Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Probabilidad & Estadistica PDF
Probabilidad & Estadistica PDF
Probabilidad
&
Estadística
Resumen de la materia V.1
F.E.P
(Actualizada al 11-08-12)
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
UTNnianos
www.utnianos.com.ar
Página 2 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
Unidad I - Probabilidad.
Suceso unión:
- Mutuamente excluyentes: 𝐴 ∩ 𝐵 = 0
- No son mutuamente excluyentes: 𝐴 ∩ 𝐵 ≠ 0
Suceso intersección:
- Independientes. Ej: Un dado.
- No independientes -> condicionados. Ej: Mazo de cartas.
Propiedad: Au AC
P(a) + P(Ac) = 1
Leyes de De Morgam:
o 𝐴∪𝐵 =𝐴∩𝐵
o 𝐴∩𝐵 =𝐴∪𝐵
𝑃 𝐴 = 𝐾, 𝐾𝜖𝑅/
1 0≤𝑃 𝐴 ≤1
2 𝑃 𝑠 =1
3 𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 𝑐𝑜𝑛 𝐴 ∩ 𝐵 = 0
Página 3 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
4 𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃 𝐴 ∩ 𝐵 𝑐𝑜𝑛 𝐴 ∩ 𝐵 ≠ 0
5 𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴 𝑃 𝐵 𝑐𝑜𝑛 𝐴 𝑦 𝐵 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠.
Probabilidad compuesta:
𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴 𝑃(𝐵|𝐴)
Probabilidad condicional:
𝑃 𝐴∩𝐵
𝑃 𝐵𝐴 =
𝑃(𝐴)
1 𝑃 𝐴 =1−𝑃 𝐴
2 𝑃 ∅ =0
3 𝐴∁𝐵 => 𝑃 𝐴 ≤ 𝑃 𝐵
4 𝑃 𝐴−𝐵 = 𝑃 𝐴 −𝑃 𝐴∩𝐵
𝑛
(𝑛∁𝑟)
𝐾
Donde:
N: cantidad de objetos
K: grupos de “x” cantidad.
Permutaciones posibles:
𝑛
(𝑛𝑃𝑟)
𝐾
Donde:
N: cantidad de objetos
K: grupos tomados.
Página 4 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
Teorema de Bayes.
𝑃 𝐵𝑟 ∩ 𝐴 𝑃 𝐵𝑟 𝑃 𝐴 𝐵𝑟
𝑃 𝐵𝑟 𝐴 = 𝐾 = 𝐾 𝑝𝑎𝑟𝑎 𝑟 = 1,2, … , 𝑘
𝑖=1 𝑃(𝐵𝑖 ∩ 𝐴) 𝑖=1 𝑃 𝐵𝑖 𝑃 𝐴 𝐵𝑖
Demostración:
Por la definición de probabilidad condicional.
𝑃 𝐵𝑟 ∩ 𝐴
𝑃 𝐵𝑟 𝐴 =
𝑃(𝐴)
Si los eventos 𝐵1 , 𝐵2 , … … , 𝐵𝑘 constituye una partición del espacio muestral S tal que
𝑃(𝐵𝑖 ) ≠ 0 para i=1,2,3,….,k entonces cualquier evento de A de S:
𝐾 𝐾
𝑃 𝐴 = 𝑃(𝐵𝑖 ∩ 𝐴) = 𝑃 𝐵𝑖 𝑃(𝐴|𝐵𝑖 )
𝑖=1 𝑖=1
𝑃 𝐵𝑟 ∩ 𝐴 𝑃 𝐵𝑟 𝑃 𝐴 𝐵𝑟
𝑃 𝐵𝑟 𝐴 = 𝐾 = 𝐾
𝑖=1 𝑃(𝐵𝑖 ∩ 𝐴) 𝑖=1 𝑃 𝐵𝑖 𝑃 𝐴 𝐵𝑖
Página 5 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
- Representación: 𝑋, 𝑌, 𝑍, 𝑊
- Recorrido: 𝑅𝑥 = {0,1,2, … }
- 𝑋: 𝑆 → 𝑅
Tipos de variables:
- Discretas: Una variable aleatoria se llama: Varaible aleatoria discreta
(V.A.D) si se puede contar su conjunto de resultados posibles.
- Continuas: Una variable aleatoria cuyo conjunto de valores posibles es un
intervalo completo de números no es discreta.
Funciones:
𝑓 𝑥 = 𝑃(𝑋 = 𝑥)
Definición:
- 𝐹 𝑥 ≥0
- 𝑓 𝑥 =1
- 𝑃 𝑋=𝑥 =𝑓 𝑥
Página 6 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
Definición:
- 𝑓 𝑥 ≥0
+∞
- ∫−∞ 𝑓 𝑥 𝑑𝑥 = 1
𝐵
- 𝑃 𝐴 < 𝑥 < 𝐵 = ∫𝐴 𝑓 𝑥 𝑑𝑥
Definición:
La función de la distribución acumulada F(x) de una variable aleatoria discreta
X con distribución de probabilidad f(x) es:
Definición:
La función de distribución acumulada F(x) de una variable aleatoria continua X
con función de densidad f(x) es:
𝑥
𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = ∫−∞ 𝑓 𝑡 𝑑𝑡 para −∞ < 𝑥 < ∞
Sea X una variable aleatoria con distribución de probabilidad f(x) la media o valor
esperado de X es:
Página 7 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
- Si X es discreta:
𝜇=𝐸 𝑥 = 𝑥 . 𝑓(𝑥)
𝑥
- Si S es continua:
+∞
𝜇=𝐸 𝑥 = 𝑥 . 𝑓 𝑥 𝑑𝑥
−∞
Teorema:
- Si X es discreta:
- Si X es continua:
+∞
𝜇𝑔(𝑥) = 𝐸 𝑔 𝑥 = 𝑔(𝑥) . 𝑓 𝑥 𝑑𝑥
−∞
Propiedades de la esperanza.
1 𝐸 𝑘 =𝐾
2 𝐸 𝐾𝑋 = 𝐾 . 𝐸 𝑋
3 𝐸 𝑋∓𝑌 =𝐸 𝑋 ∓𝐸 𝑌
4 𝐸 𝑎𝑋 + 𝑏𝑌 = 𝑎 . 𝐸 𝑋 ∓ 𝑏 . 𝐸 𝑌
5 𝐸 𝑋 . 𝑌 = 𝐸 𝑋 . 𝐸(𝑌)
Página 8 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
Varianza.
Si X una variable aleatoria con distribución de probabilidad f(x) y media E(µ); la variaza
de x es:
𝑉 𝑥 = 𝐸 𝑋 2 − 𝐸 2 (𝑋)
Demostración:
2
𝑉 𝑋 =𝐸 𝑋−𝐸 𝑋
𝑉 𝑋 =𝐸 𝑋 2 − 2𝑋𝐸 𝑋 + 𝐸 2 𝑋
𝑉 𝑋 =𝐸 𝑋 2 + 𝐸 −2𝑋𝐸 𝑋 + 𝐸 𝐸 2 𝑋
𝑉 𝑋 =𝐸 𝑋2 − 2 𝐸 𝑋 𝐸 𝑋 + 𝐸2 𝑋
𝑉 𝑋 =𝐸 𝑋2 − 𝐸2 𝑋
Calculo de E(X2)
𝐸 𝑋2 = 𝑥 2 . 𝑓(𝑥)
𝑥 𝑒 𝑅𝑥
+∞
𝐸 𝑋2 = 𝑋 2 . 𝑓 𝑥 𝑑𝑥
−∞
Propiedades de varianza.
1 𝑉 𝐾 =0
2 𝑉 𝐾𝑋 = 𝐾 2 ∗ 𝑉 𝑋
3 𝑉 𝑎𝑋 + 𝑏 = 𝑎2 ∗ 𝑉 𝑋 𝑐𝑜𝑛 𝑎 𝑦 𝑏 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒𝑠.
4 𝑉 𝑋 + 𝑌 = 𝑉 𝑋 + 𝑉 𝑌 𝑠𝑜𝑙𝑜 𝑠𝑖 𝑋 𝑒 𝑌 𝑠𝑜𝑛 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠.
5 𝑉 𝑋 − 𝑌 = 𝑉 𝑋 + 𝑉(𝑌)
Teorema
Página 9 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
- Si es discreta:
2 2 2
𝜎𝑔(𝑥) = 𝐸 𝐺 𝑥 − 𝜇𝐺 𝑋 = 𝐺 𝑥 − 𝜇𝐺 𝑋 . 𝑓 𝑥
𝑥
- Si es continua:
+∞
2 2 2
𝜎𝑔(𝑥) = 𝐸 𝐺 𝑥 − 𝜇𝐺 𝑋 = 𝐺 𝑥 − 𝜇𝐺 𝑋 . 𝑓 𝑥 𝑑𝑥
−∞
𝜎= 𝑉(𝑥) 𝑐𝑜𝑛 𝜎 ≥ 0
Página 10 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
Tipos de distribuciones:
Distribuciones discretas:
- Binomial
- Hipergeométrica
- Geometrica
- Poisson
Distribuciones continuas:
- Exponencial
- Uniforme
- Normal
- Gamma
Características:
𝑛
𝑃 𝑋=𝑘 = . 𝑃𝑥 . 1 − 𝑃 𝑛−𝑥
𝑥
Donde:
K: éxitos
X: numero de … que …
Página 11 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
(6) Esperanza: 𝐸 𝑋 = 𝑛𝑝
(7) Varianza: 𝑉 𝑋 = 𝑛𝑝 1 − 𝑝
Distribución hipergeométrica.
10 30
𝐶𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 3 5
𝑃 𝑋 = 3; 𝑌 = 5 = = 40
𝐶𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
8
Características:
𝑛𝑘
(1) Esperanza: 𝐸 𝑋 = 𝑁
Donde:
N: Lote.
N: Elementos que tomo al azar.
K: Número de éxitos.
𝑁−𝑛
(2) Varianza: 𝑉 𝑋 = 𝑁−1
Distribución de Poisson.
Características:
Continuo:
- Temporal
- Espacial: longitud, superficie, volumen.
Página 12 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
λt k
𝑓 𝑥 = 𝑃 𝑋 = 𝑘 = 𝑒 −λt
𝐾!
Donde:
K: Prob. Que llegue ese valor.
(6) Esperanza: 𝐸 𝑋 = λ
(7) Varianza: 𝑉 𝑋 = λ con λ > 0
Distribución uniforme.
Características:
1
𝑓 𝑥, 𝑎, 𝑏 = 𝐵 − 𝐴 𝑠𝑖 𝐴 ≤ 𝑋 ≤ 𝐵
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝟏
Nota: La función de densidad forma un rectángulo con base B-A la altura:
𝑩−𝑨
𝑎+𝑏
(3) Esperanza: 𝐸 𝑋 = 2
𝑏−𝑎 2
(4) Varianza: 𝑉 𝑋 = 12
Distribución exponencial.
Aplicación:
- Tiempo medio entre fallas.
- Cantidad de continuo entre eventos de Poisson.
Página 13 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
Características:
1
(3) Esperanza: 𝐸 𝑋 = 𝛼
1
(4) Varianza: 𝑉 𝑋 = 𝛼 2
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝐹 𝑋 =
1 − 𝑒 −𝛼𝑡 𝑠𝑖 𝑥 > 0
Sea: 𝑋~exp
(α)
𝛼𝑒 −𝛼𝑥 𝑐𝑜𝑛 𝑥 > 0
𝑓 𝑥 =
0 𝑠𝑖 𝑥 ≤ 0
Entonces:
Relación: λ = 𝛼
Covarianza:
Página 14 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
Distribución normal.
Características:
1 1 𝑥−𝜇 2
−
𝑓 𝑥 = 𝑒 2 𝜎 𝑐𝑜𝑛 𝑥 𝜖𝑅
2𝜋 . 𝜎
1 1 2
𝑓 𝑧 = 𝑒 −2 𝑧 𝑐𝑜𝑛 𝑧 ∈ 𝑅
2𝜋
𝑋−𝜇
Si 𝑋 ~𝑁 𝜇, 𝜎 => 𝑍 = 𝜎
~𝑁 0,1 ∴ 𝑋 = 𝜎𝑍 + 𝜇
Página 15 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
Distribución Gamma.
