ESTADISTICA APLICADA JULIAN DE LA HORRA NAVARROInaice Pretacio |, ESTADISTICA DESCRIPTIVA DE UNA VARIABLE. 1 Introduce Variables cuaiaivas Vanibles cumntativas Digramas de tlle y ojoe Medias de eentralicacion Medias de dispersion Ejersicos 2 ESTADISTICA DESCRIPTIVA DE DOS VARIABLES. 17 Introdscin ‘Conceptos biscosy planteamients Modelo de regress lineal Aplicaciones del modelo de regres lineal Frecos 3 PROBABILIDAD 23 Irodvesion Conceptos basicos spaces muestraes disretos robabilidad condicionada Sueesosindependentes Reglas tiles pata cleular probabilidades precios xin u 1 3 6 ” B B as % n 8 2‘VARIABLES ALEATORIAS. 57 Inseoduscin Conceptos bascos Varatles aletorts discretas Variables aletoras comtinuas Ejerscos VECTORES ALEATORIOS 47 Introdesiin Conceptos bisios Vectors aleatorios divertor Vestoresaletorioe continuos Algunas propiedades dies Ejerasios eee MODELOS DE PROBABILIDAD MAS COMUNES 63 Introduccin Pruebas de Bernoui 3 Disttbucién Binomial wos modelos basados ea procbas de Bernoul Distbucisn de Poisson Distbucion hiperasometrica 2.2. Distbucion normal Distrbucionesasociadas ln normal Distbucion normal multvarante Eersicos MUESTREO ALEATORIO. §1 1 Introduccion 2 Conceptos bisicos 3% Tnferenea paramevica 4 Esaditico suites ESTIMACION PUNTUAL 47 Inurodesin Conceptos biscos terror euadritico medio, Estimadoresisesgador Extimadoresconsistentes Metodos de construcion de estimadores Ejereicios ” ” a a 3 3 s o 8 6 & a 2 4 8 8 s . s ° ESTIMACION POR INTERVALOS DE CONFIANZA 97. Introduccsn Conceptos basicos CCantdades pivots poblacions normales Incralos de confianza cn poblecones normales ros interlos de eonfanrs ‘Minima tamato muestal Intervlos de confianra mss frecienie Hjerecos 10, CONTRASTE DE HIPOTESIS PARAMETRICAS 109 Inieodesisn Conezptos hascos Text de ravén de veroimiitades Algunas consideraionesadicionles Ejemplos ‘Test de hipsiis mds feeuenies Ejteicos 11, CONTRASTES 7°25 Introduccisa CConttaste de i bondad de ajuse (pre caso) Contrast dela bondad del ajuste (segundo caso) CContaste de homogeneidad de pobationes CContraste de independencia jersicos 12, REGRESION Y ANALISIS DE LA VARIANZA 137 Introducesn Regresion lina! simple Annis de la vaiaea vnifactorial jerccos Bene go peeene BJERCICIOS ADICIONALES 147 TABLAS 167 ns ns 1235, im I wr a m1 7Estadistica descriptiva de una variable 1. Introduccion Si estamos interesides en estudiar alguns caracteristca de uns poblacén (peso distbucida de ema eto ms completo es, evidentement estar 1 poblacign entara.Fero eto sacle requerir demasiado tempo y demasiado dinero. Otras vere, estudio de un elemento es destrutvo, con lo eu ex ‘nspoibe hacer un anne de toda I pobacin (nos quadaramos sin obi {dn}. Por tant, noeralmente, aos conformaremos con un conocimient pat ‘Gal dela poblacia, Esto lo conseguremos observando unos euantoselemen- tos viendo edn eso euto vale en ellos esa caracterice que nos interes. Este conjunto de eemeatos que observames eo que Hamarenos una mostra {ela poblacin. Poe supaet, ones muzsras representa mejor ale Poblacion ‘be ora, yea ites lubed be formalizala ms adelante. Pero, de moment, ‘os qedremos,smplnent, co la ie de que na muta deers obienerse etl forma que reroente emis o menos hich, al canjunto dela poblacn El objtive Bisco dela Esadétiea Desrpiva es cer wna descrip lo sf seneila poste de os resultados obtenidos en la muestra. Esta descripcin Se hurd mediante epresentacionsgrcas¥ mediante rpresentaciones nu ‘us En estas repesenacones hay una idea imple: fo que ceure en tod poblicidn, syarumen, es bastame pure a To gue ocure en la mest Pera instmos en que exo se formalzari: mis adelame. Este eaptlo ess edieado solamente hacer an eso diseptvo de lo abteido en uns ‘stra consrel, end nos ntresimos en ana sla carta, Gee ‘un sola variable estadsica. Estas vaables pueden ser de dos tipo clitaivas yountiatvs 2 Variables cualitativas Un variable edit es emltativa nando slo puede clsifeare en eae pro aor cea eeeniee cee eeeeas persons de una ddd, la Facultad o Escuela en la qu estén maticul ‘dos lon estudiantes de ura Universiad, et En ete caso slo pers hice Fepreeniaconesgrifies Su objetivo ex dar ma ideo iu sencil de lo Imoesira obtenida- Natralmeate, hy una gran variodud de repeseataconss ‘reas. A continuacdn, vemos algunas de elas en un efmplo vEMPLO: clasfcamos una musta dé 100 personas seit su grupo sanguine: Grup A: 42 personas Grip B: 12 personas Grupo AB: 8 personas Grp 0:41 personas, sts datos pueden represnarse grificamente mance un dagrama de rec tdngalos yun dlagraa de secre (pr hemp). Ver Fi. 1. Fe EF siqifeado de estas y otras epresenacones similares es obvio, 3. Variables cuantiativas Una variable estadtioaX es euaitativ cuando toma valores numércos Son Tas ms interesante, ya que con elas psdermos hacer reprsentaciones numescas que no tenan sentido para lot variables cuales Es muy baba dings os tis de variables cuantiaivas que inaicamos a continuacce: Discos: slo pueden tomar un conjunto Frito o mumerable de valores (genoraimente valores entero eerie een Gi a Sin embargo, es convenient resaltar que, pare Ia mayorla de las cosas, incevane at la variable ex dicrciao continua Utzaetos la siguiente nota ‘in tanto para arable dices Some para coninuas ve tamao de la mucstra=nimero de lmentosobservades, Sony e_tepesentan los valores de a variable estates obtenidos en a sues (pede haber repetiions). [A veces l estudiar variables contiuas, no dsponemos de los datos onigina- es, sino que nos dan ls datos agrupados en una sre de clases Ayn Ay EM este cas, la noc srt 1 tamato de Ia muestra=nmero de elementos abservados. Sr epesenantes dons class A, A generalment, los puntos me: dios de fos imervalsh. nn Px: aro de observaciones dentro de cada case [Recvencis abso as) Si oht fresuendias reativas dentro de cada clas nh Por supuesto, et prefible wir ls datos originales a usar Jos datos grupos en unas clases arial Inulvamane os datos originales conti: ten mis informacion que les datos agrupados 4. Diagramas de tals y hojas Se pusten oer dsints representacones grifeas con los datos de un variable ‘uantiatva X dagramas de barras pura variables dserias,hsourams para variables continua, ete. Todas estas representaciones son muy sella y ficks & comprenderA modo de sump, vamos ¢indcar equ ina representa ‘muy interesante (por su senile) para varables cuanttatvas continua os agramss de alls y hojs El provlimienta es come sige 4) Redondear los datos a un admero convenient de cias signcavas (generalmente, dos 0 tes. 1) Colocrles en una tabla con dos columnasseparadas por una ina, de 1a siguiente forma “Todas ls cifras menos Lia se eacriben Ia iyuieda de Ia Kea (Porpan a alo 1a him cia se eseribe ala deteca forma I hoa ©) Cada tall deine un cate y se exeribe solo una Yer. El numero de ee eeEXEMPLO: represemar mediante wn diagrams de tallos y hojas ls siguientes dass, expresados on cm 11387 12582 1.386 12431 14202 15213 13300 11,300 17,206 12,710 1AASS 16145 12,162 12 721 13420 14.698 4} Los expresamos en mm (redomdeamas a tres ciast 114 125 108 124 142 152 133 113 172127 138164 122 127 134 147 bye 148 se 13388 127 152 11 m2 De esta manor, los propinsdatx nos dan wna idea visual de ta oma con mayor ‘Frecuenca de obsercactons 5S. Medidas de centralizacién [La msi de as medida de centralization es dar una ides del valor canta lrededor del cual se reparten los valores de Ia muestra obteida, Solmente “efinirrnos las més habituleseitererante, EEINICION: le media muestra se define como: (Cuan se rae de una triable comin con los datos agrupaes,wsarones. R= (UD he, ysj~ Bhs fay ex dvi cn cama set ealer haber aparece eves. Per instinos en qu. si ls datos estdn sin grupo, no tee much ssmido grupos). DDerINtex0N: fide de fa mdiana masta esl siguiente: sel valor de a muestra ge de gerd» decks miso ier de obseeacones wa tes ondonadas. Por tanto, para hallar lr means de a mesa demas lx obec suite movers myer ¥ encean dos yrottbadis Stet nimero de obsertciones es impar a melana ese valor ental ‘Stel numero de observacions espa mediana exe! panto medio de las des calor contra (Sis roa de wna variable continua con ls datos agrapados, lo mis ques puede hall generalment, exo interval medlana:e deer. case em a ues frcuenra la medana. Pero no hay Jorma de saber euinto eal exactamente la Imeina Ex algunos textos se recurre hacer ana nterpolacin: pero ex ‘aul @suponer qu 13 datos se reparen de wna manera wnforme dentro de ‘ida cle, cova qu, en realidad, no sobemos. qu. poblement, moe ira) DDEFINICION: fa mde de ana muestra de una vriable estadtsticn dsereta es telor gue parece mis repaid en le muestra La moda no tiene musho interés como medida de centalzaién por varias razones nd tine sentido para variables estadsticas continua (habs que fetupar, posde no ser ut valor central, puede haber una moda en cia 6. Medidas de dispersin ‘Las medidas de centraliasisa, por solu, son claramente isufcientes pa resumir oda una muesta. Por ejemplo, as muesras de a Fig 1.2 tendrian os ‘mame valores de media mss y mediana muestra y sin embargo, som ‘estas may diferent: rip 12 Las dos muestras diferen claramente e la separa de sus datos. Com ‘iene dar alguna medida que no dé una idea del spersidn de los datos co espacio lor valores centre. Fst l objetivo de las medidas de disper Son Las mis interesotes son la varianray fy devin Upca musta. DDerINIcION: fa rarinca musa eden como Lone (31 se yaa de a evible continu, om ox dates agrapads. armas exprenide: 6,= (10 ES 2%) he S02 -PDPara ealcular la varianzasucle Ser mds edmodo ust Ia siguenteexpresion ‘ue obtenemos desarroliando el euadrado (39-20 8 nee) rlbve 5 variable contin con los ats agrupades, tne aU thy ant tet, fate) "Es eovnt econ oxox en les ques dfn Ie vara ese de ura forma grants difrnte: en vee de dvi porns dae por 4-1 Did porn1 es algo menos natural ay razoes gut jusican ace ‘eo esa renones nose pudenda en exe momenta, ya qu ncesiatamae fable de emo he io extra a morta, yest spect todavia no Yamin + consierri. Con i defini. que bemos dado. a vain mcrae Simplement, oa sdspersién cudedticar moda, Derintcton: ta deseacntipica (0 dessin eséndor) de la muestra ex la rls candrada postiva dela variance maesta Con ta esvacin tpn intents medir I disperién en Tas unidedes ongiales, ya que la varianza nos dala media de los eandrads dels dsr ones a fa media meses EreuPLo: sansa aplicar todos ios conceton anteriores la iglente muesir de extras de 24 personas 162175 1.60 140 198 200 1.71 188 160 167 TAS 1.89 157 156162 193, 184-201 170'135 205 166 190 1.65, Tenamos el sguente diagrana de tals y haat con tes cifras gnats. Mt 17 16 20807265, 17510 Py 35 193m 20015 Media musta Medina muestra: Lr HOA 508 Varionsa muestra § F-#-oon6 Desvici tipica muestra: JanEB=018 Suporgamos ahora qu, on se de lox datos originales, as hubiesen dado ls tox agrpados de la Slguiente maner: Clowes 10, 60) [1.60, 190) (1.7, 180 [10; 190) [99; 210, Br ete caso, tendrtames: Media muestra: Intrealo modana Varina muestra Dessacin plea musta7. Rjercicios 1. 1oveascomiron una hieba venenota, Las horas que tardaron en mori fueron: 44,2724 24 36,36, 44, 44 120, 29,3636 36 Analizar descrip 22 Lae puntuaciones de un test de inteligenia de 198 personas deron los siguientes resultados: Puntuacidn: [30,40], (40,50. (50, 60), 60,70}, (70,80), (40,90) Nodepesoms 6 17 6 Analizar dscriptivamente 3. La clsicacign de 100 familias por el numero de hijos ex Nedehjon 0 1 2 3 4 $67 8 Nedefamiias 11 13° 20 28 0 4 201 Analizar descriptivamente 4. Se tienen os siguientes porcenajes de las tallas de fos recta {8d reemplazo de 1968: “alla encm. menos de 150. (150, 15] (188,160) (160, 165) % 03 16 a 1s. fm. (165,170) (7,175) (175,180) mde de 180 mas m5 107 35 Tall Analiae deseriptivamente Datos obserados en un estudio sobre el tamaao de los huevos de exce (Biometrika (1902) Anciara Ne de hues 1375-1435, 1435-1475, 1435-1525, 1528-1578, 1575-1625, 1625-1695, tes 1725 1738-1735, 1778-1825, 1828-1875, 1875 «1825 Bote ne n Analizr descripivamene En 1879 Michelson obtuvo lot siguientes valoves pare la velocidad de la Jur en el ait (oda los resultados rstando 29900 los datos orginales, fh kang. pra facitar so maneo): 850,740, 900. L070, 90,880,950, ‘580, 9, 880. 1.00, 980,930, 630, 760. ‘En 1882 Newcomb, utizando oto proeedimiento, obtavo (restando de nuevo 29900 8 #6, 77H, 796, 642 TH, 1, 39% LOSI 781, S78, 96, ‘778,820, 77S pie: 4) Diagrams de alloy boas para ambas dtibuciones, 1) Medias y desvaciones tpn 1) {Que conclusions pueden extracts? Lo siguientes tos feeron wtiizados por Lord Rayleigh (1894) En els lapmecen los pesos del itedgeno producdo a parti de eompuesios qui hs 0 ¢ patr del site suprimiendo el oxgeao. Anaizaros mediante un dagrama de tllo y hojae Fecha _Orgen Agente purleador Peso de nlrdyeno B-XI-1892 NO Acro caliente 230143 SUIS NO Acero caliente 220816 GXILIDS NO Aoero eaeae 230182 NO Acero caliente 223590 Aire Acero cente 231017 TEXILI3 Aire Acero eaeate 20986 ISXILIB93 Aire Acero caliente 21010 BLXILIBS Aire Acero caliente 231001 2eXILIS NO Aes caliente 220889 DEXILIBS NO. Acero cliente 223040 NH.NO, Acero caliente 229899 NHINO; Acero caliente 220889 ‘ire | Hidrato de hiewo 231024 ‘site Hidrato de hero Aire Hidrato de hierEstad{stica descriptiva de dos variables 1. Introduceién En muchos casos etaremos intersados en hacer un estudio eonjunto de vari caracteriticas de una poblacin, Para far ideas, y para 90 complica ‘otacon, supongamos que deseamos estudiar dos craceristica cuanttativas Xe ¥, de una poblacion (as consderames variables euantitatvas porque [os ‘onceptos ques van a define slo tienen sentido para elas) Xe pode Ta longited yl anchura de una especie de insectos, a tas de iafasn y I a de desmplco de un pata lo largo de una sere de aos eto objetivo fondamental va a ser uatar de encontrar una curva sencilla qu express (de manera resumida) la posible rain ent Xe ¥ 2 Conceptos bisicos y planteamiento Para haere extodo conjunto de as variables cuantitativas X eY,supondre ros que sisponemos de una mucsea dem pares de observaciones de Xe Y Gp Fah son Oe Bd Fs deci, para el elemento smo de la muestra observamos lo que vale I ‘arable X ¢ ¥-Fsto es fondamental para poder dec sig sensato sobve I Posie relacon entre las variables. gual que en el capitulo dedicado a la Estadsviea Descriptive de una variable, no se hars ninguna mencion sobre ‘mo sh obtenido In mest, Tenemos en mente Ia dea de que represent 4a poblacion total (de alguna forma}. pero esta idea ise precard mis necesiard (de momento Por sopucta, se puede hacer un eto de cada varitle por separa, Caleuar en particle, medidas de centraliracisn y de digersin como Sy 5 5, Adends, ests valores los neorsaremos mis adelante, Pero, coma emos indieado, no es ete el objetivo fandamental,Ants de aces cali tel, cone reeset en plano ls pe de valores cbenlon. Con cto oenemos una He de pte. que en foes dar aa ide val eas poles easones existent Fg 3 Fig 21 Adams de os coneios 30 ion de media y vane, vamos ¢ sce eh asso el cons coven ee conte lak dos variables a la vez. ™ DEFINICION: ls courianza mucsrl ene las obseracines de X e Ya define Ls covaranea va a sparecer de manera natural al obwner rect de rare sion (un poco ts adelante). De momento, podemos indica (de manera ink tal que hay cits asocacén ent el signo dea covarianza la onntacicn dela nube de puntos (Fig 22 Es Ife comprobar lis axoccions indcadas sin mas que a \efici de coveriana. Por supucsto, se rata de una simpifeaié, 3. Modelo de regresin lineal Sepongamos que la nube de puntos obtenida es de cualquiera de las dos formas indieadas en lt Fig 23. Fi. 23 En estos caso parece bastante razoahleintentarresumir oda la nue de puntos mediante una recta: con esta recta se trtarta de ormalizar fn iden de ‘ue existe una Girt rela inal ente los valores de X e Y. Una de las ‘arabes jar el papel de variable independinte (1X) y la otra desepenara el ppl do