Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estad. I
Estad. I
DEFINICIONES GENERALES
1
· Establecer relaciones de comportamiento del recurso forestal maderable de
una región específica y a partir de ésta información, generar políticas de
explotación, en función de uso de recurso.
2
información muestral.
3
totalidad de población que habita en la Ciudad de Uruapan; la totalidad de
empresas del Estado de Michoacán, por ejemplo, para el primer caso citado, la
característica específica del estudio podría ser la determinación de las
características tecnológicas de las especies forestales maderables existentes en
la región, para su uso como elementos estructurales en la construcción; para
el caso una muestra estaría dada como un pequeño número de árboles
seleccionados al azar, a los que se les hacen diferentes pruebas, para conocer
sus características tecnológicas.
4
1.2. TIPOS DE MUESTREO
Muestreo Aleatorio: este tipo de muestreo consiste en formar una lista de todos
los elementos de la población, enumerarlos y hacer la selección mediante la
generación de números aleatorios con una distribución uniforme.
Para generar números aleatorios con distribución uniforme se puede usar una
tabla de dígitos aleatorios, o mediante la aplicación de ecuaciones de
recurrencia, diseñadas para tal fin. Los obtenidos de ésta última forma se
denominan números pseudoaleatorios, debido a que con el mismo valor
inicial, se obtiene la misma secuencia de números.
5
Muestreo por conglomerados: Es semejante al muestreo estratificado, en el
sentido de definir grupos de elementos, sin embargo, esta técnica se aplica
cuando la población es homogénea y existen grupos ya definidos.
6
CAPITULO 2
Del conjunto de datos, algunos números sólo se presentan una vez y otros se
repiten varias veces. Si se enumeran los resultados en el orden en que
ocurren, se dice que siguen la forma de datos no agrupados, lo cual
permite estudiar la secuencia de los valores, esto es, los valores altos o bajos, y
a partir de ahí, descubrir algunas de las causas de variación, por ejemplo registro
de venta de juguetes educativos, útiles escolares, venta de árboles usados en
Navidad, se observará que su comportamiento es cíclico.
7
TABLA 1.0: Medición de 80 tablas de Pinus Spp.longitud (cm)
MEDICION ( X ) 15.5 15.7 16.0 16.1 16.3 17.0 17.5 19.0 19.5
FRECUENCIA ( f ) 2 2 3 3 1 5 4 6 2
8
f
7
6
5
4
3
2
1
9
del detalle original de los datos, pero tiene la particularidad de presentarlos
todos en un cuadro sencillo que facilita el hallazgo de las relaciones que
puede haber entre ellas; suele ser conveniente usar de 5 a 25 intervalos de
clase. Si se utilizan demasiados intervalos de clase, las frecuencias de clase son
bajas y el ahorro de cálculos es pequeño. Por el contrario con muy pocos
intervalos de clase se puede ocultar el verdadero carácter de la distribución y
perder la información.
2.2.2.- FRECUENCIA
La fijación de los intervalos de clase depende del criterio del analista, aunque
se recomienda tomar en cuenta lo siguiente:
10
" El número de intervalos que se puede establecer depende de la cantidad de
datos que contiene la muestra (tamaño de la muestra) y de la dispersión o
variación de los mismos ."
"El intervalo de clase está dado como el rango o recorrido de una clase"; al
distribuir una población en clases, se busca que todos los intervalos de clase
sean iguales: en función del caso citado anteriormente el intervalo de clase
será 5.
K = 1 + 3.3 Log.(n)
11
análisis.
R
Ic =
K
Donde:
12
Otro tipo de intervalo de clase manejado en muchos casos se le conoce como
intervalo de clase abierto; está definido como aquel intervalo que no tiene
límite superior o inferior, por ejemplo:
Para una explicación de este concepto, se tomará como base los resultados
arrojados de la medición de velocidad en el Km. 28 de la carretera Morelia –
Patzcuaro de los vehículos que pasan en la primera semana del mes de
Septiembre de 1999.
13
clase o límites verdaderos de clase, (59.56 límite real inferior; 62.56 límite real
superior).
IC = LSC - LIC
Donde:
IC = Intervalo de clase
LSC = Límite superior de clase
LIC = Límite inferior de clase
14
con el superior de la clase y dividiéndolo entre 2. Se conoce también como
punto medio de la clase. Matemáticamente está dada como:
LSC + LIC
MC =
2
Donde:
MC = Marca de clase
LSC = Límite superior de clase
LIC = Límite inferior de clase
Para análisis matemáticos posteriores se debe tener presente, que si los datos
comprendidos en un intervalo se distribuyen de una forma uniforme, se
considera que el punto medio del intervalo, puede representar a todos los
valores de la muestra que se encuentran en él. A dicho punto se le denomina
marca de clase, en la tabla 1.2 se cita como (MCi).
åf
i =1
i =n
Donde:
15
llama frecuencia relativa y se representa como (f'i) es expresada como :
fi Na
f ¢i = =
n n
Donde:
i
F ¢i = å f ¢ j
j =1
Donde:
j = 1, 2, 3, ... , i
i = 1, 2, 3, ... , n
16
frecuencia acumulada hasta ese intervalo de clase inclusive.
Frecuencia
acumulada
80
79
73
29
Intervalos
49 50 51 52 53 54 de clase
17
cada intervalo de clase, por lo que se representa como una sucesión de
rectángulos del mismo ancho y cuyas alturas corresponden a las frecuencias
o a las frecuencias relativas acumuladas de los intervalos
correspondientes.
18
determine las posibilidades reales de utilidad de acuerdo con los volúmenes
susceptibles de explotar en cada rango diamétrico, las medidas de los árboles
están en centímetros.
Tabla de Datos
80 79 48 74 81 98 87 80
84 80 90 70 91 93 82 78
71 70 92 65 56 81 74 73
72 68 85 51 65 93 83 86
93 90 83 73 74 43 86 68
91 92 76 71 90 76 67 75
74 80 61 72 97 91 88 81
60 70 99 92 80 59 71 77
63 63 83 82 60 67 89 63
35 76 88 70 66 88 79 75
k = 1 + 3.3 log(n)
Donde:
k = Número de clases
n = Tamaño de muestra usada.
19
k = 1 + 3.3 log(80) = 7.28
Para el caso será tomada una k = 7.0, debido a que no es posible tomar
fracciones de clase.
R = Vs - Vi
Donde:
R = 99 - 35 = 64
R
Ic =
k
Donde:
Ic = Intervalo de clase
R = Rango
k = Número de clases
64
Ic = = 9.14 = 10
7
20
ellas de 10 unidades de edad.
· Determinación de frecuencias.
21
Fig. 3: Histograma
Frecuencia (fi)
25
20
15
12
5
2
1
Marca
de clase
30.5 35.5 45.5 55.5 65.5 75.5 85.5 95.5 100.5
22
23
24
CAPITULO 3
MEDIDAS DE TENDENCIA CENTRAL
La parte fundamental para que sean tratadas las medidas de tendencia central
es el conocimiento de la notación matemática empleada en su representación,
ésta es expresada generalmente como:
n
El símbolo åX
j=1
j
se utiliza para expresar la suma de las Xj donde, (j) toma
åX
j=1
j = X 1 + X 2 + X 3 + ... + X n
Por ejemplo:
åX Y
i =1
i i = X 1 Y1 + X 2 Y2 + X 3 Y3 + ... + X n Yn
Donde:
i = 1, 2, 3, ..., n
25
Ejemplo:
n
å AY
i =1
i = AY1 + AY2 + AY3 + ... + AYn
= A(Y1 + Y2 + Y3 + ... + Yn )
n
= A å Yi
i =1
Donde:
A es una constante.
å C = NC
i =1
Donde:
C = constante
N = número de veces que se repite C.
26
3.2. PROMEDIOS.
Los promedios son conocidos también como medidas de tendencia central, las
más representativas están dadas como:
· Media Aritmética
· Media Geométrica
· Media Armónica
· Mediana
· Moda
Con estas medidas se busca un valor que pueda representar a toda la muestra,
por encontrarse en el centro de ella.
La media es el tipo de promedio más común, está dado como un valor tal que
la suma de las desviaciones o diferencias entre cada una de las observaciones y
dicho valor es cero; por lo que la Media Aritmética de un conjunto de (n)
observaciones (X1, X2, X3, ..., Xn) es igual a la suma de las observaciones
dividida entre (n).
27
Matemáticamente es expresada como:
1 n n
Xi
X=
n
åX
i =1
i =å
i =1 n
X=
X1 + X 2 + X 3 + ... + X n
= åX i
n n
Donde:
å (X
i =1
i - X) = 0
28
población recibe el nombre de parámetro, para el caso de la media está
expresada como (m).
Solución:
Donde:
10
åX
i =1
i = 2061.7
2061.7
X= = 206.17
10
29
Kg
X = 206.17
cm 2
åWX i i
W1 X1 + W2 X 2 + W3 X 3 + ... + Wn X n
X= i =1
=
W1 + W2 + W3 + ... + Wn
n
åW i =1
i
Donde:
30
examen final del curso en función de complejidad como 3 veces el valor de
los exámenes parciales y un estudiante tiene una calificación de examen
final de 85 y calificaciones de exámenes parciales de 70 y 80, su
calificación final estará dada como:
Solución:
X1 = 70 W1 = 1.0
X2 = 80 W2 = 1.0
X3 = 85 W3 = 3.0
åW X i i
70( 1 ) + 8( 1 ) + 85( 3 )
X= i =1
= = 81
1+1+ 3
n
åW i =1
i
La calificación final asignada por el profesor será de 81.0, en escala 10 será 8.1.
31
3.2.3. MEDIA ARITMETICA CALCULADA A PARTIR DE DATOS
AGRUPADOS.
El cálculo de este indicador está dado para el caso que los números X´1, X´2,
X´3, ..., X´n; se presentan con f1, f2, f3, ..., fn veces respectivamente (Es decir,
se presentan con frecuencias f1, f2, f3, ..., fn). La media aritmética estará dada
como sigue:
__ åf i X ´i å f X´ + f
1 1 2
X ´2 +... + f n X ´n
X= i=
n
= n
å fi
i =1
åf i =1
1
+ f 2 + ... + f n
Donde:
__
X = Media Aritmética para datos agrupados
fi = Frecuencia de la clase i., i = 1, 2, 3, ..., n
X´i = Marca de clase i, i = 1, 2, 3,..., n
32
Para el caso de Pinus leyophilla
Intervalos de fi Marca de f i X´ i
Clase Clase(X´i)
30.5 - 40.5 1 35.5 35.5
40.5 - 50.5 2 45.5 91.0
50.5 - 60.5 5 55.5 277.5
60.5 - 70.5 15 65.5 975.5
70.5 - 80.5 25 75.5 1887.5
80.5 - 90.5 20 85.5 1710.0
90.5 - 100.5 12 95.5 1146.0
TOTALES 80 6122.5
å f X´ i i
6122.5
X= i =1
n
= = 76.53
åf
i =1
i
80
G = n X 1 ,X 2 ,X 3 ,...,X n
33
Cuando se trabaja con observaciones en las que cada una guarda una razón
aproximada respecto a la anterior, crecen o decrecen proporcionalmente en
intervalos inclusive.
n
å fi n
G= i =1
Õ( X i ) f i
i =1
Donde:
G = Media Geométrica
p = Producto
Para el caso de análisis puntual se usa cada uno de los resultados del
experimento (xi), y cuando se trata con datos agrupados se sustituye por la
marca de clase (x'i).
