TOTAL + o – 65 horas
Tema 1 Introducción:
Inferir: predecir, sacar conclusiones
Población: Se saca una muestra, una parte de la población
Existen 2 motivos para precisar la población:
• Porque la muestra ha de elegirse dentro de la población
• Porque los resultados de la muestra hay que extenderlos a la población
estadística Inferencial:
a) Estimación Parametrica:
• Estimación puntual
• Estimación con intervalos de confianza
• Contraste de Hipótesis
Tenemos una población, existen ciertos parámetros desconocidos, ejemplo media
poblacional, desviación típica....llamado Estimación Parametrica
Es un tipo de estimación que cuando se tiene más datos no se sabe ni a que población
pertenece, no se tiene un método matemático para realizar estudios. No se utiliza
parámetros.
Ejercicio:
Variable aleatoria X = ξ
B ( 1, θ)
f θ=θ x
fθ = θ x (1 − θ )1−θ
Ej. Caso de una empresa que quiere vender equipos de informática en Lugo, si un
20% de personas tiene ordenador monto la empresa y me establezco sino, no.
REPASO AÑO PASADO- ( Se considera parte tema 2)
Llamamos E espacio muestral al conjunto de todos los sucesos elementales del espacio
aleatorio. Ej., tirar una moneda
E ( Cara, Cruz )
C x
E = ( 1, 2, 3, 4, 5, 6 )
Probabilidad:
Un modelo o función de probabilidad viene definido por una función que llamamos P,
dado un suceso A c E.
Le hace corresponder un nº entre 0 y 1, de tal modo que se verifican que la probabilidad
total de todo el espacio maestral es 1 y se verifica que si tengo una serie de sucesos
disjuntos o incompatibles se verifica que la probabilidad de la unión de todos ellos es
igual a la suma en n de las probabilidades.
1) P (E)= 1
2) An ⇒ PU A } = ∑ P [A ]
n n n n
Consecuencias:
a) P(ө) = 0
b) Si A c B → p (a) ≤ p (b)
c) La probabilidad de la unión
A, B = SUCESOS = P ( A B ) = P (A) + P(B) – P (A∩B)
Si se toman todos los sucesos se denomina Ω Conjunto de todos los sucesos simples,
compuestos y el ө Conjunto vacío.
( E, Ω, ө) → Espacio de Probabilidad
Distribución de Probabilidad:
El cómo se distribuye una masa o cantidad de probabilidad entre todos los posibles
sucesos de un elemento aleatorio
• Modelos Discretos: Según los espacios maestrales son discretos cuando los
valores de la variable toma valores concretos
• Modelos continuos: Cuando la variable puede tomar todos los infinitos valores
Variable Aleatoria: Es una función real definida sobre el espacio muestral que asocia a
cada suceso elemental un nº real.
Función de Distribución:
V.A. → ξ
X = Los números reales asociados a cada suceso del espacio muestral E, es decir son los
valores de la V.A.
Propiedades:
1) F(∞) = 1
2) F(-∞) = 0
3) Si la función de distribución es monótona creciente se verifica que:
x1 x2 ⇒ F ( x1) ≤ F ( x 2 )
[ ]
4) ∀ x1, x2 ⇒ p x1, ξ ≤ x2 = F ( x 2 ) − F ( x1)
5) Si la función de distribución siempre es Continua por la derecha
6) Si la función de distribución no siempre es Continua por la izquierda.
0 1/4
1 1/2
2 1/4
∑P i
=1
x
F( x)
0 x<0
¼ 0 ≤ x<1
¾ 1 ≤ x<2
1 x≥2
F ( ) = p( ξ ≤ x )
x
1) Una VAD sólo toma un numero finito de valores con probabilidad no nula
2) La probabilidad en el punto es el salto de la función de distribución en ese punto
3) Sólo tienen probabilidad no nula los puntos donde F( x ) tiene salto. Los puntos en
los que F( x ) es continua tienen probabilidad nula.
Suponemos un dado trucado, de tal modo que la probabilidad de aparición de cada una
de las caras es proporcional al numero de puntos de la cara.
ξ
→VA ⇒ N º puntos en un lanzamiento
1) Hallar K
2) Función de cuantía
3) F( x )
6 6
∑ P = ∑ Ki = 1 ⇒ K ∑ i = 1; K= 1/21
i
i =1 i =1
Función de cuantía
I Pi = P (ξ = i )
1 1/21
2 2/21
3 3/21
4 4/21
5 5/21
6 6/21
∑ P =1 i
Función de distribución:
F( x )
0 i<0
1/21 1 ≤ i<2
3/21 2 ≤ i<3
6/21 3 ≤ i<4
10/21 4 ≤ i<5
15/21 5 ≤ i<6
1 i≥6
Sólo hay probabilidades en los puntos donde hay salto
F( x ) = P (ξ ≤ x )
Va ξ : F( x) continua
f ( x ) ≥ 0 = función de densidad
dF( x )
= F `( x ) = f ( x )
dx
3) Calculo de probabilidades
X2
P( X 1 < ξ ≤ X 2 ) = F ( X 2 ) − F ( X 1 ) = ∫f
X1
( x) dx
x
F( x ) = P (ξ ≤ x ) = ∫f
−∞
( x) dx
f (∞) = 1
F (−∞) = 0
+∞
función de densidad
En la Practica no existen variables continuas porque las medidas que hacemos siempre
son discretas ( son un nº).
Ejemplos:
1)
∞ 1
∞ 1
∫f dx = ∫ 1dx = x 0 = x
x
F( x ) = P (ξ ≤ x ) = ( x)
−∞ 0
c) Hallar
0,5
P (ξ ≤ 0,5) = ∫ 1dx = x 0 = 0,5
0,5
x
2) f ( x ) = 0< x<4
8
∞ 4
1 42
4
1 1 x2
∫ ( x ) ∫0 8
−∞
f dx = xdx =
8 2
= = 1 es función de densidad
8 2
0
x x x
1 1 x2 1 x2 x2
F( x ) = P (ξ ≤ x ) = ∫ f ( x ) dx = ∫ xdx = = =
−∞ 0
8 8 2 0
8 2 16
4 1 3
P (1 < ξ < 2) = F (2) − F (1) = − =
16 16 16
3) f ( x ) = k (3 + 2 x ); 2< x<4
4
k ∫ 3 + 2 xdx = 1
2
4
2x2 1
k 3x + = k (12 + 16) − (6 + 4) = k (28 − 10) = 18k ;18k = 1; k =
2 2
18
∞
1 1 1
= − ∞ − 0 = − − 1 = −( 0 − 1) = 1
∞
∫ e = 1;−e
−x −x
0
0
e e ∞
[ ]
x x
x
F( x ) = ∫
−∞
f ( x) dx = ∫ e − x dx = −e − x = − e − x + 1 = 1 − e − x
0
0