ESTADÍSTICA II
PROGRAMA TECNOLOGÍA EN GESTIÓN PÚBLICA
TERRITORIAL
ING. GUSTAVO ACOSTA OCHOA
DISTRIBUCIONES DE PROBABILIDAD
VARIABLES ALEATORIAS
Variable Aleatoria Discreta: Una variable aleatoria es discreta
si sus posibles valores constituyen un conjunto discreto. Lo
anterior significa que si los posibles valores se ordenan, hay una
separación entre cada valor y el próximo. El conjunto de valores
podría ser infinito; por ejemplo, el conjunto de todos los enteros
positivos.
Variable Aleatoria Continua: una variable aleatoria es continua
si sus probabilidades están dadas por áreas bajo la curva. La
curva se llama función de densidad de probabilidad para la
variable aleatoria. A veces la función de densidad de
probabilidad se llama distribución de probabilidad.
Ing. Gustavo Acosta Ochoa
VARIABLE ALEATORIA DISCRETA
El conjunto de pares ordenados (𝑥, 𝑓 𝑥 ) es una función de
probabilidad, una función de masa de probabilidad, o una
distribución de probabilidad de la variable aleatoria 𝑋 si, para cada
resultado de 𝑥 posible,
• 𝑓(𝑥) ≥ 0,
• 𝑥 𝑓(𝑥) = 1,
• 𝑃 𝑋 = 𝑥 = 𝑓(𝑥)
La función de distribución acumulativa 𝐹(𝑥) de una variable
aleatoria discreta 𝑋 con distribución de probabilidad 𝑓(𝑥) es:
𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = 𝑡≤𝑥 𝑓 𝑡 , para −∞ < 𝑥 < ∞
Ing. Gustavo Acosta Ochoa
VARIABLE ALEATORIA DISCRETA
Walpole (2012)
Ing. Gustavo Acosta Ochoa
VARIABLE ALEATORIA DISCRETA
Ejemplo.
• Una moneda tiene dos lados: cara y sello. Encuentra la función de
masa de probabilidad (organizada en una tabla) de la variable
aleatoria 𝑋, sabiendo que:
𝑋 = 𝑒𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑠𝑒𝑙𝑙𝑜𝑠 𝑎𝑙 𝑙𝑎𝑛𝑧𝑎𝑟 𝑢𝑛𝑎 𝑚𝑜𝑛𝑒𝑑𝑎 𝑑𝑜𝑠 𝑣𝑒𝑐𝑒𝑠.
• Determine si la siguiente función es una función de probabilidad
𝑥2 + 5
𝑓 𝑥 = , 𝑝𝑎𝑟𝑎 𝑥 = 1,2,3,4.
50
Calcule la función de distribución acumulativa para cuando 𝑥 ≤ 3.5
Ing. Gustavo Acosta Ochoa
VARIABLE ALEATORIA DISCRETA
• Sea 𝑋 el número de defectos en un computador nuevo de cierta
marca seleccionado al azar. La función de distribución acumulativa
es la siguiente:
0 𝑥<1
0,06 1 ≤ 𝑥 < 2
𝑓 𝑥 = 0,46 2 ≤ 𝑥 < 3
Calcular:
0,96 3 ≤ 𝑥 < 4
•𝑓 2 1 𝑥≥4
• 𝑃 𝑥≤3
•𝑃 1<𝑥≤3
• 𝑃(1 < 𝑥 ≤ 4)
• 𝑃(𝑥 ≥ 2,35)
Ing. Gustavo Acosta Ochoa
MEDIA Y VARIANZA PARA VARIABLES ALEATORIAS DISCRETAS
Se define a la media poblacional como la componente horizontal del centro
de masa de la grafica de sus función de masa de probabilidad de una
variable aleatoria discreta. La media poblacional de una variable aleatoria 𝑋
que también se puede llamar esperanza, o valor esperado, y que se denota
por 𝜇𝑥 , por 𝐸(𝑥), o simplemente por 𝜇. A veces se puede eliminar la palabra
“poblacional” y solo se hará referencia a la media poblacional como la
media.
Definición. Sea 𝑋 una variable aleatoria discreta con función de masa de
probabilidad f 𝑥 = 𝑃(𝑋 = 𝑥) la media de 𝑋 está dada por
𝐸𝑥 = 𝜇𝑥 = 𝑥𝑃(𝑋 = 𝑥)
𝑥
Donde la sumatoria se hace sobre todos los posibles valores de 𝑋.
