Apuntes de Probabilidad y Estadística

Pgina 1 de 190
qwertyuiopasdfghjklzxcvbnmqwerty
uiopasdfghjklzxcvbnmqwertyuiopasd
fghjklzxcvbnmqwertyuiopasdfghjklzx
cvbnmqwertyuiopasdfghjklzxcvbnmq
wertyuiopasdfghjklzxcvbnmqwertyui
opasdfghjklzxcvbnmqwertyuiopasdfg
hjklzxcvbnmqwertyuiopasdfghjklzxc
vbnmqwertyuiopasdfghjklzxcvbnmq
hjklzxcvbnmqwertyuiopasdfghjklzxc
vbnmqwertyuiopasdfghjklzxcvbnmq
hjklzxcvbnmrtyuiopasdfghjklzxcvbn
mqwertyuiopasdfghjklzxcvbnmqwert
yuiopasdfghjklzxcvbnmqwertyuiopas
dfghjklzxcvbnmqwertyuiopasdfghjklz
xcvbnmqwertyuiopasdfghjklzxcvbnm
qwertyuiopasdfghjklzxcvbnmqwerty

APUNTES

PROBABILIDAD Y ESTADSTICA
ESIME ZACANTENCO

Francisco Muoz Apreza, Juan Alfaro Yllescas, Genoveva Barrera
Godnez, Rosa Mara Estrella Montoya.

2

MODULO I ESTADSTICA DESCRIPTIVA Y MUESTREO

Esta Modulo I est diseado para que el alumno comprenda los fundamentos y aplicaciones
de la Estadstica descriptiva. Se abordarn los temas en dos vertientes; la primera a partir de
los fundamentos tericos y aplicaciones y la segunda mediante un Muestreo por encuestas.

TEMARIO

1.- Caractersticas del muestreo
Levantamiento de la encuesta
Uso del SPSS 17 para la elaboracin de las tablas de frecuencia
2.- Tabla de Frecuencia
2.1 Teora Elemental
2.2 Frecuencias Acumuladas
2.3 Frecuencias Relativas
2.4 Ejemplos
2.5 Ejercicios
3.- Representacin grfica de las Tablas de Frecuencias
3.1 Teora Elemental
3.2 Grficas e Histogramas
3.3 Ejemplo
3.4 Ejercicio
4.- Medidas de Tendencia Central
4.1 Teora Elemental
4.2 Moda
4.3 Media
4.4 Mediana
4.5 Media geomtrica
4.6 Ejemplo
4.7 Ejercicios
5.- Medidas de Tendencia Central con Datos Agrupados
5.1 Teora Elemental
5.2 Ejemplo
5.3 Ejercicios
6.- Medidas de Dispersin
6.1 Teora Elemental
6.2 Cuartiles
6.3 Porcentiles
6.4 Varianza
6.5 Desviacin Estndar
6.6 Ejemplo
6.7 Ejercicios

2.- Tablas de Frecuencia

3

Teora Elemental

Definicin de tabla de Frecuencia:
Una tabla de frecuencia es el conjunto de datos organizados con base en la informacin
contenida en una muestra.

Definicin de frecuencia relativa:
La frecuencia Relativa fi/n : es una frecuencia particular entre el nmero total de observaciones.

Definicin de escala ordinal.
Una escala Ordinal: es aquella escala representada por valores numricos

Ejemplo:

{1, 2. 3.....}; < 1, 5, >,.

Definicin de escala nominal

Una escala Nomina: es aquella escala representada por valores no numricos

Ejemplo
< masculino, femenino >.

Determinacin del tamao del intervalo:
La fijacin de este tamao depender de las necesidades del investigador, puede ser todos del
mismo tamao o de tamaos desiguales.

Determinacin del nmero de intervalos de clase:

A medida que el nmero de intervalos de clase disminuye, la informacin es menos precisa
pero su tratamiento analtico es mayor. El nmero de intervalos se sugiere que sea entre 5 y 15
dependiendo de las necesidades de investigador.

Definicin Lmite superior e inferior: son los existentes en un intervalo de clase

< lmite inferior, lmite superior >.

Frecuencia acumulada:

Para elaborar este tipo de tabla se van sumando las frecuencias de cada una de los intervalos
de clase. Su utilidad consiste en que podemos conocer el comportamiento del proceso
estadstico de los intervalos de clase con respecto a la primera variable..

En los intervalos de clase, por ejemplo ( 13 a 15 ) del cuadro del ejemplo que se desarrolla, el
13 representa el lmite inferior y el 15 el lmite superior.

En el cuadro del siguiente ejemplo el investigador organiz su informacin en 7 intervalos de
clase sacrificando precisin en la informacin pero gan claridad analtica en ella.

Ejemplo
4

Tamao de la muestra 812
Edad a que entr a Trabajar
Edad Frecuencia
9 12 72
13 - 15 153
16 17 190
18 20 313
21 25 45
26 en adelante 9
No contest 30
Total 812

Al analizar el cuadro 4, observamos que los datos estn agrupados por intervalos de clase
ordinal, de conformidad con la necesidad que el investigador tiene de conocer parmetros que
le permitan inferir acerca del trabajo infantil ( 9 a 12 ), la pubertad (13 a 15 ) y la adolescencia
(18 a 20 ) y la juventud <21 a 25 > teniendo un intervalo mixto <26 en adelante> y uno nominal
<no contest>.

+Tabla de frecuencia acumulada

Al elaborar una tabla de frecuencia acumulada del cuadro 4 se van sumando las frecuencias
de cada uno de los intervalos. Ah la utilidad para el investigador consiste en que puede
conocer en cada uno de los intervalos el comportamiento total. Detecta en particular que 225
trabajadores se iniciaron en el trabajo asalariado entre los 9 y 15 aos de edad.

Inicia labor de asalariado
Clase Frecuencia Acumulada
9 12 72
9 - 15 225
9 17 415
9 20 728
9 25 773
9 26 en adelante 782
No contest
Total 782

+Tablas de frecuencia relativa

La utilidad para el investigador de representar sus datos mediante una tabla de frecuencias
relativas, consiste en que sta da claridad sobre el comportamiento de cada intervalo de clase
respecto al total.

De tal forma si se desea conocer el peso que tiene en la rama del vidrio en los trabajadores
que iniciaron una actividad remunerada en la poca de la adolescencia vemos que representa
el 38.54 %.

Inicio en labores asalariadas
5

Clase Frecuencia
9 12 8.8
13 15 18.84
16 17 23.39
18 20 38.54
21 25 5.54
26 en adelante 1.1
No contest 3.7
T o t a l 100.00

Cuadro 1

CUADRO 2
Tamao de la Muestra 812
Sexo Frecuencia
Masculino 712
Femenino 67
No Contest 33
Total 812

CUADRO 3
Tamao de la Muestra 812
Estado Civil Frecuencia
Soltero 206
Casado 544
Viudo 13
Divorciado 15
Unin Libre 28
No Contest 6
Total 812

Ejercicios del Tema I

1.- Qu utilidad tendra utilizar la frecuencia acumulada en los cuadros 1, 2 y 3 ?.
Edad
Edad Frecuencia
0 17 12
18 20 60
21 25 143
26 30 171
31 - 35 148
36 40 137
41 45 61
46 - 50 52
51 - 55 21
55 o ms 5
No contest 2
Total 812
6

2.- Qu utilidad tendra utilizar la frecuencia relativa en los cuadros 1, 2 y 3 ?.

3.- Qu ventajas tiene el utilizar frecuencias de amplitud total en los cuadros 1, 2
y 3.

4.- Tiene sentido la frecuencia de amplitud total en los cuadros 1, 2 y 3?. En
cules no tiene sentido plantear intervalos de clase?.

TEMA II

El visualizar el comportamiento de los datos de las tablas de frecuencia mediante diagramas de
barras, grficas de lneas, diagramas circulares, polgonos de frecuencia rinden beneficios
analticos al investigador

GRFICA
Tipo I

GRFICA
Tipo 2

GRFICA
Tipo 3

El utilizar una u otra representacin visual va a ser importante en la medida que describa a la
informacin con mayor claridad y facilite la interpretacin.

7

Se debe tener cuidado con la escala con las cuales elaboren las grficas; si se usa una escala
errnea el grfico arrojar una falsa idea en su comportamiento.

Ejemplo (Tema II)

Cuadro 5
Salario Semanal
Clase Frecuencia
Hasta 125 31
125 250 194
251 375 224
376 500 123
510 ms 240
No contest 0
Total 812

La presentacin de los intervalos de clase en el salario semanal esta dada en combinacin
ordinal y nominal < hasta 125 >, < 501 ms >.

En el polgono de frecuencia podemos deducir que la mayor concentracin de los trabajadores
se localiza en los niveles salariales de 4 salarios mnimos ms.

Adems de peso de los trabajadores que perciben hasta un salarios mnimo prcticamente
inexistente.

Cuadro 6

Antigedad
Aos Frecuencia
0 1 143
2 5 290
6 10 183
11 15 86
16 20 56
21 25 35
26 29 12
300 ms 7
Total 812

Ejercicios (Tema II)

1.- Elabore la grfica del cuadro 6.

2.- Qu tipo de escalas se utilizan en el cuadro 6?.

3.- Qu ventajas le ve usted a elaborar una tabla de frecuencias acumuladas en
el cuadro 6?.

4.- Qu anlisis se desprende de la grfica del cuadro 6?.

Medidas de tendencia central
8

Las medidas de ubicacin proporcionan informacin sobre el lugar hacia donde existe la
tendencia central dentro de un grupo de nmeros. Las medidas de ubicacin presentadas en
esta unidad para datos no agrupados son la media, la mediana, y la moda.
Media: La media aritmtica (o el promedio, media simple) es calculada sumando todos los
nmeros de un conjunto de nmeros (x
i
) y despus dividindolos por el nmero de
observaciones (n) del conjunto.
Media = = X
i
/n,
La media utiliza todas las observaciones, y cada observacin afecta la media. Aunque la media
es sensible a los valores extremos; es decir, los datos extremadamente grandes o pequeos
pueden causar que la media se ubique o ms cerca de uno de los datos extremos; A pesar de
esto, la media sigue siendo la medida lo ms usada para medir la localizacin. Esto se debe a
que la media posee valiosas propiedades matemticas que la hacen conveniente para el uso
en el anlisis estadstico de inferencia o deductivo.
Media Ponderada: en algunos casos, los datos de una muestra o poblacin no deberan ser
ponderados de la misma manera, es preferible ponderarlos de acuerdo a su importancia.
Mediana: La mediana es el valor medio de una grupo ordenado de observaciones. Si existe
un nmero par de observaciones correspondientes al grupo podran haber dos medianas
La mediana es normalmente utilizada para resumir los resultados de una distribucin. Si la
distribucin es sesgada , la mediana es un buen indicador de medida para saber donde los
datos observados se encuentran concentrados.
Generalmente, la mediana proporciona una mejor medida que la media cuando las
observaciones son extremadamente grandes o pequeas La media tiene dos ventajas distintas
sobre la mediana. Es ms estable, y uno puede calcular la media basada de dos muestras
combinando las dos medios de las mismas.
Moda: La moda es el valor lo ms con frecuencia posible que ocurre de un sistema de
observaciones. Los datos pueden tener dos modas. En este caso, decimos que los datos son
bimodales, y los grupos de observaciones con ms de dos modos estn referidos como
multimodales. Observe que la moda no es una medida til de ubicacin, porque puede haber
ms de una moda o quizs ninguna.
Caractersticas de la Moda, Mediana y Media
Hechos Moda Mediana Media
1
Es el valor mas
frecuente en la
distribucin. Es el punto
de ms alta densidad.
Es el valor del punto
medio de la seleccin
(no del rango), tal que la
mitad de los datos estn
por arriba y por debajo
de ella.
Es el valor en algn
agregado, el cual se
obtendra si todos los
valores fueran iguales.
2
Su valor es establecido
por la frecuencia
predominante, no por
los valores en la
distribucin.
El valor de la media es
fijado por su posicin en
la seleccin, y no refleja
valores individuales.
La suma de las
desviaciones en cualquier
lado de la media son
iguales; por lo tanto la
suma algebraica de sus
desviaciones es cero.
3
Este es el valor mas
probable, por lo tanto el
mas comn.
La distancia agregada
entre la mediana y
cualquier otro punto de
la muestra es menor que
Esta refleja la magnitud de
cada valor.
9

en cualquier otro punto.
4
Una distribucin puede
tener mas de 2 modas,
pero no existe moda en
una distribucin
rectangular.
Cada seleccin tiene
solo una mediana.
Una muestra tiene solo
una media.
5
No puede ser
manipulada
algebraicamente.
Modas de subgrupos no
pueden ser ponderadas
o combinadas.
No puede ser
manipulada
algebraicamente.
Medianas de subgrupos
no pueden ser
ponderadas o
combinadas.
Pueden ser manipuladas
algebraicamente. Medias
de subgrupos pueden ser
combinadas cuando son
ponderadas
apropiadamente.
6
Es inestable, puede ser
influenciada en el
proceso de agrupacin.
Es estable en cuanto a
que procedimientos para
agrupar no afecta su
apreciacin.
Es estable en cuanto a
que procedimientos para
agrupar no afecta su
apreciacin.
7
La moda no refleja el
grado de modalidad.
No es aplicable para
datos cualitativos.
Podra ser calcula
igualmente cuando los
valores individuales son
desconocidos, si se posee
la suma de los valores y el
tamao de la muestra.
8
Puede ser calculada
cuando los extremos de
los valores de los
grupos son abiertos.
Puede ser calculado
cuando los valores
extremos son abiertos.
No puede ser calculado de
una tabla de frecuencia
cuando sus valores
extremos son abiertos.
9
Valores deben ser
ordenados para su
clculo.
Valores deben ser
ordenados y agrupados
para su clculo.
Los valores no necesitan
ser ordenados para su
clculo.

La Media Geomtrica: La media geomtrica (G) de n valores no negativos es la ensima raz
del producto de los n valores.
Si algunos valores son muy grandes en magnitud y otros muy pequeos, la media geomtrica
proporciona una mejor representacin de los datos que un simple promedio.
La Media Armnica:
H = n/[ (1/x(i)].
La media armnica es til para calcular promedios de variables expresadas en proporciones
de unidades por tiempo.
Histogramas: Analizando la Homogeneidad de la Poblacin
Un histograma es una representacin grfica de una estimacin para la densidad (para
variables aleatorias continuas) o la funcin de probabilidad total (para variables aleatorias
discretas) de la poblacin.
Las caractersticas geomtricas del histograma nos permiten descubrir informacin til sobre
los datos, por ejemplo:
1. La localizacin del centro de los datos.
10

2. El grado de dispersin.
3. La seccin a la cual se sesga, es decir, cuando no cae simtricamente en
ambos lados del pico.
4. El grado de agudeza del pico. Cmo se levanta y baja la pendiente.
Las medidas de variacin ms comunes son: varianza, desviacin estndar, y el coeficiente
de variacin.
Cuartiles: Cuando requerimos sean divididos en cuartos, Q1... Q4, conocidos como cuartiles.
El primer cuartl (Q1) es el valor donde estn 25% de los valores mas pequeos y en el otro
75% los ms grandes. El segundo cuartl (Q2) es el valor donde estn 50% de los valores mas
pequeos y en el otro 50% los ms grandes. En el tercer cuartl (Q3) es el valor donde estn
75% de los valores mas pequeos y en el otro 25% los ms grandes.
Porcentajes: Los porcentajes tienen la ventaja que pueden ser subdivididos en 100 porciones.
Los porcentajes y los cuartiles son ms convenientes de leer cuando son tomados de una
funcin de distribucin acumulativa.
Varianza: Es una importante medida de variabilidad. La varianza es el promedio de las
desviaciones estndar elevadas al cuadrado de cada una de las observaciones con respecto
a la media.
Var(x) = (x
i
- )
2
/ (n - 1), de donde n por lo menos es igual a 2.
La varianza es una medida de dispersin entre valores de los datos. Por lo tanto, mientras ms
grande sea la varianza, menor ser la calidad de los datos.
Desviacin Estndar:
Ambas, la varianza y la desviacin estndar proporcionan la misma informacin; una siempre
puede ser obtenida de la otra . Es decir, el proceso de clculo de la desviacin estndar
siempre implica el clculo de la varianza. Puesto que la desviacin estndar es la raz
cuadrada de la varianza, esta siempre es expresada en las mismas unidades que el conjunto
de datos:
Desviacin estndar= o = (Varianza)

Coeficiente de Variacin: El coeficiente de variacin (CV) es la desviacin relativa absoluta
con respecto al tamao , siempre que sea cero, expresado en porcentaje:
CV =100 |S/ | %
El CV es independiente de las unidades de medida. En la estimacin de un parmetro, cuando
su CV es menos del 10%, la estimacin se asume aceptable. En el caso contrario, digamos,
1/CV se llama el Cociente de seal de ruido.
El coeficiente de variacin se utiliza para representar la relacin de la desviacin estndar
hacia la media, diciendo cuan representativa es la media de los nmeros de los cuales fue
calculada. Esta expresa la desviacin estndar como porcentaje de la media; es decir, refleja la
variacin de una distribucin con respecto a la media. Sin embargo, los intervalos de la
confianza para el coeficiente de variacin generalmente no son expresados. Una de las
razones es que el clculo exacto del intervalo de confianza para el coeficiente de variacin es
tedioso de obtener.

11

Observe que, para un conjunto de datos agrupados o sesgados, el coeficiente de variacin
cuartl es:
V
Q
= 100(Q
3
- Q
1
)/(Q
3
+ Q
1
)%
es mas til que el CV.
Cociente de Variacin para Datos Cualitativos: Puesto que la moda es la medida mas usada
para la tendencia central de variables cualitativas, la variabilidad es medida con respecto a la
moda. El estadstico que describe la variabilidad de datos cuantitativos es el cociente de
variacin (VR):
VR = 1 - f
m
/n,
de donde f
m
es la frecuencia de la moda, y n es el nmero total de clculos en la distribucin.
Clculo de Estadsticos Descriptivos para Datos Agrupados: Una de las maneras ms
comunes de describir una sola variable es con una distribucin de frecuencia. Un histograma
es una representacin grfica de una estimacin para la distribucin de frecuencia de la
poblacin. Dependiendo de las variables particulares, todos los valores de los datos podran
ser representados, o se podran agrupar los valores primero por categoras . Generalmente, no
sera sensible determinar las frecuencias para cada valor. Preferiblemente, los valores
deberan ser agrupados en rangos, y luego determinar la frecuencia. Las distribuciones de
frecuencia se pueden representar de dos maneras: como tablas o como grficos, los cuales a
menudo se refieren a histogramas o grfico de barras. Los grficos de barras son normalmente
utilizados para mostrar la relacin entre dos variables categricas.
Los datos agrupados son derivados de informaciones ordinarias, y consisten en frecuencias
(clculo de valores ordinarios) tabulados con las clases en las cuales ocurren. Los lmites de
las clases representan los valores ms pequeos (inferiores) y ms grandes (superior) que la
clase contendr. Las frmulas para los estadsticos descriptivos son mucho ms simples para
los datos agrupados, as como se muestra en las siguientes formulas para la media, varianza, y
la desviacin estndar, respectivamente, de donde f representa la frecuencia de cada clase, y n
es la frecuencia total:

Seleccionando entre Desviacin Cuartl, Media de Desviacin Absoluta y Desviacin
Estndar
Una gua general para seleccionar el estadstico adecuado para describir la dispersin de la
poblacin, incluye la consideracin de los siguientes factores:
1. El concepto de dispersin que el problema requiere. Es un simple par de
valores adecuado, tal como los dos extremos o los dos cuartiles (rango o Q)?
2. El tipo de datos disponibles. Si son pocos en nmeros, o contiene valores
extremos, evite la desviacin estndar. Si se encuentran sesgados, evite la
12

media de desviacin absoluta. Si existen brechas entre los cuartiles, la
desviacin cuartl se debera evitar.
3. La peculiaridad de la dispersin que los mide. Estos son resumidos en el
cuadro de las Caractersticas Principales de la Desviacin Cuartl, la Media de
Desviacin Absoluta y la Desviacin Estndar, que se muestra a continuacin.
Caractersticas Principales de la Desviacin Cuartl, la Media de Desviacin Absoluta y la
Desviacin Estndar

Hechos La Desviacin Cuartl
La Media de Desviacin
Absoluta
La Desviacin
Estndar
1
La desviacin cuartl es
fcil de calcular y
entender. Sin embargo,
esta es inconsistente si
existen brechas entre los
datos alrededor de los
cuartiles.
La Media de Desviacin
Absoluta tiene la ventaja de
dar igual peso a la
desviacin de cada valor
con respecto a la media o
la mediana.
La Desviacin
Estndar es
normalmente mas til y
mejor adaptable a
anlisis mas profundos
que lo que es La
Media de Desviacin
Absoluta.
2
Solo depende de dos
valores, los cuales
incluyen la mitad central
de los mismos.
Es una medida de
dispersin ms sensitiva
que cualquiera de las
descritas anteriormente, y
normalmente tiene errores
de muestreo ms
pequeos.
Es ms adaptable
como estimador de la
dispersin de la
poblacin que
cualquier otra
medicin, haciendo
que la distribucin sea
normal.
3
Es normalmente superior
al rango como una
medida cruda de
dispersin.
Es ms fcil de calcular y
entender, adems es
menos sensible que la
desviacin estndar a
valores extremos.
Es la ms amplia
medida de dispersin
usada, y la ms fcil
de manejar
algebraicamente.
4
Esta podra ser
determinada en una
distribucin abierta en
los extremos, o en una
en la cual los datos
pueden ser
seleccionados pero no
medidos
cuantitativamente.
Desafortunadamente, es
muy difcil de manejar
algebraicamente, dado que
el signo negativo debe ser
ignorado cuando se
calcula.
En comparacin con
los dems, esta es
mas difcil de calcular y
de entender.
5
Es muy til en
distribuciones muy
sesgadas, o en aquellas
en las cuales otras
medidas de dispersin
serian deformadas por
valores extremos.
Su aplicacin principal es
la precisa eleccin de
modelos en tcnicas de
predicciones comparativas.
Es normalmente
afectada por valores
extremos, los cuales
podran ocasionar el
sesgamiento de los
datos.

Muestreo
13

Al tomar una cantidad de elementos de una poblacin para poder contar con criterios de
decisin, estamos tomando una muestra de ella.
Del tamao de la poblacin (N) se pueden extraer varias muestras. Un cierto estadstico puede
ser calculado para cada una de las muestras posibles extradas de la poblacin. Una
distribucin del estadstico obtenida de esta manera es llamada la distribucin del estadstico.

En estadstica un muestreo es la tcnica para la seleccin de una muestra a partir de una
poblacin.
Terminologa para el muestreo
Los trminos usados en inferencia estadstica son:
Estadstico: medida usada para describir alguna caracterstica de una muestra (media
aritmtica, mediana. desviacin estndar)
Parmetro: representacin del estadstico.
Los smbolos usados para representar los estadsticos y los parmetros, en ste y los
siguientes captulos, son resumidos en la tabla siguiente:
Tabla 1

Medida Smbolo para el estadstico Smbolo para el parmetro
Media X
Desviacin estndar S s
Nmero de elementos N N
Proporcin P P
Al elegir una muestra, se espera que sus propiedades sean extrapolables a la poblacin. Este
proceso permite ahorrar recursos, obteniendo resultados parecidos que si se realizase un
estudio de toda la poblacin.
Cabe mencionar que para que el muestreo sea vlido y se pueda realizar un estudio fiable (que
represente a la poblacin), debe cumplir ciertos requisitos, lo que lo convertira en una muestra
representativa.
En el muestreo, si el tamao de la muestra es ms pequeo que el tamao de la poblacin, se
puede extraer dos o ms muestras de la misma poblacin. Al conjunto de muestras que se
pueden obtener de la poblacin se denomina espacio muestral. La variable que asocia a cada
muestra su probabilidad de extraccin, sigue la llamada distribucin muestral
Error Estndar: La desviacin estndar de una distribucin, en el muestreo de un estadstico,
es frecuentemente llamada el error estndar del estadstico.
Error muestral o error de muestreo: La diferencia entre el resultado obtenido de una muestra
(un estadstico) y el resultado el cual deberamos haber obtenido de la poblacin (el parmetro
correspondiente) se llama el error muestral o error de muestreo. Un error de muestreo
usualmente ocurre cuando no se lleva a cabo la encuesta completa de la poblacin, sino que
se toma una muestra para estimar las caractersticas de la poblacin.
El error muestral es medido por el error estadstico, en trminos de probabilidad, bajo la curva
normal. El resultado de la media indica la precisin de la estimacin de la poblacin basada en
el estudio de la muestra. Mientras ms pequeo el error muestras, mayor es la precisin de la
14

estimacin. Deber hacerse notar que los errores cometidos en una encuesta por muestreo,
tales como respuestas inconsistentes, incompletas o no determinadas, no son considerados
como errores mustrales. Los errores no mustrales pueden tambin ocurrir en una encuesta
completa de la poblacin.
Mtodos de seleccin de muestras.
Una muestra debe ser representativa si va a ser usada para estimar las caractersticas de la
poblacin. Los mtodos para seleccionar una muestra representativa van a depender del objeto
de estudio.
Muestreo simple: Este tipo de muestreo toma solamente una muestra de una poblacin dada
para el propsito de inferencia estadstica. Puesto que solamente una muestra es tomada, el
tamao de muestra debe ser lo suficientemente grandes para extraer una conclusin. Una
muestra grande muchas veces cuesta demasiado dinero y tiempo.
Muestreo doble: Bajo este tipo de muestreo, cuando el resultado del estudio de la primera
muestra no es decisivo, una segunda muestra es extrada de la misma poblacin. Las dos
muestras son combinadas para analizar los resultados. Este mtodo permite a una persona
principiar con una muestra relativamente pequea para ahorrar costos y tiempo. Si la primera
muestra arroja una resultado definitivo, la segunda muestra puede no necesitarse.
Muestreo mltiple: El procedimiento bajo este mtodo es similar al expuesto en el muestreo
doble, excepto que el nmero de muestras sucesivas requerido para llegar a una decisin es
ms de dos muestras.
Los elementos de una muestra pueden ser seleccionados de dos maneras diferentes:
a. Basados en el juicio de una persona.
b. Seleccin aleatoria (al azar)
Muestreo Aleatorio: Una muestra se dice que es extrada al azar cuando la manera de
seleccin es tal, que cada elemento de la poblacin tiene igual oportunidad de ser
seleccionado.
A. Muestreo aleatorio simple. Una muestra aleatoria simple es seleccionada de tal manera
que cada muestra posible del mismo tamao tiene igual probabilidad de ser seleccionada de la
poblacin. Para obtener una muestra aleatoria simple, cada elemento en la poblacin tenga la
misma probabilidad de ser seleccionado, el plan de muestreo puede no conducir a una muestra
aleatoria simple. Por conveniencia, este mtodo pude ser reemplazado por una tabla de
nmeros aleatorios. Cuando una poblacin es infinita, es obvio que la tarea de numerar cada
elemento de la poblacin es infinita, es obvio que la tarea de numerar cada elemento de la
poblacin es imposible. Por lo tanto, ciertas modificaciones del muestreo aleatorio simple son
necesarias. Los tipos ms comunes de muestreo aleatorio modificado son sistemtico,
estratificado y de conglomerados.
B. Muestreo sistemtico. Una muestra sistemtica es obtenida cuando los elementos son
seleccionados en una manera ordenada. La manera de la seleccin depende del nmero de
elementos incluidos en la poblacin y el tamao de la muestra. El nmero de elementos en la
poblacin es, primero, dividido por el nmero deseado en la muestra. El cociente indicar si
cada dcimo, cada onceavo, o cada centsimo elemento en la poblacin va a ser seleccionado.
El primer elemento de la muestra es seleccionado al azar. Por lo tanto, una muestra
sistemtica puede dar la misma precisin de estimacin acerca de la poblacin, que una
muestra aleatoria simple cuando los elementos en la poblacin estn ordenados al azar.
C. Muestreo Estratificado. Para obtener una muestra aleatoria estratificada, primero se divide
la poblacin en grupos, llamados estratos, que son ms homogneos que la poblacin como un
todo. Los elementos de la muestra son entonces seleccionados al azar o por un mtodo
sistemtico de cada estrato. Las estimaciones de la poblacin, basadas en la muestra
15

estratificada, usualmente tienen mayor precisin (o menor error muestral) que si la poblacin
entera muestreada mediante muestreo aleatorio simple. El nmero de elementos seleccionado
de cada estrato puede ser proporcional o no proporcional al tamao del estrato en relacin con
la poblacin.
D. Muestreo de conglomerados. Para obtener una muestra de conglomerados, primero dividir
la poblacin en grupos que son convenientes para el muestreo. En seguida, seleccionar una
porcin de los grupos al azar o por un mtodo sistemtico. Finalmente, tomar todos los
elementos o parte de ellos al azar o por un mtodo sistemtico de los grupos seleccionados
para obtener una muestra. Bajo este mtodo, aunque no todos los grupos son muestreados,
cada grupo tiene una igual probabilidad de ser seleccionado. Por lo tanto la muestra es
aleatoria.
Una muestra de conglomerados, usualmente produce un mayor error muestral (por lo tanto, da
menor precisin de las estimaciones acerca de la poblacin) que una muestra aleatoria simple
del mismo tamao. Los elementos individuales dentro de cada "conglomerado" tienden
usualmente a ser iguales. Por ejemplo la gente rica puede vivir en el mismo barrio, mientras
que la gente pobre puede vivir en otra rea. No todas las reas son muestreadas en un
muestreo de reas. La variacin entre los elementos obtenidos de las reas seleccionadas es,
por lo tanto, frecuentemente mayor que la obtenida si la poblacin entera es muestreada
mediante muestreo aleatorio simple. Esta debilidad puede reducida cuando se incrementa el
tamao de la muestra de rea.
El incremento del tamao de la muestra puede fcilmente ser hecho en muestra de rea. Los
entrevistadores no tienen que caminar demasiado lejos en una pequea rea para entrevistar
ms familias. Por lo tanto, una muestra grande de rea puede ser obtenida dentro de un corto
perodo de tiempo y a bajo costo.
Por otra parte, una muestra de conglomerados puede producir la misma precisin en la
estimacin que una muestra aleatoria simple, si la variacin de los elementos individuales
dentro de cada conglomerado es tan grande como la de la poblacin.

16

Modulo II PROBABILIDAD CSICA

Teora de conjuntos:

Un poco de historia
El matemtico alemn Georg Cantor en el siglo XIX formaliz por primera vez la teora de conjuntos.
El concepto de conjunto es fundamental en el anlisis matemtico toda vez que nos permite encontrar
relaciones, implcita o explcitamente, en todas las ramas de las matemticas.
En su forma explcita, los principios y terminologa de los conjuntos se utilizan para construir
proposiciones matemticas ms claras y precisas y para explicar conceptos abstractos como el infinito.
Definicin de Conjunto
Un conjunto es una agrupacin de elementos bien definidos
Ejemplo de conjuntos:
S
1
= {2, 4}; S
2
= {2, 4, 6, , 2n, } = {todos los enteros pares};

Notaciones de conjuntos

Es usual denotar los conjuntos por letras maysculas.
Los elementos de los conjuntos se representan por letras minsculas
A = { 1,3,5,7,9,11 }
Separando los elementos por comas y encerrndolos entre llaves {}. Esta es llamada forma tabular de un
conjunto.
Pero si se define un conjunto enunciando propiedades que deben tener sus elementos.
Ejemplo: Sea B el conjunto de todos los numero pares, entonces se emplea una letra, por lo general x,
para representar un elemento cualquiera y se escribe
B={x/xea los nmeros pares }
lo que se lee B es el conjunto de los nmeros x tales que x es par se dice que esta es la forma de
definicin por comprensin o constructiva de un conjunto. Tngase en cuenta que la barra vertical se lee
Tales Que .
si un objeto x es el elemento de un conjunto A, es decir, si A contiene a x como uno de sus elementos, se
escribe.
x c A
que se puede leer tambin x pertenece a A x esta en A. Si por el contrario un objeto x no es
elemento de un conjunto A, es decir, si A no contiene a x entre sus elementos, se escribe
x . A
Es costumbre que en los escritos matemticos poner una lnea vertical o una oblicua / tachando un
smbolo para indicar lo opuesto o la negacin del significado de smbolos.
Decimos que el elemento P pertenece al conjunto S si P est contenido en el conjunto S.
Decimos que el conjunto A est contenido en el conjunto S si todos los elementos del conjunto A son elementos
del conjunto S.
Igualdad o identidad de conjuntos
El conjunto A es igual al conjunto B si ambos tienen los mismo elementos, es decir, si cada elemento en A
pertenece tambin a B, y si cada elemento en a B pertenece a A. Se denota la igualdad de los conjuntos
A = B.
Decimos que la identidad de dos conjuntos A Y B se da, cuando A est contenido en B y B est
contenido en A.
Ejemplo
Sean. A={1,2,3,4 } y B={3,1,4,2 }, entonces A=B, porque los elementos 1,2,3,4 de A pertenece a B y cada
uno de los elementos 3,1,4 y 2 de B pertenece a A.
Debemos de observar que en un conjunto el orden de aparicin de sus elementos no cambia su
contenido.
17

UNIN
La unin de los conjuntos A y B es el conjunto de todos los elementos que pertenecen a A o a B o a
ambos. Se denota la unin de A y B por
A U B = { x / x en A x en B }

el cual se lee A unin B.

Interseccin

La interseccin de los conjuntos A y B es el conjunto de los elementos comunes en A Y B, esto es,
aquellos elementos que pertenecen a A y que tambin pertenecen a B.
Se denota la interseccin de A y B por:
A B = { x / x A y x B }
Que se lee A interseccin B

El complemento de un conjunto, es el conjunto de elementos que no pertenecen a A, es decir la diferencia
del conjunto universal U y del A.
Se denota el complemento de A por:
A' = { x / x e A }

18

Diferencia
La diferencia de los conjuntos A y B es el conjunto de elementos que pertenecen a A pero no a B.
Se denota la diferencia de A y B por:
A B = { x / x A y x e B }
Que se lee A diferencia B o simplemente A menos B

Definicin de conjunto vaco
El conjunto vaco es un conjunto sin elementos.
= { }

Conjunto Universal
El Conjunto Universal es el conjunto que tiene todos los elementos.
U = { Todos los elementos que estn contenidos en el diagrama de Venn }

19

Es importante sealar que el conjunto universal se debe definir en primer lugar y todos los dems
conjuntos debern estar contenidos en l.

