Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Variable Aleatoria
2.
3.
4.
Chi-cuadrado
5.
Pruebas no paramtricas
6.
Distribuciones de Probabilidad
7.
8.
Conclusiones
9.
Bibliografa
10.
Anexos
Introduccin
Una variable aleatoria es un valor numrico que corresponde al resultado de un experimento aleatorio, como
el nmero de caras que se obtienen al lanzar 4 veces una moneda, el nmero de lanzamientos de un dado
hasta que aparece el seis, el nmero de llamadas que se reciben en un telfono en una hora, el tiempo de
espera a que llegue un autobs.
Las variables aleatorias, como las estadsticas, pueden ser discretas o continuas.
Las variables aleatorias permiten definir la probabilidad como una funcin numrica (de variable real) en lugar
de como una funcin de un conjunto dado.
Se dice que una variable aleatoria sigue una distribucin uniforme si la funcin de densidad es constante en el
intervalo en el que se encuentran todos los valores de la variable. La funcin de densidad o ley de
probabilidad viene dada por:
Para ver la frmula seleccione la opcin "Descargar" del men superior
Las distribuciones de probabilidad estn relacionadas con las distribuciones de frecuencias. Una distribucin
de frecuencias terica es una distribucin de probabilidades que describe la forma en que se espera que
varen los resultados. Debido a que estas distribuciones tratan sobre expectativas de que algo suceda,
resultan ser modelos tiles para hacer inferencias y para tomar decisiones en condiciones de incertidumbre.
Una distribucin de frecuencias es un listado de las frecuencias observadas de todos los resultados de un
experimento que se presentaron realmente cuando se efectu el experimento, mientras que una distribucin
de probabilidad es un listado de las probabilidades de todos los posibles resultados que podran obtenerse si
el experimento se lleva a cabo.
Las distribuciones de probabilidad pueden basarse en consideraciones tericas o en una estimacin subjetiva
de la posibilidad. Se pueden basar tambin en la experiencia.
A continuacin trataremos mas extensamente los conceptos de Variable Aleatoria, Valor Esperado, Pruebas
Paramtricas y No-Paramtricas, Distribuciones de Probabilidad, Distribuciones Discretas y Continuas y
Distribuciones Simtricas y Distribuciones Sesgadas.
Variable Aleatoria
Se denomina variable aleatoria, a una variable X que puede tomar un conjunto de valores {x0, x1, x2, ... xn-1},
con probabilidades {p0, p1, p2, ... pn-1}. Por ejemplo, en la experiencia de lanzar monedas, los posibles
resultados son {cara, cruz}, y sus probabilidades son {1/2, 1/2}. En la experiencia de lanzar dados, los
resultados posibles son {1, 2, 3, 4, 5, 6} y sus probabilidades respectivas son {1/6, 1/6, 1/6, 1/6, 1/6, 1/6}.
Realicemos ahora la experiencia de hacer girar una ruleta y apuntar el nmero del sector que coincide con la
flecha. En la ruleta de la izquierda de la figura los resultados posibles son {0, 1, 2, 3, 4, 5, 6, 7}, y la
probabilidad de cada resultado es 1/8. En la ruleta de la derecha de la figura los posibles resultados son {0, 1,
2, 3}, y las probabilidades respectivas {1/4, 1/2, 1/8, 1/8}, proporcionales al ngulo del sector.
Para ver la frmula seleccione la opcin "Descargar" del men superior
En los tres primeros ejemplos, la variable aleatoria X se dice que est uniformemente distribuida, ya que todos
los resultados tienen la misma probabilidad. Sin embargo, en el ltimo ejemplo, la variable aleatoria X, no est
uniformemente distribuida.
El problema crucial de la aplicacin de los mtodos de Montecarlo es hallar los valores de una variable
aleatoria (discreta o continua) con una distribucin de probabilidad dada por la funcin p(x) a partir de los
valores de una variable aleatoria uniformemente distribuida en el intervalo [0, 1), proporcionada por el
ordenador o por una rutina incorporada al programa.
Para simular un proceso fsico, o hallar la solucin de un problema matemtico es necesario usar gran
cantidad de nmeros aleatorios. El mtodo mecnico de la ruleta sera muy lento, adems cualquier aparato
fsico real genera variables aleatorias cuyas distribuciones difieren, al menos ligeramente de la distribucin
uniforme ideal. Tambin, se puede hacer uso de tablas de cifras aleatorias uniformemente distribuidas,
comprobadas minuciosamente en base a pruebas estadsticas especiales. Se emplean solamente cuando los
clculos correspondientes a la aplicacin del mtodo de Montecarlo se realiza a mano, lo que en estos
tiempos resulta inimaginable. En la prctica, resulta ms conveniente emplear los denominados nmeros
pseudoaleatorios, se trata de nmeros que se obtienen a partir de un nmero denominado semilla, y la
aplicacin reiterada de una frmula, obtenindose una secuencia {x0, x1, x2, ... xn} de nmeros que imitan los
valores de una variable uniformemente distribuida en el intervalo [0, 1).
Se dice que una funcin
Para ver la frmula seleccione la opcin "Descargar" del men superior
es una variable aleatoria si la "suerte" de realizacin de sus posibles valores puede establecerse con ayuda
de los resultados de la experiencia aleatoria en estudio, cuyo espacio muestral es . Se trata, en definitiva,
de una funcin que asigna un valor numrico a cada uno de los resultados de una experiencia aleatoria.
En estadstica y teora de probabilidad una variable aleatoria se define como el resultado numrico de un
experimento aleatorio. Matemtico es una mapa
Para ver la frmula seleccione la opcin "Descargar" del men superior
que da un valor numrico a cada suceso en el espacio de los resultados posibles del experimento.
Se distinguen entre:
variables aleatorias discretas y
variables aleatorias continuas.
Dado una variable aleatoria X se pueden calcular estimadores estadsticos diferentes como la media (Media
aritmtica, Media geomtrica, Media ponderada) y valor esperado y varianza de la distribucin de probabilidad
de X.
Se puede pensar en una variable aleatoria como un valor o una magnitud que cambia de una presentacin a
otra, sin seguir una secuencia predecible. Los valores de una variable aleatoria son los valores numricos
correspondientes a cada posible resultado de un experimento aleatorio.
La distribucin de probabilidad de una variable aleatoria proporciona una probabilidad para cada valor posible,
y estas probabilidades deben sumar 1.
Valor esperado de una variable aleatoria
El valor esperado es una idea fundamental en el estudio de las distribuciones de probabilidad.
Para obtener el valor esperado de una variable aleatoria discreta, se multiplica cada valor que la variable
puede tomar por la probabilidad de presentacin de ese valor y luego se suman esos productos. Es un
promedio pesado de los resultados que se esperan en el futuro. El valor esperado pesa cada resultado
posible con respecto a la frecuencia con que se espera se que presente. En consecuencia, las presentaciones
ms comunes tienen asignadas un peso mayor que las menos comunes.
El valor esperado tambin puede ser obtenido a partir de estimaciones subjetivas. En ese caso, el valor
esperado no es ms que la representacin de las convicciones personales acerca del resultado posible.
En muchas situaciones, encontraremos que es ms conveniente, en trminos de los clculos que se deben
hacer, representar la distribucin de probabilidad de una variable aleatoria de una manera algebraica. Al hacer
esto, podemos llevar a cabo clculos de probabilidad mediante la sustitucin de valores numricos
directamente en una frmula algebraica.
Sugerencia:
El valor esperado de una variable aleatoria discreta es un promedio pesado del valor de cada resultado
posible multiplicado por la probabilidad de dicho resultado. Aunque existen muchos valores diferentes posibles
que la variable aleatoria puede tomar, el valor esperado es slo un nmero.
Tratamiento de Variables Aleatorias
Variables aleatorias discretas.
Variable que toma un nmero finito o infinito de valores numerables. Variable aleatoria que puede tomar slo
un nmero limitado de valores sean x1, x2, x3, ... xn los distintos valores que puede tomar la variable
aleatoria.
Y p(x1), p(x2),... p(xn) su probabilidad.
Los pares de valores (xj, p(xj)) constituyen la distribucin de probabilidades de la variable aleatoria.
p(x) se denomina funcin de probabilidad, y debe cumplir con las siguientes propiedades:
0 < p(xj) < 1 (p(x) es una probabilidad, y por lo tanto debe tomar valores entre 0 y 1).
p(xj) = 1 (la suma de probabilidades repartidas entre todos los valores de la variable debe ser igual a 1).
De la misma manera que calculamos frecuencias acumuladas, podemos acumular probabilidades, obteniendo
la funcin de distribucin de probabilidades:
F(x) = p(xj)
Esta funcin representa la probabilidad de que la variable aleatoria sea menor o igual que un determinado
valor:
F(xj) = P (X < xj)
Grficamente, la funcin aumenta de "a saltos", ya que entre dos valores consecutivos de una variable
discreta, no puede tomar valores intermedios.
Para simular la ruleta situada a la derecha de la figura, se procede del siguiente modo: se hallan las
probabilidades de cada resultado, proporcionales al ngulo de cada sector y se apuntan en la segunda
columna, la suma total debe de dar la unidad. En la tercera columna, se escriben las probabilidades
acumuladas.
Resultado
0
1
2
3
Se sortea un nmero aleatorio g uniformemente distribuido en el intervalo [0, 1), el resultado del sorteo se
muestra en la figura. En el eje X se sitan los distintos resultados que hemos nombrado x0, x1, x2, x3. En el
eje vertical las probabilidades en forma de segmentos verticales de longitud igual a la probabilidad pi de cada
uno de los resultados, dichos segmentos se ponen unos a continuacin de los otros, encima su respectivo
resultado xi. Se obtiene as una funcin escalonada. Cuando se sortea una variable aleatoria g, se traza una
recta horizontal cuya ordenada sea g. Se busca el resultado cuya abscisa sea la interseccin de dicha recta
horizontal y del segmento vertical, tal como se seala con flechas en la figura. Si el nmero aleatorio g est
comprendido entre 0.25 y 0.75 se obtiene el resultado denominado x1.
Para ver la frmula seleccione la opcin "Descargar" del men superior
La tabla describe el sorteo de una variable discreta, siendo g una variable aleatoria uniformemente distribuida
en el intervalo [0,1).
Condicin
0<=g<0.25
0.25<=g<0.75
0.75<=g<0.875
0.875<=g<1
Una vez visto un caso particular, el problema general puede formularse del siguiente modo:
Si X es una variable aleatoria discreta cuyos posible resultados son {x0, x1, x2 , ... xn-1} y sean {p0, p1, p2, ...
pn} sus respectivas probabilidades. Al sortear un nmero aleatorio g, uniformemente distribuido en el intervalo
[0, 1), se obtiene el resultado xi, si se verifica la siguiente condicin
Para ver la frmula seleccione la opcin "Descargar" del men superior
Variables aleatorias continuas
Variable que toma un valor infinito de valores no numerables. Variable aleatoria que puede tomar cualquier
valor dentro de un intervalo dado de valores.
En este caso, en lugar de trabajar con la probabilidad de valores particulares de la variable, resulta ms
apropiado calcular probabilidades asociadas a intervalos. Para distribuir propiedades se usa una funcin que
mide "concentracin" de probabilidades alrededor de un punto, que se denomina funcin de densidad de
probabilidad (fdp) y se denota como f(x).
Una funcin de densidad de probabilidad debe cumplir con las siguientes propiedades:
F(x) > 0 (la funcin es no negativa para cualquier valor de x, f(x) no es una probabilidad, y puede
valer ms de 1).
f(x) dx = 1 (la acumulada para todos los valores de la variable suma 1, el rea bajo la curva de la
funcin vale 1).
La funcin de distribucin para una variable aleatoria continua se calcula:
F(a) = P(X < a) = f(x) dx
La probabilidad de que la variable est dentro de un intervalo [a - b] se calcula:
P (a< x < b) = F(b) - F(a)
La probabilidad de que la variable tome un valor particular se puede expresar como:
F(c) - F(c) = 0
Esto explica la idea de que para el caso de una variable aleatoria continua no tiene sentido trabajar con la
probabilidad de un valor particular.
Comprendido el concepto de transformacin de una variable discreta, y el procedimiento para obtener un
resultado cuando se efecta el sorteo de una variable aleatoria uniformemente distribuida, no reviste dificultad
el estudio de la variable continua. Si X es una variable aleatoria continua, y p(x) es la probabilidad de cada
resultado x, construimos la funcin que se representa en la figura.
Para ver la frmula seleccione la opcin "Descargar" del men superior
El resultado del sorteo de una variable g uniformemente distribuida en el intervalo [0 ,1) se obtiene a partir de
la ecuacin.
Para ver la frmula seleccione la opcin "Descargar" del men superior
Grficamente, se obtiene trazando una recta horizontal de ordenada g. La abscisa x del punto de corte con la
funcin es el resultado obtenido. En la figura se seala mediante flechas.
Para ver el grfico seleccione la opcin "Descargar" del men superior
Un ejemplo sencillo es la transformacin de una variable aleatoria que est uniformemente distribuida en el
intervalo [a, b) si
Para ver la frmula seleccione la opcin "Descargar" del men superior
Integrando (2) obtenemos la funcin
Para ver la frmula seleccione la opcin "Descargar" del men superior
Caractersticas de las variables aleatorias
Una variable aleatoria se caracteriza adems de las funciones de probabilidad, de densidad y distribucin
por una serie de medidas que ayudan a describir la tendencia, dispersin, asimetra y apuntamiento de sus
valores, tales pueden ser el valor esperado, la desviacin estndar, los cuantiles, coeficientes de variacin,
asimetra y apuntamiento.
