1

Estadstica descriptiva

La estadstica Descriptiva: consiste sobre todo en la presentacin de datos en forma de tablas y graficas. Esta comprende cualquier actividad relacionada con los datos y est diseada para resumir o describir los mismos sin factores pertinentes adicionales; esto es, sin intentar inferir nada que vaya ms all de os datos, como tales. 1.1 Procesamiento estadstico de datos recoleccin, presentacin, anlisis e interpretacin de datos) Distribucin de frecuencias organizacin,

1.2

Una distribucin de frecuencias es un resumen tabular de un conjunto de datos que muestran la frecuencia (o la cantidad) de artculos en cada una de varias clases que no se traslapan. Sin embargo tenemos que tener ms cuidado con los datos cuantitativos, al definir los datos translapantes que se usan en la distribucin de frecuencias. Los tres pasos necesarios para definir las clases en una distribucin de frecuencias con datos cuantitativos son: 1. Determinar la cantidad de las clases no traslapantes. 2. Determinar el ancho de cada clase. 3. Determinar los lmites de clases. Cantidad de clases. Las clases se forman al especificar intervalos de valor de los datos que se usan para agrupar los elementos en el conjunto. Como lineamiento general, se recomienda usar entre 5 y 20 clases. Los conjuntos de datos con mayor cantidad de elementos requieren, por lo general, ms clases; los conjuntos de datos con menos elementos se puede resumir, con frecuencia, slo con cinco o seis clases; el objetivo es usar las suficientes para mostrar la variacin en los datos, pero no tantos como para que algunas contengan unos cuantos elementos. Ancho de clases. El segundo paso en la formacin de una formacin de una distribucin de frecuencias para datos cuantitativos es elegir un ancho de las clases. Como regla general se recomienda que las clases tengan el mismo ancho. As, las opciones de la cantidad de clases y el ancho de ellas no son decisiones independientes. Una mayor cantidad de clases se traduce en un menor ancho de clases, y viceversa. Para determinar un ancho aproximado de clase se comienza identificando los valores mximos y mnimos en el conjunto de datos. Una vez especificada la cantidad deseada de clases, podemos aplicar la siguiente ecuacin para determinar el ancho aproximado de clase:
Ancho aproximado de clase = (Valor mximo en los datos Valor mnimo en los datos) / Cantidad de clases

El ancho de clase obtenido con la ecuacin puede ajustarse a un valor conveniente con base en la preferencia de quien desarrolla la distribucin de frecuencias. Limite de clase. Se deben de escoger los lmites de clase de tal manera que cada valor de datos pertenezca a una clase y solo a una. El lmite inferior de clase es el valor mnimo posible de los datos que se asignan a la clase. El lmite superior es el valor mximo de los datos que se asignan a la clase. Distribucin de frecuencia relativa de una clase: es la proporcin de la cantidad total de datos que pertenecen a esa clase. Para un conjunto de datos con n observaciones, la frecuencia relativa de cada clase se determina mediante la frmula: Frecuencia relativa de una clase = Frecuencia de la clase / n Distribucin de frecuencia porcentual de una clase: esta es la frecuencia relativa multiplicada por 100. Una distribucin de frecuencias relativas en un resumen tabular de un conjunto de datos que muestra la frecuencia relativa de cada clase. Una distribucin de frecuencias porcentuales es un resumen tabular de un conjunto de datos donde se ve la frecuencia porcentual de cada clase. 1.1 Presentacin grafica

Una grfica de barras, es una forma grfica de representar datos cualitativos que se han resumido en una distribucin de frecuencias, de frecuencias relativas o de porcentuales. En el eje horizontal de la grafica se especifican los indicadores o nombres que se usan para cada una de las clases. En el eje vertical puede representarse una escala de frecuencias, una de frecuencias relativas o una de porcentuales. Entonces, con una barra de un ancho fijo trazada sobre cada indicador de clase llegamos a la altura que corresponda a la frecuencia, a la frecuencia relativa o a la porcentual de la clase, indicada en el eje vertical. Las barras se separan a fin de sealar que cada clase es una categora independiente. El diagrama de pastel, es un mtodo grafico que se usa mucho para presentar distribuciones de frecuencias relativas de datos cualitativos. Para trazarlo se dibuja primero un crculo, a continuacin, con las frecuencias relativas, se divide el crculo en sectores o partes, que corresponden a la frecuencia relativa de cada clase. Histograma, un histograma se traza colocando la variable de inters sobre el eje horizontal y la frecuencia, la frecuencia relativa o la frecuencia porcentual de cada clase trazando un rectngulo cuya base es el intervalo de clase sobre el eje horizontal, y cuya altura es la frecuencia correspondiente.

Distribuciones acumuladas, en ella se utiliza la cantidad de clases, anchos de clase y limites de clase que fueron definidos para la distribucin de frecuencias. Sin embargo, ms que mostrara la frecuencia de cada clase, la distribucin de frecuencias acumuladas muestra la cantidad de elementos menores que, o iguales al lmite superior de clase para cada clase. Una grfica de una distribucin acumulada se llama ojiva. Los valores de los datos estn en el eje horizontal y las frecuencias acumuladas, frecuencias relativas acumuladas o frecuencias porcentuales acumuladas se muestran en el eje vertical.

1.2

Medidas de tendencia central

Las medidas de tendencia central son: a) Media La media o promedio de una variable, que es una medida de localizacin central. sta se obtiene sumando todos los valores de los datos y dividiendo el resultado entre la cantidad de valores. Si los datos proceden de una muestra, el promedio se representa con x; si proceden de una poblacin, se utiliza la letra griega . Al especificar las formulas estadsticas se acostumbra representar el valor del primer dato por x1, el del segundo por x2, y as sucesivamente. En general, el valor del i-simo dato se representa por xi. Al emplear esta notacin, la frmula de la muestra es: x=xin Media de la poblacin =xiN En este caso la cantidad de elementos de la poblacin se representa por N y el smbolo de la media de la poblacin es . b) Mediana La mediana es otra medida de la localizacin central de los datos. Es el valor intermedio, cuando los valores de los datos se ordenan de forma ascendente. Si hay una cantidad impar de elementos, la mediana es el valor del elemento intermedio; si la cantidad es par, no hay un elemento intermedio, y en este caso se sigue la convencin de definir la mediana como el promedio de los valores de los dos elementos intermedios. Por comodidad, la definicin de la mediana se enuncia como sigue. Mediana

Si hay una cantidad impar de elementos, la mediana es el valor del elemento intermedio, cuando todos los elementos estn ordenados de manera ascendente. Si hay una cantidad par de elementos, la mediana es el valor promedio de los dos elementos intermedios, cuando todos se ordenan de forma ascendente. c) Moda La moda es el valor de los datos que se presenta con ms frecuencia

1.1

Medidas de dispersin

Las medidas de dispersin tratan de medir el grado de dispersin que tiene una variable estadstica en torno a una medida de posicin o tendencia central, indicndonos lo representativo que es la medida de posicin. A mayor dispersin menor representatividad de la medida de posicin y viceversa. a) Recorrido (R) Se define como la diferencia entre el mximo y el mnimo valor de la variable. R=mx xi-minxi b) Desviacin absoluta media con respecto a la media (de) Nos indica las desviaciones con respecto a la media aritmtica en valor absoluto. de=i=1r|xi-x|niN c) Varianza La varianza mide la mayor o menor dispersin de los valores de la variable respecto a la media aritmtica. Cuanto mayor sea la varianza mayor dispersin existir y por tanto menor representatividad tendr la media aritmtica. La varianza se expresa en las mismas unidades que la variable analizada, pero elevadas al cuadrado. S2=i=1rxi2niN-x2 d) Desviacin estndar

Se define como la raz cuadrada con signo positivo de la varianza. S=+S2 e) Coeficiente de variacin Indica la relacin entre la desviacin estndar de una muestra y su media. Al dividir la desviacin estndar por la media se convierte en un valor exento de unidad de media. Si comparamos la dispersin en varios conjuntos de observaciones tendr menor dispersin aquella que tenga menor coeficiente de variacin. El principal inconveniente, es que al ser un coeficiente inversamente proporcional a la media aritmtica, cuando est tome valores cercanos a cero, el coeficiente tender a infinito. CV=Sx 1.1 Teorema de Chebyshev

