Formulario prueba 1

Propiedades :
Modelo Bernoulli :

- - - - -

;
- -
-
- - -
-

i
P /A ) 1- P / A)
'
- =

Í
' ×
I
-

PIX ) =p
"
. P / 01=0 / 1- p )
" I
- ACB → P / A) ≤ P / B) -
- - - - - - - - - -
-
- - -

n PIB -
A) =P / B) -
PIA ) E ( X ) :
p
. PIAUB / =P / A) + P / B) -
P / AAB ) V ( X) : ( 1- p)
•

p
=
probabilidad de éxito
para eventos excluyentes : .
✗ =
cantidad de ensayos que se repiten
P / An UA , ) =P / A 1) + P / Aa )
↳
IP / Airai -0 ) Modelo Binomial :

(F)
Para eventos independientes :
" " -
×
si 3 Ocurre , no afecta PIX ) / )
-

P / A / B) / A)
a =
1- p
=P
p
.

'
P / AAB ) =P / A) -
P / B)
•
n : no elementos seleccionados

Probabilidad condicional : •

p :
probabilidad de ÉXITO
PIAAB )
°
✗ : no éxitos
. P / A / B) =

P / B)

EIX ) :
np

Esperanza : IX. PIX ) Var ( X ) :

np / 1- p )
-
Elk ) =
K ,
con k Cte

'
E / ✗ + KI =
Elx) + K
.
KCTE Modelo Hipergeométrica :

'
Elk .
X) =
K .
ECX ) - - - - - -
- -
- -
-
-

l l
K N -
K

IEIX ) )
'
varianza :
EIXY -

¡ p/ ,
✗ =\ ) =
× n -
✗ Í
VIK) O
|
• =
KCTE
I

)
,

N
•
VIKTX) =
VIX ) I
n I
/X)
' '
/a b)
'
V ✗ + = a - V -
- -
- ˢ
-
- - - -
- -
-

↳
con d. b constantes

✗ : no éxitos
Modelo Poisson :
total de elementos
N :

,
- - - - - - - - - - -
n : no elementos seleccionados
,
I K : total de éxitos en N
' t
✗
e-
"
I
plx )
=
I
t n k
ECX )
-

'
!
: =
X nip
'
- - - - - -
: n
- -

/ %) / )
"
n . '

/N -
n'

EIX ) =
varlx ) =
Y )
var ( × :
n.pl , p,
_
=

✗ →
tasa promedio de Ocurrencia ( N -
1)
en un intervalo de tiempo
 TEMA 2
Variables aleatorias continuas y sus distribuciones de probabilidad
-

Varianza y esperanza (propiedades)

2
Esperanza : IX. PIX ) varianza :
E /✗2 ) -

(E ( ✗ 1)
-
Elk ) =
K ,
con K ( Te
'
V / K) =
O ,
KCTC

•
El ✗ + K) =
EIX) + K KCTC
.
V / KTX ) =
✓ ( X)
,

'
Elk .
X) =
K .
✗
.
V / DX + b) = D2 - V /X) ( con a. b constantes )

Valor esperado de una funcion

'

: si ✗ : variable aleatoria continua

i
Í :
"

| El 2)
|
2
i ECX ) =
✗ .
flx ) dx
'
✗ =
✗ flx ) dx ,

: : : :

Funcion de densidad f (X )
'

f ≥ O
función
•
:
es densidad si :

"

| .
.
f / ✗ Idx = 1

P/ ) [¡
'

Funcion de distribucion acumulada

'

: si FCX ) es f- de densidad : FIX ) =

✗ ≤ ×
=
flxldx

* la integral en un punto es 0

* En variable continua : > = ≥ n < = ≤

P / a ≤ ≤ b) =

/¡ flxldx
-
✗

P / a)
% flx ) DX
•
✗ ≤ =

"

P ( a)
| flxldx
•
✗ ≥ =

•
P / ✗ = a) = O

Modelo de distribucion uniforme

/

o [X -
Ula ,
b) } ]

E-
É
±
función densidad : f ( X ) =
b.la ,
a < ✗ < b

×
a b

I
ir
I I I '

a¡ˢ lb-
)
ECX ) ) / 1=1×1
I.
( '
✗ ≤ ✗ ✗ a
!
✓ ✗ P acumulada
-

!
= = =

,
¡ ,
¡ ya ,
;

Las probabilidades calculadas en una distancia uniforme (a,b) no es mas que el calculo de un area del rectangulo
✓ / /
Distribucion exponencial
'

y
'

'
%
-

✗ →
EXP ( t )
'
X es una variable exponencial si su densidad es: I flx ) =
e
i

'
'

B
'
i

)
'

f- (X ) i
,

^ Reemplazando
B Por 1-
X
' i

' _ " × '

i flx ) =
te ,
'
'
i
> ✗ ,

1-
¥
" ×
i
ECX ) = .
varcx ) =
.
f- ( × ) = 1- e-
✗

Modelo normal
í
'

%
i
"" ' ,
e ,
•
X es una variable aleatoria normal si su densidad es: Í fu ) =
|
i iii. o ,
'

" '
" '
Fix ,

i.
~
> ✗ > ✗
U

Distribucion normal estandar ( 2 N / 0,1 ) )

•

~
' '

'
,
X -
M i

Los datos estandarizados se encuentran en la tabla, para encontrar z se aplica: ,

' z =

i
. o !
 TEMA 3
Distribucion de probabilidad conjunta
/

Definicion: la funcion p(x,y) es una distribucion de probabilidad conjunta de las va discretas X e Y si:
/ / r

-
p / × , y ) = P / ✗ =
✗ .
Y -
_

y ) ≥ O V. ( ✗
, y )
•
[ XERECXEYERCCYPCX , y ) = 1 ( suma de probabilidades )
•
P / ✗ =
✗ Y -
_

y ) =P / X, y ) para cualquier región A en el plano IX. Y )

,

Distribuciones marginales X e Y i.
Ejemplo :

P ( X ) 0.1 0.2 0.7

-
glx ) = [ plx , y )
.
h ( Y ) = [ p IX. y ) ✗ 1 2 3
YERCCY ✗ ERCCX

{ donde plxiy ) corresponde a la función de Distribución conjunta de X e Y

'
"
Distribucion de probabilidad condicional
-

p / y )
: '
, × ,
I
/ y /×)
↳
La distribucion condicional de y, dado que x=x es:
'
' P
glx ) > O
=
, ,
con

i :

(De igual manera con x dado y=y)

Independencia estadistica:
'

Para que sean Independientes ,

se debe cumplir :

P / ✗ =
✗ ,
Y -
_
y ) =P / ✗ =
× ) -
P / Y =
y ) V ( ✗ , y )

Esperanzas condicionales :

( ) /✗ )
2
•
E ✗ /
y
-
_

y
=

§ × .
P / ✗ / y =
y ) .
E /
y =
y
=
[ ✗
2 .

P / ✗/
y
-
_

y )

• E / Y / ✗ = ✗ ) =

§ y
.
P / Y /✗ = ✗ ) .
E /Y
'
/✗ = ✗ ) =
[ y
' -
P / Y /✗ =
× )
,

Varianzas condicionales :

)
2
'
V1
✗ / ) =
E / ✗ / E / ✗ /y ) '
y y
-

y
-
_

) /Y / 4)
'
'
V / Y /✗ ,
=\ = E /✗ ) -
E Y 2

Covarianza
'

Es un parametro de la relacion entre dos variables aleatorias x e y

r

•
Se define :

COV IX. y / =
El / ✗ -

Mx ) -

( y
-

µ, ) )
 ^
COVI -1 ^ covltl ^ corto )
:
.

;
.
.
'

:
' .
.
.
-
-
.
.
- '

ex.is?.r.ela.ci0n
'

; no
. .
.
<
.
.
. '
' .
'
. .
'
.

lineal datos
' -

. .
.
.
. .
. entre los
.
. i -

"
,
, ,
,

> y >

COV ( × , y) = E IX. y ) -

EIX ) .

Ely )
t
donde : E IX. y ) = IX. y .
P /X , y )
E ( X ) = { ✗ .
P / ✗ )

Ely ) =
2 y
.
P / y )

•
teorema → si ✗ e
y son independientes ,
entonces cov IX. y ) = O

¡f
'

/✗ Y )
'

Correlacion :

=
COV '
'

'
,
-1 ≤ lx , ,
≤ 1
'
'
vlx ) My )
'
.
× , y
-
,

moderada directa
alta inversa
y / / / / / / I I I I I I I I '
t
-
1 O moderada IMV .
1 dlta directa

baja

Varianza y esperanza: •
El ✗ ± Y ) =
ECX ) ± ECY )
•
v1 a ✗ + b Y ) = al V / X) t b? V / Y ) t Lab COV IX. Y )

*
si X e Y son independientes : Var ( ✗ ± Y ) =
Var ( X ) t var ( Y ) , ya que COV IX. 41=0
 TEMA 4
Muestras aleatorias y estimacion puntual
/

Poblacion : totalidad de elementos en estudio

/

Parametro : Cantidad desconocida y unica que determina el comportamiento de los datos

/ ✓

Muestra aleatoria : es un conjunto X, X , .. X que cumple 2 condiciones: 2 n

1) ✗ 1 ,
✗ 2 ,
. . .
✗ n son independientes
2) ✗ 1 ✗ 2 ✗ n son idénticamente distribuidos
, . . .
,

•
La muestra debe ser representativa

Estimador : es cualquier funcion de observaciones muestrales ✗ ✗

"

✗ I
,
2 ,
. . . n

↳ no contiene cantidades desconocidas / Fórmula )

/

Estimacion : es el resultado ( un numero ) de aplicar el estimador a una muestra aleatoria de numeros

/ /

/ resultado particular )

parámetro D-
'

M :
promedio poblacional →

Ñ :
promedio muestral → É I estimador )
•

Í :
promedio muestral ( estimador ) → Ó

Media muestral :

↳ aleatoria ✗ 1. ✗ de
Dada una muestra 2
,
. . .
Xn una población ✗ ,
donde ECX ) =
M
VIX ) =
82 ,
se define el promedio muestral como :

Í ☒
'
'
✗ 1 + ✗ 2 t . . .
+ ✗ n
,
=
'
' n
: :

Distribucion de la media muestral:

↳ si ✗ → NIM ,
o 2) ,
entonces :
Í → N / µ ,
' "
n )
↳ si ✗ no distribuye normal entonces :
I N / TYN )

]
-
,
µ ,

"
" "" " " "" " " "" " " "

Teorema central del limite

A

↳ Independiente de de la distribucion de la muestra, el promedio distribuye normal

/

-
I :
media muestra I ≈ N / µ .tl/n )
'
n : tamaño muestra (n ≥ 30 )
^
•
media poblacional
µ :

[ ✗ i ≈ N / NM no 2)
02
• ,
:
varianza poblacional ¡ =
'

\ Distribuye aproximadamente

* Si la poblacion es normal, entonces no hay restriccion sobre n

Propiedades de estimadores:

I ) Insesgamiento Un estimador puntual Ó es insesgado si

:
( E / E) =
f)
↳ (De lo contrario es sesgado)

Sesgo: BIÓ ) EIÓ ) o = -

Error cuadratico medio de un estimador puntual Ü

.

.
de ⊖ :

MSEIÓ ) = E ( ( Ó -
f) 2)

MSEIÓ ) ( sesgo ( Ó ) )
'
* = VIÓ ) t

Error estandar de un estimador § es su desviacion estandar:

- . .
.

¡ :
'
0o:
=
VIÓ ) I
i :

II ) Eficiencia relativa :

Ó Ó
son dos estimadores del parametro
'
•
Si ,
y , ⊖ :

↳
La eficiencia relativa de Ó con respecto a Ó es , , :

ÍMSE
'

( Ó, Ó, ( Ó )
'

Cff ) = ,
i *
El estimador con menor error
ÍMSE !
,

( Ó ) cuadratico medio es mas eficiente

. .

II )Consistencia : La diferencia entre el valor esperado del estimador y el parametro disminuye a medida que
.

aumenta el tamano de la muestra

-

Un estimador puntual Ó es un estimador consistente de ⊖ si

•
:

1) LIM El Ó ) =
-0
n → A

2) Lim var ( Ó ) =
O
n → A

IC para la media de una poblacion normal con varianza conocida

/

☒ Media de una muestra aleatoria de distribucion normal

-

◦ :

◦
J
2 :
Varianza (conocida)

IC del 10011 d) % para la media esta dado por:

.

( I z
En ≤ µ ≤ ☒ +2
En )
-

, _

÷ , _

◦
2 , _
:
Punto porcentual 100 ( 1- E) superior de la distribucion normal estandar . .
Tamano muestral para obtener un error E con un 10011 d) % de confianza
-

-
:

°
E ( error ) =
/ µ -

Ñ l
Tamano muestra I
-
o
N :

( ( E) )
'
2 '
n or
-

Precision del estimador

/

Semiintervalo (0--1) o ( U -
⊖ ) E :
2×12 .

Fn
◦ L : limite inferior IC
( presiciónomárgen de error )
°
U : limite superior IC

IC para la media de una poblacion normal con varianza desconocida

/

Sea X , una muestra aleatoria para una distribucion normal

.
°
,
✗ 2 . . .
Xn

◦
µ Media desconocida
: ( I media muestral ) :

o
02 Varianza desconocida ( S d. estándar muestral )
: :

El estadistico T tiene una distribucion t o t-student con n - 1 grados de libertad :

' r
O

( )
I -

T T ◦
In I ) grados de libertad
(ñ)
= - :

◦
IC para la media "

( I tn : ≥ ≤ µ ≤ It tn-i.ES
)
-

.
. .

rn rn

Intervalo de confianza para la proporcion poblacional

/

Estimador de

)
°

(
p
: ⊕ p
-
IT

◦
Para n > 30 : Z =

☐( ☐ -
, ,
≈ N / 0,1 )

Proporcion de la poblacion
' -
◦
⊕ :

IC poblacion
'

O
:

( p Zi E
Plljpt ⊕ p t Z Pli P)
)
-

≤ ≤
-

,
-
-

n
Tamano de muestra para estimar una proporcion poblacional
- /

°
E :
Error de estimar ⊕ por p ( E = / p -
ITI )
: tamano muestral
-
O
N

* si no se conoce p utilizar D= 0,5

-

( )
21 -

E
n =
pll -

p )
E
( n = 2×122 p
EL
/ 1- p )
)
Distribucion Chi - cuadrado
/

Sea X , X ,..,X una muestra aleatoria con distribucion normal de media µ

'
°
1 2 n

O
02 Varianza desconocida
:

Estadistico de distribucion Chi-cuadrado con n-1 grados de libertad (

2
✗ 2n )
' '
o
✗ : -
,

↳
✗
2
= (n -
1) 52
2
J

IC para la varianza poblacional

°
52 :
Varianza de una muestra aleatoria de n observaciones

( )
' .
"
≤ o ≤
X? -

i.
-

IC para la desviacion estandar poblacional

/ /

Desviacion estandar de una muestra aleatoria de n observaciones

- _

°
S :

( )
' "
≤ • ≤
X? -

i.
-