Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Luis Rincon I
Luis Rincon I
PROBABILIDAD Y ESTAD
ISTICA
Luis Rincn
o
Departamento de Matemticas
a
Facultad de Ciencias UNAM
Circuito Exterior de CU
04510 Mxico DF
e
Versin: Diciembre 2007
o
http://www.matematicas.unam.mx/lars
Prlogo
o
El presente texto constituye el material completo del curso semestral de Probabilidad y Estad
stica, impartido por el autor a alumnos de la licenciatura en
ciencias de la computacin en la Facultad de Ciencias de la UNAM. Contiene el teo
mario bsico para un curso elemental e introductorio a algunos temas tradicionales
a
de la probabilidad y la estad
stica, as como una coleccin de ejercicios. Algunos
o
de estos ejercicios aparecen a lo largo del texto como parte de la lectura, y una
coleccin ms extensa aparece al nal del libro incluyendo algunas soluciones o
o
a
sugerencias para resolverlos.
El texto est dirigido de manera general a alumnos de las distintas carreras de
a
ingenier ciencias de la computacin, y otras carreras cient
a,
o
cas similares, cuyos
programas de estudio contemplan un semestre introductorio a estos temas. Como
es natural en este tipo de cursos, no se hace nfasis en el rigor matemtico de la
e
a
demostracin de los resultados, sino en el uso, interpretacin y aplicacin de stos.
o
o
o
e
Como prerequisitos para una lectura provechosa de este material, se requiere, en
determinados momentos, tener cierta familiaridad con algunos conceptos elementales de lgebra y del clculo diferencial e integral. El texto fue escrito en el sistema
a
a
A
L TEX, y la mayor de las ilustraciones fueron elaboradas usando el paquete psa
tricks.
El autor agradece cualquier comentario, sugerencia o correccin enviada al correo
o
electrnico que aparece abajo.
o
Luis Rincn
o
Diciembre 2007
Ciudad Universitaria UNAM
lars@fciencias.unam.mx
Contenido
1. PROBABILIDAD
1.1. Introduccin . . . . . . . . . . . . . . . . .
o
1.2. Probabilidad . . . . . . . . . . . . . . . .
1.3. Anlisis combinatorio . . . . . . . . . . .
a
1.4. Probabilidad condicional e independencia
1.5. Variables aleatorias . . . . . . . . . . . . .
1.6. Funciones de densidad y de distribucin .
o
1.7. Esperanza, varianza, momentos . . . . . .
1.8. Distribuciones de probabilidad . . . . . .
1.9. Vectores Aleatorios . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5
6
13
20
28
35
39
45
52
74
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
83
84
84
86
88
89
93
99
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
A. Ejercicios
107
B. Soluciones
139
C. Formulario
167
Contenido
Parte 1
PROBABILIDAD
1.1. Introduccion
Blaise Pascal
(Francia, 16231662)
Pierre de Fermat
(Francia, 16011665)
1.1.
Introduccin
o
Parte 1. PROBABILIDAD
sabemos cul ser el resultado del experimento aleatorio, asi que por lo menos cona
a
viene agrupar en un conjunto a todos los resultados posibles. El espacio muestral
(o tambin llamado espacio muestra de un experimento aleatorio es el conjunto de
e
todos los posibles resultados del experimento, y se le denota generalmente por la
letra griega (omega). Ms adelante mostraremos que este conjunto no es necea
sariamente unico y su determinacin depende del inters del observador o persona
o
e
que realiza el experimento aleatorio. En algunos textos se usa tambin la letra S
e
para denotar al espacio muestral. Esta letra proviene del trmino sampling space de
e
la lengua inglesa equivalente a espacio muestral. Por otro lado, llamaremos evento
a cualquier subconjunto del espacio muestral y denotaremos a los eventos por las
primeras letras del alfabeto en may sculas: A, B, C, etc. Con la ayuda de algunos
u
ejemplos ilustraremos a continuacin los conceptos de espacio muestral y evento.
o
Ejemplo. Si un experimento aleatorio consiste en lanzar un dado y observar el
n mero que aparece en la cara superior, entonces claramente el espacio muestral es
u
el conjunto = {1, 2, 3, 4, 5, 6}. Como ejemplo de un evento para este experimento
podemos denir el conjunto A = {2, 4, 6}, que corresponde al suceso de obtener
como resultado un n mero par. Si al lanzar el dado una vez se obtiene el n mero
u
u
4, decimos entonces que se observ la ocurrencia del evento A, y si se obtiene
o
por ejemplo el resultado 1, decimos que no se observ la ocurrencia del evento A.
o
Ejemplo. Considere el experimento aleatorio de participar en un juego de loter
a.
Suponga que hay un milln de n meros en esta loter y un jugador participa con
o
u
a
un boleto. Cul es un posible espacio muestral para este experimento? Naturala
mente al jugador le interesa conocer su suerte en este juego y puede proponer como
espacio muestral el conjunto = {ganar, perder}. Sin embargo puede tambin
e
tomarse como espacio muestral el conjunto que contiene a todos los posibles n meu
ros ganadores, es decir, = {1, 2, . . . , 1000000}. Este ejemplo sencillo muestra que
el espacio muestral de un experimento aleatorio no es unico y depende del inters
e
del observador.
Ejemplo. Suponga que un experimento aleatorio consiste en observar el tiempo en
el que una mquina en operacin sufre su primera descompostura. Si se consideran
a
o
mediciones continuas del tiempo, entonces puede adoptarse como espacio muestral
para este experimento el intervalo [0, ). El subconjunto A = [1, 2] corresponde al
evento en el que la primera descompostura se observe entre la primera y la segunda
unidad de tiempo.
1.1. Introduccion
Ac
AB
AB
=
=
{ : A B},
o
{ : A y B},
{ : A y B},
/
{ : A}.
/
Parte 1. PROBABILIDAD
AB
AB
Figura 1.1:
por Ac y se dene como la coleccin de aquellos elementos de que no pertenecen
o
a A. Mediante un diagrama de Venn ilustramos grcamente las operaciones de
a
diferencia y complemento en la Figura 1.2.
A
B
A
AB
Figura 1.2:
Ejemplo. Sea A el conjunto de aquellas personas que tienen hijos, y B la coleccin de aquellas personas que estan casadas. Entonces el conjunto A B consta
o
de aquellas personas que estan casadas y tienen hijos, mientras que el conjunto
A B c est constituido por aquellas personas que tienen hijos pero no estan caa
sadas. Quin es Ac B? Observe que cada persona es un elemento de alguno de
e
los siguientes conjuntos: AB, AB c , Ac B Ac B c . A cul pertenece usted?
o
a
Ejercicio. Demuestre que si A B, entonces B c Ac .
Ejercicio. Considere los subconjuntos de n meros reales A = {x R : x2 1} y
u
B = {x R : x > 0}. Encuentre y represente en el eje real los conjuntos: A B,
10
1.1. Introduccion
A B, A B y B A.
Es fcil vericar que el conjunto vac y el conjunto total satisfacen las siguientes
a
o
propiedades elementales: A = A, A = A, A = , A Ac = ,
A = , A Ac = . Las operaciones unin e interseccin son asociativas, esto
o
o
es, satisfacen las siguientes igualdades:
A (B C)
A (B C)
= (A B) C,
= (A B) C,
A (B C)
= (A B) (A C),
= (A B) (A C).
AB
Figura 1.3:
Recordemos adems las muy utiles leyes de De Morgan:
a
(A B)c
c
(A B)
= Ac B c ,
= Ac B c .
Parte 1. PROBABILIDAD
11
12
1.1. Introduccion
en esta coleccin estan contenidos todos los eventos que podr ser de inters en un
o
an
e
experimento aleatorio. No es dif demostrar que #(2 ) = 2# , es decir, el n mero
cil
u
de elementos en el conjunto 2 es exactamente 2 elevado a la potencia dada por
la cardinalidad de . De este hecho proviene la notacin usada para el conjunto
o
potencia: 2 . Observe que la expresin 2 no tiene sentido matemtico, y debe
o
a
considerarse como un s
mbolo para denotar al conjunto potencia. Para el ejemplo
anterior se comprueba que la cardinalidad de 2 es efectivamente 2# = 23 = 8.
Ejercicio. Sea = {a}. Quin es 2 ?
e
Producto Cartesiano. Finalmente recordemos que el producto Cartesiano de
dos conjuntos A y B, denotado por A B, se dene como la coleccin de todas las
o
parejas ordenadas (a, b), en donde a es cualquier elemento de A, y b es cualquier
elemento de B. En s
mbolos, A B = {(a, b) : a A y b B}. Por ejemplo, si
A = {a1 , a2 } y B = {b1 , b2 , b3 }, entonces
A B = {(a1 , b1 ), (a1 , b2 ), (a1 , b3 ), (a2 , b1 ), (a2 , b2 ), (a2 , b3 )}.
En general los conjuntos producto A B y B A son distintos pues la pareja (a, b)
es distinta de (b, a), sin embargo ambos conjuntos tienen la misma cardinalidad,
esto es, ambos tienen el mismo n mero de elementos. Ms a n, si la cardinalidad de
u
a u
A es el n mero n, y la cardinalidad de B es m, entonces la cardinalidad del conjunto
u
AB es el producto nm. Este resultado es llamado principio de multiplicacin que
o
usaremos ms adelante. Un poco ms generalmente, puede considerarse el producto
a
a
Cartesiano de n conjuntos y comprobarse que
#(A1 An ) = #A1 #An .
Ejemplo. El producto Cartesiano R R es el conjunto de todas las parejas de
n meros reales (x, y). A este conjunto producto se le denota usualmente por R2 .
u
Anlogamente se construyen los conjuntos R3 , R4 , . . ., Rn , . . .
a
Ejercicio. Sea A = {0, 1}. Cuntos elementos tiene A A?
a
n
a
o
estamos interesados en calcular probabilidades de los diferentes eventos, es decir,
de subconjuntos del espacio muestral que se obtienen al estudiar los diversos expe-
Parte 1. PROBABILIDAD
13
1.2.
Probabilidad
Probabilidad clasica. Sea A un subconjunto de un espacio muestral de cardinalidad nita. Se dene la probabilidad clsica del evento A como el cociente:
a
P (A) =
#A
,
#
en donde el s
mbolo #A denota la cardinalidad o n mero de elementos del conu
junto A. Claramente esta denicin es slo vlida para espacios muestrales nitos,
o
o
a
pues forzosamente necesitamos suponer que el n mero de elementos en es niu
to. Adems, el espacio debe ser equiprobable, pues para calcular la probabilidad
a
de un evento A, unicamente necesitamos contar cuntos elementos tiene A res
a
pecto del total , sin importar exactamente qu elementos particulares sean. Por
e
lo tanto, esta denicin de probabilidad presupone que todos los elementos de
o
son igualmente probables o tienen el mismo peso. Este es el caso por ejemplo
de un dado equilibrado. Para este experimento el espacio muestral es el conjunto
= {1, 2, 3, 4, 5, 6}, y si deseamos calcular la probabilidad (clsica) del evento A
a
correspondiente a obtener un n mero par, es decir, la probabilidad de A = {2, 4, 6},
u
entonces
#{2, 4, 6}
3
1
P (A) =
= = .
#{1, 2, 3, 4, 5, 6}
6
2
Probabilidad frecuentista. Suponga que se realizan n repeticiones de un cierto experimento aleatorio y sea A un evento cualquiera. Denotemos por n(A) el
n mero de ocurrencias del evento A, en las n realizaciones del experimento. Se
u
dene entonces la probabilidad frecuentista de A como indica el siguiente l
mite
P (A) = l
m
n(A)
.
n
14
1.2. Probabilidad
En este caso, debemos hacer notar que no es humanamente posible llevar a cabo una
innidad de veces el experimento aleatorio, de modo que en la prctica no es posible
a
encontrar mediante este mecanismo la probabilidad de un evento cualquiera. Esta
limitacin hace que esta denicin de probabilidad no sea enteramente formal, pero
o
o
tiene algunas ventajas. Veamos un ejemplo concreto. Consideremos nuevamente el
experimento aleatorio de lanzar un dado equilibrado y registrar la ocurrencia del
evento A denido como el conjunto {2, 4, 6}. Despus de lanzar el dado 20 veces se
e
obtuvieron los siguientes resultados:
No.
1
2
3
4
5
6
7
8
9
10
Resultado
3
6
2
1
4
6
3
4
2
5
n(A)/n
0/1
1/2
2/3
2/4
3/5
4/6
4/7
5/8
6/9
6/10
No.
11
12
13
14
15
16
17
18
19
20
Resultado
2
5
1
6
3
1
5
5
2
6
n(A)/n
7/11
7/12
7/13
8/14
8/15
8/16
8/17
8/18
9/19
10/20
e
e
n(A)/n
1/2
8 10 12 14 16 18 20
Figura 1.4:
Parte 1. PROBABILIDAD
15
proponen las reglas que el clculo de probabilidades debe satisfacer. Los siguientes
a
tres postulados o axiomas1 fueron establecidos en 1933 por el matemtico ruso A.
a
N. Kolmogorov.
Axiomas de la probabilidad
1. P (A) 0.
2. P () = 1.
3. P (A B) = P (A) + P (B),
cuando A B = .
A. N. Kolmogorov
(Rusia, 19031987)
16
1.2. Probabilidad
cuidadoso y reexivo de las deniciones de probabilidad mencionadas anteriormente. En particular, observe que el tercer axioma es vlido no slo para dos eventos
a
o
ajenos sino para cualquier coleccin nita de eventos ajenos dos a dos. A cualquier
o
funcin P que satisfaga los tres axiomas de Kolmogorov se le llama medida de
o
probabilidad, o simplemente probabilidad. A partir de estos postulados es posible
demostrar que la probabilidad cumple con una serie de propiedades interesantes.
Proposicin. Para cualquier evento A, P (Ac ) = 1 P (A).
o
Demostracin. De la teor elemental de conjuntos tenemos que = A Ac . Como
o
a
A y Ac son eventos ajenos, por el tercer axioma, P () = P (A)+P (Ac ). Finalmente,
como P () = 1, por el segundo axioma obtenemos P (Ac ) = 1 P (A).
Proposicin. P () = 0.
o
Demostracin. Como = c , usando la propiedad anterior, tenemos que P () =
o
P (c ) = 1 P () = 0.
Las siguientes dos proposiciones suponen la situacin A B que se muestra gro
a
camente en la Figura 1.5.
Figura 1.5: A B.
Proposicin. Si A B, entonces P (A) P (B).
o
Demostracin. Primeramente escribimos B = A (B A). Como A y B A
o
son eventos ajenos, por el tercer axioma, P (B) = P (A) + P (B A). Usando el
primer axioma concluimos que P (B) P (A) = P (B A) 0. De aqui obtenemos
P (B) P (A) 0.
Parte 1. PROBABILIDAD
17
=
=
(A B) (A B) (B A)
(A A B) (A B) (B A B).
18
1.2. Probabilidad
(a) A B
(b) A B C
Figura 1.6:
Ejercicio. Sean A y B eventos ajenos tales que P (B) = 0.3 y P (A B c ) = 0.2.
Compruebe que P (A B) = 0.5.
Observe que la frmula anterior es vlida para cualesquiera eventos A y B. En
o
a
particular, cuando son conjuntos ajenos, es decir, cuando A B = , entonces
la frmula demostrada se reduce al tercer axioma de la probabilidad, es decir,
o
P (A B) = P (A) + P (B). El siguiente resultado es una generalizacin del anterior
o
e involucra tres eventos cualesquiera. La frmula que a continuacin se demuestra
o
o
puede tambin vericarse usando el diagrama de Venn que aparece en la Fig 1.6 (b).
e
Para ello siga los trminos del lado derecho de la frmula y compruebe que cada
e
o
regin es contada una sola vez de modo que el resultado nal es la probabilidad
o
del evento A B C.
Proposicin. Para cualesquiera eventos A, B y C,
o
P (A B C)
P (A C) P (B C) + P (A B C).
Parte 1. PROBABILIDAD
19
= 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))
Las propiedades anteriores son parte del estudio terico y general de la probabilio
dad. En general, supondremos que la forma expl
cita de calcular estos n meros es
u
conocida, o que se puede suponer un cierto modelo para llevar a cabo estos clculos
a
dependiendo del experimento aleatorio en cuestin. Por ejemplo, cuando el espacio
o
muestral es nito y cada resultado puede suponerse igualmente probable, entonces
usaremos la denicin clsica de probabilidad. En otras situaciones asignaremos
o
a
probabilidades de acuerdo a ciertos modelos conocidos. Regresaremos a este punto
ms adelante. A manera de resumen presentamos a continuacin una tabla con las
a
o
propiedades de la probabilidad que hemos demostrado.
Algunas propiedades de la probabilidad
a) P (Ac ) = 1 P (A).
b) P () = 0.
c) Si A B, entonces P (A) P (B).
d) Si A B, entonces P (B A) = P (B) P (A).
e) 0 P (A) 1.
f) P (A B) = P (A) + P (B) P (A B).
g) P (A B C) = P (A) + P (B) + P (C) P (A B) P (A C)
P (B C) + P (A B C).
Esperamos que, a partir de las propiedades enunciadas y demostradas, el lector haya
desarrollado cierta habilidad e intuicin para escribir la demostracin de alguna otra
o
o
20
1.3.
Anlisis combinatorio
a
Parte 1. PROBABILIDAD
21
n objetos
k objetos
urna
muestra
Figura 1.7:
22
Ordenaciones sin repeticion: Muestras con orden y sin reemplazo. Suponga que se tiene la misma situacin que antes, una urna con n objetos y de los
o
cuales se deben extraer, uno a uno, k objetos. Suponga esta vez que el muestreo es
sin reemplazo, es decir, una vez seleccionado un objeto ste ya no se reincorpora
e
a la urna. El total de arreglos distintos que se pueden obtener de este modo es
el n mero: n(n 1)(n 2) (n k + 1). Primeramente debemos observar que
u
hay k factores en la expresin anterior. El primer factor es n y ello es debido a
o
que tenemos cualesquiera de los n objetos para ser colocado en primera posicin,
o
para la segunda posicin tenemos ahora n 1 objetos, para la tercera n 2 objeo
tos, etc. Este razonamiento termina al escoger el k-simo objeto para cual tenemos
e
unicamente n k + 1 posibilidades. Nuevamente por el principio multiplicativo, la
Parte 1. PROBABILIDAD
23
24
de estas caracter
sticas? Para responder a esta pregunta seguiremos el siguiente
razonamiento. Cuando el orden importa hemos encontrado antes la frmula
o
n!
.
(n k)!
Ahora que no nos interesa el orden, observamos que cada uno de los arreglos de
la frmula anterior, est siendo contado k! veces, las veces en que los mismos k
o
a
elementos pueden ser permutados unos con otros, siendo que el conjunto de elementos es el mismo. Para obtener arreglos en donde el orden no importa, debemos
entonces dividir por k! La frmula a la que hemos llegado se llama combinaciones
o
de n en k, que denotaremos como sigue:
n
k
n!
.
k! (n k)!
(a + b)n =
k=0
n nk k
a
b .
k
a2 + 2ab + b2 .
(a + b)3
a3 + 3a2 b + 3ab2 + b3 .
u
seleccionados, cuntos segundos lugares puede haber para una arreglo dado de
a
seis n meros?
u
Parte 1. PROBABILIDAD
25
1
1
1
1
1
1
1
2
3
4
5
1
1
3
10 10
1
5
15 20 15
1
6
Figura 1.8:
El n-simo rengln del tringulo de Pascal, iniciando desde cero, contiene los coee
o
a
cientes del desarrollo de (a + b)n . Existe una forma sencilla de construir este
tringulo observando que cada uno de estos n meros, exceptuando los extremos, es
a
u
la suma de los dos n meros inmediatos del rengln anterior. A este respecto vase
u
o
e
por ejemplo el Ejercicio 53 en la pgina 112.
a
Coeficiente multinomial. Ahora consideremos que tenemos n objetos no necesariamente distintos unos de otros. Por ejemplo, supongamos que tenemos k1
objetos de un primer tipo, k2 objetos de un segundo tipo, y as sucesivamente,
n
k1 k2 km1 km
n!
.
k1 ! k2 ! km1 ! km !
26
pueden escribirse todos estos objetos uno detrs de otro es n! Pero para cada uno
a
de estos arreglos, los k1 objetos del primer tipo, supuestos inicialmente distintos
cuando en realidad no lo son, pueden permutarse entre s de k1 ! formas diferentes,
siendo que el arreglo total es el mismo. De aqui que debamos dividir por k1 ! Lo
mismo sucede con los elementos del segundo tipo y as sucesivamente hasta los
n
ak1 ak2 akm ,
m
k1 km 1 2
(1.1)
en donde la suma se efect a sobre todos los posibles valores enteros no negativos
u
de k1 , k2 , . . . , km , tales que k1 + k2 + + km = n. Por ejemplo, compruebe el lector
que la frmula (1.1) produce la siguiente expresin:
o
o
(a + b + c)2 = a2 + b2 + c2 + 2ab + 2ac + 2bc.
Puede usted desarrollar (a + b + c)3 ? Es interesante observar que cuando hay
unicamente dos tipos de objetos, el coeciente multinomial se reduce al coeciente
binomial.
Muestras sin orden y con reemplazo. Finalmente consideremos el caso de
hacer k extracciones de una urna de n objetos con las condiciones de que cada
objeto extra es regresado a la urna (y entonces puede ser elegido nuevamente),
do
y en donde el orden de la muestra no es relevante. Para encontrar una frmula para
o
el total de muestras que pueden obtenerse con estas caracter
sticas usaremos una
modelacin distinta pero equivalente. Consideremos el arreglo de n casillas de la
o
Figura 1.9 junto con la siguiente interpretacin.
o
n1
Figura 1.9:
La primera casilla tiene dos cruces y eso indica que la bola uno fue seleccionada dos
veces, la segunda casilla esta vac y ello signica que la bola dos no fue seleccionada,
a
etc. El n mero de cruces en la casilla i indica entonces el n mero de veces que la
u
u
bola i fue seleccionada. En total debe haber k cruces pues es el total de extracciones.
Deseamos entonces conocer el n mero de posibles arreglos que pueden obtenerse con
u
estas caracter
sticas, y debe ser claro, despus de algunos momentos de reexin,
e
o
que ste es el n mero de muestras de tama o k, con reemplazo y sin orden, que se
e
u
n
27
Parte 1. PROBABILIDAD
Muestras
con reemplazo
sin reemplazo
con orden
nk
n!
(n k)!
sin orden
n+k1
k
n
k
28
1.4.
P (A B)
.
P (B)
29
Parte 1. PROBABILIDAD
o
o
del evento A es la misma cuando sabemos que ha ocurrido el evento B (lado izquierdo), que cuando no sabemos nada (lado derecho). Es decir, la ocurrencia del
evento B no afecta la probabilidad del evento A y por lo tanto son independientes.
De manera anloga puede interpretarse la igualdad equivalente P (B|A) = P (B),
a
suponiendo naturalmente que P (A) > 0. En la mayor de los casos de aplicacin
a
o
simplemente supondremos que dos eventos dados son independientes recurriendo
unicamente a justicaciones intuitivas.
Ejemplo. Suponga que se lanza una moneda dos veces. Es una hiptesis natural
o
suponer que el resultado del primer lanzamiento no afecta el resultado del segundo
lanzamiento. De este modo cualquier evento del primer ensayo es independiente de
cualquier otro evento en el segundo ensayo.
La denicin de independencia de dos eventos puede generalizarse al caso de varios
o
eventos de la siguiente forma: Decimos que n eventos A1 , A2 , . . . , An son independientes si se satisfacen todas y cada una de las condiciones siguientes:
P (Ai Aj ) =
P (Ai Aj Ak ) =
.
.
.
P (A1 An ) =
P (Ai )P (Aj ),
i, j distintos.
i, j, k distintos.
P (A1 ) P (An ).
30
B1 B2 B3
A
Figura 1.10:
Ahora podemos enunciar y demostrar el muy util teorema de probabilidad total.
P (A) =
i=1
P (A | Bi )P (Bi ).
31
Parte 1. PROBABILIDAD
A= A= A
Bi =
i=1
i=1
A Bi ,
P (A) = P (
i=1
A Bi ) =
i=1
P (A Bi ) =
i=1
P (A | Bi )P (Bi ).
Caja 1
Caja 2
Figura 1.11:
El experimento aleatorio consiste entonces en escoger una caja al azar, con idntica
e
probabilidad cada una de ellas, y despus escoger una bola de la caja escogida. Es
e
claro entonces que el espacio muestral puede escribirse como sigue
= {(C1 , B), (C1 , G), (C2 , B), (C2 , G)},
en donde C1 y C2 denotan los eventos en donde las cajas uno y dos fueron escogidas,
respectivamente, y B y G denotan los eventos en donde una bola blanca o gris fueron
32
10 2 12 2
2
.
5
Observe adems que la particin del espacio muestral consta de dos elementos:
a
o
{(C1 , B), (C1 , G)} y {(C2 , B), (C2 , G)}. Puede usted comprobar que P (G) = 3/5?
Puede uno tambin preguntarse por situaciones aparentemente extra as como la
e
n
siguiente: Si se obtuvo una bola blanca, Cul es la probabilidad de que haya sido
a
obtenida de la primera caja?
Ejemplo. Suponga que en una poblacin humana de igual n mero de hombres y
o
u
mujeres, el 4 % de hombres son daltnicos y el 1 % de las mujeres son daltnicas.
o
o
Una persona es elegida al azar, Cul es la probabilidad de que sea daltnica?
a
o
Denamos primero los eventos de inters. Sea M el evento La persona escogida es
e
mujer, H el evento La persona escogida es hombre y D el evento La persona
escogida es daltnica. Deseamos calcular P (D). Por el teorema de probabilidad
o
total,
P (D)
=
=
=
100 2 100 2
1
.
40
Teorema de Bayes. Este es otro resultado interesante que involucra probabilidades condicionales. Fue publicado por primera vez en 1763, dos a os despus de
n
e
la muerte de su creador, el matemtico y telogo ingls Thomas Bayes.
a
o
e
33
Parte 1. PROBABILIDAD
P (A|Bj )P (Bj )
n
P (A|Bi )P (Bi )
i=1
=
=
=
P (A Bj )
P (A)
P (A|Bj )P (Bj )
P (A)
P (A|Bj )P (Bj )
n
P (A|Bi )P (Bi )
i=1
Vase la Figura 1.10 para una representacin grca de la particin del espacio
e
o
a
o
muestral y el evento A. Nuevamente observamos que en el caso cuando la particin
o
de consta de slo dos elementos: B y B c , el teorema de Bayes, para el evento B,
o
adquiere la forma:
P (B|A) =
P (A|B)P (B)
.
P (A|B)P (B) + P (A|B c )P (B c )
34
P (D|M2 )P (M2 )
P (D|M1 )P (M1 ) + P (D|M2 )P (M2 )
3
100
5
100
60
100
40
100
5
100
40
100
10
.
19
P (N |E)P (E)
P (N |E)P (E) + P (N |E c )P (E c )
P (E|N )
0.05 0.01
0.05 0.01 + 0.96 0.99
= 0.000526 .
Es bueno que esta probabilidad sea peque a, pero por otro lado,
n
P (E|N c )
=
=
P (N c |E)P (E)
+ P (N c |E c )P (E c )
P (N c |E)P (E)
0.95 0.01
0.95 0.01 + 0.04 0.99
= 0.193 .
Parte 1. PROBABILIDAD
35
n
conable en tales casos.
Ejercicio. El problema de las tres puertas (Monty Hall). Se le presentan a un concursante tres puertas cerradas detrs de una de las cuales hay un premio. El cona
cursante debe adivinar la puerta que contiene el premio para ganarlo. Una vez que
el concursante elige una puerta, y antes de abrirla, el presentador del concurso abre
alguna de las puertas restantes y de la cual sabe que no contiene ning n premio.
u
Entonces le pregunta al concursante si desea cambiar su decisin. Qu debe hacer
o
e
el concursante? Justique su respuesta.
1.5.
Variables aleatorias
Dado un experimento aleatorio cualquiera, una variable aleatoria es una transformacin X del espacio de resultados al conjunto de n meros reales, esto es,
o
u
X : R.
A menudo se escribe simplemente v.a. en lugar del trmino variable aleatoria. En
e
sentido estricto una variable aleatoria es una funcin de en R que satisface
o
adems cierta condicin de medibilidad, pero omitiremos tales tecnicismos pues no
a
o
son de utilidad para los propsitos de este curso. Suponga entonces que se efect a
o
u
el experimento aleatorio una vez y se obtiene un resultado en . Al transformar
este resultado con la variable aleatoria X se obtiene un n mero real X() = x.
u
Podemos entonces suponer que los posibles resultados del experimento aleatorio
son los diferentes n meros reales x que la funcin X puede tomar. Ilustramos de
u
o
manera grca el concepto de variable aleatoria en la Figura1.12. Debemos hacer
a
aqui la siguiente observacin importante. Seguiremos la notacin usual de usar la
o
o
letra may scula X para denotar una variable aleatoria cualquiera, es decir, X es
u
una funcin de en R, mientras que la letra min scula x denota un n mero real y
o
u
u
que es un posible valor de la variable aleatoria. En general, las variables aleatorias
se denotan usando las ultimas letras del alfabeto en may sculas, U, V, W, X, Y, Z,
u
y para un valor cualquiera de ellas se usa la misma letra pero en min scula.
u
Ejemplo. Suponga que un experimento aleatorio consiste en lanzar al aire una moneda y observar la cara superior una vez que la moneda cae. Denotemos por Cara
36
X() = x
Figura 1.12:
y Cruz los dos lados de la moneda. Entonces claramente el espacio muestral es
el conjunto = {Cara, Cruz}. Dena la variable aleatoria X : R de la
siguiente forma X(Cara) = 0 y X(Cruz) = 1. De este modo podemos suponer
que el experimento aleatorio tiene dos valores numricos posibles: 0 y 1. Observe
e
que los n meros 0 y 1 son en realidad arbitrarios, otro par de n meros distintos
u
u
puede ser escogido para distinguir los dos resultados del experimento aleatorio.
Podemos tambin denir la variable aleatoria Y : R de la siguiente forma
e
Y (Cara) = Y (Cruz) = 2. En este caso la variable Y solo toma un valor, el
n mero 2. Cualquier resultado del experimento aleatorio produce, a travs de la
u
e
funcin Y , el n mero 2. Decimos que Y es la variable aleatoria constante 2.
o
u
Ejemplo. Consideremos el experimento aleatorio consistente en lanzar un dardo
en un tablero circular de radio uno. El espacio muestral o conjunto de posibles
resultados del experimento se puede escribir como sigue = {(x, y) : x2 + y 2 1}.
= (x, y)
Figura 1.13:
Parte 1. PROBABILIDAD
37
b) Y (x, y) = y,
c) Z(x, y) =
x2 + y 2 ,
Considerando el conjunto de valores que una variable aleatoria puede tomar, vamos
a clasicar a las variables aleatorias en dos tipos: discretas o continuas. Decimos
que una v.a. es discreta cuando el conjunto de valores que sta toma es un cone
junto discreto, es decir, un conjunto nito o numerable. Por ejemplo, el conjunto
{0, 1, 2, . . . , n} es un conjunto discreto porque es nito, lo mismo N pues aunque
es innito, es numerable y por lo tanto discreto. Por otra parte, decimos que una
variable aleatoria es continua cuando toma todos los valores dentro de un intervalo
(a, b) R. Esta clasicacin de variables aleatorias no es completa pues existen vao
riables que no son de ninguno de los dos tipos mencionados. Por simplicidad en este
curso estudiaremos unicamente variables aleatorias que son discretas o continuas.
continuas. Si se dibujan c
rculos concntricos alrededor del origen y si se asignan
e
premios asociados a cada una de las regiones resultantes, puede obtenerse un ejemplo de una variable aleatoria discreta sobre este espacio muestral.
Ejemplo. Un experimento aleatorio consiste en escoger a una persona al azar. La
variable aleatoria X evaluada en corresponde a conocer la siguiente caracter
stica, o una codicacin de esta caracter
o
stica, de la persona escogida. En cada caso
se trata de una variable aleatoria discreta: a) Edad en a os. b) N mero de hijos.
n
u
c) Peso. d) Estatura. e) Sueldo. f) Nivel escolar. g) Estado civil. h) Lugar
de nacimiento.
38
tanto P (X [1, )) = P {Cruz} = 1/2. Del mismo modo puede vericarse que
a) P (X [1, 2)) = P ({Cruz}) = 1/2.
b) P (X [0, 1)) = P ({Cara}) = 1/2.
c) P (X [2, 4]) = P () = 0.
d) P (X = 1) = P ({Cruz}) = 1/2.
e) P (X 1) = P () = 0.
f) P (X 0) = P () = 1.
Usaremos con mucha frecuencia la notacin arriba explicada. El lector debe aseo
gurarse de comprender bien que si x es un n mero real entonces (X x) es
u
un subconjunto de y por lo tanto un evento. Lo mismo sucede con el complemento de este conjunto que es (X > x). Podemos escribir entonces la igualdad de conjuntos (X x) (X > x) = . Y aplicando probabilidad se obtiene
P (X x) + P (X > x) = 1.
Nota importante. A travs de una variable aleatoria se puede considerar que los poe
sibles resultados de un experimento aleatorio no son elementos en sino n meros
u
reales que la variable aleatoria puede tomar. Esta es una consideracin radical pues
o
ya no consideraremos experimentos aleatorios particulares, ni espacios muestrales
arbitrarios , ni eventos (subconjuntos) de , en lugar de ello consideraremos que
una cierta variable aleatoria de inters toma valores en un cierto subconjunto de
e
n meros reales. La probabilidad denida antes para subconjuntos de se traslada,
u
como explicamos antes, a probabilidades para subconjuntos de R. Esta perspectiva
permite estudiar modelos generales y despus aplicarlos a cualquier situacin pare
o
Parte 1. PROBABILIDAD
39
ticular. A partir de ahora y en lo que resta del curso el trmino variable aleatoria
e
constituir un elemento frecuente en los enunciados.
a
1.6.
En esta seccin vamos a explicar la forma de asociar a cada variable aleatoria dos
o
funciones que nos proveen de informacin acerca de las caracter
o
sticas de la variable
aleatoria. Estas funciones, llamadas funcin de densidad y funcin de distribucin,
o
o
o
nos permiten representar a un mismo tiempo tanto los valores que puede tomar la
variable como las probabilidades de los distintos eventos. Deniremos primero la
funcin de densidad para una variable aleatoria discreta, despus para una continua,
o
e
y nalmente deniremos la funcin de distribucin para ambos tipos de variables
o
o
aleatorias.
P (X = x)
0
si x = x1 , x2 , . . .
otro caso.
(1.2)
aleatorias a la vez. Observe que se cumplen las siguientes dos propiedades, y toda
funcin de la forma (1.2) la llamaremos funcin de probabilidad.
o
o
a) f (x) 0, para toda x R.
b)
f (x) = 1.
x
40
Ejemplo. Considere la variable aleatoria discreta X que toma los valores 1, 2 y 3, con
probabilidades 0.3, 0.5 y 0.2 respectivamente. Entonces la funcin de probabilidad
o
de X es
0.3 si x = 1,
0.5 si x = 2,
f (x) =
0.2 si x = 3,
0
otro caso.
Esta funcin se muestra grcamente en la Figura 1.14 (a). Alternativamente poo
a
demos tambin expresar esta funcin mediante la tabla de la Figura 1.14 (b). En
e
o
esta representacin se entiende de manera impl
o
cita que f (x) es cero para cualquier valor de x distinto de 1, 2 y 3. En particular, compruebe que las siguientes
probabilidades son correctas: P (X 2) = 0.7, P (|X| = 1) = 0.3, y P (X < 1) = 0.
f (x)
0.5
0.3
0.2
x
x
f (x)
1
0.3
2
0.5
3
0.2
(a)
(b)
Figura 1.14:
Ejemplo. Encontraremos el valor de la constante c que hace que la siguiente funcin
o
sea de probabilidad.
c x si x = 0, 1, 2, 3,
f (x) =
0
otro caso.
Los posibles valores de la variable aleatoria discreta, no especicada, son 0, 1, 2 y
3, con probabilidades 0, c, 2c y 3c, respectivamente. Como la suma de estas probabilidades debe ser uno, obtenemos la ecuacin c + 2c + 3c = 1. De aqui obtenemos
o
c = 1/6. Este es el valor de c que hace que f (x) sea no negativa y sume uno, es
decir, una funcin de probabilidad.
o
Ejercicio. Graque y compruebe que las siguientes funciones son de probabilidad.
a) f (x) = x2 /10,
para x = 2, 1, 0, 1, 2.
41
Parte 1. PROBABILIDAD
b) f (x) = (2x 5)2 /70,
para x = 1, 2, 3, 4, 5.
Funcion de densidad para una variable continua. Sea X una variable aleatoria continua. Decimos que la funcin integrable y no negativa f (x) : R [0, )
o
es la funcin de densidad de X si para cualquier intervalo (a, b) de R se cumple la
o
igualdad
b
P (X (a, b)) =
f (x) dx.
a
f (x) dx = 1.
Toda funcin f (x) : R [0, ) que satisfaga estas dos propiedades, sin necesidad
o
de tener una variable aleatoria de por medio, se llamar funcin de densidad.
a
o
f (x)
b
P (X (a, b)) =
a
f (x) dx
a
1/2
0
si x (1, 3),
otro caso,
42
es una funcin de densidad de una variable aleatoria continua que toma valores en
o
el intervalo (1, 3), y cuya grca aparece en la Figura 1.16. Observe que se trata
a
de una funcin no negativa y cuya integral vale uno.
o
f (x)
1/2
Figura 1.16:
1=
1
c |x| dx = 2
c x dx = c.
0
Por lo tanto, cuando tomamos c = 1 la funcin del inciso (b) resulta ser una funcin
o
o
de densidad pues ahora cumple con ser no negativa e integrar uno.
Ejercicio. Graque y compruebe que las siguientes funciones son de densidad.
a) f (x) = (x + 1)/2,
b) f (x) = ex ,
para x > 0.
43
Parte 1. PROBABILIDAD
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,
F (x)
F (x)
0.8
0.3
x
(a)
2
(b)
Figura 1.17:
44
si x 1,
0
x
(x 1)/2 si 1 < x < 3,
F (x) = P (X x) =
f (u) du =
1
si x 3,
cuya grca aparece en la Figura 1.17 (b). Observe que esta funcin es continua y
a
o
no decreciente.
F (x) = P (X x) =
f (u) du,
de modo que por el teorema fundamental del clculo, y cuando F (x) es diferenciaa
ble, F (x) = f (x). De este modo podemos encontrar f (x) a partir de F (x).
En el caso discreto, f (x) = P (X = x) = F (x)F (x), en donde F (x) es el l
imite
por la izquierda de la funcin F en el punto x, en s
o
mbolos, F (x) = l F (x h),
m
h0
c)
l
m F (x) = 0.
Parte 1. PROBABILIDAD
45
Demostracin.
o
a) Primeramente tenemos que F (x) es una probabilidad pues, por denicin,
o
F (x) = P (X x). Por lo tanto se cumple la primera propiedad.
b) Cuando x tiende a innito el conjunto (X x) se aproxima al conjunto
(X ) que es idntico a , por lo tanto, cuando x , F (x) P (X
e
) = P () = 1.
c) Anlogamente el conjunto (X x) se aproxima al conjunto (X ) =
a
cuando x tiende a menos innito. Por lo tanto, cuando x , F (x)
P (X ) = P () = 0.
d) Es suciente observar que si x1 x2 , entonces (X x1 ) (X x2 ).
Aplicando probabilidad obtenemos P (X x1 ) P (X x2 ).
e) Observe que el evento (x1 < X x2 ) puede descomponerse en la diferencia
(X x2 ) (X x1 ), en donde (X x1 ) (X x2 ). Por lo tanto
P (x1 < X x2 ) = P (X x2 ) P (X x1 ) = F (x2 ) F (x1 ).
f) Para h > 0 tenemos que F (x + h) = P (X x + h) = P (X x) + P (x < X
x + h), de modo que cuando h tiende a cero, el conjunto (x < X x + h)
tiende al conjunto vac Concluimos entonces que, cuando h 0 con h > 0,
o.
F (x + h) F (x) + P () = F (x).
1.7.
46
xP (X = x),
x
en donde la suma se efect a sobre todos los posibles valores que pueda tomar la
u
variable aleatoria, y se dene cuando esta suma sea absolutamente convergente. El
n mero de sumandos puede ser nito o innito dependiendo del conjunto de valores
u
de la variable aleatoria. Si X es continua con funcin de densidad f (x), entonces
o
la esperanza es
E(X) =
xf (x) dx,
x f (x)
x
=
=
Observe que la suma su efect a para todos los valores de x indicados en la tabla,
u
es decir: 1, 0, 1 y 2. Tambin es instructivo observar que la esperanza no es necee
sariamente uno de los valores tomados por la variable aleatoria. En este ejemplo el
47
Parte 1. PROBABILIDAD
valor 1/2 nunca es tomado por la variable aleatoria, pero es su valor esperado.
x f (x) dx =
x 2x dx =
0
2 3
x
3
=
0
2
.
3
Observe que la integral slo es relevante en el intervalo (0, 1), pues fuera de dicho
o
intervalo la funcin de densidad se anula.
o
Ejercicio. Considere una variable aleatoria continua X con funcin de densidad
o
f (x) = |x|, para 1 < x < 1. Compruebe que la esperanza de esta variable aleatoria es cero.
Ejercicio. Sea X una variable aleatoria discreta con posibles valores en el conjunto
{1, 2, . . . , n}, y tal que la probabilidad de que tome cualquiera de estos valores es
1/n. Compruebe que la esperanza de X es (n + 1)/2.
o
unicamente la funcin de densidad de X. A veces se le reere como el teorema del
o
estadstico inconsciente.
(1.3)
48
E(X 2 )
x2 f (x) dx
x2 2x dx
=
0
=
=
1 4
x
2
1
.
2
1
0
-2
2/8
-1
1/8
0
2/8
1
1/8
2
2/8
Parte 1. PROBABILIDAD
49
u
requiere de detalles tcnicos que preferimos omitir. Observe que la segunda y cuarta
e
propiedad establecen que la esperanza es lineal, es decir, separa sumas y tambin
e
separa multiplicaciones por constantes.
Varianza. Vamos ahora a denir otra caracter
stica numrica asociada a las vae
riables aleatorias llamada varianza. Se denota por Var(X) y se dene como sigue.
(x E(X))2 f (x)
si X es discreta.
Var(X) =
Observe que en una sola expresin la varianza se puede escribir como sigue: Var(X) =
o
E (X E(X))2 . La varianza es una medida del grado de dispersin de los difeo
rentes valores tomados por la variable. Se le denota regularmente por la letra 2
(sigma cuadrada). A la ra cuadrada positiva de la varianza, esto es , se le llama
z
desviacin estndar. Nuevamente la anterior suma o integral puede no existir y en
o
a
ese caso decimos que la variable aleatoria no tiene varianza nita. Observemos que
para calcular Var(X) necesitamos conocer primero E(X). Veamos algunos ejemplos
sencillos.
Ejemplo. Calcularemos la varianza de la variable aleatoria discreta X con funcin
o
50
-1
1/8
0
4/8
1
1/8
2
2/8
=
=
(x E(X))2 f (x)
Var(X) =
(x E(X))2 f (x) dx
(x 2/3)2 2x dx
=
0
1
=
0
=
=
1/18.
1
0
Parte 1. PROBABILIDAD
51
= c2 E[X E(X)]2
= c2 Var(X).
El inciso (d) se sigue del siguiente anlisis:
a
Var(X + c) =
=
=
E[X E(X)]2
52
xn f (x) dx,
E(X n ) =
xn f (x) .
(x )n f (x) dx,
E[(X )n ] =
(x )n f (x) .
1.8.
Distribuciones de probabilidad
53
Parte 1. PROBABILIDAD
1/n si x = x1 , x2 , . . . , xn .
0
otro caso.
f (x)
1/5
Figura 1.18:
Ejemplo. Al generar un n mero aleatorio en una computadora dentro del intervalo
u
unitario [0, 1], y debido a que la precisin de la computadora es necesariamente
o
nita, se obtienen siempre valores dentro de un conjunto nito de elementos. Por
ejemplo, si la precisin de la computadora fuera de dos decimales, entonces slo se
o
o
pueden generar los 101 n meros : 0.00, 0.01, 0.02,. . ., 0.99, 1.00. La precisin de una
u
o
computadora es naturalmente mayor pero siempre es nita, y la misma situacin
o
se presenta.
e
e
fracaso, con probabilidades respectivas p y 1 p. Si se dene la variable aleatoria
X como aquella funcin que lleva el resultado xito al n mero 1 y el resultado
o
e
u
fracaso al n mero 0, entonces decimos que X tiene una distribucin Bernoulli con
u
o
parmetro p (0, 1), y escribimos X Ber(p). La funcin de probabilidad es
a
o
54
entonces
px (1 p)1x
0
P (X = x) =
si x = 0, 1.
otro caso.
f (x)
F (x)
0.7
0.3
0.3
x
x
0
Figura 1.19:
Ejemplo. Considere el experimento aleatorio de lanzar una moneda al aire. Suponga que 1 y 2 son los dos resultados posibles, con probabilidades p y 1 p,
respectivamente. Sea X la variable aleatoria dada por X(1 ) = 1, y X(2 ) = 0.
Entonces X tiene distribucin Ber(p). Cul es la distribucin de 1 X?
o
a
o
Ejemplo. Sea el espacio muestral de un experimento aleatorio, y sea A un
evento tal que P (A) = p. Sea X la variable aleatoria dada por X() = 1A (), es
decir, X() = 1 si A, y X() = 0 si Ac . Esta es la funcin indicadora del
o
conjunto A. Entonces X tiene distribucin Ber(p).
o
Distribucion binomial. Supongamos ahora que tenemos una serie de n ensayos independientes Bernoulli en donde la probabilidad de xito en cualesquiera de
e
estos ensayos es p. Si denotamos por E el resultado xito y por F el resultado
e
Parte 1. PROBABILIDAD
55
n px (1 p)nx si x = 0, 1, 2, . . . , n.
x
P (X = x) =
0
otro caso.
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 los
e
n ensayos, este factor es el coeciente binomial n . Para esta distribucin puede
o
x
demostrarse que E(X) = np, y Var(X) = np(1 p).
p (1 p)x
0
si x = 0, 1, 2, . . .
otro caso.
Por ejemplo, para p =0.4, la grca de esta funcin se muestra en la Figura 1.21.
a
o
El nombre de esta distribucin proviene del hecho de que cuando escribimos la
o
56
f (x)
0.3
n = 10
p = 0.3
0.2
0.1
x
1 2 3 4 5 6 7 8 9 10
Figura 1.20:
suma de todas las probabilidades, obtenemos una suma geomtrica. La inspeccin
e
o
sucesiva de art
culos hasta encontrar una defectuoso, posiblemente en un proceso
de control de calidad, puede modelarse usando una distribucin geomtrica. Para
o
e
esta distribucin tenemos que E(X) = (1 p)/p, y Var(X) = (1 p)/p2 .
o
f (x)
0.4
0.3
p = 0.4
0.2
0.1
1 2 3 4 5 6 7 8 9 10
Figura 1.21:
En algunos textos se dene la distribucin geomtrica contando el n mero de eno
e
u
sayos (no el de fracasos), antes del primer xito. En este caso la variable es X + 1,
e
es decir, la distribucin se desplaza hacia la derecha una unidad. la esperanza es
o
ahora 1/p y la varianza permanece constante (1 p)/p2 .
Ejercicio. Una persona participa cada semana con un boleto en un juego de loter
a
en donde la probabilidad de ganar el primer premio es p = 106 = 1/1, 000, 000.
Parte 1. PROBABILIDAD
57
si x < 0,
0
1 (1 p)1
si 0 x < 1,
1 (1 p)2
si 1 x < 2,
F (x) =
...
...
1 (1 p)k+1 si k x < k + 1,
...
...
x
e
si x = 0, 1, 2, . . .
x!
P (X = x) =
0
otro caso.
Puede demostrarse que la funcin f (x) arriba denida es efectivamente una funcin
o
o
de probabilidad para cada valor de > 0. La forma de esta funcin se muestra en
o
la Figura 1.22 cuando = 2. Despus de algunos clculos sencillo puede tambin
e
a
e
comprobarse que E(X) = , y Var(X) = .
Ejemplo. En promedio se reciben 2 peticiones de acceso a una pgina web durante
a
58
f (x)
0.3
0.2
=2
0.1
x
1 2 3 4 5 6 7 8
Figura 1.22:
un minuto cualquiera. Utilice el modelo Poisson para calcular la probabilidad de
que en un minuto dado a) nadie solicite acceso a la pgina. b) se reciban mas de
a
dos peticiones. Solucin: Sea X el n mero de peticiones por minuto, y supongamos
o
u
que X tiene distribucin Poisson(), con = 2. Para el primer inciso se tiene que
o
P (X = 0) = e2 20 /0! =0.135. Para el segundo inciso, P (X > 2) = 1 P (X 2)
= 1 (P (X = 0)+ P (X = 1)+ P (X = 2)) = 1 e2 (20 /0!+ 21/1!+ 22/2!) =0.323
Puede adems demostrarse que cuando X bin(n, p) y hacemos tender n a innito
a
y p a cero de tal forma que el producto np se mantenga constante igual a , entonces
la variable aleatoria X adquiere la distribucin Poisson con parmetro .
o
a
Este resultado sugiere que cuando n es grande, la distribucin binomial puede
o
ser aproximada mediante la distribucin Poisson de parmetro = np. Esto es
o
a
particularmente util pues el clculo de probabilidades de la distribucin binomial
a
o
involucra el clculo de factoriales y ello puede ser computacionalmente dif
a
cil. Un
ejemplo ilustrar esta situacin.
a
o
Ejemplo. En promedio uno de cada 100 focos producido por una mquina es defeca
tuoso. Calcule la probabilidad de encontrar 5 focos defectuosos en un lote de 1000
focos. Sugerencia: Use la distribucin Poisson como aproximacin de la distribucin
o
o
o
binomial.
Hemos denido a la variable aleatoria Poisson como el n mero de ocurrencias de
u
un cierto evento dentro de un intervalo de tiempo dado, supongamos de longitud
Parte 1. PROBABILIDAD
59
unitaria, [0, 1]. Suponga ahora que nos interesa observar las ocurrencias del evento
en un intervalo de longitud diferente, por ejemplo [0, t], con t > 0. Tal conteo de
ocurrencias tambin sigue una distribucin Poisson pero esta vez de parmetro t.
e
o
a
Por ejemplo, si t = 2, entonces el n mero de ocurrencias del evento en el intervalo
u
[0, 2] tiene distribucin Poisson(t). Veamos un ejemplo.
o
Ejemplo. El n mero de aviones que llegan a un aeropuerto internacional tiene una
u
distribucin Poisson con una frecuencia de 3 aviones cada 10 minutos. Entonces
o
a) La probabilidad de que no llegue ning n avin en un periodo de 20 minutos es
u
o
P (X = 0), con = 6. b) La probabilidad de que llegue slo un avin en el minuto
o
o
siguiente es P (X = 1), con = 3/10. c) La probabilidad de que lleguen dos o
mas aviones en un periodo de 15 minutos es P (X 2), con =4.5.
r + x 1 pr (1 p)x si x = 0, 1, 2, . . .
x
P (X = x) =
0
otro caso.
e
(1 p)x , y nalmente el factor r+x1 que nos dice las diferentes formas en que
x
los r xitos pueden aparecer en los r + x 1 ensayos realizados antes del ultimo que
e
60
f (x)
0.06
0.04
r=3
p = 0.2
0.02
x
10
15
20
25
30
Figura 1.23:
cara y cruz. Cul es la probabilidad de obtener la tercera cruz en el quinto lanzaa
miento? Solucin: Sea X el n mero de caras (fracasos) antes de obtener la tercera
o
u
cruz. Entonces X bin neg(r, p) con r = 3, p = 1/2, y nos preguntan P (X = 2).
Por lo tanto, P (X = 2)= 6 (1/2)5 = 15/32= 0.46875 .
2
si x = 0, 1, . . . , n,
N
P (X = x) =
n
0
otro caso.
El trmino K nos dice las diferentes formas en que de los K objetos de la primera
e
x
clase se pueden escoger x de ellos, y el trmino N K es nuevamente las diferentes
e
nx
61
Parte 1. PROBABILIDAD
N = 20
0.2
K=7
n=5
0.1
x
Figura 1.24:
Con esto concluimos la revisin de algunas distribuciones de probabilidad de tio
po discreto. Presentamos en la siguiente tabla un resumen de las distribuciones
discretas mencionadas en esta seccin.
o
Distribucin uniforme
o
Distribucin Bernoulli
o
f (x) = 1/n
para x = x1 , . . . , xn .
f (x) = px (1 p)1x
para x = 0, 1.
Parmetro: p (0, 1).
a
Media: p.
Varianza: p(1 p).
Parmetros: x1 , . . . , xn ; n.
a
n
Media: i=1 xi /n.
n
Varianza: i=1 (xi )2 /n.
62
para x = 0, 1, . . . , n.
Parmetros: n N, p (0, 1).
a
Media: np.
Varianza: np(1 p).
f (x) = p (1 p)x
para x = 0, 1, 2, . . .
Parmetro: p (0, 1).
a
Media: (1 p)/p.
Varianza: (1 p)/p2 .
Distribucin Poisson
o
f (x) =
f (x) =
px (1 p)nx
Distribucin geomtrica
o
e
x
x!
e
para x = 0, 1, 2, . . .
Parmetro: > 0.
a
Media: .
Varianza: .
f (x) =
r+x1
x
pr (1 p)x
para x = 0, 1, 2, . . .
Parmetros: r N, p (0, 1).
a
Media: r(1 p)/p.
Varianza: r(1 p)/p2 .
Distribucin hipergeomtrica
o
e
f (x) =
K
x
N K
nx
N
n
para x = 0, 1, . . . , n.
Parmetros: N, K, n.
a
Media: nK/N.
Varianza: nK(N K)(N n)/(N 2 (N 1)).
Ahora estudiaremos algunas distribuciones de probabilidad de variables aleatorias
continuas. No construiremos estas distribuciones a partir de experimentos aleatorios
particulares como en el caso de las distribuciones discretas, mas bien, las deniremos sin mayor justicacin, en algunos casos mostraremos la forma de obtener
o
estas distribuciones a partir de considerar ciertas funciones de variables aleatorias
conocidas.
Distribucion uniforme continua. Decimos que una variable aleatoria X tiene una distribucin uniforme continua en el intervalo (a, b), y escribimos X
o
63
Parte 1. PROBABILIDAD
unif(a, b), cuando su funcin de densidad es
o
1
si x (a, b),
ba
f (x) =
0
otro caso.
F (x)
1
ba
x
a
x
a
b
(a)
b
(b)
Figura 1.25:
Ejemplo. En el experimento aleatorio terico de generar un n mero al azar X en
o
u
el intervalo unitario (0, 1) se considera regularmente que X tiene distribucin unio
forme en dicho intervalo.
Ejercicio. Compruebe que la funcin de distribucin de una variable aleatoria con
o
o
distribucin unif(a, b) es la que aparece en la Figura 1.25(b), y est dada por
o
a
si x < a,
0
(x a)/(b a) si a x < b,
F (x) =
1
si x b.
64
f (x) =
si x > 0,
si x 0.
F (x)
2
1
=3
x
(a)
(b)
Figura 1.26:
Ejemplo. Suponga que el tiempo en minutos que un usuario cualquiera permanece
revisando su correo electrnico sigue una distribucin exponencial de parmetro
o
o
a
= 1/5. Calcule la probabilidad de que un usuario cualquiera permanezca conectado al servidor de correo a) menos de un minuto. b) mas de un ahora.
1
Solucin: Para el primer inciso tenemos que P (X < 1) = 0 1/5 ex/5 dx=0.181 .
o
65
Parte 1. PROBABILIDAD
funcin de distribucin de X es la siguiente. Vase la Figura 1.26(b).
o
o
e
F (x) =
1 ex
0
si x > 0,
si x 0.
n1
(x)
ex si x > 0,
(n)
f (x) =
0
si x 0.
f (x)
=5
=4
=3
1/2
n=5
n=7
n = 10
1/2
(a) n = 5
(b) = 3
Figura 1.27:
En la expresin anterior aparece el trmino (n). Esta es la funcin gama que se
o
e
o
dene como la siguiente integral
(n) =
tn1 et dt,
para cualquier n mero real n tal que esta integral sea convergente. Esta funcin no
u
o
es el tipo de funciones a las que estamos acostumbrados en los cursos de matemtia
cas en donde regularmente se conoce la expresin exacta de una cierta funcin y
o
o
66
se utiliza esta expresin para evaluarla. En este caso, para evaluar la funcin gama
o
o
es necesario substituir el valor de n en el integrando y efectuar la integral innita.
Afortunadamente no evaluaremos esta integral para cualquier valor de n, slo para
o
algunos pocos valores, principalmente enteros, y nos ayudaremos de las siguientes
propiedades:
a) (n + 1) = n (n).
b) (n + 1) = n! si n es entero.
c) (2) = (1) = 1.
d) (1/2) = .
El nombre de esta distribucin se deriva del hecho de que en su denicin aparece
o
o
la funcin gama. Observemos adems que la distribucin exponencial es un caso
o
a
o
particular de la distribucin gama. En efecto, si en la distribucin gama tomamos
o
o
el parmetro n igual a 1, obtenemos la distribucin exponencial con parmetro .
a
o
a
Resolviendo un par de integrales se puede demostrar que E(X) = n/, y Var(X) =
n/2 .
Distribucion beta. Decimos que la variable aleatoria continua X tiene una distribucin beta con parmetros a > 0 y b > 0, y escribimos X beta(a, b), cuando
o
a
su funcin de densidad es
o
0
otro caso.
B(a, b) =
0
para n meros reales a > 0 y b > 0. Esta funcin est relacionada con la funcin
u
o
a
o
gama a travs de la identidad
e
B(a, b) =
(a)(b)
.
(a + b)
67
Parte 1. PROBABILIDAD
Vase la seccin de ejercicios para una lista de propiedades de esta funcin. Para
e
o
o
la distribucin beta(a, b) se tiene que E(X) = a/(a + b), y Var(X) = ab/((a + b +
o
1)(a + b)2 ).
f (x)
Figura 1.28:
No es inmediato pero es posible demostrar que E(X) = , y ello signica que la
campana esta centrada en este valor, el cual puede ser negativo, positivo o cero.
Tambin puede demostrarse que Var(X) = 2 , y que la distancia del punto a
e
cualquiera de los dos puntos en donde la funcin tiene puntos de inexin es , por
o
o
lo tanto la campana se abre o se cierra de acuerdo a la magnitud de este parmetro.
a
En particular, decimos que la variable aleatoria X tiene una distribucin normal
o
estndar si tiene una distribucin normal con parmetros = 0 y 2 = 1. En este
a
o
a
caso la funcin de densidad se reduce a la expresin
o
o
2
1
f (x) =
ex /2 .
2
68
Proposicin. Sea X una variable aleatoria con distribucin normal con parmeo
o
a
tros y 2 . Entonces la siguiente variable aleatoria tiene una distribucin noro
mal estndar.
a
X
Z=
.
(1.4)
b
a
= P(
<Z<
).
(x) = P (Z x) =
2
1
eu /2 du,
2
69
Parte 1. PROBABILIDAD
f (x)
f (x)
(x)
x
z
x
(a)
(b)
Figura 1.29:
Ejercicio. Demuestre que (x) = 1 (x).
Ejercicio. Encuentre x tal que
a) (x) = 0.3 .
b) (x) = 0.75 .
c) P (X > 10).
70
(X1 + + Xn ) n
n 2
1
f (x) =
(n/2)
1
2
n/2
xn/21 ex/2
si x > 0,
si x 0.
71
Parte 1. PROBABILIDAD
f (x)
1/2
n=1
n=2
n=3
n=4
Figura 1.30:
Distribucion t. Decimos que la variable aleatoria continua X tiene una distribucin t con n grados de libertad si su funcin de densidad est dada por
o
o
a
((n + 1)/2)
f (x) =
(1 + x2 /n)(n+1)/2 ,
n (n/2)
72
f (x)
n = 100
n=3
n=1
0.1
x
4 3 2 1
Figura 1.31:
t(n).
X
t(n 1),
S/ n
en donde X =
1
n
n
i=1
Xi , y S 2 =
1
n
n
i=1 (Xi
X)2 .
Con esto terminamos con una revisin elemental de algunas distribuciones de proo
babilidad continuas. Recuerde el lector que existen muchas mas distribuciones de
este tipo. La siguiente tabla contiene un resumen de las distribuciones continuas
mencionadas en esta seccin.
o
73
Parte 1. PROBABILIDAD
Distribucin uniforme
o
Distribucin exponencial
o
f (x) = 1/(b a)
para x (a, b).
Parmetros: a < b.
a
Media: (a + b)/2.
Varianza: (b a)2 /12.
f (x) = ex
para x > 0.
Distribucin gama
o
Distribucin beta
o
f (x) =
(x)n1
(n)
Parmetro: > 0.
a
Media: 1/.
Varianza: 1/2 .
ex
f (x) =
1
a1
(1
B(a,b) x
x)b1
para x > 0.
Parmetros: n > 0, > 0.
a
Media: n/.
Varianza: n/2 .
Distribucin normal
o
Distribucin 2
o
1
22
e(x) /2
para x R.
Parmetros: R, > 0.
a
Media: .
f (x) =
Varianza: 2 .
f (x) =
1
(n/2)
1 n/2
2
para x > 0.
Parmetro: n > 0.
a
Media: n.
Varianza: 2n.
xn/21 ex/2
74
((n+1)/2)
n (n/2)
(1 + x2 /n)(n+1)/2
para x R.
Parmetro: n > 0.
a
Media: 0.
Varianza: n/(n 2), para n > 2.
1.9.
Vectores Aleatorios
Esta seccin contiene una breve introduccin al tema de variables aleatorias multio
o
dimensionales o tambin llamadas vectores aleatorios. Para hacer la escritura corta
e
se consideran unicamente vectores aleatorios de dimensin dos, aunque todas las
o
deniciones y resultados que se mencionan pueden extenderse fcilmente, en la
a
mayor de los casos, para vectores de dimensin superior.
a
o
Vector aleatorio. Un vector aleatorio de dimensin dos es un vector de la forma
o
(X, Y ) en donde cada coordenada es una variable aleatoria. De manera anloga
a
se pueden tener vectores aleatorios multidimensionales (X1 , . . . , Xn ). Nuevamente
diremos que un vector aleatorio es discreto, o continuo, si las todas las variables
aleatorias que lo conforman lo son. Por simplicidad consideraremos unicamente
Figura 1.32:
Parte 1. PROBABILIDAD
75
Es decir, el vector (X, Y ) evaluado en es (X, Y )() = (X(), Y ()) con posible
valor (x, y). Nuevamente observe que el vector con letras may sculas (X, Y ) es el
u
vector aleatorio, mientras que el vector con letras min sculas (x, y) es un punto
u
en el plano. Estudiaremos a continuacin algunas funciones asociadas a vectores
o
aleatorios. Estos conceptos son completamente anlogos al caso unidimensional
a
estudiado antes.
f (x, y) = 1.
x,y
0
0.3
0.4
1
0.1
0.2
De este arreglo se entiende que la variable X toma valores en el conjunto {1, 1},
mientras que Y toma valores en {0, 1}. Adems las probabilidades conjuntas estn
a
a
76
dadas por las entradas de la tabla, por ejemplo, P (X = 1, Y = 0) = 0.3, esto es,
la probabilidad de que X tome el valor 1 y al mismo tiempo Y tome el valor 0
es 0.3. La misma informacin puede escribirse de la siguiente manera.
o
0.3 si x = 1, y = 0,
0.1 si x = 1, y = 1,
f (x, y) = P (X = x, Y = y) =
0.4 si x = 1, y = 0,
0.2 si x = 1, y = 1,
0
otro caso.
P (X x, Y y) =
f (u, v) dv du.
b)
f (x, y) dx dy = 1.
Rec
procamente decimos que una funcin f (x, y) : R2 [0, ) es una funcin de
o
o
densidad conjunta si cumple con las dos condiciones arriba mencionadas.
Ejemplo. Esta es una de las funciones de densidad conjunta ms sencillas. Sean
a
a < b, c < d, y dena la funcin
o
0
otro caso,
77
Parte 1. PROBABILIDAD
f (x, y)
x
Figura 1.33:
Ejercicio. Compruebe que la siguiente funcin es de densidad.
o
f (x, y) =
x+y
0
si 0 < x, y < 1,
otro caso.
cxy
otro caso.
78
vector (X, Y ), denotada por F (x, y) : R2 [0, 1], se dene para cualquier par de
n meros reales (x, y) como sigue
u
F (x, y) = P (X x, Y y).
La peque a coma que aparece en el lado derecho de esta igualdad signica la
n
interseccin de los eventos (X x) y (Y y), es decir, el n mero F (x, y) es
o
u
la probabilidad del evento (X x) (Y y). Ms precisamente, esta funcin
a
o
debe escribirse como FX,Y (x, y), pero omitiremos los sub
ndices para mantener la
notacin simple. Siempre asociaremos la variable X con el valor x, y la variable Y
o
con el valor y. A esta funcin se le conoce tambin con el nombre de funcin de
o
e
o
acumulacin de probabilidad del vector (X, Y ), y tambin se dice que es la funcin
o
e
o
de distribucin conjunta de las variables X y Y .
o
Enunciamos a continuacin algunas propiedades que cumple toda funcin de diso
o
tribucin conjunta.
o
1.
2.
l
m F (x, y) = 1.
x,y
l
m F (x, y) = 0. Anlogamente cuando es la variable y quien tiende a
a
menos innito.
3. F (x, y) es continua por la derecha en cada variable.
4. F (x, y) es una funcin montona no decreciente en cada variable.
o
o
5. Para cualesquiera n meros a < b, y c < d, se cumple la desigualdad
u
F (b, d) F (a, d) F (b, c) + F (a, c) 0.
Observe que las primeras cuatro propiedades son anlogas al caso unidimensional,
a
y puede comprobarse geomtricamente que la quinta propiedad corresponde a la
e
probabilidad del evento (a < X b) (c < Y d). Rec
procamente decimos
que una funcin F (x, y) : R2 [0, 1] es una funcin de distribucin bivariada si
o
o
o
satisface las anteriores cinco propiedades.
El concepto de funcin de distribucin puede extenderse al caso de vectores multio
o
dimensionales de la siguiente forma: La funcin de distribucin del vector aleatorio
o
o
(X1 , . . . , Xn ) es la funcin F (x1 , . . . , xn ) : Rn [0, 1] dada por
o
F (x1 , . . . , xn ) = P (X1 x1 , . . . , Xn xn ).
Parte 1. PROBABILIDAD
79
f (u, v) dv du.
En el caso discreto se suman todos los valores de f (u, v) para valores de u menores
o iguales a x y valores de v menores o iguales a y.
b) Cmo se encuentra f (x, y) a partir de F (x, y)? En el caso continuo sabemos
o
que f (x, y) y F (x, y) guardan la relacin
o
x
F (x, y) =
f (u, v) dv du,
f (x, y) =
f (x) =
f (x, y) dy,
es decir, simplemente se integra respecto de la variable y. La correspondiente funcin de densidad marginal de la variable Y se obtiene integrando ahora respecto
o
de la variable x, es decir,
f (y) =
f (x, y) dx.
f (x, y),
y
80
Parte 1. PROBABILIDAD
81
82
Parte 2
ESTAD
ISTICA
o
primeros registros de una recoleccin sistemtica de datos de una poblacin suro
a
o
gen en las ciudades italianas de Venecia y Florencia durante el Renacimiento. Para
mediados del siglo XVI, varios gobiernos europeos, a travs de las parroquias, llevae
ban registros de nacimientos, matrimonios y decesos. De particular importancia en
aquellos a os eran los registros de decesos pues las tasas de mortalidad eran altas
n
debido a las recurrentes epidemias y plagas que diezmaban a la poblacin. Esta
o
recoleccin de datos por parte de los gobiernos sigui desarollndose durante los
o
o
a
siglos XVII y XVIII, en donde los esfuerzos y recursos se orientaron principalmente
a obtener censos.
A nales del siglo IXX, y teniendo a Francis Galton (1822-1911) como precursor,
surgen las primeras ideas para inferir informacin de una poblacin a partir de
o
o
datos estad
sticos. Los mtodos y la teor general se desarrollaron a partir de los
e
a
inicios del siglo XX gracias a los trabajos de Karl Pearson (1857-1936), Ronald
A. Fisher (1890-1962), Egon Sharpe Pearson (1895-1980) hijo de Karl Pearson, y
Jerzy Neymann (1894-1981).
Hoy en d los mtodos de la estad
a
e
stica son usados en muy diversas reas del
a
conocimiento humano, sean stas cient
e
cas, sociales o econmicas. Sus mtodos y
o
e
conclusiones son usados como respaldo cient
co para rechazar o aceptar armaciones, y para la toma de decisiones. Cotidianamente encontramos elementos de
estad
stica descriptiva en los peridicos, en la radio, en la televisin y en internet.
o
o
83
84
2.1.
2.1. Introduccion
Introduccin
o
Supongamos que tenemos una poblacin de inters, esto es, un conjunto arbitrario
o
e
de personas, mediciones u objetos cualesquiera, y deseamos conocer cierta informacin de esta poblacin. Debido a la imposibilidad o no conveniencia de tener
o
o
informacin de todos y cada uno de los elementos de la poblacin, tomamos un peo
o
que o subconjunto de ellos, al cual llamaremos muestra. Con base en esta muestra
n
trataremos de inferir la informacin de la poblacin en su totalidad.
o
o
muestra
poblacin
o
Figura 2.1:
Estad
stica descriptiva e inferencial. La estad
stica es la ciencia que se
encarga de recolectar, organizar, resumir y analizar datos para despus obtener
e
conclusiones a partir de ellos. De manera general, la estad
stica puede ser dividida
en dos grandes reas: estad
a
stica inferencial y estad
stica descriptiva. La estadstica
e
obtener, con determinado grado de conanza, informacin de una poblacin con
o
o
base en la informacin de una muestra.
o
2.2.
Parte 2. ESTAD
ISTICA
85
Las variables pueden ser cuantitativas, cuando se realiza una medicin y el resultado
o
es un n mero, o pueden ser cualitativas, cuando solamente registran una cualidad o
u
atributo del objeto o persona en estudio. La edad, el peso y la estatura son ejemplos
de variables cuantitativas en una poblacin de personas, mientras que el sexo y el
o
estado civil son variables cualitativas.
De acuerdo al n mero total de sus posibles valores, una variable cuantitativa puede
u
ser clasicada como discreta cuando slo puede tomar un n mero discreto (es decir,
o
u
nito o numerable) de valores, o continua cuando puede tomar cualquier valor
dentro de un intervalo (a, b) de la recta real.
De acuerdo con la posible relacin que pudieran guardar los valores de una variable,
o
se cuenta por lo menos con cuatro escalas de medicin. Las variables cualitativas
o
pueden ser clasicadas de acuerdo a dos escalas: escala nominal o escala ordinal.
Mientras que las variables cuantitativas pueden clasicarse por: escala de intervalo
o escala de razn.
o
Escala nominal. Una variable se llama nominal cuando sus posibles valores no
tienen alguna relacin de orden o magnitud entre ellos. Bsicamente los valores
o
a
de este tipo de variables son etiquetas sin un orden entre ellos. Por ejemplo, si
estamos estudiando una poblacin humana, a la variable sexo podemos asignarle
o
dos posibles valores: F para femenino, y M para masculino. Los s
mbolos F y
M son etiquetas arbitrarias, y no existe un orden en ellas ni podemos realizar
operaciones aritmticas. La religin o la nacionalidad son tambin ejemplos de
e
o
e
variables nominales.
Escala ordinal. En esta escala los valores de la variable tienen un orden pero
no se pueden hacer operaciones aritmticas entre estos valores pues no hay nocin
e
o
de distancia entre ellos. Por ejemplo, para calicar las caracter
sticas de un objeto
podemos suponer los siguientes valores: 0=Psimo, 1=malo, 2=Regular, 3=Bueno,
e
4=Excelente. En este caso la escala de medicin es ordinal pues existe un orden
o
entre sus valores, pero no se puede decir, por ejemplo, que dos valores regulares
hacen un valor excelente.
Escala de intervalo. En este tipo de escala existe un orden entre los valores de
la variable y existe adems una nocin de distancia aunque no se pueden realizar
a
o
operaciones. No existe el valor natural cero para esta tipo de escala. Por ejemplo,
suponga que los valores de una cierta variable estn dados por los d del mes.
a
as
Entre el d 10 y el d 20 hay una distancia de diez d pero no se puede decir
a
a
as,
que el d 20 es dos veces el d 10. La temperatura es otro ejemplo de este tipo
a
a
86
2.3. Estad
stica descriptiva
de variable, el posible valor cero depende de la escala que se use para medir la
temperatura (Celsius, Kelvin, Fahrenheit).
2.3.
Estad
stica descriptiva
Parte 2. ESTAD
ISTICA
87
medidas de tendencia central como la media, moda y mediana; y tambin otras mee
didas llamadas de dispersin como la varianza, la desviacin estndar y el rango.
o
o
a
Deniremos estos conceptos a continuacin.
o
Medidas de tendencia central. La media de los datos numricos x1 , . . . , xn ,
e
denotada por x, es simplemente el promedio (x1 + + xn )/n. Por otro lado, la
moda es el valor que aparece con mayor frecuencia. Si ning n valor se repite, se
u
dice que no hay moda, o que todos los valores son moda. Si existe un unico valor
x=
1
n
2 [x( 2 )
+ x( n +1) ]
2
x( n+1 )
2
si n es par,
si n es impar.
Medidas de dispersion. Deniremos ahora algunas medidas que ayudan a cuanticar la dispersin que puede presentar un conjunto de datos numricos x1 , . . . , xn .
o
e
La varianza, denotada por s2 , se dene como sigue
s2 =
1
n1
n
i=1
(xi x)2 ,
88
o
a
z
cuadrada positiva de s2 , y se le denota naturalmente por s. El rango es el dato ms
a
grande menos el dato ms peque o, es decir, x(n) x(1) .
a
n
Ejercicio. Calcule la varianza, la desviacin estndar y el rango de los conjuntos de
o
a
datos del ejercicio anterior.
2.4.
o
X1 , . . . , Xn , y por lo tanto es tambin una variable aleatoria.
e
Veremos a continuacin dos ejemplos de estad
o
sticas que sern usados con frea
cuencia ms adelante. Considere una muestra aleatoria X1 , . . . , Xn . La funcin X
a
o
denida como sigue
n
1
X=
Xi ,
n i=1
es una estad
stica, y se le conoce con el nombre de media muestral. El otro ejemplo
Parte 2. ESTAD
ISTICA
89
2.5.
1
n1
n
i=1
(Xi X)2 .
Estimacin puntual
o
90
e
con algunos ejemplos.
Ejemplo. Encontraremos el estimador mximo veros
a
mil para el parmetro de
a
una distribucin exponencial. La funcin de verosimilitud es
o
o
L() =
=
=
Parte 2. ESTAD
ISTICA
91
e(x1 ) /2
e(xn ) /2
2
2
2
2
n
1
1
22
(xi )2
i=1
(
)n e
.
2 2
=
=
ln L(, 2 ) =
ln L(, 2 ) =
2
n
i=1
(xi ),
n
1
2+ 4
2
2
n
i=1
(xi )2 .
n
1
+ 4
2
2
2
(xi )
= 0,
(xi )2
= 0.
i=1
n
i=1
1
1
De estas ecuaciones se obtiene = n i=1 xi , y 2 = n i=1 (xi )2 . Por lo
2
tanto los estimadores para los parmetros y de una distribucin normal por
a
o
n
n
1
1
el mtodo de mxima verosimilitud son = n i=1 Xi , y 2 = n i=1 (Xi )2 .
e
a
92
1
n
1
n
xi ,
i=1
n
x2 .
i
i=1
1
n
n
i=1
x2 2 =
i
1
n
n
i=1
x2 (
i
1
n
xi )2 =
i=1
1
n
n
i=1
(xi )2 .
En este caso los estimadores por el mtodo de momentos coinciden con los estimae
dores mximo veros
a
miles.
Parte 2. ESTAD
ISTICA
93
E() = E(X) = E(
Xi ) =
i=1
1
n
E(Xi ) =
i=1
1
n
= .
i=1
2.6.
2
2
si i = j,
2
si i = j.
94
P (1 < < 2 ) = 1 .
(2.1)
A las estad
sticas 1 y 2 se les conoce como lmites inferior y superior, respec
tivamente, del intervalo de conanza. Al n mero 1 se le conoce como grado o
u
coeciente de conanza. En general, se toma el valor de cercano a 0 de tal forma
que el grado de conanza, 1 , es cercano a 1. En la prctica es com n tomar
a
u
=0.05, de modo que el grado de conanza es 1 =0.95 . Decimos entonces que
Figura 2.2:
Observe que no es correcto decir la probabilidad de que pertenezca al intervalo
(1 , 2 ) es 1 , pues el parmetro no es el elemento aleatorio. En cambio, se dice
a
la probabilidad de que el intervalo (1 , 2 ) contenga el valor de es 1 . De
esta forma se entiende que es constante, aunque desconocido, y el intervalo es el
Parte 2. ESTAD
ISTICA
95
nocida. Sea X1 , . . . , Xn una muestra aleatoria de una poblacin normal con media
o
desconocida y varianza conocida 2 . Encontraremos un intervalo de conanza para el parmetro . Como cada una de las variables de la muestra tiene distribucin
a
o
n
1
X
N(0, 1).
/ n
Para cualquier valor de (0, 1) podemos encontrar un valor z/2 en tablas de
probabilidad normal estndar, vase la Figura 2.3, tal que
a
e
P ( z/2 <
X
< z/2 ) = 1 .
/ n
f (x)
/2
/2
z/2
z/2
Figura 2.3:
Despejando la constante desconocida se obtiene el siguiente resultado.
Proposicin. Un intervalo de conanza para la media de una distribucin
o
o
normal con varianza conocida 2 est dado por la siguiente expresin
a
o
(2.2)
96
Ejemplo. Suponga que la vida promedio util, medida en horas, de focos de 100
watts producidos por cierta compa puede ser modelada mediante una variable
na,
aleatoria con distribucin normal de media y varianza 2 . Suponga que la deso
viacin estndar es conocida y es igual a 30 horas. El objetivo es encontrar un
o
a
intervalo de conanza para la vida promedio util de los focos producidos por esta
compa Para ello se toma una muestra de 20 focos y mediante pruebas de lana.
boratorio se determina la vida util de cada uno de ellos. Los resultados x1 , . . . , x20
( z/2 , x + z/2 )
x
n
n
30
30
= (1050 1.96 , 1050 + 1.96 )
20
20
= (1050 13.148, 1050 + 13.148)
= (1036.852, 1063.148).
De esta forma, con una conanza del 95 %, la vida promedio util de este tipo de
n
2z/2 / n. Observe que la longitud del intervalo decrece conforme el tama o de la
muestra crece. Adems, si la conanza requerida crece, es decir, si 1 aumenta,
a
entonces z/2 crece (vase la Figura 2.3), y por lo tanto la longitud del intervalo
e
tambin crece.
e
Ejercicio. Encuentre un intervalo de conanza al 90 % para la media de una poblacin normal con = 5 cuando se ha tomado una muestra de tama o 25 cuya
o
n
media muestral es 60.
Intervalo para la media de una distribucion normal con varianza desconocida. Sea X1 , . . . , Xn una muestra aleatoria de una distribucin normal con
o
media desconocida y varianza desconocida 2 . El resultado terico fundamental
o
en la siguiente derivacin es que la variable aleatoria
o
X
,
T =
S/ n
tiene una distribucin t con n 1 grados de libertad. Observe que esta es la diso
tribucin exacta de la variable T , sin importar el tama o de la muestra y sobre
o
n
Parte 2. ESTAD
ISTICA
97
X
< t/2 ) = 1 .
