Inferencia S1-2

Identicar el rol de la Inferencia Estadística en el análisis
crítico de situaciones problemáticas.

Semana 1: Repaso de distribuciones de probabilidad
Stalyn Guerrero1
1
Msc Ciencias estadística universidad nacional sede Bogotá
Guerrero. S. (UNAL) Semana 1. 1 / 87

Contenido
1 Variables Aleatorias
Introducción
Deniciones y convenciones.
Ejemplos
Ejercicios
2 Distribuciones discretas
Ejercicios
3 Distribuciones continuas
4 Percentiles
Ejercicios
5 Recurso bibliográcos del curso.

Introducción
• La teoría estadística estudia fenómenos cuyos comportamientos no

pueden ser predeterminados. Por ejemplo, ganar un partido de fútbol,
los contagiados por covid 19 en las localidades de Bogotá, etc.
• Estos fenómenos pueden ser descritos como un experimento aleatorio,
esto es, un experimento cuyo resultado no se conoce de antemano.
• El conjunto que contiene todos los posibles resultados de un
experimento aleatorio se le conoce como espacio muestral y es
denotado por Ω.

Variable Aleatoria (V .A)
Denición (Variable aleatoria (V.A.))

Dado un experimento aleatorio con el espacio muestral Ω, una variable
aleatoria X es una función denida sobre Ω que asigna a cada elemento de
un número real.


un número real.
Ejemplo
Sea X la tasa de desempleo en Colombia para el siguiente mes.


un número real.
En algunas situaciones, una variable aleatoria puede ser, simplemente, la
función idéntica.
Ejemplo
Sea X la tasa de desempleo en Colombia para el siguiente mes.


un número real.
En algunas situaciones, una variable aleatoria puede ser, simplemente, la
función idéntica.
Ejemplo
Sea X la tasa de desempleo en Colombia para el siguiente mes. Está
variable tomará valor en [0, 1] y corresponde simplemente al resultado del
experimento, esto es, una función idéntica.

Variable Aleatoria (V.A.)
Ejemplo
Se sacan 2 bolas de manera sucesiva sin reemplazo, de una urna que
contiene 4 bolas rojas y 3 negras. Se dene la variable aleatoria: Y :
Número de bolas rojas.
Ω Y P (Y = y )
RR 2 2/7
RN 1 2/7
NR 1 2/7
NN 0 1/7

Ejemplo
Se sacan 2 bolas de manera sucesiva sin reemplazo, de una urna que
contiene 4 bolas rojas y 3 negras. Se dene la variable aleatoria: Y :
Número de bolas rojas.
Ω Y P (Y = y )
Y P (Y = y )
RR 2 2/7
0 1/7
RN 1 2/7 =⇒
1 4/7
NR 1 2/7
2 2/7
NN 0 1/7

Ejemplo
Se lanzan dos dados simultáneamente ¾Cuál es el espacio muestral ?

Ejemplo
Se lanzan dos dados simultáneamente ¾Cuál es el espacio muestral ?
(1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6)

(2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6)
(3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6)
Ω=
(4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6)
(5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6)
(6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)

Una forma de clasicar a las variables aleatorias es según los valores que
toman:
• Las variables discretas son aquellas que toman valores en un conjunto
nito o enumerable1 .
• Las variables continuas son aquellas que toman valores en un
intervalo, entendiendo que el conjunto de los números reales R es un
intervalo de la forma (−∞, ∞).
1
Un conjunto A es enumerable cuando existe una función inyectiva que tiene como
dominio A y recorrido el conjunto de los números naturales.

Deniciones y convenciones.
Denición (Parámetro)
Un parámetro de distribución es aquel valor jo que dene la forma
funcional de una distribución de probabilidad.
Cuando una distribución tiene solo un parámetro, éste se denota usualmente

por θ; cuando se presenta más de un parámetro, la notación se cambia a θ .
Denición (Espacio del parámetro)

Es el conjunto que contiene todos los posibles valores del parámetro o el
vector de parámetros, el cual denotaremos por Θ.

Función de probabilidad
Sea X una variable aleatoria discreta y supóngase que los valores posibles que
puede tomar están dados por x1 , x2 , x3 , . . . ordenados en orden creciente de
magnitud. Supóngase también que los valores se asumen con probabilidades
dadas por:
P (X = xi ) = f (xi ) , i = 1, 2, 3,
Denición (Función de probabiliodad)

También conocida como la distribución de probabilidad , denida por
(
P (X = xi ) xi ∈ X
fx (x) =
0 en otro caso
En general fX es función de probabilidad si satisface las siguientes

propiedades
• fX (x) ≥ 0 para todo x
• fX (x) = 1
P
x

Función de distribución
Denición (Función de distribución)

La función de distribución acumulada, o simplemente la función de
distribución, para una variable aleatoria X se dene por
P (X ≤ xi ) = Fx (xi )
donde x es cualquier número real. La función de distribución puede obtenerse.de

la función de probabilidad notando que
X
FX (x) = P (X ≤ x) = fX (u)
u≤x

Esperanza matemática
Denición (Esperanza matemática)

Se llama esperanza matemática o valor medio de la variable aleatoria X , a la
expresión
n
X
E (X ) = xi P (X = xi )
i=1
Denición
Se llama esperanza matemática o valor medio de la función G (X ) de la
variable aleatoria X , a la expresión
n
X
E (G (X )) = G (xi ) P (X = xi )
i=1

Momentos de una variable aleatoria
La esperanza matemática de una V.A. es una dato muy importante de la
misma, pero no dice nada de la distribución de sus valores alrededor de esta
esperanza o valor medio.
Denición (Momento de orden k )

Se llama momento de orden k de la variable aleatoria nita X a la esperanza
matemática de X k , osea,
n
X
αk = E X k = xik P (X = xi )
i=1
y los momentos centrados se denen por la ecuación

n
X
k k
µk = E (X − α1 ) = (xi − α1 ) P (X = xi )
i=1
con α1 = E (X )

Propiedades de la esperanza matemática
• E (a) = a.
• E (aX + b) = aE (X ) + b , si a y b son número reales.
• E (X + Y ) = E (X ) + E (Y ).
• E (X × Y ) = E (X ) × E (Y ) únicamente en el caso que X e Y sean
independientes.

Propiedades de la esperanza matemática
• E (a) = a.
• E (aX + b) = aE (X ) + b , si a y b son número reales.
• E (X + Y ) = E (X ) + E (Y ).
• E (X × Y ) = E (X ) × E (Y ) únicamente en el caso que X e Y sean
independientes.
E (X + Y ) = E (X ) + E (Y ).
XX
E (X + Y ) = (xi + yj ) P (xi , yj )
i j
X X
= (xi ) P (xi , yj ) + (yj ) P (xi , yj )
i j
=E (X ) + E (Y )

Varianza y desviación estándar de una v.a.
La esperanza matemática de una v.a. es una dato muy importante de la
Denición (Varianza)
Se llama varianza de una v.a. X al momento centrado de segundo orden. Se
representa por σ2 o por σ2 (X ) o por σX2 o sea
n
2 2
Var (X ) = σX2 = E (X − α1 ) =
X
(xi − α1 ) P (X = xi )
i=1

Varianza y desviación estándar de una v.a.
La esperanza matemática de una v.a. es una dato muy importante de la
Denición (Varianza)
Se llama varianza de una v.a. X al momento centrado de segundo orden. Se
representa por σ2 o por σ2 (X ) o por σX2 o sea
n
2 2
Var (X ) = σX2 = E (X − α1 ) =
X
(xi − α1 ) P (X = xi )
i=1
Denición
El número no negativo de σ, raíz cuadrada de la varianza, se llama desviación
típica o desviación standard de la variable aleatoria X
p
σX = Var (X )

Propiedades de la varianza
• Var (a) = 0, la varianza de una constante es cero.
• Var (aX + b) = a2 Var (X ), si a y b son número reales.
• Var (X + Y ) = Var (X ) + Var (Y ) únicamente en el caso que X e Y
sean independientes.
• Var (X ) = E (Var (X | Y )) + V (E (X | X ))
• Var (X ) = E X 2 − E 2 (X )


Propiedades de la varianza
• Var (a) = 0, la varianza de una constante es cero.
• Var (aX + b) = a2 Var (X ), si a y b son número reales.
• Var (X + Y ) = Var (X ) + Var (Y ) únicamente en el caso que X e Y
sean independientes.
• Var (X ) = E (Var (X | Y )) + V (E (X | X ))
• Var (X ) = E X 2 − E 2 (X )

Var (X ) = E (X ) − E (X ).
2 2
n
X n
X
(xi − α1 )2 P (X = xi ) = xi2 + 2xi α1 − α12 P (X = xi )

Var (X ) =
i=1 i=1
n
X n
X n
X
= xi P (X = xi ) + 2α1
2 2
xi P (X = xi ) − α1 P (X = xi )
i=1 i=1 i=1

= E X 2 − α2 = E X 2 − E 2 (X )

Covarianza de variables aleatorias
Denición (Covarianza)
Se llama Covarianza de dos variables aleatorias X e Y a la expresión
Cov (X , Y ) = E ((X − α1 ) (Y − β1 ))
X
= ((xi − α1 ) (yj − β1 )) p (X = xi , Y = yj )
i,j
donde E (X ) = α1 y E (Y ) = β1 . Está se representa por σXY

• Si σXY > 0 hay dependencia directa (positiva), es decir, a grandes
valores de X corresponden grandes valores de Y .
• Si σXY = 0 Una Covarianza 0 se interpreta como la no existencia de
una relación lineal entre las dos variables estudiadas.
• Si σXY < 0 hay dependencia inversa o negativa, es decir, a grandes
valores de X corresponden pequeños valores de Y .

Covarianza de variables aleatorias
Propiedades
• Cov (X , Y ) = 0, únicamente cuando X e Y son v.a. independientes.
• Cov (X , Y ) = E (XY ) − E (X ) E (Y )
• Cov (aX , bY ) = abCov (X , Y ), para a y b número reales.
• Cov (X + a, Y + b) = Cov (X , Y )
• Var (X ± Y ) = Var (X ) + Var (Y ) ± 2Cov (X , Y ) únicamente en el
caso que X e Y sean dependientes.
• | Cov (X , Y ) |≤ σX σY

Función generatriz de momentos
Denición
La función generatriz puede denirse igualmente para variables aleatorias
con una innidad numerable de valores.
n
X
xt
e xt fX (xi )

MX (t) = E e =
i=1
Observe que:
• MX (0) = ni=1 fX (xi ) = 1.
P
• MX(1) (0) = ni=1 xfX (xi ) = E (X ) = α1 .

P
• MX(2) (0) = ni=1 x 2 fX (xi ) = E X 2 = α2 .

P
• MX(r ) (0) = ni=1 x r fX (xi ) = E (X r ) = αr .

P

Propiedades de la función generatriz de momentos
• Si MX (t) es la función generatriz de momentos de la variable aleatoria

X y a , b (b 6= 0) son constantes, entonces la función generatriz de
momentos de (X + a) /b es
at
t
M (X +a) (t) = e b MX
b b
• Si X e Y son variables aleatorias con funciones generatrices de
momentos MX (t) y MY (t) respectivamente, entonces
MX +Y (t) = MX (t) MY (t)
• Sean X e Y son v.a. con funciones generatrices de momentos MX (t)

y MY (t) respectivamente. Entonces X e Y tienen la misma
distribución de probabilidad solo si MX (t) = MY (t)

Función característica
Si remplazamos t = iw donde i es la unidad imaginaria en la función gene-

ratriz de momentos obtenemos una función importante llamada la función
característica. La denotamos por

φX (w ) =MX (iw ) = E e iwX
se deduce que
n
X
φX (w ) = e iwxj fX (x)
j=1

Propiedades de la función característica
• Si φX (t) es la función característica de la variable aleatoria X y a, b

(b 6= 0) son constantes, entonces la función característica (X + a) /b
es w
aiw
φ (X +a) (w ) = e b φX
b b
• Si X e Y son variables aleatorias con funciones generatrices de
momentos φX (t) y φY (t) respectivamente, entonces
φX +Y (t) = φX (t) φY (t)
• Sean X e Y son v.a. con funciones generatrices de momentos φX (t) y

φY (t) respectivamente. Entonces X e Y tienen la misma distribución
de probabilidad solo si φX (t) = φY (t)

La desigualdad de chebyshev
Sea H (X ) una función de la variable aleatoria X que no tome valores ne-

gativos, o sea H (X ) ≥ 0 para todos los valores de x ∈ X . Sea K > 0 una
constante dada, y sean xi para i = 1, . . . , n los valores de X , y xα aquellos
valores para los cuales sean H (xα ) ≥ K . Tenemos que
n
X X X
E (H (X )) = H (xi ) fX (xi ) ≥ H (xα ) fX (xα ) ≥ K fX (xα )
i=1 α α
Pero α fX (xα ) indica la probabilidad de que H (X ) sea igual o mayor que

P
K . Por tanto se tiene que
E (H (X ))
P (H (X ) ≥ K ) ≤ .
K

La desigualdad de chebyshev
Sea H (X ) = (X − α1 )2 y K = k 2 σ 2 , resulta una expresión más conocida

de la desigualdad
1
P (| X − α1 |≥ kσ) ≤ 2
k
y haciendo kσ = k1 se puede reescribir como
σ2
P (| X − α1 |≥ k1 ) ≤
k12

Ejemplo
Ejemplo
En una maquina que procesa alimentos, todos los paquetes de una libra de
chocolate tiene un peso medio de 8 onzas con una desviación estándar de
0,02 onzas ¾Qué porcentaje de los paquetes como mínimo, debe contener
entre 7.8 y 8.2 onzas de chocolate?
Solución
Lo primero es abstraer la información que entrega el problema. Ahora note
que
1 1
P (| X − α1 |≥ kσ) ≤ = P (| X − α1 |< kσ) > 1 − 2
k2 k

Ejemplo
Ejemplo
En una maquina que procesa alimentos, todos los paquetes de una libra de
chocolate tiene un peso medio de 8 onzas con una desviación estándar de
0,02 onzas ¾Qué porcentaje de los paquetes como mínimo, debe contener
entre 7.8 y 8.2 onzas de chocolate?
Solución
Lo primero es abstraer la información que entrega el problema. µ = 8,
σ = 0,02 y 8,2−2 7,8 = 0,2, luego kσ = 0,2 ⇒ k = 10. Ahora note que
1 1
P (| X − α1 |≥ kσ) ≤ 2
= P (| X − α1 |< kσ) > 1 − 2
k k
de donde se sigue que
1
P (| X − 8 |< 0,2) >1 − = 0,99
100
Ejemplos
Ejemplo (Lanzamiendo de dos dados)

Continuando con el ejemplo (3), se dene X := la suma de los dos dados.
¾Cuál es la función de probabilidad?
Solución

Ejemplos

¾Cuál es la función de probabilidad?
Solución
X 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
P (X = xi ) 36 36 36 36 36 36 36 36 36 36 36

Ejemplos

¾Cuál es la función de distribución?
Solución

Ejemplos

¾Cuál es la función de distribución?
Solución
X 2 3 4 5 6 7 8 9 10 11 12
P (X = xi ) 1 2 3 4 5 6 5 4 3 2 1
36 36 36 36 36 36 36 36 36 36 36
P (X ≤ xi ) 1 3 6 10 15 21 26 30 33 35 36
36 36 36 36 36 36 36 36 36 36 36

Ejemplos

Determinar la esperanza matemática y la varianza de X .
Solución

Ejemplos

Determinar la esperanza matemática y la varianza de X .
Solución
X 2 3 4 5 6 7 8 9 10 11 12
P (X = xi ) 1 2 3 4 5 6 5 4 3 2 1
36 36 36 36 36 36 36 36 36 36 36
xi P (X = xi ) 362 366 12 36
20
36
30
36
42
36
40
36
36
36
30
36
22
36
12
36
xi2 P (X = xi ) 364 18
36
48
36
100
36
180
36
294
36
320
36
324
36
300
36
242
36
144
36
E (X ) = 7, E X 2 = 1974 y

36
1974
Var (X ) = − 72 = 5,83333
36

Ejemplos
Ejemplo (Dos urnas)
Suponga que tiene dos urnas contiene y cada una de esta contiene 10 bolas
enumeradas de 1 a 10, se extraen de forma independientes una bola de
cada urna y luego se suman los números obtenidos. Determine.
¾Cuál es la variable aleatoria?
Solución

Ejemplos
Ejemplo (Dos urnas)
¾Cuál es la variable aleatoria?
Solución
Sean X e Y las variables aleatoria que representan el número sacado de la
urnas.

Ejemplos
Ejemplo (Dos urnas)
¾Cuál es la función de probabilidad para X e Y ?
Solución

Ejemplos
Ejemplo (Dos urnas)
¾Cuál es la función de probabilidad para X e Y ?
Solución
(
1
10
si y = 1, 2, . . . , 10
P (X = xi ) = P (Y = yi ) =
0 e.o.c.

Ejemplos
Ejemplo (Dos urnas)
Determinar la esperanza matemática y la varianza de Z = X + Y .
Solución

Ejemplos
Ejemplo (Dos urnas)
Determinar la esperanza matemática y la varianza de Z = X + Y .
Solución
E (Z ) = E (X + Y ) = E (X ) + E (Y )
10 10
X X
= xi P (X = xi ) + yi P (Y = yi )
i=1 i=1
11 11
= + = 11
2 2

Ejemplos
Ejemplo (Dos urnas)
Determinar la esperanza matemática de Z = X × Y .
Solución

Ejemplos
Ejemplo (Dos urnas)
Determinar la esperanza matemática de Z = X × Y .
Solución
E (Z ) = E (X × Y ) = E (X ) × E (Y )
10 10
X X
= xi P (X = xi ) × yi P (Y = yi )
i=1 i=1
11 11 121
= × =
2 2 4

Ejemplos
Ejemplo
En una lotería hay 300 premios de $150, 50 premios de $750 y 5 premios
de $3000. Supongan que se colocan a la venta 10.000 boletos. ¾Cuál es el
precio justo que se debe pagar por un boleto?

Ejemplos
Ejemplo
Sea X la variable aleatoria que denota la cantidad de dinero que se ganará
un boleto.
X 150 750 3000 0
300 50 5 9645
P (X = xi ) 10000 10000 10000 10000

Ejemplos
Ejemplo
Sea X la variable aleatoria que denota la cantidad de dinero que se ganará
un boleto.
X 150 750 3000 0
300 50 5 9645
P (X = xi ) 10000 10000 10000 10000
1
E (X ) = (150 × 300 + 750 × 50 + 3000 × 5 + 0 × 9645) = 9,75
10000

Ejercicios
Ejercicio
Una variable aleatoria continua X tiene densidad de probabilidad dada por
(
2e −2x x > 0
fX (x) =
0 x ≤0
Muestre que E (X ) = y E X 2 = 12 . Hallar la función generatriz

1

2
Ejercicio
La función de densidad conjunta de dos variables aleatorias X e Y está
dada por (
xy
0 < x < 4, 1 < y < 5
fXY (x, y ) = 96
0 e.o.c.
Muestre que E (X ) = 38 , E (Y ) = 31
9
, E (XY ) = 248
27
y E (2X + 3Y ) =?

Ejercicios
Ejercicio
Una variable aleatoria X se dene por
X -2 3 1
1 1 1
P (X = xi ) 3 2 6
Hallar E (X ), E (2X + 5) y E X 2

Ejercicio
¾Cuál es el resultado esperado después de 3 lanzamientos sucesivos de un
dado honrado? ¾Parece razonable su solución? Explicar.
Ejercicio
h i
Si una variable aleatoria X es tal que E (X − 1)2 = 10,
h i
E (X − 2)2 = 6. Hallar E (X ) y Var (X ).