Navidi(2012)
Ing. Gustavo Acosta Ochoa
MEDIA Y VARIANZA PARA VARIABLES ALEATORIAS DISCRETAS
Se define a la varianza poblacional de una variable aleatoria discreta como
el momento de inercia de la gráfica de su función de masa de probabilidad
con respecto a la media poblacional 𝜇. La varianza poblacional de una
variable aleatoria 𝑋 con frecuencia se denomina simplemente varianza de
𝑋. Se puede denotar por 𝜎𝑥2 , por 𝑉 𝑥 , o por 𝜎 2 . Para calcularla se multiplica
la altura de cada recta del diagrama de la función de masa de probabilidad
por el cuadrado de su distancia horizontal a la poblacional y después se
suman los productos. Es mas fácil de comprender esto cuando se presenta
en una formula
𝜎𝑥2 = 𝑥 − 𝜇𝑥 2 𝑃(𝑋 = 𝑥)
𝑥
𝜎𝑥2 = 𝑥 2 𝑃 𝑋 = 𝑥 − 𝜇𝑥 2
𝑥
Ing. Gustavo Acosta Ochoa
VARIABLE ALEATORIA CONTINUA
La función es una función de densidad de probabilidad (fdp) para la variable
continua 𝑋, definida en el conjunto de números reales, si
• 𝑓(𝑥) ≥ 0 para toda 𝑥 ∈ R
∞
• −∞
𝑓 𝑥 𝑑𝑥 = 1
𝑏
•𝑃 𝑎<𝑋<𝑏 = 𝑎
𝑓 𝑥 𝑑𝑥
La función de distribución acumulativa 𝐹(𝑥), de una variable aleatoria
continua 𝑋 con función de densidad 𝑓 𝑥 , es
∞
𝐹 𝑥 =𝑃 𝑋≤𝑥 = −∞
𝑓 𝑡 𝑑𝑡, para −∞ < 𝑥 < ∞
Ing. Gustavo Acosta Ochoa
VARIABLE ALEATORIA CONTINUA
Ejemplo.
La variable aleatoria continua tiene la siguiente función de
densidad de probabilidad
0,25 𝑠𝑖 0 ≤ 𝑥 ≤ 4
𝑓 𝑥 =
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Calcular:
• 𝑃(𝑥 = 3)
Ing. Gustavo Acosta Ochoa
MEDIA Y VARIANZA PARA VARIABLES ALEATORIAS CONTINUAS
La poblacional y la varianza de una variable aleatoria continua están
definidas de la misma forma que para una variable aleatoria discreta,
excepto que se usa la función de densidad de probabilidad en lugar de la
función de masa. Específicamente, si 𝑋 constituye una variable aleatoria
continua, su poblacional se define como el centro de masa de su función de
densidad de probabilidad y su poblacional representa en momento de
inercia con respecto a un eje vertical que pasa a través del centro de masa.
Las fórmulas son análogas con las sumatorias reemplazadas por integrales.
Navidi(2012).
Ing. Gustavo Acosta Ochoa
MEDIA Y VARIANZA PARA VARIABLES ALEATORIAS CONTINUAS
Sea 𝑋 una variable aleatoria continua con función de densidad de
probabilidad 𝑓(𝑥). Entonces la media de 𝑋 esta dada por:
𝜇𝑥 = 𝑥𝑓 𝑥 𝑑𝑥
−∞
A la media de 𝑋 algunas veces se le llama esperanza, o valor esperado, de
𝑋 y se puede denotar también por 𝐸(𝑥) o por 𝜇.
Ing. Gustavo Acosta Ochoa
MEDIA Y VARIANZA PARA VARIABLES ALEATORIAS CONTINUAS
Sea 𝑋 una variable aleatoria continua con función de densidad de
probabilidad 𝑓(𝑥). Entonces la varianza de 𝑋 esta dada por:
𝜎𝑥2 = 𝑥 2 𝑓 𝑥 𝑑𝑥 − 𝜇2
−∞
Una fórmula alternativa y que será utilizada es
𝜎𝑥2 = 𝐸 𝑥 2 − (𝐸 𝑥 )2
Ing. Gustavo Acosta Ochoa
DISTRIBUCIÓN NORMAL
La distribución de probabilidad continua más importante en todo el
campo de la estadística es la distribución normal. Su gráfica,
denominada curva normal, es la curva con forma de campana, la cual
describe muchos fenómenos que ocurren en la naturaleza, la industria
y la investigación. Por ejemplo, el peso de los bebes recién nacidos,
las estaturas de hombres y mujeres, la talla de los zapatos, la presión
arterial, las mediciones físicas en áreas como los experimentos
meteorológicos, estudios de la precipitación pluvial, mediciones de
partes fabricadas a menudo se explican más que adecuadamente con
una distribución normal. Además, los errores en la mediciones
científicas se aproximan muy bien mediante una distribución normal.
Ing. Gustavo Acosta Ochoa
DISTRIBUCIÓN NORMAL
En 1733, Abraham DeMoivre desarrollo la ecuación matemática de la
curva normal, la cual sentó las bases sobre la que descansa gran
parte de la teoría estadística inductiva. La distribución normal a
menudo se denomina distribución gaussiana en honor de Karl
Friedrich Gauss (1777-1855), quien también derivó su ecuación a
partir de un estudio de errores de mediciones repetidas de la misma
cantidad. Walpole (2012).
