Vous êtes sur la page 1sur 28
E. A. P. DE PSICOLOGIA Estadística Inferencial Prof. César Campos C. 1 1
E. A. P. DE PSICOLOGIA
Estadística Inferencial
Prof. César Campos C.
1
1
ESTADESTADÍÍSTICASTICA INFERENCIALINFERENCIAL TemaTema :: DistibuciDistibucióónn dede ProbabilidadesProbabilidades
ESTADESTADÍÍSTICASTICA INFERENCIALINFERENCIAL
TemaTema :: DistibuciDistibucióónn dede
ProbabilidadesProbabilidades
ProfProf. CCéésarsar CamposCampos C.C.
Estadística Inferencial
Prof. César Campos C.
2
2
VARIABLESVARIABLES ALEATORIASALEATORIAS Una variable estadística es una característica (cualitativa o cuantitativa)
VARIABLESVARIABLES ALEATORIASALEATORIAS
Una variable estadística es una característica (cualitativa o
cuantitativa) que se observa en una población.
Si la población es aleatoria y la característica es
cuantitativa la variable estadística se denomina variable
aleatoria
Definición: Se denomina variable aleatoria a una
variable estadística cuantitativa definida en un
espacio muestral.
Las variables aleatorias pueden ser discretas o
continuas.
Estadística Inferencial
Prof. César Campos C.
3
3
Variable aleatoria discreta ◦ Toma un número finito, ejemplo, el número de vehículos de una
Variable aleatoria discreta
◦ Toma un número finito, ejemplo, el número de vehículos de
una Agencia de Viajes
Variable aleatoria continua
◦ Toma cualquier valor en algún intervalo de números reales.
Ejemplo, el peso de cada uno de los vehículos.
Distribución de Probabilidad:
A
la
tabla, fórmula o gráfico que contiene todos los
valores de la variable y sus respectivas probabilidades,
se le conoce con el nombre de función de probabilidad
de la variable, la cual debe cumplir las siguientes
propiedades:
Estadística Inferencial
Prof. César Campos C.
4
4
PropiedadesPropiedades dede unauna FunciFuncióónn dede ProbabilidadProbabilidad Para variables discretas: ◦ ( i )
PropiedadesPropiedades dede unauna FunciFuncióónn dede
ProbabilidadProbabilidad
Para variables discretas:
◦ ( i ) La probabilidad de que la variable tome cualquier valor
debe ser un número mayor o igual a cero;
◦ ( ii ) La suma de todas las probabilidades de los valores de
la variable; es igual a 1.
Para variables continuas:
◦ ( i ) La probabilidad de ocurrencia de un valor nunca es
negativa,
◦ ( ii ) La probabilidad de ocurrencia de todos los valores
posibles es 1 y corresponde al área bajo la curva,
◦ ( iii ) La probabilidad de ocurrencia de un evento x,
corresponde al área bajo la curva entre dos valores dados,
Estadística Inferencial
Prof. César Campos C.
5
5
EjemploEjemplo Sea el experimento E: lanzar 3 monedas al aire y observar el resultado Espacio
EjemploEjemplo
Sea el experimento E: lanzar 3 monedas al aire y observar el resultado
Espacio muestral: {(C,C,C), (C,C,S), (C,S,C), (S,C,C), (C,S,S), (S,C,S)
(S,S,C), (S,S,S)}
Si definimos X: número de caras obtenidas en las tres monedas, entonces X
es una variable aleatoria que puede tomar los siguientes valores:
X
= 0
Corresponde al evento
{(S,S,S)}
con probabilidad
1/8
X
= 1
Corresponde al evento {(C,S,S), (S,C,S), (S,S,C)} con probab.
3/8
X
= 2
Corresponde al evento {(C,C,S), (S,C,C), (C,S,C)} con probab.
3/8
X
= 3
Corresponde al evento
{(C,C,C)}
con probabilidad
1/8
Estadística Inferencial
Prof. César Campos C.
6
6
FunciFuncióónn dede probabilidadprobabilidad (V.(V. Discretas)Discretas) Sea X una variable aleatoria que toma los
FunciFuncióónn dede probabilidadprobabilidad (V.(V. Discretas)Discretas)
Sea X una variable aleatoria que toma los valores x1, x2, x3,…
40%
Se dice que p(xi) es una función de probabilidad de la v.a. X, si a cada
valor de xi se le asocia su probabilidad de ocurrencia
35%
Asigna a cada posible valor
de una variable discreta su
probabilidad.
