ESTADÍSTICA INFERENCIAL -...

17
ESTADÍSTICA INFERENCIAL

Transcript of ESTADÍSTICA INFERENCIAL -...

Page 1: ESTADÍSTICA INFERENCIAL - moodle2.unid.edu.mxmoodle2.unid.edu.mx/dts_cursos_mdl/ejec/AD/EI/S06/EI06_Lectura.pdf · ESTADÍSTICA INFERENCIAL 3 Explicación Variables aleatorias continuas.

ESTADÍSTICA INFERENCIAL

Page 2: ESTADÍSTICA INFERENCIAL - moodle2.unid.edu.mxmoodle2.unid.edu.mx/dts_cursos_mdl/ejec/AD/EI/S06/EI06_Lectura.pdf · ESTADÍSTICA INFERENCIAL 3 Explicación Variables aleatorias continuas.

ESTADÍSTICA INFERENCIAL

1

Sesión No. 6

Nombre: Distribuciones de probabilidad para variables

aleatorias continuas

Contextualización

Las variables aleatorias discretas son aquellas que toman estrictamente valores

enteros, por lo que generalmente se aplican en procesos probabilísticos de

conteo. Por su parte, las variables aleatorias continuas no se restringen a

valores enteros, sino que pueden asumir, además de éstos, valores decimales

comprendidos entre valores enteros, es decir, pueden tomar cualquier valor de

manera continua que se encuentre entre valores discretos. En términos

matemáticos, los valores discretos se denominan numerables, mientras que a

los valores continuos se les conoce como no numerables.

Page 3: ESTADÍSTICA INFERENCIAL - moodle2.unid.edu.mxmoodle2.unid.edu.mx/dts_cursos_mdl/ejec/AD/EI/S06/EI06_Lectura.pdf · ESTADÍSTICA INFERENCIAL 3 Explicación Variables aleatorias continuas.

ESTADÍSTICA INFERENCIAL

2

Introducción al Tema

En esta sesión se estudiarán distribuciones de probabilidad de variables

aleatorias continuas, específicamente la distribución normal, así como su

aproximación a la distribución binomial, dando el conocimiento del uso de sus

formulas y las diferencias que caracterizas a cada una de estas, sabiendo como

y donde se pueden aplicar para tener un resultado mas preciso.

Al conocer estos elementos también podrás apreciar la forma en que se grafican

éstas y los atributos con los que cuenta cada una de estas representaciones, es

importante tener nociones de bases matemáticas para determinar un

conocimiento completo sobre la estadística y la forma en que se explotan los

datos que encontramos presentes.

Page 4: ESTADÍSTICA INFERENCIAL - moodle2.unid.edu.mxmoodle2.unid.edu.mx/dts_cursos_mdl/ejec/AD/EI/S06/EI06_Lectura.pdf · ESTADÍSTICA INFERENCIAL 3 Explicación Variables aleatorias continuas.

ESTADÍSTICA INFERENCIAL

3

Explicación

Variables aleatorias continuas. Definición de variable aleatoria

continua

Sea ε un experimento y Ώ su respectivo espacio muestral asociado. A la función

(o relación) X, que asigna un número real X(ω) a cada elemento ω (letra griega

omega, en minúscula) que pertenece a Ώ, se le denomina variable aleatoria

continua si X(ω) puede tomar valores continuos, es decir, valores decimales que

se encuentran entre valores discretos o enteros a, b. En este sentido, el

conjunto {a ≤X ≤b} es un suceso o evento de Ώ. Si la distribución de probabilidad

de la variable aleatoria se rige por una función f, 1 entonces la probabilidad de

que la variable aleatoria X tome un valor entre los números a y b se denota

como P(a ≤X ≤b) y equivale al área bajo la curva de f entre x = a y x = b.

Área que puede obtenerse mediante el cálculo de

la siguiente integral:

P(a ≤X ≤b)=

Este concepto se explicará más adelante en esta

misma sesión, sin embargo, cabe aclarar que no

es necesario tener conocimientos de cálculo

integral para su manejo pues existen tablas que permiten realizar cálculos de

probabilidad sin tener que desarrollar una integral. Al igual que las variables

aleatorias discretas, las continuas cumplen con dos características

fundamentales:

• (x) 0 La probabilidad de ocurrencia de un evento en particular es mayor

o igual que cero.

x)dx=1 La suma de las probabilidades de ocurrencia de todos los posibles

eventos del espacio muestral es igual a la unidad o al cien por ciento.

Page 5: ESTADÍSTICA INFERENCIAL - moodle2.unid.edu.mxmoodle2.unid.edu.mx/dts_cursos_mdl/ejec/AD/EI/S06/EI06_Lectura.pdf · ESTADÍSTICA INFERENCIAL 3 Explicación Variables aleatorias continuas.

ESTADÍSTICA INFERENCIAL

4

Distribución normal de probabilidad

Al estudiar alguna característica particular de diversos fenómenos naturales y

sociales, se dice que asumen un comportamiento normal aquellos que

concentran la mayoría de las observaciones cercanas a un valor promedio y la

minoría en valores extremos. Por ejemplo:

• Al medir la estatura de un grupo de personas de la misma edad, la

mayoría de ellas tiene una estatura muy cercana a un cierto valor

promedio.

• Al pesar a un grupo de personas de la misma edad, la mayoría de ellas

tienen un peso muy cercano a un cierto valor promedio.

• Si se mide el coeficiente intelectual de un grupo de personas de la misma

edad, la mayoría de ellas tienen un coeficiente muy cercano a un cierto

valor promedio.

La distribución normal tiene una representación gráfica en forma de campana,

frecuentemente denominada campana de Gauss en honor al célebre matemático

alemán Karl F. Gauss, quien realizó importantes aportaciones al estudio de la

distribución normal. Esta representación gráfica se caracteriza por ser una curva

simétrica respecto al eje y.

En la gráfica se observa que los valores

de una distribución normal tienden a

acumularse en el centro y a disminuir

en los extremos. La función de

distribución de probabilidad normal está

dada por:

Page 6: ESTADÍSTICA INFERENCIAL - moodle2.unid.edu.mxmoodle2.unid.edu.mx/dts_cursos_mdl/ejec/AD/EI/S06/EI06_Lectura.pdf · ESTADÍSTICA INFERENCIAL 3 Explicación Variables aleatorias continuas.

ESTADÍSTICA INFERENCIAL

5

Definición de distribución normal

Sea X una variable aleatoria. La expresión:

Significa que X se distribuye como una normal, con parámetros μ (letra griega

mu) y σ (letra griega sigma), donde:

• X=Variable aleatoria.

• μ=Media poblacional.

• •σ=Desviación estándar poblacional.

Una vez que se sabe que un fenómeno tiene una distribución normal y se

conoce la media y la desviación estándar poblacionales, puede entonces

calcularse la probabilidad de ocurrencia de ciertos eventos; por ejemplo, la

probabilidad de que al seleccionar a una persona de un grupo de individuos de

la misma edad:

• Su estatura sea menor que un valor dado.

• Su estatura sea mayor que un valor dado.

• Su estatura se encuentre entre dos valores determinados.

Área bajo la curva de una distribución normal

Como ya se mencionó, el cálculo de probabilidad de ocurrencia de eventos

asociados a una variable aleatoria con distribución normal equivale a calcular el

área bajo la curva normal delimitada por ciertos valores. Por ejemplo, la

Secretaría de la Defensa Nacional lleva un registro de todos los jóvenes que

prestan su servicio militar. Considerando que sus edades son muy similares,

puede resultar de interés que al seleccionar a uno de ellos:

• Su estatura sea menor que un valor x1, lo que se denota como P( X ≤x1 )

• Su estatura sea mayor que un valor x2, lo que se denota como P( X ≤x2 )

Page 7: ESTADÍSTICA INFERENCIAL - moodle2.unid.edu.mxmoodle2.unid.edu.mx/dts_cursos_mdl/ejec/AD/EI/S06/EI06_Lectura.pdf · ESTADÍSTICA INFERENCIAL 3 Explicación Variables aleatorias continuas.

ESTADÍSTICA INFERENCIAL

6

• Su estatura se encuentre entre los valores x1 y x

2, lo que se denota como

P(x1≤X≤x2). Esto significaría calcular el área bajo la curva mediante las

siguientes integrales:

Por la complejidad de estos cálculos, se ha optado por desarrollar tablas de

distribución normal de las cuales podrían tomarse directamente los valores de

estas integrales.

Page 8: ESTADÍSTICA INFERENCIAL - moodle2.unid.edu.mxmoodle2.unid.edu.mx/dts_cursos_mdl/ejec/AD/EI/S06/EI06_Lectura.pdf · ESTADÍSTICA INFERENCIAL 3 Explicación Variables aleatorias continuas.

ESTADÍSTICA INFERENCIAL

7

Conclusión

Con la representación grafica se puede conocer de una forma mas precisa el

actuar de los elementos que se estudian, es decir, con las áreas sombreadas

dentro de una grafica se puede conocer lo que abarca o lo que no, dando la

oportunidad de conocer los elementos que se buscan o a los que se desea dar

una presencia mas amplia.

Para lograr graficar se tiene que conocer la forma de resolver integrales y los

elementos que pueden determinarse con estas operaciones. Se requiere del

conocimiento de la prioridad de elementos para que los resultados no se alteren,

es decir, saber si primero se multiplica, se suma, se resta o multiplica, y tener los

conocimientos necesarios en los despejes de ecuaciones para facilitar la

resolución y graficación de los mismos.

Page 9: ESTADÍSTICA INFERENCIAL - moodle2.unid.edu.mxmoodle2.unid.edu.mx/dts_cursos_mdl/ejec/AD/EI/S06/EI06_Lectura.pdf · ESTADÍSTICA INFERENCIAL 3 Explicación Variables aleatorias continuas.

ESTADÍSTICA INFERENCIAL

8

Normalización y cálculo de probabilidad

Para calcular probabilidades de ocurrencia de eventos asociados a una

distribución normal es importante considerar dos propiedades fundamentales:

• El área total bajo la curva normal es igual a uno.

• La curva es simétrica respecto a la media, por lo que el área de cada

mitad corresponde al cincuenta por ciento.

Para realizar el cálculo de probabilidades con

una distribución normal es necesario trasladar

los datos originales del fenómeno objeto de

estudio a una escala común o estándar. Una

variable aleatoria estandarizada se denota con la

literal z y se obtiene mediante la siguiente

operación de estandarización o normalización:

Donde:

• z = Variable aleatoria estandarizada.

• x = Valor de la variable aleatoria a estandarizar.

• μ = Media poblacional.

• σ = Desviación estándar poblacional.

El valor de z obtenido en el paso anterior se distribuye como una normal con

media μ=0 y σ=1, es decir, X =N(0,1) , con lo que ya es posible utilizar las tablas

de distribución normal para calcular la probabilidad de ocurrencia de eventos

que pueden manifestarse de la siguiente forma:

Page 10: ESTADÍSTICA INFERENCIAL - moodle2.unid.edu.mxmoodle2.unid.edu.mx/dts_cursos_mdl/ejec/AD/EI/S06/EI06_Lectura.pdf · ESTADÍSTICA INFERENCIAL 3 Explicación Variables aleatorias continuas.

ESTADÍSTICA INFERENCIAL

9

Que corresponden siguientes expresiones:

Probabilidad de que un valor a sea menor o igual que le valor z. Donde a, z, z1 y

z2 son variables estandarizadas. Asimismo, por simetría, se tienen las siguientes

equivalencias:

Page 11: ESTADÍSTICA INFERENCIAL - moodle2.unid.edu.mxmoodle2.unid.edu.mx/dts_cursos_mdl/ejec/AD/EI/S06/EI06_Lectura.pdf · ESTADÍSTICA INFERENCIAL 3 Explicación Variables aleatorias continuas.

ESTADÍSTICA INFERENCIAL

10

Que corresponden a las siguientes expresiones:

Donde a, z, z1 y z2 son variables estandarizadas.

