TEORA: 1. Defina: sucesos independientes y sucesos mutuamente excluyentes, citando un ejemplo en cada caso.

Suceso Independiente: Dos sucesos son independientes entre s, si la

ocurrencia de uno de ellos no afecta para nada el que pueda producirse el otro. Ejemplo: el suceso estatura de los alumnos de una clase y el color del pelo son independientes: el que un alumno sea ms o menos alto no va a influir en el color de su cabello, ni viceversa.

Suceso Mutuamente Excluyente: Dos o ms eventos son mutuamente

excluyentes si no pueden ocurrir simultneamente. Es decir, la ocurrencia de un evento impide automticamente la ocurrencia del otro evento (o eventos). Ejemplo: Al lanzar una moneda solo puede ocurrir que salga cara o seca pero no los dos a la vez

2. Explicar en qu consiste la definicin probabilidad

frecuentista de

Consiste en definir la probabilidad como el lmite cuando n tiende a infinito de la proporcin o frecuencia relativa del suceso.Es imposible llegar a este lmite, ya que no podemos repetir el experimento un nmero infinito de veces, pero si podemos repetirlo muchas veces y observar como las frecuencias relativas tienden a estabilizarse.Esta definicin frecuentista de la probabilidad se llama tambin probabilidad a posteriori o probabilidades tericas

3. Definicin de varianza y desvo estndar. Varianza: Es el resultado de la divisin de la sumatoria de las distancias existentes entre cada dato y su media aritmtica elevadas al cuadrado, y el nmero total de datos. Distinguimos dos smbolos para identificar la varianza: S2 para datos muestrales, y 2 para datos poblacionales Desvo Estndar: Es igual a la raz cuadrada de la varianza. La S representa la desviacin estndar de una muestra, mientras que la desviacin para todos los datos de una poblacin. Nos indica cunto pueden alejarse los valores respecto al promedio (media), 4. Enuncie las propiedades de la media aritmtica y de la varianza Propiedades Media Aritmtica: 1- La suma de las desviaciones de los valores de la variable con respecto a la media aritmtica es 0.. 2. La suma de los cuadrados de las desviaciones de los valores de la variable con respecto a un nmero cualquiera se hace mnima cuando dicho nmero coincide con la media aritmtica. 3. Si a todos los valores de la variable se les suma un mismo nmero, la media aritmtica queda aumentada en dicho nmero. 4. Si todos los valores de la variable se multiplican por un mismo nmero la media aritmtica queda multiplicada por dicho nmero. 5- Se la puede calcular para cualquier conjunto de datos numricos, asi que existe siempre 6- un conjunto de datos tiene solamente una media, asi que es siempre nica Propiedades de la Varianza: 1- La varianza ser siempre un valor positivo o cero, en el caso de que las puntuaciones sean iguales. 2- Si a todos los valores de la variable se les suma un nmero la varianza no vara.

3- Si todos los valores de la variable se multiplican por un nmero la varianza queda multiplicada por el cuadrado de dicho nmero. 4- Si tenemos varias distribuciones con la misma media y conocemos sus respectivas varianzas se puede calcular la varianza total 5. Enuncie las propiedades de la esperanza matemtica y de la varianza. Propiedades Esperanza: 1- La Esperanza de una constante, C, es igual al valor de la constante .E(c ) = C 2- La Esperanza de una variable aleatoria, X, con esperanza E(x ), por una constante, C, es igual a la constante por la esperanza de la variable 3- La Esperanza de la suma de una variable, ms una constante, es igual a la esperanza de la variable ms la constante 4- La Esperanza de una suma de variables aleatorias (X e Y) con esperanzas E(x ) y E(y ) respectivamente, es igual a la suma de sus respectivas esperanzas si X e Y son mutuamente excluyentes. 5- La Esperanza del producto de dos variables aleatorias (X e Y), es igual al producto de sus esperanzas individuales si X e Y son independientes. 6. Definicin de Experimento aleatorio, Espacio muestral y Suceso o Evento. Experimento Aleatorio: es aqul cuyos resultados dependen del azar. Ejemplo: Lanzar un dado o una moneda al aire Espacio Muestral: es el formado por todos los resultados posibles de un experimento aleatorio. Por ejemplo, si el experimento consiste en lanzar dos monedas, el espacio de muestreo es el conjunto {(cara, cara), (cara, cruz), (cruz, cara) y (cruz, cruz)}. Suceso o evento: es un subconjunto de un espacio muestral, es decir, un conjunto de posibles resultados que se pueden dar en un experimento aleatorio. Por
ejemplo en el espacio muestral E = {1, 2, 3, 4, 5, 6} del lanzamiento de un dado, los siguientes son eventos: 1. Obtener un nmero primo A = {2, 3, 5} 2. Obtener un nmero mayor o igual a 5 B = {5, 6}

7. Caractersticas de la distribucin normal

*La curva normal tiene forma de campana y un solo pico en el centro de la distribucin. De esta manera, la media aritmtica, la mediana y la moda de la distribucin son iguales y se localizan en el pico. As, la mitad del rea bajo la curva se encuentra a la derecha de este punto central y la otra mitad est a la izquierda de dicho punto. La distribucin de probabilidad normal es simtrica alrededor de su media. La curva normal desciende suavemente en ambas direcciones a partir del valor central. Es asinttica, lo que quiere decir que la curva se acerca cada vez ms al eje X pero jams llega a tocarlo. Es decir, las colas de la curva se extienden de manera indefinida en ambas direcciones.

8. Qu entiende por mediana de una variable aleatoria? De ejemplos

Es el valor de la variable estadstica que divide en dos partes iguales a los individuos de una poblacin, supuestos ordenados en orden creciente. En general, es el valor donde la funcin de distribucin F(x) toma el valor 1/2, pero as definida puede no ser nica en cuyo caso se toma la media aritmtica de los valores de mediana, o no existir en cuyo caso se toma como mediana el valor de la poblacin ms cercano a esa mediana 'ideal'. Ejemplo: 50-90-100-120-180-200-1000. La mediana es 120

9. Qu entiende por variable aleatoria con distribucin normal? Una Variable aleatoria X es una regla que asigna un valor numrico a cada resultado en el espacio mestrual de un experimento. Una variable aleatoria discreta puede tomar en especfico, aislado valor numrico, como resultado de lanzar un dado, o el nmero de dolares en una cuenta bancaria escogido de forma aleatoria. Una variable aleatoria continua puede tomar cualquier valor dentro de un continuo intervalo de tiempo, como la temperatura en el Parque Central, o la altura de un atleta en centrimetros. 10. Para qu se usa el coeficiente de variacin y qu valor tiene? Permite comparar la dispersin entre dos poblaciones distintas e incluso, comparar la variacin producto de dos variables diferentes (que pueden provenir de una misma poblacin). Equivale a la razn entre la media aritmtica y la desviacin tpica o estndar. Este ndice solo se debe calcular para variables con todo los valores positivos, para dar seguridad de un o mayores a cero (un coeficiente de variacin positivo).A mayor valor de Coef.Variacion. mayor heterogeneidad de los valores de la variable; y a menor Coef.Variacion., mayor homogeneidad en los valores de la variable. Suele representarse por medio de las siglas C.V.. *El coeficiente de variacin es tpicamente menor que uno. *Para su mejor interpretacin se expresa como porcentaje. *Depende de la desviacin tpica y en mayor medida de la media aritmtica, dado que cuando sta es 0 o muy prxima a este valor Coef.Variacion. pierde significado, ya que puede dar valores muy grandes, que no necesariamente implican dispersin de datos.

11. Explique cmo define a la probabilidad segn la versin clsica. Cite un ejemplo. Nmero de resultados favorables a la presentacin de un evento dividido entre el nmero total de resultados posibles. Asignacin de probabilidad "a priori", sin necesidad de realizar el experimento. EJEMPLO: El evento A es clavar un dardo en los nmeros que son mltiplos de dos, por lo
tanto el espacio de los eventos elementales son: S= {2, 4, 6, 8}

Entonces la probabilidad

de que ocurra S, es: P (S) = Si lo vemos como porcentaje, existe el 50% de que ocurra el evento S, es decir que el dardo le pegue a un nmero par.

12. Qu dice el teorema de Bayes y en qu casos se aplica? Vincula la probabilidad de A dado B con la probabilidad de B dado A.
a partir de que ha ocurrido el suceso B (ha ocurrido un accidente) deducimos las probabilidades del suceso A (estaba lloviendo o haca buen tiempo?).

La frmula del Teorema de Bayes es:

El teorema de Bayes es vlido en todas las aplicaciones de la teora de la probabilidad. Sin embargo, hay una controversia sobre el tipo de probabilidades que emplea. En esencia, los seguidores de la estadstica tradicional slo admiten probabilidades basadas en experimentos repetibles y que tengan una confirmacin emprica mientras que los llamados estadsticos bayesianos permiten probabilidades subjetivas

13. Cules son los requisitos que deben cumplirse para poder aplicar el teorema de Bayes? NO SE SI ESTA BIEN Los eventos deben ser mutuamente excluyentes 14. Qu entiende por probabilidad condicional? Se da cuando la probabilidad de ciertos eventos depende o se ve influida por la ocurrencia de otros. Es la probabilidad de que ocurra un evento A, sabiendo que tambin sucede otro evento B. La probabilidad condicional se escribe P(A|B) 15. Axiomas de probabilidad sobre los que se basa la teora axiomtica de probabilidad Primer axioma: La probabilidad de un suceso A es un nmero real mayor o igual que 0. Segundo axioma: La probabilidad del total, , es igual a 1, es decir, Tercer axioma Si son sucesos mutuamente excluyentes (incompatibles dos a dos, disjuntos o de interseccin vaca dos a dos), entonces: . Segn este axioma se puede calcular la probabilidad de un suceso compuesto de varias alternativas mutuamente excluyentes sumando las probabilidades de sus componentes 16. Enumere los teoremas de la probabilidad del suceso imposible, del suceso contrario y del suceso total. NO SE SI ESTA BIEN. NO ENCUENTRO NINGUN TEOREMA DE ESTO Suceso Imposible: , es el que no tiene ningn elemento. P o r e j e m p l o a l
tirar un dado obtener una puntuacin igual a 7.

