INFERENCIA

ESTADÍSTICA

Ing. Daniel Velasco M. Sc.

dvelasco@unicomfacauca.edu.co
 PRUEBAS SABER PRO
QUINTO SEMESTRE – NIVEL II
PRUEBAS EN MOODLE
VERIFICACIÓN DE INSCRIPCIÓN

CLAVE MATRICULACIÓN “SABERPRO”

REALIZACIÓN
1 DE ABRIL 8:00 AM
– 7 DE ABRIL A LAS 11:59 PM
VARIABLES ALEATORIAS Y MODELOS DE
DISTRIBUCION
 DISTRIBUCION NORMAL

Caracteres morfológicos de individuos (personas, animales, plantas,...) de una especie

(tallas, pesos, diámetros, perímetros,...).

Caracteres sociológicos, por ejemplo: consumo de cierto producto por un mismo grupo
de individuos, puntuaciones de examen, ...
 DISTRIBUCION NORMAL
Caracteres fisiológicos, por ejemplo: efecto de una misma dosis de un fármaco.

Errores cometidos al medir ciertas magnitudes.

Valores estadísticos muestrales, por ejemplo : la media.

En general cualquier característica que se obtenga como suma de muchos factores.

Otras distribuciones como la binomial o la de Poisson se aproximan a la normal.

 DISTRIBUCION NORMAL
• Está caracterizada por dos parámetros: la media, μ y la desviación típica, σ.

• Su función de densidad es:

( x μ)2
1 
N (μ,σ)  f ( x)  e 2σ 2
(σ  0)
σ 2π

La curva normal adopta un número infinito de formas, determinadas por sus

parámetros μ y σ.
 CARACTERISTICAS DE LA DISTRIBUCION NORMAL
• Tiene forma de campana, es asintótica al eje de las abscisas (para x =  )
• Simétrica con respecto a la media () donde coinciden la mediana (Mn) y la moda (Mo )
• Los puntos de inflexión tienen como abscisas los valores   

Puntos
de
inflexión

   +
 -  , Mo, Mn  + 
Distribución normal con  =0 para varios valores 
1.6

1.2 0.25
0.5
p(x) 1
0.8

0.4

0
-2.50 -1.50 -0.50 0.50 1.50 2.50
x
Curvas normales con distintas medias y desviaciones estándar.

5 5

  10

20 30 40 50 60 70 80 90 100 110 120

N(μ, σ): INTERPRETACION GEOMETRICA

• Podemos interpretar la media como un

factor de traslación.

• Y la desviación típica como un factor de

escala, grado de dispersión,…
 N(μ, σ): INTERPRETACION PROBABILISTICA
• Entre la media y una desviación • Entre la media y dos desviaciones
típica tenemos siempre la misma típicas aprox. 95%
probabilidad: aproximadamente
el 68%.

•Si tomamos intervalos centrados en μ, y cuyos extremos están…

–a distancia σ,  tenemos probabilidad 68%
–a distancia 2 σ,  tenemos probabilidad 95%
–a distancia 2.5 σ  tenemos probabilidad 99%
FUNCION DE DISTRIBUCION
Podemos obtener la función de distribución
F(x) integrando la función de densidad de
probabilidad:
xi ( x μ)2
1 

e
De modo que la probabilidad de una variable aleatoria
F ( x)  2σ2
dx normal X en un intervalo a  x  b es:
σ 2π 
b ( x μ)2
1 
P(a  X  b)  F (b)  F (a)  
σ 2π a
e 2σ2
dx

 ( x μ)2
En particular: 1 

e
¡No podemos calcular analíticamente el valor de la integral!
2σ2
dx  1?? Tabularemos sus valores numéricos...
σ 2π 
 CALCULO DE PROBABILIDADES ASOCIADAS A UNA CURVA
NORMAL ESPECIFICA

Dado que tanto  como  pueden asumir infinitos valores lo que hace impracticable
tabular las probabilidades para todas las posibles distribuciones normales, se utiliza la
distribución normal reducida o tipificada.

x -
Se define una variable z=


Es una traslación , y un cambio de escala de la variable original.

 La nueva variable z se distribuye como una NORMAL con media  = 0 y
desviación típica  = 1
Recordemos de nuevo que en cualquier distribución normal las probabilidades delimitadas entre :

   68 %
 2  95 %
95%
99%
 2.5  99 %
68%
68%

95%
99% z
-3 -2 -1 0 1 2 3
 TIPIFICACION
• 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:

x
z

• En el caso de variable X normal, la interpretación es clara: asigna a todo valor de N(μ, σ),
un valor de N(0,1) que deja exáctamente la misma probabilidad por debajo.
• Nos permite así comparar entre dos valores de dos distribuciones normales diferentes,
para saber cuál de los dos es más extremo.
 EJERCICIO
Se quiere dar una beca a uno de dos estudiantes de sistemas educativos diferentes y 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).

