E. A. P.

DE PSICOLOGIA

Estadstica Inferencial

Prof. Csar Campos C.

ESTADSTICA INFERENCIAL
Tema : Distibucin de Probabilidades
Prof. Csar Campos C. Prof

Estadstica Inferencial

Prof. Csar Campos C.

VARIABLES ALEATORIAS
Una variable estadstica es una caracterstica (cualitativa o cuantitativa) que se observa en una poblacin. Si la poblacin es aleatoria y la caracterstica es cuantitativa la variable estadstica se denomina variable aleatoria

Definicin: Se denomina variable aleatoria a una variable estadstica cuantitativa definida en un espacio muestral. Las variables aleatorias pueden ser discretas o continuas.
Estadstica Inferencial Prof. Csar Campos C.

Variable aleatoria discreta

Toma un nmero finito, ejemplo, el nmero de vehculos de una Agencia de Viajes

Variable aleatoria continua

Toma cualquier valor en algn intervalo de nmeros reales. Ejemplo, el peso de cada uno de los vehculos.

Distribucin de Probabilidad: A la tabla, frmula o grfico que contiene todos los valores de la variable y sus respectivas probabilidades, se le conoce con el nombre de funcin de probabilidad de la variable, la cual debe cumplir las siguientes propiedades:

Estadstica Inferencial

Prof. Csar Campos C.

Propiedades de una Funcin de Probabilidad

Para variables discretas:
( i ) La probabilidad de que la variable tome cualquier valor debe ser un nmero mayor o igual a cero; ( ii ) La suma de todas las probabilidades de los valores de la variable; es igual a 1.

Para variables continuas:

( i ) La probabilidad de ocurrencia de un valor nunca es negativa, ( ii ) La probabilidad de ocurrencia de todos los valores posibles es 1 y corresponde al rea bajo la curva, ( iii ) La probabilidad de ocurrencia de un evento x, corresponde al rea bajo la curva entre dos valores dados,

Estadstica Inferencial

Prof. Csar Campos C.

Ejemplo
Sea el experimento E: lanzar 3 monedas al aire y observar el resultado Espacio muestral: {(C,C,C), (C,C,S), (C,S,C), (S,C,C), (C,S,S), (S,C,S) (S,S,C), (S,S,S)} Si definimos X: nmero de caras obtenidas en las tres monedas, entonces X es una variable aleatoria que puede tomar los siguientes valores: X=0 X=1 X=2 X=3 Corresponde al evento {(S,S,S)} con probabilidad 1/8 3/8 3/8 1/8

Corresponde al evento {(C,S,S), (S,C,S), (S,S,C)} con probab. Corresponde al evento {(C,C,S), (S,C,C), (C,S,C)} con probab. Corresponde al evento {(C,C,C)} con probabilidad

Estadstica Inferencial

Prof. Csar Campos C.

Funcin de probabilidad (V. Discretas)

Sea X una variable aleatoria que toma los valores x1, x2, x3,.. Se dice que p(xi) es una funcin de probabilidad de la v.a. X, si a cada valor de xi se le asocia su probabilidad de ocurrencia 35%
30% Asigna a cada posible valor de una variable discreta su 25% probabilidad. 20% 40%

Recuerda los conceptos de frecuencia relativa y diagrama 15% de barras. 10%

Ejemplo

5% 0 1 2 3

Nmero de caras al lanzar 30% monedas.

Estadstica Inferencial

Prof. Csar Campos C.

Funcin de densidad (Variables Continuas)

Definicin Es una funcin no negativa de integral 1.
Se puede asumir como la generalizacin del histograma con frecuencias relativas para variables continuas.

Estadstica Inferencial

Prof. Csar Campos C.

Parmetros de una variable aleatoria

Valor esperado
Se representa mediante E[X] Es el equivalente a la media

Varianza
Se representa mediante VAR[X] o 2 Es el equivalente a la varianza Se llama desviacin tpica a

Estadstica Inferencial

Prof. Csar Campos C.

