Est Ad Is Tic A

Proyecto
MaTEX
Estad stica Descriptiva
Fco Javier Glez Ortiz
Directorio
Tabla de Contenido Inicio Cap tulo
Copyright c 2002 gonzaleof@unican.es Actualizado el: 26 de septiembre de 2003
Versin 2.00 o
Tabla de Contenido
1. 2. 3. 4. 5. Introduccin o Tipos de variables Mtodos de Estad e stica Descriptiva bsica a Tablas Grcos a 5.1. Pictogramas 5.2. Diagramas de barras 5.3. Histograma y pol gono acumulativo 6. Estad sticos 6.1. Estad sticos de tendencia central 6.2. Estad sticos de dispersin o 6.3. Estad sticos de posicin o Soluciones a los Ejercicios
Seccin 1: Introduccin o o
1. Introduccin o
La Estad stica Descriptiva nace de la necesidad de extraer y resumir la informacin relevante contenida en grandes volmenes de datos. o u Esta necesidad est motivada por la incapacidad de la mente humana a para comprender la informacin contenida en conjuntos grandes de o datos por la mera visin de listados de dichos datos. o
2. Tipos de variables
Atendiendo a su naturaleza, las variables bajo estudio pueden clasicarse segn los siguientes tipos: u Variables cualitativas: Son aquellas que no toman valores numrie cos; por ejemplo, el color de una tela. Variables cuantitativas: Son aquellas que toman valores numrie cos. A su vez, entre stas pueden clasicarse en e Variables cuantitativas discretas: Si solamente pueden tomar valores enteros. Por ejemplo, el nmero de coches prou
Ind Volver Ver Doc Doc
Seccin 2: Tipos de variables o
ducidos en una factor a. Variables cuantitativas continuas: Si pueden tomar cualquier valor dentro de un intervalo de la recta real. Por ejemplo, la resistencia a traccin de una barra de acero. o Dependiendo del tipo de variables que consideremos, pueden variar los mtodos apropiados para su tratamiento. e Desde otro punto de vista, las variables pueden clasicarse atendiendo al nmero de observaciones que se realizan en el mismo indiu viduo. As podemos encontrar: Variables unidimensionales: Si solamente se observa un dato en cada individuo. Por ejemplo, se mide la resistencia de una viga de hormign. o Variables bidimensionales: Si se observan dos datos en cada individuo. Por ejemplo, se mide la resistencia y la deformacin de o una viga de hormign. o El estudio de las variables uni y bidimensionales es propio de la Estad stica Descriptiva bsica. a
Seccin 2: Tipos de variables o
Cuestin 2.1 Responde a las siguientes cuestiones sobre el tipo de o variable cuando clasicamos a los alumnos de una clase: 1. la variable deporte que practican es: (a) Cualitativa (b) Discreta 2. la variable nmero de hermanos es: u (a) Cualitativa (b) Discreta
(c) continua (c) Continua
3. la variable tiempo que ven la televisin en una semana es: o (a) Cualitativa (b) Discreta (c) Continua 4. la variable peso es: (a) Cualitativa (b) Discreta (c) Continua (c) Continua (c) Continua
5. la variable color de su pelo es: (a) Cualitativa (b) Discreta 6. la variable altura es: (a) Cualitativa (b) Discreta
Ind
Volver Ver
Doc Doc
Seccin 3: Mtodos de Estad o e stica Descriptiva bsica a
3. Mtodos de Estad e stica Descriptiva bsica a

La Estad stica Descriptiva bsica se ocupa del estudio de datos a muestrales correspondientes a variables uni y bidimensionales. Para ello se usan los siguientes mtodos: e Tablas: Se construyen a partir de un listado exhaustivo de los datos muestrales. Las tablas pueden usarse con cualquier tipo de variables y permiten realizar un resumen inicial de la informacin contenida en la muestra. o Grcos: Pueden construirse a partir de un listado exhaustivo de a datos, o bien a partir de tablas. Dependiendo del tipo de la variable bajo estudio, puede variar el tipo de grco que convenga a usar. Estad sticos: Un estad stico es, por denicin, cualquier funcin o o de los datos de una muestra cuantitativa. Por tanto, generalmente no tiene sentido hablar de estad sticos cuando la variable observada es cualitativa.
Seccin 4: Tablas o
4. Tablas
La ventaja fundamental que proporcionan las tablas, frente al listado exhaustivo de los datos, es que facilitan enormemente la comprensin de la informacin contenida en la muestra. o o En la tabla 1 se registran la edad de 132 pasajeros de un avin, que o corresponden a 132 datos sin agrupar.
1 18 29 35 42 46 49 54 59 65 76 3 19 29 36 43 46 50 55 60 65 77 6 20 29 36 44 46 50 55 60 66 77 7 23 30 36 44 47 50 55 60 68 78 12 23 31 36 44 47 50 55 61 70 78 13 23 32 36 44 47 51 56 61 71 79 13 24 33 37 45 47 51 56 62 71 79 14 27 33 37 45 47 52 57 63 71 79 14 27 34 37 45 48 52 57 63 71 86 14 28 34 39 45 48 52 58 64 71 88 16 28 34 39 45 49 53 58 64 72 93 17 29 34 40 45 49 53 58 65 73 97
Tabla 1: Las edades ordenadas de 132 pasajeros de un avin o La variable edad es cuantitativa discreta, pero deseamos clasicar
Seccin 4: Tablas o
a los pasajeros en las categor jvenes si la edad es inferior a 20, as, o adultos entre 20 y 65 y jubilados el resto. Despus de un recuento e diseamos una tabla de frecuencias. n Los datos de la muestra pueden resumirse como se indica:
Edad jvenes o adultos jubilados Totales Frecuencia Absoluta 14 93 25 132 Frecuencia Relativa 0,106 0,704 0,190 1
Tabla 2: Clasicacin de los pasajeros por tramos de edad. o
Debe observarse que la frecuencia absoluta fi de cada tramo de edad es, por denicin, el nmero de individuos que cumplen ese trao u mo. La frecuencia relativa hi es, tambin por denicin, la proporcin e o o individuos que cumplen ese tramo y se obtiene dividiendo la correspondiente frecuencia absoluta por el nmero total de datos en la muesu tra (por ejemplo, la frecuencia relativa 0,704 se obtiene dividiendo 93
Seccin 4: Tablas o
entre 132); no obstante y a pesar de que no recomendamos esta prctia ca, no es extrao encontrar publicaciones en las que las frecuencias n relativas se expresen en tantos por ciento (en este caso, se escribir a 70.4 % en lugar de 0,704). Al nmero total de datos en la muestra se u le suele designar por la letra n (en este ejemplo, n =132). Ejemplo. 4.1. Con los datos de la tabla 1 confeccionar una tabla de frecuencias absolutas y relativas en 5 clases de longitud 20 aos. n Solucin: Despus de un recuento diseamos la tabla de frecuencias. o e n
Edades 0 x < 20 20 x < 40 40 x < 60 60 x < 80 80 x < 100 fi 14 33 50 31 4 n = 132 hi 0,106 0,250 0,379 0,235 0,030 1
que consiste en una distribucin de frecuencias para datos agrupao dos. As por ejemplo la frecuencia absoluta 33 corresponde al nmero u de pasajeros con edad entre 20 y 40, y la frecuencia relativa 0,250
Seccin 4: Tablas o
10
corresponde al cociente entre los 33 y el nmero total de 132. Puede u observarse que la suma de las frecuencias absolutas fi = 132 es el nmero de datos, y la suma de las frecuencias relativas u hi = 1 es siempre la unidad. Conviene formalizar las siguientes deniciones importantes que han aparecido a lo largo de esta seccin: o Denicin 1 (Tama o muestral) El tamao de la muestra es el o n n nmero de items o individuos de los que se han obtenido los datos de u la muestra. El tamao de la muestra suele designarse por la letra n. n Denicin 2 (Clase) Clase es cada intervalo usado para agrupar los o datos de la muestra cuando el nmero de datos diferentes entre s es u muy grande. Es necesario usar clases cuando la variable observada es cuantitativa continua, pero tambin puede serlo cuando es discreta si el nmero de e u datos diferentes es muy grande. Siempre que sea posible deben usarse clases de igual anchura.
Seccin 4: Tablas o
11
Denicin 3 (Marca de clase) Marca de clase es el punto medio o de la clase. Denicin 4 (Frecuencia absoluta) Frecuencia absoluta de un dao to es el nmero de veces que ocurre dicho dato en la muestra. Freu cuencia absoluta de una clase es el nmero de datos de la muestra u que pertenecen a dicha clase. Se indica con fi . Denicin 5 (Frecuencia relativa) Frecuencia relativa de un dato o o una clase es el cociente entre su frecuencia absoluta y el tamao de n la muestra. Se indica con hi . De acuerdo con esta denicin, las frecuencias relativas son proporo ciones y sus valores deben estar en el intervalo cerrado [0, 1]. Aunque las frecuencias relativas se expresan a veces en tanto por ciento, este uso debe considerarse informal.
Ind
Volver Ver
Doc Doc
Seccin 4: Tablas o
12
Cuestin 4.2 Observa la siguiente tabla de frecuencias y responde: o

Edades 0 x < 20 20 x < 40 40 x < 60 60 x < 80 80 x < 100 fi 14 33 50 31 4 n = 132 hi 0,106 0,250 0,379 0,235 0,030 1
1. El tamao de la muestra es: n (a) 100 (b) 132 2. La clase con 31 pasajeros es: (a) [20; 40) (b) [40; 60) 3. La marca de clase de [20; 40): (a) 20 (b) 30
(c) Otro valor (c) [60; 80) (c) 40
4. La proporcin de pasajeros de 20 a 40 aos es: o n (a) 33 (b) 0,25 (c) Otro valor
Ind
Volver Ver
Doc Doc
Seccin 4: Tablas o
13
Cuestin 4.3 La tabla siguiente (incompleta) resume las notas obtenio das por 80 alumnos de un instituto en selectividad. Responder
Calicacin o Suspensos Aprobados Notables Sobresalientes fi 20 16 hi 0,375
1. El nmero de Suspensos es: u (a) 20 (b) 30 2. El nmero de Sobresalientes es: u (a) 10 (b) 12 3. La proporcin de Notables es: o (a) 0,20 (b) 0,25
(c) 40 (c) 14 (c) 16
4. La suma de las frecuencias absolutas fi es: (a) 100 (b) 80 (c) Otro valor
Ind
Volver Ver
Doc Doc
Seccin 5: Grcos o a
14
5. Grcos a
Los grcos suelen construirse a partir de tablas, pero pueden tama bin construirse a partir de un listado exhaustivo de datos. En genee ral, el tipo de grco usado depende del tipo de la variable observada. a
35 30
Numero de familias
Campsa
25
81
Petrol 120
20 15
Cepsa y
x Oil
10 5
3 4 5 N o de HIJOS
140 120 100 80
Densidad de frecuencias
2.5
1.5
60
1
40
0.5
20 0 0
10
20
30
Edad
40
50
60
70
80
90
100
20
40
60
80
100
Ind
Volver Ver
Doc Doc
Seccin 5: Grcos o a
15
5.1. Pictogramas
Con el nombre de pictogramas suelen denominarse un conjunto de grcos de aspecto ms o menos atractivo que sirven para transmitir a a de forma sencilla la informacin contenida en una muestra. o
2000 Kanguros en el mundo (en miles)
1500
1000
500
Oceania
Africa
Asia
America Europa
Entre los pictogramas pueden incluirse los grcos de sectores. a

Seccin 5: Grcos o a
16
Ejemplo. 5.1. En un hipermercado se han producido las siguientes ventas en euros: Juguetes 125, Plantas 175, Discos 250, Alimentacin o 450. Realizar un diagrama de sectores Solucin: Almacenamos la informacin en una tabla o o
Variable Juguetes Plantas Discos Alimentacin o fi 125 175 250 450 1000 hi 0,125 0,175 0,250 0,450 1 Angulo 0,125 360o = 45o 0,175 360o = 63o 0,250 360o = 90o 0,450 360o = 162o 360o
Juguetes 12.5% Plantas 17.5% 45% Alimentacin
Por ejemplo, para el caso de las Plantas con 175 euros, para hallar el ngulo del a sector 175 = 0,175 0,175 360o = 63o 1000 Anlogamente los dems. a a
25% Discos
Ind
Volver Ver
Doc Doc
Seccin 5: Grcos o a
17
Ejercicio 5.1. Un fabricante de ordenadores vende sus productos en cuatro pa de acuerdo a la tabla. Realiza un diagrama de sectores. ses
pa s ventas Espaa n 5% Francia 15 % Alemania 15 % Reino Unido 65 %
Ejercicio 5.2. El diagrama de sectores inferior muestra las ventas de empresas de petroleo. Cul es el porcentaje de ventas que tiene a la empresa Campsa?. Si la empresa Oil tiene un 12,5 % del total de ventas, clcula los valores de los ngulos x e y. a a
Campsa 81 Petrol 120 Cepsa y
x Oil
Ind
Volver Ver
Doc Doc
Seccin 5: Grcos o a
18
5.2. Diagramas de barras

La tabla registra el nmero de hijos de 145 familias, que corresu ponde a una variable cuantitativa discreta :
hijos frecuencia 0 31 1 25 2 35 3 20
35 30 25 20 15 10 5
4 0
5 16
6 12
7 5
8 1
En el diagramas de barras aparecen en la escala de ordenadas las frecuencias absolutas o relativas con las que ha ocurrido cada dato; estas frecuencias vienen indicadas por barras de longitudes proporcionales a dichas frecuencias; en la escala de abscisas del grco aparecen los a datos. Por ejemplo, con 2 hijos hay 35 familias.
Numero de familias
3 4 5 N o de HIJOS
Ind
Volver Ver
Doc Doc
Seccin 5: Grcos o a
19
5.3. Histograma y pol gono acumulativo

El grco usado ms frecuentemente para describir variables cuana a titativas continuas es el histograma. La parte izquierda de la gura 1 muestra el histograma correspondiente a la tabla del ejemplo 4.1. Las frecuencias de los intervalos vienen representadas por rectngulos cua ya altura1 es proporcional a la frecuencia del intervalo. Sin embargo, puesto que la variable es ahora continua, los rectngulos tienen que a aparecer compartiendo sus lados verticales con los rectngulos cona tiguos. Adems, el orden en que aparecen las clases es el natural de a los datos, independientemente de cules sean las respectivas frecuena cias de las clases. En la escala del eje de ordenadas pueden aparecer las frecuencias absolutas o relativas2 . En la escala del eje de abscisas
1 En realidad es ms exacto decir que, en los histogramas, el rea de los a a rectngulos debe ser proporcional a la frecuencia del intervalo. Sin embargo, esta a precisin solamente es estrictamente necesaria cuando se usan clases de diferentes o anchuras. 2 Si las clases tuvieran diferentes anchuras, la escala de ordenadas deber mosa trar las frecuencias relativas por unidad de amplitud, que se obtienen dividiendo las frecuencias relativas por las anchuras de las clases.
Ind
Volver Ver
Doc Doc
Seccin 5: Grcos o a
50 45 40 35 30 25 20 15 10 5 0 0 20 40 60 80 100 20 0 0 60 40 100 80 140 120
20
20
40
60
80
100
Figura 1: Histograma (izquierda) y pol gono acumulativo (derecha) para las edades de los pasajeros. El tamao de la muestra es n =132. n pueden aparecer las marcas de clases, los extremos de las clases, o cualquier otra marca que cubra el rango de los datos.
Ind
Volver Ver
Doc Doc
Seccin 5: Grcos o a
21
Ejemplo. 5.2. Es este ejemplo se pide un histograma cuando los datos de las edades se registran en clases de longitud diferente. Solucin: Si hicisemos un histograma con las frecuencias absolutas o e o relativas el grco ser engaoso. Lo correcto es, que la escala de a a n ordenadas debe mostrar la densidad de frecuencias, que se obtienen dividiendo las frecuencias por las anchuras de las clases.
Edades 0 x < 20 20 x < 40 40 x < 50 50 x < 70 70 x < 100
fi 14 33 26 39 20
densidad 28 : 20 = 0,70 33 : 20 = 1,65 26 : 10 = 2,60 39 : 20 = 1,80 20 : 30 = 0,66
2.5
1.5
0.5
10
20
30
Edad
40
50
60
70
80
90
100
Ind
Volver Ver
Doc Doc
Seccin 5: Grcos o a
22
Ejercicio 5.3. En un hospital se han tomado los pesos (en kg) de 50 recin nacidos: e
2,8 3,2 3,8 2,5 2,7 3,0 2,6 1,8 3,3 2,9 2,9 3,5 3,0 3,1 2,2 2,4 3,4 2,0 2,6 3,1 2,9 2,8 2,7 3,1 3,0 3,7 1,9 2,6 3,5 2,3 2,1 3,4 2,8 3,1 3,9 3,4 2,5 1,9 3,0 2,9 2,3 3,5 2,9 3,0 2,7 3,1 2,8 2,6 2,9 3,3
Agrupar en 5 intervalos de amplitud 0.5 kg. y dibujar el histograma.
Ind
Volver Ver
Doc Doc
Seccin 6: Estad o sticos
23
6. Estad sticos
Denicin 6 (Estad o stico) Estad stico es cualquier funcin de los o datos de la muestra. Si los datos de la muestra se designan por x1 , x2 , . . . , xn , cualquier funcin de los datos es un estad o stico. Por tanto, solamente existen estad sticos cuando la variable observada X es cuantitativa. El poder de s ntesis de los estad stico es muy grande, ya que cada estad stico resume el conjunto de todos los datos en un unico valor. En contra partida, la informacin suministrada por cada estad o stico tiene que ser forzosamente menor que la informacin suministrada por toda la o muestra. Dependiendo del tipo de informacin que proporcione un o estad stico puede clasicarse en alguno de los siguientes tipos: 1. Estad sticos de tendencia central o de localizacin. Los ms imo a portantes son la media, la moda y la mediana muestrales. 2. Estad sticos de dispersin. Los ms importantes son la varianza o a y la desviacin t o pica muestrales, aunque tambin puede citarse e el coeciente de variacin. o
24
3. Estad sticos de posicin. Los ms importantes son lo cuantiles o a muestrales y sus variantes: deciles, cuartiles y percentiles.
6.1. Estad sticos de tendencia central

La dimensin de los estad o sticos de tendencia central siempre coincide con la de la variable observada. Por ejemplo, si estuviramos obe servando el peso expresado en kilos de los individuos de una muestra, los estad sticos de localizacin tambin se expresar en kilos. o e an Denicin 7 Media aritmtica La media aritmtica de los datos est dao e e a da por: n xi x1 + x2 + + xn x= = i=1 n n En el caso de que haya datos repetidos la expresin es: o x=
n i=1
xi fi
Ind
Volver Ver
Doc Doc
25
Ejemplo. 6.1. Obtener la nota media de un alumno con las calicaciones:5,7,4 y 2. . Solucin: La nota media es la media aritmtica de las calicaciones, o e es decir 5+7+4+2 18 x= = = 4,5 4 4 Ejemplo. 6.2. En una clase de 10 alumnos se han registrado las siguientes las calicaciones: 6 alumnos un 5, 3 alumnos un 7 y un alumno un 9. Obtener la nota media. Solucin: Como ahora las puntuaciones se repiten,preparamos una o tabla de frecuencias para realizar los clculos, a
xi 5 7 9 fi 6 3 1 n = 10 xi f i 30 21 9 60
La nota media de la clase es n xi fi 60 x = i=1 = =6 n 10
Ind
Volver Ver
Doc Doc
26
Denicin 8 Mediana muestral Se llama mediana muestral M ed a o cualquier valor que deje tantos valores por debajo como encima f r(xi M ed) 0,5, f r(xi M ed) 0,5, donde f r(xi M ed) es la frecuencia relativa de los datos menores o iguales que M ed y f r(xi M ed) es la frecuencia relativa de los datos mayores o iguales que M ed. La mediana siempre existe, pero puede no ser unica. Ejemplo. 6.3. Un alumno ha obtenido las calicaciones:5,7,4,6 y 2. Obtener la nota mediana. Solucin: Ordenamos las calicaciones, es decir o 2, 4, 5, 6, 7 Como hay un nmero impar de datos,la nota que deja la mitad de los u valores por encima y por debajo es el 5. M ed = 5 Ejemplo. 6.4. Un alumno ha obtenido las calicaciones:8,5,7,4,9 y 2. Obtener la nota mediana.
27
Solucin: Ordenamos las calicaciones, es decir o 2, 4, 5, 7, 8, 9 En este caso, como hay un nmero par de datos,cualquier nmero u u entre 5 y 7 se podr tomar como mediana, pero por convenio se toma a el punto medio entre las centrales 5 y 7. Es decir 5+7 =6 M ed = 2 Ejemplo. 6.5. Obtener la mediana para los datos de las edades de los pasajeros que estn en la tabla 1 . a Solucin: Como la mitad de los datos son N/2 = 132/2 = 66 y el o nmero de datos es par, tomamos el valor central entre las edades u que ocupan el lugar 66 y 67, que corresponde a 47 aos. Es decir n M ed = 47 aos. Signica que la mitad de los pasajeros tienen una n edad inferior o igual a 47 aos y la otra mitad una edad superior o n igual a 47 aos. n
28
Ejemplo. 6.6. Obtener la mediana para los datos de las edades agrupados por clases como en la tabla del ejemplo 4.1. Solucin: Preparamos la tabla aadiendo las frecuencias acumuladas o n Fi . Edades fi Fi Calculamos la mitad de los datos 0 x < 20 14 14 N/2 = 132/2 = 66. Como hay 47 20 x < 40 33 47 pasajeros hasta 40 aos, y 97 n 40 x < 60 50 97 60 x < 80 31 128 pasajeros hasta 60 aos, la mediana n 80 x < 100 4 132 estar entre 40 y 60. a n = 132
97
C
66 47
A
E D B
x 40
Med
60
Para calcularla se interpola con la proporcin o de tringulos en rojo. a AB BC = AD ED 20 19 20 50 x= = 7,6 x 19 50 M ed = 40 + x = 40 + 7,6 = 47.6 aos n
Ind
Volver Ver
Doc Doc
29
Ejemplo. 6.7. En la siguiente distribucin de notas, hallar M e. o

xi fi Fi 200 240 57 57 240 280 82 139 280 320 73 212 320 360 31 243 360 400 15 258
Solucin: o La M e deja por debajo el 50 % de los datos, es decir 0,5 258 = 129. Mirando en las frecuencias acumuladas Fi corresponde a la clase 240-280. Interpolamos de acuerdo al grco. a En 280-240=40 puntos se reparten 139 57 = 80 observaciones y en x puntos se reparten 129 57 = 72 observaciones, es decir 40 x 82 72 40 72 x= = 35,12 82
129 139
57
240
Me 280
M ed = 240 + x = 240 + 35,12 = 275.12 puntos
Ind
Volver Ver
Doc Doc
30
Denicin 9 Moda y clase modal La moda muestral es el dato de o mayor frecuencia relativa. La clase modal es la clase que tiene mayor frecuencia relativa por unidad de amplitud. Ejemplo. 6.8. Hallar la moda M o de los puntos obtenidos en un test.
xi fi 200 240 57 240 280 82 280 320 73 320 360 31 360 400 15
Solucin: La clase modal corresponde a la de mayor frecuencia (cuano do las clases tienen la misma amplitud). En este caso, 240 280. Se toma como moda la marca de clase. M o = 260 puntos. Ejemplo. 6.9. Hallar la moda en la tabla del ejemplo 4.1. Solucin: La clase modal corresponde a la de mayor frecuencia, [40; 60) o y se toma como moda la marca de clase, M o = 50 aos. n Ejercicio 6.4. Los sueldos en euros en una empresa son: 1 director con 1800 euros ; 3 jefes con 1500; 6 encargados con 900 y 9 operarios con 480. Calcula el sueldo medio, la moda y la mediana.
31
6.2. Estad sticos de dispersin o

Ejemplo. 6.10. Dos grupos uno de letras y otro de ciencias de 8 alumnos cada uno han realizado un test, obteniendo las siguientes puntuaciones. Compararlos estad sticamente
Grupo A Grupo B 46 10 48 18 49 30 50 50 50 50 51 70 52 82 54 90
Solucin: Resulta que si resumimos estos grupos con las medidas de o centralizacin la media, moda y mediana coinciden. o xA = xB = M oA = M oB = M eA = M eB = 50 Con este ejemplo se aprecia la necesidad de las medidas estad sticas de dispersin o variabilidad, pues el grupo B tiene puntuaciones ms o a dispersas o alejadas respecto de la media. Como muestra el ejemplo anterior se necesitan estad sticos que registren la dispersin o variabilidad de los datos. o
Ind
Volver Ver
Doc Doc
32
Denicin 10 Varianza muestral Se llama varianza muestral al eso tad stico denido por: x)2 fi n Operando se obtiene la expresin ms cmoda o a o s2 = s2 =
n i=1 n i=1 (xi
x2 fi i x2 n
(1)
Denicin 11 Desviacin t o o pica Se llama desviacin t o pica muestral a la ra cuadrada, s, de la varianza muestral. z Ejemplo. 6.11. Hallar la media, varianza y desviacin t o pica de las notas 3, 5, 7. Solucin: o 3+5+7 x= =5 3 32 + 52 + 72 52 = 2,67 = s = 2,67 = 1,63 s2 = 3
33
Ejemplo. 6.12. Hallar la media,varianza y desviacin t o pica de las edades de la tabla 4.1. Solucin: Preparamos la tabla aadiendo las columnas xi , xi fi y x2 fi . o n i
Clases 0 x < 20 20 x < 40 40 x < 60 60 x < 80 80 x < 100 xi 10 30 50 70 90 fi 14 33 50 31 4 132 xi f i 140 990 2500 2170 360 6160 x2 f i i 1400 29700 125000 151900 32400 340400
x= s2 = x
xi fi 6160 = = 46,67 n 132
x2 fi 340400 i x2 = 46,672 = 400,7 n 132 sx = 400,7 = 20,02
Para practicar realiza los siguientes ejercicios.

34
Ejercicio 6.5. Hallar la media y la desviacin t o pica de las siguientes distribuciones de datos: (a) 1, 4 ,8 ,9 ,10. (b) 3.2, 4.7 ,5.1 ,5.2 ,6.3 Ejercicio 6.6. Hallar la media y la desviacin t o pica de la siguiente distribucin de datos: o
xi fi 3 1 4 5 5 4 7 2 9 3
Ejercicio 6.7. Hallar la media y la desviacin t o pica de la siguiente distribucin de datos: o

Clases fi 10 20 1 20 30 5 30 40 3 40 50 1
Denicin 12 Coeciente de variacin El coeciente de variacin o o o se dene como el cociente s CV = x supuesto que x = 0.
35
Ejemplo. 6.13. El peso medio de los alumnos de una clase es 58,2 kg y su desviacin t o pica 4.0 kg. Por otra parte la altura media es de 175 cm y su desviacin t o pica es 5,0 cm. Calcula el coeciente de variacin o y compara la dispersin de ambos grupos. o Solucin: Como las variables tienen unidades distintas. Una mide kg o y la otra cm, para comparar la dispersin acudimos al coeciente de o variacin que no tiene unidades. o 4 CVpesos = = 0,0687 58,2 5 CValturas = = 0,0286 175 luego hay ms dispersin en los pesos que en las alturas a o
Ind
Volver Ver
Doc Doc
36
6.3. Estad sticos de posicin o

Empecemos por el siguiente ejemplo. Las notas ordenadas de matemticas y de f a sica de una clase de 10 alumnos son: matemticas a f sica 4 2 5 2.5 6 3 7 3.5 7.8 3.8 7.9 4 8.1 4.5 9 5.5 9 6 10 7
En rojo se han puesto las notas obtenidas por el alumno Javier. En que asignatura ha obtenido mejor resultado Javier?. En matemticas, como hay 4 notas iguales o inferiores a un 7, a tenemos que 4/10 = 0,40(40 %) de la clase han obtenido una nota igual o inferior a 7,este es el cuantil 0,4, c0,4 o percentil 40 p40 . En f sica hay 7 notas iguales o inferiores a un 4.5,tenemos que 7/10 = 0,70(70 %) de la clase han obtenido una nota igual o inferior a 4,5,este es el cuantil 0,7, c0,7 o percentil 70 p70 . De todo ello vemos que dentro de su grupo la nota de f sica es mejor que la nota de matemticas, pues ocupa una posicin superior a o dentro del grupo de datos.
Ind
Volver Ver
Doc Doc
37
Denicin 13 Cuantil de orden Se llama cuantil muestral de orden o a cualquier valor C que verique las dos desigualdades siguientes f r(xi C ) , para cualquier entre 0 y 1. Por tanto, la mediana es el cuantil muestral C0,5 . Otros cuantiles importantes son los siguientes: Denicin 14 Cuartiles Se llama primer cuartil muestral Q1 al cuano til C0,25 . El segundo cuartil muestral es la mediana. Se llama tercer cuartil muestral Q3 al cuantil C0,75 . Denicin 15 Deciles Se llaman deciles muestrales a los cuantiles o C0,1 , C0,2 , . . . , C0,9 . Denicin 16 Percentiles Se llaman percentiles muestrales a los cuano tiles indicados en porcentaje. As el cuantiles C0,15 es el percentil 15 p15 , etc.
f r(xi C ) 1 ,
38
Ejemplo. 6.14. Hallar los cuartiles Q1 , Q2 de las calicaciones ya ordenadas de un grupo:

1 1 1 1 1 1 1 1 1 2 2 2 2 3 3 3 4 4 4 4 4 4 4 4 4 5 5 5 5 5
Solucin: Con este ejemplo se explica la tcnica para calcular cuantiles o e de datos sin agrupar. Como Q1 deja por debajo el 25 % de los datos, se calcula 0,25 (n + 1) = 0,25 (31) = 7,75 datos y se toma entre el sptimo y el octavo el valor e Q1 = x7 + 0,75(x8 x7 ) = 1 + 0,75(1 1) = 1 Como Q2 = M e deja por debajo el 50 % de los datos,se calcula 0,5 (n + 1) = 0,5 (31) = 15,5 datos y se toma entre el decimoquinto y el decimosexto el valor Q2 = x15 + 0,5(x16 x15 ) = 3 + 0,5(3 3) = 3
Ind
Volver Ver
Doc Doc
39
Ejemplo. 6.15. Hallar Q1 , Q3 de la siguiente distribucin de notas, o

xi fi Fi 1 7 7 2 15 22 3 41 63 4 52 115 5 104 219 6 69 288 7 26 314 8 13 327 9 19 346 10 14 360
Solucin: o Como Q1 deja por debajo el 25 % de los datos, se calcula 0,25 (n + 1) = 0,25 (361) = 90,25 datos y se toma entre el 90-dato y el 91-dato el valor Q1 = x90 + 0,25(x91 x90 ) = 4 + 0,25(4 4) = 4 Como Q3 deja por debajo el 75 % de los datos, se calcula 0,75 (n + 1) = 0,75 (361) = 270,75 datos y se toma entre el 270-dato y el 271-dato el valor Q3 = x270 + 0,75(x271 x270 ) = 6 + 0,75(6 6) = 6
Ind
Volver Ver
Doc Doc
40
Ejemplo. 6.16. Hallar los percentiles p15 , p40 , p80 de la tabla 1. Solucin: o Como p15 deja por debajo el 15 % de los datos, se calcula 0,15 (n + 1) = 0,15 (133) = 19,95 datos y se toma entre el 19-dato y el 20-dato el valor p15 = x19 + 0,95(x20 x19 ) = 24 + 0,95(27 24) = 26.85 Para p40 , 0,40 (n + 1) = 0,40 (133) = 53,20 datos y se toma entre el 53-dato y el 54-dato el valor p40 = x53 + 0,2(x54 x53 ) = 44 + 0,2(44 44) = 44 Para p80 , 0,8 (n + 1) = 0,8 (133) = 106,4 datos y se toma entre el 106-dato y el 107-dato el valor p80 = x106 + 0,4(x107 x106 ) = 64 + 0,4(64 64) = 64
Ind
Volver Ver
Doc Doc
41
Ejemplo. 6.17. Obtener el tercer cuartil Q3 para los datos de las edades agrupados por clases como en la tabla 4.1. Solucin: Preparamos la tabla aadiendo las frecuencias acumuladas o n Fi . Edades fi Fi Calculamos el 0,75 de los datos 0 x < 20 14 14 0,75 n = 99. Como hay 97 pasajeros 20 x < 40 33 47 hasta 60 aos, y 128 pasajeros hasta n 40 x < 60 50 97 60 x < 80 31 128 80 aos, el Q3 estar entre 60 y 80. n a
80 x < 100 4 n = 132 132
128
99 97
A
E D B
x 60
Q3
80
Para su clculo se interpola con la proporcin a o de tringulos en rojo. a AB BC = AD ED 20 2 20 31 x= = 1,29 x 2 31 Q3 = 60 + x = 60 + 1,29 = 61.29 aos n
Ind
Volver Ver
Doc Doc
42
Denicin 17 Extremos: M o nimo y Mximo Los extremos muestraa les son el menor dato o m nimo y el mayor dato o mximo de la a muestra. A partir de los cuartiles pueden denirse el siguiente estad stico de dispersin: o Denicin 18 Rango intercuart o lico El rango intercuart lico es la diferencia entre el tercer y el primer cuartil, es decir, RIC = C0,75 C0,25 . A partir de los extremos se dene el rango de la muestra: Denicin 19 Rango El rango muestral es la diferencia entre el mxio a mo y el m nimo.
Ind
Volver Ver
Doc Doc
43
Ejercicio 6.8. Un dentista anota el nmero de caries de cada uno de u los 100 nios de un colegio. La informacin se almacena en una tabla: n o
No de caries fi hi 0 25 0.25 1 20 0.2 2 x z 3 15 0.15 4 y 0.05
1. Completa la tabla , hallando x, y, z. 2. Haz un diagrama de sectores. 3. Calcula el nmero medio de caries. u Ejercicio 6.9. Para comprobar la resistencia de unas varillas de nailon se someten 250 varillas a un test de resistencia. Se comprueba si se rompen cuando se aplica una fuerza sobre 5 puntos diferentes de la varilla. El nmero de roturas sufridas por cada varilla aparece en la u tabla
No de roturas No de varillas Ind 0 141 1 62 2 31 3 14 4 1 5 1 Doc Doc
Volver Ver
44
1. Calcula el nmero medio de roturas por varilla y el porcentaje u de varillas que sufren ms de 2 roturas. a 2. Calcula la moda, mediana y varianza de la distribucin. o Ejercicio 6.10. La tabla registra el tiempo en horas que dedicaron 62 personas a ver la televisin un n de semana. o
No horas No de personas [0; 0,5) 10 [0,5; 1,5) 10 [1,5; 2,5) 18 [2,5; 4) 12 [4; 8) 12
1. Dibujar el histograma correspondiente. 2. Calcula la media y la desviacin t o pica.
Ind
Volver Ver
Doc Doc
Indice alfabtico e
coeciente de variacin, 35 o cuantil, 37 cuartil, 38 decil, 38 percentil, 38 desviacin t o pica, 33 frecuencia, 9 absoluta, 9, 12 relativa, 9, 12 grco, 15 a barras, 19 histograma, 20 pictograma, 16 media aritmtica, 25 e 45 mediana, 27 moda, 31 rango, 43 variable, 3 continua, 4 cualtitativa, 3 cuantitativa, 3 discreta, 3 varianza, 33
Soluciones a los Ejercicios
46

