Probabilidad y Estadística

Mediremos un atributo

X=x

Valor que toma la

Variable aleatoria
variable aleatoria
Unidad de muestreo
 Probabilidad y Estadística

Sea S el conjunto de todos los valores que puede tomar

la variable aleatoria X, que llamaremos Espacio de
Estado

Al espacio de estado S lo dotaremos con una

probabilidad, de tal manera que “refleje” de buena
manera, como modelo, la situación que queremos
estudiar (predecir)

Conforme sea la estructura de S obtendremos

probabilidad discreta o no discreta
 Probabilidad y Estadística

Si S es el conjunto de los números reales, o un

intervalo de números reales, ¿cómo definimos una
probabilidad?
Supongamos que S es el conjunto R de los números
reales, entonces si existe una función f real no
negativa tal que




f ( x) dx  1
 Probabilidad y Estadística

Entonces esta función define una probabilidad

sobre los números reales R, de la manera siguiente

b
Pr a  X  b   f ( x) dx
a

Y este valor se interpreta como la probabilidad de que la

variable aleatoria X se encuentre entre los valores a y b
 Probabilidad y Estadística

•Un capítulo esencial en la teoría de la probabilidad

es “mostrar buenas” funciones reales no negativas
que satisfagan que la integral sobre toda la recta real
sea 1.
•Pero lo esencial es que este tipo de funciones, que
se llaman funciones de densidad, efectivamente
generen probabilidades que sean frecuentes en la
naturaleza y en los procesos humanos.
 Probabilidad y Estadística
La función de densidad “normal”

media


( x 
1 
f ( x)  e  

2 

varianza
 Probabilidad y Estadística
La densidad normal
( x   
1 
f ( x)  e  

2 

a X b

b
Pr a  X  b   f ( x) dx
a
Propiedades de la densidad “normal”

 ( x   
1 
E X   e 
dx  
2  


V  X   E  X  E ( X )  2
2

 Papel de la desviación estándar en la densidad normal

( x   
1 
f ( x)  e  

2 

 

  

Puntos de inflexión (la curva cambia de concavidad)

Muchos fenómenos siguen este tipo de curva

Una tabla de frecuencia

Inferencia Estadística Probabilidad y Estadística

Medimos un mismo atributo sobre n

unidades de muestreo

X 1  x1 , X 2  x2 ,, X n  xn

Y el gráfico de frecuencia fue así ...

Unidad de muestreo
Inferencia Estadística Probabilidad y Estadística

Población


Con estos simples gráficos parece claro que el
atributo X de la población, en base a la muestra que
 se tomo, se distribuye según una ley de densidad
normal

¿qué parámetros tiene la población?

Inferencia Estadística Probabilidad y Estadística

Población

 Se “estiman” estos parámetros mediante máxima

verosimilitud

 
2
 1 n
S 
2

n  1 i 1
xi  x

1 n
x   xi
n i 1
Inferencia Estadística Probabilidad y Estadística
Con los valores de x y S
2

trataremos de inferir los verdaderos valores de  y 

Intervalo de confianza para 

Se sabe que si cada variable X 1 , X 2 ,, X n

sigue una densidad normal con y  entonces

( X  ) n
t n 1 
S
sigue una ley de densidad llamada t - student con n - 1 grados
de libertad (tiene casi la misma forma que la normal)
Inferencia Estadística Probabilidad y Estadística

( X  ) n
T
S

t ( n 1)

1 

 t T t
2 2
Inferencia Estadística Probabilidad y Estadística

t ( n 1)

1 

 t T t
2 2

 ( X  ) n 
Pr  t   t   1  
 2 S 2

S S
Pr( X  t    X  t )  1
 n  n

Intervalo para la media con una confianza de 1-

Inferencia Estadística Probabilidad y Estadística

Intervalo de confianza para 

Se sabe que si cada variable X 1 , X 2 ,, X n

sigue una densidad normal con y  entonces

(n  1) S 2
J
 2

sigue una ley de densidad llamada Ji-cuadrado con n - 1

grados de libertad (está concentrada en el eje positivo)
Inferencia Estadística Probabilidad y Estadística
 2 ( n1)

