A en Excel

UNIVERSIDAD VERACRUZANA
FACULTAD DE ESTADSTICA E INFORMTICA

ESPECIALIZACIN EN MTODOS ESTADSTICOS

NOMBRE DEL CURSO:

PROBABILIDAD BSICA E
INFERENCIA ESTADSTICA

FERNANDO VELASCO LUNA

MARIO MIGUEL OJEDA RAMREZ

XALAPA, VERACRUZ, MXICO
AGOSTO 2010

Probabilidad Bsica e Inferencia Estadstica Velasco L.F. Ojeda R.M.M.

1
CONTENIDO

Pag.
UNIDAD I

Conceptos bsicos y lgebra de eventos.
3
I.1 Ensayos aleatorios, espacio muestral y eventos aleatorios.. 3
I.2 lgebra de eventos en espacios muestrales..... 12
I.3 Probabilidad, reglas de probabilidad... 16
I.4 Probabilidad condicional..... 23
I.5 Independencia...... 26

UNIDAD II

Variables aleatorias y distribucin de probabilidad
28
II.1 Variable aleatoria y distribucin de probabilidades... 28
II.2 Variables aleatorias discretas y continuas.. 32
II.3. Momentos de variables aleatorias..... 36
II.4. Propiedades de la esperanza y la varianza.... 39

UNIDAD III

Algunas distribuciones discretas...
41
III.1. Distribucin Bernoulli...... 41
III.2. Distribucin Binomial...... 45
III.3. Distribucin Geomtrica...... 51
III.4. Distribucin Poisson.... 55
III.5. Distribucin Hipergeometrica...... 61


2

Pag.
UNIDAD IV

Algunas distribuciones continuas.
66
IV.1.1 Distribucin Uniforme....... 66
IV.1.1 Distribucin Uniforme Discreta.... 66
IV.1.2 Distribucin Uniforme Continua.. 69
IV.2 Distribucin Normal..... 72
IV.3 Distribucin Beta...... 80
IV.4 Distribucin Exponencial..... 85

UNIDAD V

Distribuciones muestrales
90
V.1 Muestras Aleatorias.... 90
V.2 Teorema Central del Limite... 92
V.3 Distribucin Ji-Cuadrada....... 96
V.4 Distribucin F de Fisher..... 101
V.5 Distribucin t de Student.... 107

Referencias
112


3
I. Conceptos bsicos y lgebra de eventos

Objetivo: Que el participante conozca, comprenda y maneje los conceptos
relacionados con eventos y probabilidad.

Introduccin

El objetivo de estudio de la estadstica es explicar el comportamiento de un
fenmeno aleatorio, para lo cual hace uso de herramientas, entre las cuales
se encuentra la probabilidad. El concepto de probabilidad es de suma
importancia. En esta unidad se tratan los conceptos bsicos relacionados
con el concepto de probabilidad y la forma de trabajar sta.

I.1. Ensayos aleatorios, espacio muestral y eventos aleatorios

bsicos de ensayo aleatorio, de espacio muestral, tipos de espacio muestral
y eventos.

La primera pregunta que se tiene que formular es qu estudia la
estadstica?

lejournaldepaula.blogspot.com digitalmediadesign2009.com


4

albertorayo.wordpress.com jardinplantas.com

nosoyelmismo.wordpress.com clubbycooosmos.com elcinegratis.com

zuzo.blogspot.com dermocosmetica.umh.es nosoyelmismo.wordpress.com

La estadstica la mayora de las veces se define como la ciencia que
tiene que ver con la obtencin, tabulacin, anlisis e interpretacin de
datos. Basndose en la definicin anterior se tiene que la estadstica para su
existencia necesita datos. Para la obtencin de datos es necesario llevar a
cabo un experimento o ensayo, es decir, un proceso mediante el cual se
obtiene una observacin.

La estadstica tratar de explicar las variaciones que se presentan en
diversos problemas, tales variaciones son debidas a influencias que ocurren


5
cuando se realiza un ensayo o experimento. La estadstica estudia el
comportamiento de la variable de inters cuando se realiza el ensayo. Al
realizar un ensayo no se sabe con exactitud cual va a ser el resultado que se
obtenga, por ejemplo, un grupo de los ms capacitados cientficos no
podran decir exactamente cual va a ser el resultado de su experimento, aun
cuando todo bajo control.

lacomunidad.elpais.com

En la Fsica se tiene la siguiente relacin entre la velocidad de un
objeto, la distancia que a recorrido y el tiempo que tarda en recorre dicha
distancia
t
d
v = , tal relacin aunque no es de todo exacta se podra
considerar como tal, a esta clase de ensayos se les conocer como ensayos
deterministas. Por el otro lado fenmenos en los cuales existe
incertidumbre debida a la variabilidad de los datos se les denomina ensayos
aleatorios. Lo anterior da pie a la siguiente definicin

Definicin 1.1.1 Experimento o ensayo aleatorio es aquel que puede dar
lugar a varios resultados, sin que pueda ser previsible enunciar con certeza
cul de stos va a ser observado en la realizacin del experimento.

Ejemplos. 1.1.1 Diversos ejemplos de experimentos y de experimentos
aleatorios.


6

Ejemplo (Biologa)
D. El color de una margarita
A. Nmero de hojas en una planta

mojatexchile.ning.com

Ejemplo (Economa)
D. Habr fluctuacin en el tipo de cambio durante un ao.
A. Tipo de cambio del respecto al dlar en el mes prximo.

mercado-divisas.com

Ejemplo (Educacin)

safa.edu.uy
D. Habr alumnos de primer grado el prximo ao.
A. El nmero de alumnos que aprobaran el curso


7
Ejemplo (Medicina)
D. Nmero de hombres que resultaran embarazados maana.
A. Nmero de huesos rotos durante una fractura de pie.

el-nacional.com

Ejercicio 1.1.1 Qu el participante de 2 ejemplos de experimentos y 2 de
experimentos aleatorios.

Cuando se realiza un ensayo aleatorio se obtiene un conjunto de
posibles resultados. Lo anterior nos lleva a la siguiente definicin:

Definicin 1.1.2 El espacio muestral de un experimento aleatorio es el
conjunto formado por todos los posibles resultados del experimento
aleatorio. El espacio muestral es denotado por S.

Ejemplos. 1.1.2
Lanzar una moneda, posibles resultados Cara, Cruz,

cienciainfinita.com
as { } Cruz Cara, = S .


8
Lanzar un dado, posibles resultados, 1, 2, 3 , 4, 5, 6,

parchis.wordpress.com
as { } 6 1,2,3,4,5, = S .
Presentar un examen, posibles resultados, 5, 6, 7, 8, 9, 10,

Urse.edu.mx
as { } 10 5,6,7,8,9, = S .
Presentar un examen, posibles resultados, ( ) 10 5, , as ( ) { } 10 5, = S .

Mujeres que compran determinada marca de crema de belleza

wiki.biensimple.com
As { } 1000 0,1,2,..., S =


9
Nmero de dedos rotos al fracturarse las dos manos,

el-nacional.com
as { } 10 0,1,2,..., = S
Nmero alumnos de primer grado el prximo ao, as
{ } ,.. 1,...,1000 = S .

Ejercicio 1.1.2
Que el participante de 4 ejemplos de espacio muestral relacionados
con su rea de trabajo.

Tipos de espacios muestrales

Ejemplos 1.1.3
Lanzamiento de un dado, los posibles resultados son: 1, 2, 3, 4, 5, 6,
as { } 6 1,2,3,4,5, = S .
Un agrnomo desea contar el nmero de bacterias de determinada
plaga en una planta, as el espacio muestral ser { } ,... 50 ... , 2 , 1 , 0 = S .
Se desea estudiar el tiempo de vida de un foco de 100 watts, el
espacio muestral ser { } 0 t t > = S .


10
Definicin 1.1.3 Un espacio muestral se denomina numerable finito si el
espacio muestral tiene un nmero finito de elementos, es decir, si el
nmero de resultados de mi experimento aleatorio es finito.

Definicin 1.1.4 Un espacio muestral se denomina numerable infinito si
el espacio muestral tiene un nmero infinito de elementos pero se puede
contar, y ms an, se puede poner en relacin a los nmeros naturales.

Definicin1.1.5 Un espacio muestral se denomina no numerable si el
espacio muestral tiene un nmero infinito de elementos los cuales no se
pueden poner en relacin con los naturales.

Ejercicio 1.1.3 Que el participante de 3 ejemplos de cada tipo de espacio
muestral.

Cuando el investigador realiza un experimento aleatorio por lo
general no es de su inters el conjunto total de resultados, sino solamente
un subconjunto de stos. Al ser el espacio muestral de un experimento
aleatorio un conjunto se pueden formar a partir de este subconjuntos de
resultados, tales subconjuntos nos llevan a la siguiente definicin.

Definicin 1.1.6 Dado un experimento aleatorio, un evento aleatorio es un
subconjunto del espacio muestral. El evento es denotado por las letras A, B,
etc. Si el evento esta formado por slo un resultado diremos que es un
evento simple, si por el contrario el evento consta de dos o mas resultados,
definiremos el evento como evento compuesto.

Ejemplos 1.1.4
Lanzamiento de una moneda, { } Cruz Cara, = S .
{ } Cara A = , { } Cruz B= , { } Cruz Cara, C= , { } = D


11
Lanzar un dado, { } 6 1,2,3,4,5, = S .
{} 1 A = , { } 2,4,6 B= , { } 1,3,5 C = , { } = D , etc.
Presentar un examen, { } 10 5,6,7,8,9, = S .
{ } 7 A = , { } 8,9 B= , { } 9,10 C= , { } = D , etc.
Presentar un examen, ( ) { } 10 5, = S .
{ } 7 A = , ( ) { } 7,9.4 B= , etc.

Ejercicio 1.1.4.
El participante elabora un escrito de 3 imgenes de las imgenes
siguientes donde describa: la caracterstica de inters, el
experimento, el espacio destral y 5 posibles eventos. Adems dar
dos ejemplos relacionados con su rea de trabajo. .

star110.lacoctelera.net gentedigital.es .

. es.fordesigner.com ptobal.wordpress.com


12
El evento A ocurre si cuando se realiza el experimento el resultado
que ocurre es un elemento del evento. As en el ejemplo del lanzamiento de
un dado se definen los eventos como { } 2,4,6 B= , { } 1,3,5 C = y si al llevarse
acabo el experimento el resultado es un 3, entonces, ocurre el evento C, y
no ocurre el evento B.

Definicin 1.1.7 Dado un experimento aleatorio, el evento imposible es el
evento que no tiene elementos, mientras que el evento seguro es el
conjunto de todos los posibles resultados, es decir, el espacio muestral S .

I.2. lgebra de eventos en espacios muestrales finitos

Objetivo: Que el participante conozca y sea capaz de realizar operaciones
relacionadas con el lgebra de eventos.

Definicin 1.2.1 Sean B y A dos eventos, se dice que estos eventos son
eventos excluyentes si ellos no pueden ocurrir en forma simultanea. Los
eventos
n 2 1
A A A ..., , , se denominan eventos mutuamente excluyentes si
cualquier par de estos son eventos excluyentes.

Ejemplo 1.2.1
i) Mujeres que compran determinada marca de crema de belleza

Los eventos { } 5 0,1,2,3,4, A = y { } 50,...,200 B = son excluyentes


13
ii) Se tienen los eventos relacionados al nmero de hamburguesas que se
come un adulto

todanoticia.com
Sean los eventos { } 1,2,3 A = , { } 3,4,5 B= , { } 6,7 C = , entonces
A y B no son excluyentes,
A y C son excluyentes,
B y C son excluyentes,
A, B y C son mutuamente excluyentes, ya que aunque A y B no lo
son, C si lo es con A, adems de B con C.

Cuando se tienen dos o ms eventos aleatorios, a partir de stos se
pueden formar otros eventos, tal como se muestra a continuacin.

Definicin 1.2.2 Sean B y A dos eventos, el evento unin de los eventos
B y A es el evento formado por la unin de los subconjuntos B y A , es
decir, por la unin de los resultados del evento A o del evento B. El
evento unin se denota por B A .

El evento B A ocurre si ocurre el evento A o el evento B.

El evento B A no ocurre cuando ni ocurre el evento A ni ocurre el
evento B.


14
Ejemplo 1.2.2 Hugo Snchez anota en un partido de ftbol como mximo
5 goles, as { } 1,2,3,4,5 0, = S . Sean los eventos:
{ } 1,2,3 0, goles 3 ms lo a anota A = =
{ } 3,4,5 goles 3 menos lo por anota B = =
{ } 4 goles 4 anota C = = ,
entonces se tiene que los eventos B A , C B y C A estn formados por
{ } 5 4, 1,2,3, 0, goles 3 menos lo por o goles 3 ms lo a anota B A = =
{ } 3,4,5 goles 4 anota o goles 3 menos lo por anota C B = =
{ } 4 1,2,3, 0, goles 4 anota o goles 3 ms lo a anota C A = =

colchonero.com
Ejercicio 1.2.1 Dar ejemplos.

Definicin 1.2.3 Sean B y A dos eventos, el evento interseccin de los
eventos B y A es el evento formado por la interseccin de los subconjuntos
B y A , es decir, por la interseccin de los resultados del evento A y del
evento B. El evento interseccin se denota por B A .

El evento interseccin ocurre si ocurre el evento A y ocurre el
evento B.
El evento B A no ocurre cuando
No ocurre el evento A aunque ocurre el evento B,
Ocurre el evento A pero no ocurre el evento B,
No ocurre el evento A ni ocurre el evento B.
Es decir, con un evento de los dos que no ocurra, ya no ocurre
el evento interseccin.


15

entonces se tiene que los eventos B A , C B y C A estn formados de
la siguiente manera
{ } 3 goles 3 menos lo por goles 3 ms lo a anota B A = = y
{ } 4 goles 4 anota y goles 3 menos lo por anota C B = =
{ } = = goles 4 anota y goles 3 ms lo a anota C A

Definicin 1.2.4 Sea el evento A, el evento complemento del evento A es
el evento formado por todos los resultados del espacio muestral que no
forman al evento A. El evento complemento del evento A se denota por
C
A . el evento complemento de A ocurre cuando no ocurre el evento A. El
evento
C
A no ocurre cuando ocurre el evento A.

entonces se tiene que los eventos
C
A ,
C
B y
C
C estn formados de la
siguiente manera
{ } 5 , 4 5) o 4 decir, es 3, de ms (anota goles 3 ms lo a anota no A
C
= =
{ } , 2 , 1 , 0 2) o 1 0, decir, es 3, de menos (anota goles 3 menos lo por anota no B
C
= =
{ } 0,1,2,3,5 goles 4 anota no C
C
= =


16

Ejercicio 1.2.2. Dar ejemplos.

I.3. Probabilidad, reglas de probabilidad

Objetivo: Que el participante conozca y comprenda el concepto de
probabilidad y las principales reglas en su aplicacin.

Se puede definir la probabilidad desde un punto de vista muy formal
y elegante (ver Ash, Royden), pero para los fines que se persiguen en este
curso es algo completamente innecesario. Aqu el inters es conocer qu es
la probabilidad, conocer su aplicacin y de suma importancia adquirir la
capacidad para la interpretacin.

Lo primero que se debe de conocer es a que se le aplica la
probabilidad. Para responder la pregunta se trata el siguiente ejemplo: Es
muy comn preguntar En el lanzamiento de un dado cul es la
probabilidad de que el resultado del lanzamiento sea un seis? Aunque no
se dice explcitamente ya se sabe por las secciones anteriores que la frase
resultado del lanzamiento sea un seis es un evento.

Del ejemplo anterior se puede ver que se habla de obtener la
probabilidad de un evento. Si se denota el evento resultado del
lanzamiento sea un seis por medio de A, se tiene que se desea obtener la
A de ad Probabilid . Ahora bien en vez de estar escribiendo la
A de ad Probabilid se tiene una notacin para expresar lo anterior la cual es:
( ) A P , la P es una abreviatura de probabilidad, la A representa al evento del
cual se desea obtener su probabilidad de ocurrencia. Cuando se aplica la


17
probabilidad al evento se obtiene un valor numrico el cual es un nmero
que siempre toma el valor entre cero y uno.

En el ejemplo anterior se tiene que ( )
6
1
A = P , el porqu de este valor
se basa en la regularidad estadstica

Qu es la regularidad estadstica? Si observamos un experimento aleatorio
un gran nmero de veces, bajo las mismas condiciones y se calcula el
porcentaje de veces que ocurre un resultado de todos los resultados posibles
esta proporcin es prcticamente constante. La probabilidad se basa en la
regularidad estadstica. A continuacin se dar la idea de probabilidad.

Es una forma matemtica de representar la regularidad estadstica.

es.fordesigner.com

Un agrnomo desea contar el nmero de bichos de determinada
plaga en una planta, se sabe de estudios anteriores que a lo mas hay 4
bichos por planta, as el espacio muestral ser { } 4 3 2 1 0 , , , , = S . Si la
probabilidad del resultado existen 2 bichos se evala como 0.12, lo que
se hace es medir el resultado existen 2 bichos y el valor 0.12 o 12 por
ciento, indica que si se realiza, bajo las mismas condiciones, el
experimento, se tiene que el resultado existen 2 bichos ocurre


18
aproximadamente el 12% de las veces, es decir, si se realiza 100 veces el
experimento en 12 ocasiones se tendr que existen 2 bichos en la planta. Si
el agrnomo observa una planta determinada y cuenta el nmero de bichos
en la planta, no se puede predecir si este ser de 2 bichos, slo se puede
decir que el porcentaje de plantas con dos bichos es del 12%.

Se debe hacer notar que podra haberse dado la interpretacin
anterior de la siguiente manera: si se realiza 50 veces el experimento en 6
ocasiones se tendr que existen 2 bichos en la planta. o, si se realiza 25
veces el experimento en 3 ocasiones se tendr que existen 2 bichos en la
planta.

De lo anterior se tiene que la probabilidad de un evento aleatorio
tiene por objeto evaluar la proporcin indicada por la regularidad
estadstica, los valores que esta probabilidad puede asumir siempre sern
cantidades entre cero y uno.

Se tienen entonces que la probabilidad es una representacin
matemtica de la regularidad estadstica, para lo cual es necesario llevar a
cabo el experimento aleatorio un nmero de veces y por cada vez que se
repita el experimento observar el resultado, lo cual lleva a la definicin de
la probabilidad desde el punto de vista frecuentista o de frecuencia relativa,
la cual es la definicin frecuencial y se expresa formalmente por medio de:
( )
n
n
A
n
=Lim A P
donde
( )
A evento el ocurre que veces de nmero el es
o, experiment el realiza se que veces de numero el es
inters de aleatorio evento el es A
Lim A P
A
A
n
n
n
n
n

=


19

La definicin de mayor uso en la prctica es la definicin clsica de
probabilidad la cual es:
( )
posibles casos Nmero
favorables casos Nmero
A P =

Existe la forma de modelos probabilsticos, la cual se basa en la
representacin a travs de ecuaciones de un fenmeno aleatorio. Adems
existe la idea de probabilidad subjetiva la cual se basa en el grado de
creencia del individuo respecto a la ocurrencia del evento aleatorio de
inters. (Estadstica bayesiana)

Sea { }
t
r r r S ,... ,
2 1
= el espacio muestral del experimento aleatorio, tal
que la probabilidad del resultado
i
r es
i
p , es decir, ( )
i i
p r P = , y sea A
cualquier evento aleatorio, entonces la probabilidad del evento aleatorio A
es definida por
( ) ( )

= =
i i
p r P A P
A e
i
r
Para obtener la probabilidad del evento { } 1,2,3 0, A = de acuerdo a la
definicin anterior
( ) ( )

= =
i i
p r P A P
A e
i
r
Se tiene


20
{ } 5 , 4 , 3 , 2 , 1 , 0
6 5 4 3 2 1
= = = = = = = r r r r r r S
y { } 1,2,3 0, goles 3 ms lo a anota A = = , as

( ) ( ) ( ) ( ) ( ) ( )
6
4
6
1
6
1
6
1
6
1
P P P P P A P
4 3 2 1
=
+ + + =
+ + + = =
r r r r r
i


Ejemplo 1.3.2 Dos agrnomos observan el nmero de bichos en dos
plantas, una cada agrnomo, y se anota la suma de los dos conteos, se sabe
de ejemplos anteriores que en cada planta hay a lo ms 4 bichos, en este
caso el espacio muestral es { } = S , y se tiene la siguiente
relacin

r
i
0 1 2 3 4 5 6 7 8
p
i

r
i
0 1 2 3 4 5 6 7 8
p
i
25
1

25
2

25
3

25
4

25
5

25
4

25
3

25
2

25
1

Sea { } 1,2,3 0, plantas dos las en bichos 3 ms lo a A = = entonces
( ) ( ) ( ) ( ) ( ) ( )
, 4 . 0
25
10
25
4
25
3
25
2
25
1
3 P 2 P 1 P 0 P P A P
= =
+ + + =
+ + + = =
i
r


21
Interpretacin la cual tiene una interpretacin de la forma siguiente, si los
agrnomos observarn 200 plantas de dos en dos y sumaran el nmero de
bichos en las dos plantas, entonces, en 40 casos la suma de los bichos en las
dos plantas sera de a lo ms 3.

Reglas de probabilidad

Sea A un evento, la probabilidad del evento A cumple las siguientes
propiedades:

La probabilidad de cualquier evento es un valor entre cero y uno,
( ) 1 A P 0 s s
La probabilidad del evento seguro es uno, ( ) 1 S P = .
La probabilidad del evento imposible es cero, { } ( ) 0 P = .
La suma de las probabilidades de todos los elementos del espacio
muestral o de todos los eventos simples es uno, ( ) 1 P = =
i i
p r .

Sean A y B dos eventos, entonces

La probabilidad del evento unin es igual a la probabilidad del
evento A mas la probabilidad del evento B, menos la probabilidad
del evento interseccin ( ) ( ) ( ) ( ) B A P B P A P B A P + = .
La probabilidad del evento complemento es igual a uno menos la
probabilidad del evento, ( ) ( ) A P 1 A P
c
= .

Ejemplo 1.3.3 Un maestro desea conocer el nmero de faltas de ortografa
en una hoja de redaccin, se sabe que a lo ms hay 6 faltas, as
{ } 6 1,2,3,4,5, 0, = S .


22

vivapy.wordpress.com

Sean los eventos:
{ } 1,2,3 0, ortografa de faltas 3 ms lo a hay A = =
{ } 3,4,5 ortografa de faltas 5 y 3 entre hay B = =
{ } 4,5 ortograia de faltas 5 o 4 hay C = = ,
Para obtener las probabilidades de los eventos, en primer lugar se deben
tener la probabilidad de cada uno de los posibles resultados del
experimento aleatorio, lo cual se tiene en la siguiente tabla

r
i
0 1 2 3 4 5 6
p
i
7
1

7
1

7
1

7
1

7
1

7
1

7
1

( )
7
4
A P = , ( )
7
3
B P = , ( )
7
2
C P =
El inters del maestro es obtener la probabilidad del evento B A , para lo
cual es necesario obtener la probabilidad del evento B A , en este caso se
tiene B A es el evento que existan exactamente 3 faltas de ortografa en la
redaccin, as ( )
7
1
B A P = , de lo anterior se tiene


23
( ) ( ) ( ) ( )
8571 0
7
6
7
1
7
3
7
4
B A P B P A P B A P
. = = + =
+ =

Interpretacin
Si se revisaran 100 hojas de redaccin, entonces en aproximadamente 86
hojas se tendran a lo mas 5 faltas de ortografa o en otras palabras en
aproximadamente 14 hojas se tendran exactamente 6 faltas de ortografa.

Ejercicio 1.3.2
Obtener probabilidad de C A y B C e interpretar.
Obtener probabilidad de ( ) ( )
c
C A P e interpretar

1.4 Probabilidad condicional

Objetivo: Que el participante conozca y comprenda el concepto de
probabilidad condicional.

Probabilidad condicional

Un doctor desea conocer cual es la probabilidad de que una persona
adulta mejore con un medicamento, si de estudios anteriores se conoce la
siguiente informacin

Mejora
Edad
Joven Adulta

Total
SI
NO
70 10
80 40
80
120
Total 150 50 200

Este es un problema de restriccin ya que se pide la probabilidad de que
una persona que se sabe con anticipacin que es adulta mejore en su salud,


24
que es muy distinto a pedir la probabilidad de que una persona no
importando si es adulta o joven muestre mejora despus de administrarle el
medicamento.

En el caso de que no importe la edad el espacio muestral esta formado por
todos los posibles resultados, pero en el caso de que se conoce con
anticipacin que la persona es adulta el espacio muestral esta formado por
los resultados solamente de las personas adultas.

En general en ocasiones se desea obtener la probabilidad de algn evento A
dado que a ocurrido un evento B, este tipo de probabilidad se denomina
probabilidad condicional (probabilidad condicionada) y se obtiene de la
siguiente manera

Sean A y B dos eventos aleatorios, tal que ( ) 0 B P = se define la
probabilidad condicional de A dado B como
( )
( )
( ) B P
B y A P
B A P =

Ejemplo 1.4.1. Un doctor desea conocer cual es la probabilidad de que una
persona adulta que sufre de depresin, mejore con el medicamento, si de
estudios anteriores se conoce la siguiente informacin

hoypadres.com


25

Mejora
Edad
Joven Adulta

Total
SI
NO
70 10
80 40
80
120
Total 150 50 200
En este ejemplo se tienen los eventos { } Mejore A = , { } adulta Persona B = y la
probabilidad de inters es la del evento la persona mejora dado que es
adulta, es decir, se desea obtener la probabilidad del evento A condicionado
al B, tal probabilidad se obtiene a partir de
( )
( )
( ) B P
B y A P
B A P =
para obtener la probabilidad anterior es necesario conocer ( ) B y A P y
( ) B P . Al hacer uso de la definicin de probabilidad frecuencial, se tiene lo
siguiente ( ) 05 0
200
10
B y A P . = = y ( ) 25 0
200
50
B P . = = , ahora sustituyendo se
obtiene: ( )
( )
( )
2 0
25 0
05 0
B P
B y A P
B A P .
.
.
= = =
la cual tiene la siguiente interpretacin: si se administra el medicamento a
100 personas adultas en promedio 20 de stas van a mejorar en su salud.

Ahora si se desea obtener la probabilidad de que la persona sea adulta dado
que se conoce que mejor: ( )
( )
( )
125 0
4 0
05 0
A P
A y B P
A B P .
.
.
= = =
la cual tiene la siguiente interpretacin: de cada 1000 personas que se sabe
mejoraron en su salud al tomar el medicamento, se tiene que en promedio
125 de stas son adultas.

Ejercicio 1.4.1 LIBRO


26
I.5. Independencia.

Objetivo: Que el alumno conozca y maneje el concepto de eventos
independientes.

El doctor del ejemplo anterior desea conocer cual es la probabilidad de que
una persona adulta mejore con un medicamento DISTINTO al anterior, si
de estudios anteriores se conoce que la mejora del paciente tomando o no
del nuevo medicamento no presenta relacin con la edad del paciente.

As la ocurrencia del evento persona es adulta no altera para nada la
ocurrencia del evento mejore as la probabilidad condicional de
( ) ( ) A P B A P =

Definicin 1.5.1 El evento A se dice independiente del evento B si
( ) ( ) A P B A P =
Observacin 1.5.1 Al ser el evento A independiente del evento B tambin
se tiene que el evento B es independiente del evento A, por lo anterior se
dice que los eventos A y B son independientes.

En ocasiones la definicin de independencia est dada por lo siguiente:

Definicin 1.5.2 El evento A es independiente del evento B si
( ) ( ) ( ) B P A P B A P =

Ejemplo 1.5.1 El INEGI desea hacer un estudio sobre familias con dos
hijos, nio y nia, as el espacio muestral es { } HH HM, MH, MM, = S .


27

ahorrodiario.com
Sean los eventos mujer hijo Primer A = , mujer hijo Segundo B= . Son estos
eventos independientes?
Ejercicio 1.5.1
Resolver el problema anterior.


28
II. Variables aleatorias y distribucin de probabilidad

relacionados con las variables aleatorias y las distribuciones de
probabilidad.

Introduccin

Cuando el investigador lleva acabo un experimento aleatorio es posible
obtener ms de un espacio muestral, dependiendo de la caracterstica de
inters bajo estudio. Por ejemplo, dos compaeros de la facultad de
Economa presentan su examen de Ingls, entonces el espacio muestral
asociado con observar el resultado del examen ser { } RR RA AR AA S , , , = ,
mientras que si el inters es conocer el nmero de aprobados el espacio
muestral ser { } 0,1,2 = S . La asignacin de valores numricos a los
elementos del espacio muestral puede pensarse como una funcin del
espacio muestral a un conjunto de nmeros reales, tales funciones son
conocidas como variables aleatorias. En esta unidad estudiaremos los
conceptos relacionados con las variables aleatorias.

II.1. Variable aleatoria y distribucin de probabilidades

Definicin 2.1.1 Una variable aleatoria es una funcin, del espacio
muestral a los nmeros reales. Es decir, una variable aleatoria asocia a cada
elemento del espacio muestral un nmero real. Ya que el valor que tome la
variable depende del resultado del experimento aleatorio es por lo cual del
nombre variable aleatoria.


29
Ejemplo 2.1.1 Un jugador lanza dos monedas y observa los resultados. Se
tiene que el espacio muestral es ( ) ( ) ( ) ( ) { } C C A C C A A A S , , , , , , , = . Defnase a X
como el nmero de cruces observadas. Los valores que toma la variable
aleatoria son 2 1 0 , , , los puntos muestrales asociados a cada valor de la
variable aleatoria son

Valor de X 0 1 2
Elementos del espacio muestral ( ) A A, ( ) ( ) C A A C , , , ( ) C C,

Ejemplo 2.1.2 En un laboratorio clnico trabajan tres bilogos y tres
qumicos. Se desea formar un grupo de tres cientficos para una labor
especial y se decide que la eleccin sea al azar para no introducir algn
sesgo. El espacio muestral es
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) { } Q Q Q B Q Q Q B Q Q Q B B B Q B Q B Q B B B B B S , , , , , , , , , , , , , , , , , , , , , , , =
Sea X el nmero de bilogos en el grupo. Los valores que toma la variable
aleatoria son 3 y 2 1 0 , , , los puntos muestrales asociados a cada valor de la

Valor de X 0 1 2 3
Elementos del
espacio
muestral

( ) Q Q Q , ,
( ) Q Q B , ,
( ) Q B Q , ,
( ) B Q Q , ,
( ) Q B B , ,
( ) B B Q , ,
( ) B Q B , ,

( ) B B B , ,

Ejercicio 2.1.1. Dar 2 ejemplos de variables aleatorias.

Dado un experimento aleatorio y su espacio muestral se puede
definir una variable aleatoria. Esta variable aleatoria por definicin toma


30
valores los cuales son nmeros reales. Para cada uno de estos valores que
toma la variable aleatoria se puede obtener la probabilidad de ocurrencia.
Esta probabilidad se obtiene a partir de los elementos muestrales asociados
al valor particular que toma la variable aleatoria.

Notacin. Por lo que respecta a la notacin, se utilizarn maysculas como
X, para denotar variables aleatorias, y minsculas como x, para denotar
valores particulares que pueda tomar una variable aleatoria.

Notacin. Sea X una variable aleatoria cuyos valores son { } ,... ,..., ,
2 1 n
x x x la
probabilidad de que la variable aleatoria X tome el valor particular
i
x es
denotado por ( )
i
x P = X


Valor de X 0 1 2

La probabilidad de que la variable aleatoria X tome el valor 1 est dada de
la siguiente manera. De la tabla anterior se tiene que los elementos
muestrales asociados al valor de 1 son ( ) ( ) C A A C , , , , adems se tiene que este
es el evento ( ) ( ) { } C A A C E , , , = = cruz una e exactament observa Se y de la unidad I
se tiene ( )
2
1
= E P , as se tiene que ( )
2
1
1 = = X P .


31

El objetivo de la Estadstica es explicar el comportamiento de la
variable aleatoria bajo estudio, se puede dar una idea de tal
comportamiento a partir del comportamiento de la muestra que se tiene. El
comportamiento de la muestra se da en trminos de los valores de variables
aleatorias, y por eso es imperativo que conozcamos las probabilidades de
estos valores, lo cual nos lleva a obtener probabilidades de eventos. Dado
que ciertos tipos de variables aleatorias ocurren con mucha frecuencia en la
prctica, es til disponer de la probabilidad para cada valor de una variable
aleatoria. Este conjunto de probabilidades se llama distribucin de
probabilidades.

Definicin 2.1.2 La funcin de distribucin de probabilidad de la
variable aleatoria X es aquella funcin que va acumulando las
probabilidades hasta un valor especificado, tambin se conoce como
funcin de distribucin acumulativa o funcin de distribucin. La
funcin de distribucin de probabilidad se denota por medio de ( ) x
X
F y se
define como
( ) ( ) x P x s = X F
X
.

Nota. La funcin de distribucin de probabilidades es una probabilidad, as
que debe tomar valores entre cero y uno.



32

Valor de X 0 1 2

La distribucin de probabilidades para este caso es
( ) ( ) ( )
4
1
0 P 0 P 0 = = = s = X X F
X
,
( ) ( ) ( ) ( )
4
3
4
2
4
1
1 P 0 P 1 P 1 = + = = + = = s = X X X F
X
,
( ) ( ) ( ) ( ) ( ) . X X X X F
X
1
4
1
4
2
4
1
2 P 1 P 0 P 2 P 2 = + + = = + = + = = s =
Se tiene que
( ) ( ) ( ) ( )
4
3
4
2
4
1
1 P 0 P 1.74 P 1.74 = + = = + = = s = X X X F
X
,
( ) ( ) ( ) ( ) ( ) 1
4
1
4
2
4
1
2 P 1 P 0 P 23 P 23 = + + = = + = + = = s = X X X X F
X
,
( ) ( ) 0 6 - P 6 - = s = X F
X
.

Nota 2.1.1 La grafica de la funcin de distribucin de probabilidades tiene
una forma escalonada.

II.2. Variables aleatorias discretas y continuas

Objetivo: Que el participante conozca, comprenda y maneje los tipos de
variables aleatorias: discretas y continuas.

Sea X una variable aleatoria cuyos valores son { } ,... ,..., ,
2 1 n
x x x , el
conjunto { } ,... ,..., ,
2 1 n
x x x puede ser numerable finito, numerable infinito o no
numerable. Dependiendo del tipo de conjunto que sea { } ,... ,..., ,
2 1 n
x x x es el
tipo en el cual se etiqueta la variable aleatoria.


33
Definicin 2.2.1 Una variable aleatoria, se denomina variable aleatoria
discreta si solamente puede tomar un nmero finito o numerable infinito
de valores distintos. Es decir, si el conjunto { } ,... ,..., ,
n
x x x
2 1
es ya sea
numerable finito o numerable infinito.

La probabilidad inducida por la variable aleatoria discreta se obtiene
sumando las probabilidades correspondientes a los elementos del espacio
muestral.

Ejemplo 2.2.1 En el ejemplo del lanzamiento de las dos monedas sea X el
nmero de cruces observadas, la probabilidad de que la variable aleatoria
discreta X tome el valor 1 est dada de la siguiente manera. Los elementos
muestrales asociados al valor de 1 son ( ) ( ) C A A C , , , , adems se tiene que este
es el evento ( ) ( ) { } C A A C E , , , = = cruz una e exactament observa Se y de la unidad I
se tiene ( )
2
1
= E P , as ( )
2
1
1 = = X P .

Aunque las variables aleatorias no son eventos se puede hablar de la
probabilidad de ocurrencia de determinado valor de la variable aleatoria.

Cuando se tiene una variable aleatoria discreta la funcin relacionada
con la probabilidad de ocurrencia de cada uno de los valores de la variable
aleatoria se denomina funcin de probabilidad, esto es, la funcin de
probabilidad de la variable aleatoria discreta se define como ( )
i
x P = X y se
denota por medio de ( )
i
f x , as
( ) ( )
i i
x P x f = = X
La funcin de distribucin de probabilidad y la funcin de
probabilidad de una variable aleatoria discreta estn relacionadas de la
siguiente manera


34
( ) ( )
s
=
x x
i
f
i
x x
X
F
Propiedad. La funcin de probabilidad cumple las condiciones
( ) 0 x > f
( ) 1 x =
f


Valor de X 0 1 2

La funcin de probabilidad para este caso es
( ) ( )
4
1
0 P 0 = = = X f ,
( ) ( )
4
2
1 P 1 = = = X f ,
( ) ( )
4
1
2 P 2 = = = X f .
Grfica


35
Ejercicio 2.2.1. Dar un ejemplo

Definicin 2.2.2 Una variable aleatoria, se denomina variable aleatoria
continua si el conjunto { } ,... ,..., ,
2 1 n
x x x es un conjunto no numerable. Es
decir si su rango de valores que la variable puede tomar es continuo.
Grfica

Definicin 2.2.3 Sea X una variable aleatoria continua, la funcin ( ) x f
cuya grfica produce la curva anterior se denomina funcin de densidad
de la variable aleatoria continua.

La funcin de distribucin de probabilidad y la funcin de densidad
de una variable aleatoria continua estn relacionadas de la siguiente manera
( ) ( )
}
=
a
-
dx x a f
X
F
Nota 2.2.1. Si X una variable aleatoria continua, entonces
( ) ( )
}
= s s
b
a
dx x b a P f X
Nota 2.2.2. Si X una variable aleatoria continua, entonces ( ) 0 a P = = X
Propiedad. La funcin de densidad cumple las condiciones
( ) 0 x > f
( ) 1 dx x
-
=
}
f


36

II.3. Momentos de variables aleatorias

Valor Esperado

El objetivo principal de la funcin de densidad o funcin de
probabilidad de una variable aleatoria es la de proporcionar informacin
respecto al comportamiento de tal variable aleatoria. Pensemos en la
calificacin de la asignatura de Historia de los alumnos de tercero de
bachillerato en la escuela Lpez Obrador. Si el director del plantel
deseara saber cual es el comportamiento de la calificacin en forma rpida
no seria aconsejable que se le preguntara a cada estudiante su calificacin
en tal asignatura. Una forma rpida y ms que otra cosa
REPRESENTATIVA de la variable calificacin es la calificacin promedio
en Historia de los alumnos de tercer semestre. El ejemplo anterior nos lleva
a la siguiente definicin.

Definicin 2.3.1 Sea X una variable aleatoria, el valor esperado de la
variable aleatoria X se define como

( )
( )
( )
=
}
continua es si x x
discreta es si x x
E
X
X
X
f
f

donde la sumatoria se hace para todos los posibles valores de la variable
aleatoria y la integral se hace sobre todos los posibles valores para los
cuales ( ) 0 x > f .


37
Ejemplo 2.3.1 Sea la variable aleatoria discreta X con funcin de
probabilidad dada de la siguiente manera

( )
=
=
=
=
=
=
5 si 20 0
4 si 20 0
3 si 30 0
2 si 25 0
1 si 05 0
x
X .
X .
X .
X .
X .
f

Se tiene que X es una variable aleatoria discreta as su valor esperado est
dado por medio de ( )
x x f . Para este caso en particular.

( ) ( ) ( ) ( ) ( ) ( ) ( )
05 3 80 0 80 0 90 0 50 0 05 0
2 0 5 2 0 4 30 0 3 25 0 2 05 0 1 x x E
. . . . . .
. * . * . * . * . * X
= + + + + =
+ + + + = =
f

As si se quisiera predecir el prximo valor de la variable aleatoria el valor
ms apropiado sera 3.

Ejemplo 2.3.2 Sea la variable aleatoria continua X con funcin de
densidad
( ) 2 0
2
s s = x
x
x f
entonces
( ) ( )
6
8
6
dx
2
dx
2
x dx x x E
2
0
3 2
0
2
2
0
= = =
= =
}
} }
x x
x
f X

As si se quisiera predecir el prximo valor de la variable aleatoria el valor
ms apropiado sera
6
8
.


38
Varianza

El director la escuela Lpez Obrador tiene conocimiento de que la
calificacin promedio en la asignatura de Historia de los alumnos del
plantel es de 8.5, pero que tambin la calificacin promedio en Historia de
los alumnos del plantel Caldern es de 8.5 Es el comportamiento el
mismo en las dos escuelas respecto a la calificacin en la asignatura de
Historia?

ddicrociodiaz.blogspot.com

Para responder se necesita la siguiente definicin.

Definicin 2.3.2 Sea X una variable aleatoria, la varianza de la variable
aleatoria X se define como
( )
( ) ( ) ( )
( ) ( ) ( )
=
}
continua es si x E -
discreta es si x E -
Var
2
2
X X X
X X X
X
f
f

donde la sumatoria se hace para todos los posibles valores de la variable
aleatoria y la integral se hace sobre todos los posibles valores para los
cuales ( ) 0 x > f .


39
La varianza de una variable aleatoria nos da informacin respecto a
la dispersin de los valores de la variable aleatoria. El concepto de varianza
de la variable aleatoria es el mismo para variables discretas o continuas.

Observacin. De la definicin de varianza y de valor esperado de una
variable aleatoria se tiene que
( ) ( ) ( ) | |
2
E - E Var X X X =

II.4. Propiedades de la esperanza y la varianza

Propiedades de la esperanza La esperanza tiene las siguientes
propiedades. Sea X una variable aleatoria y c ,
1
c y
2
c nmeros, entonces
( ) c c E =
( ) ( ) X X cE E = c
( ) ( ) X X E E
2 1 2 1
c c c c + = +

Propiedades de la varianza La varianza tiene las siguientes propiedades.
Sea X una variable aleatoria y c un nmero, entonces
( ) 0 Var = c
( ) ( ) ( ) ( )
2 2
E E Var X X X =
( ) ( ) X X Var Var
2
c c =

Ejemplo 2.4.1 Obtener la varianza de la siguiente variable aleatoria
discreta la cual tiene funcin de probabilidad
( )
=
=
=
=
=
=
5 si 20 0
4 si 20 0
3 si 30 0
2 si 25 0
1 si 05 0
x
X .
X .
X .
X .
X .
f


40
Se tiene en primer lugar que obtener el valor esperado. Para este caso
( ) 05 3 E . X = , ahora se puede hacer uso de la propiedad
( ) ( ) ( ) ( )
2 2
E E Var X X X =
para la cual se necesita ( )
2
E X la cual toma el valor ?
( ) ( ) ( ) = = = 3025 9 05 3 E Var
2 2
. . X X
As tenemos que la varianza de la variable aleatoria es y su desviacin
estndar toma el valor .

Ejercicio 2.4.1 Por parte de los participantes.


41
III Algunas distribuciones discretas

Objetivo: Que el participante conozca y maneje algunas de las variables
aleatorias discretas, as como la funcin de probabilidad de cada una de
stas.

Introduccin

Como se estableci en la Unidad II cuando se tiene una variable
aleatoria discreta, informacin acerca de su comportamiento se puede
obtener a partir de su funcin de probabilidad. Tal funcin de probabilidad
puede estar dada en forma de una expresin algebraica. En esta unidad se
tratan las principales variables aleatorias de tipo discreto, as como la
correspondiente funcin de probabilidad.

III.1. Distribucin Bernoulli

La seora Lpez est indecisa si comprar o no la crema antiacn

saludmedicina.com
Su decisin la basara en si tiene menos de 2 infecciones o no.


42
Una industria frmaco biloga desea sacar al mercado un nuevo
medicamento, para lo cual realiza un experimento y la decisin de sacarlo
al mercado depender si el paciente muestra o no mejora respecto a la
enfermedad que presenta.

dermocosmetica.umh.es

El anterior es un problema donde el espacio muestral es numerable
finito, ya que solamente se tienen dos posibles resultados para el
experimento { } NM SM, = S . Sea la variable aleatoria definida de la siguiente
manera
=
Mejora No si 0
Mejora si 1
: X
as se tiene que el conjunto de valores de la variable aleatoria es { } 1 0, por lo
cual la variable aleatoria es una variable aleatoria discreta.

En el ejemplo anterior el rango de la variable aleatoria es discreto,
por lo cual es una variable aleatoria discreta, pero adems, la variable
aleatoria solamente puede tomar dos valores. En general existen variables
aleatorias en las cuales slo existen dos valores en su rango. Lo anterior
nos lleva a la siguiente definicin.


43
Definicin 3.1.1 Un experimento se denomina Bernoulli si los posibles
resultados del experimento son solamente dos. Comnmente a uno de los
dos resultados se le denomina xito (E) y al otro fracaso (F).

safa.edu.uy gentedigital.es

elianayjenniferdesnutri
Observacin 3.1.1 Posibles resultados del experimento dos.

Observacin 3.1.2 xito (EVENTO DE INTERS) y fracaso

Nota 3.1.1 Ya sea que se trate como probabilidad de la variable aleatoria o
la probabilidad del evento xito, sta se denota por medio de p y al
probabilidad de fracaso por q , la cual por las propiedades de probabilidad
es p - 1 Porqu?

Nota 3.1.2 El valor esperado y la varianza de una variable aleatoria la cual
tiene una distribucin Bernoulli estn dados por medio de:


44
( ) p = X E y ( ) p =1 Var X .

Ejemplo 3.1.1 Un alumno de la facultad de Estadstica presenta un examen
de la asignatura de tcnicas bsicas de muestreo, su inters, como es de
esperarse, es aprobar la asignatura, as que los posibles resultados del
experimento son APROBAR o REPROBAR. { } R A, = S . Lo cual en
trminos de la variable aleatoria sera
=
Reprueba si 0
Aprueba si 1
: X
con alguna probabilidad de xito p .

Ejemplo 3.1.2 El maestro de la asignatura tcnicas bsicas de muestreo,
quien le imparte clases al alumno del ejemplo anterior tiene el inters de
conocer cul fue la calificacin del alumno en el examen, as que los
posibles resultados del experimento son 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10. el cual
ya no sera un experimento Bernoulli.

Ejemplo 3.1.3 Un alumno de la facultad de Estadstica presenta un examen
de la asignatura de tcnicas bsicas de muestreo

Valor de X 0 1
Probabilidad asociada
p - 1 p

La distribucin de probabilidades para este caso es
( ) ( ) ( ) p = = = s = 1 0 P 0 P 0 X X F
X
, ( ) ( ) ( ) ( ) 1 1 P 0 P 1 P 1 = = + = = s = X X X F
X
,
( ) ( ) ( ) p 1 0 P 0.74 P 0.74 = = = s = X X F
X
,
( ) ( ) ( ) ( ) . X X X F
X
1 1 P 0 P 2 P 2 = = + = = s =


45
Grafica de la funcin de distribucin.

Para una variable aleatoria Bernoulli su funcin de probabilidad est
dada por medio de ( ) ( ) ( )
x - 1 x
p - 1 p x X P x = = = f , con 1 0, = x . As
( ) ( ) ( )
( ) ( ) ( ) p p - 1 p 1 X P 1
p 1 p - 1 p 0 X P 0
1 - 1 1
0 - 1 0
= = = =
= = = =
f
f

Grafica de la funcin de probabilidad

Ejercicio. Dar 2 ejemplos de variables aleatorias Bernoulli con valores de
p, con graficas.

III.2. Distribucin Binomial

Una industria frmaco biloga desea sacar al mercado un nuevo
medicamento, para lo cual realiza un experimento. El nuevo medicamento
es probado en 50 pacientes los cuales presentan la enfermedad bajo
exactamente las mismas condiciones. El inters es conocer cuantos
pacientes de los 50 muestran mejora respecto a la enfermedad.


46
El anterior es un problema donde el espacio muestral es numerable
finito. La cantidad de pacientes que mostraron mejora puede tomar 51
posibles valores, as la variable aleatoria toma los valores 0,1,2,,50.

En el ejemplo de la industria frmaco biloga el rango de la variable
aleatoria es discreto, por lo cual es una variable aleatoria discreta, pero
adems, el experimento consta de experimentos Bernoulli, cada uno de
ellos con la misma probabilidad de mejora (E), digamos p .

Definicin 3.2.1 Un experimento se denomina Binomial si ste est
compuesto por n experimentos Berrnoulli, y el inters es el nmero X de
xitos en estos n experimentos Bernoulli, los cuales se suponen que son
independientes

nartube.com drgrowonline.com

lila2.blogspot.com cancunforos.com


47
Supuestos
Se realizan n experimentos Bernoulli,
Probabilidad de xito p ,
Los experimentos son independientes

La variable aleatoria de inters es el nmero de xitos en los n
experimentos, por lo cual X puede tomar los valores
n ,..., 2 , 1 , 0
.

La funcin de probabilidad est dada por
( ) ( ) ( )
x - n x
p - 1 p
x
n
x X P x
|
|
.
|
\
|
= = = f
donde
( )! !
!
x n x
n
x
n
=
|
|
.
|
\
|
, y ! n es el factorial.

Ejemplo 3.2.1 El grupo 302 de la facultad de Estadstica el cual tiene 15
alumnos presenta un examen de la asignatura de tcnicas bsicas de
muestreo, su inters de cada alumno, como es de esperarse, es aprobar la
asignatura, as que los posibles resultados del experimento son APROBAR
o REPROBAR. { } R A, = S . Pero al profesor le interesa conocer la cantidad
de alumnos que aprobaron el examen, as que los posibles valores de la
variable aleatoria son 0, 1, 2,.., 15. As se tiene
( ) ( ) ( )
x 15- x
p - 1 p
x
15
x X P x
|
|
.
|
\
|
= = = f
Si la probabilidad de aprobar el examen es 0.8, se tiene que la probabilidad
de que exactamente seis alumnos aprueben el examen es
( ) ( ) ( )
( ) ( )
( ) ( )
0.0006717
2 0 8 0
1 2 3 4 5 6
10 11 12 13 14 15
2 0 8 0
9 6
15
p - 1 p
6
15
6 X P 6
9 6
9 6
6 - 15 6
=
=
=
|
|
.
|
\
|
= = =
. .
* * * * *
* * * * *
. .
! !
!
f


48
Interpretacin. Se tiene que si se tuvieran 100,000 grupos de 15 alumnos
cada uno de stos y se presentaran un examen de muestreo que tiene una
probabilidad de ser aprobado de 0.8, entonces en aproximadamente 67 de
estos grupos aprobaran exactamente 6 alumnos.

La Probabilidad de que aprueben a lo ms 5 alumnos es
( ) ( ) ( ) ( )
( ) ( )
( ) ( ) .
F
X
5 15- 5 4 15- 4
3 15- 3 2 15- 2
1 15- 1 0 15- 0
p - 1 p
5
15
p - 1 p
4
15
p - 1 p
3
15
p - 1 p
2
15
p - 1 p
1
15
p - 1 p
0
15
5 X P 5
|
|
.
|
\
|
+
|
|
.
|
\
|
+
+
|
|
.
|
\
|
+
|
|
.
|
\
|
+
+
|
|
.
|
\
|
+
|
|
.
|
\
|
= s =

tiene una distribucin Binomial estn dados por medio de:
( ) np = X E y ( ) ) ( X p np = 1 Var .

