Professional Documents
Culture Documents
Probabilidad y Estadstica
(Versi
on Preliminar)
CARLOS BUSTOS-LOPEZ
A los caminos que aun faltan por recorrer
siendo un peque
no saltamontes
Indice General
1 Estadstica Descriptiva 4
1.1 Fundamentos de la Investigacion
Cientfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Motivaciones y Definiciones . . . . . . . . . . . . . . . . . . . 5
1.2.1 Tipos de Variables . . . . . . . . . . . . . . . . . . . . 6
1.2.2 Tabulacion . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.3 Representacion Grafica . . . . . . . . . . . . . . . . . . 14
1.3 Medidas de Tendencia Central . . . . . . . . . . . . . . . . . . 21
1.3.1 Media Armonica (H(X)). . . . . . . . . . . . . . . . . 21
1.3.2 Media Geometrica (G(X)). . . . . . . . . . . . . . . . . 22
1.3.3 Media Aritmetica o Promedio (X , x). . . . . . . . . . 22
1.3.4 Media Ponderada (P , xP ). . . . . . . . . . . . . . . . 25
1.3.5 Media Recortada en (%) . . . . . . . . . . . . . . . . . 27
1.3.6 Moda (M o(X)). . . . . . . . . . . . . . . . . . . . . . . 27
1.3.7 Mediana (M e(X)). . . . . . . . . . . . . . . . . . . . . 29
1.3.8 Comentarios . . . . . . . . . . . . . . . . . . . . . . . . 30
1.4 Medidas de Posicion . . . . . . . . . . . . . . . . . . . . . . . 31
1.4.1 Mnimo (XM in ). . . . . . . . . . . . . . . . . . . . . . . 31
1.4.2 Maximo (XM ax ). . . . . . . . . . . . . . . . . . . . . . 31
1.4.3 Percentiles( Pk ). . . . . . . . . . . . . . . . . . . . . . . 32
1.4.4 Diagrama de Cajon o Box-Plot: . . . . . . . . . . . . . 34
1.5 Medidas de Variabilidad o de Dispersion . . . . . . . . . . . . 34
1.5.1 Amplitud o Rango (R). . . . . . . . . . . . . . . . . . . 35
1.5.2 Rango Intercuartil (RI). . . . . . . . . . . . . . . . . . 35
1.5.3 Desviacion Media (DM (X)). . . . . . . . . . . . . . . 35
2
1.5.4 Varianza y Desviacion Estandar (X o Var(X)). . . . . 35
1.5.5 Coeficiente de Variacion (C.V.(X)). . . . . . . . . . . . 36
1
INDICE GENERAL 2
2 Regresi
on Lineal 135
2.1 Modelo de Regresion Lineal . . . . . . . . . . . . . . . . . . . 135
2.2 Ejercicios Resueltos . . . . . . . . . . . . . . . . . . . . . . . . 138
3 Probabilidades 156
3.1 Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . 156
3.1.1 Introduccion . . . . . . . . . . . . . . . . . . . . . . . . 156
3.1.2 Definiciones . . . . . . . . . . . . . . . . . . . . . . . . 157
3.1.3 Probabilidad . . . . . . . . . . . . . . . . . . . . . . . 159
Carlos Bustos-Lopez
INDICE GENERAL 3
7 Muestreo 293
7.1 Muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
7.1.1 Muestreo Aleatorio Simple. (m.a.s.) . . . . . . . . . . . 296
7.1.2 Muestreo Estratificado. . . . . . . . . . . . . . . . . . . 296
7.1.3 Muestreo Sistematico. . . . . . . . . . . . . . . . . . . 297
7.1.4 Tama no Muestral . . . . . . . . . . . . . . . . . . . . . 298
7.1.5 Plan de Muestreo . . . . . . . . . . . . . . . . . . . . . 299
Carlos Bustos-Lopez
Captulo 1
Estadstica Descriptiva
Cientfica
La Ciencia (Del lat. scientia = conocimiento) se puede entender como un
conjunto sistematizado de conocimientos, sobre la realidad observada, que se
obtienen aplicando el m etodo cientfico.
El fin esencial de la ciencia es la teora, la que levanta un conjunto de
leyes y reglas que son la base del conocimiento; la teora sirve para relacionar,
explicar, predecir y controlar fenomenos.
Definici
on 1.1.1 El m
etodo, (Del lat. meth
odus = camino o va), es un
lograr un objetivo.
4
CAPITULO 1. ESTADISTICA DESCRIPTIVA 5
Definici
on 1.2.1 Conjunto formado por TODAS las unidades (personas,
Definici
on 1.2.2 Una muestra es un subconjunto de la poblaci
on. General-
Definici
on 1.2.3 Caracterstica que cambia (vara) de sujeto a sujeto. (p.e.
Definici
on 1.2.4 Es un registro alfanumerico, y corresponde a una real-
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 6
pero en min
uscula. (p.e. x1 , x2 , . . . , xn ).
Que es Informaci
on?
Definici
on 1.2.5 Llamaremos informaci
on, al conjunto de datos. x1 , x2 , . . . , xn .
B
asicamente, al conjunto de observaciones (datos) que permiten disminuir
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 7
1 1 1 2 3 3 4 1
1 1 2 3 3 4 1 1
2 2 3 3 1 1 2 2
3 4 1 1 2 2 3 4
1 2 2 4 3
2 2 2 5 2
2 2 3 2 3
4 3 3 3 3
4 3 2 2 3
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 8
Distrib. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Venta 2 1 0 0 3 2 0 0 2 1 1 1 0 1 2
Ampolleta 1 2 3 4 5 6 7 8 9 10
Duraci
on 18,0 18,4 19,0 20,2 19,6 18,6 19,4 19,2 17,0 18,5
numerable.
1.2.2 Tabulaci
on
Definici
on 1.2.6 Una tabla de frecuencias es un arreglo, que consta de
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 9
Variable ni fi fi % Ni Fi Fi %
categora 1 n1 f1 f1 % N1 F1 F1 %
categora 2 n2 f2 f2 % N2 F2 F2 %
.. .. .. .. .. .. ..
. . . . . . .
categora k nk fk fk % Nk Fk Fk %
Total N 1 100%
Variables Cuantitativas
1. Variables Discretas
Para un conjunto de N observaciones de una variable discreta X, se
define:
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 10
Note que:
(a)
k
X
ni = N .
i=1
(b)
k
X
fi = 1 .
i=1
(c)
k
X
Nk = ni = N .
i=1
(d)
k
X
Fk = fi = 1 .
i=1
(e)
i i i
X X nj 1 X Ni
Fi = fj = = nj = .
j=1 j=1
N N j=1 N
struccion de 20 personas:
B, M, S, S, B, B, M, M, M, S, S, M, B, B, M, M, B, M, S, B .
Nivel de Instruccion ni fi fi % Ni Fi Fi %
7
Basico (B) 7 20
= 0, 35 35% 7 0, 35 35%
8
Medio (M) 8 20
= 0, 40 40% 15 0, 75 75%
5
Superior (S) 5 20
= 0, 25 25% 20 1, 00 100%
Total 20 1, 00 100%
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 11
semana en 15 distribuidores:
X ni fi fi % Ni Fi Fi %
2. Variables Continuas
Si la variable que se estudia es continua o bien el n
umero de resultados
posibles de una variable discreta es muy grande, es conveniente agrupar
las observaciones en intervalos de clase.
Ejemplo 1.2.3 Se tienen las edades de 50 pacientes que han sido aten-
20 22 23 23 24 24 25 25 25 26
26 27 27 28 30 30 30 30 30 31
32 34 34 34 36 36 36 36 37 37
37 37 37 37 38 38 38 38 38 40
40 41 42 42 42 43 44 45 45 48
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 12
Variable xi ni fi fi % Ni Fi Fi %
[LI1 LS1 [ x1 n1 f1 f1 % N1 F1 F1 %
[LI2 LS2 [ x2 n2 f2 f2 % N2 F2 F2 %
.. .. .. .. .. .. ..
. . . . . . .
[LIk LSk ] xk nk fk fk % Nk Fk Fk %
Total N 1 100%
Donde:
3. Notas:
(c) Cuando el n
umero de observaciones es muy grande se prefiere:
k = 1, 6 ln N .
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 13
6, 2 4, 8 3, 8 4, 6 4, 4
5, 7 6, 4 5, 4 6, 3 4, 8
4, 9 3, 0 3, 8 5, 5 5, 1
6, 8 4, 7 5, 5 7, 0 4, 2
De donde, k = 20 4, 5 5 ; 7, 0 3, 0 = 4, 0 ; y ai = 4, 0/5 0, 8 .
3, 0 3, 8 3, 4 1 0, 05 5% 1 0, 05 5%
3, 8 4, 6 4, 2 4 0, 20 20% 5 0, 25 25%
4, 6 5, 4 5, 0 5 0, 25 25% 10 0, 50 50%
5, 4 6, 2 5, 8 5 0, 25 25% 15 0, 75 75%
6, 2 7, 0 6, 6 5 0, 25 25% 20 1, 00 100%
Total 20 1, 00 100%
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 14
Total 10 1, 00 100%
1.2.3 Representaci
on Gr
afica
1. Diagrama de Tallo y Hojas:
Otra alternativa para estudiar la variabilidad consiste en estudiar los
datos usando un diagrama de Tallo y Hojas. Tiene la ventaja de
retener todo el detalle de los datos originales y al mismo tiempo permite
ordenarlos rapidamente.
Cada dato numerico se divide en dos partes: el (los) dgito(s) princi-
pal(es) se convierte(n) en el tallo, y el (los) dgito(s) secundario(s) en
hojas.
13 18 15 12 14 13
13 18 10 14 13 13
13 18 15 14 17 13
17 12 17 18 14 15
17 13 10 18 17 15
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 15
2 1 00
2 1
4 1 22
12 1 33333333
16 1 4444
14 1 5555
10 1
10 1 77777
5 1 88888
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 16
Fracuencias
ni
= 360o .
N
trumento de medicion:
4. Gr
afico de Barras:
en el eje vertical.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 17
las 15 distribuidoras. Su gr
afico de barras asociado es:
5. Histograma:
los para cada uno de los intervalos de clase; en estos rectangulos, la base
intervalo1 .
1
El
area no corresponde a la frecuencia relativa, salvo en el caso que la amplitud del
intervalo sea la unidad.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 18
351
6. Polgono de Frecuencias:
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 19
7. Ojiva:
acumuladas, de tal forma que pueda establecer para los distintos inter-
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 20
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 21
Definici
on 1.3.1 Sean x1 , x2 , . . . , xn , los valores observados de una variable
n n
H(X) = n = 1 1 1 .
X 1 x1
+ x2
+ + xn
i=1
xi
3, 4, 6, 6 y 8, entonces:
5 5
H(X) = 1 1 1 1 1 = 25 = 4, 8 .
3
+ + + +
4 6 6 8 24
2
A estos indicadores llamaremos Estadgrafos.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 22
Definici
on 1.3.2 Sean x1 , x2 , . . . , xn , los valores observados de una variable
3, 4, 6, 6 y 8, entonces:
5
G(X) = 3 4 6 6 8 = 5, 1 .
Definici
on 1.3.3 Sean x1 , x2 , . . . , xn , los valores observados de una variable
3, 4, 6, 6 y 8, entonces:
3+4+6+6+8 27
X = = = 5, 4 .
5 5
3
Se denota con X a la media aritmetica poblacional y con X a la media aritmetica
muestral.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 23
Muestra x1 x2 x3 x4 x5 x
A 2 3 4 5 6 4
B 2 4 4 4 6 4
C 1 5 4 5 5 4
D 4 4 4 4 4 4
Propiedades de la Media:
Sean X e Y variables aleatorias, y a, b, c IR.
c = c.
aXb = a X b.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 24
aXbY = a X b Y .
Ejemplo 1.3.5 Considere la siguiente tabla con edades de varones, que tra-
44 60 64 31 31 28 28 29 32 25 26 27
29 32 24 26 27 43 56 62 30 31 27 28
64 31 31 27 28 29 32 25 26 27 43 56
29 32 24 25 26 32 44 62 30 31 27 28
33 55 62 30 31 27 28 29 32 24 25 27
Para este caso el valor de X = 34, 2 a
nos.
Cuando los datos estan agrupados en una tabla de frecuencias, con k
intervalos de clase, el procedimiento para calcular X es el siguiente:
k
X
xi ni
i=1 x1 n1 + x2 n2 + + xk nk
X = = ,
n n
note que en este caso xi no es la observacion i, sino corresponde a la i-esima
marca de clase.
Ejemplo 1.3.6 Construyamos la tabla de frecuencias asociada al conjunto
de datos anteriores: k = 1+1, 6 ln 60 7; 6424 = 40, entonces ai = 40
7
6.
24 30 27 30 810
30 36 33 17 561
36 42 39 0 0
42 48 45 4 180
48 54 51 0 0
54 60 57 3 171
60 66 63 6 378
60 2100
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 25
Ejemplo 1.3.7
24 30 27 30 810
30 36 33 17 561
36 54 45 4 180
54 60 57 3 171
60 66 63 6 378
60 2100
Nota: Aunque es usual uitilizar tablas de frecuencias con todos los in-
tervalos de igual amplitud, pueden existir casos en que los intervalos tengan
posterior a este.
Definici
on 1.3.4 Sean x1 , x2 , . . . , xn , los valores observados para una vari-
able X y w1 , w2 , . . . , wn , n
umeros no negativos cuya suma es 1, entonces
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 26
seg
un tramo de edad:
1 = 158 cm. , n1 = 50
2 = 172 cm. , n2 = 10
3 = 163 cm. , n3 = 35
1 n 1 + 2 n 2 + 3 n 3
P = ,
n1 + n2 + n3
158 50 + 172 30 + 163 35
= ,
50 + 10 + 35
15325
= = 161 cm.
95
4
Si wi = 1/n, para todo i, entonces P = .
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 27
Definici
on 1.3.5 Se llama media recortada en a un promedio o media que
24 25 26 27 28 29 30 31 32 32 44 62
24 25 27 27 28 29 30 31 32 33 55 62
24 26 27 27 28 29 30 31 32 43 56 62
25 26 27 27 28 29 31 31 32 43 56 64
25 26 27 28 28 29 31 31 32 44 60 64
0,10 = 31, 9 a
nos.
Definici
on 1.3.6 La moda, como su nombre lo indica, corresponde a la ob-
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 28
M o(X)2 = 4.
Segun lo anterior, el valor modal puede existir o no, si existe este valor
puede ser no unico, en ese caso se habla de bimodal, trimodal, multimodal.
En el caso de tener solo un valor modal, se habla de unimodal.
En el caso que los datos se encuentren tabulados, la forma de calcular la
moda es la siguiente:
1. Primero, identificar el o los intervalos que contienen el valor modal, es
decir, el intervalo con mayor frecuencia absoluta o relativa.
2. Determinar el valor de
ni ni1
M o(X) = LIi + ai ,
(ni ni1 ) + (ni ni+1 )
donde ai es la amplitud del i-esimo intervalo.
3. Si existe mas de un intervalo con la mayor frecuencia, repetir el calculo
anterior.
Ejemplo 1.3.12 Retomemos el ejemplo anterior de las edades
X ni
24 30 30
30 36 17
36 54 4
54 60 3
60 66 6
60
7
Tecnicamente, en este caso todos los valores tienen la misma frecuencia y es la mas alta,
por lo tanto son todos valores modales, pero se pierde el sentido de resumir la informacion.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 29
entonces:
21 10
M o(X) = 49 + 4,
(21 10) + (21 17)
11
= 49 + 4 = 49 + 2, 9 ,
15
51, 9 a
nos.
a
nos.
Definici
on 1.3.7 Es la realizaci
on u observaci
on que ocupa la posici
on que
de observaciones. Si el n
umero de observaciones es impar, entonces, el valor
centrales.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 30
4+5
1, 2, 3, 4, 5, 6, 7, 8, la mediana para este grupo es M e(X) = 2
= 4, 5.
siguiente:
N ai
M e(X) = LIi + Ni1 .
2 ni
Para determinar el intervalo que contiene a la mediana, primero se debe re-
alizar el calculo N/2, y aquel intervalo que tenga asociada la primera frecuen-
49, 5 a
nos, donde las observaciones 49 a
nos y 50 a
nos corresponden a las
1.3.8 Comentarios
:
1. La Media Armonica, se utiliza principalmente para obtener un valor
representativo de un conjunto de datos expresados en forma de tasas,
esto es, tantas unidades de un tipo por cada unidad de otras especies.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 31
1.4.2 M
aximo (XM ax ).
Corresponde a la observacion mas grande, y se encuentra en la u
ltima posi-
cion.
XM ax = max{X1 , . . . , Xn } .
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 32
1.4.3 Percentiles( Pk ).
Los percentiles corresponden a ciertos valores de las observaciones que dejan
un determinado porcentaje de observaciones por bajo este valor. En general
se designa como Pk , que representa la valor del percentil que deja k% de las
observaciones por bajo de este valor.
un n
umero xk tal que la frecuencia relativa acumulada en xk es k% de las
observaciones, es decir:
Fxk = k% .
1. Variable Discreta.
En este caso el percentil k se define como xk : el menor n
umero x tal
que Fxk k.
Recordemos el ejemplo de venta de automoviles, el percentil 50 es P50 =
1, esto quiere decir que el 50% de los distribuidores vende un auto o
menos, el percentil 93 corresponde a P93 = 2 y esto significa que el 93%
de los distribuidores vende dos o menos.
2. Variable Continua.
En esta situacion, se puede encontrar el intervalo de clase en el cual
esta el percentil k mediante la frecuencia relativa acumulada en la tabla
de frecuencias. El procedimiento es similar al calculo de la mediana,
utilizandose para esto la formula siguiente:
kn ai
Pk = LIi + Ni1 .
100 ni
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 33
Notas:
Los percentiles no tienen sentido en variables nominales en las que no
se puede ordenar las observaciones de menor a mayor.
Los percentiles dependen de la forma seg un la que se ha construido la
tabla de frecuencias; esto significa que no existe una forma u
nica para
obtener los percentiles. (a menos que conozcamos la distribucion de los
datos.).
Para datos no agrupados es usual calcular los percentiles del siguiente
modo: se supone que la observacion ordenada que ocupa el lugar i
corresponde al percentil:
i1
k= 100 .
n1
Otra forma es definir a la observacion ya ordenada, n umero i como
correspondiente al percentil:
i
k= 100 .
n+1
Para calcular percentiles correspondientes a otros valores de k se ocupan
interpolaciones.
Se denominan Cuartiles a:
C1 = P25 , C2 = P50 = M e(X), C3 = P75 .
Deciles a:
D1 = P10 , D2 = P20 , . . . , D9 = P90 .
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 34
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 35
Definici
on 1.5.1 Corresponde a la mayor diferencia que existe entre dos
R = XM ax XM in .
Definici
on 1.5.2 Corresponde a la mayor diferencia que existe entre dos
RI = C3 C1 = P75 P25
1.5.3 Desviaci
on Media (DM (X)).
Definici
on 1.5.3 Sean x1 , x2 , . . . , xn , los valores observados de una variable
2
1.5.4 Varianza y Desviaci
on Est
andar (X oV
Var(X)).
Definici
on 1.5.4 Sean x1 , x2 , . . . , xn , los valores observados de una variable
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 36
Propiedades de la Varianza (V
Var(X)).
Sean X e Y variables aleatorias, y a, b, c IR, entonces:
Var(X) 0.
Var(c) = 0.
Var(aX b) = a2 Var(X).
Definici
on 1.5.5 El coeficiente de variaci
on o de variabilidad relativa, es
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 37
X xi ni xi ni ni x2i
33 37 35 1 35 1225
37 41 39 1 39 1521
41 45 43 6 258 11094
45 49 47 17 799 37553
49 53 51 21 1071 54621
53 57 55 10 550 30250
57 51 59 3 177 10443
51 65 63 1 63 3969
2
La X = 2992/60 = 49, 9 a
nos, y el valor de la varianza es X =
9, 23%.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 38
donde X = 12, 1 y X = 4, 3.
Como C.V.(Y ) = YY 100%, necesitamos determinar la media de Y y
su desviacion estandar.
Entonces, el
189, 34
100% = 13, 76 100% 32, 2% .
C.V.(Y ) =
42, 72 42, 72
1.6 An
alisis Bivariado
En todas las discusiones anteriores, hemos tratado las variables y su respecti-
va informacion como variables aisladas, pero en general, no solo nos interesa
una variable especfica, sino varias de ellas, y poder descubrir las posibles
asociaciones entre dos o mas variables.
Definici
on 1.6.1 Estas tablas son un arreglo que consta de filas y columnas,
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 39
Y : Edades de postulantes
fX,Y 25 27 27 29 Frec. Marg.
X : Puntajes xi yj 26 28 de X (fX )
30 40 35 5 10 15
40 50 45 6 10 16
50 60 55 10 8 18
1.6.2 An
alisis Condicional.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 40
Y 27
Puntajes xi 25 27 xi ni
30 40 35 5 175
40 50 45 6 270
50 60 55 10 550
Total 21 995
Entonces,
995
X|Y 27 = 43, 38 puntos.
21
X < 45
Edad yj 30 40 40 50 yj nj
25 27 26 5 + 6 = 11 286
27 29 28 10 + 10 = 20 560
Total 31 846
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 41
Luego,
846
Y |X<45 = 27, 29 a
nos.
31
Ejemplo 1.6.4 La siguiente tabla corresponde a las alturas de 151 personas
de una empresa, separadas por sexo. Donde X es la altura en centimetros,
Y = 0 (Mujer) e Y = 1 (Hombre). Determine la media, moda y mediana de
X.
Y : Sexo
Muj. Hom. Frec. Marg.
X : Altura xi yj 0 1 de X xi ni hi Hi
24617, 5
X = 163, 03 cm.
151
57 45
M o(X) = 160 + 5,
(57 45) + (57 37)
12
= 160 + 5,
12 + 20
12
= 160 + 5,
32
160 + 1, 88 161, 88 cm.
151 5
M e(X) = 160 + 45 ,
2 57
5
= 160 + (75, 5 45) ,
57
160 + 30, 5 0, 09 ,
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 42
Y =0
Altura xi (Mujeres) xi ni fi Fi
Total 75 12152, 5
12152, 5
X|Y =0 = 162, 03 cm.
75
30 0
M o(X|Y = 0) = 155 + 5,
(30 0) + (30 25)
30
= 155 + 5,
30 + 5
30
= 155 + 5,
35
155 + 4, 29 159, 29 cm.
75 5
M e(X|Y = 0) = 160 + 30 ,
2 25
5
= 160 + (37, 5 30) ,
25
160 + 7, 50 0, 20 ,
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 43
Y =1
Altura xi (Hombres) xi ni fi Fi
Total 76 12465
12465
X|Y =1 = 164, 01 cm.
76
32 15
M o(X|Y = 1) = 160 + 5,
(32 15) + (32 20)
17
= 160 + 5,
17 + 12
17
= 160 + 5,
29
160 + 2, 93 162, 93 cm.
76 5
M e(X|Y = 1) = 160 + 15 ,
2 32
5
= 160 + (38 15) ,
32
160 + 23 0, 16 ,
lutas de un suceso bajo dos variables aleatorias, pero ademas nos interesa
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 44
variables X e Y 11 .
2. Datos agrupados: En este caso se tiene una tabla con frecuencias con-
juntas para las variables X e Y , es decir, se tiene una tabla con I filas
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 45
Edades de postulantes
25 27 27 29 Frec. Marg. xi ni
Puntajes xi yj 26 28 de X
30 40 35 5 10 15 525
40 50 45 6 10 16 720
50 60 55 10 8 18 990
2235 1330
Luego, X = 49
= 45, 61 a
nos y Y = 49
= 27, 14 a
nos.
Entonces,
1
Cov(X, Y ) = (35 26 5 + 35 28 10 + 45 26 6 + 45 28 10 + 55 26 10 + 55 28 8) 45, 61 27, 14
49
60590
= 45, 61 27, 14
49
= 1236, 53 45, 61 27, 14
= 1236, 53 1237, 86
= 1, 33 (a
nos puntos) .
1.7 Correlaci
on
En la seccion anterior hemos visto como las tablas bivariadas nos permiten
tener una idea del comportamiento de las observaciones cuando estas son
Pero muchas veces nos interesa, ademas, saber cual es la relacion que
existe entre estas dos variables, es decir, cuanto se afectan la una a la otra.
el coeficiente de correlacion.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 46
o rXY )
XY = p XY ,
X2 Y2
n
X
xi yi n
xy
i=1
rXY = v ! n !.
u n
u X X
t x2i nx2 yi2 n
y2
i=1 i=1
Interpretaci
on:
Cuando los valores de rXY son cercanos a -1, se dice que las variables
Cuando los valores de rXY son cercanos a 1, se dice que las variables X
ser: cuadratica, c
ubica, etc.).
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 47
mediciones espirometricas.
1340 41.82
x = 8
167.5, y = 8
5.23
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 48
1340 210
x = 8
167.5, z = 8
26.25
1.7.2 Matrix-Plot
tienen alg
un grado de asociacion lineal, pero mas a
un, permite visualizar
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 49
9, 2, 4, 6, 3, 12 .
que ocupan:
Observacion 2 3 4 6 9 12
Posicion o Rango 1 2 3 4 5 6
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 50
9, 2, 2, 2, 4, 6, 6, 3, 12 .
que ocupan.
Observacion 2 2 2 3 4 6 6 9 12
Posicion o Rango 1 2 3 4 5 6 7 8 9
Ejemplo 1.7.5 Ahora, calculamos la media de las posiciones para las obser-
1+2+3 6
Rango de empatados (2) = = =2,
3 3
y para
6+7 13
Rango de empatados (6) = = = 6.5 ,
2 2
entonces la tabla con los rangos es:
Observacion 2 2 2 3 4 6 6 9 12
1.7.4 Correlaci
on de Rangos de Spearman (rS ).
Su forma es la siguiente:
n
X
6 d2i
i=1
rS = 1 ,
n(n2 1)
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 51
vaciones.
respectivos rangos:
Total 26.50
6 26.50
rS = 1 ,
8(82 1)
159
= 1 ,
504
1 0.316 ,
0.684 .
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 52
tiene que:
n
X
Y
Xi Yi nX
i=1
rXY = v ! n !,
u n
u X 2 X
t 2
Xi nX Yi2 nY 2
i=1 i=1
n
X n(n + 1)
Pero note que Xi = 1 + 2 + + n = y de la misma forma
i=1
2
n n
X n(n + 1) X
se tiene que Yi = 1 + 2 + + n = , por otro lado Xi2 =
i=1
2 i=1
n
n(n + 1)(2n + 1) X
12 + 22 + + n2 = = Yi2 .
6 i=1
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 53
As
n
X n
X
n
Xi Xi
i=1 i=1
X
Xi Yi n
i=1
n n
rXY = v ,
u
u n 2 n 2
X X
u
u n Xi n Xi
uX
2
i=1 X
2
i=1
X n X n
u
u i n i n
ui=1
t i=1
n n
!2
X X
n Xi Yi Xi
i=1 i=1
= !2 ,
Xn n
X
n Xi2 Xi
i=1 i=1
n n
!2 n n
X X X X
n Xi Yi Xi +n Xi2 n Xi2
i=1 i=1 i=1 i=1
= !2 ,
n
X n
X
n Xi2 Xi
i=1 i=1
n n
!2 n n
X X X X
n Xi2 Xi n Xi2 n Xi Yi
i=1 i=1 i=1 i=1
=
n n
!2 n n
!2 ,
X X X X
n Xi2 Xi n Xi2 Xi
i=1 i=1 i=1 i=1
n
X n
X
n Xi2 n Xi Yi
i=1 i=1
= 1 !2 ,
Xn Xn
n Xi2 Xi
i=1 i=1
n n n
! !
X X X
n 1
2
Xi2 + Xi2 Xi Yi
i=1 i=1 i=1
= 1 !2 ,
n
X n
X
n Xi2 Xi
i=1 i=1
n
X n
X
Pero Xi2 = Yi2
i=1 i=1
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 54
n n n
!
X X X
n
2
Xi2 + Yi2 2 Xi Yi
i=1 i=1 i=1
rXY = 1 !2 ,
n
X n
X
n Xi2 Xi
i=1 i=1
n
X
Xi2 + Yi2 2Xi Yi
n i=1
= 1 !2 ,
2 n
X n
X
n Xi2 Xi
i=1 i=1
Xn
(Xi Yi )2
n i=1
= 1 !2 ,
2 n
X n
X
n Xi2 Xi
i=1 i=1
as, sea di = Xi Yi i = 1, . . . , n la i-
Adem esima diferencia entre los rangos de X y Y .
n
X
d2i
n i=1
rXY = 1 2 ,
2 n
n(n+1)(2n+1) n(n+1)
6
2
n
X
d2i
i=1
= 1 ,
n(n+1)(2n+1) n(n+1)2
3
2
Xn
d2i
i=1
= 1 ,
2n(n+1)(2n+1)3n(n+1)2
6
Xn
6 d2i
i=1
= 1 ,
n(n + 1)(2(2n + 1) 3(n + 1))
n
X
6 d2i
i=1
= 1 ,
n(n + 1)(4n + 2 3n 3)
n
X
6 d2i
i=1
= 1 ,
n(n + 1)(n 1)
n
X
6 d2i
i=1
= 1 .
n(n2 1)
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 55
1.7.5 Correlaci
on de Punto Biserial (rpb ).
variable cuantitativa.
Su forma es la siguiente:
xA xB )
r
( nA nB
rpb = ,
t n(n 1)
Se utiliza para saber si las personas adecuada son las que obtienen las
respuestas correctas.
centaje, seg
un si realizaron dieta o no.
Respuesta
SI 17 18 23 16 21 14 22 15
NO 11 10 17 23 13 20 18
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 56
0.287 .
En este caso, aunque el valor de rpb es mayor que cero, no es muy claro que
1.7.6 Correlaci
on Phi ().
adbc
= ,
wxyz
donde w = a + c, x = b + d, y = a + b y z = c + d.
nivel de reconocimiento.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 57
Reconocimiento
Alto Bajo Total
Participaci
on Alta 16 12 28
Baja 34 88 122
Total 50 100
16 88 12 34
= ,
50 100 28 122
1408 408
= ,
17080000
1000
,
4132.796
0.2420 .
Interpretaci
on:
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 58
seg
un su nivel educacional en una industria agricola.
Nivel educacional N
umero de trabajadores
Educacion Basica 33
Educacion Media 45
Educacion Tecnico-Profesional 24
Educacion Universitaria 11
media.
cacion media.
educacion media.
Des.
Primero completemos la tabla con las frecuencias relativas y acumu-
ladas.
Niveleducacional ni fi Ni Fi fi 100% Fi 100%
Educaci
on B
asica 33 0.292 33 0.292 29.2% 29.2%
Educaci
on Media 45 0.398 78 0.690 39.8% 69.0%
Educaci
on T
ecnico-Profesional 24 0.212 102 0.903 21.2% 90.3%
Educaci
on Universitaria 11 0.097 113 1.000 9.7% 100.0%
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 59
tienen solo educacion Basica (29.2%) mas los que solo tienen ed-
que tienen educacion Media (39.8%) mas los que tienen educacion
codigos.
Codigo 1 2 3 4
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 60
1 1 1 2 3 3 1 1 2 3
2 2 3 3 1 1 3 4 3 4
2 3 1 4 2 3 1 1 2 2
Verde.
Des.
nominal.
Color ni fi
1 (Azul) 10 0.333
2 (Verde) 8 0.267
3 (Rojo) 9 0.300
4 (Morado) 3 0.100
Total 30 1.000
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 61
Forma Combinado con oro Combinado con plata Puro lquido Puro s
olido
C
odigo 1 2 3 4
2 4 2 1 2 1 1 1 2 2
3 2 1 2 4 4 4 1 3 2
4 1 2 2 2
Des.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 62
(b) .
Codigo ni fi
1 7 0.280
2 11 0.440
3 2 0.080
4 5 0.200
Total 25 1.000
(c) La proporcion de Ingenieros que considera que debe ser utilizado
combinado con oro (28.0%) con los que consideran que debe ser
los que consideran que se optimiza su uso puro lquido (8.0%) con
Nota N
umero de alumnos
1-3 15
3-5 38
5-7 12
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 63
Des.
marca de clase X ni fi Ni
xi
2 1 3 15 0.230 15
4 3 5 38 0.585 53
6 3 7 12 0.185 65
Total 65 1.000
13
Una variable continua siempre es cuantitativa, por lo cual es equivalente decir que una
variable es cuantitativa continua con solo decir que es una variable continua
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 64
= 3.90 .
1
X = (2 15 + 4 38 + 6 12) ,
65
254
= ,
65
= 3.91 .
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 65
= 3.921 .
el centro de la ciudad.
UF Cantidad de departamentos
920-990 140
990-1050 350
1050-1200 300
1200-1400 160
Des.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 66
xi X ni fi Ni
(a)
1
X = (955 140 + 1020 350 + 1125 300 + 1300 160) ,
950
1036200
= ,
950
= 1090.74 UF .
(b)
950 150
1150 = 1050 + 490 ,
100 300
950 150
(1150 1050) = 490 ,
100 300
300 950
100 = 490 ,
150 100
950
200 + 490 = ,
100
100
690 = ,
950
= 72.63% .
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 67
(c)
350 140
M o(X) = 990 + 60 ,
(350 140) + (350 300)
210
= 990 + 60 ,
210 + 50
210
= 990 + 60 ,
260
12600
= 990 + ,
260
= 990 + 48.46 ,
= 1038.46 UF .
(d)
2 1
X = (140 9552 + 350 10202 + 300 11252 + 160 13002 )
950
1090.742 ,
1
= (1141911000 1130228060) ,
950
11682940
= ,
950
= 12297.83 (UF)2 ,
X = 110.90 UF .
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 68
Gasto anual N
umero de personas
0.8-1.0 20
1.0-1.6 70
1.6-2.0
2.0-2.6 65
Total
a
no?
Des.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 69
xi X ni fi Ni ni xi
(a)
339.5
X = = 1.70 millones de pesos.
200
(b)
200 0.4
1.8 = 1.6 + 90 ,
100 45
200 0.4
1.8 1.6 = 90 ,
100 45
45 200
0.2 = 90 ,
0.4 100
200
22.5 + 90 = ,
100
100
= 112.5 ,
200
= 56.25% .
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 70
(c)
70 20
M o(X) = 1.0 + 0.6 ,
(70 20) + (70 45)
50
= 1.0 + 0.6 ,
50 + 25
50
= 1.0 + 0.6 ,
75
= 1.0 + 0.4 ,
Sueldo anual N
umero de personas
1.5-2.5 27
2.5-3.5 19
3.5-4.5 15
4.5-5.5
Total
Des.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 71
frecuencias.
xi X ni fi Ni ni xi ni x2i
(a)
1106
X = = 4.42 millones de pesos.
250
(b)
2 1
5154 250 4.422 ,
X =
250
269.9
= ,
250
= 1.08 (millones de pesos)2 ,
(c)
250 1.0
3.2 = 2.5 + 27 ,
100 19
19 100
= (3.2 2.5) + 27 ,
1.0 250
100
= (13.3 + 27) ,
250
= 16.12% .
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 72
or frecuencia observada.
179 25
M o(X) = 4.5 + 1.0 ,
(179 25) + (179 0)
154
= 4.5 + 1.0 ,
154 + 179
154
= 4.5 + ,
333
= 4.5 + 0.46 ,
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 73
Gasto mensual N
umero de
5-12 7
12-18 9
18-25
25-33 7
mocion?
cion?
(e) Cual es el monto de gasto mensual que deja por bajo este valor
Des.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 74
xi X ni fi Ni ni xi ni x2i
(a)
548
X = = 18.27 millones de pesos.
30
(b)
30 7
19 = 18 + 16 ,
100 7
100
= ((19 18)1 + 16) ,
30
= 56.67% .
(c)
97
M o(X) = 12 + 6,
(9 7) + (9 7)
2
= 12 + 6,
2+2
= 12 + 3 ,
= 15 miles de pesos.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 75
(d)
1 1639.71
2
X = (11653.5 30 18.272 ) = = 54.66 (miles de pesos)2
30 30
(e)
30 75 7
P75 = 18 + 16 ,
100 7
= 18 + (22.5 16) ,
Edad N
umero de personas
18-21 16
21-27 42
27-30
30-35 25
estos entrevistados.
Des.
Sea X: edad, en a
nos.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 76
xi X ni fi Ni ni xi ni x2i
(a)
5467
X = = 27.34 a
nos.
200
(b)
200 50 3
M e(X) = 27 + 58 ,
100 117
3
= 27 + (100 58) ,
117
= 27 + 1.08 ,
= 28.08 a
nos.
117 42
M o(X) = 27 + 3,
(117 42) + (117 25)
75
= 27 + 3,
75 + 92
= 27 + 1.35 ,
= 28.35 a
nos.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 77
(c)
1 2220.38
2
X = (151715.5 200 27.342 ) = nos)2 ,
= 11.10 (a
200 200
X = 3.33 a
nos.
200 6
25 = 21 + 16 ,
100 42
42 100
= (25 21) + 16 ,
6 200
100
= (28 + 18) ,
200
= 22% .
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 78
de pesos.
Gasto mensual n
umero de jovenes
5-15 91
15-28 105
28-32 70
32-50 56
menos gasta?
Des.
xi X ni fi Ni ni xi ni x2i
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 79
(a)
7563.5
X = = 23.49 miles de pesos.
322
(b)
322 4
30 = 28 + 196 ,
100 70
70 100
= (30 28) + 196 ,
4 322
100
= (35 + 196) ,
322
= 71.74% .
(c)
75 322 4
P75 = 28 + 196 ,
100 70
4
= 28 + (241.5 196) ,
70
= 28 + 2.6 ,
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 80
(d)
2 1
X = (214772.25 322 23.492 ) ,
322
37099.06
= ,
322
= 115.21 (miles de pesos)2 ,
10.73
C.V.(X) = 100% = 45.7% .
23.49
11. Las utilidades en millones de pesos que tienen dos empresas, estan
relacionadas con el n
umero de proyectos que realizan anualmente, la
empresas.
Utlidades N
umero de Proyectos
4.5-6.0 40 35
6.0-7.8 81 16
7.8-9.0 82 20
9.0-10.2 38 45
specto a la media?
a $8000000 anual?
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 81
Des.
Sea Ei : utilidades de la empresa i = 1, 2.
e1i E1 n1i f1i N1i n1i e1i n1i e21i n2i f2i N2i n2i e2i n2i e22i
(a)
1822.5
E1 = ,
241
= 7.56 millones de pesos.
794.15
E2 = ,
116
= 6.85 millones de pesos.
1
E2 1 = 14246.91 241 7.562 ,
241
472.89
= ,
241
= 1.96 (millones de pesos)2 : .
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 82
1
E2 2 = 7284.85 116 6.852 ,
116
1841.84
= ,
116
= 15.88 (millones de pesos)2 .
ei E ni fi Ni
357 1.2
8.0 = 7.8 + 172 ,
100 102
102 100
= (8.0 7.8) + 172 ,
1.2 357
100
= (17 + 172) ,
357
= 52.94% .
proyectos.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 83
(c)
116 50 1.2
M e(E2 ) = 7.8 + 51 ,
100 20
1.2
= 7.8 + (58 51) ,
20
= 7.8 + 0.42 ,
0.4-0.6 2 3
0.6-0.8 8 2
0.8-1.2 9 4
1.2-1.5 10 6
1.5-1.8 5 3
1.8-2.0 2 1
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 84
de las mujeres?
Des.
xi X ni fi Ni ni xi ni x2i xi X ni fi Ni ni xi ni x2i
0.5 0.4 0.6 2 0.056 2 1.0 0.5 0.5 0.4 0.6 3 0.158 3 1.5 0.75
0.7 0.6 0.8 8 0.222 10 5.6 3.92 0.7 0.6 0.8 2 0.105 5 1.4 0.98
1.0 0.8 1.2 9 0.250 19 9 9 1.0 0.8 1.2 4 0.211 9 4 4
1.35 1.2 1.5 10 0.278 29 13.5 18.23 1.35 1.2 1.5 6 0.316 15 8.1 10.94
1.65 1.5 1.8 5 0.139 34 8.25 13.61 1.65 1.5 1.8 3 0.158 18 4.95 8.17
1.9 1.8 2.0 2 0.056 36 3.8 7.22 1.9 1.8 2.0 1 0.053 19 1.9 3.61
(a)
41.15
H = = 1.143 millones de pesos.
36
21.75
M = = 1.145 millones de pesos.
19
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 85
(b)
19 0.3
1.25 = 1.2 + 9 ,
100 6
6 100
= (1.25 1.2) +9 ,
0.3 19
100
= (1 + 9) ,
19
= 52.63% .
19 0.2
0.65 = 0.6 + 3 ,
100 2
2 100
= (0.65 0.6) +3 ,
0.2 19
100
= (0.5 + 3) ,
19
= 18.42% .
6.5 7 mujeres.
(c)
1 5.448
2
H = (52.48 36 1.1432 ) = = 0.151 (millones de pesos)2 ,
36 36
H = 0.389 millones de pesos.
1 3.541
2
M = (28.45 19 1.1452 ) = = 0.186 (millones de pesos)2 ,
19 19
H = 0.431 millones de pesos.
0.389 0.431
C.V.(H) = 100% = 34.0% , C.V.(M ) = 100% = 37.6 .
1.143 1.145
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 86
(d)
10 9
M o(X)H = 1.2 + 0.3 ,
(10 9) + (10 5)
1
= 1.2 + 0.3 ,
1+5
= 1.2 + 0.05 ,
64
M o(X)M = 1.2 + 0.3 ,
(6 4) + (6 3)
2
= 1.2 + 0.3 ,
2+3
= 1.2 + 0.2 ,
(e)
13. Las demanda mensual de cajas (X) de cierto producto en los superme-
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 87
30-70 12 5
70-100 21 8
100-130 36 19
130-150 29 10
demandas.
Des.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 88
xi X A B T otal Ni
50 30 70 12 5 17 17
85 70 100 21 8 29 46
T otal 98 42 140
(a)
36 21
M o(X|A) = 100 + 30 ,
(36 21) + (36 29)
15
= 100 + 30 ,
15 + 7
= 100 + 20.45 ,
19 8
M o(X|B) = 100 + 30 ,
(19 8) + (19 10)
11
= 100 + 30 ,
11 + 9
= 100 + 16.50 ,
(b)
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 89
(c)
140 75 20
P75 = 130 + 101 ,
100 39
20
= 130 + (105 101) ,
39
= 130 + 2.05 ,
(d)
2 1
(502 12 + 852 21 + 1152 36 + 1402 29) 98 108.012 ,
X|A =
98
1
= (1226225 1143283.69) ,
98
82941.31
= ,
98
= 846.34 (cajas mensuales)2 ,
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 90
2 1
(502 5 + 852 8 + 1152 19 + 1402 10) 42 107.502 ,
X|B =
42
1
= (517575 485362.50) ,
42
32212.50
= ,
42
= 766.96 (cajas mensuales)2 ,
29.09 27.69
C.V.(X|A) = 100% = 26.9% C.V.(X|B) = 100% = 25.8% .
108.01 107.50
a la Comuna A.
(e)
14. En una encuesta realizada a 800 familias, se les consulta sobre dos
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 91
Nivel de Inscripcion
(miles de pesos) SI NO
700-1000 210
Total
(c) Son mas homogeneas los ingresos de las familias inscritas en los
Des.
xi X SI N O T otal
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 92
(a)
(b)
380 300
500 = 400 + 200
100 150
150 100
= (500 400) + 200
300 380
100
= 250
380
= 65.79
(c)
2 1
(2502 120 + 5502 90 + 8502 210) 420 614.292 ,
X|Y =SI =
420
1
= (186450000 158487925.7) ,
420
27962074.28
= ,
420
= 66576.37 (miles de pesos)2 ,
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 93
2 1
(2502 200 + 5502 150 + 8502 30) 380 415.792 ,
X|Y =N O =
380
1
= (79550000 65694903.16) ,
380
13855096.84
= ,
380
= 36460.78 (miles de pesos)2 ,
258.02 190.95
C.V.(X|Y = SI) = 100% = 42.0% C.V.(X|Y = N O) = 100% = 45.9%
614.29 415.79
torales.
0-2 3 1 4
2-4 5 5 6
4-6 6 4 9
6-8 1 4 7
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 94
grupo de estudiantes?
(d) Determine la nota mnima que obtuvo el 50% de los mejores alum-
nos.
horas?
(g) Determine si los alumnos son mas parecidos respecto a las horas
Des.
yi 2 4 6
xi X 1 3 3 5 5 7 T otal
1 02 3 1 4 8
3 24 5 5 6 16
5 46 6 4 9 19
7 68 1 4 7 12
T otal 15 14 26 55
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 95
(a)
1 8 + 3 16 + 5 19 + 4 12
X = ,
55
235
= ,
55
= 4.27 horas.
2 15 + 4 14 + 6 26
Y = ,
55
242
= ,
55
= 4.40 .
(b)
19 16
M o(X) = 4 + 2,
(19 16) + (19 12)
3
= 4+ 2,
3+7
= 4 + 0.6 ,
= 4.6 horas.
(c)
55 2
4 = 3+ 15 ,
100 14
14 100
= (4 3) + 15 ,
2 55
100
= 22 ,
55
= 40% .
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 96
(d)
50 55 2
P50 = 3+ 15 ,
100 14
2
= 3 + (27.5 15) ,
14
= 3 + 1.79 ,
= 4.79 .
(e) .
xi X|Y > 5
1 02 4
14+36+59+77
X|Y >5 = 26
3 24 6
116
= 26
5 46 9
= 4.46 horas.
7 68 7
T otal 26
(f) .
xi Y |X < 4
28+46+610
2 13 3+5=8 Y |X<4 = 24
100
4 35 1+5=6 = 24
6 5 7 4 + 6 = 10 = 4.17
T otal 24
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 97
(g)
2 1
(12 8 + 32 16 + 52 19 + 72 12) 55 4.272 ,
X =
55
1
= (1215 1002.81) ,
55
= 3.86 (horas)2 ,
X = 1.96 horas.
1
Y2 (22 15 + 42 14 + 62 26) 55 4.402 ,
=
55
1
= (1220 1064.80) ,
55
= 2.82 ,
Y = 1.68 .
55 4.27 4.40) ,
1
= (1062 55 4.27 4.40) ,
55
28.66
= ,
55
= 0.52 ,
0.52
rXY = = 0.158 .
1.96 1.68
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 98
N
umero de calefactores 4 2 5 6 3 3 2 3 4 1
Precio de calefactores (US$) 90 85 91 100 95 93 112 86 95 98
Importados (I) 3 1 3 4 2 3 1 1 2 0
Nacionales (N) 1 1 2 2 1 0 1 2 2 1
los a Gas?
Des.
(a)
4 90 + 2 85 + 5 91 + 6 100 + 3 95 1870
P = = = 93.5 US$ ,
20 20
3 93 + 2 112 + 3 86 + 4 95 + 1 98 1239
G = = = 95.31 US$ .
13 13
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 99
(b) .
P |N G|N
85 1 1 86 2 2
90 1 2 93 0 2
91 2 4 95 2 4
95 1 5 98 1 5
100 2 7 112 1 6
Parafina.
(c) .
N |P I|P
851+901+912+951+1002
N |P = 7
,
85 1 1
652
= 7
,
90 1 3
= 93.14 US$ ,
91 2 3
851+903+913+952+1004
I|P = 13
,
95 1 2
1218
= 13
,
100 2 4
= 93.69 US$ .
T otal 7 13
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 100
Importados.
P |N = 93.14 US$ ,
86 2 + 93 0 + 95 2 + 98 1 + 112 1 572
G|N = = = 95.33 US$ .
6 6
1
P2 |N = (852 1 + 902 1 + 912 2 + 952 1 + 1002 2) 7 93.142 ,
7
1
= (60912 60725.42) ,
7
= 26.65 (US$)2 ,
P |N = 5.76 US$ .
2 1
(862 2 + 932 0 + 952 2 + 982 1 + 1122 1) 6 95.332 ,
G|N =
6
1
= (54990 54526.85) ,
6
= 77.19 (US$)2 ,
(e)
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 101
X Y
150-350 9 12 3
350-600 8 15 5
600-1100 2 7 5
taria?
Des.
xi X M TP U T otal
T otal 19 34 13 66
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 102
(a)
28 24
M o(X) = 350 + 250 ,
(28 24) + (28 14)
4
= 350 + 250 ,
4 + 14
= 350 + 55.56 ,
(b)
(c)
(d)
2 1
(2502 9 + 4752 8 + 8502 2) 19 407.892 ,
X|Y =M =
19
1
= (3812500 3161110.79) ,
19
= 34283.64 (miles de pesos)2 ,
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 103
2 1
(2502 12 + 4752 15 + 8502 7) 34 472.792 ,
X|Y =T P =
34
1
= (9191875 7600033.06) ,
34
= 46818.89 (miles de pesos)2 ,
2 1
(2502 3 + 4752 5 + 8502 5) 13 567.312 ,
X|Y =U =
13
1
= (4928125 4183928.27) ,
13
= 57245.90 (miles de pesos)2 ,
contribuciones.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 104
10-15 10 4 3 1
15-20 3 6 1 3
20-30 4 3 5 7
30-40 0 2 5 2
40-50 0 1 6 9
departamentos?
mil?
estudio e interprete.
Des.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 105
12.5 10 15 10 4 3 1 18
17.5 15 20 3 6 1 3 13
25 20 30 4 3 5 7 19
35 30 40 0 2 5 2 9
45 40 50 0 1 6 9 16
T otal 17 16 20 22 75
(a)
12.5 18 + 17.5 13 + 25 19 + 35 9 + 45 16
X = ,
75
1764.5
= = 23.53 millones de pesos.
75
75 17 + 150 16 + 250 20 + 350 22
Y = ,
75
16375
= = 218.33 miles de pesos.
75
(b)
5+2+6+9 22
100% = 100% = 29.3% .
75 75
(c) .
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 106
12.5 10 15 4+3=7
17.5 15 20 6+1=7
25 20 30 3+5=8
35 30 40 2+5=7
45 40 50 1+6=7
T otal 26
87
M o(X|100 < Y < 300) = 20 + 10 ,
(8 7) + (8 7)
1
= 20 + 10 ,
1+1
= 25 millones de pesos.
(d)
1
XY = ((12.5 10 75 + 12.5 4 150 + 12.5 3 250 + 12.5 1 350
75
+17.5 3 75 + 17.5 6 150 + 17.5 1 250 + 17.5 3 350
75 23.53 218.33) ,
1
= (479062.5 75 23.53 218.33) ,
75
93764.63
= ,
75
= 1250.20 .
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 107
2 1
(12.52 18 + 17.52 13 + 252 19 + 352 9 + 452 16) 17 23.532 ,
X =
75
1
= (62093.75 41524.57) ,
75
20569.18
= ,
75
= 274.26 (millones de pesos)2 ,
1250.20
rXY = = 0.720 .
16.56 104.91
En este caso existe una mediana asociacin lineal directa entre las variables.
Des.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 108
xi X n i Ni
T otal 50
(a)
2.25 15 + 4.85 31 + 6.6 4 210.5
X = = = 4.21 ,
50 50
2 1
(2.252 15 + 4.852 31 + 6.62 4) 50 4.212 ,
X =
50
1
= (979.38 886.21) ,
50
93.17
= ,
50
= 1.86 .
(b)
50 50 2.7
M e(X) = 3.5 + 15 ,
100 31
2.7
= 3.5 + (25 15) ,
31
= 3.5 + 0.87 ,
= 4.37 ,
31 15
M o(X) = 3.5 + 2.7 ,
(31 15) + (31 4)
16
= 3.5 + 2.7 ,
16 + 27
= 3.5 + 1.0 ,
= 4.5 .
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 109
frecuente.
(c)
50 2.7
4.0 = 3.5 + 15 ,
100 31
31 100
= (4.0 3.5) + 15 ,
2.7 50
100
= (5.74 + 15) ,
50
= 41.48% .
29.26 29 alumnos.
X Y
250-450 6 4 5
450-650 3 2 6
650-850 1 8 9
de trabajadores.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 110
Des.
yi 32.5 37.5 43
xi X 30 35 35 40 40 46 T otal
T otal 10 14 20 44
(a)
(b)
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 111
(c)
32.5 3 + 37.5 2 + 43 6
Y |450<X<650 = ,
11
430.5
= = 39.14 horas.
11
(d)
1
XY = ((350 10 32.5 + 350 4 37.5 + 350 5 43
44
+550 3 32.5 + 550 2 37.5 + 550 6 43
44 563.64 38.86) ,
1
= (972400 44 563.64 38.86) ,
44
8665.78
= ,
44
= 196.95 .
2 1
(3502 15 + 5502 11 + 7502 18) 44 563.642 ,
X =
44
1
= (15290000 13978362.18) ,
44
1311637.82
= ,
44
= 29809.95 (miles de pesos)2 ,
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 112
1
Y2 (32.52 10 + 37.52 14 + 432 20) 44 38.862 ,
=
44
1
= (67230 66444.38) ,
44
785.62
= ,
44
= 17.85 (horas)2 ,
Y = 4.23 horas.
196.95
rXY = = 0.270 .
172.66 4.23
30-45 5 12
45-50 7 10
50-65 11 9
(b) Determine el valor mas frecuente de la edad dado que los postu-
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 113
Des.
yi 26.5 30
xi X 25 28 28 32 T otal
37.5 30 45 5 12 17
47.5 45 50 7 10 17
57.5 50 65 11 9 20
T otal 23 31 54
(a)
(b) .
Y |X < 50
25 28 5 + 7 = 12
28 32 12 + 10 = 22
T otal 34
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 114
22 12
M o(Y |X < 50) = 28 + 4,
(22 12) + (22 0)
10
= 28 + 4,
10 + 22
= 28 + 1.25 ,
= 29.25 a
nos.
(c) .
X|Y < 28 Ni
30 45 5 5
45 50 7 12
50 65 11 23
T otal 23
25 23 5
P25 = 45 + 5 ,
100 7
5
= 45 + (5.75 5) ,
7
= 45 + 0.54 ,
= 45.54 puntos.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 115
(d)
1
XY = ((37.5 5 26.5 + 37.5 12 30
54
+47.5 7 26.5 + 47.5 10 30
54 48.06 28.51) ,
1
= (73816.25 54 48.06 28.51) ,
54
174.04
= ,
54
= 3.22 .
2 1
(37.52 17 + 47.52 17 + 57.52 20) 54 48.062 ,
X =
54
1
= (128387.50 124727.23) ,
54
3660.27
= ,
54
= 67.78 (puntos)2 ,
X = 8.23 puntos.
1
Y2 (26.52 23 + 302 31) 54 28.512 ,
=
54
1
= (44051.75 43892.29) ,
54
159.46
= ,
54
nos)2 ,
= 2.95 (a
Y = 1.72 a
nos.
3.22
rXY = = 0.227 .
8.23 1.72
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 116
universitarios seg
un su edad y peso.
18-22 6 11
22-25 7 14
25-28 10 16
kilos.
a
nos.
Des.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 117
yi 70 80
xi X 65 75 75 85 T otal
20 18 22 6 11 17
23.5 22 25 7 14 21
26.5 25 28 10 16 26
T otal 23 41 64
(a)
10 7
M o(X|Y < 75) = 25 + 3,
(10 7) + (10 0)
3
= 25 + 3,
3 + 10
= 25 + 0.69 ,
= 25.69 a
nos.
(b) .
yi Y |X > 22
70 65 75 7 + 10 = 17
80 75 85 14 + 16 = 30
T otal 47
70 17 + 80 30 3590
Y |X>22 = = = 76.41 Kgrs.
47 47
(c)
70 23 + 80 41 4890
Y = = = 76.41 Kgrs.
64 64
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 118
yi Y |X < 25
70 65 75 6 + 7 = 13
80 75 85 11 + 14 = 25
T otal 38
70 13 + 80 25 2910
Y |X<25 = = = 76.58 Kgrs.
38 38
alumnos menores de 25 a
nos.
(d)
1
XY = ((20 6 70 + 20 11 80
64
+23.5 7 70 + 23.5 14 80
64 23.79 76.41)
1
= (116305 64 23.79 76.41)
64
33.81
=
64
= 0.528
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 119
2 1
(202 17 + 23.52 21 + 26.52 26) 64 23.792
X =
64
1
= (36655.75 36221.70)
64
434.05
=
64
nos)2
= 6.78 (a
X = 2.60 a
nos.
1
Y2 (702 23 + 802 41) 64 76.412
=
64
1
= (375100 373663.24)
64
1436.76
=
64
= 22.45 (Kgrs.)2
Y = 4.74 kgrs.
0.528
rXY = = 0.056
2.60 4.74
23. La siguiente tabla muestra los puntajes (X) obtenidos por un grupo de
0-30 3 6 10
30-50 8 4 11
50-70 9 7 5
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 120
mayores a 30 puntos?
11 a
nos?
Des.
yi 10 12.5 15
xi X 9 11 11 14 14 16 T otal
15 0 30 3 6 10 19
40 30 50 8 4 11 23
60 50 70 9 7 5 21
T otal 20 17 26 63
(a)
15 19 + 40 23 + 60 21 2465
X = = = 39.13 puntos.
63 63
10 20 + 12.5 17 + 15 26 802.5
Y = = = 12.74 a
nos.
63 63
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 121
(b)
2 1
(152 19 + 402 23 + 602 21) 63 39.132 ,
X =
63
1
= (116675 96462.88) ,
63
20212.12
=
63
= 320.83 (puntos)2 ,
X = 17.91 puntos.
1
Y2 (102 20 + 12.52 17 + 152 26) 63 12.742 ,
=
63
1
= (10506.25 10225.38) ,
63
280.87
= ,
63
nos)2 ,
= 4.46 (a
Y = 2.11 a
nos.
(c)
1
XY = ((15 3 10 + 15 6 12.5 + 15 10 15
63
+40 8 10 + 40 4 12.5 + 40 11 15
63 39.13 12.74) ,
1
= (30775 63 39.13 12.74) ,
63
631.52
= ,
63
= 10.02 .
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 122
10.02
rXY = = 0.265 .
17.91 2.11
(d) .
yi Y |X > 30
10 9 11 8 + 7 = 17
12.5 11 14 4 + 7 = 11
15 14 16 11 + 5 = 16
T otal 44
10 17 + 12.5 11 + 15 16 547.5
Y |X>30 = = = 12.44 a
nos.
44 44
(e) .
xi X|Y > 11
15 0 30 6 + 10 = 16
40 30 50 4 + 11 = 15
60 50 70 7 + 5 = 12
T otal 43
15 16 + 40 15 + 60 12 1560
X|Y >11 = = = 36.28 puntos.
43 43
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 123
X Y
12-14 13 14 15
14-16 12 15 16
grupo de ni
nos.
al computador los ni
nos mayores de 14 a
nos?
frente al computador?
Des.
yi 3 5 7
xi X 2 4 4 6 6 8 T otal
13 12 14 13 14 15 42
15 14 16 12 15 16 43
T otal 25 29 31 85
(a)
13 42 + 15 43 1191
X = = = 14.01 a
nos.
85 85
3 25 + 5 29 + 7 31 437
Y = = = 5.14 horas.
85 85
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 124
(b) .
yi Y |X > 14
3 24 12
5 46 15
7 68 16
T otal 43
16 15
M o(Y |X > 14) = 6 + 2,
(16 15) + (16 0)
1
= 6+ 2,
1 + 16
= 6 + 0.12 ,
= 6.12 horas.
(c) .
xi X|Y < 6
13 12 14 13 + 14 = 27
15 14 16 12 + 15 = 27
T otal 54
13 27 + 15 27 756
X|Y <6 = = = 14 a
nos.
54 54
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 125
(d)
1
XY = ((13 13 3 + 13 14 5 + 13 15 7
85
+15 12 3 + 15 15 5 + 15 16 7)
85 14.01 5.14)
1
= (6127 85 14.01 5.14) ,
85
6.03
= ,
85
= 0.071 (a
nos) (horas).
2 1
(132 42 + 152 43) 85 14.012 ,
X =
85
1
= (16773 16683.81) ,
85
89.19
= ,
85
nos)2 ,
= 1.05 (a
X = 1.02 a
nos.
1
Y2 (32 25 + 52 29 + 72 31) 85 5.142 ,
=
85
1
= (2469 2245.67) ,
85
223.33
= ,
85
= 2.63 (horas)2 ,
Y = 1.62 horas.
0.071
rXY = = 0.043 .
1.02 1.62
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 126
1-5 7 3
5-10 5 4
10-15 10 6
15-25 6 4
(a) Cual es el gasto mensual medio en diarios y revistas de estas
familias?
en diarios y revistas?
(d) Son los gastos en diarios y revistas de las familias con automovil
Des.
xi X CA SA T otal
3 15 7 3 10
7.5 5 10 5 4 9
12.5 10 15 10 6 16
20 15 25 6 5 10
T otal 18 17 45
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 127
(a)
3 10 + 7.5 9 + 12.5 16 + 20 10
X = ,
45
497.5
= = 11.06 miles de pesos.
45
(b)
45 5
12 = 10 + 9 ,
100 16
16 100
= (12 10) + 9 ,
5 45
100
= (6.4 + 9) ,
45
100
= 15.4 ,
45
= 34.22% .
(c)
3 3 + 7.5 4 + 12.5 6 + 20 4
X|Y =SA = ,
17
194
= = 11.41 miles de pesos.
17
(d)
3 7 + 7.5 5 + 12.5 10 + 20 6
X|Y =CA = ,
28
303.5
= = 10.84 miles de pesos.
28
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 128
2 1
(32 7 + 7.52 5 + 12.52 10 + 202 6) 28 10.842 ,
X|Y =CA =
28
1
= (4306.75 3290.16) ,
28
1016.59
= ,
28
= 36.31 (miles de pesos)2 ,
2 1
(32 3 + 7.52 4 + 12.52 6 + 202 4) 17 11.412 ,
X|Y =SA =
17
1
= (2789.50 2213.20) ,
17
576.30
= ,
17
= 33.90 (miles de pesos)2 ,
6.03
CVX|Y =CA = 100% = 55.6% .
10.84
5.82
CVX|Y =SA = 100% = 51.0% .
11.41
deportistas.
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 129
1.4-1.5 14 10
1.5-1.7 20 15
1.7-1.8 12 17
1.5 mt.?
Des.
yi 15 18.5
xi X 13 17 17 20 T otal
T otal 46 42 88
(a) .
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 130
yi Y |X > 15
15 13 17 20 + 12 = 32
18.5 17 20 15 + 17 = 32
T otal 64
32 0
M o(Y |X > 15)1 = 13 + 4100%
(32 0) + (32 32)
= 17 a
nos.
32 32
M o(Y |X > 15)2 = 17 + 3100%
(32 32) + (32 0)
= 17 a
nos.
(b) .
xi X|Y < 17
T otal 46
(c)
15 + 17 32
= = 0.3636100 .
88 88
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 131
a
nos y miden entre 1.5 y 1.8 mt.
(d)
2 1
(1.452 24 + 1.602 35 + 1.752 29) 88 1.612 ,
X =
88
1
= (228.87 228.10) ,
88
0.77
= ,
88
= 0.0087 (mt)2 ,
X = 0.093 mt.
1
Y2 (152 46 + 18.52 42) 88 16.672 ,
=
88
1
= (24724.50 24454.22) ,
88
270.28
= ,
88
nos)2 ,
= 3.07 (a
X = 1.75 a
nos.
27. La tabla siguiente muestra los litros de alcohol (X) utilizados en un pro-
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 132
X Y
1-6 18 7 8
6-12 4 1 6
12-15 7 8 4
(c) De las farmacias que utilizan mas de 6 litros de alcohol, que por-
Des.
yi 47.5 85 145
3.5 16 18 7 8 33
9.0 6 12 4 1 6 11
13.5 12 15 7 8 4 19
T otal 29 16 18 63
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 133
(a)
(b) .
3.5 16 18 + 7 = 25
9.0 6 12 4+1=5
13.5 12 15 7 + 8 = 15
T otal 45
(c) .
yi Y |X > 6
47.5 35 60 4 + 7 = 11
85 60 110 1+8=9
T otal 30
11
= 0.367
30
Carlos Bustos-Lopez
CAPITULO 1. ESTADISTICA DESCRIPTIVA 134
(d)
1
XY = ((3.5 18 47.5 + 3.5 7 85 + 3.5 8 145
63
+9.0 4 47.5 + 9 1 85 + 9 6 145
63 7.48 84.88) ,
1
= (40938.75 63 7.48 84.88) ,
63
939.90
= ,
63
= 14.92 .
2 1
(3.52 33 + 92 11 + 13.52 19) 63 7.482 ,
X =
63
1
= (4758 3524.88) ,
63
1233.12
= ,
63
= 19.57 (litros)2 ,
X = 4.42 litros.
1
Y2 (47.52 29 + 852 16 + 1452 18) 63 84.882 ,
=
63
1
= (559481.25 453890.71) ,
63
105590.54
= ,
63
= 1676.04 (miles de pesos)2 ,
14.92
rXY = = 0.082 .
4.42 40.94
Carlos Bustos-Lopez
Captulo 2
Regresi
on Lineal
es posible ajustar una linea recta a las observaciones, siendo esta ecuacion
y = 0 + 1 x + ,
135
CAPITULO 2. REGRESION
LINEAL 136
equacion:
n n
X X
min 2i = min (yi 0 1 xi ) 2
i=1
i=1
0 1
n
X
2 (yi 0 1 xi )(1) = 0
i=1
n
X
2 (yi 0 1 xi )(xi ) = 0
i=1
n
X n
X n
X
yi 0 1 xi = 0
i=1 i=1 i=1
n
X Xn Xn
x2i = 0
xi yi 0 xi 1
i=1 i=1 i=1
n
X n
X
= yi n0 1 xi = 0 ,
i=1 i=1
n
X n
X
n0 = yi 1 xi ,
i=1 i=1
0 = Y 1 X
.
1
Estimadores de mnimos cuadrados ordinarios.
Carlos Bustos-Lopez
CAPITULO 2. REGRESION
LINEAL 137
n
X n
X
= xi yi (Y 1 X)n
X 1 x2i = 0 ,
i=1 i=1
Xn Xn
Y + 1 nX
xi yi n X 2 1 x2i = 0 ,
i=1 i=1
n
! n
X X
1 2
x2i nX = Y ,
xi yi nX
i=1 i=1
n
X
Y
xi yi n X
i=1
1 = n .
X
x2i 2
nX
i=1
, 1 = SXY ,
0 = Y 1 X
SXX
donde
n
X n
X
SXY = Y =
xi yi nX i Y )
(xi X)(y
i=1 i=1
n
X n
X
SXX = x2i 2 =
nX 2
(xi X)
i=1 i=1
yi = 0 + 1 xi ,
para todo i = 1, . . . , n.
Carlos Bustos-Lopez
CAPITULO 2. REGRESION
LINEAL 138
X Y
19.09 522.10
27.83 1198.30
39.10 1472.00
39.10 1239.70
39.10 1674.40
55.89 2173.50
55.89 1697.40
76.36 1745.70
Carlos Bustos-Lopez
CAPITULO 2. REGRESION
LINEAL 139
en un da.
Des.
X Y XY X2 Y2
(a)
= 352.36 = 44.05
X Y =
11723.10
= 1465.39
8 8
Carlos Bustos-Lopez
CAPITULO 2. REGRESION
LINEAL 140
48054.90
1 = = 21.07 0 = 1465.39 21.07 44.05 = 537.26
2280.38
y = 537.26 + 21.07x
(b)
48054.902
R2 = = 0.5994
2280.38 1689561.43
(c)
y = 537.26 + 21.07 20
= 958.66 mg/cm3 .
(d)
Carlos Bustos-Lopez
CAPITULO 2. REGRESION
LINEAL 141
X Y
105.80 27.60
121.90 32.20
85.10 25.30
75.90 29.90
92.00 23.00
92.00 18.40
96.60 39.10
78.20 27.60
66.70 23.00
138.00 34.50
101.20 20.70
94.30 29.90
110.40 34.50
que debe invertir en publicidad de tal forma que espere tener una
Des.
Carlos Bustos-Lopez
CAPITULO 2. REGRESION
LINEAL 142
X Y XY X2 Y2
(a)
= 1258.10 = 96.78
X Y =
365.70
= 28.13
13 13
638.71
1 = = 0.142 0 = 28.13 0.142 96.78 = 14.39
4483.06
Carlos Bustos-Lopez
CAPITULO 2. REGRESION
LINEAL 143
y = 14.39 + 0.142x
(b)
30 = 14.39 + 0.142x
30 14.39
x =
0.142
= 109.93 UF
(c)
y = 14.39 + 0.142 80
(d)
638.712
R2 = = 0.2087
4483.06 435.97
datos:
Carlos Bustos-Lopez
CAPITULO 2. REGRESION
LINEAL 144
X Y
103.50 161.00
46.00 115.00
92.00 138.00
92.00 115.00
108.10 207.00
69.00 126.50
57.50 126.50
46.00 80.50
34.50 92.00
80.50 149.50
Des.
Carlos Bustos-Lopez
CAPITULO 2. REGRESION
LINEAL 145
X Y XY X2 Y2
(a)
= 729.10 = 72.91
X Y =
1311.00
= 131.10
10 10
6935.19
1 = = 1.13 0 = 131.10 1.13 72.91 = 48.71
6136.93
y = 48.71 + 1.13x
Carlos Bustos-Lopez
CAPITULO 2. REGRESION
LINEAL 146
(b)
(c)
= 161.71 g.
(d)
6935.192
R2 = = 0.6704
6136.93 11690.9
el periodo invernal, para ello han distribuido una serie de folletos ex-
niveles de toxicidad derivados del humo del cigarrillo por lo cual se les
uacion se muestra una tabla con los porcentajes de personas que han
durante el periodo (Y ).
Carlos Bustos-Lopez
CAPITULO 2. REGRESION
LINEAL 147
X(%) Y (%)
23.00 43.70
27.60 41.40
29.90 36.80
32.20 34.50
34.50 34.50
39.10 32.20
46.00 32.20
48.30 29.90
50.60 27.60
46.00 29.90
dran alg
un problema respiratorio, si el 30% de ellas ha dejado de
Des.
Carlos Bustos-Lopez
CAPITULO 2. REGRESION
LINEAL 148
X Y XY X2 Y2
(a)
= 377.20 = 37.72
X Y =
342.70
= 34.27
10 10
421.08
1 = = 0.503 0 = 34.27 (0.503) 37.72 = 53.24
837.94
y = 53.24 0.503x
Carlos Bustos-Lopez
CAPITULO 2. REGRESION
LINEAL 149
(b)
y = 53.24 0.503 30
= 38.15%
(c)
30 = 53.24 0.503x
30 53.24
x =
0.503
23.24
=
0.503
= 46.20%
(d)
(421.08)2
R2 = = 0.8909
837.94 237.52
ciones.
Carlos Bustos-Lopez
CAPITULO 2. REGRESION
LINEAL 150
X(g/Kgr) Y (mg/dL)
8.28 55.20
7.59 48.30
6.44 50.60
5.98 50.60
6.21 41.40
5.98 52.90
6.21 43.70
6.67 29.90
4.60 20.70
5.98 13.80
8.51 57.50
7.82 48.30
(c) Que dosis es necesaria ser administrada a las ratas para que su
8 g/kgr?
Des.
Carlos Bustos-Lopez
CAPITULO 2. REGRESION
LINEAL 151
X Y XY X2 Y2
(a)
= 80.27 = 6.69
X Y =
512.90
= 42.74
12 12
109.96
1 = = 7.74 0 = 42.74 7.74 6.69 = 9.04
14.20
Carlos Bustos-Lopez
CAPITULO 2. REGRESION
LINEAL 152
y = 9.04 + 7.74x
(b)
109.962
R2 = = 0.3953
14.20 2154.30
(c)
50 = 9.04 + 7.74x
50 + 9.04
x =
7.74
= 7.63 g/Kgr.
(d)
y = 9.04 + 7.74 8
= 52.88 mg/dL.
siguientes resultados:
Carlos Bustos-Lopez
CAPITULO 2. REGRESION
LINEAL 153
X Y
2.30 7.89
2.76 8.63
3.22 10.40
3.68 11.80
4.14 13.66
4.60 14.61
5.52 18.38
5.98 18.93
6.44 21.76
6.90 23.81
8.05 26.59
8.28 28.84
8.51 29.69
acondicionado?
Des.
Carlos Bustos-Lopez
CAPITULO 2. REGRESION
LINEAL 154
X Y XY X2 Y2
(a)
= 70.38 = 5.41
X Y =
234.97
= 18.07
13 13
196.27
1 = = 3.52 0 = 18.07 3.52 5.41 = 0.973
55.72
Carlos Bustos-Lopez
CAPITULO 2. REGRESION
LINEAL 155
y = 0.973 + 3.52x
(b)
196.272
R2 = = 0.9939
55.72 695.62
(c)
(d)
30 = 0.973 + 3.52x
30 + 0.973
x =
3.52
= 8.80 grados celsius.
Carlos Bustos-Lopez
Captulo 3
Probabilidades
3.1 Probabilidades
3.1.1 Introducci
on
mos, de una forma u otra, utilizando las probabilidades, por ejemplo, cuando
nos preguntamos en la ma
nana antes de salir de casa, llover
a o no?, lo
156
CAPITULO 3. PROBABILIDADES 157
medida de probabilidad.
3.1.2 Definiciones
Experimento (E)
Definici
on 3.1.1 Un experimento ser
a aquel, que permite recopilar infor-
una cantidad infinita de veces, este nos permitira descubrir la ley que sostiene
sus resultados.
2. El lanzamiento de un dado c
ubico y observar su resultado.
Carlos Bustos-Lopez
CAPITULO 3. PROBABILIDADES 158
Espacio Muestral ()
Definici
on 3.1.2 Es el conjunto de todos los posibles resultados de un ex-
1. = {cara, sello}
2. = {1, 2, 3, 4, 5, 6}
3. = {As, 2, 3, 4, 5, 6, 7, 8, 9, 10, J, Q, K} {, , , }
Suceso o Evento
Definici
on 3.1.3 Es un subconjunto del espacio muestral, el cual lo deno-
usculas. (p.e. A ).
taremos con letras may
dos.
Sucesos:
A= {Sale n
umero impar}.
B= {Sale n
umero par}.
C= {Sale un n
umero menor o igual a 3}.
D= {Sale un n
umero mayor o igual a 4}.
Carlos Bustos-Lopez
CAPITULO 3. PROBABILIDADES 159
3.1.3 Probabilidad
ocurra A, como:
N
umero de elementos de A
IP(A) = ,
N
umero de elementos de
y que corresponde a:
observar su resultado.
A: sale 2.
B: sale n
umero par.
C: el n
umero es menor o igual a 4.
= {1, 2, 3, 4, 5, 6} ,
CT () = 6 ,
Carlos Bustos-Lopez
CAPITULO 3. PROBABILIDADES 160
CF (A) = 1.
CF (B) = 3.
CF (C) = 4.
y c
alculemos las respectivas probabilidades asociadas a estos eventos:
CF (A)
P (A) = CT ()
= 16 .
CF (B) 3
P (B) = CT ()
= 6
= 12 .
CF (C) 4
P (C) = CT ()
= 6
= 23 .
Axiomas
1. 0 IP(A) 1.
3. IP(Ac ) = 1 IP(A).
Definici
on 3.1.5 Sean A y B dos sucesos cualquiera, entonces la probabili-
Carlos Bustos-Lopez
CAPITULO 3. PROBABILIDADES 161
Definici
on 3.1.6 Dos sucesos A y B, se denominan independientes es-
toc
asticamente, si la ocurrencia de uno de ellos no afecta la ocurrencia del
por:
Definici
on 3.1.7 Dos sucesos A y B, se denominan excluyentes, si la
ocurrencia de uno de ellos impide la ocurrencia del otro y vice versa, en-
mazo de 52.
A: Sale trebol.
B: Sale K.
CT () = 52.
13
CF (A) = 13 = IP(A) = 52
= 14 .
4 1
CF (B) = 4 = IP(B) = 52
= 13
.
Carlos Bustos-Lopez
CAPITULO 3. PROBABILIDADES 162
rencia es:
1
CF (A B) = 1 = IP(A B) = ,
52
pero la ocurrencia del evento A no afecta la ocurrencia del evento B,
1 1 1
IP(A B) = IP(A) IP(B) = = .
4 13 52
16
CF (A B) = 4 + 13 1 = IP(A B) = ,
52
13 4 1 16
IP(A B) = IP(A) + IP(B) IP(A B) = + = .
52 52 52 52
A C?
to A, luego:
P (A C) = 0 .
Carlos Bustos-Lopez
CAPITULO 3. PROBABILIDADES 163
Definici
on 3.1.8 (Probabilidad Condicional) Si se tienen dos sucesos
IP(A B)
IP(A|B) = .
IP(B)
IP(A|B)IP(B) = IP(B|A)IP(A) .
n
[
i) Bi = .
i=1
ii) Bi Bj = , i 6= j.
