Estadística II

1. Modelos de distribución de variables aleatorias

ADMINISTRACIÓ I DIRECCIÓ D'EMPRESES

Estadística II
1. Modelos de distribución de variables aleatorias

I. Variables Aleatorias Discreta

1.1. Distribución dicotómica y binomial

Bernoulli o Dicotómica, B(1, p)

• Experimento aleatorio con sólo 2 posibles resultados:

x 0 = 0 ⇒ p0 = P ( X = X 0 ) = P ( X = 0) = q = 1 − p
x1 = 1 ⇒ p1 = P ( X = X 1 ) = P ( X = 1) = p

k
E ( X ) = ∑ X i · pi = X 0 · p0 + X 1· p1 = 0·(1 − p ) + 1· p = p
i =1
k
E ( X ) = ∑ X i2 ·pi = X 02 ·p 0 + X 12 ·p1 = 0 2 ·(1 − p ) + 12 ·p = p
2

i =1

Var ( X ) = E ( X 2 ) − [E ( x)] = p − p 2 = p·(1 − p ) = p·q

2
1.1. Distribución dicotómica y binomial

– Éxito con valor X = 1 y p = probabilidad de éxito

– Fracaso con valor X = 0 i q = 1 – p = probabilidad de fracaso

• Función de cuantía:
P( X = xi ) = p xi ·(1 − p )1− xi con xi = 1 o xi = 0 y 0 ≤ p ≤ 1

• Esperanza matemática: E( X ) = p

• Varianza: Var ( X ) = p·q

1.1. Distribución dicotómica y binomial

EJEMPLO: X = sacar cara al lanzar una moneda

x 0 = 0 = sacar cruz
p 0 = P( X = X 0 ) = P( X = 0) = 1 − p = q = 1 − 0,5 = 0,5
x 1 = 1 = sacar cara
p1 = P( X = X 1 ) = P( X = 1) = p = 0,5

E ( X ) = X 0 ·p 0 + X 1 ·p1 = 0·(1 − p ) + 1·p = p = 0,5

E ( X 2 ) = X 02 ·p 0 + X 12 ·p1 = 0 2 ·(1 − p ) + 12 ·p = p = 0,5

Var ( X ) = E ( X ) − [E ( x)] = p·(1 − p ) = 0,5·(1 − 0,5) = 0,25

2 2
1.1. Distribución dicotómica y binomial
Binomial, B(n, p)

• Repetición de un experimento de Bernoulli n veces.

• Repeticiones son Independientes entre si.
• La probabilidad de éxito constante

•Función de cuantía:
Si xi el número de éxitos obtenidos

 n  xi
P( X = xi ) =   p (1 − p ) n − xi con x i = 0, 1,..., n i 0 ≤ p ≤ 1
 xi 
1.1. Distribución dicotómica y binomial

E ( X ) = E ( X 1 + X 2 + .... + X n −1 + X n ) =
= E ( X 1 ) + E ( X 2 ) + .... + E ( X n −1 ) + E ( X n ) =
= p + p + ... + p + p = n·p

V ( X ) = V ( X 1 + X 2 + .... + X n −1 + X n ) =
= V ( X 1 ) + V ( X 2 ) + .... + V ( X n −1 ) + V ( X n ) =
= p·q + p·q + ... + p·q + p·q = n·p·q
1.1. Distribución dicotómica y binomial
• Función de distribución:
x0
 n  xi
F ( x 0 ) = P( X ≤ x 0 ) = ∑   p (1 − p ) n − xi ; si 0 ≤ x 0 ≤ n
xi = 0  x i 

• Esperanza matemática: E ( X ) = n·p

• Varianza: Var ( X ) = n·p·q
• Propiedad reproductiva: Si X1 y X2 son dos v.a.
independientes que se distribuyen según una ley Binomial

X 1 ≈ B(n1 , p ) i X 2 ≈ B(n 2 , p )

X = (X 1 + X 2 ) X ≈ B(n1 + n 2 , p)
1.1. Distribución dicotómica y binomial
Xi P(10;0,1) P(10;0,3) P(10;0,5) P(10;0,7) P(10;0,1)
0 0,34868 0,02825 0,00098 0,00001
1 0,38742 0,12106 0,00977 0,00014 0,45000

2 0,19371 0,23347 0,04395 0,00145 0,40000

3 0,05740 0,26683 0,11719 0,00900 0,35000

4 0,01116 0,20012 0,20508 0,03676 0,30000

5 0,00149 0,10292 0,24609 0,10292 0,25000

6 0,00014 0,03676 0,20508 0,20012 0,20000

7 0,00001 0,00900 0,11719 0,26683 0,15000
8 0,00000 0,00145 0,04395 0,23347 0,10000
9 0,00000 0,00014 0,00977 0,12106 0,05000
10 0,00000 0,00001 0,00098 0,02825 0,00000
Repeticiones 10 10 10 10 0 1 2 3 4 5 6 7 8 9 10