Ejercicio 3.2.1 Dar 2 ejemplos de variables aleatorias Binomial.

Probabilidad en Excel Los pasos a seguir para obtener la probabilidad de
una variable aleatoria discreta con distribucin Binomial son:

1. Entrar a Excel a la pestaa de Insertar, en la parte marcada con funcin


49
2. Aparece la siguiente ventana

3. Irse a la pestaa de seleccionar una categora y elegir Estadstica

4. Elegir BINOM y aceptar


50
5. Aparece la ventana de la Binomial

6a. Calcular la probabilidad ( ) 6 f

Resultado


51
6b. Calcular ( ) 5 F
X

Resultado

III.3. Distribucin Geomtrica

La industria frmaco biloga anterior desea sacar al mercado otro
medicamento, para lo cual realiza un experimento. El nuevo medicamento
es probado en pacientes los cuales presentan la enfermedad bajo
exactamente las mismas condiciones, pero se desea conocer en cuantos
pacientes se debe probar hasta que ocurra un xito, estos es hasta que uno
de los pacientes muestre mejora.


52
El anterior es un problema donde el espacio muestral es numerable.
La cantidad de pacientes necesarios hasta que ocurra la primera mejora es
numerable tomando los valores 1,2,,20,, as que la variable aleatoria
nmero de experimentos necesarios hasta que ocurra el primer xito es una
variable aleatoria discreta, se tiene que el experimento consta de
experimentos Bernoulli, cada uno de ellos con la misma probabilidad de
mejora (E), digamos p .

Definicin 3.3.1 Una variable aleatoria se denomina geomtrica si el
inters es el nmero de experimentos necesarios hasta que ocurra el
primer xito, cada uno de estos experimentos es un ensayo Bernoulli, los
cuales se suponen que son independientes.

Supuestos
Se realizan experimentos Bernoulli hasta obtener un xito,
Probabilidad de xito p ,
Los experimentos son independientes.

La variable aleatoria de inters es el nmero de experimentos necesarios
hasta obtener el primer xito por lo cual X puede tomar los valores ,... 2 , 1 .
La funcin de probabilidad est dada por ( ) ( ) ( )
1 - x 1
p - 1 p x P x = = = X f
donde p denota la probabilidad de xito y ,... ,2 1 x = .

tiene una distribucin Geomtrica estn dados por medio de:
( )
p
1
E = X y ( )
2
p
1
Var
p
= X .


53
Ejemplo 3.3.1 El Bilogo Rivas va a analizar cultivos de bacterias hasta
detectar bacterias tipo B1. Se sabe de estudios anteriores que en promedio
se analizan 8 cultivos antes de encontrar bacterias tipo B1. Cul es la
probabilidad de que el bilogo Rivas analice 3 cultivos para encontrar la
bacteria tipo B1?

digitalmediadesign2009.com
Se tiene a una variable aleatoria geomtrica ya que se desea conocer el
nmero de experimentos necesarios analizar cultivos antes de obtener un
xito bacterias tipo B1. El bilogo Rivas cuenta con la informacin de
que ( ) 8 E = X , de lo cual se obtiene que 8
p
1
= , as 125 0 p . = . Se desea obtener
la probabilidad de analizar 3 cultivos para encontrar bacterias tipo B1.
Si es necesario analizar 3 cultivos para encontrar bacterias tipo B1, se tiene
que en los 2 primeros cultivos no se encontraron bacterias tipo B1, as
( ) ( ) ( ) ( )( )
0.096
875 0 125 0 p - 1 p p - 1 p 3 P
2 2 1 1 - 3 1
=
= = = = . . X

Interpretacin. As se tiene que si en 1000 ocasiones el bilogo Rivas se
pusiera a analizar cultivos de bacterias hasta encontrar un cultivo de
bacterias tipo B1 en 96 de estas 1000 ocasiones necesitara analizar 3
cultivos hasta detectar bacterias tipo B1.

una variable aleatoria discreta con distribucin Geomtrica son:


54
1, 2 y 3 son los mismos que la distribucin Binomial

4. Elegir NEGBINOMDIST y aceptar

5. Aparece la ventana de la Binomial Negativa


55
6. Calcular la probabilidad de que sea al tercer ensayo el exito

Resultado

III.4 Distribucin Poisson

Una maestra de escuela secundaria desea conocer el nmero
promedio de faltas de ortografa que existe en cada pgina del libro de texto
de la asignatura de espaol. Un agente de transito desea conocer el nmero
promedio de accidentes automovilsticos que ocurren en la avenida vila
Camacho en un da. Un bilogo desea conocer el nmero promedio de
plagas en una planta.


56

taringa.net mexicotop.com

La maestra no se pondra a escribirle faltas de ortografa a las
pginas del libro. El agente de transito no se pondra a producir accidentes
de autos. El bilogo no se pondra a poner plagas en las plantas. Todos
estos hechos no ocurren como resultado de llevar a cabo un experimento,
sino al azar. No es de inters conocer el nmero de no faltas de ortografa,
no es de inters conocer el nmero de no accidentes automovilsticos, as
como tampoco el nmero de no plagas en una planta.

Ahora se tiene que ha mayor nmero de palabras en la pagina el
nmero de faltas de ortografa es mayor. A mayor lapso de tiempo el
nmero de accidentes es mayor, y a mayor tamao del la planta el nmero
de plagas es mayor. O viceversa.

En todos los casos la variable aleatoria es
unidad una en inters de resultado el ocurre que veces de nmero = X .

Los posibles valores que puede tomar la variable son 0,1,2,3,4,, el
cual es un conjunto numerable, as que se trata de una variable aleatoria
discreta.


57
La funcin de densidad est dada por
( ) ( ) ,... 2 , 1 , 0 = = = =

x
x
e
x X P x f
x
!

Definicin 3.4.1 Una variable aleatoria X es una variable aleatoria poisson
si tiene la siguiente funcin de probabilidad
( ) ( ) ,... , ,
!
2 1 0 = = = =

x
x
e
x X P x f
x

Supuestos.
La probabilidad de que ocurra ms de una vez el resultado de inters
en una unidad muy pequea es cero.
El nmero de ocurrencias del resultado de inters es proporcional al
tamao de la unidad.
El nmero de ocurrencias del resultado de inters en cada unidad, es
independiente del nmero de ocurrencias en cualquiera otra unidad.

tiene una distribucin Poisson estn dados por medio de:
( ) = X E y ( ) = X Var .

Ejemplo 3.4.1 Una maquina despachadora de caf, tiene, en promedio, tres
fallas a la semana. Cul es la probabilidad de que la maquina despache
caf sin fallas durante una semana?

chicadelatele.com


58
Se tienen los siguientes componentes del experimento:
semana la en fallas de Nmero = : X
Unidad semana Una
3 =
Evento semana la durante falla hay No

La funcin de probabilidad toma la forma
( ) ( ) ,... , ,
!
2 1 0
3
3
= = = =

x
x
e
x X P x f
x

y para el caso de inters se tiene 0 = X , as
( ) ( ) 05 0
0
3
0 0
3
0 3
.
!
X = = = = =

e
e
P f
Interpretacin. Si durante 100 semanas se contaran el nmero de fallas en
la maquina de caf, se tendra que en 5 de estas semanas no ocurrira
ninguna falla en la maquina.

Ejemplo 3.4.2 Una maquina despachadora de caf, tiene, en promedio, tres
fallas a la semana. Cul es la probabilidad de que la maquina despache
caf sin fallas durante la mitad de la semana? Los componentes del
experimento son los mismos que los del ejemplo 3.4.1 nicamente con la
excepcin que el numero promedio para este caso particular es de 1.5, es
decir, 5 1. = , as la probabilidad de inters es
( ) ( )
( )
22 0
0
5 1
0 0
5 1
0 5 1
.
!
.
X
.
.
= = = = =

e
e
P f
Interpretacin. Si durante 100 medias semanas se contaran el nmero de
fallas en la maquina de caf, se tendra que en 22 de estas medias semanas
no ocurrira ninguna falla en la maquina.


59
Ejercicio 3.4.1 En la Florida, USA, hay en promedio 6 huracanes cada
ocho meses.

fgarcia.diariolibre.com
Cul es la probabilidad de que en los prximos ocho meses se
presenten 5 huracanes?
Cul es la probabilidad de que en los prximos cuatro meses se
presenten 5 huracanes?

Ejercicio 3.4.2 Dar ejemplos por parte de los participantes de variables
aleatorias Poisson.

una variable aleatoria discreta con distribucin Poisson son:


4. Elegir POISSON y aceptar


60
5. Aparece la ventana de la Poisson

6. Calcular la probabilidad de que no falla durante la semana

Resultado


61
III.5 Distribucin Hipergeomtrica

En una bolsa hay 3 bolas blancas y 2 negras, se extraen dos bolas de
la urna, lo cual puede ser con reemplazo o sin reemplazo. Cuando se hace
CON reemplazo se extrae la bola y se regresa a la urna, por lo cual cada
extraccin de bolas sera un evento Bernoulli, con X nmero de bolas
negras extradas, lo cual seria un experimento Binomial. Si el experimento
se hace SIN reemplazo la variable aleatoria ya no se distribuye como una
Binomial, sino que es una distribucin Hipergeomtrica, la cual se basa en
la siguiente definicin

acertijosymascosas.com
Definicin 3.5.1 Una variable aleatoria X es una variable aleatoria
hipergeomtrica si tiene la siguiente funcin de probabilidad

( ) ( ) n 2 1 0
n
N
x n
D N
x
D
,..., , , X =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = x x P x f
Supuestos.
En el experimento hay N elementos, de los cuales D tienen la
caracterstica de inters y el resto, N-D, no la tienen.
El experimento es SIN reemplazo
Se extrae una muestra de tamao n.
La variable aleatoria es el nmero de elementos con la caractersticas
que hay entre los n seleccionados.


62

Nota 3.5.1 El valor esperado y la varianza de una variable aleatoria X la
cual tiene una distribucin Hipergeomtrica estn dados por medio de:
( )
N
D
n = X E y ( ) ( ) |
.
|
\
|
=
1 N
n N
p - 1 np Var X .

Ejemplo 3.5.1 En un laboratorio hay 4 qumicos y 3 bilogos, se forma un
comit de dos personas.

larioja.com

Cul es la probabilidad de que el comit este formado por dos qumicos?
Los datos del experimento son:
comit el en qumicos de Nmero = : X
2 n 4 D 7 N = = = , , .
Evento: qumicos son miembros dos los
de lo anterior se tiene que la funcin de probabilidad toma la forma
( ) ( ) . 2 1 0
2
7
x 2
4 7
x
4
, , X =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = x x P x f
y para el caso de inters se tiene 2 = X , as


63
( ) ( )
29 0
7
2
21
6
1 * 2 * 1 * 2 * 3 * 4 * 5
1 * 2 * 3 * 4 * 5 * 6 * 7
1
1 * 2 * 1 * 2
1 * 2 * 3 * 4
5!2!
7!
1
2!2!
4!
2
7
0
3
2
4
2
7
2 2
4 7
2
4
2 2
.
* *
X
= = =
= =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = P f

Interpretacin. Si hubiera 100 laboratorios cada uno con 4 qumicos y 3
bilogos y se formar en cada laboratorio un comit de dos personas de las
7 disponibles, entonces, en promedio en 29 comits los dos miembros que
forman tal comit seran dos qumicos.

Ejercicio 3.5.1 Un comit de 3 personas se forma de un grupo de 2
abogados y 4 contadores. Encontrar la funcin de probabilidad para el
nmero de abogados en el comit.

abogadosdeempresa.com.mx

Ejercicio 3.5.2 Dar ejemplos por parte de los participantes de variables
aleatorias Hipergeomtrica.


64
una variable aleatoria discreta con distribucin Hipergeomtrica son:


4. Elegir DIST.HIPERGEOM y aceptar

5. Aparece la ventana de la Hipergeomtrica


65
6. Calcular la probabilidad de que en un laboratorio hay 4 qumicos y 3
bilogos, se forma un comit de dos personas.
Cul es la probabilidad de que el comit este formado por dos qumicos?
Los datos del experimento son:
comit el en qumicos de Nmero = : X
2 n 4 D 7 N = = = , , .
Evento: qumicos son miembros dos los

En excel

Resultado


66
UNIDAD IV. Algunas distribuciones continuas

Objetivo: Que el participante conozca, identifique y maneje las variables
aleatorias continuas ms comunes, as como la funcin de densidad de cada
una de stas.

Introduccin

Como se estableci en la Unidad II cuando se tiene una variable
aleatoria continua, informacin acerca de su comportamiento se puede
obtener a partir de su funcin de densidad. Tal funcin de densidad puede
estar dada en forma de una expresin algebraica. En esta unidad se tratan
las principales variables aleatorias de tipo continuo, as como su
correspondiente funcin de densidad.

IV.1. Distribucin Uniforme

IV.1.1 Distribucin Uniforme Discreta

liceorosenthal.edu.co lasescapadas.com

Un alumno del tercer semestre de la licenciatura en Estadstica est
interesado en conocer cual es su promedio que lleva de las 15 asignaturas
que ha cursado hasta ese momento, para lo cual anota las 15 calificaciones


67
obtenidas, las suma, y esta suma la divide entre 15, el nmero total de
asignaturas. Por qu las divide entre 15?

En el ejemplo anterior el rango de la variable aleatoria es discreto,
por lo cual es una variable aleatoria discreta, y le damos la misma
importancia a cada una de las asignaturas, esto lo podemos expresar
diciendo que tratamos en forma uniforme a cada uno de los posibles
valores que puede tomar la variable aleatoria. Lo anterior nos lleva a la
siguiente definicin.

Definicin 4.1.1.1 Una variable aleatoria X se distribuye en forma
uniforme (caso discreto) si su funcin de probabilidad est dada por
( ) { }
n
x x x
n
x f ,..., ,
2 1
valores los de uno es x si
1
=
Notacin. ( ) n UD ~ X .

Nota 4.1.1.1 El valor esperado y la varianza de una variable aleatoria
discreta la cual se distribuye en forma uniforme es
( )
n
E

=
i
x
X y ( )
( ) ( )
n
Var
2

=
x E x
i
X

Ejemplo 4.1.1.1 Un alumno de la especialidad en mtodos estadsticos
presenta el segundo examen de la asignatura de probabilidad bsica. La
escala de calificaciones es del 6 al 9.5 tomando valores de .5 a .5 Cul es
la probabilidad de que obtenga un 7.5 de calificacin?, Cul es la
probabilidad de que obtenga una calificacin entre 7.5 y 9?

Sea X definida como la calificacin obtenida por el alumno en el examen,
entonces ( ) n UD ~ X . Para responder la primera pregunta basta con obtener


68
en primer lugar la funcin de probabilidad de la variable aleatoria, la cual
es en este caso
( ) { } 5 9 9 5 8 8 5 7 7 5 6 6 valores los de uno es x si
8
1
. , , . , , . , , . , = x f
as la probabilidad de que la variable aleatoria tome exactamente el valor
de 7.5 es ( ) ( ) 0.125.
8
1
7.5 7.5 X P = = = = f
Interpretacin: Si se les aplicara el segundo examen a 1000 alumnos,
donde la escala de calificaciones es del 6 al 9.5 tomando valores de .5 a .5,
en promedio 125 de stos obtendran una calificacin de 7.5.

Ahora la probabilidad de que la variable aleatoria tome un valor de entre
7.5 y 9 es obtenida de la siguiente manera
( ) ( ) ( ) ( ) ( )
2
1
8
4
8
1
8
1
8
1
8
1
9 8.5 8 7.5 9 X 7.5 P
= = + + + =
+ + + = s s f f f f

Interpretacin: Si se les aplicara el segundo examen a 1000 alumnos,
donde la escala de calificaciones es del 6 al 9.5 tomando valores de .5 a .5,
en promedio 500 de stos obtendran una calificacin de entre 7.5 y 9.

Calificacin
0
.
1
0
0
.
1
1
0
.
1
2
0
.
1
3
0
.
1
4
0
.
1
5
f
(
x
)

Grafica de la funcin de probabilidad


69

Ejercicio 4.1.1.1 Dar 2 ejemplos de variables aleatorias que tengan
distribucin uniforme discreta.

IV.1.2 Distribucin Uniforme Continua

Un alumno del tercer semestre de la licenciatura en Estadstica est
interesado en conocer cual es la probabilidad de que el profesor de
Matemticas llegue entre los primeros 10 minutos despus de la hora de
entrada, si se sabe que ste puede llegar entre las 10:00 y las 10:20 horas.

En el ejemplo anterior el rango de la variable aleatoria es continuo,
por lo cual es una variable aleatoria continuo, y le damos la misma
importancia a cada una de los minutos, esto lo podemos expresar diciendo
que tratamos en forma uniforme a cada uno de los posibles valores que
puede tomar la variable aleatoria. Lo anterior nos lleva a la siguiente
definicin.

Definicin 4.1.2.1 Una variable aleatoria X se distribuye en forma
uniforme (caso continuo) en el intervalo | | b a, si su funcin de densidad
est dada por
( )
s s
=
caso otro 0
b x a si
1
a b
x f

Notacin. ( ) b a, U ~ X .

Nota 4.1.2.1 El valor esperado y la varianza de una variable aleatoria
continua la cual se distribuye en forma uniforme es


70
( )
2
b a
E
+
= X y ( )
( )
12
a - b
Var
2
= X .

Ejemplo 4.1.2.1 Dos amigas se ponen de acuerdo para tomar un caf y se
quedan de ver entre las cinco y cinco treinta de la tarde, si una de ellas llega
a las cinco en punto

omniyourlife.8m.com

Cul es la probabilidad de que tenga que esperar?
a) a lo mas 10 minutos
b) por lo menos 20 minutos
c) a lo mas 15 minutos
d) entre 10 y 20 minutos.
Sea X definida como la hora en la que la segunda amiga llega al caf,
entonces ( ) b a, U ~ X . Es de gran ayuda hace un dibujo de la situacin


71
En este caso la funcin de densidad est dada por ( )
30
1
0 30
1
=
= x f
Para calcular la probabilidad de que la variable ocurra en un intervalo dado
basta con realizar el producto de la longitud del intervalo por la funcin de
densidad. As tenemos los siguientes resultados
a) A lo mas 10 minutos, se desea encontrar ( ) 10 P < X
( )
3
1
30
1
10 10 P = = < X ,
as la probabilidad de que la primera amiga tenga que esperar a su
compaera a lo mas 10 minutos es
3
1
.
b) Por lo menos 20 minutos, se desea encontrar ( ) 20 P > X
( )
3
1
30
1
10 20 P = = > X
compaera por lo menos 20 minutos es
3
1

c) A lo mas 15 minutos, se desea encontrar ( ) 15 P < X
( )
2
1
30
1
15 15 P = = < X
compaera a lo mas 15 minutos es
2
1

d) Entre 10 y 20 minutos, se desea encontrar ( ) 20 10 P < < X
( )
3
1
30
1
10 20 10 P = = < < X
compaera entre 10 y 20 minutos es
3
1
.

Ejercicio 4.1.2.1 Interpretacin de cada inciso del ejemplo 4.1.2.1.


72
Ejemplo 4.1.2.2 Si un paracaidista cae en un sitio aleatorio de la lnea recta
entre los marcadores A y B.

servicioshf.com
Encuentre la probabilidad de que est ms cerca de A que de B. Calcule la
probabilidad de que la distancia respecto de A sea ms de tres veces la
distancia con respecto a B.

Ejercicio 4.1.2.2 Dar 2 ejemplos de variables aleatorias que tenga
distribucin uniforme contina.

IV.2 Distribucin Normal

Dentro de las distribuciones continuas la ms importante de ellas es
la distribucin normal, ejemplo de variables aleatorias normales son la
estatura de un ser humano, el peso de las tortugas que llegan a la playa de
Veracruz, la cantidad de gramos de azcar que se le pone al caf, etc. El
comportamiento de una variable aleatoria continua que se distribuye en
forma normal est dado en la siguiente forma:


73

Definicin 4.2.1 Una variable aleatoria X que se distribuye en forma
normal tiene la siguiente funcin de densidad
( )
( )
< <
|
|
.
|
\
|

= x
x
x f
2
2
exp
2
1
o

t o

Notacin. ( )
2
, N o ~ X .

Nota 4.2.1 El valor esperado y la varianza de una variable aleatoria
continua la cual se distribuye en forma normal son
( ) = X E y ( )
2
Var o = X

Grafica

De la grafica anterior se observa que
La curva es simtrica con respecto a su media
La grafica tiene forma de campana
El valor de o determina la altura de la curva.

Observacin 4.2.1 Se tienen las siguientes relaciones entre intervalos y
probabilidades


74
El intervalo de o a o + tiene una probabilidad de 0.683.

El intervalo de o 2 a o 2 + tiene una probabilidad de 0.954.

El intervalo de o 3 a o 3 + tiene una probabilidad de 0.997.

Observacin 4.2.2 Cambios de y de o
****Cambios de

****Cambios de o


75
Inconveniente. Cuando se trata de encontrar una probabilidad asociada a
una variable aleatoria normal se debe de integrar la funcin de densidad, lo
cual es complicado.

Afortunadamente existen tablas de probabilidades de la normal, pero
para un tipo particular de parmetros, los cuales son 0 = y 1 = o .

Definicin 4.2.2 Una variable aleatoria Z se denomina variable aleatoria
normal estndar si tiene la siguiente funcin de densidad
( ) ( ) < < = z z z f
2
exp
2
1
t

Notacin. ( ) 1 , 0 N ~ Z .

Ejemplo 4.2.1 Calcular las siguientes probabilidades
( ) 00135 0 3 Z P . = >

( ) ( ) 0.9772 0.0228 1 2 Z P 1 2 Z P = = > = s

( ) .0228. 0 2 Z P = s


76
( ) ( ) 0.4772 0.0228 5 0 2 Z P 5 0 2 Z 0 P = = > = s s . .

( ) ( ) ( ) 9544 0 4772 0 2 2 Z 0 P 2 2 Z 2 - P . . = = s s = s s

( ) 618 0 1.54 Z P . = >

una variable aleatoria continuaa con distribucin Normal Estndar son:


4. Elegir DIST.NORM.ESTAND y aceptar


77
5. Aparece la ventana de la distribucin Normal Estndar

6. Calcular la probabilidad ( ) ( ) 0.9772 0.0228 1 2 Z P 1 2 Z P = = > = s

Resultado

La forma de obtener una variable aleatoria normal estndar a partir
de una variable aleatoria normal es estandarizando, lo cual se logra
realizando la siguiente operacin:
o

=
X
Z


78

Ejemplo 4.2.2 Sea X una variable aleatoria normal con media 12 y
varianza 9 Cul es la probabilidad de que X se encuentre entre 10 y 15?
Se desea obtener ( ) 15 10 P s s X , pero al no ser X una variable aleatoria
normal estndar no se puede ocupar la tabla, por lo cual X se debe
estandarizar lo cual se logra de la siguiente manera
o

=
X
Z
con 12 = y 9
2
= o , de lo anterior se obtiene
67 0
3
2
3
12 10
1
. Z = =
= y 1
3
3
3
12 15
2
= =
= Z
as se tiene ( ) ( ) 1 0.67 - P 15 10 P s s = s s Z X y

( ) ( ) ( )
59 0
3413 0 2487 0
1587 0 5 0 2514 0 5 0 1 0.67 - P
.
. .
. . . . Z
=
+ =
+ = s s

Interpretacin.

Ejemplo 4.2.3 Los resultados del primer examen de probabilidad de la
especializacin en mtodos estadsticos tiene una distribucin normal con
media 7 y desviacin estndar de 0.5 Cul es la probabilidad de que un
alumno obtenga una calificacin de entre 8 y 9?


79
Interpretacin

Ejercicio 4.2.1 Ejemplos por parte de los participantes.

una variable aleatoria continua con distribucin Normal son:


4. Elegir DIST.NOR. y aceptar

5. Aparece la ventana de la distribucin Normal


80
6. Sea X una variable aleatoria normal con media 12 y varianza 9 Cul es
la probabilidad de que X sea menor a 15? Se desea obtener ( ) 15 s X P ,

Resultado

IV.3 Distribucin Beta

En ocasiones la variable de inters en el experimento es una proporcin,
por ejemplo puede ser de inters el porcentaje de alumnos que obtuvieron
calificacin por arriba de 8, o el porcentaje de bichos hembras en una
planta, o el porcentaje de mujeres embarazadas en una comunidad, etc.

La funcin de densidad Beta es una funcin de densidad con dos
parmetros definida en el intervalo cerrado 1 0 s s x . Como tal se utiliza
frecuentemente como un modelo para fracciones.


81

Definicin 4.3.1 Una variable aleatoria X que se distribuye en forma Beta
tiene la siguiente funcin de densidad
( )
( ) ( )
( ) ( )
s s >
I I
+ I
=

caso otro en 0
1 0 0
1
1 1
x
x x
x f
; , | o
| o
| o
| o

donde ( ) ( ) 1 = I o o !

Notacin. ( ) | o, B ~ X .
Nota 4.3.1 El valor esperado y la varianza de una variable aleatoria ( ) | o, B
son
( )
| o
o
+
= X E y ( )
( ) ( ) 1
Var
2
+ + +
=
| o | o
o|
X
Grafica

Ejemplo 4.3.1 El dueo de una lechera suministra leche cada da sbado,
la leche se almacena en un tanque.

noticiasrurales.com.uy


82
Encuentre la probabilidad de que el dueo venda al menos el 70% de la
leche del tanque durante la semana. Se sabe de estudios anteriores que
4 = o y 2 = | .

En este caso la caracterstica de inters es una proporcin por lo cual se
trabajara con la distribucin Beta, con parmetros 4 = o y 2 = | , as la
funcin de densidad toma la forma
( )
( ) ( )
( ) ( )
s s
I I
+ I
=

caso otro en 0
1 0
2 4
1 2 4
1 2 1 4
x
x x
x f .
Desarrollando se tiene
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( )
( )
( ) x x
x x
x x x x
x x
=
=
I I
I
=
=
I I
+ I

1 20
1 1 * 2 * 3
1 1 2 3 4 5
! 1 ! 3
1 ! 5
2 4
1 6
2 4
1 2 4
3
1 3
1 3 1 3
1 2 1 4
*
* * * * *
*

La probabilidad que se desea obtener est dada por
( ) ( )
( )
( ) 47178 0 026411 0 05 0 20
5
16807 0
4
2401 0
5
1
4
1
20
5 4
20
dx 20
dx 1 20 7
1
7
5 4
1
7
4 3
1
7
3
. . .
. .
.
.
.
.
= =
|
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
=
(
(
|
|
.
|
\
|
=
=
= >
}
}
x x
x x
x x X P

As la probabilidad de que se venda al menos el 70% de la leche es 0.47, lo
cual tiene una interpretacin de que.

Ejercicio 4.3.1 Ejemplos de parte de los participantes


83
una variable aleatoria continua con distribucin Beta son:


4. Elegir DISTR.BETA y aceptar

5. Aparece la ventana de la distribucin Normal


84
6. Encuentre la probabilidad de que el dueo venda al menos el 70% de la
leche del tanque durante la semana. Se sabe de estudios anteriores que
4 = o y 2 = | . Encontrar ( ) 7 . > X P

Resultado

( ) ( )
( )
( ) 47178 0 026411 0 05 0 20
5
16807 0
4
2401 0
5
1
4
1
20
5 4
20
dx 20
dx 1 20 7
1
7
5 4
1
7
4 3
1
7
3
. . .
. .
.
.
.
.
= =
|
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
=
(
(
|
|
.
|
\
|
=
=
= >
}
}
x x
x x
x x X P


85
IV.4 Distribucin Exponencial

Una variable aleatoria se dice que tiene una distribucin sesgada
(asimtrica) a la derecha si la mayor parte del rea bajo la curva de la
funcin de densidad se encuentra cerca del origen y la funcin de densidad
disminuye gradualmente cuando el valor de la variable aleatoria aumenta

Algunas distribuciones aleatorias son siempre no negativas y por
varias razones tienen distribuciones de datos que son sesgadas a la derecha.
Por ejemplo, los intervalos de tiempo entre la descomposturas del motor de
un automvil, as como los intervalos de tiempo entre la llegada a una fila a
la caja registradora de un supermercado, tambin los tiempos de espera del
paciente al pasar al dentista, o el tiempo que tarda uno en realizar una tarea.

En la unidad referente a la variable aleatoria poisson se trato el
siguiente ejemplo: Un agente de transito desea conocer el nmero de
accidentes automovilsticos que ocurren en la avenida vila Camacho en
un da. Se defini
unidad una en inters de resultado el ocurre que veces de nmero = X .
Los posibles valores que puede tomar la variable son 0,1,2,3,4,, el cual
es un conjunto numerable, as que se trata de una variable aleatoria
discreta. El jefe del agente de transito tiene la inquietud de conocer qu
tiempo transcurre entre cada accidente en la avenida vila Camacho en un
da. Definiendo
Poisson o experiment el en eventos los de espera de tiempo = Y
se tiene que Y es una variable aleatoria continua.

Las variables X y Y estn relacionadas de la siguiente manera


86

Definicin 4.4.1 Una variable aleatoria X es una variable aleatoria
exponencial si tiene la siguiente funcin de densidad
( )
>
=

caso otro 0
0 x
e
x f
x

Nota 4.4.1 El valor esperado y la varianza de una variable aleatoria
exponencial son ( ) = X E y ( )
2
Var = X

Ejemplo 4.4.1 El tiempo de espera entre dos llegadas de autobuses de
determinada lnea puede asumirse que tiene una distribucin exponencial.

estudiosaustralia.freeblog.co.nz

Se conoce de estudios anteriores que el tiempo promedio de espera entre la
llegada de dos autobuses es de 2 horas. Cul es la probabilidad de que el
tiempo de espera sea a lo menos de 3 horas?


87
Definiendo la variable autobuses de llegadas dos entre espera de tiempo = X . Se
desea encontrar la probabilidad ( ) 3 P > X
( ) ( ) ( )
223 0 1 1 1
1
2
1
1
1 3 P 1 3 P
2
3
2
3
2
0
2
3
3
0
2
3
0
2
3
0
.
X X
= =
|
|
.
|
\
|
+ =
|
|
.
|
\
|
+ =
|
|
|
.
|
\
|
= =
= s = >

}
}
e e e e
e dx e
dx x f
x x

Interpretacin.

Ejemplo 4.4.2 El tiempo entre fallas de focos KEY tiene una distribucin
exponencial con un promedio de falla de 2 das.

smud.org
Cul es la probabilidad de que la falla entre un foco y el siguiente sea
menor a los 4 das?


88
( ) ( )
865 0 135 0 1 1
1
2
1
4 P
2
4
2
4
2
0
2
4
4
0
2
4
0
2
4
0
. .
X
= = =
|
|
.
|
\
|
=
|
|
.
|
\
|
=
= =
= <

}
}
e
e e e
e dx e
dx x f
x x

Interpretacin

Ejercicio 4.4.1 Dar ejemplos de variable aleatoria exponencial por parte de
los participantes.

una variable aleatoria continua con distribucin Exponencial son:


4. Elegir DISTR.EXP y aceptar


89
5. Aparece la ventana de la distribucin Exponencial

6. Definiendo la variable autobuses de llegadas dos entre espera de tiempo = X . Se
desea encontrar la probabilidad ( ) 3 P > X

Resultado

( ) 223 0 3 . X = > P


90
UNIDAD V. Distribuciones Muestrales

Objetivo: Que el participante conozca, y maneje las distribuciones
relacionadas con la media y la varianza muestral.

Introduccin

En la estadstica tanto terica como aplicada se trabaja con la media
y la varianza muestral, al ser stas funciones de la muestra tienen su propia
distribucin, y en base a esta distribucin es que se toman decisiones sobre
la media y la varianza poblacional.

V.1. Muestra aleatoria

Cuando se lleva a cabo un experimento aleatoria para estudiar el
comportamiento de una caracterstica de inters no se toma en cuenta a
toda la poblacin, sino que tomamos una parte de sta. Aunque existen
varias formas para obtener la muestra, la eleccin se lleva a cabo no
violando el concepto de independencia.

Definicin 5.1.1 Una muestra aleatoria de tamao n de una poblacin
( ) X f es una coleccin de n variables aleatorias independientes
n
X ,..., X , X
2 1
,
cada una teniendo la misma distribucin ( ) X f .

Cuando se tiene una muestra aleatoria
n
X ,..., X , X
2 1
a partir de ella se
pueden obtener nuevas variables, sumando, restando, sumando una
constante, etc. Algunas de las nuevas variables ms usadas por su
aplicacin son la media muestral y la varianza muestral, las cuales son tipo
de estadsticas, la cual se define a continuacin


91

Definicin 5.1.2 Dada una muestra aleatoria
n
X ,..., X , X
2 1
, una estadstica
es una funcin de las observaciones muestrales
n
X ,..., X , X
2 1
.

n
X ,..., X , X
2 1
, la media muestral
de la muestra aleatoria se define por
=
=
n
i
i
X
n
X
1
1
.

n
X ,..., X , X
2 1
, la varianza
muestral de la muestra aleatoria se define por
( )
1 - n
2
2

=
X x
S
i

Ejemplo 5.1.1 Los siguientes son datos de pesos de 10 pjaros de Xico.

zaragozaciudad.net
1 2 3 4 5 6 7 8 9 10
800 900 1000 950 850 900 950 800 900 950

Obtener la media y la varianza muestral del peso de los pjaros de Xico.

=
=
n
i
i
X
n
X
1
1
=900 y
( )
1 - n
2
2

=
X x
S
i
=66.67


92
Una estadstica es una nueva variable aleatoria la cual tiene su propio
comportamiento. Al ser una variable aleatoria tal comportamiento se
estudia en trminos de su funcin de distribucin la cual se denomina
distribucin muestral.

V.2. Teorema Central del Lmite

Una de las estadsticas de mayor uso es la media muestral X .
Relacionado a la media muestral existe un resultado el cual es de suma
importancia, ya que relaciona la media muestral de distribuciones distintas
a la normal con la distribucin normal estndar. Los siguientes resultados
estn relacionados con la distribucin de la media muestral.

El Teorema Central del Lmite (TLC) establece lo que pasa cuando
tenemos la suma de un gran nmero de variables aleatorias independientes.
Este teorema dice que si tenemos un gran nmero de variables aleatorias
independientes y todas ellas tienen la misma distribucin (cualquier
distribucin), la suma de ellas se comporta como una distribucin normal.

Por ejemplo; se tiene que la variable "tirar una moneda al aire" se
distribuye como una variable Bernoulli. Si lanzamos la moneda al aire 100
veces (en forma independiente), la suma de estas 100 variables tiene el
comportamiento de una distribucin normal.

Este teorema se aplica tanto a suma de variables discretas como de
variables continuas


93
Ejercicio. Que cada alumno realice el lanzamiento de la moneda 50 veces
por alumno, y sume el nmero de caras (1). Observar el comportamiento
grupal.

Resultado 5.2.1 Si
n
X X X ,..., ,
2 1
son variables aleatorias independientes (de
cualquier distribucin) con ( ) =
i
X E y ( )
2
Var o =
i
X . Sea
=
=
n
i
i
X
n
X
1
1

Entonces ( ) = X E y ( )
n
X
2
Var
o
= .

Resultado 5.2.2 Si
n
X ,..., X , X
2 1
es una muestra aleatoria de tamao n de
una distribucin Normal con media y desviacin estndar o , entonces la
distribucin de X ser normal con media y desviacin estndar n o .

En una muestra aleatoria
n
X ,..., X , X
2 1
, de una poblacin arbitraria con
media y desviacin estndar o , la distribucin de X cuando n es grande
es aproximadamente normal con media y desviacin estndar n o . En
otras palabras,
n
X
o

= Z es aproximadamente ( ) 1 0, N

Nota 5.2.1 El Teorema Central del Lmite involucra n, el tamao de la
muestra, y menciona que el resultado se cumple para n grande. En la
prctica se tiene una buena aproximacin cuando n es mayor o igual a 30.

Ejemplo 5.2.1 La longitud de los eslabones de una cadena de mar tiene una
media 5 = cm., con una desviacin estndar 4 0. = o cm. Las normas de la
naval requieren que la longitud de la cadena se encuentre entre 4.9 y 5


94
metros. Si la cadena se elabora con 100 eslabones Cul es la probabilidad
de que una cadena cumpla con la norma de la naval?

larsvontrier.blogspot.com
Sea
i
X denotando la longitud de un eslabn y L la longitud de la cadena, es
decir, .
=
=
100
1 i
i
X L La probabilidad de inters es ( ) 500 L 490 P s s , la cual se
puede expresar como
( )
( ) . 5 X 4.9 P
100
500
100
L
100
490
P 500 L 490 P
s s =
|
.
|
\
|
s s = s s

Adems
( )
( ) 0 5 2 P
0.04
5 5
n
X
0.04
5 - 4.9
P 5 X 4.9 P
s s =
|
|
.
|
\
|
s
s = s s
Z .

As la probabilidad de que una cadena cumpla con la norma de la naval es
de 0.4938
Interpretacin.


95
Ejemplo 5.2.2 La cantidad de caf por vasito que despacha una maquina de
caf presenta una distribucin normal con 1 = o ml. En un da se
despacharon 25 vasitos de caf y se midi la cantidad de caf en cada
vasito. Determinar la probabilidad de que la media muestral se encuentre a
lo ms a 2 ml. de la media real .

chicadelatele.com

En primer lugar se debe identificar que la probabilidad que se desea
obtener es la del evento 2 s X . En este caso tenemos n=25. Se tiene
que la media muestral X ser normal con media y desviacin estndar
n o . Es decir, ( ) = X E y ( ) n o = X Var . Se desea calcular
( ) ( ) ( )
( ) 1 1 P
2 0
2 0
n
X
2 0
0.2 -
P
2 0 2 0 P 2 0 P
s s =
|
|
.
|
\
|
s
s =
s s = s
Z
X X
.
.
.
. . .

Interpretacin.


96
V.3. Estadstico-variable Ji-Cuadrada

Como se ha visto entre los estadsticos ms importantes se encuentran la
media muestral y la varianza muestral. El teorema central del lmite se
refiere a la distribucin muestral de la media muestral, X . El siguiente
resultado est relacionado con la distribucin muestral de la varianza
muestral.

Resultado 5.3.1 Si
n 2 1
Z ,..., Z , Z es una muestra aleatoria de tamao n de una
distribucin normal estndar, entonces
=
=
n
1 i
2
i
Z Y ,
presenta una distribucin ji-cuadrada con n grados de libertad.

Notacin.
2
n
_

La funcin de densidad de esta variable est dada por medio de
( )
( )
0 si
2
2
2
2
1
2
>
I
=

y
n
e y
y f
n
y
n

Para 2 1 n , = , la grafica de la distribucin
2
n
_ es semejante a una curva
normal, sesgada a la izquierda


97
El valor esperado de una variable aleatoria Y con distribucin
2
n
_ est dado
por ( ) n Y E = y la varianza por ( ) 2n Y Var = .

Ejemplo 5.3.1 Obtener el valor de para las siguientes probabilidades
a) ( ) 05 0 P
2
8
. = > x _
Para encontrar el valor de
2
n
_ para el cual el rea en la cola derecha
de la distribucin ji-cuadrada con 8 grados de libertad sea de 0.05, se
observa en la tabla de la
2
_ el valor que aparece en el rengln de 8
grados de libertad y en la columna de 0.05. En este caso el valor es
de 15.5073, as se tiene que ( ) 05 0 5073 15 P
2
8
. . = > _ .

b) ( ) 05 0 P
2
8
. = < x _
2
n
_ para el cual el rea en la cola izquierda
de la distribucin ji-cuadrada con 8 grados de libertad sea de 0.05, se
observa que ( ) ( ) 05 0 P 1 P
2
8
2
8
. = > = < x x _ _ , as se desea encontrar
( ) 95 0 P
2
8
. = > x _ , para lo cual se observa en la tabla de la
2
_ el valor
que aparece en el rengln de 8 grados de libertad y en la columna de
0.95. En este caso el valor es de 2.73264, as se tiene que
( ) 05 0 73264 2 P
2
8
. . = < _


98

c) ( ) 025 0 P
2
12
. = < x _

una variable aleatoria con distribucin Ji-Cuadrado son:


4. Elegir DISTR.CHI y aceptar


99
5. Aparece la ventana de la distribucin Ji-Cuadrada

6. Obtener la probabilidad ( ) 5073 15
2
8
. s _ P

Resultado

Valores en Excel Los pasos a seguir para obtener los valores de una
variable aleatoria con distribucin Ji-Cuadrado dada la probabilidad son:



100
4. Elegir DISTR.GAMMA.INV y aceptar

5. Aparece la ventana de la distribucin Gamma Inversa

6. Obtener el valor de x tal que ( ) 05 0
2
8
. = < _ x P


101
Resultado

( ) 05 0 73264 2 P
2
8
. . = < _

Resultado 5.3.2 Si
2
S denota la varianza muestral para una muestra
aleatoria de tamao n de una distribucin normal con media y desviacin
estndar o , entonces la variable aleatoria
( )
2
2
1 n
S
o
,
presenta una distribucin ji-cuadrada con (n-1) grados de libertad.

V.4. Distribucin F de Fisher

En ocasiones es necesario verificar si las varianzas poblacionales de dos
muestras aleatorias son similares, los siguientes resultados estn
relacionados con la razn de varianzas muestrales.

Resultado 5.4.1 Si
1
X y
2
X son variables aleatorias independientes las
cuales tienen distribucin
2
n
_ y
2
m
_ respectivamente, entonces
m X
n X
Y
2
1
=
tiene una distribucin F con n y m grados de libertad.

La funcin de densidad de esta variable est dada por medio de


102
( )
( )
> |
.
|
\
|
+ |
.
|
\
|
|
.
|
\
|
I |
.
|
\
|
I
|
.
|
\
| +
I
=
+
caso otro 0
0 x si
m
n
1
m
n
2
m
2
n
2
m n
m n
2
1
1
2
2
x x
x f
n
n

Nota 5.4.1 La distribucin F tiene dos parmetros, n y m, los cuales se
conocen como los grados de libertad del numerador y del denominador
respectivamente.

Nota 5.4.2 La grafica de la funcin de densidad F es semejante a la grafica
de la
2
_ .

Ejemplo 5.4.1 Obtener el valor de f para cual se cumple ( ) 05 0 F P
12 8
.
,
= > f
Para encontrar el valor de f para el cual el rea en la cola derecha de
la distribucin ji-cuadrada con 8 grados de libertad en el numerador
y 12 grados de libertad en el denominador sea de 0.05, se observa en
la tabla de la F el valor que aparece en la columna de 8 grados de
libertad y en el rengln 12 de 0.05. En este caso el valor es de 2.85,
as se tiene que ( ) 05 0 85 2 F P
12 8
. .
,
= >

Resultado 5.4.2
n, , m
1 m, , n
F
1
F =


103
Ejemplo 5.4.2 Obtener el valor de f para el cual se cumple
( ) 95 0 F P
8 12
.
,
= > f .
Se tiene del ejemplo anterior que ( ) 05 0 85 2 F P
12 8
. .
,
= > , es decir,
85 2 F
05 0 12 8
.
. , ,
= , as se tiene que 35 0
2.85
1
F
1
F
0.05 12, 8,
0.95 12,8,
. = = = lo cual
implica que ( ) 95 0 35 0 F P
8 12
. .
,
= > .

una variable aleatoria con distribucin F son:


4. Elegir DISTR.F y aceptar

5. Aparece la ventana de la distribucin F


104
6. Obtener la probabilidad ( ) 35 0
8 12
.
,
> F P

Resultado

( ) 95 0 35 0 F P
8 12
. .
,
= >

Valores en Excel Los pasos a seguir para obtener los valores de la variable
aleatoria con distribucin F dada la probabilidad son:


4. Elegir DISTR.F.INV y aceptar


105
5. Aparece la ventana de la distribucin F Inversa

6. Obtener el valor de f tal que ( ) 05 0 F P
12 8
.
,
= > f

Resultado

( ) 05 0 85 2 F P
12 8
. .
,
= >

Resultado 5.4.3 Si
2
1
S y
2
2
S denotan las varianzas muestrales para dos
muestras aleatorias de tamao n y m tomadas de dos distribuciones
normales con varianzas
2
1
o y
2
2
o respectivamente, entonces la variable
aleatoria


106
2
2
2
1
2
1
2
2
2
2
2
2
2
1
2
1
Y
S
S
S
S
o
o
o
o
= = ,
tiene una distribucin F con (n-1) y (m-1) grados de libertad.

El resultado 5.4.3 est relacionado con la razn de varianzas muestrales de
muestras aleatorias de poblaciones normales cada una con su propia
varianza poblacional.

Ejemplo 5.4.3 Si
2
1
S y
2
2
S denotan las varianzas muestrales para dos
muestras aleatorias de tamao 6 y 10 respectivamente tomadas de dos
distribuciones normales con la misma varianza poblacional
2
o , cual es el
valor de b para el cual se cumple que
95 0
2
2
2
1
. b =
|
|
.
|
\
|
s
S
S
P ,

Como se puede observar este es un problema de la razn de dos varianzas
muestrales de dos poblaciones normales, por lo cual se puede hacer uso de
que la razn
2
2
2
2
2
1
2
1
o
o
S
S
tiene una distribucin F con 5 y 9 grados de libertad.
Se tiene que observar que al tener las dos poblaciones la misma varianza
poblacional, la razn
2
2
2
2
2
1
2
1
o
o
S
S
ser igual a
2
2
2
1
S
S
la cual es la razn de inters.
Adems se tiene que
|
|
.
|
\
|
> =
|
|
.
|
\
|
s = b b .
2
2
2
1
2
2
2
1
1 95 0
S
S
P
S
S
P .
As el valor b de inters cumple
05 0
2
2
2
1
. b =
|
|
.
|
\
|
>
S
S
P ,
el cual es 3.48.


107
V.5 Distribucin t de Student

En la mayora de las ocasiones la varianza poblacional es
desconocida y algunos de los resultados anteriores no se pueden utilizar,
afortunadamente est la distribucin t de Student.

Una distribucin la cual tiene un gran uso en la inferencia estadstica
es la distribucin t de Student la cual se define a continuacin.

Definicin 5.5.1 La funcin de densidad de la variable aleatoria t de
Student est dada por medio de
( )
( )
( )
< <
|
|
.
|
\
|
+
I |
.
|
\
|
I
|
.
|
\
| +
I
=
+
caso otro 0
x - si
n
x
1
n
2
n
2
1 n
1 n
2
1
2
t
x f

Las graficas son simtricas.

Nota 5.5.1 El valor esperado y la varianza de una variable aleatoria t de
Student est dada por medio de
( ) 0 E = X y ( )
2 - n
Var
n
= X .


108
Sea una muestra aleatoria
n
X ,..., X , X
2 1
de una distribucin normal con
media y varianza
2
o , se tiene que
n
X
Z

= es aproximadamente ( ) 1 0, N .
En la mayora de los casos la varianza
2
o , es desconocida, en tales
situaciones una estimacin de
2
o es necesaria. Si la varianza muestral
2
S
es usada en vez de
2
o , entonces
n S
X
se distribuye como una variable t de
Student con (n-1) grados de libertad.

Definicin 5.5.2 Si Z denota una variable aleatoria normal estndar y X
denota una variable aleatoria
2
n
_ , la cual es independiente de Z, entonces la
variable aleatoria
n X
Z
Y = ,
tiene una distribucin t de Student con n grados de libertad.

Notacin.
n
t

Ejemplo 5.5.1 Obtener el valor de
o
t para el cual se cumple
( ) 05 0 t P
05 0 12
.
.
= > t
o
t para el cual el rea en la cola derecha de la
distribucin t de Student con 12 grados de libertad sea de 0.05, se observa
en la tabla de la t el valor que aparece en la columna de 0.05 y en el rengln
12. En este caso el valor es de 1.782, as se tiene que ( ) 05 0 782 1 t P
12
. . = > .
As se tiene que la probabilidad de que una variable aleatoria t con 12
grados de libertad sea a lo menos en valor igual a 1.782 es 0.05

Ejercicio 5.5.1 Obtener el valor de
o
t el cual cumple ( ) 1 0 t P
1 0 5
.
.
= < t


109
una variable aleatoria con distribucin t son:


4. Elegir DISTR.T y aceptar

5. Aparece la ventana de la distribucin T

6. Obtener la probabilidad ( ) 782 1. >
12
t P


110
Resultado

( ) 05 0 782 1 . . = >
12
t P

Valores en Excel Los pasos a seguir para obtener los valores de la variable
aleatoria con distribucin T dada la probabilidad son:


4. Elegir DISTR.T.INV y aceptar

5. Aparece la ventana de la distribucin T Inversa


111
6. Obtener el valor de t tal que ( ) 05 0 t P
05 0 12
.
.
= > t

Resultado

( ) 05 0 782 1 t P
12
. . = >


112

Referencias

lvarez, C. R. (2007), Estadstica aplicada a las ciencias de la salud. Daz
de Santos. Madrid.

Anderson, D. R. (2008). Estadstica para administracin y economa.
Thomson. Mxico.

Box, G. E. P. (2008). Estadstica para investigadores: diseo, innovacin y
descubrimiento. Revert. Barcelona.

DeGroot, Morris H., 1931-(2002). Probability and statistics. Addison-
Wesley. Boston

Devore, J. L. (2008), Probabilidad y estadstica para ingeniera y ciencias.
Cengage Learning. Mxico, D.F.

Etxeberra, M. J. (2005), Anlisis descriptivo de datos de educacin.
Editorial La Muralla. Madrid.

Hernndez S. A. A. (2005). Manual del paquete estadstico S-PLUS en la
aplicacin de algunas distribuciones discretas de probabilidad. Trabajo
Prctico-Educativo (Licenciatura en Estadstica) Universidad Veracruzana.
Mxico.

Ritchey, F. J. (2008). Estadstica para las ciencias sociales. McGraw-Hill.
Mxico.


113

Sahagn C. J. (2007). Estadstica descriptiva y probabilidad: una
perspectiva biolgica. Universidad Autnoma Chapingo. Mxico.

Schay, G. (2007). Introduction to probability with statistical applications.
Birkhuser. Boston.

Spiegel, M. R., ed. (2010), Probabilidad y estadstica. McGraw-Hill.
Mxico.

Tejedor, F. J. (2006), Anlisis inferencial de datos en educacin. Editorial
La Muralla. Madrid.

Walpole, R. E. (2007). Probabilidad y estadstica para ingeniera y ciencias.
Pearson Educacin. Mxico.

A en Excel

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

A en Excel

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD VERACRUZANA

FACULTAD DE ESTADSTICA E INFORMTICA

x x f . Para este caso en particular.

También podría gustarte