Probabilidad y Estadistica

Versin preliminar o
Una introduccin a la o PROBABILIDAD Y ESTAD ISTICA

Luis Rincn o Departamento de Matemticas a Facultad de Ciencias UNAM Circuito Exterior de CU 04510 Mxico DF e
El presente texto corresponde a la versin electrnica de agosto de 2006. o o Este material se encuentra en permanente actualizacin y correccin. o o La ultima versin disponible puede obtenerse en o http://www.matematicas.unam.mx/lars
Se sugiere imprimir por ambos lados, cortar todas las hojas por la linea punteada y despus encuadernar. e La caja mide 16cm por 21.5cm si se imprime sin reduccin. o
Prefacio
El presente texto constituye el material completo del curso semestral de Probabilidad y Estadstica, impartido por el autor en la Facultad de Ciencias de la UNAM. Contiene el temario bsico para un curso elemental e introductorio de probabilidad a y estad stica, as como una coleccin de ejercicios. o El texto est dirigido a alumnos de las distintas carreras de ingenier ciencias a a, de la computacin, y otras carreras cient 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 demostracin de e a o los resultados, sino en el uso, interpretacin y aplicacin de stos. Como prerequio o e sitos para una lectura provechosa de este material, se requiere, en determinados momentos, tener cierta familiaridad con algunos conceptos elementales de lgebra a A y del clculo diferencial e integral. El texto fue escrito en el sistema L TEX, y la a mayor de las ilustraciones fueron elaboradas usando el paquete pstricks. a Dado el caracter preliminar de este trabajo, el autor agradece cualquier comentario, sugerencia o correccin enviada al correo electrnico que aparece abajo. o o Luis Rincn o Agosto 2006 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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
5 7 12 19 27 34 38 44 51 70 75 75 76 77 79 80 84 90 95 95 96
A. Formulario A.1. El alfabeto griego . . . . . . . . . . . . . . . . . . . . . . . . . . . . A.2. Tabla de la distribucin normal estndar . . . . . . . . . . . . . . . o a
Contenido 97
B. Ejercicios
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 u por uno de ellos aparece en tres ocasiones antes que el n mero del u contrario al lanzar sucesivamente un dado. Suponga que el nmero de u uno de los jugadores ha aparecido dos veces y el n mero del otro una u sola vez. Cmo debe dividirse el total de la apuesta si el juego se o suspende? 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 Fero mat (1601-1665) e inician un intercambio de cartas a propsito del problema. Esto o sucede en el a o de 1654. Con ello se inician algunos esfuerzos por dar solucin a n o 5
Parte 1. PROBABILIDAD
ste y otros problemas similares que se plantean. Con el paso del tiempo se sientan e las bases y las experiencias necesarias para la b squeda de una teor matemtica u a a que sintetice los conceptos y los mtodos de solucin de los muchos problemas e o particulares resueltos a lo largo de varios a os. n
Blaise Pascal (Francia, 16231662)
Pierre de Fermat (Francia, 16011665)
En el segundo congreso internacional de matemticas, celebrado en la ciudad de a Paris en el a o 1900, el matemtico David Hilbert (1862-1943) plantea 23 pron a blemas matemticos de importancia. Uno de estos problemas es el de encontrar a axiomas o postulados a partir de los cuales se pueda construir una teor maa temtica de la probabilidad. Aproximadamente treinta aos despus, en 1933, el a n e matemtico ruso A. N. Kolmogorov (1903-1987) propone ciertos axiomas que a la a postre resultaron adecuados para la construccin de una teor de la probabilidad. o a Esta teor prevalece hoy en d y ha adquirido el calicativo de teor clsica. a a a a Actualmente la teor clsica de la probabilidad se ha desarrollado y extendido a a enormemente gracias a muchos pensadores que han contribu a su crecimiento, do y es sin duda una parte importante y bien establecida de las matemticas. Ha a resultado util para resolver problemas puramente matemticos, pero sobre todo y a principalmente, para modelar situaciones reales o imaginarias, en donde el azar es relevante.
1.1. Introduccion
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 sencillo y cotidiano de un experimento aleatorio es el de lanzar una moneda a o un dado, y aunque estos experimentos pueden parecer muy sencillos, algunas personas los utilizan para tomar decisiones en sus vidas. En principio no sabemos cul ser el resultado del experimento aleatorio, asi que por lo menos conviene a a agrupar en un conjunto a todos los resultados posibles. El espacio muestral (o espacio muestra) de un experimento aleatorio es el conjunto de todos los posibles resultados del experimento, y se le denota generalmente por la letra griega (omega). En algunos textos se usa tambin la letra S para denotar al espacio muestral. e Esta letra proviene del trmino sampling space de la lengua inglesa equivalente a e espacio muestral. Llamaremos evento a cualquier subconjunto del espacio muestral y denotaremos a los eventos por las primeras letras del alfabeto en may sculas: u A, B, C, etc. 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. u Si al lanzar un dado una vez obtenemos el n mero 4, decimos entonces que u se observ la ocurrencia del evento A = {2, 4, 6}, y si se obtiene por ejemplo el o resultado 1 decimos que no se observ la ocurrencia del evento A. o 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.
Conjuntos
Supondremos entonces que el espacio muestral de un experimento aleatorio es nuestro conjunto universal y cualquier elemento de lo denotaremos por (omega min scula). El conjunto vac lo denotaremos por . Otros s u o mbolos usuales son los de pertenencia (), o no pertenencia (), de un elemento en un conjunto, y / los de contencin (, ), o no contencin (), de un conjunto en otro. Si A es un o o conjunto, denotamos la cardinalidad o n mero de elementos de ese conjunto por u el s mbolo #A. Sean A y B dos subconjuntos cualesquiera de . Recordamos a continuacin las o operaciones bsicas de unin, interseccin, diferencia y complemento: a o o AB AB Ac AB = = = = { : A B}, o { : 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. Mostramos a continuacin en o o diagramas de Venn estas operaciones.
AB AB
El complemento de un conjunto A se denota por Ac y se dene como la coleccin de o aquellos elementos de que no pertenecen al conjunto A. Mediante un diagrama de Venn ilustramos grcamente las operaciones de diferencia y complemento. a
1.1. Introduccion
B A
AB Ac
Es fcil vericar que el conjunto vac y el conjunto total satisfacen las sia o guientes propiedades elementales: A = A, A = , A = A, A Ac = , A Ac = .
A = ,
Las operaciones unin e interseccin son asociativas, esto es, satisfacen las siguieno o tes igualdades: A (B C) A (B C) y tambin son distributivas, es decir, e A (B C) = (A B) (A C), = (A B) C, = (A B) C,
A (B C)
= (A B) (A 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 siguiente gura ilustramos grcamente el conjunto resultante de efectuar a la diferencia simtrica entre los conjuntos A y B. Visualmente es fcil comprobar e a que la diferencia simtrica tambin puede escribirse como (A B) (B A). e e
10
AB
Recordemos adems las leyes de De Morgan, a (A B)c (A B)c = Ac B c , = Ac B c .
La validez de estas igualdades puede extenderse a colecciones nitas e incluso arbitrarias de conjuntos.
Conjuntos ajenos
Decimos que dos conjuntos A y B son ajenos (o disjuntos) si se cumple la igualdad A B = , es decir, 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 = {5, 6} son ajenos pues no hay ning n elemento com n entre ellos. u u Este concepto puede extenderse al caso de varios conjuntos de la siguiente forma: Decimos que n conjuntos A1 , A2 , . . . , An 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.
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
1.1. Introduccion conjunto 2 consta de 8 elementos, a saber, 2 = {, {a}, {b}, {c}, {a, b}, {a, c}, {b, c}, {a, b, c}}.
11
No es dif demostrar que #(2 ) = 2# , es decir, el n mero de elementos en el cil u conjunto 2 es exactamente 2 elevado a la potencia dada por el n mero de elemenu tos en . De este hecho proviene la notacin usada para el conjunto potencia: 2 . o Para el ejemplo anterior se comprueba que efectivamente #(2 ) = 2# = 23 = 8.
Producto Cartesiano
Finalmente recordemos que el producto Cartesiano de dos conjuntos A y B, denotado por AB, se dene como la coleccin de todas las parejas ordenadas (a, b), en o 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 u a u de A es el n mero n, y la cardinalidad de B es m, entonces la cardinalidad del u conjunto A B es el producto n m. Ms generalmente, a #(A1 A2 An ) = #A1 #A2 #An . 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 experimentos aleatorios. En la siguiente seccin estudiaremos algunas formas de denir mao temticamente la probabilidad de un evento cualquiera. a
12
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 cuestin. u o Existen al menos cuatro deniciones de probabilidad que explicamos a continuacin. o
Probabilidad clsica a
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 conjunto u A. Claramente esta denicin es slo vlida para espacios muestrales nitos, pues o o a forzosamente necesitamos suponer que el n mero de elementos en es nito. u Adems, el espacio debe ser equiprobable, pues para calcular la probabilidad de a un evento A, unicamente necesitamos contar cuntos elementos tiene A respecto a del total , sin importar exactamente qu elementos particulares sean. Por lo e 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 A = {2, 4, 6}, entonces u P (A) = 3 1 #{2, 4, 6} = = . #{1, 2, 3, 4, 5, 6} 6 2
Probabilidad frecuentista
Supongamos que realizamos n veces un cierto experimento aleatorio y sea A un evento cualquiera. Denotemos por n(A) el n mero de ocurrencias del evento A, en u
1.2. Probabilidad
13
las n realizaciones del experimento. Se dene entonces la probabilidad frecuentista de A como indica el siguiente l mite P (A) = l m n(A) . n
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 a posible encontrar mediante este mecanismo la probabilidad de un evento cualquiera. Esta limitacin hace que esta denicin de probabilidad no sea enteramente o o formal, pero 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 e dado 20 veces obtuvimos 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 siguiente grca 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
14
n(A) n
1 2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Regularidad estad stica del cociente n(A) . n
Probabilidad subjetiva
En este caso la probabilidad de un evento depende del observador, es decir, seg n lo u que el observador conoce del fenmeno en estudio. Puede parecer un tanto informal o y poco serio esta forma de denir la probabilidad de 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 inters y saber si la o o e probabilidad de un evento es alta o baja. Por ejemplo, cul es la probabilidad a de que nuestro equipo favorito de futbol gane en su prximo partido? Ciertas o circunstancias internas del equipo, las condiciones del equipo rival o cualquier otra condicin externa, son elementos que slo algunas personas conocen y que o o podr darnos una idea ms exacta de esta probabilidad. an a
Probabilidad axiomtica a
En la denicin axiomtica de la probabilidad no se establece la forma expl o a cita de calcular las probabilidades sino unicamente se proponen las reglas que el clculo a
1.2. Probabilidad
15
de probabilidades debe satisfacer. Los siguientes son tres postulados o axiomas1 establecidos en 1933 por el matemtico ruso A. N. Kolmogorov. a
Axiomas de la probabilidad 1. 2. 3. P (A) 0. P () = 1. 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 cil estos tres axiomas. De hecho, estos postulados han sido tomados directamente del anlisis cuidadoso y reexivo de las deniciones de probabilidad mencionadas a anteriormente. En particular observe que el tercer axioma es vlido no slo para a o dos eventos ajenos sino para cualquier coleccin nita de eventos ajenos dos a dos. o A cualquier funcin P que satisfaga los tres axiomas de Kolmogorov se le llama o medida de probabilidad, o simplemente probabilidad. Como consecuencia de estos postulados es posible demostrar que la probabilidad cumple, entre otras, con las siguientes propiedades. Proposicin. Para cualquier evento A, P (Ac ) = 1 P (A). o Demostracin. De la teor elemental de conjuntos tenemos que = A Ac . o a Como 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 o P () = P (c ) = 1 P () = 0.
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
Las siguientes dos proposiciones suponen la situacin A B que se muestra gro a camente a continuacin. o
AB
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. Proposicin. Si A B, entonces P (B A) = P (B) P (A). o 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). Proposicin. Para cualquier evento A, 0 P (A) 1. o Demostracin. Como A entonces 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).
1.2. Probabilidad
17
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). En la primera de las siguientes guras el lector puede comprobar la validez de la frmula anterior identicando las tres regiones ajenas de las que consta A B. o El trmino P (A) abarca las primeras dos regiones de izquierda a derecha, P (B) e abarca la segunda y tercera regin. Observe entonces que la regin central ha sido o o contada dos veces de modo que el trmino P (A B) da cuenta de ello. De esta e forma las tres regiones son tomadas en cuenta una sola vez y el resultado es la probabilidad del evento A B.
AB
C ABC
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
18
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 arriba. Para e ello siga los trminos del lado derecho de la frmula y compruebe que cada regin e o o es contada una sola vez de modo que el resultado nal es la probabilidad 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).
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).
A manera de resumen presentamos a continuacin una tabla con las propiedades o de la probabilidad que hemos demostrado.
1.3. Analisis combinatorio
19
Algunas propiedades de la probabilidad a) b) c) d) e) f) g) P (Ac ) = 1 P (A). P () = 0. Si A B entonces P (A) P (B). Si A B entonces P (B A) = P (B) P (A). 0 P (A) 1. P (A B) = P (A) + P (B) P (A B). 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 o o otra propiedad de la probabilidad. Otras propiedades sencillas pueden encontrarse en la seccin de ejercicios. Debemos tambin decir que las demostraciones no son o e unicas, y que es altamente probable que el lector pueda producir alguna demos tracin diferente a las que aqu se han presentado. o
1.3.
Anlisis combinatorio a
Es muy frecuente que en un experimento aleatorio el espacio muestral sea un conjunto nito y cada elemento de este conjunto tenga la misma probabilidad de ocurrir, es decir, que el espacio sea nito y equiprobable. En estos casos hemos denido la probabilidad clsica de un evento A como sigue: a P (A) = #A . #
Para poder aplicar esta denicin necesitamos saber contar cuntos elementos o a tiene un conjunto A. Cuando podemos poner en una lista todos y cada uno de
20
los elementos de dicho conjunto, entonces es fcil conocer la cardinalidad de A, a simplemente contamos todos los elementos uno por uno. Sin embargo, es com n u enfrentar situaciones en donde no es factible escribir en una lista cada elemento de A, por ejemplo, Cuntos n meros telefnicos existen que contengan por lo menos a u o un cinco? Estoy seguro que nadie en su sano juicio intentar escribir uno a uno a todos estos n meros telefnicos. En esta seccin estudiaremos algunas tcnicas de u o o e conteo que nos ayudarn a calcular la cardinalidad de un evento A en ciertos casos a particulares. El principio de multiplicacin que enunciamos a continuacin es la o o base de muchos de los clculos en las tcnicas de conteo. a e
Principio de multiplicacin o
Si un procedimiento puede efectuarse de n formas distintas y un segundo procedimiento 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. Para ilustrar el principio de multiplicacin considere el siguiente ejemplo. o Ejemplo. Un experimento aleatorio consiste en seleccionar un dado y despus see leccionar al azar una letra del alfabeto. Cul es la cardinalidad del correspondiente a espacio muestral? 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 solamente para dos procedimientos sino o a que tambin vale para cualquier sucesin nita de procedimientos. Por ejemplo, si e o A1 , A2 , . . . , Ak denotan k procedimientos sucesivos entonces el principio de multiplicacin se puede enunciar en s o mbolos de la forma siguiente: #(A1 Ak ) = #A1 #Ak . 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 siguiente gura:
21
n objetos
k extracciones
urna
muestra
Ordenaciones con repeticin: o Muestras con orden y con reemplazo

Suponga 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 el o 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 do al hacer k extracciones es nk , pues en cada extraccin tenemos n objetos posibles o para escoger y efectuamos k extracciones. Esta frmula es consecuencia del prino cipio de multiplicacin enunciado antes. A este n mero se le llama ordenaciones o u con repeticin. Veamos un ejemplo. o 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 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.
22
Ordenaciones sin repeticin: o Muestras con orden y sin reemplazo

