SALESIANA
PROBABILIDAD Y ESTADÍSTICA
i
INDICE
Contenido
ii
3.2 Espacio muestral (𝛀) ........................................................................................................ 45
3.2.1 Conjunto Partes de 𝛀 (subconjuntos) ........................................................................ 45
3.3 Eventos .............................................................................................................................. 46
3.4 Probabilidad de eventos.................................................................................................... 46
3.3.4 Propiedades de los eventos simples ......................................................................... 48
3.5 Axiomas de la probabilidad ............................................................................................... 49
3.6 Propiedades de la probabilidad ........................................................................................ 49
3.6.1 Probabilidad de un evento nulo ................................................................................. 49
3.6.2 Probabilidad del evento complemento...................................................................... 49
3.6.3 Probabilidad de eventos incluidos ............................................................................. 50
3.6.4 La probabilidad de un evento está entre 0 y 1........................................................... 50
3.6.5 Probabilidad de la diferencia de eventos ................................................................... 50
3.6.6 Regla aditiva de probabilidad de Eventos .................................................................. 50
3.7 Independencia de eventos ................................................................................................ 51
3.8 Condicionalidad de eventos .............................................................................................. 51
3.9 Probabilidad total .............................................................................................................. 55
3.9.1 Teorema de Bayes ...................................................................................................... 56
CAPÍTULO 4: VARIABLES ALEATORIA........................................................................................... 58
4.1 Definición de Variable aleatoria ....................................................................................... 58
4.1.1 Función de distribución v.a.d (variable aleatoria discreta) ........................................ 60
4.2 ESPERANZAS, VARIANZAS Y CORRELACIONES DE UNA Y DOS VARIABLES ALEATORIAS .. 61
4.2.1 CORRELACIÓN ............................................................................................................ 61
4.2.2 ESPERANZA MATEMÁTICA ......................................................................................... 63
4.2.3 ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA CONTINUA ..................... 64
4.2.4. PROPIEDADES DE LA ESPERANZA MATEMÁTICA ...................................................... 65
4.2.5 LA VARIANZA .............................................................................................................. 66
4.3 FUNCIÓN GENERADORA DE MOMENTOS ......................................................................... 70
4.3.1. DISTRIBUCIÓN DE POISSON....................................................................................... 72
4.3.2 DISTRIBUCIÓN UNIFORME DISCRETA......................................................................... 74
4.3.3. DISTRIBUCIÓN HIPERGEOMÉTRICA ........................................................................... 76
4.3.4. DISTRIBUCIÓN GEOMÉTRICA .................................................................................... 77
4.3.5. DISTRIBUCIÓN BINOMIAL NEGATIVA ........................................................................ 79
4.3.6. DISTRIBUCIÓN DE BERNOULLI ................................................................................... 82
4.3.7. DISTRIBUCIÓN BINOMIAL.......................................................................................... 84
CAPÍTULO 5: DISTRIBUCIONES DE VARIABLES ALEATORIAS ....................................................... 89
5.1 Distribución variable aleatoria discretas ......................................................................... 89
iii
5.1.1 Distribución Binomial y Bernoulli ............................................................................... 89
5.1.3 Distribución hipergeométrica .................................................................................... 92
5.1.4 Distribución geométrica ............................................................................................. 94
5.1.5 Distribución de poisson .............................................................................................. 96
5.1.6 Distribución binomial negativa .................................................................................. 99
5.2 Distribución Variable Aleatoria Continuas ...................................................................... 103
5.2.1 Distribución Uniforme .............................................................................................. 103
5.2.2 Distribución exponencial .......................................................................................... 104
5.2.3 Distribución normal .................................................................................................. 108
5.2.4. Teorema del Límite Central ..................................................................................... 111
5.2.5 Distribución gamma ................................................................................................. 114
5.3 EJERCICIOS PROPUESTOS DISTRIBUCION WEIBULL ........................................................ 115
6. EJERCICIOS RESUELTOS ......................................................................................................... 116
6.1 INDUCCIÓN MATEMATICA .............................................................................................. 116
6.2 ANÁLISIS EXPLORATORIO DE DATOS ............................................................................... 119
6.3 TABLA DE DISTRIBUCIONES ............................................................................................. 128
6.4 CURTOSIS Y ASIMETRIA ................................................................................................... 131
6.4 DISTRIBUCIÓN BINOMIAL NEGATIVA .............................................................................. 134
6.5 VARIABLES ALEATORIAS CONTINUAS (ESPERANZA Y VARIANZA) ................................... 137
6.6 DISTRIBUCION DE WEIBULL............................................................................................. 140
6.7 PROBABILIDAD CONDICIONAL ........................................................................................ 142
6.8 BAYES............................................................................................................................... 147
7. ANEXOS ................................................................................................................................. 152
ANEXO 1 ................................................................................................................................ 152
R CÓDIGO ABIERTO ........................................................................................................... 152
Anexo 2.................................................................................................................................. 157
INTERFASE GRAFICA EN R.................................................................................................. 157
Anexo 3.................................................................................................................................. 164
EJEMPLOS .......................................................................................................................... 165
iv
INDICE DE TIPS DE R
v
ÍNDICE DE GRAFICOS
Grafico 1 Asimetría………………………………………………………………………..33
Grafico 2 Curtosis………………………………………………………………………….35
Grafico 3 Demostración Probabilidad total……………………………………………56
Grafico 4 Función Distribución…………………………………………………………..61
Grafico 5 Correlación lineal negativa……………………………………………..…….62
Grafico 6 Correlación lineal positiva………………………………………………….…62
Grafico 7 Variables no correlacionadas……………………………………………..…62
Grafico 8 Variables no lineal……………………………………………………………..62
Grafico 9 Distribución Normal……...................……………………………………….110
vi
CAPÍTULO 1: CONJUNTOS E INDUCCIÓN MATEMÁTICA
1.1 Conjuntos
Ejemplo 1:
1 1 1 1 1
b) 𝐵 = { 𝑥Є𝑁, 𝑥 < 5} ; 𝐵 = { , , , }
𝑥 1 2 3 4
Ejemplo 2:
Desarrollo
𝑥3 − 𝑥 = 0
𝑥 (𝑥 2 − 1) = 0
𝑥 (𝑥 + 1)(𝑥 − 1) = 0
𝑥=0 ∨ 𝑥+1=0 ∨ 𝑥−1= 0
𝑥=0 𝑥 = −1 𝑥=1
A= {0,-1,1}
1
Ejemplo 3:
a) A∪B
Desarrollo
A U B = [3,7]
b) AÚB
Desarrollo
A Ú B = [3,4] ∪ [5,7]
Nota: En el ejercicio se debe indicar que es una unión con tilde, que indica lo uno o
lo otro pero no los dos a la vez.
Unión de conjuntos
A ∪ B = {x/x ∈ A σ x ∈ B}
2
Intersección de conjuntos
A ∩ B = {x/x ∈ A y x ∈ B}
A/B = {x/x ∈ A y x no es ∉ B}
Nota: Está formado por todas las x tal que x sea elemento de A y x no sea elemento de
B.
3
TIPS DE “R” CONJUNTOS
Grafica de para Unión, Intercesión, Diferencia.
venn( list (conjunto 1,conjunto2))
Ejemplo 4:
Dado los conjuntos 𝑨 = {𝟏, 𝟑, 𝟓} ; 𝑩 = {𝟐, 𝟗} encontrar:
a) 𝑨/𝑩
Desarrollo
𝐴/𝐵 = {1, 3, 5}
b) 𝑩/𝑨
Desarrollo
𝐵/𝐴 = {2, 9}
Complemento de un conjunto
El complemento de A, está formado por todos aquellos elementos que no
pertenecen a A, es decir: 𝐴𝐶 = 𝑈/𝐴
𝐶 = [𝐴 ∆ 𝐵 = (𝐴/𝐵) ∪ (𝐵/𝐴)]
Dado los conjuntos A y B, el conjunto C diferencia simétrica está constituido por
todos los elementos del conjunto A que no pertenecen al conjunto B, unidos a
4
todos los elementos del conjunto B que no pertenecen al conjunto A, se llaman
diferencia simétrica de los conjuntos A y B.
Ejemplo 5:
Dados los conjuntos 𝑴 = {𝟏, 𝟑, 𝟔, 𝟖, 𝟗} ; 𝑵 = {𝟐, 𝟒, 𝟔, 𝟖} encontrar:
a) 𝑴 ∆ 𝑵
Desarrollo
𝑀/𝑁 ={1, 3, 9} 𝑁/𝑀 = {2, 4}
𝑀 ∆ 𝑁 = {1, 2, 3, 4, 9}
Nota: Para encontrar 𝑀/𝑁 , coloco todos los valores de 𝑀 , y voy retirando los
elementos de 𝑁 , de la misma forma para 𝑁/𝑀 coloco todos los valores de 𝑁 , y voy
retirando los elementos de 𝑀, por ultimo para encontrar nuestro 𝑀 ∆ 𝑁 aplicamos
nuestra definición de diferencia simétrica de dos conjuntos (𝐴 ∆ 𝐵 = (𝐴/𝐵) ∪ (𝐵/𝐴)] ).
Idempotencia
𝐴 ∪𝐴 = 𝐴
𝐴 ∩𝐴 = 𝐴
Conmutativa
𝐴 ∪𝐵 = 𝐵 ∪𝐴
𝐴 ∩𝐵 = 𝐵 ∩𝐴
Asociativa
(𝐴 ∪ 𝐵) ∪ 𝐶 = 𝐴 ∪ (𝐵 ∪ 𝐶)
(𝐴 ∩ 𝐵) ∩ 𝐶 = 𝐴 ∩ (𝐵 ∩ 𝐶)
Distributiva
𝐴 ∪ (𝐵 ∩ 𝐶) = (𝐴 ∪ 𝐵) ∩ (𝐴 ∪ 𝐶)
𝐴 ∩ (𝐵 ∪ 𝐶) = (𝐴 ∩ 𝐵) ∪ (𝐴 ∩ 𝐶)
Identidad
𝐴 ∪ ∅=𝐴 𝐴 ∪ 𝑈= 𝑈
𝐴 ∩ ∅=∅ 𝐴 ∩ 𝑈=𝐴
5
Complemento
𝐴 ∪ 𝐴𝐶 = 𝑈 (𝐴𝐶 )𝐶 = A ∅𝐶 = 𝑈
𝐴 ∩ 𝐴𝐶 = ∅ 𝑈𝐶 = ∅
De Morgan
(𝐴 ∪ 𝐵)𝐶 = 𝐴𝐶 ∩ 𝐵𝐶
(𝐴 ∩ 𝐵)𝐶 = 𝐴𝐶 ∪ 𝐵𝐶
Diferencia
𝐴⁄ = A ∩ 𝐵𝐶
𝐵
Ejemplo 6:
a) Demostrar que (AUB)/C=(AUBUC)/C
(AUBUC)/C
(AUBUC) ∩ C’ Definición de diferencia
((AUB) UC) ∩ C’ Asociativa
((AUB) ∩C’) U (C ∩ C’) Distributiva
((AUB) ∩C’) U ɸ Complemento
(AUB) ∩C ‘ Identidad
(AUB)/C Diferencia
6
b) Demuestre que [(AUC)/B]U[(BUC)/A]=(AUBUC)/(A∩ B)
Desarrollo
(AUBUC)/(A ∩ B)
(AUBUC) ∩ (A∩B)’ Diferencia
(AUBUC) ∩ (A’UB’) Ley de Morgan
[(AUBUC) ∩A’]U [(AUBUC) ∩ B’] Distributiva
[(A U (BUC)) ∩ A’]U [ (B U (AUC)) ∩ B’] Conmutativa Asociativa
[(A ∩ A’) U ((BUC) ∩ A’)] U [(B ∩ B’) U ((AUC) ∩ B’)] Distributiva
[ɸ U ((BUC) ∩ A’)] U [ɸ U ((AUC) ∩B’)] Complemento
[(BUC) ∩A’]U [(AUC) ∩B’] Identidad
[(BUC)/A] U [(AUC)/B] Diferencia
[(AUC)/B] U [(BUC)/A] Conmutativa
EJERCICIOS PROPUESTOS
R: a) U= {1,3; 5; 7…}
b) P = {2; 4; 6; 8}
c) O= {6, 5,4; 3; 2; 1; 0}
d) W = {0,1; 2; 3; 4,5; 6; 7; 8; 9}
7
3) Sean los conjuntos A y B hallar la gráfica y simbólicamente A U B y A ∩ B
A= {x/x las vocales}
B= {x/x letras de las palabras nadar}
R: A Δ B = {1, 6,7}
5) Demostrar:
a) A ∩ (B \ A) = ∅
b) A ∪ (B \ A) = A ∪ B
R:
a) A ∩ (B \ A) = A ∩ (B ∩ 𝑨𝒄 ) {Diferencia de conjuntos}
= A ∩ (𝑨𝒄 ∩ B) {Conmutatividad de la unión}
= (A ∩ 𝑨𝒄 ) ∩ B {Asociatividad de la intersección}
=∅∩B {Leyes del complementario}
=∅ {Leyes de identidad}
b) A ∪ (B \ A) = A ∪ (B ∩ Ac ) {Diferencia de conjuntos}
= (A ∪ B) ∩ (A ∪ Ac) {Distributividad}
= (A ∪ B) ∩ U {Leyes del complementario}
=A∪B {Leyes de identidad}
8
1.2 Inducción matemática
Dado una expresión matemática, que sea dependiente de un numero natural n, su valor
de verdad puede ser demostrada mediante el principio de inducción matemática es
decir la inducción matemática nos permite verificar si la expresión es verdadera siempre
y cuando dicha expresión sea función de un número natural, los pasos para la
demostración son:
Ejemplo 7:
Demostrar que para todo número natural se verifica la siguiente igualdad:
𝒏(𝒏 + 𝟏)
𝟏 + 𝟐 + 𝟑 + 𝟒…+ 𝒏 = = 𝑺𝒏
𝟐
Desarrollo
3(3 + 1) 12
1+2+3= = =6
2 2
6=6
2. Suponer que para n=k es verdadera ( Hipótesis Inductiva)
𝑘(𝑘 + 1)
1 + 2 + 3 + 4…+ 𝑘 = ℎ𝑖𝑝𝑜𝑡𝑒𝑠𝑖𝑠 𝐼𝑛𝑑𝑢𝑐𝑡𝑖𝑣𝑎
2
9
3. Se debe demostrar para n=k+1, la expresión sea verdadera (Tesis Inductiva)
(𝑘 + 1)(𝑘 + 2)
1 + 2 + 3 + 4 … + 𝑘 + (𝑘 + 1) = 𝑇𝐼
2
Se debe empezar la demostración con la hipótesis inductiva
𝑘(𝑘 + 1)
1 + 2 + 3 + 4…+ 𝑘 = 𝐻. 𝐼
2
𝑘(𝑘+1)
1 + 2 + 3 + 4 … + 𝑘 + (𝑘 + 1) = 2
+ (𝑘 + 1)
Nota: Por lo tanto se demuestra que la expresión anterior es válida para n=k+1,
concluyendo que la misma es verdadera para todos los numero naturales.
Ejercicio 8:
1 ≤ 21−1
1 ≤ 20
1≤1
2. Suponemos que para n=k es verdadero
𝑘 ≤ 2𝑘−1
𝑘 + 1 ≤ 2(𝑘+1)−1
k + 1 ≤ 2k T. I
i. Comenzamos la demostración utilizando la hipótesis inductiva, detallada a
continuación:
𝑘 ≤ 2𝑘−1 (1) 𝐻. 𝐼
10
𝑘 + 1 ≤ 2𝑘 (2)
𝑘 + 1 ≤ 2(2𝑘−1 )
𝑘 + 1 ≤ 2𝑘 𝐿𝑄𝑄𝐷.
Nota: Por lo tanto se demuestra que para n=k+1 es verdadera concluyendo, que la
expresión anterior es válida para todos los números naturales.
EJERCICIOS PROPUESTOS
𝒏(𝒏+𝟏)(𝒏+𝟐)
1) Pruebe que la fórmula 1 · 2 + 2 · 3 + 3 · 4 +... + n · (n + 1) = 𝟑
es
válida para todo natural n.
R: n5 - n es divisible por 5
𝒏(𝒏+𝟏)(𝒏+𝟐)
a) 𝟏𝟐 + 𝟐𝟐 +𝟑𝟐 +…+𝒏𝟐 = 𝟔
11
CAPITULO 2: ESTADISTICA DESCRIPTIVA
2.1 Estadística descriptiva
Simbología
Tamaño población N
Tamaño muestra n
Variables X
12
CUALITATIVAS.- Describen CUANTITATIVAS (NUMERICAS).- Describen
características que no son medibles características que son medibles.
(cualidades).
Se clasifica según una escala de Se clasifican según una escala de medición
medición.
Nominales.- Los Ordinales.-Los Intervalo.- Tienen la Razón.- Tiene l
datos pueden ser datos pueden ser particularidad de tener particularidad de tener
contados pero no contados y “cero relativo” ya que al “cero absoluto” ya que en
pueden ser ordenados pero no tener como medida Cero este tipo de medición al
ordenados o pueden ser no significa que no tener cero significa que
medidos. medidos. Los exista. no existe valor.
datos deben tener
un orden natural.
Ningún atributo Atributo: orden Atributo: Orden y Atributo: Orden, distancia
distancia y origen.
Ejemplo Ejemplo Ejemplo Ejemplos
Género: Estudios: temperatura:-10°, Peso: 0kg, 150 kg,
Masculino, Primaria, 0°,10°,20° 200 kg.
femenino. secundaria,
universidad.
Número de hijos:
0, 1, 2
Dicotómicas: Cuando tenemos dos Continuas (medibles): Se refiere a cualquier variable
categorías. que tenga variación (se encuentra en un intervalo)
Politómicas: Más de dos categorías. Discretas(contamos): Se realiza por conteo
Ejemplos de variables
X1=Ingreso Familiar del curso de estadística
X2= Peso de los estudiantes
X3=Estatura de los estudiantes
13
Frecuencia Acumulada (𝑭𝒊 ): Es igual al número de datos hasta un dato en particular;
también es igual al número de datos hasta la clase i.
Frecuencia Relativa Acumulada (𝑭𝒓𝒊 ): Es el tanto por uno, hasta la clase i, y es igual
𝐹𝑖
a frecuencia acumulada de la clase i dividido para el número de datos 𝐹𝑟𝑖 = 𝑛
.
Tabla de frecuencia
Es una representación agrupada de los datos para facilitar su interpretación, la tabla de
frecuencias puede ser desarrollada mediante datos individuales o datos agrupados
(clases).
Ejemplo 9:
Dados los siguientes datos, correspondientes a los tiempos de servicio en
minutos por día, calcular e interpretar la tabla de frecuencia con datos
individuales.
Desarrollo
14
4,7 1 4,7 0,030 102,40 30 0,656
0,03 0,75
4,8 1 4,8 0,031 107,20 31 0,687
0,03 0,78
4,9 2 9,8 0,063 117,00 33 0,750
0,05 0,83
5,1 3 15,3 0,098 132,30 36 0,848
0,08 0,90
5,6 1 5,6 0,036 137,90 37 0,884
0,03 0,93
5,7 1 5,7 0,037 143,60 38 0,921
0,03 0,95
6,1 1 6,1 0,039 149,70 39 0,960
0,03 0,98
6,3 1 6,3 0,040 156,00 40 1,000
0,03 1,00
40 156
Análisis de la tabla
Tres personas cada una de ellas fueron atendidas en 5.1 minutos, el total de tiempo
de servicio de las tres persona es de 15.3 minutos, estos 15.3 minutos me representan
el 9.8% del tiempo total ocupado del día de servicio, las tres personas representan el
8% del total de personas atendidas durante el día de servicio.
Hasta los 132.3 minutos del tiempo de atención fueron atendidas 36 personas, este
tiempo representa el 84.8% del trabajo neto de atención, las 36 personas representan
el 90% de las personas atendidas durante el día de trabajo.
Ejemplo 10:
Obtenga la Tabla de Frecuencia, mediante datos agrupados para los siguientes 40
datos de una muestra, correspondiente al tiempo (minutos) que se utilizó para
atender a las personas en una estación de servicio durante un día.
Desarrollo
Datos:
15
Número de clase = √𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠
Tabla de frecuencia
Interpretación
Indica que 10 personas fueron atendidas en un intervalo de 3.25 a 4 minutos, las 10
personas representan el 10% de las personas atendidas, hasta los 4 minutos fueron
atendidas 22 personas, las cuales representan el 55% del total de personas atendidas.
16
EJERCICIOS PROPUESTOS
Tabla de distribuciones
1) La tabla muestra la distribución del ingreso familiar mensual de 80
familias. Determine el número de familias que tiene un ingreso menor a
800 dólares mensuales.