Por Ejemplo Si definimos que el Conjunto Universal est definido por los diez nmero dgitos entonces
U = { 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 }

Ejemplo

Si el Conjunto Universal est definido por los nmeros dgitos entonces

U = { 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 }

Ejemplo:
Sea U={ x / 0< x < 2}

A={x /1/2 < x < 1 }
B={x / < x < 3/2 }
C= {x / 1/3 < x < 3/2 }

Entonces

AUB = { x / x A x B} = { x / < x < 3/2 }
AB ={x / x A y x B } = { x / < x < 1}
= {x / x e A , x (U - A)} = { x / 0 < x < } U { 1 < x < 2}

Con base en el desarrollo anterior

Calcula (AUB)
C
, (AB)
C
, A
C
B , AB
C
, A
C
B
C
, A
C
UB
C
, C
C
, AC , A
C
UC
C
, A
C
UC.

Solucin

(AUB)
C
= { x / x e AUB, x (U- AUB) } = { x / (0 < x < ) U (3/2 < x < 2)}

(AB)
C
= { x / x eAB, x U (AB) } = { x / (0 < x < 1/2) U (1 < x < 2)}

A
C
B = { x / x e A y x B} = { x / (1/4 < x < 1/2) U (1 < x < 3/2)}

AB
C
= { x/ x A y x e B} = { }

A
C
B
C
= { x / xe A y x e B} = { x / (0 < x < 1/4) U (3/2 < x < 2)}

A
C
UB
C
= { x / x e A x e B} ={ x / (0 < x < 1/2) U (1 < x < 2)}

C
C
= { x / xe C , x (U C)} = { x / (0 < x < 1/3) U (3/2 < x < 2)}

/

20

AC = { x / x A y x C} = { x /1/2 < x < 1 }

A
C
UC
C
= { x / x e A y xe C } = { x / (0 < x < 1/2) U (1 < x < 2)}

A
C
UC = { x / x e A x C } = { x / 1/3 < x < 3/2 }

Producto cartesiano

Definicin: El producto cartesiano de un conjunto E por el conjunto F, es el conjunto de todas las parejas
ordenadas ( x , y ) tales que x c E , y c F .

El producto cartesiano de E y F, se escribe como E F

Ejemplo:

si A = {1, 2} y B = {x, y, z}

entonces:

A B = {(1, x), (1, y), (1, z), (2, x), (2, y), (2, z)}.

B A = {(x, 1), (y, 1), (z, 1), (x, 2), (y, 2), (z, 2)}.

En este caso, A B = B A, pues al ser pares ordenados, el par (1, x) es distinto del par (x, 1).

Conjunto Potencia

La familia de todos los subconjuntos S se llama conjunto de potencia de S. Se le designa por
s
2

Ejemplo:

Si entonces b}, {a, M=
} }, b { }, a { }, b , a {{ 2
M
| =
si un conjunto S es infinito digamos que S tenga n elementos, entonces el conjunto potencia de S tendr
n
2 elementos, como se puede demostrar. Esta es una razn, para llamar conjunto de potencia de S la
clase de los subconjuntos de S y para denotarla por
s
2 .

21

Ejemplos

1.- Sea el conjunto universal { } 0 1 , 0 1 , , | ) , (
2 1
s s s s e e = y x D y D x y x u y
+
eZ y x, . Sea:
} 10 | , {
2 1
> + e e = y x D y D x A
} | , {
2
2 1
y x D y D x B e e =
} 10 | , {
2 2
2 1
s + e e = y x D y D x C
} 2 | , {
2
2 1
= e e = x D y D x D
} 10 2 2 | , {
2 1
s + s e e = y x D y D x E

Determinar u , A, B , C , D y E .

Solucin:

)} 6 , 6 ( ), 5 , 6 ( ), 4 , 6 ( ), 3 , 6 ( ), 2 , 6 (
), 1 , 6 ( ), 5 , 5 ( ), 4 , 5 ( ), 3 , 5 ( ), 2 , 5 ( ), 1 , 5 ( ), 6 , 4 ( ), 5 , 4 ( ), 4 , 4 ( ), 3 , 4 ( ), 2 , 4 ( ), 1 , 4 ( ), 6 , 3 ( ), 5 , 3 ( ), 4 , 3 ( ), 3 , 3 (
), 2 , 3 ( ), 2 , 3 ( ), 1 , 3 ( ), 6 , 2 ( ), 5 , 2 ( ), 5 , 2 ( ), 4 , 2 ( ), 3 , 2 ( ), 2 , 2 ( ), 1 , 2 ( ), 6 , 1 ( ), 5 , 1 ( ), 4 , 1 ( ), 3 , 1 ( ), 2 , 1 ( ), 1 , 1 {( = u
)} 6 , 6 ( ), 5 , 6 ( ), 4 , 6 ( ), 6 , 6 ( ), 6 , 5 ( ), 6 , 4 {( = A
)} 6 , 6 ( ), 5 , 6 ( ), 4 , 6 ( ), 3 , 6 ( ), 6 , 5 ( ), 5 , 5 ( ), 4 , 5 ( ), 3 , 5 ( ), 6 , 4 ( ), 5 , 4 ( ), 4 , 4 (
), 3 , 4 ( ), 6 , 3 ( ), 5 , 3 ( ), 4 , 3 ( ), 3 , 3 ( ), 2 , 3 ( ), 6 , 2 ( ), 5 , 2 ( ), 4 , 2 ( ), 3 , 2 ( ), 2 , 2 ( ), 6 , 1 ( ), 5 , 1 ( ), 4 , 1 ( ), 3 , 1 ( ), 2 , 1 {( = B
)} , 31 ( ), 2 , 2 ( ), 1 , 2 ( ), 3 , 1 ( ), 2 , 1 ( ), 1 , 1 {( = C
)} 3 , 6 ( ), 2 , 4 ( ), 1 , 2 {( = D
u E = = )...} 5 , 1 ( ), 4 , 1 ( ), 1 , 3 ( ), 1 , 2 ( ), 1 , 1 {(

2.- Sean los conjuntos:
{ } 9 0 , | s s e = x R x x u
{ } } 9 3 | { 3 | s s = = x x x x A
{ } } 3 0 | { 3 | s s = s = x x x x B
{ } 6 | x A x C s =
{ } } 9 8 3 0 | { 8 , 3 | s s s s = > = x x x x o x x D

Encontrar ' A , B A , ) ' ( ' C B A , ) ' ( c B A , ) ' ( C A B .

Solucin:

B x x x x A x x A = s s e = s s e = e = } 3 0 { } 9 3 { } | { '
} 9 0 , | { s s e = x R x x B A
} 6 4 y 9 3 ) ( 9 3 | { ) ' ( < s s < s < = x x x x x C B A
A x x x x A x c B A = s < = < s e = } 9 3 | { } 6 4 | { ) ' (
B x x x B C A B = s s = s s s s = } 3 0 { } 6 4 3 0 { ) ' (

Problemas propuestos

1.- Escriba los elementos de los siguientes conjuntos:

- A) Sea el conjunto de enteros entre 1 y 50 y que adems cumplen con ser divisible entre 8.
22

Respuesta: { } 48 , 40 , 32 , 24 , 16 , 8
8
, 50 1 | =
)
`
e s s =
+
Z
x
x x A
-
- B) Sea B el conjunto de las x que cumplen con 0 12
2
= x x
Respuesta: { } { } 4 , 3 , 0 12 |
2
= e = = Z x x x x B
-
- C) Sea C el conjunto de las x que cumplen con 0 5 4
2
= + x x
Respuesta: { } { } 5 , 1 , 0 5 4 |
2
= e = + = Z x x x x C
-
- D) Sea E el conjunto donde x es un continente.
{ }
{ } Oceana Asia frica Europa Amrica D
Continente x x D
, , , ,
|
=
= =

2.- Sea el conjunto universal un intervalo de 0 a 15 obtener:
a) El conjunto A todas x > 10.
El conjunto B todas las x de por lo menos 1 hasta 4.
El conjunto C todas las x de por lo menos 7 a lo ms 9.
El conjunto D las x < 2 o x > 8.
El conjunto E las x > 8 y x < 10.

b) B
c) B D
d) A U (CE)
Respuesta:
{ }
{ } { } R x x x R x x x A
U
e s < = e > =
=
, 15 10 | , 10 |
15 , 14 , 13 , 12 , 11 , 10 , 9 , 8 , 7 , 6 , 5 , 4 , 3 , 2 , 1 , 0

( ]

{ } R x x x B e s s = , 4 1 |

[ ]

{ } R x x x C e s s = , 9 7 |

[ ]

{ } { } R x x o x x R x x o x x D e s < < s = e > < = , 15 8 2 0 | , 8 2 |

[ ) ( ]

{ } { } R x x x R x x y x x E e < < = e < > = , 10 8 | , 10 8 |

[ ]

0 2 4 6 8 10 12 14

0 2 4 6 8 10 12 14
0 2 4 6 8 10 12 14

0 2 4 6 8 10 12 14

0 2 4 6 8 10 12 14

23

{ } { } R x x o x x R x B x x B e s < < s = e e = , 15 4 1 0 | , |
|

{ }
{ } { } { } { } 8 4 , 8 2 15 4 1 0 |
|
| |
| |
s < e = e s s e s < < s e =
e e =
x x R x x x y x o x x x D B
D x y B x x D B

( ) { } R x x o x x E C AU e s < s s = , 15 10 8 7 |
|

Tema II.- Probabilidad

Simbologa
- Pertenece.
- Conjunto vaco.
- U Unin.
- Interseccin.
- Representa un conjunto con sus
elementos.
- menor igual que.
- mayor igual que.
- < menor que.
- = igual.
- exactamente igual.
- Por lo menos significa mayor o igual que
- A lo ms significa menos o igual que
- Al menos: significa mayor o igual que
- No ms: significa menos o igual que
- Igual a = Relacin entre dos
cantidades del mismo valor.
24

La probabilidad es la rama de las matemticas que se ocupa de medir cuantitativamente la
posibilidad de que ocurra un determinado suceso.
La probabilidad matemtica comenz como un intento de responder a varias preguntas que
surgan en los juegos de azar. Las grandes fortunas que se ganaban y perdan ocasion que
los apostadores intentaran llevar ventaja sobre sus oponentes, de esta forma encontraron
que exista una relacin inversamente proporcional entre los casos favorables y los casos
posibles.
La creacin de la probabilidad se atribuye a los matemticos franceses del siglo XVII
Blaise Pascal y Pierre de Fermat, aunque algunos matemticos anteriores, como
Gerolamo Cardano en el siglo XVI, haban aportado importantes contribuciones a su
desarrollo.
La probabilidad es una disciplina matemtica que se aborda desde tres enfoques:
a) El contenido lgico formal.
La probabilidad es analizada desde un punto de vista axiomtico por lo que establece un
conjunto de reglas.
b)Antecedentes intuitivos.
La intuicin y la experiencia fsica son interdependientes, es un problema del que necesitamos
ocuparnos.
c)Aplicaciones
En las aplicaciones, los modelos matemticos abstractos sirven de instrumentos; adems,
diferentes modelos pueden describir la misma situacin emprica. La forma en que se aplican
las teoras matemticas no depende de ideas preconcebidas; es una tcnica con un fin
determinado, que depende y cambia con la experiencia.
Tipos de experimentos
Experimento determinstico:
Son aquellos eventos que se cumplen inexorablemente y cuya probabilidad de ocurrencia es 1
Ejemplo de ello es Todos los humanos nos vamos a morir.
Experimentos no determinsticos: son aquellos eventos cuya probabilidad de ocurrencia se
encuentra en 0 s P(E) s 1.
A este tipo de experimentos corresponde Al arrojar un dado legal cual es la probabilidad de
que aparezca un dos

Probabilidad clsica

Al utilizar el modelo probabilstica en otro tipo de problemas surgi un problema nodal por
resolver, esto es, se requera saber contar tanto los casos favorables como los posibles.
Para responder a esta necesidad surgieron las tcnicas del conteo, las que podemos agrupar
en: espacio muestral, anlisis combinatorio y los diagramas de rbol.

Ejemplo: En una urna hay 30 bolas: 10 rojas, 5 azules y 15 blancas.
Hallar la probabilidad de que al extraer una bola al azar sta sea de
color.
P(x) = casos favorables / casos posibles
25

Podemos observar que son 30 los casos posibles entonces:
P(roja) = 10/30 = 1/3
P(azul) = 5/30 = 1/6

Espacio Muestral

Comencemos por la tcnica del espacio muestral, esta tcnica se recomienda utilizarla cuando
el nmero de eventos posibles sea del orden de no ms de 50.

Definicin: Un evento simple es un evento que no se puede descomponer.

A cada evento simple le corresponde uno y slo un punto muestral.

Construccin de espacios muestrales

Ejemplo 1: Exprese simblicamente el espacio muestral S que consiste en todos los puntos
(x,y) dentro de una circunferencia de radio 3 con centro en el punto (2,-3)

{(x,y)/ (x - 2)
2
+ (y + 3)
2
< 9}

Ejemplo 2: Supongamos que en un sistema fsico aislado hay tres molculas M1, M2 y M3
cada una con cero, una o dos unidades de energa, la suma de sus energas es dos.
Supngase que todas las distribuciones de energa entre las tres molculas son igualmente
probables. Constryase un modelo matemtico para esta situacin. Cuntos eventos
elementales hay? Cuntos eventos elementales son favorables al evento M1 tendr energa
cero? Cul es su probabilidad?.

M1 (0,1,2) (0,0,0) (0,0,1) (0,0,2) (0,1,0) (0,1,1) (0,1,2) (0,2,0) (0,2,1) (0,2,2)
M2 (0,1,2) (1,0,0) (1,0,1) (1,0,2) (1,1,0) (1,1,1) (1,1,2) (1,2,0) (1,2,1) (1,2,2)
M3 (0,1,2) (2,0,0) (2,0,1) (2,0,2) (2,1,0) (2,1,1) (2,1,2) (2,2,0) (2,2,1) (2,2,2)

Como la suma de sus energas es dos, entonces:

(0,0,2) (0,1,1) (0,2,0) (1,0,1) (1,1,0) (2,0,0)

por lo tanto,

a) Hay 6 eventos elementales.

b) M1 tendr energa cero: (0,0,0) por lo tanto, cada uno tiene probabilidad de 1/6,
entonces:

(0,0,2) (0,1,1) (0,2,0) =1/6 + 1/6 + 1/6 = 3/6

c) Su probabilidad es:

Pr (C) = 3/24 / 6/24 = 3/6 =

Problemas propuestos

1.- Constryase un modelo para el experimento de lanzar un par de dados estndar cuntos
eventos elementales hay, y cuales son sus posibilidades?
Definicin: Un espacio muestral es el conjunto de
26

Qu suposiciones se hacen para establecer el modelo?
b)Cuntos eventos elementales favorables para el evento caer un total de ocho puntos por
los dos dados?
c)Cul es la probabilidad de tirar ojos de vbora(Un total de 2 puntos)?.
d)Cul es la probabilidad de tirar 7 u 11?
e)Cul es la probabilidad de tirar 2,3 o 12?.
f) Supngase que un dado es rojo, el otro es blanco. cul es la probabilidad de que el numero
de puntos del dado rojo sea menor que el numero de puntos del dado blanco?

(1,1)(1,2)(1,3)(1,4)(1,5)(1,6)
(2,1)(2,2)(2,3)(2,4)(2,5)(2,6)
(3,1)(3,2)(3,3)(3,4)(3,5)(3,6)
(4,1)(4,2)(4,3)(4,4)(4,5)(4,6)
(5,1)(5,2)(5,3)(5,4)(5,5)(5,6)
(6,1)(6,2)(6,3)(6,4)(6,5)(6,6)

a) existen 36 eventos diferentes y es una suposicin que los dados no estn cargados

a) total de eventos 36 probabilidad de 1/36

b) p(b)= 5
c) p=1/36
d) p(7)=6/36 +P(11)=6/36+2/36=8/36=2/9
e) P(2)=1/36 +P(3)=3/36 +P(12)=1/36=4/36=1/9
f) P(f)=15/36=5/12

2.- Encontrar el espacio muestral de preguntarle a tres mujeres si ve la telenovela a las 8:00
pm.

{ } NNN NNS NSN NSS SNN SNS SSN SSS S , , , , , , , =

3.- Cul ser el espacio muestral si se quiere obtener de un grupo de qumica a tres personas
que son hombres y mujeres?

{ } MMM MMH MHM MHH HMM HMH HHM HHH S , , , , , , , =

4.- Encontrar el espacios muestral del siguiente experimento:
se inspeccionan 3 artculos si se encuentran o no defectuosos:

Sea D: articulo defectuoso y N : articulo no defectuoso.

Respuesta y solucin

Respuesta y solucin

Respuesta y solucin

Respuesta y solucin

27

} , , , , , , , { NNN NND NDD NDD DNN DND DDN DDD S =
5.-Si se lanzan dos monedas al mismo tiempo :
a) Cual es la probabilidad de que caigan 2 soles
b) Que caiga un guila o un sol o guila y sol

S = { A A,AS, SA,SS}
a) P(A y A) = P(AA) =P(A)*P(A) = * = 1/4
b) P(S y A) o P(A y S) = (1/2 * 1/2) + (1/2 * 1/2) = 1/2

Para tres monedas: S = {AAA,AAS,ASA,ASS,SAA,SAS,SSA,SSS}

a) Probabilidad de que caiga SSA
P(SSA) = P(SSA) = P(S)*P(S)*P(A) = 1/2*1/2*1/2 = 1/8

b) Probabilidad de que salgan 2 soles y 1 guila
P(SSA) o P(SAS) o P(ASS) = 1/8*1/8*1/8 = 3/8

La probabilidad desde el punto de vista de la frecuencia relativa:
Si un experimento se repite un nmero grande (N) de veces y de stas el evento A ocurre n
veces la probabilidad de A es:

P(A) = na / N
A cada punto muestral se le asigna P(Ej) tal que:
1.- 0 < P(Ej) < 1
2.- P(E) = 1
s

1.- Una urna contiene 20 papeletas blancas numeradas del 1 al 20, 10 papeletas rojas
numeradas del 1 al 10, 40 papeletas amarillas numeradas del 1 al 40 y 10 azules numeradas
del 1 al 10. Se revuelven las papeletas en la urna para que todas tengan probabilidad de ser
seleccionadas.
a) Cul es la probabilidad de seleccionar una papeleta azul blanca?
b) Cul es la probabilidad de obtener un 1, 2, 3,4 5?
c) Cul es la probabilidad de obtener una roja amarilla y numeradas de 1, 2, 3, 4?
d) Cul es la probabilidad de sacar un 5,15,25 un 35?
e) Cul es la probabilidad de seleccionar una papeleta blanca con un nmero mayor que
12 amarilla y con un nmero mayor que 26?

Respuesta y solucin

28

( ) { }
( )
( )
( )
( )
80
8
35 , 25 , 16 , 5
20
8
4 , 3 , 2 , 1
80
20
5 , 4 , 3 , 2 , 1
80
30
) 10 1 ( ), 40 1 ( ), 10 1 ( , 20 1
=
=
=
=
=
P
amarilla o roja P
P
blancas o azules P
azules amarillas rojas blancas S

( )
80
22
26 12 = > > amarilla o blanca P

2.- Cuantas palabras de 5 letras se pueden formar usando las letras empleadas en la palabra
caaas. Se tienen 5! = 120 permutaciones si no tomamos en cuenta el orden. Si lo tomamos en
cuenta solamente las letras se forman seis palabras iguales, esto resulta del hecho que hay 3!
= 321 =6 maneras diferentes de colocar las letras Esto es cierto para cada una de las otras
posiciones posibles en donde las a aparezcan. Por consiguiente hay 20 palabras diferentes de
5 letras, que pueden formarse tomando las letras de la palabra caaas.

20
6
120
! 3
! 5
= =

b)

4.- Se van a construir en Puebla, Acapulco, Toluca y Tepic hoteles y condominios y casas los
que se ubicarn en la planicie o en la montaa.
a) Cul es el espacio muestral?
b) Cul es la probabilidad de tener un hotel?
c) Cul es la probabilidad de tener en Acapulco un condominio de desarrollo turstico?
d) Cul es la probabilidad de tener un desarrollo turstico?

( )
( )
( )
2
1
24
12
24
8
24
8
24
= =
=
=
=
DT P
DT Con C P
H P
S

5.- En una escuela 100 estudiantes tienen las siguientes asignaturas , 54 estudiaron
matemticas, 69 historia y 35 ambas materias. Si se selecciona aleatoriamente uno de
estos estudiantes encuentre la probabilidad de que:
29

a) Se haya dedicado a matemticas o historia.
b) No haya cursado ninguna de estas materias.
c) Haya estudiado historia pero no matemticas.

6.- La probabilidad de que una moneda al ser lanzada aparezca cara y cruz son 0.52 y 0.48
respectivamente. Si la moneda se lanza 3 veces Cules son las probabilidades de sacar:
a) Solo caras
b) Dos cruces y una cara en ese orden

a) P(C C C) = P(C)*P(C)*P(C) = (0.52)(0.52)(0.52) = 0.14060
b) P(Z Z C) = P(Z)*P(Z)*P(C) = (0.48)(0.48)(0.52) = 0.1198

7.- Se lanzan dos dados en donde se registran el conjunto de todos los pares posibles que se
pueden observar entonces defina los siguientes subconjuntos de S.
A: el nmero en el segundo dado es par.
B: la suma de los dos nmeros es par.
C: al menos un nmero en el par ordenado es impar.

(1,1) (2,1) (3,1) (4,1) (5,1) (6,1)
(1,2) (2,2) (3,2) (4,2) (5,2) (6,2)
(1,3) (2,3) (3,3) (4,3) (5,3) (6,3)
(1,4) (2,4) (3,4) (4,4) (5,4) (6,4)
(1,5) (2,5) (3,5) (4,5) (5,5) (6,5)
(1,6) (2,6) (3,6) (4,6) (5,6) (6,6)

A =: (1,2),(1,4),(1,6),(2,2),(2,4),(2,6),(3,2),(3,4),(3,6)
(4,2),(4,4),(4,6),(5,2),(5,4),(5,6),(6,2),(6,4),(6,6)

B =: (1,1),(1,3),(1,5),(2,2),(2,4),(2;6),(3,1),(3;3),(3,5)
(4,2),(4,4),(4,6), (5,1),(5,3),(5,5),(6,2),(6,4),(6,6)

C =: (1,1),(1,2),(1,3),(1,4),(1,5),(1,6),(2;1),(2,3),(2,5)
(3,1),(3,2),(3,3),(3,4),(3,5),(3,6),(4,1),(4,3),(4,5)
(5,1),(5,2),(5,3),(5,4),(5,5),(5,6),(6,1),(6,3),(6,5)

A n B = (2,2),(4,2),(6,2),(2,4),(4,4),(6,4),(2,6),(4,6)(6,6)
_
A n B =(1,2),(3,2),(5,2),(1,4),(3,4),(5,4),(1,6),(3,6),(5,6)
_
A u B = (1,1),(2,1),(3,1),(4,1),(5,1),(6,1),(1,3),(2,3),(3,3)
(4,3),(5,3),(6,3),(1,5),(2,5),(3,5),(4,5),(5,5),(6,5)

30

(2,2),(2,4),(2,6),(4,2),(4,4),(4,6),(6,2),(6,4)(6,6)

Eventos independientes
Definicin:
Se dice que dos eventos son independientes si cumplen alguna de las condiciones:
i) PA/B) = P(A)
ii) P(B/A) = P(B)
iii) P(AB) = P(A)P(B
Caso contrario los eventos son dependientes
Eventos mutuamente excluyentes
Si A y B son mutuamente excluyentes entonces P(AB) = 0 y

6.- Si A y B son eventos mutuamente excluyentes
y P(A) = 0.3 y P(B)=0.5 encuentre:

a) P(AUB)
b) P(A
|
)
c) P(A
|
UB)
( ) ( ) ( ) 8 . 0 5 . 0 3 . 0 = + = + = B P A P B A P

( ) { } 7 . 0 |
|
= e = A x x A P

( ) { } 5 . 0 5 . 0 7 . 0 |
|
+ = e e = B x y A x x B A P

7.- Una persona al llegar a una interseccin tiene tres opciones, dar vuelta a la derecha, a
la izquierda, o seguir de frente.

a) Obtenga el espacio muestral del experimento.
b) Determine la probabilidad de que la persona de vuelta, suponiendo que todos los
puntos maestrales tienen la misma probabilidad.

B
A
B A
P(AUB)= P(A) +P(B)
31

{ }
( )
( )
( )
( ) ( ) ( ) ( )
3
2
3
1
3
1
3
1
3
1
3
1
, ,
= + = + = =
=
=
=
=
VI P VD P VI VD P V P
F P
VI P
VD P
F VI VD S

8.- En una empresa su personal tiene las siguientes caractersticas

Empleado Desempleado
Hombre 460 40 500
Mujer 140 260 400
600 300 900
Obtener:

a) P(M)
b) P(M|Desempleado)
c) P(Desempleados)
d) P(M Desempleados)
e) P(Empleados|Hombres)

( )
500
460
) | (
90
44
) (
3
1
900
300
) (
300
260
) | (
9
4
900
400
=
=
= =
=
= =
Hombres Empleados P
os Desemplead M P
os Desemplead P
os Desemplead M P
M P

Tcnica de Anlisis combinatorio

Principio fundamental del Conteo:

Si un evento puede realizares de n
1
maneras diferentes, y si, continuamos el procedimiento,
con n
2
maneras diferentes, y n
3
maneras diferentes, y as sucesivamente, entonces el nmero
de maneras en que los eventos pueden realizarse en el orden indicado es producto n
1
n
2

n
3
......

Notacin Factorial

n!.es el producto de los enteros positivos desde 1 hasta n inclusive
32

Conviene tambin definir 0! = 1.

Definicin de Combinaciones

El nmero de combinaciones de n objetos tomados de r veces a la vez, es el nmero de
subconjuntos no ordenados de tamao r que se pueden formar con los n objetos est dada
por:

=
r n
C
)! ( !
!
r n r
n

Definicin de Permutaciones
Son la cantidad de manera en que podamos ordenar n objetos diferentes tomados de r a la
vez est dada por:
)! (
!
) , (
r n
n
r n P
=

Teorema.

El numero de permutaciones de n objetos de los cuales n
1
son iguales, n
2
son iguales, ..., n
r

son iguales, es

! ! 2 ! 1
!
nr n n
n

Ejemplo 1.- Cuantas permutaciones se pueden hacer para 4 personas que juegan al Briget.

Solucin:

24
4
=
n
P

Ejemplo 2.- De cuantas maneras un investigador puede seleccionar a 3 familias que viven en
un complejo departamental que consta de 20 departamentos.

Solucin:

1140
3 20
= = C C
r n

Ejemplo 3.- En cuantas maneras diferentes pueden 6 lanzamientos de una moneda producir 2
guilas y soles.

Solucin:
33

225
6 6
4 6 2 6
=
C
C C

Ejemplo 4.- Cuntos comits diferentes de dos qumicos y un fsico se pueden formar con 4
qumicos y 3 fsicos de una universidad.

Solucin:

18
1 3 4 4
= C C

5.- En una mano de pquer que consta de 5 cartas, encuentre la probabilidad de tener:
a) Tres ases

Solucin:

Nmero de formas en que se pueden repartir una mano pquer es 2598960
5 52
= = C C
r n

De esas 5, de cuantas maneras puedo recibir tres ases
21120
1 4 1 4 3 12 3 4
= C C C C
008126 .
2598960
21120
) ( = = =
Posibles
Favorables
ases tres p

6.- Si un cliente invierte con una probabilidad de .6 en bonos, en fondos de inversin con una
probabilidad de .3 y en ambos instrumentos con una probabilidad de .15. Encuentre:
a) La probabilidad de que invierta ya sea en bonos libres o en fondos de inversin.
b) En ninguno de los instrumentos.

Solucin:

Sea L: Bonos l y M: fondos de inversin.
a)
15 . ) (
3 . ) (
6 . ) (
=
=
=
L M p
M p
L p

75 .
15 . 3 . 6 .
) ( ) ( ) ( ) (
=
+ =
+ = M L p M p L p M L p

b) 25 . ) ( ) ( = =
C C C
M L p M L p

7.- Un jurado integrado por ocho personas; cinco mujeres y tres hombres. Votaron por una
mujer las cinco mujeres y los tres hombres en contra. Se apel la decisin alegando
parcialidad de gnero. Si no hubiera parcialidad se podra concluir que cualquiera de los
miembros de la junta votara a favor de la mujer con la misma probabilidad. Si esto fuera cierto.
cul es la probabilidad de que el voto se diera como el jurado vot?

5M
5 P(cinco sean mujeres)= 5/8
3H

5
8
3 5
3 5
C
C C
Pvsex =

34

56
1
)! 5 8 ( ! 5
! 8
)! 3 3 ( ! 3
! 3
)! 5 5 ( ! 5
! 5
=

= Pvsex

8.- En un paquete de 52 cartas de un naipe ingls.
a) Cul es la probabilidad de sacar un as? P(as) = 4 /52 = 1/ 13

b) La probabilidad de sacar un rey rojo P(Rey Rojo) = 2/52 =1/26

c) Probabilidad de sea una figura negra P(Fig. Negra) = 26/52 =

d) Probabilidad de que sea par P(par) = (13)(13)
5
C
2
) /
52
C
5
= 0.000652

e) Probabilidad de un Full P(Full) = (13)(12)
5
C
3

5
C
2
) /
52
C
5
= 6 x 10
-3

9- En una urna existen 20 bolitas y solo hay 5 premiadas, Cul es la probabilidad de sacar las
5 bolitas con premio?, obtener el recorrido de la variable.

Solucin:

20
C
5
= 15504 maneras de sacar 5 bolitas.

P(x) = eventos posibles / total de eventos

x = numero de bolitas ganadoras.

x = 0 , 1 , 2 , 3 , 4 , 5

15 5 5 0
* 1001
(0)
15504 5168
C C
P = =

15 4 5 1
* 2275
(1)
15504 5168
C C
P = =

15 3 5 2
* 2275
(2)
15504 7752
C C
P = =

15 2 5 3
* 175
(3)
15504 2584
C C
P = =

15 1 5 4
* 25
(4)
15504 5168
C C
P = =

15 0 5 5
* 1
(5)
15504 15504
C C
P = =

La probabilidad de sacar las 5 bolitas ganadoras es 1/15504

Axiomas de probabilidad

35

Sean S cualquier espacio muestral y A cualquier evento de ste. Se llamara funcin de
probabilidad sobre el espacio muestral S a P(A) si satisface los siguientes axiomas.

1.- p(A) > 0 para todo A _ S

2.- p(S) =1

3.- p(A+B) = p(A) + p(B) si AB = |

Teoremas importantes

a.- p( A ) = 1- p(A)

b.- p(A) s 1 para todo A_ S

c.- p(|) = 0.

d.- p(A+B) p(A) + p(B) -p(AB)

e.- p(A
1
+A
2
+... A
n
) = p(A
1
) + p(A
2
) + ...p(A
n
) si A
i
A
j
= | para i=j

f.- p(A) s p(B) si A_ B

g.- P(|) = 0

h.- P (A B) = P(A) + P (B) - (A B)

Diagramas de rbol

1.- Una persona tiene probabilidad de sobrevivir a un trasplante de corazn en un 55%. Si el
paciente sobrevive a la operacin, la probabilidad de que su cuerpo rechace el trasplante es del
20%. Cul es la probabilidad de que sobreviva a estas etapas crticas?.

P(salvarse) = (0.55) ( 0.80) = 0.44

P
0.55
Sobreviva

0.45
No
sobreviva

0.2
Su cuerpo
rechace

0.8
Su cuerpo No
rechace
36

PROBABILIDAD CONDICIONAL

Definicin.
Sean A y B dos sucesos tales que P(A)>0. Denotamos por P(B\A) la probabilidad de B dado
que A ha ocurrido.

P(B/A) = P( A B) / P(A)

Ejemplos

1.- Los resultados de una investigacin de campo arrojan la siguiente informacin del
comportamiento de 50 empresas de servicio:

Antigedad Buen servicio (BS) Mal servicio (MS) Total
mas de 10 aos (A) 16 4 20
menos de 10 aos
(B)
10 20 30
Total 26 24 20

a) Cul es la probabilidad de que seleccione una agencia de automviles que
proporcione buen servicio dado que ha operado ms de diez aos?
5 4 20 16
50 20
50 16
20 16 / /
/
/
) A ( P
) A BS ( P
/ ) A | BS ( P = = =
= =

b) Cul es la probabilidad de que en la agencia que ha operado con menos de 10 aos
proporcione un buen servicio de garanta?

3 1 30 10
50 30
50 10
/ /
/
/
) B ( P
) B BS ( P
) B | BS ( P = = =
=

2.- Se sabe por experiencia que el 80% de los productos estn a tiempo para ser embarcados y
que el 72% se entregan a tiempo al comprador.Cul es la probabilidad de que una orden se
entregue a tiempo dado que estuvo lista para el embarque a tiempo?
A = es el evento de que este a tiempo para el embarque = 0.80
B = es el evento de que se entregue a tiempo

P(B|A) = P(AB)/P(A) = 0.72 / 0.80 = 0.9

37

Teorema de Bayes

Los exmenes del laboratorio de una clnica privada resultan correctos en el 95% de los casos
de infeccin cuando la infeccin esta presente. Estos exmenes arrojan un resultado "positivo"
que es falso en el 1% de las personas sanas que se someten al examen, es decir, que si la
persona esta sana entonces el examen le puede decir con una probabilidad .01 que ella esta
enferma. Adems se sospecha que el 5% de la poblacin tiene esa infeccin.
Cual es la probabilidad de que una persona tenga la infeccin dado que recibi un resultado
positivo ?
Solucin.
Si D: La persona tiene la infeccin y
E: El resultado del examen es positivo,
la interrogante ser P(D/E) ?.

Esto significa que solo el 83,3% de las personas cuyos resultados fueron positivos tienen la
infeccin.