Xi 5 6 7 8
fi 1 2 1 1
G = 6.319
3.2.5. MEDIA ARMONICA
34
La media armónica es representada comúnmente por H. Para una serie de datos
producto de un experimento se :calcula de la forma:
1 n
H= =
1 n
1 n
1
å
n i =1 X i
åX
i =1 i
Donde:
H = Media armónica.
Xi = Resultados del experimento, i = 1, 2, 3, ..., n
n = Tamaño de la muestra
Solución:
35
Tt = 1/35 + 1/48 + 1/40 = 0.0744.
La raíz cuadrática media de una serie de datos (X1, X2, X3, ..., Xn); se define
como:
åX i
RMS = i =1
3.3. MEDIANA
36
31, 34, 31, 22, 17, 26); la primera fase de la obtención de la mediana de
éste conjunto de datos es la de ordenarlos de manera ascendente como se
muestra: (17, 21, 22, 22, 26, 31, 31, 34), de donde se tiene que los valores
centrales son (22, 26), de esto se observa que la mediana está dada como el
valor medio de éstos valores, como (22 + 26)/2, por lo que ésta es dada por
24.
Las metodologías anteriormente para obtener la mediana son usadas para el caso
cuando se manejan muestras pequeñas.
37
f h
F'
0.5 f´
k
f´
k-1
x
T T T L Me
1 2 3 i
Y = Yo + m (X - Xo)
Y = 0.5
Y0 = F´k ¢ -1
f ¢k
m=
h
X = Me
y
Xo = Li
Donde:
38
k = subíndice que corresponde al intervalo de clase que contiene a la mediana.
F´k-1 = Frecuencia relativa acumulada hasta el intervalo k-1.
f 'k = Frecuencia relativa del intervalo (k).
h = Tamaño del intervalo de clase.
Li = Límite inferior del intervalo (k).
f ¢k
0.5 = F¢ k -1 + (M e - L i )
h
De donde:
h
M e = Li + (0.5 - F¢ k -1 )
f ¢k
Me = 51.25
3.4. MODA
39
La moda es el valor de las observaciones que se presenta con más frecuencia si
la variable es discreta, o bien, es el intervalo de clase (a menudo indicado
por el punto medio de clase) que posee la mayor frecuencia. Al igual que la
mediana, la moda se ve menos afectada por los valores extremos que la media .
· Una muestra puede tener dos o más modas, en cuyo caso se dice que es
bimodal o multimodal. Cuando todos los elementos de la muestra son
diferentes, entonces no tiene sentido hablar de ella, porque puede
considerarse que todos los elementos son la moda o que no existe, por éstas
características, su uso está muy limitado.
40
Fig. 6: Presentación de la Moda.
M o - Li f i +1
=
h f i -1 + f i +1
Donde:
i = subíndice que corresponde al intervalo de clase modal
fi+1 = frecuencia de la clase modal siguiente al intervalo modal.
fi-1 = Frecuencia de clase anterior a la modal.
Li = Límite inferior del intervalo i.
41
é f i+1 ù
M 0 = Li + h ê ú
ë f i - 1 + f i +1 û
42
Mediana: Divide el área bajo la curva en dos partes iguales con probabilidad de
0.5 cada una de tal forma que el área total bajo la curva es 1.0.
Media: Este indicador pasa por el centroide del área; y cumple con la siguiente
condición:
å (X
i =1
i - X) 2 = 0
43
44
CAPITULO 4
MEDIDAS DE DISPERSION
Las medidas de dispersión son aquellas que expresan el grado en que los datos
numéricos tienden a extenderse o alejarse respecto a un valor medio .
4.1. VARIANZA
1 n
m2 = å
n i =1
(X i - X )2
Donde:
45
m2 = segundo momento con respecto a la media.
Xi = Resultados del experimento.
__
X = Media de la muestra.
n = Tamaño de la muestra.
como:
1 n
S 2 = m2 = å
n i =1
(X i - X )2
Para el caso en que son usados datos agrupados para el análisis, cada marca de
clase representa a los valores que se encuentran dentro del intervalo
correspondiente, por lo cual la varianza está dada como:
å f (X i i ¢ - X )2
S x2 = i =1
n
åf
i =1
i
Donde:
46
Corrección de Bessel. Además es necesario especificar el concepto de grados
de libertad; para el caso, un grado de libertad se define como una
comparación entre los datos, independientemente de otras que se realicen
en el análisis. Cada una de las observaciones en una muestra al azar de tamaño
(n) que se puede comparar con otras (n-1) observaciones; de ahí que
haya entonces (n-1) grados de libertad. Este concepto puede ser interpretado
considerando un punto que puede moverse libremente en un espacio
tridimensional. Dicho punto podría localizarse en el espacio mediante tres
coordenadas variables (x,y,z). Si se limita el movimiento de éste punto a un
plano como el ax + by + cz =d, entonces sólo tendrá dos grados de libertad ,
que corresponden al número de variables independientes (x,y,z, es decir 3),
menos el número de restricciones (ecuación ax + by + cz =d, o sea 1). Por lo
que, en general, el número de grados de libertad es igual al número de variables
independientes menos el número de restricciones. Para el caso cuando se trata,
digamos con n variables independientes relacionadas por m ecuaciones
(restricciones), entonces el número de grados de libertad sería (n - m). En el
caso en el que se hace una estimación de (S2 ) de la varianza de la población,
se desconoce la media real de la misma.
å (X
i =1
i - X )=0
47
n
å (X i
- X )2
S x2 = i =1
n -1
å(X i - m)2
s= i =1
Donde:
48
·
å (X i - X )2
S= i =1
n-1
Donde:
n
f i å (X´ i - X )2
S= i =1
n
åf
i=1
i
Donde:
49
Como se mencionó anteriormente, la desviación estándar se expresa en las
mismas unidades que la variable original (Xi); sin embargo, para diversos fines
es conveniente expresar la dispersión de los resultados en forma porcentual, es
decir, en términos relativos y no absolutos, tal coeficiente es una cantidad
adimensional.
S
C.V. = ( 100 )
X
Donde:
4.4.1 ASIMETRIA
50
modelo teórico.
51
Fig. 9. Funcion asimétrica positiva.
52
Primer momento:
m1 =
å (X i
-X)
=X
n
Segundo momento:
m2 =
å (X i - X )2
= S2
n
Tercer momento:
å (X - X )3 å X i
3
m3 = i
=
n n
Cuarto momento:
å (X - X )4 å X i
4
m4 = i
=
n n
m3
g1 = 3
m2
53
Si una distribución de medias es normal, la suma de los cubos de las
desviaciones positivas es igual a la suma de los cubos de las desviaciones
negativas; con lo que la suma algebraica de los cubos de las desviaciones es
cero, es decir, (g 1 = 0).
En caso contrario, es negativo; cuando mayor sea el valor (g1) mayor será la
asimetria.
Cabe hacer notar que si los datos están agrupados, se puede aproximar los
momentos con respecto a la media, como sigue:
m
mk = å f ´i (t i - X ) k = f ´i ( X ´i - X ) k
i =1
Donde:
54
-
X - Mo
C.P. =
Sx
Donde:
__
X = Media Muestral
Mo = Moda
Sx = Desviación Estándar
4.4.2. CURTOSIS
m4
g2 = 2
-3
m2
55
Gráficamente está dado como:
56
Fig. 13. Distribución platicúrtica
å f (X ´ - X )
i i
r
Mr = i =1
n
åf
i =1
i
Donde:
fi = Frecuencia de clase i.
X´i = Marca de clase.
r = 1, 2, 3, ..., n, momentos.
57
Para la explicación conceptual de los elementos anteriormente expuestos se
tomara como elemento el caso, en el que se desea definir cuál es la medida
relativa de asimétria para los datos listados a continuación, estos datos
representan las medidas de tamaño de 6 chocolates marca patito seleccionados
al azar.
MEDIDA
CHOCOLATE
(cm)
1 3
2 2
3 3.7
4 5
5 2.7
6 3
Solución:
Xi X (X i - X) (X i - X) 2 (X i - X) 3
3 3.23 -0.23 0.053 -0.012
2 3.23 -1.23 1.51 -1.86
3.7 3.23 0.47 0.22 0.103
5 3.23 1.77 3.13 5.54
58
2.7 3.23 -0.53 0.28 -0.148
3 3.23 -0.23 0.053 -0.012
å 5.246 3.611
S2 = 5.246 / 6 = 0.8743
m3 = 3.611 / 6 = 0.6018
g1 = 0.6018 / 0.8176 = 0.73659
LIMITE DE MARCA DE
FRECUENCIA
CLASE CLASE
49-54 6 51.5
55-60 15 57.5
61-66 24 63.5
67-72 33 69.5
73-78 22 75.5
-
6(51.5) + 15(57.5) + 24(63.5) + 33(69.5) + 22(75.5)
X=
100
X = 66.5
59
MARCA
f i (X i - X) 2
CLASES fi DE X (X i X) f i (X i - X) 3
CLASE
49-54 6 51.5 66.5 -15 1350 -20250
55-60 15 57.5 66.5 -9 1215 -10935
61-66 24 63.5 66.5 -3 216 -648
67-72 33 69.5 66.5 3 297 891
73-78 22 75.5 66.5 9 1782 16038
å 100 4860 -14904
Entonces:
S2 = ( 4860/100) = 48.6
m3 = -14904/100 = -149.04
g1 = -149.04/338.8 = - 0.44
CAPITULO 5
PROBABILIDAD
60
5.1. ESPACIOS MUESTRALES Y EVENTOS
Para análisis posteriores es necesario enunciar conceptos básicos como los que
a continuación se citan:
Por ejemplo:
61
El ejemplo más generalizado para esquematizar un espacio muestral puede ser
ejemplificado con el proceso de lanzar una moneda legal al aire, éste puede
escribirse como:
S = { a, s }
Donde:
a = águila
s = sello
S = {1, 2, 3, 4, 5, 6}
S = {1, 3, 5}
S = {0, 1, 2, 3}
Donde:
62
0 = Ninguna pieza defectuosa
1 = Una pieza defectuosa
2 = Dos piezas defectuosas
3 = Tres piezas defectuosas
· El evento íaý que consta de una muestra simple implica que a ÎS se llama
evento elemental o simple.
· El Conjunto vacío f y S de por sí son eventos.
· f en algunas veces es evento imposible.
63
· S es el evento cierto o seguro.
64
Gráficamente puede expresarse como:
A I B = {X/X Î A, y, X Î B}
A = {1, 2, 3, 4, 5} y B = {2, 4, 6, 8}
Entonces:
A I B = {2, 4}
65
Gráficamente:
P = {a, e, i, o, u}
Q = {r, s, t}
66
· Para ejemplificar el caso, se tomará como referencia el experimento de
lanzamiento de un dado legal donde los posibles resultados pueden
expresarse como:
UNION DE EVENTOS.
