\ —_—— ‘ Oa eee PROBABILIDAD| | yi | | ESPADISTICA\| | PARA INGENIEROS SEXTA EDICION \ We ‘ \/ WALPOLE 8 mee . MYE RS ao weRonald E. Walpole Probabilidad y estadistica para ingenieros SEXTA EDICION TRADUCCION: Ricardo Cruz Traductor Profesional REVISION TECNICA: Juan Antonio Torre Marine Ingeniero Mecanico Electricista Universidad Ananuac $64» Chile + Beuador Rofco » Uruguay *Venezeels‘Tilo, edico Potbiidad yestasice paca Ingeies, 6, e PRENTICE-HALL HISPANOAMERICANA, S.A Mca 199 Fort: 19 we 182 ELICION BX ESPANOL 10K: PABLO EDUARDO ROIG VAZQUEZ, SUPERVISOR DF TRADUCCION, JONGE BONILLA TALAVERA SUPERVISCR DF EDICION OSCAR AVALOS SALCEDO. EDICION E INGLES: Esher dirsctor, Tim Bie Edtorin chet. Jevome Grawt Eada asostnt, Mindy MeCtard Exccuive mano eso, Ktfen Schigparell ng elon, Lind Dbanoy Bete Nichola Remarc wishin VP preition monotactring, David W. Rison ‘asaser, rads Paci Cover designer, layne Conte Marketing manages. Meily Mares Marketing ssisiant, Jenifer Pa Compasitor, Prepare Ine/Emileomp srl WALPOLE: PROBABILIDAD ¥ ESTADISTICA PARE INGENIEROS, be ‘radveido de a sexta etctn en mls eI obras Prababilty an Statises For Eagnces and Scents. Alright reserved. Autonet taste fo Engh ngage eiton piste 9 Pence Hl. In. Anon Smtr compan Teo os ders sean. Tadcoin stra cin cn ins public poe Pentel Ts. ‘Sion & Ser Comp, Allright reserved. No pa of his bok may be reoved oe taniitedin any fom aby ay es Stet meta nclan poucopyng. ego emt se an ee System wthnt pertodon in ing rr he poe Prd cpl tl opal et, prcugelernaivo mds an pe isd edo Deectoswsratin © 199 rpc primeacin en pt PRENTICE-WAII nISeANOANIERICANA Sh Alliccmclco Nim 501 Piso Colts Ao S059, Naueapan de jure, Edo, de Mesicn ISHN mm 72446 lms ina na de eta ita Ni 152 fil Ehah Langage aon Past by rene a, Me ‘Sinn & Sater Company Capyraht ©1958 (PRINTED INMEXICO ,Contenido Prefacio ix 1 Introduccion a la estadistica y al andlisis de datos 1 Repaso 1 El papel de la probabilidad 2 Medidas de posicion: media de una muestra 4 Medidas de variabilidad 5 Datos discretos y continuos 6 Modelado estadistico, inspeccion cientifica y diagnosticos graficos 7 Boeene 2 Probabilidad 9 24 Espacio muestral 10 2.2 Eventos 13 2.2 Conteo de puntos de la muestra 19 24 Probabilidad de un evento 27 2.5 Reglas aditivas 30 26 Probabilidad condicional 35 2.7 Rieglas multiplicativas 38 28 Reglade Bayes 44 Ejercicios de repaso 49iv Contnito 3 Variables aleatorias y distribuciones de probabilidad 51 aa a2 23 a4 a5 Concopto de variable aleatoria 51 Distribuciones discietas de probabilidad 53 Distribuciones cortinuas dk -ontinvas de propabilidad 58 Distibuciones empiricas 63 Distribuciones de probabiidad conjunta 69 Ejorcicios de repaso 62 4 Esperanza matematica 94 aa 42 43 aa Madia de una variable algatorio. 84 Varianzay covarianza $2 Madias y varianzas de combinaciones lineales de variables aleatorias 101 Teorama de Chebyshev 108 Ejercicios de repaso 112 5 Algunas distribuciones de probabilidad discreta_ 114 Introduccién 114 Distribucisn uniforme diserata 114 Distribucionas binomial y multinomial 116 Distribucisn hipergeometriea 125 Distribucionas binomial negativa y geométrica 132 Distribucisn de Poisson y proceso de Peiston 135 Ejercicios de repaco 141 6 Algunas distribuciones continuas de probabilidad 143 61 62 ribucién de probabilidad continue 143 rabueidn normal 145 os bajo fa curva normal 148 ‘Aplicaciones de Ia distibucién normal 163 ‘Aproximacien normal ala binomial 16) sibucionos gamma y exponencial 166 ‘Aplicaciones de las distribuciones exponencial y gamma 170 Distribueién ji cuadrada 172 Distribucién logaritmica normal 173 Distribucién de Weibull 174 Ejercicios de repaso 178 7 Funciones de variables aleatorias 180 ma 72 13 Iniroduccién 18 Transformaciones de variables 180 ‘Momentos y funciones goneradoras de mamentos 189Contenido ov 8 Distribuciones fundamentales de muestreo y descripciones de datos 198 82 Agunos sess portato: 201 3.3 Presentaconas de datos y melosos grdfecs 84 — Distribuciones muestrales 215 = ae 85 Disweicines uestts de modiss 217 84 Ditton mucsta de ae 87 Disrmucten 238 88 Discten 252 Bjtclos de reaso 237 9 Problemas de estimacion de una y dos muestras 238 9.1 Introduccién 238 9.2 Inferencia asiadistics 238 9.3 Métodos clasicos de estimacion 239 9.4 Una sola muestra: estimacien dela madia 249 95 Error esténder de una estimacisn puntuel 240 8.6 Limites de tolerancia 249 9.7 Dot musetras: estimacién de Ia diferencia entre dos medies 253 9.8 Obsoraciones pareades 259 9.8 Una sola muestra: estimacién de una proporcién 268 9.10 Dos muestras: estimacion de la diferencia entre dos proporciones 268 9.11 Una sola muestra: estimation de la varianza. 271 3.12 Dos muestras: estimacion de la razon de dos varianzes 273, 9.13 Metodos bayesianos de estimacion. 275 9.14 Estimacion de prooabilided maxima 282 Ejercicios de repaso 237 10 Pruebas de hipotesis de una y dos muestras 290 10:1 Hipdtesis estadisticas: conceptos generales 290 102 Prusba de una hipotesis estadistica 292 103 Prusbas de una y dos coles 300 104 Uso de valores Para la toma de decisiones 302 105 Una sola muestra: pruebas con respecto a une sola media (varianza eonocida) 306 108 Relacién con la estimacion del intervalo de confianza 309 107 Una sole muestra: pruebas sobre una sola media (varianza desconocida) 310 108 Dos muestras: pruebas sobre dos medias 313 109. Eleccién del tamafo de la muestra para probar medias 318 10.10 Métodos araficos para comparar medias 323 10.11 Una muestra: prueba sobre una sola proporcién 330, 10.12 Dos muestras: pruebas sobre dos proporciones 333, 10.13 Pruebas reterentes a varianzas de una y dos muestras 336Vi Conenian 1014 1018, 1016 1017 1018 Prueba de la bondad de aiuste 240 Prueba de independencia (datos catagbricos) 944 Prueba de homogensidad 347 Prueba para varias proporciones 348 Estudio de dos muestras 360 Ejetcicios de repaso 355 11 Regresion lineal simple y correlacién 359 ma mz 13 m4 15 16 1) na 19 11.90 re Introduccién s la regresién lineal 358 Regresion lincal simple 361 Propiedados do los estimadores de minimos cuadredos 365 Inferencias acorca de los coelicientes de regresion 367 Prociccion 371 Elecsién de un modelo de regresion 377 Procedimionto del analisis de verianza 377 Prueba pora ta lineelidad de la regresion: datos con. observaciones repetidas 378 Graficas y transformaciones de datos 387 Estudio de regiesion lineal simple 391 Correlacion 994 Ejercicios de repase 400 12 Regresion lineal multiple 405 124 122 123 124 125 126 127 128 129 12:10 13 Experimentos de 131 132 133 134 Introduccién 405 Estimacion de los cosfcientos 406 Modelo de rearesién lineal con ol uso de matrices 410 Propiedades de los estimadores do minimos cuadiados 418 Inferencias en la regrosién lineal multiple 420 Eleccién de un modelo de ajuste a través de la prueba do hipotesis 427 Caso aspecia de ortogonalidad 491 Méiodos secvenciales para la celeccion del modelo 435 Estudio de residuce y violacién de suposiciones 441 Validacién cruzads, C,, otros crterios para la Seleccon del modelo 445 Fjercicios de wopaco 456 un factor: general 461 Tecnica del andlisis de varianza 461 La estrategia del diseno experimental 463 Analisis de varianza unilateral: disefio completamente alpatonizado 463, Pruebes dela igualdad de vatias variancas 470Contenido 13.5 Comparaciones de un solo grado de libertad 475 136 Comparaciones miiltiples 475 13.7 Comparacion de tratamientos con un control 483 138 Comparacién de un conjunto de t 08 en bl nto de tratamiontos en bloques 483 139 Diseno de bloques completos aloatorizados 469 13.10 Métodos gréficos y diagnéetices posteriores 498 13.11 Cuadrados latinos 499, 13.12 Modelos de ofectos alestorics 506 13.12 Enfoque de regresion para el andlisis de vrianza 611 13.14 Potoncia de las pruebas de analisis de varianea 612 18.15 Estudio de caso 519 Ejercicios de repaso 523 14 Experimentos factoriales 527 14.1 Introduccion 527 142 _Interaccion y el experimento de dos factores 529 14.3 Anélisis de varianza de dos factores 530 14.4 Andlisis grafico en el problema de dos factores 537 145. Experimentos de tres factores 540 186 Modelos muttifactoriales especificos 548 14.7 Exporimantos factoriales modelo Il y Ill 543 14.8 Eleccidn del tamaio de la muesira 552 Ejercicios de repaso 555 15 Experimentos factoriales y fracciones 559 15.1 Introduccién 559 15.2. Anélisis de varianza 560 15.3 Experimento 2* factorial sin replicas 554 15.4 Estudio de caso 565 18.5 Experimentos faotoriales en bioques incompletos 571 15.6 Confusion parcial 577 15.7 Experimentos factoriales en un ajuste de rearesion 579 15.8 Estudio de caso: exparimento de purificacion de carbén 583 15.9 Experiments factoriales fraccionados 588 15.10 Analisis de experimentos factoriales fraccionados 501 415.11. Disonos do fraccionos euporioros y depurados 595 16.12 Construcsién de disenos de resolucién Il y IV con 8, 18 y 32 puntos de diseio 596 15.13. Otros disenos de resolucidn Ill de dos niveles; disenios de Plackett-Burman 587 18.14 Diseno robusto de parametros de Taguchi 598 Ejercicios de repaso 607Contenido 16 Estadistica no paramétrica 609 16.1 16.2 16.3 16.4 165 166 167 168 Pruebas no paramétricas 609 Prueba de signo 510 Prueba de rango con signo 614 Prueba de la suma de rangos 620 Prueba de Kruskal Wallis 623 Pruebas de corridas 625 Limites de tolerancia 629 Coeficiente de correlacién de rango 630 Ejercicios de repaso 634 17 Control estadistico de calidad 635 74 17.2 173 74 175 17.6 Bibliogratia 667 Introduccién 635 Naturaleza de los limites de control 637 Propésitos de la grafica de control 637 Graficas de control para variables 638 Graficas de control para atributos 653 Graficas de control de cusum 660 Ejercicios de repaso 664 Apéndice: Tablas estadisticas 671 Respuesta a ejercicios con numero impar 723 indice 737Prefacio La sexta edicién de Probabilidad y estadistica para ingenieros destaca la teorfa esta- distica y pone un énfasis apropiado en el andlisis de datos, el eélculo estadistico y la mejora de la calidad. Nuestro objetivo es presentar al estudiante los elementos de la probabilidad y las distribuciones de probabilidad, la inferencia estadistica, la re- gresi6n y correlacién lineal, el andlisis de varianza. el disefio de experimentos y el control estadistico de la calidad. Este equilibrio entre la teoria y la metodologia ha encontrado histdricamente aceptacién por parte de los revisores y los usuarios del texto. La quinta edicion destacé la introduccidn de impresos de software para real- zar los ejemplos ¢ introdujo también los métodos graficos en el anilisis de datos. ‘Ambos temas se refuerzan en la sexta edicién, con impresos adicionales incluidos enel texto y también junto con casos de estudio dentro de los ejercicios. Oura ven taja de este texto es la abundancia de ejercicios de la “vida real” que incluyen con- juntos de datos de estudios reales realizados por ingenieros y cientificos. Se amplian los ejercicivs, en particular para las areas de pruebas de dos muestras y estimaci6n del intervalo de confianza, andlisis de varianza de uno y dos factores, y anilisis de regresion. A peticion popular, se proporcionan las respuestas para los ejercicios im- pares Un prerrequisito para el uso de este texto es un curso de calculo diferencial integral, con detivacién parcial e integracién multiple. Siel instructor intenta hacer un tratamiento completo de la regresion lineal multiple, seria util un curso de alge- bra lineal y matrices.x Pretecio importantes en la sexta edici6 1. El primer capitulo ho sido ampliade para proporcionar al lector wna introduc. cid sélida de las nociones de posicion y variabilidad. Se han agregndo Gjerei- clos este capitulo, 2. En casi todos los capitulos aparecen nuevos ejercicios de bi puesto énfasis en los ejercicios de repaso, ida real”. Se ha 3 Se introducen distribuciones uniformes continuas y logarftmica normal, sein fumica normal cluyen aplicaciones y ejercicios con el uso de la distribucion log 4. Se hace énfasis apropiado en el uso de la distribuci6n ¢ para adaptar pruchas y laestimacidn que incluye dos medias con varianza no homogen Se omite la seccidn yobre tearfa de la decisiin y se hace mas Enfasis en la est ‘maci6n de la probabilidad maxima. Se utilizan mas ejemplos y ejercicios para reforzar ef material det (esto sobre probabilidad maxima, 6. Se abarea ea forma mas completa el uso del ‘lgehra matricial en el andlisis de la parte de vari iple. se complementa con Ia inclusion de EL capitulo sobre experimenios factorial modelos mezclados, 8. En los capitulos de rey de “casos de estudio” y se incluyen muesiras de impresos de computadora. lente sitio ftp: ccom/pubiesm/statistis.027/walpole/probability_ statistics resin maltiple y andlisis de varianza apareven ejercicios 9. Los archivos de datos para este libro se pueden descargar del Atpsivav.w.prenh Este texto esti disefiado para un eurso de uno o de dos semestres. Un curso de tun semestre que contenga el tratamiento de probabilidad c inferencia estadistica se adapta con el material de los eapitulos 1 al 16, Sin embargo, existe mucha flexi dad para el uso de estos capitulos. Despus de la nueva introduccion, los capitulos 2, 3 4 cubren la probabilidad basica y las variables aleatorias. Los capitulos 5 y 6 tratan las distribuciones especificas, sus aplicaciones y las relaciones entre distribu: ciones. El capitulo 5 trata las distribuciones disoretas. incluida la binomial y la hic pergeométrica multinomial, binomial negativa, geométrica, uniforme y de Poisson El capitulo 6 explica la normal (incluye la apreximacién normal la binomial), gam- _ma, logaritmica normal, exponencial, ji cuadrada y otras distribuciones tiles. Es po- sible que, para un curso mas te6rieo, el instructor pueda elegit no utlizar la {otalidad del material en estos des capftules. Por otro lado, un curso para ingenie- ros ciestamente se beneliciaria de la discusion de las reas de aplicacion de estas im- portantes distribuciones y del uso de les ejerccios. lo 7 es un capitulo corte titulado Funciones de variabies aleatorias y es el tema mais matemitica de! ibro. Se incluye el uso de funciones generadoras de momento y técnicas para calcula Ia dis- tribucién de funciones de variables aleatorias. El instructor que esté mas inelinado ‘ enfatizar la estadistica matemstica puede preferir incluilo, El capitulo & contiene tres importantes temas relacionados: muestrev alealorio, ddescripcidn de datos y distribuciones de muestreo fundamentates. Como se meng 16 al principio, se pone considerable atenciGn al éespliegue de datos y @ las grt ‘cas. Ademas, se colocan las bases para el uso de percentiles y la graficacion de IaPretacio x probubilidad normal en aplicaciones que aparecen en los caphiulos siguientes. Se is- cute Ia dstribueibn de X y S, y se proporciona la motivacion para si uso en los dos capitulos siguientes. este respecto, se introducen ls distribuciones ty F. asf como la motivacion para su uso en la estimacién del intervalo la prueba de hipstests. Los capitutos 9 y 10 contienen material sobre la estimacién de una y dos mus tras y la prueba de hipdtesis, respectivamente. Se incluyen nuevos ejereicios y ejem plos, ¥ Se introduce al estudianie 4 conjuntos de datos de “la vida real”, Las iustraciones incluyen el uso de comporaciones gréficas asi eomo Ia inferencia for mal —impresos de computadora comentados forman parte dela ilistracion, El ca pitulo 9 inclaye tambicn material sobre probabilidad masima yestimacion de Bayes Las pruebas tesricas normiates que ineluyen ls distribuciones 1, Fy y'se dan en el capitulo 10, como pruebas que implican el uso de datos categoricos, Los eapitulos Ly 12se ocupan de la rezresidn lineal simple y la regresidn mltiple. espectiva mente, Como en el pasado, se incluyen ls critetios de selecsicn de! modelo de un solo numero, procedimientos paso paso. di diseusidn de transform: \stico con grifieas de residuys y une El capitulo 13 es una presentacién del problema de un factor. Se introduce el analisis de vatiana para prueba de medias. Se incluyen los blogues, cuadrados lati anos y el modelo de efectos ateatorios, Un extenso estudio de caso iustra fa unin de graticas estadisticas la inferencia formal. Elcapitulo [4 contiene e| experimen: to factorial general, con grificas e impresos de computadora comentados y resala- dos una vez mis. El capitulo 1S contiene el material mensionado con anterioridad sobre experimentos 2 factorialesy fraccionales,ineluidos los bleques y a confusién. Se resaltan los métodos modernosde mejora de la calidad por medio de ejemplos y ‘easosde estudio, y se explican la metodologia de Taguchi asf como modelado Ue va rianza, El capitulo 16 se ocupa de los precedimientos no paramétricos, y el capitu- lo 17 estd dedicado al control estadistico de la calidad. Los capitulos 11 a 17,2 nuestro juieio, proporcionan material suficiente para un segundo semestre. Cada capitulo contiene suficiemte flexibilidad y permite la omi- sin de secciones sin pérdida de comtinuidad ‘Queromos agradecer a los que contribuyeron con la prepara edicién, Agradecemos a Linda Seawell, que mecanografis el manuscrito. De nuevo, muchas gracias al Centro de Consulta Estadistica del Instituto Politécnico de Virgi- nia: fuente de muchos de los conjuntos de datos de la “vida real” que se uiilizan co mo ejemplos y ejercicios. Estamos en deuda con aquellos colegas que revisaron la sexta edici6n y propor cionaron muchas sugerencias titles para esta ediciin, Elles son Melinda McCann, Universidad Estatal de Oklahoma: Bill Beyer. Universidad de Akron; Michael Merscher, Universidad Tecnolégica Lawrence: v Kyuil Kim, Universidad de Ilinois en Chicago. También estamos en devda con el albacea literario del fallecido sir Ronald A. Fisher, F-R.S., Cambridge, y a Oliver & Boyd Ltd., Edimburgo, por su permiso pa- ra reimprimir una tabla de su libro Statistical Methods for Research Workers:al pro- fesor E. 5. Pearson y a los administradores de Biometrika por el permiso para reimprimir de forma condensada las tablas & y 18 de Biometrika Tables for Stati cians, vol |; a Oliver & Boyd L.td., por el permiso para reproducir tablas de su br0 ion de esta sextaPrefacio Design and Analysis of Industrial Experiments de O. L. Davies: a McGraw-Hill Book Company por el permiso para reproducir las tablas A-25d y A-25e de su libro Introduction to Statistical Analysis