Universidad Tecnolgica Nacional Facultad Regional Buenos Aires Departamento de ciencias bsicas

Probabilidad & Estadstica

Resumen de la materia V.1
F.E.P

(Actualizada al 11-08-12)

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

El documento fue realizado en base al libro: Probabilidad y estadstica para la ciencia y la tecnologa Walpole. El mismo fue recomendado en la cursada. El apunte no contiene la totalidad de las demostraciones a conocer por parte del alumno a la hora de dar el examen, solo sirve como ayuda una vez conocidos los temas de forma adecuada. El resumen no busca reemplazar a los libros ni a la teora dada en clase. El resumen puede contener nomenclatura que la cual no coincida con los apuntes tomados en clase. Realizado por: Fernando (F.E.P) para:

UTNnianos
www.utnianos.com.ar

Pgina 2 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Unidad I - Probabilidad.
Experimento: Proceso que genera un conjunto de datos. Espacio muestral: Conjunto de todos los resultados posibles de un experimento estadstico. Se representa con el smbolo S. Suceso o evento: Sub conjunto del espacio muestral. - Evento imposible: - Evento cierto: S - Suceso binario: {o,1} (dos resultados posibles) Operaciones entre eventos (sucesos) Suceso unin: - Mutuamente excluyentes: = 0 - No son mutuamente excluyentes: 0 Suceso interseccin: - Independientes. Ej: Un dado. - No independientes -> condicionados. Ej: Mazo de cartas. Complemento: A -> A; Ac Propiedad: Au AC P(a) + P(Ac) = 1

Leyes de De Morgam: o o = =

Probabilidad: Se calcula a los eventos para medir su incertidumbre. = , /

1 0 1 2 = 1 3 = + = 0 Pgina 3 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires 4 = + 0 5 = .

Probabilidad compuesta: = (|)

Probabilidad condicional: = ()

Consecuencias de la definicin axiomatica (Probabilidad) 1 2 3 4 = 1 = 0 => =

Cantidad de combinaciones posibles: () Donde: N: cantidad de objetos K: grupos de x cantidad.

Permutaciones posibles: () Donde: N: cantidad de objetos K: grupos tomados.

Pgina 4 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Teorema de Bayes.

Si los eventos: 1 , 2 , , constituyen una particin del espacio muestral S, donde 0 / 1 ,2,3. . entonces para cualquier evento A en S tal que () 0 se cumple: = =1 ( = =1 = 1,2, ,

Demostracin: Por la definicin de probabilidad condicional.

()

Si los eventos 1 , 2 , , constituye una particin del espacio muestral S tal que ( ) 0 para i=1,2,3,.,k entonces cualquier evento de A de S:

=
=1

( ) =
=1

(| )

Y con el teorema en el denominador: = =1 ( ) =1

Si A y B son dos sucesos independientes tambin lo son.

Fin tema: Probabilidad.

Pgina 5 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Unidad II Variables aleatorias.

Variable aleatoria: Funcin que asocia un numero real con cada elemento del espacio muestral. Representacin: , , , Recorrido: = {0,1,2, } :

Tipos de variables:

Discretas: Una variable aleatoria se llama: Varaible aleatoria discreta (V.A.D) si se puede contar su conjunto de resultados posibles. Continuas: Una variable aleatoria cuyo conjunto de valores posibles es un intervalo completo de nmeros no es discreta.

Funciones: Funcin de probabilidad variable discreta. Funcin de densidad de probabilidad variable continua Funcin de distribucin o probabilidad acumulada (V.D) Funcin de distribucin o probabilidad acumulada ( V.C)

Funcin de probabilidad variable discreta

= ( = )

El conjunto de pares ordenados (, ) se llama funcin de probabilidad de la variable aleatoria discreta X.

Definicin:

El conjunto de pares ordenados (, ) es una funcin de probabilidades o distribucin de probabilidad de la variable aleatoria X si para cada resultado posible de X: 0 = 1 = =

Pgina 6 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Funcin de densidad de probabilidad Variable continua.

