Professional Documents
Culture Documents
FACULTAD DE INGENIERIA
INGENIERIA ELECTROMECANICA
MEC 122
PROBABILIDAD Y ESTADISTICA
PRACTICA
MEC 122
PROBABILIDAD Y ESTADISTICA
ESTUDIANTES:
INTRODUCCION
DEFINICION.-
Clasificación.-
Estadística Descriptiva
Estadística Inferencial
Estadística Descriptiva.-
Estadística Inferencial.-
Busca generalizar los resultados de la muestra llamados estadígrafos hacia la población donde
son llamados parámetros asociándolos a un proceso de verificación con un margen de
probabilidad.
Población.-
Es el conjunto universo que contiene todas las características del objeto de estudio.
Muestra.-
Variable.-
Clasificación:
Por su valor.-
Variable Discreta, cuando adquiere un valor fijo dentro de un intervalo.
Ejemplo: La cantidad de mujeres en electromecánica.
Variable Continúa, es aquella que adquiere infinitos valores dentro de un intervalo.
Ejemplo: Presión, Estatura, Peso.
Por su imagen.-
Variable Cualitativa, cuando el objeto de estudio es una cualidad.
Ejemplo: Sabor
Variable Cuantitativa, cuando se puede medir mediante una cantidad.
Ejemplo: Tensión
Dato u observación.-
Es el valor numérico del variable objeto de estudio, para obtener los datos, existen 3 formas:
Parámetro.-
Es el valor que representa a la población del objeto o variable de estudi o.
Estadígrafo.-
𝐸𝑠𝑡𝑎𝑑𝑖𝑔𝑟𝑎𝑓𝑜 → 𝑃𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜
Frecuencia Absoluta.-
Simbolizada por "𝐹𝑖 " se defina como la sumatoria de todas las frecuencia absolutas menores e
iguales al i-esimo.
𝐹𝑖 = 𝑓1 + 𝑓2 + 𝑓3 + ⋯ + 𝑓𝑖
Frecuencia Relativa.-
Simbolizada por "ℎ 𝑖" es la razón de la frecuencia absoluta a la cantidad total de observaciones
“n”.
𝑓𝑖
ℎ𝑖 =
𝑛
Frecuencia Relativa Acumulada.-
Simbolizada por "𝐻𝑖 " es la sumatoria de todas las frecuencias relativas menores e igual e s al i -
esimo nivel.
𝐻𝑖 = ℎ1 + ℎ 2 + ℎ 3 + ⋯ + ℎ 𝑖
Frecuencia Relativa Porcentual.-
ℎ 𝑖 ∗ 100%
Frecuencia Relativa Porcentual Acumulada.-
𝐻𝑖 ∗ 100%
Los datos se organizan ordenándolos ascendentemente y registrando sus frecuencias.
Cuando “n”< 60, los no se agrupan en intervalos y solo se registran en frecuencias, a ello se
denomina datos no agrupados.
Tabla de Frecuencias.-
𝑯𝒊
𝒇𝒊
∗ 𝟏𝟎𝟎%
Datos 𝒙𝒊 𝒇𝒊 𝑭𝒊 𝒉𝒊 𝑯𝒊 ∗ 𝟏𝟎𝟎%
𝒙𝟏
𝒙𝟐
𝒙𝟑
.
.
.
𝒙𝒊
Si 𝑛 ≥ 60 , los datos deben agruparse previamente en intervalos, llamados intervalos de clase.
Tipos de intervalos.-
Cantidad de Intervalos.-
1º CRITERIO:
𝐸𝑋𝐶𝐸𝑆𝑂
𝑍𝑜 < √𝑛 < 𝑍1 → 𝐾 = 𝑍1
𝐾 = √𝑛 → {
𝐷𝐸𝐹𝐸𝐶𝑇𝑂
→ 𝐾 = 𝑍𝑜
2º CRITERIO:
𝐾 = 1 + 3,22 ∗ log 𝑛
RANGO.-
Si es constante:
𝑅𝑎𝑛𝑔𝑜
𝐶= 𝐸𝑥𝑐𝑒𝑠𝑜 𝑜 𝑝𝑜𝑟 𝐷𝑒𝑓𝑒𝑐𝑡𝑜
𝐾
Además
𝐶 = 𝐿. 𝑠𝑢𝑝 − 𝐿. 𝑖𝑛𝑓
Si los intervalos son de amplitud variable el tamaño de cada uno de ellos está el criterio del
investigador.
Marca de clase.-
Tabla de frecuencias.-
Intervalos Marca
de clase
𝑳𝒊 + 𝑳𝒊+𝟏 𝒇𝒊 𝑭𝒊 𝒉𝒊 𝑯𝒊 𝐡𝐢 ∗ 𝟏𝟎𝟎% 𝐇𝐢 ∗ 𝟏𝟎𝟎%
𝑿𝒊
Representaciones Graficas.-
Diagramas de barras.-
Valor
Tiempo
Valor
P
P L
P L P
L P
P
Tiempo
Diagramas de Sectores.-
𝑛 → 360º 𝑓𝑖
𝛼 = 360 ∗
𝑛
𝑓𝑖 → 𝛼º
𝛼 = 360 ∗ ℎ 𝑖
Histogramas de frecuencias.-
𝒇𝒊 ∗ 𝒉𝒊
Variable
𝑭 𝒊 ∗ 𝑯𝒊
Variable
𝒇𝒊 𝑭𝒊 𝑭∗𝒊
f1 f1 f k + f k−1 + ⋯ + f1
f2 f1 + f 2
f3 f1 + f 2 + f 3
. . f k + f k−1
. .
. . fk
𝑭∗𝒊 o 𝑯∗𝒊
𝒇𝒊 𝒐 𝒉𝒊
Variable
𝑭𝒊
Variable
𝑯∗𝒊
Variable
Diagrama de tallos y Hojas.-
Ejemplo:
23,25,28,29,33,37,40,125,128,134,78,73,57,69
Tallo Hojas
2 3,5,8,9
3 3,7
4 0
12 5,8
13 4
5 7
6 9
7 3,8
Propiedades.-
1) ∑𝑘𝑖=1 𝑓𝑖 = 𝑛
2) ∑𝑘𝑖=1 ℎ 𝑖 = 1
3) ∑𝑘𝑖=1 ℎ 𝑖 ∗ 100% = 100%
4) 𝐹𝑘 = 𝑛
5) 𝐻𝑘 = 1
6) 𝐻𝑘 % = 100%
Donde K = Cantidad de intervalos
Ejemplo:
En una prueba de elasticidad de 40 láminas formadas por dos con un adhesivo se obtuvieron los
siguientes valores de subconstante elástico en mega Newton por metro los cuales se re pre se nta
en la siguiente tabla. Elástica
SOLUCION:
Tallo Hojas
6,6 6,6,4,8,7,6,6,2,2,9
6,7 2,5,2,6,4,7,6,0,6,8,0,6,8,8,6,0,3,0,6,2,2,2,5,8
6,8 1,2,0,1,0
a)
𝑅𝑎𝑛𝑔𝑜 = 6,82 − 6,62 = 0,20
𝐸𝑋𝐶𝐸𝑆𝑂
𝐾=7
𝐾 = √𝑛 → √40 = 6,3245 { K=6
𝐷𝐸𝐹𝐸𝐶𝑇𝑂
𝐾=7
𝑅𝑎𝑛𝑔𝑜 0,20
𝐶= = = 0,33333333 … … → 𝐶 = 0,04
𝐾 6
Intervalos Marca
de clase
𝑳𝒊 + 𝑳𝒊+𝟏 𝒇𝒊 𝑭𝒊 𝒉𝒊 𝑯𝒊 𝐡𝐢 ∗ 𝟏𝟎𝟎% 𝐇𝐢 ∗ 𝟏𝟎𝟎%
𝑿𝒊
6,62-6,66 6,64 3 3 0,075 0,075 7,5 7,5
40 1
b)
30
7
6,70 − 6,69
∗ 7 + 30 = 31,75 → 𝑹𝒑𝒕𝒂. 𝟑𝟏
6,70 − 6,66
c)
6,80
6,65 6,66 6,69 6,70 6,74 6,78 6,82 6,86
6,62
22,5%
6,66 − 6,65 6,80 − 6,78
∗ 7,5% + 17,5% + 50% + ∗ 22,5
6,66 − 6,62 6,82 − 6,78
Rpta. El 80,63% tiene K entre 6,65 y 6,68.
25%
𝜎 = 6,78(𝑀𝑁/𝑚)
22,5% 2,5%
e)
𝜎 → % > → 35%
25%
35-25 = 10%
𝝈
6,78 − 𝛔
∗ 25% = 10% → 𝑹𝒑𝒕𝒂. 𝛔 = 𝟔, 𝟕𝟔𝟒 (𝑀𝑁/𝑚)
6,78 − 6,74
Ejemplo:
Puntaje Marca de
clase
𝑳𝒊 + 𝑳𝒊+𝟏 𝒇𝒊 𝑭𝒊 𝒉𝒊 𝑯𝒊
𝑿𝒊
20 - 40 3
40 – 50 10
50 - 60 30 20
60 – 80 30
80 - 96 39
Solución:
a) Como:
𝒇𝟑 30 3
𝒉𝟑 = = =
𝑛 90 9
𝑘
∑ ℎ𝑖 = 1
𝑖=1
ℎ1 + ℎ 2 + ℎ 3 + ℎ 4 + ℎ 5 = 1
3
ℎ1 + ℎ 2 + + ℎ1 + ℎ 2 = 1
9
2
ℎ2 =
9
2
ℎ4 =
9
1
ℎ1 =
9
1
ℎ5 =
9
Puntaje Marca de
clase
𝑳𝒊 + 𝑳𝒊+𝟏 𝒇𝒊 𝑭𝒊 𝒉𝒊 𝑯𝒊
𝑿𝒊
20 - 40 30 10 10 1/9 1/9
40 – 50 45 20 30 2/9 3/9
50 - 60 55 30 60 3/9 6/9
60 – 80 70 20 80 2/9 8/9
80 - 96 88 10 90 1/9 1
b) Aprobaron:
51 + 30
60 80 96
50
30
31,75
60 − 51
∗ 30 + 30 = 57 → 𝑹𝒑𝒕𝒂. 𝟓𝟕 𝒑𝒆𝒓𝒔𝒐𝒏𝒂𝒔
60 − 50
100
c) Porcentaje ≥ 80 = %
9
𝒇𝒊
Variable
Medidas de tendencia Central.-
Son también denominados estadígrafos de posición centrales, son aquellos valores que
representan el promedio de las observaciones.
Media Aritmética
Mediana
Moda
Media Aritmética.-
∑𝑘𝑖=1 𝑓𝑖 𝑥𝑖
𝑥̅ = 𝑑𝑜𝑛𝑑𝑒: 𝑓1 = 𝑖 − 𝑒𝑠𝑖𝑚𝑜 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑎
𝑛
𝑥𝑖 = 𝑖 − 𝑒𝑠𝑖𝑚𝑜 ;
𝑥̅ = ∑ ℎ 𝑖 𝑥𝑖 𝑘 = 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜𝑠
𝑖=1
Ventajas y desventajas.-
1) Es de fácil calculo
2) Toma en cuenta todas las observaciones
3) Es el valor promedio mas utilizado
4) Es manipulable algebraicamente.
5) Es sensible a valores extremos
Por ejemplo:
a) 30 , 35, 40, 45, 46
30 + 35 + 40 + 45 + 46
𝑥̅ = → 𝑥̅ = 39,2
5
b) 10, 35, 40 , 45,46
10 + 35 + 40 + 45 + 46
𝑥̅ = → 𝑥̅ = 35,2
5
Ejemplo:
𝑳𝒊 + 𝑳𝒊+𝟏 𝑿𝒊 𝒇𝒊 𝑭𝒊 𝒇𝒊 ∗ 𝒉𝒊
10 300
18 400
23 350
17
4 440
120 50
Total
SOLUCION:
𝑳𝒊 + 𝑳𝒊+𝟏 𝑿𝒊 𝒇𝒊 𝑭𝒊 𝒇𝒊 ∗ 𝒉𝒊
20 - 40 30 10 10 300
40 – 60 50 8 18 400
60 - 80 70 5 23 350
80 – 100 90 17 40 1530
Total 50 3800
𝐿. 𝑠𝑢𝑝5 = 𝐿. 𝑖𝑛𝑓5 + 𝐶 → 𝐿. 𝑖𝑛𝑓5 = 𝐿. 𝑠𝑢𝑝5 − 𝐶 → 𝐿. 𝑖𝑛𝑓5 = 120 − 20 = 100
∑𝑘𝑖=1 𝑓𝑖 𝑥 𝑖 3800
𝑥̅ = = →𝒙
̅ = 𝟕𝟔
𝑛 50
Media Aritmética Ponderada.-
Simbolizada 𝒙
̅ 𝒑se define como el promedio ponderado de las media aritméticas 𝒙
̅ 𝒊de varias
muestras 𝒏𝒊sobre el mismo objetivo de estudio.
Generalmente se las pondera con el factor 𝒏𝒊del tamaño de la muestra y en otras ocasiones se
suelen utilizar factores de importancia 𝒘𝒊cuando las muestras tienen el mismo tamaño.
𝑥̅1 𝑛1 + 𝑥̅2 𝑛2 + ⋯ … . +𝑥̅ 𝑘 𝑛𝑘
̅𝒑 =
𝒙
𝑛1 + 𝑛2 + 𝑛3 + ⋯ … . +𝑛𝑘
𝑥̅1 𝑤1 + 𝑥̅2 𝑤2 + ⋯ … . +𝑥̅ 𝑘 𝑤𝑘
̅𝒑 =
𝒙
𝑤1 + 𝑤2 + 𝑤3 + ⋯ … . +𝑤𝑘
Ejemplo:
DEPARTAMENTO “A”
SOLUCION:
a)
𝑥̅𝐴 𝑛𝐴 + 𝑥̅𝐵 𝑛𝐵
̅𝒑 =
𝒙
𝑛𝐴 + 𝑛𝐵
19130000 19095000
̅𝑨 =
𝒙 ̅𝑩 =
𝒙
165000 129000
̅ 𝑨 = 115,94(𝑀𝑖𝑙𝑒𝑠 𝑑𝑒 𝐵𝑠. )
𝒙 ̅ 𝑩 = 148,02(𝑚𝑖𝑙𝑒𝑠 𝑑𝑒 𝐵𝑠)
𝒙
115,94 (165000) + 148,02(129000)
̅𝒑 =
𝒙
165000 + 129000
̅ 𝒑 = 𝟏𝟑𝟎, 𝟎𝟏 (𝒎𝒊𝒍𝒆𝒔 𝒅𝒆 𝑩𝒔. )
𝒙
18,2% 48,5%
80 100 𝛼 120
𝛼 − 100
∗ 48,5% = 21,8% → 𝑹𝒑𝒕𝒂. 𝛂 = 𝟏𝟎𝟖,𝟗𝟗
20
𝑿𝒊 𝒉𝒊
80 - 100 90 0,182
DEPARTAMENTO “B”
𝛽
60 90 120 150
23,2% 16,8%
𝛽 − 120
∗ 38,7 = 16,8 → 𝑹𝒑𝒕𝒂. 𝛃 = 𝟏𝟑𝟑, 𝟎𝟐(𝒎𝒊𝒍𝒆𝒔 𝒅𝒆 𝑩𝒔. )
30
𝑿𝒊 𝒉𝒊
60 - 90 75 0,077
𝑥1 , 𝑥 2 ,𝑥 3 , … … . 𝑥 𝑛
Entonces:
i. Si se suma a cada variable una constante “b” la media aritmética queda afectada en esa
misma cantidad.
𝑥1 + 𝑏, 𝑥 2 + 𝑏, 𝑥 3 + 𝑏, … … . 𝑥 𝑖 + 𝑏, … …
𝑦1 = 𝑥 2 + 𝑏
𝐲̅ = 𝐱̅ + 𝐛
ii. Si se multiplica a cada observación por una constante “a” la media aritmética queda
afectada en esa misma cantidad.
𝑎𝑥1 , 𝑎𝑥 2 ,𝑎𝑥 3 ,… … . 𝑎𝑥 𝑖, … …
𝑦1 = 𝑎𝑥 𝑖
𝐲̅ = 𝐚 ∗ 𝐱̅
iii.
𝑦𝑖 = 𝑎𝑥 𝑖 + 𝑏
𝐲̅ = 𝐚𝐱̅ + 𝐛
iv.
𝑘
∑ 𝑓𝑖 (𝑥𝑖 − 𝑥̅) = 0
𝑖=1
Ejemplo:
Los salarios de una empresa son el promedio 500dolares, con posterioridad se incorporan a la
empresa un grupo de obreros igual a 25% de los que estaban anteriormente.
El nuevo grupo ingresa a la empresa con un salario medio igual a 60% de los antiguos. Dos me se s
tarde, la empresa concede un aumento de salario de 30 dol ares se pide:
SOLUCIÓN:
Trabajadores Promedio Salarial
n 𝑥̅ = 500 $
25%*n 60%*𝑥̅
Aumento de 30$
a)
n 𝑥̅ = 500 $
Después de 2meses:
n 500 + 30 = 530
n/4 300+30=330
𝑛(530) + 𝑛/4(330)
̅𝒑 =
𝒙 → 𝐱̅ 𝐩 = 𝟒𝟗𝟎$
𝑛 + 𝑛/4
b) 20% salario
20 1
𝑠𝑎𝑙𝑎𝑟𝑖𝑜 = 𝑎𝑢𝑚𝑒𝑛𝑡𝑜 = 𝑠𝑎𝑙𝑑𝑜 = 𝑎𝑢𝑚𝑒𝑛𝑡𝑜
100 5
1
𝑖𝑛𝑔𝑟𝑒𝑠𝑜 = 𝑠𝑎𝑙𝑎𝑟𝑖𝑜 + 𝑠𝑎𝑙𝑑𝑜
5
6
𝑖𝑛𝑔𝑟𝑒𝑠𝑜 = 𝑠𝑎𝑙𝑎𝑟𝑖𝑜
5
6
𝑦1 = 𝑥 𝑖
5
6
𝐲̅ = ∗ 𝐱̅
5
Entonces:
n 6
∗ 500 = 600$
5
n/4 6
∗ 300 = 360$
5
𝑛(600) + 𝑛/4(360)
̅𝒑 =
𝒙 → 𝐱̅ 𝐩 = 𝟓𝟓𝟐$
𝑛 + 𝑛/4
Mediana.-
Simbolizada por 𝑥̃ se define como aquel valor que divide en dos partes iguales la cantidad total de
observaciones previamente ordenadas.
Si “n ”es impar:
𝑥1 , 𝑥 2 ,𝑥 3 , … … . 𝑥 𝑛
𝑥̃ = 𝑥𝑛+1
2
Si “n ”es par:
𝑥 𝑛 + 𝑥 𝑛+1
2 2
𝑥̃ =
2
Por Ejemplo:
Hallar la mediana de: 3, 5, 7, 9, 11, 16, 20,25
Solución
𝒏=𝟗 ̃𝒙 = 𝒙𝟗+𝟏 = 𝒙𝟓 → 𝒙
̃ = 𝟏𝟏
𝟐
Donde:
1) Es de fácil calculo
2) No es sensible a valores extremos
3) No toma en cuenta a todas las observaciones
4) No es manipulable algebraicamente
Ejemplo:
SOLUCION:
𝑳𝒊 + 𝑳𝒊+𝟏 𝑿𝒊 𝒇𝒊 𝑭𝒊
-12 – -6 -9 5 8
-6 – 0 -3 10 18
0 – 6 3 1 19
6 – 12 9 3 22
12 – 18 15 2 24
Total 24
𝐜=𝟔
Mediana
𝑛
+ 𝐹𝑘−1
𝑥̃ = 𝐿. 𝑖𝑛𝑓 + 2 ∗𝑐
𝐹𝑘 + 𝐹𝑘−1
𝒏 𝟐𝟒
= = 𝟏𝟐
𝟐 𝟐
12 − 8
𝑥̃ = −6 + ∗6
18 − 8
𝐱̃ = −𝟑, 𝟔(º𝐂)
Moda.-
Simbolizada por 𝑀𝑜𝑑(𝑥) se define como el valor o dato que se repite mas veces.
𝒇 𝑴𝒐
𝒇𝟐
𝒇𝟏
𝒇𝒊 𝒐 𝒉𝒊
𝑴𝒐𝒅(𝒙) Variable
𝒇 𝑴𝒐 = 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑚𝑜𝑑𝑎𝑙
𝒇𝟏 = 𝒇𝒓𝒆𝒄𝒖𝒆𝒏𝒄𝒊𝒂 𝒂𝒏𝒕𝒆𝒓𝒊𝒐𝒓 𝒂 𝒍𝒂 𝒎𝒐𝒅𝒂𝒍
𝒇𝟐 = 𝒇𝒓𝒆𝒄𝒖𝒆𝒏𝒄𝒊𝒂 𝒑𝒐𝒔𝒕𝒆𝒓𝒊𝒐𝒓 𝒂 𝒍𝒂 𝒎𝒐𝒅𝒂𝒍
∆1
𝑀𝑜𝑑(𝑥) = 𝐿. 𝑖𝑛𝑓 + ∗𝐶
∆2 + ∆1
Donde:
∆ 1 = 𝒇 𝑴𝒐 − 𝒇𝟏 ∆ 2 = 𝒇 𝑴𝒐 − 𝒇𝟐
En términos de frecuencias relativas
∆ 1 = 𝒉 𝑴𝒐 − 𝒉𝟏 ∆ 2 = 𝒉 𝑴𝒐 − 𝒉𝟐
Entonces:
Ventajas y desventajas.-
Es de fácil calculo
No es sensible a datos externos
No es manipulable algebraicamente
Pueden existir más de un intervalo con la misma frecuencia máxima.
3 (𝑥̅ − 𝑥̃ ) = 𝑥̅ − 𝑀𝑜𝑑(𝑋)
Medidas centrales secundarias.-
Estas son:
Media geométrica
Media Armonica
Media Cuadrática
̅ 𝑮 = 𝑛√x1 ∗ x2 ∗ x3 ∗ … … … … xk
𝒙 𝐷𝐴𝑇𝑂𝑆 𝑁𝑂 𝐴𝐺𝑅𝑈𝑃𝐴𝐷𝑂𝑆
̅ 𝑮 = x1 ℎ1 ∗ x2 ℎ2 ∗ x3 ℎ3 ∗ … … … … xk ℎ𝑘
𝒙
b) Media Armónica: se define como:
DATOS NO AGRIPADOS
1
𝑥̅ 𝐻 = 1
∑𝑛𝑖=1
𝑥𝑖
DATOS AGRUPADOS
𝑛 1
𝑥̅ 𝐻 = 𝑜 𝑥̅ 𝐻 =
𝑓 ℎ𝑖
∑𝑘𝑖=1 𝑖 ∑𝑘𝑖=1
𝑥𝑖 𝑥𝑖
c) Media Cuadrática: se define como:
DATOS NO AGRUPADOS.
𝑛𝑥 2 + 𝑥 22 + 𝑥3 2 + ⋯ … 𝑥𝑛 2
𝑥𝑐 = √ 1
𝑛
DATOS AGRUPADOS
𝑘
𝑛 𝑓𝑖 ∗ 𝑥 𝑖2
𝑥𝑐 = √∑
𝑛
𝑖=1
𝒌
𝒏
𝒙𝒄 = √ ∑𝒉𝒊 ∗ 𝒙𝒊 𝟐
𝒊=𝟏
Ejemplo:
SOLUCION:
a)
𝑳𝒊 + 𝑳𝒊+𝟏 𝑿𝒊 𝒇𝒊 𝑭𝒊 𝒉𝒊 𝑯𝒊 𝒇𝒊 ∗ 𝒉𝒊
b)
∑ 𝒇𝒊 ∗ 𝒙𝒊 2750
𝑥̃ = = → 𝐱̃ = 𝟐𝟓
𝑛 110
55 − 50
𝑥̃ = 22,5 + ∗ 5 → 𝐱̃ = 𝟐𝟓
60 − 50
∆1
𝑀𝑜𝑑(𝑥) = 𝐿. 𝑖𝑛𝑓 + ∗𝐶
∆2 + ∆1
∆ 1 = 𝒇 𝑴𝒐 − 𝒇𝟏 ∆ 2 = 𝒇 𝑴𝒐 − 𝒇𝟐
∆ 1 = 𝒇 𝑴𝒐 − 𝒇𝟏 = 𝟑𝟎 − 𝟐𝟎 = 𝟏𝟎 ∆ 2 = 𝒇 𝑴𝒐 − 𝒇𝟐 = 𝟑𝟎 − 𝟏𝟎 = 𝟐𝟎
10
𝑀𝑜𝑑1 (𝑥) = 17,5 + ∗ 5 = 19,17
10 + 20
∆ 1 = 𝒇 𝑴𝒐 − 𝒇𝟏 = 𝟑𝟎 − 𝟏𝟎 = 𝟐𝟎 ∆ 2 = 𝒇 𝑴𝒐 − 𝒇𝟐 = 𝟑𝟎 − 𝟐𝟎 = 𝟏𝟎
20
𝑀𝑜𝑑2 (𝑥) = 27,5 + ∗ 5 = 30,83
10 + 20
c)
𝑛
𝑥̅𝐻 = = 22,89
𝑓𝑖
∑𝑘𝑖=1
𝑥𝑖
d)
𝑘
𝑛 𝑓𝑖 ∗ 𝑥𝑖 2
𝑥𝑐 = √∑ = 25,98
𝑛
𝑖=1
Medidas de agrupación.-
𝑛 1
− 𝐹𝑘−1 − 𝐻𝑘−1
𝑄1 = 𝐿. 𝑖𝑛𝑓 + 4 ∗𝑐 𝑜 𝑄1 = 𝐿. 𝑖𝑛𝑓 + 4 ∗𝑐
𝐹𝑘 − 𝐹𝑘−1 𝐻𝑘 − 𝐻𝑘−1
Deciles.-
𝑖𝑛
+ 𝐹𝑘−1
𝑃𝑖 = 𝐿. 𝑖𝑛𝑓 + 100 ∗𝑐
𝐹𝑘 + 𝐹𝑘−1
𝑖
+ 𝐻𝑘−1
𝑃𝑖 = 𝐿. 𝑖𝑛𝑓 + 100 ∗𝑐 𝐷𝑂𝑁𝐷𝐸 ∶ 𝑖 = 1,2,3 … . .99
𝐻𝑘 + 𝐻𝑘−1
EJEMPLO:
SOLUCION:
a)
𝑳𝒊 + 𝑳𝒊+𝟏 𝑿𝒊 𝒇𝒊 𝑭𝒊 𝒇𝒊 ∗ 𝒉𝒊
35 – 40 37,5 20 20 750
El primer cuartil:
𝑛
− 𝐹𝑘−1
𝑄1 = 𝐿. 𝑖𝑛𝑓 + 4 ∗𝑐
𝐹𝑘 + 𝐹𝑘−1
𝑛 150
= = 37,5
4 4
Además:
37,5 − 20
𝑄1 = (60 − 4𝑐) + ∗ 𝑐 = 16,5 → 𝑐 = 5
45 − 20
b)
∑ 𝒇𝒊 ∗ 𝒙𝒊 7500
𝑥̅ = = →𝒙
̅ = 𝟓𝟎
𝑛 150
75 − 45
𝑥̃ = 45 + ∗ 5 → 𝐱̃ = 𝟓𝟎
75 − 45
∆1
𝑀𝑜𝑑(𝑥) = 𝐿. 𝑖𝑛𝑓 + ∗𝐶
∆2 + ∆1
∆ 1 = 𝒇 𝑴𝒐 − 𝒇𝟏 ∆ 2 = 𝒇 𝑴𝒐 − 𝒇𝟐
∆ 1 = 𝒇 𝑴𝒐 − 𝒇𝟏 = 𝟑𝟎 − 𝟐𝟓 = 𝟏𝟎 ∆ 2 = 𝒇 𝑴𝒐 − 𝒇𝟐 = 𝟑𝟎 − 𝟑𝟎 = 𝟎
5
𝑀𝑜𝑑1 (𝑥) = 45 + ∗ 5 = 50
5 +0
∆ 1 = 𝒇 𝑴𝒐 − 𝒇𝟏 = 𝟑𝟎 − 𝟑𝟎 = 𝟐𝟎 ∆ 2 = 𝒇 𝑴𝒐 − 𝒇𝟐 = 𝟑𝟎 − 𝟐𝟓
5
𝑀𝑜𝑑2(𝑥) = 50 + ∗ 5 = 50
5+0
c)
112,5 − 105
𝑄3 = 55 + ∗5 = 𝑄3 = 56,50
130 − 105
132 − 130
𝑃88 = 60 + ∗ 5 = 60,8
150 − 130
90 − 75
𝐷6 = 50 + ∗ 5 = 52,5
105 − 75
Medidas de dispersión.-
Es un conjunto de estadígrafos que buscan evaluar cuan dispersos se encuentran los datos
respecto a algún valor central.