Modelos de Distribucin
Discreta Uniforme

Discreta

Bernouli Binomial Poisson

Continua Uniforme

Continua

Normal Chi cuadrado T de Student F de Fischer

Estadstica Inferencial Prof. Csar Campos C. 10

Experimento de Bernoulli

Tenemos un experimento de Bernoulli si al realizar un experimento slo son posibles dos resultados:
X=1 (xito, con probabilidad p) X=0 (fracaso, con probabilidad q=1-p)

Ejemplos
Lanzar una moneda y que salga cara.
p =1/2 = 0.50

Aplicar un tratamiento a un enfermo y que ste se cure.

p = 95%= 0.95 probabilidad de que el individuo se cure

Estadstica Inferencial

Prof. Csar Campos C.

11

Distribucin binomial
Es un modelo de distribucin discreta. X es la probabilidad de xito Media: =n p
n k nk P[ X = k ] = p q , 0 k n k

Varianza: 2 = n p q

Estadstica Inferencial

Prof. Csar Campos C.

12

Caractersticas de una Distribucin Binomial

El resultado de cada ensayo slo puede ser de dos categoras mutuamente excluyentes: xito o fracaso. La variable aleatoria cuenta el nmero de xitos en un nmero fijo de ensayos. La probabilidad de xito permanece igual en cada ensayo. Pasa lo mismo con Ia probabilidad de un fracaso. Los ensayos son independientes, lo que significa que Ia ocurrencia de uno de ellos no afecta el resultado de cualquier otro.

Estadstica Inferencial

Prof. Csar Campos C.

13

Ejemplo de aplicacin (D. Binomial)

Cada da, American Airlines tiene cinco vuelos desde Pittsburgh al aeropuerto regional de Bradford, Pensilvania. Suponga que Ia probabilidad de que alguno de los vuelos se retrase es de 0.20. Cul es Ia probabilidad de que ninguno de los vuelos se retrase el da de hoy? Cul es Ia probabilidad de que exactamente uno de los vuelos se retrase este da?
Estadstica Inferencial Prof. Csar Campos C. 14

Distribucin de Probabilidad
Nro de vuelos Probabilidad con retraso 0 1 2 3 4 5 Total
Estadstica Inferencial

0.3277 0.4096 0.2048 0.512 0.0064 0.0003 1

15

n k nk P[ X = k ] = p q , 0 k n k

Prof. Csar Campos C.

Distribucin de Poisson
Tambin se denomina de sucesos raros. Se obtiene como aproximacin de una distribucin binomial con la misma media, para n grande (n>30) y p pequeo (p<0,1). Queda caracterizada por un nico parmetro (que es a su vez su media y varianza.) Funcin de probabilidad:
P[ X = k ] = e

k
k!

, k = 0,1,2,...
Prof. Csar Campos C. 16

Estadstica Inferencial

Aplicaciones D. Poisson
a) numero de alumnos que solicitan prstamo de libros en la biblioteca, en cierto da . b) nmero de llamadas telefnicas de larga distancia que una casa recibe. c) nmero de personas que llegan a una lnea de espera en un determinado tiempo.
Estadstica Inferencial

1 = 2

=1

Prof. Csar Campos C.

17

Ejemplo de Aplicacin D. Poisson

En la investigacin sobre la seguridad de un cruce muy peligroso, se sabe que hay una media de cinco accidentes por mes en l. El nmero de accidentes est distribuido conforme a la distribucin de Poisson. Calcular la probabilidad de exactamente 0,1,2,3 y 4 accidentes en un mes determinado. Aplicando la frmula anterior: P(0) = (5)0 (e-5) /0! = 0.00674 P(1) = (5)1 (e-5) /1! = 0.03370 P(2) = (5)2 (e-5) /2! = 0.08425 P(3) = (5)3 (e-5) /3! = 0.14042 P(4) = (5)4 (e-5) /4! = 0.17552

Estadstica Inferencial

Prof. Csar Campos C.

18

Distribucin normal o de Gauss

Aparece de manera natural:

Errores de medida. Distancia de frenado. Altura, peso, propensin al crimen

Est caracterizada por dos parmetros: La media, , y la desviacin tpica, . Su funcin de densidad es:

1 f ( x) = e 2

1 x 2

Estadstica Inferencial

Prof. Csar Campos C.

19

N(, ): Interpretacin geomtrica

Se puede interpretar la media, , como un factor de traslacin. Y la desviacin tpica, , como un factor de escala, grado de dispersin,

Estadstica Inferencial

Prof. Csar Campos C.

20

N(, ): Interpretacin probabilstica

Entre la media y una desviacin tpica tenemos siempre la misma probabilidad: aprox. 68% Entre la media y dos desviaciones tpicas aprox. 95%
Estadstica Inferencial Prof. Csar Campos C. 21

Caractersticas principales de una Curva Normal

La funcin de densidad es simtrica, mesocrtica y unimodal.

Media, mediana y moda coinciden.

El valor de establece el centro de la curva. El valor de determina el esparcimiento o la dispersin de la curva. El rea bajo la curva es igual a 1.

Estadstica Inferencial

Prof. Csar Campos C.

22

Tipificacin
Dada una variable de media y desviacin tpica , se denomina valor tipificado,z, de una observacin x, a la distancia (con signo) con respecto a la media, medido en desviaciones tpicas, es decir

z=

Nos permite as comparar entre dos valores de dos distribuciones normales diferentes, para saber cul de los dos es ms extremo.
Estadstica Inferencial Prof. Csar Campos C. 23

Ejemplo
Se quiere dar una beca a uno de dos estudiantes de sistemas educativos diferentes. Se asignar al que tenga mejor expediente acadmico.
El estudiante A tiene una calificacin de 8 en un sistema donde la calificacin de los alumnos se comporta como N(6,1). El estudiante B tiene una calificacin de 80 en un sistema donde la calificacin de los alumnos se comporta como N(70,10).

Solucin
No podemos comparar directamente 8 puntos de A frente a los 80 de B, pero como ambas poblaciones se comportan de modo normal, podemos tipificar y observar las puntuaciones sobre una distribucin de referencia N(0,1)

zA =

xA A

A xB B 80 70 zB = = =1 B 10
Como ZA>ZB, podemos decir que el porcentaje de compaeros del mismo sistema de estudios que ha superado en calificacin el estudiante A es mayor que el que ha superado B. Podramos pensar en principio que A es mejor candidato para la beca.

86 = =2 1

Estadstica Inferencial

Prof. Csar Campos C.

24

Distribuciones asociadas a la normal Dependiendo del problema, podemos encontrar otras (asociadas):
X2 (chi cuadrado) t- student F-Snedecor

Estas distribuciones resultan directamente de operar con distribuciones normales. Tpicamente aparecen como distribuciones de ciertos estadsticos.
Estadstica Inferencial Prof. Csar Campos C. 25

Chi cuadrado
Tiene un slo parmetro denominado grados de libertad. La funcin de densidad es asimtrica positiva. La funcin de densidad se hace ms simtrica, incluso casi gausiana cuando aumenta el nmero de grados de libertad.
Estadstica Inferencial Prof. Csar Campos C. 26

T de student
Tiene un parmetro denominado grados de libertad. Cuando aumentan los grados de libertad, ms se acerca a N(0,1). Es simtrica con respecto al cero. Se consideran valores anmalos los que se alejan de cero (positivos o negativos).
Estadstica Inferencial Prof. Csar Campos C. 27

F de Snedecor
Tiene dos parmetros denominados grados de libertad. Slo toma valores positivos. Es asimtrica. Normalmente se consideran valores anmalos los de la cola de la derecha.
Estadstica Inferencial Prof. Csar Campos C. 28