Clase f F Fr
640-680
680-720 48 60
720-760 0,125
760-800 0,075
800-840
Respuesta: 76
Fuente: GALINDO Edwin, Estadística - Métodos y Aplicaciones, ProCiencia Editores
2011, Ejercicios: Análisis Exploratorio de datos pag18.
1 [1,2) 1
2 6
3 0.25
4 0.7
5 8 0.9
6 0.05
17
Número Clase Marca F F f/n F/n
0-3 32
3-6 0.30
6-9
9-12 8 0.05
12-15 0.10
Respuesta n = 160
Fuente: GALINDO Edwin, Estadística - Métodos y Aplicaciones, ProCiencia Editores
2011, Ejercicios: Análisis Exploratorio de datos pag18.
18
4) Halle el tamaño de la muestra y reconstruya la siguiente tabla asimétrica
de distribución de frecuencia.
10 – 12 7
12 - 0.24
- 0.52
- 5
18-20
Respuesta: n=50
Fuente: GALINDO Edwin, Estadística - Métodos y Aplicaciones, ProCiencia Editores
2011, Ejercicios: Análisis Exploratorio de datos pag18.
640 – 680
680 – 720 48 60
800 – 840
Respuesta: 76
Fuente: GALINDO Edwin, Estadística - Métodos y Aplicaciones, ProCiencia Editores
2011, Ejercicios: Análisis Exploratorio de datos
19
2.2 Medidas de tendencia central
𝑛
𝑥1 + 𝑥2 + 𝑥3 … … . . +𝑥𝑛 1
𝑥̅ = = ∑ 𝑥𝑖
𝑛 𝑛
𝑖=1
Ejemplo 11:
Dados los siguientes datos: 2, 6, 11, 8, 11, 4, 7, 5, 90, encuentre la media muestral.
Desarrollo
2 + 6 + 11 + 8 + 11 + 4 + 5 + 5 + 90
𝑥̅ = = 16
9
El valor representativo de ese conjunto de datos es 16.
En el conjunto de datos se observa valores atípicos por lo que se va a calcular una
media al 30%.
2, 6, 11, 8, 11, 4, 7, 5, 90
20
Lo que indica que tres valores no se tomaran en cuenta en el cálculo.
6 + 11 + 8 + 11 + 5 + 7
𝑥̅30% = =8
6
Lo que indica que el valor representativo, sin los valores atípicos es 8.
Utilizamos la función mean (datos) para calcular el promedio de los datos ingresados.
Tips 5 R Promedio
21
Ejemplo 12:
Se tiene el siguiente conjunto de edades de una escuela: 7, 7,5, 4, 6
Desarrollo
7, 7,5, 4, 6
Moda = 7
Con los datos anteriores se puede verificar que la moda de ese conjunto es la
edad 7, ya que es la que tiene mayor frecuencia. A la vez si se tuviese el
siguiente conjunto de edades, 7, 7, 6, 6, 4, 5, 8, tendríamos como moda las
edades 7 y 6 ya que son las que tienen mayor frecuencia e iguales.
Tips 6 R Frecuencia.
Es el valor a partir del cual el 50% de datos están sobre él y el otro 50% de datos están
bajo él, no es sensible a datos atípicos (Md).
La mediana se puede calcular a partir de datos que deben estar ordenados de menor a
mayor, cuyo cálculo se puede realizar mediante la siguiente expresión.
𝑋𝑛 + 1
𝑆𝑖 𝑛 𝑒𝑠 𝑖𝑚𝑝𝑎𝑟
𝑀𝑑 = {1 2 }
(𝑥𝑛 + 𝑥(𝑛+1) ) 𝑆𝑖 𝑛 𝑒𝑠 𝑝𝑎𝑟
2 2 2
22
Ventajas de la mediana muestral:
No es sensible a los valores extremos
Es fácil de interpretar
Es recomendable para distribuciones muy asimétricas
𝑀𝑑 = 𝑥𝑛+1
2
𝑀𝑑 = 𝑥9+1 = 𝑥5
2
Ejemplo 14:
Suponiendo que se tiene 20 datos, obtener la posición indicada, una vez
ordenados de menor a mayor como se indica a continuación:
Desarrollo
𝑥25% = 𝑥0,25∗20 = 𝑥5 = 5
𝑥33% = 𝑥0,33∗20 = 𝑥7 = 6
23
𝑥75% = 𝑥0,75∗20 = 𝑥15 = 23
Nota: A partir del dato 23 todos los datos que están sobre él representan el 75%, y los
datos que están bajo el representan el 25%.
Tips 7 R Mediana.
24
TIPS DE “R” MEDIDAS DE TENDENCIA
CENTRAL
Rango.
Variable <- range (datos)
El comando range los da como información el valor mínimo y el valor máximo de los
datos.
Tips 8 R Rango.
Ejemplo 15:
Dados los siguientes datos: 11, 2, 6, 8, 11, 4, 7, 5, encuentre la desviación estándar.
Desarrollo
11 + 2 + 6 + 8 + 11 + 4 + 7 + 5
𝑥̅ = = 6,75
8
25
∑𝑛𝑖=1(𝑥1 − 𝑥̅ )2
𝑠2 =
𝑛−1
(11 − 6,75)2 + (2 − 6,75)2 + (6 − 6,75)2 + (11 − 6,75)2 + (8 − 6,75)2 + (4 − 6,75)2 + (7 − 6,75)2 + (5 − 6,75)2
𝑠2 =
7
Tips 9 R Varianza.
√𝑠 2 = 𝑉𝑎𝑟(𝑥)
𝑠 = √𝑉𝑎𝑟(𝑥)
Ejemplo 16:
Encontrar otra expresión para el cálculo de la varianza.
Desarrollo
26
∑(𝑥𝑖 − 𝑥̅ )2
𝑠2 =
𝑛−1
∑(𝑥𝑖2 − 2𝑥𝑖 𝑥̅ + 𝑥̅ 2 )
𝑠2 =
𝑛−1
∑ 𝑥𝑖2 − ∑ 2𝑥𝑖 𝑥̅ + ∑ 𝑥̅ 2 )
𝑠2 =
𝑛−1
∑ 𝑥𝑖2 − 𝑛𝑥̅ 2
𝑠2 =
𝑛−1
∑ 𝑋𝑖
Nota: 𝑥̅ = 𝑛
∑ 𝑥𝑖 = n𝑥̅
Ejercicio 17:
Encontrar la varianza y la desviación de las siguientes edades:
x = “edad”
𝑥1 = 22
𝑥1 = 21
𝑥1 = 23
𝑥1 = 22
𝑥1 = 22
𝑥1 = 19
𝑥̅ = 21,5
2
∑(𝑥1 − 𝑥̅ )2
𝑠 =
𝑛−1
𝑠2
(22 − 21,25)2 + (21 − 21,25)2 + (23 − 21,25)2 + (22 − 21,25)2 + (22 − 21,25)2 + (19 − 21,25)2
=
5
𝑠 2 = 1,9
𝑠 = √1,9 = 1,38
27
∑ 𝑥𝑖2 − 𝑛𝑥̅ 2
𝑠2 =
𝑛−1
[(22)2 + (21)2 + (23)2 + (22)2 + (22)2 + (19)2 ] − 6(21,5)2
𝑠2 =
5
𝑠 2 = 1,9
𝑠 = √1,9 = 1,38
Indica la posición del valor del dato analizado, dentro del grupo.
2.4.1 Cuartiles
Q1: Es el valor a partir del cual el 25% de datos están sobre él, y el 75% de datos bajo
ese valor.
Q2: es el valor a partir del cual el 50% de datos están sobre él, y el 50% de datos bajo
ese valor.
Q3: es el valor a partir del cual el 75% de datos están sobre él, y el 25% de datos bajo
ese valor.
Ventajas de los cuartiles
Pueden encontrar diferentes fórmulas en libros, calculadoras o computadores,
pero todas estas fórmulas se basan en el mismo concepto.
28
Ayudan a describir la posición que tiene cada valor especifico en relación al
conjunto de datos
2.4.2 Deciles
D1: es el valor a partir del cual el 10% de datos están sobre él, y el 90% de datos bajo
ese valor, existen diez deciles: D1, D2,…, D10.
2.4.3 Percentil
Existen 100 percentiles
29
P1: es el valor a partir del cual el 1% de datos están sobre él, y el 99% de datos bajo
ese valor, así cada uno de los 99 percentiles restantes.
Variable<-quantile(datos)
El comando quantile nos da el valor cuantil que se especifique, así 0.25 será el cuartil 1,
0.1 será el decil 1.
EJERCICIOS PROPUESTOS
30
Respuesta: 2.94%
xi 1 3 6 9 10
ni 8 20 25 10 2
Halle:
a) Q2
b) Media
c) S
d) RIQ
ni 2 4 4 6 3 5 1
Encuentre:
a) Cuartiles
b) Media armónica
c) Media geométrica
Respuesta: a) Q1 = 2.9; Q2 = 5.4; Q3 = 8.05; H=3.715; Mg = 4.5837.
2–4 21 12 – 14 14
4–6 16 14 – 16 20
6–8 15 16 – 18 22
8 – 10 26 18 – 20 18
31
10 – 12 23 20 – 22 25
Encuentre:
a) Media
b) Mediana
c) cuartiles inferior y Superior
Respuesta: x=12,29; Q1 = 7.73; Q2 = 11.91; Q3 = 17.36
32
No. Días 2 4 3 13 3 4 2
Respuesta: 19
2.5.1 Asimetría
La asimetría de una distribución hace referencia al grado en que los datos se distribuyen
en forma uniforme a partir de una medida de tendencia central (a la derecha o a la
izquierda de la medida de tendencia central), se define como:
Donde (g1) representa el coeficiente de asimetría de Fisher, (Xi) cada uno de los
valores, ( ) la media de la muestra y (ni) la frecuencia de cada valor. Los resultados
de esta ecuación se interpretan:
33
Grafico 1 Asimetría.
Ejemplo 18
Dado los siguientes datos calcular el coeficiente de asimetría
(xi- (xi-
Xi fi fi*xi xbarra)^3*fi xbarra)^2*fi
1 2 2 -16 8
2 4 8 -4 4
3 6 18 0 0
4 4 16 4 4
5 2 10 16 8
Suma 18 54 0 24
Promedio 3
Asimetría 0
Conclusión: El coeficiente de asimetría para los datos anteriores es igual a cero, lo que
indica que hay la misma cantidad de datos a su izquierda como a la derecha de la media.
2.5.2 Curtosis
34
El coeficiente de apuntamiento o curtosis de una variable sirve para medir el grado
concentración de los valores que toma en torno a su media.
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )4 /𝑛
𝐴𝑝 = −3
𝑠4
Grafico 2 Curtosis.
EJERCICIOS PROPUESTOS
Fuente: Libro Galindo página 43, Literales: (2,3) y libro Estadística Descriptiva de
S. Fernández página 259)
a) 𝑥̅ ;
b) La mediana;
c) s;
d) El rango;
e) La asimetría;
35
f) La curtosis ;
̅=4.875; b) Me=5; c) s=1.553; d) R=5; e) As=-0.644; f) Ap=0.592
Respuestas: a) 𝒙
𝑥̅ ;
La mediana;
s;
El rango;
La asimetría;
La curtosis ;
̅=6; (b) 5; (c) s=2; (d) R=5; e) As=0.362; (f) Ap=-1.826
Respuestas: a) 𝒙
Grupo 1: 1 2 4 1
Grupo 2: 2 7 7 8
̅1=2; 𝒙
Respuesta: 𝒙 ̅2=6; S1=1,5; S2=5,5
36
2.6 Análisis de datos agrupados
n número de datos
k número de clase
𝑚𝑖 Marca de la clase i (es el punto medio de la clase)
𝑓𝑖 Frecuencia de la clase i
Ejemplo 19:
𝒎𝒊 15 25 35 45 55 65
𝒇𝒊 2 10 12 14 9 3
Encuentre:
a) Media
Desarrollo
1
𝑥̅ = (𝑚1𝑓1 + 𝑚2𝑓2 + 𝑚3𝑓3 + 𝑚4𝑓4 + 𝑚5𝑓5 + 𝑚6𝑓6)
50
1
𝑥̅ = (15 ∗ 2 + 25 ∗ 10 + 35 ∗ 12 + 45 ∗ 14 + 55 ∗ 9 + 65 ∗ 3)
50
𝑥̅ = 40,4
37
Interpretación: Indica que diariamente se ha vendido 40 artículos, en promedio.
b) Varianza
Desarrollo
1
𝑠2 = [2(15 − 40,4)2 + 10(25 − 40,4)2 + 12(35 − 40,4)2 + 14(45 − 40,4)2
49
+ 9(55 − 40,4)2 + 3(65 − 40,4)2 ]
𝑠 2 = 164,12
𝑠 = 12,81
Interpretación: Indica que la diferencia de ventas entre días fue aproximadamente de
13 artículos.
Ejemplo 20:
Se dispone de los siguientes datos incompletos en una tabla de frecuencia. Se
conoce además que la media calculada con los datos agrupados es 19.7
Desarrollo
𝑓3
𝑓𝑟3 =
𝑛 𝐹3 = 𝐹𝑟3 (40)
14
0,35 = 𝐹3 = 0,6(40)
𝑛
14 𝑭𝟑 = 𝟐𝟒
𝑛= = 40
0.35
38
𝐹6 𝑓𝑟2 = 𝐹𝑟2 − 𝐹𝑟1
𝐹𝑟6 =
𝑛 𝑓𝑟2 = 0,25 − 0,05 = 𝟎, 𝟐
40(0,975) = 𝐹6
𝑭𝟔 = 𝟑𝟗 𝐹2
𝐹𝑟2 =
𝑛
𝑓6 3 0,25(40) = 𝐹2
𝑓𝑟6 = = = 𝟎, 𝟎𝟕𝟓
𝑛 40 𝑭𝟐 = 𝟏𝟎
Ecuaciones:
1
𝑥 + 𝑦 = 12 𝟏. 𝑥̅ = 𝑛 ∑𝑘𝑖=1 𝑚𝑖, 𝑓𝑖
1
19,7 = (7,5 ∗ 2 + 12,5 ∗ 8 + 17,5 ∗ 14 + 22,5𝑥 + 27,5𝑦 + 32,5 ∗ 3 + 37,5 ∗ 1)
40
788 = 495 + 22,5𝑥 + 27,5𝑦
293 = 22,5𝑥 + 27,5𝑦 𝟐.
Ecuación 1 en 2
293 = 22,5(12 − 𝑦) + 27,5𝑦
293 = 270 − 22,5𝑦 + 27,5𝑦
23 = 5𝑦
𝒚 = 𝟒, 𝟔 ≈ 𝟓
𝑥 + 5 = 12
𝒙=𝟕
2
2.7 Diagrama de caja
Son una presentación visual que describe varias características importantes, al mismo
tiempo, tales como la dispersión y simetría.
Para su realización se representan los tres cuartiles y los
valores mínimo y máximo de los datos, sobre un rectángulo, alineado horizontal o
verticalmente.
CONSTRUCCIÓN:
Una gráfica de este tipo consiste en una caja rectangular, donde los lados más largos
muestran el recorrido intercuartílico (𝑄3 − 𝑄1 ). Este rectángulo está dividido por un
segmento vertical que indica donde se posiciona la mediana y por lo tanto su relación
con los cuartiles primero y tercero (recordemos que el segundo cuartil coincide con la
mediana).
Esta caja se ubica a escala sobre un segmento que tiene como extremos los valores
mínimo y máximo de la variable. Las líneas que sobresalen de la caja se llaman bigotes.
Estos bigotes tienen un límite de prolongación, de modo que cualquier dato o caso que
no se encuentre dentro de este rango es marcado e identificado individualmente.
Ejemplo 21
Dadas las siguientes edades de 20 personas, realizar el diagrama de caja y
explicar.
36,25,37,24,39,20,36,45,31,31,39,24,29,23,41,40,33,24,34,40
Cálculos de cuartiles
Q1, el cuartil Primero es el valor mayor que el 25% de los valores de la distribución.
Como N = 20 resulta que N/4 = 5; el primer cuartil es la media aritmética de dicho valor
y el siguiente:
Q1=(24 + 25) / 2 = 24,5
Q2, el Segundo Cuartil es, evidentemente, la mediana de la distribución, es el valor de
la variable que ocupa el lugar central en un conjunto de datos ordenados. Como N/2
=10; la mediana es la media aritmética de dicho valor y el siguiente:
39
Md= Q2 = (33 + 34)/ 2 =33,5
Q3, el Tercer Cuartil, es el valor que sobrepasa al 75% de los valores de la distribución.
En nuestro caso, como 3N / 4 = 15, resulta
Q3= (39 + 39) / 2 = 39
DIBUJAR LA CAJA Y LOS BIGOTES
Ejemplo 22:
Alexander´s Pizza ofrece entregas gratuitas de pizza a 15 millas a la redonda. Alex
el propietario, desea información relacionada con el tiempo de entrega. ¿Cuánto
tarda una entrega típica? ¿En qué margen de tiempos deben completarse la
mayoría de las entregas? En el caso de una muestra de 20 entregas, Alex recopiló
la siguiente información:
Desarrollo:
40
1. El primer paso para elaborar un diagrama de caja consiste en crear una escala
adecuada a lo largo del eje horizontal.
2. Enseguida, dibujamos la caja que inicie en Q1 (15 minutos) y termine en Q 3 (22
minutos).
3. Dentro de la caja trazamos una línea vertical para representar la mediana (18
minutos).
4. Por último, prolongamos líneas horizontales a partir de la caja dirigidas al valor
mínimo (13 minutos) y al valor máximo (30 minutos). Estas líneas horizontales que
salen de la caja, a veces reciben el nombre de bigotes, en virtud de que se asemejan a
los bigotes de un gato.
Mediana
Valor Valor
𝑄1 𝑄3
mínimo máximo
12 14 16 18 20 22 24 26 28 30 32
Análisis
El diagrama de caja muestra que el valor medio de las entregas, 50% consume entre 15
y 22 minutos. La distancia entre los extremos de la caja, 7 minutos, es el rango
intercuartil. Este rango es la distancia entre el primer y tercer cuartil, muestra la
propagación o dispersión de la mayoría de las entregas.
41
CAPÍTULO 3: PROBABILIDAD
3.1 Fundamentos de la teoría de probabilidad
Ejemplo 23:
Desarrollo
Al lanzar el dado se puede tener m=6 resultados diferentes; mientras que al lanzar la
moneda se obtiene n=2 resultados diferentes. Por lo tanto, el número total de resultados
del experimento es mxn=6x2=12.
3.1.1 Permutaciones
Definición de Factorial
El factorial de un número n, donde n es un número Natural, se lo define:
n!= 1*2*3*4*…*n
Ejemplo:
5!= 1*2*3*4*5 =120
0!=1
Propiedades
a) 0!=1
b) n!=n(n-1)!
42
Permutación
Son los arreglos (grupos) diferentes que se pueden hacer con los elementos de un
grupo.
En estos arreglos se debe considerar el orden de los elementos incluidos, su cálculo
es:
𝑛!
𝑛𝑃𝐾 =
(𝑛 − 𝑘)!
Ejemplo 24:
Dado el siguiente conjunto letras= {a, b, c} encuentre las permutaciones de tres
objetos tomados dos de ellos, es decir 3𝑷𝟐
Desarrollo
3𝑃2 = 6
Los elementos son {ab, ac, ba, bc, ca, cb}, cabe indicar que ab es distinto de ba ya
que el orden sí importa.
Permutaciones y Combinaciones
Para este tema necesitaremos dos paquetes, los mismo que pueden ser instalados al
digitar las siguientes expresiones indicadas abajo:
install.packages('gtools')
install.packages('gWidgets')
Permutaciones
permutations(n=3,r=3,v=x,repeats.allowed=F)
Tips 12 R Permutación.
43
3.1.2 Combinaciones
Son los arreglos (subconjuntos) que se pueden hacer con los n elementos de un
conjunto considerando que el orden de los elementos en cada arreglo no es de
interés.
𝑛!
𝑛𝐶𝐾 =
(𝑛 − 𝑘)! 𝑘!
Ejemplo 25
Dado el conjunto de las vocales encontrar las combinaciones o subconjuntos de
tamaño 2.
Desarrollo
5!
5𝐶2 =
(3! − 2!)
20
= = 10
2
Los elementos son {ae, ai, ao, au, ei, eo, eu, io, ia, iu}.
Tips 13 R Combinaciones.
44
3.2 Espacio muestral (𝛀)
Todo espacio muestral podría tener las siguientes características, siendo estas:
45
Ejemplo 29:
Experimento: “Lanzamiento de una moneda”
Desarrollo
Ω = {cara, sello}, este espacio muestral tiene la característica de ser discreto y
numerable.
Ejemplo 30:
Experimento: “Sueldo de una empresa”
Desarrollo
Ω = {𝑥/𝑥 ∈ [𝑎, 𝑏], 𝑥 𝑒𝑠 𝑒𝑙 𝑠𝑢𝑒𝑙𝑑𝑜}, tiene la característica de ser continuo y no numerable.