Ejercicios
Ejercicio
Una variable aleatoria
X tiene la función de densidad
fX (x) = exp 21 | x | IR (x).
1 Hallar P (| X − µ |> 2).
2 Emplear la desigualdad de Chebyshev para obtener un límite superior
de P (| X − µ |> 2) y compararlo con el resultado anterior.
Ejercicio
Demostrar que si X1 , . . . , Xn son variables aleatoria entonces
n n n
!
X X X
Var Xi = Var (Xi ) + Cov (Xi , Xj )
i=1 i=1 i6=j

Distribución uniforme discreta
Denición
Una variable aleatoria X tiene distribución uniforme discreta sobre el
conjunto {1, 2, . . . , N} si su función de densidad está dada por:
1
fX (x) = P (X = x) = I (x)
N {1,2,...,N}
la cual tiene
• E (X ) = N+1
2
2
• Var (X ) = N 12−1
• MX (t) = N
P e it
i=1 N

Ejemplos de la distribución uniforme discreta
• Lanzamiento de un dado.
• Los resultados de un juego de lotería (Baloto, Lotería de Bogotá,
Chances , súper astro , etc.)

Ejemplos de la distribución uniforme discreta
• Lanzamiento de un dado.
• Los resultados de un juego de lotería (Baloto, Lotería de Bogotá,
Chances , súper astro , etc.)
Ejercicio
Un jugador lanza un dado corriente. Si sale 1 o número primo, gana tantos
cientos de pesos como marca el dado, pero si no sale número primo, pierde
tantos cientos de pesos como marca el dado. Determinar la función de
probabilidad y la esperanza matemática del juego

Solución
Sea X la cantidad de dinero que gana el jugador, entonces, cuando el re-

sultado del dado es 1, 2, 3, 5, el jugador gana $100, $200 , $300 y $500
respectivamente, pero si el resultado es 4 y 6 el jugador pierde $400 y $600
respectivamente. Luego, X tiene la función de probabilidad.
X +100 +200 +300 -400 +500 -600

1 1 1 1 1 1
P (X = xi ) 6 6 6 6 6 6
luego,
6
X 100
E (X ) = xi P (X = xi ) =
6
i=1

Simulación en R
set.seed(123)
X <- c(100,200,300,-400, 500, -600)
Exp <- sample(size = 1000, x = X,
replace = TRUE, prob = rep(1/6,6))
mean(Exp)
## [1] 5.3

Simulación en R
set.seed(123)
X <- c(100,200,300,-400, 500, -600)
mean(Exp)
## [1] 5.3
set.seed(123)
X <- c(100,200,300,-400, 500, -600)
mean(Exp)
## [1] 16.9945

Distribución de Bernoulli
Denición
Una variable aleatoria X tiene distribución Bernoulli con parámetro
p ∈ (0, 1) si su función de densidad está dada por:
fX (x) = p x (1 − p)1−x I{0,1} (x)
y es denotada por X ∼ Ber (p), la cual tiene

• E (X ) = p
• Var (X ) = p (1 − p) = pq
• MX (t) = pe t + 1 − p

Demostración.
La función generadora de momentos esta dada por:
X
MX (t) = E e tX = e tx fX (x) = e t 0 P (X = 0) + e t 1 P (X = 1)
x
= (1 − p) + e p
t
= et p + 1 − p
(1)
Notemos que, MX (0) = p .
Ejercicio
Empleando MX (t) demuestre la varianza de X .

Ejemplo de la distribución de Bernoulli
• Lanzar una moneda correcta una vez

• Revisar que un producto sea defectuoso.
• La posibilidad que una persona haga una compra en un almacén.
• Otros.

Distribución de Binomial
Denición
Una variable aleatoria X tiene distribución Binomial con parámetro n ∈ N y
p ∈ (0, 1) si su función de densidad está dada por:

n x
fX (x) = P (X = xi ) = p (1 − p)1−x I{0,1,...,n} (x)
x
y es denotada por X ∼ Bin (n, p), la cual tiene

• E (X ) = np
• Var (X ) = np (1 − p) = npq
• MX (t) = (pe t + 1 − p)n
La demostración se deja como ejercicio

Observación
SeaX1 , . . . , Xn v.a. i.i.d con
P distribución Bernoulli con parámetro p ,
entonces la variable Z = ni=1 Xi tiene distribución Ber (n, p).

Observación
SeaX1 , . . . , Xn v.a. i.i.d con
P distribución Bernoulli con parámetro p ,
entonces la variable Z = ni=1 Xi tiene distribución Ber (n, p).
Demostración.
Dado que Xi ∼ Ber (p) entonces la función generadora de momentos esta
dada por MXi (t) = e t p + 1 − p , ahora,
Pn
MZ (t) = E e tZ = E e t i=1 Xi = E e tX1 e tX2 · · · e tXn

= E e tX1 × E e tX2 · · · E e tXn
n
= et p + 1 − p

Ejemplo de la distribución de Bernoulli
• Lanzar una moneda correcta muchas veces

• En una linea de producción revisar que los productos estén defectuoso.
• Enviar correos masivos para promocionar productos.
• Las pruebas diarias de coronavirus.
• Otros.

Simulación distribución Bernoulli
## Parámetros
require(tidyverse)
set.seed(123)
VA <- NA; p = 0.5; n = 10; X <- c("C","S")
for(ii in 1:100){
Exp <- sample(size = n, x = X,
replace = TRUE, prob = c(p, 1-p) )
VA[ii] <- sum(Exp=="C")}
df <- data.frame(prop.table( table(VA))) %>% spread(VA,Freq )
knitr::kable(df, digits = 3)
1 2 3 4 5 6 7 8 9
0.02 0.06 0.08 0.24 0.25 0.18 0.12 0.03 0.02

0.25
0.20
P(X = xi)
0.15
0.10
0.05
0.00
2.5 5.0 7.5
Variable aleatroia

0.25
0.20
P(X = xi)
0.15
0.10
0.05
0.00
0.0 2.5 5.0 7.5 10.0
Variable aleatroia

Ejercicio
Repetir la simulación para la v.a. X := Número de descendientes con ojos
azules de un total 5, sabiendo que la P (V ) = 0,3 y gracar la función de
distribución.
0.25
0.20
P(X = xi)
0.15
0.10
0.05
0.00
0.0 2.5 5.0 7.5 10.0
Variable aleatroia

Ejercicio distribución Bernoulli
Ejercicio
Una laboratorio lanzo al mercado una medicamento que previene el covid
19. El laboratorio a segura que si una persona esta sana el medicamento es
efectivo en el 80 % casos, pero si la persona sufre de sobre peso esté será
efectivo solo en el 10 % de los casos. Si en Colombia el 15 % de la
población sufre de sobrepeso. Tomando una muestra de 500 personas,
mediante simulación determine la probabilidad de :
1 Padecer de sobrepeso y el medicamento no sea efectivo en más de 10
personas.
2 Ser una persona sana y el medicamento sea efectivo en menos de 40
personas.
3 ¾Cual es el número esperado de personas que no se enferman?