variable dependent de la primera () Esta sein etd dedi obtener areca de reresién de Y sabre DerinicioN: la recia de regres de Y sobre X es la recta y=a-+bx, que rintnia el erorcuadratce medio (ECM): ECM. piranha? La iden de In rect de rgresién ex secil inentamos encontrar a eta que niejorrpresenta ala nube de puntos, ene setide de minimizar ls medi de os euadados de as distancasvertals dels detente puntos ela ruby teeta (ver Fig. 24) "El problema de hala sta recta de epresin reduce al problema tenico ‘de rinimizar una foncidn (ECM) de dos variables (a y 8. Eso cs lo que pee ene- DeFINicION: Ja varianza residual es ef error cuadratico medio cometido con ia a Dera or | en 18 COV5, 005, F . Vetoan witni=! § (yayoSMer a Set) Fig. 24 ze 7 ia eeme! Baa ~3 (Estenersoe § gan -m F xo+aa 3 x) Derando con spect a cada vasa igmlando a ea, obese Siguiente sistema de ecusciones: : SESH 1 (oa naar fa) -0 $2 Banned a)-0 oa stn tint de ren ta any Stang 5 pe te Se nde compar (pr no harem) gue ca solic coresponde nim de a fancin: Pr tno, eae rprei Ys Ye En deta ed rpesion de Ysobe yy Es obvio que, sain como sea la ube de puntos recta de represiin a tepteetard mejor oper Esto vedo por ero cundrsoco mede (3 ocmrs (Se) F to-ar-2 Se § owas) ota, (4 a) El coriente que aparece en la lima expresion recibe un nombre especie: DEFINICION: el eofleme de correlate muestra entre Xe ¥ se define coms Bl coeiente de coneacién muestra tom sempre wn valor entre —1y 1 (ya que la varanza reival al ser una summa de cuadrados, no. puede tt rnegaiv) Fl que ocuria con In covaianra, hay una cera asociacsn entre aloe der lt orlentacion de la aube de puntos (Fig 25}. Fe2s4. Aplicaciones del modelo de regresin lineal En muchas stuaciones,intentar resumir lt aube de puntos mediate una rect puede no tener mucho sentide. Por supuest, sempre e puede halla eu esa fecta que mejor resume est nube de punios pero ew resumen puede so) ffaneamente malo Podemos pensar en una gran vavedad de modcos alterna vos al modelo linea. Esta seccion va a estar dedada incur emo 5 pueden aplicar os resultados dal modelo de reprsiin incl a ottos moseon ‘como el logarimizo,exponencal, et. Todes elo tendrdn en comin que se pueden reducir al modelo lineal mediante une sncls transformed, En general, disponemos de unas abservacions (4) (9) dos arses Xe Y de una potas, y qurenos star un movel do +b ats esos datos, podemos defini una nueva variable estaditica T= g(X)y hal la ecia de regresin de sobre T correspondiente alo datos, 94) he) donde 1,= 90s) typ) Una ver obienida Ia rosta de Tegesén de ¥ sobre 7, deshacemos ci cambio y obtenemos la curva pedi, Veunosalgunce ‘Semplos EIEMPLO (REGRESION LoGaRITMTCAk cua a mibe depose om la gue ‘parece en a Fly 26, parece bastante aconsjabl ahstar un model de a forma yHatb log x (reqresinlogartimica) (7 qu a ube de puntos recerda la fancy 2), donde oe logart Fin 26 En est caso, dfninas T=log X, allamos ta recta de regres de ¥ sabre 1 1 deshacenos el cambio (deskacer el cambio signa aga que la rete de ‘regresion de Y sobre T obtenia es, por ejerpo, = 2 3rd cura pede papas, 53-01 bg) [E,eWPLO (REGRESION EXPONENCIAL: cuando la mube de putos es como una de Tas gue aparecon em ln Fig. 27, stam razomableInerar representa mediante um modelo del forma ad (regresin exponencal) (gue dihas mies recardan lax faniones ye" e ye") Fie 27 Tomanto logartonos, tondriamos log y=log a+bx. St ahora lamamos log lo sico que temas gue hacer es hallar ta recta de regreién de 7 Sete Xj deshaere combo (on este caso, devhacrel cambio signca qu ia ‘eta de regreson de T sobre X obtenda es, por ejomplo. t= 2+ 4x, Ja cuca Dodi ex, simplemente, 06", 0 Logue es igual. Y= 1392"). S.Ejercicios 1. Lor siguientes datos corresponden 4 la evlusion det peso ex fn mgr ml) y ls eanidad de ntato‘en un colt de sgaé durante 3 das Itediciones cada 24 hors Tempo(T) Peso(X) Canidad de mira) oor ois 032 oT os ator «peso (X)y scantidad 1) Ajustar un recta yuna exponen fe miteaton (¥). 1) Kjstar una curva la evolucign temporal del peso. (©) Mediante lo obtenido en a) yb) estar la cantdad de strato que Se ane eee or ae2B mest de dreas contiguas se utliza en Ecologs inimero de especies ditntas de planta por dre. El recuento se realiea de ‘manera que cada siguiente dren contigua tene el doble de supericie fempezande por un area de I'm, svi el siguiente exquema: I modelo que relaciona ¥=n* de especies com X =superfcie en? es Yealog ¥+) a~todce de diversdad, sea) Ajestar dicho model a oe dace X 124862 6 w Yo24°7 1 16 19 21 expecie ditntas 3. En un estudio sobre la resistencia a bajas vemperauras del bacilo de fibre tifoidea, se expusiron cultivos del baila durante dierentespriodor de tiempo 4 ~5°C: Los siguientes datos represent X= tiempo de expoicion (en semanas. ‘Y= porceatje de bacon superivients, Kom 123 5 9 1 ¥: WO 42 14 75 08 O11 095. ocr 164062 § tor 9952 isa ona recta yuna exponen los datos. Interpret ls eu Ajustar uoa ret ‘oh, 1 os datos siguientes de lon careteres X~longitad fon ejmplares de Rubia peregrina de la oclidad Xi oO 2 33 D4 27 38 25 37 25 BB A 37 4S 27 IB 3s MVP CPE TSA PATHS FT -Ajustar un recta «Ins caiissiones de 14 slumnos en dos asignatras rons Bioesadbicar 33 1 6 $8254 7 75 65 9 10 51 58 Histolopie —2435S5591 4 78 6 7 8 43 3 ‘Una fabrics de cervecaquieeaverguar si existe una relaciGn ineal entre cl dinero que asta en anurciosdetelevisin y sos ventas foals Anaizar os siguientes dats: Ventas Gaston em amancos de TV Mes (res de dilares) "(miles de dares) Enero 0 os 0 09 x0 oe 50 or 31 1 9s ars 95 os 7 Una empress giere conocer la relacin entre tamaho desu equipo de seas y ss ingresos anaes en intos de mis de dues) Se examina lar clras de low 10 stinoe ats, obtnisndose los datos de In tabla sigwente dito Nide vendedores Ventas 1975 Is 135 196 18 1st i 8 2 978 2 2a i 25 26 1980, 2» 293 1981 30 Mat 1982 2 36 983 as 363 ia. = bi 44% Lasiguent tabla properiona tres indicadoresecondmicos pata los pales el OCDE: x, x axe ral de Taso de crecimiento de PNB desmplen on media 7282 1586 20 800 28 130 26 450 22 B30 2 930 875 2230 12s 62s sos 300 1400 1895 00) 1030) 25 1s “0 225 16 495 3B 1150 is 110 ts 300 as 030 SI 1350 Representa grificamente los datos consderundo los indiadores de os en dos, y hallar ls corsespondientes cotcentes de correlation, 8. En un ertutio de aboratoro se han medido, en una crt especie canin, as variables paso (X} y eonoenracién en singre(F) dea certs surtan fn. Los dator resumidos son los siguientes ry 135 Ew asa de increments ie indices de resis 1985 2675 x 2 1 2s Lyai7 Lyi 19,83 Dev yhesan Ehezone p23 sea 2) Calculate coefiiente de corelacia ene Xe ¥. 1} Ajestar una cura de eauciin F=a+ Bi a os datosProbabilidad 1. Introduccién Como hemos visto el objetivo de la Extaditica Deseripivs es simplemente hacer una descripeion seneila de los datos eocespontheney a le mnestea ‘obtenia, Pet, abitulente, vamos pretender ms el objeto fundamen, tal do la Estadistia es infer as propiedads dela poblacin a pact dels propiedad dea muss Para esto necsiremos Un poetic de union ene In pablacgn y ln muestra, Este pent lo formarin los moielos de probate tian, ‘Cuando consideramos un experimenio © fenmeno stator (Como el lanzamiento de un dado ola obseracin de una persons a ay para obtener si altura no sabemos de antemano cull eel resultado gu amos a obtenr Pero, normalment, tenemos certo condciniento sobre lt mayor © menor posbildad de apurcén de los diftentes resultados. Este cnncimicnte ee fe se tata de resogeryformalizar en e concepto de pecublidad. Vea Snido, cn muchas ocasone, la iea de ecuensa flat de apariidn de se rewtllado cuando se repite muchas voes cl experimento lavoro en las iss ‘mas condiciones, 2 Conceptos bisicos Deii10% espacio musral de ws experimen altri esl conju de resultados elementles que pueden obtenrse en dcho eperineny, Asien el lanzamiento de una moneda, e espacio matial es ©=|Care, (Crush ee lanzamiento de un dado, =i, 23,4 5, dl experiments slealrio ol eles al azar de un persoca adulta de a poblacion pars ‘medi su altura, 2 serd un interval que reoja as lturas que avonablemente, Doeden oblenese (por ejemplo, eh interval (1.50; 2105 tango. tambien, demos cucarnos en salud y tomar el ntervlo (0: =).DerINIctOn: wn suceso es wn subonjnto de espacio muestra (En realidad cesta dfcign no es rgurosa deste el punto de esta mate, a gue, eb ‘ertaystuaione, mo todon lo sbounton sero sucess: per, pre ‘sinc rigaona, ncestartanos el concept dedigebra fo debra) sie fete nel, lo dnco qu hace es eear comin) Asien el lanzamieno de un dado, un see seri, por ejemplo, obtener uo numero par. es doe, (2,4 6) en la obteneén de ator dena poblacon adult, un suceso sera, por ejemplo. que a altura estuies dentro deiner To 70 130) DDerINIcton: wr modelo fucin de probabil es wna frcn P, que a cade suceso Ale hae orresponder ui mbero P(A) ene Oy, sercande 8) a)=1, BY Si Aas Ag om sucess dito (0 nce: PUA) =E PUA) Esta dfnicidn de modelo de probabilidad est sueria por ls propieda: es de as tecvecis telativas. Por supursto, la definign no resuelve el problema de asignar probablidades 4 erence soeror en una nibacin {eteminada; fo Unio Que bac la defnicin aneros es imponercetas cond tones de coerenen a cualquier modelo de probablidad. A parr de estas condiciones aninimas de coberenca a pueden obtener, sin rmbarg, mockat Dropiedades que sevin muy utiles, en diferentes stuaciones, para eectuar el ‘ileulo de a probablidad de sueesos compliados. PROPIEDADES DE UN MODFLO DF FROBARILIDAD. 8}, Para cualquier suceso A: P(A imentaria de A en), by PW)=0 (donde 8 es el sueso taco) 9 HACE: P(A) (donde A e5¢ sceo compe. PLA) PIB) y P(B=A)= PB) PLAY 8) LAW B)= PLA) + PUB) PLAN. ©) Ui A= Ban PUA)mE, PALA =I Todas esas ropedaes son sencilas de comprobar 8) PR)=PAUA)~ PLANS PUA por tanta Play= PIQ)—PIA)=1~PLA) by PO)=1—PE=1- PLR)=0. ©) PUB) PAUIB- AD PLAV+PIB-Ak, las dos conclusiones de ese ‘partad Son ya medias. 4) PAUB)= PLAUIB- (AN B))= PLA) PIB [A= = PIA) + PB) PLAN ©) ES una generalization de la propiedad anterior. Se pede obtener por Induct sn mucho exfurso {pero no lo harmo) 3. Espacios muestrales diseretos ‘Uns boone parte de los experiments sletorios que vamos a considrar son ‘specimen seni de dexeibir (en torah, ym que constan solamente de ‘onjuntofisto 0 numerable de posibles resultados: Por ejemplo cl lanzamien to de un dado, el numero de sinestros a los"qu tiene que her frente ung compara de wguros, et DEFINICION: un espacio muestra es dseeto cuando esto 0 maneroble Alec, adete ana deweripcin del forme D=10,, 00} (Por saps. ene caso fit qutrtames los patos suspensvos.) ‘Cuando el espacio mucsral es aiceto, el modelo de probabiad queds perecamenteespecieado dando la probeblidad de cada suceso elemental (sucess con va solo elementos det, solo tendramos que dar los valores Pha Plog verieande: 4) Pla) 20, para todo a, Pla Evidentemente, para cualquier sucoso B= Yb. By tendeamos P= PU). UIA.) FP) ‘Veamos, fnamente, a stuacién que nos encontramos frecventement ‘cuando espacio muesta esto: ay, ay. Emste cso, BUERSS Veo tiene rete consider ipialmenteprobabie todos lo sero elemental (pero hay que tener cusdado porgue esto no sempre es as. Considerar ‘qualmente probables significa tomar Pla,)= =~ ~ Pla)= lin y entonces en te exe, pra un suceso B= (by bl Otendrtamos lo muy popular ea ‘de Laplace:fe _ esos farables casos poles nay 5 Pe ta rela lt podemos ilizar siempre que aceptemos que los sucesos elemental son gualmente probable. Ha que hacer notar que la seneiez de favrele de Laplace ex algunas ves, engahoss el recuento necexrio para Fala os eas favors puede ser francamenteengortose 4. Probabilidad condicionada La probabilidad de un suocsodepende de It mayor © menor informacion que tenga, Veamor esta idea eno siguiente ejemplo [ExEWPLO: conlderenos ef lancaniento dew dado ene gue todas las crass Iquelmente probable exe dodo es lazado a proba de gue reutado (Bie dere suceso A~{0, 2 es 12; in embargo si ms iforman de gue el ‘euado ha sido wn mero por, ax esas cambiam gue, ahora, 1s cas poses se han redid al como (2 4,6) 1s ass ferorables ol suceso nesta wae situa, shan educde a eunfuro (2, 8) Por tant, la probabl ha del suceso cua sabemos que e esutadoha'sido pare 2/3 podemas fexcribria de fa sguente form: 2_ 46 _PIAnwa 36 Pipen Plalpar)= sta iden la que formatizaos en la siguiente defini DEFIMCION: la prbabilidad del ces A coniconad pore sucso (0 dado (qu semis ue ha ocurio ef suceso B) se define com, bar i dfn ng seni, eco qe #20. Beto ts Pts tontods gw apn upd eo de ea ta heap, stains si somo Ia dl dele dl dato re dn anit robb cotta ‘ssa Ss todo een conn mor ty SR my apenas ssn ge compen wht I ‘5. Sucesos independientes Desde um punto de vstaintutivo, iremos que dos sucess son independiente ‘nando «la ocurencia de uno de ellos no nos dice nada nuevo sobre l ‘eurrencia def trom Esta es aide que intent formalizar eon a siguiente Seles DDEFINICION: dos sucesns Ay som independiente cuando Pane) PAP En general, los ses0s Ay Ay Sam indeponicntes cuando, para cual eaeclin de ellos, An Ay 5 hehe que PALA. 9A)= PAD PLA. La siguiene propiedad pone de eliee el significado intuitvo de a deta iin de Independencia PROPIEDAD: decir que A y B som independents es equtaente deci qu PA B)= PUA) En efecto, si Ay B son independines PAN B)_ AAV Pa) =P Resiprocaments, § KAIB)~ P(A), tna mray=mraiay= M408 7B) Derpejnde PLAC 8) obteneos el reslado EIEMPLO: consderomos el experiment aeatorio consistent en dos lanza: 1 de ura moneda equlvada, El espacio muestra es =1C. CLIC, XM. CL. ¥)) onde Ceara, X-eru y la probabil de cada suceso elemental e514 Si cnseramos los sucess A ara ene primer lrzamieno}~(C, Ch\C Xx)» Bleareonelseundolaneaneto) = (C. CX, Cla imei nos de Inmedatomente gue los dos sacesn son dependents. Por supuso, se poe imprbar que la dfcin exté de acuerdo com Ia intone Jet, ang) U4 y AA) PB 112Sin embargo, si desea estadlar la posible independencia de A (el mismo saceso que ante) p D= diferente resulado en ls dos lonzamientos)~ (C; Xi (x, Ole intact, poublemente, no nas dice nada. Pero para exo nos sire 1 {efile se obtene facionente gue PLACD)= 14 y PLAI= PID)~1/2, con Io ‘ual obtnemes gue A'y D ambln son independiente. 6 Reglas ditiles para ealeular probabilidades, Enmsta seein vamos a estuiar tres rela cuyo objetivo sel de fciitarnos ceseulo de probubiidads en diferentes stuaiones. REGLA DE LA MULTPLIEACION Prot A)=PLAPLA|AIPAIAL A) PAOD AD La comprobacdn es nmedlaa: silo hay que escribir as probabilidads cond. dona del sean miembroy oserar que tos Is termine se eanclan unos 2 otros, sale PMA Ea regla seré muy util cuando queramos calelar la probabil de cocutrenci simultanea de varios sores y ns probablidades condcionada dl Segundo mimbro sean senils de calclarNaturalmente, ene caso de que los scesos 4.» A, san independents, tenemos, simplemente: PINE AD PLA) PAD [EEMPLO: onan ure hay 20 Bolas Dlancas y 10 bolas ngras. Hacemos ies estraccones sn decoluein la urna ;Cl es la probabil de que las tes Sun Blancas? ‘i Hammes A, 2,3 al sexo La és bole extra es Banca, ‘las tes son blancas)= PLA, 14,0.) 20 19 18 “Dm ADMAAYAIA OAS Las tres probabldadescondcionadas del fia sow weales de obtener: por jem PULLA,O.4,) ela probabil de obtener boa Banca em la ereera xtracede, cuando saber ue las dos prieras ba sido Blancas. Por rant. en ‘re mamento. quan on la urna 28 Bolas de ls cules. 18 som Blancas: e0 eaurncia, P(ASA,1A,)~ 18/28. [REGLA DE LA PROBABILIDAD TOFAL: sea Ayo Ay sHreso8 les que a) Ut Ao 1b) A\O.4,=0, para todo 41 a be T AyBiad REGLA DE BAYES: stan Ay, Ay sucess ales 8) Uhre 1b) Aim, pra todo Erionces: PAPA PAB SE AAABA) Bn efecix BA.9B)__ PARA PB)” EE AAYABAD La cepa dela probabiidad totaly I regla de Bayes van a ser espe ‘mente Uhles cuando se den las siguientes cireunstancis: 4a) Elexperimeno sleatrio se puede separaren dos etapa. 1) Es sencllo dar una paricién de todo el espacio mustal © median sucesos4)-—-. 4, correspondients a resultados de la primers taps 6) Son conocido” ellmente calculable ls probabildadss P14) Pall 1 Son tonocidsso iilinenteealeulubles las probabidades PUB) PUUbAL donde B es um soso corespondicne a resultados serunda taps, Cuando se den estas circonstancag Ia reglt de lx probubiidad total se ry sil para caleular PH, 9 a rgla de Bayes ser muy conveniente pa ‘obtener PVA |BEn os siguientes ejemplos veremas que, a menudo, el experimento alate fio eonsiderado corresponde a esta suas. ExEMOLO: supongamos que tenemos dos wrx. Laura I contiene 3 bolas Blan cas y 2 negras: la wra 2 conten 2 hols blancs 3 negra. Cot probabil 173, extrareos una bola al azar dla urna | comproabldad 2 aera: ‘mos de ln 2. {Cull el probablidad de que la bola exrida sea blanca? Sia final os comuican gue ln bola exrada ha sido lana, geudl esl probubildad de que a exiracctn se haya efectuado dela wre 1? ‘Se dan todas Tas condiciones enumerates anterirmente: 8) El experimen consaclrameme de dos etapa Primera exape:elecion deta urna Sequnda etapa exaracctn def bola. 1). Se puede hacer, de manera tril, wna partici de espacio muestra ‘medbante os resultados de a primera etapa: Ay ~ la extrocisn me fe ts de la wrna 1) A= (lo extaccon se eect de laura 2) ©) Tenamos PU,)=3 § PLA) =23. 4) Si Tlamamos Bal suceso’ ola bola extraida es Blancas, rnemas FABAI=HS » PBIA)=28. Por tant, apicando a repla de la proablidad tora, rnemos: Ua ola extra ex blanca) = PLB)= PIA, )ABLA,)+ NAVPLB A) is aa 7. 35°35" Aplicando ako la repla de Bayes, lx proba de gue la extras s ‘hay feta de a wna I cwoudo saeros gue la ola otenia es lane, Ser Pa IBA) PA FRB A) AIPA) wes) 3 “Tas e0 7 Sean hemos podido ver en el gemplo, la regla de Bayes nos permite actual. de mantra automa a prababiiad sobre erents sucess a ‘sta del informacion adcional que varnos obteniendo con la experiment ‘ln, En princi, probblded de quel extrac we econ deb ra | fr 13 Pern.tna ver que mos sca na bola y eros compro ai = blanca, parece mus probable que antes que esiomosutlizando la urna 1 (ue ontene mis boas Blancas) La egla de Bayes nom permite actslzar Drobebilided de manera may sencilla En el siguiente eemplo se ve todavia mejor cdma expeimentacisn va smodificando nuestas probabidads. EEMPLO: lar plantas de wa expecie pueden tamer flores rojas homosiglas (RR). rojas hetercigtieas (Rr) 0 bancas(r). Aproximadanente 170°, de as plans com lores rojas so htercigotcas Nos teen va planta con foes roftsy para Intentardlanostcar si ex hoorigtca on, la erasamcs con ne ‘lana de flores blanca. Side ese ruc abtenomas 5 pants. todas con lores ope. ceul es la probabildad de que fuera homocig6ea? Intzamere, sia cinco plantas obese el crce son rojas (neces ‘mente Rr). parece bastante probable uefa planta que nos han trai fuera RR pero noes sear Laregla de Bayes nos permite cuamifcar esta probablidad de ‘manera ry sve. Observemas primero gud condiciones nos encntramos 8) El experimento conta de dos eapas Primera eapa obienciin a azar dela plana qu nos traen (en realidad, to relizamos ninguna obencn al aur pero noha nig problema considera as Segunda etapa: erce com a planta blanca pare obtener S ues plantas 1) Parc dl espacio muestral mediante resltados de a primera etapa: [RR (la planta gue nos acm es RR) » Re (La planta que nos rae es Rr) ©) Tenens: PURR)=03 y PRM = 00. )-Silamamos Ba suceso alas Spans ote en el cree teen Pores jase, tenemos PB RRY=1 9 PUB RY)=(12) Por tno, la probbilidad pedi es: PIRR)PBIRR) FIRRVPUB RR) + PRB RP) 03M) maim 0naF Natualmene [a probabiidad de ser homocigtica se ha modifcado sus fancialnente con Ia realzacion del experiment bu pasado de ser 03 ver (0932. El objetivo de um experimeato ttre conseguir Ia mayor certs Posible: es decir, conseguir que las probabidadss se ueerquen 4 0.01 RRB) 932 7. Rjercicios 1. En und ciudad se publican tes periddicos 4. By CEL 30% de ia poblacinlet, 31 20% le By ol 13% le Cs 12 eee A y Beal 98 4 Cel 6% By C: fnalmente cl 3% ke 4, By C. Se pide1a) Porcenaje de personas que lea menos, un de os ies pico. 1) Potcentae qu lee sso A. ‘} Poreentae que lee B 0 C. pero no 4 4 Porcetne de personas gut olen A, © no len ni B i C 2. Sex un dado tal que probablidad dels stints erases proporions A nimero de puntos iazeritoren elas, Halla ls probabildad de obtene ton ete dado un nero pa | Un examen de rei de Hicncatura consa de 14 temas. Se lin dos azure alumna deberd eroger uno para contest. Calla le probabil de que aun alumo, gue ha preparado 5 mis, I Youu menos ind que sabe. Cua! es nimero minino de temas que debe prepara part que fengn ons probabidad superior 1/2 de soperar & 44. En una reunin hay 25 personas, Calcul Ia probebiidad de que cele tens comple cl mismo dia del ao, al manos, Sos personas, Se hacen tes disparos simultsncos com res canons distinos, indo lo probabilidad de aleanra el objuiva 1 020.3 repectivamente. Calc lar la probabiidad de cada uno de lor némeros posbles de blancos CCacular it probablidad de obtener al menos, un Banco {6 En un jurado compuesto por es personas hay dos miembros que tomnae Ja decsiin cornet, cade uno de eos, con probabiidad peel tere! tmicmbro lanza una moneda al aire cada vex que ene que tomar una ‘cscn, Las decsioes se toman por mayorta.Debido al euiso com- portamiento del tercer miembr, se decide format ogo jurado que peste ‘te debe estar formada por un numero impar de miembros, est formado por uno cualquiera d fw otros dor componentes cEs ahora mayor le probablidad de que el jurado tome la desisn correcta? Los euro grupos sanguineos se reparten, cn una poblacin, sein ls porcentajos (43%) BBs AB (Ae) O (48%) Teniendo en cuentas fcompaiidades que cxstn entre os grupos ealulr la probabilidad ‘de que dadae dos personas Xe Y, cleudas al azar. X pueda recibir sangre ‘e ¥ suponiendo que lz poblacién es muy grande ‘% Dor estutintes quidan en un lugar determina entre ls 12 yl 1 con tl siguiente acverdo: ol primero que lea espera a otro 1/4 de hors. ‘laps ne marca, Si cada uno de ellos Hepa al azar ene as 12 y I ‘lear Ia probabidad de que se cncuenten ‘Uns poblacn est formada por tres grupos cnicos: 4 (30%), (10%) » {€ 160%) Los porsenajes del caacter-ojos arose sn, respestivamente in errs 4) Probablidad de que wn indviduo clei al azar tenga ojos laos 1) Probabiidad de que wn individuo de ojos oscuros sea de A. ‘Stun individ elegido al azar Une los jas datos, ja qué grupo es ‘mds probable que pertenezea? 10, La cuarta parte de una peblacin ba sido vacunada contra uns enfermes dd infccons Enel tranacurs dena epiemia de dicha enermeda, se Consata que enfe losenlermos hay un vacomado por eada 4 vacua os 4) (Es de alguna ccaia tn vacuna? 1) Sie se gue la epidemia ha sect a uno de cada 12 vacumados, endl era ln probabiidad de caer enero para un individu no ‘acnnado? |, Una prusha de diagnéstico para un itt tipo de ace, tiene probabil «dad 096 de resuterpostvn sel pacene tone cancer: el 95% de los Indvidvos sn ednoct dan prusba neztiva,Seelige un Individuo al azar fh una poblacion de prronay, dels cuales 0.3% denen dicho tipo de ‘ince (proba ssterdlica en enermadad de poce inciencia) 4) Cute: proabilidad de que el indivdo dé resultado positive y feng since? ;Y de que dé resultado postivo y no tenga ence? 1 Sisabemos que el individva ha dado resultado postive, ceul es la probebilidad de que tenga eincer? 12, Sepongames que tenemos tes tarjetas, dé Is cuss una tiene ambus cara ojo, amas cas blancs yl tercea, una cara blanca y ora oj. Se esivae una, al zat, y se cloea sobre la mest 4) .CatlesI probabildad de que la cara de ariba see ron? 1 Sila cara de aia es raja. coudl ex In probabidad de que la de abajo ambi lo sea? 13 La probabiidad de que wn sistema tenga falls durante un dia viene ada por 1 to ehi2, a Si se presentan fll, el sistema deja de funcionar con protabildad 1112p Caleuar la probabiidad de que el sistema haya tend n falls Si ba dejado de funeionar 14. Supongammos que tenemos ratonesnegros y marrnes. Los ratones neers tom de dos ips seadicos:horocigticos (BB) y heterocigsticos (Hb. os Imarrones won dew alo tipo (bb) Las genes actdan independienemen. Si tenemos un ratén negro qe sabemos gue sido engendrado por el pareamiento de do ratonex Ble15 nm 1% 1. a) {Chil sla probabilidad de que ea homogsic? :¥ heterosis! 1) Si ademds Sabemos que el futda negro del apartado anterior se ha apareado con un ratn marrén y ha engendrado 7 ratones todor epros, cules bora, la probublidad de que sea homociestio ey de Hardy Weinbers CConsidremos dos genes, A, y Ay. que originan tres poles genotipox Aud Avda ¥ As Supongamos que et emparejamiento de los genes e+ aaa in seein ni mutaciones lo que significa que las probabil desde los dilerents gentiposvenen dadat por Pld, A I= PIAA) PUA A)=2P14,1 P14) PLA, AI= PIAA) CComprobar que la poblacién es genéicamente estable: es desi, as proporcones de los distiats genotpon ne mantenen de Renracin 60 ‘eneracion (Fsta eyes cera em general para m gees Ay 4) La fibrosis quitica ex una conocida enfermedad genética que seeta & nies con una dosis dable de un gen recesiva (genotipo vee). Come produce la muerte en la ifanes, lov ios con dicha enfermedad sn resultado de crue de portadore sanos de la eafermodad (Ce Cel Eh tint pobleién grande se hn observado que la frecuencia relativa dele enfermedad cs eproximadamente | en L600 nacimenios en uta genes ‘in dada, Calla la proporeén de potadores en dich guneracisn, Los 4 grupos sungutneos se reparten en una poblacén sexi los porn tajes O (364%) A (45%, B 113%) y AB (6% y suponemos que la poblcia se h ereado por unions alatoias de pamela sin sles -utacionesthiptesis de a ley de Hardy Weitere) 4} Cakeular a proporion de ls genes 4, By O en la poblacisn 1) Caleta Ia probabil de que un para, ambos ‘con grupo si guineo A tenga un hijo con grupo O. Lo mismo, ssaberos que el padre de ella &s 0, La hemofia es una enfermedad produc por un gen reesivo situado en leromosoma X; por lo lao, pea gue uma mujer (OX) ses hemo ‘be tener dicho gen en ambos cromosomas. ments que un hombre (069 lo seed sf iene en su ico cromosoma X, Calcul la probabil ‘ad de que una me, con padres normale, un hetmano hemotfico,y ‘easeda Gon un hombre normal tenga un descendent hemotice, Cisro spo de jaquecs se herd a tans de un gen dominate, Roberto ‘su made peer jaguca: nol padeen a el padre nla mae de Rober to. Si Roberto y au mujer ewen doe nos, calcwar la probabil de uc a. 4) Al menos uno de fos dos tos padezc jaquece. 1 Uno a de os ios paderes aque ‘Atendiendo a une enfermedad gensic, una especie de ratones © puede divigiren tes canes no portadores (BB), poradores (Bb) yenermes (6). 4) Cruzamos dos ratones portadores y obtencmos un rata que no etd cnfermo. {Cua sla probabilidad de gue ex porador? 1b) Elratin que hemos oblenido se eruaa con uno enfermo.y s¢obtenen os stones ao enfrmon. (Cus ex ahora la probable e que fuera portader? El coor de una sepecie de mamseros viene determinado por dos genes N ym Puce haber eemplares negros homacgoicos (NN), neROs Hetero _Eticos (Nt) blancos homosgatcos (nn. ‘Uns hembra negra 4, procedente del cruce de un macho nero homo+ ‘igtico (NN) con una hembra negra heteroegstica (Nn enuza com un macho blanco (na) ) Si sene $ cachortos, probabiiad de que 2 sean negros y 3 sean bancos. 1) Si tiene 3 cachoros todos negros probabilidad de que A ses homo. spsticn. ‘Un examen consta de 5 temas numerados, Para elegc un ema al azar. st propane lzar un dado, shale de I a 5, el olmero del tema es el Festtado del dado. s sale 6 ae wulve a tira hasta que slga de a5, Siberos gue el dado eat trocado de tl manera qu la probabilidad de ‘ue sal el nimero 2 er 2/7) probobilidad de cuales otro nimero 17 Halla a probabilided de que saga el ems I (que el dico que amos estudiade) Tnooulames un views 22 ratones para hacer una serie de estudos. Por un ctor en el Iaboratori, estos 2 ratones se mezsan con otros 8 compe mente sanos, Como mo los podem dining a simple visa, comes 2 tones al azar de los 10 que tenemos, y decicimos esperar | semana Sahemos ue la probabildad que tene un rate de sobresvir semana 51/7 sha sido inoculado y 56 ses sano 4) Probabliad de que estén los dos vvos al eabo de 1 seman 1H Si tow dos sobreviven I semana, jeusl es la probabiidad de que fuera ls inocalados?!Variables aleatorias 1. Introduccién Muchas veces nos va interes resumi os resliados que hemos abtenida a! Tleyar a cabo un experimentoaleatoro, Por eerplo, x lanamos una moneda 100 wees a resultado ser una Secuencia de arasyeruces. que posiblemente nos intoreseresumirindicando slo el admero de cars obenida: al extdiay tna poblacién de insectos, es posible que, para certs cosas, sco nos interes. nota su longtad en un estudio soiogico de as unidades familiares de une ‘ude, puede ocuri que, para certs cosas, slo nscesiemos rte su nivel ‘eingreson En eada uno db esos casos, lo dur estamos haciendo es considerst ‘mma varabe sletora, 2 Conceptos bisicos DeriNscio%: una rariablealetora X'es wna fusion X: 2-%, que a cade tlomento del espacio muesral(comespondione al experimento aleatono que ‘stemos exullande e hace corresponder un nme re. (Desde el punta desta matemitic, ete defen noes igure 9 gu me oda as funclones so variables aleaoras peo ex adccuade para pr tab este nil) Por supuest, i ide dea denis s que X(o) representa la caraterst 2 que nos interes estudiar. Lo que mis nos ra interes es conocer Ia probabil dels diecite:, sucesos cortespondizais 2 una vartabl sleatona, et dei, st modelo ofan ‘nde probablidad DDEFINICION: sf A es wn subconanto de SE Ce decir, an con de posbles talores de ta variable aleatoria X) dfiimos Palm AX A= Poe: Xw)e AiLa funcisn de eistribacion (que s define continua) es una herein 1 comoda de manear y my Wil pars calular probabiidades de dierentes, DEFINICION: la fence dsrbuci de una variable aleatra e define come: FI)=P\—ce, J=PloeQ=Xlo}éx) para todo xe ‘Cuulguie unen de disribucon ten as iguientes propidadesesensils: PPROFIEDADES DE LAS FUNCIONES DE DISTRIBUCION 2) in, Fe 1) im Fix) ©) Shy cx emonces Pleyi 0) La probabilidad de diferentes tipos de intervalos puede calcula, si singuna dieutad, meant a funcia de disibucdn,utizando las propie dades generale de la probubildad y el hecho de que PU— a0, x]=FC) 3 Pua, b= =, B)~PL~ ee, a}=FIb ) Fla) Pla, Y= P=, 6)-P\—=, a= F6)~ Fla) Pb) = P= 225] A, = Fb)~ FO") Salo dea func Fen punto be Por tanto, sia fancién de dstibucisa tiene wn salto.en un puto, iifica ‘quel probabidad de exe punto es postive. En caso conraro, es ceo. ‘Como se ha indica anleriorment, lo que realmente nos imteresa de una ‘variable sleatria es su funcion de probubilida. Esta fancién de protablidad ‘queda catacterizada por sv fancdn de disiibucion. Ahora bien. en los caso: tis interesante de ¥ariablesaleatris que se nos pueden presenta (due {nuiaremos elas secions siguiente) Hay beranntastdavta ms ech Tae ela func de dition y que sven tambin para determina © reparto de In prohabidad. Fas herarienas srdnlafunsion de mas e& ‘ito de las virtlesaleatortedretas) Ts faneiin de densidad! (para hs ‘ables aleatorias continuas). 3, Variables aleatorias discretas, Deri ane arable ales X detec 2p mar nimero fino 0 maneable de valores "Lafond robebliad de avail scatoria dre X queda carac- teveada por le fancn de masa, qe no dale probaildad de cada uno de exe poses elores P= 9) Pla) Pie: Xo) on Ls funcin dente de una variable seat cecalera (Fig, discrete tiene fora de Fie 41 Ea Estadstica Desenptiva definfamos una sere de medidas de entaliza- ‘S6n ¥ de daporin que srw para darnos una ideuresumida de lo que feurtla con Tos datos dsponibls. Los conceptos que vamos 2 define a ontinutcidn son andlogos alos dela Estadiatiea Deserta y van a srs para rsumir el reparto de probabilided correspondiente la variable ales Derinscios: la media o experanca de na vrabealeatri discrete se define ELXI=E Pos) DerINIciO%: ta id dela means de a cariblealeotornX esl siguiente: Esaque olor valores M ue dejan adver eequierda a sma cent de prohbtdat el vas Ue wna viable lemorta dsreta eta idea se ace de a rama a Fy 2 os des ses sans peFea DERINICION: a arianca de ra variable aleatoriadiscreta X se define come: PVA)= BUX w= Es AD Desrtollando el ewsdeado,y simpliiando, se obtisne gue: 8 SPP) ED Detintcions ta destacdn npn & de un eartalealeatoiadtcreta X esl rats cualrada postive dela variance IEMPLO: eamas a aplicr todos los concept anteriores a a earl letoria -Nimero de caras otoidas en tes lancamientos de wt monedae Euidemtemente, X es una arable oleatoia discreta que puede tomer to: slores 0,12 y 3. Los ocho pastes resados de le tes lanai ener probabilidad 18 de courts (extonos suporiendo gue ta mona eat eure la. Lafincén que constiaye la earablealatri es a guent: xa oo (occ Cao .c0, (en cn (Gc cH (Gro) (ence cry dbtagaana eee eee Lafncién de masa de eta variable aleatorta es Po)=1/8 muy=3)8 )=3)8 Pay= 18 afincion de dirbucion puede cerae en la Fig 4. “Tenemos,ademis: eB POeIS Medians cualgier punto del interealo [1,2] 4. Variables aleatorias continuas DeNicioN: ana eurialealeatoria X ex comin cuando puede tomar cu ‘aur valor ona interval (firtoo fino). (Como on ecasones ater, Se trata de wma deinen rgurosa, sno de expresar la idea exec de manera fencila) Lain de proabiiad de una earablealetora continua queda ‘aracteriada por va func de densidad. gue wna funcion f-M-WR .trie and: 2) (0120, para too xe. by fasta A parc dea fancia de densidad calculames a probabidad de un sueeso relativo ala variable alestoria de In siguiente forma:Por fo tanto a fancion de densidad nos inden cma exe reparto de probabiidad sobre 3, y aos permite calcula ls probabiied presse de un ‘Convieneresltar qu el valor de I func de densidad) en an punto ‘no es a probabilided de apariin de e valor sya gue rv [sore Por ant, cuando rabajamos com variables aleatorias continua prob bildad de cualquier conjunto nitro es cero, come eonserwenca I ancion be dntibucin es continua La funcion de dsrbucion se puede obtener @ partir de Ia fancisn de densidad Faye Pa 9 [100 Reciprocamente en ls puntos en que Fes drivable: Para una variable aleatris continua dfrimos mda, variana, ee de a siguiente forme Dersiciow: la media 0 esperanca de una corable aleatoria continua Xs define como: sen [soe DeriNicios: fa medlana de ana raviable alatorla continua X ese valar M, gue cerca que FM} DDetintcton: fa varinza de una curable alatoria continua X se define comer Vix) = ET =a [orwrnas DDesrtollando el euadrado,y simpliicando, se obtiene Que: ot [ ernas-yeoeDer DDernic1O8: le desiacion pico a de ama variable oleatoria continua X se (eine como la ra cudradapotea de Ta varan. uri: apenas td br lao era oni X car Pena porn it en edo fis soeree FOO Ay em el reno Lo primero que ecestamas ex el valor de k Sabemos que wna furcon de densidad exo neato y,ademis, one que vera: 2 Ze [jae Por tao: En defini, ta frcin de densidad queda exactamente 51 06x«6 en el resto Para oieer afin de dvribacin tenes qu ear F(a)=J* (se Para x0, Fle)~0e para x36, Fx} = I; para x0, 6 noe [sverene 0 wxeo File date Oxx<6 1 x36 ‘Para obtener la meiana, no hay mds que panear la eewelbn Por to tanto (108/746 Si quer calelar, por ejemplo, la probebilidad de quel alo absolut de A ge for 2s enoos ge mar a dead es cores 5. Ejercicios 1. Una compania de refescos anunea premios en as chaps aspurando que en cada 1000 chapas hay 00 con wintentelo otra vez», 300 con premio de 5 pis. 150 con premio de 100 ps, 40 con premio de 500 pts y 10 con ‘premio de LO0D pis. Un inviduo, al que ao Te gusta el rete, desde comprar una boelscxyo cose es 100 pts. Caracerizr su ganancia me Gianie una variable sleatora, (Es razoaable su dedi’ Caleular su robabiidad de perder diner, 22. Sea X una variable letora com func de desided x sdexer foi {ix si texe2 0 end eto 49) Mallar & Comprobarlo grifcamente 1) Mallar Ia funn de distin, E[X] y VO. ‘Sea X unt variable sestoria continua con fancién de densidad fui=x) si x6(03) os xei0.3) fis Se pie 1) Halla le constamte kyla funcidn de distbucion, 2} Probabiidad de que X esé comprendida entre 1 y 2 Probubilidud de que X sea menor que | 4) Sabiendo que ¥ et mayor que I robabiiad de que sea menor que 2 [Li funcion de densidad de una variable aleatria continua es: fast+b si xe(0.2) oY Soa Determinac y 6, stbindo que AU2040, tendremes gasolna del tipo 3.100 pis ltr.1) Represent grificamente la densidad ycalcular la fuscicn de disibu sion de X 1) Caeular los porcenajes de prodvecion de cada tipo de gsolina {6} Caleular el precio medio por lito El tempo de vida (en minutos) de un detrminado virus, es una variable aleatori con func de densidad fee ee 4} Probablidad de que el tempo de vida sea superior a 100 minutos ¢ inferior « 1000 minutos, 1) Obseramos el vinn 41s $00 ious y comprobarios qu ha ue to, (Cul ele prababiidad de que estuvisse vo alos 100 minutos? En un puesto de frase oftece la poibilidad de lansar a Ggas un dardo 2 ‘unos globes Sse comsguefeventarun globo, se ecbe un premio igual e ‘unt canta ala tris el globo. Supongemos que In probabiidad de scetar con algun globo es 1/3 Los premios se distribu de la siguiente manera 40% de premios 50 ps 30% de premios de 100 ps 20% de premios de 280 ps 10% de premios de 1.00 ps. Si cada lanzamiento cesta 150 pts, cull os easnancia»exprada el doo del pesto ome aneamiento? . Vectores aleatorios 1. Introduccién En mochos experimentosaleaorios ns interesaré conocer Ins posible relaco- esque pucda haber ene dos o mis earateisticas. Para et ncesitaremos ‘ntudiar conjutamentedichas craceriseas. Por ejemplo, en na especie de {teecton, pode intresarhos el extuo de su loagitd y su peso; en un esto Seco-econémigo, oe puede interesar estudiar In elicidn entre ndmero de ijn y nie de ean por fais, La berramicna que os permit formalizat fste estado es el esto aleatoro, que es una generalzacign natural de Ie ‘arable letoria que ya hemos estudiado, 2 Conceptos bisicos Derinictow: we sector aleatoro(o variable aleatria de dimers n) es wa uncon (Ky eX: 0-3, que gaa elemento 0 de espacio muestra (eo ‘respondicnc al experiment aleatorio que estamos estadiand) le hace core ponder nnimeros reales Xe. XO) {Dene el ante de esta matemstic, eta dfnicin noes rigurosa, ya gue no toda faci es sector aleatort, por es ade para poder trabalar «ese eal) Por supueso, lien de la deiniion es que X, (0). Nf) representan las ncarateristcas que queremos anaizar conjuntamente en esa poblacén ‘Vamos a estudiar los diferentes conceptos para el aso de vectors alto rios de dimensin dot El motivo es que la notacion es mas sei, sobre Todo, se pueden hacer eepresentaciones sobre el plan con gran faci, con ‘Sto se gana en elaridad los concepos se pueden asiilar mejor. As que, en tl esto dal eapul,coosideraemos vetoes abeatorios dele forma raedDeFINICION: si 4 es wr subonjunto de 1 (ex decir uw conan de piles lores del vector lear |X, 79 defies: PUAI= POX, Yea eX, Yayo A} La funcidn de dsuibucisn de un vector slestorio [X,¥) se define de ‘manera andlogs como se hac para una variable aletors DDeFINICION: Ja fan de dsribucion de un eector aati (X,Y) se define Pi WER? tex, wey! =PloeN: X(o} 03,1) Lafimcién de masoconfmta del vector alewtarta (X,Y) se recage en fo sloweme tala de doe entrada ©) A partir de la furcion de masa conjntaobtenemos, sn dia, ls ssrbucones marginals y las dstiuciones condicionades. Por ejemplo, le ssribaion marginal de ¥ (que, inuvamente, coresponde a otdarns de le arial aleatoria X) viene dada por la siguiente funcion de maca marginal: AX=0. Y= DAN =K: FARR Y=DHAX= 3 4) St estamos interesados en conocer la probabildad de obtener un niere Aetrminado de caras, cuando a derencia ene cara y craces #3, lo doe tenemos que hacer es clear ta srbacn dela variable aleatoria X condi nada por Y= I: 1afuncin de masa codiionada es en ese case Por sips, aplicamos el smido comin, wos daromos cuenta de ge. le “terenca erie caras races es es imposible que hayam sali era cars ¢ nes cares; exo st rofl ol echo de qu las respectivas probablidats condleinaa 0 070 ©) Finalmente st ebsercarms a tela con a finde mas cont os Maremos cuenta de que X'e Y no son independietes apical defini, 4, Vectores aleatorios continuos oto caso importante de vector aleatorio que vamos esas de ipo continuo: los posibles valores que poede tomar soa todos fs puntos den ‘adrado, de un trtnpuo, et (en fea, no hay forma de dar una defini {on rigurosa de vector slentorio continuo a est mel, peo, ative 10 (qe se acaba de deve desrie bie astucion La herramnta basics ele {o, no es unc de ma, sno la funcdn de densidad DEFINICION: La Junen de deni coniunta de um eector aero continuo (1) es una fncn °°, que vere fs, 120 para odo (x 9)? Hs bac dy= Laprobobldad de cualquier sceso A= reat al eto aleatorto scale, imeiane la furcin de densa de a sgaent forms a J sesnndeas Lo que vamos & hacer a continuaciin es treladar todos lo comceptos fetudiados en el caso discreto al caso continuo, Dersicion: fas disrituclones marginals de un rector aletorio (X.Y) sa las ue se obtenen al conser cada carxteristia por ‘sparade (come tle tra io existe). Bn el caso continu temo Disribucin marginal de X:e5 de tipo continu y su faci de densidad ‘marginal viene daa por: fore [fener meee set Disribucin marginal de ¥-e5 de ipo continue, » su fact de densidad marginal eine dade por ti [sone pond se {Lo realmente interesante dele definision anterior e ver emo as funciones densidad marginals eobvienen spat dela focion de densidad conjun- ‘a, ya que, po lo demas las dstbucones marginals de X e'Y som spe ‘meats distribucioses da variables alestorias.[Natualmente, a parte de las fanciones de densidad marginales © puede caculae EEX VOXY ELV. VOM. ce DEFIMCION: la cnerianc one dos earables alors comtuas Xe ¥ Aen como: co ne Hea [HEH Decinos que X € ¥estdn inorrladas cuando Cox, ¥ Desarrllando el sumatori, tenemos cones ri f ope tea f sere ee = J, Peete sacs i ELXTE(MYS Ux, shady -auaf o([psone)osatnetn [reco = [ponendear—2on sods onrsetanern = [ sneas-eoneen- sone eee = [ot nadernet ecxr)—aUxIE01 sa kina expres sce ser mis emo para el eflclo five de a DDetINtCION: dos ead tetris conte X Yao idepodions, cua: fis. = fifo) para ve, ye “Tambia e este caso tenemes a siguiente propid: PROPIEDAD: sf X € ¥ so crlables oer cominae independiente GoeAX.1/=0 (es decir. X € Y esti incorrladas) En ees es ae (ermvneo-euneen OED -ELIENI=0 DDeFINICION: la dtu del variable aeworiaX, condiconaa pow alr {io dela arable lator, vine dada por a fncon de densidad comico fis.9) fixinfeiyani= parade x63 (Camo se pede cbsereresnecesario que fy} intacamente, eto quire dir ‘qe exanos cononands por aor de ¥ poenclmane bse De manera andiga define la drut de Y conionada por Xx, stil comprobur ambignagut qu, Xe Y soa independienes bs distrib ones condiconada cunsden om las diibusonss margnales components: L153) {001 _ py fo Tod seo rym eto: supongamos que (X,Y) es wn tector alaoro continu, cave ancion de dental conta e fk sf O 1/2: ¥-212) (ser Fy. 52) igual ‘gue ov el apartado a) podemosselaar dos métods diferentes Fig 82 Método general calculanos la probaildad de un sueeso, tegrando ls {funcion de densa con sobre do sees: Jamon (fPos)en ‘Método pantcular para este caso. por tratarse de we modelo que repare lo proba de manera uniforme sobre el tridngul T, tenemos Pus 1 Yet) Areal reat wat i272 Pu a Yetay= 5. Algunas propiedades stiles, La fnaidad do esta seoién es poner juntas wna sere de propedads muy les de esperanas y varaneas de variables alsutorias. sta propedades son ‘alas, indepeadintemente del carter de contnuss © dacreta que pustan tener ns vanablesalestonas involvtadss, Pronensors 2) E[RXT=KECXD b) EDYev1= EEF EE) ©) Mx VEX) SX © Von corel EUY)=ED0E)©) Many FXQ= MUI FV IAIT Coveky XL 0) 1X yoo Xeon erable ears merle Vix te EVO FYE BVX=V)= VAY HIN)-2 ContX, 1 1) SiXe Yeon carablesaleaorasincoreadas Yax-n=var+ vm) “Todas ests propiedades son seni de comprobar: 1) Por gemplo, en el aso discrete aude Ease Ext) KEOD 1) Por ejemplo, e aso continu: ecreris [enfin set [teamed [ore onscas = [ voodee [ snnay-ecars ern ©) Tenemos [IX REDE] = ETS 4) Si.X¢ ¥ soa incorrlada, tenemos que Cov(X, ¥)=0; portant Covl, PY EEX) ELXTEM] Despejendo, tenemos: E[XY]=ELXTETY 1) En efecto: Vorb FAY SEU oe XY EL ND ts EEN DFT = BU ELK Do +e ELD] UX, BEX GP I+ ~ + 600%, E01 425 BUX ELK DONE AVR FINI LE Covey XI 1) Por set incortladas,sabemos que Cov(X, X)=0 y, por tanto: Var tty, ye VOR) 4) Tenemos: Vix—Y)= Ex 7) (ELEY) = 8X — EDD) EPP] VUX}+ViPI=2 Covi, 1 hy Es inmsiato, 6 Ejercicios 1. Sea la variable aleotria sma dens puntos obtenidos entradas de tun dador Halla a esperanza de X. 2 Se tran dos dados Consideremos lax varitblesaleloriss Xen de patos del I" dadoe ¢ Yan! mayor de ls dos obese 4) Mallar la funcion de masa eoniuntay as marginals, 1) Catelar as probabildades de os dstintos valores de X si sabemos que r=4 3c) Caracteriar el experimento aleatoro de ecco 8 det Capitulo 3 (dos personas gan al zat independentementeente la 12 yl) ‘median un par de variables leatorias, Indica su densidad conjunta y marginale. ) Supongamos ahora que los instants de Hegada de ls dos personas ‘semen como foncin de densidad count _ [ay SOsreipeyet fone OY we Som independents la Iepadas de ambos? {Cul es a dstibucia Sein Ta eval Tega ahora cada uno? 4 Lafuncin de densidedconjumta de dos variables aleatorias con disribu- fis. [Merny si x10, 1) © e101) 10 en otro caso 1) Valor de & 2) Funciones de densidad marginale. 3 on eenSS Haller I anc de dstibucisnconjunta de vector aleatorio (X,Y) uy funcign de densa conjunta (ixty) si xe0 1), vem, 1) rae fOr Bech (6 Sea(X, 1) un vector aleatori que iene por funn de densidad: $5.9) I si plex dcxe! lo en el eno 42) Comprobar que es func de densidad, by Hala las medias dX y de 3 has \ : (vetires) —r(xoh tere!) 7. En una poblaisn muy grande de familias con 3 jos, considermos as dos siglenes variables aleatorias: 1Némero de hijos varones en i aii Y=sNamero de rach ene sexo de los ios 4) Si cada bij tiene la misma probebilidad de ser vara que de st ‘ser, allar In fein de masa conjumta Je X eT. 1) Hallaels distnibucones marginales de X e ¥. Son X e Y indepen diate? Dos caractertica, Xe ¥, son variables aleatorias con funcidn de dens dad conju Ike Ne” si x>0, 950 Te 4) Hallas el valor de & ;S0n independiente Xe 17 2) Calelar 9. Dos sustansias A y B se encuentran en la sangre en canidades X € ¥ respecivamente. Estas canidadesvarfan de un individvo a otro. La lens conjunta de estas camtidades es esperanza de. fai? si Oexed Oeyes ree Se 1a) Densidad matpinal de ¥y esperanza de ¥ 1) Probabilidad Je gus, en wn indiadao lomado al azar, haya mis Somait aanie 10, El vector aleatorio (X, 9 tene com fancin de densidad Sey sts eR fooy= {ser Sees donde R el tiémgulolimitado por las rots x=0, y= 4) Hallae fa densidad marginal de x. 1) Hallet esperanza de X. yeep 1H. La proporeién en sangre de dos compuesto, ¢Yoen una especie comin de ratones es variable, Su distibucioa conjuna en toda ls poblcion se ‘arateiza mediante la funein de densidad Jy! si dexet, Oepel ae cee Un rain se considera sina si amas eoneentaciones son inferior a4 4) Hallar el valor de k: Deciir si ¢ ¥ son independietes 1) Hallar la concentraciin media del compuesto Y el espesi, 6} Hiallar i probablidad de que un rat6n elegido al azar est sano,Modelos de probabilidad mds comunes A, Introduccién Hasta ahora hemos estado refgadonos a los modlos de probabildad en ‘pnorl sin hacer referencia a ninguoo en particular. Sin embargo, algunae istiboconesespctiasjuegan un papel mUy importante tanto en la Probe Iida como en la Fstaistica. En realknd son ejemplos, pero tan destacados ‘gue mercen un capitulo apurte.Voremos primero algunos models de proba Dlidad de tipo dscretoy, despues, algunos de tipo coninvo, 2 Pruebas de Bernoulli erinacion: una prucha de Bernoulli ex wn experimeno leatorio cayos posi ‘les reciltdos som grupos endo comjuntonexcusetes que Lamaremes xtc (By fracas (7 con PLE)=p y PLE)=1~ Eta division en éxito fracaso puede ser algo que viene impuesto de ‘manera natural una division arial que a nosotros nox interest eliat ‘Vemos a contauaci algunos ejemplos sevcllos Enel lanzamiento de wna monedh poderos tomar E=(Cara yF En el inamiento de un dado podem tomar, por ejemplo, PHBA 56 [A elegir wna persona al azar en una poblacién podemos tomar. por ‘empla, E~ {aura > 180; y F=alura< 40, Ta distibusion de Bernoulli consttuye el modelo ms senilo obtenie rmotiante pruchas de Bernoul: DDEFINICION: reatizamos ana prude Bernal con PLEI=p. La disitaci ste Bernoull os la drbucn de la arable aleatoria i olen éxitoSu anc de masa Px=0 PX=n=p ’ odin PX=xI=p=p" pe x=0. 