67
4, 6}; B={4, 5, 6}
A U B = {2, 4, 5, 6}
AU B = {X X Î A, o¢ X ÎB }
Ejemplo: Sí, M = {X ç 3 < X < 9 }
N = { Y ç 5 < Y < 12 }
M U N = { Z ç 3 < Z < 12 }
COMPLEMENTO
Gráficamente:
Por lo que:
68
complemento de A = CA
CA = S - A = B
n 1= 6, n 2 = 6
Entonces:
n1 , n 2 = S = 36 puntos.
Cada dado puede adoptar 6 posibles resultados al ser lanzado por lo que el
espacio muestral (S) está dado por:
é11 12 13 14 15 16 ù
ê21 22 23 24 25 26ú
ê ú
ê31 32 33 34 35 36ú
S=ê ú
ê41 42 43 44 45 46ú
ê51 52 53 54 55 56ú
ê ú
ë61 62 63 64 65 66û
Extensión: Si una operación se puede efectuar en (n1 ) formas, si para cada una
de ellas se puede efectuar una segunda operación (n 2 ) formas y si para cada
69
una de las dos primeras se puede efectuar una tercera operación (n 3 ) formas
y así sucesivamente, entonces la secuencia de (k) operaciones puede realizarse
en (n 1 , n 2 , n 3 ,..., n k ) formas.
b).- Una selección de filete (R), Pavo (T) o Pescado (F) de plato principal.
Solución:
70
De acuerdo al diagrama de árbol, mostrado para el caso se tienen 12 comidas
completas posibles, que puede ofrecer La Amiba Dorada.
S = [SRP SRI STP SFP SFI DRP DRI DTP DTI DFP DFI ]
Ejemplo: En una caja registradora se encuentran solamente tres monedas: una
de un Peso (P), una de cinco pesos (C), una de diez pesos (D); se sacan dos de
71
las monedas, primero una y después otra, para encontrar el número total de
formas de realizar el experimento se analizará como sigue:
Existen tres formas de seleccionar la primera moneda y, una vez hecho hay
dos formas de seleccionar la segunda, por lo tanto.
n 1 , n 2 = 3(2) = 6 formas
PC
C
D PD
P CP
D CD
P DP
C DC
72
S = [ PC, PD, CP, CD, DP, DC ]
5.3. PERMUTACIONES
n! = 3(2)(1) = 6 Formas.
Por definición: 1! = 1 ; 0! = 1
73
nP r = n (n - 1)(n - 2)......(n - r + 1)
n!
n Pr =
(n - r)!
Solución:
Para n = 20 y r = 2
20! 20!
P2 = = = 380
( 20 - 2)! 18!
20
n = 5, r = 5
74
5! 5!
P5 = = = 5!= 120
(5 - 5)! 1
5
Solución.
5! 5! 120
P2 = = = = 20
(5 - 2)! 6
5
6
Dadas como:
éab ba ca da ea ù
ê ac bc cb db eb ú
ê ú
ê ad bd ce de ec ú
ê ú
ë ae be cd dc ed û
75
n!
P=
n1!n2!n3!...n k !
9!
P= = 1260
3!4!2!
76
objetos en r celdas con n1 elementos en la primera celda, n2 elementos en la
segunda y así sucesivamente es.
æn ö n!
çç ÷÷ =
è n1 , n2 ,..., nr ø n1!n2 !...nr !
Donde:
n1+n2+ ...+nr = n
Solución:
æ7 ö 7!
çç ÷÷ = = 210 formas
è 3, 2, 2 ø 3!2!2!
77
5.4.- COMBINACIONES.
C r = ( nr ) =
n!
r!(n - r)!
n
Por ejemplo, las combinaciones de clase 2 que se pueden formar con las 5
primeras letras del alfabeto son:
78
5! 5(4)(3)(2)(1) 120
5
C2 = = = = 10
2!3! 2(1)[3(2)(1)] 12
5
C 2 = 10
Dados como:
æ ab ac ad ae bc ö
çç ÷÷
è bd db cd ce de ø
Ejemplo: : Una tabla de (12" x 3/4" x 8') de Pino, puede ser comprada de
cualquiera de 5 proveedores. De cuántas formas se pueden escoger tres de
los cinco proveedores?.
Solución:
5! 5( 4)(3)(2)(1) 120
C3 = = = = 10
3!(5 - 3)!
5
3!2! 12
5 C 3 = 10.formas
Solución:
De los cinco C.P., pueden elegirse tres en cualquiera de las ( 5C3 ) maneras y
de los siete profesores pueden elegirse cuatro entre cualquiera de las ( 7C4 )
maneras.
Entonces el número de comités está dado en función de un producto de
79
combinaciones dadas como:
5! 7!
5 C 3 *7 C 4 = x = 350
3!2! 4!3!
Ejemplo: Determinar el número de maneras que puede seleccionarse un equipo
de 9 personas a partir de un grupo de 12.
5* 4 4*3
3C5 * 4C2 = * = 60
2 2
80
CAPITULO 6
INTERPRETACIONES DEL CONCEPTO DE PROBABILIDAD
81
6.1. CLASICA O DE LAPLACE (FINES DEL SIGLO XVII).
Na
P ( A) =
N
Donde:
Las limitaciones que presenta esta interpretación clásica son las siguientes.
82
é11 12 13 14 15 ù
ê21 22 23 24 25ú
ê ú
S = ê31 32 33 34 35 ú
ê ú
ê41 42 43 44 45ú
êë51 52 53 54 55 úû
Na 5
P(a ) = =
N 25
15
P( b ) =
25
3
P(g ) =
25
83
Si la CONADE selecciona al azar un deportista participante en el curso y con
base en la información anterior, se desea conocer cuál es la probabilidad de que
dicho deportista:
Solución:
Ejemplo: Dos monedas legales se lanzan 4 veces al aire, cual determinar cual es
la probabilidad de obtener al menos una cara.
Solución:
Solución:
84
S = 52 piezas
A = Corazones = 13
P(A) = 13/52
P(A) = 0.25
X
f =
n
X X
P( A) = Lim o bien ¾¾® P( A)
n ¾¾® ¥ n n
85
la escuela subjetivista considera que la probabilidad es una medida del grado de
incertidumbre que tiene una persona o un grupo de personas respecto a la
verdad de una afirmación o a la ocurrencia de un hecho.
Las limitaciones que presenta este enfoque, están en función de que la misma
tiene el inconveniente de que la probabilidad asignada cambie de una persona a
otra y en ocasiones puede presentar inconsistencia en una misma persona
cuando esta aumente su conocimiento sobre el fenómeno en estudio.
Axioma 1: 0 £ P(A) £ 1
Axioma 2: P(S) = 1
86
P(A È B) = P(A) + P(B)
El primer axioma establece que las probabilidades son números reales que
varían entre 0 y 1. El segundo axioma afirma que el espacio muestral completo
se le asigna una probabilidad de 1 y esto expresa la idea de que la probabilidad
de un cierto evento que puede suceder presenta probabilidades de ocurrencia
entre 0y 1 de acuerdo al axioma 1. El tercer axioma establece que las funciones
de probabilidad deben de ser aditivas.
Teorema 1.
Si A1, A2,...,An son eventos mutuamente excluyentes en un espacio muestral S,
entonces.
P( A1 È A2 È,...,È An ) = P( A1 ) + P( A2 ) + ... + P( An )
87
descompuesta (evento A), se cumpliera si ocurre cualquiera de los siguientes 3
eventos mutuamente excluyentes.
225 æ 5 öæ10 ö
P(1D) = = 0.495; trabajar con çç ÷÷çç ÷÷
455 è1 øè 2 ø
88
æ 5 ö æ10 ö
çç ÷÷ çç ÷÷
P( 2 D) = è ø è ø = 0.22
2 1
455
æ 5ö
çç ÷÷
P(3D ) = è ø = 0.022
3
455
Por lo que: P(A) = 0.495 + 0.22 + 0.022 = 0.737. probabilidad de que por lo
menos alguna este descompuesta.
89
Teorema 2.
Para el caso sean {E1 È E2 È E3 È ,....., È En}. Donde Ei; i = 1, 2, 3, ..., n; son
resultados mutuamente excluyentes por lo que de acuerdo al teorema 1, se tiene
que.
Solución:
E1 = la carta es un rey.
E2 = la carta es una reyna.
90
Teorema 3 (Regla Aditiva)
Por lo anterior se tiene que se ha sumado dos veces el peso de (A Ç B), y que la
suma de P(A Ç B) da como resultado.
91
P(A È B) = P(A) + P(B) - P(A Ç B).
Ejemplo: En una planta industrial trabajan 150 empleados, los cuales están
clasificados de la siguiente forma:
· 90 Tienen experiencia en la elaboración del producto A.
· 50 Tienen experiencia en la elaboración del producto B.
· 30 Tienen experiencia en la elaboración de ambos productos.
Solución:
El (%) de empleados que se piden para el caso, se calcula a través del uso de la
ecuación representativa del teorema 3, dada como:
Lo que implica que el 73.3 % de los empleados, pueden elaborar uno, otro ó
92
ambos productos.
P(A Ç B) = f = P(f) = 0
Solución.
93
Sean los eventos:
A = Contabilidad (2/3).
C = (A Ç B).
P(A È B) = P(A) + P(B) - P(A Ç B)
= 0.31
TEOREMA 4.
94
Si A y A' son eventos complementarios, entonces:
P(A') = 1 - P(A)
Para el caso:
A È A' = S
P(S) = 1.0
Solución.
S = 26 = 64 ; puntos muéstrales.
Evento.
E'= Que no ocurra ninguna cara (cuando todos los tiros son ceros).
95
de obtener al menos una águila A.
Solución:
Eventos.
S = Sol.
A = Águila.
P(E) = 1 - P(E')
96
soliciten:
Solución:
Entonces:
A = { C2 È C3 È C4 ÈC5 }
Pero:
P(A) = 1- P(A´)
Por lo que:
Por lo tanto:
B = { C0 È C1 È C2 È C3 }
97
P(B) = P(C0 ) + P(C1) + P(C2) + P(C3)
C = { C2 È C3 È C4 }
D = { C3 È C4 È C5 }
Por lo tanto:
ESPERANZA MATEMATICA
98
El valor esperado de algún fenómeno aleatorio discreto se puede considerar
como su promedio ponderado sobre todos los valores posibles. Para obtener
esta medida de resumen se calcula la media aritmética de todos los valores
posibles en la distribución de probabilidad ponderados por las respectivas
probabilidades. Por lo tanto E(X) o m, es el valor esperado de la variable
aleatoria X, se puede expresar como:
n
m = E ( X ) = å X i P( X i )
i =1
Donde:
Se Tiene que:
99
n
m = E ( X ) = å X i P( X i )
i =1
Donde:
100
6.3.3. PROBABILIDAD CONDICIONAL.
P(A I B)
P(B/A) = [P( A) ¹ 0 ]
P(A)
P(A I B)
P(A/B) = [P( B) ¹ 0 ]
P(B)
P(A|B) implica que tan probable es que estemos en A sabiendo que debemos
estar en B.