Valor Esperado
Se entiende por valor esperado al medio aritmtico probabilstico el cual puede ser calculado con la siguiente
frmula: XE = n XK . PK
Donde:
XE = Valor esperado.
XK = Valor del resultado K.
PK = Probabilidad del resultado K.
n = Nmero total de resultados.
Los promedios son parte de nuestro diario vivir. Nosotros escuchamos el promedio de lluvia en una ciudad en
un ao, el promedio de temperatura en Agosto, el promedio de edad de los trabajadores de una empresa,
entre otros. El objetivo de esta seccin es mostrar algunas caractersticas numricas de una distribucin
poblacional. El ms comn promedio utilizado en estadstica es la media o valor esperado o esperanza
matemtica.
Para ver la frmula seleccione la opcin "Descargar" del men superior
Valor esperado o esperanza matemtica
Sea X una variable aleatoria discreta. Se denomina esperanza matemtica de X o valor esperado, y se denota
bien
Para ver la frmula seleccione la opcin "Descargar" del men superior
o bien
Para ver la frmula seleccione la opcin "Descargar" del men superior
, a la cantidad que se expresa como:
Para ver la frmula seleccione la opcin "Descargar" del men superior
Donde
Para ver la frmula seleccione la opcin "Descargar" del men superior
es el conjunto numerable de ndices de los valores que puede tomar la variable (por ejemplo
Para ver la frmula seleccione la opcin "Descargar" del men superior
para un nmero finito de valores de la variable aleatoria o bien
Para ver la frmula seleccione la opcin "Descargar" del men superior
para una cantidad infinita numerable de los mismos.
Si X es una variable aleatoria continua, se define su esperanza a partir de la funcin de densidad como sigue:
Para ver la frmula seleccione la opcin "Descargar" del men superior
Observacin:
Recordamos que si
Para ver la frmula seleccione la opcin "Descargar" del men superior
y por tanto tiene sentido calcular su esperanza matemtica:
Para ver la frmula seleccione la opcin "Descargar" del men superior
Por las analogas existente entre la definicin de media aritmtica y esperanza matemtica, las propiedades
de linealidad de la primera se trasladan a la segunda, como es inmediato comprobar:
Para ver la frmula seleccione la opcin "Descargar" del men superior
Qu es una distribucin de probabilidad, una variable aleatoria y un valor esperado?
Distribucin de Probabilidad
Una distribucin de probabilidad la podemos concebir como una distribucin terica de frecuencia, es decir, es
una distribucin que describe como se espera que varen los resultados. Dado que esta clase de
distribuciones se ocupan de las expectativas son modelos de gran utilidad para hacer inferencias y tomar
decisiones en condiciones de incertidumbre.
Variable Aleatoria
Es aquella que asume diferentes valores a consecuencia de los resultados de un experimento aleatorio.
Estas variables pueden ser discretas o continuas. Si se permite que una variable aleatoria adopte slo un
nmero limitado de valores, se le llama variable aleatoria discreta. Por el contrario, si se le permite asumir
cualquier valor dentro de determinados lmites, recibe el nombre de variable aleatoria continua.
El Valor Esperado
El valor esperado es un concepto fundamental en el estudio de las distribuciones de probabilidad. Desde hace
muchos aos este concepto ha sido aplicado ampliamente en el negocio de seguros y en los ltimos veinte
aos ha sido aplicado por otros profesionales que casi siempre toman decisiones en condiciones de
incertidumbre.
Para obtener el valor esperado de una variable aleatoria discreta, multiplicamos cada valor que sta puede
asumir por la probabilidad de ocurrencia de ese valor y luego sumamos los productos. Es un promedio
ponderado de los resultados que se esperan en el futuro.
Tipos de pruebas estadsticas de hiptesis
Uno de los aspectos ms importantes de las estadsticas en la investigacin es comprender que para poder
utilizar una prueba estadstica el experimento tiene que cumplir con los supuestos que exige la prueba.
Las pruebas de hiptesis pueden ser paramtricas, libres de distribucin y no-paramtricas.
a.
Pruebas paramtricas
Requieren
1.
variables medidas en la escala de razn o intervalar
2.
2.
Pruebas no paramtricas
Los datos estn en escala nominal u ordinal
Obsrvese la importancia de asumir que este valor de desplazamiento de una muestra a la otra es constante.
Si estamos comparando dos diferentes tratamientos, por ejemplo un placebo y un principio activo, en dos
muestras que son homogneas basalmente, este valor K ser el efecto que podremos imputar al principio
activo en cada caso: la diferencia entre medias representa, no el efecto promedio, sino el efecto del
tratamiento en cada caso. Si por el contrario este efecto no fuera constante, ya no se cumpliran los supuestos
de estas pruebas.
Fig. 1
Fig. 2
Fig. 3
Para ver los grficos seleccione la opcin "Descargar" del men superior
Dentro de las pruebas paramtricas, se tienen para muestras grandes y para muestras pequeas. Un
supuesto que se aplica a ambas es que la muestra que se toma debe haber sido seleccionada en forma
aleatoria o probabilstica. En las pruebas paramtricas de muestra pequea, se requiere el supuesto de que
las muestras fueron extradas de una poblacin con distribucin normal y cuando se trata de dos o ms
muestras tambin se requiere una prueba de igualdad de varianzas. Existen pruebas estadsticas por medio
de las cuales se podra comprobar esto, sin embargo suele no drsele importancia a esto y se pasa por alto.
El anlisis de varianza, tambin se basa en el supuesto de normalidad de las poblaciones y en el de que sus
varianzas son iguales.
En las pruebas en las que se tienen menos supuestos, es en las de muestra grande, las cuales se pueden
aplicar sin saber o comprobar si la poblacin o poblaciones eran normales, estas pruebas se dice que son
robustas, porque no es necesario que se cumpla dicho supuesto. Cuando la prueba que se requiere no es
robusta, no es necesario correr el riesgo de estar equivocados en las conclusiones, en ellos. En cambio, se
dispone de muchas pruebas estadsticas no paramtricas que tienen una aplicacin semejante a las
paramtricas de muestra pequea en las que se tienen menos supuestos.
