Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
http://sites.google.com/site/mat3catorce/
Índice
1. ESTADÍSTICA ................................................................................................................................. 3
2. CONCEPTOS .................................................................................................................................. 3
3. VARIABLES ESTADÍSTICAS ............................................................................................................. 3
4. ORDENACIÓN DE DATOS. TABLA DE FRECUENCIAS ....................................................................... 4
5. REPRESENTACIONES GRÁFICAS ..................................................................................................... 6
6. MEDIDAS DE CENTRALIZACIÓN ..................................................................................................... 9
7. MEDIDAS DE DISPERSIÓN ........................................................................................................... 11
8. ......................................................................................................................................................... 13
9. INTRODUCCIÓN A LA ESTADÍSTICA BIDIMENSIONAL .................................................................. 13
10. VARIABLE ESTADÍSTICA BIDIMENSIONAL .................................................................................... 14
11. DIAGRAMA DE DISPERSIÓN. NUBE DE PUNTOS .......................................................................... 15
12. TABLAS DE DOBLE ENTRADA....................................................................................................... 16
13. MEDIDAS MARGINALES .............................................................................................................. 17
14. COVARIANZA .............................................................................................................................. 19
15. COEFICIENTE DE CORRELACIÓN LINEAL ....................................................................................... 20
16. COEFICIENTE DE DETERMINACIÓN .............................................................................................. 22
17. RECTA DE REGRESIÓN DE Y SOBRE X ........................................................................................... 23
18. COEFICIENTE DE REGRESIÓN DE LA RECTA Y/X ........................................................................... 24
19. RECTA DE REGRESIÓN DE X SOBRE Y ........................................................................................... 24
20. COEFICIENTE DE REGRESIÓN DE LA RECTA X/Y ........................................................................... 25
21. EXPERIMENTOS ALEATORIOS. SUCESOS ALEATORIOS ................................................................. 29
22. OPERACIONES CON SUCESOS ...................................................................................................... 31
22.1. LEYES DE MORGAN ........................................................................................................................ 33
23. CONCEPTO DE PROBABILIDAD .................................................................................................... 33
24. DEFINICIÓN AXIOMÁTICA DE PROBABILIDAD ............................................................................. 35
25. PROBABILIDAD CONDICIONADA ................................................................................................. 36
26. INDEPENDENCIA DE SUCESOS ..................................................................................................... 37
27. PROBABILIDAD TOTAL ................................................................................................................ 39
28. TEOREMA DE BAYES ................................................................................................................... 41
29. EJERCICIOS .................................................................................................................................. 43
30. INTRODUCCIÓN A LAS FUNCIONES DE PROBABILIDAD ............................................................... 51
31. DISTRIBUCIÓN DE PROBABILIDAD DISCRETA .............................................................................. 51
1/66
http://sites.google.com/site/mat3catorce/
2/66
http://sites.google.com/site/mat3catorce/
1. Estadística
2. Conceptos
Ejemplo Si se quiere analizar el precio del litro de gasóleo de España, la población es cada
una de las gasolineras del País.
Ejemplo Precio del litro de gasóleo de 100 gasolineras de España elegidas al azar entre las
distintas Comunidades Autónomas.
3. Variables Estadísticas
A los valores de las distintas modalidades que adopta un carácter se le llama variable
estadística.
Por ejemplo, si el individuo observado es un libro, podremos describirlo mediante los
caracteres peso, tamaño, número de hojas, color de las pastas, etc.
3/66
http://sites.google.com/site/mat3catorce/
A cada carácter que se quiere estudiar se le asocia una variable estadística cuyos
valores son los que adopta el carácter de estudio.
Ejemplo Sea X la variable estadística que indica el estado civil de una persona. X podrá
tomar los valores “soltero” o “casado”. Es una variable estadística cualitativa
Ejemplo Sea X la variable estadística “número de hijos de una familia”, es una variable
estadística cuantitativa discreta
Ejemplo Sea Y la variable estadística “altura de una persona”, es una variable estadística
cuantitativa continua
Ejemplo Si se quiere estudiar el precio del litro de gasóleo en las gasolineras de España, la
variable estadística que podemos utilizar es X que indica el precio del litro en euros.
Tomamos una muestra del precio del litro en 100 gasolineras
x1 0.99€
x 2 0.81€
x3 0.95€
...
x100 1.03€
La población son todas las gasolineras de España. El tamaño de la muestra es 100. De entre
todas las gasolineras se eligen 100 para analizar el precio del litro del gasóleo. Esta elección
deberá ser representativa de todas las gasolineras si se quiere sacar alguna conclusión
rigurosa.
fi
fri 4/66
n
http://sites.google.com/site/mat3catorce/
5/66
http://sites.google.com/site/mat3catorce/
Podría agruparse los datos en intervalos. Si se quiere tener 4 intervalos, la longitud de cada
10 0
uno de ellos será de 2.5 dando lugar a la siguiente tabla de frecuencias:
4
marca de
clase
fi fri Fi Fri
[0 , 2.5) 1.25 0 0 0 0
[2.5 , 5) 3.75 3 0.3 3 0.3
[5 , 7.5) 6.25 5 0.5 8 0.8
[7.5 , 10) 8.75 2 0.2 10 1
5. Representaciones gráficas
A continuación se muestran de distintas representaciones gráficas de datos
estadísticos. En primer lugar se debe de escribir la tabla de frecuencias y a
continuación representar la información.
6/66
http://sites.google.com/site/mat3catorce/
3,5
2,5
2
Calificaciones
1,5
0,5
0
3 4 5 6 7 8
3,5
2,5
2
Calificaciones
1,5
0,5
0
3 4 5 6 7 8
7/66
http://sites.google.com/site/mat3catorce/
12
10
0
3 4 5 6 7 8
Sea Y la variable estadística que indica la marca de los vehículos que son
clientes de una cadena de talleres mecánicos. La información, así como la frecuencia,
número de coches de cada modelo, se muestran en la siguiente tabla de frecuencias:
SEAT 350
RENAULT 200
CITROEN 111
OPEL 165
FORD 180
Otras 165
SEAT
RENAULT
CITROEN
OPEL
FORD
OTRAS
8/66
http://sites.google.com/site/mat3catorce/
6. Medidas de Centralización
Definición:
Si x i son los distintos valores que toma la variable estadística X , se define la Media
Aritmética de X como x , donde
x i
x i 1
n
siendo n el tamaño de la muestra o población
fx i i
x i 1
n
Ejemplo Dados los siguientes valores {2, 4, 0, -6, -3, 6, 2, 10} relativos a una variable
estadística X , su media aritmética es:
x i
2 4 0 - 6 - 3 6 2 10 15
x i 1
1.875
n 8 8
fx i i
2·3 1·4 3·5 1·6 1·7 2·8 54
x i 1
5.4
n 10 10
9/66
http://sites.google.com/site/mat3catorce/
Definición:
Media Armónica
n
H k
fi
i 1 x i
Definición:
Media Geométrica
1/ n
k f
G xi i
i 1
Definición:
Mediana M e : es el valor central de los datos una vez ordenados de menor a mayor.
Si hubiese un par de valores centrales, la Mediana sería la media aritmética de estos
dos valores.
Ejemplo Dados los siguientes valores {2, 4, 0, -6, -3, 6, 2, 10} relativos a una variable
estadística. Calcular su mediana.
Los datos centrales una vez ordenados de menor a mayor son los subrayados: {-6, -3, 0, 2, 3,
4, 6, 10}
23
La mediana es la media aritmética de los valores centrales 2.5 . La mediana es 2.5.
2
Definición:
10/66
http://sites.google.com/site/mat3catorce/
Ejemplo
Dados los siguientes valores {2, 4, 2, 6, -3, 6, 2, 10} relativos a una variable estadística Y , su
moda es 2.
Ejemplo
Dados los siguientes valores {2, 4, 2, 6, -3, 6, 3, 10} relativos a una variable estadística Y , su
moda es 2 y 6.
7. Medidas de Dispersión
Las mediadas de centralización necesitan de otras que las complementen en el
estudio de las distribuciones de frecuencia de las variables estadísticas. Las medidas
de dispersión informan de las desviaciones que sufren los datos respecto de los
valores centrales.
Definición:
Ejemplo
Dados los siguientes valores {2, 4, 0, 6, 3, 6, 2, 10} relativos a una variable estadística Y , su
rango es 10 6 16
Definición:
Varianza
x
n
2
i x
2 i 1
f x x
k 2
i i
2 i 1
n
La varianza es siempre un valor mayor o igual que cero. 2 toma el valor cero solo
cuando todos los valores de la muestra son iguales.
2 0
11/66
http://sites.google.com/site/mat3catorce/
xi
2
2 i 1
x
2
Demostración:
x x x x
n 2 n n n
2·x xi n· x
2 2
2·x·xi x
2 2
i i i
2 i 1
i 1
i 1 i 1
n n n
n n
xi x x
2
i 2
i 1
2·x i 1
n
n n n
n n n
x x x
2 2 2
i i i
2 2 2 2
i 1
2·x·x x i 1
2· x x i 1
x
n n n
k
fx 2
i i
2 i 1
x
n
2 2
Calificación fi f i ·xi xi f i ·xi
3 2 6 9 18
4 1 4 16 16
5 3 15 25 75
6 1 6 36 36
7 1 7 49 49
8 2 16 64 128
totales 54 322
x 5.4
k
fx
2
i i
5.4 3.04
2 322
2 i 1
x
2
n 10
12/66
http://sites.google.com/site/mat3catorce/
Definición:
2
Definición:
Coeficiente de Variación
CV
x
Ejemplo Sean X la variable estadística que indican la producción de leche en miles de litros.
Sean A y B dos granjas productoras de leche. Los datos obtenidos durante cuatro trimestres de
un año dado son
Granja A 12 25 2 60
Granja B 20 30 15 22
x CV
Granja A 24.75 21.9245867 0.88584189
Granja B 21.75 5.4025457 0.24839291
A la vista de los resultados, la granja A tiene una mayor producción anual de leche si se
observa solo la media aritmética. Sin embargo, una desviación típica mayor de la granja A
indica una mayor variabilidad en la producción. Un CV menor de la granja B da a entender una
mayor fiabilidad de esta granja en la producción de leche, y será este el valor a tener en cuenta
si se quiere contratar una granja que asegure un suministro de leche al mercado.
8.
9. Introducción a la Estadística Bidimensional
13/66
http://sites.google.com/site/mat3catorce/
Una de las cuestiones que ofrece mayor interés en el estudio de las variables
bidimensionales es la de conocer el grado de relación que existe entre ambas
variables unidimensionales.
Ejemplo
Es el caso de la variable estadística X , Y que mide el peso en Kg. y la estatura en cm. de
una persona; una observación de esta variable estadística podría ser
xi , yi = (80kg, 185cm).
14/66
http://sites.google.com/site/mat3catorce/
Ejemplo El siguiente ejemplo muestra los valores de la variable estadística bidimensional (X, Y)
y su diagrama de dispersión. X recoge el valor de la nota en Física e Y el valor de la nota en
Matemáticas.
X: Física 7 9 3 2 6 8 4 3 8 5 6 3 2 8
Y: Matemáticas 5 10 4 2 8 8 5 2 6 5 7 5 2 7
12
10 9; 10
8 6; 8 8; 8
Y Física
6; 7 8; 7
6 8; 6
3; 5 4; 5 5; 5 7; 5
4 3; 4
2 2; 2 3; 2
0
0 2 4 6 8 10
X Matemáticas
Ejemplo
X Y
1 89 300 100
2 86 270 90
3 72 260 80
4 62 230 70
5 45 190
60
Renta
15/66
http://sites.google.com/site/mat3catorce/
x1 , x2 ,..., xk
y1 , y 2 ,..., y n
Se define f ij o frecuencia absoluta, al número de veces que se repite la
modalidad xi , yi de la variable estadística X , Y
fij
frij
n
Donde n es el número de individuos objeto de estudio.
Y
X x1 x2 xi xn
y1 f 11 f 21 f i1 f nj
y2 f 12 f 22 fi2 f n2
yj f1 j f2 j fij f nj
ym f1m f 2m f im f nm
16/66
http://sites.google.com/site/mat3catorce/
Ejemplo En el ejemplo de la variable X , Y , donde X indica si una persona es fumadora o no
e Y el sexo, se han recogido los datos de 10 pacientes:
x i
x i 1
n
n
y i
y i 1
n
x, y
17/66
http://sites.google.com/site/mat3catorce/
x y
2 n 2
n
i x i y
x2 i 1 y 2 i 1
n n
x x
n 2
i
x i 1
n
y
n 2
i y
y i 1
n
Ejemplo En una clase con 30 alumnos se ha hecho un estudio sobre el número de horas
diarias de estudio X y el número de suspensos Y, obteniéndose los siguientes resultados
representados:
(2, 0), (2, 2), (0, 5), (2, 1), (1, 2), (2, 1), (3, 1), (4, 0), (0, 4), (2, 2), (2, 1), (2, 1), (4, 0), (3, 1), (2,
4), (2, 1), (1, 2), (2, 1), (2, 0), (3, 0), (3, 2), (2, 2), (2, 2), (2, 1), (0, 5), (1, 3), (2, 2), (2, 1), (1, 3),
(1, 4)
X/Y 0 1 2 3 4 Totales
0 0 0 2 1 2 5
1 0 0 8 2 0 10
2 0 2 5 1 0 8
3 0 2 0 0 0 2
4 1 1 1 0 0 3
5 2 0 0 0 0 2
Totales 3 5 16 4 2 30
Y f X f
0 5 0 3
1 10 1 5
2 8 2 16
3 2 3 4
4 3 4 2
5 2
Medidas marginales:
18/66
http://sites.google.com/site/mat3catorce/
fx i i
3·0 5·1 16·2 4·3 2·4
x i 1
1.9
n 30
fy i i
5·0 10·1 8·2 2·3 3·4 2·5
y i 1
1.8
n 30
Varianza marginal de Y
k 2
f i yi y
y2 i 1
n
5·(0 1.8) 2 10·(1 1.8) 2 8·(2 1.8) 2 2·(3 1.8) 2 3·(4 1.8) 2 2·(5 1.8) 2
2.0266
30
f x x i i
x
2 i 1
0.956
n
14. Covarianza
Uno de los objetivos del análisis estadístico bidimensional es detectar la relación que
pudiera existir entre cada una de las variables. Se tratará de medir la intensidad y el
sentido de la relación. Si existe relación estadística diremos que las variables están
correlacionadas o que hay correlación entre ellas. Esto permitirá, entre otras cosas,
estimar una variable a partir de otra.
x x y y
n
i i
xy i 1
n
19/66
http://sites.google.com/site/mat3catorce/
f x
k
ij i x yj y
i 1, j 1
xy
n
Para una mayor facilidad de cálculo, se puede usar la expresión equivalente:
f
i 1, j 1
ij xi y j
xy x·y
n
15. Coeficiente de Correlación Lineal
xy
r
x y
A “r” también se denomina Coeficiente de Correlación Lineal de Pearson
1 r 1
r próximo a +1 indica que hay una alta correlación lineal directa.
r próximo a -1 indica que hay una alta correlación lineal inversa.
r próximo a 0 indica que la correlación lineal es débil.
r 1 o r 1 indica que la correlación lineal es perfecta para los
datos analizados. La nube de puntos cae exactamente sobre la recta.
20/66
http://sites.google.com/site/mat3catorce/
Ejemplo Una empresa dedicada a la elaboración y venta de ropa ha realizado los gastos en
publicidad y ha obtenido las ventas que figuran en la siguiente tabla. Los datos vienen
expresados en miles de euros y se refieren a los últimos 10 años.
Hallar el coeficiente de correlación lineal r:
Publicidad Ventas
7,5 200
8 205
8,5 230
10 240
10,5 250
12 270
13 280
14 300
15 310
18 325
Nube de puntos:
400
350
300
Ventas
250
200
150
100
5 7 9 11 13 15 17 19
Publicidad
Para determinar de correlación lineal r, necesitamos conocer las medias marginales, varianzas
marginales y covarianza.
Medias aritméticas marginales:
n n
x i
116.5
y i
2610
x i 1
11.65 y i 1
261
n 10 n 10
21/66
http://sites.google.com/site/mat3catorce/
Varianzas marginales:
x x
n n 2
i x i
2 1460.75
x 2 i 1
i 1
x 11.65 2 10.36
n n 10
y y
n n 2
i y i
2 698050
y 2 i 1
i 1
y 2612 1684.2816
n n 10
Desviaciones típicas marginales:
x x 2 10.36 3.22
y y 2 1684.2816 41.04
Covarianza:
k
f
i 1, j 1
ij xi y j
31700
xy x·y 11.65·261 129.35
n 10
Coeficiente de correlación lineal:
xy 129.35
r 0.98
x y 3.22·41.04
El grado de dependencia ente la variable X, gasto en publicidad e Y, ventas, es muy alto, están
directamente relacionadas.
2
xy
r
2
x y
El coeficiente de determinación es siempre mayor o igual que 0 y menor o igual que 1.
0 r2 1
Ejemplo el coeficiente de determinación del Ejemplo 7.1 es:
2
xy
r
2 0.982 0.9604
x y
22/66
http://sites.google.com/site/mat3catorce/
Por tanto, la recta de regresión permite estimar una variable a partir de otra.
y=a·x+b
xy
x2
23/66
http://sites.google.com/site/mat3catorce/
Ejemplo
xy
yy x x y 261 129 .35
x 11.65 y 12.49·x 115.44
x 2
3.22 2
Por ejemplo, si x=25 mil euros, sustituyendo en la ecuación anterior y operando, obtenemos
una estimación de ventas de y=427.69 mil euros
xy
Coef. de Regresión
x2
El coeficiente de regresión coincide con la pendiente de la recta de regresión.
