Indice

Estadstica Descriptiva

1. Introducci
on
1.1. Estadstica Descriptiva e Inferencial . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Conceptos Basicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. Etapas de una Investigacion Estadstica . . . . . . . . . . . . . . . . . . . . . . . . .

4
4
4
5

2. Muestreo
2.1. Conceptos basicos . . . . .
2.2. El Muestreo . . . . . . . .
2.3. Muestreo Aleatorio Simple
2.4. Muestreo Estratificado . .

.
.
.
.

6
6
6
6
7

variables
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

8
8
8
8

3. Clasificaci
on de
3.1. Nominales .
3.2. Ordinales .
3.3. Intervalares

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

4. Organizaci
on de la Informaci
on

5. Medidas de Tendencia Central y Dispersi

on
5.1. Medidas de Tendencia Central . . . . . . . . . .
5.2. Medidas de Tendencia Central y Dispersion para
5.2.1. Datos no agrupados . . . . . . . . . . . .
5.2.2. Datos agrupados . . . . . . . . . . . . .
6. Estadsitica Bivariada
6.1. Frecuencia Absoluta y Frecuencia Relativa . .
6.2. Tablas de Contingencia . . . . . . . . . . . . .
6.3. Distribuciones Marginales . . . . . . . . . . .
6.4. Distribuciones Condicionales . . . . . . . . . .
6.5. Independencia . . . . . . . . . . . . . . . . . .
6.6. Asociacion, Dependencia o Correlacion . . . .
6.6.1. Indicadores de Asociacion: Covarianza
6.6.2. Indicadores de Asociacion: Correlacion
6.7. Ajuste de Curvas . . . . . . . . . . . . . . . .
6.7.1. Regresion Lineal Simple . . . . . . . .
6.7.2. Ajuste Exponencial . . . . . . . . . . .
6.7.3. Ajuste Polinomial . . . . . . . . . . . .
6.7.4. Otros Ajustes . . . . . . . . . . . . . .

II

Probabilidades

.
.
.
.
.
.
.
.
.
.
.
.
.

. . . . . . . . . . .
el Nivel Intervalar
. . . . . . . . . . .
. . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

12
12
12
12
13

.
.
.
.
.
.
.
.
.
.
.
.
.

15
15
15
15
16
17
17
17
18
19
19
20
20
21

22
1

7. Introducci
on
8. Modelo de Probabilidad
8.1. Espacio Muestral . . . . . . . .
8.2. Eventos . . . . . . . . . . . . .
8.3. Medida de Probabilidad . . . .
8.4. Espacios Probabilsticos Finitos

22

.
.
.
.

26
26
26
28
29

9. Probabilidad Condicionada e Independencia

9.1. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.2. Probabilidad Total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.3. Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

31
31
33
33

10.Variables Aleatorias
10.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . .
10.2. Variables Aleatorias Discretas . . . . . . . . . . . . . .
10.3. Variables Aleatorias Continuas . . . . . . . . . . . . . .
10.4. Localizacion y dispersion de una variable aleatoria . . .
10.5. Casos especiales de distribuciones probabilidad . . . . .
10.5.1. Distribucion Bernoulli . . . . . . . . . . . . . .
10.5.2. Distribucion Binomial . . . . . . . . . . . . . .
10.5.3. Distribucion Geometrica . . . . . . . . . . . . .
10.5.4. Distribucion Poisson . . . . . . . . . . . . . . .
10.5.5. Distribucion Binomial Negativa . . . . . . . . .
10.5.6. Distribucion Multinomial . . . . . . . . . . . . .
10.5.7. Distribucion Uniforme . . . . . . . . . . . . . .
10.5.8. Distribucion Exponencial . . . . . . . . . . . . .
10.5.9. Distribucion Normal . . . . . . . . . . . . . . .
10.6. Funciones de Variables Aleatorias . . . . . . . . . . . .
10.6.1. Momentos y funciones generadoras de momentos
10.6.2. Transformacion de variables . . . . . . . . . . .

35
35
37
38
39
41
41
41
41
42
42
42
43
43
44
54
54
55

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

11.Nociones de Convergencia

60

12.Vectores Aleatorios
12.1. Distribucion Conjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12.2. Distribucion Marginal y Condicional . . . . . . . . . . . . . . . . . . . . . . . . . .
12.3. Esperanza y Varianza Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . .

62
62
64
67

III

70

Inferencia Estadistica

13.Estimaci
on Puntual
13.1. Metodo de Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13.2. Metodo de Maxima Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . .

70
70
71

14.Insesgamiento y eficiencia

72

15.Estimaci
on Intervalar

74

Parte I

Estadstica Descriptiva
1.

Introducci
on

Por estadstica entendemos los metodos cientficos por medio de los cuales podemos recolectar,
organizar, resumir, presentar y analizar los datos numericos relativos a un conjunto de individuos u
observaciones y que nos permiten extraer conclusiones validas y efectuar decisiones logicas basadas
en dichos analisis. Utilizamos la estadstica para aquellos casos en los que tenemos una gran cantidad de observaciones y cuya aparicion se rigen solo por las leyes del azar o aleatorias.

1.1.

Estadstica Descriptiva e Inferencial

La estadstica puede subdividirse en dos amplias ramas: la estadstica inductiva o inferencial y

la estadstica deductiva o descriptiva.
Estadstica Inductiva o Inferencial
Entendemos por estadstica inductiva si a partir de una m.a., suficientemente representativa del
universo, podemos inferir (inducir) conclusiones estadsticamente validas para todo el universo. Esto obliga a plantear simultaneamente las condiciones bajo las cuales dichas conclusiones son validas.
Estadstica Descriptiva o Deductiva
Entendemos por estadstica descriptiva si al analizar una m.a., solo se pueden obtener conclusiones validas para la muestra, sin que se puedan o se requieran generalizar sus resultados para todo
el universo.

1.2.

Conceptos B
asicos

Universo: Es el conjunto de todos los datos u observaciones de un suceso. El universo se designa usualmente con la letra U. El universo puede ser finito, infinito contable e infinito no contable
(dependiendo del tipo de universo es el tipo de analisis del problema).
Poblaci
on: Elementos del universo que tienen una caracterstica com
un y es la que tratamos
de estudiar.
Muestra Aleatoria (m.a.): Es un subconjunto de la poblacion, donde sus elementos son
escogidos al azar (no existe relacion en la eleccion de los elementos).

1.3.

Etapas de una Investigaci

on Estadstica

A
un cuando los tipos de problemas a los cuales puede aplicarse la estadstica matematica son
bastante heterogeneos, en muchos casos los pasos de una investigacion estadstica son similares.
a) Formulaci
on del problema. Para investigar con exito un problema dado, primero tenemos
que crear conceptos precisos, formular preguntas claras e imponer limitaciones adecuadas al
problema, tomando en cuenta el tiempo y dinero disponible y la habilidad de los investigadores.
Algunos conceptos tales como: Artculo defectuoso, servicio satisfactorio a la clientela, observaciones demograficas, grados de pureza de un mineral, tipo de trafico, etc., pueden variar de
caso en caso, y en cada situacion especfica, necesitamos coincidir en definiciones apropiadas
para los terminos que se incluyen.
b) Dise
no del experimento. Es deseable obtener un maximo de informacion empleando un
mnimo de costo y tiempo. Esto implica determinar el tama
no de la muestra o la cantidad y
tipo de datos.
c) Experimentaci
on o colecci
on de datos. En toda investigacion esta etapa es la que consume

mas tiempo. Esta debe aplicarse con reglas estrictas y con pautas preestablecidas.
d) Tabulaci
on y descripci
on de los resultados. Los datos experimentales se ilustran en
diagramas, graficos, pictogramas, etc. Obteniendose ademas, medidas descriptivas que representen el proceso efectuado.
e) Inferencia estadstica y formulaci
on de la respuesta. Al aplicar el metodo estadstico
seleccionado en la etapa b), podemos inferir conclusiones obtenidas de la muestra acerca de
la poblacion respectiva.

2.
2.1.

Muestreo
Conceptos b
asicos

Marco Muestral: El Marco Muestral es el conjunto de unidades del cual se seleccionara una
muestra.
Unidades de Muestreo: Las unidades del Marco Muestral se llaman Unidades de Muestreo.
Es importante notar que toda unidad de la poblacion debe estar asociada a una y solo una unidad del
Marco Muestral. Esto nos permitira dise
nar mecanismos de seleccion de la muestra de tal forma que
toda unidad de la poblacion se encontrara en, al menos, una de las posibles muestras seleccionadas
y en el caso del Muesteo Probabilstico nos permitira inducir una probabilidad de seleccion a cada
elemento de la poblacion.

2.2.

El Muestreo

El Muestreo es la disciplina que trata con el conjunto de metodos, tecnicas y procedimientos

para tomar u obtener una particular muestra a efectos de realizar inferencias inductivas a partir de
la misma. Existen dos grandes categoras de muestreo: el Muestreo Probabilstico y el Muestreo No
Probabilstico.
En el Muestreo No Probabilstico, pueden existir unidades de la poblacion que no pueden ser
seleccionadas en ninguna de las muestras posibles, o bien, aunque exista una probabilidad de seleccion positiva para cada una de estas unidades de la Poblacion, esta probabilidad es desconocida.
Un ejemplo de este tipo de Muestreo No Probabilstico es el Muestreo por Cuotas, muy utilizado
en los estudios de mercadeo y en algunas encuestas de opinion.
Con el Muestreo No Probabilstico, en general, las observaciones para una muestra particular
se obtienen mas rapidamente y a menor costo que en el Muestreo Probabilstico. Por otra parte,
los errores ajenos al muestreo (errores en las operaciones de recoleccion y procesamiento de
la informacion), son mas faciles de controlar cuando se utiliza Muestreo Probabilstico. En todo
caso, solo con el Muestreo Probabilstico es posible obtener indicadores de confiabilidad del error
inferencial de cada estimacion obtenida a traves de la muestra.

2.3.

Muestreo Aleatorio Simple

Es un dise
no muestral bastante utilizado cuando se cuenta con una lista o directorio para usar
como Marco Muestral. Se distinguen dos casos de m.a.s.: Muestreo sin Reemplazo y Muestreo con
Reemplazo. De las N unidades de la poblacion se selecciona al azar (igual probabilidad para cada

unidad) una unidad. Esta

se separa (sin reposicion) y de las N-1 restantes unidades de la poblacion
se selecciona, tambien al azar, una segunda unidad. De las N-2 unidades restantes se vuelve a
seleccionar al azar una tercera unidad y as sucesivamente hasta completar las n unidades de la
muestra.

2.4.

Muestreo Estratificado

El Muestreo Estratificado se presenta cuando la Poblacion se encuentra particionada en L grupos y en todos y cada uno de estos grupos se aplica en forma independiente un dise
no muestral, no
necesariamente igual en todos ellos. En tal caso, los grupos de la particion se llaman Estratos y la
particion de dice que es una Estratificacion.
La Estratificacion puede tener su origen en los propios objetivos del Estudio o en la intencion de
contar con Estratos homogeneos que pueden hacer mas eficiente el Dise
no Muestral.
Ejemplos de Estratificaciones en funcion de los objetivos del estudio son, por ejemplo, las divisiones poltico administrativas (los Estratos pueden ser Regiones, Provincias, Departamentos o
Distritos, etc.) en una Encuesta Nacional, Ramas de Actividad Economica en una Encuesta Industrial; P
ublico y Privado en una Encuesta sobre Educacion, etc.
Ejemplos de Estratos creados para obtener una mayor homogeneidad en cada uno de ellos son:
Empresas Grandes, Medianas, Peque
nas y Micro, en una Encuesta Industrial: Manzanas con hogares de ingresos mayoritariamente altos, medios y bajos, etc.

3.

Clasificaci
on de variables

Hay que hacer notar que toda variable puede clasificarse en uno de los niveles de medicion, los
que se daran en orden creciente en cuanto a la riqueza de los datos.

3.1.

Nominales

La variable induce en la poblacion una subdivision y los datos s e pueden clasificar en clases,
donde cada clase esta completamente definida y diferenciada de las demas.
La recopilacion se reduce a contar el n
umero de individuos de la muestra que pertenecen a cada
clase.

3.2.

Ordinales

En este nivel la variable de clasificacion tiene un orden implcito (admite grados de calidad u
ordenamiento) entre grupos o clases, esto significa que existe una relacion de orden entre las clases.
No es posible cuantificar la diferencia entre los individuos pertenecientes a una misma clase.

3.3.

Intervalares

La informacion obtenida en este caso es de tipo cuantitativo o numerico y es posible agruparla

en intervalos. En este nivel se considera no solo la informacion perteneciente al orden, sino ademas,
el tama
no relativo de los intervalos a que pertenece cada uno de los individuos. En este nivel es
posible cuantificar la diferencia de dos individuos pertenecientes al mismo intervalo y tambien a
intervalos distintos. En esta escala esta involucrado el concepto de unidad de distancia y la distancia
entre dos medidas puede ser expresada en funcion de esta unidad.

4.

Organizaci
on de la Informaci
on

Una coleccion de datos tomados de un suceso (sometido a estudio) nada nos dice si no lo ordenamos convenientemente para extraer as la informacion que se desea.
Los conceptos mas usuales se detallan a continuacion:
a.- El n
umero de clases o intervalos
Es una subdivision del rango en varios grupos o intervalos (se designa por la letra k),
N
umero de clases = 1 + 3.3log(n)
donde n es el n
umero total de datos. Como el n
umero de clases debe ser un n
umero entero,
este se aproxima al entero superior, identificandolo con la letra k.
b.- Intervalo o Clase
Una subdivision del rango en componentes (de acuerdo a la magnitud, atributos, etc.) se
llaman clases, categoras, intervalos o celdas. Se designan por la letra C con un subndice que
indica la clase a que pertenecen, por ejemplo C1 , C2 , . . . , Ck .
c.- Frecuencia Absoluta
El n
umero de datos que pertenecen a una clase se llama frecuencia absoluta de la clase. Se
designa por la letra n con un subndice (que indica la clase a que pertenece) por ejemplo:
n 1 , n2 , . . . , n k .
Nota:
La suma de todas las frecuencias absolutas debe ser igual al n
umero total de datos n.
d.- Frecuencia Relativa
A la proporcion de datos que pertenecen a una clase con respecto al total se llama frecuencia
relativa. Se designa por la letra f con un subndice (que indica la clase a que pertenece). Por
ejemplo: f1 , f2 , . . . , fk .
Notas:
i. La suma de todas las frecuencias relativas debe ser igual a 1.
ii. Frecuencia relativa = frecuencia absoluta/n
umero total de datos =

ni
n

e.- Frecuencia Absoluta Acumulada

El n
umero de datos que estan desde la primera clase hasta la clase i-esima, se llama frecuencia
absoluta acumulada de la clase i-esima. Se designa por la letra N con un subndice (que indica
la clase a que pertenece) por ejemplo: N1 , N2 , . . . , Nk .
Nota:

N1 = n 1
N2 = n 1 + n 2 = N1 + n 2
..
.
Ni = n1 + n2 + . . . + ni = Ni1 + ni

i = 1, 2, . . . , k.

y debe verificarse que Nk = n (n

umero total de datos)
f.- Frecuencia Relativa Acumulada
El n
umero de datos que estan desde la primera clase hasta la clase i-esima con respecto al
total de datos, se llama frecuencia relativa acumulada de la clase i-esima. Se designa por la
letra F con un subndice (que indica la clase a que pertenece) por ejemplo: F1 , F2 , . . . , Fk .
Nota:
F1 = f1 = Nn1
F2 = f1 + f2 = F1 + f2 =
..
.