Ejercicio 5.1.
pa s ventas a ngulos Espaa n 5% 0,05 360o = 18o Francia 15 % 54o
5% Espaa Francia 15%
Alemania 15 % 54o
Reino Unido 65 % 234o
Alemania 15% Reino Unido 65%
Ejercicio 5.1
47
Ejercicio 5.2. Para la empresa Campsa se tiene que 81o = 0,225 = 22,5 % 360o Como la empresa Oil tiene un 12,5 % del total, x = 0,125 360o = 45o La suma total debe ser 360o , luego y = 114o . Ejercicio 5.2
Ind
Volver Ver
Doc Doc
48
Ejercicio 5.3. Entre el valor mximo xmax = 3,9 y el valor m a nimo xmin = 1,8 hay 2.1 kg . Con 5 intervalos de 0.5 se abarca un rango de 2.5. La diferencia de 0.4 se reparte entre ambos extremos, luego empezamos con un valor de 1.6
clase [1,6; 2,1) [2,1; 2,6) [2,6; 3,1) [3,1; 3,6) [3,6; 4,1) fi 4 7 22 14 3 50
25
20
N de nios
15
10
0 1.6
2.1
2.6 Pesos
3.1
3.6
4.1
Ejercicio 5.3
Ind
Volver Ver
Doc Doc
49
Ejercicio 6.4. Preparamos una tabla de frecuencias

Puesto operarios encargados jefes director xi 480 900 1500 1800 fi 9 6 3 1 n = 19 xi f i 4320 5400 4500 1800 16020
El sueldo medio es
16020 = 843,16 19 La moda es el sueldo de 480 euros pues el de mayor frecuencia. Para hallar la mediana, como 0,5 (n + 1) = 10 el dcimo sueldo de menor e a mayor corresponde a M e = 900 euros. Ejercicio 6.4 x=
Ind
Volver Ver
Doc Doc
50
Ejercicio 6.5(a) x= s2 = 1 + 4 + 8 + 9 + 10 = 6,4 5 11,44 = 3,38
12 + + 102 6,42 = 11,44 = s = 5
Ind
Volver Ver
Doc Doc
51
Ejercicio 6.5(b) 3,2 + + 6,3 24,5 = = 4,9 5 5 3,22 + + 6,32 125, 07 s2 = 4,92 = = 1,004 = s = 5 5 x=
1,004 = 1
Ind
Volver Ver
Doc Doc
52
Ejercicio 6.6.
xi 3 4 5 7 9 fi 1 5 4 2 3 15 xi f i 3 20 20 14 27 84 x2 f i i 9 80 100 98 243 530
x= s2 = x
xi fi 84 = = 5, 6 n 15
x2 fi 530 i x2 = 5, 62 = 3,97 n 15 sx = 3,97 = 1, 99 Ejercicio 6.6
Ind
Volver Ver
Doc Doc
53
Ejercicio 6.7.
xi 15 25 35 45 fi 1 5 3 1 10 xi f i 15 125 105 45 290 x2 f i i 225 3125 3675 2025 9050
x=
xi fi 290 = = 29 n 10
x2 fi 9050 i s2 = x2 = 292 = 64 x n 10 sx = 64 = 8 Ejercicio 6.7
Ind
Volver Ver
Doc Doc
54
Ejercicio 6.8. 1. Como como hi = 1, entonces z = 0,35.Como x = z 100 = 35 y fi = 100 entonces y = 5. i

i
2. Tenemos los porcentajes, luego hallamos los ngulos de los sectoa res. 5% 0,25 360o = 90o 25% 15% 0,20 360o = 72o 4 0,35 360o = 126o 3 0 0,15 360o = 54o 2 1 0,05 360o = 18o
20% 35%
3. x=
0 25 + 1 20 + + 4 5 = 1,55 100 Ejercicio 6.8
Ind
Volver Ver
Doc Doc
55
Ejercicio 6.9. 1.
xi 0 1 2 3 4 5 fi 141 62 31 14 1 1 250 xi f i 0 62 62 42 4 5 175 x2 f i i 0 62 124 126 16 25 353
175 = 0,7 250 Con ms de 2 roturas hay a 14 + 1 + 1 = 16 varillas, luego 16 250 100 = 16,4 % x=
2. La moda M o = 0. Como N/2 = 125, la mediana M ed = 0. Para la varianza se tiene x2 fi 353 i 2 Sx = x2 = 0,72 = 0,922 N 250 Ejercicio 6.9
Ind
Volver Ver
Doc Doc
56
Ejercicio 6.10.
clase [0; 0,5) [0,5; 1,5) [1,5; 2,5) [2,5; 4) [4; 8)
20
xi 0,25 1 2 3,25 6
fi 10 10 18 12 12 62
d.f. 20 10 18 8 3
xi f i 2,5 10,0 36,0 39,0 72,0 159,5
x2 f i i 0,625 10,0 72,0 126,75 432,0 641,375
x=
16
159,5 = 2,57 horas 62
12
2 Sx =
x2 fi i x2 N 641,375 2,572 = 3,74 = 62 Sx =1,93
0 0
Ejercicio 6.10
2o E.T.S.Ingenier de Caminos a
Estad stica Aplicada

1. El porcentaje de algodn en una tela utilizada para elaborar camisas para hombre se presenta o en la siguiente tabla. Calcular los estad sticos ms importantes y real a cese el histograma de frecuencias. 32.1 33.4 33.8 34.4 34.7 35 35.5 36.8 32.5 33.5 34 34.5 34.7 35.1 35.6 36.8 porcentaje 32.6 32.7 33.6 33.6 34.1 34.1 34.5 34.6 34.7 34.7 35.1 35.1 35.7 35.8 36.8 37.1 de algodn o 32.8 32.9 33.6 33.6 34.1 34.2 34.6 34.6 34.7 34.7 35.2 35.3 35.9 36.2 37.3 37.6 33.1 33.6 34.3 34.6 34.9 35.4 36.4 37.8 33.1 33.8 34.3 34.6 35 35.4 36.6 37.9
(a) Disear la distribucin de frecuencias con un cambio de variable. n o (b) Calcular los estad sticos: media, moda, mediana, Q1 , Q3 , c0.6 , varianza y desviacin t o pica. (c) A partir del diagrama anterior determinar la mediana, el primer cuartil y el tercer cuartil y comprese los resultados con los obtenidos a partir de la distribucin de frecuencias. a o (d) Representar los histogramas de frecuencias absolutas y acumuladas. (e) Representar el diagrama de caja y determinar los valores extremos. 2. La siguiente tabla registra en diferentes horas la temperatura (T) del agua de un r y su o contenido en ox geno disuelto (DO): T 29,57 29,99 30,58 31,00 31,34 31,26 31,17 30,96 30,50 29,99 Se pide: (a) Construir una distribucin conjunta de frecuencias para las dos variables T y DO tomando o 5 intervalos. (b) Dibujar un diagrama de dispersin conjunto de las dos variables. o (c) Hacer un estudio de las distribuciones marginales. (d) Calcular la matriz de varianzas-covarianzas. DO 9,88 12,14 13,66 14,19 14,50 13,72 12,54 11,48 9,92 8,32 T 29,48 29,06 28,81 28,60 28,51 28,51 28,43 28,34 28,34 28,26 DO 6,67 5,29 4,23 3,56 2,98 2,58 2,32 2,14 2,09 2,27 T 28,43 28,64 29,02 29,52 30,07 30,67 31,17 31,55 31,76 31,81 DO 2,90 3,94 5,52 7,83 10,68 12,98 14,26 14,93 14,91 14,61 T 31,68 31,34 31,00 30,79 30,45 30,07 29,69 29,36 29,02 28,76 DO 13,80 12,32 11,00 10,00 8,45 6,48 4,91 3,89 3,21 2,83 T 28,51 28,30 28,09 28,00 28,13 28,30 28,72 29,14 29,74 30,37 DO 2,58 2,41 2,51 2,71 3,48 4,36 5,71 7,91 10,61 12,66

3. En diferentes dias se ha observado el nmero de veces que ha sonado la alarma en un servicio u de bomberos, obtenindose los siguientes datos: e {5, 3, 1, 5, 3, 6, 4, 2, 5, 6, 3, 6, 5, 2, 6, 7, 3} Se pide: (a) Obtener la moda, la mediana, Q1 , Q3 y el cuantil 0.40. (b) Obtener la media y la desviacin t o pica. (c) Efectuar un diagrama apropiado. Solucin o (a) Para las medidas de posicin conviene ordenar los datos o {1, 2, 2, 3, 3, 3, 3, 4, 5, 5, 5, 5, 6, 6, 6, 6, 7, } La moda corresponde al valor mas repetido, este caso corresponde a los tres valores Mo = 3, 5, 6. Decimos que es multimodal. La mediana acumula el 50% de los datos N = 17. Como 0.5 (N + 1) = 9 Me = 5
El primer cuartile Q1 acumula el 25% de los datos N = 17. Como 0.25 (N + 1) = 4.5 Q1 = 3 + 0.5(3 3) = 3
El tercer cuartile Q3 acumula el 75% de los datos N = 17. Como 0.75 (N + 1) = 13.5 0.40 (N + 1) = 7.2 Q3 = 6 + 0.5(6 6) = 6 c0.40 = 3 + 0.2(4 3) = 3.2
El cuantil c0.40 acumula el 40% de los datos N = 17. Como
(b) Clculo de la media, varianza y la desviacin t a o pica. 72 = 4.235 N 17 Para el cculo de la varianza se aconseja el mtodo abreviado a e x= =
2 Sx = n 2 i=1 xi fi n i=1 xi fi
N Sx =
x2 =
2 Sx =
354 4.2352 = 2.89 17 2.89 = 1.70
(c) Efectuar un diagrama apropiado.
Nmero de avisos
0 1 2 3 4 5 6 7
avisos
2o E.T.S.Ingenier de Caminos a 4.
El porcentaje de algodn en una tela utilizada para elaborar camisas para hombre se presenta o en la siguiente tabla. Calcular los estad sticos ms importantes y real a cese el histograma de frecuencias. porcentaje 32.6 32.7 33.6 33.6 34.1 34.1 34.5 34.6 34.7 34.7 35.1 35.1 35.7 35.8 36.8 37.1 de algodn o 32.8 32.9 33.6 33.6 34.1 34.2 34.6 34.6 34.7 34.7 35.2 35.3 35.9 36.2 37.3 37.6
32.1 33.4 33.8 34.4 34.7 35 35.5 36.8
32.5 33.5 34 34.5 34.7 35.1 35.6 36.8
33.1 33.6 34.3 34.6 34.9 35.4 36.4 37.8
33.1 33.8 34.3 34.6 35 35.4 36.6 37.9
(a) Disear la distribucin de frecuencias con un cambio de variable. n o (b) Calcular los estad sticos: media, moda, mediana, Q1 , Q3 , c0.6 , varianza y desviacin t o pica. (c) Representar el diagrama de tallo y hojas. (d) A partir del diagrama anterior determinar la mediana, el primer cuartil y el tercer cuartil y comprese los resultados con los obtenidos a partir de la distribucin de frecuencias. a o (e) Representar los histogramas de frecuencias absolutas y acumuladas. (f) Representar el diagrama de caja y determinar los valores extremos. Solucin o (a) Tomamos 7 intervalos de longitud 1. Como xmax xmin = 37.9 32.1 = 5.8 y 7-5.8=1.2, desplazamos el extremo inferior a 32.1-0.6=31.5 y el extremo superior a 37.9+0.6=38.5. Efectuamos el cambio de variable yi = xi 35 para realizar los clculos con la variable y. a Algodn o [31.5, 32.5) [32.5, 33.5) [33.5, 34.5) [34.5, 35.5) [35.5, 36.5) [36.5, 37.5) [37.5, 38.5) xi 32 33 34 35 36 37 38 fi 1 8 16 23 7 6 3 64 Fi 2 10 27 49 55 61 64 yi -3 -2 -1 0 1 2 3 yi fi -3 -16 -16 0 7 12 9 -7
2 yi fi 9 32 16 0 7 24 27 113
Tabla 1: Distribucin de frecuencias o (b) Clculo de los estad a sticos: yi fi 7 y= = = 0.11 N 64 2 115 yi fi 2 y2 = 0.112 = 1.78 Sy = N 64 4
2o E.T.S.Ingenier de Caminos a x = y + 35 = 34.89 y Sx = Sy = 1.78 = 1.336
A continuacin se explica cmo calcular la Moda, y los cuartiles Q1 y Q3 . Con el mismo o o mtodo se hallan los deciles y los cuantiles. Aunque hay frmulas expl e o citas para ello, dichas expresiones se obtienen por interpolacin de los histogramas de frecuencias. Dicha o interpolacin se basa en la comparacin de tringulos semejantes. o o a
23
23
16 7
La Moda Mo, se calcula por interpolacin en el o intervalo modal. Por semejanza de tringulos se a tiene 1x 7 x = x= 23 16 23 7 23 Luego y Mo = 34.5 + x = 34.8
x 34.5 35.5
Figure 1: Cculo de la Moda a
25
16
El primer cuartil Q1 acumula N/4 = 16, luego 34.5 33.5 = 1 16 Q1 33.5 = x 7 Q1 = 33.5 + 7 = 33.94 16
33.5
Q1
34.5
(c) Grco de tallo y hojas. Obsrvese el diagrama de este tipo que se obtiene a partir del a e paquete estad stico Minitab. Es interesante y fcil de calcular a partir del mismo la Mediana a y los cuartiles Q1 y Q3 . Comparar los resultados, con los obtenidos por interpolacin de la o distribucin de frecuencias en el apartado anterior. o Diagrama de rbol a
48 38,4
El tercer cuartil Q3 acumula 48, luego Q3 = 35.5. El cuantil c0.60 acumula 0.6 N = 38.4, por interpolacin de o los tringulos semejantes de la gura se tiene a 35.5 34.5 = 1 23 c0.60 34.5 = x 13.4 c0.60 = 34.5 + 13.4 = 35.08 23 6 5 6 22 14 6 5
25
34.5
c
0.6
35.5
32 33 33 34 35 36 37
1 1 6 0 0 2 1
5 1 6 1 0 4 3
6 4 6 1 1 6 6
7 5 6 1 1 8 8
8 6 8 2 1 8 9
9 8 23355666667777779 234456789 8
(d) Con el grco de tallos y hojas, donde los datos estn ordenados y sin agrupar determia a namos: La mediana acumula el 50% de los datos N = 64. Como 0.5 (N + 1) = 32.5 M e = 34.6 + 0.5(34.7 34.6) = 34.65 Q1 = 33.8 + 0.25(0) = 33.8 El primer cuartile Q1 acumula el 25% de los datos N = 64. Como 0.25 (N + 1) = 16.25 El tercer cuartile Q3 acumula el 75% de los datos N = 64. Como (e) A continuacin se muestran los Histogramas de frecuencias absolutas y acumuladas. El leco tor puede detallar sobre los mismos, los poligonos de frecuencias, tanto para las frecuencias absolutas como las acumuladas. (f) Salida de estad sticos con Minitab.
Variable Algodon N 64 Minimum 2,100 Mean 34,770 Maximum 37,900 Median 34,650 Q1 33,800 TrMean 34,738 Q3 35,47 StDev 1,351 SE Mean 0,169
0.75 (N + 1) = 48.75
Q3 = 35.4 + 0.75(0.1) = 35.475
(g) Mostramos el diagrama de caja (Boxplot) para el clculo del rango intercuartil. La medida a de variabilidad amplitud intercuartil AIC = Q3 Q1 = 1.67. Si queremos detectar valores extremos en un sentido u otro, se calculan los valores de referencia dados por Q1 1.5 AIC = 31.295 6 Q3 + 1.5 AIC = 37.975
70
Frecuencias acumuladas
32 33 34 35 36 37 38
20
60 50 40 30 20 10 0 31,5 32,5 33,5 34,5 35,5 36,5 37,5 38,5
Frecuencias absolutas
10
Algodn
Algodn
Figure 2: Histogramas de frecuencias absolutas y acumuladas y apreciamos que en nuestra distribucin no hay valores extremos en ninguno de los sentidos. o La siguiente tabla registra en diferentes horas la temperatura (T) del agua de un r y su o contenido en ox geno disuelto (DO): T 29,57 29,99 30,58 31,00 31,34 31,26 31,17 30,96 30,50 29,99 Se pide: (a) Construir una distribucin conjunta de frecuencias para las dos variables T y DO tomando o 5 intervalos. (b) Dibujar un diagrama de dispersin conjunto de las dos variables. o (c) Hacer un estudio de las distribuciones marginales. (d) Calcular la matriz de varianzas-covarianzas. DO 9,88 12,14 13,66 14,19 14,50 13,72 12,54 11,48 9,92 8,32 T 29,48 29,06 28,81 28,60 28,51 28,51 28,43 28,34 28,34 28,26 DO 6,67 5,29 4,23 3,56 2,98 2,58 2,32 2,14 2,09 2,27 T 28,43 28,64 29,02 29,52 30,07 30,67 31,17 31,55 31,76 31,81 DO 2,90 3,94 5,52 7,83 10,68 12,98 14,26 14,93 14,91 14,61 T 31,68 31,34 31,00 30,79 30,45 30,07 29,69 29,36 29,02 28,76 DO 13,80 12,32 11,00 10,00 8,45 6,48 4,91 3,89 3,21 2,83 T 28,51 28,30 28,09 28,00 28,13 28,30 28,72 29,14 29,74 30,37 DO 2,58 2,41 2,51 2,71 3,48 4,36 5,71 7,91 10,61 12,66
38
Figure 3: Diagrama de Caja. Es un articio que muestra la mediana, los cuartiles y la amplitud, todo en el mismo grco. Muestra que la a mayor parte de los datos es menor que 35.47, y que el 50% de los datos estan comprendidos entre 33.8 y 35.47
37 36 Q3=35.47 35 34 33 32 Me=34.65 Q1=33.8
TDO 27.90-28.70 28.71-29.50 29.51-30.30 30.31-31.10 31.11-31.90
2.00-4.59 15 4 0 0 0 19 fi 15 9 8 9 9 50
Algodn
4.60-7.19 0 4 2 0 0 6
7.20-9.79 0 1 2 1 0 4
9.80-12.39 0 0 4 4 1 9
12.40-15 0 0 0 4 8 12
15 9 8 9 9 50
T 27.90-28.70 28.71-29.50 29.51-30.30 30.31-31.10 31.11-31.90
Estad sticos de T 29.70 T Me T 29.55 T S 1.20 Q1 28.00 Q3 30.83
DO 2.00- 4.59 4.60- 7.19 7.20- 9.79 9.80-12.39 12.40-15.00 Se tiene que relacin: o
gi Estad sticos de DO 19 7.78 DO 6 Me 7.25 DO 4 SDO 4.57 9 Q1 3.15 12 Q3 12.37 50 xi yi = 11806. La matriz de varianzas-covarianzas y coeciente de cor-
19 9 4
12
31,9
9
Figure 4: Diagrama bivariado. En la parte superior aparece el histograma de la variable DO y en la parte lateral el histograma de la variable temperatura T
31,1
Temperatura
30,3
8
29,5
9
28,7
15
27,9 2,0 4,6 7,2 9,8 12,4 15,0
Contenido en oxgeno
La matriz de varianzas-covarianzas y coeciente de correlacin: o
2 ST Cov(T, DO) 2 Cov(T, DO) SDO
1.43 5.16 5.16 20.85
rT,DO =
Cov(T, DO) = 0.944 ST SDO
Proyecto
MaTEX
Distribuciones Bidimensionales
Fco Javier Gonzlez Ortiz a
Directorio
Tabla de Contenido Inicio Art culo
c 2004 javier.gonzalez@unican.es D.L.:SA-1415-2004
ISBN: 84-688-8267-4
Tabla de Contenido
1. 2. 3. 4. Introduccin o Diagramas de dispersin o Covarianza Coeciente de correlacin o Propiedades del coeciente de correlacin o 5. Rectas de regresin o 5.1. Propiedades de las rectas de regresin o 6. Ejercicios Soluciones a los Ejercicios Soluciones a los Tests
Seccin 1: Introduccin o o
1. Introduccin o En el cap tulo de Estad stica Descriptiva el alumno estudi las tcnicas para resumir o e informacin del conjunto de datos para una variable X. o Ahora bien, los datos que tratamos de estudiar pueden incluir valores de varias variables relacionadas entre si. Por ejemplo: en un individuo su altura, su peso y su edad, en un gas su presin, su volumen y su temperatura, o en un veh culo su potencia, su velocidad y su consumo, etc. Por ello en este cap tulo estudiaremos las tcnicas para resumir informacin de la dise o tribucin del conjunto de datos de los que se conocen dos variables X e Y , llamadas diso tribuciones bidimensionales o bivariadas.
Seccin 2: Diagramas de dispersin o o
2. Diagramas de dispersin o Al igual que ocurre en el caso unidimensional, tambin es posible hacer grcos de dise a tribuciones de frecuencias bidimensionales. Hay un grco bidimensional especialmente util; ste es el diagrama de dispersin que a e o es simplemente un dibujo cartesiano de la muestra observada. Como ilustracin, la gura proporciona o el diagrama de dispersin de los datos de o la muestra de 33 alumnos donde se han medido su altura X y su peso Y . A la vista del diagrama de dispersin de o la gura parece constatarse que el peso aumenta con la altura.
peso
altura
Seccin 3: Covarianza o
3. Covarianza En las siguientes guras se muestran cuatro diagramas de dispersin. En algunos se apreo cia que los puntos estn ms alineados que en otros, es decir, en algunos de ellos hay mayor a a grado de asociacin lineal. o En el grco a) se aprecia a alto grado de asociacin lino eal, mientras que en b) hay mayor dispersin y muy o poco grado de asociacin lio neal.
a)
b)
En el c) hay mucha dispersin y nulo grado de asoo ciacin lineal, mientras que o en d) los puntos casi estn a alineados.
c)
d)
Seccin 3: Covarianza o
La medida de asociacin lineal ms simple entre dos variables es la covarianza. Viene o a denida por
n
(xi x)(yi y) n y si se opera, se obtiene la expresin ms simplicada: o a

n
Cov(X, Y ) = Sxy =
i=1
(1)
xi yi Sxy =
i=1
xy
(2)
Veamos un ejemplo de su clculo para dos variables x e y a

xi 10 30 60 90 120 310 yi 0,5 1,0 3,0 5,0 6,5 16 xi yi 5,0 30,0 180,0 450,0 780,0 1445.0
xi 310 = = 62 n 5 yi 16 = = 3,2 y= n 5 1445 Sxy = x y = 90,6 5 x=
Seccin 4: Coeciente de correlacin o o
4. Coeciente de correlacin o El inconveniente de la covarianza como medida de la asociacin lineal entre dos variables o es que depende de las unidades de X e Y , por ello se dene el coeciente de correlacin o entre dos variables rxy , por Sxy rxy = (3) Sx Sy Se dene como el cociente entre la covarianza de X e Y y el producto de las desviaciones t picas.
Propiedades del coeciente de correlacin o

Este nmero no tiene dimensiones y su valor est entre u a 1 rxy 1 Los valores extremos 1 y -1 se alcanzan solamente si todos los datos se sitan exactamente sobre una recta. u Si la relacin lineal es muy pequea, el valor de rxy es prxio n o mo a cero.
Ejemplo 4.1. De un muelle cuelgan pesas, obtenindose los siguientes alargamientos: e

Pesos (g) Alargamiento (cm) 10 0.5 30 1 60 3 90 5 120 6.5
Calcula e interpreta el coeciente de correlacin entre estas variables. o Solucin: Sea x los pesos e y los alargamientos, o
xi 10 30 60 90 120 310 yi 0,5 1,0 3,0 5,0 6,5 16 x2 i
2 yi
xi yi x=
310 = 62 5
y=
16 = 3, 2 5

xi 10 30 60 90 120 310 yi 0,5 1,0 3,0 5,0 6,5 16 x2 i 100 900 3600 8100 14400 27100
2 yi
xi yi
310 = 62 5 27100 2 Sx = x2 5 x=
y=
16 = 3, 2 5
Sx = 39, 70
10

xi 10 30 60 90 120 310 yi 0,5 1,0 3,0 5,0 6,5 16 x2 i 100 900 3600 8100 14400 27100
2 yi 0,25 1,00 9,00 25,00 42,25
xi yi
310 = 62 5 27100 2 Sx = x2 5 77, 50 2 Sy = y2 5 x=
y=
16 = 3, 2 5
Sx = 39, 70 Sy = 2, 29
77,50
11

xi 10 30 60 90 120 310 yi 0,5 1,0 3,0 5,0 6,5 16 x2 i 100 900 3600 8100 14400 27100
2 yi 0,25 1,00 9,00 25,00 42,25
xi yi 5,0 30,0 180,0 450,0 780,0 1445.0
77,50
310 = 62 5 27100 2 Sx = x2 5 77, 50 2 Sy = y2 5 1445 Sxy = xy 5 x=
y=
16 = 3, 2 5
Sx = 39, 70 Sy = 2, 29 Sxy = 90, 6
rxy =
90, 6 Sxy = = 0, 995 Sx Sy 39, 7 2, 29
El valor de rxy es prximo a uno, luego el grado de asociacin lineal entre el peso y el o o alargamiento es alto.
Seccin 5: Rectas de regresin o o
12
5. Rectas de regresin o Los modelos de regresin provienen de los trabajos de Galton en biolog a nales del o a siglo XIX. Galton estudi la dependencia de la estatura de los hijos (y) respecto a la de sus padres o (x), encontrando lo que denomin regresin a la media. o o Los padres bajos tienen hijos bajos, pero en promedio ms altos que sus padres, y los a padres altos tienen hijos altos, pero en promedio ms bajos que sus padres. a La recta de regresin corresponde a la reco ta yi = a xi + b que mejor se aproxima a los puntos del diagrama de dispersin para la altura X o y el peso Y .
y peso
y
altura
13
Denominamos recta de regresin a la recta o y = ax + b que mejor se aproxima a la nube de puntos del diagrama de dispersin. o Para hallar a y b se impone el criterio de que las suma de las distancias cuadrticas a 2 di sea m nima, donde para cada valor de xi , di es la diferencia entre el valor observado yi y el valor que predice la recta yi = a xi + b. Como tenemos dos variables, segn se tome x o y como variable independiente, tenemos u dos rectas: Recta de regresin de y sobre x: o ry/x y y = Sxy (x x) 2 Sx (4)
d2
yi di yi dn
Recta de regresin de x sobre y: o rx/y x x = Sxy (y y) 2 Sy (5)

d1
xi
14
5.1. Propiedades de las rectas de regresin o a) Las dos rectas de regresin se cortan en el punto de las o medias de las variables (x, y). b) El producto de las pendientes de las rectas es el cuadrado del coeciente de correlacin. o Sxy Sxy 2 = 2 Sx Sy Sxy Sx Sy
2 2 = rxy
c) Las rectas de regresin se usan para predecir el valor de una o variable cuando se conoce la otra, y se debe cumplir que el coeciente de correlacin sea prximo a -1 o a 1. o o Test. Responder a las siguientes cuestiones. 1. Si Sxy es positiva, entonces el coeciente de correlacin es: o (a) rxy > 0 (b) rxy < 0 (c) no se puede saber 2. La pendiente de la recta de regresin de y respecto de x es: o Sxy Sxy (a) 2 (b) 2 (c) Ninguna de ellas Sy Sx 3. La pendientes de las rectas de regresin pueden ser de signo contrario. o (a) verdadero (b) falso
15
4. Si las pendientes de las rectas de regresin son iguales. o (a) rxy = 1 (b) Sx = Sy
(c) Ninguna de ellas
Ejemplo 5.1. En el ao 2000 los ingresos de determinadas empresas, en millones de n de empleados en miles, fue
Ingresos Empleados 5,7 16 3,8 29 1,9 17 1 6 1 9
ey
Determinar el coeciente de correlacin y la recta de regresin de los ingresos respecto de o o los empleados. Solucin: Sea x los empleados e y los ingresos, o
xi 16 29 17 6 9 77 yi 5,7 3,8 1,9 1,0 1,0 13,4 x2 i 256 841 289 36 81 1503
2 yi 32,49 14,44 3,61 1,00 1,00
xi yi 91,2 110,2 32,3 6,0 9,0 248,7
52,54
x = 15,4 1503 2 Sx = x2 5 52,54 2 Sy = y2 5 248,7 Sxy = xy 5
y = 2,68 Sx = 7,96 Sy = 1,82 Sxy = 8,47
rxy =
Sxy = 0,58 Sx Sy
y 2,68 =
8,47 (x 15,4) 63,44
Seccin 6: Ejercicios o
16
6. Ejercicios Ejercicio 1. El ndice de mortalidad y de una muestra de poblacin que consum diariao a mente x cigarrillos aparece en la tabla adjunta, donde se estudiaron siete muestras distintas de poblacin que consum distinto nmero de cigarrillos: o a u
No de cigarrillos (x) Indice de mortalidad (y) 3 0.2 5 0.3 6 0.3 15 0.5 20 0.7 40 1.4 45 1.5
Estudiar la correlacin. Qu o e ndice de mortalidad se podr predecir para un consumidor a de de 32 cigarrillos diarios? Ejercicio 2. La distribucin de edades y presin arterial de 10 personas es: o o
Edad (x) Tensin (y) o 30 11,5 28 11,3 35 12,5 42 13,5 51 14,6 42 13 63 16,6 32 12 70 16,9 67 17
a) Calcular el coeciente de correlacin. o b) Estimar la tensin de una persona de 60 aos. o n Ejercicio 3. La tabla siguiente representa una muestra de la que se conocen
3
xi yi = 42
i=1
Sxy = 2
4 3 5 b
x y
3 a
Hallar a y b.
Seccin 6: Ejercicios o
17
Ejercicio 4. Se observaron las edades de 5 nios y sus pesos respectivos, obtenindose la n e tabla:
Edad en aos (x) n Peso en kg (y) 2 15 4,5 19 6 25 7,2 33 8 34
a) Hallar el coeciente de correlacin y las dos rectas de regresin o o b) Qu peso corresponder a un nio de 5 aos? e a n n c) Qu edad corresponder a un nio de 22 kg? e a n Ejercicio 5. Los ingresos en determinadas empresas en miles de euros y de empleados en miles es el siguiente:
Ingresos (x) Empleados (y) 34,2 16 22,8 29 11,4 17 6 6 6 9
a) Estudiar la correlacin entre las variables. o b) Hallar la recta de regresin de los ingresos, en miles de euros, respecto de los empleados, o en miles. Ejercicio 6. Hallar la recta de regresin y respecto de x a partir de: o
5 5
xi = 80, 4
i=1 5 5 i=1
yi = 77
5
x2 = 1891, 44 i
i=1 i=1
2 yi = 1503 i=1
xi yi = 1492, 2
18
Soluciones a los Ejercicios Ejercicio 1. Sea x el no de cigarrillos e y el ndice de mortalidad,

xi 3 5 6 15 20 40 45 134 yi 0,2 0,3 0,3 0,5 0,7 1,4 1,5 4,9 x2 i 9 25 36 225 400 1600 2025 4320
2 yi 0,04 0,09 0,09 0,25 0,49 1,96 2,25
xi yi 0,6 1,5 1,8 7,5 14,0 56,0 67,5 148,9
310 = 19, 143 7 27100 2 Sx = x2 7 77, 50 2 Sy = y2 7 1445 xy Sxy = 7 x=
y=
16 = 0, 700 7
Sx = 15, 83 Sy = 0, 50 Sxy = 7, 871
5,17
rxy =
Sxy = 0, 997 S x Sy Sxy (x x) 2 Sx yx=32 = 1,10 Ejercicio 1
Con la recta de regresin de y sobre x: ry/x y y = o y 0,7 = 7, 871 (x 19,143) 15, 832
19
Ejercicio 2. Sea x la edad e y la presin arterial, o

460 = 46 10 23420 2 Sx = x2 10 1974, 77 2 Sy = y2 10 6708, 3 Sxy = xy 10 x= y= 138, 9 = 13, 89 10 Sx = 15, 03 Sy = 2, 13 Sxy = 31, 89
rxy =
Sxy = 0, 995 Sx Sy
Con la recta de regresin de y sobre x: ry/x y y = o y 13, 89 =
Sxy (x x) 2 Sx
31, 89 (x 46) 15, 032 Para una edad de x = 60 aos el modelo lineal predice una presin arterial de: n o yx=60 = 15, 86 Ejercicio 2

3
20
Ejercicio 3. Como
i=1
xi yi = 42
Siendo x = 4
3 a + 3 4 + 5 b = 42 3 a + 5 b = 30 3+a+b y= , sustituyendo en la expresin de la covarianza o 3 Sxy =

