Reservados todos los derechos. [Nila totale ni pre de este ro puede reproduce oransmitirse por ningin procedinient eleetico 0 mecca, inclyendo foroco- pia, grabacion magnéicao cualquier almacenamient de informacion Y sistema de recuperacié, sn permiso escrito de Editorial Cento de [Estudio Ramin Ares, S.A (© EDITORIAL CENTRO DE ESTUDIOS RAMON ARECES, S.A. “Tomis Bret, 21 ~ 28045 Madrid “Tefooo: 915 398689 Fax: 914 681952 Cores: ceraso@eensa.es Web: worwcersaes ISBN-13: 978-84.5961-005-4 Depsto legal: M-36923-2010 Impreso por Campillo Neva, S.A. ‘Actonio Goezslee Porras, 35-37 28019 MADRID. Iimpeso en Espa / Printed in Spain Capitulo 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES .. 1.1. Variable aleatoria unidimensional 1.1.1. Distibucién de probabilidad de variables aleatorias discretas 1.1.2, Distribucién de probabilidad de variables aleatorias continuas 1.13. Distribucién simérica. 1.2. Variable aleatoria bidimensional.. ~ ~ 1.2.1. Distribucién de probabilidad bidimensional 1.2.2. Distrbuciones marginales 12.3, Distrbucionés condicionadas... 1.3. Independencia de variables aleatoria.. Capitulo 2: CARACTERISTICAS DE LAS VARIABLES ALEATORIAS. 2.1, Introduceién. 2.2 Valor esperado de una variable aleatoria unidimensional... 22.1 Propiedad esos 2.3. Momentos de una variable aleatoria unidimensional. 23.1. Vata nn 232. Propiedades dela varianza 233. Coeficiente de variaci6n 2.3.4, Cambio de origen y de escala 235. Tipifcacién de una variable. 24. Otras medidas de posicién y dispersion non 2.5. Medidas de forma 2.6 Funcién generatriz de momentos. 2.6.1. Cambio de variable en las funciones generarices de mamentos zee inpice 13 Is 15 18 3B 34 37 43 332.1. Valor esperado de una variable aleatoria bidimensional. 2.7.1. Propiedades.. 2.8, Momentos de una variable aleatori Capitulo 3: ALGUNOS MODELOS DE DISTRIBUCIONES DE PROBABILIDAD DE TIPO DISCRETO. BAL, Introducci6n. msn 107 3.2, Distribucién uniforme discret . 108 3.3. Distribucién de Bernoull mL 3.4, Distribucién binomial... us 3.5. Distribucién de Poisson 125 3.51. Distribucién de Poisson como limite de la binomial... 131 Capinulo 4: ALGUNOS MODELOS DE DISTRIBUCIONES 4.2. Distribucién uniforme continua 43. Distribucién normal... 433, Areas bajo la curva normal y tabas. 434, Propiedades..... 435. Relacin entre la diseibucién binomial, 44, Teorema Central del Limite. 4.5, Distribuciones asociadas a la normal. 45.1. Distribucién x! de Pearson. 4.52. Distribucién de Student 453. Distrbucion F de Snedecor. 189 Capitulo 5: ESTADISTICOS MUESTRALES: Y SUS DISTRIBUCIONES 199 5.1. Introduccién, Muestra aleatoria. 199 5.2, Parimetros poblacionales y estadisticos muestrale 5.3. Funcién de distribucién empirica 5.4. Distribucién muestral de estadistico 5.5. Distribuciones de estadisticos muestrales de poblaciones normales. 201 8 ESIADISTICA ECONOMICA V EMPRESARIAL 5.5.1. Distribucién de la media muestral cuando se conoce la varianza poblacional sree 209 5.52, Distibucién de la media muestral cuando no se conoce Ja varianza poblacional aut 5.53. Distribucién de la varianza muestal. 5.6. Distribucién de la proporcién muestral 212 212 215 215 217 Capitulo 6: ESTIMACION PUNTUAL. ow 6.1, Introduccién a la inferencia estadistic: 6.2, El problema de la estimacién: estimacién puntual. 63. Propiedades de los estimadores puntuales.. 63.1. Estimadorinsesgado. 63.2. Estimador insesgado de varianza minima 64.1.1. Propiedades de los estimadores obtenidos por el médo de los momentos. 642, Método de la méxima verosimilitud. 6.42.1. Propicdades de los estimadores de maxima verosimilitud. Capitulo 7: ESTIMACION POR INTERVALOS DE CONFIANZA.. 7.1, Introduccién. 7.2. Métodos de construccién de intervalos de confianza.. 251 7.2.1. Método pivotal. 232 7.3. Intervalos de confianza en poblaciones 253 73.1. Intervalo de confianza para la media ude una poblacién 73.2. Intervalo de confianza para la media 1. de una poblacién normal con desviacién tipica o desconocida. 733. Intervalo de confianza para la varianza de una poblaci ‘normal con media poblacional 42 desconocida 239 73.4. Intervalo de confanza para la varianza de una poblacion normal con media poblacional 4. conocida.. 261 714, Intervalos de confianza en poblaciones no nevesariamente normals. 264 inoce 97.5. Intervalo de confianza para una proporcién.. 7.6. Estimacién del tamafio muestra... = 7.6.1. Tamafio de muestra para estimar la media jz de una poblacién 269 ‘normal con ¢ conocida, 269 162, Tanto de mnesra pr esiar ame wa poblsin normal con o-desconocida, 2m 7.7. Cuadro resumen de intervalos de comfian 72s... 274 Capitulo 8: CONTRASTE DE HIPOTESIS PARAMETRICAS. 281 8.1. Introduccién. : 281 8.2. Hipétesis nula e hipétesis alternativa.. 282 283 8.4, Errores de tipo I, de tipo II y potencia del contrast 285 288 8.6. Valor probabilistico o p-valo 21 8.7, Relacién entre los contrastes Y los intervalos de confianza 8.8. Cuadro resumen de los contrastes de hipétesis...-.. 295 Capitulo 9: ANALISIS DE VARIANZA.. 307 307 309 9.3. Andlisis de varianza para una clasifcacion simple ‘ode un solofactor. 3 3 sven 316 326 9.4, Anilisis de la varianza para una clasificacién doble de 40S FACIOTES nnn ae 331 Capitulo 10: CONTRASTES DE BONDAD DE AJUSTE Y TABLAS DE CONTINGENCIA 343 10.1. Introducci : 343 102, Contrastes de bondad de ajuste. 343 10.2.1. Contraste 4? de Pearson de bondad de ajuste........ 344 102.2. Contraste de Kolmogorov-Smimov . 358 10.23. Contraste de normalidad de Lilliefors 369 10.24. Contraste de Kolmogorov-Smimov para dos muests. 373 10 ESTADISTICA ECONOMICA V EMPRESARIAL 10.3. Tablas de contingencia... 103.1. Contraste de independenci 10.3.2. Contraste de homogeneidad.... Capitulo 11: CONTRASTES NO PARAMETRICCS..... 11.1. Introduccién... 11.2. Contrastes de aleatoriedad..... 11.2.1, Contraste de rachas de Wald- Wolfowitz. 11.3. Contrastes de localizacién 113.1, Contraste de signos.. 11.3.2. Contraste de signos de la mediana... ; 1133. Contraste de rangossignos de Wilcoxon para una muestra. 11.4. Contrastes de comparacién de dos poblaciones 11.4.1. Contraste de la mediana.. 11.4.2. Contraste de Wilcoxon-Mann-Withney.. 11,5. Contrastes de comparacién de mas de dos poblaciones 115.1. Contraste de Krushal-Walli..umnsmnn BIBLIOGRAFIA senna ANEXO: TABLAS ESTADISTICAS........---- Inoice 378 379 385 391 391 393 393 uPROLOGO El presente libro esté pensado para que sirva de texto basico durante un segundo cuatrimestre en los Grados de Economfa y Administracién y Direc- cién de Empresas. Aunque una versién mas compieta y detallada aparece en {as obras publicadas en esta misma editorial con los titulos: Estadistica I: Probabilidad y Distribuciones e Inferencia Estadistica A lo largo de los once capitulos que integran esta obra hemos estudiado los. diferentes conceptos que se han considerado necesarios, omitiendo en algunas situaciones, demostraciones que no son fundamentales para la comprensién y seguimiento de la materia. Siempre y después de los diferentes conceptos y ‘métodos se exponen varios ejemplos con el fin de facilitar el entendimiento del concepto y la aplicacién del método. Empezamos dedicando el primer capitulo al concepto de variable aleato- ria, unidimensional y bidimensional, tanto de tipo discreto como continuo, y sus respectivas funciones de probabilidad, de densidad y funciones de distri- ‘bucién, Las caractetisticas de las variables aleatorias se estudian en el capitulo segundo, donde también nos ocupamos de la funcién generatriz de momentos. En los capitulos tercero y cuarto exponemos los modelos de distribuciones de probabilidad més usuales y sus relaciones. Dedicamos especial atencién a ladistribucién normal y al Teorema Central del Limite. Exponemos el manejo de las tablas estadisticas correspondientes a las distintas distribuciones, las cuales aparecen en el Anexo. La Inferencia Estadistica se inicia en el capitulo quinto, con los estadist- cos muestrales y sus distribuciones, basindonos en un razonamiento induc- tivo que utiliza como Gnica fuente de informacién la proporcionada por los datos muestrales. Nos referiremos aqui, solamente, al enfoque clisico de la Inferencia Estadistica. En Jos dos capitulos siguientes se introducen los vonceptos de estimador puntual y sus propiedades, los métodos de obtencién de estimadores y Ia esti- ‘macién por intervalos de confianza. pRoLOGO 13I capitulo octavo lo dedicamos al contraste paramétrico, donde admiti- ‘mos que la informacién procede de una poblacién con distribucién conocida ccuyos pardmetros deseamos contrastar. Realizamos la extensién al caso de k poblaciones y para ello introducimos el Andlisis de la Varianza en el capitulo noveno. Los dos siltimos capitulos los dedicamos al contraste no paramétrico, de- sarrollando en primer lugar los test de bondad de ajuste y las tablas de con- tingencia y finalmente los contrastes de aleatoriedad, localizacién y compars- cién de poblaciones. ‘Madrid, septiembre de 2010 Los Autores 14 ESTADISICA ECONOMICA Y EMPRESARIAL CAPITULO 1 Variables aleatorias y sus distriouciones 1.1, VARIABLE ALEATORIA UNIDIMENSIONAL En el curso anterior se estudiaron los conceptos bisicos de probabilidad sobre los resultados o sucesos de un experimento aleatorio, Pero los experi- ‘mentos aleatorios son tales que los resultados a que dan lugar pueden ser de naturaleza cualitativa o cuantitatva. Asi por ejemplo, serian resultados cuali- tativos los derivados de los siguientes experimentos aleatorios: + Ellanzamiento de una moneda: cara o cruz. + La calidad de las piezas fabricadas en una planta: buenas o defectuosas + La preferencia de una persona sobre tres tipos de coches: prefiere el coche A, el coche Bo el coche C, etc. Otros ejemplos de experimentos aleatorios euyos resultados son cuantita- tivos serfan: + El nimero de accidentes de automévil en una ciudad en un mes dado. + El nimero de clientes que llegan a un comercio durante una hora. + El mimero de errores detectados en la contabilidad de una empresa, + La suma de los puntos que aparecen cuando se lanzan simulténeamente dos dados, etc. Pero trabajar con los resultados cualitativos de un experimento aleatorio introduce ciertas complicaciones, siendo de gran utilidad el cuantificar los resultados cualitativos del experimento aleatorio, o lo que es lo mismo asig- nar un valor numérico a cada suceso del espacio muestral correspondiente al experimento aleatorio considerado. Esta relacién entre los sucesos del espacio VARIABLES ALEATORIASY SUS DISTRIBUCIONES 15,‘muestral y el valor numérico que sc les asigna la establecemos mediante la variable aleatoria, Ejempto 1.1 Supongamos un experimento aleatorio que consiste en lanzar dos mone- das al aire, designamos con F la aparicién de cara y por C la aparicién de cruz. Los posibles sucesos elemetales del espacio muestral seran: E= (FO, (CA, (CO, (FP) Si definimos la variable alcatoria X como el riimero de cruces que apare- cen al lanzar tas dos monedas, podemos establecer la siguiente corresponden- ccia entre los sucesos del espacio muestral y los valores posibles de la variable aleatoria X. a = Valores deta variable ucesos Funciéa Variable aleatoria XA) = KF) = 1 ~” XA) HA) = XCF) = 1 es XA) = CO) =2 XAQ) = X(FF)=0 Observamos que la variable aleatoria X es una funcién, pues a cada ele- ‘mento del conjunto origen, sucesos del espacio muestral, le hace corresponder tun solo elemento en el conjunto imagen, de valores de la variable aleatoria. Sin embargo, a cada valor de la variable aleatoria le puede corresponder uno mis sucesos. Estas funciones cuyos valores dependen de los resultados del experimento aleatorio las Hamaremos variables aleatorias, y son funciones del espacio muestral E en R, es decir X: E> R Definicién 1.1. Variable aleatoria, ‘Una variable aleatoria es una funcién que asigna un valor numérico cada suceso elemental del espacio muestral. ‘También podemos decir, aunque de forma menos rigurosa, que una va Fiable aleatoria es una variable cuyo valor numérico esta determinado por el resultado de un experimento aleatorio. Notaremos con las letras mayisculas %.¥,... la variable aleatoria y con las letras minisculas, x, y,... sus valores. 16 ESTADISTICA ECONOMICA V EMPRESARIAL La variable aleatoria puede tomar un nimero numerable o no numerable de valores posibles; dando lugar a dos tipos principales de variables aleato- rias: diseretas y continuas. Definicién 1.2, Variable aleatoria discreta. Se dice que una variable aleatoria X es discreta si puede tomar un ‘mero finito o infinito, pero numerable, de posibles valores. Asi pues, seria una variable aleatoria de tipo discreto el mimero de piezas defectuosas que aparecen en un proceso de fabricacién, el miimero de Ila- madas telefSnicas que son recibidas en tna centralita durante un periodo de tiempo, o el ntimero de depésitos de una entidad bancaria; y si designamos la correspondiente variable aleatoria por X, entonces X puede tomar cualquiera de los valores x = 0, 1, 2,3. Definicién 1.3. Variable aleatoria continua. ‘Se dice que una variable aleatoria X es continua si puede tomar un ni- ‘mero infinito (no numerable) de valores o bien, si puede tomar un nimero infinito de valores corresondientes a los puntos de uno o més intervalos de la recta real. Es decir, la variable alearoria de tipo continuo puede tomar cualquier valor cen uno o més intervalos de la recta real. Asi pues, situaciones tipicas de varia- bles aleatorias continuas serian las que hacen referencia a medidas tales como ‘tiempo, peso o longitud. Por ejemplo, si representamos por X el tiempo que dedica un alumno a hacer un examen cuya duracién méxima es de dos horas (120 minutos); tendriamos una variable aleatoria de tipo continuo que puede tomar infinitos valores en el intervalo 0 < x < 120. Otro ejemplo de variable aleatoria continua seria la cantidad de Iuvi caida cada dia en un determinado punto geogrifico, pues un equipo de medi dda de mucha precisién nos daria cada dia la cantidad de luvia registrada que podriamos hacer corresponder con un punto iinico del intervalo delimitado porel valor minimo y el méximo de tluvia prevista. Cada uno de los infnitos puntos del intervalo podria ser un valor de la variable aleatoria X continua correspondiente a la cantidad de Iluvia caida en ese punto geogrifico duran- teun dia. VARIABLES ALEATORAAS SUS DISTRBUCIONES 171.1.1. Distribucién de probabilidad de variables aleatorias discretas Sea X una variable aleatoria discreta que toma un ntimera finito de valores, ‘ren total, que indicaremos por xX) cy Zp o-- Xe La probabilidad de que a variable aleatoria X tome un valor particular x, 1a designaremos por: P= Pla) = PK = 5) Definicién 1.4, Distribucién de probabilidad. La distribucién de probabilidad, funcién de probabilidad o fun- cién de cuantia de una variable aleatoria discreta X, la notaremos por PG), y es una funcién que asigna las probabilidades con que la variable aleatoria toma los posibles valores, de tal manera que las probabilidades vverifiquen las dos condiciones siguiente L O P(X= 0) = PO) = 08091 P(1) =0,0909 + 0,0909 = 0,1818 PQ2)=0,0091 VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES 19La probabilidad de que el minorista acepte el lote de las 100 limparas seré: PUX=0) = P(0) =0,8091 La distribucién de probabilidad P(x), de la variable aleatoria X aparece en 4a tabla 1.2, en donde aparecen los diferentes valores x de la variable aleatoria ¥ sus probabilidades P(x). Tabla 1.2. Distribucién de probabilidad de la variable aleatoria X. ‘Valores de la variable aleatoria Probabilidades x P65) 0 0.8091 1 ousis 2 0.0091, ‘Ya que los cuatro sucesos del experimento forman un conjunto mutua- mente excluyente y exhaustivo de sucesos, las probabilidades correspondien- tesa estos sucesos suman la unidad, La funcién de probabilidad de una variable aleatoria discreta se puede cexpresar de tres maneras: — Tabular. — Algebraica o funcional — Grafica, La forma tabular consiste en expresar en forma de tabla una lista de los valores posibles de la variable aleatoria X y las correspondientes probabilida- des P(x), como aparece en la tabla 1.2. La forma algebraica o funcional se presentan cuando es posible escribir luna funcién en Ja forma de una ecuacién, de talmanera que para cada valor de 1a variable aleatéria se pueda obtener su probabilidad. Asi pues, para él ejem- plo 1.2 la forma funcional de la distribucién de probabilidad seria!: 10) /100 = 10 . a)\ 2-x Pa) = PK=2)= * Esta fancin de probabilidad corespondea a de una variable alestoriahipengcométric. No es nocesario qu intent obtener esta forma fanconal puss solo se petende que sepamos que puede uilizar para expresar a distrbucion de probebilidad de una variable aletoria discret 20 ESTADISICA ECONOMICA Y EMPRESARIAL Otra forma de presentar la funcién de probabilidad seria mediante un gri- fico o diagrama de barras,en el que sobre el eje de abscisas llevariamos los diferentes valores x, de la variable aleatoria X’y sobre el eje de ordenadas, las probabilidades P(x), Asi pues, para el ejemplo 1.2 tendriamos el grifco 1.1. Pa) 10 0.8091 og 06 04 ae oa 0.0001 Oueee! 2 Grifico 1.1. Funein de probabiidad de la variable aleatoria X asociada al experimentoaleatorio del ejemplo 1.2 Una consideracién importante sobre variables aleatorias discretas y sus distribuciones es la siguiente: si X es una variable aleatoria discreta y desea- ‘mos determinar la probabilidad de que X sea mayor 0 igual que un cierto valor ay menor o igual que un valor 6, siendo a = b, solamente tenemos que sumar las probabilidades correspondientes a valores de X comprendidos entre a y b; es decir, PO 0, -o17 F16) = PX < 16) = 1.1.3. Distribucién simétrica Diremos que una variable aleatoria X es simétriea respecto de un punto ¢, ‘cuando se verifica: PX Aa. < Fy SEK > Flny) 0 x Pur= xiv yy =” siempre que P(Y = y)>0. Definicién 1.16. Distribucién de probabilidad condicionada de la variable aleatoria discreta X dado ¥ = y, = pexsyay) PRE TAY Pr Poa) = PO = t= 7) = OT TR siempre que Pa=y)>0. En esta expresién y, es fijo y x, varia sobre todas los posibles valores de la variable aleatoria X, obteniendo asi In distribucién de probabilidad de la variable aleatoria discreta X bajo la condicién Y= y,, VARIABLES ALEATORIASY SUS DSTRBUCIONES 45‘Andlogamente tendriamos la distribucién de probabilidad condicionada de la variable aleatoria discreta ¥ dado X = x, (em, Yay) _ py P= a) POs) = PW = y X= x) = Siempre que PUK = 5) >0 Ply) 20 Por) 20 yademés: Trea xy Ze P, LPv= k= x)= 7 LLuego son efectivamente distribuciones de probabilidad. Definici6n 1,17. Funcién de distribucién condicionada de la variable aleato- fia discreta X dado ¥ = y, XP&=x Yay) YE py Fay) = PO 0. ‘Andlogamente tendriamos la funcién de distribucién condicionada de 4a variable aleatoria discreta ¥ dado X = x, LI Pika Y=y) LD py = PY , 46 ESTADISTICA ECONOMICA Y EMPRESARIAL ‘Siempre que: PKA) P.>0 En el caso continuo podemos obtener, por analogia, Ia funcién de densi- dad condicionada y su correspondiente funcién de distribucién condicionada, Aqui no se pueden obtener de manera tan sencilla y directa a como sucedia en cl caso discreto, pues en el caso continuo la ¥ las probabilidades condicionadas: PK F(x, y)=F,(x)-F,), Vey) O bien, de manera equivalete, en el caso discret, PRIY=yD= PL VE Pofk=sy=P, , Vi y ence caso continuo, si: fel)=fG) , Vy Fol) = xO) 5 Vx Si Xe ¥ son variables aleatorias diseretas, cuya distribucin de probabi- lidad conjunta p, = P(x, x) y sus distribuciones de probabilidad marginales P, = Pix) y P= Ply) respectivamente, entonces diremos que las variables | aleatorias son independicates si solo si se verifica: POn ¥) = PUR)-POY. Vey) obien Pym Puy ‘54 ESTADISICAECONOMICA Y EMPRESARIAL Si Xe Y son variables aleatorias continuas, con funcién de densidad con- junta f(x,y) y funciones de densidad marginales f(x) y f(y) respectivamente, entonces diremos que las variables aleatorias son independientes si y solo si se verifc LO Y= $2) FO) VO» Ejemplo 1.8 Considerando el ejemplo 1.5 y mas coneretamente Ia tabla 1.6 dela distri- bbucién de probabilidad conjunta de la variable aleatoria bidimensional (X, 1), probar que las variables Xe ¥ no son independientes. Solucién: Para que las variables aleatorias discretas X e Y sean independientes seri necesario que: Pere y= Ple)PUD. Wy 9D © lo que es lo mismo que: PU =x, Vy) = PK =x) PW yd VG yD ‘o también que: Pum PoP y Observando la Tabla 1.6 vemos que: pueiy=n= aie w=p-2 Pe DT pr=n=d a yy resulta que: P= 1, ¥= 1) 4 P= POY = 1) pues 3,07 ata 21 Luego las variables aleatorias Xe ¥ no son independientes. ‘VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES 55CAPITULO 2 Caracteristicas de las variables aleatorias 2.1. INTRODUCCION Cuando estudidbamos la Estadistica Descriptiva, nos ocupabamos de Ia informacién correspondiente a una variable estadistica, obteniamos su corres pondiente distribucion de frecuencias, y una serie de medidas descriptivas ta- les como la media, mediana, moda, cuantiles, varianza, etc, que nos resumian la informacién sobre la variable estadistica en cuestién, pudiendo establecer comparaciones entre diferentes poblaciones, uilizando inicamente sus carac- teristicas descriptivas. Una situacién andloga nos encontraremos ahora, pues toda la informacién sobre una variable aleatoria X esti especificada en su funcién de probabi- lidad P(x)o en su funcién de densidad f(x), segiin que la variable aleatoria sea discreta o continua, respectivamente. Pero en muchas situaciones hay que realizar comparaciones entre dos o més distribuciones de probabilidad y estas comparaciones son mas faciles de realizar comparando los valores caracte- risticos de las variables aleatorias correspondientes a esas distribuciones, que comparando directamente las diferentes distribuciones de probabilidad o las correspondientes funciones de densidad. ‘Siguiendo un cierto paralelismo con Ia Estadistica Descriptiva estudia- remos en este capitulo, tanto para variables aleatorias discretas como para jables aleatorias continuas, algunas caracteristicas de las mismas: media, varianza, mediana, ec.,y sus felaciones mas importantes. (CARACTERSTICAS DE LAS VARIABLES ALEATORIAS. 572.2, VALOR ESPERADO DE UNA VARIABLE ALEATORIA UNIDIMENSIONAL El concepto de valor esperado o esperanza matemitica de una variable aleatoria es uno de los mas importantes en el estudio de las propiedades de las istribuciones de probabilidad, Con el fin de entender de manera ficil este concepto consideramos la si- ‘uiente situacién: supongamos el juego realizado de la siguiente forma: 1, Se lanza un dado. 2. Si aparece un | el jugador gana 10 euros. 3. Si aparece 2, 3, 4 0 5 el jugador pierde 3 euros. 