Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Camacho Fernando - Gualotuña Erick - Narváez Italo - Méndez Daniel - Ponluisa Carla -
Rosero Camila
ESTADÍSTICA:
• Recolectar datos
• Organizar
• Presentar
• Analizar
• Tomar decisiones
• Big Data
• Inteligencia Artificial
• Machine Learning
VARIABLES:
• CUALITATIVAS
• CUANTITATIVAS
– Discretas: Variables que están claramente separadas.
∗ Edad
∗ Número de hijos
∗ Tallas
– Continuas:
∗ Dinero
∗ Peso
∗ Estructura
∗ Tramo
∗ Área
∗ Volumen
∗ Densidad
1
VARIABLES CUALITATIVAS
Tı́tulo - Subtı́tulo
ALIMENTOS CANTIDAD
Yaguarlocro 0.250
Fritada 0.3125
Pollo 0.125
Cuy 0.1875
Caldo de Patas 0.125
TOTAL 1
Fuente
Tı́tulo - Subtı́tulo
ALIMENTOS CANTIDAD (%)
Yaguarlocro 25
Fritada 31.25
Pollo 12.5
Cuy 18.75
Caldo de Patas 12.5
TOTAL 100
Fuente
VARIABLES CUANTITATIVAS
2
Observación 001
Edad 21
Género M
Estatura 168
Peso 80
Ser Bachiller 920
Nota Colegio 9.27
T.C. F
ID -
Provincia Sucumbı́os
Núm. Hnos. 3
Orden Nacimiento 1
• Variables
• Datos
• Medidas Descriptivas
– Medidas de tendencia central:
∗ Media
∗ Mediana
∗ Moda
∗ Media Geométrica
∗ Media Armónica
∗ Media Ponderada
– Medidas de variación:
∗ Varianza
∗ Desviación Estándar
∗ Desviación Media
∗ Coeficiente de Variación
∗ Error Tı́pico
– Medidas de forma:
∗ Coeficiente de Asimetrı́a
∗ Curtosis
– Medidas de posición:
∗ Cuartiles
∗ Quintiles
3
∗ Deciles
∗ Percentiles
• Gráfico
– Histograma
– Diagrama de tallo y hojas
– Diagrama de caja y bigotes (Boxplot)
– Diagrama de puntos
Σx
Población: µ =
N
Σx
Muestra: x̄ =
n
Ejemplo:
A={21,21,21,20,22,19,20,24,19,19,20,19,19}
21 + 21 + ... + 19
x̄ =
13
x̄ = 20.31
Σx ∗ f
µ=
N
Σx ∗ f
x̄ =
n
264
x̄ =
13
x̄ = 20.31
Media Geométrica
1
XG = (Π ∗ xi ) n
1
5 3 2
XG = (19 ∗ 20 ∗ 21 ∗ 22 ∗ 24) 12
4
XG = 20.26
ΣXc ∗ f
µ=
N
ΣXc ∗ f
x̄ =
n
515
x̄ =
40
x̄ = 12.88
Mediana
{19,19,19,19,19,20,20,20,21,21,21,22,24}
n+1
Localización de la mediana: LM e =
2
13 + 1
LM e = =7
2
M e = 20
{19,19,19,19,19,20,20,20,21,21,21,22,24,72}
336
x̄ = = 24
14
14 + 1
LM e = = 7.5
2
20 + 20
Me = = 20
2
Moda: Valor que se repite con mayor frecuencia.
2 modas = bimodal
≥ 3 multimodal
Mo=19
Datos Agrupados
5
EDAD FRECUENCIA FREC. ACUMULADA MARCA DE CLASE Xc*f
f F Xc Xc*f
[5 - 10[ 15 15 7.5 112.5
[10 - 15[ 12 27 12.5 150
[15 - 20[ 8 35 17.5 140
[20 - 25[ 10 45 22.5 225
[25 - 30[ 5 50 27.5 137.5
50 765
Media:
ΣXc ∗ f
x̄ =
n
x̄ = 15.30
Mediana
n
−F
M e = Li + ( 2 )∗∆
f
Li=10
∆ = 5 ; Tamaño de la clase
50
− 15
M e = 10 + ( 2 )∗5
12
M e = 14.17
Moda
d1
M o = Li + ( )∗∆
d1 + d2
Li: Lı́mite inferior de la clase modal
d1: Diferencia entre la frecuencia de la clase modal y la frecuencia de la clase anterior a la clase modal.
d2: Diferencia entre la frecuencia de la clase modal y la frecuencia de la clase siguiente a la clase modal.
Li=5
d1=15-0=15
d2=15-12=3
∆=5
15
Mo = 5 + ( )∗5
15 + 3
M o = 9.17
6
N Edad Peso Estatura Nota Ser B. Nota Cole Genero Tipo Cole N Hermanos Orden Herm.
01 21 80 168 920 8.36 M F 3 1
02 21 67 168 915 8.20 M A 2 1
03 21 65 168 894 8.46 M A 4 4
04 20 66 168 938 8.14 M A 2 1
05 22 55 169 911 8.5 M F 3 3
06 19 69 174 904 8.69 M A 2 1
07 20 64 165 913 8.12 M A 3 2
08 24 60 167 830 9 M A 7 2
09 19 50 159 982 9,47 F A 3 1
10 19 55 170 907 8.5 M A 2 1
11 20 70 170 913 8.31 M A 2 1
12 19 88 175 945 8.9 M A 2 1
13 18 50 159 910 9.45 F P 1 1
14 19 60 171 895 9.26 M A 3 3
15 19 65 165 983 9.27 M F 4 1
16 19 70 166 950 8.9 M F 2 1
17 22 83 179 994 9.46 M A 4 4
18 18 60 167 979 8.74 M P 2 2
19 20 65 166 900 8.54 M F 3 2
Media Aritmética, Moda, Mediana
[0 - 20) 15
[20 - 40) 17
[40 - 60) 18
[60 - 80) 25
[80 - 100) 15
Conjuntos de Datos:
A = 8,10,12,12,14,14,14,14,18,18,20
B = 12,12,13,13,14,14,14,14,15,15,18
X A = 14.0 X B = 14.0
Diagrama de Puntos:
7
X X −X |X − X| (X − X)2 (X − X)3 (X − X)4
8 -6 6 36 -216 1296
10 -4 4 16 -64 256
12 -2 2 4 -8 16
12 -2 2 4 -8 16
14 0 0 0 0 0
14 0 0 0 0 0
14 0 0 0 0 0
14 0 0 0 0 0
18 4 4 16 64 256
18 4 4 16 64 256
20 6 6 36 216 1296
X
154 0 28 128 48 3392
Media X = 14
Varianza:
(x − µ)2
P
Población σ2 =
N
(x − x)2
P
Muestra S2 =
n−1
128
S2 = = 12.8
11 − 1
Desviación Estándar:
Coeficiente de variación:
S
CV = ∗ 100%
X
3.58
CV = ∗ 100%
14
CV = 25.57%
Error tı́pico
S 3.58
ET = √ ET = √ ET = 1.08
n 11
8
Medidas de Forma
Coeficiente de Asimetrı́a
(X − X)2
P
n
α3 = ∗
(n − 1)(n − 2) S2
11 48
α3 = ∗
10 ∗ 9 3.582
α3 = 0.1278
x f F xf (x − x)f |x − x|f (x − x2 )f (x − x3 )f (x − x4 )f
8 1 1 8 -6 6 36 -216 1296
10 1 2 10 -4 4 16 -64 256
12 2 4 24 -4 4 8 -16 32
14 4 8 56 0 0 0 0 0
18 2 10 36 8 8 32 128 512
20 1 11 20 6 6 36 216 1296
X
11 154 0 28 128 48 3392
9
Media:
P Mediana: Moda:
xf 154 n+1
x= P = = 14 LM e = =6 Mo=14
f 11 2
Me = 14
Media Geométrica:
q q
MG = xf1 ∗ xf22 ∗ ... ∗ xfnk ΠXifi
n n
f = 1 + 2 + .... + k MG = MG = 13.57
Desvación Media
Σ|x − x|f 25
DM = = = 2.55
n 11
Varianza
(x − x)2 f
P
2 128
S = = = 12.8
n−1 10
Coeficiente de Asimetrı́a
(X − X)2
P
n 11 48
α3 = ∗ 2
= ∗ = 0.128
(n − 1)(n − 2) S 10 ∗ 9 3.583
Curtosis
Media:
977.5
x= = 17.77
55
Mediana
n+1 56
LM e = = = 28
2 2
n 55
−F − 25
M e = Li + ( 2 )∆ = 15 + ( 2 ) ∗ 5 = 16.25
f 10
Moda
d1 5
M o = Li + ( )∆ = 10 + ( ) ∗ 5 = 17.5
d1 + d2 5+5
Desviación Estandar
(xc − x)2 f
P
3470.87
S2 = = = 64.27
n−1 54
10
Coeficiente de Asimetrı́a
(xc − x)2
P
n 55 11062.44
α3 = ∗ 2
= ∗ = 0.413
(n − 1)(n − 2) S 54 ∗ 53 8.0173
Curtosis
Datos simples
Medidas de Posición
• Cuartiles
n+1
LQ1 = ( )i
4
n+1
LQ1 = ( )1
4
A = {8, 10, 12, 12, 14, 14, 14, 14, 18, 18, 20}
11 + 1
LQ1 = ( ) = 3 → Q1 = 12
4
11 + 1
LQ1 = ( ) ∗ 2 = 6 → Q1 = 14
4
11 + 1
LQ1 = ( ) ∗ 3 = 9 → Q1 = 18
4
• Quintiles
• Primer Quintil
11
n+1 Posición Valor
Lki = ( )∗i
5 2 10
11 + 1
Lk1 = ( )∗1 2.4 10+x
5 3 12
Lk1 = 2.4
k1 = 10.8 0.4(2)
x= = 0.8
1
• Segundo Quintil
n+1 Posición Valor
Lki = ( )∗i
5 4 12
11 + 1
Lk2 = ( )∗2 4.8 12+x
5 5 14
Lk2 = 4.8
k1 = 13.6 0.8(0)
x= =0
1
• Tercer Quintil
n+1 Posición Valor
Lki = ( )∗i
5 7 14
11 + 1
Lk3 = ( )∗3 7.2 14+x
5 8 14
Lk3 = 7.2
k3 = 14 0.2(0)
x= =0
1
• Cuarto Quintil
n+1 Posición Valor
Lki = ( )∗i
5 9 18
11 + 1
Lk4 = ( )∗4 9.6 18+x
5 19 18
Lk4 = 9.6
k4 = 18 0.6(0)
x= =0
1
• Histograma
P =
15, 17, 17, 18, 18, 18, 18, 19, 19, 19, 19, 20, 20, 20
12
20, 21, 21, 21, 21, 21, 20, 22, 22, 22, 23, 24, 25, 26}
1: Rango
Rango = M ax − M in
Rango = 26 − 15
Rango = 11
2: Numero de clases
n.class = 1 + log2 n n.class (
= 5.81
ln(n) 5
n.class = 1 + 5.81 ⇒
ln(2) 6
ln(28) n.class = 5
n.class = 1 +
ln(2)
Es preferible seleccionar un número impar de clases
3: Tamaño de la clase
Rango + 1 12
4= = = 2.4
N um.Class 5
Rango − Corregido = 11 + 1
Rango corregido
R = 5 ∗ 2.5 = 12.5
Clases Teóricas F
[14.25 - 16.25[ 1
[16.75 - 19.25[ 10
[19.25 - 21.75[ 9
[21.75 - 24.25[ 6
[24.25 - 26.25] 2
Figure 8: Histograma de P
13
Clases Teóricas F
[14 - 16[ 1
[16 - 19[ 10
[19 - 21[ 9
[21 - 24[ 6
[24 - 26] 2
Ej2:
P = 50, 50, 55, 55, 60, 60, 60, 64, 65, 65, 65, 66, 67, 69, 70, 70, 80, 83, 88
1: Rango
Rango = M ax − M in
Rango = 88 − 50
Rango = 38
2: Numero de clases
n.class = 1 + log2 n n.class (
= 5.25
ln(n) 5
n.class = 1 + 5.81 ⇒
ln(2) 6
ln(19) n.class = 6
n.class = 1 +
ln(2)
3: Tamaño de la clase
Rango + 1 39
4= = = 6.5
N um.Class 6
Rango − Corregido = 38 + 1
Rango corregido
R = 6 ∗ 6.5 = 39; 39 − 38 = 1
Clases F
]49.5 - 56.0] 4
]56.0 - 62.5] 3
]62.5 - 69.0] 7
]69.0 - 75.5] 2
]75.5 - 82.0] 1
]82.0 - 88.5] 2
Percentil
n+1
Lpi = i → n = 11
100
12 + 1
Lpi = 10 → P ercentil[10]
100
4:
39
∆= = 7.8 → 8
5
R = 8 ∗ 5 = 40
14
Clases Frecuencias
[49.0 - 57.0[ 4
[57.0 - 65.0[ 4
[65.0 - 73.0[ 8
[73.0 - 81.0[ 1
[81.0 - 90.0[ 2
Probabilidad
Experimento
Es el proceso que lleva a la ocurrencia de una y solo una de varias observaciones posibles.