3 i=1
xi yi xy =2 3 42 3+a+b 4 =2a+b=6 3 3 Resolviendo las dos ecuaciones con a y b: a=0 b=6 Ejercicio 3
21
Ejercicio 4. Sea x la edad en aos e y el peso en kg, n

xi 2,0 4,5 6,0 7,2 8,0 27,7 yi 15 19 25 33 34 126 x2 i 4,00 20,25 36,00 51,84 64,00 176,09
2 yi 225 361 625 1089 1156
xi yi 30,0 85,5 150,0 237,6 272,0 775,1
3456
27, 7 = 5, 54 5 176, 09 2 x2 Sx = 5 3456 2 Sy = y2 5 775, 1 Sxy = xy 5 x= y 25, 2 = 15, 412 (x 5, 54) 2, 132 15, 412 x 5, 54 = (y 25, 2) 7, 492
y=
126 = 25, 2 5
Sx = 2, 13 Sy = 7, 49 Sxy = 15, 412
rxy
Sxy = = 0, 967 Sx Sy
Para un nio de 5 aos obtenemos y(x=5) = 23, 36 kg. n n Para un nio de 22 kg obtenemos x(y=22) = 4, 66 aos. n n Ejercicio 4
22
Ejercicio 5. Sean x los ingresos en miles de euros e y empleados en miles, Realizamos, como en ejercicios anteriores,, el clculo de los estad a sticos:
80, 4 = 16, 08 5 1891, 44 2 Sx = x2 5 1503 2 Sy = y2 5 1492, 2 Sxy = xy 5 x= rxy = Sxy = 0, 583 Sx Sy y= 77 = 15, 4 5
Sx = 10, 94 Sy = 7, 96 Sxy = 50, 808 50, 808 (y 15, 4) 7, 962
x 16, 08 =
Siendo el coeciente de correlacin tan bajo no ser conveniente utilizar la recta de regresin o a o para realizar predicciones. Ejercicio 5
23
Ejercicio 6.
80, 4 77 = 16, 08 y= = 15, 4 5 5 1891, 44 2 Sx = 10, 94 Sx = x2 5 1503 2 Sy = Sy = 7, 96 y2 5 1492, 2 Sxy = xy Sxy = 50, 808 5 50, 808 (x 16, 08) y 15, 4 = 10, 942 x=
Ejercicio 6
Soluciones a los Tests
24
Soluciones a los Tests Sxy Sx Sy al ser las desviaciones Sx y Sy siempre positivas, el coeciente de correlacin y la covarianza o Final del Test tienen el mismo signo. rxy = Solucin al Test: Como o
25
Solucin al Test: Las pendientes de las rectas de regresin son respectivamente, o o Sxy Sxy 2 2 Sx Sy luego, ambas sern positivas o negativas, ya que ambas tienen el mismo signo que la covara ianza. Final del Test
26
Solucin al Test: Si las pendientes de las rectas de regresin son iguales, entonces o o Sxy Sxy 2 2 = 2 = Sx = Sy 2 Sx Sy y como las desviaciones t picas son positivas se tiene que son iguales Sx = Sy Final del Test
ESTAD ISTICA
PROBABILIDAD
Alberto Luce o n Francisco J. Gonzlez a
Directorio
Copyright c 2003 gonzaleof@unican.es Actualizado el: 11 de marzo de 2003
Versin 2.00 o
Tabla de Contenido
2. Probabilidad 2.1. Probabilidad Condicionada Soluciones a los Ejercicios
Seccin 2: Probabilidad o
2. Probabilidad
Ejercicio 11. Describir el espacio muestral de las siguientes experiencias aleatorias: a). E1 = {Lanzamiento de un dado y anotamos el resultado}. b). c). d). e). E2 = {Lanzamiento tres dados y sumamos las puntuaciones}. E3 = {La duracin de una lmpara hasta que se funde}. o a E4 = {La resistencia a rotura de unos tubos de aluminio}. E5 = {Nmero de piezas defectuosas de un lote de 5000}. u
f). E6 = {Lanzamiento de dos monedas}. Ejercicio 12. Sean A y B sucesos con P (A) = a, P (B) = b y P (A B) = c. Expresar las probabilidades siguientes en funcin de a, b y c. o P (A B)
Toc
P (A B)
P (A B)
Volver
P (A B)
Doc Doc
Ejercicio 13. Sabiendo que P (A) = 0,2, P (B) = P (C) = 0,2 y P (A B) = P (A C) = P (B C) = 0,1 y P (A B C) = 0,05. Calcular la probabilidad de P (A B C). Ejercicio 14. El problema de Galileo. Un pr ncipe italiano pregunt en o una ocasin al famoso f o sico Galileo, por qu cuando se lanzan tres e dados, se obtiene con ms frecuencia la suma 10 que la suma 9, aunque a se puedan obtener de seis maneras distintas cada una? Ejercicio 15. Una urna contiene dos bolas blancas y tres bolas rojas. Efectuadas dos extracciones sucesivas, determinar la probabilidad de extraer una bola blanca y, a continuacin, una bola roja: o a). Cuando habiendo extra la primera bola sta es devuelta a la do e urna para realizar la segunda extraccin. o b). Cuando habiendo extra la primera bola sta no es devuelta do e a la urna para realizar la segunda extraccin. o
Ejercicio 16. Se extrae una carta de una baraja de 40 cartas. Comprobar cuales de los siguientes pares de sucesos son independientes:
Toc Volver Doc Doc
a). A = {rey} B = {espadas} b). c). A = {f iguras} B = {espadas} A = {rey} B = {f iguras}
Ejercicio 17. De una baraja de 40 cartas se extrae una al azar y se mira. Se repite esta operacin 4 veces. Tenemos que apostar a que la o 1a es copa, la 2a es oro, la 3a es bastos y la 4a es espadas. Si nos dejan elegir entre reponer o no la carta extra da, qu elegiremos? e Ejercicio 18. El problema del caballero de la Mer. Se considera gee neralmente 1654 como el ao del nacimiento de la teor de probabilin a dades: el caballero de la Mer, lsofo y hombre de letras en la corte e o de Luis XIV, propuso dos problemas al clebre matemtico Blaise e a Pascal; a). Qu es ms probable, obtener al menos un seis en cuatro lanzae a mientos de un dado, u obtener al menos un doble seis al lanzar 24 veces dos dados?
Toc Volver Doc Doc
b).
Se lanza una moneda varias veces. Por cada 1 obtenido, A recibe un punto, y por cada 0, se adjudica un punto B. Gana la apuesta el primero que obtenga 5 puntos. Al cabo de siete jugadas, A tiene 4 puntos y B tiene 3. En este momento se interrumpe el juego. Cmo repartir la apuesta de la manera ms o a equitativa? Las propuestas de Mer dieron lugar a un intercame bio de correspondencia entre Pascal y Fermat, del que nacieron los fundamentos de la teor de probabilidades. a
Ejercicio 19. El problema de las uvas pasas. Cuntas uvas pasas a se deben mezclar con 500 gramos de harina para tener una certeza del 99 % de que un bollo de 50 gramos contenga al menos una pasa? (Engel, Probabilidad y Estad stica, Mestral, 1988). Ejercicio 20. En una habitacin hay una reunin de n personas. o o Cul es la probabilidad de que el cumpleaos de al menos dos pera n sonas sea el mismo d a? Ejercicio 21. Demostrar que si dos sucesos A y B son independientes, tambin lo son los sucesos complementarios de A y B. e
Toc Volver Doc Doc
Ejercicio 22. Demostrar: P (A|B) > P (A) = P (B|A) > P (B) Ejercicio 23. Sean dos sucesos A y B, donde P (A) = 0,5 y P (A B) = 0,8. Asignar el valor de P (B) para que: a). A y B sean incompatibles. b). A y B sean independientes.
Ejercicio 24. Indicar en cada caso si los sucesos A y B son incompatibles o independientes: a). P (A) = 0,2, P (B) = 0,4 y P (A B) = 0,6. b). c). P (A) = 0,3, P (B) = 0,5 y P (A B) = 0,65. P (A) = 0,4, P (B) = 0,5 y P (A B) = 0,7.
Ejercicio 25. Una urna contiene 5 bolas blancas y 3 negras. Tres jugadores A, B y C extraen una bola sin devolucin en este mismo orden. o
Toc Volver Doc Doc
Gana el primer jugador que saca una blanca. Calcular la probabilidad de que gane C.
2.1. Probabilidad Condicionada

Ejercicio 26. Supongamos que tenemos 10 urnas: 5 de ellas son de tipo U1 y contienen 3 blancas y 3 negras, 3 de ellas son de tipo U2 y contienen 4 blancas y 2 negras, y el resto son de tipo U3 y contienen 1 blanca y 5 negras. Se pide: a). Probabilidad de que una bola extra al azar de una de las 10 da urnas sea blanca. b). c). Probabilidad de que habiendo salido una bola negra, proceda de una urna del tipo U2 . Sabiendo que ha salido una bola negra, de qu tipo de urna es e ms probable que haya salido? a
Ejercicio 27. Alarma Falsa. En cierto lugar se ha instalado un dispositivo de alarma. Si hay peligro, el dispositivo se pone en funcionaToc Volver Doc Doc
miento el 99 % de las ocasiones. Por otra parte, la probabilidad de que se dispare la alarma espontneamente es del 0,5 %, y la probabilidad a de que una noche haya un intento de robo es 0,1 %. Si una noche determinada se oye la alarma, cul es la probabilidad de que sea falsa a (no haya peligro)? Ejercicio 28. Una persona tiene dos negocios en funcionamiento, A y B. El primer negocio tiene prdidas en el 25 % de los balances, e mientras que el 2o , donde la perspectiva de benecio es menor, tiene prdidas slo en el 5 % de los casos. Se supone que el conjunto de e o operaciones es anlogo en ambos negocios. Si, analizando el resultado a econmico de una de las operaciones, se observan prdidas, cul es o e a la probabilidad de que dicha operacin correspondiese al negocio B? o Ejercicio 29. Para la eleccin de las personas de un jurado se dispoo nen de dos urnas. En la 1a hay 10 papeletas con nombres de 6 hombres y 4 de mujeres, en la 2a hay 5 papeletas con nombres de 2 hombres y 3 de mujeres. Alguien cambia una papeleta de la 1a urna a la 2a e inmediatamente despus se extrae al azar una papeleta de la 2a urna e que resulta ser nombre de mujer. Cul es la probabilidad de que la a
Toc Volver Doc Doc
10
papeleta cambiada contenga un nombre de mujer? Ejercicio 30. Considrese tres cartas: una con las dos caras negras, e otra con ambas caras blancas y la tercera con una blanca y la otra negra. Se elige una carta al azar y se coloca sobre la mesa. La cara superior resulta negra, cul es la probabilidad de que la cara oculta a sea blanca? Ejercicio 31. Una fbrica de ladrillos suministra estos a buen precio a pero el 10 % de ellos son defectuosos. Con objeto de mejorar la calidad del producto se someten los ladrillos a un ensayo no destructivo antes de su venta. Este ensayo da como buenos el 99 % de los que son buenos y da por malos el 98 % de los que son malos. a). Determinar la probabilidad de que un ladrillo en mal estado supere el proceso de control de calidad. b). c). Determinar la probabilidad de aceptar como bueno un ladrillo cualquiera. Determinar la probabilidad de que un ladrillo, que ha sido aceptado, est en malas condiciones e
Volver Doc Doc
Toc
11
d).
Si el coste estimado por cada ladrillo fabricado en malas condiciones es C euros. Determinar el precio mximo que debe paa garse por ensayo no destructivo para que este sea rentable.
Ejercicio 32. Los almacenes A, B y C, que estn dirigidos por la a misma persona, tienen 50, 75 y 100 empleados, y, respectivamente, el 50 %, 60 % y 70 % de ellos son mujeres. El hecho de que una persona sea despedida del trabajo es igualmente probable entre todos los empleados, independientemente del sexo. Se despide un empleado, que resulta ser mujer. Cul es la probabilidad de que trabajara en el a almacn C? e Ejercicio 33. Dos proveedores A y B entregan la misma mercanc a a un fabricante, que guarda todas las existencias de esta mercanc a en un mismo lugar. Los antecedentes demuestran que el 5 % de la mercanc entregada por A es defectuosa y que el 9 % lo es de B. A a entrega 4 veces ms que B. Si se saca una pieza y no es defectuosa, a cul es la probabilidad de que la haya fabricado A? a Ejercicio 34. Se disea un dispositivo de frenado para evitar que un n
Toc Volver Doc Doc
12
automvil patine en el que incluye un sistema electrnico e hidralio o u co. El sistema completo puede descomponerse en tres subsistemas en serie que operan de manera independiente: un sistema electrnico, un o sistema hidralico y un sistema mecnico. En un frenado particular, u a las probabilidades de estas unidades funcionen son aproximadamente 0,995, 0,993 y 0,994, respectivamente. Calcular la probabilidad de que sistema frene. Ejercicio 35. El volumen de produccin diario en tres plantas difeo rentes de una fbrica es de 500 unidades en la 1a , 1000 en la 2a y 2000 a en la 3a planta. Sabiendo que el porcentaje de unidades defectuosas producidas en las plantas es de 1 %, 0,8 % y 2 %, respectivamente, determinar la probabilidad de que: a). Extra una unidad al azar, resulte no defectuosa. da b). Habiendo sido extra una unidad defectuosa, haya sido proda ducida en la primera planta.
Ejercicio 36. Tres imprentas realizan trabajos para la ocina de publicaciones de la Universidad de Cantabria. La ocina de publicaciones
Toc Volver Doc Doc
13
no negocia una multa contractual por trabajos atrasados, y los datos siguientes reejan una gran experiencia con estas imprentas. imprenta i 1 2 3 fraccin o de contratos 0,2 0,3 0,5 fraccin de tiempo o con retraso 0,2 0,5 0,3
Un departamento observa que un pedido tiene ms de un mes de a retraso. Cul es la probabilidad de que el contrato se haya otorgado a a la imprenta 3? Ejercicio 37. Una compaia de aviones dispone de 20 pilotos y 15 n auxiliares de vuelo. Si en cada vuelo viajan como equipo responsable, dos pilotos y tres auxiliares. Se pide: a). De cuntos equipos distintos dispone la compaia para los vuea n los?
Toc Volver Doc Doc
14
b).
El piloto RX34 tiene a su mujer como auxiliar de vuelo. Si tomamos un vuelo al azar, cul es la probabilidad de que vaya el a matrimonio en el personal de vuelo? Si elegimos un vuelo al azar, cul es la probabilidad de que a vaya RX34 o su mujer en el personal de vuelo?
c).
Ejercicio 38. Una fbrica dispone de 20 transportistas, 45 empleados a de mantenimiento y 5 ingenieros supervisores. La contratacin de todo o el personal se divide en ja y temporal. De los transportistas 8 son jos; de los empleados de mantenimiento 35 son jos y de los ingenieros 3 son jos. Si elegimos una persona al azar: a). Cul es la probabilidad de que tenga un contrato temporal? a b). c). Cul es la probabilidad de que tenga un contrato temporal y a no sea ingeniero? Si elegimos una persona que tiene contrato jo, cul es la proa babilidad de que sea un transportista?
Volver Doc Doc
Toc
15

Ejercicio 11. a). 1 = {1, 2, 3, 4, 5, 6} b). c). d). e). 2 = {3, 4, 5, . . . , 18} 3 = {t > 0/t R} 4 = {r (Rmin , Rmax )} 5 = {0, 1, 2, . . . , 5000}
f). 6 = {(C, C); (C, X); (X, C); (X, X)} Ejercicio 11
Toc
Volver
Doc
Doc
16
Ejercicio 12. a). P (A B) = 1 P (A B) = 1 c b). c). d). P (A B) = P [B (A B))] = P (B) P (A B) = b c P (A B) = P (A) + p(B) P (A B) = 1 a + c P (A B) = P (A B) = 1 P (A B) = 1 a b + c Ejercicio 12
Toc
Volver
Doc
Doc
17
Ejercicio 13. P (A B C) = P (A) + P (B) + P (C) P (A B) P (A C) P (B C) + P (A B C) = = 0,2 + 0,2 + 0,2 3 0,1 + 0,05 = 0,35 Ejercicio 13
Toc
Volver
Doc
Doc
18
Ejercicio 14. Suman 9 6-2-1 6 casos 5-3-1 6 casos 5-2-2 3 casos 4-4-1 3 casos 4-3-2 6 casos 3-3-3 1 caso Total 25 caso P (sumen 9) = 25 = 0,116 63 Suman 10 6-2-2 3 casos 5-4-1 6 casos 5-3-2 6 casos 4-4-2 3 casos 4-3-3 3 casos 3-6-1 6 casos Total 27 casos P (sumen 10) = 27 = 0, 125 63 Ejercicio 14
Toc
Volver
Doc
Doc
19
Ejercicio 15. a). P (BR) = b). P (BR) = 2 3 6 = 5 5 25 2 3 6 = 5 4 20 Ejercicio 15
Toc
Volver
Doc
Doc
20
Ejercicio 16. a). Sean A = {rey} B = {espadas}, son independientes pues, P (A|B) = b). P (A B) 1 1 = = P (A) = P (B) 10 10
Sean A = {f iguras} B = {espadas}, son independientes pues, P (A|B) = P (A B) 3 12 = = P (A) = P (B) 10 40
c).
Sean A = {rey} B = {f iguras}, no son independientes pues, P (A|B) = P (A B) 4 4 = = P (A) = P (B) 12 40 Ejercicio 16
Toc
Volver
Doc
Doc
21
Ejercicio 17. Sea el suceso A = {C O B E}, a). Con reposicin o P (A) = b). Sin reposicin o P (A) = 10 10 10 10 40 39 38 37 10 10 10 10 40 40 40 40
Elegiremos lo ms probable, que corresponde al segundo caso, sin a reposicin. o Ejercicio 17
Toc
Volver
Doc
Doc
22
Ejercicio 18. a). Sea el suceso S = {al menos un seis en cuatro lanzamientos de un dado} luego S = {ningn seis en cuatro lanzamientos de un dado} u Como P (S) = Sea el suceso T = {al menos un doble seis en 24 lanzamientos de dos dado} luego T = {ningn doble seis en 24 lanzamientos de dos dado} u Como P (T ) =
Toc
5 6
= 0, 48225
P (S) = 0, 51775
35 36
24
= 0, 5086
P (T ) = 0, 4914
Volver Doc Doc
23
b).
El reparto equitativo corresponde a repartir lo apostado proporcionalmente a las espectativas que tiene cada jugador de ganar a partir de la interrupcin de la partida. Es decir,a A le falta un o 1y a B dos 0s. Se puede dar Gana A si 1 01 Luego 1 1 3 1 + = P (B) = 2 4 4 4 Con lo cual deben repartir lo apostado en razn de 3 a 1. Si o hubiesen apostado 120 unidades, 90 para A y 30 para B. P (A) = Ejercicio 18 Gana B si 00
Toc
Volver
Doc
Doc
24
Ejercicio 19. Sea el suceso S = {al menos una pasa en un bollo de 50 g.} y S = {ninguna pasa en un bollo de 50 g.} Como los 500 g. corresponden a 10 bollos de 50 g., la experiencia consiste en elegir aleatoriamente un bollo de entre 10. La probabilidad de que un bollo cualquiera no sea elegido en n intentos, es P (S) = Si exigimos que P (S) = 1 P (S) = 1 1 10
n
1 10
0,99 = n 44 Ejercicio 19
Toc
Volver
Doc
Doc
25
Ejercicio 20. Sea el suceso An = {al menos dos personas entre n que han nacido el mismo d a} y por tanto An = {ninguna persona de las n ha nacido el mismo d que otra} a 365 364 363 (365 n + 1) 365n Veamos la solucin para algunos valores de n o P (An ) = n 5 10 15 20 P (An ) 0,0271 0,1169 0,2231 0,3791 n 23 32 40 50 P (An ) 0,5073 0,7533 0,8912 0,9704 Ejercicio 20
Toc
Volver
Doc
Doc
26
Ejercicio 21. Sean A y B, independientes, P (A|B) = P (B), entonces P (B|A) = 1 P (B|A) = 1 P (B) = P (B) De (1) A y B son independientes. P (A|B) = 1 P (A|B) = 1 P (A) = P (A) De (2) A y B son independientes. P (A|B) = 1 P (A|B) = 1 P (A) = P (A) De (3) A y B son independientes. Ejercicio 21 (3) (1) (2)
Toc
Volver
Doc
Doc
27
Ejercicio 22. Sean A y B, con P (A) > 0 y P (B) > 0, entonces P (A B) = P (A|B) p(B) = P (B|A) p(A) = P (A|B) P (B|A) = >1 P (A) P (B) Ejercicio 22
Toc
Volver
Doc
Doc
28
Ejercicio 23. a). Incompatibles luego P (A B) = 0, y P (A B) = P (A) + p(B) P (A B) = P (B) = 0,3 b). Independientes luego P (A B) = P (A) P (B), y P (A B) = P (A) + P (B) P (A B) = P (B) = 0,6 Ejercicio 23
Toc
Volver
Doc
Doc
29
Ejercicio 24. a). Incompatibles, pues P (A B) = P (A) + P (B) P (A B) = P (A B) = 0 b). Independientes, pues P (A B) = P (A) + P (B) P (A B) = P (A B) = 0,15 = P (A) P (B)
c).
Independientes, pues P (A B) = P (A) + P (B) P (A B) = P (A B) = 0,2 = P (A) P (B) Ejercicio 24
Toc
Volver
Doc
Doc
30
Ejercicio 25.
Las probabilidades respectivas de ganar de cada jugador son: 5 3 2 1 36 P (GA ) = + = 8 8 7 6 56 3 5 15 P (GB ) = = 8 7 56 3 2 5 5 P (GC ) = = 8 7 6 56 Ejercicio 25
Toc Volver Doc Doc
31
Ejercicio 26. Sea Ui el suceso se elige la urna de tipo Ui , B el suceso se extrae bola blanca y N el suceso se extrae bola negra a). P (B) = P (B|U1 ) P (U1 ) + P (B|U2 ) P (U2 ) + P (B|U3 ) P (U3 ) 3 5 4 3 1 2 29 = + + = 6 10 6 10 6 10 60
b). P (U2 |N ) = P (N |U2 )P (U2 ) P (N |U1 )P (U1 ) + P (N |U2 )P (U2 ) + P (N |U3 )P (U3 ) 2 3 6 6 10 = 3 5 2 3 5 2 31 + + 6 10 6 10 6 10
Toc
Volver
Doc
Doc
32
c).
Anlogamente se tiene a 15 7 P (U3 |N ) = 31 31 luego es ms probable que haya salido de la urna de tipo U1 . a P (U1 |N ) = Ejercicio 26
Toc
Volver
Doc
Doc
33
Ejercicio 27. Sea R el suceso hay peligroy A el suceso suena la alarma. Los datos son P (A|R) = 0,99 P (A|R) = 0,005 P (R) = 0,001 Se pide P (A|R) P (R) p(A|R) P (R) + p(A|R) P (R) 0,005 0,999 = = 0,83 0,99 0,001 + 0,005 0,999 Es decir, una alarma de alta ecacia con un ndice de peligrosidad por noche del orden del 0,001 lleva a que la mayor de los avisos de las a alarmas sean falsas. Ejercicio 27 P (R|A) =
Toc
Volver
Doc
Doc
34
Ejercicio 28. Denotamos por A el suceso {operacin con el negocio o A} y anlogamnete para B. Sea D el suceso {tener prdidas}. Se sabe a e que P (A) = P (B) = 1/2 , P (D|A) = 0,25 y P (D|B) = 0,05 entonces P (B|D) = = P (D|B) P (B) P (D|A) P (A) + P (D|B) P (B) 0,05 0,5 1 = 0,25 0,5 + 0,25 0,5 6 Ejercicio 28
Toc
Volver
Doc
Doc
35
Ejercicio 29. Cuando se pase una papeleta de la urna U1 a la urna U2 , sta quedara, si se pasa nombre de hombre como UH = {3 h, 3 m},con e P (UH ) = 6/10, y si se pasa nombre de mujer como UM = {2 h, 4 m},con P (UM ) = 4/10. La probabilidad pedida es: P (UM |M ) = = P (M |UM ) P (UM ) P (M |UM ) P (UM ) + P (M |UH ) P (UH ) 2 4 16 3 10 4 1 6 = 34 2 3 10 + 2 10 Ejercicio 29
Toc
Volver
Doc
Doc
36
Ejercicio 30.
P (C3 |N ) =
P (N |C3 ) P (C3 ) p(N |C1 ) P (C1 ) + p(N |C2 ) P (C2 ) + p(N |C3 ) p(C3 ) 1 1 2 3 P (C3 |N ) = 1 1 1 1 = 3 2 3 +0 3 +1 3 Ejercicio 30
Toc
Volver
Doc
Doc
37
Ejercicio 31. Sea D el suceso ladrillo en mal estado y + el suceso un ladrillo supera el control. a). P (+|D) = 0,02 b). P (+) = P (+|D)P (D)+P (+|D)P (D) = 0,020,1+0,990,9 = 0,893 P (D|+) = P (D +) 0,02 0,1 = = 0, 0022 P (+) 0,893
c). d).
De N ladrillos fabricados, el coste asociado a los ladrillos + y D viene dado por C P (+ D) N = 0,098 C N , luego el precio mximo pmax N < 0,098 C N y por tanto pmax < 0,098 C a Ejercicio 31
Toc
Volver
Doc
Doc
38
Ejercicio 32. Sea M el suceso se despide una mujer P (C|M ) = P (M |C) P (C) P (M |A) P (A) + P (M |B) P (B) + P (M |C) P (C) 100 0,7 225 = 0,5 75 100 50 0,5 + 0,6 + 0,7 225 225 225 Ejercicio 32
Toc
Volver
Doc
Doc
39
Ejercicio 33.
P (A|D)
= =
P (D|A) P (A) P (D|A) P (A) + P (D|B) P (B) 0,95 0,8 = 0,806 0,95 0,8 + 0,91 0,2 Ejercicio 33
Toc
Volver
Doc
Doc
40
Ejercicio 34. Al estar en serie y ser independientes el sistema frena si lo hacen los tres, es decir P (f rene) = 0,995 0,993 0,994 = 0,98 Ejercicio 34
Toc
Volver
Doc
Doc
41
Ejercicio 35. Sean los sucesos Pi = {pieza fabricada por la planta i} 1 2 4 P (P1 ) = P (P2 ) = P (P3 ) = 7 7 7 y D = {def ectuosa} con P (D|P1 ) = 0,01
i=3
P (D|P2 ) = 0,008
P (D|P1 ) = 0,02
a). P (D) =
i=1
P (D|Pi )P (Pi ) = 0,015, luego P (D) = 0,985
b). P (P1 |D) = P (D|P1 )P (P1 ) = 0,094 P (D) Ejercicio 35
Toc
Volver
Doc
Doc
42
Ejercicio 36. Sea R el suceso un pedido tiene ms de un mes de a retraso y sea Ii el suceso contrato se haya otorgado a la imprenta i P (I3 |R) = = P (R|I3 ) P (I3 ) P (R|I1 ) P (I1 ) + P (R|I2 ) P (I2 ) + P (R|I3 ) P (I3 ) 0,3 0,5 15 = 0,2 0,2 + 0,5 0,3 + 0,3 0,5 34 Ejercicio 36
Toc
Volver
Doc
Doc
43
Ejercicio 37. a). Nmero de equipos posibles u b). 20 2 15 3 = 86450
Sea el suceso R = {viaje el marido} y sea M = {viaje la mujer} P (R M ) =

19 1 14 2
86450
= 0,14
c). P (R M ) = P (R) + P (M ) P (R M ) = =
19 1 15 3 20 2 14 2
86450 0, 28
86450
0,14
Ejercicio 37
Toc
Volver
Doc
Doc
44
Ejercicio 38. Si diseamos una tabla de doble entrada se obtienen n las probabilidades con facilidad: Empleado Transporte Mantenimiento Ingeniero Fijo 8 35 3 46 Temporal 12 10 2 24 20 45 5 70
a). P (T ) = b). c).
24 70 22 70 8 46 Ejercicio 38
P (T I) = P (T r|F ) =
Indice general
Indice general 1. Teor de la Probabilidad a 1.1. Medida de Probabilidad . . . . . . . . . . . . . . . . . . . 1.2. Asignacin de Probabilidades . . . . . . . . . . . . . . . . o 1.2.1. Conteo: Conceptos Fundamentales de Combinatoria 1.3. Probabilidad Condicional . . . . . . . . . . . . . . . . . . . 1.3.1. Dependencia e Independencia . . . . . . . . . . . . 1.4. Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . 1.5. Redes Probabil sticas . . . . . . . . . . . . . . . . . . . . . 1.5.1. Sistemas Inteligentes . . . . . . . . . . . . . . . . . 1.5.2. Sistemas Inteligentes Probabil sticos . . . . . . . . . 1.5.3. Redes Bayesianas . . . . . . . . . . . . . . . . . . . 1.5.4. Razonamiento Probabil stico. Inferencia . . . . . . 1.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1 1 2 4 6 6 7 10 11 12 15 16 16
CAP ITULO 1 Teor de la Probabilidad a
1.1. Medida de Probabilidad

Para medir la incertidumbre existente en un experimento aleatorio1 dado, se parte de un espacio muestral M en el que se incluyen todos los posibles resultados individuales del experimento (sucesos elementales); es decir, el conjunto muestral es un conjunto exhaustivo (contiene todas las posibles ocurrencias) y mtuamente exclusivo (no pueden darse dos ocurrencias a u la vez). Una vez denido el espacio muestral, el objetivo consiste en asignar a todo suceso compuesto A M un nmero real que mida el grado u de incertidumbre sobre su ocurrencia. Para obtener medidas con signicado matemtico claro y prctico, se imponen ciertas propiedades intuitivas que a a denen una clase de medidas que se conocen como medidas de probabilidad. Denicin 1.1 Medida de Probabilidad. Una funcin p que proyecta los o o subconjuntos A M en el intervalo [0, 1] se llama medida de probabilidad si satisface los siguientes axiomas2 : Axioma 1 (Normalizacin): p(M) = 1. o
Un experimento se denomina aleatorio cuando puede dar resultados distintos al realizarse en las mismas condiciones (por ejemplo, lanzar un dado al aire y observar el nmero resultante). 2 Formalmente, una medida de probabilidad se dene sobre una -lgebra del espacio a muestral, que es una coleccin de subconjuntos que es cerrada para los operadores de unin o o = M\A (por tanto, tambin para intersecciones AB = A B). AB y complementario A e Sin embargo, optamos por una denicin menos rigurosa y ms intuitiva para introducir o a este concepto.
1
1. TEORA DE LA PROBABILIDAD I
Axioma 2 (Aditividad): Para cualquier sucesin innita, A1 , A2 , . . ., o de subconjuntos disjuntos de M, se cumple la igualdad

p
i=1
Ai =
i=1
p (Ai ).
(1.1)
El Axioma 1 establece que, independientemente de nuestro grado de certeza, ocurrir un elemento del espacio muestral M (es decir, el conjunto M es a exhaustivo). El Axioma 2 es una frmula de agregacin que se usa para o o calcular la probabilidad de la unin de subconjuntos disjuntos. Establece que o la incertidumbre de un cierto subconjunto es la suma de las incertidumbres de sus partes (disjuntas). Ntese que esta propiedad tambin se cumple para o e sucesiones nitas. De los axiomas anteriores pueden deducirse propiedades muy interesantes de la probabilidad. Por ejemplo: Complementariedad: La probabilidad de un suceso y la de su com plementario suman uno, p(A) + p(A) = 1. Normalizacin: La evidencia asociada a una ausencia completa de o informacin es cero, p() = 0. Su demostracin es sencilla: o o 1 = p(M) = p(M ) = p(M) + p() p() = 0. Acotacin: La probabilidad de cualquier suceso es menor o igual que o la unidad, p(A) 1, para A M. Monotonicidad: La evidencia de la pertenencia de un elemento a un conjunto debe ser al menos la evidencia de cualquiera de sus subconjuntos. Si A B M, entonces p(A) p(B). p(B) = p((B A)(B \A)) = p(A(B \A)) = p(A)+p(B \A) p(A). Inclusin-Exclusin: Dado cualquier par de subconjuntos A y B de o o M, se cumple siempre la siguiente igualdad: p(A B) = p(A) + p(B) p(A B). (1.2)
Esta propiedad establece que las probabilidades de los conjuntos A, B, A B, y A B no son independientes.
1.2. Asignacin de Probabilidades o

Para un mismo experimento aleatorio, existen numerosas medidas de probabilidad que cumplen los axiomas anteriores; sin embargo, la medida de probabilidad que se asigna a un experimento real debe de ajustarse a la incertidumbre real asociada con cada uno de los posibles sucesos. As sabemos ,
1.2. ASIGNACION DE PROBABILIDADES
que al jugar a los dados, los seis nmeros tienen la misma probabilidad de ocurrir, si los dados no estn trucados. Esta idea se corresponde con el enfoque a clsico de la asignacin de probabilidades, que se remonta al nacimiento de a o esta disciplina (Bernoulli, Laplace), y se basa en el principio de indiferencia: todos los sucesos elementales del espacio muestral son equiprobables (por ejemplo, en el caso de un dado no trucado). En este caso, la probabilidad de un suceso dado se puede obtener como el cociente del nmero de casos u favorables a dicho suceso entre el nmero de casos posibles. u En la prctica, la probabilidad asociada a un suceso cualquiera de un a experimento se puede asignar repitiendo el experimento un nmero suciente u de veces y observando las frecuencias relativas de dicho suceso. Por ejemplo, si se quiere asignar una probabilidad a los suscesos elementales del lanzamiento de un dado, se puede repetir el experimento un nmero elevado de veces y u observar las frecuencias de aparicin del 1, 2, 3, 4, 5 y 6; en este caso, si o alguna de las frecuencias se separa mucho del valor 1/6 se puede concluir que es un dado trucado. Ello lleva a denir la probabilidad de un suceso A como el l mite asinttico de la frecuencia relativa de ocurrencia de dicho suceso en o la realizacin del experimento: p(A) = n fn (A), donde fn (A) representa o l m la frecuencia relativa del suceo A en n realizaciones del experimento. En la prctica una aproximacin del l a o mite asinttico se obtiene repitiendo el o experimento un nmero sucientemente elevado de veces, a partir del cual u fn (A) se estabiliza. Por ejemplo, si queremos asignar una probabilidad a los distintos sucesos meteorolgicos que pueden producirse segn la estacin del ao, la direccin o u o n o del viento y la ausencia o no de lluvia, podemos denir una medida de probabilidad en base a las frecuencias observadas en un per odo amplio de tiempo (por ejemplo, diez aos): n
N=3650 NE SE SW NW INVIERNO Seco Lluvia 190 99 24 18 98 223 49 150 PRIMAVERA Seco Lluvia 287 166 6 4 18 119 95 277 VERANO Seco Lluvia 360 162 1 9 15 71 108 251 OTONO Seco Lluvia 177 89 33 26 94 248 36 147
Una vez que se han hallado las probabilidades de los sucesos elementales, se pueden aplicar las propiedades de la probabilidad descritas anteriormente para calcular la probabilidad de sucesos compuestos como que sea invierno o llueva, que el viento no sople del NE, o que sea invierno y llueva. Ejemplo 1.1 (Lanzamiento de un dado). Un ejemplo clsico que ilustra a los axiomas y la asignacin de probabilidades es el del lanzamiento de un o dado no trucado. En este caso el espacio muestral es M = {1, 2, 3, 4, 5, 6}, es decir, el conjunto de los posibles resultados del lanzamiento. Las frecuencias relativas de cada uno de estos sucesos elementales convergen al valor 1/6, o indicando que son equiprobables (ver gura 1.1). A partir de esta asignacin de probabilidades, y utilizando las propiedades de las medidas de probabilidad,
se puede calcular p({1, 3}) = p({1}) + p({3}) = 1/3, p(impar) = p{1, 3, 5} = 1/2, etc. Un experimento equivalente a lanzar el dado consiste en extraer una bola de una urna que contiene seis bolas numeradas. Como se ve en la gura 1.1 los espacios muestrales y las asignaciones de probabilidades coinciden en ambos casos, indicando que ambos experimentos son equivalentes.
x Ps(x) s(x) 1 2 x
1 2 3 4 5 6
3 5 6
P(x)
1/6 1/6 1/6 1/6 1/6 1/6
1 2 3 4 5 6
1/6 1/6 1/6 1/6 1/6 1/6
1 1 1 1 1 1
Urna 1 x Ps(x) s(x) 1 2 4 5 Urna 2 3 6 4

1 2 3 4 5 6 1/9 3/9 1/9 2/9 1/9 1/9 1.5 0.5 1.5 0.75 1.5 1.5
2 2
Dado
Figura 1.1: Experimentos aleatorios equivalentes y no equivalentes.
1.2.1. Conteo: Conceptos Fundamentales de Combinatoria

En numerosas situaciones prcticas, el problema de la asignacin de proa o babilidades se reduce a un simple problema de combinatoria en el que es necesario contar el nmero de resultados posibles (sucesos elementales) y u cuntos de stos son favorables al suceso cuya probabilidad se quiere calcua e lar. La siguentes deniciones muestran las reglas de conteo ms elemtales, con a las cuales pueden resolverse numerosas situaciones prcticas. a Denicin 1.2 Regla multiplicativa. Dados k conjuntos con n1 , . . ., nk o elementos, respectivamente, el nmero de muestras distintas de k elementos u que pueden obtenerse tomando un elemento de cada conjunto es n1 . . . nk . Denicin 1.3 Combinaciones y Variaciones. Dado un conjunto de n o elementos, el nmero de suconjuntos (no importa el orden) de m elementos u distintos que pueden formarse viene dado por el nmero combinaciones de n u elementos tomados de m en m:
n Cm =
n m
n! . (n m)! m!
(1.3)
1.2. ASIGNACION DE PROBABILIDADES
Por otra parte, el nmero de conjuntos con elementos repetidos viene dado u por las combinaciones con repeticin: o
n CRm =
n m
(n + m 1)! . (n 1)! m!
(1.4)
En cambio, el nmero de vectores (conjuntos ordenados) de m elementos u distintos viene dado por variaciones de n elementos tomados de m en m:
n Vm = n(n 1) . . . (n m + 1) =
n! . (n m)!
(1.5)
As mismo, cuando existe repeticin se habla de variaciones con repeticin o o n V R m = mn . La regla multiplicativa permite dividir un problema en partes (que sern a nalmente multiplicadas) y las variaciones y combinaciones permiten tratar cada una de estas partes. Ejemplo 1.2 En una competicin donde participan 50 atletas, Cuntos poo a dium (primero, segundo y tercero) distintos se pueden dar?, de cuntos fora mas distintas se puede elegir el conjunto de los tres mejores atletas?
El nmero total de podium distintos viene dado por las permutaciones de las 50 u personas tomadas de tres en tres 20 19 18 = 6840. En cambio, las posibilidades para elegir a los tres mejores atletas son 20 = 1140. 3
Ejemplo 1.3 Al lanzar una moneda 4 veces, de cuntas formas se pueden a obtener 3 caras?. Y dos caras y dos cruces?.
De
4 3
=4y
4 2
= 6, respectivamente.
Ejemplo 1.4 (El problema de cumplea os). Si k personas estn en una n a habitacin, Cul es la probabilidad p(k) de que almenos dos personas cumo a plan aos el mismo da?. n
El nmero total de combinaciones de d para los cumpleaos de k personas es u as n 365k . Calculamos la probabilidad del suceso complementario al pedido en el enunciado, es decir, el suceso todas las personas cumplen aos en das distintos. n El nmero de permutaciones posibles es a = 365 364 . . . 365 k + 1 = u 365!/(365 k)!. Por tanto la probabilidad de que todas la personas cumplan aos n k y la probabilidad de su suceso complementario, es en d distintos es b = a/365 as decir, que al menos dos personas cumplan aos el mismo d ser: n a a p(k) = 1 b = 1 365! V 365 = 1 k 365 . 365k (365 k)! V Rk
Por ejemplo, se puede observar que para que la probabilidad sea mayor de 0.5 es necesario un grupo de, al menos, 21 personas.
1.3. Probabilidad Condicional

