Distribución de probabilidad conjunta

Área Académica: Licenciatura en Ingeniería Industrial

Profesor(a): M. en C. Isidro Jesús González

Periodo: Enero – Junio 2015

 Distribución de probabilidad conjunta

Resumen

Los resultados de un experimento pueden ser causa de

múltiples variables. En estas situaciones se requiere de
tener una función de probabilidad que describa la variación
de la probabilidad de ocurrencia con respecto a la
variación de estas variables. Esta función de probabilidad
tiene en cuenta el efecto de múltiples variables aleatorias
se denomina distribución de probabilidad conjunta. Una
distribución de probabilidad conjunta puede ser discreta o
continua dependiendo del tipo de variables que se
describen.
 Abstract

The results of an experiment can cause multiple variables. In

these situations it is required to have a probability function
which describes the variation of the probability of occurrence
with respect to the variation of these variables. This
probability function must into account the effect of multiple
random variables is called the joint probability distribution. A
joint probability distribution can be discrete or continuous
depending on the variables described.

Keywords: statistics, discrete variable, continuous variable,

joint probability distribution
 Introducción

La estadística actual es el resultado de la unión de dos

disciplinas que evolucionaron de manera independiente
hasta confluir en el siglo XIX: el Cálculo de Probabilidades,
que nace en el siglo XVII como teoría matemática de los
juegos de azar, y la Estadística, ciencia del estado, que
estudia la colección y descripción de datos.
Al final de la presentación el
alumno será capaz de describir y
utilizar modelos de probabilidad
de comportamiento conjunto de
diversas variables aleatorias y de
estudiar e interpretar los valores
esperados de funciones de
diversas variables aleatorias,
incluidas la covarianza y la
correlación como medidas del
grado de asociación entre dos
variables.
 Conceptos básicos

Estadística: (Spiegel) estudia

los métodos científicos para
recoger, organizar, resumir y
analizar datos, así como para
sacar conclusiones válidas y
tomar decisiones razonables
basadas en tal análisis.
 Conceptos básicos

Promedios máximos
Estadística descriptiva: conjunto 4

de cadmio
3
de métodos que se utilizan para 2
1
organizar, clasificar y presentar la 0 1 2 3 4 5
Tipo de laboratorio

información.

Estadística inferencial: métodos

que se utilizan para deducir alguna
característica de la población con
información parcial.
 Conceptos básicos

Población: conjunto de seres u

objetos acerca de los que se
desea tener información.

Muestra: subconjunto de esa

población (al que sometemos a
un verdadero análisis). El número
de elementos de una muestra se
denomina tamaño.
 Conceptos básicos

Variable estadística: característica o atributo que se

mide en los individuos (seres u objetos) de una
población. Ej, años de edad, talla, estado civil, el peso
de la ganadería ovina, diámetro de una pieza, etc. Se
distinguen dos tipos principales de variables:
cuantitativas y cualitativas.
 Variable aleatoria

Una variable aleatoria es una función que asocia un

número real con cada elemento del espacio muestral.

Esta función se llama variable porque puede tomar

diferentes valores, y se llama también aleatoria porque
los valores que toma son al azar, y es medible porque se
puede calcular su probabilidad.
 Variable aleatoria

Los estadísticos utilizan planes de muestreo ya sea

para aceptar o para rechazar lotes de materiales.
Suponga que uno de los planes de muestreo implica el
muestreo independiente de 10 artículos de un lote de
100 de ellos.