Distribución multinomial
Denición
Si los sucesos A1 , A2P , . . . , Ak pueden ocurrir con probabilidades
p1 , p2 , . . . pk donde pi = 1. Si X1 , X2 , . . . , Xk son las variables aleatorias
respectivamente que dan el número de veces que A1 , A2 , . . . , Ak ocurre en
un total de n pruebas, de modo que X1 + X2 + · · · + Xk = n entonces
n!
P (X1 = n1 , X2 = n2 , · · · , Xk = nk ) = p1n1 p2n2 · · · pknk
n1 !n2 ! · · · nk !
donde ni = n, es la función de probabilidad conjunta para las variables

P
aleatorias X1 , X2 , . . . , Xk , además se satisface que
• E (Xi ) = npi
• Var (Xi ) = npi (1 − pi )
P n
• MX (t) = k ti
i=1 pi e

Ejemplo
Si un dado honrado se lanza 12 veces, la probabilidad de obtener 1, 2, 3, 4,
5 y 6 exactamente dos veces cada uno es
2 2 2 2 2 2
12 ! 1 1 1 1 1 1
P (X1 = 2, X2 = 2, · · · , X6 = 2) =
2!2!2!2!2!2! 6 6 6 6 6 6
1925
= = 0,00344
559872

Ejemplo
Si un dado honrado se lanza 12 veces, la probabilidad de obtener 1, 2, 3, 4,
5 y 6 exactamente dos veces cada uno es
2 2 2 2 2 2
12 ! 1 1 1 1 1 1
P (X1 = 2, X2 = 2, · · · , X6 = 2) =
2!2!2!2!2!2! 6 6 6 6 6 6
1925
= = 0,00344
559872
Ejercicio
Mediante un estudio de simulación calcular la esperanza matemática y la
varianza.

Distribución hipergeométrica
Denición
Una variable aleatoria X tiene distribución hipergeométrica con parámetros
n, R y N si su función de densidad está dada por:
R N−R

x n−x
fX (x) = P (X = xi ) = N

n
para x un entero entre el máx (n − N + R, 0) ymı́n (R, n), y es denotada

por X ∼ Hg (n, R, N), además, satisface que:
• E (X ) = nR
N
nR(N−R)(N−n)
• Var (X ) = N 2 (N−1)

Distribución hipergeométrica
• x es el número de elementos de interés.
• N Número total de elemento de un conjunto.
• n Número de elementos en el conjunto que cumplen con una
característica de interés.
• R Subconjuto de elementos de N

Ejemplo de la distribución hipergeométrica
En el curso de inferencias estadística hay inscritos un total de 50 estudian-

tes, se extrae una muestra de 15 de ellos, si el curso esta formados por 20
mujeres, ¾cuál es la probabilidad de obtener 6 hombre en la muestra?

Ejemplo de la distribución hipergeométrica
En el curso de inferencias estadística hay inscritos un total de 50 estudian-

tes, se extrae una muestra de 15 de ellos, si el curso esta formados por 20
mujeres, ¾cuál es la probabilidad de obtener 6 hombre en la muestra?
Solución
Sea X := el número de hombre en la muestra, ademas, N = 50, n = 15,
R = 30, luego X ∼ Hg (15, 30, 50) y
30
20
P (X = 6) = 6
9
50
= 0,04431
15

Ejercicio de la distribución hipergeométrica
Ejercicio
Mediante estudios de simulación muestre que dada una variable aleatoria X
con distribución Hg (n, R, N), si se tiene que N
R
→ p , con 0 < p < 1
cuando R, N → ∞, entonces, la función de densidad de X tiende a la
función de densidad de una distribución Bin (n, p).

Distribución Poisson
Denición
Una variable aleatoria X tiene distribución Poisson con parámetros λ > 0 si
su función de densidad está dada por:
e −λ λx
fX (x) = P (X = x) = I (x)
x! {0,1,... }
y se denota como X ∼ Pois (λ), la cual satisface
• E (X ) = λ
• Var (X ) = λ
• MX (t) = exp {λ (e t − 1)}

Distribución Poisson

Aproximación de la distribución Bernoulli a la Poisson
Armación
Considera n eventos del tipo Bernoulli, donde p denota la probabilidad del
éxito de cada uno de los n eventos. Si el valor de p es pequeño y
np → λ > 0 cuando n → ∞, entonces la variable X con distribución
Bin (n, p) se distribuye aproximadamente con distribución Pois (λ).
Armación
Sea X1 , X2 , . . . Xn variables aleatorias independientes Pcon distribución
Pois (λi ) para i =P 1, · · · , n entonces la variable Z = ni=1 Xi tiene
distribución Pois ( ni=1 λi ).
Demostración.
Ejercicios.

Ejercicios distribuciones discretas
Ejercicio
Hallar la función generatiz de momentos de una variable aleatoria X que
está distribuida binomial.
Ejercicio
Si la probabilidad de que un individuo sufra una reacción por una inyección
de un determinado suero, es 0.001, determinar la probabilidad de que de un
total de 2000 individuos
1 exactamente 3,
2 más de 2 individuos tengan reacción.

Distribución Uniforme Continua
Denición
Una variable aleatoria X tiene distribución uniforme continua sobre el
intervalo [a, b] con a < b si su función de densidad está dada por:
1
fX (X ) = I (x)
b − a [a,b]
y es denotada por X ∼ U (a, b), además satisface que:
• E (X ) = a+b
2
(a+b)2
• Var (X ) = 12
• MX (t) = e bt −e at
(b−a)t

Armación
Sea U ∼ U (0, 1) y F (x) una función de distribución, entonces la función
de distribución de la variable F − (U) está dada por F , donde F − denota la
función inversa generalizada de F dada por F − (u) = ı́nf {x; F (x) > u}
Ejemplo (Simulación)
Sea X una variable aleatoria con función de densidad dada por
x2
fX (x) = 3125 I(0,5) (x), simular n = 1000 valores aleatorios de FX (x).