A veces no queremos ordenar todos los n objetos de un conjunto sino unicamente k de ellos (k n) y sin repetirlos. La respuesta al total de arreglos lineales que podemos obtener de este modo es el n mero: n(n 1)(n 2) (n k + 1). u Primeramente debemos observar que hay k factores en la expresin anterior. El o primer factor es debido a que tenemos cualesquiera de los n objetos para ser colocado en primera posicin, para la segunda posicin tenemos ahora n1 objetos, o o para la tercera n 2 objetos, etc. Este razonamiento termina al escoger el ksimo objeto para cual tenemos unicamente n k + 1 posibilidades. Nuevamente e por el principio multiplicativo, la respuesta es el producto indicado. La expresin o encontrada puede escribirse como sigue: P (n, k) = y se lee permutaciones de n en k. 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 o o de ellos. La respuesta es entonces 10 9 8 = 720 distintas asignaciones de los tres primeros lugares en la rifa. n! , (n k)!
Permutaciones: Muestras exhaustivas con orden y sin reemplazo

La pregunta bsica acerca del total de formas en que podemos poner en orden a lineal (uno detrs de otro y por lo tanto no hay repeticin) n objetos distintos a o tiene como 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 usa u e la notacin P (n) = n!. Adicionalmente y por conveniencia se dene 0! = 1. o
23
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 multiplicativo la respuesta es entonces el producto de estos n meros. u
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 muesn tras deben ser sin orden y sin reemplazo. Es decir, en la muestra no debe haber elementos repetidos, pues no hay reemplazo, y adems la muestra debe verse como a un conjunto pues no debe haber orden entre sus elementos. Cuntas diferentes a muestras podemos obtener de estas caracter sticas? Para responder a esta pregunta seguimos el razonamiento siguiente. 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 k
ank bk .
24
Para los casos n = 2 y n = 3 el teorema del binomio se reduce a las siguientes frmulas que estoy seguro el lector conoce: o (a + b)2 (a + b)3 = = a2 + 2ab + b2 . a3 + 3a2 b + 3ab2 + b3 .
Ejemplo. Cuntas equipos distintos de tres personas pueden formarse de un a grupo de 5 personas? Observe que el orden de las tres personas escogidas no importa de modo que la respuesta es 5 3 = 5! = 10. 3!(5 3)!
El coeciente binomial es tambin una forma de generar las entradas del as llae mado tringulo de Pascal, que puede observarse en la siguiente gura: 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
Primeros renglones del tringulo de Pascal. a
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, a u es la suma de los dos n meros inmediatos del rengln anterior. A este respecto u o vase por ejemplo el Ejercicio 67 en la pgina 102. e a
25
Coeciente 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 asi sucesivamente, hasta km objetos del tipo m, en donde k1 + k2 + + km = n. Entonces estos n objetos pueden todos ordenarse uno detrs de otro de tantas formas distintas como indica el as llamado coeciente a multinomial: k1 k2 n 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 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 = k1 n km ak1 ak2 akm , m 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 ?
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 do puede ser elegido nuevamente), y en donde el orden de la muestra no es relevante.
26
Para encontrar una frmula para el total de muestras que pueden obtenerse con o estas caracter sticas usaremos una modelacin distinta pero equivalente. Consideo remos el siguiente arreglo de n casillas junto con la siguiente interpretacin. o
1 2
n1
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 seleca cionada, etc. El n mero de cruces en la casilla i indica entonces el n mero de veces u u que la 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 u obtenerse con estas caracter sticas, y debe ser claro, despus de algunos momentos e de reexin, que ste es el n mero de muestras de tama o k, con reemplazo y sin o e u n orden, que se pueden obtener de un conjunto de n elementos distinguibles. Consideremos que las dos paredes en los extremos de este arreglo son jas, estas parades se encuentran ligeramente remarcadas. Consideremos adems que las poa siciones intermedias, cruz o linea vertical, pueden moverse. En total hay n + k 1 objetos movibles y cambiar de posicin estos objetos produce las distintas cono guraciones posibles que nos 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 frmulas o
En el contexto de muestras de tama o k tomadas de un conjunto de cardinalidad n n y a manera de resumen parcial tenemos la siguiente tabla de frmulas. o
1.4. Probabilidad condicional e independencia
27
Muestras con orden
con reemplazo nk
sin reemplazo n! (n k)! n k
sin orden
n+k1 k
Nota importante. Debemos hacer nfasis sin embargo en que para resolver un proe blema 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.
1.4.
Probabilidad condicional e independencia
En esta seccin se estudian los conceptos importantes de probabilidad condicional o e independencia. Estos conceptos surgieron de manera natural en el proceso de encontrar solucin a algunos problemas provenientes de situaciones reales. Se deo muestran adems dos resultados de amplia aplicacin: el teorema de probabilidad a o total y el teorema de Bayes.
Probabilidad condicional
Sean A y B dos eventos en donde P (B) > 0. 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)
28
La expresin P (A|B) se lee entonces probabilidad condicional del evento A dado o el evento B o simplemente probabilidad de A dado B. Para que la denicin o tenga sentido se necesita suponer que P (B) > 0. No se dene P (A|B) cuando P (B) = 0. El evento B representa informacin adicional acerca del experimento o aleatorio. Mediante un ejemplo sencillo se ilustra a continuacin el uso y signicado o de la probabilidad condicional. Ejemplo. Considere el experimento de lanzar un dado equilibrado. Claramente el espacio muestral es = {1, 2, 3, 4, 5, 6} el cual es equiprobable. Sean los eventos A = {2} y B = {2, 4, 6} = Cae par. Entonces P (A) = 1/6 mientras que P (A|B) = 1/3. Observe que conocer la informacin de la ocurrencia del evento B, o ha afectado la probabilidad del evento A. Proposicin (Regla del producto). Sean A1 , A2 , . . . , An eventos tales que P (A1 o An1 ) > 0. Entonces P (A1 An ) = P (A1 )P (A2 |A1 )P (A3 |A1 A2 ) P (An |A1 An1 ). La demostracin de esta frmula es sencilla pues simplemente se escribe la deo o nicin de cada probabilidad condicional en el lado derecho, se cancelan trminos o e y lo que resulta es el lado izquierdo.
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 equivalente a la expresin o o P (A|B) = P (A) cuando P (B) > 0. La ventaja de esta ultima expresin es que o posee una interpretacin sencilla: Dice que la probabilidad del evento A es la miso ma 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 a puede interpretarse la igualdad equivalente P (B|A) = P (B), suponiendo naturalmente que P (A) > 0. En la mayor de los casos de aplicacin simplemente a o supondremos que dos eventos dados son independientes recurriendo unicamente a justicaciones intuitivas. La denicin de independencia de dos eventos pueo de generalizarse al caso de varios eventos de la siguiente forma: Decimos que n
29
eventos A1 , A2 , . . . , An son independientes si se satisfacen todas y cada una de las condiciones siguientes: P (Ai Aj ) = P (Ai Aj Ak ) = . . . P (A1 An ) = P (Ai )P (Aj ), i, j distintos. P (Ai )P (Aj )P (Ak ), i, j, k distintos.
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 vericarlas todas. No es dif darse cuenta que el total de igualdades es cil 2n n 1. Puede usted justicar este resultado?
Teorema de probabilidad total

Antes de enunciar el siguiente resultado recordaremos el concepto de particin de o un conjunto. Una particin nita de un conjunto es una coleccin B1 , B2 , . . . , Bn o o de subconjuntos de tal que cada uno de estos conjuntos es distinto del vac la o, coleccin es disjunta dos a dos, esto es, para o ndices i y j distintos, se cumple que Bi Bj = 0, y adems la unin de toda la coleccin produce el total , es decir, a o o B1 B2 Bn = . En la gura siguiente mostramos grcamente el concepto a de particin de un conjunto. o
B1 , B2 , . . . , Bn es una particin o del conjunto . Ahora podemos enunciar y demostrar el muy util teorema de probabilidad total. Bi
30
Teorema de Probabilidad Total. Sea B1 , B2 , . . . , Bn una particin de tal o que P (Bi ) > 0. Sea A cualquier evento. Entonces
n
P (A) =
i=1
P (A|Bi )P (Bi ).
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 Bi , para i = 1, 2, . . . , n, son ajenos. De modo que

n
P (A) = =
P(
i=1 n i=1 n
A Bi )
P (A Bi ) P (A|Bi )P (Bi ).
=
i=1
Cuando la particin de consta de unicamente dos elementos: B y B c , la frmula o o del teorema de probabilidad total se reduce a la siguiente expresin sencilla: o P (A) = P (A|B)P (B) + P (A|B c )P (B c ). Consideraremos a continuacin algunos ejemplos de aplicacin del teorema de proo o babilidad total. Ejemplo. Supongamos que tenemos dos cajas: una con 3 bolas de color rojo y 7 de color negro, la otra con 6 rojas y 6 negras. Si se elije una caja al azar y despus e se saca una bola, cul es la probabilidad de que sea de color rojo? El experimento a aleatorio consiste entonces en escoger una caja al azar y despues escoger una bola de la caja escogida. Es claro entonces que el espacio muestral puede escribirse como sigue = {(C1 , R), (C1 , N ), (C2 , R), (C2 , N )},
31
en donde C1 y C2 denotan los eventos en donde las cajas uno y dos fueron escogidas, respectivamente, y R y N denotan los eventos en donde una bola roja y negra fueron escogidas respectivamente. Nos piden calcular la probabilidad de R. Es fcil a calcular la probabilidad de este evento cuando sabemos cul caja fue escogida. Esto a sugiere entonces condicionar sobre el resultado de escoger alguna de las dos cajas y aplicar el teorema de probabilidad total, es decir,
P (R) = P (R|C1 )P (C1 ) + P (R|C2 )P (C2 ) 6 1 3 1 + = 10 2 12 2 2 . = 5 Observe que la particin de consta de dos elementos: {(C1 , R), (C1 , N )} y o {(C2 , R), (C2 , N )}. 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 e M H D = La persona escogida es mujer. = La persona escogida es hombre. = La persona escogida es daltnica. o
Deseamos calcular P (D). Por el teorema de probabilidad total, P (D) = = = P (D|M )P (M ) + P (D|H)P (H) 4 1 1 1 + 100 2 100 2 1 . 40
32
Teorema de Bayes
Otro resultado interesante que involucra probabilidades condicionales es el famoso teorema de Bayes. Este resultado fue publicado por primera vez en 1763, dos a os n despus de la muerte de su creador, el matemtico y telogo ingls Thomas Bayes. e a o e
Teorema de Bayes. Sea B1 , B2 , . . . , Bn una particin de tal que P (Bi ) > 0, o y sea A un evento tal 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
Nuevamente observamos que en el caso cuando la particin de consta de slo o o dos elementos: B y B c , el teorema de Bayes, para el evento B, adquiere la forma simple: P (A|B)P (B) P (B|A) = . P (A|B)P (B) + P (A|B c )P (B c ) Ejemplo. En una fbrica hay dos mquinas, que denotaremos por A y B. La a a mquina A realiza el 60 % de la produccin total y la mquina B el 40 %. De su a o a produccin, la mquina A produce 3 % de material defectuoso, la B el 5 %. Se ha o a
33
encontrado un material defectuoso, cul es la probabilidad de que este material a defectuoso provenga de la mquina B? Sean los eventos a A B D = La mquina A produjo el material escogido. a = La mquina B produjo el material escogido. a
= El material escogido es defectuoso.
Nos preguntan P (B|D) y obervamos que la informacin que tenemos es P (D|B). o Por el teorema de Bayes tenemos entonces que P (B|D) = = = P (D|B)P (B) P (D|A)P (A) + P (D|B)P (B)
3 100 5 40 100 100 60 5 100 + 100 40 100
10 . 19
Ejemplo. En un laboratorio se descubri una prueba para detectar cierta enfero medad, 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 .
34
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 . Esta ultima probabilidad es demasiado peque a y por lo tanto la prueba no es n muy conable en tales casos.
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. e En 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 siguiente gura. a
1.5. Variables aleatorias X
35
X() = x
Una variable aleatoria es una funcin X del conjunto en R. o
Debemos hacer aqui varias observaciones. Primeramente seguiremos la notacin o usual de usar la letra may scula X para denotar de manera general una variau ble aleatoria cualquiera. Es importante observar que X (may scula), denota una u variable aleatoria, es decir, una funcin de en R, mientras que x (min scula), o u denota un n mero real. Veamos algunos ejemplos sencillos. 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 y Cruz los dos lados de la moneda. Entonces claramente el espacio muestral es el conjunto = {Cara, Cruz}. Dena la variable aleatoria X : R como sigue X(Cara) X(Cruz) = 0, = 1.
De este modo podemos suponer entonces que el experimento aleatorio tiene dos valores numricos posibles: 0 y 1. Observe que los n meros 0 y 1 son en realidad e u arbitrarios y bien pueden ser escogidos otro par de n meros reales. u Ejemplo. Considere nuevamente el experimento aleatorio sencillo de lanzar una moneda. Podemos denir otra variable aleatoria Y : R de la siguiente forma Y (Cara) = Y (Cruz) = 2. En este caso la variable Y solo toma un valor, el n mero 2. Cualquier resultado u del experimento aleatorio produce, a travs de la funcin Y , el n mero 2. Decimos e o u
36
entonces que Y es la variable aleatoria constante 2.
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}. Deniremos a continuacin varias variables aleatorias, es decir funciones de en o R, 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).
Observe que cada uno de estos ejemplos es una funcin de en R, y por lo tanto o cada una de estas funciones es una variable aleatoria. Ahora, si consideramos el conjunto de valores que una variable aleatoria puede tomar, podemos clasicar las variables aleatorias en al menos dos tipos: discretas y continuas. Decimos que una v.a. es discreta cuando el conjunto de valores que sta e toma es un conjunto 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 o pues existen variables que no son de ninguno de los dos tipos mencionados. Por simplicidad en este curso estudiaremos unicamente variables aleatorias que son discretas o continuas. 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}.
1.5. Variables aleatorias
37
En palabras, la expresin (X A) denota aquel subconjunto de cuyos elementos o son tales que bajo la aplicacin de la funcin X toman un valor numrico contenido o o e en el conjunto A. Ejemplo. Consideramos nuevamente el ejemplo anterior de lanzar una moneda. Tenemos por ejemplo que (X [1, )) = {Cruz} pues el conjunto de elementos de (solo hay dos elementos en ) tales que bajo la funcin X toman un valor o numrico mayor o igual a uno, es decir caen dentro del intervalo [1, ), es unicae mente el elemento Cruz. Por lo tanto P (X [1, )) = P {Cruz} = 1/2. Del mismo modo puede vericarse que a) (X [1, 2)) = {Cruz}, por lo tanto P (X [1, 2)) = 1/2. b) (X [0, 1)) = {Cara}, por lo tanto P (X [0, 1)) = 1/2. c) (X [2, 4]) = , por lo tanto P (X [2, 4]) = 0. d) (X = 1) = {Cruz}, por lo tanto P (X = 1) = 1/2. e) (X 1) = , por lo tanto P (X 1) = 0. f) (X 0) = , por lo tanto P (X 0) = 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) = 1 P (X > x). Nota importante. A travs de una variable aleatoria podemos considerar ahora que e los posibles resultados de un experimento aleatorio no son elementos en sino n meros reales que la variable aleatoria puede tomar. Ya no consideraremos los u eventos (subconjuntos) de sino que ahora nuestros eventos sern subconjuntos a de R. De este modo la probabilidad del evento intervalo (a, b) es la probabilidad P (X (a, b)). A partir de ahora y en lo que resta del curso el trmino variable e aleatoria constituir un elemento bastante frecuente en nuestros enunciados. a
38
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 o e continua, y nalmente deniremos la funcin de distribucin para ambos tipos de o o variables aleatorias.
Funcin de probabilidad para una variable discreta o

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 e sus probabilidades puede ser nita o bien innita, pero numerable. La funcin de o densidad de la variable X denotada por f (x) : R [0, ) se dene como sigue f (x) = P (X = x) 0 si x = x1 , x2 , . . . otro caso.
Recordemos que es importante poder distinguir entre X y x, pues conceptualmente son cosas muy distintas. Denotaremos generalmente a una funcin de densidad con o la letra f min scula de modo que el sub u ndice X nos ayuda a determinar que fX (x) es la funcin de densidad de la variable X. Esta notacin ser particularmente util o o a cuando consideremos varias variables aleatorias a la vez. 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 densidad o de X es 0.3 si x = 1, 0.5 si x = 2, f (x) = 0.2 si x = 3, 0 otro caso. Grcamente, a
1.6. Funciones de densidad y de distribucion

f (x) 0.5 0.3 0.2 x
39
Grca de una funcin de probabilidad. a o
Alternativamente podemos tambin expresar esta funcin mediante la siguiente e o tabla: x 1 2 3 f (x) 0.3 0.5 0.2 En 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 usted que las siguientes probabilidades son correctas. P (X 2) = P (X = 2) + P (X = 3) = 0.7, P (|X| = 1) = P (X = 1) = 0.3, P (X < 1) = 0.
Funcin de densidad para una variable continua o

Sea X una variable aleatoria continua. Decimos que la funcin integrable y no o negativa f (x) : R [0, ) es la funcin de densidad de X si para cualquier o intervalo (a, b) de R se cumple la 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
40
intervalo (a, b). De esta forma el clculo de una probabilidad se reduce al clculo a a de una integral. Por ejemplo, la funcin f (x) dada por o f (x) = 1/2 0 si x (1, 3), otro caso.
es una funcin de densidad de una variable aleatoria continua cuya grca aparece o a en la siguiente gura:
f (x)
1 2
Ejemplo de una funcin de densidad. o
No es dif comprobar que toda funcin de densidad f (x) de una variable aleatoria cil o continua cumple las siguientes propiedades: a) f (x) 0, para toda x R. b)
f (x) dx = 1.
Estas dos propiedades se obtienen realmente de la denicin de funcin de densidad o o para una variable continua. Efectivamente a f (x) se le pide ser no negativa en la denicin, adems o a

f (x) dx = P (X R) = P () = 1.
Toda funcin f (x) : R [0, ) que satisfaga las dos propiedades de la proo posicin anterior, sin necesidad de tener una variable aleatoria de por medio, se o llamar funcin de densidad. Es fcil escribir las dos propiedades equivalentes para a o a funciones de densidad de variables discretas. La primera propiedad es idntica y en e la segunda propiedad sustituimos la integral por una suma sobre todos los posible
41
valores de la variable. A la funcin de densidad de una variable discreta tambin o e se le conoce con los nombres de funcin de probabilidad o funcin de masa de o o probabilidad.
f (x)
P (X (a, b)) = a
x
f (x) dx
a
b
La probabilidad como un rea. a
Ejemplo. Encontraremos el valor de la constante c que hace que la siguiente funcin sea de densidad. o a) f (x) = b) f (x) = cx 0 c|x| 0 si x = 0, 1, 2, 3. otro caso. si x [1, 1], otro caso.
Para el primer inciso tenemos que X es una variable aleatoria discreta que toma los valores 0, 1, 2 y 3, con probabilidades 0, c, 2c y 3c respectivamente. Como la suma de estas probabilidades debe ser uno, obtenemos entonces la ecuacin o c + 2c + 3c = 1. De aqui obtenemos 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 densidad. En el segundo inciso tenemos un o ejemplo 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
0
cx dx = c.
Por lo tanto, cuando tomamos c = 1 la funcin del inciso (b) resulta ser una funo cin de densidad pues ahora cumple con ser no negativa e integrar uno. o
42
Funcin de distribucin o o
La funcin de distribucin de una variable aleatoria discreta o continua X, denoo o tada por F (x) : R [0, 1], se dene como F (x) = P (X x). A esta importante funcin se le conoce tambin con el nombre de funcin de acumulacin de probao e o o bilidad. Ejemplo. (Una funcin de distribucin discreta). Para el ejemplo anterior de la o o variable discreta X tenemos que la correspondiente funcin de distribucin es o o 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 a continuacin: a o
F (x)
1
0.8
0.3 x
Ejemplo de una funcin de distribucin discreta. o o
Ejemplo. (Una funcin de distribucin continua.) En cambio, para el ejemplo o o anterior de la v.a. continua X, la correspondiente funcin de distribucin es o o si x 1, 0 x (x 1)/2 si x (1, 3), f (u) du = F (x) = P (X x) = 1 si x 3,
cuya grca aparece en la siguiente gura. a
43
F (x)
Ejemplo de una funcin de distribucin continua. o o
Observacin. En el caso continuo tenemos que para toda x en R, o

x
F (x) = P (X x) =
f (u) du,
de modo que por el teorema fundamental del clculo, a d F (x). dx De este modo podemos encontrar f (x) a partir de F (x). f (x) = Proposicin Toda funcin de distribucin F (x) satisface las siguientes proo o o piedades: 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 ). Esto signica que F (x) es una funcin montona no decreciente. o o e) Si x1 x2 , entonces P (x1 < X x2 ) = F (x2 ) F (x1 ). f) F (x) = F (x+), es decir, F (x) es una funcin continua por la derecha2 . o
44
Demostracin. Primeramente tenemos que F (x) es una probabilidad pues por o denicin F (x) = P (X x). Por lo tanto se cumple la propiedad (a). Cuando x o tiende a innito el conjunto (X x) se aproxima al conjunto (X ) que es idntico a , por lo tanto l F (x) = P (X ) = P () = 1. Anlogamente e m a
x
el conjunto (X x) se aproxima al conjunto (X ) = cuando x tiende a menos innito. Por lo tanto l m F (x) = P (X ) = P () = 0. Lo anterior
x
demuestra las propiedades (b) y (c). Para demostrar (d) es suciente observar que si x1 x2 entonces (X x1 ) (X x2 ) y entonces aplicando probabilidad obtenemos P (X x1 ) P (X x2 ). La propiedad (f) es evidente pues 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 ). Finalmente 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 o.
h0
l F (x + h) = F (x) + P () = F (x). m
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 pudieramos considerar la totalidad de todos estos n meros para una persona u en particular, la identicar amos de manera unica. Algo similar sucede con las va riables aleatorias. En esta seccin estudiaremos algunas caracter o sticas numricas e asociadas a las variables aleatorias.
1.7. Esperanza, varianza, momentos
45
Esperanza
La esperanza de una variable aleatoria X cuya funcin de densidad es f (x), es un o n mero denotado por E(X) que se calcula como sigue u xf (x) si X es discreta, x E(X) = xf (x) dx si X es continua.
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 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
xf (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. Ejemplo. Considere la variable aleatoria continua X con funcin de densidad o f (x) = x/2, para x (0, 2), cuya grca se muestra a continuacin a o
f (x)
E(X) x
1 La esperanza de X es entonces E(X) =

2
2 x(x/2) dx = x3 /6
2 0
xf (x) dx =
0
= 4/3.
46
Observe que la integral slo es relevante en el intervalo (0, 2), pues fuera de dicho o intervalo la funcin de densidad se anula. o La esperanza de una variable aleatoria es entonces un n mero que indica el promeu dio ponderado de los diferentes valores que puede tomar la variable. A la esperanza se le conoce tambin con los nombre de: media, valor esperado o valor promedio. e 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 anterior se ilustra en los ejercicios 146 o y 147. La esperanza es uno de los conceptos ms importantes en probabilidad y a tiene un amplio uso en las aplicaciones y otras ramas de la ciencia.
Esperanza de una funcin de una variable aleatoria o

En algunos casos es necesario saber calcular la esperanza de una funcin de una o variable aleatoria. Por ejemplo si X es una variable aleatoria entonces es claro que Y = exp(X 2 ) es una funcin de X. Cul ser la esperanza de Y ? El siguiente o a a resultado es muy util y nos dice cmo resolver este problema. o Proposicin Sea X una variable aleatoria continua y sea g : R R una o funcin tal que g(X) es una variable con esperanza nita. Entonces o E[g(X)] =

g(x)fX (x) dx.
Omitiremos la demostracin de la proposicin anterior y nos concentraremos en o o su uso y aplicacin. o Ejemplo. Calcularemos E(Y ) en donde Y = exp(X 2 ) y X es la variable aleatoria
1.7. Esperanza, varianza, momentos continua del ultimo ejemplo. Por la proposicin anterior tenemos que o E(Y ) = = =
0
47
E[exp(X 2 )]
1
exp(x2 )f (x) dx
exp(x2 ) 2x dx
e 1.
Proposicin (Propiedades de la esperanza). Sea X con esperanza nita y sea o c una constante. Entonces a) E(c) = c. b) E(cX) = c E(X). c) E(X + Y ) = E(X) + E(Y ).
Demostracin. Sea X la variable aleatoria constante c. Entonces por denicin o o E(X) = cP (X = c) = c 1 = c. Esto demuestra el inciso (a). El inciso (b) se sigue directamente de la dencin de esperanza pues tanto en el caso de la suma como o en el caso de la integral, la constante c puede siempre colocarse fuera. El inciso (c) requiere de mayores detalles tcnicos que omitiremos. e
Varianza
Vamos ahora a denir otra caracter stica numrica asociada a las variables aleatoe rias, esta nueva caracter stica se llama varianza. Se denota por Var(X) y se dene
48
como sigue. Var(X) = E (X E(X))2 [x E(X)]2 f (x) x = [x E(X)]2 f (x) dx
si X es discreta.
si X es continua.
La varianza es una medida del grado de dispersin de los diferentes valores tomados o por la variable. Se le denota regularmente por la letra 2 (sigma cuadrada). Nuevamente la correspondiente suma o integral puede no existir y en 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 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) + [0 1/2]2 (4/8) +[1 1/2]2(1/8) + [2 1/2]2 (2/8) 1.
Ejemplo. Calcularemos la varianza de la variable aleatoria continua X con funcin o de densidad 2x si x [0, 1], f (x) = 0 otro caso.
1.7. Esperanza, varianza, momentos En un clculo previo hab a amos encontrado que E(X) = 3/2. Por lo tanto, Var(X) = =
0 1 1
49
[x E(X)]2 f (x) dx x 3 2
2
2x dx
=
0
9 (2x3 6x2 + x) dx 2
1 0
= =
1 9 ( x4 2x3 + x2 ) 2 4 3 . 4
Ahora enunciamos algunas propiedades de la varianza. Proposicin Sean X y Y dos variables aleatorias, y sea c una constante. o Entonces a) Var(X) 0. b) Var(c) = 0. c) Var(cX) = 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 de la denicin de varianza pues en ella o o aparece una suma o integral de trminos no negativos. Para el inciso (b) la conse tante c es una v.a. con un unico valor, de modo que E(c) = c y entonces Var(X) =
50
E(c c)2 = 0. Para el inciso (c) tenemos que Var(cX) = E[cX E(cX)]2 = E[cX cE(X)]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).
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).
Finalmente para demostrar la propiedad (f ) es suciente dar un ejemplo, y ello se muestra en el Ejercicio 156, el cual se encuentra en la pgina 114. a
Momentos
Finalmente denimos el n-simo momento de X, cuando existe, como el n mero e u E(X n ) para cualquier valor natural de n. El n-simo momento central de X, cuane do existe, es E[(X )n ], en donde = 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 continua con funcin de densidad f (x) o entonces el n-simo momento de X, si existe, se calcula como sigue: e E(X n ) =

xn f (x) dx.
Anlogamente, si X es discreta con funcin de densidad f (x), entonces a o E(X n ) =

x
xn f (x),
1.8. Distribuciones de probabilidad
51
en donde la suma se efect a sobre todos los posibles valores x que la variable u aleatoria discreta X puede tomar. El n-simo momento central de X se calcula, e para variables aleatorias continuas y discretas respectivamente, como indican las siguientes frmulas: o E[(X )n ] = E[(X )n ] =
x
(x )n f (x) dx,
(x )n f (x) .
1.8.
Distribuciones de probabilidad
A continuacin estudiaremos algunas distribuciones de probabilidad de variables o aleatorias importantes. Empezaremos con las de tipo discreto y continuaremos despus con las de tipo continuo. Es importante se alar que sta es slamente una e n e o lista parcial de algunas distribuciones de probabilidad de mayor uso.
Distribucin uniforme discreta o

Decimos que una variable aleatoria X tiene una distribucin uniforme discreta o sobre el conjunto de n meros {x1 , x2 , . . . , xn } si la probabilidad de que X tome u cualquiera de estos valores es la misma, es decir, 1/n. Esta distribucin surge en o espacios de probabilidad equiprobables, esto es, en situaciones en donde tenemos n resultados diferentes y todos ellos tienen la misma probabilidad de ocurrencia. Los juegos de loter son un ejemplo donde puede aplicarse esta distribucin de a o probabilidad. Escribimos entonces X unif{x1 , x2 , . . . , xn } si P (X = x) = 1/n si x = x1 , x2 , . . . , xn . 0 otro caso.
La grca de la funcin de probabilidad de la distribucin unif{1, 2, 3, 4, 5} aparece a o o en la siguiente gura.
52
f (x)
1 5
x 1 2 3 4 5
Funcin de probabilidad de la distribucin o o uniforme discreta sobre el conjunto {1, 2, 3, 4, 5}.
Es fcil ver que E(X) = a
1 n
xi y Var(X) =
i=1
1 n
n i=1
(xi E(X))2 .
Distribucin Bernoulli o
Un ensayo Bernoulli se dene como aquel experimento aleatorio con unicamente dos posibles resultados, llamados genricamente xito y fracaso, con probae e bilidades 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 fracaso al n mero 0, o e u u entonces decimos que X tiene una distribucin Bernoulli con parmetro p (0, 1), o a y escribimos X Ber(p). La funcin de probabilidad es entonces o 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 siguiente gura.
53
f (x) 0.7 p =0.7 0.3 x 0 1

Funcin de probabilidad Bernoulli. o
En este caso es muy sencillo vericar que E(X) = p y Var(X) = p(1 p). En la realizacin de todo experimento aleatorio siempre es posible preguntarnos por la o 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 a, esquema general donde surge esta distribucin, que aunque sencilla, es de amplia o aplicacin. o
Distribucin binomial o
Supongamos ahora que tenemos una serie de n ensayos independientes Bernoulli en donde la probabilidad de xito en cualesquiera de estos n ensayos es siempre la e misma probabilidad p. En este caso el experimento aleatorio consiste en realizar sucesivamente n ensayos Bernoulli. Si denotamos por E el resultado xito y por e F el resultado fracaso entonces el espacio muestral consiste de todas las posibles sucesiones de tama o n de caracteres E y F. Esto es, n = {EE EE, F E EE, . . . , F F F F }. Usando el principio multiplicativo, es fcil ver que el conjunto tiene 2n elementos. a Si ahora denimos la variable aleatoria X como aquella que cuenta el n mero de u xitos en cada una de estas sucesiones, esto es e X(EE EE) = n, n 1, 0, X(F E EE) = . . . X(F F F F ) =
54
entonces tenemos que X puede tomar los valores 0, 1, 2, . . . , n con ciertas probabilidades que mencionaremos ms adelante. Decimos entonces que X tiene una a distribucin binomial con parmetros n y p. Y escribimos X bin(n, p) si o a n px (1 p)nx si x = 0, 1, 2, . . . , n. x P (X = x) = 0 otro caso. f (x) 0.3 0.2 0.1 x 1 2 3 4 5 6 7 8 9 10
Funcin de probabilidad binomial. o
n = 10 p = 0.3
La frmula anterior puede justicarse de la forma siguiente. Queremos que en n o ensayos Bernoulli se obtengan x xitos y nx fracasos. La probabilidad de obtener e sto es el n mero e u p p (1 p) (1 p) = px (1 p)nx ,
x nx
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 e n los n ensayos, este factor es el coeciente binomial . En este caso se puede x demostrar que E(X) = np y Var(X) = np(1 p).
55
Distribucin geomtrica o e
Supongamos nuevamente que tenemos una sucesin de ensayos independientes o Bernoulli, pero esta vez tenemos una sucesin innita. Para cada una de los resulo tados de esta sucesin innita denimos la variable aleatoria X como el n mero o u de fracasos antes de obtener el primer xito. Por ejemplo, e X(F EF EF F ) X(EF F EEE ) = 1, = 0, = 3.
X(F F F EF E )
Observamos entonces que X puede tomar los valores 0, 1, 2, . . .. La probabilidad de que X tome el valor x es p(1 p)x . Decimos entonces que X tiene una distribucin o geomtrica3 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.
f (x) 0.4 0.3 0.2 0.1 x 1 2 3 4 5 6 7 8 9 10

Funcin de probabilidad geomtrica. o e
p = 0.4
El nombre de esta distribucin proviene del hecho de que cuando escribimos la suo ma de todas las probabilidades, obtenemos una suma geomtrica. La inspeccin sue o cesiva de art culos, posiblemente para control de calidad, puede modelarse usando una distribucin geomtrica. Para esta distribucin tenemos que E(X) = (1 p)/p o e o y Var(X) = (1 p)/p2 .
3 En algunos textos denen tambin la distribucin geomtrica contando el n mero de ensayos e o e u (no el de fracasos) antes del primer xito. La distribucin cambia ligeramente. e o
56
Distribucin Poisson o
Supongamos que deseamos observar el n mero de ocurrencias de un cierto evento u dentro de un intervalo de tiempo dado. Por ejemplo, el n mero de clientes que u llegan a un cajero automtico durante la noche, o tal vez deseamos registrar el a n mero de accidentes que ocurren en cierta avenida durante todo un dia. Para u modelar este tipo de situaciones denimos la variable aleatoria X como el n mero u de ocurrencia de estos eventos en el intervalo de tiempo 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. Adicionalmente supongamos u que conocemos la tasa media de ocurrencia del evento de inters, que denotamos e por la letra (lambda). El parmetro es positivo y se interpreta como el n mero a u promedio de ocurrencias del evento, por unidad de tiempo. La probabilidad de que la variable aleatoria X tome un valor x se denir como se indica a continuacin. a o Decimos entonces que X tiene una distribucin Poisson con parmetro > 0. Y o a escribimos X Poisson() cuando x e si x = 0, 1, 2, . . . x! P (X = x) = 0 otro caso.
f (x) 0.3 0.2 0.1 x 1 2 3 4 5 6 7 8

Funcin de probabilidad Poisson. o
=2
Puede demostrarse que E(X) = y Var(X) = . Puede tambin demostrarse que e cuando X bin(n, p) y hacemos tender n a innito y p a cero de tal forma que
57
el producto np se mantenga constante igual a , entonces la variable aleatoria X adquiere la distribucin Poisson con parmetro . o a Distribucin binomial negativa. Si en una sucesin innita de ensayos Bero o 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 p y r. Y escribimos X Bin Neg(p, r). En este caso tenemos que a X puede tomar los valores 0, 1, 2, . . . con probabilidades como se indica a continuacin. o r+x1 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 ahi el trmino e u e r+x1 x (1 p) , y nalmente el factor que nos dice las diferentes formas x en que los r xitos pueden aparecer en los r + x 1 ensayos realizados antes del e ultimo que necesariamente fue un xito. e f (x) 0.06 0.04 0.02 x 5 10 15 20 25 30
Funcin de probabilidad binomial negativa. o
r=3 p =0.2
Es claro que esta distribucin es una generalizacin de la distribucin geomtrica, o o o e la cual se obtiene tomando r = 1. Adems podemos demostrar que E(X) = a r(1 p)/p y Var(X) = r(1 p)/p2 .
58
Distribucin hipergeomtrica o e
Supongamos que tenemos un conjunto de N 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, la muestra es entonces sin reemplan zo y el orden de los objetos seleccionados no importa. El espacio muestral de este experimento consiste entonces de todas las posibles muestras de tama o n que n se pueden obtener del conjunto mayor de tama o N . La cardinalidad del espacio n N muestral es entonces . 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 com 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, 2, . . . , n. P (X = x) = N n 0 otro caso. El trmino e K x nos dice las diferentes formas en que de los K objetos de la
primera clase se pueden escoger x de ellos y el trmino e
N K es nuevamente nx las diferentes 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 u de muestras 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 a o de los parmetros aparece en la siguiente gura. a
59
f (x) 0.4 0.3 0.2 0.1 x 0 1 2 3 4 5

Funcin de probabilidad hipergeomtrica. o e
K En este caso es posible comprobar que E(X) = nK/N y Var(X) = n K N N N n . N N 1
N = 20 K =7 n=5
Presentamos en la siguiente tabla un resumen de las distribuciones de probabilidad discretas mencionadas en este texto.
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 binomial o f (x) =
n x
Distribucin Bernoulli o f (x) = px (1 p)1x para x = 0, 1. Parmetro: p (0, 1). a Media: p. Varianza: p(1 p). 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 .
para x = 0, 1, . . . , n. Parmetros: n N, p (0, 1). a Media: np. Varianza: np(1 p).
px (1 p)nx
60
Parte 1. PROBABILIDAD Distribucin Poisson o f (x) =

x x!
Distribucin binomial negativa o f (x) =

r+x1 x
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.
Distribucin uniforme continua o

Decimos que una variable aleatoria X tiene una distribucin uniforme continua en o el intervalo (a, b), y escribimos X unif(a, b), cuando su funcin de densidad es o f (x) = 1 ba 0 si x (a, b),
otro caso.
61
f (x)
1 ba
Funcin de densidad uniforme continua. o
Es fcil vericar que E(X) = (a + b)/2 y Var(X) = (b a)2 /12. a
Distribucin exponencial o
Decimos que una variable aleatoria continua X tiene una distribucin exponencial o con parmetro > 0, y escribimos X exp(), cuando a f (x) = ex 0 si x > 0, otro caso.
f (x) 3 2 1 x 1
Funcin de densidad exp() con = 3. o
En este caso es muy sencillo vericar que E(X) = 1/ y Var(X) = 1/2 .
62
Distribucin gama o
La variable aleatoria continua X tiene una distribucin gama con parmetros n > 0 o a y > 0, y escribimos X gama(n, ), si su funcin de densidad es o (x)n1 ex si x > 0, (n) f (x) = 0 si x 0. f (x) (5, 5) (5, 4) (n, ) = (5, 3) 0.5 (7, 3) (10, 3)
x 1 2 3 4 5 6
Funcin de densidad gama. o
En la expresin anterior aparece el trmino (n). Esta es la funcin gama que se o e o dene como sigue (n) =
0
tn1 et dt,
para valores de n para los cuales la integral es convergente. Esta funcin satisface o las siguientes propiedades: a) (n + 1) = n(n). b) (n + 1) = n! si n es entero.
1.8. Distribuciones de probabilidad c) (2) = (1) = 1. d) (1/2) = .
63
El nombre de esta distribucin de probabilidad es evidente. Observemos adems o a que la distribucin exponencial es un caso particular de la distribucin gama. En o o efecto, si en la distribucin gama tomamos el parmetro n igual a 1 obtenemos o a la distribucin exponencial con parmetro . Resolviendo un par de integrales o a podemos demostrar que E(X) = n/ y Var(X) = n/2 .
Distribucin beta o
Decimos que la v.a. continua X tiene una distribucin beta con parmetros a > 0 o a y b > 0, y escribimos X beta(a, b), cuando su funcin de densidad es o 1 xa1 (1 x)b1 si x (0, 1), f (x) = B(a, b) 0 otro caso.
1
El trmino B(a, b) se conoce como la funcin beta y de all adquiere el nombre esta e o 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. No es dif comprobar que esta funcin u cil o satisface la igualdad B(a, b) = B(b, a), y est relacionada con la funcin gama a a o travs de la identidad e (a)(b) B(a, b) = . (a + b) Para la distribucin beta(a, b) se tiene que E(X) = a/(a + b) y Var(X) = ab/[(a + o b + 1)(a + b)2 ].
Distribucin normal o
Esta es la distribucin de probabilidad de mayor importancia. Decimos que la v.a. o continua X tiene una distribucin normal si su funcin de densidad est dada por o o a
64
2 2 1 e(x) /2 , f (x) = 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 muestra a o en la siguiente gura.
la siguiente expresin o
f (x)
x
Funcin de densidad normal o gausiana. o
Observe que la campana esta centrada en el valor de y que se abre o cierra de acuerdo a la magnitud de . No es dif probar que E(X) = y Var(X) = 2 . cil 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 sencilla 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 Proposicin Sea X una variable aleatoria con distribucin normal con parmeo o a tros y 2 . Entonces la variable aleatoria Z= X
tiene una distribucin normal estndar. o a A la operacin anterior se le conoce con el nombre de estandarizacin. Decimos o o tambin que la variable X ha sido estandarizada. Es com n usar la letra Z para e u
65
denotar una variable aleatoria con distribucin normal estndar. Seguiremos nosoo a tros tambin esa costumbre. En particular, para todo x R, usaremos la notacin e o (x) = P (Z x). Grcamente, a f (x)
(x)
x x
Funcin de distribucin (x). o o
Notacin z . Para cada (0, 1), el n mero z denotar el punto en el eje real o u a para el cual el rea bajo la curva a la derecha de z es . Esto es, (z ) = 1 . a Ilustramos en la siguiente gura el signicado geomtrico del n mero z . e u
f (x)
z
Signicado grco del nmero z . a u
Usaremos la notacin z en la segunda parte de nuestro curso. Acerca de la diso tribucin normal tenemos el siguiente resultado de suma importancia. o
66
Teorema central del l mite. Sea X1 , X2 , . . . una sucesin innita de vao riables aleatorias independientes e idnticamente distribuidas con media y e varianza nita 2 . Entonces la funcin de distribucin de la variable o o Zn = (X1 + + Xn ) n n
tiende a la distribucin normal estndar cuando n tiende a innito, sin imporo a tar la distribucin de cada variable de la sucesi, es decir, o n
n
l FZn (x) = FZ (x). m
Distribucin ji-cuadrada o
Decimos que la variable aleatoria continua X tiene una distribucin ji-cuadrada o con n grados de libertad (n entero positivo) si su funcin de densidad est dada o a por 1 (n/2) 0 1 2
n/2
xn/21 ex/2
si x > 0, si x 0.
fX (x) =
67
f (x) n=1 n=2 n=3 n=4
1 2
x 1 2 3 4 5 6 7 8 9
Funcin de densidad ji-cuadrada. o
Escribiremos simplemente X 2 (n). Podemos demostrar que E(X) = n y Var(X) = 2n. La distribucin ji-cuadrada puede obtenerse del siguiente modo. o Proposicin Si X N(0, 1), entonces X 2 2 (1). o Proposicin Si X 2 (n) y Y 2 (m) son dos v.a.s independientes entonces o X + Y 2 (n + m).
Distribucin t o
Decimos que la variable aleatoria continua X tiene una distribucin t con n grados o de libertad si su funcin de densidad est dada por o a ((n + 1)/2) (1 + x2 /n)(n+1)/2 , f (x) = n (n/2) para todo x R. Escribimos entonces X t(n).
68
f (x)
n = 100 n=3 n=1
0.1 x 4 3 2 1 1 2 3 4
Funcin de densidad t. o
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 Proposicin Si X N(0, 1) y W 2 (n) entonces o X t(n). W/n Proposicin Sean X1 , X2 , . . . , Xn v.a.s independientes tales que Xi N(, 2 ). o Entonces X t(n 1). S/ n en donde S 2 = 1 n
n i=1
(Xi X)2 .
La siguiente tabla contiene un resumen de algunas distribuciones de probabilidad continuas.
69
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) =
n1 x e (n) (x)
Distribucin exponencial o f (x) = ex para x > 0. Parmetro: > 0. a Media: 1/. Varianza: 1/2 .
Distribucin beta o x)b1 para x (0, 1). Parmetros: a > 0, b > 0. a Media: a/(a + b). Varianza: ab/(a + b + 1)(a + b)2 . f (x) =
1 a1 (1 B(a,b) x
para x > 0. Parmetros: n N, > 0. a Media: n/. Varianza: n/2 .
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 N. a Media: n. Varianza: 2n.
Distribucin t o f (x) =
((n+1)/2) n (n/2)
(1 + x2 /n)(n+1)/2
para x R. Parmetro: n N. a Media: 0. Varianza: n/(n 2).
70
1.9.
Vectores Aleatorios
Esta seccin contiene una breve introduccin a las variables aleatorias multidio o mensionales 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 (X, Y ) en donde cada coordenada o es una variable aleatoria. De manera anloga se pueden tener vectores aleatorios a 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 discretos o continuos. Un vector aleatorio (X, Y ) puede considerarse como una funcin de en R2 como o se muestra en la siguiente gura:
(X, Y ) R2
(X(), Y ()) = (x, y)
(x, y)
Nuevamente observe que el vector con letras may sculas (X, Y ) es el vector aleau torio, mientras que el vector con letras min sculas (x, y) es un punto en el plano. u
1.9. Vectores Aleatorios
71
Estudiaremos a continuacin algunas funciones asociadas a vectores aleatorios. Eso tos conceptos son completamente anlogos al caso unidimensional estudiado antes. a
Funcin de probabilidad y de densidad conjunta o

Sea (X, Y ) un vector aleatorio discreto que toma los valores en el conjunto Ran(X, Y ) = {(x1 , y1 ), . . . , (xn , ym )}. La funcin de densidad de (X, Y ), denotada por f (x, y) : o R2 R, se dene como sigue f (x, y) = P (X = x, Y = y) si (x, y) Ran(X, Y ), 0 otro caso.
Cuando (X, Y ) es un vector aleatorio continuo se dice que la funcin integrable y o no negativa f (x, y) es la funcin de densidad de (X, Y ) si para todo (x, y) R2 , o
x y
P (X x, Y y) =
f (u, v) dv du.

Toda funcin de densidad f (x, y) satisface las siguientes dos propiedades o a) f (x, y) 0. b)

f (x, y) dx dy = 1.
Rec procamente decimos que una funcin f (x, y) : R2 R es de densidad si o cumple con las dos condiciones arriba mencionadas.
Funcin de distribucin conjunta o o

Sea (X, Y ) un vector aleatorio discreto o continuo. La funcin de distribucin o o de (X, Y ), denotada por FX,Y (x, y) : R2 R, se dene para cualquier par de n meros reales (x, y) como sigue u FX,Y (x, y) = P (X x, Y y).
72
A esta funcin se le conoce tambin con el nombre de funcin de acumulacin de o e o o probabilidad del vector (X, Y ), y tambin se dice que es la funcin de distribucin e o o conjunta de X y Y . Enunciamos a continuacin algunas propiedades que cumple o toda funcin de distribucin conjunta. o o 1. 2. l m FX,Y (x, y) = 1.
x,y x
l m FX,Y (x, y) = 0. Anlogamente cuando es la variable y quien tiende a a
menos innito. 3. FX,Y (x, y) es continua por la derecha en cada variable. 4. FX,Y (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 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 mientras que la quinta propiedad corresponde a la probabilidad P (a < X b, c < Y d). Rec procamente decimos que una funcin F (x, y) : R2 R es una funcin o o de distribucin bivariada si satisface las anteriores cinco propiedades. o Cmo encontramos FX,Y (x, y) a partir de fX,Y (x, y) ? Conociendo la funo cin de densidad conjunta fX,Y (x, y), es posible encontrar al funcin de distribuo o cin conjunta FX,Y (x, y) simplemente integrando en el caso continuo o sumando o en el caso discreto. Para el caso continuo tenemos
x y
FX,Y (x, y) =

fX,Y (u, v) dv du.
En el caso discreto se suman todos los valores de fX,Y (u, v) para valores de u menores o iguales a x y valores de v menores o iguales a y. Cmo encontramos fX,Y (x, y) a partir de FX,Y (x, y) ? Como sabemos que o fX,Y (x, y) y FX,Y (x, y) guardan la relacin o
x y
FX,Y (x, y) =

fX,Y (u, v) dv du,
por el teorema fundamental del clculo tenemos que a fX,Y (x, y) = 2 FX,Y (x, y). xy
1.9. Vectores Aleatorios
73
Funcin de densidad y de distribucin marginal o o

Sea fX,Y (x, y) la funcin de densidad del vector aleatorio continuo (X, Y ). Se o dene la funcin de densidad marginal de la variable X como sigue o fX (x) =

fX,Y (x, y) dy.
La correspondiente funcin de densidad marginal de la variable Y se obtiene inteo grando respecto de la variable x, es decir, fY (y) =

fX,Y (x, y) dx.
Hemos denido las densidades marginales para vectores aleatorios continuos. La correspondiente denicin para vectores discretos involucra una suma en lugar de o la integral. Es sencillo vericar que estas densidades marginales son efectivamente funciones de densidad univariadas. Sea (X, Y ) un vector aleatorio continuo o discreto con funcin de distribucin o o FX,Y (x, y). La funcin de distribucin marginal de la variable X se dene como la o o funcin o FX (x) = l FX,Y (x, y), m
y
y la correspondiente funcin de distribucin marginal de la variable Y de manera o o anloga es la funcin a o FY (y) = l FX,Y (x, y). m
x
No es dif comprobar que las funciones de distribucin marginales son efectivacil o mente funciones de distribucin univariadas. o
Independencia de variables aleatorias

Denicin[Independencia de variables aleatorias] Se dice que las variables o aleatorias X1 , X2 , . . . , Xn son independientes si se cumple la igualdad fX1 ,...,Xn (x1 , . . . , xn ) = fX1 (x1 ) fXn (xn ), para todo valor del vector (x1 , . . . , xn ) en Rn . (1.2)
74
Observe que en el lado izquierdo de la igualdad anterior aparece la funcin de deno sidad conjunta mientras que en el lado derecho se tiene el producto de las funciones de densidad marginales. En el caso particular cuando las variables aleatorias son discretas, la condicin de independencia se escribe o P (X1 = x1 , . . . , Xn = xn ) = P (X1 = x1 ) P (Xn = xn ). Alternativamente puede denirse la independencia en trminos de la funcin de e o distribucin como sigue o FX1 ,...,Xn (x1 , . . . , xn ) = FX1 (x1 ) FXn (xn ). (1.3)
Nuevamente esta igualdad debe vericarse para cada valor del vector (x1 , . . . , xn ). Las igualdades (1.2) y (1.3) son equivalentes.
Parte 2
ESTAD ISTICA
2.1.
Introduccin o
Poblacin y muestra o
Supondremos que tenemos una poblacin de inters, esto es, un conjunto arbio e trario de personas, mediciones u objetos cualesquiera. Y deseamos conocer cierta informacin de esta poblacin. Debido a la imposibilidad o no conveniencia de teo o ner informacin de cada elemento de la poblacin, tomamos entonces un peque o o o n subconjunto de la poblacin que llamaremos muestra. o
75
76
Parte 2. ESTAD ISTICA
muestra poblacin o
Una muestra es un subconjunto de una poblacin. o
Estad stica descriptiva e inferencial

La estadstica es la ciencia que se encarga de recolectar, organizar, resumir y ana lizar datos para despus obtener conclusiones a partir de ellos. De manera general, e la estad stica puede ser dividida en dos grandes reas a Estad stica descriptiva, inferencial.
La estadstica descriptiva es una coleccin de mtodos para la organizacin, resu o e o men y presentacin de datos. La estadstica inferencial consiste entonces de alguo nas tcnicas que nos ayudan a conocer, con determinado grado de conanza, cierta e informacin de la poblacin con base en la informacin de la muestra obtenida. o o o
2.2.
Variables y tipos de datos
Una variable es una caracter stica que var de elemento a elemento en una poa blacin en estudio. Por ejemplo, si nuestra poblacin consta de personas entonces o o las siguientes son ejemplos de variables que podr interesarnos: edad, peso, sexo, an estatura, etc. Las variables pueden ser cuantitativas, cuando se realiza una medicin, o pueden ser cualitativas, cuando solamente presentan una cualidad. La edad, o el peso y la estatura son ejemplos de variables cuantitativas en una poblacin de o personas, mientras que el sexo y el estado civil son variables cualitativas.
2.3. Estad stica descriptiva
77
Tenemos cuatro escalas de medicin para las variables, sean stas cuantitativas o o e cualitativas: escala nominal, escala ordinal, escala de intervalo y escala de razn. o Escala nominal. La escala nominal est asociada a variables cualitativas y ser dea a nominada de este modo si no se pueden hacer operaciones aritmticas entre sus e valores, son unicamente etiquetas. Por ejemplo, si estamos estudiando una pobla cin humana, a la variable sexo podemos asignarle dos posibles valores: F para o femenino, y M para masculino, sta es entonces una escala nominal pues los s e mbolos F y M son etiquetas arbitrarias, no existe orden en ellos ni podemos realizar operaciones aritmticas. e Escala ordinal. En la escala ordinal los valores de la variable tienen un orden pero no se pueden hacer operaciones aritmticas entre estos valores. Por ejemplo, para e calicar las caracteristicas de un objeto podemos suponer los siguientes valores 0 1 2 3 4 = = = = = Psimo. e Malo. Regular. Bueno. Excelente.
En este caso la escala de medicin de la variable en cuestin es ordinal pues existe o o un orden entre sus valores pero no podemos decir por ejemplo que dos valores regulares hacen un valor excelente. Escala de intervalo. En una escala de intervalo, existe un orden entre los valores de la variable y existe adems una nocin de distancia aunque no se pueden realizar a o operaciones. Escala de razn. En una escala de razn, la magnitud tiene un sentido sico y o o existe el cero absoluto. Por ejemplo, la variable edad en aos estudiada en una n poblacin humana. o
2.3.
Estad stica descriptiva
Supongamos que tenemos un conjunto de datos numricos x1 , x2 , . . . , xn , que ree presentan mediciones de alguna variable de inters. Para conocer algunas carace ter sticas globales de esta variable se pueden calcular ciertas medidas de tendencia central como la media, moda y mediana; y tambin otras medidas llamadas de e dispersin como la varianza y la desviacin estndar. o o a
78
Media
La media de los datos x1 , . . . , xn , denotada por x, es simplemente el promedio (x1 + + xn )/n.
Moda
La moda es el valor observado con mayor frecuencia. La moda puede no existir para un conjunto de datos, y en caso de existir puede no ser unica.
Mediana
Para calcular la mediana procedemos como sigue: A la muestra x1 , x2 , . . . , xn la ordenamos de menor a mayor (incluyendo repeticiones) y obtenemos la muestra ordenada x(1) , x(2) , . . . , x(n) , en donde x(1) denota el dato ms peque o y x(n) es a n el dato ms grande. La mediana, denotada por x, se dene como sigue a x=
1 2
x( n ) + x( n +1) 2 2
2
x( n+1 )
si n es par, si n es impar.
De este modo, cuando tenemos un n mero impar de datos, la mediana es precisau mente el dato ordenado que se encuentra justo a la mitad. Y cuando tenemos un n mero par de datos, la mediana se calcula promediando los dos datos ordenados u de enmedio.
Varianza y desviacin estndar o a

La varianza de la muestra, denotada por s2 , se dene como sigue s2 = 1 n1
n i=1
(xi x)2 ,
2.4. Muestras aleatorias y estad sticas
79
en donde x es la media muestral denida antes. La desviacin estndar es simple o a mente la raiz cuadrada positiva de s2 y se le denota naturalmente por s. En lo que sigue no estudiaremos muestras particulares x1 , x2 , . . . , xn sino muestras generales X1 , X2 , . . . , Xn que pueden, en particular, tomar el conjunto de datos mencionado.
2.4.
Muestras aleatorias y estad sticas
En esta seccin deniremos dos trminos importantes en el lenguaje de la estad o e stica.
Muestra aleatoria
Una muestra aleatoria (escribimos simplemente m.a.) es una coleccin de variables o aleatorias X1 , . . . , Xn para las cuales asumimos dos condiciones: independencia e idntica distribucin. De este modo, cuando se diga, por ejemplo, que una m.a. e o X1 , X2 , . . . , Xn es tomada de una poblacin normal con media y varianza 2 , o esto signica que las variables aleatorias que forman la m.a. son todas ellas independientes entre s y adems todas ellas tienen la misma distribucin normal con a o los mismos parmetros, es decir, E(Xi ) = y Var(Xi ) = 2 , para i = 1, 2 . . . , n. a Una muestra aleatoria constituir el elemento bsico para llevar a cabo inferencias a a estad sticas.
Estad sticas
Una estadstica es una funcin cualquiera de una muestra aleatoria. Por ejemplo, o considere una muestra aleatoria dada X1 , . . . , Xn . La estad stica X denida como sigue n 1 Xi , X= n i=1 es efectivamente una funcin de la muestra aleatoria, y por lo tanto una variable o aleatoria. A la estad stica X se le conoce con el nombre de media muestral. Veamos
80
otro ejemplo. Dada una muestra aleatoria X1 , X2 , . . . , Xn , denimos la estad stica varianza muestral como sigue S2 = 1 n1
n i=1
(Xi X)2 .
Estos dos ejemplos de estad sticas sern usados con frecuencia ms adelante. a a
2.5.
Estimacin puntual o
Denotemos por un parmetro desconocido de una distribucin de probabilidad a o dada. El problema de estimacin puntual consiste en encontrar un n mero, meo u diante un mecanismo lgico y con base en los datos de una muestra aleatoria, que o sirva como estimacin del parmetro desconocido . o a
Estimador puntual
Un estimador puntual para el parmetro , que denotaremos de manera general por a (se lee teta circunejo), es una funcin de una muestra aleatoria X1 , X2 , . . . , Xn o que sirve para estimar el valor del parmetro desconocido . a
Insesgamiento
Un estimador puntual del parmetro se dice que es insesgado si E() = . Si a 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 desconocido de Ejemplo. Sea X1 , X2 , . . . , Xn una muestra aleatoria de una poblacin con media o desconocida . Comprobaremos que la media muestral 1 X= n
n
Xi ,
i=1
2.5. Estimacion puntual
81
es un estimador insesgado para el parmetro . Observe que X es el estimador a y es el parmetro desconocido . Efectivamente, por la propiedad lineal de la a esperanza, E(X) = E 1 n
n
Xi
i=1
1 n
E(Xi ) =
i=1
1 n
= .
i=1
De esta forma hemos comprobado que X es un estimador insesgado para .
Ejemplo. Sea X1 , X2 , . . . , Xn una muestra aleatoria de una poblacin con variano za desconocida 2 . La varianza muestral 1 S = n1
2 n i=1
(Xi X)2 ,
es un estimador insesgado para la varianza desconocida 2 . En este caso el esti mador es S 2 y el parmetro desconocido a estimar es 2 . a
Mtodo de mxima verosimilitud e a

Sea X1 , X2 , . . . , Xn una muestra aleatoria de una poblacin con funcin de deno o sidad f (x; ). La funcin de verosimilitud de la muestra, denotada por L(), se o 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(). El valor de en donde se alcanza el mximo se o a llama estimador de mxima verosimilitud de . Ilustraremos este mtodo con un a e ejemplo. 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
82
es
L(, 2 ) = = = =
fX1 ,...,Xn (x1 , . . . , xn ) fX1 (x1 ) fXn (xn ) 2 2 2 2 1 1 e(x1 ) /2 e(xn ) /2 2 2 2 2 n n 2 1 1 e 22 i=1 (xi ) . 2 2
Maximizar la funcin L(, 2 ) es equivalente a maximizar la funcin ln L(, 2 ), o o pues la funcin logaritmo es continua y montona creciente en su dominio de o o denicin. Hacemos esto pues esta nueva funcin resulta ms fcil de maximizar o o a a como veremos a continuacin. Tenemos entonces que o 1 1 ) 2 ln L(, 2 ) = n ln( 2 2 2 Por lo tanto ln L(, 2 ) y ln L(, 2 ) 2 = 1 2
n i=1 n i=1
(xi )2 .
(xi )
n i=1
n 1 + 4 2 2 2
(xi )2 .
Igualando a cero ambas derivadas encontramos un sistema de dos ecuaciones con dos variables: 1 2 1 n + 4 2 2 2
n i=1 n
(xi )
= 0, = 0.
i=1
(xi )2
Observe que hemos substituido por y 2 por 2 pues la solucin del sistema o son los estimadores para y 2 . De estas ecuaciones obtenemos respectivamente = 2 = 1 n 1 n
n
xi ,
i=1 n i=1
(xi )2 .
2.5. Estimacion puntual
83
Estos son nuestros estimadores para los parmetros y 2 de una distribucin a o normal por el mtodo de mxima verosimilitud. e a
Mtodo de momentos e
Sea f (x; ) la funcin de densidad de una variable aleatoria X que depende de o un parmetro . Recordemos que el k-simo momento de X es el n mero E(X k ) a e u cuando esta esperanza existe. Ahora, dada una muestra aleatoria X1 , X2 , . . . , Xn , denimos el k-simo momento muestral como e 1 n
n
Xik .
i=1
El mtodo de momentos para estimar el parmetro consiste en igualar los moe a mentos muestrales con los correspondientes momentos poblacionales, y resolver este sistema de ecuaciones para el parmetro . a Ejemplo. Nuevamente estimaremos los parmetros y 2 de una distribucin a o normal. Esta vez usaremos el mtodo de momentos. Como necesitamos estimar e dos parmetros usamos los dos primeros momentos. El primer y segundo momento a poblacionales son y E(X) = , E(X 2 ) = 2 + 2 .
n
( Primer momento poblacional ) ( Segundo momento poblacional )
El primer y segundo momento muestrales son xi ,

i=1 n
( Primer momento muestral ) ( Segundo momento muestral )
y
i=1
x2 . i
La igualacin respectiva produce el sistema de ecuaciones o = 2 + = 1 n 1 n

n
xi ,
i=1 n
x2 . i
i=1
84
La primera ecuacin es expl o cita mientras que la segunda ecuacin se puede reeso cribir como sigue 2 = = = 1 n 1 n 1 n
n i=1 n i=1 n i=1
x2 2 i x2 ( i 1 n
n
xi )2
i=1
(xi )2 .
En este caso los estimadores por el mtodo de momentos coinciden con los estie madores mximo veros a miles.
2.6.
Estimacin por intervalos o
Alternativamente a la estimacin puntual estudiada en la seccin anterior, en alo o gunos casos es preferible no dar un n mero como estimacin sino un intervalo de u o posibles valores. En esta seccin se estudia brevemente el tema de estimacin de o o parmetros usando intervalos. En este tipo de estimacin se busca un intervalo de a o tal forma que se pueda decir, con cierto grado de conabilidad, que dicho intervalo contiene el verdadero valor del parmetro desconocido. A este tipo de intervalos a se les llama intervalos de conanza. Ms precisamente, un intervalo de conanza para un parmetro desconocido a a de una distribucin de probabilidad dada, es un intervalo de la forma (1 , 2 ) en o 1 y 2 son estad donde sticas, esto es, funciones de una muestra aleatoria, tal que P (1 < < 2 ) = 1 , (2.1)
en donde (0, 1) es un n mero arbitrario determinado de antemano por la u persona que realiza la estimacin. A las estad o sticas 1 y 2 se les conoce como lmites inferior y superior, respectivamente, del intervalo de conanza. Al n mero u 1 se le conoce como grado o coeciente de conanza. En general, tomamos 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 =0.05, de modo que el grado de conanza a u es 1 =0.95 . Decimos entonces que el grado de conanza es del 95 %. Observe
2.6. Estimacion por intervalos
85
que las estad sticas 1 y 2 dependen de una muestra aleatoria X1 , X2 , . . . , Xn , de modo que al tomar estas variables aleatorias distintos valores se generan distintos intervalos de conanza como se muestra a continuacin. o
Diferentes valores del intervalo aleatorio (1 , 2 ), algunos de ellos conteniendo el verdadero valor de .
De esta forma podemos decir que el intervalo aleatorio (1 , 2 ) contiene el verdadero valor del parmetro con probabilidad 1 . Naturalmente el problema es a encontrar 1 y 2 de tal forma que la igualdad (2.1) se cumpla. A continuacin o mostraremos la forma de resolver este problema para algunos casos particulares.
Intervalo para la media de una poblacin normal o con varianza conocida

Sea X1 , X2 , . . . , Xn una muestra aleatoria de una poblacin normal con media o desconocida y varianza conocida 2 . Ilustraremos a continuacin una forma de o encontrar un intervalo de conanza al (1 )100 % para el parmetro desconocido a . Como cada una de las variables de la muestra tiene distribucin N(, 2 ), la vao
86

n
1 riable X = n
Xi tiene distribucin N(, 2 /n). De modo que, estandarizando, o

i=1
X N(0, 1). / n 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 . / n
Grcamente, a
f (x)
/2
/2 x
z/2
z/2
Distribucin normal estndar o a
Despejando la constante desconocida , obtenemos P (X z/2 < < X + z/2 ) = 1 . n n De esta forma, el intervalo (X z/2 , X +z/2 ) es un intervalo de conanza n n 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 Ejemplo. Suponga que la vida promedio util, medida en horas, de focos de 100 watts producidos por cierta compa puede ser modelada mediante una variana, ble aleatoria con distribucin normal de media y varianza 2 . Suponga que la o
87
desviacin estndar es conocida y es igual a 30 horas. El objetivo es encontrar o a un intervalo de conanza para la vida promedio util de de los focos producidos por esta compa Para ello se toma una muestra de 20 focos y mediante pruena. bas de laboratorio se determina la vida util de cada uno de ellos. Los resultados x1 , x2 , . . . , x20 arrojan una media muestral x de 1050 horas. Si consideramos un nivel de conanza del 95 %, es decir, =0.05, entonces de la tabla de probabilidad normal se encuentra que z/2 =1.65, y entonces puede ahora calcularse el intervalo ( z/2 , x + z/2 ) = x n n = 30 30 (1050 1,65 , 1050 + 1,65 ) 20 20 (1038,93, 1061,06).
De esta forma el intervalo (1038.93,1061.06) contiene el verdadero valor de la vida promedio util de todos los focos producidos por la compa con conanza del na 95 %.
Intervalo para la media de una poblacin normal o con varianza desconocida

Sea X1 , X2 , . . . , Xn una muestra aleatoria de una poblacin normal con media deso conocida y varianza desconocida 2 . Tenemos entonces que la variable aleatoria T = X , S/ n
tiene una distribucin t con n 1 grados de libertad. Observe que sta es la o e distribucin exacta de la variable T , sin importar el tama o de la muestra y sobre o n 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 la forma siguiente. Para cualquier valor de (0, 1) podemos encontrar un valor t/2 en tablas de probabilidad de la distribucin t de n 1 grados de libertad tal o que X < t/2 ) = 1 . P (t/2 < S/ n Grcamente, a
88
Parte 2. ESTAD ISTICA f (x)
/2
/2 x t/2 t/2
Distribucin t con n 1 grados de libertad. o
Despejando la constante desconocida , obtenemos S S P (X t/2 < < X + t/2 ) = 1 . n n S S De este modo, el intervalo (X t/2 , X + t/2 ) es un intervalo de conanza n n exacto al (1 )100 % para la media desconocida de una poblacin normal, para o cualquier tama o de muestra y sin suponer la varianza conocida. No olvidemos n que el valor t/2 corresponde a la distribucin t con n 1 grados de libertad. o
Intervalo aproximado para la media de una poblacin con varianza desconocida y tama o de muestra o n grande
Sea X1 , X2 , . . . , Xn una muestra aleatoria de una poblacin normal con media o desconocida y varianza desconocida 2 . Supongamos que el tama o n de la n muestra es grande, i.e. n 30. Entonces la variable aleatoria Z= X , S/ n
tiene una distribucin aproximada normal estndar. Esto es una consecuencia del o a teorema del l mite central pues el tama o de la muestra es grande. En este caso n
89
tambin podemos encontrar un intervalo aproximado de conanza para el parmee a tro desconocido . El procedimiento es anlogo al anterior. Para cualquier valor a de (0, 1) podemos encontrar un valor z/2 en tablas de probabilidad normal estndar tal que a X < z/2 ) = 1 . P (z/2 < S/ n Despejando la constante desconocida , obtenemos S S P (X z/2 < < X + z/2 ) = 1 . n n S S De esta forma, el intervalo (X z/2 , X +z/2 ) es un intervalo de conanza n n 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. Ilustremos lo anterior con un ejemplo. A manera de resumen,
Hiptesis o Varianza 2 conocida Cualquier tama o n de muestra
Intervalo para la media de una pobacin normal o P (X z/2 < < X + z/2 ) = 1 . n n
Intervalo aproximado Varianza 2 desconocida Muestra grande, n 30 Varianza 2 desconocida Cualquier tama o n de muestra S S P (X t/2,n1 < < X + t/2,n1 ) = 1 . n n S S P (X z/2 < < X + z/2 )=1 . n n
90
2.7.
Pruebas de hiptesis o
Una hiptesis estadstica o simplemente hiptesis es una armacin o conjetura o o o acerca de la distribucin de una o mas variables aleatorias. Por ejemplo, si X tiene o una distribucin bin(n, p) entonces la armacin p = 0,2 es una hiptesis. Si X o o o tiene una distribucin N(, 2 ) entonces la armacin > 0 es otro ejemplo de o o hiptesis estad o stica. Un hiptesis es simple si especica por completo la distribucin de probabilidad en o o cuestin. Por ejemplo, si X tiene una distribucin exp() entonces la armacin o o o = 5 es una hiptesis simple. Si X tiene una distribucin N(, 1) entonces la o o 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, cono trastaremos dos hiptesis de acuerdo al siguiente esquema y notacin: o o H0 : (hiptesis nula) o vs H1 : (hiptesis alternativa). o
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 hiptesis: o simple simple compuesta compuesta vs simple vs compuesta vs simple vs compuesta
Ahora podemos entonces denir una prueba de hiptesis como una regla para deo cidir si aceptamos la hiptesis nula (H0 ) o la rechazamos en favor de la hiptesis o o alternativa (H1 ). Al tomar una decisin de este tipo podemos cometer errores sin o saberlo. 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, a la probabilidad de cometer este segundo tipo de error se le denota por la letra . Tenemos entonces la siguiente tabla
2.7. Pruebas de hipotesis H0 cierta Error tipo I Decisin correcta o H0 falsa Decisin correcta o Error tipo II
91
Rechazar H0 No rechazar H0
Llamaremos regin crtica a la regin de rechazo de H0 . Se llama tamao de la o o n regin crtica a la probabilidad de cometer el error tipo I, esto es . A esta probao bilidad se le conoce tambin como nivel de signicancia. e
Prueba de hiptesis acerca de la media de una poo blacin normal o

Sea X1 , . . . , Xn una muestra aleatoria de una poblacin normal con media descoo nocida y varianza conocida 2 . Sabemos que X tiene distribucin N(, 2 /n). o Por lo tanto X N (0, 1). / n Queremos contrastar las hiptesis o H0 : = 0 vs H1 : = 0 .
Cuando H0 es cierta, esto es, cuando es efectivamente 0 , tenemos que X 2 N (0 , /n) y por lo tanto X 0 N (0, 1). / n La estad stica Z = X 0 es una medida natural de la distancia entre X (el / n estimador de ) y su valor esperado 0 (cuando H0 es cierta). Es entonces natural rechazar la hiptesis nula H0 cuando la variable Z sea grande. Es por esto que o tomamos como criterio de decisin rechazar la hiptesis nula H0 : = 0 cuando o o |Z| k para cierta constante k. Cmo encontramos el n mero k? En una tabla de o u la distribucin normal podemos encontrar un valor z/2 tal que P (|Z| z/2 ) = . o Este valor z/2 es precisamente la constante k pues con esto garantizamos que la regin de rechazo sea de tama o . En resumen, o n
92
Prueba: H0 : = 0 vs H1 : = 0 . Regin de rechazo: |Z| z/2 , (prueba de dos colas). o 0 en donde Z = Xn . / Error tipo I: . Error tipo II: z/2 + 0 1 z/2 + 0 1 , para 1 = 0 . / n / n
f (x)
/2
/2 x
z/2
z/2
Regin de rechazo o Otras pruebas son: Prueba: H0 : = 0 vs H1 : < 0 . Regin de rechazo: Z z , (prueba de cola inferior). o 0 en donde Z = Xn . / Error tipo I: . Error tipo II: 1 z + 0 1 , para 1 < 0 . / n
2.7. Pruebas de hipotesis
93
f (x)
z Regin de rechazo o
Prueba: H0 : = 0 vs H1 : > 0 . Regin de rechazo: Z z , (prueba de cola superior). o 0 en donde Z = Xn . / Error tipo I: . Error tipo II: z + 0 1 , para 1 > 0 . / n
f (x)
z Regin de rechazo o x
Estas tres pruebas y sus correspondientes regiones de rechazo tienen un nivel de signicancia de tama o , esto es, la probabilidad de cometer el error tipo I n (rechazar H0 cuando sta es verdadera) es (0, 1). El investigador puede asignar e o establecer a priori esta probabilidad , pero cmo se calculan las probabilidades o de cometer el error tipo II? Esta probabilidad se denota por la letra griega
94
y la hemos denido como la probabilidad de no rechazar la hiptesis nula H0 o cuando sta es falsa. Calcularemos a continuacin esta probabilidad para la prueba e o H0 : = 0 vs H1 : > 0 . Sea 1 cualquier n mero tal que 1 > 0 , entonces u
(1 ) = = = = = = =
P (No rechazar H0 cuando = 1 ) P (Z < z | = 1 ) X 0 < z | = 1 ) P( / n P (X < 0 + z | = 1 ) n X 1 < z + 0 1 ) P( / n / n 0 1 ) P (Z < z + / n 0 1 ). (z + / n
De manera anloga se calcula esta probabilidad en los otros dos casos. a
Apndice A e
Formulario
A.1.
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
95
96
Apendice A. Formulario
A.2.
Tabla de la distribucin normal estndar o a
x 1 (x) = 2
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
x
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
et
/2
dt
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
Apndice B e
Ejercicios
Conjuntos
1. Qu es la teor de la probabilidad? e a 2. Qu es un experimento aleatorio? e 3. Qu es el espacio muestral de un experimento aleatorio? e 4. Determine el espacio muestral del experimento aleatorio consistente en lanzar una moneda tres veces. 5. Determine el espacio muestral del experimento aleatorio consistente en lanzar a un mismo tiempo tres monedas indistinguibles. 6. Determine el espacio muestral del experimento aleatorio consistente en escoger un n mero real al azar dentro del intervalo [1, 1] y despus elevarlo al u e cuadrado. 7. Determine el espacio muestral del experimento aleatorio consistente en registrar el n mero de llamadas telefnicas que llegan a un conmutador en un u o minuto dado. 97
98
Apendice B. Ejercicios
8. Determine el espacio muestral del experimento aleatorio consistente en colocar al azar dos bolas distinguibles en cuatro celdas numeradas. 9. Determine el espacio muestral del experimento aleatorio consistente en colocar al azar dos bolas indistinguibles en cuatro celdas numeradas. 10. Determine el espacio muestral del experimento aleatorio consistente en observar el marcador nal de un juego de futbol soccer. 11. Un experimento aleatorio consiste en lanzar un dado hasta que se obtiene un 6. Proponga dos espacios muestrales para este experimento. 12. Determine un experimento aleatorio para los siguientes espacios muestrales. a) = {0, 1, 2, 3, . . .}. b) = (0, ). 13. Determine un experimento aleatorio para los siguientes espacios muestrales. a) = {2, 4, 6, . . .}. c) = {0, 1}. b) = [1, ).
14. Determine un experimento aleatorio en el que el espacio de posibles resultados sea el conjunto de n meros racionales. u 15. Determine un experimento aleatorio en el que el espacio de posibles resultados sea el conjunto de n meros complejos. u 16. Qu es un evento? e 17. Demuestre las leyes distributivas: a) A (B C) = (A B) (A C). b) A (B C) = (A B) (A C). 18. Demuestre las leyes de De Morgan: a) (A B)c = Ac B c . b) (A B)c = Ac B c . 19. Enuncie y demuestre las leyes de De Morgan para tres conjuntos. Para la demostracin use la validez del mismo resultado para dos conjuntos. o
99
20. Demuestre que A = (A B) (A B c ). 21. Demuestre que A B = B (A B c ). 22. Demuestre que A B = A (B Ac ). 23. Demuestre que A B = B (A B c ). 24. Demuestre que A B = A (B Ac ). a) (A B C)c = Ac B c C c . b) (A B C)c = Ac B c C c . 25. Demuestre que a) A B = A (A B). 26. Demuestre que a) A (B C) = (A B) (A C).
b) A B = (A B) B.
b) (A C) (B C) = (A B) C.
27. 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). 28. Compruebe grcamente las siguientes propiedades bsicas de la diferencia a a simtrica. e a) A(BC) = (AB)C. b) A = A. c) A = Ac . d ) AA = . e) AAc = .
29. 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 a AB.
100
30. Sean A = {x R : |x + 1| 2} y B = {x R : x2 > 2}. Muestre grcamente los conjuntos A, B, Ac , B c , A B, A B, A B, B A y a AB. 31. 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 32. 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.
Probabilidad
33. Enuncie con precisin los tres axiomas de la probabilidad y cuatro propieo dades que se pueden demostrar usando los axiomas. 34. Compruebe que la denicin de probabilidad clsica cumple con los tres o a axiomas de la probabilidad. 35. Compruebe que la denicin de probabilidad frecuentista cumple con los tres o axiomas de la probabilidad. 36. 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 u que P = P1 + (1 )P2 satisface los tres axiomas de la probabilidad. 37. Demuestre que P (Ac ) = 1 P (A). 38. Demuestre que P () = 0, a) usando P () = 1. b) sin usar P () = 1. 39. Demuestre que si A B, entonces P (A) P (B). 40. Demuestre que 0 P (A) 1. 41. Demuestre que para cualesquiera dos eventos A y B, P (B A) = P (B) P (A B). 42. Demuestre que si A B, entonces P (B A) = P (B) P (A).
101
43. Demuestre que para cualesquiera dos eventos A y B, P (A B) = P (A) + P (B) P (A B). 44. Demuestre que para cualesquiera tres eventos A, B y C, P (A B C) = P (A) + P (B) + P (C) P (A B) P (A C) P (B C) +P (A B C).
45. Demuestre que 0 P (A B) P (A) P (A B) P (A) + P (B) 2. 46. Demuestre que P (A B) P (A) + P (B) 1. 47. 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. 48. Demuestre que P (Ac B c ) = 1 P (A) P (B) + P (A B). 49. Sean A y B eventos ajenos tales que P (A) =0.3 y P (B) =0.2. Encuentre a) b) c) d) e) P (A B). P (Ac ). P (Ac B). P (A B c ). P (AB).
50. 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. 51. Diga falso o verdadero. Justique en cada caso. a) b) c) d) Si Si Si Si P (A) > 0, entonces P (A B) > 0. P (A) > 0, entonces P (A B) > 0. P (A) > 1/2 y P (B) > 1/2, entonces P (A B) > 0. P (A) > 0, entonces P (Ac ) > 0.
52. Diga falso o verdadero. Justique en cada caso. a) P (B A) = P (B) P (A). b) P (A B) = P (A)P (B). c) Si P (A) > 1/2, entonces P (Ac ) < 1/2.
102
Anlisis combinatorio a
53. Enuncie con precisin el principio de multiplicacin. o o 54. Qu es una ordenacin con repeticin? e o o 55. Qu es una permutacin de n objetos? e o 56. De cuntas formas distintas pueden seis personas formarse en una la lineal? a 57. 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. 58. Qu es una permutacin de n en k? e o 59. Cuntas diagonales se pueden trazar en un pol a gono convexo de n lados? 60. De cuntas maneras diferentes pueden clasicarse los tres primeros lugares a de una carrera de 15 corredores ? 61. 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? 62. Qu es una combinacin de n en k? e o 63. Cuntos equipos de 3 personas se pueden formar de un grupo de 5 personas? a 64. Demuestre que 65. Demuestre que 66. Demuestre que 67. 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
68. 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).
103
69. Cuntos n meros binarios diferentes se pueden obtener al usar los siete a u d gitos 1010101 ? 70. Cuntas palabras diferentes se pueden formar con todos los caracteres a (incluyendo repeticiones) de la palabra AMAR? 71. 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 72. 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 73. 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? 74. 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. 75. Demuestre que #(2 ) = 2# . Sugerencia: Use el mtodo de induccin sobre e o n = #. 76. 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 llevaran a cabo? 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 77. Demuestre que el n mero mximo de regiones en las que n lineas rectas u a dividen un plano es 1 + n(n + 1)/2. 78. 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.
104
79. Demuestre que el n mero mximo de regiones en los que n c u a rculos dividen el plano es 2n . 80. 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. 81. Cuntos divisores diferentes tiene el n mero 53 74 ? a u 82. 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? e) 100 puntos? 83. Cuntos subconjuntos podemos obtener de un conjunto de n elementos? a Escriba expl citamente todos los subconjuntos del conjunto {a, b, c, d}. 84. 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? 85. Use el mtodo de induccin para demostrar el teorema del binomio, e o
n
(a + b)n =
k=0
n k
ank bk .
86. 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 a o no usadas? 87. 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 88. 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
105
89. Cuntas palabras diferentes podemos obtener usando todas las letras (ina cluyendo repeticiones) de la palabra manzana? 90. Cuntas palabras diferentes podemos obtener usando todas las s a labas (incluyendo repeticiones) de la palabra cucurrucuc ? u 91. Sea n 1 un entero. Cuntas soluciones enteras no negativas tiene la ecuaa cin o a) x1 + x2 + + xk = n ? c) x1 + x2 + + xk n ? b) x1 + x2 + + xk n ?
92. 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 ? 93. Desarrolle la expresin (a + b + c)3 usando la frmula de coecientes multinoo o miales (1.1) en la pgina 25, y despus compruebe la frmula directamente a e o multiplicando el trinomio por si mismo.
Probabilidad condicional e independencia

94. Enuncie la denicin de probabilidad condicional e indique una interpretao cin de ella. o 95. 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. 96. Sean A y B eventos independiente 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 ).
106
97. 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. 98. Suponga que P (B) = P (A|B) = P (C|A B) = p. Demuestre que P (A B C) = p3 . 99. 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). 100. 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. 101. Diga falso o verdadero. Justique en cada caso. a) P (|B) = 1. b) P (|B) = 0. c) P (A|A) = P (A). 102. 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). 103. Enuncie con precisin y demuestre la regla de multiplicacin. o o 104. Cundo decimos que dos eventos A y B son independientes? a 105. Demuestre que a) el conjunto es independiente consigo mismo.
b) el conjunto es independiente consigo mismo.
107
106. Diga falso o verdadero. Justique en cada caso. a) A, B independientes A, B ajenos. b) A, B ajenos A, B independientes. 107. Sea A cualquier evento. Demuestre que A y son eventos independientes. 108. Sea A cualquier evento. Demuestre que A y son eventos independientes. 109. Sean A y B eventos independientes. Demuestre que P (A B) = 1 P (Ac )P (B c ). 110. Diga falso o verdadero. Justique en cada caso. a) A, B independientes B, A independientes.
b) Para cualquier evento A, A es independiente con A.
c) A, B independientes y B, C independientes A, C independientes. 111. 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. 112. Sean A y B eventos independientes y ajenos. Demuestre que forzosamente alguno de estos eventos tiene probabilidad cero. 113. 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) sean independientes y ajenos. b) sean independientes pero no ajenos. c) sean ajenos pero no independientes. d ) sean no ajenos y no independientes. 114. Cundo decimos que n eventos A1 , A2 , . . . , An son independientes? a 115. Cuntas igualdades son necesarias vericar para demostrar que n eventos a son independientes? 116. Enuncie con precisin y demuestre el teorema de probabilidad total. o
108
117. La urna de Polya. Suponga que en una urna se tienen b bolas blancas y r bolas rojas. El experimento aleatorio consiste en seleccionar una bola al azar y regresarla a la urna junto con c bolas del mismo color. Sea el evento Rn =Se seleciona una bola roja en la n-sima extraccin. Claramente e o P (R1 ) = r/(r + b). a) Demuestre que P (R2 ) = r . r+b b) Ahora use el mtodo de induccin para demostrar que P (Rn ) = r/(r+b) e o para cualquier n 3. Sorprendentemente la respuesta no depende de n.
118. Una persona toma al azar uno de los n meros 1, 2 o 3 y luego tira un dado u tantas veces como indica el n mero escogido. Despus suma el resultado de u e las tiradas del dado. Cul es la probabilidad de que obtenga un total de 5? a 119. Enuncie con precisin y demuestre el teorema de Bayes. o 120. En una urna se encuentran b bolas de color blanco y n bolas de color negro. A un mismo tiempo se sacan 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 121. Se codica un mensaje en sistema binario y se env a travs de un canal de a e transmisin. La probabilidad de transmisin de un 0 es 0.4 y la probabio o lidad de transmisin de un 1 es 0.6. El canal de comunicacin es ruidoso o o de modo que un 0 se distorsiona en un 1 con probabilidad 0.2 y un 1 se distorsiona en un 0 con probabilidad 0.1. Se env un d a gito escogido al azar, 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
Funciones de densidad y de distribucin o

122. Enuncie la denicin de funcin de densidad para una v.a. tanto en el caso o o discreto como en el continuo. Enuncie adems las dos propiedades que la a caracterizan.
109
123. Encuentre el valor de la constante c para que la siguiente funcin sea una o funcin de densidad. Graque f (x) y calcule P (X {2, 3, 4}). o f (x) = cx si x = 1, 2, . . . , 10. 0 otro caso.
124. Encuentre el valor de la constante c para que la siguiente funcin sea de o densidad. cx2 si x = 1, 2, . . . , 10. f (x) = 0 otro caso. 125. 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.
126. 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) = ce|x| 127. Explique porqu no es posible encontrar un valor de la constante c para que e la siguiente funcin sea de densidad. o f (x) = cx 0 si x = 2, 1, 0, 1, 2. otro caso.
128. Explique porqu no es posible encontrar un valor de la constante c para que e la siguiente funcin sea de densidad. o f (x) = c sen x si x [, ], 0 otro caso.
129. Sea X discreta con funcin de probabilidad dada por la siguiente tabla. o Graque 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
130. Sea X discreta con funcin de densidad dada por la siguiente tabla. o x f (x) -2 0.1 -1 0.15 0 0.4 2 0.1 3 0.15 5 0.1
110
Apendice B. Ejercicios a) Graque f (x). b) Calcule la funcin de densidad de las siguientes v.a.s Y = X 2 , Z = |X| o y W = 2X 5. Graque en cada caso.
131. Sea X discreta con funcin de densidad dada por la siguiente tabla o x f (x) a) Encuentre el valor de c. b) Graque f (x). c) Calcule y graque la funcin de probabilidad de la variable Y = X 2 . o 132. Sea X continua con funcin de densidad o f (x) = 1/10 si k x 4k 0 otro caso. -2 0.1 0 c 2 0.1
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).
133. Sea X una v.a. con funcin de distribucin o o si x < 1, 0 1/3 si 1 x < 2, F (x) = 1 si x 2. 134. Sea X una v.a. con funcin de distribucin o o si x < 0, 0 x si 0 x < 1, F (x) = 1 si x 1.
Graque F (x). Encuentre y graque la correspondiente funcin de densidad o f (x).
Graque F (x). Encuentre y graque la correspondiente funcin de densidad o f (x).
135. 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 v.a. que denota la suma de los n meros de las dos bolas seleccionadas. u
111
a) Determine . b) Determine y graque f (x). c) Calcule y graque F (x). d) Calcule P (X 6), P (3 < X 5) y P (X = 6). 136. Determine si la siguiente funcin es de o tique su respuesta. 1/6 2/3 f (x) = 0 densidad. Graque la funcin y juso si x = 0, 1, si x = 2, otro caso.
138. Determine si la siguiente funcin es de densidad. Graque la funcin y juso o tique su respuesta. f (x) = 0
4 5x
137. Determine si la siguiente funcin es de densidad. Graque la funcin y juso o tique su respuesta. 4 3 x 1 4x si x = 0, 1, 2, 3, 4, 4 4 x f (x) = 0 otro caso. si x [0, 2], otro caso.
139. Determine si la siguiente funcin es de densidad. Graque la funcin y juso o tique su respuesta. f (x) = 0
2 2 3x
2x +
4 3
si x [0, 3], otro caso.
140. Sea X una v.a. con funcin de distribucin o o F (x) = 1 0

1 x+1 2
si x = 0, 1, 2, 3, . . . otro caso.
Encuentre y graque f (x). Calcule P (0 X < 10). 141. Sea X una v.a. continua con funcin de densidad o f (x) = 0
2 9x
si 0 x c, otro caso.
Encuentre el valor de la constante c. Encuentre y graque F (x).
112
Esperanza, varianza, momentos

142. Escriba la denicin de esperanza de una variable aleatoria tanto en el caso o discreto como en el caso continuo y mencione una interpretacin de ella. o 143. Sea a un n mero real jo. Construya una variable aleatoria X tal que E(X) = u a. 144. Calcule la esperanza de la variable aleatoria discreta X cuya funcin de o densidad es a) 145. Calcule la esperanza de la variable aleatoria continua X cuya funcin de o densidad es a) f (x) =. 146. Sea X una variable aleatoria discreta con funcin de densidad o 1 si x = 1, 2, 3, . . . f (x) = x(x + 1) 0 otro caso.
Demuestre que f (x) es efectivamente una funcin de densidad y que E(X) o no existe. Este es un ejemplo de una variable aleatoria discreta que no tiene esperanza nita.
147. Sea X una variable aleatoria continua con funcin de densidad dada por o f (x) = 1 . (1 + x2 )
Compruebe que E(X) no existe. Este es un ejemplo de una variable aleatoria continua que no tiene esperanza nita. 148. 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.
113
e) La varianza de una v.a. nunca es negativa. f ) No hay dos v.a.s distintas con la misma varianza. 149. Demuestre que a) E(E(X)) = E(X). b) Var(Var(X)) = 0. 150. Sea X la variable aleatoria constante c. Use la denicin de esperanza y o varianza para demostrar que a) E(X) = c. b) E(X n ) = cn . c) Var(X) = 0. 151. Calcule la media y varianza de la variable aleatoria X con funcin de densio dad 1/9 si x = 0, 1, 2, 2/9 si x = 3, 4, 5, f (x) = 0 otro caso.
152. Calcule la media y varianza de la variable aleatoria X cuya funcin de deno sidad es (1/2)x+1 si x = 0, 1, 2, 3, . . . f (x) = 0 otro caso. 153. Diga falso o verdadero. Justique en cada caso. a) Var(E(X)) = 0. b) E(Var(X)) = Var(X).
1 154. Sea X una variable aleatoria continua con funcin de densidad f (x) = 2 e|x|. o Demuestre que f (x) es efectivamente una funcin de densidad y compruebe o que
a) E(X) = 0. b) E(X 2 ) = 2. c) Var(X) = 2. d ) E(X n ) = n! para n = 0, 1, 2, . . . 155. Diga falso o verdadero. Justique en cada caso.
114
Apendice B. Ejercicios a) E(X) = E(X).
b) Var(X) = Var(X).
c) E(Var(X)) = Var(E(X)).
156. Sean X y Y dos variables aleatorias con funciones de densidad dadas por las tablas siguientes. x fX (x) 1 1/2 0 1/2 y fY (y) 0 1/2 1 1/2
Demuestre que Var(X + Y ) = Var(X) + Var(Y ). 157. 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) 2Var(X).
Distribuciones de probabilidad
158. Sea X con distribucin uniforme en el conjunto {1, . . . , n}. Demuestre que o a) E(X) = (n + 1) . 2 (n + 1)(2n + 1) . b) E(X 2 ) = 6 (n2 1) c) Var(X) = . 12
159. 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? 160. Sea X una variable aleatoria con distribucin Ber(p). Verique que f (x) es o efectivamente una funcin de densidad, y demuestre que o
115
a) E(X) = p. c) Var(X) = p(1 p). b) E(X n ) = p, para n 1.
161. Sea X una variable aleatoria con distribucin bin(n, p). Verique que f (x) o es efectivamente una funcin de densidad. o 162. Sea X una v.a. con distribucin bin(n, p). Demuestre que o a) E(X) = np. b) Var(X) = np(1 p). 163. 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 164. Sea X una variable aleatoria con distribucin bin(n, p). Demuestre que la o variable Y = n X tiene una distribucin bin(n, 1 p). Proporcione una o explicacin probabil de este resultado. o sta 165. Sea X con distribucin bin(n, p). Demuestre que para x = 0, 1, . . . , n 1, o P (X = x + 1) = p nx P (X = x). 1p x+1
166. Se lanza una moneda equilibrada 6 veces. Calcule la probabilidad de que cada cara caiga exactamente 3 veces. 167. Se lanza una moneda equilibrada 2n veces. Calcule la probabilidad de que ambas caras caigan el mismo n mero de veces. u 168. Sea X una variable aleatoria con distribucin bin(n, p). Demuestre que 0 o Var(X) E(X). 169. Sea X una variable aleatoria con distribucin Poisson(). Verique que f (x) o es efectivamente una funcin de densidad y demuestre que o a) E(X) = . b) Var(X) = . 170. Sea X una v.a. con distribucin Poisson(). Demuestre que para x = 0, 1, 2, . . . o P (X = x + 1) = P (X = x). x+1
116
171. Sea X una variable aleatoria con distribucin Poisson(). Demuestre que la o probabilidad de que X tome un valor par es (1 + e2 )/2. 172. En promedio uno de cada 100 focos producido por una mquina es defectuoa so. Calcule la probabilidad de encontrar 5 focos defectuosos en un lote de 1000 focos. Sugerencia: Use la distribucin Poisson como aproximacin de la o o distribucin binomial. o 173. En promedio se reciben 2 peticiones de acceso a una pgina web durante un a minuto cualquiera. Utilice el modelo Poisson para calcular la probabilidad de que en un minuto dado cualquiera, a) nadie solicite acceso a la pgina. a b) se reciban mas de dos peticiones. 174. El n mero de aviones que llegan a un aeropuerto internacional tiene una u distribucin Poisson con una frecuencia de 5 aviones cada 10 minutos. Calcule o la probabilidad de que a) no llegue ning n avin en un periodo de 20 minutos. u o b) no llegue ning n avin en el minuto siguiente. u o c) llegue solo un avin en un periodo de 20 minutos. o 175. 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 a enviar mquinas fuera del laboratorio para su reparacin? a o b) Cul es el n mero de computadoras con falla ms probable en un mes? a u a c) Responda a los incisos anteriores si reducimos la capacidad de reparacin del laboratorio a una computadora por mes. o 176. Sea X una v.a. con distribucin geo(p). Verique que fX (x) es efectivamente o una funcin de densidad. o 177. Sea X una v.a. con distribucin geo(p). Demuestre que o a) E(X) = 1p . p
117
b) Var(X) = 1p . p2
178. Sea X una v.a. con distribucin geo(p). Demuestre que para a, b = 0, 1, 2, . . ., o P (X a + b | X a) = P (X b). 179. Sea X una v.a. con distribucin bin neg(p, r). Verique que fX (x) es efectio vamente una funcin de densidad. o 180. Sea X una v.a. con distribucin bin neg(p, r). Demuestre que o a) E(X) = r b) Var(X) = r 1p . p 1p . p2
181. Sea X una v.a. con distribucin unif[a, b]. Verique que fX (x) es efectivao mente una funcin de densidad. o 182. Sea X una v.a. con distribucin uniforme en el intervalo [a, b]. Demuestre o que a) E(X) = a+b . 2 (b a)2 b) Var(X) = . 12
183. Sea X una v.a. con distribucin uniforme en el intervalo [a, b]. Demuestre o que bn+1 an+1 . E(X n ) = (n + 1)(b a) 184. Sea X una v.a. con distribucin uniforme en el intervalo [0, 1]. Demuestre o que 1 E(X n ) = . n+1 185. Sea X una v.a. con distribucin uniforme en el intervalo [1, 1]. Demuestre o que 1 si n es par, E(X n ) = n+1 0 si n es impar.
118
186. Sea X una v.a. con distribucin uniforme en el intervalo [0, 1]. Obtenga la o distribucin de la v.a. Y = 10X 5. o 187. Sea X una v.a. con distribucin uniforme en el intervalo [0, 1]. Obtenga la o distribucin de la v.a. Y = 4X(1 X). o 188. Sea X una v.a. con distribucin exp(). Verique que fX (x) es efectivamente o una funcin de densidad. o 189. Sea X una v.a. con distribucin exp(). Demuestre que o FX (x) = 1 ex 0 si x > 0, otro caso.
190. Sea X una v.a. con distribucin exp(). Demuestre que o a) E(X) = 1/. b) Var(X) = 1/2 . 191. Sea X una v.a. con distribucin exp(). Demuestre que para cualesquiera o x, y 0, P (X x + y | X x) = P (X y). La distribucin exponencial es la unica distribucin continua que satisface o o esta propiedad llamada prdida de memoria. e 192. Sea X una v.a. con distribucin exp(). Demuestre que para todo x, y 0, o FX (x + y) FX (y) = FX (x)[1 FX (y)]. 193. Suponga que el tiempo que un usuario cualquiera permanece conectado a un servidor en una red se puede modelar como una v.a. con distribucin o exponencial con media igual a 10 minutos. Calcule 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. De mil usuarios, cuntos tienen un conexin superior a una hora? a o 194. Sea X una v.a. con distribucin gama(, n). Verique que fX (x) es efectivao mente una funcin de densidad. o 195. Sea X una v.a. con distribucin gama(, n). Demuestre que o
119
a) E(X) = n/. b) Var(X) = n/2 . c) E(X m ) =
(M+n) m (n) .
196. Demuestre las siguientes propiedades de la funcin gama. o a) (n + 1) = n(n). b) (n + 1) = n! si n es entero. c) (2) = (1) = 1. d ) (1/2) = . 197. Sea X una v.a. con distribucin beta(a, b). Verique que fX (x) es efectivao mente una funcin de densidad. o 198. Sea X una v.a. con distribucin beta(a, b). Demuestre que o a) E(X) = a . a+b ab . (a + b + 1)(a + b)2
b) Var(X) =
199. Demuestre las siguientes propiedades de la funcin beta. o a) B(a, b) = B(b, a). (a)(b) . (a + b) c) B(a, 1) = 1/a. b) B(a, b) = d ) B(1, b) = 1/b. a B(a, b + 1). b a f ) B(a + 1, b) = B(a, b). a+b b B(a, b). g) B(a, b + 1) = a+b h) B(1/2, 1/2) = . e) B(a + 1, b) = 200. Sea X una v.a. con distribucin beta(1/2, 1/2). En este caso decimos que X o tiene una distribucin arcoseno. o a) Calcule y graque fX (x).
120
Apendice B. Ejercicios b) Demuestre directamente que fX (x) es una funcin de densidad. o c) Calcule directamente E(X) y Var(X).
201. Sea X una v.a. con distribucin beta(a, b). Demuestre que cuando a > 0 y o b = 1, la funcin de distribucin de X toma la forma o o si x 0, 0 xa si 0 < x < 1, FX (x) = 1 si x 1.
202. Sea X una v.a. con distribucin beta(a, b). Demuestre que cuando a = 1 y o b > 0, la funcin de distribucin de X toma la forma o o si x 0, 0 1 (1 x)b si 0 < x < 1, FX (x) = 1 si x 1. 203. Sea X una v.a. con distribucin beta(a, b). Denuestre que o E(X n ) = B(a + n, b) . B(a, b)
204. Sea X una v.a. con distribucin beta(a, b), con a = b = 1. Demuestre que X o tiene una distribucin uniforme en el intervalo (0, 1). o 205. Sea X una v.a. con distribucin N(, 2 ). Verique que fX (x) es efectivao mente una funcin de densidad. o 206. Sea X una v.a. con distribucin N(, 2 ). Demuestre que o a) E(X) = . b) Var(X) = 2 . 207. Sea X con distribucin N(, 2 ). Demuestre que la variable o Z= X
tiene una distribucin normal estndar. o a 208. Sea Z una v.a. con distribucin normal estndar. Demuestre que la v.a. o a X = + Z tiene una distribucin N(, 2 ). o
121
209. Sea X una v.a. 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).
210. Sea X una v.a. con distribucin N(0, 100). Calcule o a) P (X 10). b) P (X < 0). c) P (0 < X 100).
d ) P (X 30).
e) P (10 < X 10).
211. Encuentre x tal que (x) = 0.8666. 212. Encuentre x tal que 1 (x) = 0.9154. 213. 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 214. Sea X una variable aleatoria con distribucin N(, 2 ). Demuestre que la o variable Y = X tambin tiene una distribucin normal. Encuentre los e o parmetros correspondientes. a 215. Sea X una variable aleatoria con distribucin N(0, 1). Demuestre que X 2 o tiene una distribucin 2 (1). o 216. Sea X una variable aleatoria con distribucin normal estndar. Encuentre la o a funcin de densidad de Y = |X|. o 217. 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
122
Apendice B. Ejercicios 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
218. Enuncie con precisin el teorema central del l o mite. 219. Sea X una v.a. con distribucin 2 (n). Verique que fX (x) es efectivamente o una funcin de densidad. o 220. Sea X una v.a. con distribucin 2 (n). Demuestre que o a) E(X) = n. b) Var(X) = 2n. 221. Sea X una v.a. con distribucin t. Verique que fX (x) es efectivamente una o funcin de densidad. o 222. Sea X una v.a. con distribucin t. Demuestre que o a) E(X) = 0. b) Var(X) =
n n2
para n > 2.
Vectores aleatorios
223. 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
123
d ) Son X y Y independientes? e) Calcule E(XY ). 224. 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? e) Calcule E(XY ). 225. 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. 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? e) Calcule E(XY ). 226. 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.
124
Apendice B. Ejercicios 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? e) Calcule E(XY ).
Estad stica descriptiva

227. Calcule la media, moda, mediana, varianza y desviacin estndar del siguieno a te conjunto de datos: 4, 2, 0, 9, 4, 2, 1, 1, 4, 2. 228. Pregunte a diez personas sus estaturas. Registre todos estos datos y calcule la media, moda, mediana, varianza y desviacin estndar. o a 229. 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 y desviacin estndar. o a 230. Escriba sus ultimas diez calicaciones semestrales y calcule la media, moda, mediana, varianza y desviacin estndar. o a 2 n n 1 1 xi . x2 231. Demuestre que s2 = n 1 i=1 i n i=1
n
232. Demuestre que

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

i=1
(xi x) =
i=1
x2 n2 . x i
n
234. Encuentre el valor de c que minimiza la funcin x(c) = o

i=1
(xi c)2 .
125
235. Calcule la media, varianza, deviacin estndar, mediana y moda aproximados o a del siguiente conjunto de datos agrupados. Elabore adems un histograma. a Intervalo de clase 10 x < 20 20 x < 30 30 x < 40 40 x < 50 50 x < 60 Frecuencia 4 3 6 5 5
236. 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 Frecuencia 0x<5 12 5 x < 10 23 10 x < 15 10 15 x < 20 14 25 x < 30 6 30 x < 35 10 35 x < 40 5
Estimacin puntual o
237. Qu es un estimador puntual? e 238. Cundo decimos que un estimador es insesgado? a a 239. Sean 1 y 2 dos estimadores insesgados para el parmetro . Demuestre que = 1 + (1 )2 es un nuevo estimador insesgado para , en donde es una constante. 240. Sea X1 , X2 , . . . , Xn una m.a. de una poblacin con media conocida y vao rianza nita 2 desconocida. Demuestre que 2 = 1 n
n i=1
(Xi )2
es un estimador insesgado para 2 .
126
241. Sea X1 , X2 , . . . , Xn una m.a. de una poblacin con media desconocida y o varianza nita 2 desconocida. Demuestre que S2 = 1 n1
n i=1
(Xi X)2
es un estimador insesgado para 2 . 242. Sea X1 , X2 , . . . , Xn una m.a. de una poblacin con media desconocida y o varianza nita 2 desconocida. Demuestre que 2 = 1 2(n 1)
2 n1 i=1
(Xi+1 Xi )2
es un estimador insesgado para . 243. Sea X1 , X2 , . . . , Xn una m.a. de una poblacin con media y varianza 2 o desconocidas. Recordemos que la varianza muestral S 2 se ha denido con 1 mo sigue S 2 = (Xi X)2 . Demuestre que S no es un estiman 1 i=1 dor insesgado para . Modique S para que sea insesgado. [Sugerencia: (n 1) 2 S 2 (n 1)]. 2 244. Dada una muestra aleatoria de tama o n de una poblacin uniforme en el n o intervalo (a, b) en donde a = 0, use el mtodo de momentos para encontrar e un estimador para el parmetro b. a 245. 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 246. 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 a e un estimador del parmetro . a 247. Dada una muestra aleatoria de tama o n de una poblacin normal con n o parmetros desconocidos y 2 , use el mtodo de momentos para encontrar a e estimadores para los parmetros y 2 . a 248. Dada una muestra aleatoria de tama o n de una poblacin uniforme en el n o intervalo (a, b) en donde a = 0, use el mtodo de mxima verosimilitud para e a encontrar un estimador para el parmetro b. a
127
249. Dada una muestra aleatoria de tama o n de una poblacin Poisson con n o parmetro desconocido > 0, use el mtodo de mxima verosimilitud para a e a encontrar un estimador del parmetro . a 250. Dada una muestra aleatoria de tama o n de una poblacin exponencial con n o parmetro desconocido > 0, use el mtodo de mxima verosimilitud para a e a encontrar un estimador del parmetro . a 251. Dada una muestra aleatoria de tama o n de una poblacin normal con n o parmetros desconocidos y 2 , use el mtodo de mxima verosimilitud a e a para encontrar estimadores para los parmetros y 2 . a
Estimacin por intervalos o

252. Qu es un intervalo de conanza? e 253. 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. 254. Se realizan 20 pruebas de resistencia de un cierto material obteniendose los 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
255. Qu es una hiptesis estad e o stica? 256. Qu es una hiptesis simple? e o 257. Qu es una hiptesis compuesta? e o 258. Qu es una prueba de hiptesis? e o
128
259. Qu es el error tipo I en una prueba de hiptesis? e o 260. Qu es el error tipo II en una prueba de hiptesis? e o 261. Qu es la regin cr e o tica en una prueba de hiptesis? o 262. Qu es el nivel de signicancia en una prueba de hiptesis? e o 263. Qu se entiende por tama o de la regin cr e n o tica en una prueba de hiptesis? o 264. Las mediciones del n mero de cigarros fumados al d por un grupo de u a diez fumadores es el siguiente: 5, 10, 3, 4, 5, 8, 20, 4, 1, 10. Realice la prueba de hiptesis H0 : = 10 vs H1 : < 10, suponiendo que los datos provienen de o una muestra tomada al azar de una poblacin normal. o 265. Se cree que la estatura promedio de los mexicanos es de 1.70 metros de estatura. Lleve a cabo la prueba de hiptesis H0 : = 1,70 vs H1 : = 1,70, o con el siguiente conjunto de datos: 1.65, 1.75, 1.63, 1.81, 1.74, 1.59, 1.73, 1.66, 1.66, 1.83, 1.77, 1.74, 1.64, 1.69, 1.72, 1.66, 1.55, 1.60, 1.62. 266. Considere la prueba de hiptesis para la media de una poblacin normal o o con 2 conocida. Demuestre que la probabilidad de cometer el error tipo II, esto es, (1 ) tiende a cero cuando el tama o de la muestra n tiende a n innito.
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 Me a xicana, 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.
129
130
Bibliograf a
[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. [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] Wisniewski P. M., Bali G. Ejercicios y problemas de la teora de las probabi lidades. Trillas, 1998. [15] Velasco G., Wisniewski P. Probabilidad y estadstica para ingeniera y cien cias. Thomson, 2001.
Indice
Coeciente multinomial, 25 Combinaciones, 23 Conjunto s ajenos, 10 potencia, 10 Diferencia simtrica, 9 e Distribucin o Bernoulli, 52 beta, 63 binomial, 53 binomial negativa, 57 exponencial, 61 gama, 62 geomtrica, 55 e hipergeomtrica, 58 e ji-cuadrada, 66 normal, 63 Poisson, 56 t, 67 uniforme continua, 60 uniforme discreta, 51 Espacio muestral, 7 Esperanza, 45 propiedades, 47
Evento, 7 s ajenos, 10 Experimento aleatorio, 7 Funcin de densidad, 39 o conjunta, 71 marginal, 73 Funcin de distribucin, 42 o o conjunta, 71 marginal, 73 Funcin de probabilidad, 38 o conjunta, 71 Independencia de dos eventos, 28 de variables aleatorias, 73 de varios eventos, 28 Leyes de De Morgan, 10 Momentos, 50 Ordenaciones con repeticin, 21 o sin repeticin, 22 o Permutaciones, 22 131
132
Indice
Principio de multiplicacin, 20 o Probabilidad axiomtica, 14 a clsica, 12 a condicional, 27 de un evento, 12 frecuentista, 12 subjetiva, 14 Producto Cartesiano, 11 Regla del producto, 28 Teorema central del l mite, 66 de Bayes, 32 de probabilidad total, 30 Tringulo de Pascal, 24 a Variable aleatoria, 34 Varianza, 47 propiedades, 49 Vector aleatorio, 70

Probabilidad y 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

Probabilidad y Estadistica

Cargado por

Copyright:

Formatos disponibles

Versin preliminar o

Una introduccin a la o PROBABILIDAD Y ESTAD ISTICA

A. Formulario A.1. El alfabeto griego . . . . . . . . . . . . . . . . . . . . . . . . . . . . A.2. Tabla de la distribucin normal estndar . . . . . . . . . . . . . . . o a

Blaise Pascal (Francia, 16231662)

Pierre de Fermat (Francia, 16011665)

Recordemos adems las leyes de De Morgan, a (A B)c (A B)c = Ac B c , = Ac B c .

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

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

Ordenaciones con repeticin: o Muestras con orden y con reemplazo

Ordenaciones sin repeticin: o Muestras con orden y sin reemplazo

Permutaciones: Muestras exhaustivas con orden y sin reemplazo

1.3. Analisis combinatorio

Combinaciones: Muestras sin orden y sin reemplazo

Primeros renglones del tringulo de Pascal. a

1.3. Analisis combinatorio

Muestras sin orden y con reemplazo

1.4. Probabilidad condicional e independencia

Muestras con orden

sin reemplazo n! (n k)! n k

Probabilidad condicional e independencia

1.4. Probabilidad condicional e independencia

Teorema de probabilidad total

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

en donde los eventos A Bi , para i = 1, 2, . . . , n, son ajenos. De modo que

1.4. Probabilidad condicional e independencia

1.4. Probabilidad condicional e independencia

= El material escogido es defectuoso.

0.95 0.01 0.95 0.01 + 0.04 0.99

1.5. Variables aleatorias X

Una variable aleatoria es una funcin X del conjunto en R. o

entonces que Y es la variable aleatoria constante 2.

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

Funcin de probabilidad para una variable discreta o

1.6. Funciones de densidad y de distribucion

Grca de una funcin de probabilidad. a o

Funcin de densidad para una variable continua o

Ejemplo de una funcin de densidad. o

1.6. Funciones de densidad y de distribucion

Ejemplo de una funcin de distribucin discreta. o o

cuya grca aparece en la siguiente gura. a

1.6. Funciones de densidad y de distribucion

Ejemplo de una funcin de distribucin continua. o o

Observacin. En el caso continuo tenemos que para toda x en R, o

Esperanza, varianza, momentos

1.7. Esperanza, varianza, momentos

Ilustraremos a continuacin la forma de calcular la esperanza. o

xf (x) = (1)(1/8) + (0)(4/8) + (1)(1/8) + (2)(2/8) = 1/2.

1 La esperanza de X es entonces E(X) =

Esperanza de una funcin de una variable aleatoria o

g(x)fX (x) dx.

como sigue. Var(X) = E (X E(X))2 [x E(X)]2 f (x) x = [x E(X)]2 f (x) dx

[1 1/2]2(1/8) + [0 1/2]2 (4/8) +[1 1/2]2(1/8) + [2 1/2]2 (2/8) 1.

Anlogamente, si X es discreta con funcin de densidad f (x), entonces a o E(X n ) =

1.8. Distribuciones de probabilidad

Distribucin uniforme discreta o

La grca de la funcin de probabilidad de la distribucin unif{1, 2, 3, 4, 5} aparece a o o en la siguiente gura.