Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
FACULTAD DE INGENIERIA
La Paz, Bolivia
ÍNDICE
CAPITULO 1 INTRODUCCION
CAPITULO 2 ESTADISTICA DESCRIPTIVA
CAPITULO 3 PROBABILIDADES
CAPITULO 4 VARIABLE ALEATORIA UNIDIMENSIONAL
CAPITULO 5 DISTRIBUCIONES DISCRETAS
DISTRIBUCIONES CONTINUAS Y
CAPITULO 6
MUESTRALES
CAPITULO 7 VARIABLE ALEATORIA BIDIMENSIONAL
Capitulo 1
INTRODUCCIÓN DE CONCEPTOS
FUNDAMENTALES
Como resultado de cualquier proceso de investigación se obtiene un conjunto de
datos u observaciones que representan a una variable de estudio, sobe la cual
necesitamos tomar decisiones
CLASIFICACIÓN
CLASIFICACIÓN DE VARIABLE
POR LA REPRESENTATIVIDAD
o Variable cualitativa ► Cualidad de la muestra
o Variable cuantitativa ► Cantidad
POR EL VALOR NUMÉRICO
o Variable discreta ► Valores exactos
o Variable continua ► Infinitos valores
Planificación
Muestreo
o Muestreo por conglomerados
o Muestreo aleatorio
o Muestreo estratificado
o Muestreo mixtos
o Muestreo por atributos
o Muestreo por atributos
o Muestreo por variables
Obtener la información a través de
o Encuesta
o Entrevista
o Datos históricos
Organizar, clasificar y obtener indicadores ► valor representativo
Inferencia y generalización
Capítulo 2
ESTADÍSTICA DESCRIPTIVA
ORGANIZACIÓN, CLASIFICACIÓN DE LOS DATOS
𝑓𝑖
ℎ𝑖 =
𝑛
n = cantidad de observaciones (tamaño de la muestra)
𝐹𝑖 = 𝑓1 + 𝑓2 + 𝑓3 … … … … . . +𝑓𝑖
𝐻𝑖 = ℎ1 + ℎ2 + ℎ3 … … … … . . +ℎ𝑖
ℎ𝑖 𝑥 100%
𝐻𝑖 𝑥 100%
Para organizar los datos de acuerdo a los criterios de frecuencias se estructura una
tabla de frecuencias y dependiendo de la cantidad se agrupan o no los datos.
Dato
𝒙𝒊 𝒇𝒊 𝒉𝒊 𝑭𝒊 𝑯𝒊 𝒉𝒊 × 𝟏𝟎𝟎% 𝑯𝒊 × 𝟏𝟎𝟎%
𝒙𝟏 𝑓1 ℎ1 𝑓1 ℎ1 − −
𝒙𝟐 𝑓2 ℎ2 𝑓1 + 𝑓2 ℎ1 + ℎ2 − −
𝒙𝟑 𝑓3 ℎ3 𝑓1 + 𝑓2 + 𝑓3 𝐻3 − −
….. ….. ….. ….. ….. − −
𝒙𝒋 𝑓𝑗 ℎ𝑗 𝐹 𝐻𝑗 − −
PARA LOS DATOS AGRUPADOS Implica que previamente los datos deben ser
agrupados por intervalos:
CANTIDAD DE INTERVALOS
𝐾 = 1 + 3.22 ∗ 𝑙𝑜𝑔𝑛
RANGO
𝑅𝑎𝑛𝑔𝑜
𝐶=
𝐾
o los intervalos tienen distinta amplitud a criterio del investigador
TIPOS DE INTERVALOS
aparentes reales
[𝑋𝑚𝑖𝑛 , 𝑋𝑚𝑖𝑛 + 𝐶[ 𝐿1 − 𝐿2 𝐿1 − 𝐿2
Dato Marca de
𝒙𝒊 clase 𝒇𝒊 𝑭𝒊 𝒉𝒊 𝑯𝒊 𝒉𝒊 × 𝟏𝟎𝟎% 𝑯𝒊
𝒙𝒊 × 𝟏𝟎𝟎%
𝑳𝟏 − 𝑳𝟐 𝑥1 𝑓1 𝑓1 ℎ1 ℎ1 − −
𝑳𝟐 − 𝑳𝟑 𝑥2 𝑓2 𝑓1 + 𝑓2 ℎ2 ℎ1 + ℎ2 − −
𝑳𝟑 − 𝑳𝟒 𝑥3 𝑓3 𝑓1 + 𝑓2 + 𝑓3 ℎ3 𝐻3 − −
….. ….. ….. ….. ….. ….. − −
….. 𝑥𝑗 𝑓𝑗 𝑛 ℎ𝑗 1 − 100%
Total 𝑛 1 100%
Dónde: fi representa la cantidad de observaciones dentro de intervalo
k = cantidad de intervalos
se cumple:
i. ∑𝑖=1 𝑓𝑖 = 𝑛
ii. 𝐹𝐾 = 𝑛
iii. ∑𝑖=1 ℎ𝑖 = 1
iv. 𝐻𝐾 = 1
v. ∑ ℎ𝑖 × 100 = 100%
vi. ∑ 𝐻𝑖 × 100 = 100%
𝑎
× 100% ► 𝑇𝑎𝑧𝑎
𝑏
𝑏−𝑎
𝑏−𝑎
× 100% ► 𝑁𝑢𝑚𝑒𝑟𝑜 𝑖𝑛𝑑𝑖𝑐𝑒
𝐿𝑠𝑢𝑝 −𝐿𝑖𝑛𝑓
REPRESENTACIÓN GRAFICA
Barras dobles
8
VARIABLES 6
0
TIEMPO
Diagramas de barras
5
VARIABLES
4
3
2
1
0
TIEMPO
Diagramas de sectores
Para ordenar los datos generalmente se utiliza un diagrama de tallos y hojas
d u u=unidad
entero decimal
Ejemplo
38 35 76 58 48 59
67 63 33 69 53 51
28 25 36 32 61 57
49 78 48 42 72 52
47 66 58 44 44 56
Se pide:
Solución
TALLO HOJA
2 8,5
3 8,5,3,6,2
4 8,9,8,2,7,4,4
5 8,9,3,1,7,2,8,6
6 7,3,9,1,6
7 6,8,2
𝐾 = √𝑛 = √30 = 5,477 ► 𝑘 = 5
𝑯𝒊 ∗
𝑳𝒊 − 𝑳𝒊+𝟏 𝒙𝒊 𝒇𝒊 𝑭𝒊 𝒉𝒊 𝑯𝒊 𝒉𝒊 × 𝟏𝟎𝟎%
25+36 𝑓1 5
Marca de clase 𝑥1 =
2
= 30.5 ℎ1 =
𝑛
=
30
= 0.166
36+47 𝑓2 5
𝑥2 = 2
= 41.5 ℎ2 = 𝑛
= 30 = 0.166
47+58 𝑓1 9
𝑥3 = 2
= 52.5 ℎ1 = 𝑛
= 30 = 0.3
b) % datos 40 y 55 lotes
36 40 47 55 58
17% 30%
47−40 55−47
(47−36) × 17% + (58−47) × 30% = 32.64%
c) # datos mayor a 50
47 50 58 69 80
9 7 4
58−50
(58−47) × 9 + 7 + 4 = 17 𝑙𝑜𝑡𝑒𝑠 𝑑𝑒 𝑃𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠
d) 25%entre 45 y z
25%
21,91%
36 45 47 z 58
17% 30%
47−45
(47−36) × 17% = 3.09%
25 − 3.09 = 21.91%
𝑧−47
(58−47) × 30% = 21.91%
𝑧 = 55.03 ► 𝑧 = 55
FI
25 36 47 58 69 80 LI
HI
1
0.66
0.36
0.13
25 36 47 58 69 80 LI
∑𝑲
𝒊=𝟏 𝑿𝒊
"𝑿 " = n=cantidad de observaciones
𝒏
n=cantidad de observaciones
VENTAJAS Y DESVENTAJAS
VENTAJAS:
o Es de fácil cálculo
o Es manipulable algebraicamente.
DESVENTAJAS:
o Es sensible a valores extremos.
Ejemplo
a) 5,8,9,9,12,15
5 + 8 + 9 + 9 + 12 + 15
̅=
X = 9,67
6
b) 5,8,9,9,12,35
5 + 8 + 9 + 9 + 12 + 35
̅=
X = 13
6
Toma en cuenta a todas las observaciones
PROPIEDADES
a) ∑𝐾 ̅
𝑖=1 𝑓𝑖 ∗ (𝑋𝑖 − X )=0 → La suma de las desviaciones es cero
̅
b) si X es la media aritmética de 𝑋1 , 𝑋2 , 𝑋3 , 𝑋𝐾−1,……., 𝑋𝐾 y sumamos una
constante b entonces se tiene:𝑋1 + 𝑏1 , 𝑋2 +𝑏1 , 𝑋3 + 𝑏1 , 𝑋𝐾−1 + 𝑏𝐾−1 , 𝑋𝐾 + 𝑏𝐾
̅+𝑏
La media aritmética es: X
̅+𝑏
Es decir: 𝑦𝑖 = 𝑋𝑖 + 𝑏 → 𝑦̅ = X
̅
c) Si 𝑦𝑖 = 𝑎𝑋𝑖 →𝑦̅ = 𝑎X
d) Si 𝑦𝑖 = 𝑎𝑋𝑖 + 𝑏 →𝑦𝑖 = 𝑎𝑋𝑖 + 𝑏
e) Si se tiene un conjunto de datos únicos: a,a,a,a,a,a ̅=a
X
MEDIA ARITMÉTICA PONDERADA Si se tienen "k" conjuntos de observaciones,
cada una de tamaño n1, n2, n3, … nk con sus propias medias aritméticas x1, x2, x3,
… xk. Es posible hallar una media aritmética para todas las observaciones llamada
media ponderada
∑𝑘𝑖=1 𝑛𝑖 ∗ 𝑋̅𝑖
𝑋̅𝑝 =
∑𝑘𝑖=1 𝑛𝑖
̅ 𝒊 ∗ 𝑾𝒊
∑𝒌𝒊=𝟏 𝑿
̅𝒑 =
𝑿
∑𝒌𝒊=𝟏 𝑾𝒊
𝑋𝑛 +𝑋𝑛
+1
Si n= par → 𝑋̃ = 2 2
2
Donde:
Si n= impar ̃ = 𝑿𝒏+𝟏
𝑿
𝟐
𝑿𝒏 +𝑿𝒏
+𝟏
Si n= par ̃=
𝑿 𝟐 𝟐
𝟐
Entonces:
𝒏
−𝑭
̃ = 𝒍𝒊𝒎𝒊𝒏𝒇 + ( 𝟐 𝑲−𝟏 ) 𝑪
𝑿 𝑭 −𝑭
𝑲 𝑲−𝟏
Dónde:
También:
𝟏
− 𝑯𝑲−𝟏
̃ = 𝒍𝒊𝒎𝒊𝒏𝒇 + ( 𝟐
𝑿 )𝑪
𝑯𝑲 − 𝑯𝑲−𝟏
Ventajas y desventajas
Moda. – Simbolizada por Mod(x) se define como el dato que se repite más veces.
𝐹1 = 𝐹𝑚𝑎𝑥.
𝐹1 = Frecuencia anterior al
intervalo modal.
𝐹1 = Frecuencia posterior al
intervalo modal.
∆1 = 𝐹𝑀𝑜 − 𝐹1 = ℎ𝑀𝑜 − ℎ1
∆2 = 𝐹𝑀𝑜 − 𝐹2 = ℎ𝑀𝑜 − ℎ2
∆𝟏
𝑴𝒐𝒅(𝒙) = 𝒍𝒊𝒎𝒊𝒏𝒇 + ( )𝑪
∆𝟏 + ∆𝟐
Donde:
- Es de fácil calculo
- No toma en cuenta a todas las observaciones.
- Puede existir más de una moda.
Los tres indicadores centrales guardan una relación entre ellos de la siguiente
manera:
Mod(x)= 𝑋̃ = 𝑋̅
M
𝑋̅ < 𝑋̃ < 𝑀𝑜𝑑(𝑥)
̅ -Mod(x) ≅ 𝟑(𝑿
𝑿 ̅−𝑿
̃)
Media Geométrica
𝒏
𝑿𝑮 = √∏𝒌𝒊=𝟏 𝑿𝒊 𝒇𝒊
̅̅̅̅ o 𝑿𝑮 = ∏𝒌𝒊=𝟏 𝑿𝒊 𝒉𝒊
̅̅̅̅
Donde:
𝑥𝑖 = Marca de clase.
𝑛 = Cantidad de intervalos.
𝐹𝑖 = Frecuencia absoluta.
ℎ𝑖 = Frecuencia relativa.
