0% encontró este documento útil (0 votos)
91 vistas40 páginasApuntes Proba1
Cargado por
Pablo YanelliDerechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF o lee en línea desde Scribd
0% encontró este documento útil (0 votos)
91 vistas40 páginasApuntes Proba1
Cargado por
Pablo YanelliDerechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF o lee en línea desde Scribd
Estad/atica
& /ly eolieealttes | es uta _ciencia que extugic ae
pre re ilac, pmenge- p cesumicy dnalizee obtos, como asi”
ftembien sece’ conclugiones pe Terner decisiones en
scledenfa [ald mer
ilumbse.
¥Se divide en des ramas:
xe Esty deciglns ob Esky coma ob fs
lg ertadishta | tone. ectadohea luce
por objetivo presenter obtener _conclustanes
seumic los dates en oe un conjunte mayor dl
Lables, pie fees pee obéeryach .
Seac_Conclusianes
Solere un conjunta
observado. Las conclusione>
Sen solo de cote
conjunbe =
x Lo estadotics else como matecis plim hoo olotes. Los
dates 4en un Welores de observaciones cena _veriable.
® Une vaciale eo la eee ine bajo ehutleo| Paeole
ser medible ono. Se clacificon ok /o sipviente Movers: Nominales
Cualitativas
(categoricas) Ordinales
Variables Discretas
Cuantitativas
(numericas) Continuas
Las categorias se distinguen por su nombre y no
{guardan ninguna relacién entre ellas Ej: color de
ojos.
Las categorias guardan ente si un orden preestablecido,
Fj: Escolaridad
Provienen casi sempre de un proceso de contar, por lo que,
fen general asumen valores enteros. Ej: Cantidad de errores
en un texto.
Entre dos valores dados pueden tomar cualquiera de los
valores intermedios, por lo tanto asumen valores reales.
Provienen generalmente de mediciones. Ej: altura
X Pore la Ceptesentecien de chlo de Varig bles cotepe cas
° coalibativas, Se_teclomtenslo| tobli ot! {id evences, toticg
de! Pactlas (Nomineles) 0 yetica de berias (Ordinsles).
Pose = cartitabives
bostones (chsecekas\ e hs oplomas (continvas\)
Las medidas Cesumenes
info eey repide y simple
Medidas de posicién o localizacién =» describen un valor alrededor del
recomienda
skepteme oe
ee emplean pra dbtener
acerca de V4 coniuako de datos.
cual se
encuentran las observaciones
Medidas de dispersion o escala =>
pretenden expresar cuan variable es un conjunto
de datos. 4.1.1 EL PROMEDIO O LA MEDIA ARITMETICA
Es la medida de posicién mas frecuentemente usada. Para calcular la media aritmética 0
promedio de un conjunto de observaciones se suman todos los valores y se divide por el
numero total de observaciones.
Definicién
Si tenemos una muestra de n observaciones y denotadas por Xj, X2, ..., Xn, definimos la
media muestral X del siguiente modo:
_X)+X,+..4+X, _&x
n n
x
Caracteristicas y propiedades de la media.
a) Se usa para datos numéricos.
b)_ Representa el centro de gravedad 0 el punto de equilibrio de los datos.
Podemos imaginar a los datos como un sistema fisico, en el que cada dato tiene una
“masa” unitaria y lo ubicamos sobre una barra en la posicién correspondiente a su
valor. La media representa la posicién en que deberiamos ubicar el punto de apoyo
para que el sistema esté en equilibrio.
c) La suma de las distancias de los datos a la media es cero. Esta propiedad esta
relacionada con el hecho que la media es el centro de gravedad de los datos.
En la tabla siguiente comprobamos esta propiedad para los datos del ejemplo anterior.
Xi X- X
10 =
14
12
M1
12
13
Total =
bent
lols
d) Es muy sensible a la presencia de datos atipicos (OUTLIERS).
26 y X=12 > X=14.
Modificamos | dato en el ejemplo anterior X2= 14 — X;
ic 1 2 bea 16 26 X Lo medio es buena cleccion 402 i la distclyded de
dathe les| ime tres |
4.1.2 LA MEDIANA MUESTRAL
¢Cémo calculamos la mediana de una muestra de n observaciones?
1. Ordenamos los datos de menor a mayor.
2. La mediana es el dato que ocupa la posicién (* ! ) en la lista ordenada.
Si el nimero de datos es impar, la mediana X es el dato que ocupa la posicién central.
Si el nimero de datos es par, la mediana X es el promedio de los dos datos centrales.
a
Si hay datos repetidos deben ser incluidos en el ordenamiento.
La mediana es muy simple de obtener a partir de un grafico de tallo-hojas.
a) La mediana puede ser usada no sélo para datos numéricos sino ademas para datos
ordinales, ya que para calcularla sélo es necesario establecer un orden en los datos.
b) Si la distribucién de los datos es aproximadamente simétrica la media y la mediana
seran aproximadamente iguales.
Ejemplos
1) 12,13, 14, 15, 16 X=X=14
2) 12, 13, 14, 15,20 X =15>R=14
3) 2,13, 14, 15, 16 X=12<%=14
En la poblacién:
=
R>
n>
n> c) La mediana es una medida de posicién robusta. No se afecta por la presencia de datos
outliers, salvo que modifiquemos casi el 50% de los datos menores 0 mayores de la
muestra (la proporcién de datos que debemos modificar para modificar la mediana
depende del niimero de datos de la muestra).
d) La mediana es insensible a la distancia de las observaciones al centro, ya que
solamente depende del orden de los datos. Esta caracteristica que la hace robusta, es
una desventaja de la mediana.
Comparacién de la media y la mediana
MEDIA MEDIANA
VENTAJA |Usa toda la informacién que [Representa el centro de la distribucin
S | proveen los datos. (en un sentido claramente definido).
Es de manejo algebraico simple. | Robusta a la presencia de outliers.
Util para datos ordinales.
DESVEN- |Muy sensible a la presencia de|Usa muy poca informacion de los datos.
TAJAS _ | datos outliers.
Es una medida de poca utilidad salvo para datos categéricos en los que suele interesar
identificar la categoria con mayor cantidad de datos. En una muestra de datos numéricos,
puede ocurrir que la moda sea un valor que se repite un cierto niimero de veces, pero que
no es tipico.
Cuando se considera la distribucién poblacional de una variable continua, decimos que esta
es UNIMODAL si presenta un pico y BIMODAL si aparecen dos picos claros.
,
El percentil p% de un conjunto de datos es la observacién que deja a lo sumo p% de las
observaciones debajo de él y a lo sumo (1 — p)% encima de él.
Como ejemplo, consideremos la distribucién de peso de recién nacidos de sexo femenino y
38 semanas de gestacién Si se informa que el percentil 10% de esta distribucién es 2450 g
y el percentil 90% es 3370g, estamos indicando que un 10% de las nifias que nacen en la
semana 38 de gestacién pesan 2450 g 0 menos (y en consecuencia, 90% pesan mas que
2450 g) y que el 90% de las nifias de esta edad gestacional nacen con peso menor o igual
que 3370 g (y sélo el 10% con peso mayor que 3370 g). La mediana es el percentil 50%, Otros percentiles con nombre propio son el percentil 25%
y el percentil 75% que se denominan cuartil inferior y superior respectivamente, ya que
juntamente con la mediana dividen a la distribucién en 4 porciones iguales.
25% 25%
25%
25%
ns Piso hs
{Cémo se calculan los cuartiles de una muestra de n observaciones?
1. Ordenar los datos de menor a mayor.
2. El cuartil inferior es el dato que ocupa la posicién (m+1)/4 en la muestra ordenada.
3. El cuartil superior es el dato que ocupa la posicién 3(7+1)/4 en la muestra ordenada.
Si la posicién resulta ser un nimero decimal, promediamos los datos que se encuentran
a izquierda y derecha de la posicién obtenida.
Cinco mimeros restimenes
Un modo de resumir toda la distribucién de los datos es informar los siguientes cinco
mimeros resiimenes:
Minimo, Cuartil inferior, Mediana, Cuartil superior, Maximo
Minimo = tak 25%
Cuartil Inferior= 140.
: 25%
Mediana= 170
. i 25%
Cuartil Superior = 321
25%
Maximo= 678 4.2, MEDIDAS DE DISPERSION O VARIABILIDA!
Las medidas de dispersion o variabilidad describen cuan cercanos se encuentran los datos
entre ellos, 0 cuan cerca se encuentran de alguna medida de posicién. Introduciremos a
continuacién algunos estadisticos que miden variabilidad del conjunto de datos.
4.2.1 RANGO MUESTRAL
El rango de n observaciones Xy, X2,
y la mas pequefia,
.. Xq es la diferencia entre la observacion mas grande
Rango = max(Xi) ~ minX)
Caracteristicas y propiedades
- Es muy simple de obtener.
- Es extremadamente sensible a la presencia de datos atipicos. Si hay datos outliers,
estos estardn en los extremos, que son los datos que se usan para calcular el rango.
- Ignora la mayoria de los datos.
- En general aumenta cuando aumenta el tamafo de la muestra (las observaciones
atipicas tienen mas chance de aparecer en una muestra con muchas observaciones).
4.2.2 DESVIACION ESTANDAR Y VARIANZA MUESTRAL
La desviacién esténdar mide cuan lejos se encuentran los datos de la media muestral.
Un modo de medir la variabilidad de los datos de una muestra seria tomar algin valor
central, por ejemplo la media, y calcular el promedio de las distancias a ella, Mientras
mayor sea este promedio, mas dispersién deberian presentar los datos.
Sin embargo, esta idea no resulta util, ya que las observaciones que se encuentran a la
derecha de la media tendrin distancias (0 desviaciones) positivas, en tanto que las
observaciones menores que la media tendran distancias negativas y la suma de las
distancias a la media seré inevitablemente igual a cero.
Un modo de evitar este inconveniente es elevar las
tener todos sumandos positives.
fancias al cuadrado y de este modo
Definimos la varianza de una muestra de observaciones X,, X2,
como
Xn, cuya media es X,
(X, =X) + H(X, =X)
n-l
La varianza muestral puede pensarse como “promedio” de las distancias a la media al
cuadrado.
‘Sin mebargo, la varianza no tiene las mismas unidades que los datos. Para salvar este
inconveniente, definimos la desviacién esténdar muestral como la raiz cuadrada positiva
de la varianza 4.3 GRAFICO DE CAJA (BOX-PLOT)
Coneluimos este capitulo presentando un grafico propuesto por Tukey para presentar datos
numéricos, especialmente til para comparar distribuciones de varios conjuntos de
observaciones. Esta basado en medidas robustas de posicién y dispersion.
¢Cémo se construye un box-plot?
1. Ordenar los datos de menor a mayor
2. Calcular la mediana, el cuartil inferior, el cuartil superior y la distancia intercuartil.
3. Calcular cotas que nos permitiran decidir si un dato es outlier:
= 2* cota inferior = Cy — 3 D;
- 1*cota inferior = C;— 1.5 Dy
= I®cota superior = Cs + 1.5 D;
- 2" cota superior = Cs + 3 Dy
Cualquier dato que caiga entre la 1* y 2° cota inferior o entre la 1* y 2* cota superior
sera declarado outlier.
Cualquier dato que caiga por fuera de la 2" cota inferior o la 2° cota superior sera
declarado outlier severo.
4. Dibujar una escala que cubra el rango de variacién de los datos y marcar la mediana y
los cuartiles. Dibujar una caja que se extienda entre los cuartiles y marcar en ella la
posicién de la mediana.
5. Partiendo del cuartil inferior trazar una linea (bigote) que Hegue hasta el iiltimo dato
contenido “dentro” de la I* cota inferior.
Partiendo del cuartil superior trazar una linea (bigote) que llegue hasta el iltimo dato
contenido “dentro” de la 1° cota superior.
6. Marcar la posicién de los outliers con un simbolo (por ejemplo, *) y de los outliers
severos con otro simbolo (por ejemplo, ©).
Ejemplo
Consideremos nuevamente los datos siguientes.
Posicion| 2}3]4]5]}6{/7] 8] 9 | 10] 11} 12] 13
Datos | 104} 112} 134} 146 | 155 | 168 | 170 | 195 | 246 | 302 | 338] 412| 678
De los ejemplos anteriores sabemos que:
Cc = 140 & =170 Cs = 320 Di = 320-140 = 80 Calculamos las cotas:
2° cota inferior = C;— 3 D; = 140-3 - 80=-100
1* cota inferior = C; — 1.5 D; = 140 -1.5- 80=20
1° cota superior = Cs + 1.5 D) = 320 + 1.5- 80= 440
2° cota superior = Cs + 3 D; = 320 + 3 - 80 = 580
El grafico de caja resultante se muestra en la figura siguiente,
Tp ptt typ ttt tt pitt
ido 130] 160] 190 220 2so) 280 310 340 370 400] 430 460 490 520 550
maximo valor dentro
C,_mediana Cs de la Ira, cota superior
D
minimo valor dentro de la ler. cota inferior
T
580 610
640
T
670
outlier
severo
4 % Cvalgvier repistio oe informacion (nume rico.
cohepsciea be. S€noming observacion ,
En TL plgcesos ohne a obnole eee ee
de oy ents Sieteo aingectoymbce , s¢ denominan
experiment.
Delinicion we El conjunto oe. ais IL result; los si bles
“EE deun ds cerieate estsdtico al lomat
i y se replesenta con
2] simbelo 6.
= Espacio vmest val
L Elemento del espacio mestiol
o pn ‘2 muestra + 5on de
resultado del ateaD
muestra).
#12 cjemaa: Expecmento ob lanzar mbnerlo al oire
t= [eoX} tn
s punto mmyeste al
topercigone \8 mayor in ion acerce
fee Meyer tatocmecian
das del experiment,
@ En enesol, eo doabahle vSeaC UM. <5 paa0 rest af
‘Su te Ye evento esun doalinth oe put (09, muestales gue
conal halen | ua Sect del espacio ruestial. Zote
subconinto represents _ lo totalidad delos elementos
a lo Que. di evento eo cierto.
@ Del inteion : U0 ae com ub conjutto ole wn
copacio vaveotral.
Kh sibconjunto ok 5 qve ho contjene ninetn deulento
se denomina conjurto vero nye) denote “con o,
@Deliatcio’n! El delun evento 4A reapetho
de 5, e el subcon unto de tedos los ele _
mentos de 5 que no eoten on A. Se olenot-s
com Alo A,
Dell retain Le wea ale oles eventas Ay B, Se
no acon ANB, es el evento que
contione todes o>. elementos que 2on
Comuned @ Ay Alla.
Gl Es decir, se cumel on Ihe dos
eventos Sim] xXnexmente.
% Navelles ekpetimbatys | od bsdicsdicos gue no guedlen
ecycric ie ocma sunyltarnes poe demominen eventos
mutuemen &. exclay em 2. Della cient ve eventos Ay B sen aa ro | exelyl_
pests 0 set 3% ANB =. No.
iemen elementos en Comin.
Defi rccbin 4 be Watbinlole| der eventor Ay B se dehobe
con AUB, eo €l evento Que content odes
loo elementos oo pec enecem 3B ho a B,
o © ambos.
ay Principla fundamente: del cata, a menuh denomi_
fea
nando 9 De mu ltipli cacion :
Si na Ofetacion | se puede lover o cabo ole
ny forme, y Spat Caatthe ere ster oer puede
realizar en Vb fide, entoaked 85 do? ofttacione s
é pueden ejecotar de my nz formas.
De
Locme general : con Kk qpeteciones ,
=P Ny Mz +. My foctnmd di:feentes.
Cuando be ee ty_un espacio mbestrall que ton} -ehe
coms elementos a todes las perbles ocdenaciones 0
areeylos en_un prupo de obye co, se llamon
sobbed tthe dechutheids | da do decal! de too 4
lL phlei cchalla oe. dbiobe.
S
Limgorts rt orden | oDebnlcigh : Tora coalg ier dathea wm nepelve nl (n ia
rial se define como
Ni! = nfats\ut (2) (x) 800 eopeciol
de O!= A.
@ | €ocemai é| ure de permulsciones den cbjetos
GoeV) aa
4 En penesol, n objetos diabhdde Hotnadlnd dle t als Jee
Se pueden arreglor &m
M(n-1)(n-2)-+ (n= 4a)
Pe
(n|-¥){
@Teoreme: El numero de permutsciones den objebos
dictintoo tomedes de ra lovee es
al
(Pen
¥ Los peemutactones que ocurren al d¢ceplsr cbietes em
un circulo se llaman (efmuteviones ccclores «
¥ Dox pemnitaciones cireyleres NO se. ae ae eee
e4 @ menos quite los abjetos fol eee pon dientes m Joe! dos
erelos este’ precedidos ©. pu Jos for un objeto ohfecen.
te, Zonforme avencemas emis dlireccio’n de les menecills
def celoy. # pagempia un obveto fio y los otros se. ateplom de
|
n
Ocnas. difdeented
@ leorems: el nimero de permutaciones den |
abjetas ocdenades enun eceulo es (ns)!
@Teorema: El numero de permulaciones dibtnlas deh objelos,
tn_el que, sen deuna close, Mz de una Segond
clase. My de una K-e'Sima clase es
o!
1 T
NEEM ste ny!
‘de 4: a jyppdoves ay fils, donde \ 06 oe primer affo, & de
seponde, Y de herceco y3 de orto, Se clishinp ve e\
{edo en el qve colon:
\o!
VTE = 12 00 focal
AVE at cep
X Charlo Inbeceda | dividic lunleonunte | dé n obretos nr
Subconuntos llamades coldas, se consiove ma pacticion Si
lainkerseccien de tals yer _ole cells of al conjunto vaclo
dy ls union de foals ah el count orpine
| ejemplos comeiclerando al coniunhs fa, e, 4,0, ab E Pade
om_do> _Celdse,_con_¥ elementos en une y> enotrss
Hale, Aobtal Haat, bie, ol a bac!
J@toa\le)}, {(64,0,n), (a) Nemec (
aldo + Po Sls
Clementos a xt
nimeroe de clemaatbs
en cads celda
‘TSOFEAAIS: El nimero de formas de partir un conjunto de n objetos en r celdas con n, elementos en
la primera celda, , elementos en la segunda, y asi sucesivamente, es
n n}
MMs ey Me J mylnat on,
donde n, +n, +... +0, =n.
En aquellas selecciones donde ihtdeeds a nimero de
ocmas de Seleccionar =r objetes de sin inypar for 4
orden se dlenominan combinaciones .
@En realidad, una combinacion e6 tether ball uns
pacticign con dos celdas, donde una celda cdptidns log r
objeto selecciona dos +; ls otts cwntiene los (o-r) abjelos
cestan es.
ona
( n + se beduca 3 0
Z
@eorema2:69 El nimero de combinaciones de n objetos distintos tomados de ra la vez es
‘n n}
r) rant
Un nifio le pide a su madre que le eve cinco cartuchos de Game-Boy™ de su coleccién
de 10 juegos recreativos y 5 de deportes. ,De cudintas maneras podria su madre Ilevarle
3 juegos recreativos y 2 de deportes?
Ejemplo 2.22:
Sb ede her 3 coches de Lo
IME ber E20
[3a ama H/o Seleccione 2 certuches de 2
5 |
[i= a 5 rr
4 Nelicande cepla Ae erulpicacion con m=\2Z0 jn=¥0
(120) (10) = +200 foemas.
Probsbilidad de un ctlento
ols probeb ilidad de oevrrencia He wal_elventol plue.
cesulta un execimento estadietice 2c evalda willed
un conjenta de nimeces cesles —_ enaminsobs pesos 0
probabilidad es que van de Oak.
+ Pars encontior ls probabilidad ell upbeventd A locahoxbos | Lads
las probsbil:dades que se deipnan 9 !9 Puntos mvestrales em
A, Eels sums se. denomins probsbilid & A
Defic
erinicigm +
La probabilidad ein VER es 1a suma de los pesos de todos los puntos muestrales
en A. Por lo tanto,
a EB: Ee
Ademis, si A,, A,, A,,... es una serie de eventos mutuamente excluyentes, entonces
P(A, UA, UA, U...) = P(A,) + P(A,) + P(A) +...
Por un €Sfdcio muestra] tebe (pe va expe imento dene
Nelementos, de lea cuales todos tienen [> misms
cababilill sd de ocurcie , Se le 99ipho una probsbi dod
igval 8 a cada uno oe los N elementos. ae un experimento puede dar como resultado cualquiera de N diferentes resultados que
ienen las mismas probabilidades de ocurrir, y si exactamente n de estos resultados
corresponden al evento A, entonces la probabilidad del evento A es
n
P(A)=—.
(A) N
tle = a. se oplica 3_uniongs dle ented
®@ Téoreme Reals hditive
Si Ay Boon doo eventos,
Demo : De suerc al alisxioms ole Vewn , 5; P(A)+
vy PB) 5e@ Suman todas
pes Pe
7, St esta suman
oe veces Pda)
& por esto gue se olebe
restar Uns yes P(ANB).
A AnB B
Figura 2.7: Regla aditiva de probabilidad.
® Corolacio Prepla ANd»!
+5: Ay B Sen eventos mutus mente ecly ontes,
PAB) = P(a) + PB)
Temo ; Al eer mubemente excluyen 25,
= PlANB)-F(h)=0 Corolario 2.2: Si A,,A,,...A, Son mutuamente excluyentes, entonces
P(A, UA, U~: UA,) = P(A,) + P(A,) + + PCA,).
Corolario 2.3: $i A,,A,,...A,es una partici6n de un espacio muestral S, entonces
P(A, UA, U~ UA,) = P(A,) + P(A,) + + P(A.) = POS) = 1.
Teorema 2.8: Para tres eventos A, By C,
P(AU BUC) = P(A) + P(B) + P(C)
—P(AN B)~ PAN C)- P(BNC) + PANBNO).
@eorema2:% Si A y A’ soneventosicomplementarios, entonces
P(A) + P(A‘) = 1
Prueba: Como A UA’ = S, y los conjuntos A y A’ son disjuntos, entonces
1 = P(S) = P(AUA’ = P(A) + P(A’)
@Se denots con P(Bla), y els probabilda cl ole que
Ocuria un evento B obdo Que owrrio el evento A,
cobabilidad de qu owls B,
lay Que ASsip Ns VILevas
ui i gue Ls Pieper
* Para ey chuthac E
en Celacion al eopscio_muestral A,
pcbebilidedes a los clementos ae
cionales 8 5 pobvsbilidades originales.
@ Uno grobsbilided condicional relative 9 un Subespecio A
de |e puede caleular en forma directa ole Jas pebs—
bilidades que se ssipnsn 3 les elomentos ok espacio
mest original 8 #Definicida : ls pobstil ded comicional oe. B, cbdo
A, Ad dents con P(BIA), se define
como,
Ej; Dado 5 Se selecciona al a20r wa
¥ de. lee indvielues.
‘Tabla 2.1: ClasificaciOn de los adultos de una pequefia ciudad M: elige un hombre.
0
140 260 fon Ej el depdo tenel empleo
Toot (00) 300 900
Neate
<
Pree =t Pm) = Sen 2
Pimjz)= Peon) — hoo _ 23
P(E) 24 70
x le pobebilidad PCAIB) e6 uns act velizacign
de Pca) beosds en el conocimiento de que ccurcio e\
evento eas
L obfal!. | Eee = Oy
Tel ented Plt} = 009
Fn aL) =0,08
PTL) = fae = 908 = 0,08
ON Everts Lslepenclientes.
¥El cesulhado PCBIA)E P(E) inolica que ol evento
B depende de A.
# Cand PB IA) =P(B), £0 bce que ob cvedtos Ay
“B 30n inole endjentes ,
E/ concepto ok inslepenclemes en los eventos inplicen
gve la OWrrencia de und
B.) ne infle en_lys robabi
'dodes dle ocurencia de ce Lehi cd). f
OVefinicion: Tho eventos Ay B son Independlontes sy
sélo 6:
se acume [gexistencia ale _pcobabilidad candi
4i
cconal, De ote forms, Ay B oon dlependientes.
* Tor ejemplo: enextiaccic’n oe corte O
¥ Como AnBy Baa son eguivele €6, 9t deghee:
P(AnB) =P(a) P(A |)
No impacts que evento se considere como A oB.
G
ol N=20 AG@iulst }5B DM, hp, MM
defect - 5
© myeees , OP WMt
4 girs F (Lb) =e
Tips ay WO ML Mee Ie m
Pe).+ NN Iq gy
13 Ee Bolss con 4 bel. blancs y? nes, ee Lglsa
biemel = bb y 5 bo d
N= # No =8
8B
PIN) =F Loy ala riba
P(e). 4. = N= Sy oned
i
un SPO) Pi) (a8) - 2
Fin)
Ae) ; N \ pii= (4) (S\-22
| 9 63
Noe Bai
4 Sac
> P(mon,\ 4 Efoco we\le 2 + 22
=| 38! wi
Ga
¥ Catdol dad eventos | Sher dolp, ond entes, 22 decir,
P(plal= Pe) o P(Ala\= PIA), 2 pede
sushluie PB) o PIM enel tee chan autecior:
CortoP (ma) P(e) (21 ean iaake\
=> Plana) = P(A) PLB IA)
P(AnB) = P(AYP(B) Lipsbads Dee eventos Ay B 40n ifoll penal eriten oy
5d lo oi:
¥ Por lo bonto, {4 probabil ids de que. dcurran
cho eyndas
iodependian 9, 51 imglemen e@
picbsbilidadesindiicvelens Sipore que 4,Byc yD aon
iMeponliontes
nal sil, Fig si Ay B
[-& fone iomon, y di fpcidns coD
0.9 9-9
A B Face ®) Prob. de Que e) scot.
D UNCiIoOne
@ Plans) = P(A) P(Bla)
Planaa (cov)]
@PEI=9,8 top t
= P(A) P(B) P(cuD) Pen oBy= 0,8
P(D)= Od 0,64
= 0% +0,8=0,64
1-910, 0,06 Pla nd) = 0,e +9,8=0% J
PEvD ye 0,96
= 0,7726 &
uw Ltona
B) Que C0 funcione , obalo qve all evel complet
P(c'|s)e P(oac)
(c'| 9) risa) P(Aaenc'ap) = 4% +0,9 -0,2+0,8
Pe) 0/4476
eo
" Wika (hata! = 0,667 8
went oan sapeieie pedr oar
PAL Az A+» OAx) =P (a) PfAa|An) . P(Ag| ALA, )
Pla ALOA2a--- OAK.)
Silesieventos My Asya Mg Sen inclependiontes,
entonces:
PRs Ag 0--+ 0hy.) = PLA) P{Ae) Py).
ay 2.40;
eA: Peivners
corks he
% Ay: segunea cols a Hale Ms a As Opa
un too
%& fhe: tetce je C7 le ke 3
mebocr gr =
fala menor ger Bs Sepin ae ok reple roull dlrestne
P(A, 0A2 OAs) = P(A) P (Bo | Ar )
teh P(A, [az oPs)
partes 152
Piasl se 2 P(A As)=S_,
“TCAs ies lags Va | 32
50
=>Pra, MAL OAS) |B |
—
2S
wa cogla oe Bayes eo my importente en le
eOcla te wobabi\dad porque ۩ func mente ds
Lb lnfecencia bayesiana.
_ un eSpecio eee en K sub conjuntos
elimina ign’
Si [es eventos (By, By leat, By conattuyen una
pacticidn de! espacio myestral 5, Aol ave Pe: 20
pare Aah 2,1.) kK} entonces, ae cu
ie vier evento A de 5.
k k
Plal= 2 P(B,nA) = 2 P(BiYP (A les)
Figura 2.14: Particién del espacio muestral it
Whol Pe bdeuted, |i drabramal fe Venn |/ A bea los union
Z
de los eventos mutvainente excluyentes
A =(B nA) U(B0A)U-- U(B0A)
PS Aplicondo P(ALB) = PH) +73) — PRB)
oO pc
Sec mUbamevde.
exclyentes
=> P(a)= PAA) U P(e 0A) U-+s UP(By AA)
= P(e aA)t P(e aA) 4 + + P(B OA) k
Pia,
Fin) z ten «Aplicando PrEnA)=AB)P (AIP)
FA) = PT P(Bi) P(A\B:) a
Ejemplo 2.41: | Tres méquinas de cierta planta de ensamble, B,, B, y B,, montan 30%, 45% y 25% de los
productos, respectivamente. Se sabe por experiencia que 2%, 3% y 2% de los produc-
tos ensamblados por cada maquina, respectivamente, tienen defectos. Ahora bien, supon-
lecciona de forma aleatoria un producto terminado. {Cual es la probabilidad
de que esté defectuoso?
Dobos:
P(B,)= 7D —»T(4)= O,02
P(Ba) = 0,45 > Pel es,o3 A)
P(B5) = 0,29 =PEJ=9,02
Plt.)
PBs) P(A 13)
Pele) PB2)P (Alte)
A: Defeclose Ss o PEP) Pep) PAIR)
Pla) = 2 Pe). Pals)
Pa) = Per). Pale.) + P(e) P(AlB.\
+ P(B,) P(A \Bs)
P(R)= (0,3) (0,02) + (0,45) (0,03) + (0,25) (0,02)
Plime
HQ = oo2us
2000 eaeaeahes
a Alditerencia de lls Probobilide a Tahal calcylanco FEA),
Se considkre cl problems o obtener b probe bilidadl
conclicional PB; (A). Este se resuelv2 con el teorema
denominado feats ok Bayes.
@ Teorems Peepls & Bayes
Si los eventos BIB) von, By conatituyen una part in
de! eopacio mutstrel 9, donde PBi) 4 0 pera
das,to 1K, entonces , pao ewalavie evento Aen S
tol que HA) 40,
Plo, (a)- P(e oA) - P(e.)P(Albe) | pace P= 34K,
PRAY $°-FB, JPLAT)
deh ans
Demo: Baclienlo dle ls olelinicién dle Pro bakilidaal
icionsl:
PpJA) — P(B OA)
P(A)
# Achasnce el ienraena de probatilidad condiciona|
ene] denomindcbe PLA);
Aha reals mllglestive.
Pe, [a= Pler oA) 1 Plen)P (Ar)
xeon) 5 PeesyP(alB,)
day Ejemplo 2.42: | Con referencia al ejemplo 2.41, si se elige al azar un producto y se encuentra que esta
defectuoso, {cul es la probabilidad de que haya sido ensamblado con la méquina B,?
