Probabilidad y

Estadística
DRA FLORENCIA JAUREGUIBERRY

UNIVERSIDAD NACIONAL DE RÍO NEGRO

INGENIERÍA EN BIOTECNOLOGÍA – INGENIERÍA EN ALIMENTOS – TECNICATURA EN ENOLOGÍA

UNIDAD 3 - CLASE 3
Contenido Unidad 3
Clase 1: Variable aleatoria. Casos continuos y discretos. Modelos de probabilidad. Funciones de
cuantia y de densidad asociadas a los modelos discretos y continuos. Función de probabilidades
acumuladas.
Clase 2: Esperanza y varianza. Parámetros característicos de un modelo de probabilidad:
geométrico, binomial, de Poisson.
Clase 3: Modelos de probabilidad uniforme, exponencial, normal estándar y normal
generalizado. Otros modelos teóricos: chi-cuadrado, t de student y F de Snedecor. Aproximación
del modelo binomial al modelo Poisson y al modelo normal
Funciones de probabilidad
Discretas Continuas
Binomial Uniforme
Geométrica Exponencial
Poisson Normal (generalizada y standard)
Chi-cuadrado
t de student
F de Snedecor
Variables continuas
Variable continua: puede tomar cualquier valor en un intervalo de valores dado. La función de
densidad de probabilidad continua: expresión matemática que define la distribución de los
valores para una variable aleatoria continua
Otros ejemplos
 Normal
 Chi Cuadrado χ2
 t de Student
 F
Distribución uniforme
La probabilidad de ocurrencia de todos los valores entre a y b es igual .
La función de densidad de la variable aleatoria uniforme continua X en el intervalo [A, B] es
Ejemplo
Suponga que el tiempo máximo que se puede reservar una sala de conferencias son cuatro
horas. La duración X de una conferencia tiene una distribución uniforme en el intervalo [0, 4].
¿Cual es la función de densidad de probabilidad?, ¿Cual es la probabilidad de que cualquier
conferencia determinada dure al menos 3 horas?
Esperanza y varianza
La esperanza de la distribución uniforme es
𝐴+𝐵
𝜇=
2

y la varianza de la distribución uniforme es

(𝐵−𝐴)2
𝜎2 =
12
Distribución normal: importancia
Se ajusta a las distribuciones de frecuencias reales observadas en muchos fenómenos:
◦ características humanas (peso, altura, coeficiente intelectual)
◦ resultados de procesos físicos (dimensiones y rendimientos)
◦ y muchas otras medidas de interés para los administradores, tanto en el sector público como en el
privado

Tiene propiedades que la hacen aplicable a un gran número de situaciones en las que es
necesario hacer inferencias mediante la toma de muestras.
Sirve para acercarse a distribuciones de probabilidad discreta (binomial y Poisson). La mayor
parte de las poblaciones reales no se extienden de manera indefinida en ambas direcciones;
pero para estas poblaciones, la distribución normal es una aproximación conveniente.
Características de la Dist. Normal
 Tiene forma de campana
 La curva tiene un solo pico => es unimodal.
 La media de una población distribuida normalmente cae en el centro de su
curva normal
 Es simétrica: La media, la mediana y la moda son iguales
 La variable aleatoria tiene un rango infinito (-∞<X<+∞): Las dos colas de la
distribución normal de probabilidad se extienden indefinidamente
 Se puede calcular la probabilidad para un rango, pero no para un valor exacto
 La probabilidad exacta para un valor específico es cero
Función de densidad de probabilidad
normal

