Estadstica

Antonio Jara Snchez-Caro

24 de enero de 2003

ndice general

1. Estadstica Descriptiva

1.1.
1.2.
1.3.
1.4.

1.5.

1.6.

1.7.

1.8.

1.9.

1.10.

Introduccin. . . . . . . . . . . . . . . . . . . . .
Variables Estadsticas. . . . . . . . . . . . . . . . .
Variables Cuantitativas Discretas y Contnuas. . . .
Frecuencias. . . . . . . . . . . . . . . . . . . . . .
1.4.1. Frecuencia Absoluta ni
. . . . . . . . . .
1.4.2. Frecuencia Relativa f i
. . . . . . . . . . .
1.4.3. Frecuencia Absoluta Acumulada Ni
. . . .
1.4.4. Frecuencia Relativa Acumulada Fi
. . . .
Distribucin de Frecuencias. . . . . . . . . . . . .
1.5.1. Distribuciones no agrupadas. . . . . . . . .
1.5.2. Distribuciones agrupadas. . . . . . . . . .
Amplitud del Intervalo y Marca de Clase. . . . . .
1.6.1. Amplitud del Intervalo ci
. . . . . . . . .
1.6.2. Marca de Clase xi
. . . . . . . . . . . . .
Representaciones Grficas. . . . . . . . . . . . . .
1.7.1. Diagrama de Barras. . . . . . . . . . . . .
1.7.2. Diagrama de Frecuencias Acumuladas. . .
1.7.3. Histograma de Frecuencias. . . . . . . . .
1.7.4. Polgono de Frecuencias Absolutas. . . . .
1.7.5. Polgono de Frecuencias Acumuladas. . . .
Medidas de Posicin. . . . . . . . . . . . . . . . .
1.8.1. Media Aritmtica x
. . . . . . . . . . . .
1.8.2. Mediana Me
. . . . . . . . . . . . . . . .
1.8.3. Moda (Mo ). . . . . . . . . . . . . . . . . .
1.8.4. Cuantiles CN
. . . . . . . . . . . . . . . .
Medidas de Dispersin. . . . . . . . . . . . . . . .
1.9.1. Recorrido o Rango. . . . . . . . . . . . . .
1.9.2. Recorrido Intercuantlico. . . . . . . . . .
1.9.3. Varianza  Sx2  . . . . . . . . . . . . . . . .
1.9.4. Desviacin Tpica Sx
. . . . . . . . . . . .
1.9.5. Coeficiente de Variacin de Pearson CV
.
1.9.6. Variable Tipificada zi
. . . . . . . . . . .
Momentos de la Distribucin. . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

6
6
7
7
7
7
8
8
8
8
8
9
9
9
9
9
9
9
10
10
10
10
11
13
13
15
15
15
15
16
16
16
17

1.10.1. Momentos respecto al origen. . . . . . . . . . . . . . . . . . . . . . .

1.10.2. Momentos respecto a la media. . . . . . . . . . . . . . . . . . . . . . .
2. Variables Estadsticas Bidimensionales

20

2.1.
2.2.
2.3.
2.4.
2.5.
2.6.
2.7.

Introduccin. . . . . . . . . . . . . . . . . .
Distribuciones Conjuntas. . . . . . . . . . . .
Representaciones Grficas. . . . . . . . . . .
Distribuciones Marginales. . . . . . . . . . .
Distribuciones Condicionadas. . . . . . . . .
Independencia Estadstica. . . . . . . . . . .
Momentos de una distribucin bidimensional.
2.7.1. Momentos con respecto al origen. . .
2.7.2. Momentos con respecto a la media. .
2.8. Regresin Lineal. . . . . . . . . . . . . . . .
2.9. Coeficiente de Correlacin Lineal. . . . . . .
2.10. Coeficiente de Determinacin. . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

20
20
20
21
21
21
22
22
22
23
23
24

Fenmenos Deterministas y Aleatorios. . . . . .

Espacio Muestral. . . . . . . . . . . . . . . . . .
Sucesos y Tipos de Sucesos. . . . . . . . . . . .
Operaciones con sucesos. . . . . . . . . . . . . .
3.4.1. Unin de sucesos (A  B). . . . . . . . .
3.4.2. Interseccin de sucesos (A  B). . . . . .
3.4.3. Leyes de De Morgan. . . . . . . . . . . .
Definicin Axiomtica de la Probabilidad. . . . .
Otras definiciones de probabilidad. . . . . . . . .
3.6.1. Definicin frecuencial de la probabilidad.
3.6.2. Definicin de Laplace. . . . . . . . . . .
Probabilidad Condicionada. . . . . . . . . . . . .
Sucesos Independientes. . . . . . . . . . . . . .
Probabilidad de la interseccin de sucesos. . . . .
Probabilidad a priori y a posteriori. . . . . .
Probabilidad Total. . . . . . . . . . . . . . . . .
Teorema de Bayes. . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

26
26
26
27
27
27
27
28
29
29
29
30
30
31
32
32
32

3. Teora de la Probabilidad

3.1.
3.2.
3.3.
3.4.

3.5.
3.6.

3.7.
3.8.
3.9.
3.10.
3.11.
3.12.

18
18

26

4. Variable Aleatoria Discreta

35

4.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1.1. Concepto de una variable aleatoria . . . . . . . . . . . . .
4.1.2. Funcin de distribucin de una variable aleatoria . . . . .
4.1.3. Clasificacin de una variable aleatoria discreta y contnua
4.1.3.1. Variables aleatorias discretas . . . . . . . . . .
4.1.3.2. Variables aleatorias contnuas . . . . . . . . . .
4.2. Variables aleatorias discretas . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

35
35
35
35
36
36
36

4.2.1. Funcin de masa de una variable aleatoria discreta . . . . . . . . . . .

4.2.1.1. Representacin grfica de la funcin de masa . . . . . . . . .
4.2.2. Distribucin de probabilidad . . . . . . . . . . . . . . . . . . . . . . .
4.2.2.1. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.3. Funcin de distribucin de una variable aleatoria discreta . . . . . . .
4.2.3.1. Representacin grfica de la funcin de distribucin . . . . .
4.2.3.2. Clculo de probabilidades a partir de la funcin de distribucin
4.2.4. Momentos con respecto al origen ( r ) . . . . . . . . . . . . . . . . . .
4.2.4.1. Esperanza matemtica. Propiedades . . . . . . . . . . . . . .
4.2.5. Momentos respecto a la esperanza . . . . . . . . . . . . . . . . . . . .
4.2.5.1. Varianza. Propiedades . . . . . . . . . . . . . . . . . . . . .
4.2.5.2. Desviacin Tpica . . . . . . . . . . . . . . . . . . . . . . .
4.2.6. Funcin caracterstica. Propiedades . . . . . . . . . . . . . . . . . . .
4.2.7. Algunas distribuciones discretas . . . . . . . . . . . . . . . . . . . . .
4.2.7.1. Distribucin de Bernoulli B p
. . . . . . . . . . . . . . . .
4.2.7.2. Distribucin Binomial B n  p
. . . . . . . . . . . . . . . . .
4.2.7.3. Distribucin de Poisson P
. . . . . . . . . . . . . . . . .

36
36
36
37
37
37
38
38
39
41
41
41
41
41
41
42
42

ndice de figuras

1.1. Diagrama de barras. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2. Diagrama de frecuencias acumuladas. . . . . . . . . . . . . . . . . . . . . . .

9
10

2.1. Nube de puntos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

21

4.1. Representacin de la funcin de masa . . . . . . . . . . . . . . . . . . . . . .

4.2. Representacin de la funcin de distribucin . . . . . . . . . . . . . . . . . . .

36
38

1 Estadstica Descriptiva

1.1. Introduccin.
Existen dos formas de interpretar el trmino "estadstica":
Se entiende por estadstica, cualquier coleccin de datos numricos clasificados segn un
criterio.
1 Es

la ciencia que utiliza los nmeros para el estudio de las leyes que dependen del azar.
Tratando de descubrir mediante el razonamiento inductivo la causa general a la que obedece el modelo particularmente analizado.

En la vida cotidiana el hombre protagoniza dos tipos de fenmenos:

Deterministas: aquellos que dadas las mismas condiciones se obtienen los mismos resultados.
Aleatorios: aquellos que dadas las mismas condiciones se obtienen distintos resultados
(lanzar un dado). Se suele decir que estn regidos por la ley del azar.
La estadstica descriptiva trata de la descripcin numrica de conjuntos, siendo particularmente
til cuando el nmero de elementos del conjunto es elevado. No pretende sacar conclusiones del
conjunto, solo pretende describirlo.

1.2. Variables Estadsticas.

Estudiaremos dos tipos de variables:
Variables cualitativas: No toman valores nmericos y describen cualidades.
Se representan con las primeras letras del abecedario en maysculas.
Ej: A, color de pelo.
Variables cuantitativas: Toman valores numricos y se utilizan si el carcter que queremos valorar es susceptible a la medida.
Se representan con las ultimas letras del abecedario en maysculas.
Ej: X (altura), Y (peso).
1 Es

la definicin acadmico-cientfica

1.3. Variables Cuantitativas Discretas y Contnuas.

Hay dos tipos de variables cuantitativas:
Variables discretas: Pueden tomar valores que estarn siempre asociados a nmeros enteros.
Variables contnuas: Dados dos valores cualesquiera, la variable puede tomar cualquier
valor intermedio entre los dos2 .

1.4. Frecuencias.
1.4.1. Frecuencia Absoluta  ni  .

Es el nmero de veces que se repite un valor de una variable.

La suma de frecuencia absolutas es igual al nmero de individuos del grupo:
n

ni

i 1

1.4.2. Frecuencia Relativa  f i  .

Es la razn entre la frecuencia absoluta y el nmero de elementos que tenemos en el conjunto.

fi

ni
N

Notas:
0


ni

fi

1 fi

Ejemplo:
xi
0
1
2
3
4
2 Normalmente

ni
1
19
11
2
3

fi
1/36
19/36
11/36
2/36
3/36

estn asociadas a nmeros reales.

Ni
1
20
31
33
36

Fi
1/36
20/36
31/36
33/36
1

1.4.3. Frecuencia Absoluta Acumulada  Ni  .

Es la suma de las frecuencias absolutas hasta un valor determinado (i).

1.4.4. Frecuencia Relativa Acumulada  Fi  .

Es la suma de las frecuencias relativas hasta un determinado valor (i).

1.5. Distribucin de Frecuencias.

Es el conjunto de todos los valores que ha tomado la variable estadstica acompaados de
sus correspondientes frecuencias.
Segn cmo estn agrupados los datos tendremos dos tipos de distribuciones:
1.5.1. Distribuciones no agrupadas.

Una vez recogida la informacin, esta se dispone asociando a cada valor de la variable sus
correspondientes frecuencias. Se representan en una tabla como la que sigue:
xi
x1
x2
..
.

ni
n1
n2
..
.

fi
f1
f2
..
.

Ni
N1
N2
..
.

Fi
F1
F2
..
.

xn

nn
N

fn
1

Nn

Fn

1.5.2. Distribuciones agrupadas.

Los datos se agrupan en intervalos cuando el nmero de valores que ha tomado la variable
estadstica es lo sufucientemente grande.
Se agrupan para optimizar el tratamiento de la informacin. El nmero de intervalos est,
generalmente, entre 4 y 15, no siendo nunca superior al 10 % de los datos.
Una regla muy utilizada para elegir el nmero de intervalos es tomar el entero ms prximo
a  n, siendo n el nmero de datos.
Se representa en una tabla como la siguiente:
Li
L0
L1

Li  1
L1
L2

ni
n1
n2
..
.

fi
f1
f2
..
.

Ni
N1
N2
..
.

Fi
F1
F2
..
.

Ln

nn

fn

Nn
N

Fn
1

..
.
Ln 

Nota: Los intervalos son cerrados por la derecha y abiertos por la izquierda



1.6. Amplitud del Intervalo y Marca de Clase.

1.6.1. Amplitud del Intervalo  ci  .

Es la diferencia entre el valor superior e inferior de un intervalo.

ci

Li 

1


Li

1.6.2. Marca de Clase  xi  .

Hace referencia al punto medio del intervalo. Se utiliza para calcular la media de la distribucin.
xi

Li 

1


Li

1.7. Representaciones Grficas.

1.7.1. Diagrama de Barras.

Se utiliza para variables discretas y en general para distribuciones no agrupadas. Ver figura
1.1.
ni

xi

Figura 1.1: Diagrama de barras.

1.7.2. Diagrama de Frecuencias Acumuladas.

Se representan las frecuencias acumuladas en el eje de ordenadas (y) y los valores que toma
la variable en el eje de abscisas (x). Ver figura 1.2
1.7.3. Histograma de Frecuencias.

Se utiliza para datos agrupados y se construye levantando sobre cada intervalo un rectngulo
de rea proporcional a la frecuencia absoluta (n i ) correspondiente a ese intervalo.
Dependiendo si los intervalos son o no uniformes se proceder de la siguiente forma:

ni

L1

L2

L3

L4

Li

L5

Figura 1.2: Diagrama de frecuencias acumuladas.

Intervalos uniformes (igual amplitud): en este caso las alturas de los rectngulos sern
igual a las frecuencias absolutas, ya que al ser las bases de los rectngulos iguales, las
reas solo dependern de las alturas, y por tanto de la frecuencia absoluta.
Intervalos no uniformes (distinta amplitud): tendremos que calcular las distintas alturas,
ya que las bases de los rectngulos son diferentes.
El clculo de la altura lo haremos calculando la densidad de frecuencia (d i ).
di

ni
ci

1.7.4. Polgono de Frecuencias Absolutas.

Tambin depender de si los datos estn o no agrupados.

Datos no agrupados: el polgono se construye uniendo los puntos ms altos del diagrama
de barras.
Datos agrupados: en este caso se construye calculando primeramente la marca de clase
de cada intervalo, luego unimos los puntos obtenidos con el primer valor del intervalo
inicial y el ltimo del intervalo final.
1.7.5. Polgono de Frecuencias Acumuladas.

El grfico ser siempre ascendente por el hecho de ser frecuencias acumuladas.

Se utilizar para distribuciones agrupadas.

1.8. Medidas de Posicin.

1.8.1. Media Aritmtica  x  .

ni 1 xi ni
N

Propiedades:

10

La suma de las desviaciones de los valores de la variable con respecto a la media es

siempre nula.
n

xi  x
n i

i 1

Si a todos los valores de la variable les sumamos una constante, es decir, les hacemos un
cambio de origen, la media queda tambin sumada por esa constante.
Si a todos los valores de la variable les multiplicamos por una constante, es decir, les
hacemos un cambio de escala, la media tambin queda multiplicada por esa constante.
1.8.2. Mediana  Me  .

Es el valor de la distribucin que deja a ambos lados el mismo nmero de observaciones.

Para calcularla hay que ordenar las observaciones de menor a mayor. Es decir, la mediana es
el valor que ocupa el lugar central si el nmero de observaciones es impar.
Si el nmero de datos es par, podr decirse que existen dos valores medianos y, en tal caso
se calcula la media de los valores medianos.
Ej:  1  2  3  4  5  Me
3
Ej:  1  2  3  4  5  6  Me
3  2 4
3  5
La mediana puede definirse tambin como el valor que tiene una distribucin acumulada
igual a N2 . Para calcularla distinguiremos de nuevo si los datos estn o no agrupados:
Datos no agrupados:


Los datos no se repiten (frecuencias unitarias): se hace como en los ejemplos anteriores.


Los datos se repiten: tenemos que seguir los siguientes pasos:

1.
2.

Calcular las frecuencias absolutas acumuladas (Ni ).

Calcular el nmero de observaciones que tiene la muestra dividido entre 2 ( N2 ).
Si N2
Ni  Me
xi  2xi 1
Si N2
 Ni  Me
valor de la variable cuya Ni sea la inmediatamente superior
a N2

Ejemplo:
xi
0
1
2
3

ni
2
3
4
1
14
10

Me

1 2
2

Ni
2
5
9
10
1 4

1  5 (porque

N
2

Ni


10
2

11

5)

Ejemplo:
ni
2
4
3
1

xi
0
1
2
3

14
10

N
2

Ni
2
6
9
10
1 4

5, no coincide con ningn Ni  por tanto Me

Datos agrupados: tenemos que seguir los siguientes pasos:

1.

Calcular las frecuencias absolutas acumuladas (Ni ).

2.

Calcular el nmero de observaciones que tiene la muestra dividido entre 2 ( N2 ).

Si N2
Ni  Me
Li  1
Si N2
 Ni  El intervalo3 donde aparezca la Ni inmediatamente superior a N2 es el
que contiene a la mediana, que calcularemos mediante la siguiente frmula:
Me

Li 

Ejemplo:
Li  1

2-4
4-6
6-8
8 - 10
10 - 12

Li

N
2

75
2

Me

Ni
4
14
54
74
75

ci
2
2
2
2
2

37  5

37  5  14
40 2

6

ni
4
10
40
20
1

7  175

Ejemplo:
Li

N
2

Me
3 Se

Li 
2-4
4-6
6-8

10
2

ni
2
3
5

Ni
2
5
10

ci
2
2
2

le conoce como intervalo mediano

12

N
2


Ni 
ni

ci

1.8.3. Moda (Mo ).

Es el valor que ms se repite en la distribucin, el que tiene mayor frecuencia absoluta (n i ).