Ejemplos

El coeficiente intelectual (IQ) es un valor obtenido a partir de una prueba que

mide las habilidades cognitivas o inteligencia de una persona en relación a su

grupo de edad, el cual se expresa en una escala estándar para que el valor

promedio de un grupo sea igual a 100. Esto significa que una persona con un IQ

de 115 puntos está por encima del promedio de las personas de su edad,

mientras que otra con un IQ de 65 está por debajo del promedio. Dado que el IQ

se distribuye como una normal, pueden calcularse algunas probabilidades de

interés.

Supóngase que X es una variable aleatoria asociada al iq de alumnos de una

universidad. Si X se distribuye como una normal con media μ=100 y desviación

estándar σ= 16, es decir, XN(100,16),, calcular mediante tablas de distribución

normal las siguientes probabilidades:

1. Probabilidad de que el iq de un alumno sea mayor a 80 puntos, es decir,

P(80≤x).

Page 12: ESTADÍSTICA INFERENCIAL - moodle2.unid.edu.mxmoodle2.unid.edu.mx/dts_cursos_mdl/ejec/AD/EI/S06/EI06_Lectura.pdf · ESTADÍSTICA INFERENCIAL 3 Explicación Variables aleatorias continuas.

ESTADÍSTICA INFERENCIAL

11

2. Probabilidad de que el iq de un alumno sea mayor a 105 puntos, es decir,

P(105≤x).

3. Probabilidad de que el iq de un alumno sea menor que 80 puntos, es decir,

P(x≤80).

4. Probabilidad de que el iq de un alumno sea menor que 105 puntos, es

decir, P(x≤105).

Soluciones

1. De acuerdo a los datos del problema, se tiene que μ=100, σ=16 y x=80.

Entonces se procede a normalizar el valor de x:

Este valor transforma la expresión P(80≤x) a su equivalente normalizada

P(z≤a),en donde z=−1.25.Esto significa que se debe calcular P(−1.25≤a).

Entonces:

Page 13: ESTADÍSTICA INFERENCIAL - moodle2.unid.edu.mxmoodle2.unid.edu.mx/dts_cursos_mdl/ejec/AD/EI/S06/EI06_Lectura.pdf · ESTADÍSTICA INFERENCIAL 3 Explicación Variables aleatorias continuas.

ESTADÍSTICA INFERENCIAL

12

2. Normalizando los datos tenemos que:

Que puede redondearse a 0.31. Este valor transforma la expresión P (105≤x)

a su equivalente normalizada: P(z≤ r, se debe

calcular P(0.31≤a). Entonces, P(0.31≤a)=0.5−P(0≤a≤0.31). Utilizando las tablas

de distribución normal se obtiene que P(0≤a≤0.31)=0.1217,por lo que

P(0.3≤1a)=0.5−0.1217=0.3783 que equivale a 37.83% de probabilidad.

3. Normalizando datos se tiene que:

Page 14: ESTADÍSTICA INFERENCIAL - moodle2.unid.edu.mxmoodle2.unid.edu.mx/dts_cursos_mdl/ejec/AD/EI/S06/EI06_Lectura.pdf · ESTADÍSTICA INFERENCIAL 3 Explicación Variables aleatorias continuas.

ESTADÍSTICA INFERENCIAL

13

Este valor se transforma en la expresión P(x≤80) a su equivalente normalizada

P(a≤z), donde z=−1.25, es decir, se procede a calcular P(a≤−1.25) .

En consecuencia, P(a≤−1.25)=0.5−P(0≤a≤1.25). A través de las tablas de

distribución normal se obtiene que P(a≤ =0.1056,entonces

P(a≤−1.25)=0.5 −P(0≤a≤1.25) que equivale a 10.56% de probabilidad.

4. Al normalizar los datos obtenemos que:

Que puede redondearse a 0.31. Este valor permite transformar la expresión

P(x≤105) a su equivalente normalizada P(a≤z), donde Z=0.3125. Esto significa

que se debe calcular P(a≤0.31). Consecuentemente,

P(a≤0.31)=0.5+P(0≤a≤0.31). Utilizando las tablas de distribución normal, se tiene

que P(0≤a≤0.31)=0.1217, por lo que P(a≤0.31)=0.5+0.1217=0.6217 que equivale

a 62.17% de probabilidad.

