INDICES

n SOM pit * qio I Lp(D)= ----------------SOM pio * qio

wi= pio * qio 96 97 98 Px 2 3 3 Qx 8 7 10 12 Py 3 4 5 7 Qy 5 6 6 7 Pz 1 2 2 4 Qz 3 3 5 8

3*8+4*5+2*3 Lp (97/96 ) =----------2*8+3*5+1*3

3*8+5*5+2*3 Lp ( 98/96 ) = --------2*8+3*5+1*3 n SOM pit * qit I Lp(D)= -------------SOM pio * qit

wi= pio * qit

3*7+4*6+2*3 Pp (97/96 ) = ----------2*7+3*6+1*3

Si se hace coincidir base y el período actual debe ser unidad. .459 F ( 98/ 96 ) = = v(1.EXISTENCIA.614 SOM(n.INVERSIÓN.Las magnitudes económicas son en general.62)=1.61*1.IDENTIDAD. el período igual a la .i) pit( qio*qit ) E = --------------------SOM pio ( qio+qit ) SOM ( 97/96 ) = 3(8+7) + 4(5+6) + 2(3+3) -----------------------2(8+7) + 3(5+6) + 1(3+3) 1 . . existir y cero.45)=1.47*1. Una metodología adecuada para su estudio es medir variaciones de una situación a otra NÚMERO ÍNDICE es una media de la variación relativa de una magnitud La medida de una variación relativa supone fijar una situación de referencia denominado de período base NÚMEROS ÍNDICES TEMPORALES Miden la variación relativa de una magnitud entre dos periodos de tiempo I_I= x1t/xi0 P_0^t= pit/pi0 En el periodo base al índice se le asigna el valor 1 (o el valor 100 en porcentaje) Propiedades de los números índices . que interesa medir 2 .CIRCULAR.3*10+5*6+2*5 Lp ( 98/96 ) = --------2*10+3*6+1*5 F ( 97/ 96 ) = = v(1.Las magnitudes económicas sufren variaciones a lo largo del tiempo y/o del espacio. Todo nº índice debe tener un valor finito distinto de . complejas.

(pit) Ponderaciones: w_1. . . w_2.--------------------------------------------------------------------------------------Índice complejo ponderado Cada magnitud interviene en el índice con Una determinada ponderación que refleja su importancia. x_2 . .(qit) EDGEWORTH Pondera por la media de las cantidades del año base y del año actual L_p= (?_1^N¦?pit 1/2?( qio+qit ))/(?_(i )^N¦pio 1/2( qio+qit ))=(?_(i=1)^N¦?pit( qio+ qit )?)/(?_1^N¦?pio ( qio+qit )?) FISHER Se obtiene a partir de los índices de LASPEYRES y PAASCHE F_p=v(Lp+Pp) L_ FUNCION DE DISTRIBUICIÓN Propiedades Toma valores entre 0 y 1 F(X) = P ( § = X ) E [ 0. . q_n0 --. q_nt --. p_2t . x_2 .1 ] ? x --La probabilidad de que la variable se sitúe entre dos valores cualesquiera es la diferencia entre la probabilidad acumu lada en el mayor menos la acumulada en el menor P (x = § = x + h) = F (x +h) . ..) p_20.(wi) LASPEYRES Pondera por la cantidad del año base Artículos : x_1. .x_n Ponderaciones: q_10 . . Nota : Artículos : x_1 .. q_2t . Y sólo por la izquierda en los valores en los que la probabilidad no sea nula -------------------------------------------------------------------------------------------------- . x_n --(xi) Precios en el periodo base : p_(10.x_n Ponderaciones: q_1t .p_n0 --(pi0) Precios en el periodo actual :p_1t .Es siempre continua por la derecha.F (x) 3 Es monótona no decreciente F (x +h) = F (x) ? h > 0 . w_n.p_nt -. . q_20 . .(qio) L_p= (?_1^N¦IiWi)/(?_(i )^N¦Wi)=(?_1^N¦?pit/pio pio qio?)/(?_1^N¦?pio qio?) p= (?_1^N¦?pit qio?)/(?_1^N¦?pio qio?) PAASCHE Pondera por la cantidad del año actual Artículos : : x_1. x_2 .

Una distribución de probabilidad se dice continua si la función de distribución asociada es continua 2 .Es siempre positiva f (x) = o= 0 ?x ER 3 .Variables discretas 1 . F(Xh)=?_(i=1)^h¦?P(§=xi)=?_(i=1)^h¦pi ? Variables continuas 1 .1 ] ?_(i=1)^n¦?pi=1? 3 .La agregación de las probabilidades de todos los sucesos en el campo de definición de la variable es 1 ?_(+8)^(-8)¦?f(x)dx=1? 4 .Relación con F(x) ?_(+8)^(-8)¦?f(x)dx=F(X)? . puesto que no existe el punto P (§=x) = 0 ?x Hablaremos de densidad media de probabilidad. y de función de densidad (P(x<§ =x+h)/h+(F(x+h) ?-F(x)?^ )/h ?lim?-(h?0)??(P(x<§=x+h))/h?=?lim?-(h?0)??(F(x+h)-F(x) )/h=? F^(´¦( @)) (x)=f(x) Propiedades de la función de densidad 1 .f(x)dx recibe el nombre de probabilidad Elemental 2 . excepto en en alguno de ellos 2 .Una distribución de probabilidad se dice discreta si es la probabilidad es cero en todos los puntos.La función de cuantía es el modelo matemático que asocia a cada punto en los que está definida la variable su probabilidad P ( § = Xi ) = pi E [ 0.La función de distribución de la variable en un punto obtendrá se sumando todas las probabilidades de todos los valores anterioreshasta mismo.La principal implicación es que no existe la probabilidad en el punto.

2-Se llama suceso a un subconjunto de dichos resultados .)¦ -------------------DETERMINACIÓN DE LA PROBABILIDAD Aleatoriedad 1 .La integral de Stieltjes facilita la integración de los dos modelos en uno único F(x)=P(§=x)=?_(-8)^X¦?dF(x)= ? {¦(= ?_(-8)^X¦?F´(x)dx= ?_(-8)^x¦f(x)dx? @caso continuo@@=F x)(escalonada )= ?_(?xi=x)¦¦(P(§=xi)@))¦ C aso discreto Los momentos Como en el caso de la estadística descriptiva.) caso discreto)¦ Con relación a la media µ_r= ?(x-a_1)^1dF(x) = {¦(?(x-a_1 ) ^(r f(x)dx ..caso cont. pero sabemos que lo ganará uno u otro.. los momentos son operadores que nos facilitan la ex presión de magnitudes potenciadas respecto a un punto 2 Tienen especial relevancia los puntos origen y media de la distribución de la variable aleatoria entonces : Con relación al origen : a_r=?¦x^r dF(x) = {¦(?x^(rf(x)dx caso continuo)@?x_i^r p_(i .caso disc.Un fenómenos es incierto cuando no sabemos en qué se va 2 .Un fenómeno es aleatorio cuando ? Es incierto ? Pero conocemos en qué puede concretarse ? No sabemos qué equipo ganará el partido. El conjunto de todos los res ultados posibles se llama espacio muestral (E).)@?(xi-a_1 ) ^r pi .. o que empatarán Sucesos 1-Cuando se realiza un experimento aleatorio diversos resultados son posibles.

Se identifica como ø (ejemplo: obtener un siete al tirar un dado normal) Unión: Si A y B son dos sucesos cualesquiera.Unión. la intersección de A y B se define como el suceso que contiene todos los resultados comunes a A y B. al formado por los elementos que están en A y en B Suceso Imposible: aquél que no contiene ningún elemento del espacio muestral. intersección y complementario An A=Ø E=Ø Ø=E (A ? B) ‾ = A ‾nB ‾ (A n B) ‾ = A ‾ ? B ‾ 3 . es decir. AnB. Propiedades: A ? A= O Consecuencias 1 . todos losresultados que pertenecen sólo a ambos. AUB.Sucesos Incompatibles: Se dice que dos sucesos A y B son incompatibles o mutuamente excluyentes si no tienen resultados en común. al formado por los resultadosexperimentales que están en A o en B (incluyendo los que están en ambos) 5_Se llama suceso intersección de A y B.Distributivas A ?(B n C) =(A?B) nA?C . Se denota como AUB. al formado por los elementos que no están en A 4-Se llama suceso unión de A y B. Propiedades: AUB=BUA AUA=A AU ø =A AUE=E Intersección: Si A y B son dos sucesos cualesquiera.3-Se llama suceso contrario (complementario) de un su ceso A. Por tanto se verifica A n B= ø 2 . la unión de A y B se define como un tercer suceso que contiene todos los resultados que pertenecen sólo a A o sólo a B o a ambos. A . Propiedades: AnB=BnA AnA=A A nØ =Ø AnO=A Suceso Complementario: suceso que contiene todos los resultados del espacio muestral E que no pertenecen a A Se denota como A . Se denota como AnB.

6]=S Concepciones de la probabilidad Concepción de Laplace. para saber el número de casos posibles aplicaremos la combinatória C_k^n= n!/k!(n-k)! . 6] el número es par el número es 4 o mayor y B = [4.5. 6] A = [2. Todo suceso se puede expresar A = AnB ? (AnB ‾) Ejemplos Sea el espacio muestral formadopor el conjunto de resultados quese pueden alcanzar al lanzar un dado E=[1. 4. 12 PUNTOS Y 25 POSIBILIDADES Entonces: P(A)=27/216 .4. 3. P(B)=25/216 En general.A n(B ? C) =(AnB) ?AnC 4 .6] A?A ‾=[1. 5. 5] Intersecciones: AnB=[4. 2.3. 3.Descomposición en unión de sucesos incompatibles.5.4.6] A ‾nB=[5] Uniones: A?B=[2. 2. 5. La probabilidad es el número de casos favorables sobre el número de casos posibles P(A)=(CASOS FAVORABLES)/(CASOS POSIBLES) ¿Por qué al tirar 3 dados es más frecuente que la suma sea 11 que 12? Casos posibles 6^3= 216 Casos favorables: A. 4. 6] E = [1. 6] Complementarios: A ‾=[1.4. 3] B = [4.2. 6] B ‾ = [1.5. 4. 5.6] Sea A el suceso Sea B el suceso Así A = [2. 11 PUNTOS Y 27 POSIBILIDADES B.3.2.

¿Qué porcentaje de fumadores hay? P(F)=P(MnF)+P(HnF) = P(M)P(F M)+P(H)P(F H) = =0.1 0.2 = 0.7=0.13=13% P(HnF)=P(H) P(F/H)=0. fuman el 20%.2/0.5 0.2 TOTAL 0.2857 Teorema de la probabilidad total En un aula el 70% de los alumnos son mujeres. Aplicación De un conjunto de coches usados.2 NO AA 0.3*0.4 NO CD TOTAL 0. De los hombres. como sabemos Escogido un alumno al azar. el 70% tiene aire acondicionado (AA) y un 40% tiene reproductor de CD (CD). P(A_h/B)=(P(Bn?Ah)?_ )/(P(B))= (P(A_h )P(B/A_h))/(?_(i=1)^n¦?P(A_I ?)P(B/A_I ) EJEMPLO TEOREMA DE BAYES: En un aula el 70% de los alumnos son mujeres.Probabilidad condicionada Definición. La probabilidad de que ocurra A condicionada a que B haya ocurrido es la probabilidad de que se den simultáneamente respecto de la probabilidad de B P(A/B)=(P(AnB))/(P(B)) Probabilidad condicionada.3*0. ¿con qué probabilidad tendrá CD? CD AA 0.2=O. El 20% tienen ambos dispositivos. Supuesto que un coche tenga AA. De ellas el 10% son fumadoras.1+0. De los hombres. fuman el 20% El porcentaje de fumadores es el 13%. resulta ser fumador.O6 .0 P(CD/AA)=(P(CDnAA))/(P(AA))=0.7*0.3 0. De ellas el 10% son fumadoras. podremos calcular la probabilidad de que se dé cualquier suceso de los que componen el Espacio muestral después de haber ocurrido B.6 1.13 (13%) Teorema de Bayes Supuesto que conozcamos la probabilidad de B.7 0. ¿cuál es la probabilidad de que sea hombre? Se nos pide : P(H/F) = P(HnF)/P(F) P(F)=0.

P(H/F)=6/13 =0.46 .