1 
0
0 aJ 10 15
5 b 20 25 30

 (n  1) S 2 
Pr a   b  1  
  2


(n  1) S 2
(n  1) S 2

Pr(  
2
)  1 
b a

Intervalo para la varianza con confianza de 1- 

Inferencia Estadística Probabilidad y Estadística

Diferencia de medias

X se distribuye según N (1 ,  2 )

Y se distribuye según N ( 2 ,  ) 2

Ambas variables miden el mismo atributo, pero

en distintas poblaciones
Inferencia Estadística Probabilidad y Estadística

X se distribuye según N (1 ,  2 )

X 1  x1 , X 2  x2 , , X n  xn
n n

 Xi  i
( X  X ) 2

X i 1
S X2  i 1
n n 1

Y se distribuye según N ( 2 ,  ) 2

Y1  y1 , Y2  y2 ,, Ym  ym
m m

Y i  i
(Y  Y ) 2

Y i 1 SY2  i 1

m m 1
Inferencia Estadística Probabilidad y Estadística

Un estimador de la varianza basada en las dos muestras es

(n  1) S X2  (m  1) SY2
S 
2
C
nm2
Por otro lado, se demuestra que

X  Y se distribuye como N (1   2 ,  2 (1 / n  1 / m))

( X  Y )  (1   2 )
T
SC 1 / n  1 / m

Sigue una distribución t-student con n+m-2 grados de libertad

Inferencia Estadística Probabilidad y Estadística

Por lo tanto un intervalo de confianza (1- ) para la diferencia de

medias está dado por

( X  Y )  t( n  m  2) SC2 (1 / n  1 / m)

Percentil (1-100 de la distribución t-student con n+m-2 grados de

libertad
Inferencia Estadística Probabilidad y Estadística

Cociente de varianzas

X se distribuye según N (1 , 12 )

Y se distribuye según N ( 2 ,  ) 2
2

Ambas variables miden el mismo atributo, pero

en distintas poblaciones
Inferencia Estadística Probabilidad y Estadística

X se distribuye según N (1 , 12 )

X 1  x1 , X 2  x2 , , X n  xn
n n

 Xi  i
( X  X ) 2

X i 1
S X2  i 1
n n 1

Y se distribuye según N ( 2 ,  ) 2
2

Y1  y1 , Y2  y2 ,, Ym  ym
m m

Y i  i
(Y  Y ) 2

Y i 1 SY2  i 1

m m 1
Inferencia Estadística Probabilidad y Estadística

X se distribuye según N (1 , 12 )

X 1  x1 , X 2  x2 , , X n  xn
(n  1) S X2
J1  se distribuye según una Ji - cuadrado con n - 1 g.l.
1 2

Y se distribuye según N ( 2 ,  22 )

Y1  y1 , Y2  y2 , , Ym  ym

(m  1) SY2
J2  se distribuye según una Ji - cuadrado con m - 1 g.l.
22
 Inferencia Estadística Probabilidad y Estadística

(n  1) S X2
J1  se distribuye según una Ji - cuadrado con n - 1 g.l.
1 2

(m  1) SY2
J2  se distribuye según una Ji - cuadrado con m - 1 g.l.
22

Ambas son independientes. Entonces

J1 /(n  1)
F
J 2 /(m  1)

Sigue una distribución F de Fisher con (n - 1) grados de libertad en el

numerador y (m - 1) grados de libertad en el denominador.
Inferencia Estadística Probabilidad y Estadística

F( n 1,m 1)

1 
0
0 5 10 15 20 25 30
F( n 1,m 1, / 2 ) F( n 1,m 1,1 / 2 )

 S X 2
2 2

Pr  F( n 1,m 1, / 2 )  2 2  F( n 1,m 1,1 / 2 )   1  
 SY 1 
Inferencia Estadística Probabilidad y Estadística

F( n 1,m 1)

1 
0
0 5 10 15 20 25 30
F( n 1,m 1, / 2 ) F( n 1,m 1,1 / 2 )

 S X2 / SY2 S 2
/ S 2 
 , X Y 
F F 
 ( n 1,m 1,1 / 2 ) ( n 1,m 1, / 2 ) 
12
Intervalo de confianza para la razón  22