Apuntes para primer parcial Estadística

TECNICAS DE CONTEO
Principio fundamental de conteo: Un evento se realiza de m1 maneras diferentes, un segundo
evento de realiza de m2 maneras diferentes, un tercer evento se realiza de m3 maneras
diferentes,etc
M1 * M2 * M3 …
1. PERMUTACIÓN
Es el ordenamiento de un conjunto de “m” objetos tomados todos a la vez
Si se toman “r” objetos, siendo r menor o igual a m se denomina permutación de m objetos y se
escribe Pm,r

Pm,r= (𝑚−𝑟)!
𝑚!

Ejemplo: 6 objetos y los tomo de a 3 (M=6 R=3)

3.2.1 6! 6!
P6,3= 6.5.4.3.2.1 = 3! = (6−3)!
𝑚!
Permutación con repetición: 𝑚1!𝑚2!𝑚3!…

Ejemplo: a1, a2, a3, b, c

120 5! 5!
= 3! = 3!1!1! porque la A se repite tres veces y las demás 1
6

𝑚
𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑑𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟𝑖𝑎𝑙 𝑑𝑒 𝑙𝑜𝑠 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑟𝑒𝑝𝑒𝑡𝑖𝑑𝑜𝑠 ⋅ 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑑𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟𝑖𝑎𝑙 𝑑𝑒 𝑙𝑜𝑠 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 sin 𝑟𝑒𝑝𝑒𝑡𝑖𝑟

2. COMBINACIÓN
Es una selección de “m” objetos tomados de a “r” sin importar el orden
𝑚!
𝐶(𝑚, 𝑟) =
𝑟! ⋅ (𝑚 − 𝑟)!
Es igual a la fórmula de coeficientes del binomio
8 8 ⋅ 7 ⋅ 6 5! 8!
( )= ⋅ =
3 1 ⋅ 2 ⋅ 3 5! 3! 5!

3. PRUEBAS ORDENADAS

Son aquellas pruebas que se toman elementos del mismo lugar ordenadamente

Esta puede ser

• Con sustitución: Se devuelve el elemento

m*m*m*m= 𝑚𝑟
𝑚!
• Sin sustitución: No se devuelve el elemento 𝑃𝑛, 𝑟 = (𝑚−𝑟)! ES IGUAL A LA PERMUTACIÓN
 PROBABILIDADES
• Es la probabilidad que suceda un evento (no significa que va a suceder)
• Se calcula la cantidad de casos favorables sobre los casos totales
• Las probabilidades se pueden sumar, la suma en total de todas las posibilidades tiene que ser uno
• La probabilidad no puede ser negativa ni mayor a uno

EVENTOS: Es un suceso que tiene probabilidad de ocurrencia y pertenece al espacio muestral (todos los
eventos posibles)

INDEPENDIENTES: Son aquellos que no

tienen relación entre si

EVENTOS EXCLUYENTES: La ocurrencia

de uno impide al otro
DEPENDIENTES
NO EXCLUYENTES: La
ocurrencia de uno depende
del otro

PROBABILIDAD CONJUNTA: Cuando los eventos suceden al mismo tiempo

LA PROBABILIDAD QUE SUCEDAN A Y B EN FORMA CONJUNTA= P (A n B)

Se calculan multiplicando la probabilidad de uno por la probabilidad del otro

➢ Independientes= P(ANB) = P(A) * P(B)

➢ Excluyentes= P (ANB) = 0
➢ No excluyentes
o Si A depende de B= P (ANB) = P(B) * P (A sabiendo que pasó B)
o Si B depende de A= P (ANB) = P(A) * P (B sabiendo que pasó A)
o

PROBABILIDAD DE LA UNIÓN: La probabilidad que suceda un evento o suceda el otro

Se calcula sumando la probabilidad de uno más la probabilidad del otro

 Excluyentes: P (AUB)= P(A) + P(B)

 Independientes HAY QUE INCLUIR LA INTERSECCIÓN (UNION CONJUNTA)
 AL MENOS PERTENEZCA A "A"
O PERTENEZA A "B"

P (AUB)= P(A) + P(B) - P (ANB)

A B

UNION NO CONJUNTA: Pertenezca a “A” o a “B” = P (AUB)= P(A) + P(B) - 2 P(ANB)

