Professional Documents
Culture Documents
PUBLICACIONES SIASW - MEXICO
2015
Indice general
1. Introduccion
1.1. Que es estadstica? . . . . . . . . . . . . . . . . . . . . . . . . . . .
y la muestra . . . . . . . . . . . . . . . . . . . . . . .
1.2. La poblacion
1.3. Estadstica descriptiva e inferencial . . . . . . . . . . . . . . . . . .
1
1
1
2
2. Estadstica descriptiva
2.1. Variables y Datos . . . . . . . . . . . . . . . .
2.1.1. Tipos de variables . . . . . . . . . . . .
de datos con graficas . . . . . . .
2.2. Descripcion
2.2.1. Graficas para datos cualitativos . . . .
2.2.2. Graficas para datos cuantitativos . . .
de datos con medidas numericas
2.3. Descripcion
2.3.1. Media, mediana y moda . . . . . . . .
estandar . . . .
2.3.2. Varianza y desviacion
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5
. 5
. 6
. 7
. 7
. 9
. 15
. 15
. 17
3. Probabilidad
3.1. Espacio muestral y eventos . . . .
3.2. Algebra
de eventos . . . . . . . .
3.3. Axiomas de probabilidad . . . . .
3.4. Espacios de probabilidad discreta
3.5. Independencia . . . . . . . . . .
3.6. Probabilidad condicional . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
23
23
26
26
28
29
30
35
35
39
40
5. Distribuciones especiales
5.1. Distribuciones de probabilidad discretas . . . . . . . . . . .
de probabilidad binomial . . . . . .
5.1.1. La distribucion
de probabilidad de Poisson . . . . .
5.1.2. La distribucion
de probabilidad Hipergeometrica . .
5.1.3. La distribucion
5.2. Distribuciones de probabilidad continuas . . . . . . . . . .
de probabilidad uniforme continua .
5.2.1. La distribucion
de probabilidad exponencial . . . .
5.2.2. La distribucion
de probabilidad normal . . . . . . .
5.2.3. La distribucion
43
43
43
46
47
48
48
48
48
III
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1. Introduccion
Contenido
1.1. Que es estadstica? . . . . . . . . . . . . . . . . . . . . . . . . .
y la muestra . . . . . . . . . . . . . . . . . . . . .
1.2. La poblacion
1.1.
Que es estadstica?
1.2.
y la muestra
La poblacion
La poblacion es el cuerpo grande de medidas o datos y es el interes principal, y la muestra es un subconjunto seleccionado de e ste. Por ejemplo, podemos
tener todos los habitantes de un estado dado, o todas las televisiones produ pasado por un fabricante en particular, o todos los hogares en
cidas en el ano
CAPITULO
1. INTRODUCCION
Aunque en la mayora de los casos estamos interesados ante todo en la po e sta puede ser difcil o imposible de enumerar. Por ejemplo, imagnese
blacion,
poder registrar la preferencia presidencial de cada uno de los votantes registrados en Mexico ! En su lugar, tratamos de describir o predecir el comportamiento
de la poblacion en base de la informacion obtenida de una muestra representativa a
partir de la poblacion.
Las palabras muestra y poblacion tienen dos significados para la mayora de
1.3.
1.3. ESTADISTICA
DESCRIPTIVA E INFERENCIAL
en general.
observar la muestra, se desea responder cuestiones de la poblacion
La rama de la estadstica que trata con estos problemas es llamada estadstica
inferencial.
La estadstica inferencial consiste en procedimientos usados para hacer infe a partir de la informacion
contenida
rencias sobre caractersticas de la poblacion
CAPITULO
1. INTRODUCCION
Ejercicios
Tecnicas basicas
o muestra? Para ca1.1 Poblacion
da una de las siguientes situaciones,
de interes, el
identificar la poblacion
objetivo inferencial
a Se quiere estimar la propor de neumaticos de automovi
cion
les con la banda de rodadura
entre todos los
sin proteccion
neumaticos fabricados por una
a especfica durante el
compan
de produccion
actual.
ano
b Un cientfico medico quiere es promedio de
timar la duracion
tiempo hasta la recurrencia de
una enfermedad determinada.
c Un ingeniero electrico quiere de promedio
terminar si la duracion
de vida de transistores de cierto
tipo es mayor a 500 horas.
2. Estadstica descriptiva
Contenido
2.1. Variables y Datos . . . . . . . . . . . . . . . . .
2.1.1. Tipos de variables . . . . . . . . . . . . .
de datos con graficas . . . . . . .
2.2. Descripcion
2.2.1. Graficas para datos cualitativos . . . . .
2.2.2. Graficas para datos cuantitativos . . . .
de datos con medidas numericas
2.3. Descripcion
2.3.1. Media, mediana y moda . . . . . . . . .
estandar . . . . .
2.3.2. Varianza y desviacion
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 5
. 6
. 7
. 7
. 9
. 15
. 15
. 17
Objetivo: Describir un conjunto de datos mediante tablas de frecuencias, graficas y medidas numericas, dependiendo el tipo de variable que es medida.
2.1.
Variables y Datos
CAPITULO
2. ESTADISTICA
DESCRIPTIVA
Un dato bivariado resulta cuando dos variables son medidas en una unica
y duracion
de 15 prounidad experimenta. Por ejemplo, si se mide la inversion
yectos.
Un dato multivariado resulta cuando tres o mas variables son medidas en
la estauna unica
unidad experimental. Por ejemplo, si medimos la profesion,
tura, edad y el sexo de una persona resulta un medida multivariada.
2.1.1.
Tipos de variables
Profesion.
Las variables cuantitativas producen datos numerico, las cuales las representaremos por la letra X. Por ejemplo:
X = Numero
de habitantes.
X = Volumen de agua en una botella.
discreta solo
finito o contable (correspondientes a
los numeros
naturales, X = 0, 1, 2, ...) de valores y una variable continua puede
adquirir muchos valores de manera infinita correspondientes a los puntos de
un intervalo (por ejemplo, 0 < X < ).
La Figura 2.1 describe los tipos de datos que tenemos definidos.
2.2. DESCRIPCION
Datos
Cualitativas
Cuantitativas
Discretos
Continuos
2.2.
2.2.1.
Supongamos que se han recolectado los datos. Podemos resumir los datos mostrando los valores de variables medidas y la frecuencia con la que han
ocurrido construyendo tablas estadsticas, que pueden ser usadas para mostrar
de datos.
graficamente los datos como una distribucion
Cuando la variable es cualitativa, la tabla estadstica es una lista de las categoras consideradas con una medida de con que frecuencia ha ocurrido cada
valor.
Tablas de frecuencias y graficas
numero
de veces que aparece un determinado valor de la variable. Consideremos un conjunto de datos que consiste de n valores. Si f es la frecuencia de un
f /n es llamada su frecuencia relativa. Esto
valor en particular, entonces la razon
de los datos
es, la frecuencia relativa de un conjunto de valores es la proporcion
que tienen ese valor,
Frecuencia relativa =
frecuencia
.
n
La lista de las categoras con la frecuencia o frecuencia relativa correspondiente es llamada tabla de frecuencias o tabla de frecuencias relativas, respectivamente; ambas son tablas estadsticas.
CAPITULO
2. ESTADISTICA
DESCRIPTIVA
Ejemplo 2-1
Se tiene una lista de 11 proyectos, donde cada proyecto tiene ciertas especifica de lo que se hara, plazo estimado, inversion,
etc.
ciones tales como: descripcion
Podemos categorizar cada proyecto en: Servicio, Rescate, Seguimiento y Taller.
La Tabla 2.1 muestra la frecuencia de cada tipo de proyecto en una comunidad
del Pas, de donde se observa que, el tipo de proyecto con menor frecuencia
son de Seguimiento y Taller mientras que el de mayor frecuencia es de Rescate. La Tabla 2.2 muestra frecuencia relativa de cada categora de los proyectos.
Tipo de proyecto
Frecuencia
Rescate
Seguimiento
Servicio
Taller
0 1 2 3 4 5 6
frecuencia
Rescate
Seguimiento
Servicio
Tipos de proyectos
Figura 2.2: Frecuencias de la Tabla 1
Taller
2.2. DESCRIPCION
Tipo de proyecto
Frecuencia Relativa
Rescate
0.45454545
Seguimiento
0.09090909
Servicio
0.36363636
Taller
0.09090909
Tabla 2.2: Frecuencias Relativas
Categoras
Frecuencia
Frecuencia Relativa
Porcentaje
Rescate
0.45454545
45.454545 %
Seguimiento
0.09090909
9.090909 %
Servicio
0.36363636
36.363636 %
Taller
0.09090909
9.090909 %
Tabla 2.3: Tabla estadstica para la grafica de pastel del ejemplo 2-1.
Rescate 45%
Seguimiento 9%
Taller 9%
Servicio 36%
2.2.2.
Las variables cuantitativas miden un monto o cantidad en cada unidad ex puede tomar un numero
CAPITULO
2. ESTADISTICA
DESCRIPTIVA
10
Graficas de lneas
Cuando una variable cuantitativa es registrada con el tiempo en intervalos de tiempo igualmente espaciados (tales como diariamente, semanalmente,
mensualmente o de manera anual), el conjunto de datos forma un serie de tiempo. Los datos de series de tiempo son presentados con mayor eficiencia en una
grafica de lneas con el tiempo como eje horizontal. Estos graficos son utilizados
o tendencia.
para mostrar una patron
Ejemplo 2-2
Ano
Habitantes (millones)
1950
25.7
1960
34.5
1970
48.2
1980
66.8
1990
81.2
Habitantes (millones)
1960
1970
1980
1990
Aos
2.2. DESCRIPCION
11
Polgono de frecuencias
Frecuencia
10
10
11
12
13
14
15
Frecuencia
10
8
6
4
2
0
5
10
11
12
13
14
Salario inicial
Figura 2.5: Polgono de frecuencias de la Tabla 2.5
15
CAPITULO
2. ESTADISTICA
DESCRIPTIVA
12
Histogramas y ojivas
3997
49
419
980
3111
3061
2203
426
4999
74
19
1249
2650
4597
2254
54
234
119
99
2979
3771
4507
2250
79
349
59
899
3314
2524
4857
2203
53
444
89
999
399
1285
4543
2203
282
321
74
1249
2000
2491
4579
4133
40
199
709
2979
179
1606
4819
2964
74
149
989
3314
299
4905
4579
450
51
589
39
579
499
2507
1685
4904
39
299
74
199
1497
1666
4293
2595
41
2.2. DESCRIPCION
13
Frecuencia
(Numero
de valores de los datos en
Intervalo de Clase
el intervalo)
0-500
34
500-1000
1000-1500
1500-2000
2000-2500
2500-3000
3000-3500
3500-4000
4000-4500
4500-5000
10
35
25
15
0 5
Nmero de ocurrencia
10
15
20
25
30
35
40
45
50
Algunas veces estamos interesados en el trazo de un grafico de una frecuencia acumulada (o frecuencia relativa acumulada). Un punto en el eje horizontal
de tal grafico representa un valor posible de los datos; su trazo vertical corres
de los datos cuyos valores son
pondiente proporciona el numero
(o proporcion)
menores que o iguales a e ste. Una grafica de frecuencia relativa acumulada de
los datos de la Tabla 2.7 esta dada en la Figura 2.7. Podemos concluir de la figura que 100 por ciento de los datos son menores a 5000, aproximadamente 50
por ciento son menores o iguales a 1000, aproximadamente un poco mas del 80
por ciento son menores que o iguales a 4000 y as sucesivamente. Un grafico de
frecuencias acumuladas es llamado una Ojiva, esto es que, permite ver cuantas
observaciones se encuentran por encima o debajo de ciertos valores, en lugar de
CAPITULO
2. ESTADISTICA
DESCRIPTIVA
14
1.0
0.8
0.6
0.4
0.2
0.0
0
1000
2000
3000
4000
5000
Compras
Figura 2.7: Un grafico de frecuencia acumulada
Hoja
7, 9
Ejemplo 2-3
La Tabla 2.8 da 35 cantidades de temperaturas medidas en grados Celsius en
diferentes localidades del pas. Estos datos son representadas en la siguiente
grafica de tallo y hoja.
1
2
3
4
9.0, 9.8
3.1, 4.1, 5.3, 5.8, 6.2, 9.0, 9.5
0.0, 1.0, 2.4, 3.6, 3.7, 4.8, 5.0, 5.2, 6.0
0.0, 0.3, 1.0, 1.5, 2.1, 2.4
2.3. DESCRIPCION
Localidad
Grados Celsius
Localidad
Grados Celsius
19.0
13
23.1
24.1
14
30.0
40.0
15
19.8
25.3
16
40.3
32.4
17
41.0
25.8
18
29.0
26.2
19
31.0
33.6
20
29.5
34.8
21
33.7
10
35.2
22
42.4
11
41.5
23
36.0
12
35.0
24
42.1
15
2.3.
Utilizaremos medidas numericas calculadas por una muestra o una pobla de datos. Estas medidas son llamadas parametros cuando son asociados a la
cion
de datos y son llamados estadsticos cuando son calculados a partir de
poblacion
datos muestrales.
2.3.1.
x1 + x2 + + xn
n
CAPITULO
2. ESTADISTICA
DESCRIPTIVA
16
corta como
o en notacion
x =
n
X
xi /n.
i=1
Ejemplo 2-4
de 10 aspirantes a
Las siguientes cantidades son los registros de una evaluacion
una gerencia:
84, 80, 77, 82, 79, 85, 81, 83, 78, 76.
Encontrar la media muestral de estos registros.
La media de los registros es:
Solucion.
84 + 80 + 77 + 82 + 79 + 85 + 81 + 83 + 78 + 76
10
= 80.5
x =
Ejemplo 2-5
Consideremos la siguiente tabla de frecuencia de edades de miembros de una
orquesta sinfonica
de jovenes
adultos.
Edad
Frecuencia
15
16
17
11
18
19
14
20
13
2.3. DESCRIPCION
17
Puesto que hay 54 valores de los datos, se sigue que cuando los datos
Solucion.
se colocan en un orden creciente, la mediana es el promedio de los valores en
las posiciones 27 y 28. As, la mediana muestral es 18.5
Ejemplo 2-6
La siguiente tabla de frecuencias da los valores obtenidos en 40 lanzamientos
de un dado.
Valor del dado
Frecuencia
2.3.2.
estandar
Varianza y desviacion
Podemos observar que los conjuntos de datos pueden tener el mismos cen o propagacion de los datos destro con distinto aspecto, debido a la distribucion
CAPITULO
2. ESTADISTICA
DESCRIPTIVA
18
cion)
La desviacion de un dato,
sera mayor que si las distancias sean mas pequena.
Los datos a la derecha de la media
digamos xi , respecto de la media x es (xi x).
producen desviaciones positivas y los datos a la izquierda de la media producen
desviaciones negativas.
sobre la
Las desviaciones de un conjunto de datos contienen informacion
variabilidad de los datos. Es natural considerar el promedio de las desviaciones
como una medida numerica de la variabilidad de los datos, el problema es que
la suma de las desviaciones es cero. Una alternativa es considerar el promedio
del valor absoluto de las desviaciones. Sin embargo, vamos a considerar la suma
de los cuadrados, de donde surgira una medida llamada varianza.
Usaremos el smbolo s2 para una varianza muestral y el smbolo 2 para
una varianza poblacional.
de N datos es el promedio de los cuadrados
La varianza de una poblacion
de las desviaciones de los datos respecto a la media y es denotada por 2 . Esto
es, si x1 , x2 , ..., xN son los valores de un conjunto de N datos, entonces
2 =
n
X
(xi )2 /(N ).
i=1
Por razones tecnicas divide la suma de los cuadrados de las desviaciones por
n 1, en lugar de n.
Ejemplo 2-7
Encontrar la varianza muestral de los conjuntos de datos A y B dados abajo.
A : 3, 4, 6, 7, 10
B : 20, 5, 15, 24
2.3. DESCRIPCION
19
Ejemplo 2-8
estandar de los conjuntos A y B del Ejemplo 2-7.
Calcular la desviacion
Los conjuntos A y B tienen varianzas iguales a 7.5 y 360.67, respecSolucion.
estandar para el conjunto A es s 2.74, para el
tivamente. As, la desviacion
conjunto B es s 19.
CAPITULO
2. ESTADISTICA
DESCRIPTIVA
20
Ejercicios
de los conceptos
Comprension
2.1 Unidades experimentales Identificar las unidades experimentales en las
cuales las siguientes variables son medidas:
a. Genero de un estudiante.
d. Numero
de consumidores en una
encuesta de 1000 que consideran
importante el etiquetado nutricional de los productos.
Tecnicas basicas
b. Numero
de errores en un examen
parcial.
c. Edad de un paciente con cancer.
d. Color de un carro entrando a un
estacionamiento.
