INTKODUCION A LA cee 4@)fsl Eye ban a Nyda daly OTe AYIA YEG HAROLD J. LARSON aeTtL i 7a a ll a oe |INTRODUCCION ALA TEORIA DE PROBABILIDADES E INFERENCIA ESTADISTICA Naval Postgrad! Si Monterey, California ES wvewromeo‘Version autorizada en espafiol de la obra publicada en inglés por John Wiley & Sons, Inc., bajo el titulo: INTRODUCTION TO PROBABILITY THEORY AND STATISTICAL INFERENCE Copyright © by John Wiley & Sons, Inc. Version espafisla: SERGIO FERNANDEZ EVEREST Ingeniero de Sistemas de IBM de México. Revision: BEATRIZ TOHEN BIENVENU ‘Actuario de la Facultad de Ciencias en la Universidad Nacional Autonoma de México, M. en C. en Investigacion de Operaciones y M. en C. en Estadistica en la Universidad de Stanford. Investigador del Instituto Tecnolssien Auténomo de México La presentacion y disposicién en conjunto de INTRODUCCION A LA TEORIA DE PROBABILIDADES E INFERENCIA ESTADISTICA ‘son propiedad del editor. Ninguna parte de esta obra puede Ser reproducida o transmitida, mediante ningdn sistoma ‘0 método, electrénico 0 mocinico (INCLUYENDO EL. FOTOCOPIADO, a grabacion o cualquier sistema de recuperacién y almacenamiento de informacién), sin consentimiento por escrito del editor. Derechos reservados: © 1992, EDITORIAL LIMUSA, S.A. de C.V. GRUPO NORIEGA EDITORES Baldoras 95, C.P. 06040, México, DF. Teléfono 521-50-98 Fax 512-29-03 ‘Miembro de la Camara Nacional de la Industria. Editorial Mexicana. Registro nimero 121 Primera edicién: 1978 Primera reimpresion: 1981 ‘Segunda reimpresion: 1963 ‘Tercera reimpresion: 1985 Cuarta reimpresin: 1986 ‘Quinta reimpresion: 1987 Soxia reimpresién: 1968 ‘Séptima reimpresién: 1989 ‘Octava reimpresién: 1990 Novena reimpresién: 1992 Impreso en México (10750) ISBN 968-18-0730-81 1 1 3 .2 Funciones de distribucién y de densidad 3. 3. 3, 3. 4 4 CONTENIDO 1 Teoria de conjuntos Notacién de conjuntos, igualdad y subconjuntos a .2 Algebra de conjuntos 3 Funciones 2 Probabi 1 Espacio muestral: eventos .2 Axiomas de probabilidad 3 Eventos de un solo elemento y el caso de misma verosimilitud .4 Técnicas de conteo .5 Algunos problemas sobre probabilidades especiales -6 Probabilidad condicional .7 Eventos independientes .8 Espacios muestrales ciscretos y continuos 3 Variables aleatorias y funciones de distribucién 1 Variables aleatorias 3 Valores esperados y medidas de sumas 4 Momentos y funciones generatrices 5 Funciones de una variable aleatoria 4 Algunas distribuciones estandar -1 Variables aleatorias del binomio y de Bernoulli .2 Variables aleatorias geométrica e hipergeométrica 13 13 16 24 41 52 69 76 82 91 91 98 11 122 133 145 145 1524.3 La variable aleatoria de Poisson 163 4.4 Variables aleatorias uniforme y exponencial 172 4.5 Variable aleatoria normal 181 5 Variables aleatorias distribuidas conjuntamente 18S 5.1 Variables aleatorias de dos dimensiones 189 5.2 Valores esperados y momentos 196 5.3 Distribuciones condicionales y variables aleatorias independientes 207 5.4 Variables aleatorias en n dimensiones y la variable aleatoria multinomial 218 5.5 La desigualdad de Chebychev y la Ley de los Grandes Numeros 231 5.6 El teorema del limite central; aproximaciones 237 6 Muestreo y estadistica 249 6.1 Poblaciones y muestras 250 6.2 Estadisticas y distribuciones 257 7 Inferencia estadistica: Estimacion 275 7.1 El método de los momentos y de la maxima verosimilitud 276 7.2 Propiedades de los estimadores 287 7.3 Intervalos de confianza 299 8 Inferencia estadistica: Pruebas de hipétesis 315 8.1 Hipotesis y pruebas 315 8.2 Hipétesis simples 322 8.3 Hipdtesis compuestas 333 8.4 Pruebas de bondad de ajusie 343 8.5 Tablas de contingencia 354 9 Métodos Bayesianos 365 9.1 Distribuciones anterior y posterior 366 9.2 Estimadores de Bayes 373 9.3 Estimacién del intervalo 384image not availableimage not availableimage not availableNOTACION DE CONJUNTOS, IGUALDAD Y SUBCONJUNTOS 15 subconjunto de A. Por ejemplo, defina: A = {I, 2, 3}, B= {l, 3}, C= {i}. Aqui puede decirse, correctamente, que Bc A y CC A, ya que cada elemento que pertenece a B también pertenece a A, tal como ocurre con cada elemento que pertenece a C. Sin embargo, no es correcto decir que Be Ao que CE A puesto que B y C no estan especificados en la lista de elementos que pertenecen a A. Del mismo modo, es correcto decir que! € Ay que 1 €C, pero no puede decirse que | < A y que! < C yaque1 no €s un conjunto. De esta manera se puede decir que el conjunto de todas las personas casadas es yin subconjunto del conjunto de toda la gente, pero no se puede decir que el conjunto de todas las personas casadas pertenece al conjunto de toda la gente. Una persona casada pertenece al conjunto de todas las personas casadas (tanto como al conjunto de todas las personas), Pero esta persona no es un subconjunto de ninguno de los dos mencio- nados (ya que una persona no es un subconjunto). Se puede dar otra definicién a la igualdad de conjuntos diciendo que A= Bsiy sdlo si A © By BC A. De hecho, esto es una manera adecuada de demostrar que dos conjuntos son iguales, como se vera mas adelante. La mayoria de las igualdades sencillas de los conjuntos puede demostrarse con facilidad y en forma rigurosa de esta manera. En base a las definiciones, se puede observar claramente que cada con- junto es igual a si mismo y que cada conjunto es un subconjunto de él mismo. En otra forma, se puede decir A = A, para toda A, Ac A, para toda A. En los textos de Algebra se resumen estas dos afirmaciones diciendo que las relaciones de igualdad y las de los subconjuntos son reflexivas. EJERCICIO 1.1 . Demostrar que la relacién de los subconjuntos es transitiva; es decir que A < B y B< Cimplican A ¢ C. 2. Demostrar que la relacién de subconjuntos no es simétrica; 0 sea que A < By B < A son légicamente declaraciones diferentes y que la una no implica a la otra. Dar un ejemplo que ilustre esta asimetria. e Dar un ejemplo con el que demuestre que si E < F y D < F, entonces no necesariamente D < EOE © D. 4, Demostrar que la igualdad de conjuntos es transitiva. (La transitividad est definida en el problema 1). Si A = {x:2 =1,0,1}, B={-1,0, 1}, C = {0,1, -1}, D ={-1,1, -1} sefialar si cada uno de los que siguen es verdadero o falso.image not availableimage not availableimage not availableALGEBRA DE CONJUNTOS 19 juntos con la multiplicacién de nimeros, entonces la ley distributiva 1.1 antes mencionadas seria analoga a a(b + c) = ab + ac, lo cual es cierto para todos los numeros reales a, b y c. Sin embargo, la ley distributiva 1.2 seria andloga a a+b-c = (a+): (a+c), lo cual no es cierto para todas a, byc. Por lo general, todos los conjuntos mencionados en algunas presen- taciones tendran ciertas cosas en comin. Por ejemplo, un grupo de bo- tanicos podria discutir sobre conjuntos de arboles, en cuyo caso los ele- mentos de todos los conjuntos serian arboles; en forma semejante; un grupo de matematicos podria referirse a conjuntos de nimeros reales, por lo que los elementos de todos los conjuntos discutidos serian nimeros reales. El conjunto universal en una presentacién especifica es aquél que tiene como elementos todos los elementos de cada conjunto estudiado. Por tanto, en botanica el conjunto universal podria ser el conjunto de todos los arboles; en matematicas el conjunto universal seria el conjunto de los nuimeros reales. Es légico que para cada estudio haya diferentes conjuntos universales. Si se considera un conjunto universal especifico, entonces la definicién de un conjunto A también especifica automaticamente un segundo con- junto 4, llamado el complemento de A, el cual se define como sigue. DEFINICION 1.2.3. El complemento de A (con respecto a un con- junto universal dado) es el conjunto de todos los elementos que no pertenecen a A, 0 sea: As (xing A}. Si, por ejemplo, el conjunto universal es U={e:1 <2 < 10} y se define A= {e:l un embarque de 50 radios de la misma marca y modelo. Cada radio fun-image not availablea You have elther reached a page that is unavailable for viewing or reached your viewing lil far this booka You have elther reached a page that is unavailable for viewing or reached your viewing lil far this booka You have elther reached a page that is unavailable for viewing or reached your viewing lil far this booka You have elther reached a page that is unavailable for viewing or reached your viewing lil far this booka You have elther reached a page that is unavailable for viewing or reached your viewing lil far this bookimage not availableimage not availableimage not available50 PROBABILIDAD A; El estudiante elegido es una joven B: El estudiante elegido tiene ojos azules C: El estudiante elegido tiene cabello castafio D: El estudiante elegido tiene cabello rubio y ojos cafés Entonces N(S) = 20, N/A) = 11, M(B) = 16, N(C) = 8, N(D) = 0, y se tiene P(A)=40, P(B)=45, P(C)= as, P(D) = 0. EJEMPLO 2.3.5 Cuatro personas se inscriben en un torneo, en que el juego en cuestion no puede terminar en empate (como en el tenis, el ajedrez, los naipes, el domin6, etc.). Para tener mas claridad, suponer que se llaman Douglas, José, Hugo y Raymundo. El torneo ser4 por eliminacién individual, o sea que Douglas y José juegan entre si (juego 1) y el perdedor queda eliminado; simultanea o con- secutivamente, Hugo y Raymundo juegan entre si (juego 2), y el perdedor queda eliminado. En el juego 3, quienes ganaron los juegos anteriores juegan entre si. El ganador de este juego gana el torneo. {CuAl es la probabilidad de que Raymundo gane el torneo? Primero se encuentra un espacio muestral razonable para este ex- perimento. Ya que se disputar4n tres encuentros y las cantidades que deben regis- trarse son los ganadores, se adoptara un espacio muestral cuyos elementos sean miltiplos de 3. En la primera posiciOn se registra al ganador del juego 1, en la segunda al ganador del segundo juego, y en la tercera al ganador del tercer juego (el ganador del torneo). Por tanto, se emplea S = {(Douglas, Hugo, Douglas), (Douglas, Hugo, Hugo), (José Hugo, José), (José, Hugo, Hugo), (Douglas, Raymundo, Douglas), (Douglas, Raymundo, Raymundo), (José, Raymundo, José), (José, Raymundo, Raymundo) }. Para acertar quién ganard el torneo, deben asignarse valores a las probabilidades de ocurrir los eventos de un solo elemento. Si todos los jugadores tienen la misma habitidad, cada evento de un solo elemento debe tener una probabilidad asignada de }. Bajo esta suposicién, P(Raymundo gana) = P({(Douglas, Raymundo, Raymundo), (José, Ray- mundo, Raymundo)}) = P({( Douglas, Raymundo, Raumundo)}) + P({(José, ‘Raymundo, Raymundo )}) =teb Con esta suposicién, no debe sorprender que también se tenga que P(Douglas gana) = P(Jos¢ gana)=P(Hugo gana)= }. En muchos problemas importantes, los eventos de un solo elemento tienen la misma verosimilitud. Como ya se ha visto, en estos casos los cAlculos de las probabilidades se reducen al conteo del numero de elementos que tiene S y al ntimero de elementos que tienen los eventos de interés, Las pro- babilidades estan dadas por la raz6n de estas cantidades. Ya que el conteoimage not availablea You have elther reached a page that is unavailable for viewing or reached your viewing lil far this booka You have elther reached a page that is unavailable for viewing or reached your viewing lil far this booka You have elther reached a page that is unavailable for viewing or reached your viewing lil far this bookimage not availableimage not availableimage not availablea You have elther reached a page that is unavailable for viewing or reached your viewing lil far this bookimage not availableimage not availableimage not availablea You have elther reached a page that is unavailable for viewing or reached your viewing lil far this booka