Cap 1

Apuntes para Clases 1
Curso : Probabilidades MA 442 Ingeniera Civil

Profesor : Ral Zhigley C.
1. TRATAMIENTO DE DATOS
1.1. RESUMEN NUMRICO
1.1.1. MEDIDAS DE CENTRALIZACIN

1.1.1.1. LA MEDIA
Una de las medidas de posicin central que cualquiera tiene en mente es el promedio
suele drsele el nombre de media.
Definicin:
La media de un conjunto de observaciones numricas es la suma de los valores del

conjunto dividida por el nmero de observaciones.
TABLA 1: Salarios anuales de la plantilla de supervisores de ventas
US$ 34.500 US$ 30.700 US$ 32.900 US$ 36.000 US$ 34.100 US$ 33.800 US$ 32.500
Por ejemplo, el salario medio anual para los supervisores de ventas de la Tabla 1 es
34 .500 + 30 .700 + 32 .900 + 36 .000 + 34.100 + 33.800 + 32.500

Media = = 33 .500 dlares
7
El salario medio para los miembros de esta plantilla es de 33.500 dlares.
FIGURA 1 Salarios anuales de la plantilla de supervisores de ventas:
30.000 32.000 34.000 36.000

Salario (en dlares)
1
Expresiones algebraicas para la media:
(i) Sean x1 , x 2 ,....., x N los N datos correspondientes a una poblacin. Entonces,

la media poblacional es
x
i =1
i
=
N
(ii) Sean x1, x2 ,....., xn los n datos correspondientes a una muestra. Entonces la
media muestral es
x
i =1
i
X =
n
EJEMPLO 1: En una muestra de ocho compaas norteamericanas se observaron los

siguientes cambios porcentuales en las ganancias por accin en un ao con respecto al
anterior:
13,6% 25,5% 43,6% -19,8% -13,8%

12,0% 36,3% 14,3%
Hallar la media muestral del cambio porcentual de las ganancias por accin.
La muestra contiene n = 8 observaciones, por tanto, su media es
x
i =1
i
13,6 + 25,5 + 43,6 + ( 19,8) + ( 13,8) + 12,0 + 36,3 + 14,3
x= = = 13,9625%
n 8
As pues, el cambio porcentual medio de las ganancias por accin para esta muestra es
del 13,9625%, es decir, aproximadamente del 14%.
EJEMPLO 2: En un perodo de siete aos, los rendimientos anuales en tanto por ciento
de una accin burstil fueron.
4,0% 14,3% 19,0% -14,7% -26,5% 37,2% 28,8%
Hallar, para este perodo, la media poblacional del rendimiento en tanto por ciento.
2
Si tomamos las siete observaciones como poblacin de inters, tenemos N = 7, y su

media ser
x
i =1
i
4,0 + 14,3 + 19,0 + ( 14,7) + (26,5) + 37,2 + 23,8
= = = 8,1571%
N 7
El porcentaje medio de rentabilidad en estos 7 aos fue del 8,1571%. De cara a la

presentacin de resultados, es preferible redondear el resultado, en este caso al 8,2%
1.1.1.2. LA MEDIANA
Definicin:
La mediana de un conjunto de observaciones es la observacin que ocupa el lugar

central cuando stas estn ordenadas en sentido creciente si el nmero de
observaciones es impar, y el promedio de las dos observaciones centrales si la
cantidad es par.
Es decir, si se tienen N observaciones ordenadas

Cuando N es impar, la mediana es la observacin que ocupa la posicin
[(N + 1) / 2] , y la Cuando N es par, la mediana es la media entre las
observaciones que ocupan las posiciones ( N / 2) y [(N + 2) / 2]
Consideremos de nuevo los siete salarios de la Tabla 1. Ordenando los datos de mayor a
menor, tenemos
US$ 30.700 US$ 32.500 US$ 32.900 US$ 33.800 US$ 34.100 US$34.500 US$36.00.
Con los datos ordenados de este modo, el valor central es 33.800 dlares.
FIGURA 2: Salarios anuales de la plantilla de supervisores de ventas, con la media y la

mediana indicadas.
Media Mediana
30.000 32.000 34.000 36.000

Salario (en dlares)
3
FIGURA 3: Cuatro registros de la temperatura, con la media y la mediana sealadas
Mediana Media
19 22 25 28 31
Temperatura (en C)
As pues, hasta ese momento, el conjunto de datos del que dispona consista en cuatro
observaciones:
19 20 20 21
1.1.1.3. LA MODA
Definicin:
La moda de un conjunto de observaciones es el valor que aparece con mayor

frecuencia.
El concepto de moda es relevante en los casos de conjuntos de datos en los que hay
observaciones que aparecen varias veces, como ocurre en el siguiente ejemplo.
EJEMPLO 3: Un fabricante de radios porttiles escogi como muestra las 50 radios

fabricadas durante una semana. Se analizaron las radios minuciosamente, y se anot el
nmero de defectos encontrado en cada una de ellas. El resumen de esta informacin
aparece a continuacin:
TABLA 2:
NMERO DE DEFECTOS 0 1 2 3
NMERO DE RADIOS 12 15 17 6
Encontrar la moda del nmero de defectos de esta muestra.
Como el nmero de radios con dos defectos es mayor que cualquier otro, la moda de esta
muestra es 2.
4
La moda es una medida menos usada que la media o la mediana en las aplicaciones
econmicas. Tal vez, en el contexto en el que ms se use, sea en el caso de fbricas que
elaboran productos con diferentes tamaos, como la ropa. La talla modal de las
unidades vendidas ser aquella con mayor demanda.
1.1.2. MEDIDAS DE DISPERSIN
1.1.2.1 LA VARIANZA Y LA DESVIACIN TPICA POBLACIONAL
Definicin:
Sean x1 , x 2 ,..., x n los N miembros de una poblacin con media . La varianza

poblacional, 2 , es el promedio de los cuadrados de las diferencias entre estos valores y
su media. Es decir,
N N
(x ) x
2 2
i i
i =1 i =1
2 = = 2
N N
La desviacin tpica poblacional, , es la raz cuadrada (positiva) de la varianza.

Salarios anuales de los supervisores de ventas
FIGURA 4:
27.000 31.000 35.000 39.000

Salario (en dlares)
Datos de la tabla 1
.
5
TABLA 3: Clculos para hallar la varianza de los datos de la Tabla 1.
xi xi = x i 33.500 ( xi )2
34.500 1.000 1.000.000
30.700 -2.800 7.840.000
32.900 -600 360.000
36.000 2.500 6.250.000
34.100 600 360.000
33.800 300 90.000
32.500 -1.000 1.000.000
Sumas 0 16.900.000
(x )
2
i
i =1 16.900.000
2 = = = 2.414.286
N 7
FIGURA 5:
27.000 31.000 35.000 39.000

