Professional Documents
Culture Documents
SESION 01
INTRODUCCIN
El
trmino
Estadstica
tiene
diversos
significados, dependiendo del modo en que se
emplee; as pues, para un poltico, estar
relacionado con algn tipo de rcord nacional
o regional; un cientfico lo relacionar con
alguna tcnica ms o menos sofisticada de
prueba de hiptesis; para un matemtico, este
trmino estar relacionado con alguna frmula
empleada para estimar algn parmetro de
una variable aleatoria. Todos estos significados
se agrupan para formar esta ciencia, rama de
las matemticas, la cual se fundamenta
bsicamente en la teora de probabilidades.
Antes de tratar de discutir este tema, ser
conveniente revisar algunas definiciones:
Steel y Torrie dicen que la estadstica "es la
ciencia, pura y aplicada, que se encarga de
crear, desarrollar y aplicar tcnicas, de tal
manera que la incertidumbre de las inferencias
inductivas pueda ser evaluada".
Segn Lewis, "ciencia y tcnica que se ocupa
de reunir, analizar y resumir datos y de
estimar la probabilidad de la inferencia que se
haga con dichos datos".
Toro, define a la estadstica como "ciencia que
tiene por objeto agrupar metdicamente todos
los hechos que se presten a una valuacin
numrica".
Toro , define a la bioestadstica como "parte
de la biologa que aplica a los seres vivientes
los mtodos estadsticos y el clculo de
probabilidades".
La Estadstica, particularmente desde el
punto de vista aplicado al mtodo cientfico, es
una ciencia joven pudindose estudiar desde
dos aspectos: el descriptivo y el inferencial:
La Estadstica Descriptiva. se ocupa de
la representacin objetiva de la
informacin (datos) colectada; para
esto se requiere al menos de un
mnimo de conocimientos tericos, as
como de bastante habilidad para
comunicar en forma clara un mensaje
deseado, haciendo uso de figuras,
grficas, tablas, dibujos, etc.
La Estadstica Inferencial. trata de lo
concerniente a la obtencin de
deducciones de una parte al todo,
desarrollando para esto las tcnicas de
muestreo, las tcnicas de estimacin y
las tcnicas de prueba de hiptesis.
Para
llegar
a
la
parte
aplicada,
y
principalmente para conocer las bases sobre
las que descansa esto, se necesita tener al
menos un concepto somero acerca de
mediciones,
lgebra
de
conjuntos,
probabilidades,
variables,
funciones,
densidades, distribuciones y de lmites de
confianza en la estimacin de parmetros o
constantes poblacionales.
Los objetivos que expone Genter para un
curso de este estilo, parecen muy apropiados
para finalizar este captulo de introduccin:
Introducir a los estudiantes en el
lenguaje y filosofa de la estadstica.
relacionarlos
con
los
tipos
de
problemas que pueden ser conducidos
a soluciones estadsticas.
Presentar suficiente tcnica estadstica
para que los estudiantes puedan
trabajar algunos tipos estndar de
problemas.
Habilitar a los estudiantes para que
puedan
leer
y
comprender
los
resultados
sumarizados
de
experimentos estadsticos llevados a
cabo por otros investigadores. puede
ser que algunos nunca tengan que
llevar a cabo un experimento por s
mismos, pero puede ser que tengan
que leer acerca del trabajo de otros en
"Journals".
PERMUTACIONES
Permutacin: Conjunto ordenado de n
elementos.
Notacin: Pn
;
Pn,n
;
An, n
Permutacin de 5 elementos
P5 = 5! Por lo que:
Pn = n!
P5 = 5! = 5 x 4 x 3 x 2 x 1 = 120
Ejemplo 1:
Para el conjunto {a, b, c} existen las
siguientes permutaciones:
Solucin:
Abc, acb, bca, bac, cab, cba = 6
P3 = 3! = 6
Ejemplo 2:
En una asamblea de accionistas, hay 6
personas que han solicitado hacer uso de la
palabra En cuntas rdenes diferentes
pueden hablar, si es que no se ha establecido
un orden de prioridades?
Solucin:
P6 = 6! = 720 formas distintas
Ejemplo 3:
En un proceso de manufactura hay seis
operaciones distintas, que se indican con A, B,
C, D, E y F. En general no existe una secuencia
fija para las operaciones, con la salvedad de
que A debe efectuarse al principio y F al final.
3
Cuntas
secuencias
diferentes
pueden
ocurrir?
Solucin:
A B C D E F
P4 = 4! = 24 formas diferentes
Cuando se toman parte de los elementos del
conjunto se tiene:
n!
Pn,r =
( n r )!
Ejemplo 4:
Si : n = 5
y
r=3
5!
5! 120
60
P5,3 =
(5 3)! 2!
2
Ejemplo 5:
Hay 7 candidatos para desempear 3 tareas, si
todos
los
candidatos
son
igualmente
eficientes, De cuntas maneras se puede
efectuar la asignacin?
Solucin:
7!
7!
7.6.5.4!
210
P7,3 =
(7 3)!
4!
4!
Ejemplo 6:
De cuntas maneras 3 fresadoras, 4 tornos, 4
taladros y 2 cepillos pueden ordenarse en fila
en un taller, de modo que el mismo tipo de
mquina queden juntas.
3F
4T
4T
2C
P3 = 3!
P4 = 4!
P4 = 4!
P2 = 2!
P4 = 4!
3! x 4! x 4! x 2! x 4! = 165,888 maneras
diferentes
Combinaciones :
Una combinacin de n elementos tomados
de r en r es un subconjunto no ordenado
de r elementos con r n.
2 combinaciones formadas por r elementos
son distintas, si difieren al menos en un
elemento.
Ejemplo 1:
Sea el conjunto {a, b, c} de cuntas maneras
podemos seleccionar:
a)
un elemento
b)
dos elementos
c)
tres elementos
Solucin:
a)
Existen 3 formas de seleccionar un
elementos: a; b; c.
b)
Existen 3 formas de seleccionar dos
elementos: ab, ac, bc
c)
Existe 1 forma de seleccionar 3
elementos: abc
n
r
Para determinar el nmero de combinaciones
de n elementos tomando de r en r:
n!
C rn
r!( n r )!
Ejemplo :
Si n = 10
r=7
10
!
10!
10.9.8.7! 720
C710
120
7! (10 7)! 7!.3!
7!.3!
6
Notacin: nCr;
Ejemplo 2:
El congreso anglomexicano de administracin
pblica, debe elegir el futuro comit ejecutivo
que regir a esa institucin durante el prximo
ao.
La comisin directiva se forma con 6
integrantes y este ao han sido propuestos 7
representantes mexicanos y 4 ingleses para
ser electos. Se pide determinar de cuntas
maneras se puede integrar la comisin en los
siguientes casos:
a)
Si en la comisin debe haber 4
mexicanos y 2 ingleses.
b)
Si en la comisin debe haber como
mnimo 2 ingleses y 2 mexicanos.
Solucin:
a)
Los mexicanos se pueden escoger de:
7!
C 47
35
4!.3!
Los ingleses se pueden escoger de:
4!
C24
6
2!.2!
Conjuntamente :
= 35 x 6 = 210
7 .
4
C4
b)
1)
C2
C2 C47
=6x
35 = 210
2)
3 ingleses y 3 mexicanos: C34 C37 = 140
3)
4 ingleses y 2 mexicanos: C44 C37 = 21
210 + 140 + 21 = 371
Ejemplo 3:
En los laboratorios ELKO hay 3 plazas
vacantes de un total de 33 solicitudes de
empleo, slo 14 se han considerado
aceptables, en bases en las entrevistas
practicadas por el departamento de personal.
De cuntas maneras pueden asignarse las 3
plazas?
a)
Si todos los empleos son de la misma
categora
4
b)
Si un empleo es de gerente de ventas,
uno es de agente visitador para las ciudades
de Puebla y Tlaxcala y otro de agente visitador
para las ciudades de Tampico y Cd. Madero.
Solucin:
a)
C314 364
b)
14 P3
14!
2184
11!
35!*28!
27!*36!
29!
b) K
27!28!
36!37!
c) K
37!36!
a) K
SESION 02
COMBINACIONES
Anlisis Combinatorio
Principio Fundamental del Conteo:
Suponga que una persona tiene 2 formas de ir
de una ciudad A a otra ciudad B; y una vez
llegada a B, tiene 3 maneras de llegar a otra
ciudad C, De cuntas maneras podr realizar
el viaje de A a C pasando por B?
5
nacional destinado a adivinar el nombre futuro
de esa lnea de productos.
Las condiciones son:
a)
Los nombres que se propongan deben
ser de 4 letras.
b)
Ninguna letra debe repetirse.
c)
La primera y tercera letras deben ser
consonantes.
d)
La segunda y cuarta letras deben ser
vocales.
e)
Si una persona propone 2 veces el
mismo nombre queda descalificada.
Cuntos nombres debe proponer una
persona para estar seguro que participa en el
sorteo pblico?
Considerar 28 letras del alfabeto
Solucin:
23 x 5 x 22 x 4 = 10,120 nombres diferentes
Por qu esos nmeros?
Porque hay 28 letras del alfabeto, 23
consonantes y 5 vocales, pero se disminuy de
23 a 22 en la primera y tercera cifra porque
una de las condiciones es que las letras no se
repitan. As como 5 y 4 en la segunda y cuarta
cifras, que son las vocales.
Notacin Factorial
En algunos problemas de matemticas se nos
presentan
multiplicaciones
de
nmeros
naturales sucesivos tal como:
4 x 3 x 2 x 1 = 24
;
3x2x1=6
;
2 x 1 = 2.