Probabilidad 0,1 0,3 0,5 0,7

P(10;0,3) P(10;0,5) P(10;0,7)

0,30000 0,30000 0,30000

0,25000 0,25000 0,25000

0,20000 0,20000 0,20000

0,15000 0,15000 0,15000

0,10000 0,10000 0,10000

0,05000 0,05000 0,05000

0,00000 0,00000 0,00000

0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
1.1. Distribución dicotómica y binomial
Función Cuantía: B(15;0,05)
Xi P(Xi) F(Xi) 0,5
0 0,46329123 0,46329123
1 0,36575623 0,82904746 0,4
2 0,1347523 0,96379976
0,3
3 0,03073298 0,99453274
4 0,00485258 0,99938532
0,2
5 0,00056188 0,99994719
6 4,9287E-05 0,99999648 0,1
7 3,3352E-06 0,99999982
8 1,7554E-07 0,99999999 0
9 7,1858E-09 1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
10 2,2692E-10 1
11 5,4287E-12 1 Función Distribución: B(15;0,05)
12 9,5241E-14 1 1
13 1,1568E-15 1 0,9
14 8,6975E-18 1 0,8
15 3,0518E-20 1 0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
1.2. Distribución de Poisson
Poisson, P(λ)

•Número de sucesos que ocurren por unidad de

observación
•Es estable, ya que produce un número medio de sucesos
constante - igual al valor del parámetro λ - que ocurren en
un intervalo dado.
Función de Cuantía

λx −λ
P( X = x) = e ; x = 0,1,2,...
x!
1.2. Distribución de Poisson
Características poblacionales
• Valor Esperado

E( X ) = λ
• Varianza
Var ( X ) = λ

Función de Distribución

x0
λi
F ( x0 ) = P( X ≤ x0 ) = ∑ e −λ ; x = 0,1,2,..
i =0 i!
1.2. Distribución de Poisson
Su representación gráfica:
1.2. Distribución de Poisson

Propiedad reproductiva:
X 1 ≈ P(λ1 ) i X 2 ≈ P(λ 2 )

X = (X 1 + X 2 ) X ≈ P(λ1 + λ 2 )
1.2. Distribución de Poisson
Xi P(Xi ) F(Xi ) Función Cuantía: P(0,75)
0 0,47236655 0,47236655 0,5
1 0,35427491 0,82664147
0,4
2 0,13285309 0,95949456
3 0,03321327 0,99270783 0,3
4 0,00622749 0,99893532
0,2
5 0,00093412 0,99986945
6 0,00011677 0,99998621 0,1
7 1,2511E-05 0,99999872
0
8 1,1729E-06 0,99999989 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
9 9,7739E-08 0,99999999
10 7,3304E-09 1
Función Distribución: P(0,75)
11 4,998E-10 1
1
12 3,1238E-11 1 0,9
13 1,8022E-12 1 0,8
0,7
14 9,6545E-14 1
0,6
15 0 1 0,5
0,4
0,3
0,2
0,1
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Estadística II
1. Modelos de distribución de variables aleatorias

II. Variables Aleatorias Continuas

1.3. Distribución de Uniforme
Uniforme, U [a,b]
Toma valores equiprobables en un intervalo definido [a; b],
siendo a < b.
Función de densidad:

 1
 a≤ x≤b
f ( x) =  b − a
 0 caso contrario
1.3. Distribución de Uniforme

Función de distribución:

 0 si x < a
 (x − a )

F (x ) =  si a ≤ x ≤ b
 (b − a )

 1 si x > b
1.3. Distribución de Uniforme
Características poblacionales
• Valor Esperado

a+b
E( X ) =
2
b b 1 1 b
E ( X ) = ∫ x· f ( x)·dx = ∫ x· ·dx = ∫ x·dx =
a a b−a b−a a
b
1 x  2
1  b2 a2  1  b2 − a2 
= ·  = · −  = · =
b − a  2 a b − a  2 2  b−a  2 
1  (a + b)·(b − a )  a + b
= ·  =
b−a  2  2
1.3. Distribución de Uniforme
• Varianza

