Beruflich Dokumente
Kultur Dokumente
TOMO IV
Datos y Azar
Contenidos y ejercicios de preparacin PSU
7 COORDINACIN DE CONTENIDOS
Y EDICIN GENERAL
Nicols Pinto P.
Lic. en Ciencias. Mencin Matemticas.
Universidad de Chile.
Ariel Reyes F.
Lic. en Ciencias Exactas.
Universidad de Chile.
7 DISEO Y DIAGRAMACIN
Nicole Castro B.
PREFACIO
Este libro fue confeccionado por Mauricio Chiong Ingeniero Civil Industrial(c) de la
Pontificia Universidad Catlica de Chile, fundador de la empresa Sacateun7 y Director del Preuniversitario Gauss.
En ste se plasma el conocimiento adquirido en arduos aos de estudio, desde mi
formacin escolar en el Instituto Nacional, donde tengo gratos recuerdos de grandes
profesores y maestros como Luis Arancibia y Belfor Aguayo, que hicieron que la motivacin por la matemtica se tradujera en el amor por ensearla, hasta mi formacin profesional, donde la Universidad traspas su espritu de excelencia acadmica
y de compromiso social.
Espero que este libro sirva de apoyo para lograr un alto puntaje, entrar a la carrera
que quieren, y cumplir sus sueos
Santiago, 2016
Mauricio Chiong
NDICE GENERAL
Prefacio 4
Nomenclatura 8
1. Estadstica 10
Definiciones bsicas 11
Grficos 13
Medidas de posicin o tendencia central
15
Medidas de localizacin
16
Medidas de dispersin
18
Ejercicios 19
2. Probabilidades 34
Definiciones Bsicas 35
Combinatoria 35
Probabilidades Clsica y Experimental
36
Distribuciones de Probabilidad
37
Esperanza Matemtica
39
Ejercicios 40
Respuestas 51
CAPTULO 1
ESTADSTICA
DEFINICIONES BSICAS
La estadstica tiene dos ramas principales, una es la estadstica descriptiva que se
dedica a recopilar, organizar y analizar datos, los cuales pueden ser de un estudio de
una poblacin o una muestra de ella. Mientras que la otra es la estadstica inferencial, la cual se dedica a tratar de deducir caractersticas o conductas de los objetos
estudiados a partir de una muestra. Nos referiremos a ambos tipos sin distincin
por el momento, para dar una serie de definiciones de conceptos bsicos que necesitaremos manejar.
7 Poblacin (universo)
Es el conjunto de todos los objetos que estamos estudiando u observando, y queremos hacerle un estudio estadstico.
7 Muestra
Como en general los universos son muy grandes (por ejemplo si estamos estudiando
la raza humana), entonces se toma una porcin significativa de ellos para hacer el
estudio ms simple. A esta porcin se le denomina muestra.
7 Variables
Son caractersticas que se le asocian a los objetos de la muestra y que pueden ser
observables o medibles. Las variables se dividen en dos tipos, la primera es la variable cuantitativa que es la que puede ser expresada a travs de un nmero como
por ejemplo la edad o la cantidad de hijos que tiene un individuo, que a su vez se
dividen en discretas y continuas. Las discretas son las que son expresadas a travs de
nmeros enteros, mientras que las continuas son expresadas a travs de cualquier
nmero real. El segundo tipo son las variables cualitativas las cuales expresan una
cualidad de un objeto como por ejemplo su tipo de pelo o su sexo, las que se dividen
en ordinales y nominales. Las ordinales son las que pueden ser ordenadas de manera
lgica como por ejemplo el nivel de estudio, mientras que las nominales no pueden
ser ordenadas como las personas por su color de pelo.
7 Tablas de frecuencia
Las tablas de frecuencia sirven para ordenar los datos cuando la muestra es muy
grande y que por ello sera muy poco prctico enlistarlas. Estas pueden ser de dos
tipos, la primera es cuando el recorrido de la variable es pequeo, que lo ilustramos
con el siguiente ejemplo
Ejemplo /
Veremos la cantidad de e-mails que recibe una persona por da
durante un mes, arrojando los siguientes datos
CAPTULO 1 ESTADSTICA
1 2 2 3 5 1
3 2 1 1 2 1
1 1 0 0 2 3
2 2 2 3 3 1
3 2 3 3 5 5
N de e-mails
Frecuencia
0 2
1 8
2 9
3 8
4 0
5 3
Total 30
La otra es cuando el recorrido de la variable tambin es muy
grande y en este caso, usamos intervalos para poder disminuir
el recorrido de la variable y quedar en el caso anterior. Por
ejemplo si 30 personas llegaron atrasadas a un matrimonio y
se les pidi anotar cuantos minutos llegaron tarde, lo que se
muestra a continuacin
12 23 21 37 52 11
31 24 15 17 22
13 19
22 21 27 38 35
16
30 20 35 38 55 59
Tiempo de atraso
0-9 3
10 - 19 7
20 - 29 9
30 - 39 8
40 - 49 0
50 - 59 3
Total 30
En lo mostrado anteriormente, se usa la frecuencia o frecuencia absoluta (que es representada en general por fi ), que no es ms que un conteo de las veces que aparece
GRFICOS
Como su nombre lo dice, es la forma grfica de representar una tabla de datos y existen principalmente tres: Histogramas o grfico de barras, polgono de frecuencias y
grfico circular.
7 Histogramas
Los grficos de barras se montan en ejes coordenados: en el eje X va el recorrido de
las variables (como puntos o intervalos) y en el eje Y va la frecuencia absoluta.
Ejemplo /
Si consideramos la tabla de frecuencias del ejemplo anterior
Tiempo de atraso
Frecuencia
0-9 3
10 - 19 7
20 - 29 9
30 - 39 8
40 - 49 0
50 - 59 3
Total 30
CAPTULO 1 ESTADSTICA
10
20
30
40
50
60
7 Polgono de frecuencia
Al igual que antes va en ejes coordenados, pero esta vez en el eje de las X marcamos
los puntos medios de los intervalos considerados (representante del intervalo) y en
el eje de las Y las frecuencias. Luego marcamos los puntos de la forma (representante
del intervalo, frecuencia del intervalo) y los vamos uniendo por una lnea.
Ejemplo /
Usaremos la misma tabla de frecuencias del ejemplo anterior,
y obtendremos el siguiente polgono de frecuencia,
9
8
7
3
0
10
20
30
40
50
60
7 Grfico circular
A diferencia de los anteriores, este no utiliza la frecuencia absoluta si no que la frecuencia relativa, asociando la porcin de un disco circular correspondiente a su frecuencia relativa.