Solución
La solución es por paso:
Paso 1 Determinar FX (x)
Paso 2 Determinar F −
Paso 3 En R simular u1 , . . . , u1000 valores aleatorios para
U ∼ U (0, 1)
Paso 4 Evaluar los valores de U en F −

Solución
Paso 1 Determinar FX (x) = 1
125
x 3 I(0,5) (x)
Paso 2 Determinar F −
U ∼ U (0, 1)

Solución
Paso 1 Determinar FX (x) = 1
x 3 I(0,5) (x)
125
√
Paso 2 Determinar F − (x) = 5 3 x
U ∼ U (0, 1)

Simulación a partir de la distribución uniforme
fx <- function(x)(3/125)*x^2
invFx <- function(u)5*(u^(1/3))
u = runif(1000) ; df <- data.frame(x = invFx(u))
ggplot(df, aes(x= x)) + geom_histogram(aes(y=..density..), binwidth = 0.2,
color = "red", alpha = 0.4) + stat_function( fun = fx) + theme_bw(10) +
labs(y = "")
0.6
0.4
0.2
0.0
1 2 3 4 5
Guerrero. S. (UNAL) x
Semana 1. 57 / 87
Ejercicios de simulación a partir de la distribución uniforme
Ejercicio
Sea X una variable aleatoria con función de densidad dada por:
1 fX (x) = e −x I(0,∞) (x),
2
2 fX (x) = e −0,5x IR (x)
fX (x) = 4x 1 − x 2 I(,0,1) (x)

3
fX (x) = c 1 − x 2 I(,1,1) (x) donde c es una constante apropiada.

4
simular n = 1000 valores aleatorios de FX (x).

Distribución Gamma
Denición
Una variable aleatoria X tiene distribución Gamma con parámetro de forma
k > 0 y parámetro de escala θ > 0 si su función de densidad está dada por:
x k−1 e −x/θ
fX (x) = I (x)
θk Γ (k) (0,∞)
R∞
donde Γ (x) = 0 u k−1 e −e du , y es denotada por X ∼ Gamma (k, θ),
además satisface que:
• E (X ) = kθ
• Var (X ) = kθ2
k
• MX (t) = 1−θt1
para t < 1
θ y no existe para otros valores de t

Distribución Gamma
Denición
Una variable aleatoria X tiene distribución Gamma con parámetro de forma
k > 0 y parámetro de escala θ > 0 si su función de densidad está dada por:
x k−1 e −x/θ
fX (x) = I (x)
θk Γ (k) (0,∞)
R∞
donde Γ (x) = 0 u k−1 e −e du , y es denotada por X ∼ Gamma (k, θ),
además satisface que:
• E (X ) = kθ
• Var (X ) = kθ2
k
• MX (t) = 1−θt1
para t < 1
teachingApps::teachingApp(app_name = "distribution_gamma")

Distribución Gamma
Armación
Sea X1 , . . . Xn variables aleatorias independientes con distribución Gamma
con parámetro de forma kP i y parámetro de escala θ para i = 1 . . . n
n
entonces la variable Z = i=1 Xi tiene distribución Gamma con parámetro
de forma ki y parámetro de escala θ.
P
Demostración (Ejercicio)
Nota: Utilizar la función generadora de momentos.

Distribución Exponencial
Denición
Una variable aleatoria X tiene distribución exponencial con parámetro de
escala θ > 0 si su función de densidad está dada por:
1
fX (x) = e −x/θ I(0,∞) (x)
θ
es denotada por X ∼ Exp (θ), además satisface que:
• E (X ) = θ
• Var (X ) = θ2
• MX (t) = 1−θt
1
para t < 1
teachingApps::teachingApp(app_name =
"distribution_exponential")

Ejercicio (Perdida de memoria)

Sea X ∼ Exp (θ), con θ > 0, entonces, la
P (X > s + t | X > t) = P (X > s)

Ejercicio (Perdida de memoria)

Sea X ∼ Exp (θ), con θ > 0, entonces, la
P (X > s + t | X > t) = P (X > s)
Solución
Partimos de la denición de probabilidad condicional, de donde se tiene que
P (X > s + t; X > t)
P (X > s + t | X > t) =
P (X > t)
P (X > s + t) 1 − F (s + t; )
= =
P (X > t) 1 − F (t)
e −θ(s+t)
= −θ(t)
= e −θ(s) = P (X > s)
e

Armación
Sea X1 , . . . Xn variables aleatorias independientes con distribución
Exponencial
Pn con parámetro de escala θ para i = 1 . . . n entonces la variable
Z = i=1 Xi tiene distribución Gamma con parámetro de forma n y
parámetro de escala θ.
Nota: Similar a 60.

Distribución Weibull
Denición
Una variable aleatoria X tiene distribución Weibull con parámetro de escala
θ > 0 si su función de densidad está dada por:

k x k
fX (x) = k x k−1 exp I(0,∞) (x)
θ θ
es denotada por X ∼ Weibull (k, θ), además satisface que:

• E (X ) = θΓ 1 + k1

h i
• Var (X ) = θ2 Γ 1 + k2 − Γ 1 + k2 2

teachingApps::teachingApp(app_name = "distribution_weibull")

Distribución Ji-cuadrado
Denición
Una variable aleatoria X tiene distribución Ji-cuadrado con n grados de
libertad, con n entero positivo, si su función de densidad está dada por:
x (n/2)−1 e −x/2
fX (x) = I(0,∞) (x) ,
2n/2 Γ n2
es denotada por X ∼ χ2n , además satisface que:

• E (X ) = n
• Var (X ) = 2n
n/2
• MX (t) = 1−12t para t < 12 , y no existe para otros valores de t .

Distribución Ji-cuadrado
Armación
Sea X1 , . . . Xm variables aleatorias independientes
Pm con distribución χ2ni para
i = 1P. . . m, entonces la variable Z = i=1 Xi tiene distribución ji-cuadrado
con m i=1 ni grados de libertad.
Nota: Similar a 60.

Distribución Normal
Denición
Una variable aleatoria X tiene distribución normal con parámetros µ y σ 2 ,
si su función de densidad está dada por:
1 1

2
fX (x) = √ exp − 2 (x − µ) IR (x) ,
2πσ 2 2σ
donde σ > 0 y es denotada por X ∼ n µ, σ 2 , además satisface que:

• E (X ) = µ
• Var (X ) = σ 2
• MX (t) = exp µt + 21 σ 2 t 2

teachingApps::teachingApp(app_name = "distribution_normal_functions")

Propiedades de la distribución Normal
Armación
Si X ∼ N µ, σ 2 , y a, b son constantes, entonces la variable Y = aX + b

tiene distribución N aµ + b, a σ .
2 2

Demostración.
Debemos mostrar que Y tiene la misma f.g.m. que la variable norma.

MY (t) = M(aX +b) (t) = E e t(ax+b) = E e tax e tb

1 2 2 2
= MX (at) e tb = e (µat+ 2 σ a t ) e tb
1 2 2 2 1 2 2 2
= e (µat+ 2 σ a t ) e tb = e (µat+ 2 σ a t +tb)
1 2 2 2
= e ((µa+b)t+ 2 σ a t )
la cual es la función
generadora de momentos de una distribución
2 2
N aµ + b, a σ
Distribución Normal estándar
Denición
Si X ∼ N µ, σ 2 con µ = 0 y σ = 1, entonces se dice que X tiene

distribución normal estándar y usualmente se denota por Z .
Ejercicio
Sea X1 , . . . , Xn v.a independientes, donde con
2

X i ∼ N µ i , σ i
i = 1, . . . , n, entonces ni=1 Xi ∼ N
P Pn Pn 2
i=1 µ i , i=1 iσ
Ejercicio
Sea X1 ,. . . , Xn v.a i.i.d, con distribución Xi ∼ N µ, σ 2 , entonces

2
X̄ ∼ N µ, σn
Sugerencia: Utilizar la función generadora de momentos.

Simulación

Código de la simulación
Rep = 50; n = 20; mu = 10; Sigma = 2

Xn <- replicate(Rep, mean( rnorm(20, mean = mu, sd = Sigma)))
ggplot(data = data.frame(x = Xn), aes(x = x)) +
geom_histogram(aes(y=..density..), binwidth = 0.2, color = "red", alpha = 0.4) +
stat_function( fun = dnorm, args = list(mean = mu, sd = Sigma/sqrt(n)), size = 2 ) +
theme_bw(10) + labs(y = "",
title = latex2exp::TeX(paste0("$\\bar{X} \\sim N\\left(", mu, ", \\frac{",Sigma^2, "}{", n, " }\\right)$"))) +
theme(plot.title = element_text(hjust = 0.5)) + xlim(8.5, 12) + ylim(0,1)
Ejercicio
Repetir el ejercicio para las distribución Gamma, Poisso y Bernoulli.

Distribución Normal estándar
Denición
Si Z1 , . . . , Zn son variables aleatorias independientes e idénticamente
distribuidas con distribución normal estándar, entonces la variable
Y = ni=1 Zi2 ∼ χ2n
P

Ejercicio
Construir el código de la simulación anterior.

Teorema del limite central (TLC)
Denición
Sean X1 , X2 , . . . variables aleatorias independientes que están distribuidas
idénticamente
P∞ y tienen media µ y varianza σ 2 nitas. Entonces si
Sn = i=1 Xi
1
Z b
Sn − nµ 1 2
lı́m P a ≤ √ ≤b = √ e − 2 u du
n→∞ σ n 2 a
Sn −nµ
es decir, la variable aleatoria √ ,
σ n
que es la variable tipicada a Sn , es
normal asintóticamente.

Simulación

Rep = 50; set.seed(123); lambda = 5

XnE <- replicate(Rep, 1/mean(rexp(20,rate = lambda )))
XnP <- replicate(Rep, mean(rpois(20,lambda = lambda )))
ZnE <- scale(XnE, lambda, lambda/sqrt(20))
ZnP <- scale(XnP, lambda, sqrt(lambda/20))
dat <- data.frame( dist = rep(c("Exp", "Pois"), c(Rep, Rep)), x = c(ZnE, ZnP))
ggplot(data = dat, aes(x = x)) +
geom_histogram(aes(y=..density..), bins = 30, color = "red", alpha = 0.4) +
facet_grid(.~dist) + stat_function( fun = dnorm, size = 2 ) + theme_bw(10) +
labs(y = "") + xlim(-5, 5) + ylim(0,0.4)
Ejercicio
Repetir el ejercicio para las distribución Gamma y Bernoulli.

Ejemplo
Vericar el teorema del límite central para una variable aleatoria X que está
distribuida Binomial.
Sea Y = √−np
X
y su función generadora de momentos esta dada por:
npq

x − np −npt x
MY (t) = E e ty

= E exp √ t = exp √ E exp √ t
npq npq npq
X n
−npt x n
= exp √ exp √ t p x q n−x
npq x=0 npq x
n x
−npt X n t
= exp √ p exp √ q n−x
npq x=0 x npq
n
−npt t
= exp √ q + p exp √
npq npq
n
−pt t
= exp √ q + p exp √
npq npq
n
−pt −pt t
= q exp √ + p exp √ +√
npq npq npq
Continuación
Demostración.
n
−pt qt
MY (t) = E e ty

= q exp √ + p exp √
npq npq
Note que
t 2 p2

−pt qt tp
q exp √ + p exp √ = q 1 −√ + + ··· +
npq npq npq 2npq
t 2 q2

tq
p 1+ √ + + ···
npq 2npq
pq (p + q) t 2
= q+p+ + ···
2npq
t2
= 1 + + ···
2n
n
t2
por tanto E (e ty ) = (1 + 2n
+ ··· , luego, cuando n → ∞ entonces
t2
2
n
(1 + 2t n + · · · →e2.
Distribución t−student
Denición
Una variable aleatoria X tiene distribución t−student con n grados de
libertad si su función de densidad está dada por:
n+1
 
−
Γ n+ 1

2
2

x
fX (x) = √ 2 n 1 + IR (x)
2πΓ 2 n
donde n > 0 y la denotamos por X ∼ tn , además satisface que

1 E (X ) = 0
n
2 Var (X ) = n−2

Distribución t−student
Denición
Sea Z una variable aleatoria con distribución normal estándar y Y una
variable aleatoria con distribución Ji-cuadrado con n grados de libertad, si
Z y Y son independientes, entonces la variable T = √Z tiene
Y /n
distribución t−student con n grados de libertad.

Distribución F
Denición
Una variable aleatoria X tiene distribución F con m grados de libertad en
el numerador y n grados de libertado en el denominador si su función de
densidad está dada por:
m
Γ n+m z 2 −1
m
2
m 2
fX (x) = m+n I(0,∞) (x)
Γ n2 Γ m2

n 1− m 2
nz
la denotamos por X ∼ Fnm , además satisface que

n−2 , para n > 2
n
1 E (X ) =
2
2n (m+n−2)
2 Var (X ) = m(n− 2
2) (n−4)
, para n>4
3 Si X ∼ Fnm entonces X1 ∼ Fmn

Distribución F
Denición
Sean W1 y W2 variables aleatorias independientes con distribución χ2 , con
m y n grados de libertad, respectivamente. Entonces se dice que
W1/m
X = W2/n
tiene X ∼ Fnm .

Ejercicios
Ejercicio
En un examen la media fue 78 y la desviación típica 10,
1 Determinarlas calicaciones tipicadas de los estudiantes cuyos
puntajes fueron 93 y 62 respectivamente,
2 Determinar los puntajes de dos estudiantes cuyas calicaciones
tipicadas fueron −0, 6 y 1,2 respectivamente.
Ejercicio
Si Z está distribuida normalmente con media 0 y varianza 1, hallar
P (| Z |> 1)
Ejercicio
Demostrar el teorema del limite central para el caso en que X1 , X2 , . . . son
independientes y están distribuidas idénticamente con la distribución de
Poisson.
Ejercicios
Ejercicio
Explicar por qué se podría esperar que el teorema del límite central no sea
válido en el caso que X1 , X2 , . . . tengan la distribución de Cauchy.
Ejercicio
Una variable aleatoria X tiene una distribución Gamma (3, 2) .Hallar
P (X ≤ 1) y P (1 ≤ X ≤ 2)
Ejercicio
Demostrar que para 1 grado de libertad la distribución t es una distribución
de Cauchy.
Ejercicio
Simular la distribución t a partir de valores aleatorios de la distribución
normal (rnorm).
Percentiles
Denición
Para una variable aleatoria X , el percentil p de X , con 0 < p < 1, se dene
como ı́nf {x : FX (x) ≥ p} y se denota como Xp . Esto es, Xp es el valor
más pequeño que acumula una probabilidad no inferior de p .

Ejercicios
Ejercicio
Calcular los percentiles 5 %, 7 %, 10 % y 98 % para la variable X que sigue
una distribución:
1 Normal estándar.
2 Normal con media 3 y desviación estándar de 1,2
3 Poisson con media 3
4 Exponencial de varianza 4
5
5 ji-cuadrado con 25 grados de libertad.
Ejercicio
Para las distribuciones anteriores, encuentre los valores de a y b tales que
P (a ≤ X ≤ b) = p con p = 0,9, 0,95, 0,99.

Bibliografía
• A. Mood, F. Graybill, D. Boes Introduction to the Theory of

Statistics McGraw-Hill (1974)
• D. Wackerly, W. Mendenhall, R. L. Scheaer - Mathematical Statistics
with Applications 7th Edition Thomson (2008)
• E. Cepeda Estadística Matemática Universidad Nacional de
Colombia (2015)
• H. Zhang, A. Gutiérrez Teoría Estadística: Aplicaciones y Métodos
Universidad Santo Tomás (2010)
• R. V. Hogg, J. W. McKean, A. Craig - Introduction to Mathematical
Statistics 6th Edition Pearson (2005)
• G. Casella, R. L. Berger Statistical Inference 2nd Edition
Brooks/Cole (2001)

Inferencia S1-2

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Inferencia S1-2

Cargado por

Copyright:

Formatos disponibles

Identicar el rol de la Inferencia Estadística en el análisis

crítico de situaciones problemáticas.

Guerrero. S. (UNAL) Semana 1. 1 / 87

5 Recurso bibliográcos del curso.

Guerrero. S. (UNAL) Semana 1. 2 / 87

• La teoría estadística estudia fenómenos cuyos comportamientos no

Guerrero. S. (UNAL) Semana 1. 3 / 87

Denición (Variable aleatoria (V.A.))

Guerrero. S. (UNAL) Semana 1. 4 / 87

Denición (Variable aleatoria (V.A.))

Guerrero. S. (UNAL) Semana 1. 4 / 87

Denición (Variable aleatoria (V.A.))

Guerrero. S. (UNAL) Semana 1. 4 / 87

Denición (Variable aleatoria (V.A.))

Guerrero. S. (UNAL) Semana 1. 4 / 87

Guerrero. S. (UNAL) Semana 1. 5 / 87

Guerrero. S. (UNAL) Semana 1. 5 / 87

Guerrero. S. (UNAL) Semana 1. 6 / 87

(1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6)

Guerrero. S. (UNAL) Semana 1. 6 / 87

dominio A y recorrido el conjunto de los números naturales.

Cuando una distribución tiene solo un parámetro, éste se denota usualmente

Denición (Espacio del parámetro)

Guerrero. S. (UNAL) Semana 1. 8 / 87

Denición (Función de probabiliodad)

En general fX es función de probabilidad si satisface las siguientes

Guerrero. S. (UNAL) Semana 1. 9 / 87

Denición (Función de distribución)

donde x es cualquier número real. La función de distribución puede obtenerse.de

Guerrero. S. (UNAL) Semana 1. 10 / 87

Denición (Esperanza matemática)

Guerrero. S. (UNAL) Semana 1. 11 / 87

Denición (Momento de orden k )

y los momentos centrados se denen por la ecuación

Guerrero. S. (UNAL) Semana 1. 12 / 87

Guerrero. S. (UNAL) Semana 1. 13 / 87

Guerrero. S. (UNAL) Semana 1. 13 / 87

Guerrero. S. (UNAL) Semana 1. 14 / 87

Guerrero. S. (UNAL) Semana 1. 14 / 87

Guerrero. S. (UNAL) Semana 1. 15 / 87

Guerrero. S. (UNAL) Semana 1. 15 / 87

donde E (X ) = α1 y E (Y ) = β1 . Está se representa por σXY

Guerrero. S. (UNAL) Semana 1. 16 / 87

Guerrero. S. (UNAL) Semana 1. 17 / 87

• MX(1) (0) = ni=1 xfX (xi ) = E (X ) = α1 .

• MX(2) (0) = ni=1 x 2 fX (xi ) = E X 2 = α2 .

• MX(r ) (0) = ni=1 x r fX (xi ) = E (X r ) = αr .

Guerrero. S. (UNAL) Semana 1. 18 / 87

• Si MX (t) es la función generatriz de momentos de la variable aleatoria

MX +Y (t) = MX (t) MY (t)

• Sean X e Y son v.a. con funciones generatrices de momentos MX (t)

Guerrero. S. (UNAL) Semana 1. 19 / 87

Si remplazamos t = iw donde i es la unidad imaginaria en la función gene-

Guerrero. S. (UNAL) Semana 1. 20 / 87

• Si φX (t) es la función característica de la variable aleatoria X y a, b

φX +Y (t) = φX (t) φY (t)

• Sean X e Y son v.a. con funciones generatrices de momentos φX (t) y

Guerrero. S. (UNAL) Semana 1. 21 / 87

Sea H (X ) una función de la variable aleatoria X que no tome valores ne-

Pero α fX (xα ) indica la probabilidad de que H (X ) sea igual o mayor que

Guerrero. S. (UNAL) Semana 1. 22 / 87

Sea H (X ) = (X − α1 )2 y K = k 2 σ 2 , resulta una expresión más conocida

Guerrero. S. (UNAL) Semana 1. 23 / 87

Guerrero. S. (UNAL) Semana 1. 24 / 87

Identicar el rol de la Inferencia Estadística en el análisis

5 Recurso bibliográcos del curso.

Denición (Variable aleatoria (V.A.))

Denición (Variable aleatoria (V.A.))

Denición (Variable aleatoria (V.A.))

Denición (Variable aleatoria (V.A.))

Denición (Espacio del parámetro)

Denición (Función de probabiliodad)

Denición (Función de distribución)

Denición (Esperanza matemática)

Denición (Momento de orden k )

y los momentos centrados se denen por la ecuación