Beruflich Dokumente
Kultur Dokumente
Estadstica I
Notas de clase (Borrador)
M. Daz Rodrguez
Barranquilla-Colombia
2016
c
Ediciones
Uninorte,2016
c
Mart
n Daz Rodrguez, 2016
Cordinaci
on editorial
Editor
Martn Daz Rodrguez.
Correcci
on de textos
Dise
no de portada
Indice de cuadros
1.1
1.2
1.3
4.1
4.2
51
53
56
vi
INDICE DE CUADROS
Indice general
1 Estadstica Descriptiva.
1.1 Introduccion . . . . . . . . . . . . . . . . . . . . . . .
1.1.1 Rese
na Historica . . . . . . . . . . . . . . . .
1.2 Estadstica Descriptiva . . . . . . . . . . . . . . . . .
1.2.1 Componentes de una investigacion estadstica
1.2.2 Tipos de datos y escalas de medicion . . . . .
1.2.3 Distribuciones de frecuencias . . . . . . . . . .
1.2.4 Tablas de frecuencias . . . . . . . . . . . . . .
1.2.5 Medidas de centralizacion . . . . . . . . . . .
1.2.6 Medidas de dispersion . . . . . . . . . . . . .
1.3 Propiedades de la varianza . . . . . . . . . . . . . . .
1.4 Datos agrupados por intervalos. . . . . . . . . . . . .
1.5 Demostraciones . . . . . . . . . . . . . . . . . . . . .
1.5.1 Demostracion 1 . . . . . . . . . . . . . . . . .
1.5.2 Demostracion 2 . . . . . . . . . . . . . . . . .
2 Probabilidad.
2.1 Introduccion . . . . . . . . . . . . . . . . . . .
2.2 Repaso sobre conjuntos y algunas propiedades:
2.2.1 Propiedades de conjuntos: . . . . . . .
2.3 Espacio Muestral. . . . . . . . . . . . . . . . .
2.4 Definicion Axiomatica de Probabilidad: . . . .
2.4.1 Tecnicas de Conteo . . . . . . . . . .
2.4.2 Probabilidad Condicional . . . . . . .
2.4.3 Probabilidad Total . . . . . . . . . . .
2.4.4 Regla de Bayes . . . . . . . . . . . .
2.5 Ejercicios . . . . . . . . . . . . . . . . . . . .
vii
. .
.
. .
. .
. .
. .
. .
. .
. .
. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
2
3
4
5
7
7
9
11
13
23
42
42
42
.
.
.
.
.
.
.
.
.
.
57
57
59
59
61
63
66
70
71
71
74
viii
3
.
.
.
.
.
.
.
85
85
86
87
88
88
92
98
Distribuciones conjuntas.
4.1 Variables Aleatorias Discretas Bidimensionales . . . . . . . . . . . . .
4.2 Variables Aleatorias Continuas Bidimensionales . . . . . . . . . . . .
4.3 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
113
113
113
121
INDICE GENERAL
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Captulo 1
Estadstica Descriptiva.
1.1.
Introducci
on
C
iencia que se ocupa del estudio de fenomenos de tipo generico, normalmente
complejos y enmarcados en un universo variable, mediante el empleo de modelos de
reduccion de la informacion y de analisis de validacion de los resultados en
terminos de representatividad .
En otras palabras y aunque no es lo suficientemente exacto por no encerrar la inmensidad de aplicaciones, puede afirmarse que la estadstica es la ciencia que se ocupa de
reunir, organizar y analizar datos con el objeto de obtener afirmaciones fiables (informacion valida, sin errores, y representativa) que permitan resolver problemas como
el dise
no de experimentos y la toma de decisiones a traves de las fases de recogida de
informacion, (donde la informacion puede ser numerica, alfabetica o simbolica) de
analisis y de presentacion e interpretacion de los resultados y elaboracion de metodos.
En estadstica existe siempre una relacion entre la informacion necesaria y la
fiabilidad del conocimiento que esta proporciona, puesto que la certeza completa
es inalcanzable. El arte de la estadstica practica reside en la investigacion de la
probabilidad de un hecho y en el conocimiento de la cantidad de informacion que se
requiere para calcular su probabilidad.
1
SANCHEZ-CRESPO, G; MANZANO, V.: Sobre la definicion de Estadstica.Boletn de la
International Association of Statistical Education para America Latina, Oct. (2002), (5 pp) (dpp)
La estadstica es la ciencia que trata de obtener afirmaciones fiables sobre hechos o fenomenos variables. Esta desempe
nando un importante papel ascendente
en casi todas las facetas del progreso humano. Anteriormente solo era aplicada a
los asuntos del estado, de donde viene su nombre; pero ahora la influencia de la
estadstica se extiende a la agricultura, biologa, negocios, qumica, comunicaciones,
economa, ense
nanza, electronica, medicina, fsica, ciencias polticas, psicologa,
sociologa y otros muchos campos de la ciencia e ingeniera.
El proposito de este trabajo en su primera parte, es presentar una introduccion a los
principios generales de la estadstica descriptiva que sea de utilidad para todos, con
independencia de sus campos de especializacion; como la organizacion y analisis de
datos, probabilidades de eventos, las diferentes formas en que se pueden distribuir las
probabilidades y variar los datos de cualquier muestra o poblacion. Ademas espero
que en su segunda parte tambien sirva de consulta para todos aquellos que esten
ligados de una u otra forma con aplicaciones estadsticas en sus propios problemas
de investigacion.
En este documento recopilaremos de forma organizada conceptos importantes que
permitan obtener una vision y claridad amplia de la definicion antes expuesta y de
la gran influencia de la ciencia estadstica dentro de casi todos lo fenomenos que nos
rodean especialmente a aquellos interesados en el desarrollo cientfico.
1.1.1.
Rese
na Hist
orica
1.2.
Estadstica Descriptiva
1.2.1.
Definici
on 1.2.1. Experimentos aleatorios : Son el objeto de estudio de la estadstica
y tienen que ver con el azar.
Definici
on 1.2.2. Poblacion : Es el conjunto de todos los posibles resultados que se
pueden obtener de un experimento aleatorio.
Definici
on 1.2.3. Muestra : Cualquier subconjunto extrado de una poblacion.
Una muestra es representativa de una poblacion cuando cumple las siguientes
condiciones:
1. De tama
no adecuado.
2. Tomada al azar.
3. Las conclusiones tomadas de la muestra puedan extenderse a la poblacion.
Definici
on 1.2.4. Muestra Aleatoria : Es cualquier muestra escogida al azar.
Definici
on 1.2.5. Parametro : Cualquier caracterizacion objeto de estudio en una
poblacion.
Ejemplo: La media poblacional, la mediana poblacional.
Un parametro se considera como el valor verdadero de la caracterstica a estudiar.
Definici
on 1.2.6. Estadsticos : Cualquier caracterizacion de la poblacion realizada
sobre una muestra.
CAPITULO 1. ESTADISTICA DESCRIPTIVA.
1.2.2.
Definici
on 1.2.9. Escala nominal : Es aquella en la que los n
umeros solo se emplean
para diferenciar los objetos, distintas categoras o nombres.
Por ejemplo, los n
umeros en las camisetas de los jugadores de f
utbol, los n
umeros
de la cedula de ciudadana, etc.
Definici
on 1.2.10. Escala ordinal : Es aquella en que los n
umeros se utilizan para
diferenciar en orden de supremaca de acuerdo con cierto criterio jerarquico; como
son los n
umeros que se utilizan para clasificar los distintos estratos socioeconomicos
o para designar preferencias. Cuando los objetos son medidos en esta escala, los que
tengan la misma asignacion se consideran iguales, y los que tengan asignaciones
distintas se consideran diferentes.
La diferencia entre dos n
umeros ordinales no tiene significado cuantitativo, solo
expresa que una situacion es mejor que otra, pero no cuanto.
Definici
on 1.2.11. Escala de intervalos : Es una escala mas especializada que las
dos anteriores, en el sentido de que es posible ordenar las mediciones y decir en
cuanto difiere una situacion de la otra.
1.2. ESTADISTICA DESCRIPTIVA
Por ejemplo en las mediciones de la temperatura no solo podemos decir que hoy
hace mas calor que ayer, sino que podemos decir hoy la temperatura es dos grados
mas alta que ayer. Esta escala es una escala verdaderamente cuantitativa.
Definici
on 1.2.12. Escala de razon : Es aquella que tiene una unidad de medida, un
punto de origen no arbitrario (un cero verdadero, sinonimo de ausencia del atributo).
Por ejemplo el peso de una persona, su estatura, etc, en esta escala la razon entre
dos n
umeros es significativa, por ejemplo, si Paulo saco 5.0 y Graciela saco 2.5 en un
curso de Estadstica I, cuya calificaciones oscila de 0.0 a 5.0, entonces Paulo saco el
doble de nota que Graciela.
Una vez que se han precisado las distintas escalas a las que estaran referidos los datos,
se pasa a rese
nar los elementos basicos que forman parte de las distintas maneras
como se pueden resumir los datos con el proposito de tener una vision aproximada
de las caractersticas mas sobresalientes de estos.
Datos discretos y continuos
Representaremos los datos con las u
ltimas letras del abecedario, tales como x, y, z, las
cuales pueden tomar cualquier valor de un conjunto prefijado de valores. Si los datos
solo pueden tomar el mismo valor en todos los casos, a estos datos los llamaremos
constante.
Definici
on 1.2.13. Datos continuos : Si un dato x puede tomar cualquier valor en
un intervalo dado, entonces x se le llama dato continuo.
Definici
on 1.2.14. Datos discretos : Si un dato x puede tomar solo un n
umero finito
o infinito pero contable de valores en un intervalo dado, entonces se dice que x es un
dato discreto.
En general las medidas dan origen a datos continuos, mientras que las enumeraciones
o conteos originan datos discretos.
Ejemplo 1.2.1. Identificar de los siguientes datos cuales representan datos
discretos y cuales datos continuos?:
1. N
umero de acciones vendidas cada da en un mercado de valores.
R/: Discreta, por ser el n
umero de acciones, algo contable.
1.2.3.
Distribuciones de frecuencias
Definici
on 1.2.15. Frecuencia de un dato : Sean {x1 , x2 , x3 , ..., xn } un conjunto de
datos distintos. Se define la frecuencia de un dato i, denotada fi como el n
umero de
veces que aparece el dato en la poblacion; i=1,2,...n.
Ejemplo 1.2.2. Para los siguientes 6 datos {1,1,2,2,2,3} se tiene que la frecuencia
del n
umero 1 es 2; la del n
umero 2 es 3 y la del n
umero 3 es 1.
Definici
on 1.2.16. Frecuencia acumulada hasta un dato dado: Sean {x1 , x2 , ..., xn },
un conjunto de datos con frecuencias f1 , f2 , . . . , fn respectivamente, se define la
frecuencia acumulada hasta el dato xi , i = 1, ..., n denotada Fi as:
Fi = ik=1 fk = f1 + f2 + ... + fi ;
i = 1, 2, ...n.
Definici
on 1.2.17. Frecuencia relativa de un dato : Sean {x1 , x2 , ..., xn }, un
conjunto de datos con frecuencias f1 , f2 , . . . , fn respectivamente, se define la
frecuencia relativa de un dato xi , i = 1, ..., n, denotada fri as:
fri =
fi
n
k=1 fk
i = 1, 2..., n.
Definici
on 1.2.18. Frecuencia relativa acumulada hasta un dato dado: Sean
{x1 , x2 , ..., xn }, un conjunto de datos con frecuencias f1 , f2 , . . . , fn respectivamente,
se define la frecuencia relativa acumulada del dato xi , i = 1, ..., n denotada Fri as:
Fri =
1.2.4.
Fi
n
k=1 fk
i = 1, 2..., n
Tablas de frecuencias
17
18
20
20
21
19
19
18
18
20
19
20
18
18
19
19
19
18
20
18
19
18
18
20
19
18
19
18
18
18
18
fi
f1 = 1
f2 = 14
f3 = 9
f4 = 6
f5 = 1
Fi
F1 = 1
F2 = 15
F3 = 24
F4 = 30
F5 = 31
fri
fr1 = 1/31
fr2 = 14/31
fr3 = 9/31
fr4 = 6/31
fr5 = 1/31
Fri
Fr1 = 1/31
Fr2 = 15/31
Fr3 = 24/31
Fr4 = 30/31
Fr5 = 31/31
15
corresponde al segundo dato distinto en la tabla es de Fr2 = 31
= 48,38 %; o sea
que la contribucion del estudiante que tienen 17 a
nos en el acumulado del grupo es
mnima.
ni
38
144
342
287
164
25
fi
Ni
Fi
1. Completar la tabla
2. Determinar para que clase Fi es mayor que el 60 % :F
1.2.5.
Medidas de centralizaci
on
Definici
on 1.2.19. Moda
Sean {x1 , x2 , ..., xn }, un conjunto de datos con frecuencias f1 , f2 , . . . , fn respectivamente, se define el dato moda, denotado x, como aquel que tiene como frecuencia a
fk , siendo fk fi para i {1, 2, ..., n}, k = 1,2,...,n.
La moda de una serie de datos es aquel dato que se presenta con mayor frecuencia,
es decir, es el dato mas com
un.
La moda puede no existir, incluso si existe puede no ser u
nica. Una distribucion que
tiene una sola moda se llama unimodal.
En caso de los datos (numericos) agrupados donde se ha construido una curva
de frecuencias para ajustar los datos, la moda sera el valor (o valores ) de x
correspondientes al maximo de la curva.
Definici
on 1.2.20. Mediana
Sean {x1 , x2 , ..., xn }, un conjunto ordenado de todos los datos de una poblacion, se
define la mediana poblacional, denotada x as:
( Xn + Xn
2
2 +1
si n es par
2
x =
X n+1
si n es impar
2
10
Pn
f i xi
.
= Pi=1
n
i=1 fi
Nota: Si fi = 1, i = 1,2,...n, entonces:
Pn
=
i=1
xi
Definici
on 1.2.22. Media muestral
Sean x1 , x2 , ......, xn , una muestra de datos distintos extrada de una poblaci
on y
sean f1 , f2 , ...., fn , las frecuencias respectivas. Se define la media muestral, denotada
X, as:
Pn
i=1 fi Xi
X= P
.
n
i=1 fi
Nota: Si fi =1, para todo i = 1, 2, ..., n, entonces
Pn
Xi
X = i=1 .
n
11
1.2.6.
Medidas de dispersi
on
Pn
f |x
i=1
Pni i
i=1 fi
D.M. =
Pn
i=1
D.M. =
|xi |
.
n
Definici
on 1.2.25. Varianza Poblacional
Sean x1 , x2 , ..., xN , el conjunto de todos los datos distintos de una poblacion y sean
f1 , f2 , ..., fN , las frecuencias respectivas. Se define la varianza poblacional, denotada
, 2 as:
PN
fi (xi )2
.
PN
i=1 fi
i=1
12
PN
i=1 (xi
)2
Definici
on 1.2.26. Varianza muestral
Sean x1 , x2 , ......, xN , una muestra de datos distintos extrada de una poblaci
on
y sean f1 , f2 , ...., fN , las frecuencias respectivas. Se define la varianza muestral,
denotada S 2 , as:
Pn
f (X X)2
2
Pni i
,
S = i=1
i=1 fi 1
donde X es la media muestra.
Nota: Si fi =1, para todo i = 1, 2, ..., n, entonces
Pn
2
2
i=1 (Xi X)
S =
n1
Definici
on 1.2.27. Desviacion Estandar Poblacional
Sea 2 la varianza poblacional, se define la desviacion estandar poblacional, denotada, , as:
=
2.
S = S 2.
Osea que la desviacion estandar muestral S, es la raz cuadrada positiva de la
varianza muestral S 2 .
sP
n
fi (Xi X)2
i=1P
S=
,
fi 1
donde X es la media muestral.
CAPITULO 1. ESTADISTICA DESCRIPTIVA.
13
1.3.
Propiedades de la varianza
1. Si Y=aX+b, entonces 2 Y = a2 2 X
2. Si Y=aX, entonces 2 Y = a2 2 X
3. Si X=c, entonces 2 X = 0.
Demostraci
on:
1) Se demostrara para el caso poblacional.
Por definicion sabemos que
P
fi (Yi Y )2
2
P
, y por hipotesis que
Y =
fi
Yi = aXi + b, para todo i = 1, 2, ..., N, entonces,
X
X
X
X
f i Yi =
fi (aXi + b) =
fi aXi +
fi b,
lo cual implica que
P
P
P
P
P
f i Yi
a f i Xi b f i
fi aX i
fi b
Y = P
= P
+ P
= P
+ P
= aX + b
fi
fi
fi
fi
fi
(1.1)
(1.2)
(1.3)
(1.4)
Y2
P
=
a2
fi (aXi + b aX b)2
P
=
fi
fi (Xi )2
2
P
= a2 X
fi
(1.5)
Definici
on 1.3.1. Coeficiente de Variacion
Denotado C.V., se define como:
C.V. =
(1.6)
14
Definici
on 1.3.2. Coeficiente de Sesgo
Sean {x1 , x2 , ..., xn }, un conjunto de datos distintos con frecuencias f1 , f2 , . . . , fn
respectivamente, se define el coeficiente de sesgo, denotado C.S., as:
Pn
C.S. =
i=1
fi (xi )3 /
3
Pn
i=1
fi
(1.7)
i=1 (xi
)3 /n
Si C.S. es mayor que cero decimos que la curva plana de distribucion de los datos
versus las frecuencias respectivas es sesgada a derecha, es decir, la grafica de
distribucion de los datos debe ser de la siguiente forma:
Si C.S. es igual a cero decimos que la curva plana de distribucion de los datos versus
las frecuencias respectivas es insesgada, es decir, la grafica de distribucion de los
datos debe ser de la siguiente forma:
15
Si C.S. es menor que cero decimos que la curva plana de distribucion de los datos
versus las frecuencias respectivas es sesgada a izquierda, es decir, la grafica de
distribucion de los datos debe ser de la siguiente forma:
16
Definici
on 1.3.3. Coeficiente de Kurtosis:Denotado C.C.
Sean {x1 , x2 , ..., xn }, un conjunto de datos distintos con frecuencias f1 , f2 , . . . , fn
respectivamente, se define el coeficiente de Kurtosis, denotado C.C., as:
Pn
C.C. =
i=1
fi (xi )4 /
4
Pn
i=1
fi
(1.8)
i=1 (xi
)4 /n
Si C.C. es mayor que tres decimos que la curva de distribucion de los datos versus
las frecuencias respectivas es empinada, es decir, la grafica de distribucion de los
datos debe ser de la siguiente forma:
Si C.C. es igual a tres decimos que la curva de distribucion de los datos versus
las frecuencias respectivas es normal (forma de campana), es decir, la grafica de
distribucion de los datos debe ser de la siguiente forma:
17
Si C.C. es menor que tres decimos que la curva de distribucion de los datos versus
las frecuencias respectivas es achatada, es decir, la grafica de distribucion de los
datos debe ser de la siguiente forma:
18
19
18
18
20
19
20
18
18
19
19
19
18
20
18
19
18
18
20
19
18
19
18
18
18
18
19
Pn
fi x i
= Pi=1
.
n
i=1 fi
Pn
fi (xi
i=1P
n
i=1 fi
Pn
C.C. =
4
i=1 fi (xi ) /
4
Pn
C.S. =
i=1
fi (xi )3 /
3
C.V. =
)2
Pn
i=1
Pn
i=1
fi
fi
(1.9)
(1.10)
(1.11)
20
Soluci
on:
xi
17
18
19
20
21
Suma
fi
1
14
9
6
1
Pn
i=1
Fi
1
15
24
30
31
f i xi /
(xi )2
2.89
0.49
0.09
1.69
5.29
fi xi
17
252
171
120
21
581
Pn
i=1 fi ,
(xi )3
-4.91
-0.34
0.027
2.19
12.16
9.13
(xi )4
8.35
0.24
8.1*103
2.85
27.98
39.42
fi (xi )2
2.89
6.86
0.81
10.14
5.29
25.99
fi (xi )3
-4.91
-4.76
0.243
13.14
12.16
fi (xi )4
8.35
3.36
0.07
1701
27.98
entonces:
= 581/31 = 18.7
2=
Pn
i=1
fi (xi )2 /
Pn
i=1 fi ,
entonces:
2 = 25.99 / 31 =0.83
C.V.= , entonces:
C.V.=
C.S.=
C.S.=
Pn
3
i=1 fi (xi ) /
3
15,87/31
( 0,83)3
Pn
i=1
fi
, entonces:
= 0,67
Problema de aplicaci
on 1. A la asociacion colombiana de ciencias economicas
le preocupa la escasez de profesionales en este campo que parece se dara en un
futuro no lejano en la ciudad de Barranquilla. Para investigar el grado actual
de satisfaccion con la profesion, se ha patrocinado un estudio en toda la ciudad. Como parte de este estudio se pidio a 50 profesionales de este campo que
indicaran su grado de satisfaccion con respecto al trabajo, el salario y las oportunidades de ascenso. Se reunieron los datos en la tabla que se presenta a continuaci
on:
21
Trabajo
71
84
84
87
72
72
72
63
84
90
73
94
84
85
88
74
71
88
90
85
79
72
88
77
64
Sueldos
49
53
74
66
59
37
57
48
60
62
56
60
42
56
55
70
45
49
27
89
59
60
36
60
43
Ascensos
58
63
37
49
79
86
40
78
29
66
55
52
66
64
52
51
68
42
67
46
41
45
47
75
61
Trabajo
72
71
69
90
84
86
70
86
87
77
71
75
76
95
89
85
65
82
82
89
74
82
90
78
74
Sueldo
76
25
47
56
28
37
38
72
51
90
36
53
59
66
66
57
42
37
60
80
47
49
76
52
59
Ascensos
37
74
16
23
62
59
54
72
57
51
55
92
82
52
62
67
68
54
56
64
63
91
70
72
82
22
Administrador
Trabajo Sueldo Ascenso
72
57
40
90
62
66
84
42
66
85
56
64
71
45
68
88
49
42
72
60
45
88
36
47
77
60
75
64
43
61
71
75
74
84
28
62
70
38
54
87
51
57
74
59
82
89
66
62
85
57
67
74
47
63
82
49
91
Contador
Trabajo Sueldo Ascenso
71
49
58
84
74
37
72
37
86
63
48
78
84
60
29
73
56
55
94
60
52
90
27
67
72
76
37
86
37
59
86
72
72
95
66
52
65
42
68
82
37
54
82
60
56
90
76
70
78
52
72
Economista
Trabajo Sueldo Ascenso
84
53
63
87
66
49
72
59
79
88
55
52
74
70
51
85
89
46
79
59
41
69
47
16
90
56
23
77
90
51
71
36
55
75
53
92
76
51
54
89
80
64
Aplique los estadsticos estudiados para describir las caractersticas generales del
grupo de profesionales en general y en particular en cada profesion. Presente los
res
umenes de interes que permitan valorar las variables en estudio.
Describa los resultados encontrados en donde especifique comentarios sobre los
asuntos siguientes:
1. Con base en estas variables que aspecto del trabajo satisface mas a los
Profesionales de esta ciencia?, cual parece ser el que menos lo satisface?,
en cual de las tres variables cree usted deben introducirse mejoras para
estimular a mas personas a vincularse a la formacion como profesionales en
las distintas ramas de las ciencias economicas?
2. Seg
un las medidas descriptiva de dispersion, establezca cual de las tres
variables parece generar mayor diferencia de opinion entre estos profesionales?
cual de las variables parece tener mayor cohesion entre ellos?, justifique su
respuesta.
CAPITULO 1. ESTADISTICA DESCRIPTIVA.
23
1.4.
24
Intervalo de Clase: Es cada uno de los intervalos en que se han decidido agrupar
parcialmente los datos con el proposito de hacer un resumen de ellos.
N
umero de intervalos: Para determinar el n
umero de intervalos K, en un
conjunto de n datos, existen varios criterios de seleccion, uno de ellos es el de la
formula de Sturges, la cual viene dada as: K 1+3,3log10 n. Se debe tener en cuenta
que cuando el resultado 1 + 3,3log10 n no es n
umero entero el valor de K se toma
por exceso, como el entero mas cercano a este resultado, si 5 < 1 + 3,3log10 n < 20.
Si 1 + 3,3log10 n > 20, entonces se toma K= 20, si 1 + 3,3log10 n < 5, entonces se
toma K=5.
Definici
on 1.4.2. Amplitud:
Sea r el rango de un conjunto de datos y K el n
umeros de intervalos de clase de
igual longitud, se define la amplitud de un intervalo, denotada a, as:
a=
r
.