Ejemplo /
Tomemos la tabla de frecuencia anterior y agreguemos la
frecuencia relativa
Tiempo de atraso
Frecuencia
Frecuencia relativa
1
0-9
10 - 19
20 - 29
30 - 39
40 - 49
50 - 59
10
Total
30
7
30
3
10
4
15
50 -
59
resultante se ve como
-9
10
20 - 29
10 - 19
30 - 39
CAPTULO 1 ESTADSTICA
El segundo de ellos -la mediana- es el valor que divide en dos partes iguales a la
muestra cuando esta se encuentra ordenada ya sea de forma creciente o decreciente.
Por ejemplo, si la muestra es 1, 2, 2, 2, 3, 4, 5, 6, 7, 8 y 9, entonces la mediana es 4,
ya que hacia la izquierda y hacia la derecha de 4 podemos encontrar 5 elementos de
la muestra.
El ltimo de ellos -la moda- es el elemento de mayor frecuencia dentro de una muestra, por ejemplo si la muestra es 1, 2, 2, 2, 3, 3, 4, 5, 6, 7 y 9, entonces claramente
la moda es 2, ya que es el nico que tiene frecuencia 3. Debemos tener claro que la
moda no es necesariamente nica, puede ser una muestra bimodal o multimodal,
o en caso que todos los elementos presentan la misma frecuencia diremos que la
muestra es amodal o que no posee moda.
MEDIDAS DE LOCALIZACIN
Las medidas de localizacin, como dice su nombre, nos ayudan a saber con alguna
precisin la ubicacin de cierto elemento de la muestra. La precisin la dar el elemento de localizacin que usemos que son bsicamente tres: Cuartiles, Deciles y Percentiles.
7 Cuartiles
Los cuartiles son tres valores que dividen a un conjunto de datos ordenados en cuatro
partes porcentualmente iguales y denotaremos a esos valores por Qi. Si tenemos una
serie de datos ordenados, entonces una forma de calcular los valores de los cuartiles es
3 Q1: Es la mediana de la primera mitad de los elementos
3 Q2: Es la mediana del conjunto
3 Q3: Es la mediana de la segunda mitad de los elementos
7 Deciles
Son bsicamente lo mismo que los cuartiles pero en vez de tres elementos dividen
los datos en 4 partes porcentualmente iguales, son 9 valores que dividen la muestra en 10 partes porcentualmente iguales y los denotaremos por Di. Para su calculo
veremos primero los percentiles y con ellos veremos como a partir de ellos puedo
calcular los cuartiles y deciles.
7 Percentiles
Al igual que los anteriores y como dice su nombre, los percentiles son 99 valores
que dividen a los datos en 100 partes porcentualmente iguales, a los que denotamos
por Pi . Si un dato esta ubicado en el percentil Pi , significa que es mayor o igual ,
aproximadamente, que el i% de la muestra y menor que el 100 i% de la muestra. La
relacin entre los percentiles, deciles y cuartiles es la siguiente
P10 = D1
P20 = D2
P25 = Q1
P30 = D3
P40 = D4
P50 = D5 = Q2 = mediana
P60 = D6
P70 = D7
P75 = Q3
P80 = D8
P90 = D9
Por lo tanto si aprendemos a calcular los percentiles, sabremos calcular los deciles y
los cuartiles. Para el calculo del percentil Pi consideraremos el siguiente valor
ni
x=
100
donde n es el tamao de la muestra e i el percentil a calcular. Luego si llamamos
E= [x] y D = {x}, entonces la siguiente funcin nos da el percentil correspondiente
Elemento( E + 1)
Pi = Elemento( E ) + Elemento( E + 1)
Observacin
Recordemos que [x] es la parte entera
de x y {x} es la parte fraccionaria de x y
se calcula x-[x]
Si D 0
Si D = 0
Ejemplo /
Suponga que se tiene una muestra ordenada de 200 elementos y
queremos ubicar el percentil nmero 70, esto es, el elemento que
divide la muestra en dos partes de modo que el 70% de los datos
se ubica por debajo de l (y el resto de la muestra corresponde al
30% mayor). Entonces aplicando la frmula con n = 200 e i = 70,
obtendremos que
x=
200 70
100
= 2 70 = 140
CAPTULO 1 ESTADSTICA
MEDIDAS DE DISPERSIN
Las medidas de dispersin son aquellas que nos ayudan a medir qu tan separados
estn los datos unos de otros. Los que estudiaremos son tres: Desviacin media,
varianza y desviacin estndar.
7 Desviacin media
Es el promedio de los valores absolutos de las desviaciones, donde las desviaciones
son la diferencia entre un dato (o el representante en caso que estemos viendo intervalos) y la media aritmtica, es decir,
xi x
Dm
N
i=1
7 Varianza
La varianza se denota por 2 y es la media aritmtica de los cuadrados de las desviaciones, es decir,
N
i=1
( x i x )2
N
7 Desviacin estndar
Este concepto se introduce debido a que la varianza esta medida en unidades cuadradas y estas pueden ser difciles de interpretar. Por ello introducimos la desviacin
estndar como la raz cuadrada de la varianza, es decir, = 2 .
EJERCICIOS
1. La siguiente tabla muestra la distribucin de los
puntajes obtenidos por un curso en una prueba
Puntaje
N de alumnos
0-5
6 - 11
12 - 17
18 - 23
11
24 - 29
Alumnos
10
8
6
A) 80%
B) 20%
C) 30,5%
D) 35%
E) Ninguna de las anteriores
4
2
Nmero de IPhones
2. Segn informacin del INE (Instituto Nacional
de Estadsticas), actualmente en Chile, 25 de cada
1.000 habitantes cursa estudios universitarios.
Si en Chile hay 15 millones de habitantes, con la
informacin proporcionada por el INE, es posible
afirmar que
A) 29
B) 28
C) 27
D) 15
E) 14
CAPTULO 1 ESTADSTICA
N de personas
Lunes
100
Martes
150
Mircoles
200
Jueves
100
Viernes
225
Sbado
200
Domingo
100
III.
Dom Lun
Sb
Mar
Mi
Vie
Jue
A) Solo I
B) Solo II
C) Solo I y II
D) Solo II y III
E) I, II y III
I.
250
200
150
100
Estatura
50
Lun
Mar
Mi
Jue
Vie
Sb
Dom
II.
N de alumnos
148 - 152,9
153 - 157,9
158 - 162,9
11
163 - 167,9
14
168 - 172,9
173 - 180
250
Cul debera ser la medida del ngulo
correspondiente al intervalo 153 - 157,9?
