Ejercicios de Estadística

Estadstica I
Notas de clase (Borrador)
Martn Daz Rodrguez

Departamento de Matematicas
Universidad del Norte
Estadstica I
Notas de clase (Borrador)
M. Daz Rodrguez
Barranquilla-Colombia
2012
Martn Daz Rodriguez
Estadstica I, (Borrador) Notas de clase.
Barranquilla:Ediciones Uninorte, 2012
112p
ISBN:
c Ediciones Uninorte,2012
c Martn Daz Rodrguez, 2012
Cordinaci on editorial
Editor
Martn Daz Rodrguez.
Correccion de textos
Dise no de portada
Impreso y hecho en Colombia
Indice general
1 Estadstica Descriptiva. 1
1.1 Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Rese na Historica . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Estadstica Descriptiva . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Componentes de una investigaci on estadstica . . . . . . . . . 4
1.2.2 Tipos de datos y escalas de medici on . . . . . . . . . . . . . . 5
1.2.3 Distribuciones de frecuencias . . . . . . . . . . . . . . . . . . . 6
1.2.4 Tablas de frecuencias . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.5 Medidas de centralizaci on . . . . . . . . . . . . . . . . . . . . 8
1.2.6 Medidas de dispersion . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Propiedades de la varianza . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Datos agrupados por intervalos. . . . . . . . . . . . . . . . . . . . . . 17
1.5 Demostraciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.5.1 Demostracion 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.5.2 Demostracion 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2 Probabilidad. 41
2.1 Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.2 Repaso sobre conjuntos y algunas propiedades: . . . . . . . . . . . . 43
2.2.1 Propiedades de conjuntos: . . . . . . . . . . . . . . . . . . . . 43
2.3 Espacio Muestral. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.4 Denici on Axiomatica de Probabilidad: . . . . . . . . . . . . . . . . . 47
2.4.1 Tecnicas de Conteo . . . . . . . . . . . . . . . . . . . . . . . 50
2.4.2 Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . 54
2.4.3 Probabilidad Total . . . . . . . . . . . . . . . . . . . . . . . . 55
2.4.4 Regla de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
v
vi Martn Daz Rodrguez
3 Variables Aleatorias Unidimensionales. 65
3.1 Variables Aleatorias Discretas . . . . . . . . . . . . . . . . . . . . . . 65
3.2 Variable Aleatoria Continua. . . . . . . . . . . . . . . . . . . . . . . . 66
3.2.1 Funci on de probabilidad acumulada . . . . . . . . . . . . . . 67
3.3 Distribuciones especiales de variables aleatorias . . . . . . . . . . . . 68
3.3.1 Variables aleatorias discretas (casos especiales) . . . . . . . . . 68
3.4 Variable aleatoria continua (casos especiales) . . . . . . . . . . . . . . 72
3.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4 Distribuciones conjuntas. 87
4.1 Variables Aleatorias Discretas Bidimensionales . . . . . . . . . . . . . 87
4.2 Variables Aleatorias Continuas Bidimensionales . . . . . . . . . . . . 87
4.3 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
INDICE GENERAL
Captulo 1
Estadstica Descriptiva.
1.1. Introducci on
Haciendo un esfuerzo de reducci on y en formato de diccionario, es posible
reconocer la estadstica como la:
1
Ciencia que se ocupa del estudio de fenomenos de tipo generico, normalmente
complejos y enmarcados en un universo variable, mediante el empleo de modelos de
reduccion de la informacion y de analisis de validacion de los resultados en
terminos de representatividad .
En otras palabras y aunque no es lo sucientemente exacto por no encerrar la
inmensidad de aplicaciones, puede armarse que la estadstica es la ciencia que se
ocupa de reunir, organizar y analizar datos con el objeto de obtener armaciones
ables (informacion v alida, sin errores, y representativa) que permitan resolver
problemas como el dise no de experimentos y la toma de decisiones a traves de
las fases de recogida de informacion, (donde la informacion puede ser numerica,
alfabetica o simb olica) de an alisis y de presentaci on e interpretacion de los resultados
y elaboracion de metodos.
En estadstica existe siempre una relaci on entre la informacion necesaria y la
abilidad del conocimiento que esta proporciona, puesto que la certeza completa
es inalcanzable. El arte de la estadstica pr actica reside en la investigaci on de la
probabilidad de un hecho y en el conocimiento de la cantidad de informacion que se
requiere para calcular su probabilidad.
1
S
ANCHEZ-CRESPO, G; MANZANO, V.: Sobre la denicion de Estadstica.Boletn de la

International Association of Statistical Education para America Latina, Oct. (2002), (5 pp) (dpp)
1
2 Martn Daz Rodrguez
La estadstica es la ciencia que trata de obtener armaciones ables sobre he-
chos o fen omenos variables. Est a desempe nando un importante papel ascendente
en casi todas las facetas del progreso humano. Anteriormente solo era aplicada a
los asuntos del estado, de donde viene su nombre; pero ahora la inuencia de la
estadstica se extiende a la agricultura, biologa, negocios, qumica, comunicaciones,
economa, ense nanza, electr onica, medicina, fsica, ciencias polticas, sicologa,
sociologa y otros muchos campos de la ciencia e ingeniera.
El prop osito de este trabajo en su primera parte, es presentar una introducci on
a los principios generales de la estadstica descriptiva que sea de utilidad para todos,
con independencia de sus campos de especializaci on; como la organizacion y analisis
de datos, probabilidades de eventos, las diferentes formas en que se pueden distribuir
las probabilidades y variar los datos de cualquier muestra o poblaci on. Ademas espero
que en su segunda parte tambien sirva de consulta para todos aquellos que esten
ligados de una u otra forma con aplicaciones estadsticas en sus propios problemas
de investigaci on.
En este documento recopilaremos de forma organizada conceptos importantes que
permitan obtener una visi on y claridad amplia de la denicion antes expuesta y de
la gran inuencia de la ciencia estadstica dentro de casi todos lo fen omenos que nos
rodean especialmente a aquellos interesados en el desarrollo cientco.
1.1.1. Rese na Historica
Desde los comienzos de la civilizaci on han existido formas sencillas de es-
tadstica, pues ya se utilizaban representaciones gr acas y otros smbolos en pieles,
rocas, palos de madera y paredes de cuevas para contar el n umero de personas,
animales o cosas. Hacia el a no 3000 a.C. los babilonios usaban peque nas tablillas
de arcilla para recopilar datos sobre la produccion agrcola y sobre los generos
vendidos o cambiados mediante trueque. En el siglo XXXI a.C., mucho antes de
construir las piramides, los egipcios analizaban los datos de la poblacion y la renta
del pas. Los libros bblicos de N umeros y Cr onicas incluyen, en algunas partes,
trabajos de estadstica. El primero contiene dos censos de la poblaci on de Israel y
el segundo describe el bienestar material de las diversas tribus judas. En China
existan registros numericos similares con anterioridad al a no 2000 a.C. Los griegos
cl asicos realizaban censos cuya informaci on se utilizaba hacia el 594 a.C. para cobrar
impuestos.
El Imperio romano fue el primer gobierno que recopilo una gran cantidad de
CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA.
Estadstica I. Notas de clase (Borrador) 3
datos sobre la poblacion, supercie y renta de todos los territorios bajo su control.
Durante la edad media s olo se realizaron algunos censos exhaustivos en Europa. Los
reyes caloringios Pipino el Breve y Carlomagno ordenaron hacer estudios minuciosos
de las propiedades de la Iglesia en los a nos 758 y 762 respectivamente. Despues de la
conquista normanda de Inglaterra en 1066, el rey Guillermo I de Inglaterra encarg o la
realizaci on de un censo. La informaci on obtenida con este censo, llevado a cabo
en 1086, se recoge en el Domesday Book. El registro de nacimientos y defunciones
comenz o en Inglaterra a principios del siglo XVI, y en 1662 apareci o el primer
estudio estadstico notable de poblacion, titulado Observations on the London Bills
of Mortality (Comentarios sobre las partidas de defunci on en Londres). Un estudio
similar sobre la tasa de mortalidad en la ciudad de Breslau, en Alemania, realizado
en 1691, fue utilizado por el astr onomo ingles Edmund Halley como base para la
primera tabla de mortalidad. En el siglo XIX, con la generalizacion del metodo
cientco para estudiar todos los fenomenos de las ciencias naturales y sociales, los
investigadores aceptaron la necesidad de reducir la informacion a valores numericos
para evitar la ambig uedad de las descripciones verbales.
En nuestros das, la estadstica se ha convertido en un metodo efectivo para
describir con exactitud los valores de datos econ omicos, polticos, sociales, psicol ogi-
cos, biol ogicos o fsicos, y sirve como herramienta para relacionar y analizar dichos
datos. El trabajo del experto estadstico no consiste ya s olo en reunir y tabular
los datos, sino sobre todo en el proceso de nterpretaci onde esa informacion. El
desarrollo de la teora de la probabilidad ha aumentado el alcance de las aplicaciones
de la estadstica. Muchos conjuntos de datos se pueden aproximar, con gran
exactitud, utilizando determinadas distribuciones probabilsticas; los resultados de
estas se pueden utilizar para analizar datos estadsticos. La probabilidad es util
para comprobar la abilidad de las inferencias estadsticas y para predecir el tipo y
la cantidad de datos necesarios en un determinado estudio estadstico.
1.2. Estadstica Descriptiva
Debido a lo extenso y variado del campo cubierto por la estadstica es difcil
proponer una denicion precisa del concepto, sin embargo, en terminos generales,
podra decirse que la estadstica es el estudio de los fen omenos aleatorios y de la
recopilaci on, presentaci on, analisis y uso de datos para tomar decisiones y resolver
problemas en caso de incertidumbre. No obstante los estudiosos de la estadsticas
est an de acuerdo en clasicacion de la misma para su estudio en dos estructuras que
1.2. ESTAD
ISTICA DESCRIPTIVA
si se quiere se pueden considerar como complementarias; por un lado la estadstica
descriptiva, y, por el otro la estadstica inferencial, las que desempe nan com lo dije
antes funciones distintas pero complementarias.
La estadstica descriptiva trata del resumen y descripcion de datos. Dicho resumen
puede ser tabular, graco o numerico. El analisis se limita en si mismo a los datos
seleccionados y no se realiza inferencia alguna o generalizacion acerca de la totalidad
de donde provienen esas observaciones.
La estadstica descriptiva es el trabajo preliminar para la interferencia, enten-
diendo por interferencia estadstica el proceso de hacer predicciones a cerca de un
todo o tomar decisiones al basarnos en la informaci on contenida en una muestra.
La estadstica es la ciencia, pura y aplicada, que crea, desarrolla y aplica tecnicas,
de modo que pueda evaluarse la incertidumbre derivada de interferencias inductivas.
1.2.1. Componentes de una investigacion estadstica
Denici on 1.2.1. Experimentos aleatorios : Son el objeto de estudio de la estadstica
y tienen que ver con el azar.
Denici on 1.2.2. Poblacion : Es el conjunto de todos los posibles resultados que se
pueden obtener de un experimento aleatorio.
Denici on 1.2.3. Muestra : Cualquier subconjunto extrado de una poblacion.
Una muestra es representativa de una poblaci on cuando cumple las siguientes
condiciones:
-De tama no adecuado.
- Tomada al azar.
- Las conclusiones tomadas de la muestra puedan extenderse a la poblacion.
Denici on 1.2.4. Muestra Aleatoria : Es cualquier muestra escogida al azar.
Denici on 1.2.5. Parametro : Cualquier caracterizacion objeto de estudio en una
poblacion.
Ejemplo: La media poblacional, la mediana poblacional.
Un parametro se considera como el valor verdadero de la caracterstica a estudiar.
Denici on 1.2.6. Estadsticos : Cualquier caracterizacion de la poblacion realizada
sobre una muestra.
CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA.
1.2.2. Tipos de datos y escalas de medicion
Un conjunto de observaciones (datos) puede hacerse mas comprensible y
adquirir signicado mediante un arreglo ordenado. Estos datos pueden ser cuan-
titativos o cualitativos.
Denici on 1.2.7. Datos cuantitativos : Son aquellos cuya determinacion esta aso-
ciada a una unidad de medida. Como son, por ejemplo, los datos correspondientes a
los pesos de las personas, la edad de un grupo de personas, el n umero de estudiantes
en las diferentes carreras en una universidad, etc.
Denici on 1.2.8. Datos cualitativos : Son aquellos que se reeren a caractersticas
o atributos tales como, color del cabello, sexo, estrato social, etc.
La asignacion de n umeros a los objetos se puede hacer de acuerdo con reglas
diferentes, lo cual origina distintas escalas de medicion, las cuales ser an descritas a
continuacion:
Denici on 1.2.9. Escala nominal : Es aquella en la que los n umeros solo se emplean
para diferenciar los objetos, distintas categoras o nombres.
Por ejemplo, los n umeros en las camisetas de los jugadores de f utbol, los
n umeros de la cedula de ciudadana, etc.
Denici on 1.2.10. Escala ordinal : Es aquella en que los n umeros se utilizan para
diferenciar en orden de supremaca de acuerdo con cierto criterio jerarquico; como
son los n umeros que se utilizan para clasicar los distintos estratos socioeconomicos
o para designar preferencias. Cuando los objetos son medidos en esta escala, los
que tengan la misma asignacion se consideran iguales, y los que tengan asignaciones
distintas se consideran diferentes. La diferencia entre dos n umeros ordinales no tiene
signicado cuantitativo, solo expresa que una situacion es mejor que otra, pero no
cuanto.
Denici on 1.2.11. Escala de intervalos : Es una escala mas especializada que las dos
anteriores, en el sentido de que es posible ordenar las mediciones y decir en cuanto
diere una situacion de la otra. Por ejemplo en las mediciones de la temperatura
no solo podemos decir que hoy hace mas calor que ayer, sino que podemos decir
hoy la temperatura es dos grados mas alta que ayer. Esta escala es una escala
verdaderamente cuantitativa.
1.2. ESTAD
ISTICA DESCRIPTIVA
Denici on 1.2.12. Escala de razon : Es aquella que tiene una unidad de medida, un
punto de origen no arbitrario (un cero verdadero, sinonimo de ausencia del atributo).
Por ejemplo el peso de una persona, su estatura, etc, en esta escala la razon
entre dos n umeros es signicativa, por ejemplo, si Paulo sac o 5.0 y Graciela sac o 2.5
en un curso de Estadstica I, cuya calicaciones oscila de 0.0 a 5.0, entonces Paulo
sac o el doble de nota que Graciela.
Una vez que se han precisado las distintas escalas a las que estar an referidos los datos,
se pasa a rese nar los elementos basicos que forman parte de las distintas maneras
como se pueden resumir los datos con el prop osito de tener una visi on aproximada
de las caractersticas mas sobresalientes de estos.
Datos discretos y continuos
Representaremos los datos con letras tales como x, y, z, las cuales pueden tomar
cualquier valor de un conjunto prejado de valores. Si los datos solo puede tomar un
valor se le conoce como constante.
Denici on 1.2.13. Datos continuos : Si un dato x puede tomar cualquier valor en
un intervalo dado, entonces x se le llama dato continuo.
Denici on 1.2.14. Datos discretos : Si un dato x puede tomar solo un n umero nito
o innito pero contable de valores en un intervalo dado, entonces se dice que x es un
dato discreto.
En general las medidas dan origen a datos continuos, mientras que las
enumeraciones o conteos originan datos discretos.
Ejemplo : Identicar de los siguientes datos cuales representan datos dis-
cretos y cuales datos continuos?:
a. N umero de acciones vendidas cada da en un mercado de valores.
R/: Discreta.
b. Temperaturas registradas cada media hora en un observatorio.
R: Continua.
1.2.3. Distribuciones de frecuencias
Denici on 1.2.15. Frecuencia de un dato : Sean {x
1
, x
2
, x
3
, ..., x
n
} un conjunto de
CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA.
datos distintos. Se dene la frecuencia de un dato i, denotada f
i
como el n umero de
veces que aparece el dato en la poblacion; i=1,2,...n.
Ejemplo: para los siguientes 6 datos {1,1,2,2,2,3} se tiene que la frecuencia del
n umero 1 es 2; la del n umero 2 es 3 y la del n umero 3 es 1.
Denici on 1.2.16. Frecuencia acumulada hasta un dato dado: Sean {x
1
, x
2
, ..., x
n
},
un conjunto de datos con frecuencias f
1
, f
2
, . . . , f
n
respectivamente, se dene la fre-
cuencia acumulada hasta el dato x
i
, i = 1, ..., n denotada F
i
as:
F
i
=
i
k=1
f
k
= f
1
+ f
2
+ ... + f
i
; i = 1, 2, ...n.
Denici on 1.2.17. Frecuencia relativa de un dato : Sean {x
1
, x
2
, ..., x
n
}, un con-
junto de datos con frecuencias f
1
, f
2
, . . . , f
n
respectivamente, se dene la frecuencia
relativa de un dato x
i
, i = 1, ..., n, denotada f
ri
as:
f
ri
=
f
i
n
k=1
f
k
i = 1, 2..., n.
Denici on 1.2.18. Frecuencia relativa acumulada hasta un dato dado: Sean
{x
1
, x
2
, ..., x
n
}, un conjunto de datos con frecuencias f
1
, f
2
, . . . , f
n
respectivamente,
se dene la frecuencia relativa acumulada del dato x
i
, i = 1, ..., n denotada F
ri
as:
F
ri
=
F
i
n
k=1
f
k
, i = 1, 2..., n
1.2.4. Tablas de frecuencias
Las tablas de frecuencia constan de dos columnas (o las). En la primera
se escriben los valores de la variable, x
i
y en la segunda las correspondientes
frecuencias,f
i
. Estas sencillas tablas se utilizan, cuando la variable de estudio es
discreta y generalmente el n umero de datos no es demasiado grande. Cuando el
n umero de datos es demasiado grande se acostumbra a clasicar los datos por
grupos o categoras, este tema lo abordaremos mas adelante.
Las tablas de frecuencias puede ser ampliada agregando nuevas columnas con
las frecuencias relativas y las frecuencias acumuladas, y a un mas.
Ejemplo 1.2.1. Ejemplo sobre distribuciones de frecuencias.
Se tienen los siguientes datos sobre las edades de un grupo de jovenes:
1.2. ESTAD
ISTICA DESCRIPTIVA
17 19 20 19 18 19
18 18 18 18 18 18
20 18 18 20 20 18
20 20 19 18 19 18
21 19 19 19 18 18
19
Organice los datos, calcule sus frecuencias, frecuencias acumuladas y relativas, y
representelas por medio de una tabla de frecuencias.
Solucion:
x
i
f
i
F
i
f
ri
F
ri
x
1
= 17 f
1
= 1 F
1
= 1 f
r1
= 1/31 F
r1
= 1/31
x
2
= 18 f
2
= 14 F
2
= 15 f
r2
= 14/31 F
r2
= 15/31
x
3
= 19 f
3
= 9 F
3
= 24 f
r3
= 9/31 F
r3
= 24/31
x
4
= 20 f
4
= 6 F
4
= 30 f
r4
= 6/31 F
r4
= 30/31
x
5
= 21 f
5
= 1 F
5
= 31 f
r5
= 1/31 F
r5
= 31/31
1.2.5. Medidas de centralizaci on
Denici on 1.2.19. Moda : Sean {x
1
, x
2
, ..., x
n
}, un conjunto de datos con frecuen-
cias f
1
, f
2
, . . . , f
n
respectivamente, se dene el dato moda, denotado x, como aquel
que tiene como frecuencia a f
k
, siendo f
k
f
i
para i {1, 2, ..., n}, k = 1,2,...,n.
La moda de una serie de datos es aquel dato que se presenta con mayor fre-
cuencia, es decir, es el dato mas com un.
La moda puede no existir, incluso si existe puede no ser unica. Una distribuci on que
tiene una sola moda se llama unimodal.
En caso de los datos (numericos) agrupados donde se ha construido una curva de
frecuencias para ajustar los datos, la moda ser a el valor (o valores ) de x correspon-
dientes al maximo de la curva.
Denici on 1.2.20. Mediana : Sean {x
1
, x
2
, ..., x
n
}, un conjunto ordenado de todos
los datos de una poblacion, se dene la mediana poblacional, denotada x as:
x =
_
Xn
2
+ Xn
2
+1
2
si n es par
Xn+1
2
si n es impar
CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA.
La mediana de una colecci on de datos ordenados en orden de magnitud, es el
valor medio que divide al conjunto de datos en dos partes iguales.
Denici on 1.2.21. Media poblacional: Sean {x
1
, x
2
, ..., x
n
}, el conjunto de todos
los datos distintos en una poblacion y sean f
1
, f
2
, . . . , f
n
las frecuencias respectivas,
se dene la media poblacional, denotada , as:
=
n
i=1
f
i
x
i
n
i=1
f
i
.
Nota: Si f
i
= 1, i = 1,2,...n, entonces:
=
n
i=1
x
i
n
.
Denici on 1.2.22. Media muestral
Sean x
1
, x
2
, ......, x
n
, una muestra de datos distintos extrada de una poblacion
y sean f
1
, f
2
, ...., f
n
, las frecuencias respectivas. Se dene la media muestral,
denotada X, as:
X =
n
i=1
f
i
X
i
n
i=1
f
i
.
Nota: Si f
i
=1, para todo i = 1, 2, ..., n, entonces
X =
n
i=1
X
i
n
.
1.2. ESTAD
ISTICA DESCRIPTIVA
1.2.6. Medidas de dispersion
Al grado en que los datos cuantitativos tienden a extenderse alrededor de un
valor medio se le llama variaci on o dispersion de los datos. Se utilizan varias medidas
de dispersion, como lo son:
Denici on 1.2.23. Rango
El rango de un conjunto de datos cuantitativos es la diferencia entre el mayor y el
menor de estos, denotaremos el rango con la letra r.
Denici on 1.2.24. Desviacion Media : Sean {x
1
, x
2
, ..., x
n
}, el conjunto de todos
los datos distintos de una poblacion y sean f
1
, f
2
, . . . , f
n
las frecuencias respectivas,
se dene la desviacion media poblacional, denotada D.M., as:
D.M. =
n
i=1
f
i
|x
i
|
n
i=1
f
i
.
Nota: Si f
i
= 1, i = 1,2,...n, entonces:
D.M. =
n
i=1
|x
i
|
n
.
Denici on 1.2.25. Varianza Poblacional:Sean x
1
, x
2
, ..., x
N
, el conjunto de todos
los datos distintos de una poblacion y sean f
1
, f
2
, ..., f
N
, las frecuencias respectivas.
Se dene la varianza poblacional, denotada ,
2
as:
2
=
n
i=1
f
i
(x
i
)
2
n
i=1
f
i
.
Y en el caso particular de f
i
= 1, i = 1,2,...n, entonces:
2
=
n
i=1
(x
i
)
2
n
.
CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA.
Denici on 1.2.26. Varianza muestral
Sean x
1
, x
2
, ......, x
N
, una muestra de datos distintos extrada de una poblacion
y sean f
1
, f
2
, ...., f
N
, las frecuencias respectivas. Se dene la varianza muestral,
denotada S
2
, as:
S
2
=
N
i=1
f
i
(X
i
X)
2
N
i=1
f
i
1
,
donde X es la media muestra.
Nota: Si f
i
=1, para todo i = 1, 2, ..., N, entonces
S
2
=
N
i=1
(X
i
X)
2
N 1
Denici on 1.2.27. Desviacion Estandar Poblacional:
Sea
2
la varianza poblacional, se dene la desviacion estandar poblacional, denota-
da, , as:
=
2
.
Osea que la desviaci on est andar poblacional, es la raz cuadrada positiva de la
varianza poblacional.
Denici on 1.2.28. Desviacion estandar muestral
Sea S
2
la varianza en una muestra de tama no n, extraida de una poblacion, se dene
la desviacion estandar muestral, denotada S as:
S =
S
2
.
Osea que la desviacion estandar muestral S, es la raz cuadrada positiva de la
varianza muestral S
2
.
S =
i=1
n
f
i
(X
i
X)
2
f
i
1
,
donde X es la media muestral.
1.2. ESTAD
ISTICA DESCRIPTIVA
1.3. Propiedades de la varianza
1. Si Y=aX+b, entonces
2
Y
= a
2
2
X
2. Si Y=aX, entonces
2
Y
= a
2
2
X
3. Si X=c, entonces
2
X
= 0.
Demostraci on:
1) Se demostrar a para el caso poblacional.
Por denici on sabemos que
2
Y
=
f
i
(Y
i
Y
)
2
f
i
, y por hip otesis que (1.1)
Y
i
= aX
i
+ b, para todo i = 1, 2, ..., N, entonces, (1.2)
f
i
Y
i
=
f
i
(aX
i
+ b) =
f
i
aX
i
+
f
i
b, (1.3)
lo cual implica que
Y
=
f
i
Y
i
f
i
=
f
i
aX
i
f
i
+
f
i
b
f
i
=
a
f
i
X
i
f
i
+
b
f
i
f
i
= a
X
+ b (1.4)
reemplazando 1.2 y 1.4 en 1.1 se tiene:
2
Y
=
f
i
(aX
i
+ b a
X
b)
2
f
i
=
a
2
f
i
(X
i
)
2
f
i
= a
2
2
X
(1.5)
Denici on 1.3.1. Coeciente de Variacion: Denotado C.V., se dene como:
C.V. =