Sea X la variable aleatoria definida como el número de

artículos que están defectuosos en la muestra de 10. en
este caso, la variable aleatoria toma los valores 0, 1,…,
9, 10.
 Variable cuantitativa

Miden alguna cualidad o atributo “cuantificable” de los

individuos. (Valor numérico)

Variables discretas: al ser

numerables, pueden tomar una serie
de valores determinados, pero no los
valores intermedios. Por ejemplo, el
número de cabezas de ganado de
una explotación puede ser 50 ó 51
pero no 50,5.
 MEDIA, VARIANZA Y DESVIACIÓN
ESTÁNDAR
Parámetros:
Histograma de la Poblacion
160

140 Media (m)

120

100
Varianza(s2)

Frecuencia
Datos 80

60
Desv. Est. (s)
(Población de Interés) 40

20

0
Etc.
-4 -2 0 2 4
Clases

Inferencias

Muestreo 16
Histograma de la Muestra
Estadísticos:
14

Frecuencia
12 Promedio ( X )
10

Muestras 8 Varianza muestral(S2)

6

4 Desv. Est. muestral(s)

2

0
-4 -2 0 2 4 Etc.
Clases
 V. A. DISCRETA Y CONTINUA

Se llama variable aleatoria (v.a.) a toda aplicación que asocia

a cada elemento del espacio maestral (S) de un experimento,
un número real.

X:S→R

Ejemplo: Se realiza un experimento en un laboratorio cuyo

resultado puede ser positivo o negativo. Construir el espacio
muestral y dar una v.a. asociada al experimento.

S = {Positivo, Negativo} X ( Positivo ) = 1

X es una variable aleatoria X ( Negativo ) = 0
 V. A. DISCRETA Y CONTINUA
La distribución de probabilidad de una v.a. es una función
que asigna a cada valor posible de dicha v.a. una probabilidad

Ejemplo. Experimento en un laboratorio

P{X = 1} = P {positivo}

Ejemplo. X : “Bacterias de tipo A en una pipeta”

P {1000 ≤ X ≤ 1500} = P(A)
 V. A. DISCRETA Y CONTINUA
Variable aleatoria discreta

Función de densidad

Dada una v.a. discreta X llamaremos función de densidad de

probabilidad a aquella que asocia una probabilidad puntual a
cada valor de la v.a.

f (x) = P (X = x)

f (x) ≥ 0 para todo real x

Σx f (x) = 1
 V. A. DISCRETA Y CONTINUA

Variable aleatoria discreta

Función de distribución (acumulada)

Dada X una v.a. discreta llamaremos función de

distribución de X a la función que indica su probabilidad
acumulada.

F (x) = P(X ≤ x) = Σ i ≤ x f (xi)

 V. A. DISCRETA Y CONTINUA

Variable aleatoria discreta

Función de densidad conjunta

1. f (x, y) ≥ 0

2. Σ x Σ y f (x, y) = 1

3. P(X = x, Y= y) = f (x, y)
 V. A. DISCRETA Y CONTINUA

Variable aleatoria discreta

Función de densidad marginal

f x (x) = P(X = x) = Σ y f (x, y)

f y (y) = P(Y = y) = Σ x f (x, y)

 V. A. DISCRETA Y CONTINUA

Variable aleatoria discreta

Valor esperado, varianza, covarianza y correlación

μ = E (x) = Σx x* f (x)

V (X) = E (x2) – (E (x ))2 = Σ x2 f (x) - (E (x ))2

Cov (X, Y) = E (XY) – E (X) E (Y) = Σx Σy xy f (x, y) - E (X) E (Y)

 V. A. DISCRETA Y CONTINUA

Variable aleatoria continua

Función de densidad
Una v.a. continua puede tomar un número infinito no
numerable de puntos, la probabilidad que hemos de
asignarle a cada valor de la variable estará en [0,1], la
suma de todas las probabilidades es 1.

f (x) ≥ 0 para todo real de x

 V. A. DISCRETA Y CONTINUA

Variable aleatoria continua

Función de distribución (acumulada)

La función de distribución nos da la probabilidad acumulada
desde -∞ hasta el valor que se tiene en consideración

gráficamente la función de distribución es el área limitada por la

función de densidad y el eje de abscisas entre -∞ y x
 V. A. DISCRETA Y CONTINUA

Variable aleatoria continua

Función de densidad conjunta

1. f (x, y) ≥ 0

∞ ∞

2. . 𝑓 𝑥, 𝑦 𝑑𝑥 𝑑𝑦 = 1
−∞ −∞

3. 𝑃 𝑋, 𝑌 ∈ 𝐴 = 𝑓 𝑥, 𝑦 𝑑𝑥𝑑𝑦
 V. A. DISCRETA Y CONTINUA

Variable aleatoria continua

Función de densidad marginal

Función de densidad marginal de X como:

∞

𝑓𝑥 (𝑥) = 𝑓 𝑥, 𝑦 𝑑𝑦
−∞

Función de densidad marginal de Y como:

∞

𝑓𝑌 (𝑌) = 𝑓 𝑥, 𝑦 𝑑𝑥
−∞
 V. A. DISCRETA Y CONTINUA
Variable aleatoria continua

Valor esperado, varianza, covarianza y

correlación
∞

𝑬(𝑿) = 𝑥𝑓 𝑥 𝑑𝑥
−∞
∞

𝑽 𝑿 = 𝐸 𝑋 2 − (𝐸 𝑋 )2 𝑥 2 𝑓 𝑥 𝑑𝑥 − (𝐸 𝑋 )2
−∞
∞ ∞

𝑪𝒐𝒗 𝑿, 𝒀 = 𝐸 𝑋𝑌 − 𝐸 𝑋 𝐸 𝑌 = 𝑥𝑦𝑓 𝑥, 𝑦 𝑑𝑥𝑑𝑦 − 𝐸 𝑋 𝐸(𝑌)

−∞ −∞

𝐶𝑜𝑣(𝑋, 𝑌)
𝑷𝒙𝒚 =
𝑉 𝑋 𝑉(𝑌)
 ESTADÍSTICOS Y SUS DISTRIBUCIONES

Un parámetro es una caracterización numérica de la

distribución de la población de manera que describe, parcial
o completamente, la función de densidad de probabilidad de
la característica de interés.

Un estadístico es cualquier cantidad cuyo valor puede ser

calculado a partir de datos muestrales, un estadístico es una
variable aleatoria, se utiliza una letra minúscula para
representar el valor calculado. Un estadístico que se usa
para estimar el parámetro de la población, se llama
estimador del parámetro.
 ESTADÍSTICOS Y SUS DISTRIBUCIONES

MEDIA ARITMÉTICA

Equivale al cálculo del promedio simple de un conjunto

de datos. Podemos diferenciar la fórmula del promedio
simple para datos poblaciones y muestrales:
 ESTADÍSTICOS Y SUS DISTRIBUCIONES
Varianza:

Esta medida nos permite identificar la diferencia

promedio que hay entre cada uno de los valores
respecto a su punto central (Media).
 ESTADÍSTICOS Y SUS DISTRIBUCIONES

Desviación estándar:

La desviación típica o estándar (raíz cuadrada de la

varianza) es una medida de la dispersión de los datos,
cuanto mayor sea la dispersión mayor es la desviación
estándar. Así, si no hubiera ninguna variación en los
datos, es decir, si todos fueran iguales, entonces la
desviación estándar sería cero.
 ESTADÍSTICOS Y SUS DISTRIBUCIONES

Distribuciones Discretas

• Distribución Bernoulli

• Distribución Discreta Uniforme

• Distribución Binomial

• Distribución Geométrica

• Distribución Poisson
 Distribuciones Continuas

• Distribución Uniforme • Distribución Beta

• Distribución Exponencial • Distribución Pearson tipo V

• Distribución Gamma • Distribución Pearson tipo VI

• Distribución Weibull • Distribución Log-logistic

• Distribución Normal • Distribución Johnson SU

• Distribución Lognormal • Distribución Triangular

 Referencias
•Quevedo Urías, H., & Pérez Salvador, B. (2008). Estadística
para Ingeniería y Ciencias. México, D.F. : Grupo Editorial
Patria.

•Walpole, R., Myers, R., Myers, S., & Ye, K. (2007).

Probabilidad y Estadística para Ingeniería y Ciencias (Octava
ed.). México: Pearson Prentice Hall.