Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Clase1 17 04 15
Clase1 17 04 15
Escuela de Posgrado
MAESTRÍA EN ESTADISTICA
ESTADÍSTICA INFERENCIAL
Mg. Ysabel Adriazola Cruz
Variables aleatorias
Es una descripción numérica del resultado de un
experimento aleatorio
1. p ( x) 0
n
2. p( x) 1
i 1
p(x)
x
Media o valor esperado de una variable aleatoria discreta es
una medida de localización central. Es un promedio
ponderado de los valores que puede tener una variable en
donde los factores de ponderación son las probabilidades y se
expresa de acuerdo a:
n
E ( x) xi p ( x)
i 1
Varianza de una variable aleatoria discreta es
una medida de dispersión o variabilidad y
corresponde a promedio ponderado de las
desviaciones de una variable aleatoria respecto a
su promedio, elevadas al cuadrado
n 2
Var ( x) xi p ( x ) 2
i 1
Var ( x) E X E X
2 2
Donde :
E X 2 x 2 p( x)
Ejemplo.
Dada la siguiente tabla de distribución de
probabilidades de la variable aleatoria X: Número
de peces capturados.
x p(x)
2 0.20
4 0.30
7 0.40
8 0.10
E ( x) x f ( x)dx
Varianza de una variable aleatoria discreta es una
medida de dispersión o variabilidad.
2
Var ( x) xi f ( x) dx 2
Var ( x) E X E X
2 2
Donde :
E X 2 x 2 f ( x )dx
Distribución de Bernoulli
Distribución binomial
Distribución de Poisson
DISTRIBUCIÓN DE
BERNOULLI
Dato histórico
p x ( 1 p)n x ; x 0,1; 0 p 1
P( X x)
0 ;c.c
i. 0 p( x) 1
1
ii. p( x ) 1
i 0
i
ESPERANZA: E ( X ) p
VARIANZA: V ( X ) p(1 p )
Una distribución de Bernoulli puede ser usada para
modelar por ejemplo si :
n x n x
p ( 1 p) ; x 0,1,..,n; 0 p 1
P( X x) x
0 ;c.c
P X x x : Número de éxitos , 0 x n
PROPIEDADES
i. 0 p( x) 1
n
ii. p( x ) 1
i 1
i
Notación: X B n, p
n : número de ensayos; n 0
B n, p
p : probabilidad de éxito;0 p 1
ESPERANZA: E ( X ) np
VARIANZA: V ( X ) np (1 p )
Representación Gráfica: Distribución de
Probabilidad binomial
EJEMPLO
La probabilidad de que una semilla germine es 0.8. Así, la variable aleatoria, X,
representa el número de semillas que germinan en un conjunto de nueve semillas,
entonces , suponer que la suposición de independencia es válida.
i. Obtener : , 2 , y
ii. Graficar un histograma de probabilidad de X.
iii. Si 100 conjuntos de nueve semillas fueron plantadas, calcular X , S2, y S
i. 7.2 ii.
1.44
2
1.2
iii.
X 7.32 S 1.188 S 2 1.412
x p(x)
Distribución teórica 0 0.00
1 0.00
2 0.00
3 0.00
4 0.02
5 0.07
6 0.18
7 0.30
8 0.30
9 0.13
Total 1.00
x h(x)
Distribución empírica 0 0.00
1 0.00
2 0.00
3 0.00
4 0.02
5 0.06
6 0.12
7 0.35
8 0.28
9 0.17
Total 1.00
DISTRIBUCIÓN DE
POISSON
Dato histórico
e x
, si x 0,1,...; 0
P( X x) x !
0 , c.c.
e = 2.71828
PROPIEDADES
i. 0 p ( x) 1
ii. p( x ) 1
i 1
i
Representación Gráfica: Distribución
de Poisson =5
Notación: X P , 0
ESPERANZA: E( X )
VARIANZA: V (X )
EJEMPLO
En un laboratorio de física se cuenta con un contador de Geiger
el cual registra el número de partículas alfa emitidas por el
carbono-14 en 0.5 segundos. Se obtuvieron las siguientes 50
observaciones.
8
Muestra n=50 82
2.8
X 7.94 8
S 2 7.731 8
x p(x)
0 0
Distribución teórica 1
2
0
0.01
3 0.03
3 0.03
4 0.06
5 0.09
6 0.12
7 0.14
8 0.14
9 0.12
10 0.1
11 0.07
12 0.05
13 0.03
14 0.02
Total 1
x h(x)
0 0
Distribución empírica 1 0
2 0
3 0
3 0.02
4 0.1
5 0.08
6 0.18
7 0.12
8 0.06
9 0.12
10 0.1
11 0.1
12 0.08
13 0.02
14 0.02
Total 1
H0: El número de partículas tiene una distribución de Poisson con =8
H1: El número de partículas no tiene una distribución de Poisson con =8
P-valor = 0.995>0.05
No se rechaza H0.
Por lo tanto, el número de partículas tiene una distribución de Poisson con =8.
En resumen: