Programa
Estadstica Descriptiva
Probabilidades
Variables aleatorias y modelos de probabilidades
Estadstica Descriptiva
Introduccin:
Existe un mtodo cientfico en la investigacin, que nos introducir a
solucionar los problemas. Este mtodo consta de 5 etapas:
Observacin: lo primero es observar y tratar de explicar porque
sucede
Hiptesis: Luego de la observacin se plantean proposiciones con el
fin de determinar si son ciertas o no
Recoleccin y anlisis de informacin: Se recoge informacin
necesaria que pueda confirmar o refutar las hiptesis planteadas,
tambin puede darse que se decida tomar una muestra
representativa de la poblacin y su correspondiente anlisis, estudio.
Conclusin: A partir de la informacin recolectada podemos obtener
resultados sobre nuestro planteamiento que nos dirn su nuestra
hiptesis es verdadera o falsa.
VARIABLES
Categricas: son excluyentes
Escala nominal: no existe posibilidad de orden. Ej: Estado
civil, profesiones.
Escala ordinal: Existe ordenacin. Ej: nivel socioeconmico
(alto, medio, bajo) , categora hoteles (cantidad de
estrellas)
Numricas:
Escala de intervalo: consiste en agrupar la informacin en
ciertos intervalos
Escala de razn: permite comparacin y referencia de un
dato con otro. Ej: una empresa produce ms que otra.
Datos
Recoleccion
Analisis de la
informacion
(tablas, graficos,
etc)
Los datos
representan una
muestra o la
poblacion?
Conclusiones
acerca de la
poblacion
Interferencia
estadistica
ESTADISTICA DESCRIPTIVA:
Distribucin o tablas de frecuencia: El objetivo de estas tablas es el poder resumir
una gran cantidad de informacin que permita un mejor anlisis de esta.
Notacin:
X: Variable
X1, X2, Xn : denotan los datos de la variable
n : Tamao de la muestra
Ejemplo:
X = edad de los alumnos
n=6
X1 = 15
X2 = 14
X3 = 13
X4 = 16
X5 = 15
X6 = 16
La tabla de frecuencia tiene el siguiente formato:
Cat. o Clases
Marca
de Frecuen
clase Xi
cia
Absolut
a ni
Frecuencia
Relativa fi
%
100*fi
Frecuencia
Absoluta
Acum. Ni
Frecuencia
Relativa
Acum Fi
%
acumulado
100*Fi
100
100
C1
C2
C3
.
Ck
n
Millones de dlares
10
10
16
25
30
30
18
13
21
14
15
27
13
18
30
12
15
39
12
40
30
14
20
28
26
10
17
17
19
22
14
11
15
20
60
12
36
52
0686578566968887472686
063227410435258509847
05186072
000609
Li1 = Min Xi - / 2
Ls1 = Li1 + a
Li2 = Ls2
Ls2 = Li2 + a
Inversion
Real
Xi
ni
fi
Ni
Fi
% Acum
[0 8[
15
0.25
25
15
15/60
25
8 16
12
22
0.37
37
37
37/60
62
16 24
20
10
0.16
16
47
47/60
78
24 32
28
0.13
13
55
55/60
91
32 40
36
0.033
3.3
57
57/60
94.3
40 48
44
0.016
1.6
58
58/60
95.9
48 56
52
0.016
1.6
59
59/60
97.5
[56 64[
60
0.016
1.6
60
100
60
100
n=3
f2 = 0.37 ; por una empresa 37 invierten entre 8 y
16 millones
100* f2 = 37%
N4 = 55 ; 55 empresas tienen inversiones inferior a
32 millones
F2 = 0,62
100*F2 = 62% ; el 62% tienen inversiones inferiores
a 16 millones US$
Como complemento a las tablas estn los grficos, que
pueden explicar mejor los datos.
TIPOS DE GRAFICOS
Histograma :
Histograma
25
20
15
n empresas
10
0
8
16
24
32
40
48
56
64
TIPOS DE GRAFICOS
Poligono de Frecuencia Absoluta
25
20
15
n empresas
10
0
8
16
24
32
40
48
56
64
MEDIDAS DE RESUMEN DE
INFORMACION
MEDIDAS DE TENDENCIA CENTRAL: Son medidas de
un conjunto de datos que nos proporcionan un valor
simple, que resume en gran volumen de informacin.
Este valor tiende a ubicarse en el centro del conjunto.