Se ha observado que los hombres y las mujeres reaccionan de una manera diferente en ciertas
circunstancias; 70% de las mujeres reaccionan positivamente en dichas circunstancias,
mientras que el porcentaje en los hombres es solamente del 40%. Se someti a prueba un
grupo de 20 personas, 15 mujeres y 5 hombres, y se les pidi llenar un cuestionario para
descubrir sus reacciones. Una respuesta escogida al azar de las 20 result negativa. Cul es
la probabilidad de que haya sido contestada por un hombre?

SOLUCION:
M+ = 70% H+ = 40%
M_ = 30% M_ = 60%

P ( x H ) = ( 25 ) ( 60 ) = 0.4
(25)(60) +(75)(30)

Existen dos mtodos A y B para ensear a los trabajadores cierta habilidad
industrial el porcentaje de fracasos es 20% para A y 10% para B. Sin
embargo, B cuesta ms y por esto se utiliza solamente en el 30% de los casos
(se utiliza A en el otro 70%). Se entreno a un trabajador segn uno de los dos
mtodos pero no logro aprenderlo correctamente Cul es la probabilidad de
que haya recibido el entrenamiento con el mtodo A?
38

(tomando a x como el trabajador)

{ }
82 . 0
) 1 . 0 )( 3 . 0 ( ) 2 . 0 )( 7 . 0 (
) 20 . 0 )( 7 . 0 (
) | (
) | ( ) ( ) | ( ) (
) | ( ) (
) | (
3 . 0 ) (
7 . 0 ) (
1 . 0 ) | (
2 . 0 ) | (
=
+
=
+
=
=
=
=
=
e e =
x A P
B x P B P A x P A P
A x P A P
x A P
B P
A P
B x P
A x P
B x A x x B A

1. Se extrae una carta de una baraja espaola de 40 cartas. Si la carta extrada es un rey,
nos dirigimos a la urna I; en caso contrario a la urna II. A continuacin, extraemos una
bola. El contenido de la urna I es de 7 bolas blancas y 5 negras y el de la urna II es de
6 bolas blancas y 4 negras. Halla:
a) La probabilidad de que la bola extrada sea blanca y de la urna II
b) La probabilidad de que la bola extrada sea negra.

2. Dos personas piensan cada una de ellas un nmero del 0 al 9. Calcula la probabilidad
de que las dos personas no piensen el mismo nmero.

39

40

Modulo III.- Variable aleatoria discreta y sus distribuciones de
probabilidad

Contenido

a) Variables aleatorias
Definicin de una variable aleatoria, definicin de una variable aleatoria discreta, definicin
de funcin de probabilidad de una v.a.d.
b) Distribucin de probabilidad Binomial, definicin de ensao Bernulli, definicin de
variable aleatoria binomial.
c) Distribucin de probabilidad Geomtrica, serie geomtrica, definicin de v.a.
geomtrica, funcin de probabilidad geomtrica.
d) Distribucin de probabilidad Poisson, proceso Poisson, v.a. Poisson, Funcin de
probabilidad Poisson.
e) Valor esperado, varianza, desviacin estandar, de una v.a.d. definicin de valor
esperado de una v.a.d. definicin de valor esperado de la funcin de una v.a.d. cculo
del valor esperado de las distribuciones binomial, geomtrica y de Poisson.
f) Propiedades del valor esperado
g) Definicin de varianza y desviacin estandar.
h) Teoremas
i) Funcin generatriz de momentos, definicin del i-esimo momento de una v.a. respecto
al origen, definicin del i-esimo momento de una v.a. respecto a su media, definicin de
funcin generatriz de momentos, teoremas.
j) Usando la funcin generatriz de momentos calcular las variables de esta para la
binomial, geomtria y Poisson.

41

VARIABLE ALEATORIA DISCRETA:

CASO 1.- Si X es una variable aleatoria discreta y Y es igual a H(X), entonces Y es tambin
una variable aleatoria discreta.

Supngase que los valores posibles de X pueden enumerar como x1,x2... ,xn... con seguridad,
los valores posibles de Y se pueden enumerar como y1= H(x1), y2= H(x2),... (Algunos de los
valores anteriores pueden ser iguales, pero esto e no impide el hecho de que esos valores
pueden enumerarse.).

Una variable aleatoria discreta lo es, si los valores que toma se pueden contar , es decir,
provienen de un espacio muestral numerable finito o infinito.

DEFINICIN: Sea X una variable aleatoria, si el nmero de valores posibles de X es finito o
infinito numerable se dice que X es una variable aleatoria discreta. Esto es, se pueden notar los
valores posibles de X como x1,x2,... xn. Y la lista de ellas depender del total de valores
tomando en consideracin.

Ejemplos:

* El nmero de automviles vendidos en un mes

* El nmero de accidentes ocurridos en una determinada semana e una planta de manufactura,
tambin determinada.

Funcin de probabilidad de una v.a. d.

La Funcin de probabilidad de una v.a.d. es la funcin que representa las probabilidades
asociadas a cada valor posible de una variable aleatoria discreta.

La funcin f definida de esta forma como hemos visto se le conoce como funcin de
probabilidad de la variable aleatoria X.

La distribucin de probabilidad de X ser la coleccin de partes[xi, f(xi)] con
i=1, 2....

PROBLEMS

Sea el experimento de observar un hospital, el sexo del primer recin nacido en
un da determinado. Calcular S ,X, f y F.
Solucin:

S = { M,H}
X = R
x
= {0,1}

ahora obtenemos f y F X = x
i
o 1
f(x
i
)
F(x
i
)
2/2

Consideremos el nacimiento de un pequeo en donde los resultados: nio o nia son
igualmente posibles y los nacimientos son independientes.

Hallar S, X, f, F. De la variable aleatoria (uno de los nios que nacen en tres partos normales)
42

Solucin:

S = {MMM,MMH,MHM,HMM,MHH,HMH,HHM,HHH}

X= {0,1,2,3}

.ahora obtenemos f y F

X = x
i
0 1 2 3

.f(x
i
) 1/8 3/8 3/8 1/8

F(x
i
) 1/8 4/8 7/8 8/8

Sea

( )
( )
)

=
=
. c . o . e
, , , X
X
K
) X ( P
0
4 3 2 1

a) Encontrar K para ser una funcin de probabilidad.
b) Graficarla.
c) Encontrar E(x), VAR(X), r.
d) Hacer un intervalo de I = 2r

a) k = ?

P(1) = K = 12/25
P(2) = K/2 = 6/25
P(3) = K/3 = 4/25
P(4) = K/4 = 3/25
= K(25/12) K = 12/25

b) E(X), VAR(X), r

E(X) = X P(X)
E(X) = 1 (12/25) + 2 (6/25) + 3 (4/25) + 4 (3/25)
43

E(X) = 12/25 + 12/25 + 12/25 + 12/25 = 48/25

E(X
2
) = X
2
P(X) = 1
2
(12/25) + 2
2
(6/25) + 3
2
(4/25) + 4
2
(3/25)
E(X
2
) = 12/25 + 24/25 + 36/25 + 48/25 = 24/5

VAR (X) = E(X
2
) -
2
= (24/5) (48/25)
2
= 1.1136

r = (VAR(X))
1/2
= 1.0552

c) Hacer un intervalo de I = 2r

I = { -0.1905 , 4.0305 }

44

LA DISTRIBUCIN BINOMIAL.

La Distribucin Binomial es una de las distribuciones discretas de la probabilidad ms til. Sus
reas de aplicacin incluyen inspeccin de calidad, ventas, mercadotecnia, medicina,
investigacin de opciones y otras.
Mediante ella usted puede imaginar un experimento en el que el resultado es la ocurrencia o
la no-ocurrencia de un evento. Sin perdida de generalidad, llmese "xito" a la ocurrencia del
evento y "fracaso" a su no-ocurrencia. Adems, p nos representa la probabilidad de xito cada
vez que el experimento se lleva a cabo y q=(1- p ) la probabilidad de fracaso. Supngase que
el experimento se realiza n veces y cada uno de estos es independiente de todos los dems, y
sea X la variable aleatoria que representa el nmero de xitos en los n ensayos. El inters est
en determinar la probabilidad de obtener exactamente X = x xitos durante los n ensayos. Las
suposiciones claves para la distribucin binomial son:

1.- El experimento consiste en n ensayos idnticos
2.- Cada ensayo produce uno de dos resultados posibles. Uno llamado xito y otro
fracaso.
3.- La probabilidad de xito es p y es constante para todos los ensayos. La probabilidad
de falla es q= 1-p
4.- Los ensayos son independientes
5.- El experimento se interesa en los y aciertos observados en los n ensayos.

Varios problemas prcticos parecen adherirse razonablemente a las suposiciones
anteriores.
Por ejemplo, un proceso de manufactura produce un determinado producto en el que
algunas unidades se encuentran defectuosas. Si la proporcin de unidades
defectuosas producidas por este proceso es constante durante un periodo razonable y,
si como procedimiento de rutina, se selecciona aleatoriamente un determinado nmero
de unidades, entonces las proposiciones de probabilidad con respecto al nmero de
artculos defectuosos pueden hacerse mediante el empleo de la distribucin binomial.

Para obtener la funcin de probabilidad de la distribucin binomial, primero se determina la
probabilidad de tener, en n ensayos, x xitos consecutivos seguidos de n-x fracasos
consecutivos se tiene:

p. p ... p. (1-p)(1-p).....(1-p) = p
x
(1-p)
n-x
x trminos (n - x) trminos.

La probabilidad de obtener exactamente x xitos y n-x fracasos en cualquier otro orden es la
misma puesto que los factores p y (1 - p) se reordenan de acuerdo con el orden particular. Por
lo tanto, la probabilidad de tener x xitos y n - x fracasos en cualquier orden, es el producto de
p
x
(1-p)
n-x
por el nmero de rdenes distintos. Este ltimo es el nmero de combinaciones de
n objetos tomando x a la vez. De acuerdo con lo anterior se tiene la siguiente definicin:

Definicin: Sea X una variable aleatoria que representa el nmero de xitos en n ensayos y p
la probabilidad de xito con cualquiera de stos. Se dice entonces que X tiene una distribucin
de probabilidad

x n x
p p
x x n
n

) 1 (
! )! (
!
x = 0,1,2,......n.

p(x: n , p) =
0 para cualquier otro 0 1 s s p
valor

45

Los parametros de la distribucin binomial son n y p. Estos definen una familia de
distribuciones binomiales, donde cada miembro tiene la funcin de probabilidad determinada
Para ilustrar el efecto de estos parmetros la figura proporciona algunas grficas de la
distribucin binomial.

Grficas de la funcin binomial de probabilidad

Ejemplos
Para ilustrar l calculo de probabilidad mediante el empleo de la binomial :
Sea n = 5 y p =0.4 entonces:

p(x; 5 , 0.4) =
x x
x x

5
) 6 . 0 ( ) 4 . 0 (
! )! 5 (
! 5

x = 0,1,2,3,4,5;

p(0;5,0.4)=
0778 . 0 ) 6 . 0 ( ) 4 . 0 (
! 0 )! 0 5 (
! 5
5 0
=

p(1;5,0.4)=
2592 . 0 ) 6 . 0 ( ) 4 . 0 (
! 1 )! 1 5 (
! 5
1 5 1
=

p(2; 5 , 0.4) =
3456 . 0 ) 6 . 0 ( ) 4 . 0 (
! 2 )! 2 5 (
! 5
2 5 2
=

p(3; 5 , 0.4) =
2304 . 0 ) 6 . 0 ( ) 4 . 0 (
! 3 )! 3 5 (
! 5
3 5 3
=

p(4; 5 , 0.4) =
0768 . 0 ) 6 . 0 ( ) 4 . 0 (
! 4 )! 4 5 (
! 5
4 5 4
=

p(5; 5 , 0.4) =
0102 . 0 ) 6 . 0 ( ) 4 . 0 (
! 4 )! 4 5 (
! 5
5 5 5
=

La probabilidad de que una variable aleatoria X sea menor o igual a un valor especifico de x, se
determina por la funcin de distribucin acumulativa.

p(X s x ) = F(x; n, p) =
x
i
i n i
i
n
p p
0
) 1 ( ) (

Sea n = 10 y p = 0.3. La probabilidad de que X pueda ser cuatro es:

p(X s 4 ) = F(4; 10, 0.3) = 0.8497

La probabilidad de que X sea menor de dos es :

0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
1 2 3 4 5
n =5 , p =0.5
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
1 2 3 4 5
p
(
x
)

n=5, p=0.2
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
1 2 3 4 5
n =5, p=0.8
46

p(X>2) = p( 6172 . 0 ) 3 . 0 , 10 ; 2 ( 1 ) 2 ( 1 ) 3 = = s = > F X p )

Esperanza matemtica.
Usando la funcin generadora de momentos tenemos:

Por lo tanto,

Entonces
Varianza.
Para calcular la Varianza, derivemos primero E[X
2
] de la siguiente manera:

Por lo tanto,

Entonces:

Ejercicios.
Una moneda es lanzada 20 veces. Calcule el nmero ms probable de salidas de cara y cual
es la probabilidad de que salga ese nmero.
Solucin:
El nmero ms probable de caras es evidentemente n p =10. Y la probabilidad de que salga 10
veces es:

47

Supongamos que la probabilidad de recuperar un carro robado en Caracas es de 0.04.
a) Cul es la probabilidad de que de 10 carros robados sean recuperados a lo sumo 3 de
ellos?
b) Cul es la probabilidad de que al menos 7 de los 10 carros sean recuperados?
Solucin:
a) P(X=0) + P(X=1) + P(X=2) + P(X=3) = .66 + .27 + .05 + .0058 = .9995
b) P(X=7) + P(X=8) + P(X=9) = .00055

Un tubo de radio puesto e cierto tipo de equipo, tiene una probabilidad de 0.2 de funcionar ms
de 500 hrs. Si se prueban 20 tubos , cul es la probabilidad de que exactamente k de ellos
funcionen ms de 500 hrs. K=0, 1, 2, ..., 20?

solucin:
Si X es el nmero de tubos que funcionan ms de 500 hrs. Se tiene una distribucin
binomial.

Donde:
P=0.2
Q=1-P=0.8

P(X)=
X N K
Q P
X
N

|
|
.
|
\
|

P(X=K)= ( ) ( )
K K
k

|
|
.
|
\
|
20
8 . 0 2 . 0
20

Sustituyendo los valores de K:

P(X=0)=0.012

P(X=1)=0.058

P(X=2)=0.137

P(X=3)=0.205

P(X=4)=0.218

P(X=5)=0.175

P(X=6)=0.109

P(X=7)=0.055

P(X=8)=0.022

P(X=9)=0.007

P(X=10)=0.002

P(X=K)=0
+

Las probabilidades para X>10 son menores
de 0.001

48
.
.
.
.
.
.
.
.
.

LA DISTRIBUCIN DE PROBABILIDAD GEOMTRICA.
.

La variable a aleatoria que tiene distribucin geomtrica se define para un experimento que es
muy similar al experimento binomial. Tambin se refiere a pruebas idnticas e independientes,
y cada uno puede tener dos resultados, xito o fracaso. La probabilidad de tener xito es igual
a p y es constante para cada prueba. Sin embargo, la variable aleatoria geomtrica Y es el
nmero de la prueba en la cual ocurre el primer xito, en lugar del nmero de xitos que
ocurren en n pruebas. Entonces el experimento consiste en una serie de pruebas que termina
al obtener el primer xito. Por consiguiente, el experimento podra terminar en la primera
prueba al obtener el xito o podra seguir indefinidamente.

El espacio muestral S para el experimento contiene el siguiente conjunto infinito
contable de puntos muestrales.

( )
( )
( )
1 k
S F F... F F :
K
E
.
.
.
S F F F :
4
E
tercera la en xito segunda, la y primera la en fracasos ... S F F :
3
E
segunda la en xito priemra, la en fracaso ... S F :
2
E
prueba primera la en xito ... S :
1
E

Como la variable aleatoria Y es el nmero de pruebas hasta tener el primer xito inclusive,
3 Y y 2 Y 1, Y = = = contendrn
3 2 1
E , E , E , respectivamente, y en general, el evento numrico
y Y = y contendrn solamente
y
E . De este modo,

( ) ( ) ( )
1
S F ...
= =
y
y
F F F p E p y p

49
.
.
.
.
.
.
.
.
.

La probabilidad de la interseccin de y eventos independientes da lugar a la distribucin de
probabilidad geomtrica.

Un histograma para p(y), en donde p = 0.5 se muestra en la figura 1. Las reas sobre los
intervalos corresponden a probabilidades, tal como era el caso de las distribuciones de
frecuencia de datos, solamente debe considerarse que Y puede tomar valores discretos,
y=1,2,...,.

La distribucin de probabilidad geomtrica se usa frecuentemente como modelo para las
distribuciones de longitud de tiempos de espera. Por ejemplo, supongamos que se da
mantenimiento peridico al motor de un avin comercial de tal manera que sus diferentes
partes se cambian en distintos momentos y por eso tiene tiempos de servicio diferentes.
Entonces, puede ser razonable suponer que probabilidad de p, de falla del motor durante
cualquier intervalo de una hora Y hasta el primer mal funcionamiento o descompostura.

Esperanza matemtica de X Geomtrica

E[X] = E[Y] 1 = (1-p)/p

0
0.1
0.2
0.3
0.4
0.5
0.6
1 2 3 4 5 6 7 8
p(y)
Y
Grfico de una distribucin de probabilidad geomtrica
con p=0.5

50
.
.
.
.
.
.
.
.
.

Ejemplos
La probabilidad de que una componente de un sistema computacional falle en un ciclo
de tiempo (dt) es p.
a. Cul es el tiempo promedio esperado antes de que la componente falle?
b. Solucin: Asumiendo que las fallas ocurren independientemente entre si, el
nmero de ciclos (1 dt) para la primera falla debera seguir una distribucin
geomtrica. Luego el tiempo promedio de falla de una componente ser 1/p.
c. Suponga que se requieren n componentes para construir una parte. Asumiendo
que la parte falla, si falla una de sus componentes, cual es la probabilidad de
que cualquiera de sus componentes falle?
Solucin: Para n componentes, la probabilidad de falla de la parte, es la acumulada a
nde la Geomtrica, es decir,
(1-p)
n

[para p pequeo, suma a n de p = np, entonces el tiempo esperado para que ocurra la 1.
Falla ser 1/(np) ]

El fabricante de un lector ptico de precios asegura que la probabilidad de que su
aparato lea mal el precio de cualquier producto al interpretar mal el cdigo de barras de
la etiqueta es de 0.001. En el momento de que uno de los lectores se instalo en un
supermercado, el gerente de la tienda probo su desempeo. Sea y el numero de
pruebas (es decir el numero de precios ledos por el aparato) hasta que se observa el
primer error en la lectura de un precio.
a) Si la aseveracin del fabricante es correcta, calcule la distribucin de
probabilidad para y (suponga que las pruebas representan eventos
independientes)
b) Si lo que dice el fabricante es cierto, Qu probabilidad hay de que el lector leer
bien por lo menos los primeros cinco precios?
c) Si de hecho se lee mal el tercer precio, Qu inferencia hara usted acerca de lo
que el fabricante asegura, explique.

Solucin.
a) Geomtrica p(y)=pq
y-1

P(y)=(0.001) (0.999)
y-1

b) p(y)= (0.001)(0.999)
1-1
+ (0.001)(0.999)
2-1
+ (0.001)(0.999)
3-1
+ (0.001)(0.999)
4-1
+
(0.001)(0.999)
5-1
= 4.99 x 10
-3

p(y > 5)= 1- p(E
5
1
p(y)) = 0.775

c) Que no sera confiable lo que nos dice la probabilidad del fabricante.

51
.
.
.
.
.
.
.
.
.

Distribucin de Probabilidad Poisson

Definicin y propiedades de la distribucin de Poisson.

Funcin de probabilidad.- Sea X una variable aleatoria con una distribucin discreta y
supngase que el valor de X debe ser un entero no negativo.. Se dice que X tiene una
distribucin de Poisson con media ( > 0 )si la f.p de X es la siguiente:

=
= |
.
|
\
|

caso otro en
x para
x
e
x
f
x
. . 0
,.... 2 , 1 , 0
!

Esta claro que f (x/ ) = 0 para cada valor de x . Para verificar que la funcin f (x/ ) definida
por la ecuacin anterior satisface los requisitos de toda f.p, se debe demostrar que la funcin
sea igual a 1. Por tanto.

1
!
0 0
= =
|
|
.
|
\
|
= |
.
|
\
|

e e
x
e
x
f
x
x
x

Si X es una v.a. de Poisson , entonces X mide :
- El nmero de ocurrencias discretas (xitos) en un espacio continuo. Un proceso de Poisson
tiene las siguientes caractersticas:
-
- El nmero de xitos en un intervalo de tiempo o regin especficos es independiente del
nmero de xitos en cualquier otro intervalo ajeno de tiempo o regin del espacio
considerado.
- La probabilidad de que un xito ocurra en un intervalo de tiempo o espacio muy corto es
proporcional a la longitud del intervalo o tamao de la regin y no depende del nmero de
resultados que ocurren fueran de esta intervalo o regin.
- La probabilidad de que ms de un resultado ocurra en ese intervalo de tiempo tan corto o
regiones tan pequeas que es despreciable.

La distribucin de Poisson a menudo servir como una distribucin de probabilidad apropiada
para variables aleatorias tales como el nmero de llamadas telefnicas recibidas por una
central telefnica durante un periodo de tiempo fijo, el nmero de partculas atmicas emitidas
por un a fuente radiactiva que golpea un cierto punto durante un periodo de tiempo fijo o el
nmero de defectos en una longitud especifica de un cinta magntica de grabacin . Cada un
de estas variables aleatorias representan el nmero total X de ocurrencia de un fenmeno
durante un periodo de tiempo fijo que genera estas ocurrencias satisface tres condiciones
matemticas especificas, entonces la distribucin de X debe ser una distribucin de Poisson .
Se presentara ahora un adscripcin completa de las tres condiciones que se necesitan. En la
siguiente exposicin supngase que se observa el nmero de ocurrencias de un fenmeno
concreto durante un periodo de tiempo fijo.
La primera condicin es que el nmero de ocurrencias en dos intervalos cualesquiera de
tiempo distintos deben ser independientes entre si.
La segunda condicin es que la probabilidad de una ocurrencia durante cualquier intervalo de
tiempo muy pequeo debe ser aproximadamente proporcional a la longitud de ese intervalo.

52
.
.
.
.
.
.
.
.
.

Para expresar esta condicin ms formalmente se utiliza la notacin matemtica estndar o(t)
que denota cualquier funcin de t con la propiedad de que:

0
) ( 0
lim
0
=
t
t
t

De acuerdo con esta formula, o(t ) debe ser una funcin que se aproxima a cero cuando t 0 y
adems, esta funcin debe aproximarse a cero ms rpido que t .
La segunda condicin se puede expresar ahora como sigue: Existe una constante > 0 tal
que para cualquier intervalo de tiempo de longitud t, la probabilidad de almenas una ocurrencia
durante ese intervalo tiene la forma t +o(t) . Entonces para cualquier valor muy pequeo de t ,
la probabilidad de al menos una ocurrencia en un intervalo de longitud t , es igual a t ms
una cantidad que tiene una magnitud de orden menor.
Una de las consecuencias de la segunda condicin es que el proceso observado debe ser
estacionario sobre el periodo de observacin completo; esto es , la probabilidad de una
ocurrencia debe ser la misma sobre el periodo completo. No puede haber periodos ocupados,
durante los cuales se sabe de ante mano que es probable que las ocurrencias sean ms
frecuentes. Esta condicin se refleja en el hecho de que la misma constante expresa la
probabilidad de una ocurrencia en cualquier intervalo durante el periodo completo de
observacin.
La tercera condicin que se debe satisfacer es que la probabilidad de que haya dos o ms
ocurrencias en cualquier intervalo de tiempo muy pequeo debe tener una magnitud de menor
orden que la probabilidad de que haya solo una ocurrencia.
En smbolos, la probabilidad de dos o ms ocurrencias en cualquier intervalo muy pequeo
debe de despreciable en comparacin con la probabilidad de una ocurrencia. Claramente, de la
segunda condicin resulta que la probabilidad de una ocurrencia en ese mismo intervalo ser
despreciable por si misma en comparacin con la probabilidad de no ocurrencia.

Si se verifican las tres condiciones anteriores, entonces se puede demostrar por los mtodos
de ecuaciones diferenciales elementales que el proceso cumplir las dos propiedades
siguientes.
El nmero de ocurrencias en cualquier intervalo de tiempo fijo de longitud t tendr un
distribucin de Poisson cuya media es t
Como se supuso en la primera condicin, los nmeros de ocurrencias en dos intervalos
cualquiera de tiempos distintos sern independientes. Un proceso para el que se satisfacen
estas dos propiedades se llama un proceso de Poisson. La constante positiva es el nmero
esperado de ocurrencias por unidad de tiempo.
La distribucin Poisson con funcin de probabilidades.

Se le llama distribucin de Poisson, debido a que S.D. Poisson lo introdujo en 1837.

Y F(x)=0 cuando x < 0.
La distribucin de Poisson tiene aplicaciones importantes. De hecho, esta distribucin es una
aproximacin conveniente de la distribucin binomial en casos en donde existe un gran nmero
n de ensayos y una probabilidad pequea p de xito en un solo ensayo. Esto es una
consecuencia de la sig. Proposicin.

Si en la funcin de probabilidades binomial para x fijo, hacemos que n y p 0 a travs
de sucesiones de valores en donde np es igual a un nmero fijo.

53
.
.
.
.
.
.
.
.
.

Para demostrar esto, partimos de = np y tenemos:

Y

De igual manera,

Entonces:

Cuando n , la expresin:

Tiende a 1, y tambin la expresin de las llaves, mientras que la de los parntesis
rectangulares tiende a e
-
. Esto completa la demostracin, que tambin prueba para como la
media de la distribucin de Poisson.

Ejercicios :

Refirase al estudio publicado en Science (abril de 1993) relativo a las
propiedades espectroscpicas de los asteroides de la franja principal. Las
investigaciones revelaron que, en promedio, se observan 2.5 exposiciones de
imagen espectral independientes por asteroide.
a) Suponiendo una distribucin de Poisson, calcule la probabilidad de observar
exactamente una exposicin de imagen espectral independiente durante la
observacin de un asteroide de la franja principal.
b) Suponiendo una distribucin de Poisson, calcule la probabilidad de observar
cuando ms dos exposiciones de imagen espectral independientes durante la
observacin de un asteroide de la franja principal.

SOLUCION:

Tanto la media como la varianza de una variable aleatoria de Poisson son iguales a .
Por tanto, en este problema ser:

= = 2.5; = = 2.5 por lo tanto = 2.5 = 1.58

54
.
.
.
.
.
.
.
.
.

a) Queremos conocer la probabilidad de que se observe exactamente una exposicin de
imagen espectral. La distribucin de probabilidad de y es:

P (y) = (*y)(*-) / y!

Entonces, dado que = 2.5, y = 1 y *-2.5 = 0.082085 por lo tanto:

P(y = 1) = (2.5* 1)(.082085)/(1!) = (2.5)(.082085)/(1) = 0.20521
P(y = 1) = 0.20521

b) Queremos conocer la probabilidad de que se observe cuando ms dos exposiciones
de imagen espectral.
Entonces, dado que = 2.5, y 2 y *-2.5 = 0.082085 por lo tanto:

P(y 1) = P(0) + P(1) +P(2)
P(y 1) = (2.5* 0)(.082085)/(0!) + (2.5* 1)(.082085)/(1!) + (2.5* 2)(.082085)/(2!)
P(y 1) = (1)(.082085)/(1) + (2.5)(.082085)/(1) + (6.25)(.082085)/(21)
P(y 1) = 0.082085 + 0.20521 + 0.25651
P(y 1) = 0.543805

55
.
.
.
.
.
.
.
.
.

DISTRIBUCIN HIPERGEOMETRICA
La distribucin Binomial es importante en muestreos con reemplazo.
Supongamos que queremos conocer el nmero de elementos defectuosos presentes en
una muestra de n elementos, extrados de una urna que contiene N elementos de los
cuales M estn defectuosos. Si la extraccin es con reemplazo entonces la probabilidad
de escoger x elementos defectuosos tendr un comportamiento Binomial, es decir:

Sin embargo, lo correcto en un caso como el de inspeccin, sera hacer la seleccin sin
reemplazo, en cuyo caso en la 1. seleccin la probabilidad de que salga defectuoso es
M/N, pero la segunda vez seria (M-1)/(N-1) M/(N-1) si antes sali defectuoso o no
(nmero de casos favorables / nmero de casos posibles).

Luego, la probabilidad de escoger x elementos defectuosos en una muestra de n
elementos sin reemplazo ser:

la cual da lugar a la distribucin conocida como Hipergeomtrica.
Esperanza matemtica de la Hipergeomtrica:
Supongamos que n elementos de la muestra son seleccionados desde los N de la
poblacin manera secuencial. Si definimos la VA:

Entonces, , nos seala el nmero de elementos defectuosos de la muestra de
n elementos.
Luego, y como E[Xi] = 1. p(Xi=1) + 0 . p(Xi=0) = p(Xi=1) = M/N,
se tiene que:
E[ X ] = n . M/N

56
.
.
.
.
.
.
.
.
.

El clculo de la Varianza es problemtico porque las Xi no son independientes y en
consecuencia hay que considerar indicadores no considerados hasta ahora
(Covarianzas). El resultado es:

La funcin generadora de momentos

Supngase que X es una variable aleatoria; es decir, X es una funcin del espacio muestral a
los nmeros reales. Al calcular diversas caractersticas de la variables aleatoria X, como E(X) o
V(X), trabajamos directamente con la distribucin de probabilidades de X. La distribucin de
probabilidad de una funcin: la fdp en el caso continuo, o las probabilidades puntuales p(xi) =
P(X = xi) en el caso discreto. La ultima tambin se puede considerar como una funcin que
toma valores distintos de cero slo si X = xi, i = 1, 2,------. Posiblemente podemos presentar
otra funcin y hacer los clculos necesarios mediante ella (tal como antes asocibamos con
cada nmero un nuevo nmero). Esto es, de echo, lo que haremos precisamente. Primero
daremos una definicin normal.

Definicin. Sea X una variable aleatoria discreta con distribucin de probabilidades P(xi)=P(X
= xi), i = 1, 2,..........La funcin, MX, llamada funcin generadora de momentos de X, se define
con:

=
=
1
) ( ) (
j
xj p
txj
e t MX

Si X es una variable aleatoria continua con fdp f, definimos la funcin generadora de momentos
con

dx x f
tx
e t MX
}
+

= ) ( ) (

Observaciones: a) tanto en el caso discreto como en el continuo, Mx(t) es simplemente el
valor esperado de e
tX
. Por tanto, podemos combinar las expresiones anteriores y escribir:

57
.
.
.
.
.
.
.
.
.

) ( ) (
tX
e E t MX =

I. MX(t) es el valor que toma la funcin MX por la variable (real) t. La notacin que indica
la dependencia de X se usa porque quiz deseemos considerar dos variables
aleatorias, X y Y, y luego investigar la funcin generadora de momentos de cada una,
esto es, Mx y My.

II. Usaremos la forma abreviada fgm para la funcin generadora de momentos.

III. La fgm, como se defini anteriormente, se escribe como una serie infinita o integral
(impropia), dependiendo de si la variable aleatoria es discreta o continua. Tal serie (o
integral) puede no existir siempre (es decir; convergir aun valor infinito) para todos los
valores de t. Por tanto, puede suceder que la fgm no est definida para todos los
valores de t. Sin embargo, no nos interesar esta posible dificultad. Cada vez que
hagamos uso de la fgm, siempre supondremos que existe. (Para t = O, /a fgm siempre
existe y es Igual a 1.)

IV. Hay otra funcin muy relacionada con la fgm que a menudo se usa en su lugar. Se
llama funcin caracterstica, se denota con Cx, y se define con Cx(t) = E(e
itX
), donde
i=(-1)
1/2
, la unidad imaginaria. Por razones tericas, hay una ventaja considerable al
usar Cx(t) en vez de Mx(t). Por esta razn, Cx(t) siempre existe para todos los valores
de t. Sin embargo, a fin de evitar clculos con nmeros imaginarios complejos
restringiremos nuestra exposicin a la funcin generadora de momentos.

Teoremas

Teorema 1

M
(n)
(0)=E(X
n
)

(Esto es, la n-sima derivada de Mx(t) calculada en t=0 da E(X
n
)

Los nmeros E(X
n
), n=1, 2, ........, se llaman n-simos momentos de la variable
aleatoria X respecto a cero. Por tanto, hemos demostrado que conociendo la funcin Mx,
pueden generarse los momentos (de aqu el nombre de funcin generadora de momentos).

Teorema 2

Supngase que la variable aleatoria X tiene fgm Mx sea Y = oX+|. Entonces, My, la
fgm de la variable aleatoria Y, esta dada por:

58
.
.
.
.
.
.
.
.
.

My(t) = e
|t
Mx(ot).

En palabras, para encontrar la fgm la fgm de Y=oX+| calculamos la fgm en ot (en vez
de t) y multiplicamos por e
|t

My(t) = E(e
Yt
) = E[e
(xX+|)t
]

= e
|t
E[e
otX
] = e
|t
Mx(ot)

Teorema 3

Sean X y Y dos variables aleatorias con fgm, Mx(t) y My(t), respectivamente. Si Mx(t) =
My(t) para todos los valores de t, entonces X y Y tienen la misma distribucin de
probabilidades.

Sin embargo, es muy importante comprender exactamente lo que establece el teorema.
Este dice que si dos variables aleatorias tienen la misma fgm, entonces tienen la misma
distribucin de probabilidades. Esto es, la fgm determina unvocamente la distribucin de
probabilidades de la variable aleatoria.

Teorema 4

Supngase que X y Y son variables aleatorias independientes, sea Z = X + Y. Sean Mx(t),
My(t) y Mz(t) las fgm de las variables aleatorias X, Y y Z, respectivamente. Entonces:

Mz(t) = Mx(t)My(t)

59
.
.
.
.
.
.
.
.
.

MODULO IV.- Variable aleatoria continua y sus distribuciones de
probabilidad.

Contenido
a) Variable aleatoria continua
Definicin de v.a.c definicin de funcin de distribucin acumulada,
funcin de densidad de una v.a.c. propiedades de la funcin de
distribucin acumulada, valor esperado, varianza y desviacin estadar de
una v.a.c. definicin de valor esperado de una v.a.c, propiedades del valor
esperado de una v.a.c. esperanza de una funcin de una v.a.c. la varianza
y desviacin estandar de v.a.c. teoremas.
b) Distribucin uniforme
Definicin de la distribucin uniforme, valor esperado de una distribucin
uniforme, varianza y desviacin estandar de una distribucin uniforme.
c) La distribucin exponencial
La funcin de densidad exponencial, funcin de distribucin acumulada
de una funcin de densidad exponencial, el valor esperado de una
funcin de densidad exponencial, varianza y desviacin estandar de una
exponencial. Propiedades de prdida de memoria de la exponencial.
d) La distribucin normal
La funcin de densidad normal, funcin de distribucin acumulada de una
v.a. normal, funcin de densidad normal estandar, funcin de distribucin
acumulada de una v.a. normal, estandarizacin de la distribucin normal,
media y varianza de la distribucin normal.
e) Distribucin de probabilidad Ji cuadrada
f) Distribucin de probabilidad F
g) Distribucin de probabilidad T
h) Distribucin de probabilidad gamma
i) Distribucin de probabilidad Beta
j) Funcin generadora de momentos
Definicin del i-esimo momento de una v.a. con respecto al origen,
Definicin del i-esimo momento de una v.a. con respecto a su media,
teoremas, Teorena de Tchebysheff.

60
.
.
.
.
.
.
.
.
.

a) Variable aleatoria continua

Definicin: Se dice que X es una variable aleatoria continua, si existe una
funcin f, llamada funcin de densidad de probabilidad (fdp) de X, que satisface
la siguientes condiciones:

1) 0 ) ( > x f para toda x,

2) 1 ) ( =
}
+

dx x f

3) Para cualquier a, b, tal que , + < < < b a tenemos
}
= s s
b
a
dx x f b X a P . ) ( ) (

Definicin de variable aleatoria acumulada o continua

Una variable aleatoria Y se dice continua si no puede tomar un conjunto
numerable de valores.

(X,Y) es una variable aleatoria bidimensional discreta si los valores posibles de
(X,Y) son finitos o infinitos numerables. Es decir, los valores posibles de (X,Y)
se pueden representar como (xi,yi),=1,2,.....,n,....;j=1,2,....,m,..

(X,Y) es una variable aleatoria bidimensional continua si (X,Y) puede tomar
todos los valores en un conjunto no numerable del plan euclidiano.

Definicin de funcin de distribucin acumulativa

Sea Y cualquier variable aleatoria. La funcin de distribucin de Y, denotada
por F(y) est dada por:
F(y) = P( Y s y) - < y <

Sea X una variable aleatoria, discreta o continua. Definimos que F es la
funcin de distribucin acumulativa de la variable aleatoria X.

Ejemplo

Supongamos que Y tiene una distribucin binomial con n= 2 y p= .5
Encontrar F(y)
y 2-y
P(y) = (2Cy) ( .5) ( .5) y= 0,1,2

61
.
.
.
.
.
.
.
.
.

Por lo que: p(0) = p(1) = p(2) =

Entonces

F8y) = P( Y s y)

= 0 para y<0
= para 0 s y s 1
= para 1 s y s 2
= 1 para y > 2

Propiedades de F(y)

1.- lim F(y) = F(- ) = 0
y -

2.- .- lim F(y) = F( ) = 1
y -

3.- F(yb) > F(ya) si yb > ya

Definicin.
Sea Y una variable aleatoria con funcin de distribucin F(y). Se dice que Y es
continua si F(y) es continua para - < y <

Definicin: de funcin de densidad

Sea Fy) la funcin de distribucin de una variable aleatoria continua Y.
Entonces la funcin de densidad f(y) est dada por :

f(y) = dF(y)/ dy y F(y) = f(t) dt

Siempre y cuando exista la derivada.

Propiedades de funcin de densidad f(y)

1.- f(y) > o para cualquier valor de y

2.- f(y)dy = 1

62
.
.
.
.
.
.
.
.
.

Se dice que X es una variable aleatoria continua, si existe una funcin f,
llamada funcin de densidad de probabilidad (fdp) de X, que satisface las
condiciones de arriba mencionadas.

Definicin de valor esperado

El valor esperado de una variable aleatoria continua Y es:

E(Y) = yf(Y9 dy

Siempre que la integral exista

Propiedades importantes del valor esperado de una variable aleatoria.

1) Si X = C, donde C es una constante , entonces E(X) = C.

Demostracin :

}
+

= dx x Cf x E ) ( ) (
}
+

= = . ) ( C dx x f C

2) Se supone que C es una constante y X es una variable aleatoria. Entonces,
E(CX) = CE(X).

Demostracin :

} }
+

+

= = = ) ( ) ( ) ( ) ( X CE dx x xf C dx x Cxf CX E

Propiedades del valor esperado de una variable aleatoria continua

Sea c una constante y sean g(Y) , g1(Y), g2(Y) ... gk(Y) funciones de una
variable aleatoria Y. Entonces:

1.- E(c) = c

2.- E ( cg(Y) ) = cE(g(Y)

3.- E (g(Y) + g1(Y)+ g2(Y)+ ... +gk(Y) =
= E (g(Y) +E( g1(Y)+ E g2(Y)+ ... +E(gk(Y)

La varianza de una v.a.c.

63
.
.
.
.
.
.
.
.
.

2 2
V(Y) = E( Y - )

Encuentre la varianza para una variable aleatoria tipo gamma

La desviacin estadar es la raz cuadrada de la varianza

Teorema
2 2
(X) = E( X ) ( E (X))

-
( )
( )

=

. c . o . e
X Ke
) x ( f
X
0
0
3

a) Encontrar K.
b) Encontrar F(X).
c) Encontrar el valor de:
P (X < 1/2)
P (1 s X s 1.5)
P (X > 58)
P (X = 10)
P (1/2 < X s 50)
a) Encontrar K

K
e e
K
e
K dX e K dX Ke
X
X X
3
1
3 3 0 3
0
0 0
3
3 3
=
(
+ =
= =

} }
K=3 ; f(X) = 3e
-
3X

b) Encontrar F(X).

F(X) =
0 3
3
0
3
0 3
3 3 e e
x
e
dt e
x
t
x
t
+ =
(
}
= 1-e
-3x

c)
P (X < 1/2) = P (0 < X < 1/2) = F () F (0) = ( 1 e
- (1/2) (3)
) 0 =
0.7769
P (1 s X s 1.5) = F (1.5) F (1) = ( 1 e
- (1.5) (3)
) - ( 1 e
- (3)
) = 0.0387
P (X > 58) = P (0 < X < 1/2) = F () F (58) = 1 1 = 0
P (X = 10) = F (10) F (10) = 0
P (1/2 < X s 50) = F (50) F (1/2) = 1 0.7769 = 0.2231

-
( )
( )

s s +
=
. C . O . E
X ) x ( c
) x ( f
0
2 0 1
2

64
.
.
.
.
.
.
.
.
.

a) C = ?
b) F(x)
c) Dibujar f(x) y F(x)
d) Encontrar
P (1/3 s x s1)
P (3/2 > x)
P (3/2 = x)
P (-1 < x <4/2)

a) | |
|
|
.
|
\
|
+
(
+ =
(
+
(
= + = +
} } } }
0 2 0
3
2
0
2
0
2
3
3 3
2
0
2
0
2
2
0
2
0
2
c x c
x
c dx c dx x c cdx dx cx

= 14/3 c = 1 ; c = 3/14 f(x) = 3/14 (x
2
+ 1)
b) F(x) =
( )
|
|
.
|
\
|
+ =
|
|
.
|
\
|
(
+
(
= + = +
} } }
x
x
x
t
x
t
dt dt t dt t
x x x
3 14
3
0 0 3 14
3
14
3
14
3
1
14
3
3 3
0 0
2 2
0

c) Dibujar f (x) y F (x)

3/14 0
f(x) = 6/14 F(x) = 4/14
15/14 1

d) Encontrar :
P(1/3 s x s1)=F (1) F (1/3)=[3/14 (1
3
/3 + 1)][3/14 ( (1/3)
3
/3 +
1)]=0.2116
P (3/2 > x) = P (3/2 > x > 2) = F(2) - F(3/2) = 37/32
P (3/2 = x) = F(3/2) F(3/2) = 0
P (-1 < x <4/2) = F(4/2) F(-1) = 3/14 (2
3
/3 + 2) 0 = 1

-
( )
( )

=
. C . O . E
X x K
) x ( f
0
1 0

a) Encontrar K.
b) F(x) y expresarla en intervalos
c) Con la funcin acumulativa encontrar:

65
.
.
.
.
.
.
.
.
.

P(x < 1/2)
P(x > 1/3)
P(1/3 < x <0.9)
P(x = 1/5)
d) E(x)
e) E(x
2
)
f) VAR (x)
g) o
a) k /
/
k
/
x
k dx x k dx x k
/ /
/
3 2
2 3
1
0
1
2 3
2 3 2 3
1
0
1
0
2 1
=
|
|
.
|
\
|
=
|
|
.
|
\
|
= =
} }

b) F(x) =
2 3
0 0
2 3
2 1
0 2 3
2 3 2 3 2 3
/
x x
/
/
x
x
/
t
/ dt t / dt t / =
(
= =
} }

0 0 s x
F(x) = x
3/2
0 < x < 1
1 x > 1
c)
P(x < 1/2) = P(- < x < 1/2) = F(1/2) F(- ) = (1/2)
3/2
0 = 0.3535
P(x > 1/3) = P(1/3 < x) = F(1/3) F(- ) = (1/3)
3/2
-0 = 0.1924
P(1/3 < x <0.9) = F(0.9) F(1/3) = (0.9)
3/2
(1/3)
3/2
= 0.6613
P(x = 1/5) = F(1/5) F(1/5) = 0

d) E(x)= ( ) ( ) 5 3 1
2 5
2 3
0
1
2 5
2 3 2 3 2 3
2 5
2 5
1
0
2 3
1
0
/
/
/
/
x
/ dx x / dx x / x
/
/
/
= =
(
= =
} }

= 3/5 = 0.6
e) E(x
2
) = ( )
(
= =
} }
0
1
2 7
2 3 2 3 2 3
2 7
1
0
2 5
1
0
2
/
x
/ dx x / dx x / x
/
/

= ((3/2)/(7/2)) (1
7/2
) = 3/7 = 0.4285
f) VAR (x) = E(x
2
) -
2
= 3/7 (3/5)
2
= 68.57x10
-3

g) o = ) x ( VAR = \(68.57x10
-3
) = 0.2618

-
( )
( )
( )

s s +

=
5 1
5 2 27 8 27 1 27 2
2 0
2
x
x / x / x /
x
) x ( F

a) f(x)
b)
P(- 4
< x <1.5)
P(2.5 < x <4.5)
P(4.5 > 5)
P(3.1 < x)
c) E(x)

66
.
.
.
.
.
.
.
.
.

d) VAR(x)
e) I = 1.5o
f)
a) f (x) =
( )
( ) 27 2 27 2 2
27
1
27
2 27 8 27 1 27 2
2
/ x / x
x
/ x / x /
+ = + =
c
+ c

b)
P(- 4 < x <1.5) = F(1.5) F(- 4) = 0 0 = 0
P(2.5 < x <4.5) = F(4.5) F(2.5) = 0.7870 0.1203 = 0.6667
P(4.5 > 5) = P(4.5 < x < ) = F() F(4.5) = 1 0.7870 = 0.2130
P(3.1 < x) = P(- < x <3.1) = F(3.1) F(- ) = 0.2892 0 = 0.2892

c) E(x)=
( )
(
(
|
|
.
|
\
|
+
|
|
.
|
\
|
=
(
+ = +
} } }
2
5
2 2
5
3
27 2 27 2 27 2 27 2
2 3
5
2
5
2
5
2
2
x x
/ dx x dx x / dx / x / x
= 2.8888 + 0.7777 = 3.6665
d) VAR (x)
E(x
2
) =
( ) ( )
} } } }
(
+ = + = +
5
2
5
2
2
5
2
3
5
2
2 2
27 2 1 27 2 27 2 27 2 dx x dx x / dx x x / dx / x / x
1666 14
2
5
3 2
5
4
27 2
3 4
.
x x
/ =
(
(
|
|
.
|
\
|
+
|
|
.
|
\
|
=

VAR (x) = 14.1666 (3.6665)
2
= 0.7226
85 0 7226 0 . . ) x ( VAR = = = o
e) I = 1.5o I = {2.3916 , 4.9416}

Calcule y o
2
para la variable aleatoria continua de f(y) que se enuncia. Luego
calcule P( - 2 o < y < + 2o ) y compare el resultado con la regla emprica.

( )
( )
<
>
=

0 y
1
10 y
1
) (
2
2
y
y
e
c
e
c
y f

} } }
+ =
0
2
y
0
2
y
dy e
c
1
dy e dx f(x)

67
.
.
.
.
.
.
.
.
.

| | | | | | 4 1
4
1
2 2 2 2 2 1 1
0 0
0
2
0
2
0
2
0
2
= = = = =
(
= +

} }
c
c c
e e
c
e e
c
e
c
e
c
dy e
c
dy e
c
y y y
y
a)
}
= =
0
y
dy yf(y) E(y)
} }

+ =
0
0
2
y
2
y
dy e
4
y
dy e
4
y

| | 1 4
4
1
4e ye 2
4
1
dy ye
4
1
0 0
2
y
2
y
2
y
= =
(
= =
}

| | 1 4
4
1
4e 2ye
4
1
dy ye
4
1
0
2
y
2
y
2
y
= + =
(
= =
}

0 1 1 = + =

b)
2
y
V ( ) dy (y) f y (y) V
2
2
y
= = V
}

} } }
= =

dy e y 4 e y 2 dy e y
4
1
e y
4
2
2
y
2
y
2
2
y
0
2
0
2
y
2

| | 8 16
4
2
4 2 4 2
4
1
0
2 2 2
2
= =
(
)
`
y y y
e ye e y

( )
} } }

+ = = dy e y dy e y dy y f y y v
y
y
2
0
2
2
2 2
4
1
4
1
) ( 0 ) (

68
.
.
.
.
.
.
.
.
.

DISTRIBUCIN UNIFORME

Supongamos que X es una variable aleatoria continua que toma todos los
valores en el intervalo [a, b], en donde ambos a y b son finitos.
Si la fdp (funcin densidad de probabilidad) de X est dada por:

() {

La funcin de distribucin de probabilidad es:

() {

Decimos que X est distribuida uniformemente en el intervalo [a, b].

Una variable aleatoria uniformemente distribuida tiene una fdp que es una
constante en el intervalo de definicin. A fin de satisfacer la condicin:

}f(x)dx = 1 en (-, +)

esta constante debe ser igual al recproco de la longitud del intervalo.
Una variable aleatoria distribuida uniformemente representa la analoga
continua a los resultados igualmente posibles en el sentido siguiente. Para
cualquier sub-intervalo [c, d], en donde a s c < d s b , P(c s X s d) es la misma
para todos los sub-intervalos que tienen la misma longitud. Esto es,

P(c s X s d) = }f(x)dx = (d c)/(b-a)

Y as solo depende de la longitud del intervalo y no de la ubicacin del intervalo.

Ahora podemos hacer precisa la nocin intuitiva de elegir un punto P al azar en
un intervalo, por ejemplo [a, b]. Con esto sencillamente indicaremos que la
coordenada x del punto elegido, por ejemplo X, est distribuida uniformemente
en [a, b].

Se supone que X es una variable aleatoria continua que toma todos los valores
en el intervalo (a,b), donde ambos, a y b son finitos. Si la fdp de X est dada
por

69
.
.
.
.
.
.
.
.
.

0
.
1
) (
=
s s
= b x a
b a
x f
para cualquier otro valor.

EJEMPLO

Un punto se elige al azar sobre el segmento de lnea [0, 2]. Cul es la
probabilidad de que el punto escogido quede entre 1 y 3/2?

Representando la coordenada del punto elegido por X, tenemos que la fdp de X est dada por f(x) = , 0
< x < 2, y por tanto P(1s X s 3/2) = .

Se puede suponer que la dureza, H, de una muestra de acero es una variable aleatoria continua distribuida
uniformemente sobre [50, 70] en la escala B. Por tanto:

f(h) = 1/20 , 50 < h < 70

= 0, en otro lado

- Supngase que una despachadora automtica de un liquido nunca da
menos de 6cm
3
ni ms de 10cm
3
y cualquier cantidad de liquido entre 6
y 10cm
3
tiene la misma probabilidad de ocurrir. Al despachar cierta
cantidad, determinar la probabilidad de que sea:
a) < 7cm
3

b) > 6cm
3

c) cualquier cantidad de entre {7 a 9}cm
3

d) el promedio t desviacin estndar que tiene la despachadora
automtica.
4
1
6 10
1
=
= ) x ( f

a) P(x = 6) = ( ) 0 6 6 4 1
6
6
4 1 4 1
6
6
= =
|
|
.
|
\
|
=
}
/ x / dx /
b) P(7 s x s 10) = ( ) 4 3 7 10 4 1 4 1
10
7
/ / dx / = =
}

c) P(6 s x s 9) = ( ) 4 3 6 9 4 1 4 1
9
6
/ / dx / = =
}

d) E(x) = 8
2
6 10
=
+

( )
3 4
12
6 10
2
/ ) x ( VAR

=

70
.
.
.
.
.
.
.
.
.

- Considere la temperatura ambiental promedio para una regin de Polonia
se distribuye de igualmente entre los niveles que vende -20C a 20C
para un invierno cualquiera:
a) Probabilidad de que la temperatura sea < 10C
b) < 10C y > 5C
c) {-10C a 10C}
( ) ( ) 40
1
20 20
1
=

= ) x ( f
a) P(-20 < x < 20) = ( ) ( ) 4 3 20 10 40 1
20
10
40 1 40 1
10
20
/ / x / dx / = =
|
|
.
|
\
|
=
}

b) < 10C y > 5C = P(5 < x < 10) =
( ) 8 1 5 10 40 1
5
10
40 1 40 1
10
5
/ / x / dx / = =
|
|
.
|
\
|
=
}

c) P(-10 < x < 10) = ( ) ( ) 2 1 10 10 40 1
10
10
40 1 40 1
10
10
/ / x / dx / = =
|
|
.
|
\
|
=
}

Una funcin uniforme se cree que tiene una maquina que fabrica
tornillos entre los valores de 5 y 12mm.

a) Encuentre la funcin de densidad, haga su grafica, encuentre su media y
desviacin estndar e indique sus valores en la grafica.
b) Cul es la probabilidad de que los tornillos sus dimensiones sean
menores de 8mm?
c) Cul es la probabilidad de que los tornillos sean mayores a 9mm?
d) Si una constructora desea tornillos de 6 a 9.5 mm, Cul es la
probabilidad de encontrar esos tornillos en esa produccin?

Solucin a:

0.142 5 12
( )
0 . . .
x
f x
e o c
s s

=
`

)

71
.
.
.
.
.
.
.
.
.

17
8.5
2 2
a b
+
= = =

2 2
( ) (12 5)
( ) 4.08
12 12
b a
VAR x

= = =

r = 2.02

Solucin b:

8
8
5 5
( 8) 0.142 0.142 0.426 P x dx x < = = =
}

Solucin c:

12
12
9 9
( 9) 0.142 0.142 0.426 P x dx x > = = =
}

Solucin d:

9
9
6 6
(6 9) 0.142 0.142 0.426 P x dx x s s = = =
}

Sea

f(x) = 50 20
30
1
20 50
1 1
s s =
x paara
a b

Encontrar A,B,C

A) 35

72
.
.
.
.
.
.
.
.
.

x dx
30
1
30
1
35
20
=
}
=
2
1
30
15
30
20
30
35
= =
20

B) (x < 25 o x > 45) = P(x < 25 U x > 45 ) = P( 45 25 s s x )

45
x dx
30
1
30
1
45
25
=
}

3
2
30
20
30
25
30
45
= =
25

C)
o 5 . 1

) (X E = = 35
2
50 20
2
=
+
=
+ b a

( ) ( ) ( )
66 . 8 75
75
12
30
12
20 50
12
2 2 2
= = =
= =
=
VAR
a b
VAR
o

Con la siguiente funcin acumulativa encontrar las siguientes probabilidades.

P(2 < x 6)
P(x = 4)
P(7 < x < 9)
P(x >5)
P(x >3)

0 x<1
1/3 1 < x < 4
F(x)= 4 < x <6
5/6 6 < x <10
1 x > 10

P(2 < x 6) = P(3 < x 6) = F(6) F(2) =5/6 - 1/3 = 3/6 = 1/2

P(x = 4) = F(4) F(3) =1/2 - 1/3 = 1/6

P(x >5) = P(x >4)= 1- F(4) = 1-1/2=1/2

P(x >3) = 1- F(3) = 1-1/3=2/3

73
.
.
.
.
.
.
.
.
.

El tiempo y entre dos pausas en una terminal de edicin en pantalla completa
(esto es, el tiempo necesario para que la terminal procese un comando de
edicin y haga las correcciones en la pantalla) se distribuye uniformemente
entre .5 y 2.25 segundos.
a. calcule la media y la varianza de y
b. localice el intervalo 2o en una grfica de la distribucin de
probabilidad y calcule P ( - 2o < y < + 2o ). Compare su resultado
con la regla emprica.
c. Qu probabilidad hay de que la terminal procesar un comando de
edicin y har las correcciones apropiadas en la pantalla en menos de
un segundo?

uniforme ad probabilid de n Distribuci
1
)
`
< < V
=
punto otro cualquier en 0
x

1
f(x)

| = 2.25 seg = 0.5 seg | - = 2.25 0.5 = 1.75 seg

< < V
=
punto otro cualquier en 0
2.25 x .5 0.5714
(x) f

a) 1.375
2
2.25 0.5
2

x
=
+
=
+
=

Varianza ( ) ( ) 2552 . 0 5 . 0 25 . 2
12
1

12
1
2 2 2
x
= = = V

b)

P ( -2V < y < + 2V) = 1.375 2 ( 0.505) = 0.365
1.375 + 2 (0.505) = 2.385

y
0.571
4
.5 2.25

74
.
.
.
.
.
.
.
.
.

P(0.365 < y < 2.385) =
} }
= =
2.385
0.365
2.385
0.365
dy 0.5714 dx F(x)

| | | | 15422 1. 2.02 x 0.5714 y 0.5714 dy
2.385
0.365
2.385
0.365
= = =
}

} } }

= = = <
1 1
0.5
1
0.5
dy 0.5714 dy 0.5714 dy (y) F 1) (y P

| | 857 0.2 y 0.5714
1
10.5
= =

El tiempo y entre dos pausas en una terminal de edicin en pantalla completa (esto es, el
tiempo necesario para que la terminal procese un comando de edicin y haga las correcciones
en la pantalla) se distribuye uniformemente entre .5 y 2.25 segundos
a) ca
b) Qu probabilidad hay de que la terminal procesara un comando de
edicin y har las correcciones apropiadas en la pantalla en menos de 1
seg.

Utilizando distribucin uniforme
A = 2.25
B = 0.5
a)
a + b 2.25 + .5
= --------- = -------------- = 1.375
2 2

(b a)
2
( 0.5 12 )
2

2
= ------------- = ----------------- = 0.2552
12 12

1
b) p(y < 1) f(y) = --------------- = 0.571
2.25 0.5

1 1
P( y < 1) = 0.571dy = 0.571( y ) = 0.571 ( 1-0.5) = 0.2857
0.5 0.5

Investigadores de la University of Calofornia-Berkeley han diseado,
construido y probado un circuito de condensador conmutado para generar

75
.
.
.
.
.
.
.
.
.

seales aleatorias. Se demostr que a trayectoria del circuito estaba distribuida
uniformemente en el intervalo (0,1).

a. Indique la media y a varianza de la trayectoria del circuito.
b. Calcule a probabilidad de que la trayectoria est entre .2 y .4.
c. esperara usted observar una trayectoria que excediera .995?.

solucin:

2 . ) 2 . 4 )(. ( ) 4 . 0 2 . 0 (
1
1
) (
2886 . 12 / 1
083 . 12 / 1
12
) (
5 .
2
1 0
2
2
2
= =
=
=
= =
= =
=
=
+
=
+
=
y f a P
a b
y f
a b
b a
o
o

El tiempo y entre dos pausas en una terminal de edicin en pantalla completa
(esto es, el tiempo necesario para que la terminal procese un comando de
edicin y haga las correcciones en la pantalla) se distribuye uniformemente
entre .5 y 2.25 segundos.

a. Calcule la media y la varianza de y.
b. Localice el intervalo o 2 en una grfica de la distribucin de probabilidad
y calcule ) 2 2 ( o o + < < y P .
c. qu probabilidad hay de que la terminal procesar un comando de edicin
y har las correcciones apropiadas en la pantalla en menos de un segundo?

Solucin:

2855 . ) 5 (. 571 . ) 1 (
047 . 1 ) 365 . 2 . 2 )( ( ) 385 . 2 365 (.
571 .
5 . 25 . 2
1
) (
505 .
2552 .
12
) 5 . 25 . 2 (
375 . 1
2
25 . 2 5 .
2
2
= = <
= = <
=
=
=
=
=
=
+
=
y P
y f y P
y f
o
o

76
.
.
.
.
.
.
.
.
.

La distribucin exponencial.

Definicin. Se dice que una variable aleatoria continua X que toma todos los
valores no negativos tiene una distribucin exponencial con parmetros 0 > o
si su fdp est dada por:

, ) (
x
e x f
o
o

= x>o

=0 para cualquier otro valor.

Una integral inmediata indica que:

1 ) (
0
=
}
dx x f

y, por tanto, la ecuacin representa un fdp.

La distribucin exponencial desempea un papel importante en la descripcin
de una gran clase de fenmeno, especialmente en el rea de la teora de la
confiabilidad. Por el momento, slo investiguemos algunas de las propiedades
de la distribucin exponencial.

Propiedades de la distribucin exponencial.

a) La fda F de la distribucin exponencial est dada por:

0 , 1 ) ( ) (
0
> = = s =

}
x e dt e x X P x F
x
x
t o o
o
= 0 para cualquier otro valor.

Por tanto,
x
e x X P
o
o

= > ) (

b) El valor esperado de X se obtiene como sigue:

dx e x X E
x o
o

}
=
0
) (

77
.
.
.
.
.
.
.
.
.

Integrando por partes y haciendo dv dx e
x
=
o
o y x=u, obtenemos v=
x
e v
o
= y
du=dx. Luego

| |
o
o o
1
) (
0
0
= + =
}

dx e e x X E
x x

c) La varianza de X puede obtenerse con una integracin semejante.
Encontramos que
2 2
2 ) ( o = X E y por lo tanto,

| |
2
2 2
1
) ( ) ( ) (
o
= = X E X E X V

La distribucin exponencial tiene la siguiente propiedad importante, anloga a
la ecuacin descrita para la distribucin geomtrica. Considerando para
cualquier s, t>0, P(X>s+t | X>s). Tenemos:

t
s
t s
e
e
e
s X P
t s X P
s X t s X P
o
o
o
+
= =
>
+ >
= > + >
) (
) (
) (
) (

Por lo tanto,

) ( ) ( t X P s X t s X P > = > + >

As hemos demostrado que la distribucin exponencial tambin tiene la
propiedad de "no tener memoria" como la distribucin geomtrica.

Un caso especial muy importante de la distribucin gama, se obtiene si
hacemos
2
1
= o y r=n/2, donde n es un entero positivo. Obtenemos una
familia de distribuciones de un parmetro con fdp

2 1 2
2
) 2 ( 2
1
) (
z n
n
e z
n
z f

I
, z>0

Una variable aleatoria Z que tiene fdp dada por la ecuacin anterior se dice que
tiene una distribucin X-cuadrada con n grado de libertad (se denota con n X
2
).
Una consecuencia inmediata de la ecuacin del inciso c, es que si Z tiene fdp
de la ecuacin anterior, tenemos:

78
.
.
.
.
.
.
.
.
.

n Z E = ) ( , n Z V 2 ) ( =

Ejemplo
Un enfermo de gripa tiene tos a un promedio de
5
6
de accesos de tos por
minuto.
Calcular la probabilidad de que en un momento dado transcurra mas de 1
minuto hasta el segundo acceso de tos dado que el acceso ocurri.

} } }

= = |
.
|
\
|
= = = >
1 1
1
5
6
1
5
6
5
6
6
5
5
6
5
6
5
6
) 1 (
x
u
x x
e du e dx e dx e x P *

dx du
x u
5
6
5
6
=
=

*= 3012 . 0 3012 . 0 0
5
6
5
6
= + =
|
|
.
|
\
|

e e

La duracin (en horas) de la unidad central de proceso de cierto tipo de
microcomputadora es una variable aleatoria exponencial con parmetro
|=1,000.

a. Calcule la media y la varianza de la duracin de la unida central de proceso.
b. Qu probabilidad hay de que una unidad centra de proceso tendr una
duracin de por lo menos 2,000 horas?
c. Qu probabilidad hay de que una unidad centra de proceso tendr una
duracin de cuando ms 1,500 horas?

Solucin:
a) =1000 o
2
=|
2
=1000000

b)P(2000)=e
-y/|
= e
-2000/1000
= .135

c)P(y<1500)=1-e
-1500/1000
= .7768

Vardeman y Ray sugieren que el nmero de accidentes industriales se puede
modelar mediante una distribucin exponencial. Suponga que el nmero de
accidentes por hora en una planta industrial est distribuido exponencialmente
con una media de |=.5.

79
.
.
.
.
.
.
.
.
.

a. Qu probabilidad hay de que al menos un accidente ocurrir en una hora
escogida al azar en la planta industrial?.
b. qu probabilidad hay de que menos de dos accidentes ocurrirn en una
hora escogida al azar en la planta industrial?

Solucin:

a)P(1)=e
-1/.5
= .1353

b)P(y<2)=1-e
-2/.5
=.98168

80
.
.
.
.
.
.
.
.
.

DISTRUBUCION NORMAL.

La distribucin normal o campana de Gauss es una de las distribuciones ms
importantes y de mayor aplicacin en la estadstica inferencial por medio de la
cual y bajo ciertas condiciones los Investigadores Generalizan los resultados
obtenidos en una muestra a toda la poblacin.

Es una distribucin probabilstica para una variable aleatoria continua, la cual
tiene simetra perfecta, forma de campana unimodal. La mediana y la moda de
la distribucin son todas iguales y estn localizadas al centro de la distribucin.
Las medidas de la varianza, compactas o dispersas fuera de la distribucin,
estn alrededor de las media.

funcin de densidad de probabilidad normal esta dada por:

( )
2
2
1
2
2
1
|
.
|
\
|
=
o
to
x
x
e x f

Si es la media y o es la varianza de una variable aleatoria normal Y, entonces la formula
f(y), la cual usamos para trazar curva normal de distribucin, es:

3 = x

3 + = x

( )
2 2
2
2
1
2
1 3
2
1
3
r
q
r
q
x
ke ke ke f = = = +
|
.
|
\
|
o

81
.
.
.
.
.
.
.
.
.

( )
2 2
2
2
1
2
1 3
2
1
3
r
q
r
q
x
ke ke ke f = = =
|
.
|
\
| +
o

En donde e es la base de los logaritmos naturales elevada a la potencia.

Grficamente:

o

-o +o x

Observamos que:

1) La curva es simtrica respecto al valor de x = E[x] = .
2) Tiene un mximo en x = E [X ] = cuyo valor es:

( )
t o
to
2
1
2
1
2
= = X fx

3) Si la curva es aguisada ( Los datos estn concentrados alrededor de
E[X]: poca dispersin.

4) En x = +- o se tienen los puntos de inflexin de la curva ya que:

o > ) ( ) x f a

} }

|
.
|
\
|
= = 1
2
1
) ( )
2
2
1
2
dx e dx x fx b
x
o
to

Marcas normalizadas o marcas Z. Una marca normal, o marca Z es una
numero que mide que tan cerca esta cualquier medicin dada con respecto a la
media de todas las mediciones. La marca Z esta expresada en unidades de
desviacin estndar. Obtenemos la marca Z sustrayendo la media de las

82
.
.
.
.
.
.
.
.
.

desviaciones , de cada media individual, y dividiendo entonces entre la
desviacin estndar de ellas esto es:

o

=
Y
Z

DISTRIBUCIN NORMAL ESTANDAR.

Si estandarizamos todas las mediciones en una distribucin normal que tiene
una medida y una desviacin estndar o, llamamos a la distribucin
resultante distribucin normal estndar. Esta tiene una media igual a 0 y una
varianza y desviacin estndar iguales a 1.

En otras palabras, si Y es una variable aleatoria distribuida normalmente,
entonces

( )
} }

|
.
|
\
|

= = s =
x x
r
dx
x
e dx x f x X X p x f
2
2
1
2
2
1
) ( ) (
o
to

}}

= dxdy e e I
y x
2 2

1
2
= =
}
dy e I
y

Que esta tambin normalmente distribuida, con una medida 0 y una varianzas
igual a 1.

LA MEDIA Y LA VARIANZA DE DISTRUBUCION NORMAL.

La media de una variable aleatoria Y es una medida de posicin para la distribucin
probabilstica de Y. Se le simboliza por una y se calcula al sumar el producto de cada
valor de Y con su probabilidad correspondiente sobre todos los valores posibles (y1,y2,
......yn) de Y En otras palabras, si Y toma los valores de y, entonces:

= y yP(
)

83
.
.
.
.
.
.
.
.
.

En donde sumamos a travs de todos los valores de y.

Varianza y desviacin estndar de una distribucin probabilstica. Son medidas de
variabilidad que reflejan el grado de dispersin de una variable aleatoria con respecto a
la media

= Y P y ( ) (
2 2
o
)

Una formula alternativa es:

( )
2 2 2
o =
y P y

La desviacin estndar de una distribucin probabilstica es la raz cuadrada
de la varianza estos es:

2
o o =
=1

donde la Acumulativa numrica esta dada por

( ) | | Z P z
Z
s Z = u

Ejemplo:

Las edades de un grupo de 30 personas estn distribuidas normalmente con
medida de 19 aos y la probabilidad de que la edad de una persona
seleccionada al azar se encuentra entre 18 y 20 aos es de 0.4371.

a) Calcula la varianza de las edades.
b) Calcula la probabilidad de que la edad de una persona sea mayor de 21
aos
c) Calcula el numero aproximado de personas mayores a 21 aos.