Media Cuadrática
𝑘
̅̅̅̅ ∑ 𝒌 𝒇𝒙 𝟐 O
𝑿𝑪 = √ 𝒊=𝟏𝒏 𝒊 𝒊 ̅𝑋̅̅𝐶̅ = √∑ ℎ𝑖 𝑥𝑖2
𝑖=1
Media armónica
𝒏 𝟏
̅̅̅̅
𝑿𝑯 = 𝒇𝒊 o ̅̅̅̅
𝑿𝑯 = 𝒉𝒊
∑𝑲
𝒊=𝟏 ∑𝑲
𝒊=𝟏
𝑿𝒊 𝑿𝒊
Ejemplo:
Peso en kg ºN de Alumnos
40-45 4
45-50 10
50-55 15
55-60 8
50-65 5
65-70 3
Tabla de frecuencias
𝑳𝒊 − 𝑳𝒊+𝟏 𝒙𝒊 𝒇𝒊 𝒉𝒊 𝑭𝒊 𝒇𝒊 𝒙𝒊
40-45 42,5 4 0,089 4 179
45-50 47,5 10 0,222 14 475
50-55 52,5 15 0,333 29 787,5
55-60 57,5 8 0,178 37 460
50-65 62,5 5 0,111 42 312,5
65-70 67,5 3 0,067 45 202,5
Total 45 1 2407,5
a) Media
∑𝐾𝑖=1 𝑓𝑖 𝑥𝑖 2407,5
𝑋̅ = =
𝑛 45
𝑋̅ = 53,5 𝐾𝑔
Mediana
𝑛 45
Donde: 2= 2 = 22,5
𝑛
− 𝐹𝐾−1 22,5 − 14
𝑋̃ = 𝑙𝑖𝑚𝑖𝑛𝑓 + ( 2 ) 𝐶 = 50 + ( )5
𝐹𝐾 − 𝐹𝐾−1 29 − 14
𝑋̃ = 52,7167 𝐾𝑔
Moda
∆𝟏 = 15 − 10 = 5
∆𝟐 = 15 − 8 = 7
∆1 5
𝑀𝑜𝑑(𝑥) = 𝑙𝑖𝑚𝑖𝑛𝑓 + ( ) 𝐶 = 50 + ( )5
∆1 + ∆2 5+7
𝑀𝑜𝑑(𝑥) = 52,083 𝑘𝑔
b) Media geométrica
𝑛 𝑓𝑖
̅̅
𝑋̅̅ 𝑘
𝐺 = √∏𝑖=1 𝑋𝑖 𝑋𝐺 = ∏𝑘𝑖=1 𝑋𝑖 ℎ𝑖
= ̅̅̅̅
̅̅̅̅
𝑋𝐺 = (42,50,089 )(47,50,222 )(52,50,333 )(57,50,178 )(62,50,111 )(67,50,067 )
̅̅̅̅
𝑋𝐺 = 53,1 𝐾𝑔
Media Armónica
𝑛 45
̅̅̅̅
𝑋 𝐻 = =
𝑓𝑖 4 10 15 8 5 3
∑𝐾 + + + + +
𝑖=1 𝑋𝑖 42,5 47,5 52,5 57,5 62,5 67,5
̅̅̅̅
𝑋 𝐻 = 52,366 𝐾𝑔
Ejemplo:
Una distribución de Frecuencias sobre las notas de un grupo de estudiantes de
estadística presenta las frecuencias relativas 3 y 5 borrosas. Se sabe que la media
fue 7,9. Determinar la mediana y moda de la distribución
Nota de Frecuencias
estudiantes Relativas
0,5-2,5 0,02
2,5-4,5 0,10
4,5-6,5
6,5-8,5 0,16
8,5-10,5
10,5-12,5 0,10
12,5-14,5 0,02
14,5 o mas 0
Tabla de frecuencias
𝑳𝒊 − 𝑳𝒊+𝟏 𝒙𝒊 𝒉𝒊 𝑯𝒊 𝒉𝒊 𝒙 𝒊
0,5-2,5 1,5 0,02 0,02 0,03
2,5-4,5 3,5 0,10 0,12 3,5
4,5-6,5 5,5 0,20 0,32 5,5ℎ3
6,5-8,5 7,5 0,16 0,48 1,20
8,5-10,5 9,5 0,40 0,88 9,5ℎ5
10,5-12,5 11,5 0,10 0,98 1,15
12,5-14,5 13,5 0,02 1 0,27
14,5 o mas 15,5 0 1 0
Total 1
De las ecuaciones:
De la media
𝑋̅ = ∑𝐾
𝑖=1 ℎ𝑖 𝑥𝑖 = 3+5,5ℎ3 +9,5ℎ5 =7,9
Resolviendo ecuación 1 y 2
ℎ3 = 0,20
ℎ5 = 0,40
Para la mediana:
1
Donde: 2=0,5
1
− 𝐻𝐾−1 0,5 − 0,48
𝑋̃ = 𝑙𝑖𝑚𝑖𝑛𝑓 + ( 2 ) 𝐶 = 8,5 + ( )2
𝐻𝐾 − 𝐻𝐾−1 0,88 − 0,48
𝑋̃ = 8,6
Para moda
∆𝟏 = 0,40 − 0,16 = 0,24
∆𝟐 = 0,40 − 0,10 = 0,30
∆1 0,24
𝑀𝑜𝑑(𝑥) = 𝑙𝑖𝑚𝑖𝑛𝑓 + ( ) 𝐶 = 8,5 + ( )2
∆1 + ∆2 0,24 + 0,30
𝑀𝑜𝑑(𝑥) = 9,389
b) Si el incremento hubiera sido del 20% del salario, ¿Cuál habría sido la media
salarial ajustada?
𝑋̅ = 500$𝑢𝑠
Se incorpora:
𝑛 60
25%𝑛 = → 𝑦̅ = 𝑋̅
4 100
3
𝑦̅ = (500)
5
𝑦̅ = 300$𝑢𝑠
Cantidad ̅
𝑿
Antiguos n 500$us
Nuevos 𝑛 300$us
4
a) Promedio ponderado
𝑧 = 𝑥 + 30
𝑧̅ = 𝑥̅ + 30
𝑛
𝑛(500 + 300) + 4 (300 + 30)
̅𝑋̅̅𝑝̅ =
𝑛
𝑛+4
̅𝑋̅̅𝑝̅ = 490$𝑢𝑠
20 𝑋̅
𝑋̅ =
100 5
𝑥 6
𝑧=𝑥+ = 𝑋
5 5
6
𝑧̅ = 𝑥̅
5
Entonces:
6 𝑛 6
𝑛 ( (500)) + 4 ( (300))
̅𝑋̅̅𝑝̅ = 5 5
𝑛
𝑛+4
̅𝑋̅̅𝑝̅ = 552$𝑢𝑠
Cuartiles
Deciles
Percentiles
Cuartiles. - Son los valores que representan a los daros cuando se los agrupa de
1/4 en ¼ o de 25% en 25%
3
4
1
4
2
4
Pero: 𝑄2 = 𝑋̅
𝒏
− 𝑭𝑲−𝟏
𝑸𝟐 = 𝒍𝒊𝒎𝒊𝒏𝒇 + ( 𝟐 )𝑪
𝑭𝑲 − 𝑭𝑲−𝟏
𝑛 3𝑛
Utilizamos la expresión de la mediana ajustada a y
4 4
𝟏 𝒏
−𝑯𝑲−𝟏 −𝑭𝑲−𝟏
𝑸𝟏 = 𝒍𝒊𝒎𝒊𝒏𝒇 + (𝑯𝟒 )𝑪 o 𝑸𝟏 = 𝒍𝒊𝒎𝒊𝒏𝒇 + (𝑭𝟒 −𝑭 )𝑪
𝑲 −𝑯𝑲−𝟏 𝑲 𝑲−𝟏
𝟑 𝒏
−𝑯𝑲−𝟏 𝟑∗ −𝑭𝑲−𝟏
𝑸𝟑 = 𝒍𝒊𝒎𝒊𝒏𝒇 + (𝑯𝟒 )𝑪 o 𝑸𝟑 = 𝒍𝒊𝒎𝒊𝒏𝒇 + ( 𝑭 𝟒−𝑭 )𝑪
𝑲 −𝑯𝑲−𝟏 𝑲 𝑲−𝟏
Deciles. - Son valores que representan a las observaciones cuando se las agrupa
de 10% en 10% o de 1/10 en 1/10
5
10
𝐷1 𝐷2 𝐷3 𝐷4 𝐷5 𝐷6 𝐷7 𝐷8 𝐷9
𝑋𝑀𝑖𝑛 𝑋𝑀𝑎𝑥
1
10
2
10
Pero: 𝐷5 ≅ 𝑋̃
En ese sentido
𝒏 𝟏
𝒊 −𝑭𝑲−𝟏 𝒊 −𝑯𝑲−𝟏
𝑫𝒊 = 𝒍𝒊𝒎𝒊𝒏𝒇 + (𝑭𝟏𝟎−𝑭 )𝑪 o 𝑫𝒊 = 𝒍𝒊𝒎𝒊𝒏𝒇 + (𝑯𝟏𝟎 −𝑯 )𝑪
𝑲 𝑲−𝟏 𝑲 𝑲−𝟏
Percentiles. - Son valores que representan a los datos cuando se los acumula de
1/100 en 1/100 o de 1% en 1%
𝑋𝑀𝑖𝑛 𝑋𝑀𝑎𝑥
Pero: 𝑃50 ≅ 𝑋̃
En consecuencia:
𝒏 𝟏
𝒊 −𝑭𝑲−𝟏 𝒊 −𝑯𝑲−𝟏
𝟏𝟎𝟎 𝟏𝟎𝟎
𝑷𝒊 = 𝒍𝒊𝒎𝒊𝒏𝒇 + ( 𝑭 )𝑪 o 𝑷𝒊 = 𝒍𝒊𝒎𝒊𝒏𝒇 + ( 𝑯 )𝑪
𝑲 −𝑭𝑲−𝟏 𝑲 −𝑯𝑲−𝟏
Ejemplo
Se tiene la siguiente información respecto de una tabla de frecuencias de los
intervalos de igual amplitud.
𝑋̅ = 35,3 ; 𝑋̅ = 35 ; ℎ1 = 0,04 ; 𝐻2 = 0,10 ; ℎ3 = 0,4 ; ℎ3 = 0,35 ; 𝐻5 = 0,98
Determinar:
a) El valor máximo por debajo del cual está el 25% de las observaciones.
b) La moda.
c) Los dos cuartiles, el tercer decil y el 1/66 percentil
𝑳𝒊𝒏𝒇 − 𝑳𝑺𝒖𝒑 𝒙𝒊 𝒉𝒊 𝑯𝒊
5-15 10 0,004 0,04
15-25 20 0,06 0,10
25-35 30 0,40 0,50
35-45 40 0,35 0,85
45-55 50 0,13 0,98
55-65 60 0,02 1
Total 1
1
Donde: 𝑋̃ = 2=0,5
1
− 𝐻𝐾−1 0,5 − 0,10
𝑋̃ = 𝑙𝑖𝑚𝑖𝑛𝑓3 + ( 2 ) 𝐶 = 𝑙𝑖𝑚𝑖𝑛𝑓3 + ( )𝐶
𝐻𝐾 − 𝐻𝐾−1 0,5 − 0,20
𝑋̃ = 𝑙𝑖𝑚𝑖𝑛𝑓3 + 𝐶 = 35
𝑙𝑖𝑚𝑆𝑢𝑝3 = 35
Para marca de clase:
35 − 3𝐶 + 35 − 2𝐶
𝑥1 =
2
Donde:
𝐾
5 3 1
𝑋̅ = ∑ ℎ𝑖 𝑥𝑖 = (35 − 𝐶) (0,04) + (35 − 𝐶) (0,06) + (35 − 𝐶) (0,40)
2 2 2
𝑖=1
1 3 5
+ (35 − 𝐶) (0,35) + (35 − 𝐶) (0,13) + (35 − 𝐶) (0,02)
2 2 2
𝑋̅ = 35,3 = 35 + 0,03𝐶
4% 6% 40%
10%
Entonces:
𝑥 − 25
( ) 40% = 15%
35 − 25
𝑥𝑚𝑎𝑥 = 28,75
Inciso b) Para moda
𝑀𝑜𝑑(𝑥) = 33,72
Inciso c)
1 0,25 − 0,10
𝑄1 = = 0,25 → 𝑄1 = 25 + ( ) (10)
4 0,50 − 0,10
𝑄1 = 28,75
3 0,75 − 0,50
𝑄3 = = 0,75 → 𝑄3 = 35 + ( ) (10)
4 0,85 − 0,50
𝑄3 = 42,14
3 0,3 − 0,10
𝐷3 = = 0,3 → 𝐷3 = 25 + ( ) (10)
10 0,50 − 0,10
𝐷3 = 30
66 0,66 − 0,50
𝑃66 = = 0,66 → 𝑄3 = 35 + ( ) (10)
100 0,85 − 0,50
𝑃66 = 39,57
Medidas de dispersión
Este conjunto de estadígrafos tiene por objeto mostrar cuan dispersas están las
observaciones respecto a algún valor central.
Medida absoluta
Rango Intercuartico
𝑅𝑞 = 𝑄3 − 𝑄1
𝑄3 − 𝑄1
𝑅𝑆𝑞 =
2
∑𝑲 ̃
𝒊=𝟏 𝒇𝒊 |𝑿𝒊 − 𝑿|
̃) =
𝑫𝑴 (𝑿
𝒏
𝑲
̃ ) = ∑ 𝒉𝒊 |𝑿𝒊 − 𝑿
𝑫𝑴 (𝑿 ̃|
𝒊=𝟏
Con respecto a la mediana:
∑𝑲 ̃
𝒊=𝟏 𝒇𝒊 |𝑿𝒊 − 𝑿|
̃) =
𝑫𝑴 (𝑿
𝒏
𝑲
̃ ) = ∑ 𝒉𝒊 |𝑿𝒊 − 𝑿
𝑫𝑴 (𝑿 ̃|
𝒊=𝟏
Para una muestra: La varianza muestra se simboliza por 𝑆 2 (𝑋) y se define como
el promedio ponderado del cuadrado de las desviaciones con respecto a la media
aritmética
∑𝑲 ̅ 𝟐
𝒊=𝟏 𝒇𝒊 (𝑿𝒊 − 𝑿)
𝟐 (𝑿)
𝑺 =
𝒏−𝟏
̅ )𝟐
∑𝑲 𝒇𝒊 (𝑿𝒊 − 𝑿
𝑺(𝑿) = √ 𝒊=𝟏
𝒏−𝟏
𝑋̅ = 𝜇
La varianza es:
𝟐 (𝑿)
∑𝑲
𝒊=𝟏 𝒇𝒊 (𝑿𝒊 − 𝝁)
𝟐
𝝈 =
𝑵
𝑺𝟐 (𝒙) ≅ 𝝈𝟐 (𝒙)
𝑘
1
𝑆 2
(𝑥) = ∗ (∑ 𝑓𝑖 ∗ (𝑋𝑖 − 𝑋̅)2 )
𝑛−1
𝑖=1
𝑘
1
𝑆 2
(𝑥) = ∗ (∑ 𝑓𝑖 ∗ (𝑋𝑖2 − 2𝑋𝑖 ∗ 𝑋̅ + 𝑋̅ 2 ))
𝑛−1
𝑖=1
𝑘 𝑘 𝑘
1
𝑆 2
(𝑥) = ∗ (∑ 𝑓𝑖 ∗ (𝑋𝑖2 ) − 2𝑋̅𝑛 ∗ ∑ 𝑓𝑖 ∗ 𝑋𝑖 + 𝑋̅ 2 ∗ ∑ 𝑓𝑖 )
𝑛−1
𝑖=1 𝑖=1 𝑖=1
Como:
𝑘
∑𝑘𝑖=1 𝑓𝑖 ∗ 𝑋𝑖
𝑋̅ = 𝑦 𝑛 = ∑ 𝑓𝑖
𝑛
𝑖=1
𝑘 𝑘
1 ∑𝑘𝑖=1 𝑓𝑖 ∗ 𝑋𝑖
𝑆 2
(𝑥) = ∗ (∑ 𝑓𝑖 ∗ (𝑋𝑖2 ) − 2𝑋̅ ∗ 𝑛 ∗ + 𝑋̅ 2 ∗ ∑ 𝑓𝑖 )
𝑛−1 𝑛
𝑖=1 𝑖=1
𝑘
1
𝑆 2 (𝑥) = ∗ (∑ 𝑓𝑖 ∗ 𝑋𝑖2 − 2𝑛 ∗ 𝑋̅ 2 + 𝑋̅ 2 ∗ 𝑛)
𝑛−1
𝑖=1
𝒌
𝟏
𝑺𝟐 (𝒙) = ̅ 𝟐)
∗ (∑ 𝒇𝒊 ∗ 𝑿𝟐𝒊 − 𝒏 ∗ 𝑿
𝒏−𝟏
𝒊=𝟏
INTRA E INTERVARIANZA
Cuando se tienen “𝜌” estudios de una misma variable, cada uno con su propia
media aritmética y varianza, se puede encontrar una varianza global para todos
los estudios.