Suceso Contrario:

El suceso contrario a A es otro suceso que se .

realiza cuando no se realiza A., Se denota por

Suceso Total: El espacio muestral es el suceso total o suceso seguro 17. Explicar cules son los lmites de la probabilidad y qu significan En la definicin emprica de la probabilidad, la probabilidad es el lmite de las frecuencias relativas cuando crece indefinidamente la repeticin del experimento en condiciones uniformes. 18. Explique las caractersticas del modelo hipergeomtrico. Cundo se usa. Diferencias con el modelo binomial.
Las distribucin hipergeomtrica es el modelo que se aplica en experimentos del siguiente tipo: En una urna hay bolas de dos colores (blancas y negras), cul es la probabilidad de que al sacar 2 bolas las dos sean blancas? Son experimentos donde, al igual que en la distribucin binomial, en cada ensayo hay tan slo dos posibles resultados: o sale blanca o no sale. Pero se diferencia de la distribucin binomial en que los distintos ensayos son dependientes entre s: Si en una urna con 5 bolas blancas y 3 negras en un primer ensayo saco una bola blanca, en el segundo ensayo hay una bola blanca menos por lo que las probabilidades son diferentes (hay dependencia entre los distintos ensayos). La distribucin hipergeomtrica sigue el siguiente modelo:

N: es el nmero total de bolas en la urna N1: es el nmero total de bolas blancas N2: es el nmero total de bolas negras k: es el nmero de bolas blancas cuya probabilidad se est calculando n: es el nmero de ensayos que se realiza

La distribucin hipergeomtrica puede derivarse de un proceso experimental puro o de Bernouilli con las siguientes caractersticas: El proceso consta de n pruebas , separadas o separables de entre un conjunto de N pruebas posibles. Cada una de las pruebas puede dar nicamente dos resultados mutuamente excluyentes: A y no A. En la primera prueba las probabilidades son :P(A)= p y P(A)= q ;con p+q=l. Las probabilidades de obtener un resultado A y de obtener un resultado no A varan en las sucesivas pruebas, dependiendo de los resultados anteriores. (Derivacin de la distribucin) . Si estas circunstancias a leatorizamos de forma que la variable aleatoria X sea el nmero de resultados A obtenidos en n pruebas la distribucin de X ser una Hipergeomtrica de parmetros N,n,p as La diferencia es que en la hipergeometrica, los datos de la muestra se extraen sin reemplazo (el dato obtenido ya no pertenece a la poblacion y por lo tanto no puede salir en la extraccin del siguinte dato de la muestra) y en la binomial con reemplazo (El dato obtenido sigue perteneciendo a la poblacin y puede salir en la extraccin del siguiente dato de la muestra), ejemplo: Tenemos una caja con 4 bolas azules y 6 blancas. Tenemos que calcular las

probabilidades de sacar 2 bolas azules al sacar dos bolas, Hay dos modos: a) Despues de extraer la primera bola se devuelve a la caja --> Hay reemplazo ---> BINOMIAL b) Despues de extraer la primera bola NO se devuelve a la caja ---> No hay reemplazo ---> HIPERGEOMETRICA 19. Explique las caractersticas de la probabilidad binomial y enuncie las diferencias respecto de la probabilidad hipergeomtrica.

20. Explicar Distribucin de Poisson - DAMI CHEQUEA BIEN CON TUS APUNTES ESTA RTA PARA COMPLETAR SI HACE FALATA ALGUNA FORMULA
La distribucin de probabilidades binomial se hace cada vez ms sesgada a la derecha conforme la probabilidad de xitos disminuye. La forma lmite de la es muy pequea y n esdistribucin binomial donde la probabilidad de xito grande se llama distribucin de probabilidades de Poisson. La distribucin de Poisson se puede describir matemticamente por la frmula:

donde u es la media aritmtica del nmero de ocurrencias en un intervalo especfico de tiempo, e es la constante 2.71828 y x es el nmero de ocurrencias.

El nmero medio de xitos u se puede determinar en situaciones binomiales por n , donde n es el nmero de ensayos y la probabilidad de xito. La varianza de la distribucin de Poisson tambin es igual a n .

21.

Qu miden los coeficientes de kurtosis?

El Coeficiente de Curtosis analiza el grado de concentracin que presentan los valores alrededor de la zona central de la distribucin. Se definen 3 tipos de distribuciones segn su grado de curtosis:

Distribucin mesocrtica: presenta un grado de concentracin medio alrededor de los valores

centrales de la variable (el mismo que presenta una distribucin normal). con valores medianos para el coeficiente.

Distribucin leptocrtica: presenta un elevado grado de concentracin alrededor de los valores

centrales de la variable. con valores grandes para el coeficiente. Distribucin platicrtica: presen ta un reducido grado de concentracin alrededor de los valores centrales de la variable. con valores pequeos para el coeficiente.

Una curva Mesocrtica tiene un Coeficiente de Curtosis cercano a cero. Una Leptocrtica, un valor notoriamente mayor que cero y una Platicrtica valores menores que cero.