. (1.6)
El coeciente de variaci on mide el porcentaje de variabilidad de un conjunto de
datos con respecto a su media. Este coeciente nos permite comparar variabilidades
de dos o mas conjuntos de datos sin importar el n umero de elementos o las unidades
en que esten dados los mismos.
CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA.
Denici on 1.3.2. Coeciente de Sesgo: Sean {x
1
, x
2
, ..., x
n
}, un conjunto de datos
distintos con frecuencias f
1
, f
2
, . . . , f
n
respectivamente, se dene el coeciente de
sesgo, denotado C.S., as:
C.S. =
n
i=1
f
i
(x
i
)
3
/
n
i=1
f
i
3
(1.7)
En el caso particular de f
i
= 1, i = 1,2,...n, entonces:
C.S. =
n
i=1
(x
i
)
3
/n
3
Si C.S. es mayor que cero decimos que la curva plana de distribucion de los
datos versus las frecuencias respectivas es sesgada a derecha.
Si C.S. es igual a cero decimos que la curva plana de distribuci on de los datos versus
las frecuencias respectivas es insesgada.
Si C.S. es menor que cero decimos que la curva plana de distribuci on de los datos
versus las frecuencias respectivas es sesgada a izquierda.
Denici on 1.3.3. Coeciente de Kurtosis:Denotado C.C.
Sean {x
1
, x
2
, ..., x
n
}, un conjunto de datos distintos con frecuencias f
1
, f
2
, . . . , f
n
respectivamente, se dene el coeciente de Kurtosis, denotado C.C., as:
C.C. =
n
i=1
f
i
(x
i
)
4
/
n
i=1
f
i
4
(1.8)
En el caso particular de f
i
= 1, i = 1,2,...n, entonces:
C.S. =
n
i=1
(x
i
)
4
/n
4
Si C.C. es mayor que tres decimos que la curva de distribuci on de los datos versus
las frecuencias respectivas es empinada.
Si C.C. es igual a tres decimos que la curva de distribuci on de los datos versus las
frecuencias respectivas es normal (forma de campana).
Si C.C. es menor que tres decimos que la curva de distribucion de los datos versus
las frecuencias respectivas es achatada.
Ejemplo 1.3.1. Para el siguiente conjunto de datos calcular: media, varianza, coe-
ciente de variacion y el coeciente de sesgo.
1.3. PROPIEDADES DE LA VARIANZA
17 19 20 19 18 19
18 18 18 18 18 18
20 18 18 20 20 18
20 20 19 18 19 18
21 19 19 19 18 18
19
Solucion:
x
i
f
i
F
i
f
i
x
i
(x
i
)
2
(x
i
)
3
(x
i
)
4
f
i
(x
i
)
2
f
i
(x
i
)
3
f
i
(x
i
)
4
17 1 1 17 2.89 -4.91 8.35 2.89 -4.91 8.35
18 14 15 252 0.49 -0.34 0.24 6.86 -4.76 3.36
19 9 24 171 0.09 0.027 8.1*10
3
0.81 0.243 0.07
20 6 30 120 1.69 2.19 2.85 10.14 13.14 1701
21 1 31 21 5.29 12.16 27.98 5.29 12.16 27.98
Suma 581 9.13 39.42 25.99
=
n
i=1
f
i
x
i
/
n
i=1
f
i
, entonces:
= 581/31 = 18.7
2
=
n
i=1
f
i
(x
i
)
2
/
n
i=1
f
i
, entonces:
2
= 25.99 / 31 =0.83
C.V.=

, entonces:
C.V.=

0,83/ 18.7 = 0.04
C.S.=
n
i=1
f
i
(x
i
)
3
/
n
i=1
f
i
3
, entonces:
C.S.=
15,87/31
(
0,83)
3
= 0,67
Problema de aplicaci on 1. A la asociacion colombiana de ciencias economicas
le preocupa la escasez de profesionales en este campo que parece se dara en un
futuro no lejano en la ciudad de Barranquilla. Para investigar el grado actual
de satisfaccion con la profesion, se ha patrocinado un estudio en toda la ciu-
dad. Como parte de este estudio se pidio a 50 profesionales de este campo que
indicaran su grado de satisfaccion con respecto al trabajo, el salario y las oportu-
CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA.
nidades de ascenso. Se reunieron los datos en la tabla que se presenta a continuacion:
Trabajo Sueldos Ascensos
71 49 58
84 53 63
84 74 37
87 66 49
72 59 79
72 37 86
72 57 40
63 48 78
84 60 29
90 62 66
73 56 55
94 60 52
84 42 66
85 56 64
88 55 52
74 70 51
71 45 68
88 49 42
90 27 67
85 89 46
79 59 41
72 60 45
88 36 47
77 60 75
64 43 61
Trabajo Sueldo Ascensos
72 76 37
71 25 74
69 47 16
90 56 23
84 28 62
86 37 59
70 38 54
86 72 72
87 51 57
77 90 51
71 36 55
75 53 92
76 59 82
95 66 52
89 66 62
85 57 67
65 42 68
82 37 54
82 60 56
89 80 64
74 47 63
82 49 91
90 76 70
78 52 72
74 59 82
Ademas los datos anteriores fueron clasicados seg un la profesion en el campo
economico: administrador, contador y economista.
A continuacion se presentan los datos anteriores ya clasicados por profesion:
1.3. PROPIEDADES DE LA VARIANZA
Administrador Contador Economista
Trabajo Sueldo Ascenso Trabajo Sueldo Ascenso Trabajo Sueldo Ascenso
72 57 40 71 49 58 84 53 63
90 62 66 84 74 37 87 66 49
84 42 66 72 37 86 72 59 79
85 56 64 63 48 78 88 55 52
71 45 68 84 60 29 74 70 51
88 49 42 73 56 55 85 89 46
72 60 45 94 60 52 79 59 41
88 36 47 90 27 67 69 47 16
77 60 75 72 76 37 90 56 23
64 43 61 86 37 59 77 90 51
71 75 74 86 72 72 71 36 55
84 28 62 95 66 52 75 53 92
70 38 54 65 42 68 76 51 54
87 51 57 82 37 54 89 80 64
74 59 82 82 60 56
89 66 62 90 76 70
85 57 67 78 52 72
74 47 63
82 49 91
Aplique los estadsticos estudiados para describir las caractersticas generales del
grupo de profesionales en general y en particular en cada profesion. Presente los
res umenes de interes que permitan valorar las variables en estudio.
Describa los resultados encontrados en donde especique comentarios sobre los
asuntos siguientes:
1. Con base en estas variables que aspecto del trabajo satisface mas a los
Profesionales de esta ciencia?, cual parece ser el que menos lo satisface?,
en cual de las tres variables cree usted deben introducirse mejoras para
estimular a mas personas a vincularse a la formacion como profesionales en
las distintas ramas de las ciencias economicas?
2. Seg un las medidas descriptiva de dispersion, establezca cual de las tres
variables parece generar mayor diferencia de opinion entre estos profesionales?
cual de las variables parece tener mayor cohesion entre ellos?, justique su
respuesta.
CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA.
3. Que se puede decir acerca de la satisfaccion de estos profesionales seg un su
tipo de profesion?, Cual de las ramas de las ciencias economicas parecen
tener los mejores niveles de satisfaccion. ?
4. Organice los datos de cada uno de los tres tipos de profesiones estudiados en
una distribucion de frecuencias, haga su analisis respectivo incluyendo el uso
de las gracas que usted considere necesarias para explicar su argumento.
1.4. Datos agrupados por intervalos.
Cuando se dispone de un conjunto de datos muy numerosos, es util distribuirlos
en clases o categoras y determinar el n umero de individuos pertenecientes a cada
clase o categora, este n umero de elementos que caen en cada clase lo llamaremos
frecuencia de la clase.
Una ordenaci on tabular de las clases versus las frecuencias correspondientes a
cada una, se le conoce como tabla de frecuencia por clases. Los datos ordenados
y resumidos en una distribuci on de frecuencia, se suelen llamar datos agrupados.
Aunque con el proceso de agrupacion generalmente se pierde parte del detalle
original de los datos, tiene la importante ventaja de presentarlos todos en un sencillo
cuadro que facilita el hallazgo de las relaciones que pueden haber entre ellos.
Las deniciones presentadas para los datos no agrupados por clase, son v ali-
das tambien para datos agrupados por clases, solo que para los ultimos se habla de
la frecuencia del intervalo de clase.
Comencemos deniendo inicialmente el rango de un conjunto de datos
Denici on 1.4.1. Rango de un conjunto de datos
Sean x
1
, x
2
, ..., x
n
, el conjunto de todos los datos distintos en una poblacion y sean
f
1
, f
2
, ..., f
n
, las frecuencias respectivas. Se dene el rango, denotado por r, as:
r = x
M
x
m
donde x
M
y x
m
son el mayor y el menor de los datos respectivamente.
1.4. DATOS AGRUPADOS POR INTERVALOS.
Intervalo de Clase: Es cada uno de los intervalos en que se han decidido
agrupar parcialmente los datos con el proposito de hacer un resumen de ellos.
N umero de intervalos: Para determinar el n umero de intervalos K, en un
conjunto de n datos, existen varios criterios de seleccion, uno de ellos es el de la
f ormula de Sturges, la cual viene dada as: K 1+3,3log
10
n. Se debe tener en cuenta
que cuando el resultado 1 + 3,3log
10
n no es n umero entero el valor de K se toma
por exceso, como el entero m as cercano a este resultado, si 5 < 1 +3,3log
10
n < 20.
Si 1 + 3,3log
10
n > 20, entonces se toma K= 20, si 1 + 3,3log
10
n < 5, entonces se
toma K=5.
Denici on 1.4.2. Amplitud:
Sea r el rango de un conjunto de datos y K el n umeros de intervalos de clase de
igual longitud, se dene la amplitud de un intervalo, denotada a, as:
a =
r
K
.
Nota: Si a no es un n umero decimal nito, es necesario ampliar el rango en una
cantidad c, tal que, a=
r+c
k
, sea el menor n umero decimal nito, con tantas cifras
decimales como cifras decimales tengan los datos, y de tal forma que cada intervalo
tenga la misma amplitud.
Denici on 1.4.3. Marca de clase: sean L
i
y L
s
el lmite inferior y el superior re-
spectivamente de un intervalo de clase. Se dene la marca de clase para el intervalo
[L
i
,-L
s
), como la semisuma de L
i
y L
s
.
Nota: Denotaremos la marca de clase del j-esimo intervalo por X
j
, con
j = 1, ..., K.
Tabla de frecuencias:
Es un arreglo rectangular de los intervalos de clases versus las frecuencias respectivas.
Representaci on graca de los datos agrupados por intervalos
Histograma de frecuencia: Es una representacion gr aca de las dis-
tribuciones de frecuencia de un conjunto de datos, constituida por una serie de
CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA.
rect angulos cuya base es la longitud de cada intervalo y la altura, la dada por la
frecuencia del intervalo correspondiente.
En esta representacion visual de los datos es posible observar fundamentalmente
tres caractersticas:
forma
acumulaci on o tendencia posicional
dispersion o variabilidad
Polgono de Frecuencia:
Es una representaci on en el plano de la distribuci on de frecuencia de los datos
agrupados por intervalos; que consiste en un graco compuesto por segmentos de
rectas (lneas) trazadas desde los puntos de coordenadas, marcas de clase versus
la frecuencia de la clase; hasta los puntos de coordenadas marca de clase contigua
versus frecuencia de la clase contigua, y as sucesivamente, comenzando en la
primera marca de clase y terminando en la ultima marca de clase.
Las representaciones gr acas de distribuciones de frecuencia relativa pueden
obtenerse del histograma o del polgono de frecuencias, sin mas que cambiar la
escala de frecuencia a frecuencia relativa. El gr acos resultante recibe el nombre
de histograma de frecuencias relativas o histogramas porcentuales y polgonos de
frecuencias relativas o polgonos porcentuales, respectivamente.
Ojivas:
Es el nombre que se le da, en especial a los polgonos de frecuencia acumulada.
Ojivas porcentuales:
Estos gr acos pueden obtenerse con solo cambiar la escala de frecuencias acumuladas
a frecuencias relativas acumuladas en los polgonos de frecuencia.
Ecuaciones adicionales para datos agrupados por intervalos.
Se demostraran las dos primeras f ormulas.
1. La Moda
x = L
inf intervalo modal
+ (

1
1
+
2
) a
2. La Mediana
X = L
inf
+ [
(N/2) (F
i1
)
f
i
] a
3. La Media
= A +
n
i=1
d
i
n
a
siendo
d
i
=
X
i
A
a
.
4. Varianza:
2
=
n
i=1
(x
i
)
2
n

(
n
i=1
x
i
)
2
n
2
=
x
2 (
x
)
2
Demostraci on:
Media:
= A +
n
i=1
d
i
n
a
siendo
d
i
=
X
i
A
a
.
Tambien se puede demostrar que si
d
i
=
X
i
A
a
,
entonces
2
= a
2
2
d
, siendo
2
d
=
n
i=1
f
i
(d
i
d
)
2
n
i=1
f
i
Mediana:
X = L
inf
+ [
(N/2) (F
i1
)
f
i
] a
Geometricamente, la mediana es el valor x que corresponde a la vertical que
divide a un histograma en dos partes de igual area.
CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA.
Demostraci on:
De la gr aca sabemos que
X = L
i
+ d (1)
Por semejanza de tri angulo sabemos que:
n
2
F
i1
f
i
=
d
a
(1),
entonces
d =
n
2
F
i1
f
i
a, (2)
, reemplazando (2) en (1), se obtiene
X = L
i
+
n
2
F
i1
f
i
a;
en general se puede demostrar que el elemento que ocupa el puesto tal que por debajo
de el se encuentre el k % de los datos se puede calcular mediante la siguiente ecuacion:
X
k
= L
i
+
k %n F
i1
f
i
a,
siendo L
i
,n, F
i1
, y f
i
el lmite inferior del intervalo de clase que contiene al dato x
k
,
el tama no de la muestra, la frecuencia acumulada anterior a la clase que contiene
al dato y la frecuencia del intervalo de clase que contiene al dato x
k
, respectivamente.
Moda:
x = L
inf intervalo modal
+ (

1
1
+
2
) a
1
= f
(modal)
f
(modal1)
, y
2
= f
(modal)
f
(modal+1)
.
Ejemplo 1.4.1. De un grupo de 30 trabajadores de una empresa de servicios, se
suministro la siguiente informacion con respecto a sus edades:
[l
i
l
s
) x
i
f
i
F
i
f
ri
F
ri
d
i
f
i
d
i
f
i
d
i
2
[ - ) 12 0
[ - ) 0.267
[ - ) 28
[ - )
[ - ] 0
[ - ]
f
i
d
i
= 32
Si se sabe que el menor de los trabajadores tiene una edad de 22 a nos y el mayor
tiene 46 a nos.
1. Completar la tabla
2. Con base en la tabla halle el dato moda
3. Halle la media
Solucion:
1.
k 1 + 3,3 lg(n) = 5,8 k = 6.
r = x
n
x
1
= 46 22 = 24
a =
r
k

24
6
= 4
fr
2
=
f
2
n
=
f
2
30
= 0,267 f
2
= 8,
recuerde que la frecuencia debe ser un n umero natural.
Como por hipotesis f
1
= 12, y, f
1
d
1
= 0, entonces d
1
= 0.
Sabemos que la suma de todas las frecuencias debe ser igual a 30, o sea que
f
6
+ f
4
+ 28 = 30, f
6
+ f
4
= 2, f
6
= 2 f
4
(1)
24 + 3f
4
+ 5
6
= 32, 3f
4
+ 5f
5
= 8 (2)
CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA.
reemplazando (1) en (2), se tiene
3f
4
+ 5(2 f
4
) = 8
3f
4
+ 10 5f
4
= 8
2 = 2f
4
f
4
= 1, y, f
6
= 1.
Ahora podemos completar la tabla Tabla
[l
i
l
s
) x
i
f
i
F
i
f
ri
F
ri
d
i
f
i
d
i
f
i
x
i
[22-26) 24 12 12 0.4 0.4 0 0 288
[26-30) 28 8 20 0.267 0.667 1 8 224
[30-34) 32 8 28 0.267 0.93 2 16 256
[34-38) 36 1 29 0.03 0.96 3 3 36
[38-42) 40 0 29 0 0.96 4 0 0
[42-46] 44 1 30 0.03 1 5 5 44
848
2.
X = L
imodal
+

1
1
+ 2
a
1
= 12 0 = 12,
2
= 12 8 = 6,
x = 22 +
12
18
4 = 22 +
8
3
= 24,6
3.
x =
f
i
x
i
f
i
=
848
30
= 28,2
Ejemplo 1.4.2. Con el n de analizar el comportamiento de la estatura en
centmetros de un grupo de 108 estudiantes del Colegio Santa Teresita, se suministra
la siguiente informacion:
CLASE x
i
f
i
F
i
d
i
f
i
d
i
f
i
(d
i
)
2
f
i
(d
i
d)
2
[) -4
[ - ) 5
[ - )
[ - ) 24
[ - ) 29
[ - ) 89
[ - ) 14
[ - ]
f
i
d
i
= 7
Ademas,se sabe que la estatura promedio fue de 146.32 cms y que el 87 por ciento
de los estudiantes miden 138.5 cms o mas.
Nota: Tome la amplitud con cero cifras decimales.
2. Hallar la desviacion estandar
3. Hallar el coeciente de variacion
4. Con base en los resultados obtenidos en la tabla que puede decirse de las estatura
de estos estudiantes. Justique su respuesta.
Desarrollo:
Solucion parte 1.
Como F
2
= 5, entonces los posibles resultados para f
1
y f
2
son:
f
1
0 1 2 3 4 5
f
2
5 4 3 2 1 0
Si f
1
= 0, entonces f
1
d
1
= 0d
1
= 0 y eso es absurdo ya que por hipotesis f
1
d
1
= 4.
Si f
1
= 5 o 3, entonces d
1
sera una fraccion los cual es tambien absurdo,
ya que d
1
debe ser un n umero entero.
Si f
1
= 4, o 2, la suma de los f
i
d
i
dara un n umero mayor que 7 ( verifquelo !),
as que no queda otra opcion para f
1
, que ser igual a 1, por lo que f
2
= 4.
CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA.
Como f
1
d
1
= 1d
1
= d
1
= 4, entonces d
2
= 3, y as sucesivamente hasta llegar a d
8
= 3,
entonces f
2
d
2
= 12, f
4
d
4
= 24, (ver la tabla anterior), f
5
d
5
= 0, esto implica que
la marca de clase ja A, esta en el quinto intervalo, es decir que
A = L
i5
+
a
2
.
Observando la tabla es facil ver que f
7
d
7
= 56, que F
6
= 89, y f
7
= 14, entonces
F
7
= F
6
+ 14 = 89 + 14 = 103.
Como F
8
= 108, ya que es la frecuencia acumulada hasta el ultimo intervalo, entonces
f
8
= F
8
F
7
= 108 103 = 5, y, f
8
d
8
= 5 3 = 15.
Para calcular f
3
y f
6
, recuerde que:
1 + 4 + f
3
+ 24 + 29 + f
6
+ 14 + 5 = 108,
simplicando
f
3
+ f
6
= 31, (1)
y de la tabla (ver sexta columna), tambien se sabe que:
4 + (12) + (2)(f
3
) + (24) + (0) + (1)(f
6
) + 28 + 15 = 7
2f
3
+ f
6
= 4,
o en forma equivalente
f
6
= 4 + 2f
3
, (2).
Reemplazo (2) en (1), se tiene:
f
3
+ (4 + 2f
3
) = 31
f
3
+ 2f
3
) = 27, f
3
= 9, y, f
6
= 22.
Como la marca de clase ja A = L
i5
+
a
2
, y L
i5
= L
i4
+ a = 138,5 + a, entonces
A = 138,5 + a +
a
2
= 138,5 +
3a
2
.
Por otro lado se tiene que:
d
=
n
i=1
f
i
d
i
n
i=1
f
i
=
7
n
=
7
108
,
y sabemos que
x
, se puede escribir en la forma
x
= A + a
d
, entonces
x
= 138,5 +
3a
2
+
7a
108
= 138,5 +
169a
108
= 146,32 ( esto ultimo por hipotesis ).
Tomando la amplitud con cero cifras decimales, se tiene a = 5.
intervalos x
i
f
i
Fi d
i
f
i
d
i
f
i
(d
i
)
2
f
i
(d
i
d)
2
[123.5-128.5) 126 1 1 -4 -4 16 16.48
[128.5-133.5) 131 4 5 -3 -12 36 37.45
[133.5-138.5) 136 9 14 -2 -18 36 38.19
[138.5-143.5) 141 24 38 -1 -24 24 26.96
[143.5-148.5) 146 29 67 0 0 0 0.10
[148.5-153.5) 151 22 89 1 22 22 19.43
[153.5-158.5) 156 14 103 2 28 56 52.64
[158.5-163.5] 161 5 108 3 15 45 43.21
f
i
d
i
=7 234.57
Solucion parte 2.
s
x
2
=
a
2
(f
i
(d
i
d)
2
)
(f
i
1)
=
25 234,51
107
= 54,79, s
x
=
_
54,79 = 7,402.
Solucion parte 3.
c.v =
s
x
=
54,79
141,32
= 0,052.
Solucion parte 4. Esta le queda de tarea
Ejemplo 1.4.3. Los pagos semanales de 200 estudiantes que trabajan parte de su
tiempo se distribuyen como lo muestra la siguiente tabla:
CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA.
Intervalo f
i
F
i
d
i
f
i
d
i
f
i
d
2
i
f
i
X
i
f
i
(X
i
)
2
[ - ) 125
[- ) 17
[ - ) -39
[ - ) 22 88
[ - )
[ - ) 35
[ - ) 32
[ - )
[ - )
[ - )
[ - ]
f
i
d
i
= 1
El 85 por ciento de los jovenes ganan 92.5 dolares o mas, el promedio de los pagos,
es de 105.025; en la decima casilla acumulamos 5 por ciento de los pagos. El sueldo
mas frecuente es de 105,625 dolares y hasta la decima casilla acumulamos el 97 por
ciento de los pagos de los jovenes.
a) Completar tabla.
b) Calcular la mediana.
c) Hallar varianza.
Solucion:
Solucion parte a.)
Por hipotesis
n = 200, = 105,025, x = 105,625
f
10
=
5 n
100
= 10; F
10
=
97 n
100
= 194,
f
4
= 22 y f
4
d
4
= 88, entonces d
4
2
= 4, o sea que d
4
= 2.
Si d
4
= 2 entonces d
3
= 1 y como por hipotesis
f
3
d
3
= 39, entonces f
3
= 39 absurdo, por lo tanto d
4
= 2.
Como d
4
= 2, entonces d
1
= 5 y por hipotesis
f
1
d
1
= f
1
(5) = 125, entonces f
1
= 5.
d
3
= 3, por ser d
4
= 2 y por hipotesis
f
3
d
3
= f
3
(3) = 39, entonces f
3
= 13.
Se sabe que el 85 por ciento ganan 92.5 dolares o mas, entonces el 15 por ciento
gana menos de 92.5 dolares, por tanto:
(15)(200)
100
= 30
y esto coincide con F
3
lo que nos dice que el limite superior del tercer intervalo
es 92.5.
= A +
n
i=1
f
i
d
i
n
i=1
f
i
a = 105,025,
donde
A = L
4
+
(5)(a)
2
= 92,5 +
(5)(a)
2
,
luego
= 105,025 = 92,5 +
(5)(a)
2
+
a
200
.
De lo anterior a = 5.
X = L
6
+ (

1
1
+
2
)a = 105,625, con
1
= 35 f
5
= 10, y,
2
= 35 32 = 3,
de donde se obtiene 105,625 = 102,5 +
35 f
5
35 f
5
+ 3
, simplicando se tiene,
3,125
5
=
35 f
5
38 f
5
0,625(38 f
5
) = 35 f
5
23,75 0,625f
5
= 35 f
5
0,375f
5
= 11,25
f
5
= 30
Con los datos restantes es posible construir un sistema de ecuaciones de la forma:
149 + f
8
+ f
9
=184
-84 +2f
8
+3f
9
=1
CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA.
f
8
+ f
9
= 35 (1)
2f
8
+3f
9
=85 (2)
resolviendo el sistema de ecuaciones generados por las ecuaciones 1.) y 2.)
tienen los valores de f
8
= 20 y f
9
= 15.
Tabla completa
Intervalo f
i
F
i
d
i
f
i
d
i
f
i
d
2
i
X
i
(X
i
)
2
[77,5 82,5) 5 5 -5 -25 125 80 626.25
[82,5 87,5) 12 17 -4 -48 192 85 401
[87,5 92,5) 13 30 -3 -39 117 90 225.75
[92,5 97,5) 22 52 -2 -44 88 95 100.5
[97,5 102,5) 30 82 -1 -30 30 100 25.25
[102,5 107,5) 35 117 0 0 0 105 0.00625
[107,5 112,5) 32 149 1 32 32 110 24.75
[112,5 117,5) 20 169 2 40 80 115 99.5
[117,5 122,5) 15 184 3 45 135 120 224.25
[122,5 127,5) 10 194 4 40 160 125 399
[127,5 132,5] 6 200 5 30 150 130 623.75
Solucion parte b.)
X = L
i
+ (
(n/2)
f
i
f
mediana
)a
X = 102,5 +
(100 82)
35
(5) = 105,071
Solucion parte c.)
2
=
N
i=1
f
i
(X
i

X)
2
N
i=1
f
i
=
2750
199
= 13,819
2
= 3,71
******************************** ************************
Ejemplo 1.4.4. De un grupo de 33 estudiantes de la Universidad del Norte
que realizaron un examen de calculo, se conoce la siguiente informacion; cinco
estudiantes sacaron una nota menor de 4.0, el 33.45 por ciento sacaron notas entre
4.2 y 4.4 y resto de la informacion reposa en la siguiente tabla.
Intervalos x
i
f
i
F
i
fr
i
Fr
i
d
i
f
i
d
i
5 -25
0
5
0
[3.8-4.1) 0.3
30 0.45
2
1. Complete la tabla y con base en ella calcule:
2. el coeciente de curtosis
3. el coeciente de sesgo.
4. Que caractersticas especiales tiene este grupo.? Justique su respuesta.
K = 1 + 3,3(lg(n))
k=6
r = x
n
x i
r = 2
a =
r
k
a = 0,3
Como f
1
= 5, y f
1
d
1
= 25
entonces d
1
=
25
f
1
CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA.
d
1
=
25
5
= 5,
de ah le podemos dar los valores al resto de los d
i
, i = 2, ..., 5
Para hallar los intervalos solo tenemos que restar 3.8-0.3 y sumar 4.1+0.3 y
as sucesivamente hasta llenar la tabla.
Para hallar todos los x
i
tenemos que sumar los dos intervalos de cada celda y
luego dividirlo entre dos.
como sabemos que el 33.45 por ciento de los estudiantes sacaron una nota
entre 4.2 y 4.4 podemos deducir que esos puntajes pertenecen a la la 6, es decir que
f
6
= 15
como sabemos que cinco de los estudiantes tuvieron una nota menor de 4.0
entonces f
3
y f
4
tienen un valor de 0
Intervalos x
i
f
i
F
i
fr
i
Fr
i
d
i
f
i
d
i
[2.6-2.9) 2.75 5 5 0.15 0.15 -5 -25
[2.9-3.2) 3.05 0 5 0 0.15 -4 0
[3.2-3.5) 3.35 0 5 0 0.15 -3 0
[3.5-3.8) 3.65 0 5 0 0.15 -2 0
[3.8-4.1) 3.95 10 15 0.3 0.45 -1 -10
[4.1-4.4) 4.25 15 30 0.45 0.91 0 0
[4.4-4.7) 4.55 2 32 0.06 0.97 1 2
[4.7-5.0] 4.85 1 33 0.03 1 2 2
x = A +
(f
i
d
i
)
n
(a) x = 4,25 +
31
33
(0,3) x = 3,96
Intervalos x
i
f
i
F
i
fr
i
Fr
i
d
i
f
i
d
i
f
i
(x
i
x)
2
f
i
(x
i
x)
3
f
i
(x
i
x)
4
[2.6-2.9) 2.75 5 5 0.15 0.15 -5 -25 6.84 -8 9.36
[2.9-3.2) 3.05 0 5 0 0.15 -4 0 0 0 0
[3.2-3.5) 3.35 0 5 0 0.15 -3 0 0 0 0
[3.5-3.8) 3.65 0 5 0 0.15 -2 0 0 0 0
[3.8-4.1) 3.95 10 15 0.3 0.45 -1 -10 0.009 2,7 10
4
8,1 10
6
[4.1-4.4) 4.25 15 30 0.45 0.91 0 0 1.63 0.53 0.17
[4.4-4.7) 4.55 2 32 0.06 0.97 1 2 0.79 0.5 0.31
[4.7-5.0] 4.85 1 33 0.03 1 2 2 0.86 0.8 0.74
33 -31 10.129 -6.409 10.58
Varianza muestral
s
2
=
f
i
(x
i
x)
2
(f
i
)1
s
2
=
10,129
32
s
2
= 0,316
Coeciente de Sesgo
c.s =
f
i
(x
i
x)
3
n
s
3
c.s =
6,409
32
0,177
c.s = 1,131
Coeciente de Curtosis
c.c =
f
i
(x
i
x)
3
n
s
4
c.c =
10,58
32
0,099
c.c = 3,339
Ejemplo 1.4.5. A continuacion se muestran los datos de 50 personas correspondi-
CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA.
entes a el numero de hectareas que cada uno posee. Se sabe que el 20 por ciento de
las personas tienen entre 65 y 75 hectareas.
Intervalos x
i
f
i
F
i
d
i
f
i
d
i
[ - ) 18
[ ) 8
[41-??) 51
[ - ) 30
[ - ] 8
2. Halle la moda
3. Halle la desviacion estandar
x
i
=
li
i
+ls
i
2
x
3
=
li
3
+ls
3
2
51 =
41+ls
3
2
ls
3
= (51
41
2
)2
Teniendo este intervalo entre [41-61)podemos deducir que la amplitud es de
20.
Como el 20 por ciento las personas tienen entre 61 y menos de 81 hectares
5020
100
= 10
Lo que quiere decir que f
4
= 10
Teniendo f
4
y (f4d
4
), podemos halla d
4
f
4
10 f
4
d
4
= 30
d
4
=
30
10
d
4
= 3 ; con esto podemos hallar los de mas d
i
Como sabemos que n=50 y que f
5
= 8 podemos averiguar
F
4
= F
5
f
6
F
4
= 50 8
F
4
= 42
Para hallar f
3
tenemos que:
f
1
+ f
2
+ f
3
+ f
4
+ f
5
= 50
f
3
= 50 (f
1
+ f
2
+ f
4
+ f
5
)
f
3
= 50 (18 + 8 + 10 + 8)
f
3
= 6
Intervalos x
i
f
i
F
i
d
i
f
i
d
i
[1-21) 11 18 18 0 0
[21-41) 31 8 26 1 8
[41-61) 51 6 32 2 12
[61-81) 71 10 42 3 30
[81-101] 91 8 50 4 32
f
i
d
i
= 82
A=11 a=20
x = A +
f
i
d
i
f
i
(a)
x = 11 +
82
50
(20)
x = 43,8
CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA.
Intervalos x
i
f
i
F
i
d
i
f
i
d
i
f
i
(x
i
x)
2
[1-21) 11 18 18 0 0 19365.12
[21-41) 31 8 26 1 8 1310.72
[41-61) 51 6 32 2 12 311.04
[61-81) 71 10 42 3 30 7398.4
[81-101] 91 8 50 4 32 17822.72
f
i
d
i
=82 46.208
s
2
=
f
i
(x
i
x)
2
(f
i
1)
s
2
=
46,208
49
s
2
= 0,943
s
2
= 0,971
1.5. Demostraciones
1.5.1. Demostraci on 1
Demostrar que:
x = l
i
+
(
n
2
F
i
1) a
f
i
.
Sea x = l
i
+ d, debemos demostrar que
d =
(
n
2
F
i
1) a
f
i
,
de la gr aca ( falta la graca)se observa que por semejanza de triangulo que
d
a
=
n
2
F
i1
f
i
entonces
d =
(
n
2
F
i1
) a
f
i
luego
x = l
i
+
(
n
2
F
i1
) a
f
i
.
1.5. DEMOSTRACIONES
1.5.2. Demostraci on 2
Demostrar que:
x = A +
f
i
d
i
f
i
a.
Por denici on sabemos que
x =
f
i
x
i
f
i
,
sea
d
j
:=
x
j
A
a
, j = 1, ..., n,
donde A es una marca de clase cualquiera, pero ja. Es f acil ver que d
i
Z.
Como
d
j
=
x
j
A
a
entonces x
j
= ad
j
+ A
multiplicando por f
j
en ambos miembro de la ecuacion anterior obtenemos:
f
j
x
j
= af
j
d
j
+ Af
j
,
sumando sobre todos los j obtenemos
f
j
x
j
= a
f
j
d
j
+ A
f
j
,
ahora dividiendo por
f
j
, se obtiene
f
j
x
j
f
j
=
a
f
j
d
j
f
j
+
A
f
j
f
j
x =
f
i
d
i
f
i
a + A.
CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA.
UNIVERSIDAD DEL NORTE
PRIMER PARCIAL DE ESTAD
ISTICA I
1. Las notas del primer parcial de calculo I de 29 estudiantes de un grupo de
ingeniera de la Universidad del Norte se distribuyen de la siguiente manera:
[L
i
L
s
] X
i
f
i
F
i
d
i
f
i
d
i
9
8
7
5
i=1
f
i
d
i
= 38
Adem as se sabe que las notas de la cuarta y quinta casilla son:
4.2, 4.3, 4.4, 4.5 y 4.7.
a) Determine cu antos estudiantes ganaron el primer parcial.
b) Determine el coeciente de curtosis
c) Determine el coeciente de sesgo
d) Construya un histograma de frecuencia y un polgono de frecuencia y con
base en estos gr acos y los resultados obtenidos de los items anteriores
que puede decir de los datos.
e) Que posici on relativa ocupo un estudiante que sac o una nota de 3.9?
1.5. DEMOSTRACIONES
Despues de hacer una evaluaci on previa, vemos que la marca de clase ja es
x
1
, ya que es en la unica forma que la sumatoria de los f
i
d
i
de 38.
De otro lado tenemos que f
4
+ f
5
= 5 y que 3f
4
+ 4f
5
= 16
Al igualar estas dos ecuaciones obtenemos que
f
5
= 1 y f
4
= 4
por otro lado tenemos que la amplitud debe ser mayor que 0.3 para que los datos
4.2, 4.3, 4.4 y 4.5, esten en el cuarto intervalo y menor que 0.5 para que en el ultimo
intervalo solo este la nota 5.0, ya que si la amplitud fuera 0.5, la nota 4.5 estara
en el quinto intervalo y esto es falso, ya que este quinto intervalo solo tiene un
elemento. Por lo tanto la amplitud debe ser a=0.4, ya que debe tener tanta cifras
decimales, como cifras decimales tengan los datos.
[l
i
l
s
) x
i
f
i
F
i
d
i
f
i
d
i
[3.0-3.4) 3.2 9 9 0 0
[3.4-3.8) 3.6 8 17 1 8
[3.8-4.2) 4.0 7 24 2 14
[4.2-4.6) 4.4 4 28 3 12
[4.6-5.0] 4.8 1 29 4 4
x = A +
(f
i
d
i
)
(f
i
)
a
x = 3,2 +
3,8
29
(0,4)
x = 3,72
2
=
(f
i
(x
i
x)
2
)
N1
2
=
6,08
28
= 0,21
3
= 0,1
4
= 0,047
[l
i
l
s
) x
i
f
i
F
i
d
i
f
i
d
i
f
i
(x
i
x)
2
f
i
(x
i
x)
3
f
i
(x
i
x)
4
[3.0-3.4) 3.2 9 9 0 0 2.43 -1.26 0.65
[3.4-3.8) 3.6 8 17 1 8 0.11 -0.01 1,6 10
3
[3.8-4.2) 4.0 7 24 2 14 0.54 0.15 0.04
[4.2-4.6) 4.4 4 28 3 12 1.84 1.25 0.85
[4.6-5.0] 4.8 1 29 4 4 1.16 1.25 1.36
= 38 6.08 1.38 2.9

Coeciente de curtosis
CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA.
c.c =
(f
i
(x
i
x)
4
)
(f
i
)
4
c.c =
2,9
29
,0047
c.c = 2,12
Coeciente de sesgo
c.s =
(x
i
x)
3
(f
i
)
3
c.s =
1,38
29
0,1
c.s = 0,4.
1.5. DEMOSTRACIONES
CAP
ITULO 1. ESTAD
ISTICA DESCRIPTIVA.
Captulo 2
Probabilidad.
2.1. Introducci on
La historia del c alculo de probabilidades es, entre todas las ramas de las
matem aticas, algo singular, ya que nace como una teora para juegos de azar y
muy pronto se utiliza para el estudio de fenomenos colectivos tales como problemas
actuariales, riesgos econ omicos y sociales, predicciones estadsticas y otros muchos
problemas los ocos de diversos tipos. As durante casi tres siglos (XVII, XVIII y
XIX el llamado periodo clasico de la probabilidad), la motivaci on y el motor para
su desarrollo proviene sobre todo, de temas externos a la matematica. El problema
principal a que se enfrenta esta teora, es el de c omo pasar del contenido intuitivo
del concepto de azar a conceptos rigurosos dentro de la matem atica.
En los problemas de tipo discreto o nito esta dicultad no se presenta. En un juego
de baraja (p oker) la pregunta cual es la probabilidad de sacar un p oker de ases?
tiene una respuesta bien denida.
En otro tipo de problemas las cosas pueden complicarse; por ejemplo, consideremos
el problema de calcular la probabilidad de que un dardo al ser lanzado contra un
disco caiga en cierta parte prejada del disco. Este problema puede ser complicado
o sencillo y esto depende de cu al sea el subconjunto del disco que se j o.
A principios de este siglo quedaba claro que la teora de la probabilidad requera de
un marco teorico m as adecuado para su desarrollo y este se encuentra gracias a los
avances logrados en otras areas de la matematica. Al construir este marco se logran
varias cosas: no solo se libera a la teora de su mero papel de instrumento, sino que
se la convierte en una rama plenamente reconocida de las matem aticas, sin que por
ello olvide su motivacion externa e intuitiva.
La rama toma su forma actual a partir de los a nos 30s cuando Kolmogorov establece
con sus axiomas para el c alculo de probabilidades las bases matem aticas para asentar
la teora, con lo cual, adem as se aclaran las aparentes paradojas existentes. Todo es-
41
to aparece en su famosa monografa Grundbegrie der Wahrscheinlichkeitsrechnung,
(1933). Los antecedentes del esquema Kolmogorov son:
1. Los notables avances que en el area del analisis matematico se dan durante la
primera decada de este siglo con la creacion de la teora de la medida (E. Borel)
y de la integral de Lebesgue. Esto surge independientemente de la probabilidad, a
pesar de lo cual, resulta ser la herramienta ideal para su desarrollo y s olido sustento
matem atico.
2. Por el lado de la probabilidad, se cuenta con la demostracion de E. Borel de la
ley fuerte de los grandes n umeros en donde este ya maneja la nocion de probabilidad
con las propiedades aditivas que tiene una medida. Por otra parte, los trabajos de
Norbert Wiener y los de Paley y Zigmund, contienen desarrollos importantes de la
teora y en ellos ya manejan la idea de probabilidad como medida. Tambien Lominic-
ki y Steinhaus (1923) escriben sobre la relaci on de la probabilidad con la teora de
la medida. No menos relevante es el trabajo relativo a las cadenas de Markov y sus
aplicaciones.
Por su parte N. Wiener, en sus trabajos de los a nos veinte, logra resolver un im-
portante problema consistente en dar un modelo matematico preciso y riguroso de
un fen omeno aleatorio por excelencia: el movimiento browniano. Tiene este nombre
porque fue observado por primera vez por el bot anico Robert Brown en 1828, al
analizar con el microscopio partculas de polen suspendidas en agua. Es plausible
pensar que una partcula de polen no tiene una direcci on ja, sino que, debido a
los constantes impactos que recibe de las moleculas de agua cambia constantemente
de direccion. Por ello su posicion al cabo de cierto tiempo resulta impredecible. La
matem atica cl asica sirve para estudiar fen omenos deterministas, como por ejemplo
la cada libre o el tiro parabolico; no as para fen omenos de tipo aleatorio como el del
movimiento browniano. Por ello el modelo que N. Wiener dado para el movimiento
browniano, es un gran paso adelante y uno de los mas espectaculares logros de la
entonces novedosa teora de las probabilidades.
Se puede as considerar que el trabajo de estos grandes matematicos de nuestro siglo
impulsa de manera determinante la creaci on de esta nueva rama de las matem aticas
y con ello abren un nuevo cauce de investigacion que ha sido en las siguientes seis
decadas excepcional por sus logros y su extraordinario dinamismo.
CAP
ITULO 2. PROBABILIDAD.
2.2. Repaso sobre conjuntos y algunas
propiedades:
Para el buen desarrollo de este captulo son importantes los siguientes concep-
tos sobre conjuntos:
Si U es el conjunto universal, y, A y B, son subconjuntos de U, se denen:
1. La uni on de dos conjuntos A y B, denotada A B, as:
A B = {x/x A x B}
2. La intersecci on de dos conjuntos A y B, denotada A B, as:
A B = {x/x A x B}
3. La diferencia entre dos conjuntosA y B, denotada A B, as:
A B = A B
c
= {x/x A x no pertenece a B}
4. El complemento de un conjunto
A
c
= {x/x U x no pertenece a A}
2.2.1. Propiedades de conjuntos:
Si U es el conjunto universal, y, A, B y C son subconjuntos de U, se cumplen
las siguientes condiciones:
1. A =
2.2. REPASO SOBRE CONJUNTOS Y ALGUNAS PROPIEDADES:
2. A U = A
3. A A
c
=
4. A = A
5. A U = U
6. A A
c
= U
7. A B = B A
8. A B = B A
9. A (B C) = (A B) (A C)
10. A (B C) = (A B) (A C)
11. (A B)
c
= A
c
B
c
12. (A B)
c
= A
c
B
c
13. A = (A B) (A B
c
)
14. Si A y B no tienen elementos en com un es decir son disyuntos, entonces:
A B =
CAP
2.3. Espacio Muestral.
Denici on 2.3.1. Espacio Muestral.
Es el conjunto de todos los posibles resultados que se pueden obtener al realizar un
experimento aleatorio, denotaremos el espacio muestral con la letra S.
Ejemplo 2.3.1. Al lanzar un dado normal una vez, el espacio muestral es:
S = {1,2,3,4,5,6}
que son los posibles resultados que se pueden obtener.
Denici on 2.3.2. Punto Muestral:
Es cualquier elementos del espacio muestral.
Observe que la denici on anterior el espacio muestral, no es mas que el
conjunto universal y que al hablar de puntos muestrales, estamos hablando de los
elementos del conjunto universal.
El espacio muestral puede ser discreto, continuo o mixto.
Denici on 2.3.3. Espacio Muestral Discreto:
Cuando dado los dos valores numericos mas extremos, los resultados del experimento
solo toman un n umero nito o innito pero contable de valores entre estos valores
extremos, se dice que el espacio muestral es discreto.
Ejemplo 2.3.2. El espacio muestral obtenido al lanzar un dado normal una vez, es
un ejemplo de espacio muestral discreto.
Denici on 2.3.4. Espacio Muestral continuo:
Cuando dado dos valores numericos extremos, los resultados del experimento pueden
tomar cualquier valor entre estos valores extremos, se dice que el espacio muestral
es continuo.
Ejemplo 2.3.3. Temperatura, el tiempo que tarda una impresora en imprimir un
archivo.
Denici on 2.3.5. Evento:
Es cualquier subconjunto del espacio muestral.
2.3. ESPACIO MUESTRAL.
Ejemplo 2.3.4. Que al lanzar un dado una vez, estemos interesados en un n umero
par. En este caso el evento es:
A = {2, 4, 6} S = {1, 2, 3, 4, 5, 6}
Denici on 2.3.6. Evento Imposible:
Es aquel que no tienen puntos muestrales ( o tienen elementos que no pertenecen al
espacio muestral)
Ejemplo 2.3.5. Al lanzar un dado normal una vez, A = {}, si el resultado que se
desea es 7.
Denici on 2.3.7. Evento Seguro:
Es aquel que al realizar el experimento siempre ocurrira.
Por ejemplo al lanzar un dado normal el resultado siempre sera, 1, 2, 3, 4, 5 o 6,
as que el evento S={1,2,3,4,5,6}, es un evento seguro.
Denici on 2.3.8. Evento Simple: Se dice que un evento es simple si contiene un
solo punto muestral.
Denici on 2.3.9. Evento Compuestos: Se dice que un evento es compuesto, si con-
tiene mas de un punto muestral.
Denici on 2.3.10. Evento Disyuntos: dos eventos son disyuntos si su interseccion
es vaca, es decir si la ocurrencia de uno de ellos, anula la ocurrencia del otro y
viceversa.
El concepto de Probabilidad se puede abordar desde dos puntos de vista, desde
el punto de vista emprico donde la probabilidad es tratada como una frecuencia
relativa y desde el punto de vista axiom atico. El principal problema de la primera
es que supone que todos los puntos muestrales tienen la misma probabilidad de
ocurrencia, cosa en general no es cierta.
Denici on 2.3.11. Denicion Emprica: Sea S el espacio muestral en un experi-
mento aleatorio y sea A un evento de S. se dene la probabilidad de A, denotada
P(A), as:
P(A) =
N umero de casos favorables a la ocurrencia del evento A
n umero de casos total de casos posibles de S
CAP
2.4. Denici on Axiomatica de Probabilidad:
Denici on 2.4.1. Probabilidad
Sea S el espacio muestral en un experimento aleatorio y sea el conjunto de
todoslos subconjuntos de S, (es decir son eventos) y sea P una funci on:
P : R
se dice que P es una funcion de probabilidad o tambien simplemente una probabil-
idad si y solo si se cumplen las siguientes condiciones:
a. P(A) 0
b. P(S) = 1
c. Si A
1
, A
2
, A
3
, ..., A
es una sucesion innita de eventos disyuntos dos a

dos, entonces:
P(U
i=1
A
i
) =
i=1
P(A
i
) = P(A
1
, A
2
, ..., A
)
Nota: P est a denida solo en el intervalo [0,1]
Teorema 2.4.1. Sean A y B eventos de S, S es el espacio muestral, entonces:
a. P() = 0
b. P(S) = 1
c. P(A
c
) = 1 P(A)
d. P(A B) = P(A) + P(B) P(A B)
e. P(A) = P(A B) + P(A B
c
)
f. P(A B) = P(A) + P(B) ; Si A B =
2.4. DEFINICI
ON AXIOM
ATICA DE PROBABILIDAD:
Ejemplo 2.4.1. 1. Supongamos que P(A) = 0,5; P(B) = 0,3; P(A B) = 0,6
Calcular:
a. P(A
c
) =?
b. P(A B) =?
c. P(A B
c
) =?
d. P(A
c
B
c
) =?
e. P(A
c
B) =?
f. P(A
c
B
c
) =?
Solucion
a. P(A
c
) = 1 0,5 = 0,5
b. P(A B) = P(A) + P(B) P(A B)
Entonces: P(A B) = 0,5 + 0,3 0,6 = 0,2
c. P(A B
c
) = P(A) P(A B)
Entonces: P(A B
c
) = 0,5 0,2 = 0,3
d.
A A
c
B P(A B) = 0,2 P(A
c
B) = 0,1 P(B) = 0,3
B
c
P(A B
c
) = 0,3 P(A
c
B
c
) = 0,4 P(B
c
) = 0,7
P(A) = 0,5 P(A
c
) = 0,5
Luego la probabilidad buscada es P(A
c
B
c
) = 0,4
e. P(A
c
B) = P[(A B
c
)
c
] = 1 P(A B
c
) = 1 0,3 = 0,7
f. P(A
c
B
c
) = P[(A B)
c
] = 1 P(A B) = 1 0,2 = 0,8
CAP
Ejemplo 2.4.2. Suponga que una familia sale de vacaciones de verano en su casa
rodante y que M es el evento de que sufriran problemas mecanicas, T es el evento
de que recibiran una infraccion por cometer una falta de transito y V es el evento
de que llegaran a un lugar para acampar que esta lleno. De acuerdo con siguiente
diagrama:
Ponga en palabras los eventos representados por las siguientes regiones:
a. Region 5
b. Region 3
c. Region 1 y 2 juntas.
d. Region 4 y 7 juntas.
e. Region 3, 6, 7 y 8 juntas.
Solucion
a. Sufriran problemas mecanicos pero no recibiran ninguna infraccion ni lle-
garan a un lugar lleno para acampar.
b. Recibiran una infraccion por falta de transito y llegaran a un lugar para
acampar que esta lleno pero no sufriran problemas mecanicos.
c. Sufriran problemas mecanicos y llegaran a una zona para acampar que
esta llena.
d. Recibiran una infraccion de transito y no llegaran a un sitio para acampar
que no tenga sitios vacos.
2.4. DEFINICI
ON AXIOM
e. No sufriran problemas mecanicos.
2.4.1. Tecnicas de Conteo
Denici on 2.4.2. Principio de Adicion Si un evento A puede realizarse de m man-
eras diferentes y un evento B puede realizarse de n maneras distintas, y los eventos
no pueden darse conjuntamente, entonces el n umero formas distintas en que pueden
darse los eventos A o B es ( m + n).
Ejemplo 2.4.3. Evento A : viajar de Barranquilla a bogota va terrestre.
Evento B : viajar de Barranquilla a bogota va aerea.
Para el evento A supongamos que existen 4 rutas distintas y para el evento
B, 3 rutas diferentes, luego n umero de formas distintas en que se puede viajar de
Barranquilla a Bogota es 3 + 4 = 7
Denici on 2.4.3. Principio de Multiplicacion Si un evento A puede realizarse de
m maneras diferentes y un evento B puede realizarse de n maneras distintas y los
eventos pueden darse conjuntamente, entonces el n umero de formas distintas en que
pueden darse los eventos A y B conjuntamente es m * n
Ejemplo 2.4.4. Evento A : lanzar un dado una vez.
Evento B : lanzar una moneda una vez.
Para el evento A hay 6 posibilidades (n umeros enteros entre 1 y 6) y para el
evento B existen dos posibles resultados (cualquiera de los dos lados de la moneda).
Luego, los puntos muestrales para cuando A y B ocurren conjuntamente es 6 * 2=
12.
Denici on 2.4.4. Permutacion Una permutacion es una n- upla de elemento en
donde el orden en que se escriben estos, es importante.
Piense en una permutacion como si fuera un vector, ya que por ejemplo el
vector (1,2,3) es diferente del vector (2,1,3), a pesar de tener los mismos elementos,
en forma an aloga la permutacion 123 es diferente de la permutacion 213.
Denici on 2.4.5. Combinacion Es una n-tupla de elementos en donde el orden en
que se escriban los elementos no es importante, es decir, si se escriben los mismos
elementos en un orden distinto, se estara hablando de la misma combinacion.
CAP
Piense en una combinacion como si fuera un conjunto, ya que por ejemplo el
conjunto {1,2,3} y el conjunto {2,1,3}, son iguales a pesar de que sus elementos est an
escritos en un orden distinto; en forma analoga 123 visto como una combinaci on y
213 son representaciones de la misma combinacion.
Teorema 2.4.2. El n umero de permutaciones de n elementos distintos, tomados de
k en k , sin repeticion, denotado nP
k
, viene dado as:
nP
k
=
n!
(nk)!
con k n. Ademas, si k = n se tiene:
nP
n
=
n!
(nn)!
= n!
Teorema 2.4.3. El n umero de permutaciones de n elementos distintos, tomados de
k en k, con repeticion es n
k
.
Teorema 2.4.4. El n umero de permutaciones de n elementos de los cuales n
1
son
iguales entre s, n
2
iguales entre s pero distintos de los anteriores, y as sucesiva-
mente hasta llegar al grupo k-esimo que tiene n
k
elementos iguales entre s, pero
distintos de todos los anteriores, denotado nPn
1
, n
2
, ..., n
k
viene dado as:
nPn
1
, n
2
, ..., n
k
=
n!
(n
1
!n
2
!...n
k
!)
donde n =
k
i=1
n
i
Teorema 2.4.5. El n umero de combinaciones de n elementos distintos tomados de
k en k, denotado nC
k
, viene dado as:
nC
k
=
n!
k!(nk)!
=
2.4. DEFINICI
ON AXIOM
con k n. Ademas, si k = n se tiene:
nC
n
=
n!
n!(o)!
= 1
Ejemplo 2.4.5. Calcule nP
k
para la palabra INFINITO
Solucion
n
1
= 3 para I
n
2
= 2 para N
n
3
= 1 para F
n
4
= 1 para T
n
5
= 1 para O
Luego nP
3,2,1,1,1
=
8!
3! 2! 1! 1! 1!
= 3360
Ejemplo 2.4.6. De cuantas formas distintas pueden 6 personas subirse a un bus?
Solucion
n = 6
6P
6
= 6! = 720
b. De cuantas formas es posible si dos personas especcas no pueden estar
juntas?
Solucion
Se sabe que si se tienen 6 puestos disponibles para las 6 personas, las formas
totales en que estas se pueden sentar juntas en una lnea es 6!=720.
Se necesita calcular las nuevas posibles formas de instalarse sin que las personas
en conicto queden juntas y para ello una forma posible de solucion es la siguiente,
se calcula las formas en las que las personas especcas pueden sentarse juntas y
luego restar este valor del n umero total de posibilidades. Ahora, el n umero total
CAP
de formas en las que las dos personas especcas pueden sentarse juntas es 2! 5!
y seg un lo descrito anteriormente, el n umero de formas en las que las 6 personas
pueden instalarse bajo la condicion establecida es:
6! - (2! 5!) = (5!)(6) - (2!) (5!) = (5!) (6 - 2) = (5!) (4) = 480
Ejemplo 2.4.7. Una cadena de tiendas de aparatos electronicos ofrecen un precio
especial por un conjunto completo de componentes: amplicador, Componente
compactos, parlantes y pasa-cintas. Un comprador puede elegir un componente de
cualquiera de las siguientes marcas:
1. Amplicador: Kendwood, Onkyo, Pioneer, Sony y Sherwood
2. Componente Compacto: Onkyo, Pioneer, Sony y Technics
3. Bocinas: Boston, Innity y Polk
4. Pasa-cintas: Onkyo, Sony, Teac y Technics
Un tablero en la tienda permite que un cliente conecte entre s cualquier seleccion
de componentes, uno de cada tipo.
Aplique la regla del producto para contemplar lo siguiente:
a. De cuantas maneras se puede seleccionar un componente de cada tipo?
b. De cuantas maneras se pueden seleccionar los componentes si el receptor y el
tocadiscos deben ser Sony?
c. De cuantas maneras se pueden seleccionar los componentes si ninguno de ellos
debe ser Sony?
d. De cuantas maneras se puede hacer una seleccion si por lo menos componente
debe ser Sony?
e. Si alguien maneja los interruptores del tablero en forma aleatoria, Cual es la
probabilidad de que el sistema seleccionado contenga cuando menos un componente
Sony, y, exactamente un Componente Sony?
Solucion
a. 5 * 4 * 3 * 4 = 240
b. 1 * 1 * 3 * 4 = 12
c. 4 * 3 * 3 * 3 = 108
2.4. DEFINICI
ON AXIOM
d.
240 - 108 =132
e.
a. Formas de hacer la seleccion empleando cuando menos un componente Sony
P(Punto a - Punto c)=
132
240
b. Formas de hacer la seleccion utilizando exactamente un componente Sony
P = 27 + 36 + 36 = 99
2.4.2. Probabilidad Condicional
Denici on 2.4.6. Probabilidad Condicional Sean A y B eventos de un espacio
muestral S, se dene la probabilidad condicional de A dado B, denotada P(A/B),
as:
P(A/B) =
P(AB)
P(B)
Si P(B) = 0
Ejemplo 2.4.8. La probabilidad de que un doctor diagnostique de manera correcta
una enfermedad particular es de 0.7. Dado que el doctor hace un diagnostico
incorrecto, la probabilidad de que el paciente presente una demanda es de 0.9
Cual es la probabilidad de el medico presente un diagnostico incorrecto y el paciente
lo demande?
Solucion
A

= Diagnostico correcto
B

= Demanda
P(A) = 0.7
P(B/A
c
) = 0,9
P(A
c
B) =?
Entonces:
CAP
P(A
c
B) = P(A
c
)P(B/A
c
)
luego, P(A
c
) = 0,3
P(A
c
B) = (0,3)(0,9) = 0,27
Denici on 2.4.7. Eventos Independientes Sean A y B dos eventos de un espacio
muestral S, se dice que los eventos A y B son independientes si y solo si:
P(A/B) = P(A) y P(B/A) = P(B)
Teorema 2.4.6. Sean A y B dos eventos de un espacio muestral S, A y B son
independientes si y solo si:
P(A B) = P(A)P(B)
2.4.3. Probabilidad Total
Teorema 2.4.7. Sean A
1
, A
2
, ..., A
n
una sucesion disjunta de eventos de S, tales
que
n
i=1
(A
i
) = S y sea B otro evento de S, entonces:
P(B) =
n
i=1
P(A
i
B) =
n
i=1
P(A
i
)P(B/A
i
).
2.4.4. Regla de Bayes
Teorema 2.4.8. Regla de Bayes
P(A
i
/B) =
P(A
i
B)
P(B)
=
P(A
i
)P(B/A
i
)
n
k=1
P(A
k
)P(B/A
k
)
Ejemplo 2.4.9. Una caja contiene 6 bolas rojas y 4 verdes y una segunda contiene
7 rojas y 3 verdes. Se escoge al azar una bola de la primera caja y se coloca en la
segunda. Despues se selecciona una bola de la segunda y se pone en la primera.
1. Cual es la probabilidad de que se seleccione una bola roja de la primera caja y
una bola roja de la segunda caja.
2.4. DEFINICI
ON AXIOM
Solucion A
i
= bola roja de la caja i; con i = 1,2
a. P(A
1
A
2
) = P(A
1
)P(A
2
/A
1
)
luego, P(A
1
) = 6/10
P(A
2
/A
1
) = 8/11
Entonces: P(A
1
A
2
) = (6/10)(8/11) =
24
55
Ejemplo 2.4.10. Una empresa que fabrica camaras de video, un modelo basico y
otro de lujo. El a no pasado el 0.4 de las camaras vendidas fueron basicas. De los
compradores del modelo basico, el 0.3 compran con garanta ampliada mientras que
el 0.5 de los compradores del modelo de lujo tambien lo hacen as. Si se sabe que
un comprador seleccionado al azar tiene garanta ampliada, Que tan probable es que
tenga un modelo basico?
Solucion
B

= camara comprada es modelo basico.
A

= camara comprada tiene garanta ampliada.
P(B/A) =?
P(B/A) =
P(AB)
P(A)
DIAGRAMA P(A) = P(B)P(A/B) + P(B
c
)P(A/B
c
)
P(A) = (0,4)(0,3) + (0,6)(0,5) = 0,42
P(A B) = P(B)P(A/B) = 0,12
P(B/A) =
0,12
0,42
= 0,285
Ejemplo 2.4.11. Un amigo que trabaja en una gran ciudad tiene 2 autos, uno
peque no y otro grande. 3/4 del tiempo utiliza el automovil peque no para ir a trabajar
y el 1/4 restante utiliza el auto grande.
Si utiliza el automovil peque no por lo general no tiene problema para estacionarse y
llega a su trabajo a tiempo con una probabilidad de 0.9.
Si utiliza el automovil grande la probabilidad es de 0.6 de llegar a tiempo.
Si llego a tiempo una ma nana en particular, Cual es la probabilidad de que haya
utilizado el auto peque no?
CAP
Solucion
B

= utilizar el auto peque no.
A

= llegar a tiempo al trabajo.
P(B/A)=?
P(B) = 3/4 = 0,75
P(B
c
) = 1/4 = 0,25
P(A/B) = 0,9 P(A
c
/B) = 0,1
P(A/B
c
) = 0,6
DIAGRAMA Luego, P(B/A) = P(A B)P(A)
P(A) = P(B)P(A/B) + P(B
c
)P(A/B
c
)
P(A) = (0,75)(0,9) + (0,25)(0,6) = 0,825
Entonces: P(B/A) =
P(B)P(A/B)
P(A)
=
(0,75)(0,9)
(0825)
= 0,818
2.4. DEFINICI
ON AXIOM
2.5. Ejercicios
Problema de aplicaci on 2. Un inversionista esta pensado en comprar un n umero
muy grande de acciones, la cotizacion de las acciones en la bolsa durante los dos
meses anteriores es de gran interes para el inversionista. Con base en esta informa-
cion se observa que la cotizacion se relaciona, con el producto nacional bruto (PNB).
Si el (PNB) aumenta, la probabilidad de que aumenten las acciones es de 0.8. si el
(PNB) es el mismo, la probabilidad de que aumenten las acciones es de 0.2 y si el
(PNB) disminuye la probabilidad de que aumenten las acciones es de 0.1. si para los
siguientes 6 meses se asignan las probabilidades de 0.4, 0.3 y 0.3 para los eventos
PNB aumenta, PNB permanece igual y PNB disminuye respectivamente.
1. determine la probabilidad de que las acciones aumenten en los ultimos 6 meses.
2. Si las acciones aumentan su valor, cual es la probabilidad de que el PNB haya
aumentado su valor?
Problema de aplicacion 3. La probabilidad de que cierto componente funcione es
de 0.9. un aparato tiene dos de estos componentes. El aparato funciona mientras lo
haga uno de estos componentes. Cual es la probabilidad de que el aparato funcione?
Problema de aplicaci on 4. Se lanza una moneda con una probabilidad de 2/3 de
que el resultado sea cara, si sale cara se extrae una bola aleatoriamente de una urna
que contiene 2 bolas rojas y 3 verdes. Si sale sello se extrae una bola de otra urna
que contiene 2 rojas y 2 verdes. Cual es la probabilidad de extraer una bola roja?
Problema de aplicaci on 5. Dos fabricas A y B producen relojes de la misma
clase. A con un reloj defectuoso entre 100 y B con un reloj defectuoso entre 200. un
comerciante compra una caja de tales relojes, sin saber de cual fabrica viene. Saca
un reloj y funciona, al sacar el segundo reloj, Cual es la probabilidad de que el reloj
funcione?
Problema de aplicaci on 6. Suponga que se han distribuido bolas de colores en
3 cajas indiferenciables de la siguiente manera: Caja 1 Caja 2 Caja 3 Roja 2 4 3
Blanca 3 1 4 Negra 5 3 3
1. Cual es la probabilidad de extraer una bola roja?
CAP
2. Cual es la probabilidad si se sabe que la bola es roja, se haya extrado de la
caja 3?
Problema de aplicaci on 7. Una persona posee dos autos, un modelo compacto
y uno estandar. Aproximadamente utiliza el vehculo compacto para trasladarse a
su trabajo las tres cuartas partes del tiempo y el restante usa el carro mas grande.
Cuando emplea el carro compacto llega a su casa a las 5:30 el 75 % de las veces; si
utiliza el carro de tama no estandar llega a la misma hora el 60 % de las veces (pero
disfruta del aire acondicionado del carro mas grande). Si llega a su casa despues de
las 5:30. Cual es la probabilidad de que haya usado el carro compacto?
Problema de aplicacion 8. Un agente de bienes races muestra casas a un com-
prador potencial. Hay 10 casas del precio deseado en una lista de la zona. El com-
prador tiene tiempo para visitar solo tres de ellas.
1. En cuantas formas podra escoger las tres casas, si se considera el orden de
visita?
2. En cuantas formas podra escoger las tres casas, si se considera que el orden
de visita no es importante?
3. Si cuatro de las casas son nuevas y seis han sido ocupadas previamente, y las
tres casas por visitar se escogen al azar, cual es la probabilidad de que sean
nuevas?
Problema de aplicacion 9. Un profesor que el ultimo periodo dio dos secciones
de estadstica en ingeniera, el primero con 20 alumnos y el segundo con 30 deci-
dio asignar un proyecto para los cursos. Despues de recibidos todos los proyectos, los
apilo en orden aleatorio antes de calicarlos. Considere los 15 primeros proyectos
que se calican.
Cual es la probabilidad de que al menos 10 de ellos provengan de la segunda seccion?
P
A
R
C
I
A
L
D
E
E
S
T
A
D
I
S
T
I
C
A
I
2.5. EJERCICIOS
NOMBRE
Problema de aplicaci on 10. Tres parejas de casados han comprado boletas para
el teatro y se sientan en una la formada por seis asientos. Si toman sus asientos de
un modo totalmente aleatorio, cual es la probabilidad de que Jim y Paula (marido y
mujer) se sienten en los dos asientos de la extrema izquierda? cual es la probabilidad
de que Jim y Paula se sienten juntos?, dado que Jhon y Mary Lou (marido y mujer)
se sientan juntos en el medio, cual es la probabilidad de que los otros dos esposos
se sienten junto a sus esposas?
El individuo A tiene un crculo de amigos cercanos (B, C, D, E y F). A ha odo
un rumor fuera del crculo y ha invitado a los cinco amigos a una reunion para
hacer circular el rumor. Para comenzar, A selecciona a uno de los cinco al azar y
le comenta el rumor, entonces ese individuo selecciona al azar a uno de los cuatro
individuos restantes y repite el rumor. As, un nuevo individuo de los que no han
odo el rumor es seleccionado por el individuo que acaba de escucharlo, y as, hasta
que todos lo han odo.
1. Cual es la probabilidad de que el rumor sea repetido en el orden B, C, D, E
y F?
2. Cual es la probabilidad de que F sea la tercera persona de la reunion a quien
se le cuente el rumor?
Problema de aplicaci on 11. Una empresa que fabrica camaras de video produce
un modelo basico y uno de lujo. El a no pasado, 40 % de las camaras vendidas han sido
del modelo basico, 30 % compran una garanta ampliada, mientras que el 50 % de los
compradores del modelo de lujo tambien lo hacen as. Si sabemos que un comprador
seleccionado al azar tiene garanta ampliada que tan probable es que tenga un
modelo basico?
CAP
S
E
G
U
N
D
O
P
A
R
C
I
A
L
DE ESTAD
ISTICA I
NOMBRE
Problema de aplicaci on 12. Un experimento consiste en lanzar primeramente un
dado y despues lanzar una moneda siempre y cuando el n umero en el dado sea par.
Si el resultado del dado es impar, la moneda se lanza dos veces. Dibuje un diagrama
de arbol para mostrar los elementos del espacio muestral.
Problema de aplicacion 13. Un determinado zapato se fabrica en 5 estilos difer-
entes y en 4 colores distintos para cada uno. Si la zapatera desea mostrar a su clien-
tela pares de zapatos en todos los estilos y colores, cuantos pares diferentes deberan
colocar en el aparador?
Problema de aplicaci on 14. Una clase de estadstica avanzada se compone de
10 alumnos de primer a no, 30 de ultimo a no y 10 graduados. Las calicaciones
nales mostraron que 3 de los de primer a no, 10 de los del ultimo a no y 5 de los
graduados, recibieron una A de calicacion por el curso. Si se selecciona un estudiante
aleatoriamente y se encuentra que es uno de los que obtuvo una A, cual es la
probabilidad de que el o ella sea alumno del ultimo a no?
Problema de aplicacion 15. En el ultimo a no de la escuela en un grupo de 100
alumnos se encontro que 42 cursaron matematicas, 68 sicologa, 54 historia, 22
matematicas e historia, 25 matematicas y sicologa, 7 historia pero no matematicas
ni sicologa, 10 las tres materias y 8 ninguna de las tres. Si se selecciona un
estudiante aleatoriamente, encuentre la probabilidad de que
1. una persona en sicologa haya estudiado las tres
2. una persona que no se inscribio en sicologa haya tomado historia y
matematicas.
Problema de aplicacion 16. La probabilidad de que un hombre casado vea un
cierto programa de TV es de 0.4 y la de que una mujer del mismo estado civil lo
haga, de 0.5. La probabilidad de que un hombre vea el programa, dado que su esposa
lo hace, es 0.7. Encuentre la probabilidad de que
2.5. EJERCICIOS
1. una pareja de casados vea el programa;
2. una esposa vea el programa dado que su esposo lo hace;
3. al menos una persona de un matrimonio vea el programa.
Ejercicio 1. El evento A es que el siguiente libro que salga de una biblioteca p ublica
sera de no ccion y B de ccion. Supongamos que P(A)=0.35 y P(B)=0.5.
1. Por que no es posible que P(A)+P(B)=1 ?
2. Calcule P(A
B).
3. Calcule P(A
B).
4. Calcule P(A
B).
ECAES DE ESTAD
ISTICA I
Ejercicio 2. Una urna contiene 7 bolas numeradas del 1 al 7, la probabilidad de que
al sacar tres de ellas, las tres sean pares, si el experimento se hace con reposicion es:
a)
1
7
b)
3
7
c)
4
7
d) (
3
7
)
3
Componente: Resolver problemas Competencia: Operativa Contenido referencial:
Respuesta: d) probabilidad
Ejercicio 3. Una urna contiene 7 bolas numeradas del 1 al 7, la probabilidad de que
al sacar tres de ellas, las tres sean impares, si el experimento se hace con reposicion
es:
a ) (
4
7
)
3
b)
3
7
c)
4
7
d)
1
7
Respuesta: a) probabilidad
Ejercicio 4. Una urna contiene 7 bolas numeradas del 1 al 7, la probabilidad de
que al sacar tres de ellas de una en una, las tres sean pares, si el experimento se
hace sin reposicion es:
CAP
a)
1
35
b)
3
7
c)
4
7
d) (
3
7
)
3
Respuesta: a) probabilidad
Ejercicio 5. Una urna contiene 7 bolas numeradas del 1 al 7, la probabilidad de
que al sacar tres de ellas de una en una, las tres sean impares, si el experimento se
hace sin reposicion es:
a ) (
4
7
)
3
b)
3
7
c)
4
35
d)
1
7
Respuesta: c) probabilidad
Ejercicio 6. Una urna contiene 7 bolas, tres rojas y cuatro negras, la probabilidad
de que al sacar tres de ellas, las tres sean negras, si el experimento se hace sin
reposicion es:
a)
1
35
b)
3
7
c)
1
21
d) (
3
7
)
3
Respuesta: c) probabilidad
Ejercicio 7. Una urna contiene 7 bolas, tres rojas y cuatro negras, la probabilidad
de que al sacar tres de ellas, las tres sean rojas, si el experimento se hace sin
reposicion es:
a)
1
35
b)
3
7
c)
1
21
d)
1
84
Respuesta: d) probabilidad
2.5. EJERCICIOS
Ejercicio 8. Una urna contiene 7 bolas, tres rojas y cuatro negras, si al sacar tres
de ellas, sin reposicion, se sabe que la primera es roja, la probabilidad de que las
otras dos tambien lo sean es:
a)
1
35
b)
3
7
c)
1
21
d)
1
31
Respuesta: d) probabilidad condicional
Ejercicio 9. Una urna contiene 7 bolas, tres rojas y cuatro negras, si al sacar tres
de ellas, con reposicion, se sabe que la primera es roja, la probabilidad de que las
otras dos tambien lo sean es:
a)
1
35
b)
9
37
c)
1
21
d)
1
31
Respuesta: b) probabilidad condicional
CAP
Captulo 3
Variables Aleatorias
Unidimensionales.
3.1. Variables Aleatorias Discretas
Denici on 3.1.1. Sea S el espacio muestral de experimento aleatorio. Sea X una
funcion:
X : R
y sea f otra funcion:
f : X R
se dice que X es una variable aleatoria discreta y f su funcion de probabilidad si y
solo si se cumplen las siguientes condiciones:
1. f(x) 0; x R
2. P(X = x) = f(x)
3.
xR
f(x) = 1
65
Algo que caracteriza a una variable discreta, es que dado un par de valores
numericos de la variable, esta no puede tomar todos los valores que hay entre estos
dos valores dados.
El gr aco siguiente podra ser la curva de distribuci on de una funcion de probabilidad
para una variable aleatoria discreta. Piense en los segmentos de rectas del gracos
como puntos.
3.2. Variable Aleatoria Continua.
Denici on 3.2.1. Sea S el espacio muestral en un experimento aleatorio, sea X
una funcion:
X : R
y sea f otra funcion:
f : X R,
se dice que X es una variable aleatoria continua y f una funcion de densidad para X,
si y solo si se cumplen las siguientes condiciones:
1. f(x) 0; x R
2. P(a X b) =
_
b
a
f(x)dx
3.
_
f(x)dx = 1
Algo que es caracterstico en una variable aleatoria continua, es lo siguiente:
dado dos valores de una variable aleatoria continua, ella puede tomar cualquier valor
entre los dos valores dados. Como ejemplos de variables aleatorias se tiene estatura
de una persona, la temperatura de un lugar, el peso de una una persona, etc.
El gr aco siguiente muestra la curva de distribuci on de la funci on de densidad para
una variable aleatoria continua.
CAP
ITULO 3. VARIABLES ALEATORIAS UNIDIMENSIONALES.

3.2.1. Funcion de probabilidad acumulada
Denici on 3.2.2. Sea X una variable aleatoria discreta, f su funcion de probabili-
dad, se dena la funcion de probabilidad acumulada para X, denotada F, as:
F(x) =
tx
f(t) = P(X x)
Denici on 3.2.3. Funcion de densidad Sea X una variable aleatoria continua, f su
funcion de densidad, se dene la funcion de densidad acumulada para X, denotada
F, as:
F(x) = P(X x) =
_
f(t)dt
Ejemplo 3.2.1. Una organizacion de consumidores que eval ua automoviles nuevos,
reporta regularmente el n umero de defectos importantes en cada examen. Sea X el
n umero de defectos importantes en un automovil seleccionado al azar. Si su funcion
de probabilidad acumulada es como sigue:
1. Calcule la probabilidad de que X sea igual a 2.
2. Calcule la probabilidad de que X sea mayor que 3.
3. Calcule la probabilidad de que X este entre 2 y 5.
4. Calcule la probabilidad de que X este entre 2 y 5 sin incluirlos.
Solucion
1. P(X = 2) =
2
X=0
f(x)
1
X=0
f(x) = 0,34 0,19 = 0,2
2. P(X > 3) =
X=4
f(x) = 1 P(x 3) = 1
3
X=0
f(x) = 1 0,67 =
0,33
3.2. VARIABLE ALEATORIA CONTINUA.
3. P(2 X 5) =
5
X=0
f(x)
1
X=0
f(x) = 0,97 0,19 = 0,78
4. P(2 < X < 5) =
4
X=0
f(x)
2
X=0
f(x) = 0,92 0,39 = 0,53.
Justique cada uno de los pasos en la solucion del ejemplo anterior.
Ejemplo 3.2.2. De una caja que contiene 4 monedas de $1000 y 2 de $500. se selec-
cionan tres de ellas al azar sin reemplazo. Determine la distribucion de probabilidad,
para el total T, de las 3 monedas. Halle la distribucion de probabilidad.
3.3. Distribuciones especiales de variables aleato-
rias
3.3.1. Variables aleatorias discretas (casos especiales)
Denici on 3.3.1. Distribucion Uniforme Discreta Sea X una variable aleatoria
discreta que puede tomar los valores x
1
, x
2
, x
3
, ..., x
n
. Se dice que X es una variable
aleatoria discreta con distribucion uniforme y f su funcion de probabilidad si y solo si:
f(x) =
_
1
n
; si x {x
1
, x
2
, ..., x
n
}
0, en cualquier otro caso
Ademas:
E(X) =
n
i=1
x
i
n
y V (X) =
n
i=1
(x
i
E(x))
2
n
Denici on 3.3.2. Distribucion de Bernoulli Sea X una variable aleatoria discreta
que toma los valores de exito (1) con probabilidad P y fracaso (0) con probabilidad
(1 - P), se dice que X es una variable aleatoria discreta de Bernoulli si y solo si su
funcion de probabilidad f puede expresarse as:
f(x) =
_
_
_
P, si x=1
1 P, si x=0
CAP

Ademas:
E(X) = P y V (X) = P(1 P).
Denici on 3.3.3. Distribucion Binomial Sea X una variable aleatoria discreta,
se dice que X,n umero de exitos en n ensayos de Bernoulli, es una variable con
distribucion binomial, si y solo si la probabilidad de exito P en cada uno de los n
ensayos de Bernoulli es la misma y su funcion de probabilidad f puede expresarse as:
f(x) =
_
(n
x
)P
x
(1 P)
nx
; si x = 0, 1, 2, .., n
o; en cualquier otro caso
Ademas:
E(X) = nP y V (X) = nP(1 P).
Denici on 3.3.4. Distribucion Hipergeometrica Sea X una variable aleatoria
discreta, se dice que la variable X,n umero de exitos en n ensayos de Bernoulli, es
una variable con distribucion hipergeometrica, si y solo si la probabilidad de exito
en cada uno de los n ensayos de Bernoulli es variable y su funcion de probabilidad f
puede expresarse as:
f(x) =
_
(kx)(Nk)
(nx)
Nn
; si x = 0, 1, 2, .., n
Ademas:
E(X) = n
k
N
y V (X) = n(
k
N
)(1
k
N
)(
Nn
N1
).
3.3. DISTRIBUCIONES ESPECIALES DE VARIABLES ALEATORIAS
Denici on 3.3.5. Distribucion Binomial Negativa
Sea X una variable aleatoria discreta, se dice que X, n umero de fracasos antes de
obtener el r exito en ensayos de Bernoulli, es una variable con distribucion binomial
negativa, si y solo si su funcion de probabilidad viene dada as:
f(x) =
_
(r + x 1)
x
P
r
(1 P)
x
; si x = 0, 1, 2, .., n
Donde P es la probabilidad de exito en cada ensayo de Bernoulli y ademas:
E(X) =
r(1P)
P
y V (X) = [
r(1P)
P
2
]
Denici on 3.3.6. Distribucion de Poisson Sea X una variable aleatoria discreta,
se dice X, n umero de exitos por unidad de longitud, de area, de volumen, de tiempo,
etc, es una variable aleatoria con distribucion de Poisson si y solo si su funcion de
probabilidad viene dada as:
f(x) =
_
(
x
)(e
)
x!
; si x = 0, 1, 2, .., n
Ademas:
E(X) = V (X) =
Ejemplo 3.3.1. Sa sabe que el 0.4 de los ratones inoculados con un suero quedan
protegidos de cierta enfermedad. Si se inoculan 5 ratones, encuentre la probabilidad
de que:
a. Ninguno contraiga la enfermedad.
b. Menos de 2 contraigan la enfermedad.
c. Mas de tres contraigan la enfermedad.
CAP

Solucion
Sea X

=n umero de ratones que se inoculan y quedan protegidos de cierta en-
fermedad.
X tiene una distribucion binomial con p= 0.4 y n=5
a. P(X = 5) = (5
5
)(0,4)
5
(1 0,4)
0
= 0,01024
b. P(X 4) = P(X = 4) + P(X = 5) = (5
4
)(0,4)
4
(1 0,4)
1
+ 0,01024 =
0,0768 + 0,01024
c. P(X 1) = P(X = 1) + P(X = 0) = (5
1
)(0,4)
1
(1 0,4)
4
+ (5
0
)(0,4)
0
(1
0,4)
5
= 0,2592 + 0,07776 = 0,33696
Ejemplo 3.3.2. Cual es la probabilidad de que una mesera se reh use a servir
bebidas alcoholicas a solo 2 menores si verica al azar las identicaciones de 5
estudiantes de entre 9 estudiantes de los cuales 4 no tienen la edad legal?
Solucion
Sea X

= n umero de menores a los que la mesera se reh usa a servir bebidas
alcoholicas dentro del grupo de los 5 estudiantes elegidos al azar.
La variable X tiene distribucion hipergeometrica.
N = 9
k=4
n=5
Luego, P(X = 2) =
(4
2
)(5
3
)
(9
5
)
= 0,4761.
Ejemplo 3.3.3. En promedio en cierta interseccion ocurren 3 accidentes de transito
por mes. Cual es la probabilidad de que para cualquier mes dado ocurran:
a. Exactamente 5 accidentes?
b. Ocurran menos de tres accidentes?
3.3. DISTRIBUCIONES ESPECIALES DE VARIABLES ALEATORIAS
c. Ocurran al menos dos accidentes?
Solucion
X

= n umero de accidentes en un mes.
X es una variable con distribucion de Poisson y = 3
a. P(X = 5) = f(5) =
(3
5
)(e
3
)
5!
b. P(X < 3) = f(0) + f(1) + f(2)
c. P(X 3) = 1 P(X < 3) = 1 [f(0) + f(1) + f(2)]
3.4. Variable aleatoria continua (casos especiales)
Denici on 3.4.1. Distribucion Uniforme Continua Sea X una variable aleatoria
continua, denida en un intervalo [a,b] se dice que X tiene una distribucion uniforme
continua, si y solo si:
f(x) =
_
1
ba
; si x [a, b]
Ademas:
E(X) =
a+b
2
y V (X) =
(ab)
2
12
Denici on 3.4.2. Distribucion Normal Sea X una variable aleatoria continua, se
dice que X tiene una distribucion normal, si y solo si:
f(x) =
_
e
1/2(
x
)
2
2
2
; si x R; > 0; , R
CAP

Ademas:
E(X) = y V (X) =
2
Si = 0 y
2
= 2; Se dice que X tiene distribucion normal estandar con
funcion de densidad:
f(x) =
_
e
1/2x
2
2
; si x R;
Teorema 3.4.1. Sea X una variable con distribucion normal con media y varianza
2
, entonces la variable Z tiene distribucion normal estandar con:
Z =
x
Gracas Explicativas
%begincenter
Ejemplo 3.4.1. El diametro interior de un anillo determinado. Se distribuye
normalmente con una media de 10 cm y una desviacion estandar de 0.03 cm
a. Que proporcion de los anillos tendra diametros interiores que excedan de
10.75cm?
b. Cual es la probabilidad de que el anillo de un piston tenga un diametro in-
terior entre 9.97 y 10.03?
c. Por debajo de que valor el diametro interior sera el 0.15 de los anillos del
piston?
3.4. VARIABLE ALEATORIA CONTINUA (CASOS ESPECIALES)
d. Cual es la probabilidad de que dos de los siguientes 6 pistones tengan un
diametro interior entre 9.97 y 10.03?
e. Cual es la probabilidad de que se necesite 6 pistones para tener un diametro
interior entre 9.97 y 10.03?
Solucion
= 10
= 0,03
La variable tiene distribucion normal con X diametro interior de un anillo
de un piston.
a. P(X > 10,075)
Z =
X
=
10,07510
0,03
P(X > 10,075) = P(Z > 2,5)
Observando la tabla encontramos que el area a la derecha es 0.9938, por tan-
to el area a la derecha y nuestra respuesta buscada sera (1 - 0.9938) = 0.0062
b. P(9,97 X 10,03) = P(
9,9710
0,03
Z
10,0310
0,03
)
P(1 X 1) = P(Z 1) P(Z 1) = 0,8413 0,1587 = 0,6826
c. P(X x
0
) = 0,15
P(
x

X
0
) = 0,15
P(z Z
0
) = 0,15
Ahora, buscando en la tabla el valor de 0.15, se encuentra que Z = -1.04 por
tanto:
CAP

Z
0
=
X
0
luego X
0
= 9,9688
d. P(Y = 2) = 6
2
P
2
(1 P)
4
e. Z n umero de fracasos
r = 1
P(Z = 5) = (1 + 5 1)
5
P
1
(1 P)
5
Ejemplo 3.4.2. Las notas denitivas obtenidas por los estudiantes de Estadsti-
ca I del profesor A, estan normalmente distribuidas con una media de 3.6 y una
desviacion estandar de 1.1.
Las notas obtenidas por los estudiantes de Estadstica I del profesor B, estan tam-
bien, normalmente distribuidas con una media de 3.1 y una desviacion estandar de
0.93.
Luis estudiante del profesor A saco una nota denitiva de 4.5, Karen amiga de Luis
y alumna del profesor B, le dice a Luis que ella saco una nota equivalente a esa en
su grupo (ocupo el mismo puesto que Luis en su grupo).
1. Cuanto saco Karen (de el resultado de la nota con una sola cifra decimal)?
2. Que posicion ocupo en su grupo?
En cada caso, justique estadsticamente su respuesta.
Solucion al item 1):
Sea X la nota obtenida por un estudiante del grupo del profesor B.
En la primera columna de la siguiente tabla se muestra la informacion corre-
spondiente a las calicaciones del profesor A y en la segunda, la informacion
correspondiente a las notas del profesor B:
Profesor A Profesor B
Las notas estan normalmente distribuidas Las notas estan normalmente distribuidas
= 3,6 = 3,1
= 1,1 = 0,93
Nota del estudiante Luis 4.5 Sea x
0
, la nota de la estudiante Karen.
3.4. VARIABLE ALEATORIA CONTINUA (CASOS ESPECIALES)
Estandarizando la nota de Luis en su grupo y luego la nota de Karen en su
grupo y teniendo en cuenta que esta nota estandarizada, debe ser igual a la nota
estandarizada de Luis, la cual es conocida, de ah, se despeja el valor de x
0
que
corresponde a la nota de Karen, como se muestra a continuacion:
Nota de estandarizada de Luis:
4,5 3,6
1,1
= ,82.
Ahora como por hipotesis, se sabe que la nota de Karen es igual a la de Luis, eso
implica que la nota estandarizada de Karen, debe ser tambien 0.8181, es decir,que
x
0
=
x
0
3,1
0,93
= 0,82,
despejando a x
0
en esta ecuacion, se tiene que x
0
= (0,82)(0,93) +3,1 = 3,86, o sea,
que x
0
= 3,9.
Respuesta: La nota obtenida por Karen en su grupo es 3.9.
Respuesta al item 2):
Ya teniendo la nota de Karen, se calcula la probabilidad de obtener una nota menor
o igual a esta, para saber que posicion ocupa en su grupo, sabiendo ya que las notas
estan normalmente distribuidas, lo que se hace a continuacion:
P(X 3,9) = P(
X
) = P(Z 0,82),
que al buscar en la tabla de la distribucion normal estandar, corresponde a 0.79 o en
forma porcentual al 79 %, entonces PX 3,9) = P(Z 0,82) = 0,79 = 79 %.
De acuerdo con este resultado, una respuesta a la parte b) es:
Si ordenamos las notas de mayor a menor Karen ocupa un puesto por encima del
79 % de los estudiantes de su grupo.
Denici on 3.4.3. Distribucion Gamma Sea X una variable aleatoria continua, se
dice que X tiene una distribucion Gamma, si y solo si su funcion de densidad, viene
dada as:
CAP

f(x) =
_

x
(1)
e
x
()
; si x, , > 0; , R
Ademas:
E(X) =

y V (X) =

2
NOTA : a. si = 1 se dice que X tiene distribuci on exponencial
f(x) =
_
()e
x
; si x > 0
Adem as:
E(X) =
1
y V (X) =
1
2
b. Si =
n
2
y =
1
2
se dice que X tiene distribuci on Chi-Cuadrado
f(x) =
_
(1/2)
n
2 x
(
n
2
1)
e
x
2
(n/2)
; si x > 0
Adem as:
E(X) = n y V (X) = 2n
3.5. Ejercicios
3.5. EJERCICIOS
1. En la Ciudad de Mexico hay en promedio 3.5 perros callejeros por cuadras en
las zonas proletarias de la ciudad. Si se supone que los perros estan igualmente
distribudos en dichas zonas, determine la probabilidad de que en una zona
proletaria de la ciudad se encuentre usted cuatro o m as perros callejeros por
cuadras:
a) en una cuadra cualquiera.
b) en al menos tres de las siguientes cinco cuadras que recorra,
c) por primera vez en la tercera cuadra que recorra,
d) por segunda vez en la cuarta cuadra que recorra.
2. Un se nor tiene una hija universitaria a quien le da una cantidad variable de
dinero para llevar cada da a la esccuela. El pap a desea que dicha cantidad la
decida la suerte. Para eso mete en una caja ocho peque nos papeles doblados,
de las cuales cinco dicen 20 pesos y tres dicen 10 pesos. Cada ma nana y en
presencia de su padre la ni na saca tres papeletas al azar. Lo que sumen las tres
papeletas sera lo que su papa le dara ese da para sus gastos en la universidad.
a) Encuentre la funcion de probabilidad para la suma de dinero recibida por
la ni na diariamente..
b) calcule la media y la desviaci on est andar.
Valoracion: Primer punto 3.0
Segundo punto 2.0
CAP

3. De acuerdo con un estudio publicado por un grupo de sociologos de la uni-
versidad de Massachussets, aproximadamente 30 % de los adictos al Valium
en el estado de Massachussets, lo tomaron por primera vez debido a proble-
mas sicol ogicos. Encuentre la probabilidad de que de los siguientes 7 adictos
entrevistados:
a) exactamente 4 hayan comenzado a usarlo debido a problemas sicologicos.
b) entre 2 y 5 de ellos comenzaron a tomarlo por problemas que no fueron
sicol ogicos.
4. Para evitar que lo descubran en la aduana, un viajero ha colocado 8 tabletas de
narc otico en una botella, que contiene 7 pldoras de vitamina que son similares
en apariencia. Si el ocial de la aduana selecciona 4 tabletas aleatoriamente
para analizarlas, Cu al es la probabilidad de que el viajero sea arrestado por
posesion ilegal de narcoticos?
5. Un cientco inocula varios ratones, uno a la vez, con un germen de una enfer-
medad hasta que obtiene 4 que la han contrado. Si la probabilidad de contraer
la enfermedad es 1/5, Cu al es la probabilidad de que se requieran 6 ratones?
6. El n umero promedio de ratas de campo por acre en un campo de trigo de 8
acres se estima es de 10, encuentre la probabilidad de que menos de 5 ratas de
campo se encuentren:
a) en dos acre de terreno determinado
b) en 3 de los siguientes 5 acres inspeccionados.
3.5. EJERCICIOS
7. La dureza Rockwell de un metal se determina al golpear con un punto acerado
la supercie del metal y despues medir la profundidad de penetracion del
punto. Suponga que la dureza Rockwell de cierta aleaci on esta normalmente
distribuida con media de 70 y desviaci on estandar de 3.
a) Si un especimen es aceptable s olo si su dureza est a entre 67 y 75. Cu al
es la probabilidad de que un especimen seleccionado al azar tenga una
dureza aceptable?
b) Si la escala aceptable es (70-c,70+c), para que valores de c tendra una
dureza aceptable el 95 % de todos los paquetes?
Cu al es la probabilidad de que a lo sumo 8 de 10 especmenes selecciona-
dos independientemente tenga una dureza menor de 73.84?
8. La distribuci on del peso de paquetes enviados de cierto modo, es normal con
valor medio de 10 libras. El servicio de paquetera desea establecer un valor de
peso c, m as alla del cu al habr a cargo extra. Cu al valor de c es tal que 99 % de
todos los paquetes pesen por lo menos una libra abajo del peso con cargo extra?
9. Se sabe que el dinero que gastan al a no los estudiantes de determinanda uni-
versidad en libros de textos sigue una distribucion normal con media $ 38.000
pesos y una desviacion estandar de $ 5000 pesos. Halle los valores extremos
en pesos del rango mnimo, que contenga el 95 % de los gastos en compra de
textos de los estudiantes de esa universidad.
10. Suponga que el 8 % todos los ejes de acero producidos por cierto proceso est an
fuera de las especicaciones, pero pueden volver a trabajar. Considere una
muestra aleatoria de 20 ejes y exprese con X el n umero de los que esten fuera
de las especicaciones y puedan volver a trabajar. Cual es la probabilidad de
que X sea:
a) a lo sumo 30?
b) menos de 30?
c) entre 15 y 25 inclusive?
CAP

11. Se enva un aviso a todos los propietarios de cierto tipo de autom oviles, so-
licit andoles llevarlos al distribuidor para comprobar la presencia de un defecto
particular de fabricaci on. Supongamos que solo el 0.5 % tiene el defecto. Con-
sidere una muestra aleatoria de 10 automoviles.
a) Cu ales son el valor esperado y la desviacion est andar del n umero de
autom oviles de la muestra que no tienen defecto?
b) Cu al es la probabilidad de que por lo menos 1 autom ovil de los muestrea-
dos tengan el defecto?
c) Cu al es la probabilidad de que entre 2 y 5 autom oviles en la muestra
tenga el defecto?
d) Cu al es la probabilidad de que se requiera revisar 10 autom oviles para
encontrar el cuarto automovil defectuoso.
e) Si se tienen 10 autom oviles de los cuales se sabe 4 son defectuosos, cu al
es la probabilidad de que al seleccionar 5 de ellos, tres sean defectuosos.
12. El n umero de solicitudes de asistencia recibido por un servicio de remolque de
vehculos con fallas es en promedio de 4 en una hora.
a) Calcule la probabilidad de que exactamente 10 solicitudes lleguen en un
periodo particular de dos horas.
b) Cual es la probabilidad de que por lo menos cinco soliciten el servicio en
un periodo particular de una hora?
Valoracion: El primer punto vale 3.5/5 y el se-
gundo 1.5/5.
3.5. EJERCICIOS
13. La presi on de aire de un neumatico seleccionado al azar,
instalado en un autom ovil nuevo esta normalmente dis-
tribuido con un valor medio de 31 lb/pulg
2
y desviaci on
est andar de 0.2 lb/pulg
2
.
a) Cu al es la probabilidad de que la presi on de un
neum atico, seleccionado al azar, exceda de 30.5
lb/pulg
2
?
b) Suponga que un neumatico se considera con presi on
baja si est a debajo de 30.4 lb/pulg
2
. Cual es la prob-
abilidad de que al menos uno de los cuatro neumatico
de un autom ovil se encuentre bajo?
14. Suponga que aviones peque nos llegan a cierto aeropuerto
seg un un proceso de Poisson, con una tasa de 8 aviones
por hora.
a) Cu al es la probabilidad de que exactamente 5 aviones
peque nos lleguen en un periodo de una hora? por lo
menos 5 en una hora?.
b) Cu ales son el valor esperado y la desviacion est andar
del n umero de aviones peque nos que lleguen durante
un periodo de 90 minutos.?
CAP

15. Un director de personal que entrevista a 11 ingenieros
para cuatro vacantes a programado seis entrevistas para
el primer da y cinco para el segundo da. Suponga que los
candidatos son entrevistados al azar.
a) Cu al es la probabilidad de que x de los mejores cuatro
candidatos sean entrevistados el primer da?
b) Cu antos de los mejores cuatros candidatos pueden es-
perar ser entrevistados el primer da ?
3.5. EJERCICIOS
16. Un profesor de estadstica I, est a interesado en saber cual
es la nota denita mnima que debe sacar un estudiante
en su grupo de trabajo. El profesor cree que a lo mas
el 91.92 % de su estudiantes aprobaran la materia en su
grupo de trabajo, y cree tambien que las notas estaran
normalmente distribudas con una media de 4.3, y una
varianza de 1. Determine esa nota
17. El dispositivo de carga de un paracadas militar de carga
ha sido dise nado para que se abra cuando este se encuentre
a 200 m de altura sobre el suelo. Supongamos que la alti-
tud de apertura en realidad tiene una distribucion normal
con media 200 m y desviaci on est andar 30 m. habra da no
a el equipo si el paracadas se abre a una altitud de menos
de 100 m. Cual es la probabilidad de que haya da no a
la carga en al menos uno de cinco paracadas lanzados
independientemente?
18. Suponga que las velocidades tpicas en la carrera 51b en-
tre la circunvalar y la Universidad del Norte se distribuyen
normalmente con una media de 59 kms por hora y una
desviaci on est andar de 4 kms por hora. Si la polica distri-
tal tiene ordenes de multar al 10 % m as veloz de los con-
ductores, cu al es la mayor velocidad a la que usted puede
conducir ah sin ser multado?
CAP

19. El di ametro de una unidad de almacenamiento optico, tiene
una distribucion normal, con media de 0.2508 pulgadas y
una desviaci on est andar de 0.0005 pul. Las especicaciones
del diametro del eje son 0.2500 +o- 0.0015. que proporcion
de ejes, cumple con este requisito?
20. El di ametro promedio de un eje es de 1.018 pul y la
desviaci on est andar de 0.0013 pul. El diametro interior
promedio de un cojinete correspondiente es de 1.059 pul-
gadas y una desviacion est andar de 0.0017 pul. Suponiendo
que tanto el di ametro interior y exterior del cojinete son
variables aleatorias distribuidas normalmente. Cu al es el
juego mnimo que se espera ocurra al combinar aleatori-
amente ejes y cojinetes en un ensamble? Juego mnimo
valor de L=? Tal que p(juegoL)=0.00135 Calcular el valor
esperado del juego, varianza y la probabilidad de interfer-
encia.
3.5. EJERCICIOS
CAP

Captulo 4
Distribuciones conjuntas.
4.1. Variables Aleatorias Discretas Bidimension-
ales
Denici on 4.1.1. Sea (X,Y) un vector bidimensional, se dice que el par (X,Y) es
un vector aleatorio discreto bidimensional y f su funcion de probabilidad conjunta si
y solo si se cumplen las siguientes condiciones:
1. f(x, y) 0
2. P(X = x, Y = y) = f(x, y)
3.
xR
yR
f(x, y) = 1
4.2. Variables Aleatorias Continuas Bidimension-
ales
Denici on 4.2.1. Sea (X,Y) un vector bidimensional, se dice que el par (X,Y) es
un vector aleatorio continuo bidimensional y f una funcion de densidad conjunta para
(X,Y) si y solo si se cumplen las siguientes condiciones:
1. f(x, y) 0
2. P(a X b, c Y d ) =
_
b
a
_
d
c
f(x, y)dydx
3.
_
f(x, y)dydx = 1
87
Denicion Sea (X,Y) una variable aleatoria bidimensional discreta y f su
funci on de probabilidad conjunta, se dene la funci on de probabilidad conjunta
acumulada, denotada F, as:
F(x, y) = P(X x, Y y) =
t
1
x
t
2
y
f(t
1
, t
2
)
Denicion Sea (X,Y) una variable aleatoria bidimensional discreta y f su
funci on de probabilidad conjunta, se denen:
a. La funcion de probabilidad marginal para x, denotada f
1
, as:
f
1
(x) =
yR
f(x, y)
b. La funcion de probabilidad marginal para y, denotada f
2
, as:
f
2
(y) =
xR
f(x, y)
c. Las funciones de probabilidad condicional para x dado y, denotada f(x,y) y
para y dado x, denotada f(y/x), as:
f(x/y) =
f(x,y)
f
2
y
y f(y/x) =
f(x,y)
f
1
x
con f
1
(x) y f
2
(y) distintos de cero.
Caso Continuo Bivariado (X,Y) es un vector aleatorio continuo bidimen-
sional y f su funcion de densidad conjunta, si y solo si:
CAP
ITULO 4. DISTRIBUCIONES CONJUNTAS.

1.f(x, y) 0; (x, y) R
2.P(a X b, c Y d) =
_
b
a
_
d
c
f(x, y)dydx
3.
_
f(x, y)dydx = 1
Denicion Sea (X,Y) una variable aleatoria bidimensional continua y f su
funci on de densidad conjunta, se dene la funci on de densidad conjunta acumulada,
denotada F, as:
F(x, y) = P(X x, Y y) =
_
f(t
1
, t
2
)dt
2
dt
1
Denicion Sea (X,Y) una variable aleatoria bidimensional continua y f su
funci on de densidad, se denen:
a. La funcion de densidad marginal para X, denotada f
1
, as:
f
1
(x) =
_
f(x, y)dy
b. La funcion de densidad marginal para y, denotada f
2
, as:
f
2
(y) =
_
f(x, y)dx
c. Las funciones de densidad condicional para x dado y, denotada f(x,y) y
para y dado x, denotada f(y/x), as:
f(x/y) =
f(x,y)
f
2
y
y f(y/x) =
f(x,y)
f
1
x
4.2. VARIABLES ALEATORIAS CONTINUAS BIDIMENSIONALES
con f
1
(x) y f
2
(y) distintos de cero.
Denicion Sea (X,Y) un vector aleatorio bidimensional, se denen:
a. La funcion de probabilidad o densidad marginal acumulada para x, deno-
tada F
1
, as:
F
1
(x) = P(X x, Y R) =
_
_
_
tx
f
1
(t); si (x, y) es un vector aleatorio discreto
_
x
f
1
(t)dt; si (X, Y ) es un vector aleatorio continuo
b. Se dene la funcion de probabilidad o densidad marginal acumulada para
y, as:
F
2
(y) = P(X R, Y y) =
_
_
_
ty
f
2
(t); si (X, Y ) es un vector aleatorio discreto
_
y
f
2
(t)dt; si (X, Y ) es un vector aleatorio continuo
Esperanza y Varianzas
Sea (X,Y) un vector aleatorio bidimensional, se denen:
a. La esperanza marginal para X y Y, denotadas E(x) y E(y), as:
CAP

E(X) =
_
_
_
x
R
xf
1
(x); si (X, Y ) es un vector aleatorio discreto
_
xf
1
(x)dx; si (X, Y ) es un vector aleatorio continuo
E(Y ) =
_
_
_
y
R
yf
2
(y); si (X, Y ) es un vector aleatorio discreto
_
yf
2
(y)dx; si (X, Y ) es un vector aleatorio continuo
b. Se denen las varianzas marginales V(X) y V(Y), as:
V (X) =
_
_
_
x
R
[X E(X)]
2
f
1
(x); si (X, Y ) es un vector aleatorio discreto
_
[X E(X)]
2
f
1
(x)dx; si (X, Y ) es un vector aleatorio continuo
V (Y ) =
_
_
_
y
R
[Y E(Y )]
2
f
2
(y); si (X, Y ) es un vector aleatorio discreto
_
[Y E(Y )]
2
f
2
(y)dx; si (X, Y ) es un vector aleatorio continuo
Tambien se denen las esperanzas y varianzas condicionales as:
E(X/y) =
_
_
_
x
R
xf(x/y); si (X, Y ) es un vector aleatorio discreto
_
xf(x/y)dx; si (X, Y ) es un vector aleatorio continuo

E(Y/x) =
_
_
_
y
R
yf(y/x); si (X, Y ) es un vector aleatorio discreto
_
yf(y/x)dy; si (X, Y ) es un vector aleatorio continuo

V (X/y) =
_
_
_
x
R
[X E(X/y)]
2
f(x/y); si (X, Y ) es un vector aleatorio discreto
_
[X E(X)]
2
f(x/y)dx; si (X, Y ) es un vector aleatorio continuo
V (Y/x) =
_
_
_
y
R
[Y E(Y/x)]
2
f(y/x); si (X, Y ) es un vector aleatorio discreto
_
[Y E(Y )]
2
f(y/x)dy; si (X, Y ) es un vector aleatorio continuo
Covarianza
COV(X,Y)= E(XY) - E(X)E(Y)
CAP

Correlaci on
(X, Y ) =
COV (X,Y )
V (X)
V (Y )
Ejemplo 4.2.1. La Universidad del Norte desea seleccionar estudiantes de alto
rendimiento para el servicio de monitoras en los cursos de estadstica I. Inicial-
mente la Universidad preselecciono los dos mejores estudiantes de estadstica I de
los profesores A, B y C, respectivamente. Solo tres de los preseleccionados seran
escogidos como monitores de estadstica I. Si X denota el n umero de estudiantes
seleccionados pertenecientes al grupo del profesor A y Y el n umero de estudiantes
seleccionados pertenecientes al grupo del profesor B.
1. Cual es la probabilidad de que de los tres estudiantes seleccionados, al menos
uno sea del grupo del profesor A?
2. Determine si el n umero de estudiantes seleccionados del grupo del profesor
A es independiente del n umero de estudiantes seleccionados pertenecientes al
grupo del profesor B.
3. Cuantos estudiantes seleccionados, se esperan pertenezcan al grupo del
profesor A (esperanza marginal)?
Soluci on para la parte 1)
Sea X el n umero de estudiantes seleccionados pertenecientes al profesor A.
Sea Y el n umero de estudiantes seleccionados pertenecientes al profesor B.
Sea n el n umero de estudiantes monitores requeridos, en este caso, n=3.
En la tabla siguiente se muestra por las, en la primera, el n umero de estudiantes
seleccionados por cada profesor, que en este caso es dos y en la segunda, el n umero
de monitores seleccionados de cada profesor:
Profesor A Profesor B Profesor C
Los dos mejores estudiantes de cada profesor 2 2 2
N umero de estudiantes escogidos por cada profesor x y n-x-y
Ahora el n umero total de estudiantes seleccionados es de seis y el n umero de
monitores requeridos es de tres, as que el n umero de formas de escoger tres de los
seis seleccionados es: 6C
3
.
El n umero total de estudiantes seleccionados del profesor A es de dos (igual
para los profesores B y C), as que si x es el n umero de estudiantes escogidos como
monitores del profesor A, el n umero de formas de escoger x estudiantes cuando se
tienen dos es: 2C
x
.
CAP

El n umero total de estudiantes seleccionados del profesor B es de dos, as que
si y es el n umero de estudiantes escogidos como monitores del profesor B, el n umero
de formas de escoger y estudiantes cuando se tienen dos es: 2C
y
.
Por ultimo, si ya se escogieron x monitores del profesor A, y, y monitores
del profesor B, entoces para completar el grupo de los tres monitores requeridos,
solo falta escoger de los dos candidatos del profesor C, 3-x-y; los cuales se pueden
escoger de 2C
(3xy)
. Por lo que la funcion de probabilidad conjunta es:
f(x, y) =
_
(2Cx)(2Cx)(2C
3xy
)
(6C
3
)
, si x = 0, 1, 2 y , y = 0, 1, 2, con x + y 3
(4.1)
Al evaluar la funcion de probabilidad conjunta en cada par de valores posibles (x,y),
se tiene como resultado, lo que se observa en la siguiente tabla:
f(x,y) 0 1 2
0 f(0,0) =0 f(0,1) =
2
20
f(0,2) =
2
20
1 f(1,0) =
2
20
f(1,1) =
4
20
f(1,2) =
2
20
2 f(2,0) =
2
20
f(2,1) =
2
20
f(2,2) =0
Para dar respuesta al item 1) basta calcular la P(X 1), pero
P(X 1) = P(X = 1) + P(X = 2)
= f(1, 0) + f(1, 1) + f(1, 2) + f(2, 0) + f(2, 1) + f(2, 2) (4.2)
Respuesta para el item 1): P(X 1) = 0,8
Soluci on para el item 2): Recuerde que dos variables son independientes
si
f(x, y) = f
1
(x)f
2
(y), para todo x, y para todo y.
Las funciones de probabilidad marginal para X, se muestran en la ultima -
la de la siguiente tabla, al igual que la funcion de probabilidad marginal para
Y; la cual se muestra en la ultima columna de la misma tabla: Si tomamos
x=0 y, y=1, entonces f(0, 1) =
2
20
=
1
10
, f
1
(0) =
4
20
y f
2
(1) =
2
20
, por lo que
f
1
(0)f
2
(1) =
2
20
4
20
=
2
100
=
1
50
= f(0, 1) =
1
10
=
5
50
, lo cual implica que las variables
no son independiente, ya que para el caso particulkar de x=0 y, y=1, no se cumple
que f(0, 1) = f
1
(0)f
2
(1).
Respuesta para el item 2): Las variables X y Y, no son independientes.
Para hallar una solucion al item 3), recuerde que la esperanza marginal de X
(que es lo que se pide en este item), viene dada as:
E(X) =
x=0,1,2
xf
1
(x) = 0f
1
(0) + 1f
1
(1) + 2f
1
(2) = 0(
2
20
) + 1(
12
20
) + 2(
4
20
) = 1
Respuesta para el item 3): El n umero de estudiantes seleccionados que se esperan
pertenezcan al grupo del profesor A es igual a 1.
4.3. Ejercicios
EXAMEN FINAL DE ESTAD
ISTICA I
NOMBRE
1. Cada neumatico delantero de un tipo particular de automovil se llenar a a una
presi on de 26lb/pulgs2. suponga que la presi on de aire de cada neum atico es
una variable aleatoria, X para el neum atico derecho y Y para el izquierdo, con
pdf conjunta
f(x, y) =
_
k(x
2
+ y
2
), si 20 x 30, 20 y 30,
0 en cualquier otro caso
(4.3)
a. Cu al es el valor de K?
b. Cu al es la probabilidad de que ambos neum aticos tengan menor presi on
que la requerida?
2. Dos componentes de una microcomputadora tienen la siguiente pdf conjunta
para sus duraciones X y Y:
f(x, y) =
_
xe
x(1+y)
, si x > 0, y > 0,
0 en cualquier otro caso
(4.4)
Cu al es la probabilidad que la duraci on X del primer componente sea mayor
que 3?
CAP

3. Dada la funcion de densidad conjunta:
f(x, y) =
_
2
3
(x + y)e
x
, si x > 0, 0 < y < 1,
(4.5)
a) Calcular P(X > Y/Y = 1)
4.3. EJERCICIOS
EXAMEN FINAL DE ESTAD
ISTICA I
Solo esta permitido el uso de la tabla de la distribuci on normal
Los celulares deben estar apagados y guardados ya sea en su bolso o su
bolsillo.
Tiempo maximo: 120 minutos.
NOMBRE
1. Dado el vector aleatorio discreto (X,Y), X=-1, 0, 1 y Y=1, 2, 4, con funcion
de probabilidad conjunta dada por:
f(x, y) 1 2 4
1 1/16 1/16 1/8
0 1/8 1/4 1/8
1 1/8 1/16 1/16
Calcular
a. Calcular el coeciente de correlaci on
XY
, son independientes las
variables X y Y? Justique estadsticamente su respuesta.
2. Un profesor de estadstica I, est a interesado en saber cual es la nota deni-
ta mnima que debe sacar un estudiante en su grupo de trabajo para apro-
bar la asignatura. El profesor cree que a lo m as el 97.5 % de su estudiantes
aprobar a la materia en su grupo de trabajo, y cree tambien que las notas
estar an normalmente distribudas con una media de 4.2, y una varianza
de 0.6.
a. Determine esa nota mnima aprobatoria. Justique estadsticamente
su respuesta.
b. Si la nota mnima para ser un estudiante distinguido en estadstica I,
es de 4.0. Que porcentaje de los estudiantes de este grupo, son estu-
diantes con esa categora? Justique estadsticamente su respuesta.
CAP

a) Las variables aleatorias X y Y que representan los pesos de chocolates de
crema y de chiclosos respectivamente, en cajas de un kg., que contienen
una mezcla de chocolates de crema, chiclosos y envinados, tiene como
funci on de densidad conjunta:
f(x, y) =
_
24xy, 0 x 1, 0 y 1, x + y 1,
(4.6)
Halle el coeciente de correlaci on entre X y Y.
b) De un costal de frutas que contiene 2 naranjas, 3 manzanas y tres peras,
se selecciona una muestra de cuatro frutas, si X denota el n umero de
naranjas seleccionadas y Y denota el n umero de manzanas seleccionadas
que aparecen conjuntamente en la muestra, calcular:
1) P(X + Y 2)
2) E(X/Y = 1)
4. Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de
narc otico en una botella, que contiene 9 pldoras de vitamina que son similares
en apariencia. Si el ocial de la aduana selecciona 3 tabletas aleatoriamente
para analizarlas, Cu al es la probabilidad de que el viajero sea arrestado por
posesion ilegal de narcoticos?
2) La funci on de densidad conjunta para la demanda mensual de dos productos viene
dada por :
f(x, y) =
1
100
2
3
e
{
2
3
[(
x5
10
)
2
(
x5
10
)(
y25
10
)+(
y25
10
)
2
]}
, si x, y R.
a) Cual es el coeciente de correlacion entre X y Y?
b) Cual es la covarianza entre X y Y?
c)Obtener la funcion de probabilidad condicional de f(x/ y).
d) Sup onga que la demanda de y es 30 , Cu al es la probabilidad condicional de
que X sea menor que 65?
4.3. EJERCICIOS

Ejercicios de Estadística

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ejercicios de Estadística

Diunggah oleh

Hak Cipta:

Format Tersedia

Estadstica I

Notas de clase (Borrador)

Martn Daz Rodrguez

ANCHEZ-CRESPO, G; MANZANO, V.: Sobre la denicion de Estadstica.Boletn de la

= 38 6.08 1.38 2.9

es una sucesion innita de eventos disyuntos dos a

ITULO 3. VARIABLES ALEATORIAS UNIDIMENSIONALES.

ITULO 3. VARIABLES ALEATORIAS UNIDIMENSIONALES.

ITULO 3. VARIABLES ALEATORIAS UNIDIMENSIONALES.

ITULO 3. VARIABLES ALEATORIAS UNIDIMENSIONALES.

ITULO 3. VARIABLES ALEATORIAS UNIDIMENSIONALES.

ITULO 3. VARIABLES ALEATORIAS UNIDIMENSIONALES.

ITULO 3. VARIABLES ALEATORIAS UNIDIMENSIONALES.

ITULO 3. VARIABLES ALEATORIAS UNIDIMENSIONALES.

ITULO 3. VARIABLES ALEATORIAS UNIDIMENSIONALES.

ITULO 3. VARIABLES ALEATORIAS UNIDIMENSIONALES.

ITULO 3. VARIABLES ALEATORIAS UNIDIMENSIONALES.

ITULO 4. DISTRIBUCIONES CONJUNTAS.

ITULO 4. DISTRIBUCIONES CONJUNTAS.

xf(x/y)dx; si (X, Y ) es un vector aleatorio continuo

yf(y/x)dy; si (X, Y ) es un vector aleatorio continuo

ITULO 4. DISTRIBUCIONES CONJUNTAS.

ITULO 4. DISTRIBUCIONES CONJUNTAS.

ITULO 4. DISTRIBUCIONES CONJUNTAS.

ITULO 4. DISTRIBUCIONES CONJUNTAS.

Anda mungkin juga menyukai