Las medidas de tendencia central ms conocidas son:
Media aritmtica o promedio
Mediana
Moda
Percentiles
Media geomtrica
Media armnica
Datos no agrupados:
Datos agrupados:
Donde n = n1 + n2 + nk
Mediana
Es el valor central de un conjunto de n
observaciones
X1, X2 . . . Xn que han sido ordenados de menor a
mayor
Para datos no agrupados
Si n es impar existe un nico valor de la mediana
ME = X
Si n es par la mediana es un
promedio de los valores centrales
Ejemplo:
Para n impar: 4 5 6 6 7 (notas alumno)
Datos agrupados
Metodologa:
Determinar el intervalo mediano, es decir, aquel primer
intervalo que se cumple Ni n/2 (intervalo J)
Donde:
Li = lmite inferior del intervalo mediano Ej: Li = 8
A = amplitud del intervalo Ej: a = 8
N(J-1) = frecuencia absoluta acumulada anterior al
intervalo mediano . Ej: N(J-1) = 15
nj = frecuencia absoluta del intervalo mediano. Ej: n j
= 22
Moda (Mo):
La moda de un conjunto de n datos es el
valor de la variable que presenta mayor
frecuencia o que ms veces se repite.
Ej: notas alumno: 4 5 6 6 7
Moda = 6
La moda no es nica, puede ser bimodal,
trimodal, etc.
Ej.: 4 4 5 6 6 7
Moda = 4 y 6
Datos no agrupados
Metodologa
Determinar el intervalo modal
Donde:
1 = ny n(y-1) = 22 15 = 7
2 = ny n(y-1) = 22 10 = 12
Mo = 8 + 8
de US$
= 10.95 . . . . millones
Observaciones:
Cuartiles (Qk ; k = 1, 2, 3)
Divide la distribucin en 4 partes, 25% c/u
Deciles (dk ; k = 1, 2, . . . 9)
Divide la distribucin en 10 partes iguales
d1 = P10
d2 = P20
.
.
.
d9 = P90
Datos agrupados
Metodologa
Determinar el 1er intervalo que se
cumpla
Se aplica la formula
Ejemplo:
P75 Calcular K =75
El 83,3% de las
empresas
realizo una
inversin
inferior a 27
millones de
US$
Datos agrupados:
MEDIDAS DE DISPERSION
Hay muchos casos en los que para un conjunto de datos
Varianza
(S2):
Datos no agrupados: La varianza de
un conjunto de n datos se define de
la siguiente manera:
C1:
C 2:
C3: Aqu estn ms concentrados
los datos luego en el conjunto C 1 y
finalmente en el C2
La medida de tendencia central est
mejor representada en C3
Observaciones
Datos agrupados:
Ej.: x = 16,26
Observaciones
C1:
C2:
C3:
Datos agrupados
Propiedad de la varianza
Def: V(x) =
Varianza de una constante una variable: la dispersin se mantiene, ya que, al sumar o restar
una constante la varianza sigue siendo igual
Sz = 10 kg
MEDIDAS DE FORMA:
Adems de la tendencia central y de la dispersin se puede tratar de
caracterizar la forma de una distribucin de frecuencia mediante un ndice
resumido (un indicador).
Los ndices F1 y F2 de Fisher son medidas de la asimetra y del
aplastamiento, respectivamente de una distribucin de frecuencia.
Cuando una distribucin es simtrica la media aritmtica, la mediana y la
moda son iguales.
Una distribucin de frecuencia es asimtrica sino es simtrica alrededor de
la media
F1 > 0
F1 = 0
F1 < 0
Momento Muestral
Sea X1, X2 . . . Xn ; un conjunto de n medidas.
Se define el n-esimo momento muestral
respecto a la media como sigue:
Datos no agrupados
Datos agrupados
Observaciones
M1 = 0, M2 = S2n
F1=
Coeficiente Aplastamiento (F 2)
Se define como:
Numero de cuadro
Titulo
Columna
matriz
C
A
T
E
G
O
R
I
A
V.
VI.
VII.
Total
V
A1
A
R
I
A
B
L
E
A
A2
.
.
.
.
Ai
.
Ak
Nota
Llamada
Fuente de informacin
Categora variable B
B1, B2 . . . B
III.
Casilla
Casilla
IV.
Cuerpo
del cuadro
III. Casilla
Ejemplo
Titulo: nmero de alumnos facultad de ciencias econmicas y administrativas,
clasificados por carrera y segn aos de estudio aprobados. Universidad de
Valparaso. ao 1995 (a)
Carreras: Ing. Comercial y Auditoria.
Aos de estudio aprobados:
1
Aos de estudio Total
N alumnos Fac. Cs.
Econ. Y
aprobados
administrativas UV
2
TOTAL
Ing. Comercial
Auditoria
3
1
4
2
5
4
5
15(b)
Matricula al 21/03/95
Fuente: Sec. Estudio fac. cs. Ec. Y adm.
Se incluyo a 3 personas que rindieron examen de grado en marzo y titulacin en
tramite
TOTAL
Total MF
1
2
3
4
5
Jorn. diurna
1
2
3
4
5
Jorn. Vespertina
1
2
3
4
5
ANALISIS DE REGRESION:
ELEMENTOS DE REGRESION LINEAL SIMPLE: El objetivo principal del
anlisis de regresin lineal simple es establecer una relacin cuantitativa
(en forma de una ecuacin) entre dos variables relacionadas. Una vez que
esta relacin ha sido establecida es posible predecir el valor de una de las
variables si se conoce el valor de la otra.
ANALISIS DE REGRESION:
Corrida de produccin
HH
30
73
20
50
60
128
80
170
40
87
50
108
60
135
30
69
70
148
10
60
132
Diagrama de Dispersion
Diagrama de Dispersion
180
Valores Y
160
140
120
100
80
60
40
20
0
10
20
30
40
50
60
70
80
90
Los
valores de y que minimizan los
errores al cuadrado, se llama ESTIMADORES
MINIMOS CUADRATICOS, y estn dados por
n = 10
Luego, la recta de regresin estimada es:
Donde
nombre de coeficiente de
determinacin y representa la
proporcin de la variabilidad en y
explicada por la relacin lineal con x.
Nuestro ej: R2 = 0.9956 de la
variabilidad total en hh es explicada
en un 99.56% por los tamaos de lotes
de produccin.
Observaciones:
Correlacin
El anlisis de regresin es apropiado cuando una
variable y depende de uno o mas variables x,
entonces se estudia el efecto y la habilidad de x
para predecir a y.
Sin embargo, en primer trmino se puede
estudiar el grado de asociacin entre dos
variables, sin considerar que una de las variables
depende de la otra.
El conjunto de datos consiste de mediaciones
de x e y basados en una muestra de n
observaciones: (x1, y1); (x2, y2),, (xn, yn)
Anlisis de r
r=1
Relacin ms perfecta
r = -1
r=0
Variables no correlacionadas
NMEROS NDICES
Un nmero ndice es una forma general una cifra relativa (expresada en trminos
de porcentaje), que representa las variaciones medias en precios, cantidades o
valor, de uno o ms itemes en un periodo dado, respecto del periodo base que
se elige como referencia. Debe quedar bien en claro, que los ndices tratan de
cuantificar variaciones y no expresar si los precios son altos o si se ha producido
mucho. Solo pretenden comparar dichas cantidades con otras que se consideran
como referencia. Estos ndices se utilizan para comparaciones en el tiempo y en
el espacio (entre dos o ms ciudades o pases).
Como en el caso de los estadgrafos ya estudiados, los nmeros ndices
proporcionan una idea o estimacin sobre los cambios en la matriz a en que indica,
sin que se pueda decir que ellos miden algo. Un mismo fenmeno (producto,
comercio exterior, precios) se puede cuantificar mediante dos o ms formulas,
bases, ponderaciones o nmeros de componentes diversos, lo que da lugar a
diferentes ndices o valores para un mismo fenmeno como la seleccin de los
elementos que conforman un ndice, en ltima instancia, provienen de una
seleccin o muestreo y debe tratarse que dicha seleccin sea constantemente
representativa, que lo que indica peridicas revisiones del ndice.
TIPOS DE NDICES:
ndices simples: Si se desea expresar todas las cifras de una serie anual o
mensual de valores en funcin de otra que se considera como base,
entonces se trata de ndices simples, que no es otra cosa que el
porcentaje que representa cada valor observado, respecto del valor
observado en el periodo base.
Ejemplo
Precios de un artculo
Mes (t)
Precio (xt)
150
165
110
110
160
106.7
96.96
170
113.3
106.3
171
114
100.5
165
110
96.5
174
116
105.5
174
116
100
175
116.7
100.6
10
170
113.3
97.14
base
Variacin del ndice =
Si disponemos de informacin nicamente respecto a un ndice de
base fija, entonces la variacin se obtienen de la siguiente manera:
Variacin de precios del mes 10 con respecto del mes 3
Cambio base
De una base fija a otra base fija: se divide cada ndice de la serie, por el ndice del nuevo
periodo base. Por ejemplo: si se desea un ndice con base en el mes 5 = 100, debo dividir todos
los valores de la serie por 114.
Cambio de base fija a base variable: Se obtiene dividendos con ndice de base fija por el ndice
del periodo inmediatamente anterior
*100
Precios ($ x quintal)
Precios
relativos
*100
1990 p0
1994 pt
Trigo
Trigo
Cebada
Cebada
7700
7700
7480
7480
18030
18030
19850
19850
234.2
234.2
265.4
265.4
11158
11158
1196
1196
13044
13044
1357
1357
116.9
116.9
113.5
113.5
Avena
Avena
Maz
Maz
8220
8220
8150
8150
15830
15830
23030
23030
192.6
192.6
282.6
282.6
1111
1111
1460
1460
1326
1326
1840
1840
119.4
119.4
126.0
126.0
Frijoles
Frijoles
Arroz
27110
27110
8270
44030
44030
18920
162.4
162.4
228.8
859
859
1106
997
997
870
116.1
116.1
78.7
Garbanzos
15920
53830
338.1
41
59
143.9
Papas
9380
20590
219.5
6686
7978
119.3
Lentejas
26690
42140
157.9
204
202
99.0
Sumas
118920
256250
2081.5
23821
27673
1032.7
El precio de estos artculos aument en 115,48% respecto del 90.
SQt =
NDICES PONDERADOS
Un ndice de precios es un promedio relativo (precios o cantidades). Pero los
precios de un grupo de artculos, y especialmente sus variaciones, no tiene
igual importancia desde el punto de vista de un producto, un consumidor, el
gobierno o de una duea de casa. Un aumento de $50 en el precio del kilo
de pan y en el kilo de t, tienen el mismo efecto en el ndice agregativo
simple, pero la incidencia es distinta en el ndice de SAVERBECK, ya que en
este ultimo los ndices del t y del pan varan en distinta proporcin. Es
indudable que en un presupuesto familiar, las variaciones absolutas o
relativas de los distintos productos representen en diferente forma. Por lo
tanto para calcular adecuadamente el promedio de los precios relativos,
debe establecerse la importancia o ponderacin de cada artculo en dicho
presupuesto, ya que vara segn el nivel econmico, los gustos, y los gastos
de la familia. Los ndices calculados mediante frmulas en las cuales no
aparece explcitamente una ponderacin (como los mencionados), no
pueden reflejar adecuadamente la realidad econmica.
Existen numerosas frmulas de ndices ponderados (139), pero aqu
veremos las ms importantes.
INDICE DE PAASCHE:
De precios:
De cantidades:
Qt=
NDICE
DE LAS PEYRES
LI
90
LI
94
= 100
=
INDICE DE PAASCHE:
90
= 100
94
INDICE DE PRECIOS AL
CONSUMIDOR (IPC)
El primer ndice que se construyo fue en el ao 1923 y que utilizo como ao base 1913,
cuya canasta contena 45 artculos.
El segundo ndice fue en el ao 1928, que incluyo a empleado y la mano obrera, contena
54 artculos. Y utilizo la frmula de Las Peyes.
En 1958 se realiz la primera encuesta de presupuestos familiares, y cuya informacin
permiti crear la canasta familiar, que podemos dividir en 4 rubros: alimentacin, vivienda,
vestuario y otros.
En 1968 se realiza una segunda encuesta de presupuesto familiar luego se realiz una
tercera encuesta en 1978 y una cuarta en 1988. La tercera encuesta se realiz con una
muestra de 5000 familias aproximadamente usando como base 1978 = 100. La misma
cantidad de familias se utiliz en la cuarta encuesta que se realiz entre diciembre 1987 y
noviembre de 1988 utilizando como base abril de 1989 = 100.
Formula de Las Peyres: (Se utiliza esta frmula porque utiliza una base, ya que no sera
posible calcularlo mes a mes. Adems esta frmula es utilizada en toda Latinoamrica, por lo
tanto es posible realizar comparaciones).