Definicin: La funcin f(x) es una funcin de densidad de probabilidad para la variable aleatoria continua X, definida en el conjunto de nmeros reales R si:
0 = 1 < < =
+

Nota: La probabilidad puntual es cero (0)

Funcin de distribucin o probabilidad acumulada (V.D) Definicin: La funcin de la distribucin acumulada F(x) de una variable aleatoria discreta X con distribucin de probabilidad f(x) es:

= =

() para < <

Funcin de distribucin o probabilidad acumulada (V.C) Definicin: La funcin de distribucin acumulada F(x) de una variable aleatoria continua X con funcin de densidad f(x) es:

= = para < <

Esperanza o valor esperado de una variable aleatoria. Sea X una variable aleatoria con distribucin de probabilidad f(x) la media o valor esperado de X es:

Pgina 7 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Si X es discreta: = =

. ()

Si S es continua:
+

= =

Teorema:

Sea X una variable aleatoria con distribucin de probabilidad f(x). El valor esperado de la variable aleatoria g(x) es:

Si X es discreta: ( ) = =

( ) . ( )

Si X es continua:
+

( ) =

() .

Propiedades de la esperanza.

1 2 3 4 5

= = . = + = . . . = . ()

Funcin distribucin Caractersticas Es una funcin continua Es creciente lim = 0 lim+ = 1

Pgina 8 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Varianza. Si X una variable aleatoria con distribucin de probabilidad f(x) y media E(); la variaza de x es: = 2 2 ()

Demostracin: Calculo de E(X2) Variable aleatoria discreta: 2 =

= = = = =

2 2 + 2 2 + 2 + 2 2 2 + 2 2 2

2 . ()

Variable aleatoria continua:

+

2 =

2 .

Propiedades de varianza. 1 2 3 4 5 = 0 = 2 + = 2 . + = + . = + ()

Teorema Sea X una variable aleatoria con distribucin de probabilidad f(x). La varianza de la variable aleatoria g(x) es:

Pgina 9 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Si es discreta:
2 ( ) = 2

Si es continua:
2 ( ) = + 2 2

Desvi estndar (dispersin) = () 0

Fin tema: Variables Aleatorias.

Pgina 10 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Unidad III Distribuciones especiales.

Tipos de distribuciones:
Distribuciones discretas: - Binomial - Hipergeomtrica - Geometrica - Poisson Distribuciones continuas: - Exponencial - Uniforme - Normal - Gamma Distribucin Binomial (pg 144 Walpole)

Caractersticas:
(1) Sucesos dicotmicos: - xito (P) - Fracaso (Q) (me interesa que salga lo que quiero si no, no me importa) - = - = - = 1 ; + = 1 (2) Ocurre en n pruebas o repeticiones independientes. (3) Se mantiene probabilidad constante de prueba en prueba. (4) Se denota como: ~B(n, p) Donde: N: Cantidad de ensayos; P: Probabilidad de xito en 1 ensayo. X: Numero de xito en n eventos. (5) ~B n, p = b x, n, p = = . . 1

Donde: K: xitos X: numero de que

Pgina 11 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

(6) Esperanza: = (7) Varianza: = 1

Distribucin hipergeomtrica. La distribucin hipergeomtrica encuentra aplicaciones en el muestreo de aceptacin, donde lotes de material o las partes se muestran con la finalidad de determinar si se acepta o no el lote completo. Ej: Mazo de 40 cartas -> extraigo 8 -> 3 de oro; 5 cualesquiera. =
10 3 40 8 30 5

= 3; = 5 =

Caractersticas:

(1) Esperanza: =

Donde: N: Lote. N: Elementos que tomo al azar. K: Nmero de xitos. (2) Varianza: = 1

Distribucin de Poisson.

Caractersticas:
(1) Sucesos raros que suceden en un continuo. Continuo: - Temporal - Espacial: longitud, superficie, volumen. (2) (3) (4) (5) La variable aleatoria X es el nmero de sucesos raros que ocurren en un continuo. Recorrido: = 0,1,2,3,4, . . , . . Parmetro: (lambda) > Valor esperado. Se expresa como: ~Poi con > 0

Pgina 12 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

= = = t Donde:

t k !

K: Prob. Que llegue ese valor.