N2
n

Fi = f1 + f2 + . . . + fi = Fi1 + fi =

Ni
n

i = 1, 2, . . . , k.

y debe verificarse que Fk = 1 (n

umero total de datos).
g.- Marca de la Clase
La marca de clase es el punto medio de la clase o intervalo. Se designa por las letras M Ci (el
subndice indica la clase a la que le corresponde).

Ejemplo 4.1 Las notas obtenidas en un certamen, en escala 1 a 7 fueron:

3, 5, 6, 3, 4, 4, 7, 2, 1, 2, 3, 3, 4, 4, 6, 2, 7, 5, 3, 4, 4, 1, 2, 2, 3, 5, 4, 6, 5, 5.
Lo que se puede tabular como:
Clase
C1
C2
C3
C4
C5
C6
C7

Nota
1
2
3
4
5
6
7
Suma

ni
2
5
6
7
5
3
2
30

fi
Ni
0.067 2
0.167 7
0.200 13
0.233 20
0.167 25
0.100 28
0.067 30
1

Fi
0.067
0.233
0.233
0.667
0.833
0.933
1

h.- Ancho del Intervalo

El ancho de la clase es la diferencia entre el lmite superior e inferior de la clase. Se designa
10

por la letra . En general, el ancho de cada clase puede o no ser del mismo tama
no. En el caso
de que todos sean iguales el valor de se define como:
I=

R+1
k

donde R = Dato mayor en la muestra - dato menor de la muestra

El valor de I se aproxima al entero superior (cuando los datos son enteros).
Ejemplo 4.2 En una empresa se considera la siguiente muestra correspondiente a la resistencia
de 50 lotes de algodon medidas en libras necesarias hasta romper una madeja.
74
105
79
101
110

87
99
110 99
105 96
96
97
94 101

88
94
93
103
97

90
104
93
108
106

101 91
97
90
90
91
90 102
86
88

83
97
88
89
102 94
91
76
97 107

94
90
106
109
107

1. Encuentre el n
umero de clases y el rango de la muestra
2. Determine la amplitud de la clase
3. Construya un cuadro resumen indicando intervalos, marca de clase, frecuencias absoluta, relativa, absoluta acumulada y relativa acumulada.
4. Grafique las frecuencias absolutas. Comente.

11

5.

Medidas de Tendencia Central y Dispersi

on

5.1.

Medidas de Tendencia Central

La idea es resumir los datos en un solo valor; un valor que represente a todo un conjunto
de datos, este tiene que ser un n
umero o una clase hacia el cual tienen tendencia a concentrarse
mayoritariamente el conjunto de datos, usualmente este se ubica en las clases mas o menos centrales,
o sea, que es un valor central o de posicion central a cuyo alrededor se distribuyen todos los datos
del conjunto, de all el nombre de Medidas de Tendencia Central (M.T.C.). Las mas comunes son
la mediana, moda, media o promedio, media geometrica, etc.
Estas y otras medidas nos sirven para resumir la informacion presentada en cuadros y poder
relacionar y comparar entre s, de una manera sencilla, un conjunto de distribuciones de frecuencias.
Una vez determinadas las Medidas de Tendencia Central de una distribucion, nos interesa determinar como se reparten (dispersan, desvan) los datos a uno y otro lado de la medida central. 0
sea, es necesario cuantificar la representatividad de la medida de tendencia para poder caracterizar
la distribucion. Si la dispersion es peque
na indica gran uniformidad y la informacion tiende a concentrarse en torno a la medida central, por el contrario, una gran dispersion indica que los datos
estan alejados de ella.
Las medidas de dispersion mas usuales son: desviacion media, desviacion tpica o estandar,
rango, rango semi-intercuartlico, rango percentil, etc.

5.2.

Medidas de Tendencia Central y Dispersi

on para el Nivel Intervalar

5.2.1.

Datos no agrupados

En este nivel la medida central mas representativa es la media o promedio. Un promedio es un

valor, que es tpico o representativo de un conjunto de datos. Como tales valores tienden a situarse
en el centro del conjunto de los datos ordenados seg
un su magnitud, los promedios se conocen
tambien como medidas de centralizacion.
a. Media
La media aritmetica o media de un conjunto de n n
umeros X1 , X2 , . . . , Xn se denota por X
y se define como
n
1X
X=
Xi
n i=1
b. Moda
La moda cruda de una serie de n
umeros es aquel que se presenta con la mayor frecuencia, es
decir, es el valor mas com
un.
Una distribucion que tiene una sola moda se llama unimodal (caso mas usual). Es posible
encontrar variables bimodales, trimodales, etc.

12

Propiedades de la Moda:
- Puede no existir y cuando existe no es necesariamente u
nica.
- No se ve afectada por valores extremos.
c. Mediana
Es el valor de la variable que ocupa la posicion central , en un conjunto de datos ordenados.
Si el n
umero de observaciones es impar, es la observacion central de los valores, una vez que
estos han sido ordenados en orden creciente o decreciente. Si el n
umero de las observaciones
es par, se calcula como el promedio de las dos observaciones centrales.
Propiedades de la Mediana:
- La mediana en un conjunto de datos es u
nica
- No es sensible a la presencia de datos extremos
- En un conjunto de datos, la mitad de ellos son iguales o menores que la mediana, y la otra
mitad, iguales o mayores que la mediana.
d. Varianza
Es una constante que representa una medida de dispersion media de una variable aleatoria X
, respecto a su valor medio. Puede interpretarse como medida de variabilidad de la variable.
Se define la varianza de una serie de observaciones X1 , . . . , Xn como
n

1X
s =
(Xi X)2
n i=1
2

5.2.2.

Datos agrupados

a. Media
Si los datos estan ordenados en una tabla (datos agrupados) en las que se conocen las respectivas marcas de clase M Ci , y ellas se presentan con frecuencias absolutas ni , la media
aritmetica es:
k
1X
X=
ni M Ci
n i=1
b. Moda
La moda puede obtenerse mediante el n
umero dado por:
M oda = lmo +

1
I
1 + 2

donde:
mo = clase modal (clase con mayor frecuencia absoluta)
lmo = lmite inferior del intervalo de la clase modal
1 = nmo - n
mo
2 = nmo - n+
mo
nmo = es la frecuencia de la calse modal
n+
mo = es la frecuencia de la clase posterior a la clase modal
n
mo = es la frecuencia de la clase anterior a la clase modal
I = ancho del intervalo de la clase modal.
13

c. Mediana
Para datos agrupados, el n
umero mediana viene dada por:
Me = lMe +

n
2

NM
e
I
n Me

donde:
lMe = lmite inferior del intervalode la clase mediana
n = n
umero total de datos
NMe = frecuencia absoluta acumulada hasta la clase anterior a la clase mediana
nMe = es la frecuencia de la clase mediana
I = ancho del intervalo de la clase mediana.
d. Varianza
La desviacion estandar o tpica de datos contenidos para datos agrupados con sus respectivas
frecuencias absolutas ni , y las marcas de clase M Ci , se representa por:
Pk
ni (M Ci X)2
2
s = i=1
n

14

6.

Estadsitica Bivariada

Ahora, supongamos que queremos estudiar el comportamiento de la variable de clasificacion

bidimensional (X, Y ), asociada a dos variables de clasificacion unidimensionales X e Y , respectivamente, en una muestra de tama
no n de la poblacion. Entonces dividimos la muestra en r clases Ai ,
seg
un la variable X, y en s clases Bj , seg
un Y .
Llamamos nij al n
umero de elementos de la muestra que pertenecen simultaneamente a la clase
Ai y la clase Bj . Podemos luego considerar una clase o modalidad Ai Bj formada por elementos de
la muestra que pertenecen simultaneamente a Ai y a Bj . Se observa que hay r s modalidades Ai Bj .

6.1.

Frecuencia Absoluta y Frecuencia Relativa

Definiciones de interes:
nij : frecuencia absoluta del n
umero de elementos pertenecientes a Ai Bj
fij : frecuencia relativa del n
umero de elementos en Ai Bj con respecto al total n, donde
fij =

6.2.

nij
,
n

i = 1, . . . , r;

j = 1, . . . , s

Tablas de Contingencia

Cuadro de doble entrada donde se puede resumir la informacion acerca de las frecuencias, ya
sean absolutas o relativas, como se muestra a continuacion:

A1
A2
..
.
Ar

6.3.

Y
B1
n11
n21
..
.

B2
n12
n22
..
.

...
...
...
..
.

Bs
n1s
n2s
..
.

n1+
n2+
..
.

nr1
n+1

nr2
n+2

. . . nrs
. . . n+s

nr+
n

Distribuciones Marginales

ni+ : es el n
umero de elementos de la muestra que pertenecen a la clase Ai , sin importar la clase
Bj a la que esten asociados (suma de los valores de la fila i-esima de la tabla de contingencia de
frecuencias)
s
X
ni+ =
nij
i = 1, . . . , r
j=1

n+j : es el n
umero de elementos de la muestra que pertenecen a la clase Bj seg
un Y, sin importar
la clase Ai a la que esten asociados (suma de los valores de la columna j-esima de la tabla de
contin-gencia de frecuencias)
r
X
n+j =
nij
j = 1, . . . , s
i=1

15

fi+ : frecuencia relativa de las clases Ai sin importar las clases Bj .

fi+ =

ni+
n

i = 1, . . . , r

fj : frecuencia relativa de las clases Bj sin importar las clases Ai .

f+j =

6.4.

n+j
n

j = 1, . . . , s

Distribuciones Condicionales

La distribucion condicional consiste en estudiar las frecuencias asociadas a las clases de una
variable cuando nos restringimos a los elementos de una clase dada seg
un la otra variable, esto es,
estudiar el comportamiento de una variable dado un valor fijo de la otra. Para calcular la proporcion
de individuos muestrales que seg
un Y caen en B, conociendo que seg
un X ya pertenecan a A, se
debe evaluar:
nB/A
fB/A =
n
donde fB/A es la frecuencia relativa condicional del subconjunto B de Y dado que X pertenece
al subconjunto A.
La distribucion de X condicionada a Y se define como
fi/j =

fi/j
nij
=
f+j
n+j

i = 1, . . . , r

y
r
X

fi/j = 1

i=1

La distribucion de Y condicionada a X se define como

fj/i =

fj/i
nij
=
fi+
ni+

j = 1, . . . , s

y
s
X

fj/i = 1

j=1

Ejemplo 6.1 Sea X la edad e Y la categora correspondiente al puesto de trabajo. Dada la siguiente
tabla de contingencia, calcular la distribuci
on condicional de Y, dado que X es 25-30 y 35-45.
X\Y
15-20
20-25
25-30
30-35
35-40
n+j

I
20
15
10
5
5
55

II III
20 5
12 8
15 10
20 25
10 30
77 78
16

ni+
45
35
35
50
45
210

6.5.

Independencia

Dada una informacion en una Tabla de Contingencia, se dice que las variables X e Y son
independientes, s y solo s, la frecuencia relativa conjunta es igual al producto de las frecuencias
relativas marginales.
fij = fi+ f+j
i = 1, . . . , r j = 1, . . . , s
Si las variables X e Y no son independientes entre s, se dice que existe una asociacion entre
ellas. De modo que el conocimiento de una de las variables presente alguna informacion respecto de
la otra. Nuestro objetivo es medir de alguna forma esta relacion existente y poder ademas describir
de que forma (lineal, exponencial, potencial, etc.) estan relacionadas.

6.6.

Asociaci
on, Dependencia o Correlaci
on

En estadstica Descriptiva se dice que dos variables cuantitativas estan asociadas, son dependientes, o estan correlacionadas si cuando se aumentan los valores de una variable, los valores
de la otra tienden a:
i) o bien a aumentar (y se dice que la asociacion dependencia es directa o que la correlacion es
positiva)
ii) o bien a disminuir (y se dice que la asociacion o dependencia es inversa o que la correlacion
es negativa)
Cuando no se presenta esta tendencia se dice que las variables no estan asociadas o no son dependientes o no estan correlacionadas.
La asociacion, correlacion o dependencia en Estadstica Descriptiva, no implica relacion causaefecto. En otras palabras, si cuando una variable aumenta la otra tiende a aumentar (o a disminuir)
no es posible afirmar que esta u
ltima aumenta (o disminuye) PORQUE la primera variable aumenta.
6.6.1.

Indicadores de Asociaci
on: Covarianza

La covarianza entre dos variables, X e Y esta dada por:

cov(X, Y ) =

n
X
(xi x)(yi y)
i=1

La covarianza es una medida de asociacion lineal, pero tiene la desventaja que su interpretacion
depende de las unidades de medicion.
Si cov(X,Y)> 0, la asociacion o correlacion es directa o positiva.
Si cov(X,Y)< 0, la asociacion o correlacion es inversa o negativa.
Si cov(X,Y) 0, no hay asociacion o correlacion lineal.

17

6.6.2.

Indicadores de Asociaci
on: Correlaci
on

La correlacion lineal entre dos variables se define como

n
X

(xi x)(yi y)

i=1

corr(X, Y ) = v
u n
n
X
uX
t (xi x)2
(yi y)2
i=1

i=1

Si X,Y = 1, la correlacion es la maxima correlacion positiva o directa.

Si X,Y = 1, la correlacion es la maxima correlacion negativa o inversa.
Si X,Y 0, no existe correlacion o dependencia.
Si bien no existe una regla general para decir si una correlacion es alta media o baja, en este
curso podemos adoptar el siguiente criterio:

18

Una formula alternativa para calcular X,Y es

X,Y =

sXY
sX sY

donde sX y sY son las desviaciones estandar de X e Y , respectivamente, y donde sXY es la covarianza

entre X e Y .
Otra formula alternativa es
X
X
X
xi yi (
xi )(
yi )/n
qX
(X, Y ) = qX
X
X
x2i (
xi )2 /n
yi2 (
yi )2 /n
Ejemplo 6.2 Consideremos los siguientes datos, donde X indica la temperatura media diaria en
grados Farenheit e Y , el consumo diario correspondiente de gas natural en pies c
ubicos.
X,F
Y,f t3

50
2.5

45
5.0

40
6.2

38
7.4

32
8.3

40
4.7

55
1.8

Realice un diagrama de dispersion y calcule el coeficiente de correlaci

on X,Y , si adem
as cuenta
con las siguientes medidas de resumen:
X
X
X
X
X
xi = 300;
yi = 35,9;
x2i = 13,218;
yi2 = 218,67;
xi yi = 1431,8

6.7.

Ajuste de Curvas

En el problema de ajuste a curvas se desea que dado un par de variables (X, Y ) encontrar una
curva que se ajuste de la mejor manera a los datos. La curva esta definida en forma parametrica, y se
deben encontrar los valores de sus parametros para hacer que alguna medida de error se minimice.
6.7.1.

Regresi
on Lineal Simple

Con la regresion lineal simple se pretende ir mas alla de ver la asociacion entre dos variables.
En concreto se quiere:
(i) Investigar la naturaleza de la asociacion.
(ii) Construir un modelo que describa la relacion entre ambas variables.
(iii) Predecir
Supongamos que un diagrama de dispersion de los datos de los puntos (xi , yi ) indica una relacion
lineal entre las variables X eY o, alternativamente, que el coeficiente de correlacion es cercano a 1
o -1. Entonces el siguiente paso es encontrar la recta L que en lag
unsentido ajuste los datos.
En general, el modelo de regresion lineal simple lo podemos plantear como la recta :
yi = a + bxi ,

i = 1, . . . , n.

19

(1)

donde
yi : es la variable respuesta o dependiente para el individuo i;
xi : es la variable esplicativa o independiente para el individuo i, i = 1, . . ., n.
a: representa el intercepto con el eje Y, y se interpreta como el valor que toma y cuando x =0.
b: representa la pendiente de la recta, y se interpreta como la cantidad que aumenta(disminuye) y
cuando x aumenta(disminuye) en una unidad.
La pendiente y el intercepto pueden calcularse de la siguiente manera:
b=

rsy
sx

a = y b
x

Ejemplo 6.3 Considere los datos del ejemplo 6.2 y encuentre la recta que se ajusta a los datos.
Algunas veces el diagrama de puntos no indica una relacion lineal entre las variables X e Y pero
se podra observar alguna otra curva tpica y bien conocida Y = f (X) que puede aproximar los datos;
se le llama curva de aproximacion. Algunas de esas curvas tpicas son las siguientes analizamos la
relacion entres X e Y y determinamos que esta no se ajusta auna recta podemos analizar, entre
otros, los dos siguientes casos:
6.7.2.

Ajuste Exponencial

Si entre log(y) y x observamos una relacion lineal, usaremos la curva exponencial:

yi = aebxi ,

i = 1, . . . , n.

Este ajuste se puede reducir a una regresion lineal de la siguiente forma

log(yi ) = a0 + b0 xi ,

i = 1, . . . , n.

donde
a0 =log(a)
b0 =b
6.7.3.

Ajuste Polinomial

En este caso lo que hacemos es ajustar la relacion entre x e y a traves de un polinomio de grado
p:
yi = 0 + 1 xi + 2 x2i + 3 x3i , . . . , p xpi

i = 1, . . . , n.

Al incluir potencias de X logramos mayor flexibilidad en el modelo.

Si p=1, estamos en el caso de regresion lineal.
Si p=2, la regresion se llama cuadratica.

20

6.7.4.

Otros Ajustes

Hip
erbola
Si entre 1/y y x observamos un relacion lineal usaremos la hiperbola:
y=

1
a + bx

1
= a + bx
y

Curva Geom
etrica
Si entre log(y) y log(x) observamos una relacion lineal usaremos la curva potencial:
y = axb

o log(y) = log(a) + b log(x)

21

Parte II

Probabilidades
7.

Introducci
on

Uno de los problemas que deberemos considerar e intentar evaluar, es el elemento de aleatoriedad
que se asocia a la ocurrencia de ciertos eventos cuando se lleva a cabo un experimento. En muchos
casos debe tenerse la capacidad de resolver un problema de probabilidad mediante el conteo del
n
umero de casos posibles sin realmente anotar cada uno de ellos.
Teorema 7.1 Si una operacion puede realizarse de n1 formas, y si por cada una de estas una
segunda operaci
on puede llevarse a cabo de n2 formas, entonces las dos operaciones pueden realizarse
juntas de n1 n2 formas.

Ejemplo 7.1 Cuantos son los resultados posibles cuando se lanza un par de dados dos veces?
Teorema 7.2 (Principio Multiplicativo) Si una operaci
on puede realizarse de n1 formas, y si
por cada una de estas puede efectuarse una segunda en n2 formas, y para cada una de las dos
primeras se puede efectuar una tercera de n3 formas, y as sucesivamente, entonces la secuencia de
k operaciones pueden realizarse de n1 n2 . . . nk formas.
Ejemplo 7.2 Cuantos men
us que consisten de sopa, postre y bebida existen si se puede seleccionar
entre 4 sopas diferentes, 5 clases de postres y 4 bebidas?
Ejemplo 7.3 Cuantos n
umeros pares de tres dgitos pueden formarse con los dgitos 1, 2, 5, 6 y
9?
Con frecuencia interesa un conjunto que contiene como elmentos todos los posibles ordenes o
arreglos de un grupo de objetos. Por ejemplo, se puede desear conocer cuantos arreglos diferentes
son posibles para sentar a 6 personas alrededor de una mesa, o bien, cuantas formas diferentes
exiten de tomar 5 ramos de un total de 8.
Definici
on 7.1 Una permutaci
on es un arreglo de todos, o parte de, un conjunto de objetos.
22

Considerense las tres letras a, b y c. Las permutaciones posibles son abc, acb, bca, cab, bac y
cba. Se puede ver que hay 6 distintos arreglos. Con el principio multiplicativo se pueded llegar a
que la respuesta es 6 sin escribir todas las posibles combinaciones. Hay n1 = 3 posibilidades para la
primera posicion, despues n2 = 2 para la segunda y unicamente n3 = 1 posibilidades para la u
ltima,
lo que da un total de n1 n2 n3 = 3 2 1 = 6 permutaciones.
En general, se pueden acomodar n objetos distintos en n (n 1) (n 2) . . . (3) (2) (1)
formas. Este producto se representa por el smbolo n!, que se lee n factorial. Por definicion, 1! =
1 y 0! = 1.
Teorema 7.3 El n
umero de permutaciones de n distintos objetos es n!
El n
umero de permutaciones de las cuatro letras a, b, c y d sera de 4! = 24. Considerese ahora
el n
umero posible de ellas al tomar las cuatro letras, pero de dos a la vez. Seran ab, ad, ac, ba, ca,
bc, cb, bd, db, cd, dc. De una nueva cuenta con el Teorema 7.1, se tiene dos posiciones para llenar
con laa n1 = 4 posibilidades para la primera y, por lo tanto, n2 = 3 posibilidades para la segunda,
para un total de n1 n2 = 4 3 = 12 permutaciones. En general, n objetos distintos, si se toman r a
la vez, pueden acomodarse en n (n 1) (n2) (n r + 1) formas.
Teorema 7.4 El n
umero de permutaciones de n objetos distintos tomando r a la vez, es:
n Pr

n!
(n r)!

Ejemplo 7.4 De cuantas maneras se puede programar 3 ayudantas en 3 distintos horarios, si los
alumnos tienen 5 modulos disponibles?
Las permutaciones que se dan al acomodar objetos en un crculo se llaman permutaciones
circulares. Dos de estas no se consideran diferentes a menos que a los objetos correspondientes en
los dos arreglos les preceda o les siga un objeto diferente al avanzar en el sentido de las manecillas
del reloj. Por ejemplo, si 4 personas juegan a las cartas, no se tiene una nueva permutacion si todas
se mueven una posicion en esa direccion. Al considerar a una en un lugar fijo y acomodar a las otras
tre en 3! formas diferentes, se encuentra que hay 6 acomodos dsitintos para el juego de cartas.
Teorema 7.5 El n
umero de permutaciones de n objetos distintos agregados en un crculo es (n-1)!
Hasta ahora se han considerado permutaciones de objetos diferentes. Esto es, todos los objetos
eran distintos o totalmente distinguibles. Si consideramos la palabra OSO, entonces las 6 permutaciones de las letras de esta palabra son O1 SO2 , O1 O2 S, SO1 O2 , O2 SO1 , O2 O1 S, SO2 O1 , por lo que
u
nicamente tres son distintas. Por lo tanto, con tres letras, siendo dos iguales, se tienen 3!/2! = 3
diferentes permutaciones.
Teorema 7.6 El n
umero de permutaciones diferentes de n objetos de los cuales n1 son de un tipo,
n2 son de un tipo, . . ., nk de un k- esimo tipo, es:
n!
n1 !n2 ! nk !
23

Ejemplo 7.5 De cuantas formas diferentes pueden acomodarse 3 ampolletas rojas, 4 amarillas y
2 azules en un panel con 9 espacio para 9 luces?
Con frecuencia interesa el n
umero de formas en que se pueden repartir n objetos en r subconjuntos llamados celdas. La particion se logra si la interseccion de cada par posible de r subconjuntos
es el conjunto vaco y si la union de todos los subconjuntos da como resultado el conjunto original.
No importa el orden de los objetos dentro de una celda.
Teorema 7.7 El n
umero de formas de partir un conjunto de n objetos en r celdas con n1 elementos
en la primera celda, n2 elementos en la segunda, y as sucesivamente, es:


n
n!
=
n1 n2 nr
n1 !n2 ! nr !
donde n1 + n2 + + nr = n
Ejemplo 7.6 De cuantas formas distintas pueden 7 cientficos acomodarse en un laboratorio para
tres personas y dos laboratorios para dos personas?
En muchos problemas interesa el n
umero de formas posibles de seleccionar r objetos de un
total de n sin importar el orden. Estas selecciones se llaman combinaciones. Una combinacion es
realmente una particion en dos celdas, una de las cuales contiene los r objetos que se seleccionaron
y la otra, los (n r) objetos restantes.
Teorema 7.8 El n
umero de combinacioines de n objetos distintos, tomando r a la vez es
 
n
n!
=
r!(n r)!
r
Ejemplo 7.7 Encuentre el n
umero de comites que pueden formarse con 4 qumicos y 3 fsicos y
que comprendan 2 qumicos y 1 fsico.
Ejercicios 1 .
1. A los participantes de una convencion se les ofrecen 6 recorridos por da para visitar lugares
de interes durante los 3 das de duraci
on del evento. De cu
antas formas puede una persona
acomodarse para hacer alguno de ellos?
2. En un estudio medico, los pacientes se clasifican en 8 formas diferentes de acuerdo con su
tipo de sangre, AB + , AB , A+ , A , B + , B , O+ , u O , y su presi
on sangunea (baja, alta o
normal). Encuentre el n
umero de formas posibles para clasificar un paciente.
3. Si un experimento consiste en lanzar un dado y despues seleccionar aleatoriamente una letra
del alfabeto, cuales son los posibles resultados?
4. Un estudiante de primer a
no debe tomar un curso de Ciencia, uno de Humanidades y otro de
Matem
aticas. Si puede escoger entre cualquiera de 6 cursos de Ciencia, 4 de Humanidades y
4 de Matematicas, de cuantas formas puede acomodar su horario?
24

5. Si una prueba de seleccion m

ultiple consta de 5 preguntas, cada una con 4 alternativas, de las
cuales una es al correcta,
a) de cuantas formas diferentes puede un estudiante escoger una respuesta para cada pregunta?
b) de cuantas maneras puede un estudiante escoger una alternativa para cada pregunta y
tener todas las respuestas incorrectas?
6. Un constructor desea edificar 9 casas, cada una con diferente dise
no. De cu
antas formas
puede colocar estas casas si 6 terrenos est
an en un lado de la calle y 3 est
an en el opuesto?
7.

a) Cu
antos n
umeros de tres dgitos pueden formarse con los dgitos 0, 1, 2, 3, 4, 5 y 6, si
cada uno puede utilizarse solo una vez?
b) Cu
antos de estos n
umeros son impares?
c) Cu
antos son mayores a 330?

8. De cu
antas formas puedens sentarse en una lnea 4 ni
nos y 5 ni
nas, si deben colocarse
alternadamente?
9. Cuatro matrimonios compraron 8 lugares para uin concierto. De cu
antas formas diferentes
puedens sentarse
a) sin restricciones?
b) si se sientan por parejas?
c) si todos los hombres se sientasn juntos a las derecha de todas las mujeres?
10. En cu
antas formas pueden plantarse en crculo 5
arboles diferentes?
11. Cu
antas permutaciones distintas pueden hacerse con las letras de la palabra infinito?
12. De cu
antas formas pueden plantarse, a lo largo de la lnea divisoria de una propiedad, 3
robles, 4 pinos y 2 arces, si uno no distingue entre los
arboles de la misma clase?
13. Un colegio participa en 12 partidos de f
utbol en una temporada. De cu
antas maneras puede
el equipo terminar la temporada con 7 victorias, 3 derrotas y 2 empates?
14. Nueve personas salen de viaje para esquiar en 3 vehculos cuyas capacidades son 2, 4 y 5
pasajeros, respectivamente. De cu
antas formas es posible transportar a las 9 personas hasta
el albergue con todos los vehculos?
15. Hay 12 maneras de la cuales un artculo manufacturado puede tener un peque
no defecto y 10
maneras en las cuales puede tener un defecto mayor. De cu
antas maneras puede ocurrir un
defecto menor y uno mayor? 2 defectos mayores y 2 menores?

25

8.

Modelo de Probabilidad

En el estudio de la estadstica interesa, basicamente, la presentacion e interpretacion de resultados aleatorios que se dan en un estudio planeado o en una investigacion cientfica. Por ejemplo,
es posible registrar el n
umero de accidentes que ocurren mensualmente en una determinada interseccion de calles, con el proposito de justificar la instalcion de un semaforo; clasificar los artculos
que salen de una lnea de ensamble como defectuosos o no defectuosos; o bien, tener interes en
conocer el volumen de gas que se libera durante una reaccion qumica cuando la concentracion de
un acido vara. De aqu que se manejen datos experimentales, que representan conteos o mediciones,
o tal vez datos categoricos que puedan clasificarse de acuerdo con alg
un criterio.
Necesitamos entonces una forma matematica para cuantificar la incertidumbre.
Utilizaremos la palabra experimento, E, para describir cualquier proceso que genere un conjunto de datos. Un ejemplo muy simple de un experimento consiste en el lanzamiento de una moneda
la aire. En este caso solo existen dos resultados posibles: cara o sello. Otro experimento podra
ser el lanzamiento de un proyectil y la observacion de su velocidad en un perodo de tiempo. Las
opiniones de los votantes respecto de un candidato a alcalde tambien pueden considerarse como
observaciones de un experimento. Aqu interesan particularmente las observaciones que se obtienen
en la repeticion de un experimento. En la mayor parte de los casos los resultados dependeran del
azar y, por lo tanto, no pueden pronosticarse con certidumbre. Si un qumico realiza varias veces
un analisis bajo las mismas condiciones y obtiene diferentes mediciones, ello indica la existencia
de un elemento de aleatoriedad en el procedimiento experimental. Incluso cuando una moneda se
lanza al azar repetidamente, no es posible garantizar que en un lanzamiento dado se obtendra como resultado una cara. No obstante, s se conoce el conjunto completo de posibilidades para cada
lanzamiento.

8.1.

Espacio Muestral

Definici
on 8.1 Al conjunto de todos los resultados posibles de un experimento estadstico se le
llama espacio muestral y se representa por la letra S.
A cada resultado en un espacio muestral se le llama elemento del espacio muestral o simplemente punto muestral.
Ejemplo 8.1 Determine el espacio muestral del siguiente experimento: se lanza una moneda y si
sale cara, se lanza un dado; si sale sello, se vuelve a lanzar.

8.2.

Eventos

Definici
on 8.2 Un evento A, respecto a un espacio muestral S, asociado a un experimento E,es
un subconjunto de resultados posibles.
Es claro que S en s mismo es un evento y tambien lo es el conjunto vaco. Cualquier resultado
individual tambien puede considerarse como un evento.

26

Definici
on 8.3 El complemento de un evento A con respecto a S es el conjunto de todos los
elementos de S que no estan en A, es decir, es el suceso que se da si A no ocurre. Denotamos el

complemento de A por el smbolo Ac , tambien escrito A.

Definici
on 8.4 La intersecci
on de dos eventos A y B, AB, es el evento que contiene a todos
los elementos comunes a A y a B, es decir, es el evento que ocurre si A y B ocurren.
Definici
on 8.5 Dos eventos A y B son mutuamente excluyentes o disjuntos si AB = , esto
es, si A y B no tienen elemento comunes.
Definici
on 8.6 La uni
on de los dos eventos A y B, AB es el evento que contiene a todos los
elementos que pertenecen a A, o a B o a ambos.
Ejemplo 8.2 Sea el experimento
E: lanzar un dado y observar el n
umero que sale,
y sean los eventos:
A: sale un n
umero par,
B: sale un n
umero impar,
C: sale un n
umero primo.
Determinar el espacio muestral y los elementos de los siguientes conjuntos: a) A C
c) C c

b) B C

Definici
on 8.7 Sea A la clase de eventos (aleatorios) de S. A es un -
algebra de subconjuntos
de S (no vaco) si:
i) S A
ii) A A Ac A
iii) A1 , A2 , . . . A

i=1

Ai A

Nota: (S,A) se llama espacio medible.

Ejercicios 2 Demuestre las siguientes propiedades:
i) A
T
S
ii) A1 , A2 , . . . , An A ni=1 Ai A, ni=1 Ai A
T
iii) A1 , A2 , . . . A
i=1 Ai A

27

8.3.

Medida de Probabilidad

Finalmente, dado un - algebra A de eventos de S, para concretar nuestro modelo debemos

introducir una medida de probabilidad sobre (S,A).
Definici
on 8.8 Una medida de probabilidad P sobre (S,A) es una funci
on
P : A [0, 1]
tal que cumple con los siguientes tres axiomas de Kolmogorov:
A1 P(A) > 0A A
A2 P(S) = 1
A3 Si A1 , A2 , . . . A son disjuntos dos a dos, entonces
P

X
Ai =
P (Ai )

i=1

i=1

(S, A, P)se llama modelo de probabilidad.

Lema 1 Sea (S, A, P) un modelo de probabilidad. Entonces valen las siguientes propiedades:
a) P() = 0
b) Si A1 , . . . , An A son disjuntos dos a dos, entonces
P

n
[

Ai =

i=1

n
X

P (Ai )

i=1

Propiedades de P
Dado un modelo de probabilidad (S, A, P) se desprende de A1, A2 y A3 que:
P1) P(Ac ) = 1 P(A)
P2) A B P(A) P(B)
P3) P(A B) = P(A) + P(B) P(A B)
S
P
P4) P(
A
)

i
i=1
i=1 P(Ai )
P5)

(i) Si An es una secuencia creciente de eventos, tal que

A=

[
i=1

entonces
28

Ai = lm An

P(A) = lm P(An )
(P es continua por abajo)
(ii) Si An es una secuencia decreciente de eventos, tal que
A=

Ai = lm An

i=1

entonces
P(A) = lm P(An )
(P es continua por arriba)

8.4.

Espacios Probabilsticos Finitos

Consideremos un espacio muestral S y la clase A de todos los sucesos. S se convierte en un

espacio probabilstico asignando probabilidades a los sucesos de A de tal forma que satisfaga los
axiomas de probabilidad.
Espacios finitos equiprobables
Supongamos que S es un espacio muestral finito con n elementos y supongamos que las caractersticas fsicas del experimento sugieren que a varios de los resultados se les asignen probabilidaes iguales.
Entonces S se convierte en un espacio probabilstico, llamado espacio finito equiprobable, si a cada punto se le asigna probabilidad 1/n y si a cada suceso A que contiene r puntos, probabilidad r/n.
Por lo tanto,
P(A) =

n(A)
n(S)

Teorema 8.1 Sea S un espacio muestral finito, y para cualquier A S sea

P(A) =

n(A)
n(S)

Entonces P cumple los axiomas A1, A2 y A3.

Ejemplo 8.3 Supongamos que se elige aleatoriamente a un estudiante entre 80, de los cuales 30
estudian matem
aticas, 20 qumica y 10, ambas. Hallar la probabilidad p de uqe un estudiante esta estudiando matem
aticas o qumica.
Sea S un espacio muestral finito, digamos S ={a1 , a2 , . . . , an } un espacio probabilstico finito, o
modelo probabilstico finito, se obtiene asinando a cada punto ai de S un n
umero real pi llamado
probabilidad de ai , que cumple con las siguientes propiedades:
a) cada pi es no negativo, pi 0
Pn
b)
i=1 pi = 1
29

Ejercicios 3 .
a) Tres caballos estan en una carrera: A tiene el doble de posibilidades de ganar que B, y este,
el doble de C. Hallar sus respectivas probabilidades de ganar.
b) Supongamos que A y B son sucesos con
P(A) = 0,6;

P(B) = 0,3 y

P(A B) = 0,2

Hallar la probabilidad de
(i) A no ocurra.
(ii) B no ocurra.
(iii) A o B ocurran
(iv) Ni A ni B ocurran
c) Una caja contiene dos calcetines blancos y dos azules. Se sacan dos aleatoriamente. Hallar la
probabilidad p de que sean del mismo color.
d) Sean tres sucesos A, B y C. Encuentre expresiones para los siguientes sucesos en lenguaje de
conjuntos.
(i) S
olo ocurre A.
(ii) Ocurren tanto B como C, pero no as A.
(iii) Los tres sucesos ocurren.
(iv) Ninguno de los tres sucesos ocurre.
(v) A lo mas dos de ellos ocurren.
(vi) Al menos dos de los sucesos ocurren.
(vii) Al menos uno de los sucesos ocurre.
(viii) Exactamente dos de ellos ocurren.
e) Un naipe ingles consta de 52 cartas agrupadas en cuatro pintas (coraz
on, pique, trebol y
diamante) y 13 n
umeros (As, 2, . . ., 9, 10, J, Q K). Se elige consecutivamente al azar y
sin reemplazo cinco cartas de este naipe. Calcule las probabilidades de los siguientes eventos
o sucesos:
(i) Las primeras tres cartas son diamantes y las dos u
ltimas son pique.
(ii) Hay exactamente cuatro cartas del mismo n
umero.
(iii) Hay tres cartas de un mismo n
uumero y dos de otro.

30

9.

Probabilidad Condicionada e Independencia

9.1.

Probabilidad Condicional

Definici
on 9.1 Supongamos que A, B son sucesos de un espacio muestral S. La probabilidad
condicional que A ocurra dado que B ha ocurrido, P(A | B) se define y denota como
P(A | B) =

P(A B)
,
P(B)

P(B) > 0

y
P(A | B) = 0,

si P(B) = 0.

P(A | B) mide en cierto modo la probabilidad relativa de A con respecto al espacio reducido de
B.
Teorema 9.1 Supongamos que S es un espacio equiprobable, y que A y B son sucesos. Entonces
P(A | B) =

n(A B)
n(B)

es una medida de probabilidad

Teorema 9.2 (Multiplicacion para la probabilidad condicional)
P(A B) = P(B | A)P(A)
Corolario 1 P(A B C) = P(C | A B) P(B | A) P(A)
Ejemplo 9.1 Se tiran un par de dados y se define
A: salga 2 en al menos uno de los dados
B: la suma es 6.
Encontrar P(A | B) y P(A)
Ejemplo 9.2 Un lote contiene 12 objetos de los cuales 4 son defectuosos. Se sacan tres objetos al
azar del lote, uno detras de otro. Hallar la probabilidad de los tres no sean defectuosos.
Ejemplo 9.3 Urna de Polya
Una urna contiene a fichas azules y r fichas rojas. El experimento consiste en:
(i) Extraer una ficha y observar su color.
(ii) Devolver la ficha con t fichas adicionales del mismo color.
(iii) Seguir iterando
Para tres ectracciones defina:
31

Ai : la i-esima ficha es azul,

i= 1, 2, 3.

Calcule P(A1 A2 A3 )
Definici
on 9.2 Los sucesos A y B son independientes si P(A B) = P(A)P(B), de cualquier
otra forma seran dependientes.
Esta definicion nos lleva a concluir que A y B son sucesos independientes si
P(A | B) = P(A) y

P(B | A) = P(B)

Nota:
1.- Se dice que A1 , A2 , . . . , An A son dos a dos independientes ssi
P(Ai Aj ) = P(Ai ) P(Aj ) i < j
2.- Independencia dos a dos no implica independencia completa.
3.- La complementacion de uno o mas eventos no destruye la independencia.
4.- Sea C A un evento tal que P(C) > 0. Entonces A y B son condicionalmente independientes
dado C,
AB | C P(A B | C) = P(A | C) P(B | C)
5.- Observemos que los eventos disjuntos no son independientes a menos que uno de ellos tenga
probabilidad cero. Es decir, supongamos A B = y A y B son independientes. Entonces
P(A)P(B) = P(A B) = 0
y por lo tanto
P(A) = 0 o P(B) = 0

32

9.2.

Probabilidad Total

Definici
on 9.3 Una familia de eventos B1 , . . . , Bn A se llama partici
on de S si:
k
[

Ai = S

Ai Aj =

i 6= j.

i=1

Teorema 9.3 Supongamos que los sucesos A1 , A2 , . . . , Ak forman una partici

on de S. Entonces
para cualquier evento B se tiene que
P(B) =

k
X

P(B | Ai )P(Ai )

i=1

9.3.

Teorema de Bayes

Teorema 9.4 Bajo las mismas condiciones del teorema anterior se tiene que
P(B | Ai )P(Ai )
P(Ai | B) = Pk
j=1 P(Aj )P(B | Aj )
Ejercicios 4 .
a) El gerente de una empresa regional dispone de dos autos; uno proporcionado por la empresa y
el otro de su propiedad. La probabilidad que utilice su auto es 2/5 y la probabilidad que utilice
el auto de la empresa es 3/5. Adem
as se sabe que le gerente llega a tiempo a las reuniones
de la empresa con probabilidad 1/5 y que, si utiliza el auto de la empresa, la probabilidad de
llegar a tiempo a esas reuniones es 1/4.
Cu
al es la probabilidad que llegue a tiempo a una reuni
on, dado que utiliz
o su propio auto?
Dado que el gerente llego a tiempo a la reuni
on, cu
al es la probabilidad que haya utilizado el
auto de la empresa?
b) El director de personal de una empresa que emplea vendedores a tiempo parcial ensaya una
prueba de aptitudes para las ventas con cientos de aspirantes. Como la prueba es nueva, los
resultados no se utilizan para dar el empleo. El 40 % de los aspirantes muestra gran aptitud
seg
un la prueba, y el 12 % de los contratados muestra gran aptitud y alcanza buenas cuotas
de ventas. La experiencia de la empresa indica que el 30 % del personal de ventas consigue
buenos niveles en las ventas.
i) Encuentre P(A), P(AB) y P(A/B)
ii) Son A y B eventos independientes?
iii) Es u
til la prueba para predecir buenos niveles en las ventas? Que tanto?
iv) Cu
al es la probabilidad de que no ocurran ni A ni B?
c) Una compa
na encuentra que el 46 % de sus j
ovenes directores est
a casado con un(a) profesional, el 37 % esta casado, pero no con un(a) profesional y el 17 % son solteros.
La compa
na considera que el 40 % de los directores casados con profesionales rehusaran ser
transferidos a otra oficina, al igual que el 10 % de los solteros y el 15 % de los que no estan
casados con profesionales.
33

i) Defina los cuatro eventos de interes. Cu

al es la probabilidad de que un director sea
casado? y de que sea soltero?
ii) Si a un director seleccionado al azar se le propone ser transferido, cu
al es la probabilidad
de que rechace la oferta?
iii) Si un profesional rechaza ser trasladado, cu
al es la probabilidad de que sea soltero?
iv) A que profesional usted no le ofrecera traslado, ya que cree que es muy probable que
rechace la oferta?

34

10.
10.1.

Variables Aleatorias
Introducci
on

Informalmente una variable aleatoria puede definirse como una funcion numerica sobre , el
espacio muestral:
X:R
X es una funcion tal que asigna a cada un n
umero.
Nota: Usualmente, el recorrido de X, Rec(X), es un subconjunto de R.
Ejemplo 10.1 Sea = {CC, CS, SC, SS}
X() = n
umero de caras,
X(CC) = 2
X(CS) = X(SC) = 1
X(SS) = 0
Rec(X)?
Formalmente:
Definici
on 10.1 Dado un modelo de probabilidad (, A, P), diremos que una funci
on
X:R
es una variable aleatoria ssi
{ : X() x} A, x R
X es una variable aleatoria en (, A, P) ssi { : X() x} es un evento (aleatorio) en
A, x R
uscula , la variable
Notacion: Si el valor de la variable aleatoria se denota por una letra min
se denota por la letra may
uscula correspondiente. Normalmente se utilizan las u
ltimas letras del
alfabeto.
El suceso .el valor x de X pertenece al conjunto Bse denota por X B. Cuando B = {x} se
simplifica la notacion a {X = x}.
Definici
on 10.2 Dada una variable aleatoria X definida en (, A, P), la distribuci
on de probabilidad inducida por X en R se define, para un evento B R como:
PX (B) = P(X 1 (B))
donde X 1 (B) = { : X() B} es un evento en .

35

Conocer la distribucion de probabilidad para un subconjunto B implica que podemos PX para

cualquier B R (medible).
En general, cada B R medible puede generarse a partir de uniones y/o intersecciones de
intervalos de la forma [an , bn ]. La coleccion de estos intervalos de la forma (a, b] genera una algebra en R, llamada -
algebra de Borel y denotada por B. Los elementos de B se llaman
Borelianos y son
subconjuntos medibles de R.
Proposici
on 1 PX es una medida de probabilidad en (R, B) (R, B, PX ) es una medida de
probabilidad (inducida por la variable aleatoria X).
Definici
on 10.3 La funcion definida por
FX (x) = PX ((, x])
= P(X x), x R
se llama funci
on de distribuci
on acumulada, f.d.a, de la variable aleatoria X.
Propiedades
Sea FX (x), x R, la funcion distribucion de X,
P1)
lm FX (x) = 0 y

lm FX (x) = 1

(0 FX (x) 1 x)
P2) Si x1 < x2 , entonces FX (x1 ) FX (x2 )
(FX es no decreciente en R)
P3)
lm FX (x) = FX (x0 ) x0 R

xx0

(FX es continua por la derecha)

36

10.2.

Variables Aleatorias Discretas

FX (x), x R, es discreta ssi la variable aleatoria X es discreta, es decir, X asume valores en

un subconjunto contable de R.
X() {x1 , x2 , . . .} R
En tal caso, FX (x), x R, puede representarse como:
X
FX (x) =
fX (t), x R,
tx

donde
fX (x) = P(X = x),

x R, se llama funci
on de probabilidad.

Sigue de la definicion de fX (x), x R, que:

i)
fX (x) 0 x R
ii)
X

fX (x) = 1

xR

iii)
PX (B) = P(X B) =

fX (x)

xB

Ejemplo 10.2 Un embarque de 8 computadores similares se enva a un distribuidor contiene 3

aparatos defectuosos. Si una escuela realiza una compra aleatoria de 2 de estos computadores, enceuntre la distribucion de probabilidad y la f.d.a del n
umero de computadores defectuosos.
Ejemplo 10.3 Si 50 % de los automoviles extranjeros que vende una agencia est
a equipado para
trabajar con diesel, encuentre una formula para la distribuci
on de probabilidad del n
umero de modelos
diesel entre los proximos 4 automoviles que venda esta agencia. Determine la f.d.a de la variable
de interes.

37

10.3.

Variables Aleatorias Continuas

FX (x), x R es continua ssi existe una funcion no negativa fX (x), x R, tal que:
Z x
fX (t)dt, x R
FX (x) =

dFX (x)
dx
donde fX (x) se denomina funci
on de densidad de la variable aleatoria X.
fX (x) =

Note que:
i)
fX (x) 0 x
ii)
Z

fX (x)dx = 1

iii)
Z
PX (B) = P(X B) =

fX (x)dx
B

Si B es un intervalo, por ejemplo, B = (a, b), entonces se tiene lo siguiente:

PX (B) = P(a < X < b)
= P(a < X < b)
= P(a < X b) pues P(X = b) = 0,
= FX (b) FX (a)
Z b
Z a
Z
=
fX (x)dx
fX (x)dx =
fX (x)dx

Ejemplo 10.4 Suponga que el error de la temperatura de reacci

on, en C, para un experimento
controlado de laboratorio es una variable aleatoria continua X, que tiene funci
on de densidad de
probabilidad:
 x2
, -1 < x < 2
3
fX (x) =
0, e.o.c.
a) Verifique la condicion (ii).
b) Encuentre P(0 < X 1)
Definici
on 10.4 La distribuci
on acumulada FX (x) de una variable aleatoria continua X con
densidad fX es:
Z x
FX (x) = P(X x) =
fX (t)dt x R

Ejemplo 10.5 Para la funcion de densidad del ejemplo anterior, encuentre FX y utilcela para
calcular P(0 < X 1)

38

10.4.