P _ P(e.) Plale A; Peookicto
(8, | A\= [e ) P(A [Ps) défeckiods
zrrrPe [p,) Pp, )= o> —» Pld) 20,02
P(B2) = 0,45 > Pa )eo03
Pe, lA)-__(o20)(0/02)_P( = 020-3?) =902
(0,3) (0,92)+ (2)48)(0,03)+ (0,25) (0,02)
P(e, |A)= 0,005 = 10 w
0,oz45 49
Rte: el cesu Hsdo Spieve que Plobsblemente el
producto ne fie enssmblede en [a ma’guine Pa. * Un expe ento estadiotico esun concerto gue se util
para describic cusla, er proceso mediante el wo| se goneren
Varios obsecvaciones sl azec,
@Deltcions Uns vaciable alealoria de ta Fost que
A60ci8 un nt'mero rea) con cada elemento del
slatahan muestral.
% Se use una lebre meyrscul pee clenotar une variable
alestoria yu letra mingscula p29 uno de sus valores,
bje De una urna que contiene 4 bolas rojas y 3 negras se sacan 2 bolas de manera sucesiva,
sin reemplazo. Los posibles resultados y los valores y de la variable aleatoria Y, donde ¥
es el mimero de bolas rojas, son
Espacio muestral —_y
RR z
RN 1
NR 1
NN. 0
4
El empleado de un almacén regres
tres cascos de seguridad al azar a tres obreros de un
taller sidenirgico que ya los habfan probado. Si Smith, Jones y Brown, en ese orden,
reciben uno de los tres cascos, liste los puntos muestrales para los posibles Grdenes en que
el empleado del én regresa los cascos, después calcule el valor m de la variable
aleatoria M que representa el ntimero de emparejamientos corrects.
Solucién: Si S, J y B representan, respectivamente, los cascos que recibieron Smith, Jones y Brown,
entonces los posibles arreglos en los cuales se pueden regresar los cascos y el ntimero de
emparejamientos correctos son
Espacio muestral_m
SUB 3
SBI 1
BIS 1
ISB 1
JIBS 0
BSI 0
jerelo ck Vorisbles oleatorias discretas > V.a. Discrets
Ejemplo 3.4: | Los estadisticos utilizan planes de muestreo para aceptar o rechazar lotes de materiales.
Suponga que uno de los planes de muestreo implica obtener una muestra independiente
de 10 articulos de un lote de 100, en el que 12 estan defectuosos.
i X representa a la variable aleatoria, definida como c\(ntinero Gelaseuloalae
la variable aleatoria toma los valores 0,1, 2,... .
9, 10. 4
| Suponga que un plan de muestreo implica obtener una muestra de artfculos de un proce-
oha encuentre uno defect a evaluacién del proceso dependers de cus
representa un articulo no defectuoso y D uno defectuoso, los espacios muestrales son
5 = {D} dado que X = 1, § = {ND} dado que X = 2, $= {NND} dado que X = 3, y asi
sucesivamente. 4
Ejemplo 3.6:| Existe interés por la proporcién de personas que responden a cierta encuesta enviada por
correo. Sea X tal proporciGn. X es una variable aleatoria que toma todos los valores de x
para los cuales 0 0.
Vt. Continua,
®
3 Siun e2pacio muestral contiene Uy nvmelo Bud
posibilidadeo , ung_sacie. interminable cor tantge elemen—
o> como nymeros enteros existem 7s] LLms e2/ado
muestra! ee
%& Si un _eapacio mvestral_contiene un _vmero infule
de pwibilidsdes, ipeal alnémero de penton on un adapt
oe tebs/se. leldeornins. eopecio mueetral, eerie
+ Les varisbles alestocias se clasifican en:
® Vocialle Aleatocis Disctelda: Son vellas que se. fede
contac ou Conjunto de cesultsdos postbles, @ Variskle Mestacia Continua: sen squellse _verisbles
que pueden ‘omar valores en una _eecala continue.
*En Ja meyoria de aplicaciones prsicticas., leo veriables
aleatorias continuas repreoentan tos medidas , tales
como Ped05, altues, emperaturas, distancia,
En. tants, lo vacisbles aleatoriss discceles represenbn
datos por conkeo, cormo nimero de artalos efectos
encine muestrs oh K ottrales, nimeco o& acidentes en ina
carreters.
e@Delintcion: | Ef conjunto ole pores ordenados
(x, foo) _€2 una |fmeictn de probs bilidad_, (ara)
mass cle probabilidad o cistribueton ok pr obabilie d
ale lavabivble! akabocia | oliancets | 21, Pere code
x pooivles
a foayo
O2 fw st
@P%=x\= fee
eDefinicion distribucign deumubtiva.
¥ La Fneio’ deb chisbetbudig’d Scunslaldiva 7) de
ura variable aleatoria discrela X condietrib. probe
blidads =
FodeP(X
