Beruflich Dokumente
Kultur Dokumente
os de la Ingeniera
P. Nieto
ii
P. Nieto
ndi
e general
1. Estadsti
a des
riptiva
1.1.
Elementos de Estadsti a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.
Pobla in y muestra
1.1.1.
1.3.
Deni
in de Estadsti
a . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3
3
3
1.2.1.
1.2.2.
. . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1.
Toma de datos
1.3.2.
Agrupa in de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.
. . . . . . . . . . . . . . .
1.5.
Estadgrafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.6.
1.5.1.
1.5.2.
Medidas de dispersin
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . .
10
1.6.1.
Cambios de origen
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
1.6.2.
Cambios de es ala
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
13
Anlisis
ombinatorio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.1.
Introdu in
2.1.2.
Varia iones
15
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
2.1.3.
Permuta iones
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
2.1.4.
Combina iones
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
2.2.
20
2.3.
22
2.4.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . .
24
29
. . . . . . . . . . . . . . . . . . . .
31
3.2.
. . .
32
3.3.
34
3.4.
Distribu in Binomial
3.5.
Distribu in de Poisson
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
36
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
iii
iv
NDICE GENERAL
3.6.
Distribu in Polinomial
3.7.
Distribu in Hipergeomtri a
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . .
39
40
43
4.1.
45
4.2.
47
4.3.
49
4.4.
55
4.5.
56
4.6.
4.5.1.
Distribu in
4.5.2.
Distribu in
4.5.3.
Distribu in
2 de Pearson . . . .
t de Student . . . . .
F de Fisher-Snede
or
. . . . . . . . . . . . . . . . . . . .
56
. . . . . . . . . . . . . . . . . . . .
57
. . . . . . . . . . . . . . . . . . . .
57
58
5. Anlisis de la Regresin
5.1.
5.2.
5.4.
5.5.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
5.1.1.
Introdu in
5.1.2.
5.1.3.
. . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
5.3.
59
Anlisis de la Regresin
Propiedades de
61
62
65
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
65
69
5.3.1.
. . . . . . . . . . . . . . . . . . . . .
69
5.3.2.
69
5.3.3.
. . . . . . . . . . . . . . . . . . . . . .
70
5.3.4.
. . . . . . . . . . . . . . . . . . . . . . . . . .
70
. . . . . . . . . . . . . . . . . . . . . .
5.4.1.
Ajuste parabli o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.4.2.
71
. . . . . . . . . . . . . . . . . . . . .
72
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
72
72
71
P. Nieto
Captulo 1
CAPTULO 1.
ESTADSTICA DESCRIPTIVA
P. Nieto
1.1.
ELEMENTOS DE ESTADSTICA
un estudio.
Una pobla
in puede ser de tamao nito o innito dependiendo del nmero de elementos
que la
omponen. A ese nmero se le denota por la letra
Deni in 1.2
N.
n.
ejemplo nmero de hijos, peso, horas de estudio diarias, ..., pudiendo distinguir en este
aso las variables dis
retas y las
ontinuas dependiendo si el
onjunto imagen es dis
reto o
ontinuo en
xi
f (xi ).
xi .
Al ser este valor independiente del tamao de la pobla
in resulta ms indi
ativa la
fre
uen
ia que est rela
ionada
on
N,
P. Nieto
CAPTULO 1.
Deni in 1.4
ESTADSTICA DESCRIPTIVA
xi
al nmero de ve es que se
, y lo denotaremos
fr (xi ).
Los datos numri
os se pueden ordenar en sentido
re
iente, lo que nos permite indi
ar
untos de ellos son menores o mayores que un valor dado, ya sea en trminos absolutos o
relativos.
Deni in 1.5
xi
Fr (xi )
F (xi )
en el aso de
Diagrama de barras
Se utiliza para datos, numri
os o no numri
os, no agrupados en
lases y
on fre
uen
ias distintas de la unidad. Se
olo
a en el eje de abs
isas los datos y en el de ordenadas
las fre
uen
ias, absolutas o relativas de los datos, elevndose un segmento desde el punto
orrespondiente al dato hasta al
anzar la altura
orrespondiente a la fre
uen
ia de ese dato.
Ver la gura(1.1)
P. Nieto
1.4.
d1
d2
d3
d4
d5
d6
d7
Datos
d2
d3
d4
d5
d6
d7
Datos
x1
x2
x3
x4
x5
x6
x7
Datos
P. Nieto
CAPTULO 1.
ESTADSTICA DESCRIPTIVA
anterior), (extremo superior, Fre
uen
ia a
umulada de ese intervalo) para
ada uno de los
intervalos, teniendo en
uenta que para el primer intervalo la fre
uen
ia del anterior es nula.
Las fre
uen
ias a
umuladas pueden ser absolutas o relativas y el origen de
oordenadas no
tiene que
oin
idir ne
esariamnete
on el valor
orrespondiente al dato
ero. Ver la gura
(1.4).
!
!!
Fre
uen
ias
a
umuladas
"
"
!"
!
!
x1
x2
x3
x4
x5
x6
x7
Datos
Diagrama de se
tores
En el
aso de que los datos o las
lases sean po
os, se divide un
r
ulo en se
tores
ir
ulares siendo los ngulos de
ada uno de ellos dire
tamente propor
ionales a la fre
uen
ia
del dato o
lase al que se le aso
ia ese se
tor.
1.5. Estadgrafos
Son unos valores que aportan una informa
in mas
on
reta del
onjunto de datos. Los
dividiremos en dos tipos: los de tenden
ia
entral y los de dispersin.
Moda
Es el dato que tiene mayor fre
uen
ia, es de
ir el dato que mas ve
es se repite. La moda
no existe
uando todos los datos son distintos y en
aso de existir no tiene porqu ser ni
a.
P. Nieto
1.5.
ESTADGRAFOS
Mediana
Ordenados los datos, es el valor que est en la mitad, o la media aritmti
a de los dos
del medio, dependiendo de si su nmero es impar o par. Por ejemplo, dados los datos:
1,1,3,5,6,7,8,8,9 la mediana es el 6. Pero si tenemos los datos 1,1,3,5,6,7,8,8,9,9 la mediana
es 6.5
Geomtri
amente, si tenemos el polgono de fre
uen
ias a
umuladas, es el valor del eje
de abs
isas
orrespondiente a la ordenada N/2.
!
!!
"
"
"
!
!!
x1
x2
x3
x4
x5
x6
x7
Datos
Mediana
Para datos agrupados en
lases, se
al
ula mediante interpola
in lineal suponiendo que
los datos de esa
lase se distribuyen uniformemente en el intervalo, lo
ual nos lleva a la
frmula:
= Li +
Mediana
siendo
Li
N
2
(f )i1
fmediana
(f )i1
fmediana
Cuartiles y Centiles
Del mismo modo en que la mediana divide la distribu
in en dos intervalos que
ontienen
el mismo nmero de datos, los tres
uartiles
ontiene
ada una el 25 % de los datos. As
Q1 , Q2 y Q3
Q1
75 % superiores.
Se llama re
orrido inter
uartli
o o amplitud inter
uartli
a a la diferen
ia
indi
a la separa
in de la mitad de los datos (los
entrales).
Deniremos los 99
entiles,
C1 , C2 , , C99 ,
Q3 Q1
que
P. Nieto
P2
y el
C50 .
CAPTULO 1.
ESTADSTICA DESCRIPTIVA
P
( f )i
N/2
P
( f )i+1
Li+1
Li
Datos
Mediana
Media
Aunque existen otras medias
omo la geomtri
a, la inversa,..., utilizaremos la media
aritmti
a a la llamaremos media y denotaremos
omo
x=
PN
i=1 xi
Pk
i=1 xi
Pk
x.
f (xi )
(1.1)
i=1 f (xi )
sta ltima para el
aso en el
aso de que haya k datos distintos de los N.
La media es el
entro de gravedad de la distribu
in de datos y posee las propiedades
derivadas de ello.
