Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadistica 2 PDF
Estadistica 2 PDF
Vicerrectorado de Investigación
ESTADÍSTICA Y
PROBABILIDADES I
TINS Básicos
Lima - Perú
1
ESTADÍSTICA Y PROBABILIDADES II
© ESTADÍSTICA Y PROBABILIDADES I
Desarrollo y Edición : Vicerrectorado de Investigación
2
ESTADÍSTICA Y PROBABILIDADES I
Presentación
3
ESTADÍSTICA Y PROBABILIDADES II
4
ESTADÍSTICA Y PROBABILIDADES I
5
ESTADÍSTICA Y PROBABILIDADES II
6
ESTADÍSTICA Y PROBABILIDADES I
7
ESTADÍSTICA Y PROBABILIDADES II
ÍNDICE
Semana 2
Calculo de los estadígrafos más importantes....................................... 21
Ejercicios de aplicación casos I, II y III................................................
Métodos de clasificación de datos por intervalos................................ 26
Semana 3
Estadísticos de tendencia central......................................................... 31
Tipos de gráficas................................................................................. 32
Propiedades de la media y varianza ................................................... 36
Propiedades adicionales de la media.................................................. 36
Ejercicios de aplicación ...................................................................... 38
Semana 4
Percentiles, deciles y cuartiles ............................................................ 44
Medidas de asimetría y curtosis .......................................................... 49
Ejercicios propuestos de recapitulación (tarea).................................... 52
Semana 6
Probabilidad de un evento ................................................................. 77
Algunos teoremas importantes en probabilidad .................................. 78
Ejercicios de aplicación ...................................................................... 79
8
ESTADÍSTICA Y PROBABILIDADES I
Semana 7
Probabilidad condicional.................................................................... 89
Ejercicios de aplicación ...................................................................... 90
Probabilidad de la multiplicación de eventos ..................................... 95
Ejercicios de aplicación ...................................................................... 96
Semana 8
Probabilidad de independencia de eventos ........................................ 101
Ejercicios de aplicación ...................................................................... 105
Teorema de la probabilidad total y teorema de Bayes......................... 103
Ejercicios de aplicación ...................................................................... 105
Ejercicios propuestos de recapitulación (tarea).................................... 108
Semana 9
Repaso y solución de los ejercicios propuestos de recapitulación
Semana 12
Variable aleatoria continúa................................................................. 141
Función de densidad de probabilidad uniforme ................................. 144
Función de densidad de probabilidad exponencial............................. 146
Ejercicios de aplicación
Ejercicios propuestos de recapitulación (tarea).................................... 149
9
ESTADÍSTICA Y PROBABILIDADES II
Semana 14
Distribución Normal........................................................................... 183
Lectura de tabla .................................................................................. 186
Ejercicios de aplicación ...................................................................... 186
Semana 15
Errores de aproximación en mediciones usando distribución normal . 193
Ejercicios de aplicaciones................................................................... 193
Aproximación de la distribución Normal a la binomial ...................... 197
Ejercicios de aplicación ...................................................................... 198
Distribución de Weibull ..................................................................... 202
Ejercicios de aplicación ...................................................................... 204
Ejercicios propuestos de recapitulación (tarea).................................... 205
Semana 18
Intervalo de confianza para la media con varianza no conocida......... 243
Ejercicios de aplicación ...................................................................... 245
Ejercicios propuestos de recapitulación (tarea).................................... 249
10
ESTADÍSTICA Y PROBABILIDADES I
DISTRIBUCIÓN TEMÁTICA
Clase
Tema Horas
N°
Conceptos y definiciones fundamentales de la
estadística. Población, muestra, variable, etc. Tipos de
1 03
muestra, (no probabilística y probabilística, extracción
de una muestra aleatoria)
Estadísticos de posición y dispersión para datos sin
2 03
clasificar. Cálculo y propiedades.
Estadísticos de posición y dispersión para datos
clasificados por intervalos de clase. Método de
3 03
clasificación tablas de distribución, sus elementos.
Cálculo de los estadísticos de posición y dispersión.
Propiedades de los estadísticos de posición y dispersión
4 media y varianza. Gráficas: Histograma, Polígono de 03
frecuencia, Ojivas, etc. Diagrama circular.
Percentiles para datos clasificados y sin clasificar.
5 03
Asimetría y Curtosis.
Probabilidad: Álgebra de eventos, axiomas y teoremas
6 importantes sobre probabilidades. Probabilidad 03
condicional. Aplicación.
Probabilidad de un producto de evento y probabilidad
7 03
de independencia de eventos.
9 Revisión y nivelación 03
10 EXAMEN PARCIAL 02
11
ESTADÍSTICA Y PROBABILIDADES II
Clase
Tema Horas
N°
19 EXAMEN FINAL 02
20 EXAMEN SUSTITUTORIO 02
12
ESTADÍSTICA Y PRO BABILIDADES I
Semana 1
ESTADÍSTICA DESCRIPTIVA
• ETAPA ACTUAL: Se considera a partir del siglo XIX hasta nuestros días
caracterizándose la estadística como ciencia y metodología de la
investigación científica que se aplica en todas las ramas del saber
humano.
13
ESTADÍSTICA Y PROBABILIDADES I
14
ESTADÍSTICA Y PROBABILIDADES I
EJEMPLO:
Soltero (a)
Casado (a)
Estado civil
Viudo (a)
Divorciado (a)
EJEMPLO:
APRA
UNIDAD NACIONAL
15
ESTADÍSTICA Y PROBABILIDADES I
ESTUDIO SECUNDARIA
SUPERIOR
BACHILLER
GRADO MAGISTER
DOCTORADO
16
ESTADÍSTICA Y PROBABILIDADES I
- μ : media población
- σ 2 variable poblacional
- p: proporción poblacional ( 0 ≤ p ≤1 )
- x : media muestral
- Me: mediana muestral
- Mo: moda muestral
- S2: varianza muestral
- S = s 2 desviación estándar o típica muestral
- Cv = s coeficiente de variación
x
DEFINICIONES DE ESTADÍGRAFOS
17
ESTADÍSTICA Y PROBABILIDADES I
18
ESTADÍSTICA Y PROBABILIDADES I
20
ESTADÍSTICA Y PROBABILIDADES I
Semana 2
CÁLCULOS DE LOS ESTADÍGRAFOS MÁS
IMPORTANTES
Supongamos que obtenemos datos mediante experimentación u otros
métodos de técnicas estadísticas siendo estas:
x1, x2,…………………………., xn
21
ESTADÍSTICA Y PROBABILIDADES I
Mediana:
Ordenar los datos Xi de mayor Me ∈ [Li ; Li+1 [ ←
⎯⎯ Ni ≤
n
a menor o viceversa. 2
⎧X n+1 ; n impar ⎫
⎧ X n+1 ; n impar ⎫ ⎪ 2 ⎪ ⎛n ⎞
⎪ 2 ⎪ ⎪ ⎪ ⎜ − Ni−1 ⎟
⎪ ⎪ Me = ⎨ ⎬ Me = Li + Ci ⎜ 2 ⎟
⎡ ⎤
Me = ⎨
⎡ ⎤ ⎬ ⎪1 ⎢ X n + X n ⎥ ; n par⎪ ⎜ ni ⎟
⎪ 1 ⎢ X n + X n ⎥ ; n par⎪ ⎪⎩2 ⎣⎢ 2 +1 ⎪⎭ ⎜ ⎟
2 ⎦⎥ ⎝ ⎠
⎪⎩ 2 ⎣⎢ 2 +1 ⎪⎭
2 ⎥⎦ N1− i Frecuencia
acumulada
Moda: Mo
∈ [ Lio ; Lio+1 [ ←⎯ ni
o
mayor
Mo = Frecuencia más
Alta ni Mo = Frecuencia
⎛ Δ1 ⎞
más Alta ni Mo = Lio + C io ⎜ ⎟
⎜Δ +Δ ⎟
⎝ 1 2 ⎠
Δ 1 = n io − n io −1
Δ 2 = n io − n io +1
2
Varianza: k
(
∑ ni xi − x
2
)
k
∑ ni xi − x ( )
S = i =1
n 2 k 2
∑ xi − x( ) S = i =1
2
; n = ∑ ni n −1
i=1
S = i =1 n −1
2
ò
n −1 ò
ó ∑ ni xi ( )2 2
∑ ni xi −
∑ ni xi ( )2
2
2 2 ∑ ni xi −
2 ∑ xi −( ∑ xi ) / n 2 n
2
S = n
S = S =
n−1 n −1
n −1
Desviación estándar:
2 2
2 S = S ; S>0 S = S ; S>0
S = S ; S>0
Coeficiente de Variación:
S S
S CV = ; 0 < CV < 1 CV = ; 0 < CV < 1
CV = ; 0 < CV < 1 x x
x
22
ESTADÍSTICA Y PROBABILIDADES I
CASO I:
x=
∑ xi = 0 + 1 + 5 + 4 + 3 + 3 + 2 + 1 + 3 + 3 = 2.5
n 10
⎛ ⎞
⎜ xn + xn ⎟
⎜ +1 ⎟
(x + x )
Me = ⎝ 2 2 ⎠
= 5 6 =3
2 2
(∑ x ) 2
∑x
i
2
i −
2
S = n = 2.2778
n −1
S= S 2 = 1.51
S 1.51
C. V. = = = 0.6040 = 60.40% Î Variación alta
x 2.5
CASO II:
Datos agrupados en una tabla según sus frecuencias n:
xi
n
i
n x
i i n x2 N
i
i i
0 1 0 0 1
1 2 2 2 3
2 1 2 4 4
3 4 12 36 8
4 1 4 16 9
5 1 5 25 10
∑ ni =10 ∑ ni xi =25 ∑ ni xi2 = 83
23
ESTADÍSTICA Y PROBABILIDADES I
x =
∑n x 25
i i
= 2.5 =
n 10
⎛ ⎞
⎜ xn + xn ⎟
⎜ +1 ⎟
(x + x )
Me = ⎝ 2 2 ⎠
= 5 6 =3
2 2
Mo = 3 ; (mayor frecuencia n=4)
(∑ n x ) 2
(25) 2
∑ ni x
i i
2
i − 83 −
S2 = = n 10 = 2.2778
n −1 10 − 1
S= S2 = 2.2778 = 1.51
S 1.51
C. V = = = 0.604 = 60.4% Î Variación alta
x 2.5
CASO III:
Datos agrupados en una tabla por intervalos de clase Ii:
Ii Xi n Ni f F %fi %Fi
i i i
[L1, L2> Xi n1 N1 f F
1 1
[L2, L3> Xi n2 N2 f F
2 2
M M M M M M
[Li , Li+1> Xi n Ni f F
i i i
M M M M M M
[Lk ,Lk+1> Xk nk Nk = n f F
k k
∑n i =n ∑f i =1
24
ESTADÍSTICA Y PROBABILIDADES I
• [
Ii = Li + L i +1 Intervalos de clase i=1, 2, 3, …, k
n k
• fi = i frecuencias relativas: 0 ≤ fi ≤ 1,
n ∑f
i =1
i =1
i
• Fi; frecuencia relativa acumulada: F1 = f1 ; Fi = ∑f
j =1
j
Xi n Ni f
i i
[0.5;1.5 1 4 4 0.08
[1.5; 2.5 2 4 8 0.08
[2.5; 3.5 3 8 16 0.16
[3.5; 4.5 4 7 23 0.14
[4.5; 5.5 5 5 28 0.1
[5.5; 6.5 6 10 38 0.2
[6.5; 7.5 7 7 45 0.14
[7.5; 8.5 8 5 n = 50 0.1
∑n i = 50 ∑f i =1
25
ESTADÍSTICA Y PROBABILIDADES I
n n 4
fi = i ⇒n = i ⇔ n = = 50
n f 0.08
i
4 5 10 5
f = = 0.08 ; f = = 0 .1 ; f = = 0 .2 ; f = = 0.1
2 50 5 50 7 50 8 50
n1 = N1 ; n1 = N1 = 4 ; N1 + n2 = 4 + 4 = 8 ; N 3 + n4 = 16 + 7 = 23 ;
N 7 + n8 = 45 + n 8 = 50 ⇒ n 8 = 50 - 45 = 5
CASO III:
o Regla de Sturges
o La regla de la raíz cuadrada
o Método libre (el investigador elige el número de intervalos)
MÉTODOS DE CLASIFICACIÓN
l ( R)
4. Amplitud del intervalo: c =
k
5. Determinación de los intervalos:
I
1 I2
= [L1, L2>
= [L2, L3>
.
.
.
.
IK
= [LK, LK+1>
26
ESTADÍSTICA Y PROBABILIDADES I
73 47 67 82 67 70 60 67 61 80
65 70 57 85 59 70 57 73 77 58
69 58 76 67 52 68 69 66 72 86
76 79 77 88 94 67 77 54 93 56
73 64 70 46 68 63 72 84 63 74
Solución:
1. R = [ 46, 94 ]
2. l ( R ) = | 94 – 46 | = 48
l ( R) 48
4. c= = = 8 , pocos intervalos para el número de datos
k 6
5.
l ( R) 48
c= = = 6.857 (no se considera por que no es exacta la
k 7
división)
l ( R) 48
c= = = 6 (v)
k 8
I
I2
I3
[ [ [ [ [
1
[ [ [
7
27
ESTADÍSTICA Y PROBABILIDADES I
Ii
Xi n
i Ni n x
i i n x2
i i
[46,52 49 2 2 98 4802
[52 , 58 55 5 7 275 15125
[58 , 64 61 7 14 427 26047
[64 , 70 67 12 26 804 53868
[70 , 76 73 10 36 730 53290
[76 , 82 79 7 43 553 43687
[82, 88 85 4 47 340 28900
[88 , 94 91 3 n = 50 273 24843
∑n i = 50 ∑n xi i =3500 ∑n xi
2
i = 250562
x =
∑n x i i
=
3500
= 70
n 50
n n
Si Ni es mayor a ⇒ Me ∈ [Li, Li+1〉 ; N4 = 26 > = 25 ⇒ Me ∈ [64,70〉
2 2
⎛n ⎞
⎜ − N i −1 ⎟ 25 − 14 ⎞
⎟ = 64 + 6⎛⎜
11
Me = Li + Ci ⎜ 2 ⎟ = 64 + 6 * = 69.5
⎜⎜ ni ⎟⎟ ⎝ 12 ⎠ 12
⎝ ⎠
⎛ Δ1 ⎞ ⎛ 5 ⎞ 5
Mo = Li + Ci ⎜⎜ ⎟⎟ = 64 + 6⎜ ⎟ = 64 + 6 * = 68.285 ≅ 68.29 ; nio =12
⎝ Δ1 − Δ 2 ⎠ ⎝5+ 2⎠ 7
Δ1 = ni 0 − ni 0−1 = 12 − 7 = 5 Δ 2 = ni 0 − ni 0+1 = 12 − 10 = 2
28
ESTADÍSTICA Y PROBABILIDADES I
∑ (n x ) (3500)
2 2
∑n x
2
− i i
250562−
i i
n 50 250562− 245000 5562
S2 = = = = = 113.5102
n −1 50 −1 49 49
S = S 2 = 113.51 = 10.65
S 10.65
CV = = = 0.1521 CV = 0.1521*100 = 15.21 ٪
X 70
29
ESTADÍSTICA Y PROBABILIDADES I
30
ESTADÍSTICA Y PROBABILIDADES I
Semana 3
ESTADÍSTICOS DE TENDENCIA CENTRALES ( X , Me, Mo)
Son aquellos que como su nombre lo indica tienden a ubicarse al centro del
conjunto de datos, podemos observar y comparar el resultado; logrado del
ejemplo anterior
Las graficas a escala nos dan una idea mucho más precisa del
comportamiento que los cuadros estadísticos.
Los cuadros estadísticos guardan correspondencia con las graficas.
31
ESTADÍSTICA Y PROBABILIDADES I
TIPOS DE GRAFICAS
Las más usuales son:
T
toneladas
fi ò ni
I años
l - n ⎛n ⎞ k
hi - ni
⇒ hi = ⎜ i ⎟ l ; n =
⎝n⎠
∑ ni , l = ∑( l
i = 1
i + ei ) ; k : nùmero de barras
n - 360º ⎛n ⎞
⇒ θ i = ⎜ i ⎟ 360º , i = 1, 2, ., k
ni - θ i ⎝n⎠
33
ESTADÍSTICA Y PROBABILIDADES I
l -n ⎛n ⎞
⇒ h i = ⎜ i ⎟ l , i = 1, 2, ..., k
hi - ni ⎝n⎠
• Abiertos
• Cerrados
34
ESTADÍSTICA Y PROBABILIDADES I
Fk = 1
OJIVA
Ii
0
0.5
0 Me Ii
35
ESTADÍSTICA Y PROBABILIDADES I
Estos dos estadísticos son de los más importantes por que a partir de ellos se
puede realizar inferencias sobre la población.
Media Varianza
Xi ( xi − x) 2
x = M ( x) = ∑ s x = V ( x) = ∑i n − 1
2
i n
2
s x
= V (c ) = 0
2 2
si : X = Ci → X = C s = V(y) = sx
1.- y
si : Yi = X i + b → Y = X + b 2
2.- s y
= V ( y ) = a 2 s x2
3.- si : Yi = aX i → Y = a X 2 2
4.- si : Yi = aX i + b → Y = a X + b
s y
= V ( y) = a 2 s x
∑PX i i
Xp = i =1
K
∑P
(i =1)
i
X 1 ; X 2 ;...............; X K k
↓ ↓ ↓
∑n X i i
k
X = i =1
K
; ∑ ni = n
n1 nz nk
∑n i =1
i
(2)
∑ (X )
n
i - X = 0
i
n1 n2 ; ; nK
∑(X i − X )ni = 0
X1 X2 Xk
XC.G
9. ∑(X i − X ) 2 〈∑ ( X i − C ) 2 C ≠ Xi
∑ (xi - x )
2
Esta desigualdad nos indica que es mínima respecto a
cualquier número C ≠ X i y si dividimos entre (n – 1) la desigualdad
2
obtenemos la varianza s x
la cual tiene un mínimo valor.
