Documentos de Académico
Documentos de Profesional
Documentos de Cultura
b
P [ a ≤ X ≤ b ]=∫ f ( x )dx
a
F(x) = ∫ f (u ) du ,
−∞
y (si f es continua en x)
d
f ( x )= f(x).
dx
Ejemplo 1
A partir de la función de densidad de probabilidad f(x), calcular P(1 ≤ X ≤ 3)
Solución:
Solo nos queda calcular el valor del área sombreada y en este caso se puede
realizar de 2 formas diferentes: mediante la fórmula del rectángulo y mediante la
integral definida de f(x) desde x igual a 1 hasta 3.
Con áreas:
Con integrales:
Ejemplo 2
El jefe de recursos humanos de una empresa realiza un test de diez ítems a los
aspirantes a un puesto, teniendo en cada ítems cuatro posibles respuestas, de las
que sólo una es correcta. Suponiendo que los aspirantes teniendo la misma
probabilidad de responder. Se pide hallar las probabilidades para el aspirante:
Solución:
Sea X = "contestar ítems bien en el test", la variable sigue una distribución binomial
1 10
n = 10 , p =
4
= 0,25 , b(10, 0,25) , P(X = k) = ⟨ ⟩
k
.0,25k .0,7510−k k 0,1, ,10
d) Calcular E[Y] si Y = 2X + 5
Solución:
k + 2k + 3k + 4k + 5k = 1
1
15k = 1 ⇒ k =
15
3 4 5 4
b) P(X > 2) = + + =
15 15 15 5
1 2 3 4 5 11
c) E[X] = 1 x +2 x + 3 x + 4 x +5 x =
15 15 15 15 15 3
1 2 3 4 5
E[ X 2 ] = 12 x +22 x +3 2 x +4 2 x +52 x =15
15 15 15 15 15
11 14
y por tanto Var[X] = 15 – ( )2=
3 9
11
d) E[Y] = 2E[X] + 5 = 2 x + 5 = 12,33
3
14
Var[Y] = 4Var[X] = 4 × = 6,22
9
a) Obtener k.
b) Dibujar la función de densidad.
c) Calcular la probabilidad P(X < 0,3).
d) Obtener la media y la varianza de X.
e) Obtener la media y la varianza de la variable Y = 3X − 1.
f) Obtener la media y la varianza de la variable Z = 3 X 2 .
Figura 2.1 Función de densidad del ejercicio 2
a) Para que f sea una función de densidad debe cumplir f(x) ≥ 0 y ∫ f (x)dx¿
−∞
b) Use la salida de SPSS para reproducir lo que pueda de los cálculos que hace SPSS.
Solución: Para la hipótesis de interés usamos el test de Wilcoxon para
muestras independientes es decir el "Test de suma de rangos de
Wilcoxon".
5 x 12 √5 x 6 x 12 = 5,477
Media: μW = = 30 Desviación estándar: σ W =
2 12
19−30
Test Z aproximado: z = = - 2,008
5,477
El resultado es igual al de la tabla ya que en este caso no hay empates y
no es necesario hacer corrección.
La distribución chi cuadrada es toda una familia de distribuciones. Existe una distribución
chi-cuadrada para cada grado de libertad. La Figura 1 muestra que a medida que se
incrementan los grados de libertad la distribución se vuelve menos sesgada. Las
aplicaciones más comunes de la distribución chi-cuadrada son (1) pruebas de bondad de
ajuste y (2) pruebas de independencia.
Medidas sobre que tan cerca se ajustan los datos muestrales observados a una forma de
distribución particular planteada como hipótesis. Si el ajuste es razonablemente cercano,
puede concluirse que si existe la forma de distribución planteada como hipótesis.
k 2
( Oi−E i )
χ 2 =∑
Prueba chi-cuadrada i=1 Ei (1.1)
donde k: Número de categorías o clases
k-m-1: grados de libertad donde m es el número de parámetros a estimar.
La Tabla 1.1 muestra la expectativa uniforme para una muestra de 48 autos vendidos
durante el último mes
Regla de decisión: Norechazarsiχ rSup { size 8{2} } <= 7 . 815 . Rechazarsiχ rSup { size 8{2} } >7 . 815
Como 1.17 < 7.815, la hipótesis de que la demanda no es uniforme no se rechaza.