Chi-cuadrado
El llamado Test de Chi-cuadrado Es muy usual la necesidad de hacer una comparacin global de grupos de
frecuencias. Para este problema el mtodo es diferente, pues el test que se utiliza se denomina Chi-Cuadrado
de Pearson, y con ese test lo que queremos determinar es si la frecuencia observada de un fenmeno es
significativamente igual a la frecuencia terica prevista, o s, por el contrario, estas dos frecuencias acusan
una diferencia significativa para, por ejemplo, un nivel de significacin del 5%. Las posibles aplicaciones son
muchas: eleccin de un cartel turstico publicitario presentado a grupos de clientes; comparar la rentabilidad
de un proyecto hotelero en dos espacios tursticos; determinar las preferencias o gustos de los turistas por
determinados espacios geogrficos, o por determinados servicios hoteleros, etc. El mtodo que se sigue es el
siguiente: 1) Se designan las frecuencias observadas con letras minsculas y con letras maysculas las
frecuencias esperadas o tericas. 2) Las frecuencias se presentan en cuadros o tablas con un cierto nmero
de columnas y de filas. Pueden ser tablas de 1 x 2, o de 2 x 2 etc. Aplicaremos el mtodo con una tabla 1 x 2;
y despus con una tabla 2 x 2. Supongamos que se ha comprobado fallas leves ( atributos) en dos proyectos
tursticos que no han satisfecho plenamente a la clientela. Estas fallas han ocurrido en los sitios tursticos A y
B. O sea, de un total de 102 fallas, 59 han tenido lugar en el sitio A y 43 fallas en el sitio B. Formulamos la
hiptesis nula que no existe relacin entre el nmero de fallas y el hecho de que hayan ocurrido en los sitios A
y B. Si la hiptesis nula no se rechaza, quiere decir que cada sitios es independiente del hecho y entonces no
existe razn para suponer que por ejemplo A es menos predispuesto a fallas que B. Si se rechaza la hiptesis
nula, entonces alguno de los dos sitios si est propenso a mayor nmero de fallas. Para este anlisis se aplica
el test Chi-cuadrado de Pearson. Vamos a observar los datos empricos (59 y 43= 102) y los datos esperados
o sea una reparticin por igual de las fallas entre el proyecto A y el B (51 y 51 = 102). a = 59 b = 43 A = 51 B =
51 La frmula que permite obtener el Chi-cuadrado incluye una correccin igual a O,50 por ser muestras
pequeas y su valor estimado con la frmula es 2,206. Al ir a la tabla del encontramos que para un grado de
libertad, el valor del Chi-cuadrado debe ser igual o mayor que 3,841 para un nivel de significacin del 5%.
Dado que el valor encontrado en el anterior clculo es igual a : 2,206, podemos admitir que la hiptesis nula
es correcta, pues no existe razn para suponer que se produzcan ms fallas en el espacio turstico A que en
el espacio B. Si la tabla es de 2 x 2 De nuevo el fin del test es comparar las frecuencias observadas
empricamente de dos muestras, con las frecuencias esperadas o tericas. Dos procedimientos de
refrigeracin ("x" e "y") se han ensayado en el Dpto. de Alimentos y Bebidas de un Hotel con el fin de
aumentar la duracin de las materias primas perecederas. Los resultados son segn atributos cualitativos los
siguientes: Primero veremos las frecuencias empricas u observadas: Refrigeracin X : fracasos =77; xitos
=63 y el total 140. Y para la Refrigeracin Y: fracasos = 54; xitos = 66 y el total 120. Los totales de las tres
columnas son: 131,129 y 260. En seguida veremos las frecuencias tericas o esperadas: Refrigeracin X :
fracasos = 70,54; xitos=69,46 y el total 140. Refrigeracin Y : fracasos =60,46; xitos = 59,54 y el total 120.
Todos los totales de las tres columnas son; 131,129 y 260. Las frecuencias tericas fueron estimadas de esta
manera:a1 = 131 x 140 / 260 = 70,54; b1 = 129 x 140 / 260 = 69,46; a2 = 131 x 120 / 260 = 60,46; b2 = 129 x
120 / 260 = 59,54. Cuando las muestras son pequeas se aplica en la frmula una correccin igual a 0,50. Y
al aplicar la frmula del Chi-cuadrado obtenemos el valor de: 2,200. De nuevo se compara el resultado 2,20
con el de la tabla para un grado de libertad y para el nivel de significacin del 5% con un valor de 3,841. La
diferencia entre las dos muestras no es significativa y no se puede llegar a ninguna conclusin razonada
sobre los dos procedimientos de refrigeracin.
Distribucin Chi-cuadrado de Pearson
Tabla de la funcin de distribucin:
P(
n z) = p
z: valor tabulado
p: probabilidad acumulada
n: grados de libertad
Para ver el cuadro seleccione la opcin "Descargar" del men superior
Pruebas no paramtricas:
Se denominan pruebas no paramtricas aquellas que no presuponen una distribucin de probabilidad para los
datos, por ello se conocen tambin como de distribucin libre (distribution free). En la mayor parte de ellas los
resultados estadsticos se derivan nicamente a partir de procedimientos de ordenacin y recuento, por lo que
su base lgica es de fcil comprensin. Cuando trabajamos con muestras pequeas (n < 10) en las que se
desconoce si es vlido suponer la normalidad de los datos, conviene utilizar pruebas no paramtricas, al
menos para corroborar los resultados obtenidos a partir de la utilizacin de la teora basada en la normal.
En estos casos se emplea como parmetro de centralizacin la mediana, que es aquel punto para el que el
valor de X est el 50% de las veces por debajo y el 50% por encima.
Prueba de Wilcoxon de los rangos con signo
Esta prueba nos permite comparar nuestros datos con una mediana terica (por ejemplo un valor publicado
en un artculo).
Llamemos M0 a la mediana frente a la que vamos a contrastar nuestros datos, y sea X1, X2 .. Xn los valores
observados. Se calcula las diferencias X1-M0, X2-M0, ..., Xn-M0. Si la hiptesis nula fuera cierta estas
diferencias se distribuiran de forma simtrica en torno a cero.
Para efectuar esta prueba se calculan las diferencias en valor absoluto |Xi-M0| y se ordenan de menor a
mayor, asignndoles su rango (nmero de orden). Si hubiera dos o ms diferencias con igual valor (empates),
se les asigna el rango medio (es decir que si tenemos un empate en las posiciones 2 y 3 se les asigna el valor
2.5 a ambas). Ahora calculamos R+ la suma de todos los rangos de las diferencias positivas, aquellas en las
que Xi es mayor que M0 y R- la suma de todos los rangos correspondientes a las diferencias negativas. Si la
hiptesis nula es cierta ambos estadsticos debern ser parecidos, mientras que si nuestros datos tienen a ser
ms altos que la mediana M0, se reflejar en un valor mayor de R+, y al contrario si son ms bajos. Se trata
de contrastar si la menor de las sumas de rangos es excesivamente pequea para ser atribuida al azar, o, lo
que es equivalente, si la mayor de las dos sumas de rangos es excesivamente grande.