Carlos Bustos-Lopez
CAPITULO 3. PROBABILIDADES 164
Demostraci
on 3.1.1
IP(A) = IP(A ) ,
= IP(A (B1 B2 Bn )) ,
= IP((A B1 ) (A B2 ) (A Bn )) ,
n
!
[
= IP (A Bi ) ,
i=1
= IP(A B1 ) + IP(A B2 ) + + IP(A Bn ) ,
a 8.
B := T impar.
A B = {3, 5, 7} .
Carlos Bustos-Lopez
CAPITULO 3. PROBABILIDADES 165
Dado 1
+ 1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
Dado 2 3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Entonces las probabilidades asociadas a los eventos son:
18
P (B) = 36
= 12 .
12
P (A B) = 36
= 13 .
IP(B|Ai )IP(Ai )
IP(Ai |B) = n , i = 1, 2, . . . , n .
X
IP(B|Aj )IP(Aj )
j=1
Carlos Bustos-Lopez
CAPITULO 3. PROBABILIDADES 166
IP(B|A2 )IP(A2 )
IP(A2 |B) = 3
,
X
IP(B|Ai )IP(Ai )
i=1
0, 02 0, 3
= ,
0, 01 0, 2 + 0, 02 0, 3 + 0, 03 0, 5
0, 006
= ,
0, 023
0, 26 .
Carlos Bustos-Lopez
Captulo 4
Variables Aleatorias
es decir1 :
167
CAPITULO 4. VARIABLES ALEATORIAS 168
o infinito numerable.
Definici
on 4.1.1 Llamaremos funci
on de distribuci
on de probabili-
pX (x) = IP(X = x) , x B .
La cual cumple:
0 pX (x) 1 , x B .
X X
pX (x) = IP(X = x) = 1 .
xB xB
Definici
on 4.1.2 Llamaremos funci
on de distribuci
on acumulada (f.d.a.)
lim FX (x) = 0 .
x
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 169
lim FX (x) = 1 .
x+
X. La cual cumple:
fX (x) 0 , x B .
Z
fX (x)dx = 1 .
Definici
on 4.2.1 Llamaremos Valor Esperado o Esperanza Matem
atica
de la v.a. X a:
X
xIP(X = x) , si X es v.a.d.
xB
IE(X) =
Z
xfX (x)dx , si X es v.a.c.
xB
IE(aX b) = aIE(X) b .
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 170
Demostraci
on 4.2.1
X
IE(aX b) = (ax b)IP(X = x) ,
xB
X
= (axIP(X = x) bIP(X = x)) ,
xB
X X
= a xIP(X = x) b IP(X = x) ,
xB xB
= aIE(X) b .
Demostraci
on 4.2.2
Z
IE(aX b) = (ax b)fX (x)dx ,
xB
Z
= (axfX (x)dx bfX (x)dx) ,
xB
Z Z
= a xfX (x)dx b fX (x)dx ,
xB xB
= aIE(X) b .
Definici
on 4.2.2 Llamaremos Momento de Orden k de la v.a. X a:
X
xk IP(X = x) , si X es v.a.d.
xB
k
IE(X ) =
Z
xk fX (x)dx , si X es v.a.c.
xB
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 171
es posible que todos los momentos de orden k existan, sin necesidad que la
Teorema 4.2.1 Si IE(|X|k ) < para un entero positivo k, entonces IE(|X|j ) <
Definici
on 4.2.3 Llamaremos Varianza de la v.a. X a:
Var(aX b) = a2 Var(X) .
Demostraci
on 4.2.3
= IE (aX aIE(X))2 ,
= IE a2 (X IE(X))2 ,
= a2 IE (X IE(X))2 ,
= a2 Var(X) .
do la siguiente igualdad:
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 172
Demostraci
on 4.2.4
Definici
on 4.2.4 Llamaremos Funci
on Generadora de Momentos (f.g.m.)
(t) = IE(etX ) .
0 (0) = IE [X] .
Demostraci
on 4.2.5
0 d tX
(0) = IE(e ) ,
dt t=0
d tX
= IE e ,
dt
t=0
= IE XetX t=0 ,
= IE [X] .
(n) (0) = IE [X n ] .
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 173
Demostraci
on 4.2.6
dn
(n) tX
(0) = I
E(e ) ,
dtn
t=0
n
d tX
= IE e ,
dtn
t=0
= IE X n etX t=0 ,
= IE [X n ] .
Demostraci
on 4.2.7
Demostraci
on 4.2.8 Sean 1 (t) y 2 (t) dos f.g.m., distintas asociadas a la
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 174
ciencias biologicas, etc., de tal forma que se pueda tener un mejor entendimien-
on Bernoulli2
1. Distribuci
Definici
on 4.3.1 Se dice que la v.a.d. X tiene o sigue una distribu-
2
Anotaremos, X Ber(p).
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 175
Donde,
IE(X) = p ,
Var(X) = p(1 p) ,
(t) = (1 p) + et p .
Demostraci
on 4.3.1
1
X
IE(X) = xpx (1 p)1x = 0 p0 (1 p)10 + 1 p1 (1 p)11 = p .
x=0
1
X
IE(X 2 ) = x2 px (1 p)1x = 02 p0 (1 p)10 + 12 p1 (1 p)11 ,
x=0
= p.
Var(X) = p p2 = p(1 p) .
1
X
(t) = etx px (1 p)1x = et0 p0 (1 p)10 + et1 p1 (1 p)11 ,
x=0
= (1 p) + et p .
on Binomial3
2. Distribuci
Definici
on 4.3.2 Se dice que la v.a.d. X tiene o sigue una distribu-
es:
n
px (1 p)nx
, si x = 0, 1, . . . , n .
pX (x) = x
0 , e.o.c.
3
Anotaremos, X Bin(n, p).
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 176
Donde,
IE(X) = np ,
Var(X) = = np(1 p) ,
Demostraci
on 4.3.2
n
X n n
x nx
X n!
IE(X) = x p (1 p) = x px (1 p)nx ,
x=0 x x=0
(n x)!x!
n
X n!
= px (1 p)nx ,
x=1
(n x)!(x 1)!
n1
X n(n 1)!
= px+1 (1 p)n(x+1) ,
x=0
(n (x + 1))!((x + 1) 1)!
n1
X (n 1)!
= np px (1 p)n1x ,
x=0
(n 1 x)!x!
= np .
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 177
n
X n
IE(X 2 ) = x2 px (1 p)nx ,
x=0 x
n
X n!
= x2 px (1 p)nx ,
x=0
(n x)!x!
n
X n!
= x px (1 p)nx ,
x=1
(n x)!(x 1)!
n1
X n(n 1)!
= (x + 1) px+1 (1 p)n(x+1) ,
x=0
(n (x + 1))!((x + 1) 1)!
n1
X (n 1)!
= np (x + 1) px (1 p)n1x ,
x=0
(n 1 x)!x!
n1
X n1 x n1x
= np (x + 1) p (1 p) ,
x=0 x
n1
X n 1 x n1x
= np x p (1 p) +
x=0 x
n1
X n 1
x n1x
+ p (1 p) ,
x=0 x
= np [(n 1)p + 1] ,
= n2 p2 np2 + np .
n n
X n X n t x
(t) = etx px (1 p)nx = (e p) (1 p)
nx
,
x=0 x x=0 x
= (pet + (1 p))n .
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 178
on Uniforme Discreta4
3. Distribuci
Definici
on 4.3.3 Se dice que la v.a.d. X tiene o sigue una distribu-
es:
1
, si x = 1, . . . , N .
N
pX (x) =
0
, e.o.c.
Donde,
(N + 1)
IE(X) = ,
2
(N + 1)(N 1)
Var(X) = ,
12
N
1 X tx
(t) = e .
N x=1
Demostraci
on 4.3.3
N N
X1 1 X 1 N (N + 1) (N + 1)
IE(X) = x = x= = .
x=1
N N x=1 N 2 2
N N
2
X 1 1 X 2
2 1 N (N + 1)(2N + 1)
IE(X ) = x = x = ,
x=1
N N x=1 N 6
(N + 1)(2N + 1)
= .
6
4
Anotaremos, X U D(N ).
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 179
2
(N + 1)(2N + 1) N +1
Var(X) = ,
6 2
2N 2 + 3N + 1 N 2 + 2N + 1
= ,
6 4
4(2N 2 + 3N + 1) 6(N 2 + 2N + 1)
= ,
24
8N 2 + 12N + 4 6N 2 12N 6
= ,
24
2N 2 2 N2 1
= = ,
24 12
(N + 1)(N 1)
= .
12
N N
X 1 tx1 X tx
(t) = e = e .
x=1
N N x=1
4. Distribuci etrica5
on Geom
Definici
on 4.3.4 Se dice que la v.a.d. X tiene o sigue una distribu-
Donde,
1
IE(X) = ,
p
1p
Var(X) = ,
p2
pet
(t) = , si t < ln(1 p) .
1 et (1 p)
5
Anotaremos, X Geo(p).
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 180
Demostraci
on 4.3.4
X
x1 p X
IE(X) = xp(1 p) = x(1 p)x ,
x=1
(1 p) x=1
p
1 (1 p)1 + 2 (1 p)2 + 3 (1 p)3 + ,
=
(1 p)
p
(1 p) 1 + 2 (1 p) + 3 (1 p)2 + ,
=
(1 p)
= p 1 + (1 p) + (1 p) + (1 p)2 + (1 p)2 + (1 p)2 + ,
!
X X X
= p (1 p)i + (1 p) (1 p)i + (1 p)2 (1 p)i + ,
i=0 i=0 i=0
!
X X 1 1
= p (1 p)i (1 p)i =p ,
i=0 i=0
1 (1 p) 1 (1 p)
1
= .
p
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 181
2
X
2 x1 p X
IE(X ) = x p(1 p) = x2 (1 p)x ,
x=1
(1 p) x=1
p
1 1(1 p) + 2 2 (1 p)2 + 3 3(1 p)3 + ,
=
(1 p)
p
1 (1 p) + 2 (1 p)2 + (1 p)2 +
=
(1 p)
+3 (1 p)3 + (1 p)3 + (1 p)3 + ,
p X
i
X
= i(1 p) + (1 p) (i + 1)(1 p)i +
(1 p) i=1 i=1
!
X X
+(1 p)2 (i + 2)(1 p)i + (1 p)3 (i + 3)(1 p)i + ,
i=1 i=1
!
p X X X
= i(1 p)i + (1 p) i(1 p)i + (1 p)i +
(1 p) i=1 i=1
! !i=1
X X
+(1 p)2 i(1 p)i + 2 (1 p)i + ,
i=1 i=1
p (1 p) (1 p) (1 p)
= + (1 p) + +
(1 p) p2 p2 p
2 (1 p) 2(1 p)
+(1 p) + + ,
p2 p
p (1 p) 2 1 1
= + (1 p) + +
(1 p) p2 p2 p
3 1 2 4 1 3
+(1 p) + + (1 p) + + ,
p2 p p2 p
!
p 1 X 1 X
= 2
(1 p)i + i(1 p)i+1 ,
(1 p) p i=1 p i=1
p 1 (1 p) (1 p) (1 p)
= + ,
(1 p) p2 p p p2
p (1 p)
= (1 + (1 p)) ,
(1 p) p3
2p
= .
p2
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 182
2
2p 1 2p1 1p
Var(X) = = = .
p2 p p 2 p2
X p X
(t) = etx p(1 p)x1 = etx (1 p)x ,
x=1
(1 p) x=1
p X x p et (1 p)
= et (1 p) = ,
(1 p) x=1 (1 p) 1 et (1 p)
pet
= , si t < ln(1 p) .
1 et (1 p)
5. Distribuci etrica6
on Hipergeom
Definici
on 4.3.5 Se dice que la v.a.d. X tiene o sigue una distribu-
ametros N , M , n, con N, M, n
cion o modelo Hipergeometrico de par
0, si su f.d.p., es:
M N M
x nx
, si x = 0, 1, . . . , n, M (N n) x M .
pX (x) = N
n
0 , e.o.c.
Donde,
M
IE(X) = n ,
N
M N M M
Var(X) = n 1 .
N N 1 N
6
Anotaremos, X Hiper(N, M, n).
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 183
Demostraci
on 4.3.5
M N M
M! (N M )!
n
X x nx n
X (nx)!x! (N M (nx))!(nx)!
IE(X) = x = x N!
,
x=0 N x=0 (N n)!n!
n
n
X M! (N M )! (N n)!n!
= ,
x=1
(n x)!(x 1)! (N M (n x))!(n x)! N!
n1
X M! (N M )! (N n)!n!
= ,
x=o
(n (x + 1))!((x + 1) 1)! (N M (n (x + 1)))!(n (x + 1))! N!
n1
X M (M 1)! (N 1 (M 1))! (N 1 (n 1))!n(n 1)!
= ,
x=o
(n 1 x)!x! (N M (n 1 x))!(n 1 x)! N (N 1)!
M 1 N 1 (M 1)
n
n1
X x n 1 x
= M ,
N x=0
N 1
n1
M
= n .
N
nM (N M )(N n) M M N n
Var(X) = =n 1 .
N N (N 1) N N N 1
on Binomial Negativa7
6. Distribuci
Definici
on 4.3.6 Se dice que la v.a.d. X tiene o sigue una distribu-
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 184
su f.d.p., es:
r+x1 r
p (1 p)x
, si x = 0, 1, . . .
pX (x) = x
0 , e.o.c.
Donde,
r(1 p)
IE(X) = ,
p
r(1 p)
Var(X) = ,
p2
r
p
(t) = , si t < log(1 p) .
1 et (1 p)
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 185
Demostraci
on 4.3.6
n
X r+x1 r x
IE(X) = x p (1 p) ,
x=0 x
n
X (r + x 1)!
= x pr (1 p)x ,
x=0
(r + x 1 x)!x!
n
X (r + x 1)!
= pr (1 p)x ,
x=1
(r + x 1 x)!(x 1)!
n
X (r + (x + 1) 1)! r
= p (1 p)x+1 ,
x=0
(r 1)!((x + 1) 1)!
n
X (r + x)! r
= (1 p) p (1 p)x ,
x=0
(r 1)!x!
n
X (r + x)(r + x 1)!
= (1 p) pr (1 p)x ,
x=0
(r 1)!x!
n
X r+x1 r x
= (1 p) (r + x) p (1 p) ,
x=0 x
n
X r + x 1 r x
= (1 p) r p (1 p) +
x=0 x
n
X r+x1
r x
+ x p (1 p) ,
x=0 x
= (1 p) [r + IE(X)] ,
= (1 p)r + (1 p)IE(X) ,
pIE(X) = (1 p)r ,
r(1 p)
IE(X) = .
p
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 186
n
X r+x1 r
IE(X 2 ) = x2 x
p (1 p) ,
x=0 x
n
X (r + x 1)!
= x2 pr (1 p)x ,
x=0
(r + x 1 x)!x!
n
X (r + x 1)!
= x pr (1 p)x ,
x=1
(r + x 1 x)!(x 1)!
n
X (r + (x + 1) 1)! r
= (x + 1) p (1 p)x+1 ,
x=0
(r 1)!((x + 1) 1)!
n
X (r + x)! r
= (1 p) (x + 1) p (1 p)x ,
x=0
(r 1)!x!
n
X (x + 1)(r + x)(r + x 1)!
= (1 p) pr (1 p)x ,
x=0
(r 1)!x!
n
X r+x1 r
= (1 p) (xr + x2 + r + x) p (1 p) ,
x
x=0 x
n
X r+x1 r
= (1 p) (r + (1 + r)x + x2 ) x
p (1 p) ,
x=0 x
(1 p) r + (1 + r)IE(X) + IE(X 2 ) ,
=
r(1 p) 2
= (1 p) r + (1 + r) + IE(X ) ,
p
r(1 p)2
= (1 p)r + (1 + r) + (1 p)IE(X 2 ) ,
p
r(1 p)2
IE(X 2 ) = (1 p)r + (1 + r) + (1 p)IE(X 2 ) ,
p
(1 p)rp + (1 + r)r(1 p)2
pIE(X 2 ) = ,
p
(1 p)r(1 + r rp)
IE(X 2 ) = .
p2
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 187
2
(1 p)r(1 + r rp) r(1 p)
Var(X) = ,
p2 p
(1 p)r(1 + r rp) r2 (1 p)2
= ,
p2 p2
(1 p)r
= (1 + r rp r(1 p)) ,
p2
r(1 p)
= .
p2
X r+x1 r
(t) = etx x
p (1 p) ,
i=0 x
X r + x 1 x (1 et (1 p))r
= pr t
e (1 p) t (1 p))r
,
(1 e
i=0 x
1
= pr ,
(1 e (1 p))r
t
r
p
= , si t < log(1 p) .
1 et (1 p)
on Poisson8
7. Distribuci
Definici
on 4.3.7 Se dice que la v.a.d. X tiene o sigue una distribu-
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 188
Donde,
IE(X) = ,
Var(X) = ,
t
(t) = e(e 1) .
Demostraci
on 4.3.7
X x e X x e X x+1 e X x e
IE(X) = x = = = ,
x=0
x! x=1
(x 1)! x=0
x! x=0
x!
= ,
x
2
X
2 e
X x e X x+1 e
IE(X ) = x = x = (x + 1) ,
x=0
x! x=1
(x 1)! x=0 x!
!
X x e X x e
= x + = ( + 1) = 2 + .
x=0
x! x=0
x!
Var(X) = 2 + 2 = .
t
X
tx
x
e X
t x
e ee e X et
t x e
(t) = e = e = et e ,
x=0
x! x=0
x! eet e x=0
x!
+et (et 1)
= e =e .
on Beta9
8. Distribuci
Definici
on 4.3.8 Se dice que la v.a.c. X tiene o sigue una distribu-
9
Anotaremos, X B(, ).
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 189
Donde,
IE(X) = ,
+
Var(X) = ,
( + + 1)( + )2
i1
!
X Y +j ti
(t) = 1 .
i=1 j=0
+ + j i!
Demostraci
on 4.3.8
Z 1
1
IE(X) = x x1 (1 x)1 dx ,
0 B(, )
Z 1
1 B( + 1, )
= x+11 (1 x)1 dx ,
B(, ) 0 B( + 1, )
B( + 1, ) 1
Z
1
= x+11 (1 x)1 dx ,
B(, ) 0 B( + 1, )
(+1)()
B( + 1, ) (++1)
= = ()()
,
B(, )
(+)
= .
+
Z 1
2 1
IE(X ) = x2 x1 (1 x)1 dx ,
0 B(, )
Z 1
1 B( + 2, )
= x+21 (1 x)1 dx ,
B(, ) 0 B( + 2, )
B( + 2, ) 1
Z
1
= x+21 (1 x)1 dx ,
B(, ) 0 B( + 2, )
(+2)()
B( + 2, ) (++2) ( + 1)!( + 1)!
= = ()()
= ,
B(, ) ( 1)!( + + 1)!
(+)
( + 1)
= .
( + + 1)( + )
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 190
2
( + 1)
Var(X) = ,
( + + 1)( + ) +
( + 1) 2
= ,
( + + 1)( + ) ( + )2
(2 + )( + ) 2 ( + + 1)
= ,
( + + 1)( + )2
3 + 2 + 2 + 3 2 2
= ,
( + + 1)( + )2
= .
( + + 1)( + )2
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 191
Z 1
1
(t) = etx x1 (1 x)1 dx ,
0 B(, )
1X
(tx)i
Z
1
= x1 (1 x)1 dx ,
0 i=0
i! B(, )
Z 1X i i
tx 1
= x1 (1 x)1 dx ,
0
i=0
i! B(, )
X iZ 1 t xi
= x1 (1 x)1 dx ,
i=0 0 i!
B(, )
X ti Z 1 xi
= 1+ x1 (1 x)1 dx ,
i=1
i! 0 B(, )
i Z 1
1 X t B( + i, )
= 1+ x+i1 (1 x)1 dx ,
B(, ) i=1 i! 0 B( + i, )
i Z 1
1 X t 1
= 1+ B( + i, ) x+i1 (1 x)1 dx ,
B(, ) i=1 i! 0 B( + i, )
i
X t B( + i, )
= 1+ ,
i=1
i! B(, )
i (+i)()
X t (+i+)
= 1+ ()()
,
i=1
i!
(+)
i
X t ( + i)( + )
= 1+ ,
i=1
i! ()( + i + )
i
X t ( + i 1)!( + 1)!
= 1+ ,
i=1
i! ( 1)!( + i + 1)!
i1
!
X Y +j ti
= 1+ .
i=1 j=0
+ + j i!
on Cauchy10
9. Distribuci
Definici
on 4.3.9 Se dice que la v.a.c. X tiene o sigue una distribu-
10
Anotaremos, X C(, ).
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 192
es:
1 1
2 , si < x <
1+( x
)
pX (x) =
0 , e.o.c.
Donde,
IE(X) = no existe ,
Var(X) = no existe ,
(t) = no existe .
on Chi-cuadrado11
10. Distribuci
Definici
on 4.3.10 Se dice que la v.a.c. X tiene o sigue una distribu-
es:
x
1
x 2 1 e 2 , si 0 < x <
( )
22
pX (x) = 2
0 , e.o.c.
Donde,
IE(X) = ,
Var(X) = 2 ,
2
1 1
(t) = , t< .
1 2t 2
11
Anotaremos, X 2 .
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 193
Demostraci
on 4.3.9
Z
1 x
IE(X) = x x 2 1 e 2 dx ,
2 2 2
0
Z
1
+11 x2 2
+ 1 2 2 +1
=
x 2 e
dx ,
2
22 0 2
+ 1 2 2 +1
Z
+ 1 2 2 +1 +11 x
2 1
=
x2 e 2
dx ,
2 22 0 2 + 1 2 2 +1
2 + 1 2 2 +1
+ 1 1 !
=
= 2 2= 2,
2 22 2
1 ! 2
= .
Z
1 x
2
IE(X ) = x2
x 2 1 e 2 dx ,
0 2
2 2
+ 2 2 2 +2
Z
1
+21 x2 2
=
x 2 e
dx ,
2
22 0 2
+ 2 2 2 +2
Z
+ 2 2 2 +2 +21 x
2 1
=
x2 e 2
dx ,
2 22 0 2 + 2 2 2 +2
2 + 2 2 2 +2
+ 1 ! 2
= = 2
2 = + 1 22 ,
2 2 2
2
1 ! 2 2
+2 2
= 2 = ( + 2) .
2 2
Var(X) = ( + 2) 2 = 2 + 2 2 = 2 .
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 194
Z
1 x
(t) = etx
x 2 1 e 2 dx ,
0 22
2
Z
1 x
=
x 2 1 e 2 +tx dx ,
0 2 22
Z
1 1
x 2 1 ex( 2 t) dx ,
=
0 2 22
(1 2t) 2
Z
1
1 x2 (12t)
=
x
2 e dx ,
0 2
22 (1 2t) 2
Z
1 1 x
=
x 2 1 e 2 (12t) (1 2t) 2 dx ,
(1 2t) 0 2 2
2 2
2
1 1
= , t < .
1 2t 2
on Doble Exponencial12
11. Distribuci
Definici
on 4.3.11 Se dice que la v.a.c. X tiene o sigue una distribu-
ametros IR y > 0, si su
cion o modelo Doble Exponencial de par
f.d.p., es:
1 |x|
e , si < x <
2
pX (x) =
0 , e.o.c.
Donde,
IE(X) = ,
IE(X 2 ) = 2 2 + 2 ,
Var(X) = 2 2 ,
et 1
(t) = , |t| < .
1 (t)2
12
Anotaremos, X DE(, ).
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 195
Demostraci
on 4.3.10
IE(X) = .
IE(X 2 ) = 2 2 + 2 .
Var(X) = 2 2 .
et 1
(t) = , |t| < .
1 (t)2
on Exponencial13
12. Distribuci
Definici
on 4.3.12 Se dice que la v.a.c. X tiene o sigue una distribu-
Donde,
1
IE(X) = ,
IE(X 2 ) = ,
1
Var(X) = ,
2
(t) = , t<.
t
13
Anotaremos, X Exp().
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 196
Demostraci
on 4.3.11
Z Z
x
IE(X) = x e x ex dx ,
=
0 0
Z
x x 1 x
= e e dx ,
0 0
Z
x 1 x
= e dx = e ,
0 0
1
= .
Z Z
x
2
IE(X ) = x e 2
= x ex dx ,
0
2 0Z
x x 2x x
= e e dx ,
0 0
2
Z
2 1
= xex dx = ,
0
2
= .
2
2
2 1 21 1
Var(X) = = = .
2 2 2
( t)
Z Z
x
(t) = e e tx
= ex(t) dx ,
0 0 ( t)
Z
= ( t) ex(t) dx ,
t 0
= , t < .
t
on F de Fisher14
13. Distribuci
14
Anotaremos, X F1 ,2 .
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 197
Definici
on 4.3.13 Se dice que la v.a.c. X tiene o sigue una distribu-
es:
(
1 +2 21 1 2
) 1 x 2
2
, si 0 < x <
1 2 1 +2
( ) ( )
2
2 2 2
pX (x) = 1+ 1 x
2
0 , e.o.c.
Donde,
2
IE(X) = , 2 > 2 ,
2 2
2
2 (1 + 2 2)
Var(X) = 2 , 2 > 4 ,
2 2 1 (2 4)
(t) = no existe.
Demostraci
on 4.3.12
2
IE(X) = , 2 > 2 .
2 2
IE(X 2 ) = .
2
2 (1 + 2 2)
Var(X) = 2 , 2 > 4 .
2 2 1 (2 4)
(t) = no existe.
on Gamma15
14. Distribuci
15
Anotaremos, X Gamma(, ).
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 198
Definici
on 4.3.14 Se dice que la v.a.c. X tiene o sigue una distribu-
es:
1
x1 ex , si 0 < x <
()
pX (x) =
0 , e.o.c.
Donde,
IE(X) = ,
Var(X) = ,
2
(t) = .
Demostraci
on 4.3.13
Z
1 1 x
IE(X) = x x e dx ,
0 ()
Z
+1 ( + 1)
= x+11 ex +1 dx ,
() 0 ( + 1)
( + 1) +1
Z
= x+11 ex dx ,
() +1 0 ( + 1)
!
= ,
( 1)! +1
= .
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 199
Z
2 1 1 x
IE(X ) = x2 x e dx ,
0 ()
Z
+2 ( + 2)
= x+21 ex +2 dx ,
() 0 ( + 2)
( + 2) +2
Z
= x+21 ex dx ,
() +2 0 ( + 2)
( + 1)!
= ,
( 1)! +2
( + 1)
= .
2
2
( + 1) 2 + 2 2 + 2
Var(X) = = = = 2.
2 2 2 2
Z
1 1 x
(t) = etx x e dx ,
()
Z0
1 1 x+tx
= x e dx ,
0 ()
Z
1 1 x(t) ( t)
= x e dx ,
0 () ( t)
Z
( t) 1 x(t)
= x e dx ,
( t) 0 ()
= ,
( t)
= , t < .
t
on Logstico16
15. Distribuci
Definici
on 4.3.15 Se dice que la v.a.c. X tiene o sigue una distribu-
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 200
es: x
1 e
x
2 , si < x <
1+e
pX (x) =
0 , e.o.c.
Donde,
IE(X) = .
IE(X 2 ) = .
2 2
Var(X) = .
3
1
(t) = et (1 t)(1 + t) , |t| < .
on Lognormal17
16. Distribuci
Definici
on 4.3.16 Se dice que la v.a.c. X tiene o sigue una distribu-
es: logx
2 2
1 e , si < x <
2 x
pX (x) =
0 , e.o.c.
Donde,
2
IE(X) = e+ 2 .
17
Anotaremos, X LN (, ).
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 201
IE(X 2 ) = .
2 2
Var(X) = e2(+ ) e2+ .
(t) = no existe .
17. Distribuci
on Pareto
Definici
on 4.3.17 Se dice que la v.a.c. X tiene o sigue una distribu-
es:
, si < x <
x+1
pX (x) =
0 , e.o.c.
Donde,
IE(X) = , >1,
1
2
Var(X) = , >2,
( 1)2 ( 2)
(t) = no existe .
Demostraci
on 4.3.14
Z +1
Z
1 x
IE(X) = x +1 dx = dx = ,
x x + 1
+1
x = +1 ,
=
1 1
= , >1.
1
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 202
Z
Z
2 2 1
IE(X ) = x +1 dx = dx ,
x x1
+2
x = +2 ,
=
2 2
2
= , >2.
2
2
2 2 ( 1)2 2 2 ( 2)
Var(X) = = ,
2 1 ( 1)2 ( 2)
2 ( 2 2 + 1) 3 2 + 2 2 2
= ,
( 1)2 ( 2)
3 2 2 2 2 + 2 3 2 + 2 2 2
= ,
( 1)2 ( 2)
2
= , >2.
( 1)2 ( 2)
(t) = no existe .
on t de Student18
18. Distribuci
Definici
on 4.3.18 Se dice que la v.a.c. X tiene o sigue una distribu-
Donde,
IE(X) = 0 , >1.
18
Anotaremos, X t .
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 203
IE(X 2 ) = .
Var(X) = , >2.
2
(t) = no existe .
on Uniforme19
19. Distribuci
Definici
on 4.3.19 Se dice que la v.a.c. X tiene o sigue una distribu-
f.d.p., es:
1
, si x
pX (x) =
0
, e.o.c.
Donde,
+
IE(X) = ,
2
( )2
Var(X) = ,
12
et et
(t) = .
( )t
Demostraci
on 4.3.15
x2 2 2
Z
1 1
IE(X) = x dx = = ,
2 2( )
( )( + ) +
= = .
2( ) 2
19
Anotaremos, X U (, ).
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 204
x3
Z
2 1 2 1
IE(X ) = x dx = ,
3
3 3 ( )( 2 + + 2 )
= = ,
3( ) 3( )
2 + + 2
= .
3
2
2 + + 2 2 + + 2 2 + 2 + 2
+
Var(X) = = ,
3 2 3 4
4 2 + 4 + 42 32 6 3 2 2 2 + 2
= = ,
12 12
( )2
= .
12
etx et et
Z
tx 1 1
(t) = e dx = = .
t ( )t
on Weibull20
20. Distribuci
Definici
on 4.3.20 Se dice que la v.a.c. X tiene o sigue una distribu-
es:
1 x
x e , si 0 < x <
pX (x) =
0 , e.o.c.
Donde,
1 1
IE(X) = 1 + .
IE(X 2 ) = .
20
Anotaremos, X W (, ).
Carlos Bustos-Lopez
CAPITULO 4. VARIABLES ALEATORIAS 205
2 2 2 1
Var(X) = 1+ 1+ .
(t) = no existe .
Carlos Bustos-Lopez
Captulo 5
Inferencia Estadstica
5.1 Estimaci
on
una o dos variables poblacionales, pero en general, tabajamos con una mues-
la Estadistica Inferencial.
Definici
on 5.1.1 La Estadstica Inferencial, permite concluir, inferir y
muestra de ella.
Definici
on 5.1.2 Muestra Aleatoria (m.a.): Consiste en un conjunto
206
CAPITULO 5. INFERENCIA ESTADISTICA 207
poblacion. Es decir:
Definici
on 5.1.4 Estadstico o estadgrafo (T (X
)): Es cualquier fun-
ci
on de las variables aleatorias que forman la muestra aleatoria y que no
p.e.
n
1X
1. T1 = Xi
n i=1
n
1X 2
2. T2 = X
n i=1 i
n
1X 2
3. T3 = (Xi X)
n i=1
Definici
on 5.1.5 Espacio Param
etrico (): El espacio parametrico es
cional.
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 208
5.2 Estimaci
on Puntual
Definici
on 5.2.1 Par
ametro: Un par
ametro es una caracterstica de in-
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 209
4. Metodos Bayesianos.
5. Metodos Robustos.
6. Metodos Computacionales.
5.2.1 M
etodo de M
axima Verosimilitud
Definici
on 5.2.2 La Funci
on de Verosimilitud, corresponde a la fun-
ci
on de probabilidad conjunta de la muestra X
= (X1 , . . . , Xn ) y est
a dada
por:
n
Y
L(|
x) = fXi (xi |) .
i=1
ci
on de probabilidad dada por:
x e
fX (x|) = .
x!
como:
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 210
n n
!
en
Pn
X Y
l() = ln i=1 Xi Qn = Xi ln() n ln Xi ! ,
i=1 Xi ! i=1 i=1
n
X n
X
= Xi ln() n ln Xi ! ,
i=1 i=1
n
l 1X
= Xi n = 0
i=1
n
M V 1X
= Xi .
i=1
=X
Luego, es el estimador m
aximo verosimail de .
2 31
fX (x|) = x 1 , si 0 x 1 .
1
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 211
n
2 X n n
2
ln Xi = ,
(1 ) i=1 1
n
2 X n(1 ) + n
ln Xi = ,
(1 )2 i=1 (1 )
n
2 X n
2
ln Xi = ,
(1 ) i=1 (1 )
n
2 X n
ln Xi = ,
(1 ) i=1
n
M V = Pn .
n2 i=1 ln Xi
Ejercicos Resueltos
vacion de la leche en envases tetra pack. Para ello a tomado una caja
B, B, D, B, B, B, D, B, D, B ,
Des.
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 212
extraer de:
n
Y Pn Pn
L(p|X1 , . . . , Xn ) = pXi (1 p)1Xi = p i=1 Xi
(1 p)n i=1 Xi
,
i=1
n
X n
X
l(p|X1 , . . . , Xn ) = Xi ln(p) + (n Xi ) ln(1 p) ,
i=1 i=1
Pn
n ni=1 Xi
P
l i=1 Xi
= + (1) = 0 ,
p p (1 p)
n
X n
X
0 = (1 p) Xi p(n Xi ) ,
i=1 i=1
n
1X
p = Xi .
n i=1
n Pn
Y Xi e i=1 Xi n
e
L(|X1 , . . . , Xn ) = = Qn
i=1
Xi ! i=1 Xi !
n n
!
X Y
l(|X1 , . . . , Xn ) = Xi ln() n ln Xi ! ,
i=1 i=1
n
l 1X
= Xi n = 0 ,
i=1
n
= 1
X
Xi .
n i=1
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 213
n n
Y Xi Xi2 1 Y 1 Pn 2
2
L( |X1 , . . . , Xn ) = e 2 2 = 2n Xi e 22 i=1 Xi
i=1
2 i=1
n n
X 1 X 2
l( 2 |X1 , . . . , Xn ) = ln Xi n ln 2 X ,
i=1
2 2 i=1 i
Pn
l n i=1 Xi2 (1)
2
= 2 =0,
2 ( 2 )2
Pn
Xi2
2 = i=1
.
2n
n
Y Pn
L(|X1 , . . . , Xn ) = eXi = n e i=1 Xi
,
i=1
n
X
l(|X1 , . . . , Xn ) = n ln Xi ,
i=1
n
l n X
= Xi = 0 ,
i=1
= Pnn
.
i=1 Xi
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 214
n n
!1
Y 1 Xi n Y Pn
L(|, X1 , . . . , Xn ) = Xi e = Xi e i=1 Xi
i=1
() ()n i=1
n
X n
X
l(|, X1 , . . . , Xn ) = n ln n ln () + ( + 1) ln Xi Xi ,
i=1 i=1
n
l n X
= Xi = 0 ,
i=1
n
= Pn .
i=1 Xi
n n
!1
Y 1 ( Xi ) n Y Pn
( Xi ) ,
L(|, X1 , . . . , Xn ) = X e = Xi e i=1
i=1
i n i=1
n n
X X X i
l(|, X1 , . . . , Xn ) = n ln n ln + ( 1) ln Xi
,
i=1 i=1
n
l n X ()
= Xi +1 = 0 ,
i=1
n
X n
Xi = ,
i=1
+1
Pn
Xi
= i=1
,
n
Pn 1/
Xi
= i=1
.
n
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 215
n
Y 1 1 2
2
L(, |X1 , . . . , Xn ) = e 22 (Xi ) ,
i=1 2 2
n/2
1 1 12
Pn 2
i=1 (Xi ) ,
= 2 n/2
e 2
2 ( )
n
2 n n 2 1 X
l(, |X1 , . . . , Xn ) = ln 2 ln 2 (Xi )2 ,
2 2 2 i=1
n
l 1 X
= 22 (Xi )(1) = 0 ,
2 i=1
n
l n 1X (1)
2
= 2
(Xi )2 2 2 = 0 ,
2 2 i=1 ( )
Pn n
i=1 (Xi ) 1X
= 0
= Xi ,
2 n i=1
Pn n
i=1 (Xi )2 n 2 = 1
X
= )2 .
(Xi
2( 2 )2 2 2 n i=1
n
Y n
Y
L(|X1 , . . . , Xn ) = ( + 1)Xi = ( + 1) n
Xi ,
i=1 i=1
n
X
l(|X1 , . . . , Xn ) = n ln( + 1) + ln Xi ,
i=1
n
l n X
= + ln Xi = 0 ,
+ 1 i=1
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 216
n
= Pn +1 .
i=1 ln Xi
5.2.2 M
etodo de los Momentos
ciones p-dimencional1 .
Definici
on 5.2.3 Sea
x = (x1 , x2 , . . . , xn ) los datos asociados a una m.a.,
como:
n
1X k
mk = x .
n i=1 i
Definici
on 5.2.4 Sea X una v.a., se define el momento poblacional de
1
El fundamento de esta tecnica es la convergencia de los momentos muestrales a los
momentos poblacionales a medida que el tama
no de la muestra n aumenta.
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 217
Si p es el n
umero de parametros a estimar, entonces el estimador de momentos
1 = m 1
2 = m 2
..
.
p = m p
s
olo una ecuacion:
n
1X = x .
1 = m1 = = xi =
n i=1
2 31
fX (x|) = x 1 , si 0 x 1 .
1
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 218
2 ,
= = X
1+
+ 1) ,
2 = X(
+X
2 = X ,
= X
2 X ,
= X
(2 X) ,
X
= .
2X
1. Insesgamiento
Definici
on 5.2.5 Un estimador es Insesgado, si el valor medio
ametro y
igual al parametro que estima. Por lo tanto, si es el par
=.
IE()
2 /n.
= 1
Pn
Proof: Sea X n
Xi , entonces,
i=1
Pn n n
i=1 Xi 1X 1X n
IE(X) = IE = IE(Xi ) = = =.
n n i=1 n i=1 n
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 219
la varianza de la poblaci
on.
Proof:
n
! n
2 1 X 2 1 X 2,
IE(S ) = IE (Xi X) = IE(Xi X)
n 1 i=1 n 1 i=1
n
1 X +X
2) ,
= IE(Xi2 2Xi X
n 1 i=1
n
1 X + IE(X
2) ,
IE(Xi2 ) 2IE(Xi X)
=
n 1 i=1
Pero,
IE(Xi2 ) = 2 + 2 ,
2 2
IE(X ) = + 2 ,
n
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 220
Pn ! n
= IE Xi j=1 Xj 1X
IE(Xi X) = IE(Xi Xj ) ,
n n j=1
n
!
1 X
= IE(Xi Xj ) + IE(Xi2 ) ,
n j=1,i6=j
1
(n 1)2 + 2 + 2 ,
=
n
n 2 2
= + ,
n n
2 2
= + ,
n
n
2 2
2 1 X 2 2 2
IE(S ) = + 2 + + + = 2 .
2
n 1 i=1 n n
p(1 p)/n.
Proof:
Pn n
i=1 Xi 1X
IE(
p) = IE = IE(Xi ) ,
n n i=1
pero
IE(Xi ) = 1 p + 0 (1 p) = p ,
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 221
entonces,
n
1X n
IE(
p) = p= p=p.
n i=1 n
n
! n
1X 1 X
Var(
p) = Var Xi = 2 Var(Xi ) ,
n i=1 n i=1
pero
entonces,
n
1 X n p(1 p)
Var(
p) = 2
p(1 p) = 2 p(1 p) = .
n i=1 n n
on P {1, 2, 3, 4}. La
Ejemplo 5.2.5 Consideremos la siguiente poblaci
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 222
estimadores insesgados.
i
M uestra X Si2 i
M uestra X Si2
(1, 1) 1 0 (3, 1) 2 2
(1, 2) 1, 5 0, 5 (3, 2) 2, 5 0, 5
(1, 3) 2 2 (3, 3) 3 0
(1, 4) 2, 5 4, 5 (3, 4) 3, 5 0, 5
(2, 1) 1, 5 0, 5 (4, 1) 2, 5 4, 5
(2, 2) 2 0 (4, 2) 3 2
(2, 3) 2, 5 0, 5 (4, 3) 3, 5 0, 5
(2, 4) 3 2 (4, 4) 4 0
poblacional. Ademas, 16 2
P
i=1 Si /16 = 20/16 = 1.25, que es la varianza
de la poblacion.
2. Consistencia
dad.
si se cumple que:
lim IP(| | ) = 1 .
n
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 223
) = 0.
(a) limn IP(IE()
= 0.
(b) limn Var()
y S 2 son consistente.
) = lim IP( ) = 0 ,
lim IP(IE(X)
n n
2
= lim = 0 .
lim Var()
n n n
es consistente.
X
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 224
Pn 2
2 2 X)
i=1 (Xi
lim IP(IE(S ) ) = lim Var ,
n n n1
n
!
1 X
2 ,
= lim Var (Xi X)
n (n 1)2
i=1
n
!
1 X
+X
2) ,
= lim Var (Xi2 2Xi X
n (n 1)2
i=1
n
!
1 X
2 ,
= lim Var Xi2 nX
n (n 1)2
i=1
n
!
1 X
= lim Var Xi2 ,
n (n 1)2
i=1
n
!
1 X X
= lim Var(Xi2 ) + 2 Cov(Xi , Xj ) ,
n (n 1)2
i=1 i<j
n
!
1 X
= lim ( 2 + 2 ) ,
n (n 1)2
i=1
n
2 + 2 = 0 .
= lim 2
n (n 1)
3. Varianza Mnima
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 225
Definici
on 5.2.7 Un estimador insesgado de un par
ametro es llamado
ametro3 .
posibles estimadores insesgados del par
timadores es mejor:
1 1 1
1 = X1 + X2 + X3 .
4 2 4
2 = X
.
Des.
1 1 1 1 1 1
IE(1 ) = IE X1 + X2 + X3 = IE(X1 ) + IE(X2 ) + IE(X3 ) ,
4 2 4 4 2 4
1 1 1
= + + =.
4 2 4
Luego 1 es insesgado.
3
! 3 3
1X 1X 1X
IE(2 ) = IE X
= IE
Xi = IE(Xi ) = =.
3 i=1 3 i=1 3 i=1
Luego 2 es insesgado.
1 1 1
Var(1 ) = Var X1 + X2 + X3 ,
4 2 4
1 1 1
= 2
Var(X1 ) + 2 Var(X2 ) + 2 Var(X3 ) ,
4 2 4
1 2 1 2 1 2
= + 2 + 2 ,
42 2 4
3 2
= .
8
3
El estimador que tenga la menor varianza es tambien llamado el mejor de todos los
estimadores.
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 226
3
! 3 3
1X 1 X 1 X 2
Var(2 ) = Var X
= Var
Xi = 2 Var(Xi ) = 2 ,
3 i=1 3 i=1 3 i=1
2
= .
3
Luego 2 es mejor, puesto que tiene menor varianza.
4. Error Cuadr
atico Medio
Definici
on 5.2.8 El error cuadr
atico medio es el valor esperado
de la desviacion cuadr
atica entre el estimador y el par
ametro que esti-
ma.
M SE() = IE( )2 ,
+ b2 () ,
= Var()
= IE[( IE())
2 ] + (IE()
)2 .
. Sebemos que:
IE(1 ) = Var(1 ) = 3 ,
Des.
M SE(1 ) = 3 + ( )2 = 3 ,
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 227
5. Suficiencia
cion.
fX (x|). Si:
n
Y
g(X1 , X2 , . . . , Xn |) = fX (xi |) ,
i=1
y
n
Y
)g(x1 , x2 , . . . , xn ) ,
fX (xi |) = h(,
i=1
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 228
ca suficiente para .
n 1 Pn 2 1 2
= (2) 2 e 2 i=1 (xi
x)
e 2 n(x) .
6. Suficiente Minimal
Una estadstica suficiente que resume los datos tanto como sea posible
de Lehmann y Scheffe.
Definici
on 5.2.10 Sean x1 , x2 , . . . , xn e y1 , y2 , . . . , yn dos conjuntos de
se forma la razon:
g(x1 , x2 , . . . , xn ) = g(y1 , y2 , . . . , yn ) ,
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 229
Pn
es estadstica minimal suficiente. Es decir, p = i=1 yi /n es esti-
de datos4 .
7. Eficiencia
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 230
de la desigualdad de Rao-Cramer.
1
Var() 2 .
lnfX (x|)
nIE
1 1
202 (x)
2
fX (x|) = p 2
e ,
20
1 1
lnfX (x|) =ln(202 ) 2 (x )2 ,
2 20
lnfX (x|) 2(x )
= (1) ,
202
" 2 # " 2 #
lnfX (x|) 2(x ) 1
IE = IE 2
= 4 IE[(x )2 ] ,
20 0
" 2 #
lnfX (x|) 2
IE = 04 ,
0
" 2 #
lnfX (x|) n
nIE = ,
02
1 02 .
2 = n
= Var(X)
lnfX (x|)
nIE
8. Eficiencia Relativa
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 231
tud
mentar el tama
no de la muestra n se hacen asintoticamente insesgados.
sistentes.
Normal
N (, Var()) .
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 232
Pn
= Xi
Media X i=1
n
Pn 2
i=1 (Xi X)
Varianza 2 S 2 = n1
Pn 1
cumple condicion
Yi
Proporcion p = i=1
n
, donde Yi =
0
si no
Pn
i=1 Xi Yi nX Y
Correlacion rXY = q P
n 2 Pn Y 2 nY 2
( X
i=1 i
2 nX
)( i=1 i )
Ejercicios Resueltos
1 x/
fX (x|) = e ,x > 0 , , > 0 .
Encuentre el EMV de .
n
Y 1 Xi /
L(|X1 , . . . , Xn ) = e ,
i=1
1 1 Pni=1 Xi
=
e ,
n
n
1X
l(|X1 , . . . , Xn ) = n ln Xi ,
i=1
Pn
l n i=1 Xi
= (1) = 0 ,
2
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 233
n
= 1
X
Xi .
n i=1
1 2 x/
fX (x|) = xe ,x > 0 , , > 0 .
3
de .
n
Y 1 2 Xi /
L(|X1 , . . . , Xn ) = X e ,
i=1
3 i
n
1 Y 2 1 Pni=1 Xi
= X e ,
3n i=1 i
n n
X 1X
l(|X1 , . . . , Xn ) = 3n ln + 2 ln Xi Xi ,
i=1
i=1
Pn
l 3n i=1 Xi
= (1) =0,
2
n
1 X
= Xi .
3n i=1
= Var( + (IE()
M SE() )2 , de donde,
n
! n
1 X 1 X n3 2 2
Var() = Var Xi = 2 Var(Xi ) = = ,
3n i=1 9n i=1 9n2 3n
n
! n
1 X 1 X n3
IE() = IE Xi = IE(Xi ) = =,
3n i=1 3n i=1 3n
= 2 2
M SE() + ( )2 = .
3n 3n
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 234
x1 ex/
fX (x|, ) = ,x > 0 , , > 0 .
( 1)!
M SE del EMV de .
n
Y X 1 eXi /
i
L(|, X1 , . . . , Xn ) = ,
i=1
( 1)!
n
!1
1 Y 1 Pn
= Xi e i=1 Xi
,
(( 1)!)n
n
i=1
n n
X 1X
l(|, X1 , . . . , Xn ) = n ln n ln( 1)! + ( 1) Xi Xi ,
i=1
i=1
Pn
l n i=1 Xi
= (1) =0,
2
n
1 X
= Xi .
n i=1
= Var( + (IE()
M SE() )2 , de donde,
n
! n
1 X 1 X n 2 2
Var() = Var Xi = 2 2 Var(Xi ) = 2 2 = ,
n i=1 n i=1 n n
n
! n
1 X 1 X n
IE() = IE Xi = IE(Xi ) = =,
n i=1 n i=1 n
= 2 2
M SE() + ( )2 = .
n n
( + 1)x
fX (x|) = ,0 x 3 , > 0 .
3+1
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 235
Determine el EMV de .
n
Y ( + 1)X i
L(|X1 , . . . , Xn ) = ,
i=1
3+1
n
!
( + 1)n Y
= Xi ,
3n(+1) i=1
n
X
l(|X1 , . . . , Xn ) = n ln( + 1) n( + 1) ln 3 + ln Xi ,
i=1
n
l n X
= n ln 3 + ln Xi = 0 ,
+1 i=1
n
= Pn 1.
n ln 3 i=1 ln Xi
1 = X
2 = ni=1 Xi
P
n+1
1 = X?
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 236
Entonces, si:
5.2.4 Estimaci
on Intervalar
Otro procedimiento que permite tener una estimacion del verdadero valor del
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 237
P (LI LS ) = 1 ,
es el estimador puntual de .
distribuciones:
2
X N , n , si n es grande.
(X) n
S
t(n1) , si n es peque
no.
p N , (1)
n
.
2
S2 2
(n1) (n1)
.
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 238
suficientemente grande5 (n ):
S S
IC() = X Z1 2 ; X + Z1 2
n n
5
Tama
nos muestrales de al menos 30 observaciones, han entregado buenos resultados
al ser considerados como grandes.
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 239
IP X + Z1 S
Z1 S X =1
2
n 2
n
peque
no:
S S
IC() = X t(n1 , 1 ) ; X + t(n1 , 1 )
2 n 2 n
S S
IP X t(n1 , 1 ) X + t(n1 , 1 ) =1
2 n 2 n
(n 1)S 2 (n 1)S 2
IP 2 2 2 =1
n1 , 1 n1 ,
( 2) ( 2)
130km2 o mas. Se piensa que los aullidos de los lobos, que comunican tanto
estudio.
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 240
0.26
IC() = 1.57 2.131 ,
16
= 1.57 0.14 ,
0.26
IC() = 1.57 2.947 ,
16
= 1.57 0.19 ,
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 241
5.3 D
ocima de Hip
otesis
5.3.1 Introducci
on
Definici
on 5.3.1 Una Docima de hip
otesis estadstica es, la comprobaci
on
Hip
otesis Nula (H0 ): Es el verdadero estado de la naturaleza (Sin
cambio).
Hip
otesis Alternativa (H1 ): Es el posible estado de la naturaleza
H0 : = 0 v/s H1 : 6= 0
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 242
5.3.2 D
ocimas
Para plantear una hipotesis estadstica se pueden seguir los siguientes pasos:
H0
1
Se prefiere siempre que > .
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 243
5.3.3 D
ocimas Univariadas
21.0(g/g).
21.0(g/g).
x1 , . . . , x16 .
P16
i=1 xi
x = .
16
Si x es muy grande, tenderemos a rechazar H0 , pero estaremos tomando
natural de la poblacion.
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 244
(X 0) n
Zc =
N (0, 1).
(X 0) n
tc = S
t(n1) .
pp0 )
(
Zc = q
p0 (1p0 )
N (0, 1).
n
(n1)S 2
2c = 02
2(n1) .
adecuado es:
0 )n
(X
Zc = N (0, 1) .
Y las Hipotesis son:
= 0 6= 0 |Zc | > Z1 2
0 > 0 Zc > Z1
0 < 0 Zc < Z
0 )n
(X
Zc = N (0, 1) .
S
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 245
= 0 6= 0 |Zc | > Z1 2
0 > 0 Zc > Z1
0 < 0 Zc < Z
0 )n
(X
tc = t(n1) .
S
p p0 )
(
Zc = q N (0, 1) .
p0 (1p0 )
n
= p0 6= p0 |Zc | > Z1 2
p0 > p0 Zc > Z1
p0 < p0 Zc < Z
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 246
(n 1)S 2
2c = 2(n1) .
02
5% de significacion.
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 247
5.3.4 D
ocimas Bivariadas
Supongamos ahora que, no solo nos interesa saber que sucede con una poblacion,
1 2 = 0 1 2 6= 0 |Zc | > Z1 2
1 2 0 1 2 > 0 Zc > Z1
1 2 0 1 2 < 0 Zc < Z
1 2 = 0 1 2 6= 0 |Zc | > Z1 2
1 2 0 1 2 > 0 Zc > Z1
1 2 0 1 2 < 0 Zc < Z
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 248
iguales.
(X1 X2 ) 0
tc = q t(n1 +n2 2) ,
Sp n11 + n12
donde
(n1 1)S12 + (n2 1)S22
Sp2 = .
n1 + n2 2
Y las Hipotesis son:
distintas.
(X1 X2 ) 0
tc = q 2 t() ,
S1 S22
n1
+ n2
donde 2
S12 S2
n1
+ n22
= 2 2 2
2 .
S1 S2
n1 n2
n1 1
+ n2 1
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 249
d 0
tc = Sd
t(n1) .
n
Donde d = ni=1 (xi yi )/n y Sd2 = ni=1 (di d)/(n
P P
1), con n el
n
umero de observaciones conjuntas para la variable X antes y despues
del tratamiento.
co adecuado es:
(p1 p2 ) 0
Zc = q N (0, 1) .
p1 (1p1 ) p2 (1p2 )
n1
+ n2
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 250
1 2 = 0 1 2 6= 0 |Zc | > Z1 2
1 2 0 1 2 > 0 Zc > Z1
1 2 0 1 2 < 0 Zc < Z
adecuado es:
S12 1
Fc = 2
F(n1 1,n2 1) .
S2
Y las Hipotesis son:
alimento, se cree que las hembras hacen un recorrido mayor que los machos.
Hembras Machos
n1 = 25 n2 = 11
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 251
Como s21 /s22 = 1002 /952 = 1.11, se puede considerar que las varianzas
(205 135) 0
tc = q = 1.96 ,
1 1
98.56 25 + 11
y al ser comparado con el valor del estadstico de tabla t =
(25+112,1 0.05
2 )
2.0322.
encias significativas entre las distancias recorridas por los distintos grupos.
5.4 D
ocimas de Hip
otesis No Param
etricas
Definici
on 5.4.1 Sean X1 , X2 , . . . , Xn1 y Y1 , Y2 , . . . , Yn2 muestras aleato-
sariamente normales.
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 252
de prueba es:
T IE(T )
Zc = p N (0.1) ,
Var(T )
donde IE(T ) = n1 (n1 + n2 + 1)/2 y Var(T ) = n1 n2 (n1 + n2 + 1)/12.
mejorar el uso del combustible por partye de sus choferes. A los conductores
cuando lo superan. A los conductores del programa B se les otorga una cuota
bolsillo la gasolina extra. Todos los taxis son del mismo modelo y se les da
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 253
Se puede inferir de estos datos que los conductores de taxis del programa A
observaciones:
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 254
A Rango B Rango
22, 17 5 20, 87 1
22, 56 8 21, 39 2
23, 34 12 21, 65 3
23, 47 13 22, 04 4
23, 60 14 22, 3 6
23, 73 15 22, 43 7
23, 99 16 22, 82 9
24, 25 17 22, 95 10
25, 29 18 23, 21 11
26, 33 19
137 100
Zc = = 3.02 ,
150
y al ser comparado con el valor del estadstico de tabla Z0.975 = 1.96.
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 255
5.4.2 D
ocima de Bondad de Ajuste Chi-cuadrado
o no.
la hipotesis.
Sean:
1. ni , es el n
umero de observaciones en la i-esima clase.
Pk
2. n = i=1 ni , es el n
umero total de observaciones en las k celdas.
la variable es continua.
i ) = npi n
4. IE(n umerop esperado de observaciones en la i-esima celda.
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 256
muestra.
40 3, 2350
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 257
do a sus valores con respecto a dos variables categoricas, se puede formar una
Y1 Y2 YJ T otal
n
umero de elementos totales de la i-esima fila; n+j es el n
umero de elemen-
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 258
Y1 Y2 YJ T otal
(i, j); pi+ = ni+ /n++ es la proporcion de elementos totales de la i-esima fila;
Ademas:
J
X I
X I X
X J
pi+ = pij , p+j = pij , pij = 1 .
j=1 i=1 i=1 j=1
5.4.4 D
ocima Chi-cuadrado de Independencia
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 259
de las variables?
variables categoricas.
I X J
X (oij eij )2
2c = ,
i=1 j=1
eij
donde oij es la frecuencia observada para la celda (i, j) y eij = ni+ n+j /n++ es
diestra de los padres (derecha o izquierda) sobre la mano diestra de sus hijos,
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 260
Derecha-Izquierda 29 9 38
Izquierda-Izquierda 16 6 22
Nota:
neraciones, seg
un su monto, en tres categoras (I,II y III) y los a
nos de
experiencia, de acuerdo a su n
umero en cuatro categoras (A,B,C y D).
Carlos Bustos-Lopez
CAPITULO 5. INFERENCIA ESTADISTICA 261
servaciones es la siguiente:
Experiencia
A B C D T otal
I 4 11 9 14 38
Remuneracion II 12 9 8 4 33
III 10 6 7 6 39
T otal 26 26 24 24 100
Carlos Bustos-Lopez
Captulo 6
Elementos de Inferencia
Estadstica (Integrada)
6.1 Introducci
on
Supongamos una v.a. X en una poblacion que posee una cierta densidad
cida que es llamada parametro, la cual puede ser una constante o una variable
aleatoria.
rigor, X posee densidad fX (x|), siendo que , esto quiere decir que la
262
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 263
1 1x
fX (x|) = e , x>0,
1. Como estimar ?
Puntualmente.
2. 1000 horas?
1
() = IP(X > x0 ) = e x0 ,
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 264
Definici
on 6.1.1 Se define como una Muestra Aleatoria Simple de tama
no
dientes.
6.2 Funci
on de Verosimilitud
|)
L() := f (X , ,
En lo que sigue
x = (x1 , . . . , xn ) es el vector de observaciones que asume el
vector aleatorio X
= (X1 , . . . , Xn ).
1. Principio de Verosimilitud.
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 265
2. Estadstico.
T : Y
x
T (
x)
3. Estimados de .
x x)
(
X ).
Es usual llamar estimador de a la v.a. (
x ) se dice estimacion de obtenida a partir de
La imagen particular (
la observacion particular
x.
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 266
donde,
1 , xA
IA (x) =
0 , x
/A
n
Pn Pn Y
Xi n Xi
L(p) = p i=1 (1 p) i=1 I{0,1}n (X
) ,
i=1
Pn
se dice que T (X
) = i=1 Xi es un estadstico suficiente para p.
2. Modelo Poisson: X| P ()
Pn
Xi n
i=1 e
L(p) = Qn I{0,1,...}n (X
) ,
i=1 Xi !
Pn
se dice que T (X
) = i=1 Xi es un estadstico suficiente para .
donde,
1 , 0 < Xi < i = 1, . . . , n
o > Xi i = 1, . . . , n
I{0,}n (X
) =
o > max{Xi }
0 , e.o.c.
1
L() = I(max{Xi },) ,
n
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 267
1. Poisson ()
n
X
T (X
) = Xi ,
i=1
Pn
necesito saber la distribucion de T (X
) = i=1 Xi (por f.g.m., etc.).
Pn
) = i=1 Xi P (n).
T (X
2. Uniforme (0, )
) = max{Xi }
T (X
) = max{Xi }
necesito saber la distribucion de T (X
t n
n
, 0<t<
t
Z
1
IP(T t) = (IP(X t))n = dx =
0
1 , t
6.5 Perspectiva Cl
asica:
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 268
tienen que:
IP(B|Aj )IP(Aj )
IP(Aj |B) = Pn , j = 1, . . . , n .
i=1 IP(B|Ai )IP(Ai )
Ejemplo 6.6.1 Juan va al medico, y el medico sospecha que Juan tiene una
Cual es la probabilidad de que Juan este enfermo, una vez que el examen
di
o positivo?
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 269
Por otro lado, Las mediciones son verificables, pero las estimaciones no.
observable, que esta regida por una ley de probabilidad con la densidad
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 270
verosimilitud.
x |)()
f (
X
x) =
(| , .
f (
x)
X
Note que,
P
|)()
f (x discreta
X
f (
x) = ,
X
R
f
X (x |)()d continua
que es la densidad marginal o densidad predictiva del vector aleatorio X
.
As,
IP(X = 1| = 1)IP( = 1)
IP( = 1|X = 1) = = 0.913 .
IP(X = 1)
x ) f (
(| x |)() , , (6.1)
X
es decir,
Definici
on 6.6.1 La densidad a posteriori es proporcional al producto de
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 271
que es el n
ucleo de una densidad Beta(, ). Por lo tanto se puede
(p) L(p)(p) ,
px (1 p)nx p1 (1 p)1 ,
p+x1 (1 p)+nx1 .
| {z }
ucleo de una Beta( + x, + n x) .
n
que:
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 272
Definici
on 6.6.2 La priori Beta es conjugada, es decir, es cerrada
+x
IE(p|X = x) = ,
++n
+ n x
= + .
++n + + + n |{z}
n
| {z }
media a priori proporci
on muestral
( + x)( + n x)
Var (p|X = x) = .
( + + n)2 ( + + n + 1)
2. Modelo Poisson: X| P ()
ex
fX (x|) = IP(X = x|) = , > 0 , x = 0, 1, . . . .
x!
Pn
L() en i=1 Xi
, >0,
que es el n
ucleo de una densidad Gamma(, ). Por lo tanto se puede
1 e
() = , >0,
()
() 1 e , >0,
() L()() ,
Pn
+ xi 1 (+n)
|
i=1
{z e }.
n
!
X
n
ucleo de una Gamma + xi , + n .
i=1
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 273
Pn
Es decir, |X x Gamma ( +
= i=1 xi , + n), con lo cual se con-
cluye que:
Definici
on 6.6.3 La priori Gamma es conjugada, en relaci
on a la
verosimilitud Poisson.
+ ni=1 xi
P
IE(|X
=x) = ,
+n
Pn
n i=1 xi
= + .
+n +n n
| {z } | {z }
media a priori media muestral
Pn
+ i=1 xi
Var (|X =
x ) = .
( + n)2
Pn
L() n e i=1 xi
I(0,)n (
x) , >0,
donde,
n
Y
I(0,)n (
x) = I(0,) (xi ) ,
i=1
As,
Pn
n i=1 xi
L()
| e {z } , >0.
n
ucleo de una Gamma.
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 274
() 1 e , >0.
Pn
(|X x ) +n1 e(+
=
i=1 xi )
, >0.
Pn 1
+n i=1 xi
IE(|X
=
x) = = + ,
+ ni=1 xi
P
+n +n
1 1 !1
+n +n
= + Pn .
i=1 xi
1 1x
f (x|) = e , x > 0 , = (0, ) .
n
1 1 Pn
L() = e i=1 Xi I(0,)n (
x) ,
1 Pn
n e i=1 Xi
, >0.
1
Y GI(, ) Gamma(, )
Y
X G(, ) fX (x)
1
Y = fY (y)
X
vease Berger
4. Modelo Normal:
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 275
por:
1 1 2
L() = f (X|) = 1 e 22 (X) , IR ,
(2 2 ) 2
1 2
L() e 22 (X) ,
1 2 X
e| 22{z
+ 2
}.
n
ucleo de una Normal.
1 2+
e 2 2 2 , IR ,
(|x) L()() ,
1 2+ x 1 2+
e 22 2 e 2 2 2 , IR ,
1 2 2
( + 2 )+( 2 + 2 x)
e 2 , IR ,
donde,
1 1
2 = 2
= = precisi
on a priori.
varianza a priori
1 1
2 = 2
= = precisi
on muestral.
varianza observacional
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 276
Sean:
12 = | 2 {z
+ 2} .
luego, |X = x N (1 , 12 ), es decir,
Definici
on 6.6.4
N (, 2 /n). As la funci
X on de verosimilitud viene dada por:
n 2
L() e 22 (X) .
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 277
12 = 2 + n 2 ,
2 n 2
1 = + X.
12 12
(b)
X| 2 N (, 2 ) , desconocida , conocida .
2 GI(, )
2 |X x GI(, )
=
1
(c) Alternativa, reparametrizar = 2
.
Funcion de verosimilitud:
1 12
Pn 2
i=1 (xi ) ,
L( 2 ) = f (
x | 2 ) = n e 2
(2 2 ) 2
Pn 2
1 i=1 (xi )
sea = 2
y S02 = n
, entonces,
nS02
n
x |) 2 e
L() = f ( 2
.
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 278
As,
2
n0 0
n0
1
() 2 e 2
,
2 nS 2
n0 0
n0
+n 1 2
+ 20
)
(|X e ,
2 2
n0 n n0 02 nS02
= |X x Gamma
= + , + ,
2 2 2 2
2 n0 02 + nS02 |X x 2n0 +n .
=
n0 n0 02
Gamma , ,
2 2
1
| N 0 , (C0 ) ,
= (, ) = (|)() ,
(, ) N ormalGamma(0 , C0 , n0 , 02 ) .
() = (|
x) .
6.7 Distribuci
on a priori no Informativa.
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 279
X1 |1
X2 |2
...
Xn |n ,
X1 , X2 , . . . , Xn
|i i = 1, . . . , n .
IP(X x |
= ) = IP(X1 = x1 |1 , X2 = x2 |2 , . . . , Xn = xn |n ) ,
donde,
= (1 , . . . , n ), y en el caso en que todos los Xi s posean la misma
(|
x ) por:
x ) f (
(| x |)() ,
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 280
1
donde la constante de proporcionalidad es f (x) , donde,
Z
f (
x) = x |)()d ,
f (
Critica Frecuentista:
() Cte. , .
R
Note que
()d diverge, pero podra converger si fuese un intervalo
() = 1 , (0, 1) ,
Z 1
()d = 1 .
0
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 281
2 2
= (X1 , . . . , Xn ) N (, ), conocida.
Ejemplo 6.7.1 Sea X
n 2
L() e 22 (X) , IR ,
() Cte. ,
n
2 (X) 2
) e
(|X ,
2
|X
= x, 2 /n) ,
x N (
IE(|X
=
x) = x
,
2
Var(|X
=
x) = .
n
muestrales, x, 2 /n, lo que implica que la inferencia basada sobre esta poste-
tendra que:
() = (()) ,
si () Cte, () no es necesariamente constante a menos que Cte.
Para la construccion de una priori no-informativa para , Jeffreys (1966)
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 282
Definici
on 6.7.1 Sea X una observaci
on con densidad f (x|). Se define
la cantidad de informaci
on de Fisher (esperada) de contenida en la obser-
vacion X por:
" 2 #
ln f (X|)
I() = IEX| ,
Z 2
ln f (X|)
= f (x|)dx .
proposicion:
Proposici
on 6.7.1 Bajo ciertas condiciones de regularidad (b.c.c.r.):
h i
ln f (X|)
1. IEX|
= 0.
h 2 i
2. IEX| lnf (X|)
2 = I().
R
Nota: Las c.c.r. se refieren al intercambio de
con d, lo que no es posible
Demostraci
on 6.7.1 1.
Z
ln f ln f
IEX| = f dx
Z
1 f
= f dx
f
Z
= f dx = 0
| {z }
1
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 283
2.
ln f 1 f
= ,
f
2
2
ln f 1 f 1 2f
= 2 + ,
2 f f 2
2
1 2f
ln f
= + ,
f 2
pero,
1 2f 1 2f
Z
IEX| = f dx ,
f 2 f 2
Z 2
f
= dx ,
2
2
Z
= f dx = 0 ,
2
| {z }
1
Definici
on 6.7.2 Se define la informaci
on de Fisher de contenida en un
vector X
= (X1 , . . . , Xn ) por:
2
ln f (X |)
In () = IEX | ,
2
y se prueba que:
n
X
In () = Ii () iid
= nI() ,
i=1
donde Ii () es la cantidad de informaci
on de Fisher de contenida en la
observacion Xi .
" 2 #
ln f (X|)
I() = IEX| ,
2
ln f (X|)
= IEX|
c.r.
2
,
| {z }
curvatura media de ln f (x|).
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 284
Definici
on 6.7.3 Si
= (1 , . . . , r ) se define la matriz de informaci
on de
I (
) = Iij () ,
ln f (X|
) ln f (X|)
Iij (
) = IEX| ,
i j
2
ln f (X|)
= IEX|
c.r. , i, j = 1, 2, . . . , r .
i j
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 285
on N (, 2 ), con 2 conocida.
Ejemplo 6.7.3 Sea X con una distribuci
1 1 2
f (X|) = 1 e 22 (X) ,
(2 2 ) 2
1
ln f (X|) = ln(Cte.) (X )2 ,
2 2
ln f (X|) X
= 2
,
"
2 #
ln f (X|) 1
IEX| = 4
IE[(X )2 ] ,
1
= ,
2
1
I() = ,
2
n 1
In () = = n) .
2 Var(X
Definici
on 6.7.4 Se define la distribuci
on a priori no-informativa de Jef-
2. N (, 2 )
12
1
() 2 = 1 = Cte. .
U (, +) .
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 286
f (x|) = g(x ) ,
1 1
f (x|) = 1 exp{ (X )2 } , x IR ,
(2 2 ) 2 2 2
definiendo,
1 1 2
g(z) = 1 exp{ z },
(2 2 ) 2 2 2
entonces, f (x|) = g(x ).
on de es la forma Cte.
para el parametro de localizaci
X
(Si se hace Z =
se eliminan los tipos de medici
on y todo queda como
puntajes).
Se tiene que:
ln f (x|) = ln g(x|) ,
ln f (x|) g 0 (x ) g
= , con g 0 = ,
g(x )
" 2 #
g 0 (x )
I() = IEX| ,
g(x )
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 287
que es constante en .
resultado.
En el caso Multivariado:
x |
f ( x
) = g( ) .
Np (
Ejemplo 6.8.2 X ,
),
1
f (
x ,
) = p 1 exp{( )0 1 (
x x
)} ,
(2) 2 |1 | 2
1
se calcula I(
) = Iij ( ) I(
) y luego ( ) 2 Cte.
Definici
on 6.9.1 X posee modelo de escala de par
ametro si su densidad
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 288
f (x|) = x , x>0,
1 x
= g ,
1
donde =
(media).
g(z) = ez .
X
Note que la distribucion de la v.a. U =
no depende de .
1 1
() (I()) 2 .
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 289
1 1
Ejemplo 6.9.2 Sea X Exp
, y ()
, cuando el modelo es de
() Cte.
1
(|) .
6.9.1 Suficiencia
el parametro .
Definici
on 6.9.2 Clasica.
Sea X
= (X1 , . . . , Xn ) una muestra aleatoria proveniente de la densidad
fX (x|). Se dice que el estadstico T = T (
x ) es suficiente para , si la
funcional y no probabiulstica).
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 290
x |t, ) = f (
Tecnicamente, T es suficiente para si f ( x |t).
n n
IP(X x |) = sumi=1 xi (1 )nsumi=1 xi I{0,1}n (
= x)
Pn
Sea T = i=1 Xi Bin(n, ) ,
n
IP(T = t|) = t (1 )nt I{0,1,...,n}n (t) .
t
IP(X1 = x1 , . . . , Xn = xn , T = t|)
IP(X1 = x1 , . . . , Xn = xn |T = t, ) = ,
IP(T = t|)
Pn
0 , si t 6= xi
i=1
t (1 )nt 1
x |t, ) =
f ( = , si t = ni=1 xi
P
n t n
(1 )nt
t t
| {z }
Constante con respecto a
Pn
= T = i=1 Xi es un estadstico suficiente para .
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 291
x |) = g(, T (
f ( x )) h(
x) .
observacion.
Ejemplo 6.9.4 1. X
= (X1 , . . . , Xn ) m.a. f (x|)
n
Y
x |) =
f ( f (xi |) |{z}
1
i=1
| {z }
x ) h(
g(, x) .
para .
Ordenando la muestra,
n
Y n
Y
x |) =
f ( f (xi |) = f (x(i) |) ,
i=1 i=1
i = 1n Xi es un estadstico suficiente
P
2. En el ejemplo anterior, T =
para .
Carlos Bustos-Lopez
CAPITULO 6. ELEMENTOS DE INFERENCIA ESTADISTICA
(INTEGRADA) 292
Definici
on 6.9.3 Se dice que T es suficiente minimal para si T es funci
on
Definici
on 6.10.1 La familia de distribuciones con funci
on de densidad
f (x|
), donde
r-dimencional pertenece a la familia exponencial a r-par
amet-
ros si:
Pr
Uj (x)j ( )+b( )
) = a(x) e|
f (x| {z ,
j=1
|{z} }
h(x) g(
, U1 (x), . . . , Ur (x)).
= (1 , . . . , r ).
= (U1 (
x ), . . . , Ur ( = (1 , . . . , r ).1
x )) es un estadstico suficiente para
1
Nota: Dos familias de distribuciones que no pertenecen a la familia exponencial son
la uniforme (que asume estadsticos suficientes va factorizacion) y la Student-t.
Carlos Bustos-Lopez
Captulo 7
Muestreo
ocaciones el tama
no de la poblacion en estudio es muy grande o desconocido,
como para tomar los datos de cada elemento que la componen, ademas los
costos involucrados son muy altos y se requiere de mucho tiempo para llevar
tama
no menor a la poblacion, pero que es representativa de ella, desde donde
muestra.
293
CAPITULO 7. MUESTREO 294
el Muestreo Sistematico.
Para este estudio las variables de interes son las proporciones de algunas
que el n
umero x de elementos de la poblacion que presentan o no la carac-
x|N = n, px Bin(n, px ) n 2 , 0 px 1 ,
donde N corresponde al n
umero de elementos (tama
no) de la poblacion y px
muestra de tama
no n para realizar la inferencia sobre la poblacion. Es as co-
construccion:
Carlos Bustos-Lopez
CAPITULO 7. MUESTREO 295
px 3SE(px ) Px px + 3SE(px ) .
tama
no muestral que mantenga esta condicion.
El dise
no muestral considerado para este estudio contempla varias etapas.
7.1 Muestreo
Carlos Bustos-Lopez
CAPITULO 7. MUESTREO 296
sconocido como para tomar los datos de cada individuo que la compo-
nen. (A ).
comunes son:
de tama
no N , la probabilidad de que un elemento de la poblacion sea selec-
1
IP(A) = .
N
dentes, que pueden ser agrupados en Estratos, que deben ser representados
Carlos Bustos-Lopez
CAPITULO 7. MUESTREO 297
cual produce bloques o grupos que son artificiales, por lo cual es necesario
Carlos Bustos-Lopez
CAPITULO 7. MUESTREO 298
m, m + k, m + 2k, . . . , m + (n 1)k .
7.1.4 Tama
no Muestral
Consideremos lo siguiente:
Z1
IC() = X + Z1
X
2
n 2
n
| {z } | {z }
Es decir, se puede considerar un error para la estimacion del verdadero
n.
Carlos Bustos-Lopez
CAPITULO 7. MUESTREO 299
por:
Carlos Bustos-Lopez
CAPITULO 7. MUESTREO 300
luego,
2
Z1/2 px (1 px )N
n 2
, (7.3)
(N 1)2 + Z1/2 px (1 px )
Carlos Bustos-Lopez
CAPITULO 7. MUESTREO 301
sonas de Europa que prefieren el color verde por sobre los otros colores,
Estratificado.
precision especfica.
tama
no de la muestra por estratos, es decir, si hemos determinado
Carlos Bustos-Lopez
CAPITULO 7. MUESTREO 302
N = Lh=1 Nh , luego:
P
Nh ph (1 ph )n
nh = PL , (7.4)
h=1 Nh ph (1 ph )
donde ph corresponde a la proporcion de los elementos del estrato h en
la poblacion.
de tal forma que las varianzas de los estimadores sea la menor posi-
Sean i = 1, . . . , I, con I n
umero de subestratos dentro del estrato h =
1, . . . , L, Nhi el n
umero de elementos de la poblacion que corresponden
Carlos Bustos-Lopez
CAPITULO 7. MUESTREO 303
sitematico k = N/n.
Carlos Bustos-Lopez
CAPITULO 7. MUESTREO 304
Bibliografia
1. Agresti, Alan. Statistical methods for the social sciences. 3a ed. Upper
Alianza, 1986.
Wiley, 1992.
Learning, 2002.
Aguilar, 1960.
Carlos Bustos-Lopez
CAPITULO 7. MUESTREO 305
10. David, H. A. (Herbert Aron), 1925- . Order statistics. 2nd ed. New
11. Degroot, Morris H, 1931- . Probability and statistics. 3rd ed. Boston:
Addison-Wesley, 1988.
12. Del Pino M., Guido. Apuntes de inferencia estadistica: version prelim-
16. Freund, John E., 1921- . Mathematical statistics. 2nd ed. Englewood
18. Henkel, Ramon E., 1931- . Tests of significance. Beverly Hills, Calif.:
Sage, 1976.
Carlos Bustos-Lopez
CAPITULO 7. MUESTREO 306
20. Kendall, Maurice G., 1907- . The advanced theory of statistics. 3rd
21. Larson, Harold J., 1934- . Introduction to probability theory and sta-
22. Lehmann, Erich Leo, 1917- . Testing statistical hypotheses. 2nd ed.
23. Lehmann, Erich Leo, 1917- . Elements of large sample theory. New
Carlos Bustos-Lopez
CAPITULO 7. MUESTREO 307
2000.
Macmillan, 1974.
Carlos Bustos-Lopez