(Resultado)
Resultado
Es la consecuencia de un experimento en particular
Evento
Es el connjunto de uno o más resultados posibles de un experimento.
Enfoque de probabilidades
15
Inicio
Cara Sello
Probabilidades
Objetiva Subjetiva
Clasica Empı́rica
Ejemplos:
Hallar la probabilidad de sacar un número mayor que 4 al lanzar un dado.
Resultados → 1, 2, 3, 4, 5, 6
2 1
p(x > 4) = =
6 3
¿Cuál es la probabilidad de obtener al menos una cara al lanzar 3 veces una moneda?
Resultadosccc, ccs, csc, css, scc, scs, ssc, sss
7
p(x ≥ 1) =
8
Determinar la probabilidad de obtener al menos un varón en un matrimonio con 4 hijos.
Resultados → vvvv, vvvm, vvmm, vmmm, mmmm
7
p(x ≥ 1) =
8
1 15
p(x ≥ 1) = 1 − =
16 16
(
Clásica
Probabilidades Objetiva Empı́rica
Subjetiva
Clásico
Fórmula
N umeroderesultadosf avorables
P = (1)
N umeroderesultados
Ejemplo
16
• Determinar la probabilidad de obtener al menos un varón en un matrimonio con 4 hijos.
Resultados:{vvvv, vvvm, vvmm, vmmm...mmm}
1 15
p(x ≥ 1) = 1 − =
16 16
Mutuamente excluyente
La ocurrencia de un evento significa que ninguno de los otros puede ocurrir al mismo tiempo.
Colectivamente exhaustivo
Por lo menos uno de los eventos debe ocurrir al realizar un experimento.
n
X
pi = 1 0 ≤ pi ≤ 1
i=1
Part I
Empı́rica
Fórmula
N umeroderesultadosf avorablesobtenidosenelpasado
P = (2)
N umerodeobservaciones
Ejemplo:
Probabilidad de que Ecuador venza a Argentina en un partido de fútbol.
3 → tresveceshaganadoEcuador
P =
20 → vecesjugadas
P = 0.5
Probabilidad subjetiva
Es la posibilidad de que suseda un evento en particular asigna un individuo con base, muy poca base o
ninguna a un evento.
Reglas
• Regla de la adición o de la suma
Regla especial de la adición o suma.
P (A o B) = P (A) + P (B)
Ejemplo:
• Se lanza un dado, cuál es la probabilidad de obtener un 3 o un 5.
A = Obtener un 3 al lanzar un dado
B = Obtener un 5 al lanzar un dado
P (A o B) = P (A) + P (B)
1 1 2
P (A o B) = + =
6 6 6
1
P (A V B) = = P (A U B)
3
Regla general de la adición
17
• Probabilidad conjunta
Es la probabilidad que mide la posibilidad donde dos o más eventos ocurren al mismo tiempo.
A B
P (A) P (B)
Ejercicio.
A B
1. Literal a:
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
P (A ∪ B) = 0.60 + 0.75 − 0.50
P (A ∪ B) = 0.85
18
2. Literal b:
P (almenosunaasignatura) = P (A ∪ B)
P (almenosunaasignatura) = 0.85
P (Ac ) = P (A0 )
c
P (A ) = P (∼ A) = 1 − P (A)
A B
El espacio pintado de color azul viene a ser la probabilidad que entrega la ley del complemento.
3. Literal c:
P (∼ (A ∪ B)) = 1 − 0.85
P (∼ (A ∪ B)) = 0.15
4. Literal d:
P (solof isica) = P (B − A) = 0.25
5. Literal e:
P (solounaasignatura) = P (A B) + P (B A)
= P (A∆B)
= 0.10 + 0.25
= 0.35
Ejemplos:
1. Un grupo de estudiantes (150) que tomaron las asignaturas de álgebra, biologı́a y cálculo. Se obtu-
vieron los siguientes resultados: 72 aprobaron álgebra, 72 aprobaron biologı́a, 54 aprobaron cálculo,
36 aprobaron álgebra y biologı́a, 27 aprobaron álgebra y cálculo, 9 aprobaron las 3 asignaturas, 18
aprobaron solo caálculo. Determinar la probabilidad de que al seleccionar uno de los estudiantes
al azar, este:
(a) Apruebe al menos una asignatura
(b) No apruebe ninguna asignatura
(c) No menos de dos asignaturas
(d) Solo una asignatura
(e) Solo biologı́a
A : Aprobar álgebra
B : Aprobar biologı́a
C : Aprobar caálculo
19
A B
18 27
9
18
72
• P (A) = = 0.48
150
• P (B) = 0.48
• P (C) = 0.36
• P (A ∩ B) = 0.24
• P (A ∩ C) = 0.18
• P (A ∩ B ∩ C) = 0.06
• P (C − (A ∪ B)) = 0.12
Resolución:
(a) P (Almenosunaasignatura) = P (A ∪ B ∪ C)
P (Almenosunaasignatura) = 0.48 + 0.48 + 0.36 − 0.24 − 0.18 − 0.12 + 0.06
P (Almenosunaasignatura) = 0.84
24
(b) P (ninguna) = = 0.16oo
150
63
(c) P (N omenosdedos) = = 0.4200
150
63
(d) P (Solouna) = = 0.4200
150
27
(e) P (SoloB) = = 0.1800
150
2. De un grupo de 120 estudiantes tomaron los cursos de álgebra, bioestadı́stica y cálculo, la taza de
deserción fue muy elevada, de este grupo 50 perdieron álgebra lineal, 40 perdieron en bioestadı́stica,
10 no reprobaron ninguna asignatura, 5 repitieron las 3 asignaturas 12 perdieron bioestadı́stica y
cálculo, 20 perdieron álgebra y cálculo, 10 perdieron solamente álgebra y bioestadı́stica.
Se selecciona un estudiante de manera aleatoria. Determinar la probabilidad de que este:
20
(e) No perdió ninguna
A B
20 35
5
18
20 1
(a) P (A) = = = 0.167
120 6
Sean A y B dos eventos cualesquiera, se dice que son independientes cuando la ocurrencia de uno
de ellos no inside en la ocurrencia del otro.
Ejemplo 1. Se lanza una moneda dos veces consecutivas. Hallar la probabilidad de obtener las dos
veces cara.
P (A ∩ B) = P (A) ∗ P (B)
1 1
P (A ∩ B) = ∗
2 2
21
1
P (A ∩ B) =
4
P (A ∩ B) = P (A) ∗ P (B|A)
1. Un par de A
4 3
p(A | B) = ∗
52 51
1
p(A | B) =
221
2. Un black jack
4 4 4 4
p(A | B) = ∗ + ∗
52 51 52 51
8
p(A | B) =
663
3. 21
16 4
p(A | B) = ∗ 2
52 51
32
p(A | B) =
663
Hallar la probabilidad de obtenerun poker de A en una mano de este juego.
4 3 2 1 48
p(poker A) = ∗ ∗ ∗ ∗ (5)
52 51 50 49 48
p(poker A) = 0.00001847
En una canasta hay 8 pelotas azules,6 pelotas rojas, 4 pelotas amarillas y 2 pelotas
verdes. Hallar la probabilidad de que al extraer 4 pelotitas estas salgan:
1. Todas azules.
8 7 6 5
p(todas azules) = ∗ ∗ ∗
20 19 18 17
p(todas azules) = 0.0144
22
2. 2 azules + 2 rojas
8 7 6 5
p(2 azules + 2 rojas) = ∗ ∗ ∗ ∗6
20 19 18 17
p(2 azules + 2 rojas) = 0.0867
5. 2 pares de colores
8 7 6 5
p(2paresdecolores) = ∗ ∗ ∗ 6+
20 19 18 17
8 7 4 3
+ ∗ ∗ ∗ 6+
20 19 18 17
8 7 2 1
+ ∗ ∗ ∗ 6+
20 19 18 17
6 5 4 3
+ ∗ ∗ ∗ 6+
20 19 18 17
6 5 2 1
+ ∗ ∗ ∗ 6+
20 19 18 17
4 3 2 1
+ ∗ ∗ ∗ 6
20 19 18 17
p(2paresdecolores) = 0.1315
TECNICAS DE CONTEO
Si hay m formas de que ocurra una cosa y n formas de que ocurra otra cosa, el número de formas de
que pueda ocurrir las 2 es m x n.