Solucin:

84
.
.
.
.
.
.
.
.
.

X es una v.a.n (19,o)

| |
| |
( ) ( )
0779 . 3
7544 . 1
57 .
1
7157 . ) 57 (.
2
43421 . 1 1
2
1
19 20 19 18
20 18 )
4321 . 0 20 18 `
=
~ =
= u
=
|
.
|
\
|
u
= u + u
(
= s s
= s
o
o
o
o o

o
Z
z
z Z
X
P X P a
P

X es v.a.n. ( 19,3.0779)

| | | |
( ) ( )
1075 . 0 8925 . 0 1
) 14 . 1 ( 1 1399 . 1
21 21 )
=
u = u u
< < = <
Z Z Z
X P X P b

C)
| | 225 . 3 ) 1075 . 0 ( 30 21 30 = = > X P

Suponga que la temperatura (C) esta distribuida con esperanza 50 y
varianza 4 Cul es la probabilidad de que la temperatura este entre 48 y 53
C.

E [T]= 50
V [T]= 4 P[48<T<53]

( )
7745 .
1587 . 0 9332 .
) ' 00 . 1 ( ) 50 . 1
2
50 48
2
50 53
=
=
u u =
|
.
|
\
|

u
|
.
|
\
|

u =
Z Z
Z Z

85
.
.
.
.
.
.
.
.
.

Suponga que una distribucin normal tiene una media de 100 y una desviacin
estndar de 10 (esto es, Y esta normalmente distribuida de tal forma que
=100 y o=10) Cul es la probabilidad de que una media escogida
aleatoriamente pueda estar entre 100 y 110?

Solucin:

Z= 110-100 10
--------- =--- =1.00
10 10

Consultando la tabla normal estndar para Z = 100, encontramos el numero
0.3413. Este numero representa el rea entre la media (100) y un segmento
de recta a una desviacin estndar hacia la derecha de la media (110) por la
tanto la probabilidad de que una observacin caiga en el intervalo es de
0.3413.

En un estudio de las personas adultas sanas, se encuentra que el 30%
dorman menos de 7.2hs. Diarias, mientras que el 40% dorman menos de 7.5
horas diarias. Si se supone que el sueo tiene una distribucin normal, cual es
la media y la distribucin Standard del No, de horas de sueo diarias

88 . 7 2 . 7 ) 111 . 1 ( 525 . 0
111 . 1
27 . 0
3 . 0
3 . 0 27 . 0
0 2 . 7 525 . 0 5 . 7 255 . 0
2 . 7 525 . 0
0 5 . 7 255 . 0
0 2 . 7 525 . 0
0 5 . 7 255 . 0 ..... .......... .......... .......... 0 2 . 7 525 . 0
5 . 7 55 . 0 . .......... .......... .......... .......... 2 . 7 525 . 0
5 . 7
255 . 0 .. .......... .......... .......... ..........
2 . 7
525 . 0
3974 . 0 26 . 0 ..... .......... .......... .......... .......... 2981 . 0 053
255 . 0 4013 . 0 25 . 0 ....... .......... .......... 525 . 0 3015 . 0 52 . 0
1
1
= + =
= = I
= I
= + I + I
+ I =
= + I
= + I
= + I = + I
= I = I
I
=
I
=

I

X
Z

Se observo durante largo periodo que la cantidad semanal gastada en el
mantenimiento y en las reparaciones en cierta fabrica tiene: = 400 pesos, y o
= 20. si el presupuesto es de 450 pesos.

86
.
.
.
.
.
.
.
.
.

a) Cul es la probabilidad de que los costos reales sean mayores que el
propuesto.
b) Cul es la probabilidad de que los costos reales sean menores que el
propuesto.
c) De cuanto debe de ser el presupuesto para que las reparaciones sean
menores a un 10% de rebasar el presupuesto.

= 400 o = 20

a) P (x > 450) = ( ) ( ) = |
.
|
\
|

= z . P z P x P 5 2
20
400 450
450
( ) ( ) % . . . F F 62 0 9938 0 1 5 2 = = =
b) P (x < 450) =
( ) ( ) 5 2 20
20
400 450
20
400 0
450 0 . z P z P x P = |
.
|
\
|
=
( ) ( ) % . . . F . F 1 97 0228 0 9938 0 20 5 2 = = =

En un estudio de la personas adultas sanas, se encontr que el 30% dorman
menos de 7.2Hrs diarias, mientras que el 40% dorman menos de 7.5Hrs
diarias. Si se supone que el sueo tiene una distribucin normal cual es la
media y la desviacin estndar del numero de haz de sueo diario.

P(x < 7.2) = 30%
P(x < 7.5) = 40%

525 0
2 7
.
.
=
o

255 0
5 7
.
.
=
o

5 7 255 0
2 7 525 0
. .
. .
= +
= +
o
o

11 1
27 0
3 0
.
.
.
=
= o
7827 7 11 1 525 0 2 7 . ) . ( . . = + =

Se observ durante un largo periodo que la cantidad semanal gastado en el
mantenimiento y reparaciones en cierta fabrica tiene una media de $400 y una
desviacin de de $20.
Si el presupuesto es de $450
a)Cul es la probabilidad de que los costos reales sean mayores que el
presupuesto?
b)De cuanto debe ser el presupuesto para que las reparaciones no rebasen el
10%?

= 400 = 20

a) P(x>450) = P[(x )/ > (450-400)/20)]

87
.
.
.
.
.
.
.
.
.

P(z> 2.5) = 1-F(2.5)= 1(0.9938) = 0.0062

Z=-1.28 aprox 10%

b) Z=( x )/

Despejando a x

x = z +
x = (-1.28)20 + 400 = 374.4

Los marcapasos sirven para controlar el latido del corazn de pacientes
cardiacos, y cada ao se implantan ms de 120,000 de estos dispositivos. Un
solo marcapasos est constituido por varios componentes biomdicos que
deben ser de alta calidad para que el marcapasos funcione. Es vital que los
fabricantes de marcapasos utilicen componentes que cumplan con las
especificaciones. Una pieza de plstico en particular, llamada mdulo conector,
se monta en la parte superior del marcapasos. Los mdulos conectores deben
tener una longitud de entre .304 y .322 pulgadas para funcionar correctamente.
Cualquier mdulo cuya longitud se salga de estos lmites est fuera de
especificacin. En Quality (agosto de 1989) se inform de un proveedor de
mdulos conectores que haba estado enviando al fabricante durante 12 meses
componentes fuera de especificacin.

a. Se observ que las longitudes de los mdulos conectores producidos
por el proveedor seguan una distribucin aproximadamente normal con
una media de = .3015 pulgadas y una desviacin estndar de o =
.0016 pulgadas. Utilice esta informacin para calcular la probabilidad de
que el proveedor produzca un componente fuera de especificacin.
b. Una vez que se detect el problema, el personal de inspeccin del
proveedor comenz a utilizar un sistema automtico de recoleccin de
datos diseado para mejorar la calidad del producto. Despus de dos
meses, el sistema estaba produciendo mdulos conectores con una
media de = .3146 pulgadas y una desviacin estndar de o = .0030
pulgadas. Calcule la probabilidad de producir un componente fuera de
especificacin. Compare su respuesta con la del inciso a.

= 0.3015 V = 0.0016
o = 0.304 b = 0.322

| =
V
x
= Variable Aleatoria Normal Estndar

a) P ( a < x < b ) = F ( 0.355 ) F ( 0.304) =

88
.
.
.
.
.
.
.
.
.

( ) ( ) = =
|
.
|
\
|
|
.
|
\
|
= 1.5625 12.8125
0.0016
0.315 0.304
0.0016
0.3015 0.322

= 1-0.9406 = 0.0594

1-P ( a < x < b ) = 1 0.0594 = 0.9406

b)
= 0.3146 V = 0.003

P ( a < x < b ) = F ( 0.322) F ( 0.304)=

( ) ( ) = =
|
.
|
\
|
|
.
|
\
|
= 3.53 2.466
0.0030
0.3146 0.304
0.0030
0.3146 0.322

= 0.9931-0

1-P (a < x < b ) 1- 0.9931 = 0.0069

Suponga que la fuerza que acta sobre una columna que ayuda a sostener a un edificio, est
normalmente distribuida con media de = 15 kips, y desviacin estndar de = 1.25. Cul
es la probabilidad de que la fuerza?
a) Sea a lo sumo 17 kips.
b) Sea entre 12 y 17 kips.

a) P(y 17) z = (17 15) / 1.25 = 2 / 1.25 = 1.6
valor en las tablas = 0.9452.

b) P(12 y 17) z1 = (12 15) / 1.25 = -3 / 1.25 = -2.4
valor en tablas = 0.0082
z2 = (17 15) / 1.25 = 2 / 1.25 = 1.6
valor en tablas = 0.9452

89
.
.
.
.
.
.
.
.
.

0.5 0.0082 = 0.4918
0.5 0.9452 = 0.4452

P = 0.4918 + 0.4452 = 0.937

Se regula una maquina despachadora de refresco que sirva un promedio de 200 mililitros
por vaso. Si la cantidad de bebida se distribuye normalmente con una desviacin
estandar igual a 15 mililitros

a) Que fraccin de los vasos contendrn mas de 224 mililitros?
b) Cul es la probabilidad de que un vaso contenga entre 191 y 209
mililitros?
c) La probabilidad de que un vaso tenga mas de 230 mililitros.
d) El 25% de 1000 botellas es de 250

Aqu se tiene una distribucin normal con una media=200ml. Y uns
desviacin estandar o=15ml.

( )
o

o t
=
2
x
2
e
2
1
) x ( f
Haciendo cambio de variable:
15
200 x x
z

=
o

=

a) La probabilidad de que un vaso tenga mas de 224ml. Se obtiene primero
calculando:

6 . 1
15
200 224
z =
=
As la probabilidad ser:

} }

= =
t
=
t
=
6 . 1
6 . 1
2
x
2
x
0548 . 0 9452 . 0 1 e
2
1
1 dx e
2
1
P
2 2

a) La probabilidad de que un vaso contenga entre 191 y 209ml.

6 . 0
15
200 191
Z
191
=
=

6 . 0
15
200 209
Z
209
=
=

90
.
.
.
.
.
.
.
.
.
04514 7257 . 0 2743 . 0 e
2
1
e
2
1
e
2
1
6 . 0
2
x
6 . 0
2
x
6 . 0
6 . 0
2
x
2 2 2
= + =
t
+
t
=
t
} } }

c)La probabilidad de que un vaso tenga mas de 230ml.

2
15
200 230
z =
=
As la probabilidad ser:

}

= =
t
=
2
2
x
0228 . 0 9772 . 0 1 e
2
1
1 P
2

Ahora si se tienen 1000 vasos la variable aleatoria Y definida como el numero
de vasos con mas de 230ml. Tendr distribucin binomial con parmetros
n=1000 y P=0.0228: la esperanza de tal variable ser de :

( )( ) 23 8 . 22 0228 . 0 1000 nP ~ = =

b) El 25% de 1000 botellas es de 250; suponiendo que el valor
querido nos da una probabilidad p y la variable aleatoria que nos
da la cantidad de vasos con mas del valor querido se distribuye
binomialmente entonces su esperanza deber ser de

25 . 0 p 250 P 1000 = =

buscando en tablas el valor de z tal que

25 . 0 e
2
1
z
2
x
2
=
t
}

67 . 0 z =

recordando que:

( ) 95 . 189 200 67 . 0 15 x
200 z 15 x
15
200 x x
z
= + =
+ =
=
o

=

91
.
.
.
.
.
.
.
.
.

DISTRIBUCIN DE PROBABILIDAD JI CUADRADA

Ejemplo 1

En el
estudio de un taller, se obtuvo un conjunto de datos para determinar si la
proporcin de artculos defectuosos producidos por los trabajadores era la
misma durante el da, la tarde o la noche. Se encontraron los siguientes datos:

Frecuencias observadas y esperadas

Utilice un nivel de significancia de 0.025 para determinar si la proporcin de
artculos defectuosos es la misma para los tres turnos.

Solucin Sea que p1,p2 y p3 representen las proporciones reales de artculos
defectuosos para los turnos del da, la tarde y la noche, respectivamente. Al
utilizar el procedimiento de los 6 pasos, se tiene:

1. Ho : p
1
=

p
2
=

p
3

2. H1: p1,p2 y p3 no son todas iguales.
3. alfa ( o = 0.025.)
4. Regin crtica: X
2
> 7.378 para v = 2 grados de libertad.
5. Clculos: En relacin a las frecuencias observadas Oi = 45 y 02 =55, se
encuentra:

e
1
=(950)(170)/2835=57
e2

=(945)(170)/2835=56.7

Turno
Da Tarde Noche Total
Defectuosos
No defectuosos
45(57.0)
905(893.0)
55(56.7)
890(888.3)
70(56.3)
870(883.7)
170
2665
Total 950 945 940 2835
Turno
Da Tarde Noche
Defectuosos
No defectuosos
45
905
55
890
70
870

92
.
.
.
.
.
.
.
.
.

Todas las otras frecuencias observadas se encuentran por sustraccin y se
muestran en la tabla anterior
Ahora,

X
2
= (45- 57.9)
2
+ (55-56.7)
2
+ (70 56.3)
2

57 56.7 56.3

+ (905 - 893)
2
+ (890 - 888.3)
2
+ (870 - 883.7)
2

893.0 888.3 883.7

=6.29
P~0.04

6. Decisin: No se rechaza H
0
en a = 0.025. No obstante, con el valor
calculado de P, realmente sera peligroso concluir que la proporcin
de artculos defectuosos producidos es la misma para todos los
turnos.

2.- Los siguientes son los pesos, en decagramos, de 10 paquetes de semillas de pasto
distribuidas por cierta compaa: 46.4, 46.1, 45.8, 47.0, 46.1, 45.9, 45.8, 46.9, 45.2 y 46.
Encuentre un intervalo de confianza de 95% para la varianza de todos los paquetes de
semillas de pasto que distribuye esta compaa, suponga una poblacin normal.
Solucin:
Primero se calcula la desviacin estndar de la muestra:

al elevar este resultado al cuadrado se obtiene la varianza de la muestra s
2
= 0.286.
Para obtener un intervalo de confianza de 95% se elige un = 0.05. Despus con el
uso de la tabla con 9 grados de libertad se obtienen los valores de X
2
.

93
.
.
.
.
.
.
.
.
.

Se puede observar en la grfica anterior que el valor de X
2
corre en forma normal, esto
es de izquierda a derecha.
Por lo tanto, el intervalo de confianza de 95% para la varianza es:

Grficamente:

Se observa que la varianza corre en sentido contrario, pero esto es slo en la grfica.
La interpretacin quedara similar a nuestros temas anteriores referentes a estimacin.
Con un nivel de confianza del 95% se sabe que la varianza de la poblacin de los
pesos de los paquetes de semillas de pasto esta entre 0.135 y 0.935 decagramos al
cuadrado.

3.- En trabajo de laboratorio se desea llevar a cabo comprobaciones
cuidadosas de la variabilidad de los resultados que producen muestras
estndar. En un estudio de la cantidad de calcio en el agua potable, el cual
se efecta como parte del control de calidad, se analiz seis veces la misma
muestra en el laboratorio en intervalos aleatorios. Los seis resultados en
partes por milln fueron 9.54, 9.61, 9.32, 9.48, 9.70 y 9.26. Estimar la
varianza de los resultados de la poblacin para este estndar, usando un
nivel de confianza del 90%.
Solucin:

94
.
.
.
.
.
.
.
.
.

Al calcular la varianza de la muestra se obtiene un valor de s
2
= 0.0285.
Se busca en la tabla los valores correspondientes con 5 grados de libertad, obtenindose dos
resultados. Para X
2
(0.95,5)
= 1.145 y para X
2
(0.0,5)
= 11.07.
Entonces el intervalo de confianza esta dado por:
y

4.- Una tabla de nmeros aleatorios de 250 dgitos mostr la distribucin de los
dgitos 0,1,2,.9 que se muestra en la tabla adjunta.
Difiere significativamente la distribucin observada de la distribucin esperada
al nivel de 0.01?
Digito 0 1 2 3 4 5 6 7 8 9
Frecuencia
Observada
17 31 29 18 14 20 35 30 20 36
Frecuencia
Esperada
25 25 25 25 25 25 25 25 25 25

SOLUCION:

X
2
= (17 - 25)
2
/ 25 + (31 - 25)
2
/ 25 + (29 - 25)
2
/ 25
+ (18 - 25)
2
/ 25 +.. + (36 - 25)
2
/ 25 = 23.3

El valor critico de X
2
0.99
pata v = k 1 = 9 grados de libertad es de 21.7; como
23.3 > 21.7 se deduce que la distribucin observada difiere significativamente
de la esperada al nivel de significacin del 0.01. Se deduce que cabe
sospechar alguna tendencia no aleatoria en dicha tabla de nmeros.

Ejemplo5:
Los siguientes son los pesos, en decagramos, de 10 paquetes de
semillas de pasto distribuidas por cierta compaa: 46.4, 46.1, 45.8, 47.0, 46.1,
45.9, 45.8, 46.9, 45.2 y 46. Encuentre un intervalo de confianza de 95% para la
varianza de todos los paquetes de semillas de pasto que distribuye esta
compaa, suponga una poblacin normal.
Solucin:

95
.
.
.
.
.
.
.
.
.

Primero se calcula la desviacin estndar de la muestra:

al elevar este resultado al cuadrado se obtiene la varianza de la muestra s
2
=
0.286.
Para obtener un intervalo de confianza de 95% se elige un = 0.05.
Despus con el uso de la tabla con 9 grados de libertad se obtienen los valores
de X
2
.

Se puede observar en la grfica anterior que el valor de X
2
corre en
forma normal, esto es de izquierda a derecha.
Por lo tanto, el intervalo de confianza de 95% para la varianza es:

Grficamente:

Se observa que la varianza corre en sentido contrario, pero esto es slo en
la grfica. La interpretacin quedara similar a nuestros temas anteriores
referentes a estimacin. Con un nivel de confianza del 95% se sabe que la
varianza de la poblacin de los pesos de los paquetes de semillas de pasto
esta entre 0.135 y 0.935 decagramos al cuadrado.

DISTRIBUCION "F" FISHER

96
.
.
.
.
.
.
.
.
.

Distribucin F

EJEMPLO NUMERICO
1.- Si s=12 y s=22 representan las varianzas de las muestras aleatorias independientes de
tamao n1= 25 y n2 = 31, tomadas de poblaciones normales con varianzas uno 10 y varianza
dos = 15, respectivamente, encuentre
P(s12/s22 > 1.26).
Solucin:
Calcular el valor de Fisher:

F= (S
1
/ S
2
)
2
(o
2
/o
1
)
2
= (1.26) ( 15/10) = 1.89

Luego se va a la tabla de Fisher a buscar 30 grados de libertad 2 con 24 grados de libertad
uno. Cuando se este en esta posicin se busca adentro de la tabla el valor de Fisher de 1.89.
Al localizarlo y ver a la izquierda de este valor se obtiene un rea de 0.95, pero esta rea
correspondera a la probabilidad de que las relaciones de varianzas muestrales fueran menor a
1.26, por lo que se calcula su complemento que sera 0.05, siendo esta la probabilidad de que
s12/s22 > 1.26.

97
.
.
.
.
.
.
.
.
.

2.- Supongamos que la probabilidad de tener una unidad defectuosa en una
lnea de ensamblaje es de 0.05. Si el conjunto de unidades terminadas
constituye un conjunto de ensayos independientes.

1. Cul es la probabilidad de que entre 10 unidades 2 se encuentren
defectuosas?

2. Y de que a lo sumo 2 se encuentren defectuosas?

3. Cul es la probabilidad de que por lo menos una se encuentre
defectuosa?

SOLUCION

1. Procedemos a calcular:

P(n
10, 0, 05
=2) = (2/10) X 0.05
2
X (1 0.05)
8
= 0.0746

2. Se tiene que:

P(n
10, 0, 05
2) = (10/i) X 0.05
i
X (1- 0.05)
10-i
= 0.9884

3. Y por ultimo:

P(n
10, 0, 05
1) = 1- P(n
10, 0, 05
= 0) = 1 (10/0) X 0.05
0
X
(1 0.05)
10-0

= 1 0.5987 = 0.4013

3.- Si s12 y s22 representan las varianzas de las muestras aleatorias independientes de
tamao n1= 25 y n2 = 31, tomadas de poblaciones normales con varianzas 12 =10 y
22 = 15, respectivamente, encuentre P(s12/s22 > 1.26).

98
.
.
.
.
.
.
.
.
.

Solucin:

Calcular el valor de Fisher:

F=(s1/s2)^2 * (var2/var1)^2=1.26*(15/10)=1.89

Luego se va a la tabla de Fisher a buscar 30 grados de libertad 2 con 24 grados de libertad
uno. Cuando se este en esta posicin se busca adentro de la tabla el valor de Fisher de 1.89. Al
localizarlo y ver a la izquierda de este valor se obtiene un rea de 0.95, pero esta rea
correspondera a la probabilidad de que las relaciones de varianzas muestrales fueran menor a
1.26, por lo que se calcula su complemento que sera 0.05, siendo esta la probabilidad de que
s12/s22 > 1.26.

4.- Un fabricante de bateras para automvil garantiza que su producto durar
en promedio 3 aos con una desviacin estndar de un ao. Con el objeto de
controlar la calidad y mantener dicha especificacin realiza un muestreo anual.
Los muestreos realizados en tos tres ltimos aos, basados en grupos de 5
bateras permitieron calcular las siguientes varianzas muestrales:
Ao 94 Ao
95 Ao 96

Si el fabricante trabaja con un nivel de significacin :
a) En qu aos mantuvo el fabricante su norma de calidad?

b) En que ao fueron fabricadas las bateras con ms precisin en cuanto a
su duracin?
Si y son las varianzas de muestras aleatorias independientes de tamaos y
, seleccionadas de poblaciones normales con varianzas y respectivamente,
entonces
tiene una distribucin F de Snedecor con y grados de libertad.

99
.
.
.
.
.
.
.
.
.

Observe que si es un valor calculado a partir de sendas muestras, podemos
pronosticar como son y entre si. Es decir si ha ocurrido algo extrao pues
dicho suceso tiene una probabilidad pequea de ocurrencia , a menos que
. Anlogamente, es poco factible que un valor calculado de f sea tal que , a
menos que sea muy pequeo, esto es, .
Resumiendo, a travs de la grfica siguiente, tenemos:
Se espera que as:
a) , esto es, .
b) , esto es, .
c) , esto es,
Observe que , o sea la probabilidad de que la varianza muestral difiera
significativamente de la varianza muestral , por esto definimos de nuevo
a como el nivel de significacin.
Los tiempos en que los clientes llegan a las cajas registradoras se rigen por
una distribucin de Poisson. Se sabe que; durante un periodo de 30 minutos un
cliente llegara a la caja. Calcula la probabilidad de que lleguen durante los
ltimos 5 minutos del periodo de media hora.

SOLUCION: Como se dijo, el tiempo en que un cliente llega a una caja sigue
una distribucin uniforme en el intervalo (0,30).
Si Y denota el tiempo en que este llega,
Entonces:
30
P(25 Y 30) =
25
(1/30)dy = 30 25 / 30 = 5/30 = 1/6

La probabilidad de que el cliente llegue a la caja en cualquier otro
intervalo de 5 minutos, es tambin de 1/6.

Se toman 2 muestras de tamaos 8 y 10 de dos poblaciones normalmente
distribuidas con varianzas respectivas 20 y 36. Hallar la probabilidad de que la
varianza de al primera sea doble que la de al segunda.

100
.
.
.
.
.
.
.
.
.

Solucin:

Tenemos N
1
=8, N
2
=10, = = __ 36 20
2
2
2
1
o o y

2
2
2
1
2
2
2
1
85 . 1
) 36 )( 9 /( 10
) 20 )( 7 /( 8
S
S
S
S
F = =

El nmero de grados de libertad para el numerador y el denominador son V1
=N1-1 = 8-1 =7y V2 = N2-1 = 10-1=9. Ahora bien:

70 . 3 ) 2 )( 85 . 1 ( 85 . 1
2
2
2
1
= > =
S
S
F

101
.
.
.
.
.
.
.
.
.
DISTRIBUCIN GAMMA

EJEMPLO: Suponga que el tiempo X de supervivencia en semanas de un ratn
macho seleccionado al azar y expuesto a 240 rads de radiacin gamma,
tiene una

distribucin gamma con =8 y =15 (datos de Survival Distribution sugieren
=8.5 y =13.3). el tiempo esperado de supervivencia es
E(X)=(8)(15)=120 semanas, en tanto que V(X)= (8)(15)
2
=1800
= 1800 =42.43 semanas. La probabilidad de que un ratn sobreviva
entre 60 y 120 semanas.
|
|
.
|
\
|
= = s o
|
| o ; ) ; ; ( ) (
x
F x F x X P

P(60 X 120) = P(X 120) P(X 60)
= F(120/15 ; 8) F(60/15 ; 8)
= F(8 ; 8) F(4 ; 8) = .547 - .051 = 0.496

la probabilidad de que un ratn sobreviva por lo menos 130 semanas es:

P(X 120) = P(X < 120) =1 (X 30)
= 1 - F(30/15 ; 8) = 0.999

Suponga que el tiempo de reaccin X a cierto estmulo en un individuo
seleccionado al azar, tiene una distribucin gamma estndar con = 2 s.
Puesto que

102
.
.
.
.
.
.
.
.
.

P (a X b) = F(b) F(a)
Cuando X es continua,
P (3 X 5) = F(5;2) F(3;2) = .960 - .801 = .159

La probabilidad de que el tiempo de reaccin sea ms de 4 s es:
P(X > 4) = 1 - P (X 4) = 1 - F(4;2) = 1 - .908 = .092
La funcin gamma incompleta tambin se puede utilizar para calcular
probabilidades en las que aparezcan distribuciones gamma que no sean
estndar.

Un distribuidor mayorista de gasolina tiene taques de almacenamiento con un
aprovisionamiento fijo. Los tanques se llenan cada lunes. Para el mayorista es
interesante la proporcin de este volumen que vende durante la semana.
Durante muchas semanas se ha observado que esa proporcin se modela muy
bien con una distribucin beta con = 4 y = 2. Calcular el valor esperado de
esa proporcin. Ser muy probable que el mayorista vende por lo menos el
90% de su capacidad en una semana determinada?

SOLUCION: De acuerdo con los datos mencionados, sea X la proporcin del
suministro total que se vende en una semana determinada,

E (X) = / + = 4 / 6 = 2 / 3

Para la segunda parte, lo que interesa es:
1
P(X > 0.9) =
0.9
[(4 + 2) / (4) (2)] x
3
(1 - x)dx
1
= 20
0.9
(x
3
x
4
)dx = 20 (0.004) = 0.08

No es muy probable que se venda el 90% del suministro de una semana
determinada.

Suponga que Y tiene una funcin de densidad de probabilidad gamma.
Demuestre que , para los nmeros a y b con 0<a y 0<b.
) ( ) / ( b Y P a Y b a Y P > = > + >

Solucin:
De la definicin de probabilidad condicional tenemos que:

) (
) (
) / ) (
a Y P
b a Y P
a Y b a Y P
>
+ >
= > + >
Porque la interseccin de lo eventos (Y>a=b) y (Y>a) es el evento (Y>a+b).
Ahora

| |
|
/ /
1
) (
a y
a
e dy e a y P

= = >
}

103
.
.
.
.
.
.
.
.
.

Luego

) ( ) / (
/
/
/ ) (
b Y P e
e
e
a Y b a Y P
b
a
b a
> = = = > + >

+
|
|
|

Suponga que la longitud de tiempo, Y, para un cheque de mantenimiento
peridico de una maquina sigue una distribucin gamma de = 3 y = 2.
Suponga que el nuevo fontanero tarda 14 minutos en verificar una maquina
Aparece que este tiempo en realizar el cheque de mantenimiento discrepa
con la experiencia anterior?

La media es:

= y
2
=
2

Entonces.

= = (3) (2) = 6

2
=
2
= (3) (4) = 12

46 . 3 12 = = o

14 - 6 = 8 minutos

En el ejemplo Y =14 minutos excedentes de 6 minutos por lo tanto K =
46 . 3
8

( )
( ) 1875 . 0
64
12
8
46 . 3 1
8 6
1
2
2
2
2
= = = s s
s s M
K
Y P
K
K Y P o

Suponga que el tiempo de reaccin X a cierto estimulo de individuo
seleccionado al azar tiene una distribucin gamma estandar con

P( <=X<=b) = F(b) F (a)
Cuando X es continua

P(3<=Xz=5) = F(5;2) F(3;2) = .960 - .801 = .159

La probabilidad de que el tiempo de reaccin sea mas de 4s es:

P(X>4) = 1 P(X<=4) = 1 F (4;2) = 1 - .908 = .092

104
.
.
.
.
.
.
.
.
.

DISTRIBUCIN GAMMA

Distribucin gamma.
En estadstica la distribucin gamma es una distribucin de
probabilidad continua con dos parmetros k y cuya funcin de
densidad para valores x > 0 es

Aqu e es el nmero e y es la funcin gamma. Para valores la aquella es
(k) = (k 1)! (el factorial de k 1). En este caso - por ejemplo para describir un proceso de
Poisson - se llaman la distribicin distribucin Erlang con un parmetro = 1 / .

El valor esperado y la varianza de una variable aleatoria X de distribucin gamma son
E[X] = k / = k
V[X] = k /
2
= k
2

Relaciones
El tiempo hasta que el suceso nmero k ocurre en un Proceso de Poisson de intensidad es
una variable aleatoria con distribucin gamma. Eso es la suma de k variables aleatorias
independientes de distribucin exponencial con parmetro .

EJEMPLO: Suponga que el tiempo X de supervivencia en semanas de un ratn
macho seleccionado al azar y expuesto a 240 rads de radiacin gamma,
tiene una distribucin gamma con =8 y =15 (datos de Survival
Distribution sugieren =8.5 y =13.3). el tiempo esperado de
supervivencia es E(X)=(8)(15)=120 semanas, en tanto que V(X)=
(8)(15)
2
=1800 = 1800 =42.43 semanas. La probabilidad
de que un ratn sobreviva entre 60 y 120 semanas.
|
|
.
|
\
|
= = s o
|
| o ; ) ; ; ( ) (
x
F x F x X P

P(60 X 120) = P(X 120) P(X 60)
= F(120/15 ; 8) F(60/15 ; 8)
= F(8 ; 8) F(4 ; 8) = .547 - .051 = 0.496

la probabilidad de que un ratn sobreviva por lo menos 130 semanas es:

P(X 120) = P(X < 120) =1 (X 30)
= 1 - F(30/15 ; 8) = 0.999

105
.
.
.
.
.
.
.
.
.

DISTRIBUCIN T

Una de las distribuciones que tiene mayor uso en el anlisis de datos provenientes de
experimentos cientficos es la llamada t de Student.
La distribucin t es simtrica, con media cero y de forma semejante a la normal estndar.
Surge de la siguiente definicin:
Si Z es una variable N(0,1), y si X
2
~

X
2
(v)
y es independiente de de Z, entonces la variable
aleatoria definida por:

La cual tiene una distribucin t de Student con v grados de libertad:

La distribucin t, segn se dijo, tienen una apariencia similar a la de la Normal estndar y, de
hecho, se aproxima cada vez ms a sta a medida que se tienen ms grados de libertad. La
principal diferencia entre ambas es que la distribucin de t tiene ms rea en las colas que la
N(0,1).

Para calcular probabilidades en la distribucin de t se presenta la tabla correspondiente cuyo
uso se explica en seguida.

En la primera columna de la tabla se encuentran diferentes valores de los grados de libertad,
mientras que en la primera hilera aparecen valores de la variable t, denotados por t

(v),
tales que:

Para localizar un valor especfico de t
(v),se encuentra la hilera con grados de libertad v y

sobre esa hilera la columna con la probabilidad deseada. El valor que aparece en el cruce de
esa hilera y esa columna es t
(v)

106
.
.
.
.
.
.
.
.
.

EJEMPLO: Una empresa realizo un estudio del nivel de nicotina para una muestra de
220 cigarrillos producido por otra empresa. La tabla siguiente muestra la cantidad de
nicotina contenida en cada uno de los cigarrillos de muestra.

22.5 26.7 28.1 24.5 23.9
25.2 23.6 23.4 24.6 24.3
26.0 22.7 23.6 24.1 25.2
25.8 24.7 24.8 27.3 27.0
La media es:
9 . 24
20
0 . 27 ... 5 . 22
=
+ +
= x

La desviacin estndar:
53 . 1
19
)) 9 . 24 0 . 27 ( ... ) 9 . 24 5 . 22 ((
1
) (
2
2
=
+ +
=
=

n
x x
s

El intervalo de confianza de 95% es o sea 025 . 0
2
05 . 0
= y se localiza en el
rengln 19 que corresponden a los grados de libertad por ser n-1 o sea 20-1,
localizando:
El valor de t es 2.093. entonces la formula queda:

62 . 25 18 . 24
72 . 0 9 . 24 72 . 0 9 . 24
20
53 . 1
* 093 . 2 9 . 24
20
53 . 1
* 093 . 2 9 . 24
* *
2 / 2 /
< <
+ < <
+ < <
+ < <
o o
n
s
t x
n
s
t x

Esto es con probabilidad 0.95 el nivel medio de la nicotina de la marca
competidora esta entre 24.18 y 25.65, o bien que al estimar el nivel medio de
nicotina como 24.9 mg sabemos que un grado de confianza del 95%, el error
es menor a 0.72 mg.

1.- El valor t con v=14 grados de libertad que dejan un rea de .025 a la
izquierda, y por tanto un rea de .975 a la derecha es:
Solucin:

t
0.975
= -t
0.025
= -2.145

2.-Encuentre P(-t
0.025
< T < t
0.05
)
Solucin:

107
.
.
.
.
.
.
.
.
.