24/66
http://sites.google.com/site/mat3catorce/
25/66
http://sites.google.com/site/mat3catorce/
180
160
140
Precipitaciones 120
100
80
60
40
20
0
-5 0 5 10 15
Temperatura
180
160
140
Precipitaciones
120
100
80
60
40
20
0
-5 0 5 10 15
Temperatura
x i
x i 1
3.57916667
N
N
y i
y i 1
81.7666667
N
- Covarianza:
x x y i i y N
x y x y
1
xy i 1
i i
N N i 1
26/66
http://sites.google.com/site/mat3catorce/
Varianzas marginales:
x x
N
i N
1
x i 1
x x 35.897691
2 2 2
i
N N i 1
2
y y
N
i
y 2 i 1
2132.06722
N
xy - 260.264444
r -0.9407649
x y 35.897691 2132.06722
El coeficiente de correlación lineal r=-0.9407 próximo a -1, indica una alta correlación inversa
entre las variables X, Y.
- Coeficiente de Determinación:
2
r xy - 0.9407649 0.885038
2 2
x y
xy - 260.264444
- Coeficiente de Regresión de Y sobre X = 7.2501
2
x 35.897691
xy - 260.264444
- Coeficiente de Regresión de X sobre Y= 0.12207
y2 2132.06722
xy
y y x x
x2
y 81.7666667
- 260.264444
x 3.57916667
35.897691
y 7.2501·x 107.716241
27/66
http://sites.google.com/site/mat3catorce/
160
140
120
100
80
60
40
20
0
-5 0 5 10 15
y -7.25 x 107.72
xy
xx y y
y2
x -0.12207141·y 13.5605387
180
160
140
120
100
Y
80
60
40
20
0
-5.970886364 X 13.56053867
28/66
http://sites.google.com/site/mat3catorce/
media x 3.579166667
media y 81.76666667
varianza x 35.89769097
varianza y 2132.067222
desviación típica x 5.991468182
desviación típica y 46.17431345
covarianza -260.2644444
coeficiente de correlación lineal -0.94076497
coeficiente de determinación 0.885038729
coeficiente regresión Y/X -7.250172292
coeficiente regresión X/Y -0.122071406
pendiente Y/X -7.250172292
pendiente X/Y -0.122071406
punto de corte ordenadas Y/X 107.7162417
punto de corte ordenadas Y/X 13.56053867
Ejemplo En el lanzamiento de una moneda el espacio muestral consta de solo dos elementos
<<cara>> y <<cruz>>.
29/66
http://sites.google.com/site/mat3catorce/
30/66
http://sites.google.com/site/mat3catorce/
Definición: Unión de dos sucesos A y B, es el suceso formado por todos los sucesos
elementales contenidos en A, B o ambos simultáneamente. Se representa por:
A B
Definición: Intersección de dos sucesos A y B, es el suceso formado por todos los
sucesos elementales comunes ambos sucesos. Se representa por:
A B
Dos sucesos A y B son incompatibles si su intersección es el conjunto vacío (A B=
)
Ac o A
Definición: Diferencia de los sucesos A y B es el suceso formado por los sucesos
elementales que están contenidos en A, pero que no lo están en B. Se representa por:
A B A B
Definición: Diferencia Simétrica de dos sucesos está formada por los sucesos
elementales que pertenecen a algunos de los dos sucesos, exceptuando los comunes.
Se representa por:
AB A B A B
31/66
http://sites.google.com/site/mat3catorce/
Intersección
A B es el suceso formado por todos los
elementos que son, a la vez, de A y de B.
Diferencia
A B es el suceso formado por todos los
elementos de A que no son de B.
Propiedades:
Unión Intersección
Conmutativa A B B A A B B A
Asociativa A B C A B C A B C A B C
Idempotente A A A A A A
Simplificación A B A A A B A A
Distributiva A B C A B A C A B C A B A C
Elemento neutro A A A E A
Absorción A E E A
Además:
A
A AC E
32/66
http://sites.google.com/site/mat3catorce/
( A B ) c Ac B c
( A B)c Ac Bc
Ejemplo
33/66
http://sites.google.com/site/mat3catorce/
Ejemplo
Ejemplo:
Supóngase, que en una serie muy larga de repeticiones de la experiencia <<lanzar una
moneda truncada>>, se ha constatado que el 70% de las veces aparece cara. En la práctica se
toma 0.7 como la probabilidad del suceso <<en un lanzamiento resulta cara>>
34/66
http://sites.google.com/site/mat3catorce/
Definición:
I. 0 P A 1
II. P( E ) 1
III. P( A B) P( A) P( B) P( A B)
Propiedades:
P( A) P( Ac ) 1
A1, A2, A3,…, An sucesos incompatibles.
Si A A1 A 2 A 3 ... A n
P( A) P( A1 ) P( A2 ) P( A3 ) ... P( An )
Ejemplo
Sea A sacar un número par y B sacar un número divisible por 3. A={2, 4, 6} y B={3, 6}.
3 2 1 4 2
P( A B) P( A) P( B) P( A B)
6 6 6 6 3
35/66
http://sites.google.com/site/mat3catorce/
c c
Probabilidad de no sacar 5. Sea A={1, 2, 3, 4, 6} y A ={5}. Como P(A)+P(A )=1 se puede
despejar P(A), P(A)=1-
c
P(A )=1-(1/6)=5/6
Ejemplo De una baraja de 40 cartas se extrae una carta ¿cuál es la probabilidad de extraer
oros o figuras?
