INFERENCIA

Estadística
Inferencial
Jackson M’coy
Romero Plasencia
Distribuciones de
Probabilidad
Estadística Inferencial Distribuciones de
Probabilidad en R
Argumentos en R
Distribuciones de
Probabilidad Discretas
Jackson M’coy Romero Plasencia

Distribucíon Binomal
Bin(n, p)
Distribución Poisson P(λ)
Distrbución de
Probabilidad Continua
Universidad Nacional de San Cristóbal de Huamanga Distribución Normal

N(µ, σ)
Distribución Chi Cuadrado
χ2
(n)
Departamento Académico de Matemática y Física Distribución t- Student t(n)

Distribución F- Snedecor
F(m,n)
Ayacucho 2020
Introducción a la
Inferencia
Estadística
Definición: Muestra
Aleatoria
Por ejemplo:
Definión: Estadística o
estimador
Estadística
Inferencial
Jackson M’coy
Romero Plasencia
Distribuciones de
Probabilidad
Distribuciones de
Distribuciones de Probabilidad Probabilidad en R

Argumentos en R
Distribuciones de
Introducción a la Inferencia Estadística Bin(n, p)
Distrbución de
Distribución Normal
N(µ, σ)
χ2
(n)
Distribución t- Student t(n)
F(m,n)
Introducción a la
Inferencia
Estadística
Aleatoria
Por ejemplo:
estimador
Estadística
Inferencial
Jackson M’coy
Romero Plasencia
Distribuciones de
Probabilidad
Distribuciones de
Probabilidad en R
Argumentos en R
Distribuciones de
Distribuciones de Probabilidad Bin(n, p)
Distrbución de
N(µ, σ)
χ2
(n)
F(m,n)
Introducción a la
Inferencia
Estadística
Aleatoria
Por ejemplo:
estimador
Estadística
Distribuciones de Probabilidad en R Inferencial
Jackson M’coy
Romero Plasencia
Distribuciones de
Probabilidad
Distribuciones de
Probabilidad en R
El paquete stats de R (que se instala por defecto al instalar

Argumentos en R
Distribuciones de
R, y se carga en memoria siempre que iniciamos sesión) im- Distribucíon Binomal

Bin(n, p)
plementa numerosas funciones para la realización de cálculos Distribución Poisson P(λ)

Distrbución de
asociados a distintas distribuciones de probabilidad. Probabilidad Continua

N(µ, σ)
Para obtener una lista completa de las distribuciones Distribución Chi Cuadrado
χ2
(n)
disponibles en R puede utilizar el siguiente comando:

help(“Distributions”)
F(m,n)
Introducción a la
Inferencia
Estadística
Aleatoria
Por ejemplo:
estimador
Estadística
Argumentos en R Inferencial
Jackson M’coy
Romero Plasencia
Distribuciones de
Probabilidad
Distribuciones de
Para cada distribución hay cuatro comandos. Los comandos Probabilidad en R

Argumentos en R
para cada distribución están precedidos de una letra para in- Distribuciones de
dicar la funcionalidad: Distribucíon Binomal

Bin(n, p)
I d: devuelve la función de densidad de probabilidad

Distrbución de
I p: devuelve la función de densidad acumulada N(µ, σ)

χ2
(n)
I q: devuelve la función de densidad acumulativa inversa Distribución t- Student t(n)

(cuantiles) F(m,n)
Introducción a la
I r: devuelve los números generados aleatoriamente Inferencia
Estadística
Aleatoria
Por ejemplo:
estimador
Estadística
Distribucíon Binomal Bin(n, p) Inferencial
Jackson M’coy
Romero Plasencia
Distribuciones de
Probabilidad
Es una distribución de probabilidad discreta; su función de Distribuciones de
Probabilidad en R
cuantía o de masa de probabilidad está dada por: Argumentos en R

Distribuciones de
! Distribucíon Binomal
n x Bin(n, p)
fx (x , n, p) = fx (x ) = P(X = x ) = p (1−p)n−x x = 0, n Distribución Poisson P(λ)
p Distrbución de
N(µ, σ)
Donde: Distribución Chi Cuadrado

