APINTES de (STADSTIC . APUMTCES de CSTADISTICA sary Cnn del Valle g ca| Apuntes de Estadistica Alejandro Garcia del VallePREFACIO. Esta primera eicién de “Apunts de Esadistca” seh efecundo con el énimo de ayudar aos alunos de segundo cus de Inger Superior Industria e a Escuela Politénice Superior {ela Universidad de La CorutaenFerol. Los apuntes se cen exrechamente al programa de 4 asigntura al como ha quedado ea ef nuevo Pan de Estudios: comprende 74 erédtos (75 horas de clases: teria pric) dstribuidos alo largo de un oatrimestre Paral aboracion de estos apuntes se ha tesido en eunta que la asgnatra se ha redcdo en ‘cuanto anime de ert con respecto al anterior plan deestudios. También se ha proc do profndizar en a losoia del evo plan elsborando un programa que tengs muy presente Jas aplicaciones pela dela Extadiica en las diferentes raras de a industria, En fa redaccién del obra ba itido mi experiencia conseguids en los curs de tora de probabildaes yesadsicaimpanidos ante diversos pblco (slranos de escuela de ingen a yprofesonales co a carrera ya acaba). La dispoiitide y abaratamiento de los eomputadores personales (PC's) junto on vn so- ware de gran calidad ba fcitado notablemente el mango de datos esadisticos asi como Ia posiildad de resolver problemas mis “reales, sn limitare a casos con pocs datos. Por este ‘motivo, el curso se complements con preticas por ordenador. Todos os comentarios y sugeenias que puedan contr ala mejor de estos apuntessrin _prataente recibidos. Alsjaniro Garcia det Valle Ferrol, 1 de Septiembre de 198CariTuL01 INTRoDUCCION A. INTROOUCCION snes 2. FeNoMeNos ALEATORIOS. 3. IFERENCIA ESTADISTICA.. 4. ETAPAS DE UNAINVESTIONCION ESTADISTIC.. 15 5, ANALISIS DE LAS PRINCIPALES PARTES DE LA ASIONATURA. 15 15 6. PROBLEMAS...4. twrroouecion La Estadistia es un metodo cientlco de invesigacin emplesdo en la tom de decisions Fente a sincertiumbre, pariendo de datos mumsios y caleland los riesgos de eens dei- Exsten dos ips de incertdumbre, Uno es la sletoriedad por empl a lant una moneda se tienen dos resultados, carey cru, pero no se sabe cual va a salir cuando se eféctie una ‘prucha.Aceptaria Vd. jugar con una moneda el siguieate forma: gana 5 pesetas cada ver (que slga cara y paga 1 pesca cad vez que salga crux? El segundo tipo de incertidumbre surge dea problemitica de no conocer a moneda La decision ala pregunta anterior es complicad, A primera vista parece que es acepable,s: vo que la moneda no ss perfectay este rucads Pare resolver ncertidumbre deforma es Asia se dberaexperimentar con la mone y observar la regulariétd de los restados. Se Pngase ques lanza 10 veces y lat 10 sale eruz Caria sospechs entoes qu la moneda 20 ‘escorecta y detnar la fein La decisibn basa en resultados muméiosy la probabidad del resultado esl que se lama ‘ecisién estadistica, Los resultados iforman acerca del estado natural del problema. A patie 4e los sale a decision que se ha de tomar as coms el asgo de una acién erica En este casos introdvcen los conceposfandamestales y ls métodos mas importantes dels Estadisticajnto con eemplosprctioos,eeciciosy preguntas sobre cada uno dels concep- tos fundameatales. Se supe que el alunno al ver fealzaprctcas por ordeaaor emplea do distintospaquees de software ‘Uno de los instrumentos fundamentals de I estadisica es Ia probbilidad, qe se remonts 2 los juegos de azar ene plo XVIL En todos ellos se presenan I incertsumbe la regular ad del resultado sendo I probabiidad una mea del rego, ‘La Estadisticas ha vedo empleando, desde hace unos centenares de fos, por los gobeman tes y como ayude en laadminsracis, En ls atgiedad esta retacionada con Io mili, la politica y los impuestos, Fundamentalmente se edn coleccona series de datos relatives a |a poblacin la produciin agricola, ec. Con la expansién dela burguesiay las aspiraciones de poder econénico se comienzaa recog datos econdmicos relativs al comer, los productos ‘manufacturados yl alientacién. Un tabs fundamental eala recog y desripcin de los dats, con la exension de ordenador apace una expansién dl adi de datos y el desaro- lo de los metodos de dcisn estan. Se produce a Is ver uns extensin de los conoc- tientosestaiticos todas as ramas del saber umano, aa sig, ala genic, ala metearo- ogi, ala medicna,y aa economia, yen otras iras de la actividad humana como el trio, or car Soo algunas de ls apliaciaes ea as ques a adaptado, Es mis, todo los eggs tes de los disintosnveles,y por supueso en el universro,y ea todas sus especialidades de- 'benGonocer y saber apiar los métodos de esta parte e las matemitias. El wanceen los o- ‘ocimientos de muchas de eas rams del saber ba exado condcionado al de la estaisic, por ejemplo en Biologia.El anlss de os datos yl toma de decisiones se convieren asl en una parte fundamental de lt svidedprofesonal. Los datos estadiios on canis, expecoty capaces de ser aml zados_objetvamente,pertendo hacer compraciones, y lei alternative, en todas las (Seaciaseingeieras 2. FENOMENOS ALEATORIOS En a experiencia conicate sparecenfenimenos que ain relizindose en ls misma condo res relativas conducen a resultados distin, Tal ee caso por ejemplo de ‘1a produccin anual de trig en un grasa enfuncin de un determinadoferlizate “el porcemaje de pera defectuosas ena proguccién de un miquing ‘los tempos de vids de una sere de bombs producidas ene! mismo proceso de fabri En tales casos cas siempre se encuentra que, a pesar de tomar las mores precauciones para mantener el maximo postle de uniformidad en lar condiciones de fenomeno o experiment, ‘porece una Yarbilidad intinseca_que no es pose dominar. Det a ell, el resultado Cambia de forma irepular ea as repeticionessucesivas ye erutada de wna prucha indivi- dual no puede predecirseexactamente Un fonémenoaleton (stadia 0 a azar) en fenmeno empirca que se caracte- "za por la propiedad de que al realzarse bajo determinakeconjunto de condiciones. ro sempre se obtene el mismo resllad (de manera que no eiste regular deter- ‘minista) sno gue Tos iferenesresnliadasocuren con repulardad etaditica Dos son pues lt cractersicas de un fendmeno ales + ou eardterindeterminado ‘el presentar regulariad estadistica. Esto quiere decir que el pocentje de veces que ‘cure un suceso (Geevencia relativ) tiene a er proximadamente constant lauren: tare nimero de pructa efectundasen las mismas condiciones, Por ejemplo al lamar un éado no podemos predecr cul de los sucess posible 1,2, 3, 4,5 6 6 tend lugar (carter ineterminado) Sin embargo, si el dado es legal (geomézricamente ‘egulary hecho de material homogéneo) poede observe que # te lnza, por emp, 600 ‘veces, cada uno de los mimeros cae hacia aba, mus 0 menos, el mismo nimero de veces es ect, alrededor de 100 veces, con una frecvenca relia de 6 (epularidad etadstica), La nocin de probaiided como valor inte idea de eas fecuencisrlativas et a base del ‘modelo matemitico apropiado para el extudio de estos fendmenos CConsderemos un experimeto aleatorioE (por ejemplo, lanzar una moneda alse). Sea el = 2s A del experimen E (gor ejemplo, obtener cara en el larzamiente). Suponganos que en feaizacions el experimentoE, el suceso A ocue veces, Ese mero eso que se de ‘nomina frecuencia absolua del suceso Ay n/n ea recenciarelativa, omoovecon tg Supongamos que adem se efectian varias secvencias de reptcones dl mismo experimeno E, e forma que se obtenen varias razones freuen ys. paral suceso A En ‘muchoe casos importantes, se _compricba que esas fecuencias relatives diferen muy poco centre sobre todo cutndo los mimes de repeticons n,m, son grandes ‘La misma tendencia ale etabildad se observa anda, en una sla seeuenia de repeticiones Gel experineno E, se taza sobre un diagrama la frecuencia retain del suceso A como ‘ordenada yee relacona con In abeis, que representa el nimeco de reptcones. Results ai ‘ua prifica de tipo general como la repeesentada en lt fgura | en la que aparece claramene la tendenia de as reavencnselaivas a acumlares en torn a valor 0.5, ee 10 | pwr 1 Frac eats el mero de crs beni ana na mot [Nuestro abeivo srt crear un modelo matemitico para Is desripcione interpretacién de os fendmenos que mivesranrepularidad esata, y de mostrar qu este modelo puede emples- ‘separa exter iferencat vidas ls datos exadisicos. El nombre de ete modelo ese! de teoria matematica dela probaiidad .INFERENCA EsTabisnca Ly Esadistica signs, originalmente, el conjunto de datos demogrifics y eoonri- ‘ote importancia vital para el estado. En este momento, la Exadisca es un mitodo cient 0 que Se apica ala ceocias sociales y naturales. El siguiente eemplo muesra las metas y Proposals de aEbrroouccion 14 BJEMPLO ‘Antes de cada cleccion eeftctanencvesss para dteminsr que proporién de gente votard un determinado partido, Consular a todos los vtantes sera logicamente una labor improbe Como nic alteratva se ecure a una muesra de unos cuantos miles con a esperanza de ue sea repesentativa des poblcién, Este es un gemplo de infrecia estado ndussin ‘stadia: deducr las caractertcas de una pobacié a partir de ls earacteisicas parti res de una muestra concreta A partir del proporciin y de persons de a muta que voaria al partido en cueston se puede deteminar la proporcion TI de vanes del prtido en la pblaciin con un pequcio T= pserror Sita mucsta es aleatoray lo suficientemete grande es posible enablecer con un 95% de confaza, que Por ejemplo sie tamafo de lt muestra es 1.000 y 60 son las personas que de esa mesa votarin al partido result = 036+195/250-059) decir: 11=0562003 ‘3%, como un 95% de confi, se esti qu a proporciin de poblaién que var al partido ‘star comprendida ene 053 y 059. Esto se conoe como interalo de conan, La or falda es establece tet 0 pruebas de ‘pies. Pr ejemplo, alguien puede posula qe la proporcion de gente que votara al pat 40 es menor de 0.5. Conn informacion dela massa Se obtenia el intercalo (0.53, 0.59) por ‘unto se debe rechazar ena hipétesis, En resume, la InferenciaEsadistice trata de induc los valores de los parker de la po- basin asocids # un fenémenoaleatorio a partr de una muestra particular extada dela po Uacon y el grado de conianza que puede abuse aos valores dels primo asi oben dos. Tambien ata la Iferencia Estaisica dela acepacin o recto de una hiptess form lads acerca de os valores de os parametos dea poblaion, rman 8 4. ETAPAS DE UNA MVESTIGAGION ESTADISTICA ‘Aunque los problemas que aborda la estaiica sn heterogéneos, en genera sigue as si ‘ieneseupas, 1 Formulaciin 0 definici del problema, Creando concepts pesto, formlando preguntas clas eimporiendo las iniaconesadeeuads al problema en funcién del ‘impo y dinero disponiies la habildad de os invesigndores. 2 Diselo de experimento. Habra que secionar ‘on método extadnico apropado, Aeterminando ef tpo de datos y tamato de la muestra que resolves mis efcazmente problema (formulacién de hpéteisy construc del modelo. Estinacion) 3" Experimentacion o eoleccin de datos. Esa fase debe sujetase a relat exc y sla que mis tempo consume 4 Tabulacion y descripein de los resultados. Poriendo los datos deforma legible © iusrindoos grAScamente 5 Inferencia estaisticay formulacion dela respuesta. Al aplicar el método ext tio selecionado en la segunda etapa, se obtenen concusiones apart de la mest, ‘cera de Ia pobacin comespondiente (ferencia exadstia), 9 se formula laces puesta al probiens plantsdo ‘5. ANAUISIS DE LAS PRINCIPALES PARTES DE LA ASIONATURA stain desriptva Variable alzstoria unidimensional. Disibucones especiales Variable alestora muldinesionl, Corelacion yregresion ‘Teoremasdeliite Mucstrenextadiico Estimacin de parametros Contrast de hipétesis, Control de cldad “Anis doa varianaa 10. Métodos no paramétios 6. Proaenas 1-1. Dé alguna razén por I cul no es posible defn a probeiidad de un sioeso A como e limite dea fecuencarelativa de exe saceso cuando el mimeo de prucastnde a infinite, 1-2: Explque por qué los siguientes fnimenos pueden sero no ser aleatorios: 4) nimeros de jos que tiene una detriada fila 8) mimero de jos que ene una Fi sleccionads al azar | 19) mimero de Stomosfisiondos en una deteminada masa de rari[ coraoa 2 1, ESTADISTICA DESCRDPINA svn 2. TABULACION DE UNA MUESTRA NO AGRUPADA, TABLAS DE FRECUENCAS RELATIVAS Y /ACUMULADAS. REPRESENTACIONES GRAFIOAS cen 22 ‘3. TABULACION DE UNA MUESTRA AGRUPADA. TABLA DE FRECUENCIAS RELATIVAS Y -ACUMULADAS. REPRESENTACIONES GRAFCAS.. . “4, MEDIA VARIANZA DE UNA MUESTRA. VARAKEA MUESTRAL src 6. CALCULO DE LAMEDIAY DELA VARINZA DE UNA MUESTRA AGRUPADA. 5.1. Céloulo de ta media... 5.2, Céleulo de a varanza, 6. Conmmcacion.. 1. OTROS VALORES A DEDUCR DE UNA TABLA DE FRECUENCIAS.. 8, ANAUSIS DE LA ESTABILDAD DE LAS FRECUENCIAS RELATIVAS. 9, PROBLEMAs,1. Estanismica vescRiprva En primer lugar convene introduc una serie de dfniciones: ‘Unidad elemental o dato estaistico. Es una unidad cbsernda con au correspondiente va- lord a caracterisica exaniada, Ls datos extadstios puden sr *) eualiavos: éxito 0 acao, varba 0 hembra, piesa defetosa o buen. También Sellaman airbutos, ‘cuantativs:nimeos diseretos 0 continios, También se man variables ') Dena o varias dimensiones, ‘Poblacion. Es el conjunto de valores observados al examina, en todos los elementos del co letvo, una caractersticamedble X. Puede se ao infita. "jemplos as longtudes del diimetro exterior de las pezas que salen de una fabicacidn, el orcntaje de pizasdefectiosas en los lees de un proces de fabrics, las resienciae de lu determina po de cables eo ‘Universo o coletvo, Es el conjuno de elementos uniddesu objetos sobre los que se reai- lest, "jemplos os inviduos de un hospital, los coches Abiados por una determinada ara, los lentes de una casa comercial, te ‘+ Muestra. Es una poblacin parcial Es un conunto paride datos extadstivosobtenidos al ‘cousderar un parte del univeso ocoletvo yal examina sobre cada uno de ellos Ia earac- ‘ecstica mele X considered, Ejemplos + sien a producciin en serie de tolls se ezopen los producdos en ura hora y al ‘examina el peso decade uno de los e obtene wnt mesa (x, 3%). +3) enun lote de N anicalos se extraen de els (a 0, 0 ym Figura Plone de ee 3. TABULAGION OE UNA MUESTRA AORUPADA. TABLA DE FRECUENCIAS RELATVAS ¥ ACUMULADAS. REPRESENTACIONES GRAFICAS. Supéngase ahora que el conunto de cbseraciones (x Xs, 4) coresponde aun fee ode tipo continuo: + Horas de vida de un pode impara * Altura de los indiviuoe de una comunidad Si estas medias se hace con suiciente procsin e posible que haya muy pocss qe 86 rep: ‘an, augue algunas dieran etre s! may poco, Incas ex posible que sean todas diferedts. Ep ese caso ena tabla de resuencas sera r= neincso = en cay caso es 1, Vi. Un ddagrama de feovencins drs entonce la misma fcounca prs todos los valores de S-H5- que its esarin mis 0 menos proxines. El digrama de baras tend asi una cert forma de spectroEsnoisnenoescnrin 26 ' 1 “TPMT LLLLIMIE | ‘Marcas de clase wonlos puntos medios dels intervals: se Gsgnan por x Xo Se deomina frecuencia absolta de una clase al nimero de valores del muestra que petene- en liner de dct clase Le feewocs eave decane os eee keen ‘vidida por el tamatio de la muestra. Sea de Eta fosuncia relativa, considerads como funsin de as mares de clase, se denomina marcas de clase, se denomia fncion frecuencia dela muestra agrupacey se deots por f(x) ual que ene eas de dace oo seznads La fui de fesuena acura de esta agipad se enor yor FOO Fo Lo La ecuencis relatvas y acumuladss para une Lact atvas yacumulads para una muestra agrpads tiene I Sauente Extremos de [Marcas de] Frecuencia | Frecuencins] Fre. absolatax [Feo oaiivaa tos intervalos| clase | absolutas | relatvas | scumuladas | seamen acm % t N 5 a x) vn [Nim aed a % % nin |Nenm [=f tetas om 4 teminettn [Rt of ine. Rea Se tend en cuenta #8) Se adopt Is ampltdalntervalo de ease deforma que ror cometido al sustir todos los valores de un intervao por una marca de clase vy sen desprecable en el estudio que se rele 1) Se redone el record dela muestra para que resulte muito dela amplitudelegi- 3. En cuanto al nimero de intrvalos no existe una regia general vida para 1odos los casos. Un mero de lists aproximade pusde obtenerse mediate repla de Sturges: k=1433eog0 donde k ese nimero de clases, m el aime de observacions y log es lognritme decimal Por ‘fempo si se hacen 100 observaciones el nimero de cases 1? 33:2 = 7.6 que puede redon rare a § clases. El nimerodefntvo debera estar de acuerdo con eesti que ae este re lzando, de forma que su alimero no se muy pequeo (perderian sigifiado fos datos, y 32 scumulaian erores) muy grande (pues nos difeutaraexrarconclsiones). 1 agrupaniento es iil para obtener reprecenacones gris mis senilas para fenémenos sleatorios de tipo conto y ademisalaran sus propiedadesesencales asi como simpliian ‘muchos datos, pro tiene el inconveniete de pda de infrrmacia y, en conseeveni, sla inferenciaextaisica se basa en os datos ag-upados, se pucden crear problemas de varedad de irados de exacttd que dependerin de lot métodos de inferencia empleados. Se comete el llamado error de agrapamien La representacion dela anterior tba de fecuencss puede hacerse por medio de un rama o por poligones de frecuencia. Un istograma de recunciasreativases un conunto de recténguos gue tenn + bass: enol gj horizontal con centros en as marcas de cls ylongitdes ls de los in- tervaos de ce, + rea: proporcionales ls fecuencias. Si todas ls bases tenn la misma longitu, las lturasserinproporcionals sins recuenciae Polgono de fecuncias esa grifca estate de ni oe puntos medics de spre super eos rectiagulos dl histogama de Gecuenis. I diagrams acamuativo esl rifica de a funcién de feevenis reais acumuladas dele ‘esta unis los puntos consecativos por segmeitos. En ete dingrama ls intervals dem or feeuenca quedan efladosensegmentos de mayor pendentEsratenca nesenerns _Ejemplo con ls nota del eso considera: Frecuencia | Free absoiota | Frecuena overale | absoluta | acumulada | reativa oro ° ° 0.00 1054-20 2 2 002 20530 7 ° 007 Sose4o ry 2 ou 405x250 28 si 028 505x560 n B 02 60x70 20 3 002 Toso 6 006 05x90 1 eo. 010 . toga y pgm de acer de Nets (tras formas de rpresentcin grifica son los modelos de poblaciin: cuando se hace un sgrupamiento en class sucen aparece dagramas de unos eemplos come los ques cian forma Siguiente, que son ipicos de al- Esnotneavesenerua Asma pst eminent 29 Ee 8 Bina Hay oes de oacin mend Por ‘ese une de emptor ‘m0; 2a, 0 2 150 00 450 600 2 ‘Cana se U. Por ep ime dpe sei4, MEDIA Y VARANZA DE UNA MUESTRA. VARIAZA MUESTRAL, Los valores que mis se uilizan en estadistica sn a media arma a desviacion ties 0 2 ciadrado, la Vasanza. A continuacln exponen deiciones yl forma de alulrios Media (e valor medio) de una muestra: Dads una mueste (de tao se de fine la media rsestal por © ‘La media esa principal media de posicin de a datos olendencia cota dela mesa. ‘Se va introduce ahora una medida del “esparcimieno” o “vara de los valores de I rmuesre Considerense ls dos mess siguientes (20,30, 40) y(25, 30,38) Ambus tiene tamao 3y media 30. Sia embargo existe una diferencia esencal entre elas por- {ue los valores de a primera se encventran mis separidos unos deottos (pol tanto, ta ‘in dl valor medio) que los valores dela seguda muestra. Esto nos conde a la necesdad 4eitroducr una medi a varabiidad que dina dos moestras que san como ls ante sores La importancia de esa medida es obvi’ ura pequeta varia en el proceso de po «dcein de un cierto producto puede indcar una ai aida CConsdérese el problema general. Sea una muestra (2, x, %) de media T. En principio podria usar como varacin oa respecto ala medic lsum de as cifrencias con respec al media, pero resulta que (6 -2)+(e- Raf ‘como se puede comprotrficimente. Los valores dela muestra menores qu la media dan lo- tata diferencias negativas que se compensanexactamente co ak diferencias postivas ori ‘adas por los valores de la muestra mayores que la media. Cabeenonces opt por dos so -X)=0 + Considerar los cuarados (x, - I)? + Toe en cut os valores about, I El primer procediniento necesita mis eieuos per le mitodo eadistios besados en él son ‘mucho mis sencilos, Por tanto se empl un concept que mide a variablidad en func de los euadrados dels diferencias con respect as mea Dada la musta (si, sn 80) de media T se define a variana de esta mucst, 7, como: 24S, Fmt @ Aa raz cuadrada posiva del vavianza sels denomina desviacin estindar 0 deviaciin tipiea dela maeste,S: ° Ala exreson see lama desviacin media. Esta expresion apenas seuss deido alas vents de cielo de lavarianzs En muchas ocasones el conjunto de datos (x, x.) eS considerado como una muestra de <éatos de una poblacin. En tal caso puede eres estmar Ins correspondiente caracteris- ‘cas del poblacion mis que deteminar ls earacerisias de pois @ dispersion dea propia _muesta. Mis adelante se estuarin los conceptos de estado yesimacion Por ahora basta saber quel media muestral es una buena estinacion para el valor medio de a poblaién pero Jn varanza dla poblaion se estima mejor por medio de not © mi ‘A & sele tama varianza muestra corregida. Su sentido pode comprenderse cuando se ve concerto de estimadorinsegade, ‘5. CALCULO DE LA MEDIA Y DELA VARIANZA DE UNA MUESTRA AGRUPADA. Parting de una tabla de frecuencias comespondantes an observaiones de wn fenémeno (x. 1, ) suponemas un ecorido de valores diferentes Xyton Rp eom fecuenlas ab0= Iasi elaivas f= 1,2, 4 5.1._CAleulo de la media, ‘Tesiendo en cuenta los retados anteriores result:EsnotevanescnPrv 212 Se puede empear esta expresin tanto para tabs defendmanos dscetos como para datos de fEnbmenosconinuos, en co caso los datos extern agapados en interalos de fecuenia y sas marcas de case. Enel segundo exe, entre la primera expesion del media muts- tal en (6) yas sguiertes hay una diferencia, ya qe apart de In segunda se suponen todos los valores dl intervloiuales asu marca de case Se comele as un error de agrupamiento «que depende tanto del amplitude ls itervalos como dl mimeo de datos que comtenga 5.2._Calculo de la varianza, Tualmente se puede calcula a varianza a pat de a func de frecuencia de a muestra y o FEE AY Elson 2) =E Albin 8 =E Alen HP = Esl - 2B H)= Loy AE sor PELE Pe = EMH ‘Aunque las expresonesmanejads en uncn de {nen I venta de que Son muy iiles para su comparacin con ls correspondents dels dstribucones de probabil’ pra los cilculos ela media la varinzs mesa puoden tener el inconvenient de quel introdveion de cada fsuce dar lugar un er de redondo, Por esa razin suelen caleuarseen ffm Feb reeld © sahpe- Pelee Pr @o) 6. cooneacon Los ileulos para determinar X y S? y otras caracteristias pueden smplicaree haciendo un cambio de variable de forma X-» Yon n a) © sor '1yb #0 son dos constanes que se eligen de tal forma que ls valores ¥ qudsn smplicados respect de las valores de X. Silos valores de X estnigualmeate epeciado, como puede Esvaioneacescnera 213 ‘cumin después de aproparosen una taba de fecuencias, puede conseprse que ls valores Y sean enteres. Una ansfomason de este tipo e lima codicacion Ene caso de interval de clase de longitu bata tomar b= 1y una igual «cualquier marca de clase, ‘Suposiendo que ha hecho una tansformacin de este ipo y se ba calcula valor medio y Ja varianza dere que a media y vasianza de X son FaD fay = Dhar by )= aD L+bY fon 200 OF ay Sh Eley HP =E Mery 4-81) PE Aoi) 853 02) de aque deduce is, ey . OTROS VALORES A DEDUCIRDE UNA TABLA DE FRECUENCAS La mediana es el valor tl qu el 50% de os valores qu as fauierday lotro $096 8s sesecha. Para datos agrupados, se toma como mina e valor medio del intra (¥,%) ta we Feu)s os, Feu) 205 ‘La mods el valor mis fesse El ango esa diferencia entre el valor mayor y el valor menor, Detinicin de cuartitesQ,y Q3y rango inercuartico. Qj esl valor tal que 125% de as obseraciones es menor que, ‘Qh esel valor tl que el 75% de as obseracones es menor que ango itercutrtica = Q) = Se define el eoeficente de varacin como el valor vin a medi l grado de nfomniad de a muestra Es importante cuando se comparan dos saris en diferente unidad de medida (por ejemplo en Psy marcos)8, ANALISIS DE LA ESTABILOAD DE LAS FRECUENCIAS RELATIVAS.. Aunque ys hablé de esto ene capitulo inroductoro se weve a instr debido a sa impor Sea A un suceso cuslueraasociado 2 Ia realzacin de un fendmeno aletorio. Liamamos 1(A) a su fecuenciaabsouta en observacones y A)= a(AVn a su frecuencia relative, La ‘entailed dels frecuencia relativas consist en que se obser que f(A) cuando merece ¥a ‘osslindo cad vez con menos ampitud alrededor de cierto valor. Sis epresentan los sues vos valores de (A) enfuncion den se obtiene una grfca del tipo siguiente Se observa que las ossiacones son eada vez de menor ampltud, Es claro que esto induce 8 trata de defini esta carctersica como un inte Esta craters els Jenomina probabi- Tidad dl ssceso A: P(A)- La diet pra defi P(A) como, radio en que lt sucesin (inno esti deinidamatemiticamente, de tl forma que se pueda saber el valor de n(Ajn en finn den de alguna forma (ly de recurrent, etc) Esto pide efi limit anterior en la forma que se hace ene! Andis Matemico. Sera neceario i ‘roduc un nuevo concepto de camvergencia la camergencia en probablidad para poe ex sar de una forma adecuada este hecho experimental de In etablidad de las recuncies, 9, PRoBLenas, 2-1, Deteminar a media yl desvnci tiie de Ia siguiente muestra de 50 edades de ejecut ESE eS |S] a] elo ae [ae ss [as Pa [so [se 57 Par | a elolafalelelsal elie ei [se[sif so ee fos [sr [st [ae [as eotar{sopa fate letse ts] se Bg CObtenr la tabla de fecuenis relatives y acumudas, Daj el hitograma de frecuencis y of diagram acumlatvo Solucian: Mediane EXCEL se oben: Treen] a5 SoD 85 i086 Saanas7ie ‘So.2657145 64108571 aya representacionprifica es: istoprame 2-2. En una empresa se ha obtenido la siguiente tabla de salvos para cientabajadores no clifcadosSalar semanal (Pian) ‘Nimero de wabajadores 14000-16000 16000-18000 wo 18000-20000 3 20000.22000 32000.28000 2s i 24000-26000 TOTAL] io 3) Dibujar thistograma de reuencis ') Determination de dstribcién ay dejar ©) Cacular el salrio medio ya varianza eos sri, CariruLo 3 SUCESOS. PROBABILIDAD. 1. WrRoDUCCION. MODELO MATEMATICO PARA EL ESTUDIO DE LOS FENOMENOS ALearonie. n 2. ESPACIOMUESTRALO.. 3. OPERACIONES con sucEs08.. 4. PROPIEDADES FUNDAMENTALES DE LAS FRECUENCIA ‘5. AMowAS DE LAS PROBABLIDADES. FUNCION DE PROBABILDAD. 6. PROPIEDADES DEDUCIOAS DE LOS ANOMAS. 7. DeRNaciOn DE PROBABILOND SEGUN LAPLACE, 8, ProsLeuas.4. IvTRoOUCcION. MODELO MATEMATICO PARA EL ESTUDIO DE LOS FENOMENOS ALeAToRIOS. De los experiments y cbservacions estadtias se obtenen micsras de la que deseamos ‘obtener concusiones acer de las pblacons corepondientes Antes de poder hacerlo, se ‘eben desarolar modelos matensticos de as poblaciones Para eso sera neces I teoa de probabildades. De esta manera, vemos que ica teori es de importancabisca eof estadls- En relacién com esto se debe recordar que los modelos matemiioos que ayudan en Ia solcion Ae problemas de la vida ral se aplica en diferentes campos. Por ejemplo, en aroinamic es pose prt dels leyesbisicas dela mecaicay, con base en ets, obtener un modelo mi ‘emitio (ana tera) del movinieto de ienotpc de avion. Los modelos matemitico deben ser tan sencllos como sea poste, y deben desir con sfcente exastitud los asg0s y pro- edades principals de ln ealdad En este temas ntroducen los concepos de espacio muestra, soceso y su tips, ls prop adesfundameatales de as esvenin la robabidad 2. ESPACIOMUESTRALSD. En matemiticas, un coslnto que pueda consierarse en cierto sentido completo, de manera ‘que sélo aya que cosidera los bjetos de exe cojunto, ee lama espacio. Al desarolar ‘ualquie teria matemstic se debe defn en primer har a case de costs con ls qu se va & tratar, esta clase, que representa el univers del ques tt sel espacio. Un espacio, pues, ‘ote dimension volumes 5 ms Bien una "oleccin completa de obetos A Ios reads de un experinento aeaoro que no se pueden descomponer en otros mis ‘simples sles denoninssuceorelementales, 1. Supongamos cl expainento de lanza una moneda ltr, Los resultados posbes son: cara (©)yeru2 09, ego: 01= (C,X} 2. Lanzamientodeun dado legal Los suceso elementals ton: 1,2, 3,4, 5 6 luego: 2.3.4,5,6) 3. Consderemos ef experimento de lacs dos dados legals El expacio muestra es: “== ) 02). 6) n @2) ao) GD 62) . 69)‘Sucetes. Presa rs sonst por tanto de 36 sues elements 4. El diametro exterior dels tos obtenidos en un proceso de produccién. El espacio mues teal ertar constituido por un inervalo de medidas x: ~ (xa 0 Bes osaaysr ids etc (A +A) = AEA) (A) Bemosractin Sex A+ hs ‘Sean el mimero de veces qu ocurreB, me de A; y ye de Az en las Npruchas del exe periment aleatosio-Al ser AwA = ses‘Sucsses. Pacensuo, _ se ego (As + Aa) A) + (AS) ‘La frecuencia reltiva dl suceso seguro es evidentemente igual a1 (0) = 1 ‘5, AKIOMAS DELAS PROBABILIADES. FUNCION DE PROBABILDAD. Las propiedades de as frecuencias relativas que acabaros de ver nos marcan ls pau para es tablece los axiomas de a weora de probabiidads,Dichos axioms son 1. A todo suceso A de un experiment aleatorio le crresponde un nimero real P(A)20 llamado probabil de A. 2. SIAW As, Arson sucess tales que AA; = Via) entonces PAL Art + AQ=PIA) + PIA) +. HPA es decir 3. PO) Se ice que Pes ura faneién de probabildad que ssocis todo sueso un nlimero del inte ‘al (0,1 de a recta rel 3, 6. PROPIEDADES DEDUCIDAS DE LOS AKONAS 1. Si eset suceso contro de A, entonces P(A) 1- P(A) Demostacton: (AYR) =P(Q)= 1 = PCR)= P(A) 2. La probabitdad de suceso imposible es cero, pus ® ee suceso contaio a 2, Demostracién: P(®)= 1 -P(Q)=1~ 0 La recproca no es certs como veremos mis adlate. La probabilidad de un suceso puede er cero sin se xe suceo impose 3. SLAGB emtonces P(A) P(A+B)-P(A)+P(AB) B=AB+AB © > P(R)=P(AB)+P(AB) ‘tan anbas igus, P(A B)-P(B)=P(A)-P(AB) de donde P+ B)= Pea) +B) -PLAB) Para es esos A, Ary Arse pede demos qe PUAASAD) = P(A) * PAS) + P(AD) PAA) -PEALAD)-POALA) *PCAVAGAS) ficient se genera para a sucess pr indi 6. A+B) SRA) +P) Demostacion (AB) 20 P(A B)=P(A) = P(B)-P(AB) < P(A) +P) Esta propiedad se gener iment pram sucess PALA. tAQ S P(A) +P(AS) + PCA 7. DEFNCION DE PROBABLIOKD SEGUN LAPLACE Laplace consider experiments slestrios con un expcio musta 8 fitoy en gue toot Tos _sceses elementals poibles son igualmente probables 0 a menos nada indoce pensar lo comtraio (postulado de indiferencia). En este caso, e3 fl calcul Ia probsbiidad de ada suceso elemental pus por el segundo yterceraxioma de a teoria de probabiidaes, si A, Ax ‘A tonlossucesoseemenales de 0.‘Sucesos. Pronapenio. a8 PAStAD 6A) POAIEADE HA) =P(A)+P(AD +. + PCA) 1 yal serP(A)=P(AD)= AQ)= POA) PAYS > MA)= Ue Sum sucesoB el ni de atceos elementals se PIB) = PAA. +A)" P(A) + PIAS) P(A) = Wa mula que conde a a devin elisa de probabiliadsegin Laplace’ cocente dl nie Ira de oe avert pr eer pnb, cnr eo ios con ei Este método de eileulo de probabildades silo puede aplicarseporconsigucae aquellos ca- s0sn que es detpo fio y todos lo soceso elementals son igualente probes jem: Ea el caso de lanzamiento de un dao legal yPQ)=P(2)=P@)= Pe Sea el suceso B = obtener par, ser: B= (2) + (4) + (6) POS) =P@) = 6 {por consiguente: royedel 8. PRoBLENAS 1. Se lan suesivamente al azar cinco dadosdesgnados por 1, 2,3, 4 y 5. Se lama “resultado” ana sucesion ordenaa de cinco pantuciones 2) {Cuil es el espacio muestra asocado a este experimentoalesorio? ) {Cuintosresatados posbles bay? ©) Determinar exists resultados corespanden& ‘un par dla forma, 8) ‘un doble par de a forma (9, 8, be) ‘un cio dela forma a, , 6) sun ill (2,6) ‘umpoker (22,88) ‘un doble poker, 2) ‘cinco punts diferentes (8, ed.) ‘Svceso, Promsacnun, 38 Soluciin: a) aya ay 5 a4): 15246, #1, 2,3, 4 5, B) 7776, e) Respecivament: 13600, 1800, 1200, 300,150, 6) 720. 