SOLUCION TALLER HIPOTESIS Y DISTRIBUCION DE PROBABILIDAD

1. Los términos "parámetro" y "estadística" son conceptos fundamentales en estadísticas e

inferencia estadística. Están relacionados con la descripción y el análisis de datos, pero se
refieren a cosas diferentes.

Parámetro: Un parámetro es una medida numérica que describe una característica o propiedad de
una población completa. Una población en estadísticas se refiere al conjunto completo de
elementos o individuos que comparten una característica común y sobre la cual se desea hacer
inferencias. Los parámetros son valores fijos pero desconocidos que generalmente no se pueden
calcular directamente debido a la dificultad o la imposibilidad de recopilar datos de toda la
población.

Estadística: Una estadística es una medida numérica que se calcula a partir de una muestra de una
población con el objetivo de estimar o inferir los parámetros de la población. Una muestra es un
subconjunto representativo de la población que se utiliza para hacer generalizaciones sobre la
población en su conjunto. Las estadísticas se utilizan para proporcionar información sobre las
características de la población basada en los datos recopilados de la muestra.

2. La distribución muestral es un concepto clave en inferencia estadística, ya que proporciona

información sobre la variabilidad de una estadística en diferentes muestras y permite
realizar inferencias sobre los parámetros de la población a partir de las estadísticas
muestrales. Al analizar la distribución muestral, es posible estimar la precisión de las
estimaciones y determinar el margen de error asociado con esas estimaciones.

La forma de la distribución muestral está influenciada por el tamaño de la muestra. A medida que
el tamaño de la muestra aumenta, la distribución muestral tiende a aproximarse a una forma que
puede describirse mediante distribuciones conocidas, como la distribución normal. Esto se conoce
como el Teorema del Límite Central, que establece que, bajo ciertas condiciones, las distribuciones
muestrales tienden a ser normales sin importar la forma de la distribución en la población original.

3. La igualdad V(X+Y) =V(X)+V(Y) no se cumple en general para variables aleatorias X e Y. De

hecho, para que esta igualdad sea verdadera, es necesario que las variables aleatorias X e Y
sean estadísticamente independientes y no correlacionadas.

La varianza de la suma de dos variables aleatorias X e Y está dada por:

V(X+Y)=V(X)+V(Y)+2⋅Cov(X,Y), donde Cov(X,Y) es la covarianza entre X e Y. Si X e Y son

independientes, entonces su covarianza es cero Cov(X,Y)=0), y la igualdad se convierte en:

V(X+Y)=V(X)+V(Y).

Sin embargo, incluso si X e Y son independientes, la igualdad solo se cumple para la varianza de la
suma, no necesariamente para todas las combinaciones de variables aleatorias.

4. Si X e Y son variables aleatorias independientes, entonces la igualdad V(X+Y) =V(X)+V(Y) se

cumple. En otras palabras, cuando X e Y son independientes, la varianza de su suma es
igual a la suma de sus varianzas individuales.
Esto se debe a que cuando X e Y son independientes, sus covarianzas son cero Cov(X,Y)=0), lo que
significa que no hay una relación lineal entre las dos variables que contribuya a la variabilidad
conjunta. En este caso, la fórmula para la varianza de la suma se simplifica:

V(X+Y) =V(X)+V(Y)+2⋅Cov (X, Y) =V(X)+V(Y)+2⋅0=V(X)+V(Y).

Por lo tanto, si X e Y son variables aleatorias independientes, la igualdad V(X+Y)=V(X)+V(Y) se

cumple y la varianza de la suma es simplemente la suma de las varianzas individuales.

5. A: Distribución de X: Los posibles valores de X son 1, 2, 3 y 4. Dado que cada cara tiene la
misma probabilidad de aparecer hacia arriba, la distribución de probabilidad de X es
uniforme:

1
P(X=1)=P(X=2)=P(X=3)=P(X=4)= .
4
B: Distribución de Y: Los posibles valores de Y son 2, 3, 4, 5 y 6, como se mencionó anteriormente.
Las combinaciones posibles son:

(1, 1): 2 puntos.

(1, 2) y (2, 1): 3 puntos.

(1, 3), (2, 2) y (3, 1): 4 puntos.

(1, 4), (2, 3) y (3, 2): 5 puntos.

(2, 4) y (4, 2): 6 puntos.

(3, 3): 6 puntos.

La distribución de probabilidad de Y dependerá de la probabilidad de cada una de estas

combinaciones, que son todas equiprobables:

1
P(Y=2) =
16
2
P(Y=3) =
16
3
P(Y=4) =
16
2
P(Y=5) =
16
2
P(Y=6) =
16
C: Distribución de XY: Para la variable XY, simplemente multiplicamos los valores de X por los
valores correspondientes de Y:
 1
∗1
P(XY=2) =P(X=1)⋅P(Y=2)= 4 ,
16

1
∗2
P(XY=3) =P(X=1)⋅P(Y=3)= 4
16
1 1
∗3 ∗1
P(XY=4) P(X=1)⋅P(Y=4)+P(X=2)⋅P(Y=2)= 4 4
+
16 16
1 1
∗2 ∗2
P(XY=5) = P(X=1)⋅P(Y=5)+P(X=2)⋅P(Y=3)= 4 4
+
16 16

1 1
∗2 ∗3
P(XY=6) =P(X=1)⋅P(Y=6)+P(X=2)⋅P(Y=4)+P(X=3)⋅P(Y=2)= 4 4
+
16 16
D: Distribución conjunta de X e Y: La distribución conjunta se obtiene multiplicando las
probabilidades correspondientes de X y Y:

Y=2 Y=3 Y=4 Y=5 Y=6

X=1 1 1 3 1 1
64 32 64 32 32
X=2 0 0 1 1 1
64 32 32
X=3 0 0 0 0 1
64
X=4 0 0 0 0 1
64

D: Comprobación de E(XY)=E(X)E(Y): Primero, calculemos las esperanzas:

1∗1 2∗1 3∗1 4∗1 10

E(X) + + + =
4 4 4 4 4
2∗1 3∗2 4∗3 5∗2 6∗2 76
E(Y)= + + + + =
16 16 16 16 16 16
Luego, calculemos E(XY):

2∗1 3∗1 4∗1 5∗1 6∗1 6∗1 2+3+ 4+5+6 +6 26

E(XY)= + + + + + = =
64 32 32 32 32 64 64 64
Ahora, verifiquemos siE(XY)=E(X)E(Y):
 10
∗76
E(X)E(Y)= 4 190
=
16 16
26 190
Como E(XY)= y E(X)E(Y)= , no se cumple E(XY)=E(X)E(Y).
64 16
6. En este problema, se está realizando un análisis de una muestra tomada de una población
normal con una media poblacional (μX) conocida de 5. La muestra tiene un tamaño de
n=10 y se obtuvo una media muestral (x) de 4.5.

Parámetro: El valor del parámetro en este caso es la media poblacional (μX) de la población
normal original, que se da como 5.

Estadística: La estadística en este caso es la media muestral (x), que es el valor promedio calculado
a partir de la muestra de tamaño =10, y en este caso, se ha encontrado que x=4.5.

7. La relación entre un parámetro y una estadística está relacionada con su función en el

contexto de la estadística y la inferencia.

Parámetro: Un parámetro es una medida numérica que describe una característica de una
población completa. Representa un valor fijo pero desconocido que generalmente no se puede
calcular directamente debido a la dificultad o imposibilidad de recopilar datos de toda la
población. Los parámetros son valores que deseamos inferir o estimar a partir de muestras de
la población

Estadística: Una estadística es una medida numérica que se calcula a partir de una muestra de una
población. Las estadísticas son valores que se pueden calcular directamente a partir de los datos
muestrales y se utilizan para proporcionar información sobre las características de la población
basada en la información limitada en la muestra.

Relación: La relación entre un parámetro y una estadística radica en que las estadísticas se utilizan
para estimar o hacer suposiciones sobre los parámetros desconocidos de la población. En muchos
casos, las estadísticas se seleccionan específicamente para ser estimadores insesgados
(estimadores que tienen un sesgo cercano a cero en promedio) de los parámetros.

8. Vamos a proponer una variable X como tema de estudio: la "altura de estudiantes

universitarios" en centímetros.

Variable X: Altura de estudiantes universitarios en centímetros.

Parámetro asociado: El parámetro asociado en este caso podría ser la "media poblacional de
altura" (μX), que representa el promedio real de las alturas de todos los estudiantes universitarios
en la población de interés.

9. Distribución muestral: Si se tomaran muestras de estudiantes universitarios y se calculara

la media de altura en cada muestra, se obtendría una distribución de las medias
muestrales. Si el tamaño de la muestra es lo suficientemente grande (según el Teorema del
Límite Central), esta distribución de medias muestrales tenderá a aproximarse a una
 distribución normal, independientemente de la forma de la distribución de alturas en la
población original.

La media muestral, que es una estadística, se distribuirá alrededor de la media poblacional (μX) en
la mayoría de los casos, y esta distribución muestral tendrá una desviación estándar que se
relacionará con la desviación estándar de la población y el tamaño de la muestra.

10. La igualdad E(X+Y) =E(X)+E(Y) se cumple en general cuando las variables aleatorias X e Y
son linealmente independientes y no están correlacionadas. En otras palabras, para que
esta igualdad sea verdadera, las variables aleatorias X e Y deben satisfacer dos
condiciones:

Independencia: Las variables X e Y deben ser estadísticamente independientes. Esto significa que la
ocurrencia de un valor en una variable no afecta la ocurrencia de valores en la otra variable.

No correlación: Las variables X e Y no deben estar correlacionadas, lo que significa que la

covarianza entre X e Y debe ser cero Cov (X, Y) =0).

Cuando estas condiciones se cumplen, las esperanzas (valores esperados) de las variables X e Y se
suman linealmente y la igualdad E(X+Y)=E(X)+E(Y) se mantiene.

Es importante destacar que esta propiedad de la suma de valores esperados se aplica incluso si las
variables aleatorias no son independientes ni no correlacionadas, pero puede haber casos en los
que no se cumple debido a las propiedades específicas de las distribuciones y las relaciones entre
las variables.