109 82
101 112 95 118 118 114 113 89
92 137 94 130 87 93 111 96
93 101 98 96 84 86 89 90
PROBABILIDAD Y ESTADSTICA
75
a) Construya un histograma de frecuencias relativas.
b) Calcule X , s
2
y s.
c) Encuentre el nmero de puntuaciones en los intervalos X s;
X 2s y X 3s. Compare las proporciones de observaciones en
estos intervalos con las especificadas por el teorema de Tchebysheff
y la regla emprica.
PROBABILIDAD Y ESTADSTICA
76
En este captulo veremos lo que es la Probabilidad, o sea, la
relacin que existe entre la muestra y el conjunto original de datos, por eso
para poder tomar decisiones se necesita tener conocimientos de la
Probabilidad.
En general, la Estadstica entra al mtodo cientfico a travs de la
experimentacin o de la observacin. Cualquier investigacin es nicamente
un medio para lograr un fin determinado. Es un dispositivo para someter a
prueba una hiptesis establecida a partir de la cual desea hacerse una
conclusin. La mayor parte de los enunciados que resultan de investigaciones
son nicamente inferencias. Son de carcter incierto. La cuantificacin de esa
incertidumbre por el uso de la Teora de Probabilidades es una de las
contribuciones ms importantes de la Estadstica.
Probabilidad es una medida de la frecuencia de ocurrencia de un
evento casual. Una definicin clara y simple de Probabilidad (definicin
clsica), es:
Si un evento puede ocurrir de N maneras mutuamente
exclusivas e igualmente posibles, y si n de ellas tienen una caracterstica E ,
entonces la Probabilidad de ocurrencia de E es la fraccin
n
N
. Esto se
acostumbra indicarlo o representarlo con P(E) =
n
N
.
Para el estudio de la Probabilidad surge como necesidad el
estudio de la Teora de conjuntos, por lo cual veremos a continuacin su
definicin y sus operaciones bsicas.
PROBABILIDAD Y ESTADSTICA
77
CONJUNTOS Y SUS OPERACIONES
El estudio de la Probabilidad se simplifica utilizando la Teora de
Conjuntos, por lo tanto, analizaremos algunas ideas bsicas de esta teora. La
Teora de Conjuntos fue desarrollada por Georg Cantor entre 1874 y 1895, es
un instrumento bsico que se utiliza en las distintas ramas de la Matemtica,
como en la Teora de Probabilidad, el Clculo Infinitesimal, Geometra, etc.
Un Conjunto es un grupo de objetos dentro de un todo definido y
bien diferenciado; por ejemplo:
* Un grupo de estudiantes de la materia de Biologa.
* Un juego de cartas.
* Las cuentas de un collar.
A continuacin definiremos algunas de las operaciones y
smbolos que se utilizan en la Teora de Conjuntos. A los conjuntos los
representamos con maysculas y a sus elementos con minsculas.
* Conjunto Universo o Universal ( U ): Es el conjunto que contiene a
todos los elementos.
* Conjunto Vaco ( C ): Es un conjunto que no contiene a ningn
elemento.
* Pertenencia ( e ): Indica que un elemento pertenece a un conjunto.
* No Pertenencia ( e): Indica que un elemento no pertenece a un
conjunto determinado.
* Subconjunto ( c ): Se dice que un conjunto A es subconjunto de
B, cuando todos los elementos de A pertenecen a B.
PROBABILIDAD Y ESTADSTICA
78
* Unin ( ): La unin de dos conjunto A y B, es el conjunto de
elementos que estn en A, en B en ambos.
A B = { x / x e A x e B }
* Interseccin (): La interseccin de dos conjuntos A y B, es el
conjunto de elemento que estn en A y B simultneamente.
A B = { x / x e A y x e B }
* Complemento ( A', ~A, A
c
) : El conjunto A' , recibe el nombre
de complemento de A debido a que contiene a todos los elementos del
universo que no estn en A.
A' = { x / x e A }
Para la comprensin de los conjuntos se recomienda utilizar los
diagramas de Venn, que son la representacin grfica de los conjuntos y sus
operaciones.
U U U
A U B A B A
c
* Sea A = { a, b, c, d, e, f, g, h, y, j, k, l, m, n, o, p, q, r, s, t };
B = { a, e, i, o, u } ;
C = { b, c, d, f, g, h, j, k, l, m, n, p, q, r, s, t } y
el conjunto Universo el abecedario. Realizar las siguientes operaciones entre
conjuntos:
a) A U B ; b) A ( B U C ) c) ( A B ) U ( B C )
a) A U B = { a, b, c, d, e, f, g, h, y, j, k, l, m, n, o, p, q, r, s, t, u }
PROBABILIDAD Y ESTADSTICA
79
b) A ( B U C ) = { a, b, c, d, e, f, g, h, y, j, k, l, m, n, o, p, q, r, s, t } = A
c) ( A B ) U ( B C ) = { a, e, i, o }
* Sea U el conjunto de todos los valores posibles que pueden
caer al lanzar dos dados normales, defina los siguientes conjuntos : el
conjunto A contiene a todos los elementos en que la primera cara es mayor
que 3 pero menor que 6, A = { ( x, y ) / 3 < x < 6 ; 0 < y < 7 } ; el conjunto B
contiene a todos los elementos en que la suma de las caras es mayor que 5
pero menor que 8, B = { ( x, y ) / 5 < x + y < 8 }
Sea U =
(1,1) ; (1,2) ; (1,3) ; (1,4) ; (1,5) ; (1,6)
(2,1) ; (2,2) ; (2,3) ; (2,4) ; (2,5) ; (2,6)
(3,1) ; (3,2) ; (3,3) ; (3,4) ; (3,5) ; (3,6)
(4,1) ; (4,2) ; (4,3) ; (4,4) ; (4,5) ; (4,6)
(5,1) ; (5,2) ; (5,3) ; (5,4) ; (5,5) ; (5,6)
(6,1) ; (6,2) ; (6,3) ; (6,4) ; (6,5) ; (6,6)
entonces, A =
(4,1) ; (4,2) ; (4,3) ; (4,4) ; (4,5) ; (4,6)
(5,1) ; (5,2) ; (5,3) ; (5,4) ; (5,5) ; (5,6)
`
)
y B =
(1,5) ; (1,6) ; (2,4)
(2,5) ; (3,3) ; (3,4)
(4,2) ; (4,3) ; (5,1)
; (6,1) ( , ) 5 2
a).- P(A) =
M
n
=
18
36
=
1
2
PROBABILIDAD Y ESTADSTICA
84
b).- P(B) =
3 0
3 6
=
5
6
c).- P(C) =
6
3 6
=
1
6
* Cul es la probabilidad de sacar una bola roja de una urna si se
sabe que en ella hay 5 bolas blancas, 4 negras, 3 azules y 8 rojas?
A = Sacar una bola roja.
S = {5 blancas, 4 negras, 3 azules, 8 rojas}
P(A) =
8
20
=
2
5
= 0.40 x 100 = 40 %
* Dado que se lanzan 3 monedas legales, cul es la
probabilidad de que caigan exactamente una cara? ; dos caras?
Sea s = cruz y c = cara, entonces al lanzar la moneda tres veces
tenemos: S = {sss, ssc, scs, css, ccs, csc, scc, ccc}
A = {ssc, scs, css} B = {ccs, csc, scc}
P(A) =
3
8
= 0.375 x 100 = 37.5 % P(B) =
3
8
= 0.375 x 100 = 37.5 %
Un punto de vista personalista es que la probabilidad mide la
confianza que tiene un individuo determinado en la verdad de una
proposicin particular, por ejemplo, la proposicin de que maana llueva.
Estos puntos de vista postulan que el individuo en cuestin de algn modo es
razonable, pero no niega la posibilidad de que los individuos razonables con
la misma prueba, puedan tener diferentes grados de confianza en la verdad de
la misma proposicin.
PROBABILIDAD Y ESTADSTICA
85
AXIOMAS DE LA TEORA DE PROBABILIDAD
A continuacin se establecen los axiomas de la Teora de la
Probabilidad. Aunque se emplea la palabra axioma, stas no son apriori, son
suposiciones bsicas elaboradas por el hombre. Los axiomas son:
a) Dado un experimento E con resultados posibles mutuamente
excluyentes ( sucesos simples ) E
1
, E
2
, . . ., E
n
, se les asigna un nmero
positivo tal que 0 s P( E
i
) s 1 y se le llama la probabilidad del suceso E
i
.
b) La suma de probabilidades de todos los sucesos posibles
mutuamente excluyentes es 1. P( E
1
) + P( E
2
) +
* * *
+ P( E
n
) = 1
c) La probabilidad de que ocurra uno de dos sucesos mutuamente
excluyentes E
i
E
j
, es igual a la suma de sus probabilidades.
P( E
i
U E
j
) = P( E
i
) + P( E
j
).
Para aclarar el significado de estos tres axiomas se puede utilizar
la teora de la frecuencia probabilstica. De acuerdo con la Teora de
Probabilidad subjetiva se puede utilizar las ponderaciones para expresar la
importancia relativa de un suceso. Estos axiomas se utilizarn para deducir
otras reglas de clculo de probabilidades.
PROBABILIDAD Y ESTADSTICA
86
ANLISIS COMBINATORIO
El enfoque del concepto de probabilidad planteado en el punto
anterior, genera todo un trabajo alrededor del clculo de probabilidades y
como una herramienta ineludible para esto, se tiene al anlisis combinatorio,
cabe aqu recordar a manera de repaso los elementos que ste nos
proporciona, considerando que un anlisis ms a fondo corresponde a un
curso de lgebra; nicamente enunciaremos las dos reglas generales que se
utilizan en el clculo de probabilidades.
Permutaciones: Es el nmero de maneras de ordenar n objetos
distintos (diferentes), tomando r cada vez. Se denota con el smbolo
n
P
r
.
n
P
r
=
n !
( n - r ) !
Combinaciones: Una combinacin r de n objetos, es una
seleccin de r en r de dichos objetos sin considerar el orden de la misma.
Se representa con el smbolo
n
C
r
.
n r
n r
C =
P
r !
=
n !
( n - r ) ! r !
* Se seleccionan tres boletos de una lotera, de un total de 50.
Supongamos que el orden de seleccin es importante. Cuntos puntos
mustrales estn asociados con este experimento?
El nmero total de puntos mustrales es :
50
P
3
=
50 !
(50 - 3) !
=
50 !
47 !
= 50(49)(48) = 117,600
PROBABILIDAD Y ESTADSTICA
87
* Un aparato est compuesto de cinco partes que pueden ser
ensambladas en cualquier orden. Se desea realizar una prueba para determinar
el tiempo necesario para cada una de las formas posibles de montaje. Si cada
una de las formas se va aprobar una vez, cuntas pruebas deben realizarse?
5
P
5
=
5 !
( 5 - 5 ) !
=
5 !
0 !
= (5)(4)(3)(2)(1) = 120
* Un tubo de radio se puede adquirir en cinco fbricas. De
cuntas formas se pueden escoger tres de las cinco fabricas?
5
C
3
=
5 !
(5 - 3)! (3 !)
=
5 !
(2 !) (3 !)
=
(5)(4)(3 !)
!) (3 !)
=
5 4
2 1
= 10
(2
* Una compaa desea ascender a 3 de sus 24 gerentes para
colocarlos en las posiciones de vice presidente de ventas, de manufacturas y
de finanzas. Cuntas opciones distintas se tienen para efectuar estos
ascensos?
R.- Como si nos importa el orden, entonces tenemos una
permutacin, debido a que los puestos son A, B y C, y los trabajadores
pueden ocupar el que sea, por lo tanto:
24
P
3
=
24 !
( 24 - 3 ) !
=
(24)(23)(22)(21 !)
21 !
= 24 23 22 = 12,144 opciones
* Un experimento consiste en asignar 10 trabajadores a 10
empleos. De cuntas formas distintas se pueden asignar estos 10 trabajadores
a estos 10 empleos?
10
P
10
=
10 !
(10 - 10) !
=
10 !
0 !
= 10 ! = 3' 628,800 formas distintas
PROBABILIDAD Y ESTADSTICA
88
* De cuntas maneras podemos permutar 7 libros que se
encuentran en un estante?.
7
P
7
=
7 !
( 7 - 7 ) !
=
7 !
0 !
= 7 ! = 5,040
* De cuntas maneras posibles se pueden permutar esos libros si
dos de ellos deben de estar siempre juntos?
6
P
6
=
6 !
( 6 - 6 ) !
=
6 !
0 !
= 6 ! = 720
Se multiplica el resultado por dos ya que esos dos libros pueden cambiar de
lugar entre ellos, estando juntos, por lo tanto el nmero de permutaciones que
puede haber es: # de arreglos = (720)(2) = 1440
* De cuntas maneras posibles puedo tomar de dos en dos las
vocales sin interesarnos el orden ?.
5
C
5
=
5 !
(5 - 2) ! (2 !)
=
(5)(4)(3 !)
(3 !) (2 !)
=
5 4
2 1
= 10
PROBABILIDAD CONDICIONAL
En la prctica es comn enfrentarnos al problema de obtener la
probabilidad de un evento, condicionado a la ocurrencia o no ocurrencia de
otro, esto es, el caso en que la ocurrencia de un evento altera las condiciones
de las que depende la probabilidad del otro, estas probabilidades se llaman
probabilidades condicionadas. Si A y B son los eventos en cuestin,
tenemos que P(A/B) es la probabilidad de A dado que ya ocurri el evento
B. P(B/A) es la probabilidad de B dado que A ya ocurri.
Sea S el espacio muestral de E y sean A y B eventos
definidos en S. Si preguntamos por la probabilidad de A dado que ocurri
PROBABILIDAD Y ESTADSTICA
89
B, el espacio se reduce slo a lo comprendido en el conjunto B y viceversa,
como se observa en el diagrama:
S
A B
Definiremos las probabilidades condicionales de B dado A y
de A dado B, como sigue:
P( A B ) =
P(A B)
P(B)
Y P( BA ) =
P(A B)
P(A)
INDEPENDENCIA PROBABILISTICA
Se dice que dos sucesos son independientes si la ocurrencia o no
ocurrencia de uno de ellos no cambia la probabilidad de ocurrencia del otro, a
esto se le llama independencia probabilstica. S A y B son eventos
independientes, tenemos que : P(A/B) = P(A) y P(B/A) = P(B).
LEYES DE PROBABILIDAD
Las leyes pueden ser simplemente enunciadas y tomadas como
ciertas mientras sean consistentes con nuestro modelo y con la realidad.
Ley Aditiva de Probabilidad: Esta ley se aplica a las uniones y
es igual a:
PROBABILIDAD Y ESTADSTICA
90
P ( A U B ) = P ( A ) + P ( B ) - P (A B )
s A B = C, se dice que A y B son mutuamente excluyentes, entonces:
P ( A U B ) = P ( A ) + P ( B )
Ley Multiplicativa de Probabilidad: Esta ley se aplica a las
intersecciones y es igual a:
P ( A B ) = P ( A )
*
P ( B / A ) = P ( B )
*
P ( A / B )
S A y B son independientes, entonces P ( A B ) = P ( A )
*
P ( B )
Un experimento a menudo produce observaciones numricas que
varan de muestra a muestra. Por esta razn se define una variable aleatoria
como una funcin con valores numricos definida sobre un espacio muestral.
En otras palabras, una variable X es una variable aleatoria si el valor que
asume es un suceso numrico aleatorio. Un ejemplo de suceso numrico es el
valor de cierre diario de ciertas acciones industriales.
Las variables aleatorias se clasifican en discretas y continuas.
Una Variable Aleatoria Discreta es una variable que slo puede asumir un
conjunto numerable de valores. Veamos algunos ejemplos:
* El nmero de tornillos defectuosos en una muestra de 100,
extrada de una produccin industrial.
* El nmero de casas rurales que tienen agua potable en una
regin.
* El nmero de personas que esperan en el consultorio de un
dentista.
PROBABILIDAD Y ESTADSTICA
91
Una Variable Aleatoria Continua es una variable que puede
asumir un nmero infinitamente grande de valores correspondientes a los
puntos sobre un intervalo en una lnea recta. Ejemplos:
* El tiempo de vida de una clula humana.
* La cantidad de lluvia que cae en Ixtlahuacn durante una hora.
* La cantidad de azcar en una manzana.
Veamos algunos ejercicios referentes a este captulo.
* Dado que se lanzan dos dados normales, Cul es la
probabilidad de que la suma de las caras sea 4, si se sabe:
a) que cayeron dos caras impares?
S =
(1,1) ; (1,2) ; (1,3) ; (1,4) ; (1,5) ; (1,6)
(2,1) ; (2,2) ; (2,3) ; (2,4) ; (2,5) ; (2,6)
(3,1) ; (3,2) ; (3,3) ; (3,4) ; (3,5) ; (3,6)
(4,1) ; (4,2) ; (4,3) ; (4,4) ; (4,5) ; (4,6)
(5,1) ; (5,2) ; (5,3) ; (5,4) ; (5,5) ; (5,6)
(6,1) ; (6,2) ; (6,3) ; (6,4) ; (6,5) ; (6,6)
A C = { (2,2) }
PROBABILIDAD Y ESTADSTICA
92
P( A C ) = 1 / 36 P( C ) = 18 / 36 = 1 / 2
P( A / C ) = P( A C ) / P( C ) = ( 1 / 36 ) / ( 18 / 36 ) = 1 / 18
c) que al menos una cara es par?
D =
(1,2) ; (1,4) ; (1,6) ; (2,1) ; (2,2) ; (2,3) ; (2,4) ; (2,5) ; (2,6)
(3,2) ; (3,4) ; (3,6) ; (4,1) ; (4,2) ; (4,3) ; (4,4) ; (4,5) ; (4,6)
(5,2) ; (5,4) ; (5,6) ; (6,1) ; (6,2) ; (6,3) ; (6,4) ; (6,5) ; (6,6)
A D = { (2,2) }
P( A D ) = 1 / 36 P( D ) = 27 / 36 = 3 / 4
P( A / D ) = P( A D ) / P( D ) = ( 1 / 36 ) / ( 27 / 36 ) = 1 / 27
d) que la primera cara es 1?
E = { (1,1) (1,2) (1,3) (1,4) (1,5) (1,6) }
A E = { (1,3) }
P( A E ) = 1 / 36 P( E ) = 6 / 36 = 1 / 6
P( A / E ) = P( A E ) / P( E ) = ( 1 / 36 ) / ( 6 / 36 ) = 1 / 6
* Se tienen dos urnas, en la urna A hay 8 bolas blancas, 6 rojas y
6 azules y en la B 4 blancas, 5 rojas y 6 azules.
a) Cul es la probabilidad de sacar una bola blanca de la urna A?
P(A) = M/n = 8/20 = 2/5 = 0.40 x 100 = 40 %
b) Cul es la probabilidad de sacar una azul de la urna B?
P(B) = 6/15 = 2/5 = 0.40 x 100 = 40 %
c) Cul es la probabilidad de sacar una roja de la urna A B?
P(AB) = P(A) + P(B) = 6/20 + 5/15 = 19/30 = 0.633 x 100 = 63.3 %
d) Cul es la probabilidad de sacar una azul de la urna A y B?
P(AB) = P(A)
*
P(B) = (6/20)(6/15) = 36/300 = 0.12 x 100 = 12 %
PROBABILIDAD Y ESTADSTICA
93
* Los pacientes que llegan a una clnica pueden seleccionar una
de tres secciones para ser atendidos. Supongamos que los mdicos se asignan
al azar a las secciones y que los pacientes no tienen preferencia especial por
ninguna de las secciones. Tres pacientes llegan a la clnica y se registra la
seccin que escogen.
a) Haga una lista de los puntos mustrales para este experimento.
Los puntos mustrales sern los escogidos por los pacientes entre las
secciones 1, 2 y 3, tenindose entonces que:
S =
(111) ; (112) ; (113) ; (121) ; (122) ; ( ; (131) ; (132) ; (133)
(211) ; (212) ; (213) ; (221) ; (222) ; (223) ; (231) ; (232) ; (233)
(311) ; (312) ; (313) ; (321) ; (322) ; (323) ; (331) ; (332) ; (333)
123)
b) Sea A el suceso de que cada seccin recibe un paciente. Haga una lista
de los puntos mustrales de A.
A = { (123) ; (132) ; (213) ; (231) ; (312) ; (321) }
c) Haga una asignacin razonable de probabilidad a los puntos mustrales
y encuentre P(A).
Sea E
i
cada evento, entonces la P( E
i
) = 1/27 ; por lo tanto la
P(A) se obtiene de la suma de 6 eventos posibles, tenindose entonces que :
P(A) = 6 / 27 = 2 / 9
* Se le pide a un catador de t que pruebe y clasifique tres
variedades de t, A, B y C, de acuerdo a su preferencia.
a) Defina el experimento.
Ordenar A, B y C para poder llevar a cabo el proceso.
PROBABILIDAD Y ESTADSTICA
94
b) Haga una lista de los puntos mustrales.