30%
25%
20%
Recuerda los conceptos de
15%
frecuencia relativa y diagrama de
barras.
10%
Ejemplo
5%
◦ Número de caras al lanzar 3
monedas.
0%
0
1
2
3
Estadística Inferencial
Prof. César Campos C.
7
7
FunciFuncióónn dede densidaddensidad (Variables(Variables Continuas)Continuas) Definición Es una función no
FunciFuncióónn dede densidaddensidad (Variables(Variables Continuas)Continuas)
Definición
Es una función no negativa de
integral 1.
◦ Se puede asumir como la
generalización del histograma
con frecuencias relativas para
variables continuas.
Estadística Inferencial
Prof. César Campos C.
8
8
ParParáámetrosmetros dede unauna variablevariable aleatoriaaleatoria Valor esperado ◦ Se representa mediante E[X]
ParParáámetrosmetros dede unauna variablevariable aleatoriaaleatoria
Valor esperado
◦ Se representa mediante E[X] ó µ
◦ Es el equivalente a la media
Varianza
◦ Se representa mediante VAR[X] o σ 2
◦ Es el equivalente a la varianza
◦ Se llama desviación típica a σ
Estadística Inferencial
Prof. César Campos C.
9
9
ModelosModelos dede DistribuciDistribucióónn Discreta Discreta Uniforme Bernouli Binomial Poisson Continua
ModelosModelos dede DistribuciDistribucióónn
Discreta
Discreta Uniforme
Bernouli
Binomial
Poisson
Continua Uniforme
Normal
Continua
Chi cuadrado
T
de Student
F
de Fischer
Estadística Inferencial
Prof. César Campos C.
10
10
ExperimentoExperimento dede BernoulliBernoulli Tenemos un experimento de Bernoulli si al realizar un experimento sólo
ExperimentoExperimento dede BernoulliBernoulli
Tenemos un experimento de Bernoulli si al
realizar un experimento sólo son posibles dos
resultados:
◦ X=1 (éxito, con probabilidad p)
◦ X=0 (fracaso, con probabilidad q=1-p)
Ejemplos
Lanzar una moneda y que salga cara.
p =1/2 = 0.50
Aplicar un tratamiento a un enfermo y que éste se cure.
p = 95%= 0.95 probabilidad de que el individuo se cure
Estadística Inferencial
Prof. César Campos C.
11
11
DistribuciDistribucióónn binomialbinomial Es un modelo de distribución  n  k n − k PX
DistribuciDistribucióónn binomialbinomial
Es un modelo de distribución
 n 
k n − k
PX = k =   pq
[
]
, 0 ≤
k
n
discreta.
X es la probabilidad de éxito
k
 
Media: µ
=n p
Varianza: σ 2 = n p q
Estadística Inferencial
Prof. César Campos C.
12
12
CaracterCaracteríísticassticas dede unauna DistribuciDistribucióónn BinomialBinomial El resultado de cada ensayo
CaracterCaracteríísticassticas dede unauna DistribuciDistribucióónn BinomialBinomial
El resultado de cada ensayo sólo puede ser de dos
categorías mutuamente excluyentes: éxito o fracaso.
La variable aleatoria cuenta el número de éxitos en un
número fijo de ensayos.
La probabilidad de éxito permanece igual en cada
ensayo. Pasa lo mismo con Ia probabilidad de un
fracaso.
Los ensayos son independientes, lo que significa que Ia
ocurrencia de uno de ellos no afecta el resultado de
cualquier otro.
Estadística Inferencial
Prof. César Campos C.
13
13
EjemploEjemplo dede aplicaciaplicacióónn (D.(D. BinomialBinomial)) Cada día, American Airlines tiene cinco vuelos
EjemploEjemplo dede aplicaciaplicacióónn (D.(D. BinomialBinomial))
Cada día, American Airlines tiene cinco
vuelos desde Pittsburgh al aeropuerto
regional de Bradford, Pensilvania.
Suponga que Ia probabilidad de que
alguno de los vuelos se retrase es de 0.20.