Localizaci
on y dispersi
on de una variable aleatoria

Definici
on 10.5 La esperanza de una variable aleatoria X se define como:

X

xi fx (xi ),
X discreta

E(X) =
Zi=1

xfX (x)dx, X continua

Notaci
on: X = E(X)
Propiedades
1.- La esperanza matematica es un operador lineal, esto es, si E(X) esta bien definida, entonces
E(aX + b) = aE(X) + b
2.- Si X e Y son variables aleatorias con esperanzas bien definidas y tales que
X() Y ()
entonces E(X) E(Y )
Definici
on 10.6 La mediana de una variable aleatoria X es alg
un n
umero m tal que:
P(X m) 1/2 y

P(X m) = 1/2

Notas:
i) Si X tiene distribucion simetrica y E(X) < , entonces E(X) es una mediana para X.
ii) Si X tiene distribucion asimetrica, la mediana de X puede ser una mejor medida de localizacion.
Dos distribuciones pueden tener la misma localizacion y ser completamente diferentes, por lo
que hay que considerar una medida de dispersion de la variable, la mas com
un, es la varianza.
Definici
on 10.7 La varianza de una variable aleatoria X se define como
V (X) = E[(X E(X))2 ]

X

(xi E(X))2 P(X = xi )

V (X) =
Zi=1

(x E(X))2 fX (x)dx

Notaci
on:

2
X

= V (X)

39

Propiedades
1.- V (X) = E(X 2 ) (E(X)2 )
2.- V (X) 0, V (X) = 0 X = c
3.- V (aX + b) = a2 V (X)
Ejemplo 10.6 Sea X la variable aleatoria que cuenta el n
umero de caras en tres lanzamientos de
una moneda honesta. Determine el recorrido, la funci
on de distribuci
on, valor esperado y varianza
de X.
Ejemplo 10.7 Sea A un evento en (, A, P), con P(A) = p, con 0 p 1. Usted paga $1 se A
ocurre y $0 si A{ ocurre.
Sea X la ganancia obtenida en un ensayo de este experimento. Determine esperanza y varianza de
X.

40

10.5.

Casos especiales de distribuciones probabilidad

10.5.1.

Distribuci
on Bernoulli

Consideremos un experimento con solo dos resultados posibles, uno que se llame exito (E) y
otro, fracaso (F). Los resultados sucesivos e independientes de tal experimento se llaman pruebas
o experimentos Bernoulli.
En realidad, cualquier experiemnto puede ser usado para definir un ensayo Bernoulli simplemente
denotando alg
un evento de interes, A, como exito y su complemento, A{ , como fracaso.
Notaci
on: X Bernoulli(p)
P(X = x) = px (1 p)1x ,

x = 0, 1

donde
E(X) = p
V (X) = p(1 p)
10.5.2.

Distribuci
on Binomial

Un experimento que consiste de n ensayos Bernoulli independientes, cada uno con probabilidad
de exito p, se llama un experimento Binomial con n ensayos y parametro p.
Al decir ensayos independientessignifica que los ensayos son eventos indeoendientes esto es, lo
que ocurra en un ensayo no tiene efecto en el resultado observado para cualquier otro ensayo.
Definici
on 10.8 Sea X el n
umero total de exitos observados en un experimento Binomial con n
ensayos y par
ametro p. Entonces X se llama variable aletoria Binomial con par
ametros n y p
y se denota
X Bin(n, p)
 
n x
P(X = x) =
p (1 p)nx , x = 0, 1, . . . , n
x
Teorema 10.1 La esperanza y varianza de la distribuci
on Binomial est
an dadas por:
E(X) = n p
V (X) = n p (1 p)
10.5.3.

Distribuci
on Geom
etrica

Definici
on 10.9 Si se realizan repetidos experimentos Bernoulli independientes con probabilidad de
exito p, entonces la distribucion de la variable aleatoria X, el n
umero de experimentos necesarios
hasta encontrar el primer exito sigue una distribuci
on geom
etrica de par
ametro p y se denota
por:
X Geo(p)
con funci
on de probabilidad dada por
P(X = x) = (1 p)x1 p,
41

x = 1, 2, 3, . . .

Teorema 10.2 La esperanza y varianza de la distribuci

on geometrica est
an dadas por:
1
p
1p
V (X) =
p2
E(X) =

10.5.4.

Distribuci
on Poisson

Definici
on 10.10 Una variable aleatoria X que cuenta el n
umero de eventos que ocurren en un
perodo de tiempo tiene distribuci
on Poisson de par
ametro > 0, y su funci
on de probabilidad
esta dada por
e x
, x = 0, 1, . . .
P(X = x) =
x!
y se denota por
X P oisson()
Teorema 10.3 La esperanza y varianza de la distribuci
on Poisson est
an dadas por:
E(X) =
V (X) =
10.5.5.

Distribuci
on Binomial Negativa

Definici
on 10.11 Consideremos ensayos Bernoulli independientes con probabilidad de exito p en
cada ensayo. Si X es el n
umero de ensayos necesarios para observar el r-esimo exito, entonces X
se llama variable aleatoria Binomial negativa con par
ametros r, y p su funci
on de probabilidad
esta dada por


x1 r
P(X = x) =
p (1 p)xr
x {r, r + 1, . . .}
r1
y se denota por
X BinN eg(r, p)
Teorema 10.4 La esperanza y varianza de la distribuci
on Binomial Negativa est
an dadas por:
r
p
r(1 p)
V (X) =
p2
E(X) =

10.5.6.

Distribuci
on Multinomial

Definici
on 10.12 Si de un determinado experimento puede resultar cualquiera de los k resultados,
E1 , E2 , . . . , Ek con probabilidades p1 , p2 , . . . , pk , entonces la distribuci
on de probabilidad de las variables aleatorias X1 , X2 , . . . , Xk , que representan el n
umero de ocurrencias para E1 , E2 , . . . , Ek en n
intentos independientes es:
42


P(X1 = x1 , Xk = xk , . . . , Xk = xk , ) =

donde

r
X


n
px1 px2 . . . pxk k
n1 n2 nk 1 2

nj = n.

j=1

10.5.7.

Distribuci
on Uniforme

Definici
on 10.13 Una variable aleatoria X tiene distribuci
on uniforme si su densidad se distribuye por igual entre dos valores cualquiera a y b. Su funci
on de densidad est
a dada por
 1
, a < x < b,
ba
fX (x) =
0,
e.o.c.
Notaci
on: X U(a, b)
Teorema 10.5 La esperanza y varianza de la distribuci
on Uniforme est
an dadas por:
a+b
2
(b a)2
V (X) =
12
E(X) =

10.5.8.

Distribuci
on Exponencial

Definici
on 10.14 Suponga que los eventos suceden aleatoriamente a lo largo del tiempo, con un
tiempo esperado entre eventos . Sea X, la variable aleatoria que cuenta el tiempo para el siguiente
evento, entonces X tiene distribuci
on exponencial y su funci
on densidad est
a dada por
 1 x/
e
, x > 0,

fX (x) =
0,
e.o.c.
donde > 0 y se denota por
X exp()
Teorema 10.6 La esperanza y varianza de la distribuci
on Exponencial est
an dadas por:
E(X) =
V (X) = 2

43

10.5.9.

Distribuci
on Normal

Definici
on 10.15 La variable aleatoria X tiene distribuci
on normal con media y varianza 2
si su funci
on de densidad esta dada por
fX (x) =

(x)2
1
e 22 ,
2

< x <

Notaci
on: X N(, 2 )
Definici
on 10.16 Si Z es una variable aleatoria normal con media 0 y varianza 1, entonces Z se
llama variable aleatoria normal est
andar.
Cualquier variable aleatoria normal X se puede transformar en una variable aleatoria normal
estandarizada Z, sustrayendo el valor esperado y dividiendo el resultado por .

44

Ejercicios 5 .
1. Se sabe que el n
umero de pacientes graves en una urgencia es una variable aleatoria Binomial
con una media de 12 pacientes graves y una varianza de 3.
a) Determine la probabilidad que en un da haya a lo menos 2 pacientes en estado grave.
b) Cu
antos pacientes habra que examinar en promedio, hasta diagnosticar al tercero grave?
c) Si de los primeros 20 pacientes que llegan en un da a la urgencia toma una muestra de
8 pacientes, cual es la probabilidad de encontrar 5 pacientes graves?
Se sabe que los pacientes llegan de acuerdo a una distribuci
on Poisson con = 3 pacientes/minuto.
Cuando llegan mas de 4 pacientes por minuto la secretaria se ve sobrepasada y el servivio de
atenci
on es calificado como deficiente.
d) Cu
al es la probabilidad de que el sistema sea calificado como no deficiente?
e) Cu
al es la probabilidad de que el sistema sea calificado como deficiente en 5 minutos?
f ) Cu
al es la probabilidad que de 10 minutos, en 4 ocasiones el sistema haya sido calificado
como deficiente?
2. Ciertos temes son producidos por una m
aquina, cada item es clasificado como de primera o
segunda calidad; los temes de segunda calidad representan al 5 % de la producci
on total. Si se
inspeccionan temes hasta que se encuentra el quinto de segunda calidad,
a) Determine la variable aleatoria y su funci
on de probabilidad.
b) Cu
al es el n
umero esperado de temes que se deben inspeccionar para detectar el quinto
de segunda calidad?
c) Cu
al es la probabilidad de que se tengan que inspeccionar 7 artculos?
3. Se sabe que el 60 % de estudiantes de la Universidad son fumadores. En una muestra aleatoria
de 4 alumnos,
a) Cu
al es la probabilidad que haya exactamente dos fumadores?
b) Cu
al es la probabilidad que sean fumadores s
olo los dos primeros alumnos entrevistados?
c) Cu
al es el n
umero esperado de fumadores?
d) Cu
antos alumnos habra que entrevistar para que la probabilidad que el primer fumador
aparezca sea de 0.96?
4. En una determinada industria los accidentes ocurren a una tasa de 1 cada 2 meses. Considerando que los accidentes ocurren en forma independiente:
a) Determine el n
umero esperado de accidentes por a
no.
b) Cu
al es la probabilidad que ocurran accidentes en un mes dado?
c) Cu
al es la probabilidad que ocurra al menos un accidente en un perodo de 6 meses?
45

5. Ocasionalmente aplicaciones de laser se usan para destruir celulas cancergenas. El exito de

una aplicacion se eval
ua con un examen histol
ogico. Suponga que una aplicaci
on es exitosa
con probabilidad p. En caso cuya gravedad lo amerita, aplicaciones se repiten hasta contrar
tres ex
amenes que indiquen exito.
a) Calcule la probabilidad de que un paciente dado requiera seis aplicaciones
b) Calcule la probabilidad que un paciente dado requiera menos de seis aplicaciones
6. Suponga que se realizan n lanzamientos independientes de una moneda sesgada, con probabilidad de cara , 0 < < 1.
a) Determine la probabilidad de obtener exactamente n 1 caras, dado que se obtienen a lo
menos dos caras en total.
b) Determine la probabilidad de obtener exactamente n 1 caras, dado que se obtiene cara
en cada uno de los primeros n 2 lanzamientos.
7. Sea el tiempo de vida exacto (medido en horas) de un diodo. Ud. no puede observar pero
puede medir el tiempo de vida T en horas enteras. En particular, si el diodo falla en curso
de la primera hora de funcionamiento, entonces Ud. observa T = 1. M
as generalmente, Ud.
observa redondeado al entero inmediatamente superior. La notaci
on es T = d e.
a) Es T una variable discreta o continua? Describa el conjunto de valores (recorrido) de
T.
b) Suponga que en el curso de una hora el diodo falla con probabilidad p. Suponga que
X(t1 , t2 ) indica si el diodo ha fallado en el intervalo (t1 , t2 ), es decir,

1, si el diodo falla en el intervalo (t1 , t2 );
X(t1 , t2 ) =
0, si no.
Suponga que si (t1 , t2 ) y (t3 , t4 ) son dos intervalos disjuntos, entonces X(t1 , t2 ) y X(t3 , t4 )
son v.a. independientes.
Calcule la probabilidad que el diodo falle durante la kesima hora de observaci
on (y no
antes), es decir, que falle en el intervalo (k 1, k), k = 1, 2, 3, . . ..
Identifique el nombre de la distribuci
on de T , y los par
ametros de la distribuci
on.
c) Encuentre la funcion de distribuci
on acumulada de T .
k
1 2 3
Complete la tabla:
, y haga un gr
afico de esta funci
on.
FT (k)
d) Use la funcion de distribucion acumulada de T para calcular la probabilidad que el diodo
falle despues de k1 horas y antes de k2 horas de uso.
e) Ud. recibe diodos de dos fabricantess, ll
amelos A1 y A2 . La proporci
on de diodos que
proviene del fabricante A1 es q. Si un diodo proviene del fabricante A1 entonces la probabilidad de falla por hora es p1 , mientras que si proviene del A2 entonces la probabilidad
de falla por hora es p2 .
(i) Ud. inspecciona un diodo despues de k horas de funcionamiento y encuentra que ha
fallado. Calcule la probabildiad que este diodo proviene del fabricante A1 .
46

(ii) Ud. inspecciona un diodo despues de k horas y encuentra que funciona. Calcule la
probabilidad que este diodo proviene del fabricante A1 .
8. Usted recibe correos electronicos durante una jornada que se define como el perodo de tiempo
que va desde las 8 de la ma
nana a las 20 horas. S
olo en este perodo ustede puede leer sus
correos. Suponga que los correos se reciben de acuerdo a un proceso de Poisson a un tasa (o
raz
on) de 0,2 mensajes por hora.
a) Usted lee sus correos cada hora durante una jornada. Cu
al es la probabilidad de que en
una hora dada no encuentre mensajes nuevos? Y cu
al es la probabilidad de encontrar a
lo m
as un mensaje nuevo en esa hora?
b) Suponga que debido a un viaje usted no ha ledo su correo durante toda una jornada.
Cu
al es la probabilidad de que haya recibido exactamente 2 mensajes?
c) Dado que en la u
ltima jornada usted ha recibido 7 correos en total, calcule la probabilidad
de que entre las 8 y 10 de la ma
nana usted haya recibido exactamente 3 mensajes?
Verifique que esta probabilidad es igual a P(X = 3) cuando X Binomial(n, p), e
identifique los parametros.
9. Suponga que se ha elaborado un nuevo tipo de examen para detectar si una persona padece de
un determinado tipo de cancer. Si una persona que padece de este tipo de c
ancer se somete al
examen, la probabilidad de observar una reacci
on positiva es 0.95. En cambio, la probabilidad
de observar reaccion positiva en una persona sana es 0.07. Se sabe adem
as que el tipo especfico
de c
ancer en cuestion afecta a solo 1 de cada 100.000 personas. Si una persona seleccionada
al azar reacciona positivamente al examen, cu
al es la probabilidad de que esta persona tenga
el c
ancer en cuestion?
10. Suponga que para un aeroplano, alguno de sus fusibles fallar
a con probabilidad 1 p, e independientemente de los otros fusibles. Se dice que el aeroplano tiene un vuelo exitoso si al
menos el 50 % de sus fusibles se encuentra operativo. Para cu
ales valores de p un aeroplano
que tiene cuatro fusibles es preferible a uno de dos?
11. Un peaje cobra $2000 por cada autob
us de pasajeros y $3500 por otros vehculos particulares.
Supongamos que durante las horas diurnas, el 60 % de todos los vehculos son autobuses de
pasajeros.
a) Si 25 vehculos cruzan el peaje durante un perodo particular diurno, cu
al es el ingreso
esperado en el peaje?; cual es la varianza del ingreso del peaje?
b) Suponga que los vehculos de pasajeros llevan un promedio de 15 pasajeros y los particulares un promedio de 3 pasajeros. Cu
al es la probabilidad de que un vehculo que se
detiene en el peaje lleve cuatro pasajeros?
c) Un vehculo es detenido en el peaje y lleva tres pasajeros, cu
al es la probabilidad de que
sea de tipo particular?
12. Un dado no equilibrado asigna a la cara con el n
umero x probabilidades dadas por p(x) =
c 0, 7x 0, 36x , x = 1, . . . , 6.
a) Calcule el valor de c.
47

b) Haga una tabla con los valores de la funci

on de distribuci
on F.
c) Utilice la tabla para calcular la probabilidad que
(i) El n
umero este entre 2 y 4.
(ii) El n
umero sea mayor que 2.
13. Considere una urna que contiene n fichas de las cuales m son blancas. Una muestra de cuatro
fichas es elegida sin reemplazo. Considere el espacio muestral compuesto por los arreglos de
largo 4.
a) Calcule la funcion de probabilidad, es decir, la probabilidad de cada uno de los 16 arreglos
y verifique que ella depende solamente del n
umero de fichas.
b) Calcule la funcion de probabilidad del n de fichas blancas, X. Demuestre que la probabilidad de que la i-esima y la j-esima fichas extradas sean blancas es la misma para todo
i,j.
c) Cu
al es la probabilidad condicional de que la i- esima y la j- esima ficha extradas sean
blancas, dado que la muestra contena exactamente tres fichas blancas.
14. Sea Xi una variable aleatoria que valores 1 y -1 con probabilidades p y 1 p respectivamente
para todo i. Sea Yn la suma parcial:
Yn = X1 + X2 + . . . + Xn
a) Demuestre que si p = 21 , entonces

P(Yn = k) =

n
n+k
2

1
( )n ,
2

kZ

b) Calcule P(Y2n = 0 | Y2n1 = 1).

c) Comente que sucede con Yn cuando p >

1
2

15. Si X e Y son variables aleatorias, demuestre que

a) aX es una variable aleatoria.
b) X + Y es una variable aleatoria.
c) X Y es una variable aleatoria.
d) X/Y es una variable aleatoria.
16. Sea X una variable aleatoria que representa el lanzamiento de una moneda con 2 posibles
resultados, a saber, 0 y 1. Entonces si P(X = 1) = p y P(X = 0) = 1 p, para alg
un
p [0, 1], se dice que X tiene distribuci
on Bernoulli con funci
on de probabilidad:
P(X = x | p) = px (1 p)1x ,

x {0, 1}

a) Defina Y como el n
umero de 1 en n lanzamientos de la moneda. Argumente paso a paso
como obtener P(Y = y | p), con y = 0, . . . , n.
48

b) Defina T como el n
umero de lanzamientos requeridos para obtener el primer 1. Argumente
paso a paso como obtener P(T = t | p), con t = 1, 2, 3, . . .
c) Defina Z como el n
umero de lanzamientos requeridos para obtener el k-esimo 1. Argumente paso a paso como obtener P(Z k = w | p), con w = 0, 1, 2, . . .
17. Muestre que si F y G son funciones de distribuci
on y 0 1 entonces F + (1 )G es
una funci
on de distribucion.
18. Una f
abrica de motores cerrara si tiene m
as de dos fallas en un da durante los pr
oximos 15
dias. La probabilidad de que alguno de estos tenga fallas en cada intento es de 0,03 y cada da
se producen 10 motores.
a) Cu
al es la probabilidad de que la f
abrica cierre?
b) Cu
al es la probabilidad de que la f
abrica no cierre?
c) Cu
al es la probabilidad de que ocurran 2 o m
as fallas todos los das?
d) Cu
antos das tendra que haber fallas para que la probabilidad de cierre sea de 0,5?
19. En la empresa Coca-Cola el llenado de las botellas con bebida es realizado autom
aticamente
por una maquina que funciona a distintas velocidades. La probabilidad de que el llenado sea
incorrecto es de 0.001 cuando el proceso se realiza a baja velocidad. Cuando el proceso de
llenado se realiza a alta velocidad, la probabilidad de llenado incorrecto es de 0.01. Suponga
que el 25 % de las botellas son llenadas cuando el proceso se realiza a alta velocidad, mientras
que el resto de botellas son llenadas a una baja velocidad.
a) Cu
al es la probabilidad de encontrar una botella con un volumen incorrecto en su interior?
b) Cu
al es la probabilidad de encontrar una botella llena con un volumen incorrecto y que
haya sido llenada cuando el proceso se realiza a baja velocidad?
c) Cu
al es la probabilidad de que el proceso de llenado de las botellas haya sido a baja
velocidad, si se sabe que la botella est
a efectivamente con un volumen incorrecto?
d) Si se encuentra una botella llenada con un volumen incorrecto, Cu
al es la probabilidad
de que haya sido llenada cuando el proceso se realiza a alta velocidad?
20. Sea X = n
umero de sustancias nocivas en un material de trabajo escogido al azar.
x
p(x)
p(x)
p(x)

0
0.3
0.4
0.4

1
0.2
0.1
0.2

2
0.1
0.1
-0.3

3
0.05
0.1
0.5

4
0.05
0.3
0.2

a) Cu
al de las siguientes tres funciones de probabilidad es una funci
on de probabilidad
legitima para X, Por que no se permiten las otras 2?
b) Para la funcion de probabilidad legitima de la parte anterior. Calcule P(2 X 4),
P(X 2) y P(X 6= 0)
49

c) Escriba la funcion de probabilidad acumulada.

d) Si p(x) = c (5 x) para x = 0, 1, 2, 3. Cu
al es el valor de c?
21. Si el 90 % de todos los solicitantes para cierto tipo de hipoteca no llenan correctamente el
formato de solicitud en la primera remisi
on, Cu
al es la probabilidad de que entre 15 de estos
solicitantes seleccionados al azar:
a) Por lo menos 12 no la llenen a la primera remisi
on.
b) Entre 10 y 13 inclusive no la llenen a la primera remisi
on.
c) A lo sumo 2 llenen correctamente sus formatos en la primera remisi
on.
22. Una compa
na de seguros esta considerando incluir la cobertura de una enfermedad extra
na en
el campo de seguros medicos. La probabilidad de que un individuo seleccionado aleatoriamente
tenga esta enfermedad es 0,001 y se incluyen 3000 individuos en el grupo asegurado. Se pide
determinar:
a) Cu
al es el n
umero esperado de personas del grupo que padecen dicha enfermedad?
b) Cu
al es la probabilidad de que ninguna persona del grupo de 3000 padezca la enfermedad?
23. Clasifique las siguientes variables como discretas o continuas.
X : el n
umero de accidentes de autom
ovil por a
no en la ciudad de Santiago.
Y : el tiempo que toma jugar 18 hoyos de golf.
M : la cantidad de leche producida anualmente por una vaca en particular.
N : el n
umero de huevos que pone mensualmente una gallina.
P : el n
umero de permisos para la construcci
on de edificios que otorga mensualmente una
municipalidad.
Q : la cantidad de kilos de manzanas que exporta una empresa.
24. Una firma de inversiones ofrece a sus clientes bonos municipales que vencen despues de
diferente n
umero de a
nos. Dada la distribuci
on acumulada de T , el n
umero de a
nos para
el vencimiento de un bono seleccionado aleatoriamente es

0, t < 1,

14 , 1 x < 3
1
, 3x<5
FT (t) =
2

, 5x<7

4
1, t 7.
Encuentre
a) P(T = 5)
b) P(T > 5)
c) P(1,4 < T < 6)
50

25. Una variable aleatoria continua X que puede tomar valores entre x=2 y x=5 tiene una funcion
de densidad
2(1 + x)
fX (x) =
27
Calcule
a) P(X < 4)
b) P(3 < X < 4)
26. Considere la funcion de densidad

k x, 0 < x < 1
fX (x) =
0,
e.o.c.
a) Encuentre el valor de k.
b) Encuentre FX (x) y utlcela para calcular
P(0,3 < X < 0,6)
27. Una m
aquina que marca n
umeros telef
onicos al azar selecciona aleatoriamente cuatro dgitos
entre 0000 y 9999 (incluido ambos). Trate a la variable Y, el n
umero seleccionado, como
si fuese continua (aun cuando hay solo hay 10000 posibilidades discretas) y uniformemente
distribuida.
a) Encuentre P(0300 < Y < 1300)
b) P(Y > 5555)
c) Encuentre la varianza de Y
28. En los das del verano, X, el tiempo de retraso de un tren del Metro, se puede modelar como
distribuida uniformemente entre 0 y 20 minutos.
a) Calcule la probabilidad de que el tren llegue por lo menos con 8 minutos de retraso.
b) Calcule la desviacion estandar del tiempo de retraso del tren.
29. En un centro rural para la atencion de emergencias el tiempo entre llegadas sigue una distribuci
on exponencial con un tiempo media de llegadas de 1.25 horas. Encuentre la probabilidad de
que el tiempo entre llegadas sea mayor a 1 hora. Encuentre la probabilidad de que el tiempo
entre llegadas sea mayor a 2 horas.
30. En una central nuclear ocurren aleatoriamente a lo largo del tiempo eventos poco comunes
(problemas menores de operacion). El tiempo medio entre dos eventos es 40 das.
a) Cu
al es la probabilidad de que el tiempo para el siguiente evento poco com
un se encuentre entre 20 y 60 das?
b) Cu
al es la probabilidad de que pasen m
as de 60 das sin probemas?
c) Encuentre la desviacion estandar del tiempo para el siguiente evento poco com
un.
51

d) Un analisis de los archivos de la central nuclear muestra que los eventos poco comunes
suceden con mayor frecuencia los fines de semana, que hip
otesis subyacente a las respuestas de las preguntas anteriores se pone en duda?
31. Sea Z una variable aleatoria normal estandarizada. Calcule:
a) P(0 Z 1,96)
b) P(Z > 1,96)
c) P(1,96 Z 1,96)
d) P(0 Z 1,96)
32. Los ingresos anuales de los profesores de la universidad siguen una distribuci
on normal con
media 18600 dolares y una desviaci
on est
andar de 27000 d
olares. Encuentre la probabilidad
de que un profesor seleccionado al azar tenga
a) un ingreso anual inferior a 15000 d
olares.
b) un ingreso mayor a 21000 dolares.
c) un ingreso mayor a 25000 y de a lo m
as 30000 d
olares.
33. Considere la distribucion normal est
andar con media = 0 y desviaci
on = 1.
a) Cu
al es la probabilidad que z sea mayor que 2,6?
b) Cu
al es la probabilidad que z sea menor que 1,3?
c) Cu
al es la probabilidad que z este entre -1.7 y 3.1?
d) Cu
al es el valor de z que corta el 15 % menor de la distribuci
on?
34. La presi
on de aire de un neumatico seleccionado al azar, instalado en un autom
ovil nuevo,
est
a normalmente distribuida con valor medio 31 lb / pu lg y desviaci
on est
andar de 0,2 lb /
pulg
a) Cu
al es la probabilidad de que la presi
on de un neum
atico, seleccionado al azar, exceda
de 30.5 lb/ pulg?
b) Cu
al es la probabilidad de que la presi
on de un neum
atico, seleccionado al azar, se
encuentre entre 30.5 y 31.5 lb/ pulg?
c) Suponga que un neumatico se considera con presi
on baja si est
a debajo de 30.4 lb/ pulg .
Cu
al es la probabilidad de que al menos uno de los cuatro neum
aticos de un automovil
se encuentre con presion baja?
35. La dureza Rockwell de un metal se determina al golpear con un punto acerado (herramienta) la
superficie del metal y despues medir la profundidad de penetraci
on del punto. Suponga que la
dureza Rockwell de cierta aleacion est
a normalmente distribuida con media de 70 y desviacion
est
andar de 3.
a) Si un especimen es aceptable solo si su dureza est
a entre 67 y 75, Cu
al es la probabilidad
que un especimen seleccionado al azar tenga una dureza aceptable?
52

b) Si la escala aceptable de dureza es (70 c; 70 + c) Para que valores de c tendran el 95 %

de los especimenes una dureza considerada aceptable?
c) Cu
al es la probabilidad de que a lo sumo ocho de diez especimenes, seleccionados independientemente, tengan una dureza menor a 73, 84?
36. Asuma que la circunferencia de la cabeza de los ni
nos recien nacidos tiene media = 27cm y
desviaci
on estandar = 2, 5cm.
a) Cu
al es la probabilidad que un ni
no tenga una circunferencia menor a los 25 cm?
b) Cu
al es probabilidad que los ni
nos tengan m
as de 30 cm de circunferencia
c) Si se considera que un ni
no sano tiene circuenferencia de cabeza entre 25,5 y 29,5 cm,
Cu
al es la probabilidad de que un ni
no recien nacido sea sano?Cu
al es la probabilidad
que no este sano?
37. Suponga que los niveles de colesterol para los adultos entre 20 y 74 a
nos de edad tienen media
= 211mg/dl y desviacion estandar = 46mg/dl. Se asume que por debajo de 200 mg/dl
los niveles son normales, entre 200 y 240 mg/dl el nivel es normal-alto y m
as de 240 es alto.
a) Cu
al es la probabilidad de estar en cualquiera de las tres categoras?
b) Si se eligen 10 adultos al azar, cu
al es la probabilidad que a lo m
as tres de ellos tengan
colesterol alto?
38. Para la poblacion de hombres en Estados Unidos, se sabe que la presi
on sist
olica est
a normalmente distribuda, con media 129 mm Hg y desviaci
on est
andar 9,8 mm Hg.
a) Calcule los niveles de presion en los que se encuentra el 95 % de la poblaci
on
b) Determine la proporcion de hombres que tienen la presi
on sobre los 150 mm Hg.
c) Cu
al debe ser la desviacion est
andar para que el 90 % de los hombres tengan presion
m
axima de 140 mm Hg?
39. Suponga que la estatura de las mujeres en Estados Unidos est
a normalmente distribuda con
media = 63, 9 pulgadas y desviacion est
andar = 2, 6 pulgadas
a) Si se selecciona una mujer al azar, Cu
al es la probabilidad que mida entre 60 y 68
pulgadas?
b) Cu
al es la estatura maxima que tiene el 50 % de las mujeres?
c) Cu
al es el porcentaje de estas mujeres que miden m
as de 68,2 pulgadas?

53

10.6.

Funciones de Variables Aleatorias

10.6.1.

Momentos y funciones generadoras de momentos

Definici
on 10.17 Dada una variable aleatoria X se definen:
(i)

X

xki fx (xi ),
X discreta

k
E(X ) =
Zi=1

xk fX (x)dx, X continua

como el k-esimo momento (no centrado) de X.

(ii)

X

(xi )k fx (xi ),
X

k
i=1
E((X ) ) =
Z

(x )k fX (x)dx, X

discreta
continua

como el k-esimo momento centrado de X.

Definici
on 10.18 La funci
on generadora de momentos (f.g.m.) de una variable aleatoria X
se define como

X

etxi fx (xi ),

MX (t) =
Zi=1

etx fX (x)dx,

con t R.
Ejemplo 10.8 Determine su funcion generadora de momentos para las siguientes distribuciones:
a) X Bin(n, p)
b) X N(0, 1)
Teorema 10.7 Sea X una variable aleatoria con funci
on generadora de momentos MX (t). Entonces

dk MX (t) 
k
E(X ) =
dtk t=0
Ejemplo 10.9 Utilizando las respectivas f.g.m calcule la media de X si
a) X Bin(n, p)
b) X N(0, 1)

54

Teorema 10.8 (Teorema de Unicidad)

Sean X e Y dos avriables aleatorias con funciones generadoras de momentos MX (t) y MY (t), respectivamente. Si MX (t) = MY (t) para todos los valores de t, entonces X e Y tienen la misma
distribuci
on de probabilidad.
Teorema 10.9 Si Y = cX + d, entonces MY (t) = etd MX (t)
Ejemplo 10.10 Sea X una variable aleatoria con sitribuci
on normal est
andar. Determine la f.g.m.
de Y = + X.
10.6.2.

Transformaci
on de variables

Frecuentemente, en estadstica, se presenta la necesidad de deducir la distribucion de probabilidad de una funcion de una o mas variables aleatorias. Por ejemplo supongamos que X es una variable
aleatoria discreta con distribucion de probabilidad f (x) y supongamos ademas que Y = g(X) define una transformacion uno a uno entre los valores de X e Y . Se desea encontrar la distribucion
de probabilidad de Y . Es importante resaltar el hecho que la transformacion uno a uno implica
que cada valor de x esta relacionado con un, y solo un valor de y = g(x) y que cada valor de y
esta relacionado con un, y solo un valor de x = g 1 (y).
Teorema 10.10 Sea X una variable aleatoria discreta con distribuci
on de probabilidad f(x). Si
Y = g(X) define una transformacion uno a unn entre los valores de X e Y de tal forma que la
ecuaci
on y = g(x) pueda resolverse u
nicamente para x en terminos de y. Entonces la distribucion
de probabilidad de Y es
fY (y) = fX (g 1 (y))
Ejemplo 10.11 Sea X una variable aleatoria geometrica con distribuci
on de probabilidad
 x1
3 1
fX (x) =
,
x = 1, 2, . . .
4 4
a) Encuentre al distribucion de la variable aleatoria de Y = X 2
b) Encuentre la distribucion para la variable aleatoria Z = 4 5X
Teorema 10.11 Suponga que X es una variable aleatoria continua con distribuci
on de probabilidad
f (x). Sea Y = g(X), con g una funcion uno a uno entre los valores de X e Y . Entonces la
distribuci
on de probabilidad de Y esta dada por
fY (y) = fX (g 1 (y))|J|
donde J = (g 1 (y))0 y recibe el nombre de Jacobiano de la tranformaci
on.
Ejemplo 10.12 .
a) Sea X una variable aleatoria continua con funci
on densidad
fX (x) =

x
,
12

1<x<5

Encuentre la distribucion de probabilidad de la variable aleatoria Y = 2X 3.

55

b) Sea X una variable aleatoria con densidad Beta(a,b), es decir,

fX (x) =

(a + b) a1
x (1 x)b1 ,
(a)(b)

0 < x < 1.

Determinar la distribucion de Y = 1 - X.
Teorema 10.12 Sea X una variable aleatoria continua con funci
on densida fX (x). Si Y = g(X)
es una transfromacion entre los valores de X e Y que no es uno a uno, es decir, para cada y R
existen k inversas, xi = gi1 (y), i = 1, . . . , k, entonces la distribuci
on de probabilidad de Y es
fY (y) =

k
X

fX (gi1 (y))|Ji |

i=1

donde
|Ji | =

d 1
g (y) i = 1, . . . , k.
dy i

Ejemplo 10.13 . Sea X una variable aleatoria con densidad

1
fX (x) = e|x| ,
2

< x < .

Determinar la distribucion de Y = |X|.

Ejercicios 6 .
1. Si X U (0, 1), encontrar al funcion densidad de Y = eX
R: fY (t) = 1t 1 < t < e.
2. Si Y U (0, 5), cual es la probabilidad de que las races de la ecuaci
on 4x2 + 4xY + Y + 2 = 0
sean ambas reales?
R: 35
3. Un entero positivo I es seleccionado con P(I = n) = 21n para n = 1, 2, . . . Si el entero es n, se
lanza la moneda al aire y la probabilidad de obtener una cara es en . Cu
al es la probabilidad
que al lanzar la moneda obtengamos cara?
R: 2e11
4. Se dice que X tiene distribucio Weibull si

x1 exp(x ), x > 0;
fX (x) =
0,
e.o.c.
Se asume que > 0 y > 0. Determine E(X). Cu
al es la distribuci
on de Y = X ?
5. Encuentre la funcion generadora de momentos de una variable aleatoria X U (a, b). Use
este resultado para calcular E(X) y V (X).
56

6. Sea X un variable aleatoria que sigue cada una de las siguientes distribuciones:
a) Bin(n,p)
b) Poisson()
c) Geom(p)
d) U(m,n), m < n.
Para cada distribucion calcule
a) E(X)
b) E(X(X-1))
c) E(X 2 )
d) V(X)
e) E(z X ), donde z es un n
umero real.
7. A traves de experimentos estadsticos se determin
o que la duraci
on de un cierto tipo de llamada
t
t
telef
onica satisface la relacion P(T > t) = ae
+ (1 - a)e , t 0, donde 0 a 1,
, > 0. Hallar la media y la varianza de T.
8. Suponga que X tiene funcion densidad
g(x) = cecx ,
a) Encuentre la distribucion de

x 0.

X
1+X

b) Encuentre la distribucionde X + c
9. Suponiendo que X tienen la siguiente funci
on de densidad
f (x) = e(xa) ,

x a.

a) Encuentre MX (t).
b) Calcular E(X) y V(X).
10. Un individuo dispara dardos sobre un blanco circular de radio r > 0. Suponga que la probabilidad de que el dardo caiga en un circulo concentrico (centrado en el origen) es proporcional al
area de dicho crculo. Sea X la distancia desde la posici

on en que el dardo impacta el tablero

y su centro.
a) Obtenga la funcion de distribuci
on acumulada, funci
on de densidad y valor esperado de
X.
b) Calcule la probabilidad de que el dardo aterrice a una distancia (j 1)r/4 y jr/4 del
origen j = 1, 2, 3, 4.
c) Si se sabe que el dardo aterriz
o a una distancia inferior a r/2 del centro Cual es la
probabilidad de que haya cado a una distancia menor que d, con 0 < d < r/2?
57

11. Suponga que los errores de cierto procedimiento de medici

on tienen distribuci
on normal de
media 0 y desviacion estandar 2, en milmetros. Suponga que se toman 10 mediciones independientes. Calcule la probabilidad que: por lo menos 9 mediciones tengan errores menores a
los 2 milmetros y que no mas de una medici
on tenga error mayor a los 3 milmetros.
12. Usted recibe correos electronicos durante una jornada que se define como el perodo de tiempo
que va desde las 8 de la ma
nana a las 20 horas. S
olo en este perodo ustede puede leer sus
correos. Suponga que los correos se reciben de acuerdo a un proceso de Poisson a un tasa (o
raz
on) de 0,2 mensajes por hora.
a) Usted lee sus correos cada hora durante una jornada. Cu
al es la probabilidad de que en
una hora dada no encuentre mensajes nuevos? Y cu
al es la probabilidad de encontrar a
lo m
as un mensaje nuevo en esa hora?
b) Suponga que debido a un viaje usted no ha ledo su correo durante toda una jornada.
Cu
al es la probabilidad de que haya recibido exactamente 2 mensajes?
c) Dado que en la u
ltima jornada usted ha recibido 7 correos en total, calcule la probabilidad
de que entre las 8 y 10 de la ma
nana usted haya recibido exactamente 3 mensajes?
Verifique que esta probabilidad es igual a P(X = 3) cuando X Binomial(n, p), e
identifique los parametros.
13. Sea X una variable aleatoria que satisface
2

P(X > t) = et

t > 0.

a) Calcule P(1 < X < 2)

b) Encuentre la funcion densidad de probabilidad de X.
c) Calcule E(X 2 )
d) Calcule el percentil 90 de la distribuci
on de X.
e) Encuentre la funcion distribuci
on acumulada de

1
X

14. Sea X una variable aleatoria con funci

on densidad dada por
fX (x) =

|x|
,
16

si |x| < 4.

a) Determine E(X).
b) Encuentre la funcion de distribuci
on acumulada de Y = |X|.
c) Determine E(Y).
15. Suponga que el n
umero de horas X que funcionar
a una m
aquina antes de fallar es una variable aleatoria con distribucion Normal de par
ametros = 720 y 2 = 482 .
Suponga que en el momento en que la m
aquina comienza a funcionar Ud. debe decidir cuando
el inspector regresara a revisarla. Si el vuelve antes de que la m
aquina falle, se ocasiona un
costo de a dolares por haber desperdiciado una inspecci
on. Si vuelve despues de que la maquina
haya fallado, se ocasiona un costo de b d
olares por el no funcionamiento de la m
aquina.
58

a) Determine una expresion para el costo esperado, considerando que el tiempo hasta que el
inspector vuelve a inspeccionar la m
aquina es de t horas.
b) Suponga que el inspector decide volver en un tiempo de t = 816 hrs. Calcule la probabilidad de que el inspector llegue tarde a la inspecci
on, es decir, la m
aquina ya ha dejado de
funcionar.
c) Se observa este proceso durante 15 perodos. Determine la probabilidad de que el inspector
llegue tarde mas de 12 veces.

59

11.

Nociones de Convergencia

El objetivo de esta seccion es estudiar el comportamiento de una secuencia de variables aleatorias,

{Z1 , Z2 , . . . , Zn }, cuando n .
Definici
on 11.1 Sea {Zn , n 1} una secuencia de variables aleatorias en (, A, P) y sea R
una constante.
Diremos que Zn converge en probabilidad para ssi
> 0,

P(|Zn | ) 0,

cuando n

Notacion: Zn
P

Ademas, note que Zn

(Zn ) 0

Definici
on 11.2 Sea {Zn , n 1} una secuencia de variables aleatorias definidas en (, A, P) y
sea Z otra variable aleatoria, cuya distribuci
on no depende de n, la cual no necesita estar definida
sobre el mismo espacio de probabilidad donde se encuentran definidas las Zn s.
Diremos que Zn converge en distribuci
on para Z ssi
FZn (z) = P(Zn z) P(Z z) = FZ (z)
cuando n , z donde FZ es continua.
D

Notacion: Zn Z

o FZn FZ

Las definiciones anteriores motivan el siguiente teorema:

Teorema 11.1 (del Lmite Central)
Sean X1 , X2 , . . . , Xn una secuencia de variables aleatorias independientes con media y varianza
2 < . Entonces,
Xn D
N (0, 1)
n

donde
n
X
Xi
Xn =
n
i=1
Aplicacion:
Para n suficientemente grande
X n N (, 2 /n)

60

Ejercicios 7 .
1. La distribucion de las perdidas mensuales de una empresa en unidades monetarias (u.m.) es
aproximadamente normal, con una media de = 3500 y una varianza de 2 = 184900.
a) Cu
al es al probabilidad de que las perdidas mensuales sean inferiores a 2500 u.m.?
b) Que valor separa el 5 % inferior de la distribuci
on de las perdidas mensuales?
c) Describa la distribucion de medias muestrales de tama
no 5 tomadas de esta poblacion.
d) Que valor separa el 5 % inferior de la distribuci
on muestral de tama
no 5?
e) Dada una muestra de las perdidas de 5 meses, cu
al es la probabilidad de que las perdidas
mensuales sean inferiores a 2500 u.m.?
f) Cu
al es al probabilidad de que s
olo uno de los cinco meses se tenga una perdida menor
a 2500 u.m.?
2. Entre los adultos, la distribucion de niveles de alb
umina en el fluido cerebroespinal es aproximadamente simetrica con media = 29,5mg/100ml y una varianza 2 = 85,56mg/100ml.
Suponga que usted elige muestras repetidas de tama
no 20 de esta poblaci
on y calcula la media
de cada muestra.
a) Si usted seleccionara una gran cantidad de muestras aleatorias de tama
no 20, Cu
al sera
la media de las medias muestrales?
b) C
omo se compara la desviaci
on est
andar de las medias muestrales con al desviacion
est
andar de los niveles de alb
umina mismos?
c) Si usted toma todas las diferentes medias muestrales y las utiliza para construir un histograma, Cual sera la forma de su distribuci
on?
d) Que proporcion de las medias muestrales de tama
no 20 son mayores de 33 mg/100ml?
e) Que proporcion de las medias son menores que 28 mg/100ml?
f) Que proporcion de las medias se localizan entre 29 y 31 mg/100ml?
3. Para la poblacion de hombres adultos, la distribuci
on de pesos es aproximadamente normal,
con media = 172,2 libras y una desviaci
on est
andar de = 29,8 libras. Suponga que elige
una sola muestra aleatoria de tama
no 25 y encuentra que el peso medio de los hombres de la
muestra es = 190 libras. Cuan probable es este resultado? Que concluira usted?

61

12.

Vectores Aleatorios

Definici
on 12.1 X = (X1 , X2 , . . . , Xn ) es un vector aleatorio definido en (, A, P) ssi X1 , X2 , . . . , Xn
son variables aleatorias definidas en el mismo modelo (, A, P).

12.1.

Distribuci
on Conjunta

Definici
on 12.2 La funcion definida por
FX1 ,X2 ,...,Xn (x1 , x2 , . . . , xn ) = P(X1 = x1 , X2 = x2 , . . . , Xn = xn ),

xR

se llama funci
on distribuci
on conjunta de X1 , X2 , . . . , Xn
Definici
on 12.3 Sea X = (X1 , X2 , . . . , Xn ) un vector aleatorio en (, A, P). Diremos que:
a) X = (X1 , X2 , . . . , Xn ) es discreto ssi
Rec(X)= Rec(X1 , X2 , . . . , Xn )
es un subconjunto contable (finito o no) de Rn .
En tal caso, la distribucion de probabilidad puede representarse mediante
\

n
P(X1 = x1 , X2 = x2 , . . . , Xn = xn ) = P
{Xi = xi }
i=1

As,
(i) P(X = x) 0
xR
P
P(X = xi ) = 1
(ii)
b) X = (X1 , X2 , . . . , Xn ) es continuo ssi existe una funci
on
fX1 ...Xn : Rn R
no negativa tal que
Z

x1

xn

FX1 ...Xn (x1 , . . . , xn ) =

fX1 ...Xn (t1 , . . . , tn )dtn dt1 ,

xR

En tal caso

n
FX ...X (x1 , . . . , xn )
x1 xn 1 n
Ejemplo 12.1 Sean X e Y variables aleatorias con funci
on distribuci
on conjunta dada por

x
y
(1 e )(1 e ), x >0, y > 0;
FXY (x, y) =
0,
e.o.c.
fX1 ...Xn (x1 , . . . , xn ) =

Determine fXY .
Definici
on 12.4 La distribuci
on de probabilidad de X = (X1 , X2 , . . . , Xn ) se define como:
PX (B) = P(X B) B Bn
As, PX (B), B Bn , es una medida de probabilidad.
(PX , B n , Rn ) es una medida de probabilidad.
62

Proposici
on 2 B B n
PX (B) = P(X B)
X

P(X = x), X

xB
Z
=

fX (x)dx, X

discreta
continua

xB

Teorema 12.1 Sea X un vector aleatorio continuo n- dimensional con densidad fX (x). Sea g =
(g1 , g2 , . . . , gn ) una funcion. Considere la variable aleatoria Y = g(X). Esto significa que se considera la transformacion
y1 = g1 (x1 , . . . , xn )
y2 = g2 (x1 , . . . , xn )
..
.
yn = gn (x1 , . . . , xn )

Finalamente supongase que g y g 1 son continuas y dieferenciables. Entonces la densidad de Y es

fY (y) = |J|fX (g 1 (y), g21 (y), . . . , gn (1)(y)) y Rn
Ejemplo 12.2 Sean X e Y dos variables aleatorias continuas con distribuci
on de probabilidad
conjunta

4xy, 0 < x < 1, 0 < y < 1;
f (x, y) =
0,
e.o.c.
Encuentre la distrbicion de probabilidad conjunta de W = X 2 y Z = XY .

63

12.2.

Distribuci
on Marginal y Condicional

Dada la distribucion de probabilidad conjunta f (x, y) de las variables aleatorias X e Y , la

distribucion de probabilidad f (x) de X se obtiene al sumar f (x, y) sobre todos los valores de Y .
De la misma forma, la distribucion de probabilidad f (y) se obtiene al sumar f (x, y) sobre todos
los valores de X. Cuando X e Y son variables aleatorias continuas, las sumas se reemplazan por
integrales.
Definici
on 12.5 Las distribuciones marginales de X e Y est
an dadas por
X
X
pX (x) =
fXY (x, y)
y
pY (y) =
fXY (x, y)
y

para el caso discreto y

Z
fX (x) =

Z
fXY (x, y)dy

fY (y) =

fXY (x, y)dx

x

para el caso continuo.

Definici
on 12.6 Sean X e Y dos variables aleatorias discretas o continuas. La distribuci
on
condicional de la variable aleatoria Y, dado que X=x, est
a dada por:
fY |X (y) =

fXY (x, y)
,
fX (y)

fX (x) > 0

Ejemplo 12.3 Suponga que la fraccion X de atletas hombres y la fracci

on Y de atletas mujeres que
terminan la carrera del maraton puede describirse por la funci
on densidad conjunta
fXY (x, y) = 8xy,

0 x 1, 0 y x.

Encuentre fX , fY y fY |X y determine la probabilidad de que menos de 1/8 de las mujeres que se

inscribieron para un maraton en particular la finalicen, si se sabe que exactamente 1/2 de los atletas
hombres terminaron la carrera.
Definici
on 12.7 Sean X e Y dos variables aleatorias, discretas o continuas, con distribucion de
probabilidad conjunta fXY y distribuciones marginales fX y fY , respectivamente. Las variables
aleatorias X e Y se dice que son independientes estadsticamente, ssi
fXY (x, y) = fX (x)fY (y),

x, y R

Ejercicios 8 .
1. Usted tiene una urna con r fichas rojas y n fichas negras, con r 2 y n 2. Usted extrae
2 fichas al azar, sucesivamente y sin reemplazo. Para cada i {1, 2}, defina: Xi = 1, si la
i-esima bolita extraida es roja, y Xi = 0, si no.
a) Determine la funcion de probabilidad conjunta del vector (X1 , X2 ).
64

b) Determine las distribuciones marginales de X1 y X2 .

c) Obtenga la funcion de distribuci
on acumulada FX1 X2 (x1 , x2 ) con (x1 , x2 R2 )
2. Sean X1 , X2 variables aleatorias con distribuci
on exponencial de par
ametro 1 y 2 respectivamente. Suponga ademas que los eventos del tipo (X1 < c1 ) y (X2 < c2 ) son independientes
entre s para cualquier c1 , c2 R+ , de lo que se desprende que los eventos del tipo (X1 > c1 )
y (X2 > c2 ) tambien lo son. Considere las siguientes variables aleatorias
Z = max{X1 , X2 } y

W = mn{X1 , X2 }.

a) Exprese FZ (z) en funcion de FX1 (z) y FX2 (z).

b) Calcule fZ (z).
c) Demuestre que W sigue una distribuci
on exponencial e identifique su par
ametro.
3. Sea (X, Y ) un vector aleatorio con funci
on de densidad conjunta
0 x 1; 0 y 1

fX,Y (x, y) = cxy,

a) Calcule P(X t, Y t) para cualquier t (0,1).

b) Calcule P(X + Y 1).
4. Sean X e Y variables aleatorias con funci
on de densidad de probabilidad conjunta

3x, 0 < y < x < 1;
fX,Y (x, y) =
0, e.o.c.
a) Calcule fX , fY
b) Encuentre FX,Y (x, y) para 0 < y < x < 1.
c) Calcule P(Y > x/2)
5. Suponga que X e Y son variables aleatorias con densidad conjunta dada por:
fX,Y (x, y) = 120x(y x)(1 y)

0xy1,

y 0 en otro caso.
a) Verifique que Y tiene distribuci
on Beta(, ) e indique el valor exacto de y
b) Muestre que para todo 0 < t < 1, P (X t Y ) = 3t2 2t3 .
6. Suponga que X e Y son variables aleatorias con densidad conjunta dada por:
fX,Y (x, y) = 2x;

0 x 1,

0y1

a) Calcule P(X + Y t) para 0 t 2.

Indicacion: Analice separadamente los casos 0 t 1 y 1 < t 2.
b) Obtenga la funcion de densidad de la variable aleatoria Z = X + Y.
65

c) Demuestre que sen(X) y {ln(Y )}2 son independientes.

7. Sean X e Y variables aleatorias independientes con distribuci
on Normal(0, 2 ). Encuentre las
X
2
2
funciones de densidad margina de U = X + Y y V = Y y vea que estas son independientes.
8. Sea X e Y variables aleatorias independientes con funciones densidades marginales
fX (x) = xex ,

x>0 y

fY (y) = ey

Sean
Z = X + Y,

W =

y>0

X
X +Y

a) Determine las respectivas densidades marginales de Z y W .

b) Son Z y W variables aleatorias independientes?
c) Obtenga la funcion generadora de momentos de Z, MZ (t).
9. Sea (X, Y ) un vector bivariado discreto con funci
on de probabilidad conjunta,
pX,Y (x, y) =

cy
,
x+1

1 x 3;

1yx

Calcule pX (x) en funcion de la constante c y determnela.

10. Sea (X, Y ) un vector aleatorio con funci
on de densidad conjunta
fX,Y (x, y) = c|y|ex ,

0 x ; x y x

a) Encuentre la densidad marginal de X en termino de la constante c. Demuestre que c =

1/2.
b) Encuentre la densidad marginal de Y y obtenga E(Y ).
c) Encuentre la densidad condicional de Y dado X = 1.

66

12.3.

Esperanza y Varianza Condicional

Definici
on 12.8 Dado un vector aleatorio (X,Y) la esperanza condicional de Y dado X=x se
define como
X

y P(Y = y|X = x), X discreta

Zy
E(Y |X = x) =

y fY |X (y)dy,
X continua

Mas generalmente, si g : R R
X

g(y)P(Y = y|X = x), X discreta

Zy
E(g(Y )|X = x) =

g(y)fY |X (y)dy,
X continua

Proposici
on 3 Si E(|Y |) <
E[E(Y | X)] = E(Y )
Ejemplo 12.4 Sea Y |X = x U (0, 1 x) y fX (x) = 2(1 x), si 0 < x < 1. Determine E(Y ).
Propiedades:
i) E(c|X = x) = c
ii) E(Y1 + Y2 |X = x) = E(Y1 |X = x) + E(Y2 |X = x)
iii) E(cY |X = x) = c E(Y |X = x)
iv) E(g(X, Y )|X = x) = E(g(x, Y ))
En particular,
E(g1 (X)g2 (Y )|X = x) = g1 (x)E(g2 (Y )|X = x)
v) E(g(Y )|X = x) = E(g(Y )) X es independiente de Y.
Definici
on 12.9 La varianza condicional de Y dado X=x se define como
V(Y |X = x) = E[(Y E(Y |X = x))2 |X = x]
X

(y E(Y |X = x))2 P(Y = y|X = x), X

Zy
=

(y E(Y |X = x))2 fY |X (y)dy,

X

Teorema 12.2 Suponga que E(Y 2 ) <

V(Y ) = E(V(Y |X)) + V(E(Y |X))
67

discreta
continua

Ejemplo 12.5 Sean X e Y variables aleatorias continuas tales que X U(0, 1) e Y |X = x

U(x, x + 1).
Calcule:
a) E(Y |X = x) y V(Y |X = x).
b) E(Y ) y V(Y ).
c) La densidad condicional de X dado Y = y.
d) E(X|Y = y) y E(Y |X = x).
e) Considere las funciones de variables aleatorias h(Y ) = E(X|Y ) y k(X) = E(Y |X). Calcule la
funci
on de densidad de h(Y ) y la funci
on de densidad de k(X).
Ejercicios 9 .
1. Sean X e Y variables aleatorias independientes con X P oisson(1 ), Y P oisson(2 ).
a) Muestre que Z = X + Y sigue una distribuci
on Poisson. Determine el par
ametro de esta
distribucion.
b) Encuentre la funcion distribuci
on del vector (X,Z).
2. Sean X e Y variables aleatorias tales que Y |X = x Bin(x, p) y X P oisson(). Determine
la distribucion de Y y calcule su esperanza.
3. Sea X una variable aleatoria positiva con media y varianza . Condicional en el valor
observado x de X se generan variables aleatorias Y1 , Y2 , . . . , Yn independientes e identicamente
distribuidas P oisson(cx).
a) Calcule E(Y1 ) y V(Y2 )
P
Yi . Calcule E(Tn ) y V(Tn ).
b) Sea Tn = n1
4. Sean S y T variables aleatorias independientes con densidades marginales
1
fS (s) = s2 es ,
2

s>0

fT (t9 = 2t,

0 < t < 1.

a) Sea X=ST. Encuentre la densidad de probabilidad conjunta de X y S.

b) Calcule E(X|T = t) y obtenga E(X).
5. Sean N, X1 , X2 , . . . variables aleatorias independientes donde N P oisson() y Xi U (0, ),
i = 1, 2, . . .
Sea
N
X
T =
Xi
i=1

a) Encuentre E(T ) y V(T ).

68

b) Sea Z = max{X1 , . . . , Xn }. Encuentre E(Z).

6. Sean (X1 , Y1 ), (X2 , Y2 ), . . . vectores aleatorios tales iid donde X1 sigue una distribuci
on U(0,1)
y la densidad condicional de Y1 dado X=x es
fY1 |X1 (y) =

1 y/x
ye
,
x2

Sea
T =

n
X
k=1

a) Calcule E(T )
b) Calcule V( Tn )

69

Yk

y>0

Parte III

Inferencia Estadistica
13.

Estimaci
on Puntual

Definici
on 13.1 Un estimador puntual corresponde a cualquier funci
on de la muestra
g(X1 , X2 , . . . , Xn )

13.1.

M
etodo de Momentos

Definici
on 13.2 Sea X1 , X2 , . . . , Xn una muestra aleatoria de una variable X, proveniente de una
poblaci
on con funcion de densidad f , con
= (1 , 2 , . . . , k )
El estimador de momentos e de corresponde a la soluci
on del sistema de ecuaciones
n

1X 1
X
E(X ) =
n i=1 i
1

1X 2
E(X ) =
X
n i=1 i
2

.
= ..
n

E(X k ) =

1X k
X
n i=1 i

Debiendose plantear tantas ecuaciones como par

ametros se desea estimar.
iid

Ejercicios 10 Si X1 , X2 , . . . , Xn f , encuentre los estimadores de momentos si f es

1. exp()
2. (, )
3. U (0, )
4. U (, )

70

13.2.

M
etodo de M
axima Verosimilitud

Definici
on 13.3 Sea X1 , . . . , Xn una muestra aleatoria proveniente de una poblaci
on con funcion
densidad f . Se define la funci
on de verosimilitud como la funci
on densidad conjunta del vector
X1 , . . . , Xn y est
a dada por
n
Y
L(, x) =
f (xi )
i=1
iid

Ejercicios 11 Si X1 , X2 , . . . , Xn f , encuentre una expresi

on simplificada para la funcion de
verosimilitud si f es
1. exp()
2. (, ), con conocido.
3. Bin(n, p) con n conocido.
4. P oisson()
Definici
on 13.4 Un estimador m
aximo verosmil, EMV, de , basado en una muestra X
corresponde a
b
(X)
el cual se obtiene al resolver

log(L(, x)) = 0
j
iid

j = 1, . . . , k

Ejercicios 12 Si X1 , X2 , . . . , Xn f , encuentre los estimadores de m

axima verosimilitud si f es
1. exp()
2. (, ), con conocido.
3. Bin(n, p) con n conocido.
4. P oisson()

71

14.

Insesgamiento y eficiencia

Definici
on 14.1 Un estimador puntual b de es insesgado si
b =
E()

Si b no es insesgado , se denomina sesgo de b a

b = E()
b
b()
Por lo tanto, un estimador es insesgado si su distribucion tiene como valor esperado al parametro
que se desea estimar.
iid

Ejercicios 13 Si X1 , X2 , . . . , Xn f , determine si los estimadores de momentos y m

axima verosimilitud son insesgados para f
1. exp()
2. (, ), con conocido.
3. Bin(n, p) con n conocido.
4. P oisson()
Definici
on 14.2 El error cuadr
atico medio de un estimador g(X) de corresponde a
ECM(g) = E(g )2
= V(g) + (b(g))2
Ejercicios 14 .
iid
b
1. Sea X1 , . . . , Xn exp() y consideremos b = 1/x. Calcule el ECM().
iid
b si b = x.
2. Sea X1 , . . . , Xn N (, 2 ). Calcule el ECM()

3. Suponga que el tiempo de duracion X de un cierto componente electr

onico posee distribucion
Rayleigh de parametro , con funcion densidad dada por
2
2
fX (x) = xex / ,

x>0 >0

Para realizar la inferencia acerca de se considera una muestra aleatoria X = (X1 , . . . , Xn )

que representa los tiempos de duraci
on de n de esos componentes.
a) Determine la funcion de verosimilitud.
b) Determine el estimador de maxima verosimilitud b de .
c) Determine si el EMV es insesgado.
b
d) Calcule el ECM().
72

iid

4. Sea X1 , . . . , Xn N (, 2 ) y consideremos los estimadores para 2

n

s21

1 X
(Xi X)2
=
n 1 i=1

s22 =

n1 2
s
n 1

Determine el ECM de ambos estimadores.

Definici
on 14.3 Se define la matriz de informaci
on de Fisher como

2

I() = E
logL(, x)

Lema 2 Sea la funcion f tal que


 Z




E
logL(, x) =
logf (x) f (x) dx,
d

entonces,
2
 2


logL(, x) = E
logL(, x)
E

2


Teorema 14.1 Cramer- Rao.

Sea X1 , . . . , Xn una muestra con funcion densidad f que satisface la conmutatividad entre el operador integral y diferencial y sea g(X) = g(X1 , . . . , Xn ) un estimador donde E(g(X)) es diferenciable
como funci
on de . Entonces
d
E(g(X))2
( d
V(g(X))

2

E
log L(, x)
Observacion: La cantidad

d
( d
E(g(X))2

log

2
L(, x)

se llama cota de Cramer-Rao y todo estimador que alcance esta cota sera llamado eficiente.
Es claro que si g(X) es un estimador insesgado para entonces se cumple que
1

V(g(X))
E

log

2
L(, x)

es decir, la cota de Cramer- Rao es igual a I()1 .

Ejercicios 15 .
1.
Definici
on 14.4 Un estimador g(X) de se dice eficiente si
I()1
=1
b
V()

73

15.

Estimaci
on Intervalar

74