Est Ad Is Tic A

Mtodo estadsti
os de la Ingeniera
P. Nieto
Dep. Matemti a Apli ada

E.U.P.
Donostia-San Sebastin
2004-05
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.
Tipos de variables y datos . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.2.
Fre uen ias de los datos
. . . . . . . . . . . . . . . . . . . . . . . . . .
Tratamiento de los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1.
Toma de datos
1.3.2.
Agrupa in de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.
Des rip in gr a de una muestra unidimensional
. . . . . . . . . . . . . . .
1.5.
Estadgrafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.6.
1.5.1.
Medidas de tenden ia entral
1.5.2.
Medidas de dispersin
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . .
Cambios de es ala y de origen . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
1.6.1.
Cambios de origen
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
1.6.2.
Cambios de es ala
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
2. Elementos de Cl ulo de Probabilidades

2.1.
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.
Experimentos aleatorios. Espa io muestral. Su esos . . . . . . . . . . . . . . .
20
2.3.
Con epto de probabilidad
22
2.4.
Teoremas fundamentales del l ulo de probabilidades
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . .
3. Distribu iones dis retas de probabilidad

3.1.
Variables aleatorias: dis retas y ontinuas
24
29
. . . . . . . . . . . . . . . . . . . .
31
3.2.
Distribu iones dis retas: Fun in de probabilidad y fun in distribu in
. . .
32
3.3.
Media y varianza de una distribu in dis reta . . . . . . . . . . . . . . . . . .
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
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . .
4. Distribu iones ontinuas de Probabilidad
39
40
43
4.1.
Fun iones de distribu in y de densidad . . . . . . . . . . . . . . . . . . . . .
45
4.2.
Media y varianza de una distribu in ontinua . . . . . . . . . . . . . . . . . .
47
4.3.
Distribu in Normal de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . .
49
4.4.
Aproxima in de la distribu in Binomial por la Normal . . . . . . . . . . . .
55
4.5.
Otras distribu iones ontinuas . . . . . . . . . . . . . . . . . . . . . . . . . . .
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
Opera iones entre distribu iones ontinuas . . . . . . . . . . . . . . . . . . . .
58
5. Anlisis de la Regresin
5.1.
5.2.
5.4.
5.5.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
5.1.1.
Introdu in
5.1.2.
Con epto de regresin
5.1.3.
Ajuste de una re ta de regresin
. . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
Coe iente de orrela in lineal . . . . . . . . . . . . . . . . . . . . . . . . . .

5.2.1.
5.3.
59
Anlisis de la Regresin
Propiedades de
61
62
65
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
65
Ajuste a familias de urvas que dependen de dos parmetros . . . . . . . . . .
69
5.3.1.
Ajuste a fun iones exponen iales
. . . . . . . . . . . . . . . . . . . . .
69
5.3.2.
Ajuste a fun iones poten iales . . . . . . . . . . . . . . . . . . . . . . .
69
5.3.3.
Ajuste a fun iones logartmi as
. . . . . . . . . . . . . . . . . . . . . .
70
5.3.4.
Ajuste a otras fun iones
. . . . . . . . . . . . . . . . . . . . . . . . . .
70
Ajuste a polinomios de orden superior
. . . . . . . . . . . . . . . . . . . . . .
5.4.1.
Ajuste parabli o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.4.2.
Ajuste a un polinomio de grado
71
. . . . . . . . . . . . . . . . . . . . .
72
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
72
Ajuste de un plano a una nube tridimensional de puntos . . . . . . . .
72
Caso de varias variables

5.5.1.
71
P. Nieto
Captulo 1
Estadsti a des riptiva
CAPTULO 1.
ESTADSTICA DESCRIPTIVA
P. Nieto
1.1.
ELEMENTOS DE ESTADSTICA
1.1. Elementos de Estadsti a

1.1.1. Deni in de Estadsti a
La estadsti a es la ien ia que se en arga de la toma, organiza in, re opila in, presenta in y anlisis de datos, tanto para la dedu in de on lusiones omo para tomar
de isiones razonables de a uerdo on tales anlisis.
La parte de la estadsti a que no trata de obtener on lusiones de un grupo mayor que
el analizado se denomina estadsti a des riptiva o dedu tiva.
Veamos a ontinua in la deni in de los on eptos bsi os de la estadsti a:
1.2. Pobla in y muestra

Deni in 1.1
Llamaremos Pobla in al onjunto de elementos sobre el que se quiere ha er
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.
Llamaremos Muestra a ualquier sub onjunto de la pobla in.
El tamao de la muestra, que generalmente es nito, se denota por la letra
n.
1.2.1. Tipos de variables y datos

A ada elemento de la pobla in o de la muestra le apli aremos una o varias variables que
responden a las ara tersti as a estudiar de la pobla in, y a las orrespondientes imgenes
les llamaremos datos.
Clasi aremos las variables omo ualitativas si los datos no son numri os, por ejemplo
estado ivil, olor de los ojos, ..., y omo uantitativas
si los datos son numri os, por
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
En este urso trabajaremos solamente on variables uantitativas lo que nos permite,

ya que los datos son numri os, estable er un orden, al ular los extremos superiores e
inferiores, opera iones numri as, ..., en el onjunto de datos.
1.2.2. Fre uen ias de los datos

Deni in 1.3
Llamaremos fre uen ia de un dato
dato en todo el estudio y lo denotaremos
xi
al nmero de ve es que se repite ese
f (xi ).
Esta fre uen ia orresponde al nmero de elementos de la pobla in uya imagen es
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,
por ejemplo es ms pre iso indi ar que un dato se
ha obtenido 3 ve es de 1000 que indi ar que se ha obtenido 3 ve es.
P. Nieto
E.U.P. San Sebastin
CAPTULO 1.
Deni in 1.4
Llamaremos fre uen ia relativa de un dato
repite ese dato en todo el estudio, dividido por
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
Llamaremos fre uen ia a umulada de un dato
xi
al nmero de datos que
son menores o iguales que l, en todo el estudio, y lo denotaremos

fre uen ia absoluta y omo
Fr (xi )
F (xi )
en el aso de
en el aso de las relativas.
1.3. Tratamiento de los datos

1.3.1. Toma de datos
Una vez obtenidos los datos, generalmente desordenados, para determinar la fre uen ia
de ada uno de ellos es til el sistema de palotes debido a que es f il de omprobar y de
orregir errores.
Se llama Amplitud
del estudio a la diferen ia entre el mximo y el minimo valor.
1.3.2. Agrupa in de datos

Adems de la agrupa in de los datos repetidos uando hay mu hos datos y estos son
asi siempre distintos o uando onviene al estudio (agrupar las notas de un examen en
suspensos, aprobados, notables y sobresalientes) se agrupan los datos en Clases o Intervalos
disjuntos entre s, de forma que abarquen todos los datos.
Llamaremos Mar a de lase al punto medio el intervalo y supondremos que los datos
que pertene en a la lase estan uniformemente distribuidos en ese intervalo. Los l ulos
resultan mas sen illos si todos los intervalos tienen la misma amplitud.
1.4. Des rip in gr a de una muestra unidimensional

Veamos los mtodos ms omunes en el aso de que los datos sean unidimensionales:
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)
Polgono de fre uen ias

Si en el aso anterior unimos onse utivamente los extremos superiores de los segmentos,
obtenemos una lnea poligonal llamada polgono de fre uen ias. Ver la gura (1.2)
P. Nieto
1.4.
DESCRIPCIN GRFICA DE UNA MUESTRA UNIDIMENSIONAL
6Fre uen ias
d1
d2
d3
d4
d5
d6
d7
Datos
Figura 1.1: Diagrama de barras
6Fre uen ias