Prueba de Wilcoxon para contrastar datos pareados
El mismo razonamiento lo podemos aplicar cuando tenemos una muestra de parejas de valores, por ejemplo
antes y despus del tratamiento, que podemos denominar (X1,Y1), (X2,Y2), ... ,(Xn,Yn). De la misma forma,
ahora calcularemos las diferencias X1-Y1, X2-Y2, ... , Xn-Yn y las ordenaremos en valor absoluto,
asignndoles el rango correspondiente. Calculamos R+ la suma de rangos positivos (cuando Xi es mayor que
Yi), y la suma de rangos negativos R-. Ahora la hiptesis nula es que esas diferencias proceden de una
distribucin simtrica en torno a cero y si fuera cierta los valores de R+ y R- sern parecidos.
Prueba de Mann-Whitney para muestras independientes
Si tenemos dos series de valores de una variable continua obtenidas en dos muestras independientes: X1,
X2, ... , Xn, Y1, Y2, ... , Ym, procederemos a ordenar conjuntamente todos los valores en sentido creciente,
asignndoles su rango, corrigiendo con el rango medio los empates. Calculamos luego la suma de rangos
para las observaciones de la primera muestra Sx, y la suma de rangos de la segunda muestra Sy. Si los
valores de la poblacin de la que se extrajo la muestra aleatoria de X se localizan por debajo de los valores de
Y, entonces la muestra de X tendr probablemente rangos ms bajos, lo que se reflejar en un valor menor de
Sx del tericamente probable. Si la menor de las sumas de rangos es excesivamente baja, muy improbable en
el caso de que fuera cierta la hiptesis nula, sta ser rechazada.
Existen ms pruebas no paramtricas de entre las cuales tenemos:
Prueba de Kruskal-Wallis para comparar K muestras
Ejemplos:
x Variable que nos define el nmero de burbujas por envase de vidrio que son generadas en un
proceso dado.
Ejemplos:
x Variable que nos define el dimetro de un engrane en pulgadas
x Variable que nos define la longitud de un cable o circuito utilizado en un arns de auto
x Variable que nos define la concentracin en gramos de plata de algunas muestras de mineral
S p(xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x debe
ser igual a 1.
1.
2.
Donde:
m = media de la distribucin
E(x) = valor esperado de x
xi = valores que toma la variable
p(xi) = probabilidad asociada a cada uno de los valores de la variable x
Media o valor esperado de x.- Para determinar la media de la distribucin discreta se utiliza la
siguiente frmula:
Desviacin estndar. Para determinar la desviacin estndar de la distribucin discreta se utiliza la
siguiente frmula:
Solucin:
Haciendo uso de un diagrama de rbol, usando las literales siguientes, se obtiene el espacio muestral
d como se muestra a continuacin;
N = no sufre de algn desperfecto en el motor los primeros 12 meses de uso
S = sufre de algn desperfecto en el motor los primeros 12 meses de uso
Para ver el grfico seleccione la opcin "Descargar" del men superior
d = { NNN, NNS, NSN, NSS, SNN, SNS, SSN, SSS}
x = variable que nos define el nmero de autos que no sufre de algn desperfecto en el motor
durante los primeros 12 meses de uso
x = 0, 1, 2 o 3 autos que no sufren algn desperfecto en el motor en los primeros 12 meses de uso
p(x=0)=p(SSS)=(0.02)(0.02)(0.02)=0.000008
p(x=1)=p(NSS,SNS, SSN)=(0.98)(0.02)(0.02)+(0.02)(0.98)(0.02)+(0.02)(0.02) (0.98)=
=0.001176
p(x=2)=p(NNS,NSN,SNN)=(0.98)(0.98)(0.02)+(0.98)(0.02)(0.98)+ (0.02)(0.98)(0.98)==0.057624
p(NNN) = (0.98)(0.98)(0.98) =0.941192
Por tanto la media o valor esperado se determina de la siguiente manera:
m =E(x) =
(0)(0.000008)+(1)(0.001176)+(2)(0.057624)+(3)(0.94119)=
=0.0+0.001176+0.115248+2.823576=2.94@ 3 autos que no sufren algn desperfecto en el motor en
los primeros 12 meses de uso
La interpretacin de la media o valor esperado es; se espera que los 3 autos probados no sufran de
algn desperfecto en el motor en los primeros 12 meses de uso.
s=
=
=
0.2497@ 0.0
autos que no sufren algn desperfecto en su motor en los primeros 12 meses de uso.
2.
3.
Interpretacin:
En este experimento se espera que los 3 autos probados no sufran de algn desperfecto en su motor
en los primeros 12 meses de uso y la variabilidad de este experimento es de cero.
Nota:
La media y la desviacin estndar se redondean a un valor entero ya que son la media y desviacin
de una distribucin de probabilidad discreta.
Segn estadsticas la probabilidad de que el motor de un auto nuevo, de cierto modelo, y
marca sufra de algn desperfecto en los primeros 12 meses de uso es de 0.02, si se prueban tres
automviles de esta marca y modelo, encuentre el nmero esperado de autos que no sufren de algn
desperfecto en los primeros doce meses de uso y su desviacin estndar.
Solucin:
Tambin haciendo uso de in diagrama de rbol, se obtiene el espacio muestral d
a)
D = objeto defectuoso
N = objeto no defectuoso
d ={ DDD, DDN, DND, DNN, NDD, NDN, NND, NNN}
Este espacio muestral ha sido obtenido haciendo uso de un diagrama de rbol,
x = Variable que nos define el nmero de objetos defectuosos encontrados
x = 0, 1, 2 o 3 objetos defectuosos
p(x=0)=p(NNN)=(0.9)(0.9(0.9)=0.729
p(x=1)=p(DNN, NDN, NND)=(0.1)(0.9)(0.9)+(0.9)(0.1)(0.9)+(0.9)(0.9)(0.1)=0.243
p(x=2)=p(DDN, DND, NDD)=(0.1)(0.1)(0.9)+(0.1)(0.9)(0.1)+(0.9)(0.1)(0.1)=0.027
p(x=3)=p(DDD)=(0.1)(0.1)(0.1)=0.001
Distribucin de probabilidad
Se ha detectado en una lnea de produccin que 1 de cada 10 artculos fabricados es
defectuoso; se toman de esa lnea tres artculos uno tras otro, a) obtenga la distribucin de
probabilidad del experimento, b) encuentre el nmero esperado de artculos defectuosos en esa
muestra y su desviacin estndar.
x
P(x)
2.
3.
4.
5.
6.
7.
8.
9.
b)
(0)(0.729)+(1)(0.243)+(2)(0.027)+(3)(0.001)=
= 0.0 + 0.243 + 0.054 + 0.003 = 0.3 @ 0 productos defectuosos
Interpretacin:
Se espera que ninguno de los productos inspeccionados sea defectuoso.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
Se obtiene el espacio muestral d , de la misma forma que se ha hecho en los ejemplos anteriores;
B = se puede el pozo que se perfora
N = no se puede beneficiar el pozo que se perfora
d = { BBB, BBN, BNB, BNN, NBB, NBN, NNB, NNN}
x = variable que nos define el nmero de pozos que se pueden beneficiar
x = 0, 1, 2 o 3 pozos que se pueden beneficiar
p(x = 0) = p(NNN) = (0.7)(0.7)(0.7)= 0.343
p(x = 1) = p(BNN, NBN, NNB) = (0.3)(0.7)(0.7)(3)=0.441
p(x = 2) = p(BBN, BNB, NBB) = (0.3)(0.3)(0.7)(3)=0.189
p(x = 3) = p(BBB) =(0.3)(0.3)(0.3)= 0.027
22.
23.
24.
21.
@ 1 pozo beneficiado
Interpretacin:
Se espera que solo 1 de los tres pozos perforados sea el que pueda ser beneficiado.
25.
Interpretacin:
La cantidad esperada de pozos que se pueden beneficiar puede variar en 1 1 pozo, esto es la
cantidad de pozos que se pueden beneficiar puede variar de 0 a 2 pozos.
28.
Segn estadsticas, la probabilidad de que un pozo petrolero que se perfore en cierta regin pueda
ser beneficiado es de 0.30. Se perforan tres pozos en esa regin, encuentre el nmero esperado de
pozos que pueden ser beneficiados y su desviacin estndar.
26.
27.
La distribucin de probabilidad de x , el nmero de defectos por cada 10 metros de una tela sinttica en
rollos continuos de ancho uniforme , es
p(x)
0.41
a.
b.
Determine el nmero esperado de defectos por cada 10 metros de tela sinttica en rollos continuos
de ancho uniforme y la desviacin estndar del nmero de defectos por cada 10 metros de tela .....
c.
d.
Solucin:
a)
X
p(x)
P(x)
b)
@ 1 defecto
Interpretacin:0.16, 0.05 ,0.01
Se espera que por cada 10 metros de tela se encuentre un defecto.
Interpretacin:
El nmero de defectos esperado puede variar en 1 defecto, es decir que el nmero de defectos esperado
por cada 10 metros de tela puede variar de 0 a 2.
c) p(x 2)= p(x=0) + p(x=1) + p(x=2) = 0.41+0.37+0.16 = 0.94
d) p(x 2) = p(x=2) + p(x=3) + p(x=4) = 0.16 + 0.05 + 0.01= 0.22
Ejemplo: Consideremos a la variable aleatoria X como la cantidad de guilas observadas cuando se lanzan
dos volados. El espacio muestral es el conjunto {AA, AS, SA, SS} y se puede ver que la variable X puede
tomar como valores 0, 1 y 2.
Calculando las probabilidades tenemos:
0 P(X=x) 1.
P(X=x) = 1, o que es lo mismo: la suma de todas las probabilidades de los eventos posibles de una
variable aleatoria es igual a la unidad.
Hay que hacer notar que estas propiedades se enuncian suponiendo que conocemos el valor de la
probabilidad, pero en la realidad sto no ocurre, es decir que no sabemos la probabilidad y lo que se hace es
trabajar con estimaciones. Precisamente esto nos lleva a modelos tericos que estiman los resultados, los
principales son los que a continuacin se presentan.
Modelos de distribuciones de probabilidad de variables discretas
Uniforme. Es la distribucin donde todos los eventos elementales tienen la misma probabilidad. Por
ejemplo: tirar un dado, donde la funcin P(X=x)=1/6 para valores de x=1,2,3,4,5,6.
f(x) 0 Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayores o
iguales a cero. Dicho de otra forma, la funcin de densidad de probabilidad deber tomar solo valores
mayores o iguales a cero. La funcin de densidad de probabilidad slo puede estar definida en los
cuadrantes I y II.
4.
La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x
debe ser igual a 1. El rea definida bajo la funcin de densidad de probabilidad deber ser de 1.
Hasta el momento se han considerado las distribuciones de probabilidad para variables discretas, donde se
poda asignar el valor que toma la funcin de probabilidad cuando la variable aleatoria tomaba un valor en
concreto. Sin embargo, al considerar las variables continuas se encuentra uno el problema de que, lo ms
probable, los datos que se puedan recabar no sean completamente exactos, o dos o ms de ellos no
coincidan, por lo que se tienen que trabajar en intervalos y, en ese momento, modelar una funcin se
convierte en un problema serio.
Sin embargo, se pueden realizar aproximaciones y describir la probabilidad a travs de modelos tericos de
probabilidad cuya grfica es una lnea continua, a diferencia de las variables discretas que le corresponde un
histograma.
Para clarificar cmo se realiza esta aproximacin al modelo terico consideremos el siguiente caso:
Se han registrado los tiempos que le tom a una empresa de mensajera entregar 190 paquetes con
destinatarios diferentes dentro de una misma ciudad. Los datos se han agrupado en una distribucin de
frecuencias considerando intervalos de cinco das como sigue:
Para ver el cuadro seleccione la opcin "Descargar" del men superior
Supongamos que un posible cliente, conociendo esta informacin, quisiera saber qu probabilidad tiene de
que su paquete sea entregado en dos das. El problema es que al manejar intervalos de cinco das estamos
suponiendo que dentro de cada intervalo los datos se distribuyen uniformemente, cosa que no es real.
Podramos aumentar la muestra y seguir recogiendo informacin para hacer una distribucin de frecuencias
similar a la anterior, pero se tendra el mismo problema: dentro de cada intervalo se est presuponiendo que
los datos se distribuyen uniformemente.
Otra posible solucin es reducir la amplitud de los intervalos, de tal suerte que podramos tomar una amplitud
de tres das por intervalo y hacer la siguiente distribucin de frecuencias:
Para ver el cuadro seleccione la opcin "Descargar" del men superior
Al seguir reduciendo la amplitud a dos das se obtiene la distribucin:
Para ver el cuadro seleccione la opcin "Descargar" del men superior
Y al reducirla a intervalos de un da se tiene la distribucin:
Esto se puede explicar de la siguiente manera: si, como ya dijimos, la probabilidad (frecuencia relativa) es
igual a la densidad del intervalo por la amplitud del intervalo, entonces no importa qu tan grande sea la
densidad de tal intervalo porque, como ya tambin se dijo, por ser variable continua la amplitud del intervalo
tiende a cero y, por tanto, la probabilidad es igual a cero.
Modelos de distribucin de probabilidad de variables continuas
Al igual que en el caso de las distribuciones de probabilidad de variables discreta, en el caso de las
distribuciones de probabilidad de variables continuas se tienen varios modelos tericos que en seguida
presentamos.
