de Probabilidades - Introduccion. Las probabilidades, forman parte de la ramia de la matematica que esiudia los experimentos llamados aleatorios, 0 sea regidos por el azar, en que se conocen todos los resultados posibles, pero no es posible tener certeza de cual sera el verdadero acontecer del experimento. Como ejemplo, de experimentos podemos mencionar: - Arrojar dos monedas al aire y abservar los resultados logrados. - Extraer un naipe de una baraja espafiola de 40 de ellos. Conceptos basicos. Espacio muestral. Al conjunto "S" de todos los resultados, correspondientes a un experimento aleatorio "E" lo llamamos espacio muestral. El mismo, puede ser o no finito. En los ejemplos anteriores es evidente que lo son. En el primer caso tenemos: $= {(Cara,Cara);(Cara,Ceca);(Ceca,Cara);(Ceca,Ceca)} Supongamos ahora que el experimento "E" consiste en plantar una semilla, dejar que crezca la planta y medir la altura que alcanza luego de un ajfio. En este caso el conjunto “s" sera cualquier nimero positivo no mas alla de un maximo desconocido. Suceso 0 evento aleatorio. Dado un experimento aleatorio, se le llama suceso aleatorio "E" a cualquier subconjunto del espacio muestral " En el ejemplo dado anteriormente, donde se extrae un naipe de la baraja de 40, podemos establecer como suceso aleatorio el hecho de lograr un "Rey". Entonces: E={Rey Espadas;Rey Oros;Rey Bastos;Rey Copas} Sucesos especiales. . Dado que el conjunto vacio es subconjunto de cualquier conjunto entonces, es subconjunto del espacio muestral. Por definicin entonces, de suceso aleatorio, podemos afirmar que: El conjunto vacio es un suceso aleatorio y E=@ . Matematica I FADU ‘Anexos Tesricos Probabilidades y estadistica Pagina 2 de 59Macensiiica Wl — Cai: Fiot. J. Slumeniarb hiementos deprobabiidadés y estadistiga --Arexcs toga, como todo conjtito vs subconjunto de si_mismo subconjunto. del espacie muestral. Por definicién entonces, de suce enunciar que. El espacio muestral "S" es un suceso aleatorioy E=S. Operaciones con sucesos. Hasta el momento hemos hablado de conjuntos y subconjuntos de ellos frente a la presencia de sucesos aleatorios. Eso trae aparejado, como consecuencia inmediata, la representaci6n grafica que nos proporcionan los diagramas de Venn. Recordemos que: Si queremos denotar todo el conjunto | El suceso que llamamos "E" enton- Referencial o Universal lo hacemos asi: ces sera: Cuando el suceso "E"” no ocurre lo denotamos con E y lo llamamos suceso complementario. En términos de diagramas de Venn seria: En algunas ocasiones suele ser necesario estudiar las situaciones donde se presentan dos o mas sucesos. Asi es como surgen distintas operaciones. jeall—FADU ‘Anexos Tedricos, Probabilidades y estadistica Pagina 3 de 59Matematica II — Cai.: Prof. J. Blumenfarb Elementos de probabilidades y estadistica - Anexos. Si dos sucesos ocurren simultaneamente a ello lo llamamos "Suceso interseccién 0 suceso conjunto". Graficamente, ello es: Este suceso interseccién 0 suceso conjunto que llamamos "A y B" lo simbolizamos con "AB" o simplemente con "AB" Ss «Si ocurre alguno de los sucesos del espacio muestral, a ello lo llamamos “Suceso uni6n incluyente". Graficamente, ello es: Este suceso unién incluyente, que llamamos "A o B" lo simbolizamos con "AUB" e Si ocurre exactamente uno de los sucesos del espacio muestral, a ello lo llamamos "Suceso unién excluyente". Graficamente, ello es: Sucesos compatibles e incompatibles. Supongamos que en el espacio muestral de un suceso aleatorio, se presentan dos o mas sucesos. Puede suceder que dos de ellos ocurran simultaneamente o no. Cuando esto sucede diremos que los sucesos son compatibles y en le caso contrario incompatibles Ejemplo: Extraemos un naipe de una baraja espafiola de 40 de ellos y estudiamos los sucesos: ‘Matematica Il FADU Probabilidades y estadisticaMatematica il — Cai.: Prof. J. Blumenfarb Elemehtos de probabiiidades y estadistica - Anexos A: ("Sale un Rey” B: "Sale un naipe de Oros" C: "Sale un As* Los sucesos "A" y "B" son compatibles porque puede ocurrir que el naipe extraido sea el Rey de Oros que cumple con ambas condiciones. Evidentemente "A" y "C" no pueden ocurrir en forma simultanea porque el hecho de ser un "Rey" anula la posibilidad de ser un "As y reciprocamente. En consecuencia son sucesos incompatibles. Desde el punto de vista conjuntista seria asi: Ay B son compatibles o NO” Mutuamente|A y C son incompatibles 0 Mutuamente Excluyentes. Excluyentes. AB AC=B jon de Probabilidad cl: Supongamos tener un experimento aleatorio que genera un espacio muestral finito "S" y a de Laplace. que ademas, todos los elementos que forman dicho espacio son igualmente verosimiles 0 sea, tienen la misma capacidad de ocurrencia. Consideremos, dentro de dicho experimento, la ocurrencia de un determinado suceso "A". Liamamos “Probabilidad del suceso A" al cociente entre los cardinales de los conjuntos "A" y "S". Dicho en enguaje habitual, es la relaci6n entre los casos favorables y los casos posibles. Casoé favorables (a) P(A) = Casos posibles ~~ ##(s) ‘Matematica ADU ‘Anexos Tedricos Probabilidades y estadistica ‘ Pagina 5 de 99Matematica !! — Cat.: Prof. J. Blumeniars -Elementos de-probabilidades y estadistica~ Ar Ejemplo: En el ejemplo dado anteriormente, calcular: a) La probabilidad de obtener un rey en el experimento. b) La probabilidad de lograr un naipe de Oros. Resoluc a) Dado que hay cuatro reyes y 40 naipes resulta: P(A) =_C2808 favorables 4 Casos posibles 40 b) Dado que hay diez naipes de oros de un total de 40 resulta: 10 P(B) =—— =0,25 40 Un axioma es una proposicién que se considera evidente y se acepta sin requerir demostracién previa. En un sistema hipotético-deductivo es toda proposicién no deducida (de otras), sino que constituye una regia general de pensamiento légico (por oposicién a los postulados). a En légica y en particular en matematicas, un axioma es una premisa que, por considerarse evidente, se acepta sin demostracién, como punto de parida para demostrar otras formulas. Tradicionalmente los axiomas se eligen de las consideradas “afirmaciones evidentes", porque permiten deducir las demas. En légica un postulado es una proposicién no necesariamente evidente: Es una formula bien formada (planteada) es un lenguaje formal, utilizado en una deduccién, para llegar a una conclusion. Axiomatica de Kolmogérov Sea un experimento aleatorio "E" y su correspondiente espacio muestral "S". Se llama Probabilidad de Ocurrencia de un suceso aleatorio "A" y de denota por P(A) a un numero real que cumple los siguientes axiomas. 1°) La probabilidad de ocurrencia de cualquier suceso es un numero real no negativo. P(A) 2°) Si un suceso aleatorio es el espacio muestral, la probabilidad de ocurrencia del suceso es igual a 1. A=S > PA ‘Matematica —FADU zi ‘Anexos Teéricos Probabilidades y estadistica Pagina 6 de 59Matematica ii — oot.: Frof. J. Blumenfarb ~~ _Biementos de provabiiidades y estadisiica ~ Anexos 3°) Si "A;" y "Ao" son dos sucesos mutuamente excluyentes de un mismo espacio muestral, la probabilidad de ocuirencia de algune de ellos es la suma de las probabilidades. Siendo: AAA, = = PIA,VA,J=P(A,)+P(A,) Este Ultimo axioma se puede generalizar para "n" eventos, siempre que ellos sean entre si, mutuamente excluyentes. Consecuencias de los axiomas. » 2) 3) Si un suceso aleatorio es el conjunto vacio, su probabilidad vale cero. A=@ = P(A)=0 Demostraci6n: Dado que A=AU@ => P(A)=P(AUZ) Dado que se trata de dos sucesos mutuamente excluyentes, acorde con el tercer axioma tenemos que: P(A)=P(A)+P(@) = P(@)=0 La probabilidad de ocurrencia de un suceso, mas la probabilidad de ocurrencia de su complemento es igual 1. P(A)+P(A)=1 Demostracién: Dado que AUA=S => P(AUA)=P(S) Como, nuevamente se trata de dos sucesos mutuamente excluyentes, aplicando el tercer axioma y luego el segundo: P(A)+P(A)=P(S) = P(A)+P(A) Si "A," y "A;" son dos sucesos compatibles, la probabilidad de ocurrencia de alguno de ellos es igual a la suma de las probabilidades de cada uno de ellos, menos la probabilidad de que ocurran conjuntamente. AAA, #4] = P(A,UA,)=P(A,)+P(A,)-P(A, OAQ) Demostracién: Dado que: ALVA, =A,U(A,OAi) => P(A,UA,)=P(A,)+P(A, 0An) a Ademas, al suceso " ag * se puede escribir asi: " ‘Anexos Teéricos “ADU Probabilidades y estadistica Pagina 7 de 58Matematica tl — Cat.: Prof. J. Blumentarb ltementos de probabilidades y esiadistica=-Anes-~ A, H(A, DAU, A!) = PIA,)=PIA,OA,) HPA, OA) (2) Si estas dos expresiones llamadas (1) y (2) las restamos ‘miembro a miembro, resulta: P(A, UA,)—P(A,)=P(A,) +P(A, OA1)=P(A, OA,)-P(A, At) Osea: P(A, UVA,)-P(A,)=P(A,)-P(A, 0A,) De donde tenemos que: P(A, UA,)=P(A,)+P(A,)-P(A, OA,) 4) La probabilidad de ocurrencia de cualquier suceso, es un numero comprendido entre cero y uno. OsP(A)<1 Demostracion: Dado que S=AU(SNA) Como estos sucesos son mutuamente excluyentes podemos escribir por axioma 3: “P(S) = P(A) +P(SA) Por el segundo axioma sabemos que: P(S) =1 Entonces P(A) <1 Del primero axioma, también sabemos que P(A) >0 De donde resulta lo dicho anteriormente: OsP(A)s1 Ejercicios de aplicacién 1) En un bolillero hay 5 bolillas blancas numeradas del 1 al 5 y tres bolillas negras con los numeros 3, 4 y 7. Si se extrae al azar una de las bolillas, calcular la probabilidad de que la misma resulte: a) Negra. b) Con un numero impar. c) Blanca o Mayor que 5. d) Negra o con ntimero menor que 4. ‘Matematica I FADU : ‘Anexos Teéricos Probabilidades y estadistica Pagina 8 de 59En este ejemplo no vamos. a abreviar los sucesos mediante las iniciales cue los identifiquen, pero en general vamos a tener que realizarlo. 3) a) PNegra) = —-=0,375 5 b) P(impar) 7 0,625 ¢) Aca los sucesos son excluyentes porque si la bolilla es blanca, no puede ser mayor que 5 y reciprocamente. 5 4 P(Blanca Mayor que 5) = P(Blanca) + P(Mayor que 5) = += =0,75 d) Aca los sucesos no son excluyentes porque la bolilla puede ser Negra y menor a cuatro en forma simultanea. P(Negra U Menor a 4) = P(Negra)+ P(Menor a 4)— P(Negra >Menor a 4) 3 4 PlNegrauMenora4)=—2-+4- 1. 0,75 8 8 8 En una carrera de caballos intervienen cuatro participantes A, B, C y D. Segin los entrenamientos previos A y B tienen la misma probabilidad de ganar mientras que C tiene la mitad de probabilidades que estos y D la tercera parte. a) {Qué probabilidad hay de que gane cada caballo? b) Qué probabilidad hay de que el ganador sea A 6 CG? Resolucién: Previamente, vamos a comenzar por nombrar cada suceso con una letra asociada a cada uno de los caballos: Sean los sucesos: A: "Gana A” B: "Gana B” C: "Gana C” D: "Gana D” Seguin los datos aportados por el enunciado tenemos que: P(A)=P(8)=p Matematica FADD ‘Anexos Tebricos Probabilidades y estadistica Pagina 9 de 59Matematica Il — Cat.: Prof. J. Blumenfars Etementos de probabilidades y estadistica= P(C)=4p P(0)=4p OS Como “A”, “B", "C" y “D” son todas las alternativas posibles y ademas son mutuamente excluyentes se puede hacer el siguiente planteo: P(AUBUCUD) = P(A) +P(B) +P(C)+P(D) =1 Reemplazando resulta: P(A) + P(B) + P(C) + P(D) =1 ae ae P p PP a Osea:Zp=1 = p=8 Sabiendo el valor de "p" ya estamos en condiciones de calcular ta probabilidad de que gane cada uno de los caballos. PO)=z 7 Probabilidad condicional. A veces sucede que un suceso "B" asociado an experimento aleatorio, est ligado a la ocurrencia de otro ocurrido previamente al que llamamos "A". La probabilidad de ocurrencia de "B", si previamente ocurrié "A" la denotamos por: P(B/ A) A esta expresi6n la leemos asi: Probabilidad que ocurra un suceso "B" sabiendo que previamente ocurrié "A". De esto, el nombre de probabilidad condicional, es inmediato. La deducci6n de su formula de calculo, es evidente a través de los diagramas de Venn. Esto sucede porque al haber ocurrido previamente "A", el espacio muestral, o sea los casos posibles, no son todos sino solamente aquellos donde ocurre "A" y los casos favorables son aquellos donde suceden ambos simultaneamente. Entonces: i —PlaB | QD low se Donde AB=AMNB=BnA ‘Anexos Tedricos ‘Matomatica I FADU Pagina 10 de 59 Probabilidades y estadistica: Matematica il — Cat.: Prof. J. Blumenfarb ~fiementos de probabilidaties 7 éstadistica = Anexcs Consecuencia inmediata. Acorde con la formula deducida anteriormente sabemos que: PAA P(AnB) pa/a)j= POA) p(ava)=PA08) P(A) P(A) Pero ANB=BOA, entonces: P(A B)=P(A)-P(B/A) =P(B).P(A/B) Ejercicio de aplicat 1) En un bolillero hay 3 bolillas blancas y 2 negras. Si se extraen dos de ellas al azar y sin reposici6n, calcular la probabilidad de que a) Ambas sean de color negro. b) Resulten una negra y la otra blanca sin importar el orden. Resolucion: Con las letras asociadas a los colores y los subindices, indicamos de qué bolilla estamos calculando y en qué extraccién. Tengamos en cuenta, que el segundo suceso, al ser sin reposici6n, esta condicionado a la ocurrencia del primero. 24 a) P(N, ON.) =P(N,) PIN, /N,) ==.7 = 010 b) P(N, 98,)+P(B, AN,) = P(N,) PIB, /N,) +P(B,) . P(N, /B,) = Independencia de sucesos. En el item anterior vimos qué son sucesos condicionales y pudimos calcular la probabilidad de ocurrencia de un evento, si previamente ocurrié otro. A veces, sucede que la ocurrencia de un segundo suceso, no esta afectada por la ocurrencia de otro previo. En el problema visto recién, las bolillas se extraian del bolillero y se dejaban fuera de él, con lo cual la segunda extraccién dependia de la primera. Supongamos que ahora, se extrae la bolilla, se anota el resultado y se devuelve al bolillero. La segunda extraccién, indudablemente, no esta ligada a lo ocurrido antes. A estos sucesos se los llama independientes. Veamos otros ejemplos: a) Arrojamos un dado normal al aire. Cada vez que lo arrojamos, el resultado no depende de lo ocurrido la/las veces anteriores. Matematica l— FADU ‘Anexos Tedricos Probabilidades y estadistica Pagina 11 de 59Matematica II — Cat.: Prof. J. Blumenfarb Elementos de probabilidades:y-estadistica™ Ar b) Si en el Sorteo de Loteria de Navidad salié un determinado billete, puede volver a salir el afio que viene. No hay ningdin argumento que haga pensar lo contrario. Estos ejemplos de fenémenos independientes, son muy evidentes. Ello a veces no ocurre, con lo cual para saber si efectivamente lo son debemos formalizar esta definicién. Dos sucesos "A" y "B" son independientes si: PB/A)=P(B)_y _P(A/B)=P(A) Observemos que: esta definicién nos esta indicando que la ocurrencia previa de uno de los sucesos, no afecta a la ocurrencia del otro. Consecuencia inmediata. Anteriormente dijimos que: P(AnB)=P(A).P(B/ A) =P(B).P(A/B) Pero siendo independientes sucede que: P(AMB)=P(A). P(B/A) =P(B). P(A/B) . re Pay Entonces, siempre que se trate de sucesos independientes, la probabilidad de que ‘ocurran ambos sucesos, coincide con el producto de la probabilidades de ambos sucesos por separado. Ay B son probabilisticamente independientes si: P(A).P(B) PC Nota: Es importante destacar el signiticado de la expresién “probabilisticamente independientes”. En los juegos de azar, el determinar si dos sucesos son independiente o-no, es casi evidente. La probabilidad no trabaja solamente con sucesos ligados al azar sino que a veces dependen de un relevamiento previo de datos y luego, por obra del azar se elige un determinado individuo y se evaltia si tiene una determinada cualidad. Para poder explicar esto en forma mas exhaustiva, vamos a dar un ejemplo numérico. Alli, el analizar la independencia de sucesos es un célculo numérico que nos indicaré si efectivamente lo son 0 no. ' Ejemplo: 1) Se dispone de tres monederos: -Monedero A: Contiene 4 monedas de Oro y 6 de Plata. ‘Matematica ll FADU ‘Anexos Teéricos Probabilidades y estadistic Pagina 12 de 59Matematica Il — Cat.: Prof. J. Blumenfar> ie probabilidades y estadistica =A B: Contiene 3 fionedas de Oro y 7 de Plata C: Coniiene 2 monedas de Oro y 8 de Plata. Si de cada uno de ellos se extrae una moneda, calcular: a) La probabilidad de que todas sean de Oro. b) La probabilidad de que todas sean del mismo metal. c) Al menos una de las monedas sea de Oro. En este problema, los sucesos son totalmente independientes porque el resultado logrado en cada monedero no influyes sobre los otros. Resolucion: Vamos a definir previamente con una letra a cada uno de los sucesos Mi: "La moneda es del monedero i” Au: "La moneda es de Oro” Ag: "La moneda es de Plata” a) Dado que los sucesos son independientes, tenemos que: * P (3Au) =P((Au)M,)+P((Au)oM,)+P((Au) aM; ) ea 3monedas ‘de oro. PGAU)=4.3.2 = P(BAu)=0,024 * b) El razonamienio es similar al anterior, pero debemos incorporar ademas del Oro, la posibilidad de que sean las tres de Plata y luego sumar los dos resultados. P (BAg) =P((Ag)oM,)+P((Ag) aM, )+P((Ag) Mg) ee Smonedas de plata P(3Ag)= 4% => P@Ag)=0336 Entonces: P(3AUU3Ag)= 24+ 38 => P(BAUU3Ag)=0,360 c) Ahora conviene resolver el problema contando el niimero de monedas de oro que podemos llegar a lograr y calcular la probabilidad por diferencia. Sea "X" el niimero de monedas de oro que se logran. Los valores posibles de "X" son: X:0;1, 2,3. Matematica I FADU ‘Anexos Teéricos Probabilidades y estadistica Pagina 13 de 59Matematica Il — Cat.: Prof. J. Blumenfarb Elementos de-probabilidades'y éstadistiea= Anexos™ = = P(k2>1)=1-P(x =0) Como: P(x =0) + | Pero P(X = 0) significa que no hay monedas de Oro, entonces todas deben ser de Plata y ello esta calculado anteriormente en b) y resulté: P(3Ag) = 0,336 Entonces P(x =0)+ P(x=1)+P(x=2)+P(x=3) =1 = P(x>1)=1-0336 SRE DPS 2) 4 Sy ‘Suma_ solictada Piet) De donde P(x 2 1)= 0,664 2) Se realiz6 un estudio estadistico con el fin de evaluar el rendimiento de los alumnos ingresantes a la carrera de medicina durante el dltimo afio en la UBA y se obtuvieron los siguientes resultados (hipotéticos). El 60% no pudo aprobar Matematica; el 55% le sucedié lo mismo en Quimica y el 85% no pudo con alguna de esas dos materias. Si del total de encuestados se elige uno al azar: a) Calcular la probabilidad de que haya,aprobado ambas durante ese afio. b) Si el alumno elegido al azar no aprobé Quimica. ;Qué probabilidad hay de que si haya aprobado matematica? : ¢) gEl rendimiento de un alumno en matematica se puéde decir que es probabilisticamente independiente del rendimiento en quimica? Resolucién: Definimos previamente cada suceso y armemos una tabla de doble entrada para estudiar la situacién: M: “No aprobé matematica” Q: “No aprobé quimica” M M CO ra 45% a = 55 % ~ | 40% 60 % 100 % Estos son los Unicos datos que surgen inmediatamente. Sin embargo sabemos que por tratarse de sucesos no excluyentes: PMU) = P(M) + Pi) -P[MnAG) => PinG)=60%+55%- 85% = 30% 220) - Ph) + of ‘Anexos Teoricos ‘Matematica 1 FADU Pagina 14 de 59 Probabilidades y estadisticaMatematica Il — Cat.: Prot J Blumenfarb. ‘Ahora Tenemos un dato mas de la tabla (el sombreado) y ello nos permite calcular todos los restantes. 45% 55 % Ahora, lograr responder las preguntas del problema es inmediato. Asi tenemos que: a) P(MnQ)=015 b) ( “\s PIMA) 2%o0n PQ) oon c) Para resolver éste item es necesario recurtir a la consecuencia obtenida de la definicién 4545 de independencia probabilistica que dice que "A" y "B" son independientes si ocurre que P(A mB) = P(A). PB). En nuestro caso: gEs ciertoP(Mn Q)=P(M). P(Q)? P(MnQ)=015 => P(MaQ)# P(M). PQ). Ello nos lleva a afirmar P(M).P(Q)=0,40.0,15 = 0,06 que, el rendimiento de los alumnos en matematica depende del rendimiento en quimica y reciprocamente. istema Exhaustivo. Supongamos tener un experimento aleatorio asociado a un espacio muesiral "S" y que en él podemos encontrar una serie de sucesos Ay; Az; Ag;..-etc. Si ocurre que dos cualesquiera de ellos, son mutuamente excluyentes ya demas la unién de todos da como resultado el espacio muestral, diremos que estamos frente a un sistema exhaustivo, Graficamente es: Analiticamente nA}-@ y (AVA, UUAJ=8 Matematica I FADU ‘Anexos Teéricos Probabilidades y estadistica Pagina 15 de 59Matematica Il - Cat.: Prof. J. Biumenfarb Etementos ds prebabilidades j-estadistica = Anexos Ejemplo: Una linea aérea tiene cuatro destinos diferentes hacia los que comercializa sus vuelos, uno hacia cada uno de los puntos cardinales. ~Esto es un sistema exhaustivo? La respuesta es que si, lo es, porque: 1) Un ticket aéreo no puede tener dos destinos simultaneos, o sea: (0, nD,]=@ 2) Ademas la unién de todos los posibles destinos, da como resultado el espacio muestral. (0,UD, v0, UD, )=s Teorema de la probabilidad total de un suceso. Sean A, ;A, ;...;A, un conjunto de posibles sucesos dentro de un espacio muestral "S", que forman un sistema exhaustivo y sea un suceso aleatorio "B"incluido en el mismo espacio muestral, compatible con cada uno de los sucesos A,.. La probabilidad total del suceso "B" es: En un diagrama de Venn, seria: + ro —— s Consecuencia inmediata — (Teorema de Bayes Dado que B (A, 9B) U(A, OB)u...U(A, OB) > P@)= (A,B) it Por el teorema de la Probabilidad condicional, sabemos que: Pea, a) Matematica I FADU. ‘Anexos Teéricos: Probabilidades y estadistica Pagina 16 de 59____ Matematica Il - Cat.: Prof. J. Blumenfarb ~~ “Stementos.dé probabilidades y éstadisii¢aAnexos ~ Entonces, reemplazando P(B) tenemos: P(B/A).P(A) © EADS Ya, mB) i P(A, /B) = A esto Ultimo se lo conoce con el nombre de Teorema de Bayes 0 Teorema de la Probabilidad de las causas. Ejemplo: Un alumno debe presentarse a dar un examen final de Francés. Si lo evalia el profesor Mignon, tiene una probabilidad de 0,7 de responder todas las preguntas correctamente. Si en cambio lo hace el profesor Baguette, la probabilidad de responder correctamente a todo es de 0,4. Si se sabe que la probabilidad de que lo examine Baguette es 0,6. a) 4Cual es la probabilidad de que el alumno responda todas las preguntas? b) Sino respondid todas las preguntas, cual es la probabilidad de que lo haya evaluado el profesor Mignon?. Resolucion: Previamente, vamos a comenzar definiendo cada suceso con una letra que lo identifique. . M: "Lo evalGa Mignon” B: "Lo evaldia Baguette” R: "Responde correctamente todas las preguntas” Datos: P(R/M)=07 = P(R/M)=03 P(R/B)=0,4 => P(R/B)=06 P(B)=0,6 => P(M)=04 a) En este item debemos aplicar el Teorema de la Probabilidad Total. P(R) = P(RAM)+ P(ROB) =P(R/M). P(M,)+ P(R/B).P(B) = 0,7.0,4 + 0,4.0,6 Luego: P(R) =0,52 b) En ésta pregunta debemos aplicar el teorema de Bayes ‘Matematica I~ FADU ‘Anexos Teéricos Probabilidades y estadistica Pagina 17 de 59Matematica Il — Cat.: Prof. J. &!umenfarb Elemeitos de probabilidades y-estadisticaAnexos~ « ee we P(MOR) _ P(R/M).P(M) _ 03.04 ~~ PA) PIR) (0,48 048 PA) Luego: P(¥4)= 0,25 Estadistica Descriptiva - Introduccion. Si bien el origen de la estadistica es tan antiguo como Ia civilizacién, no alcanz6 un desarrollo notable hasta’el surgimiento de los "Estados", acontecimiento bajo el cual se convirtié en un instrumento preciso para describirlos utilizando elementos numéricos. De alli viene el nombre su nombre. La estadistica es un método cientifico que encuentra aplicacién en una gran diversidad de campos del saber y cuya utilidad, como quedé demostrado desde el siglo pasado, va mas alld de la mera descripci6n, pues permite el descubrimiento de leyes y tendencias. Es muy simple encontrar una gran variedad de aplicaciones del método estadistico, lo cual sera suficiente para deponer la idea de que la estadistica es la simple acumulacién de hechos y cifras con fines meramente académicos 0 de archivo. El Método esta E El concepto de Estadistica es muy amplio, y sus aplicaciones directas 0 indirectas, muy numerosas; resulta dificil, por ello, dar una definicién. Sin embargo, la idea mas adecuada es considerar que incumbe a la Estadistica la recoleccién, ordenacién, resumen y anilisis de datos de cualquier tipo sobre un universo, lo que significa que no tiene sentido pensar en un dato aislado 0 individual como terreno de trabajo. Es necesario, entonces, considerar uni grupo de elementos (personas, animales, cosas, experimentos, etc.) a los que se refieren los datos que se consideran. Este conjunto puede venir dado de dos formas que condicionan toda clasificacin interna de la Estadistica, y que son las siguientes: a) Poblaci6n, o conjunto de todos los elementos cuyo estudio nos interesa. Si se dispone de datos de una o mas variables sobre la poblacién completa, 0 se puede acceder a ellos, la Estadistica tendra como misi6n que la recoleccién sea adecuada, se ordenen, se estructuren y se resuman dichos datos para su mejor comprensién, es decir, que se describan. Ello nos Matematica I FADU ‘Anexos Teéricos Probabilidades y estadistica Pagina 18 de 59Maiematiga il — Cat, Prof. J: Blumenfarb ios de probabliidades:yesiadistica - Anexos” llevara a hablar de Estadistica Descriptiva. Por ejemplo, el conjunto de los varones mayores de 65 afos y residentes en la Ciudad de Buenos Aires ciudad seria una poblacién. b) Muestra, 0 conjunto de elementos de los que efectivamente se dispone de datos, y que es una parte (en general pequefia) de la poblacion. Cuando no se puede acceder a los datos de toda la poblacion, que es lo mas frecuente, y se debe trabajar con solo los de la muestra, a la simple descripcién de los datos se afiade el interés por valorar hasta qué punto los resultados de la muestra son extrapolables o generalizables a la poblacién; en consecuencia, sera necesario utilizar no sdlo las técnicas de la Estadistica Descriptiva, siempre obligadas en todo caso para la comprensién de los resultados, sino también otras que permiten_ inferir afirmaciones sobre la poblacién a partir de los datos de la muestra y que constituyen la Estadistica Inferencial o Inferencia Estadistica. Por ejemplo, el grupo de los varones mayores de 65 ajfios y residentes en la Ciudad de Buenos Aires que habitualmente maneja vehiculos, seria una muestra de la poblacién citada en el parrafo anterior (otra cosa es que la muestra fuese 0 no representativa del conjunto de tal poblaci6n). Los elementos fundamentales de la descripcién de una variable son los que siguen a continuacién y se pueden resumir de esta forma: Recopilaci6n de datos. ¢ Enprimer lugar, se hard hincapié en que lo que se estudia son en realidad las variables, lo que nos obligara a distinguir los tipos basicos de ellas. . Las distribuciones de frecuencia son necesarias en el paso siguiente para expresar los resultados obtenidos mediante tablas estadisticas. . Las graficas estadisticas otorgan una informacién similar a la de las tablas, pero de forma mas visual y directa. . Finalmente, el resumen de la informacién se realiza mediante las medidas de tendencia central y medidas de dispersién Tipos de variables. Lo que se estudia en una muestra 0 poblacién es una serie de variables en cada individuo o elemento. Lo usual es considerar primero las variables una a una, sin plantearse problemas de asociaci6n entre ellas, por lo que podemos pensar sdlo en una variable de cuyos Matematica I FADU, ‘Anexos Teéricos Probabilidades y estadistica Pagina 19 de 59Matematica Il — Cat.: Prof. J. Blumenfarb “hammentos.de ‘probabilidades:-y-estadistica:«-Anexos datos imaginamos disponer en una muestra (el numero de datos es el llamado Tamafo de Muestra, Los tipos de variables, y consecuentemente las clases de datos que se pueden encontrar, son basicamente las siguientes: A) Variables cualitativas, también llamadas caracteres, variables categoricas 0 atributos, que son aquellas que no necesitan nimeros para expresarse; cada forma particular en que pueden presentarse se denomina modalidad. Por ejemplo, el sexo de una persona es una variable cualitativa y “varén” o “mujer” son sus tinicas modalidades. En consecuencia, para una variable cualitativa, cada dato no es mas que la informacién de que un determinado elemento de la muestra presenta una determinada modalidad. Entre ellas cabe distinguir: Al) las variables cualitativas ordinales, que son las que teniendo mas de dos modalidades tienen establecido un orden natural entre las mismas, de forma que sus modalidades se enuncian siguiendo una cierta ordenacién ascendente o descendente y no de otra manera. Por ejemplo, la variable “gravedad de una lesion por accidente de transito” podria tener como orden natural entre sus modalidades “leve”, “moderado’ , “grave”, etc., pero nunca diriamos “grave”, “leve”, “moderado”, etc. en este orden. A2) las variables cualitativas puras, que no tienen un orden natural preestablecido entre sus modalidades, y podemos utilizar cualquier ordenacién para ellas, como por ejemplo el grupo sanguineo o la nacionalidad de una persona (no hay que confundirse con ordenaciones arbitrarias, como el orden alfabético, pensando que convierten en ordinales a las variables, ya que no significan una verdadera ordenacién natural de las modalidades). 3) las variables docotémicas, que tienen s6lo dos modalidades posibles, y en las que ni siquiera tiene sentido plantearse si son © no ordinales; El hecho de tener sdlo dos modalidades les confiere caracteristicas especiales. Cabe citar como ejemplos el ya citado del sexo, el pertenecer 0 no a una asociacién, o en general cualquier situaci6n que sdlo admita una respuesta “si 0 no”. B) Variables cuantitativas o numéricas, que son aquellas que necesitan nimeros para ser expresadas, como las edades de un grupo de estudiantes 0 el numero de personas que lee un Matematica I FADU ‘Anexos Teéricos Probabilidades y estadistica Pagina 20 de 59Matematica Il — Cat:: Prof. J. Blumenfarb temientos dé piébabilidades y estadistita = Anexos: determinado diario los dias Domingo. Cada forma particular en que se presentan S$ un valor numérico, y un dato es en estas variables un.ntimero que refleja el valor de la variable en un elemento de la muestra. También pueden distinguirse al menos dos subtipos: B1) las variables cuantitativas discretas, cuyos valores son aislados (habitualmente numeros enteros), de forma que pueden enumerarse y existen valores “consecutivos” entre los que no puede haber otro; Por ejemplo, un resumen puede tener 22 6 23, pero no 22,18 aftos. B2) las variables cuantitativas continuas, que pueden tomar cualquier valor numérico, entero o decimal, de forma que tedricamente entre dos valores posibles siempre se pueden encontrar otros (entre 24,6 Kg. y 27,4 Kg. de peso siempre esta 25,50 Kg., por ejemplo), aunque en la practica el numero de cifras decimales esta limitado y la variable se maneja en cierto modo como discreta. La distincion entre los distintos tipos de variables es importante porque las técnicas a aplicar a cada uno pueden ser muy diferentes, y muchos parametros y calculos tienen sentido para las variables de un tipo y no para las de otro. Hay que tener en cuenta también que una misma variable de la realidad puede venir expresada de diversas maneras, incluso como cualitativa 0 como cuantitativa, dependiendo de que usemos valores numéricos 0 sdlo modalidades; pensemos, por ejemplo, en que la estatura puede darse en centimetros (variable cuantitativa continua) 0 diciendo de alguien que es “bajo", “mediano" o “alto” (variable cualitativa ordinal). En estos casos, debe quedar claro que la variable es en esencia cuantitativa y que su tratamiento como cualitativa supone una pérdida de calidad en la informacién, solo admisible si no podemos disponer de los datos numéricos. Pai etros de una muestra. Una vez recolectados los datos y definida exhaustivamente cual es la variable en estudio, podremos calcular los indices que la explican. Para ello, vamos a definir algunos conceptos: ® Poblacién (N): Es el conjunto de todos los elementos de interés para determinado estudio. © Parametros: Es una caracteristica numérica de una poblacién, se identifica con letras griegas. Aqui veremos solamente la Media (1) y el desvio Estandar (0), pero existen otros. © Muestra (n): Es una parte de la poblacidn y debe ser representativa de la misma. ‘Matematiea FADU. ‘Anexos Teéricos Probabilidades y estadistica Pagina 21 de 59Matematica II — Cat.: Prof. J. Blumenfarb ‘Eiemierios de probabilidades:-y-estadistica--Anexas-- = e Estadistico: Es una caracteristica numérica de una muestra, se identifica con ietras latinas. En el caso de la Media es "x" y para el desvio Estandar es "s" Medidas de posici6n y de dispersion. Existen dos medidas que proporcionan una descripcién muy significativa de un conjunto se observaciones. Ellas son las medidas de posicién y las de dispersin Medidas de posicion Las medidas-de posicién o de tendencia central, son valores de variable que describen el punto alrededor del cual se concentra la mayor concentracién de datos. Aqui solamente mencionaremos algunas de ellas, pero existen otras. Media: (X) Es el promedio aritmético o media aritmética de todos los valores que componen el conjunto de datos. Para una muestra se calcula asi: a n Ejemplo: En un equipo de futbol, las estaturas de sus integrantes son las siguientes. Calcular la media: ah 1.70,1.79,1.73,1.67,1.60,1.65,1.79,1.84,1.67,1.82, 1.74. Calcular la media. observaciones se ordena del mas pequefio al mas grande, Si Mediana: (m,) Los datos de “n" el tamafio de la muestra es "impar" la mediana es el valor de variable ubicado en la posicién central. Cuando el tamafio de la muestra es “par” la mediana es el promedio de los dos valores que se encuentran al centro del conjunto de valores. Se puede calcular mediante: Ejemplo: Para el ejemplo anterior gcual es la mediana? Ordenando los datos de mayor a menor se obtiene: 1.60,1.65,1.67,1.67,1.70,1.73,1.74,1.79,1.79,1.82,1.84; Matematica FADU ‘Anexos Teéricos Probabilidades y estadistica Pagina 22 de 59Matemai:ca !I - Cat.: Prof. J. Blumenta ‘Etomentos dé Srobabitidades jy éstadistica Como tenemos 11 datos el nimero es impar, buscando el nimero que ocupa la posi central encontramos el valor de la mediana m, = 1.73 Modo 0 moda: (m,) La moda es el valor de variable que mas veces se repite en la muestra. En caso de no haber ninguno diremos que carece de moda y de existir, puede que no sea Unica. En el ejemplo anterior la muestra es bimodal porque los valores 1,67 y 1,79 se repiten ambos dos veces. Otras medidas de po: uartiles, deciles y percentiles Cuando anteriormente definimos la mediana, lo tomamos como el valor de variable que se ubica en la posicién central. Esto dicho de otra manera seria considerar un 50% de las observaciones que se ubican por debajo y el otro 50% que se ubica por encima. Si tomamos el valor de variable que esta por debajo del cual clasifica el 25% de las observaciones estamos hablando del primer cuartil y lo indicaremos con Q;. En forma andloga podemos definir al tercer cuartil como aquel que clasifica al 75% inferior y deja por encima al 25% superior. Estos mismos conceptos, pueden ser llevados a los "deciles" y percentiles. Los deciles separan un conjunto de datos ordenado en 10 subconjuntos iguales y los percentiles en 100 partes. Lla ubicacién de un determinado percentil se encuentra en: L 1 : =(n+)— P ( 700 Donde: Lp es el sitio del percentil deseado en una serie ordenada nes el nimero de observaciones P es el percentil deseado Ejemplo: Una maquina envasa bolsas de cemento. Como sospecha que no funciona correctamente se toma una muestra de100 de ellas y se las manda a pesar a otro lugar. Los datos obtenidos ordenados de menor a mayor, se exponen a continuaci6n. Calcular por debajo de qué peso estaran el 355 de las bolsas mas livianas. El problema nos lleva a calcular el percentil 35. 3 10 19 27 34 38 48 S6 67 74 4 12 20 29 34 39 48 59 67 74 Matematica I FADU ‘Anexos Tedricos Probabilidades y estadistica Pagina 23 de 58Matematica Il — Cat.: Prof. J. Blumenfarb 2mentos:de probabilidades y-estadistica.«Anexos: FA 2 BS 3g thas! Sapte gs 1 iEgee Fe 9 15 25 31 37 45 53 63 72 79 10 17 27 34 38 47 56 64 73 80 La localizacién del percentil 35 se halla en: Lg, = 6041) 2° =17,85 38 100 O sea que el percentil 35 est al 85% del trayecto comprendido entre la observacién 17 que es 29 y la observacion 18 que es 31 0 sea L35 = 29 + (0.85)(31-29) = 30.7. Por tanto el 35% de las observaciones estan por debajo de 30.7 y el 65% restante por encima de 30.7. Medidas de dispersion. Las medidas-de dispersién o de variabilidad, nos Proporcionan una idea de cémo se agrupan los datos con respecto a los valores centrales, dicho de otro manera, si se acumulan en torno a los valores promedio o estén mas dispersos. Entre ellas podemos menciona al: Rango (R ): Es la diferencia, en valor absoluto, entre el maximo valor y el minimo valor de variable de un conjunto de datos. . Ejemplo: Por ejemplo para el conjunto de datos siguiente, calcular el rango: 2.0,2.1 12.4,2.5,2.6,2.8,2.9,2.9,3.0,3.1 :3.6,3.8,4.0,4.0 Su rango es R = 4.0-2.0=2.0 Varianza Poblacional (o*):Es una medida que nos ayuda a comprender la variabilidad de los datos, que tan distanciados estan de la media. Su formula esta dada por: Ejemplo: Para comprender el concepto de varianza, supéngase que tenemos los datos siguientes de los cuales queremos saber que tan dispersos estan respecto a su media: 2,3,4,5,6 con media = 20/5 =4 Si tomamos la suma de diferencias de cada valor respecto a su media y las sumamos se tiene: see ——. Matematica W— FADU ‘Anexos Teéricos Probabilidades y estadistica Pagina 24 de 59Matematica il — Cai: Prof. J. Blumeniarb. (2) + (-1) + (0) + (1) +(2) = 0 Por lo que tomando diferencias simples no es posible determinar la dispersién de los datos. Si ahora tomamos esas mismas diferencias al cuadrado y las sumamos se tiene: 441404144210 Desvio estandar: Se llama asi a la raiz cuadrada de la varianza, 0 sea que su formula de calculo es: Coeficiente de Variacion (CV): Se utiliza para comparar la dispersién de dos conjuntos de datos que tienen unidades diferentes, ya que representa una medida relativa de dispersién. cv = 2.100%) = (100% Por ejemplo, supongamos que los tiempos de respuesta frente a un estimulo tenga media 78.7 y su desvio estandar de 12.14, el CV; seria: 12.4 CV = 12.14 100%) =12.05% & FOF Por otra parte si, en determinado lugar la media de temperaturas es de 10°C y su desviacién estandar de 2°C, el CVs de las temperaturas es: cv, F.(100%) = 20% Por tanto la dispersin de las temperaturas es mayor que la de los tiempos de respuesta, es posible comparar estas dispersiones con el CV aunque los dos conjuntos de datos sean completamente disimiles. Cuando el CV es menor al 20%, diremos que la muestra es homogénea Nola: En el caso en que estemos trabajando con muestras, el cdiculo de la varianza y en consecuencia del desvio estandar se realiza con la formula siguiente. ena eee ——— Watematica I FADU ‘Anexos Teéricos Probabilidades y estadistica Pagina 25 de 59Maiematica Il - Cat.: Prof. J. Blumenfarb Etsmenios de. probabilidades-y-estadisticaAnexos Ejemplo: Se toman dos muestras de 6 novillos cada una y se los pesa. Los resultados obtenidos, fueron los siguientes. Muestra 1: 230 250 245 258 265 240 Muestra 2: 190 228 305 240 265 260 Calcular la desviacién estandar en cada caso. Muestra 1: Muestra 2: k= 248 X= 248 Si,-%? _ [75t0 ae | | 7 Rango = 265 — 230 = 35 Rango = 305 — 190 = 115 38,75 38,75 12.56 CV =——-(100%) = 5,06% CV, = —— (100%) = 15,625% 1 248 2 248 Observemos que, aunque la media en ambas muestras es la misma, la desviacion estandar (s), rango y coeficiente de variacién, son menores en la muestra 1, por lo cual deducimos que ella presenta menor variabilidad * Tabulacién y agrupamiento de datos. Representacién gratica. Una vez que se han obtenido los datos, sea por observacién o por medicién, es conveniente ordenarlos de manera que se pueda visualizar mejor los resultados logrados. Una manera de hacer esto es colocarlos en un orden creciente. A ello se lo denomina tabla simple. Ejemplo: En un aserradero, hay 32 listones de pino destinados a la confeccién de zécalos. Las medidas de los mismos, expresadas en metros y ordenadas en forma creciente, se indican a continuaci6n. 62 63 | 64 | 64 | 64 | 64 | 65 65 65 | 65 | 65 | 65 | 66 | 66 66 66 | 67 | 67 | 67 | 67 | 68 68 69 | 69 | 7, 70 | 71 | 72 Vamos a agrupar estos datos, considerando el nimero de veces que se ha repetido ese valor. A ello lo definimos como frecuencia absoluta (f). Esta tabla, que resume cudntas veces se presenta cada valor de variable la llamamos distribucin de frecuencias. ‘Matematica - FADU "Anexos Teoricos Probabilidades y estadistica Pagina 26 de 59Metematica Il — Cat.: Prof. J. Blumenfarb “<""Elementos da probabilidades y-estadistica = Anexos ““=** Como es evidente, la suma de todas las frecuencias absolutas, coincide con la cantidad de observaciones realizadas. Osea: n=) f Frecuencia relativa (f. ). Se llama asi a la razon entre la frecuencia absoluta y el numero total de observaciones. Ello es, pensado en términos de porcentaje, qué "tanto por ciento" es cada una de las frecuencias. Por ejemplo, para el valor de variable 6,7 la frecuencia absoluta es 4, con lo cual: 4 f =—=0125 => 125% 32 Esta definicion nos lleva a la conclusién que lasuma de las frecuencias relativas es igual at.Enefecto: °f Frecuencia absoluta acumulada (F). Es aquella que se obtiene al sumar a cada frecuencia absoluta, todas las anteriores en ladistribucion.O sea: | F = > f(x) Frecuent relativa acumulada (F ). Se llama asi a la que se obtiene de sumar cada frecuencia relativa a todas las anteriores de la distribucién. Esto seria: E = > 0%) Watemética I FADU "Anexos Tedricos Probabilidades y estadistica Pagina 27 de 59Matematica II — Cat.: Prof. J. Blumenfaris = Elemmentos de probabilidades:y:estadislica= Anexos Ejemplo: Se observaron 40 casas de un barrio y se averiguéd en cada uno de ellos la cantidad de personas que la habitan. Siendo "x" la cantidad de habitantes por vivienda se registraron los siguientes datos, confeccionar la tabla de frecuencias y calcular alli lo definido anteriormente y expresarlo en términos de porcentaje. La tabla, presentada de esta forma, permite visualizar en forma inmediata que, por ejemplo: * Hay exactamente 4 casas que tienen 7 personas que viven en ella y ello significa un 10% del total Enel 25% de las casas viven 3 personas o menos. Representacion grafica Los calculos realizados anteriormente, pueden ser representados en forma grdfica, sefialando en el eje horizontal, en cada caso, la cantidad de personas por casa y en el eje vertical la respectiva frecuencia. Dado que la variable es discreta, en el caso de las frecuencias absolutas lo mostraremos con lo que se conoce como grafico de bastones y en el de la frecuencia acumulada como grafico escalonado. Matematica I FADU Probabilidades y estadisticaMatematica Il,- Cat.: Prof. J. Blumenfarb Elemsnios de probabilidades ¥ estadistica - Anexas” Grafico de barras 0 de bastones Se consiruye indicando en la horizontal la variable y en la vertical las correspondientes frecuencias absolutas. We Oy SAB BBY yy Gratico escalonado En este grafico, debemos ubicar sobre el eje horizontal ta variable y en el vertical la frecuencia acumulada. Watematica Nl FADU ‘Anoxos Tesricos Probabilidades y estadistica Pagina 29 de 59Matematica II — Cat.: Prof. J. Blumenfarb xxt-tementos de probabilidades y-estadistica=/inexos Para variables continuas. Cuando tenemos una cantidad grande de datos es dificil poder analizarlos, a menos que hagamos uso de herramientas que nos permitan. hacerlo con mayor facilidad y claridad. El histograma es una de ellas, consiste en un diagrama de barras donde las bases corresponden a los intervalos y las alturas a las frecuencias. Para construir un histograma es necesario tener un minimo de 50 a 100 datos. Veamos un ejemplo: Los siguientes datos se recopilaron con el fin de determinar la edad de 50 estudiantes del primer curso de una escuela de ensefianza media nocturna. Asi los datos obtenidos fueron los siguientes: 15 16 17 18 19 15 20 18 20 17 15 16 15 19 25 15 30 42 15 20 15 16 19 20 16 15 16 20 20 42 16 17 17 20 19 18 19 60 42 22 19 19 25 17 25 31 20 25 30 42 Organizando este conjunto de datos en forma ascendente y haciendo el correspondiente recuento (nimero de veces que se repite cada valor) obtenemos el registro indicado a continuacidn. Observemos que el valor maximo es 60 y el menor es 15. Pee Te sales eae po Pret En el anterior orden, la variable "X" toma muchos valores diferentes y algunos de ellos P= tienen una frecuencia tan pequefia que no se justifica considerarlos por separado. Ademés, no podemos visualizar claramente las medidas de tendencia central y su calculo se dificulta por la cantidad de operaciones que deben realizarse. Por tanto, es necesario agrupar los datos en clases 0 intervalos. Para agrupar este conjunto en clases 0 intervalos de datos debemos seguir una serie de pasos, pero en general ello sera necesario porque formaran parte del enunciado del problema: ‘Matematica I~ FADU. ‘Anexos Tedricos Probabilidades y estadistica Pagina 30 de 59Matematica Il — Cat.: Prof. J. Blumenferb __ | Frecuencia Frecuencia Marca ] Frecuencia Frecuencia relativa y acumulada re! de clase J absoluta acumulada porcentual y porcentual 0,10=10% 0,06=6% 0,08=8% 0=-0% 0=0% 0,02=2% Graficos en variables continuas — Histograma — Péligono de frecuencias y ojiva Ya vimos de qué manera confeccionar los graficos cuando la variable es discreta. Dado que ahora hemos agrupado los datos segun intervalos de clase podemos, aplicando la misma idea, hacerlo para variables continuas. El grafico que anteriormente era de bastones, pasara a estar representado por rectangulos donde la base del mismo sera el ancho-del intervalo y su altura la correspondiente frecuencia. Al mismo lo denominaremos histograma. Al histograma le vamos a asociar una poligonal cuyo nombre es poligono de frecuencias y que permitira, a posteriori asociarlo a una curva. Del mismo modo, al grafico escalonado visto anteriormente para variables discretas, le asociaremos una curva a la que vamos a llamar ojiva Ejemplo: Una muestra de 50 baterias portatiles, fue sometida a un test de durabilidad medido en horas, registrandose los siguientes datos ya tabulados. Construir, a partir de ellos el histograma, el poligono de frecuencias y la ojiva. Watematica W FADU ‘Anexos Tedricos Probabilidades y estadistica Pagina 31 de 59Matematica II — Cat.: Prof. J. Blumenfarb -Elementos de probabilidades y.estadistica.«Ahiexos Sea la variable "x: duracién de las baterias medida en horas" Histograma y poligono de frecuencias Como puede observarse, el mismo se construye trazando rectangulo cuya base coincida con el ancho de cada intervalo y cuya altura sea la frecuencia. Para confeccionar el poligono, unimos cada punto medio del lado superior del triéngulo, con el siguiente, considerando dos rectangulos uno anterior y otro posterior de frecuencia igual Matematica I! FADU ‘Anexos Teéricos Probabilidades y estadistica Pagina 32 de 59Matematic, va Il - Cat.: Prof. J. Blumenfarb_ a cero. Es preciso observar que el area comprendida entre el poligono y el eje, coincide con el area determinada por los rectangulos y si el numero de observaciones aumenta, el poligono de frecuencias se transforma, en el caso limite, en la curva de frecuencias. Qjiva ‘Matematica N- FADU ‘Anexos Tedricos Probabilidades y estadistica Pagina 33 de 59Matematica I! — Cat.: Prof. J. Blumenfarb =tementos de probabilidades y estadistica=Ancxos: La poligonal se inicia en cero, porque el extremo inferior del primer intervalo posee frecuencia acumulada nula. Los puntos cuya abscisa es el extremo superior de cada intervalo y cuya ordenada es la correspondiente frecuencia acumulada, se unen mediante segmentos obteniendo asi la ojiva. Medidas de posici6n y de dispersién para variable continua. La media 0 promedio es la medida de posicién por excelencia y ya la hemos definido anteriormente como cociente entre la suma de valores de la variable y el numero de observaciones realizadas. Dado que ahora los datos se encuentran agrupados segun intervalos de clase, consideraremos como centro del intervalo a la marca de clase, quedando asi la formula de la siguiente manera: De donde resulta una media de: ‘Matematica Il FADU. ‘Anexos Teoricos Probabilidades y estadistica Pagina 34 de 59Matematica Il — Cat.: Prof. J Blumentarb Es importante destacar que el valor de la media, por razones obvias, debe estar comprendido entre el valor minimo y el valor maximo de la variable porque hace, desde ei punto de vista fisico, el papel de centro de gravedad de los datos. Mediana Como sabemos, la mediana es el valor de variable que divide a la distribucién de frecuencias acumuladas en dos partes, de forma tal, que en una de ellas quedan los valores cuya frecuencia acumulada es menor que la mitad y en la otra los que son mayores. Si la variable, como sucede ahora es continua, la mediana corresponde a la observacién cuya frecuencia acumulada contiene a la mitad de las observaciones. En la ojiva trazada anteriormente, vamos a visualizar en forma detallada la porcién que a corresponde al triangulo ABC Fi Bares x4 Como ABC = AMN Podemos plantear que: En términos de variables ello es: Donde: h=ancho de intervalo F(b) - F(a) = f : Watematica I FADU ‘Anexos Tedricos Probabilidades y estadistica Pagina 35 de 59Matematica II — Cat.: Prof. J. Blumenfarb ~£tementos de probabilidades y-estadistica+:4nexos: Asi resulta: En el ejemplo anterior la mediana se calcularia asi: n Dado que 725 =m, pertenece al intervalo [6;7) Siendo F_ = 20 z ; t=1. 3 s=68 Resulta: 1.(25-20) m,=6+—————_ > 20 Nota: Hasia el momento no lo hemos dicho, pero podriamos preguntamos por qué hace falta calcular la mediana si ya conocemos el valor de la media. La respuesta es inmediata y se debe a que, la media es muy sensible cuando hay valores extremos, en cambio la mediana o la moda, acorde con su definicién, no lo estén. En algunos casos particulares, la media es poco representativa en el estudio de Ia variable y de ello es que recurrimos a una medida de posicién alternativa. Modo o moda Acorde con su definicién, la moda es el valor de variable que mas veces se repite. Como ahora la variable continua, para la deduccién es preciso recurrir nuevamente a plantear una proporcionalidad entre lados de triangulos. El planteo que sigue a continuacion, meramente geométrico, es valido cuando consideramos que el modo existe y ademas es Unico. Para ello, vamos a trabajar sobre la grafica de frecuencias absolutas realizada anteriormente en el problema de las observaciones sobre la duracién de 50 baterias portatiles a a En ella , es evidente que los triangulos ABM y DMC son semejantes. Ello implica que sus lados homélogos son proporcionales. Podriamos plantear entonces que: ae [8 | [oc Matematica I FADU ‘Anexos Teéricos Probabilidades y estadistica Pagina 36 de 59Matematica Il — Cat.: Prof. J. Blumenfarb Elementos de.probabliidades’y Sstadisti¢ Xi Reemplazando por los valores de variable, resulta: m-a d mead d ot om na —.(a+n)—m,] b-m, d, (ath), d, d, Aplicando la propiedad distributiva y agrupando los términos comunes tenemos: d. d d d d m+m.—-sat—(ath) > mJ1+—|=a+—t.a+—.h oes Ms d, % d, dq, d Para el ejemplo dado anteriormente de la duracién de las 50 baterias, el calculo de la moda estaria dado por: Matematica FADU ‘Anexos Teéricos Probabilidades y ests Pagina 37 de 59Matematica II — Cat.: Prof. J. Blumenfarb a=6 ; =1 3; d,=20-16=4 $ d, =20-8=12 Entonces la moda seria: 4 m =6+1 =625 2. iz: Nota: El hecho que el valor de la moda haya coincidido con el de la mediana, es obviamente casual. Medidas de dispersion Cuando vimos anteriormente las medidas de dispersion, estabamos considerando que los datos no estaban tabulados 0 distribuidos en intervalos de clases. Como ahora si lo estan en las formulas anteriores, debemos considerar las.distintas frecuencias absolutas y las maras de clase que representan cada uno de los intervalos. De ello surge que la varianza y el desvio estandar se calcularan mediante las formulas: : cage (4 Ejemplo: Una muestra de 100 lamparitas de bajo consumo fue sometido a una prueba de duracién hasta que se quemaron. Los datos obtenidos se detallan en fa siguiente tabla. eurecen 10,2 ; 0,4) | (0,4; 0,6) | [0,6 ; 0,8) | [0,8 ; 1,0) | 1,0 ; 4,2) | [1,2; 1,4) de horas) lad (en mil Can 12 18 30 22 13 5 de lamparitas a) Confeccionar una planilia. b) Calcular, mediante sus formulas respectivas las medidas de posicion y variabilidad ¢) Confeccionar en escala un grafico de frecuencias absolutas y otro de frecuencias acumuladas. d) Estimar graficamente en forma aproximada el valor de la mediana y la moda. ‘Anexos Teéricos Matematica N—FADU Pagina 38 de 59 Probabilidades y estadisticaMatematica Il — Cat.: Prof. J Blumenfarb. igmentos de probabilida La siguiente tabla y los graficos fueron confeccionados en Excel ibucién de frecuencias absolutas [08;10) [110 ;12) [12;14) Media: . n h.| —-F. (3 a 0,2.(50 -30) Mediana: m, =a+—+—- = 0,6 + = 0733 $ fi 30 (30-18) Moda: m =a+h.—— => m =06+0,2..———_______ = 072 ® d+d, ° (30-18) +(30-22) 5 (a, —x)* 4 Varianza y desvio estandar: o” 3 =0,0722 => o=0,27 n Coeficiente de variacién: ° 0,27 CV=—.(100%) = CV= (100%) = 36,40 0,742 Como es mayor al 20% la muestra no es homogénea. Hatematioa FADU ‘Anexos Teéricos Probabilidades y estadistica Pagina 39 de 59Matematica Il — Cat.: Prof. J. Blumenfarb Elemerios 200) = 1-P(X < 200) = 1-0,29 = 0,71 ¢) Calcular el nimero esperado de viajeros que acude al aeropuerto. E(X)= B= 198 .0,05 + 199 .0,09 +... + 205 .0,02 = 201,44 d) {Cual es la probabilidad de que la primera persona que quedé en lista de espera tenga lugar en el vuelo? P(X < 199) =P(X = 198) +P(X = 199) = 0,05 +0,09 = 0,14 Ejercicio de aplica En un juego de apuestas, quien oficia de banca, dispone de una bolsa que contiene cuatro dados, tres son de color blanco y el restante de color negro. Le ofrece al apostador pagar el valor de una apuesta de "p$" y luego extraer, al azar, un dado que es arrojado al aire una vez sola vez. Si llega a extraer un dado blanco y al arrojarlo obtiene un "As", recibe un premio de $10. Si en cambio, el dado es de color "Negro" y logra un "As" el premio es de $15. Con cualquier otra opci6n, pierde la apuesta efectuada de p$. gCual deberia ser el valor de dicha apuesta para que el juego pueda considerarse justo? Resolucién: B: “Sale un dado blanco”. Entonces P(B) = 2 N: “Sale un dado negro”. Entonces P(N) = + at FADU ‘Anexos Teéricos: Probabilidades y estadistica Pagina 48 de 59Matematica -€ it. : Prof. J Blumenfarb. cee FH - Uhh P(IBOA) 10-p ae) P(NAA) 15-p *.15-p) [pponynaal| = -P ~ £p) Esperanza matemdtica asociada al juego E(X) = YX, Si: E(X)=0 = £.10-p)+.45—p)+5.--p)=0 Entonces: $-ip+ —yp-3p=0 > B=p > p=1875$ Variables aleatorias continuas Ladi bu: Existen muchas distribuciones de variable continua. Consideremos, por ejemplo, una uniforme. variable que toma todos valores equiprobables en un intervalo finito. A esta distribucion se la llama uniforme y ello se debe al hecho de que la densidad es uniforme en todo su intervalo de definicién. Sea un experimento aleatorio cuya variable aleatoria asociada toma valores en un intervalo finito, de manera que puede tomar cualquier valor de ese intervalo, entonces si la probabilidad de que la variable aleatoria tome un valor en cada subintervalo de la misma longitud es la misma, diremos que la variable aleatoria esta distribuida uniformemente en ese intervalo. Defini : Una variable aleatoria X, de tipo continuo, sigue una distribucién uniforme en el intervalo real [a;b], si su funcién de densidad es: 7 i—— si ab Ello lo indicaremos en forma abreviada por X~ Ula;b) donde a y b son los parémetros. Matomatica I FADU ‘Anexos Tedricos Probabilidades y estadistica Pagina 49 de 59Matematica Il — Cat.: Prof. J. Blumenfarb Elemeritos de probabilidades y estadistica = Anexos Es importante observar que la grafica de la funcién de densidad en la distribucién uniforme, debe ser necesariamente una funcién partida de tramos rectos horizontales. Ver grafico en el ejemplo dado mas adelante. Caracteristicas: 12) La Funcidn de distribucién de una U(a;b) es: 0 si x PIXE x)= fdodx=J2"8 gi acxcd a b-a 1 si x>b La Media es el centro del intervalo:de definicién, o sea =ae que coincide, obviamente con la mediana. Ello surge inmediatamente de su definicién porque: f u(X) = fx-t09.¢x a 1 x2[P 4 b?-a2 4 (be ay(b4a) bea 5 1 Me ix eed ed = ue) fF Bagh Cin haghgh| oc Tg agiaep ae ea CY Dy 2 3°) De manera idéntica, aplicando la férmula respectiva podemos inferir que la Varianza af resulta: 6°(X) Ejemplo: Sea X una variable aleatoria que se distribuye de uniformemente en el intervalo [2;5].Se pide: a) Hallar la funci6n de densidad, la funcién de distribucion y graficarlas. b) — Calcular la esperanza y la varianza de la variable. Resolus Funcién de densidad: 3 {x)= Matematica I FADU ‘Anoxos Teéricos Probabilidades y estadistica Pagina 50 de 59a ‘6stadictica - Anexos si x<2 si 25 Funci6n.de Funeién-de Probabilidad Densidad La esperanza y la varianza seran entonces: Loa 1 (X) y 0°(X)= La distribucion Normal. La distribucién normal o de Gauss es la mas importante y la de més aplicacién de todas las distribuciones continuas existentes. Esta distribucién es bastante adecuada para describir el comportamiento de muchos conjuntos de datos que ocurren en los fenémenos de la naturaleza, la industria y la navegacién. Asi, para los siguientes conjuntos de datos, se puede considerar la mas adecuada la distribucién normal: @ Datos meteoroldgicos correspondientes a temperaturas 0 lluvias. * Las alturas 0 pesos de individuos de una determinada edad y sexo. * Las medidas fisicas, tipo peso de productos envasados manualmente. ‘Anexos Tedricos Probabilidades y estadistica Pagina 51 de 59Maiematica II — Cat.: Prof. J. Blumenfarb ementos de probabilidades y-estadistica=Anexos:~ - * Lavida media de un tipo de lamparas de alto consumo y voltaje, etc. ion: Diremos que una variable aleatoria X, de tipo continuo, sigue una distribucion normal de parametros uy y o si su funcién de densidad es: +f i con -e 156) = 1—P(Z > 1,56) = 10,9406 = 0,0594 Considerando que el area total encerrada por la curva es igual 1 y lo calculamos por diferencia.” Caso 3: P(Z < ~156) La tabla no posee valores de variable negativos, pero la simetria de la funcién nos permite ¢alcularla y por ello: P(Z <-1,56) = P(Z <-156) = 1- 0.9406 = 0,0594 Caso 4: P(0,48 < Z < 156) P(0,48 < Z < 1,56) = P(Z < 156) —P(Z < 0,48) = 0,9406 —0,6844 = 0,2562 En algunas ocasiones, el problema planteado sera el inverso, conocida la probabilidad calcular los valores de la variable. Caso 5:Hallar zp si P(Z< Z,) =0,9410 El valor no se encuentra en la tabla, pero el mas aproximado es 0,9406. Como 0,9406 esta en la interseccién de la fila 1,5 y la columna 0,06 se trata de zo = 1,56 Estandarizaci6n de la variable La estandarizacién consiste en pasar de a variable aleatoria "X" con distribucién N(u,0) a una nueva variable aleatoria Z con distribucién N(0,1). Ello se hace mediante el siguiente cambio de variable: Matematica — FADU ‘Anexos Teéricos Probabilidades y estadistica Pagina 55 de 59Matematica II — Cat.: Prof. J. Blumenfarb £lementos de probabilidades y estadistica’="Anexos — x-H Zines 6 Ejemplos: Sea X una variable aleatoria con distribucion N(60, 5) calcular: a) P(X<70) Para xp = 70 su correspondiente valor estandarizado es z, = 22-802 Entonces segun la tabla de N(0,1) sera: P(X<70) = P(Z<2) = 0,9772 " b) P(X> 75) Para x = 75 su correspondiente valor estandarizado es Zz Entonces segin la tabla de N(0,1) tendremos: P(Z>8) = 1-P(Z<3) = 1 — 0,9987 = 0,0013 c) P(70900 Cantidad de Pollos s 0 [ene wn nero Tetricos Probabilidades y estadistica Pagina 56 de 59Matematica Il — Cat.: Prof. J. Blumenfarb 2 Elementos.de.prababi jadés'y esi: idisti Anexcs ~ Resoluci6n: Se sabe que en total hay 20.000 pollos y que el peso X de los mismos se comporta : : w= 750gr segun una variable aleatoria normal con o=50gr Nos piden que completemos la tabla para X< 650, 650900. Ello implica que, debemos calcular primero las probabilidades que le corresponden a cada intervalo y luego con estos datos estimaremos la cantidad de pollos aplicando la definicién de probabilidad. Entonces tenemos que Para X< 650 y usando la formula de estandarizacién resulta: x= 650—750 ss Observemos que, nuestra tabla no posee el valor “. ", para poder deducirlo vamos a hacer dos campanas de Gauss que permitan llegar a la respuesta. hoa ea Stood Bot port tabia | Por la simetria de la campana, podemos afirmar que: a) P(Za)=1 = P(Z<2)+P(Z>2)=1 22) P(Z<-a)=P(Z>a) => P(Z<-2)=P(Z>2) De estas dos ecuaciones buscamos en la tabla el valor 2 en la columna z y encontramos que le corresponde un valor de 0,9722. Luego: P(Z<2)+ P(Z>2)=1 = P(Z<-2)=1-0,9722=0,02278 = 0.0228 ae oatee N°de casos favorables Como sabemos, P(X) = ——__——____—-, en nuestro caso, 0,0228 = ———_ N°de casos posibles y 20.000 T ‘Anexos Teéricos Probabilidades y estadistica Pagina 57 de 59Matematica II — Cat.: Prof. J. Blumenfarb- Eiementos de probabiiidades y estadistica’-Anexos Si C la cantidad « C= 20.000 . 0,0228 => C = 456. Por lo tanto la cantidad de pollos cuyo peso es inferior a 650 gt poilos que pertenecen a ese rango de pesos, debe ocurrir que deberia ser alrededor de 456. Para 650 < X< 900 Procedemos de la misma manera que en el punto anterior, entonces: . x- 650-750 650gr en unidades estandar: z = —— =——_——= ° 50 XH _ 900-750 _ ° 50) Luego, P(650 < X <900)=P(-2<2<3) Como lo buscado es el area comprendida entre los dos valores de X (ver figura 900gr en unidades estandar: z= siguiente), restamos el area hasta Z=-2 del area hasta Z=3. (Ver gréfico). Area ssolicitada 2 3 Area dada Area dada por la tabla por la tabla, 2 3 P(650 < X < 900) = P(-» C=19518 20.000 Por lo tanto la cantidad de pollos cuyo peso se encuentra comprendido entre 650 gr y 900gr es aproximadamente de 19518. Para X > 900 Procedemos de la misma manera que en los casos anteriores, por lo tanto: ¥ x-p 900-750 2,2 mm en unidades esténdar: ¢=——— => — = Area dada por la tabla Area solicitada Entonces, P(X > 3)=1-P(z <3) = 1—0,9987 = 0,0013 Luego, calculamos la cantidad de pollos que corresponden, entonces: 0,0013 = =C=26 20.000 Por lo tanto la cantidad de pollos cuyo peso es superior a 950 gr es de 26. Completemos ahora la tabla proporcionada con el enunciado de valores esperados de aves para cada caso. Categoria Sub alimentados. | _ Normal Sobre alimentados. Peso (en gr) X<650 650900 Cantidad de Pollos 456 19518 | DBE, ‘VWatemitca I=FADU exo Teoricos Probabilidades y estadistica Pagina 59 de 59