32, Se clge a azar un mero del | 6000, todos igumenteprobables Halla la probabil Aad de que sea muliplo de 26 de3 6 de 46 des Soluctin 1/15=0.7333 3.3, Se a fabricado un dado tal que la probabliad dels disintas cass es proporcional a ‘uarado de nimero de puntos inserts en és. Calculer la probabiidad de obtener, con exe (ado, un nimero pa Soluciin: 5691 = 0.8154 ‘3-4. Se sleccionan al azar dos punts sobre una recta de longitu |. Deterina a probable {de quepueda consinise un ingulo a partir de ls tres seceonesresltantes Solucin: 14-025, 3-5. 8) Se considers Is ecuacén xtytz-8 con Ia condcin de que x,y,z sean nimeros ent ros. (Culms temas ordenaat de soliciones exsten? 6) Generalar el reatado al caso xylem Solucin: a) 45,8) In). ‘6, (Cui sla probaiidad de que una moneda indeformable de ratio R depositada al azar horizontamente sobre unt mala cudrada de espesordespreciale,indeformable, de lado, ciga através de ea? OsRst NEATH +2 accost-2) $585 (2-V2)LCariruLo 4 PROBABILIDAD CONDICIONADA aa 1. FRECUENGIAS RELATIVAS CONDIIONADAS.. 42 2. PROBABILIDAD CONOICIONADA.. ‘3. TEOREMAS DE LA PROBABILDAD COMPUESTA, TOTAL Y DE BAYES wn 3.1. Teorema de la probabilidad compuesta o del producto. 3.2. Teorema do la probabilidad total. 33. Teoremas de Bayes. 4. DEPENDENGIAE INDEPENDENGIA DE SUCESOS ca ‘5, PRUEBAS DE BERNOUILL DISTRBUCIONES BINOMIAL, MULTOMIAL E HIPERGEO- erm. 7 7 9 6.1. Distribucién binomial... ssh ® 10 5.2 Distribucién hipergeométrica.... Anz 6. ProsLemas.4. FRECUENCIAS RELATIVAS CONDICIONADAS Sean A y B dos sucesos de un mismo experimeato sleatoro; supongamos que, al realizar N pruebas, el sucaso B be ocurrido veces (n = N)y que de extas a veces, en kde elas (k= m) fa oourrido también el suceso A. Se define feewenia reat del suceso A condicconado pore aucesoB como a frecuencia relative del suoeso A supuesto que hay ocuido B. La denotaremos por f(A). Ser ap) 2 waned seas sta) 8) eto 0)>0 Como el valor de (AB) oxi alrededor de P(AB),y el de f(B), akededor de P(B), la fe cuencia condicionada MUAIB) osclard alrededor del cociente P{ABYP(B) siempre que Sea (B)>0. Por consiguiente,defrimos I probaildad de! suces A condicionado por el Bo probabilidad de A dado B Ejemplo: Ea una urna tenemos & bolas bans y 5 rojas. {Cul es la probaiidad de extaer primera ura boa blanca ydespuds una ro? PAL Solin: ‘Liamamos B al suceso de obtener una bola blanca eo la primera exracién. ‘Aal suceso de obtener una bola rojaen a segunda extraccén,Buscamos P(AB), Como, PO) = o i (AB) = P8)-Pa) resulta evidente que P(B) = 813 yP(AIB) = 5/12, ego: 10 — podemoscalelar PAB) drecuamenteycomprotar el reultedo cats favorable = 40Paoatouin couscous 42 casos posibles = Vina= 1312 ego: Nota téagase en cuenta gue P(AB) noes It probabildad de obtener bol oj y bola banca Indisinamente sino la probabiidad de obtener una bol lana en primer extaceiiny und bol oa en a segunda 12. PROBABILIAD CONDICIONADA SiAyB son dos sucess de un mismo experimen slats hemos defini i probabilidad de concicionada por as) 4) Fra ra)>0 ‘ebemos comprobar quel probailidad as deinida cumple las popiedades de una Racin de probabilida: +05 P(AIB) Demoseaisn: P(AIB) =0 pues es PAB) 2 0y (B)>0 ALB) <1. Enefecto, como AB <8 resiftari PAB) s PB) luego P(AIB) <1 *P(AIB)=1. Demostacsn: 10:5) 8) 1) A + SIAL, Aa, Arson suceos tals que AA, © Vi entonces (ALA. ALB) = P(A\IB) +PCAIB)> . + PAI) Demostaién: ...+P(A,B) (ALB) AB) P(A,0) P@) ~ = H(A) (A,B). 4P( 8) P(A, +Art AA _Detodo lo anterior se deducenlas siguientes propiedaes: += P(A) =1-P( 8) Demostain »(018)=1= f(A + Ap]=1= (8) - P(A)! sean: P(A) =) += P(ALB) depende so de AB pus: Mas) =rf-mp] 29) ‘3, TEOREMAS DE LA PROBABILDAD COMPUESTA, TOTAL YDE BAYES La intodesibn del concept de probabilidad condicionada puede ser muy til par asignar die rectamente probebiidadescondconadas que pueden servi para detemiaar probabiidades de Jn forma P(AB) ‘A continuacin se dan algunos eoremas importantes en est seid, $1. Teorema dea probablidad compuesta ode producto ‘Dela denicion de robbie condoms dese (AB) = (A) MUHA) con P(A)>0 pres mono: FEA ASA) =A) IAA) =AA)-AIA) IAA) ‘con P(ALAIbOpara aces FAL ADP): RAIA) oR ARAL Ag) ® com Ass AO ue consituye el orem del producto ode la probabilidad compuesta 3.2. Teorema idad bs Sea As, As sAv un sistema completo de sucess, e decir, tales que A= 0 vie} {YBCSt un suceso para el que se conocen las probabildades condcionadas P(BIA). Se cum- lik -0)-1o(Za)]-x(Ze-4)=EM50) EH) HA) PB)= EPC) (BIA) @ ‘emule que consttuye el arema dela probablidad total ‘Bjemplo 1. Ses un estate de EEUU la probabldad de qu gobieme el partido demdcra- {a evel ao 2000 es 0.55 yl del partido repubicano es del 04S. Bajo un gobierno deméerata a probabiidd de que legisle sobre mena deportva es del 0.6 yl correspondiente probabi- liad bajo el gobiero repubano es de 01. Cu es la probabidad de tener una legslacon sobce medica depotva en elo 2000 Mediant un bol de decisions tee SN ag Se Ri donde se ha empleado Ia sgn notacin Dex! saceso (gobiema el partido demdcrata}, {eobiera el repulicano} y Mes (lei sbee medica depotiva}.Evideatemente se busca P(M)= P(D) A) +2): {d4k) = 05506 +045%01= 0378 -Bjemplo 2. Se aroja un dado una sola vez. Sisparece el 1 se extrac ura bola de laura 1. Si stle2 03 se extrae una ole dela una I Sisal oto valor ge extrae dea ur I ‘Lavra I cotine 5 temas téricos, 3 problemas, y2eeccios pritcos ‘Laem I comtiene I tema toric, 6 problemas, y 3 eecicis prictios ‘Laura It contiene 3 temas teorics, 1 problema, y 6 ejerciis précis Cul sa probabiidad de quel slurago se examine de un tema pict? Solucién: (16)(210}+(216)(310)4(316)(6/10) = 1380-0433 3.3. Teoremas de Bayes Se Ai, Ans ug An un sistema completo de see y B un soeto para el que ve conocen las probabildades condicionadas (BIA), tendremos: PAB) = P(A POBIA) = PEB)PCAIB)eat 2a) = AEE) <4) = Man) =) 28) (ap) = AD-P(BIA) “ we porelcorems del probabilidad totale. P(8) = °P(A,)-P(8)A,) Actos deer ques Ay B son independents noses vas P(AB)=P(A) 0. Ademis sea ) AB, AC, BC » Fst claro que puede vercarse >< (mm ) AMOVNC) 20 Z PAPE). luego la relacin (7) supone algo masque no ests implico en (6) Diremos que nsucesos As, Ay. Ay So mituamente independines si se veifcan ls s- smuientes relaciones PAA)= PA): PCA) PAAA)=PA)-PA): POA) ° PAS -A,)=PUA)-POA,): “PCA, para tds ls combinacions Is PR)=t-peg El suceso qu nsiteres ser def forma BoBox By onde By es lo que ecu ena pruca i desde el punto de vst que a nosotros nos import. (Cada B ser eatonces AG A. Silamamos k a mero de Exitos en nen pacha serie (= 23) tended A'sy (08) 2, sé lara quela vac de kes 0, 1,2... [Nos interesadeterminarlaprbabildad de que el aimero de éxitos sea 1 suceso (obtener k éitos en las n pracbas) puede aparece de diversas formas mituamente cexchyentes. Cada una de els corresponde a una de las formas en qu aparecen k éitos en un clnjuto de nposcones de serie veo “Tesiando en cuenta que ls components son independiente, pra cada una de ets formas PAAR: AscA}= phatPosts conreonton 410 [Ahora ie, las ordenciones posbls delat eras: en “(9 eww) nev-((re* Drobabilidad, En este cas, de tipo discret, pore la variable ordinaria iene un record Giscree, Observamos que las probaiidades yk) son preisamente ls trminos del desarrlo de lt potencia del binomio (pa) Esta els az6n de qu a distbucin de proba indicade felelame binomial. Esta disibucin es de gran importacia debido al gran nimero de aplicacions. Lo exablecido hasta ahora es un esquema de gran generaidad Solo empleamos P(A) = py el hecho de que las prucas sean indypendienes En macho casos se Jspone una sere de pruebas de ee tpo Precismente para estua el sueso al que cresponde la probabidad pl). ‘5.2. Distribucién hipergeométrica tipo de pruebas que hemos visto hasta sora equivale al eso del llamado muestreo com re- templazamiento en una polacin. Se hace una obseracény ln unidd observada se devushe als poblaion. Entonces as pruebas sa independiente ys reaizan en condones uniformes Setrata pues de una serie de prucas de Beroull, Sapongamos sige exetinesto stor: Teneo nau con tls nas yb c- f2 Temaos uns oan aaa 8) contenant sepa ue aos ‘sacando, Estamos interesados en el suzeso: “ (obtener roa easy mene 0 ==) 1 queemos determina u probabil Se trata de un experimento compuesto den componentes corespondints a cada una de las cexraccones, Estas componente no son indspendiens. En la primera prucha tenemos un es pacio muesal 0; con [0 =avb = Ny ex apicable el postuado de indifeenca. Ademis s- bemos It composicion de 2 que tenes blaeas yb negras. Para la segunda prucba tenemos tm espacio muestral para el que sabemos que 10:1 = N-t eto no sabemas su compos! {on Por tanto, aunque la probabil de sacar cad bla ex I(N-1), no podemos determnar 2 pris le probabidad de obtener blanca 0 ners. Si podremos deterinar probablidades ‘condicionadas Denominaros: [A= [obtener lana en proc, R= fobtener negra ens prueba, a) El saceso que 0s interes e ef forma BB, BD siendo B= Avo F, _yhabri rsucesos A, y (04) suesos ones HARA A)=A)AA)-ARAA)-AAIARA) 0) or In forma general en Ia que exh planted el exprimeto, cada una de as probsbildades condicionadss se determin ficimente Asien ete a0 sr ee ‘eros que Jos denominadores van disminuyendo a pai de a+ b de unidad eo unided. Los rnumeradores dependen dels A's 6 A's que bayansalido previamente, Cada ver que se pre- Senta Ase disminuye el correspondiente numerado pari de en una unidad. Analogamete para A, apart de , Etectuandoe! product tendremos en el numerador¢fctoes dereien- tesa particdeay nr factors dececenes a pst de onde con xs representa el produto der fatoesdecesontes de nidad en unidad a patir dex X= x(oe(e2).r4D) v— Hiemosplanteado el problema como una sere de rusbas consecutva, dependemte cada una ‘elo que bays suodido previament, La muestra fe obtiene ai en un determinado dea, 2un- ‘que seve queen el suceso qe estamos consideando no nos importa el orden en que yan spareido las blanasTeniendo en cuenta que al final del proceso tenemos n bolas fers dela may (ata dento, podemos preguntaros si obtendrismes el mismo resultado extrayendo last boas semultines ‘mente. Inuitvamente se comprende qe as debe ser A ptr de (11) se oben, wwe Fag OC) CTO Cae (ab) = Ue es probabildad del mismo sueso si sacamos la boas simultneamente ‘Obtenemos pus el mismo resultado tanto i consderamos una serie consecutive depres in ‘eemplazaniento (ames sn eemplazamicato) com siconidermos un solo expeimento ‘que consist ena extracein smtinea de n bolas Alu comespondiente disibucion see denomina hipergeométrica 6. PRoaLeMas 4-1. Tres perics A, B y C se publican en una dterinada cioda. Una encueta musta ue un 20% dela poblacién adult lee A, 16% lee B, 14% lee C, #94 lean Ay B, 5% Ay C, 4%B y C. Un 2% leen ls tres. Siuna person ata ex slecionadn al aca, encoirt la pro: babii de que 4) no lea ninguna de os tes priios, les slo uno de loss, ©) len