1er

PARCIAL INFERENCIA

inmediata media

media tendencia central X poblacional

varianza iq µ
media

mediana muestral X

MEDIDAS DE DISPERSIÓN

Rango

Amplitudintercuartílica ordenas asi 75

datos en A I gs g

sa tos

varianza muestral varlxt EKX

varianza
EKJMJ.sa nEI.ly 512 poblacional

diagrama de l isk li.SXA.IT

Caja

brazos Ip a

9 4 9 observaciones

atípicas
50

mediana

si

mediana L media

REPASO PROBA

FUNCIÓN DE DENSIDAD Sea X Una variable aleatoria se define como fn.de

densidad 0 fin de
masa de probabilidad a

DX
flxlsifflxldx.to
bien
DX
flex 1 y f 30

FUNCIÓN

DE DISTRIBUCIÓN sea una v a con fn.de densidad MX se

define como fn.de distribución acumulada a

EH P Xex faldx

jf


PROPIEDADES de Fx x

it himFxlxt

sOX

aiilffzfxlxl 1

in sean a b 7 DX si acb Fla E Fcb

ESPERANZA DE V A sea X Una V q Contr de densidad X Se define

la esperanza de como

411

EH

Xf DX

Engral sea gli una fn continua el valor esperado de gtx está

dado Por

el.geD

PROPIEDADES
DEL VALORESPERADO

Sean ay b valores constantes y Una v a E b aE tb

VARIANZA var X E LX E la V E x2 E 12

COVARIANZA sean
X dos v a la covarianza entre estas dos
y

variables se define como

COVA y EGG E Ely

y son independientes XII

si Covasy 1 0

TRANSFORMACIONES DE V A i Sea X Una V a con fn.de densidad

fCx y fn de distribución FXX y sea Y glx con gc una fn

continua invertible y diferenciable En este caso

Ely 1PM ey

p gatas

P HE g y

Fx g y y finalmentefyly 7 19 y dayg y

FUNCIÓN GENERADORA DE MOMENTOS Sea X Una v 9 Con fin de

densidad 5Cx se define a la fn generadora de momentos como



fut
DX

Milt Efe

fe f dx

DX

ALGUNOS

MODELOS DE PROBABILIDAD

I BERNOULLI X Ber p

con prob p
Es Util xa modelar eventosdicotómicos en

con prob I p
algunas ocasiones se tiene que g I p

pl

fix p p ll
IÜ

EG p

Vara PLi p

E BINOMIAL X Birth Pt

Resulta de una suma de ensayos Bernoulli y su fin de densidad es

2 Fln pff

fLxinsp

on n

g ÉI

EH

npvarlxt p

np.li

sumadebinomiales si X B.in n p ay Binlm p x y Binlnim p

E POISSON X Po N

es Util xa modelar procesos de conteo por ej el de personas que

se forman en una fila del banco

axial tio

El X Vara

si Po X y y Polloa i Xt y Po X c da

NI EXPONENCIAL lxvexplt.tl

Util xa modelar procesos continuos que tienen tasas ates como el

tiempo de duración de una llamada a un call Center el tiempo de

vida de un foco etc

flxiol.to Ido o bien flxiol oe.co no

E O EG to

var x 02 cavar Otra


ambas parametrizadas son correctas

PROPIEDADÉ e

1 PÉRDIDA DE MEMORIA 1 1

s ste

plxss.tt Xssl P Xst

2 RELACIÓN CON POISSON

tiempos de intervalos
Y
IT

si individuos que se observan y x po.cz 5 tiempo llegada

individuos con 4N Exp E

Si Xiv Explo Xiv GammaLn 0

V UNIFORME X Ula b

la distribución uniforme es Util xa modelar fenómenos en los cuales

todos los valores son equiparables

f Xia b Al

f
Fa la b

El ajo

var Ibi

12

Ua suma de uniformes no tienen Unpatrón claro como las otras distr

Ul NORMAL X N µ 04

es ampliamente conocida y utilizada Xa modelar una serie de

fenómenos continuos Por ej estatura de personas mantos

por reclamación ventas de un producto etc

1 X µ 04 exp X µ x con µ e IR

IR 02 E Rt

E µ

Var X 02

moda mediana

normalizar 2 X NO 1

µ Oro 68T

95

µ 20
30299


si quiN 0,2 y y
Mua Ora

NG.ua
xi y ahora

30 1 0 o 2030
20

Will GAMMA Xv GammaCd Pt

útil xa modelar procesos continuos como tiempos de vida o

tiempos de espera distancias recorridas etc

Es una distr con soporte en Rt

two ÉI
p ÉxD
ÉL
d SO

pero

d
EH

d
Var

pa

PROPIEDADEN

Si 2 1 X Exp p

Isi Xin GammaCd Éi Xi Gamma tra p

memorizar TERCER

iii si X Gammaldjp.li X2Lzxj PARCIAL

DISTRIBUCIONES OBTENIDAS A PARTIR DE LA NORMAL

Hull

Ji Cuadrada

sea Xn Un conjunto de v a N fu 02

Definimos 2 Xi µ i 1 n

Ziv NO 1

luego w z

es posible demostrar que Wu XIN

PROPIEDADES

1 tiene soporte en Rt

sit Es una distro asimétrica

sii Losgrados de libertad corresponden al de v a que componen

a la distr

Iv Dependiendo de los grados de libertad la distraes asimétric

n no la distro se hace más simétrica

ej
por

v1 Elm n

vi var w 2h

UN E student

sea una v a 7 X N10,11 y sea y una v a 7 4 XEu con XL4

definimos t se puede demostrar que tu tout

PROPIEDADES

II La distribución tiene soporte en IR

Ü Es una distro simétrica alrededor de 0 E t O

iii los grados de libertad deheredar de la distr la

jicuadradaque

compone

4 F de Fisher Fru Fln m

sea una v a 7 X Er y y Klm

Definimos F EN Fln m donde n representa los

4 grados

im con Xt y

de libertad asosiados al numerador y m al denominador

PROPIEDADEN

Es una distro asimétrica

ü tiene soporte en Rt
iiitkmmi

fm.rs

1 DISTRIBUCIONES DE NUESTRO E

muestra aleatoria

aa.inea.ua

estadístico fn xa datos
resumir

TK es una variable aleatoria

distribución

Elt y fill de muestreo

POBLACIÓN el conjunto total de elementos de interes



MUESTRA ALEATORIA Un subconjunto de la población que debe caracterizar

lo mejor posible toda la heterogeneidad que 3 en la población

1
Formalmente sea Xn un conjunto de v a independientes e
identicamente

distribuidas esto es todas tienen la misma fn.de densidad

marginal

f Xica se dice que Xr es una muestra aleatoria

ESTADÍSTICO Sea
Xr una ma y considere a 94 Xn 1 1 una

n de la muestra y de valores a es i se dice que Mel es un estadístico

Ej 1 TE Ei
i
Xi
n

iii TE texi

Ez E
iii THI 109k

in TK
ii
Hi Ip

A pesar deque casi cualquierfin cumple con la def de estadístico no todos

los estadísticos son útiles xa obtener into acerca de los datos

DISTRIBUCIÓN DE MUESTREO sea Xr una m.ae con fin de densidad

f X0

y sea TK 9k tn un estadístico

Como TCI
es fr de v a TE es una V a Por lo tanto 7 fans de

asociadas a TCI A F t
distribución
y densidad derrotadas por F Lt y tilt respectivamente

