UNIVERSIDAD MAYOR DE SAN ANDRES

FACULTAD DE INGENIERÍA
INGENIERIA INDUSTRIAL

AUX: Univ. Rosaycela Tarqui Vizaluque

DOCENTE: Ing. Yuri Zamorano Braun

1. FORMATO Y PRESENTACIÓN DE PRÁCTICAS

ESTADISTICA INFERENCIAL IND- 411

Nota:
 No es obligatorio copiar los enunciados, pero si debe estar claro que ejercicio es.
 Las respuestas de cada ejercicio deben ser encerradas en un recuadro (letras y
números claros y legibles por favor).
 Las practicas deberán ser enviadas en modo PDF a la plataforma CLASROOM, con
el siguiente Formato: P (Nro. De Práctica) Apellido y Nombre.
Ejemplo: P1TARQUIROSAYCELA

AUX. UNIV ROSAYCELA TARQUI 1

 UMSA FACULTAD DE INGENIERIA

ESTADISTICA INFERENCIAL IND- 411

DISTRIBUCIÓN DE PROBABILIDAD CONJUNTA
CASO DISCRETO CASO CONTINUO
Bi - Variante Multivariante Bi - Variante Multivariante
𝑝(𝑥, 𝑦) = 𝑃(𝑋 = 𝑥, 𝑌 = 𝑦) 𝑝(𝑥1 , 𝑥2 , . . . 𝑥𝑛 ) = 𝑃(𝑋1 = 𝑥1 , 𝑋2 La función de densidad La función de densidad conjunta estará
= 𝑥2 , … 𝑋𝑛 = 𝑥𝑛 ) conjunta estará dada por: dada por: 𝑓(𝑥1 , 𝑥2 , … 𝑥𝑛 )
Propiedades
Propiedades 𝑓(𝑥, 𝑦) Propiedades
𝑖) 𝑝(𝑥, 𝑦) = 𝑃(𝑋 = 𝑥, 𝑌 = 𝑦)
≥ 0∀𝑥, 𝑦 𝑖) 𝑝(𝑥1 , 𝑥2 , . . . 𝑥𝑛 ) = 𝑃(𝑋1 = 𝑥1 , 𝑋2 Propiedades
𝑖) 𝑓(𝑥1 , 𝑥2 , . . . 𝑥𝑛 ) ≥ 0 ∀ 𝑥𝑖
𝑖𝑖) ∑ ∑ 𝑝(𝑥, 𝑦) = 1 = 𝑥2 , … 𝑋𝑛 = 𝑥𝑛 ≥ 0 ∀ 𝑥𝑖 𝑖) 𝑓(𝑥, 𝑦) ≥ 0 ∀ 𝑥, 𝑦 ∞ ∞ ∞
∞ ∞
𝑥 𝑦 𝑖𝑖) ∑ ∑ … ∑ 𝑝(𝑥1 , 𝑥2 , . . . 𝑥𝑛 ) = 1 𝑖𝑖) ∫ ∫ … ∫ 𝑓(𝑥1 , 𝑥2 , . . . 𝑥𝑛 ) 𝑑 𝑥1 𝑑𝑥𝑛 = 1
𝑥1 𝑥2 𝑥3 𝑖𝑖) ∫ ∫ 𝑓(𝑥, 𝑦) 𝑑𝑦𝑑𝑥 = 1 𝑅𝑥1 𝑅𝑥2 𝑅𝑥𝑛
𝑅𝑥 𝑅𝑦

DISTRIBUCIÓN DE PROBABILIDAD ACUMULADA

CASO DISCRETO CASO CONTINUO
Bi - Variante Multivariante Bi - Variante Multivariante
𝑝(𝑥, 𝑦) = 𝑃(𝑋 ≤ 𝑥, 𝑌 ≤ 𝑦) 𝑝(𝑥1 , 𝑥2 , . . . 𝑥𝑛 ) = 𝑃(𝑋1 ≤ 𝑥1 , 𝑋2 ≤ 𝑥2 , … 𝑋𝑛 𝑓(𝑥, 𝑦) = 𝑓(𝑋 ≤ 𝑥, 𝑌 ≤ 𝑦) 𝑓(𝑥1 , 𝑥2 , . . . 𝑥𝑛 ) = 𝑓(𝑋1 ≤ 𝑥1 , 𝑋2 ≤ 𝑥2 , … 𝑋𝑛
𝑥 𝑦 𝑥1 𝑥𝑛 𝑥 𝑦
≤ 𝑥𝑛 )
= ∑ ∑ 𝑝(𝑡1 , 𝑡2) ≤ 𝑥𝑛 ) = ∑ … ∑ 𝑝(𝑡1 , . . 𝑡𝑛) = ∫ ∫ 𝑓(𝑡1 , 𝑡2 ) 𝑑𝑡2 𝑑𝑡1
𝑥1 𝑥𝑛

𝑡 1 𝑡2 𝑡1 𝑡𝑛
−∞ −∞ = ∫ … ∫ 𝑓(𝑡1 , . . 𝑡𝑛 ) 𝑑𝑡𝑛 𝑑𝑡1
−∞ −∞

DISTRIBUCIÓN MARGINALES
CASO DISCRETO CASO CONTINUO
Bi - Variante Multivariante Bi - Variante Multivariante
𝑝(𝑥1 , 𝑥2 , . . . 𝑥𝑛 ) ∞
𝑝1 (𝑥) = 𝑝𝑥 (𝑥) = ∑ 𝑝(𝑥, 𝑦) 𝑓(𝑥1 , 𝑥2 , . . . 𝑥𝑛 ) =
𝑓(𝑥) = 𝑔𝑥 (𝑥) = ∫ 𝑓(𝑥, 𝑦)𝑑𝑦 ∞ ∞
𝑦 = ∑ … ∑ 𝑝(𝑥1 , 𝑥2 , . . . 𝑥𝑛 ) 𝑅𝑦
𝑥1 𝑥𝑛 ∞ = ∫ … ∫ 𝑓(𝑥1 , . . 𝑥𝑛 ) 𝑑𝑥𝑛 𝑑𝑥1
𝑝2 (𝑦) = 𝑝𝑦 (𝑦) = ∑ 𝑝(𝑥, 𝑦)
𝑓(𝑦) = ℎ𝑦 (𝑦) = ∫ 𝑓(𝑥, 𝑦)𝑑𝑥 𝑅𝑥1 𝑅𝑥𝑛
𝑥
𝑅𝑥

AUX. UNIV ROSAYCELA TARQUI 2

 UMSA FACULTAD DE INGENIERIA

DISTRIBUCIONES CONDICIONALES
CASO DISCRETO CASO CONTINUO
𝑝(𝑥, 𝑦) 𝑝(𝑋 = 𝑥, 𝑌 = 𝑦) 𝑓(𝑥, 𝑦)
𝑝(𝑥/𝑦) = 𝑝(𝑋 = 𝑥/𝑌 = 𝑦) = = 𝑓(𝑥/𝑦) =
𝑝𝑦 (𝑦) 𝑝𝑦 (𝑌 = 𝑦) 𝑓𝑦 (𝑦)

MOMENTOS POTENCIALES ORDINARIOS

CASO DISCRETO CASO CONTINUO
∞ ∞
𝑚𝑟𝑠 = 𝐸(𝑥 𝑟 , 𝑦 𝑠 ) = ∑ ∑ 𝑥 𝑟 𝑦 𝑠 𝑝(𝑥, 𝑦)