PERMUTACIÓN
Si tengo m objetos y r posiciones, el número de formas que se pueden ordenar se conoce con el nombre
de permutaciones y tiene dado por:
n objetos
r posiciones
n!
nP r =
(n − 1)!
EJEMPLO:
A B C D E F G
7 6 5 4
23
7! 7! 7 ∗ 6 ∗ 5 ∗ 4 ∗ 3!
7 P4 = = =
(7 − 4)! 3! 3!
7 P4 = 840
20! 20 ∗ 19 ∗ 18 ∗ 17 ∗ 16!
20 P4 = =
(20 − 4)! 16!
20 P4 = 116280
Determinar el numero de claves que se pueden formar con los digitos del 0 al 9. El
número de dı́gitos va a ser:
1. 3 (sin repetición)
10 ∗ 9 ∗ 8 ∗ 7!
10 P3 =
7!
P
10 3 = 720
2. 4 (sin repetición)
10 ∗ 9 ∗ 8 ∗ 7 ∗ 6!
10 P4 =
6!
10 P4 = 5040
3. 5 (sin repetición)
10 ∗ 9 ∗ 8 ∗ 7 ∗ 6 ∗ 5!
10 P5 =
5!
10 P5 = 30240
4. 3 (con repetición)
103 = 1000
5. 4 (con repetición)
104 = 10000
6. 5 (con repetición)
105 = 100000
Hallar la probabilidad de desbloquear una cuenta bancaria que para generar esta se
emplean letras minusculas y digitos(sin considerar la ñ). Para la cual tiene 3 intentos.
1. 4 (sin repetición)
3! 3
36!
= = 2.12 ∗ 10−6
32!
1413720
2. 5 (sin repetición)
3! 3
36!
= = 6.63 ∗ 10−8
31!
45239040
3. 6 (sin repetición)
3! 3
36!
= = 2.14 ∗ 10−9
30!
1402410240
4. 4 (con repetición)
3 3
= = 1.79 ∗ 10−6
364 1679616
24
5. 5 (con repetición)
3 3
5
= = 4.96 ∗ 10−8
36 60466176
6. 6 (con repetición)
3 3
= = 1.38 ∗ 10−9
366 2176782336
TEOREMA DE BAYES
Una empresa adquiere cierto articulo a 3 empresas A1 , A2 , A3 distribuidos en un porcentaje 25% ,
35% , 40%. Control de calidad a determinado que de cada uno de las empresas vienen los articulos con
fallas en un 4% , 2% , 3%. En un proceso de inspección se encuentra un articulo defectuoso.
Determinar la probabilidad de que este haya venido de la empresa A1 .
A1 25% 4%
A2 35% 2%
A3 40% 3%
P (Ai ∩ B)
P (Ai | B) =
p(B)
P (A ∩ B)
P (Ai | D) =
P (A1 ∩ B) + P (A2 ∩ B) + P (A3 ∩ B) + ... + P (An ∩ B)
P (A | D) = P (D) ∗ P (A | D)
P (D ∩ A)
P (A | D) =
P (D)
P (D ∩ A1 )
P (A1 | D) =
P (D)
0.010
P (A1 | D) =
0.010 + 0.07 + 0.012
P (A1 | D) = 0.3448
P (B1 ∩ A)
P (A1 | B1 ) =
p(B)
0.03
P (A1 | B1 ) =
0.03 + 0.04
P (A1 | B1 ) = 0.4286
2. P (A1 = 0.20, P (A2 ) = 0.40yP (A3 = 0.40.P (B1 | A1 ) = 0.25, P (B1 | A2 ) = 0.05yP (B1 | A3 = 0.10.
Utilice el teorema de Bayes para determinar P (A3 | B1 ).
P (B1 ∩ A3 )
P (B1 | A3 ) =
p(B)
0.04
P (A3 | B1 ) =
0.05 + 0.02 + 0.04
P (A1 | B1 ) = 0.3636
25
3. El equipo de béisbol Gatos Salvajes de Ludlow, un equipo de lga menor de la orga-
nización de los Indios de Cleveland, juega 70% de sus partidos por la noche y 30 %
durante el dı́a.El equipo gana 50 % de sus partidos nocturnos y 90 % de los que juega
en el dı́a. Según el periódico de hoy, ganaron ayer. ¿Qué probabilidad hay de que el
partido se haya jugado por la noche?
N ∩G
P (N | G) =
p(G)
0.35
P (N | G) =
0.35 + 0.27
P (A1 | B1 ) = 0.5645
1. Un par de A
4 3
p(A | B) = ∗
52 51
1
p(A | B) =
221
2. Un black jack
4 4 4 4
p(A | B) = ∗ + ∗
52 51 52 51
8
p(A | B) =
663
3. 21
16 4
p(A | B) = ∗ 2
52 51
32
p(A | B) =
663
Hallar la probabilidad de obtenerun poker de A en una mano de este juego.
4 3 2 1 48
p(poker A) = ∗ ∗ ∗ ∗ (5)
52 51 50 49 48
p(poker A) = 0.00001847
En una canasta hay 8 pelotas azules,6 pelotas rojas, 4 pelotas amarillas y 2 pelotas
verdes. Hallar la probabilidad de que al extraer 4 pelotitas estas salgan:
1. Todas azules.
8 7 6 5
p(todas azules) = ∗ ∗ ∗
20 19 18 17
p(todas azules) = 0.0144
2. 2 azules + 2 rojas
8 7 6 5
p(2 azules + 2 rojas) = ∗ ∗ ∗ ∗6
20 19 18 17
p(2 azules + 2 rojas) = 0.0867
26
4. todos de diferente color
8 6 4 2 2 4 6 8
p(dif erente color) = ∗ ∗ ∗ + ... + ∗ ∗ ∗
20 19 18 17 20 19 18 17
5. 2 pares de colores
8 7 6 5
p(2paresdecolores) = ∗ ∗ ∗ 6+
20 19 18 17
8 7 4 3
+ ∗ ∗ ∗ 6+
20 19 18 17
8 7 2 1
+ ∗ ∗ ∗ 6+
20 19 18 17
6 5 4 3
+ ∗ ∗ ∗ 6+
20 19 18 17
6 5 2 1
+ ∗ ∗ ∗ 6+
20 19 18 17
4 3 2 1
+ ∗ ∗ ∗ 6
20 19 18 17
p(2paresdecolores) = 0.1315
TECNICAS DE CONTEO
Si hay m formas de que ocurra una cosa y n formas de que ocurra otra cosa, el número de formas de
que pueda ocurrir las 2 es m x n.
PERMUTACIÓN
Si tengo m objetos y r posiciones, el número de formas que se pueden ordenar se conoce con el nombre
de permutaciones y tiene dado por:
n objetos
r posiciones
n!
nP r =
(n − 1)!
EJEMPLO:
A B C D E F G
7 6 5 4
7! 7! 7 ∗ 6 ∗ 5 ∗ 4 ∗ 3!
7 P4 = = =
(7 − 4)! 3! 3!
7 P4 = 840
20! 20 ∗ 19 ∗ 18 ∗ 17 ∗ 16!
20 P4 = =
(20 − 4)! 16!
20 P4 = 116280
27
Determinar el numero de claves que se pueden formar con los digitos del 0 al 9. El
número de dı́gitos va a ser:
1. 3 (sin repetición)
10 ∗ 9 ∗ 8 ∗ 7!
10 P3 =
7!
10 P3 = 720
2. 4 (sin repetición)
10 ∗ 9 ∗ 8 ∗ 7 ∗ 6!
10 P4 =
6!
10 P4 = 5040
3. 5 (sin repetición)
10 ∗ 9 ∗ 8 ∗ 7 ∗ 6 ∗ 5!
10 P5 =
5!
10 P5 = 30240
4. 3 (con repetición)
103 = 1000
5. 4 (con repetición)
104 = 10000
6. 5 (con repetición)
105 = 100000
Hallar la probabilidad de desbloquear una cuenta bancaria que para generar esta se
emplean letras minusculas y digitos(sin considerar la ñ). Para la cual tiene 3 intentos.
1. 4 (sin repetición)
3! 3
36!
= = 2.12 ∗ 10−6
32!
1413720
2. 5 (sin repetición)
3! 3
36!
= = 6.63 ∗ 10−8
31!
45239040
3. 6 (sin repetición)
3! 3
36!
= = 2.14 ∗ 10−9
30!
1402410240
4. 4 (con repetición)
3 3
= = 1.79 ∗ 10−6
364 1679616
5. 5 (con repetición)
3 3
= = 4.96 ∗ 10−8
365 60466176
6. 6 (con repetición)
3 3
= = 1.38 ∗ 10−9
366 2176782336
TEOREMA DE BAYES
Una empresa adquiere cierto articulo a 3 empresas A1 , A2 , A3 distribuidos en un porcentaje 25% ,
35% , 40%. Control de calidad a determinado que de cada uno de las empresas vienen los articulos con
fallas en un 4% , 2% , 3%. En un proceso de inspección se encuentra un articulo defectuoso.
Determinar la probabilidad de que este haya venido de la empresa A1 .
28
A1 25% 4%
A2 35% 2%
A3 40% 3%
P (Ai ∩ B)
P (Ai | B) =
p(B)
P (A ∩ B)
P (Ai | D) =
P (A1 ∩ B) + P (A2 ∩ B) + P (A3 ∩ B) + ... + P (An ∩ B)
P (A | D) = P (D) ∗ P (A | D)
P (D ∩ A)
P (A | D) =
P (D)
P (D ∩ A1 )
P (A1 | D) =
P (D)
0.010
P (A1 | D) =
0.010 + 0.07 + 0.012
P (A1 | D) = 0.3448
P (B1 ∩ A)
P (A1 | B1 ) =
p(B)
0.03
P (A1 | B1 ) =
0.03 + 0.04
P (A1 | B1 ) = 0.4286
2. P (A1 = 0.20, P (A2 ) = 0.40yP (A3 = 0.40.P (B1 | A1 ) = 0.25, P (B1 | A2 ) = 0.05yP (B1 | A3 = 0.10.
Utilice el teorema de Bayes para determinar P (A3 | B1 ).
29
P (B1 ∩ A3 )
P (B1 | A3 ) =
p(B)
0.04
P (A3 | B1 ) =
0.05 + 0.02 + 0.04
P (A1 | B1 ) = 0.3636
N ∩G
P (N | G) =
p(G)
0.35
P (N | G) =
0.35 + 0.27
P (A1 | B1 ) = 0.5645
30
4. La doctora Stallter ha enseñado estadı́stica básica durante varios años. Sabe que 80% de los
estudiantes terminan los problemas asignados. También determinó que entre aquellos que hacen
las tareas, 90% aprueban el curso. Entre los alumnos que no hacen su tarea, 60% aprueban. El
semestre pasado, Mike Fishbaugh tomó clases de estadı́stica con la doctora Stallter y obtuvo una
calificación aprobatoria. ¿Qué probabilidad hay de que haya terminado sus tareas?
A B A∩B
T 0.80 −→ 0.90 0.72
∼T 0.20 −→ 0.60 0.12
0.72
p(A1 /B) = = 0.857
0.12 + 0.72
5. El departamento de crédito de Lion’s Departament Store en Anahein, California, reportó que 30%
de sus ventas se pagan en efectivo, 30% con cheque en el moemnto de la compra y 40% con cargo
a la tarjeta de crédito. Veinte por ciento de las compras en efectivo, 90% de las que se pagan con
cheque y 60% de las que se cargan a la tarjeta son por más de $50. La señorita Tina Stevens
sólo compró un vestido nuevo que cuesta $120. ¿Cuál es la probabilidad de que haya pagado en
efectivo?
A B A∩B
Ef ectivo 0.3 −→ 0.2 0.06
Cheque 0.3 −→ 0.9 0.27
T arjeta 0.4 −→ 0.6 0.24
0.06
p(A1 /B) = = 0.1053
0.06 + 0.27 + 0.24
6. Una cuarta parte de los residentes de Burning Ridge Estates dejan abierta la puerta de la cochera
cuando no están en casa. El jefe de policı́a calcula que en 5% de las cocheras con la puerta abiera
habrá algún robo, pero en sólo en 1% de las cocheras que tienen la puerta cerrada habrá algún
robo. Si hay un robo en una cochera. ¿qué porbabilidad hay de que las puertas hayan estado
abiertas?
A B A∩B
Abierta 0.25 −→ 0.05 0.025
Cerrada 0.75 −→ 0.01 0.0075
0.0125
p(A1 /B) = = 0.625
0.0125 + 0.00725
EJERCICIOS
31
1 1 2 1
a) p(A ∪ B) = p(A) + p(B) = + = =
6 6 6 3
2
b) p(∼ (A ∪ B)) = 1 − p(A ∪ B =
3
2. La probabilidad de que Juan apruebe estadı́stica es 0.7 y que Pedro apruebe es 0.5 ¿Cuál es la
probabilidad de que ambos aprueben estadı́stica?
3. Asumiendo que varones y muejres nacen de igual manera. Determinar cuál es la probabilidad de
que una pareja con 3 hijos tenga:
(a) 2 varones.
(b) Al menos dos varones.
(c) Los dos primeros sean varones.
(d) Ninguno sea varón.
(e) Todos sean varones.
3
a) p(V = 2) =
8
4 1
b) p(V 5 2) = =
8 2
2 1
c) p(2primerosV ) = =
8 4
1
d) p(∼ V ) =
8
1
e) p(todosV ) =
8
32
4. En una cesta hay 10 bolitas rojas, 5 negras, 2 azules y 8 verdes. Se extrae 4 bolitas al azar
determinar la probabilidad de que:
(a) Todas sean rojas.
(b) Todas sean rojas o negras.
(c) Todas de diferente color.
(d) Ninguna azul.
10 9 8 7 21
a) p(todasR) = ∗ ∗ ∗ = = 0.01660
25 24 23 22 1265
10 9 8 7 5 4 3 2 43
b) p(R ∪ N ) = ( ∗ ∗ ∗ )+( ∗ ∗ ∗ )= = 0.017
25 24 23 22 25 24 23 22 2530
10 5 2 8 16
c) p(dif erentes) = ( ∗ ∗ ∗ ) ∗ 24 = = 0.0632
25 24 23 22 253
2 1
d) p(∼ A) = 1 − p(A) = 1 − ( ∗ ) = 0.9967
25 24
5. En una universidad ingresan 1200 estudiantes, los cuales quieren seguir administración, biotec-
nologı́a y construcción. 550 quieren seguir administración, 750 biotecnologı́a y 750 construcción,
200 cualquiera de las 3 carreras, 300 administración y biotecnologı́a, 150 solo administración y con-
strucción y 150 solo construcción. Se selecciona un estudiante al azar. Determinar la probabilidad
de que este:
(a) No siga ninguna de las 3 carreras.
(b) Solo seleccione una carrera.
(c) Solo administración y biotecnologı́a.
(d) Al menos 1 asignatura de estas.
(e) Solo dos asignaturas.
A B
100
100 200
200
150 250
150
1200 − 1150 = 50
5
a) p(∼ estudie) = = 0.04167
1200
100 + 200 + 150 3
b) p(1carrera) = = = 0.375
1200 8
100
c) p(A ∩ B ∼ C) = = 0.0833
1200
d) p(alM enos1) = 1 − p(∼ estudie) = 1 − 0.04167 = 0.9583
100 + 150 + 250 5
e) p(2carreras) = = = 0.4167
1200 12
33
(a) Obtener una ronda en la primera mano.
(b) Obtener una ronda en la segunda mano.
4 3 2 37 36
a) p(ronda) = ( ∗ ∗ ∗ ∗ ) ∗ 10 ∗ 14 ∗ 4 = 0.2267
40 39 38 37 36
4 3 2 37 36
b) p(ronda2m) = ( ∗ ∗ ∗ ∗ ) ∗ 10 ∗ 14 ∗ 4 = 0.2267
40 39 38 37 36
7. Cuatro amigos salen al teatro con sus respectivas esposas. Determinar el número de formas en que
se pueden sentar:
(a) en primera fila (8 asientos).
(b) Junto a sus respectivas esposas.
(c) Todas las mujeres juntas.
(d) Todos los hombres y todas las mujeres juntos.
(e) No pueden estar dos varones juntos.
(f) No pueden sentarse dos mujeres especiales que no se llevan.
a) 8! = 40320
b) 4! ∗ 2! ∗ 2! ∗ 2! ∗ 2! = 384
c) 4! ∗ 4! ∗ 5 = 2880
d) 4! ∗ 4! ∗ 2! = 1152
e) 4! ∗ 4! = 576
f ) 4! ∗ 4! ∗ 2! ∗ 2! = 2304
8. En una Universidad un grupo de estadounidenses selecciona la carrera A(1/5), B(2/5) y la C(2/5)
en la carrera A se gradúa el 40%, en la B se gradúa el 30% y de la C se gradúa el 90%. Determinar
la probabilidad de que:
(a) Un estudiante que ingresa a cualquiera de estas carreras se gradúe.
(b) Ingrese a la B y que no se gradúe.
(c) Habiéndose graduado este haya escogido la carrera B.
34
CUADERNO DE ESTADÍSTICA SEGUNDO PARCIAL
VARIABLE ALEATORIA
Función que asigna un valor a una ocurrencia de algo. X es una variable aleatoria.
X P
0 1/8 = 0.125
1 3/8 = 0.375
2 3/8 = 0.375
3 1/8 = 0.125
Si un espacio muestral contiene un número finito de posibilidades, o una serie infinita con tantos
elementos como números enteros existen (que se puedan contar) se llama espacio muestral discreto.
35
El conjunto de pares ordenados x, f(x) es una función de probabilidad, una función de masa de
probabilidad o una distribución de probabilidad de la variable aleatoria discreta X si para cada
resultado X posible se cumple lo siguiente:
• f(x) ≥ = 0
• Σf (x) = 1 ∀x
• P[X=x] = f(x)
F(x)=P[X≤x]
X P(x)=f(x) F(x)
0 0.1250 0.1250
1 0.3750 0.5000
2 0.3750 0.8750
3 0.1250 1
Valor Esperado
Sea X una variable aleatoria discreta y f(x) su función de densidad entonces la esperanza matemática
de X se define como:
E[X] = Σf (x) = µ
x P(x)=f(x) x*f(x)
0 0.125 0
1 0.375 0.375
2 0.375 0.750
3 0.125 0.375
1.5
E[X] = µ = 1.50
x P(x)=f(x) x*f(x)
0 0.4823 0
1 0.3858 0.3858
2 0.1158 0.2315
3 0.0154 0.0463
4 0.0008 0.0031
0.6667
E[X] = µ = 0.6667
x 1 2 3 4 5 6
f(x) 0.1 0.2 0.3 0.2 0.15 0.05
E[X] = µ = 3.25
36
Varianza
E[X] = µ = 3.25
σ 2 = 1.78751
E[X 2 ] = 12.35
Momento
Sea X una variable aleatoria discreta y f su función de densidad, el momento k-ésimo se define como:
x2 f (x)
0.10
0.80
2.70
3.20
3.75
1.80
12.35
∂ 2 = E[x2 ] − (E[x])2
∂ 2 = 13.25 − (3.25)2
∂ 2 = 1.7875
Reglas del Valor Esperado:
E[kx] = kE[x]
E[x + k] = E[x]X+k X X
E[k] = k ∂ 2 = (x − µ)2 f (x) (x) = xf (f ) = µ
X
∂2 = (x2 − 2xµ + µ2 )f (x) (E[x])2 = µ2
X X X
∂2 = x2 f (x) − xµf (x) + µ2 f (x)
∂ 2 = E[x2 − 2E[x] ∗ E[x] + (E[x])2
∂ 2 = E[x2 ] − (E[x])2
Distribución Uniforme
37
Sea x una variable aleatoria de densidad y f su función de densidad, se dice que esta en una
1
distribución uniforme si f (x) =
n
Varianza:
X n(n + 1)(2n + 1)
(xn ) =
6
∂ 2 = E[x2 ] ∗ (E[x])2
2
n(n + 1)(2n + 1) n+1
∂2 = −
6 2
n2 − 1
∂2 = //
12
Varianza:
∂ 2 = E[x2X ] − (E[x])2
E[x2 ] = x2 f (x)
X 1
E[x2 ] = x2
n
1X 2
E[x2 ] = x
n
38
x2 ( x)2
P P
∂2 = −
n n
x2 − ( x)2
P P
∂2 =
n
P n
n+1 x X (1 + n)n
µ= E[x] = i=
2 n i=1
2
n
1 + 2 + 3.... + n X n(n + 1)(2n + 1)
E[x] = i2 =
n i=1
6
(1 + n)n X n(n + 1) 2
E[x] = i3 = ( )
2n 2
2
n+1 X n(n + 1)(2n + 1)(3n + 3n − 1)
µ= i4 =
2 30
Distribución Binomial
Sea x una variable aleatoria discreta y f su función de densidad se dice que este tiene una distribución
Binomial si:
n
f (x) = ∗ px ∗ (1 − q)n−x
x
p = éxito
1-q = fracaso
n = número de ensayos
x = número de éxito que queremos calcular
Ejemplo:
Un profesor toma un examen a sus alumnos de tipo verdadero/falso. Un estudiante se presenta al
examen sin haber estudiado nada, por lo que decide hacer su examen puramente aleatorio. Determinar
la probabilidad de que:
a. Obtenga 0
b. Obtenga 5
c. Obtenga 7
39
d. Apruebe (≥ 7)
n=10 p=0.5
10
a)P [x = 0] = (0.5)0 (0.5)10−0 P [x = 0] = 9.7656 ∗ 10−4
0
10
b)P [x = 5] = (0.5)5 (0.5)5 P [x = 5] = 0.24609
5
10
c)P [x = 7] = (0.5)7 (0.5)3 P [x = 7] = 0.1172
7
d)P [x ≥ 7] = P [x = 7]
+ P [x = 8] + P [x =9] +P [x = 10]
10 10
P [x ≥ 7] = 0.1172 + (0.5)8 (0.5)2 + (0.5)9 (0.5)1 + (0.5)10
8 9
P [x ≥ 7] = 0.1718
Un profesor de estadı́stica toma un examen 16 preguntas, algunos estudiantes llegan sin estudiar nada,
ya que ellos consideran que la suerte les va a acompañar y toman este examen a puro azar. El examen
consta de 5 items cada pregunta. Determinar la probabilidad de que uno de estos estudiantes obtenga:
a. 0
b. 16
c. 8
d. 1
e. Apruebe el curso (70% o más)
n=10 p=0.5
x 16−x
16 1 4
f (x) =
x 5 5
a)P [x = 0] = 0.0281
b)P [x = 16] = 6.553 ∗ 10−12
c)P [x = 8] = 5.527 ∗ 10−3
d)P [x = 1] = 0.1125
e)P [x ≥ 70%] = 3.301 ∗ 10−6
Media: Varianza:
µ = np ∂ 2 = np(1 − p)
40
Caracterı́sticas
• La variable aleatoria X representa el número de veces que realizamos el ensayo hasta conseguir un
éxito.