1 La esperana yl varanea de una distibuign de Bernoul Son inmediats ‘de obtener (simplemente, se aplican las deincones sein muy les en a secon signe: Las pruebas de Bernoulli geeran diferentes modelos de probabildad algunos Je ellos muy intresantesy muy ulzados Los estoiamos on susci, 3. Distribuciéa binomial FT modelo de proaiidad mis importante generado a partir de pruebas de ‘emoull es el modelo binomial Derisc10s; realzamos n prucs de Bernoulli independiente. con PE] p en ada praca. La dxrbucin Binomial Bp) esta stribucion de la variable latoria ¥ =enimer de extras obtenidos en asm praca» Su funcldn de mas recea (Coto pees Ooae EI hecho de que una variable aleatora tenga distibucién Bi; p) le ‘teprssenaremoeabreriadumente por X ~ Bi: p) El mismo tipo de notacién se ‘liars para oteos modelos de probabilidad Para obtence la espernneny i sarianca dela dstrbucion binomial pode ‘nos hacer do coms intenaraplicar Gigament as dfiniciones, outa (de forma intlgente) la propiedades que conocemos. Vamos a hace lo segundo tyr gue de esa manera conseguieros com poco esfuez 10 mismo gue onsets con la primers via complicdndonos mucho mst vids. Pats ‘0, defini: “ft 3 tenemos Exton Ia pica Hsia ae {) Guennos tac en pate ina De esta forma, tenemos que XM, 0 variables aleatora indepen- ientes con ditibucign de Bernoully, ademés, X=Xy+o"-+Xy POF 19 ELXI=EUX + 1 XI= BUX = HED) mph tpem Ve Vor, + EXE VED VCD Halt py+ Dll p)=me—P) Caleularprobabildades cortespondinte ala dstrbusién binomial noes ‘nad complicado mediante una cleladors, Puede vies también tl ‘Conrespondiente eta dintbucion. Para usar estas tablas sl hay que hacer fotar que, si p>0S, tendremor que usu I iuiene propiedad Si X~ Bir p)¢ Y~ Blo; 1 ph tenemos que Pt yon-x) Eso es cdeto, ya av xa (") rer (Jerre 4. Otros modelos basados en pruebas de Bernoulli Pan Hay otros modelos de probabilidad que estén basados en In realzaion de pruttas de Bernoul (aunque ao son tan importantes com el medeo bio rath Derinicion: reaicamos prucas de Bernoult independiente, con PIEI=p en adap, hasta ls parcin del primer éxito. La dsiibuton gear es drbacin defo sariglealeatria X= snare Ue facass hasta ls parcion {el primer eon. Si fc de mas ex mA as-U-ptp para x=0.1 (En algunos textos se define la dstrbucion geomeivica de manera liga mente diferent, disieno que cs ln ditnbucion de la variable alstona 2X-=mimero se procbas hasta apariign del prime itn em este e80.L funcion de masa Serta XN x)=(0~ pp para x= TLaesperanas de Ia dstribucidn romdtica no es muy fl de calla, soa= £ a-eed-p) (npr +r (= prett pHa (oumando por columnas) Hn pP to (Con i deinicgn alteratva de dstbucign geomérica antes indicnds hubratnosobteido, de manera andloga: FLX] 1p). Derintcion realisamos prucar de Bernollindependiones, con PE)" nda pouch, hasty conseguir F-€t03 onde F esd iodo presiament) Ce ltsrucion binomial egatisa es le disibucn dela criablealratoric x miero de fracasos hasta la parce del -éaima éxito Su fin de pa (OO rune pent ‘Como s# puede observa, se rats de una gencralzacién de I iden ques vila para defini la dstibucion gsométrica, Esta tlacin con ls distrib ‘in geome Ia vamos a emplear para clela a esperanza del dsb ‘in binomial negatva de manera muy sencilla, Para eer esto, definiremee SYre-entmeto de Iracasos abenidon entre el 1) -esimo éxito el -ésime sion ics oy Es inmedingo observar que X,,. X, son variables aleto ‘ha independents con distnbueidn geometrcaY,ademis, X= y+ +Xy Por tant BUX =EUX, + + XI-ELK I+ = HEX ey ? {Compirse este cleo com e que habra que falizar ss intenta plies sinectament la defini de espertnoa de una variable alestoria discret) 5, Distribucién de Poisson La distibucin de Piston e otro de los modos ms iuados on Probab ere eccintin. La eroe catt soeetie ¢-Saaems aerate an ON. mi ett hoi pcm ne yp ean sete mania tals a oes 5 Sua sn (2) rtp n Np ior mortar * nor El Este revutado es el gue motiva probabiidad de Poison siguiente deinen para et modelo de [DEFIsICION: la dsribucin de Poisson de pardmetro 2(:>0) es ka que tiene came fain de mas Pus) Es inmodiato comprobar qu, electivamente, lo anteriores una fucin de Eax-o- § Pa ES ‘Ya que hemos pesenado al modelo de Poisson como limite del modo binomial e fundamental comprenderen gu stuaiones nos eaconraremeas {de munersaproximad, con el modelo de Poisson: decir que n-»: lo entende femor,snuttramente, como quem es pane, y dei que P+ lo entenderemos ‘como que p esta prosimo & eto. Pot tun, cuando nos encontremos con un ‘modelo binomial con la cicurstanciasindcadas, lo podremes sustii por e ‘orrespondiente modelo de Poison, toando Zp (atu orienta, di ‘mos que esta susitucion pusde estar aconsejable cuando n3=30 y pO.) ‘Veamosalgoncs ejemplo en ls que sure, de anera natural Is dstibucisn 4e Poisoncomo modelo de In variable sentria consderada: 2X =nimero de errtas por pina en un libeon. xo-inimero de asegurados cn una compania que han dedarado algénEn cesuren,digamos que a distbucion de Poison es un modelo bastante razonable cuando setamos intereados ea estudiar el mero de éitosobten dos coun ofimero grande de prusasindependintes de Bernoull la proba Dia! de exto cadaver que se ropite la prueba, es peut. ‘ine manert inform, pero seni, de obtener La esperanza y la varianrs 4 una varablealeatoria X con distibucin de Poisson. conse en record {Que la distin de Posson es Imite del modelo binomial: de este modo, MX) =tieph p= [Como 4 ha indiead, el procedimiento no & riguroso. pero es edmode psa ecordar el valor de Is esperanray de la varianz:aphcando directamente [es dfniconesobtenemos lor mismos reslados, pero com mucho mds rab) {Es vec calcular probablidades corzespondients al modelo de Poisson imodiante na calealadora. También se puede vila la tabla correspondiente DDeFINICION consideremos una poblacin com N elementos dels cuales, D son faites (es deci tienen na determina caracterstea) ND son fracas (ne tienen na caractrisica). a drbacin Mipergcometica sl distribucin de tulle alsatoria X= nsiero de exitosobterdos enn obseroacanes ul azar de la plac si reemplacomienton. Sa func de masa es ()G-2) para max, n(N ~D)) €x pest i, Por tanto, cuando estemes trabajando con un modslo binomial 1p} com n grande, lo podeemes susiur por «!eowrespondient modelo normal tomando a= np y ¢~ Jnl =p tatu orentativo, laamos que esa susuign puede rentaracomsejable cuando n> 3 yOl40, J) Sik, Ninoy) os Ne Nase) 9 800 independents, entonees: Kyte AX AN aint tng 0 Vat eo FeD XN o= SoTFOD BvEMPLO: caleular la probabil de gue la varabealeatria X tome relres fanire “Ly Ts dstrbacin ex NiseS, 0-8) Para poder obtener eta probeblidad, vamos u wilzar las propedaiesante- ores arn irsformareledesa de P\-1'2X 21 algo gue panos obtener Acando fas alas def ditibucin N(O 1) Eas falas nos dan probabiida- desde ipo PZ>2) para 2>0, Tenemos. =A-1s 19) PZ205) =PZ<15)-PzZ205) =1-Pz315)~ P2305) = 0,968-03085=06247 (por la propiedad €)) (saltzand ls tabas) 8. Distribuciones asocindas a la normal Las dstrbuciones que vot dfn en eta seciin son disteibusiones que spacccen de modo natural en el riesiteo do poblaciones normales ¥. en onsscuenia tenen una ran apliccin en Estadsia, DEFINICION: sea Xy. o, Ny eariales aleroras independents, todas com Airbucin Nt 1) La diibucon 7° de Pearson com n ran de Uertad (abreiadanete 2) esta dsrbucon de la arabe alatoria ae a DEFINICIONS ah Nyon Ny Fables aletorias independents, toa las ‘on dsibucion NO, 1)" La dsrbacin de Staten com n grado de Wberad {abreiadamente,) ea distribution de Us tarlable aleaoraoF DEFINICION: seam os Nag Yon Y soiales alestorin independiente {oda con disbuciin NO; 1N"Ladsibuion F de Fisher Snedecor con me ¥ rales de liberia (abreviadamonteF,.,) esa dsrbucin de le arabe le teria 9. La disteibucin normal mulivariane eel mse de probabilgad ms impor ‘ante para yectoresalestorios de tipo coaiauo, Naturalmente,consitye nt enerlizacén del modelo normal en una dimensin que ys heros visto amos a dediar especial ateacion ala distebcion aormalbivariants 4 que los esltador que se obiienen son més fie de describ y de entender. Por tanto, la siguiente dein serefiere a un vector aleatona UX, DEFINICION: Le disucin normal Bseriante com rector de medias =| yp matis de earianzas ycovariansas at cum) *(cosn a”) (gue represenaremos abrevialament por Nyx) x ef madelo de probabildas para (X.Y) caraterisado por la urcon de densi ool fone ne (2) Es interesante saber emo som ls ditribucones marginals y condicions- das que w obtenen partir de una dsinbacién normal Pivarante Esto ex ‘isiament, lo que se focoge en las siguientes propiedades: 4) La distebucidn marginal de X es Nyw= ys 6 1) La dstribucion marginel de ¥ €s Nua~ ns: ¢~03) ©) La dstribucion de la varabealeatora Y condiionada por X= es ) Soi contxn 8 (gen Opp emeay siendo p el coetciene de conlacin, que se define de manera andlog al brefisente de correlciéa emuestal cout) Fs interesante destacar que ls valores de la esperanza de esta distibucin ‘ondiciomada pata los cifrenes valores de xe3) forman una feta, cay ‘ouaci os 4 CoM I ema) Results evident Ia simiitud de esta rsta con I esta de regresion de Y sobre X que se obteia en Estaistca Descripiva ‘Ademds, la varianza de esa distibucicn condicionada es oit~p°) y tamign ce cridente su silitud con la variansa resklsl 0 error condition ‘medio de ia ret de regresion de ¥ sobre X. 1d) Sia vector aletoro (X,Y) ene astbucion Nus 8) y Coe(X, ¥Y=4 centonces, X ¢Y on indepenientes nm eicto, i CouX, Y)=C la mati dev forma (3) 0 ot Yyla func de densidad coajunta queda dl siguiente forma T wGon)) ras y covarinzas Fes dela treo w (ines = soo Por tanto, Xe ¥ sm independents, ‘Alexus lt ndependencas de varisle letoriasvmios que i. X e Yeran Independionescatonees, Co¥(X. Y)~0. La propidad que ecabamos de com probar nos dice ques (Y, ine dsibuckin normal entonces al hecho de fue Xe ¥ sean independientes ex equivalent a que Cor, ¥)=0. ‘Veamos, Finalmente. cud) es la densidad normal mulivaiante para un vector aleatorio (Xen aEDEFINICION: la dstribucién normal multicriante con ctor de medias lige id mrs de variancas 9 covanansas CONN Ky) Cony, XS) paleo ad Com XI a (que rpresemtaremos abreviadamente por Ns) ese! modelo de proablidan para (Xp nn X, earacteriza por la fen de densidad 10, Ejercicios 1. Suponiendo que a probebiidad de que un nino que nace sea vat6a es (31, alle ls probabiidad de que uns Filia de 6 hijos tenga 42) Por lo menos, una ri 1) Por lo menos. un mio ©} Pot lo menos, dos ninos y una nia Shs = 22. Dos personas juan a cara o crus. La partda termina cuando har sald al menos, ues carasy eserves. Hall la probablidad de gue Juego no haya terminado habiendose hecho 10 tiradas. | Una compa de segues con 1.000 asegurados halla que 0.00 % de la poblain flee aca ano de un cero tipo de accident 4) Halla a probabilidad de que ls compania tenga que pagar a mis de tes asegurados, por dicho accident en un ao determinad. 1) {Cuil ere nimera medio de acientes por ao? 4 La poobablidad de que an indvidvo tenga vn rexscGn alégicn al inystarie un sero e401, Hala la probubiigad de que, entre 2006 Indvidues,tegan reacion argc: 4) Exactamente ts Mas de> El nimero de ermtas por pigina en un libro se supone ue sigue uns sistibocidn de Poison En una muestra de 95 piginas se han observa nee eee 1 Nedeeras 0 1 Freier) 301 Hata Ia probabildad de que en una pagina tomada a azar haya alguna Un pico de cierta espese come mariposis de una poblcién muy _rande, Estas manposss pueden comer, as vez, de una planta venenos, ‘de manera que si el pljaro come una mariposa envenenada. deja de ‘comer mariposs ewe da. Suponiendo que el 40% de le pobiaion de tmanposss come dela planta Yenenosa, haar ef mamero medio de mt posse comida en un dis pore! pero 2345 721 Ua lepopterist ents interesado en los emplaes de wna clase de mar posas que consituyen el 13% do todas las mariposs de la zona Halla Ir probablidad de que tengn que azar 10 mariposa de las que no e interesan antes de encom 12) Un ejemplar dela clase deseada 1) Tres ejemphires de a clase desnuda Un botinico ha obwervado que Ia anchura, X, de Is hoja del lame sigue una disinbacin Nyc o} com t=6 em, que e 90% de las ojas tiene una anchor inerior a 7.3 cm. Waller 2. Hallar i probablided de que una hojamida mds de 8 cm. Ciera individ valora como factor deisivo para a compa de un coche fl consumo de passing Debe decidir entre dos modelos, 4 B. FL fabricane de firma que su consumo sigue una ditebucion NU; 5) (en iros/100 Kia mientras que el de B dice qu es M8: 3) 4) Hala a probable de que coche A consuma msde ios ya probatliad de que B consums ente Ty Iea= 1) Si desde comprar &l modelo B, caleular la probabiidad de que hore mas de 2 hiros100 Kom Fl coeficiente do intelgencia es una variable aleatoia que se distibuye segoa una N(JO0 6), Calcul: 1) La probabilidad de que un indvidvo elegido al azar tenga un coe sient superior a 120. 1» Suponiendo que un indiviguo con carers unversitaria debe reer un ‘sient superior «110, ala Ia probabiidad de que ua lceniado tenga un eorfiente superior a 120 La anchra 69 milipetos de una pobliién de coledptros sigue wns dlstbucign Nye} Se estima que 17% de I pobaein mide menos (412m. y que el 84% mide mas de 7 mm {Coil es la anchura media de la poblacidn? HallaB « 6 Tirumos 400 veces wou monedsequibrad 4) Halla la probabildad de que e ndmero de cars est comprendie tre 160 190 1) alla interval (a) centrado en 200 tal qu lt probsildad de {que el nimero de cars obtenido est en dicho inervalo sea 098. Se supone qu el nimero de baceriss por mm de agua en un estangue e+ tha varablaleafona X con dstribstoa de Poisson de parma 2 OS. 2) {Cail ela probabiliad de queen un mm? de amu del extanque no haya ninguna bacteria? 1 En 40 tubos de ensayo se toman mucstas de agua del estangue {i'm de agun en cia tuboh ¢QUE distibucgn sigue la variable Yun’ de tos de ensayo, ete los 40, que no conienen bate ‘hase? Caleulag, sprosimadamente, P(Y=20. 6) Sisabemos que en un tubo hay bacteria cul esl probabiided de ‘que haya menos de tes? {Un zodlogo estudia una cir especie de ratones de campo. Pars lo fapiuta eemplres de una poblacgn grande en ls que el porentje de dich espe es 100 p. 4} $1 p=03 halla a probabitidad de que en 6 sempre captarads Iya, al menos 2 de Jos que le interesan 1) Sip00s caleular la probabilidad de queen 200 hay, exactamente 3 de los que le interes. Sip=tsveacular ln peobablidad de que en 200 hay ene 75 y 1 de Tos que le interes, 4) {Gust es ef ndmero medio de ejemplares que tend que captures pura encontar uno dela especie que le iteres, si p= 02? En una poblacién a cantdad de plomo X presente en la sangre de uns ‘persona eed al evar es und val letora con Tancin de densidad 300 s0exe0 fit | (50- 2/1380 si 20<4<50 0 ene 110 12) Cantidad media de plomo en a sangre de os indvivs de la pba 1) egimos una persona al azar Probabiidad de que Ia canted de lomo en st sangre sea inferior a 20 ) robbie de queen 40 persons legis l azar, haya entre 20 3M personae con una canidad de plomo inferior a 3. Ls capacidad de enroliar Ia lengua esté control por una pare de panes el arn E-que determina su enrollamiento, y el gen e, que to impie 1 ® ww, gen E es dominante, de modo que oa persona Be ser capar de cellar la eng "En vm ciudad grande se sabe que aproximadumente, el 40% no pd enrol I eng 60 sf puede. De esc tion 70% som Eey el 30% son EE. 1) Sielegimos 200 personas al azar, ceudles a probabilidad de que més de 79 personas no puedan enroll su lengua? 1) Un hombre con lengua enrliabl eas om una moje Gon lengua ro envolable, y Hine tes fhjos con lengua enroll Cele la Drobablidad de que el hrsbe sea EE? peso de las personas de una pobacisn sigue una distibucién normal com media 72 Ep desiaién tpi 10 6) Cuatro persona elgidas al azar en est poblacign entran en un sseensoreuya carga maxima ex de 350 Kg. ;Cudl el probabilidad ‘de que entre Tor costo supeen es carga mxima? 1 WGashes la probabliad de ve dos personas, legis al azar en ese ‘oblaci,puedan joparen un balanco. i slo purden hacerlo eo ‘So sus peste diferen ea menos de Sk? EL peso de una gacela, en kilogramos, es una variable alestoria X ge tiene una dation Njr~S0: ¢~ 6), Si capturamos 10 gale, ndepen- thentemente unas de ot: 4) Indiar la dstrbucin de la variable alcatorin Y= anmero de gae- fas, de ls 10 eaporadas, que pesan menos de 40 Ky». Caleular y=. 1) {Cull es la probubildad de que podamosteansportar las 10 gasses Gh un vehcolo que admite une cirga de 450 Ke? ;¥ sl admite une ‘arpa de 525 Ke? Une ines eléstrica se vera cuando Is tos sobrepasa la capacidad de laine. Sila tension es NCO; 20, y la capacidad es NI14C 10), slelar 1a probabiidad de aver, Uns maquina de empaquetado automatico deposita en cada paquct 8153 ge. por termina medio, de Gerto producto, con 0-8 gr. El peso smodio del paguete var ex 145 gr con ¢™~6 F- Ambus distibucones Son normakese inependientes. 49) Cale a dsiibucin del peso de Tos paquets Henos 1) istibucgn conjunta del peso del paquete Leno y del producto que «9 Datribuimos los paquetes lens, de 0 en 40, en eas ctv peso snedio, vee S20 gr om a= $0 gf. (admtimos también normal {dad Hullo le distibucion det pos dels aj Hens.4) Hatlar t probabiidad de que una caja vaca pese menos que $ ppaqutes lenos. . Pearson esti la eclacgn ent a alura del padre (2X) yb de su ie (1) tomande 1078 casos de padres on uno o dos hijos (datos de 1.903) ‘Obser6 que las variables Xe Ye ajusaban bien @ una normal bivarian- te con pormettos (en em 691 Wy =1744 posi ae ay 25-698 4) Halla le altura espstadn den hijo euyo padre mide 178 em. 1B) Sse ce uow fama al azar. cleusr lt probablided de que la tra del aio supere en 5 em. ala del padre 9) Protlidad de que tn alta de un jo supere los 180 em 4} Protabldad de gue a altura de wn hijo supere ls 180 cm, sabiendo «qe su pace mide 176 em, Una muesea de sangre s# examina al micrescopio sobre una euadrcu ‘iid eo #00 cvadradosiguaes, Suponiendo que lx mesa ba side ‘Gua y homogenezadn de tanera qo los hematfes guedan distibuidos taza sobre la cuadrcua, yhabiendoseobservado 25 cundrados vacios halla el nimero medio de ematies por euadrado. ‘ila muestra ba so cada al 025% y ef volumen de dsolucin istbwido sobre a cuadicla 0.1 mm", geuintos hematis por m3 ‘de sangre tiene el pacente? Un epecilista en toll topical estan laspervvencin de un ete tipo de poe en apuascontaminada. Despus de una serie de experimen tox entima quel vida media de ese tipo de per, dspuss de ser colocade fen aguas contaminada, ex de 90 das con tint dsviacion ui de 2 dias En apariencia, In ditibucon de los dias sobrevivdos es normal {Gil el probabidad de que un pez que est vivo a abo de 10 dae Sobevva mais de 120 dias? Una poblacdn de cua cventa com a indviduos que presntan una ‘anomale bereitari. La reproduecion se d3 por partiign cella. yo Sunda generaccn se obiene ecogindo, al azar individuosente los Jr obtnidos del reproduci6n Sea X a variable aleatoria «ndmero inivdvs angtalos en a segunda generaion 4) Cuflesla isnibucign de X7 Sin=7y =2, seuss som os posites ‘aloes de X7 1b) Paran-7 s «=3;cacuar fn probabiidad de quel segunda gener sea sual a a primera. planaciéa de manzanos, cl peso en Ke. dela fruta produc ‘bucion Nyr= $0: a= 10) En u frromend mere ayinnag: icynsing an 6 Sitomaras 2 manana ar, lc probit’ de gee proscar enon dos pee los OK? nn 2 STTomams'9 manos rt cl robbie que ‘sanameme enn tna podieon spear’ ls #8 Re 6) Stenote plantas ato ou dn 1-38) pre eso anal pod por ado ancy sibs qs Bt ew ane produsn scion 0 Key svn En el grapo nico A, Ia estaturn de ls personas fen) sigue una Aistribcion N= 165: 05 ene grup cnic B sigue una dstsbuciin ‘Mqe=170;0=5) yen el grupo C wha distibucin N= 175: ¢= 3). Los res grupos acoso my MUMETONOS, Scenes na pont l zt gap ea probabil ‘de que mida mas de 160 cm.? oe pe aeierer: 4) Si degimos 1 pena lat del erupo dno A independiente tenes e Om ale a pond de ee da Sdn md e100 9 Enon cade 309 dels pblcin pres a s eiia A Doss prunes fa ty 4305 sais 9 8 cps ant pero al arent aad 9 de mit de 172 cfu a Prob gn orc lwo igo Ct 4S Sgimos 100 pests sar rope edpeietemme unas de otras, gules Ik probabil de que, al menos 50 midan més de 172 cm. Bo un examen se plntean 10 cestions ls que debe sponds ‘ecdadeoo luo Unalimo sprint dean ss menos trapuce Uassonaceadas {Qué probabihed de aprobar ese un een We spond odo sl rar? .¥ ano qe sae 3 aba” a wpb ome cas A Gen at pe rocanc mening HS dls pea erat el SOIR SC py sve cx C Ln cumorencmmcron ae ‘on nus auc ns duos 0-1, A -Y N(I65; 10) para las castas 4, B y C, respectivamente. : 6% cepnos laa on indus decane 4, potiin hhabré de que su estatura sea inferior 2 164 em? el ari posed de a pir do que on none ones cts nf om 6 Sel pri inddun qu nos esoniramos nie cement me os dt cmc uc ste ba epee” Entre lot adokscenes de una cera poblacién, el 10% de os chicos ‘padecen obenidad y lo mismo ocurre con as chicasSe igen al arr, ¢ independlentemente, 250 chicos y 200 chicas, ) Caleula ls probabiiad de qu entre as 20 chicas, al menos, 1C sean obests (6) Consderemos las variables abatorias: X= sfrcncncit rativa de obesos, en 250 chicos, ‘Pactrceueniarelativa de obese en 200 chiens (Cau la esperanza la varianza de X~¥. CCakular PIX 006) (utzando la aprosimaci6a normal, Muestreo aleatorio 1. Introduccién El objetivo bisioo de ls Estadstica es extant, de un modo aprosimao, alguna cariterstica de una poblacin, a partir del canociiento de emo es ta caracersica en una muestra de elementos dela poblaion. Naturaimente, sto al tndra sentido cuando ext mostra sea stepresenatva» de la pola ‘én que se quiere estudiar. Por supucsto, esta tepreseottvidads puede Asfinne de muchas maneras disintas Cada una de estas deiniiones nos levara aun coneepio dierente de musta. La deiniidn que vamos a cons era en este capitlo (que ullizarems en ls sucesivs) es a mds sens y babi 2 Conceptos bisicos Nuesizo objetivo bisco ser el estudio de una caacersica numérica X de tna poblacisn. Siesta caactersica X es de tipo discrete, serd consigerada ‘como una variable leash euya distebucion viene dada por una funn de masa Psi X es de ipo continuo sed considerada como wn variable aleatoria ‘aya distribusgn viene dada por wns funién de densidad Como todo exo muy largo de dei, lo gue demos, abtalment, es qe estos estudiand Une poblacgn X con funcin de masa P fo faei6n de densidad ‘Cuando queramos observa lo que vale esa caracterstica Xen melmentox ela poblacidn, extractemos una muestra srepresenatvas deinida de la Slpuinte manera Derintctox: ana muestra letra de amano de wna poblacion X con fin demas P fa functin de densidad f) 45 wn vector aletorio IX =n. X_ donde 8) La dsrbucn marginal decode X, viene dada por Po por f) 1B) Xj som IndependienteCConviene analiza detenidamente una sere de aspecos de esta defnisién formal de muestra seat: 1)X, representa cl valor del caracteriticaX en el elemento smo de Is 1) Decirgue la istribucisn marginal de cada X, viene dada por Po por signin de ravers informal. que todos fs elementos dela poblacin ‘enn la misma oportunigad de aparece en la muestra. Die de otrs ‘manera la probablidad de que tn valor apareca en la observacion "sma depende silo de la probabidad que tene ext valor en la poblacén. sto hice que Ie miesia sea scepresentatvan 9 Suponer que las observaciones XX, som independientes © ‘modo parse desarollo tena del modelo de muesten. Esa inde endneis Ln podemos entender de dos manaras: de un mado exacto ‘ifn que cada ver que observes un elemento To devolvemos sls poblacigay de una manera aproximada,sgniiea que el amano de La poblacgn es my grande en eomparacion con el amano dela musta {eta modo que la composicén dela poblacign se altera muy poco al fatale algunos elementos (en lx pedctica, este es el caso habitual 4 Finalmente indiguemos que hay olos conceptos de enuestteos, au que vamos @limitarnos a que se acaba de de Sogin se desprende de la defen, la funcisn de masa (9 funeién de densidad) de ls musta aleaoria (XX, viene dada por: Caso digreto: Px on B= Ple) Po Casa comtintor_ fy. oos Ste) Mh Por spuest, P(o £1305 conocida (sera conned problema deat de extn, Provoamente, sir abjetivacs ganar informacion sobre P(0 118 partir de ls obervaciones Ny, Ny ‘Una de nuestra primeras neisdades seré ta de simplifce, de alguns ‘manera, los datos musiraisobtenidos (sta simpliicacén se puede hacer con ‘erent fine) Esta necsedad nos leva a deni de estadistce: DerINiciON: am estadisico es una ficion real T de fa mucsra lear Wo Ne Por tanto, un estaditico es una variable lestoria TIX)... 9) Ys 62 csonsecuenea podemor habla de su esperanza, desu vatanza, © Algunos de fos estadisticos mis utlizdos en todo tipo de stuacions sn los siguientes Medi mussral= = Varianen muestal= Vg EE (X02 (By XP aX) ‘Coas-varianza moesiral=S?~ ty Bp. (X,— KP aby (Bh XP La media metals ils yu en Estadaiea Deseritiva, aunque conn pequeto mits de dierenci: Is mein mocstral en Estates Desrptva ‘Sorresponde al conjunto concrete de datos que tenemos se ta, or lant, de lun valor conereiok ahora, sin embargo, Ia media muesral es una variable leatoria(foma valores diferentes para las posbles muestras) Lo mismo se puede decir con rexpecto a la varanza musta ‘Veamos algunas propiedades importantes de estos estadstios: PROPIEDADES: sea (Ny. -» X,) wna muesra aleatoria de wna poblaién X com esperanza yy varianca , Enonces a) EDX b= 9) ELS ]=0"3. Inferencia paramétrica Como s¢ ba indicado aneriormente, la funcion de masa (ola fncion de Gemidad f) de lacaractesticn X que se quiere estudiar, no es conocia (a ‘menos perfectamente Sin embargo, en la mayer parte dels siuacions que onsdereremos. tendfetioe un conocimiento parcal de P (0 J). As. sore habitual suponer gue Ia poblacign se adapta bem aun determinado modo de prababilidad (binomial, Poison, normal.) To daico que nos fas por onocer ese vilor de agin pardmero (pom el caso bora. en el modele {de Posson. .) Siempre que extemos en na stain de este tipo, nos estar tos enfentando a algén problems de Toferenca parametrca, La noacido eee para este tipo de problomas es la siguiente: El pardmeteocuyo valor desconocemos puede ser de una 0 mas dimensio: nes yl representaremos, en general, por fel conjanto de posibles valores del parmet representa por ©,» ree el nombre de espacio pararério. Si [earutertiea que estamos estadiando ex de ipo discret, su fancin de masa Se reptesentard por Py i es de lipo comtiauo, su foncén de densidad se ‘eprerenaré por Jj, La Tuncgn de masa (efoncién de densa) dels muestra lentoria vane dads en esos casos, del siguiente forma: aso discret: Pty I= Pa Ph Cas0 continao: fds 00 I= SPN La Infereacia parametric ve divide cn wes grandes partes, dependiendo de la natraeza del problema que intentemos revoivery del ipe de solucon que demos: estimacn puntual, eximacion por intervalos de cnfianzay conrase de hipotss parametias. El plantamieno y los objetives de cada una de ‘Stas pares sera el objeto de estado de los proxies captuls. ‘Atte de fnaliar ete eapulo, estudarmos el concepio de esate sufcient, ya que este concepto es plicable a ls diferentes problemas de a Inferenea parametis 4, Estadisticas suficientes, ‘Sea (Xj ama muestaaleatoria de una pobasion X' con funcisn de masa Py (ofuneion de densidad) Es iatresante buscar estadsticossencilos {que conserven tod la informacion sobre 0 que levs Ix muestra (X,. Xa 0 ‘azn ex secil s,porejempl. 1a media muestra almacena tant infor ‘in sobre el parmetr desconocdo & como una musta con 1.000 observa ‘ones obviament, es mas oimodo maneae slo valor de a media muse {Que mangar Tos 1000 datos de que se sispone. El problema es presse ‘Saniicado de walnacnar tanta informacion sobre @ como la muss. Para Tmotivarintivamente li defincign que vamos a dar de estadstco sufcente ‘ccnicerteich ox roetia expats lle La probabidad de obtener vara» al lanzar uma moneda es un valoe exconocide 001) Sia suceso octane wigoamos el valor Il sw=50 ‘ceruzl signamos a valor y lanzsmos la moneda "voces, lo que obten tos e6 una mostra aleatoria(X,,--.%,) Je una pobacion con Taneién de fst OO) * x=0,1(Disteibuclén de Bernouli) 1 funcién de masa de Ja muestra es Phy on POU DE OL aOR OPS Ey exe cato seni, parece claro que el esadstico ny, sdmero de caras obtenidase conten tant informacion sobre 0 como la descrip detallada de resultado feos lanvarientos. En realidad slo estamos presindendo del orden en ‘duc ae han obteido ls cara as srusee, esto no prove my relevant, Gbeervando que T tiene una distibucin Mr sere obener te prob lida de una mbesta (4) condicionada por el hecho de qu lesa 0 Ta tomado el valor ¢ haa saido tears en ls planzamientost Es deci la distrbucion de a muestra... X,) condicionada por T=1 n0 epende del parma & El sigiicado ites de ese resulta es que To ‘que queda en la muestra, una vez extraa la informacion contend e0 T. no ‘os va dete auotamente rad sobre 0. Este reultad nos a a ea Pars ‘nie formalimene un estado sucente DeeintcxOw: sea (Xs, X,) unt muestra aleatria de una poblacn X cam incin de masa P, (faci de densidad Jy) Un estaitico Te sficiente re 8 cand a dria de (XX) oma por T= depend Esta defnisn es enormementeinesmods de sar. 3 ae, primero, hay ‘que conjeturar qué esadatico T puede sersufiiene (cota que wo sempre eSThe), despus, obtener I distbucidn condcionada consespondiene (ose {je ca stomps ced. AMortunadumente, hay una earacteracion alterna tsa muy seni PROPIEDAD: sea (Xyo-c~ Xo wna mura aleatora de wa poblaciin X con enc de masa P, (0 faci de densidad ,) Un estate Tessftente pare Oi ysl sh Pon ADMIT 9 Bah OS em eb cas contin: fd. on 3D = ATR $3 Oy 9 5) Inelus, eh el seeilo ejemplo del anzamiento de la moneda, la comproba ci habit sido nds pis Pas POEM OF Fee MS oA send frevonade fs ig 1 ah) = 8 Fe eens ad=1 Estimacién puntual 1. Introduesién 1a estimacin punta es el primer problema que vamos analiza dentro de a oferencinparametica Supondtemos, por tanto, que (X yn Xy) es ne ‘esta aletona de una poblcign Xam distcbucign dada por i anion de ‘mass Py (o orl funn de densidad fj, donde es un pardnetrocuyo valor \esconscemcs, pero qu est dentro de un conjunto © qe lamaeioe espacio Datamnco. Nuestro objetivo en la estimacion punta es decd. ea union el modelo que estamos aceptando para la poblacion yen func dla mssra concteia xy que hiyamosobtenio, eu eel valor de @ qe ‘0s parece mis pause (en alg sentido) Es dec, vamos a legit un punto el espacio paramético que utilzaremos como estimacin de 0 (de ahi el hombre de esimacin punta) 2 Conceptos bisicos En consecueni, lo primero que vamos defini es lo que entenderemos por ‘stimador puntual de una faneién 0) dl patietro DerintctOn sea XX) wna mea aetna de a plac X con faci de masa Po fancon de ded f, donde 8. Un estima puna de 0) es una fc T que a cada pote usin.) hace correspon er ana estimacn Tey 8) Obersacones: seat ams estima abtsiment 0 dir, 0), Pen algunos casos podria interesamos estima alga funcon de (por eempi. (0°) Por esta raz, es prefenble hablar de estimadores puntules de gdh be, adem, no supone ninguna complicaeon adicona1) Evidentemente, TUX... X,)e8 una variable akatoria (0 un sect lear, en el caso de que Sea de mas de ura dimensica}. Ea realidad, ue ‘etimador puotual no es mds que un estado con una misdn especial ercare lo ms posible al verdadeo valor de ld) Segin nos convenga Uearmos a notion TTX nn Xa (6) Lt defnicin que hemos dado 6 estinador puntual es enormemente ‘ener, y engloba tanto estimadores muy razonables como estimadores com Pletamente absardos. Por ete motivo, 10 siguiente que vamos a hacer & Indica propiedades deseales para un estinador razonable,eiminando, de ‘ne modo, estimadores indseable 3. Error cuadrético medio, Estimadores insesgados ‘Supongames, por elemplo, que (Ny... ¥,) es una muestra aletora de una poblacsn X con distribucon NIP ~ 1h dande 0 se parémetro deseonoide {que quetemos estima. Inultivamente, 7(X,.... X,)=¥ pares un estmador Punttal de 8 mucho mis razonable que T:(X,.