χ2
(n)
I n: número de ensayos independientes Distribución F- Snedecor

F(m,n)
I p y q: probabilidad de éxitos y fracaso, p+q=1 Introducción a la

Inferencia
Estadística
I x: número de éxitos en n ensayos Definición: Muestra
Aleatoria
Por ejemplo:
estimador
Suponga que hay doce preguntas de opción múltiple en un Estadística
examen de matemáticas. Cada pregunta tiene cinco posi-

Inferencial
Jackson M’coy
bles respuestas, y sólo una de ellas es correcta. Encuentre Romero Plasencia
la probabilidad de tener cuatro o menos respuestas correctas Distribuciones de

.P(X ≤ 4) =? Probabilidad
Distribuciones de
Probabilidad en R
n=12 Argumentos en R
Distribuciones de
p=1/5 Distribucíon Binomal
Bin(n, p)
pbinom(4,size=n,prob=p) Distribución Poisson P(λ)
Distrbución de
## [1] 0.9274445 N(µ, σ)
χ2
(n)
n=12 Distribución F- Snedecor
F(m,n)
p=1/5
Introducción a la
round(dbinom(0:4,size=n,prob=p),3) Inferencia
Estadística
Aleatoria
## [1] 0.069 0.206 0.283 0.236 0.133 Por ejemplo:

estimador
round(sum(dbinom(0:4,size=n,prob=p)),3)
## [1] 0.927
Estadística
Distribución Poisson P(λ) Inferencial
Jackson M’coy
Romero Plasencia
Distribuciones de
Probabilidad
La función de cuantía o masa de probabilidad es: Distribuciones de
Probabilidad en R
Argumentos en R
Distribuciones de
e −λ λx Distribucíon Binomal
fx (x , λ) = P(X = x ) = x = 0, 1, 2, ... Bin(n, p)
x! Distribución Poisson P(λ)

Distrbución de
Donde:
N(µ, σ)
I X: número de éxitos por unidades de tiempo, espacio, χ2

(n)
área, etc. Distribución F- Snedecor

F(m,n)
I λ número promedio de éxitos por unidades de tiempo, Introducción a la

Inferencia
espacio, área, etc. Estadística
Aleatoria
Por ejemplo:
estimador
Estadística
Inferencial
Jackson M’coy
Si hay doce coches cruzando un puente por minuto en prome- Romero Plasencia
dio, encuentre la probabilidad de tener diecisiete o más coches Distribuciones de
cruzando el puente en un minuto en particular.

Probabilidad
Distribuciones de
Probabilidad en R
Argumentos en R
Distribuciones de
P(X ≥ 17) = 1 − P(X < 17) Probabilidad Discretas

= 1 − P(X ≤ 16) Bin(n, p)

= 1 − P(16, 12) Distrbución de

= 0.101291 Distribución Normal

N(µ, σ)
χ2
(n)
l=12 Distribución F- Snedecor
F(m,n)
1-ppois(16,lambda =l)
Introducción a la
Inferencia
Estadística
## [1] 0.101291 Aleatoria
Por ejemplo:
estimador
Estadística
Distribución Normal N(µ, σ) Inferencial
Jackson M’coy
Romero Plasencia
La función de densidad de probabilidad de la distribución Nor- Distribuciones de

mal es: Probabilidad
Distribuciones de
Probabilidad en R
Argumentos en R
1 (x −µ)2 Distribuciones de
fX (x , µ, σ) = √ e − 2σ2
2π σ Bin(n, p)
Donde: Distrbución de
N(µ, σ)
I µ es la media( mediana y moda) Distribución Chi Cuadrado

χ2
(n)
I σ desviación estándar σ > 0

F(m,n)
I El proceso para estandarizar la distribución Normal Introducción a la

Inferencia
consiste en transformar la variable Normal N(µ, σ) Estadística
N(0, 1),es decir: Definición: Muestra