4. Si aparece un 6 el jugador gana 2 euros. Queremos saber si el juego es equitativo o justo, es decir, si en una larga serie de jugadas un jugador no gana mas que el otro. Para responder a esto tendriamos que realizar el juego un gran niimero de veces y ver qué ocurre, pero la realizacién del juego un gran némero de veces nos levaria muchisi- ‘mo tiempo, entonces lo que hacemos es simular el juego, con un ordenador, tun millén de veces y en esta simulacién se obtuvo que el jugador gané por ‘érmino medio 0,01 euros. Lo cual nos muestra que efectivamente el juego es ‘muy equitativo, No obstante, podemos calcular la equidad del juego de la siguiente forma: Sea.X:cantidad que gana un jugador en el juego, siendo negativa cuando pierde. Esta variable aleatoria, X, puede tomat los 1 xo 3 de las veces 10, gee les X=2, Ze las veces Si caleulamos la media ponderada de los posibles resultados utilizando ‘como ponderacién la proporcién de veces que se presenta un resultado parti- cular, tenemos que el resultado ponderado seré: 58 ESTADISICA ECONOMICA V EMPRESARIAL, be (-9242 10-2 +(-3)-5 yy segin este resultado podemos decir que no esperamos ni ganar ni perder en este juego, es decir que la ganancia esperada por juego es cero. tra aplicacién importante del valor esperado es para describir la forma de la distribucién de la variable aleatoria. Sabemos que la mediana se puede utilizar para describirel punto medio de la distribueién y la distancia entre el primer y el tercer cuartil (rango intercuatlistico) determina si una distribu cidn de probabilidad es més extensa que otra, es decir, si una distribucién de probabilidad tiene un determinado rango inter-cuatilistico que es mayor que el de otra distribucién, entonces decimos que la variable aleatoria correspon diente tiene mayor dispersin que la otra. ‘También estudiaremos los momentos, como casos especiales del valor es- perado, y os utlizaremos para describir la distribucién de una variable alea- tori, facilitindonos la comparacién de distribuciones. Mis concretamente y considerando el juego planteado anteriormente, que da lugar a una variable aleatoria discreta, X, cuya funcién de probabilidad es: si x= 10 Pa) = PK = 4) = si xe en el resto y si designamos por £[X] la ganancia esperada tenemos que: 1 21 AN) = 10-54 (-3- 342-5 =0 es decir, la ganancia esperada es una suma ponderada, donde las ponderacio- nes son las probabilidades asociadas a cada valor de la variable. Basindonos en esta situacién podemos dar la siguiente definicién. CCARACTERISTICAS DE LAS VARIABLES ALEATORIAS 59Definicién 2.1. Valor esperado o esperanza matemética ‘Sea X una variable aleatoria de tipo disereto que toma los valores x,, %y ---X, ¥ cya funcién de probabilidad es P(x), i= 1,2, 3, .., definimos el valor esperado de X, y lo notaremos por E[X] como: FD = Dare) Ruy Si la variable aleatoria X'es de tipo continuo, con funcién de densidad (2), definimos el valor esperado, E[X), como: EX) -f or 22) En ambos casos el resultado es un niimero y para que exista el valor esperado es necesario que la serie T:=,PCx)) tnintegrala{ xflde sean absolutamente convergentes', pues en caso contrario a0 existiria, (ver ejemplo 23). La expresion [2.1] nos muestra que el valor esperado EX), de la variable es la media ponderada de los posibles valores que puede tomar la variable %, en donde los pesos o ponderaciones son las probabilidades, P(x) = PUX = +x), de ocurrencia de los posibles valores de X. Luego el valor esperado de X'se interpreta, simplemente, como una media ponderada de los posibles valores dde X, y no como el valor que se espera que tome X, pues puede suceder que LX] no sea uno de los posibles valores de X. En el caso de variable aleatoria continua, la expresién [2.2] nos indica el centro dela funcién de densidad. Por analogia con la Fisica podemos decir que el valor E[X] nos indica el centro de gravedad de la distribucién. ‘Veamos algunos ejemplos para ilustrar la definicién de esperanza mate- ‘mitica 0 valor esperado. "Una seri es absolutamente convergente sia serie de sus médulos es convergente, es deci si laserie 5 i)Ptx) es convergent. Aoilogamenelaitegal es convergent 8 dei 11 eteretcmepasine | ton 60 ESTADISTICA ECONOMICA V EMPRESARIAL Ejemplo 2.1 Sea una variable aleatoria X cuya funcin de probabilidad viene dada por: 01, x=0 02, x=1 fon x23 POV oa, sad 02, x=8 0, en el reso Obtener el valor esperado de X, es decir EX]. Solucién: Como la variable aleatoria es discreta para obtener la E[X] aplicamos la expresin (2.1) y tenemos: EUX] = Fx P(x) = 0-(0,1) + 1-(0,2) + 3-(0,1) + 4-(0,4) + 8-(0,2) Ejemplo 22 Sea una variable aleatoria X cuya funcién de densidad 1, O 0) cuando se ‘mediante esta transformacién si e <1 entonces los nuevos valores transfor- mados se alejan unos de otros y aumenta la dispersién respecto de X 6 T; pero sie 1 entonces los nuevos valores transformados se acercan unos a otros, €s decir, e concentran y disminuye la dispersién respecto de X'6 T. Calculando el valor esperado de la nueva variable ¥ transformada, resulta: arn =2[220]-2-2 es decir: lo cual nos dice que se produce también el mismo cambio de origen y de es- cala en el valor esperado 0 media de la variable. En [a varianza el cambio de origen no le afecta a la varianza de la variable ‘ransformada, pues el cambio de origen 10 tinico que hace es desplazar tos, valores de la variable inicial X manteniendo la misma posicion relativa y en ‘consecuencia no modifica la dispersidn. En efecto: of= vee = ver 74, ESTADISTICA ECONOMICA ¥ EMPRESARIAL yy la desviacién tipica seré: Luego Ja varianza es invariante frente a cambios de origen pero no lo es. frente a cambios de escala, pues el dividir todos los valores de la variable X por el cambio de escalae, éstos se dispersan sie < 1, y se