1 𝑥 𝛼−1 −𝛽𝑥
𝑓 𝑥 𝛼, 𝛽 = 𝛽 𝜗 𝛼 𝑒 𝑐𝑜𝑛 𝑥 ≥ 0
𝛽
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Características:
Donde:
α: Parámetro de la forma.
Β: Parámetro de la escala.
+∞
𝜗 𝛼 = 𝑥 𝛼−1 𝑒 −𝑥 𝑑𝑥
0
(3) Esperanza: 𝐸 𝑋 = 𝛼𝛽
(4) Varianza: 𝑉 𝑋 = 𝛼𝛽 2
Página 16 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
Unidad IV – Estimación.
Estadística inferencial:
- Estimadores puntuales.
- Intervalos de confianza.
- Test de hipótesis. (Unidad V)
Estadística descriptiva:
- Media muestral.
- Varianza muestral.
- Desvió estándar.
- Mediana
- Moda o modo
- Coeficiente de variabilidad.
-
Definición:
𝐹 𝑋1 , 𝑋2 , … . 𝑋𝑛 = 𝑓 𝑋1 𝑓 𝑋2 … . . 𝑓 𝑋𝑛
Página 17 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
Media de la muestra:
Definición:
Mediana de la muestra:
Moda o Modo:
Varianza de la muestra:
1
𝑣𝑎𝑟𝑖𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 = 𝑘 ∗
𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎
Definición:
Si X1, X2, …, Xn representa una muestra aleatoria de tamaño n, entonces la
varianza de la muestra se define con el estadístico:
𝑛 2
2
𝑋𝑖 − 𝑋
𝑆 =
𝑛−1
𝑖=1
Página 18 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
𝑆= 𝑆2
Coeficiente de variabilidad.
𝐷𝑒𝑠𝑣í𝑜 𝑆
𝐶. 𝑉 = =
𝑀𝑒𝑑𝑖𝑎 𝑋
Definición:
Distribuciones muestrales:
- Normal
- Chi-Cuadrado
- T-Student
- F-Snedecor
Estimadores puntuales:
Página 19 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
Parámetro Estimador
(Fijo y desconocido) (Variable aleatoria)
µ 𝑋
𝜎2 𝑆2
λ 𝑋
p 𝑝
Propiedad.
∀𝑖 : 𝐸 𝑋𝑖 = 𝜇
𝑉 𝑋𝑖 = 𝑆 2
𝑛
𝑖=1 𝑋𝑖
𝑆𝑖 𝑋 =
𝑛
𝐸 𝑋 =𝐸 𝑋
(1) Insesgamiento:
𝑠𝑒𝑠𝑔𝑜 𝜃 = 𝐸 𝜃 − 𝜃
𝜃 es insesgado si 𝑠𝑒𝑠𝑔𝑜 𝜃 = 0
Página 20 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
Propiedad:
𝜎2
𝑉 𝑋 =
𝑛
Desvió estándar:
𝜎
𝜎𝑋 =
𝑛
2
𝐸. 𝐶. 𝑀 𝜃 = 𝐸 𝜃 − 𝜃
- 𝐸 𝑋 =𝜇
𝜎2
- 𝑉𝑎𝑟 𝑋 = 𝑛
(X1,X2,…,Xn) 𝑋𝑖 ~𝑁 𝜇, 𝜎
𝜎
𝑋~𝑁(𝜇, )
𝑛
𝜎
𝑋 → 𝑁 𝜇, 𝑝𝑎𝑟𝑎 𝑛 𝑠𝑢𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑚𝑒𝑛𝑡𝑒 𝑔𝑟𝑎𝑛𝑑𝑒 (𝑛 ≥ 30)
𝑛
Página 21 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
Distribución Chi-Cuadrado.
𝑛 − 1 𝑆2
≄~
𝜎2
𝑛 − 1 𝑆2
𝐻= ~ ≄2𝑛−1
𝜎2
Distribución T-Student.
𝜎
𝑋~𝑁 𝜇,
𝑛
𝑋−𝜇
𝑍= 𝜎 ~𝑁𝑜𝑟(0,1)
𝑛
Distribución de 𝑝
𝑛
𝑖=1 𝑋𝑖
𝑝=
𝑛
- Esperanza de 𝑝: 𝐸 𝑝 = 𝑝
𝑝𝑞
- Varianza de 𝑝: 𝑉𝑎𝑟 𝑝 =
𝑛
Página 22 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
Intervalos de confianza.
Tipos:
(1) Intervalo de confianza para la media poblacional.
(2) Intervalo de confianza par la media poblacional con 𝜎 2 desconocido.
(3) Intervalo de confianza para la proporción P.
(4) Intervalo de confianza para la varianza poblacional.
𝜎 𝜎
𝐼: (𝑋 − 𝑍1−𝛼 𝑛
; 𝑋 + 𝑍1−𝛼 𝑛
)
2 2
Observaciones:
𝑋 −𝜇
- Estimador: 𝑇 = 𝑠 ~𝑇𝑛−1
𝑛
𝑠 𝑠
𝐼: (𝑋 − 𝑇𝛼 ; 𝑋 + 𝑇𝛼 )
2 𝑛 2 𝑛
Página 23 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
𝑝 −𝑝
- Estimador: 𝑍 = 𝑝𝑞
~𝑁(0,1)
𝑛
𝑝𝑞 𝑝𝑞
𝐼: (𝑝 − 𝑍1−𝛼 ; 𝑝 + 𝑍1−𝛼 )
2 𝑛 2 𝑛
𝑛−1 ∗𝑠 2
- Estimador: 𝜎2
~ ≄2𝑛−1
𝑛 − 1 ∗ 𝑠2 𝑛 − 1 ∗ 𝑠2
𝐼: ( ; )
≄2𝛼 ≄2 𝛼
1−
2 2
Página 24 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
Ej: Para probar que un medidor es más preciso que otro el ingeniero prueba la
hipótesis de que no hay diferencia en la precisión de los dos tipos de
medidores.
- Hipótesis nula:
- Hipótesis alternativa:
Página 25 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
Decisiones en hipótesis.
Dos decisiones:
Rechazo H0:
Acepto H0:
Error tipo I:
Probabilidades.
Nota:
Si para un tamaño 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 tamaño de la muestra.
Página 26 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
Propiedades importantes.
Test o prueba de hipótesis para la media (de una población) con varianza conocida.
𝑋 −𝜇0
- Estadístico de prueba: 𝑍 = 𝜎 ~𝑁𝑜𝑟(0,1)
𝑛
- Casos:
Para los test restantes solo variará el estadístico de prueba, según los estimadores
vistos en cada uno de los intervalos de confianza.
Página 27 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
𝑃 − 𝑣𝑎𝑙𝑜𝑟
𝑃 𝑋 > 𝑋0 ; 𝑐𝑢𝑎𝑛𝑑𝑜 𝜇 = 𝑣𝑎𝑙𝑜𝑟 𝑠𝑒𝑙𝑒𝑐𝑐𝑖𝑜𝑛𝑎𝑑𝑜 =
2
Nota:
- Si P-valor > α: no rechazo H0.
- Si P-valor ≤ α: rechazamos H0
Página 28 de 29
Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
𝑌 = 𝑏0 + 𝑏1 𝑋
𝑆𝑥𝑦
- 𝑏1 =
𝑆𝑥𝑥
- 𝑏0 = 𝑌 − 𝑏1𝑋
1 1
𝑋= 𝑋𝑖 𝑌= 𝑌𝑖
𝑛 𝑛
2 2
𝑆𝑥𝑥 = 𝑋𝑖 − 𝑋 𝑆𝑦𝑦 = 𝑌𝑖 − 𝑌
𝑆𝑥𝑦 = 𝑋𝑖 − 𝑋 𝑌𝑖 − 𝑌
Coeficiente de determinación:
𝑆𝐶𝑒𝑥𝑝
𝑟2 =
𝑆𝐶𝑡𝑜𝑡
𝑆𝑥𝑦
𝑟=
𝑆𝑥𝑥 𝑆𝑦𝑦
Página 29 de 29