Ing. Gustavo Acosta Ochoa
DISTRIBUCIÓN NORMAL
Una variable aleatoria 𝑋 que tiene la distribución en forma de
campana se denomina variable aleatoria normal. La ecuación
matemática para la distribución de probabilidad de la variable normal
depende de los dos parámetros 𝜇 y 𝜎, su media y su desviación
estándar, respectivamente. Se denota como 𝑋~ 𝑁(𝜇, 𝜎).
Walpole (2012).
Ing. Gustavo Acosta Ochoa
DISTRIBUCIÓN NORMAL
Ing. Gustavo Acosta Ochoa
DISTRIBUCIÓN NORMAL
DISTRIBUCIÓN NORMAL
La función de densidad 𝑓(𝑥) de la variable aleatoria 𝑋, con media
𝜇 y varianza 𝜎 2 es,
1 1
− 2 (𝑥−𝜇)2
𝑓 𝑥 = 𝑒 2𝜎
2𝜋𝜎
Es importante recordar que una de las propiedades de la función
de densidad es:
𝑏 𝑏
1 1
− 2 (𝑥−𝜇)2
𝑃 𝑎≤𝑥≤𝑏 = 𝑓 𝑥 𝑑𝑥 = 𝑒 2𝜎
2𝜋𝜎
𝑎 𝑎
Ing. Gustavo Acosta Ochoa
DISTRIBUCIÓN NORMAL
La función de distribución acumulativa se define como:
𝑥
𝐹 𝑥 =𝑃 𝑋≤𝑥 = 𝑓 𝑡 𝑑𝑡
−∞
Ing. Gustavo Acosta Ochoa
DISTRIBUCIÓN NORMAL
La media y la varianza son 𝜇 y 𝜎 2 respectivamente. Lo que implica que
la desviación estándar es 𝜎.
La estimación de estos parámetros fueron presentadas al iniciar el
curso y se denotan 𝑥 y 𝑠 2 donde,
𝑛
1
𝑋= 𝑥𝑖
𝑛
𝑖=1
𝑛
1
𝑆2 = (𝑥𝑖 − 𝑥)2
𝑛−1
𝑖=1
Ing. Gustavo Acosta Ochoa
DISTRIBUCIÓN NORMAL ESTANDAR
Existen muchos tipos de programas estadísticos que sirven para
calcular el área bajo la curva normal. La dificultad que se enfrenta al
resolver las integrales de funciones de densidad normal exige tabular
las áreas de la curva normal para una referencia rápida. Sin embargo,
sería inútil tratar de establecer tablas separadas para cada posible
valor de 𝜇 y 𝜎 . Por fortuna, se pueden transformar todas las
observaciones de cualquier variable aleatoria normal 𝑋 en un nuevo
conjunto de observaciones de una variable aleatoria normal 𝑍 con
media 0 y varianza 1. Esto se puede realizar mediante la
transformación
𝑋−𝜇
𝑍=
𝜎
Ing. Gustavo Acosta Ochoa
DISTRIBUCIÓN NORMAL ESTANDAR
Siempre que 𝑋 tome un valor 𝑥, el valor correspondiente de 𝑍 es
dado por 𝑍 = (𝑋 − 𝜇) 𝜎 . Por lo tanto, si 𝑋 cae entre los valores
𝑎 = 𝑥1 y 𝑏 = 𝑥2 , la variable aleatoria 𝑍 caerá entre los valores
correspondientes 𝑍1 = (𝑥1 − 𝜇) 𝜎 y 𝑍2 = (𝑥2 − 𝜇) 𝜎 . En
consecuencia
𝑃 𝑎 < 𝑥 < 𝑏 = 𝑃 𝑧1 < 𝑍 < 𝑧2
Donde 𝑍 se considera una variable aleatoria normal con media 0
y varianza 1. Walpole (2012).
Ing. Gustavo Acosta Ochoa
DISTRIBUCIÓN NORMAL ESTANDAR
Ejemplo.
Dada una distribución normal estándar, calcule el área bajo la
curva que se localiza
1. A la derecha de 𝑧 = 1,84
2. Entre 𝑍 = −1,97 y 𝑍 = 0,86
Ing. Gustavo Acosta Ochoa
DISTRIBUCIÓN NORMAL ESTANDAR
Ing. Gustavo Acosta Ochoa
DISTRIBUCIÓN NORMAL ESTANDAR
Ejemplo.
A un grupo de niños se le aplica una prueba de inteligencia (WISC);
suponga que las puntuaciones se distribuyen en forma normal y
tienen los parámetros siguientes: 𝜇 = 100 y 𝜎 = 15.
En términos de CI, utilizando esta información resuelva:
1. Qué porcentaje de niños están en el intervalo 𝑃 90 ≤ 𝑋 ≤ 110 ?
2. Qué porcentaje de niños obtuvieron un CI mayor que 110.
Ing. Gustavo Acosta Ochoa
