Sie sind auf Seite 1von 61

INTRODUCCION A LA PROBABILIDAD Paralelamente al desarrollo de la Estadstica, como disciplina cientfica en forma independiente, se desarrollo a partir del XVII al Clculo

de probabilidades. Sus indicadores son los matemticos Italianos y Franceses de ese siglo, particularmente FERMAT y PASCAL, quienes iniciaron los estudios del clculo de probabilidades, tratando de resolver problemas de juegos de azar. A fines del siglo XVIII y principios del XIX, los trabajos de LAPLACE permitieron dar su definitiva estructuracin al clculo de probabilidades. A partir de LAPLACE, las dos disciplinas, calculo de probabilidades y Estadstica, que hasta entonces haban permanecido separados se fusionaron de manera que el clculo de probabilidades se constituye en el andamiaje matemtico de la Estadstica, mediante el cual, esta pudo tomar el impulso terico que habra de llevarla al extraordinario desarrollo y perfeccionamiento que alcanz en el siglo pasado y en el presente. La estadstica moderna se caracteriza por hacer uso de la estadstica inferencial. Esta incluye un conjunto de tcnicas que, como se dijo en la primera parte tiene el propsito de INFERIR O INDUCIR leyes de comportamiento de una poblacin a partir del estudio de una muestra

GENERALIDADES: En muchas oportunidades nos hemos encontrado con afirmaciones donde no existe el100% de certeza sobre la aparicin realizacin de un lecho o fenmeno. Por ejemplo continuamente escuchamos situaciones como las siguientes: Dado los niveles de inflacin, en los ltimos meses en el pas, es probable que el prximo ao, la economa alcance niveles de hiperinflacin Dada la reduccin continua, de los ingresos reales y el aumento de desempleo en la poblacin, es probable que en los prximos mese, se desate una serie de conflictos sociales. En estos ejemplos se puede apreciar que el resultado final no se conoce con exactitud o certeza existe por lo tanto INCERTIDUMBRE. As se vive en un mundo donde se esta en la capacidad de predecir el futuro con completa certeza. La necesidad de tener suficiente poder para manejar la incertidumbre obliga a estudiar y usar la teora de la probabilidad. La probabilidad por tanto, nos proporciona la base para el estudio de la inferencia estadstica. Aqu estudiaremos solo los conceptos y tcnicas de probabilidad fundamentales que nos permita comprender el anlisis estadstico. PROBABILIDAD La teora de probabilidad tiene mucha importancia en problemas de Ingeniera, Administracin, Economa, Etc. Hay que tomar decisiones frente a la incertidumbre Para un Ingeniero, posiblemente no tenga sentido el preguntarse Durante cuanto tiempo funcionar un determinado mecanismo?

Pero tendr sentido el preguntarse y responderse a la pregunta Cul es la probabilidad que este mecanismo funcione ms de 1000 horas? Qu porcentaje de estos mecanismos funcionarn ms de 1000 horas? Para un fabricante a gran escala tendr sentido el preguntarse por porcentaje de su producto, ser aceptado en el mercado. A un candidato presidencial posiblemente no le interese que Juan vote por el, per si le interesar saber el porcentaje de electores, que volarn por el. EXPERIMENTO ALEATORIO Usted aunque no lo crea esta familiarizado con lo que es un experimento aleatorio. Posiblemente ms de una vez, ha tenido que definir una apuesta por medio de una moneda. En esta decisin, en el lenguaje corriente se dice Gana el que tiene suerte en teora de probabilidades diremos que se determina ALEATORIAMENTE al azar al ganador. Evidentemente antes de lanzar la moneda, no se podr afirmar quien va a ser el ganador (esta es una caracterstica de un experimento aleatorio) Sin embargo si la monada esta perfectamente equilibrada, ambas tiene las mismas posibilidades de ganar. A mediados del siglo XVI GIROLAMO CARDANO, matemtico, medico y jugador Italiano, escribi El libro de los juegos de azar en el que apareca el primer estudio conocido, de los principios de probabilidad. Alrededor de 100 aos mas tarde, el jugador CHEVALIER DE MERE propuso a BLAISE PASCAL el famoso Problemas delos puntos, que puede describirse como sigue:

Dos personas participan en un juego de azar, la primera que logre acumular un cierto numero de puntos ganar la apuesta, si los jugadores se ven forzados a suspender el juego antes de que haya terminado, dado el nmero de puntos que ha acumulado cada uno de ellos Cmo deber dividirse la apuesta? Este problema constituyo un reto al ingenio de los astutos matemticos Franceses BLAISE PASCAL Y PIERRE DE FERMAT, quienes iniciaron los estudios del clculo de probabilidades tratando de resolver problemas de juego de azar propuestas por el caballero DE MERE. En general todos los juegos de azar constituyen experimentos aleatorios. RIFA, DADOS, CARRERA DE CABALLOS, LOTERAS, BARAJA, ETC. Este ejemplo nos da una idea de lo que es un experimento aleatorio Un experimento aleatorio estadstico es cualquier experimento u operacin) cuyo resultado no puede predecirse con exactitud antes de realizarse el experimento Ejm.: Lanzar un moneda y observar la cara superior. Extraer un articulo de un lote que contiene artculos defectuosos D y no defectuosos N. Designar un delegado de un grupo de 50 personas. Calcular el nmero de automviles que cruzan la interseccin de dos calles, hasta antes que ocurra un accidente. Fabricar artculos hasta producir 5 artculos defectuosos y contar el nmero total de artculos fabricados. Son experimentos aleatorios, porque en cada caso el resultado del experimento no puede predecirse.

En cambio. Soltar una piedra en el aire Lanzar una pelota aun tanque de agua No son experimentos aleatorios, puesen el primer caso la piedra caer y en el segundo caso la pelota flotar En general todos los juegos de azar constituyen experimentos aleatorios. EXPERIMENTO : Se hace rodar un dado y se observa el nmero que aparece en la cara superior ESPACIO MUESTRAL : S = [1, 2, 3, 4, 5, 6] EVENTO A PROBABILIDAD La definicin clsica de probabilidad puede enunciarse as: Si un evento A, Puede ocurrir de m formas de un total de N posibles formas y si estas N son todas las formas posibles de realizacin del evento, entonces la probabilidad de ocurrencia del evento A, denominada P(A), esta dada por: : Obtener numero par A= [2, 4, 6]

P (A) =

Esto significa que si hay N elementos en el conjunto de resultados posibles, la probabilidad para cualquiera de ellos, ser 1/N. Cual es la probabilidad que tirando un dado muestre un AS)

En este caso puede obtenerse como resultado, cualquiera de los seis casos o lados (1, 2, 3, 4, 5, 6) que tiene el dado (casos posibles), esto significa que la suerte o probabilidad que tiene cada cara es

P (A) =

= 0.1666 = 0.17 = 17%

Si se espera obtener un nmero par, debemospensar que hay tres caras (2, 4, 6) que cumplen esta condicin, luego la probabilidad de obtener nmero par ser:

P (par) =

= 0.50

En trminos de conjunto ser N = {1,2,3,4,5,6} Ejem.: Enumerar los resultados posibles de un experimento que consiste en lanzar dos monedas. Denotamos C Y S respectivamente Moneda 1 Moneda 2 :C :C C S S C S S Puntos muestrales m = {2,4,6}

2da moneda C S 1era moneda C CC CS S SC SS

S = CC, CS, SC, SS

Ejem.: Enumerar los resultados posibles de un experimento en el que se lanza una moneda tres veces

Los resultados posibles son 8 S = CCC, CCS, CSC, CSS, SCC, SCS, SSC, SSS

Para todo evento A 0 < P(A) < 1


Si la probabilidad de un evento es 0 se dice que es imposible y si es 1 se dice que hay certeza. Ejemplos: Lanzar una moneda dos veces, es equivalente a lanzar dos monedas una sola vez Si una moneda se lanza n veces, entonces el espacio muestral 2n eventos elementales _ Si en S se define al Evento A, entonces su complemento es A, donde: Si m es las veces que puede ocurrir el evento A, (N-m) denotar las veces que ese evento no ocurra. _ _ Si denotamos A la no ocurrencia de A, su probabilidad P(A) ( q) esta dado por: (q =) P (A) = = - = 1 P (A)

De donde es fcil inferir que la suma de las probabilidades es de ocurrencia y no ocurrencia de un evento es uno (1), es decir p + q = P(A) + P (A)= 1 P (A)= 1- P(A) Ejem.: De un comit de 20 estudiantes constituido por estudiantes de Ingeniera, Econmica y Agronoma, se va a elegir al azar al S A A

Presidente; se sabe que la probabilidad de elegir un estudiante de Economa es 2/5 Cul es la probabilidad que el Presidente no sea de Economa? A = Economa = No Economa

P ()= 1-P(A) = 1 -

= 0.6

LEYES DE PROBABILIDAD Las leyes de probabilidad son dos: La ley de suma y la de multiplicacin. Debe tenerse en cuenta que no se aplica a cualquier caso, sin que su aplicacin esta condicionada a la naturaleza de los eventos. LEY DE LA SUMA se aplica a dos clases de eventos. a. EVENTOS MUTUAMENTE EXCLUYENTES Dos eventos cualquiera A y B son (eventos) mutuamente excluyentes si y solo si A B = .Es decir, son eventos que no

tienen elementos comunes. Son conjuntos disjuntos. S A B

AB = Son mutuamente Excluyentes

Si A y B son sucesos mutuamente excluyentes, entonces TEOREMA 1 P (AUB) = P(A) + P(B)

Por ejemplo si en la poblacin mayor de 20 aos de edad se define los Eventos. A = {Poblacin Analfabeta} B = {Abogados} Entonces A B = Porque no hay Abogados analfabeto

En este caso los dos eventos A y B no tienen puntos en comn de modo que A B = , no pueden ocurrir simultneamente.

En general si hay varios eventos, mutuamente excluyentes. La probabilidad de que ocurra algunos de ellos. P (A U B U C U .) TEOREMA P (AU BU C) = P (A) + P (B) + P (C) La suma de la probabilidad de los Eventos es igual a 1 Ejem.: Una caja tiene 220 tornillo iguales, de los cuales 80 son producidos por la maquina A, 60 por la maquina B, 50 por la maquina C y 30 por la maquina D. si se elige un tornillo al azar de la caja Cul es la probabilidad que el tornillo elegido haya sido producido por las maquinas A C? Es claro que A, B, C, D son Eventos mutuamente excluyentes, porque cada tornillo es producido por una y slo una maquina. E = {A, C} P (A U C) = P (A) + P (C) = + = 0.591 S A B C

Adems

S = {A, B,C, D}

La probabilidad haya sido producido por las maquinas AoBoCoD. P (AUBUCUD) = P(A) + P(B) + P(C) + P(D) = + + + = =1

b. EVENTOS

(INDEPENDIENTES)

NO

MUTUAMENTE

EXCLUYENTES En este caso significa la probabilidad de que ocurra el evento A B que ocurran ambos. En la suma de sus probabilidades, es menos la probabilidad de si ocurrencia conjunta Es decir que estos dos eventos tiene una porcin comn o interseccin A B Del grafico se deduce que A y B no son mutuamente excluyentes, porque tienen una parte en comn.
A A B B

TEOREMA: P (AUB) = P (A) + P (B) P(A B) Donde P(A B) representa la probabilidad de que ocurran simultneamente A y B En la suma de las probabilidades de todos los puntos P(A) + P(B) se incluyen dos veces los puntos de A B, por lo tanto P(A B) debe restarse dela suma P(A) + P(B).

Se obtiene que el resultado es el total de probabilidades de todos los puntos de AUB, cada uno de los cuales se toma slo una vez. Este teorema representa el teorema general de la suma de probabilidades. Ejemplo: Cual es la probabilidad de sacar un As una espada de una baraja de casino. Los eventos A y B no son mutuamente excluyentes, pues hay un AS de espadas. Luego de probabilidad de extraer una carta que sea AS o una espada o ambos casos es: P(A) = Extraer un AS = P(B) = Extraer una ESPADA= P (AUB) = P(A) + P(B) P(A B) =

-( )( )=

0.308
A A B B

Ejem. En una empresa comercial trabajan 8 hombres y 18 mujeres, de las cuales la mitad de los hombres y la mitad de las mujeres han nacido en Lima. Hallar la probabilidad de que un trabajador elegido al azar sea hombre que haya nacido en Lima. Sea A = {El trabajador sea hombre} B = {Trabajador nacido en Lima} Entonces ser hombre nacido en Lima ser A U B

P (AUB) = P(A) + P(B) P(A B)

P(A) =

P(B) =

P(A B) =

P (AUB) =

= 0.654
S = {A, B, C}

P(AUBUC)
A AB
A B C A C B C

TEOREMA: P(AUBUC) = P(A) + P(B) + P(C) P(A B) P(B C) P(A C) + P(A B C) Ejem.: Un examen de automviles recin desechados, debido a descomposturas del radiador, el motor la transmisin, demostr que el 40% tena transmisiones malas, el40% tenan radiadores malos y el 50% tenan motores malos. El 15% tena mal, tanto la transmisin como el radiador, el 20% la transmisin y el motor y el 20% el radiador y el motor. Cuntos tenan las 3 cosas mal? Establecemos T = Transmisin Mal R = Radiador Mal

M = Motor Mal 40% P(T) = 0.40 40% P(R) = 0.40 50% P(M) = 0.50 15% P(TR) = 0.15 20% P(TM) = 0.20 20% P(RM) = 0.20

Encontrar: P (TRM)
T
TRM TM RM

P(TURUM) = P(T) + P(R) + P(M) P(T R) P(R M) P(T M) + P(T R M) 1 = 0.40 + 0.40 + 0.50 0.15 0.20 0.20 + P(T R M) 1.30 0.55

0.75 P(T R M) = 0.25 REGLA DEL PRODUCTO DE PROBABILIDADES Con frecuencia resulta necesario trabajar con probabilidades para una parte, ms que para todo un espacio muestral. En este caso nos ocuparemos de la probabilidad de un evento, en un determinado subconjunto, del espacio muestral general. Las probabilidades asociadas con eventos en un determinado subconjunto del espacio muestral, se llaman PROBABILIDADES CONDICIONALES.

Procedemos

desarrollar

un

mtodo

general

para

hallar

probabilidades condicionales. DIAGRAMA DE VENN


S A Na A B Nab B Nb

Si en el espacio muestral S hay N resultados igualmente posibles de los que Na son favorables al evento A; Nb favorables al B, y Nab, favorables tanto al evento A como al B, entonces:

P(A) =

P(B) =

P(A B) =

P(A/B) =

P(B/A) =
A Na A B Nab B Nb

Si conocemos

P(B)

y P(A/B), podemos obtener P(A B)

directamente, notando que TEOREMA

P(A B) = P(B) P (A/B)=

A este resultado se le denomina con (frecuencia) REGLA DEL PRODUCTO DE PROBABILIDADES

Es fcil verificar que P (A B) es tambin igual al producto P(A) P(B/A)

TEOREMA: P (A B) = P(A) P(B/A) = =

Extendiendo dicha regla a tres eventos A, B,C

TEOREMA P (A B C) = P (A) P(B/A) P (C/A B)

Se conoce como la ley de la multiplicacin de probabilidades y es til en el calculo de probabilidades de eventos compuestos, es decir eventos que constan de dos ms eventos simples.

REGLA DEL PRODUCTO PARA EVENTOS INDEPENDIENTES.

Si la ocurrencia o no ocurrencia de un evento A no tiene ningn efecto sobre la probabilidad de la ocurrencia de B y viceversa, los eventos A y B son denominados eventos independientes.

En este caso, saber que se obtuvo en el primer evento, no tendra valor alguno en (la prediccin) del resultado del segundo. Dos eventos A y B son independientes as:

TEOREMA: P (A B) = P (A) P (B) A B

(Esta definicin es llamada regla del producto para eventos independientes)

El concepto de independencia, no se limita a dos eventos. En el caso de tres A, B, C (se dice que son independientes si solo si)

TEOREMA: a. P (A B C) = P (A) P(B) P(C)

PROBABILIDAD CONDICIONAL La regla del producto de probabilidades, es utilizada (a menudo) para obtener probabilidades condicionales. Si P(B) es distinto de 0, podemos dividir los dos trminos por P(B) para obtener P (A B) = P(B) P(A/B)

TEOREMA P (A/B) = P(B) 0

De manera similar, encontramos que la probabilidad de B dado A es. P (A B) = P(A) P(B/A) P(A) 0

TEOREMA P (B/A) =

Siempre que P (A) sea distinto de cero.

VARIABLE ALEATORIA Y DISTRIBUCION DE PROBABILIDADES


VARIABLE ALEATORIA Es una variable en la que no se puede fijar anticipadamente el valor que debe tomar, porque este valor depende de los posibles resultados de un experimento aleatorio. Se denotan por letras maysculas tales como: X, Y, Z etc.

Ejemplo: En el experimento aleatorio de lanzar tres monedas legales el espacio muestral es: S = {ccc, ccs, csc, scc, css, scs, ssc, sss}

Sea la variable aleatoria X que representa el nmero de caras que se puede obtener en cualquier resultado del experimento aleatorio.

En el experimento aleatorio de lanzar tres monedas legales, el espacio muestral es:

S = {ccc, ccs, csc, scc, css, scs, ssc, sss} 3 2 1 0

Sea la variable aleatoria X que designa el nmero de caras que se puede obtener en cualquier resultado del experimento. Vemos que el rango de X es el conjunto {3, 2, 1, 0} Los nmeros 0, 1, 2, 3 se llaman valores de la variable aleatoria X. En el desarrollo de la teora de las probabilidades y sus aplicaciones, es conveniente considerar cada uno de esos valores como un evento. As tenemos los eventos: A = {X = 0} = {que la variable aleatoria tome el valor 0} B = {X = 1} = {que la variable aleatoria tome el valor 1} C = {X = 2} = {que la variable aleatoria tome el valor 2} D = {X = 3} = {que la variable aleatoria tome el valor 3}

DISTRIBUCION DE PROBABILIDAD DISTRIBUCION BINOMIAL BERNAULLI En este captulo presentamos algunas distribuciones de probabilidad discreta, desarrollando en forma analtica ciertas suposiciones bsicas de un fenmeno real. Estas distribucin es tiene aplicaciones en Ingeniera, Administracin, etc.

La distribucin de probabilidad es de Bernaulli (en

homenaje a JACQUES

BERNAULLI, quien en el ao 1600 tambin desarrollo la teora de las Permutaciones) se aplica solo cuando hay dos resultados posibles. Por ejemplo: en un test verdadero falso

La distribucin binomial se basan un una sucesin de ensayos de Bernaulli. Un proceso binomial cumple las siguientes condiciones. 1. Cada ensayo tiene slo dos resultados posibles, denominados por xitos E y fracasos F 2. La probabilidad de xito denotado por p, permanece constante de ensayo a ensayo, por lo tanto la probabilidad de fracaso 1-p = q; tambin es constante. 3. Los ensayos sucesivos son independientes, es decir el resultado de un ensayo cualquiera es independiente de los resultados de los ensayos anteriores, se aplica a variables discretas

La binomial es una distribucin de gran aplicacin. Esta distribucin terica, aplicada a los problemas de probabilidades, ayudan al Ingeniero de control de calidad a tomas la decisin de aceptar o rechazar un lote de transistores fundado en el descubrimiento de (digamos) dos transistores defectuosos en una muestra de 100 tomados al azar en el mencionado lote.

Supngase que una operacin que llamaremos prueba, puede producir nicamente, uno de dos resultados posibles; a uno de estos resultados le llamaremos xitos, al otro fracaso. El lanzamiento de una moneda, la siembre de una semilla, la investigacin de un circuito elctrico en cuanto a su funcionamiento y la inoculacin de un paciente, son pruebas. La moneda puede mostrar cara sello; la semilla puede germinar o no; el circuito puede funcionar correctamente o ser defectuoso; y el

paciente puede recuperarse morir.

Sea p la probabilidad de xito y q la probabilidad de fracaso de modo que p+q=1

Para la probabilidad binomial se extraen con remplazo para que no vare, todos los experimentos son con reemplazo para que p no vare.

Una prueba binomial es un experimento que tiene dos posibles resultados xito y fracaso

En una prueba Binomial

S=

e, f

Si se realizan n pruebas independientes Binomial S = A1 x A2x xAn Si ocurre exactamente x xitos en las n pruebas ocurrir tambin n-x fracasos Como: p = La probabilidad de xitos q = La probabilidad de fracasos

Se tiene para el caso e, e, e .. e f f ...f x xitos n-x fracasos

su probabilidad ser

p pp . p q q q = px.qn-x x veces n-x veces

Luego ocurren ( n ) formas donde hay exactamente x xitos. x

Por lo tanto la probabilidad de exactamente P (x=x) = ( n ) pxqn-x x x P ( x=x) = C n pxqn-x FUNCION DE CUANTIA O DE PROBABILIDAD f (x) = P (x=x) Probabilidad de obtener x xitos exactamente = n! . pxqn-x x! (n-x)! Numero de maneras de obtener xitos x Probabilidad de una sucesin x = 0, 1, n

cualquiera

Ejem: La probabilidad de un estudiante que ingresa a la Universidad y logre graduarse es 0.4 Cul es la probabilidad que de5 estudiantes nuevos. Se graden 3.

n=5

x = 3 graduados

p = 0.4 graduarse q = 0.6 no graduarse 5! (0.4)3 (0.6)5-3 = 5! (0.4)3 (0.6)2 3! (5-3)! 3! 2!

P (x =3) =

P (x =3) = 10 (0.064) (0.36) = 0.2304

Se lanza un dado 10 veces Calcular la probabilidad de obtener 4 veces seis?

SOLUCION La v.a. esta definida as

X = numero de veces que aparece el numero 6 en 10 lanzamientos X = (0, 1, 2 10)

Sea

E = obtener un seis :

P (E) = 1 = 0.1666 6 F = obtener un numero diferente de 6: P (F) = 5 6

Por lo tanto se tiene que: n = 10 p=1 6 q=5 6

Luego la funcin de probabilidad de X es P (x = x) 101 x 510-x x6 6 X = 0, 1, 2 .10 Estamos interesados en el calculo de p (x = 4) P (x = 4) = 101456 4 6 P (x = 4) =

10!1456 = 0.048 4! (10-4)! 6 6

P (x = 4) = 210 (0.0008352) (0.2713604) = 0.0475944

FUNCION DE DISTRIBUCION O ACUMULATIVA


n

P ( x x) = ( )pxqn-x
x=0

Ejem: Un estudiante se presente a un examen de seleccin mltiple que contiene 8 preguntas cada una con tres respuestas opcionales, si el estudiante esta adivinando al responder cada pregunta y adems se sabe que para aprobar el examen debe responder correctamente 6 mas preguntas Cul es la probabilidad de aprobar el examen? Defina la variable aleatoria x tal que

x(w) = numero de respuestas concretas en las 8 preguntas Rx = (0, 1, 2, 3, 4, 5, 6, 7, 8

Puesto que cada pregunta consta de una respuesta correcta y 2 respuestas no correctas

P(E) = 1 = p 3

P(F) = 2 = q ( por estar adivinando) 3

Luego la distribucin de probabilidad de x es, P(x) = P(x=x) = 81x28-x x 3 3 x = 0, 1, 8

Sea A el evento aprobar el examen entonces P(A) = P( x>= 6) = ( ) ( ) ( )


X=6 8
x 8-x

= ( )( )( ) + ( )( )( ) + ( ) =

= 0.02 = 0.01966

Se ha elaborado un examen de seleccin mltiple consistente en 10 preguntas. Hay cuatro respuestas posibles para cada pregunta. Suponga que ninguno de los estudiantes que van a rendir el examen concurri a clases o que no estudio para el examen (cosa muy frecuente) el profesor que toma la prueba ha establecido que para aprobar debe contestar correctamente al menos 6 preguntas. Si hubiere 100 alumnos en la clase Cuntos alumnos tericamente aprobaran?

SOLUCIN 1 Puesto que ninguno de los alumnos asisti a clase o no estudio para el examen, la eleccin de la respuesta en cada una de las 10 preguntas se har al azar; por lo tanto la eleccin de la respuesta en cada pregunta se considera como un ensayo de Bernaulli, con

P = Prob. deacertar la respuesta correcta 1 = 0.25 y q = 3 4 4 2 El experimento se repite 10 veces, es decir n = 10 3 Definimos la variable aleatoria X por X (w) = numero de respuestas correctas en las 10 preguntas Rx = 0, 1, 2, 3, , 10 4 La variable aleatoria X, as definida es un v.a.binomial Por lo tanto su distribucin P (x = x) 101x310-x x 44 x = 0, 1, .10

5 Para aprobar el examen debe contestar al menos 6 preguntas correctas, es decir, la probabilidad de aprobar el examen es P( x 6) =
10 X=6
6 4 7 3 8 2 9 1

P(x +(
10 10

6)
6
10 0

=( ) ( ) +

10 ( 7 )(

)( ) +

10 ( )( 8

)( ) +

(10 ) 9

( )( )

) ( ) ( ) = 0.0197

Por lo tanto, aprobacin tericamente el examen 100 (0.0197) = 1.97 2, alumnos u = E (X) = np media X 2 Varianza = S = npq Desviacin Estndar =

DISTRIBUCION DE PROBABILIDADES DE UNA VARIABLE ALEATORIA Si para cada valor de la variable X, considerado como un evento, procedemos a calcular su respectiva probabilidad, obtenemos una funcin que se denomina FUNCION DE DISTRIBUCION DE PROBABILIDADES DE LA VARIABLE ALEATORIA X. En la prctica, para abreviar, se omite las palabras: Funcin de

Es importante tener en cuenta que

= 1, esta frmula dice en palabras:

La suma de las probabilidades de todos los eventos posibles es igual a 1.

En el ejemplo 1, del rubro 5.2.2. hemos visto que la variable aleatoria X que designa el nmero de caras en cada posible resultado del experimento puede tomar los valores: 0, 1, 2, 3.

Las probabilidades de los respectivos eventos son: P {X = 0} = P {sss} = 1/8 = 0.125 P {X = 1} = P {css, scs, ssc} = 3/8 = 0.375 P {X = 2} = P {ccs, csc, scc} = 3/8 = 0.375 P {X = 3} = P {ccc} = 1/8 = 0.125

La distribucin de probabilidades es la que se presenta en el cuadro

CUADRO

X P (X)

O 0.125

1 0.375

2 0.375

3 0.125

= 1

LA ESPERANZA MATEMATICA

Las dos caractersticas importantes de la distribucin de una variable aleatoria, son su tendencia central y su variabilidad. En esta parte introduciremos el concepto de la esperanza, que es una medida de Tendencia Central de una variable aleatoria. La esperanza es designada de muchas (otras) formas; como esperanza matemtica, valor esperado, o simplemente la media de una variable aleatoria.

Este concepto se relaciona ntimamente con la nocin familiar de la media aritmtica La esperanza matemtica de una variable aleatoria es la suma de los productos que se obtiene multiplicando todos los posibles valores de la variable aleatoria por su correspondiente probabilidad. Ejem: La Probabilidad de que una casa de cierto tipo sea destruida por un incendio en un periodo (cualquiera) de doce meses es de 0.005. Una Compaa de Seguros ofrece en venta al dueo de esa casa una pliza de seguros contra incendio por el trmino de un ao en 20,000 Soles, con una prima de 150 soles Cul es la ganancia esperada de la Compaa? La ganancia G, para la Compaa es una variable aleatoria con posibles valores de 150 soles, si la casa no sufreun accidente de incendio y de 19,850 soles, si la casa se quema durante el ao que cubre la pliza. La funcin de probabilidad de G es entonces.

VALORES DE G, g 150 PROBABILIDAD f (g)

-19850 0.995 0.005

Con la informacin anterior vemos que:

E (G) = Ug = (150) (0.995) + (-19850) (0.005) = S/. 50 149.25 -99,25 = S/. 50.00

La ganancia esperada para una Compaa de Seguros debe ser positiva para permitir a la Compaa pagar los costos administrativos y acumular reservas para pagar a sus beneficiarios y tenedores de plizas. Sin embargo en todos los casos de juego de azar, en donde se juega por dinero, el valor esperado es negativo, como se v en el ejemplo siguiente. En general si X es una variable aleatoria discreta que toma los valores X 1, X2, Xn y tiene una funcin de densidad de probabilidad f(x) su esperanza matemtica se define como:

E (X) =
Si X es una variable aleatoria continua con una funcin de densidad de probabilidad f(x), entonces.

E(X) =

1P(X)

dx

La varianza G2de una variable aleatoria X con funcin de probabilidad f(x) se define como el valor esperando del cuadrado de la desviacin de la media aritmtica u esto es: Donde u = E(X) Var (X) = Var (X) =
2

P(Xi) u2
2

P(Xi)

ESPERANZA MATEMATICA DE UNA VARIABLE ALEATORIA

Es la media ponderada de las posibles valores de la v.a..x para ponderar cada valor de X se multiplica por su respetiva probabilidad. La Esperanza Matemtica se representa por el smbolo E(X) tambin se le designa u E(X) = u

E(X) =

i P(Xi)

En la distribucin de Probabilidades

X P(X)

O 0.125

1 0.375

2 0.375

3 0.125

Calcular la E(X) E (X) = 0. (0.125) + 1. (0.375) + 2 (0.375) + 3 (0.125) E (X) = 0 E (X) = 1.5 + 0.375 + 0.750 + 0.375

VARIANZA DE UNA VARIABLE ALEATORIA


2

=Var (X) = (Xi u)2 P (Xi)

La varianza de la v.a. X es la esperanza matemtica del cuadrado de la diferencia que se obtiene, restando a la variable por su valor esperando u.

Vemos que el cuadrado de cada diferencia se pondera multiplicndolo por cada valor de P(x)

Ejem: Calcular la Var (X) de la distribucin de probabilidades del experimento de lanzar 3 monedas, en donde la v.a. X designa el nmero de caras en cada posible resultado.

X P(X)

E(X) = 1.5 Var (X) = (0-1.5)2 ( ) + (1-1.5)2 ( ) + (2 1.5)2 ( + (3-1.5)2 (

Var (X) = (2.25) ( ) + (0.25) ( ) + (0.25) ( ) + (2.25) ( ) = 0.28125 + 0.09375 + 0.09375 + 0.28125 = 0.75 Utilizando la formula

= Var (X) =

P(Xi) u2

Una lotera vende 10,000 boletos de 1 sol por boleto; se dar un premio de 5,000 soles al ganador de la primera jugada. Suponiendo que hemos comprado un boleto Cunto debemos esperar ganar? A que la variable aleatoria ganancia G, tiene dos posibles valores: 4,999 soles y 1 sol. VALORES DE G PROBABILIDAD f (g)

Xi
Pi

4999 1 10,000

-1 9999 10,000

E (G) = 4,999 ( -

) + (-1) (

= 0.4999 0.9999 = -0.50

Esta cantidad 50 centavos negativos, es la cantidad que esperamos ganar (perder) cada vez, si jugamos repetidas veces.

APLICACIN DEL CONCEPTO DE ESPERANZA MATEMATICA

a) Una lotera con 1,000 numero, consta de las siguientes premios 1 premio de S/. 100.000 2 premios de S/. 10,000 5 premios de S/. 1,000 A cuanto debe venderse el billete, para que no se gane ni se pierda? Solucin: Los posibles valores de la variable son: (posibles premios) Xi = 100,000 10,000 1,000

Y las probabilidades de ganar dichos premios son: Pi =

Luego en promedio, se espera ganar: E(X) = 100,000 + 10,000 + 1,000 = S/. 125

Si se venden los 1,000 numero a S/. 125 c/u, se recaudan S/. 125,000. Pero se distribuyen S/. 125.000 en premios, luego: No se gana ni se pierde

Por otra parte participan 1,000 personas que pagan c/u S/. 125 y esperan ganar, en promedio

S/. 125,000 = S/. 125 1,000

Tambin se ve que en promedio no gana ni pierden

TEOREMA QUE IMPLICA PARTICIONES

PROBABILIDAD TOTAL Sea {A1, A2.An} evento Entonces P(A) = = particiones del espacio muestral S y sea A cualquier

(Ai) P(A/Ai)
i = 1, 2, n

Siempre que P (Ai) = 0

La demostracin de este teorema se facilita con la figura en todo lo que sigue i = 1, 2 ..n

A esta representada por la regin sombreada dentro de S S = A1 U A2U . U An A=A S A = A (A1 U A2U .U An) A = (A A1) U ( A A2) U..U (A An)

P (A) = P (A A1) + P (A A2) + .+ P (A An) P (A) = P (A1) P (A/ A1) + P (A2) P (A/ A2) + . + P (An) P (A/An) P (A) =

(Ai) P (A/Ai)

Ejm. PROBABILIDAD TOTAL En un laboratorio hay tres jaulas. En la jaula I hay 2 conejos pardos y tres blancos, en la jaula II tiene 4 conejos pardos y 2 blancos, en la jaula tres contiene 5 conejos pardos y 5 blancos. Se selecciona al azar una jaula y se saca un conejo aleatoriamente de esta jaula.

Cul es la probabilidad que el conejo escogido sea blanco?

Sea el evento B: salga un conejo blanco. I P(B/I) = P(I) = B ----B -----

2P 3B
II 4P 2B III

P(II) =

II P(B/II) =

B ----B ----

P(III) =

III P(B/III) =

B -----

5P 5B

B -----

P(B) = P(I) P(B/I) + P (II) P(B/II) + P (III) P (B/III) =

. + . + . + =

= 0.477777 = 0.478

PROBABILIDAD DE LAS CAUSAS TEOREMA DE BAYES Teorema Bayes, se refiere a la asociacin de dos acontecimientos, cuando ellos estn ligadas de tal manera, que la realizacin de un acontecimiento, supone tambin, la realizacin de algunas de las posibilidades del segundo. Consideremos un acontecimiento A, y supongamos, por hiptesis, que para que se produzca A, es indispensable, que se haya producido tambin, un y solo uno de los acontecimientos excluyentes digamos: B1, B2, Bn El Teorema de Bayes, trata de responder la siguiente pregunta: Suponiendo que se ha realizado el evento A Qu probabilidad existe que haya sido conjuntamente con un determinado B por ejemplo con Bi?

A continuacin demostremos la formula que responde a la pregunta del Teorema de Bayes Este Teorema fue propuesto por el clrigo Ingles Thomas Bayes (1761)

DEMOSTRACION TEOREMA Si conozco P(A) y P(Ai/A) P(A Ai)

Por el Teorema de la multiplicacin P(A Ai) = P(A) P(Ai/A) P(A) 0 P (A Ai) = P (A) P(Ai/A) P(A) P (A)

P (Ai/A) = P ( A Ai) P(A)

Sustituyendo: P(A) = P(A1) P(A/A1) + P (A2) P(A/A2) + - - - + P(An) P(A/An)

Resulta: P (Ai/A) = P (A Ai)

P(A1) P(A/A1) + P(A2) P(A/A2) + - - - + P(An) P(A/An)

Remplazando P( A Ai) por su equivalente P(Ai) P(A/Ai), resulta finalmente

P(Ai/A) =

P (Ai) P (A/Ai)

P(A1) P(A/A1) + P(A2) P(A/A2) + - - - + P(An) P(A/An)

En una fbrica de pernos las maquinas A, B y C fabrican 25, 35, 40 por ciento de la produccin total representativamente. De lo que producen 5, 4 y 2 por ciento respectivamente son pernos defectuosas. Se escoge un perno al azar

y se encuentra que es defectuoso Cul es la probabilidad que el perno provenga de la maquina A, B, C

SOLUCION

Este problema, es una aplicacin del teorema de Bayes P(D/A) = 0.05 P(A) = 0.25 P(B) = 0.35 P(C) = 0.40 C A P(D/B) = 0.04 B P(D/C) = 0.02 D D D D C D D D B D D A

P(D) = P (D A) + P (D B) + P ( D C) P(D) = P (A) P (D/A) + P (B) P (D/B) + P (C) P (D/C) P(D) = (0.25) (0.05) + (0.35) (0.04) + (0.40) (0.02) P(D) = 0.0125 + 0.0140 + 0.0080 = 0.0345

a) P (A/D) = P(D A) = P (A) P (D/A) P(D) P(D) P (A/D) = (0.25) (0.05) (0.25) (0.05) + (0.35) (0.04) + (0.40) (0.02)

P (A/D) = 0.0125 0.0345

0.362

b) P (B/D) = P (B) P (D/B) = (0.35) (0.04) = P(D) 0.0345 P (B/D) = 0.0140= 0.406 0.0345

c) P (C/D) = P (C) P (D/C) = (0.40) (0.02) = 0.008 = P (D) 0.0345 0.0345

0.232

PERMUTACIONES

FACTORIAL DE UN NMERO

Sea n un entero positivo, definimos el factorial de n, denotado por n! Como el producto de todos los enteros consecutivos desde 1 hasta n inclusive, es decir. n! = n (n-1) (n-2) ------- 3 x 2 x 1 As por ejemplo: 5! = 5 x 4 x 3 x 2 x 1 = 120 10! = 10 x 9 x 8 x 7 x 6 x 5 x 4 x 3 x 2 x 1 = 3`628,800 Observe que n! = n (n-1)! De esto si n =1, tenemos 1! = 1 (0!) y definimos convencionalmente que 0! = 1 Definicin.- Una permutacin es un arreglo de todos parte de un conjunto de objetos Suponga que tenemos un conjunto de tres objetos

A = (a, b, c), estamos interesados en el numero de arreglos con los elementos del conjunto A las posibles permutaciones son: abc, acb, bac, bca, cab, cba, hay 6 permutaciones distintas. Se puede llegar a la misma respuesta sin tener que escribir todas las anotaciones posibles, de la siguiente manera, los arreglos de los 3 objetos es equivalente a disponerlas en celdas, as: 3 2 1

Hay 3 formas posibles de llenar la primera celda, con cualquiera de los tres objetos a, b y c, para la segunda celda hay 2 formas posibles, cualquiera de los dos objetos restantes despus de haber llenado la primera y solamente queda una forma de llenar la tercera. Aplicando el principio de multiplicacin da un total de 3 x 2x 1 = 6 formas (o permutaciones). Teorema.- El nmero de permutaciones de n objetos diferentes es: P n = n! n

Ejm: Un inspector visita 6 maquinas diferentes, durante el da. A fin de impedir que los operadores sepan cuando inspeccionar, vara el orden de las visitas De cuantas maneras puede hacerlo? Solucin: Puesto que tiene que inspeccionar las 6 maquinas diferentes, entonces el nmero de manera es una permutas de las 6 maquinas. Es decir: P 6 6 = 6! = 6 x 5 x 4 x 3 x 2 x 1 = 720 formas.

Ejm: En una competencia automovilstica intervienen 40 participantes. De cuantas formas distintas se pueden adjudicar los lugares de llegada a los 40 competidores de la competencia Solucin: Se desea saber de cuantas formas posibles se pueden ordenar los 40 competidores. El numero de todos los ordenados posibles es:
40P40

= 40!

Supongamos que tenemos un conjunto de n objetos diferentes y deseamos permutar r de estos n objetos Teorema.- El numero de permutaciones de n objetos diferentes tomadas r a r P(n,r)= P r = n! n (n-r)! NOTA: Hemos visto que una permutacin es un arreglo de todas parte de los elementos de un conjunto que tiene objetos diferentes As si A = (a, b, c) se vio que las diferentes permutaciones son: abc, acb, bac, bca, cab, cba es decir el orden de los elementos es importante observe que estaselementos son comparables con las termas ordenados sin repeticin de sus elementos o sea no estn las termas (a,a,a) (b,b,b) (c,c,c) Ejem: Un grupo esta formado por5 personas y desean formar una comisin integradapor Presidente, Secretario De cuantas maneras puede nombrarse esta comisin? El numero de permutaciones de 5 personas tomadas 2 a 2. P 2 = 5 5! = (5-2)! 5x4x3x2x1 = 5 x 4 = 20 maneras. 3x2x1x

El cargo de Presidente puede ser ocupadas de5 maneras diferentes. Y una vez ocupado el cargo de Presidente, el cargo de Secretario puede ser ocupadode4 maneras diferentes; entonces la eleccin de la comisin se puede hacer de 5x4 = 20 forma diferentes 5 4

El lector puede dar nombre a las personas, digamos A, B, C, D, E; entonces, se busca todos los pares ordenados que se puedan formar con dichas letras, sin repeticin. (A,B) (A,C) (A,D) (A,E) (B,A) (B,C) (B,D) (B,E) (C,A) (C,B) (C,D) (C,E) (D,A) (D,B) (D,C) (D,E) (E,A) (E,B) (E,C) (E,D) Donde cada letra de la primera componente, indica la persona que ocupa el cargo de Presidente, la segunda indica la persona que ocupa el cargo de Secretario. As (C,B) indica que C resulto elegido Presidente y B Secretario y es sin repeticin, ya que el par (A,A) no esta en la permutacin, pues si estuviera significara que la persona A ocupa el cargo de Presidente y Secretario, lo cual no puede ser. Permutaciones Circulares La permutaciones que ocurren por arregles de objetos formadas (o alrededor de un circulo) un circulo se llama permutaciones circulares. En estas agrupaciones no hay primero ni ltimo elemento, por hallarse todas en una lnea cerrada para determinar el nmero de permutaciones circulares que puedan formarse con los n objetos distintos de un conjunto.

Basta considerar fija la posicin de unocualquiera de ellas, las n-1 restantes podrn cambiar de lugar de (n-1)! Formas diferentes tomando todas las posiciones sobre la circunferencia relativa al primer punto. Si cambiamos (ahora) la posicin de este, las delos dems respecto de el, ser seguro un de las ya consideradas. Por lo tanto el nmero de permutaciones circulares ser. (n 1)! La permutacin circular se denota por Pcn Teorema.- El nmero de permutaciones de n objetos distintos alrededor de un crculo es Pcn= (n 1)! Ejem.: De cuantas formas diferentes pudieron sentarse en la ultima cena, alrededor dela mesa Jesucristo y los 12 Apstoles? Solucin: a) Si la mesa fuera circular, tendremos la permutacin circular. El numero de forma es: Pc13 = (13 1)! =12! = 479, 001, 600 b) Si la mesa no es circular, se tendr una permutacin de las 13 personas. El numero de formas es:
13P13

= 13! 6,227020,800

PERMUTACIONES CON REPETICION Hasta ahora hemos permutado objetos diferentes, (sin embargo) no siempre es el caso. Teorema El numero de permutaciones (distintas) de n objetos de las cuales n1 son una clase, n2 de una segunda clase. nk de una k-esimoclase todos los dems objetos de clase 1), anotado por P n1, n2..nk n! = n n! n2! nk!

Ejem: Un estante de una librera tiene capacidad para 10 libros de Matemticas que tienen pasta verde, 8 de Fsica de pasta roja y 7 de Qumica de pasta azul Cuntas maneras pueden colocarse los libros segn los colores? Solucin Como solo inters los colores entonces n1 = 10, n2 = 8, n3 = 7 Luego el nmero de permutaciones es

)=

= 21,034.600

COMBINACIONES En muchas cosas estaremos interesados en el nmero de formas de seleccionar r objetos de n, sin importar el orden Estas selecciones se llamas combinaciones

DEFINICION.- Un sub conjunto de r elementos, de un conjunto que tiene n elementos diferentes se llaman combinaciones de n elementos tomados r a r El numero de combinaciones de r elementos, que se pueden forma, con los n objetos diferentes de un conjunto, se denota por C r n Este nmero en matemtica tiene un smbolo especial r n C n = (r ) = f

Ejem: Se extrae dos cartas de una baraja de 52 De cuantas maneras se puede hacer esto? Solucin Se necesitan solo sub conjuntos dedos cartas, sin importar el orden Entonces el nmero de forma de seleccionar estas dos cartas es:

C(52,2) =

26 x 51

1326

DISTRIBUCION HIPERGOMETRICA Supongamos una muestra den unidades obtenida de un lote de N unidades, en el cual a unidades son defectuosas. Esta muestra se ha obtenido del lote extrayendo sucesivamente las unidades de tal forma que, despus de cada extradicin, cualquiera delas unidades que permanecen en el lote tiene la misma posibilidad de quedas incluidas en la muestra. Para la distribucin binomial ser valida nicamente si despus de cada extraccin se repone la unidad en el lote, por lo que tendremos que buscar una nueva distribucin de probabilidad, llamada distribucin hipergeometrica. Para resolver (este) problemas de muestreo sin templazamiento, que nos dice que un subconjunto de x objetos se pueden seleccionar de

( )=

Modos diferentes, partiendo de un conjunto de n objetos.

En el problema de encontrar la probabilidad de obtener x unidades defectuosas en una muestra de n, tomadas sin remplazamiento, notemos, en primer lugar, que el espacio muestral de este

experimento tiene N casos posibles, que son las formas en que un n subconjunto de n objetos. Adems las x partes defectuosas se a pueden seleccionar delas a partes defectuosas de x maneras. las n x unidades no defectuosas de la muestra

Como ejemplo de distribucin hipergeomtrica, calcularemos la probabilidad de obtener dos unidades defectuosas en una muestra de tamao diez, tomada sin remplazamiento de un lote de 20 unidades que contiene 5 defectuosas, sustituyendo x =2, n =10, a = 5 y N =20, obtenemos: 15 ( ) (5 ) 2 8

h (2; 10, 5, 20) =

(10)
20

64350 184.765

= 0.348

para simplificar el calculo de probabilidades de este tipo, se pueden usar tablas de coeficientes binomiales o tablas de los logaritmos de los factoriales, que se pueden encontrar en cualquier manual de tablas matemticos. Ntese que, si hubisemos cometido el error de usar una distribucin binomial con n = 10 y p = 5/20 = 0.25 para calcular la probabilidad de encontrar dos unidades defectuosas, el resultado habra sido 0.282, considerablemente menor que la probabilidad encontrada.

Se pueden

seleccionar, a su vez, de las N a unidades no - a (N n - x) a N - a x ( n - x) tiene maneras, el total de la muestra se maneras. Suponiendo que cada lamisma probabilidad de ser

defectuosas del lote, de podr seleccionar de una de las

N muestras n

seleccionada, la probabilidad de obtener x casos favorables en n tentativas sin remplazamiento es a x h(x;n,a,N) =

(N n

- a - x

para x = 0, 1, ., n

(N n)
(Segn teorema). La distribucin de probabilidad definida por esta ecuacin recibe el nombre de distribucin hipergeometica; los parmetros de esta familia de distribuciones son el tamao de la muestra n, el tamao del lote (o tamao de la poblacin), N y el numero a de casos favorables en el lote, que en nuestro ejemplo especial es el numero total de unidades defectuosas del lote (o poblacin)

DISTRIBUCION DE POISSON La distribucin de Poisson es otra distribucin terica de

probabilidades discreta y que tiene muchos usos en la economa y el comercio, en el control de calidad industrial, en las lneas de espera o teora de colas, llamadas telefnicas. El nombre de esta distribucin es en honor el matemtico francs Simen Poisson, quien la describi en 1837 como un lmite de la distribucin binomial cuando hay un

gran numero de pruebas y la probabilidad de xito es muy pequea en cada una de las pruebas. Supuestos de la Distribucin de Poisson.1. Existe un gran numero de pruebas posibles para la verificacin de un suceso dado dentro de cada unidad de medida, y de la probabilidad de una ocurrencia en cualquiera de esas pruebas es muy pequea, adems, la variable aleatoria debe ser un numero entero dentro de la unidad de medida. 2. Independencia, cualquier numero de ocurrencia puede acontecer en una sola unidad de medida, y esto no afecta al numero de ocurrencias en cualquier otra unidad de medida. 3. Estabilidad, constante DISTRIBUCION DE POISSON Funcin de Cuanta o de Probabilidad F(x) = P [
]= e x!

el

valor

de

(promedio)

debe

permanecer

x: 0, 1, 2, 3 .

= np

Funcin de Distribucin o Acumulativa F(x) = P [ x ]= x=0 e -

x!

Por una propiedad de la funcin de Distribucin, tenemos: f (0) = F (0) F (x) = F (x 1) + f (x)

Entonces, la probabilidad de un punto ser f (x) =F (x) F (x 1) Ejemplo: Sea

Tabla =2 ] ]P[ ]

Calcular P [ P[ Donde: P[ P[ Luego: P[ ]=P[

2.0
] = 0.406 ]= 0.135

0.135 0.406 0.677 0.857

] = 0.406 0.135 = 0.271

n = 1 000 p = 0,002 x=3 p(x=x) = e-

x!

= np = 1 000 (0.002) = 2

e-2 = 0.13534 e-2 (2)3 = 0.13534 (8) = 1.08276 = 0.18045


3! 6 6 TABLA P (x=3) = P(x=3) P (x=2) P(x=3) = 0.857 P(x=2) = 0.677 P(x=3) = 0.857 0.677 = 0.18 **

PROBLEMA: Un deposito esta compuesto de 1000 elementos que trabajan independiente uno del otro. La probabilidad de fallo de cualquier elemento durante eltiempo t es igual a 0.002. Hallar la probabilidad elementos. PROBLEMA: La razn de mortalidad para cierta enfermedad es de 7 por 1000 Cual es la probabilidad de que exactamente 5 decesos por esta enfermedad de un grupo de 400? de que durante eltiempo tfallen exactamente 3

P (X=5) = C-2.8 (2.8)5 5! C-2.8

n = 400

P=

7 = 0.007 1000

400 (0,007) = 2.8

= np

Multiplicando

e-2 = 0.135034 e0.8 = 0.449 3

0.060808262

Chequear

(2.8)5 = 172.10368 = 0.060808262 = 10.46532566 120 = 0.087127 = 0.0872 p(x2 x) = e- x x! en la tabla f(x) = F(x) F (x-1) = 0.935 0.848 = 0.087

LA PRUEBA DE LA CHI CUADRADA O JI CUADRADA Esta prueba es utilizada para el anlisis de la relacin entre dos variables categricas, es decir, para aquellas cuyos criterios de agrupacin son eminentemente cualitativos, y se representa por el smbolo X2. Esta prueba se calcula mediante la utilizacin de una tabla de contingencia o tabulacin cruzada, la cual se caracteriza porque consta de dos dimensiones; cada una correspondiente a una variable, las cuales, a su vez pueden tener dos o ms categoras o valores. Las categoras corresponden a las frecuencias observadas de cada variable. De la cantidad de categoras de cada variable pueden resultar matrices de diferente dimensin: 2x2, 3x2, 2x3, etc. La prueba consiste en la comparacin de la tabla de frecuencias realmente observadas con la tabla de frecuencias esperadas, si n hubiese ninguna relacin entre las variables. Se parte de la hiptesis de la ausencia de relacin, de manera que, si sta verdaderamente existe, la diferencia entre ambas tablas debe ser significativa. Ejemplo tabla de contingencia 2x2: Anlisis del hbito de fumar, por sexo, en una poblacin X Variables: Sexo y Hbito Objetivo: Determinar la relacin entre el sexo y el hbito de fumar. TABLA DE FRECUENCIAS REALMENTE OBSERVADAS SEXO/HABITO Masculino Femenino TOTAL FUMA 1 520 723 2 243 NO FUMA 8 744 9 584 28 328 TOTAL 10 264 10 307 20 571

Los valores de cada celda de la tabla de frecuencias esperadas se calcula mediante la siguiente formula, tomando los datos de la tabla de frecuencias observadas: fe = (Total frecuencias de la fila) * (Total frecuencias de la columna) Total Genera de frecuencias Aplicando la frmula para cada celda resultara: Fe11 =2243*10264 = 1119,2 20571 Fe12 = 18328*10264 = 9144,8 20571 Fe21 = 2243*10307 = 1123,8 20571 Fe22 = 18328*10307 = 9183,2 20571 De aqu resulta la tabla de frecuencias esperadas: TABLA DE FRECUENCIAS ESPERADAS. SEXO/HABITO M F TOTAL FUMA 1119,2 1123,8 2243,0 NO FUMA 9144,8 9183,2 18328,0 TOTAL 20,264 10,307 20,571

Por ultimo, la Chi Cuadrada(X2) se calcula mediante la siguiente formula: X2

En la que: fo = frecuencia observada en cada celda

fe = frecuencia esperada en cada celda Es decir, para cada celda se calcula la diferencia entre las frecuencias observadas y esperadas, se eleva al cuadrado y se divide entre las frecuencias esperadas. La suma de todas las celdas es la C2. Para el clculo podemos apoyarnos en una tabla tal como se presenta a continuacin. CELDA fo 1520 8744 723 9584 TOTAL fe 1119,2 9144,8 1123,8 9183,2 fo fe 400,8 -400,8 -400,8 400,8 (fo fe)2 160676,1 160676,1 160676,1 160676,1 143,6 17,6 143,0 17,5 921,6

Tal como se puede apreciaren la tabla, el valor de X2 es de321,6 Para interpretar el resultado obtenido debemos utilizar el concepto de grados de libertad (G), el cual se calcula mediante la siguiente formula: G = (r-1) (c-1) En la que: R = numero de filas C = numero de columnas Por lo que: G= (2-1) (2-1) = 1

Luego de realizados los clculos, debemos comparar en la tabla de distribucin de la X2, eligiendo el nivel de confianza 0.05 0.01, el valor correspondiente a los grados de libertad obtenidos. Si el valor calculado es igual o mayor al de la tabla, esto quiere decir que las variables estn relacionadas. En nuestro caso, el valor correspondiente a un nivel de confianza de 0,05 para 1 grado de libertad es de 3.841, como el valor calculado es de 321,6, esto quiere decir que las variables tienen una relacin significativa.

REGRESION LINEAL SIMPLE REGRESION LINEAL SIMPLE Al comenzar a estudiarlas tcnicas de correlacin afirmamos que estudiaramos dos variables y no solamente una. Llamamos en esa ocasin X auna de las variables y Y a la otra. En el tema que nos ocuparemos ahora, estudiaremos la forma de predecir valores de Y conociendo primero los valores de X. Es as que viendo la tabla similar a la que utilizamos cuando estudiamos correlacin, conociendo elpuntaje en la prueba de habilidad mental (Variable X) para alumno deadmisin (Variable Y) delmismo alumno. Consideremos la relacin lineal expresada por el Cuadro. Si un determinado, podemos anticipar elpuntaje del examen

dibujamos esa relacin, obtenemos el grafico. Como podemos observar todos los puntos se alinean exactamente en una sola lnea recta, la que recibe el nombre de lnea de regresin. Teniendo en cuenta esta lnea, podemos predecir cualquiera delos valores de Y conociendo el valor de X. para X = 25, segn la recta,

correspondiente Y = 35, para X 0 20 corresponde Y = 30, Etc. En este caso se trata de una correlacin positiva perfecta cuyo coeficiente de correlacin es +1 Prueba de Habilidad Mental X Susana Ivn Lourdes Aldo Juan Mara Cesar Olga 5 10 15 20 25 30 35 40 Examen de Admisin Y 15 20 25 30 35 40 45 50

Recordemos ahora el Grafico que dibujamos cuando estudiamos correlacin, en este grafico observamos el diagrama de dispersin aproximado por una lnea recta, la recta que mejor se ajuste a los puntos del diagrama de dispersin, es decir, en la mejor medida procure dejar igual numero de puntos del diagrama de dispersin por encima de ella que igual numero de puntos debajo, se llama lnea de regresin. ECUACION DE LA REGRESION RECTILINEA La ecuacin que describe la lnea de regresin es: Yr = Y + r En donde: Sy X r SxSx SyX r Sx SyX

4.2.1

Y = media de la variable Y en la muestra.

50 45 40 35 30 25 20 15 10 5 X 5 10 15 20 25 30 35 40

_ X = media de la variable X en la muestra X = un valor de la variable X r = coeficiente de Pearson, de la correlacin lineal entre las variables XyY Sy = desviacin estndar de Y en la muestra Sx = desviacin estndar de X en la muestra Yr = valor Y resultante del calculo de la formula. Veamos cmo podemos predecir los valores de Y a partir de los valores de X. Estudiamos el Cuadro N 4.2.1. Como el grfico de este cuadro es una lnea recta ascendente sabemos que su coeficiente de correlacin de Pearson r = +1. Adems tenemos los siguientes resultados: _ X = 22.5, Sx = 11.46, _ Y = 32.5 Sy = 11.46

Estos resultados se pueden calcular a partir de los datos del cuadro N 4.2.1. Apliquemos estos datos a la formula N 4.2.1., obtenemos la siguiente expresin: 11.46 X (1) 11.46 11.46 11.46 Simplificando trminos obtenemos: YR = 32.5 + (1) YR = 32.5 + x 22.5 YR = 10 + x (b)
22.5 (a)

escojamos cualquier valor de X del Cuadro N 4.2.1., por ejemplo por Mara X = 30, reemplazamos este valor en (b) YR = 10 + 30 = 40 Vemos en el Cuadro N (c)

4.2.1. El valor que corresponde a Mara

efectivamente es 40. Es decir, podemos usar la ecuacin N 4.2.1 para predecir los valores de Y conociendo los valores de X. Esta formula de regresion se puede aplicar para dos variables X y Y, entre las cuales no es obligatorio que exista una correlacin lineal perfecta, es decir, no es obligatorio que el r para la correlacin entre X y Y se a siempre igual a 1. Este valor de r para otras aplicaciones de la regresin, puede tomar cualquier valor distinto de 1. Ejercicios Resueltos de Regresin Lineal Simple Al aplicar un test de inteligencia a una muestra representativa constituida por 800 alumnos, se obtuvo la puntuacin media de 30.4 puntos, con la desviacin estndar de 12.6 puntos.

La edad media de la muestra fue de 14.5 aos, con la desviacin estndar de 3.2 aos. El coeficiente de correlacin lineal de Pearson entre la variable Y, edad delos sujetos estudiados y la variable X, rendimiento mental de los mismos sujetos, fue de r = 0.89. Con estos datos se pide determinar la ecuacin de regresin rectilnea de la edad en base del puntaje del rendimiento mental. Qu edad corresponde a los sujetos que alcanzan puntuaciones de: X1 = 18 puntos X2 = 25 puntos X3 = 45 puntos Datos: _ Y = 14.5 _ X = 30.4 SY = 3.2 SX = 12.6 r = 0.89 X4 = 50 puntos X5 = 60 puntos X6 = 80 puntos?

Aplicando estos datos en la formula N 4.2.1 se tiene: YR = 14.5 + 0.89 3.2 12.6 3.2 30.4 12.6

X 0.89

YR = 14.5 + 0.226X 6.87 YR = 7.63 + 0.226X. Es la ecuacin de regresin buscada Respuesta de la 1ra pregunta X1 = 18 YR = 7.63 + 0.226(18) = 7.63 + 4.07 YR = 11.7 aos

Segunda pregunta X2 = 25 YR = 7.63 + 0.226(25) = 7.63 + 5.65 YR = 13.28 aos Tercera pregunta X3 = 45 YR = 7.63 + 0.226(45) = 7.63 + 10.17 YR = 17.8 aos Cuarta pregunta X4 = 50 YR = 7.63 + 0.226(50) = 7.63 + 11.3 YR = 18.93 aos Quinta pregunta X5 = 60 YR = 7.63 + 0.226(60) = 7.63 + 13.56 YR = 21.19 aos Sexta pregunta X6 = 80 YR = 7.63 + 0.226(80) = 7.63 + 18.08 YR = 25.71 aos Pruebas Estadsticas I II III Chi Cuadrado T de studet r de Pearson X2

Chi Cuadrado Def.

Que podemos probar con el X2 a) Independiente b) Bondad de ajuste c) Estimar a partir de S S = universo S = muestra

Las hiptesis se pueden probar por Chi Cuadrado T de studet y r de Pearson. a) Independencia: Def. Si tenemos 2 variables sexo femenino y masculina si existe independencia de una variable a otra Independencia n es rechazar la hiptesis de unidad. En que consiste la independencia.
2

Fo = Frecuencia observada Fe = Frecuencia esperada

Ejemplo: Se administra un sociograma a estudiantes de diversas edades. El examinador encuentra que los estudiantes mas frecuentemente elegido, como es el que elegira como amigo son de ms edad Si se dividen los estudiantes por la medida de la edad obtendremos los siguientes resultados. ESTUDIANTES MENOR EDAD 9 ELEGIDOS MAYOR EDAD 20 29 TOTAL

Se puede decir para un nivel de significacin del 5% que los estudiantes de ms edad elegidos constituyen una mayora? ESTUDIANTES MENOR EDAD 9 (14.50) ELEGIDOS MAYOR EDAD 20 (14.50) TOTAL K _ X = 14.5

Hay que ver filas y columnas Fila = h C O L U M N A S K 1) Ho = Hiptesis de nulidad Fo 9 20 Fe (Fo Fe)2 Fe h=1 14.50 14.50

k=2

La eleccin es independiente dela edad cada uno ha elegido sin tener en cuenta la edad. 2) H1 = Hiptesis Alternativa Las de mas edad hay son una mayora. Las de mas edad son mayora han elegido las de mayor edad 3) Nivel de significacin ( 4) La Prueba 2=
2

) = 0.05

Fo Fe 9 20

(Fo Fe)2 Fe 14.50 14.50 (9 = 14.50)2= 2.09 14.50 (20 = 14.50)2= 2.09 14.50

X2 = 4.18 5) Toma de Decisin Para la toma de decisin hay que tener en cuenta la tabla del X2. V X2 0.995 X2 0.95 3.84 m = parmetro X y DE

V = Grado de Libertad hay un parmetro solo la X hxkm V=1X2=1=1 Grado de libertad = 1 el X2 0.95 = 3.84

Para toma de decisin hay que tomar el valor crtico 3.84 = es el valor critico Toma de decisin

Como X2 0.95 es igual a 3.84 y X2 = 4.18 Entonces 3.84 < 4.18

Esta en la zona de rechazo

No es independiente rechazamos X

-3.84 Rechazo

3.84

4.18

Aceptacin

Rechazo

Ejemplo: Como resultado de una eleccin se han obtenido los siguientes datos: CLASES SOCIALES IDEOLOGA h IZQUIERDA CENTRO DERECHA C. Popular 126 71 19 C. Media 61 93 14 C. Alta 38 69 27 k

Puede decirse que existe asociacin entre ideologa y clase sociales a un nivel de significacin de 1%

h=3 k=3

V = (h=1) (k=1) m

Elaboramos otro cuadro Resultados de nuestras observaciones Resultados experimentales CLASES SOCIALES C. POPULAR IZQUIERDA CENTRO DERECHA TOTAL C. POPULAR 126 (93.82) 71 (97.16) 19 (25.02) 216 C. MEDIA 61 (72.97) 93 (75.57) 14 (19.46) 168 C. MEDIA C. ALTA 38 (58.20) 69 (60.27) 27 (15.52) 134 518 60 233

TOTAL 225

216 x 225 = 93.82 168 x 225 = 72.97 518 518 216 x 233 = 97.16 518 216 x 60 = 25.02 518 CLASE ALTA 134 x 225= 58.20 518 134 x 233 = 60.27 134 x 60 518 = 15.52 168 x 233 = 75.57 518 168 x 60 518 = 19.46

518 Las frecuencias esperadas ( ) las que estn en el parntesis

1) Ho = Las ideologas son independientes de las clases sociales 2) H1 = Las ideologas estn ntimamente vinculadas a las clases sociales 3) Nivel de significacin 4) La prueba2 =
2

0.01,

99% de certeza

5) Toma de decisin ( si son independiente o no son independientes) PRUEBA Fo 126 71 19 61 93 14 38 69 27 Fe 93.82 97.16 25.02 72.97 75.57 19.46 58.20 60.27 15.52 (Fo Fe)2 Fe 11.04 7.04 1.45 1.96 4.12 1.53 7.01 1.26 8.49 2 = 43.80

Toma de decisin Como V = (h-1) (k-1) m (2) (2) 0 = 4 no hemos empleado un parmetro (X o DE) 1) Grado de libertad = 4 2)
2

= 43.80 y

0.99 = 13.30 (se busca en la tabla)

Zona de Rechazo

= 13.30

= 43.80