ESTADISTICA INFERENCIAL IND- 411

𝑟 𝑠)
𝑚𝑟𝑠 = 𝐸(𝑥 , 𝑦 = ∫ ∫ 𝑥 𝑟 𝑦 𝑠 𝑓(𝑥, 𝑦) 𝑑𝑦 𝑑𝑥
𝑥 𝑦
Media de X (𝒓 = 𝟏, 𝒔 = 𝟎) 𝑅𝑥 𝑅𝑦
Media de X (𝒓 = 𝟏, 𝒔 = 𝟎)
𝑚10 = 𝐸(𝑥 1 , 𝑦 0 ) = 𝐸(𝑥) = 𝜇𝑥 = ∑ 𝑥𝑖 𝑝𝑥 (𝑥) ∞ ∞
𝑖 1 0)
𝑚10 = 𝐸(𝑥 , 𝑦 = 𝐸(𝑥) = 𝜇𝑥 = ∫ ∫ 𝑥 𝑓(𝑥, 𝑦) 𝑑𝑦 𝑑𝑥
Media de Y (𝒓 = 𝟎, 𝒔 = 𝟏)
−∞ −∞
𝑚01 = 𝐸(𝑥 0 , 𝑦1 ) = 𝐸(𝑦) = 𝜇𝑦 = ∑ 𝑦𝑖 𝑝𝑦 (𝑦) Media de Y (𝒓 = 𝟎, 𝒔 = 𝟏)
∞ ∞
𝑗
0 1)
𝑚01 = 𝐸(𝑥 , 𝑦 = 𝐸(𝑦) = 𝜇𝑦 = ∫ ∫ 𝑦 𝑓(𝑥, 𝑦) 𝑑𝑦 𝑑𝑥
−∞ −∞

MOMENTOS POTENCIALES CENTRADOS

CASO DISCRETO CASO CONTINUO
𝜇𝑟𝑠 ̅ 𝑟 ̅ 𝑠
= 𝐸[(𝑋 − 𝑋) (𝑌 − 𝑌) ]
𝜇𝑟𝑠 = ∑ ∑(𝑥𝑖 − 𝜇𝑥 )𝑟 (𝑦𝑖 − 𝜇𝑦 )𝑠 𝑝(𝑥. 𝑦)
𝑥 𝑦
Varianza de X (𝒓 = 𝟐, 𝒔 = 𝟎) 𝜇𝑟𝑠 = 𝐸[(𝑋 − 𝑋̅)𝑟 (𝑌 − 𝑌̅) 𝑠 ]
∞ ∞
𝜇20 = 𝜎𝑥 2 = ∑ ∑(𝑥𝑖 − 𝜇𝑥 )2 𝑝𝑖𝑗
𝑖 𝑗
= ∫ ∫ (𝑥 − 𝜇𝑥 )𝑟 (𝑦 − 𝜇𝑦 )𝑠 𝑓(𝑥, 𝑦) 𝑑𝑦 𝑑𝑥
𝑉[𝑥] = 𝐸[𝑥 2 ] − [𝐸(𝑥)]2 𝑅𝑥 𝑅𝑦
2 Varianza de X (𝒓 = 𝟐, 𝒔 = 𝟎)
∞ ∞
𝜇20 = 𝜎𝑥 2 = ∑ 𝑥𝑖 2 𝑝𝑥𝑖 − (∑ 𝑥𝑖 𝑝𝑥𝑖 )
𝑖 𝑖
𝜇20 = 𝜎𝑥 2 = ∫ ∫ (𝑥 − 𝜇𝑥 )2 𝑓(𝑥, 𝑦) 𝑑𝑦 𝑑𝑥
−∞ −∞
Varianza de Y (𝒓 = 𝟎, 𝒔 = 𝟐) Varianza de Y (𝒓 = 𝟎, 𝒔 = 𝟐)
∞ ∞
𝜇02 = 𝜎𝑦 2 = ∑ ∑(𝑦𝑖 − 𝜇𝑦 )2 𝑝𝑖𝑗
𝜇02 = 𝜎𝑦 = ∫ ∫ (𝑦 − 𝜇𝑦 )2 𝑓(𝑥, 𝑦) 𝑑𝑦 𝑑𝑥
2
𝑖 𝑗
−∞ −∞
𝑉[𝑦] = 𝐸[𝑦 2 ] − [𝐸(𝑦)]2
2
2 2
𝜇02 = 𝜎𝑦 = ∑ 𝑦𝑖 𝑝𝑦𝑖 − (∑ 𝑦𝑖 𝑝𝑦𝑖 )
𝑖 𝑖

VALOR ESPERADO CONDICIONAL

CASO DISCRETO CASO CONTINUO
∞
𝐸[𝑥/𝑦] = ∑ 𝑥 𝑝(𝑥/𝑦) 𝐸[𝑥/𝑦] = ∫ 𝑥 𝑓(𝑥/𝑦)𝑑𝑦
𝑥
𝑅𝑥

AUX. UNIV ROSAYCELA TARQUI 3

 UMSA FACULTAD DE INGENIERIA

COVARIANZA
CASO DISCRETO CASO CONTINUO
∞ ∞
𝑚11 = 𝐸(𝑥1, 𝑦1) = 𝐸(𝑥, 𝑦) = ∑ ∑ 𝑥𝑖𝑦𝑗 𝑝𝑖𝑗
𝑚11 = 𝐸(𝑥, 𝑦) = 𝜇𝑥𝑦 = ∫ ∫ 𝑥𝑦 𝑓(𝑥, 𝑦) 𝑑𝑦 𝑑𝑥
𝑖 𝑗
−∞ −∞
𝜇11 = 𝑚11 − 𝑚10 ∗ 𝑚01 ∞ ∞

𝐶𝑜𝑣(𝑥, 𝑦) = 𝐸(𝑥, 𝑦) − 𝐸(𝑥) ∗ 𝐸(𝑦) 𝜇11 = ∫ ∫ 𝑥𝑦 𝑓(𝑥, 𝑦) 𝑑𝑦 𝑑𝑥

−∞ −∞
𝜇11 = ∑ ∑ 𝑥𝑖 𝑦𝑖𝑝𝑖𝑗 − ∑ 𝑥𝑖𝑝𝑖𝑗 ∗ ∑ 𝑦𝑖𝑝𝑖𝑗 ∞ ∞
𝑖 𝑗 𝑖 𝑗
− ∫ 𝑥 𝑓(𝑥, 𝑦) 𝑑𝑦 𝑑𝑥 ∗ ∫ 𝑦 𝑓(𝑥, 𝑦) 𝑑𝑦 𝑑𝑥

ESTADISTICA INFERENCIAL IND- 411

−∞ −∞

PROPIEDADES DEL VALOR ESPERADO PROPIEDADES DE LA VARIANZA

𝑖) 𝐸[𝑘𝑋] = 𝑘 𝐸[𝑥] 𝑖) 𝑉[𝑘𝑋] = 𝑘2 𝑉[𝑥]
𝑖𝑖) 𝐸[𝑘] = 𝑘 𝑖𝑖) 𝑉[𝑘] = 0
𝑖𝑖𝑖) 𝐸[𝑎𝑋 + 𝑏] = 𝑎 𝐸[𝑋] + 𝑏 𝑖𝑖𝑖) 𝑉[𝑎𝑋 + 𝑏] = 𝑎2 𝑉[𝑋]
𝑖𝑣) 𝐸[𝑥 + 𝑦] = 𝐸[𝑥] + 𝐸[𝑦] 𝑖𝑣) 𝑉[𝑥 ± 𝑦] = 𝑉[𝑥] + 𝑉[𝑦] ± 2*𝐶𝑜𝑣[𝑥, 𝑦]
𝑣) 𝐸[𝑥 − 𝑦] = 𝐸[𝑥] − 𝐸[𝑦] 𝑣) 𝑉[𝑥1 + 𝑥2 + ⋯ ] = 𝑉[𝑥1] + 𝑉[𝑥2] + ⋯
𝑣𝑖) 𝐸[𝑥1 + 𝑥2 + ⋯ ] = 𝐸[𝑥1] + 𝐸[𝑥2] + ⋯ 𝑣𝑖) 𝑉[𝑥1 − 𝑥2 − ⋯ ] = 𝑉[𝑥1] + 𝑉[𝑥2] + ⋯

INDEPENDENCIA CORRELACIÓN
𝑖) 𝑝(𝑥, 𝑦) = 𝑝𝑥(𝑥) ∗ 𝑝𝑦(𝑦) 𝑓(𝑥, 𝑦) = 𝑓1(𝑥) ∗ 𝑓2(𝑦)
𝑖𝑖) 𝑝(𝑥/𝑦) = 𝑝𝑥(𝑥) 𝑝(𝑦/𝑥) = 𝑝𝑦(𝑦)
𝐶𝑜𝑣 (𝑥, 𝑦)
𝑖𝑖𝑖) 𝑓(𝑥/𝑦) = 𝑓1(𝑥) 𝑓(𝑦/𝑥) = 𝑓2(𝑦) 𝑟=
𝑖𝑣) 𝐸(𝑥, 𝑦) = 𝐸(𝑥) ∗ 𝐸(𝑦) ඥ𝑉(𝑥) ∗ 𝑉(𝑦)
𝑣) 𝑉(𝑥 + 𝑦) = 𝑉(𝑥) ∗ 𝑉(𝑦)