2.2 Cualitativas o cuantitativas Identificar cada una de las variables como
cuantitativa o cualitativa:
a. Cantidad de tiempo que se necesita para armar un rompecabezas
sencillo.
b. Numero
de estudiantes en un
de clases de primer grado.
salon
de un poltico rec. Clasificacion
cien elegido (excelente, bueno,
regular, malo).
d. Estado en el que una persona vive.
y D. El numero
de personas que caen
en cada categora se muestra en la siguiente tabla:
Categora
A
B
C
D
Frecuencia
11
14
20
5
como
discretas o continuas:
2.3. DESCRIPCION
3.1
4.5
2.9
2.7
3.8
5.1
2.5
3.6
4.3
5.6
4.9
3.5
2.1
4.0
6.2
1.8
3.6
6.1
5.7
4.9
2.8
3.7
3.5
4.4
2.5
5.6
5.1
4.7
3.7
4.2
3.6
4.1
4.0
3.7
2.9
2.2
4.8
3.9
4.6
3.1
2.5
4.9
3.7
4.2
2.8
3.4
1.6
3.9
4.0
3.9
mas pequenas.
c. Encuentra las octava y novena
observaciones mas grandes.
2.6 En referencia al Ejercicio 2.5. Construir un histograma de frecuencias relativas para los datos.
a. Aproximadamente, cuantos intervalos de clase se deben usar?
b. Suponer que se decide usar intervalos que inician en 1.6 con longitud de clase igual a .5 (es decir,
de 1.6 a 2.1, 2.1 a 2.6) Construir
un histograma de frecuencias relativas para los datos.
de las mediciones
c. Que fraccion
son menores que 5.1?
de las mediciones
d. Que fraccion
son mayores que 3.6?
1
2
2
0
2
1
2
1
1
1
1
2
0
0
1
1
21
2
0
0
1
93
86
89
68
91
82
67
65
86
76
62
75
55
57
72
84
a. Calcular x.
muestra aqu:
b. Encontrar m.
CAPITULO
2. ESTADISTICA
DESCRIPTIVA
22
a. Calcular la media, x.
siguiente tabla (www.starbucks.com).
b. Calcular la varianza, s2 , usando
la formula
dada por la defini16 7 2
6 4
cion.
1 7 1
1 1
estandar
c. Encontrar la desviacion
3 2 11 1
s.
5 1 4 12
a. Encontrar la media, la mediana y
la moda.
b. Comparar la media y la mediana.
Que se puede decir acerca de la
d. Encontrar s2 y s, usando la
formula
para calcularlas. Comparar los resultados con aquellos
encontrados en la parte b y c.
e. Encontrar en rango.
3. Probabilidad
Contenido
3.1.
3.2.
3.3.
3.4.
3.5.
3.6.
Algebra
de eventos . . . . . . . . .
Axiomas de probabilidad . . . . .
Espacios de probabilidad discreta
Independencia . . . . . . . . . . .
Probabilidad condicional . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
23
26
26
28
29
30
3.1.
obtiene un observacion
las cuales pueden o no ser valores numericos. Por ejemplo,
Mediciones diariamente de lluvia.
Lanzar una moneda y observar la cara que aparece.
de un examen.
Registro de la calificacion
El resultado de un experimento realizado es llamado evento simple, denotado por la letra A con un subindice.
El conjunto de todos los posibles resultados de un experimento aleatorio es
llamado el espacio muestral del experimento y es denota por S.
23
CAPITULO
3. PROBABILIDAD
24
Ejemplo 3-1
Supongamos que se lanza una moneda. El espacio muestral para este experimento es S = {cara00 , sello00 }, los eventos simples son:
E1 : Cae cara
E2 : Cae sello
Los resultados de la moneda, cara y sello, se denotaran por las letras c y s,
respectivamente. As, se puede escribir S = {c, s}.
Ejemplo 3-2
E3 : Observar un 3
E5 : Observar un 5
E2 : Observar un 2
E4 : Observar un 4
E6 : Observar un 6
A: Observar un numero
impar
B: Observar un numero
menor o igual que 4
As, podemos escribir S = {E1 , E2 , E3 , E4 , E5 , E6 }, A = {E1 , E3 , E5 } y B =
{E1 , E2 , E3 , E4 }.
Para cualesquiera dos eventos A y B de un espacio muestral S, definimos
nuevos eventos:
de A y B, escrita AB, consiste de todos los resultados que
union: La union
se encuentran en A o en B o en ambos A y B:
A B = {s S|s A o s B}.
Esto es, el evento A B ocurrira si cualquiera de los dos A o B ocurren.
25
Ejemplo 3-3
Consideremos el Ejemplo 3-2. Entonces,
A B = {E1 , E2 , E3 , E4 , E5 }.
A B = {E1 , E3 }.
El complemento de un evento A, escrito Ac , consiste de todos los resultados
en el espacio muestral S que no estan en A:
Ac = {s S|s < A}.
si A no ocurre.
Esto es, Ac ocurrira si y solo
Nos referimos a un evento que no puede ocurrir como el evento nulo y lo
resultado. Luego, A B =
denostamos por . As, se refiere al evento de ningun
, implica que los eventos A y B no pueden ambos ocurrir, entonces A y B se
dicen ser mutuamente excluyentes.
resultado, se sigue que S c = .
Puesto que el experimento debe suceder algun
de union
e interseccion
de eventos definidos en un mismo
La definicion
CAPITULO
3. PROBABILIDAD
26
3.2.
Algebra
de eventos
3.3.
Axiomas de probabilidad
Dado un espacio muestral S, estamos interesados en asignar probabilidades a eventos, complemento de eventos, uniones de eventos e intersecciones de
de eventos que incluya las
eventos. As que, debemos considerar una coleccion
combinaciones de estos eventos.
Continuamos de manera formal con el problema importante de asignar
una probabilidad al resultado de un experimente y, de manera mas general, a
un evento. Hablaremos de la probabilidad P (A) asignada a un evento A. Aqu,
27
Ai .
Ejemplo 3-4
Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas, 4
bolas blancas y 5 bolas azules. Determinar la probabilidad de que sea (a) roja,
(b) blanca, (c) azul, (d) no roja y (e) roja o blanca.
(a) Denotese
Solucion.
por R, B y A los eventos a extraer una bola roja, blanca y
azul, respectivamente. Entonces
P(R) =
(b) P(B) =
4
4
=
6 + 4 + 5 15
(c) P(A) =
5
5
1
=
=
6 + 4 + 5 15 3
2 3
=
5 5
1 2
=
3 3
CAPITULO
3. PROBABILIDAD
28
3.4.
pi .
si A
En particular,
P ({si }) = pi .
Esto es, la probabilidad de un evento A se calcula mediante la suma de las probabilidades de los eventos simples en A.
N (A)
.
N (S)
tando el numero
de resultados favorables entre el numero
total de resultados.
Ejemplo 3-5
Supongamos que se lanzan dos monedas equilibradas y se registran los resultados. Encontrar la probabilidad de observar exactamente un sello.
Realizamos la lista de los eventos simples en el espacio muestral. Las
Solucion.
letras c y s significan que se observa una cara o un sello, respectivamente, en
un lanzamiento de una moneda. Debido a que las monedas estan equilibradas,
cualquiera de los eventos simples es tan probable como cualquier otro. Puesto
que la suma de los cuatro eventos simple debe ser 1, cada uno debe tener probabilidad P (Ei ) = 1/4. Los eventos simples en el espacio muestral se muestran
en la tabla ?? , junto con sus probabilidades igualmente probables. Para encontrar
P (A) = P (observar exactamente un sello), necesitamos encontrar todos los eventos simples que resulten en el evento A; a saber, E2 y E3 :
P (A) = P (E2 ) + P (E3 )
= 1/4 + 1/4
= 1/2.
3.5. INDEPENDENCIA
29
Evento
Primer lanzamiento
Segundo lanzamiento
P (Ei )
E1
E2
E3
E4
c
c
s
s
c
s
c
s
1/4
1/4
1/4
1/4
3.5.
Independencia
sobre la ocurrencia o no
Sean A y B dos eventos. Si se tiene informacion
evento B y no cambian las posibilidades de ocurrencia del
ocurrencia de algun
evento A, entonces se dice que los eventos A y B son independientes. As, A es
independiente de B si P (A B) = P (A)P (B) (la ocurrencia de B no cambia las posibilidades de la ocurrencia de A) y si P (A Bc ) = P (A)P (Bc ) (si la no ocurrencia
de B no cambia las posibilidades de la ocurrencia de A). Sin embargo, la primera
implica la segunda, por lo que llamaremos al evento A independiente
condicion
si P (A B) = P (A)P (B).
del evento B si y solo
En general, consideramos que mas de dos eventos, digamos los eventos Ai
con i I y el conjunto {i1 , ..., ir } de indices distintos, son independientes si una
relativa a uno o mas de los eventos Ai1 , ..., Air no cambian las posibideclaracion
lidades de ocurrencia acerca de cualquiera de los eventos restantes. Esto es, los
si para toda coleccion
finita de {i1 , ..., ir } de indices
Ai son independientes si y solo
distintos en I, tenemos
P (Ai1 Ai2 Air ) = P (Ai1 )P (Ai2 ) P (Air ).
En particular, para que los eventos A1 , A2 y A3 sean independientes se debe
tener que
CAPITULO
3. PROBABILIDAD
30
y ademas,
Ejemplo 3-6
Se lanzan dos monedas y se observan los resultados. Definir estos eventos:
A: Cara en la primer moneda
B: Sello en la segunda moneda
Los eventos A y B son independientes?
De ejemplos previos se sabe que S = {cc, cs, sc, ss}. Usar estos cuatro
Solucion.
eventos simples para encontrar
1
1
1
, P (B) = y P (A B) = .
2
2
4
1 1
1
Puesto que P (A)P (B) =
= , tenemos que P (A)P (B) = P (A B) y los
2 2
4
eventos deben ser independientes.
P (A) =
3.6.
Probabilidad condicional
P (A B)
P (B)
31
Ejemplo 3-7
en general, existe 51 % de hombres y 49 % de
Supongamos que en la poblacion
de hombres y mujeres daltonicos
Daltonico
(A)
No daltonico
(Ac )
Total
Hombres (B)
.04
.47
.51
Mujeres (Bc )
.002
.488
.49
Total
.042
.958
1.00
a solo
dado
que la persona es masculina, es 4 % del 51 %, o
P (A|B) =
P (A B) .04
=
= .078
P (B)
.51
P (A Bc ) .002
=
= .004
P (Bc )
.49
CAPITULO
3. PROBABILIDAD
32
o
P (A B) = P (B)P (A|B).
Si A y B son independientes, entonces
P (A B) = P (A)P (B).
Ejemplo 3-8
de petroleo
produce petroleo
o gas, y B C describe el evento que a lo mas uno de los pozos
Descripcion
Probabilidad
.80
.18
.02
33
Ejercicios
Tecnicas basicas
3.1 Lanzamiento de un dado Un
experimento involucra lanzar un dado.
Estos son los eventos:
3.3 Cuatro monedas Un frasco contiene cuatro monedas: una de 1 peso, una
de 2 pesos, una de 5 y una de 10 pesos.
Tres monedas son seleccionadas aleatoriamente del frasco:
A: Observar un 2.
B: Observar un numero
par.
C: Observar un numero
mayor
que 2.
D: Observar A y B.
E: Observar A o B o ambos.
F: Observar A y C.
a. Listar los eventos simples en el
espacio muestral.
b. Listar los eventos simples en cada uno de los eventos del A al F
c. Que probabilidades se deben
asignar a los eventos simple?
d. Calcular las probabilidades de
los seis eventos del A al F mediante la suma apropiada de probabilidades de los eventos simples.