S/ n
f (x)
/2
/2
x
t/2
t/2
Figura 2.4:
Despejando la constante desconocida de la ecuacin anterior se obtiene el siguieno
te resultado.
Proposicin. Un intervalo de conanza para la media de una distribucin
o
o
normal est dado por la siguiente expresin
a
o
S
S
(2.3)
S
S
98
X
,
S/ n
X
< z/2 ) = 1 .
S/ n
P ( X z/2
P ( X t/2,n1
Cualquier distribucin
o
Muestra grande, n 30
P ( X z/2
) = 1 .
) = 1 .
Intervalo aproximado:
S
S
Parte 2. ESTAD
ISTICA
2.7.
99
Pruebas de hiptesis
o
H0 : Dado
H1 : Monedas
0
0
1/32
1/6
5/32
2
1/6
10/32
3
1/6
10/32
1/6
5/32
1/6
1/32
1/6
0
100
Las probabilidades de estos errores pueden ser calculadas del siguiente modo.
P (Error tipo I) =
=
=
=
P (Rechazar H0 | H0 es verdadera)
P ( C | H0 es verdadera)
P ( {0, 2, 3} | Se us el dado)
o
0 + 1/6 + 1/6 = 1/3.
o
o
o conjetura acerca de la distribucin de una o mas variables aleatorias.
o
Por ejemplo, si X tiene una distribucin bin(n, p), entonces la armacin p =0.2
o
o
es una hiptesis. Si X tiene una distribucin N(, 2 ), entonces la armacin >
o
o
o
0 es otro ejemplo de hiptesis estad
o
stica.
Una hiptesis es simple si especica por completo la distribucin de probabilidad
o
o
en cuestin. Por ejemplo, si X tiene una distribucin exp(), entonces la armao
o
cin = 5 es una hiptesis simple. Si X tiene una distribucin N(, 1), entonces
o
o
o
la armacin = 0 es otro ejemplo de hiptesis simple. En contraste, decimos
o
o
que una hiptesis estad
o
stica es compuesta cuando no especica por completo la
distribucin de probabilidad en cuestin. Si X tiene una distribucin Poisson(),
o
o
o
entonces > 20 es una hiptesis compuesta. Si X tiene una distribucin 2 (n),
o
o
entonces n = 5 es otro ejemplo de una hiptesis compuesta. En general, contraso
taremos dos hiptesis de acuerdo al siguiente esquema y notacin:
o
o
H0 : (hiptesis nula)
o
vs
H1 : (hiptesis alternativa).
o
Parte 2. ESTAD
ISTICA
101
Tanto la hiptesis nula (H0 ) como la hiptesis alternativa (H1 ) pueden ser simple
o
o
o compuesta. De este modo tenemos cuatro diferentes tipos de contraste de hipteo
sis: simple vs simple, simple vs compuesta, compuesta vs simple, y compuesta vs
compuesta.
Denicin. Una prueba de hiptesis es una regla para decidir si se acepta la
o
o
hiptesis nula o se rechaza en favor de la hiptesis alternativa.
o
o
Como sabemos, al tomar una decisin de este tipo se corre el riesgo de cometer
o
errores. Al rechazo de la hiptesis nula cuando sta es verdadera se le conoce como
o
e
error tipo I, y a la probabilidad de cometer este primer tipo de error se le denota
por la letra . En cambio, a la aceptacin de la hiptesis nula cuando sta es falsa
o
o
e
recibe el nombre de error tipo II, y a la probabilidad de cometer este segundo tipo
de error se le denota por la letra . Estas deniciones de errores se resumen en la
siguiente tabla.
H0 cierta
H0 falsa
Rechazar H0
Eror tipo I
con probabilidad
Decisin correcta
o
No rechazar H0
Decisin correcta
o
Error tipo II
con probabilidad
La informacin para obtener una regla de decisin que nos lleve a rechazar o no
o
o
rechazar un hiptesis estad
o
stica provendr de una muestra aleatoria X1 , . . . , Xn de
a
la distribucin de que se trate. Observe adems que al aceptar una hiptesis no se
o
a
o
arma que sta sea absolutamente cierta, sino simplemente que es consistente con
e
los datos de la muestra aleatoria. Si la muestra cambia, posiblemente la decisin
o
de rechazar o no rechazar tambin.
e
Denicin. Se le llama regin crtica a la regin de rechazo de H0 , y a la
o
o
o
probabilidad de cometer el error tipo I, esto es , se le llama tamao de la
n
regin crtica. A esta probabilidad se le conoce tambin con el nombre de nivel
o
e
de signicancia.
102
Nos limitaremos a mostrar la forma en la que se deriva la regla para llevar a cabo
una prueba de hiptesis acerca de la media de una distribucin normal.
o
o
X
N (0, 1).
/ n
Sea 0 un n mero real particular. Deseamos contrastar las hiptesis H0 : = 0
u
o
contra H1 : = 0 . El problema es encontrar una regla para decidir cundo
a
rechazar H0 en favor de H1 con base en los datos de la muestra X1 , . . . , Xn . Cuando
X 0
N (0, 1).
/ n
La estad
stica Z = X0 es una medida natural de la distancia entre X, un es/ n
denomina prueba de dos colas pues la regin de rechazo consta de las dos colas de
o
la distribucin normal que se muestran en la Figura 2.5. Llevar a cabo esta prueba
o
de hiptesis consiste en usar los datos de la muestra para encontrar el valor de Z,
o
si |Z| z/2 , entonces se rechaza H0 , en caso contrario no se rechaza H0 . En la
siguiente tabla se muestra resumida la informacin de esta prueba.
o
Prueba:
Estad
stica de prueba:
Regin de rechazo:
o
Error tipo I:
Error tipo II:
H0 : = 0 vs H1 : = 0
0
Z = Xn
/
|Z| z/2
(z/2 + 0 1 ) (z/2 +
/ n
0 1
),
/ n
1 = 0 .
Parte 2. ESTAD
ISTICA
103
f (x)
/2
/2
z/2
z/2
Regin de rechazo
o
Figura 2.5:
Vamos a comprobar la frmula que aparece en la tabla anterior acerca del error
o
tipo II. Sea 1 cualquier n mero tal que 1 = 0 . Calcularemos la probabilidad del
u
error tipo II dado que el verdadero valor de es 1 .
(1 ) =
=
=
=
=
=
P ( No rechazar H0 cuando = 1 )
P ( |Z| < z/2 | = 1 )
X 0
| < z/2 | = 1 )
P(|
/ n
0 1
X 1
0 1
<
< z/2 +
)
P ( z/2 +
/ n
/ n
/ n
0 1
0 1
) (z/2 +
).
(z/2 +
/ n
/ n
104
slo cuando los datos de la muestra son tales que X se encuentra muy a la izquierda
o
de 0 .
Prueba:
Estad
stica de prueba:
Regin de rechazo:
o
Error tipo I:
Error tipo II:
H0 : = 0
0
Z = Xn
/
Z z
1 z +
vs
H1 : < 0
0 1
/ n
, 1 < 0
f (x)
z
Regin de rechazo
o
Figura 2.6:
Las caracter
sticas de la prueba H0 : = 0 contra H1 : > 0 llamada prueba de
cola superior se muestran en la siguiente tabla, y la regin de rechazo se presenta en
o
la Figura 2.7. Se rechaza la hiptesis H0 slo cuando la muestra provee evidencia
o
o
0
en donde Z = Xn .Error tipo I:
/
Error tipo II:
H0 : = 0 vs H1 : > 0
0
Z = Xn
/
Z z , (prueba de cola superior)
z +
0 1
/ n
, 1 > 0 .
Parte 2. ESTAD
ISTICA
105
f (x)
z
Regin de rechazo
o
Figura 2.7:
106
Apndice A
e
Ejercicios
c) = {0, 1}.
107
108
Operaciones con conjuntos
4. Demuestre las leyes distributivas:
a) A (B C) = (A B) (A C).
b) A (B C) = (A B) (A C).
b) A B = (A B) B.
b) (A C) (B C) = (A B) C.
14. Demuestre que las siguientes dos deniciones de la operacin diferencia simtrio
e
ca son equivalentes.
a) AB = (A B) (B A).
b) AB = (A B) (A B).
Apendice A. Ejercicios
109
a) A(BC) = (AB)C.
b) A = A.
c) A = Ac .
d ) AA = .
e) AAc = .
Conjuntos ajenos
22. Compruebe que los conjuntos A y B A son siempre ajenos.
23. Son los conjuntos {(x, y) : y = ex } y {(x, y) : y = 1 x} ajenos? En caso
negativo, Cuntos puntos en com n tienen?
a
u
24. Sean A y B ajenos, y sea A1 A. Compruebe que A1 y B son ajenos.
Intuitivamente la armacin es evidente, el reto consiste en encontrar una
o
justicacin matemtica de ello.
o
a
25. Cuntas igualdades son necesarias vericar en general para comprobar que
a
n conjuntos son ajenos dos a dos?
110
Conjunto potencia
26. Quin es 2 ?
e
27. Demuestre que si A B, entonces 2A 2B .
Producto Cartesiano
28. Sean A = {a1 , a2 }, B = {b1 , b2 , b3 } y C = {c1 , c2 }. Escriba expl
citamente a
los elementos del producto Cartesiano A B C.
29. Sea = {a, b, c}. Escriba expl
citamente al conjunto .
Probabilidad
30. Compruebe que la denicin de probabilidad clsica cumple con los tres axioo
a
mas de la probabilidad.
31. Compruebe que la denicin de probabilidad frecuentista cumple con los tres
o
axiomas de la probabilidad.
32. Sean P1 y P2 dos medidas de probabilidad denidas sobre la misma clase de
subconjuntos de . Sea un n mero real en el intervalo [0, 1]. Demuestre que
u
P = P1 + (1 )P2 satisface los tres axiomas de la probabilidad.
33. Demuestre que P () = 0, sin usar P () = 1.
34. Demuestre que P (B A) = P (B) P (A B), para cualesquiera eventos A
y B.
35. Demuestre que 0 P (A B) P (A) P (A B) P (A) + P (B) 2.
36. Demuestre que P (A B) P (A) + P (B) 1.
37. Demuestre que P (AB) = P (A)+P (B)2P (AB). Esta es la probabilidad
de que suceda exactamente uno de los eventos A y B.
38. Demuestre que P (Ac B c ) = 1 P (A) P (B) + P (A B).
39. Sean A y B eventos ajenos tales que P (A) =0.3 y P (B) =0.2. Encuentre
Apendice A. Ejercicios
111
a) P (A B).
b) P (Ac ).
c) P (Ac B).
d ) P (A B c ).
e) P (AB).
Anlisis combinatorio
a
44. De cuntas formas distintas pueden seis personas formarse en una la lineal?
a
45. Una enciclopedia de 5 vol menes es colocada en el librero de modo aleatou
rio. Demuestre que la probabilidad de que los vol menes queden colocados
u
apropiadamente de derecha a izquierda o de izquierda a derecha es de 1/60.
46. Cuntas diagonales se pueden trazar en un pol
a
gono convexo de n lados?
112
47. De cuntas maneras diferentes pueden clasicarse los tres primeros lugares
a
de una carrera de 15 corredores ?
48. Cuntos enteros positivos de a lo mas cinco d
a
gitos son divisibles por 2?
Cuntos hay que empiecen con el d
a
gito 1?
49. Cuntos equipos de 3 personas se pueden formar de un grupo de 5 personas?
a
50. Demuestre que
n
k
nk+1
k
n
k
n
nk
n1
k
n1
k
k+1
n
n
n1
=
k
k
construir el tringulo de Pascal.
a
n
k1
.
n
k+1
+
n1
k1
54. Debido a un error, 50 tornillos defectuosos fueron mezclados con 200 tornillos en buen estado. Si se venden 20 tornillos tomados al azar, Cul es la
a
probabilidad de que k de ellos sean defectuosos? (0 k 20).
55. Cuntos n meros binarios diferentes se pueden obtener al usar los siete d
a
u
gitos 1010101 ?
56. Cuntas palabras diferentes se pueden formar con todos los caracteres
a
(incluyendo repeticiones) de la palabra AMAR?
57. Cumpleaos. Calcule la probabilidad de que en un conjunto de n personas,
n
al menos dos de ellas tengan la misma fecha de cumplea os. Sugerencia:
n
Considere el complemento del evento de inters.
e
58. Encuentre el total de n meros enteros de cuatro d
u
gitos sin repeticin, tomao
dos del conjunto {0, 1, 2, . . . , 9} de tal manera que ning n n mero empiece
u
u
con 0. Cuntos de ellos son pares y cuntos son impares?
a
a
59. En una clase de 25 estudiantes hay 15 mujeres y 10 hombres. a) De cuntas
a
formas puede seleccionarse un comit de tres hombres y tres mujeres ? b)
e
De cuntas formas puede seleccionarse un comit de seis estudiantes? c)
a
e
De cuntas formas puede seleccionarse un comit de seis estudiantes todos
a
e
del mismo sexo?
Apendice A. Ejercicios
113
114
e) 100 puntos?
69. Cuntos subconjuntos podemos obtener de un conjunto de n elementos?
a
Escriba expl
citamente todos los subconjuntos del conjunto {a, b, c, d}.
70. Sea E el conjunto de vectores de Rn para los cuales alguna de sus coordenadas
es cero. Cuntas regiones conexas tiene el conjunto Rn E?
a
71. Cuntas conguraciones diferentes se pueden obtener en un tablero de ajea
drez despus de
e
a) la primera jugada del primer jugador?
b) la primera jugada del segundo jugador?
72. Use el mtodo de induccin para demostrar el teorema del binomio,
e
o
n
(a + b)n =
k=0
n
k
ank bk .
Apendice A. Ejercicios
115
79. Sean n k dos enteros positivos. Cuntos vectores con entradas enteras no
a
negativas (x1 , x2 , . . . , xk ) satisfacen las restricciones
1 x1 < x2 < < xk n ?
80. Desarrolle la expresin (a + b + c)3 usando la frmula de coecientes multio
o
nomiales (1.1) en la pgina 26, y despus compruebe la frmula directamente
a
e
o
multiplicando el trinomio por si mismo.
e) P (A B).
f) P (Ac B).
g) P (A B c ).
h) P (Ac B c ).
116
86. Diga falso o verdadero. Justique en cada caso.
a) P (A|B) + P (Ac |B) = 1.
Apendice A. Ejercicios
117
sean
sean
sean
sean
independientes y ajenos.
independientes pero no ajenos.
ajenos pero no independientes.
no ajenos y no independientes.
98. Cuntas igualdades son necesarias vericar para demostrar que n eventos
a
son independientes? Justique su respuesta.
Teorema de Bayes
101. En una urna se encuentran b bolas de color blanco y n bolas de color negro.
A un mismo tiempo se extraen k bolas al azar y resulta que todas son del
mismo color. Cul es la probabilidad de que las bolas sean de color negro?
a
118
102. Se escoge al azar un d
gito binario para ser enviado a travs de un canal de
e
transmisin. Se escoge el 0 con probabilidad 0.4, y se escoge el 1 con
o
probabilidad 0.6. El canal de comunicacin es ruidoso de modo que un 0
o
se distorsiona en un 1 con probabilidad 0.2, y un 1 se distorsiona en un
0 con probabilidad 0.1. Encuentre la probabilidad de que
a) se reciba un 0.
b) se reciba un 1.
c) se haya enviado un 0 dado que se recibi un 0.
o
d ) se haya enviado un 1 dado que se recibi un 1.
o
Variables aleatorias
103. Determine en cada caso si la variable aleatoria en cuestin es discreta o cono
tinua. Cules son sus posible valores?
a
a) Tiempo de vida de una persona escogida al azar.
b) N mero de errores tipogrcos en una pgina escogida al azar de un
u
a
a
libro.
c) Tiempo de servicio en una transaccin escogida al azar realizada por
o
una persona en un cajero automtico.
a
d ) Monto de una reclamacin por accidente automovil
o
stico escogida al azar
del conjunto de reclamaciones efectuadas a una compa aseguradora.
na
104. Considere el experimento aleatorio de escoger un n mero al azar dentro del
u
intervalo unitario (0, 1). Suponga que cada resultado de este experimento
se escribe en su expansin decimal como = 0.x1 x2 x3 Determine en
o
los siguientes casos el conjunto de valores de la variable aleatoria denida y
clasique sta como discreta o continua.
e
a) X() = .
b) X() = x1 .
c) X() = 1 .
d ) X(w) = 0.0x1 x2 x3
Apendice A. Ejercicios
119
c x si x = 1, 2, . . . , 10,
0
otro caso.
b) f (x) =
c x2
0
si x = 1, 2, . . . , 10,
otro caso.
c (1 + sen x)
0
si x [0, 2],
otro caso.
c x si x = 2, 1, 0, 1, 2,
0
otro caso.
120
b) f (x) =
c sen x
0
si x [, ],
otro caso.
111. Sea X discreta con funcin de probabilidad dada por la siguiente tabla. Grao
que f (x) y calcule P (X 0), P (X < 0) y P (X 2 = 1).
x
f (x)
-1
0.2
0
0.3
1
0.5
112. Sea X discreta con funcin de probabilidad dada por la tabla que aparece
o
abajo. Graque f (x). Calcule la funcin de probabilidad de las siguientes
o
variables aleatorias Y = X 2 , Z = |X| y W = 2X 5. Graque en cada caso.
x
f (x)
-2
0.1
-1
0.15
0
0.4
2
0.1
3
0.15
5
0.1
113. Sea X discreta con funcin de densidad dada por la tabla que aparece abajo.
o
Encuentre el valor de c y graque f (x). Calcule y graque la funcin de
o
probabilidad de la variable Y = X 2 .
x
f (x)
-2
0.1
0
c
2
0.1
1/10 si k x 4k
0
otro caso.
115. Sea X una variable aleatoria con la funcin de distribucin que aparece abajo.
o
o
Es X discreta o continua? Graque F (x). Encuentre y graque la correspondiente funcin de densidad f (x). Calcule adems P (X = 2) y P (1 < X < 2).
o
a
si x < 1,
0
F (x) =
1/3 si 1 x < 2,
1
si x 2.
Apendice A. Ejercicios
121
116. Sea X una variable aleatoria con la funcin de distribucin que aparece abajo.
o
o
Es X discreta o continua? Graque F (x). Encuentre y graque la correspondiente funcin de densidad f (x). Calcule adems P (X = 1/2) y P (X > 1/2).
o
a
si x < 0,
0
F (x) =
x si 0 x < 1,
1
si x 1.
117. Una urna contiene cuatro bolas numeradas 1, 2, 3 y 4. Se extraen dos bolas
al azar, una a la vez y sin reemplazo. Sea X la variable aleatoria que denota
la suma de los n meros de las dos bolas seleccionadas.
u
a) Determine .
b) Calcule y graque f (x).
c) Calcule y graque F (x).
d) Calcule P (X 6), P (3 < X 5) y P (X = 6).
118. Determine si la siguiente funcin es de
o
justique su respuesta.
1/6
2/3
f (x) =
4
3 x 1 4x
si x = 0, 1, 2, 3, 4,
4
4
x
f (x) =
0
otro caso.
b) f (x) =
otro caso.
122
121. Sea X una variable aleatoria con la siguiente funcin de distribucin. Eno
o
cuentre y graque f (x). Calcule P (0 X < 10).
F (x) =
1 (1/2)x+1
0
si x = 0, 1, 2, 3, . . .
otro caso.
122. Sea X una variable aleatoria continua con la funcin de densidad que apao
rece abajo. Encuentre el valor de la constante c y graque la funcin f (x).
o
Encuentre y graque adems la funcin de distribucin F (x).
a
o
o
f (x) =
1/3
1/6
a) f (x) =
1/4
1/2
b) f (x) =
para x > 0.
126. Sea X una variable aleatoria discreta con la funcin de probabilidad que
o
aparece abajo. Demuestre que f (x) es efectivamente una probabilidad de
densidad y que la esperanza de X no existe. Este es un ejemplo de una
variable aleatoria discreta que no tiene esperanza nita.
si x = 1, 2, 3, . . .
f (x) =
x(x + 1)
0
otro caso.