AUX. UNIV ROSAYCELA TARQUI 4

 UNIVERSIDAD MAYOR DE SAN ANDRES
FACULTAD DE INGENIERÍA
INGENIERIA INDUSTRIAL

AUX: Univ. Rosaycela Tarqui V.

DOCENTE: Ing. Yuri Zamorano Braun

PARAMETRO Y ESTADÍSTICO

ESTADISTICA INFERENCIAL IND- 411

Parámetro Poblacional Estadísticos muestrales

 Tamaño = n
 Tamaño = N
 Media muestral = 𝑥̅
 Media Poblacional = 𝜇
 Varianza muestral= 𝑠2
 Varianza Poblacional = 𝜎2
 Cuasivarianza muestral = s2
 Proporcionalidad poblacional= 𝜋 = 𝑃
 Proporcionalidad muestral = 𝑝̂
 Coeficiente de Correlación = 𝜌
 Coeficiente de Correlación = 𝑟

DISTRIBUCIÓN MUESTRAL DE
POBLACIONAL O MUESTRAL
MEDIAS
∑𝑁 1 𝑥̅𝑖 ∑𝑛 1 𝑥̅𝑖 ∑𝑛 𝑥̅𝑖 ∗ 𝑓𝑖
𝑖=1
Media 𝜇= 𝑖= ; 𝑥̅ = 𝑖= 𝜇𝑥̅ =
𝑛 𝑛 ∑𝑛 𝑓𝑖
𝑖=1

∑𝑛𝑖=1𝑥̅𝑖2 ∗ 𝑓𝑖
𝜎𝑥̅2 = − 𝜇𝑥̅2
∑𝑛 𝑥̅𝑖2 ∑𝑛 (𝑥̅𝑖 − 𝜇)2 ∑𝑛𝑖=1 𝑓𝑖
𝑖=1 𝑖=1
Varianza 𝜎2 = − 𝜇2 = ∑𝑛 (𝑥̅ − 𝜇 )2 ∗ 𝑓
𝑛 𝑛 𝑖=1 𝑖 𝑥̅ 𝑖
= ∑𝑛 𝑓𝑖
𝑖=1

𝑛𝑠 2
Cuasivarianza 𝑛𝑠2 = (𝑛 − 1) ∗ s2 s2 =
(𝑛−1)

DISTRIBUCIÓN ESTADÍSTICO
𝑥̅ − 𝜇
NORMAL 𝑧= ~𝑛(𝜇, 𝜎)~𝑛(0,1)
𝜎𝑥̅
𝑥̅ − 𝜇
T- STUDENT 𝑡= ~𝑡𝛼𝑛−1
𝜎𝑥̅
(𝑛 − 1) ∗ s2
JI - CUADRADO 𝑢= ~𝑥̅2𝑛−1, 𝛼
𝜎2
s12⁄
2
𝜎
F- SNEDECOR 𝐹 = 2 1 ~𝐹𝛼 𝑛1−1,𝑛2−1
s2
⁄𝜎 2
2

AUX. UNIV ROSAYCELA TARQUI V. 1

UMSA FACULTAD DE INGENIERIA

̅)
DISTRIBUCIÓN PARA LA MEDIA (𝑿
𝑥̅ − 𝜇𝑥̅ 𝑥̅ − 𝜇𝑥̅
𝑓(𝑥̅ ) = 𝑧 = = 𝑛(𝜇 , 𝜎𝑥̅ ) ≈ 𝑛(0, 1) 𝑜 𝑓(𝑥̅ ) = 𝑡 = ≈ 𝑡𝛼 𝑛−1
𝜎𝑥̅ 𝜎𝑥̅