Salario (en dlares)
Datos de la tabla 2
TABLA 4: Clculos para hallar la varianza de los datos de la Ta bla 2.
xi xi = x i 33.500 ( xi )2
34.900 1.400 1.960.000
27.500 -6.000 36.000.000
31.600 -1.900 3.610.000
39.700 6.200 38.440.000
35.300 1.800 3.240.000
33.800 300 90.000
37.700 -1.800 3.240.000
Sumas 0 86.580.000
(x )
2
i
i =1 86.580.000
2 = = = 12.368.571
N 7
6
EJEMPLO 4: En el ejemplo 2, analizbamos el porcentaje de rentabilidad anual de las

acciones de una empresa en un perodo de siete aos. Durante este mismo perodo, los
porcentajes de rentabilidad anual de los Bonos del Tesoro fueron
6,5% 4,4% 3,8% 6,9% 8,0% 5,8% 5,1%
Comparar estas dos distribuciones poblacionales a partir de sus medias y desviaciones

tpicas.
Para las acciones, ya vimos en el Ejemplo 2, que la media del porcentaje de rentabilidad
durante estos siete aos era
= 8,1571%
La suma de los cuadrados de esta rentabilidad es
7 2
xi2 = (4,0) + (14,3) + (19,0) + ( 14,7) + ( 26,5) + (37,2) + (23,8) = 3.450 ,11
2 2 2 2 2 2
i =1
Por tanto, la varianza es
x
i =1
i
6,5 + 4,4 + 3,8 + 6,9 + 8,0 + 5,8 + 5,1
= 2
= = 5,7857%
N 7
Para computar la varianza de estos porcentajes de rentabilidad calcularemos primero la

suma de cuadrados
x = (6,5) + (4, 4) + (3,8) + (6,9) + (8,0) + (5,8) + (5,1) = 247,31

2 2 2 2 2 2 2 2
i
i =1
La varianza es, entonces,

N
x 2
i
(5,7857) = 1,8557
i =1 247.31
2 = 2 =
2
N 7
Por tanto, la desviacin tpica es

= 2 = 1,8557 = 1,3622 %
En la tabla que aparece a continuacin, se recogen las medidas que resumen los datos de
porcentajes de rentabilidad de estos dos tipos de inversin durante el perodo
considerado; todos los nmeros han sido redondeados a una sola cifra decimal.
7
TABLA 5:
ACCIONES BONOS DEL TESORO

Media 8,2% 5,8%
Desviacin tpica 20,6% 1,4%
Puede observarse que las acciones tienen una mayor tasa media de rentabilidad, pero las
rentabilidades de los Bonos del Tesoro tuvieron una variabilidad sensiblemente menor.
En el contexto de este ejemplo, puede pensarse en la desviacin tpica como en una

medida de la incertidumbre (o riesgo) de la rentabilidad de una inversin. Es decir, la
rentabilidad media fue mayor para las acciones, pero su riesgo, que viene medido por la
desviacin tpica de la rentabilidad, fue tambin mayor.
INTERPRETACIN DE LA DESVIACIN TPICA POBLACIONAL
Regla de Tchebychev
Para cualquier poblacin con media y desviacin tpica , al menos el
100 (1 1 / m 2 )% de los valores de la poblacin se encuentran a una distancia de la media
menor que m veces la desviacin tpica, para cualquier nmero m > 1.
Regla emprica
Para la mayora de poblaciones grandes, aproximadamente el 68% de los valores de la
poblacin se encuentran una distancia de la media menor que una desviacin tpica, y
aproximadamente el 95% estn a una distancia de la media menor que dos veces la
desviacin tpica.
8
1.1.2.2. LA VARIANZA Y LA DESVIACIN TPICA MUESTRAL
Definicin:
Sean x1 , x 2 ,...., x n los n valores de una muestra cuya media es x . La varianza muestral,
s 2 , se define como
(x x)
n
2
i
i =1
s2 =
n 1
Una frmula equivalente, ms fcil de calcular es
n
x nx
2 2
i
i =1
s2 =
n 1
EJEMPLO 5. Hallar la desviacin tpica muestral de los porcentajes de incremento de

ingresos para las ocho corporaciones del Ejemplo 1
Habamos visto que para el ejemplo 1
n=8 x = 13,9625%
La suma de los cuadrados de los valores muestrales es
x = (13,6) + (25,2 ) + (43,6 ) + ( 19,8) + ( 13,8) + (12,0 ) + (36,3) + (14,3) = 4.984,83

2 2 2 2 2 2 2 2 2
i
i =1
Por tanto, la varianza muestral es
x nx
2 2
4.984,83 (8)(13,9625)
i 2
i =1
s =
2
= = 489,3170
n 1 7
En consecuencia, la desviacin tpica muestral es

s = s 2 = 489 ,3170 = 22 ,1%
La varianza y la desviacin tpica son las medidas numricas ms usadas para medir la
dispersin de un conjunto de datos. Esta popularidad se debe al hecho de que, cuando se
quieren hacer inferencias sobre una poblacin a partir de una muestra, es ms
conveniente usar estas medidas. Sin embargo, en algunas ocasiones, sern preferibles
9
otras medidas de dispersin. En el resto de esta seccin discutiremos brevemente tres

alternativas.
1.1.2.3. LA MEDIA DE LAS DESVIACIONES ABSOLUTAS
Definicin:
Sean x1 , x2 ,....., x N los N valores de una poblacin cuya media es . La media de las
desviaciones absolutas es el promedio del valor absoluto de las desviaciones de estos
valores respecto a su media, es decir,
N
x
i =1
i
MDA =
N
La media muestral de las desviaciones absolutas se define de manera anloga como el

promedio de las desviaciones absolutas de las observaciones muestrales respecto a su
media.
EJEMPLO 6: Hallar la media de las desviaciones absolutas de los salarios anuales de

los supervisores de ventas de la Tabla 1.
El salario medio para los individuos de esta plantilla era

= 33 .5000 dlares
Las operaciones necesarias para calcular la media de las desviaciones absolutas aparecen
en la tabla.
TABLA 6:
xi xi = x i 33.500 xi
34.700 1.000 1.000
30.700 -2.800 2.800
32.900 -600 600
36.000 2.500 2.500
34.100 600 600
33.800 300 300
32.500 -1.000 1.000
Sumas 0 8.800
En esta tabla, vemos que
x
i =1
i = 8.800
10
Por tanto, la media de las desviaciones absolutas es
x
i =1
i
8.800
MDA = = = 1.257 dlares
N 7
As pues, el promedio de la desviacin absoluta de estos salarios respecto a la media es

de 1.257 dlares.
1.1.2.4. EL RANGO O RECORRIDO
Definicin:
El rango o recorrido de un conjunto de datos es la diferencia entre la mayor y la

menor de sus observaciones
EJEMPLO 7: Hallar el rango o recorrido de los salarios anuales de los supervisores de

ventas de la Tabla 1.
En la tabla 1 vemos que el salario mayor es de 36.000 dlares y el menor de 30.700

dlares. Por tanto, el recorrido es
Recorrido = 36.000 30.700 = 5.300 dlares
1.1.2.5. EL RANGO INTERCUARTLICO
Cuartiles y rango intercuartilico
Supongamos que se tienen N observaciones ordenadas de menor a mayor, entonces:

El primer cuartil es la observacin que ocupa la posicin [(N + 1) / 4]
El segundo cuartil (la mediana) es la observacin que ocupa la posicin [(N + 1) / 2].
El tercer cuartil es la observacin que ocupa la posicin [3(N + 1) / 4].
Cuando ( N + 1) no es un mltiplo entero de 4, los cuartiles se calculan por interpolacin.