El conocimiento de la ocurrencia de un suceso puede modicar las probabilidades de otros sucesos. Por ejemplo, la probabilidad de obtener un dos al lanzar un dado cambia si se sabe que el resultado es un nmero par, tamu bin la probabilidad de que un paciente tenga una enfermedad dada puede e cambiar tras el conocimiento de los resultados de un anlisis de sangre. Por a ello, cada vez que se dispone de nueva informacin, las probabilidades de los o sucesos pueden, y suelen, cambiar. Esto conduce al concepto de probabilidad condicional. Denicin 1.4 Probabilidad condicional. Sean A e B dos sucesos tales o que p(B) > 0. Entonces, la probabilidad condicional de A dado B viene dada por p(A B) p(A|B) = . (1.6) p(B) La ecuacin (1.6) implica que la probabilidad del suceso A B viene dada o por p(A B) = p(B)p(A|B). (1.7) Esta frmula puede generalizarse para intersecciones de ms conjuntos, o a dando lugar a la llamada regla de la cadena: p(A1 A2 . . . An ) = p(A1 )p(A2 |A1 ) . . . p(An |A1 . . . An1 ). Esta frmula puede probarse de forma sencilla a partir de (1.7). o (1.8)
1.3.1. Dependencia e Independencia

Cuando un suceso sucesos no suministra informacin alguna sobre la ocuo rrencia de otro se dice que stos dos sucesos son independientes. e Denicin 1.5 (Independencia de sucesos) Sean A y B dos sucesos tales o queP (A) > 0 y P (B) > 0, se dice que el suceso B es independiente del A si P (B/A) = P (B). Una propiedad importante de la relacin de independencia es su simetr o a. Recordando la denicin de probabilidad condicionada se tiene o P (B/A) = y por tanto P (A/B) = P (A) P (B) P (A B) = = P (A) P (B) P (B) P (B A) = P (B) P (A) P (A B) = P (A) P (B)
1.4. TEOREMA DE BAYES
luego si A es independiente de B, tambin B es independiente de A, por lo e que se dice que A y B son independientes. Ntese que en la denicin 1.5 o o puede utilizarse la condicin o P (A B) = P (A)P (B) (1.9)
Ejemplo 1.5 Supongamos que durante 10 aos los fenmenos: estacin del o o ao, direccin del viento y lluvia se han dado con las frecuencias mostradas o en la siguiente tabla:
ANUAL Seco Lluvia 1014 516 64 57 225 661 288 825 1591 2059 INVIERNO Seco Lluvia 190 99 24 18 98 223 49 150 361 490 PRIMAVERA Seco Lluvia 287 166 6 4 18 119 95 277 406 566 VERANO Seco Lluvia 360 162 1 9 15 71 108 251 484 493 OTOO Seco Lluvia 177 89 33 26 94 248 36 147 340 510
N=3650 NE SE SW NW TOTAL
Si tomamos como sucesos elementales cada una las posibles combinaciones (estacion, viento, lluvia), podemos calcular: P (lluvia) = 2059/3650 = 0.564. P (lluvia|SW ) = P (LL SW )/P (SW ) = 661/886 = 0.746 De esta forma vemos que los sucesos lluvia y viento son dependientes. Supongamos ahora que en lugar de considerar la estacin del ao, consio deramos la fase lunar:
ANUAL Seco Lluvia 1014 516 64 57 225 661 288 825 1591 2059 Llena Seco Lluvia 255 137 12 12 59 165 51 192 377 506 C. Menguante Seco Lluvia 208 106 16 16 65 166 77 231 366 519 C. Creciente Seco Lluvia 297 132 22 12 58 175 82 225 459 544 Nueva Seco Lluvia 254 141 14 17 43 155 78 177 389 490
N=3650 NE SE SW NW TOTAL
Ahora: P (lluvia) = 2059/3650 = 0.564. P (lluvia|CC) = 490/(490 + 389) = 0.557 P (lluvia|LN ) = 544/(544 + 459) = 0.542 P (lluvia|CM ) = 519/(519 + 366) = 0.586 P (lluvia|LL) = 506/(506 + 377) = 0.573, lo que indica que la lluvia y la fase lunar son independientes.
1.4. Teorema de Bayes

El teorema de Bayes es una util frmula que nos permite dar la vuelta.a o las probabilidades condicionadas y resolver casos prcticos en los que la ina foramcin disponible a priori no permite realizar el clculo de forma directa. o a
Teorema 1.1 (Probabilidad total). Sea {A1 , A2 , . . . An } una clase exhaustiva (su unin es el espacio muestral) de sucesos incompatibles dos a o dos. Entonces se tiene que
n
P (B) =
i=1
P (B/Ai ) P (Ai )
Este teorema se puede demostrar fcilmente de la siguiente forma: a P (B) = P (B (

n i=1
Ai )) = P (
n
i=1
(B Ai )) =
n i=1
i=1
P (B Ai ) =
P (B/Ai ) P (Ai )
Por ejemplo, la siguiente gura muestra (en su zona sombreada) los individuos que poseen una enfermedad (cncer de estmago), denotado con g, a o mientras que la zona blanca son los individuos libres de la enfermedad, g (estos dos sucesos son exhaustivos e incompatibles). A su vez, existen otros sucesos (s ntomas) presentes en la poblacin. El teorema de la probablidad o total dice que la probabilidad de un s ntoma (por ejemplo, dolor d) se puede obtener como P (d) = P (d|g)P (g) + P (d|)P (). g g
Teorema 1.2 (Bayes). En las condiciones del teorema anterior se tiene: P (Ai /B) = P (B/Ai ) P (Ai )
n i=1
P (B/Ai ) P (Ai )
La demostracin de este teorema tambin es muy sencilla: o e P (Ai B) = P (B/Ai ) P (Ai ) = P (Ai /B) P (B)
1.4. TEOREMA DE BAYES
y despejando P (Ai /B) y teniendo en cuenta el teorema de la probabilidad total resulta el teorema de Bayes. A las probabilidades P (Ai ) se las suele llamar probabilidades a priori, por ser las probabilidades antes de conocer la informacin B. Las probabilidades o P (Ai /B), que son las probabilidades de Ai despus de conocer la informae cin B, reciben el nombre de probabilidades a posteriori. Finalmente, las o probabilidades P (B/Ai ) se llaman verosimilitudes. Los conceptos presentados en este cap tulo tienen mucha importancia en diversos campos aplicados como, por ejemplo en la inteligencia articial (sistemas expertos probabilsticos) pues permiten inferir conclusiones en base a informacin cuantitativa; en estos sistemas, los modelos de aprendizaje se o basan fundamentalmente en la probabilidad condicionada. En el siguiente ejemplo se muestra una de las aplicaciones ms importantes de este campo a (el diagnstico mdico) a la vez que se ilustra la aplicacin del teorema de o e o Bayes. Ejemplo 1.6 (Diagnstico Mdico).Un centro mdico tiene una base de o e e datos consistente en los historiales cl nicos de n = 1000 pacientes; hay 700 pacientes (la regin sombreada) que tienen la enfermedad adenocarcinoma o gstrico (g), y 300 que no la tienen. Tres s a ntomas, dolor (d), prdida de peso e (p) y vmitos (v), se considera que estn ligados a esta enfermedad. Por o a tanto, cuando un paciente nuevo llega al centro mdico, hay una probabilidad e 700/1000 = 70 % de que el paciente tenga adenocarcinoma gstrico. Esta es a la probabilidad inicial, o a priori, puesto que se calcula con la informacin o inicial, es decir, antes de conocer informacin alguna sobre el paciente. Por o tanto, pueden hacerse las armaciones siguientes: probabilidad a priori: 440 de 1000 pacientes vomitan. Por ello, p(v) = card(v)/n = 440/1000 = 0.44, donde card(v) denota la frecuencia absoluta de pacientes de la base de datos que vomitan. Esto signica que el 44 % de los pacientes vomitan. Verosimilitud: El 50 % de los pacientes que tienen la enfermedad vomitan, puesto que p(v|g) = card({v, g})/card(g) = 350/700 = 0.5, mientras que slo 30 % de los pacientes que no tienen la enfermedad o vomitan, puesto que p(v|) = card({v, g })/card() = 90/300 = 0.3. g g Verosimilitud: El 45 % de los pacientes que tienen la enfermedad vomitan y pierden peso, p({v, p}|g) = card({v, p, g})/card(g) = 315/700 = 0.45, mientras que slo el 12 % de los que no tienen la enfermedad vomio tan y pierden peso, p({v, p}|) = card({v, p, g })/card() = 35/300 g g 0.12. Puesto que la probabilidad inicial de que el paciente tenga adenocarcinoma gstrico, p(g) = 0.7, no es sucientemente alta para hacer un diagnstico a o (ntese que tomar una decisin ahora implica una probabilidad 0.3 de equivoo o carse), el doctor decide examinar al paciente para obtener ms informacin. a o Supngase que los resultados del examen muestran que el paciente tiene los o
10
s ntomas vmitos y prdida de peso. Ahora, dada la evidencia (el paciente o e tiene esos s ntomas), cul es la probabilidad de que el paciente tenga la a enfermedad? Esta probabilidad a posteriori puede ser obtenida de la probabilidad a priori y de las verosimilitudes, aplicando el teorema de Bayes en dos etapas, como sigue: Tras observar que el paciente vomita la probabilidad a posteriori es p(g|v) = = p(g)p(v|g) p(g)p(v|g) + p()p(v|) g g 0.7 0.5 = 0.795. (0.7 0.5) + (0.3 0.3)
Tras observar que el paciente vomita y presenta prdida de peso la e probabilidad a posteriori es p(g|{v, p}) = = p(g)p({v, p}|g) p(g)p({v, p}|g) + p()p({v, p}|) g g 0.7 0.45 = 0.9. (0.7 0.45) + (0.3 0.12) (1.10)
Ntese que cuando se aplica el teorema de Bayes sucesivamente, la probao bilidad a posteriori calculada en una etapa dada es la misma que la probabilidad a priori en la etapa siguiente. Por ejemplo, la probabilidad a posteriori, que se ha calculado en la primera etapa anterior, puede ser usada como probabilidad a priori en la segunda etapa, es decir, p(g|{v, p}) = = p(g|v)p(p|{g, v}) p(g|v)p(p|{g, v}) + p(|v)p(p|{, v}) g g 0.795 0.9 = 0.9, (0.795 0.9) + (0.205 0.389)
que da la misma respuesta que en (1.10). Ntese tambin que la probabilidad o e cambia tras observar las evidencias. La probabilidad de tener la enfermedad era inicialmente 0.7, despus aument a 0.795, y luego a 0.9 tras observar e o la evidencia acumulada. Al nal de la ultima etapa, el paciente tiene una probabilidad 0.9 de tener la enfermedad. Esta probabilidad puede ser sucientemente alta (comparada con la probabilidad a priori 0.7) para que el doctor diagnostique que el paciente tiene la enfermedad. Sin embargo, ser a conveniente observar nuevas evidencias antes de hacer este diagnstico. o
1.5. Redes Probabil sticas

Durante los ultimos aos la probabilidad se ha convertido en una he n rramienta fundamental en distintas reas de la computacin: aprendizaje aua o tomtico (machine learning), computacin neuronal, etc. En la ultima dcada a o e
Tema 4
Variables aleatorias
En este tema se introduce el concepto de variable aleatoria y se estudian los distintos tipos de variables aleatorias a un nivel muy general, lo que nos permitir manejar los modea los estad sticos para describir los posibles resultados de un experimento aleatorio y asignar probabilidades a los diferentes sucesos que nos interesen.
Contenido
4.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 4.2. Variable aleatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3. Variables discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4. Variables continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.5. Independencia de v.a. . . . . . . . . . . . . . . . . . . . . . . . . . . 4.6. Caracter sticas de una v.a. . . . . . . . . . . . . . . . . . . . . . . . 4.7. Desigualdad de Chebichev . . . . . . . . . . . . . . . . . . . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 9 10 11 12 12 13 14
4.1.
Introduccin o
Tanto en la vida cotidiana como en el campo cient co estamos habituados a observar fenmenos aleatorios cuyos resultados se expresan mediante nmeros; por ejemplo el voltaje o u de salida en una fuente de alimentacin, el nmero de personas en la cola del cine, la velocidad o u de conexin a la red, etc. Incluso en problemas de naturaleza puramente cualitativa es muy o frecuente recurrir a la codicacin numrica; en situaciones tales como: el diagnstico de un o e o paciente sano o enfermo, preguntas del tipo estudias o trabajas?, etc., las respuestas son usualmente codicadas con 0 y 1, aunque en realidad podr emplearse cualquier pareja a de s mbolos con igual precisin. o
4.2.
Variable aleatoria
Este proceso de cuanticacin nos lleva de manera natural a considerar la siguiente o denicin: o 9
TEMA 4. VARIABLES ALEATORIAS
Curso 2007 - 08
Denicin 4.1 (Variable aleatoria). Dado un espacio de probabilidad (, A, Pr), una vao riable aleatoria es cualquier funcin, X, o X : R X() que asocia a cada suceso elemental un nmero real, vericando que u PrX (B) = Pr[X B] = Pr{ | X() B} B R.
En general emplearemos las siglas v.a. para referirnos a una variable aleatoria. Para caracterizar la distribucin de probabilidad inducida por una v.a. X deniremos o una nueva funcin ms sencilla de manejar: o a Denicin 4.2 (Funcin de distribucin). Dada la v.a. X se denomina funcin de distrio o o o bucin asociada a X, a la funcin F : R R denida por: o o F (t) = Pr[X t] = Pr(X (, t]) t R.
Las propiedades ms importantes de las funciones de distribucin son: a o 1. F () = l Pr[X t] = 0. m

t
2. F () = l Pr[X t] = 1. m
t
3. La funcin es continua por la derecha, es decir, l F (t + h) = F (t). o m

h0+
4. F es no decreciente, es decir, si t1 < t2 entonces F (t1 ) F (t2 ). Teorema 4.1. Una funcin F : R R se dice que es de distribucin si y slo si verica o o o las cuatro propiedades anteriores.
4.3.
Variables discretas
Denicin 4.3 (Variable discreta). Una variable aleatoria discreta es aquella que slo o o puede tomar valores dentro de un conjunto nito o innito numerable. Denicin 4.4 (Funcin de probabilidad). Sea X una v.a. discreta que toma los valores xi o o con probabilidades pi = Pr(X = xi ), con i pi = 1. Se denomina funcin de probabilidad o de la variable X a la funcin que asigna a cada xi su probabilidad pi . o En las variables aleatorias discretas la funcin de distribucin viene dada por la siguiente o o expresin: o F (t) = Pr[X t] = Pr(xi ).
xi t
Esta funcin es escalonada, no decreciente, con saltos de discontinuidad en los puntos xi . El o valor del salto en xi coincide con la probabilidad, pi , de dicho valor. Dpto. Estadstica e I.O. y D.M. 10
Curso 2007 - 08
4.4.
Variables continuas
Denicin 4.5 (Variable continua). Una variable aleatoria continua es aquella que toma o valores en uno o varios intervalos de la recta real. En las v.a. continuas la funcin de distribucin no se puede calcular como la suma de las o o probabilidades de ciertos puntos porque el conjunto de posibles valores de la variable es no numerable. Para abordar esta nueva situacin necesitamos la nocin de funcin de densidad. o o o Denicin 4.6 (Funcin de densidad). Dada una v.a. continua X, su funcin de densidad o o o es la funcin real de variable real o f (x) = l m Pr(x h X x + h) . 2h
h0+
De este modo, surge el concepto de funcin de densidad como la funcin l o o mite a la cual se aproxima el histograma. As la probabilidad de un intervalo (a, b) ser el area limitada , a por esta funcin de densidad, las rectas x = a, x = b y el eje de abscisas. Aunque, de acuerdo o con la anterior, la probabilidad de que la variable aleatoria tome un valor concreto es igual a cero, tiene sentido analizar lo densamente que est repartida la probabilidad en torno a a ese valor. De la denicin anterior, se deduce que la funcin de densidad verica las siguientes o o propiedades: 1. f (x) 0 x R.
2.
f (x)dx = 1.
En general, cualquier funcin real que verica las propiedades anteriores es la funcin o o de densidad de alguna v.a. continua X. La funcin de distribucin de una v.a. continua X se expresa a partir de la funcin de o o o densidad como:
t
F (t) =
f (x)dx t R.
Esta funcin es continua. o Por lo tanto, la funcin de densidad de una v.a. continua es la derivada de su funcin o o de distribucin, f (x) = F (x). o Por otro lado, las v.a. continuas verican las siguientes propiedades:
t2
1. Pr(t1 < X t2 ) =
t1
f (x)dx = F (t2 ) F (t1 ).
2. Pr(t1 X t2 ) = Pr(t1 < X t2 ) = Pr(t1 X < t2 ) = F (t2 ) F (t1 ).

t
3. Pr(X = t) =
t
f (x)dx = 0
x R. 11
Dpto. Estadstica e I.O. y D.M.
Curso 2007 - 08
4.5.
Independencia de v.a.
Frecuentemente, al realizar un experimento aleatorio interesa estudiar conjuntamente varias caracter sticas de la poblacin que se van a representar mediante v.a. Si limitamos el o estudio al caso de dos v.a. Denicin 4.7. Se dice que dos v.a. X e Y son independientes si se verica que o Pr(X = x Y = y) = Pr(X = x) Pr(Y = y) si X e Y son discretas f(X,Y ) (x, y) = fX (x)fY (y) si X e Y son continuas
4.6.
Caracter sticas de una v.a.
Las medidas resumen denidas para v.e. pueden generalizarse al caso de variables aleatorias, sin ms que equiparar las frecuencias relativas de variables estad a sticas con las probabilidades de las variables aleatorias. Entre los descriptores ms habituales de las variables a aleatorias se encuentran: Denicin 4.8 (Esperanza). Dada una v. a. X denida sobre (, A, Pr), se denomina eso peranza o valor medio de X a la siguiente expresin o xi Pr(xi ) si X es discreta xi SX = E(X) = xf (x)dx si X es continua
La esperanza de una v.a. verica las siguientes propiedades:
1. E(aX + b) = aE(X) + b. 2. E(X Y ) = E(X) E(Y ). 3. Si X e Y son independientes, entonces E(X Y ) = E(X)E(Y ). Denicin 4.9 (Varianza). La varianza de una v.a. X viene dada por la expresin o o (xi )2 Pr(xi ) si X es discreta si X es continua
2 = Var(X) = E (X )2 =
xi SX
(x )2 f (x)dx
La varianza de una v.a. verica las siguientes propiedades: 1. Var(X) 0. 2. Var(aX + b) = a2 Var(X). 3. Var(X) = E(X 2 ) E(X)2 . Dpto. Estadstica e I.O. y D.M. 12
Curso 2007 - 08
4. Si X e Y son independientes, Var(X + Y ) = Var(X Y ) = Var(X) + Var(Y ). Para simplicar la interpretacin de las medidas de dispersin, se suele recurrir a la o o desviacin t o pica que viene dada en las mismas unidades que la variable Denicin 4.10 (Desviacin t o o pica). La desviacin t o pica de una v.a. X viene dada por la expresin o = + Var(X). De igual forma a como se ha hecho para las variables estad sticas se denen otras caracter sticas de una v.a.: Moda Es el valor que maximiza la funcin de probabilidad o la funcin de densidad, segn o o u se trate de una v.a. discreta o continua, respectivamente. Mediana Es la medida de centralizacin que divide la distribucin en dos partes de igual o o probabilidad, por lo tanto verica que Me = nf{x | F (x) 1/2}. Cuantiles de orden p Para 0 < p < 1, Qp = nf{x | F (x) p}. Recorrido intercuart lico Se dene a partir de los cuart como RIC(X) = Q3 Q1 . les Coeciente de variacin Medida de dispersin relativa con respecto a la media, dada por o o CV (X) = si > 0.
4.7.
Desigualdad de Chebichev
Dada una v.a. X con media y desviacin t o pica , la desigualdad de Chebichev arma que para cualquier constante positiva, k > 0 se cumple que Pr(|X | k) 1 2 , k2 equivalentemente Pr(|X | > k) 2 k2 k > 0.
La desigualdad anterior tambin se puede expresar como e Pr(|X | k) 1 1 , k2 equivalentemente Pr(|X | > k) 1 k2 k > 0.
Por ejemplo, se tiene que Pr(X [ 2, + 2]) 0,75 o Pr(X [ 3, + 3]) 0,889.
Este resultado destaca la bondad de la desviacin t o pica como medida de dispersin reso pecto a la media, proporcionando un l mite inferior para la probabilidad de que una v.a. est comprendida en el intervalo [ k, + k]. e
13
ESTAD ISTICA
VARIABLES ALEATORIAS
Directorio
Copyright c 2000 Actualizado el: 11 de noviembre de 2003
Versin 2.00 o
Tabla de Contenido
3. Variables aleatorias 3.1. Variables aleatorias discretas 3.2. Variables aleatorias continuas 3.3. Cambio de variable Soluciones de Ejercicios
Seccin 3: Variables aleatorias o
3. Variables aleatorias 3.1. Variables aleatorias discretas

Ejercicio 39. En algunos casinos se realiza el siguiente juego: se elige uno de los nmeros 1, 2, 3, 4, 5, 6. A continuacin se lanzan tres u o dados. Si el nmero elegido aparece 1, 2, 3 veces, se recibe 1, 2, 3 u veces lo apostado, y se recupera ste. Si no aparece el nmero elegido, e u se pierde lo apostado. Sea X la variable aleatoria que proporciona la ganancia. Obtener E(X). Ejercicio 40. Una variable aleatoria tiene la siguiente funcin de o probabilidad, x P (x) 1 0,05 2 0,20 3 0,05 4 0,45 5 0,25
1. Comprobar que es una funcin de probabilidad. o 2. Calcular P (x 3). 3. Calcular P (x > 3).
Toc Volver Doc Doc
4. Calcular P (x = 1 x = 3 x = 5). 5. Calcular E(X). 6. Representar la funcin de distribucin FX (x). o o Ejercicio 41. Fiabilidad de un componente. Para una componente de un sistema, sea A el suceso la componente funciona. Se dene la funcin indicatriz del suceso A como aquella funcin IA tal que IA = 1 o o si A es cierto e IA = 0 si A es falso. Qu indica E(IA )? e
Toc
Volver
Doc
Doc
f)
Representar la funcin de distribucin FX (x). o o

b) 0,3 c) 0,7 d) 0,35
5
e) 3,65
41.
Ejercicio 42. A partir la gura
Fiabilidad de un componente. Para una componente de un sistema, sea A el suceso la componente funciona. Se dene la funcin indicatriz del suceso A como aquella funcin I A tal que IA = 1 si A o o 1. Determinar la funcin indicatriz de los sistemas. oe es cierto e IA = 0 si A es falso. Qu indica E(IA )? A partir la gura 3.1
42.
2. Determinar la abilidad de los sistemas.

a) Suponiendo po indicatriz p = 0,90, 3. Determinar la funcin = p2 = de3los sistemas.determinar la abilidad de los 1 b) Determinar la abilidad de los sistemas. sistemas y compararlos. c) Suponiendo p1 = p2 = p3 = 0,90, determinar la abilidad de los sistemas y compararlos. 1 2 3
(a) Circuito1 (b) Circuito2
1 1 2 3
(c) Circuito3
Figura 3.1: Funcin indicatriz y abilidad o

a) 1 (1 I1 )(1 I2 )(1 I3 ), I1 I2 , 1 (1 I1 I2 )(1 I3 ) b) 1 q1 q2 q3 , p1 p2 , 1 (1 p1 p2 )q3
Universidad de Cantabria.
Alberto Luceo y Fco. Javier Gonzlez n a
25
Toc
Volver
Doc
Doc
43.
3. VARIABLES ALEATORIAS

Determinar la funcin indicatriz y la abilidad de cada uno de los sistemas de la gura 3.2 o
3.
Ejercicio 43. Determinar la funcin indicatriz y la abilidad de cada o

1 2 Determinar los sistemas de y lagura de cada uno de 1 sistemas de 1 gura 3.2 o los la uno de la funcin indicatriz la abilidad
1
3
2
4
1
2
(b) Circuito5
1
2
(a) Circuito4
2
(b) Circuito5
(a) Circuito4
44.
Ejercicio 44. Determinar la funcin indicatriz y la abilidad de cada o uno de los funcin indicatriz lalagura I I cada uno),de los1 sistemaspde lagura 3.3 a) = 1 (1 Determinar la sistemas de y I abilidad de )(1 I I R = (1 p )(1 p p ) o
1 2 3 4 1 2 3 4
b) I = [1 o (1 I1 )(1 I y (1 I3 )(1 Figura 3.2: Funcin indicatriz2 )][1abilidad I4 )], R = (1 q1 q2 )(1 q3 q4 )
a) I = 1 (1 I1 I2 )(1 I3 I4 ), R = 1 (1 p1 p2 )(1 p3 p4 )
b) I = [1 (1 I1 )(1 I2 )][1 (1 I3 )(1 I4 )], R = (1 q1 q2 )(1 q3 q4 )
4.
1 3
1 3
Determinar la funcin indicatriz y la abilidad de cada uno de los sistemas de la gura 3.3 o 1
4
2
5
1
4
(b) Circuito7 3
3 (a) Circuito6 2 4 5
Toc
(a) Circuito6
VolverCircuito7 Doc (b)
Doc
Ejercicio 45. Sea una variable aleatoria denida por su funcin de o distribucin: o x < 2 0 0,4 2 x < 0,5 F (x) = 0,8 0,5 x < 3 1 x3 1. Representar F (x) y calcular la funcin de probabilidad de esta o variable. 2. Calcular E(X). Ejercicio 46. Se lanza una moneda tres veces; sea X el nmero de u caras obtenidas. Hallar la funcin de probabilidad y de distribucin o o de X. Ejercicio 47. El nmero medio de personas que acuden a un local es u de 1000 con una desviacin t o pica = 20. Cul es el nmero de sillas a u necesarias para asegurar que todos los asistentes puedan sentarse, con una probabilidad de 0,75? (Usar la desigualdad de Chebyschev.)
Toc Volver Doc Doc
Ejercicio 48. Sea X variable aleatoria cuya distribucin de probao bilidad viene dada por 3 1 P (X = r) = r = 0, 1, 2, 3, 4 2 r! (4 r)! P (X = r) = 0 para otros valores Hallar P (X = 3); P (1 X 2,5) y P (X 2,5). Ejercicio 49. Los art culos en venta en unos grandes almacenes se someten al control diario y , se estima que la probabilidad de que en r 2 1 . Determinar un d sean vendidos r art a culos defectuosos es 3 3 la probabilidad de que en un d de los art a culos vendidos: 1. Dos o ms sean defectuosos. a 2. Cinco sean defectuosos. 3. Tres menos sean defectuosos. o 4. Determinar la esperanza.
Toc Volver Doc Doc
3.2. Variables aleatorias continuas

Ejercicio 51. Sea X una variable aleatoria que tiene como funcin o de densidad de probabilidad f (x) = a(1 + x2 ) si x (0, 3) y f (x) = 0 en los dems casos. Se pide: a 1. Hallar a y la funcin de distribucin de X. o o 2. Hallar la probabilidad de que X est comprendido entre 1 y 2. e 3. P (X < 1). 4. P (X < 2|X > 1). 5. Calcular P (|X | k ), con k = 2.
Toc
Volver
Doc
Doc
10
Ejercicio 52. Sea Y una variable aleatoria con funcin de densidad o dada por: 1 y 0 0,2 0,2 + k y 0 < y 1 pY (y) = 0 en el resto 1. Determinar el valor de k. 2. Determinar la funcin de distribucin, FY (y). o o 3. Calcular P (0 Y 0,5). 4. P (Y > 0,5|Y > 0,1).
Toc
Volver
Doc
Doc
11
Ejercicio 53. La cantidad aleatoria de dinero ahorrado por una persona en un mes sigue una ley de probabilidad dada por: x<0 0 x 2 0x<1 1 1x<2 F (x) = 2 x 4 2x<4 1 4x donde x viene expresado en cientos de euros. Determinar la probabilidad de que, en un mes la cantidad de dinero ahorrado: 1. Sea superior a 200 euros. 2. Sea inferior a 450 euros. 3. Sea superior a 50 euros y menor igual a 250 euros. o 4. Calcular el ahorro mensual medio.
Toc
Volver
Doc
Doc
12
Ejercicio 54. Con objeto de establecer un plan de produccin, una o empresa ha estimado que la demanda aleatoria de sus potenciales clientes se comportar semanalmente con arreglo a la ley de probabila idad denida por la funcin de densidad o pX (x) =
3 8 (4x
2x2 ), 0,
0x2 en el resto
donde x viene expresada en millones de unidades. Qu cantidad C e deber tener dispuesta a la venta, al comienzo de cada semana, para a poder satisfacer la demanda en dicho periodo con una probabilidad de 0,5? Ejercicio 55. Cierta aleacin se forma con la mezcla fundida de dos o metales. La aleacin que resulta contiene cierto porcentaje de plomo o X, que puede considerarse como una variable aleatoria. Suponiendo que X tiene la siguiente funcin de densidad de probabilidad: o 3x(100 x) , 0 x 100, 5 y que el benecio neto G obtenido al vender esta aleacin, es una o pX (x) = 105
Toc Volver Doc Doc
13
funcin del porcentaje de plomo: G = A + BX, se pide calcular el o benecio esperado. Ejercicio 56. Si la duracin en horas de cierto tubo de radio es una o variable aleatoria continua X con funcin de densidad o 100 x > 100, pX (x) = 2 , x SE PIDE: 1. Probabilidad de que un tubo dure menos de 200 horas si se sabe que el tubo funciona todav despus de 150 horas de servicio. a e 2. Si se instalan tres de estos tubos en un conjunto, probabilidad de que exactamente uno tenga que ser sustituido despus de 150 e horas de servicio. 3. Cul es el nmero m a u nimo de tubos n que se pueden poner en un sistema en paralelo, de modo que haya una probabilidad 0,999 de que despus de 150 horas de servicio funcione todav e a el sistema?
Toc Volver Doc Doc
14
Ejercicio 57. El tiempo de vida (en cientos de horas) de un transistor es una variable aleatoria Z con funcin de distribucin o o 0 z<0 2 FZ (z) = 1 ez 0 z SE PIDE: 1. Demostrar que FZ (z) es una funcin de distribucin. o o 2. Obtener la funcin de densidad de probabilidad pZ (z). o 3. Calcular la probabilidad de que un determinado transistor dure ms de 200 horas. a Ejercicio 58. Una estructura metlica puede sufrir, debido al calor, a una dilatacin que (medida en cm) es una variable aleatoria X con o funcin de densidad de probabilidad dada por: o ax 0x3 b 3<x<5 pX (x) = b (8 x) 5 x 8 3
Toc Volver Doc Doc
15
1. Sabiendo que la funcin de densidad de probabilidad es una o funcin continua de x, determinar a y b. o 2. Calcular e interpretar la probabilidad de que la dilatacin sea o inferior a 3. 3. Si con un aparato se ha observado que la estructura ha dilatado ms de 3 cm, con qu probabilidad la dilatacin estar entre 3 a e o a y 5 cm? Ejercicio 59. Sea una variable aleatoria X, que tiene como funcin o de densidad: x+6 6 x 4 pX (x) = 50 0 resto 1. Calcular la funcin de distribucin de X. o o 2. Hallar k, si P (k x k + 1) = 0,09.
Toc
Volver
Doc
Doc
16
Ejercicio 60. La demanda, expresada en toneladas, de un determinado producto es una variable aleatoria cuya funcin de densidad es: o x pX (x) = 2x4 6 Cuales son la media, la varianza y la mediana de esta demanda? El fabricante del producto sabe que cada kilo vendido reporta un benecio de 12 euros, y cada kilo que queda sin vender supone una prdida de 6 euros. Es por tanto, importante para l establecer cul es e e a la cantidad a fabricar. Si el criterio para establecer dicha cantidad es el maximizar la ganancia esperada, determinar cul es la fabricacin a o o ptima.
Toc
Volver
Doc
Doc
17
3.3. Cambio de variable