1
Sea el suceso A=<<la carta obtenida es oros>>, P( A)
4
3
Sea el suceso B=<<la carta obtenida es una figura>>, P( B )
10
El suceso <<la carta obtenida es oros o figura >> corresponde a A B
A B y P A B
3
El suceso <<la carta obtenida es oros y figura >> corresponde a
40
P A B P A PB P A B
1 3 3 19
Entonces
4 10 40 40
Si A es un suceso cualquiera y A es su contrario, PA 1 P A
Ejemplo Sea el suceso A =<<la carta obtenida es oros de una baraja de 40 cartas>>
1
P( A) . La probabilidad del suceso A =<<la carta obtenida NO es oros de una baraja de
4
1 3
40 cartas>> es P( A) 1
4 4
P( A B)
P( A / B)
P( B)
36/66
http://sites.google.com/site/mat3catorce/
Ejemplo:
Definición:
P( A B) P( A) P( B)
Si A1, A2, A3,…, An son independientes, entonces:
P( A1 A2 A3 ... An ) P( A1 ) P( A2 ) P( A3 )... P( An )
Ejemplo
Se considera el experimento de lanzar dos monedas. El espacio muestral es: E={(CC), (CX),
(XC), (XX)}
P(A)=1/2 Y P(B)=1/2.
P( A B) P((C, F )) 1 / 4 P( A) P( B)
37/66
http://sites.google.com/site/mat3catorce/
Ejemplo
La probabilidad de que salga el número 00000 es 1/100000, un caso favorable entre 100000
números posibles.
Por otra parte, la probabilidad de que salga el número 00000 es la probabilidad de que salga el
0 en el bombo 1, 0, en el bombo 2… 0 en el bombo 5
P(“0” U “0” U “0” U “0” U “0” U “0” )= P(“0”) P(“0”) P(“0”) P(“0”) P(“0”)
5 5
P(“0”)=(P(“0”)) =(1/10) =1/100.000
Ejemplo: La probabilidad de que un hombre y una mujer vivan dentro de 25 años son 0.8 y 0.85
respectivamente. Hallar la probabilidad de que dentro de 25 años:
H M
38/66
http://sites.google.com/site/mat3catorce/
E=A1 U A2 U A3 U,…, U An
Ejemplo
P( B) P( A1 ) P( B / A1 ) P( A2 ) P( B / A2 ) P( A3 ) P( B / A3 ) P( A4 ) P( B / A4 )
P( B) P( B A1 ) P( B A2 ) P( B A3 ) P( B A4 )
Ya que:
P( B A1 ) P( A1 ) P( B / A1 )
P( B A2 ) P( A2 ) P( B / A2 )
P( B A3 ) P( A3 ) P( B / A3 )
P( B A4 ) P( A4 ) P( B / A4 )
39/66
http://sites.google.com/site/mat3catorce/
Ejemplo En una ciudad el 55% de la población en edad laboral son hombres, un 15% está en
paro. Entre las mujeres el paro es del 25%.Si en una ciudad se elige al azar una persona en
edad laboral ¿cuál es la probabilidad de que esté en paro?
Sean los sucesos H= hombre activo, M= mujer activa, P= parado. Los sucesos H: Hombre, M:
Mujer son incompatibles y su unión es el espacio muestral E, población en edad laboral.
Si elegimos una persona en edad laboral, la probabilidad de que esté en paro resulta ser,
aplicando el teorema de la probabilidad total:
P(P)=P(H)P(P/H)+ P(M)P(P/M)
P(P)=P(H)P(P/H)+ P(M)P(P/M)=(55/100)(15/100)+(45/100)(25/100)=0.195.
40/66
http://sites.google.com/site/mat3catorce/
Teorema de Bayes: Si A1, A2, A3,…, An son sucesos incompatibles (Ai Aj= si i≠j)
del espacio E, tal que
n
E=A1 U A2 U A3 U,…, U An= A
i 1
i
P( Ai ) P( S / Ai ) P( Ai ) P( S / Ai )
P( Ai / S ) n
P( A ) P( S / A )
P( S )
i i
i 1
P( Ai ) P( S / Ai )
P( Ai / S )
P( S ) P( A1 ) P( S / A1 ) P( A2 ) P( S / A2 ) ... P( An ) P( S / An )
Ejemplo
P( A1 ) P( B / A1 )
P( A1 / B)
P( A1 ) P( B / A1 ) P( A2 ) P( B / A2 ) P( A3 ) P( B / A3 ) P( A4 ) P( B / A4 )
41/66
http://sites.google.com/site/mat3catorce/
Ejemplo: Un trabajador debe tomar el tren para ir al trabajo. Si coge el de las 7h la probabilidad
de llegar puntual a su trabajo es de 0.9; si lo pierde llega tarde el 40% de las veces. Sabiendo
que lo pierde el 20% de las veces, cual es la probabilidad de que:
a) Llegue puntual;
b) Haya cogido el tren de las 7h sabiendo que ha llegado puntual a su trabajo.
c) Haya perdido el tren si ha llegado tarde.
NC = no coger el tren
P = llegar puntual
T = llegar tarde
P(P)=P(C)P(P/C)+ P(NC)P(P/NC)=0.8·0.9+0.2·0.6=0.84
De aquí se deduce que si no llega puntual es que llega tarde, su complementario, y que
P(T)=1-P(P)=0.16
P(C ) P( P / C ) P(C ) P( P / C )
P(C / P)
P(C ) P( P / C ) P( NC ) P( P / NC ) P( P)
P(C/P)=(0.8·0.9)/0.84=6/7
P( NC ) P(T / NC ) P( NC ) P(T / NC )
P( NC / T )
P( NC ) P(T / NC ) P(C ) P(T / C ) P(T )
P(NC/T)=(0.2·0.4)/0.16=1/2
42/66
http://sites.google.com/site/mat3catorce/
29. Ejercicios
Ejercicio 1:
Describe el espacio muestral asociado a cada uno de los siguientes experimentos aleatorios:
Solución
E={(CCC),(CCX),(CXC),(XCC),(CXX),(XCX),(XXC),(XXX)}
b. E={3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18}
E={BB,BN,NN}
d. Si llamamos L al día lluvioso y N al día sin lluvia, para tres días consecutivos se obtiene
el siguiente espacio muestral:
E={(LLL),(LLN),(LNL),(NLL),(LNN),(NLN),(NNL),(NNN)}
Ejercicio 2:
Se considera el sexo de los hijos de las familias de tres hijos. Sea A el suceso el hijo mayor es
una hembra, y B el suceso los dos hijos pequeños son varones. ¿Cuáles son los elementos de
A y B?