almenos Ay B sseconoce qu ee al mens un psi Solucion ) 0.68, 8) 0.22) 825~0.2286 42. Se considera el feadmeno alestoro consstente en observar el tiempo que es necesario es rari Hegada de un autobis «una cert prada apart de un deteminado instante. Se con- Sideran los sucesos: ‘Ac (tener que esperar ere Oy 2 minutos) tener que espera entre | 3 minutos} roars conscNA wn Sessbe qu P(A), (B)H4y ABI. Emu y determi P(BA) y (8) Sea) M2. RR)! » RD) 4-3. Un tren X tga al azar a estacién enum interval de tiempo (0, T) pando a minutos EltrenY legs independintemeate en el mismo interval, arandob minutos 2) Encoatrarl probbldad de que X legue anes que Y. +) Calcul a probabiiéad de que los ds wenescoinidan ©) Supotiende que eoincdan calcula le probabiidad de que X Uegue antes que V. ash a 2a =a “EE? Fase PY Soluctin: a), 8) 444 Se tenen ts unas con I siguiente composicin de bolas Blancas (b, negra (ny rojas © Compost Tas Al ra Aa Se lige una ura al azar y se toma una bola. Call: 4) Probsbilde de que sa roi 1b) Ha resultado ser blanca, Probabiida de que proceda den segundaotercer ua Solu: a) 0.419, 6) 1723-0739 45. Se eect una inmpeccion de entrada de las piesa que van a formar un stock para el ‘montae de un cierto equipo eletrnica, La probabiad de rechasar como defectuosa una ieza qu raiment oes, x de 0.95, La probabiidad de rechazar como defectuosa una peza fue no loses, es de 0002. Supoagase que las pies pertenecen& una paridaen la que hay realmente una proporcin de deectosas del 10%. Determiar Ia probablidad de que una pie ‘a acepada sea realmente comet. women Sohiciin: a) 0.9445. 46. Una uma contene doce bolas: ato de ellas son banca ye resto rojas, Se extraen cin cobolas, se pone apart yn se devuelven ala urs.4) Se exe otra bola, Cui sl probaidd de que sea blanca? ») Se exraen dos bolas. {Cul sa probabdad de que exatamente una sea anc? ©) Oui es a probabildad de que en el caso b) las dos boas sean blancs dado que al menos una oe? Solucin: a) 13,8) 1633-0.4865,o) 190.1579, 4-7. Se escoge al azar un mimero X; del const de entero (1,2, 3.4). Un segundo nmero Xs escoge tambien al azar del eonanto (1,2. Xy). 8) Para ead entero k (de 1 8 4) deternina la probabildad de que Xiek 1) Calcular la probsbildad de que Xe-t 6) Caleuar X21 X=1) dado que Socio: a) 1%, 8) 29480.521, 6) 625-04 £8. Un aja coniene tres montdas: dos nonmales yuna condos ara. Se eige una moneda sara y ae eect una ada, Ssle cara se ir ora vee. Si sale Cu se elige una dels tas os monedasy se eects or laneamieno.Caleulr 4) Probabildad de obtener dos cars )Probabildad de que aparezca cruz las dos veces supuesto ques hatrado le mis: ‘ma moneda las do vers. ©) Probabiidad de que se a montds co dos cras Salucén: a), 8) 120.0833, 6) 42. Se inroducen incalmente oles tous y Blanes en tres uras de siguiente modo: Tra [Rojas] Bane 2 2 T 2 1 3 3 2 z ‘A continacin se toma sleatriamente uns bola de lt primera ura y se pas ale segunda Desputs se toma uon bola dela segunda una y ae introduce en la teers Al estado en que ‘quedan ls uras se le denomin estado final” Calelar 8) Probaidad de que al extraer una bole de una uma cualquiera ene estado inca, ‘este ans, ) Probsbtdad de que al extraer una boa de I ercera una ene estado fin, reste bare, ©) Probsildad de que al extraer una bola de una urna cusguiera en el estado final, reste oj Pcersunts conDIOONADA 438 4) Se extrac una bol nel estado finaly resulta ser Hanca {Cuil esi probabilided de que proceda dels segunda ura? 0.4613, 85202-0.4208, Solucin a) 11/200.5, 8) 61/128-0,336, €) 179/37 4-10, De una una que comer seis blas blancs y cuatro nepras, se transferen cinco dels ‘uns segunda una que se encuentra vaca. Se tomn de éta res bois y ge poen enna ait ‘acl Seexrae una boa de esta oi 2) Deterninar a probsilidad de que sex blanca 'b) Ha resultado ser blanca ;Cual es la probabildad de que exattamente cuatro dels bolts transfers dea pmera ur fn segunda yan so lane? Solucion a) 3/506, 8) 2083-0.315, “411, Ura red deinteruptores A B, Cy D se cnectan entre ls inas 2 1 segin se muestra en afew, Loe iteruptores operan elétriamente ‘mediante un mecaismo de operacion independiente, 9 180 loss co trolan smultaneamente con el ism impulso, eto intent que con ‘an mismo impulso todos los interuptores se Geen (ose bran) simul ‘neamente, Cada iterruptor tiene ura probbilidadp de flr al ear oa sone *®) (Cuil es ln probaldad, upuestos todos los interuptres Shiertos, de qe el reat entre ay b fall al erase? b) {Cua esa probatildad de que dee de asive con un sol ine plo suporiendo que todos ls interuptoresestin cerrado? |b Originatment, el cable m no exbs en el ciclo, En ee caso volver a ealeular las probabil- 2 infit:PRoskBUu0A9 conDIINAO 436 Soluctin: per re-Vigen guesses: Pu= For[-CHIV, qe [24CHP V8 enand laende aio resus por='6, gr? 4-13, Ea un juego actian aterativamente ts jugadores A, B y C en el orden indicado, La probuilided que tiene A de ganar en cada una de ls pruebas en as que acti esp, la de B prylade Ces ps, Determinar la probablidad que ene cada uno de os es de ear jue stoi el caso psticular en qe prs p=, y= Soluciin: PCA)=pu(-, PB)= apa). PIC) qnsevl-) semdo gaia.» Ee Ca- $0 particular: P(A) =2',P(B)=29. PICI=13. 4-14, La wrma Us coniene N bolas, ua 6 as cles es negra mientras que as dems son bla «2, La urna Us cntiene Nbols 9 todas sn blancs. Se extrac una bola de cad uray eit ‘roduce ena otra, eptiendose este proceso certo mimero de veces 4) Hilese i probabiidad p, de que después de n repetcones la bola nega se ex- cette en Uy 1) Determinre inte d pando end a inno. Solum: a) py=!sf+(1-209). 8) 4415. Un determina juego de dadosconsseen que un jgador lanza dos dados hasta que lgnmaopierde, El jugador gana en a primerajugada sconsiue un total de 711, Per en Primera jugada si consgue un toa de 1,36 125i consigue oto totl en la primera jugad, ‘ste total e lo que se lama su“juntuacin”. En est caso, el jugador lana repetidamente lor dos hasta que btine un total de 76 su puntuacie. Gana s obtene su puntuaciénypierde ‘i obtone un toa de 7 ,Cusl ela probailidad de que gae el jugador?, Soluctin:244495-0.4929 4-16. Una paricula se mueve lo largo del je X con salts iguales de longitu unied. Ene instante inal a partcula se encuentaen el punto X-0. En cada sa a patculapusde ia inquirda 0 a la derecha con probabilidadesiguaes a I-a ye respectvamente. Se supone que ‘ada salto es independiente de los anteriores. 48) Suponiendo a-0 clear probable p(s) de que después dem salts I par- ticul se encuentze en el punto (x entero, ositvo © negatvo), ') Generalizar el resultado anterior para cualquier valor de Solu 982, na 4 pas)=(2)2* 8 .0)-()O-aFeF won 8 ame 4-18. Un almacenista dstibuidor tine en su alan pagustes de chnchetas procedentes de tes fibricas A.B y C. De A proceden el 10%, de Bel 70% y de el 20% dels paquets Los paguetes de A contienen un 10% de chinshussdefectuosis, los de B un 15% y fos de C unt 2) Se toma al azar un paquete de almacén. Se exrae una chincheta que resulta set buena. :Cudl es probabil de que se un paquet recibio del frie A, cy dela B zy dela C7 Comprobar la eherecia de os resultados abtenidos b) Se uelve a entrar ora chachata del miso paste y ret tamn que cs bue- a (Cuil es ahora la probable deel paqueteprovenga dela fabriea A? y de AB? y dein? ©) Se toman al azar dos paquets de alnaciny se etre un chinchets de cada no, resutando anbas buenas (Cuil ela probeided de que los dos paguees proven. fan de a misma via? Solucén: a) 0.1029, 0.65, 0.2172, 8) 0.1056, 06592 0.2882, ¢) 0.5201 4-19, Un avon sobcevuela un peente con ntencion de destuco. En cad pasada lanza una bomba, Se sabe que cada vez que a una bomb a pobabldad de destruction del puent es 13 8) {Cull es la protabildad de destruc del puente sel avidn rein tres pads sie ) {Cuinas veces debe pasar el avin para gue Ia probaildad de destrucion del rent ea del 9967 Solum: a) 19227-0.7037, 8) 12. 4-20. Para cas dae tiempo e clasica como bueno o malo. Supéngase que ls probabilied de que ef tempo de un dia eulguira sea dela misma clase que el tempo del dia anterior una constante py sea P a probabiidad de que el ienpo sea bueno el timo dis de un deter- minado ao. Caleular la probabiidad p de tener buen erpo el dia més del ao siguiete Determinar ellimite de esta probabilidad cuando ede infinite, Solucin: p's 2p-1)"(Pxi)- Eline vee 4-212 Una fain ene cuatro js. Cada hijo tne wns probabilidad de 0.51 de ser varon, Deteminar a probabilidad de qu todos ls hijos sean vrones dado que 2) el ijo mayor es var, por menos uno de os js svarénSoluctin: a) 0.517=0.1327, 8) 00718, 422. En una ciudad grande la proporion de jos varones e 0S. Demostrar que la probabil ad de encontrar dos y slo dos varones en una fui, elgia l azar y que tenga cuatro bic jos, m0 6505 Soluein: efecto, la proboblidad buscada es 28-0.375 CariruLos ‘VARIABLE ALEATORIA DISCRETA, 1. FENOMENOS ALEATORIOS OE CARACTER NUMERICO 2. VARIABLE ALEATORUA DISCRETA 3, DIsTRIBUCION DE PROBABILOAD. 4, FUNCION DE ISTRIBUCIOR en 5. VARIABLE ESTADISTICAY VARIABLE ALEATORI DISCRETA. eB 6, CARACTERISTICAS DE LA DISTRIBUCION DE UNA VARIABLE ALEATORIA OISCRETA.. 6.1. Media y esperanza matemtica 6.2. Momentos. 6.3. Propiedades lineales del operador E. 6.4. Relacin entre momentos centrales y momentos ordinarios. 6.5. Otras caracteristicas estocésticas de la distribucion de una variable ‘aleatoria discrota. 7. PROBLEMAS1. FENOMENOS ALEATORIOS DE CARACTER NUMERICO Un fenmeno slesorio de earcter numérica ex aqul ayo espacio moesel £2, ee conju de os mimeros eles 0 bien un subconuno de W.Por erp: 2) Namero e puntos obtenidos a lanzar un dado = (1,2, 3.4, 5,6), 1) Numeco de pices defectosas en un lot de amon: Q'= (0, 1,2, ..n} «) Diimeto exterior de os tubos productos en una fibriea: = (wet | asxcb} 4) Numero de particuas adacivasdesegradss: = (0, 1.2.3, -) 2, VARIABLE ALEATORUA DISCRETA Frecuentemente interesa mis que e resultado de un fendmenos alestorio una cet funcin de dicho reutado Asi al observar fails, puede atcesr conocer el nimero de hijs o diferencias de edades de ‘mario y mujer. Si lamamos dos monedss, lot siceos clementles que forman el espacio seston (66, CF, FC, FF (Cea, P= enw) Podemos dfn Ia inci ico) X(CA)= XC) 1, EF) ‘que ese nimero de cass querewltan en el experimento ‘ales finciones,cuyos valores dependen del resultado de un fendmeno aleatro, se lama variables aleatorias. Aunque despuss daremos In defnicin precisa, podemos decir que una ‘arable aleatria es una funcin aumia de los siceoseleientales de un espacio muestra (Cuando el resultado de un fendmeno es muméic (como es el caso de lnzar un dado) ya tl esultado es una varisbl lento. Por otra part, a introduccién del concepto de variable leatria del que acabamos de dar una idea intiva- permite, como veremes, reduc el estudio dela funcion de probabildad, que es luna funcion de eonjunto, a una fancién de valores aumerios rele, Es der, transformarenos lun espacio muestra cualquiera en otro equvaente qu Sea auméric, cn lo que consequcnos simplicar el problema y ls eielos Pr gemplo,consideremas el fensmeno astro del lanzamieto de dos dados. Tendon = (Gp) | 15s, 15:6) dec tiene 36 elementos con PG, j)= 1/36. Posemds defn I variable letraVana asetoma crea 52 XGD=H o «ques mero de puntos oberidos lar ds dos. Et ueso oben 4 puntos ser A= (0.3.2.2,0,0) auc con a defini de a varabl letra (1), podenos epresentar por xa4 yl prbabildad de obtener puntos ert Ayia Poreay= by O56" 56°36 7367 12 ‘Vemos pues ia conveniencia de que el espacio muesrl sea mumiric, pus asi operamos con datos cuanto. mis cles de mansar que fs ewalitaias Defnicién de variable aleatriadiscreta: Sea un fenimeno aletoro on un espacio mues- tral Q:y X= X(o) una fen rea! wnvoca (Figure 1) en que @ representa los sucess ele- mentales @€0, Supongamos que X(a) toms un conjuntomumerble de valores reales X.y que eleonjunto A= (wef | Xo)=x} pea | Verbena cet 5 tl que A, es un suceso del fendmeno aleatorio. Demos que In fincion X = X(o) es una ‘variable aleatr Se verifari Pex) ® En resumen una variable dscea es unt variable cuyos valores Son resultado de un proceso sleatorio, La notacionempleada de ahora en adelante consist en desgna a variable aleato- sia mediante fetras mayisclas, por ejemplo X, mietas que los valees que toma dcha variable se desgnarin eon letras minisculs. XX Sellama variable discreta porque los valores que puede tomas X seri disretos 3, DisRMUGIN DE PROBABLLOAD Sea A un sucesoalatvio cusguiera. Se define Ia variable aletvi lamada indieador de A, Pot Ay=1 siocure A XAy=0 fino oourre A Por lo que ser POET)= PEA); POK=0)=PER)=1-PLA) Este resultado se puede generaizar. Sea X una vaisble alata qu puede tomar fs valores xi, Sen Ave suceso| A (o60| X(oy-n) Secunpie Ahn ® Vie} ° TAS)=3-6-0001372, 8) P[X=28]~ "%, 6) PIX-2k+ I]= 8%, e}Esa formula significa que la probabidad de gus el intrrapor dare "6 veces mis dels "a" que ha rc es independiente de lo que haya ocr as “a ves anteriores. ‘5.3. E jugador A tiene dos pests eB dene silo una. Ambos partcpan en una parida que ‘onsta de una serie de jgadasconsectivas en cada una de las cuales se lanza una moneda a alc: isle cara A da a'B ua psea ys sale cruz es B quien da ua psetaa A. Eljuego act bx euande uno de os dos jugadores iene ls tes pests. Se defn a variable aletoria X co- smo el mimero de jugadas necesrias para acaba la pari, Deter 1) Funcién de probailded de X. 1) Valor medi yvaranza de. «)Probabilidad de que B gan el juego Es logico este restado? Solucién: a) P(Xk}=2 porak=1,2,.. 8) y=2, 2, 6) 13. Resultado lgico ise ygne ‘ema que A pose dos monedas, Bana y la probablidad de ganar una pada es 1a misma paraiimbos.5-4. Un jugdor lanza conscutvamente dos dados hast qu a suma de puntos es 7. Gana lt ;artida sal menos en ura dels jgadas anteriores a suma de puntos et § En iso conrario Perde. (Cul esa probable de gata? Nota: Evdentemente, sen a pinerejugadaobiene 7, jugadorpirde a parti Solucion: Es mds fei determina a probablidad de perder que es 6/1. Por tanto, la de ge ares S11 CartruL0 6 ‘VARIABLE ALEATORIA GENERAL. VARIABLE ALEATORIA CONTINUA 1. VARIABLE ALEATORIA GENERAL, 2. Funcron pe osrRMBUCIK.. {3 VARIABLE ALEATORIA CONTIWUA, FUNCION DE DENSIDAD, 4, CARACTERISTICAS DE UNA VARIABLE ALEATORIA CONTA. 44. Esperanza Matematica 4.2 Moment08 nen 4.3. Propiedades del operadorE. 44, Otras caracteristicas ostocasticas de la distribucién de una variable aleatoria, 4.5, Medidas de asimetra y aplastamionto... 5, PROPIEDADES DE LA VARIA. 5.1. Varianza de una combinacién lineal de Ke 6.2. Propiedad de minimo de la varianza. 6. TeOREMADE ToHEBYCHEFF.. 7. FUNGION CARACTERISTICA. 7A. Propiedades de o(t).. 7.2. Caleulo de los momentos. £8. TRANSFORMACION DE VARABLES ALEATORIAS. A. Transformacion lineal. se 2, Transformacién por una funcién biunivoca y continua,1. VARIABLE ALEATORIA GENERAL Sea 0 a espacio muesalasociado aun fenimeno sletorio y X{o) una funcisn uniform de Jos puntos de espacio muestaly con valores reales, es dec xase 0 ~2 % a x Sea Ace count A. =fo (xi) = Fs) o Demostacin: F(x, +8) FCs (x, -40 se tiene quey 9-0 Port Joe-avetyae= flu-syAen—v-a)= flu-vy'teu-sy ‘Abora bien, sires impar (p-yJ ~ 4-n y también 24-3) ~ fy) por fe que la expresion (23) conduc, para ipa, = Gle-n'teoie= Fra eoyey using ea (2) oe: Hc-nj]=0 weiner “Veniendo en cuenta esto parece pico tomar un momento de orden par» un funcion de un momento impar como medida deasmetria. Queda exci que se aru cualquiea que sea la dstibucign. El siguiente momento de menor orden ex, Basado en este momento R.A. Fisher (1869-1962) propuso el coeficinte de asimetria 0 dformacién eo Sex Younesano LEAT Geena, VARARLEAEATONA CONT ee Por ato: Iuego ef coeficiete de asia es imvarane respect de wna wansformacton lina Ene cosiente exon dels craters, junto con uy , que se emplean para caracterzar ‘un dstbucion de probabiidad [Nota Iaualmente que se a demostado qu E[(%1)"!] para toda distbucio con fncion de densidad smérica respect de, se demuestra qe sa funeon de densidad es smi es- pct de un punt ces dei, si f(e-Fx) = (ex), etonces t= € ‘Ota de as caractersieas qu ve empl (aunque menos) ese coefciente de apastamiento Se basa enn forma dela distitucion norma, Para ete tipo de distibucln Nu, 0) e5 30%, 0 sea lo'= 3, Esta ela raz de ques tome como coefciente de aplastaniento el ambien intoducido por Fisher es) (Curva Nix 0) {5>0 sspone un dstibucion mis epuntada que la normal y8<0 supone ura dstibucion mis ‘aplastada que lt normal 65. PROPIEDADES DE LA VARANZA Hemos defnido ls varanea medante fox-a']-e-a} Vannaue EATON GENERAL, VARA EATON CONTA es Se trata de una caractersica de dispesiin de una varibl aleatoria, Vamos aver slguns de sus propiedades fundamentals 5.1, Varianza de una combinacién lineal de X Sea Yoaxtb —— ayDeonsanes Sabemos que es Por defnicin ex wate) =efr-1)}]eaforran. 0) = efex-au,)] =e Efex a.) Yemos qc vain de Y depndeincamente del cote & no del b. No depende pues de una raslacdw de la varablealestora X.En otosterminos el operadorvarianza es in> ‘arianterespecto de una trslacin 9) Pva(X)=1°0? De (26) se deduce: Dey “Tene particular importance trasformacin PW) =e. yoXie ey ara esta transformacione: [E)-#J-9 » ‘Una vail letoriaY tal que jy = Oy oy = 1 se lms tipfeada, La pansformacion 27) ‘pfca una variable alsatortacuauera X -—La varanza tiene una importante propiedad de minim que podem estblecer en formas suiene ene tados los momentos de segundo orden respec de wn punt cuaguiea la 2 Demonincion lr -0F] = lr—n, 20, -0f= =A) ol. <0) #200, Xue, = 02 +a, e+ 2a, ~ )E(X~,)= 02 +(04,€)" ‘Teniendo en cuenta que (11, ~€)' 20 se siue: ox of] 02 [Ademis se compen que H(x-9]-cromee 6. TeoREMA DE TenEnvouert [Et teorema de Tehebychef se enunca en una forma geerl. Tien priculrimporanci en ls forma de dsigualded que d un sentido deo” como medida de dispersion, ‘Teorema de Tehebycell Sea X una variable aletoriayg(X)20 una funcin mo megativa de la ara todo a0 Aetoy=t] Ae] oy Demostracin: Supongamos que X es un aril sletoria contin y se Sl cojunto| S={X lef) 24) tendremos: agus.s MeATORA SENERAL VAHOLE MEATORA CONTA on Heo] = fboeac= feos) oars » ftaytan > ef ope = Wf) 4] de donde ets) 24] < HO} k {La demostacén pra el caso de una variable aleatova discret es similar ‘Un cao interesante del teorema de Tehebycheff se obiene para g(X) = [X-al® sendo a una ‘constant real y mun entero posto. Siadends hacemos k-e”(siendo 0), a patr de (28) se me spre] A ero teniendo en cuenta que se trta de valores no negatives es [x-af'2 2 e[x-alee Por tanto fx ~ vps qu en edd es usa desguddes, un pr cade valor den Ea pipe = 24 nd cut} fou] rixcaie ctl] Hee] @ tunbidn mada asain de Tebebyhelt ta din un eto cao de saa como mei de pein ox wa {ot mprr dP seo ex diate eee ee alr se teak dena cand as Ea ca mie con amine y umes condo ‘La desiguldad (25) puede dase tambicn en las formas siguientes. Si en (29) hacemos e=ko uedVans eKrOR cHNeRA, Vans LATOR CONTA eve HX eke] = G0) ye aqui ost Js 6p ave dua cota dela pratique una ables tipicad tone un alr ato Tendo er suet a sverlad deeve eoremn beeper qe I acti ue popor ciona sea poco restrictive y que esta cata pueda meorarse cuando se conore alguna exact ica mis dels datrbucion Esto supone que ls valores de a probbiades Ht] uedan ser bastante diferentes de los valores de las cota 1 para muchas ditbucones. Por ‘empo, s k= 3, de (30) eobtene (2 a2 30] Para a mayoria de las dstribuclones que se manja, eta probbildad ex my prima ceo, ASL paral dstsbucion normale: Hf 30] 7. FUNCION CARAGTERISTICA ‘Sena visto cm la ey de probabildad de una variable latvia puede dase por la func de probablida, por la funcin de disrucin o pola funci de densidad, Otro método pra dat uns ley de probable es dar a incom caraceristica, que ene propedades paricularmente ‘Simpes desde el punto de visa del Anil Matemtico, Su interés en estadiicaraicaen que permite calcalar de manera simple los momentos y las disribuciones muestales. Defi Si X es una variable aleatoria een que tes real, s también una viable seato- sia. Selma fanein earacteristia de X ala esperanza de et Ae] enc cat discret seri of) Como e = cost esen(y) yas dos funcionessenoy coveno son ntegrables para, existe ‘oft para todo Seve qu 0) es una Funeion de con pate realy prt imaginal A. Propiedades. wy ‘Sax uo variable atoria commun cun funcén de densidad x) y fon caractersics 0) Serene oe 62) Deser waist 6 Desert [erro Fem-stepe= Fete ys cn ssn(a)sinn(e) > Fh 69\VARAMLEALEATORA GENERAL, VARABLE NEATONA CONTA ox [sas propiodades (32) a (8) se eres deforma parecida que son vidas undo X es vail alestora dcet, 22, Giieulo de los momentos e40)=Hfe"]= ferro ‘ derivamos veces esta exprsi respect, tenemos yparat=0 aap: 69) '8, TRANSFORMACION DE VARIABLES ALEATORIAS ‘Segidamente sever algunos casos partcularmente importantes de tansformacin de varia- ‘les aleatorias “Transformacién tinea! Se. ¥=aX+b on ay constants E()=P(Y ey) = Max s b=) = P(OXey-B) Sines postive 0 no )eA(eet) 09) ysiaesnegatvo VARA AEATORI GOURAL VARABLEAEATORA CONTA 1s a0: y FO)=8Q5)-BWS) #,0)= P(r <9)= Hels) <]= rs) derivado con respeo ay =H{X=b()]=F[AG)) wipeo : , de sonde iv SO) WD 55 AVN SG al 6-8)] “ £,(y) = W(9)-£,[b(9)] Caso en que Wg) <0 F)= PY s9)=PfelX) sy] = = PXeb(y)]=1-F,[Ay)] Je donde: I donde tr va 5,0) =-#)-f[40)] Xe) j_ sx en) ‘Abs esos pueden emis en forma £,0)=[()-£[00)] a 8.3. Transformacién cuadrética En muchos casos espresso emplesr tisformaciones del tipo Y= X° Tal tansformacién no es bunivoes El recordo de valores de e520, por ano FQ) = 0 ¥y<0. Para y>0 si FO)=H 9] (8 3) We x25) = THM) R Bf) we +19 esto para el caso de variable aleatora general «) Caso en que Xes una variable aleatorta conta: Caso en que X es we vriableoleatora dsereta: Sia Gistibucén de X es discreta con reeo- sido X=, k= 1,2, entoees POY =r) = POE = y= PRR= Ai )=MX= 2) «) 9. PROBLEMAS 6-1 La duracion de as confrencis teleficas es unk variable slestoria continua con la si- _sulenefancion de tibet: ry-1-de x20 siendo [x] la pare entera dex. Caleular a proabildad de que wns conferencs dare 2) mis desis minutos, 1b) menos de cuatro minutos, ©) exactamente tres mitts, ‘8) menos de nieve mimitossabiendo que hs durado mis de cinco minutos, ‘) mis de cco minstossbiendo que ha durado menos de aueve minutos Solucin: a) 0.1383, b) 06843, ) 0.3161, 0.5674, e) 0.2048. 6-2. Se eigen al azar tres nimero a,b e comprenddor ence Oy 1, Hall la probaiidad de ‘ue la ecunin ax + 2bx-+ oO tenga ales reales, Solcion: 99 = 0.535 63, Se ligen a azar tes nimeros a,b y €comprenidos entre Oy 1. Haar la probabiidd de ‘que ln ecunin ax bx # = O tenga ales eden, “soci: 526182 02588(64, Se toma al azar un punto P ene pernetro de un ciclo de radio r.Caleular el valor me io dela distancia AP ene Py un put dad dl perinetro del resto Solucién: dre 6-5. Sea el orgen de un sistema de coordenadasrectangulares, Pun punto variable sobre el, sde X y Qe punto (0, 1). Supéngase que el angulo OQP se elie aletoriamente entre -22 y ‘22. Determina as fnciones de distribu y de densidad de a abeisa de P. Solucn 6-6, El mimero de personas que acude un local es uns variable sentra con min 1000 Aesviaion tiie igual a 20. Cull eel numero de sills necesarias para asegurar que todos os sistentes porn sentrse con una probabilad de al menos 075 Soluciin: Por Tehebycheff ord P(Y6O MMP 5 msep-qtt Pe =a ms Pe mila as Me. meup—a Pas nm p La moda debe camplr entonces: mp-gsmsap—q+! ‘or consiguiente spy son crecientes desde K=O hast K-ap-gtl y deerecen desde K-ap-a Insta ken, Pueden ecu dos casos 48) Sinpeg 2s ener estncesexsten dos moles np-g y npg, Puede demostase que PX np) = POX npg) ') Sizpq noes entero, existe una moda que sel entero comprenddo entre m>-g y inp I-En al cas, la mods es m= Lap hl sendoL xn parte entera dex Se demuestra que el oeticente de asmetria mee o)Iuego si g>p entonces 120 yi distibucin esd desviada a derecha. Si qp entonces 7-0 y la sistribucin ests desviads hacia a iquirda. Para p=q>Vs a dsribucon ex smeticarespecio x-w2 Sin-oe la dsibus ve ace sméea pes 90 Se demuestra que el coeiciene de apistaieno es: ba Bs 169 ay oe ape Wes: 1 9 wm Bemg 5-0 pan Lepget 42. Aplicaciones de a istibucién binomial La distibucin binomial ews a menudo como aproximacia def distbucon hipergeométi- «a Esta tim disiribucin (se vera mas adlate) es apropads para descr la vaso de la ‘able aleatria X,represenante del nimeroindvidvos de na deteminada clase A en una imuesre de n miembros slctonada al azar de una polacion de N indvduos (asN) en que “2° son de la clase A y b-N- lo son Etonces ween herd 71m ‘SiN-om y a-s0 yaIN permantce io, etones: (ree 4a convergencia no es tan ripide para valores de cercanos 816 0, peo la aproximacin es ‘buen en bastantes casos prictios (la aproximacon binomial es laa a menudo la apo macion de poblacin nina puesto qu coresponde a Noe). ‘a0, =~B) 5 min, a) Px 1a distribucion binomial aparece en michos modelos etadsicos: de hecho, siempre que se trate de pruebas supuestament independiente yprobablades constants, Aunque eos ‘uestos son seneillos no siempre se dale independencin ni ecurple con precision la constan ade as probabildaes Dernmooves nscnetascarecuses 2 5. isrRIBUcIN De Posson Exisen sucesos que no ocurten como resutado de un mimeo de pructas de un experiment, sino que ocurtensletoriamente ene tempo o espacio Es esos cass interes slo el nimero de ocurencias (no su fla). Por eemplo: el nimero de utobuses que legan una estacion a una certa fora el nimero deercoresen cada pigina de {an bro, el mero de defects enum pees ibriada et. Como carctersics se pueden ctr as sists: 1 nimaro de ocurrencias de suceso po uidad de tempo ts sempre el mismo. "Los suceos que ocuten en una unidad de tmpo 6 espacio son independientes de Jos que ocurren en or intervalo La distibucin de Poisson se introduce como una distbucin de ipo discret qu ine Is sient funcia de probabiidad * xi-nad 2) 0 Se tata de uns inilia de datibucones que dependen del parimeto A. Su cepresenacion fica puede verse en a Figura 4 Fp 4. empl de dnd oon ‘A.una disibucion de Poison con parkmeto A see suele design como dstribucisn TQ),éraauovnes acne EAPECHLES 78 60 -oisson mediante una ecu bs CConsderemos una sucesia el tiempo de sucess leatovios que tenen gar en instants, {5 ASk por gerplo, lamas a una cena eleaica,desintegraciones de itomos radicti- ‘os, aumro de patulsradiactvasdetectadas por un contador Geiet, ee. Elestudio de ferdmenos de exe tipo nos varia a conser ey de probabilidad de una va- rable aleatoria XQ) que de el mime de scess al vara Este estudio de procesosestocis- tios variable alestoria que son funcions del tempo es compiado. Nosotros nos lmitare- Ios a considera el neralo de empo Lo y eae py) 0 proabilidad de owrirksuce= ‘Soren el ntrslo de tempo La distri de Poisson se obtiene para variables alestorias que cpl as cuatro hipStesis sipientes 1. El imero de socesos en dos interalos de impo juntos Son variables aleatrias indepedientesO, lo que es lo misn, el nimero de suesos que se presenta durante tun itenalo de tierpo dado es sempre independiente del numero de tales sucess fque # hayan preseatado al conienzo del intervalo. Ai para los dos intervals de Hemgo (0,9 y(t sis: A= focuten a sucesos en (0,0) => PLA) = Pat) B= focuren bsucesasen(tt)) => P(BA)= pla) PAB) =PCAL):P(BR) = pra) «3 2, Paraun neva nites (i) la probabidad de qe epreseateexactamente tun suceso es at send un constant: ald) =a a 5. La probailiad de que se prsesten dos o mit sucesos en el atervaloinfiitsimal ‘er de un orden infinitesimal superior al ded: pr(dt)=0 para od as 4, Las probebldades p(t) son las mismas alo largo del iempo, es deci, queen ds in- tervals de tiempo (ht) y(t) som ls misma aft) = t= = ral (tt) = PA) a9) ‘A contnuacén se mosrars como una varie sestria que cumple estas cuatro hipotess tiene ‘una distabuci de Poisson, Demosracin: Diereaucionee neon erecates 1 CConsideremoseintenao (0, dt) compuesto de dos pres (0) (8) Sea! ‘Ag= (ocurena sucesosen(0,1)) => PAD= pd) By= ocurer sucesos ent, 4d} => PCB)= at) i foourrerk sucess en(0,t¥dt) => PEG)= ptr) Se cumplirs C= Ao AB, + ABs + + ASB en vind de (13) uted) = udp) + COPA) + PaO +. + PLO) teniendo en venta (19): pat¥dt) Pula) + lou ayaa a) = Ep a poet: th) = (Ad) + pl ego: mae D0 p,m) 20. s(-H00] ccncin diferencia de donde ctnonot dtc de Poison Pank=0 $00 sh -stap (= 46> pA Sel sak .(9 Pa ono eA) naee*Sien (17) hacemos el cambio p(t) = Hue™ ressha HG aN (9) ome H(t se oben, por induc, los siguientes ressados: nial ala de Poisson Esta dstibucién, como tos ls que tienen recorsido no fino, puede presente celaionsda ‘con dterminads proceso de ite, Veamos un caso. Consieremos una sucesion de dstibucionesbinomiles BC, en las que e prietr ps ‘sti ligndo a'n por la reacin mph sendo 2. una constanie O ses, cuando cose al ser Bevin es ps-P0 con nro, Veams hacia que tipo de distrbucifn iene Ba, py) con v2, Para ver este lite consderemos el limite del record y olde las probabidades en cada Punto. Ose, el limite de a fincin de probated de Bit 9) Et record de Bt, #0, 1,2 dons, que tende a (conunto de nimetos natures) cu yy my) ( Hodson, e sonD.lomko9 (a) « 2 k=Nae ayy ay ae-Je-39 a ot Tego, cuando n> seni .6,en otras palabras: B(o, p,)—a=>THA) 5 decir, que el limite de a sucesin Ba, p) es una dstrbucén 1), ‘Teniendo Io anterior en cuenta podemos tomar como sproximacién de uns distibucin Ba, p) cuando n sea grande yy pequelo, una dsribsiéa T(2)on 2. np Figmonos que 1.espreisamentee valor medio de distbucisn Ba, p) Sueletomarse como tela empires para un buena aproximacén el que sea po0.1 con mpc. Por ejemplo para py “0.1 sera m= 510.1 = 5, y valores mayores den pare pr mis pegucto. El hnecho de que no s consiere valores muy grandes de nes qe entones, aunque P 88 pe- ‘qefa, sul ser mejor aproximacio de Bt, puns distin normal, 5.3. Caracteristicas de una distribucién de Poisson Se cumple evidentemente que Adm, a probabldad correspondiente ak tee mip rdpidament cero cuando k exer La funcion de distibucén Fix)= ‘esta fincin esalonada con eealones de auras py tediendo cero seg lo que acabamos ever, En ests distibucén convene empler Ia funcién cractersic como funcin generat. de te ag) 0) De agi obresemos a= Hie 910 = aFe (het 1) o°(0)= 94 8Desrnnocines oscneras eres ego comprobamos que para una dstsbucén TI) es EOS) =D’) ‘Veamos como varian las probabildads cuales son las moda x a ne pa ETE (e-)) Bois Aer o ksa ae aetsksh Boars Ear ene] Ba Desexer cone + S12.es entero hay dos modas -]y 2. Puede comprobarse que P= Ps 8.4, Convergencia Se rata de comprobsr que Bp.) ssa TMA) Hemos determina que pra dstribuin Bf, p) la fein craceristie es Palt)= (0,8 +4.) sp, podemes poner: <3) ol) =(a. +P ‘Luego la funcin caracersica correspondiente a una distribucion a Btn, px) converge a Is fiuncioncarctersica de TI) - Por tanto puede considearse la convergencia de ura sucesion de stribuciones en est seid de converzencia de funcionescaraceisticas. 5.5. Distribucién aleatoria de puntos en el tiempe Supongamos qv se lanzan bois al azar en el nteralo (0, 7) Veamos uel esa probabil- Aad de qu kde ests bolas exgan ene itera (1) Se ve qe se rts do una serie de rushas de Bemoull, Buscamos obtener éitot en prac bas, indo aqui el éxito el que la boa eaga ene itevalo (1) bolas — 000 000,000 ° % & T ‘Sea t= tet elintenalo y P(t) la probabildad de que k bolas eagan en. Tendremos: lea 0) siendopa= UT Supongamos que evando n-¥ entonces T-v pero de tal forma que la densidad wT sea ‘constant de manera que nT = A Result pnt en vet gp ado a, Sept 2) en (20) wd=(pbpia =atts(4) 0 © eas tae-ken ah iar wlDisreavncnes acer EsPeCnes 1 yeomo: @ nce «que esa ditribucin de Poisson de parimeto 28. Para {ervalountarioy obtenemos (12), tenemos el caso panic de i 5.8 Detorminac ni Je a constante 2 El parimato 3 es una constante fica que determina Is densidad de puntos ene get. A mie da que 2 es mayor, la probailida p(t)=2" de o encontrar singin punto se hace menor. So Ppongamos que un experimento fico st repite un gran nimero N de veces y que, cada ¥en, ‘ontams el nimero de sucess enuninteralo de longitu fa Sex Nye nismero de vere en ‘que se observan k sucesos, Entonces oN EN El nimero totale puntos observados ea as N veces: Ne2N ANE fine eal, Ww? 3 =Ne* ate Nat de donde Dlernauconts neorrasesrecwies m5 «qe permit estimar i apt dels observacones para calcula as probiidaes co este $ compara con los poteriores experimentoe 83 bucién de Poisson La dinribucn de Poisson seus + como sroxmacién sa dsb binomial uando nes grande * cuando fs sucesosgcurten aletorament e el Sampo. * para dso experinenos en quel variable observada es ura suma, ‘Una importante apliacién ese uso de process de Poisson en tora de eos (un proceso de Poisson es aque! en que lo intervals entre sucess seuidos tienen, con Independencia, 1a misma dstbucio exponencial y, or ello, el nimero de suesos en un interval dado de ie po tene una distbuion de Poison. 6. DsTRIBUCION HEROEOMETRICA Supingate un grupo de N objctos entre los cuales hay “a” de uns clase A (por ejemplo defc- -uaos) ¥ "0" = Neade otra B (por empl no defecuosos), Efectuamos un muesteo si re= cemplazamiento El mero de objets de una de as clases, por ejemplo A, obtenido al extrac una muestra de tamafo n puede ser considerado coma uma variable alestoracuya distabucion se vaa deter Se define I variable sleatora X: mero de objeto dela clase A El rango de valores de X ser osrse | _osrss ee ‘cola cbcesaf 209-8) sss») Se vio atrionmente que, en un mestreo sin eemplzanino, fn probabil de obtener + ‘objeto de a clase Ayn de a clase B en un conutto de N elementos de los cuales «son de laclase Ayb= N-ade la case Bes Ol? rix(0, n—b)0, integral que define (pes convergent ‘Se obtieneinmedinamente Sedemuesra que I) « Si es pol pucde inteyrare por partes haciendo x”!-uy "kd, obteniéadose: pferwre e donde: (=I) pes entero y positive podemos alicarreterdamente exe proceso obtesiend! Es convesiente recordar que se emplea esta firmula par generlizar el conepto de factorial para n no entero, desiend: Piatt) net La funcin gamma puede presentarse en muchas otras formas, que pueden obtenese a partir de () haciendo distos cambios de variable Ahoca nos inceresa considera las formas que ‘obtienen haciendo a0, neo, yeoN ayn 'ayDistmsvooses commune esreoaies 26 F0)= fer (wt aaydy = na Ferm yay 4 agu scene: Jovy 0) © sta expresiin seri de ran uid en posteriores parades 3.4. Distribucién gamma x{p). Caracteristicas ‘Si tenemos en events (5) ydeinimos I fancidn de x Te (4) esta fucin de densidad de ura dsibucién continu, sa ques le denomina 3) £0) = coap>0 y x20 o La fini caraceritin de X 08 ofeach Ara teniendo en cuenta (6) l= los momentos ordnaios se calela dectament: ®) = Fig MPA Me+2) fee 1 Feesgritee t Forth = Taye ery lem ‘eee luego Dieramiciones comms ereones a7 “AE paro-o luego para Os a deriva primera es negative y la funcion es decrecint. Para p>1, existe 90 tuna moda: m = p-1. Puede conpeabarse qe la Fo dela dstibucén (9) en fucion dep , . o % > 21 as) ta esa razon de denominar a esa dstibueiin como N(0, 11 La fancin de distribu es: x n0s1)= [rei Fe fea negro sdb Ext st an os aloes dF en inde N _malmente estas tablas dan los valores de F,(x) inicamente para valores de: ra valores do ‘x7.1]-0.1587, p~0.8597. Soc) OEE) OP re 1-7 Uns fctoria produce paquetes de margatnn. El exo nominal dl contenido de cada pa quate es 450 gramos, Sin embargo, debido a Nscusconessleatorias en la bisculaautomatica, peso del contenido dels paqutes vey se observa que un 10% de los paquets esté por ato del peso nominal, mienras que un 5% pea no menos de 457 ramos 1) Caleuar Ia modi y la dessin ue esta disibuidn es normal, ica e a disibucin de los pesos, supuesto Le produc daria del ictoriaes de 375 000 paguetesy el cose de produccin, en pese= ‘a5, de un paguete comteiendo x gramos de margarina es 335 + 68815x -0.01402x" Debido ‘in aumento del demanda mundial de aceite comes, el cote de produecion dela mar- farina sumenta. Para compensar una pate de este aumento, el fabricate hace ces reduc- ‘ones en ae gastos isis y esablece controls para dsmigurdespecticios. Como resultado Ge estas medidas, la funn de costes psa a ser 334.68 + 68705x - 0.01398x" Determine nts y desputs dela sida del precio do aceites ) Elcoste meio po paquete(eproximaracétimos de Pa). 6) El coste medio de la prodosion dria (sroxima a Ps). Soluciin: a) w~45%0654, o=2.391854, b) Antes: 561.24 Puas/paguete. Después: 577.74 Pras paqucte.c) Anes: 210463688 Pas. Despus: 216580858 Plas. 4. El contenido nominal ¥ de los ros de mermelada envasados en una vice es mos, pero dbido als factuaciones dl proceso de faiacion puede considerrse que sedis tnbuye nommalmeate con una media dex ramos y desviacin pica 0, sendo x un valor a table. ‘Todos os taros se petany los que enen un contenido inferior a w gramos se desecha, te indo un valor parala empresa de WC Pas taro. De los tarosrestanes el 90% se venden a precio de C Pras/taro y el 10% se devuelven ala fice doade tienen us valor de recupert- cn de 1 Pas taro, El cose de produccion pr taro es de YX donde kes una constant 4) Caeular el valor de x que hace miximo el benecto medio, by Para el eso weS00 gramas, o=3, C=220 Pas aro y K-36S Pras Rao, call xy el benefico moti esperado, «) Para el eas conceto del partadob) se reliz6 una inspeccin de ia produecion de Ja fbrica, resltando que el 20% de os tarostenian tn contri inferior #801 ‘sramor: <1) (evil es benefcio mati en este caso? 2) jen qué cantidad hay que aumertarodismiui vale dex? Solutn:¢) x =w +0, fain SESE, 8) =SOSSI1S, B66 04125, cl) BHSES97I6, 2) Ha Vane . * ve eumentar x 32861CartruLo9 VARIABLES ALEATORIAS N-DIMENSIONALES. A. INTRODUCEION nus 2. FUNCION DE DerRIBUCION CORUNA. 13. VARIABLE ALEATORI BIDMENSIONAL ISCRETA 3.1. Distribuctones marginales. 4, VARIABLE ALEATORI IDIENSIONAL CONTINU. FUNCION DE DENSIDAD. 41. Distbuciones marginales... 42 Distribuciones condicionadas.. 65. VARIABLE ALEATORIAN DIMENSIONAL. . 6. VARIABLES ALEATORIASINDEPENDIENTES. 7. ESPERAKZA MATEMATICA 7A, Momentos... 7.2. Media y varianza de una combinacién Independientes.. 17.3. Caso general: media y varianza de una combinacién lineal de varia- bies aleatoras.. . 7.4, Funcon caracteristied cn 8, TEOREMAS DE ANCON.. 8. TRANSFORMACION DE VARABLES ALEATORAS. 410. TEOREMAS DE UE... (0.1. Teorema de Bemouil * 40.2. Convergencia en distribucién, Teorema de Paul Levy. 40,3. Teorema central del limit 11. Prosteuas.4. twrroouccion En muchos fendmenos exadintios eda observacia da par aun par de nimeros (, ms ge eral a mere) Estos conjuntos de observaconesetadisticas se pueden representa por ‘Ua variable lator bidimensonal (XY) ys pares de valores (x,y) (93), forman fo fue se llama una sere estadiicadoble AS, podemos considera ais y perimetostoréicos, ‘Sades de mari ymujr, velocidad de un coche y reco al fear, te Las variables aeatorias n dimeaionales ntervienen eo la justia teica de fos problemas de esimacin y contrast de pote, a utlizar muestas de tama n (B, %0 %, cada luna de cuyas components sigue la ley deprobaildad comin de a poblacion a eximar 0 oon ‘Comenzamos cone to de dos varibls, Esa caso mas sencll tiene Ia venta de que pueden interpretar varios concepts y relaciones ea forma geometric eistaros configures 2. FUNGION DE DSSTRIBUCION CONJUNTA Sienun experiment alentoro observameos dos cantiddes, tenemos que ascir dos variables aleeoras, Xe YS se iden estas dor catiades,cadaejecuion del experimento dart lgar ‘un par de mimeros (x, )- Las conjtos (Xx) y (Ys) son sucesos con probabidades PUXSxIA) y PLYSY)-F0) Donde Fs) y Fl) som ae Fusions de distribu de as variables leatorits Xe Y respecti= ‘amente El suces producto de los anteriores: (Xex}=[Ysy}=(Xsx, sj} es también un st caso cuya probabiad es na funcion dex ey, conocda como la fncion de dsribuién com jade la variable aleatoria (X,Y). Definicion: Se defi Iafuneibn de dissbuciénconjunta de (X,Y), 0 simplemente fincion de ddatibacin de a vrableleatoria(X, ¥) come: Fly) = P(XSx Ys) o La dstbucin de cada una de las variables alestorias po separado se denomina dsibucin ‘marginal. Asi FG) sl funcio de dstibucion marginal de X y Fy) a margial de Y. Como ‘Sever adelante, en general Fx, no puede deteminarseenfuncion de Fs) y FQ). Sit ‘embargo, est relaconad con estas fanciones pues Ft) =F) Feb 9) “0 2) En efecto, {Y¥0 se define una dit but condicionaa sobre l verical correspondien- Ypres te. Andlogamente para cada valor y, con f)>0 se deine una distibucion condicionada sobre lahore } zontal corespondiente — ax % 4. VARIABLE ALEATORIA BIOMENSIONAL CONTINUA. FUNCION DE DENSIOAD Diremos que la variable aleatoria (X, ¥) es cominua cuando 1 funcién de dstribucin es com ‘nua y derivable entodo punto. En al aso eis fucin de densidad 3) dad por fay) ZF) o Se) = SE 5) 2: comprede qu fi, 20 edo en va qu 3) en dein. De (1) edPeede | frtedew a9) desonte: Tires wn an un aces ites dl ip (Xs yes) scum Pacer yay i iy a Por tat, como ule sue B dl plo puede descomporre en sums de sucess di Fens ee PUB) = PID freer dey eyed} TAlr ee Peek sesany sy) Pipes Por i Figur Sse comprende que FOV sy, xcXactAe) = Fest 9) - Fos 9) FlxeXSe'dx) “Ftd Fue) porta Fle+de.y)~ Fly) jp Flees) Feo), = FF trea portato ™ 10)- S08) @ Aopen: 1) a» 40) oa is onions (0.96). Tenge presen en (2) que x eh un pi iets ‘que y es la variable. * a ® asaBiss AEATORAS HOME WBONAES o9 ‘Veamos a interprets gfe, Sabemos que stay ny _PrcXextdny <¥ syed) PQReXsxrds) luego fly py es la razin de a masa de probabil en fl elemento diferencia dels Figura 6 is masa en la fraja vertical (x, xd). Para un valor dado sa dens ad yl ese! perfil yx) aormalizao pra hacer que suiea ex igval 5, VARIABLE ALEATORIAN DIMENSIONAL Todo lo disho pare vaabies alstora bidimensionales se general ficilmente par el caso de una variable aletoia x dimensional Si X= (%, Xa, ., el es un vrnlealeatoran dimensional, se define su funcion de ds bucion mediante Fa 89) = POS, NSE, XK) es) Y ten as mismas propcdads que nel aso bimensional,es desi: ses no negatva: FC, 35. 920 ‘sno deresient para cada ua dens variables componeates ‘es continua la dezeca de eda una de las components Feat, 42)=1 FL 1, 0, Y= = FH MG 2) 90 6. VARIABLES ALEATORS INDEPENDIENTES La nocién de variables lestoras independentes se introduce deforma sma lconcepto de sucess independents Se pueden consdear variables aleatoriscontnuas 9 dicretar En lo {ue sigue ae emplearin variables seatoriascontiauss: los msnos conceptos se trasadan sin ificuta 2 variabesdixretas. ac Delintin: se dice que las variables sleatoias X e Y som independients silos sucesos (Xxx) y (¥5p) son independienes para cuslesquera valores xe. Por tanto PX, ¥s3} = PKS} -P(YEy) 28)