Aleatoria
X −µ Por ejemplo:
Z= Definión: Estadística o
estimador
σ
En una ciudad se estima que la temperatura máxima en el Estadística
mes de junio sigue una distribución normal, con media 23° y

Inferencial
Jackson M’coy
desviación típica 5°. Calcular el número de días del mes en Romero Plasencia
los que se espera alcanzar máximas entre 21° y 27°. Distribuciones de

Probabilidad
21 − 23 X −µ 27 − 23 Distribuciones de
P(21 ≤ X ≤ 27) = P ≤ ≤ Probabilidad en R
−2 5 σ 5 Argumentos en R
4 Distribuciones de
= P
≤Z ≤
5 5
Bin(n, p)

= P − 0.4 ≤ Z ≤ 0.8
Distrbución de
= P(Z ≤ 0.8) − P(Z ≤ −0.4) Distribución Normal

N(µ, σ)
χ2
(n)
pnorm(0.8)-pnorm(-0.4)# Dist. Normal Estándar Distribución F- Snedecor
F(m,n)
Introducción a la
Inferencia
## [1] 0.4435663 Estadística
Aleatoria
Por ejemplo:
pnorm(27,23,5)-pnorm(21,23,5)#Dist. Normal General Definión: Estadística o
estimador
## [1] 0.4435663
Estadística
Inferencial
Jackson M’coy
Romero Plasencia
0.08
Distribuciones de
Probabilidad
µ=23
Distribuciones de
Probabilidad en R
Argumentos en R
0.06
Distribuciones de
Bin(n, p)
0.04
Distrbución de
N(µ, σ)
χ2
(n)
0.02

F(m,n)
Introducción a la
Inferencia
0.00
Estadística
10 15 20 25 30 35 Definición: Muestra
Aleatoria
Por ejemplo:
estimador
Distribución Chi Cuadrado χ2(n) Estadística
Inferencial
Jackson M’coy
Teorema: Sean X1 , X2 , ..., Xn variables aleatorias independi-

Romero Plasencia
entes e identicamente distribuídas segun la distribución nor- Distribuciones de

Probabilidad
mal. Distribuciones de
Probabilidad en R
Argumentos en R
Distribuciones de
n
!2 Probabilidad Discretas
X Xi − µ Distribucíon Binomal
−→ χ2(n)
Bin(n, p)
i=1
σ Distrbución de
cuya función de densidad,

N(µ, σ)
χ2
(n)
e −x /2
X n/2−1
fX (x , n) =
F(m,n)
2n/2 Γ(n/2) Introducción a la

Inferencia
Estadística
E (X ) = n Aleatoria
Por ejemplo:
estimador
Var (X ) = 2n
Estadística
Distribución t- Student t(n) Inferencial
Jackson M’coy
Romero Plasencia
Teorema: Sea Z y V variables aleatorias independientes dis-
tribuídas segun la distribución normal estándar y chi cuadrado Distribuciones de
Probabilidad
en v grados de libertad, respectivamente. Distribuciones de
Probabilidad en R
Argumentos en R
Distribuciones de
Z
t=p −→ t(v ) Distribucíon Binomal
Bin(n, p)
V /v Distribución Poisson P(λ)

Distrbución de
cuya función de densidad,

N(µ, σ)
Γ(v + 1)/2 χ2
(n)
fT (t, v ) = √ (1 + t 2 /v )−(v +1)/2 Distribución t- Student t(n)
v π Γ(v /2) Distribución F- Snedecor

F(m,n)
Introducción a la
Inferencia
Estadística
E (T ) = 0 Definición: Muestra
Aleatoria
Por ejemplo:
v Definión: Estadística o
Var (T ) = estimador
v −2
Estadística
Distribución F- Snedecor F(m,n) Inferencial
Jackson M’coy
Romero Plasencia
Distribuciones de
Probabilidad
Distribuciones de
Teorema: Sea X y Y variables aleatorias independientes dis- Probabilidad en R

Argumentos en R
tribuídas segun la distribución Chi cuadrado con m y n grados Distribuciones de

de libertad, respectivamente. Distribucíon Binomal

Bin(n, p)
Distrbución de
X /m Distribución Normal
−→ F(m,n) N(µ, σ)
Y /n Distribución Chi Cuadrado

χ2
(n)
n F(m,n)
E (F ) = Introducción a la
n−2 Inferencia
Estadística
Aleatoria
Por ejemplo:
estimador
Estadística
Inferencial
Jackson M’coy
Romero Plasencia
Distribuciones de
Probabilidad
Distribuciones de
Probabilidad en R
Argumentos en R
Distribuciones de
Introducción a la Inferencia Estadística Bin(n, p)
Distrbución de
N(µ, σ)
χ2
(n)
F(m,n)
Introducción a la
Inferencia
Estadística
Aleatoria
Por ejemplo:
estimador
Estadística
Definición: Muestra Aleatoria Inferencial
Jackson M’coy
Romero Plasencia
Distribuciones de
Probabilidad
Una muestra aleatoria de tamaño n de una variable aleatorio Distribuciones de
Probabilidad en R
X es un conjunto de n - variables aleatorias X1 , X2 , ..., Xn , Argumentos en R

Distribuciones de
tal que: Probabilidad Discretas
Bin(n, p)
I Todas X1 , X2 , ..., Xn i = 1, n son independientes Distribución Poisson P(λ)

Distrbución de
I X1 , X2 , ..., Xn tienen la misma distribución, es decir: Distribución Normal

N(µ, σ)
χ2
FXi (t) = FX (t) ∀ i = 1, n

(n)
F(m,n)
n Introducción a la
−→ fX1 ,X2 ,...,Xn (x1 , x2 , ..., xn ) = fXi (xi )
Y
Inferencia
Estadística
i=1 Definición: Muestra
Aleatoria
Por ejemplo:
estimador
Estadística
Por ejemplo: Inferencial
Jackson M’coy
Romero Plasencia
Sea X una variable aleatorio con distribución normal, se elije Distribuciones de

Probabilidad
una m.a de tamaño 2. Distribuciones de
Probabilidad en R
Argumentos en R
Distribuciones de
X1 : E (X1 ) = µ Var (X1 ) = σ2 Probabilidad Discretas

Bin(n, p)
X2 : E (X2 ) = µ Var (X2 ) = σ 2 Distrbución de

N(µ, σ)
Sea X una variable aleatorio con distribución binomial Distribución Chi Cuadrado
χ2
(n)
Bin(10, 0.2), se elije una m.a de tamaño 2.

F(m,n)
Introducción a la
X1 : E (X1 ) = 2 Var (X1 ) = 1.6

Inferencia
Estadística
Aleatoria
X2 : E (X2 ) = 2 Var (X2 ) = 1.6

Por ejemplo:
estimador
Estadística
Inferencial
Jackson M’coy
Romero Plasencia
La vida útil( en miles de horas ) de una batería es una variable
aleatoria X con función de densidad: Distribuciones de
Probabilidad
Distribuciones de
Probabilidad en R

2 − 2x 0≤x ≤1
Argumentos en R
Distribuciones de

fX (x ) =
Bin(n, p)
0

 e.o.c Distribución Poisson P(λ)
Distrbución de
En este caso, no hay información acerca de lo parámetros N(µ, σ)
poblacionales( E (X ), Var (X )). Debemos realizar el cálculo de χ2

(n)
dichos parámetros y luego ver las características de la muestra Distribución F- Snedecor

F(m,n)
aleatoria Introducción a la
Inferencia
Vamos a estimar los parámetros a partir de simulaciones con Estadística

el método Monte Carlo.

Aleatoria
Por ejemplo:
estimador
Estadística
Inferencial
Simulación de Monte Carlo para integrales Jackson M’coy
Romero Plasencia
MC.simple.est <- function(g, a, b, n=1e5) { Distribuciones de

Probabilidad
xi <- runif(n,a,b) # step 1 Distribuciones de
Probabilidad en R
g.mean <- mean(g(xi)) # step 2 Argumentos en R

Distribuciones de
(b-a)*g.mean # step 3 Probabilidad Discretas
Bin(n, p)
} Distribución Poisson P(λ)
Distrbución de
Simulación de Monte Carlo Valor Esperado N(µ, σ)

χ2
(n)
mediap<- function(g, a, b, n=1e5) { F(m,n)
xi <- runif(n,a,b) # step 1 Introducción a la

Inferencia
g.mean <- mean(g(xi)*xi)# step 2 Estadística
(b-a)*g.mean # step 3 Aleatoria
Por ejemplo:
} Definión: Estadística o
estimador
Simulación de Monte Carlo Varianza Estadística
Inferencial
varp<-function(g, a, b, n=1e5) { Jackson M’coy

Romero Plasencia
xi <- runif(n,a,b) # step 1
Distribuciones de
g.mean <- mean(g(xi)*xi^2)- Probabilidad
(mean(g(xi)*xi))^2 # step 2 Distribuciones de
Probabilidad en R
Argumentos en R
(b-a)*g.mean} # step 3 Distribuciones de
Bin(n, p)
g <- function(x) 2-2*x Distribución Poisson P(λ)

Distrbución de
MC.simple.est(g, 0, 1) Probabilidad Continua
N(µ, σ)
χ2
(n)
## [1] 0.9981907 Distribución t- Student t(n)
F(m,n)
mediap(g,0,1) Introducción a la
Inferencia
Estadística
## [1] 0.3333036 Aleatoria
Por ejemplo:
varp(g,0,1) estimador
## [1] 0.05581654
Estadística
Definión: Estadística o estimador Inferencial
Jackson M’coy
Romero Plasencia
Se denomina estadística a cualquier función de las variables
aleatorias que constituyen la muestra. Distribuciones de
Probabilidad
Una estadística es una variablea aleatoria Y =

Distribuciones de
Probabilidad en R
Argumentos en R
H(X1 , X2 , ..., Xn ), cuyo valor es un número real Distribuciones de

y = H(x1 , x2 , ..., xn ) Distribucíon Binomal

Bin(n, p)
Algunas estadísticas importantes sus valores calculados a par- Distrbución de

tir de la muestra aleatoria: Distribución Normal

N(µ, σ)
χ2
(n)
F(m,n)
n n
1X 1X
X= Xi (Variable aleatoria) x= xi (valor) Introducción a la
Inferencia
n i=1 n i=1 Estadística
Aleatoria
n n
1 1 Por ejemplo:
S2 = (Xi − X )2 (con valor) s2 = (xi − x )2

X X Definión: Estadística o
estimador
n i=1
n i=1
Estadística
Inferencial
Jackson M’coy
Romero Plasencia
Distribuciones de
Probabilidad
Distribuciones de
Probabilidad en R
Argumentos en R
Distribuciones de
n
1 σ2
Bin(n, p)
X= )
X
Xi −→ N(µ, Distribución Poisson P(λ)
n i=1
n Distrbución de
N(µ, σ)
χ2
(n)
F(m,n)
Introducción a la
Inferencia
Estadística
Aleatoria
Por ejemplo:
estimador
Estadística
Inferencial
Jackson M’coy
Romero Plasencia
Distribuciones de
Probabilidad
Distribuciones de
Probabilidad en R
Argumentos en R
Distribuciones de
P(|X − µ| ≤ 2σ) = 0.9544

Bin(n, p)
P(|X − µ| ≤ σ) = 0.68
Distrbución de
P(|X − µ| ≤ 3σ) = 0.9544

N(µ, σ)
χ2
(n)
F(m,n)
Introducción a la
Inferencia
Estadística
Aleatoria
Por ejemplo:
estimador

INFERENCIA

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

INFERENCIA

Cargado por

Copyright:

Formatos disponibles

Estadística

Jackson M’coy Romero Plasencia

Universidad Nacional de San Cristóbal de Huamanga Distribución Normal

Departamento Académico de Matemática y Física Distribución t- Student t(n)

Distribuciones de Probabilidad Probabilidad en R

El paquete stats de R (que se instala por defecto al instalar

R, y se carga en memoria siempre que iniciamos sesión) im- Distribucíon Binomal

plementa numerosas funciones para la realización de cálculos Distribución Poisson P(λ)

asociados a distintas distribuciones de probabilidad. Probabilidad Continua

disponibles en R puede utilizar el siguiente comando:

Para cada distribución hay cuatro comandos. Los comandos Probabilidad en R

dicar la funcionalidad: Distribucíon Binomal

I d: devuelve la función de densidad de probabilidad

I p: devuelve la función de densidad acumulada N(µ, σ)

I q: devuelve la función de densidad acumulativa inversa Distribución t- Student t(n)

cuantía o de masa de probabilidad está dada por: Argumentos en R

fx (x , n, p) = fx (x ) = P(X = x ) = p (1−p)n−x x = 0, n Distribución Poisson P(λ)

Donde: Distribución Chi Cuadrado

I n: número de ensayos independientes Distribución F- Snedecor

I p y q: probabilidad de éxitos y fracaso, p+q=1 Introducción a la

examen de matemáticas. Cada pregunta tiene cinco posi-

la probabilidad de tener cuatro o menos respuestas correctas Distribuciones de

## [1] 0.069 0.206 0.283 0.236 0.133 Por ejemplo:

fx (x , λ) = P(X = x ) = x = 0, 1, 2, ... Bin(n, p)

x! Distribución Poisson P(λ)

I X: número de éxitos por unidades de tiempo, espacio, χ2

área, etc. Distribución F- Snedecor

I λ número promedio de éxitos por unidades de tiempo, Introducción a la

dio, encuentre la probabilidad de tener diecisiete o más coches Distribuciones de

cruzando el puente en un minuto en particular.

P(X ≥ 17) = 1 − P(X < 17) Probabilidad Discretas

= 1 − P(X ≤ 16) Bin(n, p)

= 1 − P(16, 12) Distrbución de

= 0.101291 Distribución Normal

La función de densidad de probabilidad de la distribución Nor- Distribuciones de

I µ es la media( mediana y moda) Distribución Chi Cuadrado

I σ desviación estándar σ > 0

I El proceso para estandarizar la distribución Normal Introducción a la

N(0, 1),es decir: Definición: Muestra

mes de junio sigue una distribución normal, con media 23° y

los que se espera alcanzar máximas entre 21° y 27°. Distribuciones de

P(21 ≤ X ≤ 27) = P ≤ ≤ Probabilidad en R

= P(Z ≤ 0.8) − P(Z ≤ −0.4) Distribución Normal

Distribución t- Student t(n)

Teorema: Sean X1 , X2 , ..., Xn variables aleatorias independi-

entes e identicamente distribuídas segun la distribución nor- Distribuciones de

cuya función de densidad,

2n/2 Γ(n/2) Introducción a la

V /v Distribución Poisson P(λ)

cuya función de densidad,

fT (t, v ) = √ (1 + t 2 /v )−(v +1)/2 Distribución t- Student t(n)

v π Γ(v /2) Distribución F- Snedecor

Teorema: Sea X y Y variables aleatorias independientes dis- Probabilidad en R

tribuídas segun la distribución Chi cuadrado con m y n grados Distribuciones de

de libertad, respectivamente. Distribucíon Binomal

Y /n Distribución Chi Cuadrado

X es un conjunto de n - variables aleatorias X1 , X2 , ..., Xn , Argumentos en R

I Todas X1 , X2 , ..., Xn i = 1, n son independientes Distribución Poisson P(λ)

I X1 , X2 , ..., Xn tienen la misma distribución, es decir: Distribución Normal

FXi (t) = FX (t) ∀ i = 1, n

Sea X una variable aleatorio con distribución normal, se elije Distribuciones de

X1 : E (X1 ) = µ Var (X1 ) = σ2 Probabilidad Discretas