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).
 EJERCICIO

xA   A 86
zA   2
A 1
xB   B 80  70
zB   1
B 10

– Como zA > zB, podemos decir que el porcentaje de compañeros del mismo sistema
de estudios que ha superado en calificación el estudiante A es mayor que el que ha
superado B. En principio A es mejor candidato para la beca.
 x1 ( x μ)2
TIPIFICACION DE LA FUNCION F(x): 1 
F ( x) 
σ 2π
e

2σ2
dx
2
z
1 
x- μ p( z )  e 2
;   z  
z 2π
σ zi z2
1 
dx  σ dz F ( z )  p( Z  z )  e 2
dz
2π 

Las probabilidades de la variable tipificada (z) están tabuladas para los diferentes valores de la variable.
Para calcular probabilidades, una vez transformada, la variable a valores de z, se busca en una tabla el
área correspondiente.
X   x  
P Z  z  P     P  X  x  F  x 
   
 z2
1 
f ( z)  e 2
;  z   Característica de la distribución normal tipificada
2π (reducida o estándar):
z u2
1 
F ( z )  p( Z  z ) 
2π e

2
du No depende de ningún parámetro.

Su media es 0, su varianza es 1 y su desviación

típica es 1.

La curva f(x) es simétrica respecto al eje de

ordenadas y tiene un máximo en este eje.

Tiene dos puntos de inflexión en z =1 y z = -1.

Hay varios tipos de tablas de la distribución normal

La que se manejará representa las áreas para los diferentes valores de z desde 0 hasta +.

Los valores negativos de z

NO están tabulados, ya que la
distribución es simétrica

+
0
 *Margen izquierdo : Los enteros de z y su primer decimal.
La tabla consta de: * Margen superior: segundo decimal
* Cuerpo de la tabla: áreas correspondientes, acumuladas, desde 0 hasta 4.99

.00 .01 .02 .03 .04 .05 .06 .07 .08 .09

0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .... ...... ......
0.3 .1179 ..... ...... ...... ......
0.4 .1554 .... ..... ....

0.5 .1915 ....

EJERCICIOS:
1.-¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?

2.-¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y +2.03?

3. Hallar P( z >1.25 )

4. Hallar P ( -0.34 < z < ) 5. Hallar P ( 0.34 < z < 2.30 )

 EJERCICIO 1
¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?

Cómo la curva es simétrica

P (-2.03 < z < 0) = P (0 < z < 2.03)

?
z
-3 -2 -1 0 1 2 3
 EJERCICIO 1
¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?
Se busca en la tabla el área correspondiente a z = 2.03

.00 .01 .02 .03 .04

1.8
1.9
2.0 0.4788
2.1

47. 88%

z
-3 -2 -1 0 1 2 3
 EJERCICIO 2
¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y 2.03 ?
En el ejemplo 1, vimos que la probabilidad de que z estuviera entre 0 y 2.03= 0.4788

La misma área hay entre 0 y

-2.03 , por lo tanto
P ( -2.03< z< 2.03) = 0.9576

?
95.76%
47.88% 47.88%
z
-3 -2 -1 0 1 2 3
 EJERCICIO 3
¿Cuál es la probabilidad de que un valor de z sea mayor a 1.25 ?

1.- La probabilidad de 0 < z < + = 0.500

2.- La probabilidad de 0 < z < 1.25 = 0.3944
3.- La probabilidad de z > 1.25 =
0.500 - 0.3944= 0.1056

50%

39.44%
10.56%
? z
-3 -2 -1 0 1 2 3
 EJERCICIO 4
Hallar P( -0.34 < z <  )
63.31%
P(0 < z <0.34) = 0.1331 =
P(-0.34 < z < 0)

P (0 < z <  ) = 0.50000

P( -0.34 < z < ) =

0.1331 + 0.50000 = 0.6331

13.31% 50%

-3 -2 -1 0 1 2 3
 EJERCICIO 5
P(0< z <0.34) = 0.1331
Hallar P( 0.34 < z < 2.30)
P( 0 < z < 2.30) = 0.4893

P (0.34 < z < 2.30) = 0.4893 - 0.1331 = 0.3562

35.62%

z
-3 -2 -1 0 1 2 3
 EJEMPLO

Sea una variable distribuida normalmente con media  = 4 y

desviación típica  = 1.5.

¿Cuál es la probabilidad de encontrar

un valor x  6 (P(x  6 ))?
 =4  = 1.5 Hallar P ( x > 6 )
xμ
1. Transformar x en un valor de z z
z = (6 - 4)/1.5 = 1.33
σ
2. Hallar P ( 0 < z < 1.33) =

3. 0.5000 - 0.4082 = 0.5

0.4082

0.0918
? x
-0.5 1 2.5 4 5.5 6 7 8.5
-3 -2 -1 0 1 1.33 2 3 z
 Hasta ahora vimos como dado un valor x de la variable, hallar probabilidades
transformando (estandarización) la variable en valores de
x-
z=

¿Cómo hallar un valor de x, dada la probabilidad?
Ejemplo: Sea una variable distribuida normalmente con  =4 y  =2 . Hallar el valor de x que deja por
encima de él un 38.20% (0.3820)
Se debe desestandarizar : x =z+
0.5000 - 0.382 = 0.118  Se busca en la
tabla el valor más aproximado : 0.1179
corresponde a z =+ 0.30
38.20%
Sustituyendo en la fórmula
0.30x2+4 =4.60
x=?
4.60
EJERCICIO 6