3.3 Eventos
Los eventos son subconjuntos de Ω, siendo estos de dos tipos, simples y compuestos.
Evento Simple:
Está formado por un elemento o un punto muestral.
Evento Compuesto:
Está formado por varios elementos o puntos muéstrales.
Ejemplo 31:
Un grupo de 15 personas, 7 leen la revista A, 5 leen la revista B y 6 ninguna revista.
Encuentra la cantidad de personas que leen al menos una revista.
Leen B No leen B
Leen A 3 4 7
No leen A 2 6 8
Total 5 10 15
46
Del cuadro se obtiene directamente que:
4 leen A, únicamente
2 leen B, únicamente
3 leen A y B
a) Encuentre la probabilidad de que al escoger una persona al azar esta al
menos haya leído una revista.
Desarrollo
9 3
P (“al menos lean una revista”) = 15 = 5
Interpretación
El valor de 0.6 indica que si un millón de veces se realiza el experimento en 600.000
veces va a salir al menos una persona que lea una revista.
Desarrollo
₃𝐶₂∗₆𝐶₁ 3∗6
P (“elegir 3 personas, dos lean revista y uno no lea”) = = = 0,039.
₁₅𝐶₃ 455
Ejemplo 32:
Una caja con 12 baterías para carro contiene 5 defectuosas. Halle la probabilidad
de que al elegir al azar tres baterías de la caja se obtengan:
a) Una defectuosa
Desarrollo
5𝐶1 ∗7𝐶2 105 21
P (“Escoger al azar una batería defectuosa”)= = =
12𝐶3 220 44
b) Ninguna defectuosa
Desarrollo
5𝐶0 ∗7𝐶3 35 7
P (“escoger que no haya ninguna defectuosa”) = = =
12𝐶3 220 44
47
3.3.4 Propiedades de los eventos simples
𝑃 (⋃ 𝐸1 ) = ∑ 𝑃(𝐸1 ) = 1
𝑖=1 𝑖=1
Ejemplo 32:
P (“al lanzar un dado, se obtenga un número par”)= P (“sale 2 o sale 4 o sale 6”)=
"𝑆𝑎𝑙𝑒 2" "𝑆𝑎𝑙𝑒 4" "𝑆𝑎𝑙𝑒 6"
𝑃( 𝑜 𝑜 )
𝐸1 𝐸2 𝐸3
1 1 1 𝟏
P (𝐸1 ⋃𝐸2 ⋃𝐸3 ) = P (𝐸1 ) + 𝑃(𝐸2 ) + 𝑃(𝐸3 ) = 6 + 6 + 6 = 𝟐
P (“sale 1” o “sale 2” o “sale 3” o… o “sale 6”) = P (“sale1”)+P (“sale 2”)+…+P (“sale 6”)
1 1 1 1 1 1
= 6
+6+6+6+6+6 = 1
48
Ejemplo 33:
₄𝐶₂ 6
P (“Extraer 2 baterías buenas”) = = = 0,4
₆𝑐₂ 15
𝑃(A) ≥ 0
𝑃(Ω) = 1
𝐴1 , 𝐴2 ∈ 𝑆; 𝑦 𝐴1 ⋂ 𝐴2 = ∅ ⟹ 𝑃(𝐴1 ∪ 𝐴2 ) = 𝑃(𝐴1 ) + 𝑃(𝐴2 )
𝑷(∅) = 𝟎
Demostración:
𝑆 =𝑆∪∅
P(S) = P(S ∪ ∅); 𝑆⋂ ∅ = ∅
𝑃(𝑆) = 𝑃(𝑆) + 𝑃(∅); S = {𝐸1 , 𝐸2 , … , 𝐸𝑛 }
1 = 1 + 𝑃(∅)
𝑃(∅) = 0 𝐿𝑄𝑄𝐷
49
3.6.3 Probabilidad de eventos incluidos
𝑺𝒊 𝑨 ⊂ 𝑩, 𝒆𝒏𝒕𝒐𝒏𝒄𝒆𝒔 𝑷(𝑨) ≤ 𝑷(𝑩)
Demostración:
𝐵 = 𝐴 ∪ (𝐴𝑐 ∩ 𝐵)
𝑃(𝐵) = 𝑃(𝐴) + 𝑃(𝐴𝑐 ∩ 𝐵)
𝑃(𝐵) ≥ 𝑃(𝐴)
Ejemplo 34:
50
P (“que apruebe algebra lineal o que apruebe inglés o las dos “)
Desarrollo
A1 = “apruebe algebra lineal “
A2 = “apruebe ingles“
𝑷(𝑨 ∩ 𝑩) 𝑷(𝑨𝑩)
𝑷(𝑨/𝑩) = =
𝑷(𝑩) 𝑷(𝑩)
Ejemplo 35:
Desarrollo
1
𝑃(𝑀) =
4
3
𝑃(𝑁) =
5
51
3
𝑃(𝑀𝑐 ∩ 𝑁 𝑐 ) =
10
𝑃(𝑀𝑐 ∩ 𝑁 𝑐 ) = 𝑃(𝑀 ∪ 𝑁)𝑐 = 1 − 𝑃(𝑀 ∪ 𝑁)
3
= 1 − 𝑃(𝑀) − 𝑃(𝑁) + 𝑃(𝑀 ∩ 𝑁)
10
3 1 3
= 1 − − + 𝑃(𝑀 ∩ 𝑁)
10 4 5
3 3
= + 𝑃(𝑀 ∩ 𝑁)
10 20
3
= 𝑃(𝑀 ∩ 𝑁)
20
𝑅− 𝑅+
H 4,8 3,2 8
M 4,8 7,2 12
Total 9,6 10,4 20
8
𝑃(𝐴1 ) =
20
𝐴1 = “al elegir 1 persona al azar esta sea hombre”
12
𝑃(𝐴2 ) =
20
𝐴2 = “al elegir una persona al azar esta sea mujer”
9,6
𝑃(𝐴3 ) =
20
52
𝐴3 = “al elegir una persona al azar esta reaccione negativamente”
10,4
𝑃(𝐴4 ) =
20
𝐴4 = “al elegir una persona al zar esta reaccione positivamente”
4,8
𝑃(𝐴5 ) =
20
𝐴5 = “al elegir una persona al azar este sea hombre y reaccione negativamente”
7,2
𝑃(𝐴6 ) =
20
𝐴6 = “al elegir una persona al azar sea mujer y reaccione positivamente”
4,8
𝑃(𝐴7 ) =
9,6
𝐴7 = “al elegir una persona al azar sea hombre puesto que reacciono negativamente”
4,8
𝑃(𝐴8 ) =
10
𝐴8 = 𝑅 − /𝐻 = “es la probabilidad que al elegir una persona al azar que reacciono
negativamente este haya sido hombre”.
La probabilidad de que al elegir una persona al azar sea hombre conociendo que
reaccionó negativamente se puede calcular de dos formas:
Desarrollo (Forma 1)
4,8
𝑃(𝐴) = 𝑃(𝐻/𝑅 − ) = = 0,5
9,6
Desarrollo (Forma 1)
4,8
−
𝑃(𝐻 ∩ 𝑅 − ) 20 4,8
𝑃(𝐴) = 𝑃(𝐻/𝑅 ) = = = = 0,5
𝑃(𝑅 − ) 9,6 9,6
20
Nota:
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵)𝑃(𝐴/𝐵) = 𝑃(𝐴)𝑃(𝐵/𝐴)
𝑃(𝐴 ∩ 𝐵 ∩ 𝐶) = 𝑃((𝐴 ∩ 𝐵) ∩ 𝐶) = 𝑃(𝐴 ∩ 𝐵) 𝑃(𝐶/(𝐴 ∩ 𝐵)
53
Ejemplo 36:
Desarrollo
P (“3 personas seleccionadas sean hombre”) = P (“1ra persona seleccionada sea
hombre”) P (“2da persona seleccionada sea hombre”, dado que la “1ra persona
seleccionada fue hombre”) P (“3ra persona seleccionada sea hombre, dado que las
anteriores fueron hombres”)
7 6 5 7
= ∗ ∗ = sin 𝑟𝑒𝑝𝑜𝑠𝑖𝑐𝑖ó𝑛
10 9 8 24
7 7 7 343
= ∗ ∗ = con 𝑟𝑒𝑝𝑜𝑠𝑖𝑐𝑖ó𝑛
10 10 10 1000
EJERCICIOS PROPUESTOS
54
4) Suponga que el 5% de todos los hombres y el 0.25% de todas las mujeres
sufren daltonismo. Una persona escogida al azar resulta ser daltónica
¿Cuál es la probabilidad de que esta persona sea un hombre? (Considere
que la cantidad de hombres y mujeres es igual)
R: 20/21
5) El 35% de los créditos de un banco son para vivienda, el 50% son para
industria y el 15% para consumo diverso. Resultan fallidos el 20% de los
créditos para vivienda, el 15% de los créditos para industrias y el 70% de
los créditos para consumo. Calcula la probabilidad de que se pague un
crédito elegido al azar.
R: 0.25
Demostración:
A1 A1 A1 … A1
𝑃(𝐵) = (𝐵 ∩ 𝐴𝑖 ) ∪ (𝐵 ∩ 𝐴2 ) ∪ … ∪ (𝐵 ∩ 𝐴𝑛 )
55
𝑃(𝐵) = (𝐵 ∩ 𝐴𝑖 ) ∩ (𝐵 ∩ 𝐴𝐽 ) = ∅
EJERCICIOS PROPUESTOS
1) En una fábrica, el 70% de los empleados son lojanos. De entre los lojanos,
el 50% son hombres, mientras que los no lojanos, solo son hombres el
20%.Encuentre:
a) ¿Qué porcentaje de empleados no lojanos son mujeres?
b) Probabilidad de que un empleado de la oficina sea mujer
c) Fernando trabaja en dicha oficina ¿Cuál es la probabilidad de que sea
lojano?
2) Se estima que solo un 20% de los que compran acciones en Bolsa tienen
conocimientos bursátiles de ellos el 80% obtienen beneficios. De los que
compran acciones sin conocimiento bursátiles , solo un 10% obtienen
beneficios .Se desea saber:
a) El tanto por ciento de los que compran acciones en bolsa que
obtienen beneficios.
b) Si se elige al azar una persona que ha comprado acciones en bolsa
y resulta que ha obtenido beneficios, ¿Cuál es la probabilidad de
que tenga conocimientos bursátiles?
56
R: a) 24% b) 0.667
57
CAPÍTULO 4: VARIABLES ALEATORIA
4.1 Definición de Variable aleatoria
Ejemplo 37
𝑓∶ [5,20] → ℝ
𝑥 → 𝑦 = 𝑥 2 +3x+2
Donde:
[5,20] = Conjunto de salida
ℝ = Conjunto de llegada (recorrido)
𝑦 = 𝑥 2 +3x+2 = Ley o aplicación
Ejemplo 38
En el siguiente experimento se puede definir como función:
𝑥∶ Ω → {0,1}
𝐴 → 𝑥(𝐴) = 𝑦
58
Ejemplo 39
Experimento: “Lanzamiento de un dado”
X= “Salga 1” = 1
x = “Salga 2” = 2
x = “Salga 3” = 3
x = “Salga 4” = 4
x = “Salga 5” = 5
x = “Salga 6” = 6
El dominio de la variable x “valor que sale al lanzar un dado es {1, 2, 3, 4, 5,6}
Ejemplo 40
Experimento: “Tomar los pesos del curso de probabilidad y estadística”
X= “Peso de los estudiantes”
X ∈ [a, b], la cual es una variable aleatoria continua
Ejemplo 41
Consideremos la prueba consistente en arrojar 3 monedas si x es la variable aleatoria
cuenta el número de caras, entonces x que valores puede tomar.
59
4.1.1 Función de distribución v.a.d (variable aleatoria discreta)
PROPIEDADES
La función es creciente:
lim 𝐹(𝑡) = 0 𝑦 lim 𝐹(𝑡) = 1
𝑡→∞ 𝑡→∞
Nota:
P(x=t) = f (t)
P(x=t) = la función probabilidad
𝑃: Ω → [0,1]
𝐴 → 𝑃(𝐴) = 𝑦
Nota:
Experimento: “Lanzamiento tres monedas”
X = “Número de caras”
P(x=3) = 1/8 = P3
P(x=0) = 1/8 = P0
P(x=1) = 3/8 = P1
60
𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = 𝐹(𝑏) − 𝐹(𝑎)
𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = 𝐹(𝑏) − 𝐹(𝑎) + 𝑃(𝑥 = 𝑎)
𝑃(𝑥 = 𝑎) = 𝐹(𝑎) − 𝐹(𝑎− )
𝑃(𝑥 < 𝑎) = 𝐹(𝑎− )
𝑃(𝑎 < 𝑥 < 𝑏) = 𝐹(𝑏) − 𝐹(𝑎) − 𝑃(𝑥 = 𝑏)
Observación:
P(x= {A}=1) = P(x=1) = 𝑃1
P(x=2) = 𝑃2
P(x=3) = 𝑃3
Valor de r
Cercano a 1 tiene correlación lineal positiva fuerte
Cercano a -1 tiene correlación lineal negativa fuerte
Cercano a 0 no existe correlación lineal
Matriz de Varianza y Covarianza. Es una matriz cuadrada simétrica y depende del
número de variables aleatorias, en la cual nos describe los valores de las correlaciones
entre las variables existentes, por ejemplo 𝑆𝑥1𝑥2 nos indica la correlación que existe
entre la variable 𝑥1 y la variable 𝑥2 y así sucesivamente.
2
𝑆𝑥1 𝑆𝑥1𝑥2
[𝑆𝑥𝑖,𝑦𝑗 ] = [ 2 ]
𝑆𝑥2𝑥1 𝑆𝑥2
Ejercicio
Demostrar:
𝑆𝑥𝑦 = 𝑆𝑦𝑥
1 1
∑(𝑥𝑖 − 𝑥̅ )(𝑦𝑖 − 𝑦̅) = ∑(𝑦𝑖 − 𝑦̅)(𝑥𝑖 − 𝑥̅ ) = 𝑆𝑥𝑦
𝑛−1 𝑛−1
Matriz de correlación.- Es una matriz cuadrada simétrica y depende del número de
variables aleatorias y su diagonal es 1, es una matriz en la cual se describe las
correlaciones lineales entre sus variables.
62
𝑟1,1 𝑟1,2
𝑟𝑖𝑗 = [𝑟 𝑟2,2 ]
2,1
Demostración:
𝑆𝑥𝑦
𝑟=
𝑆𝑥 𝑆𝑦
𝑆𝑥𝑥 𝑆𝑥2
𝑟1,1 = = 2=1
𝑆𝑥 𝑆𝑥 𝑆𝑥
𝑟1,2 = 𝑟2,1
𝑆𝑥𝑦 𝑆𝑦𝑥
𝑟1,2 = = = 𝑟2,1
𝑆𝑥 𝑆𝑦 𝑆𝑦 𝑆𝑥
𝐸(𝑥) = ∑ 𝑥𝑖 𝑝𝑖 = 𝑥1 𝑝1 + 𝑥2 𝑝2 + ⋯ + 𝑥𝑛 𝑝𝑛
𝑖=1
Nota:
La esperanza matemática es una especie de promedio, es lo que se esperaría que el
estadístico tienda a ser el parámetro.
𝐸(𝑥̅ ) = µ, lo que significa que la esperanza o promedio de la media aritmética es igual a
la media poblacional.
Ejemplo 42
Halle la esperanza de las variables aleatorias discretas definidas por:
𝐸(𝑥) = ∑ 𝑥𝑖 𝑝𝑖
𝑖=1
𝑛
𝐸(𝑥) = 0,158
63
4.2.3 ESPERANZA MATEMÁTICA DE UNA VARIABLE
ALEATORIA CONTINUA
Ejemplo 43
Hallar la esperanza matemática de la siguiente variable aleatoria continua:
1
𝑓(𝑥) = { si 1 < x ≤ 4 }
3
0 , caso crontrario
𝑏
𝐸(𝑥) = ∫ 𝑥 𝑓(𝑥) 𝑑𝑥
𝑎
4
1
𝐸(𝑥) = ∫ 𝑥 𝑑𝑥
1 3
1 4
𝐸(𝑥) = ∫ 𝑥 𝑑𝑥
3 1
1 𝑥2
𝐸(𝑥) =
3 2
1 16 1
𝐸(𝑥) = [ − ]
3 2 2
1
𝐸(𝑥) =
2
64
4.2.4. PROPIEDADES DE LA ESPERANZA MATEMÁTICA
𝑬(𝒄) = 𝒄 , 𝒄 𝒆𝒔 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆
Conocemos
+∞
𝐸(𝑥) = ∫−∞ 𝑥 𝑓(𝑥) 𝑑𝑥
Por lo tanto
+∞
𝐸(𝑐) = ∫ 𝑐 𝑓(𝑥) 𝑑𝑥
−∞
+∞
𝐸(𝑐) = 𝑐 ∫ 𝑓(𝑥) 𝑑𝑥
−∞
𝑬(𝒄) = 𝒄
Conocemos
+∞
𝐸(𝑥) = ∫ 𝑥 𝑓(𝑥) 𝑑𝑥
−∞
Y además
+∞
𝐸(𝑔(𝑧)) = ∫ 𝑔(𝑧) 𝑓(𝑥) 𝑑𝑥
−∞
Sea g (z)= x + y
+∞
𝐸(𝑥 + 𝑦) = ∫ (𝑥 + 𝑦) 𝑓(𝑥) 𝑑𝑥
−∞
+∞ +∞
𝐸(𝑥 + 𝑦) = ∫ 𝑥 𝑓(𝑥) 𝑑𝑥 + ∫ 𝑦 𝑓(𝑥) 𝑑𝑥
−∞ −∞
𝑬(𝒄𝒙) = 𝒄𝑬(𝒙)
+∞
𝐸(𝑐𝑥) = ∫ 𝑐𝑥 𝑓(𝑥) 𝑑𝑥
−∞
+∞
𝐸(𝑐𝑥) = 𝑐 ∫ 𝑥 𝑓(𝑥) 𝑑𝑥
−∞
𝑬(𝒄𝒙) = 𝒄 𝑬(𝒙)
65
4.2.5 LA VARIANZA
Demostración:
𝑉𝑎𝑟(𝑥) = 𝐸𝑥 2 − (𝐸(𝑥))2
2
𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 − 𝐸(𝑥))
66
4.2.5.3 PROPIEDADES DE LA VARIANZA
𝑽𝒂𝒓(𝒄) = 𝟎 ; 𝒄 𝒆𝒔 𝒄𝒕𝒆
+∞
𝑉𝑎𝑟(𝑥) = ∫ (𝑥 − 𝐸𝑥)2 𝑓(𝑥)𝑑𝑥
−∞
+∞
𝑉𝑎𝑟(𝑐) = ∫ (𝑐 − 𝐸𝑥)2 𝑓(𝑥)𝑑𝑥
−∞
+∞
𝑉𝑎𝑟(𝑐) = ∫ (𝑐 − 𝑐)2 𝑓(𝑥)𝑑𝑥
−∞
𝑽𝒂𝒓(𝒄) = 𝟎
𝑽𝒂𝒓(𝒙) = 𝒄𝟐 𝑽𝒂𝒓(𝒙)
+∞
𝑉𝑎𝑟(𝑐𝑥) = ∫ (𝑐𝑥 − 𝐸𝑐𝑥)2 𝑓(𝑥)𝑑𝑥
−∞
+∞
𝑉𝑎𝑟(𝑐𝑥) = ∫ 𝑐(𝑥 − 𝐸(𝑥))2 𝑓(𝑥)𝑑𝑥
−∞
+∞
𝑉𝑎𝑟(𝑐𝑥) = 𝑐 2 ∫ (𝑥 − 𝐸(𝑥))2 𝑓(𝑥)𝑑𝑥
−∞
𝑽𝒂𝒓(𝒙) = 𝒄𝟐 𝑽𝒂𝒓(𝒙)
67
Ejemplo 44
0; 𝑥 ≤ −1
𝑥+1
𝐹(𝑥) = { ; −1 < 𝑥 ≤ 3
4
1; 𝑥>3
1 1
(𝑥 + 1); (𝑥 + 1)𝑑𝑥;
4 4
1 1
(1) =
4 4
𝐹′(𝑥) = 𝑓(𝑥)
1
𝑓(𝑥) = {4 ; −1 < 𝑥 ≤ 3
0 ; 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
3 3
𝑥 1 3
𝐸(𝑥) = ∫ 𝑥𝑓(𝑥)𝑑𝑥 = ∫ 𝑑𝑥 = ∫ 𝑥𝑑𝑥 = 𝟏
−1 −1 4 4 −1
𝑉𝑎𝑟(𝑥) = 𝐸𝑥 2 − (𝐸𝑥)2
3
1 3 7
𝐸𝑥 2 = ∫ 𝑥 2 𝑓(𝑥) 𝑑𝑥 = ∫ 𝑥 2 𝑑𝑥 =
_1 4 _1 3
𝟏𝟑
𝑉𝑎𝑟(𝑥) =
𝟏𝟎
Ejemplo 45
Halle la esperanza y la varianza de la v.a.d definida por:
Y 2 4 5 6
P 0,3 0,1 0,2 0,4
Desarrollo
68
4
111
∑(𝑦𝑖 )2 𝑝𝑖 = [4(0,3) + 16(0,1) + 25(0,2) + 36(0,4)] =
5
𝑖=1
111 22 2 71
𝑉𝑎𝑟(𝑦) = −( ) =
5 5 25
Ejemplo 46
Sean x, y, z variables aleatorias independientes cada una con media 𝝁 y varianza
𝝈𝟐 .