concentran sie > I. ‘Veamos cémo afecta el cambio de origen y de escala al coeficiente de variacién, Para ello s6lo tendremos que aplicar la definicién de coeficiente de variacién y hacer la transformacién correspondiente al cambio de origen y de scala, en efecto: Vy = Luego CV, * CV, excepto cuando 0’ = 0, es decir, cuando no hay cambio de origen. Esto nos permite afirmar que el coeficiente de variacién es invariante frente a cambios de escala, pero no frente al cambio de origen, pues cuando se produce el cambio de origen se produce un cambio en la media de la variable y consecuentemente cambiaré el coeficiente de variacién. En el siguiente ejemplo 2.7 veremos que se verifica todo lo anterior. Ejemplo 2.7 Sea una variable aleatoria X discreta cuya funcién de probabilidad viene dada por: 0,10 03s 025 030 1 2 3 6 Realizar un cambio de origen hacia la izquierda de 2 unidades, es decir, 0 = —2, y un cambio de escala e = 3. Obtener la media y la varianza de la CCARACTERISTICAS DE LAS VARIABLES ALEATORIAS 75,variable aleatoria X y la de su transformada y representar las grificas corres- pondientes de su distribucién de probabilidad. Solucién: El valor esperado o media de X sera: By = FIX) = & PO) = 1-(0,10) + 2- (0,35) + 3 - (0,25) + 6-(0,30) =3,35 La varianza de X, aplicando una de las diferentes expresiones, serd: ‘Var (X) = EIX?] ~ (EXD? = 3 ~ a IX?) = F 3f-PaD = 1-(O.10) + 2?-(0,35) + 3?-(0.25) + 6-0. = 1455 Var (X) = 14,55 — (3,35) 2333 La representacin grifica de la distribucién de probabilidad de la variable X viene dada en el grifico 2.2 La nueva variable aleatoriatransformada por el cambio de origen seré: T=X-0'=Xx+2 La distribucién de probabilidad de esta variable aleatria transformada Tseré: 410 035 02s 030 La media y la varianza de esta nueva variable T serén: Br = EIT] = Y y-POt) 3-(0,10) + 4-(0,35) + 5-(0.25) + 8-(0,30) = 535 76 ESADISTICA ECONOMICA Y EMPRESARIAL x= 3.35 Grifico 2.2. Representacién grifica de la distribucin de probabiidad del ejemplo 2.7. ar?\= x GPC) ? (0,10) + 4?-(0,35) + 5?-(0,25) + 8?-(0,30) 1,95 Var(T) = E177) - ITD? = 31,95 ~ (5,35)? 3333 La representacién gréfica dela distribucién de probabilidad de Ia variable aleatoria T'la tenemos en el grafico 2.3. La variable aleatoria transformada por el cambio de origen y el cambio de scala seri: X+2 3 (CARACTERISTICAS DE LAS VARIABLES ALEATORIAS. 77Pu, 04 03 on Le pp=53s Grifico 2:3. Representacién grifica dela distribucién de probabilidades de In variable ‘aleatoria ransformada 7, La distribucién de probabilidad de esta variable aleatoria transformada Y sera 1 | 0,10 4p | 035 3p | 0.25 33 | 030 La media y la varianza de esta variable transformada Y seré: y= BY) = ¥ ye POd 4 s 8 = 1,10) + 5-(0.35) + 5 (0.25) + 5-(030) 178 78 _ESTADISICA ECONOMICA ¥ EMPRESARIAL St ro= 1.030 + (035-09 = (2). 030 55 Var(¥) = BUY?) ~ (ED)? = 3555 ~ (1.78? = 038 La representacién grifica de a distribucién de probabilidad de la variable aleatoria transformada ¥ viene representada en el grafico 2.4. Py) AY?) b= 178 Grifico 24. Disuibucién de probabilided dela variable aleatora transformada Y. ‘Vemos pues que efectivamente: mo iG yo sustituyendo los respectivos valores tendremos: CCARACTERISTICAS DE LAS VARIABLES ALEATORIAS 79)2.3.5, Tipificacién de una variable Sabemos que distintas distribuciones poscen, por lo general, distintas me- didas de posicién y de dispersién. Sin embargo, puede ocurrir que las formas de muchas distribuciones sean anélogas,diferenciindose nicamente entre si por estar representadas o medidas en sistemas con distintos origenes 0 tas escalas. Entonces decimos que todas esas distribuciones pertenecen a la isma familia de distibuciones. Es frecuente el estudiar las propiedades de las distribuciones no en par- ticular para cada una de las posibilidades existentes, sino para alguna distri- bbucién que podriamos considerar como més estindar o mas representativa de toda la familia, y luego, mediante la aplicacién del correspondiente cambio de origen y de escala, tratar de deducir las propiedades para la distribucién particular considerada. ‘Cuando pretendemos comparar magnitudes expresadas en distintas unida- des 0 en distinta situaciones, para poder compararlas tendremos que hacerlas hhomogéneas, y a este proceso de homogeneizacién de las diferentes magnitu- des le llamaremos tipificaci6n 0 normalizacién. Diremos que una variable Z, esté tipifieada cuando su media es cero y su desviacién tipica es uno. Es decir, dada una variable X, de media j1, varianza 3, diremos que Z es la variable tipificada si X= ur siendo necesario que o> 0. Luego para tipificar una variable, sélo hay que transformarla mediante un cambio de origen 0” = 12, un cambio de escala e = 0%. Es decir, hay que restarle la media y dividir por su desviacién tipi La nueva variable Z tipificada es adimensional, es decir, no tiene asocia- da unidad de medida, y se puede comparar directamente con otras variables tipificadas. Teniendo en cuenta el efecto que produce el cambio de escala y de origen, se verifica que X= ae] _ x= oy cn ox be FIZ) 80 _ESTADISICA ECONOMICA Y EMPRESARIAL Luego la variable tipificada Z tiene de media 0 y varianza 1 2.4, OTRAS MEDIDAS DE POSICION Y DE DISPERSION* Sabemos que las principales medidas de posicién y de dispersién son la ‘media y Ia varianza, respectivamente, pero existen otras que son necesarias y ‘que suelen utilizarse con cierta frecuencia, entre las que tenemos: los cuanti- les (mediana, cuartiles, deciles y percentiles), la moda, desviacién absoluta media respecto a la mediana, recorrido intereuartilico, etc. Definicién 2.5. Cuantiles. Dada una variable aleatoria X, definimos el cuantil de orden g, para 0q y PUR