Solución:
Llamando V a ser varón y H a ser hembra, el espacio muestral está formado por los sucesos
elementales:
E={(VVV),(VVH),(VHV),(HVV),(VHH),(HVH),(HHV),(HHH)}
Y los sucesos A y B son compuestos y están formados por los siguientes sucesos elementales:
A={(HHH),(HHV),(HVH),(HVV)}
B={(VVV),(HVV)}
Ejercicio 3
Tenemos una urna con nueve bolas numeradas del 1 al 9. Realizamos el experimento, que
consiste en sacar una bola de la urna, anotar el número y devolverla a la urna. Consideramos
los siguientes sucesos: A="salir un número primo" y B="salir un número cuadrado". Responde a
las cuestiones siguientes:
43/66
http://sites.google.com/site/mat3catorce/
Solución:
Los sucesos A y B están formados por los sucesos elementales que pueden verse a
continuación:
A = {2,3,5,7}
B = {1,4,9}
A partir de estos conjuntos, tenemos:
= {1,2,3,4,5,7,9}
=Ø
Ejercicio 4:
Se lanzan dos dados equilibrados con seis caras marcadas con los números del 1 al 6. Se
pide:
a. Halla la probabilidad de que la suma de los valores que aparecen en la cara superior
sea múltiplo de tres.
b. ¿Cuál es la probabilidad de que los valores obtenidos difieran en una cantidad mayor
de dos?
Solución:
Utilizando la regla de Laplace, calculamos las probabilidades de los sucesos que nos piden:
a. Si llamamos A al suceso "obtener una suma múltiplo de 3", los casos favorables al
suceso A son:
A = {(1,2); (2,1); (1,5); (2,4); (3,3); (4,2); (5,1); (3,6); (4,5); (5,4); (6,3); (6,6)}.
B = {(1,4); (4,1); (1,5); (5,1); (1,6); (6,1); (2,5); (5,2); (2,6); (6,2); (3,6); (6,3)}.
44/66
http://sites.google.com/site/mat3catorce/
Ejercicio 5:
Si escogemos al azar dos números de teléfono y observamos la última cifra de cada uno,
determina las probabilidades siguientes:
Solución:
El espacio muestral de este experimento está formado por los cien sucesos elementales: 00,
01, 02, 03, 04, 05, 06, 07, 08, 09, 10, 11, ..., 98, 99. Para cada sucesos del enunciado
calculamos sus casos favorables, aplicamos la regla de Laplace y obtenemos:
a. Los casos favorables son: 00, 11, 22, ..., 99. La probabilidad de que las últimas cifras
sean iguales es:
b. Los casos favorables a que la suma de las últimas cifras sea 11 son: 29, 38, 47, 56, 65,
74, 83 y 92. Por tanto,
c. Deben contarse los números de dos cifras cuya suma sea 8, 9, 10, 11 y 12. Haciendo
un recuento ordenado, se obtienen 43 casos favorables. La probabilidad buscada es:
P(últimas cifras suman un valor mayor que 7 y menor que 13) = 43/100 = 0.43
Ejercicio 6:
En una caja tenemos 15 bolas blancas, 30 bolas negras y 45 bolas verdes. Si extraemos tres
bolas simultáneamente, ¿cuál es la probabilidad de que salga una bola de cada color?
Solución:
Calcularemos los casos posibles del experimento y los casos favorables al suceso del
enunciado para aplicar la regla de Laplace.
Los casos posibles son las distintas formas de extraer 3 bolas entre 90. Como el orden no debe
tenerse en cuenta, estos casos son:
Los casos favorables son 15 · 30 · 45 = 20 250. Éstas son las formas de agrupar tres bolas de
distinto color. La probabilidad pedida es:
45/66
http://sites.google.com/site/mat3catorce/
Ejercicio 7:
Solución:
Los casos posibles de este experimento son las 216 ternas siguientes: 111, 112, 121, 211, ...,
665, 666.
Realizando un recuento ordenado de los casos favorables a los sucesos del enunciado,
obtenemos las siguientes probabilidades a y b respectivamente:
Ejercicio 8:
Se lanzan dos dados:
Solución:
Sean los sucesos A="la suma de los puntos es 7" y B="en alguno de los dados ha salido un
tres".
a. Los casos posibles al lanzar dos dados son 36 y los casos favorables al suceso A son
los seis siguientes: (1,6); (2,5); (3,4); (4,3); (5,2) y (6,1). Por tanto, P( A )=6/36=1/6
Ejercicio 9:
a. ¿Son independientes A y B?
b. Si M A, ¿cuál es el valor de P( / )?
46/66
http://sites.google.com/site/mat3catorce/
Solución:
b. M A . Por tanto,
Ejercicio 10:
Una compañía dedicada al transporte público explota tres líneas de una ciudad, de forma que
el 60% de los autobuses cubre el servicio de la primero línea, el 30% cubre la segunda y el
10% cubre el servicio de la tercera línea. Se sabe que la probabilidad de que, diariamente, un
autobús se averíe es del 2%, 4% y 1%, respectivamente, para cada línea. Determina la
probabilidad de que, en un día, un autobús sufra una avería.
Solución:
El suceso "sufrir una avería" (Av) puede producirse en las tres líneas, (L1, L2, L3). Según el
teorema de la probabilidad total y teniendo en cuenta las probabilidades del diagrama de árbol
adjunto, tenemos:
47/66
http://sites.google.com/site/mat3catorce/
Ejercicio 11:
Una empresa del ramo de la alimentación elabora sus productos en cuatro factorías: F1, F2, F3
y F4. El porcentaje de producción total que se fabrica en cada factoría es del 40%, 30%, 20% y
10%, respectivamente, y además el porcentaje de envasado incorrecto en cada factoría es del
1%, 2%, 7% y 4%. Tomamos un producto de la empresa al azar. ¿Cuál es la probabilidad de
que se encuentre defectuosamente envasado?
