Professional Documents
Culture Documents
Probabilidad y Estadistica Octavio Sanchez PDF
Probabilidad y Estadistica Octavio Sanchez PDF
i 10% ies) i 0% mo 012345678 9 WN 1 IS i Niimero de defectuosos } Probabilidad 100% 7 | 909% — | Itt i | 18% Probabitidad acumulada del némero de ar- | Afeulos defectuosos en una muestra de 15 anticulos, considerando 15% de articulos 50% | defzctuosos en la poblacisn, | 14 ' ze i! | | | ) | | ii | owe L cee | iid 6 123 4 5 6 7 8 9 10:11 12:13 14 15 Ninero de defectuosos Como puede verse en la grifica antericr, la probabilidad acumulada de 0. 1. 2 0 3 articulos de~ F fectuosos es 82.27%. mientras que la probabilidad acumulada de 0. 1. 2.3 0 4 articulos defectuasos cs de 93.83%. valor que se excede del limite de aceptacién establecico (90%, por lo tanto. podrian aceptarse en la muestra 0. 1. 2.0 3 articulos defectuoses, Un ntimero mayor que éste debe motivur que rechace por completo e) embarque o Icte de donde proviene la muestra puesto que existsia evi- dencia de que éste tenga mis del 15% de articulos defectuasos, Observe que el resultado obtenido puede encontrarse directamente en ta tabla correspondiente en los anexosO-O-O- 214 Probabiliday estadistea AP@A pa @$mp—aa$pjm a Ejercicio 8.16 Utlice 1a tabla de los anexes para determinar el nimero miximo de defectwosos perm ble en uns muestra de 30 atticulos,siel porcentaje de defectuosos tolerable en la pobla- cidn es del 12%. Considere sn nivel de confianza del 90%. Solucion: * Tal como Jo indica Ia tabla, el numero méximo permisible de articulos defectuosos es 5 La distribuci6n hipergeométrica {La distribucion hipergeométrica es una forma particular de la distribucién binomial; en ella, los resul {ados de los procesos no pueden presentarse mas de una vez, eso es. el muestreo de los elementos de Ja poblacién se realiza sin reemplizo. Debido alo particular de su plantean ento esta distribucién tiene poco valor prctico, aunque es muy adecuada para calcular, por ejemplo, ta probabilidad de que. de una poblucién de N alutnnos. de los cuales T tienen una caracteristica descada, se presenten a una reunidn exactamente un mimero x de alumnos. si se invité aeatoriamente a alums, La distribucién hipetgeométrica debe wilizarse en ver de ta distribucién binomial cuando el tamaio de la poblacién sea pequefio en comparacidn con el tamano de la muestra. por ejemplo. si la muestra excede del 20% de la poblacisn, ‘Las wes féromilas que se presentan easeguida son alggbraicamenteiguales(comprubelo). y pert ‘an caleular [a posibitidad de Ia distribucicn hipergeométrica, como se muestra en los ejemplos. | ! (N-T\/T | | Cee) | a r—S lea i { | 1 { -n Tt i = N=T =a Tal Points SOO I ndintero deseadoDistribuciones de probabiliad para variables discretas. 215 Q“O~G— Ejercicio 8.17 De un grupo de 100 personas, 20 son mujeres, Si se selecciona al a 84 30 personas, jeudl es a probabilidad de au en ta selecein : ya exactamente 8 mujeres? Solucion: * La muestra excede del 20% de Ia poslacin, y el muestreo de los elementos de la poblacsn se realiza sin reemplazo, por lo que es udecuado utilizar la distribucion hipergeométrica en vex de Ja binomial, de la siguiente forma: En este caso, x = 8, N= 100, T= 20 yn = 30, (100 ~ 20)t 20 G0 ~ 8000 = 30-304 BF 8120-8) P (81100, 20, 3 100! 30I00 = 30; i 7.1569 10" 24329 10 (1124 107) (2.3506 10) * 40330) 4.79 = 10 9.3326 1957 (26525 10°) (1.1979 10) = 0.1162 = 11.62% Ejercicio 8.18 De un grupo de 100 personas. 20 son mujeres. Tabule la distribucion de probabilidad hi- # 7 pergeométrica del niimero de mujeres, si se selecciona al azar a 30 personas. Sotuelén: + En este caso 1 puede tomar valores desde cero hasta veinte, Nes igual a 100. Tes My mes Mh: por lo que por lo q (100 = 20,1 -— 30 — 00 = 20-30 Fy AO wt (01190, 20,30) = oe Pst 100, 20,30) on “300100 = 3~O“C-C— 26 Probabilidad y estaistiegs AAA $pA$?_$?_$$_$_$$_____ + Ladin de oa | Probabilidad (x) | 0.03% } 0.36% | 1.88% | 5.97% 12.68% |19, 189%] 21.41% id resultante es: 1 lara T | x z os |e | sj 9 | ; t | Probabilidad (x) | 18.03%! 11.62% | 5.78% | 222% | 0.66% | 0.15% 0.03% | [ x a CS _—— Probabildad (| 000% | 000% [O00%| 000%) OaDm [owe] oom La distribucién binomial como aproximaci6n a la hipergeométrica La distribucién binomial puede utilizarse para obtener, ‘una aplicacion propia de la distribucidn hiperzeométric ‘Compare su resultado con el que se obtuvo en el inciso de manera rapida, resultados aproximados de a, tal como se muestra en el siguiente ejemplo, relativo 2 la distribucién hipergeomé Ejercicio 8.19 De un grupo de 100 personas, 20 son mujeres. Si se selecciona al azar 30 personas, ;cusil 5 la probabilidad de que en ta seleccién haya exactamente 8 mujeres? Sotucién: * El miimero de éxitos deseado es 8 (x ~ 8); Ia probabilidad simple de que ocurra un éxitofmu: Jen) £8 20/100 ip = 0.2y:y el miimero de veces que se tomara un elemento del grupo es 30 (n = 30), La aplicacién de la distribucién binomial produce: ne _ ; PinsSy nl =p)25 La media y la desviacién esténdar de la distribucin normal se obtienen por medio de las siguientes Formulas: Media = Nuimero de eventos « Probabilidad de éxito Walla =p = Desvaciin _ [inerode ~ Prbablidad ~ Probabiidad | estindar’ “Vevey deésto, " defraca o=Vnepel—pys ‘Ajuste por continuidad Simbolo Ajuste s +05 > | +05 2 05 {oo ~05 Dado que la distribucién binomial es disereta (s6lo acepta valores enteros}, mientras que la distribu- ion normal es continua (acepta cualquier valor), la variable normalizada (:) debe calcularse incluyendo lun ajuste por continuidad equivalence a +0.5 si la expresisn buscada es del tipo “menor o igual que" 0 "mayor que": 0 a ~0.5 si la expresidn buscada es del tipo “mayor o igual que” o “menor que” A continuacidn se presentan algunas grificas que ilustran el concepto de ajuste por continuidad, ecesario cuando se utiliza la distribuciéa normal como aproximacién a la binomial, y enseguida se afrece un ejemplo al respecto, — 7 reset MR teers (22 HB BS rn as, S20 : _—— Se—O-C=C= 234 Probabilidad y estadSth_@ APD@Pp_$pAP?$?€$€ $$ A$$ Observe ue. en las figuras anteriores, s¢ cumplen las equivalencias que se presentan nseguida: Pix PiIX=6) PIN<9)=PIXS8) PIN > -6)2 P(N =-3) PAX = PIX = -6) ‘Ota forma de ver las -ificas antetiores es considerar una hilera de érbole: ‘amas de cada drbol cubren is. com se Sefiala en la figura 9.1 ‘olocados a un metro de distancia entre si. 1 metro despy ‘0 antes de su troneo fasta medio rea de influvencia ‘sombrayde cada debe! | concepto de variables, resentado en el tema variables del capitulo Ejercicio 9.3 Una fibrica produce alfileres con 2.5% de defectuosos. $i se toma una muestre de 24K lores, :eusil 2s fa probabilidad de encontrar 3.0 més defectunses? Souci + La probubitidud de encontrar 3 0 mis defectuosas es igual, por complemenia. a uno menos le encontrar men$$ Distribuciones de probabilidad par ables continuas 235 —Q-Q~O— Probabilidad (3 0 mds defectuosos) = 1 ~ Probabilidad (menos de 3 defectuoses) 1 = (PO) + PC) + PO) = PIO) ~ PU) - PQ} Distribuci6n del nimero de defectuosos en la muestra PO) + POL) + PQ) PG) + PAY + + PRO) | Menos de tres Tres 0 més defectuosos La solucién de este problema puede obtenerse por medio de la distribucién binomial. pero también, y ins fécilmente, aunque en forma aproximada, por medio de la distribucién normal si se cumplen las siguientes condiciones: (Mimero de arviculos + Probabilidad de éxito) 2 5, » [Mimero de arriculos «(1 ~ Probabitidad de éxito}) = np> Sya(l~ pie $ Dado que m= 200 y p = 0.025. n 0.025 = 5 = 5 y n(1 ~p) =200 +11 ~ 0.025) = 195 = $5. por lo tanto es adecunda ta aplicacién de la distribucién normal, La media y la desviacion estindar se caleulan ida: Medic = Nimero de eventos « Probabilidad de éxito 10040.025 Media = n+p =p. Desviacion _ [Wimerode ,Probabiidad ,Probbitdad esténdar eventos de éxito de fracas. - é a o=Vanepe —p)= Vag = V 20000.025) (1 ~ 0.025) = 2.208 joserve que la probabilidad deseada, P (3 0 més defectunsos), 28 Ddefecnunosses deci Pix PX El ajuste por continuidad es positivo, y el valor de < es: . — 1 Xow 205C-C-C— 236 Probabilidad y estadistica De las tablas, el dtea bajo la curva entre 0 y 1,13 es 0.3708, por lo que el area buscada es: 7 7 7 . 5 7 Tem La distribuci6n normal como aproximacié6n a la de Poisson La distribucién de Poisson puede simplifc media sea mayor de 10. La media y la desviaci6n estindar de la distribucién normal se obtienen por medio de las siguientes formulas: ise por medio de la distribuciGn normal si se cumple que la ‘Media de la normal = Media de Poisson = Media de Poisson = "a Desviacién estindar de ta normal Dado que la distribucidn de Poisson es discreta (s6lo acepta valores enters), mientras que la distribuc