CALCULAR A PARTIR DE COMPLEMENTOS

P(AUB)= 1- P (A´ n B´) P (A´N B´) = 1- P(AUB)}

P(ANB)= 1-P (A´ n B´)

P (A´UB) = 1-P (A n B´)

P(AUB´) = 1-P (A´n B)

PROBABILIDAD CONDICIONAL
Es aquella que representa a un suceso que depende de varios sucesos

Ejemplo: Sentarse en la silla si la persona entró ´por la puerta o por la ventana

• Probabilidad de entrar por la puerta= P(P)

• Probabilidad de entrar por la ventana = P(V)
• Probabilidad de entrar por la puerta y sentarse en la silla= P (SnP)= P(P) * P (S/P)
• Probabilidad de entrar por la ventana y sentarse en la silla= P (SnP)= P(V) * P (S/V)
• Probabilidad de sentarse en la silla= P(S) = P(SnP) + P (SnV)

PROBABILIDAD CONDICIONAL: Es aquella que representa la probabilidad de un evento luego de

sucedido otro

Esta no define la independencia ni la dependencia de los eventos

𝑃 (𝐴𝑛𝐵)
P (A/ B) = 𝑃(𝐵)

A=evento condicionado (evento que deseamos averiguar)

B= evento condicionante (el evento que ya sabemos que ocurrió)

❖ Condicionado y condicionante son independientes

𝑃 (𝐴𝑛𝐵) 𝑃(𝐴)⋅𝑃(𝐵)
P(A/B) = = = 𝑃(𝐴)
𝑃(𝐵) 𝑃(𝐵)

(la probabilidad de b se cancela al ser independientes)

❖ Condicionado y condicionante son dependientes

Condicionado (A) depende del condicionante (B)

𝑃 (𝐴𝑛𝐵) 𝑃(𝐵)⋅𝑃(𝐴⁄𝐵 )
= = 𝑃(𝐴⁄𝐵)
𝑃(𝐵) 𝑃(𝐵)
Al depender A de B para su intersección debe primero pasar B, esto indica que el evento que buscamos
depende del que ya conocemos

Condicionante (B) depende del condicionado (A)

𝑃 (𝐴𝑛𝐵) 𝑃(𝐴)⋅𝑃(𝐵 ⁄𝐴)
𝑃(𝐴⁄𝐵) = =
𝑃(𝐵) 𝑃(𝐵)

Al depender B de A para su intersección primero debe ocurrir A (conozco el final, quiero averiguar el
principio) ESTA FORMULA ES EL TEOREMA DE BAYES

DEPENDENCIA E INDEPENDENCIA
Para determinar si existe dependencia o independencia entre los eventos se deben considerar la
reposición de los elementos extraídos en cada ensayo

1. Con reposición: Eventos independientes

2. Sin reposición: Eventos dependientes

Tabla de contingencia o tabla de doble entrada

EVENTOS A B TOTAL
C P (AnC) P( BnC) P(C)
D P (AnD) P (BnD) P (D)
TOTAL P (A) P (B) 1
La suma de las probabilidades de intersección tiene que ser uno

Eventos independientes

Eventos A B TOTAL P(A)=0,3 P(ANC)= 0,3*0,8

C 0,24 0,56 0,8 P(B)=0,7 P(AND)=0,3*0,2
D 0,06 0,14 0,2 P(C)=0,8 P(BNC)= 0,7*0,8
P(D)=0,2 P(BND)=0,7*0,2
TOTAL 0,3 0,7 1

Eventos dependientes

Eventos A B TOTAL P(A)=0,3

C 0,15 0,65 0,8 P(B)=0,7
D 0,15 0,05 0,2 P(C)=0,8
P(D)=0,2
TOTAL 0,3 0,7 1
 VARIABLES ALEATORIAS
❖ Una variable aleatoria es el comportamiento que nosotros analizamos y tiene una función que le
asigna una probabilidad
❖ Hay dos tipos
o VARIABLES CUALITATIVAS= Son aquellas que hacen referencia a una cualidad por
ejemplo el sexo de una persona, si viaja en colectivo, si trabaja, etc.
o VARIABLES CUANTITATIVAS= Son aquellas que hacen referencia a una cantidad por
ejemplo las notas de un alumno, el tiempo que tarda una persona en realizar tareas, etc.

