Formulario 3er parcial estadistica 1

1) Variables aleatorias y distribucion de probabilidad

Definicion matematica de variable: Es una funcion que se asigna a un numero real cada uno de los
valores posibles que puede ocurrir dentro de un espacio muestral, se llaman variables porque pueden
asumir diferentes valores y aleatorias porque provienen de experimentos hechos al azar. Las variables
aleatorias se representan por las ultimas letras mayusculas del abecedario X, Y, Z. Los valores
correspondientes que puede asumir la variable se representan por las letras minusculas
correspondientes por ejemplo X---x, Y---y, Z---z.
Variables aleatorias y distribuciones de probabilidad son aquellas cuyo recorrido es finito y se
encuentran en una sola dimension, cada valor posible de una variable aleatoria se le asigna un valor
P(x) que representa la probabilidad de ocurrencia de cada valor.
Sea X una V.A.D.U, Rx su recorrido donde Rx=0,1,2,...n por lo tanto a) 0P(x)1 b) P(xi)=1.

Ejemplo, sea la tabla con

X---0--1--2--3
P(x)0.510.380.100.01
F(x)0.51(0.51+0.38=0.89)(0.51+0.38+0.10=0.99)(0.51+0.38+0.10+0.01=1)
XiP(x)(0*0.51=0)(1*0.38=0.38)(2*0.10=0.20)(3*0.01=0.03)
Xi2P(x)(02*0.51=0)(12*0.38=0.38)(22*0.10=0.40)(32*0.01=0.09)

Funcion F(x)
0, x<0
0.51 0x<1
0.89 1x<2
0.99 2x<3
1 x3

Esperanza E(x)=XiP(x)=0+0.38+0.20+0.03=0.61
Varianza V(x)=E(x2)-[E(x)]2
E(x2)=Xi2P(x)=0+0.38+0.40+0.09=0.87
V(x)=0.87-(0.61)2=0.4979
Desviacion Standard S(x)=(Vx)1/2

Valores aleatorias unidimensionales continuas.

Si el recorrido de una variable es infinito y ademas de esta en una sola dimension a esta variable se le
llama V.A.U.C., en general el recorrido de una variable V.A.C. se encuentra comprendido entre
-oox+oo, para que sea una V.A.C. exista debe tener asociada una funcion f(x) llamada funcion de
densidad de probabilidades f.d.p, que satisfaga las siguentes propiedades:
A) f(x)0
B) Integral(+oo a -00) f(x)dx=1
C) Para todo intervalo (a,b) comprendido entre -oo<a<b<+oo se tiene P(a<x<b)=integral(b-a) f(x)dx.

Esperanza (x)=integral(+oo a -oo) xf(x)dx

Varianza V(x)= (integral (+oo a -oo) x2f(x)dx)-[(x)]2
Desviacion Standard S(x)=(Vx)1/2

Distribuciones discretas especiales

*Distribucion Binomial:
Pruebas independientes
Existe Dicotomia
No interesa el orden
P=Probabilidad de xito
q=1-P, Probabilidad de fracaso
x=#de exitos en n pruebas
P(x=k)=(n k)Pkqn-k, donde k=0,1,2...n
P(x=k)=(nCk)Pkqn-k
Esperanza E(x)=nP
Varianza V(x)=nPq
Desviacion Standard S(x)=(Vx)1/2

*Distribucion Geometrica:

Pruebas independientes
Existe Dicotomia
P=Probabilidad de xito
q=1-P, Probabilidad de fracaso
x=#de pruebas hasta obtener el 1er exito
P(x=k)=qk-1*P, donde k=0,1,2...n
Esperanza E(x)=1/P
Varianza V(x)=q/P2
Desviacion Standard S(x)=(Vx)1/2

*Distribucion Pascal o Binomial Negativa:

Pruebas independientes
Existe Dicotomia
P=Probabilidad de xito
q=1-P, Probabilidad de fracaso
x=#de pruebas hasta obtener el r-esimo exito
P(x=k, r-esimo exito)=(K-1 r-1)Pr*qk-r,
P(x=k, r-esimo exito)=(K-1 C r-1)Pr*qk-r, donde k=r, r+1, r+2..
Esperanza E(x)=r/P
Varianza V(x)=r*q/P2
Desviacion Standard S(x)=(Vx)1/2

*Distribucion Poisson:
Nuevas independientes
Existe dicotomia (Interesado en uno se dos resultados posibles)
No interesa el orden
X=# de exitos obtenidos
X la variable aleatoria se distribuye en area, tiempo o volumen.
Rx=0,1,2.n
P(x=k)=(e(-)*k)/k!, donde lamda=promedio
Esperanza E(x)=
Varianza V(x)=
Desviacion Standard S(x)=(V(x))1/2

una distribucion binomial se aproxima a poisson cuando N es grande y P es pequeo

n=# de datos
=nP

*Distribucion Multinomial:
Es la generalizacion de la distribucion BINOMIAL, pues en lugar de considerar solo 2 tipos de
ocurrencias se tienen K tipos. Las probabilidades de ocurrencia de cada uno de estos K tipos son P1,
P2,--Pk.

Pruebas independientes
Existe multinomia (varios resultados posibles)
no interesa el orden
interesan las variables X1, X2...Xn
P1=P(a)=Cte
P2=P(a)=Cte, etc
P(X1=n1, X2=n2,.X3=n3,)=[n!/(n1!*n2!*n3!)]*(P1)n1*(P2)n2*(P3)n3

*Distribucion Hipergeometrica.
Esta se divide en hipergeometrica multivariada e hipergeometrica en muestreo de aceptacion.

*Distribucion Hipergeometrica Multivariada.

Pruebas dependientes (Sin Reemplazo)

Varios resultados posibles
No interesa el orden
Se conoce el tamao de la poblacion y el de los sub-grupos
Interesa las variables X1, X2---Xk
P(X1=n1, X2=n2,.X3=n3,)=[(N1 n1)*(N2 n2)*(N3 n3)]/(N n)
P(X1=n1, X2=n2,.X3=n3,)=[(N1 C n1)*(N2 C n2)*(N3 C n3)]/(N C n)

*Distribucion Hipergeometrica Muestreo de Aceptacion.

Se aplica a problemas donde interesa lotes de material para ver si se acepta o rechaza el lote completo,
la variable aleatoriax en estudio es el numero de defectos encontrados, se dice que la variable
aleatoria x tiene distribucion hipergeometrica con N, n, y K, si su funcion de distribucion de
probabilidad esta dado por:

P(x,N,n,K)=[(K x)(N-K n-x)]/(N n)

P(x,N,n,K)=[(K C x)(N-K C n-x)]/(N C n)
Rx=0,1,2...n
X=valor que asume la variable aleatoria
N=Conjunto de articulos
n=articulos seleccionados
K=articulos defectuosos
Esperanza E(x)=nP
Varianza V(x)=[nPq(N-n)]/(N-1)

*Variable aleatoria continua especial, distribucion uniforme o rectangular.

Es la mas simple y se caracteriza por una funcion de densidad plana, lo que hace que la probabilidad
sea uniforme en un intervalo cerrado [A,B], la funcion de densidad de probabilidad de la variable X, el
intervalo [A,B] es
f(x,A,B)={1/(B-A) AXB 0 COC
Se realiza una integral, como limite maximo A
E(x)=(B+A)/2
V(x)=(B-A)2/12
Desviacion Standard S(x)=(Vx)1/2

*Distribucion exponencial
La variable aleatoria X tiene una distribucion exponencial con parametro (Beta) su su funcion f.d.p
esta dada por
f(x, )={(1/ )*e(-x/) X>0, B>0 0 COC
(x)= Tiempo medido entre eventos
V(x)= 2
P(Xx)=e(-x/)
P(Xx)=1-e(-x/)

Nota:
no mas de 4: (0x4)
menos de 4:P(0x<4) incluido el cero
ms de 4: P(x>4)
4 o menos: P(0x<4) incluido el cero