P (A)
.3
.3
.1
.2
P (B)
.4
.4
.5
.5
P (A B)
.12
P (A B)
.7
Mutuamente exclusivos
Independientes
P (A|B)
CAPITULO
3. PROBABILIDAD
34
P (A)
.3
.3
.1
.2
P (B)
.4
.4
.5
.5
P (A B)
P (A B)
P (A|B)
.1
0
a. P (Ac )
b. P ((A B)c )
3.8 Un experimento puede resultar en
uno de los cinco eventos simples igualmente probables, E1 , E2 , E3 , E4 , E5 . Los
eventos A , B y C son definidos como:
3.10 Considerar un problema de selecA: E1 , E3
P (A = .4)
cionar dos aplicaciones para un trabajo
B: E1 , E2 , E4 , E5 P (B) = .8
de un grupo de cinco e imaginar que
C: E3 , E4
P (C) = .4
las aplicaciones son muy competentes,
Encontrar las probabilidades asocia- siendo 1 la mejor, 2 la segunda mejor,
das con estos eventos compuestos me- y as sucesivamente para 3,4 y 5. Estas
diante el listado de los eventos simples clasificaciones son desconocidas para
el empleador. Definir dos eventos A y
en cada uno.
B como:
A: El empleador selecciona la mejor
a. Ac
b. A B
c. B C
y una de las dos peores (las aplid. A B
e. B|C
f. A|B
caciones 1 y 4 o 1 y 5).
g. A B C h. (A B)c
B: El empleador selecciona al menos una de las dos mejores.
3.9 En referencia al Ejercicio 3.8. Cal- Encontrar la probabilidad de estos
eventos.
cular las siguientes probabilidades:
Contenido
4.1. Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2. Distribuciones de probabilidad . . . . . . . . . . . . . . . . . 39
4.3. Valor esperado de una variable aleatoria . . . . . . . . . . . . 40
cion.
de variable aleatoria y su funcion
de disPanorama general: Se da la definicion
tribucion.
Los eventos de mayor interes en la ciencia, ingeniera o persona de negocios
4.1.
Variables aleatorias
no son numeros.
La manera de estudiar dicho espacio sera asignando un valor
numerico a cada evento A del espacio muestral S.
Consideremos un experimento aleatorio con un espacio muestral S. Defini X que asigna a cada elemento A S
mos una variable aleatoria como una funcion
un numero
X son los
uno y solo
X(A) = x. Aqu, el espacio o rango de la funcion
numeros
reales D = {x | X(A) = x, A S} (por lo general es un conjunto contable
o un intervalo de numeros
reales).
Algunos ejemplos de variables aleatorias son:
X:= El numero
de defectos en un mueble seleccionado aleatoriamente.
X:= La suma de las cantidades observadas de las caras superiores en el
lanzamiento de dos dados.
35
CAPITULO
4. VARIABLES ALEATORIAS Y ESPERANZA
36
Ejemplo 4-1
Supongamos que se lanzan dos monedas y se observan los resultados. Sea X
igual al numero
de caras obtenidas. Identificar los eventos simples en S, asignar
un valor de X a cada evento simple e identificar los eventos simples asociados
con cada valor de la variable aleatoria X.
Suponer que c y s representan cara y sello, respectivamente. ConsideSolucion.
rar un par ordenado de smbolos para identificar los resultados de la primera
y segunda moneda. As, cs implica una cara en la primera moneda y un sello
en la segunda moneda. Entonces, los cuatro eventos simples en S son: E1 := cc,
E2 := cs, E3 := sc y E4 := ss. Los valores de X asignados a los eventos simples
Ejemplo 4-2
estamos interesados en la suma
Supongamos que se lanzan dos dados y que solo
de los dos dados. Realizamos lo siguiente:
1. Describimos el espacio muestral S del experimento aleatorio. En este caso
es:
S ={(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6, ),
(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6),
(3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6),
(4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6),
(5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6),
(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6)},
el cual consta de los 36 eventos simples A1 = (1, 1), A2 = (1, 2), ..., A36 =
(6, 6).
que asigne la suma de los resultados de los dos
2. Definimos una funcion
dados, a saber,
X((d1 , d2 )) = d1 + d2 ,
donde d1 indica el resultado del primer dado y d2 el resultado del segundo
dado.
X solo
toma los valores 2, 3, 4, 5, 6, 7, 8, 9, 10, 11
3. Observamos que la funcion
y 12.
X asigna a cada resultado (d1 , d2 ) S uno y solo
un valor X((d1 , d2 )) =
la funcion
d1 + d2 , , la cual representa la suma de los dos dados, donde d1 es resultado
X es
del primer dado y d2 es el resultado del segundo dado. Entonces la funcion
una variable aleatoria con rango {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} (que es un conjunto
finito).
37
Observemos que se pueden definir otras variables aleatorias en el espacio muestral del Ejemplo 5-2 tales como: la diferencia de los resultados (X((d1 , d2 )) =
|d1 d2 |) o la suma de los cuadrados de cada resultado (X((d1 , d2 )) = d12 + d22 ).
Ejemplo 4-3
con valores numericos es
En un espacio muestral discreto (S, F ) cada funcion
una variable aleatoria.
Evento
simple
Moneda 1
Moneda 2
P (Ei )
E1
E2
E3
E4
c
c
s
s
c
s
c
s
1/4
1/4
1/4
1/4
2
1
1
0
Eventos simples
en x
p(x)
0
1
2
E4
E2 , E3
E1
1/4
2/4
1/4
para i = 1, 2, ..., m.
CAPITULO
4. VARIABLES ALEATORIAS Y ESPERANZA
38
Ejemplo 4-4
Consideremos el espacio muestral S de la variable aleatoria discreta X del Ejemplo 4-2, definida como la suma de los resultados de los dos dados. Entonces,
El espacio finito de la variable X es D = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
Los subconjuntos de interes son:
{A S|X(A) = 2} = {(1, 1)}
{A S|X(A) = 3} = {(1, 2), (2, 1)}
{A S|X(A) = 4} = {(1, 3), (2, 2), (3, 1)}
{A S|X(A) = 5} = {(1, 4), (2, 3), (3, 2), (4, 1)}
{A S|X(A) = 6} = {(1, 5), (2, 4), (3, 5), (4, 2), (5, 1)}
{A S|X(A) = 7} = {(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)}
{A S|X(A) = 8} = {(2, 6), (3, 5), (4, 4), (5, 3), (6, 2)}
{A S|X(A) = 9} = {(3, 6), (4, 5), (5, 4), (6, 3)}
{A S|X(A) = 10} = {(4, 6), (5, 5), (6, 4)}
{A S|X(A) = 11} = {(5, 6), (6, 5)}
{A S|X(A) = 12} = {(6, 6)}
Ejemplo 4-5
Del Ejemplo 4-4 se tiene que los subconjuntos B1 = {x1 = 2} {x2 = 3} y B2 =
{x8 = 9} {x9 = 10} {x10 = 11} {x12 = 11} pertenecen al conjunto generado por
los eventos simples x1 = 2, x2 = 3, x3 = 4, x4 = 5, x5 = 6, x6 = 7, x7 = 8, x8 = 9, x9 =
10, x10 = 11 y x11 = 12, los cuales son:
B1 = {2, 3}
= {A S|X(A) 3}
= {(1, 1), (1, 2), (2, 1)},
B2 = {9, 10, 11, 12}
= {A S|X(A) 9}
= {(3, 6), (4, 5), (5, 4), (6, 3), (4, 6), (5, 5), (6, 4), (5, 6), (6, 5), (6, 6)}
El conjunto de todos los subconjuntos de D, es decir, el generado por la co de los eventos simples {{x1 }, {x2 }, ..., {xm }} se denotara por D (ver Seccion
leccion
3.3 y 3.4).
de eventos,
Puesto que tenemos un nuevo espacio muestral y una coleccion
para cualquier conjunto B D definimos
PX (B) = P [{A S|X(A) B}],
39
Decimos que PX es la probabilidad inducida sobre D mediante la variable aleatoria X. As, la probabilidad de que X tome el valor x es definida como la suma
de las probabilidades de todos los puntos muestrales en S que se les ha asignado el
valor x. Denotamos P (X = x) por p(x).
Ejemplo 4-6
Del ejemplo 4-5 tenemos que B = {2, 3} es un subconjunto de F . As,
PX (B) = P [{A S|X(A) 3}]
= P [{(1, 1), (1, 2), (2, 1)}]
= 3/36.
4.2.
Distribuciones de probabilidad
CAPITULO
4. VARIABLES ALEATORIAS Y ESPERANZA
40
de probabilidad discreta
Requisitos para una distribucion
0 p(x) 1
P
p(x) = 1
Ejemplo 4-7
de probabilidad para la variable X, definida como la suma de
La distribucion
los resultados de los dos dados, es la Tabla 4.3.
Numero
de eventos simples en x
p(x)
1/36
2/36
3/36
4/36
5/36
6/36
5/36
4/36
10
3/36
11
2/36
12
1/36
P
P (X) = 1
4.3.
41
precisa de la distribucion
de frecuencia de
Si p(x) es una caracterizacion
entonces E(x) = , la media poblacional. Por ejemplo, considerar
la poblacion,
de probabilidad
la variable aleatoria discreta del Ejemplo 4-7 con distribucion
visual revelara la media
p(x) como se muestra en la Tabla 4.3. Una inspeccion
a ser localizada en x = 7
de la distribucion
P
de probaPara mostrar que E(X) = x xp(x) es la media de la distribucion
bilidad p(x), realizar lo siguiente
Pn
=
i=1 xi
12
X
xp(x) = 7
x=2
de media
As, E(X) es un promedio y se tiene la consistencia de la definicion
dada en el captulo 2.
Si X es una variable aleatoria con media E(X) = , entonces la varianza de
una variable aleatoria X esta definida a ser el valor esperado de (X )2 . Esto es,
V (X) = E[(X )2 ].
La desviacion estandar de X es la raz cuadrada positiva de V (Y ).
precisa de la distribucion
de frecuencia de
Si p(x) es una caracterizacion
entonces E(X) = , V (X) = 2 y es la desviacion
estandar de la
la poblacion,
poblacion.
CAPITULO
4. VARIABLES ALEATORIAS Y ESPERANZA
42
Ejercicios
Tecnicas basicas
4.1 Discretas o continuas? Identificar las siguientes variables aleatorias
como discretas o continuas:
a) El numero
total de puntos registrados en un juego de futbol
a. Encontrar p(3)
e) El numero
de colisiones cercanas
en un ano
4.2
Distribucion
de
probabilidad Una variable X tiene es
ta distribucion
de probabilidad:
4.4 Jugador profesional Un golfista
0 1 2 3 4
5
x
profesional juega mejor en hoyos a disp(x) .1 .3 .4 .1 ? .05
tancia corta. Su experiencia muestra
que el numero
X de disparos requeridos
para
los
hoyos
par 3, 4 y 5 tiea. Encontrar p(4)
nen las distribuciones de probabilidad
b. Construir un histograma de pro- mostradas en la tabla:
babilidad para describir p(x)
c. Encontrar , y .
4.3 Distribucion
de probabilidad
Una variable X asume 5 valores:
Hoyo par 3
x
p(x)
2
.12
3
.80
4
.06
5
.02
Hoyo par 4
x
p(x)
3
.14
4
.80
5
.04
6
.02
Hoyo par 5
x
p(x)
4
.04
5
.80
6
.12
7
.04
5. Distribuciones especiales
Contenido
5.1. Distribuciones de probabilidad discretas . . . . . . . . . . . . 43
de probabilidad binomial . . . . . . . . 43
5.1.1. La distribucion
de probabilidad de Poisson . . . . . . . 46
5.1.2. La distribucion
de probabilidad Hipergeometrica . . . . 47
5.1.3. La distribucion
5.2. Distribuciones de probabilidad continuas . . . . . . . . . . . 48
de probabilidad uniforme continua . . . 48
5.2.1. La distribucion
de probabilidad exponencial . . . . . . 48
5.2.2. La distribucion
de probabilidad normal . . . . . . . . . 48
5.2.3. La distribucion
Objetivo: Identificar algunas distribuciones de cierto tipo de variables que ocurren una y otra vez en las aplicaciones.
5.1.
5.1.1.
de probabilidad binomial
La distribucion
Supongamos que un ensayo, o un experimento, es realizado cuyos resultados pueden ser clasificados ya sea como un exito o como un fracaso. Consideramos que X = 1 cuando el resultado es un e xito y X = 0 cuando es un
fracaso. Una variable aleatoria X se dice ser una variable aleatoria de Bernoulli
de masa de probabilidad de X esta dada por
si la funcion
P {X = 0} = 1 p
P {X = 1} = p
donde p, 0 p 1, es la probabilidad de que el ensayo sea un exito.
43
CAPITULO
5. DISTRIBUCIONES ESPECIALES
44
Ejemplo 5-1
Lanzar un dado y salir un 6.
Cuando lanzamos un dado tenemos 6 posibles resultados:
S = {1, 2, 3, 4, 5, 6}
existen
La variable aleatoria X medira numero
de veces que sale un 6, y solo
dos valores posibles, 0 (que no salga 6) y 1 (que salga un 6). Por tanto, la variable
aleatoria X es una variable Bernoulli de parametro p = 1/6.
Ejemplo 5-2
Lanzar un dado en dos ocasiones y salir un 6.
45
de probabilidad binomial
La distribucion
de masa de probabilidad de una variable aleatoria binomial
La funcion
con parametros (n, p) esta dada por:
!
n k nk
n!
P {X = k} =
p q
=
pk qnk ,
k
k!(n k)!
Ejemplo 5-3
Nuevamente, considerando el Ejemplo 5-1, se tiene que la probabilidad de que
obtengamos un 6 viene definida como la probabilidad de que X sea igual a 1.
As,
!
1
P (X = 1) =
(1/6)1 (5/6)0 = (1/6)1 (5/6)0 = 1/6 = 0.1667
1
La probabilidad de que NO obtengamos un 6 viene definida como la probabilidad de que X sea igual a 0.
!
1
P (X = 0) =
(1/6)0 (5/6)1 = (1/6)0 (5/6)1 = 5/6 = 0.8333
1
Ejemplo 5-4
Considerar el Ejemplo 5-2, se tiene que la probabilidad de que obtengamos un
6 viene definida como la probabilidad de que X sea igual a 1. As,
!
2
P (X = 1) =
(1/6)1 (5/6)1 = 2 (1/6) (5/6) = 10/36 = 0.277
1
La probabilidad de que NO obtengamos un 6 viene definida como la probabilidad de que X sea igual a 0.
!
2
P (X = 0) =
(1/6)0 (5/6)2 = (1) (25/36) = 25/36 = 0.694
0
CAPITULO
5. DISTRIBUCIONES ESPECIALES
46
= npq
Ejemplo 5-5
La variable X: numero
de veces que sale un 6 al lanzar dos dados, del Ejemplo
5-2, tiene media y varianza iguales a 0.333 y 0.277, respectivamente.
Si X1 y X2 son variables aleatorias independientes con parametros respectivos (ni , p), con i = 1, 2, entonces su suma es binomial con parametros (n1 + n2 , p)
Esto puede verse facilmente notando que porque Xi , i = 1, 2, representan el
numero
de e xitos en ni ensayos independientes cada uno de los cuales es un e xi
to con probabilidad p, entonces X1 +X2 representa el numero
de e xitos en n1 +n2
ensayos independientes cada uno de los cuales es un e xito con probabilidad p.
Por lo tanto, X1 + X2 es binomial con parametros (n1 + n2 , p).
5.1.2.
de probabilidad de Poisson
La distribucion
de probabilidad de Poisson
La distribucion
de probabilidad Poisson
La distribucion
Una variable aleatoria X que toma uno de los valores 0, 1, 2, ..., se dice
ser una una variable aleatoria de Poisson con parametro , > 0, si su
de probabilidad esta dada por
distribucion
P {X = k} =
k e
,
k!
k = 0, 1, 2, ...
5.1.3.
de probabilidad Hipergeometrica
La distribucion
de probabilidad Hipergeometrica
La distribucion
47
CAPITULO
5. DISTRIBUCIONES ESPECIALES
48
5.2.
5.2.1.
Si a < b, una variable aleatoria X se dice tener una distribucion de proba de densidad
bilidad uniforme continua en el intervalo (a, b) si su funcion
es
(
1/(b a)
axb
f (x) =
0
de otra forma
de distribucion
esta dada por
La funcion
(
0 x a(x a)/(b a) a x b
F(x) = P (X x) =
1
x b.
uniforme son
La media y la varianza de la distribucion
=
1
(a + b)
2
1
(b a)2
12
respectivamente.
5.2.2.
de probabilidad exponencial
La distribucion
2 =
1
2
respectivamente.
5.2.3.
de probabilidad normal
La distribucion
de probabilidad Normal
La distribucion
Una variable aleatoria X se dice que tiene una distribucion de probabili si, para > 0 y < < , la funcion
de densidad
dad normal si y solo
de X es
2
2
1
< x < .
f (x) = e(x) /(2 ) ,
2
estandar de una variable aleatoria NorLa media, varianza y desviacion
mal son:
=
2 = 2
=
49