ylo tilt se les llama distr.de muestreo

DISTRIBUCIONES DE

MUESTREO XA MUESTRAS NORMALES

NOSenfocaremos en dos diferentes estadísticos

1 T LIKE Ln Xi

tersa EI
mediamuestrae

CASO1 Para MI Y cuando 02 es conocida

Xn Una ma de N 02 con 02conocida

sea fu

Proponemos a Tve X como estadístico xa la media Como

sedemuestra es una combinación lineal de Normales sabernos

con

la fn µ TK Ln xi
generadora

que Tlt I NL
demomentos
Efnqtxj tnqfelxil.tnTlM

2EEHD Elis tnlnkMl

tnEEIExif µ

varkcxst varfnEXil ntzvarlqxil ntzfivarcxil 2E.g.covai



ÉI varlxit ntznq.io ntzln1O2

Por lo tanto THI F N µ

OBSERVACIONES

El f

Lamedia muestral en este caso tmb

se distribuye Normal

23 La media muestral tmb está contada en

3J la dispersión de la mediamuestral depende del tamaño de

la muestra Mientras mayor sea la muestra menor la

dispersión y más nosacercamos al verdaderovalor de µ

CASO 2 Para TU 52 varianza muestra

sea Xn una m a de Nyu 04 y supongamos que

TU1 52 4 Hi XP es un estadístico xa la varianza 0

Sr ÉILxi Xi un Nsa Ki x p

n 1 5 81 Xi F
a

in tos i Hi IP

i talxixi _El
i Y
sabemos que si Xiv N Zi tio

µ 04 NCO I y tmb

sabemosque
txt

w
Izzi m
EE vkin.is

ELxi
i
xtvkn.ir

CASO 3 Para MI I cuando 02 no es conocida

sea

Xn una ma de N µ 02 con 02 desconocida y

supongamos quetenemos TU X un estadístico Xa la

media µ Por lo vistoanteriormente sabemos que FuNG

Cuando 02 es conocida A partir de esto definimos

Tu NO 1 En este caso como 02 es desconocida

deberíamos de tener F m


consideremos lo siguiente

Fu

Lte un
N 0,1
III ten i

orfría n i F
s
sp

mediaran

Resumen

1 t X

52T 1

fqconoa.ua oraesconociaa

oEiNiaiE kn n Mm

i i i i i i i i l i

DISTRIBUCIONES MUESTRALES XA V A DISCRETAS

si i i i i i i i il

Ejconsidere una v a 7 1PM

110.25 0.6 0 is Y suponga que se toman

muestras de tamaño 2 con orden y reemplazo Obtenga la distro de

muestreo de T Sa

y Hi I

distribucisteoxamediammstra

PROB I s I prob lesvaloresquepuede

coos Lassa o O o
tomar Laprob acta esque

la casita 2 42 8 ga z

vk.is 1 2 o.is
ii 01 1 6 C.rs 112 112

o cama

12 611.151 312 2 distribuciónde muestreo xa varianza muestral

12,01

C ix 251 1 2

12,1 C1511.61 312 112 S2 Prob

14 2 0 0445
lista

0.48

2 0.075

Els

talo481 12110.075

Varlsa


i i i i i

ESTADÍSTICOS DE REDEN
i i i i i

Hasta elmomento nos hemos enfocado en estadísticos relacionados con la

localización y dispersión de los datos sin embargo no son los únicos

estadísticos que 7 Los estadísticos de orden tmb proveen info acerca

de los datos y están asociados a la posición ubicación de los datos en

la muestra

muestradesordenada

sindice

Estadísticos de Orden sea Xi Xml una ma con fin de densidad

f Xica Sin pérdida de generalidad podemosordenar los datos de manera

que muedsqnadofaeno.fi min Xn Y 4nFMax _Mn

estadísticodeorden

A dicho orden se le denomina

DISTRIBUCIÓN ESTADÍSTICOS

DE ORDEN

1 CASOXA EL MÁXIMO sea X Xr una ma con fn de densidad

f Xi01 y distribución Eta Definimos a Xin max n La fn

de distro yla densidad es

Fanft p Xin Et P MAX Xi Xn Et P X Et X Et net

P x Et PLXret
_PLXnktfqnftt

GPlxic.tl FKA i Exalt FxHD

HD 7

Derivando Obtenemos tan n Fx 14

2 CASOXA EL MÍNIMO Sea X Xr una m.aconfn.de densidad flx.io

y tn de distribución Fxx Definimos a Xu min n La fin

de distr.de Xu es

Fx CHIPHA t P min Xr Et I PU St xa St Xnst

n

l PLX.SE PLxistl PlXnStl l lPlXiytl GI plx.i.at

Fxaltl l G

FxltlJnFxa
Ltl nll FxltlJn fxltl

Ejemplos

1 sea Xi Xn una m a de UCO01 y sea TCI Tnt donde

Xin max Xi Xr Obtenga la distribución de TCA

t t E It P Xin Et pHimE t P Max Xi in E t



1PM Enett n Ent t REMIE 4 ftp tn t

n

i Filth

ftp.o fFIp E Httan t

In

f Ht n

2 En una sucursalbancariase desea estimar el tiempomínimoque tarda un

ejecutivode cuentaenatender a los clientes con un A de domicilio Se sabe

en un día dado la prob de llegue algún cliente xa realizar un

que que

A dedomicilio es 0.7768 El de clientes que llegan a la sucursal xa

realizar el A de domicilio es Poisson con parámetro Definimos como

Xi tiempo

a IQue modelo de probabilidad es adecuado Xa las Xi

b Calcula 7

c Considere una madetamaño n y sea y min Xa

Xiv Exp Í

N v a el de clientes que llegan a la sucursal W Polar

P WEI 0.7768

P Wal 0.7768

l
PW 0.7768

1 e Y 0.7768 1 e 0.7768 22312

0.1

Xi Xn y min Xi n fy y

Fi191 PLYa y P min Xi n ey 1 PlminEX Xm y 1

L PG Y Xnsy l Pki y

como Xiv Exp 12 3

Pki g I P Xi Ey 1 22 3 d 1 3 312

f 2 e 1

314 312J

t 3zfz zze.is fi
I e

1 Pdi341 312b n é Y

E 1 e Ey g l

yo ExpEn

f y 3 EE't y


3 Sea Xr una ma con fn.de distribución Fx X y suponga que

ElXi µ Se define una nueva ma Yi Yn como sigue

Io iiEn
iii
n

Obtenga la distribución de
i
Iti

Yin Berlp
I P l
Film 4in Ber I Fx µ

p Plxi µ Xitle

i
Yin BinLn I Fx full

SUCESIONES DE VARIABLES

ALEATORIAS

Como hemos visto la mia es la base fundamental xa el procesodeinferencia

Por esta razón resulta de interes conocer el comportamiento de la muestra

si esta fuera muy grande Es decir que pasa si contamos con muchos
datos Para dar respuesta a lo anterior será necesario estudiar el

comportamiento
de sucesiones de v a ya que una ma es una sucesión de v a
sucesión de v a es una frecuencia de variables para las cuales sus