Por ejemplo, si el nmero de observaciones es N = 12 , entonces ( N + 1) = 13 .
Por tanto, ( N + 1) / 4 = 3,25 , por lo que se toma como primer cuartil el nmero que est a
un cuarto del camino entre la tercera y la cuarta observacin.
Anlogamente, puesto que 3( N + 1) / 4 = 9,75 , tomamos como tercer cuartil el nmero
que est a tres cuartos del camino entre la novena observacin y la dcima.
11
La diferencia entre el tercer y el primer cuartil nos da una medida de la dispersin que
se conoce con el nombre de rango intercuartlico.
EJEMPLO 8: Hallar el rango intercuartlico de los cambios porcentuales de ganancias

por accin para las ocho corporaciones del Ejemplo 1
Ordenadas de mayor a menor, las observaciones son
-19,8 -13,8 12,0 13,6 14,3 25,5 36,3 43,6
Para estos datos, la mediana es el promedio de la cuarta y la quinta observacin, esto es,
13,95%.
Puesto que tenemos n = 8 observaciones, tenemos (n+1)/4 =2,25. Por tanto, el primer
cuartil estar a un cuarto del camino que ,va desde la segunda observacin (-13,8) a la
tercera (12,0). Es decir,
Primer cuartil = 13,8 +

1
[12,0 ( 13,8)] = 7,35 %
4
De forma anloga, puesto que 3(n+1)/4 = 6,75, el tercer cuartil ser el nmero que se
encuentre a tres cuartos del camino que va desde al sexta observacin (- 25,5) a la
sptima (36,3). Por tanto,
3
Tercer cuartil = 25,5 + (36,3 25,5) = 33,60 %
4
Por ltimo, el rango intercuartlico es la diferencia entre el tercer y el primer cuartil,
Rango intercuartlico = 33,60 ( 7,35) = 40,95%
FIGURA 6: -7.35 13.95 33.60
12
1.2. OTROS MTODOS GRFICOS
1.2.1. DIAGRAMAS DE BARRAS
TABLA 7: Nmero de personas que visitaron los Estados Unidos en 1992
PAS DE ORIGEN NMERO (EN MILLONES)

Japn 3,7
Reino Unido 2,8
Alemania 1,7
FIGURA 7:
TABLA 8: Porcentaje de mujeres casadas y con hijos menores de seis aos que trabajan
fuera de casa
AO 1960 1965 1970 1975 1980 1985 1990

PORCENTAJE 19 23 30 37 45 53 59
FIGURA 8:
13
TABLA 9: Nmero de hectreas de selva tropical (millones)
1980 1990
Amrica Latina 2.279 2.074
frica 1.606 1.482
Asia 767 679
FIGURA 9:
1.2.2. GRFICOS TEMPORALES
TABLA 10: Puntuaciones en el examen de matemticas de acceso a la Universidad
AO PUNTUACIONES AO PUNTUACIONES AO PUNTUACIONES

1973 481 1980 466 1987 476
1974 480 1981 466 1988 476
1975 472 1982 467 1989 476
1976 472 1983 468 1990 476
1977 470 1984 471 1991 474
1978 468 1985 475 1992 476
1979 467 1986 475 1993 478
FIGURA 10:
14
1.2.3. PICTOGRAMAS
FIGURA 11: Pictograma de los delitos informticos en los Estados Unidos
1.2.4. DIAGRAMAS DE DISPERSIN
TABLA 11: Tasas de inflacin y tipos de inters a largo plazo
PAS INFLACIN TIPOS DE PAS INFLAMACIN TIPOS DE

(%) INTERS (%) INTERS (%)
Francia 2,8 8,6 Grecia 15,9 22,5
Alemania 4,5 7,9 Irlanda 3,0 9,4
Italia 5,5 13,1 Luxemburgo 3,2 7,9
Reino Unido 3,7 9,1 Holanda 3,7 8,1
Blgica 2,4 8,6 Portugal 8,9 16,1
Dinamarca 2,0 9,8 Espaa 5,9 12,6
FIGURA 12: Diagrama de dispersin de la tasa de inflacin y de los tipos de inters a

largo plazo.
15
1.2.5. DIAGRAMAS DE CAJA
FIGURA 13: Diagrama de caja de las tasas de inflacin de doce pases de la Unin
Europea.
TABLA 12: Puntuaciones en el examen final.
PRIMER CICLO SEGUNDO TERCER CICLO

CICLO
47 72 56 76 43 80
52 72 59 80 48 80
52 78 59 83 50 83
57 81 61 83 55 85
63 81 67 84 61 86
64 86 69 90 67 91
69 91 73 94 72 97
71 76 78
FIGURA 14: Diagramas de caja de las puntuaciones en el examen
16
TABLA: Cuartiles de las puntuaciones en el examen.
PRIMER SEGUNDO TERCER

CICLO CICLO CICLO
Primer cuartil 57 61 55
Mediana 71 76 78
Tercer cuartil 81 83 85
1.3. MAL USO DE LA ESTADSTICA

1.3.1. AFIRMACIONES SUBJETIVAS
1.3.2. DESCRIPCIONES NUMRICAS INADECUADAS
1.3.3. ELECCIN DE LA ESCALA EN GRFICOS DE TIEMPO
FIGURA 14: Grfico temporal de las puntuaciones medias en el examen de

matemticas de acceso a la Universidad en EE.UU.
17
1.3.4. COMPARACIONES CON GRFICAS INADECUADAS
FIGURA 15: Nmero de personas procedentes de dos pases que visitaron los
Estados Unidos
1.3.5 COINCIDENCIAS QUE NO SON MS QUE ESO

1.3.6. GENERALIZACIONES A PARTIR DE MUESTRAS MUY PEQUEAS
18
ELEMENTOS DE TEORA DE LA PROBABILIDAD
Definicin:
Un experimento aleatorio es un proceso que puede concretarse en al menos dos

resultados posibles, con incertidumbre a cul de ellos tendr lugar.
Definicin:
Los resultados posibles de un experimento aleatorio se denominan resultados bsicos, y

el conjunto de todos resultados bsicos se llama espacio muestral.
EJEMPLO 1: Se lanza un dado. Los resultados bsicos son los nmeros 1, 2, 3, 4, 5,

6. De este modo, el espacio muestral es
S = [1,2,3,4,5,6]
Aqu vemos que hay resultados bsicos. No pueden ocurrir dos al mismo tiempo y uno
de ellos debe ocurrir.
Definicin:
Un suceso es un conjunto de resultados bsicos de un espacio muestral, y se dice que

ocurre si el experimento aleatorio da lugar a uno de los resultados bsicos que lo
constituyen.
Definicin:
Sean A y B dos suceso pertenecientes a un espacio muestral S. Su interseccin, se

denomina A B , es el conjunto de todos los resultados bsicos en S que pertenecen a A
y B. Por tanto, la interseccin, A B ocurre si y slo si tanto A como B ocurren.
De manera ms general, dados k sucesos E1 , E 2 , E k , su interseccin, E1 E 2 ... E k , es

el conjunto de todos los resultados bsicos que pertenecen a todo E i (i = 1,2,......, k ) .
Definicin:
Si los sucesos A y B no tienen en comn resultados bsicos, se denominan mutuamente

excluyentes y su interseccin A B es el conjunto vaco. De esto se deduce, entonces,
que A B no puede ocurrir.
De manera ms general, los k sucesos E1 , E2 ,...., Ek se dice que son mutuamente

excluyentes si todo para de estos sucesos es mutuamente excluyente, es decir, si
E i E j es el conjunto vaco para todo i j .
19
Definicin:
Sean A y B los dos sucesos en el espacio muestral S. Su unin, denomina A B , es el

conjunto de todos los resultados bsicos en S que pertenecen al menos a uno de estos dos
sucesos. Por tanto, la unin A B tiene lugar si y slo A y/o B ocurren.
De manera ms general, dados k sucesos E1 , E 2 ,...., E k , su unin, E1 E 2 L E k , es

el conjunto de todos los resultados bsicos pertenecientes al menos a uno de estos k
sucesos.
Definicin:
Sean E1 , E2 ,...., Ek k sucesos en el espacio muestral S. Si E1 E2 L Ek = S , estos

k sucesos se denominan colectivamente exhaustivos.
Definicin:
Sean A un suceso en el espacio muestral S. El conjunto de resultados bsicos de un

experimento aleatorio perteneciente a S pero no a A se denomina complementario de A,
y se representa por A .
EJEMPLO 2: Consideremos ahora el ndice industrial DowJones correspondiente a

dos das consecutivos. Designaremos los cuatro resultados bsicos como sigue:
o1 : el ndice sube los dos das

o2 : el ndice sube el primer da pero no el segundo
o3 : el ndice no sube el primer da pero sube el segundo
o4 : el ndice no sube ninguno de los dos das
Claramente, uno de estos resultados tiene que ocurrir, pero no ms de uno puede tener
lugar al mismo tiempo. Por tanto, podemos representar el espacio muestral como
S = [o1 , o2 , o3 , o4 ] .
Consideremos ahora los dos sucesos
A: el ndice sube el primer da

B: el ndice sube el segundo da
Observamos que el suceso A ocurre si o1 o o 2 ocurren, por lo que podemos escribir

A = [o1 , o2 ] . De manera similar, tenemos que B = [o1 , o3 ] .
20
La interseccin de A y B es el suceso el ndice sube el primero y el segundo da. ste

es el conjunto de todos los resultados bsicos pertenecientes a A y B, por lo que
A B = [o1 ] .
La unin de A y B es el suceso el ndice no sube el primer da. ste es el conjunto de

todos los resultados bsicos pertenecientes a A y/o B. Tenemos que A B = [o1 , o2 , o3 ] .
Finalmente, el complementario de A es el suceso el ndice no sube el primer da. ste

es el conjunto de todos los resultados bsicos en el espacio muestral S que no pertenecen
a A. Por tanto, A = [o3 , o4 ] .
NOCIN DE PROBABILIDAD
Definicin:
Sea N A el nmero de ocurrencias de un suceso A en N repeticiones. Entonces, siguiendo

el concepto de probabilidad de frecuencia relativa, la probabilidad de que A ocurra es el
lmite del cociente N A / N a medida que el nmero de intentos N se hace infinitamente
grande.
LA PROBABILIDAD Y SUS POSTULADOS
1. Si A es un suceso cualquiera en el espacio muestral S

0 P( A ) 1
2. Sea A un suceso en S, y sean O i los resultados bsico. Entonces,

P ( A ) = P (Oi )
A
donde la notacin indica que la sumatoria corresponde a todos los resultados
bsicos pertenecientes a A
3. P (S ) = 1 .
21
CONSECUENCIAS DE LOS POSTULADOS
(i) Si el espacio muestral S est por n resultados bsicos igualmente probables,

O1 , O2 ,...., On , entonces cada una de ellos tiene una probabilidad 1/n, es decir
1
P (Oi ) = (i = 1,2,..., n)
n
(ii) Si el espacio muestral S est por n resultados bsicos igualmente probables y el
suceso A est formado por n A de estos resultados, entonces,
P( A) = A
n
n
(iii) Sean A y B dos sucesos mutuamente excluyentes. Entonces la probabilidad de la
unin es la suma de las probabilidades individuales, es decir,
P( A B) = P( A) + P(B )
De manera ms general, si E1 , E 2 ,..., E k son sucesos mutuamente excluyentes
P (E1 E 2 L E k ) = P (E1 ) + P ( E 2 ) + L + P (E k )
(iv) Si E1 , E 2 ,..., E k son sucesos mutuamente excluyentes, la probabilidad de la unin es

P (E1 E 2 L E k ) = 1
EJEMPLO 3: En el Ejemplo 2, el comportamiento del ndice Dow-Jones durante dos

das y definimos cuatro resultados bsicos:
O1 : el ndice sube los dos da s

O2 : el ndice sube el primer da pero no el segundo
O3 : el ndice no sube el primer da pero sube el segundo
O4 : el ndice no sube ninguno de los dos das
En razonable sostener que estos cuatro resultados son igualmente probables. En ese
caso, cul es la probabilidad de que el ndice suba al menos uno de los dos das?.
El suceso de inters el ndice sube al menos uno de los dos das contiene tres de los
cuatro resultados bsicos O1 , O 2 , O3 . Dado que los resultados bsicos son igualmente
probables, se duduce que la probabilidad de este suceso es .
EJEMPLO 4: En la primera poca del desarrollo del yacimiento de petrleo de

Hibernia, en el Ocano Atlntico, la Secretara del Petrleo de Newfoundland estim en
0,1 la probabilidad de que las reservas econmicamente recuperables excedieran los
2.000 millones de barriles. La probabilidad de que las reservas excediesen los 1.000
millones de barriles se estim en 0,5. Dada esta info rmacin, cul es la probabilidad
estimada de que las reservas se encuentren entre 1.000 y 2.000 millones de barriles?.
22
Sea A el suceso las reservas exceden los 2.000 millones de barriles y sea B el suceso
las reservas se encuentran entre 1.000 y 2.000 millones de barriles. Estos sucesos son
mutuamente excluyente y su unin, A B , es el suceso las reservas exceden los 1.000
millones de barriles. Por tanto, tenemos que
P ( A) = 0,1 P ( A B ) = 0,5
Entonces, dado que A y B son mutuamente excluyentes
P(B ) = P( A B) P( A) = 0,5 0,1 = 0,4
REGLAS DE LA PROBABILIDAD
Sea A un suceso y A su complementario. Entonces,

P(A) = 1 P( A)
Regla de la suma de probabilidades

Sean A y B dos sucesos. La probabilidad de la unin es
P ( A B ) = P( A) + P (B ) P ( A B )
EJEMPLO 5: Una cadena de hamburgueseras que el 75% de sus clientes utiliza

mostaza, el 80% utiliza ketchup y el 65% utiliza ambos. Cul es la probabilidad de que
un determinado cliente utilice al menos uno de los dos?.
Sea A el suceso el cliente utiliza mostaza y sea B el suceso el cliente utiliza ketchup.
Del enunciado del ejemplo, tenemos que
P ( A) = 0,75 P (B ) = 0,80 P ( A B ) = 0,65
La probabilidad que buscamos es
P( A B) = P( A) + P(B ) P( A B) = 0,75 + 0,80 0,65 = 0,90
Definicin:
Sean A y B dos sucesos. La probabilidad condicional del suceso A, dado el suceso B,

denominada P( A / B) , se define como
P( A B )
P( A / B) =
P( B)
siempre que P(B) > 0 .
23
De igual modo, la probabilidad condicional de B dado A se define como
P( A B )
P (B / A ) =
P( A)
siempre que P( A) > 0.
EJEMPLO 6: Volvamos al Ejemplo 5. Si el 75% de los consumidores de la cadena

utilizan mostaza, el 80% utilizan ketchup y el 65% utilizan ambos, cules son las
probabilidades de que un consumidor de ketchup utilice motaza y de que un consumidor
de mostaza utilice ketchup?.
Sea A el suceso el cliente utiliza mostaza y sea B el suceso el cliente utiliza ketchup
de manera que P ( A) = 0,75, P (B ) = 0,80 y P ( A B ) = 0,65 . La probabilidad de que el
consumidor de ketchup utilice mostaza es la probabilidad condicional del suceso A, dado
el suceso B, es decir,
P ( A B ) 0,65
P( A / B) = = = 0,8125
P (B ) 0,80
Del mismo modo, la probabilidad de que el consumidor de mostaza utilice ketchup es
P ( A B ) 0,65
P (B / A ) = = = 0,8667
P( A) 0,75
Regla del producto de probabilidades
Sean A y B dos sucesos. La probabilidad de la interseccin es

P( A B) = P( A / B )P( B)
Tambin
P ( A B ) = P ( B / A )P ( A )
EJEMPLO 7: En el Ejemplo 6, vimos brevemente el mtodo de la respuesta

aleatorizada para la obtencin de respuestas verdaderas a preguntas delicadas en
encuestas. En una encuesta de este tipo, cada encuestado fue sometido a las siguientes
dos preguntas:
a) Es impar el ltimo dgito de su nmero de Cdula Nacional de Identidad?

b) Alguna vez, Ud. ha consumido algn tipo de droga?.
24
Se le pidi a los encuestados que lanzasen una moneda al aire y luego respondiesen a la
pregunta (a) si sala cara y a (b) en caso contrario. El 37% de los encuestados
respondieron s. Cul es la probabilidad de que un encuestado que contest a la
pregunta (b) respondiese s?.
Definamos los siguientes sucesos y sus probabilidades

A : el encuestado responde s P(A) = 0.37
E1 : el encuestado responde a la pregunta (a) P(E 1) = 0.5
E 2 : el encuestado responde a la pregunta (b) P(E 2) = 0.5
Dado que la mitad de los nmeros de la Cdula Nacional de Identidad tienen un ltimo
dgito impar, se verifica que la probabilidad de una respuesta afirmativa, dado que se ha
respondido a la pregunta (a) , es 0.5, es decir P(A|E 1 ) = 0.5
Entonces tenemos
P ( A) = P (E1 A ) + P (E 2 A ) =
= P (E1 )P ( A | E1 ) + P ( E2 )P ( A | E2 )
0.37 = (0.5)(0.5) + (0.5)P( A | E 2 )
Despejando, obtenemos P(A|E 2 ) = 0.24, es decir, concluimos que el 24% de la poblacin

sometida a estudio ha consumido droga en alguna ocasin.
Definicin:
Sean A y B dos sucesos. Se dice que estos sucesos son independientes

estadsticamente si y slo si
P( A B) = P( A)P( B)
Se deduce de la regla del producto que son condiciones equivalentes

(i) P( A / B) = P( A) (si P(B ) > 0)
(ii) P (B / A) = P (B ) (si P( A) > 0)
De manera ms general, los sucesos E1 , E 2 ,..., E k son independientes estadsticamente si

y slo si
P (E1 E 2 L E k ) = P (E1 )P (E 2 )L P (E k )
EJEMPLO 8: Se estima que le 48% de las licenciaturas son obtenidas por mujeres y
que el 17,5% de todas las licenciaturas son en empresariales. El 4,7% de todas las
licenciaturas corresponden a mujeres que se gradan en empresariales. Son los sucesos
el licenciado es una mujer y el licenciado lo es en empresariales independientes
estadsticamente?.
25
Sean A y B dichos sucesos, respectivamente. Entonces
P( A) = 0,48 P(B ) = 0,175 P( A B ) = 0,047
Dado que
P ( A )P ( B ) = (0, 48)(0,175) = 0,084 P ( A B )
estos sucesos no son independientes. La dependencia puede comprobarse por medio de

la probabilidad condicional
P( A B ) 0,047
P( A / B) = = = 0,269
P(B ) 0,175
De este modo, slo el 26,9% de las licenciaturas en empresariales corresponden a

mujeres, mientras que las mujeres constituyen el 48% de todos los licenciados.
PROBABILIDADES BIVARIANTES
Resultados correspondientes a sucesos bivariantes
B1 B2 K Bk
A1 A1 B1 A1 B2 K A1 B k
A2 A2 B1 A1 B2 K A2 Bk
M
Ak Ak B1 K Ah B k
Definicin:
En el contexto de las probabilidades bivariantes, las probabilidades de la interseccin

P (A1 B j ) se denominan probabilidades conjuntas. Las probabilidades de los
sucesos elementales, P ( A i ) o P(B j ), se denominan probabilidades marginales.
TABLA 1: Probabilidades correspondientes al ejemplo
FRECUENCIA INGRESOS TOTALES

Altos Medios Bajos
Regular 0,04 0,13 0,04 0,21
Ocasional 0,10 0,17 0,06 0,27
Nunca 0,13 0,17 0,22 0,52
Totales 0,27 0,41 0,32 1,00
26
FIGURA 1: Diagrama de rbol de los sucesos correspondientes al ejemplo
FIGURA 2: Diagrama de rbol de nuestro ejemplo en el que se muestran las

probabilidades conjuntas y marginales.
A1 : Lo ve regularmente
A2 : Lo ve ocasionalmente
A3 : No lo ve nunca
B1 : Ingresos altos
B2 : Ingresos medios
B3 : Ingresos bajos
S : Espacio muestral
TABLA 2: Probabilidades condicionales correspondientes a las frecuencias dados los

niveles de ingreso
FRECUENCIA INGRESOS
Altos Medios Bajos
Regular 0,15 0,32 0,32
Ocasional 0,37 0,27 0,27
Nunca 0,48 0,41 0,41
TABLA 3: Probabilidades condicionales correspondientes a los niveles de ingreso

dadas las frecuencias
27
FRECUENCIA INGRESOS
Altos Medios Bajos
Regular 0,19 0,62 0,19
Ocasional 0,37 0,41 0,22
Nunca 0,25 0,33 0,42
Definicin:
Sean A y B dos atributos, cada uno de los cuales dividimos en categoras que dan lugar a
sucesos mutuamente excluyentes y colectivamente exhaustivos que denominamos,
respectivamente, A1 , A2 ,..., Ah y B1 , B 2 ,..., B k . Si todo suceso Ai es independiente de
todo suceso B j , se dice que los atributos A y B son independientes.
EL TEOREMA DE BAYES
El Teorema de Bayes
Sean A y B dos sucesos. Entonces,
P( A / B )P(B)
P( A / B) =
P( A)
EJEMPLO 9: Al examinar los registros anteriores de los balances de una compaa, un

auditor descubre que el 15% contienen errores. Adems, el 60% de estos balances
incorrectos fueron considerados valores inusuales basndose en los datos anteriores. El
20% de todos los balances se consideraron tambin valores inusuales. Si los datos de un
determinado balance parecen ser inusuales, cul es la probabilidad de que sea
incorrecto?.
Si denominamos los sucesos de inters como error y valor inusual, tenemos que
P (error ) = 0,15 y P (valor inusual) = 0, 20

y
P (valor inusual / error ) = 0,60
Haciendo uso del teorema de Bayes, se obtiene
P (valor inusual / error )P (error ) (0,60)(0,15)