El teorema de Chebyshev nos permite inferir el porcentaje de elementos que deben quedar dentro de una cantidad especfica de desviaciones estndar respecto a la media. Cuando menos (1 1/z2) de los elementos en cualquier conjunto de datos debe estar a menos de k desviaciones estndar de separacin respecto a la media, siendo z cualquier valor mayor que 1 1.2 Regla emprica

Para una distribucin de frecuencias simtrica de campana, aproximadamente 68% de las observaciones estar a ms y menos una desviacin estndar desde la media, aproximadamente 95% de tales observaciones se encontrar a ms y menos dos desviaciones estndares de la misma; y prcticamente todas las observaciones (99,7%)se hallarn a ms y menos tres desviaciones con respecto a la media. 2 Teora de la probabilidad

La teora de la probabilidad es la parte de las matemticas que estudia los fenmenos aleatorios. Estos deben contraponerse a los fenmenos determinanticos, los cuales son resultados nicos y/o previsibles de experimentos realizados bajo las mismas condiciones determinadas, por ejemplo, si se calienta agua a 100 grados Celsius a nivel del mar se obtendr vapor. Los fenmenos aleatorios, por el contrario, son aquellos que se obtienen como resultado de experimentos realizados, una y otra vez bajo las mismas condiciones determinadas pero como resultado posible poseen un conjunto de alternativas, por ejemplo, el lanzamiento de un dado. Los procesos reales que se modelan como procesos aleatorios pueden no serlo realmente; cmo tirar una moneda o un dado, ya que no se

reproducen exactamente las mismas condiciones iniciales que lo determinan, sino slo unas pocas. En los procesos reales que se modelan mediante distribuciones de probabilidad corresponden a modelos complejos donde no se conocen a priori todos los parmetros que intervienen; sta es una de las razones por las cuales la estadstica busca determinar estos parmetros, no se reduce inmediatamente a la teora de la probabilidad en s. 2.1 Introduccin

Cuando un experimento aleatorio se repite un gran nmero de veces, los posibles resultados tienden a presentarse un nmero muy parecido de veces, lo cual indica que la frecuencia de aparicin de cada resultado tiende a estabilizarse. El concepto o idea que generalmente se tiene del trmino probabilidad es adquirido de forma intuitiva, siendo suficiente para manejarlo en la vida corriente. Nos interesa ahora la medida numrica de la probabilidad de que ocurra un suceso A cuando se realiza el experimento aleatorio. A esta medida la llamamos probabilidad del suceso A y la representamos por p(A). La probabilidad es una medida sobre la escala 0 a 1 de tal forma que: Al suceso imposible le corresponde el valor 0 Al suceso seguro le corresponde el valor 1 El resto de sucesos tendr una probabilidad comprendida entre 0 y 1

El concepto de probabilidad no es nico, pues se puede considerar desde distintos puntos de vista: El punto de vista objetivo Definicin clsica o a priori Definicin frecuentista o a posteriori El punto de vista subjetivo

1.1.1 Enfoques de probabilidad a) Definicin Clsica de la Probabilidad Sea un experimento aleatorio cuyo correspondiente espacio muestral E est formado por un nmero n finito de posibles resultados distintos y con la misma probabilidad de ocurrir {e1, e2, , en}. Si n1 resultados constituyen el subconjunto o suceso A1, n2 resultados constituyen el subconjunto o suceso A2 y, en general, nk resultados constituyen el subconjunto o suceso Ak de tal forma que: n1 + n2 + + nk = n

La probabilidad de los sucesos A1, A2, , An son: p(A1)= n1/n p(A2)=n2/n p(Ak)=nk/n Es decir, que la probabilidad de cualquier suceso A es igual al cociente entre el nmero de casos favorables que integran el suceso A y el nmero de casos posibles del espacio muestral E. pA=No de casos favorabes de ANo de casos posibles de E Regla de Laplace para E finitos Para que se pueda aplicar la regla de Laplace es necesario que todos los sucesos elementales sean equiprobables, es decir: p(e1) = p(e2) = = p(en) y por tanto p(ei) = 1/n i = 1, 2, , n Siendo A = {e1, e2, , ek} el suceso formado por k sucesos elementales siendo kn tendremos: pA=j=1npej=kn=No casos favorablesNo casos posibles

La probabilidad verifica las siguientes condiciones: La probabilidad de cualquier suceso es siempre un nmero no negativo entre 0 y 1

pA=nin nin ni,n0 La probabilidad del suceso seguro E vale 1 y la probabilidad del suceso imposible es 0

pE=nn=1 p=0n=0 La probabilidad de la unin de varios sucesos incompatibles o excluyentes A1, A2, , Ar es igual a la suma de probabilidades de cada uno de ellos

pA1 Ar=pA1+pA2+ +p(Ar) Esta definicin clsica de probabilidad fue una de las primeras que se dieron (1900) y se atribuye a Laplace; tambin se conoce con el nombre de probabilidad a piori pues, para calcular, es necesario conocer, antes de realizar el experimento aleatorio, el espacio muestral y el nmero de resultados o sucesos elementales que entran a formar parte del suceso. La aplicacin de la definicin clsica de probabilidad puede presentar dificultades de aplicacin cuando el espacio muestral es infinito o cuando los posibles resultados de un experimento no son equiprobables. Ej: En un proceso de fabricacin de piezas puede haber algunas defectuosas y si queremos determinar la probabilidad de que una pieza sea defectuosa no podemos utilizar la definicin clsica pues necesitaramos conocer previamente el resultado del proceso de fabricacin.

Para resolver estos casos, se hace una extensin de la definicin de probabilidad, de manera que se pueda aplicar con menos restricciones, llegando as a la definicin frecuentista de probabilidad. a) Definicin Frecuentista de la Probabilidad La definicin frecuentista consiste la probabilidad como el lmite cuando n tiende a infinito de la probabilidad o frecuencia relativa del suceso. Sea un experimento aleatorio cuyo espacio muestral es E Sea A cualquier suceso perteneciente a E Si repetimos n veces el experimento en las mismas condiciones, la freceuncia relativa del suceso A ser: n(A)n Cuando el nmero n de repeticiones se hace muy grande la frecuencia relativa converge hacia un valor que llamaremos probabilidad del suceso A. pA=limnn(A)n Es imposible llegar a este lmite, ya que no podemos repetir el experimento un nmero infinito de veces, pero si podemos repetirlo muchas veces y observar como las frecuencias relativas tienden a estabilizarse. Esta definicin frecuentista de la probabilidad se llama tambin probabilidad a posteriori ya que slo podemos dar la probabilidad de un suceso despus de repetir y observar un gran nmero de veces el experimento aleatorio correspondiente. Algunos autores las llaman probabilidades tericas. b) Definicin Subjetiva de la Probabilidad Tanto la definicin clsica como la frecuentista se basan en las repeticiones del experimento aleatorio; pero existen muchos experimentos que no se pueden repetir bajo las mismas condiciones y por tanto no puede aplicarse la interpretacin objetiva de la probabilidad. En esos casos es necesario acudir a un punto de vista alternativo, que no dependa de las repeticiones, sino que considere la probabilidad como un concepto subjetivo que exprese el grado de creencia o confianza individual sobre la posibilidad de que el suceso ocurra. Se trata por tanto de un juicio personal o individual y es posible por tanto que, diferentes observadores tengan distintos grados de creencia sobre los posibles resultados, igualmente validos.

c) Definicin Axiomtica de la Probabilidad La definicin axiomtica de la probabilidad es quizs la ms simple de todas las definiciones y la menos controvertida ya que est basada en un conjunto de axiomas que establecen los requerimientos mnimos para dar una definicin de probabilidad. La ventaja de esta definicin es que permite un desarrollo riguroso y matemtico de la probabilidad. Fue introducida por A. N. Kolmogorov y aceptada por estadsticos y matemticos en general. Definicin: Dado el espacio muestral E y la -Algebra A = P(E) diremos que una funcin p: A [0, 1] es una probabilidad si satisface los siguientes axiomas de Kolmogorov: P(A) 0 para cualquier suceso A A = P(A) P(E) = 1 Dada una sucesin numerable de sucesos incompatibles A1, A2, A, se verifica que p(A1A2=pi=1Ai=pA1+pA2+ A la funcin p: A[0, 1] Ap = p(A) se denomina probabilidad del suceso A. La terna (E, A, p) formada por el espacio muestral E, la -Algebra A = P(E) y la probabilidad p se denomina espacio probabilstico.

1.1.1 Espacio muestral Se denomina resultado bsico o elemental, comportamiento individual o punto muestral a cada uno de los posibles resultados de un experimento aleatorio. Los resultados bsicos elementales sern definidos de forma que no puedan ocurrir dos simultneamente pero si uno necesariamente. Se denomina conjunto universal, espacio muestral o espacio de comportamiento E al conjunto de todos los resultados elementales del experimento aleatorio. Pueden ser de varios tipos: a) Espacio Muestral Discreto a. Espacio muestral finito: Tiene un nmero finito de elementos. Ej. Experimento aleatorio consistente en lanzar un dado. El espacio muestral es E = {1, 2, 3, 4, 5, 6} b. Espacio muestral infinito numerable: Tiene un nmero infinito numerable de elementos es decir, se puede establecer una aplicacin biyectiva entre E y N. Ej. Experimento aleatorio consistente en lanzar un dado hasta que sea obtenido el nmero 1 E = {{1}, {2, 1}, {3, 1}, , {2, 2, 1}, {2, 3, 1}, }

b) Espacio Muestral Continuo Si el espacio muestral contiene un nmero infinito de elementos, es decir, no se puede establecer una correspondencia biunvoca entre E y N. Ej. Experimento aleatorio consistente en tirar una bola perfecta sobre un suelo perfecto y observar la posicin que ocupar esa bola obre la superficie. E = {Toda la superficie del suelo} 1.1.1 Eventos simples y compuestos Evento. Es el resultado de un experimento. Cuando cada evento es seleccionado al azar, el experimento se denomina aleatorio o al azar. Evento Simple. Cada uno de los posibles resultados de un experimento y que no se puede descomponer. En el caso del lanzamiento del dado, cada uno de los posibles nmeros en la cara del dado es un evento simple. Evento Compuesto. Los eventos A, B, C, etc., son eventos compuestos si se componen de dos o ms eventos simples. Ejemplos de eventos simples y compuestos Evento simple: Lanzamiento de un dado A = {evento que salga un # impar} A = {1, 3, 5} B = {el nmero sea 4} = {1, 2, 3, 4} Evento Compuesto: Lanzamiento de dos monedas A = el evento de observar un sol (S) A = {SS, AS, SA, AA} 1.1.2 Leyes de probabilidad a) Complemento de un evento. Dado un evento A, el complemento de A se define como el evento formado por todos los puntos mustrales que no estn en A. El complemento de A se representa con AC o A. En cualquier aplicacin de probabilidades, debe suceder, ya sea el evento A o su complemento AC. En consecuencia. PA+ PAC=1 Al despejar P(A) obtenemos el clculo de la probabilidad mediante el complemento PA=1-P(AC)

b) Ley aditiva. La ley aditiva es til cuando se tienen dos eventos, y se desea conocer la probabilidad de que ocurra al menos uno de ellos. Esto es, con los eventos A y B nos interesa conocer la probabilidad de que suceda el evento A, o el evento B, o ambos. Antes de presentar la ley aditiva, necesitamos analizar dos conceptos relacionados con la combinacin de eventos: la unin de eventos y la interseccin de estos. Dados dos eventos, a y B, la unin de a y B se define como sigue: Unin de dos eventos. La unin de A y B es el evento que contiene todos los puntos mustrales que pertenecen a A o a B, o a ambos. La unin de A y B se representa con AB. La definicin de la interseccin de dos eventos A y B es la siguiente: Interseccin de dos eventos. Dados dos eventos, A y B, la interseccin de A y B es el evento que contiene los puntos mustrales que pertenecen simultneamente a A y a B, sta se representa como AB. Continuando con la descripcin de la Ley Aditiva. Esta ley proporciona una forma de calcular la probabilidad de que ocurra el evento A o el B, o ambos. En otras palabras, la ley aditiva es til para calcular la probabilidad de la unin de dos eventos, AB, Esta ley se enuncia PAB=PA+PB+P(AB) Para captar intuitivamente la ley aditiva observe que los dos primeros trminos en ella, P(A)+P(B), se asocian con todos los puntos mustrales en AB. Sin embargo, como los puntos mustrales en la interseccin AB estn en A y en B al mismo tiempo, al calculara P(A) +P(B) de hecho contamos dos veces a cada uno de los puntos en AB. Al restar P(AB) corregimos el doble conteo. c) Probabilidad Condicional. Con frecuencia, la probabilidad de un evento se ve influenciado por la ocurrencia (o no presentacin) de otro evento relacionado. Supongamos que tenemos un evento A con probabilidad P(A). Si obtenemos nueva informacin y vemos que ha ocurrido un evento relacionado, representado por B, quisiramos aprovechar esta informacin para calcular una nueva probabilidad del evento A. Esa nueva probabilidad se representa como P(A|B). La notacin | indica el hecho de que se considera la probabilidad del evento A dada la condicin de que ha ocurrido B. En consecuencia, la notacin P(A|B)se lee la probabilidad de A dado B. O sea PAB=P(AB)P(B) d) Eventos independientes. Dos eventos, A y B, son independientes si P(A|B) = P(A) o si P(B|A) =P(B) De lo contrario, los eventos son dependientes.

e) Ley multiplicativa. Mientras que la ley aditiva de la probabilidad se usa para determinar la probabilidad de una unin entre dos eventos, la ley multiplicativa se usa para determinar la probabilidad de una interseccin de dos eventos. PAB=PBP(A|B) o tambin PAB=PAP(B|A) Ley multiplicativa para eventos independientes PAB=PAP(B) Para calcular la probabilidad de la interseccin de dos eventos independientes, tan solo se multiplican las probabilidades correspondientes. Observe que la ley multiplicativa para eventos independientes representa otro mtodo para determinar si A y B son independientes. Esto es si PAB=PAP(B), entonces son independientes; si PABPAP(B), entonces A y B son dependientes. 1.1.1 Tablas de contingencia Tabla de Contingencia o de clasificacin cruzada. En una tabla de frecuencia los datos se organizan de modo que slo consideramos una variable a la vez. A los fines de estudiar de manera simultnea la repuesta de dos variables categricas, se utiliza lo que se conoce como una tabla de contingencia. Para este tipo de tabla se establece una clasificacin cruzada entre las variables analizadas. Por ejemplo, se puede relacionar mediante una tabla de contingencia las variables sexo (m, f) y rango acadmico. El ejemplo que se presenta a continuacin clasifica las variables por rango acadmico y sexo. Rango academico Instructor Auxiliar Asociado 100 170 80 90 145 50 190 315 130

Sexo Homre Mujer

Profesos 50 25 75

400 310 710

1.1.2 Teorema de Bayes Sea {A1,A2,...,Ai,...,An} un conjunto de sucesos mutuamente excluyentes y exhaustivos, y tales que la probabilidad de cada uno de ellos es distinta de cero. Sea B un suceso cualquiera del que se conocen las probabilidades condicionales P(B|Ai). Entonces, la probabilidad P(Ai|B) viene dada por la expresin: PAiB=PBAiP(Ai)P(B) donde: P(Ai) son las probabilidades a priori.