Aproximación normal de probabilidades binomiales

La distribución binomial P(X= k)= b(k;n,p) puede acercarse notablemente a la

distribución normal cuando n es grande y ni p ni q tienen valores cercanos a cero,

donde:

• n=Número de ensayos o repeticiones del experimento.

• k = Número de éxitos.

• p= Probabilidad de éxito.

Page 15: ESTADÍSTICA INFERENCIAL - moodle2.unid.edu.mxmoodle2.unid.edu.mx/dts_cursos_mdl/ejec/AD/EI/S06/EI06_Lectura.pdf · ESTADÍSTICA INFERENCIAL 3 Explicación Variables aleatorias continuas.

ESTADÍSTICA INFERENCIAL

14

• q= Probabilidad de fracaso.

Para calcular probabilidades aproximando la distribución normal a la binomial se

tiene que: µ = np

Por ejemplo, si se lanza una moneda 14 veces, calcular la probabilidad P de que

el número de águilas que aparezcan se encuentre entre tres y seis. De los datos

del ejemplo tenemos que:

Si X representa el número de águilas, se debe calcular P (3≤X ≤6) . Dado que la

distribución normal se define sobre variables aleatorias continuas, debemos

expresar los valores discretos, esto es, enteros, en una forma continua o decimal,

con lo que la expresión discreta P(3≤X ≤6) puede transformarse en la expresión

continua P(2.5 ≤X ≤6.5) . Entonces, se procede a estandarizar los valores 2.5 y

6.5:

En consecuencia, P(2.5 ≤x ≤6.5) se transforma en su equivalente normalizada

P(−2.41≤a≤0.27)=0.4920+0.1064=0.5984 ó 59.84%.

Page 16: ESTADÍSTICA INFERENCIAL - moodle2.unid.edu.mxmoodle2.unid.edu.mx/dts_cursos_mdl/ejec/AD/EI/S06/EI06_Lectura.pdf · ESTADÍSTICA INFERENCIAL 3 Explicación Variables aleatorias continuas.

ESTADÍSTICA INFERENCIAL

15

Actividad de Aprendizaje

Instrucciones: en base a lo visto anteriormente, resuelve los siguientes

elementos.

Supóngase que X es una variable aleatoria asociada al IQ de alumnos de una

universidad. Si X se distribuye como una normal con media µ= 100 y desviación

estándar =10, es decir, X N(100,10) , calcula mediante tablas de distribución

normal las siguientes probabilidades:

1. Probabilidad de que el IQ de un alumno sea mayor a 80 puntos, es decir,

P(80 ≤x) .

2. Probabilidad de que el IQ de un alumno sea mayor a 105 puntos, es decir,

P(105 ≤x) .

3. Probabilidad de que el IQ de un alumno sea menor a 80 puntos, es decir, P(x

≤80).

4. Probabilidad de que el IQ de un alumno sea menor a 105 puntos, es decir, P(x

≤105).

5. Probabilidad de que el IQ de un alumno se encuentre entre 105 y 110 puntos,

es decir, P(105 ≤x ≤110) .

Page 17: ESTADÍSTICA INFERENCIAL - moodle2.unid.edu.mxmoodle2.unid.edu.mx/dts_cursos_mdl/ejec/AD/EI/S06/EI06_Lectura.pdf · ESTADÍSTICA INFERENCIAL 3 Explicación Variables aleatorias continuas.

ESTADÍSTICA INFERENCIAL

16

Bibliografía

García, M. (2005). Introducción a la teoría de la probabilidad. México: Fondo de

Cultura Económica.

Hernández, A. y O. Hernández (2003). Elementos de probabilidad y estadística.

México: Sociedad Matemática Mexicana.

Meyer, P. (1986). Probabilidad y aplicaciones estadísticas. E.U.: Addison-Wesley

Iberoamericana.

Ulloa, V. y V. Quijada (2006). Estadística aplicada a la comunicación. México:

UNAM.

—— (2007). Estadística básica con Excel. México: UNAM.

Lipschutz, S. (1988). Probabilidad. México: McGraw-Hill.