Ejercicio 61. Sea X una variable aleatoria con E(X) = 2 y V ar(X) = 0,5. Sea Y = 3X 8. Hallar E(Y ) y V ar(Y ). Ejercicio 62. Supongamos que una variable aleatoria X tiene funcin o de densidad de probabilidad: pX (x) = 2x 0<x<1
Determinar la funcin de densidad de probabilidad de las variables o 1. Y = H1 (X) = 3X + 1, 2. Z = H2 (X) = eX 3. W = H3 (X) = X 2 Ejercicio 63. Para medir la velocidad del aire se usa un tubo que permite medir la diferencia de presin. Esta diferencia est dada por o a 1 R = 2 d V 2 , con d la densidad del aire (supuesta constante) y V la velocidad del viento (en km/h). Si V es una funcin de densidad de o
Toc Volver Doc Doc
18
probabilidad uniforme en (10, 20), encontrar la funcin de densidad o de probabilidad de R. Ejercicio 64. La tabla siguiente representa la distribucin de probao bilidad conjunta de la variable aleatoria discreta (X, Y ). Determinar Y \X 1 2 3 1
1 12
2
1 6 1 9 1 4
3 0
1 5 2 15
0
1 18
1. Calcular P (X = 2, Y = 1); P (X = 2); P (Y = 1) y P (X = 3|Y = 2). 2. Calcular E(X); E(Y ) y Cov(X, Y ).
Toc
Volver
Doc
Doc
19
Ejercicio 65. Dos l neas de produccin fabrican art o culos. Supngase o que la capacidad es de 5 art culos para la l nea I y de 3 art culos para la l nea II. Sea (X, Y ) la representacin de la variable aleatoria o bidimensional que da el nmero de art u culos producidos por la l nea I y por la l nea II:
Y \X 0 1 2 3 0 0 0,01 0,01 0,01 1 0,01 0,02 0,03 0,02 2 0,03 0,04 0,05 0,04 3 0,05 0,05 0,05 0,06 4 0,07 0,06 0,05 0,06 5 0,09 0,08 0,06 0,05
1. Determinar la probabilidad del suceso: la l nea I produce ms a art culos que la l nea II. 2. Hallar las distribuciones marginales. 3. Calcular P (X = 3) y P (Y = 1). 4. Calcular E(X) y E(Y ). 5. Calcular P (X = 2|Y = 2).
Toc Volver Doc Doc
Soluciones de Ejercicios
20
Ejercicio 39. Sea x la variable aleatoria que proporciona la ganancia x P (x) E[X] = 1 1
125 216
1
15 216
2
75 216
3
1 216
125 15 75 1 +1 +2 +3 = 0,078 216 216 216 216 Ejercicio 39
Toc
Volver
Doc
Doc
21
Ejercicio 40. 1. Se verica que P (xi ) 0, i y 2. P (x 3) = Fx (3) = 0,3 3. P (x > 3) = 1 P (x 3) = 1 Fx (3) = 0,7 4. P (x = 1 x = 3 x = 5) = P (x = 1) + P (x = 3) + P (x = 5) = 0,35 5. E[X] = 1 0,05 + 2 0,20 + + 5 0,25 = 3,65 Ejercicio 40
n i=1
P (xi ) = 1
Toc
Volver
Doc
Doc
22
Ejercicio 41. Sea IA la variable aleatoria denida como IA (x) = 1 xA 0 xA
E[IA ] = 1 P (A) + 0 P (A) = P (A) luego E[IA ] indica la probabilidad de que la componente funcione. Ejercicio 41
Toc
Volver
Doc
Doc
23
Ejercicio 42. 1. Funcin indicatriz o a) 1 (1 I1 )(1 I2 )(1 I3 ) b) I1 I2 c) 1 (1 I1 I2 )(1 I3 ) 2. Fiabilidad a) 1 q1 q2 q3 , b) p1 p2 c) 1 (1 p1 p2 )q3 Ejercicio 42
Toc
Volver
Doc
Doc
24
Ejercicio 43. 1. Circuito 4 I = 1 (1 I1 I2 )(1 I3 I4 ) R = 1 (1 p1 p2 )(1 p3 p4 ) 2. Circuito 4 I = [1 (1 I1 )(1 I2 )][1 (1 I3 )(1 I4 )] R = (1 q1 q2 )(1 q3 q4 ) Ejercicio 43
Toc
Volver
Doc
Doc
25
Ejercicio 44. 1. Circuito 6 I = 1 (1 I1 I2 )(1 I3 )(1 I4 I5 ) R = 1 (1 p1 p2 )(1 p3 )(1 p4 p5 ) 2. Circuito 7 I = I1 + I2 (1 I1 )(I3 + I4 I3 I4 ) R = p1 + p2 (1 p1 )(p3 + p4 p3 p4 ) Ejercicio 44
Toc
Volver
Doc
Doc
26
Ejercicio 45. 1. p(2) = P (x = 2) = F (2) F (2 ) = 0,4 0 = 0,4 p(0,5) = P (x = 0,5) = F (0,5) F (0,5 ) = 0,8 0,4 = 0,4 p(3) = P (x = 3) = F (3) F (3 ) = 1 0,8 = 0,2 2. E[X] = 2 0,4 + 0,5 0,4 + + 3 0,2 = 0 Ejercicio 45
Toc
Volver
Doc
Doc
27
Ejercicio 46. Sea x la variable aleatoria, nmero de caras obtenidas: u funcin de probabilidad o 1 3 p(0) = p(1) = 8 8 funcin de distribucin o o 0 1 8
4 8 7 8
p(2) =
3 8
p(3) =
1 8
x<0 0x<1 1x<2 2x<3 x3 Ejercicio 46
F (x) =
Toc
Volver
Doc
Doc
28
Ejercicio 47. Sea x la variable aleatoria, el nmero de personas que u acuden. Nos piden hallar n con P (x n) 0,75 = P (x > n) 0,25 restando = E[X] = 1000 P (x > n ) 0,25 Comparando con la desigualdad P (|x | > k) 1 1 = 0,25 = = k = 2 k2 4 Se obtiene n = 1040 Ejercicio 47 1 k2
n = 2 20
Toc
Volver
Doc
Doc
29
Ejercicio 48. Hallamos primero: 3 1 1 P (X = 0) = = 2 0! 4! 16 3 1 1 P (X = 1) = = 2 1! 3! 4
3 1 1 = 2 4! 0! 16 3 1 1 P (X = 3) = = 2 3! 1! 4 3 1 3 P (X = 2) = = 2 2! 2! 8 P (X = 4) =
P (X = 3) =
1 4 5 8 11 16
P (1 X 2,5) = P (X = 1) + P (X = 2) =
P (X 2,5) = P (X = 0) + P (X = 1) + P (X = 2) =
Ejercicio 48
Toc
Volver
Doc
Doc
30
Ejercicio 49. Sea x el nmero de art u culos defectuosos vendidos en un d a: 1 2 q= P (X = r) = p q r p= 3 3 Es util hallar P (X > r) = q r+1 . Pues: 1. P (X > 1) = q 2 . 2. P (X = 5) = p q 5 . 3. P (X 3) = 1 P (X > 4) = 1 q 5 . 4. Por ser x geomtrica E[X] = 3 e Ejercicio 49
Toc
Volver
Doc
Doc
31
Ejercicio 51. 1.
3 0
a (1 + x2 ) dx = 1 = a =
x
1 12 . x
F (x) =
0
1 a (1 + s2 ) ds = a s + s3 3 5 . 18
=
0
1 1 (x + x3 ) 12 3
2. P (1 < X < 2) = F (2) F (1) = 3. P (X < 1) = F (1) = 4. P (X < 2|X > 1) = 1 . 9
P (1 < X < 2) F (2) F (1) 45 = = . P (X > 1) 1 F (1) 144 Ejercicio 51
Toc
Volver
Doc
Doc
32
Ejercicio 52. 1.
0 1
0,2 dy +
1 0
(0,2 + ky) dy = 1 = k = 1,2
2.
1 y 0 0,2y + 0,2 0,6y 2 + 0,2 y + 0,2 0 < y 1 F (y) = 0 en el resto
3. P (0 Y 0,5) = F (0,5) F (0) = 0,25. 4. P (Y > 0,5|Y > 0,1) = P (Y > 0,5) 1 F (0,5) = = 0,71. P (Y > 0,1) 1 F (0,1) Ejercicio 52
Toc
Volver
Doc
Doc
33
Ejercicio 53. 1. P (X > 2) = 1 F (2) = 0,5. 2. P (X < 4,5) = F (4,5) = 1. 3. P (0,5 < X 2,5) = F (2,5) F (0,5) = 3/8. 4. E[X] =
4 0
x f (x) dx = 1,75 Ejercicio 53
Toc
Volver
Doc
Doc
34
Ejercicio 54. Nos piden C de forma que P (X < C) 0,5 FX (C) 0,5 luego 3 (4x 2x2 )dx 0,5 0 8 3 2 1 3 C C 0,5 4 4 2 3 3C C 2 0 (C 1)(C 2 2C 2) 0 Como 0 C 1, C = 1. Ejercicio 54
C
Toc
Volver
Doc
Doc
35
Ejercicio 55. Hallamos la E[X] E[X] = luego E[G] = A + 50 B Ejercicio 55 105 5

100
3x2 (100 x)dx = 50

0
Toc
Volver
Doc
Doc
36
Ejercicio 56. La funcin de distribucin es o o FX (x) = 1 1. P (x < 200|x > 150) = 100 x
P (150 < x < 200) 1 = P (x > 150) 4
2. Sea Y el nmero de tubos a sustituir de los tres, con p = u FX (150) = 1/3 la probabilidad de que dure menos de 150 horas P (Y = 1) = 3 4 p q2 = 9 1
3. Para el tiempo TP del sistema en paralelo dure menos de 150 horas, es necesario que las n componentes duren menos de 150 horas, luego: log 0,001 = 6,29 P (TP > 150) = 1 pn 0,999 = n log 3 Ejercicio 56
Toc Volver Doc Doc
37
Ejercicio 57. 1. Comprueba que se cumplen las propiedades dadas en la pgina a 84 del libro de teor a. 2. fZ (z) = 3. P (Z > 2) = 1 P (Z < 2) = 1 (1 e4 ) = e4 Ejercicio 57
2 dFZ (z) = 2zez dz
z>0
Toc
Volver
Doc
Doc
38
Ejercicio 58. 1. Por continuidad f (3 ) = f (3+ ) = 3a = b f (5 ) = f (5+ ) = b = b

3 5 8
f (x)dx = 1 = a
0
xdx + 3a
3
dx + a
5
(8 x)dx = 1
a= 2.
1 15 1 15
b=
3
1 5 3 10
P (X < 3) = 3.
xdx =
0
P (3 < x < 5|x > 3) =
P (3 < x < 3) 4 = P (x > 3) 7 Ejercicio 58
Toc
Volver
Doc
Doc
39
Ejercicio 59. 1. FX (x) =

6
x+6 1 1 2 dx = ( x + 6x + 18) 50 50 2
2. P (k x k + 1) = FX (k + 1) FX (k) = 0,09 = k = 2 Ejercicio 59
Toc
Volver
Doc
Doc
40
Ejercicio 60. Sea c la cantidad a fabricar y G(c, x) la ganancia G(c, x) = E[G(c, x)] = 12x 6(c x) 2 x c 12c c<x4
c
4 x x (18x 6c) dx + 12c dx 6 6 2 c 1 3 E[G(c, x)] = c + 18c 8 2 dE[G(c, x)] 3 2 = c + 18 = 0 = c = 12 dc 2
Ejercicio 60
Toc
Volver
Doc
Doc
41
Ejercicio 61. E(Y ) = E(3X 8) = 3E(X) 8 = 2 V ar(Y ) = V ar(3X 8) = 9V ar(X) = 4,5 Ejercicio 61
Toc
Volver
Doc
Doc
42
Ejercicio 62. Calculamos la funcin de distribucin de X: o o

x x
FX (x) =
0
f (s)ds =
0
2sds = s2
x 0
= x2
1. FY (y) = pY (Y y) = pX (3X + 1 y) = pX (X = FX f (y) = 2 3 y1 3 y1 3 = y1 3

2
y1 )= 3
1<y<4
1<y<4
Toc
Volver
Doc
Doc
43
2. FZ (z) = pZ (Z z) = pX (eX z) = pX (X > ln z) = = 1 FX ( ln z) = 1 ln2 z e3 < z < e1 ln z f (z) = 2 e3 < z < e1 z
3.
FW (w)
= pW (W w) = pX (X 2 w) = pX ( w X w) = = FX ( w) 0 = w 0<w<1 f (w) = 1 0<w<1
Ejercicio 62
Toc
Volver
Doc
Doc
44
Ejercicio 63. Calculamos la funcin de distribucin de v: o o 1 v 10 fV (v) = FV (v) = 10 < v < 20 10 10 FR (r) = pR (R r) = PV 2r d 1 dV 2 r 2
2r d
= PV
0V
2r d
10 50d < r < 200d
= FV fR (r) =
10
1 10 2dr
50d < r < 200d Ejercicio 63
Toc
Volver
Doc
Doc
45
Ejercicio 64.
Y \X 1 2 3 P (x) 1
1 12
2
1 6 1 9 1 4 19 36
3 0
1 5 2 15 1 3
P (y)
3 12 14 45 67 180
0
1 18 5 36
1. P (X = 2, Y = 1) = 1 6 1 1 1 19 P (X = 2) = + + = 6 9 4 36 1 1 1 P (Y = 1) = + + 0 = 12 6 4 P (X = 3, Y = 2) 9 P (X = 3|Y = 2) = = P (Y = 2) 14
Volver Doc Doc
Toc
46
2. Calcular E(X); E(Y ) y Cov(X, Y ). 19 12 79 5 E(X) =1 +2 +3 = 36 36 36 39 14 67 358 3 +2 +3 = E(Y ) =1 12 45 180 180 1 1 Cov(X, Y ) =1 1 + 2 1 + 12 6 1 2 = + + 2 3 + 3 3 E[x] E[y] 4 15 =0,7879 Ejercicio 64
Toc
Volver
Doc
Doc
47
Ejercicio 65. 1. p(X > Y ) = p(X,Y ) (1, 0) + p(X,Y ) (2, 0) + + p(X,Y ) (5, 3) = 0,01 + 0,03 + 0,04 + + 0,05 = 0,13
2. En la tabla guran, la distribucin conjunta, y las distribuciones o marginales pX (x) y pY (y) de X e Y . Y X 0 1 2 3 pX (x) 0 0 0.01 0.01 0.01 0.03 1 0.01 0.02 0.03 0.02 0.08 2 0.03 0.04 0.05 0.04 0.16 3 0.05 0.05 0.05 0.06 0.21 4 0.07 0.06 0.05 0.06 0.24 5 0.09 0.08 0.06 0.05 0.28 pY (y) 0.25 0.26 0.25 0.24 1
3. Con la marginal de X, pX (x = 3) = 0,21. Con la marginal de Y , pY (y = 1) = 0,26.

Toc Volver Doc Doc
48
4. E[X] = = E[Y ] = = x1 p(x1 ) + x2 p(x2 ) + + x5 p(x5 ) 0 0,03 + 1 0,08 + + 5 0,28 = 3.39 y1 p(y1 ) + y2 p(y2 ) + y3 p(y3 ) + y4 p(y4 ) 0 0,25 + 1 0,26 + 2 0,25 + 3 0,24 = 1.48 p(X,Y ) (x = 2, y = 2) 0,05 1 = = pY (y = 2) 0,25 5 Ejercicio 65
5. p(X = 2|Y = 2) =
Tema 5
Distribuciones de probabilidad ms a usuales

En este tema se estudiarn algunas de las distribuciones discretas y continuas ms coa a munes, que se pueden aplicar a una gran diversidad de problemas y campos cient cos.
Contenido
5.1. Distribuciones discretas ms usuales . . . . . . . . . . . . . . . . . a 5.1.1. Distribucin de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . o 5.1.2. Distribucin binomial . . . . . . . . . . . . . . . . . . . . . . . . . . o 5.1.3. Distribucin geomtrica . . . . . . . . . . . . . . . . . . . . . . . . . o e 5.1.4. Distribucin de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . o 5.2. Distribuciones continuas ms usuales a . . . . . . . . . . . . . . . . 5.2.1. Distribucin uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . o 5.2.2. Distribucin normal . . . . . . . . . . . . . . . . . . . . . . . . . . . o 5.2.3. Distribucin exponencial . . . . . . . . . . . . . . . . . . . . . . . . . o 5.3. Teorema del L mite Central . . . . . . . . . . . . . . . . . . . . . . Comentarios bibliogrcos . . . . . . . . . . . . . . . . . . . . . . . . . . a Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 19 20 21 21 22 22 23 23 25 25 26
5.1.
5.1.1.
Distribuciones discretas ms usuales a

Distribucin de Bernoulli o
Un experimento aleatorio se dice que es de Bernoulli cuando unicamente puede tener dos resultados mutuamente excluyentes; uno de ellos se denomina xito y el otro fracaso. e Ejemplos: Los resultados cara o cruz en el lanzamiento de una moneda. Las piezas defectuosa o no defectuosa en el control de calidad de un producto. 19
TEMA 5. DISTRIBUCIONES DE PROBABILIDAD MAS USUALES
Curso 2007 - 08
Resultado exitoso o fallido de la peticin a un servidor. o Sea X una v. a. asociada a un experimento de Bernoulli y que toma los valores: X(xito) = 1 X(fracaso) = 0 e entonces se dice que X sigue una distribucin de Bernoulli X B(1, p). Su funcin de proo o babilidad viene dada por: Pr(X = 1) = p Propiedades: 1. = E(X) = 0 q + 1 p = p. 2. 2 = Var(X) = E(X 2 ) E 2 (X) = p p2 = pq. Pr(X = 0) = 1 p = q
5.1.2.
Distribucin binomial o
Una sucesin de n pruebas se dice que es de Bernoulli cuando los experimentos indivio duales verican las siguientes condiciones: 1. Las n pruebas son independientes. 2. Cada prueba es de Bernoulli. 3. La probabilidad p de xito es igual en todas las pruebas. e La variable aleatoria denida como nmero de xitos en n pruebas, X B(n, p), se u e dice que sigue una distribucin binomial de parmetros n, p. o a La variable puede tomar los valores {0, 1, 2, . . . , k, . . . , n} y su funcin de probabilidad o es la siguiente: Pr(X = k) = Pr(k xitos en n pruebas) = e donde n k nk p q k
n k
= nmero resultados posibles con k xitos u e pk q nk = P (cada resultado con k xitos) e
Ejemplos: Nmero de veces que aparece el resultado cara al lanzar una moneda diez veces. u Nmero de xitos en la recepcin de un mensaje enviado a 100 destinatarios. u e o Nmero de ordenadores en una subred que han sido infectados por un virus. u Propiedades: Dpto. Estadstica e I.O. y D.M. 20
Curso 2007 - 08
1. X = X1 + X2 + + Xn , donde X1 , . . . , Xn son variables independientes todas ellas con distribucin B(1, p). o 2. = E(X) = np. 3. 2 = Var(X) = n p q. 4. Dadas X1 B(n1 , p) y X2 B(n2 , p) v.a. independientes, entonces X1 + X2 B(n1 + n2 , p).
5.1.3.
Distribucin geomtrica o e
Sea X la variable aleatoria denida como el nmero de pruebas realizadas hasta que u aparece por primera vez el resultado xito, en pruebas de Bernoulli; entonces se dice que e X G(p) sigue una distribucin geomtrica de parmetro p. o e a Los valores que puede tomar esta variable son {1, 2, . . . , k, . . . } con probabilidades: Pr(X = k) = Pr(F1 F2 . . . Fk E) = q k1 p Ejemplos: Nmero de veces que ha sido necesario ejecutar un programa hasta que falla por primera u vez. Nmero de veces que ha sido necesario enviar un mensaje hasta que fue recibido por el u destinatario. Propiedades: 1. = E(X) = 1 p q . p2 si p > 0.
2. 2 = Var(X) =
Una forma alternativa de representar este experimento es considerar la variable Y que cuenta el nmero de fracasos obtenidos hasta que aparece el primer xito; es evidente que la u e relacin entre las dos variables viene dada por la expresin X = Y + 1. La esperanza de Y es o o q E(Y ) = . La varianza, obviamente, es la misma. p
5.1.4.
Distribucin de Poisson o
La distribucin de Poisson suele emplearse para representar experimentos en los que se o analiza el nmero de veces que ocurre cierto suceso en un intervalo (en general de tiempo). u Los requisitos que deben vericar estas experiencias son las siguientes: 1. Las condiciones experimentales deben ser constantes a lo largo de todo el intervalo. 2. Los resultados del experimento deben ser independientes cuando se reeren a intervalos disjuntos. Dpto. Estadstica e I.O. y D.M. 21
Curso 2007 - 08
3. La tasa media de aparicin del suceso, en cualquier intervalo de longitud uno, es conso tante y se representa por . 4. La probabilidad de que el suceso ocurra una sola vez en un intervalo de amplitud h sucientemente pequea, debe ser aproximadamente h. n 5. La probabilidad de dos o ms ocurrencias del suceso, en un intervalo sucientemente a pequeo, debe ser prcticamente cero. n a Bajo las anteriores condiciones la variable X = nmero de veces que ocurre el suceso, u se dice que sigue una distribucin de Poisson de parmetro , X P (). Los valores de la o a variable son {0, 1, 2, . . . k . . .} con probabilidades: Pr(X = k) = e Ejemplos: El nmero de part u culas emitidas por una substancia radiactiva en una hora. El nmero de mensajes que llegan a un servidor de correo durante una hora. u Propiedades: 1. = E(X) = . 2. 2 = Var(X) = . 3. Sean X1 P (1 ) y X2 P (2 ) v.a. independientes, entonces X1 + X2 P (1 + 2 ). k k! si k = 0, 1, 2, . . .
5.2.
5.2.1.
Distribuciones continuas ms usuales a

Distribucin uniforme o
Una variable aleatoria X se dice que sigue una distribucin uniforme en [a, b], donde o a b son nmeros reales, X U (a, b), si tiene la siguiente funcin de densidad: u o 1 si a x b, 1 f (x) = ba ba 0 en otro caso. a b Esta distribucin se puede emplear en problemas en los que la probabilidad se reparte o por igual en todo el intervalo. Propiedades: 1. = E(X) = b+a (punto medio del intervalo [a, b]). 2 (b a)2 . 12 22
2. 2 = Var(X) =
Curso 2007 - 08
5.2.2.
Distribucin normal o
Es la ms importante de las distribuciones continuas ya que permite describir un nmero a u muy grande de fenmenos aleatorios, como por ejemplo aquellos en los que intervienen un o nmero elevado de factores no controlables, que actan de manera independiente y con efectos u u pequeos. n Una v.a. se dice que sigue una distribucin normal X N (; ), si su funcin de o o densidad es:
f (x) =
1 2 2
exp
(x )2 2 2
x R
Propiedades: 1. E(X) = . 2. Var(X) = 2 . 3. Si X1 N (1 ; 1 ) y X2 N (2 ; 2 ) son v.a. independientes, entonces se verica que: 2 2 X = X1 + X2 N (1 + 2 ; 1 + 2 ). 4. Sea X N (; ) entonces Y = a + bX, con b = 0, sigue una distribucin normal o N (a + b; |b|). 5. La funcin de distribucin de cualquier distribucin N (; ) se puede calcular utilizano o o do la distribucin N (0; 1) o normal tipicada. o P (X x) = P donde Z = cada. x X = P (Z z)
X x es la normal tipicada y z = se denomina puntuacin tipio
6. La funcin de densidad de la normal no admite primitiva y su funcin de distribucin se o o o calcula de manera aproximada. En lugar de tener que realizar esos clculos aproximados a para cada par de valores y , la propiedad anterior permite emplear las tablas de la N (0; 1) para obtener la funcin de distribucin de cualquier normal. o o
5.2.3.
Distribucin exponencial o
En un experimento de Poisson en el que se observa la ocurrencia de un suceso E en un intervalo de tiempo, donde > 0 representa el nmero medio de sucesos que ocurren por u unidad de tiempo, puede ser de inters el tiempo que transcurre entre dos sucesos consecutivos. e Dpto. Estadstica e I.O. y D.M. 23
Curso 2007 - 08
En este caso, la v.a. T = tiempo entre dos sucesos consecutivos es continua y su distribucin o se calcula de la siguiente manera: P (T t) = 1 P (T > t) = 1 P (X = 0) = 1 et ya que el suceso (T > t) signica que en el intervalo (0, t] no apareci en ninguna ocasin o o el suceso E. Se dice entonces que T tiene distribucin exponencial de parmetro , que se o a denotar por T Exp() y su funcin de distribucin viene dada por: a o o FT (t) = y su funcin de densidad es: o 1 et si t > 0, 0 en otro caso,
f (t) =
et si t > 0, 0 en otro caso.
Ejemplo: Tiempo que tarda una cierta cantidad de una substancia radiactiva en reducir su masa a la mitad. Tiempo transcurrido entre la llegada de dos clientes consecutivos a una tienda. Propiedades: 1. E(T ) = 1 . 1 . 2
2. Var(T ) =
3. Pr[T > (t + h) | T t] = Pr[T > h]. Esta probabilidad solo depende de la amplitud del intervalo [t, t + h), pero no del valor concreto de t y nos referiremos a ella diciendo que la distribucin exponencial no tiene o memoria. Para comprender el signicado intuitivo de esta propiedad supongamos que estamos analizando una variable que representa el tiempo transcurrido hasta que un sistema falla, como por ejemplo el tiempo de semi-desintegracin de una materia radiactiva o o la vida de una persona. Si esta variable se ajustase a una distribucin exponencial, o signicar que la probabilidad de que el sistema dure diez aos ms, es independiente a n a de lo antiguo que sea. Esto puede ser cierto para una materia radiactiva, pero suele resultar falso para una persona. Dpto. Estadstica e I.O. y D.M. 24
Curso 2007 - 08
5.3.
Teorema del L mite Central
Sean X1 , X2 , . . . , Xn variables aleatorias independientes e idnticamente distribuidas e tales que E(Xi ) = y Var(Xi ) = 2 para todo i. Entonces, Sn = X1 + + Xn o equivalentemente X1 + + Xn X= n
aprox. aprox.
N (n, n). , n
La aproximacin se considera vlida para valores grandes de n. Es importante recordar o a que segn este resultado la suma de un nmero sucientemente grande de variables indepenu u dientes del mismo tipo sigue una distribucin normal, incluso en el caso de que se desconozca o la distribucin que siguen los sumandos Xi . o Como consecuencia del Teorema del L mite Central, se obtienen las aproximaciones de las distribuciones binomial y de Poisson por la distribucin normal. o Si X B(n, p) entonces X = n Xi donde cada Xi B(1, p). Por tanto, el TLC i=1 permite aproximar la distribucin de esta variable por la distribucin N (np; npq) o o cuando n es sucientemente grande y p un valor ni prximo a 0 ni prximo a 1. En o o general se suele trabajar con la aproximacin para n 30 y 0,1 < p < 0,9. o Teniendo en cuenta la propiedad de reproductividad de la variable de Poisson, el TLC permite aproximar la distribucin de Poisson de parmetro mediante la distribucin o a o N (, ), para valores grandes de . En la prctica, se considera que si > 5 la a aproximacin a la normal es buena. o
Comentarios bibliogrcos a
El bloque correspondiente al Clculo de probabilidades, formado por los Temas 3, 4 a y 5 del programa de la asignatura es desarrollado en mayor o menor profundidad por la mayor de los textos de estad a stica recomendados en la bibliograf Sirvan como ejemplo los a. siguientes: Temas 3, 4 y 6 de Introduccin a la Estad o stica y sus aplicaciones. CAO ABAD, R. et al. Ediciones Pirmide, 2001. a Tema 2, 3 y 4 de Probabilidad y Estad stica para Ingenier y Ciencias. DEa VORE, J.L. International Thomson Editores, 2002. Temas 4 y 5 de Fundamentos de Estad stica. PENA SANCHEZ DE RIVERA, D. Alianza Editorial, 2001. Temas 2, 3 y 4 de Probabilidad y Estad stica para Ingenier SCHEAFFER R.L. a. & McCLAVE J. Grupo Editorial Iberoamericano, 1993.
25
ESTAD ISTICA
DISTRIBUCIONES
Directorio
Copyright c 2003 gonzaleof@unican.es Actualizado el: 15 de marzo de 2003
Versin 2.00 o
Tabla de Contenido
2. Distribuciones discretas 3. Distribuciones continuas Soluciones a los Ejercicios
Seccin 2: Distribuciones discretas o
2. Distribuciones discretas
Ejercicio 66. Suponiendo que cada beb tiene una probabilidad 0,51 e de ser varn, hllese la probabilidad de que una familia de 6 hijos o a tenga: a). Por lo menos un nio. n b). Por lo menos una nia. n
Ejercicio 67. Si la probabilidad de acertar en un blanco es 1/5 y se hacen 10 disparos de forma independiente, cul es la probabilidad de a acertar por lo menos dos veces? Ejercicio 68. Demostrar que si la variable aleatoria X tiene distribucin binomial (X Bin(n, p)), se tiene: o X = np ;
2 X = npq.
Ejercicio 69. Se lanza una moneda 500 veces. Estimar la probabilidad de que el nmero de caras est comprendido entre 240 y 260. u e
Toc Volver Doc Doc
Ejercicio 70. En una regulacin de calles por semforos, la luz verde o a est encendida durante 15 segundos, la luz mbar 5 segundos y la luz a a roja 55 segundos. Supongamos que las condiciones de trco inducen a variaciones aleatorias en los tiempos de llegada de los automviles, o de forma que llegar cuando el semforo est verde es un suceso a a aleatorio. Para cinco coches que lleguen en tiempos diferentes e indeterminados, calcular la probabilidad de que: a). solo tres encuentren la luz verde; b). c). a lo sumo cuatro encuentren la luz verde; ms de uno encuentre la luz verde. a
Ejercicio 71. Una rma de pedidos por correo env una carta a sus a clientes. La probabilidad de que un cliente elegido al azar conteste a esa carta es de p = 0,1. Hallar: a). Distribucin de probabilidad del nmero X de cartas que debe o u enviar hasta obtener exactamente 1 respuesta.
Toc Volver Doc Doc
b). c). d).
La esperanza y varianza matemtica de la variable X. a Distribucin de probabilidad del nmero Y de cartas que debe o u enviar para obtener exactamente k respuestas. La esperanza y varianza matemtica de la variable Y . a
Ejercicio 72. Una caja con 12 art culos tiene 4 defectuosos. Si se toma una muestra de 3, en un caso con reemplazamiento y en otro sin reemplazamiento, cul ser la probabilidad de no incluir art a a culos defectuosos en la muestra? Ejercicio 73. Se lanza un dado todas las veces necesarias hasta que aparece un 6. Si X mide el nmero del lanzamiento en que ocurre. Se u pide: a). Qu funcin de probabilidad tiene la variable aleatoria X? e o b). c). Calcular P (X = 3). Calcular P (X > 4).
Volver Doc Doc
Toc
Ejercicio 74. Sea X una variable aleatoria geomtrica de parmetro e a p. Demostrar que: P (X > a + b|X > a) = P (X > b), para cualesquiera constantes positivas a y b. Ejercicio 75. Para controlar la natalidad, un pol tico algo excntrico, e propone para los nuevos matrimonios la siguiente norma: unicamente podrn tener hasta un varn y como mximo 5 hijos. Sea X la variable a o a nmero de hijos y V la variable nmero de varones de un matrimonio. u u Se pide: a). Probabilidad de que un matrimonio solo tenga un hijo. b). c). d). e). Probabilidad de que un matrimonio tenga k hijos. Nmero medio de hijos por matrimonio. u Nmero medio de varones por matrimonio. u Reduce esta norma la frecuencia de varones en la poblacin? o
Volver Doc Doc
Toc
Ejercicio 76. Tres personas A, B, y C lanzan sucesivamente en el orden A, B, C un dado. La primera persona que saque un 6 gana. Si p es la probabilidad de sacar un 6 y q = 1 p, cules son sus a respectivas probabilidades de ganar? Ejercicio 77. Se lanza un dado todas las veces necesarias hasta obtener dos seises y X mide el nmero del lanzamientos hasta que dicho u suceso ocurre. Se pide: a). Qu funcin de probabilidad tiene la variable aleatoria X? e o b). c). P (X = 3). P (X > 4).
Ejercicio 78. Sea X una variable aleatoria binomial negativa N B(k, p). Demostrar que: k q 2 = ; x = k 2 . p p Ejercicio 79. Se conoce de estudios anteriores que el tipo de grupo
Toc Volver Doc Doc
sangu neo de una poblacin se distribuye de acuerdo a los siguientes o datos. Grupo Porcentaje A 43,2 B 14,2 AB 6 O 36,6
En determinada situacin de emergencia se necesitan realizar 5 transo fusiones del tipo A. Se solicitan voluntarios a la poblacin y se realizan o extracciones sucesivas. Cul es la probabilidad de cubrir la emergena cia con el dcimo donante? e Ejercicio 80. Sea X binomial Bin(n, p) y sea Y binomial negativa N B(k, p), demostrar las siguientes relaciones entre ellas: a). P (Y n) = P (X k). b). P (Y > n) = P (X < k).
Ejercicio 81. La centralita telefnica de un hotel recibe un nmero o u de llamadas por minuto que sigue una ley de Poisson con media 0,5. Determinar la probabilidad de que en un minuto al azar:
Toc Volver Doc Doc
a). Se reciba una unica llamada. b). c). Se reciban un mximo de dos llamadas. a La centralita quede bloqueada, sabiendo que no puede realizar ms de 3 conexiones por minuto. a
Ejercicio 82. En una gran ciudad se producen 2 incendios anuales por trmino medio. Cul es la probabilidad de que el prximo ao se e a o n produzcan ms de cuatro? a Ejercicio 83. Sea X una variable aleatoria de Poison de parmetro a , P o(). Demostrar que: = ;
2 x = .
Ejercicio 84. Se lanza una moneda 500 veces. Hallar la probabilidad de que la frecuencia relativa de caras est comprendida entre 0,45 y e 0,65. Ejercicio 85. Cuntas veces habr que lanzar una moneda regular a a
Toc Volver Doc Doc
10
a n de tener al menos un 95 % de seguridad de que la frecuencia relativa de caras diste a lo ms 0,1 de la probabilidad terica 0,5? a o Ejercicio 86. Cuntas veces habr que lanzar un dado regular a n a a de tener al menos un 95 % de seguridad de que la frecuencia relativa de caras diste a lo ms 0,1 de la probabilidad terica 1/6? a o Ejercicio 87. Una fbrica produce art a culos defectuosos con una probabilidad del 5 %. Cuntas tornillos habr que inspeccionar para tea a ner al menos un 98 % de seguridad de que la frecuencia relativa de tornillos defectuosos fD diste de 0,05 en menos de 0,02? Contestar a la pregunta anterior si la probabilidad real de 0,05 es desconocida. Ejercicio 88. Dos personas juegan a cara o cruz y han convenido en continuar la partida hasta que tanto la cara como la cruz se hayan presentado por lo menos 3 veces. Hallar la probabilidad de que el juego no se acabe cuando se han hecho 10 tiradas. Ejercicio 89. Un test psicotcnico comprende 50 preguntas, para cae da una existe una unica respuesta correcta sobre 5 posibles. Cada respuesta correcta vale 1 punto.
Toc Volver Doc Doc
11
a). Si se somete a una persona a este test y responde al azar, hallar la probabilidad de que obtenga cero puntos. b). Si fuesen 200 personas respondiendo al azar, hallar el nmero u medio de personas que obtienen 10 puntos.
Ejercicio 90. Una gran empresa celebra, exactamente dentro de un ao, su centenario. La direccin decide que todos los hijos de los traban o jadores que nazcan el d del centenario tendrn derecho a una cuenta a a de ahorro de 5000 euros. Suelen nacer 730 nios al ao, es decir, unos n n 2 por d El valor esperado del desembolso a efectuar es de 10000 eua. ros. La direccin destina 25000 euros para prevenir alguna desviacin. o o Cul es la probabilidad de que esta cantidad resulte insuciente? a Ejercicio 91. El 4 % de las reservas de un vuelo no son utilizadas. Segn esta observacin, una compaia de aviacin vende 75 billetes u o n o para 73 plazas. Cul es la probabilidad de que todos los pasajeros a consigan plaza? Ejercicio 92. Supngase que en un estudio dental sobre nios se ha o n
Toc Volver Doc Doc
12
obtenido la proporcin p = 2/3 de la poblacin infantil que tiene o o alguna caries. Calcular: a). Probabilidad de que haya que examinar 6 nios para encontrar n uno con caries. b). Probabilidad de que haya que examinar 15 nios para encontrar n 5 con caries.
Ejercicio 93. El departamento de matemticas propone un exmen a a de test consistente en 25 cuestiones. Cada cuestin tiene 5 respuestas o listadas. Si un estudiante no conoce la respuesta correcta de ninguna cuestin y prueba suerte, calcular: o a). Cul es el nmero esperado de respuestas correctas y su desa u viacin t o pica? b). Suponiendo que cada respuesta acertada vale 1 punto, cunto a debe valer cada respuesta fallada para que la nota esperada del estudiante que prueba suerte sea nula?
Volver Doc Doc
Toc
13
c).
Si se pasa el examen cuando se responden correctamente 13 cuestiones, cul es la probabilidad de que pase el alumno que a ha probado suerte?
Ejercicio 94. Se lanza un dado todas las veces necesarias hasta que aparece un 6. Si sabemos que no sali en la primera tirada, cul es o a la probabilidad de necesitar ms de 3 lanzamientos? a Ejercicio 95. Una caja contiene 100 art culos, de los que 4 son defectuosos. Sea X el nmero de art u culos defectuosos encontrados en una muestra de 9. a). Hallar P (X = 2). b). c). Aproximar la probabilidad anterior por una binomial. Aproximar la probabilidad anterior por una Poisson.
Ejercicio 96. Supngase que el nmero de llamadas telefnicas que o u o recibe una operadora desde las 9:00 horas hasta las 9:05 horas sigue una distribucin de Poisson con = 4. Hallar: o
Toc Volver Doc Doc
14
a). Probabilidad de que la operadora no reciba ninguna llamada al d siguiente en ese intervalo de tiempo. a b). Probabilidad de que en los dos prximos dias la operadora reciba o un total de 3 llamadas en ese intervalo de tiempo.
Ejercicio 97. Un almacn suministra un determinado tipo de gra. e u El nmero de pedidos por d se ajusta a una distribuccin de Poisu a o son con parmetro = 2. Tres de estas gras por lo general se tienen a u disponibles en el almacn. Si se piden ms de tres, el comprador debe e a desplazarse a una distancia considerable hasta una empresa de ingenier a. a). En un d cualquiera, cul es la probabilidad de que se realice a a un viaje a la empresa de ingenier a? b). c). Cul es el nmero medio de pedidos por d a u a? Cuntas gras de repuesto deben permanecer en el almacn a u e para despachar a los compradores el 90 % de las veces?
Volver Doc Doc
Toc
15
d). e).
Cul es el nmero medio de compradores atendidos diariamente a u en el almacn? e Cul es el nmero esperado de veces que el compradores realia u zar el viaje a la empresa de ingenier a a?
Ejercicio 98. Se supone que el nmero de accidentes por semana u que ocurren en una fbrica sigue una distribucin de Poisson con a o parmetro = 2. Se pide: a a). Probabilidad de que en una semana cualquiera ocurra un solo accidente. b). c). d). e). Probabilidad de que, en un grupo de 10 semanas, ocurran 3 accidentes en tres semanas distintas. Probabilidad de que en una semana haya ms de 3 accidentes. a Funcin de densidad del tiempo entre dos accidentes. o Probabilidad de que el tiempo entre dos accidentes sea superior a 3 semanas.
Volver Doc Doc
Toc
16
Ejercicio 99. Una agencia inmobiliaria dedicada a la venta de apartamentos en la Costa ha realizado un estudio de ventas, comprobando que solo el 5 % de las personas que acuden a visitar el piso piloto compran un apartamento. Se pide: a). Calcular la probabilidad de que tenga que recibir 10 visitas hasta vender un apartamento. b). c). Calcular la probabilidad de que tenga que recibir 10 visitas hasta vender dos apartamentos. Se han tenido que recibir 10 visitas hasta vender 2 apartamentos. Cul es la probabilidad de que las 3 primeras visitas no a efectuaran ninguna compra?
Ejercicio 100. Un video club tiene 12 pel culas infantiles para alquilar a diario. Para este grupo se estima que la demanda sigue un proceso de Poisson con tasa 10 pel culas/d Se pide: a. a). Probabilidad de que en un d se hayan alquilado todas las a pel culas.
Toc Volver Doc Doc
17
b).
Cuantas pel culas deber haber en existencia para que la proa babilidad de no satisfacer la demanda de un d solo fuese del a 0,07 %?
Ejercicio 101. Un lote de 10 motores elctricos se debe rechazar e totalmente o vender, segn el resultado de la siguiente operacin: se u o escogen dos motores al azar sin sustitucin y se inspeccionan. Si uno o o ms son defectuosos, el lote se rechaza; en otro caso es aceptado. a Supongamos que cada uno de los motores cuesta 75$ y se vende por 100$. Si el lote contiene un motor defectuoso, cal es benecio neto u esperado del fabricante? Ejercicio 102. A un hotel llegan dos carreteras A y B. El nmero de u llegadas diarias por cada carretera siguen distribuciones de Poisson independientes con parmetros 8 y 9 respectivamente. a a). Si un d llegaron 12 personas, cul es la probabilidad de que a a 7 llegaran por la carretera A? b). El coste diario de manutencin por persona es de 2000 euros si o
Volver Doc Doc
Toc
18
son menos de 5 personas y 1500 euros si son 5 ms personas. o a Cul ser el coste diario esperado? a a Ejercicio 103. Una empresa de fabricacin de explosivos tiene dos o secciones una segura S y otra con riesgo de accidentes R. En la seccin o S hay 2000 empleados donde el nmero de accidentes XS por ao u n sigue una distribucin de Poisson de parmetro 1 = 5 y en R hay 500 o a empleados y el nmero de accidentes YR por ao sigue una distribucin u n o de Poisson de parmetro 2 = 10. Los accidentes se producen de forma a independiente en las dos secciones. a). Cul es la probabilidad de que se produzcan cinco accidentes a en la seccin S? o b). c). Cul es el nmero medio de accidentes por ao en la empresa? a u n Si en un ao se han registrado 8 accidentes, cul es la proban a bilidad de que se hayan producido 6 accidentes en la seccin o R?
Volver Doc Doc
Toc
Seccin 3: Distribuciones continuas o
19
La compaia La Avispa.asegura a cada empleado de la seccin n o S por una prima de p1 euros y a cada empleado de la seccin o R por una prima de p2 euros y una indemnizacin comn de 10 o u millones por accidentado. d). e). Expresar los benecios B por ao de la compaia. n n Cules son los valores m a nimos justos de las primas p1 y p2 , para que el benecio esperado por la compaia no sea negativo? n
3. Distribuciones continuas
Ejercicio 104. Una variable aleatoria X se distribuye de forma uniforme en (2, 4). Se pide: a). P (X < 2,5) b). c). P (X > 3,2) P (2,2 < X < 3,5)
Volver Doc Doc
Toc
20
d).
E(X) y V ar(X)
Ejercicio 105. Se sabe que la cantidad aleatoria demandada durante un cierto periodo de tiempo por parte de una empresa textil tiene distribucin uniforme y no supera la tonelada. Determinar para dicho o periodo de tiempo: a). Probabilidad de que la cantidad demandada no supere los 900 kg. b). c). Probabilidad de que la cantidad demandada est comprendida e entre 800 y 900 kg. La demanda esperada.
Ejercicio 106. Una empresa tiene una funcin de costes que viene o dada por C = 100,000 + 2X. En el mercado vende cada unidad a 5 euros y la demanda X del citado art culo tiene una distribucin uniforme o entre 25000 y 30000 unidades. Cul ser el benecio esperado? a a
Toc Volver Doc Doc
21
Ejercicio 107. Comprobar que si T es exponencial de parmetro a se cumple la propiedad 1 1 2 T = ; T = 2 . Ejercicio 108. Comprobar que si T es exponencial de parmetro a se cumple la propiedad P (T > s + t|T > s) = P (T > t) Ejercicio 109. La variable aleatoria T es de tipo Exponencial(). Cul es la probabilidad de que T sea superior a su valor esperado? a Cul es la probabilidad de que T sea superior al doble de su valor a esperado? Ejercicio 110. La funcin de densidad del tiempo T entre dos aver o as de una instalacin de clculo es o a f (t) = 0,25e0,25t . Para resolver un determinado problema es necesario que funcione la
Toc Volver Doc Doc
22
instalacin sin fallos durante 3 minutos, que es el tiempo necesario pao ra la resolucin del problema. Si falla la instalacin durante el periodo o o de 3 minutos hay que volver a empezar con el clculo del problema a teniendo en cuenta que la existencia de una aver slo se aprecia a o despus de los tres minutos. Sea Y el tiempo total necesario para la e resolucin del problema. Hallar: o a). Distribucin de Y . o b). c). Tiempo medio de resolucin del problema. o Probabilidad de que en 18 minutos puedan ser resueltos 3 problemas.
Ejercicio 111. La duracin de la vida de una bombilla es Exp(). o La probabilidad de que sobrepase las 100 horas de uso es 0,9. a). Cul es la probabilidad de que sobrepase 200 horas de uso? a b). Cuntas horas se mantiene funcionando con una probabilidad a 0,95?
Volver Doc Doc
Toc
23
Ejercicio 112. El tiempo medio de funcionamiento de una bombilla es de 120 horas. Se ponen en funcionamiento 6 bombillas al mismo tiempo. Sea Ti el tiempo que transcurre hasta que se estropean i bombillas. Determinar E[Ti ] para i = 1, 3, 6. Ejercicio 113. En la gura 1 cada componente tiene una funcin o de abilidad de tipo exponencial con parmetro i . Determinar la a funcin de abilidad del sistema y el tiempo medio de vida del sistema. o
Figura 1: Fiabilidad en serie y paralelo
Toc
Volver
Doc
Doc
24
Ejercicio 114. En la gura 2 cada componente tiene la misma funcin de abilidad de tipo exponencial con parmetro . Determinar o a la funcin de abilidad del sistema y el tiempo medio de vida del o sistema.
Figura 2: Fiabilidad en serie y paralelo Ejercicio 115. En la gura 1 cada componente tiene una funcin de o abilidad de tipo exponencial con parmetro i . Sea A el suceso la a componente 1 se estropea antes que la componente 2. Determinar la
Toc Volver Doc Doc
25
probabilidad del suceso A. Ejercicio 116. Sean 30 instrumentos electrnicos E1 , E2 , . . . , E30 . o Tan pronto como falla E1 se activa E2 , y as sucesivamente. Si el tiempo en que falla Ei , para cualquier i, es de tipo exponencial con parmetro = 0,1 hora1 y T es el tiempo total de funcionamiento a de los 30 instrumentos, hallar la probabilidad de que T supere las 350 horas. Ejercicio 117. Sea Z una variable aleatoria normal con = 0 y = 1. Calcular: a) p(Z 0) b) p(Z 1) c) p(Z > 1) d) p(Z > 1) e) p(1 < Z < 1) f ) p(2 < Z < 1) Ejercicio 118. Sea X una variable aleatoria normal con = 50 y 2 = 25. Calcular: a) p(X 40) b) p(X 60) c) p(X > 65) d) p(X > 35) e) p(40 < X < 60) f ) p(30 < X < 42)
Toc Volver Doc Doc
26
Ejercicio 119. Se sabe que el nmero X de personas que entran u diariamente en unos grandes almacenes se distribuye normalmente. Si hay una probabilidad 0,58 de que entren menos de 75 clientes y una probabilidad 0,38 de que entren entre 75 y 80 clientes, determinar la media y la varianza de la variable X. Ejercicio 120. La duracin aleatoria de un determinado tipo de art o culos, en horas, viene regulada por la ley de probabilidad N (180, 5). Determinar la probabilidad de que la duracin de tal art o culo: a). Sea superior a 170 horas. b). Sea inferior a 150 horas.
Ejercicio 121. Sabiendo que la demanda aleatoria de gasolina durante un cierto periodo de tiempo se comporta con arreglo a la ley normal de media 150000 litros y desviacin t o pica 10000 litros, determinar la cantidad que hay que tener dispuesta a la venta en dicho periodo para poder satisfacer la demanda con una probabilidad de 0,95. Ejercicio 122. Un instrumento electrnico est formado por tres o a
Toc Volver Doc Doc
27
componentes. Dos formas posibles de disponer estas componentes son: i) en serie, ii ) en paralelo. Si los tiempos de fallo de cada componente son independientes y siguen una distribucin exponencial con funcin o o de densidad: f (t) = 0,01 e0,01t , se desea saber: a). Probabilidad de que el instrumento funcione despus de 50 horas e en los dos casos. b). Si el sistema no ha fallado durante 20 horas, cul es la probaa bilidad de que falle en las 30 horas siguientes?
Ejercicio 123. Para ganar el jubileo un peregrino decide ir, a golpe de alpargata, desde su pueblo hasta Santiago de Compostela, siendo la distancia entre ambos lugares de 300 km. Este peregrino es precisamente fabricante de dicho tipo de calzado y sus datos han permitido establecer a un ingeniero, que vive en el pueblo, a efectos de control de calidad, que los kilmetros que se pueden recorrer con un par de o
Toc Volver Doc Doc
28
alpargatas, antes de que queden inservibles, es una variable N (20, 16). Aunque el peregrino no le importa disciplinarse severamente, tampoco quiere correr un riesgo excesivo de destrozarse los pies. Por eso, quiere saber cul es el menor nmero de pares de alpargatas que debe llevar a u para tener una garant de al menos un 91 % de que no tendr que a a caminar descalzo. Ejercicio 124. Un individuo juega con probabilidad de ganar igual a 1/2 en cada juego. Si gana en un juego obtiene 5 euros y si pierde paga 5 euros. Durante una tarde juega 400 veces. Con cunto dinero a debe acudir si quiere tener una probabilidad de 0,95 de hacer frente a sus posibles prdidas? e Ejercicio 125. Un corredor de bolsa adquiere 50 acciones diferentes. Se sabe, por estudios anteriores, que los benecios de cada accin se o distribuyen uniformemente en el intervalo (1000, 2000), y que dichos benecios son independientes. Dicho corredor concierta con sus clientes una ganancia, por cada accin de 1200 euros, qu probabilidad o e tiene de no perder dinero? Ejercicio 126. Un instituto de opinin pblica quiere obtener una o u
Toc Volver Doc Doc
29
muestra de votantes de un cierto estado, sucientemente grande para que la probabilidad de obtener una proporcin de votos a favor del o candidato A inferior al 50 %, sea de 0,01, si la intencin de voto a favor o de dicho candidato es realmente del 52 %. Qu tamao deber tener e n a la muestra? Ejercicio 127. Dos individuos A y B realizan un juego bajo las siguientes condiciones: se lanza un dado perfecto, si sale 1 o 2 el jugador A paga 6 euros a B, pero si sale 3, 4, 5 6 el jugador B o paga 21 euros a A.Se pide: a). Si juegan 300 partidas determinar la probabilidad de A gane entre 175 y 230 euros. b). c). El benecio esperado para ambos jugadores en 300 partidas. Si B lleva en el bolsillo 200 euros, cuntas partidas al menos a hay que jugar para que B lo pierda todo con una probabilidad de al menos 0,9772?
Toc
Volver
Doc
Doc
30
Ejercicio 128. El contenido de un bote de cerveza se distribuye normalmente con media 30 cl, y desviacin t o pica 2 cl. a). Cual es la probabilidad de que un bote determinado tenga ms a de 33 cl? b). En un envase de 6 botes cual es la probabilidad de que el contenido l quido total sea inferior a un litro y tres cuartos?
Ejercicio 129. Sabiendo que el 30 % de los enfermos con infartos de miocardio que ingresan en un hospital, fallecen en el mismo, y que al ao ingresan 2000, determinar la probabilidad de que fallezcan en el n hospital un mximo de 550. a Ejercicio 130. En un proceso de fabricacin se sabe que el nmero o u aleatorio de unidades defectuosas producidas diariamente, viene dado por la ley de probabilidad: 10r P (X = r) = e10 r = 0, 1, 2, . . . r!
Toc Volver Doc Doc
31
Determinar la probabilidad de que en 150 d el nmero de unidades as, u defectuosas producidas supere las 1.480 unidades. Ejercicio 131. Una empresa sabe que la demanda aleatoria de un art culo que produce, se ajusta por la ley N (10000; 100). Si la empresa decide seguir produciendo el art culo en el futuro, supuesto que la demanda est comprendida entre 9930 y 10170 unidades, determinar e la probabilidad de que no siga produciendo tal art culo. Ejercicio 132. Una tienda comercial dispone a la venta diariamente slo dos art o culos a precios p1 y p2 , de forma que: el 70 % de las unidades ofrecidas lo son del art culo de precio p1 y el 30 % restante lo son del art culo de precio p2 . Si en un d determinado se venden a 2000 unidades, determinar la probabilidad de que ms de 800 unidades a correspondan al art culo de precio p2 . Ejercicio 133. Un concesionario de automviles vende a particulares o veh culos de la misma marca. Sabiendo que la probabilidad de que este tipo de veh culos est en servicio dos aos despus es de 0,8, e n e determinar la probabilidad de quede 4000 automviles vendidosms o a de 3120 estn en servicio dentro de dos aos. e n
Toc Volver Doc Doc
32
Ejercicio 134. La demanda de un producto oscila diariamente entre 20 y 40 unidades. Determinar la probabilidad de que en un periodo de 182 d as, el n0 de unidades demandadas supere 6370 unidades, supuesta la independencia de la demanda de cada d respecto de las a restantes.
Toc
Volver
Doc
Doc
33

Ejercicio 66. Sea X el nmero de varones de entre 6 hijos. X u Bin(6; 0,51), luego: a). P (X 1) = 1 P (X = 0) = 1 q 6 = 1 0,496 = 0.986 b). P (X 5) = 1 P (X = 6) = 1 p6 = 1 0,516 = 0.982 Ejercicio 66
Toc
Volver
Doc
Doc
34
Ejercicio 67. Sea X el nmero de aciertos de entre 10 disparos. u 1 X Bin(10; ) 5 luego: P (X 2) = 1 P (X 1) = 1 P (X = 0) P (X = 1)) = 1 q 10 10 p q 9 Ejercicio 67
Toc
Volver
Doc
Doc
35
Ejercicio 68. Sea Xi para todo i una distribucin de Bernoulli con o E[Xi ] = p Como X = X1 + X2 + . . . + Xn luego: = E[X] = E[X1 ] + E[X2 ] + . . . + E[Xn ] = np V ar(Xi ) = pq
y tomando varianzas para una suma de variables aleatorias idnticas e e independientes 2 = V ar[X] = V ar[X1 ] + V ar[X2 ] + . . . + V ar[Xn ] = n pq Ejercicio 68
Toc
Volver
Doc
Doc
36
Ejercicio 69. Sea X el nmero de caras obtenido en los 500 lanzau mientos. X B(500; 0,5), luego
260
P (240 X 260)
=
k=240 260
500 k 500 k
0,5500k 0,5k 0,5500
=
k=240
como np = 250 > 5 y npq = 125 > 5, aproximamos a la distribucin o normal B(500, 0,5) N ( = 250, = 125), realizando el ajuste por continuidad: 260 250 + 0,5 240 250 0,5 = P (0,94 < z < 0,94) = <z< P 125 125 (0,94) (0,94) = 2 (0,94) 1 = 2 0,8264 1 = 0.653 Ejercicio 69
Toc
Volver
Doc
Doc
37
Ejercicio 70. Sea p la probabilidad de que un coche cualquiera en15 . Sea X el nmero de coches u cuentre la luz verde. Entonces p = 75 que encuentran la luz verde. Como 1 X Bin(n = 5; p = ) 5 a). P (X = 3) = b). c). P (X > 1) = = = 1 P (X 1) = 1 P (X = 0) P (X = 1) 5 0 0, 26272 1 1 5
0 5 3 1 3 5 4 2 5
= 0, 0512
5 5 1 5 5 4 0 5
P (X 4) = 1 P (X = 5) = 1
= 0, 99968
4 5
5 1
1 5
4 5
Ejercicio 70
Toc Volver Doc Doc
38
Ejercicio 71. a). X se ajusta a una distribucin geomtrica G(p = 0,1). o e b). Si X G(p = 0,1), entonces 1 X = = 10 p
V ar(X) =
q p2
c). d).
Y se ajusta a una distribucin Binomial Negativa BN (k; p = o 0,1), Si Y BN (k; p = 0,1), entonces Y = k = 10 p V ar(Y ) = kq p2 Ejercicio 71
Toc
Volver
Doc
Doc
39
Ejercicio 72. Con reemplazamiento, X sigue una distribucin Binomial o 4 Bin(n = 3; p = ) 12 luego 3 8 P (X = 0) = q 3 = = 0, 296 12 Sin reemplazamiento, X sigue una distribucin Hipergeomtrica o e HG(N, E, n) = HG(12, 4, 3) P (X = 0) =
4 0 12 3 8 3
14 = 0, 254 55 Ejercicio 72
Toc
Volver
Doc
Doc
40
Ejercicio 73. X sigue una distribucin geomtrica o de Pascal G(p = 1 ) luego o e 6 P (X = k) = p q k1 P (X = 3) = p q 2 En la geomtrica se tiene que P (X > k) = q k , luego e P (X > 4) = q 4 = 5 6
4
Ejercicio 73
Toc
Volver
Doc
Doc
41
Ejercicio 74. Si X es geomtrica, de parmetro p, se tiene k que e a P (X > k) = q k , luego si a, b > 0 , P (X > a + b|X > a) P (X > a + b) P (X > a + b X > a) = P (X > a) P (X > a) a+b q = = qb qa = P (X > b) = Ejercicio 74
Toc
Volver
Doc
Doc
42
Ejercicio 75. Sea X la variable nmero de hijos y V la variable u nmero de varones de un matrimonio, y sea p la probabilidad de que u nazca un varn. Conguramos la funcin de distribucin en una tabla o o o para ambas variables X pX V pV 1 p 1 p 2 pq 1 pq 3 p q2 1 p q2 4 p q3 1 p q3 5 p q + q5 1 p q4
4
0 q5
a). P (X = 1) = p. b). c). P (X = k) = p q k1 con 1 k 4 y P (X = 5) = p q 4 + q 5 Nmero medio de hijos por matrimonio: u E[X] = 1 p + 2 p q + 3 p q 2 + 4 p q 3 + 5 (p q 4 + q 5 ) = (sustituyendo p por 1 q) = 1 + q + q2 + q3 + q4
Volver Doc Doc
Toc
43
d).
Nmero medio de varones por matrimonio: u E[V ] = 1 p + 1 p q + 1 p q2 + 1 p q3 + 1 p q4 + 0 q5 ) = p(1 + q + q 2 + q 3 + q 4 )
e).
Como E[V ] =p E[X] la frecuencia de varones en la poblacin sigue siendo de p, es deo cir con ese criterio de parada en la descendencia, no se modica la proporcin entre hombres y mujeres. o Ejercicio 75
Toc
Volver
Doc
Doc
44
Ejercicio 76. Gana A cuando ocurren los siguientes sucesos 6, 6666, 6666666, 6666666666 razonando anlogamente para B y C, se tiene: a = p + p q3 + p q6 + p = 1 q3 P (B) = p q + p q 4 + p q 7 + pq = 1 q3 P (C) = p q 2 + p q 5 + p q 8 + p q2 = 1 q3 P (A) Ejercicio 76
Toc
Volver
Doc
Doc
45
Ejercicio 77. a). X sigue una distribucin binomial negativa BN (k = 2; p = 1 ) o 6 luego P (X = n) = b). c). P (X > 4) = 1 P (X 4) = = 1 P (X = 2) P (X = 3) P (X = 4) = 1 p2 q 0 2 p 2 q 3 p2 q 2 P (X = 3) = 2 p2 q n 1 2 n2 p q 1 n = 2, 3,
siendo p = 1/6 y q = 5/6. Ejercicio 77
Toc
Volver
Doc
Doc
46
Ejercicio 78. Sea X1 el nmero de intentos hasta el primer xito, X2 u e el nmero de intentos desde el primer xito hasta el segundo xito,Xi u e e el nmero de intentos desde el (i 1)simo xito hasta el isimo u e e e xito. Entonces e X = X1 + X2 + + Xk Xi G(p)
X es la suma de variables aleatorias idnticas e igualmente distribuie 1 q das, {Xi }()i.i.d.), con E[Xi ] = y V ar[Xi ] = 2 . Tomando esperanp p zas y varianzas se llega a k kq E[X] = V ar[X] = 2 p p Ejercicio 78
Toc
Volver
Doc
Doc
47
Ejercicio 79. Sea X el nmero de extracciones hasta encontrar el u quinto donante con sangre tipo A. Como X sigue una distribucin o binomial negativa BN (5; p), donde p es la probabilidad de que un donante cualquiera tenga sangre tipo A, es decir p = 0,432. P (X = 10) = 9 5 5 p q 4 Ejercicio 79
Toc
Volver
Doc
Doc
48
Ejercicio 80. a). El suceso {Y n} en la hipergeomtrica equivale a necesitar al e menos n intentos para obtener los k xitos, lo que equivale al e suceso {X k} en la binomial. b). Es inmediato de lo anterior. Ejercicio 80
Toc
Volver
Doc
Doc
49
Ejercicio 81. La variable X nmero de llamadas por minuto sigue u una distribucin de Poisson P o( = 0,5), luego o a). P (X = 1) = e0,5 b). c). P (X > 3) 0,5 = 0,303 1! 0,5 0,52 + e0,5 = 0,986 1! 2!
P (X 2) = e0,5 + e0,5
= 1 P (X 3) = = 1 P (X = 0) P (X = 1) P (X = 2) P (X = 3) 0,5 0,52 0,53 = 1 e0,5 e0,5 e0,5 e0,5 1! 2! 3! = 0, 002 Ejercicio 81
Toc
Volver
Doc
Doc
50
Ejercicio 82. La variable X nmero de incendios anuales sigue una u distribucin de Poisson P o( = 2), luego o P (X > 4) = 1 P (X 4) = = 1 P (X = 0) P (X = 1) . . . P (X = 4) 22 23 24 2 = 1 e2 e2 e2 e2 e2 1! 2! 3! 4! = 0, 0527 Ejercicio 82
Toc
Volver
Doc
Doc
51
Ejercicio 83. De las dos igualdades del clculo siguientes a
k=0
k k = e k!
k=0
k 2 k = (2 + ) e k!
y de la denicin de E[X] y V ar[X] se obtiene con facilidad que o = ;

2 x = .
Ejercicio 83
Toc
Volver
Doc
Doc
52
Ejercicio 84. El nmero de caras sigue una distribucin binomial u o B(500; 0,5). A partir de la aproximacin de o X B(n, p) N (np, = npq) la variable aleatoria frecuencia relativa fr se aproxima a fr = luego P (0,45 < fr < 0,65) = P 0,45 0,5
0,25 500
X N (p, = n
pq ) n 0,65 0,5
0,25 500
<z<
= (2,24) (2,24) = 2 (2,24) 1 = 0.975 Ejercicio 84
Toc
Volver
Doc
Doc
53
Ejercicio 85. El nmero de caras sigue una distribucin binomial u o B(n; 0,5). A partir de la aproximacin de o X B(n, p) N (np, = npq) la variable aleatoria frecuencia relativa fr se aproxima a fr = X N (p, = n pq ) n
luego nos pide n que cumpla P (|fr 0,5| < 0,1) 0,95 0,1 P (0,1 < fr 0,5 < 0,1) = P <z<
0,25 n
0,1 =
0,25 n
= (0,2 n) (0,2 n) = 2 (0,2 n) 1 0,95 = (0,2 n) 0,975 = (1,96) = 0,2 n 1,96 = n 96 Ejercicio 85
Toc
Volver
Doc
Doc
54
1 6
Ejercicio 86. Se resuelve como el ejercicio anterior con p = 1 P (|fr | < 0,1) 0,95 6 1 0,1 P (0,1 < fr < 0,1) = P <z< 6 5
36 n
0,1 =
5 36 n
= (0,268 n) (0,268 n) = 2 (0,268 n) 1 0,95 = (0,268 n) 0,975 = (1,96) = 0,268 n 1,96 = n 54 Ejercicio 86
Toc
Volver
Doc
Doc
55
Ejercicio 87. Se resuelve como el ejercicio anterior con p = 0,05 y q = 0,95 1 P (|fr | < 0,02) 0,98 6 1 0,02 0,02 P (0,02 < fD < 0,02) = P <z< = 6 0,05 0,95 0,05 0,95 n n = (0,092 n) (0,092 n) = 2 (0,092 n) 1 0,98 = (0,092 n) 0,99 = (2,326) = 0,092 n 2,326 = n 640 En el caso en que desconocemos el valor de p se toma como producto de p q = 1/4 ya que siempre se cumple que p q = p(1 p) 1 . 4 1 0,02 0,02 P (0,02 < fD < 0,02) = P <z< = 6 1 1 = (0,04 n) (0,004 n) = 2 (0,04 n) 1 0,98 = (0,04 n) 0,99 = (2,326) = 0,04 n 2,326 = n 3382 Ejercicio 87
Toc Volver Doc Doc
4n
4n
56
Ejercicio 88. Sea el suceso A = { menos de tres caras } y el suceso B = { menos de tres cruces }. Se pide P (A B), como son incompatibles, si tiramos 10 veces, tenemos que P (A B) = P (A) + P (B) Sean X las caras en 10 tiradas e Y las cruces en 10 tiradas: P (A) = P (X 2) = P (B) = P (Y 2) = luego P (A B) = P (A) + P (B) = 0,1092 Ejercicio 88 10 1 10 1 10 1 + + = 0,0546 0 210 1 210 2 210 10 1 10 1 10 1 + + = 0,0546 0 210 1 210 2 210
Toc
Volver
Doc
Doc
57
Ejercicio 89. Sea X el nmero de respuestas correctas de entre las u 50, como X B(50; 1 ) 5 a). P (X = 0) = q 50 = 1,4 105 b). Como P (X = 10) = 50 p10 q 40 = 0,14 el nmero medio de entre u 10 las 200 ser 200 0,14 = 28 a Ejercicio 89
Toc
Volver
Doc
Doc
58
Ejercicio 90. Sea X el nmero de nacimientos que se producen el d u a 1 del centenario, entonces, como X B(730; 365 ). Para que la cantidad resulte insuciente se necesitan al menos 6 nacimientos
i=5
P (X 6) = 1 P (X 5) = 1
i=0
703 i 730i p q = 0,013 i
Podemos tambin utilizar la aproximacin de Poisson con np = = 2 e o

i=5
P (X 6) = 1 P (X 5) = 1
i=0
e2
2i = 0,0165 i! Ejercicio 90
Toc
Volver
Doc
Doc
59
Ejercicio 91. Sea X el nmero de reservas anuladas de entre los 75 u billetes, entonces, como X B(75; 0,04). Para que todos los pasajeros consigan plaza se necesitan al menos 2 anulaciones, luego
i=1
P (X 2) = 1 P (X 1) = 1
i=0
75 i 75i p q = 0,807 i
Podemos tambin utilizar la aproximacin de Poisson con np = = 3 e o

i=1
P (X 2) = 1 P (X 1) = 1
i=0
e3
3i = 0,801 i! Ejercicio 91
Toc
Volver
Doc
Doc
60
Ejercicio 92. a). Sea X el nmero de nios hasta encontrar uno con caries, con u n p = 2/3, entonces P (X = 6) = p q 5 b). Sea Y el nmero de nios hasta encontrar 5 con caries, con u n p = 2/3, entonces P (X = 15) = 14 4 p5 q 10 Ejercicio 92
Toc
Volver
Doc
Doc
61
Ejercicio 93. Sea X el nmero de aciertos a las 25 cuestiones, enu tonces X B(25; p = 0,2). a). El nmero esperado de aciertos es E[X] = np = 5. u b). Sea P el nmero de puntos, y c la penalizacin por fallo, entonces u o P = X c(25 X) = (1 + c)X 25 c E[P ] = 0 = (1 + c)E[X] 25 c = 0 = c = 0,25 c). La probabilidad de que pase el alumno que ha probado suerte
i=25
P (X 13) =
i=13
25 i 25i p q = 0,004 i Ejercicio 93
Toc
Volver
Doc
Doc
62
Ejercicio 94. Sea X el nmero de lanzamientos hasta encontrar un u 6, con p = 1/6, entonces P (X > 3|X > 1) = q3 = q2 = q1 5 6
2
= 0,694 Ejercicio 94
Toc
Volver
Doc
Doc
63
Ejercicio 95. a). El nmero de defectuosos X sigue una hipergeomtrica con N = u e 100, E = 4, N E = 96 y tamao de la muestra n = 9. n 4 2 100 9 96 7
P (X = 2) =
= 0,0376
b).
Con una binomial con n = 9 y p = 4/100 = 0,04 tenemos: P (X = 2) = 9 2 0,042 0,967 = 0,0432
c).
Por Poisson con = np = 0,36, obtenemos P (X = 2) = e0,36 0,362 = 0,0452 2! Ejercicio 95
Toc
Volver
Doc
Doc
64
Ejercicio 96. a). Sea X una distribucin de Poisson P ( = 4) o P (X = 0) = e4 = 0,0183 b). Sea X1 las llamadas del primer d y X2 las llamadas del segundo a d entonces las llamadas conjuntas sern T = X1 + X2 , que a, a siendo independientes corresponde a una distribucin de Poisson o P ( = 4 + 4 = 8), luego P (T = 3) = e8 83 = 0,0286 3! Ejercicio 96
Toc
Volver
Doc
Doc
65
Ejercicio 97. a).

i=3
P (X > 3) = 1 P (X 3) = 1
i=0
e2
2i = 0,1429 i!
b).
Como X es el nmero de pedidos diarios y sigue el tipo Poisson u P ( = 2) E[X] = 2 nmero medio de pedidos diarios u
c).
Hay que hallar n nmero de gruas para que u P (X n) 0,9 Por tanteo P (x = 0) + P (x = 1) + . . . + P (x = 4) = 0,9473 > 0,9 luego se necesitan tener disponibles n = 4 gruas para asegurar el suministro con al menos un 90 %.
Toc
Volver
Doc
Doc
66
d).
Sea A la variable aleatoria que mide el nmero de clientes atenu didos. Claramente A solo puede tomar los valores A = 0, 1, 2, 3 que son las gruas disponibles. La distribucin de probabilidad o de A es: P (A = 0) = P (X = 0) = e2 = 0, 1353 P (A = 1) = P (X = 1) = e2 2/1! = 0, 2707 P (A = 2) = P (X = 2) = e2 22 /2! = 0, 2707 P (A = 3) = = P (X 3) = 1P (X = 0)P (X = 1)P (X = 2) = 0, 3233 Luego
E[A] = 0.P (A = 0)+1.P (A = 1)+2.P (A = 2)+3P (A = 3) = 1,7830 e). Sea Y la variable aleatoria que mide el nmero de compradores u que marcharn a la empresa de ingenier Comor X = A + Y , a a. y E[X] = 2 y E[A] = 1,7830, E[Y ] = 2 1,7830 = 0,217 Ejercicio 97
Toc Volver Doc Doc
67
Ejercicio 98. a). El nmero de accidentes en una semana es X P ( = 2) u 2 P (X = 1) = e2 = 0, 27067 1! b). Sea Z el nmero de semanas de entre 10 que hay un accidente. u Z sigue una B(10, p = 0, 27067), luego P (Z = 3) = c). P (X > 3) = 1 e2 1 + d). e). 2 22 23 + + 1! 2! 3! = 0, 14288 10 3 p3 q 7
Sea T tiempo entre dos accidentes. T sigue una distribucin de o tipo exponencial de parmetro = 2. a Pide P (T > 3) = 1 FT (3) = e23 = 0, 002. Ejercicio 98
Toc
Volver
Doc
Doc
68
Ejercicio 99. a). Sea X el nmero de visitas hasta vender un apartamento, X es u G(p = 0,05) P (X = 10) = p q 9 = 0, 03151 b). Sea Z el nmero de visitas hasta vender dos apartamento, Z es u BN (k = 2, p = 0,05) P (Z = 10) = c). 9 1 p2 q 8 = 0, 01493
Equivale a que las tres primeras han sido fracasos y en las siete restantes dos xitos siendo uno de ellos la ultima visita, es decir e P (Z > 3 sin xito en las tres primeras |Z = 10) = e 6 p2 q 5 1 6 = P (Z = 10) 9 Ejercicio 99
Volver Doc Doc
qqq =
Toc
69
Ejercicio 100. a). Sea X el nmero de pel u culas demandadas,

11
P (X 12) = 1 P (X 11) = 1
i=0
e10 .
10i = 0, 3032 i!
Este clculo se puede aproximar con P o(10) N (10, 2 = 10). a b). Sean n las pel culas almacenadas, entonces necesitamos calcular n para que P (X > n) 0,07 o bien P (X n) 0,93. Con la aproximacin P o(10) N (10, 2 = 10) tendremos o n 10 = z0 ) 0,93 P (X n) = P (z 10 de la tabla normal N (0, 1) obtenemos z0 = 1,48, luego resolvemos n 10 = 1,48 n = 15 peliculas z0 = 10 Ejercicio 100
Toc Volver Doc Doc
70
Ejercicio 101. El nmero de defectuosos X sigue una hipergeomtriu e ca con N = 10, E = 1, N E = 9 y tamao de la muestra n = 2. Sea n A el suceso el lote se acepta, entonces 1 0 100 9 9 2
P (A) = P (X = 0) =
= 0,8
benecio neto esperado del fabricante B ser: a E[B] = 25 P (A) 75 P (A) = 5 Ejercicio 101
Toc
Volver
Doc
Doc
71
Ejercicio 102. a). Sea XA el nmero de clientes que llegan por la carretera A y u XB el nmero de clientes que llegan por la carretera B. El total u es T = XA + XB que es de Poisson de parmetro = 17. a P (XA = 7|T = 12) =
7
P (XA = 7 y XB = 5) = P (T = 12)
5 12
= b).
e8 8 e9 9 7! 5! e17 17 12!
= 0, 16834
Sea A el suceso llegan menos de 5 personas.

4
P (A) = P (T < 5) = e17

i=0
17i = 0, 0002 i!
El coste es C = 2000.IA + 1500 IA , y el coste diario esperado: E[C] = 2000 P (A) + 1500.P (A) = 1500, 1 Ejercicio 102
Toc Volver Doc Doc
72
Ejercicio 103. a). P (XS = 5) = e5 5 = 0,1754 5! b). c). 1 + 2 = 15. Sea Z = XS + YR el nmero total de accidentes, u P (YR = 6|Z = 8) = = P (XS = 2, YR = 6) P (Z = 8) e10 10 e5 5 6! 2! = 0,273 e15 158 /8!
6 2 5
d). B = 2000 p1 + 500 p2 106 (XS + YR ) e). Hacemos que sea justo para los empleados de la seccin S, con o 2000 p1 106 E[XS ] = 0,
Toc
p1 = 2500 euros
Volver Doc Doc
73
Lo mismo para los empleados de la seccin R, con o 500 p2 106 E[YR ] = 0, p2 = 20000 euros
Otra forma, es exigir que la razn de los ingresos por seccin sea o o la razn de indices de accidentados por seccin , es decir o o 2000 p1 1 p1 1 = = 500 p2 2 p2 8 que junto a E[B] = 2000 p1 + 500 p2 106 15 = 0 proporciona la misma solucin. o Ejercicio 103
Toc
Volver
Doc
Doc
74
Ejercicio 104. Sea X U (2, 4) con 1 x2 f (x) = FX = 2 2 a). P (X < 2,5) = FX (2,5) = 0,25 b). c). d).
2<x<4
P (X > 3,2) = 1 FX (3,2) = 1 0,6 = 0,4 P (2,2 < X < 3,5) = FX (3,5) FX (2,2) = 0,75 0,1 = 0,65 E[X] = 3 y V ar[X] =
4 12
Ejercicio 104
Toc
Volver
Doc
Doc
75
Ejercicio 105. Sea X U (0, 1) con f (x) = 1 a). P (X < 0,9) = 0,9 b). c). P (0,8 < X < 0,9) = FX (0,9) FX (0,8) = 0,1 E[X] = 1 2 Ejercicio 105 FX = x 0<x<1
Toc
Volver
Doc
Doc
76
Ejercicio 106. Sea X U (25000, 30000) con x 25000 f (x) = 25000 < x < 30000 5000 como los benecios B = V C E[B] = E[5 X 100000 2 X) = 3 E[X] 100000 = 17500 Ejercicio 106
Toc
Volver
Doc
Doc
77
Ejercicio 107. Sea T Exp() con f (t) = e t
FT (t) = 1 e t
0<t
E[T ]
=
0
t e t = (por partes) t e t 1 t e
0
1 = Para la varianza V ar[T ] = E[T 2 ] E[T ]2 se integra dos veces por partes y se obtiene 1 2 T = 2 . Ejercicio 107
Toc
Volver
Doc
Doc
78
Ejercicio 108. Sea T Exp() con f (t) = e t P (T > s + t|T > s) FT (t) = 1 e t = = = 0<t
P (T > s + t T > s) P (T > s) P (T > s + t) P (T > s)
e (s+t) e s t = e = P (T > t) Ejercicio 108
Toc
Volver
Doc
Doc
79
Ejercicio 109. Sea T Exp() con f (t) = e t FT (t) = 1 e t 1 1 P (T > ) = e = e1

1 1 ) = e 2 = e2
0<t
P (T > 2
Ejercicio 109
Toc
Volver
Doc
Doc
80
Ejercicio 110. La probabilidad de que la instalacin no se aver en o e tres minutos es P (T > 3) = e0,253 = e0,75 = p = 0,472. a). La variable Y es geomtrica G(p) y puede tomar los valores e 1, 2, 3, . . . en unidades de 3 minutos. La probabilidad de resolver el problema en el k-simo intento y por tanto se empleen 3k e minutos es P (Y = k) = pq k1 b). c). E[Y ] = e0,75 = 6,35 minutos. Sea Z el nmero de problemas resueltos en 18 minutos. Z se u distribuye como una B(6, p), luego P (Z = 3) = 6 3 p3 q 3 = 0,7072 Ejercicio 110
Toc
Volver
Doc
Doc
81
Ejercicio 111. Sea T Exp() con f (t) = e t FT (t) = 1 e t 0<t como P (T > 100) = e 100 = 0,9 = = 0,00105 a). P (T > 200) = e 200 = 0,81 b). Para hallar t con P (T > t) = 0,95 resolvemos e t = 0,95 = t = 48,85 Ejercicio 111
Toc
Volver
Doc
Doc
82
Ejercicio 112. El tiempo Bi de duracin de una bombilla es Exp(), o la variable Mi = min(B1 , B2 , , Bi ) es tambin exponencial Exp(i ). e M6 indica el tiempo que transcurre hasta la primera rotura, M5 indica el tiempo que transcurre entre la primera rotura y la segunda,y anlogamente para Mi , entonces T1 = M6 , T3 = M6 + M5 + M4 y a T6 = M6 + M5 + + M1 , luego E[T1 ] E[T3 ] E[T6 ] = = = 120 = 20 6 120 120 120 + + = 74 6 5 4 120 120 120 + + + = 220 6 5 1 Ejercicio 112
Toc
Volver
Doc
Doc
83
Ejercicio 113. Sistema en serie. Sea T = min(T1 , T2 ) P (T > t) = P (T1 > t T2 > t) = P (T1 > t) P (T2 > t) = e1 t e2 t = e(1 +2 ) t = 1 FT (t)
luego fT (t) = (1 + 2 ) e(1 +2 ) t lo que muestra que T sigue una distribucin Exp(1 + 2 ) y por o tanto la esperanza es 1 E[T ] = 1 + 2
Toc
Volver
Doc
Doc
84
Sistema en paralelo. Sea T = max(T1 , T2 ) P (T < t) = P (T1 < t T2 < t) = P (T1 < t) P (T2 < t) = (1 e1 t ) (1 e2 t ) = FT (t)
y calculando la esperanza se tiene 1 1 1 E[T ] = + 1 2 1 + 2 Ejercicio 113
Toc
Volver
Doc
Doc
85
Ejercicio 114. En el sistema en paralelo el tiempo es T = max(T1 , T2 , T3 ) P (T < t) = = = = P (T1 < t T2 < t T3 < t) = P (T1 < t) P (T2 < t) P (T3 < t) (1 e t )3 FT (t)
el calculo de la esperanza por integracin por partes es algo pesado, o y resulta 1 1 1 E[T ] = (1 + + ) 2 3 Ejercicio 114
Toc
Volver
Doc
Doc
86
Ejercicio 115. Sea A el suceso la componente 1 se estropea antes que la componente 2. Si T1 es la duracin de la componente 1, T2 es la o duracin de la componente 2, Tmin es la duracin m o o nima del sistema y Tmax es la duracin mxima del sistema, se tiene que o a Tmax = Tmin + T2 A + T1 A y tomando esperanzas E[Tmax ] = E[Tmin ] + E[T2 ] P (A) + E[T1 ] P (A) Sustituyendo las esperanzas del ejercicio 113, se obtiene 1 P (A) = 1 + 2 Ejercicio 115
Toc
Volver
Doc
Doc
87
Ejercicio 116. Si el tiempo Ti de cada instrumento es Exp( = 0,1) 2 con X = 10 y X = 10, el tiempo total de funcionamiento de los 30 instrumentos corresponde a la variable T = T1 + T2 + . . . + T30 Por el Teorema Central del L mite, la suma de las 30 variables i.i.d. 2 se ajusta a una N (n , nX ) T N (300; 3000) luego P (D > 350) = 1 P z< 350 300 54,77 = 1 (0,91) = 0, 1814 Ejercicio 116
Toc
Volver
Doc
Doc
88
Ejercicio 117. Sea (z) = P (Z z) la funcin de distribucin de o o z N (0; 1), con ayuda de la tabla se tiene: a). P (Z 0) = (0) = 0,5 b). c). d). e). P (Z 1) = (1) = 0,8413 P (Z > 1) = 1 (1) = 0,1587 P (Z > 1) = 1 (1) = (1) = 0,8413 P (1 < Z < 1) = (1) (1) = 0,6826
f). P (2 < Z < 1) = (1) (2) = (2) (1) = 0,1359 Ejercicio 117
Toc
Volver
Doc
Doc
89
Ejercicio 118. Se obtienen tipicando a la variable z N (0; 1): a). P (X 40) = P b). c). d). e). P (X 60) = P P (X > 65) = P P (X > 35) = P z z z> z> 40 50 5 60 50 5 65 50 5 35 50 5 = (2) = 0,0228 = (2) = 0,9772 = 1 (3) = 0,0013 = (3) = 0,9987
P (40 < X 60) = (2) (2) = 0,9544
f). P (30 < X 42) = (1,6) (4) = 0,0548 Ejercicio 118
Toc
Volver
Doc
Doc
90
Ejercicio 119. Suponemos que X se distribuye N (, 2 ). Tenemos: P (X < 75) = 0,58, P (75 < X < 80) = 0,38 tipicando Z = (X )/ obtenemos 75 P (Z < = z0 ) = 0,58 75 80 P( = z0 < Z < = z1 ) = 0,38 luego (z0 ) = 0,58, (z1 ) (z0 ) = 0,38 de la primera igualdad de la tabla N (0, 1) obtenemos z0 = 0,20, y de (z1 ) = 0,96 obtenemos z1 = 1,75. Resolviendo 75 80 = 0,2 = 1,75 obtenemos = 74,35 y = 3,22. Ejercicio 119
Toc
Volver
Doc
Doc
91
Ejercicio 120. Sea X la duracin de un art o culo cualquiera: P (X > 170) = 1 P (X 170) = 1 P (z 2) = 1 (2) = (2) = 0,9773 Por otra parte P (X < 150) = P (z < 6) = 1 (6) = 0,0 Ejercicio 120
Toc
Volver
Doc
Doc
92
Ejercicio 121. Sea X la demanda de tipo N (150000, = 10,000). Sea C la cantidad dispuesta a la venta, entonces calculamos C imponiendo P (X < C) 0,95 Tipicando, tenemos P (Z < C 150000 = z0 ) = 0,95 10,000
De la tabla N (0, 1) se tiene que (1,65) = 0,95, luego z0 = C 150000 = 1,65 = C = 166500 litros 10,000 Ejercicio 121
Toc
Volver
Doc
Doc
93
Ejercicio 122. Sea = 0,01. Vamos a hallar la funcin de densidad o del tiempo de funcionamiento TS y TP para el sistema en serie y en paralelo respectivamente. Sistema en Serie: GS (t) = P (TS > t) = P (T1 > t) P (T2 > t) = G1 (t) G2 (t) = = et et = e2t y as tenemos para el sistema en serie la funcin de distribucin o o y la funcin de densidad del tiempo TS : o FS (t) = 1 e2t luego P (TS > 50) = GS (50) = e2 50 = e1 y P (TS > 50|TS > 20) = =
Toc
fS (t) = 2 e2t
P (TS > 50 y TS > 20) = P (TS > 20)
GS (50) = e0,6 = 0,5488 GS (20)

Volver Doc Doc
94
P (TS < 50|TS > 20) = 1 0,5488 = 0,4512 Sistema en Paralelo: Fp (t) = P (Tp < t) = P (T1 < t) P (T2 < t) = = F1 (t) F2 (t) = (1 et )(1 et ) y as la funcin de supervivencia del tiempo Tp : , o Gp (t) = 1 (1 et )(1 et ) luego P (Tp > 50) = Gp (50) = 1 (1 e 50 )2 = 1 (1 e0,5 )2 = 0.8452 y P (Tp > 50|Tp > 20) = P (Tp > 50 y Tp > 20) Gp (50) = = e0,6 P (Tp > 20) Gp (20) Ejercicio 122
Toc Volver Doc Doc
P (Tp < 50|Tp > 20) = 1 0,8739 = 0,1261
95
Ejercicio 123. Sea R1 el recorrido con el primer par de zapatillas, y Ri el recorrido con el par isimo de zapatillas. El recorrido total RT e con n pares de zapatillas equivale a: RT = R1 + R2 + . . . + Rn La variable RT sigue una distribucin normal N (20 n; 2 = 16 n). o 300 20n P (RT > 300) = P (Z > = z0 ) 0,95 4 n 1 (z0 ) 0,95 (z0 ) 0,05 de las tablas obtenemos z0 = 1,65 y as 300 20n = z0 1,65 4 n resolviendo esta ecuacin se obtiene n 17. o Ejercicio 123
Toc
Volver
Doc
Doc
96
Ejercicio 124. Sea C la cantidad que lleva en el bolsillo. Sea X el nmero de partidas ganadas de 400, de tipo B(400; 1/2). Sea B el u benecio B = 5X 5(400 X) = 10X 2000. Hay que calcular C con la condicin o P (B + C 0) 0,95 Es decir 2000 C P (10X 2000 + C 0) = P X 0,95 10 Aproximando X por la distribucin normal N (200; = 10) se tiene o P Z
2000C 10
200 = z0 10
0,95
Como 1 (z0 ) 0,95, buscando en la tabla N (0; 1), obtenemos z0 = 1,65, luego resolviendo la ecuacin o
2000C 10
200 1,65 10
C 165 Ejercicio 124
Toc
Volver
Doc
Doc
97
Ejercicio 125. Sea X la ganancia por accin y G la ganancia total o del corredor de bolsa. Entonces G = 50X 1200,50 = 50X 60,000 luego P (G 0) = P (50X 60000 0) = P (X 1200)
2000
=
1200
1 dx = 0,8 1000 Ejercicio 125
Toc
Volver
Doc
Doc
98
Ejercicio 126. Sea fA la frecuencia obtenida con una muestra de o tamao n. Se tiene que fA N (p, pq/n), siendo la proporcin real n p = 0,52. Hay que determinar n con la condicin o P (fA < 0,50) 0,01 Tipicando, obtenemos
0,5 0,52 = z0 0,01 P Z <

0,52 0,48 n
Como (z0 ) 0,01, de la tabla N (0; 1), obtenemos z0 = 2,33, luego 0,5 0,52 z0 = 2,33 = n 3388
0,52,0,48 n
Ejercicio 126
Toc
Volver
Doc
Doc
99
Ejercicio 127. Sean XA las partidas ganadas por A en 300 partidas, con XA B(300; 2/3), A = np = 200 y A = npq = 8,165 a). Con la aproximacin XA N (200; 8,165) o P (175 < XA < 230) = P = 230 200 175 200 <z< 8,165 8,165 (3,67) (3,06) = 0,99
b).
El benecio de A en las 300 partidas es, BA = 21 XA 6(300 XA ) = 27 XA 1800 luego E[BA ] = 27 E[XA ] 1800 = 3600 euros y por tanto el de B ser de -3600 euros. a
c).
Las prdidas de B en las n partidas son las ganancias de A, e PB = 21 XA 6(n XA ) = 27 XA 6n Se pide n para que P (PB > 200) > 0,9772
Toc
Volver
Doc
Doc
100
o sea P XA <
200 + 6n 27
2n 3
> 0,9772
2n 9 ),
con la aproximacin XA N ( 2n ; 2 = o 3 P Z<

200+6n 27
se tiene
2n/9
200+6n 27
= z0
> 0,9772
Como (2) = 0,9772, resolvemos la inecuacin o

2n 3
2n/9 y obtenemos n 28 partidas.
Ejercicio 127
Toc
Volver
Doc
Doc
101
Ejercicio 128. Sea El contenido X en cl. de un bote de cerveza es X N (30; 2): a). P (X > 33) = 1 P (X 33) = 1 P (z 1,5) = 1 (1,5) = 1 0,9332 = 0,0668
b).
Si Xi es el contenido del bote i-simo, el contenido total de los e 6 botes S es S = X1 + X2 + . . . + X6 siendo S la suma de 6 variables aleatorias normales i.i.d, S N (198, 24) 175 198 ) = P (z < 4,695) = 0 P (S < 175) = P (z < 24 Ejercicio 128
Toc
Volver
Doc
Doc
102
Ejercicio 129. Sea X el nmero de fallecidos de un total de 2000 inu gresados la variable X B(2000, p = 0,3), con np = 600 y npq = 420. Aproximando a la distribucin normal N (600; 2 = 420), tenemos: o P (X 550) = P z< 550 600 420 = P (z < 2,44) = 0,0073 Ejercicio 129
Toc
Volver
Doc
Doc
103
Ejercicio 130. El nmero X de unidades defectuosas producidas u diariamente sigue una distribucin de Poisson P o( = 10). En 150 dias o el nmero de unidades defectuosas producidas ser Poisson P o( = u a 1500). Con la aproximacin a la distribucin normal N (1500, 2 = o o 1500), tenemos: 1480 1500 )= P (X > 1480) = 1 P (z < 1500 = 1 (0,516) = (0,516) = 0,69 Ejercicio 130
Toc
Volver
Doc
Doc
104
Ejercicio 131. Si la demanda X es N (10000; 100), P (X (9,930, 10170)) = 1 P (9,930 < X < 10170) 9930 10000 10170 10000 = 1P <z< 100 100 = 1 (1,7) + (0,7) = 0,2866 Ejercicio 131
Toc
Volver
Doc
Doc
105
Ejercicio 132. De los 2.000 art culos, sean X1 y X2 los art culos vendidos de precios p1 y p2 respectivamente. Como X2 B(2000; p = 0,3)
2000
P (X 800) =
i=800
2000 i
0,3i 0,72000i
aproximando a la normal N (600, 2 = 420), tenemos P (X 800) = P z 800 600 420 = 1 (9,76) = 0 Ejercicio 132
Toc
Volver
Doc
Doc
106
Ejercicio 133. El nmero de veh u culos X de los 4.000 automviles o vendidos que estar en servicio dentro de dos aos es B(4000; 0,8), a n luego por aproximacin a la normal N (np, npq), tendremos o P (X > 3120) = 1 P z< 3120 3200 640 = 1 (3,16) = 0,9992 Ejercicio 133
Toc
Volver
Doc
Doc
107
Ejercicio 134. La demanda diaria X sigue una distribucin uniforme o 2 U (20, 40) con X = 30 y X = 202 /12. La demanda en 182 dias corresponde a la variable D = X1 + X2 + . . . + X182 siendo Xi la demanda del d i-simo. Por el Teorema Central del a e L mite, la suma de las 182 variables i.i.d.(independientes e idnticae 2 mente distribuidas) se ajusta a una N (n , nX ) D N (5460, luego 6370 5460 P (D > 6370) = 1 P (z < ) = 1 (11,68) = 0,00 6066,67 Ejercicio 134 6066,67)
ESTAD ISTICA
Inferencia Estad stica
Directorio
Copyright c 2000 Actualizado el: 11 de noviembre de 2003
Versin 2.00 o
Tabla de Contenido
7. Inferencia Estad stica Soluciones de Ejercicios
Seccin 7: Inferencia Estad o stica
7. Inferencia Estad stica

Ejercicio 148. Se ha analizado un conjunto de n microprocesadores y se encuentran x defectuosos. 1. No se conoce la probabilidad p de que uno cualquiera sea defectuoso. Estimar p por el mtodo de los momentos. e 2. No se conoce n, pero s la probabilidad de ser defectuoso p. Estimar n por el mtodo de los momentos. e Ejercicio 149. Los defectos en una placa fotogrca siguen una disa tribucin de Poisson P o(). Se estudian 7 placas encontrando 3, 5, 2, o 2, 1, 3 y 4 defectos, respectivamente. Calcular el estimador de mxima a verosimilitud de . Ejercicio 150. Si x1 , x2 , . . . , xn es una muestra aleatoria simple de una variable aleatoria normal de media y varianza 2 , y consideramos la cuasi-varianza muestral n (xi x)2 s2 = i=1 n1
Toc Volver Doc Doc
determinar E[s2 ]. Ejercicio 151. Una mquina automtica fabrica piezas, de las cuales a a se desea controlar su longitud X, que se sabe se distribuye de forma N (60; 1,52 ). Se extraen regularmente muestras de 9 piezas. 1. Cul es la ley de probabilidad de X? a 2. En qu intervalo (a, b) simtrico respecto de existe una probe e abilidad 0,95 de hallar X? 3. Para controlar la varianza 2 se estudian los valores de la variable
9
S2 =
1
(Xi X)2
cul es la ley de probabilidad de S 2 / 2 ? a 4. Cul es la esperanza de S 2 ? Cul es su varianza? a a 5. En qu intervalo (0, a) debe encontrarse S 2 con una probabilidad e 0,95?
Toc Volver Doc Doc
Ejercicio 152. El dimetro interior de un anillo de pistn seleccionaa o do al azar es una variable aleatoria con media 12 cm y desviacin o t pica 0,04 cm. 1. Si x es el dimetro medio de una muestra de n = 16, donde a est centrada la distribucin de x, y cul es la desviacin t a o a o pica de la distribucin de x? o 2. Contestar a las preguntas anteriores si n = 64. 3. Suponiendo que X se distribuye de forma Normal, calcular P (11,99 x 12,01) cuando n = 16. 4. Suponiendo que X se distribuye de forma Normal, cul es la a distribucin de la cuasi-varianza muestral s2 ? o 5. Hallar P (103 s2 2 103 ).
Toc
Volver
Doc
Doc
Ejercicio 153. Cierto tipo de componentes elctricas tienen una ree sistencia media de 200 , con desviacin t o pica = 10 . Se utilizan 25 de ellas en un circuito: 1. Calcular la probabilidad de que la resistencia media de las 25 componentes est entre 199 y 202 . e 2. Calcular la probabilidad de que la resistencia total de las 25 componentes no supere lo 5100 . Ejercicio 154. Sea p la proporcin de fumadores en una poblacin. o o Entre 1000 personas elegidas al azar, hay 600 fumadores. Determinar un intervalo de conanza para p, con un nivel de conanza 0,95.
Ejercicio 155. La proporcin de escolares zurdos es p. En una mueso tra aleatoria de 100 escolares, hay 10 zurdos. Dar un intervalo de conanza para p, con un nivel de conanza 0,95.
Toc Volver Doc Doc
Ejercicio 156. Al examinar a 20000 madrileos, se han obtenido los n siguientes resultados: Grupo sangu neo Porcentaje A 43,2 B 14,2 AB 6 O 36,6
Determinar un intervalo de conanza, con un nivel de conanza del 95,45 % para la proporcin p de personas con grupo sangu o neo del tipo O. Ejercicio 157. Se quiere estimar la proporcin de zurdos en una o poblacin con una conanza del 95 % y una precisin de 0,01. o o 1. Cul debe ser el tamao de la muestra elegida? a n 2. Mediante un muestreo previo se estima que p 0,1. Qu tamao e n debe tener la muestra si para calcularlo se utiliza la estimacin o de p dada? Ejercicio 158. Se quiere estimar la proporcin p de electores que o votarn al candidato pol a tico A, con un nivel de conanza 0,9 y una precisin de 0,05. Qu tamao debe tener la muestra? o e n
Toc Volver Doc Doc
Ejercicio 159. En una poblacin muy grande, se extrae al azar una o muestra de 100 votantes para conocer sus opiniones respecto de dos candidatos. De los individuos de la muestra, 55 apoyan al candidato A y 45 apoyan al candidato B. Se pide: 1. Calcular un intervalo de conanza para la proporcin de votos o a favor de cada candidato. 2. Calcular cul deber ser el tamao de la muestra para que una a a n fraccin 0,55 de partidarios de A nos d una conanza del 95 % o e de que ste saldr elegido. e a Ejercicio 160. La resistencia media de fractura de cierto tipo de vidrio es de 1 kg/cm2 con una desviacin t o pica de 0,14 kg/cm2 : 1. Cul es la probabilidad de que la resistencia media de una a muestra de 100 piezas sea superior a 1,028 kg/cm2 ? 2. Construir un intervalo de conanza al nivel de conanza 95 % para la media de la muestra x.
Toc Volver Doc Doc
Ejercicio 161. Si la vida en horas de una bombilla elctrica de 75 e watios se distribuye de forma normal, con desviacin t o pica = 5 horas y elegimos una muestra aleatoria de 20 bombillas cuya vida media es de 1014 horas, se pide: 1. Construir un intervalo de conanza bilateral para la vida media de las bombillas con un nivel de signicacin del 0,05. o 2. Construir un intervalo de conanza inferior para la vida media de las bombillas con un nivel de signicacin del 0,05. o 3. Si queremos tener un nivel de conanza del 95 % de que el error en la estimacin de la vida media fuera menor que dos horas, o qu tamao de muestra elegir e n amos? Ejercicio 162. Un fabricante de pinturas desea determinar el tiempo de secado en promedio de una nueva pintura para interiores. Si en 12 reas de prueba de igual tamao, l obtuvo un tiempo de secado a n e medio de 66,3 minutos y una cuasi-desviacin t o pica de 8,4, construir un intervalo de conanza con un nivel de signicacin del 0,05. o
Toc Volver Doc Doc
10
Ejercicio 163. Las resistencias a fractura X, en kg/cm2 , de unas placas de acero fueron: 69,5; 71,9; 72,6; 73,3; 73,5; 75,5; 75,7; 75,8; 76,1; 76,2; 77; 77,9; 78,1; 79,6; 79,7; 79,9; 80,1; 82,2; 83,7; 93,7 Calcular un intervalo de conanza para la desviacin t o pica x de la distribucin de la resistencia a fractura al nivel de conanza 0,99. o Es vlido este intervalo, cualquiera que sea el tipo de distribucin de a o la variable aleatoria X? Ejercicio 164. La longitud de los crneos de 10 esqueletos fsiles de a o una especie de aves extinta tiene una media de 5.68 cm. y una cuasidesviacin t o pica de 0.29 cm. Suponiendo que estas longitudes estn a distribuidas de forma normal, obtener un intervalo de conanza al 95 % de la longitud media de los crneos de esta especie de aves. a Ejercicio 165. Una empresa se dedica a la fabricacin de lmparas o a de radio y televisiones. Las de radio tienen una duracin media de o 2500 horas y una desviacin t o pica de 250 horas. Las de televisin una o media de 2200 horas y 100 horas de desviacin. Se cogen 50 lmparas o a
Toc Volver Doc Doc
11
de radio y 75 de televisin al azar. Se pide: o 1. Distribucin muestral de la diferencia de medias. o 2. Probabilidad de que la diferencia de medias est comprendida e entre 250 y 400. 3. Probabilidad de que la duracin media de las lmparas de radio o a no sea superior en ms de 200 horas a la duracin media de las a o lmparas de televisin. a o Ejercicio 166. Se estn probando dos composiciones diferentes de a gasolina sin plomo para determinar sus octanajes. La varianza del 2 octanaje para la composicin 1 es 1 = 1,5 y para la composicin 2 es o o 2 2 = 1,5. Se extraen sendas muestras aleatorias de tamao n1 = 15 n y n2 = 20, y se miden los octanajes medios respectivos, x1 = 89,6 y x2 = 92,5. Construir un intervalo de conanza al 95 % para estimar la diferencia de los octanajes medios de las dos composiciones de gasolina sin plomo.
Toc Volver Doc Doc
12
Ejercicio 167. Se tomaron muestras aleatorias de tamao 20 de dos n poblaciones independientes. Las medias y las desviaciones t picas de las muestras fueron x1 = 22, x2 = 21,5, s1 = 1,8 y s2 = 1,5. Suponien 2 2 do que 1 = 2 construir un intervalo de conanza al nivel de conanza 95 % para 1 2 . Ejercicio 168. Las capacidades de produccin de calor del carbn o o extra de dos minas se estudian con dos muestras: do M inaA 8500 8330 8480 7960 8030 M inaB 7710 7890 7920 8270 7860 Suponiendo que los datos constituyen muestras aleatorias independientes tomadas de poblaciones con varianzas iguales, construir un intervalo de conanza al nivel 95 % para la diferencia entre el promedio real de las capacidades de produccin de calor del carbn extra de o o do ambas minas. Ejercicio 169. Se lleva a cabo un estudio para determinar la proporcin de casas que poseen al menos dos aparatos de televisin. De o o qu tamao debe ser la muestra si se desea tener una conanza del e n
Toc Volver Doc Doc
13
99 % de que el error al estimar esta proporcin sea menor que 0,01? o Ejercicio 170. Un tcnico en computadoras est investigando la ee a cacia de dos lenguajes de diseo diferentes en el mejoramiento de n tareas de programacin. A 12 programadores expertos, familiarizados o con ambos lenguajes, se les pide que codiquen una funcin estndar o a en ambos lenguajes, y se registra el tiempo en minutos que ambos cdigos emplean en su ejecucin. Los tiempos se muestran en la tabla o o
programador lenguaje 1 lenguaje 2 1 17 18 2 16 14 3 21 19 4 14 11 5 18 23 6 24 21 7 16 12 8 14 13 9 21 19 10 23 24 11 13 15 12 18 20
Encontrar un intervalo de conanza al 95 % para la diferencia en los tiempos de codicacin medios. Hay alguna indicacin de que uno o o de los lenguajes de diseo sea preferible?. n Ejercicio 171. Un mdico dice poseer un mtodo para determinar el e e sexo de los nios un mes antes de su nacimiento con una efectividad del n 80 %. Para probar esta armacin se utiliza el siguiente procedimiento. o
Toc Volver Doc Doc
14
Se le dejan hacer 14 predicciones. Si el nmero de xitos X es al menos u e de 11, se acepta su mtodo y en caso contrario no se acepta. Cul es e a la probabilidad de que 1. se acepte su mtodo siendo malo?. e 2. se rechace su mtodo siendo bueno?. e 3. parece justo este procedimiento? Ejercicio 172. Un graflogo busca empleo. Con el n de vericar o su cualicacin, se le entregan 10 pares de muestras de escrituras. o Cada par contiene la escritura de un mdico y de un abogado. Se le e contratar si identica correctamente por lo menos 8 de los 10 pares. a Sea p su probabilidad de xito. Se pide: e 1. Cul es la probabilidad L(p) de que sea contratado?. a 2. Determinar L(p) para p = 0,5 y p = 0,85.
Toc
Volver
Doc
Doc
15
Ejercicio 173. Se dispone de una moneda cuyo aspecto no es simtrie co. Se quiere contrastar si es regular, es decir, si p = 1/2. Se lanza la moneda 1000 veces y se obtiene 550 veces cruz. Qu podemos e decidir? Ejercicio 174. En la experiencia de la moneda regular, se ha obtenido 530 veces cruz. Es signicativo este resultado en contra de la hiptesis de que la moneda es regular para un nivel de signicacin o o 5 %? Ejercicio 175. Al lanzar un dado 600 veces se obtienen 120 seises. Es signicativo este resultado en contra de la hiptesis de que el dado o es regular para un nivel de signicacin 5 %? o Ejercicio 176. Cierta enfermedad es mortal en el 10 % de los casos. De doscientos mineros afectados por dicha enfermedad, se mueren 29. Signica esto que los mineros son ms vulnerables a la citada enfera medad? Cul es la probabilidad de obtener, al azar, una desviacin a o tan grande?
Toc
Volver
Doc
Doc
16
Ejercicio 178. Los datos que aparecen en la siguiente tabla fueron obtenidos en un experimento diseado para estimar la posible diferenn cia sistemtica entre los rendimientos obtenidos en un proceso qu a mico con dos catalizadores diferentes, que llamaremos A y B. D a 1 2 3 4 5 6 7 8 Catalizador A 81,31 77,40 80,89 82,15 79,25 80,77 81,19 79,86 Catalizador B 81,01 77,57 74,72 81,73 74,60 78,68 78,80 81,17
Se teme que el rendimiento pueda variar de unos d a otros deas pendiendo de factores que no pueden controlarse. Por ello, se eligieron 8 d diferentes y en cada uno de dichos d se realiz el proceso una as as o vez con el catalizador A y otra vez con el catalizador B. El orden en que se usaron los catalizadores A y B se eligi al azar cada d o a.
Toc Volver Doc Doc
17
2 Sean A y A la media y la varianza poblacionales de los rendimien2 tos obtenidos con el catalizador A. Anlogamente, sean B y B la a media y la varianza poblacionales de los rendimientos obtenidos con el catalizador B. Se pide:
1. Estimar la diferencia de medias A B puntualmente y mediante un intervalo de conanza para al nivel de conanza 0,95. 2. Puede rechazarse la hiptesis nula H0 : A = B frente a la o hiptesis alternativa H1 : A = B con un riesgo de primera o especie de 0,05? Calcular aproximadamente el nivel de signicacin de la prueba usada. o
2 2 3. Puede rechazarse la hiptesis nula H0 : A = B frente a la o 2 2 hiptesis alternativa H1 : A = B usando un riesgo de primera o especie de 0,05? Calcular aproximadamente el nivel de signicacin de la prueba usada. o
Toc
Volver
Doc
Doc
18
Ejercicio 179. Los datos que aparecen en la siguiente tabla fueron obtenidos en un experimento diseado para estimar la posible diferenn cia sistemtica entre los rendimientos obtenidos en un proceso qu a mico con dos catalizadores diferentes, que llamaremos A y B. Catalizador A 81,31 77,40 80,89 82,15 79,25 80,77 81,19 79,86 Catalizador B 73,93 75,62 70,38 75,91 71,65 72,77 76,45 73,13
Durante 16 d consecutivos se realiz el proceso qu as o mico con uno de los catalizadores elegido al azar entre A y B, realizando el sorteo de forma que no se obtuvieran ms de 8 datos con ninguno de los a catalizadores. 2 Sean A y A la media y la varianza poblacionales de los rendimienToc Volver Doc Doc
19
2 tos obtenidos con el catalizador A. Anlogamente, sean B y B la a media y la varianza poblacionales de los rendimientos obtenidos con el catalizador B. Se pide:
1. Estimar la diferencia de medias A B puntualmente y mediante un intervalo de conanza para al nivel de conanza 0,95. 2. Puede rechazarse la hiptesis nula H0 : A = B frente a la o hiptesis alternativa H1 : A = B con un riesgo de primera o especie de 0,05? Calcular aproximadamente el nivel de signicacin de la prueba usada. o
2 2 3. Puede rechazarse la hiptesis nula H0 : A = B frente a la o 2 2 hiptesis alternativa H1 : A = B usando un riesgo de primera o especie de 0,05? Calcular aproximadamente el nivel de signicacin de la prueba usada. o
Toc
Volver
Doc
Doc
20
Ejercicio 180. El departamento de control de calidad de una empresa ha examinado 1000 unidades de un producto fabricado por la empresa, habindose observado que no hay ninguna unidad defectuosa en la e muestra. Se pide: 1. Estimar puntualmente la proporcin de unidades defectuosas o producidas en la fbrica. a 2. Calcular intervalos de conanza para dicha proporcin al nivel o de conanza 0,95, usando dos mtodos diferentes. e 3. Una hiptesis nula que arma que la proporcin de unidades o o defectuosas producida es igual a 0.001. Puede rechazarse esta hiptesis? o
Toc
Volver
Doc
Doc
21
Ejercicio 181. En un experimento sobre la inuencia de la propaganda en los gustos de las personas, se ha seleccionado una muestra al azar de 350 personas. A todas estas personas se les ha pedido que dijeran si les gusta o no un cierto tipo de comida rpida. De las 350 personas consultadas, a 125 contestaron que s les gusta y el resto contestaron que no. Despus de invitar a estas personas a ver una pel e cula que contiene anuncios subliminales, se les invit a una merienda en las que se les o proporcion exactamente el tipo de comida rpida objeto del estuo a dio. Posteriormente, se les pas una encuesta para que dijeran si les o hab gustado o no la merienda. De las 125 personas que contestaron a armativamente a la pregunta del apartado anterior, 110 dijeron que les gust la merienda y 15 que no les gust. De las 225 personas que o o contestaron negativamente a la pregunta del apartado anterior, 75 dijeron que les gust la merienda y 150 que no les gust. o o Se pide: 1. Estimar puntualmente la diferencia entre las proporciones de personas que contestaron armativamente antes y despus de la e
Toc Volver Doc Doc
22
proyeccin de la pel o cula. 2. Calcular un intervalo de conanza para la diferencia entre las proporciones de personas que contestan armativamente antes y despus de ver pel e culas con anuncios subliminales, usando un nivel de conanza 0,95. 3. Una hiptesis nula que arma que no hay diferencia entre las o proporciones del apartado anterior. Puede rechazarse? Ejercicio 182. Para realizar el acabado de una supercie metlica a pueden usarse dos mquinas diferentes: A y B. De las 150 veces que a se us la mquina A, en 10 ocasiones fue necesario hacer una segunda o a pasada para conseguir una supercie sin defectos. De las 150 veces que se us la mquina B, solamente fue necesaria una segunda pasada o a en 6 ocasiones. Se pide: 1. Estimar puntualmente la diferencia entre las proporciones de veces que hay que hacer una segunda pasada con cada una de las mquinas. a
Toc Volver Doc Doc
23
2. Calcular un intervalo de conanza para la diferencia entre las proporciones de veces que hay que hacer una segunda pasada con cada una de las mquinas, usando un nivel de conanza a 0,95. 3. Una hiptesis nula dice que no hay diferencia entre las proporo ciones del apartado anterior. Puede rechazarse esta hiptesis? o
Toc
Volver
Doc
Doc
24
Ejercicio 148. 1. El estimador de p es p = 2. El estimador de n es n =
x n x p
Ejercicio 148
Toc
Volver
Doc
Doc
25
Ejercicio 149. La funcin de verosimilitud es o f (x1 , x2 , , xn ) =(e )7 3 5 2 2 1 3 4 3! 5! 2! 2! 1! 3! 4! 20 =e7 3!5!2!2!1!3!4! log f = 7 + 20 log log C 20 d log f = 7 + d d log f 20 = 0 = = d 7 Ejercicio 149
Toc
Volver
Doc
Doc
26
n 1 (xi
Ejercicio 150. Sea S 2 =