P(B|Ai) es la probabilidad de B en la hiptesis Ai. P(Ai|B) son las probabilidades a posteriori. 1.2 Variables aleatorias y distribuciones de probabilidad

1.2.1 Variables aleatorias Una variable aleatoria es un medio de describir los resultados experimentales con valores numricos. Veamos la definicin de variable aleatoria. Variable aleatoria: Una variable aleatoria es una descripcin numrica del resultado de un experimento. Una variable aleatoria asocia un valor numrico con cada resultado posible. El valor numrico de la variable aleatoria depende del resultado del experimento. Se puede clasificar una variable aleatoria como discreta o continua, dependiendo de los valores numricos que asume. 1.2.2 Clasificacin de las variables aleatorias a) Variable aleatoria discreta. Una variable aleatoria que puede asumir una cantidad finita de valores, o una sucesin infinita de valores como 0, 1, 2, , se llama variable aleatoria discreta. Ej. Un experimento de los vehculos que llegan a una caseta de cobro. La variable aleatoria de inters es x = cantidad de vehculos que lleguen en un da. Los valores posibles de x provienen de la sucesin de enteros 0, 1, 2, etc. Por consiguiente, x es una variable aleatoria discreta que toma uno de los valores de esta sucesin infinita. b) Variable aleatoria continua Si una variable aleatoria puede tomar cualquier valor numrico en un intervalo o conjunto de intervalos se llama variable aleatoria continua. Los resultados experimentales que se basan en escalas de medicin como el tiempo, el peso, la distancia y la temperatura se pueden describir mediante variables aleatorias continuas. Ej. Imaginemos un experimento que consiste en monitorear las llamadas telefnicas que entran a la oficina de ajustes de una gran aseguradora. Supongamos que la variable aleatoria de inters es x = el tiempo entre llamadas consecutivas, en minutos. Est variable aleatoria puede sumir cualquier valor en el intervalo x 0. En realidad, hay una cantidad infinita de valores posibles para x, como 1.26 minutos, 2.751 minutos, 4.3333 minutos, etc. 1.1.1 Distribuciones de probabilidades discretas

La distribucin de probabilidades de una variable aleatoria describe como se distribuyen las probabilidades de los diferentes valores de la variable aleatoria. Para una variable aleatoria discreta x, la distribucin de probabilidad se describe mediante una funcin de probabilidad, representada por f(x). La funcin de probabilidad define la probabilidad de cada valor de la variable aleatoria. Una ventaja importante de definir una variable aleatoria y su distribucin de probabilidades es que, una vez conocida esa distribucin, es relativamente fcil determinar la probabilidad de varios eventos que pueda interesar a quien toma decisiones. Al asignar una funcin de probabilidad para cualquier variable discreta, se deben satisfacer las dos condiciones siguientes. f(x) 0 y fx=1 El ejemplo ms sencillo de distribucin de probabilidad discreta expresada con una frmula es la distribucin uniforme de probabilidad discreta, cuya funcin de probabilidad es la siguiente: f(x) = 1/n En donde n = cantidad de valores que puede asumir la variable aleatoria. 1.1.2 Distribuciones de probabilidades continuas Para una variable continua hay infinitos valores posibles de la variable y entre cada dos de ellos se pueden definir infinitos valores ms. En estas condiciones no es posible deducir la probabilidad de un valor puntual de la variable; como se puede hacer en el caso de una variable aleatoria discretas, pero es posible calcular la probabilidad acumulada hasta un cierto valor (funcin de distribucin de probabilidad), y se puede analizar cmo cambia la probabilidad acumulada en cada punto (estos cambios no son probabilidades sino otro concepto: la funcin de densidad. En el caso de variable continua la distribucin de probabilidad es la integral de la funcin de densidad, por lo que tenemos entonces que:

Fx=PXx=-xfxdx Sea X una variable aleatoria continua, una distribucin de probabilidad o funcin de densidad de probabilidad de X es una funcin f(x) tal que, para cualesquiera dos nmeros a y b siendo a b. PaXb=abfxdx La grfica de f(x) se conoce a veces como curva de densidad, la probabilidad de que X tome un valor en el intervalo [a, b] es el rea bajo la

curva de la funcin de densidad; as, la funcin mide concentracin de probabilidad alrededor de los valores de una variable aleatoria continua. PaXb=rea bajo la curva de fxentre a y b Para que f(x) sea una funcin de densidad de probabilidad legtima, debe satisfacer las siguientes condiciones: 1. 2. f(x) 0 para toda x. -fxdx=1

Ya que la probabilidad es siempre un nmero positivo, la funcin de densidad de probabilidad es una funcin no decreciente que cumple: 1 2 limxFx=1 Es decir, la probabilidad de todo el espacio muestral es 1. limx-Fx=0 Es decir, la probabilidad del suceso nulo es cero.

1.1.1 Esperanza matemtica La Esperanza matemtica o Valor esperado o media, de una variable discreta es una medida de la localizacin central (o tendencia central) de esa variable. La ecuacin matemtica del valor esperado de una variable aleatoria discreta x es la siguiente. Ex==xf(x) Se pueden usar las notaciones E(x) y para representar el valor esperado de una variable aleatoria.

1.1.2 Momentos con respecto al origen y a la media a) Momento con respecto al origen. Se define el momento de orden h respecto al origen de una variable estadstica a la expresin: ah=i=1nxihniN Particularidades: Si h=1, a1 es igual a la media aritmtica. Si h=0, a0 es igual a uno (a0 = 1) a) Momentos con respecto a la media. mh=i=1n(xi-x)-hniN Particularidades: Si h=1, entonces m1=0 Si h=2, entonces m2=S2 1.1.1 La varianza de una variable aleatoria

La ecuacin matemtica de la varianza de una variable aleatoria es la siguiente: Varx=2=x-2f(x) Como indica esta ecuacin, una parte esencial de la formula de la varianza es la desviacin, x - , que mide lo alejado que se encuentra un valor determinado del valor esperado o media, , de la varianza aleatoria. Para calcular la varianza de una variable aleatoria se elevan al cuadrado las desviaciones y se ponderan con el valor correspondiente de la funcin de probabilidad. La suma de esas desviaciones elevadas al cuadrado y ponderadas, para todos los valores de la variable aleatoria, se llama varianza. 2 Estadstica Inferencial

Estadstica Inferencial: se deriva de muestras, de observaciones hechas slo acerca de un aparte de un conjunto numerosos de elementos y esto implica que su anlisis requiere de generalizaciones que van ms all de los datos. Como consecuencia, la caracterstica ms importante del reciente crecimiento de la estadstica ha sido un cambio en el nfasis de los mtodos que describen a mtodos que sirven para hacer generalizaciones. La estadstica Inferencial investiga o analiza una poblacin partiendo de una muestra tomada. 2.1 Pruebas de hiptesis

2.1.1 Introduccin Estadsticamente una prueba de hiptesis es cualquier afirmacin acerca de una poblacin y/o sus parmetros. Una prueba de hiptesis consiste en contrastar dos hiptesis estadsticas. Tal contraste involucra la toma de decisin acerca de las hiptesis. La decisin consiste en rechazar o no una hiptesis en favor de la otra. Una hiptesis estadstica se denota por H y son dos: H0: hiptesis nula H1: hiptesis alternativa

Partes de una hiptesis: 1. 2. 3. 4. 5. 6. La hiptesis nula H0 La hiptesis alternativa H1 El estadstico de prueba Errores tipo I y II La regin de rechazo (crtica) La toma de decisin

1.1.1 Prueba de hiptesis para la media de la poblacin y las proporciones a) Prueba de hiptesis para la media de la poblacin. Prueba de hiptesis para la media poblacional ( conocida). La prueba de hiptesis para una media poblacional con una desviacin estndar conocida ( ) se calcula con la ecuacin: Z=X-n En esta ecuacin el numero mide que tan lejos esta (en trminos absolutos) la media muestral observada X de la media hipottica . Prueba de hiptesis para la media ( desconocida). En la mayor parte de las situaciones de pruebas de hiptesis con datos numricos, no se conoce la desviacin estndar de la poblacin. Sin embargo, la desviacin estndar poblacional real se estima con el calcula e S, la desviacin estndar de la muestra. El estadstico de prueba t para determinar la diferencia entre la muestra X y la media de la poblacin cuando se usa la desviacin estndar de la muestra S esta dado por: t=X-Sn Donde el estadstico t sigue una distribucin t con n-1 grados de libertad.