¿Cuál es Ia probabilidad de que ninguno
de los vuelos se retrase el día de hoy?
¿Cuál es Ia probabilidad de que
exactamente uno de los vuelos se retrase
este día?
Estadística Inferencial
Prof. César Campos C.
14
14
Distribución de Probabilidad Nro de vuelos con retraso Probabilidad 0 0.3277 1 0.4096 2 0.2048
Distribución de Probabilidad
Nro de vuelos
con retraso
Probabilidad
0
0.3277
1
0.4096
2
0.2048
3
0.512
4
0.0064
5
0.0003
 n 
k n − k
PX = k =   pq
[
]
, 0 ≤
k
n
k
 
Total
1
Estadística Inferencial
Prof. César Campos C.
15
15
DistribuciDistribucióónn dede PoissonPoisson También se denomina de sucesos raros. Se obtiene como aproximación de
DistribuciDistribucióónn dede PoissonPoisson
También se denomina de sucesos raros.
Se obtiene como aproximación de una
distribución binomial con la misma media, para ‘n
grande’ (n>30) y ‘p pequeño’ (p<0,1).
Queda caracterizada por un único parámetro µ
(que es a su vez su media y varianza.)
Función de probabilidad:
k
µ
µ
PX k
[
= ] =
e
,
k
=
0,1,2,
k
!
Estadística Inferencial
Prof. César Campos C.
16
16
AplicacionesAplicaciones D.D. PoissonPoisson a) numero de alumnos 1 λ= que solicitan préstamo 2 de libros
AplicacionesAplicaciones D.D. PoissonPoisson
a)
numero de alumnos
1
λ=
que solicitan préstamo
2
de libros en la biblioteca,
en cierto día .
x
b)
número de llamadas
telefónicas de larga
distancia que una casa
recibe.
λ= 1
c)
número de personas
que llegan a una línea de
espera en un
determinado tiempo.
x
Estadística Inferencial
Prof. César Campos C.
17
17
EjemploEjemplo dede AplicaciAplicacióónn D.D. PoissonPoisson En la investigación sobre la Aplicando la fórmula
EjemploEjemplo dede AplicaciAplicacióónn D.D. PoissonPoisson
En la investigación sobre la Aplicando la fórmula anterior:
seguridad de un cruce muy
peligroso, se sabe que hay
una media de cinco
accidentes por mes en él. El
número de accidentes está
distribuido conforme a la
distribución de Poisson.
Calcular la probabilidad de
exactamente 0,1,2,3 y 4
accidentes en un mes
determinado.
P(0) = (5)0 (e-5) /0! = 0.00674
P(1) = (5)1 (e-5) /1! = 0.03370
P(2) = (5)2 (e-5) /2! = 0.08425
P(3) = (5)3 (e-5) /3! = 0.14042
P(4) = (5)4 (e-5) /4! = 0.17552
Estadística Inferencial
Prof. César Campos C.
18
18
DistribuciDistribucióónn normalnormal oo dede GaussGauss Aparece de manera natural: ◦ Errores de medida. ◦
DistribuciDistribucióónn normalnormal oo dede GaussGauss
Aparece de manera natural:
◦ Errores de medida.
◦ Distancia de frenado.
◦ Altura, peso, propensión al crimen…
Está caracterizada por dos parámetros: La media, µ,
y la desviación típica, σ.
Su función de densidad es:
2
1  x − 
µ
1
2
f x
(
) =
e
σ
σ
2
π
Estadística Inferencial
Prof. César Campos C.
19
19
N(N(µµ,, σσ):): InterpretaciInterpretacióónn geomgeoméétricatrica Se puede interpretar la media, µ, como un
N(N(µµ,, σσ):): InterpretaciInterpretacióónn
geomgeoméétricatrica
Se puede interpretar
la media, µ, como un
factor de traslación.
Y la desviación
típica, σ, como un
factor de escala,
grado de dispersión,…
Estadística Inferencial
Prof. César Campos C.
20
20
N(N(µµ,, σσ):): InterpretaciInterpretacióónn probabilprobabilíísticastica Entre la media y una desviación
N(N(µµ,, σσ):): InterpretaciInterpretacióónn probabilprobabilíísticastica
Entre la media y una
desviación típica
tenemos siempre la
misma probabilidad:
aprox. 68%
Entre la media y dos
desviaciones típicas
aprox. 95%
Estadística Inferencial
Prof. César Campos C.