Reemplaza a
NOCIONES DE
PROBABILIDADES
Es cuantificar un hecho incierto. La teora y el clculo de probabilidades tuvieron su origen en los
juegos de azar en el siglo XVII. Los juegos de azar incluyen acciones en las cuales el resultado de la
prueba es incierto, sin embargo, aun cuando el resultado de una prueba particular es incierto, existe un
resultado que se puede predecir a largo plazo. Es decir, al repartir la prueba un gran nmero de veces,
la regularidad de los resultados permite predecir alguno en particular, con cierto grado de confiabilidad.
En la ciencia experimental se presenta tambin un tipo similar de incertidumbre y regularidad a largo
plazo. Por ejemplo en gentica, es incierto saber si un descendiente ser macho o hembra, pero en un
plazo largo se conoce aproximadamente el porcentaje de descendientes que sern machos y el de
aquellos que sern hembras. Tambin podemos darnos cuenta que una compaa de seguros de vida, fija
sus aranceles de acuerdo a la edad del asegurado, ya que, si viene cierto no puede predecir cuales son
las personas de una determinada caracteristica que morirn a la edad de 65 aos, si puede predecir en
forma bastante satisfactoria cuantas de ellas morirn a los 65 aos.
El concepto de probabilidad puede ser enfocado desde distintos puntos de vista, pero para cada uno
de ellos es necesaria la definicin de los siguientes trminos:
Ejemplo:
Ejemplo
E = Lanzar un dado
S = {1, 2, 3, 4, 5, 6}
AB = ,
AB = S
A=
B = Ac
Probabilidades
DEF: Sea E un experimento y S el espacio muestral asociado a
ese experimento con cada suceso A<S (subconjunto)
Asociamos un nmero real, llamando la probabilidad de A y
denotado P(A) que satisface las siguientes condiciones.
La probabilidad de A se encuentra entre:
P(S) = 1
Si A y B son dos sucesos mutuamente excluyentes, entonces
P(AB) = P(A) + P(B)
Si A1, A2 An Son n sucesos excluyentes de par en par,
entonces P(A1UA2U UAn)
Teoremas:
Si
es el conjunto vacio P() = 0
Si es el complemento del suceso A,
entonces P() = 1 P(A) o P(A) = 1 P()
Si A y B son dos sucesos cualquiera,
entonces P(AB) = P(A) + P(B) - P(AB)
Si A, B y C son 3 sucesos cualquiera,
entonces
P(ABC) = P(A) + P(B) + P(C) P(AB) P(AC) P (BC) + P(ABC)
Ejemplo :
Un lote consta de 16 artculos, 10 buenos, 4 con pequeos defectos y 2 con defectos
graves, se elige un articulo al zar, determine las siguientes probabilidades:
El art. Es bueno
El art. Tienen un defecto grave
El art. Es defectuoso
E = elegir un articulo al azar
A = {el articulo es bueno} P(A) =
B = {el articulo tienen un defecto grave} P(B) =
C = {el articulo es defectuoso} P(C) =
Estado de salud
Leve
Padres diabticos
Si
No
Grave
Padres diabticos
si
No
Mayor de 40 aos
Menor de 40 aos
Total
15
15
30
10
20
30
8
20
28
2
10
12
35
65
100
P(A) =
P(BC) =
P(B) = P(ABC) =
P() =
=
=
P() =
P() =
Mtodos de enumeracin
Un lote consta de 100 artculos, de los cuales 80 son buenos y 20
son defectuosos, se eligen 10 artculos al azar, sin sustituir un
artculo antes que sea elegido el prximo. Cul es la
probabilidad de que exactamente la mitad de tales artculos sea
defectuoso? (siempre se asumir sin sustitucin)
Principio multiplicativo
Supongamos que un procedimiento designado como 1
puede ocurrir de n1 maneras. Supongamos que un segundo
procedimiento designado como 2 puede ocurrir de n 2
maneras. Tambin supongamos que cada una de las
maneras de efectuar n1 puede ser seguida por cualquiera de
las maneras de efectuar n2. Entonces el procedimiento que
consta de 1 seguido por 2 se puede hacer de n 1*n2 maneras.
Un producto se arma en 3 etapas. En la primera etapa hay 5
lneas de armado, en la segunda etapa hay 4 lneas de
armado y en la tercera etapa hay 6 lneas de armado. De
cuantas maneras puede moverse el producto en el proceso
de armado?
5*4*6 =120 maneras.
Principio aditivo
Supongamos que un procedimiento, puede ocurrir
de n1 maneras y que un procedimiento 2 se puede
hacer de n2 maneras. Supongamos adems que
no es posible que ambos procedimientos se
hagan juntos. Entonces el numero de maneras
que se puede hacer 1 o 2 es n1 + n2.
Proyectamos un viaje y debemos elegir entre el
transporte por bus o por tren, si hay 3 rectas para
el bus y dos para el tren, entonces hay 3+2=5
rutas posibles para el viaje.
Permutaciones
"n objetos diferente: de cuantas maneras se pueden ordenar (permutar) estos n objetos.
Observacin: 0! = 1
Ejemplo
Cuantos nmeros diferentes de tres cifras puedo formar con los nmeros 1-2-3
3! = 1*2*3 = 6
n
Ejemplo: de una enciclopedia que consta de 8 tomos se eligen 4 tomos al azar y se ordenan.
Determine el nmero de maneras de efectuar esta permutacin.
8 = 1680
Combinaciones
Supongamos
tener n objetos diferente. Estamos
E
= elegir 10 artculos
BBBBBDDDDD
E = {exactamente 1 bueno}
O bien
0 1
=1
= se lee probabilidad de B sobre A
Suponga
que una oficina tienen 100
20
10
30
60
40
100
E = lanza 5 monedas
A = {Aparecer al menos 2 caras}
B = {El nmero exacto de caras es 3}
#S = 2n #S = 25 = 32
(1,1)
(1,2)
(1,3)
(1,4)
(1,5)
(1,6)
(2,1)
(2,2)
(2,3)
(2,4)
(2,5)
(2,6)
(3,1)
(3,2)
(3,3)
(3,4)
(3,5)
(3,6)
(4,1)
(4,2)
(4,3)
(4,4)
(4,5)
(4,6)
(5,1)
(5,2)
(5,3)
(5,4)
(5,5)
(5,6)
(6,1)
(6,2)
(6,3)
(6,4)
(6,5)
(6,6)
TEOREMA DE MULTIPLICACIN DE
PROBABILIDADES
La consecuencia ms importante de la definicin de probabilidad
condicional se obtiene escribindola de la siguiente manera:
O bien
Ejemplo:
Una caja contiene 4 tubos malos y 6 buenos, se sacan 2 a la vez, Cul es la
probabilidad de que ambos sean defectuosos?
A = {en el primer tubo sea malo}
B = {en el segundo tubo sea malo}
Ejemplo:
4 tubos malos se confunden con 6 buenos. Se eligen los tubos 1 a 1 hasta encontrar los 4
defectuosos. Cul es la probabilidad de encontrar el ltimo tubo defectuoso?
En la cuarta prueba
En la quinta prueba
En la decima prueba
4M
6B
10
P(DDDD) = 4/10*3/9*2/8*1/7
P(BDDDD) = 6/10*4/9*3/8*2/7*1/6 =
BBBBBB DDDD
P(BBBBBBDDDD) *
Definicin: Se dice que los sucesos B1, B2, , Bk representan una paricin al espacio muestral S si
Por lo tanto (
C1 1ficha C2
5R 6R
4B 5B
1ficha
Teorema de Bayes
Supongamos que para el ejercicio
anterior se traslada una ficha de la
primera a la segunda urna y
posteriormente se elige una ficha de
la segunda urna la cual resulto ser de
color blanco. Cul es la probabilidad
de que la ficha trasladada desde la
primera a la segunda urna tambin
haya sido blanca?
Ejercicios
Todas las noches el sr. X llega tarde a su casa. La Sra. X, que es una buena
esposa, le deja encendida la luz de entrada a la casa. La probabilidad de
que el sr x llegue borracho es 0.60. si llega borracho hay una probabilidad
de 0.90 de que olvide apagar la luz en tanto de que esta es solo 0.05 si
llega sobrio.
Cul es la probabilidad de que el sr. X apague la luz una noche cualquiera?
Dado que el sr. X apago la luz una cierta noche, cul es la probabilidad de
que haya llegado borracho?
B = {el seor x llega borracho una noche cualquiera}
A = {el seor x apaga la luz una noche cualquiera}
Definicin: Sean B1, B2,, Bk una particin del espacio muestral S sea A un
nuevo suceso asociado a S. sin deseamos obtener probabilidad de (Bi dado
A):
SUCESOS INDEPENDIENTES
se dice que los sucesos A y B son independientes sin la probabilidad de la interseccin es
igual al producto de las probabilidades:
VARIABLES ALEATORIAS
INDEPENDIENTES
Definicin de variable aleatoria: Sea E un experimento y S el espacio muestral asociado al
experimento. Una funcin x que asigna a cada uno de los elementos es un nmero real x(S)
se llama variable aleatoria.