Intravarinza Intervarianza
𝜌 = Total de estudios.
Muestra ̅
𝑿 𝑺𝟐𝒊 (𝒙)
𝒊
𝒏𝒊 ̅𝟏
𝑿 𝑺𝟐𝟏 (𝒙)
𝒏𝒊 ̅
𝑿 𝑺𝟐𝟐 (𝒙)
𝟐
𝒏𝒊 ̅𝟑
𝑿 𝑺𝟐𝟑 (𝒙)
. . .
. . .
. . .
. . .
𝒏𝒑 ̅
𝑿𝒑 𝑺𝟐𝒑
(𝒙)
0,3
0,2
0,1
0,0
̅ − 𝑲𝑺𝑿 0 ̅ + 𝑲𝑺𝑿
𝑿 ̅ 𝑿
𝑿
El valor de K= 1,2,3,……….
PROPIEDADES
i) 𝑽𝒂𝒓(𝒂 ∗ 𝑿𝒊 ) = 𝒂𝟐 ∗ 𝑽𝒂𝒓(𝑿𝒊 )
ii) 𝑽𝒂𝒓(𝑿𝒊 + 𝒃) = 𝑽𝒂𝒓(𝑿𝒊 )
iii) 𝑽𝒂𝒓(𝒂 ∗ 𝑿𝒊 + 𝒃) = 𝒂𝟐 ∗ 𝑽𝒂𝒓(𝑿𝒊 )
COEFICIENTE DE VARIACIÓN
𝑺(𝑿)
𝑪. 𝑽.(𝑿) = ∗ 𝟏𝟎𝟎%
̅
𝑿
- ̅.
Si el C.V. es < 50%, los datos están más concentrados sobre 𝑿
- ̅.
Si el C.V. es > 50%, los datos están más concentrados sobre 𝑿
∑𝒌𝒊=𝟏 𝒇𝒊 ∗𝑿𝒓𝒊
Al origen: 𝑴𝒓 = ; r =orden del momento
𝒏
∑𝒌𝒊=𝟏 𝒇𝒊 ∗ 𝑿𝒊
𝑴𝟏 = ̅
=𝑿
𝒏
∑𝒌𝒊=𝟏 𝒇𝒊 ∗ 𝑿𝟐𝒊
𝑴𝟏 =
𝒏
∑𝒌𝒊=𝟏 𝒇𝒊 ∗ 𝑿𝟑𝒊
𝑴𝟏 =
𝒏
A la media aritmética
̅ )𝒓
∑𝒌𝒊=𝟏 𝒇𝒊 ∗ (𝑿𝒊 − 𝑿
𝑴𝒓(𝑿̅) =
𝒏
̅)
∑𝒌𝒊=𝟏 𝒇𝒊 ∗ (𝑿𝒊 − 𝑿
𝑴𝟏(𝑿̅) = =𝟎
𝒏
̅ )𝟐
∑𝒌𝒊=𝟏 𝒇𝒊 ∗ (𝑿𝒊 − 𝑿
𝑴𝟐(𝑿̅) = = 𝝈𝟐(𝑿)
𝒏
̅ )𝟑
∑𝒌𝒊=𝟏 𝒇𝒊 ∗ (𝑿𝒊 − 𝑿
𝑴𝟐(𝑿̅) =
𝒏
MEDIDAS DE DEFORMACIÓN
̅ − 𝑴𝒐𝒅(𝒙) 𝟑(𝑿
𝑿 ̅−𝑿 ̃)
𝑨𝒔𝑰 = ≅
𝑺(𝒙) 𝑺(𝒙)
̃
𝑸𝟑 + 𝑸𝟏 − 𝟐𝑿
𝑨𝒔𝑰𝑰 =
𝑸𝟑 − 𝑸𝟏
Coeficiente de Fisher:
𝑴𝟑(𝑿̅) ̅−𝑿
𝟏 ∑𝒏𝒊=𝟏 𝒇𝒊 ∗ (𝑿 ̃ )𝟑
𝑨𝒔𝑰𝑰 = ≅ ∗
𝑺𝟑(𝑿) 𝒏 𝑺𝟑(𝑿)
CURTOSIS PERCENTÍLICA
𝑸𝟑 − 𝑸𝟏
𝑲=
𝟐 ∗ (𝑷𝟗𝟎 − 𝑷𝟏𝟎 )
Si: K= 0,263 Mesocúrtica
CURTOSIS DE FISHER
𝑴𝟒(𝑿̅)
𝑲𝑭 = −𝟑
𝑺𝟒(𝑿)
Se pide:
Solución:
𝑿𝒎𝒊𝒏 𝑷𝟏𝟎 ̅
𝑿 𝑷𝟗𝟎 𝑿𝑴𝒂𝒙
𝒂 𝒅 𝒅 𝒂
Del gráfico:
𝑃 = 𝑋̅ − 𝑑
{ 10 } 𝑒𝑛 (∝)
𝑃90 = 𝑋̅ + 𝑑
̅ + 𝑑 = 11,8
𝑋̅ − 𝑑 + 𝑋 ̅ = 11,8
2𝑋 ̅ = 𝟓, 𝟗
→ 𝑿
Entonces: ̅=𝑿
𝑿 ̃ = 𝑴𝒐𝒅(𝒙) = 𝟓, 𝟗
(6) - (5)
(𝐾 − 4) ∗ 𝐶 + 10,4
(𝐾 − 4) ∗ 𝐶 − 2𝑋2 = −10,4 𝑋2 =
2
𝒍𝒊 + 𝒍𝒊+𝟏 𝑿𝒊
5,2 + 5,2 + C
5,2 - 5,2+C
2
5,2 + C + 5,2 + 2C
5,2+C - 5,2+2C
2
𝑲=𝟕
En (1) ya que es simétrica ℎ1 = ℎ7 ; ℎ2 = ℎ6 ; ℎ3 = ℎ5 ; ℎ4 ;
En (2)
ℎ1 + ℎ2 + 2ℎ3 + ℎ4 − ℎ1 − ℎ2 − ℎ3 = 0,88
ℎ3 + ℎ4 = 0,60 … . (𝐼𝐼)
En (2)
ℎ2 + 2ℎ3 + ℎ4 = 0,88
ℎ3 + ℎ4 = 0,60
{ }
2ℎ1 + 3ℎ2 + 3ℎ3 + 2ℎ4 = 1,68
2ℎ1 + 2ℎ2 + 2ℎ3 + ℎ4 = 1
Como:
1⁄2 − 0,3 𝐶
5,9 = 𝑙𝑖𝑛𝑓4 + ( )∗𝐶 → 5,9 = 5,2 + 3𝐶 +
0,7 − 0,3 2
𝑪 = 𝟎, 𝟐
𝒍𝒊 + 𝒍𝒊+𝟏 𝑿𝒊 𝒉𝒊 𝑯𝒊 𝒉𝒊 ∗ 𝑿𝟐𝒊
5,2 - 5,4 5,3 0,02 0,02 0,5618
5,4 - 5,6 5,5 0,08 0,1 2,42
5,6 - 5,8 5,7 0,2 0,3 6,498
5,8 - 6,0 5,9 0,4 0,7 13,924
6,0 - 6,2 6,1 0,2 0,9 7,442
6,2 - 6,4 6,3 0,08 0,98 3,1752
6,4 - 6,6 6,5 0,02 1 0,845
1 34,866
2 1
𝑉𝑎𝑟(𝑋) = 𝑆(𝑥) = ∗ (∑ 𝑓𝑖 ∗ 𝑋𝑖2 − 𝑛 ∗ 𝑋̅ 2 )
𝑛−1
Pero n-1=n
2
𝑆(𝑥) = (∑ ℎ𝑖 ∗ 𝑋𝑖2 − 𝑋̅ 2 )
𝑪. 𝑽. = 𝟒% 𝑨𝒍𝒕𝒂 𝑪𝒐𝒏𝒄𝒆𝒏𝒕𝒓𝒂𝒄𝒊ó𝒏
c)
𝑃10 + 𝑋2 = 11,1 → 𝑃10 = 11,1 − 5,5 = 5,6 𝑷𝟏𝟎 = 𝟓, 𝟔
̅ −𝑿
𝟑( 𝑿 ̃)
̅=𝑿
𝑿 ̃ = 𝑴𝒐𝒅(𝒙) 𝑨𝒔𝑰 = =𝟎
𝑺(𝒙)
𝑨𝒔𝑰 = 𝟎
𝑸𝟑 − 𝑸𝟏
𝑲=
𝟐 ∗ (𝑷𝟗𝟎 − 𝑷𝟏𝟎 )
1⁄ 0,25 − 0,1
4 → 𝑸𝟏 = 5,6 + ( ) ∗ 0,2 = 5,75 𝑸𝟏 = 𝟓, 𝟕𝟓
0,3 − 0,1
3⁄ 0,75 − 0,7
4 → 𝑸𝟑 = 6 + ( ) ∗ 0,2 = 6,05 𝑸𝟏 = 𝟔, 𝟎𝟓
0,9 − 0,7
6,05 − 5,75
𝐾= = 0,25
2 ∗ (6,2 − 5,6)
𝑲 = 𝟎, 𝟐𝟓
K < 0,263 es Leptocúrtica
Ejemplo.-
Si ∑𝑛 𝑛 2
𝑖=1 𝑋𝑖 = 1000 ; ∑𝑖=1 𝑋𝑖 = 25000 ; 𝑉𝑎𝑟(𝑋) = 100 ;
2𝑋 + 17
𝑌=
9
Hallar el 𝐶𝑉(𝑌) :
Solución:
2
√𝑆(𝑌) 2 17
𝐶𝑉(𝑌) = 𝑐𝑜𝑚𝑜: 𝑌= ∗𝑋+
𝑌̅ 9 9
2 17
𝑌̅ = ∗ 𝑋̅ +
9 9
2 2 2 2 2 2
𝑉𝑎𝑟(𝑌) = 𝑆(𝑌) = (9) ∗ 𝑉𝑎𝑟(𝑋) 𝑆(𝑌) = (9) ∗ 100
𝟒𝟎𝟎
𝑺𝟐(𝒀) =
𝟖𝟏
̅ utilizamos:
Para 𝑿
2
1 ∑ 𝑋𝑖
𝑉𝑎𝑟(𝑋) = ∗ (∑ 𝑋𝑖2 − 𝑛 ( ) )
𝑛 𝑛
1000 2
𝑛 ∗ 100 = 25000 − 𝑛 ( )
𝑛
𝒏𝟏 = 𝟐𝟎𝟎
𝒏𝟐 = 𝟓𝟎 ∗ 𝑿
pero n >120 n2=50 ∄
∑ 𝑋𝑖 1000
𝑋̅ = = =5
𝑛 200
2 17 27 𝟐𝟕
𝑌̅ = ∗5+ = ̅=
𝒀
9 9 9 𝟗
2 17 27 𝟐𝟕
𝑌̅ = ∗5+ = ̅=
𝒀
9 9 9 𝟗
400
𝑆(𝑋)
𝐶. 𝑉. = 𝐶. 𝑉. = 81 𝐶. 𝑉. = 1,65
𝑋̅ 27
9
𝑪. 𝑽. = 𝟏, 𝟔𝟓
Solución.-
n = 100
5% de practicantes ℎ2 + ℎ3 + ℎ4 = 0,85
𝒇𝟏 = 𝟎, 𝟎𝟓 ∗ 𝟏𝟎𝟎 = 𝟓
𝒍𝒊 + 𝒍𝒊+𝟏 𝑿𝒊 𝒇𝒊 𝑭𝒊 𝒉𝒊 𝑯𝒊 𝒇𝒊 ∗ 𝑿𝒊 𝒉𝒊 ∗ 𝑿𝟐𝒊
0 - 60 30 5 5 0,05 0,05 150 4500
60 - 250 155 15 20 0,15 0,20 2325 360375
250 - 400 325 70 90 0,70 0,90 22750 7393750
400 - 450 425 10 100 0,10 1,00 4250 1806250
100 1,00 29475 9564875
a) 200
0 60
250
250 − 200 15
( ) ∗ 15 + 70 + 10 = 83 𝑝𝑟𝑜𝑓𝑒𝑐𝑖𝑜𝑛𝑎𝑙𝑒𝑠
250 − 60
𝟖𝟑 𝒑𝒓𝒐𝒇𝒆𝒄𝒊𝒐𝒏𝒂𝒍𝒆𝒔
$𝑢𝑠
b) 𝑋̅ = 294,75 𝑚𝑒𝑠
1 0,5 − 0,20 $𝑢𝑠
→ 𝑋̃ = 250 + ( ) ∗ 150 → 𝑋̃ = 314,28
2 0,9 − 0,20 𝑚𝑒𝑠
𝑓𝑚𝑜 = 70 ; 𝑓1 = 15 ; 𝑓2 = 10
70 − 15
𝑀𝑜𝑑(𝑥) = 250 + ( ) ∗ 150
70 − 15 + 70 − 10
$𝑢𝑠
𝑀𝑜𝑑(𝑥) = 321,74
𝑚𝑒𝑠
c)
2 1 2
𝑆(𝑋) = 99 ∗ {9564875 − 100 ∗ (294,75)2 } → 𝑆(𝑋) = 8859,78 → 𝑺(𝑿) = 𝟗𝟒, 𝟏𝟐
94,12
𝐶. 𝑉. = = 0,32 𝑪. 𝑽. = 𝟎, 𝟑𝟐
294,75
d)
̅ −𝑿
𝟑( 𝑿 ̃) 3(294,75 − 314,28)
𝑨𝒔𝑰 = 𝐴𝑠𝐼 = = −0,622
𝑺(𝒙) 94,12
Asimetria negativa
𝑸𝟑 − 𝑸𝟏
𝑲=
𝟐 ∗ (𝑷𝟗𝟎 − 𝑷𝟏𝟎 )
1 0,25 − 0,20
→ 𝑄1 = 250 + ( ) ∗ 150 = 𝑄1 = 260,71
4 0,90 − 0,20
3 0,75 − 0,20
→ 𝑄3 = 250 + ( ) ∗ 150 = 𝑄3 = 367,86
4 0,90 − 0,20
10 0,10 − 0,05
→ 𝑃10 = 60 + ( ) ∗ 190 = 𝑃10 = 123,33
100 0,20 − 0,05
90 0,90 − 0,20
→ 𝑃90 = 250 + ( ) ∗ 150 = 𝑃10 = 400
100 0,90 − 0,20
367,86 − 260,71
𝑲= = 𝟎, 𝟏𝟗𝟒
𝟐 ∗ (400 − 123,33)
𝑲 = 𝟎, 𝟏𝟗𝟒
PROBABILIDADES
Introducción
Experimentos aleatorios
Experimentos asociados al análisis combinatorio
Experimentos asociados a la parte frecuencial
Como el espacio muestral Ω es el conjunto universo, los eventos o sucesos son
subconjuntos de Ω y se puede operar según el algebra de conjuntos.