Para abreviar estas expresiones, se usa una
notacin especial llamada notacin factorial y
nos denota las multiplicaciones sucesivas de n
hasta l y se define como:
4 x 3 x 2 x 1 = 4!
Se lee: cuatro factorial
o factorial de cuatro
3 x 2 x 1 = 3! Se lee: tres factorial
o
factorial de tres
En trminos generales:
n(n-1)(n-2)...x 2 x 1 = n! Se lee n factorial
o factorial de n
Propiedades:
a)
para n natural
n! = n(n-1)!
Ejemplo: 7! = 7 x 6! = 7 x 6 x 5 x 4!
b)
0! = 1
Ejemplos:
1)
5! = 5 x 4 x 3 x 2 x 1 = 120
2)
4! 3! = (24)(6) = 144
3)
4)
5)
Cuando n es demasiado grande se suele
utilizar la frmula de Stirling:
Ejemplo:
Determinar 50! por Stirling:
SESION 03
VARIACIONES
Calcula el nmero de subgrupos de 1, 2, 3,
etc. elementos que se pueden establecer con
los "n" elementos de una muestra. Cada
subgrupo se diferencia del resto en los
elementos que lo componen o en el orden de
dichos elementos (es lo que le diferencia de
las combinaciones).
Por ejemplo, calcular las
posibles variaciones de 2
elementos que se pueden
establecer con los nmeros 1, 2
y 3.
Ahora tendramos 6 posibles
parejas: (1,2), (1,3), (2,1), (2,3),
(3,1) y (3,3). En este caso los
subgrupos (1,2) y (2,1) se
consideran distintos.
SESION 04
INTRODUCCIN A LA PROBABILIDAD
Azar y Desconocimiento.
El azar est relacionado con el
desconocimiento. Un ejemplo nos puede
ayudar; piense en un proceso industrial que
produce grandes cantidades de un artculo
determinado. No todos los artculos producidos
son idnticos, cada artculo puede calificarse
como ``bueno'' o ``defectuoso''. Si de toda la
produccin se escoge un artculo ``a ciegas'',
ese artculo puede resultar bueno o
defectuoso. Esta es una situacin azarosa (o
aleatoria) y la parte esencial de este azar es
que no sabemos si el artculo seleccionado es
defectuoso. Claro que con experiencia en el
proceso es posible cuantificar de una manera
numrica qu tan factible es que el artculo
sea defectuoso o no.
Azar e incertidumbre.
Hay otro concepto asociado al azar y es el de
incertidumbre. Veamos un ejemplo. Respecto a
una inversin, podemos estar contemplando
invertir una cantidad de dinero. El retorno
sobre la inversin puede ser fijo, como en el
caso de una cuenta en un banco con inters
fijo; pero pensemos en una empresa. El
6
negocio puede resultar desde un gran xito
hasta un fracaso, es decir, la ganancia no es
fija, sino que depende del xito a obtener. Si
no podemos evaluar qu tan factible es cada
monto posible de la ganancia, tenemos una
situacin de incertidumbre. Por el contrario, si
podemos tener una idea de qu tan probables
son los diferentes resultados y entonces
tendremos una situacin de riesgo. Esta ltima
es la que llamamos aleatoria o azarosa.
Espacio Muestral y Probabilidad.
El prrafo anterior se resume diciendo que en
las situaciones o experimentos aleatorios
tenemos dos elementos esenciales:
1. Una lista de posibilidades a futuro:
espacio muestral
2. Una cuantificacin de la incertidumbre
sobre esa lista de posibilidades:
asignacin de probabilidades.
Cualquier problema o situacin en la
probabilidad, parte de esos dos elementos:
Espacio Muestral y Probabilidades.
ESPACIO MUESTRAL.
El espacio muestral es el conjunto de todos los
posibles resultados de un experimento o
situacin aleatoria.
Si en una caja hay 10 manzanas y 2 estn
echadas a perder (al menos en este
momento!), al extraer tres manzanas y ver
cuantas son buenas podemos obtener 1, 2 o 3
buenas (0 buenas es imposible!). De modo
que en este ejemplo el espacio muestral es:
{ 1, 2, 3 }.
Si un juego consiste en tirar todos los volados
que hagan falta hasta obtener tres guilas
seguidas o hasta que sean 15 volados, si nos
fijamos en el nmero de volados requeridos, el
espacio muestral es: { 3, 4, 5, . . . , 15 }. Pero
si nos fijramos en el nmero de soles que
resultan, entonces el espacio muestral es: { 0,
1, 2, . . . , 15 }.
Es claro que para determinar el espacio
muestral en un experimento aleatorio es
necesario entender perfectamente:
Qu se va a hacer.
Qu se va a observar o contar.
SUCESOS O EVENTOS.
Cuando se tiene un espacio muestral
llamamos, formalmente evento a cualquier
subconjunto del espacio muestral.
Decimos que un evento se realiza, cuando el
resultado del experimento aleatorio es un
elemento del evento.
Las dos definiciones anteriores son muy
abstractas. Veamos un par de ejemplos.
7
2. En el experimento de los volados
mencionado arriba. Si nos fijamos en el
nmero de soles que salieron, describa
en sus propias palabras, cul es el
evento { 0, 1, 2 }. Si los resultados
fueron AASAASAAA Por qu se detuvo
el experimento? Se realiz el evento?
3. Jntese con un compaero de este
curso y entre los dos discutan y
encuentren
un
ejemplo
de
un
experimento aleatorio relacionado con
las personas que estn en la biblioteca
despus de las 10 de la noche.
Expliquen cul es el espacio muestral.
Expliquen qu informacin necesitaran
para asignar probabilidades.
4. Con su mismo compaero, encuentren
un ejemplo
de un
experimento
aleatorio referente a las inscripciones.
Detallen
el
espacio
muestral.
Propongan un evento. Den un ejemplo
de un resultado que implique que el
evento no se realiz y otro resultado
donde el evento s se haya realizado.
SESION 05
PRACTICA CALIFICADA
SESION 06
PROBABILIDAD
Aparte del espacio muestral, en cada
experimento aleatorio hay una asignacin
primaria de probabilidades. Basados en la
experiencia o en razonamientos de simetra, a
cada elemento del espacio muestral le
asignamos una evaluacin de qu tan factible
es. Esta evaluacin se refleja en un porcentaje
(nmero entre 0 y 1). Entre ms factible sea el
resultado, mayor es el porcentaje que se le
asigna. Los casos extremos son:
Un evento que no puede suceder, tiene
probabilidad cero. Muchas veces estos
eventos con probabilidad cero son
imposibles por alguna contradiccin
lgica en su definicin. Por ejemplo:
``que la suma de dos dados sea n n y
los dos dados tengan el mismo
nmero''.
En el otro extremo hay eventos que
siempre suceden y estos tienen
probabilidad uno. Por ejemplo: ``que el
nmero de guilas en dos volados sea
menor o igual a 7.8'', aunque el evento
pueda resultar extrao en su definicin,
siempre sucede y tiene probabilidad
igual a 1.
9
y los tres de arriba son los axiomas de la
probabilidad. Algunas de las frmulas ms
tiles, deducidas de los axiomas, son las
siguientes.
P( vaco ) = 0
P(A') = 1- P(A)
P(A - B) = P(A) - P(A y B)
Si A est contenido en B entonces P(A)
menor o igual a P(B)
P(A) menor o igual a 1
P(A B) = P(A) + P(B) - P(A y B).
La deduccin de estas leyes a partir de los tres
axiomas es un ejercicio de ingenio matemtico
al que valdra la pena asomarse, pero en el
que no tenemos intencin de meternos de
lleno. Ya que desde el punto de vista de este
curso, lo interesante es aplicarlas.
Respecto a la tercera de la reglas, note bien
que la resta de conjuntos se define as: ``A B'' es la coleccin de elementos de A que no
estn en B. De tal suerte que P(A - B) debe
contemplar slo a elementos de A y por eso es
que a P(A) no le restamos P(B) sino solamente
P(A y B).
Otro comentario lo merece la ltima regla:
P(A B) = P(A) + P(B) - P(A y B).
Es preciso restar P(A y B) ya que as no lo
hiciramos, se estara tomando en cuenta dos
veces a los elementos comunes a A y a B.
Problemas Propuestos
Resolver los siguientes ejercicios
1. Inventen un juego con dos dados.
Como ejemplos,
o tirar dos dados y el resultado no
es la suma de los dados sino la
multiplicacin.
o tirar dos dados y el resultado es
1000 si la suma de los dos es
par y 5000 si la suma es n n.
Escriban el espacio muestral y,
teniendo en cuenta que las 36 parejas
de posibles resultados con dos dados: {
(1,1), (1,2), (1,3), . . . } son igualmente
probables, encuentren la funcin de
probabilidad
para
el
juego
que
inventaron.
Combinaciones de Sucesos o Eventos.
Definir la unin e interseccin de eventos.
Obtener la probabilidad de la unin e
interseccin de eventos. Enunciar y aplicar las
leyes de la probabilidad. Definir eventos
mutuamente excluyentes y la particin de un
espacio muestral. Establecer y aplicar la ley de
la adicin de la probabilidad para n eventos.
10
1. Se van a tirar 5 monedas y el resultado
va a ser el nmero de guilas menos el
nmero de soles. Escriban el espacio
muestral
equiprobable
para
este
experimento.
(Debe
tener
32
resultados).
2. Siguiendo con el ejercicio anterior, me
van a dar una cantidad de pesos igual a
la resta: [nmero de guilas] MENOS
[nmero de soles]. Si sale negativo
quiere decir que yo pago! Cul es la
probabilidad de que gane ms de dos
pesos?
