Probabilidades y Estadística

Capítulo 4

Ayudantía 9
Cristóbal Van der Meer – Ingeniería U. Andes
En la Ayudantía Anterior….
• Medidas Multi-Descriptivas:
1- Esperanza de una función 𝑬 𝒉 𝒙, 𝒚 .
a) Esperanza conjunta 𝑬 𝑿𝒀 .
2- Covarianza 𝑪𝒐𝒗 𝑿, 𝒀 .
3- Correlación 𝝆𝑿,𝒀 .
4- Esperanza Condicional 𝑬 𝒉 𝒀 |𝑿 .
5- Varianza Condicional 𝑽 𝒉 𝒀 |𝑿 .
6- Esperanza Vectorial 𝑬 𝒁 .
7- Varianza Vectorial 𝑽 𝒁 .
• Multi-Distribuciones Típicas:
1- Distribución Multinomial.
2- Distribución Normal Multivariada.
• Valores Extremos.
Tópico 1

Introducción a la Inferencia
Ley de los Grandes Números
Esta ley explica por qué el promedio de una muestra al azar de una población de gran tamaño
(𝒏 grande) tiende a estar cerca de la media poblacional.

𝑃 lim 𝑋ത𝑛 = 𝜇 =1
𝑛→∞
Volvamos al pasado…

Distribuciones Discretas y
Continuas
Distribuciones Típicas - Continuas
La cantidad de personas que llegan al aeropuerto se comporta mediante un Proceso de Poisson con
una tasa promedio de 5 [𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑠/𝑠𝑒𝑔𝑢𝑛𝑑𝑜]. Determine la probabilidad de que el tiempo entre
llegadas de dos personas sea mayor a 300 segundos.

Solución:
𝑋: Tiempo entre llegadas de dos personas.
𝑋~𝐸𝑥𝑝 𝜆 = 5 [𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑠/𝑠𝑒𝑔𝑢𝑛𝑑𝑜]

∞
∞
𝑃 𝑋 > 300 = න 5𝑒 −5𝑥 𝑑𝑥 = −𝑒 −5𝑥 300 = 0 + 𝑒 −1500 = 1,3 ∙ 10−98
300
Distribuciones Típicas - Discretas
¿Cuál es la probabilidad de que salga el número 5 menos de 80 veces, lanzando 400 veces?

Solución:
𝑋: Número de veces que sale 5 en el dado.
𝑋~𝐵𝑖𝑛 𝑛 = 400, 𝑝 = 1/6

𝑝 𝑋 < 80 = 𝑝 𝑋 = 0 + ⋯ + 𝑝 𝑋 = 78 + 𝑝 𝑋 = 79
0 400 78 322 79 321
400 1 5 400 1 5 400 1 5
= + ⋯+ +
0 6 6 78 6 6 79 6 6
Veamos lo siguiente….
Teorema Central del Límite (TCL)
El Teorema Central del Límite permite asegurar que para cualquier 𝒏 grande si se tiene un
conjunto de variables aleatorias 𝑋1 , … , 𝑋𝑛 𝑖𝑑𝑑, entonces la suma será una normal sin importar
la distribución que tengan.

Bernoulli.
Binomial.
Poisson.
Geométrica. 𝑿−𝝁
Exponencial. 𝔃=
Uniforme.
𝝈
Etc...
Corrección por Continuidad
Una corrección por continuidad es un ajuste que se realiza cuando una distribución discreta
se aproxima mediante una distribución continua.

𝑝 𝑋 < 80 = 𝑃 𝑋 < 79,5

corrección 79,5

78 79 80
Corrección por Continuidad
Una corrección por continuidad es un ajuste que se realiza cuando una distribución discreta
se aproxima mediante una distribución continua.
Ejemplo anterior…
¿Cuál es la probabilidad de que salga el número 5 menos de 80 veces, lanzando 400 veces?

𝑋: Número de veces que sale 5 en el dado. 𝑋~𝐵𝑖𝑛 𝑛 = 400, 𝑝 = 1/6

𝑝 𝑋 < 80 = 𝑝 𝑋 = 0 + ⋯ + 𝑝 𝑋 = 78 + 𝑝 𝑋 = 79

400 2000
Por TCL, tenemos que: 𝑋~𝒩 𝜇, 𝜎 2 𝑋~𝒩 𝑛𝑝, 𝑛𝑝 1 − 𝑝 ⟹ 𝑋~𝒩 ,
6 6

corrección

𝑝 𝑋 < 80 = 𝑃 𝑋 < 79,5

400
𝑋−𝜇 79,5 −
=𝑃 < 6
𝜎 = 𝑃 𝓏 < 1,72 = 0,9573
2000
6
Tópico 2

Estadísticos
(a) Suma de Variables Aleatorias (𝑆𝑛 )
Sean 𝑋1 , … , 𝑋𝑛 tal que 𝐸 𝑋𝑖 = 𝜇 y 𝑉 𝑋𝑖 = 𝜎 2 . Sea la suma de variables tal que:

𝑺𝒏 = 𝑋1 + ⋯ + 𝑋𝑛

𝑬 𝑺𝒏 = 𝐸 𝑋1 + ⋯ + 𝑋𝑛 = 𝜇 + ⋯ + 𝜇 = 𝒏 ∙ 𝝁 𝑆𝑛 ~ 𝑁 𝑛 𝜇; 𝑛 𝜎 2

𝑽 𝑺𝒏 = 𝑉 𝑋1 + ⋯ + 𝑋𝑛 = 𝑉 𝑋1 + ⋯ + 𝑉 𝑋𝑛 = 𝒏 ∙ 𝝈2

𝑆𝑛 − 𝐸 𝑆𝑛 𝑆𝑛 − 𝑛 ∙ 𝜇 𝑆𝑛 − 𝑛 ∙ 𝜇 𝑆𝑛 − 𝑛 ∙ 𝜇
𝑍𝑛 = = = ⟹ 𝑍𝑛 =
𝑉 𝑆𝑛 𝑛 ∙ 𝜎2 𝜎∙ 𝑛 𝜎∙ 𝑛
(b) Media de Variables Aleatorias (𝑆𝑛 )
Sean 𝑋1 , … , 𝑋𝑛 tal que 𝐸 𝑋𝑖 = 𝜇 y 𝑉 𝑋𝑖 = 𝜎 2 . Sea la suma de variables tal que:
𝑛
1
ഥ𝒏 =
𝑿 ∙ ෍ 𝑋𝑖
𝑛
𝑖=1
𝑛 𝑛
1 1 1 1 1
ഥ𝒏 = 𝐸
𝑬 𝑿 ∙ ෍ 𝑋𝑖 = ∙ 𝐸 ෍ 𝑋𝑖 = ∙ 𝐸 𝑋1 + ⋯ + 𝐸 𝑋𝑛 = ∙ 𝜇 + ⋯+ 𝜇 = ∙ 𝑛 ∙ 𝜇 = 𝝁
𝑛 𝑛 𝑛 𝑛 𝑛
𝑖=1 𝑖=1

𝑛 𝑛
1 1 1 1 2 2
1 2
𝝈𝟐
ഥ𝒏
𝑽 𝑿 =𝑉 ∙ ෍ 𝑋𝑖 = 2 ∙ 𝑉 ෍ 𝑋𝑖 = 2 ∙ 𝑉 𝑋1 + ⋯ + 𝑉 𝑋𝑛 = 2 ∙ 𝜎 + ⋯+ 𝜎 = 2 ∙ 𝑛 ∙ 𝜎 =
𝑛 𝑛 𝑛 𝑛 𝑛 𝒏
𝑖=1 𝑖=1

𝑋ത𝑛 − 𝐸 𝑋ത𝑛 𝑋ത𝑛 − 𝜇 𝑋ത𝑛 − 𝜇 𝑋ത𝑛 − 𝜇

𝒁𝒏 = = = 𝜎 ⟹ 𝑍𝑛 = 𝜎
𝑉 𝑋ത𝑛 𝜎 2
𝑛
𝑛 𝑛
(c) Diferencia de Medias
En el caso de que se tengan dos muestras aleatorias de tamaño 𝑛1 y 𝑛2 (respectivamente) con media
poblacional 𝜇1 y 𝜇2 (respectivamente) y varianza poblacional 𝜎12 y 𝜎22 (respectivamente). Para
comparar medias, se debe generar la resta entre ellas:

𝜎12 𝜎22
𝑋ത1 − 𝑋ത2 ~ 𝑁 𝜇1 − 𝜇2 , +
𝑛1 𝑛2

𝑋ത1 − 𝑋ത2 − 𝜇1 − 𝜇2
𝒁𝒏 =
𝜎12 𝜎22
+
𝑛1 𝑛2
(d) Proporción Muestral
Considere una población en la cual una proporción de sus elementos posee una cierta
característica. Sea 𝑋1 , … 𝑋𝑛 una muestra de esta población, tenemos:

𝑛
1 Evento i tiene éxito 1
𝑋𝑖 = ቐ 𝑝Ƹ = ∙ ෍ 𝑋𝑖
𝑛
0 Evento i fracasa 𝑖=1

𝑝(1 − 𝑝)
𝑝Ƹ ~ 𝑁 𝑝,
𝑛

𝑝Ƹ − 𝑝
𝒁𝒏 =
𝑝(1 − 𝑝)
𝑛
(e) Diferencia de Proporciones Muestrales
En el caso de que se tengan dos muestras aleatorias de tamaño 𝑛1 y 𝑛2 (respectivamente) con
proporciones poblacionales 𝑝1 y 𝑝2 (respectivamente). Para comparar proporciones, se debe
generar la resta entre ellas:

𝑝1 1 − 𝑝1 𝑝2 1 − 𝑝2
𝑝Ƹ1 − 𝑝Ƹ 2 ~ 𝑁 𝑝1 − 𝑝2 , +
𝑛1 𝑛2

𝑝Ƹ1 − 𝑝Ƹ 2 − 𝑝1 − 𝑝2
𝒁𝒏 =
𝑝1 1 − 𝑝1 𝑝2 1 − 𝑝2
+
𝑛1 𝑛2
Tópico 3

Distribuciones Muestrales

𝟐
𝓧
Antes de empezar….
Un estadístico es cualquier función de las variables de la muestra:

Muestral Poblacional
𝑋ത 𝜇
𝑆2 𝜎2
𝑝Ƹ 𝑝

Además, se tiene:

𝑛 𝑛
1 1
𝜎2 = ෍ 𝑋𝑖 − 𝑋ത 2 𝑆2 = ෍ 𝑋𝑖 − 𝑋ത 2
𝑛 𝑛−1
𝑖=1 𝑖=1
(a) Distribución Normal
Sean 𝑋1 , … , 𝑋𝑛 variables aleatorias idd de una muestra…

𝔃 , 𝟎𝟎 ⋯ , 𝟎𝟑 ⋯ , 𝟎𝟗
𝑛 ≥ 30 y 𝑆: 𝜎:
−𝟑, 𝟒 ⋯ ⋯ ⋯ ⋯ ∙
𝑋ത − 𝜇 𝑋ത − 𝜇 ⋮ ⋱ ⋱ ⋱ ⋱ ⋮
𝓏= 𝓏= 𝜎 ⋮ ⋱ ⋱ ⋱ ⋱ ⋮
𝑆
𝑛 𝑛 𝟏, 𝟏 ⋱ ⋱ 𝒑 ⋱ ⋮
⋮ ⋱ ⋱ ⋱ ⋱ ⋮
⋮ ⋱ ⋱ ⋱ ⋱ ⋮
𝟑, 𝟒 ⋯ ⋯ ⋯ ⋯ ∙
𝑷 𝔃 < 𝟏, 𝟏𝟑 = 𝒑

