Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Probabilidad
&
Estadstica
Resumen de la materia V.1
F.E.P
(Actualizada al 11-08-12)
UTNnianos
www.utnianos.com.ar
Pgina 2 de 29
Unidad I - Probabilidad.
Complemento: A -> A; Ac
Propiedad: Au AC
P(a) + P(Ac) = 1
Leyes de De Morgam:
o
o
=
=
1 0 1
2 =1
3 = + = 0
Pgina 3 de 29
Probabilidad compuesta:
= (|)
Probabilidad condicional:
=
()
=1
=0
=>
=
()
Donde:
N: cantidad de objetos
K: grupos de x cantidad.
N: cantidad de objetos
K: grupos tomados.
Permutaciones posibles:
()
Donde:
Pgina 4 de 29
Teorema de Bayes.
=1 (
=1
= 1,2, ,
Demostracin:
Por la definicin de probabilidad condicional.
()
Si los eventos 1 , 2 , , constituye una particin del espacio muestral S tal que
( ) 0 para i=1,2,3,.,k entonces cualquier evento de A de S:
( ) =
=1
(| )
=1
=1 ( )
=1
Pgina 5 de 29
Variable aleatoria: Funcin que asocia un numero real con cada elemento del espacio
muestral.
-
Tipos de variables:
Funciones:
-
Representacin: , , ,
Recorrido: = {0,1,2, }
:
= ( = )
Definicin:
0
=1
= =
Pgina 6 de 29
Definicin:
La funcin f(x) es una funcin de densidad de probabilidad para la variable
aleatoria continua X, definida en el conjunto de nmeros reales R si:
-
= 1
< < =
= =
Pgina 7 de 29
Si X es discreta:
= =
. ()
Si S es continua:
+
= =
Teorema:
Si X es discreta:
() =
() . ()
Si X es continua:
+
() =
() .
Propiedades de la esperanza.
1
2
3
4
5
=
= .
=
+ = . .
. = . ()
Pgina 8 de 29
Varianza.
Si X una variable aleatoria con distribucin de probabilidad f(x) y media E(); la variaza
de x es:
= 2 2 ()
Demostracin:
=
=
=
=
=
2 2 + 2
2 + 2 + 2
2 2 + 2
2 2
Calculo de E(X2)
-
2 . ()
2 =
2 .
Propiedades de varianza.
1
2
3
4
5
=0
= 2
+ = 2
.
+ = + .
= + ()
Teorema
Sea X una variable aleatoria con distribucin de probabilidad f(x). La varianza
de la variable aleatoria g(x) es:
Pgina 9 de 29
Si es discreta:
2
()
=
Si es continua:
2
()
=
+
2
() 0
Pgina 10 de 29
Distribuciones discretas:
- Binomial
- Hipergeomtrica
- Geometrica
- Poisson
Distribuciones continuas:
- Exponencial
- Uniforme
- Normal
- Gamma
Caractersticas:
(1) Sucesos dicotmicos:
- xito (P)
- Fracaso (Q) (me interesa que salga lo que quiero si no, no me importa)
- =
- =
- =1 ; + =1
(2) Ocurre en n pruebas o repeticiones independientes.
(3) Se mantiene probabilidad constante de prueba en prueba.
(4) Se denota como: ~B(n, p)
Donde:
N: Cantidad de ensayos;
P: Probabilidad de xito en 1 ensayo.
X: Numero de xito en n eventos.
(5) ~B n, p = b x, n, p
= =
. . 1
Donde:
K: xitos
X: numero de que
Pgina 11 de 29
(6) Esperanza: =
(7) Varianza: = 1
Distribucin hipergeomtrica.
La distribucin hipergeomtrica encuentra aplicaciones en el muestreo de aceptacin,
donde lotes de material o las partes se muestran con la finalidad de determinar si se
acepta o no el lote completo.
Ej: Mazo de 40 cartas -> extraigo 8 -> 3 de oro; 5 cualesquiera.
= 3; = 5 =
10
3
30
5
40
8
Caractersticas:
(1) Esperanza: =
Donde:
N: Lote.
N: Elementos que tomo al azar.
K: Nmero de xitos.
(2) Varianza: = 1
Distribucin de Poisson.
Caractersticas:
(1) Sucesos raros que suceden en un continuo.
Continuo:
- Temporal
- Espacial: longitud, superficie, volumen.
(2)
(3)
(4)
(5)
Pgina 12 de 29
= = = t
t k
!
Donde:
K: Prob. Que llegue ese valor.
(6) Esperanza: =
(7) Varianza: = con > 0
Distribucin uniforme.
Caractersticas:
(1) Se expresa como: ~Unif a, b
(2) La funcin de densidad de la variable aleatoria uniforme continua X en el intervalo
[a,b] es:
1
, , =
0
+
2
2
12
(3) Esperanza: =
(4) Varianza: =
Distribucin exponencial.
Aplicacin:
- Tiempo medio entre fallas.
- Cantidad de continuo entre eventos de Poisson.
Pgina 13 de 29
> 0
(Funcin densidad)
0
(3) Esperanza: =
1
(4) Varianza: = 2
0
1 > 0
> 0
0 0
Entonces:
> + > = = ( > )
Covarianza:
, = [( ()( ]
Pgina 14 de 29
Distribucin normal.
Caractersticas:
(1) Se expresa como: ~N
(, )
(2) Caractersticas:
-
= 1
1
2 .
1 2
Se expresa como: ~
(0,1)
=0
=1
Funcin que describe:
1
2
1 2
Si ~ , => =
~ 0,1
= +
Pgina 15 de 29
Distribucin Gamma.
1
, =
Caractersticas:
(1) Se expresa como: ~
(, )
Donde:
: Parmetro de la forma.
: Parmetro de la escala.
(2) Funcin gamma:
+
=
0
(3) Esperanza: =
(4) Varianza: = 2
Pgina 16 de 29
Unidad IV Estimacin.
Estadstica inferencial:
- Estimadores puntuales.
- Intervalos de confianza.
- Test de hiptesis. (Unidad V)
Estadstica descriptiva:
- Media muestral.
- Varianza muestral.
- Desvi estndar.
- Mediana
- Moda o modo
- Coeficiente de variabilidad.
-
Definicin:
Pgina 17 de 29
Media de la muestra:
=1
Donde: .
Definicin:
Mediana de la muestra:
El que est en el medio de la muestra.
Se busca el valor: = 2
Moda o Modo:
Valor de la serie de mayor frecuencia, nomenclatura:
Varianza de la muestra:
La variabilidad en la muestra es como se dispersan las observaciones a partir
del promedio.
=
Definicin:
Si X1, X2, , Xn representa una muestra aleatoria de tamao n, entonces la
varianza de la muestra se define con el estadstico:
=
=1
Pgina 18 de 29
Coeficiente de variabilidad.
. =
Frecuencia relativa:
Definicin:
Distribuciones muestrales:
- Normal
- Chi-Cuadrado
- T-Student
- F-Snedecor
Estimadores puntuales:
Dado (X1, X2, , Xn) llamamos estamiador a cualquier funcin de la muestra
aleatoria.
Pgina 19 de 29
Parmetro
(Fijo y desconocido)
Estimador
(Variable aleatoria)
Propiedad.
{X1,X2,,Xn} Muestra aleatoria de tamao n (V.A.I.I.D)
: =
= 2
=
=1
es insesgado si = 0
Pgina 20 de 29
Propiedad:
Desvi estndar:
(X1,X2,,Xn) ~ ,
Si ~ , entonces la variable media muestral se distribuye en
forma exactamente normal.
~(,
( 30)
Pgina 21 de 29
Distribucin Chi-Cuadrado.
Si S2 es la varianza de una muestra aleatoria de tamao n que se toma de una
poblacin normal que tiene la varianza 2 , entonces el estadstico:
1 2
~ 21
2
1 2
2
Distribucin T-Student.
Aplicacin: Se utiliza para inferencia sobre la media poblacional cuando 2
desconocido.
Si + 30 entonces
~ ,
~(0,1)
Distribucin de
=
Esperanza de : =
Varianza de : =
=1
Pgina 22 de 29
es
Intervalos de confianza.
Estimador: =
~(0,1)
: ( 1
; + 1
Observaciones:
(1) El intervalo de confianza est centrado en
Estimador: =
~1
: (
; +
Pgina 23 de 29
Estimador: =
~(0,1)
; + 1
: ( 1
Estimador:
1 2
~
2
: (
21
1 2 1 2
;
)
2
2
1
Pgina 24 de 29
Hiptesis:
Una hiptesis estadstica es una conjetura (informacin) acerca de un
parmetro poblacional con respecto a una o ms poblaciones.
Nota: La verdad o falsedad de una hiptesis nunca se sabe con absoluta
certidumbre, a menos que se examine toda la poblacin algo poco prctico.
Hiptesis nula:
Hiptesis alternativa:
Representa la pregunta que debe responderse, la teora que debe
probarse y, por ello, su especificacin es muy importante.
Nota: La hiptesis nula H0 anula o se opone a H1
Pgina 25 de 29
Decisiones en hiptesis.
Dos decisiones:
Rechazo H0:
-
Acepto H0:
Error tipo I:
Probabilidades.
-
P
P
P
P
Nota:
Si para un tamao de muestra fijo:
Si reducimos la probabilidad de cometer un error de tipo II, aumenta la
probabilidad de cometer un error de tipo I.
La probabilidad de cometer ambos errores se puede disminuir al
aumentar el tamao de la muestra.
Pgina 26 de 29
Propiedades importantes.
-
Test o prueba de hiptesis para la media (de una poblacin) con varianza conocida.
-
Estadstico de prueba: =
Casos:
~(0,1)
Caso 1
Caso 2
Caso 3
0: = 0
1: > 0
0: = 0
1: < 0
0: = 0
1: 0
Para los test restantes solo variar el estadstico de prueba, segn los estimadores
vistos en cada uno de los intervalos de confianza.
Pgina 27 de 29
> 0 ; =
Nota:
-
Pgina 28 de 29
= 0 + 1
1 =
0 = 1
Coeficiente de determinacin:
2 =
Pgina 29 de 29