K
Nota: Si a no es un n
umero decimal finito, es necesario ampliar el rango en una
r+c
cantidad c, tal que, a= k , sea el menor n
umero decimal finito, con tantas cifras
decimales como cifras decimales tengan los datos, y de tal forma que cada intervalo
tenga la misma amplitud.
Definici
on 1.4.3. Marca de clase: sean Linf y Lsup el lmite inferior y el superior
respectivamente de un intervalo de clase. Se define la marca de clase para el intervalo
[Li ,-Ls ), como la semisuma de Li y Ls .
Nota: Denotaremos la marca de clase del j-esimo intervalo por Xj , con j = 1, ..., K.
Tabla de frecuencias:
Es un arreglo rectangular de los intervalos de clases versus las frecuencias respectivas.
Representaci
on gr
afica de los datos agrupados por intervalos
Histograma de frecuencia: Es una representacion grafica de las distribuciones
de frecuencia de un conjunto de datos, constituida por una serie de rectangulos cuya
CAPITULO 1. ESTADISTICA DESCRIPTIVA.
25
base es la longitud de cada intervalo y la altura, la dada por la frecuencia del intervalo
correspondiente.
En esta representacion visual de los datos es posible observar fundamentalmente tres
caractersticas:
1. Forma
2. Acumulacion o tendencia posicional
3. Dispersion o variabilidad
Polgono de Frecuencia:
Es una representacion en el plano de la distribucion de frecuencia de los datos
agrupados por intervalos; que consiste en un grafico compuesto por segmentos de
rectas (lneas) trazadas desde los puntos de coordenadas, marcas de clase versus
la frecuencia de la clase; hasta los puntos de coordenadas marca de clase contigua
versus frecuencia de la clase contigua, y as sucesivamente, comenzando en la
primera marca de clase y terminando en la u
ltima marca de clase.
Las representaciones graficas de distribuciones de frecuencia relativa pueden
obtenerse del histograma o del polgono de frecuencias, sin mas que cambiar la
escala de frecuencia a frecuencia relativa. El graficos resultante recibe el nombre
de histograma de frecuencias relativas o histogramas porcentuales y polgonos de
frecuencias relativas o polgonos porcentuales, respectivamente.
Ojivas:
Es el nombre que se le da, en especial a los polgonos de frecuencia acumulada.
Ojivas porcentuales:
Estos graficos pueden obtenerse con solo cambiar la escala de frecuencias acumuladas
a frecuencias relativas acumuladas en los polgonos de frecuencia.
26
1. La Moda
x = Linf
intervalo modal
+(
1
)a
1 + 2
2. La Mediana
= Linf + [ (N/2) (Fi1 ) ] a, siendo N =
X
fi
k
X
fi
i=1
3. La Media
Pk
i=1
=A+
siendo
di =
fi di
Xi A
.
a
4. Varianza:
Pk
P
fi (xi )2 ( ki=1 fi xi )2
= x2 (x )2
N
N2
i=1
Demostraci
on 1): Le queda de ejercicio, recuerde que:
1 = f(modal) f(modal1) , y 2 = f(modal) f(modal+1) .
Demostraci
on 2):
Geometricamente, la mediana es el valor x que corresponde a la vertical que divide
a un histograma en dos partes de igual area.
De la grafica sabemos que
e = Linf + d (1)
X
Por semejanza de triangulo sabemos que:
n
2
Fi1
d
=
fi
a
(1),
27
entonces
d =
n
2
Fi1
a,
fi
(2)
n
2
Fi1
a;
fi
en general se puede demostrar que el elemento que ocupa el puesto tal que por debajo
de el se encuentre el k % de los datos se puede calcular mediante la siguiente ecuacion:
fk = Linf + k %n Fi1 a,
X
fi
siendo Linf ,n, Fi1 , y fi el lmite inferior del intervalo de clase que contiene al dato
xk , el tama
no de la muestra, la frecuencia acumulada anterior a la clase que contiene
al dato y la frecuencia del intervalo de clase que contiene al dato xk , respectivamente.
Demostraci
on de 3):
siendo
di =
Xi A
.
a
Xi A
,
a
entonces
2
a2 d2 ,
siendo
d2
Pn
=
fi (di
i=1P
n
i=1 fi
d )2
28
[Linf Lsup )
[-)
[-)
[-)
[-)
[-]
[-]
xi
fi
12
Fi
fri
Fri
di
fi di 2
f i di
0
0.267
28
0
P
fi di = 32
1. Completar la tabla
2. Con base en la tabla halle el dato moda
3. Halle la media
Soluci
on:
1.
k 1 + 3,3 lg(n) = 5,8 k = 6.
r = xn x1 = 46 22 = 24
a=
24
r
=4
k
6
f2
f2
=
= 0,267 f2 = 8,
n
30
recuerde que la frecuencia debe ser un n
umero natural.
Como por hipotesis f1 = 12, y, f1 d1 = 0, entonces d1 = 0.
Sabemos que la suma de todas las frecuencias debe ser igual a 30, o sea que
f r2 =
f6 + f4 + 28 = 30, f6 + f4 = 2, f6 = 2 f4
24 + 3f4 + 56 = 32, 3f4 + 5f5 = 8
(2)
(1)
29
[Linf Lsup )
[22-26)
[26-30)
[30-34)
[34-38)
[38-42)
[42-46]
xi
24
28
32
36
40
44
fi
12
8
8
1
0
1
Fi
12
20
28
29
29
30
fri
0.4
0.267
0.267
0.03
0
0.03
Fri
0.4
0.667
0.93
0.96
0.96
1
di
0
1
2
3
4
5
f i di
0
8
16
3
0
5
f i xi
288
224
256
36
0
44
848
2.
b = Linf
X
modal +
1
a
1 + 2
1 = 12 0 = 12,
2 = 12 8 = 4,
x
b = 22 +
8
12
4 = 22 + = 24,6
18
3
3.
P
fi x i
848
x= P
=
= 28,28
fi
30
Ejemplo 1.4.2. Con el fin de analizar el comportamiento de la estatura en
centmetros de un grupo de 108 estudiantes del Colegio Santa Teresita, se suministra
la siguiente informacion:
30
[Linf Lsup )
[)
[-)
[-)
[-)
[-)
[-)
[-)
[-]
xi
fi
Fi
di
fi (di )2
f i di
-4
fi (di d )3
fi (di d )4
5
24
29
89
14
P
fi di = 7
Ademas,se sabe que la estatura promedio fue de 146.32 cms y que el 87 por ciento
de los estudiantes miden 138.5 cms o mas.
Nota: Tome la amplitud con cero cifras decimales.
1. Completar la tabla
2. Hallar la desviacion estandar
3. Hallar el coeficiente de variacion
4. Hallar lel coeficiente de sesgo
5. Hallar lel coeficiente de curtosis
6. Con base en los resultados obtenidos en la tabla y en los estadsticos calculados
que puede decirse de las estatura de estos estudiantes. Justifique su respuesta.
Desarrollo:
Soluci
on parte 1.
Como F2 = 5, entonces los posibles resultados para f1 y f2 son:
f1
f2
0
5
1
4
2
3
3
2
4
1
5
0
31
Si f1
Si f1
ya que
Si f1
(1)
(2).
f6 = 22.
32
3a
a
= 138,5 + .
2
2
[Linf Lsup )
[123.5-128.5)
[128.5-133.5)
[133.5-138.5)
[138.5-143.5)
[143.5-148.5)
[148.5-153.5)
[153.5-158.5)
[158.5-163.5]
xi
126
131
136
141
146
151
156
161
fi
1
4
9
24
29
22
14
5
Fi
1
5
14
38
67
89
103
108
di
-4
-3
-2
-1
0
1
2
3
f i di
-4
-12
-18
-24
0
22
28
P 15
fi di =7
fi (di )2
16
36
36
24
0
22
56
45
fi (di d)2
16.48
37.45
38.19
26.96
0.10
19.43
52.64
43.21
234.57
Soluci
on parte 2.
P
p
(f (di d)2 )
25 234,51
Pi
Sx =
=
= 54,79, Sx = 54,79 = 7,402.
(fi 1)
107
Soluci
on parte 3.
2
a2
S
54,79
c.v = =
= 0,052.
x
141,32
Soluci
on parte 4. Esta le queda de tarea
CAPITULO 1. ESTADISTICA DESCRIPTIVA.
33
Ejemplo 1.4.3. Los pagos semanales de 200 estudiantes que trabajan parte de su
tiempo se distribuyen como lo muestra la siguiente tabla:
[Linf Lsup )
[-)
[- )
[-)
[-)
[-)
[-)
[-)
[-)
[-)
[-)
[-]
fi
Fi
di
f i di
fi d2i
125
f i Xi
fi (Xi )2
17
-39
22
88
35
32
fi di = 1
El 85 por ciento de los jovenes ganan 92.5 dolares o mas, el promedio de los pagos,
es de 105.025; en la decima casilla acumulamos 5 por ciento de los pagos. El sueldo
mas frecuente es de 105,625 dolares y hasta la decima casilla acumulamos el 97 por
ciento de los pagos de los jovenes.
a) Completar tabla.
b) Calcular la mediana.
c) Hallar varianza.
34
Soluci
on:
Soluci
on parte a.)
Por hipotesis
n = 200, = 105,025, x = 105,625
5n
97 n
f10 =
= 10; F10 =
= 194,
100
100
f4 = 22 y f4 d4 = 88, entonces d4 2 = 4, o sea que d4 = 2.
Si d4 = 2 entonces d3 = 1 y como por hipotesis
f3 d3 = 39, entonces f3 = 39 absurdo, por lo tanto d4 = 2.
Como d4 = 2, entonces d1 = 5 y por hipotesis
f1 d1 = f1 (5) = 125, entonces f1 = 5.
d3 = 3, por ser d4 = 2 y por hipotesis
f3 d3 = f3 (3) = 39, entonces f3 = 13.
Se sabe que el 85 por ciento ganan 92.5 dolares o mas, entonces el 15 por ciento
gana menos de 92.5 dolares, por tanto:
(15)(200)
= 30
100
y esto coincide con F3 lo que nos dice que el limite superior del tercer intervalo es
92.5.
Pn
f i di
a = 105,025,
= A + Pi=1
n
i=1 fi
donde
A = Linf,4 +
(5)(a)
(5)(a)
= 92,5 +
,
2
2
luego
= 105,025 = 92,5 +
(5)(a)
a
+
.
2
200
35
De lo anterior a = 5.
b = L6 + (
X
1
)a = 105,625, con 1 = 35 f5 = 10, y, 2 = 35 32 = 3,
1 + 2
35 f5
, simplificando se tiene,
de donde se obtiene 105,625 = 102,5 +
35 f5 + 3
3,125
35 f5
=
5
38 f5
0,625(38 f5 ) = 35 f5
23,75 0,625f5 = 35 f5
0,375f5 = 11,25
f5 = 30
f8 + f9 = 35
(1)
(2)
36
[Linf Lsup )
[77,5 82,5)
[82,5 87,5)
[87,5 92,5)
[92,5 97,5)
[97,5 102,5)
[102,5 107,5)
[107,5 112,5)
[112,5 117,5)
[117,5 122,5)
[122,5 127,5)
[127,5 132,5]
fi
5
12
13
22
30
35
32
20
15
10
6
Fi
5
17
30
52
82
117
149
169
184
194
200
di
-5
-4
-3
-2
-1
0
1
2
3
4
5
f i di
-25
-48
-39
-44
-30
0
32
40
45
40
30
fi d2i
125
192
117
88
30
0
32
80
135
160
150
Xi
80
85
90
95
100
105
110
115
120
125
130
(Xi )2
626.25
401
225.75
100.5
25.25
0.00625
24.75
99.5
224.25
399
623.75
Soluci
on parte b.)
P
(n/2)
fi
e = Linf + (
X
)a
fmediana
e = 102,5 + (100 82) (5) = 105,071
X
35
Soluci
on parte c.)
PN
fi (Xi X)2
2750
=
= 13,819
PN
199
i=1 fi
= 3,71
=
i=1
******************************** ************************
37
[Linf Lsup )
xi
fi
5
0
Fi
f ri
F ri
di
f i di
-25
5
[3.8-4.1)
30
0
0.3
0.45
25
5
25
f1
= 5,
38
[Linf Lsup )
[2.6-2.9)
[2.9-3.2)
[3.2-3.5)
[3.5-3.8)
[3.8-4.1)
[4.1-4.4)
[4.4-4.7)
[4.7-5.0]
x=A+
(fi di )
(a)
n
[Linf Lsup )
[2.6-2.9)
[2.9-3.2)
[3.2-3.5)
[3.5-3.8)
[3.8-4.1)
[4.1-4.4)
[4.4-4.7)
[4.7-5.0]
xi
2.75
3.05
3.35
3.65
3.95
4.25
4.55
4.85
x = 4,25 +
xi
2.75
3.05
3.35
3.65
3.95
4.25
4.55
4.85
fi
5
0
0
0
10
15
2
1
33
Fi
5
5
5
5
15
30
32
33
fi
5
0
0
0
10
15
2
1
31
(0,3)
33
f ri
0.15
0
0
0
0.3
0.45
0.06
0.03
Fi
5
5
5
5
15
30
32
33
f ri
0.15
0
0
0
0.3
0.45
0.06
0.03
F ri
0.15
0.15
0.15
0.15
0.45
0.91
0.97
1
di
-5
-4
-3
-2
-1
0
1
2
f i di
-25
0
0
0
-10
0
2
2
x = 3,96
F ri
0.15
0.15
0.15
0.15
0.45
0.91
0.97
1
di
-5
-4
-3
-2
-1
0
1
2
f i di
-25
0
0
0
-10
0
2
2
-31
fi (xi x)2
6.84
0
0
0
0.009
1.63
0.79
0.86
10.129
fi (xi x)3
-8
0
0
0
2,7 104
0.53
0.5
0.8
-6.409
fi (xi x)4
9.36
0
0
0
8,1 106
0.17
0.31
0.74
10.58
39
Varianza muestral
S2 =
P
fi (xi x)2
P
(fi )1
S2 =
10,129
32
S 2 = 0,316
Coeficiente de Sesgo
P
C.S =
C.S =
fi (xi x)3
n
s3
6,409
32
0,177
C.S = 1,131
Coeficiente de Curtosis
P
C.C =
C.C =
fi (xi x)3
n
s4
10,58
32
0,099
C.C = 3,339
Ejemplo 1.4.5. A continuacion se muestran los datos de 50 personas correspondientes al n
umero de hectareas que cada uno posee. Se sabe que el 20 por ciento de
las personas tienen entre 65 y 75 hectareas.
[Linf Lsup )
[-)
[)
[41-??)
[-)
[-]
xi
fi
Fi
18
di
f i di
8
51
30
8
1. Completar la tabla
40
2. Halle la moda
3. Halle la desviacion estandar
Por definicion la marca de clase del i-esimo intervalo viene dada por: xi =
L
Linf,i +Lsup,i
2
+L
x3 = inf,3 2 sup,3 , pero por hipotesis x3 = 51, que al reemplazarlo en la ecuacion anterior, se tiene:
51 =
41+Lsup,3
,
2
Lsup,3 = (51
entonces
41
)2
2
Como todos los intervalos son de igual amplitud y el tercer intervalo [41, 61]
tiene una amplitud de 20, entonces a=20.
Como el 20 por ciento de las 50 personas tienen entre 61 y menos de 81
hectares entonces,
5020
100
= 10, que es el n
umero de personas con n
umero de hectareas entre 61 y
menos de 81.
Lo que quiere decir que f4 = 10
Teniendo f4 y (f4 d4 ), podemos hallar d4
Como por hipotesis f4 d4 = 30 y f4 = 10, entonces f4 d4 = 10d4 = 30, de
donde se tiene que
30
= 3,
d4 = 10
con esto podemos hallar los demas di .
Como n=50 y f5 = 8, entonces la frecuencia acumulada hasta el cuarto intervalo
F4 = F5 f5
F4 = 50 8
41
F4 = 42
Para hallar f3 se tiene que:
f1 + f2 + f3 + f4 + f5 = 50, entonces
f3 = 50 (f1 + f2 + f4 + f5 )
f3 = 50 (18 + 8 + 10 + 8)
f3 = 6,
[Linf Lsup )
[1-21)
[21-41)
[41-61)
[61-81)
[81-101]
xi
11
31
51
71
91
fi
18
8
6
10
8
Fi
18
26
32
42
50
di
0
1
2
3
4
f i di
0
8
12
30
P 32
fi di = 82
A=11 / 4 . a=20
x=A+
x = 11 +
P
Pfi di (a)
fi
82
(20)
50
x = 43,8
[Linf Lsup )
[1-21)
[21-41)
[41-61)
[61-81)
[81-101]
s2 =
xi
11
31
51
71
91
fi
18
8
6
10
8
Fi
18
26
32
42
50
di
0
1
2
3
4
f i di
0
8
12
30
P 32
fi di =82
fi (xi x)2
19365.12
1310.72
311.04
7398.4
17822.72
46.208
P
fi (xi x)2
P
(fi 1)
42
s2 =
46,208
49
s2 = 0,943
s2 = 0,971
1.5.
1.5.1.
Demostraciones
Demostraci
on 1
Demostrar que:
( n2 Fi 1) a
.
x
e = li +
fi
Sea x
e = li + d, debemos demostrar que
d=
( n2 Fi 1) a
,
fi
n
2
Fi1
fi
( n2 Fi1 ) a
fi
luego
( n2 Fi1 ) a
x
e = li +
.
fi
1.5.2.
Demostraci
on 2
Demostrar que:
P
f i di
x = A + P a.
fi
Por definicion sabemos que
P
f i xi
x= P ,
fi
CAPITULO 1. ESTADISTICA DESCRIPTIVA.
sea
xj A
, j = 1, ..., n,
a
donde A es una marca de clase cualquiera, pero fija. Es facil ver que di Z.
Como
xj A
entonces xj = adj + A
dj =
a
multiplicando por fj en ambos miembro de la ecuacion anterior obtenemos:
dj :=
fj xj = afj dj + Afj ,
sumando sobre todos los j obtenemos
X
X
X
f j xj = a
f j dj + A
fj ,
ahora dividiendo por
fj , se obtiene
P
P
P
f j xj
a f j dj A f j
P
= P
+ P
fj
fj
fj
P
f i di
a + A.
x= P
fi
1.5. DEMOSTRACIONES
43
44
Xi
fi
9
8
7
Fi
di
fi di
P5
i=1 fi di
= 38
45
Despues de hacer una evaluacion previa, vemos que la marca de clase fija es x1 , ya
que es en la u
nica forma que la sumatoria de los fi di de 38.
De otro lado tenemos que f4 + f5 = 5 y que 3f4 + 4f5 = 16
Al igualar estas dos ecuaciones obtenemos que
f5 = 1 y f4 = 4
por otro lado tenemos que la amplitud debe ser mayor que 0.3 para que los datos
4.2, 4.3, 4.4 y 4.5, esten en el cuarto intervalo y menor que 0.5 para que en el u
ltimo
intervalo solo este la nota 5.0, ya que si la amplitud fuera 0.5, la nota 4.5 estara
en el quinto intervalo y esto es falso, ya que este quinto intervalo solo tiene un
elemento. Por lo tanto la amplitud debe ser a=0.4, ya que debe tener tanta cifras
decimales, como cifras decimales tengan los datos.
[li ls )
[3.0-3.4)
[3.4-3.8)
[3.8-4.2)
[4.2-4.6)
[4.6-5.0]
xi
3.2
3.6
4.0
4.4
4.8
fi
9
8
7
4
1
Fi
9
17
24
28
29
di
0
1
2
3
4
fi di
0
8
14
12
4
x = A + P(f(fi di )i ) a
x = 3,2 + 3,8
(0,4)
29
x = 3,72
P
2
i x) )
2 = (fiN(x1
2 = 6,08
= 0,21
28
3 = 0,1
4 = 0,047
[li ls )
[3.0-3.4)
[3.4-3.8)
[3.8-4.2)
[4.2-4.6)
[4.6-5.0]
P
=
xi
3.2
3.6
4.0
4.4
4.8
fi
9
8
7
4
1
Fi
9
17
24
28
29
di
0
1
2
3
4
f i di
0
8
14
12
4
38
fi (xi x)2
2.43
0.11
0.54
1.84
1.16
6.08
Coeficiente de curtosis
1.5. DEMOSTRACIONES
fi (xi x)3
-1.26
-0.01
0.15
1.25
1.25
1.38
fi (xi x)4
0.65
1,6 103
0.04
0.85
1.36
2.9
46
c.c =
c.c = ,0047
c.c = 2,12
Coeficiente de sesgo
(xi x)3
P
(fi )
3
1,38
29
P
c.s =
c.s = 0,1
c.s = 0,4.
47
xi
fi
Fi
18
di
f i di
8
51
1
8
1. Completar la tabla
2. Halle la moda
3. Halle la desviacion estandar
4. Halle el coeficiente de variancion y el coeficiente de sesgo
5. Con base en los resultados obtenidos en los items anteriores. Describa las
caractersticas que posee este grupo de personas en relacion con el n
umero de
hectareas. Justifique su respuesta.
1.5. DEMOSTRACIONES
48
xi
fi
Fi
18
di
f i di
8
1
91
1. Completar la tabla
2. Halle la moda
3. Halle la desviacion estandar
4. Halle el coeficiente de variancion y el coeficiente de sesgo
5. Con base en los resultados obtenidos en los items anteriores, describa las
caractersticas que posee este grupo de personas en relacion con el n
umero de
hectareas. Justifique su respuesta.
49
xi
11
fi
Fi
18
di
f i di
8
1
91
1. Completar la tabla
2. Halle la moda
xi
fi
12
Fi
fri
Fri
di
f i di
0
0.267
28
0
P
1.5. DEMOSTRACIONES
fi di = 32
f i di 2
50
1. Completar la tabla
2. Con base en la tabla halle el dato moda
3. Halle la media y la varianza
4. Con base en los resultados obtenidos en los items anteriores, describa las
caractersticas del grupo en relacion con sus edades.
Justifique cada una de sus respuestas
51
Resto del grupo: Utilizando datos agrupados por intervalos y los estadsticos
estudiados, describa las caractersticas de los profesionales de ciencias polticas
en relacion con el grado de satisfacion con el trabajo. Justifique su respuesta
1.5. DEMOSTRACIONES
52
estadsticamente.
Para los estudiantes de PCPG, haga lo mismo para datos no agrupados,
tome solo la primera columna.
53
Utilizando datos no agrupados y los estadsticos estudiados, describa las caractersticas de los profesionales de ciencias polticas en relacion con el grado de satisfacion
con el trabajo, (tome solo los 10 primeros datos de la u
ltima columna). Jus1.5. DEMOSTRACIONES
54
55
1.5. DEMOSTRACIONES
56
Utilizando datos agrupados por intervalos y los estadsticos estudiados, describa las
caractersticas de los profesionales de ciencias polticas en relacion con el grado de
satisfacion con el salario. Justifique su respuesta estadsticamente.
Captulo 2
Probabilidad.
2.1.
Introducci
on
La historia del calculo de probabilidades es, entre todas las ramas de las matematicas,
algo singular, ya que nace como una teora para juegos de azar y muy pronto se utiliza
para el estudio de fenomenos colectivos tales como problemas actuariales, riesgos
economicos y sociales, predicciones estadsticas y otros muchos problemas filosoficos
de diversos tipos. As durante casi tres siglos (XVII, XVIII y XIX el llamado periodo
clasico de la probabilidad), la motivacion y el motor para su desarrollo proviene sobre
todo, de temas externos a la matematica. El problema principal a que se enfrenta esta
teora, es el de como pasar del contenido intuitivo del concepto de azar a conceptos
rigurosos dentro de la matematica.
En los problemas de tipo discreto o finito esta dificultad no se presenta. En un juego
de baraja (poker) la pregunta cual es la probabilidad de sacar un poker de ases?
tiene una respuesta bien definida.
En otro tipo de problemas las cosas pueden complicarse; por ejemplo, consideremos
el problema de calcular la probabilidad de que un dardo al ser lanzado contra un
disco caiga en cierta parte prefijada del disco. Este problema puede ser complicado
o sencillo y esto depende de cual sea el subconjunto del disco que se fijo.
A principios de este siglo quedaba claro que la teora de la probabilidad requera de
un marco teorico mas adecuado para su desarrollo y este se encuentra gracias a los
avances logrados en otras areas de la matematica. Al construir este marco se logran
varias cosas: no solo se libera a la teora de su mero papel de instrumento, sino que
se la convierte en una rama plenamente reconocida de las matematicas, sin que por
ello olvide su motivacion externa e intuitiva.
La rama toma su forma actual a partir de los a
nos 30s cuando Kolmogorov establece
con sus axiomas para el calculo de probabilidades las bases matematicas para asentar
la teora, con lo cual, ademas se aclaran las aparentes paradojas existentes. Todo esto
57
58
CAPITULO 2. PROBABILIDAD.
2.2.
59
Para el buen desarrollo de este captulo son importantes los siguientes conceptos
sobre conjuntos:
Si U es el conjunto universal, y, A y B, son subconjuntos de U, se definen:
1. La uni
on de dos conjuntos A y B, denotada A B, as:
A B = {x/x A x B}
2. La intersecci
on de dos conjuntos A y B, denotada A B, as:
A B = {x/x A x B}
4. El complemento de un conjunto
Ac = {x/x U x no pertenece a A}
2.2.1.
Propiedades de conjuntos:
60
2. A U = A
3. A Ac =
4. A = A
5. A U = U
6. A Ac = U
7. A B = B A
8. A B = B A
9. A (B C) = (A B) (A C)
10. A (B C) = (A B) (A C)
11. (A B)c = Ac B c
12. (A B)c = Ac B c
13. A = (A B) (A B c )
2.3.
61
Espacio Muestral.
Definici
on 2.3.1. Espacio Muestral.
Es el conjunto de todos los posibles resultados que se pueden obtener al realizar un
experimento aleatorio, denotaremos el espacio muestral con la letra S.
Ejemplo 2.3.1. Al lanzar un dado normal una vez, el espacio muestral es:
S = {1,2,3,4,5,6}
que son los posibles resultados que se pueden obtener.
Definici
on 2.3.2. Punto Muestral:
Es cualquier elementos del espacio muestral.
Observe que la definicion anterior el espacio muestral, no es mas que el conjunto
universal y que al hablar de puntos muestrales, estamos hablando de los elementos
del conjunto universal.
El espacio muestral puede ser discreto, continuo o mixto.
Definici
on 2.3.3. Espacio Muestral Discreto:
Cuando dado los dos valores numericos mas extremos, los resultados del experimento
solo toman un n
umero finito o infinito pero contable de valores entre estos valores
extremos, se dice que el espacio muestral es discreto.
Ejemplo 2.3.2. El espacio muestral obtenido al lanzar un dado normal una vez, es
un ejemplo de espacio muestral discreto.
Definici
on 2.3.4. Espacio Muestral continuo:
Cuando dado dos valores numericos extremos, los resultados del experimento pueden
tomar cualquier valor entre estos valores extremos, se dice que el espacio muestral
es continuo.
Ejemplo 2.3.3. Temperatura, el tiempo que tarda una impresora en imprimir un
archivo.
Definici
on 2.3.5. Evento:
Es cualquier subconjunto del espacio muestral.
2.3. ESPACIO MUESTRAL.
62
A = {2, 4, 6} S = {1, 2, 3, 4, 5, 6}
Definici
on 2.3.6. Evento Imposible:
Es aquel que no tienen puntos muestrales ( o tienen elementos que no pertenecen al
espacio muestral)
Ejemplo 2.3.5. Al lanzar un dado normal una vez, A = {}, si el resultado que se
desea es 7.
Definici
on 2.3.7. Evento Seguro:
Es aquel que al realizar el experimento siempre ocurrira.
Por ejemplo al lanzar un dado normal el resultado siempre sera, 1, 2, 3, 4, 5 o 6,
as que el evento S={1,2,3,4,5,6}, es un evento seguro.
Definici
on 2.3.8. Evento Simple: Se dice que un evento es simple si contiene un
solo punto muestral.
Definici
on 2.3.9. Evento Compuestos: Se dice que un evento es compuesto, si
contiene mas de un punto muestral.
Definici
on 2.3.10. Evento Disyuntos: dos eventos son disyuntos si su intersecci
on
es vaca, es decir si la ocurrencia de uno de ellos, anula la ocurrencia del otro y
viceversa.
El concepto de Probabilidad se puede abordar desde dos puntos de vista, desde
el punto de vista emprico donde la probabilidad es tratada como una frecuencia
relativa y desde el punto de vista axiomatico. El principal problema de la primera
es que supone que todos los puntos muestrales tienen la misma probabilidad de
ocurrencia, cosa en general no es cierta.
Definici
on 2.3.11. Definicion Emprica: Sea S el espacio muestral en un experimento aleatorio y sea A un evento de S. se define la probabilidad de A, denotada
P (A), as:
P (A) =
N
umero de casos favorables a la ocurrencia del evento A
n
umero total de casos posibles de S
63
2.4.
Definici
on Axiom
atica de Probabilidad:
Definici
on 2.4.1. Probabilidad
Sea S el espacio muestral en un experimento aleatorio y sea z el conjunto de
todoslos subconjuntos de S, (es decir son eventos) y sea P una funcion:
P : z R
se dice que P es una funcion de probabilidad o tambien simplemente una probabilidad si y solo si se cumplen las siguientes condiciones:
a. P (A) 0
b. P (S) = 1
c. Si A1 , A2 , A3 , ..., A
dos, entonces:
Ai ) =
P (Ui=1
i=1
2.4. DEFINICION
DE PROBABILIDAD:
64
Soluci
on
a. P (Ac ) = 1 0,5 = 0,5
b. P (A B) = P (A) + P (B) P (A B)
Entonces: P (A B) = 0,5 + 0,3 0,6 = 0,2
c. P (A B c ) = P (A) P (A B)
Entonces: P (A B c ) = 0,5 0,2 = 0,3
d. P (Ac B c ) = P [(A B)c ] = 1 P (A B) = 1 0,6 = 0,4.
B
Bc
A
P (A B) = 0,2
P (A B c ) = 0,3
P (A) = 0,5
Ac
P (Ac B) = 0,1
P (Ac B c ) = 0,4
P (Ac ) = 0,5
P (B) = 0,3
P (B c ) = 0,7
65
Ejemplo 2.4.2. Suponga que una familia sale de vacaciones de verano en su casa
rodante y que M es el evento de que sufriran problemas mecanicas, T es el evento
de que recibiran una infraccion por cometer una falta de transito y V es el evento
de que llegaran a un lugar para acampar que esta lleno. De acuerdo con siguiente
diagrama:
Soluci
on
a. Sufriran problemas mecanicos pero no recibiran ninguna infraccion ni llegaran a un lugar lleno para acampar.
b. Recibiran una infraccion por falta de transito y llegaran a un lugar para
acampar que esta lleno pero no sufriran problemas mecanicos.
AXIOMATICA
2.4. DEFINICION
DE PROBABILIDAD:
66
2.4.1.
T
ecnicas de Conteo
Definici
on 2.4.2. Principio de Adicion Si un evento A puede realizarse de m
maneras diferentes y un evento B puede realizarse de n maneras distintas, y los
eventos no pueden darse conjuntamente, entonces el n
umero formas distintas en que
pueden darse los eventos A o B es ( m + n).
Ejemplo 2.4.3. Evento A : viajar de Barranquilla a bogota va terrestre.
Evento B : viajar de Barranquilla a bogota va aerea.
Para el evento A supongamos que existen 4 rutas distintas y para el evento
B, 3 rutas diferentes, luego n
umero de formas distintas en que se puede viajar de
Barranquilla a Bogota es 3 + 4 = 7
Definici
on 2.4.3. Principio de Multiplicacion Si un evento A puede realizarse de
m maneras diferentes y un evento B puede realizarse de n maneras distintas y los
eventos pueden darse conjuntamente, entonces el n
umero de formas distintas en que
pueden darse los eventos A y B conjuntamente es m * n
Ejemplo 2.4.4. Evento A : lanzar un dado una vez.
Evento B : lanzar una moneda una vez.
Para el evento A hay 6 posibilidades (n
umeros enteros entre 1 y 6) y para el
evento B existen dos posibles resultados (cualquiera de los dos lados de la moneda).
Luego, los puntos muestrales para cuando A y B ocurren conjuntamente es 6 * 2=
12.
Definici
on 2.4.4. Permutacion Una permutacion es una n-
upla de elemento en
donde el orden en que se escriben estos, es importante.
Piense en una permutacion como si fuera un vector, ya que por ejemplo el vector
(1,2,3) es diferente del vector (2,1,3), a pesar de tener los mismos elementos, en forma
analoga la permutacion 123 es diferente de la permutacion 213.
CAPITULO 2. PROBABILIDAD.
67
Definici
on 2.4.5. Combinacion Es una n-tupla de elementos en donde el orden en
que se escriban los elementos no es importante, es decir, si se escriben los mismos
elementos en un orden distinto, se estara hablando de la misma combinacion.
Piense en una combinacion como si fuera un conjunto, ya que por ejemplo el conjunto
{1,2,3} y el conjunto {2,1,3}, son iguales a pesar de que sus elementos estan escritos
en un orden distinto; en forma analoga 123 visto como una combinacion y 213 son
representaciones de la misma combinacion.
Teorema 2.4.2. El n
umero de permutaciones de n elementos distintos, tomados de
k en k , sin repeticion, denotado nPk , viene dado as:
nPk =
n!
(nk)!
nPn =
n!
(nn)!
= n!
Teorema 2.4.3. El n
umero de permutaciones de n elementos distintos, tomados de
k en k, con repeticion es nk .
Teorema 2.4.4. El n
umero de permutaciones de n elementos de los cuales n1
son iguales entre s, n2 iguales entre s pero distintos de los anteriores, y as
sucesivamente hasta llegar al grupo k-esimo que tiene nk elementos iguales entre s,
pero distintos de todos los anteriores, denotado nP n1 , n2 , ..., nk viene dado as:
nP n1 , n2 , ..., nk =
donde n =
Pk
i=1
n!
(n1 !n2 !...nk !)
ni
Teorema 2.4.5. El n
umero de combinaciones de n elementos distintos tomados de
k en k, denotado nCk , viene dado as:
AXIOMATICA
2.4. DEFINICION
DE PROBABILIDAD:
68
nCk =
n!
k!(nk)!
nCn =
n!
n!(o)!
=1
=3
=2
=1
=1
=1
para
para
para
para
para
I
N
F
T
O
Luego nP3,2,1,1,1 =
8!
3! 2! 1! 1! 1!
= 3360
Soluci
on
n=6
6P6 = 6! = 720
b. De cuantas formas es posible si dos personas especficas no pueden estar
juntas?
Soluci
on
Se sabe que si se tienen 6 puestos disponibles para las 6 personas, las formas
totales en que estas se pueden sentar juntas en una lnea es 6!=720.
Se necesita calcular las nuevas posibles formas de instalarse sin que las personas
CAPITULO 2. PROBABILIDAD.
69
en conflicto queden juntas y para ello una forma posible de solucion es la siguiente,
se calcula las formas en las que las personas especficas pueden sentarse juntas y
luego restar este valor del n
umero total de posibilidades. Ahora, el n
umero total
de formas en las que las dos personas especficas pueden sentarse juntas es 2! 5!
y seg
un lo descrito anteriormente, el n
umero de formas en las que las 6 personas
pueden instalarse bajo la condicion establecida es:
Soluci
on
a. 5 * 4 * 3 * 4 = 240
AXIOMATICA
2.4. DEFINICION
DE PROBABILIDAD:
70
b. 1 * 1 * 3 * 4 = 12
c. 4 * 3 * 3 * 3 = 108
d.
240 - 108 =132
e.
a. Formas de hacer la seleccion empleando cuando menos un componente Sony
132
P(Punto a - Punto c)= 240
b. Formas de hacer la seleccion utilizando exactamente un componente Sony
k = 27 + 36 + 36 = 99
99
= 33
Por lo que la probabilidad es igual a 240
80
2.4.2.
Probabilidad Condicional
Definici
on 2.4.6. Probabilidad Condicional Sean A y B eventos de un espacio
muestral S, se define la probabilidad condicional de A dado B, denotada P(AB),
as:
P (A|B) =
P (AB)
P (B)
Si P (B) 6= 0
Ejemplo 2.4.8. La probabilidad de que un doctor diagnostique de manera correcta
una enfermedad particular es de 0.7. Dado que el doctor hace un diagnostico
incorrecto, la probabilidad de que el paciente presente una demanda es de 0.9
Cual es la probabilidad de el medico presente un diagnostico incorrecto y el paciente
lo demande?
Soluci
on
A
= Diagnostico correcto
B
= Demanda
P(A) = 0.7
CAPITULO 2. PROBABILIDAD.
71
P (B|Ac ) = 0,9
P (Ac B) =?
Entonces:
P (Ac B) = P (Ac )P (B|Ac )
luego, P (Ac ) = 0,3
P (Ac B) = (0,3)(0,9) = 0,27
Definici
on 2.4.7. Eventos Independientes Sean A y B dos eventos de un espacio
muestral S, se dice que los eventos A y B son independientes si y solo si:
P (A B) = P (A)P (B)
2.4.3.
Probabilidad Total
P (B) =
2.4.4.
Pn
i=1
P (Ai B) =
Pn
i=1
P (Ai )P (B|Ai ).
Regla de Bayes
P (Ai B)
P (B)
Ejemplo 2.4.9. Una caja contiene 6 bolas rojas y 4 verdes y una segunda contiene
7 rojas y 3 verdes. Se escoge al azar una bola de la primera caja y se coloca en la
segunda. Despues se selecciona una bola de la segunda y se pone en la primera.
AXIOMATICA
2.4. DEFINICION
DE PROBABILIDAD:
72
24
55
Ejemplo 2.4.10. Una empresa que fabrica camaras de video, un modelo basico y
otro de lujo. El a
no pasado el 0.4 de las camaras vendidas fueron basicas. De los
compradores del modelo basico, el 0.3 compran con garanta ampliada mientras que
el 0.5 de los compradores del modelo de lujo tambien lo hacen as. Si se sabe que
un comprador seleccionado al azar tiene garanta ampliada, Que tan probable es que
tenga un modelo basico?
Soluci
on
B
= camara comprada es modelo basico.
0,12
0,42
= 0,285
Ejemplo 2.4.11. Un amigo que trabaja en una gran ciudad tiene 2 autos, uno
peque
no y otro grande. 3/4 del tiempo utiliza el automovil peque
no para ir a trabajar
y el 1/4 restante utiliza el auto grande.
Si utiliza el automovil peque
no por lo general no tiene problema para estacionarse y
llega a su trabajo a tiempo con una probabilidad de 0.9.
CAPITULO 2. PROBABILIDAD.
73
P (B)P (A|B)
P (A)
(0,75)(0,9)
(0825)
= 0,818
AXIOMATICA
2.4. DEFINICION
DE PROBABILIDAD:
74
2.5.
Ejercicios
CAPITULO 2. PROBABILIDAD.
75
S
I
D
ESTA
E
D
CIAL
PAR
Problema de aplicaci
on 2. Un inversionista esta pensado en comprar un n
umero
muy grande de acciones, la cotizacion de las acciones en la bolsa durante los
dos meses anteriores es de gran interes para el inversionista. Con base en esta
informacion se observa que la cotizacion se relaciona, con el producto nacional bruto
(PNB). Si el (PNB) aumenta, la probabilidad de que aumenten las acciones es de
0.8. si el (PNB) es el mismo, la probabilidad de que aumenten las acciones es de 0.2
y si el (PNB) disminuye la probabilidad de que aumenten las acciones es de 0.1. Si
para los siguientes 6 meses se asignan las probabilidades de 0.4, 0.3 y 0.3 para los
eventos PNB aumenta, PNB permanece igual y PNB disminuye, respectivamente.
1. Determine la probabilidad de que las acciones no aumenten su valor en los
u
ltimos 6 meses.
2. Si las acciones aumentan su valor, cual es la probabilidad de que el PNB haya
aumentado su valor?
Problema de aplicaci
on 3. La probabilidad de que cierto componente funcione es
de 0.9. un aparato tiene dos de estos componentes. El aparato funciona mientras lo
haga uno de estos componentes. Cual es la probabilidad de que el aparato funcione?
Problema de aplicaci
on 4. Se lanza una moneda con una probabilidad de 2/3 de
que el resultado sea cara, si sale cara se extrae una bola aleatoriamente de una urna
que contiene 2 bolas rojas y 3 verdes. Si sale sello se extrae una bola de otra urna
que contiene 2 rojas y 2 verdes. Cual es la probabilidad de extraer una bola roja?
Problema de aplicaci
on 5. Dos fabricas A y B producen relojes de la misma
clase. A con un reloj defectuoso entre 100 y B con un reloj defectuoso entre 200. un
comerciante compra una caja de tales relojes, sin saber de cual fabrica viene. Saca
un reloj y funciona, al sacar el segundo reloj, Cual es la probabilidad de que el reloj
funcione?
Justifique cada una de sus respuestas.
2.5. EJERCICIOS
76
Problema de aplicaci
on 6. Suponga que se han distribuido bolas de colores en 3
cajas indiferenciables de la siguiente manera:
Caja 1 Caja 2 Caja 3
Roja
2
4
3
Blanca
3
1
4
Negra
5
3
3
1. Cual es la probabilidad de extraer una bola roja?
2. Cual es la probabilidad si se sabe que la bola es roja, se haya extrado de la
caja 3?
3. Si las probabilidades de seleccionar la caja 1, 2 y 3 son 2/3, 1/6 y 1/6,
respectivamente Cual es la probabilidad, si se sabe que la bola es roja, se haya
extrado de la caja 3?
4. Si se junta todas las bolas en una caja y se extraen cinco de ellas, sin reemplazo
cual es la probabilidad de seleccionar una roja y una negra ?
Problema de aplicaci
on 7. Una persona posee dos autos, un modelo compacto
y uno estandar. Aproximadamente utiliza el vehculo compacto para trasladarse a
su trabajo las tres cuartas partes del tiempo y el restante usa el carro mas grande.
Cuando emplea el carro compacto llega a su casa a las 5:30 el 75 % de las veces; si
utiliza el carro de tama
no estandar llega a la misma hora el 60 % de las veces (pero
disfruta del aire acondicionado del carro mas grande). Si llega a su casa despues de
las 5:30. Cual es la probabilidad de que haya usado el carro compacto?
CAPITULO 2. PROBABILIDAD.
77
2. En cuantas formas podra escoger las tres casas, si se considera que el orden
de visita no es importante?
3. Si cuatro de las casas son nuevas y seis han sido ocupadas previamente, y las
tres casas por visitar se escogen al azar, cual es la probabilidad de que sean
nuevas?
Problema de aplicaci
on 9. Valoraci
on 1.25. Un profesor que el u
ltimo periodo
dio dos secciones de estadstica en ingeniera, el primero con 20 alumnos y el segundo
con 30 decidio asignar un proyecto para los cursos. Despues de recibidos todos los
proyectos, los apilo en orden aleatorio antes de calificarlos. Considere los 15 primeros
proyectos que se califican.
Cual es la probabilidad de que por lo menos 14 de ellos provengan de la segunda
seccion?
Problema de aplicaci
on 10. Valoraci
on 1.25. El individuo A tiene un crculo de
amigos cercanos (B, C, D, E y F). A ha odo un rumor fuera del crculo y ha invitado
a los cinco amigos a una reunion para hacer circular el rumor. Para comenzar, A
selecciona a uno de los cinco al azar y le comenta el rumor, entonces ese individuo
selecciona al azar a uno de los cuatro individuos restantes y repite el rumor. As, un
nuevo individuo de los que no han odo el rumor es seleccionado por el individuo que
acaba de escucharlo, y as, hasta que todos lo han odo.
1. Cual es la probabilidad de que el rumor sea repetido en el orden B, C, D, E
y F?
2.5. EJERCICIOS
78
CAPITULO 2. PROBABILIDAD.
79
Problema de aplicaci
on 12. Una empresa que fabrica camaras de video produce
un modelo basico y uno de lujo. El a
no pasado, 40 % de las camaras vendidas han sido
del modelo basico, 30 % compran una garanta ampliada, mientras que el 50 % de los
compradores del modelo de lujo tambien lo hacen as. Si sabemos que un comprador
seleccionado al azar tiene garanta ampliada que tan probable es que tenga un
modelo basico?
2.5. EJERCICIOS
80
CAPITULO 2. PROBABILIDAD.
81
2.5. EJERCICIOS
82
Competencia: Operativa
Contenido referencial:
probabilidad
Competencia: Operativa
Contenido referencial:
probabilidad
Competencia: Operativa
CAPITULO 2. PROBABILIDAD.
Contenido referencial:
probabilidad
83
Competencia: Operativa
Contenido referencial:
probabilidad
Ejercicio 13. Una urna contiene 7 bolas, tres rojas y cuatro negras, la probabilidad
de que al sacar tres de ellas, las tres sean negras, si el experimento se hace sin
reposicion es:
4
a) 35
b) 47
1
c) 35
d) ( 74 )3
Competencia: Operativa
Contenido referencial:
probabilidad
Ejercicio 14. Una urna contiene 7 bolas, tres rojas y cuatro negras, la probabilidad
de que al sacar tres de ellas, las tres sean rojas, si el experimento se hace sin
reposicion es:
1
a) 35
b) 37
c) 47
4
d) 35
Componente: Resolver problemas
Respuesta: a)
Competencia: Operativa
Contenido referencial:
probabilidad
Ejercicio 15. Una urna contiene 7 bolas, tres rojas y cuatro negras, si al sacar tres
de ellas, sin reposicion, se sabe que la primera es roja, la probabilidad de que las
otras dos tambien lo sean es:
1
a) 35
b) ( 73 )3
1
c) 15
2.5. EJERCICIOS
84
d) ( 27 )2
Componente: Resolver problemas
Respuesta: c)
Competencia: Operativa
Contenido referencial:
probabilidad condicional
Ejercicio 16. Una urna contiene 7 bolas, tres rojas y cuatro negras, si al sacar tres
de ellas, sin reposicion, se sabe que la primera es negra, la probabilidad de que las
otras dos tambien lo sean es:
a)
b)
c)
d)
1
35
2
7
1
5
4
35
Competencia: Operativa
Contenido referencial:
probabilidad condicional
Ejercicio 17. Una urna contiene 7 bolas, tres rojas y cuatro negras, si al sacar tres
de ellas, sin reposicion, se sabe que la primera es negra, la probabilidad de que las
otras dos sean rojas es:
a)
b)
c)
d)
1
35
2
7
1
5
4
35
Competencia: Operativa
Contenido referencial:
probabilidad condicional
Ejercicio 18. Una urna contiene 7 bolas, tres rojas y cuatro negras, si al sacar tres
de ellas, sin reposicion, se sabe que la primera es roja, la probabilidad de que las
otras dos sean negras es:
a)
b)
c)
d)
1
35
1
5
2
5
4
35
Competencia: Operativa
CAPITULO 2. PROBABILIDAD.
Contenido referencial:
probabilidad condicional
Captulo 3
Variables Aleatorias
Unidimensionales.
3.1.
Definici
on 3.1.1. Sea S el espacio muestral de experimento aleatorio. Sea X una
funcion:
X : z R
y sea f otra funcion:
f : X R
se dice que X es una variable aleatoria discreta y f su funcion de probabilidad si y
solo si se cumplen las siguientes condiciones:
1. f (x) 0; x R
2. P (X = x) = f (x)
3.
xR
f (x) = 1
85
86
Algo que caracteriza a una variable discreta, es que dado un par de valores numericos
de la variable, esta no puede tomar todos los valores que hay entre estos dos valores
dados.
El grafico siguiente podra ser la curva de distribucion de una funcion de probabilidad
para una variable aleatoria discreta. Piense en los segmentos de rectas del graficos
como puntos.
3.2.
Definici
on 3.2.1. Sea S el espacio muestral en un experimento aleatorio, sea X
una funcion:
X : z R
y sea f otra funcion:
f : X R,
se dice que X es una variable aleatoria continua y f una funcion de densidad para X,
si y solo si se cumplen las siguientes condiciones:
1. f (x) 0; x R
2. P (a X b) =
3.
Rb
a
f (x)dx
f (x)dx = 1
87
3.2.1.
Funci
on de probabilidad acumulada
Definici
on 3.2.2. Sea X una variable aleatoria discreta, f su funcion de probabilidad, se defina la funcion de probabilidad acumulada para X, denotada F, as:
F (x) =
tx
f (t) = P (X x)
Definici
on 3.2.3. Funcion de densidad Sea X una variable aleatoria continua, f su
funcion de densidad, se define la funcion de densidad acumulada para X, denotada
F, as:
F (x) = P (X x) =
f (t)dt
P2
f (x)
2. P (X > 3) =
f (x) = 1P (x 3) = 1
x=0
3. P (2 X 5) =
x=4
P5
x=0
P1
x=0
f (x)
P1
x=0
P3
x=0
88
4. P (2 < X < 5) =
P4
x=0
f (x)
P2
x=0
3.3.
3.3.1.
Definici
on 3.3.1. Distribucion Uniforme Discreta Sea X una variable aleatoria
discreta que puede tomar los valores x1 , x2 , x3 , ..., xn . Se dice que X es una variable
aleatoria discreta con distribucion uniforme y f su funcion de probabilidad si y solo si:
f (x) =
1
;
n
si x {x1 , x2 , ..., xn }
0, en cualquier otro caso
Ademas:
E(X) =
Pn
i=1
xi
V (X) =
Pn
2
i=1 (Xi E(X))
Definici
on 3.3.2. Distribucion de Bernoulli
Sea X una variable aleatoria discreta que toma los valores de exito (1) con probabilidad P y fracaso (0) con probabilidad (1 - P), se dice que X es una variable aleatoria
discreta de Bernoulli si y solo si su funcion de probabilidad f puede expresarse as:
P, si x=1
1 P, si x=0
f (x) =
89
Ademas:
E(X) = P
V (X) = P (1 P ).
Definici
on 3.3.3. Distribucion Binomial Sea X una variable aleatoria discreta,
se dice que X,n
umero de exitos en n ensayos de Bernoulli, es una variable con
distribucion binomial, si y solo si la probabilidad de exito P en cada uno de los n
ensayos de Bernoulli es la misma y su funcion de probabilidad f puede expresarse as:
f (x) =
(n{x )P x (1 P )nx ;
si
x = 0, 1, 2, .., n
0;
en cualquier otro caso
Ademas:
E(X) = nP
V (X) = nP (1 P ).
Definici
on 3.3.4. Distribucion Hipergeometrica Sea X una variable aleatoria
discreta, se dice que la variable X,n
umero de exitos en n ensayos de Bernoulli, es
una variable con distribucion hipergeometrica, si y solo si la probabilidad de exito
en cada uno de los n ensayos de Bernoulli es variable y su funcion de probabilidad f
puede expresarse as:
(
f (x) =
0;
si
x = 0, 1, 2, .., n
en cualquier otro caso
Ademas:
E(X) = n Nk
3.3.
V (X) = n( Nk )(1
k
n
)( N
).
N
N 1
90
Definici
on 3.3.5. Distribucion Binomial Negativa
Sea X una variable aleatoria discreta, se dice que X, n
umero de fracasos antes de
obtener el r exito en ensayos de Bernoulli, es una variable con distribucion binomial
negativa, si y solo si su funcion de probabilidad viene dada as:
f (x) =
(r + x 1){x P r (1 P )x ;
si
x = 0, 1, 2, .., n
0;
en cualquier otro caso
E(X) =
r(1P )
P
)
V (X) = [ r(1P
]
P2
f (x) =
x e
;
x!
0;
si
x = 0, 1, 2, ..
en cualquier otro caso
Ademas:
E(X) = V (X) =
Ejemplo 3.3.1. Se sabe que el 0.4 de los ratones inoculados con un suero quedan
protegidos de cierta enfermedad. Si se inoculan 5 ratones, encuentre la probabilidad
de que:
a. Ninguno contraiga la enfermedad.
b. Menos de 2 contraigan la enfermedad.
CAPITULO 3.
91
P (X = 4) + P (X = 5) =
c. P (X 1) = P (X = 1) + P (X = 0) =
0,4)5 = 0,2592 + 0,07776 = 0,33696
(4{2 )(5{3 )
(9{5 )
= 0,4761.
3.3.
92
(35 )(e3 )
5!
3.4.
Definici
on 3.4.1. Distribucion Uniforme Continua Sea X una variable aleatoria
continua, definida en un intervalo [a,b] se dice que X tiene una distribucion uniforme
continua, si y solo si:
f (x) =
1
;
ba
0;
si
x [a, b]
en cualquier otro caso
Ademas:
E(X) =
a+b
2
V (X) =
(ab)2
12
Definici
on 3.4.2. Distribucion Normal Sea X una variable aleatoria continua, se
dice que X tiene una funcion de densidad con distribucion normal, si y solo si:
(
f (x) =
x 2
)
e1/2(
2 2
0;
si
x R; > 0; , R
en cualquier otro caso
CAPITULO 3.
93
con parametros y .
Teorema 3.4.1. Sea X una variable con distribucion normal con paramtros y ,
entonces
E(X) =
Nota 1. Si = 0 y 2 = 1;
con funcion de densidad:
(
f (x) =
e1/2x
0;
V (X) = 2
si
x R;
en cualquier otro caso
Teorema 3.4.2. Sea X una variable con distribucion normal con media y varianza
2 , entonces la variable
X
Z=
94
c. Por debajo de que valor el diametro interior sera el 0.15 de los anillos del
piston?
d. Cual es la probabilidad de que dos de los siguientes 6 pistones tengan un
diametro interior entre 9.97 y 10.03?
e. Cual es la probabilidad de que se necesite 6 pistones para tener un di
ametro interior entre 9.97 y 10.03?
Soluci
on
= 10
= 0,03
La variable tiene distribucion normal con X diametro interior de un anillo
de un piston.
a. P (X > 10,075)
Z=
10,07510
0,03
10,0310
)
0,03
c. P (X x0 ) = 0,15
P ( x
X0
)
= 0,15
P (z Z0 ) = 0,15
CAPITULO 3.
95
X0
luego X0 = 9,9688
d. P (Y = 2) = 6{2 P 2 (1 P )4
e. Z n
umero de fracasos
r=1
P (Z = 5) = (1 + 5 1){5 P 1 (1 P )5
Ejemplo 3.4.2. Las notas definitivas obtenidas por los estudiantes de Estadstica
I del profesor A, estan normalmente distribuidas con una media de 3.6 y una
desviacion estandar de 1.1.
Las notas obtenidas por los estudiantes de Estadstica I del profesor B, estan tambien,
normalmente distribuidas con una media de 3.1 y una desviacion estandar de 0.93.
Luis estudiante del profesor A saco una nota definitiva de 4.5, Karen amiga de Luis
y alumna del profesor B, le dice a Luis que ella saco una nota equivalente a esa en
su grupo (ocupo el mismo puesto que Luis en su grupo).
1. Cuanto saco Karen (de el resultado de la nota con una sola cifra decimal)?
2. Que posicion ocupo en su grupo?
En cada caso, justifique estadsticamente su respuesta.
Soluci
on al item 1):
Sea X la nota obtenida por un estudiante del grupo del profesor B.
En la primera columna de la siguiente tabla se muestra la informacion correspondiente a las calificaciones del profesor A y en la segunda, la informacion
correspondiente a las notas del profesor B:
96
Profesor A
Las notas estan normalmente distribuidas
= 3,6
= 1,1
Nota del estudiante Luis 4.5
Profesor B
Las notas estan normalmente distribuidas
= 3,1
= 0,93
Sea x0 , la nota de la estudiante Karen.
0,93
despejando a x0 en esta ecuacion, se tiene que x0 = (0,82)(0,93) + 3,1 = 3,86, o sea,
que x0 = 3,9.
Respuesta: La nota obtenida por Karen en su grupo es 3.9.
Respuesta al item 2):
Ya teniendo la nota de Karen, se calcula la probabilidad de obtener una nota menor
o igual a esta, para saber que posicion ocupa en su grupo, sabiendo ya que las notas
estan normalmente distribuidas, lo que se hace a continuacion:
X
) = P (Z 0,82),
Definici
on 3.4.3. Distribucion Gamma Sea X una variable aleatoria continua, se
dice que X tiene una distribucion Gamma, si y solo si su funcion de densidad, viene
CAPITULO 3.
97
dada as:
(
f (x) =
x(1) ex
;
()
0;
si
x, , > 0; , R
en cualquier otro caso
Ademas:
E(X) =
V (X) =
f (x) =
()ex ;
si
x>0
0;
en cualquier otro caso
Ademas:
E(X) =
b. Si =
n
2
y=
1
2
V (X) =
1
2
(
f (x) =
(1/2) 2 x( 2 1) e
(n/2)
0;
x
2
si
x>0
en cualquier otro caso
Ademas:
E(X) = n y
V (X) = 2n
98
3.5.
Ejercicios
CAPITULO 3.
99
Definici
on 3.5.1. Distribucion Binomial y binomial negativa
f (x) = (n{x )P x (1 P )nx ; si x = 0, 1, 2, .., n
f (x) = (r + x 1{x )P r (1 P )x ; si x = 0, 1, 2, ...,
E(X) = nP
V (X) = nP (1 P ).
Definici
on 3.5.2. Distribucion Hipergeometrica
f (x) =
E(X) = n Nk
si x = 0, 1, 2, ..., n
V (X) = n( Nk )(1
k
n
)( N
).
N
N 1
Definici
on 3.5.3. Distribucion de Poisson
f (x) =
x e
;
x!
si x = 0, 1, 2, ...
E(X) = V (X) =
3.5. EJERCICIOS
100
2. Un se
nor tiene una hija universitaria a quien le da una cantidad variable de
dinero para llevar cada da a la esccuela. El papa desea que dicha cantidad la
decida la suerte. Para eso mete en una caja ocho peque
nos papeles doblados,
de las cuales cinco dicen 20 pesos y tres dicen 10 pesos. Cada ma
nana y en
presencia de su padre la ni
na saca tres papeletas al azar. Lo que sumen las tres
papeletas sera lo que su papa le dara ese da para sus gastos en la universidad.
a) Encuentre la funcion de probabilidad para la suma de dinero recibida por
la ni
na diariamente.
b) Cual es la probabilidad de que un da la ni
na reciba 60 pesos?
c) calcule la media y la desviacion estandar.
Valoraci
on: Primer punto 3.0
Segundo punto 2.0
Definici
on 3.5.4. Distribucion Binomial y binomial negativa
f (x) = (n{x )P x (1 P )nx ; si x = 0, 1, 2, ..., n
f (x) = (r + x 1{x )P r (1 P )x ; si x = 0, 1, 2, ...,
E(X) = nP
V (X) = nP (1 P ).
Definici
on 3.5.5. Distribucion Hipergeometrica
f (x) =
E(X) = n Nk
si x = 0, 1, 2, ..., n
V (X) = n( Nk )(1
k
n
)( N
).
N
N 1
Definici
on 3.5.6. Distribucion de Poisson
f (x) =
x e
;
x!
si x = 0, 1, 2, ...
E(X) = V (X) =
CAPITULO 3.
101
3.5. EJERCICIOS
102
CAPITULO 3.
103
7. El n
umero promedio de ratas de campo por acre en un campo de trigo de 8
acres se estima es de 10, encuentre la probabilidad de que menos de 5 ratas de
campo se encuentren:
a) en dos acre de terreno determinado
b) en 3 de los siguientes 5 acres inspeccionados.
8. La dureza Rockwell de un metal se determina al golpear con un punto acerado
la superficie del metal y despues medir la profundidad de penetracion del
punto. Suponga que la dureza Rockwell de cierta aleacion esta normalmente
distribuida con media de 70 y desviacion estandar de 3.
a) Si un especimen es aceptable solo si su dureza esta entre 67 y 75. Cual
es la probabilidad de que un especimen seleccionado al azar tenga una
dureza aceptable?
b) Si la escala aceptable es (70-c,70+c), para que valores de c tendra una
dureza aceptable el 95 % de todos los paquetes?
Cual es la probabilidad de que a lo sumo 8 de 10 especmenes
seleccionados independientemente tenga una dureza menor de 73.84?
9. La distribucion del peso de paquetes enviados de cierto modo, es normal con
valor medio de 10 libras. El servicio de paquetera desea establecer un valor de
peso c, mas alla del cual habra cargo extra. Cual valor de c es tal que 99 % de
todos los paquetes pesen por lo menos una libra abajo del peso con cargo extra?
10. Se sabe que el dinero que gastan al a
no los estudiantes de determinanda
universidad en libros de textos sigue una distribucion normal con media $
38.000 pesos y una desviacion estandar de $ 5000 pesos. Halle los valores
extremos en pesos del rango mnimo, que contenga el 95 % de los gastos en
compra de textos de los estudiantes de esa universidad.
11. Suponga que el 8 % todos los ejes de acero producidos por cierto proceso estan
fuera de las especificaciones, pero pueden volver a trabajar. Considere una
muestra aleatoria de 20 ejes y exprese con X el n
umero de los que esten fuera
de las especificaciones y puedan volver a trabajar. Cual es la probabilidad de
que X sea:
3.5. EJERCICIOS
104
a) a lo sumo 13?
b) menos de 13?
c) entre 15 y 25 inclusive?
CAPITULO 3.
105
3.5. EJERCICIOS
106
CAPITULO 3.
107
V (X) = nP (1 P ).
Definici
on 3.5.8. Distribucion Binomial Negativa
r(1p)
p
V (X) =
r(1p)
.
p2
Definici
on 3.5.9. Distribucion Hipergeometrica
f (x) =
E(X) = n Nk
si x = 0, 1, 2, ..., n
V (X) = n( Nk )(1
k
n
)( N
).
N
N 1
Definici
on 3.5.10. Distribucion de Poisson
f (x) =
x e
;
x!
si x = 0, 1, 2, ...
E(X) = V (X) =
3.5. EJERCICIOS
108
Valoraci
on: El primer punto vale 3.5/5 y el
segundo 1.5/5.
CAPITULO 3.
109
110
16. (REVISAR EL ENUNCIADO) Un director de personal que entrevista a 11 ingenieros para cuatro vacantes
a programado seis entrevistas para el primer da y cinco
para el segundo da. Suponga que los candidatos son
entrevistados al azar.
a) Cual es la probabilidad de que x de los mejores cuatro
candidatos sean entrevistados el primer da?
b) Cuantos de los mejores cuatros candidatos pueden
esperar ser entrevistados el primer da ?
CAPITULO 3.
111
112
CAPITULO 3.
Captulo 4
Distribuciones conjuntas.
4.1.
Definici
on 4.1.1. Sea (X,Y) un vector bidimensional, se dice que el par (X,Y) es
un vector aleatorio discreto bidimensional y f su funcion de probabilidad conjunta si
y solo si se cumplen las siguientes condiciones:
1. f (x, y) 0
2. P (X = x, Y = y) = f (x, y)
P
P
3.
xR
yR f (x, y) = 1
4.2.
Definici
on 4.2.1. Sea (X,Y) un vector bidimensional, se dice que el par (X,Y) es
un vector aleatorio continuo bidimensional y f una funcion de densidad conjunta para
(X,Y) si y solo si se cumplen las siguientes condiciones:
1. f (x, y) 0
2. P(a X b, c Y d ) =
R R
3. f (x, y)dydx = 1
RbRd
a
f (x, y)dydx
113
114
Definici
on Sea (X,Y) una variable aleatoria bidimensional discreta y f su funcion
de probabilidad conjunta, se define la funcion de probabilidad conjunta acumulada,
denotada F, as:
F (x, y) = P (X x, Y y) =
t1 x
t2 y
f (t1 , t2 )
Definici
on Sea (X,Y) una variable aleatoria bidimensional discreta y f su
funcion de probabilidad conjunta, se definen:
a. La funcion de probabilidad marginal para x, denotada f1 , as:
f1 (x) =
yR
f (x, y)
xR
f (x, y)
f (x,y)
f2 y
f (y/x) =
f (x,y)
f1 x
Caso Continuo Bivariado (X,Y) es un vector aleatorio continuo bidimensional y f su funcion de densidad conjunta, si y solo si:
CAPITULO 4.
DISTRIBUCIONES CONJUNTAS.
115
RbRd
a
f (x, y)dydx
R R
3. f (x, y)dydx = 1
Definici
on Sea (X,Y) una variable aleatoria bidimensional continua y f su
funcion de densidad conjunta, se define la funcion de densidad conjunta acumulada,
denotada F, as:
F (x, y) = P (X x, Y y) =
R R
Definici
on Sea (X,Y) una variable aleatoria bidimensional continua y f su
funcion de densidad, se definen:
a. La funcion de densidad marginal para X, denotada f1 , as:
f1 (x) =
f (x, y)dy
f (x, y)dx
f (x,y)
f2 y
f (y/x) =
f (x,y)
f1 x
116
Definici
on Sea (X,Y) un vector aleatorio bidimensional, se definen:
a. La funcion de probabilidad o densidad marginal acumulada para x, denotada F1 , as:
F1 (x) = P (X x, Y R) =
P
tx f1 (t);
Rx
F2 (y) = P (X R, Y y) =
P
ty f2 (t);
Ry
Esperanza y Varianzas
Sea (X,Y) un vector aleatorio bidimensional, se definen:
a. La esperanza marginal para X y Y, denotadas E(x) y E(y), as:
E(X) =
P
xR xf1 (x);
R
DISTRIBUCIONES CONJUNTAS.
117
E(Y ) =
P
yR yf2 (y);
R
V (X) =
P
xR [X E(X)]2 f1 (x);
R
V (Y ) =
P
yR [Y E(Y )]2 f2 (y); si (X, Y ) es un vector aleatorio discreto
R
E(X/y) =
P
xR xf (x/y);
R
118
E(Y /x) =
P
yR yf (y/x);
R
V (X/y) =
P
xR [X E(X/y)]2 f (x/y); si (X, Y ) es un vector aleatorio discreto
R
V (Y /x) =
[X E(X)]2 f (x/y)dx;
P
yR [Y E(Y /x)]2 f (y/x); si (X, Y ) es un vector aleatorio discreto
R
Covarianza
Correlaci
on
)
(X, Y ) = COV (X,Y
V (X)
V (Y )
CAPITULO 4.
DISTRIBUCIONES CONJUNTAS.
119
120
El n
umero total de estudiantes seleccionados del profesor B es de dos, as que
si y es el n
umero de estudiantes escogidos como monitores del profesor B, el n
umero
de formas de escoger y estudiantes cuando se tienen dos es: 2Cy .
Por u
ltimo, si ya se escogieron x monitores del profesor A, y, y monitores
del profesor B, entoces para completar el grupo de los tres monitores requeridos,
solo falta escoger de los dos candidatos del profesor C, 3-x-y; los cuales se pueden
escoger de 2C(3xy) . Por lo que la funcion de probabilidad conjunta es:
(
f (x, y) =
si x = 0, 1, 2 y , y = 0, 1, 2, con x + y 3
0, en cualquier otro caso
(4.1)
0
f(0,0) =0
2
f(1,0) = 20
2
f(2,0) = 20
1
2
f(0,1) = 20
8
f(1,1) = 20
2
f(2,1) = 20
2
2
f(0,2) = 20
2
f(1,2) = 20
f(2,2) =0
(4.2)
DISTRIBUCIONES CONJUNTAS.
121
E(X) = x=0,1,2 xf1 (x) = 0f1 (0) + 1f1 (1) + 2f1 (2) = 0(
2
12
4
) + 1( ) + 2( ) = 1
20
20
20
4.3.
Ejercicios
4.3. EJERCICIOS
122
CAPITULO 4.
DISTRIBUCIONES CONJUNTAS.
123
4.3. EJERCICIOS
124
4. De los 124 estudiantes de estadstica I que realizaron los tres primeros parciales,
exactamente nueve estudiantes distintos sacaron 4.7. Tres lo sacaron en el
primer parcial, dos en el segundo y cuatro en el tercero. Si se escogen tres
de estos nueve estudiantes para un comite:
a) Cual es la probabilidad de escoger dos de los que sacaron 4.7 en el primer
parcial y uno de los que sacaron 4.7 en el segundo parcial ? Justifique
estadsticamente su respuesta.
b) Halle el coeficiente de correlacion entre el n
umero de estudiantes que
sacaron 4.7 en primer parcial y 4.7 en el segundo parcial. Justifique
estadsticamente su respuesta.
CAPITULO 4.
DISTRIBUCIONES CONJUNTAS.
125
4.3. EJERCICIOS
126
0
1
f (x, y) 1
1
1/16 3/16 1/16
3
3/16
0
3/16
4
1/16 3/16 1/16
Calcular
a) XY
b) V (X|Y = 21 )
6. Dada la funcion de densidad conjunta:
2
(x + y)ex ,
si x > 0, 0 < y < 1,
3
f (x, y) =
0,
en cualquier otro caso
(4.5)
a) Calcular P (X > Y |Y = 21 )
7. Dada la funcion:
f (x, y) =
k(x2 + y)ex ,
si x > 0, 0 < y < 1,
0,
en cualquier otro caso
CAPITULO 4.
DISTRIBUCIONES CONJUNTAS.
(4.6)
127
4.3. EJERCICIOS
128
CAPITULO 4.
DISTRIBUCIONES CONJUNTAS.
129
1
2
4
f (x, y)
1
1/16 1/16 1/8
0
1/8 1/4 1/8
1/8 1/16 1/16
1
Calcular
130
CAPITULO 4.
DISTRIBUCIONES CONJUNTAS.
131
1 { 23 [( x5
)2 ( x5
)( y25
)+( y25
)2 ]}
10
10
10
10
e
,
100 2 3
si x, y R.
132
no lejano en la ciudad de Barranquilla; ellos creen que ese problema esta relacionado
con los factores: grado de satisfaccion con la profesion, el grado de satisfaccion con
el trabajo y el grado de satisfaccion salarial. Para determinar la influencia de estos
factores en esa posible escases futura, se ha contratado un estudio conuna firma
especializada en pronosticos para investigar sobre estos factores en profesionales
de ciencias economicas en la ciudad. Como parte de este estudio se pidio a 50
profesionales de este campo que indicaran su grado de satisfaccion con respecto al
trabajo, el salario y las oportunidades de ascenso. Se reunieron los datos en la tabla
que se presenta a continuacion:
CAPITULO 4.
DISTRIBUCIONES CONJUNTAS.
133
134
Trabajo
71
84
72
63
84
73
94
90
72
86
86
95
65
82
82
90
78
Contador
Sueldo Ascenso
49
58
74
37
37
86
48
78
60
29
56
55
60
52
27
67
76
37
37
59
72
72
66
52
42
68
37
54
60
56
76
70
52
72
Trabajo
84
87
72
88
74
85
79
69
90
77
71
75
76
89
Economista
Sueldo Ascenso
53
63
66
49
59
79
55
52
70
51
89
46
59
41
47
16
56
23
90
51
36
55
53
92
51
54
80
64
CAPITULO 4.
DISTRIBUCIONES CONJUNTAS.
135
2. Cual de las tres variables parece generar mayor diferencia de opinion entre
estos profesionales? Cual de las variables parece tener mayor cohesion entre
ellos?
4. Considere los valores diferentes del grado de satisfaccion del ascenso como diferentes categoras, es decir, considere la variable Ascenso como una variable
categorica (cualitativa), haga lo mismo con los valores diferentes del grado de
satisfaccion del salario, o sea con la variable Salario, es el grado de satisfaccion del ascenso independiente del grado de satisfaccion en salario?
5. Considere los valores diferentes del grado de satisfaccion del trabajo como diferentes categoras, es decir, considere la variable Trabajo como una variable
categorica (cualitativa), haga lo mismo con los valores diferentes del grado de
satisfaccion del salario, es el grado de satisfaccion del trabajo independiente
del grado de satisfaccion del salario?
6. Considere los valores diferentes del grado de satisfaccion del ascenso como diferentes categoras, es decir, considere la variable Ascenso como una variable
categorica (cualitativa), haga lo mismo con los valores diferentes del grado de
satisfaccion del trabajo, o sea con la variable Trabajo, es el grado de satisfaccion del ascenso independiente del grado de satisfaccion en trabajo?
7. Considere el grado de satisfaccion en salario como una variable cuantitativa,
se ajustan los valores de la variable grado de satisfaccion en el salario a los
valores de una variable con distribucion normal?
8. Considere el grado de satisfaccion en el ascenso como una variable cuantitativa,
se ajustan los valores de la variable grado de satisfaccion en el ascenso a los
valores de una variable con distribucion normal?
9. Considere el grado de satisfaccion en el trabajo como una variable cuantitativa,
se ajustan los valores de la variable grado de satisfaccion en el trabajo a los
valores de una variable con distribucion normal?
4.3. EJERCICIOS
136
CAPITULO 4.
DISTRIBUCIONES CONJUNTAS.
Bibliografa
1. Walpole. Estadsticas para ingenieros .
2. Mendenhall. Estadsticas para adminitracion y economa.
3. Lincoln L. Chao. Estadsticas para adminitracion y economa.
4. Ya Lun Chou. Analisis estadstico.
5. Murray R. Spiegel. Estadstica.
6. George C. Canavos.Probabilidad y Estadstica.
7. George C. Canavos.Probabilidad y Estadstica.
8. http://www.matem.unam.mx/rollos/probabilidad.html
9.
10.
11.
12.
13.
137