37
ESTADÍSTICA Y PROBABILIDADES I
EJERCICIOS DE APLICACIÓN:
Solución:
Sea C el ancho de las intervalos: [ 12, 5, 12.5 + c , 12.5 + c, 12.5 + 2c ,
[12.5 + 2c , 12.5 + 3c , [12.5 + 3c , [12.5 + 4c , [ 12.5 + 4c , 12.5 + 5c
a)
Ii Xi ni Ni fi nixi nixi2
[12,5;17,5> 15 20 20 0.18 300 4500
[17,5;22,5> 20 30 50 0.27 600 12000
[22,5;27,5> 25 10 70 0.09 250 6250
[27,5;32,5> 30 30 80 0.27 900 27000
[32,5;37,5> 35 20 110 0.18 700 24500
110 0.99 2750 74250
n1 + n 2 + n3 + n 4 + n 5 = 10 , n 2 = n 4 = 10 + n1 = n1 + n3 ⇒ n3 = 10
38
ESTADÍSTICA Y PROBABILIDADES I
b) MEDIA
X =
∑n X
i i
=
2750
= 25
n 110
MEDIANA
n 110
Me : = = 55 ≤ N 3
2 2
Nini
50
Me ∈ [22,5; 27,5> 10 …. 55 ; ⎛ 55 − 50 ⎞
Me = 22.5 + 5⎜ ⎟ = 25
⎝ 10 ⎠
MODA
nio
⎛ 30 − 2 ⎞
Mo [17,5;22,5> ..30 ; Mo = 17.5 + 5⎜⎜ ⎟⎟ = 19.17
⎝ (30 − 20 ) + (30 − 10 ) ⎠
VARIANZA
2
⎛ 2750 ⎞
74250 − ⎜ ⎟
⎝ 110 ⎠ 74250 − 68750
S =
2
= = 50.4587
109 109
DESVIACIÓN ESTÁNDAR
S = 50.4587 = 7,1034
COEFICIENTE DE VARIACIÓN
7,1034
CV = = 0,2841 → 28,41%, la dispersiòn de los datos es media
25
20% ≤ C V < 50%
39
ESTADÍSTICA Y PROBABILIDADES I
Yi = Xi + 0,2 Xi
Yi = 1,2 Xi ⇒ y = 1.2 x = 1.2 (25) = 30
V (Y ) = V (1,2 X ) = (1,2) 2V ( X ) = (1,2) 2 (10) 2 = 144; (V ( X ) = S x2 )
2
Sy = v (y) = s y
= 12
Solución:
Usemos interpolación lineal para determinar las frecuencias x, y
sea la frecuencia total nt = x + 10 + y
18 30
x y
. . .
17.5 22.5 27.5 32.5
30 10 30
n t = X + 10 + Y
X 22 ,5 − 18 X 4 ,5
= → = ⇒ X = 27 f t = frecuencia relativa
30 22 ,5 − 17 ,5 30 5
nt 52
Y 30 − 27 ,5 Y 2 ,5 ft = = = 0.4727
= → = ⇒ y = 15 ni 110
30 32 ,5 − 27 ,5 30 5
n t = 27 + 10 + 15 = 52
Respuesta: El porcentaje de datos que caen en [18,30] es 47,27%
40
ESTADÍSTICA Y PROBABILIDADES I
Solución
Sea n1 número de obreros y su media: x1 = 40
Sea n2 número de empleados y su media: x 2 = 50
El aumento para ambos: y = x + 20 ⇒ y = x + 20
Propiedad:
n x1 + n 2 x 2
x = 1
n1 + n2
Numero de obreros n1 = 0.10 n2
x =
( 0.10 n 2 ) x 1 + n 2 x 2 = 54
0.10n 2 + n 2 1.1
54
Sueldos actuales: y = x + 20 = + 20 = 69.09
1.1
Respuesta: sueldos actuales y = 69.09 u.m.
Solución:
Sean los sueldos: x1, x2, …. xn
La media de los sueldos
x = 500
Según las hipótesis: s = 50
y i = 1.5 x i + 20 ⇒ y = 1.5 x + 20 = 770
y i = $ 693
Respuesta: los sueldos reajustados
S y′ = $ 67.5
41
ESTADÍSTICA Y PROBABILIDADES I
Solución
. Salario promedio de n obreros antiguos: x1 = $ 500
. Salario promedio de n’ = 0.25n obreros incorporados
x 2 = 0.60 x 1 = 300
Salario promedio total
n x1 + n1 x 2 n (500) + 0.25n (300)
x = = = 460
n + n' n + 0.25n
a) Promedio total: y = x + 30 ⇒ y = x + 30 = 460 + 30 = 490
b) Si el aumento hubiera sido del 20%:
42
ESTADÍSTICA Y PROBABILIDADES I
Semana 4
5. n estudiantes se matricularon, cada cual, en un numero de créditos
cuya media y varianza son iguales a: $ 19,4 y $ 1,84 respectivamente.
Si cada estudiante pago el costo fijo de 20 dólares, mas 60 dólares por
cada crédito ¿Cuál es la madia y la varianza de los pagos que
realizaron los estudiante?
Solución:
Sean x1, x2,…….. xn créditos de cada uno de los estudiantes
Estudiante 1 = X1 créditos
Estudiante 2 = X2 créditos
Estudiante n = Xn créditos
x = 19.4
S 2 = 1.84
Por cada crédito paga un estudiante $60 más un costo fijo de $20
yi = 60 xi + 20
y = 60 x + 20 = 1184
V ( y ) = (60) 2 Vx = 60 2 × 1.84 = 624
Solución:
Para el termómetro A
S 0.027
CA = → = 2.2481× 10 −3 → 0.22%
X 12. 01
Para el termómetro B
S 0.014
CB = → = 1.1695 × 10 −3 → 0.12 %
X 11 .97
OBSERVACIONES
1. ()
La media x es influenciada por los valores extremos de un conjunto
de datos.
2. La media no es calculable en intervalos de clases abiertos en el primer
intervalo y en el último intervalo de datos clasificados.
3. La mediana es insensible a valores extremos.
4. La moda (Mo) puede ser unimodal, la bimodal (dos máximos), trimodal
(tres máximos).
5. La moda es significativa para un gran número de datos (no hay moda
cuando todo sea uniforme)
6. El valor de la moda es independiente de los valores extremos, es
inestable si se cambia o varía el intervalo de clase.
7. El coeficiente de variación se utiliza a menudo para comparar la
variabilidad de dos o más conjuntos de datos.
PERCENTILES
44
ESTADÍSTICA Y PROBABILIDADES I
P1 P2 Pi
Rango intercuartil Q3 – Q1
45
ESTADÍSTICA Y PROBABILIDADES I
OBSERVACIONES
Calcular Q1 , Q2 , Q3
Xi ($) ni Ni
⎛ 25 ⎞
Q1 = ⎜ ⎟ 10 = 2.5 ← Frec. acumulada
200 1 1 ⎝ 100 ⎠
Q1 1
300 1 2 Q1 = [300 + 400] = 350
2
400 1 3
⎛ 50 ⎞
500 1 4
Q2 = ⎜ ⎟ 10 = 5 ← Frec. acumulada
⎝ 100 ⎠
Q2 1
600 1 5
Q2 = [600 + 700] = 650
700 1 6 2
⎛ 75 ⎞
750 1 7 Q3 = ⎜ ⎟ 10 = 7.5 ← Frec. Acumulada
⎝ 100 ⎠
Q3
800 1 8 1
Q3 = [ 750 + 800] = 775
850 1 9 2
900 1 10
Q1: Indica que el 25% de las personas ganan a lo mas $ 350
Q2: Indica que el 50% de las personas ganan a lo mas $ 650
Q3: Indica que el 75% de las personas ganan a lo mas $ 825
46
ESTADÍSTICA Y PROBABILIDADES I
Xi ($) ni Ni ⎛ 10 ⎞
P10 : ⎜ ⎟ 33 = 3.3
⎝ 100 ⎠
P10 = 250
P10 150 3 3
⎛ 25 ⎞
Q1 : ⎜ ⎟ 33 = 8.25
250 4 7 ⎝ 100 ⎠
Q1
300 5 12 Q1 = 300
400 6 18 ⎛ 75 ⎞
Q3 Q3 : ⎜ ⎟ 33 = 24.75
⎝ 100 ⎠
550 7 25
Q 3 = 550
600 4 29
P90 ⎛ 90 ⎞
P90 : ⎜ ⎟ 33 = 29.7
700 3 32 ⎝ 100 ⎠
800 1 33 P90 = 700
33
Observamos que P10 = D1 , P25 = Q1 , P75 = Q3 , P90 = D9. Las
respuestas siempre se dan en forma razonada como en el ejemplo anterior
CASO III
EJEMPLO DE APLICACIÓN.- Se han medido las pulsaciones de un equipo
de atletas después de una carrera los datos obtenidos son; clasificados por
intervalos Ii, con sus respectivas frecuencias.
Solución:
Ii
Pulsaciones Xi ni Ni fi Fi
[70,75> 72.5 3 3 0.0698 0.0698
[75,80> 77.5 3 6 0.0698 0.1396
[80,85> 82.5 7 13 0.1628 0.3024
[85,90> 87.5 10 23 0.2326 0.5350
[90,95> 92.5 12 35 0.2791 0.8141
[95,100] 97.5 8 43 0.1860 1.0000
n=43 ∑fi=1.0000
47
ESTADÍSTICA Y PROBABILIDADES I
⎛ i ⎞
• Dado i, Pi: ⎜ ⎟n Pi ∈ ⎡⎣ Li, Li +1
⎝ 100 ⎠
⎛ ⎛⎜ i ⎞⎟ n − N i −1 ⎞
Pi = Li + C ⎜ ⎝ 100 ⎠ ⎟
⎜ ni ⎟
⎝ ⎠
⎛ 10 ⎞
• i = 10, P10: ⎜ ⎟ 43 = 4.3 Î P10 ∈ ⎣⎡75,80
⎝ 100 ⎠
⎛ 4.3 − 3 ⎞
P10 = 75 + 5 ⎜ ⎟ = 77.17
⎝ 3 ⎠
⎛ 25 ⎞
• i = 25, Q1= P25: ⎜ ⎟ 43 = 10.75 Î P25 ∈ ⎣⎡80,85
⎝ 100 ⎠
⎛ 10.75 − 6 ⎞
P25 = 80 + 5 ⎜ ⎟ = 83.39
⎝ 7 ⎠
⎛ 50 ⎞
• i = 50, Me = D5 = Q2 = P50: ⎜ ⎟ 43 = 21.5 Î Me ∈ ⎣⎡85,90
⎝ 100 ⎠
⎛ 21.5 − 13 ⎞
P50 = Q2 = D5 = Me = 85 + 5 ⎜ ⎟ = 89.25
⎝ 10 ⎠
⎛ 75 ⎞
• i = 75, Q3 = P75: ⎜ ⎟ 43 = 32.25 Î P75 ∈ ⎣⎡90,95
⎝ 100 ⎠
⎛ 32.25 − 23 ⎞
P75 = Q3 = 90 + 5 ⎜ ⎟ = 93.85
⎝ 12 ⎠
⎛ 90 ⎞
• i = 90, D9 = P90: ⎜ ⎟ 43 = 38.7 Î P90 ∈ ⎣⎡95,100
⎝ 100 ⎠
⎛ 38.7 − 35 ⎞
P90 =D9 = 95 + 5 ⎜ ⎟ = 97.31
⎝ 8 ⎠
48
ESTADÍSTICA Y PROBABILIDADES I
Pi = 87 ∈ 85 , 90
⎛ ⎛⎜ i ⎞⎟ 43 − 13 ⎞
P87 ∈ ⎣⎡85,90 Î 87 = 85 + 5 ⎜ ⎝ 100 ⎠ ⎟
⎜ 10 ⎟
⎝ ⎠
i = 39.53%
El rango percentil 39.53% de los atletas tienen pulsaciones menores o
iguales a 87 pulsaciones
MEDIDAS DE ASIMETRÍAS
SESGO DE PEARSON
La simetría de los gráficos unimodales indica la dirección de la dispersión
de los datos denominándose sesgo de Pearson. Este índice muestra la
deformación horizontal de los datos o el sesgo de la grafica de los mismos.
1.
49
ESTADÍSTICA Y PROBABILIDADES I
x - Mo
≈ x - Me ⇒ Mo ≈ x − 3( x − Me)
3
Sustituyendo en la formula anterior obtenemos
3( X − Me)
SP ≈
S
El sesgo de Pearson (SP) como se observa es una medida positiva o
negativa, diríamos es un valor que excede a la simetría
MEDIDA DE CURTOSIS
1 ⎛ Q − Q1 ⎞
k= ⎜ 3 ⎟
2 ⎝ P90 − P10 ⎠
50
ESTADÍSTICA Y PROBABILIDADES I
51
ESTADÍSTICA Y PROBABILIDADES I
EJERCICIOS PROPUESTOS
52
ESTADÍSTICA Y PROBABILIDADES I
53
ESTADÍSTICA Y PROBABILIDADES I
54
ESTADÍSTICA Y PROBABILIDADES I
Se pide:
a) Número de clase por la fórmula de Sturges y la amplitud de
las clases
b) ¿Cuáles son los intervalos de clase? (inicie en 30)
c) Trazar el histograma y el polígono de frecuencias
d) Determinar la media, mediana y la moda
e) Determinar el 3er cuatil, 7mo decil, 55vo percentil
f) Calcular el rango percentil de la calificación 80
g) Calcular el sesgo de Pearson y curtosis e indicar el tipo en
ambos casos.
55
ESTADÍSTICA Y PROBABILIDADES I
5. Los elementos datos son los haberes básicos del mes de abril de
20 empleados de un Ministerio:
210 200 220 150 190 100 160 150 170 190
150 180 230 210 160 140 180 120 200 190
Determinar:
a) Los datos que faltan sabiendo que la media aritmética es
0.61
b) La mediana y moda
57
ESTADÍSTICA Y PROBABILIDADES I
Se pide:
a) Formar la tabla de distribución de frecuencias, (frecuencias
relativas, frecuencias acumuladas) sabiendo que el extremo
inferior del primer intervalo es 70.
b) Dibujar el histograma y el polígono de frecuencias
absolutas. Calcular la moda.
c) ¿Entre qué dos percentiles esta comprometido un
coeficiente intelectual de 98.4?. Encontrar el valor de
ambos percentiles.
Al mismo grupo de alumnos se le hace una prueba de
rendimiento, los resultados nos viene dados en el gráfico
siguiente:
20
16
10
4 6 8 10 X
58
ESTADÍSTICA Y PROBABILIDADES I
10 300
400
23 350
17
110 1,100
59
ESTADÍSTICA Y PROBABILIDADES I
Xi ni Ni niXi
10 300
18 400
23 350
17
[ ,120> 4 440
50
Total
[60,100 > 5
[100,150 > 10
[150,210 > 20
[210,250 > 8
[250,260 > 7
400 392 358 304 108 156 483 60 360 168 448 224 576 384 194 216 120
280 232 72 264 168 128 256 72 136 168 308 340 64 480 114 80 246
224 184 104 112 184 152 536 224 464 72 154 152 168 288 264 208 168
62
ESTADÍSTICA Y PROBABILIDADES I
Puntos [35,45 > [45,55 > [55,65 > [65,75 > [75,85 > [85,95 >
Nº de 1 3 8 3 3 2
alumnos
Peso
en Kgr. [40,45 > [45,50 > [50,55 > [55,60 > [60,65 > [65,70 >
Nº de 4 10 15 8 5 3
Alumnos
63
ESTADÍSTICA Y PROBABILIDADES I
TOTAL 60 60
64
ESTADÍSTICA Y PROBABILIDADES I
65
ESTADÍSTICA Y PROBABILIDADES I
66
ESTADÍSTICA Y PROBABILIDADES I
Semana 5
PROBABILIDAD
INTRODUCCIÓN
67
ESTADÍSTICA Y PROBABILIDADES I
Exp. S E
0 1
0 ≤ P(E ) ≤ 1
68
ESTADÍSTICA Y PROBABILIDADES I
EVENTOS ESPECIALES
Es el llamado evento imposible Ф, P(Ф) = 0
evento seguro S, P(S) = 1
ALGEBRA DE EVENTOS
Tiene Similitud con el álgebra de conjuntos. Las operaciones posibles en
eventos son:
* Unión ( ∪ )
* Intersección ( ∩ )
* Complementación (‘)
Sean A y B eventos en S:
1.- A ∪ B: evento que ocurre si y solo si y solo si A ocurre ó B ocurre.
2.- A ∩ B: evento que ocurre si y solo si A ocurre y B ocurre.
3.- A’ (Ac): evento que ocurre si A no ocurre.
PRINCIPIO DE LA DUALIDAD
Es la relación que tiene el evento imposible con el evento seguro.
S’ = Ф Ф‘=S
69
ESTADÍSTICA Y PROBABILIDADES I
Solución:
a) A1 ∪ A2 ∪ A3 ∪ A4
b) A1 ∩ A2 ∩ A3 ∩ A4
c) A1’ ∩ A2’ ∩ A3’ ∩ A4’
d) (A1’ ∩ A2 ∩ A3 ∩ A4) ∪ (A1 ∩ A2’ ∩ A3 ∩ A4) ∪ (A1 ∩ A2 ∩
A3’ ∩ A4) ∪ (A1 ∩ A2 ∩ A3 ∩ A4’)
70
ESTADÍSTICA Y PROBABILIDADES I
Solución:
• Sean los jurados: A1 , A2 , A3 , A4
• Maneras de elegir
a dos jurados A1 A2 A2 A3 A3 A4
A1 A3 A2 A4
A1 A4
S = {A1 A2 , A2 A3 , A3 A4 , A1 A3 , A2 A4 , A1 A4 }
Solución:
• Cuando se elige un estudiante se tiene dos posibilidades : 21
Cuando se elige dos estudiantes se tiene cuatro posibilidades : 22
Cuando se elige tres estudiantes se tiene ocho posibilidades : 23
Cuando se elige cuatro estudiantes se tiene dieciséis
posibilidades : 24
71
ESTADÍSTICA Y PROBABILIDADES I
4to Est S1 S2
3er Est HHHH 0
H
2do Est HHHM 1
HHMH 1
1er Est H M
H HHMM 2
M
H HMHH 1
M H H
HMHM 2
H
H HMMH 2
M M
M HMMM 3
H
H
H M H MHHH 1
M
MHHM 2
M M
M H H MHMH 2
M MHMM 3
M H
MMHH 2
MMHM 3
M
MMMH 3
MMMM 4
S 2 = {0, 1, 2, 3, 4}
72
ESTADÍSTICA Y PROBABILIDADES I
3ra
S
2da Y YYY
1ra Y YYN
N Y
YNY
Y
N
N YNN
Y NYY
N Y
NYN
N
N Y NNY
NNN
N
73
ESTADÍSTICA Y PROBABILIDADES I
M T
5 7
4
1
2
3
6 8
Solución
M: e. de que tendrán problemas mecánicos
T: e. de que recibirán una infracción por cometer una violación de
tránsito.