101
Se puede emplear la definición de probabilidad condicional para expresar lo
correspondiente a la independencia probabilística; de esta manera, se dice que
dos eventos A y B son independientes si y solo si:
102
P(A I B)=P(A)P(B /A)
Pçè I Ai ÷ø = P( A1 I A2 I A3 ... I An - 1 I An )
æ n ö
i =1
æ n ö n-1
Pçè I Ai ÷ø = P( A1 ) P( A2 ) P( A3 )... P ( An / I Ai )
i =1 i=1
= P( A1 ) P( A2 / A1 ) P ( A3 / A1 I A2 )...
Solución:
103
Eventos.
104
laboratorio.
a).- A i I A j = f ; " i ¹ j
n
b).- UA
i =1
i =S
Donde P(Ai) ¹0 ; para i=1,2,...,n y B cualquier evento de S tal que P(B) ¹0.
Lo anterior de forma gráfica es dado como:
De donde se tiene:
105
A1 U A2 U A3 U ... U An = S
Donde:
Ai Î S " i ; i = 1,2,..,n
B ÎS
B I S = B I (A1 U A2 A3 U ... U An )
B = (B I A1 ) U (B I A2 ) U ... U (B I An )
Para el caso algunos de los conjuntos B I A i pueden ser vacíos, pero esto
no invalida la descomposición anterior de B. Lo importante es que todos los
sucesos ( B I A 1 ,..., B I A n ) son mutuamente excluyentes.
P(A I B) P(A I B)
P(A/B) = ; P(B/A) =
P(B) P(A)
Entonces:
106
n
P(B)=å P(B/A j )P(A j )
j=1
P ( A I B)
P( A / B) =
P( B)
Pero:
( A I B) = P( A B) P( B) = P ( B A) P ( A)
y adema ¢ s P( B) es:
n
P(B)=å P(B/A j )P(A j )
j=1
P(B/Ai )P(Ai )
P(Ai /B)= n
;i = 1,2,...,n
å P(B/A
j =1
j )P(A j )
107
La explicación práctica del Teorema de Bayes es mostrada empleando el caso
siguiente:
CAMINO PROBABILIDAD
1 0.50
2 0.20
3 0.40
4 0.30
EN FORMA CON
CAMINO % TRAFICO
FLUIDA PROBLEMAS
1 25 0.5 0.5
2 40 0.2 0.8
3 20 0.4 0.6
4 15 0.3 0.7
Eventos.
P( B / A1 , A2 , A3 , A4 ) P( A1 , A2 , A3 , A4 )
P( A1 , A2 , A3 , A4 / B) =
P( B )
108
P(B/A1 )P(A1 )
P(A1 /B)=
P(B)
Lo cual implica que transitar en forma fluida para llegar al centro es dada como
se muestra anteriormente, en términos de su dificultad se tiene: camino 2,
camino 1, camino 3, camino 4.
% DE ELEMENTOS
MAQUINA % DE PRODUCCION
DEFECTUOSOS
A 52 2
B 33 1.5
C 15 1.8
109
A = Bolsa producida por la maquina A.
B = Bolsa producida por la maquina B.
C = Bolsa producida por la maquina C.
D = Probabilidad de que no este defectuosa la bolsa.
P(D/A,B,C)P(A,B,C)
P(A,B,C/D) =
P(D)
Para el caso los datos que se emplearan en el análisis son dados tabularmente
como:
% ELEMENTOS % ELEMENTOS NO
MAQUINA % PRODUCCION
DEFECTUOSOS DEFECTUOSOS
A 52 2 98
B 33 1.5 98.5
C 15 1.8 98.2
0.52(0.98)
P(A / D) = = 0.51896
0.52(0.98) + 0.33(0.985) + 015
. (0.982)
P(B/D) = 0.3310
P(C/D) = 0.150
Lo cual representa los niveles de probabilidad de que haya sido producida por
cada una de las máquinas (A,B,C) de la planta, la máquina con un nivel de
probabilidad asociada mayor para producir bolsas defectuosas es A.
110
Dado un experimento se define a un espacio de probabilidad como la terna [W,
A, p(.) ], donde W es el espacio muestral, A es el espacio de eventos
(sigmálgebra) generada por W, y p(.) es una función de probabilidad con
dominio A. Recuerde que una sigmálgebra S difiere de una álgebra en que la
unión infinita de elementos de S es también un elemento de S. La variable
aleatoria X (v.a.) es una función real medible en el espacio muestral, es decir:
Entonces:
· si r << 1 ; Ar = {(s,s)} Î A.
· si r << 2 ; Ar = {(s,s), (a,s), (s,a)} Î A
· si r ³ 2 ; Ar = W Î A.
Por lo tanto X es v.a. Así mismo se le llama variable aleatoria a la función cuyo
111
valor es un número real determinado por cada elemento en un espacio muestral
Una variable aleatoria continua es aquella v.a. tal que su espacio de valores
es un intervalo continuo en los reales. Este tipo de espacio muestral contiene
un número infinito de posibilidades igual al número de puntos en un segmento
de recta. O bien es aquel tipo de variable que puede tomar cualquier valor que
se encuentre dentro de determinados límites. Ejemplos de éste tipo de
variables son; mediciones de temperatura en un proceso, medición de
estaturas de la población de la ciudad de México, medición del peso de los
habitantes de la ciudad de Morelia, mediciones de voltaje en una línea de
transmisión (t), medición de corriente eléctrica en un sistema.
Una variable aleatoria discreta toma cada uno de sus valores con una cierta
probabilidad.
112
k
å P = 1.0
i =0
i
k
(X = x i ) ; p(X = xi ) = fx (x i ) = å P = 1.0
i =1
i
f x(X i ) ³ 0
å f (x ) =1.0
x i
P(X = xi ) = f x(x i )
113
Ejemplo: Obtener la distribución de probabilidad puntual para una variable
aleatoria X, que se define como la suma de puntos que muestran dos dados
legales en la cara de arriba al ser lanzados.
Solucion:
é11 12 13 14 15 16 ù
ê21 22 23 24 25 26ú
ê ú
ê31 32 33 34 35 36ú
S=ê ú
ê41 42 43 44 45 46ú
ê51 52 53 54 55 56ú
ê ú
ë61 62 63 64 65 66û
Eventos:
Definida como:
X = { 2,3,4,5,6,7,8,9,10,11,12 }
P(X=xi) = Pi.
Como se muestra:
114
P(X=2) = 1/36 P(X=8) = 5/36
P(X=3) = 2/36 P(X=9) = 4/36
P(X=4) = 3/36 P(X=10) = 3/36
P(X=5) = 4/36 P(X=11) = 2/36
P(X=6) = 5/36 P(X=12) = 1/36
P(X=7) = 6/36
115
FUNCIONES DE DISTRIBUCION ACUMULADA PARA VARIABLES
ALEATORIAS DISCRETAS.
Fx(x) = å Pi = å P( X = xi )
xi £ x xi £ x
· Fx (-¥) = 0
· Fx (¥) = 1.0
116
Sugerencia: en la solución de problemas, para encontrar la distribución de
probabilidad de una variable aleatoria discreta, construya una tabla enumerando
cada uno de los valores que puede asumir la variable aleatoria x y luego calcule
P(X) para cada valor de x.
Solucion:
P(X £ X1)
117
P(X £ 7) = 21/36
P(X £ 8) = 26/36
P(X £ 9) = 30/36
118
Se desea definir la función de densidad de x.
å P (X = x) = 1,
xÎR
r y , Pr (X = x) ³ 0 ,"x
Además: P0 + P1 = 1
ì1/ 2, si x = 0
f (x) = í
î1/ 2, si x = 1
119
6.6.- DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
120
La interpretación geométrica de la integral definida, puede relacionar la
probabilidad de que X se encuentre en el intervalo (a,b); con el area bajo la
curva de la función de la variable aleatoria X, como se muestra en la siguiente
figura:
121
f x ( x) ³ 0, "x
¥
òf
-¥
x ( x) = 1
122
" A nivel de definición, la función fx(X) es una función de densidad de
probabilidad para la variable aleatoria continua X, definida sobre el conjunto
R, de números reales."
x x
2da: Fx(X) dx = 1.0 = òf
-¥
x (X)dx + ò f x (X)dx =1.0
¥
b
3ra: P(a < X < b) = ò f x (X)dx
a
dF(x)
4ta: fx(X) =
x
¥
5ta: òf
-¥
x ( x) dx = 1
dF(x)
f (X) =
x
123
Si existe la derivada, se da el caso de obtener la puntual en función de la
acumulativa.
Ejemplo: Sea la variable aleatoria (X) que tiene una función de densidad de
probabilidad, dada como:
x2
fx (x) = ; (-1 < X < 2)
3
Solucion:
¥ 2
x2
ò f (X)dx = ò 3 dx =
x
-¥ -1
2
1éX 3ù
= ê = 1/3 [8/3 + 1/3] = 9/9 = 1.0
3 ë 3 úû -1
1
x2 1
1 é x3 ù 1
f x (X) = ò dx = ê ú =
0 3 3 ë 3 û0 9
124
fx(X): Está representada por la recta de la figura entre los puntos (XX1,YY1).
solucion:
Inicialmente se requiere conocer h, la cual está dada en función del area total,
ésta puede ser escrita como:
At = A1 + A2
Donde:
A1 = bh
A2 = bh/2
Entonces:
At = bh + bh/2 = 1.0
125
1.0 = 4h + 4h/2 = 4h + 2h
1.0 = 6h
h = 1/6
Y2 - Y1 Y -Y 2h - h
m= = 1 =
X 2 - X1 X 1 - X 5- 1
h
m=
4
(Y - Y1) = m (X - X1)
Sustituyendo valores.
h
Y - 2h = ( X - 5)
4
h hx 5h
Y= ( X - 5) + 2h = - + 2h
4 4 4
126
1 5
f x (X) = (X) - + 0.33
24 24
x 1 x
Fx(X) = ò
-¥
f x(X)dx = ò f x(X)dx + ò f x(X)dx = 1
-¥ 1
x
é1 1ù x
1 x
1
ò1 êë 24 (x) + 8 úû dx = ò1 24 (x)dx + ò1 8 dx = 1
x
1 é x2 ù 1 x 1 2
+ [x ]1 = (x - 1 ) + (x - 1 )
1
ê ú
24 ë 2 û 1 8 48 8
Comprobación:
fx (5) = 1.0
127
Ejemplo: Se ha observado el tránsito en la intersección de la Av. Madero y
Cuautla en las cuales se tiene mucha afluencia de vehículos, y se determinó la
fx(x), del tiempo que transcurre para que un automovil logre pasar por el
crucero; la función está dada por:
solucion:
¥ 0 ¥
A).- ò f (X)dx = ò f (X)dx + ò f (X)dx
-¥
x
-¥
x
0
x
¥ ¥
é e -0.1x ù 0.1
ò xf (X)dx + ò0 0.1e - 0 .1 x
dx = 0.1ê - 0.1ú = - 0.1 ( 0 - 1 ) = 1.0
-¥ ë û
¥
P(X ³ 5 ) = 0.1ò e -0.1 x dx =
0.1
[0 - e -0.1( 5) ] = 0.6065
5 - 0.1
128
Ejemplo:La duración en horas de los focos producidos por una fábrica se
considera una v.a. que tiene la siguiente función de probabilidad.