3. Si un dado se construye de modo que
un 1 o un 2 ocurran dos veces ms
frecuentemente que un 5, mismo que
se presenta tres veces ms seguido
que un 3 o un 4 o un 6. Cul es la
probabilidad de que el nmero que se
obtiene sea par? Cul la de que sea un
cuadrado perfecto? Cul la de que sea
mayor que 4?
4. Cmo haran Uds. para construir un
dado como el que se propone en el
ejercicio anterior?
SESION 10
EXAMEN PARCIAL
SESION 11
PROBABILIDAD CONDICIONAL
Consideremos la siguiente situacin. Se tienen
tres urnas similares; por fuera son idnticas.
Se sabe que
en la urna 1 hay 3 bolas blancas y 19
azules,
en la urna 2 hay 20 bolas blancas y 2
azules,
en la urna 3 hay 11 bolas blancas y 11
azules.
Se va a sacar una bola de una de las urnas.
Puede ser azul o blanca. Cul es la
probabilidad de que sea blanca?
Hay cuatro posibles soluciones:
1. La probabilidad de una blanca es 3 / 22.
Esto es porque si se escoge la urna 1,
hay 3 de 22 bolas que son blancas.
Esta respuesta nos deja pensando en
que es muy arbitrario decir que la urna
escogida es la 1. Si la urna escogida
fuese la 1 esta sera la respuesta
correcta.
2. De manera similar, podemos pensar
que la urna escogida es la 2 y entonces
la probabilidad de una bola blanca es
20 / 22.
10
11
decimos que la probabilidad condicional
no est definida. Claro que eso est
bien porque no puede haber sucedido
algo que es imposible.
Fjese que esta frmula se usar cuando haya
una manera fcil de calcular las probabilidades
no condicionales y la condicional sea difcil.
Eso no fue el caso con el color de la bola y las
urnas.
Para ejemplificar el tipo de situacin en que
nos sirve la frmula descrita, considere este
problema.
Se tiran dos dados y se sabe que el primero no
tiene el nmero 5. Cul es la probabilidad de
que la suma de los dados sea 8?
Para resolver, llamemos
B el evento: ``el primer dado no es 5''.
A el evento: ``la suma de los dados es
8''.
Con los datos se ve que:
P(B) = 30 / 36.
Porque de las 36 parejas posibles, 6 tienen
5 en el primer dado.
P(A y B) = 4 / 36.
Porque slo se obtiene 8, con las parejas
(2,6), (3,5), (4,4) y (6,2) [La pareja (5,3) s
suma ocho pero tiene un 5 en el primer
dado].
y, usando la frmula, P(A|B) = 4 / 30.
Tambin hubiramos podido calcular sin la
frmula, pero esa cuenta requiere ms
ingenio. En este ejemplo es fcil calcular las
probabilidades no condicionales.
Hay muchos problemas, como en el de las
urnas, en que lo contrario es lo cierto: es fcil
calcular la condicional y la podemos usar para
calcular la conjunta.
Si despejamos a P(A y B), tendremos una
frmula para calcular la probabilidad conjunta
cuando sea fcil calcular la condicional.
En clase hacemos un ejemplo simple de
clculo de probabilidad condicional con una
tabla de dos clasificaciones cruzadas.
En ese ejemplo se ven tres cosas:
1. La probabilidad condicional nos permite
medir la informacin. En los ejemplos
vimos como cambia la probabilidad de
A, antes de conocer nada: P(A) y
despus de conocer la ocurrencia de el
evento B: P(A | B).
2. En un extremo est el cambio enorme
que corresponde a que A y B sean
excluyentes (ajenos). En este caso la
probabilidad podra llegar incluso a ser
cero.
3. En el otro extremo estn los eventos en
los que sucede que P(A | B) = P(A). Esto
quiere decir que la informacin de que
11
de
12
la
definicin
de
independencia
podemos establecer igualdades que
nos
auxilien
para
calcular
la
probabilidad
de
la
ocurrencia
simultnea de dos eventos.
1. Para dos eventos en general.
P(A y B) = P(A) P(B | A)
o Esta igualdad no es ms que la
definicin
de
probabilidad
condicional volteada al revs.
o Para aplicar esta igualdad es
preciso
que
contemos,
de
alguna manera indirecta, con la
probabilidad condicional.
o La igualdad se puede escribir
tambin, condicionando sobre B,
as.
P(A y B) = P(B) P(A | B)
2. Para dos eventos independientes
P(A y B) = P(A) P(B)
o Para poder usar esta igualdad se
necesita saber, de otras fuentes,
que A y B son independientes.
o Esta igualdad no es ms que la
versin de la de arriba cuando
P(B | A) = P(B).
Estas igualdades son muy tiles cuando el
experimento aleatorio se va a llevar a cabo en
etapas temporales. Por ejemplo, suponga que
una
empresa
recibe
materia
prima
empaquetada en sobres de 300g. que vienen
en cajas de 50 sobres cada una; suponga,
adems que cada sobre puede ser: bueno o
deficiente. Para revisar una caja, se van a
tomar, al azar, 3 sobres.
si ms de 2 sobres son deficientes se
rechazar la caja completa.
si ningn sobre es deficiente, se
aceptar la caja completa.
si hay 1 o 2 sobres deficientes, se
tomarn otros 3 sobres y si el total de
deficientes de los 6 sobres revisados,
se pasa de 2, se rechazar la caja
completa (en caso de ser 2 o menos, se
acepta la caja).
Una fuente secreta nos informa que una caja
especfica tiene 10 sobres deficientes. Cul es
la probabilidad de que esa caja sea aceptada?
El problema es complejo, trate Ud. de
resolverlo, la respuesta involucra pensar en
etapas, de acuerdo a los diferentes resultados
de la primera etapa. El problema lo
resolvemos en el saln.
Ms de dos Sucesos o Eventos
Ambas igualdades se pueden llevar a tres o
ms eventos, como sigue:
P(A y B y C) = P(A) P(B | A) P(C | A y B)
o
cualquier
otro
orden
para
el
condicionamiento,
12
por ejemplo:
P(A y B y C) = P(B) P(C | B) P(A | B y C)
Para el caso de eventos independientes la
igualdad se simplifica en su escritura:
P(A y B y C) = P(A) P(B) P(C)
La generalizacin de las frmulas anteriores a
ms de tres eventos es inmediata.
No olvide que para aplicar cualquiera de estas
frmulas es preciso conocer, previamente los
valores de las probabilidades involucradas.
Un ejemplo de uso de estas frmulas es el
siguiente:
Si una pistola est cargada con 15 cartuchos,
de los cuales 2 son intiles y no funcionarn,
Qu probabilidad hay de que el primer
cartucho funcione y los dos siguientes no?
En este ejemplo, por la especificacin del
evento, podemos calcular las probabilidades
condicionales por separado y eso nos lleva
aplicar la primera de las frmulas vistas arriba.
La solucin la damos en el pizarrn.
Ms sobre independencia
Respecto a la independencia de dos eventos,
hay algunas cosas muy elementales que
agregar a la definicin que hicimos en notas
pasadas.
1. La independencia de dos eventos A y B,
quiere decir que el saber que A sucedi
no modifica la probabilidad de que B
tambin
haya
sucedido.
Como
consecuencia saber que A no sucedi
tampoco
puede
afectar
a
la
probabilidad de B.
Hacemos una demostracin formal en
el pizarrn.
Podemos poner esto diciendo que
Si
A
y
B
son
independientes, tambin
lo son las tres siguientes
pares: A' y B ; A y B' ; A'
y B' (estamos usando el
apstrofe ' para denotar
complemento)
2. Cuando se tienen tres eventos, se
puede presentar una situacin muy
curiosa. Puede pasar que
o A y B sean independientes y
o A y C sean independientes y
o B
y
C
tambin
sean
independientes.
Pero
A,
B
y
C
NO
sean
independientes.
Esta situacin curiosa se describe
diciendo que no basta que varios
eventos sean independientes a pares,
para que sean independientes.
El ejemplo clsico es el de un
experimento aleatorio con cuatro
13
posibles
resultados
igualmente
probables: 1, 2, 3 y 4 .
o Si el resultado es 1, A gana y
nadie ms.
o Si el resultado es 2, B gana y
nadie ms.
o Si el resultado es 3, C gana y
nadie ms, pero
o Si el resultado es 4, los tres A, B
y C ganan.
Usted puede calcular las probabilidades
para darse cuenta que:
o P(A y B) = P(A) P(B)
o P(A y C) = P(A) P(C)
o P(B y C) = P(B) P(C)
pero P(A y B y C) no es igual a P(A) P(B)
P(C).
3. Una nota final de un estilo menos
matemtico. La palabra independencia
se utiliza en otros contextos para
denotar un sinnmero de conceptos
diferentes.
Los ejemplos ms comunes son en
poltica, en historia, en derecho. En la
ciencia
se
habla
de
variables
independientes y el significado es
diferente que el que usamos aqu. An
en otras ramas de la matemtica se
usa la palabra independencia para
denotar a otros conceptos. Cuando
queremos
distinguir
la
definicin
tcnica que usamos en la probabilidad
de otras nociones le ponemos un
apellido a la independencia y decimos
independencia estocstica.
Es conveniente recordar que cuando existe
duda si dos eventos son independientes o n,
la nica forma de zanjar la cuestin es viendo
si P(A y B) es igual o diferente al resultado de
multiplicar P(A) P(B). Naturalmente que si la
independencia de dos eventos est en duda, el
clculo de P(A y B) no se puede hacer
simplemente multiplicando P(A) P(B) sino que
se debe justificar de alguna otra manera.