a) Prueba de hiptesis para una proporcin. En el caso de proporciones se mostrara mediante un ejemplo como realizar pruebas de hiptesis para muestras grandes (mayores a 30 elementos). Ej. El dueo de un caf desea saber si la proporcin de mujeres que entran a su negocio es igual al 60%. Para hacer lo anterior se realiza un muestreo aleatorio de 40 personas, dando un promedio de la muestra de 58%. Paso 1. Determinar la hiptesis Nula H0 y Alternativa Ha. H0: La cantidad de mujeres que entra al negocio es del 60%. Ha: La cantidad de mujeres que entran al negocio NO ES del 60% Ntese que la hiptesis nula considera IGUAL al 60% por lo tanto es una prueba de hiptesis de dos colas. Paso 2. Determinar el nivel de significancia. Este nivel representa la probabilidad de rechazar una hiptesis nula verdadera, matemticamente se puede considerar cualquier valor entre cero y uno; pero para estudios de pruebas de hiptesis normalmente est entre 0.05 y 0.1. Este nivel est determinado por el analista y debe basarse en las caractersticas del estudio y el riesgo que se considere aceptable de cometer el error tipo I. Nivel de significancia del estudio para el ejemplo: = 0.1 Grficamente el nivel de significancia se distribuye en la curva de distribucin normal tal como se muestra en la figura, ntese que en el caso de pruebas de hiptesis de medias, sta se ubica en la parte media de la distribucin de probabilidad:

Paso 3. Calcular los intervalos que implican ese nivel de significancia. Para dicho nivel de significancia (equivale a un nivel de confianza del 90%) los valores de Z son: Z = +/- 1.6448 Grficamente queda de la siguiente manera:

Z = -1.6448

Z = 1.6448 H0: p = 60%

Paso 4. Calcular el estadstico de la prueba. El estadstico Z se calcula de la siguiente manera: En el caso de pruebas de hiptesis para proporciones la ecuacin que se usa es la siguiente:

z=p-ppqn Donde: p = Proporcin muestral p =Proporcin poblacional (considerado en la hiptesis nula) q = 1- p Inverso de p. n = Nmero de elementos muestreados. z = Valor de Z tipificado Para el caso del presente ejemplo: z=p-ppqn=0.6-0.580.58(1-0.58)40=0.2562 Paso 5. Determinar si el estadstico cae dentro de la regin que hace la Hiptesis nula verdadera.

Z = -1.6448

Como podr notarse, el estadstico esta dentro de la regin que hace verdadera la hiptesis nula. Paso 6. Aceptar o rechazar la hiptesis nula. En este caso como el estadstico de la prueba cae dentro de la regin que hace verdadera la hiptesis nula, sta se ACEPTA y se toma como falsa la hiptesis alternativa: H0: La cantidad de mujeres que entra al negocio es del 60%. (VERDADERO) Ha: La cantidad de mujeres que entra al negocio NO es del 60%. (FALSO) 1.1.1 Prueba de hiptesis para la diferencia entre dos medias o dos proporciones

1.2

Regresin lineal y correlacin

a) Regresin lineal. La regresin lineal es la ecuacin que describe como se relaciona y con x y con un termino de error. Y la ecuacin mencionada seria: y=0+1x+ En este modelo, y es una funcin lineal de x (la parte 0+1x) mas . 0 y 1 son los parmetros dl modelo, y es una variable aleatoria. El termino0 de error explica la variabilidad en y que no se puede explicar con la relacin lineal entre x y y. b) Coeficiente de Correlacin. Los valores del coeficiente de correlacin siempre est entre -1 y +1. Un valor de +1 indica que las dos variables, x y y, tienen una relacin lineal positiva perfecta. Esto es, todos los puntos de datos estn en una lnea recta con pendiente positiva. Un valor de -1 indica que x y y tienen una relacin lineal negativa perfecta, y que todos los puntos de datos estn en una recta con pendiente negativa. Los valores del coeficiente de correlacin cercanos a cero indican que x y y no tienen relacin lineal. rxy=(signo de b1)Coeficeinte de determinacin =(signo de b1)r2 En donde b1=es la pendiente de la ecuacin de regresin, y=b0+b1x El signo del coeficiente de correlacin es positivo si la ecuacin de regresin tiene pendiente positiva (b1>0) y negativo si la ecuacin de regresin tiene pendiente negativa (b1<0). 1.1.1 Anlisis de regresin lineal simple Si sobre la ecuacin del Modelo de Regresin Lineal, se hace el supuesto de que es cero, una consecuencia de este supuesto es que la media, o valor esperado de y, representado por E(y) es la media o valor esperado de y para determinado valor de x. Con esto se puede representar de manera grafica de la siguiente forma: Relacin lineal positiva

No hay relacin

Regresin lineal negativa

1.1.2 Regresin mltiple Regresin lineal. En estadstica la regresin lineal o ajuste lineal es un mtodo matemtico que modela la relacin entre una variable dependiente Y, las variables independientes Xi y un trmino aleatorio . Este modelo puede ser expresado como: Y=0+1X1+2X2++pXp+ Donde 0 es la interseccin o trmino "constante", las i(i>0) son los parmetros respectivos a cada variable independiente, y p es el nmero de parmetros independientes a tener en cuenta en la regresin. La regresin lineal puede ser contrastada con la regresin no lineal. 1.2 Mtodos no paramtricos

Los mtodos no parametricos es una rama de la estadstica que estudia las pruebas y modelos estadsticos cuya distribucin subyacente no se ajusta a los llamados criterios paramtricos. Su distribucin no puede ser definida a priori, pues son los datos observados los que la determinan. La utilizacin de estos mtodos se hace recomendable cuando no se puede asumir que los datos se ajusten a una distribucin conocida, cuando el nivel de medida empleado no sea, como mnimo, de intervalo. a) Prueba de Wilcoxon. La prueba de los signos de Wilcoxon es una prueba no paramtrica para comparar la mediana de dos muestras relacionadas y determinar si existen diferencias entre ellas. Se utiliza como alternativa a la prueba t de Student cuando no se puede suponer la normalidad de dichas muestras. Debe su nombre a Frank Wilcoxon, que la public en 1945.

Se utiliza cuando la variable subyacente es continua pero presupone ningn tipo de distribucin particular. La hiptesis nula es H0: = 0. Retrotrayendo dicha hiptesis a los valores xi, yi originales, sta vendra a decir que son en cierto sentido del mismo tamao. Para verificar la hiptesis, en primer lugar, se ordenan los valores absolutos |z 1|, , |z2| y y se les asigna su rango Ri. Entonces, el estadstico de la prueba de los signos de Wilcoxon, W +, es W+=zi>0Ri Es decir, la suma de los rangos Ri correspondientes a los valores positivos de zi. La distribucin del estadstico W+ puede consultarse en tablas para determinar si se acepta o no la hiptesis nula. En ocasiones, esta prueba se usa para comparar las diferencias entre dos muestras de datos tomados antes y despus del tratamiento, cuyo valor central se espera que sea cero. Las diferencias iguales a cero son eliminadas y el valor absoluto de las desviaciones con respecto al valor central son ordenadas de menor a mayor. A los datos idnticos se les asigna el lugar medio en la serie. La suma de los rangos se hace por separado para los signos positivos y los negativos. S representa la menor de esas dos sumas. Comparamos S con el valor proporcionado por las tablas estadsticas al efecto para determinar si rechazamos o no la hiptesis nula, segn el nivel de significacin elegido. b) Prueba de Kruskal-Wallis. En estadstica, la prueba de Kruskal-Wallis (de William Kruskal y W. Allen Wallis) es un mtodo no paramtrico para probar si un grupo de datos proviene de la misma poblacin. Intuitivamente, es idntico al ANOVA con los datos reemplazados por categoras. Es una extensin de la prueba de la U de Mann-Whitney para 3 o ms grupos. Ya que es una prueba no paramtrica, la prueba de Kruskal-Wallis no asume normalidad en los datos, en oposicin al tradicional ANOVA. S asume, bajo la hiptesis nula, que los datos vienen de la misma distribucin. Una forma comn en que se viola este supuesto es con datos heterocedsticos. 1. El estadstico est dado por:K=(N-1)i=1gni(ri-r)2i=1gj=1ni(rij-r)2, donde: ni es el nmero de observaciones en el grupo i rij es el rango (entre todas las observaciones) de la observacin j en el grupo i N es el nmero total de observaciones entre todos los grupos ri=j=1nirijni, r=(N+1)/2 es el promedio de rij.