200
150
100
50
Lun
Mar
Mi
Jue
Vie
Sb
Dom
A) 45
B) 30
C) 20
D) 12,5
E) 8
Aos de
escolaridad
N de alumnos
16 - 28
13
29 - 40
48
41 - 50
61
51 - 60
21
61 - 70
71 - 80
Menores
de edad
Frecuencia
acumulada
4
6
15
Total
15
A) 5
B) 4,5
C) 4
D) 3,5
E) 3
CAPTULO 1 ESTADSTICA
Das
Frecuencia
100
250
300
500
450
2.000
A) 60
B) 40
C) 50
D) 30
E) 20
fi
CAPTULO 1 ESTADSTICA
Fi
N1
F1
N2
F2
N3
F3
N4
F4
La media es
A)
B)
N1 + N2 + N3 + N4
4
NF
N
F + N3F3 + N4F4
+
1 1
2 2
C)
4
NF
N
F
N3F3 + N4F4
+
+
1 1
2 2
D)
N1 + N2 + N3 + N4
F1 + F2 + F3 + F4
F1 + F2 + F3 + F4
6
A) 28
B) 31
C) 23
D) 35
E) 42
4
3
1
2
A) 3
B) 3,5
C) 4
D) 4,5
E) 5
A) Solo I
B) Solo II
C) Solo III
D) Solo I y II
E) I, II y III
CAPTULO 1 ESTADSTICA
3 , entonces a2 +b2 es
igual a
A) 36
B) 18
C) 72
D) 48
E) 24
A) 14
B) 1,4
C) 0,14
D) 2,4
E) 0,24
Curso
Promedio
Desviacin
Estandar
Maana
706
0,5
Tarde
669
A)
B)
Frecuencia
Pt1
A1
Pt2
A2
Pt3
A3
Pt4
A4
Pt5
A5
A) 69 kilos
B) 60 kilos
C) 6 kilos
D) 62 kilos
E) No se puede determinar
C)
5
Pt1 + Pt2 + Pt3 + Pt4 + Pt5
D)
E)
A1 + A 2 + A 3 + A 4 + A 5
5
A1Pt1 + A 2Pt2 + A 3Pt3 + A 4Pt4 + A 5Pt5
A1 + A 2 + A 3 + A 4 + A 5
CAPTULO 1 ESTADSTICA
14
12
10
8
6
4
Frecuencia
2
Vainilla
Pia
3 Leches
Frutilla
Diciembre
15%
Curso
N de alumnos
Promedio
Maana
755
Tarde
804
Noche
669
Marzo
35%
Enero
17%
Febrero
33%
A) 740
B) 744
C) 700
D) 745
E) 746
CAPTULO 1 ESTADSTICA
Intervalo de horas
Frecuencia
[10 - 15[
10
[15 - 20[
12
[20 - 25[
A) Solo I
B) Solo II
C) Solo I y II
D) Solo I y III
E) I, II y III
A)
B)
C)
D)
12
11
14
11
14
10
17
10
E)Ningunade las anteriores
37. En la muestra
{Pantaln,Pantaln,Pantaln, Zapato,
Zapato,Polera,Polera,Polera,Polera}.
A) 5
B) 5,2
C) 5,6
D) 5,9
E) 4,9
CAPTULO 1 ESTADSTICA
MIS ANOTACIONES
Te damos espacio extra para que puedas
desarrollar mejor los ejercicios
CAPTULO 2 PROBABILIDADES
CAPTULO 2
PROBABILIDADES
DEFINICIONES BSICAS
Las probabilidades son la rama de la matemtica que estudia el azar, es decir, eventos en los cuales uno conoce todos los posibles resultados pero no se conoce con
certeza el resultado de l.
Nuestra primera definicin es la de experimento aleatorio, que es un objeto matemtico en el cual s los resultados posibles pero no puedo determinar con precisin un
resultado particular. Por ejemplo, el lanzamiento de una moneda, s que tiene slo
dos posibles resultados pero no puedo asegurar la ocurrencia de ninguno de los dos.
Luego podemos definir el espacio muestral, que es el conjunto formado por todos
los posibles resultados de un experimento aleatorio dado. Por ejemplo, el espacio
muestral de lanzar un dado es {1, 2, 3, 4, 5, 6}.
Llamaremos eventos o sucesos a cada uno de los subconjuntos del espacio muestral.
Por ejemplo, al lanzar un dado el espacio muestral est compuesto por los nmeros
1, 2, 3, 4, 5 y 6. Un evento puede ser obtener un nmero par (formado por los resultados 2, 4 y 6).
Cuando dos eventos no pueden ocurrir de manera simultnea, los llamamos eventos
mutuamente excluyentes. Por ejemplo, al lanzar un dado consideremos los eventos A
= {1, 3, 5} (obtener un nmero impar) y B = {2, 4, 6} (obtener un nmero par). Como
ningn resultado posible es simultneamente par e impar, decimos que A y B son
mutuamente excluyentes.
CAPTULO 2 PROBABILIDADES
7 Probabilidad Experimental
Si tomamos por Fr la frecuencia relativa de un evento A, entonces definimos
Fr =
La Ley de los Grandes Nmeros nos dice que si repetimos dicho experimento una cantidad suficiente de veces, entonces el valor de Fr ser cada vez ms parecido a la
probabilidad de ocurrencia del evento A.
A continuacin presentamos una pequea lista con propiedades que se cumplen en
las probabilidades, donde E siempre ser el espacio muestral, P () la probabilidad y,
A y B eventos.
3 P(E) = 1
3 P() = 0
3 0 P(A) 1
3 Si A B = (son mutuamente excluyentes), P(A B) = P(A) + P(B)
3 Si Ac = E\A, entonces P(Ac) = 1P(A)
3 Si A B , entonces P(A B) = P(A) + P(B) P(A B)
3 Si A y B son eventos independientes, entonces P(A B) = P(A) P(B)
7 Probabilidad Condicionada
Diremos que A y B son eventos dependientes si la ocurrencia de uno influye en la
ocurrencia del otro, y en dicho caso tendremos la siguiente regla de probabilidad
P( A B) = P( A ) P( B| A )
P( B| A ) =
P( A B)
P( A )
donde P(B|A) denota la probabilidad de que ocurra B sabiendo que ocurri A. Por
lo tanto, como consecuencia inmediata de lo anterior, si A y B son eventos independientes, se tendr que P (B|A) = P (B)
DIAGRAMAS DE RBOL
A veces los problemas se presentan en varias etapas y para visualizarlos mejor, conviene pensar en las diferentes etapas como problemas separados. Veamos el siguiente ejemplo:
Ejemplo: 1 de cada 10 nios cree en las hadas. 9 de cada 10 nios que cree en las
hadas puede ver a Peter Pan. 1 de cada 10 nios que no cree en las hadas puede ver a
Peter pan. Si Peter Pan visita un nio al azar, Cul es la probabilidad de que el nio
vea a Peter Pan?
No es fcil dar una respuesta tan sencilla, pues el resultado depende de si el nio
cree o no en las hadas. Pensaremos primero en el caso en que el nio cree: Si el nio
cree, entonces la probabilidad de que vea a Peter Pan es 0.9; mientras que si no cree,
la probabilidad es 0.1. Podemos resumirlo en el siguiente diagrama.
0.1
0.9
Cree
No cree
0.1
0.9
Ve a
Peter Pan
No ve a
Peter Pan
0.1
Ve a
Peter Pan
0.9
No ve a
Peter Pan
Para calcular la probabilidad de que el nio vea a Peter Pan, debemos multiplicar las
probabilidades de las ramas que nos llevan a un resultado donde el nio ve a Peter
Pan. Por ejemplo, en este caso, Debemos multiplicar las probabilidades que nos llevan al primer caso, es decir 0,9 0,1 y las que nos llevan al tercer caso (0,1 0,9). Al
sumar ambas tenemos que la probabilidad de ver a Peter Pan es 2 0,9 0,1. Este tipo
de diagramas es conocido como diagrama de rbol y resulta muy til para resolver
este tipo de problemas.
COMBINATORIA
Ya hemos visto que en un experimento aleatorio donde todos los sucesos elementales son equiprobables, la probabilidad de un evento A cualquiera puede calcularse
segn la regla de Laplace:
P( A ) = # A
#
En otras palabras, la probabilidad de que ocurra un evento A se obtiene como la
razn del nmero de resultados favorables al evento A y el total de resultados en el
espacio muestral.
CAPTULO 2 PROBABILIDADES
Ejemplo /
Ejemplo /
El siguiente ejemplo tiene por finalidad ilustrar cmo se aplican estos conceptos a
problemas de probabilidad.
Ejemplo /
Carlos desea adoptar dos animales. Le han ofrecido 4 gatos y 7 perros. Si escoge dos animales al azar entre sus
opciones y los adopta Cul es la probabilidad de que
adopte dos animales de diferente especie?
R: Aplicando la regla de Laplace, se tiene que la probabilidad de que adopte animales de distinta especie se calcula
mediante la frmula:
#A
P( A ) =
#'
Donde #A es el nmero de elementos del evento donde
Carlos adopta animales de especie distinta y # representa el total de elementos en el espacio muestral.
Para encontrar # se aplica el principio multiplicativo: el
experimento consiste en escoger dos animales. Como hay
4 gatos y 7 perros, Carlos tiene 11 opciones para escoger
al primer animal (vase el Ejemplo 1). Sin embargo, Para
escoger el segundo animal ya no tiene 11 opciones, pues
al elegir su primera mascota ha eliminado una opcin (No
puede adoptar dos veces al mismo animal). En trminos
simples, una vez que escoge la primera mascota solo tiene
10 formas de escoger su segunda mascota, As, el principio multiplicativo indica # =11 10 = 110.
CAPTULO 2 PROBABILIDADES
56
110
28
55'
PERMUTACIONES
A menudo interesa calcular probabilidades que tienen relacin con la cantidad de
maneras de ordenar un conjunto de objetos determinado. Las diferentes ordenaciones que puede tener un conjunto son llamadas permutaciones. Para motivar el
estudio de las permutaciones, consideremos el siguiente problema:
Ejemplo /
Fabin tiene una coleccin de 4 libros ordenados en su repisa segn su fecha de lanzamiento. En un descuido, los
libros se caen y Fabin los vuelve a poner en la repisa, pero
sin percatarse del orden. Cul es la probabilidad de que
el primer y el segundo libro queden en su lugar?
mer y el segundo libro quedan en los lugares que corresponden, la probabilidad de A est dada por
#A
P( A ) =
#'
Para hallar #A notemos que si el primer y el segundo libro
quedan ubicados correctamente, entonces al ubicar un libro en la tercera posicin el orden queda determinado de
manera unvoca, pues solo queda una opcin para poner
en ltimo lugar. En otras palabras, al contar los casos favorables para el evento A basta obtener la cantidad de maneras de ubicar el tercer libro cuando los primeros dos libros estn en las posiciones que corresponden. Como hay
dos maneras de hacer esto(colocar el tercer libro en su
posicin o en la posicin del cuarto libro), se tiene #A = 2.
Por otro lado, para hallar la cantidad # de elementos en
el espacio muestral, utilizamos el principio multiplicativo:
El libro que ocupa la primera posicin puede escogerse
de 4 maneras, el libro que le sigue se puede escoger de
3 formas(pues uno de los libros ya est en la repisa). El
siguiente se escoge de dos maneras, pues hay dos libros
que ya estn ubicados. Finalmente, el ltimo libro solo se
puede escoger de una manera. Como se deben hacer todas estas cosas simultneamente, se aplica el principio
multiplicativo. As # = 4 3 2 1. Finalmente, de acuerdo
2
1
a la regla de Laplace: P (A) =
=
4 3 2 1 12'
Si en el problema anterior hubiese ms libros, por ejemplo, 83, el nmero de elementos en el espacio muestral se habra obtenido a partir de una multiplicacin
muy tediosa. Si el nmero de libros es suficientemente grande, ni siquiera cabra en
la hoja. Esto genera la necesidad de definir nueva notacin para contar la cantidad
de permutaciones en un conjunto. A continuacin se muestra una funcin cuyo dominio son los nmeros cardinales y nos ayuda a simplificar este tipo de problemas.
7 Definicin: Si n es un nmero cardinal, se define el factorial de n, anotado n! (se
lee ene factorial), mediante la recursin:
CAPTULO 2 PROBABILIDADES
0! = 1
(n + 1)! = (n + 1)n!
Ejemplo /
Ejemplo /
Ejemplo /
Bernardo pertenece a un curso de 40 alumnos. El profesor hace una interrogacin sorpresa y llama, uno a uno,
a los 40 estudiantes para hacerles preguntas. Cul es la
probabilidad de que Bernardo sea el ltimo integrante del
curso en ser interrogado?
R: El espacio muestral se compone de todas las permutaciones existentes para el conjunto formado por los 40
alumnos del curso, es decir # = 40!. Para determinar en
cuntas de estas permutaciones Bernardo ocupa el ltimo
lugar, notamos que en un ordenamiento donde Bernardo
est al final, hay 39! Formas de ordenar al resto del curso.
Luego la probabilidad de que Bernardo sea el ltimo estudiante en ser interrogado es:
P (A) =
39!
40!
39!
40 39!
1
40
PERMUTACIONES CON
ELEMENTOS INDISTINGUIBLES
Hay veces en que en un conjunto se tienen dos elementos que para propsitos prcticos son indistinguibles. Considere el siguiente ejemplo:
Ejemplo /
CAPTULO 2 PROBABILIDADES
n!
n1 ! n2 ! nk !
Ejemplo /
Ejemplo /
Un collar circular est formado por una cadena que contiene 5 piedras: Rub, zafiro, jade, lapislzuli y amatista.
Cuntos diseos pueden existir para estos collares?
R: Hay cinco piedras, que pueden ordenarse de 5! maneras diferentes. Sin embargo, al cerrar el collar, algunas
ordenaciones se ven iguales(por ejemplo si se ponen en
orden Rub, zafiro, jade, lapislzuli y amatista se forma
el mismo collar que al colocar jade, lapislzuli, amatista,
rub y zafiro). Para resolver el problema correctamente,
suponemos fija una de las cinco piedras (supongamos que
se escoge jade). La piedra que se ubica a la derecha del
jade se puede escoger de 4 formas, la que sigue de 3, la
siguiente de 2 maneras y la que se ubica a la izquierda solamente de una. As, hay 4! Maneras de disear un collar
con estas caractersticas.
CANTIDAD DE MUESTRAS
EN UNA POBLACIN FINITA
Con las herramientas que manejamos en este momento ya podemos determinar la
cantidad de elementos de muchos espacios muestrales. En estadstica discreta, a
menudo interesa conocer la cantidad de muestras de un tamao dado que se pueden
extraer desde una poblacin finita. Para ello clasificamos los procesos de muestreo
de acuerdo a dos criterios. El primer criterio distingue si los elementos pueden extraerse ms de una vez (muestreo con reposicin) o una vez escogidos no pueden
volver a formar parte de la muestra(muestreo sin reposicin). El segundo criterio indica si una muestra formada por los mismos elementos en diferente orden se considera una muestra distinta (con orden) o si se considera como la misma muestra (sin
orden). La siguiente tabla resume de cuntas formas se puede escoger una muestra
de acuerdo a los dos criterios mencionados anteriormente. Si la poblacin tiene n
elementos y se extrae una muestra de tamao k, entonces la cantidad de muestras
posibles est dado por
Con reposicin
Con orden
Sin orden
nk
k - 1
( n + k
)
Sin reposicin
Observaciones
n
n
n!
=
k k !(n k )!
Vk n =
n!
(n k )!
V kn
( nk )
CAPTULO 2 PROBABILIDADES
Ejemplo /
Ejemplo /
( )
Ejemplo /
Cinco amigos salen de vacaciones en un auto. Si deben escoger un piloto y un copiloto, Cuntas opciones tienen?
R: Escoger a los mismos dos individuos intercambiando
posiciones es una eleccin diferente. Por lo tanto, el muestreo es ordenado. Adems, no puede escogerse la misma
persona de piloto y copiloto, por lo tanto es un muestreo
sin reposicin. En este caso n=5 y k=2, por lo tanto hay
5!
5!
5
V2 =
= = 5 4 = 20
(5 2)! 3!
formas de escoger al piloto y al copiloto en este viaje.
Ejemplo /
=
5 5
formas de llenar las urnas.
CAPTULO 2 PROBABILIDADES
EJERCICIOS
1. Si se tiene el juego del Loto, donde para cada
cartn de juego se eligen 7 nmeros de 35,
cul de las siguientes expresiones representa la
cantidad de cartones de juego posibles?
A) 35
7
35
B)
7!
7
C)
D)
35!
7!
35
7
E)Ningunade las anteriores
A) 3!
B) 4!
C) 4! 3
D) 3! 3!
E) 34
A) 7
4
7
B) 4!
4
C)
D)
7!
4!
7
4
E)Ningunade las anteriores
CAPTULO 2 PROBABILIDADES
A) 4!
B) 49
C) 94
D) 9 4!
4
A)
9
E)
4
B)
C)
D)
2
1
13
1
52
1
26
E)Ningunade las anteriores
A)
A) 8 3!
3
B)
B) 83
C)
C) 8
D) 9 3!
3
9
E)
3
D)
E)
5
26
1
6
5
6
1
9
5
36
A)
1
A)
4
B)
1
2
C)1
5
1
B)
3
1
C)
48 47 46 45
52 51 50 49
D) No se puede calcular
E) Ninguna de las anteriores
2
2
D)
E)
5
1
6
A)
B)
9
20
3
20
9
3
C)
20
3
12
3
D)
20
3
20
3
E)
9
3
1
2
1
765
1
766
2
766
2
3
CAPTULO 2 PROBABILIDADES
1
72
1
A) 0,05882
B) 0,0625
55
1
6
C)
D)
216
1
1
2
1
4
E) 0,0485
18
3
5
. De acuerdo a lo anterior,
2
5
D) 36
E) Ninguna de las anteriores
A)
B)
C)
D)
A)
6
1
B)
12
10
C)
14
1
4
E)Otro valor
D)
E)
12
1.326
26
1.326
13
204
156
1.326
56
1.326
CAPTULO 2 PROBABILIDADES
103
1.305
26
D)
25.430
130
E)
1
6
2
3
2
5
1
12
3
5
1.020
156
25.430
12.715
25.430
A)
B)
C)
D)
20
25
3
25
2
5
22
25
E)Ningunade las anteriores
A)
B)
C)
6
1
B)
3
3
C)
3
5
5
8
3
8
6
4
D)1
E)0
D)
A)
B)
C)
D)
4
5
3
8
3
5
6
15
E)Ningunade las anteriores
11
E)Ningunade las anteriores
A)
B)
C)
D)
E)
4
9
1
4
4
5
1
2
1
3
CAPTULO 2 PROBABILIDADES
8 10 12
A)
30 30 30
8 10 12
B)
30 28 26
8 10 12
C) +
+
30 28 26
8 10 12
D)
30 29 28
8 10 12
E) + +
30 29 28
10
23
5
16
2
5
3
7
4
11
5
11
4
11
6
11
2
11
E)Ningunade las anteriores
N de software
1
6
5
6
3
4
5
9
6
10
11
29
11
27
15
27
11
30
13
27
y se sabe
8
27
11
27
15
27
14
27
13
27
CAPTULO 2 PROBABILIDADES
A)
B)
C)
27
5
A)
27
7
B)
27
11
C)
27
3
D)
D)
E)
27
2
49
1
49
2
25
1
25
E)Ningunade las anteriores
1
7
2
7
1
5
2
5
E)Ningunade las anteriores
CAPTULO 3
INFERENCIA ESTADSTICA
INTRODUCCIN
La rama de la estadstica que veremos a continuacin estudia cmo inferir o deducir
caractersticas de una poblacin a partir de una pequea parte de ella, debido a que
en muchos estudios es imposible tomar la totalidad de la poblacin, esta forma de estudiar colecciones de datos es llamada Inferencia Estadstica, y responde a las preguntas: Cmo podemos sacar conclusiones acerca de las caractersticas de la poblacin si no conocemos todos sus elementos? Qu tan fiables son estas estimaciones?
