Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESTADISTICA INFERENCIAL
Docente: Ing. Marcelino Aliaga L.
Capitulo 1
VARIABLES ALEATORIAS
MULTIDIMENSIONALES
Objetivo.- Introducir al alumno en los conceptos básicos
sobre las variables aleatorias discretas y continuas, las
distribuciones de probabilidad, las medidas numéricas de las
variables aleatorias y la utilización de estas distribuciones para
resolver problemas prácticos.
1.1. Introducción
La Estadística se puede definir:
• INDICES
• Reunir • INDICADORES
• Organizar • ESTADIGRAFOS
CIENCIA ENCARGADA
• Presentar
CON EL FIN DE
OBTENER
• ESTIMADORES
• Analizar • MEDIDAS RESUMEN
• Interpretar datos • MEDIDAS DE CONCLUSION
1.1. Introducción
El proceso de investigación estadística consiste en:
PROBLEMA
TOMA DE DATOS
ORGANIZACIÓN DE DATOS
ANÁLISIS E INTERPRETACIÓN
CONCLUSIONES Y DECISIONES
1.1. Introducción
Estadística Descriptiva.- Es la parte de la estadística
encargada de extraer y organizar los datos procedentes de un
determinado conjunto de observaciones, mediante:
• El cálculo e interpretación de los estadígrafos de posición
como: media aritmética, mediana y moda.
• El cálculo e interpretación de los estadígrafos de dispersión:
rango, varianza y desviación estándar.
• El cálculo e interpretación de los estadígrafos de asimetría y
apuntamiento.
• La representación gráfica de los datos.
ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 7
IND - 411
1.1. Introducción
Estadística inferencial.- Es la parte de la estadística que
trata de estimar las características poblacionales
desconocidas, examinando la información obtenida de una
muestra, de una población.
POBLACION
Calculo
Inferir Resultados Probalilidades
1.1. Introducción
PROCESO CLAVE DE LA INFERENCIA ESTADISTICA
muestra |
||
Población
ESTUDIO CONCLUSIONES
1.1. Introducción
Calculo de
Proceso Muestreo
Probabilidades
INFERENCIA
Inferencial: ESTADISTICA
POBLACION MUESTRA
PARAMETRO ESTADISTICO
ESTIMACION
DOCIMA DE
HIPOTESIS
MODELO
ESTADISTICO
m
p(A) = lím
n → n
ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 13
IND - 411
S1
X :S →
S2
e → X (e )
S3
X(Si)
S4
4 …..
1 0 2132 43 …….
16
ESTADISTICA INFERENCIAL
CELD@ 16
CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 16
IND - 411
17
ESTADISTICA INFERENCIAL
CELD@ 17
CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 17
IND - 411
w → ( X ( w),Y ( w))
Sea E un experimento aleatorio y S un espacio muestral asociada a él.
Sean X: S→R, Y: S→R, que a cada resultado w ϵ S le asigna el par de
números reales (x, y). Entonces (X, Y) son v. a. bidimensionales.
21
ESTADISTICA INFERENCIAL
CELD@ 21
CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 21
IND - 411
X 1 • X 2 •...• X n
S → • • ....• = n
a) f(x, y) 0 x, y
b)
RxRy
f(x, y)dydx = 1
a) f(x1 , x 2 ,.......xn ) 0 x i
b)
R x1 R x 2
...... f(x1 , x 2 ,.......xn )dx n .......dx2dx1 = 1
R xn
x+y 0 ≤ x ≤ 1, 0 ≤ y ≤ 1
f(x, y) =
0 e. o. l.
En particular:
a b
P(a, b) = p(X a, Y b) = p(x, y)
x y
p(x, y) p(X = x, Y = y)
p(x y) = p(X = x Y = y) = =
p y (y) p y (Y = y)
p(x, y) p(X = x, Y = y)
p(x y) = p(X = x Y = y) = =
p y (y) p y (Y = y)
ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 37
IND - 411
p(x1 , x 2 ,...xn )
p(x i1 , x i2 ,...xis x j1, x j2 ,...xjt ) =
p x j1, x j2 ,...x jt (x j1, x j2 ,...xjt )
f(x, y)
f(x y) =
f y (y)
f(x, y)
f(y x ) =
f x (x)
ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 39
IND - 411
f(x1 , x 2 ,...xn )
f(x i1 , x i2 ,...xis x j1, x j2 ,...xjt ) =
f x j1, x j2 ,...x jt (x j1, x j2 ,...xjt )
n!
p(X1 = x1 , X 2 = x 2 ,......,X k = x k ) = p1x1 p 2x 2 .......pkx k
x1!, x 2!,...xk !
k k
x
i
i =n p(X ) = 1
i
i E[X i ] = npi V[X i ] = npi (1 − pi )
Eg(x1 , x 2 ,......,x n ) = ........ g(x , x1 2 ,......,x n )f(x1 , x 2 ,......,x n )dx n ......dx2 dx1
R1 R 2 Rn
EX/Y = xp(x y)
x
mrs = E Xr Ys
m rs = x r ys p(x, y)
x y
m rs = x y f(x, y)dydx
r s
RxRy
μ rs = E (X - X ) (Y - Y )
r s
μ rs = (x - x ) (y - y ) p(x, y)
r s
x y
μ rs = (x - x ) (y - y ) f(x, y)dydx
r s
RxRy
x1 x2 xn
M x, y (t, μ ) = E e tx +μy = e tx +μy p(x, y)
x y
M x, y = E e tx +μy = e tx + μy
f(x, y)dydx
RxRy
M x1 ,x 2 ,......,x n (t1 , t 2 ,......,t n ) = E e t1x1 + t 2 x 2 +......+ t n x n = ...... e t1x1 + t 2 x 2 +......+ t n x n p(x1 , x 2 ,......,x n )
x1 x 2 xn
M x1 ,x 2 ,......,x n (t1 , t 2 ,...,t n ) = E e t1x1 + t 2 x 2 +......+ t n x n = ... e t1x1 + t 2 x 2 +......+ t n x n f(x1 , x 2 ,...,x n )dx n ...dx2 x1 )
R1 R 2 Rn
b b
φ x, y (t, μ ) = E ei(tx +μy ) = ei(tx +μy )p(x, y)
x y
φ x, y = E e i(tx +μy ) = e i(tx + μy )
f(x, y)dydx
RxRy
φ x1 ,x 2 ,......,x n (t1 , t 2 ,......,t n ) = E ei(t1x1 + t 2x 2 +......+ t n x n ) = ...... ei(t1x1 + t 2 x 2 +......+ t n x n ) p(x1 , x 2 ,......,x n )
x1 x 2 xn
φ x1 ,x 2 ,......,x n (t1 , t 2 ,...,t n ) = E ei(t1x1 + t 2 x 2 +......+ t n x n ) = ... ei(t1x1 + t 2 x 2 +......+ t n x n ) f(x1 , x 2 ,...,x n )dx n ...dx2 x1 )
R1 R 2 Rn
1.13. Independencia
Se dice que dos variables (X,Y) son independientes si se
verifica que las siguientes propiedades:
i. _p(x, y) = px (x)py (y) f(x, y) = f1 (x)f 2 (y)
ii. _p(x y ) = p x (x) p(y x ) = p y (y)
iii. _f (x y ) = f1 (x) f (y x ) = f 2 (y)
iv. _Ex, y = Ex Ey
v. _Mx + y (t ) = Mx (t )My (t )
vi. _Vx + y = Vx + Vy
1.14. Covarianza
Para dos variables (X,Y) se define la covarianza como:
Cov(X,Y) = E( X − μ X )(Y − μY )
Cov(X,Y) = EXY − EX EY
Propiedades:
i. Si X,Y son independientes _ Cov( X , Y ) = 0
ii. _VX + Y = VX + VY 2Cov (X, Y )
iii. _μ11 = m11 − m10 m01
iv. _Cov( X , Y ) = V X V Y
-1 -0,5 0 0,5 1
ρ = 1 Directamente proporcional perfecto.
ρ ˃ 0 Directamente proporcional.
ρ = 0 Incorrelación.
ρ ˂ 0 Inversamente proporcional.
ρ = -1 Inversamente proporcional perfecto.
ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 57
IND - 411