A la derecha de cada modelo aparece la funcin de densidad correspondiente a cada modelo.
Uniforme. Es la distribucin en donde todos los eventos tienen la misma probabilidad.
Para ver el grfico seleccione la opcin "Descargar" del men superior
Exponencial. Se utiliza para estudiar el tiempo entre dos sucesos. La funcin de Excel que le
corresponde es DISTR.EXP.
Para ver el grfico seleccione la opcin "Descargar" del men superior
Beta. Sirve para el estudio de variaciones, a travs de varias muestras, de un porcentaje que
representa algn fenmeno. La funcin DISTR.BETA del Excel sirve para obtener sus valores; y la
funcin DISTR.BETA.INV proporciona los valores inversos de la funcin, es decir, se utiliza como parmetro la
imagen de la funcin y regresa la variabla independiente.
2.
3.
Desviacin estndar.- La frmula para determinar la desviacin estndar de una distribucin continua
es;
a.
b.
c.
2.
Solucin:
a.
1.
1.
2.
x
0
0.5
1.0
1.4
2.1
2.7
3.0
2.
Para comprobar que la sumatoria de las probabilidades que toma cada valor de x es de 1,
se integra la funcin de 0 a 3 como se muestra a continuacin:
b.
c.
1.
2.
a.
b.
c.
Solucin:
a.
Como la tercera condicin es que la sumatoria de las probabilidades asociadas a cada uno de los
valores que toma x debe de ser 1, esto se comprueba de la siguiente manera:
Para ver la frmula seleccione la opcin "Descargar" del men superior
Distribuciones simtricas y distribuciones sesgadas
Se dice que la distribucin es simtrica si se puede dividir en dos mitades que parecen ser la imagen una de
la otra. En estos casos las frecuencias en los extremos de la distribucin son idnticas. La grfica puede tener
diferentes formas. Una de estas formas es la de campana.
Para ver el grfico seleccione la opcin "Descargar" del men superior
Otra forma es la rectangular
Si la distribucin tiene algunos valores extremos muy bajos, entonces en la grfica se nota una cola larga y
fina hacia la izquierda de la distribucin y se dice que la distribucin est sesgada negativamente o que tiene
un sesgo a la izquierda.
Si dos distribuciones tienen la misma media, pero sus desviaciones estndar son diferentes; entonces se
diferencian en que la que tiene la desviacin estndar ms pequea tiene los valores ms concentrados
alrededor de la media y por lo tanto es ms "alta".
Ejercicio
Para ver el grfico seleccione la opcin "Descargar" del men superior
La relacin entre la grfica de la distribucin y la grfica de caja y bigote.
A.
Para ver el grfico seleccione la opcin "Descargar" del men superior
B.
Si ambas partes de la caja son iguales (la mediana en el medio de la caja) y los dos bigotes tambin
son iguales, aunque algo ms largos que las partes de la caja entonces la distribucin tiene tipo de
campana (bell shaped distribution)
Para ver el grfico seleccione la opcin "Descargar" del men superior
D.
Si los bigotes y las partes de la caja son todos del mismo largo, entonces la distribucin es
rectangular o uniforme. Tiene la misma frecuencia en cada uno de sus valores.
E.
Si los bigotes son cortos y la caja muy larga la distribucin tiene forma de U, con mucha
concentracin de valores en los extremos.
C.
Para mejor comprensin encontrar los tipos de conectores para perifricos externos ms
comunes identificados en la CPU:
DIN
Se utiliza para conectar el teclado
Hembra / 5 pines
PS/2
Puerto Serial
Puerto VGA
Se utiliza para conectar el cable de vdeo del monitor
Hembra / 15 pines
Agrupado en 3 hileras
Puerto LPT1
O paralelo, se utiliza para conectar el cable de la impresora
Hembra / 25 pines
agrupados en 2 hileras
Conector RJ 45
Conector de la tarjeta de red
En los casos ms comunes el cable de poder viene para conectarlo a la toma de corriente.
El cable de datos del monitor (o de seal o de video) va conectado al puerto de video de la
CPU. Revise que los pines del conector no estn doblados, en ese caso con unas pinzas puede
enderezarlos los pines. Tenga mucho cuidado!
Normalmente el cable de video viene desde el interior del monitor, es decir que no se puede
desconectar (Interno); y en otros casos, muy pocos, el cable s se puede desconectar (externos).
La siguiente imagen muestra la conexin de un cable de video (interno) a la CPU.
El cable de video se identifica en la figura con el nmero 1, sale del monitor y se conecta en la
CPU, en el puerto VGA (video), el cable de poder se identifica con el nmero 2, un extremo se
conecta al monitor y el otro a la toma identificada con el nmero 3.
Los conectores del cable de video se pueden observar con ms detalle en la siguiente imagen:
1.
Es el puerto de la CPU, tiene 15 pines agrupados en 3 hileras. (Hembra)
2. Conector del cable de datos (Macho), se conecta en 1.
Con esta conexin la fuente de alimentacin recibir corriente y la distribuir por todos los
dispositivos de la CPU: Mother Board, discos duros, unidad de drive y unidad de cd-rom. Es
importante revisar que el switch de voltaje est en 115 Voltios a no ser que la salida de la
corriente sea de 230 voltios.
En la imagen se observa la conexin de un mouse y un teclado PS/2 en una CPU tipo escritorio.
La conexin de un teclado y mouse en una CPU tipo torre se observa en la siguiente imagen.
Qu se conecta?
Entrada en lnea: A la entrada analgica de los
parlantes amplificados.
LINE IN
MIC IN
Micrfono
JOYSTICK
SPEAKER
REAR OUT
Parlantes
El adaptador que se observa es para las impresoras de inyeccin de tinta, las matriz slo traen
que se conecta directamente al estabilizador o a la toma elctrica.
Luego de instalar la impresora es aconsejable imprimir una pgina de prueba para verificar la
correcta instalacin de la impresora.
Mantenimiento
Hardware
de
la
CPU y
el
ATENCIN! Los procedimientos que se mencionan en este apartado pueden poner en riesgo el
equipo. Si no est seguro/a de poder hacerlos o tiene dudas busque apoyo de alguien con mayor
experiencia o comunquese con la Mesa de Ayuda Tcnica del Centro de Reacondicionamiento que
envi el computador
Destapar la CPU
Identifique que tipo de CPU tiene: minitorre, escritorio o torre; con tornillos en la parte
posterior de la carcaza o si es un PC sin tornillos.
En el primer caso, toma un destornillador de pala, de estrella o bristol (algunos equipos como los
Compaq, en algunos de sus modelos, requieren de este tipo de llave para poder retirar los
tornillos que aseguran la tapa del equipo a la carcaza) segn el tipo de tornillo que tenga y
remuvelos. Una vez realizado este paso retira la tapa.
En el segundo caso, algunas carcazas (el caso de equipos IBM y algunos modelos ACER), tienen en
la parte delantera por debajo del equipo, una o dos pestaas, las cuales debes presionar para
poder retirar la tapa.
En otros equipos (algunos Olivetti), tienen unas manijas laterales que deben girarse para poder
retirar la tapa del chasis.
Una de las ventajas de las fuentes es que permiten el apagado del sistema por
software; es decir, que al pulsar "Apagar el sistema" en Windows 95 el
sistema realmente se apaga!.
PILA: O acumulador, se encarga de conservar los parmetros de la BIOS cuando el computador
est apagado. Sin ella, cada vez que encendiramos tendramos que introducir las
caractersticas del disco duro, del chipset, la fecha y la hora, etc...
Se trata de un acumulador, pues se recarga cuando el computador est encendido.
Sin embargo, con el paso de los aos pierde poco a poco esta capacidad (como todas
las bateras recargables) y llega un momento en que hay que cambiarla.
Para cambiarla, apunta todos los parmetros de la BIOS para reescribirlos luego, saca
la pila, llvala a una tienda de electrnica y pide una exactamente igual.
CONECTORES INTERNOS: Bajo esta denominacin incluimos a los conectores para dispositivos
internos, como puedan ser el del drive, el disco duro, el CD-ROM o el altavoz interno
En las mother board antiguas el soporte para estos elementos se realizaba mediante
una tarjeta auxiliar, llamada deInput/Output o simplemente de I/O; pero ya desde
la poca de los 486 se hizo comn integrar los chips controladores de estos
dispositivos en la mother board, o al menos los correspondientes a discos duros y
drive
Conector de la unidad de drive: Tiene 34 pines, y equivale al de menor tamao entre los
conectores de la imagen;
Conector del disco duro: En las placas actuales es doble (uno para cada canal IDE); tiene
40 pines (a veces slo 39, ya que el pin 20 carece de utilidad) y equivale a uno cualquiera
de los otros dos que aparecen en la imagen
En esta clase de conectores, resulta de vital importancia conocer laposicin del pin nmero 1,
que vendr indicada mediante un pequeo 1 o una flecha, y que corresponder al extremo del
cable marcado por una lnea roja.
Ubicar los conectores que vienen de la fuente de alimentacin, son dos cada uno de 6 cables
(generalmente) en formato AT se encuentra uno compacto de 20 pines en el formato ATX el cual
nos hace el apagado automtico del PC.
Asegure el mdulo. Para los mdulos que se colocan en ngulo, se debe rotar a la posicin
vertical; mientras que en los mdulos que se insertan en forma vertical, se deben rotar hasta que
los ganchos que estn a cada lado del slot aseguren correctamente la pastilla.
Instalar el procesador
Instalar el procesador es un proceso bastante fcil. El verdadero riesgo es que se est
manipulando la parte ms importante de un computador, por lo tanto se debe realizar con mucho
cuidado, ya que una mala instalacin puede causar daos en la CPU.
Para instalar el chip sigue los siguientes pasos:
Oriente el chip: Esto implica ubicar el pin 1 tanto en el integrado como en el socket ubicado en
la board del equipo. Esto es bastante fcil. En el chip, el pin 1 siempre se encuentra marcado ya
sea con un punto en una esquina, con una de las esquinas del integrado ligeramente cortada o
con una marca en uno de los pines del integrado.
En el socket de la board, el pin 1 se identifica ya sea con una de las esquinas cortadas o hay un
1 grande. Para que se instale la CPU correctamente, el pin 1 del chip debe ir conectado en el
pin 1 del socket.
Inserte el procesador: Asegrese que la palanca este en posicin vertical, observe que la
precaucin tomada en el paso anterior se cumpla. Coloque el procesador en el socket, ste debe
entrar de forma fcil, NO LE HAGA PRESION. El chip no debe quedar desnivelado.
Cierre el socket: Simplemente baje la palanca a su posicin original. Verifica que quede
asegurada.
Instale el disipador o el ventilador: Normalmente, cualquier procesador que funcione a 100 MHz
o ms necesitar ambos elementos de refrigeracin. Por el contrario, en la inmensa mayora de
los procesadores para socket es fsicamente imposible instalar disipador y ventilador antes que el
procesador, excepto algunos casos especiales en los cuales todo forma parte de un conjunto
inseparable.
Este suele ser uno de los puntos ms arriesgados de la instalacin, porque hacer falta realizar
una fuerza considerable para lograr enganchar el sistema de sujecin del ventilador
(normalmente un fleje metlico, a veces ayudado con tornillos u otros elementos).
Adicionalmente, la zona para instalar el procesador es demasiado estrecha, y est rodeada de
elementos muy delicados.
Finalmente revise todo muy bien antes encender el equipo. No tape el equipo hasta verificar que
el ventilador est funcionando. Al arrancar el equipo, se debe ver la pantalla con los mensajes
del arranque y verificacin de los parmetros del equipo y la BIOS, donde se identifica la
presencia del nuevo procesador. En muchos casos pedir que acepte los cambios mediante la
pulsacin de alguna tecla, o bien que entre y salga del SETUP para que sean aceptados.
Conecta el bus de datos. Conecta uno de los terminales de la cinta al disco duro. Ubica en el
disco duro el pin 1 del conector.
El pin 1 se identifica con un "1" grande y es el pin que est ubicado ms cerca al conector de
potencia (Cable de alimentacin) del disco. Para que la conexin sea la correcta, el pin 1 de la
cinta debe ir conectado al pin 1 del disco duro. Para eso se usa el extremo rojo.
Conecte el otro terminal de la cinta al conector que est en la board, teniendo el mismo cuidado
que con el conector del disco duro.
Conecta el cable de poder. Ubique el cable de poder (El conector del disco duro es ms grande
que el del disco flexible) y conctelo al disco duro (conector de cuatro pines diseado para
conectarse de una nica forma).
Tenga mucho cuidado con los pines del conector, son muy frgiles y se pueden doblar con mucha
facilidad. Al arrancar el equipo debe reconocer el disco duro, aunque es aconsejable ingresar al
setup y verificar que lo detect.
Conecte el cable de poder. Ubique el cable de poder (El conector de la unidad de drive es el ms
pequeo) y conctelo a la unidad (conector de cuatro pines diseado para conectarse de una
nica forma).
La imagen indica que moviendo un Jumper a la posicin SLAVE, la unidad de CD-ROM actuar
como esclavo del disco duro. El bus de datos se conecta teniendo en cuenta el pin 1 tanto en la
unidad como en la mother board ubicando el color rojo del bus de datos hacia el 1 grande.