Para realizar inferencias estadsticas estudiamos una parte pequea, pero representativa de la poblacin que llamamos una Muestra, y extrapolamos (inferimos) conclusiones sobre la poblacin general a partir de ella.
TCNICAS DE MUESTREO
Llamamos muestreo a las tcnicas que utilizamos para escoger una muestra a partir
de una poblacin.
Los tipos de muestreo se clasifican en muestreos probabilsticos y no probabilsticos. En un muestreo probabilstico, cada elemento de la poblacin tiene una
determinada probabilidad de pertenecer a la muestra, y dicha probabilidad se puede
calcular sin ambigedad. En los muestreos no probabilsticos en cambio, se desconoce la probabilidad de que un individuo determinado pertenezca a la muestra.
Siempre existe algn error pues la muestra no es completamente fiable, slo una
buena aproximacin, y a este error se le llama error de muestreo.
7 Muestreo aleatorio
Si todas las muestras posibles de una poblacin pueden ser tomadas con la misma
probabilidad, este muestreo es un Muestreo Aleatorio. Distinguimos dos tipos:
3 Sin reposicin: Una vez que un individuo es escogido para integrar la
muestra, no puede volver a ser escogido
Observacin
Al extraer todas las muestras de un
Por ejemplo: si realizamos un estudio sobre lo que compran los clientes de un supermercado no podremos entrevistar a todos, por lo tanto entrevistaremos a una
muestra, y si nuestro estudio est bien hecho podremos obtener un perfil que nos
dira cunto gasta cada tipo de persona del supermercado. Este perfil de los clientes
ser una distribucin de los gastos de los clientes en el supermercado.
DISTRIBUCIN NORMAL
La distribucin ms importante que se estudia es la llamada distribucin normal
o distribucin Gaussiana, y es posible aplicar esta distribucin a cualquier grupo
de datos cuya distribucin se asemeja al siguiente grfico:
f (x) =
1
e
2
( x )2
2 2
100
Frecuencia
80
60
40
20
0
10
12
14
16
18
Cuando una variable X sigue una distribucin normal de media y varianza 2, escribimos X N (, 2).
Estas preguntas tienen una solucin que es a la vez simple y complicada. La simple
es: El porcentaje de datos que responde estas preguntas es el rea bajo la curva de la
distribucin normal que se encuentra entre los parmetros pedidos.
Pero calcular esta rea es extremadamente difcil, por lo que utilizamos unos intervalos notables con porcentajes ya conocidos para cualquier distribucin normal.
Si una poblacin normal tiene media y desviacin estndar , se tiene que:
(valor estimado)
34%
14%
2%
- 2 -
34%
2%
+ 2
Variable
P(Z < z)
0,67 0,749
0,99 0,839
1,00 0,841
1,15 0,875
1,28 0,900
1,64 0,950
1,96 0,975
2,00 0,977
2,17 0,985
2,32 0,990
2,58 0,995
INTERVALOS DE CONFIANZA
Puede ocurrir que al tomar dos muestras representativas diferentes dentro de una
misma poblacin, se obtengan estadsticos diferentes. Esto no necesariamente significa que el estudio est mal realizado, sino que simplemente es un reflejo de que
hay azar involucrado en el proceso de muestreo.
Para estimar el error que induce el azar, se establece un rango de valores que podran contener el valor del parmetro poblacional estimado, con cierta probabilidad.
A esta probabilidad se le conoce como nivel de confianza y su principal objetivo es
evaluar la validez del muestreo.
Un intervalo de confianza [a,b] para un parmetro poblacional es un intervalo de
nmeros reales que con cierto nivel de confianza (95%,99%, etc.) contiene al parmetro estudiado.
Si se desea construir un intervalo de confianza para la media de una poblacin normal con varianza conocida 2, a partir de una muestra de tamao n, media x, y nivel
de confianza (100 - a)% est dado por
x z a , x + z a
n
n
2
2
Donde z a corresponde al valor tal que el a % de los datos es mayor en una distribu(2)
2
cin normal estndar.
La cantidad z a
es llamada error de muestreo o error y suele ser expresado
n
2
como porcentaje.
Ejemplo: En un laboratorio, se cuenta con una muestra de 121 frascos con jarabe,
se sabe que la cantidad de sacarosa presente en ellos sigue una distribucin normal de desviacin estndar 10g. Si la media de la cantidad de sacarosa en estos 121
frascos de jarabe es 640g, el intervalo del 95% de confianza, en gramos, est dado
aproximadamente por [638,22; 641,78], con un error de 1.782 ya que al reemplazar
los valores correspondientes x = 640; = 10; n = 121 y z(a)= z0,025 = 1.96 se obtienen
2
dichos valores.
Ejemplo /
Las estaturas de un grupo de personas siguen una distribucin
normal de media 1,40m y desviacin estndar 20 cm.
(a) Qu porcentaje ellos mide entre 1,2m y 1,6m?
(b) Qu porcentaje de elos mide menos de 1,8 metros
pero ms de 1,6?
Solucin (a)
Como el 68,3% de los individuos se ubica a menos de una desviacin estndar de la media, podemos asegurar que el 68,3%
de los estudiantes tiene una estatura x tal que |x - | , es
decir, - x - . Al sumar en cada miembro de la desigualdad, resulta - x + . Considerando que = 1,4 y = 0,2
(al medir en metros) se obtiene 1,4 - 0,2 x 1,4 + 0,2. As, se
sigue x [1.2,1.6]. Por lo tanto, el 68,3% de los integrantes mide
entre 1,2m y 1,6m.
Solucin (b)
Considerando que el 95,5% de los individuos tiene una estatura
que se encuentra en el intervalo [ - 2, + 2], se tiene que el
95,5% de las estaturas de los individuos se ubica en el intervalo
[1,0;1,8]. Si de ese intervalo restamos el 68,3% de las personas
cuyas estaturas estaban entre 1,2 y 1,6 (se calcul en (a)). En-
Ejemplo /
En cierta ciudad, la temperatura diaria sigue una distribucin
normal de media 18 y desviacin estndar 2. Qu porcentaje
de los das habr una temperatura mayor a 20?
Solucin
Si llamamos T a la temperatura en un da, se tendr que
T N(18,4). Al estandarizar, se obtiene que (T - 18) / 2 N(0,1).
El siguiente paso consiste en relacionar la desigualdad T >
20 con una desigualdad que involucre la variable estandarizada. Al restar 18 y dividir por 2 en esta desigualdad resulta
T 18 20 18
T 18 20 18
>
, es decir,
> 1. De acuerdo al valor tabulado,
2
2
2
2 T 18 20 18
el 84,1% de los das satisfacen que
MIS ANOTACIONES
Te damos espacio extra para que puedas
desarrollar mejor los ejercicios
EJERCICIOS
1. Cul de las siguientes afirmaciones es
verdadera?
A) Al estudiar caractersticas de una muestra, se
obtiene una estimacin de las caractersticas de
una poblacin
B) Una muestra contiene ms datos que una
poblacin
C) Nunca es posible estudiar una poblacin
completa
D) El muestreo aleatorio simple solo es vlido en
distribuciones normales
E) Ninguna de las anteriores
2. En un estudio estadstico
A) Slo I
B) Slo II
C) I y II
D) I y III
E) II y III
x-1
2
x-1
4
C) x-4
D) x-2
E) Ninguna de ellas
A) La mediana de la poblacin es 4
B) La desviacin estndar de la poblacin es 25
C) La media de la poblacin es 4
D) Aproximadamente el 68,3% de los datos se ubica
en el intervalo [-1,9]
E) Ninguna de las anteriores
A) N(6,5)
B) N(6,10)
C) N(3,20)
D) N(3,10)
E) N(6,20)
1
1
;3,5+1,64 ]
40
40
1
1
;3,5+0,9
]
200
200
C) [-1,64
1
1
;1,64
]
400
400
D) [-0,90
1
1
;0,90 ]
20
20
E) [3,5 1,64
1
1
;3,5 + 1,64 ]
20
20
A)
B)
C)
D)
E)
1
10
B)
1
100
C)
3
10
D)
2
10
E)
1
1000
27
100
B)
9
1000
C)
9
100
D)
27
1000
E) Otro valor
28
100
B)
72
1000
72
C)
100
A)
B)
C)
D)
D) 1
E) Otro valor
E) No se puede determinar
1
2
B)
1
3
C)
1
4
1
D)
5
E) Otro valor
1.96
5
B)
3.92
5
C)
1.96
50
D)
1.64
5
1,21
6,6564
B)
0,1
28,38
C)
11
25,8
D)
1,1
2,32
E)
11
2,58
A) La varianza de la poblacin
B) La desviacin estndar de la poblacin
C) La media de la poblacin
D) El tamao muestral
E) El nivel de confianza
1
2
B)
1
4
C) D)
1
2
3
4
Es(son) falsa(s):
A) Slo I
B) Slo II
C) I y II
D) II y III
E) I, II y III
MIS ANOTACIONES
Te damos espacio extra para que puedas
desarrollar mejor los ejercicios
CAPTULO 4
VARIABLES ALEATORIAS
VARIABLES ALEATORIAS
Una Variable aleatoria es una medida que utilizamos para cuantificar los resultados posibles de un experimento aleatorio, est definida como una funcin X que
relacina cada elemento del espacio muestral con un nmero real. Es decir:
X : R
El recorrido de esta funcin entonces, es un subconjunto de los nmeros reales
que contiene todos los resultados posibles de esta variable, como imgenes de algn
elemento del espacio muestral.
Estas variables pueden ser discretas o continuas, dependiendo de la naturaleza
de su recorrido.
Tambin podemos definir la funcin de distribucin F(X), que nos indica la probabilidad de que la variable tome un valor igual o menor, es decir:
F(x0) = P(X x0)
ESPERANZA Y VARIANZA
DE UNA VARIABLE ALEATORIA
La Esperanza o Valor Esperado de una variable aleatoria es simplemente el valor
promedio que uno obtendra al realizar infinitos experimentos, por lo tanto mientras ms experimentos se realicen, ms tiende a acercarse el promedio hacia la Esperanza. Esta se define como:
E( X ) =
xi Rec(X)
f ( xi ) xi
La Varianza es ligeramente distinta del concepto que usamos al trabajar con datos,
como estos estn fijos su varianza slo mide la dispersin de los datos, en el caso de
una variable aleatoria la varianza mide su variacin ideal, y se calcula muy fcilmente usando la esperanza:
DISTRIBUCIONES IMPORTANTES
DE VARIABLES ALEATORIAS
7 Distribucin de Bernoulli
La distribucin de Bernoulli es la forma en la que se distribuyen los resultados de
una variable que slo tiene dos resultados posibles, a estos dos resultados los llamamos un xito o un fracaso, por ejemplo lanzar una moneda sigue una distribucin
de bernoulli.
La ventaja es que esta moneda no debe ser justa, es decir las probabilidades de xito
o fracaso no necesitan ser mitad y mitad, formalmente:
Si X es una variable aleatoria donde p es la probabilidad de xito y q es la probabilidad de fracaso, se cumple que P(X = 1) = p y P(X = 0) = q = 1 - p.
Adems, E(X) = p y Var(X) = pq = p(1 - p).
7 Distribucin Binomial
La distribucin binomial es un caso similar al de la distribucin de Bernoulli en el
que tambin buscamos xitos y fracasos, pero en lugar de medir esta probabilidad
medimos la probabilidad de obtener cierta cantidad de xitos en alguna cantidad de
experimentos:
Una Variable aleatoria X sigue una distribucin Binomial si la probabilidad de
obtener k xitos en n experimentos, donde la probabilidad de xito en cada uno es
p. (la frase anterior se resume en X ~ Bin(n,p)):
n
P( X = k ) = p k (1 p)n k
k
Con esta distribucin, podemos tambien obtener la esperanza y varianza fcilmente, entonces:
Si X ~ Bin(n,p)
Como aprendimos en combinatoria, calcular estos coeficientes binomiales puede resultar complicado, pero una distribucin binomial X ~ Bin(n,p) se puede aproximar
a una distribucin normal X ~ N(np,np(1 - p)) ya que esta tiene la misma Esperanza y
Varianza. Mientras ms grande sea n, mejor ser esta aproximacin.