Para determinar la 𝑢 = 𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑜 𝜇𝑥̅ = 𝑢

𝜇𝑥̅
media (de la Media) 𝑢 = 𝑑𝑒𝑠𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑜 𝜇𝑥̅ = 𝜇̂ 𝑒𝑠𝑡𝑖𝑚𝑎𝑛𝑑𝑜 𝜇𝑥̅ = 𝑥̅
𝜎

ESTADISTICA INFERENCIAL IND- 411

𝜎 2 = 𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑜 𝜎𝑥̅ = ~𝑧
√𝑛
Para determinar la 𝑆
desviación estándar 𝜎𝑥̅ 𝑛 > 30 𝜎𝑥̅ = ~𝑧
(de la Media) √𝑛
𝜎 2 = 𝑑𝑒𝑠𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑜
s
𝑛 ≤ 30 𝜎𝑥̅ = ~ 𝑡𝛼 𝑛−1
√𝑛

Nota: Si se conoce el tamaño de la 𝜎 𝑁−𝑛

población “N” (Población finita), debe 𝜎𝑥̅ = √
√𝑛 𝑁 − 1
emplearse el Factor de Corrección

DISTRIBUCIÓN DE LA DIFERENCIA DE MEDIAS ( 𝑿 ̅𝟏 − 𝑿

̅𝟐 )
(𝑥̅1 − 𝑥̅2 ) − 𝜇𝑥̅1 −𝑥̅ 2
𝑓(𝜃̂) = 𝑓(𝑥̅1 − 𝑥̅2 ) = ~ 𝑍 𝑜 𝑡
𝜎𝑥̅1 −𝑥̅2
Para determinar la 𝑢1 , 𝑢2 = 𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑜 𝜇𝑥̅1 −𝑥̅2 = 𝜇1 − 𝜇2
media (de la 𝑢1 , 𝑢2 𝜇𝑥̅1 −𝑥̅ 2 = 𝜇̂ 1 − 𝜇̂ 2 𝑒𝑠𝑡𝑖𝑚𝑎𝑛𝑑𝑜
Diferencia de 𝜇𝑥̅1 −𝑥̅2
= 𝑑𝑒𝑠𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑜 𝜇𝑥̅1 −𝑥̅2 = 𝑥̅1 − 𝑥̅2
Medias)
Para determinar la desviación estándar (de la Diferencia de Medias)
Heterocedástico 𝜎1 2 ≠ 𝜎2 2 Homocedástico 𝜎1 2 = 𝜎2 2
𝜎1 2 , 𝜎2 2
𝜎1 2 𝜎2 2 1 1 𝑛1 + 𝑛2
= 𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑎 𝜎𝑥̅1 −𝑥̅ 2 = √ + ~𝑧 𝜎𝑥̅1 −𝑥̅2 = 𝜎√ + = 𝜎√ ~𝑧
𝑛1 𝑛2 𝑛1 𝑛2 𝑛1 ∗ 𝑛2

𝜎1 2 , 𝜎2 2 = 𝑛1 𝜎𝑥̅1 −𝑥̅2
𝑠1 2 𝑠2 2
𝑑𝑒𝑠𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑎 > 30 𝜎𝑥̅1 −𝑥̅2 =√ + ~𝑧
𝑛1 𝑛2 (𝑛1 − 1) ∗ s1 2 + (𝑛2 − 1) ∗ s2 2 1 1
𝑛2 =√ √ +
> 30 𝑛1 + 𝑛2 − 2 𝑛1 𝑛2

𝑛1 𝜎𝑥̅1 −𝑥̅2
~𝑡 𝑛1 +𝑛2 −2
≤ 30
𝑛2 s1 2 s2 2 𝑛 +𝑛 −2
=√ + ~𝑡 1 2
≤ 30 𝑛1 𝑛2

Nota: Cuando se conoce el tamaño de la

𝜎1 2 𝑁1 − 𝑛1 𝜎2 2 𝑁2 − 𝑛2
población “𝑁1 , 𝑁2 " (𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛 𝑓𝑖𝑛𝑖𝑡𝑎), debe 𝜎𝑥̅ 1 −𝑥̅ 2 = √ ( )+ ( )
emplearse el Factor de Corrección 𝑛1 𝑁1 − 1 𝑛2 𝑁2 − 1