Definicin: El espacio Rx que es el conjunto de todos los valores posibles de x se llama el
recorrido de x.
Ejemplo: Se lanza una moneda 3 veces y se define la variable aleatoria x como el numero de
caras que aparecen.
X (SSS) = 0
X (SSC) = X(SCS) = X(CSS) =1
X (CCS) = X(CSC) = X(SCC) = 2
X (CCC) = 3
Rx = {0, 1, 2, 3}
Ejercicio:
Una persona depositar US$ 1 si uno de los siguientes
sucesos
0
36/50
1
13/50
2
1/50
Ejercicio
Una caja contiene 20 artculos, de los cuales 5 defectuosos y 15
buenos, se eligen 4 artculos al azar y se define la variable
aleatoria x como nmero de artculos defectuosos encontrados.
Encuentre la distribucin de probabilidades de x si:
Los artculos se eligen sin sustitucin
Los artculos se eligen con sustitucin
X = nmero de artculos defectuosos encontrados
Rx = {0, 1, 2, 3, 4}
Combinatoria
Ejercicio
Rx = {0,1,2,3,4}
0 en otro caso
FUNCIN DE DISTRIBUCIN
ACUMULATIVA
Sea x una variable aleatoria, discreta o continua. Definimos F
como la funcin de distribucin acumulativa de la variable
aleatoria x como sigue:
Si X es v.a.d
P(xi) 36/50
13/50 1/50
1
Si X es una v.a.c
Ejemplo: (caso discreto)
X = n de dlares depositados
Caso
continuo
= 0 en otro caso
En otro caso
Si
Ejemplo
Sea y =2x + 3
Ry ={-1, 1, 3, 5, 7, 9} se obtienen reemplazando los valores de x
-2
0
1
2
3
enXila funcin
y-1
P(xi)
2/15
4/15
3/15
1/15
3/15
2/15
Yi
-1
P(yi)
2/15
4/15
3/15
1/15
3/15
2/15
Sea y = x2
Ry= {0, 1, 4, 9}
Caso 2: Puede suceder que x sea una v.a.c mientras que y es discreta.
Por ejemplo: Supongamos que x puede tomar todos los valores reales, mientras que se
define:
= 0 en otro caso
Y la f.d.a
Yi
P(yi)
100
300
1000
Sea
Ejemplo:
Un jugador lanza una moneda 2 veces y gana $100 o $200 segn si aparece
1 o 2 caras respectivamente mientras que pierde $ 150 si no aparece
ninguna cara. Cul es la ganancia esperada del jugador? es favorable a
el?
x : numero de caras
Xi
y:
P(xi)
Yi
P(yi)
Rx = {0, 1, 2}
0
2
ganancia
Ry = { 1-150, 100, 200}
1/4
1/2
1/4
-150
1/4
100
1/2
200
1/4
DEF: Si x es v.a.c
Sea
C = cte. E(c) = C
Sea C = cte. Y X v.a
E(c x) = C E(x)
E(c * x) = C * E(x)
Observacin:
PROPIEDADES DE LA VARIANZA:
Sea c = cte V(c) = 0
Sea c = cte y X v.a
V(c x) = V(x)
V(cx) = C2V(x)
Sean a y b constantes y x v.a
Distribucin Benoulli
Sea x una v.a.d que toma los valores posibles 0 y 1. Sea A un suceso
cualquiera asociado a un experimento y S su espacio muestral.
Se define x como:
X = {1 si el suceso A ocurre}
{ 0 si el sucesi A no ocurre}
Distribucin Binomial
Consideremos un experimento E y sea A un suceso asociado con el experimento.
Supongamos que P(A) = p y por lo tanto
Consideremos n repeticiones del experimento en forma independiente.
Supongamos que P(A) = p, cte. Para las n repeticiones del experimento.
Definamos la v.a x como el nmero de veces que el suceso A ocurre con recorrido
de x:
Rx = {0, 1, 2,n}
Bajo estas caractersticas se llama a x como una v.a con distribucin binomial con
parmetros n y p y cuya funcin de cuanta est dada por:
Ejemplo
Un examen de estadstica consta de 10 preguntas cada una de las cuales tiene
4 alternativas. Si un estudiante desconoce completamente la materia,
determine la probabilidad de que responda correctamente.
