MÉTODOS ESTADÍSTICOS APLICADOS

Tamaño: px
Comenzar la demostración a partir de la página:

Download "MÉTODOS ESTADÍSTICOS APLICADOS"

Transcripción

1 Pedro Sánchez Algarra (autor y coordinador) Xavier Baraza Sánchez Ferran Reverter Comas Esteban Vegas Lozano Departament d Estadística

2 TEXTOS DOCENTS 3 MÉTODOS ESTADÍSTICOS APLICADOS Pedro Sánchez Algarra (autor y coordinador) Xavier Baraza Sánchez Ferran Reverter Comas Esteban Vegas Lozano Departament d Estadística Publicacions i Edicions U UNIVERSITAT DE BARCELONA B

3 Indice ÍNDICE INTRODUCCIÓN...5 PRÓLOGO...7. VARIABLE ALEATORIA Concepto de variable aleatoria Función de distribución de probabilidad de una variable aleatoria Variables aleatorias discretas Propiedades de la función de densidad de probabilidad (o de cuantía) en el caso discreto Variables aleatorias absolutamente continuas Definición y propiedades Comparación del caso discreto con el absolutamente continuo Distribución conjunta de dos variables aleatorias Distribución bivariantes discretas Funciones de densidad marginales en el caso discreto Distribuciones bivariantes absolutamente continuas Independencia estocástica de variables aleatorias Independencia de dos variables aleatorias en el caso discreto Independencia de dos variables aleatorias en el caso absolutamente continuo Función de distribución condicional de X en el caso discreto Función de distribución condicional de Y en el caso discreto Función de densidad condicional de X en el caso discreto Función de densidad condicional de Y en el caso discreto Función de densidad condicional de X en el caso absolutamente continuo Función de densidad condicional de Y en el caso absolutamente continuo Esperanza matemática Sentido probabilístico de la esperanza matemática Esperanza matemática de una variable aleatoria discreta Esperanza matemática de una variable aleatoria absolutamente continua Significado de la esperanza...35 Métodos estadísticos aplicados 7

4 .3.5. Propiedades de la esperanza matemática Esperanza matemática condicional Varianza de una variable aleatoria Varianza de una variable aleatoria discreta Varianza de una variable aleatoria absolutamente continua Propiedades de la varianza Teorema de Tchebychev Momentos de una variable aleatoria X respecto del origen Caso discreto Caso absolutamente continuo Momentos centrales de una variable aleatoria X Caso discreto Caso absolutamente continuo Momento de dos variables aleatorias respecto del origen Caso discreto Caso absolutamente continuo Momento centrales de dos variables aleatorias Caso discreto Caso absolutamente continuo Covarianza de dos variables aleatorias X e Y Propiedades Coeficiente de correlación lineal de Pearson Desigualdad de Schwarz Propiedades del coeficiente de correlación de Pearson DISTRIBUCIONES DISCRETAS Introducción Distribución de Bernouilli Función de cuantía Función de distribución Cálculo de la esperanza Cálculo de la varianza Distribución binominal Función de cuantía Función de distribución Propiedad fundamental Cálculo de la esperanza y la varianza Distribución de Poisson Cálculo de la esperanza Cálculo de la varianza Propiedades de la distribución de Poisson

5 .5.4. Aproximación de la distribución binominal por la distribución de Poisson Distribución hipergeométrica Cálculo de la función de cuantía Cálculo de la esperanza Cálculo de la la varianza Distribución geométrica o de Pascal Cálculo de la función de cuantía Cálculo de la esperanza Cálculo de la la varianza Distribución binominal negativa Aplicaciones informáticas...79 Indice 3. DISTRIBUCIONES ABSOLUTAMENTE CONTINUAS Distribución uniforme Función de distribución Esperanza matemática Varianza Distribución normal Definición. Función de densidad Propiedades Función de distribución Distribución normal reducida o estandarizada Áreas bajo la curva normal Tablas de la normal reducida La distribución normal como límite de la distribución binomial Distribuciones Gamma, Exponencial y Ji-Cuadrado Función Gamma de Euler Distribución Gamma Distribución exponencial Distribución ji-cuadrado de Pearson ( X ) Esperanza y varianza de la distribución Gamma Esperanza y varianza de la distribución Exponencial Esperanza y varianza de la distribución ji-cuadrado Distribución t de Student Distribución F de Fisher-Snedecor Ejemplo con ordenador DISTRIBUCIONES DE LOS ESTADÍSTICOS EN EL MUESTREO Introducción Muestreo aleatorio simple Estadístico...5 Métodos estadísticos aplicados 9

6 4.4. Estadístico suma muestral Estadístico media muestral Distribución muestral del estadístico suma muestral a partir de una población normal Distribución muestral del estadístico media muestral a partir de una población normal El tamaño de la muestra Distribución muestral del estadístico suma muestral a partir de una población no normal Distribución muestral del estadístico media muestral a partir de una población no normal Distribución muestral de una proporción Distribución muestral de la diferencia de dos proporciones Distribución muestral del estadístico varianza muestral en una población normal Teorema de Fisher en una población normal Teorema de Fisher en dos poblaciones normales independientes Distribución del estadístico cociente de varianzas muestrales corregidas en dos poblaciones normales independientes con igualdad de varianzas ESTIMACIÓN PUNTUAL DE PARÁMETROS Y MÉTODOS DE ESTIMACIÓN Introducción Estimador Error cuadrático medio del estimador Propiedades deseables de los estimadores Estimadores centrados o insesgados Cota de Cramér-Rao Estimador de mínima varianza Estimador eficiente Estimador consistente Estimador suficiente Revisión detallada de los conceptos de verosimilitud e información Métodos de estimación puntual Método de la máxima verosimilitud Método de los momentos CONTRASTE DE HIPÓTESIS Introducción Regiones críticas Región crítica óptima o prepotente Lema de Neyman-Pearson Test de Razón de Verosimilitud Propiedades

7 7. ESTIMACIÓN POR INTERVALOS DE CONFIANZA Introducción Intervalo de confianza Métodos de construcción de intervalos de confianza Método pivotal Método general de Neyman Intervalos de confianza para una muestra en una población normal Intervalos de confianza para la media de una población normal, con desviación típica σ conocida Intervalo de confianza para la media de una población normal con desviación típica σ desconocida y muestra de tamaño pequeño Intervalo de confianza para la media de una población no normal y muestras de tamaño grande Determinación del tamaño muestral Intervalo de confianza para la varianza de una población normal con μ desconocida Intervalo de confianza para la varianza de una población normal con μ conocida Región de confianza simultánea para (μ, σ ) en una población normal Intervalo de confianza de una proporción Determinació del tamaño muestral para estimar la rpoporción p de una población Intervalos de confianza para dos muestras en dos poblaciones normales Intervalo de confianza para la diferencia de medias de dos poblaciones normales independientes, con varianzas conocidas Intervalo de confianza para la diferencia de medias de dos poblaciones independientes no necesariamente normales, con varianzas σ y σ desconocidas y muestras de tamaño grande Intervalo de confianza para la diferencia de medias de dos poblaciones normales independientes con varianzas iguales y desconocidas Intervalo de confianza para la diferencia de medias de dos poblaciones normales independientes con varianzas distintas y desconocidas y muestras de tamaño pequeño Intervalo de confianza para la diferencia de medias en poblaciones normales: Datos apareados Intervalo de confianza del coeciente de varianzas en poblaciones normales independientes CONTRASTES DE HIPÓTESIS EN EL SUPUESTO DE NORMALIDAD Introducción Metodología...55 Indice Métodos estadísticos aplicados

8 8.3. El p-valor de un contraste Contrastes para la media de una población normal Test de dos colas con varianza conocida Test de una cola con varianza conocida Test de dos colas con varianza desconocida Contrastes para la varianza de una población normal Contrastes de una proporción Test F de comparación de varianzas en dos poblaciones normales independientes Contrastes de dos distribuciones normales independientes Contraste de medias con varianzas conocidas Contraste de la diferencia de medias en poblaciones normales independientes con varianzas desconocidas, pero supuestamente iguales: Muestras independientes Contraste de la diferencia de medias en poblaciones normales independientes con varianzas desconocidas y distintas: Muestras independientes Contraste de igualdad de medias para datos apareados Comparación de proporciones en muestras apareadas. Variables-respuesta dicotómicas (o dicotomizadas). Test de McNemar Contraste de la diferencia de proporciones Ejemplo con ordenador REGRESIÓN LINEAL SIMPLE Introducción Modelo de regresión lineal simple Estimadores mínimo-cuadráticos de los coeficientes de la regresión Resúmen Otras expresiones de la suma de cuadrados del erros Propiedades de los estimadores β 0 y β Estimación de σ Fórmula fundamental de descomposición de la variabilida en la regresión lineal y su relación con el coeficiente de correlación de Pearson Distribución de los estimadores β 0 y β de los coeficientes de regresión en el muestreo Distribución del estadístico SSE/σ en el muestreo Inferencias estadísticas acerca de los parámetros de la regresión Inferencias relacionadas con β Inferencias relacionadas con β Inferencias relacionadas con β + β 0 X en X = x Intervalo de predicción de una respuesta futura en X = x Ejemplo con ordenador...39 TABLAS...37

9 Métodos estadísticos aplicados Prólogo PRÓLOGO Es un hecho incuestionable que los métodos estadísticos constituyen una herramienta imprescindible para aquellos profesionales e investigadores que han de manejar datos y obtener conclusiones de tales informaciones. Por este motivo, la Estadística está pisando con fuerza en ámbitos del conocimiento sumamente diversificados (Ingeniería, Ciencias Experimentales, Medicina, Psicología, Económicas, Sociología, etc.), y para todos ellos se ofrecen conceptos de desarrollo teórico de fácil aplicabilidad. Con esta obra se facilita al lector un material completo y consistente teoría, ejercicios y problemas- que contribuya al afianzamiento de sus conocimientos de Estadística, y le aporte un motivo de reflexión sobre los diversos conceptos utilizados y sus aplicaciones. El amplio corpus de conocimiento estadístico ha obligado a un disciplinado esfuerzo de contención para evitar una extensión desmesurada de la obra, dado el desplegamiento de contenidos que ofrece esta disciplina en la actualidad. El contenido de la obra se estructura en nueve capítulos. En los tres primeros se tratan las variables aleatorias y las diferentes distribuciones discretas y absolutamente continuas, y, son básicos para comprender el cuarto, relativo a la distribución de los estadísticos en el muestreo. En los capítulos cinco y seis se trata el tema de la estimación puntual de parámetros, los diferentes métodos de estimación y la teoría sobre el contraste de hipótesis. Los capítulos siete y ocho se refieren a la estimación por intervalos de confianza y al contraste de hipótesis paramétrico. Finalmente, el capítulo nueve se dedica a la regresión lineal simple. Diversos capítulos del texto están ilustrados con una aplicación práctica, utilizando el paquete estadístico Statgraphics Plus, versión 5.. Entendemos que esta vertiente relativa a aplicaciones resulta de suma utilidad para quienes pretendan adquirir una sólida formación estadística, y les ofrece un apoyo indudable desde este segundo flanco, sin duda relevante. Esta obra, fruto de la experiencia docente en diversas titulaciones en las cuales la Estadística tiene un papel relevante, se ha concebido con la idea de que pueda contribuir a los estudiantes de estas titulaciones a adquirir los conocimientos básicos de la disciplina, y teniendo especialmente en cuenta la realidad coyuntural que nos envuelve, en un momento de discusión e implantación de nuevos planes de estudio, que suponen una reducción del tiempo dedicado a la materia, pero no de los contenidos. 7

10 . Variable aleatoria. VARIABLE ALEATORIA. Concepto de variable aleatoria Sea un espacio de probabilidades ( Ω, a,p) a son las partes de Ω ( a = ( Ω )) Ω en la recta real., donde a es una álgebra de sucesos. Si el álgebra, una variable aleatoria X es toda aplicación del espacio muestral X : siendo X ( ω ) el valor de la variable aleatoria. Ω ω X ( ω) Obsérvese que X aplica a cada suceso elemental en un punto de la recta real y que con un mismo Ω se pueden definir infinitas variables aleatorias distintas.. Función de distribución de probabilidad de una variable aleatoria [ ] F( x) = P X x x Obsérvese que esta función solamente existe para variables aleatorias porque si X es una variable aleatoria, el conjunto [ X x] { ω X( ω) x} = Ω Ω es un suceso. La función de distribución cumple las siguientes propiedades: ) 0 F( x) x La demostración es trivial, pues por definición, ( ) F x es una probabilidad y la misma está comprendida entre 0 y. Métodos estadísticos aplicados 9

11 ) lim F( x) = 0 ; lim F( x) = x x En efecto, se puede demostrar: ( ) [ ] { ω ω } lim F( x) = lim P X x = lim P Ω X( ) x = x x x { ω ω } { ω ω } = P lim x Ω X( ) x = P Ω X( ) = P = 0 ( ) [ ] { ω ω } lim F( x) = lim P X x = lim P Ω X( ) x = x x x 3) F( x ) es no decreciente. Esto significa que { ω ω } { ω ω } = P lim Ω X( ) x = P Ω X( ) x = P Ω = ( ) ( ) si x < x F x F x x, x = = En efecto: y teniendo en cuenta que resulta 4) Pa [ < X b] = Fb ( ) Fa ( ) { ω ( ω) } { ω ( ω) } x < x Ω X x Ω X x P[ X x ] P[ X x ] si A B entonces P( A) P( B) o lo que es lo mismo F ( x) F( x) En efecto: [ X b] = [ X a] + [ a< X b] Aplicando a los dos miembros de la igualdad la probabilidad, se tiene: Por ser los sucesos [ X a] y [ a X b] [ ] = {[ ] + [ < ]} P X b P X a a X b < mutuamente excluyentes P[ X b] = P[ X a] + P[ a< X b] 0

12 Despejando Pa [ < X b] resulta: Pa [ < X b] = PX [ b] PX [ a] y teniendo presente la definición de función de distribución queda: Pa [ < X b] = Fb ( ) Fa ( ). Variable aleatoria que es lo que se quería comprobar. 5) F( x ) es continua a la derecha, es decir, Se ha de demostrar que lim F( x) = F( a) a x a x> a En efecto: lim F( x) F( a) = 0 a x a x> a lim F( x) F( a) = lim F( x) lim F( a) x a x a x a x> a x> a x> a [ ] lim Fx ( ) Fa ( ) = lim Fx ( ) Fa ( ) x a x a x> a x> a Teniendo presente la propiedad (4) resulta: [ ] lim F( x) F( a) = lim P a< X x x a x a x> a x> a lim F( x) F( a) = P lim[ a< X x] x a x a x> a x > a lim F( x) F( a) = P a< X a x a x> a [ ] { ω ω } lim F( x) F( a) = P Ω a< X( ) a x a x> a ( ] lim F( x) F( a) = P a, a x a x> a ( ) lim F( x) F( a) = P = 0 x a x > a que es lo que se quería comprobar. Interesa estudiar dos casos concretos, que son el caso discreto y el caso absolutamente continuo. Métodos estadísticos aplicados

13 .3 Variables aleatorias discretas Se dice que una variable aleatoria X sigue una distribución discreta, si el conjunto de valores que toma con probabilidad no nula, es finito o infinito numerable. Esto quiere decir que existe una sucesión de números reales x, x,, x n,, tal que: [ i] [ x ] P X = x = p 0 P X = 0 i i i =,,, n, En el caso discreto más que la función de distribución se utiliza la función de densidad de probabilidad que en este caso se define así: ( ) = [ = ] = 0 f x P X x p i i i f( x) = 0 si x x i i=,,, n, Son ejemplos de variables discretas, el numero de accidentes por año en una planta química, el número de piezas defectuosas producidas por una máquina, etc..3. Propiedades de la función de densidad de probabilidad (o de cuantía) en el caso discreto ) 0 f( x) x La demostración es trivial, por ser la función de densidad en el caso discreto una probabilidad. n( o ) ) f ( x ) i= i = 3) F( x) P[ X x] f ( x ) = = xi x i F(x) es la función de distribución de la variable aleatoria X o probabilidad acumulada. Ejemplo. Supóngase que en una bolsa hay tres monedas de un, dos monedas de 50 céntimos de y una moneda de 0 céntimos de. Además, que todas las monedas son del mismo tamaño y que no se pueden diferenciar con el tacto. Si se escogen dos monedas, primero una y después otra, sin devolver la primera a la bolsa, y consideramos la variable aleatoria X correspondiente a la ganancia del juego, determinar: a) La función de densidad de probabilidad. b) La función de distribución. c) P(X = ) d) P(X <,5) e) P(0,60 < X <,5)

14 Solución: a) Podemos esquematizar el resultado del juego mediante la siguiente tabla Primera moneda Segunda moneda Ganancia Probabilidad 3/6 /5=/5 50cens,5 3/6 /5= /5 0cens, 3/6 /5=/0 50cens,5 /6 3/5=/5 50cens 50cens /6 /5=/5 50cens 0cens 60cens /6 /5=/5 0cens, /6 3/5=/0 0cens 50cens 60cens /6 /5=/5. Variable aleatoria Se trata de una variable discreta con función de densidad X f(x)=p(x=x) /5,5 /5, /0 /5 0,60 /5 b) Para hallar la función de distribución de X tengamos en cuenta su definición F( x) = P( X x). Entonces 0 /5 3 /5 F( x) = 6 /5 /5 x < 0,60 0,60 x < x <,, x <,5,5 x < x c) Observando la función de cuantia del apartado a) tenemos que P( X = ) = /5 d) Observando la función de distribución en el apartado b) tenemos que P( X <,5) = P( X,) = 6 /5 Métodos estadísticos aplicados 3

15 e) Teniendo en cuenta que se trata de una variable aleatoria discreta, la probabilidad pedida viene dada por P( 0,6 < X <,5) = P( X = ) + P( X =,) = 4 /5.4 Variables aleatorias absolutamente continuas Cuando X es una variable aleatoria absolutamente continua, toma una infinidad (no numerable) de valores, por lo que no resulta apropiado hallar la probabilidad de cada valor de la variable, es de esperar que cada uno de ellos tenga probabilidad nula. Por tanto, se admitirá que para cualquier número real a se verifica PX ( = a) = 0, y sólo son susceptibles de tener probabilidad no nula los intervalos. Son ejemplos de variables aleatorias absolutamente continuas, la conversión de una reacción química, el espesor de una lámina, el tiempo de vida de un instrumento, etc..4. Definición y propiedades Se dice que una variable aleatoria X es absolutamente continua si existe una función f(x) denominada función de densidad tal que su función de distribución F(x) se puede escribir así: x F( x) = f( t) dt x La función f(x) verifica las siguientes propiedades: ) f( x) 0 ) f ( xdx ) = En efecto, ya que, x f ( x) dx = lim f ( t) dt = lim F( x) = x 3) F '( x) = f( x), cuando f(x) sea continua en x. b 4) Px ( < a b) = f( xdx ) En efecto, a x Pa ( < X b) = Fb ( ) Fa ( ) = f( xdx ) f( xdx ) b a 4

16 pero siendo a< b, y entonces resulta: b a b f ( xdx ) = f( xdx ) + f( xdx ) a. Variable aleatoria a b a b P( a< X b) = f( x) dx+ f( x) dx f( x) dx= f( x) dx a a La propiedad () expresa que la curva representativa de la función de densidad f(x) se encuentra por encima del eje de abscisas. La propiedad () expresa que el área total bajo la curva de la función de densidad vale la unidad. Ejemplo. Sea X una variable absolutamente continua de función de densidad de probabilidad: f X k + x si x ( x) = 0 si x ( 0,3) ( ) (0,3) Se pide: a) Hallar la constante k y la función de distribución de probabilidad. b) Probabilidad de que X esté comprendido entre y. c) Probabilidad de que X sea menor que. d) Sabiendo que X es mayor que, probabilidad de que sea menor que. Solución: a) Se verifica: 0 3 f ( xdx ) = f ( x) dx+ f( x) dx+ f( x) dx= 0 3 Al ser f( x ) = 0 si x (0,3), las integrales primera y tercera son nulas y entonces queda: 3 f ( xdx= ) ; k ( + x ) dx = ; k = k = 3 x k x+ = Métodos estadísticos aplicados 5

17 La función de distribución asociada a la función de densidad de probabilidad es: 0 si x 0 x 3 x F( x) = f( t) dt = x+ si0 < x< 3 3 si x 3 b) 3 x 8 5 P( < X < ) = ( + x ) dx= x+ = + = c) PX ( < ) = PX ( ) = F() = + = 3 9 d) Es una probabilidad condicionada: ([ > ] [ < ]) < < P( X ) P( X ) P X X P( X ) 5/8 5 P( [ X < ][ X > ] ) = = = = > 8/ Comparación del caso discreto con el absolutamente continuo En el caso discreto, f ( x) = P( X = x). En el caso absolutamente continuo, f ( x) P( X = x). Es decir, en el discreto, la función de densidad representa una probabilidad y, por tanto, no puede valer más de. En el absolutamente continuo, la función de densidad de probabilidad no representa una probabilidad y, por tanto, puede valer más de. No obstante, en el caso absolutamente continuo, f ( xdx ) se interpreta como la probabilidad infinitesimal de que la variable aleatoria X alcance valores dentro del intervalo ( x, x+ dx) (véase la figura.). f(x) f(x) x x+ dx Figura. X En el discreto, la probabilidad de que X tome un valor cualquiera a es: PX ( = a) 0 En el absolutamente continuo, la probabilidad de que X tome un valor cualquiera a es nula; es decir: a PX ( = a) = Pa ( < X< a) = f( xdx ) = 0 a 6

18 En el caso discreto, nos valemos de puntos para introducir la probabilidad, mientras que en el absolutamente continuo, nos valemos de intervalos, debido a ser nula la probabilidad en cada punto. En el discreto, cualquier probabilidad es la suma de probabilidades asociadas a puntos. En el absolutamente continuo, cualquier probabilidad es una integral definida, asociada a un intervalo, verificándose: b Pa ( < X b) = Pa ( < X< b) = Pa ( X< b) = Pa ( X b) = Fb ( ) Fa ( ) = f( xdx ) a. Variable aleatoria.5 Distribución conjunta de dos variables aleatorias Sea ( Ω, a,p) un espacio de probabilidades y, X e Y dos variables aleatorias definidas sobre él. Cada una de ellas es una aplicación de Ω en ; por tanto, el par aleatorio (X, Y) permite definir una aplicación de Ω en el producto cartesiano como sigue: Ω ω Y (x,y) ( XY), : Ω ( ) ω X ( ω), Y( ω) = ( x, y) X Se define una función de dos variables, que es la función de distribución conjunta del par aleatorio (X, Y), de la siguiente manera: { ω [ ω ] [ ω ]} F( xy, ) = P Ω X( ) x Y( ) y o en forma resumida: {[ ] [ ]} F( xy, )= P X x Y y La función de distribución F( xy, ) tiene las siguientes propiedades: ) 0 F( x, y) ) lim F( x, y) = 0 y lim F( x, y) = x o y x e y Métodos estadísticos aplicados 7

19 3) lim F( xy, ) = F ( x ) siendo F ( x ) la función de distribución marginal de la variable aleatoria X. x fija y lim F( xy, ) = F( y ) siendo F ( ) y la función de distribución marginal de la variable aleatoria Y. y fija x 4) P{ [ a< X b] [ c< Y d] } = Fbd (, ) Fad (, ) Fbc (,) + Fac (,) Y d (a,d) (b,d) c (a,c) (b,c) a b X Existen dos casos diferenciados: el caso discreto y el caso absolutamente continuo..5. Distribuciones bivariantes discretas Supóngase que X e Y son ambas discretas, o sea: X : x, x,, x, Y : y, y,, y, n m Entonces el par aleatorio (X, Y) tomará los valores ( i, j) x y. La función de densidad conjunta en el caso discreto, se define así: ( i, j) = ([ = i] = j ) = ij = ( i, j) f x y P X x Y y p P x y La función de densidad conjunta verifica las siguientes propiedades: ) 0 f( x, y ) ij i j ) p = i j 3) F( xy, ) = f( xi, y j) siendo F( xy, ) la función de distribución conjunta del par xi x y y aleatorio (X, Y). j 8

20 .5. Funciones de densidad marginales en el caso discreto Conociendo la distribución conjunta del par (X, Y) es posible determinar las distribuciones de X e Y por separado, denominadas distribuciones marginales. La función de densidad marginal de la variable aleatoria X viene dada por: ( i )= [ = i] = f x P X x p ij j. Variable aleatoria En efecto, ( i ) [ ] [ ] X = xi = X = x Y = y j j Los sucesos de la forma [ = ] = X xi Y y j son mutuamente excluyentes, por tanto: [ ] [ ] ( ) P X = xi = P X = xi Y = yj = p ij j Análogamente, la función de densidad marginal de la variable aleatoria Y viene dada por: f ( y ) = = j P Y yj = pi j Ejemplo.3 Supónganse las variables aleatorias discretas X e Y con función de probabilidad conjunta dada por la siguiente tabla: i j Y X y =4 y =5 x =3 0,7 0,0 x =0 0,3 0,30 x 3 = 0,5 0,05 Se pide: a) Hallar las funciones de densidad marginales. b) Hallar los valores de la función de distribución conjunta F ( x, y ), F ( x, y ) y (, ) F x y. 3 c) Determinar f (0 '5,5) y F(0 '5, 5). d) Función de distribución marginal de : ( ) e) Función de distribución marginal de : ( ) X F x. Y F y. Solución: a) La función de densidad marginal de X se obtendrá sumando, para cada valor de X, los valores de la función de densidad conjunta, resultando: ( ) [ ] f x = f (3) = P X = 3 = f (3, 4) + f (3, 5) = 0,7 + 0,0 = 0,7 ( ) [ ] f x = f (0) = P X = 0 = f (0, 4) + f (0, 5) = 0,3 + 0,30 = 0,43 ( ) [ ] f x = f () = P X = = f (, 4) + f (, 5) = 0,5 + 0,05 = 0,30 3 Métodos estadísticos aplicados 9

21 Se verifica que: f ( x ) + f ( x ) + f ( x ) = 0,7 + 0,43 + 0,30 = 3 La función de densidad marginal de Y se obtendrá sumando, para cada valor de Y, los valores de la función de densidad conjunta, resultando: Se verifica que: b) ( ) [ ] f y = f (4) = P Y = 4 = f (3,4) + f (0,4) + f (,4) = 0,7 + 0,3 + 0,5 = 0,55 ( ) [ ] f y = f (5) = P Y = 5 = f (3, 5) + f (0, 5) + f (, 5) = 0,0 + 0,30 + 0,05 = 0,45 f ( y ) + f ( y ) = 0,55+ 0,45= ( ) ([ ] [ ]) F x, y = F(0,4) = P X 0 Y 4 = f(3,4) + f(0,4) = 0,7+ 0,3= 0,30 (, ) (0,5) ([ 0] [ 5] ) F x y = F = P X Y = = f(3, 4) + f(3, 5) + f(0, 4) + f(0, 5) = 0,7 + 0,0 + 0,3 + 0,30 = 0,70 ( 3, ) (,5) ([ ] [ 5] ) F x y = F = P X Y = = f(3, 4) + f(3, 5) + f(0, 4) + f(0, 5) + f(, 4) + f(, 5) = c) ([ ] [ ]) ( [ ]) ( ) ([ ] [ ]) f(0'5, 5) = P X = 0 '5 Y = 5 = P Y = 5 = P = 0 F(0'5, 5) = P X 0'5 Y 5 = f(3, 4) + f(3,5) + f(0, 4) + f(0,5) = 0,7 d) Función de distribución marginal X : F( x) F x F P[ X ] f f ( ) = (0) = 0 = (3) + (0) = 0,7 + 0,0 + 0,3 + 0,30 = 0,7 e) Función de distribución marginal Y : F( y) F y F P[ Y ] f f ( ) = (5) = 5 = (4) + (5) = 0,7 + 0,3 + 0, 5 + 0,0 + 0,30 + 0,05 =.5.3 Distribuciones bivariantes absolutamente continuas Se dice que el par aleatorio (X, Y) tiene una distribución conjunta bivariante absolutamente continua si existe una función (, ) f xy, llamada función de densidad bivariante, tal que: Se verifica: ) f( x, y) 0 x y = F( xy, ) fuvdudv (, ) f ) ( ) x, y dx dy = 30

22 3) F( x, y) = f ( xy, ) si f es continua en (x, y). x y bd < < < < = ac 4) ([ ] [ ]) (, ) P a X b c Y d f x y dxdy 5) f ( xy, ) no es exactamente una probabilidad, pero f ( xydxdy, ) se interpreta como la probabilidad infinitesimal sobre el rectángulo de vértices (x, y), (x+dx, y), (x, y+dy) y (x+dx, y+dy). Es decir: ([ ] [ ]) f ( x, y) dx dy = P x < X < x + dx y < Y < y + dy. Variable aleatoria.5.4. Funciones de densidad marginales en el caso absolutamente continuo En el caso absolutamente continuo las funciones de densidad marginales son: f ( x) = f( x, y) dy f ( y) = f( x, y) dx.6 Independencia estocástica de variables aleatorias Dos variables aleatorias, X e Y, son estocásticamente independiente si, y sólo si, la función de distribución conjunta es el producto de las funciones de distribución marginales. Esto se cumple en general, o sea, tanto en el caso discreto como en el caso absolutamente continuo. X, Y variables aleatorias independientes F( x, y) = F ( x) F ( y) En efecto: ([ ] [ ]) ([ ]) ([ ]) F( x, y) = P X x Y y = P X x P Y y = F( x) F ( y).6. Independencia de dos variables aleatorias en el caso discreto Dos variables aleatorias, X e Y, son estocásticamente independientes si, y sólo si, la función de densidad conjunta es el producto de las funciones de densidad marginales. f ( xi, yj) = f( xi) f( yj) para todo par de números reales ( xi, y j). En efecto, ( i, j) = ([ = i] = j ) = ([ = i] ) ( = j ) = ( i) ( j) f x y P X x Y y P X x P Y y f x f y.6. Independencia de dos variables aleatorias en el caso absolutamente continuo Dos variables aleatorias, X e Y, son estocásticamente independientes si, y sólo si, la función de densidad conjunta es el producto de las funciones de densidad marginales. (, ) = ( ) ( ) f xy f x f y Métodos estadísticos aplicados 3

23 En efecto, por la propiedad (3) de la sección.5.3. F( x, y) f( x, y) = = x y [ F( x) F ( y) ] x y = = y x y x = f ( y) f ( x) = f ( x) f ( y) [ F( x) F ( y) ] [ F ( y) ] [ F( x) ].7 Función de distribución condicional de X en el caso discreto La función de distribución condicional de X en el caso discreto se define así: = F y >. con ( j ) 0 ( i j) G x y ( i, j) ( yj ) F x y = F Es aquella que asigna a cada número real x i la probabilidad de que X sea menor o igual que x i, bajo la condición de que Y sea menor o igual que y j, es decir, ([ ] ) (, ) ( y j ) P X x Y y F x y G( xi yj) = P( [ X xi] Y yj ) = = P( Y yj ) F.8 Función de distribución condicional de Y en el caso discreto i j i j con ( ) Viene dada por la expresión siguiente: F x >. i 0 ( j xi) H y ( i, j) F x y = F ( xi ) En efecto: ([ ] ) P( [ X xi ]) ( j [ i] ) P( [ X xi ]) P Y y X x H( yj xi) = P( Y yj [ X xi] ) = (, ) P X x Y y F x y = = F i j i j ( xi ) =.9 Función de densidad condicional de X en el caso discreto Viene dada por la siguiente expresión: f y >. con ( j ) 0 ( i j) ( i j) g x y = g x Y = y = f ( xi, yj) f ( y j ) 3

24 En efecto, ([ = ] = ) (, ) f ( y j ) P X x Y y f x y g( xi yj) = P( [ X = xi] Y = yj ) = = P( Y = yj ).0 Función de densidad condicional de Y en el caso discreto Viene dada por la siguiente expresión: con ( ) f x >. i 0 ( j i) ( j i) h y x = h y X = x = i j i j f ( xi, yj) f ( xi ). Variable aleatoria En efecto, ( [ ]) ([ i] ) ([ ] ) ([ i] ) (, ) P Y = y X = x P X = x Y = y f x y h( yj xi) = P( Y = yj [ X = xi] ) = = = P X = x P X = x f j i i j i j. Función de densidad condicional de X en el caso absolutamente continuo Es una función de x, que viene dada por la siguiente expresión: con f( y 0) > 0. ( 0 ) g x y = f ( xy, 0 ) ( y ) f 0. Función de densidad condicional de Y en el caso absolutamente continuo Es una función de y que viene dada por la siguiente expresión: con f( x 0) > 0. ( 0 ) h y x = ( 0, ) ( x ) f x y Observación: La fórmula general de la función de densidad conjunta en el caso discreto es: a) f ( xi, yj) = f( xi) h( yj xi) = g( xi yj) f( yj) f 0 ( x ) i En el caso particular de que las variables aleatorias X e Y son estocásticamente independientes, se sabe que se cumple: b) f ( xi, yj) = f( xi) f( yj) Comparando a) y b) resulta: Si las variables aleatorias X e Y son estocásticamente independientes se verifica que cualquiera que sea y j y cualquiera que sea x i. ( i j) = ( i) g x y f x ( j i) = ( j) h y x f y Métodos estadísticos aplicados 33

25 O sea, si las variables aleatorias X e Y son estocásticamente independientes se verifica que cada distribución condicional de X, para cada uno de los valores posibles de Y, es igual que la distribución marginal de X y que cada distribución condicional de Y, para cada uno de los valores posibles de X, es igual que la distribución marginal de Y..3 Esperanza matemática.3. Sentido probabilístico de la esperanza matemática Supóngase que se han realizado N pruebas, en las cuales la variables aleatoria X ha tomado f veces el valor x, f veces el valor x,..., f n el valor x n ; además, f+ f + + fn = N. En este caso, la suma de todos los valores tomados por X, es igual a x f + x f + + x f. n n Se halla la media aritmética X de todos los valores tomados por la variable aleatoria, para lo cual se divide la suma obtenida por el número total de pruebas: xf+ xf+ + xnfn X = N La relación f /N es la frecuencia relativa f R del valor x, f /N es la frecuencia relativa etc., por tanto, la expresión (.) se puede escribir como: R R n Rn (.) f R de x, X = xf + xf + + xf (.) Supóngase que el número de pruebas es bastante grande. Entonces la frecuencia relativa es aproximadamente igual a la probabilidad de aparición del suceso (esto se demostrará posteriormente). Sustituyendo en (.) las frecuencias relativas por las correspondientes probabilidades, se obtiene: [ = ] + [ = ] + + [ = ] X x P X x x P X x x P X x. n n El segundo miembro de esta igualdad aproximada es la esperanza de la variable aleatoria X, o sea: E( X ). El sentido probabilístico del resultado obtenido es: La esperanza matemática es aproximadamente igual (tanto más exacto, cuanto mayor es el número de pruebas) a la media aritmética de los valores observados de la variable aleatoria. Dicho de otra forma: La esperanza matemática es una generalización del concepto de media aritmética..3. Esperanza matemática de una variable aleatoria discreta Supóngase que X es una variable aleatoria que alcanza los valores: x, x,, x n, con las probabilidades: f ( x), f ( x),, f ( x n ), siendo ( ) = [ = ] f x P X x i Se definirá como esperanza matemática de la variable aleatoria X a la expresión: n( o ) n( o ) i i [ i] i ( x i ) (.3) E( X) = x P X = x = x f i= i= 34

26 Si la variable aleatoria X toma infinitos valores, la expresión de E( X ) es una serie. Si la serie es convergente, la E( X ) existe. Si la serie es divergente u oscilante, la esperanza no existe (no esta definida). A la esperanza de una variable aleatoria X también se la llama valor esperado o valor medio de la variable aleatoria X.. Variable aleatoria Ejemplo.4 (continuación de.) Cuál es la ganancia esperada del juego? Solución: Para hallar la ganancia esperada del juego deberemos hallar E(X ). E ( X ) = 0,60 + +, +,5 + =, Esperanza matemática de una variable aleatoria absolutamente continua Supóngase que se tiene una variable aleatoria X con función de densidad f ( x ). La esperanza X se define así: E( X) = x f( x) dx (.4) Ejemplo.5 (continuación de.) Cuál es la esperanza matemática de X? Solución: Hallaremos la esperanza de X a partir de su definición. Esto es Resulta 3 E( x) = x f X ( x) dx. 3 4 [ x ] + [ ] E( x) = ( ) 0 x + x dx = x = = Significado de la esperanza ) La esperanza es el valor medio teórico de los valores que alcanza la variable aleatoria. Es una medida de centralización. Métodos estadísticos aplicados 35

27 ) La esperanza matemática de una variable aleatoria X se interpreta como el centro de gravedad de la distribución. f(x ) f(x ) f(x 3 ) f(x 4 ) x x x 3 x 4 X x x x 3 x 4 X E(X) E(X) 3) Si la variable aleatoria X describe la ganancia ó pérdida en un juego, la esperanza matemática indica la ganancia media que se espera obtener por cada jugada. Si la esperanza es cero, se dice que el juego es equitativo, si la esperanza es positiva se dice que el juego es favorable y si la esperanza es negativa se dice que el juego es desfavorable..3.5 Propiedades de la esperanza matemática Antes de establecer las propiedades de la esperanza enunciaremos los dos siguientes teoremas: Teorema.: Si X es una variable aleatoria con función de densidad f ( x ) e Y = g(x ) es otra variable aleatoria construida a partir de la variable aleatoria X, mediante la función g, la E(Y) en el caso discreto viene dada por: y en el caso absolutamente continuo por: ( ) ( ) E( Y) = g xi f xi i E( Y) = g( x) f( x) dx Teorema.: Sean X e Y dos variables aleatorias con función de densidad conjunta f ( xy., ) Construyamos la variable aleatoria Z = g( X, Y). En el caso discreto, la E( Z ) viene dada por: y en el caso absolutamente continuo por: ( i j) ( i j) E( Z) = g x, y f x, y i j Propiedades: E( Z) = g( x, y) f( x, y) dxdy ) La esperanza matemática de una constante c es igual a la misma constante. ) La esperanza matemática de la suma de varias variables aleatorias es igual a la suma de las esperanzas matemáticas de los sumandos. Para el caso de dos variables aleatorias X e Y, se tiene: E( X + Y) = E( X) + E( Y). 36

28 Esta propiedad se cumple tanto si las variables aleatorias X e Y son estocásticamente independientes como si son dependientes. p p 3) Un factor constante se puede sacar fuera del signo de esperanza matemática: E( cx ) = c E( X ) 4) Teniendo en cuenta las propiedades anteriores:. Variable aleatoria E( ax + by + c) = ae( X ) + be( Y ) + c 5) La esperanza matemática del producto de dos variables aleatorias independientes es igual al producto de sus esperanzas matemáticas:.3.6 Esperanza matemática condicional E( X Y) = E( X) E( Y) La distribución condicional de las probabilidades es una característica importante de la esperanza matemática condicional. Se denomina esperanza matemática condicional de una variable aleatoria discreta Y para X = x (x es un valor posible determinado de X) el producto de los valores posibles de Y por sus probabilidades condicionales: En el caso absolutamente continuo: ( ) j ( j ) E YX= x = yhy x (.5) ( ) ( ) j E YX= x = yhyxdy (.6) donde h( y x) es la función de densidad condicionada de la variable aleatoria Y cuando X = x. Análogamente se determina la esperanza matemática condicional de la variable aleatoria X para Y = y (siendo y un valor posible determinado Y). Ejemplo.6 La distribución conjunta de dos variables aleatorias X e Y está dada por la siguiente tabla: Y X y = 3 y = 6 x = 0,5 0,30 x = 3 0,06 0,0 x 3 = 4 0,5 0,03 x 3 = 8 0,04 0,07 Determinar la esperanza matemática condicional de la variable aleatoria Y si X = x =. Solución: Hallamos f( x ), para ello sumamos las probabilidades de la primera fila de la tabla: ( ) f x = f () = 0,5 + 0,30 = 0, 45 Métodos estadísticos aplicados 37

29 Hallamos la distribución condicional de las probabilidades de la variable aleatoria Y para X = x = : ( ) h( 3) h y x ( ) h( 6) h y x ( ) f,3 0,5 = = = = f () 0, 45 3 ( ) f, 6 0,30 = = = = f () 0, 45 3 Hallamos la esperanza matemática condicional pedida aplicando la fórmula: EYX ( = x) = yhy j ( j x) = y hy ( x) + y hy ( x) = 3 h( 3) + 6 h( 6) = = j=.4 Varianza de una variable aleatoria La varianza mide la dispersión media de los valores de una variable respecto a su valor medio. En el caso de una muestra x, x,, x n, la dispersión de un valor x i respecto a X, se puede medir por ( x i X ) y la media aritmética de esta dispersión es: n n f s = x X = x X f X = x i N i ( i ) ( i ) R[ ] i= i= llamada varianza de la muestra. Su generalización para una variable aleatoria es: Si X es una variable aleatoria con esperanza finita E(X), se llama varianza de X, a la esperanza Y = X E( X), es decir: de la nueva variable [ ] [ ] σ = var ( X ) = E X E( X) (.5) La raíz cuadrada positiva de var ( X ) se llama desviación típica o desviación estándar y se indica por σ. Observación: El número var ( X ) está expresado en unidades cuadradas de X. Esto es, si X se mide en minutos, entonces var ( X ) está expresada en (minutos). Esta es una razón para considerar la desviación estándar que se expresa en las mismas unidades que X..4. Varianza de una variable aleatoria discreta Supóngase que X es una variable aleatoria que alcanza los valores: x, x,, x n, con las probabilidades: siendo ( ) ( ) ( ),,,, f x f x f x n ( ) = [ = ] f x P X x La varianza de la variable aleatoria X viene dada por la expresión: no ( ) no ( ) i i [ i ] [ i] [ i ] ( ) (.6) var ( X ) = x E( X) P X = x = x E( X) f x i i= i= 38

30 Ejemplo.7 (continuación de.): Hallar la varianza y la desviación estándar. Solución: De la definición var( X ) = (0,60,37) 5 Finalmente, la desviación estándar es + (,37) 5 + (,,37) 0 + (,5,37) 5 + (,37) = 0,8 5. Variable aleatoria σ ( X) = var( X) = 0,8 = 0,43.4. Varianza de una variable aleatoria absolutamente continua Supóngase que se tiene una variable aleatoria X absolutamente continua con función de densidad f ( x ). La varianza de la variable aleatoria X viene dada por la expresión:.4.3 Propiedades de la varianza: [ ] (.7) var ( X ) = x E( X) f( x) dx ) La varianza es siempre positiva o nula dado que [ ] X E( X) 0. ) La varianza se puede obtener también mediante la fórmula: 3) La varianza de una constante es nula 4) Si c es una constante: 5) Si c es una constante: ( ) var ( X ) = E X E ( X) (.8) var ( c ) = 0 (.9) var ( X + c) = var ( X) (.0) var ( cx ) = c var ( X ) (.) 6) Si X e Y son variables aleatorias estocásticamente independientes entonces: y var ( X + Y) = var ( X) + var ( Y) (.) var( X Y) = var( X) + var( Y) (.3) Métodos estadísticos aplicados 39

31 7) Si X e Y son variables aleatorias cualesquiera entonces: y, de forma equivalente, var ( X + Y) = var ( X) + var ( Y) + cov( X, Y) (.4) var ( X Y) = var ( X) + var ( Y) cov( X, Y) (.5) 8) Si X e Y son dos variables aleatorias estocásticamente independientes entonces: 9) Si X e Y son dos variables aleatorias cualesquiera entonces: y, de forma equivalente. var ( ax + by + c) = a var ( X ) + b var ( Y ) (.6) var ( ax + by ) = a var ( X ) + b var ( Y ) + abcov( X, Y ) (.7) var ( ax by ) = a var ( X ) + b var ( Y ) abcov( X, Y ) (.8) Ejemplo.8 (continuación de.): Hallar la varianza y la desviación estándar. Solución: Para hallar la varianza, tendremos en cuenta la igualdad Hallemos E( X ). Por tanto, E( X 3 var( X ) = EX ( ) E( X) [ x ] + [ ] ) = ( ) 0 x + x dx = x var( X ) = = 5 6 Finalmente, la desviación estándar es = σ ( X) = var( X) = 0,546 = 0, = Teorema de Tchebychev Sea X una variable aleatoria con distribución cualquiera y con esperanza y varianza finitas. La probabilidad de que la variable aleatoria X caiga dentro de k desviaciones estándar de la media es al menos k. 40

32 Esto es, o en forma más resumida: ( μ σ < < μ+ σ) P k X k { μ < σ} P X k k k. Variable aleatoria Haciendo h= kσ, se puede escribir: σ P{ X μ < h} h siendo μ la esperanza matemática de la variable aleatoria X y σ su varianza. El teorema de Tchebychev también se puede expresar así: σ P{ X μ h} h es decir, la probabilidad de que la variable aleatoria X se aparte de su esperanza en una cantidad mayor o igual que h (h >0) es menor o igual que σ / h. Únicamente se demostrará el caso absolutamente continuo, dejando el caso discreto como ejercicio para el lector. Demostración: A partir de la definición previa de la varianza de X, se puede escribir: ( ) σ = E X μ = ( x μ) f( x) dx= μ kσ μ+ kσ = ( x μ) f( x) dx+ ( x μ) f( x) dx+ ( x μ) f( x) dx μ kσ μ+ kσ μ kσ ( x μ) f( x) dx+ ( x μ) f( x) dx μ+ kσ ya que la segunda de las tres integrales no es negativa. Como x μ kσ siempre que x μ + kσ ó x μ kσ, se tiene ( ) x μ k σ en las dos integrales restantes. De aquí se desprende que: μ kσ σ k σ f( x) dx+ k σ f( x) dx μ+ kσ kσ f( xdx ) + f( xdx ) σ μ+ kσ μ kσ Métodos estadísticos aplicados 4

33 Dividiendo los dos miembros de la desigualdad por μ kσ k σ se tiene: f( x) dx+ f( x) dx k μ+ kσ Multiplicando por ( ) los dos miembros de la desigualdad: μ kσ f( x) dx f( x) dx μ+ kσ k Sumando a los dos miembros de la desigualdad: μ kσ f( x) dx f( x) dx μ+ kσ k Teniendo presente que resulta: μ kσ μ+ kσ μ+ kσ μ kσ que es lo que se quería comprobar. f ( xdx ) + f( xdx ) + f( xdx ) = μ kσ μ+ kσ f( x) dx= P k < X < + k k ( μ σ μ σ) Para k = el teorema establece que la variable aleatoria X tiene por lo menos una probabilidad de (/) = 3/4 de caer entre dos desviaciones estándar de la media. Es decir, tres cuartas partes o más de las observaciones de cualquier distribución se encuentran en el intervalo μ ± σ. Análogamente el teorema afirma que al menos 8/9 de las observaciones de cualquier distribución se encuentran en el intervalo μ ± 3σ. El teorema de Tchebychev proporciona la cota inferior de la probabilidad, pero no su valor exacto. Se sabe que la probabilidad de que una variable aleatoria caiga dentro de dos desviaciones estándar alrededor de su media no puede ser menor de 3/4, pero no se sabe el valor exacto de la probabilidad. En el caso de que se conozca la distribución de probabilidad que sigue la variable aleatoria X se podrá determinar el valor exacto de la probabilidad. Ejemplo.9 Una variable aleatoria X tiene una media μ = 00, una varianza σ = 6, y una distribución de probabilidad desconocida. Acotar: ( ) b) P{ X 00 8} a) P 84 < X < 6. 4

34 Solución: 5 (84 < < 6) = 00 (4) (4) < < 00 + (4) (4) = 4 6 a) P X P[ X ] b) ya que { 00 8} = { 00 < 8} = = P( 8 < X 00 < 8) = = P( 9 < X < 08) = = P[ 00 () (4) < X < 00 + () (4) ] P X P X 4 P 3 < < +. 4 [ 00 () (4) X 00 () (4)] Multiplicando por ( ) los dos miembros de la desigualdad: 3 P[ 00 () (4) < X < 00 + () (4) ] 4 y finalmente sumando a los dos lados miembros resulta: P[ 00 () (4) < X < 00 + () (4) ] 4.6 Momentos de una variable aleatoria X respecto del origen Dada una variable aleatoria X, se llama momento de orden r (respecto del origen), a la r esperanza de la variable X : si existe..6. Caso discreto mr r ( ) = E X Sea X una variable aleatoria discreta con función de densidad f ( x ). El momento de orden r (respecto del origen) de la variable aleatoria X es: r r r = ( ) = ( ) m E X x f x Se observa que el momento de er orden (respecto del origen) es la esperanza ó media: m = E( X) = x f( x) = μ 43

35 .6. Caso absolutamente continuo Sea X una variable aleatoria continua con función de densidad f ( x ). El momento de orden r (respecto del origen) de la variable aleatoria X es: r r ( ) ( ) mr = E X = x f x dx El momento de er orden (respecto del origen) es la esperanza ó media: m = E( X) = xf( x) dx= μ.7 Momentos centrales de una variable aleatoria X Dada una variable aleatoria X, se denomina momento central de orden r (respecto de la X E( X) r, o sea: esperanza de X), a la esperanza de la variable [ ].7. Caso discreto [ ] μ ( ) r r = E X E X Sea X una variable aleatoria discreta con función de densidad f ( x ). El momento central de orden r de la variable aleatoria X viene dado por: r [ ] [ ] μ r = E X E( X) = x E( X) f( x) Obsérvese que el momento central de º orden es la varianza X, representada por var ( X ) y también por σ : [ ] [ ] ( ) μ = E X E( X) = x E( X) f( x) = x μ f( x) = var( X) = σ.7. Caso absolutamente continuo r Sea X una variable aleatoria continua con función de densidad f ( x ). El momento central de orden r de la variable aleatoria X viene dado por: r [ ] [ ] μ r = E X E( X) = x E( X) f( x) dx r El momento central de º orden es la varianza de X: [ ] ( ) μ = E X E( X) = x μ f( x) dx= var( X) = σ 44

36 .8 Momento de dos variables aleatorias respecto del origen Sea X y X dos variables aleatorias. Se denomina momento de orden r+ r (respecto del origen) de las variables aleatorias X y X a la expresión: si existe la esperanza. r r ( ) m = E X X rr. Variable aleatoria.8. Caso discreto Sean X y X dos variables aleatorias discretas con función de densidad conjunta (, ) momento de orden r + r (respecto del origen) de las variables aleatorias X y X es:.8. Caso absolutamente continuo r r r r = ( ) = (, ) m E X X x x f x x rr f x x. El Sean X y X dos variables aleatorias continuas con función de densidad conjunta (, ) momento de orden r + r (respecto del origen) de las variables aleatorias X y X es: r r r r = ( ) = (, ) m E X X x x f x x dxdx rr.9 Momentos centrales de dos variables aleatorias f x x. El Sean X y X dos variables aleatorias. Se denomina momento central de orden r+ r (respecto de las esperanzas de X y X ) de las variables aleatorias X y X a la expresión:.9. Caso discreto r { ( ) ( ) } r μ rr = E X E X X E X Sean X y X dos variables aleatorias discretas con función de densidad conjunta f ( x, x. El momento central de orden r + r de las variables aleatorias X y X es: ) rr r r { ( ) ( ) } μ = E X E X X E X = r r ( ) ( ) (, ) = x E X x E X f x x Métodos estadísticos aplicados 45

37 .9. Caso absolutamente continuo Sean X y X dos variables aleatorias continuas con función de densidad conjunta (, ) momento central de orden r + r de las variables aleatorias X y X es: f x x. El μ rr r r { ( ) ( ) } = E X E X X E X = r r ( ) ( ) (, ) = x E X x E X f x x dxdx.0 Covarianza de dos variables aleatorias X e Y La covarianza de dos variables aleatorias X e Y es por definición el momento central de orden +. Es decir: {[ ] [ ]} cov( X, Y) = μ = E X E( X) Y E( Y) (.9) σ XY. La covarianza entre las variables aleatorias X e Y se representa por cov( X, Y ) y también por.0. Propiedades La covarianza tiene las siguientes propiedades: ) cov( X, Y) = E( X Y) E( X) E( Y) ) cov( X, Y) = cov( Y, X ) 3) cov( X + ay, ) = cov( X, Y) 4) cov( ax, Y ) = acov( X, Y ) 5) cov( ax, by ) = abcov( X, Y) 6) cov( X + YZ, ) = cov( XZ, ) + cov( YZ, ) 7) Combinando las propiedades anteriores: cov( ax + by + c, dz + ew + f ) = = ad cov( X, Z) + aecov( X, W) + bd cov( Y, Z) + becov( Y, W) 8) Si X e Y son variables aleatorias estocásticamente independientes su covarianza es cero. El recíproco no es cierto; es decir puede ser nula la covarianza de dos variables aleatorias y no ser éstas independientes. La covarianza proporciona una medida del grado de dependencia entre X e Y. La covarianza tiene el inconveniente de que es proporcional a la magnitud de las variables aleatorias. Es decir, da el 46

2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...

2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición... Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................

Más detalles

478 Índice alfabético

478 Índice alfabético Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión

Más detalles

Tema 4: Variables aleatorias multidimensionales

Tema 4: Variables aleatorias multidimensionales 1 Tema 4: Variables aleatorias multidimensionales En este tema: Distribución conjunta de probabilidad Probabilidad/densidad marginal Probabilidad/densidad condicionada Esperanza, varianza, desviación típica

Más detalles

INDICE. Prólogo a la Segunda Edición

INDICE. Prólogo a la Segunda Edición INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.

Más detalles

Tema 4: Variables aleatorias multidimensionales

Tema 4: Variables aleatorias multidimensionales Tema 4: Variables aleatorias multidimensionales Los contenidos a desarrollar en este tema son los siguientes: Distribución conjunta de probabilidad Probabilidad/densidad marginales y condicionadas Independencia

Más detalles

INDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos

INDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos INDICE Prefacio VII 1. Introducción 1 1.1. Qué es la estadística moderna? 1 1.2. El crecimiento y desarrollo de la estadística moderna 1 1.3. Estudios enumerativos en comparación con estudios analíticos

Más detalles

Prof. Eliana Guzmán U. Semestre A-2015

Prof. Eliana Guzmán U. Semestre A-2015 Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos

Más detalles

Unidad Temática 3: Probabilidad y Variables Aleatorias

Unidad Temática 3: Probabilidad y Variables Aleatorias Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento

Más detalles

Técnicas Cuantitativas para el Management y los Negocios I

Técnicas Cuantitativas para el Management y los Negocios I Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:

Más detalles

Unidad IV: Distribuciones muestrales

Unidad IV: Distribuciones muestrales Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia

Más detalles

ÍNDICE CAPÍTULO 1. INTRODUCCIÓN

ÍNDICE CAPÍTULO 1. INTRODUCCIÓN ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.

Más detalles

Unidad 1: Espacio de Probabilidad

Unidad 1: Espacio de Probabilidad Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar

Más detalles

ANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.

ANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada. ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos

Más detalles

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL PROGRAMA DE LA ASIGNATURA DE: IDENTIFICACIÓN DE LA ASIGNATURA

Más detalles

Formulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico

Formulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más

Más detalles

matemáticas como herramientas para solución de problemas en ingeniería. PS Probabilidad y Estadística Clave de la materia: Cuatrimestre: 4

matemáticas como herramientas para solución de problemas en ingeniería. PS Probabilidad y Estadística Clave de la materia: Cuatrimestre: 4 PS0401 - Probabilidad y Estadística DES: Ingeniería Programa(s) Educativo(s): Ingeniería de Software Tipo de materia: Obligatoria Clave de la materia: PS0401 Cuatrimestre: 4 UNIVERSIDAD AUTÓNOMA DE Área

Más detalles

CÁLCULO DE PROBABILIDADES

CÁLCULO DE PROBABILIDADES CÁLCULO DE PROBABILIDADES Tipo de asignatura: Troncal Anual. Créditos ECTS: 15 I.- INTRODUCCIÓN AL CÁLCULO DE PROBABILIDADES. (16 horas presenciales) Tema 1.- La naturaleza del cálculo de probabilidades.

Más detalles

Definición de probabilidad

Definición de probabilidad Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total

Más detalles

Tema 3. VARIABLES ALEATORIAS.

Tema 3. VARIABLES ALEATORIAS. 3..- Introducción. Tema 3. VARIABLES ALEATORIAS. Objetivo: Encontrar modelos matemáticos para el trabajo con probabilidad de sucesos. En particular, se quiere trabajar con funciones reales de variable

Más detalles

INDICE Capítulo I: Conceptos Básicos Capitulo II: Estadística Descriptiva del Proceso

INDICE Capítulo I: Conceptos Básicos Capitulo II: Estadística Descriptiva del Proceso INDICE Capítulo I: Conceptos Básicos 1.- Introducción 3 2.- Definición de calidad 7 3.- Política de calidad 10 4.- Gestión de la calidad 12 5.- Sistema de calidad 12 6.- Calidad total 13 7.- Aseguramiento

Más detalles

Teorema Central del Límite (1)

Teorema Central del Límite (1) Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico

Más detalles

UNIVERSIDAD AUTONOMA DE SANTO DOMINGO

UNIVERSIDAD AUTONOMA DE SANTO DOMINGO UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Industrial (EST-121) NUMERO DE CREDITOS

Más detalles

Tema 13: Distribuciones de probabilidad. Estadística

Tema 13: Distribuciones de probabilidad. Estadística Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número

Más detalles

Capítulo 6: Variable Aleatoria Bidimensional

Capítulo 6: Variable Aleatoria Bidimensional Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el

Más detalles

Variable Aleatoria Continua. Principales Distribuciones

Variable Aleatoria Continua. Principales Distribuciones Variable Aleatoria Continua. Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas continuas Ejercicios Definición de v. a. continua Las variables

Más detalles

Tema 6. Variables aleatorias continuas

Tema 6. Variables aleatorias continuas Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),

Más detalles

Distribuciones de probabilidad bidimensionales o conjuntas

Distribuciones de probabilidad bidimensionales o conjuntas Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso

Más detalles

Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR

Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.

Más detalles

1. La Distribución Normal

1. La Distribución Normal 1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando

Más detalles

ESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua

ESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:

Más detalles

Variables aleatorias

Variables aleatorias Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando

Más detalles

VARIABLES ESTADÍSTICAS BIDIMENSIONALES

VARIABLES ESTADÍSTICAS BIDIMENSIONALES VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes

Más detalles

Objetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev

Objetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev PROBABILIDAD Y ESTADÍSTICA Sesión MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS CONTINUOS. Definición de variable aleatoria continua. Función de densidad y acumulatíva. Valor esperado, varianza y desviación

Más detalles

Variables aleatorias

Variables aleatorias Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,

Más detalles

TEMA 3: Probabilidad. Modelos. Probabilidad

TEMA 3: Probabilidad. Modelos. Probabilidad TEM 3: Probabilidad. Modelos Probabilidad Fenómeno aleatorio: es aquel cuyos resultados son impredecibles. Ejemplos: Lanzamiento de una moneda: Resultados posibles: cara, cruz. Selección al azar de un

Más detalles

Objetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria

Objetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza

Más detalles

Grupo 23 Semestre Segundo examen parcial

Grupo 23 Semestre Segundo examen parcial Probabilidad Grupo 23 Semestre 2015-2 Segundo examen parcial La tabla siguiente presenta 20 postulados, algunos de los cuales son verdaderos y otros son falsos. Analiza detenidamente cada postulado y elige

Más detalles

INTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)

INTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith) INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que

Más detalles

VARIABLES ALEATORIAS DISCRETAS

VARIABLES ALEATORIAS DISCRETAS VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:

Más detalles

Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad

Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad Indice 1) Sucesos aleatorios. Espacio muestral. 2) Operaciones con sucesos. 3) Enfoques de la Probabilidad.

Más detalles

Teoría de la decisión

Teoría de la decisión 1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia

Más detalles

Facultad de Ciencias Sociales - Universidad de la República

Facultad de Ciencias Sociales - Universidad de la República Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura

Más detalles

2. Continuidad y derivabilidad. Aplicaciones

2. Continuidad y derivabilidad. Aplicaciones Métodos Matemáticos (Curso 2013 2014) Grado en Óptica y Optometría 7 2. Continuidad y derivabilidad. Aplicaciones Límite de una función en un punto Sea una función f(x) definida en el entorno de un punto

Más detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA PROBABILIDAD Y ESTADÍSTICA 4 horas a la semana 8 créditos Semestre variable según la carrera Objetivo del curso: Analizar y resolver problemas de naturaleza aleatoria en la ingeniería, aplicando conceptos

Más detalles

Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B

Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2010 Contenidos...............................................................

Más detalles

PROBABILIDAD. Es el conjunto de todos los resultados posibles de un experimento aleatorio. Por ejemplo: Experimento: tirar un dado.

PROBABILIDAD. Es el conjunto de todos los resultados posibles de un experimento aleatorio. Por ejemplo: Experimento: tirar un dado. 1 PROBABILIDAD EXPERIMENTOS Al fijar las condiciones iniciales para un experimento se da lugar a dos tipos de situaciones: a) Experimentos determinísticos: se conoce el resultado. Por ejemplo: si suelto

Más detalles

ANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Estadistica. CURSO ACADÉMICO - SEMESTRE Primer semestre

ANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Estadistica. CURSO ACADÉMICO - SEMESTRE Primer semestre ANX-PR/CL/001-01 GUÍA DE APRENDIZAJE ASIGNATURA Estadistica CURSO ACADÉMICO - SEMESTRE 2016-17 - Primer semestre GA_05IQ_55001012_1S_2016-17 Datos Descriptivos Nombre de la Asignatura Titulación Centro

Más detalles

PROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES. Prof. Johnny Montenegro 1 M.

PROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES. Prof. Johnny Montenegro 1 M. PROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES Prof. Johnny Montenegro 1 M. PROBABILIDADES 2 Una variable es aleatoria si toma los valores de los resultados de un experimento aleatorio. Esta

Más detalles

Econometría II Grado en finanzas y contabilidad

Econometría II Grado en finanzas y contabilidad Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es

Más detalles

ESTADÍSTICA I PRESENTACIÓN DE LA ASIGNATURA

ESTADÍSTICA I PRESENTACIÓN DE LA ASIGNATURA ESTADÍSTICA I PRESENTACIÓN DE LA ASIGNATURA Descripción de la asignatura Estadística I El objetivo de la asignatura es proporcionar al estudiante conocimiento Departamento de Estadística y comprensión

Más detalles

CM0244. Suficientable

CM0244. Suficientable IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE

Más detalles

Variables aleatorias unidimensionales

Variables aleatorias unidimensionales Estadística II Universidad de Salamanca Curso 2011/2012 Outline Variable aleatoria 1 Variable aleatoria 2 3 4 Variable aleatoria Definición Las variables aleatorias son funciones cuyos valores dependen

Más detalles

La reordenación aleatoria de un conjunto finito

La reordenación aleatoria de un conjunto finito La reordenación aleatoria de un conjunto finito Pérez Cadenas J. I. 0.06.2003 Resumen Al desordenar y, a continuación, reordenar aleatoriamente un conjunto finito es posible que algunos de sus elementos

Más detalles

RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO

RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre

Más detalles

Tema 5. Variables Aleatorias

Tema 5. Variables Aleatorias Tema 5. Variables Aleatorias Presentación y Objetivos. En este tema se estudia el concepto básico de Variable Aleatoria así como diversas funciones fundamentales en su desarrollo. Es un concepto clave,

Más detalles

INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.

INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes

Más detalles

4.1. Polinomios y teoría de ecuaciones

4.1. Polinomios y teoría de ecuaciones CAPÍTULO 4 Polinomios y teoría de ecuaciones 4.1. Polinomios y teoría de ecuaciones Un polinomio real en x, o simplemente polinomio en x es una expresión algebraica de la forma a n x n + a n 1 x n 1 +

Más detalles

1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA

1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse

Más detalles

Álgebra y Trigonometría Clase 7 Sistemas de ecuaciones, Matrices y Determinantes

Álgebra y Trigonometría Clase 7 Sistemas de ecuaciones, Matrices y Determinantes Álgebra y Trigonometría Clase 7 Sistemas de ecuaciones, Matrices y Determinantes CNM-108 Departamento de Matemáticas Facultad de Ciencias Exactas y Naturales Universidad de Antioquia Copyleft c 2008. Reproducción

Más detalles

Distribuciones de probabilidad

Distribuciones de probabilidad Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir

Más detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@unam.mx T E M A S DEL CURSO 1. Análisis Estadístico de datos muestrales. 2. Fundamentos de la Teoría de la

Más detalles

Tema 5. Muestreo y distribuciones muestrales

Tema 5. Muestreo y distribuciones muestrales 1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución

Más detalles

Derivadas e integrales

Derivadas e integrales Derivadas e integrales Álvarez S., Caballero M.V. y Sánchez M a M salvarez@um.es, m.victori@um.es, marvega@um.es ÍNDICE Matemáticas Cero Índice. Definiciones 3. Herramientas 4.. Reglas de derivación.......................

Más detalles

Distribuciones de Probabilidad para Variables Aleatorias Discretas 1

Distribuciones de Probabilidad para Variables Aleatorias Discretas 1 Distribuciones de Probabilidad para Variables Aleatorias Discretas Apellidos, nombre Martínez Gómez, Mónica (momargo@eio.upv.es) Marí Benlloch, Manuel (mamaben@eio.upv.es) Departamento Centro Estadística,

Más detalles

ESTADISTICA APLICADA: PROGRAMA

ESTADISTICA APLICADA: PROGRAMA Pág. 1 de 5 ESTADISTICA APLICADA: PROGRAMA a) OBJETIVOS Y BLOQUE 1: Teoría de Probabilidades 1.1 Comprender la naturaleza de los experimentos aleatorios y la estructura de los espacios de probabilidades,

Más detalles

Ejercicios de Variables Aleatorias

Ejercicios de Variables Aleatorias Ejercicios de Variables Aleatorias Elisa M. Molanes-López, Depto. Estadística, UC3M Transformaciones de variables aleatorias Ejercicio. Sea X una v.a. continua con función de densidad dada por: /, si

Más detalles

Algunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides

Algunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda

Más detalles

UNIVERSIDAD NACIONAL FEDERICO VILLARREAL FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS ESCUELA PROFESIONAL DE INGENIERIA AGROINDUSTRIAL

UNIVERSIDAD NACIONAL FEDERICO VILLARREAL FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS ESCUELA PROFESIONAL DE INGENIERIA AGROINDUSTRIAL UNIVERSIDAD NACIONAL FEDERICO VILLARREAL FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS ESCUELA PROFESIONAL DE INGENIERIA AGROINDUSTRIAL ASIGNATURA: ESTADÍSTICA I CODIGO : 5B0067 I.- DATOS GENERALES SILABO

Más detalles

JUNIO Bloque A

JUNIO Bloque A Selectividad Junio 009 JUNIO 009 Bloque A 1.- Estudia el siguiente sistema en función del parámetro a. Resuélvelo siempre que sea posible, dejando las soluciones en función de parámetros si fuera necesario.

Más detalles

Tema 5 Algunas distribuciones importantes

Tema 5 Algunas distribuciones importantes Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos

Más detalles

Carrera: Ingeniería Civil CIM 0531

Carrera: Ingeniería Civil CIM 0531 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería Civil CIM 0531 3 2 8 2.- HISTORIA DEL PROGRAMA

Más detalles

Regresión y Correlación

Regresión y Correlación Relación de problemas 4 Regresión y Correlación 1. El departamento comercial de una empresa se plantea si resultan rentables los gastos en publicidad de un producto. Los datos de los que dispone son: Beneficios

Más detalles

Asignaturas antecedentes y subsecuentes

Asignaturas antecedentes y subsecuentes PROGRAMA DE ESTUDIOS PROBABILIDAD Área a la que pertenece: Área Sustantiva Profesional Horas teóricas: 3 Horas prácticas: 2 Créditos: 8 Clave: F0056 Asignaturas antecedentes y subsecuentes PRESENTACIÓN

Más detalles

BLOQUE 4. CÁLCULO DIFERENCIAL DE FUNCIONES REALES DE UNA VARIABLE

BLOQUE 4. CÁLCULO DIFERENCIAL DE FUNCIONES REALES DE UNA VARIABLE BLOQUE 4. CÁLCULO DIFERENCIAL DE FUNCIONES REALES DE UNA VARIABLE El concepto de derivada. Relación entre continuidad y derivabilidad. Función derivada. Operaciones con derivadas. Derivación de las funciones

Más detalles

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7) TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de

Más detalles

Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias

Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias Estadística Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Noviembre 2010 Contenidos...............................................................

Más detalles

Tema 2. Descripción Conjunta de Varias Variables

Tema 2. Descripción Conjunta de Varias Variables Tema 2. Descripción Conjunta de Varias Variables Cuestiones de Verdadero/Falso 1. La covarianza mide la relación lineal entre dos variables, pero depende de las unidades de medida utilizadas. 2. El análisis

Más detalles

JUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas

JUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme

Más detalles

Tema 8: Contraste de hipótesis

Tema 8: Contraste de hipótesis Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste

Más detalles

Resumen teórico de los principales conceptos estadísticos

Resumen teórico de los principales conceptos estadísticos Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Muestreo aleatorio simple Resumen teórico Resumen teórico de los principales conceptos estadísticos Muestreo aleatorio

Más detalles

Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s).

Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s). VARIABLE ALEATORIA Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s). X : S S s s X () s X(s) Rx Rx es el recorrido

Más detalles

3 PROBABILIDAD Y DISTRIBUCION NORMAL

3 PROBABILIDAD Y DISTRIBUCION NORMAL 3 PROBABILIDAD Y DISTRIBUCION NORMAL La probabilidad puede ser considerada como una teoría referente a los resultados posibles de los experimentos. Estos experimentos deben ser repetitivos; es decir poder

Más detalles

Tema 5. Contraste de hipótesis (I)

Tema 5. Contraste de hipótesis (I) Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar

Más detalles

TÉCNICO SUPERIOR UNIVERSITARIO EN PROCESOS INDUSTRIALES ÁREA SISTEMAS DE GESTIÓN DE LA CALIDAD EN COMPETENCIAS PROFESIONALES

TÉCNICO SUPERIOR UNIVERSITARIO EN PROCESOS INDUSTRIALES ÁREA SISTEMAS DE GESTIÓN DE LA CALIDAD EN COMPETENCIAS PROFESIONALES TÉCNICO SUPERIOR UNIVERSITARIO EN PROCESOS INDUSTRIALES ÁREA SISTEMAS DE GESTIÓN DE LA CALIDAD EN COMPETENCIAS PROFESIONALES ASIGNATURA DE PROBABILIDAD Y ESTADÍSTICA 1. Competencias Plantear y solucionar

Más detalles

ESTADÍSTICA. Se trata de una variable aleatoria binormal con n=5, probabilidad= ¼. B(5, ¼); La probabilidad es P= P(x=3) +P(x=4) + P(x=5):

ESTADÍSTICA. Se trata de una variable aleatoria binormal con n=5, probabilidad= ¼. B(5, ¼); La probabilidad es P= P(x=3) +P(x=4) + P(x=5): ESTADÍSTICA AYUDAS PARA EL TEST (1ºParcial) 1) La suma de probabilidades de todos los casos posibles de un experimento tiene que ser igual a uno. 2) La probabilidad de aprobar este test (5 preguntas, cada

Más detalles

Técnicas de Investigación Social

Técnicas de Investigación Social Licenciatura en Sociología Curso 2006/07 Técnicas de Investigación Social Medir la realidad social (4) La regresión (relación entre variables) El término REGRESIÓN fue introducido por GALTON en su libro

Más detalles

Modelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:

Modelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema: Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz

Más detalles

UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI

UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI NOMBRE DE LA ASIGNATURA: PROBABILIDAD Y ESTADÍSTICA PARA CIENCIAS ECONÓMICO ADMINISTRATIVAS FECHA DE ELABORACIÓN: ENERO

Más detalles

Conceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas

Conceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Conceptos Fundamentales Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Análisis de datos en física de partículas Experimento en física de partículas: Observación de n sucesos de un cierto tipo (colisiones

Más detalles

Técnicas Cuantitativas para el Management y los Negocios I

Técnicas Cuantitativas para el Management y los Negocios I Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:

Más detalles

Variables Aleatorias. Introducción

Variables Aleatorias. Introducción Variables Aleatorias Introducción Concepto de variable aleatoria Es conveniente que los resultados de un experimento aleatorio estén expresados numéricamente. Se prueban tres componentes electrónicos,

Más detalles

Teléfono:

Teléfono: Apartado postal 17-01-218 1. DATOS INFORMATIVOS: MATERIA O MÓDULO: ESTADISTICA II CÓDIGO: 15017 CARRERA: Economía NIVEL: Cuarto No. CRÉDITOS: SEMESTRE / AÑO ACADÉMICO: III semestre 2011-2012 PROFESOR:

Más detalles

INSTITUTO POLITÉCNICO NACIONAL SECRETARIA ACADEMICA DIRECCIÓN DE ESTUDIOS PROFESIONALES EN INGENIERÍA Y CIENCIAS FÍSICO MATEMÁTICAS

INSTITUTO POLITÉCNICO NACIONAL SECRETARIA ACADEMICA DIRECCIÓN DE ESTUDIOS PROFESIONALES EN INGENIERÍA Y CIENCIAS FÍSICO MATEMÁTICAS ESCUELA: UPIICSA CARRERA: INGENIERÍA EN TRANSPORTE ESPECIALIDAD: COORDINACIÓN: ACADEMIAS DE MATEMÁTICAS DEPARTAMENTO: CIENCIAS BÁSICAS PROGRAMA DE ESTUDIO ASIGNATURA: ESTADÍSTICA APLICADA CLAVE: TMPE SEMESTRE:

Más detalles

Distribuciones Continuas de. Probabilidad. Dr. Víctor Aguirre Torres, ITAM. Guión 7.

Distribuciones Continuas de. Probabilidad. Dr. Víctor Aguirre Torres, ITAM. Guión 7. Distribuciones Continuas de Probabilidad 1 Contenido 1. Ejemplo. 2. Diferencia entre variables aleatorias discretas y continuas. 3. Diferencia de f(x) entre variables aleatorias discretas y continuas.

Más detalles

ESTADÍSTICA. Tema 4 Regresión lineal simple

ESTADÍSTICA. Tema 4 Regresión lineal simple ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del

Más detalles

CONTENIDO. Prólogo a la 3. a edición en español ampliada... Prólogo...

CONTENIDO. Prólogo a la 3. a edición en español ampliada... Prólogo... CONTENIDO Prólogo a la 3. a edición en español ampliada.................................. Prólogo.................................................................. vii xvii 1. Métodos descriptivos................................................

Más detalles

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------

Más detalles

PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE CIENCIAS EXACTAS Y NATURALES ESCUELA DE CIENCIAS QUIMICAS

PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE CIENCIAS EXACTAS Y NATURALES ESCUELA DE CIENCIAS QUIMICAS 1. DATOS INFORMATIVOS: PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE CIENCIAS EXACTAS Y NATURALES ESCUELA DE CIENCIAS QUIMICAS MATERIA: ESTADISTICA II CODIGO: 12820 CARRERA: CIENCIAS QUIMICAS,

Más detalles

1. Los números reales. 2. Representación. 3. Densidad de los números racionales. 4. Propiedades de los números reales

1. Los números reales. 2. Representación. 3. Densidad de los números racionales. 4. Propiedades de los números reales EJES ARTICULADORES Y PRODUCTIVOS DEL AREA SISTEMA DE CONOCIMIENTOS GRADO: 10 11 1. Los números reales 1. Desigualdades. 2. Representación 2. Propiedades. 3. Densidad de los números racionales 4. Propiedades

Más detalles

EVALUACIÓN EXTRAORDINARIA DE SEPTIEMBRE CURSO Contenidos para la Prueba de Septiembre MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I.

EVALUACIÓN EXTRAORDINARIA DE SEPTIEMBRE CURSO Contenidos para la Prueba de Septiembre MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I. EVALUACIÓN EXTRAORDINARIA DE SEPTIEMBRE CURSO 2013-2014. Contenidos para la Prueba de Septiembre MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I. UNIDAD 3: POLINOMIOS Y FRACCIONES ALGEBRAICAS Operaciones

Más detalles