Como t
0.05
deja un area de 0.05 la derecha, y -t
0.025
deja un area de 0.025 a la
izquierda encontramos una rea total de:

1 - 0.05 0.025 = 0.925

Entre -t
0.025
y t
0.05
de aqu:

P(-t
0.025
< T < t
0.05
) = 0.925

Se afirma que los estudiantes de un colegio tienen un promedio de C.I. mayor
que 100. Se toma una muestra aleatoria de tamao 16 y se encuentra que la
media muestral es
x = 106. La desviacin tpica estimada () es de 10 puntos. Responden estos
datos a la afirmacin hecha?
La prueba se hace como sigue:

Hiptesis nula, H
0
: = 100 Hiptesis alternativa, H
1
: > 100

El estadstico t ser: t = x / / n = 106 100 / 10/ 16 = 2.4

Y tendremos una distribucin de t con = 16 1 = 15 grados de libertad. Si
admitimos = 2.5 por cierto, como esta es una prueba unilateral o de un
extremo, obtenemos

P(-2.13 < t < 2.13 = 15) = 0.95

Como t = 2.4, la probabilidad de elegir una muestra con x 0 106, o mayor, de
una poblacin con = 100 ser menor que 2.5 por cierto.
Por tanto, la diferencia entre x y es significativa y rechazamos la hiptesis
nula de = 100 y aceptamos la alternativa de > 100.

Ejemplo 1:
El valor t con = 14 grados de libertad que deja un rea de 0.025 a la
izquierda, y por tanto un rea de 0.975 a la derecha, es
t
0.975
=-t
0.025
= -2.145

Si se observa la tabla, el rea sombreada de la curva es de la cola derecha, es
por esto que se tiene que hacer la resta de . La manera de encontrar el

108
.
.
.
.
.
.
.
.
.

valor de t es buscar el valor de en el primer rengln de la tabla y luego
buscar los grados de libertad en la primer columna y donde se intercepten y
se obtendr el valor de t.
Ejemplo 2:
Encuentre k tal que P(k < t < -1.761) = 0.045, para una muestra aleatoria de
tamao 15 que se selecciona de una distribucin normal.
Solucin:

Si se busca en la tabla el valor de t =1.761 con 14 grados de libertad nos
damos cuenta que a este valor le corresponde un rea de 0.05 a la izquierda,
por ser negativo el valor. Entonces si se resta 0.05 y 0.045 se tiene un valor de
0.005, que equivale a . Luego se busca el valor de 0.005 en el primer
rengln con 14 grados de libertad y se obtiene un valor de t = 2.977, pero como
el valor de est en el extremo izquierdo de la curva entonces la respuesta
es t = -2.977 por lo tanto:
P(-2.977 < t < -1.761) = 0.045

109
.
.
.
.
.
.
.
.
.

D I S T R I B U C I O N D E P R O B A B I L I D A D B E T A .

Caractersticas:
Posee 2 parmetros, definida en el intervalo cerrado 0 X y X 1
Definicin: Una V. A. Y tiene una distribucin de probabilidad beta s:
1 0 ;
) , (
) 1 (
) (
1 1
s s
=

y
B
y y
y f
| o
| o

Donde:
) (
) ( ) (
) 1 ( ) , (
1
1
0
1
| o
| o
| o
| o
+ I
I I
= =

}
dy Y y B

Si Y es una V. A. con distribucin de probabilidad Beta con parmetros > 0 y > 0,
entonces:

| o
o
+
= = ) (Y E
) 1 ( ) (
) (
2
2
+ + +
= =
| o | o
o|
o Y V

110
.
.
.
.
.
.
.
.
.

Esta distribucin se puede utilizar como un modelo del porcentaje de impurezas presentes en
un producto qumico o cantidad de tiempo que una maquina esta en reparacin

E J E M P L O:

Los gerentes de proyecto utilizan por lo regular el mtodo llamado PERT (
Program Evaluation and Review Technique) para coordinar diversas
actividades que conforman un gran proyecto. Una suposicin estndar del
anlisis PERT es que el tiempo necesario para realizar cualquier actividad
particular, una vez que se haya iniciado, tiene una distribucin Beta con A =
tiempo optimista (s todo va bien) y B = tiempo pesimista (s todo sale mal).
Supongamos que en la construccin de una casa, el tiempo X (en das)
necesario para colocar los cimientos tiene una distribucin Beta con A = 2, B=
5, = 2 y = 3.

Entonces , 4 =
+ | o
o
as que E(x) = 2+ (3) (.4)=3.2. Para estos valores de y ,
la pdf. de x es una funcin polinomial sencilla. La probabilidad de que se tome
a lo sumo tres das para poner los cimientos es:

111
.
.
.
.
.
.
.
.
.

407 . )
3
5
)(
3
2
(
! 2 ! 1
! 4
*
3
1
) 3 (
2
3
2
=

= s
}
dx
X X
X P

La distribucin B se usa para modelar la variacin en la proporcin o porcentaje
de una cantidad que se presenta en muestras diferentes, tales como la
proporcin de horas que duerme un individuo.

1.-Supongamos que una distribucin Beta es definida por n= 11 y r= 5; Cul
es la probabilidad de que p sea menor o igual a p = 0.30?

( ) | | 3 . 0 , 1 11 ; 5 ) 11 ; 5 . 0 ( > = s
B
r P p P
|

= 1- B (4; 10, 0.3)
= 1- 0.84973
= 0.15027

2.-Nuevamente, para la misma distribucin Beta anterior, Cual es la
probabilidad de que p sea menor o igual a p = 0.7?

( ) ( ) ( ) ( ) | | 7 . 0 1 , 1 11 ; 5 11 11 , 5 ; 7 . 0 ( = s r P p P
B |

=P
B
(r<6;10, 0.3)

= 0.95265

E J E M P L O:

Los gerentes de proyecto utilizan por lo regular el mtodo llamado PERT (
Program Evaluation and Review Technique) para coordinar diversas
actividades que conforman un gran proyecto. Una suposicin estndar del
anlisis PERT es que el tiempo necesario para realizar cualquier actividad
particular, una vez que se haya iniciado, tiene una distribucin Beta con A =
tiempo optimista (s todo va bien) y B = tiempo pesimista (s todo sale mal).
Supongamos que en la construccin de una casa, el tiempo X (en das)

112
.
.
.
.
.
.
.
.
.

necesario para colocar los cimientos tiene una distribucin Beta con A = 2, B=
5, = 2 y = 3.

Entonces , 4 =
+ | o
o
as que E(x) = 2+ (3) (.4)=3.2. Para estos valores de y ,
la pdf. de x es una funcin polinomial sencilla. La probabilidad de que se tome
a lo sumo tres das para poner los cimientos es:

407 . )
3
5
)(
3
2
(
! 2 ! 1
! 4
*
3
1
) 3 (
2
3
2
=

= s
}
dx
X X
X P

La distribucin B se usa para modelar la variacin en la proporcin o porcentaje
de una cantidad que se presenta en muestras diferentes, tales como la
proporcin de horas que duerme un individuo.

Funcin Beta

Aplicacin de las tcnicas PERT:
- Determinar las actividades necesarias y cuando lo son.
- Buscar el plazo mnimo de ejecucin del proyecto.
- Buscar las ligaduras temporales entre actividades del proyecto.

113
.
.
.
.
.
.
.
.
.

- Identificar las actividades crticas, es decir, aquellas cuyo retraso en la
ejecucin supone un retraso del proyecto completo.
- Identificar el camino crtico, que es aquel formado por la secuencia de
actividades crticas del proyecto.
- Detectar y cuantificar las holguras de las actividades no crticas, es
decir, el tiempo que pueden retrasarse (en su comienzo o finalizacin)
sin que el proyecto se vea retrasado por ello.
- Si se est fuera de tiempo durante la ejecucin del proyecto, seala las
actividades que hay que forzar.
- Nos da un proyecto de coste mnimo.

1.-Supongamos que una distribucin Beta es definida por n= 11 y r= 5; Cul
es la probabilidad de que p sea menor o igual a p = 0.30?

( ) | | 3 . 0 , 1 11 ; 5 ) 11 ; 5 . 0 ( > = s
B
r P p P
|

= 1- B (4; 10, 0.3)
= 1- 0.84973
= 0.15027

2.-Nuevamente, para la misma distribucin Beta anterior, Cual es la
probabilidad de que p sea menor o igual a p = 0.7?

( ) ( ) ( ) ( ) | | 7 . 0 1 , 1 11 ; 5 11 11 , 5 ; 7 . 0 ( = s r P p P
B |

=P
B
(r<6;10, 0.3)

= 0.95265

EJEMPLO: Los sensores de infrarrojo de un sistema robtico computarizado enva
informacin a otros sensores en diferentes formatos. El porcentaje y las seales que se
envan y que son directamente compatibles para todos los sensores el sistema sigue
una distribucin beta con = = 2.

a. Calcule la probabilidad de que mas de 30% de las seales de infrarrojo enviadas en el
sistema sean directamente compatibles para todos los sensores.
b. Calcule la media y la varianza y.

1 y 0 , ) 1 (
) ( ) (
) (
) , (
) 1 (
) (
1 1
1 1
s s
I I
+ I
=
=

| o
| o
| o
| o
| o
y y
B
y y
y f

a) Si sustituimos = = 2 en la expresin de f(y) obtenemos.

114
.
.
.
.
.
.
.
.
.

) 1 ( 6 ) (
) ! 1 )( ! 1 (
) 1 ( ) ! 3 (
) 2 ( ) 2 (
) 1 ( ) 2 2 (
) (
1 2 1 2
y y y f
y y y y
y f
=
=
I I
+ I
=

La probabilidad que buscamos es P(y > 0.30).
0.514 ) 6(0.085667
3
) 3 (.
3
1
2
) 3 (.
2
1
6
3 2
6 6
) ( 6 ) 1 ( 6 ) 30 . 0 (
3 2
1
30 . 0
3
1
30 . 0
2
1
30 . 0
2
1
30 . 0
1
30 . 0
2
1
30 . 0
= =
)
`
|
|
.
|
\
|
=
=
(
=
= = >
} }
} }
y y
dy y ydy
dy y y dy y y y P

b) La media y la varianza.

( ) ( )
( ) ( )
05 . 0
) 5 )( 16 (
4
1 2 2 2 2
) 2 )( 2 (
5 . 0
4
2
2 2
2
1
y
2
2
2
2
= =
+ + +
=
= =
+
=
+ + +
=
+
=
o
| o | o
o|
o
| o
o

115
.
.
.
.
.
.
.
.
.

La funcin generadora de momentos

Supngase que X es una variable aleatoria; es decir, X es una funcin del espacio muestral a
los nmeros reales. Al calcular diversas caractersticas de la variables aleatoria X, como E(X) o
V(X), trabajamos directamente con la distribucin de probabilidades de X. La distribucin de
probabiIidades esta dada por una funcin: la fdp en el caso continuo, o las probabilidades
puntuales p(xi) = P(X = xi) en el caso discreto. La ultima tambin se puede considerar como
una funcin que toma valores distintos de cero slo si X = xi, i = 1, 2,------. Posiblemente
podemos presentar otra funcin y hacer los clculos necesarios mediante ella (tal como antes
asocibamos con cada nmero un nuevo nmero). Esto es, de echo, lo que haremos
precisamente. Primero daremos una definicin normal.

Definicin. Sea X una variable aleatoria discreta con distribucin de
probabilidades P(xi)=P(X = xi), i = 1, 2,..........La funcin, MX, llamada funcin
generadora de momentos de X, se define con:

=
=
1
) ( ) (
j
xj p
txj
e t MX

Si X es una variable aleatoria continua con fdp f, definimos la funcin
generadora de momentos con

116
.
.
.
.
.
.
.
.
.

dx x f
tx
e t MX
}
+

= ) ( ) (

Observaciones: a) tanto en el caso discreto como en el continuo, Mx(t) es
simplemente el valor esperado de e
tX
. Por tanto, podemos combinar las
expresiones anteriores y escribir:

) ( ) (
tX
e E t MX =

V. MX(t) es el valor que toma la funcin MX por la variable (real) t. La notacin que indica
la dependencia de X se usa porque quiz deseemos considerar dos variables
aleatorias, X y Y, y luego investigar la funcin generadora de momentos de cada una,
esto es, Mx y My.

VI. Usaremos la forma abreviada fgm para la funcin generadora de
momentos.

VII. La fgm, como se defini anteriormente, se escribe como una serie
infinita o integral (impropia), dependiendo de si la variable aleatoria es
discreta o continua. Tal serie (o integral) puede no existir siempre (es
decir; convergir aun valor infinito) para todos los valores de t. Por tanto,
puede suceder que la fgm no est definida para todos los valores de t.
Sin embargo, no nos interesar esta posible dificultad. Cada vez que
hagamos uso de la fgm, siempre supondremos que existe. (Para t = O,
/a fgm siempre existe y es Igual a 1.)

VIII. Hay otra funcin muy relacionada con la fgm que a menudo se usa en
su lugar. Se llama funcin caracterstica, se denota con Cx, y se define
con Cx(t) = E(e
itX
), donde i=(-1)
1/2
, la unidad imaginaria. Por razones
tericas, hay una ventaja considerable al usar Cx(t) en vez de Mx(t).
Por esta razn, Cx(t) siempre existe para todos los valores de t. Sin
embargo, a fin de evitar clculos con nmeros imaginarios complejos
restringiremos nuestra exposicin a la funcin generadora de
momentos.

Teorema 1

M
(n)
(0)=E(X
n
)

(Esto es, la n-sima derivada de Mx(t) calculada en t=0 da E(X
n
)

117
.
.
.
.
.
.
.
.
.

Los nmeros E(X
n
), n=1, 2, ........, se llaman n-simos momentos de la
variable aleatoria X respecto a cero. Por tanto, hemos demostrado que
conociendo la funcin Mx, pueden generarse los momentos (de aqu el nombre
de funcin generadora de momentos).

Teorema 2

Supngase que la variable aleatoria X tiene fgm Mx sea Y = oX+|. Entonces, My, la
fgm de la variable aleatoria Y, esta dada por:

My(t) = e
|t
Mx(ot).

En palabras, para encontrar la fgm la fgm de Y=oX+| calculamos la fgm
en ot (en vez de t) y multiplicamos por e
|t

My(t) = E(e
Yt
) = E[e
(xX+|)t
]

= e
|t
E[e
otX
] = e
|t
Mx(ot)

Problemas

Supngase que X est distribuida uniformemente en el intervalo [a,b]. Por
lo tanto la fgm es:

0 ,
) (
1
) (
) ( =
=
}

=
(
t
at
e
bt
e
t a b
b
a
dx
a b
tx
e
t Mx

Supngase que X tiene una distribucin exponencial con parmetro o. por lo
cual tenemos:

118
.
.
.
.
.
.
.
.
.

o
o
o
o
o o
o
o
o
o
<
=
}

=
}

=
<
t
t
t x
e
a t
t MX
dx
t x
e dx
x
e
tx
e t MX
,
0
) (
) (
0
) (
0
) (
t. de valores esos para slo existe fgm la . t si converge integral Esta

Supngase que X tiene una distribucin N(,o
2
). por lo cual tenemos:

| |
| | ds ts s
t t
e
ds t ts s
t
e
ds ts s
t
e
ds
s
e s t t MX
dx
x
tx
e t MX
s
)
2
2 / 1 exp(
2
1 2 /
2 2
))
2 2 2
( 2 / 1 exp(
2
1
) 2
2
2 / 1 exp(
2
1
2 /
2
)) ( exp(
2
1
) (
) 2 / 1 exp(
2
1
) (
por tanto ds. dx y s x as ; )/ - (x Sea
o
o
o o
o
o
o
o o o

}
+

[
+
=

}
+

[
=

}
+

[
=
}
+

+
[
=
}
+

[
=
(
= + = =
(

Sea s-ot=v; entonces ds=dv y obtemos

) 2 /
2 2
(
2 /
2
2
1 2 /
2 2
) (
t t
e dv
v
e
t t
e t MX
o o +
=
}
+

[
+
=

Supngase que X sea una distribucin gama con parmetros o y r. Por lo cual
tenemos:

119
.
.
.
.
.
.
.
.
.

r
t
t MX
puesto
du
u
e
r
u
r
r
t
du
u
e
r
t
u
r t
r
t MX
dx
t x
e
r
x
r
r
dx
x
e
r
x
yx
e
r
t MX
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
=
= >
=
I
}
I
=
}
I
=

}

I
=

}
I
=
o
o
o
o
o
o
o
o o
o
o
o
o
o o
) (
tenemos (r), a igual es integral la que
0
1
) (
1
) (
0
1
) (
) ( ) (
) (
) (
0
1
) (
1
) (
0
) (
) (
obtenemos y
t) - (du)/( dx
: as u; t) - x( sea t. que de condicin a converge integral esta

Considere una variable aleatoria continua con densidad

f(y)= {e
y
si y<0
{0 en cualquier otro punto

Encuentre la funcin generadora de momentos m(t) de y.

m(t)=e
ty
E
=
t t
e
e e e
y
t y ty y
+
=
+
= =

} }
1
1
1 0
0
) 1 (
0

Hallar los primeros cuatro momentos alrededor del origen, para una variable aleatoria X
con funcin de densidad.

120
.
.
.
.
.
.
.
.
.

s s
=
f orma otra de
x x x
x f
0
3 0 81 / ) 9 ( 4
) (
2

}
= = = =
3
0
2 2
1
5
8
) 9 (
81
4
) ( x x X E

}
= = =
3
0
2 3
2
3 ) 9 (
81
4
) ( x x X E

}
= = =
3
0
2 4
3
35
216
) 9 (
81
4
) ( x x X E

}
= = =
3
0
2 5
4
8750
3693
) 9 (
81
4
) ( x x X E

Teorema de Tchebysheff

Sea Y una variable aleatoria continua con un a funcin de densidad f(y)
Entonces para cualquier k > o
2 2
P( Y - < k o >1 1/ k o P( Y - > k o >1 1/ k

2
En donde E(Y) = y V(Y) = o <

121
.
.
.
.
.
.
.
.
.

MODULO V.- Distribucin de probabilidad bivariada.

Contenido
a)Variable aleatoria bivariada
Variable aleatoria bivariada discreta, variable aleatoria bivariada continua,
funcin de densidad de porbabilidad conjunta y discreta, funcin de
distribucin acumulada y sus propiedades, propiedades de la funcin de
densidad conjunta,
b) Distribucin de probabilidad marginal y de probabilidad condicional,
definicin de funcin de probabilidad marginal caso discreto, definicin
de funcin de probabilidad marginal caso continuo, definicin de funcin
de probabilidad condicional caso discreto, funcin de probabilidad
condicional caso continuo,.
c) Variables aleatorias independientes
Definicin de variables aleatorias independientes caso discreto,
definicin de variables aleatorias independientes caso continuo.
d) Valor esperado de una funcin de variables aleatorias
Definicin de valor esperado de una funcin de v.a.d, definicin de valor
esperado de una constante por una funcin de variables aleatorias, valor
esperado de una constante, el valor esperado d ela suma de funciones de
variables aleatorias, el valor esperado de las variables aleatorias
independientes.
e) La covarianza de dos variables aleatorias.
Definicin de covarianza de dos variables aleatorias, teorema
f) Teorema central del lmite
g) Regresin lineal
h) Regresin no lineal

122
.
.
.
.
.
.
.
.
.

VARIABLES ALEATORIAS BIVARIADAS DISCRETAS.

Las variables aleatorias bivariadas discretas son funciones de distribucin de
probabilidad bivariada.
Si (X,Y) es una variable aleatoria bivariada su funcin de
distribucin de probabilidad p(x,y) debe satisfacer:
1) 0<p(x,y) < 1
2)
p(x,y)= 1
x y

Ejemplo

Sean X y Y dos variables aleatorias continuas con funcin de densidad de probabilidad
conjunta dada por:

( x + y ) , 0 < x , y < 1,

0 , para cualquier otro valor

Graficar la funcin de densidad de probabilidad conjunta, determinar la funcin de
distribucin acumulativa conjunta y obtener la probabilidad conjunta de que X < 1/2 y
Y < 3/4 .

Entonces:

f (x,y) =
{
( x + y ) dy dx = (xy + y / 2) dx = ( x + ) dx = 1

123
.
.
.
.
.
.
.
.
.

esto es cuando 0 < x, y < 1

F (1/2, 3/4) = (1/2)(1/2)(3/4)(1/2 + 3/4) = 15/64
2
= xy + y / 2

2

1 1

Ejercicio 1

Sean X y Y las desviaciones horizontal y vertical respectivamente, de un individuo con
respecto a su lugar de trabajo. En donde X y Y son variables aleatorias, independientes
cada una, con una distribucin normal bivariada, medias 0 =
y x
y varianzas iguales.
Cul es la mxima desviacin estndar de X y Y, que permita tener una probabilidad
de 0.99 de que el hombre se encuentre a no ms de 500 milmetros de su lugar de
trabajo tanto en direccin vertical como horizontal?
Como o o o =
y x
, la probabilidad conjunta es:
P ( -500 < X < 500, -500 < Y <500 ) = P ( -500 < X < 500 ) P ( -500 < Y < 500 )
= |
.
|
\
|
< <
|
.
|
\
|
< <
o o o o
500 500 500 500
Z P Z P
=
2
2
500 500
|
.
|
\
|
< <
o o
Z P
Puesto que por hiptesis es:
99 . 0
500 500
2
2
=
|
.
|
\
|
< <
o o
Z P
F(x, y) = (u + v) dv du = (uy + y / 2) du = xy + (x + y) / 2
0

124
.
.
.
.
.
.
.
.
.

99499 . 0
500 500
=
|
.
|
\
|
< <
o o
Z P

0025 . 0
500
2
=
|
.
|
\
|
>
o
Z P
pero
( ) 0025 . 0 81 . 2 = > Z P
Por lo tanto 500/ = 2.81 y 94 . 177 =s =
y x
o o milmetros.

125
.
.
.
.
.
.
.
.
.

FUNCIONES DE DENSIDAD DE PROBABILIDAD CONJUNTAS DISCRETAS
Y CONTINUAS.

FUNCIONES DE DENSIDAD DE PROBABILIDAD CONJUNTAS DISCRETAS.

Una distribucin conjunta es discreta, si cada variable aleatoria
tiene distribucin marginal discreta. En este caso el espectro
conjunto estar compuesto de un numero finito de parejas (m,n).

FUNCIONES DE DENSIDAD DE PROBABILIDAD CONJUNTAS
CONTINUAS.

Una distribucin conjunta es continua si su funcin de reparticin F
xy
(x,y) es
continua para todos los valores de x,y ; y adems posee segundas derivadas
parciales mixtas (excepto quizs en un conjunto finito o infinito numerable de
puntos), en tal caso la derivada parcial mixta (cualquiera de ellas puesto que
son iguales) se denomina funcin de densidad conjunta:

x y
) y , x ( F
y x
) y , x ( F
) y , x ( f
xy
2
xy
2
xy
c c
c
=
c c
c
=

Ejemplo

Se lanzan al aire tres monedas independientemente. Una de las variables de
inters es Y
1
=el nmero de casos. Sea Y
2
la cantidad de dinero ganado en una
apuesta que se realiza de la siguiente manera. Si la primera cara ocurre en el
primer lanzamiento, se ganar 1 dlar. Si la primera cara ocurre en las tiradas 2
y 3 dlares, respectivamente. Si no cae una cara, se perder 1 dlar (es decir
se ganar 1 dlar).
a) Determine la funcin de probabilidad conjunta para Y
1
y Y
2
.
b) Cul es la probabilidad de que ocurran menos de tres caras y que se
gane 1 dlar o menos? [es decir obtenga F(2,1)]

espacio muestral:

126
.
.
.
.
.
.
.
.
.

x x x
x c x
c x x
c c x
c x c
x x c
x c c
c c c
3 2 1
P = 1 / 8

Y1
Y2 0 1 2 3
1 0 1/8 2/8 1/8
2 0 1/8 1/8 0
3 0 1/8 0 0
-1 1/8 0 0 0

2
1
) 1 , 2 ( ) 1 , 2 (
) 1 , 2 (
) , ( ) , (
2 1
2 1
= s s =
s s =
y y P F
F
b Y a Y P b a F

127
.
.
.
.
.
.
.
.
.

p x y , ( )
x y +
30
:=
p x y , ( )
1 := a
15a :=
a
1 := a
89a := a por lo tanto a:1/89

Si la distribucin de probabilidad conjunta de X y Y esta dada por:

f (x, y) = a(x
2
+ y
2
) para x = -1,0,1,3 ; y = -1,2,3

a) Encuentre el valor de a.
p(-1,1) = 2a p(0,-1) = a p(1,-1) = 2a p(3,-1) = 10a
p(-1,2) = 5a p(0,2) = 4a p(1,2) = 5a p(3,2) = 13a
p(-1,3) = 10a p(0,3) = 9a p(1,3) = 10a p(3,3) = 18a

-1 0 1 3
-1 2/89 1/89 2/89 10/89
2 5/89 4/89 5/89 13/89
3 10/89 9/89 10/89 18/89

P(x 1, y >2 ) = p(-1,3) + p(0,3) + p(1,3) = 1/89 ( 10 + 9 + 10 ) = 29/89

P(x = 0, y 2) = p(0,-1) + p(0,2) = 1/89 (1 + 4 ) = 5/89

p( x + y > 2) = = p(0,3) + p(1,2) + p(1,3) + p(3,2) + p(3,3) = 1/89 (9+5+10+13+18) =
55/89

Funcin de probabilidad conjunta

Dada

a) Determine que es una funcin de probabilidad.
b) Determinar lo siguiente:

P(x + y 3) ; P( x =1y =2) ; P(2x + y > 1) ; P(2x + y 2) ; P(3x, 2y) ; F(2,2) ; F(1,2) ;
F(3,1)

0 1 2 3
0 0 1/30 2/30 3/30
1 1/30 2/30 3/30 4/30
2 2/30 3/30 4/30 5/30

a)

= p(0,0) + p(0,1) + p(0,2) + p(1,0) + p(1,1) + p(1,2) + p(2,0) + p(2,1) +
p(2,2) + p(3,0)
+ p(3,1) + p(3,2)

128
.
.
.
.
.
.
.
.
.

p x y , ( )
1 := a
15a :=

= 1/30 + 2/30 +1/30 +2/30 +3/30 +2/30 +3/30 +4/30 +3/30 + 4/30 +
5/30 = 30/30 = 1

Por lo tanto, podemos afirmar que es una funcin de probabilidad

b)

P(x + y 3) = p(0,0) + p(0,1) + p(0,2) + p(1,0) + p(1,1) + p(1,2) + p(2,0) + p(2,1) +
p(3,0)
= 1/30 ( 1 + 2 + 1 + 2 + 3 + 2 + 3 + 3 ) = 17/30

P( x =1y =2) = p(xy) / h(y) = p(1,2)/ h(2) = 3/30 / 14/30 = 3/14

P(2x + y > 1) = p(0,2) + p(1,1) + p(1,2) + p(2,0) + p(2,1) + p(2,2) + p(3,0) + p(3,1) +
p(3,2)
= 1/30 ( 2 + 2 + 3 + 2 + 3 + 4 + 3 + 4 + 5 ) = 28/30

P(2x + y 2) = p(0,1) + p(0,2) + p(1,0) = 1/30 ( 1 + 2 + 1 ) = 4/30

P(3x, 2y) = p(0,0) + p(0,2) + p(3,0) + p(3,2) = 1/30 ( 2 + 3 + 5 ) = 10/30 = 1/3

F(2,2) = p(0,0) + p(0,1) + p(0,2) + p(1,0) + p(1,1) + p(1,2) + p(2,0) + p(2,1) + p(2,2)
= 1/30 (1 + 2 + 1 + 2 + 3 + 2 + 3 +4 ) = 18/30

F(1,2) = p(0,0) + p(0,1) + p(0,2) + p(1,0) + p(1,1) + p(1,2) = 1/30 (1 + 2 + 1 + 2 + 3 ) =
9/30

F(3,1) = p(0,0) + p(0,1) + p(1,0) + p(1,1) + p(2,0) + p(2,1) + p(3,0) + p(3,1)
= 1/30 (1 + 1 + 2 + 2 + 3 + 3 + 4 ) = 16/30 = 8/15

FUNCI ONES DE DI STRI BUCI ON ACUMULADAS CONJ UNTAS Y SUS PROPI EDADES.

Se define la funcin de distribucin de probabilidad acumulativa conjunta como:
F
XY
(x,y):= P[
X
s
x
,
Y
s
y
] Que cumple con las propiedades:

i) F
XY
(-, -) = 0
ii) F
XY
(, ) = 1

S x
1
< x
2
-------- F
XY
(x
1
,y) s F
XY
(x
2
,y)

129
.
.
.
.
.
.
.
.
.

S y
1
< y
2
--------- F
XY
(x
1
,y
1
) s F
XY
(x
2
,y
2
)

0 s F
XY
(x,y) s 1

PROPI EDADES DE LAS FUNCI ONES DE DENSI DAD CONJ UNTA.

0 s g
xy
(m,n) s 1

1 ) n , m ( g
) n , m (
xy
=

) n , m ( g
) n , m (
xy

b) DI STRI BUCI ONES DE PROBABI LI DAD MARGI NAL Y DE PROBABI LI DAD CONDI CI ONAL

Con cada variable aleatoria bidimensional (X,Y) asociamos dos variables
aleatorias unidimensionales llamadas X y Y, respectivamente. Es decir;
podemos interesarnos por la distribucin de probabilidad de X o por la
distribucin de probabilidad de Y.

Definicin de funcin de probabilidad marginal caso discreto

En el caso discreto procedemos as: puesto que X = x
i
debe ocurrir con Y = y
j

para una j, y puede ocurrir con Y = y
j
para solo una j, tenemos:

P(x
i
) = P ( X = x
i
) = P(X = x
i
, Y = y
1
o X = x
i
, Y = y
2
o ) =
=1
) , (
j
j i
y x p
La funcin p definida para x
1
, x
2
, , representa la distribucin marginal de
probabilidad de X.
Anlogamente definimos q(y
j
) = p(Y = Yj) =
=1
) , ( 1
j
j i
y x p como la distribucin
marginal de probabilidad de Y.

130
.
.
.
.
.
.
.
.
.

Ejemplo

De un grupo de tres republicanos, dos demcratas y un independiente, debe
seleccionarse al azar un comit de dos personas. Sea Y
1
el nmero de republicanos y Y
2

el nmero de demcratas en el comit. Encuentre la distribucin marginal de Y
1
.

Para encontrar P1(y1), se tiene que sumar para todos los valores Y2,
entonces esta probabilidades estn dadas por los totales de las
columnas (por tablas).

P
1
(0) = p ( 0,0) + p (0,1) + p (0,2)

= 0 + 2/15 + 1/15 = 3/15

Y
1

Y
2
0 1 2 Total

0 0 3/15 3/15 6/15
1 2/15 6/15 0 8/15
2 1/15 0 0 1/15

Total 3/15 9/15 3/15 1

P
1
( 1) = 9/15, p1(2) = 3/15

La distribucin marginal de Y
2
est dada por los totales de los renglones.

Ejercicio 1

Una planta recibe reguladores de voltaje de dos diferentes proveedores, B1 y B2; el 75%
de los reguladores se compra a B1 y el resto a B2. El porcentaje de reguladores
defectuosos que reciben de B1 es 8% y el de B2 es el 0%. Determinar la probabilidad de
que funcione un regulador de voltaje de acuerdo con las especificaciones (es decir, el
regulador no est defectuoso)

131
.
.
.
.
.
.
.
.
.

0 x s 1 s
8 x y
0 y s x s
0 en otro caso

Sea A el evento el regulador de regulador es no defectuoso. Es claro que ningn
regulador de voltaje puede ser vendido tanto por B1 como por B2; por lo tanto B1 y
B2 son disjuntos. Esto como resultado.

P (A) = P ( A B1) + P (A B2),

P (A B1) = P (B1)P(A/B1)

P (A B2) = P (B2)P(A/B2)

P(B1) =0.75, P (B2) = 0.25, P (A/B1) =0.92, y P (A/B2) =0.9;

Sustituyendo

P (A) = P (B1)P (A/B1) + P (B2)P (A/B2)

= 0.75(0.92) + 0.25(0.90) = 0.915

Definicin de funcin de probabilidad marginal caso continuo.

En el caso continuo procedemos como sigue: sea f la fdp conjunta de la
variable aleatoria bidimensional continua (X,Y). Definimos g y h, las funciones
densidad de probabilidad marginales de X y Y, respectivamente, como sigue:

} }
+

+

= = . ) , ( ) ( ; ) , ( ) ( dx y x f y h dy y x f x g

Estas fdp corresponden a las fdp bsicas de las variables aleatorias
unidimensionales de X y Y, respectivamente.

Probabilidad condicional conjunta

Encuentre f (x y) y f (yx) si

f(x,y)

132
.
.
.
.
.
.
.
.
.

p xIy ( )
f x y , ( )
h y ( )
:=
p xIy ( )
8 x y
4 y
:=
p yIx ( )
f x y , ( )
g x ( )
:=
p yIx ( )
8x y
4x
3
:=

c) VARIABLES ALEATORIAS INDEPENDIENTES

Tal como definimos el concepto de independencia entre dos eventos A y B,
ahora definimos las variables aleatorias independientes. Lo que queremos decir
intuitivamente es que X y Y son variables aleatorias independientes si el
resultado de X, digamos, de ninguna manera influye en el resultado de Y. Esta
es una nocin extremadamente importante y hay muchas situaciones en que
dicha suposicin se justifica.

La independencia de variables aleatorias discretas requiere que p(y
1
, y
2
) = p
1
(y
1
)p
2
(y
2
)
para cada eleccin (y
1
, y
2
). As se contraviene esta igualdad por cualquier (y
1
, y
2
), las
variables aleatorias son dependientes.

P(0,0) = 0
Pero p
1
(0) 3/15 y p
2
(0) = 6/15 Por tanto
P (0, 0 ) = p
1
(0) p
2
(0) y
y
1
y y
2
son dependientes.

Ejemplo

Un vendedor obtiene sus ingresos mediante la venta de dos productos distintos. Por
experiencia sabe que el volumen de ventas de A no tiene ninguna influencia sobre el de
B. Su ingreso mensual es de 10% del volumen, en dlares, del producto A y el 15% del
volumen de B. Si en promedio las ventas del producto A ascienden a $10000 con una
desviacin estndar de $2000 y las de B a $8000 con una desviacin estndar de $1000,
obtngase el valor esperado y la desviacin estndar del ingreso mensual del vendedor.