Solución:
Llamando M = "el producto está defectuosamente envasado", se tiene que este producto puede
proceder de cada una de las cuatro factorías y, por tanto, según el teorema de la probabilidad
total y teniendo en cuenta las probabilidades del diagrama de árbol adjunto, tenemos:
Ejercicio 12:
Una prueba diagnóstica para la diabetes tiene un CFP de 4% y un CFN del 5%. Si la
prevalencia de la diabetes en la población donde se usa es del 7% ¿cuál es la probabilidad de
que sea diabético un individuo en el que la prueba dé positiva? y ¿de que no lo sea uno en el
que dé negativo?
48/66
http://sites.google.com/site/mat3catorce/
Ejercicio 13:
Tres máquinas, A, B y C, producen el 45%, 30% y 25%, respectivamente, del total de las
piezas producidas en una fábrica. Los porcentajes de producción defectuosa de estas
máquinas son del 3%, 4% y 5%.
Solución:
Sea D= "la pieza es defectuosa" y N= "la pieza no es defectuosa". La información del problema
puede expresarse en el diagrama de árbol adjunto.
a. Para calcular la probabilidad de que la pieza elegida sea defectuosa, P(D), por la
propiedad de la probabilidad total,
49/66
http://sites.google.com/site/mat3catorce/
Ejercicio 14:
Tenemos tres urnas: A con 3 bolas rojas y 5 negras, B con 2 bolas rojas y 1 negra y C con 2
bolas rojas y 3 negras. Escogemos una urna al azar y extraemos una bola. Si la bola ha sido
roja, ¿cuál es la probabilidad de haber sido extraída de la urna A?
Solución:
Llamamos R= "sacar bola roja" y N= "sacar bola negra". En el diagrama de árbol adjunto
pueden verse las distintas probabilidades de ocurrencia de los sucesos R o N para cada una de
las tres urnas.
50/66
http://sites.google.com/site/mat3catorce/
51/66
http://sites.google.com/site/mat3catorce/
Ejemplo En la mesa de dados de un casino se han jugado una noche 1000 partidas al juego de
azar de lanzar dos dados y apostar a la suma de los resultados. Un observador atento ha
anotado el número de veces que se ha producido cada suma, obteniéndose la siguiente
distribución de frecuencias:
SUMA 2 3 4 5 6 7 8 9 10 11 12
FRECUENCIAS 29 50 82 100 140 188 132 115 80 54 30
Teóricamente se pueden calcular las probabilidades de la suma de los dos da dos que son:
11 1
P(2) P(sacar 1 y 1)
6 6 36
11 11 2
P(3) P(sacar 1 y 2 o sacar 2 y 1)
6 6 6 6 36
11 11 11 3
P(4) P(sacar 1 y 3 o sacar 3 y 1 o sacar 2 y 2)
6 6 6 6 6 6 36
En la siguiente tabla muestra las probabilidades teóricas y el número aproximado de veces que
debería salir cada resultado con las esas probabilidades teóricas
SUMA 2 3 4 5 6 7 8 9 10 11 12
PROBABILIDAD 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
por 1000 partidas 28 56 83 111 139 166 139 111 83 56 28
52/66
http://sites.google.com/site/mat3catorce/
Este apartado trata de definir la probabilidad a partir de “un número muy grande de
observaciones”. A esta probabilidad se la llama a posteriori, pues se establece
después de haber realizado el experimento. Si un experimento se ha realizado n veces
y en m de ellas se ha verificado el suceso A, decimos que P(A)=m/n
SUMA 2 3 4 5 6 7 8 9 10 11 12
FRECUENCIA 29 50 82 100 140 188 132 115 80 54 30
PROBABIDAD
29/100 50/10 82/10 100/10 10/10 188/10 132/10 115/10 80/10 54/10 30/10
A
0 00 00 00 00 00 00 00 00 00 00
POSTERIORI
Ejemplo
Si de 500 personas consultadas, oyen la radio 325, podemos decir que la probabilidad de oír la
radio es 325/500 (un 65% ya que (325/500)·100=0.65)
Variable aleatoria es una función que toma valores de acuerdo con un experimento
aleatorio
Ejemplo En el lanzamiento de dos dados donde se observa la suma de los puntos obtenidos, la
variable aleatoria S=<<suma de sus resultados>> puede tomar los valores 2, 3, 4, 5, 6,…,12.
Definición:
53/66
http://sites.google.com/site/mat3catorce/
Si X es una variable aleatoria discreta que puede tomar los valores x1, x2, x3, …, xn las
probabilidades respectivas serán:
P( X x1 ), P( X x2 ), P( X x3 ), ..., P( X xn )
P( X x ) P( X x ) P( X x
i 1
i 1 2 ) P( X x3 ) ... P( X xn ) 1
X (1,1) 2
X (1,2) 3
X (1,3) 4
...