Note que el denominador de la expresin para K es exactamente N-1N(N+1)12. Luego K=12N(N+1)i=1gni(ri-r)2. 2. Se puede realizar una correccin para los valores repetidos dividiendo K por 1-i=1G(ti3-ti)N3-N, donde G es el nmero de grupos de diferentes rangos repetidos, y ti es el nmero de observaciones repetidas dentro del grupo i que tiene observaciones repetidas para un determinado valor. Esta correccin hace cambiar a K muy poco al menos que existan un gran nmero de observaciones repetidas. 3. Finalmente, el p-value es aproximado por Pr(xg-12K) . Si algn ni es pequeo (< 5) la distribucin de K puede ser distinta de la jicuadrada. a) Prueba de Mann-Whitney-Wilcoxon. En estadstica la prueba U de Mann-Whitney (tambin llamada de Mann-Whitney-Wilcoxon, prueba de suma de rangos Wilcoxon, o prueba de Wilcoxon-Mann-Whitney) es una prueba no paramtrica aplicada a dos muestras independientes. Es, de hecho, la versin no paramtrica de la habitual prueba t de Student. La prueba de Mann-Whitney se usa para comprobar la heterogeneidad de dos muestras ordinales. El planteamiento de partida es: Las observaciones de ambos grupos son independientes Las observaciones son variables ordinales o continuas. Bajo la hiptesis nula, las distribuciones de partida de ambas distribuciones es la misma Bajo la hiptesis alternativa, los valores de una de las muestras tienden a exceder a los de la otra: P(X > Y) + 0.5 P(X = Y) > 0.5. Para calcular el estadstico U se asigna a cada uno de los valores de las dos muestras su rango para construir U1=R1-n1(n1-1)2 U2=R2-n2(n2+1)2 Donde n1 y n2 son los tamaos respectivos de cada muestra; R1 y R2 es la suma de los rangos de las observaciones de las muestras 1 y 2 respectivamente. El estadstico U se define como el mnimo de U1 y U2. Los clculos tienen que tener en cuenta la presencia de observaciones idnticas a la hora de ordenarlas. No obstante, si su nmero es pequeo, se puede ignorar esa circunstancia. 1.1.1 Aplicaciones de ji cuadrada La distribucin tiene muchas aplicaciones en inferencia estadstica. La ms conocida es la de la denominada prueba utilizada como prueba de independencia y como prueba de bondad de ajuste y en la estimacin de varianzas. Pero tambin est involucrada en el problema de estimar la media de una poblacin normalmente distribuida y en el problema de

estimar la pendiente de una recta de regresin lineal, a travs de su papel en la distribucin t de Student. Aparece tambin en todos los problemas de anlisis de varianza por su relacin con la distribucin F de Snedecor, que es la distribucin del cociente de dos variables aleatorias independientes con distribucin . La prueba de Pearson es considerada como una prueba no paramtrica que mide la discrepancia entre una distribucin observada y otra terica (bondad de ajuste), indicando en qu medida las diferencias existentes entre ambas, de haberlas, se deben al azar en el contraste de hiptesis. Tambin se utiliza para probar la independencia de dos variables entre s, mediante la presentacin de los datos en tablas de contingencia. La frmula que da el estadstico es la siguiente: 2=i(observadai-teoricai)2teoricai Cuanto mayor sea el valor de 2, menos verosmil es que la hiptesis sea correcta. De la misma forma, cuanto ms se aproxima a cero el valor de ji cuadrada, ms ajustadas estn ambas distribuciones. Los grados de libertad gl vienen dados por: gl= (r-1)(k-1). Donde r es el nmero de filas y k el de columnas. Criterio de decisin: Se acepta H0 cuando 2<t2r-1(k-1) . En caso contrario se rechaza. Donde t representa el valor proporcionado por las tablas, segn el nivel de significacin estadstica elegido. La distribucin t (de Student) es una distribucin de probabilidad que surge del problema de estimar la media de una poblacin normalmente distribuida cuando el tamao de la muestra es pequeo. Aparece de manera natural al realizar la prueba t de Student para la determinacin de las diferencias entre dos medias mustrales y para la construccin del intervalo de confianza para la diferencia entre las medias de dos poblaciones cuando se desconoce la desviacin tpica de una poblacin y sta debe ser estimada a partir de los datos de una muestra. La distribucin t de Student es la distribucin de probabilidad del cociente. ZV/v Donde Z tiene una distribucin normal de media nula y varianza 1 V tiene una distribucin ji-cuadrada con grados de libertad

Z y V son independientes Si es una constante no nula, el cociente Z+V/v es una variable aleatoria que sigue la distribucin t de Student no central con parmetro de nocentralidad . 1.1.2 Otras pruebas no paramtricas

1.1.3 Anlisis de varianza

1.1.4 Control estadstico de la calidad

Matemticas financieras

La matemtica financiera es una rama de la matemtica aplicada que estudia las variaciones cuantitativas que se producen en los capitales financieros en el transcurso del tiempo. El tema naturalmente tiene una cercana relacin con la disciplina de la economa financiera, pero su objeto de estudio es ms angosto y su enfoque ms abstracto. Los dos grandes bloques de operaciones financieras que estudia se dividen en operaciones simples (con un solo capital) y complejas (las denominadas rentas, que involucran corrientes de pagos como es el caso de las cuotas de un prstamo). Se entiende por operacin financiera la sustitucin de uno o ms capitales por otro u otros equivalentes en distintos momentos de tiempo, mediante la aplicacin de una ley financiera. La ley financiera que se aplique puede ser mediante un rgimen de inters simple cuando los intereses generados en el pasado no se acumulan y, por tanto, no generan, a su vez, intereses en el futuro. Los intereses se calculan sobre el capital original. Si se trabaja en un rgimen de capitalizacin compuesta los intereses generados en el pasado s se acumulan al capital original y generan, a su vez, intereses en el futuro (los intereses se capitalizan). Segn el sentido en el que se aplica la ley financiera existen operaciones de capitalizacin: cuando se sustituye un capital presente por otro capital futuro y de actualizacin o de descuento: cuando se sustituye un capital futuro por otro capital presente. 2.1 Inters compuesto

El inters compuesto representa el costo del dinero, beneficio o utilidad de un capital Inicial (PV) o principal a una tasa de inters (i) durante un perodo (t), en el cual los intereses que se obtienen al final de cada perodo de inversin no se retiran sino que se reinvierten o aaden al capital inicial, es decir, se capitalizan. Para un perodo sera, Valor final (VF) = Valor inicial (V) ms inters

A=P(1+i)n Ahora, intercambiando A por Vf y P por V para un primer perodo se obtiene: VF=V(1+i) Ahora empleando esto para un segundo perodo VF=V1+i(1+i) VF=V(1+i)2 Ahora empleando esto para un tercer perodo VF=V1+i2(1+i) VF=V(1+i)3 Generalizando se obtiene la frmula de inters compuesto: VF=V(1+i)n Donde: VF es el valor final; V es el valor inicial; i inters del perodo y n el nmero de perodos. 2.2 Ecuaciones de valores equivalentes

Un problema bsico en las operaciones financieras es el de las inversiones equivalentes, es decir que, en valor y tiempo, produzcan el mismo resultado econmico, esto se expresa en ecuaciones de valores equivalentes. Un mismo valor situado en fechas diferentes es, desde el punto de vista financiero, un valor diferente. Usted no debe olvidar que solo se pueden sumar, restar o igualar dineros ubicados en una misma fecha. Estas ecuaciones son las que se forman igualando, en una fecha focal o de comparacin las sumas e los valores en fecha escogida de dos conjuntos diferentes de obligaciones. Ej. Determine la cantidad que debe pagarse en un solo pago trimestral vencido para saldar una deuda de 3 pagos mensuales vencidos de $100. Si el dinero cambia de valor a una tasa del 2% mensual capitalizable mensualmente. Primero debemos hacer la grfica que relacione las cantidades en el tiempo, esta grfica se le conoce comnmente como diagrama de flujo de caja.