DSx)B1-G siXes discreta,o PX 0- distribucién asimétrica a la derecha ‘Las correspondiente representacionesgrificas las tenemos ene grifico 2.5, n> fa) fe) fix) nso 7 neo 7 Siméxica ‘Asimética ala deecha Grifico 2.5, Representacién grifica de una distribucign segin su asimetria, Este coeficiente, como ya adelantébamos antes, es adimensional e inva- ‘ante frente a cambios de origen y de escala. Existen otros coeficientes de asimetria, asi pues cuando la distribucién es ‘unimodal Pearson define su indice de simetria como: Ha My ° Et hecho de que la dstribucién sea asimetria a la izquierda (y,< 0) signi fica que las desviaciones negativas, es decir, las diferencias de las observacio- nes de la izquierda respecto de la media tienen més peso en j,que las desvia- ciones positivas, es decir, las diferencias de las observaciones de la derecha respecto de la media. a Coeficiente de curtosis o apuntamiento Este cooficicnte trata de medir el grado de agrupamiento de los valores centrales en tomo de la media aritmética. Es decir, mide el grado de aplasta- tmiento de la grifica correspondiente a la funcidn de densidad. Fisher define este coeficiente de curtosis como: 84 ESTADISTCA ECONOMICA V EMPRESARIAL y toma como referencia la funcién de densidad de una distribucién normal (la estudiaremos con detalle mas adelante). Nos referiremos s6lo al caso contin pues comparamos con la funciSn de densidad de la normal. Este cocficiente puede tomar los siguientes valores: ‘,=0 Entonces la distibucién tiene el mismo tipo de concentracién que la distribucién normal, y se dice que es mesocirtica ‘<0 Entonces diremos que la distribucién tiene los datos centrales me- ‘nos concentrados que la distribucién normal, y en consecuencia ser menos apuntada que la normal, se dird que es platicdrtica, y,> 0. Entonces la distribucidn tiene los datos centrales mas concentra~ dos que la normal, por tanto, seré més epuntada que la normal, y se dird que es leptociirtica. En el grifico 2.6 tenemos las tres situaciones: fy Grifico 2.6 Representacion grifica de las distribuciones segin el grado de apuntamiento CCARACTERISTICAS DE LAS VARIABLES ALEATORIAS 85,2.6. FUNCION GENERATRIZ DE MOMENTOS En apartados anteriores hemos definido los momentos de una varia- ble aleatoria dada su distribucién, Ahora, otro valor esperado itil, cuando existe, es Ele", donde ¢ es un nimero real, y se llama fanclén genera- triz de momentos de X. Como su nombre indica puede ser utilizada para calcular los momentos de la distribucién de una variable aleatoria y es también utilizada para obtener la distribucién de una funcién de variables én 2.9. Funcién generatriz de momentos. Sea X tna variable aleatoria. Definimos la funcién generatriz de mo- rmentos de X, que notaremos por g,(0), como: 8x(0 = Ele] En el caso discreto seri: x0) = Ble] = Pox) e En el caso continuo seré: ax(0 = Ele Cc Fede Evidentemente, para que exista la funcién generatriz de momentos tendré que existir el correspondiente valor esperado, y como deciamos, en el caso discreto, la serie correspondiente al valor esperado, tendrd que ser convergen- te. En el caso continuo la integral, correspondiente al valor esperado, tendré que ser convergente, ‘Observemos que la funcién generatriz de momentos, g,(t), €s solamente funcién det, y cuando t= 0 8:0) = Como indicdbamos antes el término funcién generatriz de momentos surge del hecho de que los momentos, a, = E[X"], pueden ser calculados a partir de la funcién g,(0) de Ia siguiente forma: 86 ESTADISTCA ECONOMICA Y EMPRESARIAL Utilizando el desarrollo en serie de Taylor para e, tenemos: wea ac OOF 4 OOP, 2" halt kt at op tart +e wot “ha ‘Tomando valores esperados: x00 = He") = [E ) - = fem= 1 1 = 1 en +5 Ae) + Ae + Si derivamos g,{t) sucesivamente con respecto af, tenemos: 2 (0) = EIX) + HEX?) +8 Bue) + Fx + e 820) = ELA) + HEX] + BLK + Particularizando para t = 0, se tiene: (0) = EDX = (0) = EX?) = 0 8400) = ERX] = a, 20) = B= 6, Luego si existe la funcién generatriz de momentos, podemos obtener cual- quier momento respecto al origen «., Resultado que podemos resumir en el siguiente teorema. CCARACTERSTICAS DE LAS VARIABLES ALEATORIAS 87Teorema 2.1 Si existe ef momento de orden r, respecto al origen, a, entonces para ‘cualquier valor entero y positivo r, a= so 280] Es decir el momento respecto al origen de orden r, «, se puede obte- ner derivando la funcién generatriz de momentos r veces, respecto a t, y particularizando para cl valor ¢ = 0. Luego la funcién generatriz de momentos, cuando existe, se puede expre- sar como una serie de potencias de s, cuyos términos incluyen los momentos de la distribucién. Es decir: Mm ttt ag Oe B= BO 1+ tay + ast at 2.6.1, Cambio de variable en las funciones generatrices de momentos® Sea una variable aleatoria X cuya funcién generatriz.de momentos es: x(t) = Ele") y pretendemos calcular la funcién generatriz de momentos de una variable aleatoria Y=ax+b donde a y 6 son constantes reales. Para ello, bastaré con aplicar a definicién de funcién generatriz de mo- ‘mentos, en efecto: B10) = Ele") = Ele4*™) = Belt -e] = =e Ble] =e. gy(at) * Un desarolo mis amplio sobre funciones generavices para variable aleaoriasuniimensiona- les ybidimensionaes puede verse en a obra Casas, IM, Extadistica L. Probabidad y Disribucio- ‘es. Ed. univeritaria Ramén Arcee. 88 ESTADISTICA ECONOMICA V EMPRESARIAL 2.7. VALOR ESPERADO DE UNA VARIABLE ALEATORIA BIDIMENSIONAL En el apartado 2.2 definiamos el valor esperado de una variable aleato- ria X y obtenfamos el valor esperado para funciones de X, g(X), légicamente ‘cuando tenemos una variable aleatoria bidimensional (X, ¥) estaremos intere- sados en obtener el valor esperado de alguna funcién de estas variables alea- torias, es decir 2%, 1). Ahora generalizaremos los conceptos expuestos anteriormente al caso bidi- ‘mensional. Asi pucs designamos por (X, ¥) una variable alcatoria bidimensional yy por g(X, ¥) una funcién de (X, ¥), que también seré una variable aleatoria. Definicién 2.10. Valor esperado de una funcién de una variable aleatoria bidimensional. ‘Llamamos valor esperado o esperanza de la funcién g(X, ¥) para el ‘caso en que la variable aleatoria bidimensional (X, ¥) sea disereta, con distribucién de probabilidad P[X = x, Y= y] al valor: A(X. = FY ele, yp PK = x, Y=) 25) tT Si la variable aleatoria bidimensional (X, ¥) es continua, con funcién de densidad f(x,y) entonces el valor esperado de g(¥, ¥) serd: let, 10] =f . f gts fea odedy Ro Como sucedia en el caso unidimensional, en ambos casos el resultado es un niimero y para que exista el valor esperado es necesario que la co- rrespondiente serie o integral de la definicién sean absolutamente conver- gentes, es decir sera necesario que FTig(X, ¥)I] sea finito. Si la funcin de la variable aleatoria bidimensional es: AN KY entonces la esperanza o valor esperado para el caso discreto sera: FUN = FY x9, PIR = a, Fy] 7 LS e004 aa ey ‘CARACTERISTICAS DE LAS VARIABLES ALEATORIAS 89y para el caso continuo axn= f j softs») de dy 2a) ‘Andlogamente, si la funcién es: aX N=X+Y centonces la esperanza o valor esperado para el caso discreto seri: AR + =D YG + ypPX= ay Y= yd MLL Git yey p9} y para el caso continuo AX + Y= f f (e+ fea» de dy 12.10) Ejemplo 28 Sea(X, ¥) una variable aleatoria bidimensional cuya funcién de densidad es: _ fim O 0 y seri negativa cuando pj < 0. (CARACTERISTICAS DE LAS VARIABLES ALEATORIAS 105CAPITULO 3 Algunos modelos de distripuciones de probabilidad de tipo discreto INTRODUCCION En los capitulos 1 y 2 hemos estudiado, en términos generates, las vari bles aleatorias y sus distribuciones de probabilidad, Ahora vamos a describir familias especificas de distribuciones de probabilidad que ocurren con cierta frecuencia en el mundo real. Daremos las condiciones bajo las cuales se pre- sentan distribuciones especificas y llegaremos a obtener algunas caracteristi- cas de ellas, tales como la media y varianza. ‘Veremos que fijéndonos en ciertas caracteristicas, tales como la ocurren- cia o no ocurrencia de un suceso de interés, podemos defini clases especiales © familias de variables aleatorias. En este capitulo la familia més importante que consideraremos seré la binomial, y en el capitulo siguiente la normal. Sabemos que si consideramos todos los miembros de una familia huma- na, genieralmente todos los miembros tienen alguna caracteristica en comin (color de los ojos, tipo de nariz, etc.). Andlogamente sucede con las familias de distribuciones de probabilidad pues presentan ciertos rasgos pot los cua- Jes pueden ser reconocidas, asi como ciertas caracteristicas 0 cantidades que distinguen un miembro de una familia dada de otro. A estas cantidades se les lama parmetros, Luego un parimetro de una familia de distribuciones de probabilidad es una cantidad que caracteriza los miembros de esa familia, y valores diferentes de los pardmetros corresponden a miembros diferentes de 1a familia. En general una distribucién de probabilidad esti caracterizada por una © més cantidades que reciben el nombre de pardmetros de la distribucién, y [ALGUNOS MODELOS DE DISTRIBUCIONES DE PROBABIUDAD DE TIPO DSCRETO 107‘como el pardmetro puede formar valores en un conjunto dado, entonces se Ile- ‘g2a tener una familia de distribuciones de probabilidad, que tendran la misma funcién de probabilidad. En este capitulo estudiaremos las distribuciones de probabilidad de tipo discreto més usuales, obteniendo una serie de caracteristicas y propiedades, asi pues siempre daremos: Condiciones bajo las cuales una variable aleatoria tiene una distribucién de probabilidad particular. La expresién matemética de la distribucién de probabilidad. [La expresién matemética de la media y la varianza. 3.2. DISTRIBUCION UNIFORME DISCRETA. Esta es la distribucién de una variable aleatoria discreta cuyos valores posibles son equiprobables. Diremos que una variable aleatoria X, discreta, se distribuye uniforme- ‘mente sobre n puntos x, x, ....x, si su funcién de probabilidad es 1 Pa) = Px =2) + LZ ongn “(0 enetresto Es decir, la variable aleatoria X toma sus diferentes valores con la misma probabilidad +, Un ejemplo de este tipo de distribucién seria lade una variable aleatoria asociada al experimento aleatorio de lanzar un dado al aire, pues los seis po- sibles resultados son equiprobables, es decir, P= Ia = P= 6) = 108 ESTADIgNCA ECONOMICA V EMPRESARIAL La representacién grifica viene dada en el grifico 3.1. Pe) 1 * Grifico 3.1. Representacién grifia dela funcién de probabilidad uniforme disereta Caracteristicas 1. Funcién de distribucién FQ) = PX

También podría gustarte

• E650220760 19J2

  

  Documento5 páginas

  E650220760 19J2

  Claudia Rodriguez Puns

  Aún no hay calificaciones
• Untitled

  

  Documento3 páginas

  Untitled

  Claudia Rodriguez Puns

  Aún no hay calificaciones
• Glosario Micro

  

  Documento7 páginas

  Glosario Micro

  Claudia Rodriguez Puns

  Aún no hay calificaciones
• • Revistas
  • Podcasts
  • Partituras
• Resumen Estadística

  

  Documento17 páginas

  Resumen Estadística

  Claudia Rodriguez Puns

  Aún no hay calificaciones
• Contenido

  

  Documento211 páginas

  Contenido

  Claudia Rodriguez Puns

  Aún no hay calificaciones
• Solucionario Libro - Ejercicios 20-21

  

  Documento84 páginas

  Solucionario Libro - Ejercicios 20-21

  Claudia Rodriguez Puns

  Aún no hay calificaciones