Ejemplos
1. Se lanza una moneda tantas veces sea necesario hasta conseguir una cara. Determinar la probabil-
idad de obtener cara en:
(a) Primer lanzamiento.
(b) Segundo lanzamiento.
(c) Después del segundo lanzamiento.
(d) antes del cuarto lanzamiento.
Resolución:
1
p = = 0.5
2
Ω = {E, F E, F F E, F F F E, ...}
Literal a:
P [X = 1] = (0.5)0 (0.5)1 = 0.5
Literal b:
P [X = 2] = (0.5)1 (0.5)1 = 0.25
Literal c:
P [X > 2] = P [X = 3] + P [X = 4] + ...
P [X > 2] = 1 − P [X ≤ 2]
P [X > 2] = 1 − P [X = 2] − P [X = 1]
P [X > 2] = 1 − 0.5 − 0.25
P [X > 2] = 0.25
Literal d:
P [X < 4] = P [X = 1] + P [X = 2] + P [X = 3]
P [X < 4] = 0.5 + 0.25 + (0.5)2 (0.5)
P [X < 4] = 0.875
2. En el juego ”parchesse” para salir de la casa se necesita obtener un par de unos. Determinar la
probabilidad de obtener este par en:
41
Resolución:
1
P =
36
35
q=
36
Literal a: 0
35 1 1
P [X = 1] = = = 0.02773
36 36 36
Literal b: 2
35 1
P [X = 3] = = 0.02626
36 36
Literal c:
P [X < 7] = P [X = 1] + P [X = 2] + P [X = 3] + ... + P [X = 6]
3 4 5
35 1 35 1 35 1 35 1
P [X < 7] = 0.02773 + + 0.02626 + + +
36 36 36 36 36 36 36 36
P [X < 7] = 0.1555
Literal d:
P [X > 3] = 1 − P [X ≤ 3]
P [X > 3] = 1 − 0.02773 − 0.02361 − 0.02701
P [X > 3] = 0.9189
Literal e:
E[x]
1 − r2 = (1 − r)(1 + r)
1 − r3 = (1 − r)(1 + r + r2 )
1 − r = (1 − r)(1 + r + r2 + r3 + ... + rn−1 )
n
a(1 − rn )
= (1 + r + r2 + r3 + ... + rn−1 )a
1−r
a(1 − rn )
= Sn
1−r
n
1−
a ( r )
Sn = lim
n→∞ 1−r
Si → |r| < 1
−1 ≤ r < 1
rn → 1
a
Sn =
1−r
X∞
ez =
i=0
zz0 z1 z2
e = + + + ...
0! 1! 2!
2
z z3
ez = 1 + z + + + + ...
2! 3!
42
X
µ = E[X] = xf (x)
X
µ= xq x − 1p
∀x
X p
µ= qx
q
∀x
∞
pX x p
q + 2q 2 + 3q 3 + 4q 4 + ... + nq n
µ= xq =
q x=1 q
p
µ=
q
Valor esperado de una función
Sea X una variable aleatoria discreta y f su función de densidad y H(x) sea también una variable
aleatoria discreta. El valor esperado de H(x) viene dado por:
X
E[H(x)] = H(x)f (x)
X
|H(x)|f (x) → seaf inita
X
E[x] = xf (x)
X
E[x2 ] = x2 f (x)
.
.
. X
E[xk ] = xk f (x)
X
E[et x] = et xf (x)
mx (t) = E[et x]
−h < t < h
dk mx (t)
n
E[x ] =
dtk t=0
43
X
E[et x] = et xq x−1 p
X p
E[et x] = et xq x
q
t pX t x
E[e x] = e xq
qX
p x
E[et x] = qet
q
p
E[et x] = qet + (qet )2 + (qet )3 + ... + (qet )n
q
a + ar + ar2 + ar3 + ... + arn−1
a(1 − rn )
S=
1−r
a = qet
r = qet =⇒ Razón
qet p
E[etx ] = t
∗
1 − qe q
pet pet
E[etx ] = mx (t) =
1 − qet 1 − qet
dx (t)
E[x] = |t=0
dt
dx (t) pet (1 − qet ) − pet (−qet )
=
dt (1 − qet )2
dx (t) pet (1 − qet + qet ) pet
= t 2
=
dt (1 − qe ) (1 − qet )2
p p 1
µ = E[x] = 2
= 2 µ = E[x] =
(1 − q) p p
1
µ=
p
1
µ=
p
d dmx (t)
E[x2 ] = ∗ |t=0
dt dt
d pet pet (1 − qet ) − pet 2(1 − qet )(−qet )
=
dt (1 − qet )2 (1 − qet )4
3t
d pet pet (1 − 2qet + q 2 e2t ) − 2pe2t + pq 2e
t 2
=
dt (1 − qe ) (1 − qet )4
t
d pe pe − 2pqe + pq 2 e3t + 2pqe2t − pq 2 e3t
t 2t
=
dt (1 − qet )2 (1 − qet )4
t t
d pe pe
t 2
= |t=0
dt (1 − qe ) (1 − qet )4
σ 2 = E[x2 ] − (E[x])2
p 1
σ2 = − 2
(1 − q)4 p
p 1
σ2 = 4 − 2
p p
44
1 1
σ2 = − 2
p3 p
1−p
σ2 =
p3
p
σ2 =
q2
µ = E[X]
dmx (t)
E[X] =
dt t=0
dmx (t) pet (1 − qet ) − pet (−qet )
= 2
dt (1 − qet )
t t t
dmx (t) pe (1 − qe + qe )
= 2
dt (1 − qet )
t
dmx (t) pe
= 2
dt (1 − qet )
dmx (t) pet
E[X] = µ = =
dt t 2
(1 − qe ) t=0
p p 1
E[X] = µ = = 2 =
(1 − q)2 p p
Varianza:
σ 2 = E[x2 ] − (E[x])2
d2 mx (t)
E[x2 ] =
dt2
2 d pet
E[x ] =
dt (1 − qet )2
t=0
2
pet (1 − qet ) − pet (2) (1 − qet ) (−qet )
E[x2 ] = 4
(1 − qet )
45
pet (1 − qet ) [1 − qet + 2qet ]
E[x2 ] = 4
(1 − qet )
pe (1 + qet )
t
E[x2 ] = 3
(1 − qet ) t=0
p(1 + q) p(1 + q)
E[x2 ] = 3 =
(1 − q) p3
1+q
E[x2 ] =
p2
1 + q 1 q
σ2 = − 2 = 2
p p p
1
µ = E[X] =
p
q
σ2 =
p2
4. Encontrar la varianza.
f (x) = q x−1 p
1
X
1) 0(1 − 0.015)x−1 (0.015)
x=1
P [X ≤ 10] = 0.1404
9
X
2) 1 − (1 − 0.015)x−1 (0.015)
x=1
P [X ≥ 10] = 0.8728
1 1
3) µ = = = 66.67
p 0.015
q 1 − 0.015
4) σ 2 = 2
= = 4377.78
p 0.0152
DISTRUBUCIÓN DE POISSON
Sea X una variable aleatoria continua y f su función de densidad, se dice que esta tiene una distribución
de POISSON si:
e−λ λx
f (x) = = p[X = x]
x!
46
donde:
λ = número de eventos esperados (media o promedio)
x = número de eventos
e = número de Euler
Caracterı́sticas
• La interesa contar las veces que se presenta un evento en particular dentro de un intervalo deter-
minado, siendo este: tiempo, longitud, área, volumen.
• La probabilidad de que un evento se presente en cierto intervalo es igual para todos los intervalos.
• El número de eventos que ocurren en un intervalo es inependiente de número de eventos que se
presenta en cualquier otro intervalo.
Ejemplo
λ = 0.25
a) P [X = 0]
b) P [X = 1]
c) P [X = 2]
d) P [X ≥ 0]
e) P [X ≤ 0]
e−2.5 2.50
a) P [X = 0] = = 0.0821
0!
e−2.5 2.5
b) P [X = 1] = = 0.2052
1!
e−2.5 2.52
c) P [X = 2] = = 0.2565
2!
d) P [X ≥ 2] = 1 − P [X = 0] − P [X = 1] = 0.7128
3
X e−λ λx
d) P [X ≤ 3] = = 0.7576
x=1
x!
∞
X
f)Demostrar: f(x) = 1
i=0
∞ ∞
X X λ2
f(x) = e−λ
i=0 i=1
x!
∞
X
f(x) = e−λ eλ
i=0
∞
X
f(x) = e0 = 1
i=0
g) E[X] = µ
= Σxf(x)
e−λ λx
= Σx
x!
47
e−λ λx
= Σx
(x − 1)!x
λx
= e−λ Σ
(x − 1)!
z =x−1
λz+1
= e−λ Σ
z!
z
λ λ
= e−λ Σ
z!
= e−λ ez Σλ
e−λ λeλ
=λ
e−λ λx
E[ext ] = Σext ( )
x!
(et λ)x
= e−λ Σ
x!
t t
= e−λ ee λ
= ee λ−λ
= Mx (t)
dmx (t)
E[X] =
dt t=0
dmx (t) t
= ee λ−λ (λet ) = eλ − λ(λe0 )
dt t=0
E[X] = µ = λ
t
2 dee λ−λ
(λet )
E[X ] =
dt
t=0
t
E[X 2 ] = ee λ−λ
(λet )(λet + 1)
t=0
E[X 2 ] = λ2 − λ
σ 2 = E[X 2 ] − (E[X])2
σ 2 = λ2 + λ − λ2
σ2 = λ
Ejercicio
En una agencia bancaria, el dı́a más concurrido es el lunes y la hora de mayor movimiento es entre
las 11 a.m. a 12 p.m. con una afluencia promedio de 450 personas por hora. Determinar la probabilidad
de que cierto dı́a lunes a la misma hora señalada, lleguen al banco:
1. 300 personas.
2. 500 personas.
48
3. La variaza.
1.
e−450 (450)300
a=
300!
300
X
lna = −450 + 300ln(450) − ln(x)
x=1
nla = −32.14
a = e−32.14
a = 1.1E − 14
2.
500
X
lna = −450 + 500ln(450) − ln(x)
x=1
lna = −6.71
a = 1.2273
e−450 /450)500
P [X = 5] =
500!
lna = −6.71
a = e−6.71
3.
5) σ 2 = λ = 450
Donde:
N representa tamaño población
r Número de exitos en la población(posee rasgo,caracteristicas)
x Es el número de exitos en la muestra
n Tamaño de la muestra Caracteristicas
• Los resultados de un experimento son de tipo bernuli, es decir que: exito o fracaso.
Ejemplo:
En una inspección de las aduanas 100 sacos de yute hay una contaminación de 8 de ellos.El inspector
de aduanas selecciona 5 sacos.Determinar la probabilidad de:
f (x) = 0.6532
49
2. Uno este contaminado
8 100−8
1 5−1
f (x) = P [X = 1] = 100
5
f (x) = 0.2969
3. Dos esten contaminados
8 100−8
2 5−2
f (x) = P [X = 2] = 100
5
f (x) = 0.0470
4. Los 5 esten contaminados
8 100−8
5 5−5
f (x) = P [X = 5] = 100
5
f (x) = 7.44E − 7
5. A lo mas 2 esten contaminados
P [X = 5] = 0.9469
Un entrenador de futbol convocó a 32 jugadores cierto dı́a 8 jugadores se escaparon de la
concentración.El comite de disciplina de la federación entrevisto a 6 jugadores.Determinar la
probabilidad de que:
1. Ninguno de ellos se escapo
8 32−8
0 6−0
P [X = 0] = f (x) = 32
6
f (x) = 0.149
2. Todos se escaparon
8 32−8
8 6−6
P [X = 6] = f (x) = 32
6
f (x) = 1.104E − 6
3. La mayorı́a de ellos se escapó
8 32−8 8 32−8 8 32−8
4 6−4 5 6−5 6 6−6
P [X >= 4] = f (x) = 32
+ 32
+ 32
6 6 6
f (x) = 0.023
4. No mas de 2 se escaparon
8 32−8 8 32−8
1 6−1 2 6−2
P [X <= 2] = f (x) = 32
+ 32
6 6
f (x) = 0.704
Distribución Multinomial es un caso de ggenralización de la binomial se dice que esta tine una
distribución multinomial si:
p[x1 = x1 ; x2 = x2 ; ...; xn = xn ] =
n!
f (x1 , x2 , ..., xn ) = px1 px2 ...pxnn
x1 !x2 !...xn ! 1 2
Donde:
x1 + x2 + ... + xn = n
p(x1 ) + p(x2 ) + ... + p(xn ) = 1
p1 + p2 + ...pn = 1
p1 , p2 , pn −→ constantes
Los peregrinos del camino de Santiago toman 3 rutas,Francia 0.40,Italia 0.35 y España 0.25.De 20
peregrinos que llegaron a Santiago de compostera.Determinar la probabilidad que:
50
1. P [x1 = 10, x2 = 5, x3 = 5]
20!
P [x1 = 10, x2 = 5, x3 = 5] = ∗ (0.4)10 ∗ (0.35)5 ∗ (0.25)5
10!5!5!
P [x1 = 10, x2 = 5, x3 = 5] = 0.02504
3. P [x1 = 20]
20!
P [x1 = 20] = ∗ (0.40)20
20!
P [x1 = 20] = 1.0995E − 8
4. P [x2 = 20]
20!
P [x2 = 20] = ∗ (0.35)20
20!
P [x2 = 20] = 7.61E − 10
4. Solo rojos
P [x1 = 8] = (0.5)8 P [x1 = 8] = 0.003906
51
1. Hallar el valor de k para que f sea una función continua
Z ∞ Z 0 Z ∞
k
f (x) = dx = 0dx + dx
−∞ −∞ 0 x
Z ∞
f (x) = dx = 0 + klnx|∞
0
−∞
Z ∞
f (x) = dx = k[ lim lnx − lim ]
−∞ x→∞ x→0
Z ∞
f (x) = dx = k∞
−∞
No es una función de densidad
NORMAL ESTÁNDAR
x−µ 850 − 890
Z= = = −2
σ 20
Z −2 Z 0
1 − z2 1 − z2
P [z ≤ −2] = √ e 2 dz = 0.5 − √ e 2 dz = 0.22750
−∞ 2π −2 2π
c) P [870 ≤ X ≤ 930]
870 − 890
z1 = = −1
20
930 − 890
z2 = = −2
20
Z 2
1 z2
P [−1 ≤ X ≤ 2] = √ e− 2 dz = 0.8186
−1 2π
d) P [900 ≤ X ≤ 975]
1
z1 =
2
17
z2 =
4
Z 17
1 17 4 1 z2
P[ ≤X≤ ]= √ e− 2 dz = 0.3085
2 4 1
2
2π
p z
0.800727 1.28
0.900000
0.901475 1.29
Dh 0.01(0.000273)
d= = = 0.001562
H 0.001748
52
z = 1.28 + 0.00156 = 1.28156
DISTRIBUCIÓN EXPONENIAL
Sea X una variable aleatoria continua y f su función de densidad, se dice que esta es una distribución
exponencial con parámetro λ si su función de densidad viene dada por:
λe−λx
six > 0
f (x) =
0 encualquierotrocaso
Ejemplo
Hallar la media
Z ∞
E[X] = λe−λx dx
0
e−λx e−λx
Z
= λ(−x − − )dx
λ λ
∞
1
= −e−λx (x − )
λ 0
1
E[X] = µ =
λ
Hallar el segundo momento
Z ∞
2
E[X ] = x2 λe−λe dx
0
−λx
e−λx
Z
2e
= λ(x − − 2xdx)
−λ −λ
e−λx e−λx e−λx
= λ(x2 + 2(−x −2 )
−λ λ λ
∞
2x 2
= −e−λx (x2 + +
λ λ 0
1
E[X 2 ] = 2
λ
Hallar la varianza
53
2 1 1
σ2 = − 2 = 2
λ2 λ λ
Halla la función generadora de momentos
Z ∞
tx
E[e ] = etx λe−λx dx
0
Z ∞
=λ e−x(λ−t) dx
0
λ
= = mx (t)
λ−t
Ejemplo
La duración del timepo sin fallo de un elemento eletrónico tiene una distribución exponencial que viene
dada:
f (x) = 0.03e−0.03x
Hallar la probabilidad:
1. P [X ≤ 200]
2. P [100 ≤ X ≤ 200]
3. P [X < 100]
4. P [X > 200]
5. Hallar µ y σ 2
Z 2
1) P [X ≤ 200] = 000.03e−0.03x = 0.9975
0
Z
2) P [100 ≤ X ≤ 200] = 002 000.03e−0.03x = 0.04730
1
Z 1
3) P [X < 100] = 000.03e−0.03x = 0.9502
0
Z 2
4) P [X > 200] = 1 − 000.03e−0.03x = 0.0024788
0
1 1
5) µ = = = 33.33
λ 0.03
1 1
5) σ 2 = 2 = = 1111.11
λ 0.032
Ejercicio
f (x) = 0.25e−0.25x
Halla la probabilidad:
1. P [X ≥ 20]
2. P [0 ≤ X ≤ 20]
3. P [X ≤ 60]
4. P [20 ≤ X ≤ 40]
5. P [X ≥ 40]
54
6. P [X ≤ 40]
7. Hallar µ
8. Hallar σ 2
Z 2
1) P [X ≥ 20] = 1 − 00.25e−0.25x = 0.006738
0
Z 2
2) P [0 ≤ X ≤ 20] = 00.25e−0.25x = 0.993262
0
Z 6
3) P [X ≤ 60] = 1 − 00.25e−0.25x = 3.06E − 7
0
Z
4) P [20 ≤ X ≤ 40] = 04 00.25e−0.25x = 0.0066925
2
Z 4
5) P [X ≥ 40] = 1 − 00.25e−0.25x = 4.54E − 5
0
Z 4
6) P [X ≤ 40] = 00.25e−0.25x = 0.999955
0
1 1
7) µ = = =4
λ 0.25
1 1
8) σ 2 = 2 = = 16
λ 0.252
MUESTREO
Probabilı́sticos
Distribución Muestral
µx̄ = µ
σ
σx̄ = √
n
55
Pruebas de Hipótesis
• T
• U
• t
• F
• W
• UC
• tC
• FC
• WC
5. Toma de decisión (z vs zC )
V alor − p > α
TEST
No rechazo Rechazo
Verdadero Decisión Acertada Error I
Falso Error II Decisión Acertada
σ Conocida
H0 : µ = µ0
56
H1 : µ 6= µ0
bilateral
H0 : µ ≤ µ0
H1 : µ > µ0
bilateral
H0 : µ ≥ µ0
H1 : µ < µ0
bilateral
57
Una empresa exportadora de cacao afirma que sus sacos de exportación tienen un peso de 22kg , el
departamento de control de calidad realizó una muestra de 25 observaciones encontrando una media de
22.1. Por estudios anteriores se conoce que la desviación estándar de la población es 0.20: Realizar una
prueba de hipótesis con un nivel de significancia de 0.05 que valide se se está cumpliendo lo que dice el
fabricante.