𝟎 𝟏, 𝟏𝟑
(b) Distribución Chi-Cuadrado
Sean 𝑋1 , … , 𝑋𝑛 variables aleatorias idd de una muestra…

v/p 0,001 ⋯ ⋯ 𝒑 ⋯ 0,999

𝑛−1 𝑆2
𝜒 2𝑔𝑙 = 𝟏 ⋯ ⋯ ⋯ ⋯ ⋯ ∙
𝜎2 ⋮ ⋱ ⋱ ⋱ ⋱ ⋱ ⋮
⋮ ⋱ ⋱ ⋱ ⋱ ⋱ ⋮
𝑷 𝝌𝟐𝒈𝒍 > 𝟏, 𝟏𝟑 = 𝒑 𝒈𝒍 ⋱ ⋱ ⋱ 𝟏, 𝟏𝟑 ⋱ ⋮
⋮ ⋱ ⋱ ⋱ ⋱ ⋱ ⋮
⋮ ⋱ ⋱ ⋱ ⋱ ⋱ ⋮
𝟔𝟎𝟎 ⋯ ⋯ ⋯ ⋯ ⋯ ∙

𝟎 𝟏, 𝟏𝟑
(c) Distribución T-Student
Sean 𝑋1 , … , 𝑋𝑛 variables aleatorias idd de una muestra…

𝑛 < 30 y 𝑆: 𝑮 0,25 ⋯ ⋯ 𝒑 ⋯ 0,005

𝟏 ⋯ ⋯ ⋯ ⋯ ⋯ ∙

𝑔𝑙
𝑋ത − 𝜇 ⋮ ⋱ ⋱ ⋱ ⋱ ⋱ ⋮
𝑡 = ⋮ ⋱ ⋱ ⋱ ⋱ ⋱ ⋮
𝑆
𝑛 𝒈𝒍 ⋱ ⋱ ⋱ 𝟏, 𝟏𝟑 ⋱ ⋮
⋮ ⋱ ⋱ ⋱ ⋱ ⋱ ⋮
⋮ ⋱ ⋱ ⋱ ⋱ ⋱ ⋮
𝑷 𝒕 𝒈𝒍 > 𝟏, 𝟏𝟑 = 𝒑 𝟐𝟗 ⋯ ⋯ ⋯ ⋯ ⋯ ∙

𝟎 𝟏, 𝟏𝟑
(d) Distribución F de Fischer
Sean 𝑋1 , … , 𝑋𝑛 variables aleatorias idd de dos muestras…

𝑆12 𝟏−𝜶=𝒑
𝑔𝑙1 ,𝑔𝑙2 𝜎12 𝒗𝟐 \𝒗𝟏 1 ⋯ ⋯ 𝒈𝒍𝟏 ⋯ 1000
𝐹 = 2
𝑆2 𝟏 ⋯ ⋯ ⋯ ⋯ ⋯ ∙
𝜎22 ⋮ ⋱ ⋱ ⋱ ⋱ ⋱ ⋮
⋮ ⋱ ⋱ ⋱ ⋱ ⋱ ⋮
𝒈𝒍𝟐 ⋱ ⋱ ⋱ 𝟏, 𝟏𝟑 ⋱ ⋮
𝑷 𝑭 𝒈𝒍𝟏 ,𝒈𝒍𝟐 < 𝟏, 𝟏𝟑 = 𝒑 ⋮ ⋱ ⋱ ⋱ ⋱ ⋱ ⋮
⋮ ⋱ ⋱ ⋱ ⋱ ⋱ ⋮
𝟏𝟎𝟎𝟎 ⋯ ⋯ ⋯ ⋯ ⋯ ∙

𝟎 𝟏, 𝟏𝟑
(d) [Propiedad] Distribución F de Fischer

Puesto que la tabla de Fischer trabaja con valores para 1 − 𝛼, se tiene la siguiente particularidad
para trabajar con valores de 𝛼:

𝑔𝑙1 ,𝑔𝑙2 1
𝐹𝑎 = 𝑔𝑙 ,𝑔𝑙1
𝐹1−𝑎2