Estadística II

TEMA 0.
Distribución Normal. TCL
Di t ib i
Distribuciones d
derivadas
i d d de lla normall
1.4. Distribución Normal X ~ N (µ,σ2)
X ~ N (µ,σ)
Hayy muchas situaciones en estadística en q que
consideramos curvas de densidad que parecen
aproximadamente simétricas y de forma de campana.

Hay una densidad de probabilidad teórica que justamente

tiene
ti esta
t apariencia
i i y que es la
l función
f ió de
d densidad
d id d de
d
probabilidad más útil que tenemos al alcance: se
denomina densidad normal.
normal
 1.4. Distribución Normal
Distribución Normal:
- Es la variable continua más importante de la estadística por sus
aplicaciones directas e indirectas en la Inferencia estadística.
- Se p
puede utilizar p para describir datos q que representan
p medidas
(temperaturas, lluvia, peso, altura, calificaciones, vida media de un
producto, etc.).

- Los valores posibles de la variable están entre -∞ y +∞.

- En los valores centrales acumula la mayor parte de la probabilidad y
los valores extremos son poco probables.
- Tiene forma de campana simétrica respecto de su valor esperado µ,
es decir P(X ≤ µ ) = P(X ≥ µ ).) Al ser simétrica,
simétrica la media aritmética,
aritmética la
mediana y la moda son las mismas, justo en el centro de la curva y
dicho valor es el valor correspondiente al eje de simetría µ, donde toma
su valor
l máximo.
á i A í mismo,
Así i su coeficiente
fi i t de
d asimetría
i t í será á nulo
l
1.4. Distribución Normal
- El valor esperado nos proporciona la posición respecto al eje
horizontal y la varianza nos da la forma respecto del eje vertical.
- La media desplaza la curva de forma horizontal
- La varianza nos da la forma de la curva ((más aplanada
p o más
estirada).
- El área bajo la curva define probabilidades
- La curva es asintótica respecto del eje horizontal.
- La curva ppresenta 2 p
puntos de inflexión en los valores µ
µ-σ y µ
µ+σ
- Es estrictamente creciente para x < µ
- Es estrictamente decreciente para x > µ
 1.4. Distribución Normal

l X ≈ N(μ,σ 2 )
‐ Cas general: 
C
−( x−μ)2
1
‐ Funció de densitat:  f (x) = ; - ∞≤ x ≤ +∞
2
e 2σ

2πσ 2

2
1⎛ x−μ ⎞
x0 1 −⎜ ⎟
F iód di t ib ió F(x0 ) = P(X ≤ x0) = ∫−∞
‐ Funció de distribució:  2⎝ σ ⎠
·e d ; sii - ∞≤ x ≤ +∞
·dx +
2·π·σ 2

2
1⎛ x−μ⎞
b 1 −⎜ ⎟
‐ Càlcul d’una probabilitat:  P(a ≤ X ≤ b) = ∫a ·e2⎝ σ ⎠
·dx; si - ∞≤ x ≤ +∞ 
2·π·σ 2

‐ Esperança m àtica: E(X) = μ

Esperançamatemàtica: 
‐ Variància: Var(X) =σ2 ‐ 
1.4. Distribución Normal
1.4. Distribución Normal
– La probabilidad que obtenemos en un intervalo de
anchura determinada depende de la varianza
 1.4. Distribución Normal
Estandarización de la distribución Normal: la variable transformada,
Z, tendrá SIEMPRE un valor esperado nulo, E(Z)= 0, y varianza
unitaria Var(Z)=1
unitaria, Var(Z)=1.

X −μ
Z=
σ

X −μ
‐ Normal tipificada:  Z ≈ N ( 0,1)  essent  Z =  
σ
‐ Les probabilitat de la Normal tipificada es troben tabulats en una taula de probabilitats 
acumulades (Funció de distribució). 
−z 2
1
Funció de densitat: f ( z ) =
‐  Funció de densitat:  e 2 ; - ∞ ≤ z ≤ +∞  
2π
 
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

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
Propiedades de la normal:
1. Si X1, X2 …… Xn son v.a. normales independientes que se
distribuyen tal que, Xi ~N(µi; σ2i) para i= 1,2…n y a1, a2…an y b son
números reales
y definimos una nueva variable Y= a1 X1+a2 X2+……an Xn +b , esta
nueva variable de distribuye normalmente con :

Y ~ N (a1µ1+a2µ2+….+anµn + b; a21σ21+ a22 σ22+….. a2n σ2n)

1. Propiedad reproductiva. Si en la anterior propiedad hacemos

a1= a2=…an= 1 y b=0
La variable Y= X1+X2+……Xn , de distribuye normalmente con :
⎛ n n 2 ⎞⎟
⎜
Y ~ N (µ1+µ2+….+µn ; σ21+ σ22+….. σ2n) es decir y ≈ N⎜ ∑ μ i , ∑ σ i ⎟
⎜ i =1 ⎟
⎝ i =1 ⎠
1.4. Distribución Normal
Propiedades de la normal:

3. Si X1, X2 …… Xn son v.a. normales independientes e IGUALMENTE

DISTRIBUIDAS tal que,que Xi ~ N(µ; σ2),
) es decir tienen la misma media
y la misma varianza
y definimos una nueva variable Y= X1+ X2+…… Xn , esta nueva
variable de distribuye normalmente con :

Y ~ N (µ+µ+….+µ ; σ2+ σ2+…..

+ σ2) es decir Y~ N(nµ ; nσ2)
TEOREMA CENTRAL DEL LIMITE T.C.L.
Sean X1 X2 …. Xn una sucesión de variables aleatorias
independientes e idénticamente distribuidas (sin ser
necesariamente normales), es decir, con la misma distribución de
probabilidad, y por lo tanto con un mismo valor esperado, µ, y una
misma varianza, σ2
E(X1)= E(X2)= …. = E(Xn)= µ V(X1)= V(X2)= …. = V(Xn)= σ2

La suma de las n variables Y= X1+X2 +…. +Xn cuando n tiende a

infinito (se hace moderadamente grande) tiende a una normal
Y= X1+X2 +…. +Xn Y ≈ N (µ+µ+…+µ; σ2+σ2+…+σ2)
Y ≈ N ((n·µ;
µ n·σ2)

A nivel práctico se cumple si n > 30 y sea cual sea la

distribución que siguen las variables, ya sea conocida o
desconocida.
 DISTRIBUCIONES RELACIONADAS CON LA
NORMAL

Veremos las
V l siguientes
i i t variables
i bl aleatorias
l t i continuas
ti relacionadas
l i d
con la variable aleatoria Normal

a) Distribución Chi-Cuadrado de Pearson

b)) Distribución t- Student
c) Distribución F de Snedecor
a. Distribución Chi-cuadrado

Es la suma de n variables aleatorias independientes

p normales
estándar elevadas al cuadrado.

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

con Z i2 ≈ N ( μ = 0; σ 2 = 1) i = 1,2,3,..., n

Al numero de variables que sumamos, es decir n, se le

denomina grados de libertad.
libertad
Propiedades:
1) Es una variable continua que NO toma valores negativos
0 < χ (2n ) < +∞
a. Distribución Chi-cuadrado
2. Asimétrica positiva: presenta forma campaniforme con una
asimetría hacia la derecha.
Si aumentamos los grados de libertad la forma se va haciendo
más simétrica y la cola de la derecha se va extendiendo

3. Hay tantas distribuciones Chi-Cuadrado como n

a. Distribución Chi-cuadrado
4. La distribución Chi-cuadrado con n grados de libertad tiene
como Valor Esperado,
Esperado n,
n y como Varianza,
Varianza 2·n
2n

E( X ) = n V ( X ) = 2·n

5. Cuando la distribución presenta elevados grados de libertad,

n > 30, se puede utilizar la aproximación a la ley Normal, y
entonces
si X ≈ χ2 con n > 30 es equivalente a.... X ≈ N ( μ = n; σ 2 = 2·n)
( n)