Varianza
La varianza o desvia
in
uadrti
a media, que denotaremos por
s2
indi a el grado de
{0, 1, 2}
{0,9, 1, 1,1}
pero los datos del primer
onjunto estn ms separados entre s que los del segundo.
Deniremos la varianza de un
onjunto de datos
s2x =
N
1 X
(xi x)2
N
xi ,
mediante la frmula:
(1.2)
i=1
Cuyas unidades son las de los datos elevadas al uadrado, denindose a ve es por ello:
P. Nieto
1.5.
ESTADGRAFOS
Desvia
in tpi
a
Se dene
omo la raz
uadrada positiva de la varianza, y lo representaremos por
sx , por
v
u
N
u1 X
t
sx =
(xi x)2
N
(1.3)
i=1
s2x =
1
N
PN
1
N
P
N
2
i=1 (xi x) =
1
N
PN
(1.1)
PN 2
PN
2+
x
x
2x
x
=
i=1 i
i=1
i=1 i
!
!2
N
N
N
X
X
X
1
1
x2i N x2 =
x2i
xi
N
N
2
2
i=1 (xi + x 2xi x) =
2 + N x2 2N x2 = 1
x
i
i=1
N
1
N
P
N
i=1
i=1
i=1
datos
un punto A al valor:
{xi }
Pk
N
f (xi )(xi A)r
1 X
r
Mr (A) =
(xi A) = i=1Pk
N
i=1 f (xi )
i=1
M1 (0) = x
y que
M2 (x) = s2
de f il demostra in:
M1 (x) = 0
El mnimo de
M2 (A)
se obtiene para
A=x
Operando
on los momentos podemos
onseguir
oe
ientes adimensionados, siendo, los ms
importantes:
Deni in 1.7
M
Llamaremos Sesgo al
o
iente de momentos respe
to de la media: 3 3
M2
Este oe iente indi a el grado de simetra de una distribu in, y diremos que tiene sesgo
positivo si, en el polgono de fre
uen
ias, tiene la
ola de la dere
ha ms larga que izquierda.
Diremos que tiene sesgo negativo si la
ola de la izquierda es ms larga que la dere
ha.
P. Nieto
10
CAPTULO 1.
Sesgada a la dere ha
Deni in 1.8
Insesgada
ESTADSTICA DESCRIPTIVA
Sesgada a la izquierda
M4
la media:
M22
Lepto rti a
Meso rti a
Plati rti a
{xi }
pasar a ser
x =
PN
umplen:
i=1 xi
{xi },
PN
siendo
i=1 (xi
A)
xi = xi A,
=
x=0
al punto
x = A,
el onjunto de
P
( N
i=1 xi ) A N
=xA
N
Por lo que si desplazamos el origen se desplaza la media y todas las medidas de tenden
ia
entral.
s2x
N
N
N
1 X
1 X
1 X
2
2
=
(xi x) =
((xi A) (x A)) =
(xi x)2 = s2x
N
N
N
i=1
i=1
i=1
Luego la varianza, y las medidas de dispersin, no se ven afe tadas por el ambio de origen.
P. Nieto
1.6.
11
{xi }
x =
pasar a ser
PN
i=1 xi
PN
{xi },
i=1 c
siendo
xi
xi = c xi ,
P
c( N
i=1 xi )
=
=cx
N
Por lo que la media y los momentos de orden uno sufren el mismo ambio que los datos.
s2x =
N
N
N
1 X
1 X
1 X
(xi x)2 =
(c xi (c x))2 = c2
(xi x)2 = c2 s2x
N
N
N
i=1
i=1
i=1
Luego la varianza, y los momentos de orden 2, se ven afe
tadas por el
ambio de es
ala
on un fa
tor
c2 .
cr .
Los
oe
ientes de sesgo y
urtosis, al ser adimensionales, no se vern afe
tados por estos
ambios.
Ejemplo 1.1
no
idas stas y sus fre
uen
ias,
onstruiremos una tabla
on los valores ne
esarios para el
l
ulo de los estadgrafos mas usuales, y
al
ularemos stos.
[xi1 , xi ]
[2 95, 3 05]
[3 05, 3 15]
[3 15, 3 25]
[3 25, 3 35]
[3 35, 3 45]
[3 45, 3 55]
[3 55, 3 65]
[3 65, 3 75]
[3 75, 3 85]
[3 85, 3 95]
[3 95, 4 05]
Mi f (Mi )
(Mi )2 f (Mi )
9'30
28'83
6'40
20'48
12
9'90
32'67
17
17'00
57'80
21
14'00
49'00
24
10'80
38'88
3'70
27
11'10
41'07
3'80
29
7'60
28'88
3'90
33
15'60
60'84
4'00
35
38'5
35
Mi
f (Mi )
F (Mi )
3'00
3'10
3'20
3'30
3'40
3'50
3'60
12'00
36'00
8'00
32'00
121'70
426'45
La moda ser el valor 3'4 unidades, ya que es la mar
a de
lase del intervalo de mayor
fre
uen
ia
La mediana estar en el intervalo
[3 45, 3 55]
pues
N
2
= 17 5
obtenemos:
Mediana
P. Nieto
= 3 45 + (
17 5 17
) 0 1 = 3 4725
4
unidades.
12
CAPTULO 1.
La media
x=
N
1 X
121 70
Mi f (Mi ) =
= 3 47714
N
35
ESTADSTICA DESCRIPTIVA
unidades.
i=1
La varianza:
La desvia
in tpi
a:
1
1
s2 = (426 45 (121 70)2 ) = 0 09376
35
35
s = s2 = 0 30621 unidades.
unidades
P. Nieto
Captulo 2
Elementos de Cl
ulo de
Probabilidades
13
14
CAPTULO 2.
P. Nieto
2.1.
15
ANLISIS COMBINATORIO
E = {e1 , e2 , . . . , en }
n) a los
distintos grupos de k elementos
ada uno que se pueden formar, siendo dos grupos distintos
si
ontienen distintos elementos o su orden de
olo
a
in en el grupo vara.
Ejemplo 2.1
dos en dos:
{a, b, c}
tomados de
(a, b), (a, c), (b, a), (b, c), (c, a) y (c, b)
Teorema 2.1
Ejemplo 2.2
n!
(n k)!
1,3,5,7,9 ?
V5,3 =
5!
= 60
2!
grupos de n elementos
ada uno que se pueden formar, siendo dos grupos distintos si su orden
de
olo
a
in en el grupo vara.
Corolario 2.1
Pn = Vn,n = n!
P. Nieto
16
CAPTULO 2.
n) a los
distintos grupos de k elementos
ada uno que se pueden formar, siendo dos grupos distintos
si
ontienen distintos elementos .
Ejemplo 2.3
Se ofre en uatro objetos A,B,C y D para elegir dos de entre ellos. Des ribir
AB, AC, AD
BC, BD
CD
Teorema 2.2
mados de k en k es
Cn,k
Vn,k
n(n 1)(n 2) (n k + 1)
n!
=
=
=
=
Pk
k!
(n k)! k!
Ejemplo 2.4
n
k
Solu in
109
C10,8 = 10
8 = 2 = 45
7
b) C103,83 = C7,5 =
5 =
5
a)
) De las in o primeras:
76
2 = 21
= 5 (
ontesta 4)
De las 10 - 5 = 5 restantes:
5
4 = 5 (las 8 - 4 = 4 restantes)
Teorema 2.3
Sean n y k N
I con n k,
entonces
n
n
a)
=
= 1
n
0
n
n
b)
=
k
nk
n
n1
n1
c)
=
+
k
k1
k
P. Nieto
2.1.