16, X < 38), es de- cir, P(X 217, X £37) = P(X > 16 > X < 38), En este caso, ef ajuste por continu dad de limite inferior (asociado a P(X > 16)) debe ser 40.5, mientras que el ajuste por continuidad del limite superior (asociado a P (X < 38)) debe ser 0.8 de tal suerte que: — X= p25 6-7 Desviacién estdndar = 2.02 eee clOSaete ° Desviacion estindar aoe De las tablas, el dea bajo la curva entre 0 y 2.02 es 0.4783. por lo que el dea buscada es: Area toral = 0.4783 + 0.4783 La distribucién exponencial La distribucion exponcncial es una variarte de la distribucidn de probabilidad de Poisson en la que la formuly aplicady es igual a uno menos la probabilidad de Poisson cuando el mimero de Exitos desca- dos es 0, esto es: ie | Pov etitos| = Pus estan = aye = Pais A | a 1 eee xt (2.71828) (2.71828)" a] minar la probabilidad de que ocurra un primer impla un cierto tiempo limite (7) tal como se La distribucién exponencial puede servir para det evento de una distribucién de Poisson. ances de que sé muestra en el ejemplo siguiente.C-C-O— 258 Probabilidad y estadsea™ PAA aA Ejercicio 9.5 En una carretera pasan en promedio 27 automdviles por hora, {Cul es Ia probabilidad de £ ue pase por ahi un automévil en el lapso de los proximos tres minutos? Solucion: * Este problema puede resolverse aplicanclo directamente la distribucién exponencial, cuya for. ‘mula es la siguiente PEL primer éxito ocurra antes de | sa tiempo T) 1 DI 1BI8 Peat are i [_PCElprimer éxito ocurra ames ce un tiempo 7 EI promedio de éxitos (automsvi es) en 3 minutos es: Promedio (3 minutos) = Promedio por hora « el + La probabilidad buscada es la sigaiente: 1 Un éxito anve de 3 minutos) oe 6.2592 0.7408 = T4.089% * Verifique que si se aplicara la dis:ribucién de Poisson para 1. 2, ..infinito numero de éxitos, £ se obtendrian los siguientes valores de probabilidad Pity = 0.3500 PO) =0.0004 P12) = 0.2362 Pi8) =0.0001 Pp =0.1063 P19) =0,0000 Pedy = 0.0359 P19) =0,0000 P18) =0.0097 P61 0.0022 PUnfinito mimers de éxiros) = 0.0000 ‘Los valores anteriores suman el valor buscado: 0.7408,—————Bistribsciones de probabilidad para variables continuas 239 —C+O-O~ Ejercicios para resolver en grupo Disefe y fabrique un pequefio articulo y por medio de una encuesta & 60 personas, determine cuinto debe costar dicho articulo. Caleule la media y la desviacién estiindar de los valores obtenidos y caleule la probabilidad de que un precio igual al 99% de la media obtenida sea aceptado por ta poblacién, . Investigue Ia estatura de 50.0 mas personas mayores de 16 afios y determine la media y la desviacion estdndar de éstas. Calcule el rango de estaturas que componen el 60% central de la distribucién ‘ebtenida, Compare dicho rungo con las estaturas de otras 10 personas y determine qué porcentaje de éstas caen en ese rango. Presente y comente los resultados ante sus compafierus de clase, 3. La Secretaria de Comunicaciones y Transportes (www.sct.gob.mx) mantiene actualizada la es- ladistica portuaria, donde registra, entre otros, el niimero de vehiculos transportados por va mi tima en trafico de altura. Con base en la informacién mas reciente, determine la probabilidad de que, en un mes cualquiera, e! nimero de vehiculos sea superior al 10% del total anual. Considere una distribuci6n normal para este caso. Ejercicios propuestos 1. Determine el porcentaje del érea bajo la curva de distribucién normal ay Entre dy Entre = 2. Suponga que el monto promedia de compras por cliente de una empresa es $128.45, desviaciGn estindar de $18.26, Determine la probabilidad de que un cliente compre a) Mas de $100.00. by) Mas de $150.00. ©) Menos de $120.00. Suponga que el monto promedio de compras por cliente de una empresa es $128.45. y una desviacidn esténdar de $9.13. Determine la probabilidad de que un cliente cualquiera compre 2) Mas de $100.00, by Mis de $150.00, ¢) Menos de $170.00. 4. Un automévil consume 0.08 litros de combustible por kilémetro y recorre diariamente una distan- cia promedio de 385 km, con una desviacién esténdar de 25 km, {Cuantos litros de combustible debe tener el tanque al iniciar el dia si se desea asegurar que al menos el 99.9% de los dias no falte combustible? mover un vaso leno de agua de un lugar a otro, se derraman en promedic 6.2 milimetros. con tuna desviaci6n estindar de 0.8 mn, Si se desea garantizar que por lo menos el 45% de Jus veces ‘que se mueva el vaso no se derrame. zeuénto be dajarse sin llenar?Ooo 240 Probabilidad y estadsti¢a $A $$_?$_?$~_______ 6. Un auditor escoje al azar 200 cuentas de un banco que tiene 4% de clientes morosos. Determine Dor medio de ta distribucién normal, la probabilidad de que el auditor encuentre 5 » ms clientes 7. Un inspector de calidad toma una muestra de 150 articulos de una produccidn que tiene 6% de defectuosos. Utilice la distribucién normal para determinar la probabilidad de que le muestra contenga mis de 10 articulas defectuosos. 8, Un empleado bancario atiende en promedio 8 clientes por hora. Aplique la distribucign normal para calcular la probabitidad de que el empleado atienda entre 4 y 10 clientes por hora 9 Cierta resin sure un promedio de 65 accidemtes por aio. Utlice la dstribucidn normal para de- terminar la probabilidad de que. en un afo cualquiera, ocurtan mas de 70 accidlenves, 10. Un empleado bancario atiende en promedio 8 clientes por hora, {Cuil es la probabilidad de que durante los préximos cinco minutos Hegue un cliente? 1M. Las manzanas de la variedad Azby tienen un peso promedio de 215 gramos y una desviacién es- \andar de 18 gramos. Si se toma a. azar una de éstas, ;cusl sera la probubilidad de que pese mis de 225 gramos? 12, La banda de un motor a diesel tiene una duracién de 750 horas y una desviacién estandar de 40 horas. {Con cusintas horas de uso deberd cambiarse la banda, para tener una probabilidad de 90% de que la banda no fallara? Se desea lograr una produccién de por lo menos 6250 kilogramos de fresas, a partir de plantas Gue producen en promedio 3.8 kg, con una desviacién estandar de 0.31 ky. ;Cudntas plantas de- berdn cultivarse si se desea tener una probabilidad de éxito de 95% 0 més? 14. Una empresa tiene 25 agentes de ventas y cada uno de ellos atiende diariamente a 80 posibles tentes, De esos posibles clientes, sélo el 7% compra los articulos ofrecidos, con una desviacién estdndar de 12 clientes. {Cust es la probabilidad de que un dfa cualquiera el niimero de clientes sea superior a 150? {Cual seria esa probabilidad si el nimero de agentes de ventas fuera 30?° ° ° _ CAPITULO 10 50008 0° 220000000008 9000098006, 26 0° ° 90° a. oO Anilisis ° de tendencias oO TL ee Oe OaO-C-C— 242 Probabiliday estates AAP $$$ $$$ iB Andlisis de tendencias La observacién metédica de los fenémenos es la base del Nuestro aprendizaje esté fundamentaido en el anlisis de I cosas que nos rodean, Por ejemplo, si se aplica un poco d Seguro es que se observe un incremento en la produtceién, ‘mente la producciGn seguira aumentando. El estudio de los datos del ejemplc anterior senta enseguida, conocimiento y de la experiencia humana, le tendencia u orientacién que muestran las le fertilizantes a un cultivo agricola, lo mis Si se continds aplicando fenilizante, segura. Podria generar una tabla de daios como la que se pre- Ferulizame(keim’y | 0 | oa | 02 Produccién (ton/ha) Si estos datos se presentan en una grfica cartesiana, se tendria lo que se conoce como diagrama de dispersiGn, en el eval aparece Is relacicn entre dos variables, en este caso la canidad de fertilicames ¢ el producto cosechado, on ee Como puede observarse, en el diagrama de dispersin existe una relacin entre et ferifizante apl ado y el producto cosechado, ast como también existe entre el presupuesto de publicidad de uma em= ‘rosa s 6] monto de las ventas que genera, o entre la preston barométricu del ambiente y la probabilidad fe qu IIueva: sin embargo, hay selaciones que no existen, o que no tienen sentido, como la edad 4° tina Persona y el costo de un automévil.o el niimero de Hamadas de larga distancia en Arwentina ¥ 18 Produccisn forestal de Canads, por lo que es necesario identificar ldgicamente las etaciemes entre JOS © mas Variables.Andlisis de tendencias, 243 -O-O-O— Analisis de regresién En el diagrama de dispersiGn mostrado se observa cierta tendencia 0 rlacidn entre los datos, es decir Sie aplica mas fertlizant, se obtien: una mayor cosecha, Esta tendencia puede expresarse por medio dle una linea recta deducida visualmente con base en los puntos del diugrama, tal como se presenta en seguida: w 4 Eu a Con base en la linea de tendencia trazada, conocida formalmente como recta de regresién, ¢s posi- ble conocer aproximadamente, por redio dela grea, la cosecha esperada si se aplicarancantidades de Fetilizantes que no se hayan experimentado, por ejemplo, 0.15 0.0.27 kgs’. A este proceso se le conoce como interpolacin (porque los valores deseados estén dentro del interval de valores conoc- dos, en este caso, desde 0 hasta 0.4 kg/km? de fertilizante aplicado. Vea el tema “Interpolacién linea! en el capftulo 1 “También es posible pronosticar en forma aproximada, por medio de a gréficn, la cosecha esperada si se aplicaran eantidades mayores (0, en otto caso, menores) que las conacidas. pr ejemplo. 0.43 9 0.58 kg/m*. A este proceso se le conoze como extrapolacin. La extrapotacicn debe aplicacse cuidadosamene, pues es fil suponer un comportariento val de las variables estudiadas, sobre to- do cuando nose consderan los mites de ls cosas. Por ejemplo, a, spies un exceso de fertilizame podria — daar las plantas incluso provo- car que se perdiera por completo - Ta cosecha, En este ejemplo sews 7 puede ver que la relacidn entre ue ferilizante y produccion puede = $f 5 wreeyg representarse por medio de una recta pero solo en un pequei tervalo, pues en realidad la rel cién es mas bien en forma de una curva, tal como se aprecia en la fi- ura de la derecha.O-O-C— 244 Probabilidad y estadisthes. AP@§aA@$A$N $$$ Cuando sélo se analizan dos variables para generar una recta de regresién, se dice que se hace una regresidn lineal simple. Si el resul- tado fuera una curva, el anilisis serfa de regresidn no lineal. Por otra parte, considere que el fertili- zante aplicado no es la tnica va- riable que afecta a la cosecha: también influyen ta humedad, la temperatura, el tipo de suelo y mu: cchas otras, Cuando se toman en ‘cuenta mas de dos variables, se di- Se que el andlisis es de regresin mltiple. (Vea el concepto de srficas de barras de 2 variables (Cap, 2) y dediizcalo para 3 0 més variables.] Simple Lineal Multiple Regresisn Simple No tineal Multiple Tal como se vio en los pirrafos anteriores, la recta (o curva) de tendencia de un fenémeno estud do puede obtenerse en forma grafica con base en los datos obtenidos en el estudio, con la condicion de que la recta (0 curva) resultante quede tn cerca de todos los puntos como sea posible: sin embargo, la forma més comiin de hacerlo es por medio de las férmulas deducidas por Kar! Friedrich Gauss tmate- :matico alemén, 1777-1855), en un metodo conocido como de los minimos cuadrados, sesin se presen- tu en el ejemplo siguiente Ejercicio 10.1 Determine, con base en Jos siguientes puntos, la ecuacién de la recta de mejor ajuste (y nv + b).y caleule con ésta el valor de y para v = 7, x 33 | 48 | 65 | 75 we fx [3 | 0 y= mu + dimes la pendiente de la rectayAnalisis de tendencas 245 —O-Q-O— Las variables m y b pueden obtenerse utilizando las siguientes férmulas del método de mini- ‘mos euadrados: Mimero de datos» suwa (X + ¥) ~ suma(X) «sum ) Miimero de datos * suma (XP ~ (sua OP suma (X) + Stata (Y) ~ sums (X) + sussa (X= Y) Be Niimero de datos * sussa (X°) ~ (stima GOP * Paracel céleulo de Sx, Sy, S1° y Sy puede utilizarse una tabla como la siguiente: y | 7 18 20 23 | 30 98 e 2.25 1089 23.04 | 36.25 | 134.68 ies (540.4) ~ (23.6) (98) _ (134.68) ~ 23.6)? 34.68) (98) ~ (23.6) (540.4) (5) 134.68) ~ 23.6)" 3.342 = 3.823 + Dado que y = my + b. la ecuacisn de la recta es: y = 342x + 3.823, por lo tanto: ¥ (7) = 3.34209) + 3823 = 27.217 (8) = 3.34218) + 3.82: 0, 59 19) 34219) + 3,823 = 33,901 + A.continuacién se presenta ta gre- icacién de los datos originales, ai ‘como la recta de ajuste y los puntes ‘buscudos. el primero de los cuales se obtiene por interpolacion y los dos ultimos por extrapolacicin, Observe Ia diferencia entre los va. lotes reales u observados y Tos que resultan al aplicar la recta de ajuste GA donde iran de paseo? El pops, la mamé, el hijo y la hija se preparaban para salir © pasear, pero habia un serio problema: podian ira varios lugares pero cada persone queria ira.un lugar diferente. 3A dande iran? gCémo irén? glran? El acuerdo entre ellos era dificil, pero mediante un sencillo procedimiento se resolvié este dilema, A cada persona se le pregunté a dénde queria ir. Esto fue muy facil Enseguida se le pregunté o que lugar quisiera ir si fuera imposible ir al lugar seleccionado primeramente. Después se le preguni6 a dénde iria si fuera imposible ir a los lugares sefia- lados antes, y asi sucesivamente.O-C—O— 246 Probvabilidad y-estadttie™ A$mimq$} MA Ama Las respuestas de cada persona se tabularon de monera similar a la siguiente, en la cual cl némero 1 representa el lugar més deseado de cada persona La suma horizontl de meaner valor representa el lugar que satisface de mejor manera o todas las personas, aunque solo una de ellas (0, en otro caso, ninguna persona) lo haya escogido como su preferido, | tuger | Pape | Mama | Hie | Hie Suma de preferencios | | Cine 5 2 1 3 u Futbol | 1 5 3 5 4 | Parque 4 4 5 2 15 Alberca | 2 3 2 1 | 8 | Teatro | 3 1 4 4 2 [eas aL | =| Cuolaquier semejanza con el ajuste de rectas por el método de minimos cuadrodes, en el que a veces la recta resultante no toca ningun punto original, ses mera coincidencia® Moraleja: Un mal arreglo es mejor que un buen pleit Analisis de correlacién Asi como el andlisis de regresién permite obtener una formula que ims variables, el andlisis de correlacisn obtiene un indice que muestra el variables. presa la relacion entre dos o ado de relaciGn entre dos 0 mis El eoeficiente de correlacion lineal, desarrollado por el matemético inglés Karl Pearson (1857-1936) 5 conocido con Ia letra r, puede tomar valores desde ~1 hasta +1. Son estos extremos los valores que wnanifiestan una relacidn lineal perfecta (aegativa o positiva). seguin se ejemplifica en los siguientes amas de dispersion, ' " t . 5 \ \ : ~\ ~ : : \ . : — a S > VY ——e >t > —Analisis de tendencias, 247 [et [= [a ‘Tat e[e] [Espa on trode [econ # [| 8. Cale zon dea a mina cut acne een cnn realy lent jb seeps — ET Ta To stole eps [ee =is | =30 | ae [oa [oe fon 9 Caleule la e -cuaci6n de la recta de minimos euadrados, asi como el coeficiente de eoelacién li neal y el error estdndar det ajuste de los siguientes puntos: Lx | -3 | - 0 3 6 Lv | -200] 1297-95 7 04 84 10, Calcule Ia ecuacién de la recta de minimos cua f como el coeficiente de correlacisin lineal y el error estdindar del ajuste de los siguientes puntos: 1 x of ifo2ta 7] 8] | lee a7 eo | | ee ral} 752 | -614 volun, scxipta manent. “Las palabras vuelan, lo escrito permanece.” : Fee ELL | Tamaiio Porcentaje de articulos defectuosos tolerable en el Jote que se muestrea dela — J —J — 3 ;0 0|0/0 0 | 0 7 7 ; imvetra | 1% | 25 | 3% | as 50 ost] 7a! we | oF [10 [1206] 15m 20% | 25% | 02 [sor 30 | [a fafat tri olefotolel= [= iI lo-C-C-C— 252 Probabilidad y estadistica Anexo 1. Carta de compromiso Mi nombre (nombre y apellidos) es _ ¥y estudio la carrera de Estoy aquf porque quiero y porque puedo, nadie me trae a la fuerza. y tampoco vine a ver si puedo. Esjoy cursando Ja materia de Yy S€ que el profesor asentard mi calificacisn fi- ral tinicamente en el Acta de Examen Ordinario que emita la Diteccivin de la Escucla Asistiré puntualmente a todas las cases con mis tiles escolares completos (cuuadernos, libros, apuntes, calculadora, plumas. lipices, borradores. sacapuntas, colores, marcadores, lupa, rela calendario, reglas. escuadras. compis, transportador, agua. comida, ete.) y con muchas ganas de estudiar, Dedicaré tiempo y esfuerzo suficiente (antes. durante y después de la clase) para entender los temas presentados, y realizaré ademas (solo 0 en un pequefio grupo de estudio) todos los ejerci- clos necesarios para confirmar mis conocimientos, En caso de que tenga dudas, aclararé con mi profesor o con quien pueda. porque portante no es lo que el maestro ense’a, sino lo que el ulumno aprende. «que lo mis i= ». Me prepararé para los dos ex.imenes parciales, y en cada uno de ellos presentaré tn excelente tea bajo consistente en diez ejercicios resueltos, los que. aunque estén basaclos en otros cjercicios. ten- ran datos diferentes y por tanto sera originales mios. Mis trabajos y mis exdmenes serdn perfectamente legibles, y los resultados seriin lég mente visibles. Si el profesor tiene dudas al respecto, la calificucién serd en mi contra Panticiparé activa y positivamente er clase para ayudar a mis compaferos en el entendimiento de la materia, y para demostrar que si estudié, Aunque tengo la opcidn de presentarme a examen final A y/o B. si cumplo con todas los requisi= tos, quedaré exento de examen, ‘Tengo muchas cosas que hacer. y las voy a hacer. Mi familia, mis amigos y patria lo necesitan, y Dios me ayudaré a logrart. Firma del alumno Fecha Firma del profesorAnexos 253 HOC Anexo 2. Tabla de ntmeros aleatorios | Dos digitos, Tres digitos Cuatro di Cinco aigitas | a ———r—~—r—C———C—C—“(‘EED | #6 19) 298 26801 | 88091086 2o86 | esr soos aso 06 99 76 | 57075100 | 30298888448 | $6491 95772 g2010 0 4% 79 OF 782604628 | 465810071276 26206 33178 | 7 86 83 07 | 579 O57 613. | 85017890 B66 372 27682 | C3 79. ol oa | 348-206 4336 1616 3026 | 77947 «02453-13737 | Q 3 om | 438 790 | 0916 90296499 | SUBOH S5603 74450 a 544060 | 904707378399. | 50640 53688 96004 R80 316-282) 412236795705 | 44014 18935 [ores 043287 | 3021 96415772 | 1842 o2i65 (7 29 5489) 698276 8672947254 | 50687 73646 se 98 9 22 | om oon 8047 5460 4060 | 49338 6017 ) st as st 7 | 30 439 $437 1003 6042} 14623 20208 74 9 9 | oy 4765 2295 | 38246 nas 2% 72 M4 | 308 79082201 | 43177 14663 40913 7 0 7 ons9 9786 | goat 26821 23261 | Si ee 3) 8213. 6174 | 07779. O2618_ 56762 S818 9379 S118 1481 | 33022 61009 16733 | 68 6 828 13021568 | 31144 0198275205 8 02% 17 | 44972155 | 43981 47832 04432 sear oO 78999554 | 81503. OR7I 38732 68 0 | 5009 Oost | 97071 58435. 23737 % 8 O22 os | 0496 7482 | 05129-75779 1H648 eo 09724606 | 6133 76128 43046 49°97) 8796 4699 3602 | 78384 1043274432 | | 31} i 59547869 | 46957 S056 42342 | 4 us 10633937 | y0SS4 12288 98773] B 399 98850256 | T4864 45178 60162 as | 786 8117 0969 | 87088 95446 11432 4) 46 348982560 | OSSS4 WIT 19233 | os | ons 71399196 | 2884988717 ces ten ee cas | 3 | on 03336308 07503 64088 | | oom ea a || 20K 093 | aie 103873 | oxs7s 50022TORC=E— 284 Probabllidad y estadistieg, Anexo 3. Calculo aproximado de la raiz cubica La raiz ctibica de un niimero cualquiera puede obtenerse por medio de la raf? c _2uiente expresidn desarrollada por el autor, con base en series infinitas, aa partir de la si xP ant [oF )F]efw tT )T] 1 formula anterior es vida slo si se aplicardn hasta ef infinito todos los factores, pero su aprox AimaciGn es superior al 99% con sélo cinco o seis Factores. Una forma aproximada de obtener ‘a raiz ctibica de un niimero es extraer repetidamente su raiz cunrta doble rafz euadrada) y enseguica multiplicar todos tos Factores resultantes: por ejemplo. para calcular la ratz edibica de 8: RalZ CUARTA (8) RAIZ CUARTA (1.6817928) RAIZ CUARTA (1.138786) RAIZ CUARTA (10330248) RAIZ CUARTA (1.008158) RAIZ CUARTA (1,0920327) RAIZ CUARTA (1.000507) 6817928 1387886 0330248 10081558, 020327 10005077, HO817928 + 1.1387886 + 1.0330248 + 1.0081558 + 1.0020327 « 1.000507 «... = 1.9996006 Al comparar este valor con el valor exacto, se obtiene una aproximacién de 99.98% (1.999606/2 « 100). misma que puede inerementarse si se inexementa el mimero de Factores considerades. que en este caso fueron solo seis. Eemplo: Obtenga Ja raz cabica de 1953.125. uilizando como fictores sus pr ners nieve raices cuartas sucesivas RAIZ CUARTA (1953.125) = 6.6478608 RAIZ CUARTA 16.6478698 } = 1.657229 RAIZ CUARTA (2.5783463) = 1.126869 RAIZ CUARTA (2671712) = 1.030407 RAIZ CUARTA (1.060983) = 1.907427 RAIZ CUARTA (10149092) RAIZ CUARTA (1.003706) = 1.001625 RAIZ CUARTA (1.0000253) = 1.001155 RAIZ CUARTA11.0002312) = 1.000288 901 El resultado de la muhiplicacidn es 12.4994 12.499865/12.5 + 14401, respecte al valor exact ¥ tiene una aprosimacion de 99,9989% la raiz etibica,Aneros 255 —C-O-O— Anexo 4. Factoriales de los nimeros 70 a 865 Factorial | Nim. Factorial | Nim, Factorial | Nim, Factorial | 70 1.1979&100 [270 66.621 Es40 | 470 3.1828E1053 | 670 SoimsEIeo [78 24809109 | 275.0102 475. 7835361066 | 675 2 7865E1618 7as69E118 | 280 1.6772 480 1.8803E1080 | 680 3902261632 ' 2simiei2s | 285 3.144 485 4.9426E1093 | 685s o33sE1646 1ass7enss | 290 6.0316 490 1.3679E1107 | 690 914631660 hossoEias | 205 1.3024 3.9836E1120 | 695 1 461981675 9.3326157 | 300 3.0506 12201134 | 700 2.42206 1689 LOsHE168 | 303 7.161 3928061187 | 705 4.15878 1708 Lsss2E7s | 310. 21563 1329161161 | 710 7.3080B1717 zorsieiss | 315 65076 qrmogii7a | 715 1.3629E73 6.6895E198 2.161 1.7610E1188 2,6012E1736 18827200 7.4392 6.8908E 1201 S.13RSE1760 646696219 28241 2.8277E1215 1.0508E17 2.6905E230 1.1363 1216461229 2.223561789 134626241 5.1009 S823 1242 867661809 sores) | 345 24916 345 2,5879F 1256 I HOREISI8 S71ME262 | 350 1.2350 550. 1.2789E1270 2.5808F1832 47901273 | 355. 6.738 585. 6614161283 6.207186 anavezss | 360 3.9932 3S779E1297 1 S6MEIS61 163 3.42396295 | 365 2.5108 2.0238E1311 O28EIS 10725746306 | 370 1.6042 1196581325 LONO2EI890 Ws iguesis | 375 1.2232 7390461338 298111904 180 2.00006329 | 380 9.4303 S80 4 7676E1952 SAY72E1918 iss duzesesio | 3857 385 3.2110E1366 2 58SE1933 100968038351 6.801 599 2.2560E1380 7.5082B1947 198 2.59196303 64123 5951, 6S90E1304 2 877EI9I82 200788606374 | 400 6400s 00 1.26568 1408 7.7105E1975 ans 2718uE386 | 40s 6 sce oi 100K9E1422 | 85 2.5783E1961 20 1.0582E398 7.6551 610 810 8.8657E2005 215 -46391E400 9.2450 S15 31489E2020 20228596421 1.1798 620 820. 1SR3ED0 OE 433 625 G.383E1477 | 825. 4354562049 SR6E 444 630 5.9957EI491 3) 1.6946 S| SAI7SEIS6 635 6093361505 ] $35 6. 796022075 240206796468 6H) 6441081519 | S30 2.8087 as 3 AOFE ABO 645 TT9SEIS33 | S45 3 238 e100 | 650. sassoeis47 | ss0 255335096504 33065 E1013 | 055. 9.0035E1561 | #55 20-3830 3 £1026} 650 118466157 | soo 1008 26s 4.8) S$ LSITSEIS09 | 86s S2TMEDI6Tn Anexo 5. El binomio de Newton y el tridngulo de Pascal {2 Potencia » de un binomio compuesto or las lteales A y B pueden obtenerse mediante la siguiente formula, desarrollada por el matemitico inglés Isaac Newton (1642-172, a=! —__I | Bana” | tee Por ejemplo. (a +b) elevado a la cuara potencia es: (a4 bys ats — gly Tay 4-3 at + 4a°b + 6a°b? +4 ab¥ + bt Es ieresante sefalar que los cgeficientes del desarrollo de un binomio elevado a una potencia pueden ordenarse en una ingeniosa figura simstrica conocida como tringulo de Pascal (Baisk Paveal matemitico francés, 1623-1662), en la cual cada uno de los niimeros interiores se forman sumando los ‘Jos mimeros inmediatos que se encuentran zm el renglin superior de dicho mimero. pur ciempls a Coeficientes de (a+ by" SUMA, 0 1 1 1 mt 2 2 124 4 3 13a 8 a 6 6 i os 7 1 1 1s 8 18 56 70 3 256 9 19 36 84 126 126 84 36 9 1 519 0 #1 45 120 210 252 210 120 45 10 1 ros " 1H 58 165 330 462 462 330 165 35 11 1 20s n 112 66 220 495 792 924 792 495 220 66 121 4006 einen___- Anexos 257 -O-O-O— Anexo 6. Muestreo para aceptaci6n de lotes, con un nivel de confianza del 90%. Numero maximo de articulos defectuosos permisibles en una muestra de tamafio n Tama | Porcentaje de ariculosdeletuosos tolerable en el lte que se mueseea es Relea eaelea| ia invest | 1% | 2% | 38 | 45 | 5%] 6x] 70] 86 | 986 [10% [128 | 15% [3 ofofotolofololololote + [olelolototeloloporets s[olofotoTofofofofofoly peiofofolololoforo torr tits 7 Totolo lor opopoy s fofofo ofolort Pope fete r a 60.—C-O-C— 258 Probabilidad y estadisti¢a PPA aA Anexo 7. Area bajo la curva de la distribucién normal estandarizada Media Desviacion estandar ___0.39804928 (y= — 050804028 Ae) 2.71828128! = | em 006 007008 G09 0.0 | 0000 0279319. _.0350 0.1 | 0398 067507140753, 02 | 0795 6d 1103 a4 03 | 119 M443 1ig80 1517 oa | “iss 180K sa 0s | eis 237 0s 2486 o7 2793 08 3078 oo | S30 10 3877 nu | 3790 m | 3980 13 4147 1a 4292 Ls ai 16 4525 1a 4616 Ls 4693 19 A756 20 805 24 850 22 2868 84 3 | 4308 4904 2011 24 | 4922 49274929 4932 23] 4941 49434946 3989 26 4956 49594960 3962 az | 4965 49694970 4972 aaj 4976 4977 4978 4979 “ona 29 4982 49844984 4085864086 0 4987 49884989 3089 49m) 990 st | 4991 4992 9924992, 302 yoos “ws 52 4994 4004 4994 444d 4995 yoos “400s 3 4995 4998 4995 404 3996 70H HI 4 “1007 4007 49874907 "awo7 WUT 5 4998 a ee ee xn | ug “3099 4999 11999 4900 490) ao) 0K) 7 | 4909 34909 4900 “3409 foo 40) nwa 38 | 4008 y99 ooo 4909149994999 ams 4999 3@ | ou “Soon S00 So) 50) SH Sexy 500TS ARN Aneros 259 Oe A Anexo 8. Glosario A Alentorio. Relativo al azar (casuatidad, coincidencia o suerte), Proceso cuyo resultado es imposible conocer anticipadamente, por ejemplo, al lanzar un dado, ;euél niimero aparecerd Anilisis de correlacién, Célculos necesarios para cbtener un indice 0 coeficiente que muestre el gra- do de relacién lineal entre dos o mas variables. Vea coeficiente de correlacién lineal is de regresidn, Célculos necesarins para obtener una férmula que exprese la reckon entre dos © mis variables. Vea Regresién, Ancho de clase, Conocido también como intervalo, o rango o amplitud, esté marcado por los valores inferior y superior que delimitan la clase. Por ejemplo: la clase 1975 de conscriptos tiene un ancho de clase de 365 dias (de enero 1 a diciembre 31 de 1975): la clase de estaturas de 1.61 a 1.10 me, «70s tiene un ancho de clase de 10 centimetros (1.61, 1.62, .., 1.69 1.70 metros). Arbol de probabilidad. Grifica que presenta los resultados posibles de un evento, asi como la proba bilidad de cada uno de ellos. Su caracteristica Fundamental es que la suma de las probabilidades de los resultados posibles en cualqu er ramificacién es uno (0 100%). Asimetrfa, Conocida también como sexgo, es la caracteristica de las partes de un conjunto, de manera gue dos 0 ms de ellas no corresponden en posicién. forma o dimensiones a uno y ott lao de un Punto, de una linea o de un plano, Vea coeficiente de asimetria de Pearson Anal c Clase. Conjunto de elementos que tienen tne caracterftica comin. Por ejemplo: la clase 1975 de cons: criptos: Ia clase de estaturas de 1.61 a 1.70 metros. Cooficiente de asimetria de Pearson, Conocido también como sesgo. es una medida que expresa la asimetria de una distribuci6n de frecuencias. Un valor positivo indica asimetria a la derecha (Ia media es mayor que fa mediana), mientras que un valor negativo indica asimeitia a la iz- quierda (la media es menor que la mediana) Coeficiente de correlacién lineal. Valor que define e} grado de cercania de un vonjunte de puntos a su recta de ajuste, Varia desde —1 para un ajuste perfecto von pendiente negativa. hasta +1 para un ajuste perfecto con pendiente positiva Coeficiente de curtosis, Es una medida de la deformacién o uplastamiento. respecto al ee horizontal de la distribucién de frecuencias de tn conjunto de datos. Con esta medida, las distribuciones de Tecuencias pueden clasificarse como leptoctirticas (picudas), mesocurticas ‘suas izadas) 0 plat ccarticas (planas). Coeficiente de variacién, Relacisin de a desviscién estindar respecto a la media de un conjunto de datos. Permite comparar la dispersi6n de dos 0 més conjuntos de datos, Combinacién, Agrupamiento de elementos en el cul el orden de éstos earece de importancia, Por ejemplo: en una combinacidn el grupo de elementos ABC es upo BCA, Compare este concepto con el de permutacién, Conjunto, Agrupacién de elementos con una o varias caracteristicas comunes. por de estueliantes 6 los nuimeros enteros positivos. Consolidacién de clases. Es el proceso de agrupar. en forma total o parcial, tos elementos de dus 0 mas clases para definir una nueva clase. Cuantiles, Nombre genético gue agrupaa los cuantiles, deciles y porcentiles Cuartiles. [dentfican tos valores que div tupo de datos en cuatro partes iguales. Curva de frecuencias. Es una curva stutvizuda que sigue el perfil seftlado por el paligons de fre= plo un g poCHOC 260 Probabilidad y estadistica T_—_-_- D Deciles. Identifican los valores que divin un grupo de datos en 10 partes Desviacién estdndar. Es la raiz de la varianza. Es una de las medidas de dispersion mils wilizay Pesvlacion media, sel promedio dela diferencias, en valor absolut, de cal lor memo la dig de-un conjunto de datos. Es poco utilizada, Piagrama de dispersiOn, Figura que muestra la ubicacidn de los puntos relativos a un fenimeno ob servado, y que orienta sobre el tipo de ecuacién que permita e mejor ajuste Piazrama de Venn, Representacion gréfica de conjuntos por medio de cifculos dentro de un rectingv, Distribucidn de freeuencias. Tabla que presen el nimero de elements que perienecen veale mg de las clases @ categorias en las que se haya dividide para su estudio un urupo de daton ribucién de muestreo, Es la form que presentan las medidas estadisticas relativis a todas lo ‘nucstras posibles de una poblaciér, Por ejemplo. la distribucivn de muestrea de la media de ty ‘muestra tiene una media igual a la media de ta poblacidn, busin de probabilidad. Es la relaicn entre los valores que puede tomar una variable y I prox pabitidad que le eorresponde. Por ejemplo: sien una bolsa hay 5 canicas rojas. 