Se puede tener:
-Medidas absolutas
-Medidas relativas
Rango.-
𝑅𝑄 = 𝑄3 − 𝑄1
Se define como el promedio ponderado del valor absoluto de las tres desviaciones de cada
observación respecto a un lugar elegido.
Fácil calculo
No toma en cuenta al signo de desviación
∑𝑘 𝑓𝑖 (𝑥𝑖 − 𝑥̅) 2
𝑠 (𝑥) = √ 𝑖=1
𝑛−1
∑𝑘 𝑓𝑖 (𝑥𝑖 − 𝜇) 2
𝜎(𝑥) = √ 𝑖=1
𝑛
Intra e intervarianza.-
Cuando se tiene varios estudios muéstrales del mismo objeto de estudio donde cada muestra
tiene su propio tamaño, su propia media aritmética y varianza es posible hallar una varianza global
para todas las muestras.
Si k=1
Si k=2
Coeficiente de variación.-
𝑠(𝑥) 𝑠(𝑥)
𝑐. 𝑣. = 𝑜 𝑐. 𝑣. = ∗ 100%
𝑥̅ 𝑥̅
Si 𝑐. 𝑣. > 80 % 𝑙𝑜𝑠 𝑑𝑎𝑡𝑜𝑠 𝑠𝑒 𝑒𝑛𝑐𝑢𝑒𝑛𝑡𝑟𝑎𝑛 𝑚𝑢𝑦 𝑑𝑖𝑠𝑝𝑒𝑟𝑠𝑜𝑠
Medidas de deformación.-
Coeficiente percentilico:
𝑄3 − 𝑄1
𝐾𝑖 =
2(𝑃90 − 𝑃10 )
𝑠𝑖 𝐾 > 0,263 𝑙𝑒𝑝𝑡𝑜𝑐𝑢𝑟𝑡𝑖𝑐𝑎
𝑠𝑖 𝐾 = 0,263 𝑚𝑒𝑠𝑜𝑐𝑢𝑟𝑡𝑖𝑐𝑎
𝑠𝑖 𝐾 < 0,263 𝑝𝑙𝑎𝑡𝑖𝑐𝑢𝑟𝑡𝑖𝑐𝑎
Coeficiente demomentos:
∑𝑘𝑖=1 𝑓(𝑥 𝑖 − 𝑥̅) 4 𝑖
𝐾𝐼𝐼 = 𝑛
𝑠 3 (𝑥)
𝑠𝑖 𝐾𝐼𝐼 > 3 𝑙𝑒𝑝𝑡𝑜𝑐𝑢𝑟𝑡𝑖𝑐𝑎
𝑠𝑖 𝐾𝐼𝐼 = 3 𝑚𝑒𝑠𝑜𝑐𝑢𝑟𝑡𝑖𝑐𝑎
𝑠𝑖 𝐾𝐼𝐼 < 3 𝑝𝑙𝑎𝑡𝑖𝑐𝑢𝑟𝑡𝑖𝑐𝑎
Ejemplo:
Se han elegido 150 productos para analizar su peso en gramos, los resultados están clasificados en
la siguiente tabla.
SOLUCION:
𝑳𝒊 − 𝑳𝒊+𝟏 𝑿𝒊 𝒇𝒊 𝑭𝒊 𝒇𝒊 ∗ 𝒙𝒊 𝒇𝒊 ∗ 𝒙𝒊 𝟐
∑ 𝒇𝒊 ∗ 𝒙𝒊
𝑥̅ = = 2,14
𝑛
TAMBIEN:
𝑛
− 𝐹𝑘−1
𝑥̅ = 𝐿. 𝑖𝑛𝑓 + 2 ∗ 𝑐 = 2,128
𝐹𝑘 + 𝐹𝑘−1
RESOLVIENDO:SE TIENE
𝒇𝟒 = 𝟐𝟓
𝒇𝟓 = 𝟐𝟏
𝒇𝟔 = 𝟏𝟕
VARIANZA:
1 𝑘
𝑠 2 (𝑥) = (∑ 𝑓𝑖 𝑥 𝑖 − 𝑛𝑥̅ 2 )
𝑛−1 𝑖=1
𝑠(𝑥) = 0,075
𝑠(𝑥) 0,075
𝑐. 𝑣. = = = 3,5%
𝑥̅ 2,14
3(𝑥𝑖 − 𝑥̃)
𝐴𝑆𝐼 = = 0,48 > 0
𝑠(𝑥)
𝑄3 − 𝑄1
𝐾𝑖 =
2 𝑃90 − 𝑃10 )
(
37,5 − 32
𝑄1 = 2,08 + ∗ 0,04 = 2,086
70 − 32
112,5 − 95
𝑄3 = 2,16 + ∗ 0,04 = 2,1933
116 − 95
Percentil
15 − 12
𝑃10 = 2,04 + ∗ 0,04 = 2,046
32 − 12
135 − 133
𝑃90 = 2,24 + ∗ 0,04 = 2,2489
142 − 133
2,1933 − 2,086
𝐾𝐼 = = 0,2644 > 0,263 𝑙𝑒𝑝𝑡𝑜𝑐𝑢𝑟𝑡𝑖𝑐𝑎
2(2,2489 − 2,046)
CAPITULO º 3
PROBABILIDADES
En todo proceso estadístico siempre realizamos un experimento cuyo resultado define el val or de
la variable y en consecuencia el del estudio completo.
Evento o Suceso.-
Es el resultado de un experimento no determinístico. La cantidad de eventos o sucesos se
denomina espacio muestral ´´Ω´´.
𝑛(𝐴 𝑐 ) = 𝑛𝑈 − 𝑛(𝐴)
Pero en otros experimentos no determinísticos los eventos o sucesos no se pue de n re pre se ntar
por conjuntos.
𝑛!
𝑛𝐴𝑚 = (sin 𝑟𝑒𝑝𝑒𝑡𝑖𝑐𝑖ó𝑛)
(𝑛 − 𝑚 )!
𝑃𝑛 = 𝑛!
Combinación.- De ´´𝑛´´ elementos es posible extraer ´´𝑟´´ sin que interese el orden según:
𝑛 𝑛!
𝑛𝐶𝑟 = ( ) =
𝑟 (𝑛 − 𝑟)! 𝑟!
Definición de Laplace.-
Probabilidad de un evento o suceso ´´𝐴´´ es la razón de la cantidad total de opciones en el espaci o
muestral.
𝑛𝐴
𝑃(𝐴) =
𝑛Ω
Definición frecuencial.-
La probabilidad de un evento o suceso ´´𝐴´´ es la razón de la cantidad de veces que se repite el
evento con respecto al total de pruebas realizadas.
𝑓𝐴
𝑃(𝐴) = 𝑃 = ℎ𝐴
𝑛Ω (𝐴)
Definición subjetiva.-
La probabilidad de un evento ´´𝐴´´ cumple:
0 ≤ 𝑃(𝐴) ≤ 1
2
(13
2
)(42) (44
1
)
𝑃(𝐴) =
(52
5
)
b) 𝐵 = Un full
13 4 4
𝑛𝐵 = ( ) ( ) ( )
2 3 2
(13
2
)(43)(42)
𝑃(𝐵) =
(52
5
)
c) Una flor
13
𝑛𝐶 = 4 ( )
5
4(13
5
)
𝑃(𝐶) =
(52
5
)
Ejemplo:
Un dado está cargado de tal forma que los números pares tienen la misma probabilidad de salir,
los números impares tienen la misa probabilidad de salir y cada número par tiene probabilidad
doble de salir que la de un número impar. Determinar la probabilidad que:
a) Salga un número par
b) Salga un número mayor que cuatro
𝑃(𝑝𝑎𝑟)es la misma
𝑃(𝑖𝑚𝑝𝑎𝑟)es la misma
𝑃 (𝑝𝑎𝑟) = 2𝑃(𝑖𝑚𝑝𝑎𝑟)
1, 2, 3, 4, 5, 6 3#𝑃𝑎𝑟𝑒𝑠, 3#𝑖𝑚𝑝𝑎𝑟𝑒𝑠
⇒ 𝑃(𝑝𝑎𝑟) + 𝑃(𝑖𝑚𝑝𝑎𝑟) = 𝑃Ω
⇒ 3 𝑃 (𝑝𝑎𝑟) + 3 𝑃 (𝑖𝑚𝑝𝑎𝑟) = 𝑃Ω
𝑃Ω = 1
6 𝑃 (𝑝𝑎𝑟) + 3𝑃(𝑖𝑚𝑝𝑎𝑟) = 1
1 2
𝑃(𝑖𝑚𝑝𝑎𝑟) = 𝑃(𝑝𝑎𝑟) =
9 9
2
a) 𝑃(𝑝𝑎𝑟) =
9
1 2 3 1
b) 𝑃(# > 4) = 𝑃(5) + 𝑃(6) = + = =
9 9 9 3
Axiomas de Probabilidad.-
i) 𝑃(𝐴𝐶) = 1 − 𝑃(𝐴)
ii) 𝑃(𝐴∪𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴∩𝐵)
iii) 𝑃(𝐴−𝐵) = 𝑃(𝐴) − 𝑃(𝐴∩𝐵)
iv) 𝑃(𝐴∪𝐵∪𝐶) = 𝑃(𝐴) + 𝑃(𝐵) + 𝑃(𝐶) − 𝑃( 𝐴∩𝐵) − 𝑃(𝐴∩𝐶) − 𝑃(𝐵∩𝐶) + 𝑃(𝐴∩𝐵∩𝐶)
Ejemplo:
Si la probabilidad de A es 0.4, la probabilidad de B es 0.5, entre A y B 0.3, hallar la probabilidad de:
a) 𝐴 ∩ 𝐵, b) 𝐴 ∩ 𝐵𝐶 , c) 𝐴 𝐶 ∩ 𝐵𝐶 .
𝑃(𝐴∪𝐵) = 0.6
𝑃(𝐴∩𝐵𝐶) = 0.1
𝑃(𝐴𝐶∩𝐵𝐶) = 0.4
Ejemplo:
Un joyero produce 50000 dijes en forma de corazón con motivos del día de la madre, de los 50000
dijes 720 no están bien moldeadas; 397 presentan ralladuras, 534 no tienen broche, 180 están
ralladas y tienen defecto de molduras y 70 además de ralladuras no tienen broche. Cuál es la
probabilidad de extraer un dije defectuoso en una caja en que están depositados todos.
720 397 534
𝑃(𝑀) = ; 𝑃(𝑅) = ; 𝑃(𝐵) =
50000 50000 50000
180 70
𝑃(𝑀∩𝑅) = 𝑃(𝑅∩𝐵) =
50000 50000
Ejemplo.-
Los 500 clientes del banco de crédito están categorizados según el número de años que han tenido
cuenta de crédito, y por su promedio de saldo de crédito de estos cl ientes, 210 han tenido sal dos
menores a 1000 Bs; otros 260 han tenido cuenta de crédito por lo menos 5 años, y 80 han tenido
saldos menores a 1000Bs y cuenta de crédito por menos de 5 años. Si se selecciona al azar un
cliente, cual es la probabilidad que tenga:
a) Un saldo de crédito mayor a 1000 Bs
b) Un saldo de crédito menor a 1000 Bs o haya tenido cuenta de crédito por lo menos 5 años
c) Un saldo de crédito menor a 1000 Bs y haya tenido cuenta de crédito de por lo menos 5
años
Tiempo de Cuenta de
Crédito
Por el saldo Menos de 5 años Mayor o igual a 5 años Total
Menor a 1000 160 50 210
Mayor a 1000 80 210 290
Total 240 260 500
290 29
a) 𝑃(𝑆𝑎𝑙𝑑𝑜>1000) = =
500 50
210 260 50 21
b) 𝑃(<1000𝐵𝑠 ∪ ≥5𝑎ñ𝑜𝑠) = 𝑃(<1000) + 𝑃(≥5𝑎ñ𝑜𝑠) − 𝑃(<1000𝐵𝑠 ∩ ≥5𝑎ñ𝑜𝑠) = + − =
500 500 500 25
50 1
c) 𝑃(<1000𝐵𝑠 ∩ ≥5𝑎ñ𝑜𝑠) = =
500 10
Probabilidad Condicional.-
Los ejemplos anteriores siempre han estado referidos a un espacio muestral, ahora vamos a
estudiar la probabilidad de un evento 𝐴 condicionada a que un evento 𝐵 ha sucedido.
Nomenclatura: 𝑃(𝐴⁄ ) = Probabilidad del evento 𝐴 dado que 𝐵 ha sucedido
𝐵
𝑃(𝐴∩𝐵)
𝑃(𝐴⁄ ) =
𝐵 𝑃(𝐵)
Además:
𝑃(𝐴∩𝐵) 𝑛𝐴∩𝐵 𝑃(𝐴∩𝐵)
𝑃(𝐴⁄ = = 𝑦 𝑃(𝐴⁄ ) =
𝐵) 𝑃(𝐵) 𝑛Ω 𝐵 𝑃(𝐵)
En consecuencia:
𝑛𝐴∩𝐵
𝑛 𝑛𝐴∩𝐵
𝑃( 𝐴⁄ ) = 𝑛Ω ⇒ 𝑃 (𝐴⁄ ) =
𝐵 𝐵 𝐵 𝑛𝐵
𝑛Ω
Teorema de la Multiplicación.-
𝑃(𝐴∩𝐵)
𝑆𝑖 𝑃(𝐴⁄ ) =
𝐵 𝑃(𝐵)
𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠: 𝑃(𝐴∩𝐵) = 𝑃(𝐵) ∙ 𝑃( 𝐴⁄ )(Teorema de la multiplicación)
𝐵
Árbol de probabilidades.-
En el caso de la probabilidad condicional es posible construir un árbol de probabilidades cuando el
espacio muestral está dividido en 𝐴1 , 𝐴 2 , 𝐴 3 ,… , 𝐴 𝐾 eventos con la condición de que 𝐴1 ∩ 𝐴𝐽 = ∅
para todo 𝑖 ≠ 𝐽
7𝑅
3𝐵 →se extrae 3
̅10
̅̅̅
7 6 3 21
𝑃(𝑅𝑅𝐵) = ∙ ∙ =
10 9 8 120
Ejemplo:
Un cazador trata de matar un oso. La probabilidad que aparezca un oso en un radio menor que 𝑅1
es de 0,1 en un radio entre 𝑅1 y 𝑅 2 es de 0,3 y en un radio mayor que 𝑅2 es de 0,2. Si apare ce un
oso en un radio menor que 𝑅1 el cazador será capaz de matarlo con una probabilidad de 0,7; con
una probabilidad de 0.5 si aparece en un radio entre 𝑅1 y 𝑅2; con una probabilidad de 0,2 si el
radio es mayor que 𝑅 2. ¿Cuál es la probabilidad de que el cazador mate a un oso?
b) 𝑃(1 𝐷𝑒𝑓 ) = 𝑎
99 89 88 87
𝑃(0 𝐷𝑒𝑓 ) = ∙ ∙ ∙
100 99 98 97
𝑃(2 𝐷𝑒𝑓 ) = 𝑃(𝐷𝐷𝑁𝑁) + 𝑃(𝐷𝑁𝐷𝑁) + 𝑃(𝐷𝑁𝑁𝐷) + 𝑃(𝑁𝐷𝑁𝐷) + 𝑃(𝑁𝑁𝐷𝐷)
10 9 90 89 10 90 9 89 10 90 89 9 90 10 9 89
= ∙ ∙ ∙ + ∙ ∙ ∙ + ∙ ∙ ∙ + ∙ ∙ ∙
100 99 98 97 100 99 98 97 100 99 98 97 100 99 98 97
90 10 89 9 90 89 10 9
+ ∙ ∙ ∙ + ∙ ∙ ∙
100 99 98 97 100 99 98 97
Si ahora analizamos que el evento 𝐴 ha sido un éxito, entonces el objetivo es hallar la probabilidad
de que el evento 𝐴 provenga de una partición en particular.
𝑃( 𝐵𝐽⁄ ) = ?
𝐴
Utilizando:
𝑃 (𝐵𝐽 ∩𝐴) 𝑃(𝐴∩𝐵𝐽)
𝑃 (𝐵𝐽⁄ = =
𝐴) 𝑃(𝐴) 𝑃(𝐴)
𝑃(𝐵𝐽 ) ∙ 𝑃(𝐴
⁄𝐵𝐽 )
𝑃(𝐵𝐽⁄ = (𝑡𝑒𝑜𝑟𝑒𝑚𝑎 𝑑𝑒 𝐵𝑎𝑦𝑒𝑠)
𝐴) ∑𝐾
𝑖=1 𝑃(𝐵𝑖 ) ∙ 𝑃(𝐴⁄
𝐵𝑖 )
Ejemplo:
Tres máquinas I, II, III manufacturan en 30, 30 y 40% de la producción total de un cierto artículo.
Las máquinas producen 4, 3 y2 % de productos defectuosos respectivamente. Se toma un artícul o
al azar y se lo prueba. ¿Cuál es la probabilidad? Que:
Producción
Máquina % Producción % Defectuosos
I 30% 4%
II 30% 3%
III 40% 2%
a) 𝐷 = El artículo defectuoso
𝑃(𝐷) = 𝑃(𝐼) ∙ 𝑃(𝐷⁄ ) + 𝑃( 𝐼𝐼) ∙ 𝑃(𝐷⁄ ) + 𝑃(𝐼𝐼𝐼) ∙ 𝑃(𝐷⁄
𝐼 𝐼𝐼 𝐼𝐼𝐼 )
30 4 30 3 40 2
𝑃(𝐷) = ∙ + ∙ + ∙
100 100 100 100 100 100
29
𝑃(𝐷) =
1000
b) 𝑃(𝐼 𝑜 𝐼𝐼𝐼⁄ =?
𝐷)
𝑃(𝐼 ∪ 𝐼𝐼𝐼⁄ = 𝑃(𝐼⁄ ) + 𝑃(𝐼𝐼𝐼⁄ ) − 𝑃(𝐼∩ 𝐼𝐼𝐼⁄ )
𝐷) 𝐷 𝐷 𝐷
𝑃(𝐼) ∙ 𝑃(𝐷⁄ ) 𝑃(𝐼𝐼𝐼) ∙ 𝑃(𝐼𝐼𝐼⁄ )
𝐼 𝐼𝐼𝐼
𝑃(𝐼 ∪ 𝐼𝐼𝐼⁄ ) = + −0
𝐷 𝑃(𝐷) 𝑃( 𝐷)
30 4 40 2
∙ + ∙
𝑃(𝐼 ∪ 𝐼𝐼𝐼⁄ ) = 100 100 100 100
𝐷 29
1000
20
𝑃(𝐼 ∪ 𝐼𝐼𝐼⁄ ) =
𝐷 29
Ejemplo:
La urna 1 tiene 3 bolas blancas y 7 negras, la urna 2 tiene 20 bolas de las cuales algunas son
blancas y las demás son negras. Se escoge una urna al azar y de ella se extrae una bola,
encontrándose que es blanca. Si la probabilidad que esta bola blanca provenga de urna 1 es igual a
1/3, determinar el número de bolas blancas que existían originalmente en la urna 2.
3𝐵 𝑥𝐵
7𝑁 20𝑥 𝑁
10 20
1 𝐵𝑜𝑙𝑎 → 𝐵𝑙𝑎𝑛𝑐𝑎
𝐵 =La bola es blanca
𝑃(𝐼⁄ ) = 1⁄3
𝐵
𝑃(𝐵) = ? → Por Teorema de Probabilidad Total
1 3 1 𝑥
𝑃(𝐵) = ∙ + ∙
2 10 2 20
3 𝑥 6+𝑥
𝑃(𝐵) = + = … . (𝛼)
20 40 40
𝑃(𝐼∩𝐵)
Además: 𝑃(𝐼⁄ =
𝐵) 𝑃(𝐵)
1 3
𝑃(𝐼) ∙ 𝑃(𝐵⁄ )
∙
𝑃(𝐼⁄ ) = =2
𝐼 10 = 6 = 1
𝐵 𝑃 ( 𝐵) 6+𝑥 𝑥+6 3
40
⇒ 18 = 𝑥 + 6
𝑥 = 12
El número de bolas blancas en la urna 2 es 12
El número de bolas negras en la urna 2 es 8
Ejemplo:
De una urna que contiene 6 bolas Blancas y 4 Negras, se transfiere 5 de ellas a una segunda urna
que se encuentra vacía. Se toman 3 bolas de esta última urna y se ponen en una caja vacía, se
extrae una bola de la caja y resulta ser blanca. ¿Cuál es la probabilidad de que exactame nte 4 de
las bolas transferidas de la primera urna a la segunda hayan sido Blancas?
5 3
I II III
6𝐵 𝑥𝐵 𝑦𝐵
4𝑁 5 − 𝑥𝑁 3 − 𝑦𝑁
4! 1!
(42) ∙ (11) (4 − 2) ! ∙ 2! ∙ (1 − 1)! ∙ 1! 3 2
𝑃(2𝐵,1𝑁) = = = → 𝑃(𝐵) =
5
(3) 5! 5 3
(5 − 3)! ∙ 3!
(64) ∙ (41) (43) (42) ∙ (11) 2 5 2 2 2
𝑃(4𝐵 𝑑𝑒 5) = 10 ∙[ 5 ∙1+ 5 ∙ ]= [ ∙1+ ∙ ]
(5) (3) (3) 3 21 5 3 3
38
𝑃(4𝐵 𝑑𝑒 5) =
189
CAPITULO º 4
Para ello necesitamos generar funciones de probabilidades y sobre ellas analizar sus es tadígrafos
principales, ello se realiza generando una variable que represente a los eventos.
Definición.-
La variable aleatoria unidimensional se define como una función que asocia a todo e ve nto e n e l
espacio muestral un valor real.
Ω xЄ
W1 x1
W2 x2
: :
: :
Wk xk
Ejemplo:
Sea el experimento E: lanzar 3 monedas y observar el resultado. El espacio asociado a este
experimento es.
Ω = {(𝐶; 𝐶; 𝐶 ); (𝐶; 𝐶; 𝑆); (𝐶; 𝑆; 𝐶 ); (𝑆; 𝐶; 𝐶 ); (𝐶; 𝑆; 𝑆) ; (𝑆: 𝐶: 𝑆); (𝑆; 𝑆; 𝐶 ); (𝑆; 𝑆; 𝑆)}
Solución
Sea x: número de caras obtenidas en las 3 monedas, entonces x es una variable al e atori a
que toma los siguientes valores
1
𝑃[𝑥=0] = 𝑃[(5;5;5)] =
8
3
𝑃[𝑥=1] = 𝑃[(𝐶;5;5);(5;𝐶;5);(5;5;𝐶)] =
8
3
𝑃[𝑥=2] = 𝑃[(𝐶;𝐶;5);(𝐶;5;𝐶);(5;𝐶;𝐶)] =
8
1
𝑃[𝑥=3] = 𝑃[(𝐶;𝐶;𝐶)] =
8
Ejemplo:
Se lanza una moneda 3 veces, sea x una función definida por 𝑋(𝑊) = 𝑛𝑐 − 𝑛𝑠 , donde 𝑛𝑐
representa el numero de caras y 𝑛𝑠, numero de sellos obtenidos; x, asi definido es una variable
aleatoria.
Solución
Ω = {(𝐶; 𝐶; 𝐶 ); (𝐶; 𝐶; 𝑆); (𝐶; 𝑆; 𝐶 ); (𝑆; 𝐶; 𝐶 ); (𝐶; 𝑆; 𝑆) ; (𝑆: 𝐶: 𝑆); (𝑆; 𝑆; 𝐶 ); (𝑆; 𝑆; 𝑆)}
𝑋(𝐶𝐶𝐶) = 3 − 0 = 3
𝑋(𝐶𝐶𝑆) = 𝑋(𝐶𝑆𝐶) = 𝑋(𝑆𝐶𝐶) = 2 − 1 = 1
𝑋(𝑆𝑆𝐶) = 𝑋(𝑆𝐶𝑆) = 𝑋(𝐶𝑆𝑆) = 1 − 2 = −1
𝑋(𝑆𝑆𝑆) = 0 − 3 = −3
𝑅𝑥 = {−3; −1; 1; 3}
Es una función que asocia a todo valor de variable aleatoria una probabilidad entre 0 y 1.