SESION 12
TEOREMA DE BAYES
Veamos un problema que nos llevar a una
regla interesante de clculo de probabilidades
que se llama: el teorema de Bayes.
En una etapa de la produccin de un artculo
se aplica soldadura y para eso se usan tres
diferentes robots. La probabilidad de que la
soldadura sea defectuosa vara para cada uno
de los tres, as como la proporcin de artculos
que cada uno procesa, de acuerdo a la
siguiente tabla.
prob.
prop.
robot
Defect.
Proces.
13
A
0.002
18%
B
0.005
42%
C
0.001
40%
Tenemos un par de preguntas:
Cul es la proporcin global de defectos
producida por las tres mquinas
Si tomo un artculo al azar y resulta con
defectos en la soldadura, cul es la
probabilidad de que haya sido soldado
por el robot C.
(I) La primera pregunta nos va a llevar a lo que
se conoce con el nombre de frmula de la
probabilidad total.
Queremos conocer la proporcin global de
defectos delos tres robots. Despus de
reflexionar un momento se ve que si todas las
soldaduras las pusiera el robot C, habra pocos
defectos, seran 0.001 o 0.1%. En cambio, si
todas las pone el B, sera un desastre!,
tendramos cinco veces ms: 0.005 o 0.5%. De
modo que en nuestra respuesta debemos
tener en cuenta las diferentes proporciones de
lo maquinado en cada robot.
Nuestra idea es empezar por descomponer el
evento ``defectuoso'' en ``viene del robot A y
es defectuoso'' o ``viene del robot B y es
defectuoso'' o ``viene del robot C y es
defectuoso''. En smbolos tendremos
P(d) = P(A y d) + P(B y d) + P(C y d)
14
La probabilidad que buscamos es una
condicional pero al revs de las que tenemos.
Buscamos
P( C | d)
para calcularla usamos la
probabilidad condicional:
P( C | d) = [P(C y d)] / [P( d )]
definicin
de
14
d)
0.125
A
0.18
0.1802
9
0.734
B
0.42
0.4191
3
0.139
C
0.40
0.4007
9
Es tan grande el xito de los tres robots en el
soldado correcto que el saber que la pieza no
tiene defectos, prcticamente no altera las
probabilidades de produccin en uno u otro.
Por el contrario, el robot C es tan bueno,
comparado con el B que, al saber que la pieza
es defectuosa, las probabilidades cambian
dramticamente.
En este ejemplo el clculo de probabilidades
condicionales nos cuantifica algo que el
sentido comn nos dice de otra forma. Note
que la frmula de Bayes nos sirvi para pasar
de las probabilidades no condicionales a las
condicionales.
Otro ejemplo del uso del teorema de
Bayes
Otro ejemplo clsico del uso del teorema de
Bayes es un problema de oro y plata. Hay tres
bolsas que tienen, cada una dos monedas. Las
de la primera son de oro, las de la segunda
son de plata y las de la tercera son una de
plata y otra de oro. Se escoge una bolsa al
azar y de ella una moneda tambin al azar. Si
la moneda es de oro, cul es la probabilidad
de que la otra moneda en la bolsa sea de oro
tambin?
Primero notemos que la segunda bolsa no
pudo haber sido elegida (porque no tiene
monedas de oro), slo pudo haber sido
seleccionada la primera o la tercera. Si la
bolsa elegida hubiese sido la tercera, el evento
cuya probabilidad nos interesa no se realiza.
De modo que el evento que nos interesa es
equivalente a que se haya elegido la primera
bolsa.
Una vez establecido lo anterior, apliquemos el
teorema de Bayes para calcular
P(I|Au) = [P(I)P(Au|I)] / [P(I)P(Au|I) + P(II)P(Au|
II) + P(III)P(Au|III)]
Las probabilidades que entran al lado derecho
de la igualdad las sacamos, inmediatamente,
de las condiciones del problema y despus de
hacer cuentas tenemos:
P(I|Au) = 2 / 3
Este problema es clsico porque existe una
``solucin'' a la que muchas personas llegan y
es falsa. El argumento es el siguiente. Como
todas las bolsas son igualmente posibles, y el
hecho de que la primer moneda extrada sea
de oro, nos indica que no se trata de la
segunda bolsa. Concluimos que las dos bolsas
restantes tienen igual probabilidad y, por
15
tanto, la probabilidad de que la otra moneda
sea de oro es 1/2.
Si Ud. piensa de acuerdo a este razonamiento
(errneo!), es muy difcil que encuentre en
qu se equivoca.
Lo que est mal es que lo que averiguamos, al
saber que la moneda extrada es de oro, es
algo ms que el rechazo de la segunda bolsa.
Si slo nos dijeran que la bolsa escogida al
azar no fue la segunda, sin informarnos del
metal de la moneda sacada, todava
tendramos incertidumbre respecto a la primer
moneda; todava podramos apostar a si sta
es de oro o de plata. Al decirnos que la
moneda fue de oro, estamos aprendiendo algo
ms, y eso echa por tierra el argumento de
``igual probabilidad para las dos bolsas
restantes''.
Lo interesante del problema es que, si nos
hubieran dicho que la moneda sacada fue de
plata, aplicando la frmula de Bayes, llegamos
a la conclusin de que la probabilidad de que
la otra moneda sea tambin de plata es 2/3
[Haga Ud. las cuentas!].
Es decir, si vamos a apostar al metal de la otra
moneda, nos conviene apostar por el metal de
la primera.
Este ejemplo nos lleva a reflexionar sobre el
uso adecuado de la informacin contenida en
``lo dado'' en el clculo de la probabilidad
condicional.
Problemas Propuestos :
1. Una mujer portadora de hemofilia clsica da
a luz tres hijos.
a) Cual es la probabilidad de que de
los tres hijos, ninguno est afectado por
la enfermedad?
b) Cual es la probabilidad de que
exactamente dos de los tres nios est
afectado?
2. El 60% de los individuos de una poblacin
estn
vacunados
contra
una
cierta
enfermedad. Durante una epidemia se sabe
que el 20% la ha contrado y que 2 de cada
100 individuos estn vacunados y son
enfermos. Calcular el porcentaje de vacunados
que enferma y el de vacunados entre los que
estn enfermos..
3. La proporcin de alcohlicos que existe en
la poblacin de Mlaga es, aproximadamente,
un 10%; no obstante, en las bajas que dan los
mdicos de la Seguridad Social difcilmente se
encuentra el diagnstico de alcoholismo.
Aparecen sin embargo diagnosticados de
hepatopatas, lumbalgias, etc., que pueden
hacer sospechar alcoholismo subyacente. Se
realiz un estudio que puso de manifiesto que
15
16
10. Sabemos que tiene estudios superiores el
15% de la poblacin espaola, estudios
medios el 40%, estudios primarios el 35% y no
tiene estudios el 10%. Los desempleados no se
distribuyen proporcionalmente entre esas
categoras, dado que de entre los de estudios
superiores estn sin trabajo el 10%, entre los
de estudios medios el 35%, entre los de
estudios primarios el 18%, y entre los que no
tienen estudios el 37%. Obtenga las
probabilidades de que extrado uno al azar,
ste sea:
a) Titulado superior, sabiendo que est
parado.
b) Un sujeto sin estudios que est en
paro.
c) Un sujeto con estudios primarios o
que est trabajando.
11. Una enfermedad puede estar producida
por tres virus A, B, y C. En el laboratorio hay 3
tubos de ensayo con el virus A, 2 tubos con el
virus B y 5 tubos con el virus C. La
probabilidad de que el virus A produzca la
enfermedad es de 1/3, que la produzca B es de
2/3 y que la produzca el virus C es de 1/7. Se
inocula un virus a un animal y contrae la
enfermedad. Cul es la probabilidad de que el
virus que se inocule sea el C?
12. El 70% de los estudiantes aprueba una
asignatura A y un 60% aprueba otra
asignatura B. Sabemos, adems, que un 35%
del total aprueba ambas. Elegido un
estudiante al azar, calcular las probabilidades
de las siguientes situaciones:
a)
Haya aprobado la asignatura B,
sabiendo que ha aprobado la A.
b)
Haya aprobado la asignatura B,
sabiendo que no ha aprobado la A.
c) No haya aprobado la asignatura B,
sabiendo que ha aprobado la A.
d) No haya aprobado la asignatura B,
sabiendo que no ha aprobado la A.
13. La cuarta parte de los conductores de
coche son mujeres. La probabilidad de que una
mujer sufra un accidente en un ao es de
5/10.000, y para los hombres es de 1/10.000.
Calclese la probabilidad de que si acaece un
accidente, el accidentado sea hombre.
14. En un campus universitario existen 3
carreras sanitarias. Se sabe que el 50% cursan
estudios de Enfermera, el 30% Medicina y el
20% Veterinaria. Los que finalizaron sus
estudios son el 20, 10 y 5% respectivamente.
Elegido un estudiante al azar, hllese la
probabilidad de que haya acabado la carrera.
SESION 13
VARIABLE ALEATORIA
16
Frecuentemente
el
resultado
de
un
experimento aleatorio se denota con un
nmero:
el resultado de lanzar un dado,
el nmero de unidades defectuosas
entre 10 unidades seleccionadas,
el tiempo que hay que esperar para
que se presente una falla en un
circuito,
el nmero de estaciones de una red de
computadoras
que
requieren
la
atencin del servidor de la red en un
momento dado,
el nmero de personas en una
comunidad que requieren atencin
mdica en un da especificado,
el peso sumado de las personas que
estn en un elevador en un momento
determinado del da,
la
cantidad
en
dinero
de
lo
transportado en un camin antes de
que sufra una descompostura, etc.