X (6,5) 11
X (6,6) 12
P X (1,1)
1
La probabilidad de obtener un 2 es
36
P X (1,2) o X (2,1)
2
La probabilidad de obtener un 3 es
36
La probabilidad de obtener un 7 es
xi 2 3 4 5 6 7 8 9 10 11 12
P X x i 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
Además:
54/66
http://sites.google.com/site/mat3catorce/
Definición:
f ( x ) P X xi
Si P( X x1 ), P( X x 2 ), P( X x3 ), ..., P( X x n )
entonces
f ( x1 ) P( X x1 ); f ( x 2 ) P( X x 2 ); f ( x3 ) P( X x3 );...; f ( x n ) P( X x n )
xi 2 3 4 5 6 7 8 9 10 11 12
f xi 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
f (x ) 1
i 1
i
n
1 2 3 4 5 6 5 4 3 2 1
f ( x ) 36 36 36 36 36 36 36 36 36 36 36 1
i 1
i
55/66
http://sites.google.com/site/mat3catorce/
Definición:
F ( xi ) P( X xi ) P( X x1 ) P( X x2 ), ..., P( X xi )
o
F ( xi ) f ( x1 ) f ( x2 ), ..., f ( xi )
o
F ( xi ) f ( xi )
xi x
Ejemplo sea la variable aleatoria discreta X =<<suma de los resultados al lanzar dos dados>>,
entonces X tendrá una función de distribución:
xi 2 3 4 5 6 7 8 9 10 11 12
F xi 1/36 3/36 6/36 10/36 15/36 21/36 26/36 30/36 33/36 35/36
36/36
=1
Ejemplo: Al lanzar cuatro monedas se obtienen los siguientes resultados (variaciones con
4
repetición de 2 elementos cogidos de 4 en 4, 2 =16)
E={CCCC, CCCX, CCXC, CXCC, XCCC, CCXX, CXCX, CXXC, XCCX, XCXC, XXCC, CXXX,
XCXX, XXCX, XXXC, XXXX}
La variable aleatoria C=<<número de caras al lanzar cuatro monedas>> puede tomar los
valores 0, 1, 2, 3, 4. La función de distribución de probabilidad y la Función de distribución son:
Caras=n 0 1 2 3 4
Distribución de Probabilidad P(C=n) 1/16 4/16 6/16 4/16 1/16
Función de Distribución P(C<=n) 1/16 5/16 11/16 15/16 16/16=1
56/66
http://sites.google.com/site/mat3catorce/
Definición:
n
xi f ( xi )
i 1
n
xi P ( X xi )
i 1
1 4 6 4 16 0 4 12 12 4
0· 1· 2· 3· 4· 2
16 16 16 16 16 16
Este valor esperado coincide con el número de caras que intuitivamente cabe esperar por
término medio.
Definición:
57/66
http://sites.google.com/site/mat3catorce/
n
P( X xi )( xi ) 2
2
i 1
n
f ( xi )( xi ) 2
2
i 1
Definición:
2
n n
2 f ( xi )( xi ) 2 f ( xi )( xi ) 2
i 1 i 1
58/66
http://sites.google.com/site/mat3catorce/
n r nr
P(X r) p q
r
En particular:
n n
P(X 0) p 0 q n0 q n ; P(X n) p n q nn p n
0 n
La probabilidad de que el número de éxitos sea menor o igual que r es:
r
n
P(X r) p i q n i
i 0 i
59/66
http://sites.google.com/site/mat3catorce/
Ejemplo
La probabilidad de que un jugador de baloncesto meta una canasta de 3 puntos es 0.25.
Si efectúa nueve lanzamientos de tres puntos ¿Cuál es la probabilidad de que meta dos
canastas?
La variable aleatoria X=<<número de canastas de tres puntos al lanzar 9 veces>> sigue una
distribución Binomial
B(9, 0.25).
9 9 9! 9!
P(X 2) p 2 q 92 0.2520.757 0.2520.757 0.2520.757 0.30
2 2 2!(9 2)! 2!·7!
60/66
http://sites.google.com/site/mat3catorce/
n·p
2 n·p·q
n·p·q
Ejemplo Un examen consta de 100 preguntas con tres respuestas posibles cada una, de las
que solo una es cierta. Si se responde al azar, ¿cuál será la media de aciertos? ¿y la varianza?
Ejemplo En el ejemplo 8.3 ¿Cuál es el número de personas que se espera que mejoren?
Ejemplo En una ciudad se encontró que el 20 por ciento de los hogares estaban asegurados
contra incendios. Con objeto de establecer una encuesta en el área, una compañía de seguros
selecciona cinco hogares al azar.
Sea A la variable <<estar asegurado al tomar cinco hogares>>, que se distribuye como una
Binomial B(5, 0.2).
El número de hogares que se espera estén asegurados es la media de A, por tanto es
n·p 5·0.2 1
61/66
http://sites.google.com/site/mat3catorce/
0,4
0,35
0,3
0,25
frecuencia
X absoluta 0,2
0,15
[60, 70) 0.05 0,1
Definición:
Dada una variable aleatoria X, para que una función f(x) sea función de densidad de
X debe cumplir las siguientes propiedades:
- f(x) 0
- f(x)dx 1
62/66
http://sites.google.com/site/mat3catorce/
Dada una variable aleatoria X que toma valores en el intervalo [a, b], se llama función
de distribución de X a la función F(x) definida por
F ( x) P( X x)
La distribución normal se presenta en poblaciones donde los casos extremos son raros
y la mayoría de los valores se agrupan en torno a una media. Los tipos medios son los
que aparecen con mayor frecuencia.
1 x
2
1
2
f ( x) e
2
63/66
http://sites.google.com/site/mat3catorce/
Distribución Normal
0.0120
0.0100
0.0080 El valor
de
f(x)
0.0060
0.0040
determina
0.0020
la
amplitud
0.0000
210 270 330 390 450 510 570
1 X
2
1
2
f ( x) e X , , 0
2
64/66
http://sites.google.com/site/mat3catorce/
X
Z
Y se dice que Z se distribuye N(0,1) o que Z tiene una distribución “normal
estandarizada”.
Al proceso de hallar Z se le denomina tipificación o normalización de la variable
aleatoria X.
Ejemplo Sea la variable aleatoria Z que sigue una distribución Normal N(60, 10). Sea conocida
la distribución de la N(0, 1)
Hallar a probabilidad P( Z 70)
Z 60 70 60 Z 60 10 Z 60
P( Z 70) P P P 1 PN (0,1) 1 0.1587
10 10 10 10 10
B(n, p ) ~ N ( , )
n· p
n· p·q
B(n, p ) ~ N (n· p, n· p·q
65/66
http://sites.google.com/site/mat3catorce/
Ejemplo Durante cierta epidemia de gripe, enferma el 30% de la población. En un aula con 200
estudiantes, determinar el tipo de distribución y aproximar a una normal B(200, 0.30) que
puede aproximarse a una normal
N 200·0.30,
200·0.30·(1 - 0.30) N 200·0.30,
200·0.30·0.70 N 60, 42 La
media de la distribución es 60 y la varianza 42.
66/66