Estadistica

Curso elemental de PROBABILIDAD Y ESTAD ISTICA
Luis Rincn o Departamento de Matemticas a Facultad de Ciencias UNAM Circuito Exterior de CU 04510 Mxico DF e Versin: Diciembre 2007 o
Una versin actualizada del presente texto se encuentra disponible en formato o electrnico en la direccin o o http://www.matematicas.unam.mx/lars
Prlogo o
El presente texto constituye el material completo del curso semestral de Probabilidad y Estad stica, impartido por el autor a alumnos de la licenciatura en ciencias de la computacin en la Facultad de Ciencias de la UNAM. Contiene el teo mario bsico para un curso elemental e introductorio a algunos temas tradicionales a de la probabilidad y la estad stica, as como una coleccin de ejercicios. Algunos o de estos ejercicios aparecen a lo largo del texto como parte de la lectura, y una coleccin ms extensa aparece al nal del libro incluyendo algunas soluciones o o a sugerencias para resolverlos. El texto est dirigido de manera general a alumnos de las distintas carreras de a ingenier ciencias de la computacin, y otras carreras cient a, o cas similares, cuyos programas de estudio contemplan un semestre introductorio a estos temas. Como es natural en este tipo de cursos, no se hace nfasis en el rigor matemtico de la e a demostracin de los resultados, sino en el uso, interpretacin y aplicacin de stos. o o o e Como prerequisitos para una lectura provechosa de este material, se requiere, en determinados momentos, tener cierta familiaridad con algunos conceptos elementales de lgebra y del clculo diferencial e integral. El texto fue escrito en el sistema a a A L TEX, y la mayor de las ilustraciones fueron elaboradas usando el paquete psa tricks. El autor agradece cualquier comentario, sugerencia o correccin enviada al correo o electrnico que aparece abajo. o Luis Rincn o Diciembre 2007 Ciudad Universitaria UNAM lars@fciencias.unam.mx
Contenido
1. PROBABILIDAD 1.1. Introduccin . . . . . . . . . . . . . . . . . o 1.2. Probabilidad . . . . . . . . . . . . . . . . 1.3. Anlisis combinatorio . . . . . . . . . . . a 1.4. Probabilidad condicional e independencia 1.5. Variables aleatorias . . . . . . . . . . . . . 1.6. Funciones de densidad y de distribucin . o 1.7. Esperanza, varianza, momentos . . . . . . 1.8. Distribuciones de probabilidad . . . . . . 1.9. Vectores Aleatorios . . . . . . . . . . . . . 2. ESTAD ISTICA 2.1. Introduccin . . . . . . . . . . . . o 2.2. Variables y tipos de datos . . . . 2.3. Estad stica descriptiva . . . . . . 2.4. Muestras aleatorias y estad sticas 2.5. Estimacin puntual . . . . . . . . o 2.6. Estimacin por intervalos . . . . o 2.7. Pruebas de hiptesis . . . . . . . o A. Ejercicios B. Soluciones C. Formulario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
5 6 13 20 28 35 39 45 52 74 83 84 84 86 88 89 93 99 107 139 167
Contenido
Parte 1
PROBABILIDAD
En esta primera mitad del curso estudiaremos algunos conceptos elementales de la teor matemtica de la probabilidad. Esta teor tuvo como uno de sus primeros a a a puntos de partida el intentar resolver un problema particular concerniente a una apuesta de juego de dados entre dos personas. El problema al que nos referimos involucraba una gran cantidad de dinero y puede plantearse de la siguiente forma: Dos jugadores escogen cada uno de ellos un n mero del 1 al 6, distinto u uno del otro, y apuestan 32 doblones de oro a que el n mero escogido por u uno de ellos aparece en tres ocasiones antes que el n mero del contrario u al lanzar sucesivamente un dado. Suponga que el n mero de uno de los u jugadores ha aparecido dos veces y el n mero del otro una sola vez. u Cmo debe dividirse el total de la apuesta si el juego se suspende? o Uno de los apostadores, Antonio de Gombaud, popularmente conocido como el caballero De Mere, deseando conocer la respuesta al problema plantea a Blaise Pascal (1623-1662) la situacin. Pascal a su vez consulta con Pierre de Fermat (1601o 1665) e inician un intercambio de cartas a propsito del problema. Esto sucede en o el a o de 1654. Con ello se inician algunos esfuerzos por dar solucin a ste y otros n o e problemas similares que se plantean. Con el paso del tiempo se sientan las bases y las experiencias necesarias para la b squeda de una teor matemtica que sinteu a a tice los conceptos y los mtodos de solucin de los muchos problemas particulares e o resueltos a lo largo de varios a os. n
1.1. Introduccion
Blaise Pascal (Francia, 16231662)
Pierre de Fermat (Francia, 16011665)
En el segundo congreso internacional de matemticas, celebrado en la ciudad de Paa ris en el a o 1900, el matemtico David Hilbert (1862-1943) plantea 23 problemas n a matemticos de importancia. Uno de estos problemas es el de encontrar axiomas a o postulados a partir de los cuales se pueda construir una teor matemtica de a a la probabilidad. Aproximadamente treinta a os despus, en 1933, el matemtico n e a ruso A. N. Kolmogorov (1903-1987) propone ciertos axiomas que a la postre resultaron adecuados para la construccin de una teor de la probabilidad. Esta teor o a a prevalece hoy en d y ha adquirido el calicativo de teor clsica. Actualmente a a a la teor clsica de la probabilidad se ha desarrollado y extendido enormemente a a gracias a muchos pensadores que han contribu a su crecimiento, y es sin duda do una parte importante y bien establecida de las matemticas. Ha resultado util paa ra resolver problemas puramente matemticos, pero sobre todo y principalmente, a para modelar situaciones reales o imaginarias, en donde el azar es relevante.
1.1.
Introduccin o
La teor de la probabilidad es la parte de las matemticas que se encarga del a a estudio de los fenmenos o experimentos aleatorios. Por experimento aleatorio eno tenderemos todo aquel experimento que cuando se le repite bajo las mismas condiciones iniciales, el resultado que se obtiene no siempre es el mismo. El ejemplo ms a sencillo y cotidiano de un experimento aleatorio es el de lanzar una moneda o un dado, y aunque estos experimentos pueden parecer muy modestos, hay situaciones en donde se utilizan para tomar decisiones de cierta importancia. En principio no
Parte 1. PROBABILIDAD
sabemos cul ser el resultado del experimento aleatorio, asi que por lo menos cona a viene agrupar en un conjunto a todos los resultados posibles. El espacio muestral (o tambin llamado espacio muestra de un experimento aleatorio es el conjunto de e todos los posibles resultados del experimento, y se le denota generalmente por la letra griega (omega). Ms adelante mostraremos que este conjunto no es necea sariamente unico y su determinacin depende del inters del observador o persona o e que realiza el experimento aleatorio. En algunos textos se usa tambin la letra S e para denotar al espacio muestral. Esta letra proviene del trmino sampling space de e la lengua inglesa equivalente a espacio muestral. Por otro lado, llamaremos evento a cualquier subconjunto del espacio muestral y denotaremos a los eventos por las primeras letras del alfabeto en may sculas: A, B, C, etc. Con la ayuda de algunos u ejemplos ilustraremos a continuacin los conceptos de espacio muestral y evento. o Ejemplo. Si un experimento aleatorio consiste en lanzar un dado y observar el n mero que aparece en la cara superior, entonces claramente el espacio muestral es u el conjunto = {1, 2, 3, 4, 5, 6}. Como ejemplo de un evento para este experimento podemos denir el conjunto A = {2, 4, 6}, que corresponde al suceso de obtener como resultado un n mero par. Si al lanzar el dado una vez se obtiene el n mero u u 4, decimos entonces que se observ la ocurrencia del evento A, y si se obtiene o por ejemplo el resultado 1, decimos que no se observ la ocurrencia del evento A. o Ejemplo. Considere el experimento aleatorio de participar en un juego de loter a. Suponga que hay un milln de n meros en esta loter y un jugador participa con o u a un boleto. Cul es un posible espacio muestral para este experimento? Naturala mente al jugador le interesa conocer su suerte en este juego y puede proponer como espacio muestral el conjunto = {ganar, perder}. Sin embargo puede tambin e tomarse como espacio muestral el conjunto que contiene a todos los posibles n meu ros ganadores, es decir, = {1, 2, . . . , 1000000}. Este ejemplo sencillo muestra que el espacio muestral de un experimento aleatorio no es unico y depende del inters e del observador. Ejemplo. Suponga que un experimento aleatorio consiste en observar el tiempo en el que una mquina en operacin sufre su primera descompostura. Si se consideran a o mediciones continuas del tiempo, entonces puede adoptarse como espacio muestral para este experimento el intervalo [0, ). El subconjunto A = [1, 2] corresponde al evento en el que la primera descompostura se observe entre la primera y la segunda unidad de tiempo.
1.1. Introduccion
Ejercicio. Encuentre un espacio muestral para el experimento aleatorio de observar el marcador nal de un juego de f tbol soccer. Es un espacio muestral nito o u innito? Ejercicio. Suponga que se tiene en operacin una sala de cmputo con 100 compuo o tadoras. Encuentre un espacio muestral para el experimento de observar la conguracin de mquinas, desde el punto de vista de uso o no uso, en un momento o a cualquiera del d a. Puesto que los conceptos de espacio muestral y evento involucran forzosamente la terminolog de conjuntos, recordaremos a continuacin algunas operaciones entre a o estos objetos, y algunas propiedades que nos sern de utilidad en el estudio de la a probabilidad y la estad stica. Operaciones con conjuntos. Supondremos que el espacio muestral de un experimento aleatorio es una especie de conjunto universal, y cualquier elemento de lo denotaremos por (omega min scula). El conjunto vac lo denotaremos u o por . Otros s mbolos usuales son los de pertenencia (), o no pertenencia () de / un elemento en un conjunto, y los de contencin (, ), o no contencin () de o o un conjunto en otro. Si A es un conjunto, denotamos la cardinalidad o n mero u de elementos de ese conjunto por el s mbolo #A. Sean A y B dos subconjuntos cualesquiera de . Recordamos a continuacin las operaciones bsicas de unin, o a o interseccin, diferencia y complemento: o AB = = = = { : A B}, o
AB AB Ac
{ : A y B}, { : A y B}, / { : A}. /
Cuando los conjuntos se expresan en palabras, la operacin unin, A B, se lee o o A o B y la interseccin, A B, se lee A y B. En la Figura 1.1 se muestran en o diagramas de Venn estas dos operaciones. La diferencia entre dos conjuntos A y B se denota por A B, y corresponde a aquel conjunto de elementos de A que no pertenecen a B, es decir, A B se dene como AB c . En general, el conjunto AB es distinto de B A, de hecho estos conjuntos son siempre ajenos. Puede usted comprobar tal armacin? En qu caso ambos o e conjuntos coinciden? Por otro lado el complemento de un conjunto A se denota
9
B
AB AB
Figura 1.1: por Ac y se dene como la coleccin de aquellos elementos de que no pertenecen o a A. Mediante un diagrama de Venn ilustramos grcamente las operaciones de a diferencia y complemento en la Figura 1.2.
A B A
AB A
c
Figura 1.2: Ejemplo. Sea A el conjunto de aquellas personas que tienen hijos, y B la coleccin de aquellas personas que estan casadas. Entonces el conjunto A B consta o de aquellas personas que estan casadas y tienen hijos, mientras que el conjunto A B c est constituido por aquellas personas que tienen hijos pero no estan caa sadas. Quin es Ac B? Observe que cada persona es un elemento de alguno de e los siguientes conjuntos: AB, AB c , Ac B Ac B c . A cul pertenece usted? o a Ejercicio. Demuestre que si A B, entonces B c Ac . Ejercicio. Considere los subconjuntos de n meros reales A = {x R : x2 1} y u B = {x R : x > 0}. Encuentre y represente en el eje real los conjuntos: A B,
10
A B, A B y B A.
1.1. Introduccion
Es fcil vericar que el conjunto vac y el conjunto total satisfacen las siguientes a o propiedades elementales: A = A, A = A, A = , A Ac = , A = , A Ac = . Las operaciones unin e interseccin son asociativas, esto o o es, satisfacen las siguientes igualdades: A (B C) A (B C) y tambin son distributivas, es decir, e A (B C) A (B C) = (A B) (A C), = (A B) (A C). = (A B) C, = (A B) C,
Recordemos tambin la operacin diferencia simtrica entre dos conjuntos A y B, e o e denotada por AB, y denida como sigue: AB = (A B) (B A). En la Figura 1.3 ilustramos grcamente el conjunto resultante de efectuar la diferencia a simtrica entre los conjuntos A y B. Visualmente es fcil comprobar que la difee a rencia simtrica tambin puede escribirse como (A B) (B A). Cmo podr e e o a expresarse en palabras al conjunto AB?
A B
AB
Figura 1.3: Recordemos adems las muy utiles leyes de De Morgan: a (A B)c (A B)
c
= Ac B c , = Ac B c .
La validez de estas dos igualdades puede extenderse a colecciones nitas e incluso arbitrarias de conjuntos. Puede usted escribir estas identidades para n conjuntos?
11
Conjuntos ajenos. Decimos que dos conjuntos A y B son ajenos (o disjuntos) si se cumple la igualdad A B = , es decir, los conjuntos A y B son ajenos cuando no existe un elemento que pertenezca tanto a A como a B. Por ejemplo, si = {1, 2, 3, 4, 5, 6}, entonces los conjuntos A = {1, 2} y B = {3, 4} son ajenos pues no hay ning n elemento com n entre ellos. El ejemplo general ms importante de u u a conjuntos o eventos ajenos es la pareja dada por A y Ac , para cualquier conjunto A. Ejercicio. Suponga que A es el conjunto de ra ces de la ecuacin cuadrtica x2 o a x 2 = 0, y B es el intervalo [0, 3]. Son los conjuntos A y B ajenos? Este concepto puede extenderse al caso cuando se tienen varios conjuntos. Decimos que n conjuntos A1 , . . . , An son ajenos si A1 An = , y se dice que son ajenos dos a dos (o mutuamente ajenos) si Ai Aj = para cualesquiera valores de los ndices i, j = 1, 2, . . . , n, con i distinto de j. Existe diferencia en estas dos deniciones y explicaremos la situacin con el siguiente ejemplo: Los conjuntos o A = {1, 2}, B = {2, 3} y C = {3, 4} son ajenos pues A B C = , pero no son ajenos dos a dos pues, por ejemplo, el conjunto A B no es vac Es decir, estos o. conjuntos son ajenos en el sentido de que la interseccin de todos ellos es vac o a pero no son ajenos dos a dos. Ejercicio. Sean A y B dos conjuntos cualesquiera. Compruebe que la coleccin de o conjuntos: A B, Ac B, A B c y Ac B c son ajenos dos a dos. Dibujar un diagrama de Venn podr ayudar a entender la situacin. a o Ejercicio. Compruebe matemticamente que si n conjuntos son ajenos, entonces a son ajenos dos a dos. Las siguientes operaciones entre conjuntos no son elementales y producen nuevos conjuntos que se encuentran en un nivel distinto al de los conjuntos originales. Conjunto potencia. El conjunto potencia de , denotado por 2 , es aquel conjunto cuyos elementos son todos los subconjuntos posibles de . Por ejemplo, si = {a, b, c}, entonces el conjunto 2 consta de 8 elementos, a saber, 2 = {, {a}, {b}, {c}, {a, b}, {a, c}, {b, c}, {a, b, c}}. Observe que los elementos del conjunto potencia son en si mismos conjuntos, y que
12
1.1. Introduccion
en esta coleccin estan contenidos todos los eventos que podr ser de inters en un o an e experimento aleatorio. No es dif demostrar que #(2 ) = 2# , es decir, el n mero cil u de elementos en el conjunto 2 es exactamente 2 elevado a la potencia dada por la cardinalidad de . De este hecho proviene la notacin usada para el conjunto o potencia: 2 . Observe que la expresin 2 no tiene sentido matemtico, y debe o a considerarse como un s mbolo para denotar al conjunto potencia. Para el ejemplo anterior se comprueba que la cardinalidad de 2 es efectivamente 2# = 23 = 8. Ejercicio. Sea = {a}. Quin es 2 ? e Producto Cartesiano. Finalmente recordemos que el producto Cartesiano de dos conjuntos A y B, denotado por A B, se dene como la coleccin de todas las o parejas ordenadas (a, b), en donde a es cualquier elemento de A, y b es cualquier elemento de B. En s mbolos, A B = {(a, b) : a A y b B}. Por ejemplo, si A = {a1 , a2 } y B = {b1 , b2 , b3 }, entonces A B = {(a1 , b1 ), (a1 , b2 ), (a1 , b3 ), (a2 , b1 ), (a2 , b2 ), (a2 , b3 )}. En general los conjuntos producto A B y B A son distintos pues la pareja (a, b) es distinta de (b, a), sin embargo ambos conjuntos tienen la misma cardinalidad, esto es, ambos tienen el mismo n mero de elementos. Ms a n, si la cardinalidad de u a u A es el n mero n, y la cardinalidad de B es m, entonces la cardinalidad del conjunto u AB es el producto nm. Este resultado es llamado principio de multiplicacin que o usaremos ms adelante. Un poco ms generalmente, puede considerarse el producto a a Cartesiano de n conjuntos y comprobarse que #(A1 An ) = #A1 #An . Ejemplo. El producto Cartesiano R R es el conjunto de todas las parejas de n meros reales (x, y). A este conjunto producto se le denota usualmente por R2 . u Anlogamente se construyen los conjuntos R3 , R4 , . . ., Rn , . . . a Ejercicio. Sea A = {0, 1}. Cuntos elementos tiene A A? a
n
Concluimos aqu nuestra rpida y breve revisin de conjuntos. Recordemos que a o estamos interesados en calcular probabilidades de los diferentes eventos, es decir, de subconjuntos del espacio muestral que se obtienen al estudiar los diversos expe-
13
rimentos aleatorios. En la siguiente seccin estudiaremos algunas formas de denir o matemticamente la probabilidad de un evento. a
1.2.
Probabilidad
La probabilidad de un evento A, es un n mero real en el intervalo [0, 1] que denou taremos por P (A), y representa una medida de la frecuencia con la que se observa la ocurrencia del evento A cuando se efect a el experimento aleatorio en cuesu tin. Existen al menos cuatro deniciones de probabilidad las cuales explicamos a o continuacin. o Probabilidad clasica. Sea A un subconjunto de un espacio muestral de cardinalidad nita. Se dene la probabilidad clsica del evento A como el cociente: a P (A) = #A , #
en donde el s mbolo #A denota la cardinalidad o n mero de elementos del conu junto A. Claramente esta denicin es slo vlida para espacios muestrales nitos, o o a pues forzosamente necesitamos suponer que el n mero de elementos en es niu to. Adems, el espacio debe ser equiprobable, pues para calcular la probabilidad a de un evento A, unicamente necesitamos contar cuntos elementos tiene A res a pecto del total , sin importar exactamente qu elementos particulares sean. Por e lo tanto, esta denicin de probabilidad presupone que todos los elementos de o son igualmente probables o tienen el mismo peso. Este es el caso por ejemplo de un dado equilibrado. Para este experimento el espacio muestral es el conjunto = {1, 2, 3, 4, 5, 6}, y si deseamos calcular la probabilidad (clsica) del evento A a correspondiente a obtener un n mero par, es decir, la probabilidad de A = {2, 4, 6}, u entonces #{2, 4, 6} 3 1 P (A) = = = . #{1, 2, 3, 4, 5, 6} 6 2 Probabilidad frecuentista. Suponga que se realizan n repeticiones de un cierto experimento aleatorio y sea A un evento cualquiera. Denotemos por n(A) el n mero de ocurrencias del evento A, en las n realizaciones del experimento. Se u dene entonces la probabilidad frecuentista de A como indica el siguiente l mite P (A) = l m
n
n(A) . n
14
1.2. Probabilidad
En este caso, debemos hacer notar que no es humanamente posible llevar a cabo una innidad de veces el experimento aleatorio, de modo que en la prctica no es posible a encontrar mediante este mecanismo la probabilidad de un evento cualquiera. Esta limitacin hace que esta denicin de probabilidad no sea enteramente formal, pero o o tiene algunas ventajas. Veamos un ejemplo concreto. Consideremos nuevamente el experimento aleatorio de lanzar un dado equilibrado y registrar la ocurrencia del evento A denido como el conjunto {2, 4, 6}. Despus de lanzar el dado 20 veces se e obtuvieron los siguientes resultados:
No. 1 2 3 4 5 6 7 8 9 10 Resultado 3 6 2 1 4 6 3 4 2 5 n(A)/n 0/1 1/2 2/3 2/4 3/5 4/6 4/7 5/8 6/9 6/10 No. 11 12 13 14 15 16 17 18 19 20 Resultado 2 5 1 6 3 1 5 5 2 6 n(A)/n 7/11 7/12 7/13 8/14 8/15 8/16 8/17 8/18 9/19 10/20
En la grca de la Figura 1.4 se muestra el singular comportamiento de este cociente a a lo largo del tiempo, al principio se pueden presentar algunas oscilaciones pero eventualmente el cociente se estabiliza en un cierto n mero. Realizando un mayor u n mero de observaciones del experimento, no es dif creer que el cociente n(A)/n u cil se estabiliza en 1/2 cuando n es grande y el dado es equilibrado. Se invita al lector intrigado a efectuar un experimento similar y corroborar esta interesante regularidad estadstica con ste o cualquier otro experimento aleatorio de su inters. e e
n(A)/n 1/2
8 10 12 14 16 18 20 Figura 1.4:
15
Probabilidad subjetiva. En este caso la probabilidad de un evento depende del observador, es decir, seg n lo que el observador conoce del fenmeno en estudio. u o Puede parecer un tanto informal y poco seria esta denicin de la probabilidad de o un evento, sin embargo en muchas situaciones es necesario recurrir a un experto para tener por lo menos una idea vaga de cmo se comporta el fenmeno de nuestro o o inters y saber si la probabilidad de un evento es alta o baja. Por ejemplo, Cul e a es la probabilidad de que un cierto equipo de f tbol gane en su prximo partido? u o Ciertas circunstancias internas del equipo, las condiciones del equipo rival o cualquier otra condicin externa, son elementos que slo algunas personas conocen y o o que podr darnos una idea ms exacta de esta probabilidad. Esta forma subjetiva an a de asignar probabilidades a los distintos eventos debe, sin embargo, ser consistente con una serie de reglas naturales que estudiaremos a continuacin. o Probabilidad axiomatica. En la denicin axiomtica de la probabilidad no o a se establece la forma expl cita de calcular las probabilidades sino unicamente se proponen las reglas que el clculo de probabilidades debe satisfacer. Los siguientes a tres postulados o axiomas1 fueron establecidos en 1933 por el matemtico ruso A. a N. Kolmogorov.
Axiomas de la probabilidad 1. P (A) 0. 2. P () = 1. 3. P (A B) = P (A) + P (B), cuando A B = .

A. N. Kolmogorov (Rusia, 19031987)
No es dif vericar que las deniciones anteriores de probabilidad satisfacen estos cil tres axiomas. De hecho, estos postulados han sido tomados directamente del anlisis a
1 Un postulado o axioma es una proposicin que se acepta como vlida y sobre la cual se funda o a una teor a.
16
1.2. Probabilidad
cuidadoso y reexivo de las deniciones de probabilidad mencionadas anteriormente. En particular, observe que el tercer axioma es vlido no slo para dos eventos a o ajenos sino para cualquier coleccin nita de eventos ajenos dos a dos. A cualquier o funcin P que satisfaga los tres axiomas de Kolmogorov se le llama medida de o probabilidad, o simplemente probabilidad. A partir de estos postulados es posible demostrar que la probabilidad cumple con una serie de propiedades interesantes. Proposicin. Para cualquier evento A, P (Ac ) = 1 P (A). o Demostracin. De la teor elemental de conjuntos tenemos que = A Ac . Como o a A y Ac son eventos ajenos, por el tercer axioma, P () = P (A)+P (Ac ). Finalmente, como P () = 1, por el segundo axioma obtenemos P (Ac ) = 1 P (A). Proposicin. P () = 0. o Demostracin. Como = c , usando la propiedad anterior, tenemos que P () = o P (c ) = 1 P () = 0. Las siguientes dos proposiciones suponen la situacin A B que se muestra gro a camente en la Figura 1.5.
Figura 1.5: A B. Proposicin. Si A B, entonces P (A) P (B). o Demostracin. Primeramente escribimos B = A (B A). Como A y B A o son eventos ajenos, por el tercer axioma, P (B) = P (A) + P (B A). Usando el primer axioma concluimos que P (B) P (A) = P (B A) 0. De aqui obtenemos P (B) P (A) 0.
Parte 1. PROBABILIDAD Proposicin. Si A B, entonces P (B A) = P (B) P (A). o
17
Demostracin. Como B = A (B A), siendo esta unin ajena, por el tercer o o axioma tenemos que P (B) = P (A) + P (B A). Ejercicio. Sean A B eventos tales que P (Ac ) = 0.9 y P (B c ) = 0.6. Compruebe que P (B A) = 0.3. Proposicin. Para cualquier evento A, 0 P (A) 1. o Demostracin. Como A , se tiene que P (A) P () = 1. La otra desigualdad, o 0 P (A), es simplemente el primer axioma. Proposicin. Para cualesquiera eventos A y B, o P (A B) = P (A) + P (B) P (A B).
Demostracin. Primeramente observamos que para cualesquiera eventos A y B se o cumple la igualdad A B = A (A B). Entonces escribimos a A B como la unin disjunta de los siguientes tres eventos: o AB = = (A B) (A B) (B A) (A A B) (A B) (B A B).
Ahora aplicamos la probabilidad. Por el tercer axioma, P (A B) = P (A A B) + P (A B) + P (B A B). Pero A B A, de modo que P (A A B) = P (A) P (A B). Anlogamente a P (B A B) = P (B) P (A B). Por lo tanto P (A B) = P (A) + P (B) P (A B).
18
1.2. Probabilidad
En la Figura 1.6 (a) el lector puede comprobar la validez de la frmula anterior o identicando las tres regiones ajenas de las que consta A B. El trmino P (A) e abarca las primeras dos regiones de izquierda a derecha, P (B) abarca la segunda y tercera regin. Observe entonces que la regin central ha sido contada dos veces de o o modo que el trmino P (A B) da cuenta de ello. De esta forma las tres regiones e son contadas una sola vez y el resultado es la probabilidad del evento A B.
A B A B
(a) A B
C (b) A B C
Figura 1.6: Ejercicio. Sean A y B eventos ajenos tales que P (B) = 0.3 y P (A B c ) = 0.2. Compruebe que P (A B) = 0.5. Observe que la frmula anterior es vlida para cualesquiera eventos A y B. En o a particular, cuando son conjuntos ajenos, es decir, cuando A B = , entonces la frmula demostrada se reduce al tercer axioma de la probabilidad, es decir, o P (A B) = P (A) + P (B). El siguiente resultado es una generalizacin del anterior o e involucra tres eventos cualesquiera. La frmula que a continuacin se demuestra o o puede tambin vericarse usando el diagrama de Venn que aparece en la Fig 1.6 (b). e Para ello siga los trminos del lado derecho de la frmula y compruebe que cada e o regin es contada una sola vez de modo que el resultado nal es la probabilidad o del evento A B C. Proposicin. Para cualesquiera eventos A, B y C, o P (A B C) = P (A) + P (B) + P (C) P (A B)
P (A C) P (B C) + P (A B C).
19
Demostracin. Usando la frmula para dos eventos y agrupando adecuadamente, o o P (A B C) = P [(A B) C]
= P (A B) + P (C) P ((A B) C) = P (A) + P (B) P (A B) + P (C) P ((A C) (B C))
= P (A) + P (B) + P (C) P (A B) P (A C) P (B C) +P (A B C).
Las propiedades anteriores son parte del estudio terico y general de la probabilio dad. En general, supondremos que la forma expl cita de calcular estos n meros es u conocida, o que se puede suponer un cierto modelo para llevar a cabo estos clculos a dependiendo del experimento aleatorio en cuestin. Por ejemplo, cuando el espacio o muestral es nito y cada resultado puede suponerse igualmente probable, entonces usaremos la denicin clsica de probabilidad. En otras situaciones asignaremos o a probabilidades de acuerdo a ciertos modelos conocidos. Regresaremos a este punto ms adelante. A manera de resumen presentamos a continuacin una tabla con las a o propiedades de la probabilidad que hemos demostrado. Algunas propiedades de la probabilidad a) P (Ac ) = 1 P (A). b) P () = 0. c) Si A B, entonces P (A) P (B). d) Si A B, entonces P (B A) = P (B) P (A). e) 0 P (A) 1. f) P (A B) = P (A) + P (B) P (A B). g) P (A B C) = P (A) + P (B) + P (C) P (A B) P (A C) P (B C) + P (A B C). Esperamos que, a partir de las propiedades enunciadas y demostradas, el lector haya desarrollado cierta habilidad e intuicin para escribir la demostracin de alguna otra o o
20
1.3. Analisis combinatorio
propiedad de la probabilidad. Otras propiedades sencillas pueden encontrarse en la seccin de ejercicios. Debemos tambin decir que las demostraciones no son unicas, o e y que es altamente probable que el lector pueda producir alguna demostracin o diferente a las que aqu se han presentado.
1.3.
Anlisis combinatorio a
Consideraremos ahora el caso cuando el experimento aleatorio es tal que su espacio muestral es un conjunto nito y cada elemento de este conjunto tiene la misma probabilidad de ocurrir, es decir, cuando el espacio es nito y equiprobable. En estos casos hemos denido la probabilidad clsica de un evento A de la siguiente a forma P (A) = #A/#. Para poder aplicar esta denicin necesitamos saber contar o cuntos elementos tiene un evento A cualquiera. Cuando podemos poner en una a lista todos y cada uno de los elementos de dicho conjunto, entonces es fcil conocer a la cardinalidad de A, simplemente contamos todos los elementos uno por uno. Sin embargo, es com n enfrentar situaciones en donde no es factible escribir en u una lista cada elemento de A. Por ejemplo, Cuntos n meros telefnicos existen a u o que contengan por lo menos un cinco? Es poco factible que alguien intente escribir uno a uno todos estos n meros telefnicos. En las siguientes secciones estudiaremos u o algunas tcnicas de conteo que nos ayudarn a calcular la cardinalidad de un evento e a A en ciertos casos particulares. El principio de multiplicacin que enunciamos a o continuacin es la base de muchos de los clculos en las tcnicas de conteo. o a e Proposicin. Si un procedimiento A1 puede efectuarse de n formas distintas y o un segundo procedimiento A2 puede realizarse de m formas diferentes, entonces el total de formas en que puede efectuarse el primer procedimiento seguido del segundo es el producto n m, es decir, #(A1 A2 ) = #A1 #A2 . Para ilustrar este resultado considere el siguiente ejemplo. Suponga que un cierto experimento aleatorio consiste en seleccionar un dado y despus seleccionar al azar e una letra del alfabeto. Cul es la cardinalidad del correspondiente espacio muesa tral? El experimento de lanzar un dado tiene 6 resultados posibles y consideremos que tenemos un alfabeto de 26 letras. El correspondiente espacio muestral tiene entonces cardinalidad 6 26 = 156. El principio de multiplicacin es vlido no o a solamente para dos procedimientos sino que tambin vale para cualquier sucesin e o nita de procedimientos. Por ejemplo, si A1 , A2 , . . . , Ak denotan k procedimien-
21
tos sucesivos, entonces este principio se puede enunciar en s mbolos de la forma siguiente: #(A1 Ak ) = #A1 #Ak . Ejercicio. Un hombre tiene 4 pantalones distintos, 6 camisas, y dos pares de zapatos. De cuntas formas distintas puede el hombre vestirse con estas prendas? a Vamos a considerar a continuacin diferentes esquemas y contextos en donde es o posible encontrar una frmula matemtica para ciertos problemas de conteo. En o a todos ellos aplicaremos el principio de multiplicacin. El esquema general es el de o extraer al azar k objetos, uno a la vez, de una urna con n objetos distintos. Esto se muestra en la Figura 1.7.
n objetos urna
k objetos muestra
Figura 1.7: Ordenaciones con repeticion: Muestras con orden y con reemplazo. Suponga entonces que tenemos una urna con n objetos distintos. Deseamos realizar k extracciones al azar de un objeto a la vez. Al efectuar una extraccin, registramos o el objeto escogido y lo regresamos a la urna, de esta forma el mismo objeto puede ser extra varias veces. El total de arreglos que se pueden obtener de esta urna al do hacer k extracciones es el n mero nk , pues en cada extraccin tenemos n objetos u o posibles para escoger y efectuamos k extracciones. Esta frmula es consecuencia del o principio de multiplicacin enunciado antes. A este n mero se le llama ordenaciones o u con repeticin. Se dice que la muestra es con orden pues es importante el orden en el o que se van obteniendo los objetos, y es con reemplazo pues cada objeto seleccionado se reincorpora a la urna. Ejemplo. Suponga que tenemos un conjunto de 60 caracteres diferentes que contiene todas las letras min sculas del alfabeto, las letras may sculas, los diez d u u gitos
22
y algunos caracteres especiales. Cuntos passwords o palabras clave de longitud a 4 se pueden construir usando el conjunto de 60 caracteres? Este es un ejemplo de una ordenacin de 60 caracteres en donde se permiten las repeticiones. Como o cada caracter de los 60 disponibles puede ser escogido para ser colocado en cada una de las cuatro posiciones de la palabra clave, entonces se pueden construir 60 60 60 60 = 604 = 12, 960, 000 distintos passwords de longitud 4. Ejercicio. Diez personas votarn por uno de tres candidatos. De cuntas formas a a distintas pueden los votos ser registrados uno por uno? Solucin: 59049. o Ejercicio. En un partido de f tbol hubo 4 goles en el marcador nal. Cuntas u a historias distintas de marcadores llevan a un marcador nal donde hay 4 goles? Solucin: 16. o Ordenaciones sin repeticion: Muestras con orden y sin reemplazo. Suponga que se tiene la misma situacin que antes, una urna con n objetos y de los o cuales se deben extraer, uno a uno, k objetos. Suponga esta vez que el muestreo es sin reemplazo, es decir, una vez seleccionado un objeto ste ya no se reincorpora e a la urna. El total de arreglos distintos que se pueden obtener de este modo es el n mero: n(n 1)(n 2) (n k + 1). Primeramente debemos observar que u hay k factores en la expresin anterior. El primer factor es n y ello es debido a o que tenemos cualesquiera de los n objetos para ser colocado en primera posicin, o para la segunda posicin tenemos ahora n 1 objetos, para la tercera n 2 objeo tos, etc. Este razonamiento termina al escoger el k-simo objeto para cual tenemos e unicamente n k + 1 posibilidades. Nuevamente por el principio multiplicativo, la respuesta es el producto indicado. La expresin encontrada puede escribirse como o sigue: n! P (n, k) = , (n k)!
y se lee permutaciones de n en k. En el caso particular cuando la muestra es exhaustiva, es decir, cuando k = n, o bien cuando todos los objetos son extra dos uno por uno, entonces se tienen todas las permutaciones o distintos rdenes en que o se pueden colocar n objetos. Ejemplo. De cuantas formas distintas pueden asignarse los premios primero, segundo y tercero en una rifa de 10 boletos numerados del 1 al 10? Claramente se trata de una ordenacin sin repeticin de 10 objetos en donde se deben extraer 3 de o o
23
ellos. La respuesta es entonces que existen 10 9 8 = 720 distintas asignaciones para los tres primeros lugares en la rifa. Ejercicio. De cuntas formas distintas pueden dos equipos de f tbol terminar en a u la clasicacin general de un torneo en donde compiten 20 equipos? Solucin: 380. o o Permutaciones: Muestras exhaustivas con orden y sin reemplazo. La pregunta bsica acerca del total de formas en que podemos poner en orden lineal a (uno detrs de otro y por lo tanto no hay repeticin) n objetos distintos tiene como a o respuesta el factorial de n, denotado por n! y denido como sigue: n! = n(n 1)(n 2) 3 2 1. A este n mero tambin se le conoce como las permutaciones de n objetos, y se u e usa la notacin P (n) = n! Adicionalmente y por conveniencia se dene 0! = 1. o Observe que las permutaciones de n objetos es un caso particular de la situacin o mencionada en la seccin anterior sobre ordenaciones sin repeticin pero ahora o o cuando la muestra es exhaustiva, es decir, cuando se extraen los n objetos de la urna. Ejemplo. Si deseamos conocer el total de formas distintas en que podemos colocar una enciclopedia de 5 vol menes en un librero, la respuesta es claramente u 5! = 5 4 3 2 1 = 120. El razonamiento es el siguiente: Cualquiera de los cinco libros puede ser colocado al principio, quedan cuatro libros por colocar en la segunda posicin, restan entonces tres posibilidades para la tercera posicin, o o etc. Por el principio de multiplicacin la respuesta es el producto de estos n meros. o u Ejercicio. La novela Rayuela del escritor argentino Julio Cortzar contiene 56 a cap tulos que aparentemente pueden ser le dos en cualquier orden. De cuntas a formas distintas puede ser le esta novela? da Combinaciones: Muestras sin orden y sin reemplazo. Supongamos nuevamente que tenemos un conjunto de n objetos distinguibles y nos interesa obtener una muestra de tama o k. Supongamos ahora que las muestras deben ser sin orden n y sin reemplazo. Es decir, en la muestra no debe haber elementos repetidos, pues no hay reemplazo, y adems la muestra debe verse como un conjunto pues no debe a haber orden entre sus elementos. Cuntas diferentes muestras podemos obtener a
24
de estas caracter sticas? Para responder a esta pregunta seguiremos el siguiente razonamiento. Cuando el orden importa hemos encontrado antes la frmula o n! . (n k)! Ahora que no nos interesa el orden, observamos que cada uno de los arreglos de la frmula anterior, est siendo contado k! veces, las veces en que los mismos k o a elementos pueden ser permutados unos con otros, siendo que el conjunto de elementos es el mismo. Para obtener arreglos en donde el orden no importa, debemos entonces dividir por k! La frmula a la que hemos llegado se llama combinaciones o de n en k, que denotaremos como sigue: n k = n! . k! (n k)!
A este n mero tambin se le conoce con el nombre de coeciente binomial de n en u e k, pues aparece en el famoso teorema del binomio:
n
(a + b)n =
k=0
n nk k a b . k
Para los casos n = 2 y n = 3 el teorema del binomio se reduce a las siguientes frmulas que muy seguramente el lector conoce: o (a + b)2 (a + b)3 = = a2 + 2ab + b2 . a3 + 3a2 b + 3ab2 + b3 .
Ejemplo. Cuntos equipos distintos de tres personas pueden escogerse de un grupo a de 5 personas? Observe que el orden de las tres personas escogidas no es importante de modo que la respuesta es 5 = 5!/(3! (5 3)!) = 10. 3 Ejercicio. En un popular juego de loter se pide adivinar los seis n meros que sern a u a escogidos al azar dentro del conjunto {1, 2, . . . , 49}. Cul es el total de arreglos a con los cuales un jugador puede participar en este juego? Si se establece que un jugador obtiene un segundo lugar si acierta unicamente a cinco de los seis n meros u seleccionados, cuntos segundos lugares puede haber para una arreglo dado de a seis n meros? u
25
Ejercicio. Un cierto partido de f tbol termin con un marcador de 4-4. De cuntas u o a formas distintas pudieron los equipos alternarse en anotar para llegar a tal resultado? Solucin: 70. Cree usted que todos estos resultados son igualmente probables? o El coeciente binomial es tambin una forma de generar las entradas del as llamado e tringulo de Pascal, que puede observarse en Figura 1.8. a
1 1 1 1 1 1 1 6 5 4 3 6 10 10 15 20 15 2 3 4 5 6 1 1 1 1 1 1
Figura 1.8: El n-simo rengln del tringulo de Pascal, iniciando desde cero, contiene los coee o a cientes del desarrollo de (a + b)n . Existe una forma sencilla de construir este tringulo observando que cada uno de estos n meros, exceptuando los extremos, es a u la suma de los dos n meros inmediatos del rengln anterior. A este respecto vase u o e por ejemplo el Ejercicio 53 en la pgina 112. a Coeficiente multinomial. Ahora consideremos que tenemos n objetos no necesariamente distintos unos de otros. Por ejemplo, supongamos que tenemos k1 objetos de un primer tipo, k2 objetos de un segundo tipo, y as sucesivamente, hasta km objetos del tipo m, en donde k1 + k2 + + km = n. Estos n objetos pueden todos ordenarse uno detrs de otro de tantas formas distintas como indica a el as llamado coeciente multinomial: n k1 k2 km1 km = n! . k1 ! k2 ! km1 ! km !
Un razonamiento para obtener esta frmula es el siguiente. Si consideramos que o los n objetos son todos distintos, entonces claramente las distintas formas en que
26
pueden escribirse todos estos objetos uno detrs de otro es n! Pero para cada uno a de estos arreglos, los k1 objetos del primer tipo, supuestos inicialmente distintos cuando en realidad no lo son, pueden permutarse entre s de k1 ! formas diferentes, siendo que el arreglo total es el mismo. De aqui que debamos dividir por k1 ! Lo mismo sucede con los elementos del segundo tipo y as sucesivamente hasta los elementos del tipo m. El coeciente multinomial aparece en la siguiente frmula: o (a1 + a2 + + am )n = n ak1 ak2 akm , m k1 km 1 2 (1.1)
en donde la suma se efect a sobre todos los posibles valores enteros no negativos u de k1 , k2 , . . . , km , tales que k1 + k2 + + km = n. Por ejemplo, compruebe el lector que la frmula (1.1) produce la siguiente expresin: o o (a + b + c)2 = a2 + b2 + c2 + 2ab + 2ac + 2bc. Puede usted desarrollar (a + b + c)3 ? Es interesante observar que cuando hay unicamente dos tipos de objetos, el coeciente multinomial se reduce al coeciente binomial. Muestras sin orden y con reemplazo. Finalmente consideremos el caso de hacer k extracciones de una urna de n objetos con las condiciones de que cada objeto extra es regresado a la urna (y entonces puede ser elegido nuevamente), do y en donde el orden de la muestra no es relevante. Para encontrar una frmula para o el total de muestras que pueden obtenerse con estas caracter sticas usaremos una modelacin distinta pero equivalente. Consideremos el arreglo de n casillas de la o Figura 1.9 junto con la siguiente interpretacin. o
1 2

n1
Figura 1.9: La primera casilla tiene dos cruces y eso indica que la bola uno fue seleccionada dos veces, la segunda casilla esta vac y ello signica que la bola dos no fue seleccionada, a etc. El n mero de cruces en la casilla i indica entonces el n mero de veces que la u u bola i fue seleccionada. En total debe haber k cruces pues es el total de extracciones. Deseamos entonces conocer el n mero de posibles arreglos que pueden obtenerse con u estas caracter sticas, y debe ser claro, despus de algunos momentos de reexin, e o que ste es el n mero de muestras de tama o k, con reemplazo y sin orden, que se e u n
27
pueden obtener de un conjunto de n elementos distinguibles. Consideremos que las dos paredes en los extremos de este arreglo son jas, estas paredes se encuentran ligeramente remarcadas. Consideremos adems que las posiciones intermedias, cruz a o linea vertical, pueden moverse. En total hay n + k 1 objetos movibles y cambiar de posicin estos objetos produce las distintas conguraciones posibles que nos o interesan. El n mero total de estos arreglos es u n+k1 k que equivale a colocar dentro de las n + k 1 posiciones las k cruces, dejando en los lugares restantes las paredes movibles. Resumen de formulas. En el contexto de muestras de tama o k tomadas de un n conjunto de cardinalidad n, y a manera de resumen parcial, tenemos la siguiente tabla de frmulas. Debemos hacer nfasis sin embargo en que para resolver un o e problema de conteo en particular, no debemos clasicarlo forzosamente y de manera mecnica en alguno de los esquemas mencionados. Muy posiblemente el problema a en cuestin requiera de un razonamiento especial que involucre alguna combinacin o o de las frmulas encontradas. A menudo los problemas de conteo son dif o ciles de resolver y en algunos casos uno puede encontrar dos o mas soluciones distintas y aparentemente correctas. A veces ello se debe a que el problema no esta especicado de manera completa.
Muestras con orden
con reemplazo nk n+k1 k
sin reemplazo n! (n k)! n k
sin orden
28
1.4. Probabilidad condicional e independencia
1.4.
Probabilidad condicional e independencia
Los conceptos de probabilidad condicional e independencia surgieron de manera natural en el proceso de encontrar solucin a algunos problemas provenientes de o situaciones reales. En esta seccin estudiaremos estos conceptos y demostraremos o adems dos resultados de amplia aplicacin: el teorema de probabilidad total y el a o teorema de Bayes. Probabilidad condicional. Sean A y B dos eventos en donde B es tal que su probabilidad es estrictamente positiva. La probabilidad condicional del evento A dado el evento B, denotada por P (A|B), se dene como sigue: P (A|B) = P (A B) . P (B)
La expresin P (A|B) se lee probabilidad condicional del evento A dado el evento o B, o simplemente probabilidad de A dado B. Es claro que para que la denicin o tenga sentido se necesita suponer que P (B) > 0, y por otro lado no existe denicin para P (A|B) cuando P (B) = 0. Ilustraremos con un ejemplo el signicado o de la probabilidad condicional y comprobaremos que el evento B representa informacin adicional acerca del experimento aleatorio que modica, en general, las o probabilidades de los distintos eventos. Ejemplo. Considere el experimento de lanzar un dado equilibrado. Claramente el espacio muestral es = {1, 2, 3, 4, 5, 6}, el cual por hiptesis es equiprobable. Sean o los eventos A = {2} y B = {2, 4, 6} = Cae par. Entonces P (A) = 1/6 mientras que P ({2} {2, 4, 6}) P ({2}) 1/6 P (A|B) = = = = 1/3. P ({2, 4, 6}) P ({2, 4, 6}) 3/6 Observe que conocer la informacin de la ocurrencia del evento B, ha afectado la o probabilidad del evento A, es decir, dada la informacin que el resultado del dado o es un n mero par, la probabilidad de obtener 2 es ahora 1/3. u Ejercicio. La siguiente frmula se llama regla del producto: Sean A1 , . . . , An eventos o tales que P (A1 An1 ) > 0. Compruebe que P (A1 An ) = P (A1 )P (A2 |A1 )P (A3 |A1 A2 ) P (An |A1 An1 ).
29
Ejercicio. El siguiente experimento se conoce como la urna de Polya. Suponga que en una urna se tienen b bolas blancas y r bolas rojas. Un experimento aleatorio consiste en seleccionar una bola al azar y regresarla a la urna junto con c bolas del mismo color. Use la regla del producto para calcular la probabilidad de obtener bolas rojas en las tres primeras extracciones.
Independencia de eventos. Se dice que dos eventos cualesquiera A y B son independientes si se cumple la condicin P (A B) = P (A)P (B). Esta igualdad es o equivalente a la expresin P (A|B) = P (A) cuando P (B) > 0. La ventaja de esta o ultima expresin es que posee una interpretacin sencilla: Dice que la probabilidad o o del evento A es la misma cuando sabemos que ha ocurrido el evento B (lado izquierdo), que cuando no sabemos nada (lado derecho). Es decir, la ocurrencia del evento B no afecta la probabilidad del evento A y por lo tanto son independientes. De manera anloga puede interpretarse la igualdad equivalente P (B|A) = P (B), a suponiendo naturalmente que P (A) > 0. En la mayor de los casos de aplicacin a o simplemente supondremos que dos eventos dados son independientes recurriendo unicamente a justicaciones intuitivas. Ejemplo. Suponga que se lanza una moneda dos veces. Es una hiptesis natural o suponer que el resultado del primer lanzamiento no afecta el resultado del segundo lanzamiento. De este modo cualquier evento del primer ensayo es independiente de cualquier otro evento en el segundo ensayo. La denicin de independencia de dos eventos puede generalizarse al caso de varios o eventos de la siguiente forma: Decimos que n eventos A1 , A2 , . . . , An son independientes si se satisfacen todas y cada una de las condiciones siguientes: P (Ai Aj Ak ) = . . . P (A1 An ) = P (Ai Aj ) = P (Ai )P (Aj ), i, j distintos. i, j, k distintos.
P (Ai )P (Aj )P (Ak ),
P (A1 ) P (An ).
En general, para vericar que n eventos son independientes es necesario comprobar todas y cada una de las igualdades arriba enunciadas. Es decir, cualquiera de estas igualdades no implica, en general, la validez de alguna otra, es necesario pues
30
vericarlas todas. No es dif darse cuenta que el total de igualdades es 2n n 1. cil Puede usted justicar este resultado? Ejemplo. Ejercicio. Sea = {1, 2, 3, 4} un espacio muestral equiprobable. Sean los eventos A = {1, 2}, B = {2, 3} y C = {2, 4}. Son A, B y C independientes? Teorema de probabilidad total. Antes de enunciar el siguiente resultado recordaremos el concepto de particin de un conjunto. Una particin nita de un o o conjunto es una coleccin B1 , . . . , Bn de subconjuntos de tal que cada uno de o estos conjuntos es distinto del vac la coleccin es disjunta dos a dos, esto es, para o, o ndices i y j distintos, se cumple que Bi Bj = 0, y adems la unin de toda la a o coleccin produce el total , es decir, B1 B2 Bn = . En la Figura 1.10 se o muestra grcamente el concepto de particin de un conjunto. a o
B1 B2 B3 A
Figura 1.10: Ahora podemos enunciar y demostrar el muy util teorema de probabilidad total.
Teorema de probabilidad total. Sea B1 , B2 , . . . , Bn una particin de tal que o cada elemento de la particin tiene probabilidad estrictamente positiva. Para o cualquier evento A,
n
P (A) =
i=1
P (A | Bi )P (Bi ).
31
Demostracin. Primero observemos que el evento A puede escribirse como sigue o

n n
A= A= A
Bi =
i=1 i=1
A Bi ,
en donde los eventos A B1 , . . . , A Bn son ajenos dos a dos, de modo que

n n n
P (A) = P (
i=1
A Bi ) =
i=1
P (A Bi ) =
i=1
P (A | Bi )P (Bi ).
Observe que cuando la particin de consta de unicamente dos elementos, B y o B c , la frmula del teorema de probabilidad total se reduce a la siguiente expresin. o o P (A) = P (A|B)P (B) + P (A|B c )P (B c ). Ejemplo. Suponga que tenemos dos cajas: una con 3 bolas blancas y 7 de color gris, la otra con 6 blancas y 6 grises. Si se elije una caja al azar y despus se saca una e bola, cul es la probabilidad de que sea blanca? a
Caja 1
Caja 2
Figura 1.11: El experimento aleatorio consiste entonces en escoger una caja al azar, con idntica e probabilidad cada una de ellas, y despus escoger una bola de la caja escogida. Es e claro entonces que el espacio muestral puede escribirse como sigue = {(C1 , B), (C1 , G), (C2 , B), (C2 , G)}, en donde C1 y C2 denotan los eventos en donde las cajas uno y dos fueron escogidas, respectivamente, y B y G denotan los eventos en donde una bola blanca o gris fueron
32
escogidas respectivamente. Nos piden calcular la probabilidad de B. Observe que es fcil calcular la probabilidad de este evento cuando se conoce la caja que fue a escogida. Esto sugiere condicionar sobre el resultado de escoger alguna de las dos cajas y aplicar el teorema de probabilidad total, es decir, P (B) = = = P (B|C1 )P (C1 ) + P (B|C2 )P (C2 ) 3 1 6 1 + 10 2 12 2 2 . 5
Observe adems que la particin del espacio muestral consta de dos elementos: a o {(C1 , B), (C1 , G)} y {(C2 , B), (C2 , G)}. Puede usted comprobar que P (G) = 3/5? Puede uno tambin preguntarse por situaciones aparentemente extra as como la e n siguiente: Si se obtuvo una bola blanca, Cul es la probabilidad de que haya sido a obtenida de la primera caja? Ejemplo. Suponga que en una poblacin humana de igual n mero de hombres y o u mujeres, el 4 % de hombres son daltnicos y el 1 % de las mujeres son daltnicas. o o Una persona es elegida al azar, Cul es la probabilidad de que sea daltnica? a o Denamos primero los eventos de inters. Sea M el evento La persona escogida es e mujer, H el evento La persona escogida es hombre y D el evento La persona escogida es daltnica. Deseamos calcular P (D). Por el teorema de probabilidad o total, P (D) = = = P (D|M )P (M ) + P (D|H)P (H) 1 1 4 1 + 100 2 100 2 1 . 40
Teorema de Bayes. Este es otro resultado interesante que involucra probabilidades condicionales. Fue publicado por primera vez en 1763, dos a os despus de n e la muerte de su creador, el matemtico y telogo ingls Thomas Bayes. a o e
33
Teorema de Bayes. Sea B1 , . . . , Bn una particin de tal que cada elemento o de la particin tiene probabilidad estrictamente positiva. Sea A un evento tal o que P (A) > 0. Entonces para cada j = 1, 2, . . . , n, P (Bj |A) = P (A|Bj )P (Bj )
n
P (A|Bi )P (Bi )
i=1
Demostracin. Por la denicin de probabilidad condicional y el teorema de proo o babilidad total tenemos que P (Bj |A) = = = P (A Bj ) P (A) P (A|Bj )P (Bj ) P (A) P (A|Bj )P (Bj )
n
P (A|Bi )P (Bi )
i=1
Vase la Figura 1.10 para una representacin grca de la particin del espacio e o a o muestral y el evento A. Nuevamente observamos que en el caso cuando la particin o de consta de slo dos elementos: B y B c , el teorema de Bayes, para el evento B, o adquiere la forma: P (B|A) = P (A|B)P (B) . P (A|B)P (B) + P (A|B c )P (B c )
Ejemplo. En una fbrica hay dos mquinas. La mquina 1 realiza el 60 % de la a a a produccin total y la mquina 2 el 40 %. De su produccin total, la mquina 1 o a o a produce 3 % de material defectuoso, la 2 el 5 %. El asunto es que se ha encontrado un material defectuoso, Cul es la probabilidad de que este material defectuoso a provenga de la mquina M2 ? Sea M1 el evento La mquina 1 produjo el material a a
34
escogido, M2 en evento La mquina 2 produjo el material escogido y nalmente a sea D el evento El material escogido es defectuoso. El problema es encontrar P (M2 |D) y obervamos que la informacin que tenemos es P (D|M2 ). Por el teorema o de Bayes tenemos entonces que P (M2 |D) = = = P (D|M2 )P (M2 ) P (D|M1 )P (M1 ) + P (D|M2 )P (M2 )
3 100
5 100 60 100
40 100 5 100
40 100
10 . 19
Puede usted calcular P (M1 |D)? Ejemplo. En un laboratorio se descubri una prueba para detectar cierta enfermeo dad, y sobre la ecacia de dicha prueba se conoce lo siguiente: Si se denota por E el evento de que un paciente tenga la enfermedad y por N el evento de que la prueba resulte negativa, entonces se sabe que P (N c |E) = 0.95, P (N |E c ) = 0.96 y P (E) = 0.01 . Con esta informacin uno podr pensar que la prueba es muy o a buena, sin embargo calcularemos las probabilidades P (E|N ) y P (E|N c ), usando el teorema de Bayes. P (E|N ) = = P (N |E)P (E) P (N |E)P (E) + P (N |E c )P (E c ) 0.05 0.01 0.05 0.01 + 0.96 0.99
= 0.000526 . Es bueno que esta probabilidad sea peque a, pero por otro lado, n P (E|N c ) = = P (N c |E)P (E) P (N c |E)P (E) + P (N c |E c )P (E c )
0.95 0.01 0.95 0.01 + 0.04 0.99
= 0.193 .
35
Esta ultima probabilidad es demasiado peque a y por lo tanto la prueba no es muy n conable en tales casos. Ejercicio. El problema de las tres puertas (Monty Hall). Se le presentan a un concursante tres puertas cerradas detrs de una de las cuales hay un premio. El cona cursante debe adivinar la puerta que contiene el premio para ganarlo. Una vez que el concursante elige una puerta, y antes de abrirla, el presentador del concurso abre alguna de las puertas restantes y de la cual sabe que no contiene ning n premio. u Entonces le pregunta al concursante si desea cambiar su decisin. Qu debe hacer o e el concursante? Justique su respuesta.
1.5.
Variables aleatorias
Dado un experimento aleatorio cualquiera, una variable aleatoria es una transformacin X del espacio de resultados al conjunto de n meros reales, esto es, o u X : R. A menudo se escribe simplemente v.a. en lugar del trmino variable aleatoria. En e sentido estricto una variable aleatoria es una funcin de en R que satisface o adems cierta condicin de medibilidad, pero omitiremos tales tecnicismos pues no a o son de utilidad para los propsitos de este curso. Suponga entonces que se efect a o u el experimento aleatorio una vez y se obtiene un resultado en . Al transformar este resultado con la variable aleatoria X se obtiene un n mero real X() = x. u Podemos entonces suponer que los posibles resultados del experimento aleatorio son los diferentes n meros reales x que la funcin X puede tomar. Ilustramos de u o manera grca el concepto de variable aleatoria en la Figura1.12. Debemos hacer a aqui la siguiente observacin importante. Seguiremos la notacin usual de usar la o o letra may scula X para denotar una variable aleatoria cualquiera, es decir, X es u una funcin de en R, mientras que la letra min scula x denota un n mero real y o u u que es un posible valor de la variable aleatoria. En general, las variables aleatorias se denotan usando las ultimas letras del alfabeto en may sculas, U, V, W, X, Y, Z, u y para un valor cualquiera de ellas se usa la misma letra pero en min scula. u Ejemplo. Suponga que un experimento aleatorio consiste en lanzar al aire una moneda y observar la cara superior una vez que la moneda cae. Denotemos por Cara
36
1.5. Variables aleatorias
X() = x
Figura 1.12: y Cruz los dos lados de la moneda. Entonces claramente el espacio muestral es el conjunto = {Cara, Cruz}. Dena la variable aleatoria X : R de la siguiente forma X(Cara) = 0 y X(Cruz) = 1. De este modo podemos suponer que el experimento aleatorio tiene dos valores numricos posibles: 0 y 1. Observe e que los n meros 0 y 1 son en realidad arbitrarios, otro par de n meros distintos u u puede ser escogido para distinguir los dos resultados del experimento aleatorio. Podemos tambin denir la variable aleatoria Y : R de la siguiente forma e Y (Cara) = Y (Cruz) = 2. En este caso la variable Y solo toma un valor, el n mero 2. Cualquier resultado del experimento aleatorio produce, a travs de la u e funcin Y , el n mero 2. Decimos que Y es la variable aleatoria constante 2. o u Ejemplo. Consideremos el experimento aleatorio consistente en lanzar un dardo en un tablero circular de radio uno. El espacio muestral o conjunto de posibles resultados del experimento se puede escribir como sigue = {(x, y) : x2 + y 2 1}.
= (x, y)
Figura 1.13:
37
Los siguientes son ejemplos de funciones de en R, variables aleatorias, asociadas a este experimento aleatorio. a) X(x, y) = x, b) Y (x, y) = y, c) Z(x, y) = proyeccin sobre el eje horizontal. o proyeccin sobre el eje vertical. o x2 + y 2 , distancia al centro del c rculo. distancia del taxista.
d) V (x, y) = |x| + |y|, e) W (x, y) = xy,
producto de las coordenadas.
Considerando el conjunto de valores que una variable aleatoria puede tomar, vamos a clasicar a las variables aleatorias en dos tipos: discretas o continuas. Decimos que una v.a. es discreta cuando el conjunto de valores que sta toma es un cone junto discreto, es decir, un conjunto nito o numerable. Por ejemplo, el conjunto {0, 1, 2, . . . , n} es un conjunto discreto porque es nito, lo mismo N pues aunque es innito, es numerable y por lo tanto discreto. Por otra parte, decimos que una variable aleatoria es continua cuando toma todos los valores dentro de un intervalo (a, b) R. Esta clasicacin de variables aleatorias no es completa pues existen vao riables que no son de ninguno de los dos tipos mencionados. Por simplicidad en este curso estudiaremos unicamente variables aleatorias que son discretas o continuas. Ejemplo. Las variables X y Y denidas l neas arriba en el ejemplo del lanzamiento de una moneda, son variables aleatorias discretas. En ese ejemplo el espacio muestral mismo es discreto y por lo tanto las variables aleatorias que pueden all denirse tienen que ser discretas forzosamente. En el ejemplo del lanzamiento de un dardo en un tablero circular de radio uno, el espacio muestral (Figura 1.13) es innito no numerable, las variables X, Y, Z, V y W denidas all son todas variables aleatorias continuas. Si se dibujan c rculos concntricos alrededor del origen y si se asignan e premios asociados a cada una de las regiones resultantes, puede obtenerse un ejemplo de una variable aleatoria discreta sobre este espacio muestral. Ejemplo. Un experimento aleatorio consiste en escoger a una persona al azar. La variable aleatoria X evaluada en corresponde a conocer la siguiente caracter stica, o una codicacin de esta caracter o stica, de la persona escogida. En cada caso se trata de una variable aleatoria discreta: a) Edad en a os. b) N mero de hijos. n u c) Peso. d) Estatura. e) Sueldo. f) Nivel escolar. g) Estado civil. h) Lugar de nacimiento.
38
1.5. Variables aleatorias
Usaremos tambin la siguiente notacin importante: Si A es un subconjunto de e o R, entonces la expresin (X A), incluyendo el parntesis, denota el conjunto o e { : X() A}, es decir, (X A) = { : X() A}. En palabras, la expresin (X A) denota aquel conjunto de elementos de tales que bajo la o aplicacin de la funcin X toman un valor dentro del conjunto A. A este conjunto o o se le llama la imagen inversa de A, y se le denota por X 1 A. Ejemplo. Consideremos nuevamente el experimento de lanzar una moneda y la variable aleatoria X que lleva el resultado Cara al valor 0 y el resultado Cruz al valor 1. Tenemos por ejemplo que (X [1, )) = {Cruz} pues el conjunto de elementos de tales que bajo la funcin X toman un valor mayor o igual a uno, o es decir caen dentro del intervalo [1, ), es unicamente el elemento Cruz. Por lo tanto P (X [1, )) = P {Cruz} = 1/2. Del mismo modo puede vericarse que a) P (X [1, 2)) = P ({Cruz}) = 1/2. b) P (X [0, 1)) = P ({Cara}) = 1/2. c) P (X [2, 4]) = P () = 0. d) P (X = 1) = P ({Cruz}) = 1/2. e) P (X 1) = P () = 0. f) P (X 0) = P () = 1. Usaremos con mucha frecuencia la notacin arriba explicada. El lector debe aseo gurarse de comprender bien que si x es un n mero real entonces (X x) es u un subconjunto de y por lo tanto un evento. Lo mismo sucede con el complemento de este conjunto que es (X > x). Podemos escribir entonces la igualdad de conjuntos (X x) (X > x) = . Y aplicando probabilidad se obtiene P (X x) + P (X > x) = 1. Nota importante. A travs de una variable aleatoria se puede considerar que los poe sibles resultados de un experimento aleatorio no son elementos en sino n meros u reales que la variable aleatoria puede tomar. Esta es una consideracin radical pues o ya no consideraremos experimentos aleatorios particulares, ni espacios muestrales arbitrarios , ni eventos (subconjuntos) de , en lugar de ello consideraremos que una cierta variable aleatoria de inters toma valores en un cierto subconjunto de e n meros reales. La probabilidad denida antes para subconjuntos de se traslada, u como explicamos antes, a probabilidades para subconjuntos de R. Esta perspectiva permite estudiar modelos generales y despus aplicarlos a cualquier situacin pare o
39
ticular. A partir de ahora y en lo que resta del curso el trmino variable aleatoria e constituir un elemento frecuente en los enunciados. a
1.6.
Funciones de densidad y de distribucin o
En esta seccin vamos a explicar la forma de asociar a cada variable aleatoria dos o funciones que nos proveen de informacin acerca de las caracter o sticas de la variable aleatoria. Estas funciones, llamadas funcin de densidad y funcin de distribucin, o o o nos permiten representar a un mismo tiempo tanto los valores que puede tomar la variable como las probabilidades de los distintos eventos. Deniremos primero la funcin de densidad para una variable aleatoria discreta, despus para una continua, o e y nalmente deniremos la funcin de distribucin para ambos tipos de variables o o aleatorias. Funcion de probabilidad para una variable discreta. Sea X una variable aleatoria discreta que toma los valores x1 , x2 , . . . con probabilidades respectivas P (X = x1 ), P (X = x2 ), . . .. Esta lista de valores numricos y sus probabilidades e puede ser nita o bien innita, pero numerable. La funcin de probabilidad de la o variable X denotada por f (x) : R [0, ) se dene como sigue f (x) = P (X = x) 0 si x = x1 , x2 , . . . otro caso. (1.2)
En palabras, la funcin de probabilidad es simplemente aquella funcin que indica o o los valores de la probabilidad en los distintos valores que toma la variable aleatoria discreta. Recordemos que es importante poder distinguir entre X y x, pues conceptualmente son cosas muy distintas. Denotaremos generalmente a una funcin de o probabilidad con la letra f min scula. A veces escribiremos fX (x) y el sub u ndice nos ayudar a especicar que tal funcin es la funcin de probabilidad de la variable a o o X. Esta notacin ser particularmente util cuando consideremos varias variables o a aleatorias a la vez. Observe que se cumplen las siguientes dos propiedades, y toda funcin de la forma (1.2) la llamaremos funcin de probabilidad. o o a) f (x) 0, para toda x R. b)
x
f (x) = 1.
40
1.6. Funciones de densidad y de distribucion
Ejemplo. Considere la variable aleatoria discreta X que toma los valores 1, 2 y 3, con probabilidades 0.3, 0.5 y 0.2 respectivamente. Entonces la funcin de probabilidad o de X es 0.3 si x = 1, 0.5 si x = 2, f (x) = 0.2 si x = 3, 0 otro caso. Esta funcin se muestra grcamente en la Figura 1.14 (a). Alternativamente poo a demos tambin expresar esta funcin mediante la tabla de la Figura 1.14 (b). En e o esta representacin se entiende de manera impl o cita que f (x) es cero para cualquier valor de x distinto de 1, 2 y 3. En particular, compruebe que las siguientes probabilidades son correctas: P (X 2) = 0.7, P (|X| = 1) = 0.3, y P (X < 1) = 0.
f (x) 0.5 0.3 0.2 x
x f (x)
1 0.3
(b)
2 0.5
3 0.2
2
(a)
3 Figura 1.14:
Ejemplo. Encontraremos el valor de la constante c que hace que la siguiente funcin o sea de probabilidad. c x si x = 0, 1, 2, 3, f (x) = 0 otro caso. Los posibles valores de la variable aleatoria discreta, no especicada, son 0, 1, 2 y 3, con probabilidades 0, c, 2c y 3c, respectivamente. Como la suma de estas probabilidades debe ser uno, obtenemos la ecuacin c + 2c + 3c = 1. De aqui obtenemos o c = 1/6. Este es el valor de c que hace que f (x) sea no negativa y sume uno, es decir, una funcin de probabilidad. o Ejercicio. Graque y compruebe que las siguientes funciones son de probabilidad. a) f (x) = x2 /10, para x = 2, 1, 0, 1, 2.
Parte 1. PROBABILIDAD b) f (x) = (2x 5)2 /70, para x = 1, 2, 3, 4, 5.
41
Funcion de densidad para una variable continua. Sea X una variable aleatoria continua. Decimos que la funcin integrable y no negativa f (x) : R [0, ) o es la funcin de densidad de X si para cualquier intervalo (a, b) de R se cumple la o igualdad
b
P (X (a, b)) =
f (x) dx.
a
Es decir, la probabilidad de que la variable tome un valor dentro del intervalo (a, b) se puede calcular o expresar como el rea bajo la funcin de densidad en el a o intervalo (a, b). De esta forma el clculo de una probabilidad se reduce al clculo a a de una integral. Vase la Figura 1.15. No es dif comprobar que toda funcin de e cil o densidad f (x) de una variable aleatoria continua cumple las siguientes propiedades anlogas al caso discreto. a a) f (x) 0, para toda x R. b)
f (x) dx = 1.
Toda funcin f (x) : R [0, ) que satisfaga estas dos propiedades, sin necesidad o de tener una variable aleatoria de por medio, se llamar funcin de densidad. a o
f (x)
b
P (X (a, b)) = a b
x
f (x) dx
a
Figura 1.15: La probabilidad como un rea. a Ejemplo. La funcin f (x) dada por o f (x) = 1/2 0 si x (1, 3), otro caso,
42
es una funcin de densidad de una variable aleatoria continua que toma valores en o el intervalo (1, 3), y cuya grca aparece en la Figura 1.16. Observe que se trata a de una funcin no negativa y cuya integral vale uno. o
f (x) 1/2
Figura 1.16:
Ejemplo. Encontraremos el valor de la constante c que hace que la siguiente funcin o sea de densidad. c |x| si x [1, 1], f (x) = 0 otro caso. Se trata de una variable aleatoria continua que toma valores en el intervalo [1, 1]. Como esta funcin debe integrar uno tenemos que o
1 1
1=
1
c |x| dx = 2
c x dx = c.
0
Por lo tanto, cuando tomamos c = 1 la funcin del inciso (b) resulta ser una funcin o o de densidad pues ahora cumple con ser no negativa e integrar uno. Ejercicio. Graque y compruebe que las siguientes funciones son de densidad. a) f (x) = (x + 1)/2, b) f (x) = ex , para x (1, 1).
para x > 0.
43
Funcion de distribucion. Sea X una variable aleatoria discreta o continua. La funcin de distribucin de X, denotada por F (x) : R [0, 1], se dene como o o F (x) = P (X x). Esto es, la funcin de distribucin evaluada en un n mero x o o u cualquiera es simplemente la probabilidad de que la variable aleatoria tome un valor menor o igual a x, o en otras palabras, que tome un valor en el intervalo (, x]. Siendo F (x) una probabilidad, sus valores estn siempre entre 0 y 1. Esta funcin a o resulta ser importante y se le conoce tambin, por razones evidentes, con el nombre e de funcin de acumulacin de probabilidad. Con un par de ejemplo mostraremos la o o forma de calcular esta funcin a partir de la funcin de probabilidad o de densidad. o o Ejemplo. Considere la variable aleatoria discreta X de la Figura 1.14. Tenemos que la correspondiente funcin de distribucin evaluada en x se calcula sumando las o o probabilidades P (X = u) para valores de u menores o iguales a x, es decir, si x < 1, 0 0.3 si 1 x < 2, F (x) = P (X x) = P (X = u) = 0.8 si 2 x < 3, ux 1 si x 3,
cuya grca aparece en la Figura 1.17 (a). Este es el comportamiento t a pico de una funcin de distribucin discreta, es no decreciente, constante por pedazos, y si la o o funcin tiene una discontinuidad en x, entonces el tama o de tal discontinuidad es o n exactamente la probabilidad de que la variable aleatoria tome ese valor.
F (x)
F (x)
1
0.8 0.3 x
2
(a)
3 Figura 1.17:
2
(b)
44
cuya grca aparece en la Figura 1.17 (b). Observe que esta funcin es continua y a o no decreciente.
Ejemplo. Considere ahora la variable aleatoria continua X de la Figura 1.17 (b). La correspondiente funcin de distribucin se obtiene calculando la siguiente integral o o si x 1, 0 x (x 1)/2 si 1 < x < 3, F (x) = P (X x) = f (u) du = 1 si x 3,
En los dos ejemplos anteriores se ha mostrado la forma de obtener F (x) a partir de f (x). Ahora explicaremos el proceso contrario. En el caso continuo tenemos que para toda x en R,
x
F (x) = P (X x) =
f (u) du,
de modo que por el teorema fundamental del clculo, y cuando F (x) es diferenciaa ble, F (x) = f (x). De este modo podemos encontrar f (x) a partir de F (x). En el caso discreto, f (x) = P (X = x) = F (x)F (x), en donde F (x) es el l imite por la izquierda de la funcin F en el punto x, en s o mbolos, F (x) = l F (x h), m
h0 h0
con h > 0. Anlogamente, la expresin F (x+) signica el l a o mite por la derecha de la funcin F en el punto x, es decir, F (x+) = l F (x + h), con h > 0. o m Proposicin. Toda funcin de distribucin F (x) satisface las siguientes propieo o o dades: a) 0 F (x) 1. b) l F (x) = 1. m
x
c)
l m F (x) = 0.
d) Si x1 x2 , entonces F (x1 ) F (x2 ). e) Si x1 x2 , entonces P (x1 < X x2 ) = F (x2 ) F (x1 ). f) F (x) = F (x+).
Parte 1. PROBABILIDAD Demostracin. o
45
a) Primeramente tenemos que F (x) es una probabilidad pues, por denicin, o F (x) = P (X x). Por lo tanto se cumple la primera propiedad. b) Cuando x tiende a innito el conjunto (X x) se aproxima al conjunto (X ) que es idntico a , por lo tanto, cuando x , F (x) P (X e ) = P () = 1. c) Anlogamente el conjunto (X x) se aproxima al conjunto (X ) = a cuando x tiende a menos innito. Por lo tanto, cuando x , F (x) P (X ) = P () = 0. d) Es suciente observar que si x1 x2 , entonces (X x1 ) (X x2 ). Aplicando probabilidad obtenemos P (X x1 ) P (X x2 ). e) Observe que el evento (x1 < X x2 ) puede descomponerse en la diferencia (X x2 ) (X x1 ), en donde (X x1 ) (X x2 ). Por lo tanto P (x1 < X x2 ) = P (X x2 ) P (X x1 ) = F (x2 ) F (x1 ). f) Para h > 0 tenemos que F (x + h) = P (X x + h) = P (X x) + P (x < X x + h), de modo que cuando h tiende a cero, el conjunto (x < X x + h) tiende al conjunto vac Concluimos entonces que, cuando h 0 con h > 0, o. F (x + h) F (x) + P () = F (x).
La propiedad d) signica que F (x) es una funcin montona no decreciente. Mieno o tras que la propiedad f) establece que F (x) es una funcin continua por la derecha. o
1.7.
Esperanza, varianza, momentos
Todos los seres humanos tenemos caracter sticas numricas que nos identican y e nos distinguen de otras personas, por ejemplo, la edad, estatura, talla, peso, etc. Si pudiramos considerar la totalidad de todos estos n meros para una persona e u en particular, la identicar amos de manera unica. Algo similar sucede con las variables aleatorias. En esta seccin estudiaremos algunas caracter o sticas numricas e asociadas a las variables aleatorias.
46
1.7. Esperanza, varianza, momentos
Esperanza. La esperanza de una variable aleatoria X es un n mero denotado por u E(X) y que se calcula como sigue: Si X es discreta, entonces E(X) =
x
xP (X = x),
en donde la suma se efect a sobre todos los posibles valores que pueda tomar la u variable aleatoria, y se dene cuando esta suma sea absolutamente convergente. El n mero de sumandos puede ser nito o innito dependiendo del conjunto de valores u de la variable aleatoria. Si X es continua con funcin de densidad f (x), entonces o la esperanza es E(X) =
xf (x) dx,
suponiendo que esta integral es absolutamente convergente. Si la suma o integral anteriores no cumplen esta condicin de convergencia absoluta, entonces se dice o que la esperanza no existe. La esperanza de una variable aleatoria es entonces un n mero que indica el promedio ponderado de los diferentes valores que puede u tomar la variable. A la esperanza se le conoce tambin con los nombre de: media, e valor esperado o valor promedio. En general se usa la letra griega (mu) para denotarla. La integral o suma arriba mencionados pueden no ser convergentes y en ese caso se dice que la variable aleatoria no tiene esperanza nita. La situacin o anterior se ilustra en los ejercicios 126 y 127. La esperanza es uno de los conceptos ms importantes en probabilidad y tiene un amplio uso en las aplicaciones y otras a ramas de la ciencia. Ilustraremos a continuacin la forma de calcular la esperanza. o Ejemplo. Sea X una variable aleatoria discreta con funcin de densidad dada por o la siguiente tabla. x -1 0 1 2 f (x) 1/8 4/8 1/8 2/8 La esperanza de X es el n mero u E(X) =
x
x f (x) 1 1/8 + 0 4/8 + 1 1/8 + 2 2/8 1/2.
= =
Observe que la suma su efect a para todos los valores de x indicados en la tabla, u es decir: 1, 0, 1 y 2. Tambin es instructivo observar que la esperanza no es necee sariamente uno de los valores tomados por la variable aleatoria. En este ejemplo el
Parte 1. PROBABILIDAD valor 1/2 nunca es tomado por la variable aleatoria, pero es su valor esperado.
47
Ejemplo. Considere la variable aleatoria continua X con funcin de densidad f (x) = o 2x, para x (0, 1), siendo cero fuera de este intervalo. La esperanza de X es E(X) =
1
x f (x) dx =
0
x 2x dx =
2 3 x 3
=
0
2 . 3
Observe que la integral slo es relevante en el intervalo (0, 1), pues fuera de dicho o intervalo la funcin de densidad se anula. o Ejercicio. Considere una variable aleatoria continua X con funcin de densidad o f (x) = |x|, para 1 < x < 1. Compruebe que la esperanza de esta variable aleatoria es cero. Ejercicio. Sea X una variable aleatoria discreta con posibles valores en el conjunto {1, 2, . . . , n}, y tal que la probabilidad de que tome cualquiera de estos valores es 1/n. Compruebe que la esperanza de X es (n + 1)/2. Esperanza de una funcion de una variable aleatoria. En algunos casos es necesario saber calcular la esperanza de una funcin de una variable aleatoria. Por o ejemplo, si X es una variable aleatoria, entonces es claro que Y = X 2 es una funcin o de X y es tambin una variable aleatoria. Si quisiramos calcular la esperanza de e e Y seg n la denicin tendr u o amos que calcular y fY (y) dy, para lo cual se necesita encontrar primero la funcin de densidad de Y , y ello en general no es fcil. El o a siguiente resultado es muy util y nos dice cmo calcular esta esperanza conociendo o unicamente la funcin de densidad de X. A veces se le reere como el teorema del o estadstico inconsciente. Proposicin. Sea X una variable aleatoria continua y sea g : R R una funcin o o tal que g(X) es una variable con esperanza nita. Entonces E[g(X)] =