(b − a ) 2
V (X ) =
12

[ 2
]
V ( X ) = E ( x − E ( X ) ) = ∫ ( x − E ( X ) ) · f ( x)·dx
b

a
2

a+b 1 (b − a ) 2
2

b
= ∫ x− · ·dx = ... =
a
 2  b−a 12
[ ]
V ( X ) = E x − (E ( X ) ) = ∫ x 2 · f ( x)·dx − (E ( X ) )
2 2 b

a
2

+ −
2
 
2
b 1 a b (b a )
=∫ x 2· ·dx −   = ... =
a b−a  2  12
1.3. Distribución Uniforme
Función Densidad: U(5;50)
Xi P(Xi ) F(Xi )
0,05
5 0,02222222 0
7,5 0,02222222 0,05555556
10 0,02222222 0,11111111
12,5 0,02222222 0,16666667
15 0,02222222 0,22222222
17,5 0,02222222 0,27777778
20 0,02222222 0,33333333
0
22,5 0,02222222 0,38888889 0 10 20 30 40 50

25 0,02222222 0,44444444
27,5 0,02222222 0,5 Función Distribución: U(5;50)
1
30 0,02222222 0,55555556
32,5 0,02222222 0,61111111
0,75
35 0,02222222 0,66666667
37,5 0,02222222 0,72222222 0,5
40 0,02222222 0,77777778
42,5 0,02222222 0,83333333 0,25
45 0,02222222 0,88888889
47,5 0,02222222 0,94444444 0
0 10 20 30 40 50
50 0,02222222 1
1.4. Distribución Normal

−( x − µ ) 2
1
f ( x) = e 2σ 2 −∞ ≤ x ≤∞
2πσ 2
Función de Distribución:

−( x − µ ) 2
x 1
F ( x) = ∫
−∞
2πσ 2
e 2σ 2 dx − ∞ ≤ x ≤ ∞
1.4. Distribución Normal

Características de la D. Normal
Recorrido (- ∞ , + ∞)
Simétrica respecto al E(X)= µ
Puntos inflexión “µ ± σ”
Derecha e izquierda del punto medio, es asintótica respecto a los ejes
horizontales
Creciente para valores inferiores a µ
Decreciente para valores superiores a µ
1.4. Distribución Normal

La probabilidad de que la variable esté dentro de un intervalo:

1.4. Distribución Normal
1.4. Distribución Normal

 X − µ  µ− µ  X −µ  1 σ2
E (Z ) = E = =0 Var ( Z ) = Var   = 2 Var ( X ) = 2 = 1
 σ  σ  σ  σ σ

X −µ
Z=
σ
1.4. Distribución Normal

Propiedad reproductiva:
Si X1 y X2 son dos v.a. independientes que se distribuyen
según una ley de Normal tal que,

X1 es N(µ1; σ2(X1)) X2 es N(µ2; σ2(X2))

X= X1+X2 X es N (µ1+µ2; σ2(X1)+σ2(X2))

X= X1-X2 X es N (µ1-µ2; σ2(X1)+σ2(X2))

 1.4. Distribución Normal

DISTRIBUCIONES NORMALES CON IGUAL VARIANZA

VALORES ESPERADOS -2 0 2
VARIANZA 5 5 5

Distribuciones normales con igual Varianza

0,2

0,15

0,1

0,05

0
-10 -8 -6 -4 -2 0 2 4 6 8 10

-2 0 2
 1.4. Distribución Normal

DISTRIBUCIONES NORMALES CON IGUAL VALOR ESPERADO

VALORES ESPERADOS 0 0 0
VARIANZA 1 2 4

Distribuciones normales con igual Valor Esperado

0,4

0,3

0,2

0,1

0
-6 -4 -2 0 2 4 6

1 2 4
1.4. Distribución Normal

Z ≈ N ( µ = 0; σ 2 = 1)

P( Z ≤ 0,34) = 0,63307

P( Z ≤ 1,36) = 0,91308
1.4. Distribución Normal
Probabilidades de intervalos
Si X es una variable Normal de media 3 y desviación 2. Calcular la
probabilidad de que tome un valor entre 4 y 6.
X → N (3, 2) Z → N (0, 1)

 4−3 X − µ 6−3
P (4 < X < 6) = P < <  = P (0,5 < Z < 1,5) =
 2 σ 2 
= P( Z < 1,5) − P( Z < 0,5) = 0,9332 − 0,6915 = 0,2417
1.4. Distribución Normal

• Calcular “a” si X~N(200 ; σ=5), para las siguientes

relaciones:
1 − P(X ≤ a) = 0 ,995 N(200,5)

P( Z ≤ 2,58) = 0,995
¿...?

