Distribuciones de probabilidad

Se le llama variable aleatoria a una cantidad que es capaz de

tomar diferentes valores de una prueba a otra en un
experimento donde el resultado exacto es un suceso fortuito
o aleatorio.

Si slo son posibles ciertos valores especificados, a la variable

aleatoria se le llama variable discreta. Ejemplo: nmero de
habitaciones en una casa, la cantidad de personas que llega a
una caja de un supermercado en una hora, etc.
 Distribuciones de probabilidad

Si cualquier valor de la variable aleatoria es posible dentro de un

rango, se le nombra variable continua. Ejemplo: los pesos de las
personas, la longitud de una pieza manufacturada y al tiempo de
las llegadas de los automviles a una caseta de peaje.
 Distribuciones de probabilidad

Una variable aleatoria discreta puede tomar slo los valores de un

grupo previamente determinado. Estos valores son nmeros
enteros por lo general.
Una variable aleatoria continua puede tomar cualquier valor
dentro de un rango especificado. Estos resultados se presentan
en forma numrica mediante un intervalo de valores, pueden ser
fracciones.
 Distribuciones de probabilidad

La distribucin de probabilidad de una variable aleatoria discreta

enlista todos los valores posibles que puede tomar dicha variable,
junto con la probabilidad de cada uno. El valor esperado de una
variable aleatoria, es el valor medio que toma una variable
durante muchas pruebas.
 Distribuciones de probabilidad

Se puede encontrar el valor esperado, E(X), para una

distribucin de probabilidad discreta si se multiplica cada valor
posible de X por su probabilidad P(X) y despus se suman estos
productos:

E(X) = (X * P(X))
Distribuciones de probabilidad

Para una distribucin continua, la probabilidad de obtener un

valor especfico se aproxima a cero. Por ejemplo: la
probabilidad de que alguien pese 325 kilos podra
considerarse cero debido a que esto significa que tal peso
debe de ser exactamente 325.00 kilos sin importar cuan
precisa sea la bscula que se utilice.
Distribuciones de probabilidad

Algunas distribuciones tericas ocurren una y otra vez en

aplicaciones estadsticas, por eso estudiamos sus
propiedades.
Distribuciones de probabilidad

Distribucin binomial:

1. Hay n pruebas idnticas, cada una de los cuales produce

uno de dos resultados posibles: xito o fracaso, por
ejemplo.
2. La probabilidad de xito de cada resultado permanece fija
de una prueba a otra.
3. Las pruebas son independientes.
 Distribucin binomial

Representa la probabilidad de x ocurrencias exitosas

en n pruebas
P(x)= n px(1-p)n-x x=0,1,2,
x
Se extraen 8 elementos de la lnea de produccin la cual produce
5% de partes defectuosas Cul es la probabilidad de obtener
exactamente cero elementos defectuosos?
R=.6634 66.34%
Ejemplo 1:
La ltima novela de un autor ha tenido un gran xito, hasta el
punto de que el 80% de los lectores ya la han ledo. Un grupo
de 4 amigos son aficionados a la lectura:

1. Cul es la probabilidad de que el grupo hayan ledo la

novela 2 personas?

2. Y cmo mximo 2?
Ejemplo 2:

Un evento tiene 55% de probabilidades de ocurrir cada vez

que alguien entra a determinado hospital. Cul es la
probabilidad de que dicho evento suceda en 2 de 5 personas
ingresadas hoy?
Distribuciones de probabilidad

Distribucin normal: es una distribucin continua

muy importante. Es necesario el conocimiento de la media y
la desviacin estndar para identificar una distribucin
normal especfica. Es simtrica y tiene forma de campana.
 Distribucin normal
Las probabilidades de los valores sacados de una distribucin
normal que caen en varios intervalos se encuentran al
convertir, primero todos los intervalos en unidades de
desviacin estndar llamados resultados Z como nmero de
varianzas, esto es, si la variable aleatoria X tiene una
distribucin normal con media y distribucin estndar ,
entonces la variable aleatoria Z = (X )/ tiene una
distribucin normal con media 0 y desviacin igual a 1. Esta
distribucin especfica se conoce como distribucin
normal estndar.
 Distribucin normal
La distribucin normal se
determina completamente
por su media y su desviacin
estndar.
Ejemplo 1:
La panadera Sureste elabora piezas de pan. La longitud de
una pieza se distribuye de manera normal con una media de
15 cms y una varianza (sigma al cuadrado)de 2.25 cms
cuadrados. Se le pide que determine:

1. Cul es la probabilidad de que una pieza exceda los 18 cms?

2. Cul es la probabilidad de que las piezas de pan estn entre

13 y 17 cms?
Ejemplo 2:
En una ciudad se estima que la temperatura mxima en el
mes de junio sigue una distribucin normal, con media 23 y
desviacin de 5. Calcular el nmero de das del mes en los
que se espera alcanzar mximas entre 21 y 27
 Distribuciones muestrales

Una distribucin muestral es el arreglo de todos los valores

posibles de una estadstica de muestra que pueden sacarse de
entre una poblacin para un determinado tamao de
muestra.
 Distribuciones muestrales

Por lo tanto, la desviacin estndar que se utiliza es la

desviacin estndar de la poblacin dividida entre la raz
cuadrada del tamao de la muestra. Esta cantidad / n, se
conoce como el error estndar de la media muestral. As, la
desviacin muestral de la media de la muestra tender hacia
la distribucin normal sin importar la forma de la
distribucin de la poblacin, de la cual sacaron las muestras.
 Distribuciones muestrales
Para muestras pequeas (menos de 30 datos), podra ser que
las medias de la muestra no se encuentren distribuidas de
manera normal. Si la poblacin de la cual se elige la muestra
es normal en esencia, y si la desviacin estndar de la
poblacin se estima mediante la desviacin estndar de la
muestra S, se conoce la distribucin muestral como
distribucin t de Student
Teorema del Lmite Central

 Distribuciones muestrales
Tambin llamada distribucin t con n-1 grados de libertad:

t= X prom
S/n
Ejemplo:
El gerente de una compaa de tarjetas de crdito asegura
que el tiempo promedio para resolver quejas de clientes es de
30 das. Una muestra de 15 quejas arrojo que el tiempo de
espera promedio fue de 35.9 das, con una desviacin
estndar de 10.2 das.
a) Es la afirmacin del gerente correcta? La media poblacional
es 30 y la variable aleatoria tiene una distribucin t Student con
n-1 grados de libertad. (Utilice t de 0.025 para evaluarla, si el
valor de t calculado est muy por encima o por debajo de la
media, probablemente el gerente se equivoque y la media
poblacional no sea 30)
t= Xprom = 35.9 30 = 2.24
S/n 10.2/15

Como t calc > t crtica , la media muestral se encuentra

signicativamente distante de la media. En vez de suponer que
hemos seleccionado 15 datos extremos, suponemos que la
media poblacional debe ser diferente a 30 das.
Inferencia a partir de una muestra

Existen dos razones principales para examinar la evidencia

muestral cuando medir la poblacin entera de inters no es
viable o no es posible. La primera de ellas se conoce como
estimacin, en la cual los resultados de la muestra se utilizan
para evaluar caractersticas desconocidas de la poblacin.
Tambin es llamada pronstico.
Inferencia a partir de una muestra

Una estimacin puntual de un parmetro de poblacin

(pronstico) es un valor nico que se calcula a partir de los
datos de la muestra y que estima el valor desconocido de la
poblacin. Es la mejor conjetura de un parmetro de
poblacin.
Inferencia a partir de una muestra

Un intervalo estimado es aquel donde probablemente est

el parmetro de la poblacin de inters. Se encuentra al
construir un intervalo alrededor de la estimacin puntual de
la siguiente forma:

Estimacin puntual +/- Mltiplo multiplicado por ( la

Desviacin estndar estimada de la distribucin puntual)
 Inferencia a partir de una muestra

donde el mltiplo frecuentemente es un punto porcentual de

distribucin normal o de distribucin t.
Un intervalo obtenido mediante el procedimiento que satisfaga el
requisito de probabilidad se conoce como intervalo de confianza.
Inferencia a partir de una muestra

Comnmente, la estimacin puntual, es conocida como el

error permitido y su tamao depende del nivel de confianza
y de la informacin de la muestra.
Ejemplo


Prueba de hiptesis
En muchas situaciones, al realizar pronsticos, el inters est
en probar cierta afirmacin sobre la poblacin ms que en
estimar o predecir alguno de sus parmetros.

Este proceso se conoce como prueba de hiptesis y es el

segundo propsito bsico que se persigue al examinar la
evidencia de las muestras.
Prueba de hiptesis
Probar hiptesis implica los siguientes cinco pasos:

Paso 1: Formular la hiptesis que se ha de probar (hiptesis

nula H0)

Paso 2: Recopilar una muestra aleatoria de artculos de la

poblacin, medirlos y calcular la estadstica adecuada de la
prueba de la muestra.
Prueba de hiptesis

Paso 3: Suponer que la hiptesis nula es verdadera y determinar

la distribucin muestral de la estadstica de la prueba.

Paso 4: Calcular la probabilidad de que el valor de la estadstica

de la muestra sea, por lo menos, tan grande como el que se
observ que podra haberse sacado de esta distribucin.
Prueba de hiptesis

Paso 5: Si esta probabilidad es alta, no se rechaza la hiptesis

nula, si es baja, la hiptesis nula puede rechazarse con una
pequea posibilidad de error.
Prueba de hiptesis
Resultados de una prueba de hiptesis:

Aceptar H0 Rechazar H0

H0 Verdadera Decisin Error tipo I:

correcta probabilidad

H0 Falsa Error tipo II: Decisin

probabilidad correcta
Construccin de una prueba de
hiptesis
El supervisor de un taller cree que disminuy el peso medio de
las piezas producidas por cierta mquina. Se desea probar la
hiptesis que el peso medio de las piezas producidas por la
mquina todava es de 50 libras, es decir, el peso medio de las
piezas en aos pasados. Se toma una muestra aleatoria de 100
piezas. Se supone que la desviacin estndar de los pesos de las
piezas es de 5 libras, sin importar el peso medio, ya que este
valor ha permanecido constante en estudios anteriores de las
piezas. Usaremos la media de la muestra, como nuestro
estadstico de prueba y tomaremos como hiptesis nula el statu
quo; es decir, el peso medio de la pieza, miu es de 50 libras.
Por lo tanto, si la hiptesis nula es verdadera, el teorema central
del lmite indica que la distribucin muestral de X promedio es,
es este caso, normal con media miu = 50 y desviacin estndar
sigma/raz cuadrada de n = 5/100 = 0.5. Un valor de la
media de la muestra, X promedio, cercano o mayor a 50 apoya
la hiptesis nula; un valor de X promedio muy por debajo de 50
es evidencia contra la hiptesis nula, puesto que tal evento es
improbable si la hiptesis nula es verdadera. Pero
cometeramos el error tipo I (rechazar H0 cuando debemos
aceptarla), por lo tanto, utilizaremos alfa, el nivel de
significancia. Supongamos que alfa vale 0.05 (5%). Entonces,
rechazaremos la hiptesis nula si el valor observado en nuestro
estadstico de prueba, X promedio, cae ms all del punto ms
bajo 0.05.
La regla de decisin para esta prueba es como sigue:
Si X promedio es menor a 49.18, rechace la hiptesis nula:
miu = 50.

Suponga que la media de la muestra resulta ser de 49.6 libras.

Entonces, podramos no rechazar la hiptesis nula al nivel de
significancia del 5% Si el peso medio de la muestra resultara ser
48.6 libras entonces s rechazamos la hiptesis nula. Nota que
para X promedio de 48.6, la probabilidad de obtener un valor
en ese extremo, si la hiptesis nula es verdadera, es P(X
promedio menor a 48.6) = P(Z sea menor que (48.5 50)/5)
= P(Z menor que -2.8) = P(Z = 2.8) = (0.5000 0.4974) =
0.0026 lo cual es, un evento improbable.
p - value