e es la constante matemática aproximada por 2,71828

π es la constante matemática aproximada por 3,4159
µ es la media
σ es la desviación estándar
X es cualquier valor de la variable continua
Características de la Dist. Normal
Para definir una distribución normal de probabilidad necesitamos definir sólo dos parámetros:
◦ la media (µ)
◦ la desviación estándar (σ).
No hay una sola curva normal, para cada combinación σ y µ genera una curva. Por eso se dice que hay
una familia de curvas normales
Áreas bajo las curvas normales
No importa cuáles sean los valores de µ y σ para una
distribución de probabilidad normal, el área total bajo la
curva es 1.00, de manera que podemos pensar en áreas
bajo la curva como si fueran probabilidades.
Matemáticamente es verdad que:
1. Aproximadamente el 68% de todos los valores de una
población normalmente distribuida se encuentra dentro
de ± 1 desviación estándar de la media.
2. Aproximadamente el 95.5% de todos los valores de
una población normalmente distribuida se encuentra
dentro de ± 2 desviaciones estándar de la media.
3. Aproximadamente el 99.7% de todos los valores de
una población normalmente distribuida se encuentra
dentro de ± 3 desviaciones estándar de la media.
Áreas bajo las curvas normales
Estandarización de una variable normal
No es posible ni necesario tener una tabla distinta para cada curva normal posible. En lugar de ello
podemos utilizar una distribución de probabilidad normal estándar para encontrar áreas bajo
cualquier curva normal.
Con esta tabla podemos determinar el área o la probabilidad de que la variable aleatoria distribuida
normalmente esté dentro de ciertas distancias a partir de la media. Estas distancias están definidas en
términos de desviaciones estándar.
Fórmula de transformación
X−µ
Z= σ

Z~N(0,1)
1 2
1 𝑍
f(Z)= 2𝜋
𝑒 2
Ejemplo
Tiempo de descarga de página web se distribuye normalmente con media 7 y desvío estándar 2
X~N(7,2)

X Z

11
Ejemplo
Tiempo de descarga de OTRA página web se distribuye normalmente con media 4 y desvío
estándar 1
X~N(4,1)
X Z

6
Ejemplo
P(X<9)=?
Ejercicios
 ¿Cual es la probabilidad de que la descarga sea de más de 9 segundos?
 ¿ Cual es la probabilidad de que la descarga esté entre 7 y 9 segundos?
 ¿ Cual es la probabilidad de que la descarga sea menor de 7 y más de 9 segundos?
 ¿ Cual es la probabilidad de que la descarga esté entre 5 y 9 segundos?
Distribución exponencial
La variable aleatoria continua X tiene una distribución exponencial, con parámetro β>0, si su
función de densidad está dada por

Esperanza y varianza:
μ=β
𝜎 2 = β2
Usos: vida útil de los componentes electrónicos
Distribución Chi Cuadrada

Esperanza y varianza:
μ=v
𝜎 2 = 2v
Usos: muestreo, análisis de varianza y estadística no paramétrica
Distribución Chi Cuadrada
Distribución t de Student
Sea Z una variable aleatoria normal estándar y V una variable aleatoria chi cuadrada con v
grados de libertad. Si Z y V son independientes, entonces la distribución de la variable aleatoria
T, donde
𝑍
𝑇=
𝑉
𝑣
Esta dada por la función de densidad

Con v grados de libertad

Dist. T de Student
Esperanza = 0 Varianza v/(v-2), para v>0
Usos: usa ampliamente en problemas relacionados con inferencias acerca de la media de la
población o en problemas que implican muestras comparativas (es decir, en casos donde se
trata de determinar si las medias de dos muestras son muy diferentes).
Distribución F de Snedecor
El estadistico F se defi ne como el cociente de dos variables aleatorias chi cuadrada independientes, dividida cada
una entre su numero de grados de libertad. Si U y V son variables aleatorias independientes que tienen
distribuciones chi cuadrada con v1 y v2 grados de libertad, respectivamente se define T como
𝑈
𝑣1
𝑇= 𝑉
𝑣2

Y su distribución está dada por la función de densidad, con v1 y v2 grados de libertad

Usos: comparación de varianzas muestrales y problemas que implican dos o más muestras.
Distribución F de Snedecor