V: e. de que lleguen a un campamento totalmente ocupado
a) Región 5: e. de que tendrán problemas mecánicos, pero no
recibirán una infracción por cometer una violación de transito y
tampoco llegará a un campamento totalmente ocupado.
b) Región 3: e. la familia recibirá una infracción por cometer una
violación de tránsito y llegará a un campamento totalmente
ocupado pero no tendrá problemas mecánicos.
c) Regiones 1 y 2 juntas: e. la familia tendrá problemas mecánicos y
llegará a un campamento totalmente ocupado
d) Regiones 4 y 7 juntas: e. la familia no llegará a un campamento
totalmente ocupado pero recibirá una infracción por cometer una
violación de tránsito.
e) Regiones 3, 6, 7 y 8 juntas: e. la familia no experimentará
problemas mecánicos.
74
ESTADÍSTICA Y PROBABILIDADES I
Solución
a) 6. b) 2. C) 2, 5, 6. d) 4, 5, 7, 8
Solución
a) M ∩ (V ∪ T ) ' ; b) (V ∩ T ) ∩ M ' ; c) M ∩ V ; d) V ′ ∩ T ; e) M '
Solución
• Existen cinco terminales de los cuales dos son defectuosas y tres
buenas; esto indica que podemos hacer una combinatoria
5 5!
C 2 = 2! 3! = 10 existen 10 posibilidades de enviar el pedido.
• El espacio muestral lo determinamos del modo siguiente.
75
ESTADÍSTICA Y PROBABILIDADES I
D1 D2 B1 B2 B3
D1 D2 , D1 B1 , D1 B2 , D1 B3
⎧⎪D1 D2 , D1 B1 , D1 B2 , D1 B3 , D2 B1 ,⎫⎪ D2 B1 D 2 B2 D 2 B3
S =⎨ ⎬
⎪⎩D2 B2 , D2 B3 , B1 B2 , B1 B3 , B2 B3 ⎪⎭ B1 B2 B1 B3
B2 B3
76
ESTADÍSTICA Y PROBABILIDADES I
Semana 6
PROBABILIDAD DE UN EVENTO
Sea S un espacio muestral asociado a un experimento:
Sea A un subconjunto (evento) de S.
P: A [0,1]
Se lee: P de A (P(A)) llamada probabilidad del evento A que satisface
los tres axiomas siguientes:
1. la probabilidad 0≤P(A) ≤1 A ⊆ S
2. P(S)=1
3. (aditividad finita) si A1, A2,….. An eventos en S, disjuntos dos a dos (ó
mutuamente excluyentes) Ai ∩ Aj =ǿ
i≠j
La probabilidad de la unión es. P ( A1 ∪ A2 ∪ ... ∪ An ) = Σni=1 P (A;)
n
P ( A1 ∪ A2 ∪ ... ∪ An ) = P( A1 ) + P( A2 ) + ... + P( An ) = ∑ P( Ai )
i =1
OBSERVACIÓN:
nA
fA = nA: número de elementos del evento A en S
nS
nS:: número de elementos del espacio muestral S
1.- 0 ≤ fA ≤ 1
n
2.- f S = S = 1
nS
n +n
3.- f ( A1 ∪ A2 ) = A1 A2 = f A1 + f A2
nS nA1 ∪ nA2 nA1 nA2
f A1 U A2 = = + = f A1 + f A2
n A1 n A 2 ns ns ns
+ → f A1∪ A 2 = f A1 + f A 2
nS nS
77
ESTADÍSTICA Y PROBABILIDADES I
Demostración:
Propiedad (A U Ø) = A
P(A U Ø) = P(A)
Axioma 3 P(A) + P (Ø) = P(A)
P (Ø) =0
2. Si A ⊂ es complemento de A ⇒ P ( A ⊂ ) = 1-P(A).
Demostración:
Sea A un evento en S
Propiedad: A ⊂ U A =S
P ( A ⊂ U A) = P(S)
Ax 3 y Ax2 P ( A ⊂ ) +P(A) =1
P ( A ⊂ )=1-P(A)
Demostración:
Usando propiedades:
A ∪ B = A ∪ (A’ ∩ B) .
P (A ∪ B) = P (A) + P (A’ ∩ B)
A ‘∩ B = (S - A) ∩ B
=B-A ∩ B
P (A ∪ B) = P (A) + P (B - A ∩ B)
P (A ∪ B) = P (A) + P (B) - P (A ∩ B) A′∩ B
78
ESTADÍSTICA Y PROBABILIDADES I
4. Si A ⊂ B ⇒ P(A) ≤ P (B)
Demostración: (ejercicio)
Solución
Según el enunciado existen dos generadores defectuosos y tres buenos
por que en total son cinco: Di: defectuosos; Bi: buenos
D1 D2 B1 B2 B3
79
ESTADÍSTICA Y PROBABILIDADES I
Solución:
Sean los eventos:
B: e. de que el estudiante haya estudiado biología
G: e. de que el estudiante haya estudiado geología
A: e. de que el estudiante haya estudiando astronomía
a) {B ∪ G ∪ A}
P(B ∪ G ∪ A) = P( B) + P(G ) + P( A) − P( B ∩ G ) − P( B ∩ A )
− P(G ∩ A) + P( B ∩ G ∩ A)
60 20 10 15 7 3 3 68
= + − − − + =
100 + 100 100 100 100 100 100 100
b) {A'∩( B ∩ G )}
P( A'∩( B ∩ G )) = P( B ∩ G ) − P( A ∩ B ∩ G )
15 3 12
= − =
100 100 100
c) {A ∩ ( B ∪ G )'}
P ( A ∩ ( B ∪ G ) ') = P ( A) − P ( A ∩ ( B ∪ G )) = P ( A) − P( A ∩ B)
− P( A ∩ G ) + P( A ∩ B ∩ G )
10 7 3 3 3
= − − + =
100 100 100 100 100
81
ESTADÍSTICA Y PROBABILIDADES I
Solución:
• El examen contiene 10 preguntas: X i , i = 1,2, …,10
1
• Cada pregunta tiene éxito Ei; luego cada Ei; P(Ei ) =
2
• Probabilidad total de éxitos independientes.
1
P(E1 , E 2 ,..., E10 ) = 10
2
Solución:
• De acuerdo a las hipótesis definamos los siguientes eventos.
O: e. obstrucción de los cojinetes
C: e. combustión del embobinado
D: e. desgaste de las escobillas
• Condiciones del enunciado:
P(O ) = 2 P(C )
P(C ) = 4 P( D)
82
ESTADÍSTICA Y PROBABILIDADES I
Solución:
Sean los siguientes eventos según el enunciado
5
a) A = {2,4,6}; P( A) = P(2) + P (4) + P(6) =
12
83
ESTADÍSTICA Y PROBABILIDADES I
Solución:
• Según el enunciado asignemos la probabilidad w cuando
aparecen un 3, un 4 y un 6, cuando aparece 5 será 3w y cuando
aparece 1, 2 (3w), cuando aparece 2, 2(3w); tenemos luego las
asignaciones.
1 2 3 4 5 6
6w 6w w w 3w w
Solución:
• Sean los eventos
F: e. falla en la línea I: P(F)=0.2
E: e. emergencia la línea II; P(E)=0.2
D: e. desviación de la línea III; P(D)=0.2
84
ESTADÍSTICA Y PROBABILIDADES I
Solución:
• Sean los eventos de no falla: A1, A2, A3, A4, los cuales son
independientes.
• El aparato funciona al menos con 3 piezas, esta hipótesis induce
a pensar que con 4 piezas también funciona luego.
• Sea el evento el aparato funciona: F y F’ evento de que no
funciona.
A B C D
F = ( A1 A2 A3 A4 ) ∪ (( A1 A2 A3 )A' 4 ) ∪ (( A1 A2 A4 )A'3 ) ∪ (( A1 A3 A4 )A' 2 )
E
∪ (( A2 A3 A4 )A'1 )
P ( F ) = P( A) + P( B) + P(C ) + P( D) + P( E ) = (0.999) + 4(0.999) 0.001
4 3
= 0.999994008
P ( F ' ) = 1 − 0.999994008 = 0.000001
85
ESTADÍSTICA Y PROBABILIDADES I
Solución:
F: e. de que estudiantes fuman
B: e. de que estudiantes toman bebidas alcohólicas
A: e. de que estudiantes toman alimentos entre comidas
S
{( A ∩ B ) ∩ F '}
210
a)
P(( A ∩ B ) ∩ F ') = P( A ∩ B ) − P( A ∩ B ∩ F ) F 122
B
83 52 31 97 52
= − = 83 258
500 500 500
216 A
{F '∩ A'}
b)
P(F '∩ A') = P(F ∪ A)' = 1 − P(F ∪ A)
= 1 − [P ( F ) + P( A) − P( F ∩ A)]
171
=
500
87
ESTADÍSTICA Y PROBABILIDADES I
88
ESTADÍSTICA Y PROBABILIDADES I
Semana 7
PROBABILIDAD CONDICIONAL
La probabilidad de ocurrencia de un evento tiene sentido cuando hemos
definido un espacio muestral específico.
Por ejemplo determinar la probabilidad de que un ingeniero gane al menos
S/.10,000 mensuales no tiene sentido si no hemos especificado el universo
o espacio muestral la que pertenece, tendrá sentido si solamente definimos
el espacio muestral esto es: a todos los ingenieros del Perú que forman parte
de la industria, a los que laboran en una universidad, etc.
A∩ S = A
• Consideremos el evento A referido o condicionado a otro evento B,
ambos inmersos en el espacio muestral S
S
P( A ∩ B )
P( A / B ) = , P (B ) > 0
P (B ) A B
A∩ B ≠ ∅
89
ESTADÍSTICA Y PROBABILIDADES I
Solución:
Espacio muestral S = {1,2,3,4,5,6}
Evento A = {3}
P ( A ∩ S ) P ( A) 1 / 6 1
P( A / S ) = = = =
P(S ) 1 1 6
b) Consideremos ahora el evento anterior A referido o condicionado
al evento B el cual está definido por los números impares.
Solución:
S = {1,2,3,4,5,6}
B = {1,3,5}
A ∩ B = {3}
A = {3}
P( A ∩ B ) 1 / 6 1
P( A / B ) = = =
P (B ) 3/ 6 3
OBSERVACIÓN
1. La probabilidad condicional cumple con los tres axiomas de
probabilidad.
2. Cómo se muestra en el diagrama anterior utilizando la probabilidad
condicional definimos la probabilidad de un producto de eventos y la
independencia de eventos.
EJERCICIOS DE APLICACIÓN
90
ESTADÍSTICA Y PROBABILIDADES I
Solución:
a) Espacio muestral por extensión; S = {(1,1), (1,2),..., (6,5), (6,6 )}
Espacio muestral por comprensión; S = {( X,Y ) / X = 1,2,...,6yY = 1,2,...,6}
como un entendimiento del ejemplo graficar {( X i , Y1 )}i = 1,2,...,6
y luego definir los eventos A, B y C por extensión.
b) Los eventos por extensión
A = {(5,1), (4,2), (3,3), (2,4),..., (6,6)}; n A = 26
n A∩ B = 4
B = {(1,1), (2,2),..., (6.6)}; n B = 6
n A∩C = 16
C = {(1,1), (1,2),..., (6,1), (6,2)}; nc = 26
n A∩ B 4
P( A ∩ B ) = =
nS 36
P ( A ∩ B ) = P ( A ) + P (B ) − P ( A ∩ B )
n n n
= A + B − A∩ B
nS nS nS
26 6 4
= + −
36 36 36
28
=
36
P( A ∩ B ) 4 / 36 4
P( A / B ) = = =
P (B ) 6 / 36 6
P( A ∩ C ) 16 / 36 16
P( A / C ) = = =
P(C ) 26 / 36 26
91
ESTADÍSTICA Y PROBABILIDADES I
Solución:
Sean los eventos:
H: Evento de que el individuo sea hipertenso.
N: Evento de que el individuo sea no hipertenso.
E: Evento de que el individuo sea fumador empedernido.
F: Evento de que el individuo sea un no fumador.
M: Evento de que el individuo sea un fumador moderado.
Solución:
A: Evento de que el avión llegue a tiempo, P(A)
D: Evento de que el avión despegue a tiempo, P(D)
P (A) = 0.82
P (D) = 0.83
P (D∩A) = 0.78
92
ESTADÍSTICA Y PROBABILIDADES I
Solución:
Sean los eventos según enunciado del problema
A: e. cambio de aceite ; P(A) = 0.25
B: e. filtro nuevo ; P(F) = 0.40
A ∩ F : e. Cambio de aceite y filtro nueve ; P( A ∩ B ) = 0.14
a) Evento de que requiere filtro nuevo que cambia aceite: {F / A}
P( A ∩ F ) 0.14 14
P (F / A) = = =
P ( A) 0.25 25
b) Evento cambio de aceite dadoque requiere filtro nuevo: {A / F }
P( A ∩ F ) 0.14 7
P( A / F ) = = =
P (F ) 0.40 20
Solución:
Sean los eventos según enunciado del problema
L : e. tenga placa de Lima ; P( L) = 0.14
A : e. de acampar en Arequipa ; P ( A) = 0.30
L ∩ A : e. tenga placa de Lima y acampe en Arequipa :
P(L ∩ A) = 0.10
M P
Sean los eventos según el enunciado del problema 25
22 68
M: e. de que la persona estudie matemática 10
94
ESTADÍSTICA Y PROBABILIDADES I
95
ESTADÍSTICA Y PROBABILIDADES I
EJERCICIOS DE APLICACIÓN
96
ESTADÍSTICA Y PROBABILIDADES I
Solución
Sean los eventos según el enunciado
E1: e. de que no falle; P(E1)=0.7
E2: e. de que no falle; P(E2)=0.8
E1 ∪ E2: e. de que alumnos uno no falle; P(E1 ∪ E 2 ) = 0.94
P(E1 ∪ E 2 ) = P(E1 ) + P(E 2 ) − P(E1 ∩ E 2 )
0.94 = 0.7 × 0.8 − P(E1 ∩ E 2 )
P(E1 ∩ E 2 ) = 0.7 + 0.8 − 0.94 = 0.56
Solución:
1ero
Sin reposición
2do
97
ESTADÍSTICA Y PROBABILIDADES I
P ( D1 ∩ D 2 ) = P ( D1 ) P ( D 2 / D1 )
5 4 1
= * =
20 19 19
Solución:
o Total de litros en el congelador: 20
o Litros de leche malograda: 5
o Litros de leche consumible: 20 – 5 = 15
P ( A1 ∩ A2 ∩ A3 ∩ A4 ) = P ( A1 ) P ( A2 / A1 ) P ( A3 / A1 ∩ A2 ) P ( A4 / A1 ∩ A2 ∩ A3 )
15 14 13 12 91
× × × =
20 19 18 17 323
P ( A1 ∩ A 2 ∩ .... ∩ A n ) = P ( A1 ) P ( A 2 / A1 ).....
... P ( A n / A1 ∩ A 2 ∩ .... ∩ A n −1 )
98
ESTADÍSTICA Y PROBABILIDADES I
99
ESTADÍSTICA Y PROBABILIDADES I
100
ESTADÍSTICA Y PROBABILIDADES I
Semana 8
PROBABILIDAD DE INDEPENDENCIA DE EVENTOS
P( A1 ∩ A2 ∩ ... ∩ AK ) = P( A1 ) P( A2 )...P( AK )
EJERCICIOS DE APLICACIÓN
Solución:
Sean los eventos según enunciado del problema
A1: e. de que el carro 1 esté disponible; P(A1)=0.96
A1: e. de que el carro 2 esté disponible; P(A2)=0.96
A1 y A2 eventos independientes, luego P(A1 ∩ A2)=P(A1) P(A2)
101
ESTADÍSTICA Y PROBABILIDADES I
{A1 ∪ A2 }; P( A1 ∪ A2 ) = P( A1 ) + P( A2 ) − P( A1 ∩ A2 )
b) = 0.63 + 0.96 - 0.96 × 0.96
= 0.9984
Solución:
Sean los eventos A1, A2, A3, A4, que representan las piezas electrónicas
elegidas al azar e independientes.
• Las piezas {Ai }i =1,...4 : eventos de que falle P( Ai ) = 0.001
Evento de que no falle P( A'i ) = 0.999
• E: e. de que el aparato funcione por lo menos con 3
piezas E ' : e. de que el aparato no funcione
E ∪ E ' = S , P ( E ') = 1 − P ( E )
E = A'1 A'2 A'3 A'4 ∪A1A'2 A'3 A'4 ∪A'1 A2 A'3 A'4 ∪A'1 A'2 A3A'4 ∪A'1 A'2 A'3 A4
•
M N O P Q
102
ESTADÍSTICA Y PROBABILIDADES I
Solución:
a) Según el circuito podemos b) Según el circuito podemos
definir 5 eventos Ai por donde definir 6 eventos Ai por donde
pasa corriente I a O pasa corriente de I a O
{( A4 ∩ A5 ) ∪ A3 ∪ ( A1 ∩ A2 )} (( A1 ∩ A2 ) ∪ A3 ) ∪ (( A5 ∩ A6 ) ∪ A4 )
P{( A4 ∩ A5 ) ∪ A3 ∪ ( A1 ∩ A2 } P(( A1 ∩ A2 ) ∪ A3 ) ∪ (( A5 ∩ A6 ) ∪ A4
= P + 2P 2 − 2P 3 − P 4 + P 5 = P + 3P 2 − 4 P 3 − P 4 + 3P 5 − P 6
Solución:
Sean los tres equipos de radar constituidos por los eventos
A1, A2, A3: e. que detectan a cualquier avión independientemente
P(A1)= P(A2)= P(A3)= 0.02, probabilidad de no detectar
103
ESTADÍSTICA Y PROBABILIDADES I
DEMOSTRACIÓN:
A1 A2 ………… Ai ……………An
P(Ai) →
P(B/Ai) →
B = ( A1 ∩ B ) ∪ ( A2 ∩ B ) ∪ .........( An ∩ B )
P(B ) = P( A1 ∩ B ) + P( A2 ∩ B ) + ........ + ( An ∩ B )
= P( A1 )P(B / A1 ) + P( A2 )P(B / A2 ) + .................... + P( An )P(B / An )
n
P(B ) = ∑ P( Ai )P(B / Ai )
i =1
TEOREMA DE BAYES
P( Ai ∩ B ) P( Ai )P(B / Ai )
P( Ai / B ) = = ; i = 1,2,....., n
P (B ) ∑ P( Ai )P(B / Ai )
EJERCICIOS DE APLICACIÓN
Solución:
P( A3 )P(B / A3 ) 0.10 × 0.65
P( A3 / B ) = = = 0.0743
P (B ) 0.875
Solución:
L1 L2 L3 L4
P(Li) 0.40 0.30 0.20 0.30
Solución:
= = = = 0.11
106
ESTADÍSTICA Y PROBABILIDADES I
3. En una cierta región del país se sabe que por experiencia pasada que
la probabilidad de seleccionar a un adulto mayor de 40 años de edad
con cáncer es de 0.02. Si la probabilidad de que un medico le
diagnostique correctamente a una persona con cáncer que tiene la
enfermedad es de 0.75 y la de que se equivoque de 0.06. ¿Cuál es la
probabilidad de que una persona se le diagnóstica cáncer?
Solución:
C: Evento de que una persona tenga cáncer.
C’: Evento de que una persona no tenga cáncer.
D: Evento del diagnostico.
Solución:
107
ESTADÍSTICA Y PROBABILIDADES I
EJERCICIOS PROPUESTOS
108
ESTADÍSTICA Y PROBABILIDADES I
a) Ocurre solo A
b) Ocurre solo A y B
c) Ocurren los tres eventos
d) Por lo menos ocurre un evento
a) Se ha producido solamente A
b) Se ha producido A y B, en tanto C no se ha producido
c) Se han producido los tres sucesos.
d) Se han producido al menos uno de los sucesos.
e) No se ha producido ninguno de los sucesos.
109
ESTADÍSTICA Y PROBABILIDADES I
Y = ( AC ∩ B ) ∪ ( A ∩ D ) Z = ⎡( A ∪ B) ∩ C ⎤ ∪ ( A ∩ B ∩ D) .
C
⎣ ⎦
Demostrar que para cualquier evento D.
a) A ∩ X = A ∩ B
b) A ∪ Y = A ∪ B
c) ( A ∩ B ) ∪ Z = ( A ∪ B ) ∩ (B ∪ C )
a) Un número par.
b) Un número menor que cinco.
c) Un numero par o menor que cinco.
a) 15 centavos?
b) 40 centavos?
c) Un dólar?
d) Mas de 50 centavos?
a) 18?
b) 16?
c) Mayor que cuatro?
110
ESTADÍSTICA Y PROBABILIDADES I
a) Un total de cuatro?
b) Un total par?
c) Un total impar?
111
ESTADÍSTICA Y PROBABILIDADES I
15. Cierto tipo de motor eléctrico falla por obstrucción de cojinetes por
combustión del embobinado o por desgaste de las escobillas. Suponga
que la probabilidad de la obstrucción es doble que la de la combustión,
la cual es 4 veces más probable que la inutilización de la escobilla
¿cual es la probabilidad de que la falla sea por cada uno de estos
mecanismos?
112
ESTADÍSTICA Y PROBABILIDADES I
20. Suponga que una bolsa contiene 10 esferas marcadas con los números
1, 2, 3,……, 10. Sea E el evento de extraer una esfera marcada con un
numero par y F el evento de extraer una esfera marcada con un numero
5 o mayor, ¿son E y F mutuamente excluyentes? Calcule P( EUF)
113
ESTADÍSTICA Y PROBABILIDADES I
2. Supóngase que A y B son 2 eventos tales que P(A) = 1/3, P(B) =1/5 y
P(A/B) + P(B/A) = 2/3. Calcular P AC ∪ BC
( )
3. Se sabe que P(A) = 1/3, P(A/B) = 1/3, P(B/A) = 1/3. Determinar cuales
de las siguientes afirmaciones son verdaderas:
a) A y B son independientes
b) A ⊂ B
c) A y B son mutuamente excluyentes
d) P AC BC = 2 3
( )
114
ESTADÍSTICA Y PROBABILIDADES I
6. Ocho boletos con los números 111, 121, 122, 122, 211, 212, 212, 221
están dentro de un sombrero, revuelto. Si se va a seleccionar uno al
azar, muéstrese que los eventos A: “El primer digito del boleto
seleccionado será 1”; B: “El segundo digito del boleto seleccionado será
12”; C: “El tercer digito del boleto seleccionado será 1”, no son
independientes por parejas aun cuando: P( A∩ B ∩C ) = P( A) P( B ) P( C )
a) A y B C
b) AC y B
c) AC y B C
Son eventos independientes
115
ESTADÍSTICA Y PROBABILIDADES I
0.8
0.8
0.9 0.99
0.9
0.9
I II III
11. Tres estudiantes A, B y C están inscritos en la misma clase. Supóngase
que A asiste a clase 30% de las veces, B 5% y C 80%. Si estos
estudiantes asisten a clase independientemente uno del otro, ¿Cuál es la
probabilidad de que:
a) Calcular P(A)
b) Calcular la probabilidad de que el relevador 1 cierre en forma
correcta,
dado que se sabe que la corriente pasa de (a) a (b).
2
a b
116
ESTADÍSTICA Y PROBABILIDADES I
R2
R5 D
R4
a R1 b
R3
118
ESTADÍSTICA Y PROBABILIDADES I
119
ESTADÍSTICA Y PROBABILIDADES I
1. Considere dos urnas, uno con tres pelotas de color rojo y siete de color
blanco, la otra con seis pelotas de color rojo y seis de color blanco. Si
se elige una urna al azar y después se saca una pelota ¿Cual es la
probabilidad de que sea color rojo?
2. Fernando López conoce una nueva chica en la mitad de las fiestas a las
que asiste. Tres cuartas partes de las veces que conoce a una nueva
joven, se divierte, pero la probabilidad de que se divierta cuando no
conoce una nueva chica es solamente de 0.10. Fernando López acaba
de decir que se esta divirtiendo ¿Cuál es la probabilidad de que haya
conocido una nueva joven?
120
ESTADÍSTICA Y PROBABILIDADES I
121
ESTADÍSTICA Y PROBABILIDADES I
122
ESTADÍSTICA Y PROBABILIDADES I
a) B mate a A.
b) Ambos salgan ilesos?
c) A salga ileso sabiendo que hubo tres disparos?
d) A haya disparado dos veces sabiendo que salio ileso?
123
ESTADÍSTICA Y PROBABILIDADES I
124
ESTADÍSTICA Y PROBABILIDADES I
Semana 11
VARIABLES ALEATORIAS
Experimento Espacio
Rango Probabilidad [0,1]
aleatorio muestral
IR
X P
w X (W) = x
Exp. Aleat.
0 1
IRX
0 ≤ P (X (W) = x ) ≤ 1
X ⊆ IR
IR
Ρ0 X
(P 0 X ) (w) = P (X (w) = x ) = p (X = x) ∈ 0;1
125
ESTADÍSTICA Y PROBABILIDADES I
P (x)
X
0
126
ESTADÍSTICA Y PROBABILIDADES I
1.- f (x) ≥ 0
1.- P (x) ≥ 0
∞
∞
2.- ∑ P (x )
i =1 2.- ∫ f(x) d (x) =1
−∞
−∞
127
ESTADÍSTICA Y PROBABILIDADES I
real)
∞
E (X) = ∑ x i p (x i ) = μ
-∞
E (X - μ ) = Ex 2 - μ 2 = σ 2
2
Demostración:
E (X - μ ) 2 (
= E x 2 - 2xμ + μ 2 )
= EX - 2 μ EX
2
{ + Eμ
2
= EX 2 - 2 μμ + μ 2
∴ E (X - μ ) = EX 2 - μ 2
2
Lqqd!
EJERCICIOS DE APLICACIÓN
1. Sea X variable aleatoria que da el número de caras menos el número de
sellos en tres lanzamientos de una moneda. Determine los elementos
del espacio muestral, así mismo los valores de la variable aleatoria.
128
ESTADÍSTICA Y PROBABILIDADES I
Solución:
X: nc - ns ; nc: numero de caras , ns: numero de sellos
• Determinación del espacio muestral:
CCC
C
C
CCS
S
C CSC
C S CSS
S
Exp. Aleatoria X SCC
C
C
S SCS
S SSC
C
S SSS
S
21 22 23
X (ccc) = 3 - 0 = 3
X (ccs) = X (csc) = X (scc) = 2 - 1 = 1
X (css) = X (scs) = X (ssc) = 1 - 2 = -1
X (sss) = 0 – 3 = -3
129
ESTADÍSTICA Y PROBABILIDADES I
• Distribución de probabilidades de X:
X (w i ) = x i x1 x2 x3 x4
-3 -1 1 3
P(x(xi) = xi P(x)) 1 3 3 1
8 8 8 8
P(x1) P(x2) P(x3) P(x4)
1 3 1 3 8
2. ∑ P( x ) = 8 + 8 + 8 + 8 = 8 = 1 // Si no cumple con esta propiedad.
i
1 3 3 1
3. P( x = −3) = ; ; ; ∈ [ 0 :1]
8 8 8 8
P (xi )
f (x)
3/8
n →∞
1/8
x
‐3 ‐2 ‐1 1 2 3 x
130
ESTADÍSTICA Y PROBABILIDADES I
⎧ 0 : x < -3
⎪1
⎪ 8 : -3 ≤ x < 1
⎪⎪
F (x) ⎨ 4 : -1 ≤ x < 1
8
⎪
⎪7 8 : 1 ≤ x < 3
⎪
⎩⎪ 1 : x ≥ 3
∑x ∑x
2
i P (x i ) = 0 i P(x i ) = 24/8
131
ESTADÍSTICA Y PROBABILIDADES I
∞ 4
⎛1⎞ ⎛3⎞ ⎛3⎞ ⎛1⎞
μ= ∑ x P(x ) = ∑ x P(x ) = (- 3) ⎜⎝ 8 ⎟⎠ + (- 1) ⎜⎝ 8 ⎟⎠ + (1) ⎜⎝ 8 ⎟⎠ + (3) ⎜⎝ 8 ⎟⎠ = 0
-∞
i i
I =1
i i
σ 2 = EX 2 - μ 2
= EX i2 P(x i ) - μ 2
σ = σ2
• Desviación Estándar o Típica:
σ = 3
f (x) = c (x2 + 4) : x = 0, 1, 2, 3
Solución:
Usamos las condiciones de una función de cuantía
1. P(x) = f(x) ≥ 0 ⇒ c(x 2 + 4) ≥ 0 ⇒ C ≥ 0
2. ∑ P(x ) 1 [( 2
) ( 2
) (
= 1 ⇒ c x i `+ 4 + x 2 + 4 + x 3 + 4 + x 4 + 4 = 1
2
) ( 2
)]
0 1 2 3
= c[4 + 5 + 8 + 13] = 1
c (30) = 1
1
∴c =
30
132
ESTADÍSTICA Y PROBABILIDADES I
x = 0 : f(0) =
1 2
30
0 +4 ( )= 30
4
x = 1 : ¨f(1) =
1 2
30
(
1 + 4 ) =
5
30
3.
x = 2 : f (2) =
1 2
30
(
2 +x4 ) =
8
30
x = 3 : f(3) =
30
(
1 2
3 + 4 ) =
13
20
f(xi) 4 5 8 13
30 30 30 30
∑ f(x ) = 1
i ∑ xif(xi) = 60/30 ∑x i
2
f(x i ) = 154/30
60
∴ μ = ∑ xi f(xi) = = 2
30
154 34
∴σ2 = ∑x i
2
f(x i ) - μ 2 =
30
- 22 =
30
Solución:
• x: V.A. discos de jazz
• valores de la V. A: x = 0, 1, 2, 3, 4
• Determinación de la función de cuantía
⎛5 ⎞ ⎛ 5 ⎞
⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟
x 4-x
f (x) = ⎝ ⎠ ⎝ ⎠ : x = 0 , 1, 2, 3, 4
⎛10 ⎞
⎜⎜ ⎟⎟
⎝4 ⎠
⎛5⎞ ⎛ 5 ⎞ 5! 5!
⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ x
0 4 − 0⎠ 0! x (5 - 0)! 4! x(5 - 4)! 1
f (0) = ⎝ ⎠ ⎝ = = 0.0238 =
⎛10 ⎞ 10! 42
⎜⎜ ⎟⎟
⎝ 4⎠ 4! x(10 - 4)!
⎛5⎞ ⎛ 5 ⎞ 5! 5!
⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ x
⎝ 1 ⎠ ⎝ 4 − 1⎠ 1! x (5 - 1)! 3! x(5 - 3)! 10
f(1) = = = 0.2381 =
⎛10 ⎞ 10! 42
⎜⎜ ⎟⎟
⎝ 4⎠ 4! x(10 - 4)!
134
ESTADÍSTICA Y PROBABILIDADES I
⎛5⎞ ⎛ 5 ⎞ 5! 5!
⎜ ⎟ ⎜ ⎟ x
⎝ 2⎠ ⎝ 4 - 2 ⎠ 2!x(5 - 2)! 2!x(5 -2)! 20
f(2) = = = 0.42762 =
⎛10 ⎞ 10! 42
⎜ ⎟ 4! x(10 − 4)!
⎝4 ⎠
⎛ 5⎞ ⎛ 5 ⎞ 5! 5!
⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ x
3 4 − 3⎠ 3! x(5 - 3)! 1! x(5 - 1)! 10
f(3) = ⎝ ⎠ ⎝ = = 0.2381 =
⎛10 ⎞ 10! 42
⎜⎜ ⎟⎟
⎝ 4⎠ 4! x(10 - 4)!
⎛5⎞ ⎛ 5 ⎞ 5! 5!
⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ x
4 4 − 4 ⎠ 4! x(5 - 4) 0! x(5 - 0)! 1
f(4) = ⎝ ⎠ ⎝ = = 0.0238 =
⎛10 ⎞ 10! 42
⎜⎜ ⎟⎟
⎝ 4⎠ 4! x(10 - 4)!
⎧ 0 x < 0
⎪1
⎪ 42 0 ≤ x< 1
⎪
⎪⎪1142 1≤ x < 2
b) F (x) = ⎨
⎪3142 2 ≤ x < 3
⎪
⎪41 3≤ x < 4
⎪ 42
⎪⎩ 1 x ≥ 4
4
c) μ = E (X) = ∑xi f(xi) = (0) 142 + (1)1042 + (2)2042 + (3)1042 + (4) 142 = 2
i=0
+ (4)2 1 - (2)2
42
14
= -4
3
2
σ2 = indicaque la dispercionde discoses pequeña
3
135
ESTADÍSTICA Y PROBABILIDADES I
Solución:
• X: V.A. hombres seleccionados
• Valores que toma la V.A.X.