21
21
CaracterCaracteríísticassticas principalesprincipales dede unauna CurvaCurva NormalNormal La función de densidad es
CaracterCaracteríísticassticas principalesprincipales dede unauna CurvaCurva NormalNormal
La función de densidad es simétrica,
mesocúrtica y unimodal.
◦ Media, mediana y moda coinciden.
El valor de µ establece el centro de la curva.
El valor de σ determina el esparcimiento o la
dispersión de la curva.
El área bajo la curva es igual a 1.
Estadística Inferencial
Prof. César Campos C.
22
22
TipificaciTipificacióónn Dada una variable de media µ y desviación típica σ, se denomina valor tipificado,z,
TipificaciTipificacióónn
Dada una variable de media µ y desviación típica σ,
se denomina valor tipificado,z, de una observación
x, a la distancia (con signo) con respecto a la media,
medido en desviaciones típicas, es decir
−µ
z = x
σ
Nos permite así comparar entre dos valores de dos
distribuciones normales diferentes, para saber cuál
de los dos es más extremo.
Estadística Inferencial
Prof. César Campos C.
23
23
EjemploEjemplo Se quiere dar una beca a uno de dos estudiantes de sistemas educativos diferentes.
EjemploEjemplo
Se quiere dar una beca a uno de dos estudiantes de sistemas educativos
diferentes. Se asignará al que tenga mejor expediente académico.
◦ El estudiante A tiene una calificación de 8 en un sistema donde la calificación de los
alumnos se comporta como N(6,1).
◦ El estudiante B tiene una calificación de 80 en un sistema donde la calificación de los
alumnos se comporta como N(70,10).
Solución
No podemos comparar directamente 8 puntos de A frente a los 80 de B, pero como
ambas poblaciones se comportan de modo normal, podemos tipificar y observar las
puntuaciones sobre una distribución de referencia N(0,1)
x
µ
6
A 8
A
z
=
=
= 2
A
σ
1
A
x
B 80
µ
70
B
z
=
=
= 1
B
σ
B
10
Como Z
>Z
, podemos decir que el porcentaje de compañeros del mismo sistema de
A
B
estudios que ha superado en calificación el estudiante A es mayor que el que ha
superado B. Podríamos pensar en principio que A es mejor candidato para la beca.
Estadística Inferencial
Prof. César Campos C.
24
24
DistribucionesDistribuciones asociadasasociadas aa lala normalnormal Dependiendo del problema, podemos encontrar otras
DistribucionesDistribuciones asociadasasociadas aa lala normalnormal
Dependiendo del problema, podemos
encontrar otras (asociadas):
◦ X 2 (chi cuadrado)
◦ t- student
◦ F-Snedecor
Estas distribuciones resultan directamente de
operar con distribuciones normales.
Típicamente aparecen como distribuciones de
ciertos estadísticos.
Estadística Inferencial
Prof. César Campos C.
25
25
ChiChi cuadradocuadrado Tiene un sólo parámetro denominado grados de libertad. La función de densidad es
ChiChi cuadradocuadrado
Tiene un sólo parámetro
denominado grados de
libertad.
La función de densidad es
asimétrica positiva.
La función de densidad se
hace más simétrica,
incluso casi gausiana
cuando aumenta el
número de grados de
libertad.
Estadística Inferencial
Prof. César Campos C.
26
26
TT dede studentstudent Tiene un parámetro denominado grados de libertad. Cuando aumentan los grados de
TT dede studentstudent
Tiene un parámetro denominado
grados de libertad.
Cuando aumentan los grados de
libertad, más se acerca a N(0,1).
Es simétrica con respecto al cero.
Se consideran valores anómalos los
que se alejan de cero (positivos o
negativos).
Estadística Inferencial
Prof. César Campos C.
27
27
FF dede SnedecorSnedecor Tiene dos parámetros denominados grados de libertad. Sólo toma valores positivos. Es
FF dede SnedecorSnedecor
Tiene dos parámetros
denominados grados de
libertad.
Sólo toma valores positivos.
Es asimétrica.
Normalmente se consideran
valores anómalos los de la
cola de la derecha.
Estadística Inferencial
Prof. César Campos C.
28
28