EJERCICIOS
1. Cul de las siguientes es una variable aleatoria?
A) El nmero de caras de un dado
B) El punto de ebullicin del agua, medido en
grados Kelvin
C) El resultado obtenido al lanzar un dado comn
D) El nmero de habitantes que haba en Texas el
da 1 de Enero de 1999
E) Ninguna de las anteriores
I. P(X = 0) = 0
II. P (X = 1) =
10
14
10 4
3 2
III. P (X = 3) =
14
5
A) Slo I
B) Slo III
C) I y III
D) II y III
E) I, II y III
1
6. Si X es una variable aleatoria tal que P(X = 1) =
5
y P(X = 2) = 1 , entonces
4
A) P(X = 3) =
B) P(X = 3) <
C) P(X = 3)
D) P(X = 3) >
E) P(X = 3)
11
20
11
20
11
20
11
20
11
20
A) Slo I
B) I y II
C) I y III
D) II y III
E) I, II y III
15
A) 0,62 0,413
2
10 2 13
B) 0,1 0,9
2
15
C) 0,062 0,9413
13
10
D) 0,062 0,9413
2
E) Otro valor
4
4p
x
6
1
B) f(x)=
6
2x 1
C) f(x)=
36
x
D) f(x)=
36
E) Ninguna de las anteriores
A) f(x)=
5 1 9
A)
3 10 10
8 1 9
B)
3 10 10
8 1
C)
3 10
8 1
D)
3 10
1
E)
10
0, en otros casos
Si se observa la laguna al medio da durante 10000
das, de acuerdo a la ley de los grandes nmeros,
Cuntas veces se encontrarn exactamente 2
patos?
A) Aproximadamente 1/4
B) Aproximadamente 2500 das
C) Exactamente 2500 das
D) Aproximadamente 5000 das
E) Exactamente 1000 das
1
2a
2
3a
3
4a
Se afirma:
I. La funcin de distribucin de X,
evaluada en 2, corresponde a 0,3
II. La funcin de probabilidad de X
evaluada en 1 corresponde a 0,2
III. El valor esperado de la variable
aleatoria es 1,5
No son verdaderas:
A) Slo I
B) Slo II
C) Slo III
D) I y III
E) II y III
A) 30
B) 1000
C) 3 10
D) 900
E) 90
A)19
B) 1
C) 0,4
D) 0,5
E) Otro valor
A) 0,1
B) 0,9
C) 1
D) 0
E) Otro valor
1
A) (9, )
2
4
B) (3, )
9
1
C) (2, )
5
9
D) (9, )
7
E) Ninguna de las anteriores
(1) La funcin de probabilidad toma el
mismo valor en todos los elementos del
recorrido
(2) El recorrido de la variable aleatoria es
{1,2,3,4,5,9,11}
A) (1) por s sola
B) (2) por s sola
C) Ambas juntas, (1) y (2)
D) Cada una por s sola, (1) (2)
E) Se requiere informacin adicional
1
2
4
7
8
(1) r = 3
(2) n = 9
A) {1}
B) {0,1}
C) {10}
D) {0,1, 2, 3, 4, 5, 6, 7, 8, 9,10}
E) [0,10]
I . Hay 18 nmeros impares y 2 nmeros
pares
II. Hay como mximo 2 nmeros pares
III. La probabilidad de obtener solo
nmeros impares al realizar el
experimento es 0
A) Solo I
B) Solo II
C) Solo III
D) I y II
E) I, II y III
9
B) 1
1
C)
2
8
D)
18
E)No se puede determinar
2
III. P(X 20) = 1
A) Solo I
B) Solo III
C) I y II
D) I y III
E) I, II y III
40. Un saco contiene 10 fichas con letras del abecedario. Se procede a sacar una ficha de la bolsa, se
registra la letra y se devuelve a la bolsa, luego se
extrae una segunda ficha y se registra la letra. Se
define la variable aleatoria V como la cantidad de
vocales extradas. Podemos saber el recorrido de
la variable aleatoria V si sabemos que
MIS ANOTACIONES
Te damos espacio extra para que puedas
desarrollar mejor los ejercicios
NOMENCLATURA
{a, b, c . . .}
A c
R2
R3
(a, b)
(a, b, c)
A B
N
N0
Z
Q
I
R
C
=
>
<
Para todo
Existe
Conjunto formado por los elementos a, b, c . . .
Pertenece
No pertenece
Subconjunto
Unin
Interseccin
Complemento de A
Conjunto vaco
Plano cartesiano
Espacio Euclidiano
Par ordenado
Tro ordenado
Producto cartesiano entre A y B
Nmeros naturales
Nmeros cardinales
Nmeros enteros
Nmeros racionales
Nmeros irracionales
Nmeros reales
Nmeros complejos
Igualdad
Equivalencia
Semejantes
Congruentes
Mayor que
Menor que
z
f(x)
f1(x)
ln
[a, b]
(a, b) o ]a, b[
(a, b] o ]a, b]
C(n, k)
V (n, k)
fi
x
Me
Mo
2
PQ
/ /
AB
sin()
cos()
tan()
m
n
HOJA DE RESPUESTAS
Captulo 1
Captulo 2
Captulo 3
Captulo 4
Pgina 17
Pgina 46
Pgina 67
Pgina 83
1A
2B
3B
4C
5A
6C
7E
8C
9C
10 C
11 B
12 A
13 D
14 D
15 E
16 C
17 C
18 C
19 B
20 B
21 B
22 B
23 B
24 B
25 E
26 B
27 E
28 B
29 B
30 B
31 E
32 A
33 C
34 D
35 D
36 E
37 D
38 B
39 C
40 A
1A
2B
3E
4A
5E
6C
7D
8C
9D
10 A
11 D
12 B
13 C
14 C
15 B
16 A
17 D
18 A
19 A
20 E
21 B
22 E
23 C
24 E
25 D
26 A
27 E
28 C
29 B
30 C
31 B
32 D
33 C
34 C
35 A
36 B
37 A
38 C
39 B
40 A
1A
2C
3B
4A
5D
6B
7C
8E
9C
10 E
11 E
12 D
13 D
14 B
15 D
16 E
17 D
18 C
19 A
20 B
21 A
22 C
23 C
24 E
25 C
26 A
27 A
28 C
29 C
30 C
31 D
32 B
33 D
34 C
35 A
36 C
37 E
38 E
39 D
40 A
1C
2D
3A
4A
5C
6C
7B
8B
9D
10 C
11 E
12 D
13 E
14 D
15 B
16 D
17 C
18 B
19 B
20 D
21 C
22 A
23 D
24 D
25 A
26 A
27 C
28 B
29 D
30 A
31 C
32 C
33 A
34 E
35 B
36 B
37 A
38 B
39 E
40 D