AUX. UNIV ROSAYCELA TARQUI V. 2

 UMSA FACULTAD DE INGENIERIA

DISTRIBUCIÓN DE LA VARIANZA MUESTRAL (𝒔𝟐 )

(𝑛 − 1) ∗ s2
𝑓(𝑠 2 ) ≈ 𝑈 = ~𝑥 2 𝑛−1 , 𝛼
𝜎2

𝒔𝟏 𝟐⁄
DISTRIBUCIÓN PARA LA RELACIÓN DE VARIANZAS MUESTRALES ( )
𝒔𝟐 𝟐

ESTADISTICA INFERENCIAL IND- 411

s1 2
𝑠1 2 ⁄ 2 1
𝜎
𝑓 ( 2 ) ≅ 𝐹 = 2 1 ~𝐹𝛼 𝑛1 −1,𝑛2 −1 𝑃𝑟𝑜𝑝𝑖𝑒𝑑𝑎𝑑 𝑖𝑚𝑝𝑜𝑟𝑡𝑎𝑛𝑡𝑒 𝐹1−𝛼 (𝑛1 −1,𝑛2 −1) = 𝑛2 −1,𝑛1 −1
𝑠2 s2 𝐹𝛼
⁄𝜎 2
2

DISTRIBUCIÓN PARA LA PROPORCIÓN (𝒑

̂)

𝑆𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠𝑖: 𝑛 ∗ 𝑃 > 5 ; 𝑛 ∗ (1 − 𝑃) > 5

𝑃 ∗ (1 − 𝑃) 𝑝̂ − 𝜇𝑝̂
𝑓(𝑝̂ ) ≅ 𝑛(𝜇𝑝̂ , 𝜎𝑝̂ ) ≈ 𝑛 (𝑃, √ ) ≈𝑧
𝑛 𝜎𝑝̂

• Cuando se conoce el tamaño de la

𝑃 ∗ (1 − 𝑃) 𝑁−𝑛
población “N” (Población Finita), usar 𝜎𝑝̂ = √( )∗( )
el factor de corrección 𝑛 𝑁−1

DISTRIBUCIÓN PARA LA DIFERENCIA DE PROPORCIONES (𝒑

̂)

𝑆𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠𝑖: 𝑛1 ∗ 𝑃1 > 5 ; 𝑛1 ∗ (1 − 𝑃1 ) > 5 𝑦 𝑛2 ∗ 𝑃2 > 5 ; 𝑛2 ∗ (1 − 𝑃2 ) > 5

𝑃1 ∗ (1 − 𝑃1 ) 𝑃2 ∗ (1 − 𝑃2 ) (𝑝̂1 − 𝑝̂2 ) − 𝜇𝑝̂1 −𝑝̂2

𝑓(𝑝̂1 − 𝑝̂2 ) ≅ 𝑛(𝜇𝑝̂1 −𝑝̂2 , 𝜎𝑝̂1 −𝑝̂2 ) ≈ 𝑛 (𝑃1 − 𝑃2 , √ + ) ≈𝑧
𝑛1 𝑛2 𝜎𝑝̂1 −𝑝̂2

Cuando se conoce el tamaño de la 𝑃1 ∗ (1 − 𝑃1 ) 𝑁1 − 𝑛1 𝑃2 ∗ (1 − 𝑃2 ) 𝑁2 − 𝑛2

población “N” (Población Finita), usar 𝜎𝑝̂1 −𝑝̂2 = √ ∗( )+ ( )
𝑛1 𝑁1 − 1 𝑛2 𝑁2 − 1
el factor de corrección

DESIGUALDAD DE CHEVYCHEV
𝜎2
𝑃(|𝑥 − 𝜇| ≥ 𝑘) ≤ 2
𝑘
1 1
𝑆𝑖 𝑘 = 𝑐𝜎 𝑃(|𝑥 − 𝜇| ≥ 𝑐𝜎) ≤ 2 → 𝑃(|𝑥 − 𝜇| ≤ 𝑐𝜎) ≥ 1 − 2
𝑐 𝑐

AUX. UNIV ROSAYCELA TARQUI V. 3

UMSA FACULTAD DE INGENIERÍA

EJERCICIOS DE CLASE
1. En una urna se tiene 4 fichas numeradas con 1, 3, 5 y 7. Dos fichas son extraídas
1
uno a uno con reposición. Sean X e Y las variables aleatorias que denotan,
respectivamente el 1ro. y el 2do. número extraído. Determinar:

a) Distribución conjunta de X e Y.
b) Distribuciones marginales de X y de Y.
c) 𝑃(𝑥 < 𝑦); 𝑃(𝑦 > 3; 𝑥 ≤ 5)
d) ¿Son independientes X e Y?.
e) Calcular E[X+Y]
f) Calcule la media de la función lineal W=2X-1/2
g) Si las fichas fueran extraídas sin reposición hallar las Distribuciones conjunta y
marginal de X e Y

2. Se seleccionan al azar 2 repuestos para bolígrafo de una caja que contiene 3

2
repuestos azules, 2 rojos y 3 verdes. Si X es el número de repuestos azules y Y es
el número de repuestos rojos seleccionados.

a) Halle la Distribución conjunta de X e Y.

b) Calcule la Distribución marginal de X e Y
c) Halle la probabilidad condicionada de X, dado Y=0
d) Calcule el valor esperado de g(X,Y).
e) Determine la covarianza de X e Y
f) Calcule el Coeficiente de Correlación de X e Y
g) Calcule la varianza de la función lineal W=2X-1/2

Sea (X, Y) una variable aleatoria con función de densidad de probabilidad conjunta
3
dado por:
𝑘𝑋𝑌 𝑠𝑖 𝑋 ≤ 𝑌 ≤ 2, 0 < 𝑋 < 2
𝑓(𝑋, 𝑌) =
0 𝑒𝑛 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠
a) Hallar el valor de 𝑘
b) Las densidades marginales de 𝑋, 𝑌
c) Las funciones de densidad condicionales
d) P(x ≤ 1/y = 1,5); p(x ≤ 1,5, y ≤ 1,5); p[x ≤ 1,5/(y ≤ 1,5)]

Sea (X, Y) una variable aleatoria bidimensional con función de densidad conjunta
4

1
(𝑥 + 𝑦) 𝑠𝑖 0≤𝑥≤2 0≤𝑦≤2
𝑓(𝑋, 𝑌) = 8
0 𝑒𝑛 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠

a) Hallar la función de distribución conjunta

AUX. UNIV. ROSAYCELA TARQUI VIZALUQUE 4

UMSA FACULTAD DE INGENIERÍA

b) Hallar las funciones de distribución marginales

c) Obtener las funciones de densidad marginales
d) ¿Son X e Y independientes?
e) Calcular 𝑃(𝑥 < 1, 𝑦 ≤ 1,5), 𝑃(𝑥 ≤ 1), 𝑃(𝑥 ≤ 1,7/𝑦 ≤ 1,5)

Se sabe que el peso de los automoviles de la empresa TOYOTA sigue una

5
distribución normal con media 1 000 kg y desviación típica 80 kg. Para llevar un
control sobre la calidad de sus automóviles, cada día la compañía elige
aleatoriamente 400 de los coches fabricados. Si el peso medio muestral es inferior
a 990 kg o superior a 1 005 kg, la compañía considera que la producción está fuera
de control. ¿Cuál es la probabilidad de que un día la producción se encuentre fuera
de control?

Al someter a prueba 10 focos de linterna, se obtienen las siguientes duraciones en

6
horas; 40, 15, 23, 17, 9, 35, 26, 12, 10, 37. Se sabe además que los tiempos de
duración de los focos se distribuyen normalmente, con una media de 25 hr.

a) Calcule el tiempo medio de la duración de los focos y la desviación estándar de

la muestra.
b) Estime el error estándar de la media muestral
c) Si se extrae una nueva muestra de 15 linternas, ¿cuál es la probabilidad de que
la duración media sea mayor a 30 horas?
d) ¿Variará el resultado del c) si se prueban 40 linternas?

AUX. UNIV. ROSAYCELA TARQUI VIZALUQUE 5