A un nmero tal, le llamamos variable
aleatoria. Ponga atencin al hecho de que una
variable aleatoria no es una variable en el
sentido usual. Las variables que estamos
acostumbrados a manejar son, por ejemplo: el
peso de un cohete que va quemando el
combustible que lo impulsa, la distancia del
piso a un objeto que cae hacia l, la
concentracin de una solucin dentro de un
tanque conforme pasa el tiempo, etc. En los
ejemplos anteriores el valor de la variable
puede cambiar con el tiempo, pero es
predecible a partir de las leyes de la mecnica,
la qumica, la hidrulica o alguna otra ciencia.
Con una variable aleatoria la situacin es
enteramente diferente. El valor de una
variable aleatoria no se puede conocer con
exactitud de antemano a la realizacin del
experimento. Qu otros ejemplos de variables
aleatorias se le ocurren adems de los
mencionados arriba? Al contestar esta
pregunta tenga en cuenta que el azar debe
jugar algn papel en la medicin de la variable
y que su valor no debe ser predecible.
Una
variable
aleatoria
presenta
dos
caractersticas importantes:
1. Una coleccin (conjunto) de valores
posibles al que llamamos imagen de la
variable aleatoria (antes lo llambamos
espacio muestral).
2. Una probabilidad asociada a los
posibles resultados la cual queda
expresada mediante una funcin de
probabilidad.
Las variables aleatorias que tienen un
conjunto de posibles valores discreto, se
llaman discretas. Estas variables son el
17
resultado de contar . Cules de las variables
aleatorias mencionadas arriba son discretas?
Ciertamente el peso de las personas en el
elevador no es discreto, pero entre las otras
cules son discretas?
Por otra parte, las variables aleatorias cuyos
valores posibles se encuentran en cualquier
parte de un intervalo, se llaman continuas.
Estas variables son el resultado de medir.
El hecho de que una variable aleatoria nos
interesa cuando an no tiene un valor
especfico, nos obliga a utilizar una notacin
extraa al referirnos a ella. Denotamos con
letras maysculas a las variables aleatorias y
con
minsculas
a
los
valores
que
contemplamos para ellas.
Si tomamos como variable aleatoria el
resultado (suma) de lanzar dos dados, desde
el punto de vista de la probabilidad, el nmero
resultante nos interesa antes de que
realicemos el experimento. Conocido el
resultado, ya no es interesante (al menos, no
para la probabilidad). La imagen de esta
variable aleatoria es S = { 2, 3, 4, 5, 6, 7, 8, 9,
10, 11, 12 }. Llamando X al resultado del
experimento, podemos contemplar el evento
de que X sea igual a x, donde x es cualquier
elemento de S. Claro que nos resultar muy
interesante saber cosas como P(X = x) para
los diferentes valores de x en S; por ejemplo,
P(X = 6) = 5/36 [esto se lee: ``la probabilidad
de que X sea igual a seis es un sexto'']. Puede
Ud. mostrar que P(X = 8) = 5/36 ?
Siguiendo con el ejemplo de los dos dados, el
lanzar dados para ver que nmero cae no es
muy apasionante que digamos, acompaemos
los dados con un tablero de oca o de
serpientes y escaleras o de turista o de back
gamn o algn otro juego interesante. Ya
puestos a jugar turista o monopolio, es natural
que nos interesen otro tipo de eventos.
Podramos estar interesados en saber
si el resultado es menor que 8: P(X < 8)
= 21/36 Puede Ud. ver por qu?;
que el resultado sea desde 4 hasta
menos que 9: P(3 < X < 9) = 23/36
Por qu?;
tambin podemos estar interesados en
que X sea distinta de 7: P(X distinto de
7) = 1 - P(X = 7) = 1 - 1/6 = 5/6.
Naturalmente esta notacin se extiende de
manera natural a todo tipo de intervalos y
desigualdades.
Regresando a donde estbamos,
A la funcin: f(x) = P(X = x) se
le llama funcin de probabilidad
de X.
Esta funcin es una funcin ordinaria de las
que estudiamos en los cursos de matemticas;
17
18
continuas es diferente a la de las discretas Por
eso empezamos nuestro estudio con las
discretas. An no acabamos con las variables
discretas, todava nos faltan por discutir temas
muy importantes. Pero antes, hablaremos de
una nocin que es comn a las discretas y a
las continuas.
Una funcin muy til en el clculo de
probabilidades de una v. a. es la funcin de
distribucin. Esta funcin se define de igual
forma
para
continuas
y
discretas:
F (x) = P(X <= x)
Vea bien la definicin anterior y aprndasela
de memoria. Coja una hoja de papel en blanco
y escrbala.
Para no confundirnos con la notacin, suele
escribirse
tambin
as:
F (t) = P(X <= t)
La funcin de distribucin tiene las siguientes
propiedades:
1. F(en menos infinito) = 0 ; F(en ms
infinito) = 1
2. F es una funcin no decreciente.
3. F sirve para calcular probabilidades as
P( a < X <= b ) = F(b) - F(a)
Para que esta ltima propiedad nos sea de
utilidad deberamos tener la distribucin ya
calculada. Para muchas variables aleatorias de
uso comn, las distribuciones ya estn
calculadas y tabuladas (una hoja de clculo,
como Excel ya incluye prcticamente todas las
distribuciones que veremos en este curso).
Para las variables aleatorias discretas hay que
tener cuidado con el hecho de que la primera
desigualdad es estricta y la segunda no.
Por ejemplo si la imagen de X son todos los
enteros, P(2 < X <= 5) se puede calcular
haciendo
la
resta
F(5)-F(2).
Pero
la
probabilidad P(2 < X < 5) se obtiene restando
F(5)- F(1) (Por qu?). Cmo calcula Ud. P(2
<= X < 5)?
Las 4 propiedades que se sealaron arriba
definen a una funcin de distribucin, de modo
que para saber si una funcin es una
distribucin o no, basta ver que las cumpla.
Considere
el
siguiente
ejemplo.
F (x) = 1 - exp. (- 0.7 x ) para x > 0
Se trata de una variable aleatoria continua,
cuya imagen son los nmeros positivos(Por
qu?). Lo que Ud. tiene que hacer es:
Mostrar que es una distribucin y
usarla para calcular P( X >= 1.0), P( 0.7
< X < 1.0), P(X < 0.7), P( X > 1.0 X
<= 0.4 ).
En el pizarrn hacemos ejemplos de cmo es
la forma matemtica de una funcin de
distribucin y de su grfica.
variables Aleatorias Continuas
18
19
probabilidad. De nuevo, la integral a la que
nos referimos es una integral definida cuyos
extremos son los del intervalo.
Escriba la integral que da la probabilidad de
que X est entre 3 y 44.2
Escriba en forma de integrales las siguientes:
P(a < X < a + h),
P( 2.2 < X <= 5 ),
P( X > 8 ),
P( X <= 15 ),
P( X < 2 X > 3)
Considere un par de ejemplos que le servirn
para apreciar las implicaciones de lo anterior.
Como primer ejemplo tome el siguiente. Sea X
una v. a. continua cuya densidad es:
f(x) = a x para x en [ 3, 7]
a es una constante necesaria para que la
integral de f(x) definida de 3 a 7, sea igual a
uno. Muestre que a = 1/20 = 0.05, adems
muestre que P( 3 < X <= 5 ) = 0.40
Otro ejemplo ms es el siguiente. La densidad
es:
f(x)=
19
Y si g es g(t)= t/ 28
E( X/ 28) = suma{i/ 28 f(i)} = 1/28
suma{i
f(i)}
=
= (1/ 28) E(X) = E(X)/ 28
20
E(X) = 13 / 3 (detalles en el pizarrn) y var(X)
= 20 / 9 as la desv.est.(X) = 1.4907.
Propiedades Aritmticas.
Las definiciones matemticas de valor
esperado y varianza, nos dicen cmo calcular
estas
cantidades.
Como
operaciones
matemticas, tienen algunas propiedades que
vale la pena resaltar, porque a veces
simplifican algunas cuentas
E(c) = c
la esperanza de una
constante es la misma constante
E(c g(X)) = c E(g(X))
una constante
multiplicando se puede sacar de la
esperanza.
E(g(X) + h(X)) = E(g(X)) + E(h(X))
la
esperanza de una suma es la suma de
las esperanzas.
Las anteriores propiedades son muy parecidas
a las de la integral.
Ahora tenemos algunas propiedades de la
varianza.
var(X) = E(X2) - [E(X)]2 esta propiedad
es muy til para calcular, y podemos
tomarla como definicin de la varianza.
var(aX) = a2var(X) una constante
multiplicando se saca de la varianza
elevndola al cuadrado.
var( c ) = 0 la varianza de una
constante es cero.
La varianza de una suma en general no
es igual a la suma de las varianzas.
Segn veremos despus, la igualdad se
cumple slo cuando las variables son
independientes.
Como un ejemplo de estas propiedades,
veamos la razn de la frmula var(X) = E(X 2) [E(X)]2. De acuerdo a la definicin
var(X)
=
E([X-E(X)]2)
2
=
E[X
2XE(X)
+
E(X)2]
=
2
= E( X ) - E(2XE(X)) + E(E(X) 2) =
= E( X2) - 2E(X) E(X) + E(X)2 =
= E( X2) - E(X)2
haciendo las operaciones y, juntando los dos
extremos, se tiene:
var(X) = E(X2) - [E(X)]2
SESION 14
DESIGUALDAD DE TCHEBYSHEV
20
1
k2
1
k2
Consecuencias:
a)
Si = k se tiene : P[IX-uI ]
2
2
b)
P[ IX- I k ] 1 -
1
k2
1
k2
Ejemplo de Aplicacin:
Sea X una variable aleatoria con media 33 y
varianza 16 . Hallar una cota inferior
para :
P [ 23 < X < 43 ]
Solucin:
P [ 23 < X < 43 ]
= P [ 23 - 33 < X 33 < 43 - 33 ]
= P [ - 10 < X 33 < 10 ] = P [ IX- I < 10 ]
Observe que: 10 = k y = 4 , entonces k
= 5/2 .
21
Luego: P [ 23 < X < 43 ] = P [ IX- I <
1
(5/2) (4) ] 1 (5 / 2) 2
Por lo tanto: P [ 23 < X < 43 ]
21
25
Problemas propuestos:
1. Sea X una variable aleatoria con media
=2 y varianza 2 = 1. use la
desigualdad de tchebyshev para hallar
una cota inferior para :
a)
P [ IX- 2 I < 4 ]
b) P [ - 3 < X < 7 ]
2. Sea X una variable aleatoria con media
= 10 y varianza 2 = 4
Hallar : a) P [ IX- 10 I 3 ]
b)
P [ IX- 10 I < 3 ]
c)
P [ 5 < X < 15 ]
3. Con los datos del problema anterior
determine el valor de c tal que:
P [ IX- 10 I c ] 0.04
DISTRIBUCIONES DISCRETAS
Modelos Especiales.
Hay algunas variables aleatorias discretas que
se usan muy frecuentemente en una gran
cantidad de aplicaciones. Estos modelos
reciben nombres especiales, que se utilizan en
todo el mundo. Los modelos principales que
estudiamos
son:
el
binomial,
el
hipergeomtrico y el de Poisson. Estudiaremos
cada una por turno
DISTRIBUCIN BINOMIAL
Se tiene un nmero fijo de pruebas n. Con las
siguientes caractersticas:
Cada prueba tiene slo dos posibles
resultados:
genricamente
los
llamamos
xito
y
fracaso.
Los
denotamos con 1 (xito) y 0 (fracaso).
El resultado de cada prueba es
independiente del resultado de las
dems pruebas.
La probabilidad de xito no cambia de
una prueba a otra.
Nos interesa slo el nmero total de
xitos X y no el orden en que hayan
ocurrido.
Cuando se cumplen las condiciones anteriores
X tiene la distribucin binomial con parmetros
n y p, donde n es el nmero de intentos y p la
probabilidad de obtener un xito. Los valores
posibles son desde cero hasta ene: { 0, 1, 2, ...
, n }. La funcin de probabilidad es:
21
22
P(X <= 2) = P(X=0) + P(X=1) + P(X=2)
= (.9)10 + (10)(.1)(.9)9 + (45)(.1)2(.9)8
= 0.9298
Distribucin de Bernoulli.
Este modelo se llama as en honor del
probabilista de este apellido. A la binomial
cuando n = 1 se le llama Bernoulli.
Es aquel modelo que sigue un experimento
que se realiza una sola vez y que puede tener
dos soluciones: acierto o fracaso:
Cuando es acierto la variable
toma el valor 1
Cuando es fracaso la variable
toma el valor 0
Ejemplo: Probabilidad de salir
cara al lanzar una moneda al
aire (sale cara o no sale);
probabilidad de ser admitido en
una universidad (o te admiten o
no te admiten); probabilidad de
acertar una quiniela (o aciertas
o no aciertas)
Al haber nicamente dos soluciones se trata
de sucesos complementarios:
A la probabilidad de xito se le
denomina "p"
A la probabilidad de fracaso se
le denomina "q"
Verificndose que:
p+q=1
Veamos los ejemplos anteriores :
Ejemplo 1: Probabilidad de salir
cara al lanzar una moneda al
aire:
Probabilidad de
que salga cara: p
= 0,5
Probabilidad de
que no salga cara:
q = 0,5
p + q = 0,5 + 0,5
=1
Ejemplo 2: Probabilidad de ser
admitido en la universidad:
Probabilidad de
ser admitido: p =
0,25
Probabilidad de no
ser admitido: q =
0,75
p + q = 0,25 +
0,75 = 1
Ejemplo 3: Probabilidad de
acertar una quiniela:
Probabilidad de
acertar: p =
0,00001
Probabilidad de no
acertar: q =
0,99999
22
p + q = 0,00001
+ 0,99999 = 1
Distribucin Hipergeomtrica
Se tiene un grupo de N objetos de los cuales k
son xitos y el resto,(N-k), son fracasos. Se
seleccionan n de los N, SIN REEMPLAZO. La
v.a. X que nos interesa es el nmero total de
xitos entre los n seleccionados y no el orden
en que salieron.
En estas condiciones la v.a. X tiene la
distribucin hipergeomtrica. Su imagen es
{0,1,...,n}. La funcin de probabilidad est
dada por:
P(X=x) = [ kC x (N-k)C(n-x) ] / [ NCn ]; para x en
{ 0,1,...,n }
La media es: E(X) = nk/N y la varianza: var(X)
= [N-n]/[N-1] n (1-k/N) k/N
Dnde se aplica?
1. En situaciones de muestreo sin
reemplazo en que la muestra es un
porcentaje
considerable
de
la
poblacin. Como ejemplo, de un lote de
40 artculos se seleccionan al azar 4
para probarlos y si fallan la prueba ms
de 2 se rechaza el lote completo. Cul
es la probabilidad de rechazar un lote
que tenga 8 defectuosos? Dado que el
muestreo se hace sin reemplazo y la
fraccin de muestreo es grande (10%)
tenemos una v.a. hipergeomtrica. Los
parmetros son: N=40, k=8, n=4, X es
el nmero de defectuosos en la
muestra y queremos la probabilidad
P(X > 2) = P(X=3) + P(X=4) =
1792/91390 + 70/91390 = 0.0204
sta es la probabilidad de rechazar un
lote con 25% de defectuosos y es muy
baja. Para mejorar el proceso de
seleccin,
los
ingenieros
deciden
rechazar el lote cuando haya 2 o ms
defectuosos. Cul es la probabilidad
de rechazar un lote que tenga 8
defectuosos?
Los
parmetros
permanecen iguales lo que cambia es
la probabilidad, ahora es
P(X >= 2) = P(X=2) + P(X>2) = 0.1520
+ 0.0204 = 0.1724
Con esta nueva poltica de rechazar el
lote cuando sean 2 o ms, cul es la
probabilidad de rechazar un lote con 6
defectuosos? Los parmetros son,
ahora, N=40, k=6, n=4 y queremos la
probabilidad:
P(X > 10) = 1 - [P(X=0) + P(X=1)]
= 1 - [46376/ 91390 + 35904/ 91390]
= 0.0997
2. En el saln de tercer ao de una
escuela hay 35 alumnos, de los cuales
10 son nias y 25 nios. Se nombra un
23
comit de 7 alumnos que represente al
saln. La seleccin se hace al azar.
Qu probabilidad hay de que en el
comit haya mayora de nias? En esta
situacin se cumplen las hiptesis de
una hipergeomtrica. Los parmetros
son: N=35, k=10, n=7, X es el nmero
de nias en el comit. La probabilidad
pedida es:
P(X > 3) = P(X=4) + P(X=5) + P(X=6)
+
P(X=7)
= 0.0839
Problemas Propuestos:
1.
La probabilidad que en cierto
establecimiento
industrial
el
consumo de energa elctrica sea
normal en 24 horas es igual a .
Determinar
la
distribucin
de
probabilidad del nmero de das de
consumo
normal
de
energa
elctrica en un lapso de 6 das;
represente en un diagrama esta
distribucin . determine adems
cul es la probabilidad que haya 4
das de consumo normal?
2.
Se lanza un dado 4 veces cul es la
probabilidad
que
la
suma
9
aparezca exactamente 2 veces.
3.
Una mquina produce cierto tipo de
piezas , de las cuales un promedio
de 5% son defectuosas . En una
muestra aleatoria de cinco piezas .
cul es la probabilidad de obtener :
a)
Exactamente
una
pieza
defectuosa.
b) Por lo menos una pieza
defectuosa.
4.
La probabilidad de fallar durante el
vuelo para cada uno de los 6
motores de un avin es 0.0005 .
Suponiendo que los 6 motores
trabajan independientes, determine
la probabilidad que en un vuelo
determinado :
a) no ocurra ninguna falla de
motor.
b) No ocurra ms de una falla.
c) Ocurra exactamente 2 fallas.
5.
Suponga que los motores de un
avin de cierta marca que operan
independientemente , tienen una
probabilidad de falla
de 0.1 .
suponga que un avin efecta un
vuelo exitoso , si al menos la mitad
de
sus
motores
operan
normalmente , determine cul
avin , una con 4 motores y otro con
6
motores
,
tiene
mayor
23
6.
7.
8.
SESION 15
DISTRIBUCIN DE POISSON
Este modelo se llama as para honrar la
memoria de otro gran probabilista y
matemtico. La v.a. de Poisson se refiere a
sucesos en un intervalo de tiempo o en una
rea especfica. El intervalo de tiempo puede
ser de cualquier duracin, un minuto, una
hora, un da, un ao. Algunos ejemplos de
situaciones modeladas con el modelo de
Poisson son: el nmero de fallas de una
mquina en una semana, el nmero juegos de
algn deporte pospuestos por lluvia en una
temporada.
Cuando se trata de superficies, los ejemplos
son: el nmero de ratas en un terreno, el
nmero de errores de mecanografa por
pgina, el nmero de defectos por centmetro
cuadrado.
Para que una v.a. sea de Poisson, se requiere
que se satisfagan 3 hiptesis (que suelen
24
llamarse tambin postulados del proceso de
Poisson).
En los problemas que resolvemos en este
curso, el hecho de que el modelo a utilizar sea
el de Poisson, forma parte del enunciado del
problema.
La v.a. de Poisson tiene un solo parmetro que
es mu = lambda.t ;donde t es la longitud del
intervalo o la superficie de la regin y lambda
es la tasa de ocurrencia de eventos por unidad
de medida.
La imagen de la v.a. de Poisson es {0, 1, 2, . . .
} es decir todos los enteros no negativos. La
funcin de probabilidad esta dada por:
P(X = k) = exp(-mu)[mu(k) / k!]; k = 0, 1, 2, . . .
La media es E(X) = mu y la varianza es var(X)
= mu.
Dnde de aplica la v.a. de Poisson?
1. Si el promedio de llamadas por da
hbil (de ocho horas) que se reciben en
un banco es 96. Cul es la
probabilidad de que en una hora se
reciban exactamente 14?
Aqu, mu = 12 y
P(X = 14) = e(-12)[12(14) / 14!] = 0.0905
En la misma situacin Cul es la
probabilidad de tener ms de 16
llamadas
en
una
hora?
Ahora
queremos:
P(X > 16) = 1 - P(X <= 16)
esta ltima probabilidad la leemos en la
tabla de Poisson y tenemos:
P(X > 16) = 1 - 0.8987 = 0.1013
2. Una aplicacin muy importante de la
probabilidad de Poisson se da para
aproximar
la
binomial.
Esta
aproximacin
funciona
bajo
las
siguientes circunstancias.
o La v.a. X cuyas probabilidades
se quieren es binomial.
o La n es muy grande (n >= 20) y
o La p es muy pequea (p <=
0.05).
o De modo que, aproximadamente
np < 5
En estas condiciones:
P(X = k) aproximadamente es exp(-mu)
[mu(k) / k!]
donde mu = np
Ejemplo. En una cierta comunidad la
probabilidad de que una persona
infectada por neumona muera es
0.002. Cul es la probabilidad de que
mueran a lo ms 5 de las siguientes
2000 personas infectadas? Aqu se dan
las condiciones para la aproximacin:
n= 2000 y p = 0.002 de modo que mu
= 4 y la probabilidad pedida se obtiene
de la tabla como
24
P(X >= 5) aproximadamente es 0.7851
3. Un mecangrafo comete, en promedio,
2 errores por pgina. Cul es la
probabilidad de que tenga ms de 20
errores en un documento de 7 pginas?
Aqu mu = 14 que es el nmero
esperado de errores en el documento.
La probabilidad buscada, usando la
tabla es
P(X > 20) = 1 - P(X <= 20) = 0.0479
25
seleccionada al azar sea la primera
defectuosa?
Aqu aplicamos el modelo geomtrico
con p=0.01. La probabilidad que
requerimos es P(X = 5). De acuerdo a
la
frmula
sta
es:
(0.99)4(0.01)=0.0096
La Binomial Negativa es el modelo que
aplicamos cuando, en la misma situacin que
la geomtrica, nos interesa el nmero de
intentos necesarios para obtener el k-simo
xito.
La imagen de esta variable aleatoria es: {k,
k+1, k+2, . . . }
La funcin de probabilidades es:
(k) (m-k)
P(X
=
m)
=
<B
(m-1)C(k-1)p q
para m en { k, k+1, k+2, . . . }
Dnde se aplica?
1. Una persona se entretiene lanzando al
aire dos monedas, las recoge y las
vuelve a lanzar, siempre lanzando las
dos. Cul es la probabilidad de que las
dos monedas caigan guilas ambas por
tercera
ocasin,
en
el
sexto
lanzamiento.
Este es un problema binomial negativo
(tambin parece un problema de
ociosos!) donde xito es que las dos
monedas caigan ambas guilas. La
probabilidad de que suceda esto, en un
solo intento es p = 0.25. Si X es el
nmero de intento en que ambas sean
guilas por tercera vez, X es binomial
negativa con k=3. La probabilidad que
se nos pide es P(X = 6) usando la
frmula, tenemos:
3
3
5C2(0.25) (0.75) = 0.0659
SESION 16
DISTRIBUCIONES CONTINUAS
Modelos Uniforme y Exponencial.
En las notas anteriores definimos el modelo
exponencial (con media beta) y el modelo
uniforme en el intervalo (0, 1).
Slo queda mencionar respecto a ellos sus
usos ms frecuentes.
El modelo exponencial se usa para modelar
tiempos de espera.
Por ejemplo, el tiempo que un foco dura
prendido hasta el momento en que se funde es
una variable aleatoria ya que el foco se puede
fundir en cualquier momento. La experiencia
de las personas que se dedican al
mantenimiento indica que este fenmeno se
puede modelar bien con la densidad
exponencial.
Otro ejemplo es el tiempo entre llegadas de
llamadas telefnicas a un conmutador. En este
25
LA DISTRIBUCION NORMAL.
La Normal Estndar
El modelo normal estndar es el de una
variable aleatoria continua cuya imagen son
todos los nmeros reales.
La densidad de la normal estndar es:
f(z) = (2)-1/2exp(-z2 / 2)
Esta funcin no tiene una integral elemental
de modo que se requiere una tabla especial
para conocer los valores de la probabilidad de
una
variable
normal.
La
tabla
da
probabilidades para
F(t) = P(Z < t)
26
26
75
]
2
P[ -1/2 < Z < 1 ] = (1) ( 1 / 2)
= 0.8413 0.3085
= 0.5328
b)
P[ X > 10 ] = 1 - P[ X 10 ]
X
= 1 - P [
10 5
]
2
= 1 - P[ Z < 5/2 ] =
= 1 - ( 2.5)
= 1 0.9938 = 0.0062
<
Problemas Propuestos.
1.
Sea X una variable aleatoria con
N( , 25 )
Calcular: P[ X > 3 ]
2.
Si
X es una
variable aleatoria con
N( 650, 625 ). Hallar la constante c > 0
tal que:
P[ X 650 < c ] = 0.9544
3.
En una distribucin normal se tienen los
siguientes datos:
P[ X < 45 ] = 0.31
P[ X > 64 ]
= 0.08
Hallar la media y la desviacin estndar
de la distribucin.
4.
Una pequea ciudad es abastecida de
agua cada 2 das ;
El consumo en
volumen de agua para esa pequea
ciudad tiene una distribucin normal con
media 20000 litros y una desviacin de
1000 litros ( se entiende el consumo cada
2 das ) . Se trata de hallar la capacidad
de su tanque de agua para que sea de
solo 0.01 , la probabilidad que en un
periodo de dos das el agua no sea
suficiente para toda la demanda.
27
5.
SESION 17
TEOREMA CENTRAL DEL LMITE
La distribucin de probabilidad de una
estadstica
Quiz el resultado mas importante para la
estadstica es el Teorema del Lmite Central.
Este resultado nos indica que, para la
estadstica promedio de la muestra
el valor esperado es la media de la
poblacin.
la varianza es igual a la de la poblacin
dividida
por
el
nmero
de
elementos de la muestra.
la distribucin de probabilidad es la
normal.
Este teorema es muy importante porque
permite calcular probabilidades acerca de
dnde se encuentra el valor del promedio
muestral. Es slo cuestin de usar la tabla
normal teniendo cuidado al estandarizar de
usar la desviacin estndar adecuada que es
la de la poblacin dividida por la raz cuadrada
del nmero de elementos de la muestra.
En el saln hacemos en forma detallada,
ejemplos de estos clculos
4.
27
Sea
Cul es la probabilidad de que
se
diferencie de la proporcin p de
votantes afirmativos que hay en la
poblacin en menos de 0.01?
Un jugador va a jugar a cara o cruz 400
partidas, en cada una de las cuales, y
con idntica probabilidad, puede ganar
o perder una peseta. Cul es la
28
mnima cantidad que debe llevar para
que, supuesto que los pagos o cobros
se hacen al final de la serie, tenga una
probabilidad de 0.95 de hacer frente a
sus posibles prdidas?
6.
Se toman 30 nmeros reales elegidos al
azar entre 10 y 20; cada uno de ellos
sirve para formar un paraleleppedo de
dimensin 30.
Calcular el valor de a para que P(Volumen
< a)=0.95
7.
Supongamos
que
extraemos
una
muestra aleatoria simple de una
poblacin que se distribuye segn una
U[0,2]. Encontrar aproximadamente la
probabilidad de que la media muestral
es encuentre entre 0.8 y 1.1, si el
tamao de la muestra es 48.
8.
9.
10.
Sea
variables aleatorias
independientes
e
idnticamente
distribuidas con media 75 y varianza
225.
a.
Utilizar
la
desigualdad
de
Tchebichev para calcular la
probabilidad de que la media
muestral no difiera de la media
poblacional en ms de 6
unidades.
b.
Utilizar el Teorema Central de
Lmite para calcular la misma
probabilidad.
Un individuo posee tres monedas
idnticas externamente, pero en las
que las probabilidades de obtener cara
son diferentes e iguales a 0.8, 0.6 y
0.4. Las tres monedas son lanzadas
simultneamente 100 veces.Cul es la
probabilidad de obtener ms de 175
caras en los 100 lanzamientos?