g(x)fX (x) dx.
(1.3)
48
En general, la demostracin de este resultado es complicada, asi es que la omitireo mos y nos concentraremos en su uso y aplicacin. El resultado esta enunciado en o el caso continuo pero tambin es vlido en el caso discreto, en lugar de la integral e a aparece una suma. Ejemplo. Calcularemos E(Y ) en donde Y = X 2 , y X es la variable aleatoria continua del ejemplo anterior, es decir, con funcin de densidad f (x) = 2x pao ra x (0, 1). Por la proposicin anterior tenemos que o E(Y ) = = =
0
E(X 2 )
1
x2 f (x) dx
x2 2x dx 1 4 x 2 1 . 2
1 0
= =
Ahora, como un ejercicio, encuentre la funcin de densidad de Y y calcule E(Y ) o usando la denicin de esperanza. El resultado debe ser nuevamente 1/2. o Ejercicio. Sea X una variable aleatoria con funcin de probabilidad dada por la o tabla que aparece abajo. Encuentre la funcin de probabilidad de X 2 y mediante o la denicin calcule E(X 2 ). Ahora calcule la misma esperanza pero usando (1.3). o Ambos resultados deben coincidir. x f (x) -2 2/8 -1 1/8 0 2/8 1 1/8 2 2/8
He aqui algunas propiedades generales de la esperanza.
49
Proposicin. Sean X y Y con esperanza nita y sea c una constante. Entonces o a) E(c) = c. b) E(c X) = c E(X). c) Si X 0, entonces E(X) 0. d) E(X + Y ) = E(X) + E(Y ).
La primera propiedad es evidente de demostrar pues si X es la variable aleatoria constante c, entonces por denicin, E(X) = c P (X = c) = c 1 = c. El segundo o inciso se sigue directamente de la denicin de esperanza pues tanto en el caso o de la suma como en el caso de la integral, la constante c puede siempre colocarse fuera. El tercer inciso tambin es evidente pues cuando se cumple la hiptesis, en la e o integral o suma correspondiente solo aparecern trminos que son no negativos. La a e ultima propiedad, en cambio, no es sencilla de demostrar y a n en el caso discreto u requiere de detalles tcnicos que preferimos omitir. Observe que la segunda y cuarta e propiedad establecen que la esperanza es lineal, es decir, separa sumas y tambin e separa multiplicaciones por constantes. Varianza. Vamos ahora a denir otra caracter stica numrica asociada a las vae riables aleatorias llamada varianza. Se denota por Var(X) y se dene como sigue. (x E(X))2 f (x) si X es discreta. x Var(X) = (x E(X))2 f (x) dx si X es continua.
Observe que en una sola expresin la varianza se puede escribir como sigue: Var(X) = o E (X E(X))2 . La varianza es una medida del grado de dispersin de los difeo rentes valores tomados por la variable. Se le denota regularmente por la letra 2 (sigma cuadrada). A la ra cuadrada positiva de la varianza, esto es , se le llama z desviacin estndar. Nuevamente la anterior suma o integral puede no existir y en o a ese caso decimos que la variable aleatoria no tiene varianza nita. Observemos que para calcular Var(X) necesitamos conocer primero E(X). Veamos algunos ejemplos sencillos. Ejemplo. Calcularemos la varianza de la variable aleatoria discreta X con funcin o
50
de densidad dada por la siguiente tabla. x f (x) -1 1/8 0 4/8 1 1/8 2 2/8
Recordemos primeramente que por clculos previos, E(X) = 1/2. Aplicando la a denicin de varianza tenemos que o Var(X) =
x
(x E(X))2 f (x)
= =
+(1 1/2)2 1/8 + (2 1/2)2 2/8 1.
(1 1/2)2 1/8 + (0 1/2)2 4/8
Ejemplo. Calcularemos la varianza de la variable aleatoria continua X con funcin o de densidad f (x) = 2x para x (0, 1). En un clculo previo hab a amos encontrado que E(X) = 2/3. Por lo tanto, Var(X) = =
0 1 1
(x E(X))2 f (x) dx
(x 2/3)2 2x dx
=
0
(2x3 8x2 /3 + 8x/9) dx

1 0
= =
1/18.
(x4 /2 8x3 /9 + 4x2 /9)
Ahora enunciamos algunas propiedades de la varianza.
51
Proposicin. Sean X y Y dos variables aleatorias, y sea c una constante. Eno tonces a) Var(X) 0. b) Var(c) = 0. c) Var(c X) = c2 Var(X). d) Var(X + c) = Var(X). e) Var(X) = E(X 2 ) E 2 (X). f) En general, Var(X + Y ) = Var(X) + Var(Y ).
Demostracin. El inciso (a) es evidente a partir de la denicin de varianza pues o o en ella aparece una suma o integral de trminos no negativos. Para el inciso (b) e la constante c es una v.a. con un unico valor, de modo que E(c) = c y entonces Var(X) = E(c c)2 = 0. Para el inciso (c) tenemos que Var(cX) = E[cX E(cX)]2 = c2 E[X E(X)]2 = c2 Var(X). El inciso (d) se sigue del siguiente anlisis: a Var(X + c) = = = E[(X + c) E(X + c)]2 E[X E(X)]2 Var(X). = E[cX cE(X)]2
Para demostrar la propiedad (e) se desarrolla el cuadrado en la denicin de vao rianza, y se usa la propiedad de linealidad de la esperanza: Var(X) = = = = E[X E(X)]2
E[X 2 2XE(X) + E 2 (X)] E(X 2 ) 2E(X)E(X) + E 2 (X) E(X 2 ) E 2 (X).
52
1.8. Distribuciones de probabilidad
Finalmente para demostrar la propiedad (f ) es suciente dar un ejemplo. Puede tomarse el caso Y = X, en general y por lo demostrado antes, no se cumple que Var(2X) = 2 Var(X). Momentos. Finalmente denimos el n-simo momento de una variable aleatoria e X, cuando existe, como el n mero E(X n ), para cualquier valor natural de n. El u n-simo momento central de X, cuando existe, es el n mero E[(X )n ], en donde e u = E(X). Observe que el primer momento de X es simplemente la media, y el segundo momento central es la varianza. Tenemos entonces que si X es una variable aleatoria con funcin de densidad o de probabilidad f (x) entonces el no simo momento de X, si existe, se calcula como sigue: e xn f (x) dx, E(X n ) = xn f (x) .
x
El n-simo momento central de X se calcula, para variables aleatorias continuas y e discretas respectivamente, como indican las siguientes frmulas: o (x )n f (x) dx, E[(X )n ] = (x )n f (x) .
x
1.8.
Distribuciones de probabilidad
Estudiaremos a continuacin algunas distribuciones de probabilidad de variables o aleatorias importantes. Estas distribuciones son modelos particulares para asignar probabilidades a subconjuntos de n meros reales. Empezaremos con las distribuu ciones de tipo discreto y continuaremos despus con las de tipo continuo. Es ime portante se alar que sta es slamente una lista parcial de algunas distribuciones n e o de probabilidad de mayor uso. Distribucion uniforme discreta. Decimos que una variable aleatoria X tiene una distribucin uniforme discreta sobre el conjunto nito de n meros {x1 , . . . , xn } o u
53
si la probabilidad de que X tome cualquiera de estos valores es la misma, es decir, 1/n. Esta distribucin surge en espacios de probabilidad equiprobables, esto es, en o situaciones en donde tenemos n resultados diferentes y todos ellos tienen la misma probabilidad de ocurrir. Los juegos de loter son un ejemplo donde puede aplicarse a esta distribucin de probabilidad. Escribimos entonces X unif{x1 , x2 , . . . , xn } si o P (X = x) = 1/n si x = x1 , x2 , . . . , xn . 0 otro caso.
Por ejemplo, la grca de la funcin de probabilidad de la distribucin unif{1, 2, 3, 4, 5} a o o aparece en la Figura 1.18, junto con la correspondiente funcin de distribucin. Cao o da salto de la funcin de distribucin es de tama o 1/5. Es fcil ver que E(X) = o o n a n n 1 1 2 i=1 xi , y Var(X) = n i=1 (xi E(X)) . n
f (x) F (x)
1/5
5 Figura 1.18:
Ejemplo. Al generar un n mero aleatorio en una computadora dentro del intervalo u unitario [0, 1], y debido a que la precisin de la computadora es necesariamente o nita, se obtienen siempre valores dentro de un conjunto nito de elementos. Por ejemplo, si la precisin de la computadora fuera de dos decimales, entonces slo se o o pueden generar los 101 n meros : 0.00, 0.01, 0.02,. . ., 0.99, 1.00. La precisin de una u o computadora es naturalmente mayor pero siempre es nita, y la misma situacin o se presenta. Distribucion Bernoulli. Un ensayo Bernoulli se dene como aquel experimento aleatorio con unicamente dos posibles resultados, llamados genricamente xito y e e fracaso, con probabilidades respectivas p y 1 p. Si se dene la variable aleatoria X como aquella funcin que lleva el resultado xito al n mero 1 y el resultado o e u fracaso al n mero 0, entonces decimos que X tiene una distribucin Bernoulli con u o parmetro p (0, 1), y escribimos X Ber(p). La funcin de probabilidad es a o
54
entonces
P (X = x) =
px (1 p)1x 0
si x = 0, 1. otro caso.
La grca de la funcin de densidad de esta distribucin para p =0.7 aparece en a o o la Figura 1.19, junto con la correspondiente funcin de distribucin. En este caso o o es muy sencillo vericar que E(X) = p y Var(X) = p(1 p). En la realizacin de o todo experimento aleatorio siempre es posible preguntarnos por la ocurrencia o no ocurrencia de un evento cualquiera. Por ejemplo, ganar o no ganar en un juego de loter que llueva o no llueva hoy por la tarde, etc. Este es el esquema general a, donde surge esta distribucin, que aunque sencilla, es de amplia aplicacin. o o
f (x)
F (x)
1
0.7 0.3 x 0
1
0.3 x 0
1 Figura 1.19:
Ejemplo. Considere el experimento aleatorio de lanzar una moneda al aire. Suponga que 1 y 2 son los dos resultados posibles, con probabilidades p y 1 p, respectivamente. Sea X la variable aleatoria dada por X(1 ) = 1, y X(2 ) = 0. Entonces X tiene distribucin Ber(p). Cul es la distribucin de 1 X? o a o Ejemplo. Sea el espacio muestral de un experimento aleatorio, y sea A un evento tal que P (A) = p. Sea X la variable aleatoria dada por X() = 1A (), es decir, X() = 1 si A, y X() = 0 si Ac . Esta es la funcin indicadora del o conjunto A. Entonces X tiene distribucin Ber(p). o
Distribucion binomial. Supongamos ahora que tenemos una serie de n ensayos independientes Bernoulli en donde la probabilidad de xito en cualesquiera de e estos ensayos es p. Si denotamos por E el resultado xito y por F el resultado e
55
Por ejemplo, para n = 10 ensayos, con probabilidad p =0.3, se puede calcular P (X = 2) = 10 (0.3)2 (0.7)102 = 0.2334. La grca de esta funcin de probabia o 2 lidad con estos parmetros aparece en la Figura 1.20. La frmula anterior puede a o justicarse de la forma siguiente. Queremos que en n ensayos Bernoulli se obtengan x xitos y n x fracasos. La probabilidad de obtener sto es el n mero e e u p p (1 p) (1 p) = px (1 p)nx ,
x nx
fracaso, entonces el espacio muestral consiste de todas las posibles sucesiones de longitud n de caracteres E y F. Usando el principio multiplicativo, es fcil ver que a el conjunto tiene 2n elementos. Si ahora denimos la variable aleatoria X como aquella que cuenta el n mero de xitos en cada una de estas sucesiones, esto u e es, X(EE EE) = n, X(F E EE) = n 1, . . ., X(F F F F ) = 0, entonces tenemos que X puede tomar los valores 0, 1, 2, . . . , n con las probabilidades que aparecen abajo. Decimos entonces que X tiene una distribucin binomial con o parmetros n y p, y escribimos X bin(n, p). a n px (1 p)nx si x = 0, 1, 2, . . . , n. x P (X = x) = 0 otro caso.
pero hemos colocado los x xitos en los primeros x ensayos, tenemos entonces que e multiplicar por las diferentes formas en que estos x xitos pueden distribuirse en los e n ensayos, este factor es el coeciente binomial n . Para esta distribucin puede o x demostrarse que E(X) = np, y Var(X) = np(1 p). Distribucion geomtrica. Supongamos que tenemos ahora una sucesin innie o ta de ensayos independientes Bernoulli, en cada uno de los cuales la probabilidad de xito es p. Para cada una de estas sucesiones denimos la variable aleatoria e X como el n mero de fracasos antes de obtener el primer xito. Por ejemplo, u e X(F EF EF F ) = 1, X(EF F EEE ) = 0, X(F F F EF E ) = 3. Observamos que X puede tomar los valores 0, 1, 2, . . . La probabilidad de que X tome el valor entero x 0 es p(1 p)x . Decimos entonces que X tiene una distribucin o geomtrica con parmetro p, y escribimos X geo(p) cuando e a P (X = x) = p (1 p)x 0 si x = 0, 1, 2, . . . otro caso.
Por ejemplo, para p =0.4, la grca de esta funcin se muestra en la Figura 1.21. a o El nombre de esta distribucin proviene del hecho de que cuando escribimos la o
56
f (x) 0.3 0.2 0.1 n = 10 p = 0.3 x 1 2 3 4 5 6 7 8 9 10 Figura 1.20: suma de todas las probabilidades, obtenemos una suma geomtrica. La inspeccin e o sucesiva de art culos hasta encontrar una defectuoso, posiblemente en un proceso de control de calidad, puede modelarse usando una distribucin geomtrica. Para o e esta distribucin tenemos que E(X) = (1 p)/p, y Var(X) = (1 p)/p2 . o
f (x) 0.4 0.3 0.2 0.1 x p = 0.4
1 2 3 4 5 6 7 8 9 10 Figura 1.21: En algunos textos se dene la distribucin geomtrica contando el n mero de eno e u sayos (no el de fracasos), antes del primer xito. En este caso la variable es X + 1, e es decir, la distribucin se desplaza hacia la derecha una unidad. la esperanza es o ahora 1/p y la varianza permanece constante (1 p)/p2 . Ejercicio. Una persona participa cada semana con un boleto en un juego de loter a en donde la probabilidad de ganar el primer premio es p = 106 = 1/1, 000, 000.
57
Cuntos a os en promedio debe esta persona participar en el juego antes de oba n tener el primer premio? Ejercicio. Sea X una variable aleatoria con distribucin geo(p). Demuestre que la o funcin de distribucin de X es o o si x < 0, 0 1 (1 p)1 si 0 x < 1, 1 (1 p)2 si 1 x < 2, F (x) = ... ... 1 (1 p)k+1 si k x < k + 1, ... ... Distribucion Poisson. Supongamos que deseamos observar el n mero de ocuu rrencias de un cierto evento dentro de un intervalo de tiempo dado, por ejemplo, el n mero de clientes que llegan a un cajero automtico durante la noche, o tal vez u a deseamos registrar el n mero de accidentes que ocurren en cierta avenida duranu te todo un d Para modelar este tipo de situaciones podemos denir la variable a. aleatoria X como el n mero de ocurrencia de este evento en el intervalo de tiempo u dado. Es claro entonces que X puede tomar los valores 0, 1, 2, . . ., y en principio no ponemos una cota superior para el n mero de observaciones del evento. Adiu cionalmente supongamos que conocemos la tasa media de ocurrencia del evento de inters, que denotamos por la letra (lambda). El parmetro es positivo e a y se interpreta como el n mero promedio de ocurrencias del evento, por unidad u de tiempo. La probabilidad de que la variable aleatoria X tome un valor entero x 0 se denir a continuacin. Decimos que X tiene una distribucin Poisson a o o con parmetro > 0, y escribimos X Poisson() cuando a x e si x = 0, 1, 2, . . . x! P (X = x) = 0 otro caso.
Puede demostrarse que la funcin f (x) arriba denida es efectivamente una funcin o o de probabilidad para cada valor de > 0. La forma de esta funcin se muestra en o la Figura 1.22 cuando = 2. Despus de algunos clculos sencillo puede tambin e a e comprobarse que E(X) = , y Var(X) = . Ejemplo. En promedio se reciben 2 peticiones de acceso a una pgina web durante a
58
f (x) 0.3 0.2 0.1 x
=2
1 2 3 4 5 6 7 8 Figura 1.22: un minuto cualquiera. Utilice el modelo Poisson para calcular la probabilidad de que en un minuto dado a) nadie solicite acceso a la pgina. b) se reciban mas de a dos peticiones. Solucin: Sea X el n mero de peticiones por minuto, y supongamos o u que X tiene distribucin Poisson(), con = 2. Para el primer inciso se tiene que o P (X = 0) = e2 20 /0! =0.135. Para el segundo inciso, P (X > 2) = 1 P (X 2) = 1 (P (X = 0)+ P (X = 1)+ P (X = 2)) = 1 e2 (20 /0!+ 21/1!+ 22/2!) =0.323 Puede adems demostrarse que cuando X bin(n, p) y hacemos tender n a innito a y p a cero de tal forma que el producto np se mantenga constante igual a , entonces la variable aleatoria X adquiere la distribucin Poisson con parmetro . o a Este resultado sugiere que cuando n es grande, la distribucin binomial puede o ser aproximada mediante la distribucin Poisson de parmetro = np. Esto es o a particularmente util pues el clculo de probabilidades de la distribucin binomial a o involucra el clculo de factoriales y ello puede ser computacionalmente dif a cil. Un ejemplo ilustrar esta situacin. a o Ejemplo. En promedio uno de cada 100 focos producido por una mquina es defeca tuoso. Calcule la probabilidad de encontrar 5 focos defectuosos en un lote de 1000 focos. Sugerencia: Use la distribucin Poisson como aproximacin de la distribucin o o o binomial. Hemos denido a la variable aleatoria Poisson como el n mero de ocurrencias de u un cierto evento dentro de un intervalo de tiempo dado, supongamos de longitud
59
unitaria, [0, 1]. Suponga ahora que nos interesa observar las ocurrencias del evento en un intervalo de longitud diferente, por ejemplo [0, t], con t > 0. Tal conteo de ocurrencias tambin sigue una distribucin Poisson pero esta vez de parmetro t. e o a Por ejemplo, si t = 2, entonces el n mero de ocurrencias del evento en el intervalo u [0, 2] tiene distribucin Poisson(t). Veamos un ejemplo. o Ejemplo. El n mero de aviones que llegan a un aeropuerto internacional tiene una u distribucin Poisson con una frecuencia de 3 aviones cada 10 minutos. Entonces o a) La probabilidad de que no llegue ning n avin en un periodo de 20 minutos es u o P (X = 0), con = 6. b) La probabilidad de que llegue slo un avin en el minuto o o siguiente es P (X = 1), con = 3/10. c) La probabilidad de que lleguen dos o mas aviones en un periodo de 15 minutos es P (X 2), con =4.5. Distribucion binomial negativa. Si en una sucesin innita de ensayos Bero noulli la variable aleatoria X cuenta el n mero de fracasos antes de obtener el u r-simo xito, entonces decimos que X tiene una distribucin binomial negativa e e o con parmetros r y p, y escribimos X bin neg(r, p). En este caso tenemos que X a puede tomar los valores 0, 1, 2, . . . con probabilidades como se indica a continuacin. o r + x 1 pr (1 p)x si x = 0, 1, 2, . . . x P (X = x) = 0 otro caso.
Aparece el trmino pr pues la sucesin de ensayos Bernoulli no concluye sino hasta e o obtener r xitos. Podemos tener un n mero variable de fracasos, de ah el trmino e u e (1 p)x , y nalmente el factor r+x1 que nos dice las diferentes formas en que x los r xitos pueden aparecer en los r + x 1 ensayos realizados antes del ultimo que e necesariamente fue un xito. La grca de esta funcin aparece en la Figura 1.23 e a o cuando r = 3 y p =0.2. Es claro que esta distribucin es una generalizacin de la distribucin geomtrica, la o o o e cual se obtiene tomando r = 1. Se puede adems demostrar que E(X) = r(1 p)/p a y Var(X) = r(1 p)/p2 .
La denicin de coeciente binomial puede extenderse del siguiente modo: Para o a cualquier n mero real a, y cualquier entero natural x se dene x = a(a1) (a u n+x1 x + 1)/x! Puede demostrarse la identidad = (1)x n . De este hecho x x adquiere su nombre esta distribucin. o Ejemplo. Se lanza repetidas veces una moneda honesta, cuyos dos resultados son
60
f (x)
0.06 0.04
0.02 x r=3 p = 0.2
10
15
20
25
30
Figura 1.23: cara y cruz. Cul es la probabilidad de obtener la tercera cruz en el quinto lanzaa miento? Solucin: Sea X el n mero de caras (fracasos) antes de obtener la tercera o u cruz. Entonces X bin neg(r, p) con r = 3, p = 1/2, y nos preguntan P (X = 2). Por lo tanto, P (X = 2)= 6 (1/2)5 = 15/32= 0.46875 . 2 Distribucion hipergeomtrica. Supongamos que tenemos un conjunto de N e objetos de los cuales K son de una primera clase y N K son de una segunda clase. Supongamos que de este conjunto tomamos una muestra aleatoria de tama o n n, la muestra es sin reemplazo y el orden de los objetos seleccionados no importa. El espacio muestral de este experimento consiste de todas las posibles muestras de tama o n que se pueden obtener del conjunto mayor de tama o N . La cardinalidad n n del espacio muestral es N . Si para cada muestra denimos la variable aleatoria n X como el n mero de objetos de la primera clase contenidos en la muestra selecu cionada, entonces X puede tomar los valores 0, 1, 2, . . . , n, suponiendo n K. La probabilidad de que X tome un valor x estar dada por la frmula que enunciaa o mos a continuacin. Decimos que X tiene una distribucin hipergeomtrica con o o e parmetros N , K y n, y escribimos X hipergeo(N, K, n) si a K N K x nx si x = 0, 1, . . . , n, N P (X = x) = n 0 otro caso. El trmino K nos dice las diferentes formas en que de los K objetos de la primera e x clase se pueden escoger x de ellos, y el trmino N K es nuevamente las diferentes e nx
61
formas de escoger n x objetos de la totalidad de N K objetos de la segunda clase. Usamos el principio multiplicativo para obtener el n mero total de muestras u diferentes en donde x objetos son de la primera clase y n x objetos son de la segunda clase. La grca de esta funcin de densidad para ciertos valores de a o los parmetros aparece en la Figura 1.24. En este caso es posible comprobar que a K E(X) = nK/N , y Var(X) = n K NN N n . N N 1
f (x) 0.4 0.3 0.2 0.1 x N = 20 K=7 n=5
Figura 1.24: Con esto concluimos la revisin de algunas distribuciones de probabilidad de tio po discreto. Presentamos en la siguiente tabla un resumen de las distribuciones discretas mencionadas en esta seccin. o
Distribucin uniforme o f (x) = 1/n para x = x1 , . . . , xn . Parmetros: x1 , . . . , xn ; n. a n Media: i=1 xi /n. n Varianza: i=1 (xi )2 /n.
Distribucin Bernoulli o f (x) = px (1 p)1x para x = 0, 1. Parmetro: p (0, 1). a Media: p. Varianza: p(1 p).
62
1.8. Distribuciones de probabilidad Distribucin binomial o f (x) =

n x
Distribucin geomtrica o e f (x) = p (1 p)x para x = 0, 1, 2, . . . Parmetro: p (0, 1). a Media: (1 p)/p. Varianza: (1 p)/p2 . Distribucin binomial negativa o f (x) =
r+x1 x
para x = 0, 1, . . . , n. Parmetros: n N, p (0, 1). a Media: np. Varianza: np(1 p). Distribucin Poisson o f (x) =
x x!
px (1 p)nx
e para x = 0, 1, 2, . . .
Parmetro: > 0. a Media: . Varianza: .
para x = 0, 1, 2, . . . Parmetros: r N, p (0, 1). a Media: r(1 p)/p. Varianza: r(1 p)/p2 .
pr (1 p)x
Distribucin hipergeomtrica o e f (x) =