Apendice A. Ejercicios
123
127. Sea X una variable aleatoria continua con la funcin de densidad que aparece
o
abajo. Demuestre que esta funcin es efectivamente una funcin de densidad.
o
o
Compruebe adems que la esperanza de X no existe. Este es un ejemplo de
a
una variable aleatoria continua que no tiene esperanza nita. Es una caso
particular de la distribucin Cauchy.
o
f (x) =
1
,
(1 + x2 )
1/9 si x = 0, 1, 2,
2/9 si x = 3, 4, 5,
f (x) =
0
otro caso.
132. Calcule la media y varianza de la variable aleatoria X cuya funcin de proo
babilidad es
(1/2)x+1 si x = 0, 1, 2, 3, . . .
f (x) =
0
otro caso.
133. Diga falso o verdadero. Justique en cada caso.
a) Var(E(X)) = 0.
124
b) E(Var(X)) = Var(X).
134. Sea X una variable aleatoria continua con funcin de densidad f (x) = 1 e|x| ,
o
2
para < x < . Demuestre que f (x) es efectivamente una funcin de
o
densidad y compruebe que
a) E(X) = 0.
b) E(X 2 ) = 2.
c) Var(X) = 2.
d ) E(X n ) = n! para n par.
135. Diga falso o verdadero. Justique en cada caso.
a) E(X) = E(X).
b) Var(X) = Var(X).
c) E(Var(X)) = Var(E(X)).
Var(0)
=
=
Var(X + (X))
Var(X) + Var(X)
=
=
Var(X) + Var(X)
2 Var(X).
Apendice A. Ejercicios
125
Distribucin Bernoulli
o
139. Sea X una variable aleatoria con distribucin Ber(p). Verique que f (x) es
o
efectivamente una funcin de densidad. Demuestre adems que
o
a
a) E(X) = p.
b) E(X n ) = p, para n 1.
c) Var(X) = p(1 p).
Distribucin binomial
o
140. Sea X una variable aleatoria con distribucin bin(n, p). Verique que f (x) es
o
efectivamente una funcin de densidad.
o
141. Sea X una variable aleatoria con distribucin bin(n, p). Demuestre que
o
a) E(X) = np.
b) Var(X) = np(1 p).
142. Sea X una variable aleatoria con distribucin bin(n, p) tal que E(X) = 4 y
o
Var(X) = 2. Cules son los valores de n y p?
a
143. Sea X una variable aleatoria con distribucin bin(n, p). Demuestre que la vao
riable Y = n X tiene distribucin bin(n, 1 p). Proporcione una explicacin
o
o
probabil de este resultado.
sta
144. Sea X con distribucin bin(n, p). Demuestre que para x = 0, 1, . . . , n 1, se
o
cumple la siguiente frmula. Esta expresin permite calcular las probabilidao
o
des de esta distribucin de una forma iterativa.
o
P (X = x + 1) =
p
(n x)
P (X = x).
(1 p) (x + 1)
145. Se lanza una moneda equilibrada 6 veces. Calcule la probabilidad de que cada
cara caiga exactamente 3 veces.
146. Se lanza una moneda equilibrada 2n veces. Calcule la probabilidad de que
ambas caras caigan el mismo n mero de veces.
u
147. Sea X una variable aleatoria con distribucin bin(n, p). Demuestre que 0
o
Var(X) E(X).
126
148. Suponiendo que es igualmente probable que nazca un hombre (H) o una mujer
(M), y considerando la observacin de 6 nacimientos. Cul de los siguientes
o
a
eventos es ms probable que ocurra?
a
a) MHHMHM
b) MMMMHM
c) HMHMHM
Distribucin geomtrica
o
e
149. Sea X una variable aleatoria con distribucin geo(p). Verique que la funcin
o
o
f (x) es efectivamente una funcin de densidad.
o
150. Sea X una variable aleatoria con distribucin geo(p). Demuestre que
o
a) E(X) = (1 p)/p.
b) Var(X) = (1 p)/p2 .
151. Sea X una variable aleatoria con distribucin geo(p). Demuestre que para
o
cualesquiera a, b = 0, 1, 2, . . . se cumple la siguiente propiedad llamada de
prdida de memoria: P (X a + b | X a) = P (X b).
e
152. Considere una urna con 3 bolas negras y 5 bolas blancas. Se escoge una
bola al azar, se registra su color, y despus se regresa a la urna. Cuntas
e
a
extracciones en promedio se necesitan realizar hasta obtener una bola negra
por primera vez?
Distribucin Poisson
o
153. Sea X una variable aleatoria con distribucin Poisson(). Verique que f (x)
o
es efectivamente una funcin de densidad y demuestre que E(X) = , y
o
Var(X) = .
154. Sea X una variable aleatoria con distribucin Poisson(). Demuestre que para
o
x = 0, 1, 2, . . . se cumple la siguiente frmula. Esta expresin permite calcular
o
o
las probabilidades Poisson de una forma iterativa.
P (X = x + 1) =
P (X = x).
(x + 1)
155. Sea X una variable aleatoria con distribucin Poisson(). Demuestre que la
o
probabilidad de que X tome un valor par es (1 + e2 )/2.
Apendice A. Ejercicios
127
r+x1
P (X = x 1).
x
Distribucin hipergeomtrica
o
e
160. Sea X con distribucin hipergeo(N, K, n). Verique que f (x) es efectivamente
o
una funcin de probabilidad.
o
128
162. Sea X con distribucin uniforme en el intervalo (a, b). Demuestre que
o
a) E(X) = (a + b)/2.
b) Var(X) = (b a)2 /12.
163. Sea X con distribucin uniforme en el intervalo (0, 1). Demuestre que el no
simo momento de X es 1/(n + 1).
e
164. Sea X con distribucin uniforme en el intervalo (a, b). Demuestre que
o
E(X n ) =
bn+1 an+1
.
(n + 1)(b a)
165. Sea X una variable aleatoria con distribucin uniforme en el intervalo (1, 1).
o
Demuestre que
E(X n ) =
1/(n + 1) si n es par,
0
si n es impar.
Distribucin exponencial
o
168. Sea X una variable aleatoria con distribucin exp(). Verique que f (x) es
o
efectivamente una funcin de densidad.
o
169. Sea X con distribucin exp(). Demuestre que
o
a) E(X) = 1/.
b) Var(X) = 1/2 .
170. Sea X una variable aleatoria con distribucin exp(). Demuestre que para
o
cualesquiera n meros x, y 0 se cumple la igualdad que aparece abajo. La
u
distribucin exponencial es la unica distribucin continua que satisface esta
o
o
propiedad llamada de prdida de memoria.
e
P (X x + y | X x) = P (X y).
Apendice A. Ejercicios
129
171. Sea X con distribucin exp(). Demuestre que para cualesquiera n meros
o
u
x, y 0, F (x + y) = F (x) + F (y) F (x) F (y).
172. Suponga que el tiempo que un usuario cualquiera permanece conectado a
un servidor en una red de cmputo se puede modelar como una variable
o
aleatoria con distribucin exponencial con media igual a 10 minutos. De mil
o
usuarios, Cuntos tienen un conexin superior a una hora? Calcule adems
a
o
a
la probabilidad de que un usuario cualquiera
a) no permanezca conectado mas de 10 minutos.
b) permanezca conectado mas de 10 minutos pero menos de una hora.
Distribucin gama
o
173. Sea X una variable aleatoria con distribucin gama(n, ). Verique que f (x)
o
es efectivamente una funcin de densidad.
o
174. Sea X con distribucin gama(n, ). Demuestre que
o
a) E(X) = n/.
b) Var(X) = n/2 .
c) E(X m ) = (m + n)/( m (n) ).
175. Demuestre las siguientes propiedades de la funcin gama.
o
a) (n + 1) = n (n).
b) (2) = (1) = 1.
c) (n + 1) = n! si n es entero.
d ) (1/2) = .
Distribucin beta
o
176. Sea X con distribucin beta(a, b). Verique que f (x) es efectivamente una
o
funcin de densidad.
o
177. Sea X con distribucin beta(a, b). Demuestre que
o
a) E(X) = a/(a + b).
130
b) Var(X) = ab/( (a + b + 1)(a + b)2 ).
178. Demuestre las siguientes propiedades de la funcin beta.
o
a) B(a, b) = B(b, a).
b) B(a, 1) = 1/a.
c) B(1, b) = 1/b.
a
B(a, b + 1).
b
a
e) B(a + 1, b) =
B(a, b).
a+b
b
f ) B(a, b + 1) =
B(a, b).
a+b
g) B(1/2, 1/2) = .
d ) B(a + 1, b) =
179. Sea X una variable aleatoria con distribucin beta(a, b), con a = b = 1.
o
Demuestre que X tiene una distribucin uniforme en el intervalo (0, 1).
o
180. Sea X con distribucin beta(1/2, 1/2). En este caso se dice que X tiene una
o
distribucin arcoseno.
o
a) Calcule y graque f (x).
b) Demuestre que f (x) es una funcin de densidad.
o
c) Calcule E(X) y Var(X).
181. Sea X con distribucin beta(a, b). Demuestre que cuando a > 0 y b = 1, la
o
funcin de distribucin de X toma la forma
o
o
si x 0,
0
xa si 0 < x < 1,
F (x) =
1
si x 1.
182. Sea X con distribucin beta(a, b). Demuestre que cuando a = 1 y b > 0, la
o
funcin de distribucin de X toma la forma
o
o
si x 0,
0
1 (1 x)b si 0 < x < 1,
F (x) =
1
si x 1.
183. Sea X con distribucin beta(a, b). Demuestre que para cualquier entero n 0,
o
E(X n ) = B(a + n, b)/B(a, b).
Apendice A. Ejercicios
131
Distribucin normal
o
184. Sea X con distribucin N(, 2 ). Verique que f (x) es efectivamente una
o
funcin de densidad.
o
185. Sea X con distribucin N(, 2 ). Demuestre que E(X) = , y Var(X) = 2 .
o
186. Sea X con distribucin N(, 2 ). Demuestre que la variable Z = (X )/
o
tiene distribucin normal estndar. Rec
o
a
procamente, demuestre que si Z tiene
distribucin normal estndar, y > 0, entonces la variable X = + Z tiene
o
a
distribucin N(, 2 ).
o
187. Sea X con distribucin N(10, 25). Calcule
o
a) P (X 10).
b) P (X < 0).
c) P (0 < X 10).
d ) P (X 20).
c) P (0 < X 40).
d ) P (X 30).
b) 1 (x) = 0.9154 .
190. Sea X una variable aleatoria con distribucin N(, 2 ). Demuestre que la
o
variable Y = aX + b, con a = 0, tambin tiene una distribucin normal.
e
o
Encuentre los parmetros correspondientes.
a
191. Sea X una variable aleatoria con distribucin N(, 2 ). Demuestre que la vao
riable Y = X tambin tiene una distribucin normal. Encuentre los parmee
o
a
tros correspondientes.
132
192. Sea X una variable aleatoria con distribucin N(0, 1). Demuestre que X 2
o
tiene
una distribucin 2 (1). Sugerencia: Para x > 0, FX 2 (x)= P (X 2 x)=
o
P ( x X x).
193. Sea X una variable aleatoria con distribucin normal estndar. Encuentre la
o
a
funcin de densidad de Y = |X|.
o
194. Una mquina automtica despachadora de refresco en un restaurant est ajusa
a
a
tada para llenar vasos de 300 ml en promedio. Debido a cuestiones mecnicas,
a
el llenado de los vasos no es enteramente exacto y hay peque as uctuaciones
n
en el llenado. El fabricante de la mquina sabe que el llenado de los vasos
a
se puede modelar como una v.a. normal con media de 300 ml. y desviacin
o
estndar = 10 ml.
a
a) Qu fraccin de los vasos sern servidos con ms de 310 mililitros?
e
o
a
a
b) Cul es la probabilidad de que un vaso sea servido entre 290 y 305
a
mililitros?
c) Si el restaurant utiliza vasos de 320 ml. qu porcentaje de ellos se
e
derramarn?
a
d ) Si los clientes reclaman por vasos servidos con 270 ml. o menos, de mil
clientes, cuntos de ellos reclamarn?
a
a
Distribucin ji cuadrada
o
195. Sea X con distribucin 2 (n). Compruebe que la correspondiente funcin de
o
o
densidad f (x) efectivamente lo es.
196. Compruebe que la distribucin 2 (n) se reduce a la distribucin exp(1/2)
o
o
cuando n = 2.
197. Sea X con distribucin 2 (n). Demuestre que E(X) = n, y que Var(X) = 2n.
o
Compruebe adems que E(X m ) = 2m ( n + m)/( n ), para m 0.
a
2
2
Distribucin t
o
198. Sea X con distribucin t(n). Verique que f (x) es efectivamente una funcin
o
o
de densidad.
Apendice A. Ejercicios
133
199. Sea X con distribucin t(n). Demuestre que E(X) = 0, y Var(X) = n/(n2),
o
para n > 2.
Vectores aleatorios
200. Sea (X, Y ) un vector aleatorio discreto con funcin de densidad f (x, y) dada
o
por la siguiente tabla
x\y
-1
0
1
.3
.5
2
.05 .15
a) Graque f (x, y) y demuestre que efectivamente se trata de una funcin
o
de densidad.
b) Calcule y graque las densidades marginales f (x) y f (y). Verique que
ambas son efectivamente funciones de densidad.
c) Calcule y graque las distribuciones marginales F (x) y F (y). Verique
que ambas son efectivamente funciones de distribucin.
o
d ) Son X y Y independientes?
201. Sea (X, Y ) un vector aleatorio discreto con funcin de densidad f (x, y) dada
o
por la siguiente tabla
x\y
0 1
1
.2 0
2
.7 .1
a) Graque f (x, y) y demuestre que efectivamente se trata de una funcin
o
de densidad.
b) Calcule y graque las densidades marginales f (x) y f (y). Verique que
ambas son efectivamente funciones de densidad.
c) Calcule y graque las distribuciones marginales F (x) y F (y). Verique
que ambas son efectivamente funciones de distribucin.
o
d ) Son X y Y independientes?
202. Sea (X, Y ) un vector aleatorio continuo con distribucin uniforme en el cuao
drado (1, 1) (1, 1).
a) Graque f (x, y) y demuestre que efectivamente se trata de una funcin
o
de densidad.
134
b) Calcule y graque las densidades marginales f (x) y f (y). Verique que
ambas son efectivamente funciones de densidad.
c) Calcule y graque las distribuciones marginales F (x) y F (y). Verique
que ambas son efectivamente funciones de distribucin.
o
d ) Son X y Y independientes?
203. Sea (X, Y ) un vector aleatorio continuo con funcin de densidad f (x, y) dada
o
por la siguiente expresin
o
f (x, y) =
e(x+y)
0
si x, y > 0,
otro caso.
135
Apendice A. Ejercicios
Estad
stica descriptiva
205. Calcule la media, moda, mediana, varianza, desviacin estndar y rango del
o
a
siguiente conjunto de datos: 4, 2, 0, 9, 4, 2, 1, 1, 4, 2.
206. Pregunte a diez personas sus estaturas. Registre todos estos datos y calcule
la media, moda, mediana, varianza, desviacin estndar y rango.
o
a
207. Mediante el uso de una calculadora genere diez n meros al azar dentro del inu
tervalo unitario (0, 1). Escriba estos datos y calcule la media, moda, mediana,
varianza, desviacin estndar y rango.
o
a
n
(xi x) = 0.
n
2
(xi x) =
i=1
x
x2 n2 .
i
1
1
[
x2 (
xi )2 ].
n 1 i=1 i
n i=1
n
(xi c)2 .
Frecuencia
4
3
6
5
5
136
ma.
Intervalo de clase
0x<5
5 x < 10
10 x < 15
15 x < 20
25 x < 30
30 x < 35
35 x < 40
Frecuencia
12
23
10
14
6
10
5
Estimacin puntual
o
(Xi )2 .
n i=1
217. Sea X1 , . . . , Xn una m.a. de una poblacin con media desconocida y variano
za 2 desconocida. Demuestre que la siguiente estad
stica es un estimador
insesgado para 2 ,
n
1
S2 =
(Xi X)2 .
n 1 i=1
218. Sea X1 , . . . , Xn una m.a. de una poblacin con media desconocida y varianza
o
nita 2 desconocida. Demuestre que la siguiente estad
stica es un estimador
insesgado para 2 ,
2 =
1
2(n 1)
n1
i=1
(Xi+1 Xi )2 .
137
Apendice A. Ejercicios
219. Sea X1 , . . . , Xn una m.a. de una poblacin con media y varianza 2 deso
conocidas. Recuerde que la varianza muestral S 2 se ha denido como sigue
1
(n1) 2
2 S
2 (n1).
Mtodo de momentos
e
220. Dada una muestra aleatoria de tama o n de una poblacin uniforme en el
n
o
intervalo [0, a], use el mtodo de momentos para encontrar un estimador para
e
el parmetro a.
a
221. Dada una muestra aleatoria de tama o n de una poblacin Poisson con
n
o
parmetro desconocido > 0, use el mtodo de momentos para encontrar
a
e
un estimador del parmetro .
a
222. Dada una muestra aleatoria de tama o n de una poblacin exponencial con
n
o
parmetro desconocido > 0, use el mtodo de momentos para encontrar un
a
e
estimador del parmetro .
a
138
226. Se realizan 20 pruebas de resistencia de un cierto material obtenindose los
e
siguientes datos: 2225, 2300, 2217, 2190, 2295, 2285, 2195, 2255, 2232, 2252,
2272, 2231, 2223, 2211, 2219, 2231, 2218, 2262, 2257, 2261. Construya un
intervalo de conanza del 98 % para la resistencia media de este material,
suponiendo una distribucin normal.
o
Pruebas de hiptesis
o
227. Se cree que la estatura de cierta poblacin humana sigue una distribucin
o
o
normal con media de 1.70 metros. Realice la prueba de hiptesis H0 : =
o
1.70 vs H1 : = 1.70, con el siguiente conjunto de datos: 1.65, 1.75, 1.63,
1.81, 1.74, 1.59, 1.73, 1.66, 1.65, 1.83, 1.77, 1.74, 1.64, 1.69, 1.72, 1.66, 1.55,
1.60, 1.62. Use un nivel de signicancia del 10 %, y suponga = 0.10 .
228. Las mediciones del n mero de cigarros fumados al d por un grupo de diez fuu
a
madores es el siguiente: 5, 10, 3, 4, 5, 8, 20, 4, 1, 10. Realice la prueba de hipteo
sis H0 : = 10 vs H1 : < 10, suponiendo que los datos provienen de una
muestra tomada al azar de una poblacin normal con = 1.2 . Use un nivel
o
de signicancia del 5 %.
229. Considere cualquiera de las tres pruebas de hiptesis para la media de
o
una poblacin normal con 2 conocida. Demuestre que en cualquier caso la
o
probabilidad de cometer el error tipo II tiende a cero cuando el tama o de la
n
muestra n tiende a innito.
Apndice B
e
Soluciones
d ) = {0, 1, 2, . . .}.
140
2. Si nos interesa observar el n mero de lanzamientos hasta obtener un 6 se pueu
de tomar = {1, 2, . . .}. Si nos interesa registrar con detalle los resultados,
= {6, N 6, N N 6, N N N 6, . . .}, en donde cada N puede ser cualquiera de los
n meros 1, 2, 3, 4 5.
u
o
3. a) N mero de hijos de una persona escogida al azar. b) Tiempo que una
u
persona tiene que esperar para la llegada de un autob s. c) Este es el espacio
u
muestral ms frecuente. El n mero 1 puede representar ganar en un juego de
a
u
loter mientras que el n mero 0 corresponde a perder en el juego. Este es
a
u
uno de los muchos ejemplos que pueden construirse para este espacio.
o
puede descomponerse en: x B x C, esto incluye el caso de pertenencia a
o
ambos conjuntos. Si es el primer caso, es decir x B, entonces se obtiene que
x A B, y por lo tanto x es un elemento del lado derecho de la igualdad.
La misma conclusin se obtiene si x C. Esto demuestra la contencin
o
o
A (B C) (A B) (A C). De manera anloga se prueba la contencin
a
o
contraria. b) Anlogo al inciso anterior.
a
5. a) Demostraremos la contencin (A B)c Ac B c . Sea x (A B)c .
o
Entonces x (A B), esto es, x A y x B. Por lo tanto x Ac y x B c .
/
/
/
Es decir, x Ac B c . De manera anloga se prueba la contencin contraria y
a
o
de esa forma se demuestra la igualdad. b) Pruebe ambas contenciones como
en el inciso anterior.
6. Los enunciados son: a)(A B C)c = Ac B c C c y b)(A B C)c =
Ac B c C c . Para el primer inciso se tiene que (A B C)c =((A B)
C)c =(A B)c C c =Ac B c C c . De manera anloga se demuestra al
a
segundo inciso.
7. A = A = A (B B c ) = (A B) (A B c ).
8. B (A B c ) = (B A) (B B c ) = (B A) = B A.
9. Anlogo al anterior.
a
10. B (A B c ) = (B A) (B B c ) = (B A) = B A.
11. Anlogo al anterior.
a
141
Apendice B. Soluciones
A
2
B
1
0
Figura B.2:
142
17. Grcamente los conjuntos A y B son los que se
a
muestran en la Figura B.3.
B = [ 2, 1], B A = (, 3) ( 2, ), AB = (, 3) [ 2, 1]
( 2, ).
A
3
B
Figura B.3:
18. Los conjuntos A y B son los que se muestra en la Figura B.4 (a). All pueden
B
A
A
(b)
(a)
Figura B.4:
19. Los conjuntos A y B son los que se muestran en la Figura B.4 (b). All pueden
Apendice B. Soluciones
143
Conjuntos ajenos
22. A (B A) = A (B Ac ) = .
23. No son ajenos, tienen un unico punto en com n que es (0, 1).
u
24. A1 B A B = .
25. n(n 1)/2.
Conjunto potencia
26. 2 = {}.
27. Sea A1 2A , entonces A1 A B. Por lo tanto A1 B y en consecuencia
A1 2B .
Producto Cartesiano
28. ABC = { (a1 , b1 , c1 ),(a1 , b1 , c2 ), (a1 , b2 , c1 ),(a1 , b2 , c2 ), (a1 , b3 , c1 ),(a1 , b3 , c2 ),
(a2 , b1 , c1 ),(a2 , b1 , c2 ), (a2 , b2 , c1 ),(a2 , b2 , c2 ), (a2 , b3 , c1 ),(a2 , b3 , c2 )}.
29. A A = { (a, a),(a, b),(a, c), (b, a),(b, b),(b, c), (c, a),(c, b),(c, c)}.
Probabilidad
30. Claramente P (A) = #A/# 0, y P () = #/# = 1. Adems, cuando A
a
y B son ajenos, #(A B) = #A + #B, y de all se sigue la tercera propiedad.
144
33. P () = P ( ) = P () + P (). Ahora cancele uno de los trminos.
e
34. B = (B A) (B Ac ), siendo esta unin ajena. Aplicando probabilidad,
o
P (B) = P (B A) + P (B Ac ). El segundo sumando es P (B A).
35. La primera desigualdad es evidente. Como AB A, se tiene que P (AB)
P (A). Anlogamente como A A B, P (A) P (A B). La siguiente
a
desigualdad es consecuencia de la frmula P (A B) = P (A) + P (B) P (A
o
B). Finalmente la ultima desigualdad se obtiene de P (A) P () = 1.
c) P (Ac B) = 0.2 .
d) P (AB c ) =
40. a) Verdadero, pues A B A. b) Falso, considere por ejemplo el experimento de lanzar una moneda equilibrada. Ambos resultados tienen la misma
probabilidad pero evidentemente no son iguales. c) Falso, en el experimento
de lanzar un dado equilibrado, considere por ejemplo los eventos A = {1} y
B = {2, 3}. Claramente P (A) P (B) pero A no est contenido en B.
a
41. a) Verdadero, pues A A B. b) Falso, A y B pueden ser ajenos. c)
Verdadero, P (A B) = P (A) + P (B) P (A B) > 1/2 + 1/2 P (A B) =
1 P (A B) 0. d) Falso, A puede ser .
42. a) Falso. En el experimento de lanzar una moneda equilibrada, sea A el
resultado de obtener una de las caras y B obtener la otra cara. Entonces
P (B A) = P (B) = 1/2, mientras que P (B) P (A) = 1/2 1/2 = 0. El
resultado es cierto bajo la condicin A B. b) Falso, excepto cuando A y B
o
son independientes. Considerando el ejemplo del inciso anterior, P (A B) =
0, mientras que P (A)P (B) = 1/2 1/2 = 1/4. c) Verdadero. P (Ac ) =
1 P (A) < 1 1/2 = 1/2.
43. P (A) = 2/3.
Anlisis combinatorio
a
44. 6! = 720.
Apendice B. Soluciones
145
45. El total de casos posibles es 5! = 120. Los casos favorables son dos: 12345 y
54321. Por lo tanto la probabilidad buscada es 2/120 = 1/60.
46.
n
2
n = n(n 1)/2.
47. 15 14 13 = 2730.
48. Un entero positivo de a lo sumo cinco d
gitos que es divisible por 2 es de la
forma xxxxy en donde x puede ser cualquiera de 0, 1, . . . , 9 y y puede ser
0, 2, 4, 6, 8. Por lo tanto el total es 10 10 10 10 5 = 50000, excepto que
debemos omitir el entero 00000. Si empiezan con el n mero 1, entonces son
u
de la forma 1xxxy, y entonces la respuesta es 10 10 10 5 = 5000 y esta vez
no hay necesidad de omitir ninguno de ellos.
5
3
49.
= 5!/3!2! = 10.
50
k
200
20k
250
20
146
61.
62.
63.
64.
65.
66.
67.
68.
69. Se pueden obtener un total de 2n subconjuntos distintos de un conjunto de
cardinalidad n. Los 16 subconjuntos de {a, b, c, d} son: , {a}, {b}, {c}, {d},
{a, b}, {a, c}, {a, d}, {b, c}, {b, d}, {c, d}, {a, b, c}, {b, c, d}, {a, c, d}, {a, b, d},
{a, b, c, d}.
70. 2n . El conjunto E corresponde al conjunto de los n ejes coordenados, o uniones
de stos.
e
71.
72.
73. 26 .
74. n! (n + 1)!
75. (n!)2 .
76. 7!/(3! 2!).
77. 11!/(5! 4! 2!).
78. Considere que se tienen k casillas numeradas 1, 2, . . . , k en donde se desean
colocar n bolas sin ninguna restriccin en el n mero de bolas que caben en
o
u
cada casilla. De esta forma, el n mero de bolas en la casilla 1 es el valor de
u
x1 , lo mismo para las casillas 2, 3, . . . , k. Las respuestas son entonces
n
a) n+k1 . b) m=0 m+k1 . c) Innito.
n
m
Apendice B. Soluciones
147
d)
148
A2 )B)/P (B) = P (A1 B)/P (B)+P (A2 B)/P (B) = P (A1 |B)+P (A2 |B).
c) Falso. Tmese B1 = B2 . El lado derecho es el cuadrado del lado izquierdo.
o
d) Falso. Tmese A1 = A2 . El lado derecho es el cuadrado del lado izquierdo.
o
89. a) P () = P () = 0 = P ()P ().
b) P () = P () = 1 = P ()P ().
n
1
n
2
Apendice B. Soluciones
149
o
o
probabilidad total,
c
c
P (Rn+1 ) = P (Rn+1 |R1 )P (R1 ) + P (Rn+1 |R1 )P (R1 )
r+c
r
r
b
=
Teorema de Bayes
101. Sea A el evento cuando todas las bolas son del mismo color, y N cuando
en particular son todas negras. Entonces P (N |A) = P (A|N )P (N )/P (A) =
n
n
b
k /[ k + k ].
102. Sea R0 el evento se recibe un cero, y E0 el evento se env un cero.
a
Anlogamente se denen los eventos R1 y E1 . Entonces
a
a)
b)
c)
d)
P (R0 ) = P (R0 |E0 )P (E0 ) + P (R0 |E1 )P (E1 ) = 0.8 0.4 + 0.1 0.6 = 0.38.
P (R1 ) = P (R1 |E0 )P (E0 ) + P (R1 |E1 )P (E1 ) = 0.2 0.4 + 0.9 0.6 = 0.62.
P (E0 |R0 ) = P (R0 |E0 )P (E0 )/P (R0 ) = 0.8 0.4/0.38 = 0.84.
P (E1 |R1 ) = P (R1 |E1 )P (E1 )/P (R1 ) = 0.9 0.6/0.62 = 0.87.
Variables aleatorias
103. a) Discreta, los valores pueden ser 0, 1, 2, . . . si la escala de medicin son
o
a os. b) Discreta con posibles valores 0, 1, 2, . . . c) Puede ser continua y
n
150
considerarse tericamente el intervalo [0, ). d) Discreta con posibles valoo
res 0, 1, 2, . . . si slo se consideran unidades monetarias.
o
104. a) Continua con valores en (0, 1). b) Discreta con valores en el conjunto
{0, 1, 2, . . . , 8, 9}. c) Continua con valores en (0, 1). d) Continua con valores
en (0, 1/2).
105. El rango de X es el conjunto {4, 2, 0, 2, 4, 6}. P (X = 0) = 1/6, P (X
{2, 3}) = 1/6, P (X 0) = 2/3, P (X < 0) = 1/3, P (X 2 = 1) = 0, P (2X
4 = 0) = 1/6 y P (X 2 = 4) = 1/3.
106. P (X 0) = 1/2, P (X < 0) = 1/2, P (Y > X) = 1/2, P (X + Y 1) =
3/4 + 2/, P (Z < 1/2) = 1/4 y P (1/3 < Z < 1/2) = 5/36.
1
0.15
4
0.2
9
0.15
25
0.1
x
f (x)
La de |X| es
0
0.4
0
0.4
1
0.15
2
0.2
3
0.15
5
0.1
Y la de 2X 5 es
x
f (x)
-9
0.1
-7
0.15
-5
0.4
-1
0.1
1
0.15
5
0.1
151
Apendice B. Soluciones
113. El valor de c es 0.8. La funcin de probabilidad de X 2 es
o
x
f (x)
0
0.8
4
0.2
114. a) k = 2. b) F (x) = (x + 2)/10 para x [2, 8], cero antes, uno despus.
e
c) P (1 X 3) = 2/5, P (X 2) = 3/5, P (X 0) = 1/5. d) m = 5/2.
115. Se trata de una variable aleatoria discreta cuya funcin de probabilidad es
o
f (1) = 1/3 y f (2) = 2/3. Por lo tanto P (X = 2) = 2/3, y P (1 < X < 2) = 0.
116. La funcin de densidad es f (x) = 1/(2 x), para x (0, 1). P (X = 1/2) = 0
o
3
2/12
4
2/12
5
4/12
6
2/12
7
2/12
152
124. a) E(X) = 7/6. b) E(X) = 0.
125. a) E(x) = 1. b) E(X) = 4/3.
126. La funcin es no negativa. Usando fracciones parciales se comprueba la ideno
tidad
1
1
1
=
.
x(x + 1)
x x+1
Entonces la suma x=1 f (x) es telescpica y vale uno. Por otro lado la eso
1
peranza no existe pues la suma xf (x) = x+1 es divergente.
x=1
x=1
127. Para demostrar que esta funcin es de densidad es necesario recordar que la
o
derivada de la funcin h(x) = arctan x es h (x) = 1/(1 + x2 ). Por lo tanto
o
1
1 d
1
1
dx = dx arctan x dx = arctan x| = (/2 (/2)) =
(1+x2 )
1. La esperanza no existe por que la integral resultante no es absoluta
1
2 x
2 x
mente convergente: |x| (1+x2 ) dx = 0 1+x2 dx 1 1+x2 dx
2
x
1 1
1 x2 +x2 dx = 1 x dx = .
128. a) Cierto, la constante cero cumple tal condicin. b) Falso, las siguientes
o
dos distribuciones son distintas y ambas tienen esperanza cero.
x
f1 (x)
f2 (x)
-1
1/2
1/3
0
0
1/3
1
1/2
1/3
c) Falso, si X es una variable aleatoria con esperanza nita y positiva, entonces X tiene esperanza negativa. d) Cierto, por ejemplo todas las constantes son variables aleatorias con varianza cero. e) Cierto, pues la varianza es
la esperanza de una variable aleatoria no negativa. f) Falso, dos variables
aleatorias constantes distintas tienen varianza cero.
129. Tanto la esperanza como la varianza son constantes. Los resultados se siguen
del hecho de que la esperanza de una constante es la constante misma y la
varianza de una constante es cero.
130. a) E(X) = c P (X = c) = c 1 = c. b) E(X n ) = cn P (X = c) =
cn 1 = cn . c) Var(X) = (c E(X))2 P (X = c) = (c c)2 1 = 0.
131. E(X) = 3 y Var(X) = 24/9.
132. Esta es la distribucin geo(p) con p = 1/2. Usaremos resultados de sumas
o
x
x+1
x+1
geomtricas. E(X) =
e
=
. Intercamx=0 x(1/2)
x=1
y=1 (1/2)
153
Apendice B. Soluciones
y
=
y=1 (1/2) = 1. Para la varianza encontraremos primero el segundo
momento, y para ello usaremos la identidad x2 = x(x + 1) x. E(X 2 ) =
2
x+1
x+1
=
x=0 x(1/2)x+1 . La segunx=1 x (1/2)
x=0 x(x + 1)(1/2)
da suma acaba de ser calculada y vale uno. Para la primera suma escrix
ba x(x + 1) como 2 y=1 y. Intercambiando ahora el orden de las sumas
133. Ambos incisos son ciertos pues tanto E(X) como Var(X) son constantes.
1
b) El segundo momento es x2 2 e|x| dx. Nuevamente separando la parte
1
positiva de la negativa se obtiene 0 x2 1 ex dx + x2 2 ex dx. Ahora al
2
hacer el cambio de variable y = x en la segunda integral se obtiene que es
idntica a la primera integral. Por lo tanto se obtiene el doble de la primera,
e
primera integral, y entonces el resultado es 0 xn ex dx. Aplicando repetidas veces el mtodo de integracin por partes se comprueba que esta integral
e
o
vale n!
135. a) Cierto pues la esperanza es lineal. b) Falso pues en general Var(cX) =
c2 Var(X). c) Falso. El lado izquierdo es Var(X) y el lado derecho es siempre
cero.
136. La tercera igualdad no es correcta pues la varianza en general no es lineal.
154
Distribucin uniforme discreta
o
n
137.
a) E(X) =
i
i=1
n
1
1
=
n
n
i2
b) E(X 2 ) =
i=1
i=
i=1
1
1
=
n
n
1 n(n + 1)
= (n + 1)/2.
n
2
i2 =
i=1
1 n(n + 1)(2n + 1)
= (n + 1)(2n + 1)/6.
n
6
(n + 1)(2n + 1) (n + 1)2
= (n2 1)/12.
6
4
138. 45/100.
Distribucin Bernoulli
o
139. Es muy sencillo vericar que f (x) 0, y f (0) + f (1) = 1. Adems
a
a) E(X) = 0 (1 p) + 1 p = p.
b) E(X n ) = 0n (1 p) + 1n p = p.
c) Var(X) = E(X 2 ) E 2 (X) = p p2 = p(1 p).
Distribucin binomial
o
140. Claramente f (x) 0. Adems por el teorema del binomio
a
n
n x
nx
= (p + 1 p)n = 1.
x=0 x p (1 p)
n
x=0
f (x) =
np
(n 1)!
px1 (1 p)(n1)(x1) ,
((n 1) (x 1))!(x 1)!
x=1
n
155
Apendice B. Soluciones
escribiendo x2 = x(x 1) + x, es decir,
n
E(X 2 )
n x
p (1 p)nx
x
x2
=
x=0
n
n x
n x
=
x(x 1)
p (1 p)nx +
x
p (1 p)nx .
x
x
x=0
x=0
La segunda suma acaba de ser calculada y vale np. La primera suma puede empezar desde 2, y procediendo como en el caso de la esperanza puede
escribirse como
n
n(n 1)p2
(n 2)!
px2 (1 p)(n2)(x2) ,
((n 2) (x 2))!(x 2)!
x=2
n
6
3
146.
2n
n
(1/2)6 .
(1/2)2n .
147. Recuerde que Var(X) = npq y E(X) = np. Entonces efectivamente npq np
pues q 1.
148. Los tres eventos tienen la misma probabilidad de ocurrir, cada uno de ellos
tiene probabilidad 1/26 .
156
Distribucin geomtrica
o
e
149. f (x) 0. Adems
a
x=0
f (x) =
x=0
x
150. Usaremos resultados de sumas geomtricas. E(X) =
e
x=0 xp(1 p) =
x
x
x=1
y=1 p(1 p) . Intercambiando el orden de las sumas se encuentra la
x
y
expresin
o
y=1
x=y p(1 p) =
y=1 (1 p) = (1 p)/p. Para la varianza
encontraremos primero el segundo momento, y para ello usaremos la identidad
x
x=0 xp(1 p) . La segunda suma acaba de ser calculada y vale (1-p)/p.
x
Para la primera suma escriba x(x + 1) como 2 y=1 y. Intercambiando ahora
el orden de las sumas se llega a E(X 2 ) = 2 y=1 y x=y p(1 p)x (1 p)/p
2
= 2 y=1 y(1 p)y (1 p)/p = p y=1 yp(1 p)y (1 p)/p = 2(1
p)/p2 (1 p)/p. Por lo tanto la varianza es Var(X) = E(X 2 ) E 2 (X)
= 2(1 p)/p2 (1 p)/p (1 p)2 /p2 = (1 p)/p2 .
Distribucin Poisson
o
153. La funcin f (x) es no negativa y es tal que
o
x=0 f (x) =
x=0 e
x!
x
= e x=0 x! = e e = 1. Para la esperanza tenemos que E(X) =
x
x
x1
x=1 e
x=1 e
x=0 x e
x! =
(x1)! =
(x1)! = . Usando la igual2
dad x = x(x 1) + x, puede encontrarse que el segundo momento es
E(X 2 ) = 2 + . Por lo tanto Var(X)= E(X 2 ) E 2 (X)= 2 + 2 = .
157
Apendice B. Soluciones
Distribucin binomial negativa
o
n
a x
= (1)k n+k1 , y la expansin (1 + t)a =
o
t para a real
x=0 x
k
k
r+x1 r
p (1 p)x . Observe que la suma puede empezar desde 1. La
x=1 x
x
suma resultante es uno pues se trata de las probabilidades de la distribucin
o
bin neg(r, p). Para la varianza use la frmula x2 = x(x 1) + x para calcular
o
primero E(X 2 ), separando las sumas. El procedimiento es anlogo al caso de
a
la esperanza, el resultado es E(X 2 )= r(r + 1)(1 p)2 /p2 + r(1 p)/p. Al
substituir estos resultados en la frmula Var(X)= E(X 2 )E 2 (X) se obtiene
o
Var(X) = r(1 p)/p2 .
159. Factorice el trmino (1 p)(r + x 1)/x en la expresin de P (X = x).
e
o
Distribucin hipergeomtrica
o
e
160. El resultado se sigue de la frmula
o
r
n
k=0 k
m
rk
n+m
r
1
0
b
a
xn 1/(b a) dx=
1
n+1 b
(n+1)(ba) x
a
158
1
1
165. E(X n ) = 1 xn 1/2 dx = 2(n+1) xn+1 1 . Si n es impar, entonces n + 1 es
par y la integral se anula. Si n es par, entonces n + 1 es impar y la integral
es 1/(n + 1).
166. X toma valores en (0, 1) y Y toma valores en (5, 5). Para cualquier y
(5, 5), FY (y) = P (Y y)= P (10X 5 y)= P (X (y + 5)/10)=
FX ((y + 5)/10). Derivando fY (y) = fX ((y + 5)/10) 1/10. Pero fX ((y + 5)/10)
vale uno slo cuando 0 < (y + 5)/10 < 1, es decir, si 5 < y < 5. Por lo
o
tanto, Y tiene distribucin unif(5, 5).
o
167. La mediana en este caso es unica y vale m = (a + b)/2 pues cumple la
Distribucin exponencial
o
168. f (x) 0 y
ex dx = ex | = 1.
0
x
2
2
dx = 2/ . Por lo tanto Var(X)= E(X ) E 2 (X) =
(2/) 0 x e
2
2
2
2/ 1/ = 1/ .
170. P (X x + y | X x)= P (X x + y)/P (X x) = e(x+y) /ex = ey
= P (X y).
171. F (x) F (y)= (1 ex )(1 ey ) = 1 ex ey + e(x+y) = (1 ex ) +
(1 ey ) (1 e(x+y) ) = F (x) + F (y) F (x + y).
172. Suponga que el tiempo se mide en minutos. E(X) = 10 = 1/. Por lo tanto
= 1/10. Entonces P (X > 60)= 1 P (X 60)= 1 (1 e60/10 )= e6
= 0.002478 . Por lo tanto de 1000 usuarios, aproximadamente 2.47 tienen
conexin mayor a una hora. a) P (X < 10) = F (10) = 1 e10/10 = 1 e1 =
o
0.6321 . b) P (10 < X < 60) = F (60)F (10) = (1e6 )(1e1 )= 0.3654 .
159
Apendice B. Soluciones
Distribucin gama
o
1
obtiene 0 (x)
ex dx = (n) 0 tn1 et dt = (n) = 1.
(n)
(n)
n1
(x)
x
dx = (n+1) 0 (n+1) ex dx. La integral
174. a) E(X) = 0 x (x)
(n) e
(n)
vale uno, y usando la propiedad (n + 1) = n (n) se obtiene E(X) = n/.
n1
n+1
x
x
b) E(X 2 ) = 0 x2 (x)
dx = (n+2) 0 (x)
dx= (n +
(n) e
2 (n)
(n+2) e
2
2
2
2
1)n/ . Por lo tanto Var(X)= E(X ) E (X)= (n + 1)n/ n2 /2 = n/2 .
c) Anlogo al inciso anterior.
a
(1/2) = 0 t1/2 et dt = 2 0 ex /2 dx = 2 2 1 1 ex /2 dx
2
2
Distribucin beta
o
176. Claramente f (x) 0, y
x)b1 dx =
177. a) E(X) =
B(a,b)
B(a,b) =
1.
1
x
0 B(a,b)
1
1
0 B(a,b)
xa1 (1 x)b1 dx =
xa1 (1x)b1 dx =
B(a+1,b)
B(a,b)
B(a+2,b)
B(a,b) .
2
En
ab
(a+b+1)(a+b)2 .
1
0
xa1 (1
1
1
xa (1x)b1 dx
0 B(a+1,b)
a
= a+b B(a, b) para obtener
1
B(a,b)
1
1
xa+1 (1
0 B(a+2,b)
a+1
a+1
a
donde B(a+2, b) = a+b+1 B(a+1, b) = a+b+1 a+b B(a, b).
a+1
a
a+1
a
a2
a+b+1 a+b , y entonces Var(X) = a+b+1 a+b (a+b)2
160
1
1
0
x
0
x
(1u)b1 du)/B(1, b)=
0
Distribucin normal
o
184. Este ejercicio no es fcil pero puede resolverse por varios mtodos. El siguiente
a
e
2
2
1
mtodo hace uso de coordenadas polares. Sea I = 22 e(x) /2 dx
e
=
2
2
x2 /2
1
dx. Entonces I 2 = ( 1 ex /2 dx) ( 1 ey /2 dy)
2 e
2
2
2
1 (x2 +y 2 )/2
2 1
e
dx dy = 0 0 2 er /2 r dr d, en donde la ulti
2
=
ma integral se obtiene despus del cambio de variable a coordenadas polares
e
2
1
185. Considere la esperanza E(X) = x 22 e(x) /2 dx. Haciendo el
cambio de variable u = (x )/ se encuentra que E(X) = + E(Z),
en donde Z N(0, 1). Por lo tanto es suciente demostrar que E(Z) = 0,
2
161
Apendice B. Soluciones
derivada excepto por el signo. Por lo tanto E(X) = . Para la varianza con2
2
1
sidere el segundo momento E(X 2 ) = x2 22 e(x) /2 dx. Efect e
u
2
nuevamente el cambio de variable y = (x )/ y encuentre que E(X )=
2
b) x = 1.375 .
1
1
1
FX ( x). Derivando, fX2 (x)= fX ( x) 2x +fX ( x) 2x = fX ( x) x .
162
Ahora substituya la expresin para fX (x) y encuentre la funcin de densidad
o
o
de la distribucin 2 (1).
o
193. Para y > 0, FY (y)= P (Y y)= P (|X| y)= P (y X y)= FX (y)
FX (y). Derivando, fY (y)= fX (y)+fX (y)= 2fX (y). Ahora substituya la
funcin de densidad de X.
o
194. Sea X el llenado de un vaso cualquiera. Suponga X N(320, 100). Entonces
a) P (X > 310)= P (Z > 1)= 0.1587 .
b) P (290 < X < 305)= P (1 <
Z < 1/2)= 0.5328 .
c) P (X > 320)= P (Z > 2)= 0.0228 .
d) P (X <
270)= P (Z < 3)= 0.0013 . De mil clientes, 1.3 reclamarn por vasos servidos
a
con 270 ml. o menos.
Distribucin ji cuadrada
o
195. La funcin es no negativa. Efect e el cambio de variable t = x/2 dentro de
o
u
la integral. La integral resultante es la funcin gama evaluada en n/2.
o
196. simplemente substituya el valor n = 2 en la densidad 2 (n). Recuerde que
(1) = 1.
197. En estos clculos es conveniente hacer el cambio de variable t = x/2 en cada
a
una de las integrales. Para la esperanza, el exponente de t es n/2, que puede
ser escrito como (n/2) + 1 1. Reconstruya la integral como la funcin gama
o
evaluada en (n/2) + 1. Despus simplique usando la propiedad (n + 1) =
e
n (n). Para la varianza, calcule primero el segundo momento, el exponente
de t es (n/2) + 1, que puede ser escrito como (n/2) + 2 1. Ahora reconstruya
la integral resultante como la funcin gama evaluada en (n/2) + 2. Despus
o
e
simplique. El clculo del m-simo momento sigue las mismas l
a
e
neas.
Distribucin t
o
198. La funcin es no negativa. Para comprobar que esta funcin integra uno
o
o
efect e el cambio de variable 1 u = (1 + x2 /n)1 y reconstruya la integral
u
de B(1/2, n/2).
199. La integral E(X) es absolutamente convergente y el integrando es una funcin
o
impar, por lo tanto la integral es cero. Dado este resultado, la varianza es el
163
Apendice B. Soluciones
Vectores aleatorios
200.
201.
202.
203.
Estad
stica descriptiva
205.
206.
207.
208.
n
i=1 (xi
209.
n
2
i=1 (xi x) =
n
2
x2
i=1 xi 2n +
x) =
n
i=1
xi n =
x
n
i=1
xi
n
2
2
i=1 (xi 2xi x + x )
n
2
2
n = i=1 xi n2 .
x
x
n
i=1
xi = 0.
n
i=1
x2 2
x
i
n
i=1
xi + n2 =
x
212.
213.
164
Muestras aleatorias y estad
sticas
214.
Estimacin puntual
o
1
n
n
i=1
E(Xi )2 =
1
n
Var(Xi ) =
i=1
1
n
2 = 2 .
i=1
217.
218. E( 2 ) =
1
2(n 1)
n1
E(Xi+1 Xi )2 =
i=1
n1
1
E(Xi2 )) =
2(n 1)
i=1
Mtodo de momentos
e
220.
221.
222.
224. = X.
n1
2
(E(Xi+1 )2E(Xi+1 )E(Xi )+
i=1
( 2 + 2 22 + 2 + 2 ) =
219.
223.
1
2(n 1)
1
2(n 1)
n1
2 2 = 2 .
i=1
Apendice B. Soluciones
165
Pruebas de hiptesis
o
227. Se acepta H0 .
228. Se rechaza H0 .
166
Apndice C
e
Formulario
Notacin
o
N
Z
Q
R
Conjunto
Conjunto
Conjunto
Conjunto
de
de
de
de
n meros
u
n meros
u
n meros
u
n meros
u
naturales 1, 2, 3, . . .
enteros 0, 1, 2, 3, . . .
racionales a/b en donde a, b Z con b = 0.
reales.
El alfabeto griego
A
B
E ,
Z
H
,
alpha
beta
gamma
delta
epsilon
zeta
eta
theta
I
K
M
N
Oo
iota
kappa
lambda
mu
nu
xi
omikron
pi
167
P ,
,
T
,
X
rho
sigma
tau
upsilon
phi
chi
psi
omega
168
Tabla de la distribucin normal estndar
o
a
1
(x) =
2
et
/2
dt
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.0
0.1
0.2
0.3
0.4
0.5000
0.5398
0.5793
0.6179
0.6554
0.5040
0.5438
0.5832
0.6217
0.6591
0.5080
0.5478
0.5871
0.6255
0.6628
0.5120
0.5517
0.5910
0.6293
0.6664
0.5160
0.5557
0.5948
0.6331
0.6700
0.5199
0.5596
0.5987
0.6368
0.6736
0.5239
0.5636
0.6026
0.6406
0.6772
0.5279
0.5675
0.6064
0.6443
0.6808
0.5319
0.5714
0.6103
0.6480
0.6844
0.5359
0.5753
0.6141
0.6517
0.6879
0.5
0.6
0.7
0.8
0.9
0.6915
0.7257
0.7580
0.7881
0.8159
0.6950
0.7291
0.7611
0.7910
0.8186
0.6985
0.7324
0.7642
0.7939
0.8212
0.7019
0.7357
0.7673
0.7967
0.8238
0.7054
0.7389
0.7704
0.7995
0.8264
0.7088
0.7422
0.7734
0.8023
0.8289
0.7123
0.7454
0.7764
0.8051
0.8315
0.7157
0.7486
0.7794
0.8078
0.8340
0.7190
0.7517
0.7823
0.8106
0.8365
0.7224
0.7549
0.7852
0.8133
0.8399
1.0
1.1
1.2
1.3
1.4
0.8413
0.8643
0.8849
0.9032
0.9192
0.8438
0.8665
0.8869
0.9049
0.9207
0.8461
0.8686
0.8888
0.9066
0.9222
0.8485
0.8708
0.8907
0.9082
0.9236
0.8508
0.8729
0.8925
0.9099
0.9251
0.8531
0.8749
0.8944
0.9115
0.9265
0.8554
0.8770
0.8962
0.9131
0.9279
0.8577
0.8790
0.8980
0.9147
0.9292
0.8599
0.8810
0.8997
0.9162
0.9306
0.8621
0.8830
0.9015
0.9177
0.9319
1.5
1.6
1.7
1.8
1.9
0.9332
0.9452
0.9554
0.9641
0.9713
0.9345
0.9463
0.9564
0.9649
0.9719
0.9357
0.9474
0.9573
0.9656
0.9726
0.9370
0.9484
0.9582
0.9664
0.9732
0.9382
0.9495
0.9591
0.9671
0.9738
0.9394
0.9505
0.9599
0.9678
0.9744
0.9406
0.9515
0.9608
0.9686
0.9750
0.9418
0.9525
0.9616
0.9693
0.9756
0.9429
0.9535
0.9625
0.9699
0.9761
0.9441
0.9545
0.9633
0.9706
0.9767
2.0
2.1
2.2
2.3
2.4
0.9772
0.9821
0.9861
0.9893
0.9918
0.9778
0.9826
0.9864
0.9896
0.9920
0.9783
0.9830
0.9868
0.9898
0.9922
0.9788
0.9834
0.9871
0.9901
0.9925
0.9793
0.9838
0.9875
0.9904
0.9927
0.9798
0.9842
0.9878
0.9906
0.9929
0.9803
0.9846
0.9881
0.9909
0.9931
0.9808
0.9850
0.9884
0.9911
0.9932
0.9812
0.9854
0.9887
0.9913
0.9934
0.9817
0.9857
0.9890
0.9916
0.9936
2.5
2.6
2.7
2.8
2.9
0.9938
0.9953
0.9965
0.9974
0.9981
0.9940
0.9955
0.9966
0.9975
0.9982
0.9941
0.9956
0.9967
0.9976
0.9982
0.9943
0.9957
0.9968
0.9977
0.9983
0.9945
0.9959
0.9969
0.9977
0.9984
0.9946
0.9960
0.9970
0.9978
0.9984
0.9948
0.9961
0.9971
0.9979
0.9985
0.9949
0.9962
0.9972
0.9979
0.9985
0.9951
0.9963
0.9973
0.9980
0.9986
0.9952
0.9964
0.9974
0.9981
0.9986
3.0
3.1
3.2
3.3
3.4
0.9987
0.9990
0.9993
0.9995
0.9997
0.9987
0.9991
0.9993
0.9995
0.9997
0.9987
0.9991
0.9994
0.9995
0.9997
0.9988
0.9991
0.9994
0.9996
0.9997
0.9988
0.9992
0.9994
0.9996
0.9997
0.9989
0.9992
0.9994
0.9996
0.9997
0.9989
0.9992
0.9994
0.9996
0.9997
0.9989
0.9992
0.9995
0.9996
0.9997
0.9990
0.9993
0.9995
0.9996
0.9997
0.9990
0.9993
0.9995
0.9997
0.9998
169
Apendice C. Formulario
t,n
P (T t,n ) =
=0.005
=0.01
=0.025
=0.05
=0.1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
63.657
9.925
5.841
4.604
4.032
3.707
3.499
3.355
3.250
3.169
3.106
3.055
3.012
2.977
2.947
2.291
2.898
2.878
2.861
2.845
2.831
2.819
2.807
2.797
2.787
2.779
2.771
2.763
2.756
2.576
31.821
6.965
4.541
3.474
3.365
3.143
2.998
2.896
2.821
2.764
2.718
2.681
2.650
2.624
2.602
2.583
2.567
2.552
2.539
2.528
2.518
2.508
2.500
2.492
2.485
2.479
2.473
2.467
2.462
2.326
12.706
4.303
3.182
2.776
2.571
2.447
2.365
2.306
2.262
2.228
2.201
2.179
2.160
2.145
2.131
2.120
2.110
2.101
2.093
2.086
2.080
2.074
2.069
2.064
2.060
2.056
2.052
2.048
2.045
1.960
6.314
2.920
2.353
2.132
2.015
1.943
1.895
1.860
1.833
1.812
1.796
1.782
1.771
1.761
1.753
1.746
1.740
1.734
1.729
1.725
1.721
1.717
1.714
1.711
1.708
1.706
1.703
1.701
1.699
1.645
3.078
1.886
1.638
1.533
1.476
1.440
1.415
1.397
1.383
1.372
1.363
1.356
1.350
1.345
1.341
1.337
1.333
1.330
1.328
1.325
1.323
1.321
1.319
1.318
1.316
1.315
1.314
1.313
1.311
1.282
170
Bibliograf
a
[1] Blake I. F. An introduction to applied probability. John Wiley & Sons, 1979.
[2] Blomm G., Holst L., Sandell D. Problems and snapshots from the world of
probability. Springer-Verlag, 1994.
[3] Devore J. Probabilidad y estadstica para ingeniera y ciencias. Thomson, 2001.
1973.
[5] Garza T. Elementos de clculo de probabilidades. UNAM, 1983.
a
[6] Hernndez-Del-Valle A. y Hernndez-Lerma O. Elementos de probabilidad y
a
a
estadstica. Serie Textos No. 21, Nivel Elemental. Sociedad Matemtica Mexi
a
cana, 2003.
[7] Hoel P. G., Port S. C., Stone C. J. Introduction to probability theory. Houghton
Miin, 1971.
[8] Hoel P. G., Port S. C., Stone C. J. Introduction to statistical theory. Houghton
Miin, 1971.
[9] Hogg R. V., Tanis E. A. Probability and statistical inference. 1993.
[10] Kolmogorov A. N. Foundations of the theory of probability. Chelsea Publishing
Company, 1950.
[11] Mood A. M., Graybill F. A., Boes D. C. Introduction to the theory of statistics.
McGraw Hill, 1983.
171
172
Bibliograf
a
[12] Miller I., Miller M. John E. Freunds mathematical statistics. Prentice Hall,
1999.
[13] Ross S. A rst course in probability. Macmillan Publishing Company, 1994.
[14] Ross S. M. Introduction to probability and statistics for engineers and scientists. 2da Edicin. Academic Press, 2000.
o
[15] Wisniewski P. M., Bali G. Ejercicios y problemas de la teora de las probabi
lidades. Trillas, 1998.
[16] Velasco G., Wisniewski P. Probabilidad y estadstica para ingeniera y ciencias.
Thomson, 2001.
Indice
Axioma, 15
Coeciente multinomial, 25
Combinaciones, 23
Conjunto
s ajenos, 11
potencia, 11
Densidad
conjunta, 75, 76
marginal, 79
Desviacin estndar, 49
o
a
de un conjunto de datos, 88
Diferencia simtrica, 10
e
Distribucin
o
arcoseno, 130
Bernoulli, 53
beta, 66
binomial, 54
binomial negativa, 59
conjunta, 77
exponencial, 64
gama, 65
geomtrica, 55
e
hipergeomtrica, 60
e
ji-cuadrada, 70
marginal, 80
normal, 67
normal estndar, 67
a
Poisson, 57
t, 71
uniforme continua, 62
uniforme discreta, 52
Ensayo
Bernoulli, 53
Escala
de intervalo, 85
de razn, 86
o
nominal, 85
ordinal, 85
Espacio
equiprobable, 13
muestral, 7
Esperanza, 46
propiedades, 49
Estad
stica, 88
Estad
stica, 84
descriptiva, 84
inferencial, 84
Estandarizacin, 68
o
Estimacin
o
por intervalos, 93
puntual, 89
Estimador
de mxima verosimilitud, 90
a
insesgado, 92
mximo veros
a
mil, 90
puntual, 89
sesgado, 92
173
174
sesgo de un, 92
Evento, 7
s ajenos, 11
Experimento aleatorio, 6
Funcin
o
beta, 66
de verosimilitud, 90
gama, 65
indicadora, 54
Funcin de densidad, 41
o
conjunta, 76
marginal, 79
Funcin de distribucin, 43
o
o
bivariada, 78
conjunta, 77
de un vector, 77
marginal, 80
Funcin de probabilidad, 39
o
conjunta, 75
Grado de conanza, 94
Imagen inversa, 38
Independencia
de dos eventos, 29
de variables aleatorias, 80
de varios eventos, 29
Insesgamiento, 92
Intervalo
de conanza, 94
grado de conanza, 94
lim inferior, 94
lim superior, 94
Leyes de De Morgan, 10
Mtodo
e
de mxima verosimilitud, 90
a
de momentos, 91
Indice
Media, 46
de un conjunto de datos, 87
muestral, 88
Mediana
de un conjunto de datos, 87
Moda
de un conjunto de datos, 87
Momento
muestral, 92
poblacional, 91
Momentos, 52
centrales, 52
Muestra, 84
aleatoria, 88
Nivel de signicancia, 101
Ordenaciones
con repeticin, 21
o
sin repeticin, 22
o
Particin, 30
o
Permutaciones, 23
Poblacin, 84
o
Postulado, 15
Principio de multiplicacin, 20
o
Probabilidad
axiomtica, 15
a
clsica, 13
a
condicional, 28
de un evento, 13
frecuentista, 13
subjetiva, 15
Producto Cartesiano, 12
Prueba de hiptesis, 101
o
nivel de signicancia, 101
regin cr
o
tica, 101
Rango
de un conjunto de datos, 88
Indice
Regin cr
o
tica, 101
tama o de la, 101
n
Regla del producto, 28
Sesgo, 92
Teorema
central del l
mite, 70
de Bayes, 33
de probabilidad total, 30
del estad
stico inconsciente, 47
Tringulo de Pascal, 25
a
Urna de Polya, 29, 117
Valor
esperado, 46
promedio, 46
Variable, 84
aleatoria, 35
cualitativa, 85
cuantitativa, 85
Varianza, 49
de un conjunto de datos, 87
muestral, 89
propiedades, 51
Vector
aleatorio, 74
continuo, 74
discreto, 74
175