Si interesa el arreglo:
𝑚!
sin repeticion 𝑚𝐴𝑛 = (𝑚−𝑛)!
Variación o arreglo: {
con repeticion 𝑚𝐴𝑅𝑛 = 𝑚𝑛
𝑃𝑛 = 𝑛!
Permutación: { 𝐶
𝑃𝑛 = (𝑛 − 1)!
Con repetición
𝑛!
𝑛𝑃𝑅𝑛1 ,𝑛2 ,𝑛3 ,…..,𝑛𝑘 = 𝑛
1 !∗𝑛2 !∗……∗𝑛𝑘 !
∑ 𝑛1 + 𝑛2 + 𝑛3 + ⋯ + 𝑛𝑘 = 𝑛
Si no interesa el orden:
𝑛 𝑛!
sin repeticion: 𝑛𝐶𝑚 = ( ) =
𝑚 (𝑛 − 𝑚)! ∗ 𝑚!
(𝑛 + 𝑚 − 1)!
con repeticion: 𝑛𝐶 ∗ 𝑅𝑚 =
{ (𝑛 − 1)! ∗ 𝑚!
Los eventos o sucesos pueden ser: incluyentes (evento A incluye al evento B),
excluyentes (evento A no incluye al evento B).
DEFINICION DE PROBABILIDAD
𝐹𝐴
𝑃(𝐴) = = ℎ𝐴
𝑛
Definición subjetiva.-
Ejemplo.-
Solución
8 dijitos → # 4 cifras
7 7 6 5
pares
6 6 5 4
impares
𝑛𝐵 = 1470 − 720
Entonces….
𝑛𝐵 750
𝑃𝐵 = = = 0.51
𝑛Ω 1470
𝑛𝐶 = 𝟕𝟔𝟎
𝑛𝐶 760
𝑃𝐵 = = = 0.517
𝑛Ω 1470
Ejemplo:
Solución
A)
𝑛𝐴∪𝐵 = 𝑛𝐴 + 𝑛𝐵 − 𝑛𝐴∩𝐵 \\ ÷ 𝑛Ω
𝑛𝐴∪𝐵 𝑛 𝑛 𝑛𝐴∩𝐵
= 𝑛𝐴 + 𝑛𝐵 −
𝑛Ω Ω Ω 𝑛Ω
𝑃𝐴∪𝐵 = 𝑃𝐴 + 𝑃𝐵 − 𝑃𝐴∩𝐵
𝑃𝐴∪𝐵 = 0.6
B)
𝑛𝐴∩𝐵𝐶 = 𝑛𝐴 − 𝑛𝐴∩𝐵 \\ ÷ 𝑛Ω
𝑛𝐴∩𝐵𝐶 𝑛 𝑛𝐴∩𝐵
= 𝑛𝐴 −
𝑛Ω Ω 𝑛Ω
𝑃𝐴∩𝐵𝐶 = 𝑃𝐴 − 𝑃𝐴∩𝐵
𝑃𝐴∩𝐵𝐶 = 0.4 − 0.3
𝑃𝐴∩𝐵𝐶 = 0.1
C)
𝑛𝐴𝐶∩𝐵𝐶 = 𝑛Ω − 𝑛𝐴∪𝐵 \\ ÷ 𝑛Ω
𝑛𝐴𝐶 ∩𝐵𝐶 𝑛 𝑛𝐴∪𝐵
= 𝑛Ω −
𝑛Ω Ω 𝑛Ω
AXIOMAS DE PROBABILIDAD
𝑃(𝛺) = 1
𝑃(∅) = 1
𝑃(𝐴𝐶 ) = 1 − 𝑃(𝐴)
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴 ∩ 𝐵 𝐶 ) = 𝑃(𝐴 − 𝐵) = 𝑃(𝐴) − 𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴𝐶 ∩ 𝐵) = 𝑃(𝐵 − 𝐴) = 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴 ∪ 𝐵 ∪ 𝐶) = 𝑃(𝐴) + 𝑃(𝐵) + 𝑃(𝐶) − 𝑃(𝐴 ∩ 𝐵) − 𝑃(𝐴 ∩ 𝐶) − 𝑃(𝐵 ∩ 𝐶) +
+𝑃(𝐴 ∩ 𝐵 ∩ 𝐶)
Ejemplo.-
En una urna hay 2 bolas azules una blanca y 3 rojas se extraen alazar 3 bolas sin
reposición. Calcule la probabilidad de que las dos bolas sean rojas, o una blanca y
otra azul.
Solución.-
2 azules
1 blanca
3 rojas
Total= 3 bolas
RR o BA → elementos excluyentes no hay bolas mitad rojas ni mitad azul →
𝑃(𝐴 ∩ 𝐶) = 0
6!
𝑛𝛺 = 𝐶62 = = 15
4! ∗ 2!
𝐶32 3
𝑃𝐴 = =
15 15
1
𝑃𝐴 =
5
𝐶11 ∗ 𝐶21 2
𝑃𝐵 = =
15 15
Entonces…
1 2
𝑃(𝐴 ∪ 𝐵) = +
5 15
1
𝑃(𝐴 ∪ 𝐵) =
3
Ejemplo.-
Solución
B: pagar la multa
𝑃(𝐴 ∩ 𝐵) = 0.1
𝑃(𝐵) = 3𝑃(𝐴)
𝑃(Ω) = 0.28
𝐴∪𝐵 =Ω
𝑃(𝐴) =?
Ejemplo.-
de 250 empleados se sabe que 130 fuman cigarrillos, hay 150 hombres de la
compañía de los cuales 85 fuman cigarrillos. Si un empleado es seleccionado al
azar ¿ cual es la probabilidad de que?
a)
120 12
𝑃(𝑛𝑜 𝑓𝑢𝑚𝑎) = =
250 25
b)
45 9
𝑃(𝑚𝑢𝑗𝑒𝑟 𝑦 𝑓𝑢𝑚𝑒) = =
250 50
c)
150 130 85
𝑃(𝐻𝑜𝑚𝑏𝑟𝑒 ∪ 𝐹𝑢𝑚𝑒) = + −
250 250 250
195 39
𝑃(𝐻𝑜𝑚𝑏𝑟𝑒 ∪ 𝐹𝑢𝑚𝑒) = =
250 50
PROBABILIDAD CONDICIONAL
AyB∈ Ω
Nomenclatura
𝑃 (𝐴 / 𝐵) = 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝐴 𝑐𝑜𝑛𝑑𝑖𝑐𝑖𝑜𝑛𝑎𝑑𝑎 𝑎 𝐵
𝑃(𝐴 ∩ 𝐵)
𝑃 (𝐴 / 𝐵) =
𝑃(𝐵)
Como:
𝑛(𝐴∩𝐵) 𝑛(𝐵)
𝑃 (𝐴 ∩ 𝐵) = ^ 𝑃 (𝐵) =
𝑛 𝑛
Tambien:
𝑛(𝐴 ∩ 𝐵)
𝑃 (𝐴 / 𝐵) = 𝑛
𝑛(𝐵)
𝑛
𝑛(𝐴 ∩ 𝐵)
𝑃 (𝐴 / 𝐵) =
𝑛(𝐵)
AXIOMAS
1. 𝑃(𝐴𝐶 /𝐵) = 1 − 𝑃(𝐴/𝐵)
2. 𝑃(𝐴 ∪ 𝐵/𝐶) = 𝑃(𝐴/𝐶) + 𝑃(𝐵/𝐶) − 𝑃(𝐴 ∩ 𝐵/𝐶)
3. 𝑃(𝐴/𝐵) ≠ 𝑃(𝐵/𝐴)
TEOREMA DE LA MULTIPLICACION
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴 / 𝐵) =
𝑃(𝐵)
𝐵𝒊 ∩ 𝐵𝒋 ≠ 𝟎
∀𝒊 ≠ 𝑗
Ejemplo.-
Datos:
𝑃(𝐴 ∩ 𝐵) = 0.15
𝑃(𝐴) = 0.20
𝑃(𝑠𝑜𝑙𝑜 𝐵) = 0.45
𝑃(𝐴/𝐵) =? ?
𝑃(𝑠𝑜𝑙𝑜 𝐴) =?
𝑃(𝑠𝑜𝑙𝑜 𝐴) = 0.05
b)
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴 / 𝐵) =
𝑃(𝐵)
𝑃(𝐵) = 0,60
Entonces:
0.15
𝑃(𝐴 / 𝐵) = → 𝑃(𝐴 / 𝐵) = 1⁄4
0.60
Ejemplo
Solución.-
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴 / 𝐵) =
𝑃(𝐵)
2 8 3 2 4 1 4 8 1
𝑃𝐵 = ∗ ∗ + ∗ ∗ + ∗ ∗
6 12 4 6 12 4 6 12 4
48 + 8 + 32 88
𝑃𝐵 = =
6 ∗ 12 ∗ 4 6 ∗ 12 ∗ 4
2 8 3 2 4 1 56
𝑃(𝐴 ∩ 𝐵) = ∗ ∗ + ∗ ∗ =
6 12 4 6 12 4 6 ∗ 12 ∗ 4
56
𝑃(𝐴 / 𝐵) = 6 ∗ 12 ∗ 4
88
6 ∗ 12 ∗ 4
7
𝑃(𝐴 / 𝐵) =
11
Sea un elemento A común a todas las particiones del cual se desea encontrar su
probabilidad, entonces
De la probabilidad condicional:
𝑃(𝐴 ∩ 𝐵)
𝑃 (𝐴 ⁄ 𝐵) = → 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵) ∗ 𝑃(𝐴/𝐵)
𝑃(𝐵)
Entonces:
𝐴 𝐴 𝐴 𝐴
𝑃(𝐴) = 𝑃(𝐵1 ) ∗ 𝑃( ) + 𝑃(𝐵2 ) ∗ 𝑃( ) + 𝑃(𝐵3 ) ∗ 𝑃( ) + ⋯ … + 𝑃(𝐵𝑛 ) ∗ 𝑃( )
𝐵1 𝐵2 𝐵3 𝐵𝑛
𝐴
𝑃(𝐴) = ∑𝑃(𝐵𝑖 ) ∗ 𝑃( )
𝐵𝑖
TEOREMA DE BAYES
𝑃(𝐵𝑖 /𝐴) =?
𝐴 𝑃(𝐵𝑖 ∩𝐴) 𝑃(𝐴∩𝐵𝑖 )
𝑃(𝐵 ) = =
𝑖 𝑃(𝐴) 𝑃(𝐴)
𝐴 𝑃(𝐵𝑖 ) ∗ 𝑃(𝐴/𝐵𝑖 )
𝑃( ) =
𝐵𝑖 𝐴
∑𝑃(𝐵𝑖 ) ∗ 𝑃(𝐵 )
𝑖
Ejemplo.-
1 0.5
2 0,6
1
5 fusiles 3 0,7 se elige uno al azar =F 𝑃𝐹 = 5
4 0,8
{5 0,9
𝐴
𝑃(𝐴) = ∑𝑃(𝐵𝑖 ) ∗ 𝑃( )
𝐵𝑖
𝐴 𝐴 𝐴 𝐴
𝑃(𝐴) = 𝑃(𝐵1 ) ∗ 𝑃( ) + 𝑃(𝐵2 ) ∗ 𝑃( ) + 𝑃(𝐵3 ) ∗ 𝑃( ) + ⋯ … + 𝑃(𝐵5 ) ∗ 𝑃( )
𝐵1 𝐵2 𝐵3 𝐵5
1 5 1 6 1 7 1 8 1 9
𝑃(𝐴) = ∗ + ∗ + ∗ + ∗ + ∗
5 10 5 10 5 10 5 10 5 10
1 5+6+7+8+9
𝑃(𝐴) = [ ]
5 10
35
𝑃(𝐴) = = 0.7
50
𝑃(𝐴𝐶 ) = 1 − 𝑃(𝐴)
𝑃(𝐴𝐶 ) = 1 − 0.7 → 𝑃(𝐴𝐶 ) = 0.3
Ejemplo.-
En vista de los gastos que suponen reparación o sustitución de mercadería
defectuosa, la gerencia desea vigilarla taza de imperfectos en el proceso de
producción. Le pide al ingeniero industrial que examine un plan propuesto para un
nuevo proceso de producción de grandes transformadores, en realidad el nuevo
proceso supone 2 procesos separados, cada uno de los cuales produce al
transformador como ultima etapa del proceso total. El examen de las maquinas y
de las operaciones que intervieven en cada mitad del proceso de producción
convence al ingeniero de que hay una probabilidad de 0.0014 de que una parte del
proceso produzca un defectuoso y otra de 0,0025 de que la otra parte produzca el
defectuoso.
a) Que porcentaje de la producción total ha de estimarse defectuosa
b) Si se elige un transformador al azar y resulta ser defectuoso. ¿Cuál es la
probabilidad de que haya manufacturado en la 1ra parte del proceso?
P. DEFECTUOSO
1ra PARTE 0.0014
2da PARTE 0.0025 1
𝑃(1𝑟𝑎 𝑃𝐴𝑅𝑇𝐸) = 𝑃(2𝑑𝑎 𝑃𝐴𝑅𝑇𝐸) = 2
𝐷 𝐷
𝑃(𝐷) = 𝑃(1𝑟𝑎) ∗ 𝑃( ) + 𝑃(2𝑑𝑎) ∗ 𝑃( )
1𝑟𝑎1 2𝑑𝑎
1 1
𝑃(𝐷) = ∗ 0.0014 + ∗ 0.0025
2 2
𝑃(𝐷) = 0.00195 ≅ 0.195%
0.5 ∗ 0.0014
𝑃 (1𝑟𝑎⁄𝐷) = → 𝑃 (1𝑟𝑎⁄𝐷 ) = 0.3590
0.00195
Ejemplo.-
Solución.-
Espacio muestral
𝑛Ω = 𝟑𝟔
A: la suma es 4
B: la suma es 6
Entonces…
∞
3 28 𝑛−1
𝑃(𝐸𝒏 ) = ∑ ∗( )
36 36
𝑛=1
1 7 𝑛−1
𝑃(𝐸𝒏 ) = ∑∞
𝑛=1 12 ∗ (9) Progresión geométrica infinita
1 7
𝑎 ∗9
𝑃(𝐸𝒏 ) = = 12
1−𝑟 1−7
9
7
𝑃(𝐸𝒏 ) =
24
7
𝑃(𝑠𝑎𝑙𝑔𝑎 𝑠𝑢𝑚𝑎 4 𝑎𝑛𝑡𝑒𝑠 𝑑𝑒 6) = 𝑃(𝐸𝑛 𝐶 ) = 1 −
24
17
𝑃(𝑠𝑎𝑙𝑔𝑎 𝑠𝑢𝑚𝑎 4 𝑎𝑛𝑡𝑒𝑠 𝑑𝑒 6) =
24
PROBABILIDAD DE EVENTOS INDEPENDIENTES
Dos eventos son independientes si cada uno de ellos no depende del otro; pero
ambos forman parte del mismo espacio muestral, entonces se utiliza el teorema de
multiplicación.
Ejemplo.-
4𝑅 2𝑅
𝐴={ 𝐵={
2𝐵 4𝐵
32 1 4 4 4 1 2 2 2
𝑃(𝐴⁄𝑐𝑎𝑟𝑎 𝑟𝑜𝑗𝑎) = 33 𝑃𝑨 = 2 ∗ 6 ∗ 6 ∗ 6 ∗ … … … + 2 ∗ 6 ∗ 6 ∗ 6 ∗ … ..
1 4 𝑛 1 2 𝑛
𝑃𝑨 = 2 ∗ (6) + 2 ∗ (6)
1 4 𝑛
𝑃(𝐷𝐴 ⁄𝐴) =
𝑃(𝐷𝐴 ∩ 𝐴)
= 2 ∗ (6) 32
𝑛 𝑛 =
𝑃(𝐴) 1 4 1 2 33
2 ∗ (6) + 2 ∗ (6)
Entonces…
4 𝑛
( ) 4𝑛 32
6
4 𝑛 2 𝑛
= 4𝑛 +2𝑛 = 33
( ) +( )
6 6
32[(2𝑛 )2 + 2𝑛 ] = 33(2𝑛 )2
32 ∗ 2𝑛 = (2𝑛 )2
(2𝑛 )2 − 32 ∗ 2𝑛 = 0
(2𝑛 )(2𝑛 − 32) = 0
Ejemplo.-
Para que funcione adecuadamente un equipo electrónico debe tener las dos
componentes conectadas que aparecen en el diagrama en correcto
funcionamiento. El diagrama muestra que A debe funcionar y lo mismo alguno de
los 2 B. suponga que las componentes B funcionan independientemente de A, e
independientemente una de otra y que la confiabilidad de A es 0,9 y la de B1 y B2
es 0.8. Calcular la confiabilidad del equipo.
𝑃(𝐴) = 0,9
Pero…
𝑃(𝐸) = 0,576
Capítulo 4
Experimentos Determinísticos
Ejemplo:
Experimentos de laboratorio
Experimentos no determinísticos
Ejemplo:
𝑋 = 𝑥(𝑤𝑖 )
Clasificación
𝐷𝑓 = 𝐷𝑜𝑚𝑖𝑛𝑖𝑜 𝑓 ⊂ Ω
𝑅𝑓 ⊂ ℝ
Ejemplo:
Ejemplo:
a) El dominio de “x”
b) El rango de “x”
𝐷𝑥 = {1,2,3,4,5}
𝑅𝑥 = {3,4,5,6,7,8,9}
X 3 4 5 6 7 8 9
1/10 1/10 2/10 2/10 2/10 1/10 1/10
5! 5!
i. 𝜂Ω = 5ℂ2 = (52) = 2!∗(5−2)! = 2!∗3! = 10
1 1 2
𝑝(𝑥 = 3) = 𝑝(𝑥 = 4) = 𝑝(𝑥 = 5) =
10 10 10
2 2 1 1
𝑝(𝑥 = 6) = 𝑝(𝑥 = 7) = 𝑝(𝑥 = 8) = 𝑝(𝑥 = 9) =
10 10 10 10
2 2 1 5 1
ii. 𝑝(6 ≤ 𝑥 ≤ 8) = 𝑝(𝑥 = 6) + 𝑝(𝑥 = 7) + 𝑝(𝑥 = 8) = 10 + 10 + 10 = 10 = 2
1
𝑝(6 ≤ 𝑥 ≤ 8) =
2
Función o ley de probabilidad
Es una función que asocia a toda variable aleatoria un valor de probabilidad entre
0 y 1.
Equivalencia de eventos
Al ser x una variable aleatoria discreta ò variable aleatoria continúa, la función P(x)
también está para variable aleatoria discreta ò variable aleatoria continúa.
Como 𝑊1 , 𝑊2 , 𝑊3 , … … … … … . , 𝑊𝑛 ⊂ Ω , entonces:
∴ ∑ 𝑝(𝑥𝑖 )
𝑖=1
=1
Función de
distribución
X X1 X2 X3 X4 X5 ….. Xi
𝑋∈ℝ
Como: 𝑤1 ∪ 𝑤2 ∪ 𝑤3 ∪ 𝑤4 , … ∪ 𝑤𝑘 = Ω
𝑃(𝑤1 ∪ 𝑤2 ∪ 𝑤3 ∪ 𝑤4 , … ∪ 𝑤𝑘 ) = 1
∑≅∫
∞
∫ 𝑝(𝑥) 𝑑𝑥 = 1
ℝ𝑥
i. 𝑝(𝑥 ≤ 𝑥0 ) = 𝑝(𝑥 = 𝑥0 )
ii. 𝑝(𝑥 ≥ 𝑥0 ) = 1 − 𝑝(𝑥 < 𝑥0 )
iii. 𝑝(𝑎 < 𝑥 ≤ 𝑏) = 𝑝(𝑥 = 𝑏) − 𝑝(𝑥 = 𝑎)
iv. 𝑝(𝑎 ≤ 𝑥 ≤ 𝑏) = 𝑝(𝑥 = 𝑏) − 𝑝(𝑥 = 𝑎)
v. 𝑝(𝑎 < 𝑥 < 𝑏) = 𝑝(𝑥 = 𝑏) − 𝑝(𝑥 = 𝑎) − 𝑝(𝑥 = 𝑏)
Ejemplo: Se tiene una urna con tres fichas negras y dos rojas. Se extraen
sucesivamente una ficha sin reposición hasta que salga una roja .sea x la variable
aleatoria, el número de extracciones que hay que realizar. Determinar:
𝑥1 =1
𝑥 =2
𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 { 2
𝑥3 =3
𝑥4 =4
a)
2 3 2 6
𝑝(𝑥1 ) = 𝑝(𝑥2 ) = ∗ =
5 5 4 20
3 2 2 12 3 2 1 2 6
𝑝(𝑥3 ) = ∗ ∗ = 𝑝(𝑥4 ) = ∗ ∗ ∗ =
5 4 3 60 5 4 3 2 60
X 1 2 3 4
p(X) 24/60 18/60 12/60 6/60
P(X) 24/60 42/60 57/60 1
b)
La funcion de distribucion de la variable aleatoria x esta dada por
0 𝑠𝑖 𝑥 < −1
0.5 𝑠𝑖 −1≤𝑥 ≤0
𝑃(𝑥) = {
0.8 𝑠𝑖 0≤𝑥≤2
1 𝑠𝑖 𝑥 ≥2
Determinar:
x -1 0 2
p(x) 0,5 0,3 0,2
P(x) 0,5 0,8 1
Sea la función de probabilidad
𝑎𝑥 2 𝑠𝑖 0≤𝑥≤1
𝑝(𝑥) = {𝑎(2 − 𝑥)2 𝑠𝑖 0≤𝑥≤2
0 𝑒𝑛 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠
a) hallar el valor de a
∞
∫ 𝑝(𝑥) 𝑑𝑥 = 1
ℝ𝑥
0 1 1 ∞
2 2
∫ 0 𝑑𝑥 + ∫ 𝑎𝑥 𝑑𝑥 + ∫ 𝑎(2 − 𝑥) 𝑑𝑥 + ∫ 0 𝑑𝑥 = 1
−∞ 0 0 1
1 2
𝑥3 (2 − 𝑥)3
(𝑎 ) + (𝑎 ) =1
3 0 3 1
𝑎 𝑎(0 − 1)
− =1
3 3
2𝑎 3
=1 →𝑎=
3 2
3 2
𝑥 𝑠𝑖 0≤𝑥≤1
2
𝑝(𝑥) = 3
(2 − 𝑥)2 𝑠𝑖 0≤𝑥≤2
2
{ 0 𝑒𝑛 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠
b)
x
𝑝(𝑥) = ∫ 𝑝(𝑥) 𝑑𝑥
𝑅𝑥
En [0.1[
x 𝑥
3 2 3 𝑥3
𝑝1 (𝑥) = ∫ 𝑥 𝑑𝑥 = ( )
0 2 2 3 0
𝑥3
𝑝(𝑥) =
2
En [1.2[
1 x
3 2 3
𝑝2 (𝑥) = ∫ 𝑥 𝑑𝑥 + ∫ (2 − 𝑥)2 𝑑𝑥
0 2 1 2
1 𝑥
3 𝑥3 3 (2 − 𝑥)3 1 (2 − 𝑥)3 1
𝑝2 (𝑥) = ( ) +( ) = − +
2 3 0 2 3 1
2 2 2
En [2. ∞[ 𝑝3 (𝑥) = 1
𝑥3
𝑠𝑖 0≤𝑥≤1
3
𝑝(𝑥) = (2 − 𝑥)3
𝑠𝑖 0≤𝑥≤2
2
{ 1 𝑠𝑖 𝑥≥2
c)
1 3 3 1
𝑝 ( ≤ 𝑥 < ) = 𝑝 (𝑥 = ) − 𝑝 (𝑥 = )
2 2 2 2
3 3
1 3 1 (2 − 2) 1 1 3
𝑝( ≤ 𝑥 < ) = 1 − − ( )
2 2 2 2 2
1 3 1 1
𝑝( ≤ 𝑥 < ) = 1− −
2 2 16 16
1 3 7
𝑝( ≤ 𝑥 < ) =
2 2 8
Distribuciones mixtas
𝑑𝑝(𝑥)
𝑝(𝑥) =
𝑑𝑥
Ejemplo:
Hallar:
1 3
𝑝( ≤ 𝑥 < )
2 2
𝑝((𝑥 − 1) < 1)
1
𝑝(|𝑥 − 1|) ∶ 𝑝 (𝑥 = − )
2
Solución:
0 𝑠𝑖 𝑥 < −1
1
𝑠𝑖 − 1 ≤ 𝑥 ≤ 0
𝑝(𝑥) 2
𝑥 − 1 𝑠𝑖 1≤𝑥≤2
{1 𝑠𝑖 𝑥≥2
1 1
𝑝 ( < 𝑥 < 2) = 𝑝(𝑥 = 2) − 𝑝 (𝑥 = )
2 2
1 1 1
𝑝 ( < 𝑥 < 2) = 1 − (− + 1)
2 2 2
1 3
𝑝 ( < 𝑥 < 2) =
2 4
b)
|𝑥 − 1| < 1
−1 < 𝑥 − 1 < 1
0<𝑥<2
c)
𝑝(𝑥 > 1) = 1 − 𝑝(𝑥 < 1)
𝑝(𝑥 > 1) = 1
1 1 1 1
𝑝 (𝑥 = − ) = (− + 1) =
2 2 2 4
0 𝑠𝑖: 𝑥 < −1
1
𝑠𝑖: − 1 ≤ 𝑥 ≤ 0
𝑝(𝑥) 2
0 𝑠𝑖: 0≤𝑥≤1
1 𝑠𝑖: 1≤𝑥≤2
{ 0 𝑠𝑖: 𝑥≥2
Ω 𝑥∈ℝ 𝑦 𝐻(𝑖) ∈ ℝ
𝑦 = 𝐻(𝑖)
Esperanza matemática y valor promedio esperado
Se defina como:
E(x) = 𝑥P(x)
E(x) = ∑ 𝑥 ∗ p(x)
ℝ𝑥
𝜇 = 𝐸(𝑥)
PROPIEDADES
i. E (c ) = c
ii. E ( x + b ) = E (x ) + b
iv. E (a x + b ) = a E (x ) + b
v. Si 𝑦 = 𝐻𝑥 → 𝐸(𝑦) = 𝐸(𝐻(𝑥) )
En forma general:
Pero: 𝐸(𝑥) ≅ 𝑢
Var(x) = E(𝑥 2 ) − 𝑢2
Donde
E(x 2 ) = ∑ 𝑥 2 ∗ p(x)
ℝ𝑥
∞
2)
E(x = ∫ 𝑥 2 ∗ p(x) 𝑑𝑥
ℝ𝑥
1
𝑚𝑒𝑑(𝑥) = 𝑥𝑏 <=> 𝑃(𝑥 = 𝑋0 ) =
2
Métodos de agrupación
𝑖
𝑃𝑖 (𝑥) = 𝑥0 <=> 𝑃(𝑥 = 𝑋0 ) =
100
Donde i=1,2, 3…,99
∞
Mr (x) = ∫𝑅𝑥(𝑥 − 𝑢)𝑟 ∗ 𝑝(𝑥) 𝑑𝑥 En variable aleatoria continua
Medidas de deformación
Asimetría:
M3 (x)
As =
σ3
Si 𝐴𝑠 < 0 𝑠𝑒𝑠𝑔𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑜
𝐴𝑠 = 0 𝑠𝑖𝑚𝑒𝑡𝑟𝑖𝑐𝑎
Vertical:
𝑀4 (𝑥)
𝑘=
𝜎 4 (𝑥)
Si k< 3 𝑝𝑙𝑎𝑡𝑖𝑐𝑢𝑟𝑡𝑖𝑐𝑎
𝑘 = 3 𝑚𝑒𝑠𝑜𝑐𝑢𝑟𝑡𝑖𝑐𝑎
k > 3 𝑙𝑒𝑝𝑡𝑜𝑐𝑢𝑟𝑡𝑖𝑐𝑎
Ejemplo:
En una feria se deben pagar 50 centavos. Para participar en un juego que consiste
en lanzar anillos .se dan 3 anillos a una persona, la cual trata de lanzarlos una a
una hacia una clavija; si se logra insertar un anillo el premio es de 1 bs. Si se
insertar dos anillos el anillo el premio es de 2 bs si se insertan los tres entonces el
premio es de 10 bs. Suponiendo que la probabilidad de insertar en la clavija sea
del 0,10 en cada lanzamiento ¿Cuál es la ganancia promedio esperada si se juega
una vez; diez veces?
3 anillos
𝑠𝑒 𝑎𝑐𝑖𝑒𝑟𝑡𝑎 𝑒𝑛 ∶ 1 → 1 𝑏𝑠
𝑠𝑒 𝑎𝑐𝑖𝑒𝑟𝑡𝑎 𝑒𝑛 ∶ 2 → 2 𝑏𝑠
𝑠𝑒 𝑎𝑐𝑖𝑒𝑟𝑡𝑎 𝑒𝑛 ∶ 3 → 10 𝑏𝑠
x 0 1 2 3
p(x) 0,729 0,243 0,027 0,001
P(x) 0,729 0,972 0,999 1
y -0,5 0,5 1,5 9,5
𝐸(𝑦) = ∑ 𝑦𝑝(𝑦) = −0.5 ∗ 0.729 + 0.5 ∗ 0.243 + 1.5 ∗ 0.027 + 9.5 ∗ 0.001
𝑖=0
Ejemplo:
𝑝 = 𝐶1 + 𝐶2 𝑥 (𝑢𝑡𝑖𝑙𝑖𝑑𝑎𝑑)
Solución:
∞
∫ 𝑝(𝑥) 𝑑𝑥 = 1
ℝ𝑥
100
∫ 𝑎𝑥(100 − 𝑥) 𝑑𝑥
0
=1
100 100
∫ 𝑎100𝑥 𝑑𝑥 − ∫ 𝑎𝑥 2 𝑑𝑥 = 1
0 0
100 100
𝑎100𝑥 2 𝑥3
( ) − (𝑎 ) =1
2 0
3 0
𝑎1003
2
𝑎50 ∗ 100 − =1
3
500000 3
𝑎 = 1 → 𝑎 = 10−5
3 5
E(p) = E(𝐶1 + 𝐶2 𝑥) = E(𝐶1 ) + 𝐶2 E(𝑥)
100 100
3 3 𝑥3 𝑥4
𝐸(𝑥) = ∫ 𝑥 ∗ 10−5 𝑥(100 − 𝑥) 𝑑𝑥 = 10−5 (100 − )
0 5 5 3 4 0
3 −5 1004 1004
𝐸(𝑥) = 10 −
5 3 4
3 −1 1 1 1
𝐸(𝑥) = 10 ( − ) =
5 3 4 200
1 1 𝑆𝑢𝑠
𝜇𝑥 = → 𝜇𝑥 = [𝐶1 + 𝐶2 ]
200 200 𝐿𝑏
Capítulo 5
Está asociado a todas las aplicaciones en las cuales la única opción son fracasos
o éxitos
Defectuoso
Producción
No defectuoso
Malo
Control de calidad
Bueno
𝑝 = 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑒𝑥𝑖𝑡𝑜
𝑞 = 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑓𝑟𝑎𝑐𝑎𝑠𝑜
𝑝+𝑞 =1
𝑞 =1−𝑝
𝑥 = 1 → 𝑓𝑟𝑎𝑐𝑎𝑠𝑜
𝑥 = 0 → 𝑒𝑥𝑖𝑡𝑜
La función de cuantía es:
X 0 1
𝑥=0 𝑝(𝑥=0)=𝑞
Si: 𝑥=1 𝑝(𝑥=1)=𝑝 p (x) q p
P(x) q 1
La varianza
𝑉𝑎𝑟(𝑥) = 𝐸(𝑥 2 ) − 𝜇 2
𝐸(𝑥 2 ) = ∑ 𝑥 2 𝑃(𝑥) = 02 ∗ 𝑞 + 12 ∗ 𝑝 = 𝑝
Entonces:
𝑉𝑎𝑟(𝑥) = 𝑝 − 𝑝2 = 𝑝(1 − 𝑝) = 𝑝𝑞
𝜎 2 = 𝑉𝑎𝑟(𝑥) = 𝑝𝑞
Distribución binomial
Sucede cuando el experimento de Bernoulli se repite “n” veces y en esas “n” veces
variable aleatoria x representa la cantidad de éxitos en las “n” oportunidades.
Función de cuantía:
𝑛 𝑥 𝑛−𝑥
𝑝(𝑥) = 𝑝 𝑞 ∀𝑥 = 0,1,2,3,4, … . , 𝑛
𝑥
El valor promedio esperado:
𝜇 = 𝑛𝑝
La varianza:
𝜎 2 = 𝑛𝑝𝑞
Función de distribución:
⟦𝑥⟧
𝑛
𝑝(𝑥) = ∑ ( ) 𝑝𝑘 𝑞 𝑛−𝑘
𝑘
𝑘=0
Distribución geométrica
𝑝 (𝑥) = 𝑝 ∗ 𝑞 𝑥−1
La de distribución:
⟦𝑥⟧
𝑝 (𝑥) = ∑ 𝑝 ∗ 𝑞 𝑘−1
𝑘=1
1
𝜇=
𝑝
La varianza:
𝑞
𝜎2 =
𝑝2
Distribución multinomial
𝑛!
𝑝(𝑥 = 𝑥1 , 𝑥2 , 𝑥3 , … . . . , 𝑥𝑘 ) = ∗ 𝑝1 𝑥1 ∗ 𝑝2 𝑥2 ∗ 𝑝3 𝑥3 ∗ … … .∗ 𝑝𝑘 𝑥𝑘
𝑥1 !, 𝑥2 !, 𝑥3 !, … … . , 𝑥𝑘 !
𝜇 = 𝑛𝑝𝑖 ∀𝑖 = 1,2,3, … . , 𝑘
La varianza:
𝜎 2 = 𝑛𝑝𝑖 (1 − 𝑝𝑖 ) ∀𝑖 = 1,2,3, … . , 𝑘
DISTRIBUCIÓN HIPERGEOMETRICA
N= n=
N-M
La función cuantía:
𝑀 𝑁−𝑀
( )( )
𝑝(𝑥) = 𝑥 𝑛 − 𝑥
𝑁
( )
𝑛
∀𝑥 = 0, 1, 2, , , , ,,
La función de distribución:
⟦𝑥⟧𝑀 𝑁−𝑀
( )( )
𝑝(𝑥) = ∑ 𝑥 𝑛 − 𝑥
𝑁
𝑘=0 ( )
𝑛
𝑀
𝑢=𝑛
𝑁
La varianza:
𝑀 𝑀 𝑁−𝑛
𝑟2 = 𝑛 (1 − ) ( )
𝑁 𝑁 𝑁−1
Aproximación a la binomial:
𝑛
< 𝑂, 1
𝑁
𝑀
𝑞 = 1−
𝑁
𝑛 𝑀 𝑋 𝑀
𝑝(𝑥) ≅ ( ) ( ) (1 − )𝑛−𝑥
𝑥 𝑁 𝑁
EJEMPLO:
Solución:
-2 -1 0 1 2
Dado:{1,2,3,4,5,6}
Números primos:{1,2,3,5}
Números no primos:{4,6}
q=1/3
Rx= {0,1,2,3,4,5,6,7,8,9,10}
Ry= {-10,-8,-6,-4,-2,0,2,4,6,8,10}
y= 2x-10
entonces:
10
a) p(y=8)= p(x=9) = ( )(2/3)9 (1/3)10−9= 0.0867
9
b) p(y=3) =0
10
c) p(y=-2)=p(x=4) = ( )(2/3)4 (1/3)6=0.0569
4
10
d) p(y>1)= p(x=6) + p(x=7) + p(x=8) + p(x=9) + p(x=10) =∑10
𝑥=6( ) (2/
𝑥
3)𝑥 (1/3)10−𝑥
EJEMPLO:
Un examen consta de 10 preg. Con 5 respuestas c/u de las cuales solo una es
correcta. Un estudiante que desconoce del curso contesta la prueba al azar, para
aprobar el examen debe contestar correctamente al menos 6 preg.
1 es correcta p=1/5
10
𝑝(𝑥) = ( )(1/5)𝑥 (4/5)10−𝑥
𝑥
10
p(x ≥ 6) = ∑10
𝑥=6( ) (1/5)𝑥 (4/5)10−𝑥 = 6.27x10-3
𝑥
b) 200 estudiantes
u≈p → u≈n*p(x≥6)
u≈ 200*(6.27x10-3)
u≈1.27
u=1 alumno
EJEMPLO:
Dos jugadores A y B juegan a lanzar una dado, gana el primero que obtenga un
numero primo si el juego es empezado por A. calcule la probabilidad de ganar de
cada jugador.
Solución.-
Dado:{1,2,3,4,5,6}
Números primos:{1,2,3,5}
Números no primos:{4,6}
Gana A
X: cantidad de lanzamientos
X=1,3,5,7,9,….
Progresión infinita
r= (1/3)2
𝑎1 1
s= = 1 = 9/8
1−𝑟 1−( )2
3
EJEMPLO:
Mejoren P1 = 0,5
Permanezcan P2 = 0,9
Empeoren P3 = 0,1
a) Los 9 mejoran;
9! 1
𝑝(𝑥1 = 9; 𝑥2 = 0; 𝑥3 = 0) = (0,5)9 = = 0,00195
9! ∗ 0! 0! 512
9!
𝑝(𝑥1 = 5; 𝑥2 = 3; 𝑥3 = 1) = (0,5)5 (0,4)3 (0,1)1 = 0,1008
5! ∗ 3! 1!
9!
𝑝(𝑥1 = 3; 𝑥2 = 3; 𝑥3 = 3) = (0,5)3 (0,4)3 (0,1)3 = 0,01344
3! 3! 3!
EJEMPLO:
Solución:
a defectuosos
100-a no defectuosos
Primera parte.-
Segunda parte.-
Si x= 2 ó 3 → nt = 6
x= 4,5,6 se rechaza
x= 0,1,2,3 se acepta
a) N= 100
n= 3
M= 5
𝑀 𝑁−𝑀 5 95
( )( ) ( )( )
𝑝(𝑥) = 𝑥 𝑛 − 𝑥 = 𝑥 3 − 𝑥
𝑁 100
( ) ( )
𝑛 3
5 95
( )( )
0 3−0
𝑝(𝑥 = 0) = 100 = 0,856
( )
3
Se Acepta
5 95
( )( ) 1ra Parte
𝑝(𝑥 = 1) = 1 3 − 1 = 0,138
100
( )
3
5 95
( )( )
𝑝(𝑥 = 2) = 2 3 − 2 = 5,87𝑥10−3
100
( )
3
Se rechaza
1ra Parte
5 95
( )( )
𝑝(𝑥 = 3) = 3 3 − 3 = 6,18𝑥10−5
100
( )
3
Segunda parte.-
N= 97
n= 3
M= 3
3 94 3 94
( )( ) ( )( )
𝑝2 (𝑥2 ) = 𝑥1 3 − 𝑥1 = 1 2 = 0,089
97 97
( ) ( )
3 3
𝑝(𝑎𝑐𝑒𝑝𝑡𝑎𝑟) = 0,994
b) 𝑝(𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟) = 1 − 𝑝(𝑎𝑐𝑒𝑝𝑡𝑎𝑟 𝑀 = 4)
4 96
( )( )
𝑝(𝑥 = 0) = 0 3 = 0,884
100
( )
3
4 96
( )( )
𝑝(𝑥 = 1) = 1 2 = 0,113
100
( )
3
4 96
( )( )
𝑝(𝑥 = 2) = 2 1 = 3,56𝑥10−3
100
( )
3
2 95
( )( )
𝑝1 (𝑥1 = 1) = 1 2 = 0,06
97
( )
3
𝑝(𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟) = 1 − 0,997
𝑝(𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟) = 2,79𝑥10−3
DISTRIBUCION DE POISSON.-
Si un evento o suceso de un espacio muestreal tiene un promedio de
eventos por unidad de medida lo que se conoce como “”ג
𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑒𝑣𝑒𝑛𝑡𝑜𝑠
=ג
𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑚𝑒𝑑𝑖𝑑𝑎
Por ejemplo:
𝑒 −𝑥)𝑡ג(∗ 𝑡ג
𝑝(𝑥) = 𝑥 = 0,1,2,3, …
𝑥!
Usualmente:
𝑒 −𝛽 ∗ 𝛽 𝑥
𝑝(𝑥) = 𝑠𝑖 𝑥 = 0,1,2,3, …
𝑥!
La función de distribución:
⟦𝑥⟧
𝑒 −𝛽 ∗ 𝛽 𝑥
𝑃(𝑥) = ∑
𝑘!
𝑘=0
𝑢 =𝛽 =𝑡∗ג
La varianza
𝜎2 = 𝛽 = 𝑡 ∗ ג
PROPIEDAD REPRODUCTIVA DE LA DISTRIBUCION DE POISSON.-
𝑦 = ∑ 𝑥𝑖
𝑖=1
𝑡 𝑖ג ∑ = 𝑦ג
𝑖=1
EJEMPLO:
b) Si x=1
𝑒 −2 ∗ 2
𝑝(𝑥 = 1) = = 2 ∗ e−2
1!
# 𝑎𝑟𝑒𝑎𝑠 𝑐𝑜𝑛 𝑢𝑛𝑎 𝑐𝑒𝑙𝑢𝑙𝑎 = 900 ∗ 2 ∗ 𝑒 −2
#𝑎𝑟𝑒𝑎𝑠 𝑐𝑜𝑛 𝑢𝑛𝑎 𝑐𝑒𝑙𝑢𝑙𝑎 = 243,60 ≅ 243
EJEMPLO:
Solución.-
q= 0.98
n= 20 facturas
20 (0.02)𝑥
a) 𝑝(𝑥) = ( )∗ ∗ (0.98)20−𝑥
𝑥
b) E(x)
𝜇 = 𝑛𝑝 = 20 ∗ (0.02)
𝜇 = 0.4 → 𝜇 = 0
20
𝑝(𝑥 ≥ 1) = 1 − ( ) ∗ (0.02)0 ∗ (0.98)20−0
0
𝑝(𝑥 ≥ 1) = 0.332
Con la aproximación:
=𝑝𝑛 = ג20*0.02
= ג0.4
𝑝(𝑥 = 0) = 𝑒 −0.4
𝑝(𝑥 ≥ 1) = 1 − 𝑒 −0.4
𝑝(𝑥 ≥ 1) = 0.33
Capítulo 6
1
; 𝑠𝑖 𝑎 ≤ 𝑥 ≪ 𝑏
p(x) 𝑏−𝑎
0 ; en otro caso
p(x)
𝟏
𝒃−𝒂
0
a b x
La función de distribución:
0 ; si x≤ a
𝒙−𝒂
P(x)= ; 𝒔𝒊 𝒂 ≤ 𝒙 ≤ 𝒃
𝒃−𝒂
𝟏; 𝒔𝒊 𝒙 > 𝒃
El valor promedio esperado:
𝜇 = 𝐸(𝑥) = ∫ 𝒙 ∗ 𝒑(𝒙)𝒅𝒙
𝑹𝒙
𝒂 𝒃 +∞
1
𝜇 = ∫ 𝒙(𝟎)𝒅𝒙 + ∫ 𝒙 ∗ 𝒅𝒙 + ∫ 𝒙(𝟎)𝒅𝒙
−∞ 𝒂 𝑏−𝑎 𝒃
1 𝒙𝟐
𝜇= ∗
𝑏−𝑎 𝟐
1 𝒃𝟐 − 𝒂𝟐
𝜇= ∗
𝑏−𝑎 𝟐
𝒃+𝒂
𝝁=
𝟐
La varianza:
Var(x) = E(x 2 ) − 𝜇 2
𝒂 𝒃 +∞
𝟐 (𝟎)𝒅𝒙 𝟐
1
Var(x) = ∫ 𝒙 +∫ 𝒙 ∗ 𝒅𝒙 + ∫ 𝒙𝟐 (𝟎)𝒅𝒙 − 𝜇 2
−∞ 𝒂 𝑏 − 𝑎 𝒃
1 𝒙𝟑 𝒂+𝒃 𝟐
Var(x) = ∗ −( )
𝑏−𝑎 𝟑 𝟐
1 𝒃𝟑 − 𝒂𝟑 𝒂+𝒃 𝟐
Var(x) = ∗ −( )
𝑏−𝑎 𝟑 𝟐
(𝑏 − 𝑎) ∗ (𝑏 2 + 𝑎𝑏 + 𝑎2 ) 𝑎2 + 2𝑎𝑏 + 𝑏 2
Var(x) = −( )
(𝑏 − 𝑎) ∗ 3 𝟐
𝑎2 − 2𝑎𝑏 + 𝑏 2
Var(x) =
𝟏𝟐
(𝒂−𝒃)𝟐
𝐕𝐚𝐫(𝐱) =
𝟏𝟐
Ejemplo El tiempo medio en minutos que cierta persona invierte en ir de su casa a
su trabajo es un fenómeno aleatorio en el intervalo de 20-25 min. ¿Cuál es la
probabilidad que llegue a su trabajo a las 7:28 a.m. si sale de su casa a las 7:05
a.m.?
1
; 𝑠𝑖 20 ≤ 𝑥 ≪ 25
p(x) 25−20
0 ; en otro caso
1
; 𝑠𝑖 20 ≤ 𝑥 ≪ 25
p(x) 5
0 ; en otro caso
p(x)
1/5
0
20 25 x
Llegue al trabajo:
𝒙−𝟐𝟎
P(x)= ; 𝒔𝒊 𝟐𝟎 ≤ 𝒙 ≤ 𝟐𝟓
𝟓
𝟏 ; 𝒔𝒊 𝒙 > 𝟐𝟓
𝟐𝟑−𝟐𝟎 𝟑
P(x=23) = =
𝟓 𝟓
Distribución Exponencial
𝜆𝑒 −𝜆𝑥 ; 𝑠𝑖 𝑥 ≥ 0
p(x)
0 ; en otros casos
Siendo 𝜆>0
p(x)
0
x
La función de distribución
𝑥 𝜆𝑒 −𝜆𝑥
𝑃(𝑥) = ∫0 𝜆𝑒 −𝜆𝑥 𝑑𝑥 = −𝜆
𝑃(𝑥) = 1 − 𝑒 −𝜆𝑥
La esperanza matemática es:
∞ ∞ −𝜆𝑥
𝑒 −𝜆𝑥 𝑒
µ = 𝐸(𝑥) = ∫ 𝑥𝜆𝑒 −𝜆𝑥 𝑑𝑥 = 𝜆{ ∗𝑥−∫ 𝑑𝑥}
0 −𝜆 0 −𝜆
𝑥 1 𝑒 −𝜆𝑥
µ = 𝜆 ∗ {− + ∗ }
𝑥𝜆𝑒 𝜆𝑥 𝜆 −𝜆
1
µ = 𝜆 ∗ {0 − 𝜆2 ∗ (−1)}
1
µ=
𝜆
La varianza:
1
𝜎2 =
𝜆2
𝑷(𝑻 ≤ 𝒕) = 𝑭(𝒕)
𝑷(𝑻 ≤ 𝒕) = 𝟏 − 𝒆−𝝀𝒕
𝑷(𝑻 ≥ 𝒕) = 𝟏 − 𝑷(𝑻 ≤ 𝒕)
𝑷(𝑻 ≥ 𝒕) = 𝒆−𝝀𝒕
Ejemplo La vida en años de cierto aparato eléctrico es una variable aleatoria
distribuida exponencialmente con parámetro 0,08.el aparato lleva una garantía de
fábrica por dos años si se adquiere uno de estos aparatos, seleccionado al azar
por el vendedor ¿cuál es la probabilidad que la garantía expire antes que su
aparato se vuelva inútil?
0.08𝑒 −0.08𝑥 ; 𝑠𝑖 𝑥 ≥ 0
p(x)
0 ; x≤0
Si x≤2 garantía
p(x>2)= 0.148
Distribución Normal
Una variable aleatoria continua “X”, se distribuye normalmente con media “µ” y
varianza”σ2”, si su función de densidad es:
1 1 𝑥−𝜇
− ( )² Si −∞ < 𝑥 < ∞
𝑝(𝑥 ) = 𝑒 2 𝜎
𝜎√2𝜋
La función de distribución:
𝐱𝐨 𝟏 𝐱−𝛍 𝟐
𝟏 −𝟐( 𝛔 )
𝑷(𝐱 ≥ 𝐱𝐨) = ∫ 𝐞 𝐝𝐱
−∞ 𝛔√𝟐𝛑
La grafica de la función de densidad:
𝛔𝐳 𝟐 = 𝟏
En consecuencia:
𝟏 𝟐
𝟏
𝐩 (𝐳 ) = ∗ 𝐞−𝟐∗𝐳 𝐬𝐢 − ∞ < 𝐳 <
√𝟐𝛑
∞
-Integración compleja
-Métodos numéricos
𝒁
𝟏 𝟏 𝟐
𝒑(𝒛 ≤< 𝒛𝟎 ) = 𝑷(𝒁𝟎 ) = ∫ 𝒆−𝟐𝒁 𝒅𝒛
−∞ √𝟐𝝅
Si Zo<-4 P(Zo)=0
Si Zo>4 P(Zo)=1
2do
decimal
1er
decimal
𝑥−𝜇 𝑥−𝜇
1. Como 𝑧 = para xo: 𝑧0 =
𝜎 𝜎
2. Buscar Z0 en la 1ra columna y el 2do decimal en las otras columnas
Z0=0.87
P(Z0≤0.87)=0.8078=80.78%
La tabla es biunívoca:
1. Dado Z0 hallar la probabilidad de P(Z≤ Z0)
2. Dada la probabilidad permite hallar Z0
Z0 = -0.46
Si P(Z≤ Z0) =0.732 no está en tablas con exactitud, se busca los valores que
contienen a 0.7320
z P(z)
z1 P(z1) 𝑝(𝑧0 ) − 𝑝(𝑧1 )
z0=? P(z0)=0.732 𝑧0 = 𝑧1 + ( ) ∗ (𝑧2 − 𝑧1 )
𝑝(𝑧2 ) − 𝑝(𝑧1 )
P(z2) P(z2)
Entonces sí:
𝑦 = ∑ 𝑥𝑖 = 𝑥1 + 𝑥2 + 𝑥3 + ⋯ ⋯ + 𝑥𝑘
𝑖=1
𝜇𝑦 = ∑ 𝜇𝑖 = 𝜇1 + 𝜇2 + 𝜇3 + ⋯ ⋯ + 𝜇𝑘
𝑖=1
𝜎 2 𝑦 = ∑ 𝜎 2 𝑖 = 𝜎 21 + 𝜎 2 2 + 𝜎 2 3 + ⋯ ⋯ + 𝜎 2 𝑘
𝑖=1
𝜇𝑦 = ∑ 𝑎𝑖 𝜇𝑖
𝑖=1
𝑘
Teorema central del límite
𝜇1 , 𝜇2 , 𝜇3 , … … … , 𝜇𝑛 y 𝜎 21 , 𝜎 2 2 , 𝜎 2 3 , … … … , 𝜎 2 𝑛
Entonces: 𝑦 = ∑𝑛=∞
𝑖=1 𝑥𝑖
∑∞ ∞
i=1 xn − ∑i=1 µn
𝑃(𝑧 ≤ 𝑧0 ) = lim ( ) = ϕ(z = 𝑧0 )
𝑛→∞ ∑∞ 2
i=1 𝜎𝑛
σ2=25, hallar:
a) P (6 ≤ 12)
b) P (|𝑥 − 6| < 5)
c) P (𝑥 > 21)
x−µ x−6
z= =
σ 5
a) 𝑃(6 ≤ x ≤ 12) =P(x ≤ 12) – P(x ≤ 6)
12 − 6 6−6
𝑃(6 ≤ x ≤ 12) = 𝜙 (z = ) − 𝜙 (z = )
5 5
b) P (|𝑥 − 6| <5) ⇒ −5 ≤ x − 6 ≤ 5
1 ≤ x ≤ 11
SOLUCION:
Cajones
n = cantidad de cajones
𝜇 = 50 𝑙𝑏 ; 𝜎 = 5 𝑙𝑏
µWt = ∑ µi = 50 𝑛
𝑖=1
𝑛
2
σ Wt = ∑ σ2 i = 52 𝑛 = 25 𝑛
𝑖=1
𝑊𝑡 − µWt
ϕ (Zo = ) = 0,90
𝜎𝑊𝑡
Interpolando:
0,90 − 0,8997
z0 = 1,28 + ( ) ∗ (1,29 − 1,28) = 1,2817
0,9015 − 0,8997
𝑊𝑡 − µWt
Zo =
𝜎𝑊𝑡
1000𝑔 1𝑙𝑏
𝑊𝑡 = 1000𝐾𝑔 ∗ ∗ = 2199,73603 𝑙𝑏
1 𝐾𝑔 454,6𝑔
2199,73603 − 50 n
1,2817 =
25 𝑛
n= 26,8121 cajones n = 26 cajas
𝜇 =? ; 𝜎 = 50 𝑔
Ejemplo Ciertas varillas se fabrican con una longitud nominal de 100 mm pero de
echo sus longitudes forman una distribución normal con media de 100,4 mm y una
desviación estándar de 0,80 mm. La fabricación de cada varilla cuesta 12 $us y su
uso es inmediato si su longitud esta entre 99 y 101 mm. Las varillas más cortas no
pueden emplearse, pero tienen un valor de desecho de 2 $us, las que sobrepasen
a 101 mm pueden cortarse a una longitud aceptable con un costo adicional de
4$us. Determine el costo promedio de una varilla útil.
SOLUCION:
𝜇 = 100,4 𝑚𝑚 ; 𝜎 = 0,80 𝑚𝑚
P(99 < L < 101) = P(l < 101) − P(L < 99)
0,7333(12) + 0,2266(16)
utiles = = 12,9443 $us
0,7333 + 0,2266
SOLUCION:
40% ventas
𝑦 = 𝑥1 + 𝑥2 + 𝑥3 +, … … … , +𝑥𝑖
p = 0,4 (Éxito) 𝜇 = 𝑛𝑝
Si no se repite
𝜇 = 0,4
∑ 𝑥𝑖 − ∑ 𝜇𝑖 165 − 165(0,4)
𝑦= =
∑ 𝜎𝑖 165(0,49)
165 − 165(0,4)
P(y > 165) = 1 − ɸ (z = )
165(0,49)
1
Se debe ajustar con el factor de corrección de 2.
1
𝑥0 + 2 − 𝑛𝑝
P(x ≤ x0 ) = 𝜙 (z = )
√𝑛𝑝𝑞
1
𝑥0 + 2 − 𝑛𝑝
𝑃(x ≥ x0 ) = 1 − 𝜙 (z = )
√𝑛𝑝𝑞
1
𝑥0 − 2 − 𝑛𝑝
𝑃(x < x0 ) = 𝜙 (z = )
√𝑛𝑝𝑞
1 1
𝑃(a ≤ x ≤ b) = 𝜙 (a − 2 ≤ x ≤ b + 2)
1 1
𝑏 + 2 − 𝑛𝑝 𝑎 − 2 − 𝑛𝑝
𝑃(a ≤ x ≤ b) = 𝜙 (z = ) − 𝜙 (z = )
√𝑛𝑝𝑞 √𝑛𝑝𝑞
𝜇 = 𝑛𝑝 𝜎 2 = 𝑛𝑝𝑞
𝑥0 − 𝑛𝑝
z=
√𝑛𝑝𝑞
Con la corrección:
1
1 𝑥0 + 2 − 𝑛𝑝
P (X ≤ 𝑋0 + ) = 𝜙 (z = )
2 √𝑛𝑝𝑞
𝑒 −𝜆𝑡 (𝜆𝑡) 𝑋
𝑝(𝑥) =
𝑋!
𝜇 = 𝜆𝑡 𝜎 2 = 𝜆𝑡
𝑥0 − 𝜆𝑡
z=
√𝜆𝑡
𝑀 𝑀 𝑀 𝑁−𝑛
𝜇 = 𝑛 (𝑁 ) 𝜎 2 = 𝑛 ( 𝑁 ) (1 − 𝑁 ) ( 𝑁−1)
𝑀
𝑥0 ± 0,5 − 𝑛 ( 𝑁 )
𝑧=
√𝑛 (𝑀) (1 − 𝑀) (𝑁 − 𝑛)
𝑁 𝑁 𝑁−1
SOLUCION:
q=0,90
n=100
Con la aproximación
1
20 + 2 − 10
𝑃(𝑥 ≥ 20) = 1 − 𝜙 (z = )
3
1 1
b) 𝑃(5 ≤ 𝑥 ≤ 15) = 𝑃 (5 − 2 ≤ 𝑥 ≤ 15 + 2)
1 1
15 + 2 − 10 5 − 2 − 10
𝑃(5 ≤ 𝑥 ≤ 15) = 𝜙 (z = ) − 𝜙 (z = )
3 3
Ejemplo Se tiene un telar que teje 1000 𝑚2 /𝑑𝑖𝑎, la probabilidad de que no exista
falla en 250 𝑚2 de tela es de 𝑒 −1 . Cuál es la probabilidad aproximada que ocurra
100 o más pero no más de 140 𝑚2 fallas en la producción de un mes de trabajo
de un telar, considere que se trabajan 30 días.
SOLUCION:
𝑚2
1000 ∗ 30 𝑑𝑖𝑎𝑠 = 𝑒𝑛 30 𝑑𝑖𝑎𝑠 30 000 𝑚2
1 𝑑𝑖𝑎
Variable de Poisson
1 𝑓𝑎𝑙𝑙𝑎
−𝜆(250) = −1 𝜆 = 250 𝑚2
1
𝜇 = 𝜆𝑛 = ∗ (30000) = 120; 𝜎 = 𝜆𝑡 = 10,95
250
Con la aproximación:
1 1
140 + 2 − 120 100 − 2 − 120
𝑃(100 ≤ 𝑥 ≤ 140) = 𝜙 (z = ) − 𝜙 (z = )
10,95 10,95
DISTRIBUCIONES MUESTRALES
En la práctica generalmente se toma una muestra de tamaño n tamaño de la
muestra de la población, este puede ser con o sin reemplazamiento, además la
población puede ser finita o infinita.
∑𝑛𝑖=1 𝑋𝑖
𝑥̅ =
𝑛
2
∑(𝑋𝑖 − 𝑥̅ )2
𝑆 (𝑥) =
𝑛−1
n=30 (nuestra)
Realidad hipergeometrica
𝑀 500
𝜇 = 𝑛 ( ) = 30 ( ) = 25 𝑓𝑜𝑐𝑜𝑠
𝑁 600
𝜎 = 1,9912
1
30 + 2 − 25
𝑃(𝑥 = 30) = 𝜙 (z = )
1,9912
SOLUCION:
Capítulo 7
𝑥 = 1º 𝐶𝑎𝑟𝑎𝑐𝑡𝑒𝑟í𝑠𝑡𝑖𝑐𝑎
𝑦 = 2º 𝐶𝑎𝑟𝑎𝑐𝑡𝑒𝑟í𝑠𝑡𝑖𝑐𝑎
Y 𝒀𝟏 − 𝒀𝟐 𝒀𝟐 − 𝒀𝟑 𝒀𝟑 − 𝒀𝟒
…………. TOTALES
X 𝒀𝟏 𝒀𝟐 𝒀𝟒
𝒙𝟏 − 𝒙𝟐 𝑥1 ´ 𝑓11 𝑓12 𝑓13 …………. 𝑓1𝑥
𝒙𝟐 − 𝒙𝟑 𝑥2 ´ 𝑓21 𝑓22 𝑓23 …………. 𝑓2𝑥
𝒙𝟑 − 𝒙𝟒 𝑥3 ´ 𝑓31 𝑓32 𝑓33 …………. 𝑓3𝑥
…………
…………
…………
…………
…………
…………
…………
TOTAL 𝑓1𝑦 𝑓2𝑦 𝑓3𝑦
Las características (x,y) titntn un valor fijo dentro de una región en 𝑅 2 . Se verifica:
En V.A.B. Discreta:
𝑃(𝑥, 𝑦)
𝑃(𝑥, 𝑦)
∬𝑅 𝑝(𝑥, 𝑦)𝑑𝐴 = 1
𝑥 ℝ (𝑥, 𝑦) 𝑦
𝜎𝑥 2 = 𝐸(𝑥 2 ) − 𝑢𝑥 2 y 𝜎𝑦 2 = 𝐸(𝑦 2 ) − 𝑢𝑦 2
𝐸(𝑥, 𝑦) = ∑ ∑ 𝑥𝑦 𝑝(𝑥, 𝑦)
𝑅𝑥 𝑅𝑦
COVARIANZA
La covarianza es aquel estadígrafo que mide la varianza mutua entre las dos
variables aleatorias.
Se define:
𝐶𝑜𝑣(𝑥, 𝑦) = 𝐸(𝑥 − 𝑢𝑥)𝐸(𝑦 − 𝑢𝑦)
𝐶𝑜𝑣(𝑥, 𝑦) = 𝐸(𝑥,𝑦) − 𝑢𝑥 𝑢𝑦
𝐶𝑜𝑣(𝑥, 𝑦) = ∑ ∑ 𝑥𝑦𝑝(𝑥, 𝑦) − 𝑢𝑥 𝑢𝑦
𝑅𝑦 𝑅𝑥
COEFICIENTE DE CORRELACION
𝑦
x
𝐶𝑜𝑣(𝑥,𝑦)
𝜌(𝑥,𝑦) =
𝜎𝑥 ∗ 𝜎𝑦
−1 ≤ 𝜌(𝑥, 𝑦) ≤ 1
EJEMPLO:
Determinar:
a)
0 1 2 3 TOTAL
1 1/8 1/16 3/16 1/8 8/16
2 1/16 1/16 1/8 1/4 8/16
TOTAL 3/16 2/16 5/16 6/16
X 0 1 2 3
P(x) 3/16 1/8 5/16 3/8
1 5 9
𝑢𝑥 = ∑ 𝑥𝑝(𝑥) = 0 + + +
8 8 8
15
𝑢𝑥 =
8
1 5 27 15
𝜎𝑥 2 = ∑ 𝑥 2 𝑝(𝑥) = 0 + + + − ( )2
8 4 8 8
y 1 2
p(x) 1/2 1/2
1 2∗1 3
𝑢𝑦 = + =
2 2 2
2
1 3 2 1
𝜎𝑦 = +2−( ) =
2 2 4
b)
𝐶𝑜𝑣(𝑥, 𝑦) = 𝐸(𝑥,𝑦) − 𝑢𝑥 𝑢𝑦
𝐶𝑜𝑣(𝑥, 𝑦) = ∑ ∑ 𝑥𝑦𝑝(𝑥, 𝑦) − 𝑢𝑥 𝑢𝑦
𝑅𝑦 𝑅𝑥
1 2 6 8 6 24 15 3
𝐶𝑜𝑣(𝑥, 𝑦) = 0 + 0 + + + + + + − −
16 16 16 16 16 16 8 2
1
𝐶𝑜𝑣(𝑥, 𝑦) =
8
c)
6 4
𝐸(𝑦 ∩ 𝑥 = 2) 16 + 8
𝐸(𝑦. 𝑥 = 2) = = =1
𝐸(𝑥 = 2) 6 4
+
16 8
EJEMPLO:
Suponga que x es el tiempo en minutos que una persona para con un agente
eligiendo una poliza de seguro e y el tiempo en minutos que la gente emplea en
hacer el papeleo . La función de densidad conjunta es :
𝑥 𝑦
𝑝(𝑥, 𝑦) = 𝑘𝑒 −30 𝑒 −10
∞ 𝑥
−
𝑦 𝑒 −30 ∞
𝑘∫ 𝑒 10 ∗ { 𝑑𝑦 = 1
1 0
0 − 30
∞
𝑦
−30𝑘(0 − 1) ∫ 𝑒 −10 𝑑𝑦 = 1
0
𝑦
𝑒 −10 ∞
−30𝑘(−1) ∗ { =1
1 0
− 10
1
𝑘=
300
1 −𝑥
𝑝(𝑥, 𝑦) = 𝑒 30 𝑥, 𝑦 ≥ 0
300
𝑥 + 𝑦 ≥ 30 → 𝑃(𝑥 + 𝑦 ≥ 30) = 1 − 𝑃(𝑥 + 𝑦 < 30)
30
30
30 30−𝑥
1 −𝑥 −𝑦
𝑝(𝑥 + 𝑦 ≤ 30) ∫ ∫ 𝑒 30 𝑒 10 𝑑𝑦𝑑𝑥
300
0 0
30 𝑦
𝑥 𝑒 −10 30 − 𝑥
𝑝(𝑥 + 𝑦 ≤ 30) = ∫ 𝑒 −30 ∗ { 𝑑𝑥
1 0
0 − 10
30 30−𝑥 30
𝑥 𝑒− 10 𝑥 1
𝑝(𝑥 + 𝑦 ≤ 30) = ∫ 𝑒 −30 ∗ 𝑑𝑥 − ∫ 𝑒 −30 ∗ 𝑑𝑥
1 1
0 − 10 0 − 30
30 30−𝑥 𝑥
𝑒− −
10 30 𝑥 1 30
𝑝(𝑥 + 𝑦 ≤ 30) = ∫ 𝑑𝑥 − (𝑒 −30 ∗ )
1 1 0
0 − 10 − 10
30 −90+2𝑥
𝑒 30 10
𝑝(𝑥 + 𝑦 ≤ 30) = ∫ 𝑑𝑥 + − 10
1 𝑒
0 − 10
1 𝑥
𝑒 15
𝑝(𝑥 + 𝑦 ≤ 30) = 𝑒 3 (30 + 10 − 10
1 0 𝑒
−
15
1 1
𝑒2 3 3 10
𝑝(𝑥 + 𝑦 ≤ 30) = 𝑒 − 𝑒 + − 10
1 1 𝑒
− −
15 15
1 1
𝑒 𝑒 3 10 15 15 10 5 15
𝑝(𝑥 + 𝑦 ≤ 30) = − + + − 10 = − + 3+ − 10 = − + 3
1 1 𝑒 𝑒 𝑒 𝑒 𝑒 𝑒
15 15