17
ANLISIS COMBINATORIO
Deni in 2.4
E = {e1 , e2 , . . . , en }
Ejemplo 2.5
3 son:
{1, 2}
(1, 1, 1), (1, 1, 2), (1, 2, 1), (1, 2, 2), (2, 1, 1), (2, 1, 2), (2, 2, 1), (2, 2, 2)
Teorema 2.4
VRn,k = nk
Ejemplo 2.6
Deni in 2.5
a1 , a1 , (
. . 1., a1 , a2 , a2 , (
. . 2., a2 , . . . , al , al , .(. l., al ,
on
1 + 2 + . . . + l = n
Enton es llamaremos, Permuta iones on repeti in de di ho onjunto a todas las ordena iones distintas que se puedan formar on todos los elementos
Ejemplo 2.7
Teorema 2.5
a1 , a1 , (
. . 1., a1 , a2 , a2 , (
. . 2., a2 , . . . , al , al , .(. l., al ,
on
1 + 2 + . . . + l = n
Enton es el nmero de permuta iones que pueden ha erse on ellos viene dado por:
PRn1 , 2 ,..., l
Ejemplo 2.8
n
1 , 2 , . . . , l
n!
1 ! 2 ! l !
2,2,2,5,5,7,7,7 ?
PR83,2,3
P. Nieto
8
3, 2, 3
8!
= 560
3! 2! 3!
18
CAPTULO 2.
Teorema 2.6
Sean : A un conjunto de n elementos
n1 , n2 , . . . , nl N
I
n1 + n2 + + nl = n
Ai contiene ni elementos i = 1, 2, ..., l
Enton
es el nmero de parti
iones ordenadas diferentes de A, de la forma
(A1 , A2 , ..., Al )
es
n
n1 , n2 , nl
Ejemplo 2.9
n!
n1 ! n2 ! nl !
A1 , A2
A3
de tal forma que
ada equipo est formado por
uatro estudiantes, y un alumno no pueda
pertene
er a dos equipos?
Solu
in
Mtodo 1
Como todo alumno debe pertene
er a un equipo, si un alumno de los 12 lo asignamos
11
3
11109
32
= 165
formas
De los 8 alumnos restantes de
ada
ombina
in anterior, elegimos uno para un segundo
equipo;
on este jado se podr
ompletar ese equipo de
7
3
765
32
= 35 formas distintas.
Slo quedan 4 alumnos que formarn el equipo restante, luego el nmero total pedido
es:
11
3
7
3
= 165 35 = 5,775
Mtodo 2
12!
4! 4! 4!
= 36,650
(A1 , A2 , A3 )
Deni in 2.6
Sea
son
36,650
6
= 5,775
(A1 , A2 , A3 ).
3! = 6
bina iones on repeti in de orden k a los distintos grupos de k elementos ada uno que se
pueden formar, pudiendo apare
er algn elemento repetido, siendo dos grupos distintos si
ontienen distintos elementos o si
ontienen los mismos elementos, no se repiten el mismo
nmero de ve
es.
Ejemplo 2.10
Del onjunto
sern:
{A, B, C, D}
Teorema 2.7
CRn,k =
n+k1
k
(n + k 1)!
(n 1)! k!
P. Nieto
2.1.
19
ANLISIS COMBINATORIO
Ejemplo 2.11
pisos. De
untas formas diferentes pueden bajarse del mismo si importa quin baja en
ada piso?. Y si no importa quin baja sino
untos bajan?
Solu
in
a) Si
(1, 4, 4, 6)
VR7,4 = 74 = 2,401
ya que
CR7,4 =
P. Nieto
7+41
4
10
4
10987
432
= 210
20
CAPTULO 2.
Sea:
T un experimento
ualquiera.
Llamaremos Espa
io muestral o Universo al
onjunto de todos los resultados de ese
experimento.
Deni in 2.8
Sea:
T un experimento.
Diremos que T es un Experimento aleatorio si
umple las siguientes
ondi
iones:
a)
Puede repetirse indenidamente sin variar las ondi iones ini iales.
b)
c)
d)
Ejemplo 2.12
ada lanzamiento es una prueba y la le
tura del nmero de la
ara superior del dado es un
resultado.
Deni in 2.9
Sea:
Deni in 2.10
Sea:
Deni in 2.11
Sean:
A B = {x \ x A x B}
Deni in 2.12
Sean:
A B = {x \ x A x B}
P. Nieto
2.2.
Deni in 2.13
21
Sea:
A un su
eso
ualesquiera de E.
Llamaremos Complementario de A al
onjunto
A = {x \ x 6 A x E}
Deni in 2.14
Sean:
Ejemplo 2.13
AB =
A B 6=
{(1, 1)}, {(1, 2)}, . . . , {(1, 6)}, {(2, 1)}, {(2, 2)}, . . . , {(2, 6)}, . . . , {(6, 1)}, {(6, 2)}, . . . , {(6, 6)}
Su
eso A: Obtener una suma de puntos igual a 8
A = {(2, 6), (3, 5), (4, 4), (5, 3), (6, 2)}
Su
eso B: Obtener un produ
to de puntos igual a 12
A B = {(2, 6), (3, 4), (3, 5), (4, 3), (4, 4), (5, 3), (6, 2)}
Su
eso interse
in:
P. Nieto
22
CAPTULO 2.
Deni in 2.15
Sean:
Un experimento aleatorio de universo E
A un su
eso suyo
f(A) el nmero de ve
es que se ha dado el su
eso A (fre
uen
ia) al efe
tar el
experimento n ve
es
Enton
es llamaremos Probabilidad P(A) de que o
urra el su
eso A, al efe
tuar una vez el
experimento E, al siguiente lmite:
f (A)
n n
P (A) = lm
Observa
in: Esta deni
in solo permite
al
ular el valor P(A) de una forma aproximada,
puesto que n, en la realidad no puede al
anzar el innito y deberemos obtenerla empri
amente
omo el nmero al que se aproxima
fr (A)
pruebas.
Ejemplo 2.14
preguntndoles que mar
a de automovil preeren y 215.000 responden Mer
edes, inferimos
215,000
que 1,000,000 = 0, 215 es la probabilidad de que una persona elegida al azar tenga predile
in
por esa mar
a (un 21.5 % de la humanidad)
Deni in 2.16
(Cramer-Kolmogorov)
Sean:
E el espa
io muestral de un experimento aleatorio
A y B dos su
esos suyos
ualesquiera
Enton
es llamaremos Probabilidad P(A) de que o
urra el su
eso A, al efe
tuar una vez el
experimento E, a toda apli
a
in:
P : P(E) [0, 1]
A 7 P (A)
P (E) = 1
P (A B) = P (A) + P (B)
(2.1)
si
AB =
(2.2)
P. Nieto
2.3.
23
CONCEPTO DE PROBABILIDAD
Proposi in 2.1
P (A) = 1 P (A)
(2.3)
P () = 0
(2.4)
Si
A = {a1 , a2 , . . . , ak }
(2.5)
Deni
in 2.17
Llamaremos Su
eso imposible a aquel
uya probabilidad es
ero
Deni
in 2.18
Llamaremos Su
eso seguro a aquel
uya probabilidad es la unidad
Propiedad 2.1
(Probabilidad de Lapla e)
En el
aso de que todos los su
esos unitarios tengan la misma probabilidad, es de
ir los
su
esos elementales de E son equiprobables, podemos de
ir que:
Sean:
AE
a
n
un su eso
Enton es
P (A) =
a
n
lo que vulgarmente se di
e :
La probabilidad de un su
eso es el nmero de
asos favorables dividido entre el nmero
de
asos posibles.
P. Nieto
24
CAPTULO 2.
Sean:
muestral E.
A1 A2 . . . An = E
Teorema 2.8
Sean:
{A1 , A2 , . . . , An }
Enton es el onjunto
{B1 , B2 , . . . , Bm }
{Ai Bj \ i = 1, 2, . . . , n ; j = 1, 2, . . . , m}
es otra parti
in de E, a la que se denomina Parti
in
ruzada
Este resultado se puede observar en el siguiente ejemplo:
B1
B2
B3
A1
A1 B1
A1 B2
A1 B3
Teorema 2.9
A2
A2 B1
A2 B2
A2 B3
A3
A3 B1
A3 B2
A3 B3
A4
A4 B1
A4 B2
A4 B3
Sean:
P (A B) = P (A) + P (B) P (A B)
Demostra
in
Tal
omo se representa en la gura (2.1), podemos expresar:
A = (A B) (A B)
B = (A B) (A B)
A B = (A B) (A B) (A B)
Al ser uniones de su
esos ex
luyentes, por el teorema (2.2) tendremos:
P (A) = P (A B) + P (A B)
P (B) = P (A B) + P (A B)
P (A B) = P (A B) + P (A B) + P (A B)
Y operando
on estas tres igualdades obtenemos la tesis del teorema.
P. Nieto
2.4.
25
E
A
AB
AB
BA
Ejer i io 2.1
Teorema 2.10
Sean
De generaliza in
A1 , A2 , . . . , An
Enton es:
P (A1 A2 . . .An ) =
Deni in 2.20
n
X
P (Ai )
i=1
X
i<j
P (Ai Aj )+
i<j<k
Sean:
P (A B)
P (B)
Observa
in Esta deni
in puede justi
arse por el e
ho de que una vez habindose dado
el su
eso B, el espa
io muestral queda restringido al
onjunto B, y la Probabilidad de que
ahora de d el su
eso A se ver restringida a la probabilidad del su
eso
La expresin anterior puede es
ribirse de la forma:
P(B
(A B)
A) = P (B) P (A/B)
Deni in 2.21
Sean
P (A/B) = P (A)
P. Nieto
26
CAPTULO 2.
Ejemplo 2.15
Las ausas por las que puede dejar de fun ionar un motor se lasi an en
tres
ategoras, que se suponen independientes, A, B y C. La probabilidad del fallo del motor
por las
ausas A, B y C, en su primer ao de fun
ionamiento, son respe
tivamente 0.1, 0.2
y 0.3.
Hallar la probabilidad de que un motor falle en su primer ao de uso.
Solu
in
Mtodo 1
P (A) = 0,1; P (B) = 0,2; P (C) = 0,3 P (A) = 0,9, P (B) = 0,8, P (C) = 0,7
y
omo
A, B
P (A B C) = 1 0,504 = 0,496
Mtodo 2
Por el teorema (2.10):
Ejemplo 2.16
Lanzamos al aire un dado, perfe to, dos ve es anotando los resultados. Con-
VR6,2 = 36
en negrita) y 18 a B (subrayados)
pertene en a A (
(1, 1)
(2, 1)
(3, 1)
(4, 1)
(5, 1)
(6, 1)
(1, 5) (1, 6)
(2, 5) (2, 6)
(3, 5) (3, 6)
(4, 5) (4, 6)
(5, 5) (5, 6)
(6, 5) (6, 6)
P (A) =
P (A/B)
6
36 .
veri
a A habindose dado B, es de
ir 3
asos ({(2, 5)}, {(4, 3}, {(6, 1)}) de entre los 18
asos
en los que veri
a B (nuevo universo), luego
P (A/B) =
3
18
1
6 y por tanto
P (A) = P (A/B)
P. Nieto
2.4.
Teorema 2.11
27
Sean
A1 , A2 , . . . , An
su esos de un universo E
Enton es
Corolario 2.2
Si los su esos
A1 , A2 , . . . , An
pendientes
Teorema 2.12
Sean:
Un espa
io muestral E de un experimento aleatorio
{A1 , A2 , . . . , An }
una parti in de E
B un su eso ualquiera
Enton es
P (B) =
n
X
i=1
P (Ai ) P (B/Ai )
Demostra
in
P (B) = P (B E) = P [B (
n
[
Ai )]
i=1
P (B) = P [(B A1 ) (B A2 ) . . . (B An )]
y
omo los
Ai
B Ai
P (B) = P
P (B A1 ) + P (B PA2 ) + . . . + P (B An ) =
= ni=1 P (B Ai ) = ni=1 P (Ai ) P (B/Ai )
P. Nieto
28
CAPTULO 2.
Teorema 2.13
(Teorema de Bayes)
Sean:
Un espa
io muestral E de un experimento aleatorio
{A1 , A2 , . . . , An }
una parti in de E
B un su eso ualquiera
Enton es
P (Ai ) P (B/Ai )
P (Ai /B) = Pn
i=1 P (Ai ) P (B/Ai )
(2.6)
Demostra
in
P (Ai B) = P (Ai ) P (B/Ai ) = P (B) P (Ai B)
P (Ai ) P (B/Ai ) ( 2.12)
P (Ai ) P (B/Ai )
= Pn
P (Ai /B) =
P (B)
i=1 P (Ai ) P (B/Ai )
Ejemplo 2.17
0,06,
para la B:
P (D/B) = 0,02
y para la C:
P (D/A) =
P (D/C) = 0,01
Solu
in
Por el teorema de Bayes:
P (B) P (D/B)
=
P (A) P (D/A) + P (B) P (D/B) + P (C) P (D/C)
(200/600) 0,02
4
4
= 100
=
=
= 0,30769
200
300
6
+
4
+
3
13
0,06
+
0,02
+
0,01
600
600
600
P (B/D) =
P. Nieto
Captulo 3
29
30
CAPTULO 3.
P. Nieto
3.1.
31
Sean:
T un experimento aleatorio
E el espa
io muestral de T.
Llamaremos Variable aleatoria a toda fun
in:
X :
E R
I
Deni in 3.2
Sea:
Deni in 3.3
Sea:
Ejemplo 3.1
Se lanzan dos dados al aire y se observan los dgitos de las aras superiores.
E = {(1, 1), (1, 2), . . . , (1, 6), (2, 1), . . . , (6, 6)}
Si denimos la fun
in:
X : E R
I
(x, y) 7 z = x + y
esta fun
in tiene
omo
onjunto imagen
variable aleatoria dis
reta.
Y : E R
I
(x, y) 7 z = (x + y)
on 0 < < 1
puede tomar todos los valores del intervalo (0,12), luego es variable aleatoria
ontinua.
P. Nieto
32
CAPTULO 3.
Sean:
xi
un valor determinado de X
Ejemplo 3.2
xi
xi
xi = 9
Teorema 3.1
Sean:
Preimg(xi ) Preimg(xj )
Sn
i=1 Preimg(xi ) = E
Ejer i io 3.1
i 6= j
puede tomar la
X,
es de ir del onjunto
Deni in 3.5
y omprobar el um-
Sean:
E.
de valores que puede tomar
P : {x1 , x2 , . . . , xn } [0, 1]
xi 7 P (X = xi )
Ejemplo 3.3
P. Nieto
xi
P (X = xi )
Ejemplo 3.4
10 11 12
1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
3
36
2
36
1
36
{3, 4, 5, 6, 7, 8, 9, 10}
tome un ierto valor a, es de ir, que la ter era bombilla defe tuosa se saque en la
extra in a:
P (X = a) =
3
2
7
a3
10
a1
1
a2 3a + 2
=
10 a + 1
240
ya que se requiere que en las a-1 primeras extra
iones hayan salido 2 bombillas fundidas y
que en la extra
in a se obtenga la otra fundida.
Deni in 3.6
Sean:
tomar la variable
F : {x1 , x2 , . . .} [0, 1]
x1 7 F (xi ) = P (X xi )
es de
ir:
Ejemplo 3.5
xi
P (X = xi )
10 11 12
1
36
3
36
6
36
10
36
15
36
21
36
26
36
30
36
33
36
35
36
36
36
es de ir, por ejemplo, la probabilidad de obtener una suma menor o igual a 5 ser:
1
2
3
4
10
5
+ + +
=
=
36 36 36 36
36
18
o que la probabilidad de que la suma obtenida sea mayor o igual a 5 y menor o igual a 9
ser:
P (5 X 9) = F (9) F (4) =
P. Nieto
30
6
24
2
=
=
36 36
36
3
34
CAPTULO 3.
Sean:
(Un ierto
xi
puede
x = E(X) =
k
X
xi P (X = xi )
(3.1)
i=1
Observa
in: Esta deni
in proviene de la tenden
ia de la fre
uen
ia relativa de un dato
a la probabilidad de ese dato
uando n tiende a innito:
lm x =
n
X
i=1
Ejemplo 3.6
Ejer
i
io 3.2
X
i=1
x = E(X) = 2
fundidas y
fi X
=
xi P (X = xi ) = x
n n
xi lm
1
2
2
1
+ 3 + . . . + 11 + 12
=7
36
36
36
36
Deni in 3.8
Sean:
(Un ierto
xi
puede
x2 = V ar(X) =
k
X
(xi x )2 P (X = xi )
(3.2)
i=1
k
X
i=1
k
X
i=1
(xi x )2 P (X = xi )
P. Nieto
3.3.
35
Teorema 3.2
x2
= V ar(X) =
k
X
i=1
x2i P (X = xi ) 2x
(3.3)
Demostra
in
Pk
2
2
2
i=1 (xi x ) P (X = xi ) =
i=1 (xi + x 2xi x )P (X = xi ) =
P
P
P
(3.1)
+ ki=1 x2i P (X = xi ) + 2x ki=1 P (X = xi ) 2x ki=1 xi P (X = xi ) =
Pk
P
= i=1 x2i P (X = xi ) + 2x 22x = ki=1 x2i P (X = xi ) 2x
x2 =
Pk
Deni
in 3.9
Ejemplo 3.7
= nmero de
extra
in de la ter
era bombilla fundida de una
aja de 10 bombillas de las que 3 estn
fundidas.
33
Del ejer
i
io anterior sabemos que x = 4 = 8,25 y que la P (X = a) toma la expresin
a2 3a+2
siendo el
onjunto de valores de X = {3, 4, 5, 6, 7, 8, 9, 10}
analti
a P (X = a) =
240
2
luego, utilizando la expresin para x que ofre
e el teorema y la siguiente tabla
xi
P (X = xi )
x2i P (X = xi )
10
2
240
92
240
6
240
166
240
12
240
2512
240
20
240
3620
240
30
240
4930
240
42
240
6442
240
56
240
8156
240
72
240
10072
240
tendremos que:
2 =
y
1
1089
8514 1089
(9+ 48+ 150+ 360+ 735+ 1344+ 2268+ 3600) (
)=
= 2,8875
120
16
120
16
x = 1,6992
Ejer i io 3.3
X=
suma de los
dos dgitos de las aras superiores que se obtienen al lanzar dos dados al aire.
P. Nieto
36
CAPTULO 3.
Deni in 3.12
Un onjunto
E se di
e di
otmi
o
AA =E y AA =
Un
onjunto
tales que:
N,
nito, de elementos
Sean:
X : Xn N
I
{xn } 7 x
donde x es el nmero de elementos de la
lase
Observa in
Si
ontenido en la su esin
{xn }
y de la lase
no vara
Ejemplo 3.8
a la
lase
A)
Una fbri
a produ
e un
ierto art
ulo y lo
lasi
a entre bueno (pertene
er
o defe
tuoso (pertene
er a la
lase
A).
Xn
La v.a.d. Binomial
Teorema 3.3
E
ser:
{0, 1, 2, . . . , 10}
Sean:
A,
de un experimento aleatorio
en
Enton
es:
a) La fun
in de probabilidad P(X=x)
on
P (X = x) = B(x) =
y obsrvese que
Pn
x=0 B(x)
x {0, 1, 2, . . . , n}
n x
p (1 p)nx
x
es:
(3.4)
=1
P. Nieto
3.5.
37
DISTRIBUCIN DE POISSON
x = E(X) = n p
)La varianza y la desvia
in tpi
a de una distribu
in binomial son:
x2 = Var(x) = n p (1 p)
x =
npq
Ejemplo 3.9
p = 0,97; q = 1 p = 0,03
P (1
aja tenga 2 defe
tuosos) = P (X = 8) =
x = n p = 10 0,97 = 9,7
x2 = n p (1 p) = 10 0,97 0,03 = 0,291
x = 0,54
10
8
(0,97)8 (0,03)2 = 0,96
Deni in 3.13
Sean
lm n p = m
Teorema 3.4
Sean:
P (X = x) = P (x) =
P. Nieto
x {0, 1, 2, 3, . . . }
mx em
x!
es:
(3.5)
38
CAPTULO 3.
x = E(X) = m
)La varianza y la desvia
in tpi
a de la distribu
in son:
x2 = Var(x) = m
x =
m
Observa in
np m.
En la pr ti a se obtienen valores de la
n 50
m = np 10.
bu
in de Poisson:
El nmero de puntos defe
tuosos en una super
ie dada de un tejido.
El nmero de rema
hes defe
tuosos en el fuselaje de un avin.
El nmero de ba
terias, de una determinada
lase,
ontenidas en un volumen dado de
ultivo.
El nmero de llamadas telfoni
as re
ibidas en una
entralita en perodos de
in
o
minutos.
El nmero de part
ulas radia
tivas emitidas por una muestra en perodos de 5 minutos.
El nmero de personas que falle
en diariamente por infarto de mio
ardio en un gran
pas.
P. Nieto
3.6.
39
DISTRIBUCIN POLINOMIAL
Deni in 3.14
A,
Sean:
E un espa
io muestral
A1 , A2 , . . . , Ak su
esos
tales que
Ai Aj =
i, j = 1, . . . , k, i 6= j
Xn
de espa io muestral
X : Xn N
Ik
{xn } 7 (x1 , x2 , . . . , xk )
xi es el nmero de
x1 + x2 + . . . + xk = n
donde
Cada
xi
elementos de la lase
Ai
ontenido en la su esin
{xn }
Teorema 3.5
Sean:
sla vez
Enton
es:
La fun
in de probabilidad
n1 + n2 + . . . + nk = n
P (x1 = n1 , x2 = n2 , . . . , xk = nk )
es:
P (x1 = n1 , x2 = n2 , . . . , xk = nk ) =
Ejer i io 3.4
on
n!
pn1 pn2 2 pnk k
n1 ! n2 ! nk ! 1
(3.6)
mente grande y en solo
uatro
olores: un 20 % son blan
os, verdes un 30 %, grises un 40 %
y azules un 10 %. Un
on
esionario soli
ita un pedido de 20
o
hes de ese modelo,
uyos
olores sean elegidos al azar. Qu probabilidad tiene de que le enven 6 blan
os, 6 verdes, 3
grises y 5 azules?
P. Nieto
40
CAPTULO 3.
Sean:
X : Xn N
Ik
{xn } 7 (x1 , x2 , . . . , xk )
xi es el nmero de
x1 + x2 + . . . + xk = n
donde
Observa in
elementos de la lase
Ai
ontenido en la su esin
{xn }
(muestra
de tamao n)
Teorema 3.6
Sean:
el experimento la
primera vez
n el nmero de ve
es que se realiza el experimento de extraer un elemeno de
n1 + n2 + . . . + nk = n
P (x1 = n1 , x2 = n2 , . . . , xk = nk )
es:
P (x1 = n1 , x2 = n2 , . . . , xk = nk ) =
Observa in
on
N p1
n1
N p2
N pk
n2 nk
N
n
(3.7)
P. Nieto
3.7.
41
DISTRIBUCIN HIPERGEOMTRICA
Corolario 3.1
Si el onjunto
es di otmi o de lases
A,
sean:
mera vez
q = 1-p =P (A)
x el nmero de ve
es que se d el su
eso
de las n
Enton
es,
a) La fun
in de probabilidad P(X=x), es:
P (X = x) =
b)
N p
x
Nq
nx
(3.8)
N
n
x = E(x) = n p
)
Ejer i io 3.5
x2 = Var(x)
=
p
x = x2
N n
N 1 np(1
p)
P. Nieto
P (X = x) y P (2 x 4)
x , x2 y x
42
CAPTULO 3.
P. Nieto
Captulo 4
43
44
CAPTULO 4.
P. Nieto
4.1.
45
4.1.
[, ]
podemos denirla
de la forma:
0
f (x) = P (x)
Deni in 4.1
si
si
si
x<
x
x>
F (x1 ) = P (x x1 )
que puede ser interpretada
omo la probabilidad a
umulada del valor
Si el
ampo de variabilidad de x es
la re
ta real
R
I
[, ],
x1 .
0
F (x1 ) = F (x1 ) = P (x x1 )
si
si
si
x1 <
x1
x1 >
Propiedades 4.1
a)
b)
Deni in 4.2
f (x) = F (x) =
donde
F (x)
f (x)
tal que:
dF
dx
x = x1
la rela in de la fre uen ia de un slo valor respe to a la fre uen ia de innitos de ellos:
P (x = x1 ) = 0,
P. Nieto
46
CAPTULO 4.
6F(X)
1
lm
x2 x1
x2 x1
F (x2 ) F (x1 )
x2 x1
F (x)
que es la derivada de
f (x) = F (x) =
en el punto
x1 ,
luego:
dF
dx
Propiedades 4.2
1.-
dF (x) = f (x)dx
2.-
F (x1 ) = P ( x x1 ) =
3.4.5.-
R x1
f (x)dx
Rx
P (x1 x x2 ) = F (x2 ) F (x1 ) = x12 f (x)dx
Rx
F (x) = f (x)dx
R
f (x)dx =
R +
f (x)dx = 1
Las demostra
iones son sen
illas si se tiene en
uenta las deni
iones y el he
ho de que
para valores no pertene
ientes al intervalo
[, ], f (x) = 0
P. Nieto
4.2.
47
Sea
[, ].
x = E(x) =
x f (x)dx
pudiendo ser
y , y +
Deni in 4.4
Sea
(4.1)
respe tivamente
[, ].
x2
= V ar(x) =
(x x )2 f (x)dx
(4.2)
x2 f (x)dx 2x
(4.3)
Teorema 4.1
x2
= V ar(x) =
Demostra
in
x2
=V ar(x) =
(x x ) f (x)dx =
x f (x)dx 2x
x f (x)dx+
Z
Z
Z
()
+ 2x
f (x)dx =
x2 f (x)dx 22x + 2x =
x2 f (x)dx 2x
Ejemplo 4.1
Sea
de variabilidad
f (x)dx = 1
[, ]
de todos los datos es la misma. Cal ular su fun in de densidad, su media y su varianza.
0
f (x) = k
si
si
si
x<
x
x>
f (x)dx =
k dx = k( ) = 1
luego
k=
y la fun in de densidad es
f (x) =
P. Nieto
si
si
si
x<
x
x>
48
CAPTULO 4.
x f (x)dx =
i
x
2 2
x2
+
=
dx =
=
2( ) 2( )
2
x2
2x
x f (x)dx =
y operando obtenemos
x2 =
i
x2
x3
3 3
2 + + 2
dx =
=
=
3( ) 3( )
3
2 + + 2 ( + )2
( )2
=
3
4
12
Ejemplo 4.2
...
) pueden
f (t) =
0
C ekt
si
(
on k >0 )
si
t<0
t0
Supongamos que el nmero de horas de fun
ionamiento de un art
ulo obede
e a una
distribu
in exponen
ial del tipo anterior
on k = 0.05.
1. Cal
ular C para que f(t) sea una fun
in de densidad
2. Obtener la fun
in de distribu
in
3. La media y la varianza de la distribu
in
4. la probabilidad de los su
esos:
a) La vida de uno de esos art
ulos es a lo sumo 50 horas
b) La vida de un art
ulo est entre 20 y 100 horas
) La vida de un art
ulo es superior a 100 horas
Solu
in:
1.
2.
3.
R +
f (t(dt =
F (t) =
Rt
0,05t
C e0,05t dt = Ce0,05
0,05t dt = e0,05t
0 0,05 e
it
C
0,05
=1
luego
C = 0,05
= 1 e0,05t
i
R
1
0,05t = te0,05t e0,05t
t
f
(t)dt
=
0,05te
= 0 + 0,05
= 20 horas.
0,05
0
0
0
i
R
R
R
2
0,05t dt =
t2 + (t)2 = 0 t2 f (t)dt = 0 0,05t2 e0,05t = t2 e0,05t
0,05
0 0,05te
t=
0 + 20 20
4.
a)
b)
)
horas
por lo tanto
t2
= 20
horas
P. Nieto
4.3.
49
f (X)
Diremos que
Sea
(x)2
1
f (x) = e 22
2
Propiedades 4.3
1. La fun
in denida veri
a la
ondi
in que debe
umplir toda fun
in de densidad:
f (x) dx = 1
2. Los parmetros
in tpi
a de la variable x.
3. La
urva f(x) es f
ilmente representable gr
amente (ver la gura (4.2)) teniendo
en
uenta las siguientes
ara
tersti
as:
a) f(x) es no negativa
b) El eje OX es asntota horizontal de la
urva
)
x=
d) El punto
e)
(, 12 )
x=
es un mximo relativo
Demostra in
P. Nieto
Ip =
enton es
Sea
R +
ex dx =
p
+
eu du =
ey dy
eu du = lm Ip
50
CAPTULO 4.
Y6
6
R2
p 2
9
p
R1
X
D
X
p
p p 2
0
Figura 4.3: Dominios
Ip2
x2
dx
e
p
y 2
dy =
dx
(x2 +y 2 )
dy = 4
ZZ
e(x
2 +y 2 )
dx dy
desigualdades:
ZZ
(x2 +y 2 )
dx dy <
R1
Ip2
< 4
ZZ
e(x
2 +y 2 )
dx dy
R2
ahora bien
I1 = 4
ZZ
(x2 +y 2 )
dxdy = 4
R1
1 1
2
2
= 2( ep ) = (1 ep )
2 2
ZZ
Z
Z
2
(x2 +y 2 )
I2 = 4
e
dxdy = 4
d
0
R2
i=p
1
2
2
e d = 2( e )
=
2
=0
p 2
0
e d = (1 e2p )
por lo tanto
2
lm (1 ep ) lm Ip2 lm (1 e2p )
se tiene que
lm Ip2 = lm Ip2 =
p
P. Nieto
4.3.
51
y por lo tanto
eu du =
= u,
"
#
x
(x)2
=u
x
e 22 dx =
I=
=
x = + 2u
dx = 2du
2
Z
Z
1
1
1
2
u2
=
+ 2 e du =
+eu du =
=1
2
Z
2. (a)
es la media:
"
#
x
=u
(x)2
x
=
x =
xf (x)dx =
x e 22 dx =
x = + 2u
dx = 2du
2
Z
Z +
Z +
1
1
2 + u2
u2
u2
=
( + 2u)e 2du =
e du +
ue du =
2
Z +
2 u2 i+
2
u2
e du e
=
(0 0) =
=
2
3. (b)
es la varianza
#
=u
x u
=
(x ) e
dx =
x = 2u
dx = 2du
"
#
Z +
2 Z +
u
=
u
du
=
du
1
2
2
2
=
2 2 u2 eu 2du =
u2 eu du =
=
u2
2
dv = ueu du v = e2
2
Z
2
2
2 2 h ueu i+ 2 2 1 + u2
+
e du = 0 +
= 2
=
2
2
1
x2 =
2
(x)2
2 2
"
Observa
iones
Si una variable
y desvia in tpi a
x
Si
es
N (, )
P. Nieto
es
N (0, 1)
52
CAPTULO 4.
Deni in 4.6
La Fun in de Distribu in
1
F (x) =
2
(x)2
2 2
dx
de un v.a. .
z2
2
dz
es
< x < +
1
F (x) =
2
x, N (, )
=z
< z < +
x,
mri os, por lo que, para no ha er una tabla de valores para ada par de valores de
integrales de la distribu in
N (0, 1).
Existen diferentes tipos de tablas, en base a las diversas reas que
al
ula
ada una, y
veamos un ejer
i
io utilizando la tabla que
al
ula
Ejer i io 4.1
1.
P (x 17 gr)
2.
P (x 13,5 gr)
3.
P (x 10,6 gr)
4.
P (x 9,34 gr)
5.
P (13 gr x 15 gr)
6.
P (9 gr x 10 gr)
7.
P (11 gr x 14 gr)
P (0 x z):
= z)
R 2,5
1.
2.
3.
4.
R 0,75
P. Nieto
4.3.
53
1)
2)
3)
4)
5)
6)
7)
6.
7.
R1
0
f (z) dz
Ejer i io 4.2
N (0, 1)
tran:
1. El 90 % de los datos
2. El 95 % de los datos
3. El 99 % de los datos
4. El 99.75 % de los datos
Se trata de en
ontrar un valor
z0
R z0
z0
f (z) dz =
probabilidad pedida
P. Nieto
R z0
0
f (z) dz =
p
2:
54
CAPTULO 4.
1.
2.
3.
R z0
f (z) dz =
0,95
2
= 0,475 z0 = 1,96
f (z) dz =
0,99
2
= 0,495 z0 = 2,575
R z0
f (z) dz =
0,9975
2
R z0
0
0
= 0,49875 z0 = 3,01
P. Nieto
4.4.
55
(de Moivre)
z=p
x np
np(1 p)
es
n ,
enton es la variable
z:
N (0, 1)
Justi
a
in:
Cuando n es grande y p no est prximo a
ero ni a uno, la gura es
alonada que reeja
el histograma de las probabilidades de
ada valor x de la variable binomial es
ampaniforme
y se asemeja a la
ampana de la normal de Gauss.
La aproxima
in se
onsidera buena para n>30 y 0.1<p<0.9 y
uanto mayor es n y p es
ms prximo a 0.5 mejor es la aproxima
in.
Ejemplo 4.3
las espe
i
a
iones t
ni
as. Se tiene una pobla
in de 2000 termostatos. Mediante la aproxima
in normal, hallar:
1. La probabilidad de que la pobla
in
ontenga ms de 120 termostatos defe
tuosos.
2. La probabilidad de que el nmero de defe
tuosos est entre 80 y 120
Al ha
er el paso de una distribu
in dis
reta a una
ontinua, debido a que en la
ontinua
la probabilidad de un valor es un innitsimo, hay que
onvertir los valores en intervalos
siendo el mtodo ms
omn el de repartir en dos partes iguales el intervalo existente entre
un valor y el siguiente:
Si tenemos una distribu
in binomial donde n=10, los valores que puede tomar la variable
son {0,1,2,. . . ,10} luego
rearemos los intervalos (, 0,5), (0.5,1.5), (1.5,2.5),. . . , (9.5,+)
Solu
in
n=2000
p=0.05
1.
2.
= n p = 100
P (x > 120) P
>
120,5
=
n p(1 p) =
= P (z >
20,5
)
95
95
120,5
P (80 < x < 120) P 79,5
= P (2,1 z 2,1) =
Ejer i io 4.3
binomial
normal
P(x=8)
0.196
0.1974
P(x6)
0.227
0.2266
0.790
0.7888
P(6x10)
P. Nieto
56
CAPTULO 4.
f (2 ) = 1
=4
= 12
2
Sean
x1 , x2 , . . . , x
2 = x21 + x22 + . . . + x2
y a
(4.4)
En la gr a (4.6) se muestran algunas fun iones de densidad para diversos valores de
Propiedades 4.4
1. El
ampo de variabilidad de una
2. Su media es
es
(0, +)
n.
3. Su desvia in tpi a es
2n
4. Si
21
tiene
Pn
2
i=1 i
= n 2
P. Nieto
4.5.
57
Sean
de libertad.
aleatoria:
x
t = p
2
(4.5)
Sean
2
1 variable aleatoria
on 1 grados de libertad.
22 variable aleatoria
on 2 grados de libertad.
21 y 22 independientes entre s.
Enton
es llamaremos Variable aleatoria F de Fisher-Snede
or
on
F=
P. Nieto
21
1
22
2
grados de
(4.6)
58
CAPTULO 4.
x1
x2
x = a x1 + b x2 ,
x = x1 x2 ,
x = 1 2
x2 = 12 + 22
22 :
enton es:
x = a 1 + b 2
x2 = a2 12 + b2 22
2. En parti
ular si
1 , 2 , 12
(si
(si
x1 y x2
enton es:
x1 y x2
P. Nieto
Captulo 5
Anlisis de la Regresin
59
60
CAPTULO 5.
ANLISIS DE LA REGRESIN
P. Nieto
5.1.
61
ANLISIS DE LA REGRESIN
variables.
y = f (x).
{(xi , yi )}
on
i = 1, , n
y queremos
Los diversos mtodos se basan en minimizar la suma de las distan ias entre esos valores.
P. Nieto
62
CAPTULO 5.
Y6
ANLISIS DE LA REGRESIN
r
y=f(x)
r
r
f(x )
i
y
i
r
r
yi f (xi )
positivas no
minimizar
n
X
F =
(yi f (xi ))2
i=1
Pn
i=1 (yi
f (xi ))2 .
Tambin existe un mtodo para determinar la bondad del ajuste en base a la fun in
cuadrado.
Re
ta de ajuste de y sobre x
Si suponemos que la re
ta viene denida de la forma
independiente, deberemos determinar los valores de
y = a x + b, siendo x la variable
b por el mtodo de mnimos
y de
uadrados:
minimizar
F (a, b) =
n
X
(yi (a xi + b))2
i=1
relativo que
F
F
=
=0
a
b
P. Nieto
5.1.
63
ANLISIS DE LA REGRESIN
Se
umple, en este
aso parti
ular, que las
ondi
iones son su
ientes y que el mnimo relativo
tambin lo es absoluto. Por lo tanto:
F
a
=0
F
b
=0
Pn
2 i=1 (yi axi b) xi = 0
Pn
Pn
Pn
a i=1 x2i + b i=1 xi = i=1 xi yi
Pn
Pn
i=1 xi
+bn=
Pn
Pn
Pn
Pn
2
i=1 xi yi a
i=1 xi b
i=1 xi = 0
Pn
i=1 yi a
Pn
i=1 xi b
Pn
i=1 1 = 0
i=1 yi
el sumatorio
Pn
S(x2 ) S(x)
= n S(x2 ) [S(x)]2 = n n {S(x2 ) 1 [S(x)2 ]} = n2 s2
=
x
S(x)
n
n
n
n 6= 0
y que
s2x 6= 0
xi
seran
1 S(xy) S(x) n S(xy) S(x)S(y)
=
a =
n
S(y)
n S(x2 ) {S(x)}2
Deni in 5.1
cov(x, y) =
1X
(x x)(y y)
n
i=1
cov(x, x) = s2x ,
cov(x, y) =
P. Nieto
que umple
1
1
{S(xy) S(x)S(y)}
n
n
a =
(x, y),
n S(xy) S(x)S(y)
=
n S(x2 ) {S(x)}2
1
1
n {S(xy) n S(x)S(y)}
1
1
2
2
n {S(x ) n [S(x)] }
cov(x, y)
s2x
(5.1)
64
CAPTULO 5.
Deni in 5.2
A este valor
ANLISIS DE LA REGRESIN
Pro
edimiento 1
Por la regla de Cramer:
1 S(x2 ) S(xy) S(x2 )S(y) S(x)S(xy)
b =
=
S(x) S(y)
n S(x2 ) {S(x)}2
Pro edimiento 2
b + a
S(x)
n
y omo
n:
S(x)
S(y)
=
n
n
=x
S(y)
n
= y,
queda
b = y ax
Observa
in
La re
ta de regresin, por mnimos
uadrados, pasa por el
entro de gravedad
de la nube de puntos:
(x, y)
y = a x + b = a x + (y a x)
de donde
y y = a (x x)
e
ua
in de la re
ta que pasa por
(x, y)
y tiene de pendiente
a.
Re
ta de ajuste de x sobre y
Si suponemos que
el ajuste de
sobre
y,
es la variable dependiente e
mediante la re ta:
x = a y + b
y razonando de manera similar, obtendramos la e
ua
in de regresin:
x x = a (y y)
siendo
a =
cov(x, y)
s2y
(5.2)
P. Nieto
5.2.
65
(x, y)
1
a =
a
s2y
cov(x, y)
=
s2x
cov(x, y)
Deni in 5.3
denido de la
forma:
r =
siendo
sx
sy
cov(x, y)
sx sy
respe tivamente.
r=
1
1
S(x)S(y)}
cov(x, y)
S(xy) xS(y)
n {S(xy) n
p
q
=q
=p
sx sy
1
1
S(x2 ) xS(x) S(y 2 ) yS(y)
2 ) 1 {S(x)}2 }
2 ) 1 {S(y)}2 }
{S(x
{S(y
n
n
n
n
5.2.1. Propiedades de r
1. Se demuestra que
2.
r [1, 1]
0 9
es mayor que
y:
En ambos
asos anteriores, la nube de puntos esta
ontenida en franjas estre
has
de bordes re
tilneos paralelos entre s.
Si
Si
el ajuste es perfe to: las dos re tas de ajuste oin iden y pasan por
Teorema 5.1
a=
sy
r
sx
a =
sx
r
sy
Demostra
in
P. Nieto
66
CAPTULO 5.
Como
cov(x, y) = r sx sy
a=
cov(x, y)
r sx sy
sy
=
=
r
s2x
s2x
sx
a =
r sx sy
cov(x, y)
sx
=
=
r
2
2
sy
sy
sy
Teorema 5.2
ANLISIS DE LA REGRESIN
El oe iente
es ala.
Demostra
in
Como ya se indi
en el primer
aptulo (pags. 9 y 10):
Cambio de origen
(
x = x + A
y = y + B
(
x = x + A
y = y + B
cov(x , y ) =
s x = s x
sy = sy
n
n
X
X
(x x )(y y ) =
(x x)(y y) = cov(x, y)
i=1
i=1
por lo tanto
r(x ,y ) =
cov(x , y )
cov(x, y)
=
= r(x,y)
s x s y
sx sy
Cambio de es
ala
(
x = c x
y = d y
cov(x , y ) =
(
x = c x
y = d y
s x = c s x
sy = d sy
n
n
X
X
(x x )(y y ) =
c (x x) d (y y) = c d cov(x, y)
i=1
i=1
por lo tanto
r(x ,y ) =
cov(x , y )
c d cov(x, y)
cov(x, y)
=
=
= r(x,y)
s x s y
c sx d sy
sx sy
P. Nieto
5.2.
67
Ejer i io 5.1
(70,1'65),(73,1'70),(75,1'65),(75,1'70),(80,1'75),(86,1'80),(90,1'80)
en
kilogramos,
en
metros,
obtener:
y de
2. La
ovarianza
3. El
oe
iente de regresin lineal de
4. La re
ta de regresin de
sobre
sobre
sobre
7. Estimar el valor de
para
x = 72 Kg
8. Estimar el valor de
para
y = 1 63 m
Solu
in:
Creemos en primer lugar la tabla de valores, para el
l
ulo:
x = x 70
y = y 1 65
y = 20 y
(x )2
(y )2
-2
400
1'55
-18
-0'1
-2
324
36
58
1'60
-12
-0'05
-1
144
12
61
1'60
-9
-0'05
-1
81
64
1'65
-6
36
70
1'65
73
1'70
0'05
75
1'65
25
75
1'70
0'05
25
80
1'75
10
0'1
100
20
86
1'80
16
0'15
256
48
90
1'80
20
0'15
400
60
1800
34
233
50
1'55
52
-20
Suma
y
omo se
umple que
-6
-0'1
x y
40
1.
6
+ 70 = 69 5 Kg
12
1
1 4
y = y + 1 65 =
y + 1 65 =
+ 1 65 = 1 716m
20
20 12
1
(6)2 599
s2x = s2x =
1800
=
Kg2 sx = 12 23 Kg
12
12
4
1
1
1
(4)2
s2y = s2y = ( )2 s2y =
34
= 0 00681 m2 sy = 0 0825
20
400 12
12
x = x + 70 =
P. Nieto
68
CAPTULO 5.
ANLISIS DE LA REGRESIN
2.
cov(x, y) = cov(x , y ) =
1
1 1
(6) 4
cov(x , y ) =
233
= 0 979
20
20 12
12
mKg
3.
a=
cov(x, y)
0 979
=
= 0 00654
s2x
149 75
4.
y = y + a (x x) = 1 716 + 0 00654(x 69 5)
y = 0 00654 x + 1 26
5.
r=
cov(x, y)
0 979
=
= 0 97
sx sy
12 23 0 0825
6.
a = r
sx
12 23
= 0 97
= 143 795
sy
0 0825
y = 0 00654 72 + 1 26 = 1 73
8.
Kg
P. Nieto
5.3.
{xi , yi }i=1,...,n
y = c dx ,
ln y = ln c + x ln d
y efe
tuando los
ambios:
Y
X
b
a
=
=
=
=
ln y
x
ln c
ln d
c = eb
d = ea
b,
{xi , yi }i=1,...,n
y = m xn ,
ln y = ln m + n ln x
y efe
tuando los
ambios:
Y
X
b
a
=
=
=
=
ln y
ln x
ln m
n
m = eb
P. Nieto
re ta
Y =
70
CAPTULO 5.
ANLISIS DE LA REGRESIN
si apli amos la frmula de ambio de base de logaritmos, por ejemplo a neperianos, nos queda:
y = c+
ln x
ln d
Y
X
b
a
= y
= ln x
= c
= ln1d
d = e a
b,
re ta
Y = aX +b
Y
X
b
a
=
=
=
=
{xi , yi }i=1,...,n
y=
1
mx+n
y 1
x
n
m
re ta
Y = aX +b
Mediante las fun
iones de
ambio ade
uadas se opera de forma similar para
ualquier
familia dependiente de dos parmetros.
P. Nieto
5.4.
71
n.
mnimos
uadrados:
minimizar
n
X
F (, , ) =
(yi ( x2i + xi + ))2
i=1
F
F
F
=
=
=0
Se
umple, en este
aso parti
ular, que las
ondi
iones son su
ientes y que el mnimo relativo
tambin lo es absoluto. Por lo tanto:
P
2 ni=1 (yi x2i x ) x2i = 0
P
=0
2 ni=1 (yi x2i x ) xi = 0
Pn
Pn
Pn
Pn
2y
4
3
2
x
x
x
i
i
i
i
i=1
i=1
i=1
i=1 xi = 0
P
P
P
P
n
Pn
Pn
Pn
2
i=1 yi
i=1 xi
i=1 xi n = 0
o si
Pn
Pn
Pn
Pn
4+
3+
2 =
2
x
x
x
i
i
i
i=1
i=1
i=1
i=1 xi yi
P
P
P
P
P
P
Pn
i=1 x2i + ni=1 xi + n = ni=1 yi
Pn
indi
amos
on la letra S el sumatorio
i=1 y obviando los
S(x2 ) + S(x) + n
= S(y)
P. Nieto
72
CAPTULO 5.
=a, =b
obteniendo la solu in ni a
ANLISIS DE LA REGRESIN
y = c + b x + a x2
Ejer i io 5.2
Se han medido las alturas sobre le nivel del mar de un proye til, disparado
-3
-2
-1
y: altura (m)
19.8
22.1
22
20.1
16.2
9.9
2.1
n,
siendo
y = a0 xn + a1 xn1 + . . . + an1 x + an
donde los parmetros son los
ai , i = 1, . . . , n
a0 S(x2n )
+ a1 S(x2n1 ) + . . . + an1 S(xn+1 ) + an S(xn )
= S(xn y)
.
.
.
.
.
.
n
n1
a0 S(x )
+ a1 S(x
) + . . . + an1 S(x)
+ an n
= S(y)
ai
{(xi , yi , zi )}i=1,...,n
z = + x + y
P. Nieto
5.5.
73
minimizar
n
X
F (, , ) =
(zi ( + xi + yi ))2
i=1
luego
=0
n
+ S(x) + S(y) = S(z)
=0
obteniendo la solu in ni a
=a, =b
z = a + bx + cy
Ejer i io 5.3
Se sabe por experien ia que la dureza de una alea in depende de los onte-
y,
z.
sobre
(x, y)
2.5 % de A y 1.5 % de B.
x:
y:
1.1
1.9
2.1
2.9
1.1
2.1
0.9
1.9
1.1
2.9
z:
6.9
9.1
9.9
12.1
7.9
P. Nieto