Sea X y Y dos variables aleatorias que representan el volumen de ventas en dlares de
los productos A y B, respectivamente. Por hiptesis:

E (X) = 10 000, d.e (X) = 2 000
E (Y) = 8 000, d.e (X) = 1 000

De esta forma se tiene :

E (0.1X + 0.15Y) = 0.1E (X) + 0.15E (Y) = 2 200

133
.
.
.
.
.
.
.
.
.

y var (0.1X + 0.15Y) = 0.01var (x) + 0.0225var (Y) = 62 500

La desviacin estndar es de $ 250.

Ejercicio 1

La probabilidad de que un hombre vivir 10 aos mas es de 1/4 y la probabilidad de que
su esposa vivir 10 aos ms es de 1/3. Hallar la probabilidad de que:

Ambos estn vivos dentro de 10 aos.
Al menos uno estar vivo a los 10 aos.
Ninguno estar vivo a los 10 aos.
Solamente la esposa estar viva a los 10 aos.

aos. 10 en vivir esposa lsu
aos. 10 en vivir hombre el
3
1
) B ( P
4
1
) A ( P
=
=

Ambos estn vivos dentro de 10 aos.

Puesto que A y B son eventos independientes
P(AB)=P(A)P(B)=(1/4)*(1/3)=1/2.

Al menos uno estar vivo a los 10 aos.

P(AB) = P(A) + P(B) - P(AB)=(1/4) + (1/3) - (1/12)= 0.5.

Ninguno estar vivo a los 10 aos.

P(A
c
)=1-P(A)=1-(1/4)=3/4
P(B
c
)=1-(1/3)=2/3

Puesto que A y B son independientes

P(A
c
B
c
)= P(A
c
) P(B
c
)=(3/4)*(2/3)=0.5

Solamente la esposa estar viva a los 10 aos.

A
c
y B son independientes entonces:
P(A
c
B)= P(A
c
)P(B)= (3/4)*(1/3)=0.25

134
.
.
.
.
.
.
.
.
.

Definicin de Variable Aleatoria independientes caso discreto.

a) Sea (X,Y) una variable aleatoria bidimensional discreta. Entonces X y Y son
independientes si y solo si p(x
i
| y
j
) = p(x
i
) para toda i y j (o lo que es
equivalente, si y solo si q(y
j
| x
i
) = q(y
j
)

Definicin de Variable Aleatoria independientes caso continuo
Sea (X,Y) una variable aleatoria bidimensional continua. Entonces X y Y son
independientes si y solo si g(x | y) = g(x), o lo que es equivalente, si y solo si
h(y|x) = h(y) para toda (x,y).

El Valor esperado de una funcin de variables aleatorias

Ejemplo
Un vendedor obtiene sus ingresos, mediante la venta de dos productos distintos. Por
B. Su ingreso mensual es el 10% del volumen, en dlares, del producto A y el 15% del
volumen de B. Si en promedio las ventas del producto A ascienden a $10 000 con una

Tomando a x, y como 2 V.A. que representan el volumen de ventas en dlares de A y B.

Tenemos:

Suponiendo
8000 ) (
10000 ) (
=
=
y E
x E

1000 ) .( .
2000 ) .( .
=
=
y e d
x e d

Se tiene:
2200 $ ) 15 . 0 1 . 0 (
) ( 15 . 0 ) ( 1 . 0 ) 15 . 0 1 . 0 (
= +
+ = +
y x E
y E x E y x E

Y

62500 ) 15 . 0 1 . 0 (
) ( 0225 . 0 ) ( 01 . 0 ) 15 . 0 1 . 0 (
= +
+ = +
y x Var
y Var x Var y x Var

Con desviacin estndar de $250.

135
.
.
.
.
.
.
.
.
.

d) VALOR ESPERADO DE UNA FUNCION DE V.A.

Ejemplo

Y
1
y Y
2
tiene una densidad conjunta

F(y
1
, y
2
) = 2y1 1 0 ; 0
2 1
s s s s y y
0 en cualquier otro punto.

Hallar el valor esperado Y
1

SOLUCION

E(Y
1
) =
} }
1
0
2
1
0
1 1 1
) 2 ( dy dy y y

1 1
=
}
1
0
1
3
2y dy
2
= =
}
2
1
0
2dy = 2
3 0 3 0 3

El valor E(Y
1
) = 2/3

Ejercicio1

Un vendedor obtiene sus ingresos, mediante la venta de dos productos distintos. Por
B. Su ingreso mensual es el 10% del volumen, en dlares, del producto A y el 15% del
volumen de B. Si en promedio las ventas del producto A ascienden a $10 000 con una

Tomando a x, y como 2 V.A. que representan el volumen de ventas en dlares de A y B.

Tenemos:

Suponiendo
8000 ) (
10000 ) (
=
=
y E
x E

1000 ) .( .
2000 ) .( .
=
=
y e d
x e d

Se tiene:
2200 $ ) 15 . 0 1 . 0 (
) ( 15 . 0 ) ( 1 . 0 ) 15 . 0 1 . 0 (
= +
+ = +
y x E
y E x E y x E

Y

136
.
.
.
.
.
.
.
.
.

62500 ) 15 . 0 1 . 0 (
) ( 0225 . 0 ) ( 01 . 0 ) 15 . 0 1 . 0 (
= +
+ = +
y x Var
y Var x Var y x Var

Con desviacin estndar de $250.

La funcin de densidad de una variable aleatoria X esta dada por:

< <
=
forma. otra de 0
2 x 0 x
) x ( f
2
1

encontrar el valor esperado:

3
4
6
x
dx
2
x
dx
2
x
x dx ) x ( xF ) X ( E
2
0
3 2
0
2 2
0
x
= = =
|
.
|
\
|
= =
} } }

Valor esperado de una constante

Ejemplo

La funcin de probabilidad conjunta de dos variables aleatorias discretas X, Y esta
dada por:
) 2 ( ) , ( y x c y x f + = , donde x, y pueden tomar todos los valores enteros tales que:
0 ) , ( , 3 0 , 2 0 = s s s s y x yf y x de otra forma.
a) Hallar el valor de la constante c.
b) Hallar P(X=2, Y=1).
c) Hallar P(X > 1, Ys2).

Obteniendo la tabla muestral:

y
x
0 1 2 3 Total
0 0 c 2c 3c 6c
1 2c 3c 4c 5c 14c
2 4c 5c 6c 7c 22c
Total 6c 9c 12c 15c 42c

Tenemos:

137
.
.
.
.
.
.
.
.
.

a)

42
1
1 42
) 2 (
=
=
+
c
c
y x c

b)

42
5
5 ) 1 , 2 ( = = = = c y x P

c)

> s
= s >
1 2
) , ( ) 2 , 1 (
x y
y x f y x P

|
.
|
\
|
=
=
+ + + + + =
42
1
24
24
) 6 5 4 ( ) 4 3 2 (
c
c c c c c c

7
4
) 2 , 1 ( = s > y x P

E) DEFINICION DE COVARIANZA DE DOS VARIABLES ALEATORIAS.

Sean X & Y v.v.a.a. definidas sobre un mismo O. Se define la covarianza
entre X & Y como: COV [X , Y]:= E[(X -
x
) (Y-
Y
)]

Ejemplo

Sean X y Y dos variables aleatorias con una funcin de densidad conjunta de
probabilidad:

. 1 0 , 0 ) (
3
2
) , ( < < >
+ =

y x e y x y x f
x

0 para cualquier otro valor.

Obtener la covarianza y el coeficiente de correlacin
de X y de Y.

138
.
.
.
.
.
.
.
.
.

. 1 0 , 0 ) (
3
2
) , ( < < >
+ =

y x e y x y x f
x

0 para otro valor.

} }

+ =
x
x
dydx e xy x x E
0
1
0
2
) (
3
2
) (

}

+ =
x
x
dx e
x
x
0
2
)
2
(
3
2

} }

+ =
x x
x x
dx xe dx e x
0 0
2
3
1
3
2

3
) 2 (
3
) 3 ( 2 I
+
I
=

3
5
) ( = x E

} }

+ =
x
x
dydx e y x x x E
0
1
0
2 3
) (
3
2
) 2 (

} }

+ =
x x
x x
dx e x dx e x
0 0
2 3
3
1
3
2

3
) 3 (
3
) 4 ( 2 I
+
I
=
3
14
) 2 ( = x E

} }

+ =
x
x
dydx e y xy y E
0
1
0
2
) (
3
2
) (

} }

+ =
x x
x x
dx e dx xe
0 0
9
2
3
1

9
2
3
) 2 (
+
I
=
9
5
) ( = y E

} }

+ =
x
x
dydx e y xy y E
0
1
0
3 2 2
) (
3
2
) (
=
} }

+
x x
x x
dx e dx xe
0 0
6
1
9
2

18
7
) (
2
= y E

139
.
.
.
.
.
.
.
.
.

} }

+ =
x
x
dydx e xy y x xy E
0
1
0
2 2
) (
3
2
) (

} }

+ =
x x
x x
dx xe dx e x
0 0
2
9
2
3
1

9
) 2 ( 2
3
) 3 ( I
+
I
=
9
8
) ( = xy E

) ( ) ( ) ( ) , ( y E x E xy E y x Cov + =
|
.
|
\
|
|
.
|
\
|
+ =
9
5
3
5
9
8

27
1
) , ( = y x Cov

Dado que:
9
17
) ( ) ( ) (
2 2
= + = x E x E x Var

162
13
) ( ) ( ) (
2 2
= + = y E y E y Var
El coeficiente de correlacin queda : 0951 . 0
) 162 / 13 )( 9 / 17 (
27
1
) , ( =
= y x

Ejercicio 1

Sean X y Y dos variables aleatorias con una funcin de densidad conjunta de
probabilidad

( ( ) +

valor otro culaquier para
y x y x
y x f
x
0
1 0 , 0 ) (
3
2
) , (
) (

Obtener la covarianza y el coeficiente de correlacin de X y Y.
( ) ( ) dydx y x X E
x
x

} }
+ =
0
1
0
3
2

140
.
.
.
.
.
.
.
.
.

( )
}

|
.
|
\
|
+ =
x
x
dx
x
x X E
0
2
2 3
2

( ) dx x x dx x X E
x x
x
} }
+ =

0 0
2
3
1
3
2

( )
( ) ( )
3
2
3
3 2 P P
X E + =

( )
3
5
= X E

( ) ( ) dydx y x x X E
x
x

} }
+ =
0
1
0
2 3 2
3
2

( ) dx x x dx x X E
x x
x
} }
+ =

0
2
0
3 2
3
1
3
2

( )
( ) ( )
3
3
3
4 2
2
P P
X E + =

( )
3
14
2
= X E

( ) ( ) dydx y xy Y E
x
x

} }
+ =
0
1
0
3
3
2

( ) dx dx x Y E
x x
x
} }
+ =

0 0
6
1
9
2

( )
( ) ( )
3
2 2
3
3 P P
Y E + =

( )
9
8
= Y E

( ) ( ) dydx xy y x XY E
x
x

} }
+ =
0
1
0
2
3
2

( ) dx x dx x XY E
x x
x
} }
+ =

0 0
2
9
2
9
2

( )
( ) ( )
9
2 2
3
3 P P
XY E + =

141
.
.
.
.
.
.
.
.
.

( )
9
8
= XY E

Por lo tanto

( ) ( ) ( ) ( )
27
1
9
5
3
5
9
8
= |
.
|
\
|
|
.
|
\
|
= = Y E X E XY E XY Cov
dado que
( ) ( ) ( )
9
17
2 2
= = X E X E X Var
y
( ) ( ) ( )
162
13
2 2
= = Y E Y E Y Var
el coeficiente de correlacin es

( ) 0951 . 0
162
13
9
17
27
1
=
|
.
|
\
|
|
.
|
\
|
= XY p

Sean Y
1
y Y
2
dos variables aleatorias discretas con la distribucin de probabilidad
conjunta. Hallar el valor de la covarianza.

Y1

1 1.16 3.16 1.16
0 3.16 0 3.16
1 1.16 3.16 1.16

las probabilidades marginales de p
1
(-1), p
2
(-1) = 5/16, p
1
(0) p
2
(0) = 6/16 y p
1
(1) p
2
(1)
= 5/16. en la esquina superior izquierda nos da p(1,-1) = 1/16

p( 1, 1) = p
1
(1) p
2
(1)

Entonces E(Y
1
) = E(Y
2
) o tambin

E(Y
1
, Y
2
)

2
2 , 1 2 1
1
) (
y y
y y p y y

(1)(1) (1/16) +(0) (1) (3/16) + ... + (1)(1)(1/16) 0

as

142
.
.
.
.
.
.
.
.
.

Cov (Y
1
,Y
2
) = E(Y
1
, Y
2
) E(Y
1
) E(Y
2
) = 0

- Obtener la covarianza y el coeficiente de correlacin de X y de Y

Si se toman los valores esperados apropiados, se tiene

= 2T(3) / 3 + T(2) / 3

= 5 / 3 ;

E(X) = 2 / 3
2
(x +xy) exp (-x) dy dx
= 2 / 3
2
(x +x / 2) exp (-x) dx
= 2 / 3
2
x exp (-x) dx + 1 / 3 x exp ( -x ) dx
2
E( X ) = 2 / 3
3 2
(x +x y) exp (-x) dy dx
= 2 / 3
3
x exp (-x) dx + 1 / 3
2
x exp ( -x ) dx

143
.
.
.
.
.
.
.
.
.

= 2T (4) / 3 + T(3) / 3

= 14 / 3 ;

= T(2) / 9 + 1 / 6

= 5 / 9 ;

= 2T(2) / 9 + 1 / 6

= 7 / 18 ;

E( Y ) = 2 / 3
2
(x y+ y ) exp (-x) dy dx
= 1 / 3

x exp (-x) dx + 2 / 9

exp ( -x ) dx
2
E( Y ) = 2 / 3
2 3
(xy + y ) exp (-x) dy dx
= 2 / 9

x exp (-x) dx + 1 / 6

exp ( -x ) dx

E(XY ) = 2 / 3
2 2
(x y + x y ) exp (-x) dy dx

144
.
.
.
.
.
.
.
.
.

= T(3) / 3 + 2T(2) / 9

= 8 / 9 ;

Por lo tanto:

Cov(X, Y) = E (XY) E (X)E (Y) = 8 / 9 (5 / 3)(5 / 9) = -1 / 27.

Var(X) = 17 / 9

Var(Y) = 13 / 162,

p(X , Y) =

= -0.0951

Encuentre E(T), donde T es el tiempo entre llamadas telefnicas consecutivas al centro
de reservaciones y ( ) 0 , 2
2
> =

t e t f
t
T
. Cul es la interpretacin de este valor?

Implcitamente, ( ) 0 = t f
T
, para t < 0. es necesario saber que:
2
0
1
c
dt te
ct
=
}
de lo anterior se sigue que ( ) ( )

} }

= =
0
2
2 dt te dt t tf T E
t
T

( Pues ( ) 0 = t f
T
para t<0 y ( )
t
T
e t f
2
2

=
2
1
2
1
2
2
=
|
.
|
\
|
= Como T es el tiempo que transcurre entre dos llamadas consecutivas,
E(T)=1/2 significa que, en el lmite, se recibe una llamada telefnica cada medio
minuto.

Covarianza

= 1 / 3
2
x exp (-x) dx + 2 / 9

x exp ( -x ) dx
-1 /27

(17/9)(13/162)

145
.
.
.
.
.
.
.
.
.

1.- Sean X y Y dos variables aleatorias con una funcin de densidad conjunta de
probabilidad:

. 1 0 , 0 ) (
3
2
) , ( < < >
+ =

y x e y x y x f
x

1 para cualquier otro valor.

Obtener la covarianza y el coeficiente de correlacin
de X y de Y.

. 1 0 , 0 ) (
3
2
) , ( < < >
+ =

y x e y x y x f
x

1 para otro valor.

} }

+ =
x
x
dydx e xy x x E
0
1
0
2
) (
3
2
) (

}

+ =
x
x
dx e
x
x
0
2
)
2
(
3
2

} }

+ =
x x
x x
dx xe dx e x
0 0
2
3
1
3
2

3
) 2 (
3
) 3 ( 2 I
+
I
=

3
5
) ( = x E

} }

+ =
x
x
dydx e y x x x E
0
1
0
2 3
) (
3
2
) 2 (

} }

+ =
x x
x x
dx e x dx e x
0 0
2 3
3
1
3
2

3
) 3 (
3
) 4 ( 2 I
+
I
=
3
14
) 2 ( = x E

} }

+ =
x
x
dydx e y xy y E
0
1
0
2
) (
3
2
) (

} }

+ =
x x
x x
dx e dx xe
0 0
9
2
3
1

9
2
3
) 2 (
+
I
=
9
5
) ( = y E

146
.
.
.
.
.
.
.
.
.

} }

+ =
x
x
dydx e y xy y E
0
1
0
3 2 2
) (
3
2
) (
=
} }

+
x x
x x
dx e dx xe
0 0
6
1
9
2

18
7
) (
2
= y E

} }

+ =
x
x
dydx e xy y x xy E
0
1
0
2 2
) (
3
2
) (

} }

+ =
x x
x x
dx xe dx e x
0 0
2
9
2
3
1

9
) 2 ( 2
3
) 3 ( I
+
I
=
9
8
) ( = xy E

) ( ) ( ) ( ) , ( y E x E xy E y x Cov + =
|
.
|
\
|
|
.
|
\
|
+ =
9
5
3
5
9
8

27
1
) , ( = y x Cov

Dado que:
9
17
) ( ) ( ) (
2 2
= + = x E x E x Var

162
13
) ( ) ( ) (
2 2
= + = y E y E y Var
El coeficiente de correlacin queda : 0951 . 0
) 162 / 13 )( 9 / 17 (
27
1
) , ( =
= y x

COVARIANZA.

Sean X y Y dos variables aleatorias con distribucin de densidad conjunta de
probabilidad.

147
.
.
.
.
.
.
.
.
.

.
18
7
6
1
9
) 2 ( 2
) X ( E
dx ) x exp( dx ) x exp( x ) X ( E
dydx ) x exp( ) y xy ( ) Y ( E
.
9
5
9
2
3
) 2 (
) Y ( E
dx ) x exp( dx ) x exp( x ) Y ( E
dydx ) x exp( ) y xy ( ) Y ( E
.
3
14
3
) 3 (
3
) 4 ( 2
) X ( E
dx ) x exp( x dx ) x exp( x ) X ( E
dydx ) x exp( ) y x x ( ) X ( E
.
3
5
3
) 2 (
3
) 3 ( 2
) X ( E
dx ) x exp( )
2
x
x ( ) X ( E
dydx ) x exp( ) xy x ( ) X ( E
0
. 1 y 0 , 0 x ) x exp( ) 2 x (
) y , x ( f
2
x
0
6
1
x
0
9
2
2
x
0
1
0
3 2
3
2
2
x
0
9
2
x
0
3
1
x
0
1
0
2
3
2
2
x
0
2
3
1
x
0
3
3
2
2
x
0
1
0
2 3
3
2
2
x
0
3
1
x
0
2
3
2
x
0
2
3
2
x
0
1
0
2
3
2
3
2
= + =
+ =
+ =
= + =
+ =
+ =
= + =
+ =
+ =
= + =
+ =
+ =
+ =
< < > +

=
} }
} }
} }
} }
} }
} }
} }
}
} }
I
I
I I
I I
. COVARIANZA LA OBTENER
punto. otro
para

148
.
.
.
.
.
.
.
.
.

.
27
1
9
5
3
5
9
8
) Y ( E ) X ( E ) XY ( E ) Y , X ( Cov
.
9
8
9
) 2 ( 2
3
) 3 (
) X ( E
dydx ) x exp( ) xy y x ( ) XY ( E
2
x
0
9
2
x
0
2
3
1
2
x
0
1
0
2 2
3
2
=
|
.
|
\
|
|
.
|
\
|
= =
= + =
+ =
+ =
} }
} }

I I

149
.
.
.
.
.
.
.
.
.

0 x s 1 s
8 x y
0 y s x s
0 en otro caso

TEOREMA COV (X
1
, X
2
) = E (X
1
X
2
) - E(X
1
) E(X
2
)

Si X
1
tiene promedio
1
y X
2
tiene promedio
2
, entonces:

COV (X
1
, X
2
) = E (X
1
X
2
) -
1

2

Si X
1
y X
2
son variables aleatorias independientes, entonces E (X
1
X
2
) -
E(X
1
) E(X
2
)

TEOREMA SI X
1
Y

X
2
SON INDEPENDIENTES, ENTONCES COV (X
1
,X
2
)=0

La inversa no es necesariamente valida, es decir, una covarianza cero no quiere decir
que las variables sean independientes.

Es claro que E(X
1
) = E(X
2
) = 0 y que tambin E (X
1
X
2
) = 0, y por lo
tanto la covarianza de este teorema es igual a cero.

Supngase que la fraccin X de atletas hombres y la
fraccin de atletas mujeres que terminaron la carrera
puede describirse por la siguiente funcin de densidad.

f(x,y)

Pruebe que es una funcin de densidad conjunta.

150
.
.
.
.
.
.
.
.
.

0 x s 2 s x 1 3 y
2
+
( )
4
0 y s 1 s
0 en otro caso
f x y , ( )
0
1
x
0
x
y 8x y
(
(
]
d
(
(
]
d :=
f x y , ( ) 8
0
1
x x
x
2
2
|
\
|
|
.
(
(
(
]
d
(
(
(
:=
f x y , ( ) 8
x
4
8
|
\
|
|
.
:=
f x y , ( ) 1 :=

Encontrar g(x) y h(y) para verificar si son variables independientes

g x ( )
0
x
y 8x y
(
(
]
d :=
4x
3
0 x s 1 s
g x ( )
0 En otro Caso
h y ( )
0
1
x 8x y
(
(
]
d :=
4y 0 y s x s
h y ( )
0 En otro Caso

para verificar si son variables independientes f (x, y) = g(x).h(y)

g x ( ) h y ( )
;
f x y , ( ) 8 x y :=

Para f (1,1), tenemos que:

8 16, por lo tanto, son variables dependientes

Funcin de densidad conjunta

sea la funcin

f(x,y)

Verificar si es una funcin de densidad

151
.
.
.
.
.
.
.
.
.

f x y , ( )
0
2
x
0
1
y
x 1 3 y
2
+
( )
4
(
(
(
]
d
(
(
(
]
d 1 :=
f x y , ( )
1
4
0
2
x
0
1
y x 1 3 y
2
+
( )
(
(
]
d
(
(
]
d
(
(
1 :=
f x y , ( )
1
4
0
2
x
0
1
y x
(
(
]
d
(
(
]
d
|
\
|
|
. 0
2
x
0
1
y 3 x y
2
(
(
]
d
(
(
]
d
|
\
|
|
.
+
(
(
1 :=
f x y , ( )
1
4
0
2
x x
(
(
]
d
|
\
|
|
. 0
1
y 1
(
(
]
d
|
\
|
|
.
3
0
2
x x
(
(
]
d
|
\
|
|
.
0
1
y y
2
(
(
]
d
|
\
|
|
.
(
(
(
(
1 :=
f x y , ( )
1
4
2 1 ( ) 3 2
1
3
\
|
|
.
+
(
(
1 :=
f x y , ( ) 1 :=

Por lo tanto, es una funcin de probabilidad

2.- f (x y)
3.- Si son variables independientes.

g x ( )
0
1
y
x 1 3 y
2
+
( )
4
(
(
(
]
d :=
x
2
0 x s 2 s
g x ( )
0 En otro Caso
h y ( )
0
2
x
x 1 3 y
2
+
( )
4
(
(
(
]
d :=
1
2
3
2
y
2
+ 0 y s x s
h y ( )
0 En otro Caso

p xIy ( )
f x y , ( )
h y ( )
:=
p xIy ( )
x 1 3y
2
+
( )
4
1
2
3
2
y
2
+
factor :=

152
.
.
.
.
.
.
.
.
.

0 x s 2 s
1 0 y s 1 s
2y x s
0 en otro caso
f (x, y) = g(x).h(y)
Para f(1,1) = 1 g(1).h(1) = 1

por lo tanto, 1 = 1, son variables independientes

4.-Encontrar el coeficiente de correlacin

x y , ( )
0
73
960
|
\
|
|
.
1
120
1095
|
\
|
|
.
:=
Cov x y , ( )
5
6
4
3
5
8
\
|
|
.
:=
cov x y , ( ) E x y , ( ) E x ( ) E y ( ) :=
E x y , ( )
0
2
x
0
1
y x y
x 1 3y
2
+
( )
(
(
(
(
(
]
d
(
(
(
]
d :=
o y ( ) var y ( ) := var y ( )
7
15
25
64
:=
var y ( ) E y2 ( ) E y ( )
2
:=
E y2 ( )
0
1
y y
2
1
2
3
2
y
2
+
|
\
|
|
.
(
(
(
]
d := E y ( )
0
1
y y
1
2
3
2
y
2
+
|
\
|
|
.
(
(
(
]
d :=
E y2 ( )
0
1
y y
2
h y ( )
(
(
]
d := E y ( )
0
1
y y h y ( )
(
(
]
d :=
o x ( ) var x ( ) := var x ( ) 2
16
9
:=
var x ( ) E x2 ( ) E x ( )
2
:=
E x2 ( )
0
2
x x
2
1
2
x
|
\
|
|
.
(
(
(
]
d := E x ( )
0
2
x x
1
2
x
|
\
|
|
.
(
(
(
]
d :=
E x2 ( )
0
2
x x
2
g x ( )
(
(
]
d := E x ( )
0
2
x x g x ( )
(
(
]
d :=

Dada la Funcin:

f(x,y)

153
.
.
.
.
.
.
.
.
.

1.- Verificar si es una funcin de densidad
f x y , ( )
0
2
x
0
x
2
y 1
(
(
]
d
(
(
]
d :=
f x y , ( )
0
2
x
x
2
|
\
|
|
.
(
(
(
]
d :=
f x y , ( )
x
4
4
|
\
|
|
.
:=
f x y , ( )
4
4
:=

2.- f (x y)
3.- verificar si son variables independientes
f x y , ( )
4
4
:=
g x ( )
0
x
2
y 1
(
(
]
d :=
x
2
0 x s 2 s
g x ( )
0 En otro Caso
h y ( )
0
2
x 1
(
(
]
d :=
2 0 y s x s
h y ( )
0 En otro Caso
p xIy ( )
f x y , ( )
h y ( )
:= p xIy ( )
1
2
:=

Para f(1,1) = 1 g(1).h(1) = 1

son variables independientes

4.- Coeficiente de correlacin

154
.
.
.
.
.
.
.
.
.

x y , ( )
1
2
1
3
x
2

1
3
2
|
\
|
|
.
16 x
3
12 x
4

192
|
\
|
|
.
factor 12 3 2 x
2
+
( )
2
x
3
4 3 x + ( )
:=
Cov x y , ( )
1
2
4
3
x
2
4
\
|
|
.
1
2
1
3
x
2
:=
cov x y , ( ) E x y , ( ) E x ( ) E y ( ) :=
E x y , ( )
0
2
x
0
x
2
y x y 1 ( )
(
(
]
d
(
(
]
d
1
2
:=
o y ( )
16 x
3
12 x
4

192
:=
x
var y ( )
16 x
3
12 x
4

192
:=
x
var y ( ) E y2 ( ) E y ( )
2
:= y2
E y2 ( )
0
x
2
y y
2
2 ( )
(
(
]
d
1
12
x
3
:= E y ( )
0
x
2
y y 2 ( )
(
(
]
d
1
4
x
2
:=
E y2 ( )
0
x
2
y y
2
h y ( )
(
(
]
d
1
12
x
3
:= E y ( )
0
x
2
y y h y ( )
(
(
]
d
1
4
x
2
:=
o x ( ) var x ( )
1
3
2 := var x ( ) 2
16
9
2
9
:=
var x ( ) E x2 ( ) E x ( )
2
:= x2
E x2 ( )
0
2
x x
2
x
2
|
\
|
|
.
(
(
(
]
d 2 := E x ( )
0
2
x x
x
2
|
\
|
|
.
(
(
(
]
d
4
3
:=
E x2 ( )
0
2
x x
2
g x ( )
(
(
]
d 2 := E x ( )
0
2
x x g x ( )
(
(
]
d
4
3
:=

155
.
.
.
.
.
.
.
.
.

Probabilidad conjunta

Determine la probabilidad de que al menos 1/8 de las mujeres que se inscribieron en
el maratn la finalizaron si se sabe que exactamente la mitad de los atletas hombres
la terminaron.

p xIx ( )
0
1
x
1
8
x
y 8 x y
(
(
]
d
(
(
]
d
g x ( )
:=
p xIx ( )
0
1
x 4 x x
2
1
8
|
\
|
|
.
2
(
(
(
(
(
]
d
1
2
:=
p xIx ( ) 4
x
4
4
1
64
x
2
2

|
\
|
|
.
1
2
:=
p xIx ( ) 4
1
4
1
128
\
|
|
.
1
2
:=

11.- Demuestre que no hay un valor K para el cual:

f(x, y) = k y (2y-x) para x = 0,3; y = 0,1,2.

p(0,0) = 0 p(3,0) = 0
p(0,1) = 2k p(3,1) = -k
p(0,2) = 8k p(3,2) = 2k

No existe valor de k, pues no se cumple la condicin en la cual p(x,y) 0 para p(3,1),
por lo tanto, no puede ser esta una funcin de probabilidad

156
.
.
.
.
.
.
.
.
.

0 x s 3 s
a x y + ( )
0 y s 3 s
0 en otro caso
0 x s 3 s 1
27
x y + ( )
0 y s 3 s
0 en otro caso

12.-Sea la funcin :

F(x,y)

La funcin de densidad conjunta del vector aleatorio (x,y)

a) Encuentre el valor de a

f x y , ( )
0
3
x
0
3
y a x y + ( )
(
(
]
d
(
(
]
d := f x y , ( ) a
0
3
x
0
3
y x y + ( )
(
(
]
d
(
(
]
d
(
(
:=

f x y , ( ) a
0
3
x x
(
(
]
d
|
\
|
|
. 0
3
y 1
(
(
]
d
|
\
|
|
.
0
3
x 1
(
(
]
d
|
\
|
|
. 0
3
y y
(
(
]
d
|
\
|
|
.
+
(
(
:=
f x y , ( ) a
9
2
3 3
9
2
+
|
\
|
|
.
:=
1 27a := por lo tanto a
1
27
:=

f(x,y)

b) p(1x2, 1yx2)

p x y , ( )
1
27
1
2
x
1
2
y x y + ( )
(
(
]
d
(
(
]
d :=
f x y , ( ) a
1
2
x x
(
(
]
d
|
\
|
|
. 1
2
y 1
(
(
]
d
|
\
|
|
.
1
2
x 1
(
(
]
d
|
\
|
|
. 1
2
y y
(
(
]
d
|
\
|
|
.
+
(
(
:=
f x y , ( ) a
3
2
1 1
3
2
+
|
\
|
|
.
:=

c)E(x), E(y), y las derivaciones estandar para ambas variables.

157
.
.
.
.
.
.
.
.
.

g x ( )
1
27
0
3
y x y + ( )
(
(
]
d :=
1
9
x
1
6
+ 0 x s 3 s
g x ( )
0 En otro Caso
h y ( )
1
27
0
3
x x y + ( )
(
(
]
d :=
1
6
1
9
y +
0 x s 3 s
h y ( )
0 En otro Caso

E x ( )
0
3
x x g x ( )
(
(
]
d := E x2 ( )
0
3
x x
2
g x ( )
(
(
]
d :=
E x ( )
0
3
x x
1
9
x
1
6
+
|
\
|
|
.
(
(
(
]
d := E x2 ( )
0
3
x x
2
1
9
x
1
6
+
|
\
|
|
.
(
(
(
]
d :=
var x ( ) E x2 ( ) E x ( )
2
:=
var x ( )
15
4
49
16
:= o x ( ) var x ( ) :=
E y ( )
0
3
y y h y ( )
(
(
]
d :=
E y2 ( )
0
3
y y
2
h y ( )
(
(
]
d :=
E y ( )
0
3
y y
1
6
1
9
y +
|
\
|
|
.
(
(
(
]
d :=
E y2 ( )
0
3
y y
2
1
6
1
9
y +
|
\
|
|
.
(
(
(
]
d :=
var y ( ) E y2 ( ) E y ( )
2
:=
var y ( )
15
4
49
16
:= o y ( ) var x ( ) :=

158
.
.
.
.
.
.
.
.
.

p x y , ( ) a x y :=
a
1 := a
15a := por lo tanto a:1/15

p x y , ( ) a
x
y
|
\
|
|
.
:=
a
1 := a
9
2
a := a por lo tanto a:2/9

Conjunta discreta

3.- Determinar el valor de la constante A, de tal manera que las siguientes
funciones representen una distribucin de probabilidad conjunta para las
variables aleatorias discretas X, Y.

b) P(x, y) = a(x-y) x = -2, 0, 2 y = -2,3
c) P(x ,y) = a ( x / y ) x = 1, 2 y = 1,2
e) P(x ,y) = a(x
2
+ y
2
) para las parejas (1,1), (1,3), (2,3)

b)

p(-2,-2) = 0 p(0, 3) = 3a
p(-2, 3) = 5a p(2,-2) = 4a =
p(0, -2) = 2a p(-2, 3) = a

-2 0 2
-2 0 2/15 4/15
3 5/15 3/15 1/15

P(x2, y=1) = 0

P(x>2, y1) = 0

P(x > y ) = p(0,-2) + p(2,-2) = 2/15 + 4/15 = 6/15

P(x + y = 4) = 0

F(2,2) = p(x2, y2) = p(-2,-2) + p(0,-2) + p(2,-2) = 0 + 2/15 + 4/15 = 6/15

F(1,3) = p(x1, y3) = p(-2,-2) + p(-2,3) + p(0,-2) + p(0,3) = 0 + 5/15 + 2/15 + 3/15 =
10/15

c)

p(1,1) = a p(2,1) = 2a
p(1,2) = a/2 p(2,2) = a =

159
.
.
.
.
.
.
.
.
.

p x y , ( ) a x
2
y
2
+
( )
:=
a
1 := a
24a := a por lo tanto a:1/24

1 2
1 2/9 4/9
2 1/9 2/9

P(x2, y=1) = p(1,1) + p(1,2) = 2/9 + 4/9 = 6/9 = 2/3

P(x>2, y1) = 0

P(x > y ) = p(2,1) = 4/9

P(x + y = 4) = p(2,2) = 2/9

F(2,2) = p(x2, y2) = p(1,1) + p(1,2) + p(2,1) + p(2,2) = 2/9 + 1/9 + 4/9 + 2/9 = 9/9
=1

F(1,3) = p(x1, y3) = p(1,1) + p(1,2) = 2/9 + 1/9 + 3/9 = 1/3

d)

p(1,1) = a
p(1,3) = 10a =
p(2,3) = 13a

1 2
1 1/24 0
3 10/24 13/24

P(x2, y=1) = p(1,1) + p(2,1) = 1/24

P(x>2, y1) = 0

P(x > y ) = p(2,1) = 0

P(x + y = 4) = p(1,3) = 10/24

F(2,2) = p(x2, y2) = p(1,1) + p(2,1) = 1/24

F(1,3) = p(x1, y3) = p(1,1) + p(1,3) = 1/24 + 10/24 = 11/24

Dada la sig. Distribucin, calcule:

160
.
.
.
.
.
.
.
.
.