S = { (ABC) ; (ACB) ; (BAC) ; (BCA) ; (CBA) ; (CAB) }
c) Si el catador no tuviera habilidad para distinguir la diferencia de sabor
entre los tres tipos de t, cul es la probabilidad de que concluya que el t de
tipo A es el mejor?
Como en dos de las seis ocasiones de los puntos mustrales
coloca a el t de tipo A como mejor que los otros dos, tenemos entonces de
que la probabilidad de que escoja al t de tipo A como el mejor es:
P( A) = 2 / 6 = 1 / 3 = 0.333 x 100 = 33.3 %
* Los avisos comerciales de televisin se disean para atraer a la
audiencia ms probable del programa que se est auspiciando. Sin embargo,
S. Ward en su trabajo Reacciones de los nios a los Avisos Comerciales,
observa que los nios frecuentemente poseen una comprensin baja de los
avisos comerciales, an de aquellos diseados para atraer especialmente a los
nios. Las investigaciones de Ward demuestran que los porcentajes de nios
que comprenden los avisos comerciales para diferentes edades son los
especificados en la siguiente tabla.
Edad
5 - 7 8 - 10 11 - 12
No comprenden 55 % 40 % 15 %
Comprenden 45 % 60 % 85 %
PROBABILIDAD Y ESTADSTICA
95
En un experimento de laboratorio para evaluar la comprensin de los avisos
comerciales, se muestra a un nio de 6 aos y a un nio de 9 aos.
a) Cul es la probabilidad de que el mensaje sea entendido por el nio de
6 aos?
R.- La probabilidad de que el aviso sea entendido por el nio de 6
aos es 45 %, ya que para el nio de 6 aos existen dos valores posibles, los
cuales son el que entienda y el que no entienda, por lo tanto segn la tabla
mostrada por Ward tenemos que el nio de 6 aos comprende el mensaje con
una probabilidad de 45 %.
b) Cul es la probabilidad de que ambos nios comprendan el aviso?
R.- Como la probabilidad de que el nio de 6 aos comprenda es
independiente de la del nio de 9 aos, tenemos un evento independiente,
por lo tanto el producto de las probabilidades de que los dos nios
comprendan el aviso ser la probabilidad de que ambos nios lo comprendan,
tenindose entonces que: P(Comprendan ambos nios) = (0.45)(0.60) =
0.27x100 = 27%
EJERCICIOS PROPUESTOS
1.- Un inversionista tiene la oportunidad de invertir en tres de cinco tipos
recomendados de acciones. El inversionista no sabe que slo dos de los
cinco tipos producirn un beneficio sustancial en los prximos 5 aos.
Si el inversionista selecciona los tres tipos de acciones al azar (dndole
a cada combinacin de tres tipos la misma probabilidad de seleccin),
PROBABILIDAD Y ESTADSTICA
96
cul es la probabilidad de que seleccione los dos tipos de acciones ms
beneficiosos?
2.- Se lanzan dos dados normales, cul es la probabilidad de que la suma
de los dos nmeros que aparecen sea igual a 7?, igual a 11?
3.- Cuatro trabajadores, de los cuales dos pertenecen a un grupo
minoritario, se asignan a cuatro empleos netamente distintos.
a) Defina el experimento.
b) Haga una lista de los puntos mustrales en S.
c) Si la asignacin de empleos es imparcial, es decir, si una
asignacin es tan probable como cualquier otra, cul es la
probabilidad de que los dos trabajadores del grupo minoritario
sean asignados a los dos empleos menos deseables?
4.- Una encuesta entre consumidores en una comunidad particular mostr
que el 10 % no qued satisfecho con los trabajos de plomera hechos en
sus casas. 50 % de las quejas fueron respecto al plomero A, si el
plomero A hace el 40 % de los trabajos de plomera en la ciudad, cul
es la probabilidad de obtener:
a) Un trabajo de plomera no satisfactorio, si fue el plomero A?
b) Un trabajo satisfactorio, dado que el plomero es A?
5.- En cada uno de los siguientes casos, indique si la variable es discreta o
continua:
a) El nmero de homicidios en Ixtlahuacn durante un mes.
b) El tiempo que transcurre entre la llegada de pacientes a una
clnica.
c) El nmero de errores de mecanografa por pgina.
d) El tiempo requerido para terminar un examen.
PROBABILIDAD Y ESTADSTICA
97
e) El nmero de bombillos defectuosos en un paquete que contiene
4 bombillos.
6.- Si se lanzan tres monedas legales, cul es la probabilidad de que caiga:
a) Una cara o ms?
b) Al menos un sol?
c) Exactamente dos caras?
7.- De cuntas formas se pueden sentar diez personas en una banca con
espacio para cuatro.
8.- De cuantas formas puede elegirse una comisin de cinco personas de
entre nueve.
9.- Si hay seis bulbos defectuosos en lote de cien y se hace una seleccin
aleatoria de dos bulbos sin reemplazo, cul es la probabilidad de que:
a) se seleccione un bulbo bueno y uno defectuoso?
b) se escojan dos bulbos en buen estado?
c) se seleccionen dos bulbos defectuosos?
d) se elijan uno o ms bulbos defectuosos?
e) se tomen uno o ms bulbos en buen estado?
PROBABILIDAD Y ESTADSTICA
98
En est captulo se explicarn algunas distribuciones de muestreo
que son necesarias en un curso de Probabilidad y Estadstica, como son: La
Distribucin de Poisson, La Distribucin Binomial, La Distribucin Normal y
La Distribucin t de Student. Este tipo de distribucin corresponde a el tipo
de variable aleatoria continua, ya que la distribucin de variable aleatoria
discreta la podemos observar en las frecuencias relativas de los cuadros
estadsticos presentados en el captulo dos.
Para obtener una distribucin de probabilidad con variable
aleatoria continua, notamos que la probabilidad de que X se encuentre entre
dos valores diferentes tiene significado. Esta idea y las siguientes
propiedades:
1.- f(X) > 0
2.-
f x dx ( ) =
+
} 1
nos conducen a postular la existencia de una funcin f(x), donde
xe + ( , ) . Entonces definimos la probabilidad de que x e [a,b], como:
P a x b f x dx
a
b
( ) ( ) s s = }
de donde se puede demostrar que esta definicin satisface los axiomas de
probabilidad dados en el captulo 6. Una funcin f(x) que satisface los
requisitos anteriores se llama funcin de probabilidad o distribucin de
probabilidad para variable aleatoria continua, pero con mayor frecuencia se le
denomina funcin de densidad de probabilidad o simplemente funcin de
densidad.
PROBABILIDAD Y ESTADSTICA
99
DISTRIBUCION BINOMIAL
Es una de las distribuciones de probabilidad que se encuentra con
mayor frecuencia en Estadstica aplicada. La distribucin se obtiene de un
proceso conocido como Ensayo de Bernoulli
2
.
Cuando un ensayo de algn experimento puede conducir slo a
uno o dos resultados mutuamente excluyentes, tales como: muerto vivo, da
noche, masculino femenino, cara cruz, etc. , el ensayo se conoce con el
nombre de Ensayo de Bernoulli. Una sucesin de Ensayos de Bernoulli
forman un Proceso de Bernoulli, bajo las siguientes condiciones:
1.- Cada ensayo conduce a uno de dos resultados posibles mutuamente
excluyentes denominados por xito (p) o fracaso (q).