X (Pago trimestral)

$100

$100

$100

1 2 Mes transcurrido

Hay varias formas de igualar el pago trimestral desconocido X con el valor al cual equivalen los pagos mensuales. Todas estas formas es variando la fecha o el punto en el tiempo de referencia (fecha focal). Una manera es considerando la fecha focal ubicada en el pago trimestral. Quedando de la siguiente forma: X=$100(1+ 0.02)2 + $100(1+ 0.02)1 + $100=$306.04 2.3 Anualidades simples

Anualidad simple.- Este tipo de anualidad se presenta cuando el periodo de pago coincide con el de capitalizacin de los intereses. Un ejemplo sera: el pago de una renta mensual x con intereses al 18% anual capitalizable mensualmente. 2.4 Anualidades generales

Una anualidad general es aquella en la cual no coinciden los periodos de capitalizacin con los periodos de pago. Las anualidades generales se dividen en dos tipos: 1. Aquellas cuyos pagos se realizan con menor frecuencia que la capitalizacin de intereses. Por ejemplo, se realizan 4 pagos anuales de $ 55,000.00 cada uno y los intereses se capitalizan cada semestre.

2.

Los pagos se realizan con mayor frecuencia que la capitalizacin de intereses. Por ejemplo, se realizan 6 pagos mensuales de $ 250.00 cada uno y los intereses se capitalizan cada trimestre.

Para resolver un problema de anualidad general es necesario modificarlo de tal manera que los periodos de pago y los periodos de capitalizacin coincidan. Es decir, es necesario modificar la anualidad general en una anualidad simple equivalente. Existen, bsicamente, dos formas de convertir anualidades generales en anualidades simples: 1. 2. Se reemplazan los pagos originales por pagos equivalentes que coincidan con las fechas de capitalizacin de intereses. Se cambia la tasa de inters dada por una tasa equivalente en la cual el nuevo periodo de capitalizacin coincida con el periodo de pago. Tablas y fondos de amortizacin

1.1

1.2

Aplicacin de casos

Investigacin de operaciones

La Investigacin de Operaciones o Investigacin Operativa, es una rama de las Matemticas consistente en el uso de modelos matemticos, estadstica y algoritmos con objeto de realizar un proceso de toma de decisiones. Frecuentemente, trata del estudio de complejos sistemas reales, con la finalidad de mejorar (u optimizar) su funcionamiento. La investigacin de operaciones permite el anlisis de la toma de decisiones teniendo en cuenta la escasez de recursos, para determinar cmo se puede optimizar un objetivo definido, como la maximizacin de los beneficios o la minimizacin de costes. 2.1 Origen y desarrollo

Cuando comenz la Segunda Guerra Mundial, haba un pequeo grupo de investigadores militares, encabezados por A.P. Rowe, interesados en el uso militar de una tcnica conocida como radio ubicacin (o radio-localizacin), que desarrollaron cientficos civiles. Algunos historiadores consideran que esta investigacin es el punto inicial de la investigacin de operaciones.

Otros creen que los estudios que tienen las caractersticas del trabajo de investigacin de operaciones aparecen posteriormente. Algunos consideran que su comienzo est en el anlisis y solucin del bloqueo naval de Siracusa que Arqumedes presentara al tirano de esa ciudad, en el siglo III A.C. F. W. Lanchester, en Inglaterra, justo antes de la primera guerra mundial, desarroll relaciones matemticas sobre la potencia balstica de las fuerzas opositoras, que si se resolvan tomando en cuenta el tiempo, podan determinar el resultado de un encuentro militar. Toms Edison tambin realiz estudios de guerra antisubmarina. Ni los estudios de Lanchester ni los de Edison tuvieron un impacto inmediato; junto con los de Arqumedes, constituyen viejos ejemplos del empleo de cientficos para determinar la decisin ptima en las guerras, optimizando los ataques. No mucho despus de que estallara la Segunda Guerra Mundial, la Badswey Research Station, bajo la direccin de Rowe, particip en el diseo de utilizacin ptima de un nuevo sistema de deteccin y advertencia prematura, denominado radar (Radio Detection And Ranging Deteccin y medicin de distancias mediante radio). Poco despus este avance sirvi para el anlisis de todas las fases de las operaciones nocturnas, y el estudio se constituy en un modelo de los estudios de investigacin de operaciones que siguieron. En agosto de 1940 se organiz un grupo de investigacin, bajo la direccin de P. M. S. Blackett, de la Universidad de Manchester, para estudiar el uso de un nuevo sistema antiareo controlado por radar. Se conoci al grupo de investigacin como el Circo de Blackett, nombre que no parece desatinado a la luz de sus antecedentes y orgenes diversos. El grupo estaba formado por tres fisilogos, dos fisicomatemticos, un astrofsico, un oficial del ejrcito, un topgrafo, un fsico general y dos matemticos. Parece aceptarse comnmente que la formacin de este grupo constituye el inicio de la investigacin de operaciones. Blackett y parte de su grupo, participaron en 1941 en problemas de deteccin de barcos y submarinos mediante un radar auto transportado. Este estudio condujo a que Blackett fuera nombrado director de Investigacin de Operacin Naval del Almirantazgo Britnico. Posteriormente, la parte restante de su equipo pas a ser el grupo de Investigacin de Operaciones de la Plana de Investigacin y Desarrollo de la Defensa Area, y luego se dividi de nuevo para formar el Grupo de Investigacin de Operaciones del Ejrcito. Despus de la guerra, los tres servicios tenan grupos de investigacin de operaciones. Como ejemplo de esos primeros estudios est el que plante la Comandancia Costera que no lograba hundir submarinos enemigos con una nueva bomba antisubmarina. Las bombas se preparaban para explotar a profundidades de no menos de 30 m. Despus de estudios detallados, un profesor apellidado Williams lleg a la conclusin de que la mxima probabilidad de muerte ocurrira con ajustes para profundidades entre 6 y 7 m. Entonces se prepararon las bombas para mnima profundidad posible de

10 m, y los aumentos en las tasas de muertes, segn distintas estimaciones, se incrementaron entre un 400 y un 700%. De inmediato se inici el desarrollo de un mecanismo de disparo que se pudiera ajustar a la profundidad ptima de 6 a 7m. Otro problema que consider el Almirantazgo fueron las ventajas de los convoyes grandes frente a los pequeos. Los resultados fueron a favor de los convoyes grandes. A pocos meses de que Estados Unidos entrara en la guerra, en la fuerza area del ejrcito y en la marina se iniciaron actividades de investigacin de operaciones. Para el Da D (invasin aliada de Normanda), en la fuerza area se haban formado veintisis grupos de investigacin de operaciones, cada uno con aproximadamente diez cientficos. En la marina se dio un proceso semejante. En 1942, Philip M. Morris, del Instituto Tecnolgico de Massachussets, encabez un grupo para analizar los datos de ataque marino y areo en contra de los submarinos alemanes. Luego se emprendi otro estudio para determinar la mejor poltica de maniobrabilidad de los barcos en convoyes a fin de evadir aeroplanos enemigos, e incluso los efectos de la exactitud antiarea. Los resultados del estudio demostraron que los barcos pequeos deberan cambiar su direccin gradualmente. Al principio, la investigacin de operaciones se refera a sistemas existentes de armas y a travs del anlisis, tpicamente matemtico, se buscaban las polticas ptimas para la utilizacin de esos sistemas. Hoy da, la investigacin de operaciones todava realiza esta funcin dentro de la esfera militar; sin embargo, lo que es mucho ms importante, ahora se analizan las necesidades del sistema de operacin con modelos matemticos, y se disea un sistema (o sistemas) de operacin que ofrezca la capacidad ptima. El xito de la investigacin de operaciones en la esfera de lo militar qued bastante bien documentado hacia finales de la Segunda Guerra Mundial. El general Arnold encarg a Donald Douglas, de la Douglas Aircraft Corporation, en 1946, la direccin de un proyecto Research And Development (RAND Investigacin y Desarrollo) para la Fuerza Area. La corporacin RAND desempea hoy da un papel importante en la investigacin que se lleva a cabo en la Fuerza Area. A partir del inicio de la investigacin de operaciones como disciplina, sus caractersticas ms comunes son: Enfoque de sistemas. Modelado matemtico. Enfoque de equipo.