Z ≈ N ( µ Z = 0; σ Z = 1)
200

X − µX
99,5%

con Z =
σX N(0,1)

a = µ + Z ·σ = 200 + 2,58·5 = 212,9

2,58
0
99,5%
1.4. Distribución Normal

2 − P(X ≤ a) = 0,05
N(0,1)

P( Z ≤ −1,64) = 0,05 5%

Z ≈ N ( µ Z = 0; σ Z = 1)
X − µX
N(0,1)

con Z =
σX
5%

a = µ X + Z ·σ X = 200 − 1,64·5 = 191,8

0

95%
1.4. Distribución Normal

3 − P(X ≥ a) = 0,05

N(0,1)

P( Z ≥ 1,64) = 0,05
5%

Z ≈ N ( µ Z = 0; σ Z = 1)
X − µX
con Z =
0

σX
a = µ X + Z ·σ X = 200 + 1,64·5 = 208,2
95%
1.4. Distribución Normal
1.5. Distribución Chi-cuadrado

-Se define la variable aleatoria:

χ (2n ) = Z12 + Z 22 + Z 32 + ... + Z n2

con Z i ≈ N ( µ = 0; σ 2 = 1) i = 1,2,3,..., n

-Por definición:
0 < χ (2n ) < +∞
1.5. Distribución Chi-cuadrado

-Gráfico de la función de densidad

1.5. Distribución Chi-cuadrado

-Características de su distribución:

si X ≈ χ (2n )
E( X ) = n
V ( X ) = 2·n

-Si n > 30,

si X ≈ χ (2n ) con n > 30 ⇒ X ≈ N ( µ = n; σ 2 = 2·n)

1.5. Distribución Chi-cuadrado

P ( χ (210 ) ≥ 4,865) = 0,90

1.5. Distribución Chi-cuadrado
DISTRIBUCIONES CHI-CUADRADO CON DIFERENTES GRADOS DE LIBERTAD
GRADOS LIBERTAD 2 4 6 10
VALORES ESPERADOS 2 4 6 10
VARIANZA 4 8 12 20

Distribución Chi-cuadrado
con diferentes grados de libertad
0,1

0,08

0,06

0,04

0,02

0
0 5 10 15 20
4 6 10
1.6. Distribución t de Student
-Definimos la variable aleatoria con n grados de libertad

Z
X ≈ t( n ) si X=
Y n
 Z ≈ N ( µ = 0; σ 2 = 1)

Y ≈ χ 2
(n)

-Valores de la variable aleatoria:

− ∞ < t(n ) < +∞
1.6. Distribución t de Student
-Características de la Distribución

si X ≈ t( n ) entonces
E( X ) = 0
n
V (X ) = n>2
n−2
- Cuando n > 30

si X ≈ t( n ) con n > 30 es equivalente a

 n 
X ≈ N  µ = 0; σ =
2

 n−2
1.6. Distribución t de Student

- Gráfico de la función de densidad

1.6. Distribución t de Student
P (t(12 ) ≥ 1,3562) = 0,10
1.7. Distribución F de Snedecor

-Definimos la variable aleatoria con n grados de libertad

en el numerador y m grados en el denominador

χ2
n
=
(n)
F( n ,m )
χ
2
(m) m

-Valores de la variable:

0 < F( n;m ) < +∞

1.7. Distribución F de Snedecor

-Gráfico de la función de densidad

1.7. Distribución F de Snedecor

-Características de la distribución,

si X ≈ F( n;m )
m
E( X ) = m>2
m−2
2 m 2 ( n + m − 2)
V (X ) = m>4
n(m − 4)(m − 2) 2
 1.7. Distribución F de Snedecor
DISTRIBUCIONES F DE FISHER CON IGUAL GRADOS DE LIBERTAD EN EL NUMERADOR
GRADOS LIBERTAD NUMERADOR 30 30 30
GRADOS LIBERTAD DENOMINADOR (mínimo 5) 6 10 15
VALORES ESPERADOS 1,50 1,25 1,15
VARIANZA 2,55 0,66 0,35

Distribución F de Fisher para igual número de grados de libertad en el

numerador

0,3

0,25

0,2

0,15

0,1

0,05

0
0 1 2 3 4 5 6

num 30 y denom 6 num 30 y denom 10 num 30 y denom 15

1.7. Distribución F de Snedecor
DISTRIBUCIONES F DE FISHER CON IGUAL GRADOS DE LIBERTAD EN EL DENOMINADOR
GRADOS LIBERTAD NUMERADOR 20 40 60
GRADOS LIBERTAD DENOMINADOR (mínimo 5) 5 5 5
VALORES ESPERADOS 1,67 1,67 1,67
VARIANZA 6,39 5,97 5,83

Distribución F de Fisher para igual grados de libertad en el

denominador

0,16
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
0 1 2 3 4 5 6 7 8

num 20 y denom 5 num 40 y denom 5 num 60 y denom 5

1.7. Distribución F de Snedecor

P( F( 6;9 ) ≥ 1,61) = 0,25

1.7. Distribución F de Snedecor
P( F(8;5) ≥ 3,34) = 0,10