2.- La probabilidad de xito denotada por (p), permanece constante de
ensayo a ensayo. La probabilidad de fracaso (q) es 1-p.
3.- Los ensayos son independientes, es decir, el resultado de uno no es
afectado por el resultado del otro.
A continuacin veremos la frmula para obtener la probabilidad
aplicando la Distribucin Binomial, enunciando que esta distribucin sirve
para obtener la probabilidad de un evento cuando se tienen muestras grandes
y probabilidades grandes.
P( x ) =
n
C
x *
p
x
*
q
n - x
2 James Bernoulli (1654-1705), matemtico suizo que realiz importantes contribuciones en el campo de la
probabilidad.
PROBABILIDAD Y ESTADSTICA
100
Como:
n
C
x
=
n !
( n - r ) ! r !
entonces: P( x ) =
n !
(n - r)! r!
p q
x n-x
donde: n = Tamao de la muestra.
x = No. de elementos tomados de la muestra.
p = Probabilidad de xito.
q = 1 - p = Probabilidad de fracaso.
A la expresin anterior se le conoce como Distribucin de
Probabilidad Binomial, y debe de cumplir con:
a).- P(X) > 0 para todos los valores de x.
b).-
P(X) = 1
c).- n > 1, ya que debe de existir una muestra.
Hablando estrictamente el uso de la Distribucin Binomial es
aplicable en aquellos casos en donde el muestreo es a partir de una poblacin
finita con reemplazo. Como en la prctica real frecuentemente se extraen las
muestras sin reemplazo de poblaciones finitas, surge naturalmente la pregunta
de lo apropiado de la Distribucin Binomial bajo estas circunstancias. El que
la Distribucin Binomial sea apropiada o no, depende de que tan drstico sea
el efecto de estas condiciones sobre las circunstancias de xito de ensayo a
ensayo. En general se conviene que cuando n es pequeo relativo a N, el
modelo de la Distribucin Binomial resulta el ms apropiado. Algunos
autores mencionan que n es pequea respecto a N , si N por lo menos es 10
veces mayor que n.
PROBABILIDAD Y ESTADSTICA
101
* Supngase que la tasa de mortalidad para cierta enfermedad de
una poblacin es 0.1 , supngase que la contraen 10 personas, cul es la
probabilidad de que:
a).- ninguna sobreviva?
p = 0.1
q = 0.9
x = 10 P(10) =
10 !
(10 - 10)! 10!
(0.10) (0.90)
10 10-10
n = 10
= ( 1 )( 1 x 10
- 10
)( 1 ) = 1 x 10
- 10
x 100
= 1 x 10
- 8
%
b).- el 50 % se muera?
p = 0.1
q = 0.9
x = 5 P(5) =
10 !
(10 - 5)! 5!
(0.10) (0.90)
5 10-5
n = 10
= ( 252 )( 1 x 10
- 5
)( 0.59049 )
= 0.1488 %
c).- al menos 3 mueran?
p = 0.1 P(X >3) = P( 3 ) + P( 4 ) + + P( 10 )
q = 0.9
x = 0,1,2 = 1 - [ P( 0 ) + P( 1 ) + P( 2 ) ]
n = 10
P(X >3) = 1 - [
10 !
(10-0)! 0!
(.10) (.90)
10 !
(10-1)! 1!
(.10) (.90)
10 !
(10-2)! 2!
(.10)
0 10-0 1 10-1 2
(. ) 90
10 2
]
P(X >3) = 1 - [0.3486 + 0.3874 + 0.1937] = 1 - 0.9297 = 0.0703 x 100
P(X >3) = 7.03 % es el valor de la probabilidad de que 3 o ms mueran.
d).- exactamente 3 se mueran?
PROBABILIDAD Y ESTADSTICA
102
p = 0.1
q = 0.9
x = 3 P(3) =
10 !
(10 - 3)! 3!
(0.10) (0.90)
3 10-3
n = 10
= 120
*
( 1 x 10
- 3
)( 0.4782 )
= 0.0573 x 100 = 5.73 %
DISTRIBUCION DE POISSON
La Distribucin de Poisson
3
es usada con amplitud en Biologa,
Medicina y en todas las ramas de las Ciencias Sociales, sin embargo existen
muchos problemas en los que es bastante til. Si x es el nmero de
ocurrencias de un evento aleatorio en un intervalo de tiempo o espacio, la
probabilidad de que ocurra x est dada por:
P( x ) =
e
X !
- x
donde x = 0, 1, 2, 3, . . . ; = parmetro de la distribucin y es el nmero
promedio de ocurrencias del evento aleatorio en el intervalo; e = 2.7183 ,
que es una constante del nmero exponencial. Puede demostrarse tambin
que:
1.- f(x) > 0
2.-
f(x) = 1
de modo que la distribucin satisface los requerimientos para la distribucin
de una probabilidad. Se ha observado que la Distribucin Binomial surge a
partir de un conjunto de suposiciones acerca de un proceso fundamental que
3 Simond Denis Poisson (1781 - 1840) matemtico francs a quien se le acredit la publicacin de su deduccin en 1837.
PROBABILIDAD Y ESTADSTICA
103
proporciona un conjunto de observaciones numricas. Este tambin es el caso
de la Distribucin de Poisson que adems cumple con las siguientes
proposiciones:
1.- La ocurrencia de los eventos son independientes.
2.- Tericamente debe ser posible un nmero infinito de ocurrencias del
evento en el intervalo.
3.- La probabilidad de la ocurrencia nica del evento en un intervalo
dado, es proporcional a la longitud del intervalo.
4.- En cualquier porcin infinitesimal del intervalo debe despreciarse la
probabilidad de ms de una ocurrencia en el evento.
5.- Una particularidad de la distribucin de Poisson es que la varianza y
la media son iguales.
La Distribucin de Poisson tiene muchas aplicaciones, as mismo
mencionaremos que este tipo de distribucin se utiliza cuando se tienen
probabilidades grandes y sucesos o eventos pequeos.
* El administrador de un Hospital a observado que las
admisiones de emergencia durante un periodo de varios aos se distribuyen de
acuerdo a la ley de Poisson. Los registros del Hospital revelan que durante
este periodo han sido de un promedio de 3 por da. Si el administrador del
Hospital est en lo cierto, hallar la probabilidad de que:
a).- en un da dado ocurran exactamente dos admisiones.
e = 2.7183
= 3 P( 2 ) =
e
X !
(2.7183)
!
0.2240 x 100 = 22.4 %
- x -3
=
=
( ) 3
2
2
x = 2
PROBABILIDAD Y ESTADSTICA
104
b).- en un da particular no ocurra admisin alguna.
e = 2.7183
= 3 P( x ) =
e
X !
- x
x = 0
P( 0 ) =
( . ) ( )
.
2 7183 3
0
0 04978
3 0
=
!
x 100 = 4.978 %
c) en un da en particular se admitan 3 4 casos.
e = 2.7183
= 3 P( x ) =
e
X !