Estas caractersticas prevalecieron a ambos lados del Atlntico, a partir del desarrollo de la investigacin de operaciones durante la Segunda Guerra Mundial. Para maximizar la capacidad militar de entonces, fue necesario un enfoque de sistemas. Ya no era tiempo de tomar decisiones de alto nivel sobre la

direccin de una guerra que exiga sistemas complicados frente a la estrategia de guerras anteriores o como si se tratara de un juego de ajedrez. La computadora digital y el enfoque de sistemas fueron preludios necesarios del procedimiento matemtico de los sistemas militares de operaciones. Las matemticas aplicadas haban demostrado su utilidad en el anlisis de sistemas econmicos, y el uso de la investigacin de operaciones en el anlisis de sistemas demostr igualmente su utilidad. Para que un anlisis de un sistema militar de operaciones fuera tecnolgicamente factible, era necesario tener una comprensin tcnica adecuada, que tomara en cuenta todas las subcomponentes del sistema. En consecuencia, el trabajo de equipo result ser tan necesario como efectivo. 1.1 Enfoque de modelado en la investigacin de operaciones

1.2

Programacin lineal

La Programacin Lineal es un procedimiento o algoritmo matemtico mediante el cual se resuelve un problema indeterminado, formulado a travs de ecuaciones lineales, optimizando la funcin objetivo, tambin lineal. Consiste en optimizar (minimizar o maximizar) una funcin lineal, denominada funcin objetivo, de tal forma que las variables de dicha funcin estn sujetas a una serie de restricciones que expresamos mediante un sistema de inecuaciones lineales. Las variables son nmeros reales mayores o iguales a cero. Xi0 En caso que se requiera que el valor resultante de las variables sea un nmero entero, el procedimiento de resolucin se denomina Programacin entera. Las restricciones pueden ser de la forma: Tipo 1: Aj=i=1Nai,j Xi Tipo 2: Bji=1Nbi,j Xi Tipo 3: Cji=1NCi,j Xi Donde: A = valor conocido a ser respetado estrictamente; B = valor conocido que debe ser respetado o puede ser superado;

C = valor conocido que no debe ser superado; j = nmero de la ecuacin, variable de 1 a M (nmero total de restricciones); a; b; y, c = coeficientes tcnicos conocidos; X = Incgnitas, de 1 a N; i = nmero de la incgnita, variable de 1 a N. En general no hay restricciones en cuanto a los valores de N y M. Puede ser N = M; N > M; , N < M. Sin embargo si las restricciones del Tipo 1 son N, el problema puede ser determinado, y puede no tener sentido una optimizacin. Los tres tipos de restricciones pueden darse simultneamente en el mismo problema. La funcin objetivo puede ser: Max!=i=1NfiXi Min!=i01NfiXi Donde: f = coeficientes son relativamente iguales a cero. 1.3 1.4 1.5 Administracin de proyectos Introduccin a la teora de decisiones Introduccin a la teora de juegos

Los psiclogos destacan la importancia del juego en la infancia como medio de formar la personalidad y de aprender de forma experimental a relacionarse en sociedad, a resolver problemas y situaciones conflictivas. Todos los juegos, de nios y de adultos, juegos de mesa o juegos deportivos, son modelos de situaciones conflictivas y cooperativas en las que podemos reconocer situaciones y pautas que se repiten con frecuencia en el mundo real. El estudio de los juegos ha inspirado a cientficos de todos los tiempos para el desarrollo de teoras y modelos matemticos. La estadstica es una rama de las matemticas que surgi precisamente de los clculos para disear estrategias vencedoras en juegos de azar. Conceptos tales como probabilidad, media ponderada y distribucin o desviacin estndar, son trminos acuados por la estadstica matemtica y que tienen aplicacin en el anlisis de juegos de azar o en las frecuentes situaciones sociales y

econmicas en las que hay que adoptar decisiones y asumir riesgos ante componentes aleatorios. Pero la teora de juegos tiene una relacin muy lejana con la estadstica. Su objetivo no es el anlisis del azar o de los elementos aleatorios sino de los comportamientos estratgicos de los jugadores. En el mundo real, tanto en las relaciones econmicas como en las polticas o sociales, son muy frecuentes las situaciones en las que, al igual que en los juegos, su resultado depende de la conjuncin de decisiones de diferentes agentes o jugadores. Se dice de un comportamiento que es estratgico cuando se adopta teniendo en cuenta la influencia conjunta sobre el resultado propio y ajeno de las decisiones propias y ajenas. La tcnica para el anlisis de estas situaciones fue puesta a punto por un matemtico, John von Neumann. A comienzos de la dcada de 1940 trabaj con el economista Oskar Morgenstern en las aplicaciones econmicas de esa teora. El libro que publicaron en 1944, "Theory of Games and Economic Behavior", abri un insospechadamente amplio campo de estudio en el que actualmente trabajan miles de especialistas de todo el mundo. La Teora de Juegos ha alcanzado un alto grado de sofisticacin matemtica y ha mostrado una gran versatilidad en la resolucin de problemas. Muchos campos de la Economa Equilibrio General, distribucin de costes, etc. se han visto beneficiados por las aportaciones de este mtodo de anlisis. En el medio siglo transcurrido desde su primera formulacin el nmero de cientficos dedicados a su desarrollo no ha cesado de crecer. Y no son slo economistas y matemticos sino socilogos, politlogos, bilogos o psiclogos. Existen tambin aplicaciones jurdicas: asignacin de responsabilidades, adopcin de decisiones de pleitear o conciliacin, etc. Hay dos clases de juegos que plantean una problemtica muy diferente y requieren una forma de anlisis distinta. Si los jugadores pueden comunicarse entre ellos y negociar los resultados se tratar de juegos con transferencia de utilidad (tambin llamados juegos cooperativos), en los que la problemtica se concentra en el anlisis de las posibles coaliciones y su estabilidad. En los juegos sin transferencia de utilidad, (tambin llamados juegos no cooperativos) los jugadores no pueden llegar a acuerdos previos; es el caso de los juegos conocidos como "la guerra de los sexos", el "dilema del prisionero" o el modelo "halcn-paloma". Los modelos de juegos sin transferencia de utilidad suelen ser bipersonales, es decir, con slo dos jugadores. Pueden ser simtricos o asimtricos segn que los resultados sean idnticos desde el punto de vista de cada jugador. Pueden ser de suma cero, cuando el aumento en las ganancias de un jugador implica una disminucin por igual cuanta en las del otro, o de suma no nula en caso contrario, es decir, cuando la suma de las ganancias de los jugadores puede aumentar o disminuir en funcin de sus decisiones. Cada jugador puede tener opcin slo a dos estrategias, en los juegos biestratgicos, o a muchas. Las estrategias pueden ser puras o mixtas;

stas consisten en asignar a cada estrategia pura una probabilidad dada. En el caso de los juegos con repeticin, los que se juegan varias veces seguidas por los mismos jugadores, las estrategias pueden ser tambin simples o reactivas, si la decisin depende del comportamiento que haya manifestado el contrincante en jugadas anteriores.