(6) Esperanza: = (7) Varianza: = con > 0

Distribucin uniforme. Caractersticas: (1) Se expresa como: ~Unif a, b (2) La funcin de densidad de la variable aleatoria uniforme continua X en el intervalo [a,b] es:

1 , , = 0

Nota: La funcin de densidad forma un rectngulo con base B-A la altura:

(3) Esperanza: = (4) Varianza: =

+ 2 2 12

Distribucin exponencial. Aplicacin: - Tiempo medio entre fallas. - Cantidad de continuo entre eventos de Poisson.

Pgina 13 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires Caractersticas:

(1) Se expresa como: ~exp () (2) Funcin de distribucin exponencial:

> 0 (Funcin densidad) 0

(3) Esperanza: = (4) Varianza: = 2

1

(5) Funcin de probabilidad acumulada o distribucin.

0 1 > 0

(6) Propiedad Prdida de memoria. Sea: ~exp () = Entonces: > + > = = ( > ) > 0 0 0

Relacin Poisson con exponencial. Sea: ~Poi y ~ exp Relacin: =

Covarianza: , = [( ()( ]

Pgina 14 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Distribucin normal. Caractersticas: (1) Se expresa como: ~N (, ) (2) Caractersticas: Grafica: Campana de Gauss rea total bajo la curva = 1 rea a cada lado de = = 0,5 Curva simtrica respecto de = La curva es asinttica al eje X. = 1
+

(3) Funcin que la describe:

1 2 .

1 2 2

Distribucin Normal estndar. (1) (2) (3) (4) Se expresa como: ~ (0,1) = 0 = 1 Funcin que describe:

1 2

1 2

(5) Propiedad: Pasaje de normal a normal estndar.

Si ~ , => =

~ 0,1

= +

Pgina 15 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Distribucin Gamma.

Funcin que la describe:

1 , =
1 0 0

Caractersticas:
(1) Se expresa como: ~ ( , ) Donde: : Parmetro de la forma. : Parmetro de la escala. (2) Funcin gamma:
+

=
0

(3) Esperanza: = (4) Varianza: = 2

Fin tema: Distribuciones Especiales.

Pgina 16 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Unidad IV Estimacin.
Estadstica inferencial: - Estimadores puntuales. - Intervalos de confianza. - Test de hiptesis. (Unidad V) Estadstica descriptiva: - Media muestral. - Varianza muestral. - Desvi estndar. - Mediana - Moda o modo - Coeficiente de variabilidad. -

Nota: La estadstica descriptiva se ocupa del anlisis de datos. Representacin del resultado de un experimento.

Poblacin: Totalidad de observaciones que nos interesan, de nmero finito o infinito. Muestra: Sub-conjunto de la poblacin. Nota: Si se eligen muestras seleccionando a los miembros ms convenientes de la poblacin puede producir una estimacin errnea con respecto a la poblacin. Cualquier procedimiento que sobreestime o subestime alguna caracterstica de la poblacin se dice que esta SESGADO para eliminar el sesgo se toman muestras de forma aleatoria.

Definicin:

Sean X1, X2, , Xn variables aleatorias independientes, cada una con la misma distribucin de probabilidad (I.I.D) f(x). Definimos X1, X2, , Xn como una muestra aleatoria de tamao n de la poblacin f(x) y escribimos su distribucin de probabilidad conjunta como: 1 , 2 , . = 1 2 . .

Pgina 17 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Media de la muestra:

Si X1,X2,,Xn representa una muestra aleatoria de tamao n, entonces la media de la muestra se define mediante el estadstico: = Donde: .
Definicin:
=1

Cualquier funcin de las variables aleatorias X1, X2, , Xn que forman una muestra aleatoria se llama ESTADISTICO.
Mediana de la muestra: El que est en el medio de la muestra. Se busca el valor: = 2 Moda o Modo: Valor de la serie de mayor frecuencia, nomenclatura: Varianza de la muestra: La variabilidad en la muestra es como se dispersan las observaciones a partir del promedio. = Definicin: Si X1, X2, , Xn representa una muestra aleatoria de tamao n, entonces la varianza de la muestra se define con el estadstico:

=
=1

Pgina 18 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Desviacin estndar de la muestra: La desviacin estndar de la muestra que se denota con S, es la raz cuadrada positiva de la varianza de la muestra. = Coeficiente de variabilidad. . = Serie de frecuencia de datos: Definicin: Frecuencia absoluta: (del dato ) Frecuencia relativa:

donde n: total de datos.

Como un estadstico es una variable aleatoria que depende solo de la muestra observada, debe tener una distribucin de probabilidad. La distribucin de probabilidad de un estadstico se llama distribucin muestral. La distribucin de probabilidad de se llama distribucin muestral de la media, est depende del tamao de la poblacin y del mtodo de eleccin de datos.
Distribuciones muestrales: - Normal - Chi-Cuadrado - T-Student - F-Snedecor

Estimadores puntuales: Dado (X1, X2, , Xn) llamamos estamiador a cualquier funcin de la muestra aleatoria.

Pgina 19 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Parmetro (Fijo y desconocido) 2 p

Estimador (Variable aleatoria) 2

Propiedad. {X1,X2,,Xn} Muestra aleatoria de tamao n (V.A.I.I.D) : = = 2 =

=1

Propiedades (deseables) de Estimadores Puntuales: (1) Insesgamiento: =

es insesgado si = 0

(2) Eficiencia relativa: Si 1 y 2 son dos estimadores insesgados de , decimos que 1 es ms eficiente que 2 si (1 ) < (2 )

Pgina 20 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Propiedad:

{X1,X2,,Xn} V.A.I.I.D muestra aleatoria de tamao n = 2

Desvi estndar:

Error cuadrtico medio: . . =

2

Distribucin Media muestral (NORMAL) (1) Distribucin exacta. = =

2

(X1,X2,,Xn) ~ , Si ~ , entonces la variable media muestral se distribuye en forma exactamente normal. ~(,
(2) Distribucion asinttica. Teorema central del lmite (VER HOJA DE FORMULAS) Sean (X1,X2,,Xn) una sucesin de variables aleatorias independientes e idnticamente distribuidas (I.I.E.D) tales que = y = 2 , ( 30)

Pgina 21 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Distribucin Chi-Cuadrado. Si S2 es la varianza de una muestra aleatoria de tamao n que se toma de una poblacin normal que tiene la varianza 2 , entonces el estadstico: 1 2 2

= Distribucin T-Student.

1 2 ~ 2 1 2

Aplicacin: Se utiliza para inferencia sobre la media poblacional cuando 2 desconocido. Si + 30 entonces ~ ,

es

~(0,1)

Distribucin de =
=1

Esperanza de : = Varianza de : =

Pgina 22 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Intervalos de confianza.

La estimacin por intervalo de un parmetro poblacional es un intervalo de la forma donde . A medida que se aumenta el tamao de la muestra, nuestra estimacin est ms cerca del parmetro lo cual tiene como resultado un intervalo ms pequeo. De esta manera, el intervalo estimado, indica por su longitud, la precisin de la estimacin puntual. Tipos:
(1) (2) (3) (4) Intervalo de confianza para la media poblacional. Intervalo de confianza par la media poblacional con 2 desconocido. Intervalo de confianza para la proporcin P. Intervalo de confianza para la varianza poblacional.

Intervalo de confianza para estimar la media poblacional. Muestra aleatoria {X1,X2,.,Xn} V.A.I.I.D ~(, ) con desconocida y conocida. Estimador: =

~(0,1)

: ( 1

; + 1

Observaciones:
(1) El intervalo de confianza est centrado en (2) Longitud del intervalo: 2 . 1 (4) Error: = 1
2

(3) Si aumento la muestra -> disminuye la longitud del intervalo.

2

Intervalo de confianza para la media poblacional con 2 desconocido. Estimador: =

~1

: (

; +

Pgina 23 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Intervalo de confianza para la proporcin p. Estimador: =

~(0,1)

: ( 1

; + 1 2

Intervalo de confianza para la varianza poblacional. Estimador:

1 2 ~ 2

2 1

: (

1 2 1 2 ; ) 2 2
2
1

Relacin entre error y confiabilidad: Para n: fijo mayor precisin -> menor confiabilidad y viceversa. Si se quiere mejorar la precisin sin perder confiabilidad debe aumentarse el tamao de la muestra. Intervalo ms amplio -> mayor longitud.

Fin tema: Estimaciones e intervalos de confianza.

Pgina 24 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Unidad V Prueba de hiptesis.

Hiptesis: Una hiptesis estadstica es una conjetura (informacin) acerca de un parmetro poblacional con respecto a una o ms poblaciones. Nota: La verdad o falsedad de una hiptesis nunca se sabe con absoluta certidumbre, a menos que se examine toda la poblacin algo poco prctico.

Papel de probabilidad en la prueba de hiptesis: El rechazo de una hiptesis implica que la evidencia de la muestra la refuta. Por otro lado significa que hay una pequea probabilidad de obtener la informacin muestral observada cuando, de hecho, la hiptesis es verdadera. El planteamiento de una hiptesis est influido por la estructura de la probabilidad de una conclusin errnea. Ej: Para probar que un medidor es ms preciso que otro el ingeniero prueba la hiptesis de que no hay diferencia en la precisin de los dos tipos de medidores.

Hiptesis nula e hiptesis alternativa. Hiptesis nula:

Se refiere a cualquier hiptesis que deseamos probar y se denota con H0. Nota: El rechazo de H0 conduce a la aceptacin de una hiptesis alternativa que se denota con H1.
Hiptesis alternativa: Representa la pregunta que debe responderse, la teora que debe probarse y, por ello, su especificacin es muy importante. Nota: La hiptesis nula H0 anula o se opone a H1

Pgina 25 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Conclusin del anlisis. (1) Rechazo H0: A favor de H1 debido a evidencia suficiente en los datos. (2) No rechazo H0: Debido a evidencia insuficiente en los datos.

Decisiones en hiptesis.

Dos decisiones:
Rechazo H0: Siendo H0 falsa -> CORRECTO Siendo H0 verdadera -> ERROR TIPO I

Acepto H0: Siendo H0 falsa -> ERROR TIPO II Siendo H0 verdadera -> CORRECTO

Error tipo I:

El rechazo de la hiptesis nula cuando es verdadera.

Error tipo II: No rechazar hiptesis nula cuando es falsa.

Probabilidades. P P P P rechazar H0 falsa = potencia del test = 1 rechazar H0 verdadera = nivel de significacin = aceptar H0 falsa = aceptar H0 verdadera = 1

Nota: Si para un tamao de muestra fijo: Si reducimos la probabilidad de cometer un error de tipo II, aumenta la probabilidad de cometer un error de tipo I. La probabilidad de cometer ambos errores se puede disminuir al aumentar el tamao de la muestra.

Pgina 26 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Propiedades importantes. Los errores de tipo I y II estn relacionados. Por lo general una disminucin en la probabilidad de uno tiene como resultado un incremento en la probabilidad del otro. El tamao de la regin critica y, por lo tanto, la probabilidad de cometer un error de tipo I, siempre se puede reducir al ajustar el (los) valor (es) critico (s). Un aumento en el tamao muestral n reducir a y de forma simultnea. Si la hiptesis nula es falsa, es mximo cuando el valor real de un parmetro se aproxima al valor hipottico. Cuanto ms grande sea la distancia entre el valor real y el valor hipottico, ser menor.

Potencia del test. La potencia de una prueba () es la probabilidad de rechazar H0 dado que una alternativa especfica es verdadera, se puede calcular como: 1-

Test o prueba de hiptesis para la media (de una poblacin) con varianza conocida. Estadstico de prueba: = Casos:
0

~(0,1)

Caso 1

Caso 2

Caso 3

0: = 0 1: > 0

0: = 0 1: < 0

0: = 0 1: 0

Para los test restantes solo variar el estadstico de prueba, segn los estimadores vistos en cada uno de los intervalos de confianza.

Pgina 27 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Valor y clculo del P-Valor.

> 0 ; =

Nota: Si P-valor > : no rechazo H0. Si P-valor : rechazamos H0

Fin tema: Prueba de hiptesis.

Pgina 28 de 29

Universidad Tecnolgica Nacional Facultad Regional Buenos Aires

Unidad VI Regresin Lineal.

Nota: Este es un tema el cual se puede resolver en su totalidad con la tabla de frmulas y la calculadora, en el apunte figura una introduccin mnima para poder resolver ejercicios y entender la tabla.

Recta de regresin poblacional:

= 0 + 1
Obtencin de los coeficientes de la recta: 1 =

0 = 1

Cantidades bsicas que se calculan.

Coeficiente de determinacin: 2 =

Coeficiente de correlacin lineal:

Fin tema: Regresin Lineal.

Pgina 29 de 29