de W. J. Dixon y R. J. Massey, Jr; a C. Eisenhart, M. W. Hastay y W. A. Wallis por el permiso para reproducir dos tablas de su libro Techniques of Statistical Analysis. También deseamos expresar nuestro aprecio por el permiso para reproducir tablas de los Annals of Mathematical Statistics, del Bu- Metin of the Educational Research at Indiana University, de una publicacién de la American Cyanamid Company, de Biometrics, de Biometrika, vol 38, y de la Jour- nal of the American Statistical Association. RAM. S.L.M.Introduccién a la estadistica y al andlisis de datos 1.1 _Repaso CN a En Ja industria estadounidense se dedica una cantidad extraordinaria de atenciGn al mejoramiento de ta calidad que comenzé en los ocheata y cantina en la presente déeada. Se ha dicho y escrito mucho del “milagro industrial” japonés que comenzs en la segunda mitad del siglo xx, Fueron eapaces de tener éxito donde nuestio pais (E.U,) y otros paises fallaron —a saber, en la creacisn de una atmésfera que permi. te la manufactura de productos de alta calidad. Gran parte del éxito de los japone s2s se atribuye al uso de méodos esadisiicas y al pensamiento estadistico entre | personal gerencial El uso de métodos estadisticos en Is manufactura, ol desarrollo de productos alimenticios, software de computadoras, productos farmacéuticos y muchas ottas ‘reas implica el acopio de informacién o datos eientificos. Por supuesio que o aco piio de datos no es algo nuevo, ya que se ha realizado por mas de mil alos. Les da~ tos se han reeabado, resumido, reportado y almacenado para su examen euidaloso. Sin embargo, hay una diferencia profunde entre teeabar informacion cientifica y la ‘estadistiea inferencal. Es esta ttima la que ha resibido legitima atencion en las ce numero enorme de herra mientas analiicas que permiten al ingeniero o al eientifico comprender mejor los sistemas que generan los datos, Esto refleja la verdadera naturaleza de la ciencia {que Hlamamos estadistica inferencial, pneipalmente el uso de técnicas que nos per- ‘miten ir mas alla de solo reportar datos sino, mis bien, nos permite obtener concli- siones (0 inferencias) sobre el sistema ciemtifico, Los estadisticos hacen uso de leyes fundamentales de probabilidad e inferencia estadistica para sacar conclusiones sobre los sistemas cientificos, La informacién se colecta en forma de muestras, 0 12 captuie + itrodeccisn agrupaciones de observaciones, En el capitulo 2 se introduce el proceso de mues treo y la dscusién continda ao largo de todo el libro, Las muesteas se tetinen « par ‘on agrupaciones de todos losindividuos o elementos individuales de un tipo particular, A veees una poblacion significa un sistema cieniifico, Por ejemplo, un fabricante de tarjetas de computade ra puede desear eliminar defectos. Un proceso de muesiren puede implicar la rece leecién de informacién de 50 tarjetas de computadora probs el proceso, Aqui. la poblacién es todas las tarjetas de computadora prod ln empre ‘na muestra de pacientes y a eada uno se le administra un medicamento especifian vducit la presi6n sanguinea. Se onfogs el interés en la cbtencion de conelusio. en un period espectfic, En un experimento con medi para sobre li poblaciin de los que sufren de hipertensidn. Si se hace una mejora en el proveso de produccidn de las tarjetas de computadora y se reine una segunda muese a de tarjetas. cualesquicra conchisiones que Se obtengan respecto laetectividad del cambio en el proceso x debe extender toda la poblacion de tarjetas de computado- tu ques produzcan bajo el proceso mejorads ‘A menudo, es muy importante el acopio de datos centilicos en forma sistemé- tie, enando fa planeacton ocupa un lugar importante en fe agends. En ocasiones la plaeacion esta, por neeesidad, bastante limitada, Lin ingenicro puede necestar es- {udhar el efecto de las condones del proceso, temperatura, humeded,cantidad de lun ingrediente particular, eteétera, sobre ln produecidn del articulo. Elo ella pue- den mover de mancra sitemstica estos faeores a cualesquiera niveles que se sugie- Fan de acuerdo con cualquier prescripcign o disefo experimental que se desce Sin embargo. un cientifieo sivicultor que est interesado en un estudio de los factores In densidad de la madera en cesta clase de debol no necesariamen un experimento, En este caso puede requctir un estudio observa 1 que los datos e acopian en el eampo pero no ve pueden seleccionar Je sintemano los niveles de los fuetores, Ambos tipos de estudios se presta Ios ne todos de la inferencia estat deri de la planeacin aproy el ultimo, el cientitico esta a smersed de lo que pueda recopilar. Por ejemplo, resulta madecuado sun agrénomo be interesa en estudiar el efecto de a Huvia sobre la produscion de plantas y los di- {os se obifenen durante una sequia. Se debe comprender la importancia del pensamiento estadistico en los admic nistradores ef uso de la inferenciaestadisica por el personal centifie. Losinves- tigadores obtienen macho de los datos cientificos. Los datos proporcionan una ‘comprensidn del fensémeno cientifico. Ls ingenieros de producto y procesosapen= den mis en sus es{uerzos fuera de linea para mejorar el proceso. También logean tuna comprensisn valiosa al reunir dates de producci6n (mionitoreo en linea) con una base regular. Fsto permite la determinacidn de las modificaciones necesatias afi dle mantener el proceso en un nivel deseado decal 1.2 El papel de la probabilidad Fa este libro, los capitulos 26 tratan de Tas nociones fundamentales de la proba idad. Una obtencion esmerada de Ins bases de estos conceptos permite al lector {rar una mejor comprensién de ln inferencia estaditica, Sin algo de forms studiante no puede apreciar ls verdadera interpretacion del a‘Seccion 12 £1 papet de a provabilided 3 de datos mediante los métodos estadisticos modemos. Es completamente natural es- tadiar probabilidad antes de estudiar inferencia estadistiea, Los elementos de proba. bilidad nos permiten cuantficar la fuerza o “eontianza’” en nuestras conclusiones, Ejemplo 1.1 Suponga que un ingeniero se encuentra con datos de un proceso de produccion cn el que’se muestrean 100 articalos y se enewentra que 10 estén detec {twosos. Es de experarse que de ver en cuando habré artieulos defeetuosos. Sin em bargo, se determina que, a largo plazo, Ja empresa sélo puede tolerar 5% de articulos defectuosos en cl proceso. Ahora bien, los elementos de probabilidad per miten al ingeniero determinar qué tan concluyente es la informacion mucstral con respectoa la naturaleza del proceso, Supong, ‘que averiguamos que si el procese es ‘ceptable, es decir, si produce articulos con el 5% defeciuesos, hay una probabil dad de 0.00001 de obtener 10 0 més articulos defectuosos en una muestra sleatoria de 100 articulos del proceso. Esta pequeria probabilidad sugiere que el proceso, en realidad, tiene un potcentaje de artieulos defectuosos en el largo piazo que excede ‘un 5%. En otras palabras, bajo la condicion de un proceso aceptable. la informacion ue se obiuvo casi nunca ocuriria. Claramente, sin embargo, ocurriria con tuna probabilidad mucho masala si la tasa de articulos defectuosos del proveso ex ccediese 5% por un monto significativo. De este ejemplo es evidente que los elementos de probabilidad ayudan en la trade ‘cidn de informacion muestral en algo concluyente o no concluyente acerca del sis tema cientifico, El ejemplo que sigue proporciona una segunda tlustracidn. El valor 0.00001, que jugo un eran papel en nuestra conclusidn, a menudo se denomina Yae lor P. En los capitulos siguientes se trata detenidamente el concepto de valor-P. Ejemplo 1.2 Con frecuencia la naturaleza del estudio cientificn sefilaré el papel {que juegan la prohabilidad y el razonamiento dedctivo en la inferencia estadistica El cjercicio 6 al final de Ia soccidn 9.8 proporciona datos asociados con un estudio aque se lev a cabo on cl Instituto Politéenico y Universidad Estatal de Virginia so bre el desarrollo de una zelacién entre las raicos de les drboles yla cin de un hon: 180. Se transfiicron minerales de los hongos a los érboles y azticares de los érboles ‘al hongo. Se piantaron dos muestras de 10 plantones de roble rojo norten en un in- Vernadero, una que contenta plantones tratados con nitrégeno y una muestra de plantones sin tratamiento. Todas las demas condiciones ambientales se mantuvie- ron constantes. Todos los plantones contenian el hongo Pisolhus ronerorus. En el capitulo 9 se proporcionan mis detalles. Los pesos de los tallos en gramos se tegis- traron al finalizar 140 dias. Los datos son como sigue: Sin mtrogeno Con nltedgeno 032 0.26 053 0.8. 028 00 0 02 0, on 20) 3 on 03 0464 Capito 1 Introsuccion» la ostadiaticay et ends de tetas a % a8 40 $+ 4 +4 + +4 5 o 6 70 75 0 85 90 Figura 1.1 Pesos detos los Ex conveniente graficar los datos comp se muestra en a figura 1. Los valores, presentan Tos datos “con nitrégeno” y los valores » representan los datos “sin ni- Ahora bien, el propésita de este experimento es determinar si el uso de nitrgeno tiene inflenci en el ereeimiento de las raices. Notese que la aparieneia general de los dates pucde sugerir al lector que, en promedio. el uso del nitrdgene 1a el peso delta lo, Cuatro observaciones con nittégeno son considerable ne més grandes que cwalquic parte de las observaciones sin nit del centro de los pare datos. La apariencia del conjunto de dittos pareceria ind que el nitrdgeno es 10 se puede resumir toda ls cevidencia visual aparente mo en el ejemplo anterior, se pue: izar los tundamentos de 1a probabil. Las conclusiones se pueden res mir en una declaracién de probabilidad o valor P. El problema gira alrededor de la “probabilidad de que datos como estos se puedan observar” dado que el nitrogeno 1no ene efecto, en otras palabras, dado que ambas muestras se generaron a partir de la misma poblacién, Suponga que esta probabilidad es pequesia, digamos 0.03, ésta seria con certeza suficiente evidencia de que el uso de! nitrogeno en realidad in ye (aparentemente aumenta) el peso promedio det rallo. a Dimos dos ejemplos donde los elementos de probabilidad proporcionan un re: ssumen que el cientifien 0 el ingeniero puede wsar como evidencia sobre la eval fin car una decisién. El puente entre los dalosy la conclusisn esta, por supuesto, basido en las fandamentos de Ia inferencia estadistica, la teoria de la distribueién y las dis tribuciones de mutestreos que tratan ¢ iustran en los eapitulos 7 @ 11, Es conve niente en este punto prestar atencién alas medidas de posicién y yariabilidad de la muestra, Tanto cl andlisis exploratorio o intuitive de datos como ka inferencia esta distica Formal dependen de estas medidas. 1.3. Medidas de posicion: media de una muestra Las medidas de posicisn 19 conjunto de datos estin disesadas para proporsionat ita alguna medida cuantitativa de dénde esté el centre de fos datos en ne ‘muestra, En el cjomplo 1.2 ciertamente parece como si el centro de la mucstea con la obvia y muy ail es » Suponge xxcediora al de la muestra sin nitrdgeno, Una me Hay otras medidas de tendencia central que se explican con detalle en eapitulos pos {eriores. Una medida importante es la mediana de la muestra. El proposito de It Inediana dela muestra es reflejar lt tendencia central de la muestra de manera Uk‘Secciin 14 Medidas do varabilicad — 5 ‘no est¢influida por fos valores extremos, Dado que las observaciones en una mues- fea son 8) tas 4, soomodidos en orden eresieate de magnitud, a mediana dela F > Spenya sinesimpar, = Syat tunes Simespar, Por ejemplo, supor y 147. La media y i t cae nediana de la muestra son, respectivamente, 39.311 e512 Fs 309, Es evidente que la media esta influida de maner: Ja observacion extrema, 14.7, mientras que “centro” del conju el caso del conjunto de datos de dos muestiay del ejemplo 1.8, las dos medidas de tendoneia central pars las muestias individuales “onsiderable por la presencia de la mediana hace énfasis en el verdadero. ¥ Gin nitrSgeno} 0.40 gramos. O37 +042 ¥ (Gin nitrgeno) ~ amos ¥ (con nitrogeno) = 0.57 grams, 049 + 052 ¥ (con nitrogeno) = (0.505 gramos. 1.4 Medidas de variabilidad La variabilidad dv una muestra juega un papel importante en el andlisis de datos. La variabilidad de un proceso y de un producto es un hecho real en los sistemas cient cos y de ingenieria: el control o reduccidn de la variabilidad de un procesoa menudo esuna fuente de dificultades mayores. La variabilidad en valores de poblacion y da- tos de una muestra es un hecho real. Una variabilidad grande enirelas observaciones de una muestra a menudo puede “limpiar” cualesquiera efectos que elingeniero pue- dda tratar de detectar. Lasmedidas de posicin en una muestra no proporcionan un re~ sumen apropiadode lanaturaleza de un conjunto de datos. Es decir, nel ejemplo 1.2 1no podemos consluir que el uso del nitrégeno realza el crecimiento sin tomar en ‘uchtala variabilidad de la muestra. Por ejemplo, compare losdos conjuntos de datos dc abajo. Cada uno contiene dos mucstras y Is diferencia en las medias es aproxima- “damenie la misma para las dos mucstras: Conjunto de datos A: x xX XX XX UX xXOOxx x0 0000000 Conjunto de datosB: | * KX XK XX XX KX 00000000000 |© Copneio 1 inrocuesion ata esactie yo! andinie de doroo Elconjuto de dato i parece proporsionar un contrate mutho mésclar entre junto de datos A. Sil propdsito de tal experiment es dectat ln difcenel ey las dos poblacions, a tres ov Ive cab en el cao del conjuno de dates Be embargo cnet conjnio de daton A ian vara dent de as dos erea dialed. De hecho, no ey tac ub A como hay muchas medias de endencia ental ode posi hay muchas Imes ispersino variablaa Quiz la mssimple esl range del noceey nu. Nyx Elrango puede ser muy uty xe dicute con ampitaden el capes ‘amas a meni sla devon estndar deta musta, Nuctamente devotees 60.4.0, valores dela musta a deseacin estndar de la mas i= (SG 4 una diferencia enire las dos poble Lacantidad ¢ = (x, ~'/( ~ 1) se lama variamza dela muestra. Debe quedr oal lector que la desviciGnestindarde la muestra ex, de hecho, una medida de \aribilidad. Una variabilidad grande en un conjunto de datos produce valores lativamente grandes de (x - 3)" y por ello una vaianza de la mucsiva grande. La camtidad n 14 menudo se denomina grados de libertad asociados con ka varanza estimada. En este ejemplo simple les gradtos de libertad representan el numero de Piezas de informacion independientes disponibles para caleular la varabilided. Por sjomplo, suponga que deseamos calcuar la varianza de la muestra y la desviaciOn stindar del conjuitio de datos (5,17, 6, 4). El promedio de la muestra es 1 ~ 8 El Ccieulo de la yasianza impli 6 - 8) + 07 ~ 88 + (6 — 8) + 4 ~ 8) = (-3 + EF + ( cay Las cantidades dentro de los paréntesis suman cero. En general, ¥ (1, ~ 3) \Véase el ejercico 4. Entonecs el cileulo de una varianza de la muestra no implica n desviacioney cuadradas independientes de la media t. De hecho, como e!tltimia va lor de x ~ x esta determinado por los primerosn ~ | valores, decimos que estas son n~ | “piezas de informacion” que producen s:, Por ello hay n — 1 grados de liber- tad en lugar de m prados de libertad para calcular una varianza de la muestra, 1.5 Datos discretos y continuos La inferenc sis de-estuios observacionales 0 de ex Perimentos disenados se utiliza en muchas dreas centfiens, Los datos reuios pueden ser diseretos 0 eontinuos, dependiendo del étea de aplieavion. Por elen= plo, un ingeniero quimico se puede inteesar en vn experimento que lo leve 4 Condiciones donite se maximice la produecién. Aqut, por supuesto, la producci6n. puede ser en porcentaje, o gramovlibra, medida en un continuo. Par otro lado, i fexicdlogo que realice un experimento de combinacién de férmocos puede oncSecsién 1.6 Modelado estadistica, inspeccién ciemitca y kaandsticos aréticos 7 tos que son binarios por naturaleza (es decir, el paciente responde 6 no). dlos situaciones distintas la teoria de la probabilidad que nos permite extiaer inferencias estadisticas es completamente diferente, En el eapitulo 3 y pos teriores se obtienen diferencias ciones discrotas y continua. 1.6 Modelado estadistico, inspeccion cientifica y diagnosticos graficos Muy a menudo el resultado final de un analisis estadisti es la estimacién de los pa rametros de un modelo postulads. Esto es por completo natural para loscientificos ylos ingenietos, pues con frecuencia tratan con el modelado. Un modelo estadistica tno es delerminista sino, mis bien, debe involucrar algunos aspectos probabilista, Una forma modelo a menudo fundamentaciGn de las suposisiones que hace e) analisia. En nuestro ejemplo 1.2, el cientifico puede desear extract algtn nivel de distinei6n entre la peblacién “con nitéyeno” y “sin nitsgeno” a traves de la infor macion de la muestra, El andlisis puede requerir cierto mocelo para los datos, por ejemplo, que las dos muestras provengan de distribuciones normales o gausianas, \Véase el capitulo 6 para la discusidn de una disiribucion normal A veces e! modelo postulado puede tener una forma algo més complicada, Con sidere, por ejemplo, un fabricante de testiles que disefa un experimento donde las, imuestras de tela se producen de modo que contengan diferentes porcentajes de al- godén, Considere los datos siguientes: Porcomtaje del agedsn Resistencia a la teuecisn 15 7,7.9,8, 10) 20 1, 20,21,20, 22 2 21,21, 17,19,20 30 8.7.8.9,10 Se fabrican cinco muestras de tela para cada uno de los cuatro porcentajes de algodon. Ahora bien, en este caso tanto el modelo para el experiment como el tipo de andlisis que se utiliza deben tomar en cuenta el objetivo del experimento, y los importantes insumos del cieatifico textil. Algunas graficas simples puede aclarar la distincion entre las muestras, Véase la figura 1.2; las medias de las mues: 25 20) a5 i fie teri 18 2 cy 30 Figura 1.2 Gritica de la esistencia ala traccibny ls porcentaes de algoconCapitule 1 Introduccion a a estacistce yal andlisis de datos {ras y la variabilidad se describen bien en la grafica de datos. Un posible objetivo de este experimento es simplemente la determinaci6n de cusles porcentajes de al. goxton son en verdad distintos de los otros. En otras palabras, como en el caso de Jos datos con nitrégena/sin nitrégeno. para cuales porcentajes de algodén hay distinciones claras entre las poblaciones 0, de manera mis especifiea, entre las me. dias de las poblaciones? En este caso, quizd un modelo razonable e+ que cada muestra viene de una distribucién normal, Aqui el objetivo es muy semejante al gcnolsin nitrgeno, excepto que se involucran mas muestras, El formalism del analisis implica nociones de prueba de hipdtesis que se tratan el capitulo 10, De paso, este lormalismo quiza no es necesario a la luz de la aca de diagndstico, Pero, ;describe el objetivo real del experimento y por con Siguiente el enfoque apropiado del andlisis de datos? Es probable que el cient 0 anticipe la existencia de una resistencia a a tracciin de la media dela poblacién mdvima en el rango de concentracién de algodén en el experimento. Aqui el ané- lisis de los datos debe girar alrededor de un tipo diferente de modelo, uno que Postule un tipo de estruetura que relacione la resistencia a Ja iraceiOn de la media {ela poblacién con ta concentracion de algodon. En otras palabras, un modelo se puede escribir como de los datos con nit thy = Ba + B\C + BC donde 1, .¢s le resistencia a la raccion de la media de la poblacion, que varia con Ja canticad de algodon en el producto C., La implicacién de este modelo es que pa- ra un nivel fijo de algod6n, hay una poblacidn de mediciones de resistencia ala trac cidn y Ia media de la pobiacién es 2... Este tipo de modelo, que se denomina modelo de regresién, se trata en los eapitulos 11 y 12. La forma funcional la clige el cientifico. A veces el anilsis de datos puede sugerir quc se cambie el modelo. En- tonces cl analista de datos “considera” un modelo que se puede alterar después de que se haga algin analisis El uso de un modelo empirico se acompaiia por la teo- ria de estimacion, donde f, 8, y f Se estiman de los datos. dems, se puede usar entonces la inferencia estacistica para determinar lo adecuado del modelo. ‘Aqui se hacen evidentes varios puntos de las dos ilustraciones de datos: 1) el tipo de modelo que se utiliza para desoribir los datos a menudo depende del ob- jetivo del experimento y (2) la estructura del modeto debe aprovecharse del inst ‘mo cientfico no estaditico, La seleccion de un modelo representa tina suposici fundamental sobre la que se basa la inferencia estadistica resultante. Se hard evi dente a Jo largo del libro qué tan importantes pueden ser las grificas. A menu, las graficas pueden ilustrar informacién que permite que los resultados de la inf rencia estadistica formal se comuniquen mejor al cientifico o al ingeniero. A veces, las graficas 0 el anilisis exploratorio de los datos pucde enseiiar al analista algo no reeuperado del andlisis formal. Casi cualquier andlisis formal requiere suposi- nes que se desarrolian a partir del modelo de datos. Las graficas pueden resaltat bien la violacion de suposiciones que de otra forma no se notarian. A lo largo del libro, las gréficas se utilizan de manera extensa para complementar el andlisisfor- mal de datos.Seccidn 1.6 Modelado estadistico, inspeccién cientifica y diagnésticos gréficos =O Ejercicios OO 1. Un fabricante de componentes electrénicos se in- teresa en determinar el tiempo de vida de cierto tipo de baterfa. La que sigue es una muestra, en horas de vida: 123, 116, 122, 110, 175, 126, 125, 111, 118, 117 (a) Encuentre la media y la mediana de la muestra (b) Cual caracteristica en este conjunto de datos es la responsable de la diferencia sustancial entre las dos? 2. Un fabricante de neumaticos quicre determinar el didmetro interior de cierto grado de neumatico. Idealmente el diametro seria 570 mm. Los datos son los siguientes: 572, 572, 573, 568, 569, 575, 565, 570 (a) Encuentre la media y la mediana de la muestra. (b) Encuentre la varianza, desviacion estandar y ran- go de la muestra. (c) Mediante el uso de las estadisticas calculadas en las partes (a) y (b), :puede hacer comentarios sobre la calidad de los neumaticos? 3. Se conduce un estudio de los efectos de fumar sobre los patrones de suefio. La medicién que se ob- serva es el tiempo, en minutos, que toma quedar dor- mido. Se obtienen estos datos: Fumadores: 69.3, 56.0, 22.1, 47.6, 53.2, 48.1, 1, 34.4, 60.2, 43.8, 23.2, 13.8 No fumadores: 28.6, 25.1, 264, 34.9, 29.8, 28.4, 38.5, 30.2, 30.6, 31.8, 41.6, 21.1, 36.0, 37.9, 13.9 (a) Encuentre la media de la muestra para cada grupo. (b) Encuentre la desviacién esténdar de la muestra para cada grupo. (c). Grafique los datos como en el caso de los conjun- tos de datos A y Bde la seccién 1.4. (d) Comente qué clase de impacto parece tener el fu- mar sobre el tiempo que se requiere para quedar dor- mido, 4. Muestre que las n piezas de informacin en > (X, — X)' no son independientes; es decir, mues- a tre que (X,- X)=0. im 5. Dados cinco lanzamientos independientes de una moneda que tienen como resultado cinco caras. Re- sulta que si la moneda es legal, la probabilidad de este resultado es (1)° = 0.03125. ¢Produce esto evi- dencia solida de que la moneda no es legal? Comen- te y utilice el concepto de valor P que se discutié en la seccion 1.2.Probabilidad 2.1 Espacio muestral En el estudio de ln estadisti pretacién de resultados fortuitos que ccurren en un esiudio planeado o investi gacién cientifiea. Por ejemplo, pocemos registrar ol niimero de accidentes que ‘ocurren mensualmente en la interseesidn de Driftwood Lane y Royal Oak Drive, con el deseo de justificar la instalacion de un semaforo; podemws elasiicar los articulos que salen de una lines de montaje como “detect uosos” 0 “no defectuosos": ‘onos podemos interesar en el yolumen de gas que se libera en una reaccin quimica cuando se hace variar la concentracion de un Acido. Porello,clestadistico amenndo trata con datos experimental, conteos © mediciones representativos, 0 quizéicon datos categsricas que se pueden clsificar de acuerdo con algin criteria. Nos referiremos a cualouier registro de informacién, ys sea numérico 0 categérico, como una abservacién, Asi los nsimeros 2,0, 1 y2, que representan al niimero de accidents que ocurrieron en cada mes de enero a abril durante el af pasado en la intersevein de Driftwood Lane y Royal Oak Drive, eonstituyen un Conjunto de observaciones. De forma similar. lis datos eategoricos N, D, Nv NY Ds {que representan los aticulos defectuoses o no defectuosos cuando se inspeccionan Cinco articules, se regstran como obser pspnes. Los estadisticnsutilizan la palabra d&edymento para describir cualquier proces «que genere un conjunto de datos. Un ejemplo simple de experimento estadisicn & lla fal sire de una moneda, En este experimenta slo hay dos resultados Posibles, cara o crux. Otro experimento puede ser el lanzamiento de wn mis y 1k ‘observacién de su velosidad en tiempos especticos. Las opiniones de los vot ratamos bisicamente con la presentacion e inteDefinicion 2.1 ‘$#0010n 21 Espacio muestral 14 ‘con respecto 4 un nuevo impucsto sobre ventas también se pueden considerar como sasiones que osenen poriarepetciondl experiments nieeee Paes es part deloscins ls resultados ependerin el war. pr tno howe ponte dct concer Singin rela mandi wees nb emreee clones obtendra detente meds, que nieanunckmentoce peteeing ee Pprocedimiento experimental. Incluso cuando se lanz: E ism Tepetida, no podem toner re una moneda de forma erteza de que un lanzamiento dado tendré como embargo, conocemos el eonjunto completo de posibildades El conjunto de todos los resultados posibles de un experimento estadk ams espacio muestral se representa con el simbolo $. Cada resultado en un espacio mucstral se lama elemento o miembro del espa. cio muestra o simplemente punto muesteal Sic! espacio muestral iene un numero finito de elementos, podemos fistar los miembros separados por comas y encortar los en paréntesis. De esta forma el espacio mucstral S, de los resultados pesibles ‘cuando se lanza al aire una moneda, se puede escribir S= 1H), donde Hy T corresponden a “earas” y “eruses”, respectivamente, Ejemplo 2.1 Considere ef experimento de lanzar un dado, $i nos interesamios en ‘el miimero que muestra en la cara superior, el espacio muestral seria $, = 11,2,3.4,5, 6} Sinos interesamos s6io on si el ntimero es par 6 impar, el espacio mucsiral es sim plemente Ss = (par. impar|. El ejemplo 2.1 ilustra el hecho de que se puede usar mas de un espacio mues- tral para deseribir los resultados de un experiments, En este caso S, proporciona ims informacisn que S,, Sisabemos cusl elemento en S, tiene lugar, ppdemos decir cuil resultado ocurre en Sno obstante, el conocimiento de lo que pasa en S,no.es de ayuda en la determinacion de cus! elemento en S, geurre, En general, se des ‘utilizar un espacio muestral que dé la mayor informacion acerca de los resultados del experimento. En algunos experiments ¢s Uti istar los elementos del espat form sistematiea mediante un diagrama de arbol o muestial de Ejemplo 2.2 Un experimento consiste en lanzar una moneda y despues lanzarla tuna segunda vez si sale cara, Si sale cruz.en el primer lanzamiento, entonces se lariza tun dado una ver. Para listar los elementos del espacio muestral que proporcione la mayor informacién, construimos el diaprama de érbol de la figura 2.1. Ahora bien, Jas diversas trayectorias a lo largo de las ramas de! drbol dan los distintos puntos de la muestra. Al comenzar con la rama superior izquierda y moyernos a la derecha a12° Capito 2 Provavitised ‘Segundo Punto s ” r wr 1 n a ir) 5 rs 6 6 Figura 2.1 Disgrama de arbol para el ejomplo 22 Jo largo Ge la primera trayectoria, obtenemos el punto muestral HTH, que indica fa posibilidad de que ocurran caras en dos lanzamientos sucesivos de la moneda, ‘Asimismeo, el punto muestral T3 indica la posibilidad de que la moneda muestre una cruz seguida por un 3 en el lanzamiento del dado, Al seguir alo large de todas las trayectorias, vemos que el espacio muestral es (MH, HE,T 1,12, 13,18, 15, TO). ’ Ejemplo 2.3 Suponga que se selecionan tres articulos de forma aleatoria de un proceso de fabricacion. Cada articulo se inspecciona y dlasifica como defectuoso.D, 0 sin defectos, N. Para listar los elementos del espacio muestral que proporcione li mayor informacion, construimos el diagrama de srhol de la figura 2.2. Ahora bien, Jas diversas trayectorias ao largo de las ramas del 4rbol dan los distintos puntos muestrales. Al comenzar con la primera Wayectoria, obtenemos el punto mista DDD, que indica a posibilidad de que los tres atieulosinspeccionados sean defee= tuoses. Conforme continuamos a largo de las dems trayectorias, vemos que et espacio muestial es (DDD, DDN, PND, DNN, NDD, NDN, ND, NNN, Los espacios muestrales con un mimero grande o infinito de puntos muestrales se describen mejor mediante un enunciado o regla. Por ejemplo, silos resultados posibles de un experimento son el conjumto de cindades en ef mundo con una poblacién de mas de un mill6n, nuestro espacio muestral se eseribe ‘ciudad con una poblacién de mis de un mill, Ijresu sue a6 lee “Ss 6l conjunto de, tds ln + ales ue ¥ 64 hn ciudad EE Poblacion de més de un millén La barra vertkal s¢ lee “a qe” De manera mila, i ese cenjanto de tos ls puntos (x,y) sobre In fomtera onto tin effeuiode radio ? con eento en el igen, exeribimos Heo wdlat ty? AND NNN Figura 2.2 Diagrama de drbot para el ejemplo 2.3 mes el espacio muestral mediante el método de la regla olistando los <¢lementos dependera del problema especifico en cuestion, El método de ls regla tene ventajas practicas, en particular para los muchos experimentos donde un is tado se vuelve una tarea tediosa. 2.2 Eventos ee Para cualquier experimento dado podemos estar interesacos en la ocurrencia de Cierios eventos mis que en el resultado cle un elemento especifico en el espacio ‘muestral, Por ejemplo, pocemos estar inieresados en el evento Aen el que el resul tad cuando se lanza un dado sea divisible entre 3. Este ocurtiré si el resultado es tun elemento del subconjunio A ~ (3 6 del espacio muestral 5, del ejemplo 21 ‘Como ilustraci6n adicional, nos podemos interesar en el evento B de que-el niimero de defectuoses sea mayor que 1 en el ejemplo 2.3, Esto ocurrird sil resultado es un ‘elemento del subconjunto B= |DDN, DND. NDP, DDD} del espacio muestral 8. Para cada evento asignamos una coleccidn de puntos muestrales, que consti- tuye un subconjunto del espacio muestral. Fse subconjunto representa la totalidad de los elementos para tos que el evento es cierto,14 capituio2 Probatiicad Delniclén 22: |[Uieveniaeeimmyaninm do mieeIao muna Definicién 2.3 Elemplo 2.4 Dao el espacio muestral § = [1|1= 0}. donde es ta vide en aos de cierto componente eleetrsnico. entone antes de que finalice el quinto an Es coneebible que tn ev espacio muestral S. 0 un subconjunto de S que se denomina conjunte vac se denota mediante el simbato , que no contiene elemento alguno. Por ejemplo, hacemos qt en un expe ento 4 de que el componente falle ilo = 5} fo pueda Ser un subconjunto que incluya todo el esl subconjunto A ¢ Ase el evento de detcetar un organismo microscopico a simple vista imento biokjgico, entonces A ~ B. Tambien. s B = |x| es un factor par de 7) center "es B debe ser el conjunto vacto, ptes 1s Unicos facteres posibles de 7 son los snimeros nones 1 y 7 Considere un experimento donde se regisiran los habites de fumar de los empleacos de una empresa industrial, Un posible espacio muestral podsia clasificas un individuo como no {umador, fumador ligero, fumador moderado o fumador empedernido. Sea el subconjunto de los fumadores un evento. Entonces la totalidad de los no fumadores corresponde a un evento diferente, también subconjuata de, que se denomina complemiento del conjunto de famadores. El complemento de un evento A con respecto a es el subconjunto de todos los elementos de 5 que no estan en A. Denotamos el complemento de A mediante et simbolo 4’. Ejemplo 2.8 "Sea & el evenio de que una carta roja se seleccione de una baraja ordinaria de 52 cartas, y sea $ toda la baraja. Entonces R’ es el evento de que la ‘carta seleccionada de la baraja no sea una roja sino una negra. w Ejemplo 2.6 Considere el espacio muestral libro, catalizador, cigarrillo, precipitado, ingeniero, remache) Sea A (catalizador, remache, libro, cigarillo}. Emionces a’ [previpitado, ingeniero}. Consideremos ahora cierias operaciones con evenios que tenn como tesul tado la formaciéin de nuevos eventos. Estos eventos nuevos seta subconjuntos del inisimo espacio muestra como los eventos dados. Suponge que A y B son dos eve tos atociados com un exporimento. En otras palabras, y Bf son subcomuntes del ‘mismo espacio muestal §. Por ejemplo, en el lanzamiento de un dado podemos hacer que A sea el evento de que acurra un numero par y Bel evento de que ‘sparezca un mero mayor que 3. Entonces los subconjuntos A = (2,4, 6]y B = fs 5,6} son subconjuntos del mismo espacio muestral $= (1,2,3,4,5,6)Definicion 24 Definicion 2.5, Seccidn 22 Eventos 18, Nétese que A y B ocurririn ambos cn un lanzamiento dado si el resultado es un ele- ‘mento del subconjunto (4, 6}, que eS precisamente la interseccion de A y B. La interseccién de dos eventos A y B, denctada mediante el simbolo A 7B, es el evento que contiene a todos los elementos que son comunes aA ya B. Ejemplo 2.7 Sca P cl evento de que una persona seleccionada al azar mientras cena en un restaurante de moda sea un contribuyente, y sea Q el evento de que la penona tenga mas de 65 anos de edad, Entonces el evento PA Q es el conjunto de todos los coniribuyentes en el restaurante que tienen mas de 65 afiosde edad. Ejemplo28 Sean M = (a.e.i.0.u) yN = (rssh entonces se sigue que M ON = @), Fs decit, M y N’ no tienen elementos en comin y, por tanto, no pueden ecurrir ambos de forma simultinca Para clertos experimentos estadisticos no es nada exirafio definir dos eventos, Ay B. que no pueden ocurnr de forma simultdnea, Se dice entonces que los even: tos A y B son mutuamente exeluyentes. Expresado de manera mas formal. tenemos Ja definicién siguiente: Dos eventos A y B son mutuamente exeluyentes 0 disjuntos si A 0 B =O: es decir, si A y B no tienen elementos en comin. Ejemplo 29 Una compania de television por cable ofrece programas en acho diferentes canales, tres de los cusles estén afiliados con ABC, dos con NBC, y uno con CBS. Los otros dos son un canal educative y ef canal de deportes ESPN. ‘Suponga que tuna persona que se suscribe a este servicio enciende an televisor sin selescionar de antemano el canal. Sea A el evento de que el programa pertenezca & Jared NBC y B el evento de que pertenezca a la red CBS, Como un programa de televisi6n no puede pertenecer a mas de una red, los eventos A y B no tienen pro- ‘gramas en comtin, Por tanto, la interseccién A 1 B no contiene programa alguno y fen consecuencia los eventos A y 8 son mutuamente excluyentes. = A menudo nos interesamos en la ocurrencia de al menos uno de dos eventos aso- cciados con un experimento, Asi, en cl experimento de lanzamiento de un dado, si 2.4.6) y B= 14.56), podemios interesamnos en que ocurra A 0 B, 0 que ocurran A y B. Tal evento, que Se llama la unién de A y B, ocurriré siel resultado es un elemento det subconjunto (2.4.5.6). La uni6n de dos eventos A y B, que se denota mediante el simbolo AU B, es |evento que contiene todos los elementos que pertenecen a A oa B 0 ambos.16 Copituio2 Provabitded Hjemplo 210 Sead a bely BH AUB=|abede). d, ef; entonces Ejemplo 2.11 Sea Pl evento de que un empleado seleccionado al azar de una ‘compania petrotera fume cigarros. Sea Q el evento de que el empleado selecsionado ingicra bebidas alcoholicas. Entonces el evento P U Q es el conjunto de todos los empleados que beben o juman, 0 que hacen ambas cosas. # Bjemplo 212 iAP = fx|3 099 <1) 2. Uillice ef método. de Ia regla para describe el ‘xpacio muestra 5, ue consiste on todos lon puntos ‘el primer euadrante dentro de un efreulo de radio 3 ‘om centro en el erigen 3. {Cusles de los siguientes eventos som iguales? @ a= (1.3) (0) = [el 0s un mimero en un dado}; (C= frlx?— 443 =o}; (@)D = [rl es el nimero de earas cuanto se lancan seis monedas) 4. Un experimento implica lancar un par de dados, ‘verde y 1 rojo, y reistar lox iimeron que salen, Si ¥ es igual al resultado en cl dado verde ¢ yes esl tado en el dado rojo, deseriba el espacio muestal $ (a) mediante la lists de ls elementos (b) mediante et uso del metodo de hr 9. Un experimento consiste en lancer an dato y {despues larzar una moneda una vez si el ndaero en el dado es par. tel numero en el dado es imp, i moneda se lanza des veces, Use la notacion 41, pot jemplo, para denotar et evento de que el dado muesire4ydespuesta moneda salga cars, yA para denonar el evento de que el dado muesite 3 segnid por una cara y despues ura crue en la moneds, cons ‘wuya un diagrama de Arbol para mostrar bs 18 ele- Imentes de espacio mucstal ©. Se seleceionan dos jurados de 4 suplentes para setvir en un juici por asesinao, Con et uso de lt notackin Ay por ejemplo, para denotar el evento simple de que se selecionen los suplentes | 3, ist os clemcatos del espacio muestral $.18 Coptuto 2 Probabitited 7. Se seleccionan al azar cuatro estuchantes de una slase de quimica y se clasifiean como masculino femenino, Liste los clomentes del espacio muestal S, on et uso de ta letra Mf para “maseulino y F para ‘femenino”. Defima un segundo espacio muestal § done tos elementos representen el niimero. de mujeres seleceionadas, 8, Paral espacio muestral del ejercicw & (0) lise os elementos que corresponden a evento A de que la sua sea mayor que 8: (b) list os elementos que corresponiten al evento B de que ocurra wn 2 en cualquiera de los dos dos (©) liste fos clementos que corresponiea al evento C de que salga un mdmeromayor que den el dao verde: () liste Ios elementos que coresponden al evento, ANC {€) liste Ios elementos que corresponden al evento 10 B: (1) iste fos elementos que corresponden al evento Be (2) corstruya un diagrama de Vern para iustrar las secciones y uniones de los events 4, BC. 8. Pata el espacio muestra del ejercicio 5 (2) ste ls elements que corresponden al evento A ‘de que salga en el dao un mimero menor que 3 (by) liste les elementos que eorresponden al even B de que ocurran ? eruces (6) Istelos elementos que corresponden al evento A GA) liste los elementos que carresponden al evento AOR: (&) liste los elementos que cortesponden al evento AUB. 10. Se contrata a una firma de ingenieros para que determine si ciertas vies Mluviales en Virginia son scgurns para a pesca-Se toman muestasde Us 108, (a) Liste los elememios de un espacio muestal 5, utlice tay letras F para “Seguro pata la pesca” y para inseguro para la pesca (b) Liste Ios elementos de que eorresponden al evento £ de que al menos dos de loses sean sepUros para a pesca (©) Defina un evento que os punton nga como sus elementos LUFF, NEF. FPN. NEN} 11, Los curricula de 2 aspirantes mascalinos para un puesto de enseftanra de quimica cn una faculad se colocan en la misms fila que los curricula de dos asp nes mujeres, Estdn disponibles dos puestos y Primero, con el rango de profesor asistente, se cubre mediante la sclecein de 1 de tos aspirantes al aia 1 sepundo puesto, con ef rango de instructor ve cubre después mediante la selection se atoria de uno de los 3 aspirants restantes. Con el to de ly notaci6n Af, F,. por ejemplo, para denotar cl evento simple de que el primer puesto se eubra con el segundo aspirante hombre y el segundo puesto se ‘cubra después con la primera aspirante mujer (a) fiste les elementos de un espacio muestal $: (b) liste los elementos de S que corresponden al evento A de que el puesto de profesor asstente se cubra con un aspirante hombre: (6) liste los elementos de S que corresponden al ‘evento B de que exactamente 1 de los 2 puestos se cubra con un aspinante: hombre (d) tste tos elementos de S que corresponden al evento C de que ninggin puesto se cubra con un asp rante hombre (6) liste los elementos de $ que corresponden al evento dB: (8) Iste tos elementos de que corresponden al evento AUC (g) construya un diagrama de Vena pata ilustrar las interseeciones y uniones de los eventos A.B YC. 42. Se estudian cjercielo y dieta como posibes st tutos de la mediacion para a presion sanguinea baja Se utilirarén trey grupos de individuos pars estudiar el efecto vel ejeteicio. El grupo uno es sedentario ‘mientras que el urupo dos eamina y el grupo tres mada luna hora al dia, La micad de cad uno de fos tes gr pow de ejeiciio tend:4 una dleta sin sal, Un grupo. auivional de individuos no hars eeretio ni resting su sal, pero tomard la medicacion estandar. Use Z. ppava vedeniatio, W para caminante, S para nadador, Y pata sal. N para sin sal, M para medieacion, ) F para sin medisamentos. (a) Muestre todos os elementos del espacio musta (b) Dado que 4 es el conjunto de mdividuos sin medicantento y 8 es el conjunto de caminantes, hile los elementos de A UB, () Liste les elementos de 4.7) B. 13, Construya un diagrama ce Venn pars ius Dosibles interseesiones v uniones para los siguit eventos relativos al espacio maestral que consiste todos los automéviles construidos en Estados Us Fcuatio puertas, 8: teeho correcize, Ps cireccion asst + M4, SiS = (0.1,2.3.45.6,7.8.9) 7 4 8.8 = 11,3,5.7.9) C= 2.3.45, yD =Iline Hos clementos de los conjuntes quecorresponden 1s siguientes eventos: (ay ave (y) ang, (@ (CopuE, nen) @) Eney 0 18) Corsidete 5 = feobre, sex tani. enigen spacio muestral nitrdgeno, potaia ine] yy ls eventos A = {gobre,sodio, cin) B = {sodio, ntogeno, potasio} C = [ougeno, iste ls elementos de los eonjuntos que correspon dena los eventos siguientes; fa) a’ (b) AU fo) (AnByUe: BING: le) AnBne ( UBynUn®, 16.5) = [slO 0. PBA, Como ilustracion adicional, suponga que nuestro espacio muesiral 5 es la po- blacion de adultos en una pequuena ciudad que cumplen cen los requisites para ob- tener un grado en la facultad. Debemos clasificarlos de acuerdo con st sexo y situacién laboral:36 Capitvio2 Probabitided Empleado —_ Desempleado a Hombre 4 0 500 Mujer 10 20 0 Uno de estos ves del pits para promover las ventajas de establecer indusirias nuevas en la ciudad, [Nos interesaremos en los eventos siguientes ividuos se Seleecionaré al azar para que AM: se clige un hombre, E> olelesido tiene empleo, ‘Al utilizar el espacio muestral reducido E, encontramos que 460 23 POMED = on ~ an Sea.n(A) el namero de clementos en cualquier conjunto A. Con el uso de esta notaci6n, podemos eseribir NEM) _ (EAM /n(S) _ PEM) n(E) n(E)/n(S) PIE) donde P(EMM) y PCE) x encuentran ra verificar este resultado, note que PUM E) = partir de} espacto muestral original 5. Pa oo _2 0 29 pie = =? y pienyy = 0-8 De agut as _23 pony = 28 =. como antes 2s 30 Ejemplo 231 La probabilidad de que un vuelo programado normalmente salga & tiempo es P(D) = 083: la probabilidad de que Hlegue a tiempo es P(A) = 082, y | probabilidad de que salga y legue a tiempo es P(D MA) = 0.78. Eneuentre le probabilidad de que un aviin a) llegue a tiempo, dado que salié a tiempo y b) sa Ii6 a tiempo, dado que lleg6 a tiempo. SOLUCION (a) La proba ad de que un avi6n Hegue a tiempo, dado que salié a tiempo es P(DOA) _ 078 PCD) 083 np, dado que legs a tiempo es PIA\D) = 0.94, (b) La probabilidad de que un avion saliera a ti P(DOA) _ 078 (a) ~ 082 ~ 095 P(D\A) =Seccién 2:6 Probabilidad condicions! 37 En el experimento de lanzamiento de un dado que se discuié en ls pigina 35 notamos que P (|) = 2/5 mientras que P(B) = 1/3 Es decir. PULA) # PB), lo que indica que B depende de. Consideremos ahora un experimento en el uc sesacan 2 caas una dexpucs de ors de una bara dinar com emp, Los eventos xe definen como A: la primera carta es un as, 2B: la segunda carta es una espada Como la primera carta se reemplaza, nuestro espacio muestral para la primera y se gunda cartas consiste en $2 cartas. que contienen cuatro ases y 13 espadas. De aqui Bo 1B m4 oF PASS PiBlAy Es decir, P(B|A) = P(B). Cuando esto es cierto, se dice que los eventos A y B son independientes. La noci6a de probabilidad condicional proporciona la capacidad de reevaluar la idea de probabilidad de un evento a la luz de la informacidn adicional; es deci, ‘cuando se sabe que ocurri6 otro evento, La probabilidad P(A] 8)es una “actualiza cion” de P(A) basada en el conocimiento de que ocurrié el evento B. Enel ejemplo 231 es imporiante conocer la probabilidad de que los vueles leguen a tiempo. Se znos da la informacién de que el suelo no saliéa tiempo. Con esta informacién adi- cional, la probabilidad mis pertinente es P(A |D'), esto es, la probabilidad de que Hlegue a tiempo, dado que no salié a tiempo, En suchas sitaciones las conclusio nies que se obticnen de observar la probabilidad condicional mas importante cam bian por completo la situacidn, En este ejemplo el catcuto de P(A|D") es P(AND’) _ 082 ~ 0.78 PD) a TO P(A|D') = ‘Como consecuencia, la probabilidad de una legada a tiempo disminuye considera: blemente ante la presencia de la informacion adicional. Eventos independientes ‘Aunque la probabilidad condicional tiene en cuenta Ia alteracidn de la probabilidad de un event aa Iz de materia acon, tambien nos permite comprender mejor el muy importante concepto de independencin o, en el contexto actual, el de even- tos independientes. En la ilustracidn del aeropuerto, P(D|A) difiere de P(D). Bs to sugiere que la ocurrencia de A influye en D y esto realmente se espera en este ‘caso. Sin embargo, considere la situacién donde tenemos los eventos Ay By P(A[B) = P(A). En otras palabras, la ocurrencia de # no tiene impacto en tas probabilidades de ocu- rrencia de A. Aqui la ocurrencia de A es independiente de la ocurreneia de B.38 captu2 Frovatiliad ‘La importancia del concepto de independencia nose puede eniatizar con ence So, Juega un papel vital en el material de casi todos ls eapitulos de este lite yon todas las reas de la estadlistica api Definicién 210 | Dos eventos A y 1 son independientes sy solo si P(Bla)= PB) sy P(A|B) = P(A), De otra forma, A y B son depenientes, La concicion P(B|4) = P(B) implica que P(A|B) = POA), y viceversa. Para los experimentos de extraccién de una carla, donde mostramos que P(B|A) P(B) = 1/4, también podemos ver que P(A |B) = P(A) = 1/13 2.7_Reglas multiplicativas Al multiplicar la {6rmula de la definicién 2.9 por P(A), obtenemos la siguiente re ela multiplicativa importante, que nos per lar Ia probabilidad de que ecu: rran dos eventes. Teorema2.13 | Si en un experimento pueden ocurtir los eventos A y B. PAB) = PLAyPCBLa). onces l Asia probabilidad de que ocurran A y 6 es igual a la probabilidad de que ccurra A multiplicada por la probabilidad de que ocurra B, dado que ocurre A, Como los eventos A118 y BPA son equivalentes, se sigue del teorema 2.13 que también por ‘demos escribir ANB) = PUA) = PUP LA|B), En otras palabras, no importa euil ento se considera como Ay euil como B. Ejemplo 2.32 Suponga que tenemos una caja de fusibles que contiene 20 unidar des, de las cuales cinco estn defectuosas. Si se selecctonan dos fusible al azar se Separan de la caja uno después del otto sin reemplazarel primero, zeual es la pro- babitidad de que ambos tusibles estén defectuosos? soLucioN Sean A cl evento de que el primer fusible este defeciuoso y B el evento de que el segundo esté defectuoso, entonces interpretamos AM B como el evento de que oct: Fra A, y entonces 8 ocurre despues de que ocusre A. La probabilidad de separa pri= mero un fusible defectuoso es 1/4; entonces la probabil ie sepa fusible defectuoso de los restantes 4 es 4/19. Por ello, manny (\(A)= he a Fun segundoSeccién 27 Reylas munipteaives 38 Ejemplo 2.33 Una bolsa contiene cuatro bolas blancas a bolsa contiene tres blancas y cinco negras. Se saca una ¥ se coloca sin verla en la segunda. ;Cual es la probabilida ‘una bola negra de la segunda bolsa? SOWUCION Sean B, Bs. y W, respectivimente, la extraccion de una bola negra de ta boa unanegia de fa boa? yunablance delabolsel-Now ners nei {os mutuamente excluyentes B, Bay W, 3. Las diverts posbilidadesysus pro. babilidades se ilustran en la figura 28, Entonces tres negras, y una segun- bola de la primera bots id de que ahora se saque PUBL) 0H, 08,)| = POND) + PIB.) PCB, PBB.) + POW, )PB,\,) GILG) +) =(&) * Pi. 8:\=(2)(8) : e ss “ 8. 4% of PUB, Wa): 2 2 * Pawn wm ($)(4 Pawo w~($)() Figura 2.8 Diagrama de ao) paral sjempio 2.23. et cl chlo 220 epi Feb sin ys twice ee un fusible defeciuoso en la segunda seleccion atin es 1/4; es decir, P(B|A) = PC) {loseverin A ¥B uot ndependlens. Cumdo cio es Gent, posses sulie P(B) por P(B|A) en el teorema 2.13 para obtener Ia siguiente regla especial de mul~ tplesoon40 Caputo 2 Provadiidua nw 2.14 | Dos eventos A y Bison iependicntes sys MAOB) © PAYPUD) Por tanto, pay simplom probabilidad de que ocarsan dos eventos indepe ite calculamos el product de sus probabilidades individuales, Fjemplo 24 Una pequens cia disponibles para emengenc fade bomberos y uns ambuloneia «La probabilidad de que el earro de homberosesté diy. ponible cuando se necosite es 098 y ta probabilidad de que ty 3 isponible o ibulancia este 1 6s 0.92, En el easo de que resulte un herido de 1, encuentie la probabilidad «ke que de bombers estén disponibles, SOLUCION Sean Ay 1 los respectivos eventos de que estén disponibles el easro de bomberos Y la ambalancin, Fntonces, n edifice en Ma inbulaneia y el earro POA AB) = PLAYPCB) = 098)(0.92) = 09016, 0 Ejemplo 2.35 Se lanza dos veces un par de daclos, ;Cusi es la probabilidad de obs tener totales de siete y IL? soLucION Sean Ay. Ay, By, ¥ B, los eventos independientes respectivos de que ocura un te en la primera tirada, ocurra un siete en el segundo kanzamiento, un mero y un IT enet segundo, Nos nidin de los ev samemte exchuyentes A 8, B.A, Por tanto. PUA NB UB VAD = PAB) © RUB OAg) POA)PU) + PURPA) (o)Cis) + Cal) Los teoremnas 2.13 y 2.14 se pueden generalizar para cubrir cualguic de eventos, mero. Teorema 213 | ‘Sion un experimento, pueden acuttit fos eventos A, Ay, Ay P(AANAYD.Ay) POA) POASIA,) PAA OA,) PUA, LAA, OAL) Sion eventos Ai» A2.Ay yu son independisntes, en HA,DA,DA\OMA,) s Aysemtonces nee PEA PAPUA) PAY):Seccidn 27 Replas mutpicatvas 1 wn res cartas tna tras ota, sin reemplazo, de una bara or- vin neuen la prasad de que oar el evenio Ay AA, doe A, exel evento de que la primera carta a unas ojo, Aye evento de que la scour carta sea un 100 una sotay Ay cl evento de que Ia lercea cals sa pero menor que sicte. a Ta primera carta es un a rojo, ta segunda earta es un 10.0 una soa, Ay: ta tereera carta es mayor que tes pet0 menor que siete Emtonces 2 2 1 ; 8 PA) = POnIA) = sp P14,0.4,) = 5 y de aqut, por el teorema 2.15, Plan Anas) = PeayPra.layreala.o =(2)(8)(2) = <8 52) \31)\s0) ~ 5325 Ejemplo 237 Se carga una moneda de modo que la cara tenga una posibilidad de ‘ocurrir dos veces mayor que la cruz. Sise lanza tres veces la moneda, jeuél es la pro babilidad de obtener dos cruces y una cara’? SoLUcION El espa ‘muestral para el experimento consiste en los ocho elementos, 8 = (HHH, HHT, HTH, THH, HTT. THT. TTH, TTD, Sin embargo, con una moneda no balanceada ya no es posible asignar probabilida- des iguales a cada punto de la muestra, Para encontrar las probabilidades, considé- rese primero el espacio muestral S, = (Hf. T], que representa los resultados cuando ‘e lanza una ver Ia moneda. Si se asignan probabilidades de aw y 2w para obtener tuna eruz y una cara, respectivamente, tenemos 310 = 1 0 w = 1/3. Por tanto P(H) = 2/3 P(T) ~ 1/3. Sea ahora A el evento de obtener dos eruces y una cara ‘en los tres anzamientos de la moneda. Entonees, A= (ITH, THE, HTT, ¥ como los resultados en cada uno de los tes lanzamientos son independientes, se ‘Sigue del teorema 2.15 que perm = Pero roy = renrcnedn = (3)(3)(3)= 5 De manera similar, Porn) ~ purr ~ 2, ols Pid) = eh oe ee nia Sr tar ares42 Conitulo2 Probabitia Ejercicios sD 1. SiRevelevenode tun robo a mano armada yD es el evento de que st comviclo promoviers el con empalabras lo que en proabiidades se indica por (a) PORID: (b) POD'|R): (©) PURID, 2. Unaclase de fisoa avanzada se tuiantes de pi res de ieno abo y 10 gr dduades. Las calificaciones finales mitstean aq tres ‘studiantes de primer ato. 10 del sltimo ae einen de los graduados obtuveron A en el curs. Si se lig tm estudiante al azar de esta chive y se encuentra que «5 uno de los que obtuvieron A, ceual es In probabil dad de que lo ela sea un estudiante de tilimo aio? 3. Una muestra aleatrin de 200 altos se lasifen abajo por sexoy si nivel de edlucaciin Paucacién Hom Priman 3 Secundara 38 Facultad 2 Si se eseoge una persona al azar de este grupo, Ceuentre la probablidad de que {@) Ia persona soa hombre, dido que la persona ic ne educacion sccundaris, () Ia persona no tiene un grado universiuario, dado ‘que la persona os mujer 4. En un experimento para estar Is relacin eta hipertension arterial y os hubios de fumar, se reuinen fos siguientes datos para 180 individuos Nv Fumadores Fagor —___Famator_maeradosempeeries Con hiperiensiin 21 6 30 Sin hipertension 486 19 Sie selecciona ‘cuentre la probabildad de que la persona (@) sufte hipertensiin, dado que la persona es un fu- ‘mador empedernido; (b) sea un no fumador, dido que la persona no sulre ehiperiension 5. En el dhtimo ato de una elase de graduados de eparatoria con 10 alumnos, 42 cursaron materi a; 6, psicologss; 54, historia; 22 matematicas ¢ his {oni 25.matematicas y psicolopia sicte historia pero ‘hh matemticas ni psicologta: 1, eursaron las ies a om alguna de as tes, ses /esudlante at azar, eneweatre Is protbi Hd de (@) una persona inserta en psiologa curs fs res, perona auc 6. Un fabvicante de ona va 1a gripe se in teresa ew la calidad de su sucro, Tres dif partansentos procesan los loten de wero yt ibe recharo U6 0.10, 008 y0.12,respestivameme, Las imspecciones dle les tree pastanscnton Son secuencln les independientes (a) {Cusl es la probabitidad dé que un Hote de suse solveviva a la primera inapeccign departmental pe. sea rechazade por el sexunle dspartomento? (hy ¢Cu es la probabidad de que un tote de suery sea Fechazado por ol tereer departamsnto? 7. En USA Todty (5 te septiembre de 1996) ss taron como sigue los resultaton de wna encuesta So bree uso de 10 o se inienbid en pico cure 0 para lone micas se viajar Hombre Maier Ropa interior 02200424 aa Canin oom 0.180 ag Nada 0160 onIs at on 0073 ots Oot ones oa Oteos ong, 0403 opr (2) {Cuil es a probatitdad de que un vigjerd sea tna mujer que derme desma? (b) gCusl es la probatildad de que un vijero sea hombre? (©) Supongs que el visjro es hombre, zeus fa ‘obatilidad de que un viajero sea mujer si duerme 1 pijama? (4) {Cas esta probabildad de que un vijero sea hombre sduerme en pjanao en eamiscta? 8. Laprobabitded de queun automo ‘vel tangue de giolina tambien a aceite es 1.25, ks obabilidad de mero filo de aeite e300 la probabil de ae hecesitecambiode aceite fillies 3.14 {@) Sise tiene que cambiar el esa pro- babilidad de que se necesite un nuevo fir? (6) Si necesita un iro de aceite nuevo, jeu es Drobabiad de que se wenga que eam act?‘3)).a probabil de que un hombre casa vea ude television es 0.4 y la probabilided nujer casa yea el programa es 0:5 La piobabilidad de que un hombre vea el programa, da Uo que si espost lo hace, e 7. Enctentre la proba: bilidad de que (@) an macrime (b) una expona vea el programa dado que su esposo love 10. Pars matrimonios que vivenen cierto suburb la probabilidad de que el esposo vote en un referendum 0.21 1a probabilidad de que su esposa vote es 0.28 yla probabifidad de que ambos voten es 0.15. ;Cuil eslaprobabilidad de que (a) al menos un miembro de un matrimonio vote? (b) una esposa vote, dago que su esposo vetara? (} un esposo vote, dado que su esposa no vore? 11. La probabilided de que un vobiculo que entra» las Cavernas Luray tenga placas de Canads os 0.12, probabilidad de que sea una casa rodante es 0. y Ja prebabilidad de que'sea una.casarodanie con places de Canad e019. ;Cual esa probabil de que (a) una casa rodante que entra a as Cavernas Luray tenga placas de Canada? (b) un vehiculo con piacas de Canad que entia a Las CCaveimas Luray sea una casa rodante? (6) un yehiculo que entra alas Cavernes Luray no ten a placas de Canads 0 que no sea una casa rodante? 12. La probabilidad de que el jefe de familia esté en ‘cata cuando un representante de MCI lame es 0, Dado que el jefe de familia esti en casa, la probaby lidid de que ocurra un cambio de compaiia para ls Namadas de larga distancia es 0.3, Encuentre la pro babilidad de que el jefe de familia esté en casa y cambie 3 MCT para el servicio de Hamadas de larga distancia, 13. La probabilidad de que un dector dingnostique do ‘manera correcta una enfermedad particular es 07. Da doque el doctor hace un diagnéstico incorrecto, la pro babilidad de que el pasiente presente wna demands o& 9, {Cua es ls probabildad de que el doctor bags wa diagnéstico incorresto y el pacente lo demande? 44, £m 1970, 11% de los estadounidenses completar on cuatro aos de profesonal, de los cuales 43% ‘eran mujeres. En 19%), 22% de los estadounidenses completaron cuatro anos de profesional, de ioscuales 534% fueron mujeres, (Time, 19 de enero de 19%) Seccién 27 Regios multoleatves 43 (a) Dado que una persona completo cuatro aiios de profesional en 197), ;cuil¢s la probabilidad de que Ja persona sea mujer? (b) {Cuil es ia probabilidad de que una mujer termi ne cuatro aos de profesional en 19907 (©) {Cues fa probabilidad de que en 1990 un hom: bre no haya terminado la carrera profesional? 18. Ln agente de bienes raices tiene acho Haves Iaestras para abrir varias cases nuevas. Sélo una Have maestra abrité cualquiera de las casas. Si 40% de estas casas por lo zereral se dejan abvertas sa probabilidad de que el agente peda ent ‘una casa especifica si selecsiona tres aves macstrae al azar antes de salir dela ofc 16. Antes de Ia distrbucicn de cierto software esta distco se prueba la precisa do eda cuarto disco compacto (CD), El proceso de pricha consist en ‘correr cuatro programas independiente: y vetifica los resultados. La tasa de alla para los custo pro _gramas de prucka son 001, 003, 012 y 0.01, respes: (a) {Cuil 6s la probabilidad de que un CD que se prachefalle cualquier prucda? {b) Dado que se prucha un CD, eusl esa probabi Tidad de que fale el programa dos tres (©) En una mucstia de 100, ;eusnios CD esperarta gus se recbacaran (4) Dado que un CD esti defectuosa, jul es la po: Loaded de que se prucbe? 17,’ Una ciudad tiene dos cartos de bomberes que ‘operan de fora independiente. La protabilidad de Gus un carro especitico esté disponible cuando se le rnecesite es 0.96. (a) {Cuil es la probabilidad de que ninguno est diss pponible cuando se les necesite? (bb) {Cuil es a probabilidad de que uneartode bem: heros ete disponitte cuando se le necesite? 18. La probabilidad de que Tom viva 2D aos mis 607. ¥ la probabsidad de que Nancy viva 20 aos ‘mas ¢s 0.9, Si suponemos independeacia para am- thos, cul es ln probabilidad de que ningano viva 20 abos mis? 19, Un neceser comtiens dos frascos de aspiring y tes frascos de tabletat pars la tirides. Un se boke grande contiene thes froscox de aspirin fraseos de tabletas para la roides y ‘Meas lavantr. Si se sica un Frasen de Ade cada equipaje, eneventre la probabilidad de que (a) ambos frasoos comiengan tshletas pars la iroides:44 Caprulo2 Probabiicud (0) nga frasco contenga tabletas pa la (©) lox dos frascos contengan lables diferentes, 20, La probabilidad de que una persons su dents lead de Seleccionar sleatoriae le 4 ltrs de leche em buenas conhcones races, tn terigerador que contiene 20 tos de le cinco estén echados a perder, me tamecesite rayon X e+ 0,6 Ia probabil persona que neceste una placn de rayos X nbién fenga una armalgams es (13. la paobyblidad (8) I primers formuls del Yeorema 2.15 en ba piping de que ana persona que tenga ‘amalgams tambien te 5011, {Cul es ts prob 1a phicu de rayon Xy Miidad de que una persona — M28 25 y 29, respectivamente, 2-0 su dentist te 2.8 Regla de Bayes Represemos in de la seccidn 2.6, donde un i lividuo se selecciona al azar de los adultos de una pequetia ciudad para viajar por el pais y promover las Ventajas de establecer industry nuevas en a ciudad. Suponga que ahora demos ip informacion adicional de que 36 de los empleadlos y 12 de los desempleados som ‘miembros del Club Rotatie. Deseamos encontrar la probabilidad del evento A de gue el individuo seteccionado sea miembro del Club Rokatio, Con referencia i he ura 2.9, podemos escribir A como la unién de Jos das eventos muluamente excl yentes ENA E°CVA. De aqui A =(ENA)UE'O A) ¥ por el corokatio del teorem 2.10, y adem el teorema 2.13, podemos eseibie P(A) = PLE AYE Ay) PED A) + PLE A) PUESPALE) + PUB) PALE?) Los dates dela seein 2.6, junto con ky datos adicionales dados arriba para el conjunto A, nos permiten calcula: 02 36 3 PED iq 3 PALE) = So = a y a tin 4 PEE = 50 POAIEY = son = 35Stecion 28 Regia de Bayes 45 re ot Snemae Ss PS % *~ 2X, E PIA y= 125 a PUEMPIAIEY Figura 2.10 Diagrams de arbol pars tos atos de la pgins 4 5 / Figura 2.11 Paricion dol espacio muestal S Si mostramos estas protabilidades por medio del diggrama de arbol de la figura 2.10, donde la primera rama da la probabilidad P(E)P(A|E) y la segunda rama da la probabilidad P(E’)? (A|E’), se sigue que (2 Wa 3) so) * (3)(5s) Una generairaiin de fa iustracin precedente al caso donde el espacio mes tral se parte en k subconjuntes la cubre el siguiente teorema, que algunas veces se denomina teorema de probabilidad total o regla de climinacién, Teorema2.16 | Si los eventos 6, j,constituyen una particion del espacio muestral $ 1a tal que P(B,) # paras = 1, 2,... A, entonces para cualquier evento A de S, ‘ 4 > PBA) = > PB )MALB,). PA PAUEBA Considere ef diagrama de Venn de la figura 2.11, Se observa que el evento A ela uni6n de los eventos mutuamente excluyentes,ae Capitelo 2 Probabitided BINA, BONA, BNA: es decir, A= (B,NA}UB,NAYU--U(B,AA) ‘Con el uso de! corotario 2 del teorema 2.10 y ademés el teorema 2.13, tenemos PA) = PB, OA) UB,NA)U-~U(B. OA) = PIBA) + P(B.NA) + = + PUB. A) Spa.ow = 3 papas) Ejemplo 238 En cierta planta de montaje, tres méquinas, By, By ¥ B.. montan 30%, 45% y 25% de los productos, respectivamente. Se sabe de la experiencia pa saila que 2%, 3% y 2% de los productos ensamblados por cada maquina, respect. vamente, tienen defectos. Ahora, suponga que se selecciona de forma aleatoria un Producto terminado. ;Cual es la probabilidad de que esté defeetuoso? SoLUCION Considere los eventos siguicntes AL el producto est detectuoso, B,: el producto esti ensamblado por la maquina By, By: el producto esté ensamblad por Ia miiquina 8 By el producto esti ensamblado por Is migiina B. Alaplicar la regla de eliminacion, podemos escribir P(A) = PCB, )PLA\B,) + P(B,)P(ALB,) + PURPA, Con referencia al diagrama de drbol de la figura 2.12, encontramos que las tres ra ‘mas dan las probabilidades P(B)P(A|B,) = (0.3)(0.02) = 0.006, P(B.)PCAIR.) = (0.48)(003) = 0.01235, P(Bs)P(A|B,) = (0.25)(0.02) = 0.005 Pialey) = 002 PLALB,) = 003 PIA) 0.02 A Figura 2.12 Diagrama de Arvo! paral sjemplo 2.38‘Teorema 2.17 Seccion 28 fegla de Bayes 47 yde aqui P(A) = 0,006 + 0.0135 + 0.005 = 40245. En lugar de preguatar por P(A), por la reel sideramos ahora el problema de e1 lade eliminacicn, suponga que con- contrar la probabilidad condicional P(R,|A) en 1 eiemplo 2.38. En otras palabras, suponga que se selecciond un producto de for ma aleatona y es defeetuoso, ;Cudl es la probabilidad de que este producto fuera hecho por la méquina B,? Preguntas de este tipo se pueden eontestar mediante el uso del teorema siguiente, que se lama regla de Bayes: (Regla de Bayes) Si los eventos B,, 8, -B, constituyen una particién del espacio muestral § donde P(B,) #0 para i = 1.2.... .k, entonces para eval Quicr evento A enS ial que P(A) + 0, (RA) = Paina) PCB )P(ALB,) cme Drea Yrwprca|s) PRUEBA Por Ia definicion de probabilidad condicionsl, P(B,0.A) P(A) -y.con el uso del teorema 2.16 en el denominador, tenemos P(BLOA) (BA) rielay= 2 > Pian ‘Al oplicar el tgoreme 2.13 al numerador y al denominador, obtonomos la forma al: terna, IP(A\B, P(B,|ay = PEOPALBS > Paypal) ‘que completa la demostracién, i rete cjemplo 2.38, si se elige al azar un producto y se Ejemplo 2.39 Con referencia al ejemplo 2.38, si se elig : encuentra que es defectuoso, {cul es la probabilidad de que esté ensamblede por la maquina B,? soLucion Con el uso de la regla de Bayes para eseribir P(B)P(A\By) P(B,)PAIB,) + PB, )PCA\B,) © PUR)PCALB) y después sustituir las probabilidades calculadas en el ejemplo 2.38, tenemos P(B\A) =4B Capitulo? Probabindad PBA 0.006 + 0.0135 0.005 00s _ 10 00245 ~ 49 0.005 En vista del hecho de que se seleccions un producto defectuoso, este resulta- do sugiere que probablemente no fue hecho can la maquina By Ejercicios sss = 1. En ciera region del pats se sabe por experiencia ‘del pasado que la probsbilidad de Seleccionar un adulto mayer de 40 ates de edad con cincer es 0.45, Site probatilidad de que un doctor diagnostique de forma corresta que una persona con cdncer tiene la ‘enfermedad es 0.78 5 ta probubilidad de que diagncs: tique de forma incorrecta que una persona sin cancer ‘como s tuviera a enfermedad es 006, ceudl e babilidad de que a una persona se le diagnostique 2. Lapolcia planeareforzar los limites de velocidad mediante el uso de un Sstema de radar en cuatro ci ferentes punios dentro de la ciudad. Las trampas de radar en cada unode los sitios L;. 1. Ls y L,operan 40%, 30%, 20% y 30% del tiempo. y si una persona {que maneja a gran velocidad cuando va a su trabajo tiene las probabilidades de() 2, 0.1.0.5 y0.2 respect vamente, de pasar por esos pares, zou es la probs. bilidad de que reciba uns mutta por conducir con exceso de velocidad? 3. Refcrase al ejercicio |, cual es la probabildad dle que una persona a la que Se le diagnostica cancer realmente tenga la enfermedad? 4, Sien el eerccio 2 lapersona es multads por con dusir con exeeso de velocidad en su camino al traba jo, zeuiles la probabiidad de que pase por el sisterma de radar que se ubicaen 1,7 ~ 5. Suponga que les cuatro inspectores de una fabric ¢ de pelicula colocan la fecha de caducidad en cada aguete de peitcula al final de fa linea de montaje John, que coleca la fecha de caducidad en 20% de los paquetes, no la pone una vez en cada 200 paquetes, ‘Tom, que la coloca en 60% de los paquetes, no la colo. una ver en cada 100 paquetes; Jef, quien la coloca én el 15% de los paquetes, nolo hace una vez en cada 99 paquetes. y Pat, que fecha 5% de los paquetes. no lo hace una vex en cada 200 paquetes. Si tn consumi dor se queja de que su paquete de pelicula no mues. 1a fecha de cadueklad, jeu es la probabilidad de Aue haya sido inspeccionado por John? 6. Una compan telef6nies regions opera tres os. taciones relevadoras idénticas en diferentes sitios. Durante un period de un ato, el niimero de desper fectos reportados por cada estacién y las causes te imuestran abajo. Edacones A BC Problemas con ef suministro 2 Ye de electricidad Desperiecto dela compatadora 432 Fallas del equip el f 4g Fllas ceasionadas por otros 73 Suponga que se reporta una fall y que se encuentra ‘gve fue ocasionads por otros erares humanos. zCusl la probabilidad de que provenga de la estacién C2 7. La contaminacion de fos ties en Estados Unidos. >n problema de hace varios aitos, Considere los evenios siguientes: A = (BI io esté contaminado,) B ~ [Una prucha cn una muestra de agua detec {a contaminacion,) (© = {Se permite a pesca.) Suponga: P(A) = 03, P(B| A) = 0.75, PB\A') ~ 020, PC|ANB) = 0.2 rcla'ns| (Clans) Pcclarn'y (a) Eneuentre P(A N BNC), [b) Fneentre PBC), (e) Fneentre P(C), (a) Enewentre la probabilidad de que el ro esté com ‘aminado, dado que se permit Ia pesea y qu la pre ba de Ia muestra no detecte contaminacion,8. Uno cadena de tiendas de pintura produce y ven= de pintura de latex y semiesmaltads, Con base ca lag ventas de largo plazo, la probabilidad de qu un een te compre litex e¢ 0,75, De les que compran pintura de Litex, 60% también compran rodillos, Pely 30% Ejercicios de repaso Seccidn2.8 Regiade Bayes 49 ‘de los compraitores de pintura semiesmaltada com. Pran rodillos. Un comprador que se selecciona al azar ‘compra un rodillo yuna lata de pintusa. ¢Cudl es le Probabilidad de que la pintura sea del ee 1, Un suero de la verdad tiene ta propiedad de que 80% de los sospectosos culpables se juzgan de forma aalecuzda mientras que, por supuesto, 10% de lossos- Pechosos culpables resultan erroneamente inocentes For otto lado. a los sospechosos inocentes se les juzga ‘de manera erromea 1% de las veces, Sel sespechoso se Selesciona de un grupo de sospechosos de los que solo 5% alguna vez han cometido un crimen, y el suero indica que es culpable, ;cuil es la prohabilidad ‘de que sea inocente? 2. Una alergista afirma que S0% de tos pacientes que examina son alérgicos a algiin tipo de hiesbo, {Cuil es la probabilidad de que (@) exactamente tres de sus cuatro proximos pacien: tes sean alérgicos a hierbas’? (b) singuno de sus siguientes cuatro pacientes sean alérgicos a hierbas? 3. Mediante la comparacién de las regiones apro. piadas en un diagrama de Venn, verifique que (a) (ANB)U(ANB') = A (©) A'UB'UC) = (ANB IU’ UO. 4, Las probabilidades de que una estacién de servi io bombee gasolina en 0, uno, dos, tres, cuatro, ) (Cuantas combinaciones se utilizaran para cada tipo de aceite? (©) Discuta por qué las permutaciones no son un pro- blema en este ejercicio. 17. Considere la situaci6n del ejercicio 16 y suponga que el fabricante puede probar s6lo dos combinacio- nes en un dia. (a) {Cual es la probabilidad de que se elija cualquier conjunto dado de dos corridas? (b) {Cudl es la probabilidad de que se utilice la tem- peratura mds alta en cualquiera de estas dos combi- naciones?3 Variables aleatorias y distribuciones de probabilidad 3.1_Concepto de variable aleatoria erimentos cuyos resultados se enewentran sujetos alazar. La nponentes clectrénicos es un ejemplo de experimento ese 4 para deseribir cualquier proceso mediante el cual se jemplo, el espacio muestal que da una desripcion Aetalloda decade posible resultado cuandose prucban tesconponcnies cecreninn se puede escribir como 5 = NWN, NND, NDN, DN, NDD. DND, DDN, DDD), 10S0”. Naturalmente, estamos De esta forma 4 cada punto, Estos valores yr numérico de 0, 1,2 en el espacio Son, por suputesto, c rminadas por el resultado del experim yimero de ar- variable alea 10. Se pueden ver como valores feulos defeetuosos cuando se prucban tres nponentes electoniens. Una variable aleatoria cs una funci6n que asocia un numero real con cada ele mento del espacio muestra 5152 copiuto 8 Varacies ateatoras y dstibucicnes dv probabiided Utilizaremos una tetra mayuscula, digamos X, Ysutcorrespondiemte mintscula,x en esie caso, para uno de sus valores. En el ejems lo anterior de prueba de componentes electrGnicos. notamos que la variable lon toria X toma el valor 2 para todos los elementos en ef suhecinjunto E = |DDN, DND, NDP} del espacio muestral S: Es decir, cada valor posible de X represe ‘85 un subeonjunty del espacio muestral para el experimento dado, tun evento que nplazo de una urna que ras, Los posibles resultados y los valores y de la variable aleatoria ¥, donde ¥ es el nimero de bolas rojas. son Espacio mucstrat RR 2 ae 1 aR 1 ae o Ejemplo 3.2 El empleado de un almacén represa tres eascos de seguridad al azar a tres empleados de un taller siderairgieo que ya los habian probado. Si Smith, Jo- nes y Brown. en ese orden, reciben uno de los tres easeos, liste los puntos muestia: les para los posibles Srdenes de regreso de los cascos y caeuentee el valor m de la variable aleato ‘el nimeto de asociaciones correcta, sowucion S, Ly B representan los caseos de Smith, Jones y Brown, respectivamente, enton- ces los posibles arreglos en los que se pueden regresatr los cascos y el niimero de aso- Espacio muesiral nt SUB 3 sey I ISB. L IBS 0 BSI ° BIS 1 cada uno de 1osdos ejemplos anteriores, el espacio muestral contiene un n= ‘mero linito de elementos. Por otto lado, cuando se lanza un dade hasta que osutre tn cinco, obtenemos un espacio muestral con una sscuencia interminable de ele- rmentes S'=(F.NF.NNE, NNNE, donde F y N representan, respectivamente, la ocurrencia y no ocurrencia de un. Pero incluso en este experimento el niimero de elementos puede ser igual a Jos nimeros enteros de modo que hay un primer elemento, un segundo, unt asi sueesivamente, y en este sentido se puedSecciin 32 biswibiciones discrmas de probebitdad 6 tun niimero (into de posbilidades 6 una sere ‘o> Como niimeros enteros exsten, se llama es contabis, Tales leis, por cjempla, cand selevea cane aa ane pesablel con cinco tos de gasoline, Supgaan qe ee ee ble que se mide con algén gradode predsi6n,entonces claramente teretpans infinite de posites dstancin ene espacio mumalaee reo Imes ahora gue no todos fs expacioe muestales nroon ses dean, Sim espacio muestra contisne un adnero infinite de posbidades ual al ad mero de puntos en un sgmento de linc, s lama espacio mucstal coat Una variable aleatoriase Hama variable aleatoria disereta si se puede contarsucon- junto de resultados posibles. Como los posibles valores de Y en el ejemplo 3.1 son 0. 1y 2 y los valores posibles de M en el ejemplo 3.2 son 0,1 y 3, se sigue que ¥ ¥ ‘M son variables aleatorias discretas, Cuando una variable aleatoria puede tomar vi lores en una escala continua, se le denomina variable aleatoria continua. A ment: do los posibles valores de una variable aleatoria continua son precisamente los rmismos valores que contiene el espacio muesiral continuo, Tal esl caso cuando la variable aleatoria representa la medicidn de méuil recorre en una pista de prueba con cinco litros de gasolina. En la mayor parte de los problemas pricticos, las variables aleatorias continuas representan datos medidos, como son toulos los posibles pesos, altutas, temperatura, distancias 0 periodos de Vida, mientras que las variables aleatorias discretas represen tan datos conados, como el numero de articales defeciuosos en una muestra de k a ticulos o el numero de avcideates de carretera por aio en un estado dado. Nétese que las variables alcatorias ¥ y M de los ejemplos 3.1 y 3.2 representan datos contades. Y el ndimero de bolas rojas y M el nimero de asignaciones correctas de los cascos a distancia que cierta marcs de auto- 3.2 Distribuciones discretas de probabilidad Una variable aleatoria discreta toma cada uno de sus valores con cierta probabili- dad, En el caso de lanzar una moneda tres veces, la variable X que representa el nt- ‘mero de caras, toma el valor 2.con probabilidad 3/8, pues tres de los ocho puntos muestrales igualmente probables tienen como resultado des earas v una cru7. Si se suponen pesos iguales para los eventos simples del ejemplo 32, la probabilidad de que ningén empleado obtenga de vuelta su casco correcta, ¢s desir, Ia probabilidad de que M tome el valor cero, 8 1/3. Les valores posibies m de M y sus probabil des son3a Captuto 3 Variables tears y tibuciones de probabidnd m oa rom [ao Note que los valores dean ay es suman | Con free nv toMlos ls casos poribles y par elo las probabih: ncia es conveniente represemtar tots kas probabilidades de una vo. toria mediante una fonmula, Til formula necesariamente serta una fog sid de tos valores numericos x que denotaremos con fC), u(x), rls), ¥ aad sucesivamente, Por tanto, eseribimes J(a) — POX sdecit, J) = FOC = 4, Fl conjunto de os (x (4) se tha ‘én de probit bbucidn de probabitidad de is vasiable aleatoria discret © Fable ale El conjunto de pares ordenado ion masa de probabilidad o dis ria disereta X's, para cada rosul Le fx) 0. zB Diey=1 3 PU = x) = fix), Eemplo33_ Un embarqe de ocho mioompatares Snes para uma end dest cempndiancnevenreludncsindepesaneen detest sowie Sea una viable letra cays vss «son fos don penile de comqu Ida efectuosis que compra lesa Entanass pas a Iosmimeros 192, Aor en 3))8 (G)_w 0) = 1% = 0) 5) 2) f0)= Pa) oe 1s ; JQ) = P(X = 0) = * iy 3a ) Entonces la distribucién de probabilidad de X esDefinicion 3.5 ‘Seeclon 3.2 Distrituciones discretas de probabilded SB a) Ligmple 34 Si unaagencia de autos vende 0% de ou inventario de cierto vehi lo extr ‘SOLUCION. Como la probabilidad de vender un automéviléon botas de aire es 05; los = 16 Puntos del espacio muestra tienen ta mismna probatilidad de ocurrencia, Por tanto €l denominador para todas las probabilidades, y también para nuestra lunciém og 16, Para obtener el nimero de manetas de vender tres modelos con bolsas de aie necesitamos considerar el nuimero de formas de dividir cuatro resultados on des cel, «das con tres modelos con bolsas de aire asignadas a una celia. y cl modelo sin bol 3 S48 dese asjgado as otra. Eso se puede hacer de (4) = 4 formas En general elevento de vender x modelos con bolss de aire 4 — x modelos sin bolas de aire fi puede ocurrir de (*) formas, donde x pusde ser 0. 1.2.3.6 4 Entonoes, i dst bucién de probabilidad /(x) = P(X = x) es 4 (.) fis) pane = 0.1.2, Hay muchos problemas donde deseamos caleular la probabilidad de que el va- tor observado de una variable aleatoria X’sea menor o igual que algin ntimero real x. Aleseribir F(x) = P(X = 1) para cualquier aimero real r, definimos a F(x) co- mo la distribucion acumulada de Ia variable sleatoria ¥w La distribucion acumulada /(x) de una variable aleatoria disereta X con distti- bution de probabilidad f(x) es Fix) = P(X 4. Entonces, £2) = FQ) - FU) ‘A menudo es itil ver una distribucién de prohabilidad en forma grfica. Se pue- den graficar los puntos (x. f(4)} del ejemplo 3:4 para obtener la figura 3.1. Altunir ios Puntos al ee. ya sea con una linea punteada o con una sida, obtenemos lo que Por lo general se denomina como grifca de barras. La figura 3.1 permite ver de forma fae «il qué valores de ¥ tienen més probabilicad de ocurrencia, y también indica en este «caso una situacion perfectamente simétrica, En lugar de graficar los puntos (x, f(«)), mas a menudo construimos resténgu- 4os, como en la figura 32. Aqui los recténguilos se construyen de modo que sus ba ses, de igual ancho, se centren en cada valor x y sus alturas sean iguales a las Probabilidades dacas por f(s). Las bases se consiruyen de forma tal que no dejen spacies entre los reetdngalos, La figura 3.2 se llama histograma de probabilidad.‘Seccion 32 Distibuciones diseretasde probabilidad 57 19 to 66) . ae 516 a6 : i ane| 2n9 vie} . eealet dw Sone 3 4 Gs Bucy FE Figura 3.1 Giatea de bares, Figura 3.2 Histoyrame de probat Fes jure 3.3 Dietibucién acumulads discrot ‘Como cada base en la figura 3.2 tiene ancho unitario P(X = x) es igual al rea del rectingulo centrado.en x. Incluso si las bases no fueran de ancho unitario, podriamos ajus- tar las alturas de los reetingulos para gue las éreas aiin fueran igaalcs a las probabilida- dos de X al tomar cualquiera de sus valores x. Este concepto de utilizar areas para representar probabilidades es necesario para nuestra consideracion de la disteibucin de probabilidad de una variable aleatoria continua, La grafic de la distribuci6n acumulada de! ejemplo 32. ci6n escalonada en la figura 33, se obtione al grafic: Geertas distribuciones de probabilidad se aplican a mas de una. tribucion de probabilidad del ejemplo 3.4, por ejemplo, tambié aleatoria ¥, donde ¥ es el numero de cara cuando se lanza 4 veces una mone Variable aleatoria W, donde W es el numero de cartas rojas que resultan cuando se 4 cartas sucesivamente al azar de una baraja con el reemplazo de cada carta y barajando antes de sacar Ia siguiente, En el capfiulo 5 se consideraran distribuciones discretas espe- Ciales que se pueden aplicar a muchas situaciones experimeniales diferentes. se aplica a la vatSB Copitulo.3 Variables aeatorias + dstibuciones de probsbiliced 3.3_Distribuciones continuas de probabilidad Una variable aleatoria continua tiene una probabilidad cero de tomar exactamen. te cualquiera de sus valores. En consecuencia, su distribucién de probabilided no se puede dar en forma tabular. En un principio esto puede parecer sorprendente, Pero se hace mas plausible cuando consideramos un ejemplo particular. Conside Femos una variable aleatoria cuyos valores son la altures de toda la gente may de 21 aitos de edad, Enire cuatesquiera dos valores, digamos 1635 y 1645 semi. metros, o incluso 163.99 y 164.01 centimetros, hay un nimero infinite de alturas, abilidad de seleceionar una persona entimetros de estatura y no sca una del eon: tuna de las cuales es 164 centimetros.L azar que mida exactamente 164 junto infinitamente grande de estaturas tan cercanas a 164 centimettos que buma pr amente no s¢ pusda medir la diferencia es remota, por ello asignamos tna probabilidad cero a tal evento. Este no es el caso, in embargo, si nos referims » ta probabildad de selecionar una persona que al menos mida 163 centimettos pe ro ne mds de 165 centimetios de estatura. Tratamos ahora con un intervalo en tu gar de un valor puntual de nuestra variable aleatoria. Trataremos el caiculo de probabilidades para varies intervalos de variables leatorits continuas como P(a < c), etcétera. Nétese que cuando X es continua, Pa {a distribusién acunnatada F(x) se expresa deforma grfica en la figura 46, Ahora on, PO 3) [e) Pls <7 <6) 13. La cistribucién de probabilidad de X. et mimero de mperfecciones por 10 metros de una tela sintéties én rolloscontinuos de ancho uniforme, es dada por * Oe Liters f@) | 0M 037 O16 O08 om ‘Constsuya ta distiibucion acumulada de X. Sapiuto 3 Vanabies ahatorias v dstibuciones de probabiliead 14, El tiempo de espera, en horas, entre corredoces Sucenivos deteciados por un radat es una varie :toria continua con dstibecién seumulada fu <0 les, aso, rw) Encventre la probabilidad de esperar menos de 12 minutos entre enrredores sucesivos (a) coneluso de la dstribucion acumalada de X: (0) con el uso de la tuncin de densidad de probabi Higa de x 16. Eneuentte la distribuciin acumulada de la varia bie aleatona ¥ que representa! atimero de unidades efectuosas en el ejercieio 11. Con el wso de Fx) cercuentre fa) POY = 1) tb) P< X= 2). 16. Construya una laa del ejercieio 18 “17, Una variable aleatovia continua X que puede to mar valores entte x = Ty = 3 tiene una funcién de densilad dada por F(») = 1/2, (a) Muestre que eT aren bij la trv es gua (b) Encuente P2-< ¥< 2.5), (c} Frouentre POY 18. Uns varishls mar valores eat fia de la distribucion scum toria continua X que puede to- x= 2yx = 5 tiene uma fencion de slensidad dada por f(s) = 2(1 + x)/27, Eneueatre fa) PO =); (b) PG = N= 4), 19. Para ta funcion de censidad del ejercic {7,en suentre £2), Uiileela para evaluar P(2 = X= 25), 20. Para la funci6n de densidad del ejercicw |8, en: fuente F(a). y uiicela para evaluar P(3 = X'< 4), ~21, Comidere la funein de densidach o 0} (b) Pi-r= <9)24, Encuentre la dstribucién de probabitidad para et inimero de CD de jazz cuando se seleecionan eateo, CD alazar de una coteccién que consists en einen CID de jazz, dos de musica clésica y tres de rock: Exprese sus resultados mediante una férnmul, 25. Se seleecionan tres monedas sin reemptizo de caja que contiene cuatro ce dier centavos y dow de cinco centavos. Encuentre ly cisrtweisn de pro Secon 34 Distrouciones empricas 6B batdod panel tl 7 as tes ones. ape she dstrbucin de pois de forma pi ‘oun hitoprama de protaaldad conene cao bolasnegrassdsverdes cashes inte la Ustebucon de probabil parecl aie roe ties cach 3.4_Distribuciones empiricas las seeciones anteriores el lector fue expuesto a conceptos acerca de distribucio Nes discretas y continuas. Los métodos de cilculo de probabilidades dependen del Conocimienio de la funcién de masa ie probabilidad o funcin de densidad de pro babilidad: La funcién de probabitidad para el easo dseretoy la funcion de densidad Para el caso continuo son formas de caractetizar la distribucion de probabilidad pa ra una poblacidn 0 sistema, Obviamente, el usuario de los métodos estadisticos no puede generar suficien te informacién o datos experimentakes para caracterizar por completo a distribu. sign. Pero a menudo se utfizan conjuntos de dates para aprender acerca de Gertas Propiedades de la distribucion. Los ciemtiicos ¢ ingenieros estan acostumbrados @ {atar con conjuntos de datos. La importancia de caracterizar o restunir la naturale 2a de las recopilaciones de datos debe ser obvia. Con frecuencia un resumen de un Conjunto de datos por medio de una representacidn erafiea puede proporcionar més informacién del sistema del que se tomaron los dates, En capitulos posteriores se explora con detalle cl mucstreo de distribuciones ¥ la ropresentacién de datos afin de seforzar la infereneta estadistea acerca de ss. temas cientificos. En esta secci6n silo inttoducimos algunas representaciones sim- ples pero a menudo efectivas que complemenian el estudio de tas distribuciones estadisticas Por lo general, en un experimento que incluye una variable aleatoria continua la funcién de densidad f(x) se desconoce y se supone su formia. Para que la elecciin de f(x) sea razonablemente vilida se necesita en su seleccién tn buienjuicio que se base en toda la informacién disponible. Los datos estadistcos. gonerados en gran cantidad, pueden ser muy titles para estudiar el comportamionto de la distribucion sise presentan en u le dine -grama de troneo y hojas. Para ilustrar la construceign de un diagtama de tronvo y hojas, considere los datos de ta tabla 3.1, que especifican la “vida” de 4) baterius de coche similares que se registran al décimo de ano mas cercano, Se garantiza que las buterfas duran tres representacién tabular y gréfica combinada denomin: Toble 3.1 Vi Te an Oe Rietite sleet; 38 au 25 dae aa 36 39 33 a8: Beedle 44 32 41 19 47° 38 42 26 «439 30 4aoa Capitulo 3 Varinbiesaleateraey distribucionos dle probabitdad Tabla 3.2. Diagrama do tronco y hojas de a vids do as baterias Don 2225848USs6777859 25 fovae divide adh observacién en W6s p tes que consisten en un ronco represent el digito entero y la hoja ‘da a fa parte decimal del nimero. En otras paabras, pata el numero 37 et neo y et digito 7 como ta hoja, Los cuatro troneos pparatnuesites datos se lisa de forma consecutt fo taquierdo de uns linea vertivat en 32s las hojts se tegistran tla dereeha de la tinea en oposicidin a Valor det tronco apropiado. De esta forma la hoja 6 del numero 1.6 se segistra ea el lado opuesto del ironed 1; la hoja S del aximero 2,5 se registra en el lado apues- tode! troneo 2;etectera. ET numero de hojas que se registran en el lado opuesto de cada tronco se resume en fa colunna de frecuencia, El diaurama de tronco y bo} de ka tabla 3.2 contiene sélo cuatro troneos y en consecuentia no proporcia iacion adecuada de la distribucign, Para remediar este problema, ne Fel nlimero de troncos en nuestro ddiggrama. Una forma simple de leva a eabo esto es escribie cada valor de tronen dos veces a la irquierda de by linea ve tar las hojas 0, 1,2,3 y 4 del las ido donde apareee por primers ¥ez;y as hoe smo valor del troneo donde aparezea por segunda ver, Este diagiama de dobie ironeo y hojas medificad se ilustra en Ia tie bla 3.3, donde los troneos que eorrespontien a las Nojas 0.4 se codifican con el sim bolo * y el tronco que corresponde las hojas 5.4 9 con el simbolo Se puede lograr un aumento en el mamero de troncos al escribir cada valor de tronco cinco veces la izquierda de una linea vertical, donde podemos ahora end ficar los troncos con a para las hojas Oy 1, para bys hojas 2 y 3, para las hojas 4 y5.d para las hojas 6 y 7, ¢ para las hojas 8 y 9, Para los datos de la tabla 3.1 uti lizaremos entonces tos troncos 1d, Le, 2a, 2b, 2¢, 2d y 26 para construir un diagr’e ma de cineo troncos y hojas, En cualquier problema dado, debemos decidir los valores apropiados de lo troncos. E de modo que el iro 3 se designs com elt doopuesto del valor del tronce 185, 6, 7.8 9 de ado opuesto al decision se toma de forma un poco arbitraria aunque nos gains Por Tabla 3.3. Diograme de doble tronco y hojas para 1a vida de los baterlas Tron: Hoja Preawencia o 2 2 1 00, 4 contni2zzsss4e4 15 3 SS07TTNEO 0 ro la 5 4 7 3Seccién 34 Ditrbuciones empricis — 65 ¢l tamafo de nuestra muestra, Por lo general, elegimos entre cinco y 20 tronces. En- {re mis pequeo es el nimero de datos disponibles, menor es la eantidad de Woneee scleccionar: Por ejemplo, silos datos consnten en mimeros del al 21 que repre, sentan la cantidad de personas cn la fila de una cafeteria para 40 dias hdbes que se ‘cleccionan de manera sleatoria y elegimos un diagrama de doble troneo y hos lox {roncos serian0*,0-.1*, 1: 2° por io que ala observacién mas pequefia} le ores onde el troneo 0° y la hoja |. al nimero 18 le corresponde el tronco | y la hoja 8, ya la observacidn mayor 21 le corresponde el tronco 2* y Ia hoja 1. Por otro lado, fos datos consisten en cantidades de $8800 a $9600 que representan las mejores ven 1s de 100 automoviles nuevos de cierto distribuidor y clegimos un diagrama de un Solo tronco y hojas, los troncos serian 88, 89,89, ...,y 96 y ls hojas contendrfan dox digitos cada una. A un earro que se vende en $9385 le corresponderia un valor de {ronco de 98 y la hoja de dos digtos 85. Las hojas de digitos maltiples que pertene. ¢en al misma tronco por lo general se separan por comas en el diagrama de tronce y hojas. Los puntos decimales de los datos por lo general se ignoran cuando todos lox digitos a la derecha del punto decimal representan la hoja, Tal cs el caso de las ta blas 3.2 y 3.3. Sin embargo, silos datos consisten en mimeros que van de 21.8 4 74.9 debemos elegir los digitos 2, 3,4, 5.6 y 7 como nuestros troncos de modo que un ad ‘mero como el 483 tenga un valor de tronco de 4 y una hoja de 83 El diagrama de tronco y hojas representa una forma efectiva de resumir datos, Otra forma es a través del uso de la distribucidn de Frecuencias donde los datos, que se agrupan en clases 0 intervalos diferentes, se pueden construir mediante ci comieo de las hojas que pertenecen a cada tronco y al notar que cada tronco define un in. tervalo de clase. En la tabla 3.3 el tronco 1 con 2 hojas define el intervalo 1.0-1.) que 0 para toda (x.y). 2 ff seorjacay—1, 3 POY) € Al= | f oonaray. ara cualquier region A en el plano xy. Ejemplo3.9 Una fabrica de dulees distribuye cajas de chocolates con un sur- tido de cremas, chiclosos y nueces cubiertas con chocolate claro y oscuro, Para una caja seleccionad al azar, sean X y Y, respectivamente, las propor ciones de chocolates elaro y oscuro que son eremas y suponga que la funcién de densidad conjunts es72 Captuio 3 Varebiesalatoras y dstrbusiones de probabiidad Definicion 3.10 Qx+3y), O 0, PIX = ¥=y) _flvy) PIX x) 5) donde X'y son variables aleatorias diseretas. P= y|X =) ge) > 0, Noes dificil mostrar que la funci6n f(x, »)/g(x), que es estrictamente una fun: cin de y con + fia, satisface todas las condiciones de una distribucidn de probabi- lidad. Esto también es cierto cuando f(x,y) y g(x) son la densidad conjunta y la distribucion marginal de variables aleatorias continuas, Como resultado es en extre- ‘mo importante que hagamoy uso del tipo especial de distribucion de la forma 16s, y)/8() 2 fin de ser capaces de calcular de manera efectiva prob: ‘icionales. Este tipo de distribucion se lama disteibucion de probabil nal; la definicion condicional es la que sigue. ilidades con- lad condicio- Sean X y ¥ dos variables aleatorias, diseretas 0 continuas. La disteibucién iable aleatoria Y, dado que X = x,es flsy) fe. mils, Ia distribuciOn condicional de la variable aleatoria 4 gtx) > 0. Tl = FEM. no) >0.Sewcion 3.9 Distrbuciones de probabilided conjunts 75 Si se desea encontrar la probabilidad de que la variable aleatoriadiscreta X ca ‘entre ay b cuando se sabe que la variable discteta ¥ = y. evaliamos Pla x= 025)= | fole=a2ydy= [ora ay= 8 Kjemplo 3.14 Dada la funcin de densidad conjunta ish es osxenecyct 0, encualquier otro caso, encuentre x(x), AO). Slely).y evahie PCL << IV =) so.ueen Por defnicion oti 7 (+ 3y?) st= J feanrdy= [yy Sh) yaya oe tales ea ae‘Seccién 3.5 Distrituciones de probebided comune 77 Por tanto, ely = fey) 0+ 3y9)/4 ANG) Vaan ae OER? p(t ye PD el 4 3)" [a8 ae Independencia estadistica Si flly) no depende de», como es el caso en el ejemplo 314, entonces Feely) = 869) y flx.») ~ (3G). La demostracion se tiene alanine J%.9) = fesly ny) en la disteibucién marginal de Fs decir. s0)~f seyrdy =f" perlyynoyay. Si f(x]y) no depende de y. podemas escribir sy =rehf horde Ahora bien [ Oddy = 1 Pues /i()) es a funcion de densidad de probabilidad de Y. Por tanto, (8) =J(aly)—yentonees—flx,y) = gyi. Debe tener sentido para el leetor que si f(xy} no depende de y, entonces por supuesto el resultado de la variable aleatoria ¥ no tiene impacto en el resultado de la variable aleatoria X. En otras palabras, decimos que X'y Y son variables aleato- Flas independientes, Ofrecemosahora la siguiente definicion formal de independen. ia estadstica, Definicién 3.12 | Scan X y ¥ des variables aleatorias, discretas o continuss, con distribucion de probubilidad conjunta f(x,y) y distribuciones marginaes g(x) y h(y), respec vammente. Se dive que las variables aleatorias X y ¥ son estadisticamente inde- pendientes si y sélo si F059) = gC) para toda (x,y) dontro do sus rangos.78 Captulo 3 Variables slemorian y disribueiones do provebiténd as del ejemplo 2.14 son estadticamente indepen. dientes, pues el producto de ls dos distribuciones margiales da ia lncton de te, mente este no es el caso, sin embargo, pata continuss del ejemplo 313. La comprohacisn dela independencia esadisca de Aiseretas requiere una investigacion ms profunda, pues es po 10 de las distribucionos marginales sea ial ala Untibusien de hl conjunta pra algunas de las combinaciones de (3,3) pero no pare tas Si med encontrar alsin punto (x ») paral que fC y)se Uline de medortoe Jl. 9} 4 alah) as vatiales deren X'y ¥ no on estaditcamenteinopoe, Las variables aleatotias cont dientes Bjemplo 3.18. Mucstre que lay variables alcaiorias del ejemplo 38 no son estadi Ucamente indepenientes soLuciON Comideremos el punto (0,1), De la tabla 3.6encontramos que las tes probabilida: des (0,1), 0) Y HCL) son fi.ay= Da ee 2,3 405 #0) = ¥f0.3) = 55 + ie on aa oe 3 3 3 W0)= Fray = f+ Seon) Charamente JOA) # wlOVCA), to Xy ¥ no son estudisticomente independientes, V port FanaS las definiciones anteriores respecto a dos variables aleatorvs 3 pueden ge neralizar al caso de n variables a Sea flv... %,) la funcion de probar Gilad conjunta de las variables aleatorias x. 3, yy La Usribucdn marginal de X,, por ejemplo, es ota) se 2 Theun paral eas tise, y 8) ff ipekaynnesy)dagdeyeedey para el caso continuo. Ahora podemos obiener disteibuciones marginales conjuntas, Como (r,.,), donde Da Bikey om) (caso discreio) Hyxn=s" * Lop eevee ates doy te — eneSeccien 2.6 Distibuciones de prodabiidad conjunia 79) Gueden conserar numerosas dstribuciones condicionales, Por ejemplo, la tribucidn condicional conjania de X;, X3 y X, dado que X,= 4X. X, X,, = 4,,8e eseribe como ie ee a) BGG %55245%,) WG REAL ae oe) donde g(x, ras .X,, Xe {ina generalizacion de ln definicién 3.12 conduce ala siguiente detiniion para ta Independencia estadistica mutua de las variables Xy,4y.--0X,0 +4, ) es a distribucién marginal conjunta le las variables aleato- Definicén 3.13 | Sean X,, X;,....-X, n variables aleatoras, dderelas 0 eontinuas Gon Gu sion de probabilidad conjunts f(t,.x3,.~..,) y distibueiones, marginales Ailxs)s fla), fot). Tespectivamente, Se dice que las variables aloatorias »X, son estadisticamente independientes mutusmente si y sdlo si FOX) = HOO) °F, (4) Para toda (x,,r2..... ,) dentro de sus rangos, se eS eee | Ejemplo 3.16 Suponga que el tiempo de vida, en aft. de cierto producto alimen ticio perecedero empacado en cajas de cartén es una variable aleatoria cuya funcion de densidad de probabilidad esta dada por _fe. >0 Talo.” priaualtiBt osc, Sean 2%, X3.y X; los tiempos de vida para tres de estas cajas que se selecsionan de torma independiente y eneuentre POX, < 2.1 =< Xe < 34, = 2) sowvci6n Como la cajas se seleccioman de forma independiente, podemossupaner que ls va lables aleatorias X,, Xs yy son estadsticamente independientes¥ que tienen densidad de probabilidad conjunta Plsy.%:35) = Flee Fld) = para t, > 0,1 > 0.x, > 0.9 fly.) 0 en cualquier otro ease. De aqui ponerrex Yr (a) POX + ¥=4), 3. De un costal de fratas quecontione tres naranis, dos manzanasy tes platanon se selesciona una mues tra aleatoris de cuatro frutas Si Nest nuimero d ranjasy Vel de manzanas en la mucstra, enavent (a) ladistribucion de probabitidad conjunta de X’y ¥ (b) PUCK.) © Ay donde A es la region dada ps (syle y 4. Una vinateria opera atencién ‘en el automSvil ypara atender a quien Hlega caminan do. En un dia seleecionado al azar, sean X’y Y, res: pectivamente, las proporciones del tiempo que se utiliza cada instalacin. y syponga que la funcién de densidad conjunta de estas variables aleatorias es Ja +2y) 0, en cualquier otra parte. Osrs1osys fixy) 4 ‘ (@) Eneuentre la densidad marginal de X: (b) Encucnire la densidad marginal de ¥, (©) Encuenure la probabilidad de que las instalaco- ‘es para atencion en carro esten ocupadas menos de 1a mitad éel tiempo. 5. Una compania duleera distribuye eajas de chovo- lates con un surtido de cremas,chiclosos y envinados Suponga que el peso de cada caja es un kilogramo, ‘ero que los pesos individuales de las crema. ciclo. Sos y envinados varian de una caja a otra. Para una ‘aja seleccionada al azar. sean X y ¥ tos pesos de las cremas y los chiclosos, respectivamente, y suponga gue la funcién de densidad conjunta de estas varia bles es dy, O 0720 cen cualquier otro caso, encuentie PO = N= 1)¥ = 2), 7. Sea X el tiempo de reaecion,en segundos, der ‘oestimutante y ¥ la temperatura (F) ala que certa -accin comicna a suceder. Suponga que dos varia bles aleatorias ¥’y ¥ tienen la densidad coryunta foo = fo, dy, exch oeyet FO) 10 cncuslquicr otro caso Encuentre fa) PO=X< Sy} <7<3); tb) POC<¥), 8. Se supone que cada rueda trasera de un aereple- ‘no experimental se lena a una peesién de 40 psi Sea Ia presi real dl aire parala rueda derecha y Ya presion real de aire de la rueda izquierda. Supenga que Vy ¥ son variables aleatorias eon Ia densidad conjun 30S¥<50; 305 y<50 1) = Jo, ‘en cualquier otto caso, (a) Eneventre & (b) Encuentre P(30-< X= 40 y40< ¥ <50) () Encuentre la probabilidad de que ambas ruedss ‘no estén completamente Hlenas. 9. Sea Vel didmetra de un cable eléctrico blindads y Yeldiimetro del molde cerimico que hace el cable. Ay ¥ tienen una eseala tal. que estin entre 0 y 1. Su- ponga que X'y ¥ tienen la densidad conjunta 1 foes=4v 0, en cualquier orrocaso. Encuentie P(Y + ¥ > 1/2) 10. Con referencia al ejerccio 2, encuentee (a) Ia distribucion marginal de Xj (b) la distesbucidin marginal de ¥ 11. Li eantidd de queroseno, en miles de htros ed tun tangve al principio de cuakjuier dia es una cant dad aleatoria ¥ de la que una cantidad aleaiona X'S vende durante et dia. Suponga que el tangue no S® Feabastece durante el dia por lo que x = yy supon O 8. Se lanza dos veves una moneda S to de caras en el primer lanzamiento y W el mimero total de caras en los dos larzamientos, Sila moneds ‘ho est halanceada y una cara tiene una probabilidad de ocurrendia de! 40%, encuentre (@) ladistribucion de probabilidad conjunta de Wy Z. (b) ta distribucion marginal de W; (c) ladistribucidn marginal de (@) laprobabilidad de que ecurra al menos una cara 29 Z ol niime. 19. Dads ls funci6n de densidad conjunta me ceneventre PCL < ¥-< 3) = 2) Dex<2reyed 20, Determine sitas dos variables aleatoras del ejer- Ciclo 15 son dependientes o independlientes, 21. Determine silas dos variables alsatonias del ejer- elo 14 son dependdentes o independientes, 22, La funcién de donsidad conjunte de las variables atestorias X'y ¥ es 6x, Gee 1o 1 <2 <2). 24. Determines ls doe variables aleatorias del ejer- cio 7 son dependieates 0 independientes 25. Determine si las dos variables aleatoris del ejer- cicio 8 son dependientes oi82 Captulo 3 Variables aleateries ycittrbuciones de probabilidad 2B. La funcién de densidad de probabibdad conju: ta de las variables aleatorias X.Y y Z es O7. (a) {Cust es a funcicn masa de probabilided de X? (b) Caleule P(4< X= 7), 3, Dos componentes eleciténicos de un sistema de ‘isles trabajan en armonia para el éito de todo el sisiema, Sean X’y ¥ la vida en horas de los dos sis- temas. La densidad conjunia de X'y ¥ es eo? 12 0,y>0 i ‘en cualquier otro cas. ) Determine las funciones de densidad marginal ppara ambas variables aleatoris. (b) {Cual es la probabiidad de que ambos compo- nentes duren mis de dos horas? 4. Uns instalacin de servicio opera con dos lineas, En un dfa seleccionado al azar, sea X la proporcién de tiempo que a primera linea esti en uso en tanto {que Y es la proporcicn de tiempo en que la segunda linea esié en uso. Suponga que a funcion de densidad de probabilidad conjunta para (x. ¥) es or fret o 05, ¥ > 05),Seccion 3.5 Distribuciones de probabilidad conjunta 83 7. Un proceso industrial produce articulos que se pueden clasificar como defectuosos 0 no defectuosos. La probabilidad de que un articulo esté defectuoso es 0.1. Se lleva a cabo un experimento en el cual se sacan cinco articulos al azar del proceso. Sea la variable aleatoria Y el nimero de defectuosos en esta mues- tra de cinco. ,Cual es la funcién de masa de probabi- lidad de X? 8. Considere la siguiente funcién de densidad de pro- babilidad conjunta de las variables aleatorias X y Y: 359 F(x, y) = 9 0, en cualquier otro caso. :. Leyes, < ys 2 (a) Encuentre las distribuciones marginales de X y Y. (b) {Son independientes X y ¥? (c) Encuentre P(X > 2). 9. La duracién en horas de un componente eléctri- co es una variable aleatoria con funcién de distribu- cin acumulada — enH/50 3 Foy ={! er, x >0 0, (a) Determine la funcién de densidad de probabi- lidad, (b) Determine la probabilidad de que la duracién de tal componente exceda 70 horas. en cualquier otro caso. 10. Una fabrica produce pantalones. Un grupo de 10 trabajadores los “revisan”. Los trabajadores inspec- cionan pantalones que se toman al azar de la linea de produccién. A cada inspector se le asigna un mtimero entre el 1 y el 10. Un comprador selecciona un panta- lon para comprarlo, Sea la variable aleatoria X el nu- mero del inspector. (a) Determine una funcién de masa de probabilidad razonable para Y. (b) Grafique la funcién de distribucién acumulada para X.Esperanza matematica 4.1_Media de una variable aleatoria Sis miento, entonces los valores de X puedes }6 veces dos monedas y X’ os el nimero de caras que ocurre por lanza ser (0, 1 2, Suponga que en el experiment to salen cero caras, una cara y dos earas un (otal de cuatro, siete y cingo veces, respectivamente, ET ndmero promedio de earas por lanzamiento de las dos monedas (V4) + 017) + EE) 16 = 1.06, Este es un valor promedio y no es necesariamente un posible resultado del experi: mento. Por ejemplo. el ingreso mersual promedio de un vendedor probablemente ‘no es igual a alguno de sus cheques de pago mensuial Reestructuremos ahora nuestro cileulo del atimero promedio de earas de mo- do que tengamos la siguiente forma equivalente: o(f) + (2) +)(8) =u Los niimeros 4/16, 7/16, y 5/16 son las traceiones de los lanzamientos totales que ‘ienen como resultado cero, una y dos caras, respectivamente, Estas fracziones tam: son Ja Frecuencias relativas de los diferentes valores de ’ en nuestro expet: nto. En efecio, entonces, podemos calcular ka media o promedio de un conjunte de datos mediante el conocimiento de los distintos valores que ovurren y sus ffe= ‘euencias relativas, sin un conocimiento del ntimero toval de observaciones en nbes- tro conjunto de datos. Por tanto, si 4/16 0 1/4 de osDefinicién 4:1 ‘Secsion 41 Media de una variate slestoria 85 fetta cero cares 7/16 de os laneamientos tienen como resultado una cara 5/16 de sos tienen dos caras.ct numero medio de eae por noaanentoes 8 ‘in importa sel numero total de finzamienos fue Ts, 1000 orhcay W ‘utcemos ahora este mélodo de frecuenciasreatvas part eset nsimero romeo de ares por lnzamiento que podifamen esperar en cl lange pens Nee ‘eleitemosa este Valor promedlio como a meta det variable sleet Tokar ts de la distibucién de probabilidad dey ls denotanon por oo evvpenente como wewandoestéclaroa qu vtiae slentara non rslonings Fealen ees énite ls estadsticos referie a eta motia como cspsransn matenaiie Sel lor esperado dela variable sleatoriaX'y denetolawrge BU) Supongs que se lnzan monadss legals encontatos ge el espacio muestra pata nesro experiments S= (Hu THN Come los + puntos mucstrakes son igualmente probables, se sigue que PIX =0)= POT = 3 PW =1) = PUT) + PUT P(X = 2) = P(E) = }, donde un elemento tipico, digamos TH, indica que el primer lanzamiento tuvo.co- segundo lenzamiento, Ahore bien, para los eventos dados en el ‘mo resultado una cruz seguida de una cara en cstas probabilidades son justo las frecuencias relaiv largo plazo. Por tanto, w= £0) = (4) +(3) (4) =1 ste resto sgifia que uma persona que ance dos monedas un y ot er ea promedin,obtendr un ara pr lazaniento EL mélodo desea antes para cael rnmeroesperado de cra ene hn ‘amiento de dosmonedassugise que a medio o valor espera de aio vara bie aleatora dra xe puede obtener al muliplar cada une de los Yalres vr de ve est ors ees pea SS) fly) ect ex pediocin mtg ool le sisi of Caras je ci de ables ses cri ae Sic oye Var eipr edi os sou close hie pars warboaprace gus oe plazan a las sumatorias. Sip Pea varataa uiddcoyalpou cstiisdon uo promabtiaualf()-Lameae valor esperade de X cs. w= EQ) = Daf siXesdiscretny nar | yond si Xescontinua.BE Capivios Esperance maromatica Ejempla 4.1 Un inspector de calidad muestrea un lote que comiene siete compo. nentes; el lote contiene cuatro componentes buenos y tres defectuosos. El inspector toma una muestea de tres componentes. Encuentre el valor esperado del ndmero de fapinel eaeer en ue sowvcen oe] ate cdnpongisbaduon en a musta La abi do robe baa ces ayy 3 Resa pay gw (3) Los simples cielo dan (0) = 1/38, (1) = 2/38, 2) = 18/3, 76) = 7, £) eay(2) coy(!®) cep) « 4 = £0 = 0(4)+0(2) + 0(%) +00(4)- De esta manera, sise selecciona al azar una muestra de tamaiio tres una y otra vex de un lote de cuatro componentes buenos y tres defectuosos, contendrfa, en prome- dio, 17 componentes buenos. = x $0 pagarin $5 a una persona si sélo salen earas tres monedss, y ella pagard $3 si salen uma 0 dos caras. (Cua es su ganancia esperada? sowucion El espacio muestral para les posibles resultados cuando se lanzan de manera simul ‘énea tres monedas, 6 de manera equivalente 4 se lanea tres veces una moneda, e+ 5 = (MAM, HET, HT, THE HT, THT. 7TH. TTT Se podria argumentar que cada una de estas posibilidades es igualmente probsble ¥y que ocurre con probabilidad de 1/8. Un método alternativo seria aplicar la regle de la muliplicacion de probabilidad para eventos independientes a cada elemento de $.Por ejemplo, pain = pnpanncn =(3)(3)(§) = 4 La variable aleatoria de interés es Y, el monto que el jugador puede ganaryy Jos va lores posibles de ¥ son $5 si ocurre el evento E, = |HHH, TTT) y —$3 si ocurre el evento P= (HUT HTH TH HP, THT TPH, evento, Como £, y F ocurren con probabilidades 1/4 y 3/4,respectivamente, ses ‘gue que #09 = 69)(j) «a({) ==‘Secsi0n 41 Media do una variable aleatoria 87 {ste juego la pervona perderd, en promedio, $1 por lanzamiento de nedas: Un juego se consid 1 tres moe ‘era “equitativo” si el jugudor, en promedio, queda empa cia esperada de cero define un juego equi tada. Por tanto, ina gan Las clemplos 4 y 4.2 se dsenan pata petmitir al lector obtener una mejor compronsién de lo que queremos decir por valor esperado de una a ra. En ambos cases kis variables aleatoritsson discretas. Sepuimon e A vaviable aleatoria continua donde un ingenicro se interesa en la vida modi de cicrio tipo ile dispositivo electednico, Esta es una ilustracion de problema de te po de falla que a menudo se presenta en la préctica: El valor esperado de la vida del dispositive ¢s un parimetzo importante para su evaluacion, Ejemplo 4.3 Sea X'la variable aleatoria que denota Positivo electronico, La funcidn de densidad de probat 20.000 Ps > 100 0, «cualquier otto caso, ble aleato. ‘un ejemplo flo Encuentre la vida esperada de este tipo de dispositive, SOLUCION Con el uso de la detinicion 4.1, tenemos 200, w= BX 4 20,000 20000 fmm we fm Por tanto, podemos esperar que este tipo de dispositivo dure, ex promedio, 200 horas. Consideremos ahora una nueva variable aleatoria eX). que depen decir, cada valor de g(X) estd eterminado al conocer los valores de X. or ejem- plo, @(4) podria ser X° 0 3¥ ~ 1, de modo quesiompre que X tome el vale 2,g(X) toma el valor g(2). En particalar, si V es una variable aleatoria disereta con distr buci6n de probabilidad /(x),x = —1,0, 1,2, y,g(X) =X? entonees Ple(X) = 0) = PLY = 0) =f, Pig) = 1) = P(X = -1) + POX = 1) = (-1) + fC), Plg(X) = 4] ~ POX = 2) =f) de modo que la distribuciéin de probabilidad de g(X) se puecle escribir come 4 +10) 72) a) 0 Agi = ao) | AO fi jn del valor esperado de una variable aleatoria, obtenemos (x)) = OF) + U1) + FO) + Af) WPA 1) + OFF) + APL) + AFA = gliseo,— ne bape Hoy = ElgO1 = DY ase) si Xes disereta, y Hee = Ele = J softs) de si¥ es continua, mplo 4.4 Suponga que el niimero de autos que pasa por un lay entre 4:00 p.m. y 5:00 p.m, en cualquier viernes soleado tiene la siguic cin de probabilidad: 6 1 8 9 1 1 1 1 1 2 4 4 6 6 Sea g(X) = 2X ~ | la cantidad de dinero en dolares, que ef administ dependiente, Encuentre las ganancias esperadas del dependiente en particular. SOLUCION Por el teorema 4.1, cl dependiente puede esperar recibir Elg(4)] = EQX ~ 1) => Re -1)f%) = os) + (5) ~ ai) +«i(}) + a(? = $1267. 0 Ejemplo 4.5 Sea X una variable aleatoria con funcién de densidad ¢ An -1

Das könnte Ihnen auch gefallen

• The Handmaid's Tale

  

  Von Everand

  The Handmaid's Tale

  Margaret Atwood

  Bewertung: 4 von 5 Sternen

  4/5 (13186)
• The Hobbit

  

  Von Everand

  The Hobbit

  J.R.R. Tolkien

  Bewertung: 4.5 von 5 Sternen

  4.5/5 (24585)
• Freakonomics Rev Ed

  

  Von Everand

  Freakonomics Rev Ed

  Steven D. Levitt

  Bewertung: 4 von 5 Sternen

  4/5 (7848)
• • Zeitschriften
  • Podcasts
  • Noten
• The Hobbit

  

  Von Everand

  The Hobbit

  J.R.R. Tolkien

  Bewertung: 4.5 von 5 Sternen

  4.5/5 (25134)
• The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  

  Von Everand

  The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  Mark Manson

  Bewertung: 4.5 von 5 Sternen

  4.5/5 (20019)
• The 7 Habits of Highly Effective People: The Infographics Edition

  

  Von Everand

  The 7 Habits of Highly Effective People: The Infographics Edition

  Stephen R Covey

  Bewertung: 4 von 5 Sternen

  4/5 (2475)
• Art of War: The Definitive Interpretation of Sun Tzu's Classic Book of Strategy

  

  Von Everand

  Art of War: The Definitive Interpretation of Sun Tzu's Classic Book of Strategy

  Stephen F. Kaufman

  Bewertung: 4 von 5 Sternen

  4/5 (3321)
• American Gods: The Tenth Anniversary Edition

  

  Von Everand

  American Gods: The Tenth Anniversary Edition

  Neil Gaiman

  Bewertung: 4 von 5 Sternen

  4/5 (12945)
• The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  

  Von Everand

  The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  Mark Manson

  Bewertung: 4 von 5 Sternen

  4/5 (5794)
• Habit 1 Be Proactive: The Habit of Choice

  

  Von Everand

  Habit 1 Be Proactive: The Habit of Choice

  Stephen R. Covey

  Bewertung: 4 von 5 Sternen

  4/5 (2556)
• The Art of War: A New Translation

  

  Von Everand

  The Art of War: A New Translation

  Sun Tzu

  Bewertung: 4 von 5 Sternen

  4/5 (3044)
• Matar a un ruisenor (To Kill a Mockingbird - Spanish Edition)

  

  Von Everand

  Matar a un ruisenor (To Kill a Mockingbird - Spanish Edition)

  Harper Lee

  Bewertung: 4.5 von 5 Sternen

  4.5/5 (23003)
• Orgullo y prejuicio: Clásicos de la literatura

  

  Von Everand

  Orgullo y prejuicio: Clásicos de la literatura

  Jane Austen

  Bewertung: 4.5 von 5 Sternen

  4.5/5 (20517)
• American Gods [TV Tie-In]: A Novel

  

  Von Everand

  American Gods [TV Tie-In]: A Novel

  Neil Gaiman

  Bewertung: 4 von 5 Sternen

  4/5 (12520)
• The 7 Habits of Highly Effective People

  

  Von Everand

  The 7 Habits of Highly Effective People

  Stephen R. Covey

  Bewertung: 4 von 5 Sternen

  4/5 (2566)
• Never Split the Difference: Negotiating As If Your Life Depended On It

  

  Von Everand

  Never Split the Difference: Negotiating As If Your Life Depended On It

  Chris Voss

  Bewertung: 4.5 von 5 Sternen

  4.5/5 (3275)
• Habit 3 Put First Things First: The Habit of Integrity and Execution

  

  Von Everand

  Habit 3 Put First Things First: The Habit of Integrity and Execution

  Stephen R. Covey

  Bewertung: 4 von 5 Sternen

  4/5 (2507)
• Amiga, lávate esa cara: Deja de creer mentiras sobre quién eres para que te conviertas en quien deberías ser

  

  Von Everand

  Amiga, lávate esa cara: Deja de creer mentiras sobre quién eres para que te conviertas en quien deberías ser

  Rachel Hollis

  Bewertung: 4 von 5 Sternen

  4/5 (681)
• Habit 6 Synergize: The Habit of Creative Cooperation

  

  Von Everand

  Habit 6 Synergize: The Habit of Creative Cooperation

  Stephen R. Covey

  Bewertung: 4 von 5 Sternen

  4/5 (2499)
• Good Omens: A Full Cast Production

  

  Von Everand

  Good Omens: A Full Cast Production

  Neil Gaiman

  Bewertung: 4.5 von 5 Sternen

  4.5/5 (10905)
• The 7 Habits of Highly Effective People

  

  Von Everand

  The 7 Habits of Highly Effective People

  Stephen R. Covey

  Bewertung: 4 von 5 Sternen

  4/5 (353)
• Pride and Prejudice: Bestsellers and famous Books

  

  Von Everand

  Pride and Prejudice: Bestsellers and famous Books

  Jane Austen

  Bewertung: 4.5 von 5 Sternen

  4.5/5 (19653)
• It Ends with Us: A Novel

  

  Von Everand

  It Ends with Us: A Novel

  Colleen Hoover

  Bewertung: 4.5 von 5 Sternen

  4.5/5 (5753)
• Good Omens

  

  Von Everand

  Good Omens

  Neil Gaiman

  Bewertung: 4.5 von 5 Sternen

  4.5/5 (12010)
• And Then There Were None

  

  Von Everand

  And Then There Were None

  Agatha Christie

  Bewertung: 4.5 von 5 Sternen

  4.5/5 (8934)
• To Kill a Mockingbird \ Matar a un ruiseñor (Spanish edition)

  

  Von Everand

  To Kill a Mockingbird \ Matar a un ruiseñor (Spanish edition)

  Harper Lee

  Bewertung: 4.5 von 5 Sternen

  4.5/5 (22902)
• The Perfect Marriage: A Completely Gripping Psychological Suspense

  

  Von Everand

  The Perfect Marriage: A Completely Gripping Psychological Suspense

  Jeneva Rose

  Bewertung: 4 von 5 Sternen

  4/5 (1107)