I) H0 = 22, H1 6= 22
II) α = 0.05
x−µ 22.1 − 22
III) Z= = = 2.50
σx 0.20
√
25
IV)
Una fábrica de focos afirma que tienen una duración promedio de al menos 10000 horas. El
departamento de control de calidad realiza una investigación que valide dicha afirmación.
Encontrandose que en una muestra de 36 observaciones los focos tuvieron una duración promedio de
9800 horas, se conoce la desviación estandar de 500 horas. Considere α = 0.02
I) H0 : µ ≥ 10000
H1 : µ < 10000
II) α = 0.02
VI) Valor-p
58
Z −2.40
Z2
1 −
Valor-p = 0.5 − √ e 2 · dx
0 2π
Valor-p = 0.008198 < α
Rechazo H0
Acepto H1
El ministerio del ambiente desea conocer si las aguas de un rı́o pueden ser utilizadas para riego, para lo
cual esta no debe superar de los 200 ppm de cierto material. Se toma una muestra de 50 observaciones,
encontrándose una media de 200.05, se conoce que σ = 1.2. Considere α = 0.05. Realizar una prueba
de hipótesis para verificar si el agua se puede utilizar para riego.
I) H0 : µ ≤ 200
H1 : µ > 200
II) α = 0.05
Un estudiante de mecatrónica hace sus prácticas profesionales en una empresa que fábrica artı́culos
59
eléctricos, le dan una tarea,realizar el control en fusibles, los cuales la empresa asegura que son de 2
amperios. Toma una muestra de 25 observaciones obteniendo los siguientes resultados.
Con un nivel de significancia α = 0.05, realizar un test de hipótesis que valide si la media de los fusibles
es de 2 amperios.
I) H0 : µ = 2.00
H1 : µ 6= 2.00
II) α = 0.05
x−µ
III) t=
S
√
n
x = 1.984 S = 0.0707
1.984 − 2.00
t= = −1.1315
0.0707
√
25
Otro estudiante realiza sus prácticas en una fábrica de baterı́as, la empresa afirma que sus baterı́as
tienen una vida mı́nima promedio de 3 años, este estudiante realiza un estudio con una muestra de 30
observaciones los cuales tuvieron una duración de:
60
I) H0 : µ ≥ 2.00
H1 : µ < 2.00
II) α = 0.05
x−µ 35.087 − 36
III) t= = = −0.949
S 5.270
√ √
n 30
H0 : p = p0 H0 : p ≤ p0 H0 : p ≥ p0
I)
H1 : p 6= p0 H1 : p > p0 H1 : p < p0
II) α
p − p0
III) Z = r
p0 (1 − p0 )
n
n-colas
IV) Zc =
nivel de significancia
V) Z vs Zc
Ejercicios
1. En un estudio llevado a cabo por una revista, indica que el 64% de los compradores de un super-
mercado creen que las marcas propias son tan buenas como las marcas de reconocimiento nacional,
respecto a la calidad del producto. Para investigar, un fabricante de salsa de tomate preguntó a 100
compradores si creı́an que la salsa de tomate de la marca del supermercado era tan buena como la
marca reconocida. Resultó que 52 de los compradores de la muestra indicaron que la marca propia
era tan buena como la marca reconocida con un nivel de significancia de 0,05. Realice una prueba
de hiótesis que valide la información.
61
(b) Seleccionar el nivel de significancia
α = 0.05
(c) Calcular el estadı́stico de prueba
52
p= = 0.52 n = 100
100
0.52 − 0.64
Z=q
0.64(1−0.64)
100
Z = −2.5
(d) Calcular
el estadı́stico crı́tico.
n-colas = 1
Zc =
nivel de significancia = 0, 05
Zc = −1.66
(e) Toma de decisión
El valor Z de prueba cae dentro de la zona de rechazo, por lo tanto se rechaza la hipótesis
nula.
(f) Valor-p:
Z 0
Z2
1 −
V alor − p = 0.5 − √ e 2 dZ = 0.04846
−1.66 2π
Ya que 0.04846 < 0.05 se rechaza la hipótesis nula y se acepta H1 .
2. Cierto periódico indica que un candidato presidencial tiene un mı́nimo de aceptación del 35% para
la candidatura a la alcaldı́a, una empresa realiza una encuesta a 500 votantes, de los cuales 175
afirman que van a votar por el candidato mencionado. Realice una prueba de hipótesis con un
nivel de significancia de 0.03, que valide lo que afirma la empresa de comunicación social.
Z=0
62
(d) Calcular
el estadı́stico crı́tico.
n-colas = 1
Zc =
nivel de significancia = 0, 03
Zc = −1.885
(e) Toma de decisión
El valor Z de prueba cae dentro de la zona de no rechazo, por lo tanto, no hay evidencia
estadı́stica suficiente para rechazar la hipótesis nula.
3. Un restaurante de comida rápida planea una oferta especial que permita a los clientes comprar
vasos de diseño especial, con conocidos personajes de caricatura. si más del 15% de los clientes
compran esos vasos, se implantará la promoción. En una prueba preliminar (prueba piloto) 88 de
los 500 clientes los compraron. Se debe implantar la promoción especial, para esto debo realizar
una prueba de hipótesis. Use nivel de significancia de 0.01.
Z = 1.63
(d) Calcular
el estadı́stico crı́tico.
n-colas = 1
Zc =
nivel de significancia = 0, 01
Zc = −2.33
(e) Toma de decisión
63
El valor Z de prueba cae dentro de la zona de no rechazo, por lo tanto, no hay evidencia
estadı́stica suficiente para rechazar la hipótesis nula.
II) α
(n − 1)2 S 2
III) X 2 = 2
σ0
ngl = (n − 1)
IV) Xc2 =
nivel de significancia = α
V) X 2 vs Xc2
Ejercicios
4. En una muestra de 16 elementos la desviación estándar es de 9.5, prueba la hiótesis que la varianza
de la población no supera los 50. Utilice α = 0.05
(n − 1)2 s2
χ2 =
σ02
(16 − 1)2 (9.5)2
χ2 =
50
χ2 = 27.08
(d) Calcular
el estadı́stico crı́tico.
2 ngl = 15
Xc =
nivel de significancia = 0, 05
Xc2 = 24, 99
(e) Toma de decisión
El valor χ2 de prueba cae dentro de la zona de rechazo, por lo tanto se rechaza la hipótesis
nula.
64
5. En una muestra de 20 elementos, la desviación estándar muestral es de 5, realizar una prueba de
hipótesis que me indique que la varianza es igual a 6.
(a) Establecer la prueba de hipótesis
H0 : σ 2 = 6
H1 : σ 2 6= 6
(b) Seleccionar el nivel de significancia
α = 0.05
(c) Calcular el estadı́stico de prueba
(n − 1)2 s2
χ2 =
σ02
(20 − 1)2 (5)2
χ2 =
6
χ2 = 79.17
(d) Calcular
el estadı́stico crı́tico.
2 ngl = 19
Xc =
nivel de significancia = 0, 05
2
Xc = 10.117
(e) Toma de decisión
El valor χ2 de prueba cae dentro de la zona de rechazo, por lo tanto se rechaza la hipótesis
nula.
H0 : µ1 = µ2 H0 : µ1 ≤ µ2 H0 : µ1 geqµ2
H0 : µ6 = µ2 H0 : µ1 < µ2 H0 : µ1 > µ2
H0 : µ1 = µ2 H0 : µ1 = µ2 H0 : µ1 = µ2
H0 : µ6 = µ2 H0 : µ1 < µ2 H0 : µ1 > µ2
Con σ 1 y 2 conocidas
I)
H0 : µ1 = µ2
H0 : µ1 6= µ2
II)
α = 0.05
65
III)
x1 − x2
z=q 2
σ1 σ22
n1 + n2
z=-0.62
IV)
(
ncolas = 2
Zc ⇒
α = 0.05
σ1 y σ2 desconocidos
I)
H0 : µ1 = µ2 ; H1 : µ1 6= µ2 H0 : µ1 ≤ µ2 ; H1 : µ1 ≥ µ2 H0 : µ1 = µ2 ; H1 : µ1 ≤ µ2
——————————————————————————————————————————-
H0 : µ1 = µ2 ; H1 : µ1 6= µ2 H0 : µ1 = µ2 ; H1 : µ1 ≥ µ2 H0 : µ1 = µ2 ; H1 : µ1 ≤ µ2
II)
α = 0.05
Ejemplo:
n1 = 19 y n2 = 29
66
x1 x2
13.2 12.8 11.2 16.7 14.0 112.5 14.8 19.4
14.7 18.0 18.00 18.9 14.5 13.4 15.2 15.3
16.8 19.6 19.6 18.7 16.3 13.0 16.0 10.0
12.4 17.9 17.4 17.8 12.0 13.5 16.3 8.0
15 17.51 17.5 • 15.4 12.7 15.7 12.0
x1 = 15.73; x2 = 13.55 σ12 = 5.9 ⇒ S1 = 2.43; σ22 = 3.2 ⇒ S2 = 1.85
Ejemplo:
I)
H0 : µ1 = µ2
H1 : µ1 ≥ µ2
II) α = 0.025
III)
t = 3.53
IV)
ncolas = 1
Zc ⇒ α = 0.025
ngl = n1 + n2 − 2 = 46
tc = 2.013
V)
Rechazo H0
Acepto H1
67
II) Considerar σ12 6= σ22
III)
S12 S22
n1 + n2
ngl = 2
2 2
2
S1 S2
n1 n2
n1 −1 + n2 −2
I)
H0 : µ1 = µ2
H1 : µ1 ≥ µ2
II) α = 0.025
III)
15.73 − 13.55
t= q
5.9 3.42
19 + 29
IV)
ncolas = 1
Zc ⇒ α = 0.05
ngl = 31.36
5.9 3.4
19 + 2.9
ngl = 2 2
( 5.9
19 ) ( 3.4
29 )
18 + 28
tc = 2.04
V)
Rechazo H0
Acepto H1
Prueba de Varianzas
H0 : σ1 = σ2 ; H1 : σ1 6= σ2 H0 : σ1 ≤ σ2 ; H1 : σ1 ≥ σ2 H0 : σ1 = σ2 ; H1 : σ1 ≤ σ2
I)
H0 : σ1 = σ2
H1 : σ1 6= σ2
68
II) α = 0.05
III)
S12
F =
S22
5.9
F =
3.42
IV)
ncolas = 2
α = 0.05
Fc ⇒
nglN = 19 − 1 = 18
nglD = 29 − 1 = 28
Ejemplo:
Bombas
1.5 1.59 1.4 1.65
1.55 1.58 1.45 1.6
1.58 1.5 1.5 1.54
1.6 1.58 1.49 1.55
A B
1.65 1.6 1.6 1.5
1.64 1.6 1.65 1.5
1.58 1.5 1.6 1.58
1.54 1.56 1.5 1.6
I)
H0 : σ1 = σ2
H1 : σ1 6= σ2
II) α = 0.05
III)
69
S12
F =
S22
0.00511
F = = 2.48
0.00206
IV)
ncolas = 2
α = 0.05
Fc ⇒
nglN = 15
nglD = 15
I) Ho: µ1 = µ2
H1:µ1 > µ2
II) α = 0.05
III)
(15)(0.045)2 + (15)(0.07)2
sp2 = = 3.533 × 10−3
16 + 16 − 2
1.57 − 1.54
t= q =1.42
3.533×10−3 −3
16 + 3.533×10
16
IV)tc= 1.697
ngl=30
ncolas=1
α = 0.05
V)
70
t=1.42 y tc=1.697
t se encuentra en la zona de no rechazo
No rechazo Ho.
I)Ho: µ1 = µ2
H1: µ1 > µ2
II) α = 0.025
III)
X1 − X2
t= q
S12 S22
n1 + n2
15.73 − 13.55
t= q
5.9 3.42
19 + 2.9
S12 S22 2
( + )
IV) ngl= n1 n2
S12 2 S22 2
( ) ( )
n1 + n2
n1 − 1 n2 − 1
2.432 1.852 2
( + )
ngl= 19 29 = 31.366 = 31
2.432 2 1.852 2
( ) ( )
19 + 29
18 28
Se redondea al menor.
tc=2.04
ncolas=1
α = 0.025
V)
t=3.33 y tc=2.04
t cae en la zona de rechazo.
Rechazo Ho
Acepto H1.
Regresión lineal
Covarianza
P
(x − x̄)(y − ȳ)
Sxy =
n−1
Varianza
71
(x − x̄)2
P
Sxx = Sx2 =
n−1
− ȳ)2
P
(y
Syy = Sy2 =
n−1
Coeficiente de correlación de Pearson
Sxy
r=
Sx · Sy
P
(x − x̄)(y − ȳ)
r= P
r rP
(x − x̄)2 (y − ȳ)2
·
n−1 n−1
GRÁFICAS
Gráfica si r > 0
Gráfica si r < 0
Gráfica si r ≈ 0
72
Gráfica si r ≈ 0
Gráfica si r = 0
Correlación nula perfecta
Gráfica si r = 1
Correlación directa perfecta
Gráfica si r = −1
Correlación indirecta perfecta.
No es lineal
EJERCICIO.
73
x y x-x̄ y-ȳ (x-x̄)(y-ȳ)
175 72 4.69 7 32.83
170 67 -0.31 2 -0.62
173 65 2.69 0 0
172 66 1.69 1 1.69
165 60 -5.31 -5 26.55
178 83 7.69 18 138.42
170 55 -0.31 -10 3.1
169 63 -1.31 -2 2.62
172 57 1.69 -8 -13.52
167 64 -3.31 -1 3.31
167 64 -3.31 -1 3.31
168 64 -2.31 -1 2.31
168 65 -2.31 0 0
x̄=170.308
x̄=170.31
ȳ=65
200
r= √ √ = 0.66
156.77 574
RECTA DE PROGRESIÓN
y=βo + β1x
y=mx+b
m=β1
b=βoP
(x − x̄)(y − ȳ)
β1 = P
(x − x̄)2
βo = ȳ − β1 x̄
200
β1 =
156.77
β1 =1.28
βo =65-1.28(170.31)
βo =65-217.99=-153
y= -153+1.28x
y(180)=153+1.28(180)
y=77.4
74
Hora de estudio Calificación x−x y−y (x − x)(y − y) (x − x)2 (y − y)2
x y
2 14 -4 -0.89 3.56 16 12.67
3 15 -3 0.11 -0.33 9 0.11
4 12 -2 -2.89 5.78 4 33.41
5 17 -1 2.11 -2.11 1 4.45
6 14 0 -0.89 0 0 0
7 13 1 -1.89 -1.89 1 3.57
8 14 2 -0.89 -1.78 4 3.17
9 17 3 2.11 6.33 9 40.07
0 -0.01 22 60 239.53
x=6
y = 14.89
Σ(x − x)(y − y)
r= p
Σ(x − xΣ(y − y)
22
r= √
60 ∗ 252.21
r = 0.1835
Σ(x − x)(y − y)
β1 =
Σ(x − x)2
22
β1 = = 0.367
60
β0 = 14.89 − (0.367)6 = 12.688
yb = 12.69 + 0.367x
Fı́sica Cálculo
x y x−x y−y (x − x)(y − y) (x − x)2 (y − y)2
12.66 12.3 6.66 -2.59 -17.25 44.36 297.54
12 12 6 -2.89 -17.34 36 300.68
11 13 5 -1.89 -9.45 25 89.3
12 16 6 1.11 6.66 36 44.36
13 11 7 -3.89 -27.23 49 742.47
16.5 20 10.5 5.11 53.66 110.25 2878.86
16 18 10 3.11 31.1 100 967.21
16.5 20 10.5 5.11 53.66 110.25 2878.86
14 14.5 8 -0.39 -3.12 64 9.73
14.5 15 8.5 0.11 0.93 72.25 0.87
16.43 11.2 10.43 -3.69 -38.49 108.78 1481.23
13 14.5 7 -0.39 -2.73 49 7.45
14.6 18.5 8.6 3.61 31.05 73.96 963.85
14 17.5 8 2.61 20.88 64 435.97
13.9 19.8 7.9 4.91 38.79 62.41 1504.59
120.09 9.95 121.11 1005.26 12601.92
x = 14.01
y = 15.55
Σ(x − x)(y − y)
r= p
Σ(x − xΣ(y − y)
75
121.11
r= √
1005.26 ∗ 12601.92
r = 0.03
Σ(x − x)(y − y)
β1 =
Σ(x − x)2
121.11
β1 = = 0.12
1005.26
β0 = 15.55 − (0.12)(14.01) = 13.67
yb = 13.67 + 0.12x
En un libro de fundamentos de Quı́mica se obtuvo los datos sobre la cantidad de nitratos de sodio
que ser disuelta en en 100g. de agua dependiendo de su temperatura.
x y
0 66.7 -26 -23.44 609.44 676 549.43 67.5 512.57
4 71.0 -22 -19.14 421.08 484 364.34 70.98 367.11
10 76.3 -16 -13.84 221.44 356 191.55 76.21 194.04
15 80.6 -11 -9.54 104.94 212 91.01 80.56 91-78
21 85.7 -5 -4.44 22.2 25 19.71 85.78 19.01
29 92.9 3 2.76 8.28 9 7.60 92.75 6.81
36 99.4 10 9.26 92.6 100 85.67 98.84 75.69
51 112.6 25 23.46 586.5 625 550.37 111.9 473.5
68 125.1 42 34.97 1468.74 1764 1222.2 126.7 1336.63
0 0 3532.8 4060 3083.98 811.22 3077.14
x = 26
y = 90.14
a)Hacer el diagrama de dispersión
b)Coeficientes de correlación de Pearson
c)Ecuación de regresión
d)Coeficiente de determinación
e)Prueba ”t” de bondad
a)
76
b)
3534.8
r= √
4060 ∗ 3083.98
r = 0.999
c)
3534.8
β1 =
4060
β1 = 0.8706
β0 = 90.14 − 0.8706(26)
β0 = 67.5
yb = 67.5 + 0.8706x
d)
y − y)2
Σ(b
R2 =
Σ(y − y)2
r: Fuerza con las variables están correlacionadas.
R2 : Mide la proporción con que la variable dependiente es explicada por la variable independiente.
R2 = 0.998
R2 = r 2
No son lo mismo pero poseen el mismo valor numérico.
e)
I)
H0 = β 1 = 0
H1 = β1 6= 0
H0 = r = 0
H1 = r 6= 0
II)
α = 0.05
III) √
r n−2
t= √
1 − r2
√
0.999 7
t= p = 59.12
1 − (0.999)2
77
IV)
ncolas = 2
t= α = 0.05
ngl = n − 2 = 7
t=2.356
V)
Rechazo H0
Acepto H1
Las dos variables son dependientes, es decir, están correlacionadas.
Regresión Exponencial
x=Horas y=Número de bacterias
x y y1 = ln(y) x − x y − y (x − x)(y − y) (x − x)2 (y − y)2
0 5000 8.52 -4 -1.99 7.96 16 3.96
1 5800 9.05 -3 -1.46 4.38 9 2.13
2 15000 9.62 -2 -0.89 1.78 4 0.79
3 28000 10.24 -1 -0.27 0.27 1 0.073
4 40000 10.60 0 0.09 0 0 0.008
5 60000 11.00 1 0.49 0.49 1 0.24
6 900000 11.41 2 0.90 1.80 4 0.81
7 150000 11.92 3 1.41 4.23 9 1.99
8 210000 12.25 4 1.74 6.96 16 3.03
94.61 0 0.02 27.841 60 12.30
yb = β0 eβ1 x
x=4
y = 10.51
ln(b
y ) = ln(β0 ) + β1 x
27.841
β1 = = 0.456
60
β01 = yb1 − β1 x
β01 = 10.51 − 0.465(4)
78
β01 = 8.65
ln(β0 ) = β01
β0 = eβ01
β0 = 5710.15
yb = 5710.15e0.465x
r = 1.02
79