Desarrollo
Esperanza y varianza de S=x+y+z
𝐸(𝑠) = 𝐸(𝑥 + 𝑦 + 𝑧)
𝐸(𝑠) = 𝐸(𝑥) + 𝐸(𝑦) + 𝐸(𝑧)
𝐸(𝑠) = 𝜇 + 𝜇 + 𝜇
𝐸(𝑠) = 3𝜇
𝑉𝑎𝑟(𝑥) = 𝑉𝑎𝑟(𝑥 + 𝑦 + 𝑧)
𝑉𝑎𝑟(𝑥) = 𝑉𝑎𝑟(𝑥) + 𝑉𝑎𝑟(𝑦) + 𝑉𝑎𝑟(𝑧)
𝑉𝑎𝑟(𝑥) = 𝜎 2 + 𝜎 2 + 𝜎 2
𝑉𝑎𝑟(𝑥) = 3𝜎 2
𝑇 = 3 → 𝐸(𝑇)
𝐸(𝑇) = 𝐸(3𝑥)
𝐸(𝑇) = 3𝐸(𝑥)
𝐸(𝑇) = 3𝜇
𝑉𝑎𝑟(𝑇) = 𝑉𝑎𝑟(3𝑥)
𝑉𝑎𝑟(𝑇) = 9 𝑉𝑎𝑟(𝑥)
𝑉𝑎𝑟(𝑥) = 9𝜎 2
Ejemplo 47
Sea x una v.a.d en el intervalo [-1; 1] y f(x) su función de densidad. Encuentre
E(x) si f(x)= |𝒙|.
Desarrollo
−𝑥, 𝑥<0
𝑓(𝑥) = {
𝑥, 𝑥≥0
1 0 1
𝐸(𝑥) = ∫ 𝑥𝑓(𝑥)𝑑𝑥 = ∫ x(−x)𝑑𝑥 + ∫ 𝑥(𝑥)𝑑𝑥
−1 −1 0
69
0 1
1 1
𝐸(𝑥) = ∫ −𝑥 2 𝑑𝑥 + ∫ 𝑥 2 𝑑𝑥 = − + = 𝟎
−1 0 3 3
Definición:
El r-ésimo momento alrededor del origen de la variable aleatorio x es dado por:
Como el primer y segundo momento alrededor del origen son dados por 𝜇 ′ 1 =
𝐸(𝑥) y 𝜇 ′ 2 = 𝐸(𝑥 2 ), podemos escribir la media y la varianza de una variable
aleatoria como
𝜇 = 𝐸(𝑥) = 𝜇′1 Media
𝜎 2 = 𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 𝜇 2
𝜎 2 = 𝜇′2 − 𝜇2 Varianza
Existe un procedimiento alternativo para determinar los momentos de una
variable aleatoria discreta, el cual requiere la utilización de una función
generadora de momentos.
Definición:
La función generadora de momentos de la variable aleatoria x es dada por E(etx),
y se denota como Mx(t). Por lo tanto:
Teorema:
Sea x una variable aleatoria con función generadora de momentos Mx(t).
Entonces:
𝑀𝑥(𝑡) = 𝐸(𝑒 𝑡𝑥 )
𝑑𝑀𝑥(𝑡) 𝑑
= [𝐸(𝑒 𝑡𝑥 )]
𝑑𝑡 𝑑𝑡
𝑑𝑀𝑥(𝑡) 𝑑
= 𝐸 [ (𝑒 𝑡𝑥 )]
𝑑𝑡 𝑑𝑡
70
𝑑𝑀𝑥(𝑡)
= 𝐸[𝑥𝑒 𝑡𝑥 ]
𝑑𝑡
𝑑𝑀𝑥(𝑡)
| = 𝐸[𝑥𝑒 0𝑥 ]
𝑑𝑡 𝑡=0
𝑑𝑀𝑥(𝑡)
| = 𝐸(𝑥) = 𝜇′1
𝑑𝑡 𝑡=0
𝑀𝑥(𝑡) = 𝐸(𝑒 𝑡𝑥 )
𝑑𝑀𝑥(𝑡) 𝑑
= [𝐸(𝑒 𝑡𝑥 )]
𝑑𝑡 𝑑𝑡
𝑑𝑀𝑥(𝑡)
= 𝐸[𝑥𝑒 𝑡𝑥 ]
𝑑𝑡
𝑑2 𝑀𝑥(𝑡)
= 𝐸[𝑥 2 𝑒 𝑡𝑥 ]
𝑑𝑡 2
𝑑2 𝑀𝑥(𝑡)
| = 𝐸[𝑥 2 𝑒 0𝑥 ]
𝑑𝑡 2 𝑡=0
𝑑 2 𝑀𝑥(𝑡)
| = 𝐸(𝑥 2 ) = 𝜇′1
𝑑𝑡 2 𝑡=0
En general siguiendo con el proceso de diferenciación se obtiene:
𝑑𝑟 𝑀𝑥(𝑡)
| = 𝐸[𝑥 𝑟 ] = 𝜇′𝑟
𝑑𝑡 𝑟 𝑡=0
Definición:
La función característica siempre existe y se encuentra definida en el campo de
los números complejos. Cumple las propiedades de la función generadora de
momentos; solo que se definen en un marco mucho más amplio como el de los
números complejos.
71
4.3.1. DISTRIBUCIÓN DE POISSON
𝑒 −𝜆 ∗ 𝜆𝑥
𝐹(𝑥) = , 𝜆 > 0, 𝑥 = 0,1,2,3, …
𝑥!
A esta variable aleatoria se la nota como 𝑥 ↝ 𝑃(𝜆)
La función generadora de momentos viene dada por:
∞
𝑡𝑥 )
𝑀𝑥(𝑡) = 𝐸(𝑒 = ∑ 𝑒 𝑡𝑥 𝑓(𝑥)
𝑥=0
∞
𝑡𝑥
𝑒 −𝜆 ∗ 𝜆𝑥
𝑀𝑥(𝑡) = ∑ 𝑒 ∗
𝑥!
𝑥=0
∞
−𝜆
𝑒 𝑡𝑥 ∗ 𝜆𝑥
𝑀𝑥(𝑡) = 𝑒 ∑
𝑥!
𝑥=0
∞
−𝜆
(𝜆𝑒 𝑡 )𝑥
𝑀𝑥(𝑡) = 𝑒 ∑
𝑥!
𝑥=0
𝑓 ′ (𝑧) = 𝑒 𝑧 | =1
𝑧=0
𝑓 ′′ (𝑧) = 𝑒 𝑧 | =1
𝑧=0
𝑓 𝑛 (𝑧) = 1
∞
𝑓 𝑛 (0) 𝑛
𝑓(𝑧) = ∑ 𝑧 𝑆𝑒𝑟𝑖𝑒 𝑑𝑒 𝑀𝑎𝑐𝑙𝑎𝑢𝑟𝑖𝑛
𝑛!
𝑛=0
72
𝑧0 𝑧′ 𝑧2 𝑧𝑛
𝑓(𝑧) = + + + ⋯+
0! 1! 2! 𝑛!
Como 𝑧 = 𝜆𝑒 𝑡
𝑡)
(𝜆𝑒 𝑡 )0 (𝜆𝑒 𝑡 )1 (𝜆𝑒 𝑡 )2 (𝜆𝑒 𝑡 )𝑛
𝑓(𝜆𝑒 = + + + ⋯+
0! 1! 2! 𝑛!
Por lo tanto:
∞
(𝜆𝑒 𝑡 )𝑥 𝑡
∑ = 𝑓(𝑧) = 𝑒 𝑧 = 𝑒 𝜆𝑒
𝑥!
𝑥=0
Entonces tenemos:
𝑡
𝑀𝑥(𝑡) = 𝑒 −𝜆 ∗ 𝑒 𝜆𝑒
𝑡 −1)
𝑀𝑥(𝑡) = 𝑒 𝜆(𝑒 FUNCIÓN GENERADORA DE MOMENTOS
Para la obtención de la media y la varianza aplicaríamos F.G.M; derivándole
sucesivamente e igualando t a cero, así:
𝑡 −1)
𝑀𝑥(𝑡) = 𝑒 𝜆(𝑒
𝑡 −𝜆
𝑀𝑥(𝑡) = 𝑒 𝜆𝑒
𝑑𝑀𝑥(𝑡) 𝑡
= 𝑒 𝜆𝑒 −𝜆 ∗ 𝜆𝑒 𝑡
𝑑𝑡
𝑑𝑀𝑥(𝑡) 𝑡
= 𝑒 𝜆𝑒 ∗ 𝑒 −𝜆 ∗ 𝜆𝑒 𝑡
𝑑𝑡
𝑑𝑀𝑥(𝑡) 𝑡
| = 𝑒 𝜆𝑒 ∗ 𝑒 −𝜆 ∗ 𝜆𝑒 0
𝑑𝑡 𝑡=0
𝑑𝑀𝑥(𝑡)
| = 𝜆 = 𝜇 ′ 1 = 𝐸(𝑥)
𝑑𝑡 𝑡=0
∴ 𝐸(𝑥) = 𝜇 = 𝜆 𝑀𝐸𝐷𝐼𝐴
𝑡 −𝜆
𝑀𝑥(𝑡) = 𝑒 𝜆𝑒
𝑑𝑀𝑥(𝑡) 𝑡
= 𝑒 𝜆𝑒 −𝜆 ∗ 𝜆𝑒 𝑡
𝑑𝑡
𝑑 2 𝑀𝑥(𝑡) 𝑡 𝑡
2
= 𝑒 𝜆𝑒 −𝜆 ∗ (𝜆𝑒 𝑡 )2 + 𝑒 𝜆𝑒 −𝜆 ∗ 𝜆𝑒 𝑡
𝑑𝑡
𝑑2 𝑀𝑥(𝑡) 𝜆𝑒 𝑡 −𝜆
1
𝑡 )2 𝜆𝑒 𝑡 −𝜆
1
| = 𝑒 ∗ (𝜆𝑒 + 𝑒 ∗ 𝜆𝑒 𝑡
𝑑𝑡 2 𝑡=0
73
𝑑 2 𝑀𝑥(𝑡)
| = 𝜆2 + 𝜆 = 𝜇 ′ 2 = 𝐸(𝑥 2 )
𝑑𝑡 2 𝑡=0
∴ 𝐸(𝑥 2 ) = 𝜆2 + 𝜆
Una vez obtenida la madia, obtendríamos la varianza en base a:
𝜎 2 = 𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 𝜇 2
𝑉𝑎𝑟(𝑥) = 𝜆2 + 𝜆 − 𝜆2
𝑉𝑎𝑟(𝑥) = 𝜆
𝑉𝑎𝑟(𝑥) = 𝜎 2 = 𝜆 𝑉𝐴𝑅𝐼𝐴𝑁𝑍𝐴
FUNCIÓN CARACTERÍSTICA
∞
𝑖𝑡𝑥
𝜑𝑥(𝑡) = 𝐸(𝑒 ) = ∑ 𝑒 𝑖𝑡𝑥 𝑓(𝑥)
𝑥=0
∞
𝑒 −𝜆 ∗ 𝜆𝑥
𝜑𝑥(𝑡) = ∑ 𝑒 𝑖𝑡𝑥
𝑥!
𝑥=0
𝑖𝑡 −1)
𝜑𝑥(𝑡) = 𝑒 𝜆(𝑒
74
𝑛
1
𝑀𝑥(𝑡) = ∑ 𝑒 𝑡𝑥 𝐹𝑢𝑛𝑐𝑖ó𝑛 𝐺𝑒𝑛𝑒𝑟𝑎𝑑𝑜𝑟𝑎 𝑑𝑒 𝑀𝑜𝑚𝑒𝑛𝑡𝑜𝑠
𝑛
𝑖=1
𝜇 = 𝐸(𝑥) = ∑ 𝑥𝑓(𝑥)
𝑥=1
𝑛
1
𝐸(𝑥) = ∑ 𝑥
𝑛
𝑥=1
𝑛
1
𝐸(𝑥) = ∑ 𝑥
𝑛
𝑥=1
Propiedades de la sumatoria:
𝑛
𝑛(𝑛 + 1)
∑𝑘 =
2
𝑘=1
1 𝑛(𝑛 + 1)
𝐸(𝑥) = ( )
𝑛 2
𝑛+1
𝐸(𝑥) = 𝑀𝐸𝐷𝐼𝐴
2
Su varianza será:
𝜎 2 = 𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 𝜇 2
𝑛
𝑉𝑎𝑟(𝑥) = ∑ 𝑥 2 𝑓(𝑥) − 𝜇 2
𝑥=1
𝑛
1
𝑉𝑎𝑟(𝑥) = ∑ 𝑥 2 − 𝜇2
𝑛
𝑥=1
𝑛
1 2
𝑛+1 2
𝑉𝑎𝑟(𝑥) = ∑ 𝑥 − [ ]
𝑛 𝑛
𝑥=1
Propiedad de la sumatoria:
𝑛
𝑛(𝑛 + 1)(2𝑛 + 1)
∑ 𝑘2 =
6
𝑘=1
1 𝑛(𝑛 + 1)(2𝑛 + 1) 𝑛2 + 2𝑛 + 1
𝑉𝑎𝑟(𝑥) = [ ]−
𝑛 6 4
2𝑛2 + 3𝑛 + 1 𝑛2 + 2𝑛 + 1
𝑉𝑎𝑟(𝑥) = −
6 4
75
4𝑛2 + 6𝑛 + 2 − 3𝑛2 − 6𝑛 − 3
𝑉𝑎𝑟(𝑥) =
12
𝑛2 − 1
𝑉𝑎𝑟(𝑥) = 𝑉𝐴𝑅𝐼𝐴𝑁𝑍𝐴
12
Función Característica
𝑛
𝜇 = 𝐸(𝑥) = ∑ 𝑥𝑓(𝑥)
𝑥=0
𝑛 𝑘 𝑁−𝑘
( )( )
𝐸(𝑥) = ∑ 𝑥 𝑥 𝑛 − 𝑥
𝑁
𝑥=0 ( )
𝑛
𝑛 𝑁−𝑘
(𝑘 − 1)! ( )
𝐸(𝑥) = 𝑘 ∑ ∗ 𝑛 − 𝑥
(𝑥 − 1)! (𝑘 − 𝑥)! 𝑁
𝑥=0 ( )
𝑛
𝑛 𝑘 𝑁−𝑘
( )( )
𝐸(𝑥) = 𝑘 ∑ 𝑥 𝑛 − 𝑥
𝑁
𝑥=0 ( )
𝑛
Puesto que:
𝑁−𝑘 (𝑁 − 1) − (𝑘 − 1) 𝑁 𝑁! 𝑁 𝑁−1
( )=( )y( ) = 𝑛!(𝑁−𝑛)! = 𝑛 ( )
𝑛−1−𝑥 𝑛−1−𝑦 𝑛 𝑛−1
76
Y con y=x-1, obtenemos
𝑛−1 (𝑘
−1
)(
𝑁−𝑘
)
𝑦 𝑛−1−𝑦
𝐸(𝑥) = 𝑘 ∑
𝑁
𝑦=0 ( )
𝑛
𝑛𝑘
𝐸(𝑥) = 𝑀𝐸𝐷𝐼𝐴
𝑁
𝑁−𝑛 𝑘 𝑘
𝜎 2 = 𝑉𝑎𝑟(𝑥) = ∗ 𝑛 ∗ (1 − ) 𝑉𝐴𝑅𝐼𝐴𝑁𝑍𝐴
𝑁−1 𝑁 𝑁
𝑀𝑥(𝑡) = ∑ 𝑒 𝑡𝑥 ∗ 𝑝 ∗ 𝑞 𝑥−1
𝑥=1
∞
𝑀𝑥(𝑡) = 𝑝 ∑ 𝑒 𝑡𝑥 ∗ 𝑞 𝑥 ∗ 𝑞 −1
𝑥=1
∞
𝑝
𝑀𝑥(𝑡) = ∑ 𝑒 𝑡𝑥 ∗ 𝑞 𝑥
𝑞
𝑥=1
∞
𝑝
𝑀𝑥(𝑡) = ∑(𝑞𝑒 𝑡 )𝑥
𝑞
𝑥=1
𝑝
𝑀𝑥(𝑡) = [𝑞𝑒 𝑡 + (𝑞𝑒 𝑡 )2 + (𝑞𝑒 𝑡 )3 + ⋯ + (𝑞𝑒 𝑡 )𝑛 ]
𝑞
77
Entonces tenemos que
𝑞𝑒 𝑡
r=qet∑∞ 𝑡 𝑥
𝑥=1(𝑞𝑒 ) = 1−𝑞𝑒 𝑡
a1=qet
𝑝 𝑞𝑒 𝑡
𝑀𝑥(𝑡) = ∗
𝑞 1 − 𝑞𝑒 𝑡
𝑝𝑒 𝑡
𝑀𝑥(𝑡) = 𝐹𝑢𝑛𝑐𝑖ó𝑛 𝐺𝑒𝑛𝑒𝑟𝑎𝑑𝑜𝑟𝑎 𝑑𝑒 𝑀𝑜𝑚𝑒𝑛𝑡𝑜𝑠
1 − 𝑞𝑒 𝑡
Para la obtención de la media y la varianza aplicaremos FGM; derivándole
sucesivamente e igualando t a cero, así:
𝑝𝑒 𝑡
𝑀𝑥(𝑡) =
1 − 𝑞𝑒 𝑡
𝑑𝑀𝑥(𝑡) 𝑝𝑒 𝑡 (1 − 𝑞𝑒 𝑡 ) − 𝑝𝑒 𝑡 (−𝑞𝑒 𝑡 )
=
𝑑𝑡 (1 − 𝑞𝑒 𝑡 )2
𝑑𝑀𝑥(𝑡) 𝑝𝑒 𝑡 − 𝑝𝑞𝑒 2𝑡 + 𝑝𝑞𝑒 2𝑡
=
𝑑𝑡 1 − 2𝑞𝑒 𝑡 + 𝑞 2 𝑒 2𝑡
𝑑𝑀𝑥(𝑡) 𝑝𝑒 𝑡
=
𝑑𝑡 1 − 2𝑞𝑒 𝑡 + 𝑞 2 𝑒 2𝑡
𝑑𝑀𝑥(𝑡) 𝑝𝑒 0
| =
𝑑𝑡 𝑡 = 0 1 − 2𝑞𝑒 0 + 𝑞 2 𝑒 𝑜
𝑑𝑀𝑥(𝑡) 𝑝
| =
𝑑𝑡 𝑡 = 0 1 − 2𝑞 + 𝑞 2
𝑑𝑀𝑥(𝑡) 𝑝
| =
𝑑𝑡 𝑡 = 0 (1 − 𝑞)2
Como q=1-p
P=1-q
𝑑𝑀𝑥(𝑡) 𝑝
| = 2
𝑑𝑡 𝑡=0 𝑝
𝑑𝑀𝑥(𝑡) 1
| = 2 = 𝜇 ′ 1 = 𝐸(𝑥)
𝑑𝑡 𝑡=0 𝑝
1
∴ 𝐸(𝑥) = 𝜇 = 𝑀𝐸𝐷𝐼𝐴
𝑝
𝑝𝑒 𝑡
𝑀𝑥(𝑡) =
1 − 𝑞𝑒 𝑡
𝑑𝑀𝑥(𝑡) 𝑝𝑒 𝑡
=
𝑑𝑡 (1 − 𝑞𝑒 𝑡 )2
𝑑2 𝑀𝑥(𝑡) 𝑝𝑒 𝑡 (1 − 𝑞𝑒 𝑡 )2 − 𝑝𝑒 𝑡 [2(1 − 𝑞𝑒 𝑡 )(−𝑞𝑒 𝑡 )]
=
𝑑𝑡 2 (1 − 𝑞𝑒 𝑡 )4
𝑑 𝑀𝑥(𝑡) 𝑝𝑒 − 2𝑝𝑞𝑒 + 𝑝𝑞 2 𝑒 3𝑡 + 2𝑝𝑞𝑒 2𝑡 − 2𝑝𝑞 2 𝑒 3𝑡
2 𝑡 2𝑡
=
𝑑𝑡 2 (1 − 𝑞𝑒 𝑡 )4
𝑑 𝑀𝑥(𝑡) 𝑝𝑒 𝑡 − 𝑝𝑞 2 𝑒 3𝑡
2
=
𝑑𝑡 2 (1 − 𝑞𝑒 𝑡 )4
78
𝑑2 𝑀𝑥(𝑡) 𝑝𝑒 0 − 𝑝𝑞 2 𝑒 0
| =
𝑑𝑡 2 𝑡=0 (1 − 𝑞𝑒 0 )4
𝑑2 𝑀𝑥(𝑡) 𝑝 − 𝑝𝑞 2
| =
𝑑𝑡 2 𝑡 = 0 (1 − 𝑞)4
𝑑 2 𝑀𝑥(𝑡) 𝑝(1 − 𝑞 2 )
| =
𝑑𝑡 2 𝑡=0 𝑝4
𝑑2 𝑀𝑥(𝑡) 1 − 𝑞2
| = = 𝜇 ′ 2 = 𝐸(𝑥 2 )
𝑑𝑡 2 𝑡=0 𝑝3
2)
1 − 𝑞2
∴ 𝐸(𝑥 =
𝑝3
Una vez obtenida la media, obtendríamos la varianza en base a:
𝜎 2 = 𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 𝜇 2
1 − 𝑞2 1
𝑉𝑎𝑟(𝑥) = − 2
𝑝3 𝑝
2
1−𝑞 −𝑝
𝑉𝑎𝑟(𝑥) =
𝑝3
1 − 𝑝 − (1 − 𝑝)2
𝑉𝑎𝑟(𝑥) =
𝑝3
1 − 𝑝 − 1 + 2𝑝 − 𝑝2
𝑉𝑎𝑟(𝑥) =
𝑝3
𝑝 − 𝑝2 𝑝(1 − 𝑝)
𝑉𝑎𝑟(𝑥) = =
𝑝3 𝑝3
1−𝑝 𝑞
𝑉𝑎𝑟(𝑥) = 2 = 2 𝑉𝐴𝑅𝐼𝐴𝑁𝑍𝐴
𝑝 𝑝
Función Característica
∞
𝑝𝑒 𝑖𝑡
𝜑𝑥(𝑡) =
1 − 𝑞𝑒 𝑖𝑡
79
distribución de probabilidad de la variable aleatoria X, el número de ensayo en el
que ocurre el k-ésimo éxito, es:
𝑥 − 1 𝑘 𝑥−𝑘
𝐹(𝑥) = 𝑝(𝑥 = 𝑥) = ( )𝑝 𝑞 , 𝑥 = 𝑘, 𝑘 + 1, 𝑘 + 2, …
𝑘−1
𝑝𝑘 𝑞 𝑘 𝑒 𝑡𝑘
𝑀𝑥(𝑡) = 𝑘 ( 𝑘 )
𝑞 1 − 𝑞 𝑘 𝑒 𝑡𝑘
𝑘
𝑝𝑒 𝑡
𝑀𝑥(𝑡) = ( ) 𝐹𝑢𝑛𝑐𝑖ó𝑛 𝐺𝑛𝑒𝑟𝑎𝑑𝑜𝑟𝑎 𝑑𝑒 𝑀𝑜𝑚𝑒𝑛𝑡𝑜𝑠
1 − 𝑞𝑒 𝑡
𝑘−1
𝑑𝑀𝑥(𝑡) 𝑝𝑒 𝑡 𝑝𝑒 𝑡 (1 − 𝑞𝑒 𝑡 ) − 𝑝𝑒 𝑡 (−𝑞𝑒 𝑡 )
= 𝑘( ) [ ]
𝑑𝑡 1 − 𝑞𝑒 𝑡 (1 − 𝑞𝑒 𝑡 )2
𝑘−1
𝑑𝑀𝑥(𝑡) 𝑝𝑒 𝑡 𝑝𝑒 𝑡 − 𝑝𝑞𝑒 2𝑡 − 𝑝𝑞𝑒 2𝑡
= 𝑘( ) [ ]
𝑑𝑡 1 − 𝑞𝑒 𝑡 (1 − 𝑞𝑒 𝑡 )2
𝑘−1
𝑑𝑀𝑥(𝑡) 𝑝𝑒 𝑡 𝑝𝑒 𝑡
= 𝑘( ) [ ]
𝑑𝑡 1 − 𝑞𝑒 𝑡 (1 − 𝑞𝑒 𝑡 )2
80
𝑘−1
𝑑𝑀𝑥(𝑡) 𝑝𝑒 0 𝑝𝑒 0
=| 𝑘( ) [ ]
𝑑𝑡 𝑡 = 0 1 − 𝑞𝑒 0 (1 − 𝑞𝑒 0 )2
𝑑𝑀𝑥(𝑡) 𝑝 𝑘−1 𝑝
=| 𝑘( ) [ ]
𝑑𝑡 𝑡 =0 1−𝑞 (1 − 𝑞)2
𝑑𝑀𝑥(𝑡) 𝑝𝑘 𝑝−1 𝑝
=| 𝑘[ ][ ]
𝑑𝑡 𝑡 = 0 𝑝𝑘 𝑝−1 𝑝2
𝑑𝑀𝑥(𝑡) 𝑘
=| = 𝜇 ′ 1 = 𝐸(𝑥)
𝑑𝑡 𝑡 = 0𝑝
𝑘
∴ 𝐸(𝑥) = 𝜇 = 𝑀𝐸𝐷𝐼𝐴
𝑝
𝑘
𝑝𝑒 𝑡
𝑀𝑥(𝑡) = ( )
1 − 𝑞𝑒 𝑡
𝑘−1
𝑑𝑀𝑥(𝑡) 𝑝𝑒 𝑡 𝑝𝑒 𝑡
= 𝑘( ) [ ]
𝑑𝑡 1 − 𝑞𝑒 𝑡 (1 − 𝑞𝑒 𝑡 )2
𝑑 2 𝑀𝑥(𝑡) 𝐾 ∗ 𝑃𝐾 ∗ 𝑒 𝑡𝑘
=
𝑑𝑡 2 (1 − 𝑞𝑒 𝑡 )𝑘+1
𝑑2 𝑀𝑥(𝑡) 𝑘 2 𝑝𝑘 𝑒 𝑡𝑘 + 𝑘 2 𝑝𝑘 𝑒 𝑡𝑘 + 𝑘𝑝𝑘 𝑒 𝑡𝑘 𝑞𝑒 𝑡 − 𝑘 2 𝑝𝑘 𝑒 𝑡𝑘 𝑞𝑒 𝑡
=
𝑑𝑡 2 (1 − 𝑞𝑒 𝑡 )2𝑘+2
𝑑 2 𝑀𝑥(𝑡) 𝑘 2 𝑝𝑘 𝑒 𝑡𝑘 + 𝑘𝑝𝑘 𝑒 𝑡𝑘 𝑞𝑒 𝑡
=
𝑑𝑡 2 (1 − 𝑞𝑒 𝑡 )2𝑘+2
81
𝑑2 𝑀𝑥(𝑡) 𝑘 2 𝑝𝑘 𝑒 0𝑘 + 𝑘𝑝𝑘 𝑒 0𝑘 𝑞𝑒 0
| =
𝑑𝑡 2 𝑡=0 (1 − 𝑞𝑒 0 )2𝑘+2
𝑑 2 𝑀𝑥(𝑡) 𝑘 2 𝑝𝑘 + 𝑘𝑝𝑘 𝑞 𝑘 2 + 𝑘𝑞
| = =
𝑑𝑡 2 𝑡=0 𝑝𝑘 ∗ 𝑝2 𝑝2
𝑑2 𝑀𝑥(𝑡) 𝑘 2 + 𝑘𝑞
| = = 𝜇 ′ 2 = 𝐸(𝑥 2 )
𝑑𝑡 2 𝑡=0 𝑝2
𝜎 2 = 𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 𝜇 2
𝑘 2 + 𝑘𝑞 𝑘 2
𝑉𝑎𝑟(𝑥) = − 2
𝑝2 𝑝
𝑘𝑞
𝑉𝑎𝑟(𝑥) = 𝑉𝐴𝑅𝐼𝐴𝑁𝑍𝐴
𝑝2
Función Característica
∞
𝑖𝑡𝑥
𝜑𝑥(𝑡) = 𝐸(𝑒 ) = ∑ 𝑒 𝑖𝑡𝑥 𝑓(𝑥)
𝑥=1
∞
𝑥−1 𝑘
𝜑𝑥(𝑡) = ∑ 𝑒 𝑖𝑡𝑥 [( ) 𝑝 ∗ 𝑞 𝑥−𝑘 ]
𝑘−1
𝑥=1
𝑘
𝑝𝑒 𝑖𝑡
𝜑𝑥(𝑡) = ( )
1 − 𝑞𝑒 𝑖𝑡
1 𝑠𝑖 𝑜𝑐𝑢𝑟𝑟𝑒(𝐸)
Se considera a la variable aleatoria 𝑥 = {
0 𝑠𝑖 𝑜𝑐𝑢𝑟𝑟𝑒(𝐹)
𝑥 ↷ 𝐵(𝑝, 𝑝𝑞);
82
𝑓(𝑥) = 𝑃(𝑥 = 𝑥) = 𝑝 𝑥 (1 − 𝑝)1−𝑥 , 𝑥 = 0,1
𝑀𝑥(𝑡) = ∑ 𝑒 𝑡𝑥 ∗ 𝑝 𝑥 (1 − 𝑝)1−𝑥
𝑥=0
𝑀𝑥(𝑡) = (1 − 𝑝) + 𝑒 𝑡 𝑝
𝑀𝑥(𝑡) = 𝑞 + 𝑝𝑒 𝑡
𝑑𝑀𝑥(𝑡)
= 𝑝𝑒 𝑡
𝑑𝑡
𝑑𝑀𝑥(𝑡)
| = 𝑝𝑒 0
𝑑𝑡 𝑡=0
𝑑𝑀𝑥(𝑡)
| = 𝑝 = 𝜇 ′ 1 = 𝐸(𝑥)
𝑑𝑡 𝑡=0
∴ 𝐸(𝑥) = 𝜇 = 𝑝 𝑀𝐸𝐷𝐼𝐴
𝑀𝑥(𝑡) = 𝑞 + 𝑝𝑒 𝑡
𝑑𝑀𝑥(𝑡)
= 𝑝𝑒 𝑡
𝑑𝑡
𝑑2 𝑀𝑥(𝑡)
2
= 𝑝𝑒 𝑡
𝑑 𝑡
𝑑2 𝑀𝑥(𝑡)
| = 𝑝𝑒 𝑜
𝑑2 𝑡 𝑡=0
𝑑 2 𝑀𝑥(𝑡)
| = 𝑝 = 𝜇 ′ 2 = 𝐸(𝑥 2 )
𝑑2𝑡 𝑡=0
∴ 𝐸(𝑥 2 ) = 𝑝
83
Una vez obtenida la media, obtendríamos la varianza en base a:
𝜎 2 = 𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 𝜇 2
𝑉𝑎𝑟(𝑥) = 𝑝 − 𝑝2
𝑉𝑎𝑟(𝑥) = 𝑝 − (1 − 𝑝)
∴ 𝑉𝑎𝑟(𝑥) = 𝑝𝑞 𝑉𝐴𝑅𝐼𝐴𝑁𝑍𝐴
Función Característica
1
𝑖𝑡𝑥
𝜑𝑥(𝑡) = 𝐸(𝑒 ) = ∑ 𝑒 𝑖𝑡𝑥 𝑓(𝑥)
𝑥=0
𝜑𝑥(𝑡) = 𝑞 + 𝑝𝑒 𝑖𝑡
𝑥 ↷ 𝐵𝑖𝑛(𝑛, 𝑝)
𝑛
𝑛
𝑀𝑥(𝑡) = ∑ 𝑒 𝑡𝑥 ( ) 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥
𝑥=0
𝑛
𝑛
𝑀𝑥(𝑡) = ∑ ( ) (𝑝𝑒 𝑡 )𝑥 𝑞 𝑛−𝑥
𝑥
𝑥=0
84
𝑛 𝑛 𝑛 𝑛
𝑀𝑥(𝑡) = ( ) 𝑝0 𝑞 𝑛−0 + ( ) 𝑝𝑒 𝑡 𝑞 𝑛−1 + ⋯ + ( ) (𝑝𝑒 𝑡 )𝑛−1 𝑞 + ( ) (𝑝𝑒 𝑡 )𝑛 𝑞 0
0 1 𝑛−1 𝑛
Si p = pet y q = q
Tenemos:
𝑛 𝑛 𝑛 𝑛
(𝑝 + 𝑞)𝑛 = ( ) 𝑝0 𝑞 𝑛−0 + ( ) 𝑝1 𝑞 𝑛−1 + ⋯ + ( ) 𝑝𝑛−1 𝑞 + ( ) 𝑝𝑛 𝑞 0
0 1 𝑛−1 𝑛
𝑛
𝑛
(𝑝 + 𝑞)𝑛 = ∑ ( ) 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥
𝑥=0
𝑑𝑀𝑥(𝑡)
= 𝑛(𝑝𝑒 𝑡 + 𝑞)𝑛−1 (𝑝𝑒 𝑡 )
𝑑𝑡
𝑑𝑀𝑥(𝑡)
| = 𝑛(𝑝𝑒 0 + 𝑞)𝑛−1 (𝑝𝑒 0 )
𝑑𝑡 𝑡=0
𝑑𝑀𝑥(𝑡)
| = 𝑛(𝑝 + 𝑞)𝑛−1 𝑝
𝑑𝑡 𝑡=0
Como p + q = 1
𝑑𝑀𝑥(𝑡)
| = 𝑛(1)𝑛−1 𝑝
𝑑𝑡 𝑡=0
𝑑𝑀𝑥(𝑡)
| = 𝑛𝑝 = 𝜇 ′ 1 = 𝐸(𝑥)
𝑑𝑡 𝑡=0
∴ 𝐸(𝑥) = 𝜇 = 𝑛𝑝 𝑀𝐸𝐷𝐼𝐴
𝑑𝑀𝑥(𝑡)
= 𝑛(𝑝𝑒 𝑡 + 𝑞)𝑛−1 (𝑝𝑒 𝑡 )
𝑑𝑡
85
𝑑 2 𝑀𝑥(𝑡)
= 𝑛(𝑛 − 1)(𝑝𝑒 𝑡 + 𝑞)𝑛−2 (𝑝𝑒 𝑡 )2 + 𝑛(𝑝𝑒 𝑡 + 𝑞)𝑛−1 (𝑝𝑒 𝑡 )
𝑑𝑡 2
𝑑2 𝑀𝑥(𝑡)
2
| = 𝑛(𝑛 − 1)(𝑝𝑒 0 + 𝑞)𝑛−2 (𝑝𝑒 0 )2 + 𝑛(𝑝𝑒 0 + 𝑞)𝑛−1 (𝑝𝑒 0 )
𝑑𝑡 𝑡=0
𝑑2 𝑀𝑥(𝑡)
| = 𝑛(𝑛 − 1)(𝑝 + 𝑞)𝑛−2 𝑝2 + 𝑛(𝑝 + 𝑞)𝑛−1 𝑝
𝑑𝑡 2 𝑡=0
Como p + q = 1
𝑑2 𝑀𝑥(𝑡)
| = 𝑛(𝑛 − 1)(1)𝑛−2 𝑝2 + 𝑛(1)𝑛−1 𝑝
𝑑𝑡 2 𝑡=0
𝑑2 𝑀𝑥(𝑡)
| = 𝑛𝑝[(𝑛 − 1)𝑝 + 1]
𝑑𝑡 2 𝑡=0
𝑑2 𝑀𝑥(𝑡)
| = 𝑛𝑝[𝑛𝑝 − 𝑝 + 1]
𝑑𝑡 2 𝑡=0
Como p = 1 – q
𝑑 2 𝑀𝑥(𝑡)
| = 𝑛𝑝[𝑛𝑝 − 1 + 𝑞 + 1]
𝑑𝑡 2 𝑡=0
𝑑2 𝑀𝑥(𝑡)
| = (𝑛𝑝)2 + 𝑛𝑝𝑞 = 𝜇12 = 𝐸(𝑥 2 )
𝑑𝑡 2 𝑡=0
𝜎 2 = 𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 𝜇 2
Función Característica
𝑛
𝑖𝑡𝑥
𝜑𝑥(𝑡) = 𝐸(𝑒 ) = ∑ 𝑒 𝑖𝑡𝑥 𝑓(𝑥)
𝑥=0
𝑛
𝑛
𝜑𝑥(𝑡) = ∑ 𝑒 𝑖𝑡𝑥 ( ) 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥
𝑥=0
86
𝜑𝑥(𝑡) = (𝑝𝑒 𝑖𝑡 + 𝑞)𝑛
EJERCICIOS PROPUESTOS
𝟑
𝟔𝟒
𝒙𝟐 , si 0 ≤ x <1
f(x)=
0 Caso contrario
𝟑
𝟒
(x-1)(3-x), si 1≤ x<3
f(x)=
0 Caso contrario
87
b) Si para un estudio se consideran aquellos ejemplares que tenga una
longitud entre 1.7 cm y 2.4 cm, calcule el porcentaje de gusanos que
tienen esta característica.
R: a) E(x) = 2, Var(x)= 0.2; b) 50.225%
3. El tiempo de uso diario de la red internet en una oficina tiene por función
de densidad (medida en horas)
𝟑𝒙𝟐 (𝟖−𝒙)
𝟏𝟎𝟐𝟒
, si 0≤x<8
f(x)=
0 caso contrario
𝟏 𝒙
sen ( ), si x ∈ [0, 10 𝛑𝟐 ]
𝟐𝟎𝛑 𝟏𝟎𝛑
f(x)=
0 caso contrario
88
CAPÍTULO 5: DISTRIBUCIONES DE VARIABLES ALEATORIAS
5.1 Distribución variable aleatoria discretas
Éxito →P (éxito) =p
Fracaso → P (Fracaso)=q
Dado n pruebas de Bernoulli conocer la posibilidad de k éxitos en la n pruebas
Varianza
89
Var x = E(x2) – u2 (1)
E(x2) = Q2 (t)
𝑄 ΙΙ (𝑡) = 𝑛(𝑛 − 1)(𝑝 𝑒 𝑡 + 𝑞)𝑛−2 − 𝑝𝑒 𝑡 − 𝑝𝑒 𝑡 + 𝑝𝑒 𝑡 [𝑛(𝑝𝑒 𝑡 + 𝑞)𝑛−1 ]
𝑠𝑖 𝑇 = 0
𝑄 ΙΙ (𝑡) = 𝑛2 𝑝2 − 𝑛𝑝2 + 𝑛𝑝2 (2)
𝑉𝑎𝑟 𝑥 = 𝑛2 𝑝2 − 𝑛𝑝2 + 𝑛𝑝 − 𝑛2 𝑝2
𝑉𝑎𝑟 𝑥 = 𝑛𝑝 𝑛𝑝2
𝑉𝑎𝑟 𝑥 = 𝑛𝑝(1 − 𝑝)
𝑽𝒂𝒓 𝒙 = 𝒏 𝒑 𝒒
Ejemplos 49
1) Una maquina llena de cajas de palillos de fosforo .En una porción del
¡0%la maquina no llena las cajas por completo se forma al azar 25 cajas
de fosforo . calcule la probabilidad de q no haya más de 2 cajas
incompletas
Desarrollo
90
𝑃(𝑒𝑥𝑖𝑡𝑜) = 𝑝 = 0,8
𝑥 = 𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑠 𝑑𝑒𝑠𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠
𝑃(𝑥 = 6) = 6𝐶6 (0,8)6 (0,2)0 = 0,26
No se observe fallas
No se observe más de una falla
Si un avión puede seguir volando si al menos dos motores
91
𝑃("𝑝𝑜𝑟 𝑙𝑜 𝑚𝑒𝑛𝑜𝑠 2 𝑚𝑜𝑡𝑜𝑟𝑒𝑠 𝑓𝑢𝑛𝑐𝑖𝑜𝑛𝑎𝑛𝑑𝑜 𝑦 𝑠𝑒 𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒") = 𝑝(𝑥 ≤ 3)
= 4𝐶3 (0,01)3 (0,99)
= 3,96𝑋10−6
n→ rojas
Muestra (1)
𝑛
𝑝= ;𝑞 = 1 −𝑝
𝑁
𝑁𝑝 𝐶𝑘 𝑁 −𝑛 𝐶𝑟−𝑘
𝑃(𝑥 = 𝑘) = = 𝑘 = 0,1 … . min[𝑛. 𝑟]
𝑁𝐶𝑟
Muestra Hipergeométrica
𝑟𝑛
𝐸(𝑥) = = 𝑟𝑝
𝑁
𝑁−𝑟
𝑉𝑎𝑟(𝑥) = 𝑟𝑝𝑞
𝑛−1
𝑛
(𝑘𝑥)(𝑁−𝑘
𝑛−𝑘
)
𝐸(𝑥) = ∑ 𝑥
𝑥=0
(𝑁
𝑛
)
𝑛
(𝑘 − 1)! (𝑁−𝑘
𝑛−𝑘
)
=𝑘∑ 𝑁
(𝑥 − 1)! (𝑘 − 𝑥)! ( )
𝑥=1 𝑛
𝑛
(𝑘−1 )(𝑁−𝑘)
𝑥−1 𝑛−𝑘
∑
𝑥=1
(𝑁
𝑛
)
92
Puesto que:
𝑁−𝑘 (𝑁 − 1) − (𝑘 − 1)
( )=( )
𝑛−1−𝑦 𝑛−1−𝑦
𝑁 𝑁! 𝑁 𝑁−1
( )= = ( )
𝑛 𝑛! (𝑁 − 𝑛)! 𝑛 𝑛 − 1
𝑛 𝑘−1 𝑁−1−𝑘+1
𝑛𝑘 ( 𝑦
) ( 𝑛−1−𝑦 ) 𝑛𝑘
∑ =
𝑀
𝑥=1
(𝑁−1
𝑛−1
) 𝑁
𝒏𝒌
𝑬(𝒙) =
𝑵
PARÁMETROS
x→ binomial (n, p)
x→ hipergeométrica (N, n, r)
Ejemplo 50
n→ correctas
93
3𝐶1 7𝐶1
𝑃(𝑥 = 1) = = 0,46
10𝐶2
3𝐶0 7𝐶2
𝑃(𝑥 = 2) = = 0,46
10𝐶2
3
𝐸(𝑥) = ∑ 𝑥𝑖 𝑝𝑖
𝑖=1
= 0 + 0,46 + 2(0,46)
= 𝟏, 𝟑𝟖
𝑟𝑛 7
𝐸(𝑥) = = 𝑟𝑝 = 2( )
𝑁 10
7
𝐸(𝑥) = = 𝟏, 𝟒
5
Muestra Geométrica
94
1
𝐸(𝑥) =
𝑝
𝑞
𝑉𝑎𝑟(𝑥) = 2
𝑝
Demostración de la esperanza y varianza de la distribución geométrica
Esperanza
∞ ∞
1+𝑘
𝑄𝑥 (𝑡) = ∑ 𝑒 𝑝𝑞 = 𝑝 ∑(𝑒 + 𝑞)𝑘
𝑘
𝑖=0 𝐾=0
𝑝
=
1 − 𝑒𝑡 𝑞
𝑝𝑞
𝐸(𝑥) =
(𝑞 − 1)2
𝑝 =𝑞−1
𝑝𝑞 𝑞
𝐸(𝑥) = =
𝑝2 𝑟
𝒒
𝑬(𝒙) =
𝒑
Varianza
𝑉𝑎𝑟 𝑥 = 𝐸(𝑥 2 ) − 𝑢′
Si t=0;
𝑄 ΙΙ (𝑡) 𝑞(1 + 𝑝)
𝐸(𝑥 2 ) = 2
=
𝑡 𝑝2
𝑞 + 𝑞2 − 𝑞2
𝑉𝑎𝑟 (𝑥) =
𝑝2
𝒒
𝑽𝒂𝒓(𝒙) =
𝒑𝟐
Ejercicio 51:
95
1) Cuando se graba un comercial de tv la probabilidad de que un actor recite
el dialogo de su toma es de 0.3. Cuál es la probabilidad que el actor recite
correctamente su dialogo en la 6ta vez.
Desarrollo
𝑥 = "# 𝑖𝑛𝑡𝑒𝑛𝑡𝑜𝑠 ℎ𝑎𝑠𝑡𝑎 𝑟𝑒𝑐𝑖𝑡𝑒 𝑐𝑜𝑟𝑟𝑒𝑐𝑡𝑎𝑚𝑒𝑛𝑡𝑒"
𝑃(𝑥 = 6) = (0,7)5 (0,3) = 0,05
1 1
𝐸(𝑥) = = = 3.33 → 𝑎 𝑙𝑎 𝑡𝑒𝑟𝑐𝑒𝑒𝑟𝑎 𝑣𝑒𝑧 𝑠𝑢 𝑑𝑖𝑎𝑙𝑜𝑔𝑜 𝑠𝑒𝑟𝑎 𝑐𝑜𝑟𝑟𝑒𝑐𝑡𝑜
𝑝 0,3
𝑞 0,7
𝑉𝑎𝑟(𝑥) = = = 7,78
𝑝2 0,32
2) En 1 examen el profesor realiza varias preguntas a 1 estudiante de P de
que el estudiante responda correctamente a cualquier preguntas es =0,9
el profesor interrumpe el examen apenas el estudiante manifiesta el
desconocimiento de la pregunta hecha, calcular.
a) Formar la ley de distribución de la v.a que describe el número de preguntas
que realiza el profesor
b) Hallar el numero esperado de preguntas que ha de realizar el profesor
Desarrollo
𝑥 = "# 𝑑𝑒 𝑝𝑟𝑒𝑔𝑢𝑛𝑡𝑎𝑠 𝑎 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑟"
𝐸𝑥𝑖𝑡𝑜 = "𝑛𝑜 𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑎"
𝑃(𝑒𝑥𝑖𝑡𝑜) = 𝑝 = 0,1
𝑃(𝑥 = 𝑘) = 𝑞 𝑘−1 𝑝
𝑃(𝑥 = 1) = (0.9)0 (0,1) = 0,1
𝑃(𝑥 = 2) = (0.9)1 (0,1) = 0,09
𝑃(𝑥 = 3) = (0.9)2 (0,1) = 0,081
𝑃(𝑥 = 4) = (0.9)3 (0,1) = 0,073
1 1
𝐸(𝑥) = = = 10
𝑝 0,1
96
Sea x una v.a.d se dice que x sigue una distribución de Poisson con parámetro λ es un
promedio de los sucesos por unidad de tiempo es decir: x →P (λ), la distribución de
Poisson indica la probabilidad de sucesos o de una unidad de tiempo.
Muestra de poisson
𝑒 −λ λ
𝑃(𝑥 = 𝑘) = ; 𝑘 = 0,1,2 … ….
k
𝐸(𝑥) = c y Var(x) = λ
Nota:
𝑒 −λ λ(t)t
𝑃(𝑥 = 𝑘) = ; 𝑘 = 0,1,2 … ….
k
𝑒 −⋋ ⋋
𝑄(𝑡) = 𝐸(𝑒 −⋋ )
∝!
∝ ∝2
= 𝑒 −⋋ [1 + + + ⋯]
1! 2!
(𝑒 𝑡−1 )
𝑄(𝑡) = 𝑒 −⋋
Esperanza
u=E(x)
Donde
α= Q (t)
∝= ⋋ 𝑒 𝑡
∝=⋋ +𝑒 1
𝑬(𝒙) = ⋋
Varianza
𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − [𝐸(𝑥)]2
𝑉𝑎𝑟(𝑥) = (⋋ + ⋋2 −⋋2 )
𝑽𝒂𝒓 (𝒙) = ⋋
Ejemplo 52:
97
1) El promedio de llamadas que recibe una central telefónica en un minuto es
de 1,5 halle la probabilidad de que en 4 minutos se reciban:
3 llamadas
𝑙𝑙𝑎𝑚𝑎𝑑𝑎𝑠
𝜆 = 1,5 [ ]
𝑚𝑖𝑛𝑢𝑡𝑜
𝑡 = 4 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝑥 = "# de llamadas 4 minutos"
3
𝑒 −(1,5(4)) (1,5(4))
𝑃(𝑥 = 3) = = 0,089
3!
Menos de 3 llamadas
No menos de 4 y no más de 7
98
3
𝑒 −(1,5(1)) (4(1))
= 0,195
3!
b) Menos de 3 pedidos
Tips 14 R Distribuciones.
Ejemplo de cálculo en R:
99
TIPS DE “R” DISTRIBUCIONES
DISCRETAS
Ejemplos de calculo:
Sea x una v.a B(20:0.4)
Calcular P(X<5)
P(X<5)= P(X≤5)- P(X=5)
Grafica
100
TIPS DE “R” DISTRIBUCIONES
DISCRETAS
Ejemplo:
Distribución Binomial.
Función de densidad.
fx <-c(dbinom(x,10,0.3))
Función distribución.
fx <-pbinom(x,10,0.3)
101
Tips 16 R Distribución Binomial.
EJERCICIOS PROPUESTOS
Fuente: GALINDO Edwin, Estadística - Métodos y Aplicaciones, ProCiencia
Editores 2011, Ejercicios 4.6, literales (28, 29, 31, 32, 34) pag 130
1) Una jugadora de tenis gana el 30 % de los partidos que realiza. Ella jugara
en un torneo mientras no sea eliminada en el partido.
2) Una marca de refrescos tiene impresas, en cada una de las tapas, una de
las figuras de los cuatro jinetes del apocalipsis, y quien reúna la colección
completa ganara un premio. Si un comprador cree que hay igual número
de figuras de cada uno de los personajes en la proporción, ¿Cuántos
refrescos a de esperar para ganar el premio?
102
tres ejemplares de clase deseada;
Respuestas: a) 0.04087 b) 0.03564
1
𝑓(𝑥) = { , 𝑥 ∈ [𝑎, 𝑏]
𝑏−𝑎
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
0
𝐹(𝑥) = { 𝑥 − 𝑎 , 𝑥 ∈ [𝑎, 𝑏]
𝑏−𝑎
1 ,𝑥 > 𝑏
Muestra distribución uniforme
𝑎+𝑏
𝐸(𝑥) =
2
103
(𝑏 − 𝑎)2
𝑉𝑎𝑟 (𝑥) =
12
Demostración esperanza y varianza de la distribución uniforme
Esperanza
𝑏
𝐸(𝑥) = ∫ 𝑥 𝑓(𝑥)
𝑎
𝑏
1
𝐸(𝑥) = ∫ 𝑥 ( ) 𝑑𝑥
𝑎 𝑏−𝑎
𝑏
1
𝐸(𝑥) = ( ) ∫ 𝑥 𝑑𝑥
𝑏−𝑎 𝑎
1
𝐸(𝑥) = ( ) (𝑏 2 − 𝑎2 )
2(𝑏 − 𝑎)
𝒂+𝒃
𝑬(𝒙) =
𝟐
Varianza
𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − (𝐸(𝑥 2 ))
𝑏
1
= ∫ 𝑥2 ( ) 𝑑𝑥
𝑎 𝑏−𝑎
1 𝑥3 1 𝑏 2 +𝑎𝑏 + 𝑎2
= ∗ = ∗ (𝑏 3 −𝑎3 ) =
𝑏−𝑎 3 3(𝑏 − 𝑎) 3
1
𝑉𝑎𝑟(𝑥) = (𝑏 2 + 𝑎𝑏 + 𝑎2 )
3
𝑏 2 −2𝑎𝑏 + 𝑎2
=
12
𝑎+𝑏
( )2
2
𝑏 2 −𝑎𝑏 + 𝑎2 (𝑎 + 𝑏)2
= −
3 4
4𝑏 2 + 4𝑎𝑏 + 4𝑎2 − 3(𝑎2 +2𝑎𝑏 + 𝑏 2 )
=
12
𝑏 2 −2𝑎𝑏 + 𝑎2
=
12
(𝒃 − 𝒂)𝟐
𝑽𝒂𝒓(𝒙) =
𝟏𝟐
104
Muestra distribución exponencial
Esperanza
E(X)= 1/λ
∞ 𝑏
E(X)= ∫0 𝑥λe−λx dx = lim 𝑥 ∫0 λe−λx dx
𝑏→∞
𝑏
u=x dv= ∫0 e−λx dx
−1 −λx
du=dx v= e
λ
𝑥 𝑏1
lim λ [− λ e−λx ] + ∫0 λ
e−λx dx
𝑏→∞
1
lim [−𝑥e−λx ] 𝑏0− [ e−λx ]
𝑏→∞ λ
1 1
lim (−𝑏e−λx − λ e−λx + λ
)
𝑏→∞
1 1
lim −𝑏 e−λx + lim − λ e−λx + lim λ
𝑏→∞ 𝑏→∞ 𝑏→∞
1
= λ
∞
𝑦(𝑡) = 𝐸[𝑒 𝑡𝑥 ] = ∫ 𝑒 𝑡𝑥 ⋋ 𝑒 −⋋ 𝑑𝑥
0
∞
= ∫ (⋋ −𝑡)𝑒 −(⋋−𝑡)𝑥 𝑑𝑥
0
𝟏
𝑬(𝒙) =
⋋
Varianza
105
𝑓(𝑥)𝑑𝑒 𝑢𝑛𝑎 𝐸𝑥𝑝 (⋋ −1) = 1
⋋ 1
𝑄(𝑡) = ⋋−𝑡 = 𝑡
1−
⋋
𝑡
= (1 − ⋋)−1
2 (1 − 𝑡)−3 (−1) 2
⋋2 = 𝑄(𝑡) = − = 2
⋋ ⋋ ⋋ ⋋
𝑉𝑎𝑟(𝑥) = ⋋2 −⋋1 2
2 1
𝑉𝑎𝑟 (𝑥) = 2
− 2
⋋ ⋋
𝟏
𝑽𝒂𝒓(𝒙) =
⋋𝟐
Ejemplos 53
1) Una variable aleatoria está distribuida según una ley exponencial del
parámetro 𝛌=3.
X→Ԑ(λ)
λ=3
a) Hallar la probabilidad del resultado de la prueba (0.13;0.7)
Desarrollo
0, 𝑥<0
𝑓(𝑥) = { −λx
λe , 𝑥≥0
0, 𝑥<0
𝑓(𝑥) = { −3x
3e , 𝑥≥0
Pr (0.13≤ x ≥0.7)
0.7
∫ 3e−3x dx
0.13
1 0.7
=− 3 3 ( e−3x ) 0.13
106
𝑒 −3(0.7) 𝑒 −3(0.13)
= 3 [− 3
+ 3
]
= 3(−0.04 + 0.23)
= 0.57
b) Determine su esperanza y su desviación estándar.
Desarrollo
∞
E(x) = ∫0 3e−3x x dx
𝑏
= 3 lim ∫0 e−3x x dx
𝑏→∞
e−3x e−3x
=3 [ lim −𝑏 − lim + lim 1/9 ]
𝑏→∞ 3 𝑏→∞ 9 𝑏→∞
𝑏 1
=3 [−1/3 lim e3𝑏 − 1/9 lim + 1/9]
𝑏→∞ 𝑏→∞ e3x
1 1
=3 [− 3 (0) − 9 (0) + 1/9]
1
=3
2) El tiempo durante el cual las baterías para teléfono celular trabaja en forma
efectiva hasta que falla se distribuye según un modelo exponencial con un
tiempo modelo de falla de 500h.
107
−x
1 ∞
=500 ∫600 e500 dx
−x
1 ∞
=500 [−500e500 ] 600
−∞ −600
=−𝑒 500 + 𝑒 500
6
1
=− ∞ + 𝑒 −5
𝑒 500
6
= 0 +𝑒 −5
=0.30
Desarrollo
P(x> 350 + 300 /𝑥 > 350)
(𝐴∩𝐵)
P(A/B)= P
𝑃(𝐵)
= 0.72/0.50
= 1.432
X es una variable aleatoria continua, se dice que X sigue una distribución normal 𝑋 →
𝑁(𝜇, 𝜎 2 ), La función de densidad de una distribución normal:
(𝑥−𝜇)2
1 −
f(x)= . 𝑒 2𝜎2 ; ∀𝑥 ∈ ℝ
√2𝜋
108
Grafico 9 Distribución Normal.
Ejemplo 54:
1) El perímetro craneal de os hombres en una ciudad, es una variable aleatoria
con 𝛀=60cm y 𝝈𝟐 =2.
z1=-1.5 z2=2
= P (-1.5≤ Z≤ 2)
= P (Z≤ 2) - P (Z≤ −1.5)
= 0.9752-0.0668
= 0.9084
b) Qué perímetro craneal debe tener un hombre para que el 16.8% de sus paisanos
tengan más cabeza que él.
Desarrollo
Ecuación estocástica
P(x> 𝑇) = 0.166
109
𝑇−60
ZT= 2
ZT=0.97
(0.97*2)+60=T
T=61.94
c) Y cuanto para que el 35.2% tenga menos.
Desarrollo
P(X< 𝑇)=0.352
0.352⇒-0.3-0.008 = -0.38
𝑇−60
ZT= 2
ZT=-0.38
= (-0.38*2) +60=T
T= 59.24
Desarrollo
X ="Estatura de la población”
X→N (170cm, 5cm)
P(x≥ 𝑇) = 0.01
ZT=2.33
T= (2.33*5)+170
T=181.63cm
Desarrollo
X1→N (80,4)
110
X2→N (65,5)
84−80
P(x< 84) = 4
= 0.84
75−65
P(x< 75) = 5
= 0.97
𝑐𝑢𝑎𝑛𝑑𝑜 𝑛 → ∞
(𝑛 > 30)
Ejercicio
Demostrar: 𝐸(𝑌) = 𝑛𝑢
𝑉𝑎𝑟(𝑌) = 𝑛𝜎 2
𝑌 = 𝑥1 + 𝑥2 +𝑥3 + ⋯ + 𝑥𝑛.
𝐸(𝑌) = 𝐸(𝑥1 + 𝑥2 +𝑥3 + ⋯ + 𝑥𝑛. )
𝐸(𝑌) = 𝐸(𝑥1 ) + 𝐸(𝑥2 )+𝐸(𝑥3 ) + ⋯ + 𝐸(𝑥𝑛 )
𝐸(𝑌) = 𝜇1 + 𝜇2 + ⋯ + 𝜇𝑛
𝐸(𝑌) = 𝑛𝑢
𝑉𝑎𝑟(𝑌) = 𝑉𝑎𝑟(𝑥1 + 𝑥2 +𝑥3 + ⋯ + 𝑥𝑛. )
𝑉𝑎𝑟(𝑌) = 𝑉𝑎𝑟(𝑥1 ) + 𝑉𝑎𝑟(𝑥2 )+𝑉𝑎𝑟(𝑥3 ) + ⋯ + 𝑉𝑎𝑟(𝑥𝑛 )
𝑉𝑎𝑟(𝑌) = 𝜎 2 + 𝜎 2 + 𝜎 2 + ⋯ + 𝜎 2 = 𝑛𝜎 2
Ejemplo
1. Sean 𝑥1, 𝑥2 , … , 𝑥50 variables aleatorias independientes que siguen la ley
X 0 1 2
𝑃(𝑋 = 𝑥) 1 3 1
8 8 2
111
Calcule la probabilidad
𝑃(𝑥1, 𝑥2 , … , 𝑥50 ) > 70
1 3 1 3 11
𝐸(𝑥) = 0 ( ) + 1 ( ) + 2 ( ) = + 1 =
8 8 2 8 8
11
𝐸(𝑥𝑖 ) =
8
𝑉𝑎𝑟(𝑥) = 𝐸𝑥 2 − (𝐸𝑥)2
1 3 1 3 19
𝐸𝑥 2 = 02 ( ) + 12 ( ) + 22 ( ) = + 2 =
8 8 2 8 8
19 11 2 31
𝑉𝑎𝑟(𝑥𝑖 ) = −( ) =
8 8 64
𝑌 = 𝑥1 + 𝑥2 +𝑥3 + ⋯ + 𝑥𝑛. → 𝑍
1
𝑌 − 𝐸(𝑌) 𝑌 − 𝑛𝑢 𝑌 − 50 8 𝑌 − 68.75 70 − 68.75
𝑍= = = = = = 0.25
√𝑉𝑎𝑟(𝑌) 𝜎√𝑛 4.92 4.92
√31 √50
64
𝑃(𝑌 = 70) = 𝑃(𝑍 > 0.25) = 1 − 𝑃(𝑍 > 0.25) = 1 − 0.5987 = 0.4013
Ejercicio
𝐶(𝑥2 ) = 30 + 0.3𝑥2
X= “Ingreso Diario”
𝑥 → 𝜇[50,250]
250 + 50
𝑥1 → 𝜇(50,250) => 𝐸(𝑥1 ) = = 150
2
250 + 50
𝑥2 → 𝜇(50,250) => 𝐸(𝑥2 ) = = 150
2
(200)2
𝑉𝑎𝑟(𝑥1 ) = = 3333.33
12
112
(200)2
𝑉𝑎𝑟(𝑥2 ) = = 3333.33
12
a)
𝑃(𝐶(𝑥1 ) + 𝐶(𝑥2 )+𝐶(𝑥3 ) + ⋯ + 𝐶(𝑥31 ) > 2500)
𝑌 = 𝐶(𝑥1 ) + 𝐶(𝑥2 )+𝐶(𝑥3 ) + ⋯ + 𝐶(𝑥31 )
𝑌 − 𝐸(𝑌) 2500 − 𝐸(𝑌)
𝑃(𝑌 > 2500) = 𝑃 ( > )
√𝑉𝑎𝑟(𝑌) √𝑉𝑎𝑟(𝑌)
113
5.2.5 Distribución gamma
Γ(𝛼) = (𝛼 − 1)! ; 𝛼 ∈ 𝕫
𝑏
∫0 𝑥 𝑏−1 𝑒 −𝑥 𝑑𝑥
u=𝑥 𝑏−1 ⇒ du = (b-1)𝑥 𝑏−2 𝑑𝑥
dv=𝑒 −𝑥 𝑑𝑥 ⇒ 𝑣 = −𝑒 −𝑥
u.v-v.dv
𝑥 𝑏−1 . −𝑒 −𝑥 − ∫(−𝑒 −𝑥 ). (𝑏 − 1)𝑥 𝑏−2 𝑑𝑥
lim [𝑥 ∞−1 . −𝑒 −𝑥 ] b0+(∞ − 1) ∫(𝑒 −𝑥 ). 𝑥 𝑏−2 𝑑𝑥
𝑏→∞
−𝑏∞−1
lim +(∞ − 1) ∫(𝑒 −𝑥 ). 𝑥 𝑏−2 𝑑𝑥
𝑏→∞ 𝑒 𝑏
∞
(∞ − 1) ∫0 (𝑒 −𝑥 ) 𝑥 𝑏−2 𝑑𝑥;
∞
(∞ − 1)= ∫0 (𝑒 −𝑥 ) 𝑥 ∞−2 𝑑𝑥;
𝚪(𝜶) = (𝜶 − 𝟏)𝚪(𝜶 − 𝟏)
Γ(𝛼) = (𝛼 − 1)(𝛼 − 2)(Γ(𝛼 − 1))
=(𝛼 − 1)(𝛼 − 2)(𝛼 − 3)(𝛼 − 4) ….
𝛼=1
𝛽=2
∞
∫0 𝑥 ∞−1 𝑒 −𝑥 𝑑𝑥
𝑥
∞ −
∫0 𝑥 ∞ 𝑒 𝛽 𝑑𝑥
∞
∫0 𝛽𝑦 ∞ 𝑒 −𝑦 (𝛽)𝑑𝑦
Si Y=x/𝛽
𝑑𝑦 1
𝑑𝑦
= 𝛽
∞
𝛽 ∞ 𝛽 ∫0 𝑦 ∞ 𝑒 −𝑦 𝑑𝑦
𝛽𝑑𝑦 = 𝑑𝑥
∞
Γ(𝛼 + 1) = ∫0 𝑥 ∞ 𝑒 −𝑥 𝑑𝑥
𝑥
∞ −
∫0 𝑥 ∞ 𝑒 𝛽 𝑑𝑥 = 𝛽 ∞+1 Γ(𝛼 + 1)
1
𝛽 ∞ Γ(𝛼)
* 𝛽 ∞+1 Γ(𝛼 + 1)
𝛽
Γ(𝛼)
Γ(𝛼 + 1)
114
𝛽
Γ(𝛼)
∗ 𝛼Γ(𝛼)
𝜷. 𝜶
3) Suponga que la vida útil de cierto elemento es una variable aleatoria que
tiene distribución Weibull con α= 0.5 y λ= 0.01, Calcular:
a) La vida media útil de ese artículo.
b) La variación de la vida útil.
c) La probabilidad de que el elemento dure más de 300 horas
115
fallan durante la prueba después de funcionar el siguiente número de
horas: T 93, 34, 16, 120, 53, y 75.
Estime los valores de los parámetros para una distribución de Weibull y
determine la confiabilidad de las unidades para un valor de misión de 15
horas
R: 0,90
6. EJERCICIOS RESUELTOS
2𝑘+1 > 2𝑘 2 + 8𝑘 + 10
116
2𝑘+1 > (𝑘 + 1)2 + 4(𝑘 + 1) + 5 + 𝑘 2 + 2𝑘
Desarrollo
𝑛(𝑛+1)
Queremos probar que ∀𝑛 ∈ 𝑁 : 1+2+3+4+……..+n= 2
𝑛(𝑛+1)
Sea p(n): 1+2+3+4+…..n= 2
, debemos probar que p(n) satisface las propiedades
1=1
Se supone que la igualdad es verdadera para un cierto valor de k, es decir,
𝑘(𝑘+1)
1+2+3+4……+k=
2
Sea k 𝜖 𝑁, debemos probar que p(k)==> p(k+1) es verdadero hay que hacer
la demostración suponiendo que p(k) es verdadera
𝑘(𝑘+1) 𝑘 𝑘+2
1+2+3+…..k + (k+1)= 2
+ (k+1)= ( 2 +1) (k+1)= (k+1)( 2
)
𝑛(𝑛+1)
Así se ha demostrado que ∀𝑛 ∈ 𝑁 : 1+2+3+4+……..+n= 2
es verdadera
117
1*2*3*4……n >𝟐𝒏
Desarrollo
La fórmula no es válida para n =1, 2,3
1. Para n=4 se tiene que:
24 =1*2*3*4 >24 = 16 verdadero
Desarrollo
𝑛(𝑛+1)(𝑛+2)
1. Sea p(n), 1*2+2*3+3*4+…….+n(n+1)=
3
1∗2∗3
Entonces: p (1), 1*2 = =2 verdadera
3
Que es justamente la tesis deseada y lo que prueba que p (n) es verdadera para todo
natural n.
118
5) Demuestre que para todo natural n ≥ 2
𝟏 𝟏 𝟏 𝟏
+ + + ⋯.+ > √𝒏
√𝟏 √𝟐 √𝟑 √𝒏
Desarrollo
1. Sea p(n) la proposición dada, luego para n =2, se tiene que:
1
1 +√2 > √2 . La proposición verdadera
Se concluye la demostración
4+2+6+5+7+5+4+6
𝑥=
8
39
𝑥=
8
119
𝑥 = 4.875
b) La mediana
Ordenamos datos:
2 + 4 + 4 + 5 + 5 + 6 + 6 +7
1
𝑀𝑑 = (𝑥8 + 𝑥8 )
2 2 2
+1
1
𝑀𝑑 = (𝑥4 + 𝑥5 )
2
1
𝑀𝑑 = (5 + 5)
2
10
𝑀𝑑 =
2
𝑀𝑑 = 5
c) S
∑𝑛𝑖=1(𝑥1 − 𝑥)2
𝑆=
𝑛−1
(2 − 4.875)2 + 2(4 − 4.875)2 + 2(5 − 4.875)2 + 2(6 − 4.875)2 + (7 − 4.875)2
=
7
8.265625 + 1.53125 + 0.03125 + 2.53125 + 4.515625
=
7
16.905003
=
7
= 4.22625
120
𝑀𝑑 = 𝑋 𝑛+1
( )
2
𝑀𝑑 = 𝑋(9+1)
2
𝑀𝑑 = 𝑋(10)
2
𝑀𝑑 = 𝑋(5)
𝑀𝑑 = 5
c) S
∑𝑛𝑖=1(𝑥1 − 𝑥)2
𝑆=
𝑛−1
3(4 − 6)2 + 2(5 − 6)2 + (7 − 6)2 + 2(8 − 6)2 + (9 − 6)2
=
8
12 + 2 + 1 + 8 + 9
=
7
32
=
7
= 4.571428571
32 33 34 31 32 31 34 32 34 32 31 34 31 31 32 32 34 34 32 33 34 33 33
34 31
Desarrollo
a) Media
n=25
32+33+34+31+32+31+34+32+34+32+31+34+31+31+32+32+34+34+32+33+34+33+33+34+34
𝑋= 25
814
𝑋=
25
𝑋 = 32.56
b) Mediana
Ordenamos datos.
31,31,31,31,31,31,32,32,32,32,32,32,32,33,33,33,33,34,34,34,34,34,34,34
𝑀𝑑 = 𝑥𝑛+1
2
𝑀𝑑 = 𝑥25+1
2
𝑀𝑑 = 𝑥13
121
𝑀𝑑 = 32
c) Moda
Puede ser 32 y 34
xi 2 5 7 10
ni 8 12 16 14
Desarrollo
a) Media
16 + 60 + 112 + 140
𝑋=
50
328
𝑋=
50
𝑋 = 6.56
b) Moda
c) Rango
𝑅 = 10 − 2
𝑅=8
Estatura (en cm) 155 160 165 170 175 180 185
No. De estudiantes 10 14 26 28 12 8 2
122
Desarrollo
a) La media Armónica
𝑛
𝐻=
1
∑𝑛𝑖=1
𝑥𝑖
100
𝐻=
1 1 1 1 1 1 1
+ + + + + +
155 ∗ 10 160 ∗ 14 165 ∗ 26 170 ∗ 28 175 ∗ 12 180 ∗ 8 185 ∗ 2
100
𝐻=
1 1 1 1 1 1 1
+ + + + + +
1550 2240 4290 4760 2100 1440 370
𝐻 = 184.9
b) La media geométrica
100
𝑀𝑔 = √(155 ∗ 10) ∗ (160 ∗ 14) ∗ (165 ∗ 26) ∗ (170 ∗ 28) ∗ (180 ∗ 89) ∗ (185 ∗ 2)
100
𝑀𝑔 = √7.9328 ∗ 1022
𝑀𝑔 = 169
6) Las notas de un examen de 6 alumnos son: 6, 5, 9, 19, 3 y 18. Un alumno
aprueba si su nota es mayor o igual que el promedio y que la mediana de
las notas. ¿Qué porcentaje de los alumnos aprobaron el examen?
Desarrollo
6 + 5 + 9 + 19 + 3 + 18
𝑋=
6
60
𝑋=
6
𝑋 = 10
Aprueban 2 estudiantes
123
123, 116, 122, 110, 175, 126, 125, 111, 118, 117
Desarrollo
a) Encuentre la media
123 + 116 + 122 + 110 + 175 + 126 + 125 + 111 + 118 + 117
𝑋=
10
1243
𝑋=
10
𝑋 = 124.3
b) Mediana
Se ordenan los datos
110, 111, 116, 117, 118, 122, 123, 125, 126, 175
1
𝑀𝑑 = (𝑥𝑛 + 𝑥𝑛+1 )
2 2 2
1
𝑀𝑑 = (𝑥10 + 𝑥10 )
2 2 2
+1
1
𝑀𝑑 = (𝑥5 + 𝑥6 )
2
1
𝑀𝑑 = (118 + 122)
2
1
𝑀𝑑 = (240)
2
𝑀𝑑 = 120
124
Desarrollo
a) La varianza
∑𝑛𝑖=1(𝑥1 − 𝑥)2
𝑆=
𝑛−1
2+4+9+1
𝑆=
4
𝑆=4
b) Desviación Estándar
𝑆 2 = 16
c) Rango
𝑅 = 573 − 568
𝑅=5
125
a) ¿Qué porcentaje de los empleados es menor que 50?
Desarrollo
Hay 43 empleados menores que 50 años
Decimos: Si 50 es el 100% 43 cuanto será:
43 ∗ 100
%=
50
4300
%=
50
% = 86%
Desarrollo
33 ∗ 100
%=
50
3300
%=
50
% = 66%
66% representa a los empleados mayores que 35.5.
126
Desarrollo
a) Media
1787.5216
𝑆=
4
𝑆 = 446.8804
𝑆 2 = 199702.0
127
6.3 TABLA DE DISTRIBUCIONES
Tabla de Distribuciones
Xi Fi Fi Ni
1 4 0.08
2 4
3 16 0.16
4 7 0.14
5 5 28
6 38
7 7 45
Primera fila:
𝐹1 = 4
4
= 0.08
𝑁
𝑁 = 50
Segunda fila:
4
= 0.08
50
𝐹2 = 4 + 4 = 8
128
Tercera fila:
𝑛3
= 0.16
50
𝑛3 = 0.16 . 50 = 8
Cuarta fila:
𝑁4 = 16 + 7 = 23
Quinta fila:
5
𝑛5 = = 0.1
50
Sexta fila:
28 + 𝑁8 = 38
𝑁8 = 10
10
𝑛6 = = 0.2
50
Séptima fila:
7
𝑛7 = = 0.17
50
Octava fila:
𝑁8 = 𝑁 = 50
𝑁8 = 50 − 45 = 5
5
𝑛8 = = 0.1
50
[0, 10) 40
[10, 20) 60
[20, 30) 75
[30, 40) 90
129
[50, 60) 85
[60, 70) 80
[70, 80) 65
Desarrollo
25600
𝑥= = 42,67
600
1345000
𝜎2 = − 42,672 = 420,94
600
𝜎 = 17,27
130
b) Calcula la mediana, los cuartiles y los percentiles 20 y 85.
300 − 265
𝑀𝑒 = 40 + . 10 = 43.44
370 − 265
Para 𝑄1 = 600/4 = 150, luego voy al intervalo [20,30)
150 − 100
𝑄1 = 20 + . 10 = 26.66
175 − 100
450 − 370
𝑄3 = 50 + . 10 = 59.41
455 − 370
120 − 100
𝑃20 = 20 + . 10 = 22.66
175 − 100
510 − 455
𝑃85 = 60 + . 10 = 68.88
535 − 455
131
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )4 (170 − 171)4 + (172 − 171)4 + ⋯ + (172 − 171)4
= = 1191
𝑛 10
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )3 /𝑛 55,8
𝐴𝑠 = = = 0.421
𝑠3 5,13
Los datos son levemente asimétricos, con asimetría hacia la derecha; también, son
platicúrticos, debido a posibles valores atípicos.
Calculando 𝑥̅ =4 y s=2,45
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )3 48
= = 12
𝑛 4
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )4 288
= = 72
𝑛 4
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )3 /𝑛 12
𝐴𝑠 = 3
= = 0.421
𝑠 2,453
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )4 /𝑛 72
𝐴𝑝 = 4
−3= − 3 = −1
𝑠 2,454
Se trata de una distribución platicúrtica con asimetría positiva.
6 -166.375
9 -15,625
9 -15,625
132
12 0,125
12 0,125
12 0,125
15 42,875
17 166,375
Total 12
Desarrollo
𝑥̅ =11.5
S=3,279
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )3 /𝑛 12/8
𝐴𝑠 = 3
= = 0.035
𝑠 (3,279)3
Se muestra una simetría positiva.
6 915,0625
9 39,0625
9 39,0625
12 0,0625
12 0,0625
12 0,0625
15 150,0652
17 915,0652
Total 2058,5
133
Desarrollo
𝑥̅ =11.5
S=3,279
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )4 /𝑛 2058,5/8
𝐴𝑝 = −3= − 3 = −0,77
𝑠4 3,2794
134
Sea el número de horas hasta que los tres fallen sistemas fallen, y sea que X1, X2,
X3 denoten el número de horas operadas antes de una falla de la primera, la
segunda y la tercera computadoras usadas, respectivamente. Entonces,
X=x1+x2+x3, Además, se supone que las horas comprenden ensayos
independientes con probabilidad constante de falla p=0.0005. Por otra parte, una
computadora de repuesto no es afectada por la cantidad de tiempo que transcurra
antes de activarse. Por consiguiente, X tiene una distribución binomial negativa con
p=0,0005 y r=3. En consecuente.
E(X) =3/0.0005= 6000 horas
Desarrollo
En este caso, el “éxito” es la obtención de un lote defectuoso, por lo que p=0,1 y r=3. La
probabilidad de que X=20 está dada por:
19
𝑓(20) = ( ) 0.917 (0.13 )
2
3(0.9)
El valor esperado de X es 𝑟/𝑝 = 3/0.1 = 30 y la varianza de x es 𝑟𝑞/𝑝2 = (0.1)2 = 270.
Existe otro aspecto que debe resaltarse. Cuando r=1, la distribución binomial negativa
se reduce a la distribución geométrica.
135
3) Una máquina, que está dañada, envasa latas de conserva de una en una
y de manera independiente. Se considera que el 5% de lo envasado
resulta defectuoso. Si la maquina se detiene penas produce el tercer
defectuoso:
Desarrollo
Calculemos la esperanza de X:
𝑟 3
𝐸(𝑋) = = = 60
𝑝 0.05
Se esperaría producir 60 latas hasta que se detenga la máquina.
Calculemos Pr(X=9)
3−1
Pr(𝑋 = 9) = 𝐶9−1 (0.05)3 (1 − 0.05)9−3 = 0.00257
Que ninguna lata producida fue buena, significa que las 3 primeras latas fueron
defectuosas; es decir, k=3
3−1
Pr(𝑋 = 3) = 𝐶3−1 (0.05)3 (1 − 0.05)3−3 = 0.00125
Desarrollo
Cada persona expuesta a la enfermedad constituye un ensayo. Estos ensayos son
independientes y la probabilidad de éxito es 0.3.
136
Por la pregunta concluimos que es una Distribución Binomial negativa.
k=4, p=0.3
X= cantidad de ensayos realizados hasta obtener k éxitos
X=4,5, 6….
𝑥 − 1
𝑃(𝑋 = 𝑥) = ( ) 0,34 (1 − 0.3)𝑥−4 , 𝑥 = 4,5,6 ….
4 − 1
10 − 1
𝑃(𝑋 = 10) = ( ) 0,34 (1 − 0.3)10−4 = 0.08
4 − 1
Desarrollo
k = 6 dispositivos de medición
6−1
Pr(𝑋 = 6) = 𝐶3−1 (0.05)3 (1 − 0.05)6−3 = 0.001072
Desarrollo
∞ 4 0.25 42
E(x)=∫−∞ 𝑥 𝑓(𝑥)dx =∫0 0.25𝑥 dx = 2
“es un valor promedio”
∞ 4 0.25 43
E (𝑥 2 )=∫−∞ 𝑥 2 𝑓(𝑥)dx =∫0 0.25𝑥 2 dx = 3
Desarrollo
137
Var (x)=E (𝑥 2 ) −(E (𝑋))2
0.25 43 0.25 42 2 4
Var(x)= 3
−( 2
) =3
1 si 1≤ 𝑥 ≤ 2
f(x) =
0 resto
Desarrollo
Determine la esperanza de x:
∞ 2 22 12 3
E(x)=∫−∞ 𝑥 𝑓(𝑥)dx =∫1 𝑥 dx = - =
2 2 2
∞ 2 23 13 7
E (𝑥 2 )=∫−∞ 𝑥 2 𝑓(𝑥)dx =∫1 𝑥 2 dx = 3 - =
3 3
Determine la varianza de x:
-6x(x-1) si 0≤ 𝑥 ≤ 1
f(x) =
0 resto
138
a) Hallar su esperanza y varianza
Desarrollo
∞ 1 1 3 1
E(x)=∫−∞ 𝑥 𝑓(𝑥)dx =∫0 𝑥 (−6𝑥(𝑥 − 1)) dx =∫0 − 6𝑥 3 + 6𝑥 2 𝑑𝑥 =2 − 2 = 2
∞ 1 6 3 3
E (𝑥 2 )=∫−∞ 𝑥 2 𝑓(𝑥)dx =∫0 𝑥 2 (-6x(x-1)) dx =− + =
5 2 10
2
f(x)= 5
(x+2) 0≤ 𝑥 ≤ 1
0 otro x
Desarrollo
∞ 1 2 1 2 𝑥2 4𝑥 8
E(x)= E(x)=∫−∞ 𝑥 𝑓(𝑥)dx =∫0 𝑥 (𝑥 + 2) dx =∫0 + 𝑑𝑥=
5 5 5 15
𝑥+1
2( 8
) 0≤ 𝑥 ≤ 2
f(x)=
0 otro caso
139
Desarrollo
∞ 2 𝑥+1 2 (2) 𝑥 2 (2)𝑥 (2) 8 (2) 4 7
E(x)= E(x)=∫−∞ 𝑥 𝑓(𝑥)dx =∫0 2 𝑥 ( 8
) dx =∫0 8
+ 8
𝑑𝑥= 8(3) + 16 6
=
Desarrollo
1,5
𝑃(𝑇 > 10000) = 1 − (1 − 𝑒 [(0,0001)(10000)] )
1,5
= 𝑒 −[(0,0001)(10000)] = 0,3679
b) ¿Cuál es la probabilidad de que un ventilador dure menos de 500 horas?
Desarrollo
1,5
𝑃(𝑇 ≤ 5000) = 1 − 𝑒 [(0,0001)(5000)] ) = 0,2978
2 𝑥2
𝐹𝑥 (𝑥) = 𝑥𝑒 𝑥−25 (𝑥 > 0)
25
(𝑥 < 0)
140
Si un modelo de aerogenerador está preparado para funcionar con velocidades de
viento, comprendidas entre los 3 y los 25 metros por segundo ¿qué proporción del
tiempo estaría funcionando una vez instalado en esa área?
Desarrollo
La proporción del tiempo en que el viento alcanza velocidades comprendidas entre los
3 y los 25 metros por segundo es la probabilidad de que en un momento cualquiera la
velocidad. Este en ese intervalo, es decir:
−252 −32
𝑃[3 ≤ 𝑋 ≤ 25] = 𝐹𝑋 (25 −)𝐹𝑋 (3) = (1 − 𝑒 25 ) − (1 − 𝑒 25 ) = 0,6977
(X es una variable continua y por eso podemos escribir P [3 ≤ X ≤ 25] = P [3 < X ≤ 25] =
FX (25) − FX (3).
El 69077 % del tiempo el aerogenerador estaría funcionando.
Desarrollo
1
𝐸(𝑥) = 100Γ (1 + ) = 100 ∗ 5! = 1200 ℎ𝑜𝑟𝑎𝑠
0,2
1 1 2
𝑉(𝑥) = 1002 Γ (1 + ) − 1002 [Γ (1 + )] = 3,61𝑋1010
0,2 0,2
141
Desarrollo
1
𝐸(𝑥) = 5000Γ [1 + 0,5] = 5000Γ[3] = 5000 ∗ 2! = 10000 horas
Y tenemos
1
𝑃(𝑥 > 6000) = 1 − 𝐹(6000) = 𝑒𝑥𝑝 − [(6000/5000)2 ] = 𝑒 −1,095 = 0,334
Por lo tanto solo el 33,4% de todos los rodamientos durara al menos 6000 horas.
Desarrollo
142
𝑃(𝐵𝐶 ) = 1 − 0,6
𝑃(𝐵𝐶 ) = 0,4 Lo que significa el 40%.
El suceso “no tener errores en ambos” equivale a “no tener errores en los activos
financieros y no tener errores en los pasivos financieros”, es decir, AC ⋂ BC . Pero, por
las leyes de Morgan, AC ⋂ BC = (A ⋃ B)C. Entonces:
𝑃(𝐴𝐶 ∩ 𝐵𝐶 ) = 𝑃(𝐴 ∪ 𝐵)𝐶
𝑃(𝐴𝐶 ∩ 𝐵𝐶 ) = 1 − 𝑃(𝐴 ∪ 𝐵)
𝑃(𝐴𝐶 ∩ 𝐵𝐶 ) = 1 − [𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)]
𝑃(𝐴𝐶 ∩ 𝐵𝐶 ) = 1 − (0,7 + 0,6 − 0,4 )
𝑃(𝐴𝐶 ∩ 𝐵𝐶 ) = 1 − 0,9
𝑃(𝐴𝐶 ∩ 𝐵𝐶 ) = 0,1 Lo que significa un 10 %
Según lo anterior se espera que un 10% de las empresas no tengan errores ni en sus
activos ni en sus pasivos financieros. Si tenemos una muestra de 500 empresas
podemos esperar que:
10
500 = 50 Empresas no tengan errores ni en sus activos ni en sus pasivos
100
financieros.
a) P(A ∩ B) = P(B)
b) P (B ∩ A) = P(A) + P(B)
143
3) Se ha comprobado que el 48% de los alumnos de Bachillerato de cierta región
son aficionados a la música clásica y a la pintura, y que el 60% de los aficionados
a la pintura también son aficionados a la música clásica. Si se elige al azar un
alumno de Bachillerato de esa región, ¿qué probabilidad hay de que no sea
aficionado a la pintura?
Desarrollo
Llamemos A = {ser aficionado a la música clásica} y B = {ser aficionado a la pintura}.
Según el enunciado P(A ∩ B) = 0,48 y P(A/B) = 0,6. Hemos de hallar
P (BC ). Pero como P(A/B) = P(A∩B)/P (B) entonces despejando tenemos
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐵) =
𝑃(𝐴/𝐵)
0,48
𝑃(𝐵) = = 0,8
0,6
=> 𝑃(𝐵𝐶 ) = 1 − 𝑃(𝐵) = 1 − 0,8 = 0,2
Desarrollo
Llamemos A1 = {la primera es alumna}, A2 = {la segunda es alumna}, A3 = {la tercera
es alumna}, A4 = {la cuarta es alumna}, B1 = {el primero es alumno}, B2 = {el segundo
es alumno}, B3 = {el tercero es alumno} y B4 = {el cuarto es alumno}.
=>P (todas alumnas) = P (1ª alumna y 2ª alumna y 3ª alumna y 4ª alumna) = P (A1 Ç
A2 Ç A3 Ç A4)
𝐴2 𝐴3
=> 𝑃(𝐴1 ∩ 𝐴2 ∩ 𝐴3 ∩ 𝐴4 ) = 𝑃(𝐴1 ) ∗ 𝑃 ( ) ∗ 𝑃 ( ∩ 𝐴2 ) ∗ 𝑃(𝐴4 /𝐴1 ∩ 𝐴2 ∩ 𝐴3 )
𝐴1 𝐴1
16 15 14 13
= ( ) ( ) ( ) ( ) = 0,089
28 27 26 25
5) Un estudiante hace dos pruebas en un mismo día. La probabilidad de que
pase la primera es 0,6 la probabilidad de que pase la segunda es 0,8 y la
de que pase ambas es 0,5. Se pide:
144
Desarrollo
6) En una muestra de 1.000 personas hay 300 que saben inglés, 100 que saben
ruso y 50 ambos idiomas. Con estos datos averigua si son independientes
o no los sucesos: “saber inglés” y “saber ruso”.
Desarrollo
300
𝑃(𝐴) = = 0,3
1000
100
𝑃(𝐵) = = 0,1
1000
50
𝑃(𝐴 ∩ 𝐵 = = 0,05)
1000
Para que los sucesos Ay B sean independientes se ha de cumplir que:
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∗ 𝑃(𝐵) PERO
𝑃(𝐴) ∗ 𝑃(𝐵) = 0,3 ∗ 0,1 = 0,03 ≠ 0,05 = 𝑃(𝐴 ∩ 𝐵) .Así A y B son independientes.
145
Desarrollo
Llamemos M = {ser morena} y A = {tener los ojos azules}. Entonces P (M) = 2/5 y
P(A) = 3/9 = 1/3. Además ambos sucesos son claramente independientes pues el color
del pelo o de la piel no debe de influir para nada en el color que se tenga de ojos.
2 1 2
𝑃(𝑀 ∩ 𝐴) = 𝑃(𝑀) = ( ) ( ) =
5 3 15
2 2 2 2 2 2 4 12 4
= + − ∗ = + − = =
5 3 5 3 5 3 15 15 5
Desarrollo
𝑃[(𝐴 ∩ 𝐵𝐶 ) ∪ (𝐵 ∩ 𝐴𝐶 )] = 𝑃(𝐴 ∩ 𝐵𝐶 ) + 𝑃(𝐵 ∩ 𝐴𝐶 )
= 𝑃(𝐴 − 𝐵) + 𝑃(𝐵 − 𝐴)
= 𝑃(𝐴) − 𝑃(𝐴 ∩ 𝐵) + 𝑃(𝐵) − 𝑃(𝐵 ∩ 𝐴)
= 𝑃(𝐴) + 𝑃(𝐵) − 2 ∗ 𝑃(𝐴 ∩ 𝐵)
= 0.99 + 0,95 − 2 ∗ 0,99 ∗ 0,95 − 1,881 = 0,059
Desarrollo
146
ocupaciones docentes les alejan de este teléfono, de modo que A está
fuera el 50% del tiempo y B el 25%. Calcula la probabilidad de estar
presente un profesor cuando le llamen.
Desarrollo
Sean A = {llamar al profesor A}, B = {llamar al profesor B}, F = {estar fuera}. El problema
ofrece las siguientes probabilidades: P(A) = 2/5 = 0,4 P (B) = 3/5 = 0,6P (F/A) = 0,5 y P
(F/B) = 0,25. De estas dos últimas probabilidades se deduce claramente la
probabilidades P ( FC/A) = 0’5 (del tiempo que A está presente) y
P( FC/B) = 0,75 (del tiempo que B está presente).
La probabilidad de estar presente un profesor cuando le llamen se puede representar
así:
𝑃[(𝐹 𝐶 ∩ 𝐴) ∪ (𝐹 𝐶 ∩ 𝐵)] = 𝑃(𝐹 𝐶 ∩ 𝐴) + 𝑃(𝐹 𝐶 ∩ 𝐵)
𝐹𝐶 𝐹𝐶
= 𝑃 ( 𝐴 ) ∗ 𝑃(𝐴) + 𝑃 ( 𝐵 ) ∗ 𝑃(𝐵)
Desarrollo
Sean los sucesos S = {el despertador de Javier suena} y T = {Javier llega tarde a clase.
Entonces P(S) = 0,8 P (T/S) = 0,2 y P (T/S) = 0,9.
𝑆 𝑃(𝑆 ∩ 𝑇) 0,16
𝑃( ) = = ) = 0,47
𝑇 𝑃(𝑇) 0,34
6.8 BAYES
147
menos de 24 meses. Un pediatra que ingresa a la sala selecciona un infante
al azar.
Nota: En los ejercicios de teorema de bayes, es importante identificar los sucesos que
forman la población y cuál es la característica que tienen en común dichos sucesos. En
este caso los sucesos serán:
Desarrollo
Primero, hay que reconocer que es una probabilidad condicionada y que la característica
común de los sucesos condicionantes ya ha ocurrido. Entonces, la probabilidad de que
sea niña un infante menor de 24 meses será:
𝑃(𝐻)∗𝑃(𝑀/𝐻)
P (H/M) = 𝑀
𝑃(𝐻)∗𝑃( )+𝑃(𝑉)∗𝑃(𝑀/𝑉)
𝐻
0.6∗0.2
P (H/M)=0.6∗0.2+0.4∗0.35
P(H/M)=0.12/0.26
148
P (H/M)=0.46
La probabilidad de que el infante sea niña dado que es menos de 24 meses es de 0.46
0.35∗0.15
P (M/H)=0.2∗0.25+0.35∗0.15+0.45∗0.40
P(P/M)=0.0525/0.2825 = 0.19
149
3) Un Doctor dispone de tres equipos electrónicos para realizar
ecosonogramas. El uso que le da a cada equipo es de 25% al primero, 35%
el segundo en y 40% el tercero. Se sabe que los aparatos tienen
probabilidades de error de 1%, 2% y 3% respectivamente. Un paciente
busca el resultado de una ecografía y observa que tiene un error. Determine
la probabilidad de que se ha usado el primer aparato.
Desarrollo
0.25∗0.01
P (P/E)=
0.25∗0.01+0.35∗0.02+0.4∗0.03
Ej. Tomados del Libro de Walpole R., Myers R., Myers D. (1999). Probabilidad y
estadística para ingenieros. (Sexta edición). Pag 48 y49.
4) En cierta planta de montaje, tres máquinas, B1, B2 y B3, montan 30%, 45%
y 25% de los productos respectivamente. Se sabe de la experiencia pasada
que el 2%, #% y 2% de los productos ensamblados por cada máquina,
respectivamente, tiene defectos. Ahora, suponga que se selecciona de
forma aleatoria un producto terminado ¿Cuál es la probabilidad de que esté
defectuoso?
Desarrollo
Considere los eventos siguientes
A: el producto está defectuoso.
B1: El producto está ensamblado por la máquina B1
150
B2: El producto está ensamblado por la máquina B2
B3: El producto está ensamblado por la máquina B3
Al aplicar la regla de eliminación, podemos escribir:
P(A)= P(B1)P(A/B1)+P(B2)P(A/B2)+P(B3)P(A/B3)
P (B1) P (A/B1) = (0.3) (0.02) =0.006
P (B2) P (A/B2) = (0.45) (0.03) =0.0135
P(B3)P(A/B3)=(0.25)(0.02)=0.005
P(A)=0.006+0.0135+0.005
P(A)=0.0245
Desarrollo
Con el uso de la regla de Bayes:
𝑃(𝐵3)𝑃(𝐴/𝐵3)
P (B3/A) = 𝐴 𝐴
𝑃(𝐵1)𝑃( )+𝑃(𝐵2)𝑃( )+𝑃(𝐵3)𝑃(𝐴/𝐵3)
𝐵1 𝐵2
0.005
P (B3/A)=0.006+0.0135+0.005
P(B3/A)=0.005/0.0245
P (B3/A)=10/49
151
7. ANEXOS
ANEXO 1
R CÓDIGO ABIERTO
Ingreso de datos.
Variable <-c (datos)
152
VALOR MÍNIMO.
min(datos)
VALOR MÁXIMO.
max(datos)
ELEGIR ALEATORIAMENTE.
sample(limites, número de términos)
ORDENAR DATOS.
sort(datos, decreasing=FALSE)
153
Utilizamos la función sort(datos, decreasing=FALSE) obtendremos los datos
ingresados en orden descendente.
CONJUNTO POTENCIA
Para este proceso necesitamos el siguiente paquete.
install.packages('HapEstXXR')
library(HapEstXXR)
powerset(1:4)
154
GRAFICAS HSITOGRAMA.
hist(datos,main=”titulo del grafico”,
xlab=”titulo en el eje x”
ylab=”titulo en el eje y”
155
DIAGRAMA DE PASTEL
pie (datos, clockwise=sentido de las agujas del relog, main=”Titulo del diagrama”)
DIAGRAMA DE CAJA.
Boxplot(datos,main=”Titulo principal”,sub=”Subtitulo”,ylab=”Tituloen y”)
156
Utilizamos el comando boxplot para hacer un diagrama de caja.
Anexo 2
INTERFASE GRAFICA EN R
tcltk
relimp
gWidgetstcltk
Los cuales se los puede agregar en el programa siguiendo los pasos:
157
Se abrirá un cuadro de dialogo en el que buscaremos la dirección de los archivos
descargados y presionamos en “Abrir”.
Con esto se instalaran los paquetes que necesitamos.
Una vez instalados los paquetes en la siguiente tabla veremos algunos comandos con
su descripción.
Comandos Descripción
tktoplevel Sirve para crear una nueva
ventana en donde
ubicaremos todos los
elementos que tendrá nuestra
interface.
tkwm.title Sirve para poner título a la
ventana creada.
tkwm.title Sirve para poner título a la
ventana creada.
tkgrid Sirve para ubicar los
elementos dentro de la
ventana deseada.
tklabel Sirve para añadir etiquetas en
la interface.
tkbutton Sirve para crear un botón.
tkdestroy Sirve para terminar la
ejecución de las ventanas.
158
c<-tktoplevel() % Crea una ventana y le asigna el nombre “c”.
tkwm.title(c, “Ejemplo”) % Establece un nombre a la ventana.
Una vez realizado esto como resultado tendremos lo siguiente.
Ya que tenemos la ventana creada nos damos cuenta que tiene el nombre que
establecimos anteriormente, lo siguiente que realizaremos es la creación de botones,
para ello añadiremos las siguientes líneas de comandos.
Ingreso.but<-tkbutton(c,text=“Ingreso de Datos”,command=IngresoDatos)%
Crea un botón que en la ejecución del programa se establecerá como “Ingreso”,
además se agrega el label “Ingreso de Datos” que será la etiqueta que se
visualiza en la ventana, además con la parte “command=IngresoDatos” hace una
llamada a la función dicha función realiza una secuencia de instrucciones.
tkgrid(Ingreso.but)% Agrega el Botón a la ventana creada, este botón no
realizara ninguna acción ya que la función asignada al botón no está creada.
Hecho esto observamos lo siguiente. Ahora crearemos la función para el botón creado
esto nos ayuda a que cuando presionemos el botón ejecute las acciones dentro de la
función. Para esto haremos lo siguiente:
159
Dentro de las llaves de la función escribimos lo siguiente:
160
Figura 4: Ventana de Resultados
161
Figura 5: Ventana donde se Muestran los Datos
Una vez insertado todos los elementos la ventana principal de la aplicación quedara de
la siguiente manera: El programa completo deberá quedar de la siguiente manera:
require(tcltk)
require(relimp)
require(gWidgets)
options(guiToolkit="tcltk")
require(gWidgetstcltk)
c<-tktoplevel()
tkwm.title(c,.ejemplo")
IngresoDatos<-function(){
x=ginput(Ïngrese cantidad de datos")
x=as.numeric(x)
162
y<-matrix(nrow=x,ncol=1)
for (i in 1: x ){
y[i,]<-ginput(Ïngrese los datos", icon="question")
}
r<-tktoplevel()
tkwm.title(r,Resultados")
y=as.numeric(y)
prom<-mean(y)
prom<-toString(prom)
varianza<-var(y)
varianza<-toString(varianza)
mediana<-median(y)
mediana<-toString(mediana)
tkgrid(tklabel(r,text=),tklabel(r,text="Promedio="),tklabel(r,text=prom))
tkgrid(tklabel(r,text=),tklabel(r,text="Mediana="),tklabel(r,text=mediana))
tkgrid(tklabel(r,text=),tklabel(r,text="Varianza= "),tklabel(r,text=varianza))
}
MostrarDatos<-function (){
showData(y)
}
Salir<-function(){
tkdestroy(c)
tkdestroy(r)
}
Ingreso.but<-tkbutton(c,text=Ïngreso de Datos",command=IngresoDatos)
Mostrar.but<-tkbutton(c,text="Mostrar Datos",command=MostrarDatos)
Exit.but<-tkbutton(c,text="Salir",command=Salir)
tkgrid(tklabel(c,text=))
tkgrid(tklabel(c,text=),Ingreso.but)
tkgrid(tklabel(c,text=))
tkgrid(tklabel(c,text=),Mostrar.but,tklabel(c,text=))
tkgrid(tklabel(c,text=))
tkgrid(tklabel(c,text=),Exit.but) tkgrid(tklabel(c,text=))
163
Anexo 3
164
EJEMPLOS
165
Ejemplo # 1
TEXTOS
Este widget nos ayudara para agregar un texto; el cual se mostrara en la ventana.
Argumentos
166
Ejemplo # 2
BOTON ( gbutton())
Un widget de botón se utiliza para presentar un widget que el usuario usa para iniciar
alguna acción esto lo realiza presionándolo con el mouse.
Los botones pueden mostrar texto y / o imágenes cuyo sombreado indica que el botón
es pulsado
Para nosotros hacer funcionar nuestro botón tenemos que crear una acción la cual la
definiremos mediante una función. La describiremos a continuación.
Accion1<-Funcion(){
}
Dónde:
Accion1: Es nombre de la función
Funcion: Será el nombre del método que estamos creando
{ }: Dentro de las llaves programaremos la acción; es decir lo que queremos
que suceda después de que presionemos el botón
Argumentos.
Text Texto a mostrar en el botón. Para los botones, si este texto coincide de archivo
icono, se mostrará un icono también.
Handler: Llamado en un evento de clic
167
Ejemplo # 3
Argumento
168
Ejemplo # 4
library(gWidgetstcltk)
win <- gwindow(title = "MEDIA Y MEDIDAS DE DISPERSION")
grp.buttons <- ggroup(container = win, horizontal = TRUE)
grp.buttons2 <- ggroup(container = grp.buttons, horizontal = FALSE)
grp.buttons4 <- ggroup(container = grp.buttons, horizontal = FALSE)
169
grp.results <- ggroup(container = win, horizontal = TRUE)
sumatotal<-0
x2<-0
gen<-0
lectura<-function(h) {
x1<-as.numeric(svalue(x))
print(x1)
}
cuantos<-ginput("INGRESE LA CANTIDAD DE DATOS PARA
OPERAR",title="Entrada")
gen<-as.numeric(cuantos)
print(gen)
for(i in 1:cuantos){
x<-ginput(i,title="Terminos")
x2[i]<-lectura(x)
sumatotal<-sumatotal+x2[i]
}
egen<-sumatotal/gen
accion1media<-function(h){
e<-sumatotal/gen
svalue(result)<-e
}
}
gbutton("Media", cont=grp.buttons2, handler = accion1media)
gbutton("EXIT", cont=grp.buttons4, handler = accionsalir)
str<-glabel("El resultado es", cont = grp.results, expand=TRUE)
result<-glabel("NaN", cont = grp.results, expand=TRUE)
170
PROGRAMA DE DISTRIBUCION BINOMIAL
171
OPERANDO CON LA FUNCION DE DISTRIBUCION (dbinom)
172
#LLAMAMOS A LA LIBRERIA
library(gWidgetstcltk)
173
#AGREGAMOS UN BOTON SELECCIONADOR O GRADIO PARA PORDER
SELECCIONAR EL TIPO
#FUNCIÓN QUE DESEAMOS GRAFICAR
accion4<-function(){
x1<-svalue(insertado1)
x1var<-c(0:x1)
x2<-svalue(insertado2)
x3<-svalue(insertado3)
174
xgrafica <-tipograficas[svalue(distribucion)]
if(xgrafica=="pbinom"){
x<-pbinom(x1var,x2,x3)
var<-data.frame(x1var, x)
plot(var,type="s",col="red",lwd="5")
tabla<-gtable(var,cont=ventana,expand=TRUE)
}
if(xgrafica=="dbinom"){
x<-dbinom(x1var,x2,x3)
var<-data.frame(x1var,x)
plot(var,type="h",col="red",lwd="5")
tabla<-gtable(var,cont=ventana,expand=TRUE)
}
175