K x N K nx
N n
para x = 0, 1, . . . , n. Parmetros: N, K, n. a Media: nK/N. Varianza: nK(N K)(N n)/(N 2 (N 1)). Ahora estudiaremos algunas distribuciones de probabilidad de variables aleatorias continuas. No construiremos estas distribuciones a partir de experimentos aleatorios particulares como en el caso de las distribuciones discretas, mas bien, las deniremos sin mayor justicacin, en algunos casos mostraremos la forma de obtener o estas distribuciones a partir de considerar ciertas funciones de variables aleatorias conocidas. Distribucion uniforme continua. Decimos que una variable aleatoria X tiene una distribucin uniforme continua en el intervalo (a, b), y escribimos X o
Parte 1. PROBABILIDAD unif(a, b), cuando su funcin de densidad es o 1 si x (a, b), ba f (x) = 0 otro caso.
63
La grca general de esta funcin se muestra en la Figura 1.25(a), y es evidente que a o se trata de una funcin de densidad pues es no negativa e integra uno. En este caso o es muy fcil encontrar la correspondiente funcin de distribucin, y sta se muestra a o o e en la Figura 1.25(b). Los parmetros de esta distribucin son los n meros a < b. Es a o u fcil vericar que E(X) = (a + b)/2, que corresponde al punto medio del intervalo a (a, b). Adems Var(X) = (b a)2 /12, de modo que la varianza o dispersin crece a o cuando a y b se alejan uno del otro, y por el contrario, cuando los parmetros estan a muy cercanos, la varianza es peque a. Esta distribucin es una de las ms sencillas, n o a y sea usa naturalmente para cuando no se conoce mayor informacin de la variable o aleatoria de inters, excepto que toma valores continuos dentro de alg n intervalo. e u
f (x) 1 ba F (x)
x a (a) b a (b) b
Figura 1.25: Ejemplo. En el experimento aleatorio terico de generar un n mero al azar X en o u el intervalo unitario (0, 1) se considera regularmente que X tiene distribucin unio forme en dicho intervalo. Ejercicio. Compruebe que la funcin de distribucin de una variable aleatoria con o o distribucin unif(a, b) es la que aparece en la Figura 1.25(b), y est dada por o a si x < a, 0 (x a)/(b a) si a x < b, F (x) = 1 si x b.
64
Distribucion exponencial. Decimos que una variable aleatoria continua X tiene una distribucin exponencial con parmetro > 0, y escribimos X exp(), o a cuando su funcin de densidad es o f (x) = ex 0 si x > 0, si x 0.
La grca de esta funcin cuando el parmetro toma el valor particular 3, es a o a la que se muestra en la Figura 1.26(a). La correspondiente funcin de distribucin o o aparece a su derecha. Es muy sencillo vericar que la funcin f (x) arriba denida es o efectivamente una funcin de densidad para cualquier valor del parmetro > 0. o a Aplicando el mtodo de integracin por partes puede tambin comprobarse que e o e E(X) = 1/, y Var(X) = 1/2 . Esta distribucin se ha usado para modelar tiempos o de espera para la ocurrencia de un cierto evento.
f (x) F (x) 1
3 2 1 1
(a) =3 x
1
(b)
Figura 1.26: Ejemplo. Suponga que el tiempo en minutos que un usuario cualquiera permanece revisando su correo electrnico sigue una distribucin exponencial de parmetro o o a = 1/5. Calcule la probabilidad de que un usuario cualquiera permanezca conectado al servidor de correo a) menos de un minuto. b) mas de un ahora. 1 Solucin: Para el primer inciso tenemos que P (X < 1) = 0 1/5 ex/5 dx=0.181 . o Para el segundo inciso, P (X > 60)= 60 1/5 ex/5 dx=0.0000061 . Ejercicio. Sea X una variable aleatoria con distribucin exp(). Compruebe que la o
Parte 1. PROBABILIDAD funcin de distribucin de X es la siguiente. Vase la Figura 1.26(b). o o e F (x) = 1 ex 0 si x > 0, si x 0.
65
Distribucion gama. La variable aleatoria continua X tiene una distribucin gama o con parmetros n > 0 y > 0, y escribimos X gama(n, ), si su funcin de a o densidad es n1 (x) ex si x > 0, (n) f (x) = 0 si x 0.
La grca de esta funcin de densidad para varios valores de los parmetros se a o a muestra en la Figura 1.27.
f (x) =5 =4 =3 n=5 n=7 n = 10 f (x)
1/2
1/2
6 Figura 1.27:
(a) n = 5
(b) = 3
En la expresin anterior aparece el trmino (n). Esta es la funcin gama que se o e o dene como la siguiente integral (n) =
0
tn1 et dt,
para cualquier n mero real n tal que esta integral sea convergente. Esta funcin no u o es el tipo de funciones a las que estamos acostumbrados en los cursos de matemtia cas en donde regularmente se conoce la expresin exacta de una cierta funcin y o o
66
se utiliza esta expresin para evaluarla. En este caso, para evaluar la funcin gama o o es necesario substituir el valor de n en el integrando y efectuar la integral innita. Afortunadamente no evaluaremos esta integral para cualquier valor de n, slo para o algunos pocos valores, principalmente enteros, y nos ayudaremos de las siguientes propiedades: a) (n + 1) = n (n). b) (n + 1) = n! si n es entero. c) (2) = (1) = 1. d) (1/2) = . El nombre de esta distribucin se deriva del hecho de que en su denicin aparece o o la funcin gama. Observemos adems que la distribucin exponencial es un caso o a o particular de la distribucin gama. En efecto, si en la distribucin gama tomamos o o el parmetro n igual a 1, obtenemos la distribucin exponencial con parmetro . a o a Resolviendo un par de integrales se puede demostrar que E(X) = n/, y Var(X) = n/2 . Distribucion beta. Decimos que la variable aleatoria continua X tiene una distribucin beta con parmetros a > 0 y b > 0, y escribimos X beta(a, b), cuando o a su funcin de densidad es o 1 xa1 (1 x)b1 si x (0, 1), B(a, b) f (x) = 0 otro caso.
1
El trmino B(a, b) se conoce como la funcin beta, y de all adquiere su nombre e o esta distribucin. La funcin beta se dene como sigue o o B(a, b) =
0
xa1 (1 x)b1 dx,
para n meros reales a > 0 y b > 0. Esta funcin est relacionada con la funcin u o a o gama a travs de la identidad e B(a, b) = (a)(b) . (a + b)
67
Vase la seccin de ejercicios para una lista de propiedades de esta funcin. Para e o o la distribucin beta(a, b) se tiene que E(X) = a/(a + b), y Var(X) = ab/((a + b + o 1)(a + b)2 ). Distribucion normal. Esta es posiblemente la distribucin de probabilidad de o mayor importancia. Decimos que la variable aleatoria continua X tiene una distribucin normal si su funcin de densidad est dada por la siguiente expresin o o a o
2 2 1 f (x) = e(x) /2 , 2 2
en donde R y > 0 son dos parmetros. Escribimos entonces X N(, 2 ). a La grca de esta funcin de densidad tiene forma de campana como se puede a o apreciar en la Figura 1.28, en donde se muestra adems el signicado geomtrico a e de los dos parmetros.
f (x)
Figura 1.28: No es inmediato pero es posible demostrar que E(X) = , y ello signica que la campana esta centrada en este valor, el cual puede ser negativo, positivo o cero. Tambin puede demostrarse que Var(X) = 2 , y que la distancia del punto a e cualquiera de los dos puntos en donde la funcin tiene puntos de inexin es , por o o lo tanto la campana se abre o se cierra de acuerdo a la magnitud de este parmetro. a En particular, decimos que la variable aleatoria X tiene una distribucin normal o estndar si tiene una distribucin normal con parmetros = 0 y 2 = 1. En este a o a caso la funcin de densidad se reduce a la expresin o o
2 1 f (x) = ex /2 . 2
Es posible transformar una variable aleatoria normal no estndar en una estndar a a mediante la siguiente operacin. o
68
Proposicin. Sea X una variable aleatoria con distribucin normal con parmeo o a tros y 2 . Entonces la siguiente variable aleatoria tiene una distribucin noro mal estndar. a X Z= . (1.4)
A la operacin anterior se le conoce con el nombre de estandarizacin, y bajo tal o o transformacin se dice que la variable X ha sido estandarizada. Es com n usar o u la letra Z para denotar una variable aleatoria con distribucin normal estndar, o a y seguiremos nosotros tambin esa costumbre. Se deja como ejercicio al lector e demostrar la proposicin anterior, y si ello no es posible por ahora, por lo menos o compruebe mentalmente las siguientes dos propiedades. Ejercicio. A partir de (1.4) compruebe que E(Z) = 0 y Var(Z) = 1. La proposicin anterior parece muy modesta pero tiene una gran importancia opeo racional pues establece que el clculo de las probabilidades de una variable aleaa toria normal cualquiera se reduce al clculo de las probabilidades para la normal a estndar. Explicaremos esta situacin con ms detalle. Suponga que X es una vaa o a riable aleatoria con distribucin N(, 2 ), y que deseamos calcular, por ejemplo, o P (a < X < b), para a < b n meros dados. Tenemos entonces que u P(a < X < b) = P(a < X < b ) a X b = P( < < ) b a = P( <Z< ). La igualdad de estas probabilidades es consecuencia de la igualdad de los eventos. De esta forma una probabilidad que involucra a la variable X se ha reducido a una probabilidad que involucra a Z. Es tambin com n denotar la funcin de e u o distribucin de Z como (x), es decir, o
x
(x) = P (Z x) =
2 1 eu /2 du, 2
cuyo signicado geomtrico se muestra en la Figura 1.29(a). Es necesario decir e que, sin importar el mtodo de integracin que se utilice, no es posible encontrar e o una expresin exacta para esta integral, pero usando mtodos numricos pueden o e e
69
encontrarse aproximaciones de ella para distintos valores de x. En una tabla al nal del texto aparece una tabla con estos valores aproximados. Cada rengln de o esta tabla corresponde a un valor de x hasta el primer d gito decimal, las distintas columnas corresponden al segundo d gito decimal. El valor que aparece en la tabla es (x). Por ejemplo, el rengln marcado con 1.4 y la columna marcada con 0.05 o corresponden al valor 1.45, tenemos entonces que (1.45) =0.9265 . Aqui estan algunas preguntas para el lector: Por qu en la tabla aparecen solo valores de x e hasta 3.49?, es decir, Cunto vale (x) para x > 3.49? Cmo se podr calcular a o an los valores de (x) para x negativos?
f (x)
f (x)
(x)
x x (a) (b) z
Figura 1.29: Ejercicio. Demuestre que (x) = 1 (x). Ejercicio. Encuentre x tal que a) (x) = 0.3 . b) (x) = 0.75 .
Ejercicio. Use la tabla de la distribucin normal estndar para comprobar que o a a) (1.65) = 0.9505 b) (1.65) = 0.0495 c) (1) = 0.1587 Ejercicio. Sea X con distribucin N(5, 10). Calcule o a) P (X 7). b) P (0 < X < 5). c) P (X > 10).
Notacion z . Para cada valor en el intervalo (0, 1), el n mero z denotar el u a punto en el eje real para el cual el rea bajo la curva a la derecha de z es . a
70
Esto es, (z ) = 1 . Se muestra en la siguiente Figura 1.29(b) el signicado geomtrico del n mero z . Usaremos la notacin z en la segunda parte de nuestro e u o curso. Acerca de la distribucin normal tenemos el siguiente resultado de suma importano cia.
Teorema central del l mite. Sea X1 , X2 , . . . una sucesin innita de variables o aleatorias independientes e idnticamente distribuidas con media y varianza e nita 2 . Entonces la funcin de distribucin de la variable o o Zn = (X1 + + Xn ) n n 2
tiende a la distribucin normal estndar cuando n tiende a innito, sin importar o a la distribucin de cada variable de la sucesin, es decir, o o
n
l FZn (x) = FZ (x). m
Distribucion ji-cuadrada. Decimos que la variable aleatoria continua X tiene una distribucin ji-cuadrada con n grados de libertad (n entero positivo), si su o funcin de densidad est dada por la siguiente expresin o a o 1 f (x) = (n/2) 0 1 2
n/2
xn/21 ex/2
si x > 0, si x 0.
Se trata de una variable aleatoria continua con posibles valores en el intervalo (0, ). Esta distribucin tiene un solo parmetro denotado aqui por la letra n, y al o a cual se le llama grados de libertad. A pesar de su aparente expresin complicada, no o es dif comprobar que f (x) es efectivamente una funcin de densidad. La grca cil o a de esta funcin para varios valores del parmetro n aparece en la Figura 1.30. o a Escribiremos simplemente X 2 (n), en donde la letra griega se pronuncia ji o tambin chi. Puede demostrarse que E(X) = n y Var(X) = 2n. La distribucin e o ji-cuadrada puede obtenerse como indican los siguientes resultados que dejaremos sin demostrar.
f (x) 1/2 n=1 n=2 n=3 n=4
71
Figura 1.30:
Proposicin. Si X N(0, 1), entonces X 2 2 (1). o Es decir, el cuadrado de una variable aleatoria con distribucin normal estndar o a tiene distribucin ji-cuadrada con un grado de libertad. Por otro lado, el siguiente o resultado establece que la suma de dos variables aleatorias independientes con distribucin ji-cuadrada tiene distribucin nuevamente ji-cuadrada con grados de o o libertad la suma de los grados de libertad de los sumandos. Proposicin. Si X 2 (n) y Y 2 (m) son dos variables aleatorias indepeno dientes, entonces X + Y tiene distribucin 2 (n + m). o En particular, si X1 , . . . , Xn son independientes con distribucin N(0, 1), entonces o 2 2 X1 + + Xn tiene distribucin 2 (n). o Distribucion t. Decimos que la variable aleatoria continua X tiene una distribucin t con n grados de libertad si su funcin de densidad est dada por o o a ((n + 1)/2) f (x) = (1 + x2 /n)(n+1)/2 , n (n/2) para < x < .
En tal caso se escribe X t(n). La grca de esta funcin de densidad aparece en a o la Figura 1.31. Es posible demostrar que E(X) = 0, y Var(X) = n/(n 2) para n > 2. La distribucin t se puede encontrar en los siguientes contextos. o
72
f (x) n = 100 n=3 n=1
0.1 x
4 3 2 1
Figura 1.31:
Proposicin. Si X N(0, 1) y Y 2 (n) son independientes, entonces o X Y /n t(n).
Proposicin. Sean X1 , . . . , Xn variables aleatorias independientes cada una de o ellas con distribucin N(, 2 ). Entonces o X t(n 1), S/ n en donde X =
1 n n i=1
Xi , y S 2 =
1 n
n i=1 (Xi
X)2 .
Con esto terminamos con una revisin elemental de algunas distribuciones de proo babilidad continuas. Recuerde el lector que existen muchas mas distribuciones de este tipo. La siguiente tabla contiene un resumen de las distribuciones continuas mencionadas en esta seccin. o
73
Distribucin uniforme o f (x) = 1/(b a) para x (a, b). Parmetros: a < b. a Media: (a + b)/2. Varianza: (b a)2 /12. Distribucin gama o f (x) =
(x)n1 (n)
Distribucin exponencial o f (x) = ex para x > 0. Parmetro: > 0. a Media: 1/. Varianza: 1/2 .
Distribucin beta o f (x) =

1 a1 (1 B(a,b) x
ex
para x > 0. Parmetros: n > 0, > 0. a Media: n/. Varianza: n/2 .
para x (0, 1). Parmetros: a > 0, b > 0. a Media: a/(a + b). Varianza: ab/((a + b + 1)(a + b)2 ).
x)b1
Distribucin normal o e(x) /2 para x R. Parmetros: R, > 0. a Media: . f (x) = Varianza: 2 .

1 22
2 2
Distribucin 2 o f (x) =
1 (n/2) 1 n/2 2
xn/21 ex/2
para x > 0. Parmetro: n > 0. a Media: n. Varianza: 2n.
74
Distribucin t o f (x) =
((n+1)/2) n (n/2)
1.9. Vectores Aleatorios
(1 + x2 /n)(n+1)/2
para x R. Parmetro: n > 0. a Media: 0. Varianza: n/(n 2), para n > 2.
1.9.
Vectores Aleatorios
Esta seccin contiene una breve introduccin al tema de variables aleatorias multio o dimensionales o tambin llamadas vectores aleatorios. Para hacer la escritura corta e se consideran unicamente vectores aleatorios de dimensin dos, aunque todas las o deniciones y resultados que se mencionan pueden extenderse fcilmente, en la a mayor de los casos, para vectores de dimensin superior. a o Vector aleatorio. Un vector aleatorio de dimensin dos es un vector de la forma o (X, Y ) en donde cada coordenada es una variable aleatoria. De manera anloga a se pueden tener vectores aleatorios multidimensionales (X1 , . . . , Xn ). Nuevamente diremos que un vector aleatorio es discreto, o continuo, si las todas las variables aleatorias que lo conforman lo son. Por simplicidad consideraremos unicamente vectores aleatorios cuyas coordenadas son variables aleatorias todas discretas, o continuas, pero no mezclas de ellas. Un vector aleatorio (X, Y ) puede considerarse como una funcin de en R2 como se muestra en la Figura 1.32. o
(X, Y ) R2
(X(), Y ()) = (x, y)
Figura 1.32:
75
Es decir, el vector (X, Y ) evaluado en es (X, Y )() = (X(), Y ()) con posible valor (x, y). Nuevamente observe que el vector con letras may sculas (X, Y ) es el u vector aleatorio, mientras que el vector con letras min sculas (x, y) es un punto u en el plano. Estudiaremos a continuacin algunas funciones asociadas a vectores o aleatorios. Estos conceptos son completamente anlogos al caso unidimensional a estudiado antes. Funcion de probabilidad conjunta. Vamos a estudiar primero el caso ms a sencillo que es el discreto. Consideremos un vector aleatorio discreto (X, Y ) tal que la variable X toma los valores en el conjunto {x1 , x2 , . . .}, y la variable Y toma los valores en {y1 , y2 , . . .}. La funcin de densidad del vector (X, Y ) que se denota o por f (x, y), se encuentra denida sobre R2 y toma valores en el intervalo [0, 1] de acuerdo a la siguiente denicin o f (x, y) = P (X = x, Y = y) si (x, y) {x1 , x2 , . . .} {y1 , y2 , . . .}, 0 otro caso.
Es decir, el n mero f (x, y) es la probabilidad de que la variable X tome el valor u x y al mismo tiempo la variable Y tome el valor y. Tal funcin se llama tambin o e funcin de densidad conjunta de las variables X y Y , y para enfatizar este hecho a o veces se escribe fX,Y (x, y), pero en general omitiremos los sub ndices para hacer la notacin ms corta. Toda funcin f (x, y) de la forma anterior cumple las siguientes o a o dos propiedades, e inversamente, toda funcin que las cumpla se llama funcin de o o densidad conjunta. a) f (x, y) 0. b)
x,y
f (x, y) = 1.
Ejemplo. Considere el vector aleatorio discreto (X, Y ) con funcin de densidad o dada por la siguiente tabla. x/y -1 1 0 0.3 0.4 1 0.1 0.2
De este arreglo se entiende que la variable X toma valores en el conjunto {1, 1}, mientras que Y toma valores en {0, 1}. Adems las probabilidades conjuntas estn a a
76
dadas por las entradas de la tabla, por ejemplo, P (X = 1, Y = 0) = 0.3, esto es, la probabilidad de que X tome el valor 1 y al mismo tiempo Y tome el valor 0 es 0.3. La misma informacin puede escribirse de la siguiente manera. o 0.3 si x = 1, y = 0, 0.1 si x = 1, y = 1, f (x, y) = P (X = x, Y = y) = 0.4 si x = 1, y = 0, 0.2 si x = 1, y = 1, 0 otro caso.
Como todos estos valores son probabilidades, naturalmente son no negativos, y todos ellos suman uno. Funcion de densidad conjunta. Veamos ahora la situacin en el caso continuo. o Se dice que la funcin integrable y no negativa f (x, y) : R2 [0, ) es la funcin o o de densidad del vector aleatorio continuo (X, Y ) si para todo par (x, y) en R2 se cumple la igualdad
x y
P (X x, Y y) =
f (u, v) dv du.

Toda funcin de densidad f (x, y) de estas caracter o sticas satisface las siguientes dos propiedades que son anlogas al caso discreto. a a) f (x, y) 0. b)

f (x, y) dx dy = 1.
Rec procamente decimos que una funcin f (x, y) : R2 [0, ) es una funcin de o o densidad conjunta si cumple con las dos condiciones arriba mencionadas. Ejemplo. Esta es una de las funciones de densidad conjunta ms sencillas. Sean a a < b, c < d, y dena la funcin o 1 si a < x < b, c < y < d, (b a)(d c) f (x, y) = 0 otro caso,
77
cuya grca aparece en la Figura 1.33. Se trata de una funcin constante en el a o rectngulo (a, b) (c, d). Esta funcin es de densidad pues es no negativa e integra a o uno sobre R2 .
f (x, y)
c a b
x Figura 1.33: Ejercicio. Compruebe que la siguiente funcin es de densidad. o f (x, y) = x+y 0 si 0 < x, y < 1, otro caso.
Ejercicio. Encuentre la constante c para que la siguiente funcin sea de densidad. o f (x, y) = cxy 0 si 0 < x < y < 1, otro caso.
Funcion de distribucion conjunta. Adems de la funcin de densidad, existe a o la funcin de distribucin para un vector (X, Y ), sea ste discreto o continuo, y su o o e denicin es muy semejante al caso unidimensional. La funcin de distribucin del o o o
78
vector (X, Y ), denotada por F (x, y) : R2 [0, 1], se dene para cualquier par de n meros reales (x, y) como sigue u F (x, y) = P (X x, Y y). La peque a coma que aparece en el lado derecho de esta igualdad signica la n interseccin de los eventos (X x) y (Y y), es decir, el n mero F (x, y) es o u la probabilidad del evento (X x) (Y y). Ms precisamente, esta funcin a o debe escribirse como FX,Y (x, y), pero omitiremos los sub ndices para mantener la notacin simple. Siempre asociaremos la variable X con el valor x, y la variable Y o con el valor y. A esta funcin se le conoce tambin con el nombre de funcin de o e o acumulacin de probabilidad del vector (X, Y ), y tambin se dice que es la funcin o e o de distribucin conjunta de las variables X y Y . o Enunciamos a continuacin algunas propiedades que cumple toda funcin de diso o tribucin conjunta. o 1. 2. l m F (x, y) = 1.
x,y x
l m F (x, y) = 0. Anlogamente cuando es la variable y quien tiende a a
menos innito. 3. F (x, y) es continua por la derecha en cada variable. 4. F (x, y) es una funcin montona no decreciente en cada variable. o o 5. Para cualesquiera n meros a < b, y c < d, se cumple la desigualdad u F (b, d) F (a, d) F (b, c) + F (a, c) 0. Observe que las primeras cuatro propiedades son anlogas al caso unidimensional, a y puede comprobarse geomtricamente que la quinta propiedad corresponde a la e probabilidad del evento (a < X b) (c < Y d). Rec procamente decimos que una funcin F (x, y) : R2 [0, 1] es una funcin de distribucin bivariada si o o o satisface las anteriores cinco propiedades. El concepto de funcin de distribucin puede extenderse al caso de vectores multio o dimensionales de la siguiente forma: La funcin de distribucin del vector aleatorio o o (X1 , . . . , Xn ) es la funcin F (x1 , . . . , xn ) : Rn [0, 1] dada por o F (x1 , . . . , xn ) = P (X1 x1 , . . . , Xn xn ).
79
a) Cmo se encuentra F (x, y) a partir de f (x, y)? Conociendo la funcin de deno o sidad f (x, y), es posible encontrar al funcin de distribucin F (x, y) simplemente o o integrando en el caso continuo o sumando en el caso discreto. Para el caso continuo tenemos x y F (x, y) =

f (u, v) dv du.
En el caso discreto se suman todos los valores de f (u, v) para valores de u menores o iguales a x y valores de v menores o iguales a y. b) Cmo se encuentra f (x, y) a partir de F (x, y)? En el caso continuo sabemos o que f (x, y) y F (x, y) guardan la relacin o
x y
F (x, y) =

f (u, v) dv du,
por el teorema fundamental del clculo tenemos que a f (x, y) = 2 F (x, y). x y
Funcion de densidad marginal. Sea f (x, y) la funcin de densidad del vector o aleatorio continuo (X, Y ). Se dene la funcin de densidad marginal de la variable o X como sigue f (x) =
f (x, y) dy,
es decir, simplemente se integra respecto de la variable y. La correspondiente funcin de densidad marginal de la variable Y se obtiene integrando ahora respecto o de la variable x, es decir, f (y) =

f (x, y) dx.
La correspondiente denicin para vectores discretos involucra una suma en lugar o de la integral, por ejemplo, f (x) =
y
f (x, y),
de manera anloga se dene la densidad marginal f (y). Es sencillo vericar que a estas densidades marginales, tanto en el caso discreto como en el continuo, son
80
efectivamente funciones de densidad univariadas. Un poco ms generalmente, la a funcin de densidad marginal de la variable X1 a partir de la funcin de densidad o o del vector (X1 , . . . , Xn ) es, en el caso continuo, f (x1 ) =

f (x1 , . . . , xn ) dx2 dxn .
De manera anloga se obtiene la funcin marginal de cualquiera de las variables a o que componen el vector multidimensional. Y tambin de manera anloga se pueden e a calcular estas densidades marginales para vectores discretos de cualquier dimensin. o Funcion de distribucion marginal. Sea (X, Y ) un vector aleatorio, continuo o discreto, con funcin de distribucin F (x, y). La funcin de distribucin marginal o o o o de la variable X se dene como la funcin o F (x) = l F (x, y), m
y
y la correspondiente funcin de distribucin marginal de la variable Y es la funcin o o o F (y) = l F (x, y). m

x
No es dif comprobar que estas funciones de distribucin marginales son efecticil o vamente funciones de distribucin univariadas. o Todo lo mencionado en estas ultimas secciones tiene como objetivo poder enunciar con precisin el concepto de independencia entre variables aleatorias. Veremos a o continuacin este importante concepto que usaremos con regularidad en la segunda o parte del curso. Independencia de variables aleatorias. Sean X1 , . . . , Xn variables aleatorias con distribucin conjunta F (x1 , . . . , xn ), y con respectivas distribuciones maro ginales F (x1 ), . . . , F (xn ). Se dice que estas variables son independientes si para cualesquiera valores x1 , . . . , xn se cumple la igualdad FX1 ,...,Xn (x1 , . . . , xn ) = FX1 (x1 ) FXn (xn ). Alternativamente puede denirse la independencia en trminos de la funcin de e o densidad como sigue f (x1 , . . . , xn ) = f (x1 ) f (xn ). Nuevamente esta igualdad debe vericarse para cualesquiera valores x1 , . . . , xn . Las dos condiciones anteriores son equivalentes. En el caso particular cuando las
Parte 1. PROBABILIDAD variables aleatorias son discretas, la condicin de independencia se escribe o P (X1 = x1 , . . . , Xn = xn ) = P (X1 = x1 ) P (Xn = xn ).
81
Adicionalmente, se dice que un conjunto innito de variables aleatorias son independientes si cualquier subconjunto nito de ellas lo es. Este es el sentido en el que la sucesin innita de variables aleatorias debe entenderse en el enunciado del o teorema central del l mite.
82
Parte 2
ESTAD ISTICA
Originalmente cualquier coleccin de datos acerca de la poblacin o econom de un o o a estado era del inters exclusivo del estado, es por ello que a las primeras colecciones e de datos se les llamara estadsticas, como una derivacin de la palabra estado. Los o primeros registros de una recoleccin sistemtica de datos de una poblacin suro a o gen en las ciudades italianas de Venecia y Florencia durante el Renacimiento. Para mediados del siglo XVI, varios gobiernos europeos, a travs de las parroquias, llevae ban registros de nacimientos, matrimonios y decesos. De particular importancia en aquellos a os eran los registros de decesos pues las tasas de mortalidad eran altas n debido a las recurrentes epidemias y plagas que diezmaban a la poblacin. Esta o recoleccin de datos por parte de los gobiernos sigui desarollndose durante los o o a siglos XVII y XVIII, en donde los esfuerzos y recursos se orientaron principalmente a obtener censos. A nales del siglo IXX, y teniendo a Francis Galton (1822-1911) como precursor, surgen las primeras ideas para inferir informacin de una poblacin a partir de o o datos estad sticos. Los mtodos y la teor general se desarrollaron a partir de los e a inicios del siglo XX gracias a los trabajos de Karl Pearson (1857-1936), Ronald A. Fisher (1890-1962), Egon Sharpe Pearson (1895-1980) hijo de Karl Pearson, y Jerzy Neymann (1894-1981). Hoy en d los mtodos de la estad a e stica son usados en muy diversas reas del a conocimiento humano, sean stas cient e cas, sociales o econmicas. Sus mtodos y o e conclusiones son usados como respaldo cient co para rechazar o aceptar armaciones, y para la toma de decisiones. Cotidianamente encontramos elementos de estad stica descriptiva en los peridicos, en la radio, en la televisin y en internet. o o 83
84
2.1. Introduccion
2.1.
Introduccin o
Supongamos que tenemos una poblacin de inters, esto es, un conjunto arbitrario o e de personas, mediciones u objetos cualesquiera, y deseamos conocer cierta informacin de esta poblacin. Debido a la imposibilidad o no conveniencia de tener o o informacin de todos y cada uno de los elementos de la poblacin, tomamos un peo o que o subconjunto de ellos, al cual llamaremos muestra. Con base en esta muestra n trataremos de inferir la informacin de la poblacin en su totalidad. o o
muestra poblacin o
Figura 2.1: Estad stica descriptiva e inferencial. La estad stica es la ciencia que se encarga de recolectar, organizar, resumir y analizar datos para despus obtener e conclusiones a partir de ellos. De manera general, la estad stica puede ser dividida en dos grandes reas: estad a stica inferencial y estad stica descriptiva. La estadstica descriptiva es una coleccin de mtodos para la organizacin, resumen y presentao e o cin de datos. La estadstica inferencial consiste de un conjunto de tcnicas para o e obtener, con determinado grado de conanza, informacin de una poblacin con o o base en la informacin de una muestra. o
2.2.
Variables y tipos de datos
Una variable es una caracter stica de un elemento en una poblacin en estudio. Por o ejemplo, si la poblacin consta de personas, los siguientes son ejemplos de variables o que podr ser de inters: edad, peso, sexo, estatura, etc. Veremos a continuacin an e o algunos criterios bajo los cuales las variables pueden ser clasicadas.
Parte 2. ESTAD ISTICA
85
Las variables pueden ser cuantitativas, cuando se realiza una medicin y el resultado o es un n mero, o pueden ser cualitativas, cuando solamente registran una cualidad o u atributo del objeto o persona en estudio. La edad, el peso y la estatura son ejemplos de variables cuantitativas en una poblacin de personas, mientras que el sexo y el o estado civil son variables cualitativas. De acuerdo al n mero total de sus posibles valores, una variable cuantitativa puede u ser clasicada como discreta cuando slo puede tomar un n mero discreto (es decir, o u nito o numerable) de valores, o continua cuando puede tomar cualquier valor dentro de un intervalo (a, b) de la recta real. De acuerdo con la posible relacin que pudieran guardar los valores de una variable, o se cuenta por lo menos con cuatro escalas de medicin. Las variables cualitativas o pueden ser clasicadas de acuerdo a dos escalas: escala nominal o escala ordinal. Mientras que las variables cuantitativas pueden clasicarse por: escala de intervalo o escala de razn. o Escala nominal. Una variable se llama nominal cuando sus posibles valores no tienen alguna relacin de orden o magnitud entre ellos. Bsicamente los valores o a de este tipo de variables son etiquetas sin un orden entre ellos. Por ejemplo, si estamos estudiando una poblacin humana, a la variable sexo podemos asignarle o dos posibles valores: F para femenino, y M para masculino. Los s mbolos F y M son etiquetas arbitrarias, y no existe un orden en ellas ni podemos realizar operaciones aritmticas. La religin o la nacionalidad son tambin ejemplos de e o e variables nominales. Escala ordinal. En esta escala los valores de la variable tienen un orden pero no se pueden hacer operaciones aritmticas entre estos valores pues no hay nocin e o de distancia entre ellos. Por ejemplo, para calicar las caracter sticas de un objeto podemos suponer los siguientes valores: 0=Psimo, 1=malo, 2=Regular, 3=Bueno, e 4=Excelente. En este caso la escala de medicin es ordinal pues existe un orden o entre sus valores, pero no se puede decir, por ejemplo, que dos valores regulares hacen un valor excelente. Escala de intervalo. En este tipo de escala existe un orden entre los valores de la variable y existe adems una nocin de distancia aunque no se pueden realizar a o operaciones. No existe el valor natural cero para esta tipo de escala. Por ejemplo, suponga que los valores de una cierta variable estn dados por los d del mes. a as Entre el d 10 y el d 20 hay una distancia de diez d pero no se puede decir a a as, que el d 20 es dos veces el d 10. La temperatura es otro ejemplo de este tipo a a
86
2.3. Estad stica descriptiva
de variable, el posible valor cero depende de la escala que se use para medir la temperatura (Celsius, Kelvin, Fahrenheit). Escala de razon. En una escala de razn la magnitud tiene un sentido f o sico y existe el cero absoluto. Por ejemplo, la variable edad en aos estudiada en una n poblacin humana. o La clasicacin de un variable particular en alguna de estas categor puede no o as ser clara pues tal decisin puede depender del tratamiento que una persona haga o de tal variable. Ejercicio. Determine si cada una de las siguientes variables es cualitativa o cuantitativa. Si es cualitativa, diga si su escala de medicin es nominal u ordinal. Si es o cuantitativa, diga si es discreta o continua, y diga su escala de medicin. o a) Apreciacin o punto de vista acerca de una idea o propuesta usando la escala: o De Acuerdo, En desacuerdo, Indiferente. b) Evaluacin de un curso de acuerdo a las siguientes categor Acreditado, No o as: Acreditado, Ausente. c) N mero de hijos en una familia. u d) Salario en unidades monetarias. e) Nivel de salario en alguna de las categor A,B,C,D,E,F. as: f) Longitud de un tornillo. g) Preferencia sexual. h) Lugar de nacimiento de una persona. i) Peso de un beb recin nacido. e e
2.3.
Estad stica descriptiva
Supongamos que tenemos un conjunto de datos numricos x1 , . . . , xn , que repree sentan mediciones de alguna variable de inters en un experimento aleatorio. Para e conocer algunas caracter sticas globales de esta variable se pueden calcular ciertas
87
medidas de tendencia central como la media, moda y mediana; y tambin otras mee didas llamadas de dispersin como la varianza, la desviacin estndar y el rango. o o a Deniremos estos conceptos a continuacin. o Medidas de tendencia central. La media de los datos numricos x1 , . . . , xn , e denotada por x, es simplemente el promedio (x1 + + xn )/n. Por otro lado, la moda es el valor que aparece con mayor frecuencia. Si ning n valor se repite, se u dice que no hay moda, o que todos los valores son moda. Si existe un unico valor con mayor n mero de repeticiones, entonces a ese valor se le llama la moda, y u el conjunto de datos se dice que es unimodal. Pueden existir, si embargo, dos o mas valores que sean los que mayor n mero de veces se repiten, en tal caso la u moda consta de esos valores, y se dice que el conjunto de datos es bimodal. Si hay mas de dos valores con mayor n mero de repeticiones, se dice que el conjunto de u datos es multimodal. Para calcular la mediana procedemos como sigue. Se ordena la muestra x1 , . . . , xn de menor a mayor incluyendo repeticiones, y se obtiene la muestra ordenada x(1) , . . . , x(n) , en donde x(1) denota el dato ms peque o y x(n) a n es el dato ms grande. La mediana, denotada por x, se dene como sigue a x= x( n+1 )
2
1 n 2 [x( 2 )
+ x( n +1) ] 2
si n es par, si n es impar.
De este modo, cuando tenemos un n mero impar de datos, la mediana es el dato u ordenado que se encuentra justo a la mitad. Y cuando tenemos un n mero par u de datos, la mediana se calcula promediando los dos datos ordenados que estn a enmedio. Ejercicio. Calcule la media, moda y mediana de cada uno de los siguientes conjuntos de datos. a) 5, 2, 3, 2, 4, 4, 2, 5 . b) 3.5, 2, 7.5, 3.5, 1.5, 4.5, 7.5 . c) 1, 2, 3, 4, 5, 6, 7, 8, 9, 10.
Medidas de dispersion. Deniremos ahora algunas medidas que ayudan a cuanticar la dispersin que puede presentar un conjunto de datos numricos x1 , . . . , xn . o e La varianza, denotada por s2 , se dene como sigue s2 = 1 n1
n i=1
(xi x)2 ,
88
2.4. Muestras aleatorias y estad sticas
en donde x es la media muestral denida antes. La desviacin estndar es la ra o a z cuadrada positiva de s2 , y se le denota naturalmente por s. El rango es el dato ms a grande menos el dato ms peque o, es decir, x(n) x(1) . a n Ejercicio. Calcule la varianza, la desviacin estndar y el rango de los conjuntos de o a datos del ejercicio anterior.
2.4.
Muestras aleatorias y estad sticas
En lo que los problemas estad sticos que consideraremos no estudiaremos muestras particulares de datos numricos x1 , . . . , xn , sino conjuntos de variables aleatorias e X1 , . . . , Xn que pueden, en particular, tomar el conjunto de datos mencionado. Deniremos a continuacin este concepto junto con el de estad o stica. Denicin. Una muestra aleatoria (escribimos simplemente m.a.) es una coleco cin de variables aleatorias X1 , . . . , Xn que son independientes e idnticamente o e distribuidas. De este modo, cuando se diga, por ejemplo, que una muestra aleatoria es tomada de una poblacin normal con media y varianza 2 , ello signica que las variables o aleatorias que forman la m.a. son independientes entre s y todas ellas tienen , la misma distribucin normal con los mismos parmetros. Una muestra aleatoria o a constituye el elemento bsico para llevar a cabo inferencias estad a sticas. Denicin. Una estadstica es una funcin cualquiera de una muestra aleatoria o o X1 , . . . , Xn , y por lo tanto es tambin una variable aleatoria. e Veremos a continuacin dos ejemplos de estad o sticas que sern usados con frea cuencia ms adelante. Considere una muestra aleatoria X1 , . . . , Xn . La funcin X a o denida como sigue n 1 X= Xi , n i=1 es una estad stica, y se le conoce con el nombre de media muestral. El otro ejemplo
Parte 2. ESTAD ISTICA es el de la varianza muestral, que se dene de la forma siguiente S2 = 1 n1

n i=1
89
(Xi X)2 .
2.5.
Estimacin puntual o
Sea X una variable aleatoria de inters en un experimento aleatorio, y supongamos e que X tiene una distribucin de probabilidad con funcin de densidad f (x; ), en o o donde es el parmetro o el conjunto de parmetros de la distribucin. En esta a a o nueva notacin se hace nfasis en que la distribucin depende de un parmetro o e o a denotado genricamente por la letra griega , y el cual consideraremos desconocido. e Por ejemplo, si la distribucin es exp(), entonces representa el parmetro , si o a la distribucin es N(, 2 ), entonces representa el vector de parmetros (, 2 ). o a El problema de estimacin puntual consiste en encontrar un n mero, con base en o u las observaciones realizadas de la variable aleatoria, que sirva como estimacin del o parmetro desconocido . Ilustraremos el problema con un par de ejemplos. a Ejemplo. Se desea conocer el estado de la calidad de un conjunto 1000 art culos. Dada la imposibilidad de someter a prueba a todos ellos, se escogen 20 art culos al azar obtenindose los siguientes resultados: 0,1,1,0,1,1,0,1,0,1,1,1,0,1,1,1,1,1,1,0, e en donde cero indica que el art culo no pas el control de calidad y uno indica que o el art culo pas el control de calidad. Suponga que X es la variable que indica si o un art culo escogido al azar pasa o no pasa el control de calidad. Entonces X tiene una distribucin Ber(p), en donde p es desconocido. Cmo podr estimarse el o o a verdadero valor de p con base en los datos de la muestra? Ejemplo. El tiempo en minutos que un conjunto de 10 empleados escogidos al azar invierte en trasladarse de la casa al lugar de trabajo es: 30,70,65,10,25,15,5,50,20,15. Suponga que tal variable puede modelarse mediante la distribucin exp(). Cmo o o podr estimarse el valor de con base en las observaciones realizadas? a
Denicin. Un estimador puntual para el parmetro es una funcin de una o a o muestra aleatoria X1 , . . . , Xn que se usa para estimar .
90
2.5. Estimacion puntual
A un estimador del parmetro se le denota regularmente por (se lee teta a circunejo). Observe que un estimador puntual es una estad stica y puede escri birse como = (X1 , . . . , Xn ). Veremos a continuacin dos mtodos para encontrar o e estimadores puntuales. Mtodo de maxima verosimilitud. Sea X1 , . . . , Xn una muestra aleatoria de e una poblacin con funcin de densidad f (x; ). Esto signica que todas las variao o bles de la muestra aleatoria tienen funcin de densidad f (x) que depende de un o parmetro desconocido . a Denicin. La funcin de verosimilitud de una muestra aleatoria X1 , . . . , Xn , o o denotada por L(), se dene como la funcin de densidad conjunta o L() = fX1 ,...,Xn (x1 , . . . , xn ; ).
La letra L proviene del trmino en ingls likelihood, que tradicionalmente se ha trae e ducido como verosimilitud, aunque tal vez el trmino credibilidad sea ms acertado. e a El mtodo de mxima verosimilitud consiste en obtener el valor de que maximice e a la funcin de verosimilitud L(), la idea intuitiva es interesante: se debe encontrar o el valor de de tal forma que los datos observados tengan mxima probabilidad a de ocurrir. El valor de en donde se alcanza el mximo se llama estimador de a mxima verosimilitud, o estimador mximo verosmil. Ilustraremos este mtodo a a e con algunos ejemplos. Ejemplo. Encontraremos el estimador mximo veros a mil para el parmetro de a una distribucin exponencial. La funcin de verosimilitud es o o L() = = = fX1 (x1 ) fXn (xn ) ex1 exn
x n en
Maximizar la funcin L() es equivalente a maximizar la funcin ln L(), pues la o o funcin logaritmo es continua y montona creciente en su dominio de denicin. o o o Hacemos esto pues esta nueva funcin resulta ms fcil de maximizar como vereo a a mos a continuacin. Tenemos que ln L() = n ln n. Derivando respecto a e o x igualando a cero se llega a la ecuacin n/ n = 0, de donde se obtiene = 1/. o x x El estimador es entonces = 1/X.
91
Ejemplo. Encontraremos los estimadores de mxima verosimilitud para los parmea a tros y 2 de una distribucin normal. Por denicin la funcin de verosimilitud o o o es L(, 2 ) = = = fX1 (x1 ) fXn (xn ) 2 2 2 2 1 1 e(x1 ) /2 e(xn ) /2 2 2 2 2 n 1 1 22 (xi )2 i=1 ( )n e . 2 2
Nuevamente el logaritmo de esta funcin es ms sencillo de maximizar. Tenemos o a que n n 1 ln L(, 2 ) = ln(2 2 ) 2 (xi )2 . 2 2 i=1 Por lo tanto ln L(, 2 ) = ln L(, 2 ) = 2 1 2
n i=1
(xi ),
n i=1
n 1 2+ 4 2 2
(xi )2 .
Igualando a cero ambas derivadas encontramos un sistema de dos ecuaciones con dos variables: 1 2 n 1 + 4 2 2 2
n i=1 n
(xi )
= 0, = 0.
n
i=1
(xi )2
n
1 1 De estas ecuaciones se obtiene = n i=1 xi , y 2 = n i=1 (xi )2 . Por lo 2 tanto los estimadores para los parmetros y de una distribucin normal por a o n n 1 1 el mtodo de mxima verosimilitud son = n i=1 Xi , y 2 = n i=1 (Xi )2 . e a
Mtodo de momentos. Sea nuevamente f (x; ) la funcin de densidad de una e o variable aleatoria X que depende de un parmetro desconocido . Recordemos que a el k-simo momento poblacional de X es el n mero E(X k ), cuando esta esperanza e u
92
2.5. Estimacion puntual
existe. Ahora, dada una muestra aleatoria X1 , . . . , Xn de esta distribucin, se deo n 1 e ne el k-simo momento muestral como n i=1 Xik . El mtodo de momentos para e estimar el parmetro es muy sencillo, consiste en igualar los momentos muesa trales con los correspondientes momentos poblacionales, y resolver esta ecuacin o o sistema de ecuaciones para el parmetro cuando ello sea posible. Veamos algunos a ejemplos. Ejemplo. Nuevamente estimaremos los parmetros y 2 de una distribucin nora o mal. Esta vez usaremos el mtodo de momentos. Como necesitamos estimar dos e parmetros usamos los dos primeros momentos. El primer y segundo momento a poblacionales son E(X) = y E(X 2 ) = 2 + 2 , respectivamente. El primer y segundo momento muestrales son n xi y n x2 , respectivamente. La igualacin o i=1 i=1 i respectiva produce el sistema de ecuaciones = 2 + = 1 n 1 n
n
xi ,
i=1 n
x2 . i
i=1
La primera ecuacin es expl o cita mientras que la segunda ecuacin se puede reeso cribir como sigue 2 = 1 n
n i=1
x2 2 = i
1 n
n i=1
x2 ( i
1 n
xi )2 =
i=1
1 n
n i=1
(xi )2 .
En este caso los estimadores por el mtodo de momentos coinciden con los estimae dores mximo veros a miles. Insesgamiento. Siendo un estimador una variable aleatoria que se utiliza para estimar el parmetro , es interesante saber si el valor promedio de es . Esta a ser una buena propiedad para un estimador. a Denicin. Un estimador del parmetro es insesgado si E() = . o a Si no es insesgado, entonces se dice que es sesgado, y a la diferencia E() se es un estimador insesgado le llama sesgo. De esta forma, un estimador puntual para el parmetro desconocido si, en promedio, el valor de coincide con el valor a
93
desconocido de . Observe en los siguientes ejemplos la forma en la que se verica la propiedad de insesgamiento a n cuando no se conozca el valor del parmetro . u a Ejemplo. Sea X1 , . . . , Xn una muestra aleatoria de una poblacin con media descoo n 1 nocida . Comprobaremos que la media muestral X = n i=1 Xi es un estimador insesgado para el parmetro . Observe que X es el estimador , y es el parmetro a a desconocido . Por la propiedad lineal de la esperanza, 1 E() = E(X) = E( n
n
Xi ) =
i=1
1 n
E(Xi ) =
i=1
1 n
= .
i=1
Ejemplo. Sea X1 , . . . , Xn una muestra aleatoria de una poblacin con varianza o desconocida 2 . Recordemos que la varianza muestral es una estad stica denida 1 de la forma siguiente: S 2 = n1 n (Xi X)2 . En este caso el estimador es i=1 S 2 y el parmetro desconocido a estimar es 2 . Esta estad a stica resulta ser un estimador insesgado para la varianza 2 . Comprobar esta armacin requiere de o algunos clculos que por cuestin de espacio omitimos, de modo que se deja al a o lector tal comprobabcin, lo unico que hay que hacer es desarrollar el cuadrado, o usar la propiedad de linealidad de la esperanza y observar que E(Xi Xj ) = 2 +
2 2
si i = j, si i = j.
2.6.
Estimacin por intervalos o
En algunos casos es preferible no dar un n mero como estimacin de un parmetro u o a sino un intervalo de posibles valores. En esta seccin se estudia brevemente el tema o de estimacin de parmetros usando intervalos. En este tipo de estimacin se busca o a o un intervalo de tal forma que se pueda decir, con cierto grado de conabilidad, que dicho intervalo contiene el verdadero valor del parmetro desconocido. A este tipo a de intervalos se les llama intervalos de conanza.
94
2.6. Estimacion por intervalos
Denicin. Sea (0, 1). Un intervalo de conanza para un parmetro deso a conocido de una distribucin de probabilidad es un intervalo aleatorio de la o forma (1 , 2 ), en donde 1 y 2 son estad sticas (funciones de una muestra aleatoria) tales que P (1 < < 2 ) = 1 . (2.1)
A las estad sticas 1 y 2 se les conoce como lmites inferior y superior, respec tivamente, del intervalo de conanza. Al n mero 1 se le conoce como grado o u coeciente de conanza. En general, se toma el valor de cercano a 0 de tal forma que el grado de conanza, 1 , es cercano a 1. En la prctica es com n tomar a u =0.05, de modo que el grado de conanza es 1 =0.95 . Decimos entonces que el grado de conanza es del 95 %. Observe que las estad sticas 1 y 2 dependen de una muestra aleatoria X1 , . . . , Xn , de modo que al tomar estas variables aleatorias distintos valores se generan distintos intervalos de conanza. Esto se ilustra en la Figura 2.2.
Figura 2.2: Observe que no es correcto decir la probabilidad de que pertenezca al intervalo (1 , 2 ) es 1 , pues el parmetro no es el elemento aleatorio. En cambio, se dice a la probabilidad de que el intervalo (1 , 2 ) contenga el valor de es 1 . De esta forma se entiende que es constante, aunque desconocido, y el intervalo es el que cambia dependiendo de la muestra. Naturalmente el problema es encontrar 1 2 de tal forma que la igualdad (2.1) se cumpla. A continuacin mostraremos la y o forma de resolver este problema en algunos casos particulares. Intervalo para la media de una distribucion normal con varianza co-
95
nocida. Sea X1 , . . . , Xn una muestra aleatoria de una poblacin normal con media o desconocida y varianza conocida 2 . Encontraremos un intervalo de conanza para el parmetro . Como cada una de las variables de la muestra tiene distribucin a o n 1 N(, 2 ), la media muestral X = n i=1 Xi tiene distribucin N(, 2 /n). De moo do que, estandarizando, X N(0, 1). / n Para cualquier valor de (0, 1) podemos encontrar un valor z/2 en tablas de probabilidad normal estndar, vase la Figura 2.3, tal que a e P ( z/2 < X < z/2 ) = 1 . / n
f (x)
/2
/2 x
z/2
z/2
Figura 2.3: Despejando la constante desconocida se obtiene el siguiente resultado. Proposicin. Un intervalo de conanza para la media de una distribucin o o normal con varianza conocida 2 est dado por la siguiente expresin a o P ( X z/2 < < X + z/2 ) = 1 . n n (2.2)
De esta forma, el intervalo (X z/2 n , X + z/2 n ) es un intervalo de conanza para el parmetro desconocido , pues contiene a dicho parmetro con probabilia a dad 1 . Observe que todas las expresiones que aparecen en este intervalo son conocidas. Ilustraremos la aplicacin de esta frmula mediante un ejemplo. o o
96
Ejemplo. Suponga que la vida promedio util, medida en horas, de focos de 100 watts producidos por cierta compa puede ser modelada mediante una variable na, aleatoria con distribucin normal de media y varianza 2 . Suponga que la deso viacin estndar es conocida y es igual a 30 horas. El objetivo es encontrar un o a intervalo de conanza para la vida promedio util de los focos producidos por esta compa Para ello se toma una muestra de 20 focos y mediante pruebas de lana. boratorio se determina la vida util de cada uno de ellos. Los resultados x1 , . . . , x20 arrojan una media muestral x de 1050 horas. Si consideramos un nivel de conanza del 95 %, es decir, =0.05, de la tabla de probabilidad normal se encuentra que z/2 = z0.025 =1.96, y entonces puede ahora calcularse el intervalo ( z/2 , x + z/2 ) x n n 30 30 = (1050 1.96 , 1050 + 1.96 ) 20 20 = (1050 13.148, 1050 + 13.148) = (1036.852, 1063.148).
De esta forma, con una conanza del 95 %, la vida promedio util de este tipo de focos es de 1050 13.148 horas. Ejercicio. Compruebe que la longitud del intervalo aleatorio que aparece en (2.2) es n 2z/2 / n. Observe que la longitud del intervalo decrece conforme el tama o de la muestra crece. Adems, si la conanza requerida crece, es decir, si 1 aumenta, a entonces z/2 crece (vase la Figura 2.3), y por lo tanto la longitud del intervalo e tambin crece. e Ejercicio. Encuentre un intervalo de conanza al 90 % para la media de una poblacin normal con = 5 cuando se ha tomado una muestra de tama o 25 cuya o n media muestral es 60. Intervalo para la media de una distribucion normal con varianza desconocida. Sea X1 , . . . , Xn una muestra aleatoria de una distribucin normal con o media desconocida y varianza desconocida 2 . El resultado terico fundamental o en la siguiente derivacin es que la variable aleatoria o X , T = S/ n tiene una distribucin t con n 1 grados de libertad. Observe que esta es la diso tribucin exacta de la variable T , sin importar el tama o de la muestra y sobre o n
97
todo, sin suponer que la varianza de la muestra es conocida. A partir de lo anterior podemos construir un intervalo de conanza para el parmetro desconocido de a forma anloga al caso normal mencionado antes. Para cualquier valor de (0, 1) a podemos encontrar un valor t/2 en tablas de probabilidad de la distribucin t de o n 1 grados de libertad (vase la Figura 2.4) tal que e P ( t/2 < X < t/2 ) = 1 . S/ n
f (x)
/2
/2 x t/2 t/2
Figura 2.4: Despejando la constante desconocida de la ecuacin anterior se obtiene el siguieno te resultado. Proposicin. Un intervalo de conanza para la media de una distribucin o o normal est dado por la siguiente expresin a o S S P ( X t/2 < < X + t/2 ) = 1 . n n (2.3)
S S De este modo, el intervalo ( X t/2 n , X + t/2 n ) es un intervalo de conanza para la media de una poblacin normal sin suponer la varianza conocida. No es o expl cito en la notacin pero el valor t/2 corresponde a la distribucin t con n 1 o o grados de libertad, a veces se escribe t/2,n1 .
Intervalo aproximado para la media de una distribucion cualquiera. Sea X1 , . . . , Xn una muestra aleatoria de una distribucin cualquiera con media o desconocida . Supongamos que el tama o n de la muestra es grande, i.e. n 30. n
98
Entonces, por el teorema central del l mite, la variable aleatoria Z= X , S/ n
tiene una distribucin aproximada normal estndar. Se puede encontrar un intero a valo aproximado de conanza para el parmetro desconocido siguiendo el procea dimiento antes realizado. Para cualquier valor de (0, 1) podemos encontrar un valor z/2 en tablas de probabilidad normal estndar tal que a P ( z/2 < X < z/2 ) = 1 . S/ n
Despejando nuevamente la constante desconocida se obtiene S S P ( X z/2 < < X + z/2 ) = 1 . n n

S S De esta forma, el intervalo (X z/2 n , X + z/2 n ) es un intervalo de conanza aproximado para el parmetro desconocido pues contiene a dicho parmetro con a a probabilidad 1 . Observe nuevamente que todas las expresiones que aparecen en este intervalo son conocidas.
A manera de resumen se tiene la siguiente tabla.

Hiptesis o Distribucin normal con o varianza 2 conocida Intervalo para la media
P ( X z/2
< < X + z/2
) = 1 .
Distribucin normal con o varianza 2 desconocida
P ( X t/2,n1
S n
< < X + t/2,n1
S n
) = 1 .
Cualquier distribucin o Muestra grande, n 30
P ( X z/2
Intervalo aproximado: S S < < X + z/2 ) = 1 . n n
99
2.7.
Pruebas de hiptesis o
Ilustraremos la idea de una prueba de hiptesis con un ejemplo. Considere una o situacin en la que se efect a slo uno de los siguientes dos experimentos aleatorios: o u o En uno de ellos se lanza un dado, en el otro se lanzan cinco monedas y se cuenta el n mero de cruces totales que se obtienen, suponiendo que los lados de cada moneda u se denominan cara o cruz. Suponga que unicamente conocemos el resultado de uno u otro experimento, y se nos pide determinar cul de los dos experimentos se a realiz con base en el n mero reportado. Tenemos entonces una situacin de dos o u o hiptesis o H0 : Dado vs H1 : Monedas. Como informacin se tiene un n mero dentro del conjunto = {0, 1, 2, 3, 4, 5, 6}. o u Veamos la situacin. Si el n mero reportado es 0, entonces seguro se realiz el o u o experimento de las monedas. Si = 6, entonces con seguridad el dado fue lanzado. Qu decisin tomar para cualquier otro valor de ? En la siguiente tabla se e o muestran las probabilidades de los posibles n meros reportados bajo cada uno de u los dos experimentos. H0 : Dado H1 : Monedas 0 0 1/32 1 1/6 5/32 2 1/6 10/32 3 1/6 10/32 4 1/6 5/32 5 1/6 1/32 6 1/6 0
La estrategia natural es decidir por el experimento que tenga mayor probabilidad para cada valor de . Estas probabilidades mayores se encuentran indicadas con un asterisco en la tabla anterior. De esta forma se llega a la siguiente regla de decisin: o Si C = {0, 2, 3}, entonces se rechaza H0 , en caso contrario se acepta H0 . Por razones naturales al conjunto C se le llama regin del rechazo de la hiptesis o o H0 . La regla de decisin anterior es razonable, sin embargo no est libre de errores. o a Si = 2, se decide por las monedas, pero el resultado bien pudo provenir del dado. Igualmente, si = 1, se decide por el dado pero es factible que el resultado haya sido obtenido por las monedas. Se tiene entonces las siguientes deniciones: Error tipo I: Rechazar H0 cuando H0 es verdadera. Error tipo II: No rechazar H0 cuando H0 es falsa.
100
2.7. Pruebas de hipotesis
Las probabilidades de estos errores pueden ser calculadas del siguiente modo. P (Error tipo I) = = = = Por otro lado, P (Error tipo II) = P (No rechazar H0 | H0 es falsa) = P ( C | H0 es falsa) / P (Rechazar H0 | H0 es verdadera) P ( C | H0 es verdadera) P ( {0, 2, 3} | Se us el dado) o 0 + 1/6 + 1/6 = 1/3.
= P ( {1, 4, 5, 6} | Se usaron las monedas) = 5/32 + 5/32 + 1/32 + 0 = 11/32.
Naturalmente, si se cambia la regla de decisin cambiando la regin de rechazo, o o cambian las probabilidades de los errores. En un problema de decisin de este o tipo se busca encontrar una regla de decisin razonable que tenga errores menores. o Vamos ahora a estudiar pruebas de hiptesis en el contexto de la estimacin de o o parmetros en las distribuciones de probabilidad. a Denicin. Una hiptesis estadstica o simplemente hiptesis es una armacin o o o o o conjetura acerca de la distribucin de una o mas variables aleatorias. o Por ejemplo, si X tiene una distribucin bin(n, p), entonces la armacin p =0.2 o o es una hiptesis. Si X tiene una distribucin N(, 2 ), entonces la armacin > o o o 0 es otro ejemplo de hiptesis estad o stica. Una hiptesis es simple si especica por completo la distribucin de probabilidad o o en cuestin. Por ejemplo, si X tiene una distribucin exp(), entonces la armao o cin = 5 es una hiptesis simple. Si X tiene una distribucin N(, 1), entonces o o o la armacin = 0 es otro ejemplo de hiptesis simple. En contraste, decimos o o que una hiptesis estad o stica es compuesta cuando no especica por completo la distribucin de probabilidad en cuestin. Si X tiene una distribucin Poisson(), o o o entonces > 20 es una hiptesis compuesta. Si X tiene una distribucin 2 (n), o o entonces n = 5 es otro ejemplo de una hiptesis compuesta. En general, contraso taremos dos hiptesis de acuerdo al siguiente esquema y notacin: o o H0 : (hiptesis nula) o vs H1 : (hiptesis alternativa). o
101
Tanto la hiptesis nula (H0 ) como la hiptesis alternativa (H1 ) pueden ser simple o o o compuesta. De este modo tenemos cuatro diferentes tipos de contraste de hipteo sis: simple vs simple, simple vs compuesta, compuesta vs simple, y compuesta vs compuesta. Denicin. Una prueba de hiptesis es una regla para decidir si se acepta la o o hiptesis nula o se rechaza en favor de la hiptesis alternativa. o o Como sabemos, al tomar una decisin de este tipo se corre el riesgo de cometer o errores. Al rechazo de la hiptesis nula cuando sta es verdadera se le conoce como o e error tipo I, y a la probabilidad de cometer este primer tipo de error se le denota por la letra . En cambio, a la aceptacin de la hiptesis nula cuando sta es falsa o o e recibe el nombre de error tipo II, y a la probabilidad de cometer este segundo tipo de error se le denota por la letra . Estas deniciones de errores se resumen en la siguiente tabla.
H0 cierta Eror tipo I con probabilidad
H0 falsa
Rechazar H0
Decisin correcta o
No rechazar H0
Decisin correcta o
Error tipo II con probabilidad
La informacin para obtener una regla de decisin que nos lleve a rechazar o no o o rechazar un hiptesis estad o stica provendr de una muestra aleatoria X1 , . . . , Xn de a la distribucin de que se trate. Observe adems que al aceptar una hiptesis no se o a o arma que sta sea absolutamente cierta, sino simplemente que es consistente con e los datos de la muestra aleatoria. Si la muestra cambia, posiblemente la decisin o de rechazar o no rechazar tambin. e Denicin. Se le llama regin crtica a la regin de rechazo de H0 , y a la o o o probabilidad de cometer el error tipo I, esto es , se le llama tamao de la n regin crtica. A esta probabilidad se le conoce tambin con el nombre de nivel o e de signicancia.
102
Nos limitaremos a mostrar la forma en la que se deriva la regla para llevar a cabo una prueba de hiptesis acerca de la media de una distribucin normal. o o Prueba acerca de la media de una distribucion normal. Sea X1 , . . . , Xn una muestra aleatoria de una poblacin normal con media desconocida y varianza o conocida 2 . Sabemos que X tiene distribucin N(, 2 /n). Por lo tanto o X N (0, 1). / n Sea 0 un n mero real particular. Deseamos contrastar las hiptesis H0 : = 0 u o contra H1 : = 0 . El problema es encontrar una regla para decidir cundo a rechazar H0 en favor de H1 con base en los datos de la muestra X1 , . . . , Xn . Cuando H0 es cierta, esto es, cuando es efectivamente 0 , tenemos que X N (0 , 2 /n) y por lo tanto X 0 N (0, 1). / n La estad stica Z = X0 es una medida natural de la distancia entre X, un es/ n
timador de , y su valor esperado 0 cuando H0 es cierta. Es entonces razonable rechazar H0 cuando la variable Z sea grande. Es por ello que tomamos como criterio de decisin rechazar H0 cuando |Z| k, para cierta constante k. Cmo encontrao o mos el n mero k? En una tabla de la distribucin normal podemos encontrar un u o valor z/2 tal que P (|Z| z/2 ) = , en donde lo determina la persona que lleva a cabo la prueba de hiptesis, t o picamente = 0.1 . Vase la Figura 2.5. Este valor e z/2 es precisamente la constante k buscada pues con ello se logra que la regin de o rechazo sea de tama o . n A la variable aleatoria Z se le llama la estadstica de la prueba, y la prueba se denomina prueba de dos colas pues la regin de rechazo consta de las dos colas de o la distribucin normal que se muestran en la Figura 2.5. Llevar a cabo esta prueba o de hiptesis consiste en usar los datos de la muestra para encontrar el valor de Z, o si |Z| z/2 , entonces se rechaza H0 , en caso contrario no se rechaza H0 . En la siguiente tabla se muestra resumida la informacin de esta prueba. o Prueba: Estad stica de prueba: Regin de rechazo: o Error tipo I: Error tipo II: H0 : = 0 vs H1 : = 0 0 Z = Xn / |Z| z/2 (z/2 + 0 1 ) (z/2 + / n
0 1 ), / n
1 = 0 .
103
f (x)
/2
/2 x
z/2
z/2
Regin de rechazo o
Figura 2.5: Vamos a comprobar la frmula que aparece en la tabla anterior acerca del error o tipo II. Sea 1 cualquier n mero tal que 1 = 0 . Calcularemos la probabilidad del u error tipo II dado que el verdadero valor de es 1 . (1 ) = = = = = = P ( No rechazar H0 cuando = 1 ) P ( |Z| < z/2 | = 1 ) X 0 | < z/2 | = 1 ) P(| / n P ( 0 z/2 < X < 0 + z/2 | = 1 ) n n 0 1 X 1 0 1 < < z/2 + ) P ( z/2 + / n / n / n 0 1 0 1 ) (z/2 + ). (z/2 + / n / n
Ejercicio. En ciertas zonas de la ciudad se calcula el pago por el consumo de agua suponiendo un consumo promedio de 20,000 litros mensuales. Para vericar que si tal cantidad ha cambiado se han medido los consumos mensuales de 15 casas obtenindose los siguientes resultados: 23456, 18325, 21982, 22371, 13292, 25073, 22601, e 20930, 18788, 19162, 21442, 23935, 20320, 19095, 17421. Debe cambiar el consumo promedio mensual para calcular los pagos o permanecer igual? Suponga = 2000.
104
Puede tambin considerarse la prueba H0 : = 0 contra H1 : < 0 llamada e prueba de cola inferior pues la regin de rechazo consta de la cola izquierda de la o distribucin normal como se muestra en la Figura 2.6. Se rechaza la hiptesis H0 o o slo cuando los datos de la muestra son tales que X se encuentra muy a la izquierda o de 0 . Prueba: Estad stica de prueba: Regin de rechazo: o Error tipo I: Error tipo II: H0 : = 0 0 Z = Xn / Z z 1 z + vs H1 : < 0
0 1 / n
, 1 < 0
f (x)
z
Regin de rechazo o
Figura 2.6: Las caracter sticas de la prueba H0 : = 0 contra H1 : > 0 llamada prueba de cola superior se muestran en la siguiente tabla, y la regin de rechazo se presenta en o la Figura 2.7. Se rechaza la hiptesis H0 slo cuando la muestra provee evidencia o o de que X se encuentra muy a la derecha de 0 . Prueba: Estad stica de prueba: Regin de rechazo: o 0 en donde Z = Xn .Error tipo I: / Error tipo II: H0 : = 0 vs H1 : > 0 0 Z = Xn / Z z , (prueba de cola superior) z +
0 1 / n
, 1 > 0 .
105
f (x)
z
Regin de rechazo o
Figura 2.7:
106
Apndice A e
Ejercicios
Espacio muestral y eventos 1. Determine un espacio muestral para cada uno de los siguientes experimentos aleatorios. a) Lanzar una moneda tres veces. b) Lanzar a un mismo tiempo tres monedas indistinguibles. c) Escoger un n mero real al azar dentro del intervalo [1, 1] y despus u e elevarlo al cuadrado. d ) Registrar el n mero de llamadas telefnicas que llegan a un conmutador u o en un minuto dado. e) Colocar al azar dos bolas distinguibles en cuatro celdas numeradas. f ) Colocar al azar dos bolas indistinguibles en cuatro celdas numeradas. g) Observar el marcador nal de un juego de f tbol soccer. u 2. Un experimento aleatorio consiste en lanzar un dado hasta que se obtiene un 6. Proponga dos espacios muestrales para este experimento. 3. Determine un experimento aleatorio para los siguientes espacios muestrales. a) = {0, 1, 2, . . .}. c) = {0, 1}. b) = [0, ).
107
108
Operaciones con conjuntos 4. Demuestre las leyes distributivas: a) A (B C) = (A B) (A C). 5. Demuestre las leyes de De Morgan: a) (A B)c = Ac B c . b) (A B)c = Ac B c . 6. Enuncie y demuestre las leyes de De Morgan para tres conjuntos. Para la demostracin use la validez del mismo resultado para dos conjuntos. o 7. Demuestre que A = (A B) (A B c ). 8. Demuestre que A B = B (A B c ). 9. Demuestre que A B = A (B Ac ). 10. Demuestre que A B = B (A B c ). 11. Demuestre que A B = A (B Ac ). 12. Demuestre que a) A B = A (A B). 13. Demuestre que a) A (B C) = (A B) (A C).
b) A (B C) = (A B) (A C).
b) A B = (A B) B.
b) (A C) (B C) = (A B) C.
14. Demuestre que las siguientes dos deniciones de la operacin diferencia simtrio e ca son equivalentes. a) AB = (A B) (B A). b) AB = (A B) (A B). 15. Compruebe grcamente las siguientes propiedades bsicas de la diferencia a a simtrica. e
Apendice A. Ejercicios a) A(BC) = (AB)C. b) A = A. c) A = Ac . d ) AA = . e) AAc = .
109
16. Sean A = {x R : |x 2| 4} y B = {x R : |x 1| > 2}. Muestre grcamente los conjuntos A, B, Ac , B c , A B, A B, A B, B A y AB. a 17. Sean A = {x R : |x+1| 2} y B = {x R : x2 > 2}. Muestre grcamente a los conjuntos A, B, Ac , B c , A B, A B, A B, B A y AB. 18. Sean A = {(x, y) R2 : x2 + y 2 1} y B = {(x, y) R2 : y > x2 }. Muestre grcamente los conjuntos Ac , B c , A B, A B, A B, B A y AB. a 19. Sean A = {(x, y) R2 : 2x2 + 3y 2 6} y B = {(x, y) R2 : y > x2 }. Muestre grcamente los conjuntos Ac , B c , A B, A B, A B, B A y a AB. 20. Ellos. Si el 70 % de los hombres son feos, el 60 % son fuertes, y el 50 % son formales. Cul es el m a nimo y el mximo posibles de hombres que son feos, a fuertes y formales? 21. Ellas. Si el 90 % de las mujeres son bonitas, el 80 % son sensibles, y el 70 % son sinceras. Cul es el m a nimo y el mximo posibles de mujeres que son a bonitas, sensibles y sinceras?
Conjuntos ajenos 22. Compruebe que los conjuntos A y B A son siempre ajenos. 23. Son los conjuntos {(x, y) : y = ex } y {(x, y) : y = 1 x} ajenos? En caso negativo, Cuntos puntos en com n tienen? a u 24. Sean A y B ajenos, y sea A1 A. Compruebe que A1 y B son ajenos. Intuitivamente la armacin es evidente, el reto consiste en encontrar una o justicacin matemtica de ello. o a 25. Cuntas igualdades son necesarias vericar en general para comprobar que a n conjuntos son ajenos dos a dos?
110
Conjunto potencia 26. Quin es 2 ? e 27. Demuestre que si A B, entonces 2A 2B . Producto Cartesiano 28. Sean A = {a1 , a2 }, B = {b1 , b2 , b3 } y C = {c1 , c2 }. Escriba expl citamente a los elementos del producto Cartesiano A B C. 29. Sea = {a, b, c}. Escriba expl citamente al conjunto . Probabilidad 30. Compruebe que la denicin de probabilidad clsica cumple con los tres axioo a mas de la probabilidad. 31. Compruebe que la denicin de probabilidad frecuentista cumple con los tres o axiomas de la probabilidad. 32. Sean P1 y P2 dos medidas de probabilidad denidas sobre la misma clase de subconjuntos de . Sea un n mero real en el intervalo [0, 1]. Demuestre que u P = P1 + (1 )P2 satisface los tres axiomas de la probabilidad. 33. Demuestre que P () = 0, sin usar P () = 1. 34. Demuestre que P (B A) = P (B) P (A B), para cualesquiera eventos A y B. 35. Demuestre que 0 P (A B) P (A) P (A B) P (A) + P (B) 2. 36. Demuestre que P (A B) P (A) + P (B) 1. 37. Demuestre que P (AB) = P (A)+P (B)2P (AB). Esta es la probabilidad de que suceda exactamente uno de los eventos A y B. 38. Demuestre que P (Ac B c ) = 1 P (A) P (B) + P (A B). 39. Sean A y B eventos ajenos tales que P (A) =0.3 y P (B) =0.2. Encuentre
Apendice A. Ejercicios a) P (A B). b) P (Ac ). c) P (Ac B).
111
d ) P (A B c ). e) P (AB). 40. Diga falso o verdadero. Justique en cada caso. a) Si P (A) = 0, entonces P (A B) = 0. b) Si P (A) = P (B), entonces A = B. c) Si P (A) P (B), entonces A B. 41. Diga falso o verdadero. Justique en cada caso. a) Si P (A) > 0, entonces P (A B) > 0. c) Si P (A) > 1/2 y P (B) > 1/2, entonces P (A B) > 0. b) Si P (A) > 0, entonces P (A B) > 0.
d ) Si P (A) > 0, entonces P (Ac ) > 0.
42. Diga falso o verdadero. Justique en cada caso. a) P (B A) = P (B) P (A). c) Si P (A) > 1/2, entonces P (Ac ) < 1/2. 43. La probabilidad de un cierto evento es tal que duplica la probabilidad de su complemento. Cunto vale la probabilidad de este evento? a b) P (A B) = P (A)P (B).
Anlisis combinatorio a 44. De cuntas formas distintas pueden seis personas formarse en una la lineal? a 45. Una enciclopedia de 5 vol menes es colocada en el librero de modo aleatou rio. Demuestre que la probabilidad de que los vol menes queden colocados u apropiadamente de derecha a izquierda o de izquierda a derecha es de 1/60. 46. Cuntas diagonales se pueden trazar en un pol a gono convexo de n lados?
112
47. De cuntas maneras diferentes pueden clasicarse los tres primeros lugares a de una carrera de 15 corredores ? 48. Cuntos enteros positivos de a lo mas cinco d a gitos son divisibles por 2? Cuntos hay que empiecen con el d a gito 1? 49. Cuntos equipos de 3 personas se pueden formar de un grupo de 5 personas? a 50. Demuestre que 51. Demuestre que 52. Demuestre que 53. Demuestre que n k n k = = nk+1 k n nk = n k1 . . . Esta es la frmula para o .
n1 k
n1 k
k+1 n
n k+1 +
n n1 = k k construir el tringulo de Pascal. a
n1 k1
54. Debido a un error, 50 tornillos defectuosos fueron mezclados con 200 tornillos en buen estado. Si se venden 20 tornillos tomados al azar, Cul es la a probabilidad de que k de ellos sean defectuosos? (0 k 20). 55. Cuntos n meros binarios diferentes se pueden obtener al usar los siete d a u gitos 1010101 ? 56. Cuntas palabras diferentes se pueden formar con todos los caracteres a (incluyendo repeticiones) de la palabra AMAR? 57. Cumpleaos. Calcule la probabilidad de que en un conjunto de n personas, n al menos dos de ellas tengan la misma fecha de cumplea os. Sugerencia: n Considere el complemento del evento de inters. e 58. Encuentre el total de n meros enteros de cuatro d u gitos sin repeticin, tomao dos del conjunto {0, 1, 2, . . . , 9} de tal manera que ning n n mero empiece u u con 0. Cuntos de ellos son pares y cuntos son impares? a a 59. En una clase de 25 estudiantes hay 15 mujeres y 10 hombres. a) De cuntas a formas puede seleccionarse un comit de tres hombres y tres mujeres ? b) e De cuntas formas puede seleccionarse un comit de seis estudiantes? c) a e De cuntas formas puede seleccionarse un comit de seis estudiantes todos a e del mismo sexo?
Apendice A. Ejercicios
113
60. De cuntas formas diferentes se pueden colocar los n meros 1, 2, 3, 4, 5 y 6 a u en las seis caras de un dado? Observe que originalmente las caras del dado son indistinguibles. 61. Demuestre que #(2 ) = 2# . Sugerencia: Use el mtodo de induccin sobre e o n = #. 62. Tenemos n jugadores nalistas en un torneo de ajedrez. Para escoger al ganador se establece que cada jugador debe jugar contra cada uno de los otros nalistas. a) Cuntas partidas se llevarn a cabo? a a b) Suponiendo que no hay empates y que cada jugador gana un punto por cada juego ganado, De cuntas formas distintas se pueden asignar la a totalidad de puntos en el conjunto de jugadores? c) Cuntas conguraciones nales existen en donde haya un unico jugador a con mayor n mero de puntos? u 63. Demuestre que el n mero mximo de regiones en las que n l u a neas rectas dividen un plano es 1 + n(n + 1)/2. 64. Sea An en n mero mximo de regiones en los que n planos dividen el espacio. u a Demuestre que An+1 = An + 1 + n(n + 1)/2. 65. Demuestre que el n mero mximo de regiones en los que n c u a rculos dividen el plano es 2n . 66. Sea An en n mero mximo de regiones en los que n esferas dividen el espacio. u a Demuestre que An+1 = An + n2 n + 2. 67. Cuntos divisores diferentes tiene el n mero 53 74 ? a u 68. Se asignan 40 problemas para un examen de probabilidad. El examen consistir de 4 problemas escogidos al azar, y cada problema tendr un peso de a a 25 puntos. Si un alumno resuelve unicamente 20 de los problemas asignados, Cul es la probabilidad de que el alumno obtenga a a) cero puntos? b) 25 puntos? c) 50 puntos? d ) 75 puntos?
114
e) 100 puntos? 69. Cuntos subconjuntos podemos obtener de un conjunto de n elementos? a Escriba expl citamente todos los subconjuntos del conjunto {a, b, c, d}. 70. Sea E el conjunto de vectores de Rn para los cuales alguna de sus coordenadas es cero. Cuntas regiones conexas tiene el conjunto Rn E? a 71. Cuntas conguraciones diferentes se pueden obtener en un tablero de ajea drez despus de e a) la primera jugada del primer jugador? b) la primera jugada del segundo jugador? 72. Use el mtodo de induccin para demostrar el teorema del binomio, e o
n
(a + b)n =
k=0
n k
ank bk .
73. En una sala de cmputo hay seis computadoras numeradas del 1 al 6. De o cuntas formas distintas pueden las seis computadoras estar siendo usadas o a no usadas? 74. De cuntas formas posibles se puede ordenar el conjunto {1, 2, . . . , 2n + 1} a de tal forma que cada n mero impar ocupe una posicin impar? u o 75. De cuntas formas posibles se puede ordenar el conjunto {1, 2, . . . , 2n} de a tal forma que cada n mero par ocupe una posicin par? u o 76. Cuntas palabras diferentes podemos obtener usando todas las letras (ina cluyendo repeticiones) de la palabra manzana? 77. Cuntas palabras diferentes podemos obtener usando todas las s a labas (incluyendo repeticiones) de la palabra cucurrucuc ? u 78. Sea n 1 un entero. Cuntas soluciones enteras no negativas tiene la ecuaa cin o a) x1 + x2 + + xk = n ? b) x1 + x2 + + xk n ? c) x1 + x2 + + xk n ?
115
79. Sean n k dos enteros positivos. Cuntos vectores con entradas enteras no a negativas (x1 , x2 , . . . , xk ) satisfacen las restricciones 1 x1 < x2 < < xk n ? 80. Desarrolle la expresin (a + b + c)3 usando la frmula de coecientes multio o nomiales (1.1) en la pgina 26, y despus compruebe la frmula directamente a e o multiplicando el trinomio por si mismo.
Probabilidad condicional e independencia 81. Sean A y B dos eventos independientes. Demuestre que a) Ac y B son independientes. b) A y B c son independientes. c) Ac y B c son independientes. 82. Sean A y B eventos independientes tales que P (A) = 0.1 y P (B) = 0.5. Encuentre a) P (A B). b) P (Ac B). c) P (A B c ). d) P (Ac B c ). e) P (A B). f) P (Ac B). g) P (A B c ). h) P (Ac B c ).
83. Sea P una medida de probabilidad y B un evento con probabilidad positiva. Demuestre que la probabilidad condicional P (|B) satisface los tres axiomas de la probabilidad. 84. Suponga que P (B) = P (A|B) = P (C|A B) = p. Demuestre que P (A B C) = p3 . 85. Diga falso o verdadero. Justique en cada caso. a) El n mero P (A|B) nunca es cero. u b) P (A|B) = P (B|A). c) P (A|B) P (A).
116
86. Diga falso o verdadero. Justique en cada caso. a) P (A|B) + P (Ac |B) = 1. b) P (A|B) + P (A|B c ) = P (A). c) P (A|A B) = P (B|A B) = 1. 87. Diga falso o verdadero. Justique en cada caso. a) P (|B) = 1. b) P (|B) = 0. c) P (A|A) = P (A). 88. Diga falso o verdadero. Justique en cada caso. a) P (A|B1 B2 ) = P (A|B1 ) + P (A|B2 ) cuando B1 y B2 son ajenos. c) P (A|B1 B2 ) = P (A|B1 )P (A|B2 ).
b) P (A1 A2 |B) = P (A1 |B) + P (A2 |B) cuando A1 y A2 son ajenos.
d ) P (A1 A2 |B) = P (A1 |B)P (A2 |B). 89. Demuestre que a) el conjunto es independiente consigo mismo. 90. Diga falso o verdadero. Justique en cada caso. a) A, B independientes A, B ajenos. b) A, B ajenos A, B independientes. 91. Sea A cualquier evento. Demuestre que A y son eventos independientes. 92. Sea A cualquier evento. Demuestre que A y son eventos independientes. 93. Sean A y B eventos independientes. Demuestre que P (A B) = 1 P (Ac )P (B c ). 94. Diga falso o verdadero. Justique en cada caso. a) A, B independientes B, A independientes.
b) el conjunto es independiente consigo mismo.
b) Para cualquier evento A, A es independiente con A.
117
c) A, B independientes y B, C independientes A, C independientes. 95. Sean A y B eventos independientes tales que P (A) = p1 y P (B) = p2 . Calcule la probabilidad de que no ocurra ninguno de estos eventos. 96. Sean A y B eventos independientes y ajenos. Demuestre que forzosamente alguno de estos eventos tiene probabilidad cero. 97. Considere un experimento aleatorio con espacio muestral = (0, 1). Denimos la probabilidad de un intervalo (a, b) (0, 1) como P (a, b) = b a. Encuentre eventos A y B tales que a) b) c) d) sean sean sean sean independientes y ajenos. independientes pero no ajenos. ajenos pero no independientes. no ajenos y no independientes.
98. Cuntas igualdades son necesarias vericar para demostrar que n eventos a son independientes? Justique su respuesta.
Teorema de probabilidad total 99. La urna de Polya. Suponga que en una urna se tienen b bolas blancas y r bolas rojas. Un experimento aleatorio consiste en seleccionar una bola al azar y regresarla a la urna junto con c bolas del mismo color. Sea Rn el evento Se selecciona una bola roja en la n-sima extraccin. Compruebe que para e o cada n 1, r P (Rn ) = . r+b 100. Una persona toma al azar, con idntica probabilidad, uno de los n meros e u 1, 2 o 3, y luego tira un dado equilibrado tantas veces como indica el n mero u escogido. Despus suma el resultado de las tiradas del dado. Cul es la e a probabilidad de que obtenga un total de 5?
Teorema de Bayes 101. En una urna se encuentran b bolas de color blanco y n bolas de color negro. A un mismo tiempo se extraen k bolas al azar y resulta que todas son del mismo color. Cul es la probabilidad de que las bolas sean de color negro? a
118
102. Se escoge al azar un d gito binario para ser enviado a travs de un canal de e transmisin. Se escoge el 0 con probabilidad 0.4, y se escoge el 1 con o probabilidad 0.6. El canal de comunicacin es ruidoso de modo que un 0 o se distorsiona en un 1 con probabilidad 0.2, y un 1 se distorsiona en un 0 con probabilidad 0.1. Encuentre la probabilidad de que a) se reciba un 0. b) se reciba un 1. c) se haya enviado un 0 dado que se recibi un 0. o d ) se haya enviado un 1 dado que se recibi un 1. o
Variables aleatorias 103. Determine en cada caso si la variable aleatoria en cuestin es discreta o cono tinua. Cules son sus posible valores? a a) Tiempo de vida de una persona escogida al azar. b) N mero de errores tipogrcos en una pgina escogida al azar de un u a a libro. c) Tiempo de servicio en una transaccin escogida al azar realizada por o una persona en un cajero automtico. a d ) Monto de una reclamacin por accidente automovil o stico escogida al azar del conjunto de reclamaciones efectuadas a una compa aseguradora. na 104. Considere el experimento aleatorio de escoger un n mero al azar dentro del u intervalo unitario (0, 1). Suponga que cada resultado de este experimento se escribe en su expansin decimal como = 0.x1 x2 x3 Determine en o los siguientes casos el conjunto de valores de la variable aleatoria denida y clasique sta como discreta o continua. e a) X() = . b) X() = x1 . d ) X(w) = 0.0x1 x2 x3 c) X() = 1 .
119
105. Considere un experimento aleatorio con espacio muestral equiprobable = {1, 2, 3, 4, 5, 6}. Dena la variable aleatoria X() = 2( 3). Cules son a los posibles valores de X? Calcule P (X = 0), P (X {2, 3}), P (X 0), P (X < 0), P (X 2 = 1), P (2X 4 = 0), y P (X 2 = 4). 106. Considere el ejemplo del experimento aleatorio de lanzar un dardo en un tablero circular de radio uno, Figura 1.13, junto con las variables aleatorias X(x, y) = x, Y (x, y) = y y Z(x, y) = x2 + y 2 . Suponga que para cada re gin A cuya rea puede ser calculada se dene P (A) = Area(A)/Area(). o a Calcule P (X 0), P (X < 0), P (Y > X), P (X + Y 1), P (Z < 1/2) y P (1/3 < Z < 1/2).
Funciones de densidad y de distribucin o 107. Encuentre el valor de la constante c para que f (x) sea una funcin de probao bilidad. Graque esta funcin y calcule P (X {2, 3, 4}) y P (X < 3) en cada o caso. a) f (x) = b) f (x) = c x si x = 1, 2, . . . , 10, 0 otro caso. c x2 0 si x = 1, 2, . . . , 10, otro caso.
108. Encuentre el valor de la constante c para que la siguiente funcin sea de o densidad. Graque f (x) y calcule P (X ) y P (X [, 2]). f (x) = c (1 + sen x) 0 si x [0, 2], otro caso.
109. Encuentre el valor de la constante c para que la siguiente funcin sea de o densidad. Graque f (x) y calcule P (X (1, )). f (x) = c e|x|, para < x < .
110. Explique porqu no es posible encontrar un valor de la constante c para que e la siguiente funcin sea de probabilidad o de densidad. o a) f (x) = c x si x = 2, 1, 0, 1, 2, 0 otro caso.
120
b) f (x) = c sen x 0 si x [, ], otro caso.
111. Sea X discreta con funcin de probabilidad dada por la siguiente tabla. Grao que f (x) y calcule P (X 0), P (X < 0) y P (X 2 = 1). x f (x) -1 0.2 0 0.3 1 0.5
112. Sea X discreta con funcin de probabilidad dada por la tabla que aparece o abajo. Graque f (x). Calcule la funcin de probabilidad de las siguientes o variables aleatorias Y = X 2 , Z = |X| y W = 2X 5. Graque en cada caso. x f (x) -2 0.1 -1 0.15 0 0.4 2 0.1 3 0.15 5 0.1
113. Sea X discreta con funcin de densidad dada por la tabla que aparece abajo. o Encuentre el valor de c y graque f (x). Calcule y graque la funcin de o probabilidad de la variable Y = X 2 . x f (x) -2 0.1 0 c 2 0.1
114. Sea X continua con funcin de densidad o f (x) = 1/10 si k x 4k 0 otro caso.
a) Determine el valor de la constante k y graque f (x). b) Calcule y graque F (x). d) Encuentre m tal que P (|X 1| m) = 1/2. c) Calcule P (1 X 3), P (X 2) y P (X 0).
115. Sea X una variable aleatoria con la funcin de distribucin que aparece abajo. o o Es X discreta o continua? Graque F (x). Encuentre y graque la correspondiente funcin de densidad f (x). Calcule adems P (X = 2) y P (1 < X < 2). o a si x < 1, 0 F (x) = 1/3 si 1 x < 2, 1 si x 2.
121
117. Una urna contiene cuatro bolas numeradas 1, 2, 3 y 4. Se extraen dos bolas al azar, una a la vez y sin reemplazo. Sea X la variable aleatoria que denota la suma de los n meros de las dos bolas seleccionadas. u a) Determine . b) Calcule y graque f (x). c) Calcule y graque F (x). d) Calcule P (X 6), P (3 < X 5) y P (X = 6). 118. Determine si la siguiente funcin es de o justique su respuesta. 1/6 2/3 f (x) = 0 probabilidad. Graque la funcin y o si x = 0, 1, si x = 2, otro caso.
116. Sea X una variable aleatoria con la funcin de distribucin que aparece abajo. o o Es X discreta o continua? Graque F (x). Encuentre y graque la correspondiente funcin de densidad f (x). Calcule adems P (X = 1/2) y P (X > 1/2). o a si x < 0, 0 F (x) = x si 0 x < 1, 1 si x 1.
119. Determine si la siguiente funcin es de probabilidad. Graque la funcin y o o justique su respuesta. 4 3 x 1 4x si x = 0, 1, 2, 3, 4, 4 4 x f (x) = 0 otro caso.
120. Determine si cada una de las siguientes funciones es de densidad. Graque la funcin en cada caso y justique su respuesta. o a) f (x) = b) f (x) = 4x/5 si x [0, 2], 0 otro caso. 2x2 /3 2x + 4/3 si x [0, 3], 0 otro caso.
122
121. Sea X una variable aleatoria con la siguiente funcin de distribucin. Eno o cuentre y graque f (x). Calcule P (0 X < 10). F (x) = 1 (1/2)x+1 0 si x = 0, 1, 2, 3, . . . otro caso.
122. Sea X una variable aleatoria continua con la funcin de densidad que apao rece abajo. Encuentre el valor de la constante c y graque la funcin f (x). o Encuentre y graque adems la funcin de distribucin F (x). a o o f (x) = 2x/9 si 0 < x < c, 0 otro caso.
Esperanza, varianza, momentos 123. Sea a un n mero jo. Construya una variable aleatoria X tal que E(X) = a. u 124. Calcule la esperanza babilidad es 1/3 1/6 a) f (x) = 0 1/4 1/2 b) f (x) = 0 a) f (x) = ex , de la variable aleatoria discreta X cuya funcin de proo si x = 0, 1, si x = 2, 3, otro caso. si x = 1, 1, si x = 0, otro caso.
125. Calcule la esperanza de la variable aleatoria continua X cuya funcin de o densidad es para x > 0. para 0 < x < 1. b) f (x) = 6x(1 x),
126. Sea X una variable aleatoria discreta con la funcin de probabilidad que o aparece abajo. Demuestre que f (x) es efectivamente una probabilidad de densidad y que la esperanza de X no existe. Este es un ejemplo de una variable aleatoria discreta que no tiene esperanza nita. 1 si x = 1, 2, 3, . . . f (x) = x(x + 1) 0 otro caso.
123
127. Sea X una variable aleatoria continua con la funcin de densidad que aparece o abajo. Demuestre que esta funcin es efectivamente una funcin de densidad. o o Compruebe adems que la esperanza de X no existe. Este es un ejemplo de a una variable aleatoria continua que no tiene esperanza nita. Es una caso particular de la distribucin Cauchy. o f (x) = 1 , (1 + x2 ) para < x < .
128. Diga falso o verdadero. Justique en cada caso. a) La esperanza de una v.a. puede ser cero. b) No hay dos v.a.s distintas con la misma esperanza. c) La esperanza de una v.a. nunca es negativa. d ) La varianza de una v.a. puede ser cero. e) La varianza de una v.a. nunca es negativa. f ) No hay dos v.a.s distintas con la misma varianza. 129. Demuestre que a) E(E(X)) = E(X). b) Var(Var(X)) = 0. 130. Sea X la variable aleatoria constante c. Compruebe que a) E(X) = c. b) E(X n ) = cn . c) Var(X) = 0. 131. Calcule la media y varianza de la variable aleatoria X con funcin de probao bilidad 1/9 si x = 0, 1, 2, 2/9 si x = 3, 4, 5, f (x) = 0 otro caso. 132. Calcule la media y varianza de la variable aleatoria X cuya funcin de proo babilidad es (1/2)x+1 si x = 0, 1, 2, 3, . . . f (x) = 0 otro caso. 133. Diga falso o verdadero. Justique en cada caso. a) Var(E(X)) = 0.
124
b) E(Var(X)) = Var(X). 134. Sea X una variable aleatoria continua con funcin de densidad f (x) = 1 e|x| , o 2 para < x < . Demuestre que f (x) es efectivamente una funcin de o densidad y compruebe que a) E(X) = 0. b) E(X 2 ) = 2. c) Var(X) = 2. d ) E(X n ) = n! para n par. 135. Diga falso o verdadero. Justique en cada caso. a) E(X) = E(X).
b) Var(X) = Var(X).
c) E(Var(X)) = Var(E(X)).
136. Encuentre el error en la siguiente demostracin de la armacin de que la o o varianza de cualquier variable aleatoria es cero. 0 = = = = = Var(0) Var(X + (X)) Var(X) + Var(X) Var(X) + Var(X) 2 Var(X).
Distribucin uniforme discreta o 137. Sea X con distribucin uniforme en el conjunto {1, . . . , n}. Demuestre que o a) E(X) = (n + 1)/2. b) E(X 2 ) = (n + 1)(2n + 1)/6. c) Var(X) = (n2 1)/12. 138. Se escogen completamente al azar y de manera independiente dos n meros u a y b dentro del conjunto {1, 2, . . . , 9, 10}. Cul es la probabilidad de que el a cociente a/b sea menor a uno?
Apendice A. Ejercicios Distribucin Bernoulli o
125
139. Sea X una variable aleatoria con distribucin Ber(p). Verique que f (x) es o efectivamente una funcin de densidad. Demuestre adems que o a a) E(X) = p. b) E(X n ) = p, para n 1. c) Var(X) = p(1 p). Distribucin binomial o 140. Sea X una variable aleatoria con distribucin bin(n, p). Verique que f (x) es o efectivamente una funcin de densidad. o 141. Sea X una variable aleatoria con distribucin bin(n, p). Demuestre que o a) E(X) = np. b) Var(X) = np(1 p). 142. Sea X una variable aleatoria con distribucin bin(n, p) tal que E(X) = 4 y o Var(X) = 2. Cules son los valores de n y p? a 143. Sea X una variable aleatoria con distribucin bin(n, p). Demuestre que la vao riable Y = n X tiene distribucin bin(n, 1 p). Proporcione una explicacin o o probabil de este resultado. sta 144. Sea X con distribucin bin(n, p). Demuestre que para x = 0, 1, . . . , n 1, se o cumple la siguiente frmula. Esta expresin permite calcular las probabilidao o des de esta distribucin de una forma iterativa. o P (X = x + 1) = p (n x) P (X = x). (1 p) (x + 1)
145. Se lanza una moneda equilibrada 6 veces. Calcule la probabilidad de que cada cara caiga exactamente 3 veces. 146. Se lanza una moneda equilibrada 2n veces. Calcule la probabilidad de que ambas caras caigan el mismo n mero de veces. u 147. Sea X una variable aleatoria con distribucin bin(n, p). Demuestre que 0 o Var(X) E(X).
126
148. Suponiendo que es igualmente probable que nazca un hombre (H) o una mujer (M), y considerando la observacin de 6 nacimientos. Cul de los siguientes o a eventos es ms probable que ocurra? a a) MHHMHM b) MMMMHM c) HMHMHM
Distribucin geomtrica o e 149. Sea X una variable aleatoria con distribucin geo(p). Verique que la funcin o o f (x) es efectivamente una funcin de densidad. o 150. Sea X una variable aleatoria con distribucin geo(p). Demuestre que o a) E(X) = (1 p)/p. b) Var(X) = (1 p)/p2 .
151. Sea X una variable aleatoria con distribucin geo(p). Demuestre que para o cualesquiera a, b = 0, 1, 2, . . . se cumple la siguiente propiedad llamada de prdida de memoria: P (X a + b | X a) = P (X b). e 152. Considere una urna con 3 bolas negras y 5 bolas blancas. Se escoge una bola al azar, se registra su color, y despus se regresa a la urna. Cuntas e a extracciones en promedio se necesitan realizar hasta obtener una bola negra por primera vez?
Distribucin Poisson o 153. Sea X una variable aleatoria con distribucin Poisson(). Verique que f (x) o es efectivamente una funcin de densidad y demuestre que E(X) = , y o Var(X) = . 154. Sea X una variable aleatoria con distribucin Poisson(). Demuestre que para o x = 0, 1, 2, . . . se cumple la siguiente frmula. Esta expresin permite calcular o o las probabilidades Poisson de una forma iterativa. P (X = x + 1) = P (X = x). (x + 1)
155. Sea X una variable aleatoria con distribucin Poisson(). Demuestre que la o probabilidad de que X tome un valor par es (1 + e2 )/2.
127
156. El n mero de computadoras que fallan por mes en un laboratorio de cmputo u o tiene una distribucin Poisson con un promedio mensual de = 2 mquinas o a descompuestas. El laboratorio tiene capacidad para reparar hasta dos mquia nas por mes. Cuando se descomponen mas de dos mquinas, las restantes se a env fuera del laboratorio para su reparacin. an o a) Cul es la probabilidad de que en un mes cualquiera sea necesario enviar a mquinas fuera del laboratorio para su reparacin? a o b) Responda al inciso anterior cuando se reduce la capacidad de reparacin o del laboratorio a una computadora por mes. c) Cul es el n mero de computadoras con falla ms probable en un mes? a u a
Distribucin binomial negativa o 157. Sea X una variable aleatoria con distribucin bin neg(r, p). Verique que f (x) o es efectivamente una funcin de densidad. o 158. Sea X una variable aleatoria con distribucin bin neg(r, p). Demuestre que o E(X) = r(1 p)/p, y Var(X) = r(1 p)/p2 . 159. Sea X una variable aleatoria con distribucin bin neg(r, p). Demuestre que o para x = 1, 2, . . . se cumple la siguiente frmula. Esta expresin permite o o calcular las probabilidades de esta distribucin de una forma iterativa. o P (X = x) = (1 p) Distribucin hipergeomtrica o e 160. Sea X con distribucin hipergeo(N, K, n). Verique que f (x) es efectivamente o una funcin de probabilidad. o r+x1 P (X = x 1). x
Distribucin uniforme continua o 161. Sea X con distribucin unif(a, b). Verique que f (x) es efectivamente una o funcin de densidad. o
128
162. Sea X con distribucin uniforme en el intervalo (a, b). Demuestre que o a) E(X) = (a + b)/2. b) Var(X) = (b a)2 /12. 163. Sea X con distribucin uniforme en el intervalo (0, 1). Demuestre que el no simo momento de X es 1/(n + 1). e 164. Sea X con distribucin uniforme en el intervalo (a, b). Demuestre que o E(X n ) = bn+1 an+1 . (n + 1)(b a)
165. Sea X una variable aleatoria con distribucin uniforme en el intervalo (1, 1). o Demuestre que E(X n ) = 1/(n + 1) si n es par, 0 si n es impar.
166. Sea X con distribucin unif(0, 1). Obtenga la distribucin de la variable Y = o o 10X 5. 167. Sea X con distribucin unif(a, b). Demuestre que la media y la mediana de o X coinciden.
Distribucin exponencial o 168. Sea X una variable aleatoria con distribucin exp(). Verique que f (x) es o efectivamente una funcin de densidad. o 169. Sea X con distribucin exp(). Demuestre que o a) E(X) = 1/. b) Var(X) = 1/2 . 170. Sea X una variable aleatoria con distribucin exp(). Demuestre que para o cualesquiera n meros x, y 0 se cumple la igualdad que aparece abajo. La u distribucin exponencial es la unica distribucin continua que satisface esta o o propiedad llamada de prdida de memoria. e P (X x + y | X x) = P (X y).
129
171. Sea X con distribucin exp(). Demuestre que para cualesquiera n meros o u x, y 0, F (x + y) = F (x) + F (y) F (x) F (y). 172. Suponga que el tiempo que un usuario cualquiera permanece conectado a un servidor en una red de cmputo se puede modelar como una variable o aleatoria con distribucin exponencial con media igual a 10 minutos. De mil o usuarios, Cuntos tienen un conexin superior a una hora? Calcule adems a o a la probabilidad de que un usuario cualquiera a) no permanezca conectado mas de 10 minutos. b) permanezca conectado mas de 10 minutos pero menos de una hora.
Distribucin gama o 173. Sea X una variable aleatoria con distribucin gama(n, ). Verique que f (x) o es efectivamente una funcin de densidad. o 174. Sea X con distribucin gama(n, ). Demuestre que o a) E(X) = n/. b) Var(X) = n/2 . c) E(X m ) = (m + n)/( m (n) ). 175. Demuestre las siguientes propiedades de la funcin gama. o a) (n + 1) = n (n). b) (2) = (1) = 1. c) (n + 1) = n! si n es entero. d ) (1/2) = .
Distribucin beta o 176. Sea X con distribucin beta(a, b). Verique que f (x) es efectivamente una o funcin de densidad. o 177. Sea X con distribucin beta(a, b). Demuestre que o a) E(X) = a/(a + b).
130
b) Var(X) = ab/( (a + b + 1)(a + b)2 ). 178. Demuestre las siguientes propiedades de la funcin beta. o a) B(a, b) = B(b, a). b) B(a, 1) = 1/a. c) B(1, b) = 1/b. d ) B(a + 1, b) = a B(a, b + 1). b a e) B(a + 1, b) = B(a, b). a+b b f ) B(a, b + 1) = B(a, b). a+b g) B(1/2, 1/2) = .
179. Sea X una variable aleatoria con distribucin beta(a, b), con a = b = 1. o Demuestre que X tiene una distribucin uniforme en el intervalo (0, 1). o 180. Sea X con distribucin beta(1/2, 1/2). En este caso se dice que X tiene una o distribucin arcoseno. o a) Calcule y graque f (x). b) Demuestre que f (x) es una funcin de densidad. o c) Calcule E(X) y Var(X). 181. Sea X con distribucin beta(a, b). Demuestre que cuando a > 0 y b = 1, la o funcin de distribucin de X toma la forma o o si x 0, 0 xa si 0 < x < 1, F (x) = 1 si x 1.
182. Sea X con distribucin beta(a, b). Demuestre que cuando a = 1 y b > 0, la o funcin de distribucin de X toma la forma o o si x 0, 0 1 (1 x)b si 0 < x < 1, F (x) = 1 si x 1.
183. Sea X con distribucin beta(a, b). Demuestre que para cualquier entero n 0, o E(X n ) = B(a + n, b)/B(a, b).
Apendice A. Ejercicios Distribucin normal o
131
184. Sea X con distribucin N(, 2 ). Verique que f (x) es efectivamente una o funcin de densidad. o 185. Sea X con distribucin N(, 2 ). Demuestre que E(X) = , y Var(X) = 2 . o 186. Sea X con distribucin N(, 2 ). Demuestre que la variable Z = (X )/ o tiene distribucin normal estndar. Rec o a procamente, demuestre que si Z tiene distribucin normal estndar, y > 0, entonces la variable X = + Z tiene o a distribucin N(, 2 ). o 187. Sea X con distribucin N(10, 25). Calcule o a) P (X 10). b) P (X < 0). c) P (0 < X 10).
d ) P (X 20).
e) P (20 < X 10).
188. Sea X con distribucin N(0, 100). Calcule o a) P (X 10). b) P (X > 0). c) P (0 < X 40).
d ) P (X 30).
e) P (10 < X 10). b) 1 (x) = 0.9154 .
189. Encuentre x tal que a) (x) = 0.8666 .
190. Sea X una variable aleatoria con distribucin N(, 2 ). Demuestre que la o variable Y = aX + b, con a = 0, tambin tiene una distribucin normal. e o Encuentre los parmetros correspondientes. a 191. Sea X una variable aleatoria con distribucin N(, 2 ). Demuestre que la vao riable Y = X tambin tiene una distribucin normal. Encuentre los parmee o a tros correspondientes.
132
192. Sea X una variable aleatoria con distribucin N(0, 1). Demuestre que X 2 o tiene una distribucin 2 (1). Sugerencia: Para x > 0, FX 2 (x)= P (X 2 x)= o P ( x X x). 193. Sea X una variable aleatoria con distribucin normal estndar. Encuentre la o a funcin de densidad de Y = |X|. o 194. Una mquina automtica despachadora de refresco en un restaurant est ajusa a a tada para llenar vasos de 300 ml en promedio. Debido a cuestiones mecnicas, a el llenado de los vasos no es enteramente exacto y hay peque as uctuaciones n en el llenado. El fabricante de la mquina sabe que el llenado de los vasos a se puede modelar como una v.a. normal con media de 300 ml. y desviacin o estndar = 10 ml. a a) Qu fraccin de los vasos sern servidos con ms de 310 mililitros? e o a a b) Cul es la probabilidad de que un vaso sea servido entre 290 y 305 a mililitros? c) Si el restaurant utiliza vasos de 320 ml. qu porcentaje de ellos se e derramarn? a d ) Si los clientes reclaman por vasos servidos con 270 ml. o menos, de mil clientes, cuntos de ellos reclamarn? a a
Distribucin ji cuadrada o 195. Sea X con distribucin 2 (n). Compruebe que la correspondiente funcin de o o densidad f (x) efectivamente lo es. 196. Compruebe que la distribucin 2 (n) se reduce a la distribucin exp(1/2) o o cuando n = 2. 197. Sea X con distribucin 2 (n). Demuestre que E(X) = n, y que Var(X) = 2n. o Compruebe adems que E(X m ) = 2m ( n + m)/( n ), para m 0. a 2 2 Distribucin t o 198. Sea X con distribucin t(n). Verique que f (x) es efectivamente una funcin o o de densidad.
133
199. Sea X con distribucin t(n). Demuestre que E(X) = 0, y Var(X) = n/(n2), o para n > 2.
Vectores aleatorios 200. Sea (X, Y ) un vector aleatorio discreto con funcin de densidad f (x, y) dada o por la siguiente tabla x\y -1 0 1 .3 .5 2 .05 .15 a) Graque f (x, y) y demuestre que efectivamente se trata de una funcin o de densidad. b) Calcule y graque las densidades marginales f (x) y f (y). Verique que ambas son efectivamente funciones de densidad. c) Calcule y graque las distribuciones marginales F (x) y F (y). Verique que ambas son efectivamente funciones de distribucin. o d ) Son X y Y independientes? 201. Sea (X, Y ) un vector aleatorio discreto con funcin de densidad f (x, y) dada o por la siguiente tabla x\y 0 1 1 .2 0 2 .7 .1 a) Graque f (x, y) y demuestre que efectivamente se trata de una funcin o de densidad. b) Calcule y graque las densidades marginales f (x) y f (y). Verique que ambas son efectivamente funciones de densidad. c) Calcule y graque las distribuciones marginales F (x) y F (y). Verique que ambas son efectivamente funciones de distribucin. o d ) Son X y Y independientes? 202. Sea (X, Y ) un vector aleatorio continuo con distribucin uniforme en el cuao drado (1, 1) (1, 1). a) Graque f (x, y) y demuestre que efectivamente se trata de una funcin o de densidad.
134
b) Calcule y graque las densidades marginales f (x) y f (y). Verique que ambas son efectivamente funciones de densidad. c) Calcule y graque las distribuciones marginales F (x) y F (y). Verique que ambas son efectivamente funciones de distribucin. o d ) Son X y Y independientes? 203. Sea (X, Y ) un vector aleatorio continuo con funcin de densidad f (x, y) dada o por la siguiente expresin o f (x, y) = e(x+y) 0 si x, y > 0, otro caso.
a) Graque f (x, y) y demuestre que efectivamente se trata de una funcin o de densidad. b) Calcule y graque las densidades marginales f (x) y f (y). Verique que ambas son efectivamente funciones de densidad. c) Calcule y graque las distribuciones marginales F (x) y F (y). Verique que ambas son efectivamente funciones de distribucin. o d ) Son X y Y independientes?
Variables y tipos de datos 204. Clasique cada una de las siguiente variables de acuerdo a si es cualitativa o cuantitativa, y tambin de acuerdo a su posible escala de medicin. e o a) Evaluacin de un curso usando la siguiente escala: MB=Muy Bien. B=Bien. o S=Suciente. NA=No Acreditado. b) N mero de hijos de una persona. u c) Escolaridad de una persona. d) Porcentaje de art culos defectuosos producidos en una fbrica. a e) Nivel de satisfaccin de una persona al adquirir un producto. o f) Preferencia electoral por alguna de las siguientes propuestas pol ticas: A,B,C,D,E,F. g) Uso o no uso de lentes de una persona. h) Principal pa de visita para una persona que viaja al extranjero. s i) Costo econmico en un accidente automovil o stico.
Apendice A. Ejercicios Estad stica descriptiva
135
205. Calcule la media, moda, mediana, varianza, desviacin estndar y rango del o a siguiente conjunto de datos: 4, 2, 0, 9, 4, 2, 1, 1, 4, 2. 206. Pregunte a diez personas sus estaturas. Registre todos estos datos y calcule la media, moda, mediana, varianza, desviacin estndar y rango. o a 207. Mediante el uso de una calculadora genere diez n meros al azar dentro del inu tervalo unitario (0, 1). Escriba estos datos y calcule la media, moda, mediana, varianza, desviacin estndar y rango. o a
n
208. Demuestre que

i=1 n
(xi x) = 0.
n
209. Demuestre que

i=1
(xi x) =
n
i=1
x x2 n2 . i
n
210. Demuestre que s2 =
1 1 [ x2 ( xi )2 ]. n 1 i=1 i n i=1
n
211. Encuentre el valor de c que minimiza la funcin x(c) = o

i=1
(xi c)2 .
212. Calcule la media, varianza, desviacin estndar, mediana y moda aproximao a dos del siguiente conjunto de datos agrupados. Elabore adems un histograa ma.
Intervalo de clase 10 x < 20 20 x < 30 30 x < 40 40 x < 50 50 x < 60 Frecuencia 4 3 6 5 5
213. Calcule la media, varianza, desviacin estndar, mediana y moda aproximao a dos del siguiente conjunto de datos agrupados. Elabore adems un histograa
136
ma.
Intervalo de clase 0x<5 5 x < 10 10 x < 15 15 x < 20 25 x < 30 30 x < 35 35 x < 40
Frecuencia 12 23 10 14 6 10 5
Muestras aleatorias y estad sticas 214.
Estimacin puntual o 215. Sean 1 y 2 dos estimadores insesgados para el parmetro , y sea una a constante. Demuestre que = 1 + (1 )2 es tambin un estimador e insesgado para , 216. Sea X1 , . . . , Xn una m.a. de una poblacin con media conocida y varianza 2 o desconocida. Demuestre que la siguiente estad stica es un estimador insesgado para 2 , n 1 2 = (Xi )2 . n i=1 217. Sea X1 , . . . , Xn una m.a. de una poblacin con media desconocida y variano za 2 desconocida. Demuestre que la siguiente estad stica es un estimador insesgado para 2 , n 1 S2 = (Xi X)2 . n 1 i=1 218. Sea X1 , . . . , Xn una m.a. de una poblacin con media desconocida y varianza o nita 2 desconocida. Demuestre que la siguiente estad stica es un estimador insesgado para 2 , 2 = 1 2(n 1)
n1 i=1
(Xi+1 Xi )2 .
137
219. Sea X1 , . . . , Xn una m.a. de una poblacin con media y varianza 2 deso conocidas. Recuerde que la varianza muestral S 2 se ha denido como sigue 1 S 2 = n1 n (Xi X)2 . Demuestre que S no es un estimador insesgado i=1 para . Modique S para que sea insesgado. Sugerencia:
(n1) 2 2 S
2 (n1).
Mtodo de momentos e 220. Dada una muestra aleatoria de tama o n de una poblacin uniforme en el n o intervalo [0, a], use el mtodo de momentos para encontrar un estimador para e el parmetro a. a 221. Dada una muestra aleatoria de tama o n de una poblacin Poisson con n o parmetro desconocido > 0, use el mtodo de momentos para encontrar a e un estimador del parmetro . a 222. Dada una muestra aleatoria de tama o n de una poblacin exponencial con n o parmetro desconocido > 0, use el mtodo de momentos para encontrar un a e estimador del parmetro . a
Mtodo de mxima verosimilitud e a 223. Dada una muestra aleatoria de tama o n de una poblacin uniforme en el n o intervalo [0, a], use el mtodo de mxima verosimilitud para encontrar un e a estimador para el parmetro a. a 224. Dada una muestra aleatoria de tama o n de una poblacin Poisson con n o parmetro > 0, use el mtodo de mxima verosimilitud para encontrar a e a un estimador del parmetro . a
Estimacin por intervalos o 225. Se sabe que la vida en horas de un foco de 100 watts de cierta marca tiene una distribucin aproximada normal con desviacin estndar = 30 horas. o o a Se toma una muestra al azar de 50 focos y result que la vida media fue de o 1550 horas. Construya un intervalo de conanza del 95 % para el verdadero promedio de vida de estos focos.
138
226. Se realizan 20 pruebas de resistencia de un cierto material obtenindose los e siguientes datos: 2225, 2300, 2217, 2190, 2295, 2285, 2195, 2255, 2232, 2252, 2272, 2231, 2223, 2211, 2219, 2231, 2218, 2262, 2257, 2261. Construya un intervalo de conanza del 98 % para la resistencia media de este material, suponiendo una distribucin normal. o
Pruebas de hiptesis o 227. Se cree que la estatura de cierta poblacin humana sigue una distribucin o o normal con media de 1.70 metros. Realice la prueba de hiptesis H0 : = o 1.70 vs H1 : = 1.70, con el siguiente conjunto de datos: 1.65, 1.75, 1.63, 1.81, 1.74, 1.59, 1.73, 1.66, 1.65, 1.83, 1.77, 1.74, 1.64, 1.69, 1.72, 1.66, 1.55, 1.60, 1.62. Use un nivel de signicancia del 10 %, y suponga = 0.10 . 228. Las mediciones del n mero de cigarros fumados al d por un grupo de diez fuu a madores es el siguiente: 5, 10, 3, 4, 5, 8, 20, 4, 1, 10. Realice la prueba de hipteo sis H0 : = 10 vs H1 : < 10, suponiendo que los datos provienen de una muestra tomada al azar de una poblacin normal con = 1.2 . Use un nivel o de signicancia del 5 %. 229. Considere cualquiera de las tres pruebas de hiptesis para la media de o una poblacin normal con 2 conocida. Demuestre que en cualquier caso la o probabilidad de cometer el error tipo II tiende a cero cuando el tama o de la n muestra n tiende a innito.
Apndice B e
Soluciones
Esta seccin contiene algunas sugerencias de solucin a los ejercicios planteados. o o Para algunos ejercicios es necesario ser ms expl a cito al dar una solucin o al juso ticar una respuesta, considere por tanto que este material contiene simplemente ideas para generar una solucin completa y bien escrita. La mayor de las grcas o a a han sido omitidas. Recuerde adems que los mtodos empleados o sugeridos para a e llegar a una solucin no son necesariamente unicos. o
Espacio muestral y eventos 1. a) = {AAA, AAS, ASA, ASS, SAA, SAS, SSA, SSS}. b) = {AAA, AAS, ASS, SSS}. c) = [0, 1].
d ) = {0, 1, 2, . . .}.
e) Considere que las bolas tienen las etiquetas 1 y 2. Considere el arreglo (C1 , C2 , C3 , C4 ) en donde cada coordenada Ci corresponde al conjunto de bolas que han sido depositadas en la celda i. Entonces ={({1, 2}, , , ), (, {1, 2}, , ),. . . , ({1}, {2}, , ),. . .}. El n mero total de elementos en u es 16. Puede usted escribir todos los arreglos? f ) = {(2, 0, 0, 0), (0, 2, 0, 0), (0, 0, 2, 0), (0, 0, 0, 2), (1, 1, 0, 0), (1, 0, 1, 0), (1, 0, 0, 1), (0, 1, 1, 0), (0, 1, 0, 1), (0, 0, 1, 1)}.
g) = {(0, 0), (1, 0), (0, 1), (1, 1), . . .}. 139
140
2. Si nos interesa observar el n mero de lanzamientos hasta obtener un 6 se pueu de tomar = {1, 2, . . .}. Si nos interesa registrar con detalle los resultados, = {6, N 6, N N 6, N N N 6, . . .}, en donde cada N puede ser cualquiera de los n meros 1, 2, 3, 4 5. u o 3. a) N mero de hijos de una persona escogida al azar. b) Tiempo que una u persona tiene que esperar para la llegada de un autob s. c) Este es el espacio u muestral ms frecuente. El n mero 1 puede representar ganar en un juego de a u loter mientras que el n mero 0 corresponde a perder en el juego. Este es a u uno de los muchos ejemplos que pueden construirse para este espacio.
Operaciones con conjuntos 4. a) Sea x A (B C). Entonces x A y x B C. La ultima armacin o puede descomponerse en: x B x C, esto incluye el caso de pertenencia a o ambos conjuntos. Si es el primer caso, es decir x B, entonces se obtiene que x A B, y por lo tanto x es un elemento del lado derecho de la igualdad. La misma conclusin se obtiene si x C. Esto demuestra la contencin o o A (B C) (A B) (A C). De manera anloga se prueba la contencin a o contraria. b) Anlogo al inciso anterior. a 5. a) Demostraremos la contencin (A B)c Ac B c . Sea x (A B)c . o Entonces x (A B), esto es, x A y x B. Por lo tanto x Ac y x B c . / / / Es decir, x Ac B c . De manera anloga se prueba la contencin contraria y a o de esa forma se demuestra la igualdad. b) Pruebe ambas contenciones como en el inciso anterior. 6. Los enunciados son: a)(A B C)c = Ac B c C c y b)(A B C)c = Ac B c C c . Para el primer inciso se tiene que (A B C)c =((A B) C)c =(A B)c C c =Ac B c C c . De manera anloga se demuestra al a segundo inciso. 7. A = A = A (B B c ) = (A B) (A B c ). 8. B (A B c ) = (B A) (B B c ) = (B A) = B A. 9. Anlogo al anterior. a 10. B (A B c ) = (B A) (B B c ) = (B A) = B A. 11. Anlogo al anterior. a
Apendice B. Soluciones
141
12. a) A (A B) = A (A B)c = A (Ac B c ) = (A Ac ) (A B c ) = (A B c ) = A B c = A B. b) (A B) B = (A B) B c = c c c (A B ) (B B ) = (A B ) = A B c = A B. 13. a) (A B) (A C) = (A B) (A C)c = (A B) (Ac C c ) = (A B Ac ) (A B C c ) = (A B C c ) = A (B C c ) = A (B C). b) (A C) (B C) = (A C c ) (B C c ) = A (B C c ) = A (B C). 14. (A B) (A B) = (A B) (A B)c = (A B) (Ac B c ) = [(A B) Ac ] [(A B) B c ] = [B Ac ] [A B c ] = (B A) (A B). 15. Compruebe que ambos lados de la igualdad del inciso (a) corresponden al evento que se muestra en la Figura B.1. El resto de los incisos de obtiene fcilmente de la denicin. a o
C Figura B.1: ABC.
16. Grcamente los conjuntos A y B son como se muestran en la Figura B.2. Se a tiene entonces que A = [2, 6], B = (, 1) (3, ), Ac = (, 2) (6, ), B c = [1, 3], A B = [2, 1) (3, 6], A B = R, A B = [1, 3], B A = (, 2) (6, ), AB = (, 2) [1, 3] (6, ).
A 2 B 1 0 Figura B.2: 3 0 6
142
17. Grcamente los conjuntos A y B son los que se a muestran en la Figura B.3. Por lo tanto A [3, 1], B = (, 2) ( 2, ), Ac = = (, 3) (1, ), c = [ 2, 2], AB = [3, 2), AB = (, 1)( 2, ), A B B = [ 2, 1], B A = (, 3) ( 2, ), AB = (, 3) [ 2, 1] ( 2, ).
A 3 B 2 0 0 1 2
Figura B.3:
18. Los conjuntos A y B son los que se muestra en la Figura B.4 (a). All pueden identicarse grcamente las operaciones que se solicitan. a
B A A
(a)
(b)
Figura B.4: 19. Los conjuntos A y B son los que se muestran en la Figura B.4 (b). All pueden identicarse grcamente las operaciones que se solicitan. a 20. El mximo es 50 % y el m a nimo es 0 %. 21. El mximo es 70 % y el m a nimo es 40 %.
Apendice B. Soluciones Conjuntos ajenos 22. A (B A) = A (B Ac ) = . 23. No son ajenos, tienen un unico punto en com n que es (0, 1). u 24. A1 B A B = . 25. n(n 1)/2. Conjunto potencia 26. 2 = {}.
143
27. Sea A1 2A , entonces A1 A B. Por lo tanto A1 B y en consecuencia A1 2B . Producto Cartesiano 28. ABC = { (a1 , b1 , c1 ),(a1 , b1 , c2 ), (a1 , b2 , c1 ),(a1 , b2 , c2 ), (a1 , b3 , c1 ),(a1 , b3 , c2 ), (a2 , b1 , c1 ),(a2 , b1 , c2 ), (a2 , b2 , c1 ),(a2 , b2 , c2 ), (a2 , b3 , c1 ),(a2 , b3 , c2 )}. 29. A A = { (a, a),(a, b),(a, c), (b, a),(b, b),(b, c), (c, a),(c, b),(c, c)}. Probabilidad 30. Claramente P (A) = #A/# 0, y P () = #/# = 1. Adems, cuando A a y B son ajenos, #(A B) = #A + #B, y de all se sigue la tercera propiedad. 31. Para cualquier valor natural de n, se cumple que n(A)/n 0, y n()/n = n/n = 1. Cuando A y B son ajenos, n(A B) = n(A) + n(B). Ahora tome l mite cuando n tiende a innito y obtenga el resultado requerido. 32. a) P () = P1 () + (1 )P2 () = + (1 ) = 1. b) P (A) = P1 (A) + (1 )P2 (A) 0. c) Cuando A y B son disjuntos, P (A B) = P1 (A B) + (1 )P2 (A B) = (P1 (A) + P1 (B)) + (1 )(P2 (A) + P2 (B)) = [P1 (A) + (1 )P2 (A)] + [P1 (B) + (1 )P2 (B)] = P (A) + P (B).
144
33. P () = P ( ) = P () + P (). Ahora cancele uno de los trminos. e 34. B = (B A) (B Ac ), siendo esta unin ajena. Aplicando probabilidad, o P (B) = P (B A) + P (B Ac ). El segundo sumando es P (B A). 35. La primera desigualdad es evidente. Como AB A, se tiene que P (AB) P (A). Anlogamente como A A B, P (A) P (A B). La siguiente a desigualdad es consecuencia de la frmula P (A B) = P (A) + P (B) P (A o B). Finalmente la ultima desigualdad se obtiene de P (A) P () = 1. 36. El resultado se obtiene de 1 P (A B) = P (A) + P (B) P (A B). 37. P (AB) = P (A B) P (A B) = P (A) + P (B) 2P (A B). 38. P (Ac B c ) = 1 P (A B) = 1 P (A) P (B) + P (A B). 39. a) P (AB) = 0.5 . b) P (Ac ) = 0.7 . 0.3 . e) P (AB) = 0.5 . c) P (Ac B) = 0.2 . d) P (AB c ) =
40. a) Verdadero, pues A B A. b) Falso, considere por ejemplo el experimento de lanzar una moneda equilibrada. Ambos resultados tienen la misma probabilidad pero evidentemente no son iguales. c) Falso, en el experimento de lanzar un dado equilibrado, considere por ejemplo los eventos A = {1} y B = {2, 3}. Claramente P (A) P (B) pero A no est contenido en B. a 41. a) Verdadero, pues A A B. b) Falso, A y B pueden ser ajenos. c) Verdadero, P (A B) = P (A) + P (B) P (A B) > 1/2 + 1/2 P (A B) = 1 P (A B) 0. d) Falso, A puede ser . 42. a) Falso. En el experimento de lanzar una moneda equilibrada, sea A el resultado de obtener una de las caras y B obtener la otra cara. Entonces P (B A) = P (B) = 1/2, mientras que P (B) P (A) = 1/2 1/2 = 0. El resultado es cierto bajo la condicin A B. b) Falso, excepto cuando A y B o son independientes. Considerando el ejemplo del inciso anterior, P (A B) = 0, mientras que P (A)P (B) = 1/2 1/2 = 1/4. c) Verdadero. P (Ac ) = 1 P (A) < 1 1/2 = 1/2. 43. P (A) = 2/3.
Anlisis combinatorio a 44. 6! = 720.
145
45. El total de casos posibles es 5! = 120. Los casos favorables son dos: 12345 y 54321. Por lo tanto la probabilidad buscada es 2/120 = 1/60. 46.
n 2
n = n(n 1)/2.
47. 15 14 13 = 2730. 48. Un entero positivo de a lo sumo cinco d gitos que es divisible por 2 es de la forma xxxxy en donde x puede ser cualquiera de 0, 1, . . . , 9 y y puede ser 0, 2, 4, 6, 8. Por lo tanto el total es 10 10 10 10 5 = 50000, excepto que debemos omitir el entero 00000. Si empiezan con el n mero 1, entonces son u de la forma 1xxxy, y entonces la respuesta es 10 10 10 5 = 5000 y esta vez no hay necesidad de omitir ninguno de ellos. 49. 5 3 = 5!/3!2! = 10.
50. Simplique el lado derecho. 51. Simplique el lado derecho. 52. Simplique el lado derecho. 53. Simplique el lado derecho. 54.
50 k 200 20k
250 20
55. Considerando inicial y articialmente que los siete d gitos son todos distintos, la respuesta preliminar es 7! = 5040. Como los cuatro d gitos 1 son idnticos, e cualquier permutacin entre ellos produce el mismo n mero y por lo tanto o u debemos dividir el resultado preliminar por 4! Anlogamente con los tres a d gitos 0. La respuesta nal es 7!/4! 3! = 5040/(24 6) = 35. 56. Razonando como en el ejercicio anterior, la respuesta es 4!/(2! 1! 1!) = 6. 57. Considerando que cada a o tiene 365 dias, la respuesta es 1365364 (365 n n + 1)/365n. 58. El total es 4536. No es cierto que la mitad de ellos sean pares y la otra mitad impares. Existen 2296 pares y 2240 impares. 59. 60.
146
61. 62. 63. 64. 65. 66. 67. 68. 69. Se pueden obtener un total de 2n subconjuntos distintos de un conjunto de cardinalidad n. Los 16 subconjuntos de {a, b, c, d} son: , {a}, {b}, {c}, {d}, {a, b}, {a, c}, {a, d}, {b, c}, {b, d}, {c, d}, {a, b, c}, {b, c, d}, {a, c, d}, {a, b, d}, {a, b, c, d}. 70. 2n . El conjunto E corresponde al conjunto de los n ejes coordenados, o uniones de stos. e 71. 72. 73. 26 . 74. n! (n + 1)! 75. (n!)2 . 76. 7!/(3! 2!). 77. 11!/(5! 4! 2!). 78. Considere que se tienen k casillas numeradas 1, 2, . . . , k en donde se desean colocar n bolas sin ninguna restriccin en el n mero de bolas que caben en o u cada casilla. De esta forma, el n mero de bolas en la casilla 1 es el valor de u x1 , lo mismo para las casillas 2, 3, . . . , k. Las respuestas son entonces n a) n+k1 . b) m=0 m+k1 . c) Innito. n m
147
79. Considere que los n meros 1, 2, . . . , n representan casillas que se encuentran u ordenadas de manera natural. El problema puede entonces traducirse en colocar k bolas en este arreglo de casillas en donde cada casilla admite a lo sumo una bola. La respuesta es entonces n . k 80. (a + b + c)3 = a3 + b3 + c3 + 3ab2 + 3ac2 + 3a2 b + 3a2 c + 3b2 c + 3bc2 + 6abc.
Probabilidad condicional e independencia 81. a) Como B = (Ac B)(AB), se tiene que P (Ac B) = P (B)P (AB) = P (B) P (A)P (B) = P (B)(1 P (A)) = P (B)P (Ac ). b) Anlogo al primer a inciso. c) P (Ac B c ) = 1 P (A B) = 1 P (A) P (B) + P (A B) = 1 P (A) P (B) + P (A)P (B) = (1 P (A))(1 P (B)) = P (Ac )P (B c ). 82. a) P (A B) = 0.05 b) P (Ac B) = 0.45 c) P (A B c ) = 0.05 c P (A B) = 0.55 e) P (A B) = 0.95 f) P (A B c ) = 0.55. d)
83. a) P (|B) = P (B)/P (B) = 1 b) P (A|B) 0 c) Sean A1 y A2 ajenos. Entonces A1 B y A2 B tambin son ajenos. Por lo tanto P (A1 A2 |B) = e P ((A1 A2 )B)/P (B) = P ((A1 B)(A2 B))/P (B) = P (A1 B)/P (B)+ P (A2 B)/P (B) = P (A1 |B) + P (A2 |B). 84. P (A B C) = P (C|A B)P (A|B)P (B) = ppp = p3 . 85. a) Falso. Con A = se obtiene P (A|B) = 0. b) Falso. Tmese A = y B o tal que 0 < P (B) < 1. Entonces P (A|B) = 1 mientras que P (B|A) = P (B) < 1. c) Falso. Tmese A = B con 0 < P (A) < 1. Entonces P (A|B) = 1 o mientras que P (A) < 1. 86. a) Verdadero y ello es consecuencia del hecho de que P (|B) es una medida de probabilidad. Alternativamente P (A|B) + P (Ac |B) = P (A B)/P (B) + P (Ac B)/P (B) = P ((A B) (Ac B))/P (B) = P ((A Ac ) B)/P (B) = P (B)/P (B) = 1. b) Falso. Tmese A = . El lado izquierdo es 2 mientras o que el lado izquierdo es 1. c) Cierto. P (A|AB) = P (AB)/P (AB) = 1. El clculo es idntico para P (B|A B). a e 87. Todos los incisos son ciertos. Solo es cuestin de escribir la denicin de cada o o probabilidad condicional. 88. a) Falso. Tmese por ejemplo A = B1 B2 . Entonces el lado izquierdo es uno o mientras que el lado derecho es dos. b) Cierto. P (A1 A2 |B) = P ((A1
148
A2 )B)/P (B) = P (A1 B)/P (B)+P (A2 B)/P (B) = P (A1 |B)+P (A2 |B). c) Falso. Tmese B1 = B2 . El lado derecho es el cuadrado del lado izquierdo. o d) Falso. Tmese A1 = A2 . El lado derecho es el cuadrado del lado izquierdo. o 89. a) P () = P () = 0 = P ()P (). b) P () = P () = 1 = P ()P ().
90. a) Falso. Tmese B = . Entonces A y B son independientes pero no son o ajenos. b) Falso. Considere el experimento de lanzar una moneda honesta, y sean A y B los eventos de que caiga una cara y la otra respectivamente. Entonces claramente A y B son ajenos pero no son independientes. 91. P (A ) = P () = 0 = P (A)P (). 92. P (A ) = P (A) = P (A)P (). 93. P (A B) = 1 P (Ac B c ) = 1 P (Ac )P (B c ) pues Ac y B c tambin son e independientes. Alternativamente desarrolle P (A B) y factorice adecuadamente. 94. a) Cierto pues la denicin es simtrica respecto de los eventos A y B. o e b) Falso en general. Tmese A tal que 0 < P (A) < 1. Entonces P (AA) = P (A) o mientras que P (A)P (A) < P (A). Cuando P (A) es cero o uno la propiedad es vlida. a c) Falso. Tmese = {1, 2, 3, 4} equiprobable con A = {1, 2}, o B = {2, 3} y C = {3, 4}. Entonces se cumple P (A B) = 1/4 = P (A)P (B) y P (BC) = 1/4 = P (B)P (C), pero P (AC) = 0 distinto a P (A)P (C) = 1/4. 95. La probabilidad de que no ocurra ninguno de los eventos es P (Ac B c ), que por la independencia es igual a P (Ac )P (B c ) = (1 p1 )(1 p2 ). 96. Como A y B son independientes y ajenos, 0 = P (A B) = P (A)P (B). Para que este producto se anule forzosamente alguno de los factores tiene que ser cero. 97. a) = (0, 0), (0, 1/2). b) (0, 1/2), (1/4, 3/4). c) (0, 1/2), (1/2, 1). d) (0, 1/2), (0, 1/2). 98. El total de subconjuntos de cardinal 1, 2, . . . , n es respectivamente . . . , n . De modo que la respuesta es n + + n = 2n n 1. n 1 n
n 1
n 2
Apendice B. Soluciones Teorema de probabilidad total
149
99. Se puede usar el mtodo de induccin sobre n. Claramente P (R1 ) = r/(r +b). e o Suponga entonces vlida la igualdad P (Rn ) = r/(r + b). Se condiciona la a probabilidad del evento Rn+1 dado el resultado de la primera extraccin, y o en tal situacin puede considerarse que la conguracin inicial de la urna o o cambia, de modo que el evento Rn+1 se reere ahora a la n-sima extraccin e o y all es donde se usa la hiptesis de induccin. Entonces por el teorema de o o probabilidad total,
c c P (Rn+1 ) = P (Rn+1 |R1 )P (R1 ) + P (Rn+1 |R1 )P (R1 ) r+c r r b = + r+b+c r+b r+b+c r+c r = . r+b
100. Sean N1 , N2 y N3 los eventos correspondientes a escoger los n meros 1, 2 y u 3 respectivamente. Sea A el evento obtener 5 al lanzar el dado. Entonces P (A) = P (A|N1 )P (N1 ) + P (A|N2 )P (N2 ) + P (A|N3 )P (N3 ) = 11/108.
Teorema de Bayes 101. Sea A el evento cuando todas las bolas son del mismo color, y N cuando en particular son todas negras. Entonces P (N |A) = P (A|N )P (N )/P (A) = n n b k /[ k + k ]. 102. Sea R0 el evento se recibe un cero, y E0 el evento se env un cero. a Anlogamente se denen los eventos R1 y E1 . Entonces a a) b) c) d) P (R0 ) = P (R0 |E0 )P (E0 ) + P (R0 |E1 )P (E1 ) = 0.8 0.4 + 0.1 0.6 = 0.38. P (R1 ) = P (R1 |E0 )P (E0 ) + P (R1 |E1 )P (E1 ) = 0.2 0.4 + 0.9 0.6 = 0.62. P (E0 |R0 ) = P (R0 |E0 )P (E0 )/P (R0 ) = 0.8 0.4/0.38 = 0.84. P (E1 |R1 ) = P (R1 |E1 )P (E1 )/P (R1 ) = 0.9 0.6/0.62 = 0.87.
Variables aleatorias 103. a) Discreta, los valores pueden ser 0, 1, 2, . . . si la escala de medicin son o a os. b) Discreta con posibles valores 0, 1, 2, . . . c) Puede ser continua y n
150
considerarse tericamente el intervalo [0, ). d) Discreta con posibles valoo res 0, 1, 2, . . . si slo se consideran unidades monetarias. o 104. a) Continua con valores en (0, 1). b) Discreta con valores en el conjunto {0, 1, 2, . . . , 8, 9}. c) Continua con valores en (0, 1). d) Continua con valores en (0, 1/2). 105. El rango de X es el conjunto {4, 2, 0, 2, 4, 6}. P (X = 0) = 1/6, P (X {2, 3}) = 1/6, P (X 0) = 2/3, P (X < 0) = 1/3, P (X 2 = 1) = 0, P (2X 4 = 0) = 1/6 y P (X 2 = 4) = 1/3. 106. P (X 0) = 1/2, P (X < 0) = 1/2, P (Y > X) = 1/2, P (X + Y 1) = 3/4 + 2/, P (Z < 1/2) = 1/4 y P (1/3 < Z < 1/2) = 5/36.
Funciones de densidad y de distribucin o 107. a) c = 1/55, P (X {2, 3, 4}) = 9/55, P (X < 3) = 3/55. b) c = 1/385, P (X {2, 3, 4}) = 9/385, P (X < 3) = 3/385. 108. c = 1/2, P (X ) = ( 2)/2, P (X [, 2]) = 1. 109. c = 1/2, P (X (1, )) = 1/2e. 110. a) y b) La constante c no puede ser cero. Tampoco puede ser positiva o negativa pues en ambos casos la funcin de probabilidad toma valores negativos, o lo cual no es permitido. 111. P (X 0) = 0.8, P (X < 0) = 0, P (X 2 = 1) = 0.7. 112. La funcin de probabilidad de X 2 es o x f (x) La de |X| es Y la de 2X 5 es x f (x) -9 0.1 -7 0.15 -5 0.4 -1 0.1 1 0.15 5 0.1 x f (x) 0 0.4 0 0.4 1 0.15 1 0.15 4 0.2 2 0.2 9 0.15 3 0.15 25 0.1 5 0.1
Apendice B. Soluciones 113. El valor de c es 0.8. La funcin de probabilidad de X 2 es o x f (x) 0 0.8 4 0.2
151
114. a) k = 2. b) F (x) = (x + 2)/10 para x [2, 8], cero antes, uno despus. e c) P (1 X 3) = 2/5, P (X 2) = 3/5, P (X 0) = 1/5. d) m = 5/2. 115. Se trata de una variable aleatoria discreta cuya funcin de probabilidad es o f (1) = 1/3 y f (2) = 2/3. Por lo tanto P (X = 2) = 2/3, y P (1 < X < 2) = 0. 116. La funcin de densidad es f (x) = 1/(2 x), para x (0, 1). P (X = 1/2) = 0 o y P (X > 1/2) = F (1) F (1/2) = 1 1/ 2. 117. a) = {(1, 2), (1, 3), (1, 4), (2, 1), (2, 3), (2, 4), (3, 1), (3, 2), (3, 4), (4, 1), (4, 2)(4, 3)}. b) La funcin de probabilidad de X es o x f (x) 3 2/12 4 2/12 5 4/12 6 2/12 7 2/12
d) P (X 6) = 1/3, P (3 < X 5) = 1/2, P (X = 6) = 1/6. 118. Es funcin de densidad pues es no negativa y es tal que f (0)+f (1)+f (2) = 1. o 119. Es funcin de densidad pues es no negativa y por el teorema del binomio se o 4 cumple que x=0 f (x) = (3/4+1/4)4 = 1. Esta es la funcin de probabilidad o de la distribucin bin(n, p) con n = 4 y p = 3/4. o 120. Ninguna de las funciones es de densidad. La primera no integra uno, y para la segunda se tiene que f (3/2) < 0. 121. La funcin de probabilidad es f (x) = (1/2)x+1 , para x = 0, 1, 2, . . . Por lo o tanto P (0 X < 10) = F (9) = 1 (1/2)10 . 122. c = 3. F (x) = x2 /9 para x [0, 3], cero antes, uno despus. e Esperanza, varianza, momentos 123. Puede considerarse la variable aleatoria constante X = a. Alternativamente puede tomarse a X como aquella variable aleatoria que toma los valores a 1 y a + 1 con idntica probabilidad 1/2. Puede usted construir una variable e aleatoria continua con la propiedad indicada?
152
124. a) E(X) = 7/6. b) E(X) = 0. 125. a) E(x) = 1. b) E(X) = 4/3. 126. La funcin es no negativa. Usando fracciones parciales se comprueba la ideno tidad 1 1 1 = . x(x + 1) x x+1 Entonces la suma x=1 f (x) es telescpica y vale uno. Por otro lado la eso 1 peranza no existe pues la suma xf (x) = x+1 es divergente. x=1 x=1 127. Para demostrar que esta funcin es de densidad es necesario recordar que la o derivada de la funcin h(x) = arctan x es h (x) = 1/(1 + x2 ). Por lo tanto o 1 1 d 1 1 dx = dx arctan x dx = arctan x| = (/2 (/2)) = (1+x2 ) 1. La esperanza no existe por que la integral resultante no es absoluta 1 2 x 2 x mente convergente: |x| (1+x2 ) dx = 0 1+x2 dx 1 1+x2 dx 2 x 1 1 1 x2 +x2 dx = 1 x dx = . 128. a) Cierto, la constante cero cumple tal condicin. b) Falso, las siguientes o dos distribuciones son distintas y ambas tienen esperanza cero. x f1 (x) f2 (x) -1 1/2 1/3 0 0 1/3 1 1/2 1/3
c) Falso, si X es una variable aleatoria con esperanza nita y positiva, entonces X tiene esperanza negativa. d) Cierto, por ejemplo todas las constantes son variables aleatorias con varianza cero. e) Cierto, pues la varianza es la esperanza de una variable aleatoria no negativa. f) Falso, dos variables aleatorias constantes distintas tienen varianza cero. 129. Tanto la esperanza como la varianza son constantes. Los resultados se siguen del hecho de que la esperanza de una constante es la constante misma y la varianza de una constante es cero. 130. a) E(X) = c P (X = c) = c 1 = c. b) E(X n ) = cn P (X = c) = cn 1 = cn . c) Var(X) = (c E(X))2 P (X = c) = (c c)2 1 = 0. 131. E(X) = 3 y Var(X) = 24/9. 132. Esta es la distribucin geo(p) con p = 1/2. Usaremos resultados de sumas o x x+1 x+1 geomtricas. E(X) = e = . Intercamx=0 x(1/2) x=1 y=1 (1/2) biando el orden de las sumas se encuentra la expresin y=1 x=y (1/2)x+1 o
153
y = y=1 (1/2) = 1. Para la varianza encontraremos primero el segundo momento, y para ello usaremos la identidad x2 = x(x + 1) x. E(X 2 ) = 2 x+1 x+1 = x=0 x(1/2)x+1 . La segunx=1 x (1/2) x=0 x(x + 1)(1/2) da suma acaba de ser calculada y vale uno. Para la primera suma escrix ba x(x + 1) como 2 y=1 y. Intercambiando ahora el orden de las sumas se llega a E(X 2 ) = 2 y=1 y x=y (1/2)x+1 1 = 2 y=1 y(1/2)y 1 = 22 y(1/2)y+1 1 = 4 1 = 3. Por lo tanto la varianza es Var(X) = y=1 E(X 2 ) E 2 (X) = 3 1 = 2.
133. Ambos incisos son ciertos pues tanto E(X) como Var(X) son constantes. 134. La funcin es de densidad pues es no negativa y la integral 1 e|x| dx o 2 1 puede ser escrita como 2 0 2 ex dx = 0 ex dx = 1. a) La esperanza de X es x 1 e|x| dx. Separando la parte positiva y la 2
0
negativa se obtiene 0 x 1 ex dx + x 1 ex dx. Mediante el cambio de 2 2 variable y = x se comprueba que la segunda integral es el negativo de la primera, se obtiene que la esperanza es cero. 1 b) El segundo momento es x2 2 e|x| dx. Nuevamente separando la parte
0
1 positiva de la negativa se obtiene 0 x2 1 ex dx + x2 2 ex dx. Ahora al 2 hacer el cambio de variable y = x en la segunda integral se obtiene que es idntica a la primera integral. Por lo tanto se obtiene el doble de la primera, e es decir, 0 x2 ex dx. Usando integracin por partes puede comprobarse que o esta integral vale 2. c) Por los clculos anteriores Var(X) = E(X 2 ) E 2 (X) = 2. a d) El n-simo momento es xn 1 e|x| dx. Nuevamente separando la parte e 2 0
positiva de la negativa se obtiene 0 xn 1 ex dx + xn 1 ex dx. Al ha2 2 cer el cambio de variable y = x en la segunda integral se obtiene que es (1)n+2 0 xn 1 ex dx. Cuando n es impar se trata del negativo de la pri2 mera integral, de modo que la suma es cero. Cuando n es par, es idntica a la e primera integral, y entonces el resultado es 0 xn ex dx. Aplicando repetidas veces el mtodo de integracin por partes se comprueba que esta integral e o vale n! 135. a) Cierto pues la esperanza es lineal. b) Falso pues en general Var(cX) = c2 Var(X). c) Falso. El lado izquierdo es Var(X) y el lado derecho es siempre cero. 136. La tercera igualdad no es correcta pues la varianza en general no es lineal.
154
Distribucin uniforme discreta o
n
137.
a) E(X) =
i=1 n
1 1 = n n i2
i=
i=1 n
1 n(n + 1) = (n + 1)/2. n 2 1 n(n + 1)(2n + 1) = (n + 1)(2n + 1)/6. n 6
b) E(X 2 ) =
i=1
1 1 = n n
i2 =
i=1
c) Var(X) = E(X 2 ) E 2 (X) = 138. 45/100.
(n + 1)(2n + 1) (n + 1)2 = (n2 1)/12. 6 4
Distribucin Bernoulli o 139. Es muy sencillo vericar que f (x) 0, y f (0) + f (1) = 1. Adems a a) E(X) = 0 (1 p) + 1 p = p. b) E(X n ) = 0n (1 p) + 1n p = p. c) Var(X) = E(X 2 ) E 2 (X) = p p2 = p(1 p). Distribucin binomial o 140. Claramente f (x) 0. Adems por el teorema del binomio a n n x nx = (p + 1 p)n = 1. x=0 x p (1 p)
n x=0
f (x) =
141. La esperanza es E(X) = n x n px (1 p)nx . La suma puede empezar x=0 x desde uno. Factorizando np y escribiendo nx = (n1)(x1) se encuentra la expresin o np (n 1)! px1 (1 p)(n1)(x1) , ((n 1) (x 1))!(x 1)! x=1
n n
lo cual es np x=1 n1 px1 (1 p)(n1)(x1) . Haciendo el cambio de vax1 riable y = x 1 en la suma, sta se convierte en la suma completa de la e distribucin bin(n 1, p) y vale uno. El resultado es entonces np. Para la o varianza se usa la misma tcnica. Se calcula primero el segundo momento e
Apendice B. Soluciones escribiendo x2 = x(x 1) + x, es decir,

n
155
E(X 2 )
=
x=0 n
x2
n x p (1 p)nx x
n
n x n x = x(x 1) p (1 p)nx + x p (1 p)nx . x x x=0 x=0 La segunda suma acaba de ser calculada y vale np. La primera suma puede empezar desde 2, y procediendo como en el caso de la esperanza puede escribirse como n(n 1)p2 (n 2)! px2 (1 p)(n2)(x2) , ((n 2) (x 2))!(x 2)! x=2
n n
lo cual es n(n 1)p2 x=2 n2 px2 (1 p)(n2)(x2) . Haciendo el cambio x2 de variable y = x 2 en la suma, sta se convierte en la suma completa e de la distribucin bin(n 2, p) y vale uno. El segundo momento es entonces o n(n 1)p2 + np. Por lo tanto Var(X) = E(X 2 ) E 2 (X) = n(n 1)p2 + np n2 p2 = np(1 p). 142. n = 8 y p = 1/2. 143. P (Y = x) = P (n X = x) = P (X = n x). Al substituir la funcin de o probabilidad de X resulta que Y tiene distribucin binomial con el mismo o n mero de ensayos n, pero la probabilidad de xito es ahora 1p. Si X cuenta u e el n mero de xitos en n ensayos Bernoulli, entonces Y cuenta el n mero de u e u fracasos. 144. Desarrolle el lado derecho. 145. 146.
6 3
(1/2)6 . (1/2)2n .
2n n
147. Recuerde que Var(X) = npq y E(X) = np. Entonces efectivamente npq np pues q 1. 148. Los tres eventos tienen la misma probabilidad de ocurrir, cada uno de ellos tiene probabilidad 1/26 .
156
Distribucin geomtrica o e 149. f (x) 0. Adems a
x=0
f (x) =
x=0
p(1 p)x = p(1/p) = 1.
x 150. Usaremos resultados de sumas geomtricas. E(X) = e x=0 xp(1 p) = x x x=1 y=1 p(1 p) . Intercambiando el orden de las sumas se encuentra la x y expresin o y=1 x=y p(1 p) = y=1 (1 p) = (1 p)/p. Para la varianza encontraremos primero el segundo momento, y para ello usaremos la identidad x2 = x(x + 1) x. E(X 2 ) = x=1 x2 p(1 p)x = x=0 x(x + 1)p(1 p)x x x=0 xp(1 p) . La segunda suma acaba de ser calculada y vale (1-p)/p. x Para la primera suma escriba x(x + 1) como 2 y=1 y. Intercambiando ahora el orden de las sumas se llega a E(X 2 ) = 2 y=1 y x=y p(1 p)x (1 p)/p 2 = 2 y=1 y(1 p)y (1 p)/p = p y=1 yp(1 p)y (1 p)/p = 2(1 p)/p2 (1 p)/p. Por lo tanto la varianza es Var(X) = E(X 2 ) E 2 (X) = 2(1 p)/p2 (1 p)/p (1 p)2 /p2 = (1 p)/p2 .
151. P (X a + b | X a) = P (X a + b)/P (X a) = p x=a+b (1 p)x /(p x=a (1 p)x ) = (1 p)a+b /(1 p)a = (1 p)b = P (X b). 152. 8/3=2.66 extracciones.
Distribucin Poisson o
153. La funcin f (x) es no negativa y es tal que o x=0 f (x) = x=0 e x! x = e x=0 x! = e e = 1. Para la esperanza tenemos que E(X) = x x x1 x=1 e x=1 e x=0 x e x! = (x1)! = (x1)! = . Usando la igual2 dad x = x(x 1) + x, puede encontrarse que el segundo momento es E(X 2 ) = 2 + . Por lo tanto Var(X)= E(X 2 ) E 2 (X)= 2 + 2 = .
x
154. Desarrolle el lado derecho. 155. Sume las series e = 1 + + 2 /2! + 3 /3! + , y e = 1 + 2 /2! 3 /3! + 156. a) 0.323 b) 0.593 c) Una o dos computadoras descompuestas tienen probabilidad mxima 0.2706. a
Apendice B. Soluciones Distribucin binomial negativa o
157
157. Este ejercicio no es fcil. Una forma de resolverlo es a travs de la frmula a e o n a x = (1)k n+k1 , y la expansin (1 + t)a = o t para a real x=0 x k k y |t| < 1. Entonces x=0 r+x1 pr (1 p)x = pr x=0 (1)x r (1 p)x x x = pr x=0 r (p 1)x = pr (1 + p 1)r = 1. x 158. Para la esperanza, factorice el trmino r(1 p)/p en la expresin E(X)= e o r+x1 r p (1 p)x . Observe que la suma puede empezar desde 1. La x=1 x x suma resultante es uno pues se trata de las probabilidades de la distribucin o bin neg(r, p). Para la varianza use la frmula x2 = x(x 1) + x para calcular o primero E(X 2 ), separando las sumas. El procedimiento es anlogo al caso de a la esperanza, el resultado es E(X 2 )= r(r + 1)(1 p)2 /p2 + r(1 p)/p. Al substituir estos resultados en la frmula Var(X)= E(X 2 )E 2 (X) se obtiene o Var(X) = r(1 p)/p2 . 159. Factorice el trmino (1 p)(r + x 1)/x en la expresin de P (X = x). e o Distribucin hipergeomtrica o e 160. El resultado se sigue de la frmula o
r n k=0 k m rk
n+m r
Distribucin uniforme continua o 161. Claramente f (x) 0, y la integral de f (x) es el rea del rectngulo de base a a b a y altura 1/(b a) que vale uno. 162. a) E(X)= a x 1/(b a) dx= (b2 a2 )/(2(b a)) = (a + b)/2. b) E(X 2 )= b 2 x 1/(b a) dx = (b3 a3 )/(3(b a))= (a2 + ab + b2 )/3. Por lo tanto Var(x) a = E(X 2 ) E 2 (X)= (a2 + ab + b2 )/3 (a + b)2 /4= (b a)2 /12. 163. E(X n )= 164. E(X n ) = a)).
1 0 b
xn 1 dx= 1/(n + 1). xn 1/(b a) dx=

1 n+1 b (n+1)(ba) x a
b a
= (bn+1 an+1 )/((n + 1)(b
158
1 165. E(X n ) = 1 xn 1/2 dx = 2(n+1) xn+1 1 . Si n es impar, entonces n + 1 es par y la integral se anula. Si n es par, entonces n + 1 es impar y la integral es 1/(n + 1). 1 1
166. X toma valores en (0, 1) y Y toma valores en (5, 5). Para cualquier y (5, 5), FY (y) = P (Y y)= P (10X 5 y)= P (X (y + 5)/10)= FX ((y + 5)/10). Derivando fY (y) = fX ((y + 5)/10) 1/10. Pero fX ((y + 5)/10) vale uno slo cuando 0 < (y + 5)/10 < 1, es decir, si 5 < y < 5. Por lo o tanto, Y tiene distribucin unif(5, 5). o 167. La mediana en este caso es unica y vale m = (a + b)/2 pues cumple la condicin P (X m) = P (X m) = 1/2. Vea un ejercicio anterior para la o demostracin de que la media es tambin (a + b)/2. o e
Distribucin exponencial o 168. f (x) 0 y

0
ex dx = ex | = 1. 0
169. E(X) = 0 x ex dx. Usando integracin por partes con u = x y dv = o ex dx, se obtiene E(X) = 0 ex dx = (1/) 0 ex dx= 1/. Para la varianza calcule primero el segundo momento, usando nuevamen te integracin por partes, E(X 2 ) = 0 x2 ex dx = 2 0 x ex dx = o x 2 2 dx = 2/ . Por lo tanto Var(X)= E(X ) E 2 (X) = (2/) 0 x e 2 2 2 2/ 1/ = 1/ . 170. P (X x + y | X x)= P (X x + y)/P (X x) = e(x+y) /ex = ey = P (X y). 171. F (x) F (y)= (1 ex )(1 ey ) = 1 ex ey + e(x+y) = (1 ex ) + (1 ey ) (1 e(x+y) ) = F (x) + F (y) F (x + y). 172. Suponga que el tiempo se mide en minutos. E(X) = 10 = 1/. Por lo tanto = 1/10. Entonces P (X > 60)= 1 P (X 60)= 1 (1 e60/10 )= e6 = 0.002478 . Por lo tanto de 1000 usuarios, aproximadamente 2.47 tienen conexin mayor a una hora. a) P (X < 10) = F (10) = 1 e10/10 = 1 e1 = o 0.6321 . b) P (10 < X < 60) = F (60)F (10) = (1e6 )(1e1 )= 0.3654 .
Apendice B. Soluciones Distribucin gama o
159
173. La funcin es no negativa, adems haciendo el cambio de variable t = x se o a n1 1 obtiene 0 (x) ex dx = (n) 0 tn1 et dt = (n) = 1. (n) (n)
(x) x dx = (n+1) 0 (n+1) ex dx. La integral 174. a) E(X) = 0 x (x) (n) e (n) vale uno, y usando la propiedad (n + 1) = n (n) se obtiene E(X) = n/. n1 n+1 x x b) E(X 2 ) = 0 x2 (x) dx = (n+2) 0 (x) dx= (n + (n) e 2 (n) (n+2) e 2 2 2 2 1)n/ . Por lo tanto Var(X)= E(X ) E (X)= (n + 1)n/ n2 /2 = n/2 . c) Anlogo al inciso anterior. a
n1
175. a) (n + 1) = 0 tn et dt. Use integracin por partes con u = tn y dv = o et dt. b) Por el inciso anterior, (2) = 1 (1), por lo tanto es suciente demostrar que (1) = 1, pero (1) = 0 et dt= 1. c) Esto es consecuencia de los dos incisos anteriores. d) Haciendo el cambio de variable x2 /2 = t, 2 2 (1/2) = 0 t1/2 et dt = 2 0 ex /2 dx = 2 2 1 1 ex /2 dx 2 2 = . El ultimo integrando es la densidad normal estndar. a
Distribucin beta o 176. Claramente f (x) 0, y x)b1 dx =

B(a,b) B(a,b) = 1 1 0 B(a,b)
1.
xa1 (1 x)b1 dx =
B(a+1,b) B(a,b)
1 B(a,b)
1 0
xa1 (1
177. a) E(X) =
1 x 0 B(a,b)
xa1 (1x)b1 dx =
= B(a+1,b) . Ahora se usa la identidad B(a + 1, b) B(a,b) E(X) = a/(a + b). 1 x2 b) E(X 2 ) = 0 B(a,b) xa1 (1 x)b1 dx = B(a+2,b) B(a,b) x)b1 dx = = Por lo tanto E(X ) =
ab (a+b+1)(a+b)2 . B(a+2,b) B(a,b) . 2
1 1 xa (1x)b1 dx 0 B(a+1,b) a = a+b B(a, b) para obtener
En
1 1 xa+1 (1 0 B(a+2,b) a+1 a+1 a donde B(a+2, b) = a+b+1 B(a+1, b) = a+b+1 a+b B(a, b). a+1 a a+1 a a2 a+b+1 a+b , y entonces Var(X) = a+b+1 a+b (a+b)2
178. a) Efect e el cambio de variable y = 1 x. u 1 b) B(a, 1) = 0 axa1 dx = 1/a. 1 c) B(1, b) = 0 a(1 x)b1 dx = 1/b.
160
d) B(a + 1, b) = 0 xa (1 x)b1 dx. Use integracin por partes con u = xa o 1 y dv = (1 x)b1 dx para llegar a B(a + 1, b) = a 0 xa1 (1 x)b dx= b a b B(a, b + 1). e) Puede usarse la identidad B(a, b) = (a)(b)/(a + b). B(a + 1, b) = a a (a + 1)(b)/(a + b + 1) = a+b (a)(b)/(a + b)= a+b B(a, b). b b f) Por el inciso anterior, B(a, b + 1)= B(b + 1, a)= a+b B(b, a)= a+b B(a, b). 2 g) Efect e el cambio de variable x = cos . u 179. Simplemente sustituya esos valores para los parmetros a y b en la distribua cin beta(a, b). Recuerde que B(1, 1) = 1. o 180. a) f (x) = 1/( x(1 x), para 0 < x < 1. b) Efect e el cambio de variable x = cos2 . u c) E(X) = B(1 + 1/2, 1/2)/B(1/2, 1/2) = (1/2)/(1/2 + 1/2) = 1/2. Para la varianza use E(X 2 ) = B(2 + 1/2, 1/2)/B(1/2, 1/2). 181. Compruebe que B(a, 1) = 1/a. Por lo tanto F (x)= ( para x (0, 1). 182. Compruebe que B(1, b) = 1/b. Por lo tanto F (x)= ( 1 (1 x)b , para x (0, 1). 183. E(X n )= (
1 0 x 0 1
ua1 du)/B(a, 1)= xa ,
x (1u)b1 du)/B(1, b)= 0
xn xa1 (1 x)b1 dx)/B(a, b) = B(a + n, b)/B(a, b).
Distribucin normal o 184. Este ejercicio no es fcil pero puede resolverse por varios mtodos. El siguiente a e 2 2 1 mtodo hace uso de coordenadas polares. Sea I = 22 e(x) /2 dx e = = ma integral se obtiene despus del cambio de variable a coordenadas polares e 2 (x, y)= (r cos , r sen ). Entonces I 2 = 0 er /2 r dr= 1.
1 185. Considere la esperanza E(X) = x 22 e(x) /2 dx. Haciendo el cambio de variable u = (x )/ se encuentra que E(X) = + E(Z), en donde Z N(0, 1). Por lo tanto es suciente demostrar que E(Z) = 0, 2 pero ello es fcil pues el integrando de E(Z) = u 1 eu /2 du es una a 2
2 2 2 2 x2 /2 1 dx. Entonces I 2 = ( 1 ex /2 dx) ( 1 ey /2 dy) 2 e 2 2 2 1 (x2 +y 2 )/2 2 1 e dx dy = 0 0 2 er /2 r dr d, en donde la ulti 2
161
derivada excepto por el signo. Por lo tanto E(X) = . Para la varianza con2 2 1 sidere el segundo momento E(X 2 ) = x2 22 e(x) /2 dx. Efect e u 2 nuevamente el cambio de variable y = (x )/ y encuentre que E(X )= 2 2 +2E(Z)+ 2 E(Z 2 ). Resta encontrar E(Z 2 ) = y 2 1 ey /2 dy. Esta 2 integral puede realizarse por partes con u = y y dv = y 1 ey /2 dy. El resul2 tado es 1. Por lo tanto E(X 2 ) = 2 + 2 , y entonces Var(X)= (2 + 2 )2 = 2 .
2
186. Suponga X N(, 2 ). Sea Z = (X )/. Entonces FZ (u)= P (Z u)= P ( X u)= P (X +u)= FX (+u). Derivando respecto a u, fZ (u)= fX ( + u). Substituya la expresin para fX (x) y encuentre la densidad o normal estndar. El procedimiento es reversible. Suponga Z N(0, 1). Sea a X = + Z. Entonces FX (x)= P (X x) = P ( + Z x)= P (Z (x)/)= FZ ((x)/). Derivando respecto a x, fX (x)= fZ ((x)/)/. Substituya la expresin de fZ (x) y encuentre la densidad N(, 2 ). o 187. a) P (X 10)= 1/2. b) P (X < 0)= P (Z < 2)= 0.0228 . c) P (0 < X 10)= P (2 < Z 0)= 0.4772 . d) P (X 20)= P (Z 2)= 0.0228 . e) P (20 < X 10)= P (6 < Z 0)= 1/2. 188. a) P (X 10)= P (Z 1)= 0.8413 . b) P (X > 0)= 1/2. c) P (0 < X 40)= P (0 < Z 4)= 1/2. d) P (X 30)= P (Z 3)= 0.0013 . e) P (10 < X 10)= P (1 < Z 1)= 0.6826 . 189. a) x = 1.115 . b) x = 1.375 . 190. Suponga a > 0. Entonces FY (y)= P (Y y) = P (aX + b y)= P (X (y b)/a)= FX ((y b)/a). Derivando, fY (y)= fX ((y b)/a)/a. Substituya ahora en esta expresin la funcin de densidad N(, 2 ) y encuentre la funcin o o o de densidad normal ahora con media a + b y varianza a2 2 . Haga un anlisis a semejante para el caso a < 0, tenga cuidado al dividir por tal cantidad. Los nuevos parmetros son idnticos al caso anterior. a e 191. Sea Y = X. Entonces FY (y)= P (Y y)= P (X y) = P (X y)= 1 P (X < y)= 1 FX (y). Derivando, fY (y)= fX (y). Substituya ahora la funcin de densidad de X evaluada en y y compruebe que se trata de la o densidad normal con media y varianza 2 . 192. Para x > 0, FX 2 (x)= P (X 2 x)= P ( x X x) = FX x) ( 1 1 1 FX ( x). Derivando, fX2 (x)= fX ( x) 2x +fX ( x) 2x = fX ( x) x .
162
Ahora substituya la expresin para fX (x) y encuentre la funcin de densidad o o de la distribucin 2 (1). o 193. Para y > 0, FY (y)= P (Y y)= P (|X| y)= P (y X y)= FX (y) FX (y). Derivando, fY (y)= fX (y)+fX (y)= 2fX (y). Ahora substituya la funcin de densidad de X. o 194. Sea X el llenado de un vaso cualquiera. Suponga X N(320, 100). Entonces a) P (X > 310)= P (Z > 1)= 0.1587 . b) P (290 < X < 305)= P (1 < Z < 1/2)= 0.5328 . c) P (X > 320)= P (Z > 2)= 0.0228 . d) P (X < 270)= P (Z < 3)= 0.0013 . De mil clientes, 1.3 reclamarn por vasos servidos a con 270 ml. o menos.
Distribucin ji cuadrada o 195. La funcin es no negativa. Efect e el cambio de variable t = x/2 dentro de o u la integral. La integral resultante es la funcin gama evaluada en n/2. o 196. simplemente substituya el valor n = 2 en la densidad 2 (n). Recuerde que (1) = 1. 197. En estos clculos es conveniente hacer el cambio de variable t = x/2 en cada a una de las integrales. Para la esperanza, el exponente de t es n/2, que puede ser escrito como (n/2) + 1 1. Reconstruya la integral como la funcin gama o evaluada en (n/2) + 1. Despus simplique usando la propiedad (n + 1) = e n (n). Para la varianza, calcule primero el segundo momento, el exponente de t es (n/2) + 1, que puede ser escrito como (n/2) + 2 1. Ahora reconstruya la integral resultante como la funcin gama evaluada en (n/2) + 2. Despus o e simplique. El clculo del m-simo momento sigue las mismas l a e neas.
Distribucin t o 198. La funcin es no negativa. Para comprobar que esta funcin integra uno o o efect e el cambio de variable 1 u = (1 + x2 /n)1 y reconstruya la integral u de B(1/2, n/2). 199. La integral E(X) es absolutamente convergente y el integrando es una funcin o impar, por lo tanto la integral es cero. Dado este resultado, la varianza es el
163
segundo momento. Efect e el cambio de variable 1 u = (1 + x2 /n)1 en u la integral E(X 2 ), y reconstruya la integral de B(3/2, (n 2)/2), despus e simplique.
Vectores aleatorios 200. 201. 202. 203.
Variables y tipos de datos 204.
Estad stica descriptiva 205. 206. 207. 208. 209.

n i=1 (xi
x) =
n i=1
xi n = x
n i=1
xi =
n i=1
xi = 0. x2 2 x i
n i=1
n 2 i=1 (xi x) = n 2 x2 i=1 xi 2n +
n 2 2 i=1 (xi 2xi x + x ) n 2 2 n = i=1 xi n2 . x x
n i=1
xi + n2 = x
210. Idntico al ejercicio anterior. e 211. Derive la funcin x(c) respecto de la variable c, iguale a cero y encuentre que o c = x. Compruebe que la segunda derivada es negativa. 212. 213.
164
Muestras aleatorias y estad sticas 214.
Estimacin puntual o 215. E() = E(1 + (1 )2 ) = E(1 ) + (1 )E(2 ) = + (1 ) = . 216. E( 2 ) = 217. 218. E( 2 ) = 1 2(n 1)
n1 i=1 n1 i=1
1 n
n i=1
E(Xi )2 =
1 n
Var(Xi ) =
i=1
1 n
2 = 2 .
i=1
E(Xi+1 Xi )2 =
1 2(n 1)
n1 2 (E(Xi+1 )2E(Xi+1 )E(Xi )+ i=1
1 E(Xi2 )) = 2(n 1) 219.
( 2 + 2 22 + 2 + 2 ) =
1 2(n 1)
n1
2 2 = 2 .
i=1
Mtodo de momentos e 220. 221. 222.
Mtodo de mxima verosimilitud e a 223. 224. = X.
Apendice B. Soluciones Estimacin por intervalos o 225. 226.
165
Pruebas de hiptesis o 227. Se acepta H0 . 228. Se rechaza H0 .

229. Cuando n , el cociente 0 1 se va a innito o menos innito depen/ n diendo del signo de la diferencia 0 1 .
166
Apndice C e
Formulario
Notacin o
N Z Q R Conjunto Conjunto Conjunto Conjunto de de de de n meros u n meros u n meros u n meros u naturales 1, 2, 3, . . . enteros 0, 1, 2, 3, . . . racionales a/b en donde a, b Z con b = 0. reales.
El alfabeto griego
A B E , Z H ,
alpha beta gamma delta epsilon zeta eta theta
I K M N Oo
iota kappa lambda mu nu xi omikron pi
P , , T , X
rho sigma tau upsilon phi chi psi omega
167
168 Tabla de la distribucin normal estndar o a
1 (x) = 2
et
/2
dt
x 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0 3.1 3.2 3.3 3.4
0.00 0.5000 0.5398 0.5793 0.6179 0.6554 0.6915 0.7257 0.7580 0.7881 0.8159 0.8413 0.8643 0.8849 0.9032 0.9192 0.9332 0.9452 0.9554 0.9641 0.9713 0.9772 0.9821 0.9861 0.9893 0.9918 0.9938 0.9953 0.9965 0.9974 0.9981 0.9987 0.9990 0.9993 0.9995 0.9997
0.01 0.5040 0.5438 0.5832 0.6217 0.6591 0.6950 0.7291 0.7611 0.7910 0.8186 0.8438 0.8665 0.8869 0.9049 0.9207 0.9345 0.9463 0.9564 0.9649 0.9719 0.9778 0.9826 0.9864 0.9896 0.9920 0.9940 0.9955 0.9966 0.9975 0.9982 0.9987 0.9991 0.9993 0.9995 0.9997
0.02 0.5080 0.5478 0.5871 0.6255 0.6628 0.6985 0.7324 0.7642 0.7939 0.8212 0.8461 0.8686 0.8888 0.9066 0.9222 0.9357 0.9474 0.9573 0.9656 0.9726 0.9783 0.9830 0.9868 0.9898 0.9922 0.9941 0.9956 0.9967 0.9976 0.9982 0.9987 0.9991 0.9994 0.9995 0.9997
0.03 0.5120 0.5517 0.5910 0.6293 0.6664 0.7019 0.7357 0.7673 0.7967 0.8238 0.8485 0.8708 0.8907 0.9082 0.9236 0.9370 0.9484 0.9582 0.9664 0.9732 0.9788 0.9834 0.9871 0.9901 0.9925 0.9943 0.9957 0.9968 0.9977 0.9983 0.9988 0.9991 0.9994 0.9996 0.9997
0.04 0.5160 0.5557 0.5948 0.6331 0.6700 0.7054 0.7389 0.7704 0.7995 0.8264 0.8508 0.8729 0.8925 0.9099 0.9251 0.9382 0.9495 0.9591 0.9671 0.9738 0.9793 0.9838 0.9875 0.9904 0.9927 0.9945 0.9959 0.9969 0.9977 0.9984 0.9988 0.9992 0.9994 0.9996 0.9997
0.05 0.5199 0.5596 0.5987 0.6368 0.6736 0.7088 0.7422 0.7734 0.8023 0.8289 0.8531 0.8749 0.8944 0.9115 0.9265 0.9394 0.9505 0.9599 0.9678 0.9744 0.9798 0.9842 0.9878 0.9906 0.9929 0.9946 0.9960 0.9970 0.9978 0.9984 0.9989 0.9992 0.9994 0.9996 0.9997
0.06 0.5239 0.5636 0.6026 0.6406 0.6772 0.7123 0.7454 0.7764 0.8051 0.8315 0.8554 0.8770 0.8962 0.9131 0.9279 0.9406 0.9515 0.9608 0.9686 0.9750 0.9803 0.9846 0.9881 0.9909 0.9931 0.9948 0.9961 0.9971 0.9979 0.9985 0.9989 0.9992 0.9994 0.9996 0.9997
0.07 0.5279 0.5675 0.6064 0.6443 0.6808 0.7157 0.7486 0.7794 0.8078 0.8340 0.8577 0.8790 0.8980 0.9147 0.9292 0.9418 0.9525 0.9616 0.9693 0.9756 0.9808 0.9850 0.9884 0.9911 0.9932 0.9949 0.9962 0.9972 0.9979 0.9985 0.9989 0.9992 0.9995 0.9996 0.9997
0.08 0.5319 0.5714 0.6103 0.6480 0.6844 0.7190 0.7517 0.7823 0.8106 0.8365 0.8599 0.8810 0.8997 0.9162 0.9306 0.9429 0.9535 0.9625 0.9699 0.9761 0.9812 0.9854 0.9887 0.9913 0.9934 0.9951 0.9963 0.9973 0.9980 0.9986 0.9990 0.9993 0.9995 0.9996 0.9997
0.09 0.5359 0.5753 0.6141 0.6517 0.6879 0.7224 0.7549 0.7852 0.8133 0.8399 0.8621 0.8830 0.9015 0.9177 0.9319 0.9441 0.9545 0.9633 0.9706 0.9767 0.9817 0.9857 0.9890 0.9916 0.9936 0.9952 0.9964 0.9974 0.9981 0.9986 0.9990 0.9993 0.9995 0.9997 0.9998
Apendice C. Formulario
169
Tabla de la distribucin t(n) o
t,n P (T t,n ) =
n 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
=0.005 63.657 9.925 5.841 4.604 4.032 3.707 3.499 3.355 3.250 3.169 3.106 3.055 3.012 2.977 2.947 2.291 2.898 2.878 2.861 2.845 2.831 2.819 2.807 2.797 2.787 2.779 2.771 2.763 2.756 2.576
=0.01 31.821 6.965 4.541 3.474 3.365 3.143 2.998 2.896 2.821 2.764 2.718 2.681 2.650 2.624 2.602 2.583 2.567 2.552 2.539 2.528 2.518 2.508 2.500 2.492 2.485 2.479 2.473 2.467 2.462 2.326
=0.025 12.706 4.303 3.182 2.776 2.571 2.447 2.365 2.306 2.262 2.228 2.201 2.179 2.160 2.145 2.131 2.120 2.110 2.101 2.093 2.086 2.080 2.074 2.069 2.064 2.060 2.056 2.052 2.048 2.045 1.960
=0.05 6.314 2.920 2.353 2.132 2.015 1.943 1.895 1.860 1.833 1.812 1.796 1.782 1.771 1.761 1.753 1.746 1.740 1.734 1.729 1.725 1.721 1.717 1.714 1.711 1.708 1.706 1.703 1.701 1.699 1.645
=0.1 3.078 1.886 1.638 1.533 1.476 1.440 1.415 1.397 1.383 1.372 1.363 1.356 1.350 1.345 1.341 1.337 1.333 1.330 1.328 1.325 1.323 1.321 1.319 1.318 1.316 1.315 1.314 1.313 1.311 1.282
170
Bibliograf a
[1] Blake I. F. An introduction to applied probability. John Wiley & Sons, 1979. [2] Blomm G., Holst L., Sandell D. Problems and snapshots from the world of probability. Springer-Verlag, 1994. [3] Devore J. Probabilidad y estadstica para ingeniera y ciencias. Thomson, 2001. [4] Feller W. Introduccin a la teora de probabilidades y sus aplicaciones. Limusa, o 1973. [5] Garza T. Elementos de clculo de probabilidades. UNAM, 1983. a [6] Hernndez-Del-Valle A. y Hernndez-Lerma O. Elementos de probabilidad y a a estadstica. Serie Textos No. 21, Nivel Elemental. Sociedad Matemtica Mexi a cana, 2003. [7] Hoel P. G., Port S. C., Stone C. J. Introduction to probability theory. Houghton Miin, 1971. [8] Hoel P. G., Port S. C., Stone C. J. Introduction to statistical theory. Houghton Miin, 1971. [9] Hogg R. V., Tanis E. A. Probability and statistical inference. 1993. [10] Kolmogorov A. N. Foundations of the theory of probability. Chelsea Publishing Company, 1950. [11] Mood A. M., Graybill F. A., Boes D. C. Introduction to the theory of statistics. McGraw Hill, 1983.
171
172
Bibliograf a
[12] Miller I., Miller M. John E. Freunds mathematical statistics. Prentice Hall, 1999. [13] Ross S. A rst course in probability. Macmillan Publishing Company, 1994. [14] Ross S. M. Introduction to probability and statistics for engineers and scientists. 2da Edicin. Academic Press, 2000. o [15] Wisniewski P. M., Bali G. Ejercicios y problemas de la teora de las probabi lidades. Trillas, 1998. [16] Velasco G., Wisniewski P. Probabilidad y estadstica para ingeniera y ciencias. Thomson, 2001.
Indice
Axioma, 15 Coeciente multinomial, 25 Combinaciones, 23 Conjunto s ajenos, 11 potencia, 11 Densidad conjunta, 75, 76 marginal, 79 Desviacin estndar, 49 o a de un conjunto de datos, 88 Diferencia simtrica, 10 e Distribucin o arcoseno, 130 Bernoulli, 53 beta, 66 binomial, 54 binomial negativa, 59 conjunta, 77 exponencial, 64 gama, 65 geomtrica, 55 e hipergeomtrica, 60 e ji-cuadrada, 70 marginal, 80 normal, 67 normal estndar, 67 a Poisson, 57
t, 71 uniforme continua, 62 uniforme discreta, 52 Ensayo Bernoulli, 53 Escala de intervalo, 85 de razn, 86 o nominal, 85 ordinal, 85 Espacio equiprobable, 13 muestral, 7 Esperanza, 46 propiedades, 49 Estad stica, 88 Estad stica, 84 descriptiva, 84 inferencial, 84 Estandarizacin, 68 o Estimacin o por intervalos, 93 puntual, 89 Estimador de mxima verosimilitud, 90 a insesgado, 92 mximo veros a mil, 90 puntual, 89 sesgado, 92 173
174
sesgo de un, 92 Evento, 7 s ajenos, 11 Experimento aleatorio, 6 Funcin o beta, 66 de verosimilitud, 90 gama, 65 indicadora, 54 Funcin de densidad, 41 o conjunta, 76 marginal, 79 Funcin de distribucin, 43 o o bivariada, 78 conjunta, 77 de un vector, 77 marginal, 80 Funcin de probabilidad, 39 o conjunta, 75 Grado de conanza, 94 Imagen inversa, 38 Independencia de dos eventos, 29 de variables aleatorias, 80 de varios eventos, 29 Insesgamiento, 92 Intervalo de conanza, 94 grado de conanza, 94 lim inferior, 94 lim superior, 94 Leyes de De Morgan, 10 Mtodo e de mxima verosimilitud, 90 a de momentos, 91
Indice Media, 46 de un conjunto de datos, 87 muestral, 88 Mediana de un conjunto de datos, 87 Moda de un conjunto de datos, 87 Momento muestral, 92 poblacional, 91 Momentos, 52 centrales, 52 Muestra, 84 aleatoria, 88 Nivel de signicancia, 101 Ordenaciones con repeticin, 21 o sin repeticin, 22 o Particin, 30 o Permutaciones, 23 Poblacin, 84 o Postulado, 15 Principio de multiplicacin, 20 o Probabilidad axiomtica, 15 a clsica, 13 a condicional, 28 de un evento, 13 frecuentista, 13 subjetiva, 15 Producto Cartesiano, 12 Prueba de hiptesis, 101 o nivel de signicancia, 101 regin cr o tica, 101 Rango de un conjunto de datos, 88
Indice Regin cr o tica, 101 tama o de la, 101 n Regla del producto, 28 Sesgo, 92 Teorema central del l mite, 70 de Bayes, 33 de probabilidad total, 30 del estad stico inconsciente, 47 Tringulo de Pascal, 25 a Urna de Polya, 29, 117 Valor esperado, 46 promedio, 46 Variable, 84 aleatoria, 35 cualitativa, 85 cuantitativa, 85 Varianza, 49 de un conjunto de datos, 87 muestral, 89 propiedades, 51 Vector aleatorio, 74 continuo, 74 discreto, 74
175

Estadistica

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadistica

Cargado por

Copyright:

Formatos disponibles

Curso elemental de PROBABILIDAD Y ESTAD ISTICA

5 6 13 20 28 35 39 45 52 74 83 84 84 86 88 89 93 99 107 139 167

Blaise Pascal (Francia, 16231662)

Pierre de Fermat (Francia, 16011665)

{ : A y B}, { : A y B}, / { : A}. /

Axiomas de la probabilidad 1. P (A) 0. 2. P () = 1. 3. P (A B) = P (A) + P (B), cuando A B = .

Parte 1. PROBABILIDAD Proposicin. Si A B, entonces P (B A) = P (B) P (A). o

Demostracin. Usando la frmula para dos eventos y agrupando adecuadamente, o o P (A B C) = P [(A B) C]

= P (A B) + P (C) P ((A B) C) = P (A) + P (B) P (A B) + P (C) P ((A C) (B C))

= P (A) + P (B) + P (C) P (A B) P (A C) P (B C) +P (A B C).

1.3. Analisis combinatorio

1.3. Analisis combinatorio

1.3. Analisis combinatorio

1.3. Analisis combinatorio

Muestras con orden

con reemplazo nk n+k1 k

sin reemplazo n! (n k)! n k

1.4. Probabilidad condicional e independencia

Probabilidad condicional e independencia

P (Ai )P (Aj )P (Ak ),

1.4. Probabilidad condicional e independencia

Demostracin. Primero observemos que el evento A puede escribirse como sigue o

en donde los eventos A B1 , . . . , A Bn son ajenos dos a dos, de modo que

1.4. Probabilidad condicional e independencia

1.4. Probabilidad condicional e independencia

0.95 0.01 0.95 0.01 + 0.04 0.99

1.5. Variables aleatorias

d) V (x, y) = |x| + |y|, e) W (x, y) = xy,

producto de las coordenadas.

1.5. Variables aleatorias

Funciones de densidad y de distribucin o

1.6. Funciones de densidad y de distribucion

Parte 1. PROBABILIDAD b) f (x) = (2x 5)2 /70, para x = 1, 2, 3, 4, 5.

1.6. Funciones de densidad y de distribucion

1.6. Funciones de densidad y de distribucion

Parte 1. PROBABILIDAD Demostracin. o

Esperanza, varianza, momentos

1.7. Esperanza, varianza, momentos

x f (x) 1 1/8 + 0 4/8 + 1 1/8 + 2 2/8 1/2.

g(x)fX (x) dx.

1.7. Esperanza, varianza, momentos

He aqui algunas propiedades generales de la esperanza.

1.7. Esperanza, varianza, momentos

+(1 1/2)2 1/8 + (2 1/2)2 2/8 1.

(1 1/2)2 1/8 + (0 1/2)2 4/8

(2x3 8x2 /3 + 8x/9) dx

(x4 /2 8x3 /9 + 4x2 /9)

Ahora enunciamos algunas propiedades de la varianza.

E[X 2 2XE(X) + E 2 (X)] E(X 2 ) 2E(X)E(X) + E 2 (X) E(X 2 ) E 2 (X).

1.8. Distribuciones de probabilidad

1.8. Distribuciones de probabilidad

1.8. Distribuciones de probabilidad

1.8. Distribuciones de probabilidad

f (x) 0.3 0.2 0.1 x

1.8. Distribuciones de probabilidad

1.8. Distribuciones de probabilidad Distribucin binomial o f (x) =

Parmetro: > 0. a Media: . Varianza: .

Distribucin hipergeomtrica o e f (x) =

1.8. Distribuciones de probabilidad

1.8. Distribuciones de probabilidad

xa1 (1 x)b1 dx,

1.8. Distribuciones de probabilidad

1.8. Distribuciones de probabilidad