ESTADISTICA APLICADA JULIAN DE LA HORRA NAVARROInaice Pretacio |, ESTADISTICA DESCRIPTIVA DE UNA VARIABLE. 1 Introduce Variables cuaiaivas Vanibles cumntativas Digramas de tlle y ojoe Medias de eentralicacion Medias de dispersion Ejersicos 2 ESTADISTICA DESCRIPTIVA DE DOS VARIABLES. 17 Introdscin ‘Conceptos biscosy planteamients Modelo de regress lineal Aplicaciones del modelo de regres lineal Frecos 3 PROBABILIDAD 23 Irodvesion Conceptos basicos spaces muestraes disretos robabilidad condicionada Sueesosindependentes Reglas tiles pata cleular probabilidades precios xin u 1 3 6 ” B B as % n 8 2‘VARIABLES ALEATORIAS. 57 Inseoduscin Conceptos bascos Varatles aletorts discretas Variables aletoras comtinuas Ejerscos VECTORES ALEATORIOS 47 Introdesiin Conceptos bisios Vectors aleatorios divertor Vestoresaletorioe continuos Algunas propiedades dies Ejerasios eee MODELOS DE PROBABILIDAD MAS COMUNES 63 Introduccin Pruebas de Bernoui 3 Disttbucién Binomial wos modelos basados ea procbas de Bernoul Distbucisn de Poisson Distbucion hiperasometrica 2.2. Distbucion normal Distrbucionesasociadas ln normal Distbucion normal multvarante Eersicos MUESTREO ALEATORIO. §1 1 Introduccion 2 Conceptos bisicos 3% Tnferenea paramevica 4 Esaditico suites ESTIMACION PUNTUAL 47 Inurodesin Conceptos biscos terror euadritico medio, Estimadoresisesgador Extimadoresconsistentes Metodos de construcion de estimadores Ejereicios ” ” a a 3 3 s o 8 6 & a 2 4 8 8 s . s ° ESTIMACION POR INTERVALOS DE CONFIANZA 97. Introduccsn Conceptos basicos CCantdades pivots poblacions normales Incralos de confianza cn poblecones normales ros interlos de eonfanrs ‘Minima tamato muestal Intervlos de confianra mss frecienie Hjerecos 10, CONTRASTE DE HIPOTESIS PARAMETRICAS 109 Inieodesisn Conezptos hascos Text de ravén de veroimiitades Algunas consideraionesadicionles Ejemplos ‘Test de hipsiis mds feeuenies Ejteicos 11, CONTRASTES 7°25 Introduccisa CConttaste de i bondad de ajuse (pre caso) Contrast dela bondad del ajuste (segundo caso) CContaste de homogeneidad de pobationes CContraste de independencia jersicos 12, REGRESION Y ANALISIS DE LA VARIANZA 137 Introducesn Regresion lina! simple Annis de la vaiaea vnifactorial jerccos Bene go peeene BJERCICIOS ADICIONALES 147 TABLAS 167 ns ns 1235, im I wr a m1 7Estadistica descriptiva de una variable 1. Introduccion Si estamos interesides en estudiar alguns caracteristca de uns poblacén (peso distbucida de ema eto ms completo es, evidentement estar 1 poblacign entara.Fero eto sacle requerir demasiado tempo y demasiado dinero. Otras vere, estudio de un elemento es destrutvo, con lo eu ex ‘nspoibe hacer un anne de toda I pobacin (nos quadaramos sin obi {dn}. Por tant, noeralmente, aos conformaremos con un conocimient pat ‘Gal dela poblacia, Esto lo conseguremos observando unos euantoselemen- tos viendo edn eso euto vale en ellos esa caracterice que nos interes. Este conjunto de eemeatos que observames eo que Hamarenos una mostra {ela poblacin. Poe supaet, ones muzsras representa mejor ale Poblacion ‘be ora, yea ites lubed be formalizala ms adelante. Pero, de moment, ‘os qedremos,smplnent, co la ie de que na muta deers obienerse etl forma que reroente emis o menos hich, al canjunto dela poblacn El objtive Bisco dela Esadétiea Desrpiva es cer wna descrip lo sf seneila poste de os resultados obtenidos en la muestra. Esta descripcin Se hurd mediante epresentacionsgrcas¥ mediante rpresentaciones nu ‘us En estas repesenacones hay una idea imple: fo que ceure en tod poblicidn, syarumen, es bastame pure a To gue ocure en la mest Pera instmos en que exo se formalzari: mis adelame. Este eaptlo ess edieado solamente hacer an eso diseptvo de lo abteido en uns ‘stra consrel, end nos ntresimos en ana sla carta, Gee ‘un sola variable estadsica. Estas vaables pueden ser de dos tipo clitaivas yountiatvs 2 Variables cualitativas Un variable edit es emltativa nando slo puede clsifeare en eae pro aor cea eeeniee cee eeeeas persons de una ddd, la Facultad o Escuela en la qu estén maticul ‘dos lon estudiantes de ura Universiad, et En ete caso slo pers hice Fepreeniaconesgrifies Su objetivo ex dar ma ideo iu sencil de lo Imoesira obtenida- Natralmeate, hy una gran variodud de repeseataconss ‘reas. A continuacdn, vemos algunas de elas en un efmplo vEMPLO: clasfcamos una musta dé 100 personas seit su grupo sanguine: Grup A: 42 personas Grip B: 12 personas Grupo AB: 8 personas Grp 0:41 personas, sts datos pueden represnarse grificamente mance un dagrama de rec tdngalos yun dlagraa de secre (pr hemp). Ver Fi. 1. Fe EF siqifeado de estas y otras epresenacones similares es obvio, 3. Variables cuantiativas Una variable estadtioaX es euaitativ cuando toma valores numércos Son Tas ms interesante, ya que con elas psdermos hacer reprsentaciones numescas que no tenan sentido para lot variables cuales Es muy baba dings os tis de variables cuantiaivas que inaicamos a continuacce: Discos: slo pueden tomar un conjunto Frito o mumerable de valores (genoraimente valores entero eerie een Gi a Sin embargo, es convenient resaltar que, pare Ia mayorla de las cosas, incevane at la variable ex dicrciao continua Utzaetos la siguiente nota ‘in tanto para arable dices Some para coninuas ve tamao de la mucstra=nimero de lmentosobservades, Sony e_tepesentan los valores de a variable estates obtenidos en a sues (pede haber repetiions). [A veces l estudiar variables contiuas, no dsponemos de los datos onigina- es, sino que nos dan ls datos agrupados en una sre de clases Ayn Ay EM este cas, la noc srt 1 tamato de Ia muestra=nmero de elementos abservados. Sr epesenantes dons class A, A generalment, los puntos me: dios de fos imervalsh. nn Px: aro de observaciones dentro de cada case [Recvencis abso as) Si oht fresuendias reativas dentro de cada clas nh Por supuesto, et prefible wir ls datos originales a usar Jos datos grupos en unas clases arial Inulvamane os datos originales conti: ten mis informacion que les datos agrupados 4. Diagramas de tals y hojas Se pusten oer dsints representacones grifeas con los datos de un variable ‘uantiatva X dagramas de barras pura variables dserias,hsourams para variables continua, ete. Todas estas representaciones son muy sella y ficks & comprenderA modo de sump, vamos ¢indcar equ ina representa ‘muy interesante (por su senile) para varables cuanttatvas continua os agramss de alls y hojs El provlimienta es come sige 4) Redondear los datos a un admero convenient de cias signcavas (generalmente, dos 0 tes. 1) Colocrles en una tabla con dos columnasseparadas por una ina, de 1a siguiente forma “Todas ls cifras menos Lia se eacriben Ia iyuieda de Ia Kea (Porpan a alo 1a him cia se eseribe ala deteca forma I hoa ©) Cada tall deine un cate y se exeribe solo una Yer. El numero de ee eeEXEMPLO: represemar mediante wn diagrams de tallos y hojas ls siguientes dass, expresados on cm 11387 12582 1.386 12431 14202 15213 13300 11,300 17,206 12,710 1AASS 16145 12,162 12 721 13420 14.698 4} Los expresamos en mm (redomdeamas a tres ciast 114 125 108 124 142 152 133 113 172127 138164 122 127 134 147 bye 148 se 13388 127 152 11 m2 De esta manor, los propinsdatx nos dan wna idea visual de ta oma con mayor ‘Frecuenca de obsercactons 5S. Medidas de centralizacién [La msi de as medida de centralization es dar una ides del valor canta lrededor del cual se reparten los valores de Ia muestra obteida, Solmente “efinirrnos las més habituleseitererante, EEINICION: le media muestra se define como: (Cuan se rae de una triable comin con los datos agrupaes,wsarones. R= (UD he, ysj~ Bhs fay ex dvi cn cama set ealer haber aparece eves. Per instinos en qu. si ls datos estdn sin grupo, no tee much ssmido grupos). DDerINtex0N: fide de fa mdiana masta esl siguiente: sel valor de a muestra ge de gerd» decks miso ier de obseeacones wa tes ondonadas. Por tanto, para hallar lr means de a mesa demas lx obec suite movers myer ¥ encean dos yrottbadis Stet nimero de obsertciones es impar a melana ese valor ental ‘Stel numero de observacions espa mediana exe! panto medio de las des calor contra (Sis roa de wna variable continua con ls datos agrapados, lo mis ques puede hall generalment, exo interval medlana:e deer. case em a ues frcuenra la medana. Pero no hay Jorma de saber euinto eal exactamente la Imeina Ex algunos textos se recurre hacer ana nterpolacin: pero ex ‘aul @suponer qu 13 datos se reparen de wna manera wnforme dentro de ‘ida cle, cova qu, en realidad, no sobemos. qu. poblement, moe ira) DDEFINICION: fa mde de ana muestra de una vriable estadtsticn dsereta es telor gue parece mis repaid en le muestra La moda no tiene musho interés como medida de centalzaién por varias razones nd tine sentido para variables estadsticas continua (habs que fetupar, posde no ser ut valor central, puede haber una moda en cia 6. Medidas de dispersin ‘Las medidas de centraliasisa, por solu, son claramente isufcientes pa resumir oda una muesta. Por ejemplo, as muesras de a Fig 1.2 tendrian os ‘mame valores de media mss y mediana muestra y sin embargo, som ‘estas may diferent: rip 12 Las dos muestras diferen claramente e la separa de sus datos. Com ‘iene dar alguna medida que no dé una idea del spersidn de los datos co espacio lor valores centre. Fst l objetivo de las medidas de disper Son Las mis interesotes son la varianray fy devin Upca musta. DDerINIcION: fa rarinca musa eden como Lone (31 se yaa de a evible continu, om ox dates agrapads. armas exprenide: 6,= (10 ES 2%) he S02 -PDPara ealcular la varianzasucle Ser mds edmodo ust Ia siguenteexpresion ‘ue obtenemos desarroliando el euadrado (39-20 8 nee) rlbve 5 variable contin con los ats agrupades, tne aU thy ant tet, fate) "Es eovnt econ oxox en les ques dfn Ie vara ese de ura forma grants difrnte: en vee de dvi porns dae por 4-1 Did porn1 es algo menos natural ay razoes gut jusican ace ‘eo esa renones nose pudenda en exe momenta, ya qu ncesiatamae fable de emo he io extra a morta, yest spect todavia no Yamin + consierri. Con i defini. que bemos dado. a vain mcrae Simplement, oa sdspersién cudedticar moda, Derintcton: ta deseacntipica (0 dessin eséndor) de la muestra ex la rls candrada postiva dela variance maesta Con ta esvacin tpn intents medir I disperién en Tas unidedes ongiales, ya que la varianza nos dala media de los eandrads dels dsr ones a fa media meses EreuPLo: sansa aplicar todos ios conceton anteriores la iglente muesir de extras de 24 personas 162175 1.60 140 198 200 1.71 188 160 167 TAS 1.89 157 156162 193, 184-201 170'135 205 166 190 1.65, Tenamos el sguente diagrana de tals y haat con tes cifras gnats. Mt 17 16 20807265, 17510 Py 35 193m 20015 Media musta Medina muestra: Lr HOA 508 Varionsa muestra § F-#-oon6 Desvici tipica muestra: JanEB=018 Suporgamos ahora qu, on se de lox datos originales, as hubiesen dado ls tox agrpados de la Slguiente maner: Clowes 10, 60) [1.60, 190) (1.7, 180 [10; 190) [99; 210, Br ete caso, tendrtames: Media muestra: Intrealo modana Varina muestra Dessacin plea musta7. Rjercicios 1. 1oveascomiron una hieba venenota, Las horas que tardaron en mori fueron: 44,2724 24 36,36, 44, 44 120, 29,3636 36 Analizar descrip 22 Lae puntuaciones de un test de inteligenia de 198 personas deron los siguientes resultados: Puntuacidn: [30,40], (40,50. (50, 60), 60,70}, (70,80), (40,90) Nodepesoms 6 17 6 Analizar dscriptivamente 3. La clsicacign de 100 familias por el numero de hijos ex Nedehjon 0 1 2 3 4 $67 8 Nedefamiias 11 13° 20 28 0 4 201 Analizar descriptivamente 4. Se tienen os siguientes porcenajes de las tallas de fos recta {8d reemplazo de 1968: “alla encm. menos de 150. (150, 15] (188,160) (160, 165) % 03 16 a 1s. fm. (165,170) (7,175) (175,180) mde de 180 mas m5 107 35 Tall Analiae deseriptivamente Datos obserados en un estudio sobre el tamaao de los huevos de exce (Biometrika (1902) Anciara Ne de hues 1375-1435, 1435-1475, 1435-1525, 1528-1578, 1575-1625, 1625-1695, tes 1725 1738-1735, 1778-1825, 1828-1875, 1875 «1825 Bote ne n Analizr descripivamene En 1879 Michelson obtuvo lot siguientes valoves pare la velocidad de la Jur en el ait (oda los resultados rstando 29900 los datos orginales, fh kang. pra facitar so maneo): 850,740, 900. L070, 90,880,950, ‘580, 9, 880. 1.00, 980,930, 630, 760. ‘En 1882 Newcomb, utizando oto proeedimiento, obtavo (restando de nuevo 29900 8 #6, 77H, 796, 642 TH, 1, 39% LOSI 781, S78, 96, ‘778,820, 77S pie: 4) Diagrams de alloy boas para ambas dtibuciones, 1) Medias y desvaciones tpn 1) {Que conclusions pueden extracts? Lo siguientes tos feeron wtiizados por Lord Rayleigh (1894) En els lapmecen los pesos del itedgeno producdo a parti de eompuesios qui hs 0 ¢ patr del site suprimiendo el oxgeao. Anaizaros mediante un dagrama de tllo y hojae Fecha _Orgen Agente purleador Peso de nlrdyeno B-XI-1892 NO Acro caliente 230143 SUIS NO Acero caliente 220816 GXILIDS NO Aoero eaeae 230182 NO Acero caliente 223590 Aire Acero cente 231017 TEXILI3 Aire Acero eaeate 20986 ISXILIB93 Aire Acero caliente 21010 BLXILIBS Aire Acero caliente 231001 2eXILIS NO Aes caliente 220889 DEXILIBS NO. Acero cliente 223040 NH.NO, Acero caliente 229899 NHINO; Acero caliente 220889 ‘ire | Hidrato de hiewo 231024 ‘site Hidrato de hero Aire Hidrato de hierEstad{stica descriptiva de dos variables 1. Introduceién En muchos casos etaremos intersados en hacer un estudio eonjunto de vari caracteriticas de una poblacin, Para far ideas, y para 90 complica ‘otacon, supongamos que deseamos estudiar dos craceristica cuanttativas Xe ¥, de una poblacion (as consderames variables euantitatvas porque [os ‘onceptos ques van a define slo tienen sentido para elas) Xe pode Ta longited yl anchura de una especie de insectos, a tas de iafasn y I a de desmplco de un pata lo largo de una sere de aos eto objetivo fondamental va a ser uatar de encontrar una curva sencilla qu express (de manera resumida) la posible rain ent Xe ¥ 2 Conceptos bisicos y planteamiento Para haere extodo conjunto de as variables cuantitativas X eY,supondre ros que sisponemos de una mucsea dem pares de observaciones de Xe Y Gp Fah son Oe Bd Fs deci, para el elemento smo de la muestra observamos lo que vale I ‘arable X ¢ ¥-Fsto es fondamental para poder dec sig sensato sobve I Posie relacon entre las variables. gual que en el capitulo dedicado a la Estadsviea Descriptive de una variable, no se hars ninguna mencion sobre ‘mo sh obtenido In mest, Tenemos en mente Ia dea de que represent 4a poblacion total (de alguna forma}. pero esta idea ise precard mis necesiard (de momento Por sopucta, se puede hacer un eto de cada varitle por separa, Caleuar en particle, medidas de centraliracisn y de digersin como Sy 5 5, Adends, ests valores los neorsaremos mis adelante, Pero, coma emos indieado, no es ete el objetivo fandamental,Ants de aces cali tel, cone reeset en plano ls pe de valores cbenlon. Con cto oenemos una He de pte. que en foes dar aa ide val eas poles easones existent Fg 3 Fig 21 Adams de os coneios 30 ion de media y vane, vamos ¢ sce eh asso el cons coven ee conte lak dos variables a la vez. ™ DEFINICION: ls courianza mucsrl ene las obseracines de X e Ya define Ls covaranea va a sparecer de manera natural al obwner rect de rare sion (un poco ts adelante). De momento, podemos indica (de manera ink tal que hay cits asocacén ent el signo dea covarianza la onntacicn dela nube de puntos (Fig 22 Es Ife comprobar lis axoccions indcadas sin mas que a \efici de coveriana. Por supucsto, se rata de una simpifeaié, 3. Modelo de regresin lineal Sepongamos que la nube de puntos obtenida es de cualquiera de las dos formas indieadas en lt Fig 23. Fi. 23 En estos caso parece bastante razoahleintentarresumir oda la nue de puntos mediante una recta: con esta recta se trtarta de ormalizar fn iden de ‘ue existe una Girt rela inal ente los valores de X e Y. Una de las ‘arabes jar el papel de variable independinte (1X) y la otra desepenara el ppl do variable dependent de la primera () Esta sein etd dedi obtener areca de reresién de Y sabre DerinicioN: la recia de regres de Y sobre X es la recta y=a-+bx, que rintnia el erorcuadratce medio (ECM): ECM. piranha? La iden de In rect de rgresién ex secil inentamos encontrar a eta que niejorrpresenta ala nube de puntos, ene setide de minimizar ls medi de os euadados de as distancasvertals dels detente puntos ela ruby teeta (ver Fig. 24) "El problema de hala sta recta de epresin reduce al problema tenico ‘de rinimizar una foncidn (ECM) de dos variables (a y 8. Eso cs lo que pee ene- DeFINicION: Ja varianza residual es ef error cuadratico medio cometido con ia a Dera or | en 18 COV5, 005, F . Vetoan witni=! § (yayoSMer a Set) Fig. 24 ze 7 ia eeme! Baa ~3 (Estenersoe § gan -m F xo+aa 3 x) Derando con spect a cada vasa igmlando a ea, obese Siguiente sistema de ecusciones: : SESH 1 (oa naar fa) -0 $2 Banned a)-0 oa stn tint de ren ta any Stang 5 pe te Se nde compar (pr no harem) gue ca solic coresponde nim de a fancin: Pr tno, eae rprei Ys Ye En deta ed rpesion de Ysobe yy Es obvio que, sain como sea la ube de puntos recta de represiin a tepteetard mejor oper Esto vedo por ero cundrsoco mede (3 ocmrs (Se) F to-ar-2 Se § owas) ota, (4 a) El coriente que aparece en la lima expresion recibe un nombre especie: DEFINICION: el eofleme de correlate muestra entre Xe ¥ se define coms Bl coeiente de coneacién muestra tom sempre wn valor entre —1y 1 (ya que la varanza reival al ser una summa de cuadrados, no. puede tt rnegaiv) Fl que ocuria con In covaianra, hay una cera asociacsn entre aloe der lt orlentacion de la aube de puntos (Fig 25}. Fe2s4. Aplicaciones del modelo de regresin lineal En muchas stuaciones,intentar resumir lt aube de puntos mediate una rect puede no tener mucho sentide. Por supuest, sempre e puede halla eu esa fecta que mejor resume est nube de punios pero ew resumen puede so) ffaneamente malo Podemos pensar en una gran vavedad de modcos alterna vos al modelo linea. Esta seccion va a estar dedada incur emo 5 pueden aplicar os resultados dal modelo de reprsiin incl a ottos moseon ‘como el logarimizo,exponencal, et. Todes elo tendrdn en comin que se pueden reducir al modelo lineal mediante une sncls transformed, En general, disponemos de unas abservacions (4) (9) dos arses Xe Y de una potas, y qurenos star un movel do +b ats esos datos, podemos defini una nueva variable estaditica T= g(X)y hal la ecia de regresin de sobre T correspondiente alo datos, 94) he) donde 1,= 90s) typ) Una ver obienida Ia rosta de Tegesén de ¥ sobre 7, deshacemos ci cambio y obtenemos la curva pedi, Veunosalgunce ‘Semplos EIEMPLO (REGRESION LoGaRITMTCAk cua a mibe depose om la gue ‘parece en a Fly 26, parece bastante aconsjabl ahstar un model de a forma yHatb log x (reqresinlogartimica) (7 qu a ube de puntos recerda la fancy 2), donde oe logart Fin 26 En est caso, dfninas T=log X, allamos ta recta de regres de ¥ sabre 1 1 deshacenos el cambio (deskacer el cambio signa aga que la rete de ‘regresion de Y sobre T obtenia es, por ejerpo, = 2 3rd cura pede papas, 53-01 bg) [E,eWPLO (REGRESION EXPONENCIAL: cuando la mube de putos es como una de Tas gue aparecon em ln Fig. 27, stam razomableInerar representa mediante um modelo del forma ad (regresin exponencal) (gue dihas mies recardan lax faniones ye" e ye") Fie 27 Tomanto logartonos, tondriamos log y=log a+bx. St ahora lamamos log lo sico que temas gue hacer es hallar ta recta de regreién de 7 Sete Xj deshaere combo (on este caso, devhacrel cambio signca qu ia ‘eta de regreson de T sobre X obtenda es, por ejomplo. t= 2+ 4x, Ja cuca Dodi ex, simplemente, 06", 0 Logue es igual. Y= 1392"). S.Ejercicios 1. Lor siguientes datos corresponden 4 la evlusion det peso ex fn mgr ml) y ls eanidad de ntato‘en un colt de sgaé durante 3 das Itediciones cada 24 hors Tempo(T) Peso(X) Canidad de mira) oor ois 032 oT os ator «peso (X)y scantidad 1) Ajustar un recta yuna exponen fe miteaton (¥). 1) Kjstar una curva la evolucign temporal del peso. (©) Mediante lo obtenido en a) yb) estar la cantdad de strato que Se ane eee or ae2B mest de dreas contiguas se utliza en Ecologs inimero de especies ditntas de planta por dre. El recuento se realiea de ‘manera que cada siguiente dren contigua tene el doble de supericie fempezande por un area de I'm, svi el siguiente exquema: I modelo que relaciona ¥=n* de especies com X =superfcie en? es Yealog ¥+) a~todce de diversdad, sea) Ajestar dicho model a oe dace X 124862 6 w Yo24°7 1 16 19 21 expecie ditntas 3. En un estudio sobre la resistencia a bajas vemperauras del bacilo de fibre tifoidea, se expusiron cultivos del baila durante dierentespriodor de tiempo 4 ~5°C: Los siguientes datos represent X= tiempo de expoicion (en semanas. ‘Y= porceatje de bacon superivients, Kom 123 5 9 1 ¥: WO 42 14 75 08 O11 095. ocr 164062 § tor 9952 isa ona recta yuna exponen los datos. Interpret ls eu Ajustar uoa ret ‘oh, 1 os datos siguientes de lon careteres X~longitad fon ejmplares de Rubia peregrina de la oclidad Xi oO 2 33 D4 27 38 25 37 25 BB A 37 4S 27 IB 3s MVP CPE TSA PATHS FT -Ajustar un recta «Ins caiissiones de 14 slumnos en dos asignatras rons Bioesadbicar 33 1 6 $8254 7 75 65 9 10 51 58 Histolopie —2435S5591 4 78 6 7 8 43 3 ‘Una fabrics de cervecaquieeaverguar si existe una relaciGn ineal entre cl dinero que asta en anurciosdetelevisin y sos ventas foals Anaizar os siguientes dats: Ventas Gaston em amancos de TV Mes (res de dilares) "(miles de dares) Enero 0 os 0 09 x0 oe 50 or 31 1 9s ars 95 os 7 Una empress giere conocer la relacin entre tamaho desu equipo de seas y ss ingresos anaes en intos de mis de dues) Se examina lar clras de low 10 stinoe ats, obtnisndose los datos de In tabla sigwente dito Nide vendedores Ventas 1975 Is 135 196 18 1st i 8 2 978 2 2a i 25 26 1980, 2» 293 1981 30 Mat 1982 2 36 983 as 363 ia. = bi 44% Lasiguent tabla properiona tres indicadoresecondmicos pata los pales el OCDE: x, x axe ral de Taso de crecimiento de PNB desmplen on media 7282 1586 20 800 28 130 26 450 22 B30 2 930 875 2230 12s 62s sos 300 1400 1895 00) 1030) 25 1s “0 225 16 495 3B 1150 is 110 ts 300 as 030 SI 1350 Representa grificamente los datos consderundo los indiadores de os en dos, y hallar ls corsespondientes cotcentes de correlation, 8. En un ertutio de aboratoro se han medido, en una crt especie canin, as variables paso (X} y eonoenracién en singre(F) dea certs surtan fn. Los dator resumidos son los siguientes ry 135 Ew asa de increments ie indices de resis 1985 2675 x 2 1 2s Lyai7 Lyi 19,83 Dev yhesan Ehezone p23 sea 2) Calculate coefiiente de corelacia ene Xe ¥. 1} Ajestar una cura de eauciin F=a+ Bi a os datosProbabilidad 1. Introduccién Como hemos visto el objetivo de la Extaditica Deseripivs es simplemente hacer una descripeion seneila de los datos eocespontheney a le mnestea ‘obtenia, Pet, abitulente, vamos pretender ms el objeto fundamen, tal do la Estadistia es infer as propiedads dela poblacin a pact dels propiedad dea muss Para esto necsiremos Un poetic de union ene In pablacgn y ln muestra, Este pent lo formarin los moielos de probate tian, ‘Cuando consideramos un experimenio © fenmeno stator (Como el lanzamiento de un dado ola obseracin de una persons a ay para obtener si altura no sabemos de antemano cull eel resultado gu amos a obtenr Pero, normalment, tenemos certo condciniento sobre lt mayor © menor posbildad de apurcén de los diftentes resultados. Este cnncimicnte ee fe se tata de resogeryformalizar en e concepto de pecublidad. Vea Snido, cn muchas ocasone, la iea de ecuensa flat de apariidn de se rewtllado cuando se repite muchas voes cl experimento lavoro en las iss ‘mas condiciones, 2 Conceptos bisicos Deii10% espacio musral de ws experimen altri esl conju de resultados elementles que pueden obtenrse en dcho eperineny, Asien el lanzamiento de una moneda, e espacio matial es ©=|Care, (Crush ee lanzamiento de un dado, =i, 23,4 5, dl experiments slealrio ol eles al azar de un persoca adulta de a poblacion pars ‘medi su altura, 2 serd un interval que reoja as lturas que avonablemente, Doeden oblenese (por ejemplo, eh interval (1.50; 2105 tango. tambien, demos cucarnos en salud y tomar el ntervlo (0: =).DerINIctOn: wn suceso es wn subonjnto de espacio muestra (En realidad cesta dfcign no es rgurosa deste el punto de esta mate, a gue, eb ‘ertaystuaione, mo todon lo sbounton sero sucess: per, pre ‘sinc rigaona, ncestartanos el concept dedigebra fo debra) sie fete nel, lo dnco qu hace es eear comin) Asien el lanzamieno de un dado, un see seri, por ejemplo, obtener uo numero par. es doe, (2,4 6) en la obteneén de ator dena poblacon adult, un suceso sera, por ejemplo. que a altura estuies dentro deiner To 70 130) DDerINIcton: wr modelo fucin de probabil es wna frcn P, que a cade suceso Ale hae orresponder ui mbero P(A) ene Oy, sercande 8) a)=1, BY Si Aas Ag om sucess dito (0 nce: PUA) =E PUA) Esta dfnicidn de modelo de probabilidad est sueria por ls propieda: es de as tecvecis telativas. Por supursto, la definign no resuelve el problema de asignar probablidades 4 erence soeror en una nibacin {eteminada; fo Unio Que bac la defnicin aneros es imponercetas cond tones de coerenen a cualquier modelo de probablidad. A parr de estas condiciones aninimas de coberenca a pueden obtener, sin rmbarg, mockat Dropiedades que sevin muy utiles, en diferentes stuaciones, para eectuar el ‘ileulo de a probablidad de sueesos compliados. PROPIEDADES DE UN MODFLO DF FROBARILIDAD. 8}, Para cualquier suceso A: P(A imentaria de A en), by PW)=0 (donde 8 es el sueso taco) 9 HACE: P(A) (donde A e5¢ sceo compe. PLA) PIB) y P(B=A)= PB) PLAY 8) LAW B)= PLA) + PUB) PLAN. ©) Ui A= Ban PUA)mE, PALA =I Todas esas ropedaes son sencilas de comprobar 8) PR)=PAUA)~ PLANS PUA por tanta Play= PIQ)—PIA)=1~PLA) by PO)=1—PE=1- PLR)=0. ©) PUB) PAUIB- AD PLAV+PIB-Ak, las dos conclusiones de ese ‘partad Son ya medias. 4) PAUB)= PLAUIB- (AN B))= PLA) PIB [A= = PIA) + PB) PLAN ©) ES una generalization de la propiedad anterior. Se pede obtener por Induct sn mucho exfurso {pero no lo harmo) 3. Espacios muestrales diseretos ‘Uns boone parte de los experiments sletorios que vamos a considrar son ‘specimen seni de dexeibir (en torah, ym que constan solamente de ‘onjuntofisto 0 numerable de posibles resultados: Por ejemplo cl lanzamien to de un dado, el numero de sinestros a los"qu tiene que her frente ung compara de wguros, et DEFINICION: un espacio muestra es dseeto cuando esto 0 maneroble Alec, adete ana deweripcin del forme D=10,, 00} (Por saps. ene caso fit qutrtames los patos suspensvos.) ‘Cuando el espacio mucsral es aiceto, el modelo de probabiad queds perecamenteespecieado dando la probeblidad de cada suceso elemental (sucess con va solo elementos det, solo tendramos que dar los valores Pha Plog verieande: 4) Pla) 20, para todo a, Pla Evidentemente, para cualquier sucoso B= Yb. By tendeamos P= PU). UIA.) FP) ‘Veamos, fnamente, a stuacién que nos encontramos frecventement ‘cuando espacio muesta esto: ay, ay. Emste cso, BUERSS Veo tiene rete consider ipialmenteprobabie todos lo sero elemental (pero hay que tener cusdado porgue esto no sempre es as. Considerar ‘qualmente probables significa tomar Pla,)= =~ ~ Pla)= lin y entonces en te exe, pra un suceso B= (by bl Otendrtamos lo muy popular ea ‘de Laplace:fe _ esos farables casos poles nay 5 Pe ta rela lt podemos ilizar siempre que aceptemos que los sucesos elemental son gualmente probable. Ha que hacer notar que la seneiez de favrele de Laplace ex algunas ves, engahoss el recuento necexrio para Fala os eas favors puede ser francamenteengortose 4. Probabilidad condicionada La probabilidad de un suocsodepende de It mayor © menor informacion que tenga, Veamor esta idea eno siguiente ejemplo [ExEWPLO: conlderenos ef lancaniento dew dado ene gue todas las crass Iquelmente probable exe dodo es lazado a proba de gue reutado (Bie dere suceso A~{0, 2 es 12; in embargo si ms iforman de gue el ‘euado ha sido wn mero por, ax esas cambiam gue, ahora, 1s cas poses se han redid al como (2 4,6) 1s ass ferorables ol suceso nesta wae situa, shan educde a eunfuro (2, 8) Por tant, la probabl ha del suceso cua sabemos que e esutadoha'sido pare 2/3 podemas fexcribria de fa sguente form: 2_ 46 _PIAnwa 36 Pipen Plalpar)= sta iden la que formatizaos en la siguiente defini DEFIMCION: la prbabilidad del ces A coniconad pore sucso (0 dado (qu semis ue ha ocurio ef suceso B) se define com, bar i dfn ng seni, eco qe #20. Beto ts Pts tontods gw apn upd eo de ea ta heap, stains si somo Ia dl dele dl dato re dn anit robb cotta ‘ssa Ss todo een conn mor ty SR my apenas ssn ge compen wht I ‘5. Sucesos independientes Desde um punto de vstaintutivo, iremos que dos sucess son independiente ‘nando «la ocurencia de uno de ellos no nos dice nada nuevo sobre l ‘eurrencia def trom Esta es aide que intent formalizar eon a siguiente Seles DDEFINICION: dos sucesns Ay som independiente cuando Pane) PAP En general, los ses0s Ay Ay Sam indeponicntes cuando, para cual eaeclin de ellos, An Ay 5 hehe que PALA. 9A)= PAD PLA. La siguiene propiedad pone de eliee el significado intuitvo de a deta iin de Independencia PROPIEDAD: decir que A y B som independents es equtaente deci qu PA B)= PUA) En efecto, si Ay B son independines PAN B)_ AAV Pa) =P Resiprocaments, § KAIB)~ P(A), tna mray=mraiay= M408 7B) Derpejnde PLAC 8) obteneos el reslado EIEMPLO: consderomos el experiment aeatorio consistent en dos lanza: 1 de ura moneda equlvada, El espacio muestra es =1C. CLIC, XM. CL. ¥)) onde Ceara, X-eru y la probabil de cada suceso elemental e514 Si cnseramos los sucess A ara ene primer lrzamieno}~(C, Ch\C Xx)» Bleareonelseundolaneaneto) = (C. CX, Cla imei nos de Inmedatomente gue los dos sacesn son dependents. Por supuso, se poe imprbar que la dfcin exté de acuerdo com Ia intone Jet, ang) U4 y AA) PB 112Sin embargo, si desea estadlar la posible independencia de A (el mismo saceso que ante) p D= diferente resulado en ls dos lonzamientos)~ (C; Xi (x, Ole intact, poublemente, no nas dice nada. Pero para exo nos sire 1 {efile se obtene facionente gue PLACD)= 14 y PLAI= PID)~1/2, con Io ‘ual obtnemes gue A'y D ambln son independiente. 6 Reglas ditiles para ealeular probabilidades, Enmsta seein vamos a estuiar tres rela cuyo objetivo sel de fciitarnos ceseulo de probubiidads en diferentes stuaiones. REGLA DE LA MULTPLIEACION Prot A)=PLAPLA|AIPAIAL A) PAOD AD La comprobacdn es nmedlaa: silo hay que escribir as probabilidads cond. dona del sean miembroy oserar que tos Is termine se eanclan unos 2 otros, sale PMA Ea regla seré muy util cuando queramos calelar la probabil de cocutrenci simultanea de varios sores y ns probablidades condcionada dl Segundo mimbro sean senils de calclarNaturalmente, ene caso de que los scesos 4.» A, san independents, tenemos, simplemente: PINE AD PLA) PAD [EEMPLO: onan ure hay 20 Bolas Dlancas y 10 bolas ngras. Hacemos ies estraccones sn decoluein la urna ;Cl es la probabil de que las tes Sun Blancas? ‘i Hammes A, 2,3 al sexo La és bole extra es Banca, ‘las tes son blancas)= PLA, 14,0.) 20 19 18 “Dm ADMAAYAIA OAS Las tres probabldadescondcionadas del fia sow weales de obtener: por jem PULLA,O.4,) ela probabil de obtener boa Banca em la ereera xtracede, cuando saber ue las dos prieras ba sido Blancas. Por rant. en ‘re mamento. quan on la urna 28 Bolas de ls cules. 18 som Blancas: e0 eaurncia, P(ASA,1A,)~ 18/28. [REGLA DE LA PROBABILIDAD TOFAL: sea Ayo Ay sHreso8 les que a) Ut Ao 1b) A\O.4,=0, para todo 41 a be T AyBiad REGLA DE BAYES: stan Ay, Ay sucess ales 8) Uhre 1b) Aim, pra todo Erionces: PAPA PAB SE AAABA) Bn efecix BA.9B)__ PARA PB)” EE AAYABAD La cepa dela probabiidad totaly I regla de Bayes van a ser espe ‘mente Uhles cuando se den las siguientes cireunstancis: 4a) Elexperimeno sleatrio se puede separaren dos etapa. 1) Es sencllo dar una paricién de todo el espacio mustal © median sucesos4)-—-. 4, correspondients a resultados de la primers taps 6) Son conocido” ellmente calculable ls probabildadss P14) Pall 1 Son tonocidsso iilinenteealeulubles las probabidades PUB) PUUbAL donde B es um soso corespondicne a resultados serunda taps, Cuando se den estas circonstancag Ia reglt de lx probubiidad total se ry sil para caleular PH, 9 a rgla de Bayes ser muy conveniente pa ‘obtener PVA |BEn os siguientes ejemplos veremas que, a menudo, el experimento alate fio eonsiderado corresponde a esta suas. ExEMOLO: supongamos que tenemos dos wrx. Laura I contiene 3 bolas Blan cas y 2 negras: la wra 2 conten 2 hols blancs 3 negra. Cot probabil 173, extrareos una bola al azar dla urna | comproabldad 2 aera: ‘mos de ln 2. {Cull el probablidad de que la bola exrida sea blanca? Sia final os comuican gue ln bola exrada ha sido lana, geudl esl probubildad de que a exiracctn se haya efectuado dela wre 1? ‘Se dan todas Tas condiciones enumerates anterirmente: 8) El experimen consaclrameme de dos etapa Primera exape:elecion deta urna Sequnda etapa exaracctn def bola. 1). Se puede hacer, de manera tril, wna partici de espacio muestra ‘medbante os resultados de a primera etapa: Ay ~ la extrocisn me fe ts de la wrna 1) A= (lo extaccon se eect de laura 2) ©) Tenamos PU,)=3 § PLA) =23. 4) Si Tlamamos Bal suceso’ ola bola extraida es Blancas, rnemas FABAI=HS » PBIA)=28. Por tant, apicando a repla de la proablidad tora, rnemos: Ua ola extra ex blanca) = PLB)= PIA, )ABLA,)+ NAVPLB A) is aa 7. 35°35" Aplicando ako la repla de Bayes, lx proba de gue la extras s ‘hay feta de a wna I cwoudo saeros gue la ola otenia es lane, Ser Pa IBA) PA FRB A) AIPA) wes) 3 “Tas e0 7 Sean hemos podido ver en el gemplo, la regla de Bayes nos permite actual. de mantra automa a prababiiad sobre erents sucess a ‘sta del informacion adcional que varnos obteniendo con la experiment ‘ln, En princi, probblded de quel extrac we econ deb ra | fr 13 Pern.tna ver que mos sca na bola y eros compro ai = blanca, parece mus probable que antes que esiomosutlizando la urna 1 (ue ontene mis boas Blancas) La egla de Bayes nom permite actslzar Drobebilided de manera may sencilla En el siguiente eemplo se ve todavia mejor cdma expeimentacisn va smodificando nuestas probabidads. EEMPLO: lar plantas de wa expecie pueden tamer flores rojas homosiglas (RR). rojas hetercigtieas (Rr) 0 bancas(r). Aproximadanente 170°, de as plans com lores rojas so htercigotcas Nos teen va planta con foes roftsy para Intentardlanostcar si ex hoorigtca on, la erasamcs con ne ‘lana de flores blanca. Side ese ruc abtenomas 5 pants. todas con lores ope. ceul es la probabildad de que fuera homocig6ea? Intzamere, sia cinco plantas obese el crce son rojas (neces ‘mente Rr). parece bastante probable uefa planta que nos han trai fuera RR pero noes sear Laregla de Bayes nos permite cuamifcar esta probablidad de ‘manera ry sve. Observemas primero gud condiciones nos encntramos 8) El experimento conta de dos eapas Primera eapa obienciin a azar dela plana qu nos traen (en realidad, to relizamos ninguna obencn al aur pero noha nig problema considera as Segunda etapa: erce com a planta blanca pare obtener S ues plantas 1) Parc dl espacio muestral mediante resltados de a primera etapa: [RR (la planta gue nos acm es RR) » Re (La planta que nos rae es Rr) ©) Tenens: PURR)=03 y PRM = 00. )-Silamamos Ba suceso alas Spans ote en el cree teen Pores jase, tenemos PB RRY=1 9 PUB RY)=(12) Por tno, la probbilidad pedi es: PIRR)PBIRR) FIRRVPUB RR) + PRB RP) 03M) maim 0naF Natualmene [a probabiidad de ser homocigtica se ha modifcado sus fancialnente con Ia realzacion del experiment bu pasado de ser 03 ver (0932. El objetivo de um experimeato ttre conseguir Ia mayor certs Posible: es decir, conseguir que las probabidadss se ueerquen 4 0.01 RRB) 932 7. Rjercicios 1. En und ciudad se publican tes periddicos 4. By CEL 30% de ia poblacinlet, 31 20% le By ol 13% le Cs 12 eee A y Beal 98 4 Cel 6% By C: fnalmente cl 3% ke 4, By C. Se pide1a) Porcenaje de personas que lea menos, un de os ies pico. 1) Potcentae qu lee sso A. ‘} Poreentae que lee B 0 C. pero no 4 4 Porcetne de personas gut olen A, © no len ni B i C 2. Sex un dado tal que probablidad dels stints erases proporions A nimero de puntos iazeritoren elas, Halla ls probabildad de obtene ton ete dado un nero pa | Un examen de rei de Hicncatura consa de 14 temas. Se lin dos azure alumna deberd eroger uno para contest. Calla le probabil de que aun alumo, gue ha preparado 5 mis, I Youu menos ind que sabe. Cua! es nimero minino de temas que debe prepara part que fengn ons probabidad superior 1/2 de soperar & 44. En una reunin hay 25 personas, Calcul Ia probebiidad de que cele tens comple cl mismo dia del ao, al manos, Sos personas, Se hacen tes disparos simultsncos com res canons distinos, indo lo probabilidad de aleanra el objuiva 1 020.3 repectivamente. Calc lar la probabiidad de cada uno de lor némeros posbles de blancos CCacular it probablidad de obtener al menos, un Banco {6 En un jurado compuesto por es personas hay dos miembros que tomnae Ja decsiin cornet, cade uno de eos, con probabiidad peel tere! tmicmbro lanza una moneda al aire cada vex que ene que tomar una ‘cscn, Las decsioes se toman por mayorta.Debido al euiso com- portamiento del tercer miembr, se decide format ogo jurado que peste ‘te debe estar formada por un numero impar de miembros, est formado por uno cualquiera d fw otros dor componentes cEs ahora mayor le probablidad de que el jurado tome la desisn correcta? Los euro grupos sanguineos se reparten, cn una poblacin, sein ls porcentajos (43%) BBs AB (Ae) O (48%) Teniendo en cuentas fcompaiidades que cxstn entre os grupos ealulr la probabilidad ‘de que dadae dos personas Xe Y, cleudas al azar. X pueda recibir sangre ‘e ¥ suponiendo que lz poblacién es muy grande ‘% Dor estutintes quidan en un lugar determina entre ls 12 yl 1 con tl siguiente acverdo: ol primero que lea espera a otro 1/4 de hors. ‘laps ne marca, Si cada uno de ellos Hepa al azar ene as 12 y I ‘lear Ia probabidad de que se cncuenten ‘Uns poblacn est formada por tres grupos cnicos: 4 (30%), (10%) » {€ 160%) Los porsenajes del caacter-ojos arose sn, respestivamente in errs 4) Probablidad de que wn indviduo clei al azar tenga ojos laos 1) Probabiidad de que wn individuo de ojos oscuros sea de A. ‘Stun individ elegido al azar Une los jas datos, ja qué grupo es ‘mds probable que pertenezea? 10, La cuarta parte de una peblacin ba sido vacunada contra uns enfermes dd infccons Enel tranacurs dena epiemia de dicha enermeda, se Consata que enfe losenlermos hay un vacomado por eada 4 vacua os 4) (Es de alguna ccaia tn vacuna? 1) Sie se gue la epidemia ha sect a uno de cada 12 vacumados, endl era ln probabiidad de caer enero para un individu no ‘acnnado? |, Una prusha de diagnéstico para un itt tipo de ace, tiene probabil «dad 096 de resuterpostvn sel pacene tone cancer: el 95% de los Indvidvos sn ednoct dan prusba neztiva,Seelige un Individuo al azar fh una poblacion de prronay, dels cuales 0.3% denen dicho tipo de ‘ince (proba ssterdlica en enermadad de poce inciencia) 4) Cute: proabilidad de que el indivdo dé resultado positive y feng since? ;Y de que dé resultado postivo y no tenga ence? 1 Sisabemos que el individva ha dado resultado postive, ceul es la probebilidad de que tenga eincer? 12, Sepongames que tenemos tes tarjetas, dé Is cuss una tiene ambus cara ojo, amas cas blancs yl tercea, una cara blanca y ora oj. Se esivae una, al zat, y se cloea sobre la mest 4) .CatlesI probabildad de que la cara de ariba see ron? 1 Sila cara de aia es raja. coudl ex In probabidad de que la de abajo ambi lo sea? 13 La probabiidad de que wn sistema tenga falls durante un dia viene ada por 1 to ehi2, a Si se presentan fll, el sistema deja de funcionar con protabildad 1112p Caleuar la probabiidad de que el sistema haya tend n falls Si ba dejado de funeionar 14. Supongammos que tenemos ratonesnegros y marrnes. Los ratones neers tom de dos ips seadicos:horocigticos (BB) y heterocigsticos (Hb. os Imarrones won dew alo tipo (bb) Las genes actdan independienemen. Si tenemos un ratén negro qe sabemos gue sido engendrado por el pareamiento de do ratonex Ble15 nm 1% 1. a) {Chil sla probabilidad de que ea homogsic? :¥ heterosis! 1) Si ademds Sabemos que el futda negro del apartado anterior se ha apareado con un ratn marrén y ha engendrado 7 ratones todor epros, cules bora, la probublidad de que sea homociestio ey de Hardy Weinbers CConsidremos dos genes, A, y Ay. que originan tres poles genotipox Aud Avda ¥ As Supongamos que et emparejamiento de los genes e+ aaa in seein ni mutaciones lo que significa que las probabil desde los dilerents gentiposvenen dadat por Pld, A I= PIAA) PUA A)=2P14,1 P14) PLA, AI= PIAA) CComprobar que la poblacién es genéicamente estable: es desi, as proporcones de los distiats genotpon ne mantenen de Renracin 60 ‘eneracion (Fsta eyes cera em general para m gees Ay 4) La fibrosis quitica ex una conocida enfermedad genética que seeta & nies con una dosis dable de un gen recesiva (genotipo vee). Come produce la muerte en la ifanes, lov ios con dicha enfermedad sn resultado de crue de portadore sanos de la eafermodad (Ce Cel Eh tint pobleién grande se hn observado que la frecuencia relativa dele enfermedad cs eproximadamente | en L600 nacimenios en uta genes ‘in dada, Calla la proporeén de potadores en dich guneracisn, Los 4 grupos sungutneos se reparten en una poblacén sexi los porn tajes O (364%) A (45%, B 113%) y AB (6% y suponemos que la poblcia se h ereado por unions alatoias de pamela sin sles -utacionesthiptesis de a ley de Hardy Weitere) 4} Cakeular a proporion de ls genes 4, By O en la poblacisn 1) Caleta Ia probabil de que un para, ambos ‘con grupo si guineo A tenga un hijo con grupo O. Lo mismo, ssaberos que el padre de ella &s 0, La hemofia es una enfermedad produc por un gen reesivo situado en leromosoma X; por lo lao, pea gue uma mujer (OX) ses hemo ‘be tener dicho gen en ambos cromosomas. ments que un hombre (069 lo seed sf iene en su ico cromosoma X, Calcul la probabil ‘ad de que una me, con padres normale, un hetmano hemotfico,y ‘easeda Gon un hombre normal tenga un descendent hemotice, Cisro spo de jaquecs se herd a tans de un gen dominate, Roberto ‘su made peer jaguca: nol padeen a el padre nla mae de Rober to. Si Roberto y au mujer ewen doe nos, calcwar la probabil de uc a. 4) Al menos uno de fos dos tos padezc jaquece. 1 Uno a de os ios paderes aque ‘Atendiendo a une enfermedad gensic, una especie de ratones © puede divigiren tes canes no portadores (BB), poradores (Bb) yenermes (6). 4) Cruzamos dos ratones portadores y obtencmos un rata que no etd cnfermo. {Cua sla probabilidad de gue ex porador? 1b) Elratin que hemos oblenido se eruaa con uno enfermo.y s¢obtenen os stones ao enfrmon. (Cus ex ahora la probable e que fuera portader? El coor de una sepecie de mamseros viene determinado por dos genes N ym Puce haber eemplares negros homacgoicos (NN), neROs Hetero _Eticos (Nt) blancos homosgatcos (nn. ‘Uns hembra negra 4, procedente del cruce de un macho nero homo+ ‘igtico (NN) con una hembra negra heteroegstica (Nn enuza com un macho blanco (na) ) Si sene $ cachortos, probabiiad de que 2 sean negros y 3 sean bancos. 1) Si tiene 3 cachoros todos negros probabilidad de que A ses homo. spsticn. ‘Un examen consta de 5 temas numerados, Para elegc un ema al azar. st propane lzar un dado, shale de I a 5, el olmero del tema es el Festtado del dado. s sale 6 ae wulve a tira hasta que slga de a5, Siberos gue el dado eat trocado de tl manera qu la probabilidad de ‘ue sal el nimero 2 er 2/7) probobilidad de cuales otro nimero 17 Halla a probabilided de que saga el ems I (que el dico que amos estudiade) Tnooulames un views 22 ratones para hacer una serie de estudos. Por un ctor en el Iaboratori, estos 2 ratones se mezsan con otros 8 compe mente sanos, Como mo los podem dining a simple visa, comes 2 tones al azar de los 10 que tenemos, y decicimos esperar | semana Sahemos ue la probabildad que tene un rate de sobresvir semana 51/7 sha sido inoculado y 56 ses sano 4) Probabliad de que estén los dos vvos al eabo de 1 seman 1H Si tow dos sobreviven I semana, jeusl es la probabiidad de que fuera ls inocalados?!Variables aleatorias 1. Introduccién Muchas veces nos va interes resumi os resliados que hemos abtenida a! Tleyar a cabo un experimentoaleatoro, Por eerplo, x lanamos una moneda 100 wees a resultado ser una Secuencia de arasyeruces. que posiblemente nos intoreseresumirindicando slo el admero de cars obenida: al extdiay tna poblacién de insectos, es posible que, para certs cosas, sco nos interes. nota su longtad en un estudio soiogico de as unidades familiares de une ‘ude, puede ocuri que, para certs cosas, slo nscesiemos rte su nivel ‘eingreson En eada uno db esos casos, lo dur estamos haciendo es considerst ‘mma varabe sletora, 2 Conceptos bisicos DeriNscio%: una rariablealetora X'es wna fusion X: 2-%, que a cade tlomento del espacio muesral(comespondione al experimento aleatono que ‘stemos exullande e hace corresponder un nme re. (Desde el punta desta matemitic, ete defen noes igure 9 gu me oda as funclones so variables aleaoras peo ex adccuade para pr tab este nil) Por supuest, i ide dea denis s que X(o) representa la caraterst 2 que nos interes estudiar. Lo que mis nos ra interes es conocer Ia probabil dels diecite:, sucesos cortespondizais 2 una vartabl sleatona, et dei, st modelo ofan ‘nde probablidad DDEFINICION: sf A es wn subconanto de SE Ce decir, an con de posbles talores de ta variable aleatoria X) dfiimos Palm AX A= Poe: Xw)e AiLa funcisn de eistribacion (que s define continua) es una herein 1 comoda de manear y my Wil pars calular probabiidades de dierentes, DEFINICION: la fence dsrbuci de una variable aleatra e define come: FI)=P\—ce, J=PloeQ=Xlo}éx) para todo xe ‘Cuulguie unen de disribucon ten as iguientes propidadesesensils: PPROFIEDADES DE LAS FUNCIONES DE DISTRIBUCION 2) in, Fe 1) im Fix) ©) Shy cx emonces Pleyi 0) La probabilidad de diferentes tipos de intervalos puede calcula, si singuna dieutad, meant a funcia de disibucdn,utizando las propie dades generale de la probubildad y el hecho de que PU— a0, x]=FC) 3 Pua, b= =, B)~PL~ ee, a}=FIb ) Fla) Pla, Y= P=, 6)-P\—=, a= F6)~ Fla) Pb) = P= 225] A, = Fb)~ FO") Salo dea func Fen punto be Por tanto, sia fancién de dstibucisa tiene wn salto.en un puto, iifica ‘quel probabidad de exe punto es postive. En caso conraro, es ceo. ‘Como se ha indica anleriorment, lo que realmente nos imteresa de una ‘variable sleatria es su funcion de probubilida. Esta fancién de protablidad ‘queda catacterizada por sv fancdn de disiibucion. Ahora bien. en los caso: tis interesante de ¥ariablesaleatris que se nos pueden presenta (due {nuiaremos elas secions siguiente) Hay beranntastdavta ms ech Tae ela func de dition y que sven tambin para determina © reparto de In prohabidad. Fas herarienas srdnlafunsion de mas e& ‘ito de las virtlesaleatortedretas) Ts faneiin de densidad! (para hs ‘ables aleatorias continuas). 3, Variables aleatorias discretas, Deri ane arable ales X detec 2p mar nimero fino 0 maneable de valores "Lafond robebliad de avail scatoria dre X queda carac- teveada por le fancn de masa, qe no dale probaildad de cada uno de exe poses elores P= 9) Pla) Pie: Xo) on Ls funcin dente de una variable seat cecalera (Fig, discrete tiene fora de Fie 41 Ea Estadstica Desenptiva definfamos una sere de medidas de entaliza- ‘S6n ¥ de daporin que srw para darnos una ideuresumida de lo que feurtla con Tos datos dsponibls. Los conceptos que vamos 2 define a ontinutcidn son andlogos alos dela Estadiatiea Deserta y van a srs para rsumir el reparto de probabilided correspondiente la variable ales Derinscios: la media o experanca de na vrabealeatri discrete se define ELXI=E Pos) DerINIciO%: ta id dela means de a cariblealeotornX esl siguiente: Esaque olor valores M ue dejan adver eequierda a sma cent de prohbtdat el vas Ue wna viable lemorta dsreta eta idea se ace de a rama a Fy 2 os des ses sans peFea DERINICION: a arianca de ra variable aleatoriadiscreta X se define come: PVA)= BUX w= Es AD Desrtollando el ewsdeado,y simpliiando, se obtisne gue: 8 SPP) ED Detintcions ta destacdn npn & de un eartalealeatoiadtcreta X esl rats cualrada postive dela variance IEMPLO: eamas a aplicr todos los concept anteriores a a earl letoria -Nimero de caras otoidas en tes lancamientos de wt monedae Euidemtemente, X es una arable oleatoia discreta que puede tomer to: slores 0,12 y 3. Los ocho pastes resados de le tes lanai ener probabilidad 18 de courts (extonos suporiendo gue ta mona eat eure la. Lafincén que constiaye la earablealatri es a guent: xa oo (occ Cao .c0, (en cn (Gc cH (Gro) (ence cry dbtagaana eee eee Lafncién de masa de eta variable aleatorta es Po)=1/8 muy=3)8 )=3)8 Pay= 18 afincion de dirbucion puede cerae en la Fig 4. “Tenemos,ademis: eB POeIS Medians cualgier punto del interealo [1,2] 4. Variables aleatorias continuas DeNicioN: ana eurialealeatoria X ex comin cuando puede tomar cu ‘aur valor ona interval (firtoo fino). (Como on ecasones ater, Se trata de wma deinen rgurosa, sno de expresar la idea exec de manera fencila) Lain de proabiiad de una earablealetora continua queda ‘aracteriada por va func de densidad. gue wna funcion f-M-WR .trie and: 2) (0120, para too xe. by fasta A parc dea fancia de densidad calculames a probabidad de un sueeso relativo ala variable alestoria de In siguiente forma:Por fo tanto a fancion de densidad nos inden cma exe reparto de probabiidad sobre 3, y aos permite calcula ls probabiied presse de un ‘Convieneresltar qu el valor de I func de densidad) en an punto ‘no es a probabilided de apariin de e valor sya gue rv [sore Por ant, cuando rabajamos com variables aleatorias continua prob bildad de cualquier conjunto nitro es cero, come eonserwenca I ancion be dntibucin es continua La funcion de dsrbucion se puede obtener @ partir de Ia fancisn de densidad Faye Pa 9 [100 Reciprocamente en ls puntos en que Fes drivable: Para una variable aleatris continua dfrimos mda, variana, ee de a siguiente forme Dersiciow: la media 0 esperanca de una corable aleatoria continua Xs define como: sen [soe DeriNicios: fa medlana de ana raviable alatorla continua X ese valar M, gue cerca que FM} DDetintcton: fa varinza de una curable alatoria continua X se define comer Vix) = ET =a [orwrnas DDesrtollando el euadrado,y simpliicando, se obtiene Que: ot [ ernas-yeoeDer DDernic1O8: le desiacion pico a de ama variable oleatoria continua X se (eine como la ra cudradapotea de Ta varan. uri: apenas td br lao era oni X car Pena porn it en edo fis soeree FOO Ay em el reno Lo primero que ecestamas ex el valor de k Sabemos que wna furcon de densidad exo neato y,ademis, one que vera: 2 Ze [jae Por tao: En defini, ta frcin de densidad queda exactamente 51 06x«6 en el resto Para oieer afin de dvribacin tenes qu ear F(a)=J* (se Para x0, Fle)~0e para x36, Fx} = I; para x0, 6 noe [sverene 0 wxeo File date Oxx<6 1 x36 ‘Para obtener la meiana, no hay mds que panear la eewelbn Por to tanto (108/746 Si quer calelar, por ejemplo, la probebilidad de quel alo absolut de A ge for 2s enoos ge mar a dead es cores 5. Ejercicios 1. Una compania de refescos anunea premios en as chaps aspurando que en cada 1000 chapas hay 00 con wintentelo otra vez», 300 con premio de 5 pis. 150 con premio de 100 ps, 40 con premio de 500 pts y 10 con ‘premio de LO0D pis. Un inviduo, al que ao Te gusta el rete, desde comprar una boelscxyo cose es 100 pts. Caracerizr su ganancia me Gianie una variable sleatora, (Es razoaable su dedi’ Caleular su robabiidad de perder diner, 22. Sea X una variable letora com func de desided x sdexer foi {ix si texe2 0 end eto 49) Mallar & Comprobarlo grifcamente 1) Mallar Ia funn de distin, E[X] y VO. ‘Sea X unt variable sestoria continua con fancién de densidad fui=x) si x6(03) os xei0.3) fis Se pie 1) Halla le constamte kyla funcidn de distbucion, 2} Probabiidad de que X esé comprendida entre 1 y 2 Probubilidud de que X sea menor que | 4) Sabiendo que ¥ et mayor que I robabiiad de que sea menor que 2 [Li funcion de densidad de una variable aleatria continua es: fast+b si xe(0.2) oY Soa Determinac y 6, stbindo que AU2040, tendremes gasolna del tipo 3.100 pis ltr.