P (Error / Valor inusual) = = = 0,45
P(valor inusual) 0,20
De este modo, dada la informacin de que el balance se considera inusual, la

probabilidad de que sea un error se ve modificada, pasando de 0,15 (a priori) a 0,45 (a
posteriori).
28
Sean E1 , E 2 ,..., E k K sucesos mutuamente excluyentes y colectivamente exhaustivos, y

sea A otro suceso cualquiera.
P ( A) = P ( E1 A ) + P ( E 2 A ) + L + P (E k A )
Adems, la regla del producto de probabilidades nos dice que:
P (E j A ) = P ( A E j )P(E j ) ( j = 1,2,..., K )
as que sustituyendo
P ( A) = P ( A E1 )P (E 1 ) + P ( A E 2 )P (E 2 ) + L + P ( A E k )P (E k )
Teorema de Bayes (Expresin alternativa)
Sean E1 , E2 ,..., Ek K sucesos mutuamente excluyentes y colectivamente exhaustivos, y

sea A otro suceso cualquiera. La probabilidad condicional de E i dado A puede ser
expresada como
P (A E i )P (E i )
P (E i A ) =
P ( A E1 )P (E1 ) + P ( A E 2 )P (E 2 ) + L + P (A E K )P (E K )
La ventaja de esta reexpresin del teorema reside en el hecho de que las probabilidades
que incluye son en muchas ocasiones aquellas de las que se dispone directamente.
29
2. VARIABLES ALEATORIAS
2.1. Introduccin.
Definicin:
Una variable aleatoria es una variable que toma valores numricos determinados por el
resultado de un experimento aleatorio.
Definicin:
Una variable aleatoria es discreta si slo puede tomar una cantidad numerable de
valores.
stos son algunos ejemplos de variables aleatorias discretas:
1. El nmero de artculos defectuosos en una muestra de veinte artculos de un gran
cargamento.
2. El nmero de clientes que llega a un mostrador en una hora.
3. El nmero de errores detectados en las cuentas de una compaa
4. El nmero de reclamaciones en un pliza de seguro mdico durante un ao.
Definicin:
Una variable aleatoria es continua si puede tomar todos los valores de un intervalo.
Otros ejemplos de variables aleatorias continuas son:
1. La renta anual de una familia.
2. La cantidad del petrleo importado por Estados Unidos en un mes concreto.
3. La variacin en el precio de las acciones de IBM en un mes.
4. El tiempo transcurrido desde la instalacin de un nuevo componente hasta que
falla.
5. El porcentaje de impurezas en un lote de productos qumicos.
2.2. Distribuciones de Probabilidad para Variables Aleatorias Discretas
2.2.1. La Funcin de Probabilidad
La funcin de probabilidad, PX (x), de una variable aleatoria discreta X representa la

probabilidad de que X tome el valor x, como funcin de x. Es decir,
PX (x) = P(X = x)
donde la funcin se evala en todos los posibles valores de x.
30
EJEMPLO 1: Se lanza un dado. Sea X la variable aleatoria que representa el nmero

resultante. Puesto que P( X = 1) = P( X = 2) = L = P( X = 6) = 1/ 6 la funcin de
probabilidad es
Px (x ) = P ( X = x) =
1
para x = 1,2 ,3,..., 6
6
La funcin toma el valor 0 en todos los dems valores de x, que corresponden a sucesos
imposibles. La funcin de probabilidad se ha representado en la Figura 1, donde las
barras de altura 1/6 representan masas de probabilidad en los puntos
x = 1, x = 2,..., x = 6 .
FIGURA 1: Funcin de probabilidad del Ejemplo 1
PX (x)
1
/6
0 1 2 3 4 5 6 x
Propiedades de las funciones de probabilidad de variables aleatorias discretas
Sea X una variable a leatoria discreta con funcin de probabilidad PX (x ) . Entonces,

(i) PX (x ) 0 para cada valor x
(ii) Las probabilidades individuales suman 1, es decir,
PX ( x) = 1
x
donde la notacin indica la suma sobre todos los posibles valores de x.
31
2.2.2. La Funcin de Probabilidad Acumulada
La funcin de probabilidad acumulada, FX ( x0 ) , de una variable aleatoria X

representa la probabilidad de que X no tome un valor superior a x0 , como funcin de
x 0 . Es decir,
FX (x0 ) = P( X x0 )
donde la funcin se evala en todos los valores x0 .
Relacin entre funcin de probabilidad y funcin de probabilidad acumulada

Sea X una variable aleatoria con funcin de probabilidad PX (x ) y funcin de
probabilid ad acumulada FX (x ) . Entonces,
FX (x 0 ) = P (x) X
x x0
donde la notacin indica que la suma es sobre todos los posibles valores de x que son
menores o iguales que x0 .
EJEMPLO 2: En el experimento del lanzamiento de un dado del Ejemplo 1, donde la

variable aleatoria X representa el nmero observado, tenemos la funcin de
probabilidad.
1
PX = para x = 1,2,...,6
6
Ahora bien, si x0 es un nmero menor que 1, X no puede ser menor que x 0 , luego
FX (x 0 ) = P( X x 0 ) = 0 para x0 < 1
Si x0 es mayor o igual que 1 pero estrictamente menor que 2, la nica manera de que X
sea menor o igual que x 0 es que X = 1 . Por tanto,
1
FX (x 0 ) = P ( X x0 ) = PX (1) = para 1 x 0 < 2
6
Si x 0 es mayor o igual que 2 pero estrictamente menor que 3, X es menor o igual que
x0 si y slo si X = 1 o X = 2 , luego
FX (x0 ) = P( X x 0 ) = PX (1) + PX (2) =

1
para 2 x0 < 3
3
32
siguiendo con este razonamiento, comprobamos que si x 0 es un nmero mayor o igual

que 6, entonces, sin duda, X es menor o igual que x0 , luego
6
F X (x 0 ) = P ( X x0 ) = PX (x ) = 1 para x0 6
x =1
La funcin de probabilidad acumulada puede entonces escribirse como
0 si x0 < 1

j
F X (x 0 ) = si j x 0 < j + 1 ( j = 1,2,...,5)
6
1 si x0 6
FIGURA 2: Funcin de probabilidad acumulada del Ejemplo 1
0 1 2 3 4 5 6
Propiedades de las funciones de probabilidad acumulada para variables aleatorias

discretas.
Sea X una variable aleatoria discreta con funcin de probabilidad acumulada F X (x 0 ) .

Entonces,
(i) 0 FX ( x0 ) 1 para cada nmero x0
(ii) Si x0 y x1 son dos nmeros tales que x0 < x1 , entonces,

F X (x 0 ) FX (x1 )
33
2.2.3. Esperanzas de Variables Aleatorias Discretas
El valor esperado , E(X), de una variable aleatoria X se define como

E ( X ) = xPX (x )
x
donde la notacin indica que la suma es sobre todos los posibles valores de x.
El valor esperado de una variable aleatoria se conoce como su media y se representa X .
Definicin:
Sea X una variable aleatoria discreta con funcin de probabilidad PX (x ), y sea g ( X )

una funcin de X. Entonces, el valor esperado , E ( g ( X )), de esta funcin se define
como
E [g ( X )] = g (x )PX ( x)
x
EJEMPLO 3: La funcin de probabilidad del nmero de errores, X, en las pginas de

los libros de economa es
PX (0)0,81 PX (1) = 0,17 PX (2) = 0,02
Hallemos la media del nmero de errores por pgina.

Tenemos
X = E ( X ) = xPX (x ) = (0)(0,81) + (1)(0,17 ) + (2)(0,02) = 0,21
x
De donde concluimos que sobre un nmero grande de pginas, esperaramos

encontrar un promedio de 0,21 errores por pgina.
PX(x)
0.8
0.4
0 1 2 x
x
FIGURA 3: Funcin de probabilidad del nmero de errores por pgina en libros de

texto de economa y localizacin de la media poblacional, X , del Ejemplo 3
34
Definicin:
Sea X una variable aleatoria discreta. La esperanza de la diferencia con la media al

cuadrado ( X X )2 se denomina varianza, se representa X , y se obtiene como
2
[ 2
]
X = E ( X X ) = (x X ) PX ( x )
2
x
La desviacin tpica, X , es la raz cuadrada positiva de la varianza.
Varianza de una variable aleatoria discreta (frmula alternativa)

La varianza de una variable aleatoria discreta X puede expresarse como
2
( )
X = E X 2 X = X 2 Px ( x ) 2 X
2
EJEMPLO 4: Supongamos que la funcin de probabilidad del nmero de errores, X, en

las pginas de un libro de economa es
PX (0)0,81 PX (1) = 0,17 PX (2) = 0,02
En el Ejemplo 3, vimos que la media del nmero de errores por pgina era X = 0,21.
Para obtener la varianza, primero buscamos la esperanza de los cuadrados, esto es
( )
E X 2 = x 2 PX ( x ) = (0) (0,81) + (1) (0,17) + (2 ) (0,02) = 0,25
2 2 2
x
La varianza es, entonces
( )
x2 = E X 2 2x = 0,25 (0,21) = 0,2059
2
Por ltimo, la desviacin tpica del nmero de errores por pgina es

X = x2 = 0,2059 = 0,45
Sea X una variable aleatoria con media X y varianza 2X , y sean a y b dos constantes.
Definamos la variable aleatoria Z = a + bX . Entonces, la media y la varianza de Z son
z = E (a + bX ) = a + b x
y
Z2 = Var (a + bX ) = b 2 2X
y, por tanto, la desviacin tpica de Z es
Z = b X
35
EJEMPLO 4: Un contratista norteamericano est interesado en conocer el coste total

de un proyecto sobre el que intenta hacer una oferta. Estima que los materiales costarn
25.000 dlares y su trabajo 900 dlares diarios. Si se necesitan X das para terminar el
proyecto, el coste total del trabajo ser 900X dlares, y el coste total del proyecto (en
dlares) ser
C = 25.000 + 900 X
El contratista construye unas probabilidades subjetivas sobre la duracin del

proyecto, como se indica en la tabla.
DURACIN X (DAS) 10 11 12 13 14
PROBABILIDAD 0,1 0,3 0,3 0,2 0,1
La media y la varianza de la duracin X se pueden calcular directamente como
X = E ( X ) = xPX (x ) = (10)(0,1) + (11)(0,3) + (12)(0,3) + (13)(0,2 ) + (14)(0,1) = 11,9 das

x
y
[ ]
2X = E ( X x ) = ( x X ) PX (x )
2 2
= (10 11,9) (0,1) + (11 11,9) (0,3) + L + (14 11,9) (0,1) = 1,29
2 2 2
La media y la varianza del coste total C se pueden obtener ahora usando las
especificaciones.
El coste esperado es
C = E (25.000 + 900 X ) = 25.000 + 900 X = 25 .000 + (900 )(11,9) = 35 .710 dlares
y la varianza es
C2 = Var(25.000 + 900X ) = (900) 2X = (810.000)(1,29) = 1.044.900
2
luego la desviacin tpica es

C = C2 = 1.022 ,20 dlares
Funcin generatriz de momentos
Si X es una variable aleatoria discreta y existe un nmero h>0, tal que para h < t < h la
esperanza matemtica E(etX) existe. Esta esperanza es llamada funcin generatriz de
momentos de X ,es denotada por M(t). Esto es,
M(t) = E(etX)
36
EJEMPLO 5:
Consideremos los datos del Ejemplo 4
DURACIN X (DAS) 10 11 12 13 14
PROBABILIDAD 0,1 0,3 0,3 0,2 0,1
La funcin generatriz de momentos est dada por
M(t) = 0,1 e10t + 0,3 e11t + 0,3 e12t + 0,2 e13t + 0,1 e14t
Una distribucin que tiene funcin generatriz de momentos est completamente

determinada por M(t), luego no debera sorprendernos que podamos obtener algunas
propiedades de la distribucin directamente a partir de M(t).
Notemos que la existencia de M(t) para h < t < h, implica que las derivadas de
cualquier orden existen en t = 0, por lo tanto
dM (t )
dt
= M ' (t ) = xe
X
tx
f ( x)
haciendo h = 0
M ' (0) = E ( X ) =
d 2 M (t )
dt 2
= M ' ' (t ) = x 2 tx
e f ( x)
X
La segunda derivada
( )
M ' ' (0) = E X 2
Entonces
( )
2 = E X 2 2 = M ' ' (0) [M ' (0)]
2
37
2.3. VARIABLES ALEATORIAS CONTINUAS
Si el rango de una variable aleatoria X contiene un intervalo (ya sea finito o infinito) de
nmeros reales, entonces X es una variable aleatoria continua
2.3.1. Funciones de Densidad de Probabilidad
Una funcin f X ( x ) es una funcin de densidad de probabilidad de la variable aleatoria

continua X si para cualquier intervalo de nmero reales [X 1 , X 2 ]
1) f X (x ) 0

2) f X (x )dx = 1

3) P (x1 X x 2 ) = f X (x )dx
x2
x1
FIGURA 4: Probabilidad obtenida a partir del rea bajo f X (x )
f X(x) P(x 1 X x2 )
x1 x2
EJEMPLO 5:
Sea la variable aleatoria continua X el dimetro de un agujero taladrado en una placa de

metal. El dimetro requerido es 12.5 milmetros, pero muchas perturbaciones aleatorias
en el proceso dan como resultado dimetros ms grandes. La recopilacin de datos
indica que la distribucin de X puede modelarse con la funcin de densidad de
probabilidad f X ( x) = 20e 20 ( x12.5 ) , x 12 .5 . Si se desechan las piezas que tienen un
dimetro mayor que 12.60 milmetros, qu proporcin de piezas se espera desechar?
La funcin de densidad y la probabilidad pedida aparecen en la figura 5. Una pieza se

desecha si X > 12.60. Entonces,
x x x
P ( X > 12.60) = f X ( x)dx = 20e

20 ( x12.5 )
dx = e 20( x12.5 )
= 0.135
12.6 12. 6 12. 6
38
Qu proporcin de piezas tienen un dimetro entre 12.5 y 12.6 milmetros?
Ahora
12.6 12.6
P (12.5 < X < 12.6 ) = f X (x )dx = e 20 (x 12.5 )

= 0.865
12.5 12.5
FIGURA 5: Funcin de densidad de probabilidad del ejemplo 5.
f X (x)
12.5 12.6
Como otro ejemplo,

15
P (5 < X < 15 ) = f X (x )dx = 0.5
5
2.3.2. Funciones de Distribucin Acumulada
La funcin de distribucin acumulada de una variable aleatoria continua X es
FX (x ) = P( X x ) = f X ( x )dx
x
para < x <

39
EJEMPLO 6:
Para la operacin de taladrado del ejemplo, FX ( x ) est dada por las siguientes
expresiones.
F X (x ) = 0 para x < 12.5
x
F X (x ) = 20e
20(u 12.5 )
du para 12.5 x.
12.5
= 1 e 20 ( x12.5 )
En consecuencia,
0 x < 12.5
F X (x ) = 20( x 12. 5)
1 e 12.5 x
FIGURA 6: Funcin de distribucin acumulada del ejemplo 6
Si X es una variable aleatoria continua, entonces, para cualquier x1 y x2 ,
P(x1 X x 2 ) = P(x1 < X x 2 ) = P( x1 X < x2 ) = P( x1 X < x2 )
2.3.3 Valor Esperado de una Variable Aleatoria Continua
Supngase que X es una variable aleatoria continua con funcin de densidad de

probabilidad f X ( x), < x <
La Media de X denotada por E ( X ) o X , es

E( X ) = X = xf ( x )dx
X

La Varianza de X por V ( X ) o 2X , es

V ( X ) = X2 = (x ) f X ( x )dx
2

Asimismo, la desviacin estndar de X es
X = [V ( X )]
1/ 2
40
EJEMPLO 7:
Para la operacin de taladrado del ejemplo 5, la media de X es
e 20( x12.5 )
x x
E( X ) = xf (x )dx = xe
X
20( x12.5 )
= 12.55
12. 5 20 12. 5
La varianza de X es
x
V (X ) = (x 12 .55) f X ( x)dx = 0.0025
2
12.5
Funcin generatriz de momentos
Si X es una variable aleatoria continua y existe un nmero h>0, tal que para h < t < h
la esperanza matemtica E(etX) existe. Esta esperanza es llamada funcin generatriz de
momentos de X ,es denotada por M(t). Esto es,
M(t) = E(etX)
EJEMPLO 5:
Consideremos una distribucin con funcin de densidad de probabilidad
f ( x ) = xe x , 0< x<
=0 en otras partes
La funcin generatriz de momentos est dada por
M(t) = (1 t )2 , t < 1
Una distribucin que tiene funcin generatriz de momentos est completamente

determinada por M(t), luego no debera sorprendernos que podamos obtener algunas
propiedades de la distribucin directamente a partir de M(t).
Notemos que la existencia de M(t) para h < t < h, implica que las derivadas de
cualquier orden existen en t = 0, por lo tanto
dM (t )

= M ' (t ) = xetx f ( x) dx = 2(1 t )

3
dt
haciendo h = 0
M ' (0) = E ( X ) = = 2
41
d 2 M (t )

= M ' ' (t ) = x 2 etx f ( x )dx = 6(1 t )

4
dt 2
La segunda derivada
( )
M ' ' (0) = E X 2 = 6
Entonces
( )
2 = E X 2 2 = M ' ' (0) [M ' (0)] = 6 4 = 2
2
42

Cap 1

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Cap 1

Uploaded by

Copyright:

Available Formats

Apuntes para Clases 1

Curso : Probabilidades MA 442 Ingeniera Civil

1.1. RESUMEN NUMRICO

1.1.1. MEDIDAS DE CENTRALIZACIN

La media de un conjunto de observaciones numricas es la suma de los valores del

TABLA 1: Salarios anuales de la plantilla de supervisores de ventas

34 .500 + 30 .700 + 32 .900 + 36 .000 + 34.100 + 33.800 + 32.500

El salario medio para los miembros de esta plantilla es de 33.500 dlares.

FIGURA 1 Salarios anuales de la plantilla de supervisores de ventas:

30.000 32.000 34.000 36.000

Expresiones algebraicas para la media:

(i) Sean x1 , x 2 ,....., x N los N datos correspondientes a una poblacin. Entonces,

EJEMPLO 1: En una muestra de ocho compaas norteamericanas se observaron los

13,6% 25,5% 43,6% -19,8% -13,8%

La muestra contiene n = 8 observaciones, por tanto, su media es

4,0% 14,3% 19,0% -14,7% -26,5% 37,2% 28,8%

Si tomamos las siete observaciones como poblacin de inters, tenemos N = 7, y su

El porcentaje medio de rentabilidad en estos 7 aos fue del 8,1571%. De cara a la

La mediana de un conjunto de observaciones es la observacin que ocupa el lugar

Es decir, si se tienen N observaciones ordenadas

FIGURA 2: Salarios anuales de la plantilla de supervisores de ventas, con la media y la

30.000 32.000 34.000 36.000

FIGURA 3: Cuatro registros de la temperatura, con la media y la mediana sealadas

La moda de un conjunto de observaciones es el valor que aparece con mayor

EJEMPLO 3: Un fabricante de radios porttiles escogi como muestra las 50 radios

Encontrar la moda del nmero de defectos de esta muestra.

1.1.2. MEDIDAS DE DISPERSIN

1.1.2.1 LA VARIANZA Y LA DESVIACIN TPICA POBLACIONAL

Sean x1 , x 2 ,..., x n los N miembros de una poblacin con media . La varianza

La desviacin tpica poblacional, , es la raz cuadrada (positiva) de la varianza.

27.000 31.000 35.000 39.000

TABLA 3: Clculos para hallar la varianza de los datos de la Tabla 1.

27.000 31.000 35.000 39.000

TABLA 4: Clculos para hallar la varianza de los datos de la Ta bla 2.

EJEMPLO 4: En el ejemplo 2, analizbamos el porcentaje de rentabilidad anual de las

6,5% 4,4% 3,8% 6,9% 8,0% 5,8% 5,1%

Comparar estas dos distribuciones poblacionales a partir de sus medias y desviaciones

La suma de los cuadrados de esta rentabilidad es

Por tanto, la varianza es

Para computar la varianza de estos porcentajes de rentabilidad calcularemos primero la

x = (6,5) + (4, 4) + (3,8) + (6,9) + (8,0) + (5,8) + (5,1) = 247,31

La varianza es, entonces,

Por tanto, la desviacin tpica es

ACCIONES BONOS DEL TESORO

En el contexto de este ejemplo, puede pensarse en la desviacin tpica como en una

INTERPRETACIN DE LA DESVIACIN TPICA POBLACIONAL

1.1.2.2. LA VARIANZA Y LA DESVIACIN TPICA MUESTRAL

EJEMPLO 5. Hallar la desviacin tpica muestral de los porcentajes de incremento de

Habamos visto que para el ejemplo 1

La suma de los cuadrados de los valores muestrales es

x = (13,6) + (25,2 ) + (43,6 ) + ( 19,8) + ( 13,8) + (12,0 ) + (36,3) + (14,3) = 4.984,83

Por tanto, la varianza muestral es

En consecuencia, la desviacin tpica muestral es

otras medidas de dispersin. En el resto de esta seccin discutiremos brevemente tres

1.1.2.3. LA MEDIA DE LAS DESVIACIONES ABSOLUTAS

La media muestral de las desviaciones absolutas se define de manera anloga como el

EJEMPLO 6: Hallar la media de las desviaciones absolutas de los salarios anuales de

El salario medio para los individuos de esta plantilla era

En esta tabla, vemos que

Por tanto, la media de las desviaciones absolutas es

As pues, el promedio de la desviacin absoluta de estos salarios respecto a la media es

1.1.2.4. EL RANGO O RECORRIDO

El rango o recorrido de un conjunto de datos es la diferencia entre la mayor y la