Si se tiene la variable aleatoria 𝑋 = 𝑋(𝑊) ; 𝑤 Є Ω, entonces es posible definir una funci ón "𝑃(𝑋)"
llamada función de probabilidad.
Ω x 1 𝑃(𝑋)
W1 x1 𝑃(𝑋1)
W2 x2 𝑃(𝑋2)
: : :
: : :
Wk xk 𝑃(𝑋𝑘)
Єℝ 0
Se debe verificar:
𝑘
∑ 𝑃(𝑋𝑖 ) = 1
𝑖=1
Como existen dos tipos de variable aleatoria, existen entonces funciones de probabilidad para
Variable Aleatoria Discreta y Variable Aleatoria Continua.
Sea 𝑋: Ω → ℝ una variable aleatoria que toma los valores 𝑋1 , 𝑋2 , 𝑋3 , … Se dice que 𝑃(𝑋𝐼 ) es una
función de probabilidad o una distribución de la variable aleatoria X si cada valor de 𝑋𝐼 se le asoci a
su probabilidad de ocurrencia, esto es.
Ejemplo:
Tres bolas son aleatoriamente seleccionadas sin reposición de una urna que contiene 20 bolas
numeradas del 1 al 20. Si Edwin apuesta que al menos una de las bolas seleccionadas tiene un
número mayor o igual que 17, ¿Cuál es la probabilidad de que Edwin gane la apuesta?
Solución
Sea X: el máximo de los números anotados en 3 bolas extraídas de la urna sin reposición.
(11)(𝑖−1
2
)
𝑃[𝑋=𝑖] = ; 𝑖 = 3, 4, … , 20
(20
3
)
𝑋 ≥ 17
1! 16!
(11)(16 )
0! 14! 2! = 2 = 0.105
𝑃 [𝑋=17] = 20 = 1!20! 2
(3) 19
17! 3!
1! 17!
(11)(17 )
15! 2! = 34 = 0.119
𝑃 [𝑋=18] = 20 = 1!20!
0! 2
(3) 285
17! 3!
1! 18!
(11)(18 )
0! 16! 2! = 51 = 0.134
𝑃[𝑋=19] = 20 = 1!20! 2
(3) 380
17! 3!
1! 19!
(11)(19)
0! 17! 2! = 3 = 0.150
𝑃[𝑋=20] = 20 = 1!20!2
(3) 20
17! 3!
𝑃[𝑋≥17] = 0.508
Ejemplo:
Tres bolas son aleatoriamente seleccionadas de una urna que contiene 3 bolas blancas, 3 rojas y 5
negras, suponga que se gana S/.1 por cada bola blanca seleccionada y se pierde S/.1 por cada bol a
roja seleccionada. Halle la función de probabilidad de la variable aleatoria X, definida como
ganancia neta obtenida en el experimento.
Solución. URNA
Evento
3B
R: Bola extraída es roja Ω = 3R Ω = 11
B: Bola extraída es blanca 5N
N: Bola extraída es negra
Si salen:
RRR se pierde X = -3
RRN se pierde X = -2
RNN o RRB se pierde X = -1
NNN o RBN se pierde X= 0
BNN o RBB se pierde X= 1
BBN se pierde X= 2
BBB se pierde X= 3
Ω = {𝑅𝑅𝑅, 𝑅𝑅𝑁, 𝑅𝑁𝑁, 𝑁𝑁𝑁, 𝐵𝐵𝐵, 𝐵𝐵𝑁, 𝐵𝑁𝑁, 𝑅𝑅𝐵, 𝑅𝐵𝐵, 𝑅𝑁𝐵}
Las probabilidades
3!
(33)
0!
𝑃[𝑋=−3] = 11 = 11!3! = 1
(3) 165
8! 3!
3! 5!
(32)(51)
𝑃 [𝑋=−2] = 11 = 2!
1! 4! 1! = 1
(3) 11! 11
8! 3!
3! 5! 3! 3!
(31)(52) + (32)(31) +
𝑃[𝑋=−1] = = 2! 1! 3! 2! 1! 2! 2! 1! = 13
(11 ) 11! 55
3
8! 3!
5! 3! 3! 5!
(53) + (31)(31)(51) +
𝑃[𝑋=0] = = 2! 3! 2! 1! 2! 1! 4! 1! = 55
(11 ) 11! 165
3
8! 3!
X -3 -2 -1 0 1 2 3
1 1 13 55 13 1 1
𝑷(𝑿) = 𝑷[𝑿=𝑿]
165 11 55 165 55 11 165
13 1 1 1
𝑃[𝑋=𝐼] = + + =
55 11 165 3
Distribución Acumulada de Probabilidad.-
La función de distribución acumulada de una variable aleatoria X, denotada por F, es una funci ón
𝐹: ℝ → [0; 1], definida por la regla de correspondencia
P-1: 𝐹(𝑋) es una función no decreciente, esto es, si para todo 𝑋1 , 𝑋2 Є ℝ con 𝑋1 < 𝑋2 ,
entonces 𝐹(𝑋1) ≤ 𝐹(𝑋2).
P-2: 𝐹(𝑋) es una función cuadrada por la derecha, esto es: lim+ 𝐹(𝑋) = 𝐹(𝑋0)
𝑋→𝑋0
P-3: lim 𝐹(𝑋) = 0 Y lim 𝐹(𝑋) = 1, Luego se puede escribir, 𝐹(+∞) = 0 y 𝐹(−∞) = 0
𝑋→−∞ 𝑋→+∞
1 1 1
𝑃[𝑥<𝑏] = 𝑃 [ lim (𝑥 ≤ 𝑏 − )] = lim 𝑃 (𝑥 ≤ 𝑏 − ) = lim 𝐹 (𝑏 − )
𝑛→+∞ 𝑛 𝑛→+∞ 𝑛 𝑛→+∞ 𝑛
Ejemplo:
Suponga que la función de distribución acumulada de la variable aleatoria X es dada por:
0 , 𝑠𝑖 𝑥 < 0
𝑋
, 𝑠𝑖 0 ≤ 𝑋 < 1
2
2
𝑓(𝑥) = , 𝑠𝑖 1 ≤ 𝑋 < 2
3
11
, 𝑠𝑖 2 ≤ 𝑋 < 3
12
{ 1, 𝑠𝑖 𝑥 > 3
a) Esboce la gráfica de 𝐹(𝑋)
b) Calcule
SOLUCION.
a) La gráfica:
b)
1 1 11 11
i. 𝑃[𝑋<3] = lim 𝑃 [𝑋 ≤ 3 − ] = lim 𝐹 (3 − ) = lim ( ) =
𝑛→+∞ 𝑛 𝑛→+∞ 𝑛 𝑛→+∞ 12 12
1 2 1 1
ii. 𝑃[𝑋=1] = 𝑃[𝑋 ≤ 1] − 𝑃 [𝑋 < 1] = 𝐹(1) − lim 𝐹 (1 − ) = − =
𝑛→+∞ 𝑛 3 2 6
1 1 1 3
iii. 𝑃[𝑋>1⁄ ] = 1 − 𝑃 [𝑋 ≤ ] = 1 − 𝐹 ( ) = 1 − =
2 2 2 4 4
11 1
iv. 𝑃[2<𝑋≤4] = 𝐹(𝑏) − 𝐹 (𝑎) = 𝐹 (4) − 𝐹(2) = 1 − =
12 12
𝑋(𝑊 ) Є 𝑅𝑋 , ⋁𝑤 ЄΩ
Ejemplo:
Sea X la variable aleatoria que denota el número de veces que se lanza al aire una moneda
correcta antes de que aparezca la primera cara. El espacio muestral asociado a este expe ri mento
es: Ω = {𝐶, 𝑆𝐶, 𝑆𝑆𝐶, 𝑆𝑆𝑆𝐶, … }
Solucion
𝑋( 𝐶) = 1 𝑋( 𝑆𝐶) = 2 𝑋(𝑆𝑆𝐶) = 3 … … … ….
Luego 𝑅 𝑋 = {1, 2, 3, … } es un conjunto infinito numerable. Por lo tanto, X es una vari abl e
aleatoria discreta con un número infinito de posibles valores.
Gráficamente:
∑ 𝑃(𝑋𝑖)
𝑖=1
En variable aleatoria discreta puedo generar una fila que muestre el acumulado de las
probabilidades:
X 𝑿𝟏 𝑿𝟐 𝑿𝟑 … 𝑿𝒌
𝒑(𝑿) 𝑝(𝑋1) 𝑝(𝑋2) 𝑝(𝑋3) … 𝑝(𝑋𝑘)
𝑷 (𝑿) 𝑝(𝑋1) 𝑝(𝑋1) + 𝑝(𝑋2) 𝑝(𝑋1) + 𝑝(𝑋2) + 𝑝(𝑋3) 1
Generalmente:
⟦𝑋𝑗 ⟧
∑ 𝑃( 𝑋𝑖 )
𝑅𝑋
Propiedades:
i. 𝑃(𝑋 ≤ 𝑋0 ) = 𝑃 (𝑋 = 𝑋0 )
Ejemplo:
Halle la distribución de probabilidad de la variable aleatoria X, definida como el núme ro de caras
que se obtienen al arrojar 5 monedas
Solucion
𝑅𝑋 = {0, 1, 2, 3, 4, 5}
(𝑋5)
𝑝(𝑋) = 𝑃[𝑋=𝑥 ] = ; 𝑋 = 0, 1, 2, 3, 4, 5
32
a)
5!
(50) 5
𝑝(𝑋=0) = 𝑃[𝑋=0] = = 0! =
5!
32 32 32
5!
(51) 5
𝑝(𝑋=1) = 𝑃[𝑋=1] = = 1! =
4!
32 32 32
5!
(52) 5
𝑝(𝑋=2) = 𝑃[𝑋=2] = = 3! 2! =
32 32 16
5!
(53) 5
𝑝(𝑋=3) = 𝑃[𝑋=3] = = 2! =
3!
32 32 16
5!
(54) 5
𝑝(𝑋=4) = 𝑃[𝑋=4] = = 4! =
1!
32 32 32
5!
(55) 1
𝑝(𝑋=5) = 𝑃[𝑋=5] = = 5! =
0!
32 32 32
X 0 1 2 3 4 5
1 2 5 5 5 1
𝑷(𝑿) = 𝑷[𝑿=𝑿]
32 32 16 16 32 32
c) Diagrama
d) ∑𝑅𝑋 𝑃(𝑋 ) = 1
1 5 5 5 5 1
+ + + + + =1
32 32 16 16 32 32
12 10 6 10
+ = + =1
32 16 16 16
16
=1
16
Ejemplo:
𝐶𝜆𝑋
La función de probabilidad de una variable aleatoria X es dada por 𝑝(𝑋) = ; 𝑋 = 0, 1, 2, 3, …,
𝑋!
donde λ es un número positivo.
a) Encuentre el valor de C
b) Calcule 𝑃[𝑋=2]
Solución
𝐶𝜆𝑋 𝜆𝑋
Como∑∞ ∞ ∞
𝑋=0 𝑃( 𝑋 ) = 1 , entonces se tiene ∑ 𝑋=0 𝑋! = 1 lo cual es equivalente a 𝐶 ∑ 𝑋=0 𝑋! = 1, al
emplear que
∞
𝑋𝑖
𝑒𝑥 = ∑ = 1 𝑠𝑒 𝑡𝑖𝑒𝑛𝑒 𝐶𝑒 𝜆 = 1
𝑖!
𝐶=𝑜
𝐶 = 𝑒 −𝜆
𝑒 −𝜆 𝜆2
𝑃[𝑋=2] = 𝑝 (𝑋) = 𝑝(2) =
2!
1
𝑝 (2) = 𝑒 −𝜆 𝜆2
2
Ejemplo:
Se lanza una moneda tres veces, definiendo 𝑋(𝑊) = 𝑛𝐶 − 𝑛𝑆. Hallar la distribución de probabilidad
en forma tabular y graficar.
Solución
Por 𝑋(𝑊) = 𝑛𝐶 − 𝑛𝑆
𝑋(𝐶𝐶𝐶) = 3 − 0 = 3 𝑋(𝑆𝑆𝐶) = 1 − 2 = −1
𝑋(𝐶𝐶𝑆) = 2 − 1 = 1 𝑋(𝑆𝐶𝑆) = 1 − 2 = −1
𝑋(𝐶𝑆𝑆) = 1 − 2 = −1 𝑋(𝑆𝑆𝑆) = 0 − 3 = −3
𝑋(𝐶𝑆𝐶) = 2 − 1 = 1 𝑋(𝑆𝐶𝐶) = 2 − 1 = 1
𝑅𝑋 = {−3, −1, 1, 3}
𝜂𝐶𝐶𝐶 1
𝑃(𝑥=3) = 𝑃( 𝐶𝐶𝐶) = =
𝜂Ω 8
𝜂𝑆𝑆𝑆 1
𝑃(𝑥=−3) = 𝑃(𝑆𝑆𝑆) = =
𝜂Ω 8
a) En forma tabular
X 1 3 -3 -1
3 1 1 3
𝑷(𝑿)
8 8 8 8
b) Gráfica:
Ejemplo:
LA urna I (uno) contiene una ficha blanca y dos negras, la urna II (dos) tres blancas y dos ne gras. Y
la urna III (tres) dos fichas blancas y tres negras. Extraemos una ficha de cada urna y llamamos “X”
a la variable aleatoria que representa el número de fichas blancas extraídas, determinar.
a) La función de cuantía de la variable aleatoria
b) La función de distribución
c) Probabilidad acumulada entre 𝑃 (1 < 𝑋 ≤ 2)
Solucion
Planteo
a) 𝑝(𝑋) = ?
𝑅𝑋 = {0, 1, 2,3}
Ejemplo:
Para cada uno de las siguientes funciones, determine la constante k para que 𝑓(𝑋) sea una funci ón
de probabilidad de una variable aleatoria X.
a) 𝑓(𝑋 ) = 𝑥𝑘 ; 𝑥 = 1, 2, 3, … , 10
1 𝑋
b) 𝑓(𝑋 ) = 𝑘 ( ) ; 𝑥 = 1, 2, 3, …
3
Solución
a) Para que 𝑓(𝑋 ) sea una función de probabilidad debe cumplir la definición de esta
2. ∑10
𝑋=1 𝑘𝑋 = 𝐾 [1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 + 10] = 1
1
𝑘=
55
𝑋
𝑓(𝑋 ) = 𝑋 = 1, 2, 3, … , 10
55
b)
1 𝑋
1. 𝑓(𝑋) = 𝑘 ( ) > 0 ; ⋁𝑥 = 1, 2, … , 10. 𝑠𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠𝑖 𝑘 > 0
3
1 𝑋 𝐾 1 1 2 𝑘 1 1 3
2. ∑∞
𝑋=1 𝑘 ( ) = [1 + + ( ) + ⋯ ] = [ ] = 𝑘( )( ) = 1
1
3 3 3 3 3 1− 3 2
3
𝑘=2
1 𝑋
𝑓(𝑋) = 2 ( ) 𝑋 = 1, 2, 3, …,
3
Si el rango 𝑅𝑋; de una variable aleatoria X es un intervalo sobre la recta de los números real e s, se
llama variable aleatoria continua
Sea X una variable aleatoria continua con rango 𝑅𝑋. “La función de densidad de probabilidad”
asociado a la variable aleatoria, es una función 𝑓(𝑋) integrable que satisface las siguientes
condiciones:
Sea X una variable aleatoria continua con función de densidad de probabilidad 𝑓(𝑋). La funci ón de
distribución acumulada de la variable aleatoria X es dada por:
𝑥
𝐹(𝑋 ) = 𝑃[𝑋≤x] = ∫ 𝑓(𝑥) 𝑑𝑥 , ⋁𝑥 Є ℝ
−∞
𝑑𝐹(𝑥)
Se prueba que 𝑓(𝑥 ) = para todo X en el cual 𝐹( 𝑥) es derivable.
𝑑𝑥
+∞
Como 𝐹(+∞) = 1, entonces se cumple: ∫−∞ 𝑓( 𝑥 )𝑑𝑥 = 1
Nota: Para variable aleatoria continua la función de distribución siempre es el acumul ado menor o
igual que, es decir:
i. 𝑃(𝑋≤𝑋0) = 𝑃(𝑋=𝑋0)
ii. 𝑃(𝑋≥𝑋0) = 1 − 𝑃( 𝑋≤𝑋0)
iii. 𝑃(𝑎≤𝑋≤𝑏) = 𝑃( 𝑋=𝑏) − 𝑃(𝑋=𝑎)
Ejemplo:
Sea X una variable aleatoria con función de densidad.
𝑎 (3𝑥 − 𝑥 2 ) , 0≤𝑥≤3
𝑓(𝑥) = {
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠
a) Hallar el coeficiente a.
b) Construir la gráfica de la función de densidad de probabilidad.
c) Calcular la probabilidad que X se encuentre en el intervalo [1,2]
3
d) Hallar la probabilidad que X se encuentre en el intervalo 〈−1, 〉
2
Solución
3 3 3
3𝑥 2 𝑥 3
∫ 𝑎 (3𝑥 − 𝑥 2 )𝑑𝑥 = 𝑎 ∫ (3𝑥 − 𝑥 2 )𝑑𝑥 = 𝑎 − ⌋ =1
0 0 2 3 0
3 32 32
𝑎( − )=1
2 2
2
𝑎=
9
2 2
𝑦 = 𝑥 − 𝑥2
3 9
2 2
2 2 2𝑥 2 2 𝑥 3 7
𝑃 [1≤𝑥≤2] = ∫ ( 𝑥 − 𝑥 2 ) 𝑑𝑥 = ( − ) =
1 3 9 32 9 3 1 9
Ejemplo:
Sea
𝑘𝑥 2 , |𝑥 − 2| ≤ 1
𝑓 (𝑥) = {
0 , |𝑥 − 2| ≥ 1
a) Hallar el valor de k tal que “f” sea una función de densidad de una variable aleatoria
continua X.
b) Calcular la probabilidad que la variable aleatoria X se encuentra en el intervalo 〈2,3〉
Solución
Por la propiedad del valor absoluto.
0 , 𝑥 <1
𝑓 (𝑥) = { 𝑘𝑥 2 , 1≤𝑥 ≤3
0 , 𝑥 >3
a) Como todas las variables se halan en [1,3] , por la condición (2) de la definición de
densidad.
3 3
𝑘𝑥 3 33 1
∫ 𝑘𝑥 2 𝑑𝑥 =( ) = 𝑘 ( − ) = 26𝑘 = 1
1 3 1 3 3
3
𝑘=
26
3 3
3 2 3 𝑥3 1 19
𝑃[2<𝑥<3] = ∫ 𝑥 𝑑𝑥 = ( ) = (27 − 8) =
2 26 26 3 2 26 26
Ejemplo:
La longitud de la vida de una especie de plantas en cierto medio ambiente es una variable
aleatoria continua. Supongamos que la función de densidad de X es:
1 − 𝑥
𝑓(𝑥) =𝑒 120 ; 𝑥≥0
120
a) ¿Qué proporción de plantas de esta especie mueren antes de los 100 días?
b) Si una planta individual vive durante 100 días, ¿Cuál es la probabilidad que viva otros 100
días más?
Solución
El rango de la variable aleatoria es.
𝑥
𝑅𝑥 = { ≤ 𝑥 < ∞}
0
a) La proporción de platas que mueren antes de los 100 días está dado por 𝑃[𝑋<100].
Aplicando la fórmula de la ecuación (∗ )
100 𝑥 100
1 −𝑥 5
𝑃[𝑥<100] = ∫ 𝑒 120 𝑑𝑥 = (−𝑒 −120 ) = 1 − 𝑒 −6
0 120 0
Ejemplo:
En cierto país, el ingreso familiar tiene la función de densidad de probabilidad dado por 𝑝(𝑥 ) =
𝑎𝑥
( 2) 2
si 𝑥 ≥ 0 donde X esta en miles de dólares, que proporción de las familias:
1+𝑥
Solución
. ∞ 𝑎𝑥
∫𝑅𝑥 𝑝(𝑥 ) 𝑑𝑥 → ∫0 ( 1+𝑥 2) 2
𝑑𝑥 ; 𝑥≥0
𝑎 ∞ 2𝑥 2
∫ 𝑑𝑥 → { 𝑥 =𝑡 𝑠𝑖 𝑥 → 0 𝑡→0
2 0 1 + 𝑥 2)2
( 2𝑥𝑑𝑥 = 𝑑𝑡 𝑠𝑖 𝑥 → ∞ 𝑡→∞
𝑎 ∞ 2𝑥 𝑎 ∞ 𝑑𝑡
∫ 𝑑𝑥 = ∫ =1
2 0 (1 + 𝑥 2 ) 2 2 0 (1 + 𝑡) 2
𝑎 1 ∞ 𝑎 1 𝑎 1
(− ) = − ( lim ( − 1)) = − ( − 1) = 1
2 1 +𝑡 0 2 𝑏→∞ 1 +𝑏 2 ∞
𝑎=2
𝑥
𝑑𝑡 1 𝑥 1 𝑥
1
𝑃(𝑥 ) = ∫ 2 = (− ) = (− 2
) = (− + 1)
(
0 1 +𝑡 ) 1+𝑡 0 1+𝑥 0 1 + 𝑥2
1
𝑃( 𝑥 ) = 1 − ; 𝑥≥0
1 + 𝑥2
a)
𝑃(𝑥≤6) = 𝑃(𝑥=6)
1 1 36
𝑃( 𝑥≤6) = 1 − 2 =1− =
1+6 37 37
b)
𝑃( 2<𝑥<8) = 𝑃(𝑥=8) − 𝑃 (𝑥=2)
1 1 12
𝑃 (2<𝑥<8) = (1 − 2
) − (1 − 2
)=
1+8 1+2 65
c)
𝑃(𝑧>1) = 1 − 𝑃(𝑥>1) = 1 − 𝑃(𝑥=1)
1 1
𝑃(𝑥>1) = 1 − 2 =
1 +1 2
Se define como aquel calor promedio cuya esperanza o probabilidad corresponde al valor central
.
𝐸(𝑥) = ∫ 𝑥 𝑝(𝑥 ) 𝑑𝑥 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝐴𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎 𝐶𝑜𝑛𝑡𝑖𝑛𝑢𝑎
𝑅𝑋
𝑢 = 𝐸( 𝑥 )
Propiedades.-
I. 𝑢(𝐻( 𝑥 )) = 𝐸𝐻(𝑥 ) = ∑.𝑅𝑋 𝐻( 𝑥 )𝑝( 𝑥)
.
II. 𝑢(𝐻(𝑥 ) ) = 𝐸𝐻(𝑥 ) = ∫𝑅𝑋 𝐻(𝑥 )𝑝(𝑥) 𝑑𝑥
De similar forma es posible definir los valores centrales de la distribución de probabi l idade s, l os
valores de dispersión de la Distinción de Probabilidades, los valores de sesgo y curtosis.
Mediana de la Distribución.-
1
𝑀𝑒𝑑(𝑥) = 𝑥0 / 𝑃(𝑥≤𝑥0) =
2
Moda de la Distribución.-
Percentiles de la Distribución.-
𝑖
𝑃𝑖 (𝑥) = 𝑥 0 / 𝑃( 𝑥≤𝑥 0) =
100
.
𝑉𝑎𝑟 (𝑥) = 𝜎 2 = 𝐸(𝑥−𝑢)2 = ∫ (𝑥 − 𝑢) 2 𝑝(𝑥) 𝑑𝑥 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝐴𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎 𝐶𝑜𝑛𝑡𝑖𝑛𝑢𝑎
𝑅𝑥
Es posible utilizar
𝜎 2 = 𝐸(𝑥 2) − 𝑢2
Dónde:
.
.
𝐸(𝑥 2) = ∫ 𝑥 2 𝑝(𝑥)𝑑𝑥 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝐴𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎 𝐶𝑜𝑛𝑡𝑖𝑛𝑢𝑎
𝑅𝑥
Medida de Asimetría.-
Ejemplo:
Un fabricante de televisores utiliza un cierto tipo de componente electrónico en su montaña cada
televisor requiere seis de estos componentes un componente defectuoso no puede ser detectado
hasta que el televisor está totalmente montado. El costo de conexi ón, reparación, re posición de
un componente defectuoso es de 15 $. El fabricante ha estado comprando estos componentes e n
lotes de 100 a dos diferentes proveedores. El costo de compra por lote al proveedor A es de 100 $
en tanto el costo de compra por lote al proveedor B es de 120 $ basadas en experiencias
anteriores, las calidades comparadas de los lotes comprados a los 2 proveedores son las
siguientes:
PROVEEDOR A
⋕ 𝒄𝒐𝒎𝒑 𝒅𝒆𝒇𝒆𝒄𝒕𝒖𝒐𝒔𝒐𝒔
1 2 3 4 5
𝒍𝒐𝒕𝒆
probabilidades 0.30 0.25 0.20 0.15 0.10
PROVEEDOR B
⋕ 𝒄𝒐𝒎𝒑 𝒅𝒆𝒇𝒆𝒄𝒕𝒖𝒐𝒔𝒐𝒔
1 2 3
𝒍𝒐𝒕𝒆
probabilidades 0.60 0.30 0.10
Solución
𝑢 = 𝐸(𝑥 ) = ∑ 𝑥 𝑝(𝑥 )
PROVEEDOR A.
X 1 2 3 4 5
𝒑(𝑿) 0.30 0.25 0.20 0.15 0.10
𝒙𝒑(𝑿) 0.30 0.50 0.60 0.60 0.50
𝟐
𝒙 (𝒑(𝑿)) 0.30 1.00 1.80 2.40 2.50
𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎𝑠
𝑢𝐴 = 2.5
𝑙𝑜𝑡𝑒
Varianza
𝜎𝐴 2 = 𝐸(𝑥 2) − 𝑢𝐴 2
𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎𝑠
𝜎𝐴 2 = 1.75 → 𝜎𝐴 = 1.323
𝑙𝑜𝑡𝑒
Como:
Costo de reparación = 15 ($/unid)
Costo compra A = 100 ($/lote) = 1 ($/unid)
Costo incurrido A = (2.5)15 + 2.5 (1)
PROVEEDOR B.
X 1 2 3
𝒑(𝑿) 0.60 0.30 0.10
𝒙𝒑(𝑿) 0.60 0.60 0.30
𝟐
𝒙 (𝒑(𝑿)) 0.60 1.20 0.90
𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎𝑠
𝑢𝐵 = 1.5
𝑙𝑜𝑡𝑒
Varianza
𝜎𝐵 2 = 𝐸(𝑥 2) − 𝑢𝐵 2
𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎𝑠
𝜎𝐵 2 = 0.45 → 𝜎𝐵 = 0.67
𝑙𝑜𝑡𝑒
Como:
Costo incurrido B = (1.5)15 + 1.5 (1.2)
Ejemplo:
Suponga que “X” es una variable aleatoria con función de densidad dad por:
𝑎𝑥 2 , 0≤𝑥<1
𝑓(𝑥) = { 𝑎(2 − 𝑥) 2 , 1≤𝑥<2
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠
Determinar:
Solución
.
∫ 𝑃( 𝑋) 𝑑𝑥 = 1
𝑅𝑋
a)
1 2
∫ 𝑎𝑥 2 𝑑𝑥 + ∫ 𝑎 (2 − 𝑥) 2 𝑑𝑥 = 1
0 1
1 2
𝑥3 4𝑥 2 𝑥 3
𝑎 ( ) + 𝑎 (4𝑥 − + ) =1
3 0 2 3 1
𝑎 23 1
+ 𝑎 ((4(2) − 22 (2) + ) − (4 − 2 + )) = 1
3 3 3
𝑎 8𝑎 𝑎
+ − 2𝑎 − = 1
3 3 3
3
𝑎=
2
b) La función queda:
3 2
𝑥 , 0≤𝑥 <1
2
𝑓 (𝑥) = 3
(2 − 𝑥) 2 , 1≤𝑥<2
2
{ 0 , 𝑒𝑛 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠
La Esperanza Matemática
1 2
3 3
𝑢 = 𝐸( 𝑥 ) = ∫ 𝑥 𝑥 2 𝑑𝑥 + ∫ 𝑥 (2 − 𝑥) 2 𝑑𝑥
0 2 1 2
1 2
3 𝑥4 3 4𝑥 2 4𝑥 3 𝑥 4
𝑢 = 𝐸(𝑥 ) = | + ( − + )
24 0 2 2 3 4 1
3 3 20 11
𝑢 = 𝐸(𝑥) = + {(8 − ) − }
8 2 3 12
3 3 1 11
𝑢 = 𝐸 (𝑥) = + ( (4 − ))
8 2 3 4
3 5 8
𝑢 = 𝐸(𝑥 ) = + =
8 8 8
𝑢 = 𝐸( 𝑥 ) = 1
De 0 a 1
𝑥 𝑥
3 3 𝑥3 𝑥3
𝑃1 (𝑥) = ∫ 𝑥 2 𝑑𝑥 = | =
0 2 23 0 2
De 0 a 2
1 𝑥
3 2 3
𝑃2 ( 𝑥 ) = ∫ 𝑥 𝑑𝑥 + ∫ (2 − 𝑥) 2 𝑑𝑥
0 2 1 2
1 𝑥
3 𝑥3 3 4𝑥 2 𝑥 3
𝑃2 ( 𝑥) = | + (4𝑥 − + )
23 0 2 2 3 1
1 3 𝑥 3 1
𝑃2 ( 𝑥) = + [(4𝑥 − 2𝑥 2 + ) − (4 − 2 + )]
2 2 3 3
1 𝑥3 7
𝑃2 (𝑥 ) = + 6𝑥 − 3𝑥 2 + −
2 2 2
𝑥3
𝑃2 ( 𝑥 ) = − 3𝑥 2 + 6𝑥 − 3
2
La función queda
𝑥3
, 0≤𝑥<1
2
𝑓 (𝑥) = 𝑥3
− 3𝑥 2 + 6𝑥 − 3 , 1≤𝑥<2
2
{ 0 , 𝑒𝑛 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠
1
Si 𝑃 (𝑥≤1) → 𝑃(𝑥=1) =
2
𝑀𝑒𝑑(𝑥) = 1
Moda.-
Maximizamos → derivamos
3𝑥 , 0≤ 𝑥<1
𝑝(𝑥 ) = 𝑝′(𝑥) = { (
3 2 − 𝑥) , 1≤ 𝑥<2
Igualando a cero
3𝑥 = 0 → 𝑥=0 → 𝑃 (𝑥=0) = 0
𝑛𝑜 𝑒𝑥𝑖𝑠𝑡𝑒 𝑀𝑜𝑑(𝑥)
3(2 − 𝑥) = 0 → 𝑥=2 → 𝑃(𝑥=2) = 0
𝜎
c) Coeficiente de Variación:𝐶. 𝑉. =
𝑢
𝜎 2 = 𝐸(𝑥 2) − 𝑢2
.
𝐸(𝑥 2) = ∫ 𝑥 2 𝑝(𝑥) 𝑑𝑥
𝑅𝑥
1 2
3 3
𝐸(𝑥 2) = ∫ 𝑥 2 𝑥 2 𝑑𝑥 + ∫ 𝑥 2 (2 − 𝑥) 2 𝑑𝑥
0 2 1 2
5 1 3 2
3𝑥 3 4𝑥 4𝑥 4 𝑥 5
𝐸(𝑥 2) = | + ( − + )
25 0 2 3 4 5 1
3 3 8 3 4
𝐸(𝑥 2 ) = + ( )= +
10 2 15 10 5
11
𝐸(𝑥 2) =
10
11 1 1
𝜎 2 = 𝐸(𝑥 2) − 𝑢2 = −1 = → 𝜎=
10 10 √10
1
𝜎 √10 1
𝐶. 𝑉. = = → 𝐶. 𝑉. =
𝑢 1 √10
d) Coeficiente de Curtosis
𝑀4
𝐾=
𝜎4
. 1 2
3 3
𝑀4 = ∫ (𝑥 − 𝑢) 4 𝑑𝑥 = ∫ (𝑥 − 1) 4 𝑥 2 𝑑𝑥 + ∫ (𝑥 − 1) 4 𝑥 2 𝑑𝑥
𝑅𝑥 0 2 1 2
4 3 2 5
1
3 1 4𝑥 − 16𝑥 + 24𝑥 − 16𝑥 + 4 − 4𝑥
𝑀4 = ∫ (𝑥 6 − 4𝑥 5 + 6𝑥 4 − 4𝑥 3 + 𝑥 2) 𝑑𝑥 + ∫ ( +16𝑥 4 − 24𝑥 3 + 16𝑥 2 − 4𝑥 + 𝑥 6 ) 𝑑𝑥
0 2 0
−4𝑥 5 + 6𝑥 4 − 4𝑥 3 + 𝑥 2
2
26𝑥 5 44𝑥 4 41𝑥 3 20𝑥 2
1
3 𝑥 7 4𝑥 6 6𝑥 5 4𝑥 4 3 − +𝑥3 − −
𝑀4 = ( − + − + ) + 5 4 3 2
2 7 6 5 4 3 0 2 8𝑥 6 𝑥 7
+ + 4𝑥
( 6 7 )1
1 3 128 27 26 44 41 8 1
𝑀4 = + {(− + + 4 (2)) − ( − + − 10 − + + 4 )}
70 2 5 7 5 4 3 6 7
1 3 24 1364
𝑀4 = + ( − )
70 2 35 105
1
𝑀4 =
35
1
𝐾= 35 → 𝐾 = 2.857
1 4
( )
√10
Como:
𝐾 = 2.857 < 3 → 𝐿𝑎 𝑐𝑢𝑟𝑣𝑎 𝑒𝑠 𝑙𝑒𝑝𝑡𝑜𝑐𝑢𝑟𝑡𝑖𝑐𝑎
CAPITULO º 5
Definición.-
Existe una cantidad de modelos de probabilidades en variable aleatoria discreta, los mas utilizados
son:
- Distribución Binomial
- Distribución Geométrica
- Distribución Hipergeometrica
- Distribución de Poisson
Ensayo de Bernulli.-
Fracaso---> Defectuoso
𝑝+𝑞 = 1 𝑞 = 1− 𝑝
Si la variable aleatoria x representa la cantidad de éxitos, entonces:
𝑥 = 0 − −→ 𝑞 𝑥 = 1 − −→ 𝑝
x 0 1
P(x) q p
𝑝(𝑥) = 𝑝 𝑥 ∗ 𝑞 1−𝑥
𝐸(𝑥) = 𝜇 = ∑ 𝑥 ∗ 𝑝(𝑥)
La varianza:
𝜎 2 (𝑥) = (−𝑝) 2 𝑞 + (1 − 𝑝) 2 𝑝 = 𝑝 2 𝑞 + 𝑞 2 𝑝
𝜎 2 (𝑥) = 𝑝𝑞(𝑝 + 𝑞)
𝜎 2 (𝑥) = 𝑝 ∗ 𝑞
Distribución Binomial.-
La distribución binomial es resultado de repetir el ensayo de Bernulli “n” veces, donde la vari abl e
aleatoria x mide la cantidad de éxitos en las “n” entonces:
𝜇 = 𝑛𝑝
La varianza:
𝜎 2 (𝑥) = 𝑛 ∗ 𝑝 ∗ 𝑞
Ejemplo:
La probabilidad de éxito durante el vuelo para cada uno de los 6 motores de un avión es 0.0005. si
los 6 motores trabajan indiferentemente determine la probabilidad que en un vuelo determinado:
Solución
Ejemplo:
Un estudiante se presenta a un examen de selección múltiple que contiene 8 preguntas cada una
con tres respuestas opcionales, si el estudiante esta adivinando al responder cada pregunta y
además se sabe que para aprobar el examen debe responder correctamente 6 o mas preguntas
¿Cuál es la probabilidad de aprobar el examen?
Solución
La función de cuantía:
𝑝(𝑥) = 𝑝 ∗ 𝑞 𝑥−1
𝑃(𝑥) = ∑ 𝑝 ∗ 𝑞 𝑘−1
𝑘=0
En un laboratorio de física trabajan 10 físicos, de los cuales 6 son doctores y 4 licenciados, cada
mes se elige al azar a uno de los físicos como encargado del almacén. Calcular la probabilidad que
en el 5to mes, el almacén por tercera vez este a cargo de un doctor.
Solución
6 Doctores y 4 Licenciados = 10 físicos
3 3 2 𝑥−1
𝑝 = ( ) ∗( )
5 5
3 3−1
5 (3) (2)
𝑝= ( ) ∗ = 0.346
3−1 5 5
Distribución Hipergeométrica.-
La función de cuantía:
𝑀 𝑁 −𝑀
( )( )
𝑝(𝑥) = 𝑥 𝑛−𝑥
𝑁
( )
𝑛
La función de distribución es:
⟦𝑥 ⟧𝑀 𝑁−𝑀
( )( )
𝑝(𝑥) = ∑ 𝑘 𝑛−𝑘
𝑁
𝑘=0 ( )
𝑛
El valor promedio esperado:
𝑀
𝜇 =𝑛∗
𝑁
La varianza:
𝑀 𝑀 𝑁−𝑛
𝜎 2 (𝑥) = 𝑛 ∗ ( ) (1 − ) ( )
𝑁 𝑁 𝑁 −1
Aproximación a la Bernulli.-
Si n es muchísimo menor a N (n<<<N) entonces podemos aproximar por una binomial donde:
𝑀 𝑀
𝑝= ; 𝑞 = 1−
𝑁 𝑁
𝑥
𝑛 𝑀 𝑀 𝑛−𝑥
𝑝=( ) ( ) ∗ 1− )
(
𝑥 𝑁 𝑁
Ejemplo:
El cuerpo secretarial de una importante firma de bogados cuenta con 25 secretarias, 10 de las
cuales están en la compañía por mas de 5 años. Un ejecutivo desea seleccionar al azar 4
secretarias para asignarlas a un nuevo trabajo.
Solución
( 10) ( 15 )
𝑝(𝑥) = 𝑥 4 − 𝑥
25
( )
4
Al menos 3
Un lote de 100 tubos de televisor esta sujeto a unos procedimientos de control. El procedi mi ento
consiste en extraer 5 tubos aleatoriamente sin remplazo y probarlos. Si 2 o menos tubos fal tan se
aceptan el lote, en caso contrario se rechaza, determinar:
Solución
𝑥 = 0 ; 𝑥 = 1; 𝑥 = 2 → 𝑦 =? 𝑦 = 1,2,3, … .100
Por la aproximación debemos que por lo menos y=5-1=4 defectuosos en la muestra
Cuando en un evento es posible determinar una cantidad promedio de ocurrencias por unidad de
medida se denominan distribución de Poisson.
Donde:
𝑒 −𝜆𝑡 (𝜆𝑡)𝑥
𝑝(𝑥) = 𝑢𝑠𝑢𝑎𝑙𝑚𝑒𝑛𝑡𝑒 𝜆𝑡 = 𝛽
𝑥!
𝑒 −𝛽 (𝛽)𝑥
𝑝(𝑥) =
𝑥!
La función de distribución:
⟦𝑥 ⟧
𝑒 −𝛽 (𝛽) 𝑥
𝑃(𝑥) = ∑
𝑥!
𝑘=0
𝜇=𝛽
La varianza:
𝜎 2 (𝑥) = 𝛽
Ejemplo:
Suponga que un libro de mil paginas contiene en promedio 500 errores tipográficos, si estos
errores se distribuyen aleatoriamente a través del libro. ¿Cual es la probabilidad que una pagi na
seleccionada al azar no contenga errores? ¿Cuál es la probabilidad que 2 pagin as de 10
seleccionadas no contengan errores? ¿Cuál es el numero de paginas que no contiene ningún
error? ¿Cuál es el número de páginas que contienen exactamente un error?