Fórmula para buscar un punto equivalente entre la Chi

Chi-cuadrado
cuadrado
y la normal estándar

2 χ n2 − 2n − 1 ≈ N (0,1)
a. 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
01
0,1

0,08

0 06
0,06

0,04

0,02

0
0 5 10 15 20
4 6 10
a. Distribución Chi-cuadrado

P ( χ (210 ) ≥ 4,865) = 0,90

b. Distribución t de Student
Es el cociente entre una Normal (0,1) y la raíz cuadrada
de una Chi-cuadrado dividida entre sus grados de
libertad, ambas independientes.

Z
T= ≈ tn
χ n2
n
Propiedades:
1.Recorrido: es una variable continua q
que toma valores
negativos y positivos
− ∞ < t(n ) < +∞
b. Distribución t de Student
2. Es una distribución simétrica, algo más dispersa que la
variable aleatoria normal
Si comparamos la Normal estándar
y la t-Student
t Student ,en
en las colas la t está
por encima de la Normal y en la
parte central (valores entorno al 0)
l t está
la tá por debajo
d b j ded lal Normal,
N l
como consecuencia de su mayor
dispersión.

3. Valor Esperado y como Varianza la siguiente expresión:

n Valores grandes de n, hacen
E( X ) = 0 V (X ) =
n−2
n>2
que la varianza se aproxime
a 1, como la variable normal
estándar
b. Distribución t de Student

4. A medida q que los g

grados de libertad van aumentando,,
la distribución t va tomando el mismo aspecto que la
distribución Normal Estándar.
-Cuando la distribución presenta elevados grados de
libertad, n > 30, se puede utilizar la aproximación a la ley
Normal, y entonces

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

⎛ n ⎞
X ≈ N ⎜ μ = 0; σ =
2
⎟
⎝ n−2⎠
b. Distribución t de Student
P (t(12 ) ≥ 1,3562) = 0,10
b. Distribución t de Student
DISTRIBUCIONES T-STUDENT CON DIFERENTES GRADOS DE LIBERTAD
GRADOS LIBERTAD (mínimo 3)
VALORES ESPERADOS
VARIANZA

Distribución t-Student comparadada con N(0,1)

04
0,4

0,3

0,2

01
0,1

0
-4 -3 -2 -1 0 1 2 3 4

N(0, 1) t (20) t (10)

c.Distribución F de Snedecor
Definimos un modelo F de Snedecor con n grados de libertad
en el numerador y m grados en el denominador como el
cociente de dos distribuciones independientes Chi-cuadrado
con n y m grados de libertad, divididas entre sus grados de
libertad 2 χn
F(n, m) = n ≈ F ( n, m )
2
χm
m
P i d d
Propiedades
1. Recorrido: variable continua que NO toma valores negativos

0 < F( m;n ) < +∞

c. Distribución F de Snedecor
2. Es asimétrica positiva , campana sesgada a la derecha
derecha.
derecha
Si aumentamos los grados de libertad la forma se va haciendo
más simétrica y la cola de la derecha se va extendiendo.
c. Distribución F de Snedecor
3. Hay tantas como n y m grados de libertad.
4. Valor esperado y varianza

E( X ) =
m
m>2 2m 2 (n + m − 2)
V (X ) = m>4
m−2 2
n(m − 4)(m − 2)

5. Propiedad
p reciproca:
p

F 1
(n, m, p) =
F(m,n.,(1− p))
c. Distribución F de Snedecor
La t de Student como un caso de la F de Snedecor:

(t n )2 = F(1, n)

Demostración:

2
⎛ ⎞
⎜ ⎟ χ12
⎜ ⎟
Z2
(t n )2 = ⎜⎜ Z ⎟
⎟ =
2
= 1 ≈F
2 (1, n)
⎜ χ n2 ⎟ χn χn
⎜⎜ ⎟⎟ n n
⎝ n ⎠
c. Distribución F de Snedecor

P ( F( 6;9 ) ≥ 1,61) = 0,25

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

03
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

c. 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