ìkt; 0£t£4 ü
f T (t ) = í ý
î0; cualquier otro valor þ
Calcular:
Solución:
a). Como fT(t) es una función de probabilidad, entonces se debe cumplir que:
4 4
Entonces:
129
4
4
ét 2 ù é16 ù
k ò tdt = 1; k ê ú = k ê ú = 8k = 1; k = 1/8
0 ë 2 û0 ë2û
¥
b). La media es: m t = E(t) = ò tf t (t 0 )dt; definición: cc) = å z Pz (z)
-¥ "z
4 4
4
1 t ét 2 ù 1 ét 3 ù
= ò t ( t )dt = ê ú = ê ú = 2.67
0 8 8 ë 2 û0 8 ë 3 û0
s 2 z = E{( z - m z ) 2 } = å ( z - m z ) 2 Pz ( z )
"z
s t = E (t - m t ) 2
0 0
Efectuando operaciones:
E{(t - m t ) } = ò t dt -
14 3 28 2 64 1 4 1 t4 2 t3 8 t2
ò t dt + 9 8 ò0 tdt = 8 4 - 3 3 + 9 2 = 0.89
2 4
0
80 83
Por lo que : s t = 0.89 = 0.94
130
En lo anteriormente escrito en el presente trabajo las distribuciones de
probabilidad consideradas se conocen a veces por distribuciones teóricas,
debido a que se obtienen por razonamiento lógico, en vez de por experimentos
reales. El objetivo de un modelo o teoría, es explicar fenómenos y conducta. Se
tiene que un Modelo es Determinista. Si permite decir, que dadas ciertas
condiciones iniciales, con seguridad se obtendrán ciertos estados o resultados. A
su vez este tipo de modelos proporcionan una explicación de causa y efecto.
Sin embargo en muchos de los casos no es posible establecer una clara relación,
debido al efecto ocasionado por la incertidumbre; para el caso solo se pueden
tener modelos probabilistas, este tipo de modelos al analista le permiten decir
sólo que, dadas ciertas condiciones iniciales, ocurrirán ciertos estados con tales
y tales probabilidades. Es decir que dadas las condiciones iniciales, un modelo
probabilista permite deducir una distribución de probabilidades de posibles
estados subsiguientes, que son valores de una variable aleatoria.
El presente modelo adopta este nombre en honor a Jacques Bernoulli, que vivió
en la última mitad del siglo XVIII. Es aplicado a una variable aleatoria la cual
puede adoptar solamente dos valores; sean los dos valores 0 y 1 con p y q = 1-p
como sus respectivas probabilidades, para el caso la función de probabilidad
131
Bernoulli es simplemente.
xi f(xi)
1 p
0 q
Suma 1
ì1 - p ; para X = 0
ï
Px ( X ) = í p ; para X = 1
ï0 ; cualquier otro caso
î
Graficamente es:
132
Para La distribución anterior se observa que:
åx
i
i f ( xi ) = p
y åx
i
2
i f ( xi ) = E ( x 2 ) = p
En consecuencia, se tiene para la variable Bernoulli:
E ( x) = m = p
V (X ) =s 2
= E( x 2 ) - m 2
= p - p2
= p(1 - p) = pq
En el modelo de Bernoulli se tiene un solo parámetro p, este es apropiado
cuando se busca un experimento que resultaría en un hecho E o su opuesto E´,
tal como éxito o fracaso, proposiciones sí o no, sujetos varón o hembra,
artículos defectuosos o no defectuosos, no significan necesariamente resultados
que sean deseables en la practica.
1. Cada ensayo (cada lanzamiento, en nuestro caso) tiene sólo dos resultados
posibles: Lado A o lado B, si o no, éxito o fracaso.
133
lado A sigue siendo de 0.5 en cada lanzamiento, cualquiera que sea el
número de veces que la moneda sea arrojada.
Con frecuencia un experimento consiste de intentos repetidos, cada uno con dos
resultados posibles, que se pueden llamar éxito o fracaso,.esto es válido al
probar las piezas que salen de una línea de ensamble, donde cada prueba o
intento puede indicar una pieza defectuosa o no defectuosa, entonces se tiene
134
que un proceso binomial puede considerarse como la suma de n variables
Bernoulli independientes. Más aún, una variable binomial es generada con los
postulados siguientes:
2. Cada intento tiene un resultado que puede clasifiacarse con éxito o fracaso,
lo cual implica que cada resultado es una variable Bernoulli.
3. Todas las pruebas deben tener idénticas probabilidades de éxito p, tal que la
probabilidad de fracaso para cada prueba permanezca en un valor constante
de q que es igual a (1-p).
135
variable aleatoria binomial con parámetros n, p, siendo n el número de
repeticiones del experimento en cuestión y p la probabilidad de éxito en
cada repetición.
én ù
f ( x ) = b[x, n, p ] = ê ú p x q n .- x ; x = 0,1,2,..., n
ë xû
énù n!
ê x ú x!(n - x)! = rCn
=
ë û
La ecuación anterior puede ser escrita como:
ìnCx p x q n- x , para x ³ 0
Px ( X ) = f ( X ) = í
î0 , para x < 0
La distribución binomial es asimétrica, excepto para p = q = 0.5 y discreta, su
136
nombre es debido a que sus miembros coinciden con los sumandos del
desarrollo binómico de la forma (p+q)n.
Donde:
n = Número de ensayos.
p = Probabilidad de éxitos.
X = I1 + I2 + ... + In
= p + p + ... + p
=np
137
Y la varianza esta dada como:
s2 = n p q
Donde:
s I2 = E [( I j - p) 2 ]E ( I j ) - p 2 = pq
j
s x2 = s I2 + s I2 +,...,+s I2
1 2 n
= pq + pq + ... + pq
=npq
Solución:
138
m = n p = 10 (0.2) = 2
m
p ( x £ m) = å xCnp x q n- x
x =0
Esta función aparece prácticamente en todos los problemas que tengan carácter
del llamado experimento de Bernoulli.
npq(1 - 2 p)
m3 =
( npq) 3 / 2
139
En la distribución normal se tiene m = n p; s2 = npq
El resultado es:
2
m
1 é x - np ù
F ( x ) = å xCnp q
x n- x
@ e -1 / 2 ê ú
x =0 2pnpq ë npq û
Con:
x 2 - np + 0.5
b=
npq
x1 - np - 0.5
a=
npq
Solución:
140
E = {encontrar unidades defectuosas} = éxito = p
F = {encontrar unidades sin defecto} = fracaso = q
mx = n p = 4(0.1) = 0.4
ì n C x p x q n - x ; "x ³ 0
Px ( X ) = í
î0 ; "x < 0
d). Como, la función de masa de la distribución binomial es:
X P(x)
0 0.6561
1 0.2916
2 0.0486
3 0.0036
4 0.0001
141
Gráficamente es dada como:
Si:
142
El histograma que representa la distribución de probabilidad es:
143
PN(n) = P [(obtener X-1 éxitos en los primeros N-1 ensayos]Ç[un éxito en el
último ensayo]
ì n -1 C x -1 P x q n- x ; "n ³ x
PN ( n) = í
î 0; "n < x
Como no tiene sentido que haya menos de X ensayos para encontrar X éxitos,
entonces.
X Xq
mN = ; s N2 = 2
P P
b). El número promedio de unidades que se debe observar para encontrar cinco
defectuosas.
Solución:
a). X = 2, N = 5 y P = 0.1
144
Entonces.
4!
PN (5) = 5-1 C2 -1 (0.1) 2 (0.9) 5-2 = (0.1) 2 (0.9) 3 = 0.02916
1!(3)!
X 5
mN = = = 50, unidades
P 0.1
ì pq n -1 ; "n ³ 1
PN ( n) = P( N = n X = 1, P ) = í
î0; "n < 1
1 q
mN = ; s N2 =
p p2
145
a). La probabilidad de que la cuarta persona entrevistada sea la primera que
compre.
c). La varianza de N.
d). La gráfica de la función de masa de probabilidad f(x); que corresponde a N
en el intervalo [1,6].
Solución:
b). Si.
1 1
mN = = = 0.2 ; entrevistas
p 0.5
0.5
s N2 = =2
(0.5) 2
146
d). Se tiene que:
X P(X)
1 0.5
2 0.25
3 0.125
4 0.063
5 0.031
6 0.016
147
día, una semana, un mes e incluso un año. De aquí que un experimento
Poisson genere observaciones para la variable aleatoria x que representan el
número de llamadas telefónicas que se reciben por hora en una oficina.
Las formas clásicas para obtener la distribución de Poisson son definidas como:
mx
P ( x, m ) = f ( x) = [e ] ;
-m
x = 0,1,2,...., n
x!
148
Tambien se puede escribir como:
ì m X e-m
ï ; para x ³ 0
PX ( X ) = í x!
ïî0 ; para x < 0
B).- Puede producirse dicha distribución, tomando como referencia las hipótesis
siguientes:
a).- La probabilidad de que ocurra un suceso aleatorio en un intervalo de tiempo
Dt es independiente de que tales sucesos ocurren en los demás intervalos.
b).- Dicha probabilidad es proporcional a la cantidad Dt. En consecuencia puede
utilizarse ampliamente, por ejemplo en el estudio de las corrientes de tráfico
en una vía rápida en una ciudad determinada.
c).- Se puede generar mediante la ecuación de recurrencia siguiente:
m
f ( x + 1) = f ( x); para x = 0,1,2,3,......
( x + 1)
Si se supone:
f(0) = e -m
Su media es: m
Su varianza : s2 = m
1
Su asimetría: u =
m
149
x
mx m xe-m
f ( x) = e -m
å u!
u =0
=
u!
150
6t
- 6t k
e 4000
( )
Pr = ( k defectos) = 4000
k!
6 ( 3000 )
- 6(3000) k
e 4000
( )
Pr = ( k defectos en 3000 metros) = 4000
k!
e -4.5 (4.5) k
= ; k = 0,1,2,......
k!
Los eventos:
0 - cero defectos
1 - defectos
2 - defectos
Es importante hacer notar que todos los eventos son mutuamente excluyentes.
Entonces:
151
Pr(a lo más dos defectos) = Pr(0 def.) + Pr(1 def.) + Pr(2 def.).
Solución:
( 2 ) 0 e -2
PX ( X ) = = 0.1353
0!
c). Se tiene:
X P x(X)
0 0.135
152
1 0.270
2 0.270
3 0.18
4 0.090
5 0.036
6 0.012
7 0.003
8 0.001
Solución:
15
P(X > 15) = 1.0 - P(X £ 15) = 1 - å P( x,10) = 1 - 0.9513 = 0.0487
x =0
En tablas con:
m = 10
X = 15
153
Para:
Se tienen:
m=4
X=6
e -4 4 6 6 5
P(6, 4) = = å P ( x,4) - å P( x,4) = 0.8893 - 0.7851 = 0.1042
6! x =0 x=0
Caso:
n®¥
p® 0
m= np
154
P = mx/n x
ì ( m t) x e - mt
ï ; para x ³ 0
PX ( x ) = í x!
ïî0 ; para x < 0
P (8) =
[2(5)] e 8 -2 ( 5 )
= 0.1126
x
8!
6 0 e -6
Px (0) = = 0.0024
0!
155
c). Con t = 2, m t = 2(2) = 4
4 0 e -4 41 e -4 4 2 e -4
P( x < 3) = Px (0) + Px (1) + Px (2) = + + = 0.2381
0! 1! 2!
156
6.8.- DISTRIBUCION NORMAL
La variable aleatoria X, que toma todos los valores reales (-¥ < x < ¥ ), tiene
una distribución normal ( o gausiana) si su función de distribución de
probabilidad es de la forma.
fx(X) = n(X;m,s); con media m y varianza s2 es:
- [( x - m ) / s ]
1
1 2
f x ( x ) = n ( x, m , s ) = e 2
2p s
para (-¥ < x < ¥ )
Donde:
p = 3.1416
e = 2.71828
x = Variable aleatoria
Para los parámetros m y s deben satisfacer las condiciones (-¥ < m < ¥ )
, s >0 ; frecuentemente nos referimos a la distribución normal empleando la
notación siguiente: X tiene la distribución N(m,s2 ) si y solo si su distribución
de probabilidad está dada por la ecuación anterior
157
Para calcular la media se tiene que:
¥
1 -1 / 2 [ ( x - m ) / s ]2
E ( x) =
2p s
òxe
-¥
dx
1 ¥
-
z2
1 ¥
-
z2
s ¥
-
z2
E ( x) =
2p
ò (m + s
-¥
z) e 2
dz = m
2p
òe
-¥
2
dz +
2p
òze
-¥
2
dz
E [( x - m ) 2 ] =
1
1 - [( x - m ) / s ]2
ò (x - m) e
2 2
dx
2p s -¥
s2 ¥
E [( x - m ) ] =
- [z ]
1 2
òz
2 2
e 2
dz
2p -¥
u=z,
dv = ze - z
2
/2
du = dz y
158
v = 1 - e-z
2
/2
, se encuentra que:
s2 æ ¥ z2
ö
E [( x - m ) ] =
-
ç - ze - z /2 ¥
+ òe dz ÷÷ = s 2 (0 + 1) = s 2
2
2 2
2p ç -¥
è -¥ ø
159
CARACTERISTICAS IMPORTANTES DE LA DISTRIBUCION
NORMAL
1. Por ser una función par, posee simetría axial respecto a las ordenadas en x
= m , que es donde se encuentra su punto máximo.
1
ys = (vertice)
s 2p
160
vértice, y viceversa, como se observa en la siguiente figura.
161
AREAS BAJO LA CURVA
x2
1 x - 12 [( x- m ) / s ]
2 2
P( x1 < x < x2 ) = ò n( x, m ,s ) dx = òe dx
x 1
2p s x 1
162
La problemática de resolver las integrales de las funciones de densidad normal,
requieren de la tabulación de áreas de la curva normal para una rápida
referencia. Pero, seria un trabajo interminable tratar de tabular cada valor
posible de m y s. Sin embargo, se pueden transformar todas las observaciones
de cualquier variable aleatoria en un nuevo conjunto de observaciones de una
variable aleatoria normal con media cero y variancia 1. Esto es posible hacerlo
mediante la siguiente transformación.
x-m
z=
s
Siempre que X tome un valor de x, el valor correspondiente de Z estará dado
por Z = (X-m)/s. Por lo que, si X cae entre los valores X = x1 y X = x 2 , la
variable aleatoria Z caerá entre los correspondientes valores Z1 = (x1 -m)/s y
Z2 = (x2 -m)/s.
2
1 x - 12 [( x- m ) / s ]
2 2
1 z - z2
2
P( x1 < x < x2 ) = òe
2p s x
dx = ò e dz =
2p z
1 1
z2
163
z2 .
a).- Cuál es la probabilidad de que otra probeta tomada al azar resista cuando
más 240 Kg./cm ?.
b).- Cuál es la probabilidad de que su resistencia esté en el intervalo de 210 a
240 Kg./cm .
Entre los supuestos de solución se tiene que la función de distribución es
normal.
165
166
6.9.- APROXIMACION DE LA DISTRIBUCION NORMAL
A LA BINOMIAL
æ nö
b( X , n, p) = çç ÷÷ p x q n- x ; x = 0,1,2,..., n
è xø
æ nö n!
çç ÷÷ =
è x ø x!(n - x)!
En función de lo anterior un teorema que permite usar las áreas bajo la curva
para aproximar probabilidades binomiales cuando n es suficientemente grande
está dado como sigue:
x - np
z=
npq
167
aproximación es muy aceptable.
Solucion:
m = 0.9
s = 0.003
Intervalo obtenido: (0.9 ± 0.005)
(0.895 £ X £ 0.905)
Estandarizando.
x-m
z=
s
Para:
X = 0.895
X = 0.905
168
Para:
+1.67 = 0.9525
-1.67 = 0.0475
0.9050
169
CAPITULO 7
7.1. INTRODUCCIÓN
Este modelo es empleado cuando existe una relación lineal entre los datos
manejados (interrelación entre variables x,y).
La relación lineal más simple consiste en una recta, el modelo para la línea recta
170
(lineal) puede expresarse como:
y i = b 0 + b 1 xi + e i
Donde:
Ù
y = b0 + b1 xi
Donde:
171
b 0 = Intersección con el eje y de la muestra.
b 1 = Pendiente de la muestra.
Ù
y = Valor pronosticado de y para toda (i)
El análisis de regresión lineal simple le toca encontrar la línea recta que mejor
se ajuste a los datos. El mejor ajuste significa que se desea encontrar la línea
recta para la cual la diferencia entre el valor real de y, yi y el valor que se
Ù
predecirá con la línea de regresión ajustada y , es la más pequeña que sea
posible.
Como dichas diferencias son tanto positivas como negativas para diferentes
observaciones, matemáticamente se minimiza.
n n
å ( yi - y$i ) 2 = å (y - b i 0 - b1 x ) 2 = SCE
i =1 i =1
Donde:
y i = Valor real de y para toda i.
y$i = Valor predicho de y para toda i.
La cual tiene dos incógnitas b0 y b1 una técnica matemática que determina los
valores b0 y b1 que mejor ajustan a los datos observados, se conoce como el
método de mínimos cuadrados.
172
Empleando este método se obtienen las ecuaciones normales derivando
parcialmente la ecuación anterior con respecto de b0 y b1.
¶ ( SCE ) n
= -2å ( yi - b0 - b1 xi )
¶b0 i =1
¶ ( SCE ) n
= -2å ( yi - b0 - b1 xi ) xi
¶b1 i =1
å yi = nb0 + b1 å xi
i =1 i =1
n n n
å xi yi = b0 å xi + b1 å xi2
i =1 i =1 i =1
Dado que se tienen dos ecuaciones con dos incógnitas resolviendo en forma
simultanea para b0 y b1. Se tiene.
n n n
n å xi y i - (å xi )(å yi )
b1 = i =1
n
i =1
n
i =1
n å xi2 - ( å xi ) 2
i =1 i =1
b0 = y - b1 x
173
O tambien:
n n n n
(å xi2 )(å yi ) - (å xi )(å xi y i )
b0 = i =1 i =1
n
i =1
n
i =1
nå xi2 - (å xi ) 2
i =1 i =1
Donde:
x = media de las x i
y = media de las y i
Así como no se puede esperar que todos los datos caigan en la media aritmética,
tampoco se puede esperar que todos los puntos de los datos caigan exactamente
en la línea de regresión .
174
n Ù
å ( yi - yi ) = 0
i =1
å(y
i =1
i - y$i ) 2
S xy =
n- 2
Donde:
n Ù n n n
å ( yi - y i ) 2 = å yi - b0 å yi - b1 å xi yi
2
i =1 i =1 i =1 i =1
å yi - b0 å yi - b1 å xi yi
S xy = i =1 i =1 i =1
n-2
175
A fin de determinar que tan bien predice la variable independiente a la variable
dependiente en el modelo estadístico, se necesita desarrollar varias medidas de
variación. A la primera medida se le llama variación total, es una medida de y i,
en torno a su media y .
VT = VE + VNE
Donde:
176
VT = variación total.
VE = variación explicada.
VNE = variación no explicada
n
VT = å ( yi - y ) 2
i =1
n Ù
VNE = å ( yi - yi ) 2
i =1
n Ù
VE = å ( yi - y ) 2
i =1
n Ù
VE å( y i - y)2
r2 = = i =1
n
VT
å( y
i =1
i
- y)2
177
La fuerza de una relación entre dos variables se suele medir con el coeficiente
de correlación (r) cuyos valores van desde (-1 para la correlación negativa
perfecta, hasta +1 para la correlación positiva perfecta).
De las gráficas anteriores la primera figura ilustra una relación lineal negativa,
perfecta entre x,y. Por lo que hay una relación perfecta uno a uno entre x, y, de
modo que y disminuirá de forma perfecta según aumenta x. En la segunda
figura se ilustra el caso que no hay relación entre x, y : En la tercera figura se
muestra el caso en que y aumenta en una forma perfectamente predecible según
aumenta x.
n Ù
178 VE å ( yi - y ) 2
r2 = = i =1
n
VT
å( y
i =1
i - y)2
Por lo que el coeficiente de correlación es:
r = r2
å(x i
- x )( yi - y )
r= n
i =1
n
å ( xi - x ) 2
i =1
å(y
i =1
i - y)2
Ejemplo:
1 8.1 8.1 1
1.1 7.8 8.58 1.21
1.2 8.5 10.2 1.44
1.3 9.8 12.74 1.69
1.4 9.5 13.3 1.96
179
1.5 8.9 13.35 2.25
1.6 8.6 13.76 2.56
1.7 10.2 17.34 2.89
1.8 9.3 16.74 3.24
1.9 9.2 17.48 3.61
2 10.5 21.00 4.0
TOTAL 16.5 100.4 152.59 25.85
Como:
y = 100.4 / 11 = 9.13
x = 16.5 / 11 = 15
.
Como:
å ( x ) = (16.5) = 272.25
i
2 2
Por lo que:
180
n n n
nå xi yi - (å xi )(å y i )
11(152.9) - 1656.6
b1 = i =1 i =1 i =1
= = 1.8090
11( 25.85) - 272.25
n n
nå xi2 - (å xi ) 2
i =1 i =1
Para b0 se tiene:
b0 = y - b1 x
b0= 9.13 –1.8090 (1.5) = 6.4165
181
titulen.