You have elther reached a page that is unavailable for viewing or reached your viewing lil far this booka You have elther reached a page that is unavailable for viewing or reached your viewing lil far this booka You have elther reached a page that is unavailable for viewing or reached your viewing lil far this booka You have elther reached a page that is unavailable for viewing or reached your viewing lil far this bookimage not availableimage not availableimage not available70 PROBABILIDAD DEFINICION 2.6.1. La probabilidad condicional de que ocurra B, dado que haya ocurrido A (lo que se denota como P(B| A))es P(B| A) = P(B 1X A)|P(A), si P(A) > 0. EJEMPLO 2.6.1. Se tira un par de dados no cargados 1 vez y se establece que los 2 niimeros que aparecen no son los mismos. Calcular la probabilidad de que la suma sea 70 que la suma sea 4 0 que la suma sea 12. Se define el evento A: Los dos nimeros que ocurren son diferentes. Entonces se dice que ha ocurrido A. También se definen los eventos B: la suma es 7 C: la suma es 4 D: la suma es 12 Entonces, si se supone que los eventos de un solo elemento tienen la misma probabilidad, se encuentra que PIA)=%, PB) = 4, PA NB) = 4, PCD) = 3 P(AND) =0 con lo que se tiene \ PC] A) = 38 =e ? 0 P(D| A) = EJEMPLO 2.6.2. Con base en su experiencia un médico ha recabado la si- guiente informacién, relativa a las enfermedades de sus pacientes: 5 % creen tener cancer y lo tienen; 45 % creen tener chncer y no lo tienen; 10% no creen tener can- cer pero silo tienen; y finalmente 40% creen no tenerlo, los pacientes del doctor estas cifras de porcentajes implican las siguientes pro- babilidades para un paciente seleccionado al azar. Se definen los eventos A: el paciente cree tener cancer B: el paciente tiene cancer Entonces P(ANB)= 05, P(A OB) = 45, P(A 0B) =.1, P(A NB) = 4. Se tiene, por tanto, que P(A) = P(A OB) + P(A NB) = 5 P(B) = P(A 1B) + P(A OB) =.15.image not availablea You have elther reached a page that is unavailable for viewing or reached your viewing lil far this booka You have elther reached a page that is unavailable for viewing or reached your viewing lil far this bookimage not availableimage not availableimage not availablea You have elther reached a page that is unavailable for viewing or reached your viewing lil far this booka You have elther reached a page that is unavailable for viewing or reached your viewing lil far this booka You have elther reached a page that is unavailable for viewing or reached your viewing lil far this booka You have elther reached a page that is unavailable for viewing or reached your viewing lil far this bookimage not availableimage not availableimage not available84 PROBABILIDAD P(e} =p >0 para =1,2,3, Entonces PS) = Feb = FP y esta suma diverge, sin importar cuanto se acerque p a 0. Por tanto, parece que no hay una forma satisfactoria de describir este experimento, lo cual es una in- ferencia correcta, porque después de estudiarlo cuidadosamente, se tiene que ilegar a ia conclusién de que es absolutamente imposible realizar el experimento. Es im- posible seleccionar un entero al azar del conjunto de enteros positivos. En si, el ex- perimento no tiene sentido, motivo por el cual no puede describirse. A pesar del razonamiento anterior, pareceria ldgico decir que la probabilidad de seleccionar un ntimero par es }, ya que cada tercer entero es par. De hecho, esta conclusion est basada en un razonamiento como el siguiente: si se selecciona al azar un entero del conjunto {1,2,3,..., A} en que M es muy grande, la probabilidad de que el niimero sea par es $ si M es par, y } — (1/2M) si Mes impar. En ambos casos es aproximadamente }, y, ya que M se incrementa cada vez mas, también se acerca proporcionalmente a } (para el caso que M sea impar; para el caso de M par, es 4). Hay muchos ejemplos que dan origen a espacios muestrales continuos, y éstos se definen de la siguiente manera. DEFINICION 2.8.2. Un espacio muestral continuo (unidimen- sional) es aquel cuyos elementos son todos los puntos situados en al- gun intervalo del eje real. De acuerdo con la definicién, los conjuntos {e0<20} son ejemplos de espacios muestrales continuos. Por lo general, si el ex- perimento consiste en observar algo que podria estar en cualquier parte de una linea continua, debera usarse un espacio muestral continuo. Como en los casos anteriores, los subconjuntos del intervalo continuo son eventos; y Jos eventos de un solo elemento serian los conjuntos de los puntos indi- viduales del intervalo. Sin embargo, en el caso de espacios muestrales continuos, por lo general se tendra que llegar a la conclusién de que las probabilidades de ocurrencia de estos puntos individuales son cero. De no hacerse asi, no podria satisfacerse el primer axioma ya que hay una in- finidad no contable de puntos en cualquier intervalo. Por tanto, en los es- pacios muestrales continuos no se pueden calcular las probabilidades de ocurrencia de cualquier evento a partir del conocimiento de las proba- bilidades de los eventos de un solo elemento. Esta situacién es analoga a la que se encuentra en la geometria. Se recordara que la longitud de un punto individual es cero (al igual que su altura). Desde luego se puede decir que una linea de dos centimetros de longitud tiene un gran numero de puntos individuales, a pesar de que la linea no es la suma de los puntos individuales. La medida de /ongitud esimage not availablea You have elther reached a page that is unavailable for viewing or reached your viewing lil far this booka You have elther reached a page that is unavailable for viewing or reached your viewing lil far this booka You have elther reached a page that is unavailable for viewing or reached your viewing lil far this booka You have elther reached a page that is unavailable for viewing or reached your viewing lil far this booka You have elther reached a page that is unavailable for viewing or reached your viewing lil far this bookimage not availableimage not availableimage not availablea You have elther reached a page that is unavailable for viewing or reached your viewing lil far this booka You have elther reached a page that is unavailable for viewing or reached your viewing lil far this bookimage not availableimage not availableimage not availableFUNCIONES DE DISTRIBUCION Y FUNCIONES DE DENSIDAD 99 con lo que la funcién de distribucién de Y es Fy(t) =0, <0 = 216, O (Su SN ycon ello my = x + = Bx my = pie + ayy + He =H tn ms = wy + Buty + Yoox + He = Hs + 3uyex + Hx, etc., ya que 4“, = 0. Por tanto, no es de sorprender que el conocer los momentos de X es equivalente a conocer los momentos de X aproximados a su media y viceversa.image not availableimage not availableimage not availableMOMENTOS Y FUNCIONES GENERATRICES 131 v2) =1 = az wi) = = E12") — nz. EJEMPLO 3.4.7. Se tira una moneda al aire hasta que salga una cara (ver el ejemplo 2.8.1), con W igual al niimero de tiradas necesarias para determinar el ex- perimento. Entonces 1 pwlk) =>, k= 1,2,3 v(t) = Ete") + Sift] <2. Se encuentra que 2-k! oe a WO = Goyer F123... Por tanto, 1 Ue), ] TPO =z =p), k=1,2,3... g vO) =2 = yr vPC) = 4 = EW?) — ay ete. Se concluye esta seccién con un teorema que es una de las razones prin- cipales en base a las que las funciones generatrices de momentos son de in- terés en el estudio de las variables aleatorias. Aunque el nivel matematico requerido para demostrar este resultado esta mas alla del nivel supuesto de este texto, se hara uso de él con entera libertad cuando se necesite. Teorema 3.4.1. Suponer que X e Y son variables aleatorias con funciones generatrices m y(t) y my(t) respectivamente. Si m x(t) =my(t), para toda ft en alguna proximidad de 0, entonces F(t) = Fy(t) para toda treal; esto quiere decir que Xe Y tienen la misma distribucién.