-..Xq)=3. Por supvest, lot or verfian ls deficién de estimador puntal, pero mientas el primere poporsonaestimaciones que. posblement. se acrqucn bastante al verdade- ro valor del pariero (ya que ev de experar que la mula muestal se «pare (is esperanza Pde la poblaci), el segundo desrecia la muestra oben 4 sles lo que sen, desde dar como eximacion de el valor 3 En exe ‘empl, el seid com es sufients para Iga ala conclusion de que T, = un estimadorindeseable- Sin embargo, en otras stuaciones, as costs no estéo tan cars, por exo conviene dar meas de a elestvidad de un estimador Una fovma bestante raronable de moi esa festivded es mediante erro cuadratico medic DEFINICION: el erorcuadatico medio de wn estnadorT, para extimar als deine come ee eo) aa ey fee: xd MOM FLX) fal Idx: dy (caso continuo) FF objetivo de ln deiniion est bastante claro: un estimador Ser més fect cuanto mis pee sea erzoreundrtico medio. Fl efor evade 0 medio de un estinador 7 puode expresarse, también de la sguent forma: {17 OV ELT E071 + EET 109°T Lor B,C) 16, CT 1-8? ANAT Sago? ‘siendo SexgotT)~ E,[T]— ath De este modo, el error cuaditico medio se pede radi, bien reducendo la varianza de estimadoe, bien reducendo su sesgo para satinar i). Una _maners de elimina compietamente cl ssgo estaba com etimadores isc anos DEFINICION: wn estimador Tes insesgad (o cemrado} para exinar 0), cuando erica: E,(T1=1@) para todo 06 ‘Naturalmente, i onsideramos sl estimadoresinsesgados, extamox climi- ‘nando otros estimadores que podian Sr valioss, aunque no sn isesgon ‘Una ventajaadicional de lo esinadoresinsesgados es que Su efor Sia ‘ratico medio cs simplemente V7) De ene modo, a trabajamos solamente con estmadoresinstsgidos,debeamos buscar agua que tenga arinza mini sma Este es un problema muy interesante, pero ene! que no vamos 8 prafund. 2a, ya ques vel es excesivo para nuestros abjetivon. Es senallo encontrar ejemplos de estimadoresinseseados: ExeMPLo: er (X,.5 X,)una muestra aletoria de wna poblaion X con dit ‘cin No} Ea este exo, Os oh 9 tenemos TX one XH es um estimator msesgade de (0), yo gue Es Ty oon X=? es un estimadorinsesgado de gl@1~ 2", ya que E,ES]= 0° 4. Estimadores consistentes wa cosa que puree bastante razonable engin wn etimador T es que ‘euanto mayor se el mémero nde observaciones mds se acer a extimacion Thee 8) al serdadero olor de ll Esta iden se plasma on la siulente define DEFINICION: wt estinador Tex consistent par estinar cuanto pra todo 08 i Fy)=0- para 0 20 3) X~Ngeat ls conocido). 8) XN 9) i eonccio} ” X-Mas. Sea (Xyeooe Xd wnt muestra aktora de una poblasiia con densidad sion = fb sxe 0) foaefh S200 gsm alarestimadores para 0 por el método de Jos momentos y por maxima serosiiltud. Comprobar si ao isesgadosy consistentes para csimar 6, 1 procedimisnto que se descrite a continvacn se liza para evitar fespuesas falas «preguntas decade em una encuesta(método de res- poesia sleatrizada: “See 4 una pregunta delcads (por ejemplo, evade Va. impucstos? y sca Buna pregunta inocu (por ejemplo, ;so mero de DIN. es par? ‘Se pide al sujeto que lance una moneda en scttc: sale cara contest Ta pregunta Ay, st sale cruz, a la B. El encuestador recibe wt sls respuesta [ao no) yn sabe 2 gue pregunta coresponde. Wi estaprocba se reaiza x 100 sjetos, y 600 de ells contestan «a, ‘ave porcentaje de indvidus se estima que evade impuests? CObtene el estimador de mavina verosiilitd del pardmetro 2 cuando lobtenemosr observaciones indeperdintesX,,. X, de una disteiboson faye densidad os Sie Gs! i xe(0 ge OD Gy 0 en el resto 4) Seu (Ky soy Xuma emestaaleatora de eet siaoe HO Yy on et resto ex Hala cl estimador por el métoo de los momentos d 0 1) atudir el etimador encontrado enol apartado anteriores nse tado para esimar el parmeto @ 6) Seaahora (Xoo X,) una mussra aleatoria de of ® aon wo Halla el etimador de mama versimibtud de 86 Seu (yo na mueseaaletoria de un poblacidn con func de densidad four" si xo 4) Esimador de méxima verosmilid de 0 )‘Bsimador de 6 por el metodo de lor momentos. 1 Se toma una musi setoris de tamato n de ans pobscén eye funcidn de densidad es: e . fons") woo donde puede ser cualquier ndmezo rel y ¢ es mayor que ceo, alla los esimadores de maxima verosiniliul de 0 ‘En una gran piscifactora hay una proporcién desconacida de pees de uns especie 4: Para obtener informacion sobre ex proporcin, vamos 2 fe saeando poses al zat. 1) Sila proporcin de pees dela expecie A esp cul a probabil’ de que el primer per de la espace 4 sea el divimo que extraemos? 1) Tres personas realzan,independientemente unas de oes, el proceso de sacar peces al azar hata encontrar con el primero de tp La primera persona obtiene el primer per tipo Aen It 10 extrac {Cr segunda persona oben el prime pe tipo 4 en Ia 15+ extraccion [a terera persona obtiene el primer per tipo A en Ia 18 extraci, Esciir a fancin de versimiltudy obtener la estimacin de ma: sma veroimiited dep 9. Para estudiar la proporen p de call afectads pot la peste eguina se les waa someter a ua prueba, Sabemos qu la praca sera positivas animal etd enfemo;s std sano, hay ua probablidad 004 de que la prc resulle posites 4) Halle Ia reicion entre la probabiie p de estar enero y la probabilidad y de dar positivo en Is prusbs. 1) Obtenee i etimacidn de maim versimiltad de ps 00 ejempie rs on sometidos la prusha y resulta positiva en 98 casos 1) Si realmente fay un 20% de’ caballos agetidos por la epide mia. euil es la probabilidad de que lx prt result posing en a ‘menos, 95 efemplares de los $0? 10 n, 2 La distancia ente un dol cualquiera yel4bol mds préximo al en tan boaque sigue una distibucdn de Rayeigh con facia de densidad Hisy=2e ele) x20 (>) 4) Obiener tos estimadoves de mixima verosmitud de 0 y de (AO)= F(X) U2} HI),basadon en musstias de tama n 16) Obtener el estimador de @ pore! méiodo de los moments, Eeoteno X de émgulo com cq s emiten los elestrones en un proceso radlactivo es una variable aletora con funcién de densidad fg ise) teen Jo ene reno sesh) Sie CConsieremos una muesira aleatoria (Xy,-. A.) de esta variable ale 4) Obtener el estimador de @ por el modo de los moments. 1 Call la variant de este estimadory demestrar que es consitente para estimar 8 O00) 6s ma mostra aleatora de una poblasion con funcion de ena emt si xo gine ie" eh 0) 4) Obtener el estinador de maxima vrosimiiud de Oy de 6 1) Consideraos ahora el estimador T= 22 (Es inssaado pare tstimar 6? Hallar la varanaa de 7, sabiendo gue a varianza de la poblacgn es9 Estimaci6n por intervalos de confianza Introduccién En este capt seguirems trabajando dentro de la Iferenciaparamétice: ts dei, seguirernos suponiendo quo (X,,..X,) es ana moesia aletoria de ‘ana poblaciin X cua dstbucion viene dada for una funcion de masa, (0 or na funcion de densidad fy, donde 9 ex wn parimetro desconocido gue toma valores dentro de un espacio paramétrieo @. La estimacién puntual analizada ea el capitlo anterior tiene on problema evidente: xi damos un fnico punto come estimacion del parimeto, esa estimacin difeimente acertard con el valor exaeto del parimetro. Por ours parte no acerar poe ‘completo, sepuramente no nos va a importar demasiado. normalment, To ‘que boscamor es que cl verdadero valor del pardmetro quede cerca de ‘uestaestimacin. Fata iden se reoogera perfectamente en In noc de imterralo de confanza 2 Conceptos bsicos DEFINICION: sea (Ny. X) una mest eletoria de we poblacion X com $Suncin de masa P,(o fin de densa), donde 9 (8... Un estnador ‘or interes de conftansa de al ite! de onfanza 13), a fein que & ada posible muestra (Sjo4%) le hace “coresponder an Iaerala Ce TI=M bso Mh Te oo gh al que, para todo Ne: PIB eis Fah = Palle os HET Sn BA Tao on N= La iden de la defini ob siguiente lepimos un nivel de confianza I—x préximo a 1 (sypongames, por temple, que cleuinos 1~2~195)»exisimos que la eslimseion conteng2 a ‘rdadcro valor de 0 emo 95 % de Ton casos posible es deci 195 de as ‘stimaciones serian buenas y el 5% restante malas. Obvismente, parecepreferibe que el 100% dels estimaciones sean buenas; per, para coms sto, ncentarfamos que e ntervalo de confanra abarcase todo ol espace parametric, y para dar ess estimacion no necesitamos obtener ninguna Fl principal problema de los intervals de confanes ess consrucin Ee ich consirssién interendr lo que Hamaremos und eantidad pivotal DEFINICIOW sea (Xy,.. X.) unt muestra aleatarla de una poblaion X con ‘Suncion de masa P, (ofan de desi) donde 00, 0) Ua canta ‘eoral para 0, es wa freon C(X,.~.,X.z 8) tal Que 84 dstibién ne ‘depend de 0 ‘Una vee obtenida una cantidad pivotal CLX,... Oe progedmiento ‘que hay que seguir para consru un ltervalossimadr Sent et siguent: legit don valores 6,3 tes que Palsy CI on Bg BSE) Observe que yy 6 no dependen de 8 por set CW Xi wna cantidad pivotal: despues Todo Io que tenemos gue hacer es despjar de las desizu Ades ¢,< Cl. 58). 9 habremos oblenido un estmador por inter lor de confianrs para 0, (se hace notar que a cantdad pivotal debe se) continua ¥ mondtona en 8) Por tanto, necesitmos obtener cantdadospivotales para los modelos ms lipportants. 3. Cantidades pivotales en poblaciones normales ‘Las cantdades pvotales, para el caso en ef que el mucstreo tene lugar eo tuna poblacion con dstibucion normal, se obenen m partir de it siguientc ropleda, PROMIDAD: sea (eX) un muestra lear de una poblacn X con israbuein Nya}. Enonees Fane oh si ademas, y $* som Independintes ‘Las cantidades potas mds habituales para este caso som lat sauientes: ‘CANTIDADES PIYOTALES PARA EL CASO DE UNA MUESTRG 8) Seay Xn muestra aleatora de una pblacén X~ Nix o} cow conocido Enon: 51 40,1 yes ua cantdad pivotal para by Soe Xj an Xe) ae musta aleatoria de wna poblacon X~ Nic 2 Emioncer fu ayy exe cana pista par san ara S25 yes uma canta plotl para Fn read, to dco gue hay que comprar es la primera cantdad pivotal de 1: recondando cima se defi la dsribucion¢ de Stadem, tenemos: (CANTIDADES PIVOTALES PARA EL CASO DE DOS MUESTRAS 8) SoOR yo oos Ni (Fy nM estas aeworas dependents dels poblaiones X ~ Nip; o} e P= Mah resperoamente. Enonces tun 4) €8 4ma coma prota para — Hs onde (n- SEs (0—DSt ae usde itereretarse como uma ponderacion dele cuas-rriecas muesals 3 y Sf correspondints a cada un dela maesra. 1) Seam (Xyon-- Nghe. Yl mustasaleatovas independents de ls poblaciones X~ Nips 0) ¢ Y= Ng. aph respectamente. EMonces Fe ae ¥€5 unt cxided plot para eF/e8Para comprabar la cantdad plotal de apartado B) basa recordar la defi cit de la dsaribcin de Fiber Snedecor toners: Lomig mt tt siiet Shei ~F {a comprobacn del oparado a) es mds laboriosa, yma se abordard 4. Intervalos de confianza en poblaciones normales [A parr e las antdasespivotaesindicadas en a ses anterior ex enile obtener intervalos de confianza para Ios parimettos de interés, cuando el Imoesrco se efecta en poblaionss normals, Consderaremos diferentes pos Iida. Sea (Xy.5 X) wna muestra alearria de wna pablcin X~ Ne oh con 0 conocido, Bronce (eS tra) sun inereao de conan para y (al nivel 1—3) sod of alr que verifies Piz>s)=adonde Z~ NO) cet atizando el hecho de que: Swan 1 e5 ume canta pivotal para tenemos yi despeando de las ds desiguadades, atenomas liner de confance indicat. ‘Seaunpo caso: Sea (Xo. Xam maestra lestoria de wna poblaién X~ Ny) Eon ° (eran Fs) sun nero de confanca pra pal ive! 1~2 leno tg alr que verifca Pum (s vas" tha » ‘x un inerealo de confanen par 0° (ol nivel I~ send 7! valor que tertiea Pi> En feet: 8) Como consecuencla de gue, en ete cas, Soa 5a yes wna cantdad pivotal para onemos: ay PL tener’ 5h Sten espejanda 4 de os dos desigualiades,obtnemos el nterale de conlanca para 1b) Ahora izaremos el hecho de que mt Sistas {ye wn contd ptotal para a, Podemos escribir rho ‘Séto queda despearo? dels dos desguadates para obtener ef interval de conflanza deseado.“TenceR caso: Sean Myo Xq) © (yn Wy) muestra aleatrian indepeniionter de ax poblaiones X~NUiy 2) e YN respecticamente. Entonces BP sat) sun nero de conan para py —us (al nivel I~ Ta comprobacdn es andloga a la de lex caso anteriores. (8-P teen ‘cuanto caso: Sean (po Xu) € (Pos Yo) muesnas aleatoras ndepenentes de las, poblacionts Nin; 64) € = Nits oa Pespecticamene, Entones i i) Porirua! Facdecw ven sun intersto de conflanca para fo} antl 2) sendo Fe vlor que erica PU a 4 Pr wal “a comprohacio es tambien media yandloga alas anteriores Obsereacon ‘A hora de manear ls tabascorreepondienes la disrbucion Fe € importente tener en cunts It siguiente rlaisn S. Otros intervalos de confianza ‘Cuando el mucsire se reaiza en poblacionss con dstibucise de Beraoull. © ‘on dstbucion de Poison, sucenemplerse intrvalos de confianza ass 0s esto signifies que la cama pivotal iad ne una distri Hii (cuando n-22) independiente de purdmetros desconoeidos. INTERVALOS DE CONFIANZA PARA UNA DISTRIBUCION De BERNOUL Sea Xo, X,) wna muestra aleatria de X~ BU; p> Entnces: es wm intercede confiansa pare p (al nivel I~, seo B= R= efrecuencia Fela de és. ‘En ete caso, To que hacemos es partir de le siguiente canidd pivotal axis: Xp — ae wey Jame NO (aorosimadamence, para grande) ITERVALOS DE CONFIANZA PARA UNA DISTRIHUCION DE POISSON ‘Sea (Xs X,) ama musa aleatria de wna polacin X ~ Poison Enionces (aya VTin Rte sun tera de confiana para (live! 12) slendo = X “La camidad pictal attic wlizada en este case x =N(0:1) —(aproximadament, param grande) vin 6. Minimo tamafio muestral Un problema muy relaionado com lt consteuccion de intervaios de confanza Grade determinate mining tamaso muestra que neceslames park que oesta estimacdn tenga una determinada «precio; es decir euntos de Teton teneman que observa para qu el -erTor» comet con It enimacion to supere waa cera comidad DennscioN: ef error de una estinacd por ineeaos de compan fal nicl Peates la emiamplitad dl tere ote, nes.o: gen dehe ser ef ining lamaro de ne mesra aleatora de ane Foblactin Si a= Sh pra que eror de laestimcion nos superior (con Irv de conan del 98°)?Lo ue se pretende en este caso es esimar mediante un tnervlo de confiansa de a forma donde @=5 yt: nase 196. Susituyendo » despendo n,obtenomos RD aB46. Es dec, necciarlonos obserar 385 elementos para conse lo precision desea por ext esimacion Un cilculo similar al cletuado en este ejemplo puede levarse a cabo on ‘oxros intervals de confanra. Convene realist que, en general, el valor que ‘btengames como minimo temano mustral deberdentenders,simplement= ‘como un valor onntativo, Axx oblenemos que el minima tamio mest {para conseguir una determinadaprecsn es 497, este valor debera entender Se como que deberes observar alrededor de $00 elementos. Esto es esencial Sobre todo en aquellos eass en los que el mimo tamano mucsteal depende de la muestra coneretaobtenida Intervalos de confianza més frecuentes Se recogenaquilot intervalos de confaneaanteviormenteabtenidos, junto con lgonoe otros. La sbreiatrs ma. significa mocsra slestora, 1 x= 0 Interalos de confianen I~ para se coast 1~[54