Solución
𝑝(𝑥=0) = 𝑒 −1/2
2 de 10 no contengan errores
Empieza que las moléculas de un gas raro se encuentran a razón promedio de 3 por cm3 de aire. Si
las moléculas de este gas están distribuidas independientemente y al azar en el aire. Determine e l
tamaño de la muestra de aire que se debe tomar para que la probabilidad de encontrar al me nos
una molécula de este gas en la muestra sea 0.99 como mínimo.
Solución
𝑚𝑜𝑙𝑒𝑐𝑢𝑙𝑎𝑠
𝜆=3
𝑐𝑚 3 𝑑𝑒 𝑎𝑖𝑟𝑒
Entonces la distribución de la cantidad de moléculas del gas raro en el aire es:
𝑒 −3𝑡 (3𝑡) 𝑥
𝑝(𝑥) =
𝑥!
Si t= cantidad de cm3 de aire
𝑝(𝑥=0) = 0.01
Entonces:
𝑒 −3𝑡 (3𝑡) 0
𝑝(𝑥=0) = = 0.01
0!
𝑒 −3𝑡 = 0.01
Distribución uniforme.-
(𝑏 − 𝑎) 2
𝜎2 =
12
Distribución exponencial.-
La variable aleatoria “x” con promedio de eventos por unidad de medidas “λ” tiene la funci ón de
densidad.
𝑝(𝑥) = 𝜆𝑒 −𝜆𝑥 𝑠𝑖 𝑥 ≥ 0
La función de distribución:
𝑥
𝑃(𝑥) = ∫ 𝜆𝑒 −𝜆𝑥 𝑑𝑥 = 1 − 𝑒 −𝜆𝑥 𝑠𝑖 𝑥 ≥ 0
0
Ejemplo:
Un fabricante de mecanismos electrónicos encuentra que el tiempo en años al cabo del cual el
mecanismo requiere reparaciones es una V.A. “x”, una función de densidad exponencial y
parámetros 1/25. ¿Cuál es la probabilidad que el mecanismo no requiera reparación durante un
año?¿el fabricante desea garantizar el mecanismo para que el 90% de las computadoras que lo
utilizan no requiera reparación dentro del periodo de garantía?.
Solución
1 −1𝑥
𝑝(𝑥) = 𝑒 25 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜 = 1/25
25
Debemos hallar la probabilidad acumulada de que en años no exista reparación
1
𝑝 (𝑥≤6) = 1 − 𝑒 −25∗6 = 0.21
Con 90%
1
𝑝(𝑥≤𝑇) = 1 − 𝑒 −25𝑇 = 0.90
1
𝑒 −25𝑇 = 010
𝑇 = 57.56 𝑎ñ𝑜𝑠
Distribución Normal.-
Es la más importante de las distribuciones continuas y decimos que una V.A. “x” se distribuye
normalmente con media “µ” y varianza se responde a la siguiente función de densidad
1 1 𝑥−𝜇)2
− (
𝑝(𝑥) = 𝑒 25 𝜎 𝑠𝑖 𝑥 ≥0
𝜎√2𝜋
La función acumulada de distribución es:
𝑥 1 (𝑥−𝜇)2
1 −
𝑃(𝑥) = ∫ 𝑒 25 𝜎 𝑑𝑥
0 𝜎√2𝜋
Lo que se utiliza generalmente es:
Sabemos que:
̅̅̅̅̅̅̅̅̅
𝑎𝑥 + 𝑏 = 𝑎𝑥̅ + 𝑏 𝑥̅ = 𝜇 + 𝜎𝑧̅ 𝑝𝑒𝑟𝑜 𝑥̅ = 𝜇 → 𝑧̅ = 0
Sabemos que:
Ejemplo:
Solución
Entonces:
𝑝(𝜙<2.02) = 𝑝(𝑧=2.02−2 )
0.01
𝑝(𝜙<2.02) = 0.9772
𝑝(𝜙<1.98) = 𝑝(𝑧=1.98−2)
0.01
Propiedad reproductiva.-
S se tiene xi variables aleatorias que se distribuyen normalmente con “µi” medias y varianzas
entonces.
𝑦 = 𝑎1 𝑥1 + 𝑎 2 𝑥2 + 𝑎 3 𝑥3 + 𝑎 4 𝑥4 + ⋯ … +𝑎 𝑛 𝑥𝑛
𝜇 𝑦 = 𝑎1 𝜇1 + 𝑎 2 𝜇2 + 𝑎 3 𝜇3 + 𝑎 4 𝜇4 + ⋯ … +𝑎 𝑛 𝜇𝑛
𝜎𝑦 2 = 𝑎1 2 𝜎1 2 + 𝑎1 2 𝜎1 2 + 𝑎1 2 𝜎1 2 + 𝑎1 2 𝜎1 2 + ⋯ . . 𝑎1 2 𝜎1 2
Cuando x tiene xi variables aleatorios que se distribuyen normalmente con medios “µi” y vari anza
desde i=1 hasta n entonces:
∑𝑛𝑖=1 𝑥𝑖 − ∑𝑛𝑖=1 𝑁𝑖
𝑧𝑖 =
√∑𝑛𝑖=1 𝜎𝜄 2
Entonces si n -->0
∑ 𝑥 − ∑ 𝜇𝑖
𝑧0 =
√∑ 𝜎 2
Ejemplo:
En una placa junto a la puerta de un ascensor se lee “capacidad 6 personas” 990 lb. Suponer que
las personas que usan este ascensor están distribuidas normalmente con media de 140 lb y
desviación estándar de 30 lb.
Solución
𝑥 𝑇 = 𝑥1 + 𝑥 2 + 𝑥 3 + ⋯ … . +𝑥 6
𝜇 𝑥𝑇 = 𝜇 𝑥1 + 𝜇 𝑥2 + 𝜇 𝑥3 + ⋯ … . +𝜇 𝑥6
𝜇 𝑥𝑖 = 6 ∗ 140 = 840 𝑙𝑏
2 2 2 2
𝜎𝑥𝑇 = √𝜎𝑥1 + 𝜎𝑥2 + 𝜎𝑥3 … … . +𝜎𝑥6
𝑝(𝑥𝑇>990) = 1 − 𝑝(𝑥𝑇<990)
𝑝 (𝑥𝑇>990) = 1 − 𝑝(𝑧=990−840)
73.48
Para 7 personas
𝜇 𝑥𝑖 = 7 ∗ 140 = 980 𝑙𝑏
𝑝(𝑥𝑇>990) = 1 − 𝑝(𝑥𝑇<990)
𝑝(𝑥𝑇>990) = 1 − 𝑝(𝑧=990−980)
79.37
Ejemplo:
Las pastillas metalicas cilíndricas que se utilizan en un reactor se fabrican en serie y puede
suponerse que sus longitudes siguen una distribución normal con media de 0.29 cm y
desviación estándar 0.016 cm. 9 de ellas deben ajustarse, extremo con extremo en un
recipiente que ocupa una longitud no mayor de 2.67 cm. Si las 9 pastillas se e nsamblan al azar,
que proporción de estas no se ajustara en el espacio requerido.
Solución
𝜇 𝐿𝑇 = 9 ∗ 0.29 = 2.61 𝑐𝑚
𝑝(𝐿𝑇>𝐸𝑠𝑝𝑎𝑐𝑖𝑜) = 1 − 𝑝(𝐿𝑇<𝐸𝑠𝑝𝑎𝑐𝑖𝑜)
Definición.-
Para analizar una variable aleatoria bidimensional, podemos recurrir a tablas de frecuencias
bidimensionales.
Total
x4 – x5 x4' …
… …
Total f1 f2 f3 n
x f
x1' f1
x2' f2
x3' f3 y f
y1 ' f1
… y2 ' f2
y3 ' f3
Total n
…
Total n
Distribuciones Marginales
y y1 y2 yj Total
x2 p(x 2,y2 )
Total 1
Entonces:
∑ 𝑝(𝑥, 𝑦) = 1
𝑅𝑥
𝑅𝑦
Gráficamente:
𝑝(𝑥) = ∑ 𝑝(𝑥, 𝑦)
𝑅𝑦
𝑝(𝑦) = ∑ 𝑝(𝑥, 𝑦)
𝑅𝑥
En cada variable aleatoria marginal es posible hallar su propia esperanza matemática y su varianza.
𝑝(𝑥, 𝑦)
y debe verificar
∬ 𝑝(𝑥, 𝑦) 𝑑𝐴 = 1
𝑅𝑥,𝑦
Covarianza: Es la medida de la varianza común entre ambas variables aleatoria, simbolizada por:
𝐶𝑜𝑣(𝑥, 𝑦)
La covarianza se define por:
𝑐𝑜𝑣(𝑥, 𝑦) = 𝐸 (𝑥, 𝑦) − 𝑢𝑥 𝑢𝑦
donde
Se conoce −1 ≤ 𝜌(𝑥, 𝑦) ≤ 1
Si 𝜌 (𝑥, 𝑦) = 1 → Correlación Alta Positiva
1
7
6
5
4
3
2
1
0
0 2 4 6
=> 𝑐𝑜𝑣(𝑥, 𝑦) = 0
0
6
0
0 2 4 6 8
Ejemplo:
Sean 𝑥 y 𝑦 dos variables aleatorias que representan el número de bicicletas producidas por las
líneas ensambladoras A y B respectivamente en un día, la distribución de probabilidad conjunta de
las variables aleatorias dada en la siguiente tabla:
Se pide: a) Cual es la probabilidad de que la línea B produzca 3 bicicletas si se sabe que la líne a A a
producido 1. b) Hallar la covarianza y el coeficiente de correlación.
Y 0 1 2 3 4 5 Total
Solución
a) 𝑃(𝐵𝑝𝑟𝑜𝑑𝑢𝑠𝑐𝑎 3 ; 𝑠𝑖 𝐴 = 1)
𝑃(𝑦 = 3 ∩ 𝑥 = 1) 0,07
𝑃(𝑦 = 3|𝑥 = 1) = = = 0,23
𝑃(𝑥 = 1) 0,30
Marginales
0 0,02 0 0
4 0,25 1 4 𝐺𝑦 = 1,307
b) 𝑐𝑜𝑣(𝑥, 𝑦) =?
𝐸 (𝑥, 𝑦) = ∑ 𝑥𝑦 𝑝 (𝑥, 𝑦)
−1,7
𝜌 (𝑥, 𝑦) = ( = −1,218 𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑎𝑙𝑡𝑎 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑜
1,068) (1,307)
Ejemplo:
Suponga que "𝑥" es el tiempo en minutos que una persona pasa en la sala de espera de cierto
medico y "𝑦" la duración en minutos de un examen físico completo, son variables aleatori as cuya
función de densidad de probabilidad conjunta es:
1 −𝑥 −𝑦
𝑝 (𝑥, 𝑦) = 𝑒 10 𝑒 50 𝑠𝑖 𝑥≥0 ; 𝑦≥0
𝑎
Usted llega a la consulta del médico para un examen físico 50 minutos antes de tener que parti r a
una reunión. Cuál es la probabilidad de salir tarde para la reunión.
Solucion
1 ∞ −𝑦 −𝑥 1 ∞
∫ 𝑒 50 𝑒 10
𝑎 0 −1 𝐼0 𝑑𝑦 = 1
10
∞
∞ −𝑦
1 10 −𝑦 10 −𝑦 1
(−10) ∫ 𝑒 50 (𝑒 −∞ −𝑒 0 )𝑑𝑦 = ∫ 𝑒 30 𝑑𝑦 = 𝑒 50 ( −1 ) 𝐼0∞ = 1
𝑎 0 𝑎 𝑎
0 50
10 500
(−50){𝑒 −∞ −𝑒 0 } =
𝑎 𝑎
𝑎 = 500
1 −𝑥 −𝑦
=> 𝑝(𝑥, 𝑦) = 𝑒 10 𝑒 50 𝑠𝑖 𝑥≥0 , 𝑦≥ 0
500
Para que llegue tarde:
𝑥 + 𝑦 ≥ 50
como 𝑥 + 𝑦 ≥ 50
=> 𝑠𝑖 𝑥 = 50 ∧ 𝑦=0
1 −50
𝑝(50,0) = 𝑒 10 = 1,34𝑥10−5
500
La otra opción
=> 𝑠𝑖 𝑥=0 ∧ 𝑦 = 50
1 −50
𝑝(0,50) = 𝑒 50 = 7,36𝑥10−4
500
Rango:
𝑅𝑎𝑛𝑔𝑜 = 7.22𝑥10−4
Marginales
−𝑥
∞ 1 −𝑥 −𝑦 𝑒 10 −𝑦 1 ∞
𝑝(𝑥) = ∫0 𝑒 10 𝑒 50 𝑑𝑦 = 𝑒 50 −1 𝐼0
500 500
50
1 −𝑥
𝑝(𝑥) = ( −50)𝑒 (0 − 1)
10
500
1 −𝑥
𝑝(𝑥) = 𝑒 10 𝑥 ≥0
10
∞ 1 −𝑥 −𝑦
𝑝(𝑦) = ∫0 𝑒 10 𝑒 50 𝑑𝑦
500
−10 −𝑦
𝑝(𝑦) = 𝑒 50 (0 − 1)
500
−𝑦
1
𝑝(𝑦) = 𝑒 50 𝑦≥0
50