c
`
!
c
```!!! ``
c!!
d1
d2
d3
d4
d5
d6
d7
Datos
Figura 1.2: Polgono de fre uen ias
Histograma o Diagrama de lases

Se utiliza para datos numri os agrupados en lases. Se onstruye levantando re tngulos
uya base es la amplitud del intervalo y su altura la fre uen ia, absoluta o relativa, de la
lase. Ver la gura (1.3).
6Fre uen ias
x1
x2
x3
x4
x5
x6
x7
Datos
Figura 1.3: Histograma
Polgono de fre uen ias a umuladas

En el aso de datos agrupados en intervalos o lases, se forma una poligonal uniendo los
puntos orrespondientes a los pares (extremo inferior, Fre uen ia a umulada del intervalo
P. Nieto
E.U.P. San Sebastin
CAPTULO 1.
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
Figura 1.4: Polgono de fre uen ias a umuladas
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.
1.5.1. Medidas de tenden ia entral

Indi an omo se distribuyen los datos ha ia la mitad. Los ms importantes son:
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.
Fre uen ias

a umuladas
N/2
!
!!

"
"
"
!
!!

x1
x2
x3
x4
x5
x6
x7
Datos
Mediana
Figura 1.5: Cl ulo de la mediana gr amente
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
lmite inferior de la lase que ontiene a la mediana.
(f )i1
suma de las fre uen ias de las lases anteriores.
nmero total de datos.
fmediana
fre uen ia de la lase que ontiene a la mediana.
tamao del intervalo de la lase que ontiene a la mediana.
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
la dividen en uatro partes, que
tiene el 25 % de los datos inferiores a l y el
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
omo los valores que dividen la distribu in
de datos en 100 partes que ontienen, ordenadamente, el mismo nmero de datos.

El l ulo de los uartiles y de los entiles se ha e de forma similar al de la mediana, la
ual es el
P. Nieto
P2
y el
C50 .
E.U.P. San Sebastin
CAPTULO 1.
P
( f )i

N/2
P
( f )i+1
Li+1
Li
Datos
Mediana
Figura 1.6: Cl ulo de la mediana por interpola in
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.
Se obtiene mediante la frmula:
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.
1.5.2. Medidas de dispersin

Son valores que indi an la forma de la distribu in en el sentido de su amplitud y densidad
de datos.
Varianza
La varianza o desvia in uadrti a media, que denotaremos por
s2
indi a el grado de
separa in de los datos entre s.

Si tenemos los onjuntos de datos
{0, 1, 2}
{0,9, 1, 1,1}
ambos tienen omo media 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
lo tanto su frmula es:
v
u
N
u1 X
t
sx =
(xi x)2
N
(1.3)
i=1
Estas frmulas no son operativas para el l ulo, pero si operamos en la e ua in (1.2)

obtenemos,
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
Siendo la ltima la utilizada en pro esos informti os, ya que en un mismo bu le se

pueden al ular la media y la varianza.
Momentos, sesgo y urtosis

Deni in 1.6 Dado el onjunto de
datos
un punto A al valor:
{xi }
se llama Momento de orden r respe to de
Pk
N
f (xi )(xi A)r
1 X
r
Mr (A) =
(xi A) = i=1Pk
N
i=1 f (xi )
i=1
Esta ltima para datos que se repiten, habiendo k datos distintos

Se puede observar que
M1 (0) = x
y que
M2 (x) = s2
y podemos desta ar omo propiedades,
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
E.U.P. San Sebastin
10
CAPTULO 1.
Sesgada a la dere ha
Deni in 1.8
Insesgada
Sesgada a la izquierda
Llamaremos Coe iente de Curtosis al o iente de momentos respe to de
M4
la media:
M22
Indi a el grado de apuntamiento o de on entra in de valores alrededor de la moda,

estable indose las expresiones lepto rti a, meso rti a y plati rti a para las distribu iones
pi udas, normales y a hatadas, que orresponden a valores del oe iente de urtosis:
mayores que 3, iguales a 3 y menores que 3, respe tivamente.
Lepto rti a
Meso rti a
Plati rti a
1.6. Cambios de es ala y de origen

Con el n operar on valores numri os ms modos, se suelen realizar ambios de es ala
y ambios de origen en los datos obtenidos, veamos omo afe tan a la media y al varianza:
1.6.1. Cambios de origen

Si se desplaza el origen de datos desde el punto
datos
{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
por lo que las frmulas orrespondientes
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
CAMBIOS DE ESCALA Y DE ORIGEN
1.6.2. Cambios de es ala

Si se es alan los datos por medio de la multipli a in por un fa tor de es ala , el onjunto
de datos
umplen:
{xi }
x =
pasar a ser
PN
i=1 xi
PN
{xi },
i=1 c
siendo
xi
xi = c xi ,
por lo que las frmulas orrespondientes
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 .
Generalizando, los momentos de orden r se ven afe tados por el fa tor
cr .
Los oe ientes de sesgo y urtosis, al ser adimensionales, no se vern afe tados por estos
ambios.
Ejemplo 1.1
En el siguiente ejemplo, para un onjunto de datos agrupados en lases, o-
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
y apli ando la frmula
obtenemos:
Mediana
P. Nieto
= 3 45 + (
17 5 17
) 0 1 = 3 4725
4
unidades.
E.U.P. San Sebastin
12
CAPTULO 1.
La media
x=
N
1 X
121 70
Mi f (Mi ) =
= 3 47714
N
35
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.
ELEMENTOS DE CLCULO DE PROBABILIDADES
P. Nieto
2.1.
15
ANLISIS COMBINATORIO
2.1. Anlisis ombinatorio

2.1.1. Introdu in
Dentro del estudio de la probabilidad se utiliza la ombinatoria, pero no para dedu ir
todos los asos posibles que umplen unas determinadas ondi iones, sino simplemente para
dedu ir su nmero.
Nosotros nos limitaremos a denir los on eptos bsi os e indi ar ul es el nmero de
los asos distintos que se pueden obtener en ada uno de ellos.
Partiremos de un onjunto
E = {e1 , e2 , . . . , en }
uyos elementos son distintos entre s, y
formaremos grupos uyos elementos son todos del onjunto E.
2.1.2. Varia iones

Deni in 2.1
Llamaremos Varia iones de n elementos tomados de k en k (k
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
Des ribir las varia iones del onjunto de tres elementos
dos en dos:
{a, b, c}
tomados de
(a, b), (a, c), (b, a), (b, c), (c, a) y (c, b)
Teorema 2.1
En el aso de que los elementos no se pueden repetir, son todos distintos, el
nmero de varia iones de n elementos tomados de k en k, es
Vn,k = n(n 1)(n 2) (n k + 1) =
Ejemplo 2.2
n!
(n k)!
Cuntos nmeros distintos de tres ifras pueden formarse on los dgitos
1,3,5,7,9 ?
V5,3 =
5!
= 60
2!
2.1.3. Permuta iones

Deni in 2.2
Llamaremos Permuta iones de n elementos tomados de n en n a los distintos
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
El nmero de permuta iones de un onjunto de n elementos es
Pn = Vn,n = n!
P. Nieto
E.U.P. San Sebastin
16
CAPTULO 2.
2.1.4. Combina iones

Deni in 2.3
Llamaremos Combina iones de n elementos tomados de k en k (k
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
todas las posibilidades.
AB, AC, AD
BC, BD
CD
Teorema 2.2
El nmero de ombina iones (nmero ombinatorio) de los n elementos to-
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
Un estudiante tiene que ontestar 8 de las 10 preguntas de un examen.
a) Cuntas maneras distintas tiene de es oger?

b) Y si las tres primeras preguntas son obligatorias?
) Y si de las 5 primeras tiene que es oger obligatoriamente 4?
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)
En total, de 55 = 25 maneras distintas.
Teorema 2.3
(Propiedades bsi as de los nmeros ombinatorios)
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
Deni in 2.4
Si los elementos del onjunto
E = {e1 , e2 , . . . , en }
se pueden repetir inde-
nidamente, llamaremos Varia iones on repeti in de n elementos tomados de k en k a

los distintos grupos de k elementos ada uno que se pueden formar pudiendo repetirse los
elementos, siendo dos grupos distintos si ontienen distintos elementos o en el aso de tener
los mismos elementos, su orden de olo a in en el grupo vara.
Ejemplo 2.5
De entre los elementos del onjunto
3 son:
{1, 2}
las distintas varia iones de orden
(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
En el aso de que los elementos se pueden repetir, el nmero de varia iones
on repeti in de n elementos tomados de k en k, es
VRn,k = nk
Ejemplo 2.6
Cuntas quinielas distintas, de quin e pronsti os y tres resultados posibles
por pronsti o, pueden ha erse ?
VR3,15 = 315 = 14,348,907
Deni in 2.5
Sea el siguiente onjunto de n elementos:
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
Des ribir las permuta iones de los elementos siguientes:{a, a, a, b}
(a, a, a, b), (a, a, b, a), (a, b, a, a), (b, a, a, a)
Teorema 2.5
Sea el siguiente onjunto de n elementos:
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 !
Cuntos nmeros distintos de 8 ifras se pueden formar on los dgitos
2,2,2,5,5,7,7,7 ?
PR83,2,3
P. Nieto
8
3, 2, 3
8!
= 560
3! 2! 3!
E.U.P. San Sebastin
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 !
De untas maneras 12 alumnos pueden repartirse en 3 equipos
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
a uno de los tres equipos, se podr ompletar ese equipo de

diferentes.
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
Por el teorema anterior existen
12!
4! 4! 4!
= 36,650
Como no es ne esario que sean ordenadas sern
(A1 , A2 , A3 )
ya que las permuta iones de
Deni in 2.6
Sea
son
36,650
6
parti iones ordenadas
= 5,775
(A1 , A2 , A3 ).
parti iones no ordenadas,
3! = 6
{e1 , e2 , . . . , en } un onjunto de n elementos distintos, llamaremos Com-
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}
las ombina iones on repeti in, de orden dos
AA, AB, AC, AD, BB, BC, BD, CC, CD, DD
Teorema 2.7
CRn,k =
El nmero de ombina iones on repeti in de orden k es:
n+k1
k
(n + k 1)!
(n 1)! k!
P. Nieto
2.1.
19
Ejemplo 2.11
Cuatro personas toman un as ensor en la planta baja de un edi io de 7
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)
indi a que la primera persona baja en el piso 1, la segunda en el 4, la
ter era en el 4 y la uarta en el 6, el nmero de asos ser
VR7,4 = 74 = 2,401
ya que
importa el orden y los elementos y stos se pueden repetir.

b) Como en este aso no importa el orden, son ombina iones on repeti in, luego:
CR7,4 =
P. Nieto
7+41
4
10
4
10987
432
= 210
E.U.P. San Sebastin
20
CAPTULO 2.
2.2. Experimentos aleatorios. Espa io muestral. Su esos

Deni in 2.7
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)
En ada prueba se obtiene un resultado del espa io muestral.
c)
Condi in de azar: antes de realizar una prueba del experimento no se

puede prede ir que resultado se va a obtener.
d)
La fre uen ia relativa on que apare e ada resultado tiende a

estabilizarse al re er indenidamente el nmero de pruebas.
Ejemplo 2.12
El lanzamiento de un dado es el lsi o ejemplo de experimento aleatorio:
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:
E el espa io muestral de un experimento.

Enton es llamaremos Su eso a todo sub onjunto de E.
Los su esos sern designados por letras mays ulas.
Deni in 2.10
Sea:
E el universo de un experimento aleatorio.

Llamaremos Su eso elemental o Su eso unitario a ada uno de los onjuntos que slo
ontiene un elemento de E
Deni in 2.11
Sean:
A y B dos su esos ualesquiera de E.

Llamaremos Unin de A y B al onjunto
A B = {x \ x A x B}
Deni in 2.12
Sean:
A y B dos su esos ualesquiera de E.

Llamaremos Interse in de A y B al onjunto
A B = {x \ x A x B}
P. Nieto
2.2.
EXPERIMENTOS ALEATORIOS. ESPACIO MUESTRAL. SUCESOS
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:
A y B dos su esos de un espa io muestral E.

Diremos que A y B son:
Su esos ex luyentes si y slo s
Su esos ompatibles si y slo s
Ejemplo 2.13
AB =
A B 6=
Experimento aleatorio: Lanzamiento de dos dados al aire y observa in del
nmero de las aras superiores de ambos.

Su esos elementales: Tenemos 36 su esos elementales:
{(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
B = {(2, 6), (3, 4), (4, 3), (6, 2)}

Su eso unin:
A B = {(2, 6), (3, 4), (3, 5), (4, 3), (4, 4), (5, 3), (6, 2)}
Su eso interse in:
A B = {(2, 6), (6, 2)}
P. Nieto
E.U.P. San Sebastin
22
CAPTULO 2.
2.3. Con epto de probabilidad

El on epto de probabilidad puede denirse desde varios puntos de vista:
1.- Como lmite de fre uen ias relativas (Ri hard von Misses)
2.- Desde una formula in axiomti a (Cramer-Kolmogorov)
que dan lugar a las siguientes deni iones:
Deni in 2.15
(Ri hard von Misses)
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)
al aumentar indenidamente el nmero de
pruebas.
Ejemplo 2.14
Si de toda la humanidad ha emos una onsulta a 1.000.000 de personas,
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)
que umple las propiedades:
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
Se umplen, para ualquier su eso A, las siguientes propiedades:
P (A) = 1 P (A)
(2.3)
P () = 0
(2.4)
Si
A = {a1 , a2 , . . . , ak }
P (A) = P ({a1 }) + P ({a2 }) + . . . + P ({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
el nmero de elementos de A ( ard(A))

es el nmero de elementos de E ( ard(E))
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
E.U.P. San Sebastin
24
CAPTULO 2.
2.4. Teoremas fundamentales del l ulo de probabilidades

Deni in 2.19
Sean:
A1 , A2 , . . . , An su esos ex luyentes dos a dos de un espa io

Diremos que {A1 , A2 , . . . , An } es una Parti in de E si
muestral E.
A1 A2 . . . An = E
Teorema 2.8
Sean:
{A1 , A2 , . . . , An }
Enton es el onjunto
{B1 , B2 , . . . , Bm }
dos parti iones de un espa io muestral E.
{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:
A y B su esos ompatibles de un espa io muestral E.

Enton es:
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.
TEOREMAS FUNDAMENTALES DEL CLCULO DE PROBABILIDADES
25
E
A
AB
AB
BA
Figura 2.1: Probabilidad de la unin
Ejer i io 2.1
Probar el anterior teorema para tres su esos, es de ir:
P (A B C) = P (A) + P (B) + P (C) P (A B) P (A C) P (B C) + P (A B C)
Teorema 2.10
Sean
De generaliza in
A1 , A2 , . . . , An
su esos ulesquiera de un espa io muestral E
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
P (Ai Aj Ak ) +(1)n1 P (A1 A2 . . .An )
Sean:
A y B dos su esos de un espa io muestral E

(A/B) el su eso de que o urra A habindose dado B
Llamaremos Probabilidad de A ondi ionado a B a
P(A/B)
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)
lo que nos indu e a denir:
Deni in 2.21
Sean
A y B dos su esos del espa io muestral E.

Diremos que A es independiente de B si y solo si
P (A/B) = P (A)
En otro aso diremos que A es dependiente de B
P. Nieto
E.U.P. San Sebastin
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
son independientes, se umple:
P (A B C) = P (A) P (B) P (C) = 0,9 0,8 0,7 = 0,504

luego apli ando las leyes de Morgan y la propiedad (2.3) obtenemos:
P (A B C) = 1 0,504 = 0,496
Mtodo 2
Por el teorema (2.10):
P (A B C) = P (A) + P (B) + P (C) P (A B) P (A C)

P (B C) + P (A B C) =
= 0,1 + 0,2 + 0,3 0,02 0,03 0,06 + 0,006 = 0,496
Ejemplo 2.16
Lanzamos al aire un dado, perfe to, dos ve es anotando los resultados. Con-
sideremos los siguientes su esos:

A = Obtener una suma de 7 puntos
B = Apare er un nmero par en la primera tirada del dado
El espa io muestral E onsta de
VR6,2 = 36
elementos, de los que (ver la tabla siguiente) 6
en negrita) y 18 a B (subrayados)
pertene en a A (
(1, 1)
(2, 1)
(3, 1)
(4, 1)
(5, 1)
(6, 1)
(1, 2) (1, 3) (1, 4)

(2, 2) (2, 3) (2, 4)
(3, 2) (3, 3) (3, 4)
(4, 2) (4, 3) (4, 4)
(5, 2) (5, 3) (5, 4)
(6, 2) (6, 3) (6, 4)
(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) =
Por ser los su esos unitarios equiprobables,

Por otro lado, para al ular
P (A/B)
6
36 .
se deben tener en uenta los asos en los que se
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)
y diremos que A y B son su esos independientes entre si.

Qu puede de irse si A es el su eso sumar 8 puntos y B el mismo que antes?
P. Nieto
2.4.
TEOREMAS FUNDAMENTALES DEL CLCULO DE PROBABILIDADES
Teorema 2.11
27
(De generaliza in)
Sean
A1 , A2 , . . . , An
su esos de un universo E
Enton es
P (A1 A2 . . . An ) = P (A1 )P (A2 /A1 )P (A3 /A1 A2 ). . . P (An /A1 A2 . . . An1 )
Corolario 2.2
Si los su esos
A1 , A2 , . . . , An
del teorema anterior son mutuamente inde-
pendientes
P (A1 A2 . . . An ) = P (A1 ) P (A2 ) P (A3 ) . . . P (An )
Teorema 2.12
(De la probabilidad total)
Sean:
Un espa io muestral E de un experimento aleatorio
{A1 , A2 , . . . , An }
una parti in de E
B un su eso ualquiera
P (A1 ), P (A2 ), . . . , P (An ) y P (B/Ai ) i = 1, . . . , n
probabilidades ono idas
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
que por la propiedad distributiva de la interse in respe to de la unin resulta:
P (B) = P [(B A1 ) (B A2 ) . . . (B An )]
y omo los
Ai
son mutuamente ex luyentes, los
B Ai
tambin lo son, luego:
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
E.U.P. San Sebastin
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
P (A1 ), P (A2 ), . . . , P (An ) y P (B/Ai ) i = 1, . . . , n
probabilidades ono idas
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
En una fbri a se utilizan tres mquinas A, B y C, para produ ir, indepen-
dientemente, un mismo art ulo.

La mquina A produ e 100 ajas diarias, la B 200, y la C 300, todas on igual nmero
de art ulos.
La probabilidad de que un art ulo sea defe tuoso (D) es, para la mquina A:
0,06,
para la B:
P (D/B) = 0,02
y para la C:
P (D/A) =
P (D/C) = 0,01
De la produ in de un da se elige una aja al azar, y de ella se extrae un art ulo,

tambin al azar, que result ser defe tuoso. Cul es la probabilidad de que di ho art ulo
haya sido fabri ado por la mquina B?
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
Distribu iones dis retas de

probabilidad
29
30
CAPTULO 3.
DISTRIBUCIONES DISCRETAS DE PROBABILIDAD
P. Nieto
3.1.
31
VARIABLES ALEATORIAS: DISCRETAS Y CONTINUAS
3.1. Variables aleatorias: dis retas y ontinuas

Deni in 3.1
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:
X una variable aleatoria.

Diremos que X es una Variable aleatoria dis reta si toma un nmero nito de valores o
si toma un nmero innito pero numerable de valores.
Deni in 3.3
Sea:
X una variable aleatoria.

Diremos que X es una Variable aleatoria ontinua si puede tomar todos los valores de un
intervalo de nmeros reales.
Ejemplo 3.1
Se lanzan dos dados al aire y se observan los dgitos de las aras superiores.
El universo de este experimento aleatorio ser:
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.
{2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
y por lo tanto es una
Si denimos la la fun in:
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
E.U.P. San Sebastin
32
CAPTULO 3.
3.2. Distribu iones dis retas: Fun in de probabilidad y fun in distribu in

Deni in 3.4
Sean:
Un experimento aleatorio de universo E

X una variable aleatoria dis reta
xi
un valor determinado de X
Enton es, llamaremos Preimagen de
Ejemplo 3.2
xi
al sub onjunto de E donde X toma el valor
xi
En el lanzamiento de dos dados, onsideremos la variable aleatoria dis reta
X omo la suma de los dgitos de las aras que salgan.

Obtener el valor
xi = 9
tiene la siguiente preimagen:
{(3, 6), (4, 5), (5, 4), (6, 3)}
Teorema 3.1
Sean:
X una variable aleatoria dis reta denida sobre

{x1 , x2 , . . . , xn } los valores que puede tomar X
A la familia de preimgenes de X
Enton es,
a)
b)
es una parti in de E. Es de ir:
Preimg(xi ) Preimg(xj )
Sn
i=1 Preimg(xi ) = E
Ejer i io 3.1
i 6= j
En el ejemplo anterior, obtener las preimgenes del onjunto de valores que
puede tomar la
X,
es de ir del onjunto
plimiento del teorema.
Deni in 3.5
{2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
y omprobar el um-
Sean:
X una v.a.d. denida sobre

{x1 , x2 , . . . , xn } el onjunto
E.
de valores que puede tomar
Las probabilidades de ada su eso unitario de E ono idas

Enton es, llamaremos Fun in de probabilidad a la fun in:
P : {x1 , x2 , . . . , xn } [0, 1]
xi 7 P (X = xi )
Ejemplo 3.3
(Des rip in tabular de una fun in de probabilidad)
Consideremos el lanzamiento de dos dados y sea
la suma de los dos dgitos que salen.
Enton es la fun in de probabilidad sera:
P : {2, 3, . . . , 12} [0, 1]

1
2 7 P (X = 2) = 240
2
3 7 P (X = 3) = 240
.
.
.
P. Nieto
3.2. DISTRIBUCIONES DISCRETAS: FUNCIN DE PROBABILIDAD Y FUNCIN DISTRIBUCIN33
pudiendo onstruirse la siguiente tabla:
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
(Des rip in analti a de una fun in de probabilidad)
Una aja ontiene 10 bombillas, 3 de ellas fundidas. Se extraen su esivamente bombillas

y se prueban, sin devolu in, hasta que aparez a la ltima defe tuosa.
La v.a.d.
es el nmero de bombillas probadas hasta que aparez a la ltima defe tuosa.
{3, 4, 5, 6, 7, 8, 9, 10}
puede tomar los siguientes valores:
En este aso se puede obtener, de forma analti a, la expresin de la probabilidad de

que
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:
X una v.a.d. denida sobre un universo E

{x1 , x2 , . . .} el onjunto de valores que puede
tomar la variable
Enton es, llamaremos Fun in de distribu in F(X) a la fun in de probabilidad

a umulada:
F : {x1 , x2 , . . .} [0, 1]
x1 7 F (xi ) = P (X xi )
es de ir:
F (xi ) = P (x1 ) + P (x2 ) + . . . + P (xi )
Ejemplo 3.5
En el ejemplo del lanzamiento de dos dados y que la v.a.d. es la suma de los
dgitos que salen, la des rip in tabular de la fun in de distribu in es:
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:
P (X 5) = P (X = 2)+P (X = 3)+P (X = 4)+P (X = 5) =
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
E.U.P. San Sebastin
34
CAPTULO 3.
3.3. Media y varianza de una distribu in dis reta

Deni in 3.7
Sean:

{x1 , x2 , . . . , xn } los valores distintos
Pkque puede tomar X .
apare er on fre uen ia fi , siendo
i=1 fi = n)
P (X = xi ) la probabilidad de que X tome el valor xi
(Un ierto
xi
puede
Enton es, Llamaremos Media de la v.a.d. o Esperanza matemti a de X a:
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
En el aso de los dos dados y la suma de los dgitos, la media ser:
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
Cal ular la media
para el ejemplo de las 10 bombillas de las que 3 estan
es la extra in en la que se sa a la ltima bombilla fundida.
Deni in 3.8
Sean:

{x1 , x2 , . . . , xn } los valores distintos
Pkque puede tomar X .
apare er on fre uen ia fi , siendo
i=1 fi = n)
P (X = xi ) la probabilidad de que X tome el valor xi
(Un ierto
xi
puede
Enton es, Llamaremos Varianza de la v.a.d. X a:
x2 = V ar(X) =
k
X
(xi x )2 P (X = xi )
(3.2)
i=1
Observa in Esta frmula se justi a de una forma similar a la de la media:

x2 = lm s2x = lm
n
k
X
i=1
(xi x)2 fr (xi ) =
k
X
i=1
(xi x )2 P (X = xi )
Y al ser esta frmula po o ade uada para el l ulo, obtendremos:
P. Nieto
3.3.
35
MEDIA Y VARIANZA DE UNA DISTRIBUCIN DISCRETA
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
La Desvia in tpi a de la v.a.d. X es
Obtener la varianza y la desvia in tpi a de la variable
= 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
Obtener la varianza y la desvia in tpi a para la variable
X=
suma de los
dos dgitos de las aras superiores que se obtienen al lanzar dos dados al aire.
P. Nieto
E.U.P. San Sebastin
36
CAPTULO 3.
3.4. Distribu in Binomial

Deni in 3.10
Deni in 3.11
dos lases
Deni in 3.12
Un onjunto
se di e nito si tiene un nmero
E se di e di otmi o
AA =E y AA =
Un onjunto
tales que:
N,
nito, de elementos
si sus elementos estan repartidos en
Sean:
E el espa io muestral nito o numerable de un experimento aleatorio

E un onjunto di otmi o de lases A y A
Xn la familia de su esiones onse utivas de la repeti in n ve es del experimento
de espa io muestral E , sin variar las ondi iones ini iales.
Enton es, llamaremos Variable aleatoria binomial a la siguiente fun in:
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 }
es innito onsideraremos las extra iones sin devolu in dentro de
este apartado ya que la propor in de elementos de la lase
y de la lase
no vara
sustan ialmente en una extra in
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).
Entenderemos que la produ in de
art ulos por parte de la fbri a es innita.

Se toman 10 art ulos de la produ in y se introdu en en una aja, enton es:
Xn
es el onjunto de todas las ajas posibles
La v.a.d. Binomial
es la fun in que para ada aja nos di e el nmero de
art ulos buenos que ontiene

El ampo de variabilidad de
Teorema 3.3
E
ser:
{0, 1, 2, . . . , 10}
Sean:
el espa io muestral di otmi o, de lases
A,
de un experimento aleatorio
p la probabilidad de A (P(A)). En el aso de su esos elementales equiprobables,

ser la fra in de elementos de
en
una variable aleatoria dis reta binomial
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
b) La media de una distribu in binomial es:
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
En el ejemplo anterior, onsidrese que por experien ia se sabe que el 97 %
de los art ulos son buenos y el 3 % defe tuosos. Enton es:

Qu probabilidad tiene una aja de ontener 2 art ulos defe tuosos?Cul es la media
y la varianza del nmero de art ulos buenos?
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
3.5. Distribu in de Poisson

Cuando el nmero de ve es que se repite el experimento es muy grande la distribu in
binomial, en iertos asos, tiende a la distribu in de Poisson, que puede denirse as:
Deni in 3.13
Sean
B(X) una distribu in binomial

p la probabilidad del su eso
n el nmero de ve es que se realiza el experimento

Enton es, si
lm n p = m
siendo m onstante y distinta de ero
Diremos que X es una variable de Poisson de parmetro
Teorema 3.4
Sean:
E el espa io muestral di otmi o de lases A y A, de un experimento

x una variable aleatoria dis reta de Poisson de parmetro m
Enton es:
a) La fun in de probabilidad P(X=x) on
P (X = x) = P (x) =
P. Nieto
x {0, 1, 2, 3, . . . }
mx em
x!
es:
(3.5)
E.U.P. San Sebastin
38
CAPTULO 3.
b) La media de la distribu in es:
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
Hemos di ho que la distribu in de Poisson resulta al ha er el lmite de la
distribu in binomial uando
np m.
En la pr ti a se obtienen valores de la
binomial bastante aproximados a los de Poisson uando
Ejemplos de la distribu in de Poisson
n 50
m = np 10.
Veamos algunos asos pr ti os de la distri-
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
3.6. Distribu in Polinomial

Se trata de la generaliza in de la distribu in binomial onsiderando que en lugar de
tener dos lases
Deni in 3.14
A,
hay varias lases
Sean:
E un espa io muestral
A1 , A2 , . . . , Ak su esos
nito o numerable de un experimento aleatorio

de
tales que
Ai Aj =
i, j = 1, . . . , k, i 6= j
n el nmero de ve es que se repite el experimento sin variar las ondi iones

ini iales
Xn
la familia de su esiones onse utivas de la repeti in n ve es del experimento
de espa io muestral
Enton es, llamaremos Variable aleatoria polinomial a la siguiente fun in:
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
{xn }
(i=1,...,k) se llama omponente de la variable aleatoria k-dimensional y pueden
ser onsiderados omo variables aleatorias unidimensionales
Teorema 3.5
Sean:
E el espa io muestral de un experimento

A1 , A2 , . . . , Ak lases disjuntas de E
X una variable aleatoria dis reta polinomial
p1 = P (A1 ), p2 = P (A2 ), . . . , pk = P (Ak ) uando
se realiza el experimento una
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)
Una fa tora de automviles fabri a un ierto modelo en nmero su iente-
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
E.U.P. San Sebastin
40
CAPTULO 3.
3.7. Distribu in Hipergeomtri a

Deni in 3.15
E
Sean:
N , del experimento aleatorio onsistente

en extraer sin devolu in un elemento de E
A1 , A2 , . . . , Ak su esos de E tales que Ai Aj = i 6= j i, j = 1, . . . , k
n el nmero de ve es que se repite el experimento (n N )
Xn la familia de su esiones onse utivas de la repeti in n ve es del experimento
de espa io muestral E
el espa io muestral nito, de tamao
Enton es, llamaremos Variable aleatoria hipergeomtri a a la siguiente fun in:
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
{xn }
Efe tar n ve es el experimento, de extraer un elemento sin devolu in, es
equivalente a obtener un sub onjunto de tamao n formado por elementos de
(muestra
de tamao n)
Teorema 3.6
Sean:
E el espa io muestral de un experimento, de tamao N

A1 , A2 , . . . , Ak lases disjuntas de E
X una variable aleatoria dis reta hipergeomtri a
p1 = P (A1 ), p2 = P (A2 ), . . . , pk = P (Ak ) uando se realiza
el experimento la
primera vez
n el nmero de ve es que se realiza el experimento de extraer un elemeno de
sin devolu in del mismo.

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 ) =
Observa in
on
N p1
n1
N p2
N pk
n2 nk
N
n
(3.7)
En un nmero ombinatorio el nmero de arriba debe ser mayor o igual que
el de abajo, en otro aso se trata de un su eso imposible y su probabilidad es ero
P. Nieto
3.7.
41
DISTRIBUCIN HIPERGEOMTRICA
Corolario 3.1
Si el onjunto
es di otmi o de lases
p = P(A), la probabilidad del su eso
A,
sean:
uando se realiza el experimento la pri-
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
La media de los valores de x:
x = E(x) = n p
)
La varianza y la desvia in tpi a de x, son:
Ejer i io 3.5
x2 = Var(x)
=
p
x = x2
N n
N 1 np(1
p)
De un lote de 10 bombillas, que ontiene tres fundidas y 7 buenas, se extraen
muestras de 4 bombillas ada una. Enton es:

a) Denir la variable hipergeomtri a X que indi a el nmero de bombillas buenas.
b) Obtener el ampo de la v.a. hipergeomtri a X
) Obtener
d) Obtener
P. Nieto
P (X = x) y P (2 x 4)
x , x2 y x
E.U.P. San Sebastin
42
CAPTULO 3.
P. Nieto
Captulo 4
Distribu iones ontinuas de

Probabilidad
43
44
CAPTULO 4.
DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
P. Nieto
4.1.
45
FUNCIONES DE DISTRIBUCIN Y DE DENSIDAD
4.1.
Fun iones de distribu in y de densidad
Una distribu in ontinua de probabilidad es aquella distribu in on variable aleatoria
[, ]
ontinua. Si el ampo de variabilidad de la fun in es el intervalo
podemos denirla
de la forma:
0
f (x) = P (x)
Deni in 4.1
si
si
si
x<
x
x>
Llamaremos Fun in de distribu in a la fun in:
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 .
podemos ampliar la fun in de distribu in a toda
del modo siguiente:
0
F (x1 ) = F (x1 ) = P (x x1 )
si
si
si
x1 <
x1
x1 >
uyo gr o ser el de la gura (4.1)
Propiedades 4.1
a)
b)
P (x1 x x2 ) = F (x2 ) F (x1 )

P (x > x2 ) = 1 P (x x2 ) = 1 F (x2 )
Deni in 4.2
Llamaremos Fun in de densidad a la fun in
f (x) = F (x) =
donde
F (x)
f (x)
tal que:
dF
dx
es la fun in de distribu in.
Observa in (Justi a in de esta deni in):

Cuando la v.a. x es ontinua, la probabilidad de que
x = x1
es nula pues se trata de
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,
luego pare e razonable obtener la probabilidad de un entorno, innitamente
dF (x) de la fun in de distribu in:

Sean x1 y x2 tales que x1 < x < x2 . Enton es F (x2 ) F (x1 ) representa la probabilidad
del onjunto de valores pertene ientes al segmento [x1 , x2 ],. Si la dividimos por la longitud
pequeo, del punto x, es de ir un elemento diferen ial
del segmento obtendremos la probabilidad media en el segmento.
P. Nieto
E.U.P. San Sebastin
46
CAPTULO 4.
6F(X)
1
Figura 4.1: Fun in de distribu in
Si tomamos lmites uando
lm
x2 x1
x2 x1
tendremos la probabilidad instantnea f(x):
F (x2 ) F (x1 )
x2 x1
F (x)
que es la derivada de
f (x) = F (x) =
en el punto
x1 ,
luego:
dF
dx
omo queramos justi ar.
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.
MEDIA Y VARIANZA DE UNA DISTRIBUCIN CONTINUA
47
4.2. Media y varianza de una distribu in ontinua

Deni in 4.3
Sea
[, ].
una v.a. . on ampo de variabilidad
Enton es: Llamaremos Media o Esperanza matemti a a
x = E(x) =
x f (x)dx
pudiendo ser
y , y +
Deni in 4.4
Sea
(4.1)
respe tivamente
una v.a. . on ampo de variabilidad
[, ].
Enton es: Llamaremos Varianza a
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
(*) Re urdese que si f(x) es la fun in de densidad
Ejemplo 4.1
Sea
x una v.a. . on ampo
de variabilidad
f (x)dx = 1
[, ]
que umple que la fre uen ia
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>
Para al ular el valor de k, utilizando la propiedad 4.2.5 tendremos
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>
E.U.P. San Sebastin
48
CAPTULO 4.
Apli ando la deni in de la media
x f (x)dx =
i
x
2 2
x2
+
=
dx =
=
2( ) 2( )
2
que oin ide on el punto medio de la distribu in.

Apli ando la deni in de varianza
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
La vida de iertos art ulos (ele trodomsti os, lmparas, piezas,
...
) pueden
ser simuladas matemti amente mediante la siguiente fun in:
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 (t 50) = F (50) = 1 e2,5 = 0,918

P (20 t 100) = P (t 100) P (t 20) = F (100) F (20) =
= (1 e5 ) (1 e1 ) = 0,361
P (t > 100) = 1 P (t 100) = 1 F (100) = e5 = 0,067
P. Nieto
4.3.
49
DISTRIBUCIN NORMAL DE GAUSS
f (X)
Figura 4.2: Distribu in de Gauss
4.3. Distribu in Normal de Gauss

Deni in 4.5
x
Diremos que
Sea
x una variable aleatoria ontinua uyo ampo de variabilidad es (, +).
obede e a una Distribu in Normal de Gauss si su fun in de densidad es:
(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
que apare en en la frmula orresponden a la media y la desvia-
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=
es eje de simetra de la urva
d) El punto
e)
(, 12 )
x=
es un mximo relativo
son las abs isas de los puntos de inexin de la urva
Demostra in
1. Veamos en primer lugar que
P. Nieto
Ip =
enton es
Sea
R +
ex dx =
p
+
eu du =
ey dy
eu du = lm Ip
E.U.P. San Sebastin
50
CAPTULO 4.
Y6
6
R2
p 2

9
p
R1

X
D
X
p
p p 2
0
Figura 4.3: Dominios
Por otro lado,
Ip2
x2
dx
e
p
y 2
dy =
dx
(x2 +y 2 )
dy = 4
ZZ
e(x
2 +y 2 )
dx dy
(0, 0), (p, 0), (p, p) y (p, 0) (ver la gura (4.3)). Si

onsideramos los dominios de integra in R1 y R2 omo los uadrantes de r ulo,
situados en el primer uadrante, de radios p y p 2 respe tivamente (ver la gura

(x2 +y 2 ) es no negativa, podemos estable er las siguientes
(4.3)), y dado que la fun in e
donde D es el uadrado de vrti es
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
(1 ep ) < Ip2 < (1 e2p )

y tomando lmites uando
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 =
y efe tuando el ambio de variable
= u,
la integral ini ial quedar:
"
#
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
sigue una distribu in normal on media
y desvia in tpi a
para abreviar, diremos que
x
Si
es
N (, )
= 0 y = 1 tendremos un aso parti ular de distribu in normal, llamada Normal

z
Tipi ada y para re ono erla la representaremos on la letra
P. Nieto
es
N (0, 1)
E.U.P. San Sebastin
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 < +
y efe tuando el ambio de variable (tipi ar la variable):
1
F (x) =
2
x, N (, )
=z
< z < +
Estas integrales, para un determinado valor de
x,
deben de al ularse por mtodos nu-
mri os, por lo que, para no ha er una tabla de valores para ada par de valores de
utilizando la tipi a in de la variable
integrales de la distribu in
basta on tener una tabla de los valores de las
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
Dada una v.a. . x de distribu in
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):
N (12 gr, 2 gr),
al ular las probabilidades:
Para resolverlo, tipi aremos los valores de la variable x (mediante el ambio
= z)
obteniendo los orrespondientes valores de z.

En el aso de que esos valores no aparez an exa tamente en la tabla efe tuaremos un
ajuste lineal.
Observando la gura (4.4) y teniendo en uenta que la fun in es simtri a respe to a z
= 0, y que el rea omprendida entre la urva y el eje de abs isas es la unidad, diremos:
R 2,5
1.
P (x 17 gr) = P (z 2,5) = 0,5 +
2.
P (x 13,5 gr) = P (z 0,75) = 0,5
3.
4.
f (z) dz = 0,5 + 0,4938 = 0,9938
R 0,75
f (z) dz = 0,5 0,2088 = 0,2912

R 0,7
P (x 10,6 gr) = P (z 0,7) = P (z 0,7) = 0,5 0 f (z) dz = 0,5 0,2580 =
0,2420
R 1,33
P (x 9,34 gr) = P (z 1,33) = P (z 1,33) = 0,5 + 0 f (z) dz = 0,5 + 0,4082 =
0,9082
P. Nieto
4.3.
53
1)
2)
3)
4)
Figura 4.4: Casos 1, 2, 3 y 4
5)
6)
7)
Figura 4.5: Casos 5, 6 y 7
Vemos ahora en la gura (4.5) los asos:

5.
6.
7.
P (13 gr x 15 gr) = P (0,5 z 1) = P (z 1) P (z 0,5) =

R 0,5
0 f (z) dz = 0,3413 0,1915 = 0,1498
R1
0
f (z) dz
P (9 gr x 10 Rgr) = P (1,5 R z 1) = P (1 z 1,5) = P (z 1,5)

1,5
1
P (z 1) = 0 f (z) dz 0 f (z) dz = 0,4332 0,3413 = 0,0919
P (11 gr x 14 gr) = P (0,5

1) P (z 0,5) =
R 1 z 1) = P (zR
0,5
= P (z 1)P (z 0,5) = 0 f (z)dz(0,5 0 f (z)dz) = 0,3413(0,50,1915) =
= 0,6498
Tambin se puede utilizar en el otro sentido: dada una probabilidad, al ular los valores
de la variable: veamos un ejer i io:
Ejer i io 4.2
Trabajando on dos olas de la distribu in:
Cal ular para una distribu in
N (0, 1)
entre que valores alrededor de la media se en uen-
tran:
1. El 90 % de los datos
4. El 99.75 % de los datos
Se trata de en ontrar un valor
z0
que umple que
R z0
z0
f (z) dz =
probabilidad pedida
en ada aso, y, si trabajamos on la misma tabla, debido a la simetra
P. Nieto
R z0
0
f (z) dz =
p
2:
E.U.P. San Sebastin
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
luego el intervalo es (-1.96,1.96)

= 0,49875 z0 = 3,01
P. Nieto
4.4.
APROXIMACIN DE LA DISTRIBUCIN BINOMIAL POR LA NORMAL
55
4.4. Aproxima in de la distribu in Binomial por la Normal

Teorema 4.2
(de Moivre)
Si x es una v.a.d. binomial (B(n,p)) y
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
El 5 % de los termostatos, fabri ados en ondi iones idnti as, no umplen
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
2000 0,05 0,95 =
95
= P (z > 2,1) = 0,0179

120,5
P (80 < x < 120) P 79,5
= P (2,1 z 2,1) =
= 1 2P (z > 2,1) = 1 0,0358 = 0,9642
Ejer i io 4.3
Comparemos la aproxima in la aproxima in de una distribu in binomial
on n=16 y p=0.5 a travs de la normal orrespondiente apli ando el teorema de Moivre

para los siguientes asos. (Se trata de obtener los valores pedidos mediante la distribu in
binomial y los de la normal):
Casos
binomial
normal
P(x=8)
0.196
0.1974
P(x6)
0.227
0.2266
0.790
0.7888
P(6x10)
Obtener omo ejer i io estos datos.
P. Nieto
E.U.P. San Sebastin
56
CAPTULO 4.
f (2 ) = 1
=4
= 12
2
Figura 4.6: Fun in de densidad de
4.5. Otras distribu iones ontinuas

Cuando se realizan opera iones on variables aleatorias se obtienen otras variables aleatorias. Veamos algunas de las ms usadas.
4.5.1. Distribu in 2 de Pearson

Deni in 4.7
Sean
x1 , x2 , . . . , x
variables aleatorias N(0,1) independientes entre s.
Enton es llamaremos Variable aleatoria de Pearson o Ji- uadrado a la variable:
2 = x21 + x22 + . . . + x2
y a
(4.4)
le llamaremos Grados de Libertad de
La fun in de densidad de la distribu in
tendr una forma distinta para ada valor de
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
1 grados de libertad y 22 tiene 2 grados de libertad y son independientes,

2
2
2
la suma de 1 y 2 es otra fun in on 1 + 2 grados de libertad. Por ada rela in
4. Si
21
tiene
que exista entre ellas se resta un grado de libertad.

(Si imponemos la ondi in de que
libertad).
Pn
2
i=1 i
= n 2
habra un grado menos de
P. Nieto
4.5.
57
OTRAS DISTRIBUCIONES CONTINUAS
4.5.2. Distribu in t de Student

Deni in 4.8
Sean
x variable aleatoria normal N(0,1).

2 v. a. independiente de x, on grados
de libertad.
Enton es llamaremos Variable aleatoria t de Student on
grados de libertad a la variable
aleatoria:
x
t = p
2
(4.5)
4.5.3. Distribu in F de Fisher-Snede or

Deni in 4.9
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
libertad (1 g.l. del numerador y
F=
P. Nieto
21
1
22
2
grados de
g. l. del denominador), a la variable aleatoria:
(4.6)
E.U.P. San Sebastin
58
CAPTULO 4.
4.6. Opera iones entre distribu iones ontinuas

Adems de las indi adas, las opera iones lineales son opera iones que omnmente se
realizan entre ellas.
Indi aremos las propiedades orrespondientes uando se operan dos variables aleatorias
ontinuas
1. Sea
x1
x2
uyas respe tivas esperanzas matemti as y varianzas son
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
tienen orrela in nula.)
enton es:
x1 y x2
tienen orrela in nula.)
El resultado de operar linealmente entre variables aleatorias ontinuas es otra variable

aleatoria, y si el nmero de variables que se operan es su ientemente grande la variable
tendra una distribu in normal ualesquiera que fuesen los tipos de las variables.
SI SE OPERAN LINEALMENTE VARIABLES NORMALES

RESULTA UNA VARIABLE NORMAL.
No obstante,
P. Nieto
Captulo 5
Anlisis de la Regresin
59
60
CAPTULO 5.
ANLISIS DE LA REGRESIN
P. Nieto
5.1.
61
5.1. Anlisis de la Regresin

5.1.1. Introdu in
De ada uno de los elementos de una pobla in, o de una muestra, se pueden obtener
diversos datos mediante la apli a in de diversas variables, los uales, ordenados siempre
de la misma forma, generan n-tuplas de datos sobre las que podremos realizar diversos
estudios en aminados bsi amente a determinar si existen, para esa pobla in, rela iones
entre las variables utilizadas y el tipo de rela iones, on objeto de prede ir los datos de otros
elementos.
En este urso nos limitaremos a trabajar on dos variables, siendo sen illa la generaliza in a
variables.
5.1.2. Con epto de regresin

Cuando tenemos un onjunto de datos, (n-tuplas en general y pares en nuestro aso
parti ular), denominado nube de puntos, se intenta en ontrar, de entre las fun iones de un
determinado tipo, aquella que mejor se ajusta a la nube de datos.
Tendremos que plantear tres uestiones en este problema:
1. Ele in del tipo de fun in
Atendiendo a estudios teri os, o por observa in de la representa in gr a de los
puntos, en el aso del plano real, elegiremos: una re ta, una parbola, una exponen ial,
una logartmi a, una poten ial,. . . .
2. Cl ulo de los parmetros de la fun in elegida
Una vez determinada la familia de urvas, al ularemos ual de esas fun iones se ajusta
mejor a nuestro aso.
Debido a que el trmino se ajusta mejor es vago, se estable en riterios para su determina in, siendo el ms utilizado el mtodo de mnimos uadrados que expli aremos
posteriormente.
3. Crti a del ajuste
Adems de poder determinar si un ajuste es mejor que otro, debemos de poder estable er riterios que indiquen si las on lusiones que podamos sa ar del estudio son
vlidas (siempre a tuando on una determinada probabilidad de error).
Mtodos de ajuste. Mtodo de mnimos uadrados

Supongamos que tenemos la nube de puntos
ajustar a una fun in
y = f (x).
{(xi , yi )}
on
i = 1, , n
y queremos
xi tenemos dos valores de la variable y : el yi orrespondiente

f (xi ) orrespondiente de la fun in.
Para ada uno de esos valores

al punto de la nube y el valor
Los diversos mtodos se basan en minimizar la suma de las distan ias entre esos valores.
P. Nieto
E.U.P. San Sebastin
62
CAPTULO 5.
Y6
r
y=f(x)
r
r
f(x )
i
y
i
r
r
Figura 5.1: Mnimos uadrados
El mtodo de mnimos uadrados, para que las desvia iones de
yi f (xi )
positivas no
se ontrarresten on las negativas, minimiza la suma de los uadrados de estos valores:
minimizar
n
X
F =
(yi f (xi ))2
i=1
(ver la gura (5.1)).

En el aso de realizar el ajuste a varios tipos de fun iones y=f(x), el mejor ajuste ser
el que orresponde a la menor de las sumas
Pn
i=1 (yi
f (xi ))2 .
Tambin existe un mtodo para determinar la bondad del ajuste en base a la fun in
cuadrado.
5.1.3. Ajuste de una re ta de regresin

En el aso de que la fun in elegida sea una re ta, para ajustar un nube de puntos por
el mtodo de mnimos uadrados:
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
fun in de dos variables,
a y b, siendo las ondi iones ne esarias para la existen ia de mnimo
relativo que
F
F
=
=0
a
b
P. Nieto
5.1.
63
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
i=1 (yi axi b) = 0
Pn
i=1 xi
o si indi amos on la letra
+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
S(x2 ) a + S(x) b = S(xy)

S(x) a + n b
= S(y)
Pn
i=1 y eliminamos los subndi es, queda:
Este sistema es ompatible y determinado, ya que:

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
y es obvio suponer que

iguales entre s.
n 6= 0
y que
s2x 6= 0
ya que de lo ontrario todos los valores
xi
seran
Cl ulo del oe iente a

Apli ando la regla de Cramer, de resolu in de sistemas de e ua iones, queda:

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
Llamaremos Covarianza de x e y al oe iente:
cov(x, y) =
1X
(x x)(y y)
n
i=1
Es una medida de dispersin de la nube de puntos respe to del punto
cov(x, x) = s2x ,
cov(x, y) =
P. Nieto
que umple
1
1
{S(xy) S(x)S(y)}
n
n
on lo que el oe iente
a =
(x, y),
y su frmula para el l ulo queda:
anterior se puede al ular mediante la frmula:
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)
E.U.P. San Sebastin
64
CAPTULO 5.
Deni in 5.2
A este valor
Cl ulo del oe iente
se le denomina Coe iente de regresin de y sobre x.
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
Si, en la segunda e ua in del sistema, dividimos todo por
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 tiene por pendiente el oe iente de regresin:
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
la independiente, podemos efe tuar
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
COEFICIENTE DE CORRELACIN LINEAL
5.2. Coe iente de orrela in lineal

Analizando ambas re tas observamos que pasan por el punto
(x, y)
luego sern iguales
si sus pendientes oin iden:
1
a =
a
s2y
cov(x, y)
=
s2x
cov(x, y)
y sern mas pare idas uando ms similares sean ambos valores.
Deni in 5.3
Llamaremos Coe iente de orrela in lineal al parmetro
denido de la
forma:
r =
siendo
sx
sy
cov(x, y)
sx sy
las desvia iones tpi as de
respe tivamente.
La frmula para el l ulo quedar pues:
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]
es un ndi e de pre isin de la dependen ia lineal entre las variables

Si
si
0 9
es mayor que
es menor que 0 9 indi a gran dependen ia lineal de re iente.
y:
indi a gran dependen ia lineal re iente.
En ambos asos anteriores, la nube de puntos esta ontenida en franjas estre has
de bordes re tilneos paralelos entre s.
Si
Si
r (0 3, 0 3) indi a po a dependen ia lineal y la nube de puntos esta dispersa.

r2 = 1
el ajuste es perfe to: las dos re tas de ajuste oin iden y pasan por
todos los puntos de la nube.
Teorema 5.1
a=
Los oe ientes de regresin se pueden expresar omo:
sy
r
sx
a =
sx
r
sy
Demostra in
P. Nieto
E.U.P. San Sebastin
66
CAPTULO 5.
Como
cov(x, y) = r sx sy
sustituyendo en (5.1) y en (5.2) queda
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
El oe iente
es invariante a los ambios de origen y a los ambios de
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
El he ho de ser invariante nos lleva a denominarlo simplemente
P. Nieto
5.2.
67
COEFICIENTE DE CORRELACIN LINEAL
Ejer i io 5.1
Dada la nube de puntos
{(x, y)} = { (50,1'55),(52,1'55),(58,1'60),(61,1'60),(64,1'65),

} donde x viene dado
(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:
1. Las medias y las desvia iones tpi as de
y de
2. La ovarianza
3. El oe iente de regresin lineal de
4. La re ta de regresin de
sobre
sobre
5. El oe iente de orrela in lineal

6. La re ta de regresin de
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
n=12, sustituyendo en las frmulas
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
E.U.P. San Sebastin
68
CAPTULO 5.
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
x = x + a (y y) = 69 5 + 143 795(y 1 716) x = 143 795 y 177 25

7.
y = 0 00654 72 + 1 26 = 1 73
8.
x = 143 795 1 63 177 25 = 57 136
Kg
P. Nieto
5.3.
AJUSTE A FAMILIAS DE CURVAS QUE DEPENDEN DE DOS PARMETROS69
5.3. Ajuste a familias de urvas que dependen de dos parmetros

Las familias de urvas que dependen de dos parmetros se pueden transformar mediante
ambios de variables en expresiones lineales. Veamos algunas de las ms utilizadas:
5.3.1. Ajuste a fun iones exponen iales

Si queremos ajustar la nube de puntos
{xi , yi }i=1,...,n
a una fun in del tipo
si tomamos logaritmos, por ejemplo neperianos, nos queda:
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
queda el problema lineal:
{Xi , Yi }i=1,...,n = {xi , ln(yi )}i=1,...,n a una re ta Y = a X + b

c y d.
de yi sea no positivo, se debe ha er un ambio de origen, o de
Ajustar la nube de puntos

y una vez obtenidos
b,
desha iendo los ambios se obtiene
En el aso de algn valor
es ala (-1) si fuesen todos negativos.
5.3.2. Ajuste a fun iones poten iales

{xi , yi }i=1,...,n
si tomamos logaritmos, por ejemplo neperianos, nos queda:
y = m xn ,
ln y = ln m + n ln x
Y
X
b
a
=
=
=
=
ln y
ln x
ln m
n
m = eb
{Xi , Yi }i=1,...,n = {ln(xi ), ln(yi )}i=1,...,n a una

a X + b y una vez obtenidos a y b, desha iendo los ambios se obtiene m y n.
Si hay valores negativos de xi o de yi se ha e de forma similar a la anterior.
P. Nieto
re ta
Y =
E.U.P. San Sebastin
70
CAPTULO 5.
5.3.3. Ajuste a fun iones logartmi as

{xi , yi }i=1,...,n a una fun in del tipo y = c+logd x,
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

y una vez obtenidos
b,
{Xi , Yi }i=1,...,n = {ln(xi ), yi }i=1,...,n a una

c y d.
re ta
desha iendo los ambios se obtiene
Y = aX +b
5.3.4. Ajuste a otras fun iones

, efe tuando los ambios:
Y
X
b
a
=
=
=
=
{xi , yi }i=1,...,n
y=
1
mx+n
y 1
x
n
m
{Xi , Yi }i=1,...,n = {xi , (yi )1 }i=1,...,n a una

b, desha iendo los ambios se obtiene m y n.

y una vez obtenidos
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
AJUSTE A POLINOMIOS DE ORDEN SUPERIOR
5.4. Ajuste a polinomios de orden superior

Estudiaremos, de forma similar al ajuste lineal, las frmulas del ajuste a un polinomio
de orden dos (parbola) y lo generalizaremos a polinomios de grado
n.
5.4.1. Ajuste parabli o

y = x2 + x + , siendo
valores de , y por el mtodo de
Si suponemos que la parbola viene denida de la forma
la variable independiente, deberemos determinar los
mnimos uadrados:
minimizar
n
X
F (, , ) =
(yi ( x2i + xi + ))2
i=1
fun in de tres variables,
siendo las ondi iones ne esarias para la existen ia de
mnimo relativo que
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
2 ni=1 (yi x2i x ) = 0

=0
=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
xi yi ni=1 x3i ni=1 x2i ni=1 xi = 0

i=1
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
ni=1 x3i + ni=1 x2i + ni=1 xi = ni=1 xi yi
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(x4 ) + S(x3 ) + S(x2 ) = S(x2 y)

S(x3 ) + S(x2 ) + S(x) = S(xy)
S(x2 ) + S(x) + n
= S(y)
P. Nieto
subndi es, queda:
E.U.P. San Sebastin
72
CAPTULO 5.
=a, =b
obteniendo la solu in ni a
que nos da la parbola de ajuste:
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
desde un a orazado, orrespondientes a los siete primeros segundos de su traye toria. Se

onsidera un origen de tiempos arbitrario.
Los valores obtenidos son los siguientes:
x: tiempo (s.)
-3
-2
-1
y: altura (m)
19.8
22.1
22
20.1
16.2
9.9
2.1
Ajustar una parbola a esta nube de puntos.
5.4.2. Ajuste a un polinomio de grado n

Razonando de modo similar, si tenemos que ajustar una nube de puntos a un polinomio
de grado
n,
siendo
el nmero de puntos de la nube, de la forma:
y = a0 xn + a1 xn1 + . . . + an1 x + an
donde los parmetros son los
ai , i = 1, . . . , n
llegaremos al siguiente sistema:
a0 S(x2n )
+ a1 S(x2n1 ) + . . . + an1 S(xn+1 ) + an S(xn )
= S(xn y)
a0 S(x2n1 ) + a1 S(x2n2 ) + . . . + an1 S(xn )

+ an S(xn1 ) = S(xn1 y)
.
.
.
.
.
.
n
n1
a0 S(x )
+ a1 S(x
) + . . . + an1 S(x)
+ an n
= S(y)
uya solu in ni a nos permite determinar los oe ientes
ai
que resuelven el problema.
5.5. Caso de varias variables

En el aso de que los puntos tengan ms de dos oordenadas, o lo que es igual, tener
una variable dependiente y varias independientes, el razonamiento es similar omo se puede
apre iar en el aso ms sen illo:
5.5.1. Ajuste de un plano a una nube tridimensional de puntos

Supongamos que la nube de puntos
{(xi , yi , zi )}i=1,...,n
posee una rela in esto sti a
entre la variable z (dependiente) y las variables x e y (independientes entre s) denida de

la forma
z = + x + y
P. Nieto
5.5.
73
CASO DE VARIAS VARIABLES
apli ando el mtodo de mnimos uadrados:
minimizar
n
X
F (, , ) =
(zi ( + xi + yi ))2
i=1
luego
=0
n
+ S(x) + S(y) = S(z)
=0
S(x) + S(x2 ) + S(xy) = S(xz)
S(y) + S(xy) + S(y 2 ) = S(yz)

=0
obteniendo la solu in ni a
=a, =b
que nos da el plano de ajuste:
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-
nidos de sus omponentes A y B.

En la tabla apare en los ontenidos
junto on la ifra de dureza
y,
expresados en %, de A y B respa tivamente,
z.
Ajustar un plano de regresin de
sobre
(x, y)
y estimar la dureza de una alea in on
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
E.U.P. San Sebastin

Est Ad Is Tic A

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Est Ad Is Tic A

Hochgeladen von

Copyright:

Verfügbare Formate

Mtodo estadsti

Dep. Matemti a Apli ada

Dep. Matemti a Apli ada

Tipos de variables y datos . . . . . . . . . . . . . . . . . . . . . . . . .

Fre uen ias de los datos

Tratamiento de los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Des rip in gr a de una muestra unidimensional

Medidas de tenden ia entral

Cambios de es ala y de origen . . . . . . . . . . . . . . . . . . . . . . . . . . .

2. Elementos de Cl ulo de Probabilidades

Experimentos aleatorios. Espa io muestral. Su esos . . . . . . . . . . . . . . .

Con epto de probabilidad

Teoremas fundamentales del l ulo de probabilidades

3. Distribu iones dis retas de probabilidad

Variables aleatorias: dis retas y ontinuas

Distribu iones dis retas: Fun in de probabilidad y fun in distribu in

Media y varianza de una distribu in dis reta . . . . . . . . . . . . . . . . . .

4. Distribu iones ontinuas de Probabilidad

Fun iones de distribu in y de densidad . . . . . . . . . . . . . . . . . . . . .

Media y varianza de una distribu in ontinua . . . . . . . . . . . . . . . . . .

Distribu in Normal de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . .

Aproxima in de la distribu in Binomial por la Normal . . . . . . . . . . . .

Otras distribu iones ontinuas . . . . . . . . . . . . . . . . . . . . . . . . . . .

Opera iones entre distribu iones ontinuas . . . . . . . . . . . . . . . . . . . .

Con epto de regresin

Ajuste de una re ta de regresin

Coe iente de orrela in lineal . . . . . . . . . . . . . . . . . . . . . . . . . .

Ajuste a familias de urvas que dependen de dos parmetros . . . . . . . . . .

Ajuste a fun iones exponen iales

Ajuste a fun iones poten iales . . . . . . . . . . . . . . . . . . . . . . .

Ajuste a fun iones logartmi as

Ajuste a otras fun iones

Ajuste a polinomios de orden superior

Ajuste a un polinomio de grado

Ajuste de un plano a una nube tridimensional de puntos . . . . . . . .

Caso de varias variables

Dep. Matemti a Apli ada

Estadsti a des riptiva

Dep. Matemti a Apli ada

1.1. Elementos de Estadsti a

1.2. Pobla in y muestra

Llamaremos Pobla in al onjunto de elementos sobre el que se quiere ha er

Llamaremos Muestra a ualquier sub onjunto de la pobla in.

El tamao de la muestra, que generalmente es nito, se denota por la letra

1.2.1. Tipos de variables y datos

si los datos son numri os, por

En este urso trabajaremos solamente on variables uantitativas lo que nos permite,

1.2.2. Fre uen ias de los datos

Llamaremos fre uen ia de un dato

dato en todo el estudio y lo denotaremos

al nmero de ve es que se repite ese

Esta fre uen ia orresponde al nmero de elementos de la pobla in uya imagen es

por ejemplo es ms pre iso indi ar que un dato se

ha obtenido 3 ve es de 1000 que indi ar que se ha obtenido 3 ve es.

E.U.P. San Sebastin

Llamaremos fre uen ia relativa de un dato

repite ese dato en todo el estudio, dividido por

Llamaremos fre uen ia a umulada de un dato

al nmero de datos que

son menores o iguales que l, en todo el estudio, y lo denotaremos

en el aso de las relativas.

1.3. Tratamiento de los datos

del estudio a la diferen ia entre el mximo y el minimo valor.

Des rip in gr a de una muestra unidimensional

Coe iente de orrela in lineal . . . . . . . . . . . . . . . . . . . . . . . . . .

El tamao de la muestra, que generalmente es nito, se denota por la letra

1.4. Des rip in gr a de una muestra unidimensional

Figura 1.5: Cl ulo de la mediana gr amente

Llamaremos Coe iente de Curtosis al o iente de momentos respe to de

Indi a el grado de apuntamiento o de on entra in de valores alrededor de la moda,