En un cierto juego la probabilidad de
ganar es 18/37. Supongamos que en
cada juego se puede ganar 1 pts. o
perder 1 pts.Cuntas veces hay que
jugar para ganar al menos 1000 pts.
con probabilidad 0.5?
Las ganancias diarias de un jugador (en
dlares) se distribuyen uniformemente
en el intervalo (-40,50). Cul es la
probabilidad de que el jugador gane
ms de 500 dlares en 60 das?
SESION 18
PRUEBAS DE HIPTESIS
Introduccin y Suposiciones
Una hiptesis es una aseveracin sobre algn
atributo poblacional. Segn Mndez (1973),
una hiptesis es "Una suposicin terica que
28
29
analizar
cuidadosamente
el
experimento
para
determinar
las
causas de la falta de independencia y
corregir estas fallas (Sokal y Rohlf,
1995).
3. Varianzas
homogneas.
La
variabilidad de las observaciones entre
dos o mas conjuntos de datos debe ser
similar: Sigma12 = sigma_22 =... =
sigmat2. Esto significa que las fuentes
de error experimental deben ser
similares. Cuando las varianzas no son
homogneas puede haber problemas
en la deteccin de diferencias entre
medias. En este caso conviene realizar
una transformacin para hacer las
varianzas homogneas o bien hacer el
anlisis con subgrupos. Otra alternativa
es emplear mtodos no paramtricos.
Procedimiento
General
para
Formular
y
Probar
Hiptesis
Estadsticas
La formulacin y prueba de hiptesis
estadsticas siguen, en general, los
siguientes pasos (no necesariamente
en este orden):
Especificar la poblacin sobre la cual
nuestras inferencias son aplicables.
Extraer una muestra de la poblacin
sobre la cual se pretende probar alguna
hiptesis. Esta muestra (o muestras)
deben extraerse al azar para que las
inferencias tengan validez. El tamao
de muestra depende de la variabilidad
de los datos, los costos de procesar la
muestra y la confiabilidad en las
estimaciones.
Establecer la hiptesis nula e hiptesis
alternativa. La hiptesis nula (Ho) es la
aseveracin de que el parmetro es
igual a cierto valor, mientras que la
hiptesis
alternativa
(Ha)
es
la
negacin de la hiptesis alternativa. Por
ejemplo, para determinar la efectividad
de algn insecticida, Ho sera: no hay
efecto del insecticida sobre la poblacin
de insectos plaga de inters. La
hiptesis alternativa seria que s existe
efecto del plaguicida. El rechazo de Ho
significa la "aceptacin" de la hiptesis
alternativa. La decisin sobre el
rechazo o no de la hiptesis nula
siempre conlleva un riesgo de error
pues la decisin se basa en una
muestra que no contiene todos los
elementos de la poblacin. Cuando no
se rechaza Ho no quiere decir que se
acepta Ho. Es decir, la evidencia no
29
30
incertidumbre (baja) de cometer un error tipo
I.
Distribuciones de Referencia
La mayora de las pruebas estadsticas hacen
uso de una distribucin de referencia. Una
distribucin de referencia es un modelo
probabilstico de la estadstica de prueba que
ocurre cuando Ho es cierta, es decir, cuyo(s)
parmetro(s) corresponden a los establecidos
en la hiptesis nula. Con esta distribucin de
referencia podemos calcular las probabilidades
de obtener el valor observado de dicha
estadstica. Por ejemplo, suponga que
examinamos una muestra de la cual
obtuvimos una media muestral =8. Podemos
suponer que este valor provino de una
distribucin N(5,2), es decir, de una
distribucin
de
medias
distribuidas
normalmente, Media ~ N(5, 2). En este caso,
estamos suponiendo que la media poblacional
<= 5, i.e., Ho: <= 5, contra Ha: > 5.
Adems, tambin suponemos que la varianza
de las medias es 2. La Figura 1 ilustra la
distribucin probabilstica N(5,2).
30
31
entonces B1 <> 0, de otra manera no
existe relacin entre X y Y y el modelo
se colapsa a: Yi = B0 + ei.
B0 representa la media general y B1 la
pendiente de una recta. La hiptesis
que se desea probar es: Ho: B1 = 0 vs
B1 <> 0.
Varias
poblaciones
(>
2
poblaciones)
1. Se evalan cuatro herbicidas A, B, C, D.
Los herbicidas A y B son preemergentes
y C, D post-emergentes. Los herbicidas
A y C contienen el mismo ingrediente
activo y
la misma formulacin pero son hechos
por dos compaas distintas y tienen
costo distinto. El herbicida B es una
mezcla del ingrediente activo del
herbicida A y otro componente. Lo
mismo ocurre con el herbicida D. Es
decir, el herbicida D es una formulacin
del herbicida C (ingrediente activo) con
otro ingrediente activo. Adems de
estos
herbicidas
se
tiene
un
tratamiento testigo (no hay control de
malezas) y otro tratamiento que
consiste en control manual (machete).
Los herbicidas A y B son producidos por
la
compaa
Agroqumicos-1,
los
herbicidas C y D son producidos por la
compaa Agroqumicos-2.
Se formulan las siguientes hiptesis:
a) Existe diferencia en los tratamientos
qumicos con respecto al testigo (no
control) ?
b) Existe diferencia entre los herbicidas
preemergentes con respecto a los
postemergentes?
Observe que estas hiptesis son
propuestas antes del experimento
2. Se disea un experimento para
determinar la efectividad de dos
depredadores:
Hippodamia
y
Coccinella.
Se
evalan
ambos
depredadores tanto en estado larval
como
adultos.
Se
prueban
las
siguientes hiptesis:
Existen diferencias en el consumo entre
Hippodamia y Coccinella?
Existen diferencias en el consumo de
pulgones entre larvas y adultos de
ambos depredadores?
La diferencia en el consumo entre
larvas y adultos es el mismo para las
dos especies?
3. Se prueban varias variedades de
frijol con respecto al ataque de
31
Zabrotes. El objetivo es determinar si
existen
variedades
resistentes
al
ataque de este insecto, evaluado
mediante
el
efecto
de
dichas
variedades
sobre
las
tasas
de
desarrollo. Una hiptesis de interes
sera:
Cual es la variedad mas resistente con
respecto al testigo
PROBLEMAS PROPUESTOS:
1.
Un contador cree que los
problemas de flujo de efectivo de una
empresa son resultado directo del lento
proceso de cobro de las cuentas por
cobrar. Dice que al menos el 70% de las
actuales cuentas por cobrar tienen ms
de dos meses. Una muestra de 120
cuentas por cobrar indica que hay 78
con ms de dos meses. Pruebe la
afirmacin del contador, al nivel de
significancia de =0.05.
2. Se tiene
hiptesis:
la
siguiente
prueba
de
Ho: 1 - 2 0
Ha: 1 - 2 > 0
Los resultados siguientes son para dos
muestras independientes tomadas de
dos
poblaciones
Muestra 1
n1 = 40
Muestra 2
n2 = 50
= 22.8
= 25.2
S1 = 5.2
S2 = 6.0
a) Cul es su conclusin de la prueba de
hiptesis con
= 0.05?
b) Cul es el valor p?
3. Se tiene la siguiente prueba de
hiptesis
Ho: 1 - 2 = 0
Ha: 1 - 2 0
Los resultados siguientes son para dos
muestras independientes tomadas de dos
poblaciones
Muestra 1
n1 = 80
= 104
Muestra 2
n2 = 70
= 106
32
S1 = 8.4
S2 = 7.6
a. Cul es su conclusin de la prueba de
hiptesis con
= 0.05?
b. Cul es el valor p?
RESPUESTA: a) z = -1.53; no rechazar H o
b)
0.1260
4. Se tiene la siguiente prueba de
hiptesis
Ho: 1 - 2 = 0
Ha: 1 - 2 0
Los resultados siguientes corresponden
a dos muestras independientes de las
dos poblaciones. Cul es su conclusin
de la prueba de hiptesis con a = 0.05?
Muestra 1
n1 = 8
Muestra 2
n2 = 7
= 1.4
= 1.0
S1 = 0.4
S2 = 0.6
5. Los
siguientes
estadsticos
corresponden al ejercicio anterior, en el
que con dos muestras independientes
de
viajeros
se
calificaron
los
aeropuertos de Miami y Los ngeles.
Aeropue Tamao
Media
Desviaci
rto
de
la de
la n estndar
muestra
muestra de
la
muestra
Miami
50
6.34
2.163
Los
50
6.72
2.374
ngeles
Es la media de la poblacin de
calificaciones del aeropuerto de Los
ngeles mayor que la del de Miami? Apoye
su conclusin con una prueba estadstica
que emplee un nivel de significancia de
=0.05
RESPUESTA: 0.84, no rechazar Ho
6. El estudio de las tiendas Greyston
Department Store de la seccin 10.1
produjo los siguientes datos acerca de
las edades de los clientes, con dos
muestras aleatorias independientes
tomadas en dos lugares de la ciudad.
Tienda del centro
Tienda suburbana
n1 = 36
n2 = 49
= 40 aos
S1 = 9 aos
= 35 aos
S2 = 10 aos
32
Alumnos hombres
= 547
= 525
S1 = 83
S2 = 78
Esos datos, respaldan la conclusin que, dada
una poblacin de alumnos mujeres y una de
alumnos hombres con aptitudes matemticas
altas, los alumnos mujeres tienen una aptitud
bastante mayor de expresin oral? Haga la
prueba con nivel de significancia de = 0.02.
Cul es su conclusin?
RESPUESTA: z = 4.99; rechazar Ho