VARIABLES CUANTITATIVAS

• Recorrido: Son todos los valores que la variable puede tomar

• Función de probabilidad
• Función de distribución: Es la probabilidad acumulada desde el valor más chico hasta el valor donde
la analizamos
• Ley de cierre: La suma de las probabilidades de cada valor de su recorrido es uno

El recorrido las define en:

1. VARIABLES DISCRETAS: Poseen recorrido puntual o infinito numerable ej.: notas

2. VARIABLES CONTINUAS: Poseen recorrido infinito no numerable ej.: altura, distancia

VARIABLES DISCRETAS
• Función de probabilidad: P(X)
• Función de distribución: ∑𝑚𝑎𝑥
𝑥=0 𝑃(𝑋)

• Cumple ley de cierre: ∑𝑚𝑎𝑥

𝑥=0 𝑃(𝑋) = 1

• Esperanza matemática: Es el valor PROMEDIO de la variable aleatoria y se representa con E(X)

𝐸(𝑋) = ∑𝑀𝐴𝑋
𝑋=𝑀𝐼𝑁 𝑋 ⋅ 𝑃(𝑋)
𝑀𝐴𝑋

𝐸(𝑋 2 ) = ∑ 𝑋 𝑛 ⋅ 𝑃(𝑋)
𝑋=𝑀𝐼𝑁

[𝐸(𝑥)]2

La esperanza puede ser negativa pero no puede estar por fuera del recorrido (menor a su mínimo ni mayor
a su mayor)

PROPIEDAD DE LA ESPERANZA

 La esperanza de una constante es la misma variable 𝐸(𝑎) = 𝑎 → 𝐸(6) = 6

 Una constante por una variable queda como 𝐸(𝑎𝑥) = 𝑎 ⋅ 𝐸(𝑥) → 𝐸(6𝑥) = 6. 𝐸(𝑥)

 Una suma o una resta de una variable con una constante queda como 𝐸(𝑎𝑥 +
− 𝑏) = 𝑎 ⋅

𝐸(𝑥) +
− 𝑏 → 𝐸(6𝑥 + 3) = 6. 𝐸(𝑥) + 3

Dada dos variables aleatorias "x” e “y” independientes donde:

 • E(X)=0,7
• E(Y)=1,6
• E(X)+E(Y)= E(W) =2,3

X
VALORES 0 1 TOTAL
QUE TOMAN
XEY
Y 1 0.12 (0X+1Y) W=1 0.28 (1x+1y) W=2 0.4 probabilidad
de que y=1
Y 2 0.18 (0X+2Y) W=2 0.42 (1X+2Y) W=3 0.6 probabilidad
de que y=2
TOTAL 0.3 probabilidad de que x=0 0.7 probabilidad de que x=1 1
W=X+Y P(W) F(W)
1 0.12 0.12
2 0.46 0.58
3 0.42 1
HACES LO MISMO CON LA RESTA SOLO QUE EN VEZ DE SUMAR X E Y EN LA TABLA LO RESTAS Y
CALCULAS DE LA MISMA FORMA

𝐸(𝑋 + +
− 𝑌) = 𝐸(𝑋) − 𝐸 (𝑌)

La multiplicación es solo con eventos independientes 𝐸(𝑋 ⋅ 𝑌) = 𝐸(𝑋) ⋅ 𝐸 (𝑌)

VARIANZA
• Desvío estándar: Promedio de lo distanciada que esta nuestra variable con respecto al promedio
𝑀𝐴𝑋
𝑋 − 𝐸(𝑋)
∑ =
𝐶𝑇
𝑥=𝑀𝐼𝑁

• Varianza= [𝑋 − 𝐸(𝑋)]2

LA VARIANZA NUNCA PUEDE SER NEGATIVA

Formula de trabajo de la varianza (ESTA ES LA QUE HAY QUE USAR)

𝑉(𝑋) = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2

PROPIEDADES DE LA VARIANZA

❖ Covarianza= Valor esperado de cada desvío de una variable con cada desvío de la otra (puede
tomar números negativos) 𝐶𝑂𝑉(𝑋, 𝑌) = 𝐸(𝑋 ⋅ 𝑌) − 𝐸(𝑋) ⋅ 𝐸(𝑌)

Si la covarianza es igual a cero esto significa que las variables son independientes

Si la covarianza es distinta a cero esto significa que las variables son dependientes