- x
x = 3 4
P( 3 4 ) = P( 3 ) + P( 4 )
P( 3 4 ) =
( . ) ( ) ( . ) ( ) 2 7183 3
3
2 7183 3
4
3 3 3 4
+
! !
P( 3 4 ) = 0.2240 + 0.1680 = 0.3920 x 100 = 39.2 %
* El 10 % de los tornillos producidos en una fbrica resultan
defectuosos. Hallar la probabilidad de que en una muestra de 10 tornillos
seleccionados aleatoriamente, exactamente dos estn defectuosos.
a).- Empleando la Distribucin Binomial.
P( x ) =
n !
(n - r)! r!
p q
x n-x
p = 0.1 q = 0.9 x = 2 n = 10
P(2)=
10 !
(10- 2)! 2!
= = =
=
!
x = 18.39 %
* Si la probabilidad de que un individuo sufra una reaccin por
una inyeccin de un determinado suero es 0.001; determinar la probabilidad
de que de un total de 200 individuos:
a).- exactamente 3 tengan reaccin.
e = 2.7183
= n
*
p = 0.2 P( x ) =
e
X !
- x
x = 3
P( 3 ) =
( . ) ( . )
.
.
2 7183 0 2
3
0 0010916 x 100
0 2 3
=
!
= 0.10916 %
b).- ms de dos individuos tengan la reaccin.
e = 2.7183
= n
*
p = 0.2 P( x ) =
e
X !
- x
x = 3, 4,
* * *
, 200
P(X ) 2) = P(3) + P(4) +
* * *
+ P(200) = 1 - [ P(0) + P(1) + P(2) ]
= 1 -
( . ) ( . ) ( . ) ( . ) ( . ) ( . )
. . .
2 7183 0 2
0
2 7183 0 2
1
2 7183 0 2
2
0 2 0 0 2 1 0 2 2
+
!
+
! !
= 1 - (0.813781 + 0.162756 + 0.016275 ) = 1 - 0.992812
= 0.007188 x 100 = 0.7188 %
PROBABILIDAD Y ESTADSTICA
106
DISTRIBUCION NORMAL
Uno de los ms importantes ejemplos de la distribucin continua
es la Distribucin Normal, algunas veces denominada Distribucin
Gaussiana. La funcin de densidad para la Distribucin Normal est dada por:
f x e ( )
( /
=
1
2
x - )
2
2
2
donde: ( ( + x
= media aritmtica.
= desviacin estndar.
La funcin de distribucin correspondiente esta dada por:
F(x) = P(X x) =
1
2
x
(x - )
-
x
2 2
s
}
e d
/ 2
En este caso decimos que la variable aleatoria X est
normalmente distribuida con media y varianza . Una de las
caractersticas de la Distribucin Normal es que se va a desplazar sobre el eje
horizontal dependiendo del valor de la media de la siguiente manera:
0
1
2
PROBABILIDAD Y ESTADSTICA
107
Para la distribucin, como ya vimos anteriormente en su funcin
de densidad, el valor de la probabilidad se va a obtener mediante una funcin
de integracin, la cul no ser necesario desarrollar debido a que existen
tablas que podemos utilizar para el clculo de las probabilidades, adems,
sera muy difcil ya que una integral se resuelve mediante una sucesin. Para
el clculo de la Distribucin Normal utilizaremos la Distribucin Normal
Unitaria, a la cual se llega desarrollando la integral y encontrando un
parmetro Z con el cual obtendremos el rea bajo la curva, que ser la
probabilidad buscada.
Y si hacemos que Z sea la variable normalizada de x, tenemos:
Z =
X -
e
Este resultado se conoce frecuentemente como la funcin o la
distribucin de densidad normal tipificada. La funcin de distribucin
correspondiente esta dada por:
F(z) = P(Z z) =
1
2
du =
1
2
1
2
du
- u
-
x
- u
-
x
2 2
s +
} }
e e
/ / 2 2
0
Esta integral no puede evaluarse por mtodos ordinarios. (La
dificultad proviene del hecho que no podemos aplicar el Teorema
Fundamental del Clculo puesto que no podemos encontrar una funcin cuya
derivada sea igual a e
-u/2
). Sin embargo esta funcin ha sido tabulada
ampliamente, y en el Apndice se da un extracto de tal tabla. En la siguiente
PROBABILIDAD Y ESTADSTICA
108
figura se muestra una representacin grfica de la funcin de densidad, que
tambin se conoce como Curva Normal Tipificada.
-3 -2 -1 0 1 2 3
P( -1 s Z s 1 ) = 0.6827 (68.27 %)
P( -2 s Z s 2 ) = 0.9545 (95.45 %)
P( -3 s Z s 3 ) = 0.9973 (99.73 %)
* Hallar el rea bajo la curva normal tipificada:
a).- Entre z = 0 y z = 1.2
Utilizando la tabla del Apndice II (tabla 1), baje por la columna
marcada con z hasta alcanzar el valor 1.2. Luego proceda a la derecha hasta la
columna marcada con 0. El resultado 0.3849 es el rea pedida y representa
la probabilidad de que Z est entre 0 y 1.2, por lo tanto:
P( 0 s Z s 1.2 ) = 0.3849 x 100 = 38.49 %
b).- Entre z = -0.68 y z = 0
rea pedida = rea entre z = 0 y z = +0.68 (por simetra). Por tanto, baje por
la columna z hasta alcanzar el valor 0.6. Entonces, proceda a la derecha hasta
la columna 8; el resultado, 0.2517, es el rea pedida y representa la
probabilidad de que Z est entre -0.68 y 0.
c).- Entre z = -0.46 y z = 2.21
rea pedida = (rea entre z = -0.46 y z = 0) + (rea entre z = 0 y z = 2.21 ).
PROBABILIDAD Y ESTADSTICA
109
En base al mismo proceso tenemos:
rea entre z = -0.46 y z = 0 es: 0.1772
rea entre z = 0 y z = 2.21 es: 0.4864
rea entre z = -0.46 y z = 2.21 es: 0.6636
d).- Entre z = 0.81 y z = 1.94
rea pedida = (rea entre z = 0 y z = 1.94) - (rea entre z = 0 y z = 0.81)
En base al mismo proceso tenemos:
rea entre z = 0 y z = 1.94 es: 0.4738
rea entre z = 0 y z = 0.81 es: 0.2910
rea entre z = 0.81 y z = 1.94 es: 0.1828
e).- Para z > -1.28
rea pedida = (rea entre z = -1.28 y z = 0) + (rea a la derecha de z = 0)
rea entre z = -1.28 y z = 0 es: 0.3997
rea a la derecha de z = 0 es: 0.5000
rea para z > -1.28 es: 0.8997
* Si las estaturas de 300 estudiantes estn distribuidas
normalmente con media igual a 1.7 metros y desviacin tpica de 0.1 metros.
Hallar la probabilidad de que:
a).- Los estudiantes sean mayores de 1.85 metros.
z =
x -
0.126 0.253 0.524 0.674 0.842 1.280 1.640 1.960 2.330 2.580
PROBABILIDAD Y ESTADSTICA
117
TABLAS DE PROBABILIDADES BINOMIALES
Los valores que se dan en la tabla son p( y )
y = 0
a
.
( Los clculos estn redondeados a la tercera cifra decimal )
a) n = 5 p
a 0.01 0.05 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 0.95 0.99
0 0.951 0.774 0.590 0.328 0.168 0.078 0.031 0.010 0.002 0.000 0.000 0.000 0.000
1 0.999 0.997 0.919 0.737 0.528 0.337 0.188 0.087 0.031 0.007 0.000 0.000 0.000
2 1.000 0.999 0.991 0.942 0.837 0.683 0.500 0.317 0.163 0.058 0.009 0.001 0.000
3 1.000 1.000 1.000 0.993 0.969 0.913 0.812 0.663 0.472 0.263 0.081 0.023 0.001
4 1.000 1.000 1.000 1.000 0.998 0.990 0.969 0.922 0.832 0.672 0.410 0.226 0.049
b) n = 10 p
a 0.01 0.05 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 0.95 0.99
0 0.904 0.599 0.349 0.107 0.028 0.006 0.001 0.000 0.000 0.000 0.000 0.000 0.000
1 0.996 0.914 0.736 0.376 0.149 0.046 0.011 0.002 0.000 0.000 0.000 0.000 0.000
2 1.000 0.988 0.930 0.678 0.383 0.167 0.055 0.012 0.002 0.000 0.000 0.000 0.000
3 1.000 0.999 0.987 0.879 0.650 0.382 0.172 0.055 0.011 0.001 0.000 0.000 0.000
4 1.000 1.000 0.998 0.967 0.850 0.633 0.377 0.166 0.047 0.006 0.000 0.000 0.000
5 1.000 1.000 1.000 0.994 0.953 0.834 0.623 0.367 0.150 0.033 0.002 0.000 0.000
6 1.000 1.000 1.000 0.999 0.989 0.945 0.828 0.618 0.350 0.121 0.013 0.001 0.000
7 1.000 1.000 1.000 1.000 0.998 0.988 0.945 0.833 0.617 0.322 0.070 0.012 0.000
8 1.000 1.000 1.000 1.000 1.000 0.998 0.989 0.954 0.851 0.624 0.264 0.086 0.004
9 1.000 1.000 1.000 1.000 1.000 1.000 0.999 0.994 0.972 0.893 0.651 0.401 0.096
c) n = 15 p
a 0.01 0.05 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 0.95 0.99
0 0.860 0.463 0.206 0.035 0.005 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
1 0.990 0.829 0.549 0.167 0.035 0.005 0.000 0.000 0.000 0.000 0.000 0.000 0.000
2 1.000 0.964 0.816 0.398 0.127 0.027 0.004 0.000 0.000 0.000 0.000 0.000 0.000
3 1.000 0.995 0.944 0.648 0.297 0.091 0.018 0.002 0.000 0.000 0.000 0.000 0.000
4 1.000 0.999 0.987 0.836 0.515 0.217 0.059 0.009 0.001 0.000 0.000 0.000 0.000
5 1.000 1.000 0.998 0.939 0.722 0.403 0.151 0.034 0.004 0.000 0.000 0.000 0.000
6 1.000 1.000 1.000 0.982 0.869 0.610 0.304 0.095 0.015 0.001 0.000 0.000 0.000
7 1.000 1.000 1.000 0.996 0.950 0.787 0.500 0.213 0.050 0.004 0.000 0.000 0.000
8 1.000 1.000 1.000 0.999 0.985 0.905 0.696 0.390 0.131 0.018 0.000 0.000 0.000
9 1.000 1.000 1.000 1.000 0.996 0.966 0.849 0.597 0.278 0.061 0.002 0.000 0.000
10 1.000 1.000 1.000 1.000 0.999 0.991 0.941 0.783 0.485 0.164 0.013 0.001 0.000
11 1.000 1.000 1.000 1.000 1.000 0.998 0.982 0.909 0.703 0.352 0.056 0.005 0.000
12 1.000 1.000 1.000 1.000 1.000 1.000 0.996 0.973 0.873 0.602 0.184 0.036 0.000
13 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.995 0.965 0.833 0.451 0.171 0.010
14 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.995 0.965 0.794 0.537 0.140
PROBABILIDAD Y ESTADSTICA
118
d) n = 20 p
a 0.01 0.05 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 0.95 0.99
0 0.818 0.358 0.122 0.012 0.001 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
1 0.983 0.736 0.392 0.069 0.008 0.001 0.000 0.000 0.000 0.000 0.000 0.000 0.000
2 0.999 0.925 0.677 0.206 0.035 0.004 0.000 0.000 0.000 0.000 0.000 0.000 0.000
3 1.000 0.984 0.867 0.411 0.107 0.016 0.001 0.000 0.000 0.000 0.000 0.000 0.000
4 1.000 0.997 0.957 0.630 0.238 0.051 0.006 0.000 0.000 0.000 0.000 0.000 0.000
5 1.000 1.000 0.989 0.804 0.416 0.126 0.021 0.002 0.000 0.000 0.000 0.000 0.000
6 1.000 1.000 0.998 0.913 0.608 0.250 0.058 0.006 0.000 0.000 0.000 0.000 0.000
7 1.000 1.000 1.000 0.968 0.772 0.416 0.132 0.021 0.001 0.000 0.000 0.000 0.000
8 1.000 1.000 1.000 0.990 0.887 0.596 0.252 0.057 0.005 0.000 0.000 0.000 0.000
9 1.000 1.000 1.000 0.997 0.952 0.755 0.412 0.128 0.017 0.001 0.000 0.000 0.000
10 1.000 1.000 1.000 0.999 0.983 0.872 0.588 0.245 0.048 0.003 0.000 0.000 0.000
11 1.000 1.000 1.000 1.000 0.995 0.943 0.748 0.404 0.113 0.010 0.000 0.000 0.000
12 1.000 1.000 1.000 1.000 0.999 0.979 0.868 0.584 0.228 0.032 0.000 0.000 0.000
13 1.000 1.000 1.000 1.000 1.000 0.994 0.942 0.750 0.392 0.087 0.002 0.000 0.000
14 1.000 1.000 1.000 1.000 1.000 0.998 0.979 0.874 0.584 0.196 0.011 0.000 0.000
15 1.000 1.000 1.000 1.000 1.000 1.000 0.994 0.949 0.762 0.370 0.043 0.003 0.000
16 1.000 1.000 1.000 1.000 1.000 1.000 0.999 0.984 0.893 0.589 0.133 0.016 0.000
17 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.996 0.965 0.794 0.323 0.075 0.001
18 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.999 0.992 0.931 0.608 0.264 0.017
19 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.999 0.988 0.878 0.642 0.182
e) n = 25 p
a 0.01 0.05 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 0.95 0.99
0 0.778 0.277 0.072 0.004 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
1 0.974 0.642 0.271 0.027 0.002 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
2 0.998 0.873 0.537 0.098 0.009 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
3 1.000 0.966 0.764 0.234 0.033 0.002 0.000 0.000 0.000 0.000 0.000 0.000 0.000
4 1.000 0.993 0.902 0.421 0.090 0.009 0.000 0.000 0.000 0.000 0.000 0.000 0.000
5 1.000 0.999 0.967 0.617 0.193 0.029 0.002 0.000 0.000 0.000 0.000 0.000 0.000
6 1.000 1.000 0.991 0.780 0.341 0.074 0.007 0.000 0.000 0.000 0.000 0.000 0.000
7 1.000 1.000 0.998 0.891 0.512 0.154 0.022 0.001 0.000 0.000 0.000 0.000 0.000
8 1.000 1.000 1.000 0.953 0.677 0.274 0.054 0.004 0.000 0.000 0.000 0.000 0.000
9 1.000 1.000 1.000 0.983 0.811 0.425 0.115 0.013 0.000 0.000 0.000 0.000 0.000
10 1.000 1.000 1.000 0.994 0.902 0.586 0.212 0.034 0.002 0.000 0.000 0.000 0.000
11 1.000 1.000 1.000 0.998 0.956 0.732 0.345 0.078 0.006 0.000 0.000 0.000 0.000
12 1.000 1.000 1.000 1.000 0.983 0.846 0.500 0.154 0.017 0.000 0.000 0.000 0.000
13 1.000 1.000 1.000 1.000 0.994 0.922 0.655 0.268 0.044 0.002 0.000 0.000 0.000
14 1.000 1.000 1.000 1.000 0.998 0.966 0.788 0.414 0.098 0.006 0.000 0.000 0.000
15 1.000 1.000 1.000 1.000 1.000 0.987 0.885 0.575 0.189 0.017 0.000 0.000 0.000
16 1.000 1.000 1.000 1.000 1.000 0.996 0.946 0.726 0.323 0.047 0.000 0.000 0.000
17 1.000 1.000 1.000 1.000 1.000 0.999 0.978 0.846 0.488 0.109 0.002 0.000 0.000
18 1.000 1.000 1.000 1.000 1.000 1.000 0.993 0.926 0.659 0.220 0.009 0.000 0.000
19 1.000 1.000 1.000 1.000 1.000 1.000 0.998 0.971 0.807 0.383 0.033 0.001 0.000
20 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.991 0.910 0.579 0.098 0.007 0.000
21 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.998 0.967 0.766 0.236 0.034 0.000
22 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.991 0.902 0.463 0.127 0.002
23 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.998 0.973 0.729 0.358 0.026
24 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.996 0.928 0.723 0.222
PROBABILIDAD Y ESTADSTICA
119
TABLA DE VALORES DE e
- X
X e
-X
X e
-X
X e
-X
X e
-X
0.00 1.000000 2.60 0.074274 5.10 0.006097 7.60 0.000501
0.10 0.904837 2.70 0.067206 5.20 0.005517 7.70 0.000453
0.20 0.818731 2.80 0.060810 5.30 0.004992 7.80 0.000410
0.30 0.740818 2.90 0.055023 5.40 0.004517 7.90 0.000371
0.40 0.670320 3.00 0.049787 5.50 0.004087 8.00 0.000336
0.50 0.606531 3.10 0.045049 5.60 0.003698 8.10 0.000304
0.60 0.548812 3.20 0.040762 5.70 0.003346 8.20 0.000275
0.70 0.496585 3.30 0.036883 5.80 0.003028 8.30 0.000249
0.80 0.449329 3.40 0.033373 5.90 0.002739 8.40 0.000225
0.90 0.406570 3.50 0.030197 6.00 0.002479 8.50 0.000204
1.00 0.367879 3.60 0.027324 6.10 0.002243 8.60 0.000184
1.10 0.332871 3.70 0.024724 6.20 0.002029 8.70 0.000167
1.20 0.301194 3.80 0.022371 6.30 0.001836 8.80 0.000151
1.30 0.272532 3.90 0.020242 6.40 0.001661 8.90 0.000136
1.40 0.246597 4.00 0.018316 6.50 0.001503 9.00 0.000123
1.50 0.223130 4.10 0.016573 6.60 0.001360 9.10 0.000112
1.60 0.201897 4.20 0.014996 6.70 0.001231 9.20 0.000101
1.70 0.182684 4.30 0.013569 6.80 0.001114 9.30 0.000091
1.80 0.165299 4.40 0.012277 6.90 0.001008 9.40 0.000083
1.90 0.149569 4.50 0.011109 7.00 0.000912 9.50 0.000075
2.00 0.135335 4.60 0.010052 7.10 0.000825 9.60 0.000068
2.10 0.122456 4.70 0.009095 7.20 0.000747 9.70 0.000061
2.20 0.110803 4.80 0.008230 7.30 0.000679 9.80 0.000056
2.30 0.100259 4.90 0.007447 7.40 0.000611 9.90 0.000050
2.40 0.090718 5.00 0.006738 7.50 0.000553 10.00 0.000045
2.50 0.082085
PROBABILIDAD Y ESTADSTICA
120
BIBLIOGRAFIA
1 MENDENHALL, WILLIAM ; INTRODUCCION A LA
PROBABILIDAD Y ESTADISTICA : WADSWORTH
INTERNATIONAL / IBEROAMERICA ; U.S.A 1982
2 SPIEGEL, MURRAY R.; PROBABILIDAD Y ESTADISTICA ;
McGRAW HILL ; MEXICO. 1990
3 HERNANDEZ L. HONESIMO ; ELEMENTOS DE PROBABILIDAD
Y ESTADISTICA ; FONDO DE CULTURA ECONOMICA ;
MEXICO ; 1979
4 OSTLE, BERNARD ; ESTADISTICA APLICADA ; LIMUSA ;
MEXICO ; 1989
5 McALLISTER, HARRY E. ; ELEMENTOS DE ESTADISTICA EN
ECONOMIA Y LOS NEGOCIOS ; ECASA ; MEXICO ; 1987
6 FELLER, WILLIAM ; INTRODUCCION A LA TEORIA DE
PROBABILIDAD Y SUS APLICACIONES ; VOLUMEN 1 ;
LIMUSA ; MEXICO ; 1983
7 MEYER, PAUL L. ; PROBABILIDAD Y APLICACIONES
ESTADISTICAS ; FONDO EDUCATIVO INTERAMERICANO ;
MEXICO ; 1982
8 LEVIN, JACK ; FUNDAMENTOS DE ESTADISTICA EN LA
INVESTIGACION SOCIAL ; HARLA ; MEXICO ; 1987
9 CEDILLO, TENOCH E. ; ESTADISTICA ; SECCION DE
MATEMATICA EDUCATIVA DEL CINVESTAV - IPN ; MEXICO ;
1986
PROBABILIDAD Y ESTADSTICA
121
10 MORENO N., MIGUEL A. ; PROBABILIDAD ; SECCION DE
MATEMATICA EDUCATIVA DEL CINVESTAV - IPN ; MEXICO ;
1985
11 HARNETT - MURPHY ; INTRODUCCION A LA PROBABILIDAD
Y ESTADIS TICA; ADDISON - WESLEY IBEROAMERICANA ;
U.S.A.; 1987
12 GARZA OLVERA, BENJAMIN ; ESTADISTICA Y
PROBABILIDAD ; INTER- AMERICANA DE ACESORIA Y
SERVICIOS ; D.G.T.I. ; MEXICO; 1994