ESTADÍSTICA Y PROBABILIDADES

para INGENIERÍA
BAIN-091

Magaly Moraga, magaly.moraga@uach.cl

 Clase de hoy

Unidad 3: Aplicación de herramientas estadísticas para

la toma de decisiones en Ingeniería.
Introducción
Antes de comenzar la tercera unidad, debemos conocer tres distribuciones que
desempeñan un papel fundamental en la inferencia estadística: distribución Chi-
cuadrado (𝜒 ), distribución t-Student entre otras.
Estas distribuciones tienen una aplicación considerable tanto en la metodología como en
la teoría. Conoceremos su función de densidad, su gráfica y la forma como determinar
cuantiles utilizando programa R.
 Distribución 𝜒

Si consideramos una variable aleatoria 𝑍~𝑁 0,1 , la v.a. 𝑋 = 𝑍 se distribuye según una ley
de probabilidad distribución 𝜒 con un grado de libertad, lo que se representa como
𝑋~𝜒

Si tenemos 𝑛 variables aleatorias independientes 𝑍 ~𝑁 0,1 , la suma de sus cuadrados

respectivos es una distribución que se denomina ley de distribución (chi-cuadrado) 𝜒 con
𝑛 grado de libertad, 𝜒 .
Distribución 𝜒

n x
1 
x 2
e 2
f X ( x)  n
n
2  
2

2
Distribución 𝜒
¿Cómo buscamos cuantiles en una distribución 𝜒 ?

En R:
qchisq(p, df); devuelve resultados de los cuantiles de la chi-Cuadrado.
 Distribución t de Student
La distribución t-Student se construye como un cociente entre una normal y la raíz de
una 𝜒 independientes. Llamamos distribución t-Student con 𝑛 grados de libertad, 𝒕 a la
variable aleatoria 𝑇,
𝑇= ~𝒕

donde 𝑍~𝑁 0,1 ,

n 1

 n  1  t 
2 2
 1  
 2  n
fT (t ) 
n
n 
2
Distribución t-Student
¿Cómo buscamos cuantiles en una distribución t-Student?

En R:
qt(p, df); devuelve resultados de los cuantiles de la t-Student.
 Distribución t-Student

La distribución t de Student tiene propiedades parecidas a la N(0,1):

 Es de media cero, y simétrica con respecto a la misma.
 Es algo más dispersa que la normal, pero la varianza decrece hasta 1 cuando el número
de grados de libertad aumenta.
 Para un número alto de grados de libertad se puede aproximar a la normal, es decir
→
𝒕 𝑁(0,1)
 Distribuciones Muestrales

Definición: La distribución de todos los valores posibles que puede asumir una
estadística, calculados a partir de muestras del mismo tamaño, seleccionadas
aleatoriamente de la misma población, se llama distribución muestral de esa
estadística.

Normalmente, para una distribución muestral se tiene interés en conocer tres cosas:
media, varianza y forma funcional (apariencia gráfica).
 Distribución muestral de la media

Si tomamos repetidamente muestras aleatorias de una población y medimos la media

de cada muestra, encontramos que la mayoría de estas medias muestrales, difieren una
de otras. La distribución de probabilidad de estas medias muestrales de denomina
distribución muestral de la media.
La distribución muestral de la media tiene una media dada (𝜇 ̅ ) y una desviación
estándar (𝜎 ̅ ).
Debemos considerar dos teoremas importantes:
 Distribución muestral de la media

Teorema 1: Si (X1, X2, …, Xn) es una muestra aleatoria simple de tamaño n procedente
de una población descrita por la variable aleatoria X, con media 𝜇 y varianza 𝜎 , entonces
la esperanza de la media muestral es igual a la media de la población, 𝜇, y la varianza de la
media muestral es igual a la varianza poblacional, 𝜎 , dividida por 𝑛, es decir,

𝐸(𝑋) = 𝜇 y Var(𝑋) =
 Distribución de la media
Esta propiedad se demuestra por medio de un sencillo ejemplo referente a una población
de cuatro asistentes administrativos. Se pide a cada uno de los asistentes que teclee la
misma página de un manuscrito. La tabla muestra el número de errores y la gráfica de la
distribución poblacional.

.
 distribución de la media
Si a partir de esta población usted
Selecciona muestras compuestas por
dos asistentes administrativos con
reemplazo, habrá 16 muestras posibles
(𝑁 = 4 = 16).
La tabla presenta los resultados de las 16
muestras posibles. Si calculamos el
promedio de las medias de las 16
muestras, la media de estos valores,
𝜇 ̅ , es igual a 2.5, que es también
la media poblacional µ

.
 distribución de la media
Distribución muestral de la media
basada en todas las muestras posibles
conformadas por dos asistentes
administrativos.

.
Distribución muestral de la media

Teorema 2: A medida que el tamaños de las muestras se

incrementa (es decir, cuando 𝑛 → ∞), la distribución
muestral de la media se aproxima a la distribución
normal, cualquiera que sea la forma de la población
original. La aproximación es suficientemente buena
para 𝑛 ≥ 30. Este es el teorema del límite central.
Inferencia Estadística

Con la inferencia estadística se pretende estimar alguna característica de la población a

partir de los datos obtenidos de la muestra.
Dada una muestra aleatoria, cualquier función de ella recibe el nombre de
estadístico. Un estadístico que se utiliza para estimar un parámetro de una variable
aleatoria es un estimador y el valor del estimador para una muestra concreta es una
estimación.
Estimación

La estimación puntual estima el valor del parámetro mediante un solo dato – punto
– extraído de la muestra.
Con la estimación por intervalo se halla un intervalo de valores entre los cuales se
afirma que se encuentra el verdadero valor del parámetro a estimar con una confianza
dada.
Estimación puntual

¿Cómo encontrar estimadores puntuales?

Existen varios métodos, entre los cuales tenemos:
• * Método de Máxima Verosimilitud.
• * Método de Momentos.
• * Método de Mínimos Cuadrados.
Estimación puntual

Propiedades de algunos estimadores puntuales: