Programa de la asignatura:

Tema 1 Introducción a la inferencia estadística

Tema 2. Distribución probabilidad 6 horas de clase
Tema 3 8 horas de clase
Tema 4 Modelos distribución... 10 horas de clase
Tema 5 Convergencia 3 horas de clase
Tema 6 Inferencia estadística 1 hora de clase
Tema 7 Distribución Probabilidad 7 horas de clase
Tema 8 Estimación Puntual 5 horas de clase
Tema 9 6 horas de clase
Tema 10 Contrate Hipótesis 12 horas de clase

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

La población elegida es importante que sea representativa de la población.

Cuando se confían las leyes del azar los mejores estudios de la estadística, es cuando al
final nosotros confiamos en las leyes del azar. ( Explicado mejor abajo).
Hay una gran probabilidad de obtener muestras representativas de la población si se
confía en el azar para la obtención de la muestra.

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

Parámetro θ→ (teta) = Estimación → Parámetro desconocido inicialmente.

• Estimando un valor fijo → Estimación Puntual

• Dar un rango de variación del parámetro → Estimación por Intervalos de
confianza
• Que el recorrido del parámetro se dirija en 2 regiones y decir en cual de las 2
regiones parece más verosímil → Contraste de Hipótesis
Ejemplo: Que el parámetro de estimación sea > 3,5 y < 3,5

b) Estimación NO Parametrica—( No entra )

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:

Suponemos que estamos intentando estudiar que % de españoles tiene ordenador

personal.
Una forma razonable de abarcar este problema es considerar que la variable aleatoria
tome:
• el valor 1, si el individuo tiene ordenador
• el valor 0 si el individuo no tiene ordenador

Variable aleatoria X = ξ

Distribución de Bernouilli → éxito, fracaso

B ( 1, θ)

f θ=θ x

fθ = θ x (1 − θ )1−θ

• Una técnica de la estimación puntual

Ej. θ = 0,17 → el 17% tiene ordenador puntual. → Es estimación Puntual.
• Si θ ∈ ( 0,152,0,187 ) Estimación por intervalos de confianza
• Si obtengo que este estimador θ es superior o inferior al 20%, → Es Contraste de
Hipótesis.

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 ⇒ PU 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

Los modelos de distribución de probabilidad en principio podemos distinguir 2 clases:

• 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.

Llamamos función de Distribución F x = P[ξ ≤ x ] es decir es la probabilidad

acumulada de la V.A. ξ ( símbolo de una variable cualquiera da igual la letra griega)
hasta el punto x.

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.

Ejercicio: VA Discreta y su función de Distribución:

Voy a tener los valores de la VA en el experimento aleatorio de lanzar 2 veces

consecutivas una moneda. Quiero obtener el nº de caras que hay en ese experimento.

Ω= ( cc, cx, xc, xx)

x i va que expresa el nº de caras p i

=Pξ = ( x) i

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

Es importante que el salto es la probabilidad en el punto

Propiedades Variable Aleatoria Discreta:

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 )

i= valor de la cara= 1,2,3,4,5,6

Pi = P (ξ = X i ) = ki

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 )

Variable Aleatoria Continua VAC:

Una VA ξ es Continua si su Funcion de distribución es continua y existe otra función,

llamada función de densidad que verifica que la derivada de la función de distribución
es la función de densidad.

Va ξ : F( x) continua
f ( x ) ≥ 0 = función de densidad

dF( x )
= F `( x ) = f ( x )
dx

Consecuencias de esta definición:

 1) como f ( x ) ⇒ es una densidad de probabilidad, es por tanto una función que
asigna probabilidad a los valores de la v.a.
2) Como F( x ) es continua los valores de la v.a. toman valores en un intervalo.
ξ toma valores en un intervalo
P (ξ = x) = 0, ∀x la probabilidad en un punto es cero

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
+∞

∫ f ( x)dx = 1 Condición para que

−∞
f ( x ) sea

función de densidad

En la Practica no existen variables continuas porque las medidas que hacemos siempre
son discretas ( son un nº).

Ejemplos:

1)

Tenemos una ξ v.a. continua

Su función de densidad f ( x ) = 1 0 < x <1

a) Comprobar si es función de densidad

∞ 1

∫f dx = ∫ 1dx = x 0 = 1 función de densidad

1
( x)
−∞ 0

b) Hallar función de densidad

∞ 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

4) f ( x) = e − x x>0 esto significa 0 ≤ x < ∞

∞
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