Solución:
b0 = 0.1068
b1 = 0.4191
Por lo que:
r= 0.998
182
183
CAPITULO 8
NÚMEROS ÍNDICE
Al paso del tiempo los números índice han adquirido importancia eficiente
para la administración de negocios, los cuales son usados como indicadores
de cambio de la actividad económica o de los negocios. El uso de números
índice se ha convertido en el procedimiento de máxima aceptación para medir
los cambios en las condiciones de los negocios. En términos generales los
números índice construidos en un punto particular en el tiempo miden el
tamaño o magnitud de algún artículo en ese punto particular en el tiempo,
como un porcentaje de alguna base u objeto de referencia en el pasado.
184
8.1.1. PERIODO BASE PARA UN NÚMERO ÍNDICE
El período base o punto de referencia empleado para el análisis está dado como
el año o período de tiempo en el pasado, contra los cuales se hacen todas las
comparaciones. Al seleccionar el período base para un índice dado se deben
cuidar las siguientes reglas.
b).- El período base debe ser reciente a fin de que las comparaciones no se
afecten sin necesidad por cambios en tecnología, calidad del producto o en
las actitudes, intereses, gustos y hábitos de los consumidores.
Donde:
185
como se muestra a continuación
Para el caso particular se tomó como año base 1990, se empleo la ecuación
anterior para el cálculo.
186
n
åP
(t )
i
= i =1
(t )
I SA n
* 100
åP
( 0)
i
i =1
período base.
Ejemplo: dados los precios de los bienes A, B, C, para los años indicados en la
tabla siguiente, se desea calcular los índices de precios respectivos.
187
esto reside el principal defecto del método, porque permite que un bien con un
precio alto domine el índice, el precio de B ejerce más influencia que el precio
de C, el cual a su vez, domina al precio de A en los números índices.
Una vez que se obtienen las proporciones de precios de cada artículo, se suma el
resultado y se divide el total entre el número de artículos que forman el índice,
después el promedio se multiplica por cien para expresarlo en porcentaje, la
ecuación representativa de este caso está dada como:
åP
(t )
i
i =1
( 0)
P
= i
(t )
I SM * 100
n
188
8.4. ÍNDICE DE PRECIOS AGREGADO PONDERADO Y MEDIA
PONDERADA DE PRECIOS RELATIVOS
é n (t) ù
ê å Pi Wi ú
(t )
IWA = ê i n=1 ú
ê ú
êë å
( 0)
Pi Wi ú
i =1 û
æ n P (t ) ö
çå i ÷
ç i =1 (0 ) ÷Wi
çç Pi ÷÷
= è n ø * 100
(t )
I MW
åWi
i =1
189
CAPITULO 9
APLICACIÓN ESTADÍSTICA PARA EL
CÁLCULO DEL RIESGO FINANCIERO
RESUMEN
190
que la probabilidad es una medida de la incertidumbre, debido a esto la
probabilidad de un evento indica la posibilidad de que ocurra dicho evento y
debe cumplir con los axiomas de Kolmogorov.
Donde:
191
PR = prima de riesgo
E(X) = valor esperado de una loteria
EBC = equivalente bajo certeza
X = Resultados adoptados por la loteria
COMPORTAMIENTO DE (PR)
Indicador Comportamieto
PR > 0 Aversión al Riesgo
PR = 0 Neutro al Riesgo
PR < 0 Propensión al Riesgo
192
Supongase que la curva de preferencia del decisor es cóncava respecto al eje
horizontal. Considerando la loteria 0.5 (r), 0.5 (r´), por lo que E(x) = 0.5(r) + 0.5
(r´) = (r + r´ )/2.
Luego el valor que tiene esa preferencia corresponde al equivalente bajo certeza
de la lotería. Como EBC es menor que el valor esperado se concluye que una
curva cóncava representa un comportamiento de aversión al riesgo como se
observa en la siguiente figura.
193
Haciendo un análisis semajante con una curva convexa respecto al eje
horizontal se concluye que representa un comportamiento de propensión al
riesgo como se observa:
194
Se tiene que el decisor puede tener una combinación de esos comportamientos
dependiendo de las cantidades de recurso financiero que esten en juego y este
dispuesto a invertir. Por ejemplo podría ser con neutralidad al riesgo en
cantidades pequeñas donde no le importa mucho (A), después con aversión al
riesgo (B) y tal vez posteriormente exista algún nivel de aspiración, donde por
llegar ahí se está dispuesto a correr grandes riesgos (C), esto se representa en la
figura siguiente:
COMPORTAMIENTO DE LA
FUNCIÓN DE RIESGO
195
Sin embargo se tiene que las decisiones son la respuesta a una interrogante
cuyos hechos a su alrededor tienen tanta incertidumbre que la respuesta no es
obvia. Ramírez Sarrión D (1998) y González Santoyo F. et al (2000),
establecen dos tipos de Incertidumbre la óntica y la epistémica. La óntica se
vincula a los hechos y los entes, la epistémica al conocimiento, por lo anterior la
Incertidumbre se define como la ausencia de certeza o conocimiento seguro.
Hoy día es necesario explicar los fenómenos que aparecen en cada momento
apreciando los cambios inductores de incertidumbre, de esto es posible obtener
ciertos comportamientos expresables la mayor parte de ellos mediante
posibilidades, algunos a através de probabilidades y muy pocos por certeza.
196
Para cada proyecto bajo estudio se pueden hacer estimados de diversos flujos de
efectivo futuros. Antes de estimar solamente el resultado del flujo más probable
para cada año en el futuro. De esta forma se esta en posibilidad de considerar la
escala de posibles flujos de efectivo para un período futuro en particular, en
lugar de un sólo el flujo de efectivo más probable, en este sentido una
herramienta eficiente para conocer la variabilidad existente en los flujos de
efectivo para todo tiempo es la:
· Varianza (s2)
· Desviación Estándar (s)
· Coeficiente de Variación (C.V.)
· El Valor Esperado
· La Desviación Estándar
El Valor Esperado de los Flujos de Efectivo para el período (t), se define como
(VEF).
n
VEF = å ( Fxt )( Pxt ) (2)
x =1
197
Donde:
Se representa como:
n
st = å (F
x =1
xt - VEF ) 2 ( Pxt ) (4)
198
Ejemplo: Supóngase que la Compañia “W” en su planeación estrategica, a
considerado dos propuestas de inversión (A y B) que considera incrementara
eficientemente el posicionamiento corporativo en el mercado global. Los
expertos financieros de la Compañia después de evaluar el futuro conforme con
cada una de las situaciones citadas en la tabla siguiente determinaron que los
flujos de efectivo para cada año son:
FLUJOS DE EFECTIVO
199
De la tabla se observa que la dispersión de los flujos de efectivo es mayor para
la propuesta B que para la propuesta A, a pesar de que el resultado màs probable
es el mismo para ambas propuestas de inversión: $ 4000. De acuerdo a los
criterios tradicionales de evaluación de inversiones, la empresa clasificaría de
igual forma las propuestas, sin embargo si el decisor toma en cuenta la
dispersión del comportamiento de los flujos, el riesgo esta relacionado con la
distribuciòn de probabilidades de los posibles flujos de efectivo en el ejemplo.
Se consideraría que entre mayor sea la dispersión mayor será el riesgo, por lo
que la propuesta B será la inversión más riesgosa de acuerdo al comportamiento
de la dispersión observada en la variación de dichos flujos.
200
El valor esperado de la propuesta A es $ 4000, de forma analoga para la
propuesta B, Sin embargo, la desviación estándar para la propuesta A es de $
548, mientras que la desviación estándar para la propuesta B es de $ 1 095. Por
lo anterior se observa que la propuesta B tiene una dispersión mayor, por tanto
representa un mayor riesgo.
Por lo anterior, se observa bajo este criterio que la propuesta B tiene más riesgo
con respecto de la A, esto es presentado como:
Para el caso se hace un análisis difuso del de riesgo, este puede ser ejecutado
haciendo uso del ejemplo tratado en el apartado anterior, tomando las
consideraciones que la Compañía “W” en un estudio de comportamiento ante la
incertidumbre, los expertos financieros de la empresa consideran que la
información presentada para las propuestas de inversión se mueven en los
rangos mostrados para cada estado como un número difuso triangular
presentado en las tablas siguientes.
201
Estado de la Economía Propuesta A Propuesta B
RG (2800, 3000, 3500) (1500, 2000, 2500)
RL (3200, 3500, 3800) (2500, 3000, 3500)
N (3800, 4000, 4500) (3500, 4000, 4500)
AM (4300, 4500, 5000) (4500, 5000, 5500)
AM1 (4900, 5000, 5500) (5500, 6000, 6500)
202
a VEF s2 s C.V.
0.0 (3,448.0000, 4683.0000) (1,041,976.9900, 1449071.2000) (1,020.7727, 1203.7737) (0.2571, 0.2960)
0.1 (3,501.5800, 4612.6300) (904,994.6092, 1235510.4979) (951.3120, 1111.5352) (0.2410, 0.2717)
0.2 (3,555.5200, 4542.7200) (781,401.8097, 1044068.5404) (883.9693, 1021.7967) (0.2249, 0.2486)
0.3 (3,609.8200, 4473.2700) (671,422.9670, 874678.1247) (819.4040, 935.2423) (0.2091, 0.2270)
0.4 (3,664.4800, 4404.2800) (575,274.7244, 727268.5317) (758.4687, 852.8004) (0.1936, 0.2070)
0.5 (3,719.5000, 4335.7500) (493,166.0497, 601765.5063) (702.2578, 775.7355) (0.1789, 0.1888)
0.6 (3,774.8800, 4267.6800) (425,298.2926, 498091.2379) (652.1490, 705.7558) (0.1654, 0.1728)
0.7 (3,830.6200, 4200.0700) (371,865.2420, 416164.3414) (609.8075, 645.1080) (0.1536, 0.1592)
0.8 (3,886.7200, 4132.9200) (333,053.1825, 355899.8372) (577.1076, 596.5734) (0.1443, 0.1485)
0.9 (3,943.1800, 4066.2300) (309,040.9524, 317209.1322) (555.9145, 563.2132) (0.1385, 0.1410)
1.0 (4,000.0000, 4000.0000) (300,000.0000, 300000.0000) (547.7226, 547.7226) (0.1369, 0.1369)
a VEF s2 s C.V.
0.0 (3185.0000, 4725.0000) (2465568.7500, 3115686.2500) (1570.2130, 1765.1307) (0.3736, 0.4930)
0.1 (3262.4500, 4650.2500) (2222495.5074, 2763737.3776) (1490.8036, 1662.4492) (0.3575, 0.4570)
0.2 (3340.8000, 4576.0000) (2003990.5280, 2446780.8256) (1415.6237, 1564.2189) (0.3418, 0.4237)
0.3 (3420.0500, 4502.2500) (1810571.2686, 2165075.2476) (1355.5747, 1471.4195) (0.3268, 0.3934)
0.4 (3500.2000, 4429.0000) (1642743.1860, 1918870.4412) (1281.6954, 1385.2330) (0.3128, 0.3662)
0.5 (3581.2500, 4356.2500) (1500999.8047, 1708407.2266) (1225.1530, 1307.0605) (0.3000, 0.3421)
0.6 (3663.2000, 4284.0000) (1385822.7840, 1533917.3248) (1177.2097, 1238.5142) (0.2891, 0.3214)
0.7 (3746.0500, 4212.2500) (1297681.9858, 1395623.2365) (1139.1585, 1181.3650) (0.2805, 0.3041)
0.8 (3829.8000, 4141.0000) (1237035.5420, 1293738.1204) (1112.2210, 1137.4261) (0.2747, 0.2904)
0.9 (3914.4500, 4070.2500) (1204329.9219, 1228465.6715) (1097.4197, 1108.3617) (0.2723, 0.2804)
1.0 (4,000.0000, 4000.0000) (1200000.0000, 1200000.0000) (1095.4451, 1095.4451) (0.2739, 0.2739)
203
INDICADORES DEL RIESGO EN LA INCERTIDUBRE
Propuesta
de s2 s C.V
Inversión
Propuesta Metodológica
· A: Inicio
· Definición del problema.
