Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CLASES DE CONJUNTOS
Ejemplo:
Ejemplo:
Ejemplo:
Ejemplo:
UNIÓN DE CONJUNTOS:
A U B = {x / x € A o x € B}
INTERSECCIÓN DE CONJUNTOS:
La intersección es el conjunto formado por los elementos que son comunes entre
dos o más conjuntos dados. Se denota por A∩B, que se lee: A intersección B. La
intersección de A y B también se puede definir:
A∩ B = { x / x € A y x € B }
PROBABILIDAD CLASICA
Es el número de resultados favorables a la presentación de un evento dividido
entre el número total de resultados posibles. Asignación de probabilidad "a priori",
si necesidad de realizar el experimento.
La probabilidad clásica o teórica se aplica cuando cada evento simple del espacio
muestral tiene la misma probabilidad de ocurrir.
Fórmula para obtener la probabilidad clásica o teórica:
Por lo tanto:
Probabilidad condicional es la probabilidad de que ocurra un evento A, sabiendo
que también sucede otro evento B. La probabilidad condicional se escribe P(A|B)
o P(A/B), y se lee «la probabilidad de A dado B».
No tiene por qué haber una relación causal o temporal entre A y B. A puede
preceder en el tiempo a B, sucederlo o pueden ocurrir simultáneamente. A puede
causar B, viceversa o pueden no tener relación causal. Las relaciones causales o
temporales son nociones que no pertenecen al ámbito de la probabilidad. Pueden
desempeñar un papel o no, dependiendo de la interpretación que se le dé a los
eventos.
Un ejemplo clásico es el lanzamiento de una moneda para luego lanzar un dado.
¿Cuál es la probabilidad que en el dado salga un 6 dado que ya haya salido una
cara en la moneda? Esta probabilidad se denota de esta manera: P(6|C).
5 0.037833
10 0.12511
15 0.034718
Distribuciones muestrales
Distribuciones Muestrales •El objetivo es efectuar una generalización de los
resultados de la muestra a la población. Inferir o adivinar el comportamiento de la
población a partir del conocimiento de una muestra. •Para ello es necesario
conocer las distribuciones de probabilidad de ciertas funciones de las muestras
que constituyen variables aleatorias asociadas al experimento aleatorio, selección
de una muestra al azar de una población. •Estas variables aleatorias denominadas
estadísticos muestrales, porque se basan en el comportamiento de las muestras,
asignan a cada muestra del espacio muestral, constituido por todas la muestras
posibles, un número real que es un resumen estadístico de la muestra. Por
ejemplo, media de la muestra. •El esquema siguiente resume visualmente la
situación: Dada una población formada por un número N grande de elementos,
donde se observa la variable X, se extrae al azar una muestra de tamaño n (n30), t
se distribuye normalmente, aunque X en la población no sea normal.
Distribuciones Muestrales •Casos particulares de distribuciones muestrales: Sea
una población P y X la variable aleatoria observada, cuya distribución es Normal X
→ N ( µ,σ ) Media muestral U=media muestral : E R n Xi U m X n i ∑= = = 1
m=(x1, x2, …,xn) ( ) •Se verifica que el estadístico muestral media es también
normal con las siguientes media y desviación típica: ( , ) 1 n N n Xi X n i σ = → µ
∑= Además, si el tamaño de la muestra es suficientemente grande (n>30), se
distribuye normalmente, aunque X en la población no sea normal. Distribuciones
Muestrales •Casos particulares de distribuciones muestrales: Sea una población P
y X la variable aleatoria observada, cuya distribución es Normal X → N ( µ,σ ) U=S
2 : E R m=(x1, x2, …,xn) Estadístico cuasivarianza muestral 1 ( ) 1 2 2 − − = ∑= n
X X S n i i Observa que esta nueva variable se ha obtenido a partir de l a anterior
(S2) multi plicando por l a constante (n-1)/ Esta transformación permite con ocer
su comportamie nto probabilístico 2 σ Estadístico Uchi muestral Uchi : E R 2 2 ( 1 )
( ) σ n S Uchi m − m=(x1, x2, …,xn) = •Se verifica que el estadístico muestral Uchi
sigue un modelo Chi-cuadrado con n-1 grados de libertad 2 2 1 2 ( 1 ) → − − chi =
n n S U χ σ Distribuciones Muestrales •Casos particulares de distribuciones
muestrales: Sea una población P y X la variable aleatoria observada, cuya
distribución es Normal X → N ( µ,σ ) Estadístico Ut,v (función de los estadísticos
media y cuasivarianza) Ut,v : E R Observa que esta nueva variable se ha o bteni d
o a p artir de l os estadísticos media y cuasi desviació n típica (S) Esta transform
ación p ermite con ocer su comportamie nto probabilístico n S X Ut µ υ − m=(x1,
x2, …,xn) , = •Se verifica que el estadístico muestral Ut,v sigue un modelo t de
Student con n-1 grados de libertad , 1 ( ) → − − t = n t n S X U µ υ Distribuciones
Muestrales •Casos particulares de distribuciones muestrales: Sea una población P
y X la variable aleatoria observada, cuya distribución es una Bernoulli: X=0 con
probabilidad q=P(fracaso) y X=1 con probabilidad p=P(éxito) Se sabe que E(X)=p
y V(X)=pq Estadístico Ut=t=total de éxitos en la muestra Observa q ue esta
variable refleja el total de éxitos (1’s) en l a muestra entre el total de selecciones n.
Es un caso particular d e total m u e stral t, ya visto. Observa q u e es tambi én la
variable bin omial Ut : E R ∑= = = n i Ut t Xi 1 m=(x1, x2, …,xn) •Se verifica que el
estadístico muestral Ut sigue un modelo Binomial Ut → B ( n, p ) E(Ut)=np
V(Ut)=npq •Para tamaños de muestra suficientemente grandes se aproxima a una
normal