❖ La varianza de una constante es igual a cero 𝑉(𝐴) = 0

❖ La varianza de una constante por una variable es 𝑉(𝑎𝑋) = 𝑎 2 ⋅ 𝑉(𝑋)
❖ La varianza de la suma o la resta entre una variable y una constante es 𝑉(𝑎𝑋 −+ 𝑏) = 𝑎 2 ⋅ 𝑉(𝑋)
❖ 𝑉(𝑋 + +
− 𝑌) = 𝑉(𝑋) + 𝑉(𝑌)− 2𝐶𝑂𝑉(𝑋, 𝑌)
 ❖ 𝑉(𝑋 ⋅ 𝑌) ≠ 𝑉(𝑋) ⋅ 𝑉(𝑌)

EN DEPENDIENTES NI EN INDEPENDIENTES

VARIABLES CONTINUAS
 Toma un recorrido de valores infinitos no numerables
 Función de densidad (f (x)) = La usamos para calcular la probabilidad de cualquier valor en un
punto
 Función de distribución F(x)= Suma de las probabilidades

F(x)= ∫ 𝐹 (𝑥) 𝑑𝑥
𝑚𝑎𝑥
F (máx.) = ∫𝑚𝑖𝑛 𝑓(𝑥)𝑑𝑥 = 1

 Esperanza matemática
𝑀𝐴𝑋
𝐸 (𝑥) = ∫𝑀𝐼𝑁 𝑋 ⋅ 𝑓(𝑥)𝑑𝑥

Las propiedades de la esperanza se cumplen de la misma manera

 Varianza
𝑀𝐴𝑋
2
𝑉(𝑋) = {(𝑋 − 𝐸(𝑋)) } = ∫ [𝑋 − 𝐸(𝑋)]2 ⋅ 𝑓(𝑥)𝑑𝑥
𝑀𝐼𝑁

 La fórmula de trabajo de la varianza y sus propiedades se cumplen también en las variables

continuas solo se diferencian que se obtienen de manera distinta
 La covarianza también se cumple en VAC

DATOS IMPORTANTES

1. 𝑃(1.4 ≤ 𝑋 < 6)

= 𝑃(𝑋 ≤ 5) − 𝑃(𝑋 ≤ 1)

= F (5) - F (1)
𝑃(2≤𝑋<5 𝑛 𝑋>1,2)
2. 𝑃(2 ≤ 𝑋 < 5 ⁄ 𝑋 > 1,2) = 𝑃(𝑋>1,2)

3. Si me da un ejercicio con las X y la esperanza, pero no sus probabilidades tengo quehacer

X P(X)
1 a
2 b
E(X)=0,3

0,3= 1*a + 2*b a+2b=0,3 HACES SISTEMA DE ECUACIONES

a+b=1
DISTRIBUCIONES ESPECIALES DISCRETAS
Distribuci muestra parámetros Dependiente o N recorrido
ón independiente (población)
Bernoulli 1 “P” que es la - - (0;1)
(1 solo probabilidad de 0= no sale lo
ensayo) éxito y “Q” que es que busco
la probabilidad de 1= sale lo que
fracaso busco
Binomial >1 n;p independiente ∞ De (0; n)
”
ensayos
de
Bernoul
Hiperge >1 N;n;K dependiente N Max (0; n-(N-
ométrica N= Tamaño de K)) a min (N;
población K)
K=Éxito de la
población
. n= Tamaño de la
muestra
Poisson ∞ 𝜆 independiente ∞ De (0;∞
ES EL PROMEDIO
EN UN INTERVALO
Geométr Representa la “p” - Números
ica cantidad de naturales
ensayos
Bernoulli
necesarios para
lograr el primer
éxito
Distri Función de Función de distribución esperanza varianza
probabilidad
Bern P(x)= 𝑃 𝑥 ⋅ 𝑄1−𝑥 E(X)=P V(X)=P. Q
oulli Q=1-P
Bino E(X)= n.p V(X)= n.p.q
mial 𝑛 𝑛
𝑃(𝑋) = ( ) 𝑃 𝑥 ⋅ 𝑄 𝑛−𝑥 𝑛
𝑥 𝐹(𝑋) = ∑ ( ) 𝑃 𝑥 ⋅ 𝑄 𝑛−𝑥
𝑥
𝑋=0
Hipe 𝐸(𝑋) = 𝑛 ⋅
𝐾
𝑣(𝑥) = 𝑛 ⋅
𝐾 𝑁−𝐾
⋅
rgeo 𝐾 𝑁−𝐾
(𝑋 ) ⋅ ( 𝑛 − 𝑥 ) 𝑛 𝐾 𝑁−𝐾
(𝑋 ) ⋅ ( 𝑛 − 𝑋 ) 𝑁 𝑁 𝑁
métri 𝑃(𝑋) = 𝐹(𝑋) = ∑
𝑁 𝑁 𝑁−𝑛
ca (𝑛 ) 𝑋=0 (𝑛 ) ⋅
𝑁−1

∞
Pois 𝑒 −𝜆 ⋅ 𝜆𝑥 𝑒 −𝜆 ⋅ 𝜆𝑥 𝜆 𝜆
𝑃(𝑋) = 𝑃(𝑋) = ∑
sson 𝑥! 𝑥!
𝑥=0

geo 𝑃(𝑋) = 𝑄 𝑥−1 ⋅ 𝑃 𝑛−1

𝐸(𝑋) =
1
𝑉(𝑋) =
𝑄
métri 𝑃(𝑋) = ∑ 𝑄 𝑥−1 ⋅𝑃 𝑃 𝑃2
ca 𝑋=1
DISTRIBUCIONES ESPECIALES CONTINUAS
1. Distribución Uniforme: todos los valores que toma tienen la misma probabilidad de ocurrencia
1
FUNCIÓN DE DENSIDAD FUNCIÓN DE DISTRIBUCIÓN (me da lo de la izquierda)𝑓(𝑋) = 𝑏−𝑎
𝑥−𝑎
𝐹(𝑋) = 𝑏−𝑎

𝑎+𝑏
Esperanza: 𝐸(𝑋) = 2

𝑏2 +𝑎𝑏+𝑎 2 𝑏 𝑥2
𝐸(𝑋 2 ) = 𝐸(𝑋 2 ) = ∫𝑎 𝑑𝑥
3 𝑏−𝑎

(𝑏−𝑎)2 𝑏2+𝑎𝑏+𝑎 2 (𝑎+𝑏)2

Varianza: 𝑉(𝑋) = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2 = −
12 3 4

2. Distribución exponencial. Sirve para explicar fenómenos cuya probabilidad disminuye

rápidamente

Función de densidad: 𝑓(𝑋) = 𝑎𝑒 −𝑎𝑥

Función de distribución: 𝐹(𝑋) = 1 − 𝑒 −𝑎𝑥

1
Esperanza: 𝐸(𝑋) =
𝑎
1
Varianza: 𝑉(𝑋) = 𝑎2

“a” es el parámetro que representa la frecuencia en donde se presenta el fenómeno

Recorrido= (0; ∞ +)
 3. FUNCIÓN NORMAL SIMETRICA
1 𝑥−𝜇 2
1
Función de densidad: 𝑓(𝑥) = ⋅ 𝑒 −2(𝜎
)
2𝜋𝜎

1 𝑥−𝜇 2
𝑎 1
Función de distribución: 𝐹(𝑥) = ∫−∞ ⋅ 𝑒 −2(𝜎
)
𝑑𝑥
2𝜋𝜎

𝜇 Representa la media que se encuentra en la mitad de la distribución

𝜎 representa el desvío que se encuentran donde la curva tiene su punto de inflexión
𝜎 2 representa la varianza
Ambos lados tienen el 0,5 de porcentaje

PARA CALCULAR LA PROBABILIDAD DE UN VALOR DEBEMOS ESTANDARIZAR CON LA “Z”

HACIENDO

𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 − 𝐸(𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒)
𝑍= 𝑑𝑒𝑠𝑣𝑖𝑜 (𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒)

DESPUES REEMPLAZO EL VALOR DE LA Z EN LA APP

𝑋−𝜇
𝑍=
𝜎
𝑎
1 1 2
𝐹(𝑧) = ∫ ⋅ 𝑒 −2𝑍 𝑑𝑥
−∞ 2𝜋𝜎

IMPORTANTE

P(X<a)=0,85
𝑎−𝜇
P (Z< 𝜎 ) = PONGO EL 0,85 EN EL LADO ROSA Y AHI CALCULO DESPEJANDO

PORCENTAJES:
EL MINIMO ES PARA LA DERECHA
EL MAXIMO ES PARA LA IZQUIERDA