· Obtención y ordenamiento de información.
· Evaluación del riesgo con información deterministica.
· Evaluación de indicadores del riesgo en el azar.
· Evaluación de indicadores del riesgo en la incertidumbre.
· Establecimiento y ubicación de indicadores de riesgo (finales) ante el
comportamiento del decisor , tomando como base inf. deterministica, el
azar y la incertidumbre.
· Toma de decisiones (selección de inversión (es) más eficientes).
· Si la decisión no es satisfactoria, ir a A.
204
9.6. RESULTADOS Y CONCLUSIONES
TABLA DE RESULTADOS
Propuesta de
sA C.V.A sI C.V.I
Inversión
A 548 14 % (1020.7727, 547.7226, 1203.7737) (0.2571, 0.1369, 0.2960)
B 1095 27 % (1570.2130, 1095.4451, 1765.1307) (0.3763, 0.2739, 0.4930)
Del análisis bajo el azar a pesar de que el valor esperado es el mismo $ 4000, si
este es tomado como indicador de decisión, ambas propuestas son igualmente
atractivas para invertir, sin embargo si se toma (sA) o (C.V.A) se observa que la
propuesta (B) presenta una mayor dispersión de los flujos de fondos , por tanto
un mayor nivel de riesgo financiero con respecto de (A), de los anterior se tiene
que si los inversionistas de la compañía “W” sienten aversión al riesgo
preferirán la propuesta (A) con respecto de (B) y si tienen propensión al riesgo
de acuerdo a la tabla # 1 preferirán la propuesta de inversión (B).
205
APENDICES
206
TABLA DE NUMEROS ALEATORIOS
COLUMNA
00000 00001 11111 11112 22222 22223 33333 33334
Hilera 12345 67890 12345 67890 12345 67890 12345 67890
01 66194 28926 99547 16625 45515 67953 12108 57846
02 78240 43195 24837 32511 70880 22070 52602 61881
03 00833 88000 67299 68215 11274 55624 32991 17436
04 12111 86683 61270 58036 64192 90611 15145 01748
05 47189 99951 05755 03834 43782 90599 40282 51417
06 76396 72486 62423 27618 84184 78922 73561 52818
07 46409 17469 32483 09083 76175 19985 26309 91536
08 74626 22111 87286 46772 42243 68046 44250 42439
09 34450 81974 93723 49023 58432 67083 36876 93391
10 36327 72135 33005 28701 34710 49359 50693 89311
11 74185 77536 84825 09934 99103 09325 67389 45869
12 12296 41623 62873 37943 25584 09609 63360 47270
13 90822 60280 88925 99610 42772 60561 76873 04117
14 72121 79152 96591 90305 10189 79778 68016 13747
15 95268 41377 25684 08151 61816 58555 54305 86189
16 92603 09091 75884 93424 72586 88903 30061 14457
17 18813 90291 05272 01223 79607 95426 34900 09778
18 38840 26903 28624 67157 51986 42865 14508 49315
19 05959 33836 53758 16562 41081 38012 41230 20528
20 85141 21155 99212 32685 51403 31926 69813 58781
21 75047 59643 31074 38172 03718 32119 69506 67143
22 30752 95260 68032 62871 58781 34143 62490 69766
23 22986 82575 42187 62295 84295 30634 66502 31442
24 99439 86692 90348 66036 48399 73451 26698 39437
25 20389 93029 11881 71685 65452 89047 63669 02656
26 39249 05173 68256 36359 20250 68686 05947 09335
27 96777 33605 29481 20063 09398 01843 35139 61344
28 04860 32918 10798 50492 52655 33359 94713 28393
29 41613 42375 00403 03656 77580 87772 86877 57085
30 17930 00794 53836 53692 67135 98102 61912 11246
31 24649 31845 25736 75231 83808 98917 93829 99430
32 79899 34061 54308 59358 56462 58166 97302 86828
33 76801 49594 81002 30397 52728 15101 72070 33706
34 36239 63636 38140 65731 39788 06872 38971 53363
35 07392 64449 17886 63632 53995 17574 22247 62607
36 67133 04181 33874 98835 67453 59734 76381 63455
37 77759 31504 32832 70861 15152 29733 75371 39174
38 85992 72268 42920 20810 29361 51423 90306 73574
39 79553 75952 54116 65553 47139 60579 09165 85490
40 41101 17336 48951 53674 17880 45260 08575 49321
41 36191 17095 32123 91576 84221 78902 82010 30847
42 62329 63898 23268 74283 26091 68409 69704 82267
43 14751 13151 93115 01437 56945 89661 67680 79790
44 48462 59278 44185 29616 76537 19589 83139 28454
45 29435 88105 59651 44391 74588 55114 80834 85686
46 28340 29285 12965 14821 80425 16602 44653 70467
47 02167 58940 27149 80242 10587 79736 34959 75339
48 17864 00991 39557 54981 23588 81914 37609 13128
49 79675 80605 60059 35862 00254 36546 21545 78179
50 72335Función
82037de distribución
92003 34100 29879
de Poisson 46613 89720 13274
r= x
n = 10 n = 10 n = 10 n = 10
x = 10 x =9 x =8 x =7 p
0.0000000 0.0000000 0.0000000 0.0000000 0.01
0.0000000 0.0000000 0.0000000 0.0000000 0.02
208 0.0000000 0.0000000 0.0000000 0.0000000 0.03
0.0000000 0.0000000 0.0000000 0.0000000 0.04
0.0000000 0.0000000 0.0000000 0.0000001 0.05
0.0000000 0.0000000 0.0000000 0.0000003 0.06
0.0000000 0.0000000 0.0000000 0.0000008 0.07
0.0000000 0.0000000 0.0000001 0.0000020 0.08
0.0000000 0.0000000 0.0000002 0.0000045 0.09
0.0000000 0.0000000 0.0000004 0.0000091 0.10
0.0000000 0.0000000 0.0000008 0.0000173 0.11
0.0000000 0.0000000 0.0000015 0.0000308 0.12
0.0000000 0.0000001 0.0000029 0.0000525 0.13
0.0000000 0.0000002 0.0000051 0.0000856 0.14
0.0000000 0.0000003 0.0000087 0.0001346 0.15
Función de la distribución binomial (continuación)
r =n
1 - F ( x - 1) = å ( )p q
n
r
r n- r
r=x
n = 10 n = 10 n = 10 n = 10 n = 10 n = 10
x =6 x=5 x=4 x=3 x=2 x=1 p
0.0000000 0.0000000 0.0000020 0.0001138 0.0042662 0.0956179 0.01
0.0000000 0.0000007 0.0000305 0.0008639 0.0161776 0.1829272 0.02
0.0000001 0.0000054 0.0011471 0.0027650 0.0345066 0.2625759 0.03
0.0000007 0.0000218 0.0004426 0.0062137 0.0581538 0.3351674 0.04
0.0000028 0.0000637 0.0010285 0.0115036 0.0861384 0.4012631 209
0.05
0.0000079 0.0001517 0.0020293 0.0188378 0.1175880 0.4613849 0.06
0.0000193 0.0003139 0.0035761 0.0283421 0.1517299 0.5160177 0.07
0.0000415 0.0005857 0.0058013 0.0400754 0.1878825 0.5656115 0.08
0.0000810 0.0010096 0.0088338 0.0540400 0.2254471 0.6105839 0.09
0.0001469 0.0016349 0.0127952 0.0701908 0.2639011 0.6513216 0.10
0.0002507 0.0025170 0.0177972 0.0884435 0.3027908 0.6881828 0.11
0.0004069 0.0037161 0.0239388 0.1086818 0.3417250 0.7214990 0.12
0.0006332 0.0052967 0.0313048 0.1307642 0.3803692 0.7515766 0.13
0.0009505 0.0073263 0.0399642 0.1545298 0.4184400 0.7786984 0.14
0.0013832 0.0098741 0.0499698 0.1798035 0.4557002 0.8031256 0.15
0.0019593 0.0130101 0.0613577 0.2064005 0.4919536 0.8250988 0.16
0.0027098 0.0168038 0.0741472 0.2341305 0.5270412 0.8448396 0.17
Valores de la función distribución normal estándar
z
1 - u2
F ( z) = ò
-¥
2p
= e 2 du = P( Z £ z)
z 0 1 2 3 4 5 6 7 8 9
-3.0 0.0013 0.0010 0.0007 0.0005 0.0003 0.0002 0.0002 0.0001 0.0001 0.0000
-2.9
210 0.0019 0.0018 0.0017 0.0017 0.0016 0.0016 0.0015 0.0015 0.0014 0.0014
-2.8 0.0026 0.0025 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021 0.0020 0.0019
-2.7 0.0035 0.0034 0.0033 0.0032 0.0031 0.0030 0.0029 0.0028 0.0027 0.0026
-2.6 0.0047 0.0045 0.0044 0.0043 0.0041 0.0040 0.0039 0.0038 0.0037 0.0036
-2.5 0.0062 0.0060 0.0059 0.0057 0.0055 0.0054 0.0052 0.0051 0.0049 0.0048
-2.4 0.0082 0.0080 0.0078 0.0075 0.0073 0.0071 0.0069 0.0068 0.0066 0.0064
-2.3 0.0107 0.0104 0.0102 0.0099 0.0096 0.0094 0.0091 0.0089 0.0087 0.0084
-2.2 0.0139 0.0136 0.0132 0.0129 0.0126 0.0122 0.0119 0.0116 0.0113 0.0110
-2.1 0.0179 0.0174 0.0170 0.0166 0.0162 0.0158 0.0154 0.0150 0.0146 0.0143
-2.0 0.0228 0.0222 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192 0.0188 0.0183
Valores de la función distribución normal estándar (Continuación)
z
1 - u2
F ( z) = ò
-¥
2p
= e 2 du = P( Z £ z )
z 0 1 2 3 4 5 6 7 8 9
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 211
0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7703 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.879 0.8810 0.8830
212
213
BIBLIOGRAFIA
214
Friendly, M. Métodos exploratorios y gráficos de análisis de datos.. York
University, E. E. U.U.,1995.
215
Ramírez S.D. (1998). Sistemas de decisión en condiciones de incertidumbre
con evaluación ponderada aplicados al análisis financiero SIGEF. Reus Spain.
Rios, Sixto. Estadística Matemática Aplicada. Ed. Paraninfo, Madrid, España,
1996.
216