Documentos de Académico
Documentos de Profesional
Documentos de Cultura
++++++++++4++FUNDAMENTOS+TEÓRICO+DE+ESTADÍSTICA+I+y+II PDF
++++++++++4++FUNDAMENTOS+TEÓRICO+DE+ESTADÍSTICA+I+y+II PDF
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
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
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
36
36
36
37
37
37
38
38
39
41
41
41
41
41
41
42
42
ndice de figuras
9
10
21
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.
la definicin acadmico-cientfica
1.4. Frecuencias.
1.4.1. Frecuencia Absoluta ni .
ni
i 1
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
Ni
1
20
31
33
36
Fi
1/36
20/36
31/36
33/36
1
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
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
Li
1
Li
Hace referencia al punto medio del intervalo. Se utiliza para calcular la media de la distribucin.
xi
Li
1
Li
Se utiliza para variables discretas y en general para distribuciones no agrupadas. Ver figura
1.1.
ni
xi
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
ni
ci
ni 1 xi ni
N
Propiedades:
10
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 .
Los datos no se repiten (frecuencias unitarias): se hace como en los ejemplos anteriores.
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
2.
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
12
N
2
Ni
ni
ci
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
Nota: Li
1.8.4. Cuantiles CN .
Ni
Cuantil
Si kr N
Ni
Cuantil
xi xi
2
13
Datos agrupados:
Si kr N
Ni
Cuantil
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
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
N
2
Ni
5
14
28
48
74
92
99
110
1yk
1
4 110
55
N N
r
k N
Ni
ni
ci
30
27 25 14
5
14
34 82
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
xm
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
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 .
Sx
x
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
zE
8 5 7 8
1 3
7 2 6 3
1 65
0 538
0 545
CVE
SM
xM
SE
xE
1 3
7 8
1 65
6 3
0 167
0 262
17
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
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
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
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
19
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.
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
20
Por ejemplo: f i 0
fi 0
ni j
n1 j
ni2
n2 2
y f j0
ni j
ni 1
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
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
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
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
Regresin: consiste en analizar la forma de las dependencias entre las dos variables.
2.
Sxy
x
Sx2
yb
y
Sxy
Sy2
y b$
x
Sxy
y
Sy2
Sxy
Sx Sy
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
Problema
2
Sxy
Sx2 Sy2
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
Ejemplo
Ejemplo
cara cruz
1 2 3 4 5 6
cara cara
cruz cruz
cara cruz
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
26
cruz cara
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.
6.
7.
8.
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
, 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
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
P E D
0
0
P A
P A
#
A B A
P A B =
P A B
A BA
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 MLN
P A B J P A BJ P A B F
P A B C I
28
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 :
Ejemplo: Sea A un suceso consistente en lanzar una moneda y que salga cara.
fr A :
no
lm
no de veces que se realiza el experimento
S
fr A
2.
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 :
no de casos favorables
no de casos posibles
3
6
1
2
29
cruz cruz
P A B
si P B
P B
P B 9 A :
P A B
si P A
P A
P A 9 B P B :
P A P B
P A1 A2 -.-.- An :
P A1 P A2 J-.-.- P An
Problema
5
9
0 556
P R :
4
9
0 444
5
9
0 556
P R :
4
9
0 444
P B :
5
9
0 556
30
5
9
0 556
4
8
P R :
0 5
5
9
4
8
P R :
P B :
0 556
4
7
0 5
0 571
31
P H X
P X
P X 9 H =
P H X
P H
P X9 H P H
P X
P H X =
para todo i
P A :
P A
Hi P Hi
9
i 1
P Hi 9 A D
P A 9 Hi :
P Hi A
P Hi
P Hi A =
P A 9 Hi P Hi
Problema.
1.
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.
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
4.1. 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`
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
lmx Sc
x [
1
lmx Sd
x [
0
0
x2
H
F x1 Ze F x2
F x h D
F x h
Y
0
35
4.1.3.1.
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.
Son aquellas que pueden tomar cualquier valor dentro de un intervalo dado. Por ejemplo la
temperatura.
`
0 1L
F xi D
P
xi
x1
x2
...
xn
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
1
2
1
2
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
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
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
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
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
38
xi
4.2.4.1.
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
determinar:
1.
1
6
1
6
1
6
1
6
1
6
1
6
1/6
2.
1/6
1/6
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.
xi P
xi D
1
1
6
1
1
1
1
1
3 4 5 6
6
6
6
6
6
3 5
Problema3
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
examen
40
Varianza. Propiedades
4.2.5.2.
Desviacin Tpica
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
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
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
Esperanza
E :
42
e
x!
x# 0
resto
Varianza
V :
Funcin Caracterstica
ei
t
1
P
1 D
0 8 si mejora
P
0 D
0 2 si no mejora
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
43
1
2,
determinar la
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
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
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
2 47
E LJ
n p H
0 494
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
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
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
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
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