5H ⎛5 ⎞
• Elección de 4 hombres ⎜⎜ ⎟⎟
Exp. Aleat. 8 Selección ⎝ x⎠
Selecc. de trab. 4Trab. hombres • ⎛ 3 ⎞
Elección de mujeres ⎜⎜ ⎟⎟
⎝ 4 − x ⎠
3M
⎛8 ⎞
Elección total ⎜⎜ ⎟⎟
⎝ 4⎠
⎛5 ⎞ ⎛ 3 ⎞
⎜⎜ ⎟⎟ ⎜⎜ ⎟
⎝ x ⎠ ⎝ 4 - x ⎟⎠
Función de Probabilidad: f (x) = ; x = 1, 2, 3, 4
⎛8 ⎞
⎜⎜ ⎟⎟
⎝ 4⎠
• Distribución de probabilidad:
xi 1 2 3 4
4
1 6 6 1 35
μ x = EX = ∑ x i f(x i ) = 1 * + 2 * + 3* + 4 * =
i =1 14 14 14 14 14
2 2
⎛ 35 ⎞ 95 ⎛ 35 ⎞ 105
σ 2
x = E (X 2
) - μ = ∑ X f (x i ) - ⎜ ⎟
2
x
2
i = -⎜ ⎟ =
⎝ 14 ⎠ 14 ⎝ 14 ⎠ 196
136
ESTADÍSTICA Y PROBABILIDADES I
xi -3 6 9
Solución:
3 2
1 3 2
μ g(x) = ∑g (xi ) f(xi ) = ∑(2xi +1) f(xi ) = (2 (-3)+1)2 + (2 (6)+1)2 + (2 (9)+1)2 = 209
3 i =1 6 6 6
3
μ g(x) = ∑ (4 xi2 + 4x i + 1) f(x i ) = 209
i =1
μ g(x) [ 1
] [ 3
] [
= 4(- 3) + 4 (-3) + 1 * + + 4(6) 2 + 4(6) + 1 * + 4(9) 2 + 4(9) + 1 *
2
6 6
2
6
]
137
ESTADÍSTICA Y PROBABILIDADES I
EX = μ
E( X − μ)2 = σ 2
E ( aΧ + b) = aEΧ + b = aμ + b
V ( aΧ − b) = a 2V ( x ) = a 2σ 2
V ( aΧ + b) = E [( aΧ + b) − aΧ − b]2 = a 2V ( x ) = a 2σ 2
xi 0 1 2 3
f (x i ) 1 3 4 2
10 10 10 10
Solución:
Inversión Esperada = Precio de Venta esperada – Descuento esperado
Precio de venta esperada
⎛ 3 ⎞
(
= 1200 ⎜ ∑ xi f(x i ) ⎟ = 1200 0 x 1 + 1 x 3
10 10
+ 2x 4 + 3 x 2
10 10
)
⎝ i = 0 ⎠
17
= • 1200 = 2040
10
138
ESTADÍSTICA Y PROBABILIDADES I
Descuento esperado:
(0 )
3
= ∑ ( 50x 2i ) f (x i ) = 50 2
x 1 + 12 x 3 + 22 x 4 + 32 x 2
i= 0
10 10 10 10
= 185
Inversión esperada = 2030 – 185 = $ 1855
Rta: Inversión esperada = $ 1855
Solución:
La utilidad esperada seria = P venta – P costo - P perdida;
P = precio
139
ESTADÍSTICA Y PROBABILIDADES I
140
ESTADÍSTICA Y PROBABILIDADES I
Semana 12
VARIABLE ALEATORIA CONTINUA
EJERCICIO DE APLICACIÓN
a) Evalué k
b) Encuentre F(x) y utilice para evaluar P (0.3 < Χ < 0.6)
c) Calcular la media y varianza
Solución:
a) Usamos las propiedades
1. f ( x) ≥ 0 ⇒ f ( x) = k x ≥ 0 ⇒ k ≥ 0
1 0 1 ∞
2. ∫0 f ( x)dx = −∫∞dx + ∫0 k x dx + ∫ 0dx = 1
1
1
1 ⎛ x3/ 2 ⎞
∫0 k xdx = 1 ⇒ k ⎜⎜ 3 / 2 ⎟ =1
⎟
⎝ ⎠ο
⎛2⎞
k ⎜ ⎟(1) = 1
⎝3⎠
⎛3⎞
k =⎜ ⎟
⎝2⎠
141
ESTADÍSTICA Y PROBABILIDADES I
⎧(3 / 2) x
∴f(x)= ⎨ , 0 < x < 1; en otro caso
⎩0
b
3. P(a < x < b)= ∫a f ( x)dx ∈ [0,1]
x
F(x)= ∫ f ( x)dx
−∞
3 x
= ∫ x dx
2 −∞
3⎞ x
⎛
3⎜ x 2 ⎟
= ⎜ ⎟ = x3/ 2
2 ⎜ 3/ 2 ⎟
⎝ ⎠ο
⎧0 ; x≤ 0
⎪ ; 0<x<1
F ( x) = ⎨ x 3 / 2
⎪1 ; x≥1
⎩
xi F ( xi ) = xi3/ 2
142
ESTADÍSTICA Y PROBABILIDADES I
• Usemos la definición
F(x)=P(x ≤ x)
0.6
P(0.3 < x < 0.6)= ∫ f ( x)dx
0.3
0.6
0.6
⎛ x3/ 2 ⎞
∫0.3 3 / 2 xdx = 3 / 2⎜⎜ 3 / 2 ⎟⎟ = (0.6) − (0.3)
3/ 2 3/ 2
⎝ ⎠0.3
μ = E(X) =
5
(x )0 = (15 / 2 − 05 / 2 )
3 5/ 2 1 3
5
μ =
5
(
1 − 05 / 2 )
3 5/ 2 μ = EX = 3/5
143
ESTADÍSTICA Y PROBABILIDADES I
Calculo de la Varianza σ2
σ 2
=
2 2
1
( )
Ex − μ = ∫ x 2 3 / 2 x 3 / 2 dx − (3 / 5)
0
2
1
3 1 5/ 2 2 3 ⎛ x 7 / 2 ⎞ ⎛ 3 ⎞2
= ∫ x dx − (3 / 5) = ⎜ ⎟ −⎜ ⎟
20 2⎜ 7/2 ⎟ ⎝5⎠
⎝ ⎠0
2
3 ⎛3⎞ 12 12
= −⎜ ⎟ = σ=
7 ⎝5⎠ 7 * 25 175
Solución:
x x
1 1 1
F ( x) = ∫a b − a dx = b − a ∫a dx = b − a x
x
a) a
x−a
F ( x) =
b−a
0; x < a
x−a x a
F(x)= ;a ≤ x ≤ b F ( x) = −
b−a b−a b−a
1; x > b
144
ESTADÍSTICA Y PROBABILIDADES I
F(x)
x
0
• Calculo de la media:
1 b
⎛ 1 ⎞
μ = EX = ∫ xf ( x ) dx μ = ∫ x⎜ ⎟ dx
0 a ⎝b−a⎠
b
1 ⎛ x2 ⎞
b
=
1
∫
b−a a
xdx =
1
⎜⎜ ⎟⎟ = *
1
b − a ⎝ 2 ⎠a 2 b − a
b2 − a2 ( ) μ=
a+b
2
• Calculo de la varianza:
σ 2 = EX 2 − μ 2
b 2
⎛a+b⎞
3
⎛ 1 ⎞ 1 x
= ∫x ⎜
b
⎟ dx − μ = −⎜ ⎟ =
2 2
*
a ⎝b−a⎠ b−a 3 a
⎝ 2 ⎠
=
1 ⎛ b3 − a 3 ⎞ ⎛ a + b ⎞
⎜ ⎟−⎜ ⎟ =
( (
b − a ) a 2 + ab + b 2 ⎛ a + b ⎞
2
−⎜ ⎟
) 2
b − a ⎜⎝ 3 ⎟⎠ ⎝ 2 ⎠ (b − a ) 3 ⎝ 2 ⎠
=
( ) (
4 a 2 + ab + b 2 − 3 a 2 + 2ab + b 2
=
)
4 a 2 + 4 ab + 4b 2 − 3a 2 − 6 ab − 3b 2
12 12
a 2 − 2ab + b 2 ( b − a )
2
= =
12 12
145
ESTADÍSTICA Y PROBABILIDADES I
f(x)
λe − λx ; x > 0; λ > 0
f(x)=
0; enotrocaso
0 x
Solución:
a) x x
x
⎛ e − λx ⎞
F ( x ) = ∫ λ e dx = λ e dx = λ ⎜
−λ x
∫0
− λx
⎜ − λ ⎟⎟
0 ⎝ ⎠0
(
F ( x ) = − e − λx )x
0
( )
F ( x ) = − e − λ x − − e λ 0 = 1 − e − λx
0; x ≤ 0
1; x → ∞ teoricamen te
∞ ∞
E(X) = ∫0
xλe − λ x dx = λ ∫ xe− λ x dx = 1 λ ⇒ μ = 1 λ
0
∞
E(X- μ)2 = λ ∫ (x − μ)
2
e − λ x dx = 1 λ ⇒ σ 2 = 1 λ
2 2
0
146
ESTADÍSTICA Y PROBABILIDADES I
Solución:
a) X: V.A tiempo de espera 0 < x < 12 → 0 < x ≤ 0.2
12
→ (1hr = 60min; = 0.2)
60
0 .2
I. P ( 0 < x < 0 .2 ) = ∫0 f ( x)dx = F (0.2) − F (0) → Teorema fundamenta l
del Cálculo
[(1 − e −8 ( 0.2 )
) − (1 − e −8 ( 0 )
)] = 1 − e −1.6
= 0.7981
b
TEOREMA FUNDAMENTAL ∫a f ( x)dx = G (b) − G (a)
DEL CÁLCULO:
x
TEOREMA FUNDAMENTAL F ' ( x ) = f ( x ) ↔ F ( x ) = ∫ f ( x ) dx
DEL CÁLCULO: −∞
147
ESTADÍSTICA Y PROBABILIDADES I
∫ x (8e )dx = 8∫
∞ ∞
E(X) = −8 x
xe − λ x dx = 1 8 ⇒ μ = 1 8 hrs
0 0
⎧2
⎪3 x ; 0 ≤ x <1
⎪
F ( x ) ⎨ −1/ 3 x + 1;1 ≤ x ≤ 3
⎪0; si, x < 0 ó x > 3
⎪
⎩
a) ¿Cuál es la probabilidad de que en un día escogido al azar, se
venden más de 150kgrs?
b) En 30 días ¿el gerente de ventas de “Metro” cuanto espera vender?
c) ¿Cuál es la cantidad de arroz que debe ser dejado a disposición
del público diariamente para que no falte arroz en 95% de días?
Solución:
X: V.A de demanda diaria de arroz en centenas de kg.
0 0 1
P ( X ≤ x 0 ) = 0.95 ⇒
−∞
∫ f ( x)dx = 0.95
148
ESTADÍSTICA Y PROBABILIDADES I
xο 1 x
2 ⎛ x ⎞
ο
EJERCICIOS PROPUESTOS
149
ESTADÍSTICA Y PROBABILIDADES I
x 0 1 2 3 4
151
ESTADÍSTICA Y PROBABILIDADES I
⎧0 ; t <1
⎪1
⎪ ; 1≤ t < 3
⎪4
⎪⎪ 1
F(x) = ⎨ ; 3≤ t <5
⎪2
⎪2
⎪3 ; 5≤t<7
⎪
⎪⎩ 1 ; t≥7
Encuentre:
a) P(T = 5)
b) P(T > 3)
c) P(1.4 < T < 6 )
19. Una variable aleatoria continua X que puede tomar valores entre
1
x=1 y x=3 tiene una función de densidad f (x ) = .
2
a) Demuestre que el área bajo la curva es igual a 1.
b) Encuentre P(2 < X < 2.5) .
c) Encuentre P(X ≤ 1.6 ) .
20. Una variable aleatoria continua X que puede tomar valores entre
2(1 + x )
x=2 y x=5 tiene una función de densidad f (x ) = .
27
Encuentre:
a) P(X < 4 )
b) P(3 < X < 4 )
⎧ 2(x + 2 )
⎪ 5 ; 0 < x <1
⎪
f (x ) = ⎨
⎪ 0 ; en cualquier otro caso
⎪
⎩
152
ESTADÍSTICA Y PROBABILIDADES I
⎧ x ; 0 < x <1
⎪
f (x ) = ⎨ 2 - x ; 1< x < 2
⎪ 0 ; en cualquier otro caso
⎩
⎧k x ; 0 < x <1
⎪
f (x ) = ⎨
⎪ 0 ; en cualquier otro caso
⎩
a) Evalúe k
b) Encuentre F(x) y utilícela para evaluar P(0.3 < X < 0.6 )
153
ESTADÍSTICA Y PROBABILIDADES I
⎧ 20.000
⎪ (x + 100 )3 ; x>0
⎪⎪
f (x ) = ⎨
⎪ 0 ; en cualquier otro caso
⎪
⎪⎩
Encuentre la media de X
154
ESTADÍSTICA Y PROBABILIDADES I
4. Una moneda se “carga” de tal manera que una cara es tres veces
mas probable de ocurrir que una cruz. Encuentre el número
esperado de cruces cuando esta moneda se lanza dos veces.
x 0 1 2 3 4
155
ESTADÍSTICA Y PROBABILIDADES I
⎧ 4
⎪ π(1+x 2 ) ; 0 < x <1
⎪⎪
f (x) = ⎨
⎪ 0 ; en cualquier otro caso
⎪
⎪⎩
156
ESTADÍSTICA Y PROBABILIDADES I
⎧ 2(x+2)
⎪ 5 ; 0 < x <1
⎪
f (x) = ⎨
⎪ 0 ; en cualquier otro caso?
⎪
⎩
1 1 1
f(x)
6 2 3
157
ESTADÍSTICA Y PROBABILIDADES I
x 0 1 2 3
1 3 4 2
f(x)
10 10 10 10
⎧ 32
⎪ ; x>0
3
⎪ (x + 4)
⎪
f (x ) = ⎨
⎪ 0 ; en cualquier otro caso
⎪
⎪⎩
158
ESTADÍSTICA Y PROBABILIDADES I
III. VARIANCIA
x -2 3 5
Encuentre la desviación de X.
x 2 3 4 5 6
159
ESTADÍSTICA Y PROBABILIDADES I
8. Con los datos del ejercicio 16 del conjunto de problemas del tema
esperanza matemática. Encuentre σ2g( X ) para la función g(X) = 3X2
+ 4.
10. Con los resultados del ejercicio 21 del conjunto de problemas del
tema esperanza matemática, encuentre la variancia de g(X) = X2,
donde X en una variable aleatoria que tiene la función de densidad
que se dio en el ejercicio 12 del conjunto de problemas del tema
esperanza matemática.
⎧ x
⎪1 − 4
⎪2 e ; x>0
⎪
f (x ) = ⎨
⎪ 0 ; en cualquier otro caso
⎪
⎪
⎩
Encuentre la media y la variancia de la variable aleatoria Y.
160
ESTADÍSTICA Y PROBABILIDADES I
RESPUESTAS
2. 3.
NNN 0 HHH 3
NNB 1 HHT 1
NBN 1 HTH 1
BNN 1 THH 1
NBB 2 HTT -1
BNB 2 THT -1
BBN 2 TTH -1
BBB 3 TTT -3
4. S = {HHH, THHH, HTHHH, TTHHH, TTTHHH, HTTHHH,
THTHHH, HHTHHH,……}
Discreta
5. a.- 1 b.- 1
30 10
6.
t 20 25 30
1 3 1
P(T = t)
5 5 5
7.
x 0 1 2 3
8 4 2 1
f(x)
27 9 9 27
161
ESTADÍSTICA Y PROBABILIDADES I
8.
w -3 -1 1 3
1 2 4 8
P(W = w)
27 9 9 27
9.
⎛ 5 ⎞⎛ 5 ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟
⎝ x ⎠⎝ 4 − x ⎟⎠
f( x ) = ; para x = 0, 1, 2, 3, 4.
⎛10 ⎞
⎜⎜ ⎟⎟
⎝ 4⎠
1
10. f (x ) = ; x = 1, 2, ...., 6.
6
11.
x 0 1 2
2 4 1
f(x)
7 7 7
12.
x 0 1 2 3
162
ESTADÍSTICA Y PROBABILIDADES I
13.
⎧ 0 ; para w < -3
⎪ 1
⎪ ; para - 3 ≤ w ≤ -1
⎪ 27
⎪⎪ 7
F(w ) = ⎨ ; para - 1 ≤ w < 1 a.- 20 b.- 2
27 27 3
⎪
⎪ 19
⎪ ; para 1 ≤ w < 3
27
⎪
⎪⎩ 1 ; para w ≥ 3
15.
⎧ 0 ; para x < 0
⎪ 2
⎪ ; para 0 ≤ x ≤ 1
⎪ 7
F( x ) = ⎨ a.- 4 b.- 5
7 7
⎪ 6 ; para 1 ≤ x < 2
⎪ 7
⎪ 1 ; para w ≥ 2
⎩
17.
⎧ 0 ; para x < 0
⎪ 0.41 ; para 0 ≤ x < 1
⎪
⎪ 0.78 ; para 1 ≤ x < 2
F( x ) = ⎨
⎪ 0.94 ; para 2 ≤ x < 3
⎪ 0.99 ; para 3 ≤ x < 4
⎪
⎩ 1 ; para x ≥ 4
163
ESTADÍSTICA Y PROBABILIDADES I
21.b.- 19
80
( x − 1) 1
23. F( x ) = ;
2 4.
( x + 4)(x - 2) 1
24. F( x ) = ;
27 3.
3
25.a.- 3 b.- F(x) = x 2 ; 0.3004
2
ESPERANZA MATEMÁTICA
1. 6
7
2. 3
4
3. 25 centavos
4. 1
2
5. 0.88
6. $12.67
7. $500
8. $88
9. $1.23
164
ESTADÍSTICA Y PROBABILIDADES I
11. $2100
12. $333
13.
(ln 4 )
π
14. 8
15
16. 49.5
17. 209
18. 9
8
19. $1855
20. 3
21. $167
22. 8
VARIANCIA
1. 20/49
2. 3.041
3. 0.74
4. μ=1 ; σ2 = 1
5. 1
18
165
ESTADÍSTICA Y PROBABILIDADES I
6. 37
450
7. 1
6
8. 1342.25
9. 118.9
10. 7
180
2
11. μ = 10 ; σ = 144
y y
166
ESTADÍSTICA Y PROBABILIDADES I
Semana 13
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
INTRODUCCIÓN
Con frecuencia las observaciones que se generan en diferentes
experimentos estadísticos tienen el mismo tipo de comportamiento en
términos generales. En consecuencia la V.A. Discretas que se asocian, con
estos experimentos puede describirse esencialmente por la misma
distribución de probabilidad y por lo tanto se representa de una sola forma,
De hecho se necesita las distribuciones de probabilidad más importantes
para describir diferentes V.A. Discretas que se encuentran en la práctica. Así
tenemos la distribución: Binomial, Poisson, Hipergeométrica, Pascal
Multinomial.
DISTRIBUCIÓN BINOMIAL:
• Consideremos un experimento de Bernoulli: Éxito: p p+q = 1
Fracasa : 1 – P = q
Xi 0 1
P(Xi) = p(xi) q p
μ = EX = ∑ x p(x ) = 0 * q + 1 * p = p ⇒ μ = p
i i
σ = ∑ x p(xi) - μ = 0 2 * q + 12 * p - p 2
2 2
i
2
σ 2 = p - p 2 = p(1 - p) = pq ⇒ σ 2 = pq
o n Bernoulli ↔ Binomial
μ = np
σ 2 = npq
167
ESTADÍSTICA Y PROBABILIDADES I
P {X1, X2, X3,.........., Xn} = p(X1 (w) ) p(X 2 (w) ).....p(X n (w) )
p………………..p q………………..q
x éxito n – x fracaso
n
x
P (1-p)n-x
168
ESTADÍSTICA Y PROBABILIDADES I
EJERCICIOS DE APLICACIÓN
Solución
• X: V.A. de obtener como éxito sello
• Valores que toma la V.A. 0, 1, 2, 3
• P = ½; n = 3
x
⎛ 3 ⎞ ⎛1 ⎞
P(X = x) = ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ (1 - 1/2)3- x
⎝ x ⎠ ⎝ 2⎠
⎛3⎞
x = 0 : P(x = 0) = ⎜⎜ ⎟⎟ (1/2 )º (1 − 1 / 2)3− 0 = 1
⎝ 0⎠ 8
⎛ 3⎞
x = 1 : P(x = 1) ⎜⎜ ⎟⎟ (1/2)1 (1 - 1/2)3-1 = 3/8
⎝1 ⎠
⎛3⎞
x = 2 : P(x = 2) = ⎜⎜ ⎟⎟ (1/2) 2 (1 - 1/2)3- 2 = 3/8
⎝ 2⎠
⎛ 3⎞
x = 3 : P(x = 3) = ⎜⎜ ⎟⎟ (1/2 ) (1 − 1 / 2 ) = 1 / 8
3 3−3
⎝ 3⎠
2. Supongamos se trata de elegir aleatoriamente componentes
electrónicos de unas líneas de producción de los cuales, estamos
interesados en los defectuosos D y no defectuosos N se pide:
a) Determinar el espacio muestral S
b) Utilizando la distribución binomial, calcular la probabilidad de
extraer componentes defectuosos
c) Calcular su media y varianza
Solución:
169
ESTADÍSTICA Y PROBABILIDADES I
DDD
D
DDN
N DND
D D
D
N DNN
N
NDD
D
D
N
N NDN
N D
NND
N NNN
b) Usando Binomial:
170
ESTADÍSTICA Y PROBABILIDADES I
c) Calculo de la media:
0 1 2 3
X(wi) = Xi
1 3 3 1
P(Xi) = p(xi) 8 8 8 8
12 3
μ = EX = ∑ x p(x )
i i =
8
=
2
Calculo de la varianza
2
24 ⎛ 3 ⎞ 3
σ = ∑ x p(x ) - μ =
2 2
-⎜ ⎟ = 2
i i
8 ⎝2⎠ 4
En el problema resuelto:
μ = 3(1/2) = 3/2
σ 2 = 3(1/2) (1/2) = 3/4
Solución:
X: V.A. de que el radar detecte un cohete
p= 0.80
n = 10
⎛10 ⎞
{x = 9} → p (x = 9) = ⎜ ⎟ 0.89 x 0.21 = 10 × 0.89 × 0.21 = 0.2684
⎝ 9⎠
171
ESTADÍSTICA Y PROBABILIDADES I
Solución:
X: V.A. componentes que resistan mas de mil horas
Probabilidad de fallas en menos de 1000, horas P(Ei) = 0.2; i= 1, 2,
3, 4.
Probabilidad de no fallar en menos de 1000, horas P (Ei) = 0.8
n=4
p = 0.8
⎛ 4⎞
a) {x = 2} → P(x = 2) = ⎜⎜ ⎟⎟ (0.8) (0.2 ) = 0.1536
2 2
⎝ 2⎠
b) {x ≥ 2} → P(x ≥ 2) = 1 - P (x < 2 ) = 1 - [P (0) + P(1)]
⎡⎛ 4 ⎞ ⎛ 4⎞ ⎤
= 1 - ⎢⎜⎜ ⎟⎟ 0.8 0. 0.2 4 + ⎜⎜ ⎟⎟ 0.81 x 0.2 3 ⎥
⎣⎝ 0 ⎠ ⎝1 ⎠ ⎦
= 1 - 0.0272
P(x ≥ 2) = 0.9728
Solución:
• X: V.A. cursos que el estudiante apruebe
• Valores de x: 0, 1, 2, 3, 4, 5, 6
• p = 0.8 , n = 6
⎛6 ⎞
a) P (X = x) = ⎜⎜ ⎟⎟ 0.8 x (1 - 0.8) 6 - x ; x = 0 , 1, ..., 6
⎝x⎠
⎛6⎞
P (x = 0) = ⎜⎜ ⎟⎟ 0.8 0 (1 - 0.8) 6 = 0 .0000 64
⎝0⎠
172
ESTADÍSTICA Y PROBABILIDADES I
{x < 2 ∪ x > 4} → P((x < 2) ∪ (x > 4)) = P(x < 2) + P(x > 4) = 0.65696
b)
P(0) + P(1) + p(5) + p(6) = 0.65696
P ( x > 4) = 0.65536
P ( x < 2) = P( x = 0) + P( x = 1) = 0.0016
⎛6⎞ 6!
P(x = 0) = ⎜⎜ ⎟⎟ (0.8)0 (1 - 0 - 8)6 - 0 = (1)(0.2)6 = 0.000064
0
⎝ ⎠ 0!*6!
⎛ 6⎞ 6!
P(x = 1) = ⎜⎜ ⎟⎟ (0.8)1 (1 - 0 - 8)6 -1 = (0.8)1 (0.2)5 = 0.001536
⎝1 ⎠ 1!*5!
⎛6⎞ 6!
P(x = 2) = ⎜⎜ ⎟⎟ (0.8)2 (1 - 0 - 8)6 - 2 = (0.8)2 (0.2)4 = 0.01536
⎝ 2⎠ 2!*4!
⎛ 6⎞ 6!
P(x = 3) = ⎜⎜ ⎟⎟ (0.8)3 (1 - 0 - 8)6 - 3 = (0.08)3 (0.2)3 = 0.08192
⎝3⎠ 3!*3!
⎛6⎞ 6!
P(x = 4) = ⎜⎜ ⎟⎟ (0.8) 4 (1 - 0 - 8)6 - 4 = (0.8)4 (0.2)2 = 0.24576
⎝ 4⎠ 4!*2!
⎛6⎞ 6!
( 0.8) ( 0.2 ) = 0.293216
5 1
P(x = 5) = ⎜ ⎟ (0.8)5 (1-0-8)6-5 =
⎝5⎠ 5!*1!
⎛6⎞ 6!
( 0.8) ( 0.2 ) 0 = 0.362144
6
P(x = 6) = ⎜ ⎟ (0.8)6 (1-0-8)6-6 =
⎝6⎠ 6!*0!
c) P (x = 2 / x ≥ 1) =
p ({ x = 2} ∩ {x ≥ 1} )
=
P (x = 2)
= 0.0153609831
P (x ≥ 1) 1 - P (x < 1)
173
ESTADÍSTICA Y PROBABILIDADES I
DISTRIBUCIÓN DE POISSON
⎧ e - λt (λt) x
⎪ ; x = 0, 1, 2...k, k ≤ n
p(x, λt) = P(X = x) = ⎨ x!
⎪
⎩
174
ESTADÍSTICA Y PROBABILIDADES I
EJERCICIOS DE APLICACIÓN:
Solución:
X: variable aleatoria particular que llegan al contador
λ : 4 partículas / milisegundo
4 part
t : 1 milisegundo λt = * 1 miliseg. = 4 part ;
miliseg
e-4 (4)6
{x = 6} ⇒ p (x = 6) = = 0.1042
6!
Solución:
X : V.A. accidentes que causan la muerte
acc
λ =8
hora λ t = 8 accidentes
t = 1 hora
175
ESTADÍSTICA Y PROBABILIDADES I
−8
(8) 0
a) {x = 0} → P( x = 0) = e = e -8 = 0.003355 ≈ 0.0034
0!
15 1 1
t= = hora , λ t = 8 x = 2 accidentes
60 4 4
b) -2 0
{x = 0} → P (x = 0) = e 2 = e- 2 = 0,1353
0!
c) 4 periodos
( )
→ { X1 , X 2 , X3 , X3 ,} → P( X 1 X 2 X 3 X 4 ) = e −2 = e −8 = 0.0034
4
Solución:
X : V.A. accidentes
λ = 1 accd / 2 meses)
1
λ t = accident.
t = 1 mes 2
⎛ 1 accident ⎞
a) Ex = λ t = ⎜ ⎟ (12 meses) = 6 accident.
⎝ 2 mes ⎠
b) σ 2 = λ t = 6 ⇒ σ = 6 = 2. 4495 accident.
1
c) λ = accidentes 1
2 λt = accident.
t = 1 mes 2
{x = 0} → P(x = 0) = e-0.5 (0.5)0 0! = e -0.5 = 0.6065
4. En promedio en una cierta intersección ocurre en 3 accidentes viales
por mes, ¿Cuál es la probabilidad de que un determinado mes en este
intersección?
176
ESTADÍSTICA Y PROBABILIDADES I
Solución:
X: Variable aleatoria accidentes que ocurran en un mes
λ : 3 accidentes/mes 3 accidentes
t : 1 mes λt × mes = 3 accidentes
mes
e -3 (3) 5
a) X (w) = x = 5 accidentes; p (x = 5) = = 0.1008
5!
2
⎡ 31 3 2 ⎤
= e ⎢1 + + ⎥ = 0.4230
-3
⎣ 1! 2! ⎦
c) media μ = λ t = 3 accidentes; σ = λ t = 3
2
Solución:
X: variable aleatoria de ratas en el campo
λ : 12 ratas / acres ratas
t : 1 acre λt = 12 × 1 acre = 12 ratas
acre
6
a) {x < 7} → P(x < 7) = ∑ p(x, λ t) = p(0)+ p(1)+ p(2)+ p(3)+ p(4)+ p(5) p(6)
x=0
⎛3 ⎞
b) P (x = 2) = ⎜⎜ ⎟⎟ (0.0458) (1 − 0.0458)3− 2 = 0.0060
2
⎝ 2⎠
177
ESTADÍSTICA Y PROBABILIDADES I
Solución
X: V.A. de que no lleguen peticiones
peticiones
λ : 0.2
milisegundo λ t = 0.2 peticiones
t: 1 milisegundo
e -0.2 0.2 0
a) P(x = 0 ) = = e -0.2 = 0.8187
0!
Solución:
X : V.A. llamadas
λ : 5 llamadas/ hora
t : 1 hora
15 1 1 5
a) t = = hr → λ t = 5 x =
60 4 4 4
-5
{x ≥ 1} → P( x ≥ 1) = 1 - e 4
= 0.7135
178
ESTADÍSTICA Y PROBABILIDADES I
10 1 1 5
b) t = = hr → λ t = 5 × =
60 6 6 6
( 6))
1
-5
e 6 5
-5
{x ≤ 1} → P(x ≤ 1) = P(0) + P(1) = e 6
+ = 0.7968
1!
5 1 1 5
c) λ = = hr → λ t = 5 * =
60 2 12 12
( )
-5 1
e 12 5
12
{x = 1} → P(x = 1) = = 0.2747
1!
Solución:
X: V.A. Pulsos faltantes en el disco
λ : 0.1 Pulsos/disco
t: 1 disco
e-0.1 x 0.10
a) {x = 0} → P(x = 0) = = e- 0.1 = 0.9048
0!
179
ESTADÍSTICA Y PROBABILIDADES I
⎛n⎞
Binomial : P (X = x) = ⎜⎜ ⎟⎟ P x (1 - P) n -x
; x = 0,1,2,...
⎝x⎠
μ = np; σ 2 = npq
Poisson : P(x = x) =
e -λ t
(λ t )x ; x = 0,1,2,3...
x!
μ = λ t ; σ = λt ⇒ σ = μ
2 2
⎧ e −μ μ x
⎪ , x = 0,1, ..,
β (x, n, p ) → p(x, μ ) → Poisson( x, λ t ) = ⎨ x!
⎪0 en otro caso
⎩
EJERCICIOS DE APLICACIÓN
Solución:
X : variable aleatoria numero de burbujas
n= 8000 grande
P= 1/1000 = 0.001 pequeña
180
ESTADÍSTICA Y PROBABILIDADES I
⎛ 8000 ⎞
6
{x < 7} → P(x < 7) = ∑⎜x ⎟ ( 0.001) (1 - 0.001) , no
x n− x
sería
x = 0⎝ ⎠
conveniente usar la distribución binomial.
Luego:
μ = np = 8000 x 0.001 = 8 μ = 8.
Apliquemos Poisson
e - μ (μ )
6 x
{x < 7} → P(x < 7) = ∑ P (x , μ ) P (x , μ ) =
x=0 x!
6
P(x < 7) = ∑ P(x ; 8) = P(0) + P(1) + P(2) + P(3) + P(4)
x=0
Solución:
X = Variable aleatoria de que un estudiante presente problemas
de escoliosis
n= 1875 grande
P= 0.004 pequeñas
181
ESTADÍSTICA Y PROBABILIDADES I
⎡ 7.5 2
7.5 3
7.5 7.5 4 ⎤
= e ⎢1 +
-7.5
+ + + ⎥
⎣ 1! 2! 3! 4! ⎦
= e −7.5 [1 + 7.5 + 28.125 + 70.313 + 131.8359] ≈ 0.1321 = 0.13206
10 10
b) {8 ≤ x ≤ 10} → P (8 ≤ x ≤ 10) = ∑ β (x;1875,0.004) ≈ ∑ P( x,7.5)
x =8 x =8
10
≈ ∑ P( x,7.5)
x =8
182
ESTADÍSTICA Y PROBABILIDADES I
Semana 14
DISTRIBUCIÓN NORMAL
La distribución continúa de probabilidad mas importantes en todo el campo
de la estadística es la distribución normal. Su gráfica recibe el nombre de
curva normal, teniendo forma de campana (como en la figura), la cual
describe aproximadamente muchos fenómenos que ocurren en la
naturaleza, la industria y la investigación. Fue estudiada por primera vez en
el siglo XVIII cuando científicos observaron con sorpresa el grado de
regularidad en los errores de medición descubrieron que los patrones
(distribuciones) eran aproximados a una distribución continua que
denominaran “curva normal de errores” y le atribuyeron reglas de
probabilidad. En 1733 Abraham De Moivre desarrollo la ecuación
matemática de la curva normal, también se llama distribución Gaussiana en
honor a Karl Friedrich Gauss (1777-1855) quien también derivo su ecuación
en un estudio de errores en mediciones repetidas de la misma cantidad. La
ecuación matemática depende de los parámetros μ y σ 2 y notandosela
por N ( x; μ ; σ 2 ) .
f(x)
σ
μ -σ μ +σ
x
μ
2
1 ⎛ x−μ ⎞
1 − ⎜
X → f ( x) = e 2⎝ σ ⎟⎠
−∞< x <∞
2πσ
183
ESTADÍSTICA Y PROBABILIDADES I
Particularidades:
( )
1. La media, mediana y moda x, Me, Mo coinciden, definiendo la
simetría de f (x) .
2. Es simétrico respecto a su media μ
3. La curva tiene punto de inflexión μ ± σ → (desviación estándar)
4. Es asintótica con el eje x
⎛∞ ⎞
5. La gráfica de la curva y el eje x encierra un área 1⎜⎜ ∫ f ( x)dx = 1⎟⎟
⎝ −∞ ⎠
∞ ∞
184
ESTADÍSTICA Y PROBABILIDADES I
Experimento: X → N ( x, μ , σ 2 )
X −μ
z=
σ
Definimos finalmente:
P(a < x < b ) = P(Z < Z 2 ) − P(Z < Z 1 )
2
⎛ X −μ⎞ ⎛ X −μ⎞ 1 σ2
⎟ = 2 E(X − μ ) = 2 = 1
2
V (Z ) = V ⎜ ⎟ = E⎜
⎝ σ ⎠ ⎝ σ ⎠ σ σ
185
ESTADÍSTICA Y PROBABILIDADES I
LECTURA DE LA TABLA
EJERCICIOS DE APLICACIÓN
0.9306
0 1.48
186
ESTADÍSTICA Y PROBABILIDADES I
Solución:
a) 0.9306
b) 0.2981
c) P(Z < 3.2) − P ( Z < 2.45) = 0.9993 − 0.9929 = 0.0064
d) P(− 2.01< Z < −1.05) = P(Z < −1.05) − P(Z − 2.01) = 0.1469− 0.0222= 0.1247
e) P ( −1.96 < Z < 1.25) = P(Z < 1.25) − P(Z < −1.96) = 0.8944 − 0.0250 = 0.8694
Solución:
X → N ( X ; 18; 2.5 2 )
⎛ X − 18 15 − 18 ⎞
P ( X < 15) = P⎜ < ⎟
a) ⎝ 2.5 2.5 ⎠
= P(Z < −1.2) = 0.1151
⎛ 17 − 18 21 − 18 ⎞
d) P(17 < X < 21) = P⎜ <z< ⎟
⎝ 2.5 2.5 ⎠
= P(− 0.4 < z < 1.2)
= P( z < 1.2) − P( z < −0.4)
= 0.8849 − 0.3446
= 0.5403
188
ESTADÍSTICA Y PROBABILIDADES I
Solución:
X: V.A capacidad del vaso
μ : 200 ml/vaso
σ : 15 ml.
189
ESTADÍSTICA Y PROBABILIDADES I
0.25
x k x
μ = 200
-0.67 0.2514
Z 0.25
-0.68 0.2483
190
ESTADÍSTICA Y PROBABILIDADES I
⎛ k − 200 ⎞
P⎜ z < ⎟ = 0.25
⎝ 15 ⎠
z=-0.6745
k − 200
= −0.6745
15
k = 15 × −0.6745 + 200
k = 189.88 ≈ 190ml.
Solución:
X : V.A. diámetro interno del pistón
μ =10cm.
σ =0.03 cm.
b) {9.97 < X < 10.03} → P(9.97 < X < 10.03) = P(−1 < z < 1)
= 0.8413 − 0.1587
= 0.6826
⎛ k − 10 ⎞
P( X < k ) = 0.185 ⇒ P⎜ z < ⎟ = 0.185
⎝ 0.03 ⎠
191
ESTADÍSTICA Y PROBABILIDADES I
-0.88 0.1894
Z 0.0185
-0.89 0.1867
0.185
x
0 x k μ = 10
17
z = −0.89 − 0.01× = −0.8963
27
⎛ k − 10 ⎞ k − 10
P⎜ z < ⎟ = 0.185 ⇒ = −0.8963 → k = 9.973111 ≅ 9.9731
⎝ 0.03 ⎠ 0.03
z=0.8963
192
ESTADÍSTICA Y PROBABILIDADES I
Semana 15
ERRORES DE APROXIMACIÓN EN MEDICIONES
USANDO LA DISTRIBUCIÓN NORMAL
En la solución de problemas también se puede presentar error de
aproximación en las mediciones.
Así por ejemplo: si aproximamos a las error
Centenas ± 50
Decenas ±5
Unidades ± 0.5
Décimas ± 0.05
Centésimas ± 0.005
Milésimas ± 0.0005
EJERCICIOS DE APLICACIÓN
Solución:
X : V.A. salarios por hora que perciben los empleados
μ =$9.25
σ =$0.60
e = ± 0.005
193
ESTADÍSTICA Y PROBABILIDADES I
a) {8.75 ≤ X ≤ 9.69} → P(8.75 ≤ X ≤ 9.69) ≅ P⎛⎜ 8.75− 0.005− 9.25 < z < 9.69+ 0.005− 9.25⎞⎟
⎝ 0.60 0.60 ⎠
Solución:
X: V.A. tiene una distribución N ( x, μ , σ 2 )
194
ESTADÍSTICA Y PROBABILIDADES I
Solución:
X: V.A. resistencia a la tensión
μ = 10000 Kg/cm2
σ =100 kg/cm2
⎛ 1050 + 25 − 10000 ⎞
≅ −1 − P⎜ z < ⎟
⎝ 100 ⎠
≅ 1 − P ( z < 1.75)
≅ 1 − 0.9599
195
ESTADÍSTICA Y PROBABILIDADES I
b) {9800≤ X ≤ 10200} → P(9800≤ X ≤ 10200) ≅ P⎛⎜ 9800− 25−1000< z < 10200+ 25−10000⎞⎟
⎝ 100 100 ⎠
PROPIEDADES IMPORTANTES:
1. ( )
Por ser continua la distribución normal: N X , μ , σ 2 se cumple que:
P(a < X < b ) = P(a ≤ X ≤ b ) = P(a < X ≤ b ) = P(a ≤ X ≤ b )
Se justifica por que la probabilidad en punto es cero, NO
OCURRIENDO así en el caso discreto.
2. P( X − μ < σ ) = 0.6826 indica que los datos se alejan de la media una
desviación estándar.
P( X − μ < 2σ ) = 0.9544 indica que los datos se alejan de la media dos
desv. est.
P ( X − μ < 3σ ) = 0.9974 indica que los datos se alejan de la media tres
dev. est.
3. Es poco común observar un valor de una población normal que se
encuentre mas lejos de 2 desviaciones estándar de μ . Estos resultados
serán importantes en el desarrollo de procedimientos de prueba de
hipótesis.
4. Los resultados que observamos en 2 con frecuencia se reporta en
forma de porcentaje y se conocen como la regla empírica (la evidencia
empírica ha mostrado que varios histogramas de datos reales pueden
ser aproximados por curvas normales)
197
ESTADÍSTICA Y PROBABILIDADES I
Los puntos medios son las marcas de clase del histograma, pasando la curva
aproximadamente por los puntos medios de la parte superior de los
rectángulos.
EJERCICIOS DE APLICACIÓN
Solución:
X: V.A. sique una distribución binomial.
μ =np=15(0.4)=6
σ = 15 × 0.4 × 0.6 = 1.897
9
a) Valor exacto P(7 ≤ x ≤ 9) = ∑ β ( x,15,0.4 ) = P(7 ) + P(8) + P(9)
x =7
⎛15 ⎞
P(7 ) = ⎜⎜ ⎟⎟0.4 7 × 0.6 8 = 0.1771
⎝7 ⎠
⎛15 ⎞
P(8) = ⎜⎜ ⎟⎟0.48 × 0.67 = 0.1181
⎝8 ⎠
198
ESTADÍSTICA Y PROBABILIDADES I
⎛15 ⎞
P ( 9 ) = ⎜ ⎟ 0.49 × 0.66 = 0.0612
⎝9 ⎠
P ( 7 ≤ x ≤ 9 ) = 0.3564
199
ESTADÍSTICA Y PROBABILIDADES I
Solución:
X: V.A. de que salga cara
p = 1/ 2 n = 400
μ = np = 400(1 / 2) = 200
σ = 400 × 1 / 2 × 1 / 2 = 10
⎛ 185 − 200 − 0.5 210 − 200 + 0.5 ⎞
a) {185 ≤ X ≤ 210} ⇒ p⎜ <Z< ⎟
⎝ 10 10 ⎠
P(− 1.55 < z < 1.05) = P( z < 1.05) − P( z < −1.55) = 0.8531 − 0.0606
P(− 1.55 < z < 1.05) = 0.7925
c) { X < 176} ó { X > 227} ⇒ {P ( X < 176 ) ∪ ( X > 227 )} ⇒ P ( X < 176 ) + P ( X > 227 )
3. Un sexto de los estudiantes que entran a una gran escuela del estado
proviene de otros estados. Si los estudiantes se asignan aleatoriamente
a los dormitorios, 180 en un edificio, ¿cuál es la probabilidad de que
en un dormitorio determinado al menos una quinta parte de los
estudiantes sea de otros estados?
Solución:
• X: V.A que los estudiantes sean de otro estado
1
• P= estudiantes de otros estados
6
• n = 180 dormitorios
200
ESTADÍSTICA Y PROBABILIDADES I
1
• μ = np = 180 ×
= 30
6
1 5
• σ = npq = 180 × × = 5
6 6
1
Al menos la quinta parte son de otros estados: × 180 = 36, luego
5
{X ≥ 36} → P( X ≥ 36) = 1 − P( X < 36)
⎛ 36 − 0.5 − 30 ⎞
≅ 1 - P⎜ z < ⎟
⎝ 5 ⎠
≅ 1 − P( z < 1.1)
≅ 1 − 0.08643
P( X ≥ 36 ) = 0.1357
Solución:
X: V.A curación de la medicina a una enfermedad
p=0.8
n=100
a) μ = np = 100(0.8) = 80
σ = 100 × 0.8 × 0.2 = 4
Por uso del enunciado evento que sea rechazada
{X < 75} → P( X < 75) = P⎛⎜ z < 75 − 0.5 − 80 ⎞⎟
⎝ 4 ⎠
≅ P(z < −1.38)
≅ 0.0838
201
ESTADÍSTICA Y PROBABILIDADES I
b) P=0.7
n=100
μ = np = 100(0.70) = 70
σ = 100 × 0.70 × 0.30 = 4.58
Según enunciado sea aceptada la medicina con p=0.7
{X < 75} ∪ {z ≥ 75} → P(( X < 75) ∪ ( X ≥ 75))P(s )
P( X < 75) + P( X ≥ 75) = 1
P( X ≥ 75) = 1 − P( X < 75)
⎛ z < 75 - 0.5 - 70 ⎞
≅ 1 - P⎜ ⎟
⎝ 4.58 ⎠
≅ 1 - P(z < 0.98)
≅ 1 − 0.8365
P( X ≥ 75) ≅ 0.1635
DISTRIBUCIÓN WEIBULL
INTRODUCCIÓN
Como acabamos de estudiar la distribución normal puede utilizarse para
resolver muchos problemas de ingeniería y ciencia, pero existen numerosas
situaciones que requieren diferentes tipos de funciones de densidad entre
ellas las distribuciones gamma y exponencial. La distribución exponencial
es un caso especial de distribución gamma. Ambas tienen un sin número de
aplicaciones por ejemplo ambas juegan un papel importante en la teoría de
colas, problemas de confiabilidad. El tiempo entre las llegadas en las
instalaciones de servicio, el tiempo de falla de los componentes y sistemas
eléctricos frecuentemente involucra la distribución exponencial. Como
vemos la relación entre ellas es muy importante.
En la actualidad con el avance tecnológico se permite diseñar muchos
sistemas complicadas cuya operación, o tal vez seguridad depende de la
confiabilidad de los diversos componentes que conforman el sistema. Por
ejemplo un fusible puede dañarse, una columna de acero puede doblarse o
un dispositivo sensor de calor puede fallar. Idénticos componentes sujetos a
idénticas condiciones ambientales fallan en diferentes e impredecibles
tiempos.
Se ha comentado la importancia de las distribuciones gamma y exponencial
que tienen en la estadística como herramientas a solucionar, tipos más
específicos de problemas en ingeniería.
202
ESTADÍSTICA Y PROBABILIDADES I
⎧⎪αβ x β −1e −α x
β
, x>0
f ( x) = ⎨
⎪⎩0 cualquier otro caso
00 β
μ = E ( X ) = ∫ xαβ x β −1e −α x
0
203
ESTADÍSTICA Y PROBABILIDADES I
∞ ⎛ 1⎞
μ = α −1/ β × ∫ U 1/ β e −U dU = α −1/ β Γ ⎜1 +
0
⎝ β ⎟⎠
⎛ 1⎞ ∞
Γ⎜⎜1 + ⎟⎟ = ∫ U −1 / β e −U du es la función gamma.
⎝ β⎠ 0
⎧⎪ ⎛ 1 ⎞⎤ ⎫⎪
2
−2 / β 2⎞ ⎡ ⎛
σ =α
2
⎨Γ⎜⎜1 + ⎟⎟ − ⎢Γ⎜⎜1 + ⎟⎟⎥ ⎬
⎪⎩ ⎝ β ⎠ ⎣ ⎝ β ⎠⎦ ⎪⎭
EJERCICIOS DE APLICACIÓN
• Supóngase que la vida útil de cierta clase de batería (en horas) es una
variable aleatoria que tiene distribución de Weibull con α = 0.1 y
β = 0.5. Calcúlese.
a) La vida útil promedio de esta batería.
b) La probabilidad de que la batería dure más de 300 horas.
Solución:
X : V.A. tiempo de vida
204
ESTADÍSTICA Y PROBABILIDADES I
EJERCICIOS PROPUESTOS
⎧ e −20 20 X
⎪
p( X ) = ⎨ x! x = 0, 1,2,…,30
⎪ 0
⎩ Para todas las demás
206
ESTADÍSTICA Y PROBABILIDADES I
DISTRIBUCIÓN BINOMIAL
13. Entre personas que donan sangre a una clínica, 80% tiene Rh+; es
decir tienen el factor Rhesus en la sangre. Cinco personas donan
sangre en la clínica un día determinado.
a) Calcular la probabilidad de que al menos una de las cinco no
tenga el factor Rh.
b) Calcular la probabilidad de que cuando mucho cuatro de las
cinco tengan sangre Rh+.
16. Considérese que 50% de los empleados de una gran compañía están
casados. Sea X el # de empleados casados. En una muestra aleatoria
de 100 empleados, obténgase la media y la desviación típica de X.
208
ESTADÍSTICA Y PROBABILIDADES I
DISTRIBUCIONES DE POISSON
23. Suponga que en promedio una de cada mil personas comete un error
numérico al preparar su declaración de impuestos. Si se seleccionan
al azar 10000 formas, encuentre la probabilidad de que seis, siete u
ocho tengan error.
209
ESTADÍSTICA Y PROBABILIDADES I
24. El número de rayos gamma que emite por segundo cierta sustancia
radiactiva es una variable aleatoria que tiene distribución de Poisson
con λ = 5.8 . Si un detector deja de operar cuando hay mas de 12
rayos por segundo, cuál es la probabilidad de que este instrumento
deje de funcionar durante un segundo cualquiera?
210
ESTADÍSTICA Y PROBABILIDADES I
30. Una panadería hace galletas con pedacitos de chocolate; un lote tiene
mil galletas. Se agregan tres mil pedacitos de chocolate a la masa para
un lote y se mezcla bien toda la masa. Si se elige al azar una galleta de
un lote,
a) ¿Cuál es la probabilidad de que no contenga ningún pedacito de
chocolate?
b) ¿Cuál es la probabilidad de que contenga tres pedacitos?
c) ¿Cuántas galletas con un solo pedacito de chocolate podría haber
en un lote?
32. Suponga que en promedio una de cada mil personas comete un error
numérico al preparar su declaración de impuestos. Si se seleccionan al
azar 10 mil formas y se examinan, encuentre la media y la varianza de
la variable aleatoria x que representa el número de personas de entre
10 mil que comenten un error al preparar su declaración de
impuestos.
211
ESTADÍSTICA Y PROBABILIDADES I
34. Suponga que 3% de los pernos hechos por una maquina son
defectuosos y que aparece al azar durante la producción. Si se
empaquetan 50 pernos por caja ¿cual es la aproximación de Poisson
para la probabilidad de que cierta caja contenga k pernos defectuosos?
⎧ 20000
⎪ X >0
f ( X ) = ⎨ ( x + 100 )3
⎪0 para las demas X
⎩
⎧cX 3 (1 - X )
2
0 ≤ X ≤1
f (X ) = ⎨
⎩0 para las demas X
213
ESTADÍSTICA Y PROBABILIDADES I
9. Por experiencia, el señor Arenas sabe que el precio más bajo de una
obra de construcción puede considerarse como una variable aleatoria
que tiene densidad uniforme:
⎧3 2c
⎪ < X < 2c
f ( X ) = ⎨ 4c 3
⎪⎩0 para las demas X
Donde c es su propia estimación del costo de la obra. ¿Qué
porcentaje debe agregar el señor Arenas a su costo cuando presente
ofertas a fin de maximizar su utilidad esperada?
1
10. La distribución de densidad f (x) = se llama distribución de
(
π 1+ x 2 )
Cauchy, la que fue introducida por Cauchy en 1853. Probar que esta
distribución no tiene media.
⎧0 X ≤0
⎪X
⎪ 0<X<2
⎪8
F(X ) = ⎨ 2
⎪X 2< X ≤4
⎪ 16
⎪1 X >4
⎩
214
ESTADÍSTICA Y PROBABILIDADES I
⎧0 X ≤1
⎪
⎪ ⎛ 1⎞
F ( X ) = ⎨2 ⎜1 − ⎟ 1 < X ≤ a
⎪ ⎝ X⎠
⎪⎩1 X >a
Es una función de densidad acumulativa. Calcular p (− 1 ≤ X ≤ 1.5)
⎧0 X <0
F(X ) = ⎨ −8 X
⎩1 − e X ≥0
Encuentre la probabilidad de esperar menos de 12 minutos entre dos
conductores sucesivos.
⎧5 0.4 ≤ X ≤ 0.6
f (X ) = ⎨
⎩0 Para las demas X
Calcular el valor esperado del volumen de los balines.
DISTRIBUCIÓN UNIFORME
DISTRIBUCIÓN EXPONENCIAL
⎧ 1 -100
X
⎪ e X >0
f ( X ) = ⎨100
⎪0 Para las demas X
⎩
Tres de estos componentes trabajan independientes en una pieza de
un equipo. El equipo falla si al menos 2 de los componentes fallan.
Encuentre la probabilidad de que el equipo funcione al menos durante
200 horas sin fallar.
⎪ e X >0
f ( X ) = ⎨ 20
⎪0 Para las demas X
⎩
Calcule las probabilidades de que uno de los neumáticos dure:
a) A lo sumo 10 mil kilómetros
b) Entre 16 mil y 24 mil kilómetros
c) Al menos 30 mil kilómetros
DISTRIBUCIÓN NORMAL
( )
27. Supóngase que X tiene una distribución N μ , σ 2 . Determine c (como
una función de μ , σ ), tal que p( X ≤ c ) = 2 p( X > c ) .
28. Una universidad espera recibir para el siguiente ciclo escolar 16 mil
solicitudes de ingreso al primer semestre de licenciatura. Se supone
que las calificaciones obtenidas para los aspirantes en la prueba
pueden calcularse de manera adecuada por una distribución normal
con la media 950 y varianza 10 mil si la universidad decide admitir
25% de todos los aspirantes que obtengan las calificaciones mas altas
en la prueba. Seleccione la opción que da la calificación mínima que
es necesario obtener en la prueba para ser admitido en la universidad.
218
ESTADÍSTICA Y PROBABILIDADES I
219
ESTADÍSTICA Y PROBABILIDADES I
220
ESTADÍSTICA Y PROBABILIDADES I
221
ESTADÍSTICA Y PROBABILIDADES I
DISTRIBUCIÓN DE WEIBULL
222
ESTADÍSTICA Y PROBABILIDADES I
Semana 16
DISTRIBUCIONES MUESTRALES
Nos hemos ocupado de estudiar distribuciones específicas tanto discretas
como continuas, se trata de distribuciones que se utilizan mucho en
diversas aplicaciones que incluyen confiabilidad, control de calidad y
muestreo. El tema es amplio nos concentraremos en muestras
poblacionales y se estudian cantidades tan importantes como son la media
muestral y la varianza muestral que son de vital importancia en inferencia
estadística. A continuación damos algunas definiciones o significados muy
comunes en esta parte del curso.
Población.- Consiste en la totalidad de observaciones en las cuales se está
interesado.
Muestra.- Es un subconjunto de una población.
Técnica de muestreo
Población (N) Muestra (n)
X1 X1
Inferencia
Xn
XN
223
ESTADÍSTICA Y PROBABILIDADES I
μ≅X (
X → f x, μ , σ 2 )
μ
σ 2 ≅ s2 s2
σ 2
pˆ
p ≅ pˆ
p
e≅ x−μ < Se determina conocida la
X1 X1
XN Xn
Métodos de Muestreo
X → N ( X ,.μ X , σ X2 )
224
ESTADÍSTICA Y PROBABILIDADES I
( )
X → N x, μ , σ 2 : EX = μ
E(X − μ ) = σ 2
2
⎛ X 1 + X 2 + .......... + X n ⎞
μ X = E( X ) = E⎜ ⎟
⎝ n ⎠
EX 1 + EX 2 + ............. + EX n
=
n
μ + μ + ............... + μ
=
n
μX = μ
⎛ X 1 + X 2 + .......... + X n ⎞
σ X2 = V ( X ) = V ⎜ ⎟
⎝ n ⎠
V ( X 1 ) + V ( X 2 ) + ............. + V ( X n )
=
n2
σ 2 + σ 2 + ..................... + σ 2 nσ 2 σ 2
= = 2 =
n2 n n
σ2
σ X2 =
n
(
X →≅ N X , μ X , σ X2 )
Este sorprendente resultado es una consecuencia inmediata del
siguiente teorema que recibe el nombre de teorema del límite central.
225
ESTADÍSTICA Y PROBABILIDADES I
OBSERVACIÓN:
1) si n ≥ 30 (muestra grande) la aproximación normal para X ,
generalmente será buena sin importar la forma de la población:
2) si n < 30 (muestra pequeña) la aproximación es buena solo si la
población difiere mucho de una distribución normal.
3) Si se sabe que la población es normal la distribución muestral de X
seguirá exactamente una distribución normal sin importar que tan
pequeña sea la muestra.
EJERCICIOS DE APLICACIÓN
Solución:
• X: V.A. altura de estudiantes
• Población: μ : 174.5cm.
σ : 6.9cm
• Muestra : n = 25
μ X = μ = 174.5
σ
σX =
n
0.1
• Error: e = ± = ±0.05
2
a) μ X = μ = 174.5cm.
σ 6.9
σX = = = 1.38cm. Error estándar
n 25
226
ESTADÍSTICA Y PROBABILIDADES I
c) ( ⎛
)
p X < 172.0 = P⎜ Z <
172.0 − 174.5 − 0.05 ⎞
1.38
⎟
⎝ ⎠
⎧1
⎪ X = 2, 4,6
f (x) = ⎨ 3
⎪⎩0 en otro caso
Encuentre la probabilidad de que una muestra aleatoria de tamaño 54
seleccionada con reemplazo, de una media muestral mayor que 4.1
pero menor que 4.4 Asuma de que las medias se redondean hasta la
décimas.
Solución:
• X: V.A uniforme discreta
3
1
• Población: μ = E ( X ) = ∑ xi f ( x i ) = (2 + 4 + 6) = 4
i =1 3
σ 2 = EX 2 − μ 2 = ∑ xi2 f ( xi ) − μ 2 =
3
(
1 2
)
2 + 42 + 62 − 42 =
56
3
− 16 =
8
3
8/3
• Muestra: X = ?? σX = = 0.222
54
n = 54
0.1
• Error:; e = ± = ±0.05
2
227
ESTADÍSTICA Y PROBABILIDADES I
{4.1 < X < 4.4}→ P(4.1 < X < 4.4) = P⎛⎜ 4.1 +0.0222
.05 − 4
<z<
4.4 − 0.05 − 4 ⎞
0.222
⎟
⎝ ⎠
= P(0.225 < z < 1.58)
= P(0.68 < z < 1.58)
= 0.9429 − 0.7517
= 0.1912
Solución:
• X: V.A. tornillo con una determinada resistencia
μ =78.3kg
• Población: σ =5.6kg
• Muestra: μ X = μ = 78.3
σ 5.6
σX = =
n n
5.6 5.6
a) n= 64 aumenta a n=196: σ X = = 0.7; σ X = = 0.4
64 196
disminuye
5.6 5.6
b) n= 7.84 disminuye an=49: σ X = = 0.2; σ X = = 0.8
784 49
aumenta
X 4 5 6 7
Solución:
• X: V.A. número de cereza en una empanada
• Población:
μ = EX = ∑ xi p( xi ) = 4(0.2) + 5(0.4) + 6(0.3) + 7(0.1) = 5.3
σ 2 = EX 2 − μ 2 = 4 2 (0.2) + 5 2 (0.4) + 6 2 (0.3) + 7 2 (0.1) − 5.3 2
= 28.9 − 28.09
• Muestra: n = 36
= 0.81
μ X = μ = 5.3
σ2 0.81
σ X2 = = = 0.0225
n 36
ESTIMACIÓN
229
ESTADÍSTICA Y PROBABILIDADES I
X1 X1
Xn
XN
μ≅X
μ
σ ≅s
2 2
(
X → f x, μ , σ 2 )
σ 2
s2
p ≅ pˆ
p pˆ
e≅ x−μ
Puntual
Estimación
Por Intervalos
Inferencia Prueba de
Estadística Hipótesis
Predicción
230
ESTADÍSTICA Y PROBABILIDADES I
Semana 17
MÉTODOS CLÁSICOS DE ESTIMACIÓN
Hemos estudiado la importancia de la media muestral y varianza muestral
el propósito es crear un fundamento que permita sacar conclusiones acerca
de los parámetros poblacionales utilizando los datos experimentales. Por
ejemplo el teorema del límite central proporciona información acerca de la
distribución de la media muestra X .
1. Insesgado
2. Eficiente
3. Consistente
4. Asintótico
1. ( )
E X =μ
2. ( )
E S2 =σ 2
3. ()
E Pˆ = P
Demostrar que E S 2 = σ 2 ( )
S2 =
1 n
∑ Xi − X
n − 1 i =1
( ) 2
S2 =
1 n
[
∑ (X i − μ ) − X − μ
n − 1 i =1
( )]
2
=
1 n
∑ [
n − 1 i =1
(
( X i − μ )2 − 2( X i − μ ) X − μ + X − μ) ( )]
2 2
=
1 ⎡n
⎢ ∑
n − 1 ⎣ i =1
(
( X 1 − μ )2 − 2 X − μ )∑ ( Xi i ( ⎤
− μ )+ n X − μ ⎥ )
⎦
=
1
n −1
[
∑ ( )(
( X i − μ )2 − 2n X − μ X − μ + n X − μ ) ( )]
2
232
ESTADÍSTICA Y PROBABILIDADES I
=
1
n −1
∑[ (
( X i − μ )2 − n X − μ )]
2
( )
E S2 =
1 ⎡n
⎢ ∑
n − 1 ⎣ i =1
( 2⎤
E ( X i − μ ) − nE X − μ ⎥
2
)
⎦
1 ⎡ 2 σ2⎤
= ⎢ n σ − n ⎥
n −1 ⎣ n ⎦
1
= [n − 1]σ 2
n −1
( )
∴E S2 =σ 2
σ
~ 2
X X
n 2 n X
σ
2
~
X
σ X2 < σ X2~
x
0
233
ESTADÍSTICA Y PROBABILIDADES I
La confianza 1 − α : 90%,95%,99%
La desconfianza α : 10%,5%,1%
234
ESTADÍSTICA Y PROBABILIDADES I
Población m3 X
m2 X
X
m1
X
Supongamos que extraemos una
Muestra de tamaño n de una
Población, con una confianza θ =μ
Del 95%.
Estimaciones por intervalos de μ para
diferentes muestras de tamaño n.
235
ESTADÍSTICA Y PROBABILIDADES I
ESTIMACIÓN MEDIA:
X −μ N(Z,0,1)
Z= ⎯→ N (Z ,0,1)
→∞
⎯n⎯
σ
n
P⎛⎜ − Z α < Z 1 < Z α 2 ⎞⎟ = − α
⎝ 2 ⎠ α α
2 1−α 2
− Z α < Z1 < Z α
2 2
X −μ
− Zα < < Zα
2 σ 2
n Zα μ − Zα x
σ σ 0 2 2
IC : X − Z α < μ < X + Zα
2 n 2 n
σ
1) e = X − μ ≤ Z α , error e
2 n
σ μ X σ
X − Zα X + Zα
2 n 2 n
2
σ ⎛ Zα σ ⎞
2) e ≤ Zα ⇒ n≥⎜ 2 ⎟ , tamaño de muestra
2 n ⎜ e ⎟
⎝ ⎠
236
ESTADÍSTICA Y PROBABILIDADES I
σ ⎛ σ ⎞ σ
3) L = X + Zε − ⎜⎜ X − Z α ⎟⎟ ∴ L = 2Z α , longitud del intervalo
2 n ⎝ 2 n⎠ 2 n
4) Error estándar de X ; e X = ( ) σ
n
EJEMPLO DE APLICACIÓN
Solución:
• X: variable aleatoria tiempo de vida de focos fabricados
• X → N(X, μ , σ 2 )
• Población: μ =?
σ =40 horas
• Muestra: n=30
X =780 horas
• Confianza: 1 − α = 0.95 ⇒ α = 0.05
α = 0.025 ⇒ Z 0.025 = −1.96
2
α σ
IC : X − Zα < μ < X + Zα
2 n 2 n
40 40
780 − 1.96 × < μ < 780 + 1.96 ×
30 30
237
ESTADÍSTICA Y PROBABILIDADES I
Zα σ 1.96 × 40
Error: e = 2
→e = 14.3138
n 30
Tamaño muestra
2
Zα σ ⎛ Zα σ ⎞
e= 2
→n≥⎜ 2 ⎟ = (5 − 48)2 = 30
n ⎜ e ⎟
⎝ ⎠
1 − α = 0.94 → α = 0.06
Datos: α
= 0.03 → Z = 0.03
2
238
ESTADÍSTICA Y PROBABILIDADES I
Solución:
• X: V.A. aptitud en la prueba
• n = 150
• σ = 6.2
• confianza
1 − α = 0.99 → α = 0.01, α = 0.005, Z 0.005 = −2.575 → simetriaZ0.995 = 2.575
2
σ 6.2
e ≤ Zα ⇒ e = 2575 × = 1.30
n2 150
En consecuencia el supervisor puede asegurar con una probabilidad
de 0.99 de que su error será a lo sumo 1.30
Solución:
• X: V.A. tiempo en ensamblar
• n = 40
• X = 12.73 minutos
• σ = 2.06 minutos
239
ESTADÍSTICA Y PROBABILIDADES I
− 2.32 − 0.0102
← X − 0.01 →
− 2.33 − 0.0099
− 2.33 − X 0.0001 1
= ⇒ X = −2.33 + 0.01 ×
− 0.01 0.0006 6
= -2.3283
Z 0.01 = −2.3283 Simetría Z 0.99 = 2.3283
2.06 2.06
12.73 − 2.3283 × < μ < 12.73 + 2.3283 ×
40 40
σ 30
c) Se nos pide 1 − α , usemos e = X − μ = Zα , = 0.5
2 n 60
Zα σ
minutos ⇒ 2
= 0.5
n
0.5 × 40
Zα = = 1.53508 = 1.54; P(Z < 1.54 ) = 0.9382
2 2.06
240
ESTADÍSTICA Y PROBABILIDADES I
La confianza es 1 − α = 87.64%
0.0618 0.0618
0.8764
0
σ
d) σX = = 2.06 = 0.3257 de minuto =19.54 seg.
n 40
Solución:
• X.V.A. refrescos despachados
• Población: μ =??
σ =0.15 dcl
• Muestra: n =36
X =2.25
• Confianza: 1 − α = 0.05 ⇒ Z 0.025 = −1.96 → simetriaZ 0.975 = 1.96
σ σ
a) X − Z 0.975 × < μ < X + Z 0.0975
n n
0.15 0.15
⇒ 2.25 − 1.96 × < μ < 2.25 + 1.96 × ⇒ 2.20 < μ < 2.30
36 36
2
σ ⎛ Zα σ ⎞ 2
241
ESTADÍSTICA Y PROBABILIDADES I
242
ESTADÍSTICA Y PROBABILIDADES I
Semana 18
INTERVALO DE CONFIANZA PARA LA MEDIA CON
VARIANZA NO CONOCIDA
INTRODUCCIÓN:
Cuando la varianza poblacional no es conocida utilizamos la distribución
de “t” de “student” (W.S. Gosset, 1908), para tamaños de muestra n<30. El
( )
estadístico T definido por X − μ / S / n genera una función de densidad
de probabilidad h(t). Como σ 2 no se conoce se estima mediante S2,
entonces:
− (v +1) / 2
X −μ Γ[(v + 1) / 2] ⎛ t 2 ⎞
T= → h(t ) = ⎜1 + ⎟⎟ −∞ <t < ∞
S Γ(v / 2 ) πv ⎜⎝ v ⎠
n
V =
(n − 1)S 2
σ 2
243
ESTADÍSTICA Y PROBABILIDADES I
h(t) v=∞
v=9
v=5
v=3
0 t
h(t)
α α
2 1−α 2
− tα 0 tα t
2 2
⎛ ⎞
⎜ X −μ ⎟
P⎜ − t (α ) < < t(α ) ⎟ = 1 − α
⎜ 2 S 2
⎟
⎝ n ⎠
244
ESTADÍSTICA Y PROBABILIDADES I
X −μ S S
IC : −t (α ) < < t (α ) ⇒ x − tα < μ < X + tα
2 s n 2 2 n 2 n
EJERCICIOS DE APLICACIÓN
1. Una compañía manufacturera asegura que las baterías utilizadas en sus
juegos electrónicos duran un promedio de 30 horas, Para conservar
este promedio se prueban 16 baterías mensualmente. Si el valor
calculado de t cae entre –t0.025 y t0.025, la compañía esta satisfecha con
su afirmación. ¿Qué conclusión sacaría la empresa de una muestra
que tiene una media X = 27.5 horas y una desviación estándar S=5
horas? Suponga que la distribución de las duraciones de las baterías es
aproximadamente normal.
Solución:
• X: V.A. duración de batería
• Población: μ = 30
σ 2 = ??
• Muestra: n = 16
X = 27.5
S =5
• Confianza 1 − α = 0.95 ⇒ α = 0.025 ⇒ t 0.025 = +2.131 , por simetría
2
t 0.975 = −2.131 v = 16 − 1 = 15
t ∈ − t 0.025 , t 0.025 = − 2.131,2.131
X − μ 27.5 − 30 2.5
t= = =− = −2, estadístico de prueba.
S S 5
n 16 4
245
ESTADÍSTICA Y PROBABILIDADES I
0 t
-2.131 2.131
Solución:
• X: V.A. consumo de cereal pre endulzado
• Población: μ = ?
σ =?
• Muestra: n = 20
X = 11.3
S = 2.45
• Confianza: 1 − α = 0.95 → t0.025 = 2.093
v = 20 − 1 = 19
Intervalo:
S S 2.45 2.45
X − t 0.025 < μ < X + t 0.025 ⇒ 11.3 − 2.093 × < μ < 11.3 + 2.093 ×
n n 20 20
246
ESTADÍSTICA Y PROBABILIDADES I
Solución:
• X: V.A. diámetro de piezas en centímetros
• Población: μ = ?
σ =?
• Muestra: n = 9
X = ??
S = ??
• Confianza: 1 − α = 0.99 → α = 0.005 t 0.005 = 3.355
2
v = 9 −1 = 8
X =
∑ X i = 9.05 = 1.0056
n 9
∑X − (∑ X i ) / 9 9.1051 − (9.05) / 9
2 2 2
i
S 2
= = = 0.0006028
9 −1 8
S = 0.0246
S S
IC : X − t 0.005 < μ < X + t 0.005
n n
0.0246 0.0246
1.0056 − 3.355 × < μ < 1.0056 + 3.355 ×
9 9
0.978 < μ < 1.033
247
ESTADÍSTICA Y PROBABILIDADES I
El error de tipo I.- Que se comete al rechazar la hipótesis nula siendo esta
verdadera.
El error de tipo II.- Que se comete al aceptar la hipótesis nula siendo esta
falsa.
α = P [ rechazar H 0 H 0 es verdadera ]
β = P[ aceptar H 0 H 0 es falsa ]
248
ESTADÍSTICA Y PROBABILIDADES I
EJERCICIOS DE PROPUESTOS
249
ESTADÍSTICA Y PROBABILIDADES I
250
ESTADÍSTICA Y PROBABILIDADES I
10. El tiempo que demora una persona en hablar por teléfono es una
variable aleatoria con media 3 minutos y desviación estándar 0.50
minutos. Hallar la probabilidad de que
• El tiempo total que demoran 49 personas sea mayor que 150
minutos
• El promedio del tiempo que demoran 64 personas sea mayor que
3.5 minutos.
• Si por cada minuto se paga $0.50 y el costo fijo por llamada es
igual a $0.80, calcular la probabilidad de que el costo al realizar
36 llamadas sea mayor que $45.
251
ESTADÍSTICA Y PROBABILIDADES I
7. Una fabrica trabaja con dos maquinas de tipo A y con una maquina de
tipo B. el tiempo que se utiliza para reparar la maquina A por semana
tiene distribución normal con media μ, desconocida y varianza
σ2 conocida, mientras que para la maquina B la distribución es normal
con media μ2, desconocida, y varianza 2 σ12. Luego, el tiempo total
semanal esperado de reparación es 2μ1 + μ2. Si se consideran una
muestra aleatoria de m tiempos de reparación para cada maquina de
tipo A y una muestra aleatoria de n tiempos de reparación para la
maquina B, construir un intervalo al nivel de confianza del 95 % para
el tiempo total esperado de reparación.
10. Se planea una encuesta para conocer el tiempo que los niños ven
televisión. Un estudio previo mostró que el tiempo promedio por
semana es cerca de 15 horas con una desviación estándar de 5 horas.
Se desea estimar el tiempo promedio por semana con una precisión
de 0.5 horas, al nivel de confianza del 99%. Si el costo de
administración de la encuesta es de $ 500, más $3 por entrevista,
¿Cuál es el costo total que se debe presupuestar para la encuesta?
Rpta. 2498
12. Hallar un intervalo de confianza al nivel del 95% para el ingreso total
mensual de una comunidad que tiene 500 familias si en una muestra
de 100 familias se obtuvo un ingreso mensual promedio de 30000
nuevos soles. Suponer que los ingresos tienen aproximadamente
distribución normal con desviación estándar igual a 5000 nuevos
soles.
Rpta. [14510000, 15490000]
254
ESTADÍSTICA Y PROBABILIDADES I
TABLAS ESTADÍSTICAS
255
ESTADÍSTICA Y PROBABILIDADES I
256
ESTADÍSTICA Y PROBABILIDADES I
257
ESTADÍSTICA Y PROBABILIDADES I
258
ESTADÍSTICA Y PROBABILIDADES I
259
ESTADÍSTICA Y PROBABILIDADES I
260
ESTADÍSTICA Y PROBABILIDADES I
BIBLIOGRAFÍA
261