7 verdes y 3 area, ts dsubucion de probabilidad es 5/15, 75 y 3/15 para las canicas rojas, verdes yaztles, respec famente. Bn el caso de variables cortinuas. la relacidn se maneja veneralmente por medio de wna fincion de densidad de probabilidad,cuya integracin entre menos infinitn y mis infinite pre duce un tea de uno (100%), istribueién de probabilidad binom ejemplo: articulo bueno o defectuoso; alumno aprobado o reprobado, Distribucién de probabilidad Chi euadrada. Distibucin con sesgo positive (la cola lrsa est a fo detecha): que tienda fa normal cuardo el nimero de grados de libertad es muy’ srande: que tene ‘alores desde cero hasta infinito (séle postivosk y que es particularmente ati! par anal la va riabilidad de una distribucion. Distribucién de probabilidad de Poisson, Aquella cn la cual la media se presenta en unidades de ‘iempo 0 espacio, Por ejemplo: automéviles por hora: manzanas por drbol Distribucién de probabilidad exponencial. Variante de la distribucion de probabilidad de Poison Pistribucidn de probabilidad hipergeométrica. Variant de la distribucign de probabilidad bina Distribucidn de probabitidad normal. Aquella en Ia cual, a partir ce un punto central de maciond frecuencia (a media de distribucién), os valores mayores y menores que la meulia se distribuven simeétricamente a derecha e izquietda, disminuyendo gradualmente hasta des forma que tienen la mayoria de las distribuciones de probabilidad. Pistribuciones de probabilidad simetrica, Aquella en la cual, a partir de un evento genirl de p= bubilidad ménima. ta probabilidad de los demas eventos. u un lado y otro del central, disminve sradualmente, Pistribucion de probabilidad de Student. Disribucidn semejante a la normal, que se aplva an ; lisis de muestras. cuando éstas son pecuefis. Distribucién de probabitidad uniforme. Aquellaen ta cual todos los eventos simples tienen hi mie ma probabilidad de ocurrir. Di coisa ans enianveanveanAniamteinsctlitninmeaaini Aguella en la cual los resultados posibles son silo dos, Par never. Esta es la E Feiencia del estimador. Permite comparar dos o mis estimadores de igual media: el del menoe Fianza es mis eficiente. Exvor estindar del ajuste. Es una medi: de los errores en que se incurte al sustituir los valores We adlerys abservados por los resultantes de La formula de ajuste. y permite cuamtficar uns promedio de dichas difer ores, Exror probable. 1.60 metros. Histograma, Diagrama de barras que representa a escala, el mimero de clementos que componen cada una de las clases de una distribucién de frecuencias. nen estudio. Por ejemplo: la media de esta tras es supe: s nla, Se le conoce come H, . Por ejem- Intervalo. Vea Ancho de clase. Intervaio de confianza. Espacio definido por dos limites (inferior y superior), dentro de los cuales se encuentra el valor verdadero que se busca. Por ejemplo: el intervalo de confianza de la media esta entre $6.50 y $6.80, L Limites de clase. Son los valores inferior y superior (o limites nominales) que detimitan una cla Por ejemplo: Ia clase de estaturas de 1.61 a 1.70 metros tiene como limite inferior el valor 161 m ¥Y como limite superior el valor 1.70 m. es exactos. Conocidos tambign como fronteras, son los valores inferior y superior que delimitan com precision una clase. La caracteristica mas destacad de los limites exactos es que el limite SU petior exacto de una clase es igual al limite inferior exacto de la clase siguiente. por ejemplo: la Clase de estaturas de 1.61 a 1.70 metros tiene como limite inferior exacto el valor 1.608 m y come limite superior exacto el valor 1.705 m Limites nominales. Son los limites de ck Lis de una (abla de distribucidn de frecuenciasTT A Ane.0s 263 ~C-O-O— M Marea de elase. Es el valor localiza al centro (o punto medio) del ancho de clase, Este valor puede considerarse como el promedio de Ios elementos de ta clase. Por ejemplo: la clase de eotatunn do 1.61 a 1.70 metros tiene como marca de clase el valor 1.655 m Media. Conocida comsinmente como promedio, es la medida que resultaria al asignar de manera unic forme un mismo valor a los elementos de un conjunto. En otra forme. podria decirse que ela al tura de una linea compensadora imaginaria que equilibre los valores mayores von los valence menores de un conjunto de datos Media geométrica, 1a media geométrica de un conjunto de n valores ¢ de tales valores, Por ejemplo: la media geométrica de 7,9y Iles: WT*9= TI) =v TUF = 88d Mediana. Es el valor del elemento de la posicion central de un conjunto de datos ordenados, Se tnumero de datos es par, la mediana zs el promedio de los valotes de los dos elementos centrales 1La mediana divide la distribucion de datos en dos partes iguates. Método de minimos cuadrades. Determina la ecuacién de una curva que minimiza fa suma de los cuadrados de las desviaciones de los valores observados,respecto alos caleulados con a curva Moda. Es el valor mis frecuente de un conjunto de datos. Momento n. Es el promedio de ls diferencias (elevadas ala potencia n) de cada valor respecto ala media. El primer momento es siempre cero, mientras que el segundo es la varianza de un conjunt de valores, Muestra, Conjunto de elementos extrafdos de un conjunto mayor —conocido como pobtacin—. {ue se estuia a fin de conocer aproximadamente las caracteristicas de la poblacisn de donde pro. viene, Muestra grande, Se dice de aquella en la que el mimero de sus elementos es de 30 0 mis autores fijan ese valor en 25) Muestra pequefia, Se dice de aquella en Ja que el nimero de elementos que la componen es menor que 30, Muestreo. Proceso de obtener en forma sleatoria un conjunto de elementos representatives de wna po- blacidn, afin de estudiar algunas carecteristieas de Esta Muestreo con reemplazo, Aquel que se realiza regresando a la poblacién el elemento extraido, con Jo cual puede ser seleccionado nuevamente, simulando asf una poblacién infinita Muestreo sin reemplazo. Aquel en el que el elemento extraido no se regresa a la poblacién de donde se toms, evitando asi que pueda ser seleccionado nuevamente. Muestreo destructive, Transforma las caracteristicas de las muestra. Por ejemplo. al determinar ka Vida til de una lant ola cantidad de jugo que produce uma naranja la muestra se destray Muestreo no destructive, Este se realiza\in modifica las earacteristicas de fas muestras, Por ejem- plo. al determinar la estatura o el peso de una persona, oel saldo promedio diario de una cuenta bancaria N Ja aie n-ésima del producto algunos, Nivel de confianza. Expresa el porcentaje de seguridad de obtener un resultado. Por ejemplo: con un nivel de confianza del 95% Ia media esté entre $6.50 y $6.80. Nivel de significacién. Es el complemenco a 100% del nivel de confianza, Es el valor ble de probabilidad de cometer un error de tipo 1, Se identifica por letra griewa alfa a P Parémetros. Valores estadisticos de una poblacién, Compare este concept con el de estadisticos, Permutacién, Agrupamiento de clementos en el cual el orden de éstos es importante. Por ejemplo: en tuna permutacisn el grupo de elementos ABC es diferente al grupo BCA. Compare este concepto con el de combinucion.OCC = 264. Probabiiady estadlex AAA Aaa Poblacion, Es el total de elementos de un conjunto, Por ejemplo: el total de manzanas producidas en Ja huerta “La flor”, 0 el total de articalos claborados en una fabrica de cuadernos. Compare este concepto con el de muestra Poblacién finita. Aquella cuyos elementos pueden contarse. por ejemplo. el nimero de ballenas en e mundo. Poblacién infinita, En ésta, el ndimero de elementos es sumamente grande, como los granos de arena ‘en el mar, o definitivamente no mediible, como las estrellas del universo. Poligono de frecuencias. Figura certada delimitada en su base por el eje horizontal. y cuyos vértices son los puntos centrales de la horizontal superior de cada barra del histograma. incluyendo tam. bien la clase anterior a la primera y la clase siguiente a la dikima Porcentaje de variacién. Proporcidn, en porcentaje. de la relacién de la desviacin estindar respecto a la media de un conjunto de datos. Porcentiles, Identfican los valores que dividen un grupo de datos en 100 partes iguales, Probabilidad. Disciplina que se encarga de analizar situaciones en las que interviene el azar. Es la re- acid entre el niimero de resultados exitosos respecto al total de resultados posibles, Probabilidad compuesta o conjunta. Es a probabilidad correspondiente a un evento compuesto por dos o mas eventos, Por ejemplo: la probabilidad de que al lanzar un dado y una moneda. el dado ceaiga en 3 y Ja moneda en sol Probabilidad condicional. Es la probabilidad correspondiente a un evento si se conoce que ya ocu- rig otro evento del cual depende el primero. Por ejemplo: ta probabilidad de que Ilueva hoy. si el porcentaje de humedad relativa en el embiente es mayor del 80% Promedio mévil. Este promedio considera s6lo un subconjunto de un conjunto mayor de datos. redu- ciendo asi las diferencias entre los datos originales. Promedio ponderado. Es el promedio de un conjunto de datos, afectados cada uno de ellos por un factor de ponderacidn, Este fuctor le da una importancia relative a cada uno de los datos. Pruebas de hipétesis. Procedimientos que permiten aceptar 0 rechazar hipdtesis con base en los re- sultados obtenidos por muestreo. Pruebas de dos colas. Aquellas que se realizan para distribuir el nivel de si ificacién en los dos ex- tremos de la distribucién. Por ejemplo, cuando se desea comprobar que el espesor de una cartulina esté dentro de un valor minimo y un valor maximo, Los valores dentro de ese intervalo forman la regién de aceptacién, los dems estan en Ia regiGm de rechazo. Pruebas de una cola, Aquellss en las que silo interesa el error en un lado de Ta distribucién. Por ejem- plo. cuando se desea comprobar que la duracién media de une lanta sea mayor que 60 000 kil6- ‘metros. Los valores superiores a 60 000 km forman la regién de aceptacién, los dems estan en Ia n de rechazo. Rango. El rango 0 amplitud es la diferenciaentre el valor mayor y el valor menor de un conjunto de dates. Recta de regresién. Conocida también como recta de ajuste, es aquella que se obtiene al minimizar Jos cusulrados de las distancias vertica.es (errores) entre dicha recta y los valores abservados. Regresion. Técnica para obtener una ecuacisin para efectos de estimar o predecir con base en valores observados. Vea anclisis de regresién, Regresi6n lineal, Regresisin en la cual la ecuacién que se obtiene es la de una recta Regresién no lineal. Aquella en Ja cual la ecuacidn que se obtiene es la de una curva. Regresidn miiltiple. Aquells que incluye wna variable dependiente y dos 0 més variables independientes Sesgo. iedida que expresa ia asimetria de una distribucién, Vea Coeficiente de asimetria de Pearson Sesgo negativo, En °(X,P) 7. Probabilidad condicional La férmula de Bayes = PUAIB) PB) Pieia) 8. Distribuciones de probabilidad para variables discretas La distribucién uniforme Probabilidad = \/Niimero de eventos La distribucién binomial xray Pixs Media y desviacién esténdar de la distribucién binomial para la poblacién infinita Med Media Nimero de eventos (Probatilidad de éxito) nep=p s [Nimero de. Probabilidad Probabilidad o= \nepe=5) = ope Media ydesviacin estindarde la distibucién binomial para la poblacin inita Media = Niimero de eventos (Probatilidad de éxito) Media =n*p=p Desviaciin _ ‘Riimevo de> Probabilidad —Probabiidad { Factor de esuindar ~\ eventos de éxito de fracaso | correceién | Renee is Tamaito de _ Tamatto de” fa poblacion ta muesira FC = Ratz} Tanai Ta poblacién~1‘Anex0s 275 --O-O— Sesgo y curtosis, Probablidad (Fracaso) ~ Probabilidad {Exit q-P Sesgo = t [Numero de Probabilidad Probabilidad pq \ eventos “(Exits)” (Fracaso) 1~6+ Probabilidad (Exito)+ Probabilidad (Fracaso) Curtosis = 3° Pan Te) en Precese) ‘Niimero de eventos «Probabilidad (Exito) + Probabilidad (Fracaso) Curtosis = 3+ pq La distribucién hipergeométrica (=i) lah) ; (i=) (N-T—n4ayt) (aT-xp}) P(x1N,T,n,) = <2 mn)! (NTC TW =n)! (n= x)UN Tons xyal(T—x)(ND), Media y desviacién estdndar de la distribucién hipergeométrica Media=n*T/N=np Desviacién _ [nT (- 2) [Nea esténdar ~\ NIT WY N N ima) La distribucion de Poisson P(x éxitos) =P(y=y x1(2.71 828) xe" Media y desviacién estdndar de la distribucién de Poisson Media = Niimero de veces que ocurre el event Desviacidn estdndar = 4/Nimero de veces que ocurre el evento = Media y desviacién estandar de las distribuciones discretas LXP Media = sus {Cada valor + Protabtidad (Cada valor) esiacion : Pesviacin «aie [sums [Cada valor ~ Media)’ + Probabiided (Cade valor} vestdndar U c= S[(x -¥) PJO-O-O— 276 Probabilidad y estadistiew RPA A$$?$_$______ 9. Distribuciones de probabilidad para variables continuas Determinacién de la variable normalizada La distribucién normal como aproximacién a la binomial Si: (Mimero de articulos + Probabilidad de éxito) 2 (Nuimero de articulos + (1 ~ Probabilidad de éxito) 2 5, np 2 Sy n1— p25 Entonces: La distribucién normal como aproximacién a la de Poisson Si Media > 10, entonces Media de ta normal = Media de Poisson = Valor Media£05_X~w+0S Desviacién esidndar” La distribucién exponencial PEL primer éxito ocurra 718: antes de un tiempo T) P (El primer éxito ocurra antes de un tiempo T)= 1 P(0 10. Analisis de tendencias Ecuacién de la recta de regresién ‘mx + b Om es la pendiente de fa recta) Niner de datos * Suwa (X* ¥)—suMa(X)*suMA() aS v= SoZ Mimero de daros® susta (X? )— (Suma OV) ole AEsAnex0s 277 ~Q-O-Q— p= SUMA(X? J stata (y)—SUMA ix)eseMA (XY) Ya? Sy- Tx Ea ‘Miomero de datos © Stima (X°)~ (SUA (X)) De —(Es}P Coeficente de correlacién lineal te nZay- adv y PE -(Say'] fox. -)] Error estindar del ajuste Exror estdndar __|suma (Valor obs det ajuste AHO-O-O- 278 Probabilidad y estadistiea AP@@A@$A aaa Anexo 10. Soluci6n a los ejemplos propuestos Capitulo 2 1. Unidad de variacion = 0.1, intervalo = 12.6 Solucién basica Soluciones alterativas Limite | Limite | Limite Limite | Limite Inferior) superior] Frecuencia) | inferior | superior Frecuencia || inferioe| superior 227 | 382 8 226 | 351 8 25 | 350 353 | 478 4 352} an7 4 as | are | 479 | 604 7 478 | 603 6 417 | eu2 Las} no{ s | [eels | +} [ea] oe | 2. Unidad de variacién = 1, intervalo = 92 Solucién basica Soluciones alternativas Limite] Limite [ Limite | Limite | | Limite F imite inferior! superior| Frecuencia | infericr | superior | Frecuencia | | inferior | superior 489 | sao | 6 488 | 579 6 487 sm | 6 ssi | 672 4] fof on | 57 | 6m 2 | 7s | 764 1 om | 763 | # on | mw | 9 | cae A so | 855 8 ye | asa 7 | as7 | 94s 5 ase | 947 5 B55 | 946 6 3. Unidad de variacién = 5, intervalo = 30. Solucién basica Soluciones alternativas Ciite) Line [ nterinsuperion No existen, a menos que se modifigue el ancho del 74 | 100 imtervalo u otta variable. 130 10 | 16s} 190Anex0s 279 -Q-O-O— TABLA 1. Unidad de variacién = 0.1 Limite | Limite *] Limite inferior | superior | Marca Frecuencia superior | Frecuencia| exacto | exacto | clase relativa 50.2 2 3765 | 5025 | 4395 | 0.2705 | 27.06% 628 so2s | 628s | 56.55 22.35% 154 285 | 7545 | 6915 88% 880 yas | anos | 8175 | 02471 | 24.71% el 1.0000 | 100.0% TABLA 2, Unidad de variacign = 1 Limite “| Limite | Limite inferior | superior | Marca Frecuencia inferior | superior | Frecuencia | exacto | exacto | clase relativa 504 595 21 soss | s055 | 3495 | o2000 | 2000% 596 687 19 | 595s | 6875 | 6415 | o1si0 | 180% | 688 19 2 | 6755 | 7795 | 7335 | 02005 | 20.95% 780 ani 23 | 7795 | sms) s255 | 02190 | 21.90% 872 963 20 | ams | 963s | 917s | 0.905 | 19.05% [ Total 105 1.0000, | 100.00% TABLA 3, Unidad de variacién = 5 | Limite | Limite | : | Limite inferior | superior | Marea | Frecuencia | inferior | superior| Frecuencia) exacto | exacto | clase relativa vo | us ine | ns | 102s | 0212s | 225% | 120 145 20 wa7s | 1325 | 02500 | 25.00% | 150 175 2 W775 | 1625 | 02750 | 27.50% 180 205 2 2075 | 1925 | 0.2650 | ‘Total 80 1.0000, | 100.0%C—C— 280 Probably estadistiey a$$ TABLA I. Escala de estaturas 1 m= 1 em T Regién Caribe | Centro | Norte | Sur ] je estaturas (em) 12 | 165 | 170 [te | Eje peso (kg) 162] 1st {1.73 | 1s7 | TABLA 2. Escala de costo: $10.00 Cable de acero | Marea 1 | Marea? | Marca3| Marea 4 | Marea | eje costa vem) | 16¢ | 240 | 216 193 | oon | L Eje resistencia (cm) | ed 2.21 2.00 = 2.05 TABLA | Limite inferior | Limite superior Frecuencia | Frecuencia exacto exacto Frecuencia) acumulada | complementaria | 3705 | so2s | 62ss 15.45 Total 85 TABLA erior | Limite superior Frecuencia | Frecuencia | exacto exacto Frecuencia | acumulada | complementaria 5035) 595.5 2 a | 84 5055 oss 19 40 65 6875 7795 2 | @ B | 779.5 S715 oes 20 ss | 93s | 20 105 0 Total 5 TABLA te inferior superior Frecuencia | Frecue exacto exacto Frecuencia | acumulada | complement StS TS 7 7 63 | nas | a7 2 37 4B | | a so | 0—_—_—_ Anexos 281 -O-Q-Q— 1 TABLA I TABLA2 TABLA3 Give J Frecvendal “Anaul] [Close [eeuencis | Angulo] [Clase | Frecwenis | Ragas ee | ee eos ee ee B w | gs Be cen |e 2 | m0 joc 2 92/1] 3 2 754 z 2 99.0 | D 2 aso | fg pom fee Flow os em lame oA Total 85 soo] | 5 | 20 68.6 | | Total 80 | 3600 ‘oat | 105 | 3600 8. Unidad de variacién = 5 (180 ~ 16045) 0+ 5) 5) a) Nv= 225254 +764 = 27714 naranjas Ny + 2923 = 26 629 naranjas b) i+ §) * 2923 = 26 629 naranjas (180-1704) |, Oke ais eg. 1726423013 (240-2205) , (250-2205) #2923 = 2088 Resultado = 3113 1 11 450 + 2088 = 16 651 naranjas 9%. Unidad de variacion = 5 Limite | Frecuencia superior | absoluta Clase | ¢gramos) | gramos) | (gramos) _| 4 ins 180 13.509 Bo} ss | os 11.450 Le 220 | ss, 11075 10, Unidad de variacién Limite | | superior | Frecuencia absoluta | (gramos) (naranjas) 155 6245 + 207.5410) = 8320 270 207.54(25) + 11 450-+ 2023 +232.91120) 24220 Hos 2.910 »—0-0-0- 2 4) 4128(100/120) + 2716(S0/150) = 4345 facturas b) 2716(50/150) + 3264 = 4169 facturas 12. Minimo = 45, maximo 2, ancho = (62 ~ 45)/a = 5, == | Limites [Frecuencia Capitulo 3 L ‘Media = 19.10/11 = 1.74 m; moda = 1.68 m; posicién de la mediana = (11 + 1/2 valor de la mediana = 1.72 m. a 7 VERDES, 4 ROJOS, 3 AZULES, 1 BLANCO; moda = VERDE 3 Peso total deseado = 425(6) = 2550 kg Peso de los 5 toros = 2118 Peso faltante: 2550 ~ 2118 = 432 kg.o més (Por lo menos 432 kg) 4 Suma de tiempos = 9h, 405 m = 15:4 45 15% 15, a 715-75 Promedio de cada viaje = 15.75/15 = 1.05 = 1:03 Velocidad promedio = 48/1.05 = 45.7 km/h '82 Probabilidad y estadtstiea | Frijol | Arvoz | Pan | Dentitricos | Perfumes [Total Compra (S) [260 ) 21s | oa9 506 | 1735 = Venta (8) | 299 | 235 | 06s 926 | 39.90 = | Volumen deventa | 617 | 395 284 7 = | Total de compra | 160420 | 827.75 | 629.16 #675 | 3233.88 | Total de vemta 1844.83 | 98175 | $34.60 199.50 | 4018.10 | Porcentaje/compra | 15.00% | 18.40%) 32.65% wee | 24.25% [Pureenajetens | 13.04% | 1seo%| 24.62% 56.52% | 195%LL . . Anex05 283 -O-O-O— 6 Ventas de mayo: $268.00, ventas de septiembre: $274.00. a Dia 1 2 3 4 5 Niimero de bacterias 16.8 234 30.9 44.5 62.5 Factor de crecimiento de un dia al siguiente 1.3929 1.3205 1.440) 1.4045 Porcentaje de crecimiento diario 39.20% 32.05% 44.01% 40.45% Promedio geométrico = X/T.3929+ 1.3208» 1440] * 1.4055 = 1.3888 Porcentaje promedio de crecimiento diario = 38.88% 8. (50 ml x 1.79% + 20 mb x 2.5 % }/(50 ml +20 ml) = 1.92857% El porcentaje anterior es menor que el desea, por lo que debera jadirse una cantidad y de fa solucisn mas concenttada, esto es: 1.928576 (70 ml) + 2.59%(x ml) = 2.2670 ml +.x ml) Al resolver la ecuacién, x resulta ser 63.3 mililitros ». Limite [Limite | inferior | superior Frecuencia | Frecuencia | Clase_|_exacto | exucto | Marea | absoluta | acumulada | del nim.| a nim, Contenido | I Hl 12s | 147s | 130 e245 6245 1 | 62as | 2 lazs | 1825 | 165 7264 13509 | 6246 | 13509 3 182 2175 | 200 | 11450 24049 | 13510 | 24959 27.882 | 24960 | 27 882 36034 | 27883 | 36034 Medici = 7 188 355/36 064 = 199.488, Posicion de la medtiana = (36.034 + EV 8 017.5 (Tercera clase) Mediuna = 182.5 + 35 = 196.28 Moda = 18: 94.02—0-0-0- 284 Probabilidad y estadistiea 10, Solucién: Compaiita | Acciones | Compra | Venta | Inversin | Recuperacién | Utilidad Porcentaje| A 125 [$68.75 | $62.87 [$8593.75 | $7858.75 | 6735.00)| 855% [8 [240 [ si9.08" | $22.73 | $4579.20 | $5435.20_| $876.00 | 19.13% {__ © | 85 7852.16 | 85836 | $4433.60 | ~ $4960.60 | $527.00 | 11.80% | Totates | $17 606.85 | $1827455 | s668.00 | 3.79% | LL, Media = 472/14 = 33.714 metros etib:cos por mes Mediana = (29 + 32/2 = 30.5 ‘Moda = No existe para este grupo de valores, todos son diferentes, Consumo mensual = 33. 714 (6257) = 210 950 metros ciibicos 210 950(1000)/(30 + 24 + 60 + 60) = 81.4 Ips 12. Costo actual = ($300.00 + $500.00 }/89 horas = $10.00 por hora Costo propuesto = ($300.00 + $650.06V/100 horas = $9.50 por hora Observe que. a pesar de que el precio promedio por hora de los dientes de corte propuestos es mis alto que los actualmente en uso, su costo total es mas bajo que éstos. 1000 metros (1000 metros) = 1 000 000 metros cuadrados 1.3 km? = 1 300.000 metros cuadrados > | Nombrede | Plantasencontradas | Plantas por Plantas en 1.3 | Faplanta | en la muestra metro cuadrado | kilémetros cuadrados | Potentitta | fraticosa 91s 0.4357 566 400 Pulsatitla ris 248 | outst 153.500 Veronica | spicata 397 0.1890 245 700 4 277.4 pacientes por mes 272 + 274)/2 = 272.5 pacientes por mes Si. Bl promedio de verano es mas alto que en las demas estaciones. 15. Posicidn de Q, = 7.25 0,= 185 Posicién de D. D,=40 Posicion de P. P= 265Anexas 285 -O-O-O— 16. ie Limite | Limite Contenido inferior | superior Frecuencia | Frecuencia Clase | exacto | exacto | Marea | absoluta | acumulada | det néim,| al nim, 1 sos | 35s | 33 | 3758 | 3758 1) 3758 2 355} 40s | 38 | 3635 7303 | 3789 | 7303 a) 40.5 45.5 43 | 3084 10477 7394 | 10477 | 4 455 | 505 | 48 | 3796 14273 | 10478 | 14273 | 5 sos | 555 | 33 435 14708 | 14274 | 14708, Posicion de Q, = 1+ 904708) 1031.25 (Cuarta clase) 314 7084 ~ 10.477 3+ 6.2 fe [Sess 714 708-1) Posiein de D,= 1+ “STEM jo 2359 (Tercera clase) 714 708/10 7393 2405+) RAISON Te | 5a 45.21 o,=10s9| | 29(14 708-1 Posicidn de Pyy= 1+ =D «4366.03 (Segunda clase) 34 708)/100 + | POR | 5 = 36.20 Farce Capitulo 4 1 Rango=85-47=38 — Media =978/15 = 65.2 kinhh Desviacién media = 150.6/15 = 10.04 kmih Varianza = (65 870 ~ 15(65.2F 15 = 140.293 knv/h al cuadrado Desviacicn estindar = \/TAQ2N3 = 11.845 kaw 2 Media = 978115 = 65.2 Variansa = (65 870 ~ 15(65.2°V15 ~ 1) = 150.314 ky al cuadrado 314 = 12.260 Deswiacién esténdar = \V Media = 978/15 = 65.2 mp/h Varianza = (65 870 ~ (15) 65.200. Desviacién estéda 140,193 m pfh al cuadrado, L845 m pfhooo 286 Probabilidady estadistleg Coeficiente de variacién = 11.845165.2 Porcentaje de variacién = 0.18171100) = 1817 18.17% Media = 978115 =65.2 kg Mediana = 63 Varianza = (65 870 ~ (15) 65.22yi5 = 140.293 kg Desviacin estindar = VTA0.293 = 11.845 Segundo coeficiente de asimetria = 3 (65.2 — 63)/11 845 557 5 = 2.04.4/15 = 140.293 10.24/15 = 37402 r, = 577 204/15 = 38 840 Cocficlente de curtosis = 38 480/140.293 = 274.28 6. (652.1 - 683.5V52.1 = -0.6027 (683.5 ~683.5)52.1 = 0.0 (007-4 ~ 683.5y52.1 = 0.4587 7. 1652.1 ~ 683.552.1753) 342 683.5 - 683.5)(52.UVT5) = 00 652.1 ~ 6835 0(52.1/V/TS) = -2.3342 8. (652.1 ~683.5)452.1/T0) = -1.9059 683.5 ~ 683.552.1110) = 00 707.4 ~ 683.5(52. TO) = 1.4506 9. [ Mimite inferior | Limite superior | Frecuencia | Frecuencia | | Clase | exacto exact Marea | absoluta | acumulada | i M75 10) a2as os 12 | i258 165 7264 13 509 13 ws | 20 | 40 | 24040 i 225 | oas 2923 27882 270 81 36.054, Media = 7 188 355/36 034 106 300 ~ 36 034 + 190.488°)/96 034 Desviucién esiindar = T3055 Nivianca 2303.84a Ancr0s 287 -0-O-O- 1. T imite superior | Frecuencia | Frecuencia Clase exact | Marca | absoluta | acomulada 1 1475 130 24s 624s 2 125 165 7264 13.509 3 2175, 2.00 31450, 24 949 4 2595 rs | 27882 5 i eB u1s2 | S603 Rango = 2.875 ~ 1.125 = 1.75 Media = 71 883.55/36 034 = 1.99488 Varianza = (151 700.63 ~ 36 034 (1.99488")/36 034 = 0.230384 Desviacién estindar = 0.230384 = 0.87998 Capitulo 5 2 (8 ~ 2)! = 40 320/720 = 56 = 8(7) a) 8 by 5131= 1206) 320 = BY/(8— 3)! = 40 320/120 = 336 = 8 +7 +6 81/31(8 — 3)! = 40 32016 « 120 = 56 301/(39 — 6)! = 2 349 088 560 196! (39 ~ 6)!) = 3 262 623 (Sin flores indica cero flores, y es una opzi6n mis) 2 910+ 8 = 720 placas=O-0-O— 285 Probabilidad y estadistieg AR@aA$$p?$?J>____$_$_$_$_$___ (10° ~ 10) (27? 27) = 990 «702 = 694.980 9. Claves diferentes = 27 +27 +27 = 19 683 Valor mas grande = ZZZ. = 21(729) +27(27) + 27 = 20.439 Valor mds pequeiio = AAA = |(729) - 1(27)-+ 1 = 757 10. Excalas diferentes 0889 x 102" }0 889 cuatrillones Capitulo 6 L a) 1458 = 0.2414 = 24.149 by) (58 — 14/58 = (1 ~ 14/58) = 0.7585 = 75.86% 6) (14 + 23Y58 = 0.6379 = 63.79 % 2 4) (14/58) (14/58) = 0.0583 = 5.83% by (1 ~ 14/58) (1 ~ 14/58) = 0.5755 =57.55% ©) (14058) + (23/58) (14/58) + (21/581 (14/58) = 0.2414 + 0.0957 + 0.0874 = 0.4245 = 1 - 0.5755 3. Hombres~ Doctores Mujeres Doctores & Probabilided = aa 64 2% (4) 6 ) 30 La Qed Hombres no doctores = 24 P (Maria, blanco) = 2/(2 + 6) = US P (Luisa, blanco) = 3/11 Piay= V4 x 31t = 3/44 Piby= V4 x1 3/11 = 1/4 x B/N = Bd P(eySL x ~ 14) = I x 3d = O14Aneros 289 —O-O-O— 5. (4/12)° = 0,000579 = 0.0879% 6. La mitad de los 216 resultados posistes (6 x 6 x 6) es par. De éstos, slo tres (1. 1.2),(1.2, yy (2.1, 1}, no son mayores que 4, por lo tanto: Psuma es par, mayor que 4) = (108 ~ 3/216 = 0.4861 [7 PAR — PPP=0.5+0.5+0.5=0.1250 PAR _ non — PAR PAR — NON: NON — PNW = (26/27) (0,5) = 0.1204 (Excluye las caras 2, 1.1) [— PAR — PAR NON — APN = (26/27) (05°) = 0.1204 (Excluye las caras 1, 2.1) NON F— PAR = NNP= (26/27) (0.5) = 0.1204 yon (Excluye tas earas 1, 1,2 ‘— Non— 81475 E14 = 281 475 0C0 000 000 Probabilidad (— Comedor (0.25) 0.0825 Comedor (0.25) ——}— Sala (0.35) ——— 0.0875 {— Refigerador (0.10) — 0.0250 = Otros «30; —— 0.0750 F~ Comedor (0.25) — 0.0875 Sala (0.35) ———— Sala (0.35) ——— 0.225 [— Refrigerador (0.10) — ~ otros (0.30) j— Comeder (0.25) 0.0250 Sala (0.35) —— 0.0350 [= Refrigerador (0.10) — 0.0100 — Otros (0.30) —— 0.0300 Comeder (0.25) — 0.0750 ros1030)——E sani03s——— 01030 = Refrigerador (0.10) — 0.0300 — otros (0.30) ——— 0.0900 SUMA = 1.0000—O-0-0- 290 Probabilidad y estadistica 9, Probabilidad P01 T~D~oo15) — 0.000 003 375 B (0.985) — 0.000221 625 D = (0.015) —p ~10.985) D—C.015)— 0.000221 625 B~(.985)— 0.014 13.375; | =D ~(0.015) TP .015)— 6.000221 625 | —B ~ (0.985) — 315 5 ~ (0085) Jt —B —(09851 D~ (0015) — is (0.985) — 0.955 671625 sta = 1.000.000 000 10, EM. = $680,00(0.17) + $750.0010.28) + $820,000.45) + $950.00(0.10) = $780.60 u. EM, = 2800(0.20) + 2 900(0.25) + (3000)(0,40) + 3100(0.10) + 3200¢0.05 5 tonehadas 2, B=0.200.70-—* ap 0(0.201(0.20 +050) = 11.43% c=0s007 AC = 0.40(0.50)/(0.20 + 0.50) = 28.57% A= 0:30/0.80_-* CA =0.25(0.30)40.30 + 0.50) = 9.37% 0.25(0.50/10.30 4.0.50) = 15.63% 0.35(0.30) = 10.50% —* DB = 0.35(0.20) = 7.00% “DC =0.3510.50) = 17.50%Probabilidades por parejas: AyB= 1143 % Ay C= 28.57% +937 % = 37.94% Ay D= 10.50% ByC=1563% ByD=700% CyD=17.50% 4) (0.95) (0.95) (0.95) = 85.74% ) (0.05) (0.95) (0.95) + (0.95) (0.05) (0.95) + (0.95) (0.95) (0.05) = 0.0451 + 0.0451 + 0.0451 = 0.1353 = 13.53% 4. Total = 153105 — Rojos = 103110 ~ 3)! = 120 P (Tres rojos) = 120/45: 26.37% tra solucién seria P (Tres rojos) = (10/15) (9/14) (8/13) 15, a 37 6) 26 oy BIT Capitulo 7 La solucién puede ser cualquiera de as siguientes: (ata Moroso &2 Alta Cumplido 2 | ON / ~\ ee Se _— ‘Alta Moroso 2] ‘Alta Cumptido & io > | PX Y ( 497 2: 3 (232 285 Ba | [Gres 285 63 4) Probubilided Baja, moreso) ‘by Probabilided (Baja, cumplido ) = 497/285 + 497) = 63.55% 232463 + 232) = 78.64% Anex0s 291 —O-O-O—Sc ac 4) Probabilidad (Claro) = (13 +8 V(13 +8 +615) =3.3% ) Probabilidad (Oscuro) = (28 +17)/(28 +17 + 872) = 4.9% ©) P (Accidente) = 1348428417 Boos 13484 615+ 284174872 — 1553 25% Pechabiided Museos (0.80) — 0,160 Morelia (0.20) ale Otros (0.20) — 0.040 Flaya (0.40) -— 0.140 veer 035) owes 040) — nao — Acapulco (0.45) Playa (0.70) —— 0,315 Ctros (0.30) — 0,135 a) P (Acapulco, playa) = 0.315/(0.140 + 0.315) = 69.2% 0.160 + 0.040 0.160 + 0,004 0.210 + 0.135 5) P (Morelia, sin playa) = Ota forma de resolver el mismo caso es las jugar [_Maseos [Playa Ome [Toate] Miata | see 30 [MTOM (a eee (Neracruz 0 | 40% de 35% 60% de 35% 35% ‘Acapulco 0 | Tow de 45% | 30% de45% | ase Teas | 16 Ba 35% | Toe 4) P(Acapulo, playa) = 31.3% 45.5% = 69.2% b) P (Morelia, sin playa) = 20% (16% + 38,5%) = 36.7% Porcentaie 7 Exportacion (0.22) — 12.76% per (0.58) ——_ Local (0.78) —— 45.24% j—Expontacién (0.35) — 6 65% Lcateado (0.19) —L [cal (0.65) ——— 12384 —Perfumeria (0.23) —— Exponacisn (0.00) — 0.00% Local (1.00) ——— 23.00% <4) Ventas exportacidn = S685 000(0.1276 + 0.0665) = $132,958.50 by Reduceién = S685 000,00(0,0665) = $45 552.50Aner0s. 293 -O-O-O— 6 Probabilidad [— Atiempo (0.65)— 0.195 Liuvia (0.30) Retraso (0.35) 0.105 Seco (0.70) A tiempo (0.90) 0.630 ‘— Retrazo (0.10) — 0.070 Probabilidad (A tiempo) = 0.195 + 0.630 = 0.825 1 Sea 4 = Probabilidad (Manzano) = 750/100 = 0.76 B = Probabilidad (De jugo) = 653/100 = 0.65, P (ALB) = 450/650 = 0.6923, = PLBIA)= (0.6923 + 0.65)/0.76 = 0.5921 J De jugo (450)— [— Manzana (760) —— De mesa (310)— ‘Naranja (240) De jogo (200) — De mesa (40)— 8. Sea A = Probabilidad (Accidente con cintur6n de seguridad ) = 40% Probabilidad (Lesiones en un accidente) P(A|B) = P (Cinturén, si tuvo kesiones } P(B| A) = P (Lesiones, sf llevaba el cinturén) (0.0132 + 0.304y0.40= 0.01 = 1% Accidente [— Lesiones (0.01) 0.004 con cinturén (0.40) —— Sin lesiones (0.99) —— 0.396 Accidente [—~ Lesiones (0.50) 0.300 sin cinturén (0,60) —— Sin lesiones (0.50) ——— 0.300 9. (0.7340.017) + (1 ~ 0.73) (0.025) = 0.01241 + 0.00675 = 0.01916 B= P (Resorte del proveedor X) = 0.73 P(A1B) = Probabilidad (Defectuoso, si es de X) P (BLA) = Probabilidad (Resorte de x, si era defectuoso} = (0.017 + 0.730.01016 = 0.64770 Sea A= P (defectuoso) = 0.017-O-0-O- 294 Probabilidad y estadistica [= Buenos (0.983) —— 0.71759 [— Proveedor X (0.73) —— Pefectuosos (0.017) — 0.01241 Provestor ¥(027) —F— Buenos (0975) 0.26325 Defectuosos (0.025) — 0.00675 + Soluci6n alternativa con base en 100 000 resortes: Concepto Resortes titiles | Defectuosos | Total | Proveedor x 71759 1241 73 000 Proveedor y 26325 675 27.000 Total 98 O84 1916 100 000 Probabilidad (Resorte de x, si era defectuoso) = 1241/1916 64.77% 10. Concepto Color claro | Color oscuro | Total | Toros Hereford | 145 (19.48%) | a3 (442%) | 17a @a86%) Owes axes | 347046515) | 221.09.63%) | 568.76.15%) Total 492065.95%) | 254G405% | 746 100%) a P (Autobis| tarde) = (0.20 + 0.40)H0. 2 +040 +0.80+0.10) = 0.08/0.16 = 0.50 = 50% P (Exito | sin estructura) = 15% (por diferencia a 100%) Evento Exito | Pracsso | Totales | Conestrucura | 45% | 10% | Sse | Sinestructura_| 15% 30% 45% [toaes | 0% | aon | i008 | Sea.A = Exito B = Con estructura geoi6y PUA) =60 PUB)=35% PUAIB) P (BIA) = 45/55 » 55760 00 Piuno= 7 Nada = 35Anexos 295 -O-O-O- Capitulo 8 1 p= 200/(200 + 300 Probabilidad ( 04, 4 6 st Y=) Fe car 04" 6%) 1-04 x 0 1 2 5 4 5 6 Probabilidad (x) | .046656 | .185624 | 311040 |.276480 |_138240 | .036864 |.003096 (Aunque esta distribuci6n no conserva estrictamente una probabilidad constante y deberfa re- solverse con Ia hipergeométrica, su solucién como binomial es adecuada.) 2 p= 200/(200 + 300) = 0.4 ‘Media = 6040.4) = 24 peces amarillos [500-60 Desviacidn estindar = (60) (0.4) (1-04) || éstindar = (60) 04) (1-04) | SE (Se aplics el factor de comreccivn porque 60/500 > 5%. 3 p=200/(200+300)=04, g=1-04=06 Sesgo = 08a 94. 92 9.192 Vi604+06 1.95959 Cunosis = 344820408 2 39.115 = 2.885 16-04-06 4 N= 20-4 30= 50 peces T=20 peces amarillos n= 15 peces Pays (50 = 20)1(20!) 031) (60-15)! (5— 710 - 20-15 + 7) QO TH 02 = 87199410" = 9.2016 = 20.16% 5. p= 200/(200 + 300) g=t-04=06 5 : Probabilidad (7) 15! (04) 06-7 7s — 7 = 6435(0,0016384) (0.01679616) = 0.177!—C-O-C— 296 Probabilidad y estadistica SS N= 20 +30 =50 peces T= 20 peces amarillos n= 15 peces ‘Media = 15 + 20/50 = 6 peces amarillos Desviacion estdndar = = 1.89737 + 0.84515 = 1.60356 4 toncladas (5 peces amarillos por tonelada) = 20 = 18, 20, 22 © P= 2, -ocmien sane 6) P(0)=> ©) P(22) : r——_C Probabitidad (x) [090718 |.217723 261268 | 209014 |.125408 | 060196 024078 (Observe que la suma de las probabilidades es silo 0.988405.) A= Media = 15(200)(200 + 300) = 6 p= ® 279.936 The® — 3040(403.429) 041377 =13.77% 10, ry n= 6 peces. 200 + 300 = 500 peces 200 peces amarillos (500 — 200): (2001) (61 (500 — 6) PC) OCI) (500- 6) ©)" GT a}(500 = 200 — 6+ a} (en G00 = a GDOD 1.1463 x 10°" {6 (298+ 1D (200—aa Aneros 297 -O-O-O~ 5 | an nts cae as] Probabiied | 045570] TeRGD0 | 512618 | 2778 | 487776 [wR6138 | oon | (Observe que la sums de las probabilidades es s6lo 0.999887.) nL. 4) P (0) = 31/0103 — 0)! (0.05) (0.95) b) PUT) = 3113 — 1)! 0.05) (0.95) = 0.1384 2. P (8) = 101/81(10 ~ 8)! (0.923)$ (0.077 = 14.05% P (9) = 10/98(10 — 9)! (0.923)° (0.077)! = 37.44% P (10) = 10!/101(10 ~ 10)! (0.923)" (0.077)? = 44.88% P (X28) = 14.05 + 37.44% + 44.88% = 96.37% P (Digito ocho) = 0.10 P (No digito ocho) = 0.90 4) P (Ningtin digito ocho) = (0,90) = 0.12158 = 12.158% O)P(X22)= PUK =2,3,...,20) 1-P(X=0)-P(X=1) = 1 0.12158 ~ 0.2707 = 0.60825 4 | ss Same 72 ]4]5]*]7]8] Probiidaa | 030 | 350 [320] #90 [00 [520 [ano] 390 [2n0 [180 15, ayn = 6,p= 0.08 P (falla) = P(X > I) = P(X =2)+ PC 1~P(X=0)-P(X=1) 34 + PIX=O) P (alla) = PX > 2)= PX = 3) + P(X = 4) 4 + PL 1-P(X=0)- P(X=1)-P(X=2) 1 — 0.80798 - 0.17492 ~ 001623 = 0.00087 = 0.087% )—O-O-O- 298 Probabilidad y estadstie~ APPA a@$T$@__$_______ Capitulo 9 1 8) 36.65% ©) 50.00% 1b) 48.68% 1001 = 0.5 + 0.4406 = 94.06% Probabilidad (x > 150\= 0.5 ~ 0.3810 = 11.90% Probabilidad (x < 120; = 0,5 ~ 0.1772 = 32.28% 3 Probabilidad (x > 100)= 0.5 + 0.4991 = 99.91% Probabilidad (x > 150). 0.4909 = 0.91% Probabilidad (x < 120) = 0.5 ~ 0.3238 = 17.62% 4 = para (99.9% ~ 50%) = 3.1 3. = (y— 3859/25 > 6 = 462.5 kim Combustible = 462.5 km (0.08 Lfkm)= 37 L = para (95% — 50%) = 1.65 168 = (6 = 6.20.8 =9 r= 7.52 milimetros 4 Media = 200 (0.04) = 8 Desviacion sténdar = (300+ 004-096 = 2.7713 <8 -0SVR 7732-12 Probabilded (> 5) = 05 + 0.3062 =89.62% iB Medio = Desviacicn estdndar = 150+0.06+0.94 = 2.9086 0-9 +0.512.9086 = 0.2 Probbilidad (x > 10 8 Media=8 — Desviacidn estdndar = ¥ 5) =(4-8-05)2.82843 P= ddan 2) 5110-84 0.5v2.82843—P, = 31.06% Probabilidad (4 Sx $10) = 44.41% + 31.06% = 75.47% 2.828439. Media=65 — Desviacién estandar = 70 ~ 65 + 0.5)/8.062 = 0.68 Probabilidad (x > 70) = 0.5 ~ 0.2517 = 0.2483 = 24.83% 10. i Promedio (1h) =8 Promedio (5 min) Probabilidad (5 min) = ~ 2.71828)0" (5/60 = 0.6667 0.4866 u. 225-215VI8=055 A 2088 Prob (Peso > 225 gramos) = 0.5 ~0.2088 = 0.2912 = 29.12% 2 = (Area de 40%) = 1.28 =1.28 = (Valor ~ 750)/40 horas Valor = =1.28 (40 + 750) = 698.8 horas 1B. Area de 45%) = 1.645 =1.645 = (Valor ~ 3.8 kgy0.31 ke Valor = ~1.645(0.31) + 38 Numero de plantas = 9 kg por planta 1250 kg/3.29 kg por planta = 1900 plantas 4, 4) Media diaria = 25 + 80 +7% = 140 Desviacién estanda 2 cliertes (150 - 140 + 0.512 = 0.875 Area (¢ = 0,875) = 0.3092 P(X> 150) = 0.5 0.3092 1908 = 19.08% by Media diaria = 30 + 80 + 7% = 168 Desviacién estandar 2 clientes (150 = 168 + 0.5)/12 = -1.46 Anes 299 -O+O-O——C-C-O— 300 Probabilidad y estadistica TTT sas Capitulo 10 Eay 300.46 (0.43) = 9.359 (0.58) = 10.454 Z Ex= 1406 Eay= 11 650 103, Eat = 283 658, zy y (150) = 6179.28 9354.72 y (210) = 8621.93 3. y= 185.366x + 4.366 1194 Days 13677 258 746 yil.7)=319 4, Eay= 36028 24 885 EQ-y P= 11.808 Coeficiente = 0.9985, Enror = 1.9839, 5. y= 2016x- 1.248 Eas 153 Ey=301 Eay= 8481 301 16743 E@-y)P = 18.7276 Coeficiente = 0,9943 Enor = 2.1638 6 y=4419x+ 17.809 Ex229 Eay= 1440 Ea = 209 y= 10551 Ey ay = 2.7554 Coeficiente = 0.999 Entor = 0830 7. y= 4653x+ 13,906 Ey=al z. Eay = 2808 Ext=48 x Eqy—y)? = 118.1679 Coeficiente = 0.9901 Error = 4.4379 8 Exy= 2321 = 11 640 Eqy-yh=27.4721 Coeficiente = -9.9991 Ector = 1.1169. y=3.117r-9.979 Er=10 Er=80 Coeficiente = 0.9988 10, y =-9.89x + 47.924 Erez 348, Coeficiente = ~0,9998 Caracteristicas Anexos 301 ~O-O-+O— Ey=-287 Eay= 149.60 Ey = 754,27 Ey-y'P= 1.5159 Error = 0.6156 By Exy=-1429 Ey 2604 E(y- y= 4.4627 Error = 0.8624 tipograficas de este libro, sin incluir esta pagina Numero de paginas 304 Iniciales 4 Separadores 10 De texto 232 De texto, en blanco, 6 De anexos 32 Nimero de renglones .... 14 347 De texto 12540 En blanco. 1807 Niimero de ejemplos 229 Resueltos, 139 Propuestos: 90 Caracteres utilizados Letras mayiisculas Letras minisculas .... 224 245 Digitos 41791 Caracteres en blanco .. 279 712 Simbolos especiales. .. 140 173 Letras .utilizadas 248 824 Cantidad era Cantidad Leta Cantidad « 34.463 c 12249 x 1618 a 28445 ‘ 1 sas y 1543O-O-O- 302 Probabitidady estadstley aaa A$ ______$_$_____ 20746 u 19589 q 1503 s 17816 m 2076 j 10 i 17762 P 7207 z 947 n 15859 b 4006 h 01 r 15671 v 2631 i m1 1 15.486 t 2592 k 141 4¢ 14is3 ® 1916 w 18 Palabras utilizadas 40 530 (1325 diferentes) Frecuencia de las palabras de mayor uso en el texto: ser -1549 un 1190 clase 751 ee. 1319 que £1059 Dos. 698 a 1294 en... 865 probabilidad ,. 655 Frecuencia de algunas palabras utilizadas en el texto: probabilidad. .... 655 Positive .....28 éxito 145 279 estadistica n negative .....17 fracaso 23 no. 176 Anexo 11. Apoyo de la hoja de calculo ‘Los ejemplos numéricos de este hbro pueden resolverse con una calculadora de funciones bisicas, pero el procedimiento de solucién se simplifica grandemente si se utiliza una calculadora con funciones es- tadisticas, © una computadora con un prozrama estadistico o una hoja de cleulo, Excel es el programa de hoja de calculo de mayor difusién y cuenta con un gran nmero de fun- cones. no solo de estadistica, sino también de finanzas, matemticas y otras ramas. Aqui se presentan solo algunas de las funciones estadisticas relacionadas con los temas tratados en este libro. Se re~ comienda al lector explorar ia enorme gama de funciones que este programa de hoja de edilvulo ofrece Una hoja de calcul esta formada por celdas, identificadas por el rengién y la columna donde se encuentran, Cada celda puede contener un nimero, un texto o una formula, Excel tiene prouramadas luna gran variedad de formulas, Hamadas “unciones, algunas de las cuales se presentan enseguida: Capitulo Funcién | _ Observaciones | | Factorial de un nimeso Esta funcién ofrece varias opciones Suma un grupo de datos RECUENCIAG) Excelente. pero no muy facil de usar MAX() Valor maximo de un grupo de datos =MINO Valor minimo de un grupo de datos =MEDIA.GEOMO), Media geométrica 3 =MEDIANAG) Valor central de un grupo de datos 3 =MODA( ‘Valor mas frecuente 5 =PROMEDION, Sin comentarios‘Anexos. 303 -O-O-O— =CUARTILO | =DESVESTO =DESVESTPO) =CURTOSIS() =PERCENTILO =COMBINATO, =PERMUTACIONES() BINOM.CRIT(), DISTR.BINOMO) =DISTR.HIPERGEOM() =POISSONO =DISTR.NORMO) =DISTR.EXP() ERROR. TIPICO.XY() =INTERSECCION EIE() =PEARSONO =PENDIENTEQ) Cuartiles Desviacién estindar muestral Desviacién estindar poblactonal Coeficiente de curtosis Porcentiles (relativos a por ajes) Combinaciones Es la férmuta basica Muestreo para aceptacisn de lores, La distribueién binomial La distribucién hiperzeométrica La distribucién de Poisson La distribucién normal La distribucién exponencisl Error estandar del ajuste Constante de la linea de regresién Coeficiente de correlacisn Pendiente de la linea de regresi¢n