Anda mungkin juga menyukai

• Cálculo Con Geometría Analítica - Dennis G. Zill

  

  Dokumen514 halaman

  Cálculo Con Geometría Analítica - Dennis G. Zill

  JhonnatanHamilton

  Belum ada peringkat
• Ecuaciones Diferenciales L Ecuaciones Lineales

  

  Dokumen316 halaman

  Ecuaciones Diferenciales L Ecuaciones Lineales

  Ale Fierro

  100% (1)
• Curso de Biblia

  

  Dokumen133 halaman

  Curso de Biblia

  padreguillermo

  Belum ada peringkat
• • Majalah
  • Podcast
  • Partitur
• Taller Biblico 13

  

  Dokumen21 halaman

  Taller Biblico 13

  ccardenasz

  Belum ada peringkat
• Differential Equations, Dynamial Systems and Introduction To Chaos

  

  Dokumen34 halaman

  Differential Equations, Dynamial Systems and Introduction To Chaos

  Matthew Brown

  Belum ada peringkat
• 1 Corintios: Problemas y soluciones en la iglesia primitiva

  

  Dokumen36 halaman

  1 Corintios: Problemas y soluciones en la iglesia primitiva

  Santiago Fibla Lemos

  Belum ada peringkat
• Las Siete Dispensaciones de La Biblia

  

  Dokumen30 halaman

  Las Siete Dispensaciones de La Biblia

  Matthew Brown

  Belum ada peringkat
• Física Cuántica Berkeley

  

  Dokumen500 halaman

  Física Cuántica Berkeley

  ASFDP

  83% (6)
• Mihaly Szentmartoni - Manual de Psicología Pastoral

  

  Dokumen118 halaman

  Mihaly Szentmartoni - Manual de Psicología Pastoral

  Jonathan J. Labrador S.

  100% (3)
• Tabernaculo Significado

  

  Dokumen79 halaman

  Tabernaculo Significado

  jaime mancia

  97% (37)
• A. L. y Joyce Gill - Ministerio de Alabanza y Adoracion

  

  Dokumen110 halaman

  A. L. y Joyce Gill - Ministerio de Alabanza y Adoracion

  josevaldiviaruiz

  100% (1)
• Biblia Reina-Valera Contemporanea

  

  Dokumen8.294 halaman

  Biblia Reina-Valera Contemporanea

  Matthew Brown

  Belum ada peringkat
• Compendio Manual de La Biblia Henry H. Halley

  

  Dokumen49 halaman

  Compendio Manual de La Biblia Henry H. Halley

  intermetaparadigmatico6205

  86% (7)
• Segunda Corintios, Un Comentario Breve

  

  Dokumen37 halaman

  Segunda Corintios, Un Comentario Breve

  Pablo San

  100% (1)
• Holiness Spanish

  

  Dokumen404 halaman

  Holiness Spanish

  Wilfredo Lopez Velasquez

  Belum ada peringkat
• Los Desafíos Del Liderazgo Cristiano - John Stott

  

  Dokumen34 halaman

  Los Desafíos Del Liderazgo Cristiano - John Stott

  micaela0972

  100% (8)
• Tesis 2

  

  Dokumen56 halaman

  Tesis 2

  Matthew Brown

  Belum ada peringkat
• Tes Is Gamboa

  

  Dokumen231 halaman

  Tes Is Gamboa

  Matthew Brown

  Belum ada peringkat
• Tesis 2

  

  Dokumen56 halaman

  Tesis 2

  Matthew Brown

  Belum ada peringkat
• Los Desafíos Del Liderazgo Cristiano - John Stott

  

  Dokumen34 halaman

  Los Desafíos Del Liderazgo Cristiano - John Stott

  micaela0972

  100% (8)
• Hebreo Biblico

  

  Dokumen408 halaman

  Hebreo Biblico

  jaime mancia

  97% (95)
• Los Desafíos Del Liderazgo Cristiano - John Stott

  

  Dokumen34 halaman

  Los Desafíos Del Liderazgo Cristiano - John Stott

  micaela0972

  100% (8)
• Apunte Usach - Ecuaciones Diferenciales

  

  Dokumen351 halaman

  Apunte Usach - Ecuaciones Diferenciales

  alvaro3744

  Belum ada peringkat
• Lide Raz Go e Spiritual

  

  Dokumen107 halaman

  Lide Raz Go e Spiritual

  Billy Alessandro Macal

  Belum ada peringkat
• Estadistica Aplicada - Julian de La Horra N.

  

  Dokumen93 halaman

  Estadistica Aplicada - Julian de La Horra N.

  Matthew Brown

  0% (1)
• Cuadernillo - Pdfactividades de Quimica

  

  Dokumen41 halaman

  Cuadernillo - Pdfactividades de Quimica

  dnielah

  Belum ada peringkat
• Lide Raz Go e Spiritual

  

  Dokumen107 halaman

  Lide Raz Go e Spiritual

  Billy Alessandro Macal

  Belum ada peringkat
• (Mario de J. Pérez-Jiménez) Teoría de Clases y

  

  Dokumen604 halaman

  (Mario de J. Pérez-Jiménez) Teoría de Clases y

  Alexis Mendoza

  Belum ada peringkat
• J. Nieto-Funciones de Variable Compleja (1968) PDF

  

  Dokumen89 halaman

  J. Nieto-Funciones de Variable Compleja (1968) PDF

  Facundo D Rodriguez

  Belum ada peringkat