1
1
x 1
1
y
p x y , ( )
=
E x ( )
1
1
x
x g x ( )
=
:=
E y ( )
1
1
y
y h y ( )
=
:= h
E x
2
( )
1
1
x
x
2
g x ( )
=
:= E x
2
( )
1
1
x
x
2
g x ( )
=
:=
E y
2
( )
1
1
y
y
2
h y ( )
=
:= h
-1 1 H(y)
-1 1/8 1/2 5/8
0 0 1/4 1/4
1 1/8 0 1/8
G(x) 2/8 3/4 1

a) Compruebe que es una distribucin de probabilidad:

= 1/8 +1/8 + 0 + 4/8 + 2/8 + 0 = 8/8 = 1


b) Calcule las marginales

h(-1) = 5/8
g(-1) = 2/8
g(x) h( 0) = 1/4 h(x)
g( 1) = 3/4
h( 1) = 1/8

c) Determine si son variables independientes o dependientes

si p(x,y) = g(x) . h(y) son independientes

p(-1,1) = 1/8 ; g(x)=( 2/8 ) ;h(y) = ( 5/8 )

1/8 10/64 por lo tanto, son variables dependientes

d) Calcule la media para cada variable

= (-1)(2/8) + (1)(6/8) = 4/8 = 1/2

= (-1)(5/8) + (0)(2/8) + (1)(1/8) = -4/8 = -1/2

e) Calcula la varianza y la desviacin estndar para ambas variables

= (-1)
2
(2/8) + (1)
2
(6/8) = 4/8 = 1

= (-1)
2
(5/8) + (0)
2
(2/8) + (1)
2
(1/8) = 6/8 = 3/4

161
.
.
.
.
.
.
.
.
.

Var x ( ) E x
2
( )
E x ( )
2
:=
Var y ( ) E y
2
( )
E y ( )
2
:= E
o x ( ) Var x ( ) :=
o y ( ) Var y ( ) :=
E x y , ( )
1
1
x 1
1
y
xy p x y , ( )
=
:=
x y , ( )
Cov x y , ( )
o x ( ) o y ( )
:=
x y , ( )
0 x s 2 s 6 x y
8
2 y s 4 s
0 en otro caso
= 1 (1/2)
2
= 3/4
= 3/4 (-1/2)
2
= 2/4 = 1/2

= 0.866

= 0.707

f) Covarianza

Cov x y , ( ) E x y , ( ) x ( ) y ( ) :=
;

E(x,y) = (-1)(-1)p(-1,-1) + (-1)(0)p(-1,0) + (-1)(1)p(-1,1) + (1)(-1)p(1,-1) + (1)(0)p(1,0) +
(1)(1)p(1,1)

= (1)(1/8) + (-1)(1/8) + (-1)(4/8) + (1)(0) = -4/8 = -1/2

Cov(x,y) = ( -1/2 ) [ ( 3/4) . (1/2) ] = -1/4

g) Coeficiente de correlacin

= ( -1/4 ) / [ (0.866) (0.707) ] = -0.408

6.-Dada la sig. Funcin, determine lo siguiente:

f(x,y)

a) Que es una funcin de densidad.

162
.
.
.
.
.
.
.
.
.
f x y , ( )
0
2
x
2
4
y
6 x y
8
(
(
(
]
d
(
(
(
]
d :=
f x y , ( )
1
8
0
2
x
2
4
y 6
(
(
]
d
(
(
]
d
0
2
x
2
4
y x
(
(
]
d
(
(
]
d +
0
2
x
2
4
y y
(
(
]
d
(
(
]
d +
|
\
|
|
.
:=
f x y , ( )
1
8
6
0
2
x 1
(
(
]
d
|
\
|
|
.
2
4
y 1
(
(
]
d
|
\
|
|
.
(
(
0
2
x x
(
(
]
d
|
\
|
|
. 2
4
y 1
(
(
]
d
|
\
|
|
.

0
2
x 1
(
(
]
d
|
\
|
|
. 2
4
y y
(
(
]
d
|
\
|
|
.

(
(
:=


b) g(x), h(y)

g x ( )
2
4
y
6 x y
8
(
(
(
]
d :=
3
4
1
4
x 0 x s 2 s
g x ( )
0 En otro Caso
h y ( )
0
2
x
6 x y
8
(
(
(
]
d :=
5
4
1
4
y 2 y s 4 s
h y ( )
0 En otro Caso

c) f (x, y) = g(x).h(y)

g x ( ) h y ( ) factor
3 x + ( ) 5 y + ( ) 15 3y 5x xy + :=

f x y , ( ) 6 x y 8 : =

163
.
.
.
.
.
.
.
.
.

Cov x y , ( ) E x y , ( ) x ( ) y ( ) :=
Evaluando para f(1,1)
=

f(x,y) = g(x) . h(y) por lo tanto son variables independientes

d) E(x), E(y)
E x ( )
0
2
x x g x ( )
(
(
]
d :=
E x ( )
0
2
x x
3
4
1
4
x
|
\
|
|
.
(
(
(
]
d
5
6
:=
E y ( )
2
4
y y h y ( )
(
(
]
d :=
E y ( )
2
4
y y
5
4
1
4
y
|
\
|
|
.
(
(
(
]
d
17
6
:=

e) VAR (x), VAR (y), E(x
2
), E(y
2
)

E x2 ( )
0
2
x x
2
g x ( )
(
(
]
d := E y2 ( )
2
4
y y
2
h y ( )
(
(
]
d :=
E x2 ( )
0
2
x x
2
3
4
1
4
x
|
\
|
|
.
(
(
(
]
d :=
E y2 ( )
2
4
y y
2
5
4
1
4
y
|
\
|
|
.
(
(
(
]
d :=
var x ( ) E x2 ( ) E x ( )
2
:= var y ( ) E y2 ( ) E y ( )
2
:=
var x ( ) 1
25
36
:= var y ( )
25
3
289
36
:=

f) Cov (x, y )

E x y , ( )
x0
x1
x
y0
y1
y xy f x y , ( )
(
(
]
d
(
(
]
d :=

164
.
.
.
.
.
.
.
.
.

x y , ( )
Cov x y , ( )
o x ( ) o y ( )
:=
Cov x y , ( ) E x y , ( ) E x ( ) E y ( ) :=
Cov x y , ( )
7
3
5
6
17
6
\
|
|
.
:=

o x ( ) var x ( ) :=
o y ( ) var y ( ) :=

g) Coeficiente de correlacin.

x y , ( )
1
36
1
6
11
|
\
|
|
.
1
6
11
|
\
|
|
.
:=

h) p(1<y<3 x =2)

p yIx ( )
f x y , ( )
g x ( )
:=
x
p yIx ( )
0
2
x
1
3
y
6 x y
8
|
\
|
|
.
(
(
(
]
d
(
(
(
]
d
1
4
6 :=
p yIx ( ) 6x
x
2
2
2x
|
\
|
|
.
:= x
p yIx ( ) 12 2 4 ( ) 6 :=

165
.
.
.
.
.
.
.
.
.

TEOREMA DEL LMITE CENTRAL

El Teorema Central del Lmite dice que si tenemos un grupo numeroso de variables
independientes y todas ellas siguen el mismo modelo de distribucin (cualquiera que
ste sea), la suma de ellas se distribuye segn una distribucin normal.

Ejemplo: la variable "tirar una moneda al aire" sigue la distribucin de Bernouilli. Si
lanzamos la moneda al aire 50 veces, la suma de estas 50 variables (cada una
independiente entre si) se distribuye segn una distribucin normal.

Este teorema se aplica tanto a suma de variables discretas como de variables
continuas.
Los parmetros de la distribucin normal son:
Media: (media de la variable individual multiplicada por el nmero de variables
independientes)
Varianza: de
variables individuales).
EJEMPLO 1. Se lanza una moneda al aire 100 veces, si sale cara le damos el
valor 1 y si sale cruz el valor 0. Cada lanzamiento es una variable independiente que
se distribuye segn el modelo de Bernouilli, con media 0,5 y varianza 0,25. Calcular
la probabilidad de que en estos 100 lanzamientos salgan ms de 60 caras.
La variable suma de estas 100 variables independientes se distribuye, por tanto,
segn una distribucin normal.
Media = 100 * 0,5 = 50
Varianza = 100 * 0,25 = 25
Para ver la probabilidad de que salgan ms de 60 caras calculamos la variable normal
tipificada equivalente:

166
.
.
.
.
.
.
.
.
.

(*) 5 es la raz cuadrada de 25, o sea la desviacin tpica de esta distribucin.
Por lo tanto:
P (X > 60) = P (Y > 2,0) = 1- P (Y < 2,0) = 1 - 0,9772 = 0,0228
Es decir, la probabilidad de que al tirar 100 veces la moneda salga ms de 60 caras
es tan slo del 2,28%.
EJEMPLO 2. La renta media de los habitantes de un pas se distribuye
uniformemente entre 4,0 millones ptas. y 10,0 millones ptas. Calcular la probabilidad
de que al seleccionar al azar a 100 personas la suma de sus rentas supere los 725
millones ptas.
Cada renta personal es una variable independiente que se distribuye segn una
funcin uniforme. Por ello, a la suma de las rentas de 100 personas se le puede
aplicar el Teorema Central del Lmite.
La media y varianza de cada variable individual es:
= (4 + 10 ) / 2 = 7
= (10 - 4)^2 / 12 = 3
Por tanto, la suma de las 100 variables se distribuye segn una normal cuya media y
varianza son:
Media: = 100 * 7 = 700
Varianza:
Para calcular la probabilidad de que la suma de las rentas sea superior a 725 millones
ptas, comenzamos por calcular el valor equivalente de la variable normal tipificada:
Luego:
P (X > 725) = P (Y > 1,44) = 1 - P (Y < 1,44) = 1 - 0,9251 = 0,0749

167
.
.
.
.
.
.
.
.
.

Es decir, la probabilidad de que la suma de las rentas de 100 personas
seleccionadas al azar supere los 725 millones de pesetas es tan slo del 7,49%

EJEMPLO 3. En una asignatura del colegio la probabilidad de que te saquen a
la pizarra en cada clase es del 10%. A lo largo del ao tienes 100 clases de esa
asignatura. Cul es la probabilidad de tener que salir a la pizarra ms de 15 veces?
Se vuelve a aplicar el Teorema Central del Lmite.
Salir a la pizarra es una variable independiente que sigue el modelo de distribucin
de Bernouilli:
"Salir a la pizarra", le damos el valor 1 y tiene una probabilidad del 0,10
"No salir a la pizarra", le damos el valor 0 y tiene una probabilidad del 0,9
La media y la varianza de cada variable independiente es:
= 0,10
= 0,10 * 0,90 = 0,09
Por tanto, la suma de las 100 variables se distribuye segn una normal cuya media y
varianza son:
Media : = 100 * 0,10 = 10
Varianza : 9
Para calcular la probabilidad de salir a la pizarra ms de 15 veces, calculamos el valor
equivalente de la variable normal tipificada:

Luego:
P (X > 15) = P (Y > 1,67) = 1 - P (Y < 1,67) = 1 - 0,9525 = 0,0475
Es decir, la probabilidad de tener que salir ms de 15 veces a la pizarra a lo largo del
curso es tan slo del 4,75%.

168
.
.
.
.
.
.
.
.
.

EJ EMPLO 1.- Los resultados de las pruebas finales de todos los alumnos del ltimo
ao de las preparatorias de cierto estado tienen una media de 60 y una varianza de 64.
Una generacin especfica de cierta preparatoria n = 100 alumnos tuvo una media de 58.
Puede afirmarse que esta preparatoria sea inferior? (Calcular la probabilidad de que la
media muestral sea a lo ms 58 cuando n = 100.)

SOLUCIN Sea Y la media de una muestra aleatoria de n = 100 calificaciones de una
poblacin con = 60 y o
2
= 64. Se desea aproximar P(Y s 58). Sabemos del Teorema
que ( ) o / Y n es aproximadamente una variable aleatoria normal estndar, que
denotaremos por Z. Por tanto:

( ) ( ) 0062 . 5 . 2
100 / 64
60 58
58 = s = |
.
|
\
|
s ~ s Z P Z P Y P

Mediante la Tabla 4 del Apndice III.
Ya que la probabilidad es tan pequea, es poco probable que se pueda considerar a esa
generacin estudiada como una muestra aleatoria de una poblacin con =60 y o
2
=64.
Se puede afirmar que la calificacin promedio para esta preparatoria es menor que el
promedio global de = 60.

EJ EMPLO 2.- Los tiempos de espera para los clientes que pasan por una caja
registradora a la salida de una tienda de menudeo son variables aleatorias
independientes con una media de 1.5 minutos y una varianza de 1.0. Aproxime la
probabilidad de que se pueda atender a 100 clientes en menos de 2 horas.

SOLUCIN Si Y
i
denota el tiempo de espera para el isimo cliente, entonces se desea
calcular.
( ) 20 . 1
100
120
120
100
1
s =
|
.
|
\
|
s = |
.
|
\
|
s
=
Y P Y P Y P
i
i

Ya que el tamao de la muestra es grande, el teorema del lmite central establece que Y
es aproximadamente una distribucin normal con media = 1.5 y varianza
. 100 / 0 . 1 /
2 2
= = n
y
o o Por lo tanto,

( ) |
.
|
\
|
s
= s
100 / 1
50 . 1 20 . 1
100 / 1
50 . 1
20 . 1
Y
P Y P
( ) | | ( ) 0013 . 0 3 100 5 . 1 2 . 1 = s = s ~ Z P Z P
De la tabla 4 del Apndice III.
As la probabilidad de que se pueda atender a 100 clientes en menos de 2 horas es
aproximadamente 0.0013.

EJ EMPLO 3.- Considere el experimento de lanzar un dado 30 veces y anotar sus
resultados. Este experimento se realiza 56 veces para obtener 56 valores de x .

SOLUCIN Segn el teorema del lmite central, cabe esperar que el histograma de
estos datos tenga forma aproximada de campana. El centro de la campana se ubicara
cerca de 3.5, el valor verdadero de ; la varianza de los datos de ser cercana a 0.0973, el

169
.
.
.
.
.
.
.
.
.

valor verdadero de o
2
/n, y la desviacin estndar de los datos ha de aproximarse
satisfactoriamente al valor real del error estndar de la media, 0.3119. La figura 7.6
muestra el histograma de los datos del ejemplo.
Note que la forma de campana es imperfecta. Se observa una leve desviacin a la
derecha, resultante de que se obtuvieron unos cuantos valores de x relativamente altos
en el experimento. La media de estos datos es 3.548, un poco mayor que la media
verdadera de 3.5; la varianza muestra es de 0.0911, levemente menor que el valor
terico de 0.0973, y el valor estimado del error estndar de la media basado en estos
datos es 0.3019, apenas menor que el valor terico de 0.3119. Al aumentar el tamao de
la muestra en el cual se basa cada valor de , se espera que el histograma tenga forma de
campana ms pronunciada y que las estimaciones de la media, la varianza y la
desviacin estndar de x guarden concordancia ms estrecha con la predicciones
tericas.

Regresin lineal

La forma de una funcin f puede ser algo de la forma

170
.
.
.
.
.
.
.
.
.

Por el momento no pretendemos encontrar relaciones tan complicadas entre
variables, pues nos vamos a limitar al caso de la regresin lineal. Con este
tipo de regresiones nos conformamos con encontrar relaciones funcionales de
tipo lineal, es decir, buscamos cantidades a y b tales que se pueda escribir
como:

Con el menor error posible entre e Y, o bien

De forma que sea una variable que toma valores prximos a cero.

Por tanto:
- Si b>0, las dos variables aumentan o disminuyen a la vez;
- Si b<0, cuando una variable aumenta, la otra disminuye.
Por tanto, en el caso de las variables peso y altura lo lgico ser encontrar que
b>0.
El problema que se plantea es entonces el de cmo calcular las cantidades a y
b a partir de un conjunto de n observaciones

De forma que se minimice el error. Las etapas en que se divide el proceso que
vamos a desarrollar son:
1. Dadas dos variables X, Y, sobre las que definimos

Medimos el error que se comete al aproximar Y mediante calculando
la suma de las diferencias entre los valores reales y los aproximados al
cuadrado (para que sean positivas y no se compensen los errores):

2. Una aproximacin de Y, se define a partir de dos cantidades a y b. Vamos a
calcular aquellas que minimizan la funcin

171
.
.
.
.
.
.
.
.
.

3. Posteriormente encontraremos frmulas para el clculo directo de a y b que
sirvan para cualquier problema.
Regresin de Y sobre X
Para calcular la recta de regresin de Y sobre X nos basamos en la figura.

Figura: Los errores a minimizar son las cantidades

Una vez que tenemos definido el error de aproximacin mediante la relacin,
las cantidades que lo minimizan se calculan derivando con respecto a ambas e
igualando a cero (procedimiento de los mnimos cuadrados):

172
.
.
.
.
.
.
.
.
.

Se denomina ecuaciones normales. La primera se escribe como

Sustituyendo se tiene que

Lo que nos da las relaciones buscadas:

La cantidad b se denomina coeficiente de regresin de Y sobre X.
Regresin de X sobre Y
Las mismas conclusiones se sacan cuando intentamos hacer la regresin de X
sobre Y, pero atencin!: Para calcular la recta de regresin de X sobre Y es
totalmente incorrecto despejar de

173
.
.
.
.
.
.
.
.
.

Pues esto nos da la regresin de X sobre , que no es lo que buscamos. La
regresin de X sobre Y se hace aproximando X por , del modo

Donde:


Ejemplo 1. En una muestra de 1.500 individuos se recogen datos sobre dos
medidas antropomtricas X e Y. Los resultados se muestran resumidos en los
siguientes estadsticos:

Obtener el modelo de regresin lineal que mejor aproxima Y en funcin de X.
Utilizando este modelo, calcular de modo aproximado la cantidad Y esperada
cuando X=15.

174
.
.
.
.
.
.
.
.
.

Solucin:
Lo que se busca es la recta, que mejor aproxima los valores de Y (segn el
criterio de los mnimos cuadrados) en la nube de puntos
que resulta de representar en un plano (X,Y) las 1.500
observaciones. Los coeficientes de esta recta son:

As, el modelo lineal consiste en:

Por tanto, si x=15, el modelo lineal predice un valor de Y de:

En este punto hay que preguntarse si realmente esta prediccin puede
considerarse fiable. Para dar una respuesta, es necesario estudiar propiedades
de la regresin lineal que estn a continuacin.
Propiedades de la regresin lineal
Una vez que ya tenemos perfectamente definida , (o bien ) nos
preguntamos las relaciones que hay entre la media y la varianza de esta y la de
Y (o la de X). La respuesta nos la ofrece la siguiente proposicin:
Proposicin
En los ajustes lineales se conservan las medias, es decir

En cuanto a la varianza, no necesariamente son las mismas para los
verdaderos valores de las variables X e Y y sus aproximaciones y , pues
slo se mantienen en un factor de r
2
, es decir,

Demostracin
Basta probar nuestra afirmacin para la variable Y, ya que para X es totalmente
anlogo:

175
.
.
.
.
.
.
.
.
.

Donde se ha utilizado la magnitud que denominamos coeficiente de
correlacin, r, y que ya definimos anteriormente como

Observacin
Como consecuencia de este resultado, podemos decir que la proporcin de
varianza explicada por la regresin lineal es del .

La cantidad que le falta a la varianza de regresin , para llegar
hasta la varianza total de Y, , es lo que se denomina varianza residual,
que no es ms que la varianza de , ya que

El tercer sumando se anula segn las ecuaciones normales expresadas:

Por ello

176
.
.
.
.
.
.
.
.
.

Obsrvese que entonces la bondad del ajuste es

Para el ajuste contrario se define el error como , y su varianza residual
es tambin proporcional a 1-r
2
:

Y el coeficiente de determinacin (que sirve para determinar la bondad del
ajuste de X en funcin de Y) vale:

Lo que resumimos en la siguiente proposicin:
Proposicin
Para los ajustes de tipo lineal se tiene que los dos coeficientes de
determinacin son iguales a r
2
, y por tanto representan adems la proporcin
de varianza explicada por la regresin lineal:

Por ello:
- Si el ajuste es bueno (Y se puede calcular de modo bastante
aproximado a partir de X y viceversa).
- Si las variables X e Y no estn relacionadas (linealmente al
menos), por tanto no tiene sentido hacer un ajuste lineal. Sin embargo
no es seguro que las dos variables no posean ninguna relacin en el
caso r=0, ya que si bien el ajuste lineal puede no ser procedente tal vez
otro tipo de ajuste s lo sea.

177
.
.
.
.
.
.
.
.
.

Ejemplo 2. De una muestra de ocho observaciones conjuntas de valores de
dos variables X e Y, se obtiene la siguiente informacin:

Calcule:
1. La recta de regresin de Y sobre X. Explique el significado de los
parmetros.
2. El coeficiente de determinacin. Comente el resultado e indique el
tanto por ciento de la variacin de Y que no est explicada por el modelo
lineal de regresin.
3. Si el modelo es adecuado, cul es la prediccin para x=4.
Solucin:
1. En primer lugar calculamos las medias y las covarianza entre ambas
variables:

Con estas cantidades podemos determinar los parmetros a y b de la
recta. La pendiente de la misma es b, y mide la variacin de Y cuando X
aumenta en una unidad:

Al ser esta cantidad negativa, tenemos que la pendiente de la recta es
negativa, es decir, a medida que X aumenta, la tendencia es a la
disminucin de Y. En cuanto al valor de la ordenada en el origen, a,
tenemos:

As, la recta de regresin de Y como funcin de X es:

2. El grado de bondad del ajuste lo obtenemos a partir del coeficiente de
determinacin:

178
.
.
.
.
.
.
.
.
.

Es decir, el modelo de regresin lineal explica el de la variabilidad de
Y en funcin de la de X. Por tanto queda un de variabilidad no
explicada.

3. La prediccin que realiza el modelo lineal de regresin para x=4 es:

La cual hay que considerar con ciertas reservas, pues como hemos visto
en el apartado anterior, hay una razonable cantidad de variabilidad que
no es explicada por el modelo.

179
.
.
.
.
.
.
.
.
.

Regresin no lineal
La regresin lineal no siempre da buenos resultados, porque a veces la
relacin entre Y y X no es lineal sino que exhibe algn grado de curvatura. La
estimacin directa de los parmetros de funciones no-lineales es un proceso
bastante complicado. No obstante, a veces se pueden aplicar las tcnicas de
regresin lineal por medio de transformaciones de las variables originales.

Una funcin no-lineal que tiene muchas aplicaciones es la funcin exponencial:
Y = AX
b

Donde A y b son constantes desconocidas. Si aplicamos logaritmos, esta
funcin tambin puede ser expresada como:
log(Y) = log(A) + b.log(X)
Consideremos ahora la siguiente regresin lineal:
log(Y) = b
0
+ b
1
log(X)
En esta regresin (denominada regresin doble-log), en lugar de calcular la
regresin de Y contra X, calculamos la regresin del logaritmo de Y contra el
logaritmo de X. Comparando estas dos ecuaciones, podemos apreciar que el
coeficiente es un estimador de log(A), mientras que es un estimador de b (el
exponente de la funcin exponencial). Este modelo es particularmente
interesante en aplicaciones economtricas, porque el exponente b en una
funcin exponencial mide la elasticidad de Y respecto de X.
La forma de la funcin f en principio podra ser arbitraria, y tal vez se tenga que
la relacin ms exacta entre las variables peso y altura definidas anteriormente
sea algo de la forma
3.1

180
.
.
.
.
.
.
.
.
.


con el menor error posible entre e Y, o bien

de forma que sea una variable que toma valores prximos a cero.
Observacin
Obsrvese que la relacin explica cosas como que si X vara en 1 unidad,
vara la cantidad b. Por tanto:
b>0.

de forma que se minimice el error. Las etapas en que se divide el proceso que
vamos a desarrollar son de forma esquemtica, las que siguen:

181
.
.
.
.
.
.
.
.
.

1.
Dadas dos variables X, Y, sobre las que definimos

medimos el error que se comete al aproximar Y mediante calculando

2.
Una aproximacin de Y, se define a partir de dos
cantidades a y b. Vamos a calcular aquellas que minimizan la funcin

3.
Posteriormente encontraremos frmulas para el clculo directo de a y b
que sirvan para cualquier problema.

Regresin de Y sobre X
Para calcular la recta de regresin de Y sobre X nos basamos


182
.
.
.
.
.
.
.
.
.

Una vez que tenemos definido el error de aproximacin mediante la relacin
(3.13) las cantidades que lo minimizan se calculan derivando con respecto a
ambas e igualando a cero (procedimiento de los mnimos cuadrados):

La relacin (, no es ms que otra manera de escribir la relacin , que se
denomina ecuaciones normales. La primera de se escribe como

183
.
.
.
.
.
.
.
.
.

Sustituyendo se tiene que

Lo que nos da las relaciones buscadas:

La cantidad b se denomina coeficiente de regresin de Ysobre X.
Regresin de X sobre Y
Las mismas conclusiones se sacan cuando intentamos hacer la regresin de X
sobre Y, pero atencin!: Para calcular la recta de regresin de X sobre Y es
totalmente incorrecto despejar de

Pues esto nos da la regresin de X sobre , que no es lo que buscamos. La
regresin de X sobre Y se hace aproximando X por , del modo

donde

184
.
.
.
.
.
.
.
.
.

pues de este modo se minimiza, en el sentido de los mnimos cuadrados, los
errores entre las cantidades x
i
y las

Figura: Los errores a minimizar son las
cantidades

La forma de la funcin f en principio podra ser arbitraria, y tal vez se tenga que
la relacin ms exacta entre las variables peso y altura definidas anteriormente
sea algo de la forma


con el menor error posible entre e Y, o bien

de forma que sea una variable que toma valores prximos a cero.

Por tanto:
b>0.

185
.
.
.
.
.
.
.
.
.

de forma que se minimice el error. Las etapas en que se divide el proceso que
vamos a desarrollar son de forma esquemtica, las que siguen:

1. Dadas dos variables X, Y, sobre las que definimos

medimos el error que se comete al aproximar Y mediante calculando

2. Una aproximacin de Y, se define a partir de dos cantidades a y b.
Vamos a calcular aquellas que minimizan la funcin

3. Posteriormente encontraremos frmulas para el clculo directo de a y b que
sirvan para cualquier problema.

Ejemplos.

Ejemplo 1.
En una muestra de 1.500 individuos se recogen datos sobre dos medidas
antropomtricas X e Y. Los resultados se muestran resumidos en los siguientes
estadsticos:

Obtener el modelo de regresin lineal que mejor aproxima Y en funcin de X.
Utilizando este modelo, calcular de modo aproximado la cantidad Y esperada
cuando X=15.

Solucin:
Lo que se busca es la recta, , que mejor aproxima los valores de Y
(segn el criterio de los mnimos cuadrados) en la nube de puntos que resulta
de representar en un plano (X,Y) las 1.500 observaciones. Los coeficientes de
esta recta son:

As, el modelo lineal consiste en:

186
.
.
.
.
.
.
.
.
.

Por tanto, si x=15, el modelo lineal predice un valor de Y de:

En este punto hay que preguntarse si realmente esta prediccin puede
considerarse fiable. Para dar una respuesta, es necesario estudiar propiedades
de la regresin lineal que estn a continuacin.

Ejemplo 2.
De una muestra de ocho observaciones conjuntas de valores de dos variables
X e Y, se obtiene la siguiente informacin:

Calcule:
1. La recta de regresin de Y sobre X. Explique el significado de los
parmetros.
2. El coeficiente de determinacin. Comente el resultado e indique el
tanto por ciento de la variacin de Y que no est explicada por el modelo
lineal de regresin.
3. Si el modelo es adecuado, cul es la prediccin para x=4.
Solucin:
1. En primer lugar calculamos las medias y las covarianza entre ambas
variables:

Con estas cantidades podemos determinar los parmetros a y b de la
recta. La pendiente de la misma es b, y mide la variacin de Ycuando X
aumenta en una unidad:

Al ser esta cantidad negativa, tenemos que la pendiente de la recta es
negativa, es decir, a medida que X aumenta, la tendencia es a la
disminucin de Y. En cuanto al valor de la ordenada en el origen, a,
tenemos:

As, la recta de regresin de Y como funcin de X es:

2. El grado de bondad del ajuste lo obtenemos a partir del coeficiente de
determinacin:

Es decir, el modelo de regresin lineal explica el de la variabilidad de

187
.
.
.
.
.
.
.
.
.

Y en funcin de la de X. Por tanto queda un de variabilidad no
explicada.

3. La prediccin que realiza el modelo lineal de regresin para x=4 es:

la cual hay que considerar con ciertas reservas, pues como hemos visto
en el apartado anterior, hay una razonable cantidad de variabilidad que
no es explicada por el modelo.

Ejemplo 3.
En un grupo de 8 pacientes se miden las cantidades antropomtricas peso y
edad, obtenindose los siguientes resultados:
Resultado de las mediciones
edad 12 8 10 11 7 7 10 14
peso 58 42 51 54 40 39 49 56
Existe una relacin lineal importante entre ambas variables? Calcular la recta
de regresin de la edad en funcin del peso y la del peso en funcin de la
edad. Calcular la bondad del ajuste En qu medida, por trmino medio, vara
el peso cada ao? En cunto aumenta la edad por cada kilo de peso?
Solucin:
Para saber si existe una relacin lineal entre ambas variables se calcula el
coeficiente de correlacin lineal, que vale:

ya que
Por tanto el ajuste lineal es muy bueno. Se puede decir que el ngulo entre el
vector formado por las desviaciones del peso con respecto a su valor medio y
el de la edad con respecto a su valor medio, , es:

es decir, entre esos vectores hay un buen grado de paralelismo (slo unos 19
grados de desviacin).
La recta de regresin del peso en funcin de la edad es

188
.
.
.
.
.
.
.
.
.

La recta de regresin de la edad como funcin del peso es

que como se puede comprobar, no resulta de despejar en la recta de regresin
de Y sobre X.
La bondad del ajuste es

por tanto podemos decir que el de la variabilidad del peso en funcin de
la edad es explicada mediante la recta de regresin correspondiente. Lo mismo
podemos decir en cuanto a la variabilidad de la edad en funcin del peso. Del
mismo modo puede decirse que hay un de varianza que no
es explicada por las rectas de regresin. Por tanto la varianza residual de la
regresin del peso en funcin de la edad es

y la de la edad en funcin del peso:

Por ltimo la cantidad en que vara el peso de un paciente cada ao es, segn
la recta de regresin del peso en funcin de la edad, la pendiente de esta recta,
es decir, b
1
=2,8367 Kg/ao. Cuando dos personas difieren en peso, en
promedio la diferencia de edad entre ambas se rige por la cantidad b
2
=0,3136
aos/Kg de diferencia.

Ejemplo: vamos a calcular la recta de regresin de la siguiente serie de
datos de altura y peso de los alumnos de una clase. Vamos a considerar que
la altura es la variable independiente "x" y que el peso es la variable
dependiente "y" (podamos hacerlo tambin al contrario):
Alumno Estatura Peso Alumno Estatura Peso Alumno Estatura Peso
x x x x x x x x x
Alumno
1
1,25 32
Alumno
11
1,25 33
Alumno
21
1,25 33
Alumno
2
1,28 33
Alumno
12
1,28 35
Alumno
22
1,28 34
Alumno
3
1,27 34
Alumno
13
1,27 34
Alumno
23
1,27 34

189
.
.
.
.
.
.
.
.
.

Alumno
4
1,21 30
Alumno
14
1,21 30
Alumno
24
1,21 31
Alumno
5
1,22 32
Alumno
15
1,22 33
Alumno
25
1,22 32
Alumno
6
1,29 35
Alumno
16
1,29 34
Alumno
26
1,29 34
Alumno
7
1,30 34
Alumno
17
1,30 35
Alumno
27
1,30 34
Alumno
8
1,24 32
Alumno
18
1,24 32
Alumno
28
1,24 31
Alumno
9
1,27 32
Alumno
19
1,27 33
Alumno
29
1,27 35
Alumno
10
1,29 35
Alumno
20
1,29 33
Alumno
30
1,29 34
El parmetro "b" viene determinado por:
b =
(1/30) * 1,034
----------------------------------------- = 40,265
(1/30) * 0,00856
Y el parmetro "a" por:
a = 33,1 - (40,265 * 1,262) = -
17,714
Por lo tanto, la recta que mejor se ajusta a esta serie de datos es:
y = -17,714 + (40,265 *
x)
Esta recta define un valor de la variable dependiente (peso), para cada valor de
la variable independiente (estatura):
Estatura Peso
x X
1,20 30,6
1,21 31,0
1,22 31,4
1,23 31,8
1,24 32,2
1,25 32,6
1,26 33,0
1,27 33,4

190
.
.
.
.
.
.
.
.
.

1,28 33,8
1,29 34,2
1,30 34,6

Apuntes de Probabilidad y Estadística

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Apuntes de Probabilidad y Estadística

Transféré par

Droits d'auteur :

Formats disponibles

Pgina 1 de 190

(v),se encuentra la hilera con grados de libertad v y

89a := a por lo tanto a:1/89

de lo anterior se sigue que ( ) ( )

< < > +

15a := por lo tanto a:1/15

24a := a por lo tanto a:1/24

Vous aimerez peut-être aussi