Para calcularla dependemos de nuevo de si los datos estn o no agrupados:
Datos no agrupados: la moda se corresponde con el valor con mayor n i .
Ejemplo:
ni
5
4 Mo
6
2

xi
2
3
4
7

Datos agrupados: en este caso distinguiremos entre intervalos de igual o distinta amplitud. Puede existir ms de un valor modal.


Intervalos con igual amplitud: se pueden utilizar diferentes mtodos para seleccionar el valor modal:
1.
2.
3.
4.
5.


M o
Li  1
M o
Li
M o
xi
La distancia de la moda a los intervalos contiguos es inversamente proporcional
a las frecuencias de dichos intervalos: M o
Li  1  ni  n1 i  n1 i 1 ci
La distancia de la moda a los intervalos contiguos es directamente proporcional
a las frecuencias de dichos intervalos: M o
Li  1   ni  ni  n1i    ni  n1i  ni 1  ci

Intervalos con distinta amplitud: es lo mismo pero con la densidad de frecuencia

(di ).

Nota: Li 

es el extremo inferior del intervalo.

1.8.4. Cuantiles  CN  .

Son valores de la distribucin que la dividen en partes iguales. Dependiendo en cuntas

partes dividan a la distribucin reciben varios nombres, cuartiles (4), deciles (10), percentiles
(100). A continuacin estudiaremos cmo calcular los cuantiles:
Tomaremos dos variables (r y k) que representarn:
r - el cuantil que queremos calcular, por ejemplo si queremos calcular el cuartil 3, r
3.
k- el nmeros de cuantiles, es decir, si son cuartiles sern 4, deciles 10, etc..
Tendremos que distinguir tambien si los datos estn o no agrupados:
Datos no agrupados:
Si kr N

Ni


Cuantil

Si kr N

Ni


Cuantil

xi  xi 
2

valor de la Ni inmediatamente superior a kr N

13

Datos agrupados:
Si kr N

Ni


Cuantil

Extremo superior del intervalo

Si kr N

Ni


Cuantil

Li 

r
k N

Ni 
ni

ci

Ejemplo:
Calcular el primer y el tercer cuartil (C1 y C3 ) de la siguiente distribucin:
ni
2
3
10
16
5
5

xi
0
1
2
3
4
6

Ni
2
5
15
31
36
41

Para calcular el primer cuartil tomamos r

1 y k
4, por tanto tenemos:
Cogemos el valor de Ni inmediatamente superior que es 15 y por tanto C1

Para calcular el tercer cuartil tomamos r

3 y k
4, por tanto tenemos:
Cogemos el valor de Ni inmediatamente superior que es 31 y por tanto C3

r
kN

1
4 41

2.
r
kN

3.

3
4 41

10  25.

30  75.

Ejemplo:
Calcular el primer y el tercer cuartil (C1 y C3 ) de la siguiente distribucin:
Li Li  1
20 - 25
25 - 30
30 - 35
35 - 40
40 - 45
45 - 50
50 - 55
55 - 60

ni
5
9
14
20
26
18
7
11

Para calcular el primer cuartil tomamos r

27  25
Calculamos

N
2

Ni
5
14
28
48
74
92
99
110

1yk

4, por tanto tenemos: kr N

1
4 110

55

N N

Como kr N no coincide con ningn Ni tenemos que aplicar la frmula: Li  k ni i  1 ci donde

Li es el extremo inferior del intervalo en el que Ni es inmediatamente superior a N2 . Por
tanto: Li 

r
k N

Ni 
ni

ci

30 

27  25  14
5
14

34  82

Para calcular el tercer cuartil tomamos r

3 y k
4, por tanto tenemos: kr N

Calculamos

N
2

55

14

3
4 110

82  5

Como kr N no coincide con ningn Ni tenemos que proceder de la misma forma que antes:
r
k N

Li 

Ni 
ni

ci

82  5  74
18 5

30 

47  36

1.9. Medidas de Dispersin.

1.9.1. Recorrido o Rango.

Ser la diferencia entre el valor mximo y mnimo de la distribucin.

D
xM

xm


1.9.2. Recorrido Intercuantlico.

Ser la diferencia entre el mayor y el menor cuantil.

Por ejemplo, para los cuartiles sera R I
C3  C1
1.9.3. Varianza Sx2 ! .

Es una medida de dispersin de los valores de la variable con respecto a la media.

Sx2

ni"

xi  x  2 n i

N
ni" 1 x2i ni
x2

N
1

ni"

x2i  x2  2xi x  ni
N

ni

Sx2

xi  x
2 ni
N

ni" 1 x2i ni
N


x2 N
N

2x i"

1 xi n i
N

ni" 1 x2i ni
N


x2  2x2

Propiedades:
Sx2
#

Si a todos los valores de la variable les sumamos una constante, es decir, hacemos un
cambio de origen, la varianza no se ve afectada. x i x; xi$
xi  k

Sx2%

ni

xi$  x$
2 ni
N

Si a todos los valores de la variable les multiplicamos por una constante, la varianza queda
afectada por la constante, concretamente, multiplicada por la constante al cuadrado.
Sx2%

k2 Sx2

Nota: Las unidades de la varianza sern las mismas que las de la variable elevadas al cuadrado.

15

1.9.4. Desviacin Tpica  Sx  .

Sx

&('

Sx2

ni

*)

xi  x
2 ni
N

Propiedades:
Sx

0
#

Si a todos los valores de la variable les sumamos una constante, es decir, hacemos un
n
x%  x% 2 n
cambio de origen, la desviacin tpica no se ve afectada. S x%
i" 1 Ni  i
Si a todos los valores de la variable les multiplicamos por una constante, la desvacin
tpica queda afectada por la constante, concretamente, multiplicada por la constante. S x%+

kSx
1.9.5. Coeficiente de Variacin de Pearson  CV  .

Es el resultado de la razn entre la desviacin tpica y la media aritmtica.

CV

Sx
x

Servir para averiguar cul es la dispersin relativa de una variable.

Es adimensional, y por tanto, servir para comparar la dispersin de dos o ms distribuciones
con diferentes unidades de medida.
No se puede utilizar si el valor de la media es nulo.
1.9.6. Variable Tipificada  zi  .

Se denota como zi y se obtiene de la siguiente forma:

zi

xi  x
Sx

Propiedades:
z
0
Sz2
Sz

1
1

16

Consideremos una variable estadsitica cuya media aritmtica es 70, y cuya desviacin tpica es 10, sea el valor de la variable en la observacin i-sima igual a 90.
Calcular el valor tipificado e interpretar su significado.

Problema

zi

xi  x
Sx

90  70
10

El valor de la variable est dos veces la desviacin tpica por encima de la media.
Calcular ahora para una observacin i-sima igual a 60.
zi$

60  70
10

,

El valor de la variable est una vez la desviacin tpica por debajo de la media.

Un estudiante obtiene en matemticas una nota de 8.5, siendo 7.8 la nota media de
la asignatura y con una desviacin tpica de 1.3.
En estadstica la nota media es de 6.3 y la desviacin tpica 1.65, el estudiante obtiene una
nota de 7.2.
Calcula:

Problema

En qu asignatura obtiene la mejor puntuacin relativa?

zM

zE

8 5  7 8
1 3

7 2  6 3
1  65

0  538

0  545

Por tanto, la mayor puntuacin relativa la obtiene en estadstica.

En cul de las dos asignaturas presenta la nota una mayor dispersin relativa?
CVM

CVE

SM
xM
SE
xE

1 3
7 8
1  65
6 3

0  167

0  262

La mayor dispersin se obtiene tambin en estadstica.

1.10. Momentos de la Distribucin.

Son unos valores que caracterizan la distribucin. Distinguiremos dos tipos:

17

1.10.1. Momentos respecto al origen.

Al momento de orden r respecto al origen lo llamaremos r y lo calcularemos segn la

siguiente frmula:
r

ni 1 xri ni
N

Casos particulares:
Si r
0


ni" 1 x0i ni
N

ni" 1 ni
N

Si r
1


ni" 1 x1i ni
N

Si r
2


ni" 1 x2i ni
N

1.10.2. Momentos respecto a la media.

Al momento de orden s respecto a la media lo llamaremos m s y, lo calcularemos segn la

siguiente frmula:
ms

ni

xi  x
s ni
N

Casos particulares:
Si s
0


m0

Si s
1


m1

m2

Si s
2


ni"

ni"

ni"

xi  x  1 n i
N

xi  x  2 n i
N

ni" 1 ni
N

xi  x  0 n i
N

N
N

40

Sx2

Nota: Cmo expresar la varianza en funcin de los momentos.