Una

valores no son determinísticos sino que 7 una serie de valores

probables
con ciertas probabilados asignadas

A diferencia de las sucesiones determinísticas para las sucesiones de v a no

será posible determinar de manera absoluta si la serie converge o

diverge

a algún valoren particular En este caso lo que haremos será

considerar probabilidades asociadas a eventos de interés A este tipo de

eventos se les llama convergencias En este curso estudiaremos 3 diferentes

tipos de convergencia

G convergencia en distribución
2 convergencia en probabilidad

Anc n himPLAN

convergencia en media cuadra't

risa

43

convergencia de distribución

idea Xi X2 Xs 11 rex

O s

deI
sea Xi F o bien Xr una sucesión de v a con fin de distribución

Find y sea una v a 7 tiene como fan de distribución a Fx

Si se cumple que Lim

n
Fink
a
Fx x se dice la sucesión

Xp converge en distribución a y se denota por



Observaciones En muchas Ocasiones la convergencia se puede realizar a

valores ates Tambiénconocido como viradas ie

EH
PK C L
f

Xnd rc

c X

Ejemplos

1 Sea Xr unasucesión de v a 7 Fin X l ll Xt con OCX l l

Demuestraque Xnd

szP.dhnqj.hn xl 1 siemprenegativo

nci

Izzi a xi 1 cima xp 1cimentar.mn

xsln
sx n x

him l Li XP 1
µ

losp raro

2 SeaXr una sucesión de v a 7 EnCX l ll E para 0 En

Determine la fr de distribuciónasintótica de En

hnfjfxnlxl Fxlxl snfjfxnlxt tni.gg l ll Int

link El
n no

i Xr d

e Exp 1

EMIYd

3 sea Xr una sucesión de v a 7 fxnlxt.lklFnYll i n

Demuestre que Xndsp.LV

P.d limfalx Y

nos XP

Estill ti El

ISAIAH H tim
n no Él El
timen Li EIN Ein mi t Ft H

iEs
kami ti El miel EH

iEs

hizo ti EY YE é

n nln illnzlu.tn x
F i


Esconvengencia en probabilidad

limpllin xl L E 1 convergencia en prob convergencia en distr

n a
sutesióntiva

perono

Desigualdad deMarkov sea una v a y a unaCte i PUM291E E

PUN ca EI
a

Teoremade Chebyshev sea una v a con E qu y var x 02 xa k O

PUX

ukkotzlktz.PL
X

MlZkOlEktzDet
seaXn unasucesión de v a y sea
converge en probabilidad a
una v a se dice
que Xn
derrotado por XnPsx si se cumple
PLAN Xk E 1

que time
n.sn
lt ESO o bien him PLAN 12 E
nano O A ESO

Ejemplos

1 Sea Xr una sucesión 7 PMn 0 l Ía y PAN n Demuestre que

Kris0

P.dlimpIIXn01LE a
1 4 ESO

no

Por desigualdad de Markov him PLIXNILE.IS Lim EllXd sepuedequitarvalorabs

no va E que Oó n n

him
ma
PUNKE Slim
ma
Et
E

Elin Of ja n

limpllala El Slim
ma ma

n.sn
Elim
pllxnlLE.IS O

KIPLING 1 X nto

2 Sea Xr una sucesión de v a 7 final n I t I n III Demuestre

que µ 51

P.d PLAN 112 E O A ESO

fin
no


IS RUN 112 E E Ezo

Sea Yn Xr l

iii ti ftp EE
t

Ella 113 EllynD 1 11En 11014 E

EzPUN 11 E E Ez

IS RUN 112 E LO

Ez PUM 112 E O t E SO XP
1

P 0

3 sea Xr una sucesión de v a 7 Pruebe si Xn

112N

112N

t.EEPlan 01LE 1 A ESO

P.d
se puedequitarvalor abs

tjzzpllxn OKE.IS III ElliE

Mae in valeentre 0 y 1

KIERAN 0k431g ELENI

Elin Olin t I f In tan Iría tan

t.kzPha Oka Es felina EN

nhjjpllxn OILE.IS O

Izz PUMICE 1 x IO

index

TEOREMA si Xn PSX entonces

TEOREMA Si Xn C entonces Xr c con Cate Único caso

convergencia men media cuadrática

sea kn una sucesión de v a y sea una v a se dice que Xn converge

en media cuadrática a y se denota por Xn si se cumple que

n x121 0


Ejemplos

1 sea Xr una sucesión v a 7 PHIL

K Demuestre que Xin
2 0

µ z
2h
Ella 014 0

tima
Edit

HIS 0

KEIO Unita tratante Hilal

info En O i
XP O

ta Plain

2 sea Xr Una sucesión de v a 7 PUÑO l

Determine Xn2

sOP.dhnjnjtl.lk 014 0

Eltit
hizo f E rink
Eso

MIEL 1 i k 0

Xr

ti it

Tipo de Notación DEFINICIÓN

convergencia

Distribución Xnd

sxffnjfxnlxlatxlxlprobabiu.ua MEMORIZAR

sxfzpqqj
xn e

himPLAN N 24 0
mano

y ESO

cuadrática n 114gEkin XI O

TEOREMA CENTRAL DEL LÍMITE

Por el momento sabemos 021

que si n es una ma de N
µ

entonces T NLM.hn Pero quépasa si la mia no es de Normales

Es posible demostrar la distribución de I

sí es posible mediante el Teo Central del límite

def TEOREMACENTRALDELLÍMITE TCL Sea X Xn una m a

con media µ Eei y varianza 02 Var Xi con 02L 0 Si tengo

un tamaño de muestra suficientemente grande no 30 ent

D O bien 5 ANIMO

X NIµ 04N Yn asintóticamente normal

Tmb se puede definir xa la suma de V a esto es

i d N nu no a o bien

i AN no 2

nu

Ejemplo

1 En
una tienda el tiempo total de servicios a sus clientes es una v a

conmedia1.5minutos y varianza 1 Los tiempos de servicio de el

cliente son indep Calcula la prob aprox de que en un total de 2hr95

100 Clientes sean contenidos

como sé que usaré el TCL

e dainfo demedia y varianza No te dice como se distribuyen los datos Te

Pide calcular una Prob

Xi tiempo de servicio delcliente i ésimo

Xi tiempo total del servicio

F tiempo en promedio del servicio

µ 15

02 1

n 100

PLEIN E 120 por TCL Ei i XINANCISO

1001

PLEINE 120 Ptfe Plz e 3 a 0 k_ 3

2 En las 1eras pruebas del iphone 7 Apple reportó una donación

promedio
de 9 tiras en modo Wireless web El iphone 7 pertenece a

cierta gama de teléfonos xa los cuales la duración prom debe ser de

535 mins y desviaciónestandard de 72 mins con una prob de al

menos 954 De que tamaña fue la muestraque empleó Apple



Xi la duracióndel I ésimo iPhone

Xi la duración total

5 la duración promedio

µ 535

02 72

9.00
172

PM2540 0.95 Por TCL Tu AN535

Isis 540 535

p 721 721pm 0.95

plz27Gt 0.95
S

1.65 MI 1.65

Ir a

5653
El planeconómico federal de EEUU buscaba que los contribuyentes
ahorraran una parte del saldo a favor querecibíandespués de hacer

su declaración ante el fisco suponga que las primerasestimaciones

de 35 economistas 51 el porcentaje de ahorro arrojaroncomo

resultados µ 0.26 y 0 0.12 cual es la prob de que la media

muestral se encuentre a 1 de la media poblacional

Xi estimacióndel i ésimoeconomista

I estimación promedio

M 26

0 0 12

n 35

PUF MIE 0.01

Por el TCL I N AN µ j
PLEITEE 8ir E

plk uleo.at

pfEjjf E0.49

P 12140.49

P f 0.49 E Z E0.49

P ZE0.49 PLz E 0.49

2 TeLO491 l 0.3758


Aproximación de la
BBinnormial a la Normal

Sea X Xn una ma de Ber p y sea Y FÉ Xi

Sabemosque YuBinMP Sin embargo supongamos

que y Bin 500,42
nos piden calcular

P XE 251 cómo lo haríamos

mediante el TCL iI Xin ANLnp n pu p

ELENI EH Ep np

Var Zx TÉvaráis PU p np ll p

más aún F t.FI Xip

Por el TCL P N AN P

ELI Ent Xi FELIX k 447 f n p

p

arlt Envar Xi LE
var Xi ntz
2varlxil.nl Ip Li p

n p i p
Plim

Ej tarea

Deacuerdo a INEGI basados en el

censo del 2010 se sabe
que

la edad mediana de la población meta es de 26 años

Si se encuestan a 100 metas al azar cual es la prob

aprox deque al menos 60 de ellos tengan menos de

26 años

n 100

Xi si tienes menos de 26 años

Xi Ber p 42

E Xi tot de individuos con manos de 26 años

P Ei
i Xi
260

Por ÉI
el TCL Xin AN 50,25

P Ixia 60PRIEST Plz a 2

Recordemos

que uno de los Objetivos de la inferencia estadística es utilizar
la
info de la muestra Xa concluir acerca del comportamiento
gral de

la población Una forma de
lograr lo anterior es mediante métodos de
estimación

Estos métodos tienen como objetivo estimar parámetros

de la población
mediante funciones de los datos Un parámetro es
un resumen informativo numérico de la población Los métodos de

estimación

se dividen es puntuales y por intervalos los métodos
de

estimación puntual generan un único valor mientras que la

estimación

por intervalos genera un conjunto de posibles valores xa

estimación La forma
la de generar estimaciones será mediante
un estadístico función de los datos cuya principal función es

estimar

el valor del parámetro

1
no es elverdaderovalor

es una aprox de

µ

todos los estimes son estadísticos

fin de los datos

Ipso

23
no 7 una diferenciaestadística significativa
Ej

rango

Ei m