n n
x)2 . A partir de la igualdad

0 n n
(xi )2 =
1 1
(xi x)2 +
1
(x )2 + 2(x )
1
(xi x)
Dividiendo por 2
n
(
1
xi 2 1 x 2 ) = 2 S 2 + n( )
Tomando esperanzas se tiene 1 E[S 2 ] =n 1 2 E[S 2 ] =(n 1) 2 E[(n 1)s2 ] = (n 1) 2 = E[s2 ] = 2 Ejercicio 150
Toc Volver Doc Doc
27
Ejercicio 151. 1. La distribucin de la media muestral es o 1,5 X N 60; 9 2. intervalo simtrico respecto de de hallar X con una probabile idad 0,95 z1/2 n 1,5 601,96 = 600,98 9 3. Del ejercicio anterior se tiene que S 2 / 2 es la suma n 1 dis2 tribuciones zi luego S 2 / 2 2 8 4. Cul es la esperanza de S 2 ? Cul es su varianza? a a
Toc
Volver
Doc
Doc
28
E[
S2 ]=8 2
V AR[
S2 ] = 16 2
5. En qu intervalo (0, a) debe encontrarse S 2 con una probabilie dad 0,95? P (0 < 2 < b) = 0,95 = b = 15, 5073 8 S2 = 15, 5073 = 0 < S 2 < 34, 89 2 Ejercicio 151
Toc
Volver
Doc
Doc
29
Ejercicio 152. 1. La distribucin de la media muestral es o E[] = = 12 x 2. si n = 64 E[] = = 12 x 3. 0,04 V ar[] = x 16 0,04 V ar[] = x 64
0,04 x N (12; 0,04) = x N (12; ) = N (12; 0,01) 16 P (11,99 x 12,01) =P 11,99 12 12,01 12 <z< 0,01 0,01
= (1) (1) =2 (1) 1 0, 6826
Toc
Volver
Doc
Doc
30
4. Suponiendo que X se distribuye de forma Normal, cul es la a distribucin de la cuasi-varianza muestral s2 ? o (n 1)2 s 2 = 2 n1 15 2 5. Hallar P (103 s2 2 103 ). P (103 s2 2 103 ) =P 15 103 15 2 103 < 2 < 15 0,042 0,042
=P 9, 375 < 2 < 18, 75 15 =2 (18, 75) 2 (9, 375) 0,6318 15 15 Ejercicio 152
Toc
Volver
Doc
Doc
31
Ejercicio 153. 1. 10 x N (200; 10) = x N (200; ) = N (200; 2) 25 P (199 x 202) =P 202 200 199 200 <z< 2 2
= (1) (0,5) 0, 6826 2. La resistencia total de las 25 componentes R = X1 + X2 + . . . + X25 E[R] = 25 200 R = R N (5000; 50) P (R 5100) =P z< 5100 5000 50
25 102
= (2) 0,9772 Ejercicio 153

Toc Volver Doc Doc
32
Ejercicio 154. Si p = 0,6 n = 1000 1,96. El intervalo viene dado por p z1/2 0,6 1,96 0,6 0,030
1 = 0,95, z1/2 = z0,975 = p(1 p) n 0,6 0,4 1000 Ejercicio 154
Toc
Volver
Doc
Doc
33
Ejercicio 155. Si p = 0,1 n = 100 1,96. El intervalo viene dado por p z1/2 0,1 1,96 0,1 0,0588
1 = 0,95, z1/2 = z0,975 = p(1 p) n 0,1 0,9 100 Ejercicio 155
Toc
Volver
Doc
Doc
34
Ejercicio 156. Si p = 0,366 n = 20000 z0,975 = 1,96. El intervalo viene dado por p z1/2
1 = 0,95, z1/2 =
p(1 p) n 0,366 0, 634 0,366 1,96 20000 0,366 0,00667 Ejercicio 156
Toc
Volver
Doc
Doc
35
Ejercicio 157. 1. Despejamos en la expresin del error el valor del tamao n de o n la muestra con e = 0,01 y z1/2 = z0,975 = 1,96 z1/2 p(1 p) 0,25 = e =n = 1,962 9604 n 0,012
2. Despejamos en la expresin del error el valor del tamao n de o n la muestra con e = 0,01 z1/2 p(1 p) 0,1 0,9 = e =n = 1,962 3458 n 0,012 Ejercicio 157
Toc
Volver
Doc
Doc
36
Ejercicio 158. Despejamos en la expresin del error el valor del o tamao n de la muestra con e = 0,05 y z1/2 = z0,95 = 1, 645 n z1/2 0,25 p(1 p) = e =n = 1, 6452 271 n 0,052 Ejercicio 158
Toc
Volver
Doc
Doc
37
Ejercicio 159. 1. Si p = 0,55 n = 100 1 = 0,95, z1/2 = z0,975 = 1,96. El intervalo para A viene dado por 0,55 0, 45 0,55 0, 097 100 siendo el intervalo para p de (0,453; 0,647).Anlogamente para a B se tiene 0,55 1,96 pq 0,45 0,55 = 0,45 1,96 = 0.45 0,097 n 100 siendo el intervalo para q de (0,353; 0,547). Ya que los intervalos se solapan, con la muestra de tamao 100, no est claro que el n a candidato A alcance una proporcin > 0,5 y por tanto sea el o elegido. q z1/2 2. Nos pide hallar n para que:
P ( > 0,5) > 0,95 = P ( < 0,5) < 0,05 p p
Toc Volver Doc Doc
Soluciones de Ejercicios siendo p = 0,55, como p N (p;

0,550,45 n
38 pq ) n
0,5 0,55 P z < < 0,05 = (1,65)
Despejando en
0,5 0,55
0,550,45 n
= 1,65 = n 269
Por tanto,si la p real para A es de 0,55, una muestra de al menos 269 entrevistados nos garantizar a un nivel de conanza del 0,95 que A a ser el elegido. a
Ejercicio 159
Toc
Volver
Doc
Doc
39
Ejercicio 160. 1. La resistencia de fractura x 0,14 ) = N (1; 0,014) x N (1; 0,14) = x N (1; 100 P (1,028 < x) =1 P z< 1,028 1 0,014
=1 (2) 0, 0228 2. Si n = 100 1 = 0,95, z1/2 = z0,975 = 1,96. El intervalo viene dado por z1/2 n 0,14 1 1,96 100 1 0, 02744 Ejercicio 160
Toc Volver Doc Doc
40
Ejercicio 161. 1. La vida en horas de una bombilla es 5 x N (; 5) = x N (; ) = N (; 1,118) 20 Si 1 = 0,95, z1/2 = z0,975 = 1,96. El intervalo viene dado por x z1/2 n 5 1014 1,96 20 1014 2, 19 2. Si 1 = 0,95, z1 = z0,975 = 1,96. El intervalo viene dado
Toc
Volver
Doc
Doc
41
por x z1 n 5 1014 1,65 20 1014 1, 8447 = (1012, 15; ) 3. Despejamos en la expresin del error el valor del tamao n de o n la muestra con e = 0,05 y z1/2 = z0,975 = 1, 96 52 38416 z1/2 = e =n = 1, 962 0,052 n Ejercicio 161
Toc
Volver
Doc
Doc
42
Ejercicio 162. El tiempo de secado es s x N (; ) = x t11;1/2 (; ) 12 Si 1 = 0,95, t11;0,975 = 2,2. El intervalo viene dado por s x t11;1/2 n 8,4 66,3 2,2 12 66,3 5,33 = (60, 965 71, 635) Ejercicio 162
Toc
Volver
Doc
Doc
43
Ejercicio 163. El estimador de la varianza 2 es la cuasi-varianza (n 1) s2 x muestral s2 = 5,1922 . Como x 2 , se tiene al = 0,01 n1 2 de signicacin que: o (n 1) s2 x < b) = 0,99 2 o con 2 (a) = 0,995 y 2 (b) = 0,005,de la tabla de la distribucin 2 19 19 obtenemos, a = 6,844 y b = 38,582. El intervalo corresponde a: P (a < 6,844 < y despejando 2 , 13.275 < 2 < 74.84 Este intervalo es vlido si la variable aleatoria X de la resistencia a a fractura se distribuye de forma normal, ya que la variable aleatoria (n 1) s2 x 2 2 n1 cuando X es normal N (; ) 2 Ejercicio 163
Toc Volver Doc Doc
(n 1) s2 x < 38,582 2
44
Ejercicio 164. El intervalo de conanza con desconocida corresponde a: sx 0,29 t0,025;9 = 5,68 2,262 = 5.68 0.207 n 10 Ejercicio 164
Toc
Volver
Doc
Doc
45
Ejercicio 165. 1. Distribucin muestral de la diferencia de medias. Sea x1 la duo racin de las lmparas de radio y x2 la duracin de las lmparas o a o a de televisin o 2 2 2 1 x1 N (1 ; 1 ) + = x1 x2 N 1 2 ; x2 N (2 ; 2 ) n1 n2 x1 x2 N 300; 1002 2502 + 50 75 = N (300; 37,2)
2. Probabilidad de que la diferencia de medias est comprendida e entre 250 y 400. P (250 < x1 x2 < 400) =P 250 300 400 300 <z< 37,2 37,2
= (2,69) (1,34) 0, 9063
Toc
Volver
Doc
Doc
46
3. Probabilidad de que la duracin media de las lmparas de radio o a no sea superior en ms de 200 horas a la duracin media de las a o lmparas de televisin. a o P (1 x2 < 200) =P x z< 200 300 37,2
= (2,69) 0,0036 Ejercicio 165
Toc
Volver
Doc
Doc
47
Ejercicio 166. x2 x1 z1/2 Con z0,975 = 1,96, queda 2,9 1,96 0,387 = (3,66; 2,14) Ejercicio 166
2 1 2 + 2 n1 n2
Toc
Volver
Doc
Doc
48
Ejercicio 167. Los extremos del intervalo de conanza para 1 2 al nivel de conanza 1 estn dados en este caso por a x1 x2 t(n1 + n2 2, 1 /2)s 1 1 + , n1 n2 (1)
donde s2 y s2 son las cuasi-varianzas muestrales de X1 y X2 y 2 1 s= (n1 1)s2 + (n2 1)s2 1 2 . n1 + n2 2
Con t18;0,975 = 2,02, queda 0,5 2,02 0,5375 = (0,5873; 1,5873) Ejercicio 167
Toc
Volver
Doc
Doc
49
Ejercicio 168. Sea XA la variable aleatoria que da la capacidad de produccin de calor del carbn extra de la mina A y XB la vario o do able aleatoria que da la capacidad de produccin de calor del carbn o o extra de la mina B . Determinamos: xA = 8260, sA = 252 y do xB = 7930, sA = 206,5. Un intervalo de conanza para 1 2 viene dado por xA xB t;1/2 donde es el entero ms prximo a a o (s2 /n1 + s2 /n2 )2 1 2 2 /n )2 /(n 1) + (s2 /n )2 /(n (s1 1 1 2 2 2 1) = 7,7 s2 s2 A + B n1 n2
luego el intervalo de conanza para t8;0,975 = 2,306, queda 330 2,306 2522 206,52 + = 330 336 5 5 Ejercicio 168
Toc
Volver
Doc
Doc
50
Ejercicio 169. Despejamos en la expresin del error el valor del o tamao n de la muestra con e = 0,01 y z1/2 = z0,995 = 2,58 n z1/2 0,25 p(1 p) = e =n = 2,582 16641 n 0,012 Ejercicio 169
Toc
Volver
Doc
Doc
51
Ejercicio 170. Sea X1 la variable aleatoria de los tiempos para el lenguaje 1 y X2 la variable aleatoria de los tiempos para el lenguaje 2. Como los datos son apareados denimos la variable Z = X1 X2 . Los valores de Zi corresponden a 1, 2, 2 , 1, 2, 3. Los valores de la media y cuasidesviacin t o pica de Z son Z = 0,5 y SZ = 2,68. Un intervalo de conanza para 1 2 viene dado por SZ z tn1;1/2 n En este caso t11;0,975 = 2,20, luego el intervalo corresponde a 2,68 0,5 2,20 (-2.2;1.2) 12 Ya que el intervalo incluye el valor 0, no parece concluyente el que un lenguaje sea preferible al otro. Ejercicio 170
Toc
Volver
Doc
Doc
52
Ejercicio 171. Consideramos el contraste de hiptesis o H0 p = 0,5 H1 p = 0,8 con el procedimiento, se acepta H0 si el nmero de aciertos es x 11 u 1. probabilidad de que se acepte su mtodo siendo malo. e =P (Rechazar H0 |H0 cierta) =P (x 11|p = 0,5)
14
=
k=11
14 0,514 = 0,0286 k
2. probabilidad de que se se rechace su mtodo siendo bueno. e =P (Aceptar H0 |H1 cierta) =P (x 10|p = 0,8)
10
=
k=0
14 0,8k 0,214k = 0,302 k

Volver Doc Doc
Toc
53
= 0,0286
= 0,302
3. Este procedimiento de decisin no parece justo pues, aunque es o pequea la probabilidad de que se le admita su mtodo siendo n e realmente malo, la probabilidad de rechazarle cuando su mtodo e es vlido es del 0,30. Un buen procedimiento debe tener estas a dos probabilidades pequeas. n Ejercicio 171
Toc
Volver
Doc
Doc
54
Ejercicio 172. 1. probabilidad L(p) de que sea contratado L(p) =P (x 8)

10
=
i=8
10 i 10i pp i
2. para p = 0,5 y p = 0,85 L(0,5) = 0,055 L(0,85) = 0,82 Ejercicio 172
Toc
Volver
Doc
Doc
55
Ejercicio 173.
Hiptesis o H0 H1 p = 0,5 p = 0,5 Zona de aceptacin o p z1/2 0,5 1,96 = 3.16 pq n
Estad stico de contraste z= pp

pq n
0,55 0,5
0,50,5 1000
0,5 0,5 1000 (0,47; 0, 531)
Valor cr tico con = 0,05 z1/2 = z0,975 = 1,96 Decisin para bilateral o |z| = 3.16 > 1,96 Se rechaza la H0 .
Como p = 0,55 zona de aceptacin se o rechaza la H0
Ejercicio 173
Toc
Volver
Doc
Doc
56
Ejercicio 174. Con el ejercicio anterior el intervalo de aceptacin es o (0,47; 0, 53) Como p = 0,53 zona de aceptacin se acepta que la moneda es regular. o Ejercicio 174
Toc
Volver
Doc
Doc
57
Ejercicio 175. Con p = 1 y = 0,05 se tiene 6 Zona de aceptacin o p z1/2 pq n
1 5 1 1,96 6 6 6 600 (0,136; 0, 196)
Como p = 120 = 0,2 zona de aceptacin se rechaza el dado como o 600 regular. Ejercicio 175
Toc
Volver
Doc
Doc
58
29 200
Ejercicio 176.
Hiptesis o H0 H1
La proporcin de la muestra es p = o
= 0,145
Zona de aceptacin o p = 0,1 p > 0,1 p + z1 0,1 + 1,65 = 2.12 pq n
Estad stico de contraste z= pp

pq n
0,145 0,1
0,10,9 200
0,1 0,9 200 (0; 0,135)
0,145 (0; 0,135) se rechaza H0
Valor cr tico con = 0,05 z1 = z0,95 = 1,65 Decisin para unilateral o z = 2.12 > 1,65 Se rechaza la H0 .
Ejercicio 176
Toc
Volver
Doc
Doc
59
Ejercicio 178. Como los datos son apareados denimos la variable Z = XA XB . 1. Los valores de la media y cuasidesviacin t o pica de Z son Z = 1, 8175 y SZ = 2, 545. Un intervalo de conanza para A B viene dado por SZ z tn1;1/2 n En este caso t7;0,975 = 2,36, luego el intervalo corresponde a 2, 545 1, 8175 2,36 (-0,31 ;3,94 ) 8 2. Como 0 (0, 31; 3, 94) no rechazamos la hiptesis nula. Para o hallar el nivel de signicacin de la prueba usada, calculamos o 1, 8175 0 t= = 2,02 = 0,083 2,545
8 2 2 3. Para datos apareados, contrastar H0 : 1 = 2 frente a H1 : 2 2 1 = 2 es equivalente a contrastar H0 : = 0 frente a H1 : =
Toc
Volver
Doc
Doc
60
0. Calculamos rXa XB = 0, 4217 y el estad stico t = rXY Como |t| t(6, 1 /2) = 2,4469 Se acepta la hiptesis nula. o Ejercicio 178 n2 = 0, 4217 2 1 rXY 6 = 1,14 1 0, 42172
Toc
Volver
Doc
Doc
61
Ejercicio 179. 1. Calculamos xA = 80, 35 xB = 73, 73 s2 = 2,2125 s2 = 4,6562 A B y con las frmulas (7.16) y (7.17) de libro se obtiene o = 0,05 y xA xB = 6,6225 s= s2 A s2 + B = 0,9266 n1 n2 = 12 = t,1/2 = 2,1788
luego el intervalo de conanza es x1 x2 t(, 1 /2) s = (4,6036; 8,6414)
2. Como 0 (4,6036; 8,6414) rechazamos la hiptesis nula. Para o hallar el nivel de signicacin de la prueba usada, calculamos o 6,6225 0 t= = 7,15 < 0,001 0,9266
Toc Volver Doc Doc
62
2 2 2 2 3. Para contrastar H0 : 1 = 2 frente a H1 : 1 = 2 se calculan dos muestras auxiliares. (Vease el libro en la pgina 339). Sean a
x1 = |xA xA |
x1 x2 0.9575 0.2000 2.9525 1.8900 0.5375 3.3500 1.7975 2.1800
x2 = |xB xB |
1.1025 2.0800 0.4175 0.9600 0.8375 2.7200 0.4925 0.6000
Con x1 = 1,1369 x2 = 1,7475 s2 = 0,7354 s2 = 1,1662 1 2 y con las frmulas (7.16) y (7.17) de libro se obtiene o (1,6563; 0,4351) Como 0 (1,6563; 0,4351) aceptamos la hiptesis nula. Para hallar o el nivel de signicacin de la prueba usada, calculamos o 0,6106 0 t= = 1,25 0,22 0,4875 Ejercicio 179
Toc Volver Doc Doc
63
Ejercicio 180. 1. La estimacin puntual es p = 0 o 2. Usando la frmula (7.8) del libro con extremo superior o x+1 = (0; 0,0037) x + 1 + (n x)/F (2x + 2, 2n 2x, 1 /2) o utilizando la frmula (7.9) del libro con extremo superior o 2 (2x + 2, 1 /2) = (0; 0,0037) 2n 3. Como 0,001 (0; 0,0037) aceptamos la hiptesis nula. o Ejercicio 180
Toc
Volver
Doc
Doc
64
Ejercicio 181. 1. Sean, p1 y p2 las probabilidades de que se produzca una respuesta armativa antes y despus de ver pel e culas. Siendo k++ = 110 r+ = 15 s+ = 75 m = 150 entonces, un estimador puntual de = p1 p2 es r s = 60 = 0,1714 = n 350 2. Un intervalo de conanza para = p1 p2 a un nivel de conanza aproximadamente igual a 0,95 est dado por a rs r+s z1/2 , = (0, 1985 ; 0, 1443) n n 3. Como 0 (0, 1985 ; 0, 1443) aceptamos la hiptesis nula. o Ejercicio 181
Toc
Volver
Doc
Doc
65
Ejercicio 182. 1. Sean, p1 y p2 las probabilidades de hacer una segunda pasada con cada una de las mquinas. Siendo a r1 = 10 n1 = 150 r2 = 6 n2 = 150 entonces, un estimador puntual de = p1 p2 es r1 r2 = 0,0267 = n1 n2 2. Un intervalo de conanza para = p1 p2 a un nivel de conanza igual a 0,95 est dado por a r1 r2 z1/2 n1 n2 r1 s1 r2 s2 + 3 n3 n2 1 = (0,02409 ; 0,07743)
3. Como 0 (0,02409 ; 0,07743) aceptamos la hiptesis nula. o Ejercicio 182
Intervalo de conanza para p

p z1/2 y p+
2 z1/2 2n
p(1 p) ; p + z1/2 n
p(1 p) , n
2 z1/2
(7.6)
z1/2 1+
n
p(1) p n
4n2
2 z1/2
(7.7)
siendo p = x/n y z1/2 el cuantil 1 /2 de la distribucin normal estndar. El in o a tervalo de conanza (7.7) resulta de aproximar la distribucin binomial Bin(n; p) por la o distribucin normal N (np; np(1 p)). Para obtener el intervalo de conanza (7.6) deben o hacerse adems algunas aproximaciones adicionales que hacen que esta frmula sea basa o tante inexacta; por ello no debe usarse (7.6) si x 5, o si n x 5 o si < 0.05. Otra frmula util para obtener un intervalo de conanza para p es la siguiente o 2 (2x, /2) 2 (2x + 2, 1 /2) ; , 2n 2n (7.9)
donde 2 (2x, /2) es el cuantil /2 de la distribucin 2 (2x) de Pearson y 2 (2x + 2, 1 o /2) es el cuantil y 1 /2 de la distribucin 2 (2x + 2). Esta frmula puede usarse o o cuando n es grande y x/n < 0.1. En estas condiciones, la distribucin binomial Bin(n; p) o es muy similar a la distribucin de Poisson P o(np), de la que se deduce (7.9). o La frmula (7.9) tambin puede usarse para obtener un intervalo de conanza para o e q = 1 p si n es grande y x/n > 0.9, con tal de que se reemplace x por n x.
Intervalo de conanza para

x z1/2 ; x + z1/2 . n n (7.3)
El signicado es: la probabilidad de que el intervalo aleatorio (7.3) contenga al verdadero valor de la media poblacional , que es una constante desconocida, es igual a 1 . Del intervalo aleatorio (7.3) se dice que es un intervalo de conanza para el parmetro al a nivel de conanza 1 . s s x t(n 1, 1 /2) ; x + t(n 1, 1 /2) , n n (7.4)
Intervalo de conanza para 2

(n 1)s2 (n 1)s2 ; 2 2 (n 1, 1 /2) (n 1, /2) (7.5)
5.1. INTERVALOS DE CONFIANZA
Intervalo de conanza para diferencia de medias

El mtodo de los datos independientes es el muestreo consistente en observar dos muestras e aleatorias simples independientes entre s una de ellas tomada la variable aleatoria X1 y , la otra tomada de la variable aleatoria X2 . . x1 x2 t(, 1 /2) s2 s2 1 + 2 ; x1 x2 + t(, 1 /2) n1 n2 s2 s2 1 + 2 n1 n2 , (7.16)
siendo s2 y s2 las cuasi-varianzas muestrales de las muestras de X1 y X2 , respectivamente, 1 2 y los grados de libertad de la distribucin t de Student que aparece en (7.16), que se o calculan como el entero ms prximo a a o o bien a (s2 /n1 + s2 /n2 )2 1 2 2 /n )2 /(n 1) + (s2 /n )2 /(n 1) (s1 1 2 2 1 2 (7.17)
(s2 /n1 + s2 /n2 )2 1 2 2. (s2 /n1 )2 /(n1 + 1) + (s2 /n2 )2 /(n2 + 1) 1 2
(7.18)
2 2 En la segunda situacin, aunque no se saben los valores de 1 y 2 , puede suponerse que o 2 = 2 . En este caso puede usarse un estad 1 stico cuya distribucin de probabilidad es t o 2 de Student con n1 + n2 2 grados de libertad. Los extremos del intervalo de conanza para 1 2 al nivel de conanza 1 estn dados en este caso por a
x1 x2 t(n1 + n2 2, 1 /2)s
1 1 + , n 1 n2
(7.19)
donde s2 y s2 son las cuasi-varianzas muestrales de X1 y X2 y 1 2 s= (n1 1)s2 + (n2 1)s2 1 2 . n1 + n2 2
7.1.1
Mtodo de los datos apareados e
Supongamos que realizamos n parejas independientes1 de observaciones (x11 , x21 ); (x12 , x22 ); . . . (x1n , x2n ) de dos variables aleatorias X1 y X2 positivamente correladas entre s . Sean 1 y 2 las medias marginales de X1 y X2 , respectivamente. Un estimador puntual de la diferencia de medias 1 2 es la diferencia x1 x2 entre las medias muestrales de la primera y la segunda componente de las parejas de datos. Para obtener un intervalo de conanza para 1 2 conviene denir la variable aleatoria auxiliar Z = X1 X2 . A partir de la muestra dada de la variable aleatoria bidimensional (X1 , X2 ) es inmediato calcular una muestra para Z; los valores de esta muestra son zi = x1i x2i ,
1 Esto es equivalente a decir que observamos una muestra aleatoria simple (x11 , x21 ); (x12 , x22 ); . . . (x1n , x2n ) de la variable aleatoria bidimensional (X1 , X2 ).
4 para i = 1, 2, . . . , n. Un intervalo de conanza para 1 2 al nivel de conanza 1 es sZ sZ z t(n 1, 1 /2) ; z + t(n 1, 1 /2) , n n
n n
(7.20)
donde t(n 1, 1 /2) es el cuantil 1 /2 de la distribucin t(n 1) de Student, o z= 1 n zi =

i=1
1 n
(x1i x2i ) = x1 x2
i=1
es la media muestral de la variable Z y sZ = es la desviacin t o pica muestral de Z. 1 n1

n
(zi z )2
i=1
Diferencia de dos proporciones

Supongamos que X1 y X2 son variables aleatorias con distribuciones de probabilidad binomiales cuyas probabilidades de xito son p1 y p2 , respectivamente. Existen situaciones e prcticas en las que interesa estimar la diferencia p1 p2 entre las dos probabilidades2 a de xito, en lugar de estimar cada una de ellas por separado. El estimador puntual de e la diferencia de dos proporciones coincide siempre con la diferencia entre los estimadores puntuales de cada proporcin. Sin embargo, el intervalo de conanza para la diferencia o p1 p2 no puede calcularse a partir de los intervalos de conanza para p1 y para p2 , ya que la forma de calcular el intervalo de conanza para p1 p2 depende de cmo se haya o extra la muestra aleatoria. do
7.1.2
Mtodo de los datos independientes e
Supongamos que se observa la respuesta a una prueba en n1 individuos elegidos al azar de entre los que forman parte de una determinada poblacin. Supongamos que, independio entemente de la muestra anterior, se observa la respuesta a una prueba3 en n2 individuos elegidos al azar de entre los que forman parte de una poblacin diferente de la de la o primera muestra. La respuesta la prueba (o pruebas) puede ser positiva (+) o negativa (). Sean r1 y r2 los nmeros de respuestas positivas en cada una de las muestras y p1 y u p2 las probabilidades de que se produzca una respuesta positiva en cada poblacin. o Un estimador puntual de = p1 p2 es r1 r2 = p1 p 2 = . n1 n2 Adems, un intervalo de conanza para = p1 p2 a un nivel de conanza aproximadaa mente igual a 1 est dado por a r2 r1 z1/2 n1 n2
2 3
r1 s1 r2 s2 r1 r2 3 + n3 ; n n + z1/2 n1 1 2 2
r1 s1 r2 s2 + 3 n3 n2 1
(7.21)
O proporciones. Esta prueba puede ser la misma que la usada en la primera poblacin. o
5.1. INTERVALOS DE CONFIANZA
donde z1/2 es el cuantil 1 /2 de la distribucin normal estndar N (0, 1), s1 = n1 r1 o a y s2 = n2 r2 . El intervalo de conanza (7.21) est basado en la aproximacin de la distribucin a o o binomial por la distribucin normal, por lo que no debe usarse si se verica alguna de las o siguientes desigualdades: r1 < 6, s1 < 6, r2 < 6 o s2 < 6.
7.1.3
Mtodo de los datos apareados e
Supongamos que en n individuos de una poblacin se observa la respuesta a dos prueo bas. Esta respuesta puede ser positiva (+) o negativa () en cada una de las pruebas. Supongamos que la muestra consiste en k respuestas positivas en las dos pruebas (++), r respuestas positivas en la primera prueba y negativas en la segunda prueba (+), s respuestas negativas en la primera prueba y positivas en la segunda prueba (+), m respuestas negativas en las dos pruebas (), siendo k + r + s + m = n. Sean, adems, p1 y p2 las probabilidades de que se produzca a una respuesta positiva a cada una de las pruebas. Entonces, un estimador puntual de = p1 p2 es k+r k+s rs = p1 p 2 = = . n n n Adems, un intervalo de conanza para = p1 p2 a un nivel de conanza aproximadaa mente igual a 1 est dado por a rs r+s rs r+s z1/2 ; + z1/2 n n n n , (7.22)
donde z1/2 es el cuantil 1 /2 de la distribucin normal estndar N (0, 1). o a La frmula (7.23) est basada en una aproximacin con la distribucin normal4 , por o a o o lo que no debe usarse si r < 6 o si s < 6.
4 La distribucin de (k, r, s, m) es multinomial M n(n; p++ , p+ , p+ , p ) siendo p++ , p+ , p+ y p o las probabilidades de los resultados ++, +, + y , respectivamente. De ah resulta que
var
rs n
= =
var
r s r s + var 2cov , n n n n p+ (1 p+ ) p+ (1 p+ ) p+ p+ + +2 , n n n (r s)2 n r+s . n2
lo que puede estimarse con 1 n2 r+s
La distribucin de (r s)/n es aproximadamente normal si r y s son grandes de donde resulta (7.23). o
7.1.4
Algunas erratas.
a) 9604 b) 3458 a) 271 c) 269 c) 330 336
Ejercicio 157 Ejercicio 158 Ejercicio 159 Ejercicio 168

Est Ad Is Tic A

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Est Ad Is Tic A

Uploaded by

Copyright:

Available Formats

Proyecto

Copyright c 2002 gonzaleof@unican.es Actualizado el: 26 de septiembre de 2003

Seccin 2: Tipos de variables o

Seccin 2: Tipos de variables o

(c) continua (c) Continua

Seccin 3: Mtodos de Estad o e stica Descriptiva bsica a

3. Mtodos de Estad e stica Descriptiva bsica a

Tabla 2: Clasicacin de los pasajeros por tramos de edad. o

Cuestin 4.2 Observa la siguiente tabla de frecuencias y responde: o

(c) Otro valor (c) [60; 80) (c) 40

(c) 40 (c) 14 (c) 16

140 120 100 80

Entre los pictogramas pueden incluirse los grcos de sectores. a

Campsa 81 Petrol 120 Cepsa y

5.2. Diagramas de barras

5.3. Histograma y pol gono acumulativo

Edades 0 x < 20 20 x < 40 40 x < 50 50 x < 70 70 x < 100

densidad 28 : 20 = 0,70 33 : 20 = 1,65 26 : 10 = 2,60 39 : 20 = 1,80 20 : 30 = 0,66

Agrupar en 5 intervalos de amplitud 0.5 kg. y dibujar el histograma.

Seccin 6: Estad o sticos

Seccin 6: Estad o sticos

6.1. Estad sticos de tendencia central

Seccin 6: Estad o sticos

La nota media de la clase es n xi fi 60 x = i=1 = =6 n 10

Seccin 6: Estad o sticos

Seccin 6: Estad o sticos

Seccin 6: Estad o sticos

Seccin 6: Estad o sticos

Ejemplo. 6.7. En la siguiente distribucin de notas, hallar M e. o

M ed = 240 + x = 240 + 35,12 = 275.12 puntos

Seccin 6: Estad o sticos

Seccin 6: Estad o sticos

6.2. Estad sticos de dispersin o

Seccin 6: Estad o sticos

Seccin 6: Estad o sticos

xi fi 6160 = = 46,67 n 132

x2 fi 340400 i x2 = 46,672 = 400,7 n 132 sx = 400,7 = 20,02

Para practicar realiza los siguientes ejercicios.

Seccin 6: Estad o sticos

Ejercicio 6.7. Hallar la media y la desviacin t o pica de la siguiente distribucin de datos: o

Seccin 6: Estad o sticos

Seccin 6: Estad o sticos

6.3. Estad sticos de posicin o

Seccin 6: Estad o sticos

Seccin 6: Estad o sticos

Ejemplo. 6.14. Hallar los cuartiles Q1 , Q2 de las calicaciones ya ordenadas de un grupo:

Seccin 6: Estad o sticos

Ejemplo. 6.15. Hallar Q1 , Q3 de la siguiente distribucin de notas, o

Seccin 6: Estad o sticos

Seccin 6: Estad o sticos

Seccin 6: Estad o sticos

Seccin 6: Estad o sticos

Seccin 6: Estad o sticos

1. Dibujar el histograma correspondiente. 2. Calcula la media y la desviacin t o pica.

Soluciones a los Ejercicios

Soluciones a los Ejercicios

Reino Unido 65 % 234o

Alemania 15% Reino Unido 65%

Soluciones a los Ejercicios

Soluciones a los Ejercicios

Soluciones a los Ejercicios

Ejercicio 6.4. Preparamos una tabla de frecuencias

Soluciones a los Ejercicios