Sx2

ni

xi  x
2 ni
N

ni 1 x2i ni
N


x2

a2  a21

Problema Un fabricante de tubos de televisin dispone de dos tipos de tubos, A y B. Los tubos
tienen una duracin media de 1495 h. y 1875 h. respectivamente. Las desviaciones tpicas son
280 para A y 310 para B.
Determinar qu tubo presenta mayor dispersin absoluta y cul presente mayor dispersin
relativa.

A
1495 y SA
4 Por

280

la primera propiedad de la media.

18

B
1875 y SB
310
Podemos decir directamente que el tipo B presenta mayor dispersin absoluta, ya que la
desviacin tpica es una medida de dispersin.
Para ver la dispersin relativa debemos calcular el Coeficiente de Variacin de Pearson
(CV ):
CVA

SA
A

280
1495

0  187

CVB

SB
B

310
1875

0  165

Por tanto, ser el tubo A el que presente mayor dispersin relativa.

19

2 Variables Estadsticas Bidimensionales

2.1. Introduccin.
En el tema anterior hemos visto como estudiar una caracterstica de un determinado conjunto. En este tema trataremos la idea de poder estudiar a la vez dos caractersticas de ese conjunto,
que podrn ser cualitativas o cuantitativas.

2.2. Distribuciones Conjuntas.

Por el hecho de trabajar con dos caractersticas tendremos que utilizar dos variables.
Hay que tener en cuenta que las frecuencias sern tambin bidimensionales.
Para representar los valores de las variables utilizaremos la Tabla de Doble Entrada o Tabla
de Distribucin Conjunta1 .
Las frecuencias absolutas las representaremos con dos subndices de la siguiente forma:
x\y
x1
x2
..
.

y1
n11
n21
..
.

y2
n12
n22
..
.

xi
..
.

ni1
..
.

ni2
..
.

xh
n/ j

nh1
n 1

nh2
n 2

-.-.-.-.-.-.-

-.-.-

-.-.-.-.-

yj
n1 j
n2 j
..
.
ni j
..
.
nh j
n/ j

-.-.-.-.-.-.-

-.-.-

-.-.-.-.-

yk
n1k
n2k
..
.

ni /
n1 /
n2 /
..
.

nik
..
.

ni /
..
.

nhk
n/ k

nh /
N

Donde i corresponde a la variable x, y j a la variable y.

Nota: hi 1 kj 1 ni j
N

2.3. Representaciones Grficas.

La ms utilizada el la Nube de Puntos.
En caso de tener los datos agrupados, representaremos las marcas de clase en el eje de
abscisas.
Ver figura 2.1.
1 Si

utilizamos variables cualitativas se la denomina Tabla de Contingencia.

20

Figura 2.1: Nube de puntos.

2.4. Distribuciones Marginales.

Puede ser interesante estudiar por separado las caractersticas del grupo, para ellos existen
las distribuciones marginales.
Como ya hemos visto en la tabla de doble entrada tenemos dos tipos.
Distribucin marginal de la y: ni /
Distribucin marginal de la y: n / j

2.5. Distribuciones Condicionadas.

Son distribuciones en las cuales una variable est condicionada a un determinado valor de la
otra variable.
xi 0 y y j ni 0 y y j
xi 0 x xi
n j 0 x xi
y1
n1i
x1
n1 j
y2
n2i
x2
n2 j
n ji
... y j ....
... xi ....
ni j
yk
nki
xh
nh j
Frecuencia relativa condicionada:

Por ejemplo: f i 0

fi 0

ni j
n1 j

ni2
n2 2

y f j0

ni j
ni 1

2.6. Independencia Estadstica.

Se dice que dos variables son estadsticamente independientes cuando su frecuencia relativa
n
conjunta  Ni j  es igual al producto de las frecuencias relativas marginales.
ni j
N
fi 0

ni j
n1 j

ni j
N
n1 j
N

n1 j
ni 1
N 4 N
n1 j

ni /
N

ni 1
N

21

n/ j
N

f j0

ni j
ni 1

ni j
N
ni 1
N

n1 j
ni 1
N 4 N
ni 1

n1 j
N

2.7. Momentos de una distribucin bidimensional.

2.7.1. Momentos con respecto al origen.

El momento de orden r,s con respecto al origen de una variable bidimensional ser:
rs

ni j

xri ysj N

i 1 j 1

Casos Particulares:
10

hi 1 kj

1 0 ni j
1 xi y j N

hi 1 kj

ni j
1 xi N

01

hi 1 kj

0 1 ni j
1 xi y j N

hi 1 kj

ni j
1 yj N

20

hi 1 kj

2 0 ni j
1 xi y j N

hi 1 kj

2 ni j
1 xi N

hi 1 x2i kj

02

hi 1 kj

0 2 ni j
1 xi y j N

hi 1 kj

2 ni j
1 yj N

kj

hi 1 xi kj

n1
hi 1 xi Ni

h ni j
1 y j i 1 N

kj

ni j
1 N

n1 j
1 yj N

kj

ni j
1 N

n1
hi 1 x2i Ni

2 h ni j
1 y j i 1 N

kj

2 n1 j
1 yj N

2.7.2. Momentos con respecto a la media.

h

mrs

xi  x

yj

y



s ni j

i 1 j 1

Casos Particulares:
m10

hi 1 kj

xi  x

yj


y

0 ni j
N

hi 1 kj

xi  x

ni j
N

m01

hi 1 kj

xi  x

yj


y

1 ni j
N

hi 1 kj

yi  y

1 ni j
N

m11

hi 1 kj

xi  x

yj


y

1 ni j
N

hi

xi  x
kj

m20

hi 1 kj

xi  x

yj


y

0 ni j
N

hi

xi  x

m02

hi 1 kj

xi  x

yj


y

2 ni j
N

kj

h
1 i 1

2 ni 1
N

y j  y

hi

hi

y j  y

xi  x

ni j
N

yj

y



3S

ni 1
N

n1 j
N

xy

4 S2
x
2 ni j
N

kj

y j  y

2 n1 j
N

5 S2
y

Momentos con respecto a la media expresados en funcin de los momentos con respecto al origen:
2 Por

la primera propiedad de la media

denomina covarianza
4 Ser la varianza de x
5 Ser la varianza de y
3 Se

22

m20

hi

20 

1
2
x


xi  x

2 ni 1
N

2xx
20 

m11
hi 1 kj

1 xi
n
xy hi 1 kj 1 Ni j

hi

x2

x2i  x2  2xi x

20 

n1
hi 1 x2i Ni


n1
hi 1 x2 Ni

n1
hi 1 2xi x Ni


ni j
ni j
h
k
1 xi y j N  y i 1 j 1 xi N
n1
y hi 1 xi nNi 1  x kj 1 y j Nj  x  y

hi 1 kj

y j  y

11  10 01  10 01  10 01

210

1 ni j
N

ni j
k
h
i 1 j 1 xi y j N

x

ni 1
N

x hi 1 kj

ni j
1 yj N 

11  10 01

2.8. Regresin Lineal.

En esta seccin estudiaremos la dependencia que tienen las dos variables (x e y) y la forma
en la que se relacionan.
Podemos estudiar la regresin de dos maneras:
1.

Regresin: consiste en analizar la forma de las dependencias entre las dos variables.

2.

Relacin: consiste en analizar el grado de dependencia de las dos variables.

Nos centraremos en la regresin.

El objetivo es buscar una funcin (y
f x
) que relacione las dos variables. Esta funcin
deber aproximar a una recta la representacin de la nube de puntos.
Para ello utilizaremos un mtodo matemtico que es la aproximacin por mnimos cuadrados, obteniendo dos rectas:
Sxy
Sx2

Recta de regresin de y sobre x: y

ax  b, donde a

Recta de regresin de x sobre y: x

a $ y  b$ , donde a$

Sxy
x
Sx2

yb
y

Sxy
Sy2

y b$

x

Sxy
y
Sy2

2.9. Coeficiente de Correlacin Lineal.

Determina el grado y el sentido de la dependencia lineal que existe entre las variables.
R

Sxy
Sx Sy

El rango de valores es:  1  R  1

El signo depender de la covarianza (S xy ).
Casos Extremos:

Si R
1, existe correlacin lineal total directa 6 entre las variables.
Si R
0, no existe correlacin entre las variables.
Si R
5 1, existe correlacin lineal total inversa 7 entre las variables.
6S

xy

7S

xy

0
0
7

si aumenta x, aumenta y.
si aumenta x, disminuye y.

23

2.10. Coeficiente de Determinacin.

Mide la capacidad explicativa del modelo que hemos creado.
R
Ejemplo: Si R2

Problema

2
Sxy
Sx2 Sy2

0  9, significa que explico el 90 % de la y en el caso y

ax  b.

De la siguiente tabla de doble entrada, calcula:

La distribucin marginal de la variable y (n / j ).

La distribucin de la variable x condicionada a que la variable y tome el valor 3.
El momento m20
El coeficiente de determinacin.
x\y
5
10
15
n/ j

1
1
2
3
6

2
2
1
2
5

y
1
2
Distribucin marginal de la variable y:
3
4
x
5
Distribucin marginal de la variable x: 10
15

3
1
3
1
5

4
3
2
2
7

ni /
7
8
8
23

n/ j
6
5
5
7
23
ni /
7
8
8
23

x9 y
3
5
Distribucin de la variable x condicionada a que la variable y tome el valor 3:
10
15
m20

Sx2

hi

x2i ni 1
1 N


x2

120  65  10  222

24

16  20

ni / 9 y
3
1
3
1
5

m02
m11

y2 n 1 j

Sy2
kj 1 jN
Sxy
hi 1 kj

y2
7  96  2  562
1  4
n
xi  x
1 y j  y
1 Ni j
11  10 01
R2

2
Sxy
Sx2 Sy2

0  9
2
16  20 1  4


25

0  036

25  22  10  22
3

2  56
5 0  9

3 Teora de la Probabilidad

3.1. Fenmenos Deterministas y Aleatorios.

Un fenmeno es un experimento, como pueda ser el lanzar un dado. Existen dos tipos de
fenmenos:
Deterministas: cuando al realizar un experimento en las mismas condiciones, siempre
obtenemos el mismo resultado.
Aleatorios: cuando al realizar un experimento en las mismas condiciones, nunca podremos predecir el resultado.

3.2. Espacio Muestral.

Lo denotaremos como E.1
Es el conjunto formado por los posibles resultados de un fenmeno aleatorio.
Ejemplo

Para el lanzamiento de una moneda al aire: E

Ejemplo

Para el lanzamiento de un dado: E

Ejemplo

Para el lanzamiento de dos monedas al aire: E

cara  cruz 

1 2 3 4 5 6


cara  cara



cruz  cruz



cara  cruz

3.3. Sucesos y Tipos de Sucesos.

Un suceso es un subconjunto del espacio muestral. Para denotarlos usaremos letras maysculas.
Ejemplo

Para el E

A
salir 2

B
salir par

2


C
salir impar

1 En

1 2 3 4 5 6 :

2 4 6


1 3 5

algunos textos se denota como .

26

cruz  cara



Existen seis tipos de sucesos:

1.

Suceso Elemental: Aquel que est formado por un solo elemento del espacio muestral.

2.

Suceso Compuesto: Aquel que est formado por varios elementos del espacio muestral.

3.

Suceso Imposible: Aquel cuyos elementos son el conjunto vaco, por tanto se denota
como . Ej: Para E
 1  2  3  4  5  6  , F
salir 7
.

4.

Suceso Seguro: es el que se va a presentar siempre, por tanto, es el suceso que est compuesto por los elementos del espacio muestral.

5.

Suceso Contrario o Complementario: Sea A un suceso, definimos su complementario

(A) como aquel suceso que est formado por los sucesos elementales que no pertenecen a
A. Ej: Para E
 1  2  3  4  5  6  , A
salir par
 2  4  6  , A
 1  3  5 
salir impar.

6.

Sucesos Condicionados: Sean A y B dos sucesos, se llama suceso de A condicionado a

B (A 9 B ) si se presenta A una vez que se haya presentado B. Ej: B
salir par
 2  4  6 
A
salir 2
 2  .

7.

Sucesos Incompatibles: Sean A y B dos sucesos, se dice que son incompatibles si A  B

. En caso contrario se dice que son compatibles.

8.

Sucesos Independientes: Sean A y B dos sucesos, se dice que son independientes si P A 

B
:
P A
P B
. En caso contrario se dice que son dependientes.

3.4. Operaciones con sucesos.

3.4.1. Unin de sucesos (A ; B).

Dados dos sucesos A y B su unin estar formada por los sucesos elementales que pertenecen
a A a B a ambos.
Propiedad: A  A
E
3.4.2. Interseccin de sucesos (A < B).

Dados dos sucesos A y B su interseccin estar formada por los sucesos elementales que
pertenecen a A y a B simultneamente.
Propiedad: A  A

3.4.3. Leyes de De Morgan.

Hay dos:
A B
A B
A B
A B

27

3.5. Definicin Axiomtica de la Probabilidad.

La probabilidad es una medida de la incertidumbre asociada a los fenmenos o los experimentos que dependen del azar. Existen distintas definiciones de la probabilidad; nos centramos
en la definicin axiomtica de Kolmogorov: La probabilidad es una funcin que se asigna a un
nmero real llamado probabilidad (P A
).
Axiomas:

La probabilidad de un suceso es siempre mayor o igual a cero.

P A

#

La probabilidad de un suceso seguro es siempre la unidad.

P E
=
1
Sean A1  A2 .>?>?>? An sucesos incompatibles2 donde Ai  A j

, para todo i


j.

P A1  A2 @>.>.>. An
:
P A1
A P A2
AB-.-.- P An

C

Ai
D

P Ai

i 1

i 1

Consecuencias de los axiomas:

P A
:
1  P A

P A  A
E
P A
F P A
(por el tercer axioma), P E
G

P A
D
1  P A

1 (por el primer axioma)

H

P E
D
0
0

P A



P A

#

0 (por el primer axioma); E

Sean A y B dos sucesos compatibles

A  B
=

A  B
A

P A  B
=
P  A  B

A  B
A


A  B

A  A; P E
I
1
P A
J P A
; P A
=
1 si A

P A  B
K
P A
A P B
F P A  B

A  B
sucesos incompatibles, por tanto,



A  B
MLN
P A  B
J P A  B
J P A  B
F

P B
O P A  B
J P A
F P A  B
A P A  B
P

P A
J P B
F P A  B

Sean A, B y C sucesos compatibles

P A  B  C
I

P A
A P B
A P C
F P A  B
F P A  C
O P B  C
A P A  B  C

2A

y B son sucesos incompatibles si A Q B R , en caso contrario sern compatibles.

28

3.6. Otras definiciones de probabilidad.

3.6.1. Definicin frecuencial de la probabilidad.

Sea A un suceso cualquiera. Definimos frecuencia relativa de ese suceso como el cociente del nmero de veces que aparece dicho suceso entre el nmero de veces que se realiza el
experimento.
fr A
:

no de veces que aparece el suceso

no de veces que se realiza el experimento

Ejemplo: Sea A un suceso consistente en lanzar una moneda y que salga cara.
fr A
:

no

no de veces que sale cara

de veces que se lanza la moneda

La frecuencia relativa de un suceso tiende a estabilizarse en torno a un valor, a medida que

el nmero de veces que se realiza el experimento crece indefinidamente. A ese valor se le llama
probabilidad frecuencial del suceso:
P A
:

lm
no de veces que se realiza el experimento
S

fr A

Tiene dos inconvenientes:

1.

El nmero de veces que hay que repetir el experimento es muy elevado.

2.

No es fiable; el resultado obtenido es aproximado.

3.6.2. Definicin de Laplace.

Sea A un suceso. Se define la probabilidad como el cociente entre el nmero de casos favorables y el nmero de casos posibles.
P A
:

Ejemplo: Lanzo un dado.

E
 1 2 3 4 5 6
A
salir par
 2  4  6
luego, P A
:

no de casos favorables
no de casos posibles

3
6

1
2

Ejemplo: lanzo dos veces una moneda.

E
 cara  cara
 cara  cruz
 cruz  cara

B
salir la primera cara
P B
:
24
12


29

cruz  cruz



3.7. Probabilidad Condicionada.

Dados dos sucesos A y B, la probabilidad de A condicionada a B se define como P A 9 B
y
ser:
P A 9 B
:

P A  B

si P B

P B

P B 9 A
:

P A  B

si P A

P A

3.8. Sucesos Independientes.

Sean A y B dos sucesos, diremos que son independientes
si P A   B
K
P A
P B


Si dos sucesos son independientes P A 9 B
T
PPA BU B 
P AP  BP B  , por tanto, P A  B
T

P A 9 B
P B
:
P A
P B

P A1  A2  -.-.-  An
:
P A1
P A2
J-.-.- P An

Problema

Tengo una urna con 5 bolas blancas y 4 bolas rojas.

Si se extraen dos bolas con reemplazamiento, determinar la probabilidad de que la primera

sea blanca y la segunda roja.
P B
:

5
9

0  556

P R
:

4
9

0  444

Si se extraen tres bolas con reemplazamiento, determinar la probabilidad de que la primera

sea blanca, la segunda roja y la tercera blanca.
P B
:

5
9

0  556

P R
:

4
9

0  444

P B
:

5
9

0  556

30

Si se extraen dos bolas sin reemplazamiento, determinar la probabilidad de que la primera

sea blanca y la segunda roja.
P B
:

5
9

0  556

4
8

P R
:

0 5

Si se extraen tres bolas sin reemplazamiento, determinar la probabilidad de que la primera

sea blanca, la segunda roja y la tercera blanca.
P B
:

5
9

4
8

P R
:

P B
:

0  556

4
7

0 5

0  571

3.9. Probabilidad de la interseccin de sucesos.

Distinguiremos si los sucesos son independientes o dependientes.
Sucesos dependientes. Sean A y B dos sucesos dependientes. Se verifica que la probablidad de su interseccin es la probabilidad de A condicionada a B por la probabilidad de B
e igual a la probabilidad de B concionada a A por la probabilidad de A.
P A  B
=
P A 9 B
P B
:
P B 9 A
P A

Sucesos independientes. Sean A y B dos sucesos independientes. La probabilidad de su
interseccin ser la probabilidad de A por la probabilidad de B.
P A  B
K
P A
P B

31

3.10. Probabilidad a priori y a posteriori.

Suponemos que tenemos un suceso H, llamaremos probabilidad a priori a la probabilidad
que se le asigna individualmente al suceso H. Es decir, la probabilidad de que salga H.
Supongamos que partimos de cierta informacin (X), la probabilidad a posteriori es la probabilidad de H condicionada a la informacin que tenemos (X).
P H 9 X
=

P H  X

P X

P X 9 H
=

P H  X

P H

P X9 H
P H

P X

P H  X
=

3.11. Probabilidad Total.

Sean H1  H2 .>?>?>? Hn incompatibles. Hi  H j

para todo i


j. Sea A otro suceso,

P A
:

P A

Hi
P Hi

9

i 1

3.12. Teorema de Bayes.

Supongamos que tenemos H sucesos incompatibles (H1  H2 .>?>?>? Hn
cuya unin ser E > Sea
un suceso cualquiera. El teorema de Bayes dice:
P A 9 Hi
P Hi

P A

P Hi 9 A
D

P A 9 Hi
:

P Hi  A

P Hi

P Hi  A
=
P A 9 Hi
P Hi

El volumen de produccin diario en tres plantas diferentes de una fbrica es de 500

unidades en la primera, 1000 unidades en la segunda y 2000 unidades en la tercera. Sabiendo
que el porcentaje de unidades defectuosas producidas en las tres plantas es del 1 %, 0,8 % y 2 %
respectivamente, determinar la probabilidad de que:

Problema.

1.

Extraida una unidad al azar resulte NO defectuosa.

Llamaremos:
A
produccin de la primera planta

32

P A
:

500
3500

0  143

B
produccin de la segunda planta
C
produccin de la primera planta

P B
K

P C
D

1000
3500
2000
3500

0  286

0  571

D
pieza defectuosa
P D
V
P D 9 A
P A
W P D 9 B
P B
W P D 9 C
P C
V
0  01P A
X 0  008P B
X 0  02P C
V

0  0153
P D
:
1  0  15
0  985
2.

Habiendo sido extraida una unidad defectuosa, haya sido producida en la primera planta.
o

P A 9 D
:

P D9 A
P A

P D

0  01 0  143
3
0  015

0  095

Una compaa dedicada al transporte pblico explota tres lneas perifricas de una
gran ciudad, se observa que el 60 % de los autobuses cubren el servicio de la primera linea, el
30 % cubren el servicio de la segunda linea, y el 10 % cubren el servicio de la tercera lnea. Se
sabe que la probabilidad de que diariamente un autobs se avere es del 2 % en la primera lnea,
del 4 % en la segunda y del 1 % en la tercera. Determinar:
Problema.

1.

La probabilidad de que en un da un autobs sufra una avera

Llamamos:
1

Que sea de la primera lnea

Que sea de la segunda lnea

Que sea de la tercera lnea

A
Que se avere
P A
V
P A 9 1
P 1
W P A 9 2
P 2
W P A 9 3
P 3
V

2.

2
4
1
0 6 
0 3 
0  1
0  025
100
100
100

Sabiendo que un autobs ha sufrido una avera en un da determinado, Cul es la probabilidad de que preste servicio en la primera lnea?
P 1 9 A
:

3 aplicamos

P A 9 1

P A

el punto 3.11

33

0  02 0  6
3
0  025

0  48

Problema.

1.

Demostrar:

P A 9 B
A P A9 B
D
1 siendo P B
ZY 0
Suponemos que A y B son sucesos independientes y por tanto P A  B
I
P A
P B

P A  B
K
P A
P B



P A 9 B
:

P A U B 
P B

P A  P B
P B

P A

P A 9 B
[
P A

P A
J P A
:
P A
A 1  P A
K
1
2.

P A  B 9 C
=
P A 9 C
J P B 9 C
O P A  B 9 C
siendo P C
\Y 0
P A  B
K
P A
A P B



P A 9 B
:

P A U B 
P B


P A  B 9 C
F

P AU  BU C
P C

P ] A ^  B  U C_
P C

P ] AU C  ^ BU C
P C

P A 9 C
A P B 9 C
F P A  B 9 C

34

P AU C


P BU  C
P C


P AU BU C

P A U C 
P C

P B U C 
P C


4 Variable Aleatoria Discreta

4.1. Introduccin
4.1.1. Concepto de una variable aleatoria

Una variable aleatoria la representamos por y es una funcin que va desde el espacio
muestral hasta el conjunto de los nmeros reales. De tal forma que a cada suceso elemental le
asigna una imagen.
: E


a`

4.1.2. Funcin de distribucin de una variable aleatoria

Es una funcin que va desde los nmeros reales hasta el intervalo [0,1], de modo que para
cualquier x la funcin de distribucin lo que indica es la probabilidad de que la variable aleatoria
tome valores menores o iguales al nmero que me dan.
F:`
x

0  1L

F x
b
P


x

Que ser la probabilidad acumulada hasta el valor x.

Propiedades

lmx Sc

x
[
1

lmx Sd

x
[
0

Es una funcin montona creciente, sea x 1 y x2 tal que x1

Es una funcin contnua por la derecha, lm h S

0

x2
H

F x1
Ze F x2

F x  h
D
F x
h
Y

0

4.1.3. Clasificacin de una variable aleatoria discreta y contnua

Las variables aleatorias se clasifican en variables aleatorias discretas y variables aleatorias

contnuas.

35

4.1.3.1.

Variables aleatorias discretas

Son aquellas que toman valores aislados. Como por ejemplo, el lanzamiento de una moneda,
puede tomar dos valores: cara o cruz.
4.1.3.2.

Variables aleatorias contnuas

Son aquellas que pueden tomar cualquier valor dentro de un intervalo dado. Por ejemplo la
temperatura.

4.2. Variables aleatorias discretas

4.2.1. Funcin de masa de una variable aleatoria discreta

Tambin se conoce como Funcin de Cuanta.

Es una funcin definida en el conjunto de los nmeros reales y cuyas imgenes pertenecen
al intervalo cerrado [0,1], donde a cada valor del conjunto de nmeros reales se le asocia la
probabilidad inducida cuando la variable aleatoria toma el valor x i .
F:
xi
4.2.1.1.

`


0  1L

F xi
D
P
xi

Representacin grfica de la funcin de masa

x1

x2

...

xn

Figura 4.1: Representacin de la funcin de masa

Se representa mediante un diagrama de barras, se omite el eje de ordenadas, sobre el cual
se ponen los valores que toma la variable, levantando una barra sobre cada valor de la variable
cuya altura es la probabilidad de que la variable tome ese valor. Vase figura 4.1.
La suma de las alturas de todas las barras tiene que ser 1.
4.2.2. Distribucin de probabilidad

Es una tabla que nos proporciona la informacin de todos los posibles valores que toma la
variable aleatoria acompaada de sus correspondientes probabilidades.

36


xi
P
xi

4.2.2.1.

x1

x2

x1

xn

-.-.-

x2

xn

-.-.-

Ejemplo

Para el lanzamiento de una moneda la tabla sera:

xi
P
xi

1
2

1
2

4.2.3. Funcin de distribucin de una variable aleatoria discreta

F:`
x


F x
[
P

0  1L

x
[

xi

Ejemplo
3

F x3
D

xi
:
P
x1
A P
x2
A P
x3
:

xi

i 1

La diferencia entre la funcin de distribucin y la de masa es que para la primera es la

probabilidad acumulada y para la de masa es la probabilidad en el punto.
4.2.3.1.

Representacin grfica de la funcin de distribucin

Suponemos que la variable solo toma dos valores diferentes (x 1 y x2 ). Para dibujarla nos
basamos en el diagrama de barras.
Vamos a considerar diferentes tramos:
Considero un valor x

x1 para el cual F x
D
P
e

El siguiente que considero ser x1

El tercer tramo ser x

x
e

x
D
0

x2 para el que F x
D
P  x
[
P
x1

x2 para el que F x
[
P  x
D
P
x1
A P
x2
D
1
#

hji

F x
b
gf

0
x e x1
P
x1

x1  x
P
x1
A P
x2
:
1 x # x2
e

x2

Una funcin de distribucin de una variable aleatoria discreta debe quedar como en la figura
4.2, siendo escalonada (da saltos en los puntos donde se concentra la probabilidad). El incremento que experimenta la funcin en cada salto es igual a la probabilidad correspondiente a ese
valor (P
xi
).

37

F(x)

x1

x2

Figura 4.2: Representacin de la funcin de distribucin

4.2.3.2.

Clculo de probabilidades a partir de la funcin de distribucin

Sea F x
la funcin de distribucin de una variable aleatoria discreta y sean a y b dos nmeros reales cualesquiera tales que a e b, entonces se verifica que 1 :
1.

Pa
e

b
:
F b
F F a

2.

Pa
e

b
:
F b
F F a
F P
b

3.

Pa


b
:
F b
F F a
A P
a

4.

P a  e b
D
F b
F F a
O P
b
A P
a

4.2.4. Momentos con respecto al origen (r )

Definimos momento de orden r con respecto al origen

r

xri P

xi

Casos particulares:
2 Para

r
0, o

i P
xi
:
i P
xi
[
1

Para r
1  recibe el nombre de esperanza matemtica, valor esperado o valor probable.
Se puede representar como:
1

E  LJ
M

xi P

1 Ya
2 La

que F k b lR P k m b l , es decir, todos los puntos anteriores y el punto b.

suma de todas las probabilidades es 1.

38

xi

4.2.4.1.

Esperanza matemtica. Propiedades

La esperanza de una constante es igual a la constante

E  C LA
C
Si C es constante, P
C
:
1
La esperanza de una constante por una variable aleatoria es igual a la constante por la
esperanza de la variable aleatoria.
E  C LP
C E  L
(definicin previa a la demostracin) Sea una variable aleatoria discreta y sea g  L una
funcin de la misma, entonces se verifica que:

g xi

E  g
MLA

P
xi

E  C LA
i C xi P
xi
D
C i P
xi
D
C E  L
La esperanza de una suma o resta de variables aleatorias es igual a la suma o resta de las
esperanzas.
E  1 n 2 LA
E  1 Lon E  2 L
Ejemplo

Lanzamos un dado una vez y consideramos la variable aleatoria

puntuacin obtenida,

determinar:
1.

La distribucin de probabilidad y su representacin grfica.

xi
P
xi

1/6

1
6

1
6

1
6

1
6

1
6

1
6

1/6

2.

1/6

1/6

La funcin de distribucin y su representacin grfica.

x
e

1H

F x
D
P


x
D
0

39

1/6

1/6

x
e

2H

F x
b
P


x
D
P
1
D

x
e

3H

F x
b
P


x
D
P
1
A P
2
[

x
e

4H

F x
b
P


x
D
P
1
A P
2
A P
3
:

4
1
6


x
1
6


5
1
6


F x
G

1
6

x
G

1
6

1
I P

1
6


1
6

2
6

2
I P

1
6

1
6


1
6


3
K P

3
6

4
p

4
6

4  x e 5 H F x
=
P  x
=
P
1
q P
2
q P
3
q P
4
q P

5
D
16  16  16  16  16
56
5  x e 6 H F x
=
P  x
=
P
1
q P
2
q P
3
q P
4
q P

5
A P
6
D
16  16  16  16  16  16
66
6/6

5/6

4/6

3/6

2/6

1/6

3.

La puntuacin esperada (esperanza de la variable).

E  LA

xi P

xi
D
1

1
6


1
1
1
1
1
3  4  5  6

6
6
6
6
6

3 5

Problema3

En un grupo de 50 alumnos el nmero de estudiantes que resuelve los problemas

propuestos en clase un da cualquiera es una variable aleatoria con la siguiente probabilidad:
P
x
Fr

kx x
1  2 .>?>?>? 20
5k x
21  22 .>?>?>? 50

Calcula:
El valor de k para que la funcin anterior sea efectivamente una ley de probabilidad.
Tiene que cumplir que 50
i 1 P
xi
:
1
50
20
i 1 k xi  i 21 5k
1
1
1 H k
360
0  0028
H

50
k 20
i 1 xi  5k i 21 1

1
H

210 k  5k 30

1
H

360 k

La probabilidad de que un da resuelvan los problemas propuestos ms de 20 alumnos

( Y 20). (Ver fotocopias de problemas).
Cul es la probabilidad de que lo resuelvan como mucho 5. Y la de que lo resuelvan ms
de 15 y menos de 25. (Ver fotocopias de problemas).
3 de

examen

40

Se lanza una moneda tres veces y se considera la variable aleatoria al nmero de

caras obtenidas, se pide:
(Ver fotocopias de problemas).
Problema4

Distribucin de probabilidad de la variable aleatoria.

Nmero de caras esperado.
Varianza y funcin caracterstica.
Probabilidad de que salga cara la primera vez si se sabe que la variable aleatoria toma el
valor 2 (
2).
Esperanza y varianza a partir de la funcin caracterstica.
4.2.5. Momentos respecto a la esperanza
4.2.5.1.

Varianza. Propiedades

4.2.5.2.

Desviacin Tpica

4.2.6. Funcin caracterstica. Propiedades

4.2.7. Algunas distribuciones discretas
4.2.7.1.

Distribucin de Bernoulli B p

Se usa para representar fenmenos en los que slamente se pueden dar dos sucesos incompatibles.

1
P
1
[
p

0
P
0
[
q
Funcin de masa

Representa la probabilidad en los puntos.

f x
[
P
x
D

Esperanza

E
:
p

E
:
1 p  0 q

V
D
2  21
p  p2
Como 1  p
q  V
:
p q

Varianza
4 de

p 1  p

examen

41

h i
f

p x
1
q x
0
0 resto

Funcin Caracterstica

0
D

t
\
E s eit

j eit j P

ei t 1 P

x j
Z

1
V ei t 0 P

ei t

p q

ei t p  q

4.2.7.2.

Distribucin Binomial B n  p

Seguir una distribucin binomial si el resultado de sumar n variables independientes entre

s donde cada una se distribuye como una Bernoulli de parmetro p.
u B n  p


ni 1 i independientes

1  2 B-.-.-. n
En definitiva, una distribucin binomial puede ser considerada como una distribucin de
Bernoulli que se repite n veces.
Representa la probabilidad en los puntos.

Funcin de masa

f x
b
P
x
D

Esperanza

E
:

n
x

r

V
E
V  1  2 &-.-.-x n Lb

V n
D
p q  p q z-.-.-. p q
n p q
V
:
n p q
Funcin Caracterstica
z-.-.-|

4.2.7.3.

x
0  1  2 .>?>? n
resto

E
I
E  1  2 v-.-.-M n LN
E 1
q E 2
qv-.-.-M E n
F

np
(por ser independientes)

Varianza

e i t 2

px qn 
0

t
I
E s ei t

E s ei t

1  2 K{ { {  n 
t

ei t

p  p v-.-.-w p
n p

V 1
= V 2
=y-.-.-x

1  2 I{ { {  n 

ei t

1


e i t n

ei t p  q

Distribucin de Poisson P

Slo depender de un parmetro que ser siempre positivo.

Mediante esta distribucin se representa el nmero de veces que se presenta un fenmeno en
un intervalo de tiempo o en una regin del espacio.
Funcin de masa

Representa la probabilidad en los puntos.

f x
[
P
x
D
~}

Esperanza

E
:

42

e

x!

x# 0
resto

Varianza

V
:

Funcin Caracterstica

ei

t


1

En un laboratorio se comprob que la utilizacin de un producto mejoraba el 80 %

de las reacciones qumicas de cierto tipo. Si se utiliza dicho producto en 8 reacciones de ese tipo,
calcular:
Problema

La probabilidad de que mejoren 5.

La probabilidad de que mejoren al menos 3.
El nmero de reacciones que se espera que mejoren.
i

P
1
D
0  8 si mejora

P
0
D
0  2 si no mejora

Se trata de una distribucin de Bernoulli B p
donde p

0  8
Como son dos sucesos independientes,
8i 1 i
u B 8  0  8

P
5
D

P
0
D

P
1
D

P
2
D

8!
0! 8!
8!
1! 7!
8!
2! 6!

0  80 0  28
0  81 0  27
0  82 0  26

P
#

8!
0  85 0  23
5! 3!

0  15

0  28 =

3
D
1  P
0
F P
1
O P
2
D
0  998

Suponiendo que la probabilidad del nacimiento de un chico es

probabilidad de que un una familia con cinco nios:
Problema

al menos uno sea nio

de obtener 1 2 nias
todos sean nios

43

1
2,

determinar la

Nos encontramos con una distribucin binomial.

P
1
D
0  8 si mejora
i
1
i
0
P
0
D
0  2 si no mejora

5i 1 i
u B 5  0  5

P
P
P
P

0
D

3
D

4
D

5
D

P
#

1
D
1  P
0
D

P
4
J P
3
:

P
5
D

El nmero de automviles que llega a una gasolinera es de 210 por hora. Si dicha
estacin de servicio puede atender un mximo de 10 automviles por minuto, determinar la
probabilidad de que en un minuto dado lleguen ms de los que se pueden atender.
Nos encontramos con una Poisson, ello lo podemos deducir viendo que nos encontramos
ante una variable discreta que es coche. Adems las distribuciones de Poisson hacen referencia
a intervalos de tiempo como es el caso.

210
60
3  5
P
:
P 3  5

P  10

P
0
V P
1
V P
2
V P
3
V P
4
V P
5
V P

6
J P
7
A P
8
A P
9
J P
10
[

P
0
D

P
1
D

P
2
D

P
3
D

P
4
D

P
5
D

P
6
D

P
7
D

P
8
D

P
9
D

P
10
D

Problema

P
Y

10
D
1  P  10
[ 0  02

44

An estando sometidas a control diario los componentes electrnicos suministrados

por una importante empresa, se estima que la probabilidad de que en un da sean vendidos r
r
artculos defectuosos es 32  13  si r
0  1  2  3 .>?>?> determinar la probabilidad de que en un da
sean vendidos:
Problema

Dos o ms defectuosos.
P

2
D
1  P
1
O P
0
D
1 
#

2 1
3 3


1
D

1
9

0  111

5 artculos defectuosos.
P
5
D

2 1 5
3 3

0  0027

Tres o menos artculos defectuosos.

P


3
D
P
0
J P
1
A P
2
A P
3
D

2
3

1

1
3


1
9


1
27
[

Problema Con el fin de estimar la posible ausencia de alumnos en horas clase en la asignatura
de Estadstica se analiza el nmero de dias soleados en una semana lectiva (5 das) de primavera. Para ello se han examinado los datos meteorolgicos de 1000 semanas primaverales del
ltimo siglo obteniendo la siguiente tabla:

das soleados
Frecuencia (semanas

0
38

1
144

2
342

3
287

4
164

5
25

2  47
5

Se pide ajustar una distribucin binomial a los datos anteriores.

BINOMIAL u B 5  p

x

0 4 38  1 4 44  2 4 342  3 4 287  4 4 164  5 4 25

1000

2  47
E  LJ
n p H

0  494

Se ha observado un telar durante cierto tiempo anotando el nmero de roturas por

cada 10000 pasadas de lanzadera y se ha obtenido lo siguiente:

Problema

no de roturas
Frecuencia

0
40

1
48

2
39

3
16

4
5

5
1

6
1

Ajustar una ley de Poisson y calcular las probabilidades del nmero de roturas.
P
0
D
0  254
P
1
D
0  348
P
2
D
0  238
P
3
D
0  108
P
4
D
0  037
P
5
D
0  010
P
6
D
0  0023

45

En una determinada zona geogafica se pretende introducir un nuevo producto del

que es razonable esperar sea demandado por el 0,4 % de los habitantes de dicha zona. Determinar
la probabilidad de que consultados 1000 de estos dicho producto sea demandado por:
Problema

tres o ms.
cinco o menos
i
1
P
1
D
0  004 si se demanda el producto
i
0
P
0
D
0  996 si no se demanda el producto
u B n  p
I
B 1000  0  004
es binomial porque se da para 1000, es decir, se repite 1000
veces, por ello n
1000.
P # 3
D
1  P
0
O P
1
F P
2
D
0  7619
P  5
[
P
0
A P
1
A P
2
A P
3
J P
4
A P
5
[
0  7852
x
n x
P
x
D
nx
0  004x 0  996n  x
x!  nn! x  ! 0  004x 0  996n  x
0!1000!
1000! 0  004 0  996
Como nos encontramos en el caso de que prcticamente n y p 0 aproximamos con
una Poisson en la que
n p
1000 0  004
4  por tanto:
3
 x
P
x
D
e x! calculamos ahora las probabilidades para cada uno de los casos que nos
interesan.
 4 0
P
0
D
e 0!4
0  0183
 4 1
P
1
D
e 1!4
0  0773
 4 2
P
2
D
e 2!4
0  1465
 4 3
P
3
D
e 3!4
0  1954
 4 4
P
4
D
e 4!4
0  1954

Si nos encontramos ante una distribucin binomial en la que n

con una Poisson P
en la que
n p

y p

0 aproximamos

En una poblacin los individuos con renta superior a 12000 EUR es de 0.005 %,
determinar la probabilidad de que entre 5000 individuos consultados haya dos con ese nivel de
renta.

Problema

P
1
D
0  005 si la renta es mayor a 12000 EUR.
i
1
i
0
P
0
D
0  996 si la renta es menor a 12000 EUR.
u B n  p
F
B 5000  0  005
es binomial porque se hace un muestreo entre 5000, es decir,
se repite 5000 veces, por ello n
5000.
Como nos encontramos en el caso de que prcticamente n y p 0 aproximamos con
una Poisson en la que
n p
5000 0  005
0  25  por tanto:
3

46

Problema

0  252
2!

0  25

e

P
2
D

0  02433

Dada una variable cuya distribucin de probabilidad viene dada por:

q
3

2 x! 4  x  !

P
x
K}

x
0 1 2 3 4
resto

Determinar:
La funcin de distribucin de la variable.
P
3
; P 1

2  5
; P


2  5

F x
D
P


x
D

xi

xi x

P
P
P
P
P

3
2
3
2
3
2
3
2
3
2

0
D

1
D

2
D

3
D

4
D

1
0! 4!
1
1! 3!
1
2! 2!
1
3! 1!
1
4! 0!

3
48
3
12
3
8
3
12
3
48

x
P
x

T0

T1
0

T0: x e
T1: 0 
T2: 1 
T3: 2 
T4: 3 
T5: x #

xe
xe
xe
xe
2

F x
b

1
H F
2
H F
3
H F
4
H F
F x
b

0
x
D
P
x
D
P
x
D
P
x
D
P
P

0
A

3
48

3
12

3
8

3
12

3
48

T2

T3

3
0
D
48
0
A P

0
A P

0
A P

P
1
A

47

T4
3

T5
4

1
[
15
48
1
A P
2
D
33
48
1
A P
2
J P
3
D
45
48
P
2
J P
3
A P
4
D
1

F 2  5
[
P
0
A P
1
A P
2
[

F 1
b
P
0
J P
1
D
15
48
P
3
D

P1


33
48

3 1
2 3! 1!

3
12

2  5
D
F 2  5
F F 1
J P
1
D

33
48


15
48

2  5
D
P
0
A P
1
A P
2
D

48

3
12
33
48

6
48

ndice alfabtico
Amplitud del Intervalo, 9

Nube de Puntos, 20

Bayes, 32

Polgono de Frecuencias, 10
Probabilidad a posteriori, 32
Probabilidad a priori, 32
probabilidad acumulada, 35

Coeficiente de Correlacin Lineal, 23

Coeficiente de Determinacin, 24
Coeficiente de Variacin de Pearson, 16
covarianza, 22
Cuantiles, 13

Recorrido, 15
Recorrido Intercuantlico, 15
Regresin, 23
Relacin, 23

Desviacin Tpica, 16
Diagrama de Barras, 9
Diagrama de Frecuencias Acumuladas, 9
Distribuciones Condicionadas, 21
Distribuciones Marginales, 21

suceso, 26
Tabla de Contingencia, 20
Tabla de Doble Entrada, 20

Espacio Muestral, 26
esperanza matemtica, 38
estadstica, 6
Estadstica Descriptiva, 6

Unin, 27
variable aleatoria, 35
Variable Tipificada, 16
Variables contnuas, 7, 36
variables cualitativas, 6
variables cuantitativas, 6
Variables discretas, 7, 36
Variables Estadsticas Bidimensionales, 20
Varianza, 15, 18, 22

fenmeno, 26
Frecuencia Absoluta, 7
Frecuencia Relativa, 7
frecuencia relativa, 29
Funcin de Cuanta, 36
Funcin de distribucin, 35, 37
Funcin de Masa, 36
Histograma, 9
Interseccin, 27
Leyes de De Morgan, 27
Marca de Clase, 9
Media, 10
Mediana, 11
Moda, 13
Momentos, 17, 22, 38

49