Exactamente dos preguntas.
Ninguna pregunta
Al menos 1 pregunta
A = {responder correctamente}
P(A) = cte n = 10 preguntas
X = numero de respuestas correctas
Rx = {0, 1, 2, 3,,10}
Distribucin de Poisson
Sea
x una v.a.d que toma todos los valores
posibles: 0,1,2 (infinito numerable)
Si
Entonces se dice que x tiene una distribucin
de Poisson con parmetro (x > 0)
Notacin:
TEOREMA: Si
Ejemplo:
Ejemplo:
Una compaa de seguros tiene 10 mil asegurados. La prob
de que uno de ellos fallezca en un accidente automovilstico
durante un ao es 0.01%.
Determine la probabilidad de que en un ao la compaa
tenga que pagar 5 plizas.
X= nmero de asegurados fallecidos por accidentes de
trnsito.
np
P 0
Distribucin Geomtrica
: Sea E un experimento y supongamos que estamos interesados solo
en la ocurrencia o no de un suceso particular A. Supongamos que las
repeticiones son independientes y que P(A) = P
(1 p) constante para las n repeticiones.
Supongamos que repetimos el experimento hasta que el suceso A
ocurre por primera vez.
Sea x numero de repeticiones hasta que A ocurre por primera vez,
con Rx = {1,2}
Luego p(x) = P(X = x) = qx-1 p
x=1,2
V(x) =
Ejemplo
Se lanza un dado hasta que aparezca un 6. Determine la probabilidad de
efectuar.
Exactamente 3 lanzamientos
Al menos 2 lanzamientos
P = 1/6 q = 5/6
X = numero de lanzamiento hasta que aparezca un 6
Distribucin
Hipergeometrica
Supongamos tener N artculos de los cuales r pertenecen a la clase A
(por ejemplo defectuosos) y N r no pertenecen a la clase A (no
defectuosos). Se elige al azar y sin sustitucin n de esos artculos (n <
N), y se define la variable aleatoria x como numero de artculos
elegidos pertenecientes a la clase A.
Luego la funcin de cuanta es:
Ejercicio prueba
N = 12
x = numero de
formularios con deducciones
ilegitimas
n=5
r=4
Distribucin Uniforme
La v.a x que toma todos los valores posibles en el intervalo (a,b)
en donde a y b son finitos y si la f.d.p. de x est dada por:
=0
Ejercicio
Suponga que x la edad en aos de los administradores de edificio es una v.a
Calcule la probabilidad de que un administrado de edificio tena menos de
58 aos
Si se eligen 3 administradores de edificios al azar determine la probabilidad
de que exactamente dos de ellos tengan ms de 64 aos
X = edad de los administradores
f(x) = 1/10
=0
55 < x < 65
Distribucin exponencial
Suponga
que x es una v.a.c que toma todos
TEOREMA:
Distribucin normal
La
v.a x que toma todos los valores posibles reales,
, tiene una distribucin normal (Gaussiana) si su
f.d.p. es de la forma
Notacin:
TEOREMA: Si
Propiedades
Simtrica respecto a
Propiedades
Si = 0 y G2 = 1 no se llama normal estandarizada y su
importancia radica en que se encuentra tabulada su funcin de
distribucin acumulativa (F(x))
SI C > 0
Propiedades
TEOREMA: Sea
Sea
COROLARIO: Sea y sea
EJERCICIO
Sea
VARIABLES ALEATORIAS
BIDIMENSIONALES DISCRETAS
Sea E un experimento y S el espacio muestral asociado al
experimento. Sean: x=x(s) e y=y(s) dos funciones que asignan
un numero real a cada uno de los resultados posibles s=S
entonces llamamos a (x,y) v.a.b.
Definicin: (x,y) es una v.a.b.d si los valores posibles de x, y son
finitos o infinitos numerables. Es decir, los valores (x, y) se pueden
representar como:
(xi,yi) , i=1,2,
j=1,2,
Definicin: Sea (x,y) una v.a.b.d. con cada resultado posible (xi, yi)
asociamos un nmero real P(xi,yi) que representa: P(X=xi , Y = yi)
que satisfacen las siguientes condiciones:
Distribucin marginal:
Xi
P(xi)
10/84
40/84
30/84
4/84
Yj
P(Yj)
35/84
42/84
7/84
DISTRIBUCION MARGINAL Y
CONDICIONAL
Condicional: El concepto
Distribucin
O bien
Definicion: