1

Prof. Juan Carlos Miranda C.
Valdivia, Mayo 2011
2
Variable aleatoria: caso discreto y continuo
Esperanza y varianza: caso discreto y continuo
Función de probabilidad: caso discreto y continuo
Distribuciones de probabilidad o modelo: caso discreto y continuo
3
Definición:
‡ Una variable aleatoria es una descripción
numérica del resultado de un experimento
Tipos:
Variable aleatoria Discreta
Variable aleatoria Continua
Variable aleatoria
Una variable aleatoria X es una función que asocia a
cada suceso del espacio muestral E de un experimento
aleatorio un valor numérico real:
) (
:
w X w
E X
÷
T ÷
Llamar variable a una función resulta algo confuso,
por ello hay que insistir en que es una función.
La variable aleatoria puede ser discreta o continua.
Veremos en este capítulo el caso discreto.
Función de probabilidad Discreta
Una vez definida una variable aleatoria X, podemos
definir una función de probabilidad asociada a X, de
la siguiente forma:
) ( ) (
] 1 , 0 [ :
x X P x p x
p
= = ÷
÷ T
La función de probabilidad debe cumplir:
¯
=
T V >
x
x p ii
x x p i
1 ) ( ) (
0 ) ( ) ( (Suma sobre todos los posibles valores
que puede tomar la variable aleatoria).
Función de probabilidad Continua
Una vez definida una variable aleatoria X, podemos
definir una función de probabilidad asociada a X, de
la siguiente forma:
) ( ) (
] 1 , 0 [ :
x X P x p x
p
· = ÷
÷ T
La función de probabilidad debe cumplir:
1 ) ( ) ( ) (
0 ) ( ) (
=
T V >
¦
· +
·
x d x f ii
x x f i
Esperanza y varianza de una variable aleatoria
La interpretación es bastante sencilla
. J
¯
·
=
= =
0 k
k
p k k X E
. J . J ´ )
¯
·
=
=
0
2
k
k
p X E k X V
posibles valores de X
probabilidad que la
variable tome el valor k
El valor ³promedio´ que puede
asumir la variable
Desviación cuadrática de los posibles
valores de X respecto de su promedio E[X]
Desviación
cuadrática promedio
Esperanza y varianza de una variable aleatoria
La interpretación para el caso continuo es similar. En efecto
. J dx x f x x X E
¦
·
·
= = ) (
posible valor de X
Probabilidad de que la variable
aleatoria X tome un valor en el
intervalo [x, x + dx]
El valor ³promedio´ que puede
asumir la variable
. J . J ´ ) dx x f X E x X V
¦
·
·
= ) (
2
Desviación cuadrática de los posibles
valores de X respecto de su promedio E[X]
Desviación
cuadrática promedio
9
Experimento Variable aleatoria Valores posibles V.A
Llamar a cinco clientes Cantidad de clientes 0, 1,2,3,4,5
Inspeccionar un
embarque de 40 chips
Cantidad de chips
defectuosos
0,1,2,«.,40
Funcionamiento de un
restaurante durante un día
Cantidad de clientes 0,1,2,3««.
Vender un automóvil Sexo Cliente 0 si es hombre y 1 si es
mujer
Ejemplos variable aleatoria discreta
10
Ejemplos variable aleatoria continua
Experimento Variable aleatoria Valores posibles V.A
Funcionamiento de un
banco
Tiempo en minuto, entre
llegadas de clientes
X>=0
Llenar una lata de bebida
(máx =12.1 onzas)
Cantidad de onzas
0<=x<=12.1
Proyecto para construir un
biblioteca
Porcentaje de terminado
del proyecto
0<=x<=100
Ensayar un nuevo
proceso químico
Temperatura cuando se
lleva a cabo la reacción
deseada (min 150º F; máx
212ºF)
150<=x<=212
Sea el experimento ³lanzar dos dados´. Definamos el
espacio muestral E como:
E = {(1,1),(1,2),...(1,6),...,(5,6),(6,6)}
Definamos la variable aleatoria discreta X como:
con S = {2,3,...,12} la suma de puntos.
Una posible función de probabilidad es:
...
36 3 ) 2 , 2 ( ) 1 3 ( ) 3 1 ( 4 ) 4 (
36 2 ) 1 2 ( ) 2 1 ( 3 ) 3 (
36 1 ) 1 1 ( 2 ) 2 (
] 1 , 0 [ :
/ ) , , P( ) P(X f
/ ) , , P( ) P(X f
/ ) , P( ) P(X f
f
= = = =
= = = =
= = = =
÷ T
P
2 3 4 5 6 7 8 9 10 11 12 X
1/36
2/36
6/36
4/36
5/36
3/36
2/36
1/36
5/36
4/36
3/36
Función de probabilidad de la variable aleatoria X
Observa que cumple las dos condiciones: es siempre positiva y está
normalizada.
Función de distribución
Dada una variable aleatoria discreta X se llama
función de distribución a la función F definida
como:
) ( ) (
] 1 , 0 [ :
x X P x F x
F
· = ÷
÷ T
En nuestro ejemplo de los dos dados:
F(5) = P(X · 5) = P(x = 2 o x = 3 o x = 4 o x = 5)
F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36
x
1,0
0,5
0,028
2 3 4 5 6 7 8 9 10 11 12
F
Función de distribución de la variable aleatoria X
Ejemplo: Dibuja la función de probabilidad f(x) y la función de
distribución F(x) de una variable discreta definida como:
X = Número en la cara de un dado.
X tiene como posibles valores x = 1, 2, 3, 4, 5, 6 cada
uno con probabilidad 1/6
0
6
1
1
x
f(x)
1
0.5
1
0
F(x)
x
6
6
Función de probabilidad f(x) Función de distribución F(x)
Algunos problemas de probabilidad están relacionados con la
probabilidad P(a <X · b) de que X asuma algún valor en un
intervalo. Observa que:
Teorema: P(a < X · b) = F(b) - F(a)
Los sucesos X · a y a< X · b son mutuamente
excluyentes. Entonces:
F(b) = P(X · b) = P(X · a) + P(a < X · b)
= F(a) + P(a < X · b)
En el ejemplo de los dos dados, calcula la probabilidad de que
los dos dados sumen al menos 4 pero no más de 8.
P(4 < X · 8) = F(8) - F(3) = 26/36 - 3/36 = 23/36
Algunas propiedades de la función de distribución
0 ) ( ) ( lim ) ( lim ) ( = © = · = = ·
· ÷ · ÷
P x X P x
x x
1 ) ( ) ( lim ) ( lim ) ( = O = · = = +·
+· ÷ +· ÷
P x X P x F F
x x
) ( ) ( ) (
1 2 2 1
x F x F x X x P = · ·
F es monótona creciente.
F es continua por la derecha: la probabilidad de
que la variable aleatoria discreta X tome un valor
concreto es igual al salto de la función de distribución
en ese punto.
Esperanza matemática o media
de un distribución discreta
´ ) ) ( ) (
i
i
i i
i
i
x p x x X P x X E
¯ ¯
= = = = p
x
i
-1
0
1
2
3
P(X)
0.1
0.2
0.4
0.2
0.1
-0.1
0.0
0.4
0.4
0.3
1.0
X
i*
p(x)
Calcular la esperanza de la variable aleatoria X
en el ejemplo de los dos dados:
7 12
36
1
... 7
36
6
... 3
36
2
2
36
1
) ( ) (
12
2
! ™ ™ ™ ™
! ™ ! !
§
! i
i i
x x P X E Q
Varianza y desviación estándar o típica de
una distribución discreta
¯
=
= = = =
i
i i
x X P x
X E M X Var
) ( ) (
) ) (( ) (
2
2
2
2
p
p o
) ( X Var = o
Varianza
Desviación estándar o típica
Ambas miden la ³dispersión de los datos´. Observa que la desviación
típica lo hace con las mismas unidades que los propios datos.
Ejemplo
X
i
-1
0
1
2
3
P(X)
.1
.2
.4
.2
.1
-2
-1
0
1
2
4
1
0
1
4
0.4
0.2
0.0
0.2
0.4
1.2
) (
2
p X
) (
) (
2
X P
X

µ
¯
= =
i
i i
x P x 2 , 1 ) ( ) (
2 2
µ o
10 . 1 ) ( = = X Var o
p X
Calcula la varianza y desviación típica de la
variable aleatoria X en el ejemplo de los dos
dados:
83 , 5 ) 7 12 (
36
1
... ) 7 3 (
36
2
) 7 2 (
36
1
) 7 ( ) ( ) ( Var
2 2 2
12
2
2
! ™ ™ ™
! ™ !
§
! i
i i
x x P X
41 , 2 83 , 5 ) ( = = = X Var o
Algunas propiedades de la varianza
2 2 2 2 2
2
2
2
2
2 2
)) ( ( ) ( 2 ) (
) ( 2 ) (
) ( ) 2 (
) ( ) ( ) (
X E X E X E
x p x x p x
x p x x
x p x X Var
i i
i i i i
i
i i i
i
i i
= +
= +
= +
= = =
¯ ¯
¯
¯
p p
p p
p p
p o
2 2 2
)) ( ( ) ( X E X E = o
Esperanza y varianza de variables aleatoria discretas usuales
Modelo parámetros probabilidad media varianza
Bernoulli
Binomial
Poisson
Geométrica
Hipergeomé-
trica
1 0 · · p
0 1 = k si p
1 = k si p
p ) 1 ( p p
. , 2 , 1 = n
1 0 · · p
k n k
p p
k
n

¦
¦
'
+

'

) 1 (
= = } Pr{ k X
np ) 1 ( p np
n k , , 1 , 0 - =
0 > ´
! k
e
k
´
´
- , 2 , 1 , 0 = k
´ ´
1 0 · · p
p p
k 1
) 1 (

- , 2 , 1 = k
, , N r n
r N r
k n k
N
n

+ +
¦ ¦

' ' ' '
+
¦
' '
n k , , 1 , 0 - =
, r n N ·
tarea tarea
tarea tarea
Distribución de Bernoulli
Experimento de Bernoulli: solo son
posibles dos resultados: éxito o fracaso.
Podemos definir una variable aleatoria
discreta X tal que:
éxito ÷ 1
fracaso ÷ 0
Si la probabilidad de éxito es p y la de fracaso q = 1 - p,
podemos construir una función de probabilidad:
1 , 0 ) (
1
= = =

x q p x X P
x x
Ejercicio: Calcular la esperanza y la varianza de la
distribución de Bernoulli.
p X P X P
x X P x X E
x
= = + =
= = = =
¯
=
) 1 ( 1 ) 0 ( 0
) ( ] [
1
0
µ
pq p p p p
p X P X P
p x X P x X E X E X Var
x
= =
= = + = =
= = =
¯
=
) 1 (
) 1 ( 1 ) 0 ( 0
) ( ]) [ ( ] [ ) (
2
2 2 2
1
0
2 2 2 2
Experimento Binomial (Propiedades)
‡ El experimento consiste en una sucesión de n intentos o
ensayos idénticos.
‡ En cada intento o ensayo son posibles dos resultados. A
uno lo llamaremos éxito y al otro fracaso.
‡ La probabilidad de un éxito, se representa por p y no
cambia de un intento o ensayo. Por lo tanto la
probabilidad de un fracaso se representa por (1-p), que
tampoco cambia de un intento a otro.
‡ Los intentos o ensayos son independientes.
DIAGRAMA DE UN EXPERIMENTO BINOMIAL
CON OCHO INTENTOS
Propiedad 1: El experimento consiste en n=8 intentos
idénticos de lanzar una moneda.
Propiedad 2: Cada intento da como resultado un éxito (E)
o un fracaso (F).
Intentos 1 2 3 4 5 6 7 8
Resultados E F F E E F E E
‡ Cantidad de resultados experimentales con exactamente x
éxitos en n intentos
‡ También es necesario conocer la probabilidad asociada a
cada uno de los resultados experimentales el cual se puede
determinar a través de la siguiente relación
´ )
!
! !
n
n
x x n x
+
=
¦

' '
( )
(1 )
x n x
p p

Experimento Binomial (Propiedades)
30
La distribución de probabilidad Binomial P(X = k)
será:
x n x x n x
p p
x n x
n
p p
x
n
x p p n B

=
¦
¦
'
+

'

= = ) 1 (
)! ( !
!
) 1 ( ) ( ) , (
Distribución binomial para n = 5 y
distintos valores de p, B(5, p)
31 31
Ejemplo 1 B(n,p)
En una fábrica de cámaras el 5% sale con defectos. Determine la
probabilidad de que en una muestra de 12 se encuentren 2 cámaras
defectuosas.
Solución :
Se trata de una distribución binomial de parámetros B(12, 0.05).
Debemos calcular la probabilidad de que x sea igual a k que en
este caso es 2. Esto es P (k=2).
Otra forma (investigar): busque en la parte izquierda de la tabla
binomial n=12, luego en la parte superir p=0.05 . La probabilidad
estará en x=2
El resultado es 0.0988
n k q p
k
n
k X P
k n k
· ·
¦
¦
'
+

'

= =

0 , ] [
Aplicando la formula de la distribución Binomial
‡ El Gerente de una gran tienda necesita determinar cual es la
probabilidad de que 2 de tres clientes que ingresan a la tienda
hagan una compra. Él sabe que la probabilidad de que un cliente
compre es de 0.3
´ )
3
3!
3
2 2! 3 2 !
+
= =
¦

' '
2 (3 1)
0.3 (1 ) 0.063 p

=
Cantidad de resultados experimentales
Probabilidad de cada resultado
experimental en donde 2 de los tres
clientes compran
Luego 3·0.063 = 0.189, probabilidad de que de 3 clientes
que ingresan a la tienda 2 compren
Ejemplo 2 B(n,p)
33
Características de la distribución binomial
n = 5 p = 0.1
n = 5 p = 0.5
Media
Q= E(X) = n p
Q= 5 · 0.1 = 0.5
Q= 5 · 0.5 = 0.25
Desviación estándar
0
.2
.4
.6
0 1 2 3 4 5
X
P(X)
.2
.4
.6
0 1 2 3 4 5
X
P(X)
0
1 . 1 ) 5 . 0 1 ( 5 . 0 5
67 . 0 ) 1 . 0 1 ( 1 . 0 5
) 1 (
= =
= =
=
o
o
o p np
Distribución de Poisson
,... 2 , 1 , 0 ,
!
] [ = = =

k
k
e k X P
k
p
p
‡ También se denomina de sucesos raros.
‡ Se obtiene como aproximación de una distribución
binomial con la misma media, para µn grande¶ (n>30)
y µp pequeño¶ (p<0,1).
‡ Queda caracterizada por un único parámetro ȝ (que es
a su vez su media y varianza.)
‡ Función de probabilidad:
e = 2.71828 (es una constante, la base de los logaritmos naturales)
Francés Simeón Dennis Poisson (1781-1840)
Distribución Poisson
Es una distribución de probabilidad que muestra la
probabilidad de x ocurrencias de un evento en un
intervalo especificado de tiempo o e espacio
Las propiedades de un experimento de Poisson son:
La probabilidad de una ocurrencia es igual en dos
intervalos cualesquiera de igual longitud
La ocurrencia o no ocurrencia en cualquier
intervalo es independiente de la ocurrencia o no
ocurrencia en cualquier otro intervalo
Distribución Poisson
‡ La distribución de Poisson se expresa como:
(x = cantidad de ocurrencia)
‡ Se puede usar este distribución de probabilidad como
una aproximación de la distribución binomial cuando p,
la probabilidad éxito es pequeña y n, la cantidad de
intentos, es grande. Tan sólo se iguala m=n·p
0 2 1 0 ,
!
) ( " = =

... , , , x
x
e
x p
k
Observa que si p es pequeña, el éxito es un ³suceso raro´.
Distribución de Poisson para varios valores de Q.
La distribución de Poisson se obtiene como aproximación de
una distribución binomial con la misma media, para µn
grande¶ (n > 30) y µp pequeño¶ (p < 0,1). Queda caracterizada
por un único parámetro ȝ (que es a su vez su media y
varianza).
Q = n p = ì
38
Características de la Distribución de Poisson
ì = 0.5
ì = 6
1 2 3 4 5
X
2 4 6 8 10
X
Media
Desviación estándar
Q ì
o ì
E X = =
=
( )
0
.2
.4
.6
0
P(X)
0
.2
.4
.6
0
P(X)
Nota: el máximo de la distribución
se encuentra en x } ì
39 39
Ejemplos en la Empresa
ƥ La llegada de un cliente al negocio durante una
hora.
ƥ Las llamadas telefónicas que se reciben en la
central en un día.
ƥ Los defectos en manufactura de papel por cada
metro producido.
ƥ Los envases llenados fuera de los límites por
cada 100 galones de producto terminado.
40
Ejemplo1: la función F (x=k)
La probabilidad de que haya un accidente en una compañía
de manufactura es de 0.02 por cada día de trabajo. Si se
trabajan 300 días al año, ¿cuál es la probabilidad de tener 3
accidentes?
Cómo la probabilidad p es menor que 0.1, y el producto n *
p es menor que 10 (300 * 0.02 = 6), entonces, aplicamos el
modelo de distribución de Poisson:
Al realizar el cómputo tenemos que P(x = 3) = 0.0892
Por lo tanto, la probabilidad de tener 3 accidentes laborales
en 300 días de trabajo es de 8.9%.
41
Aproximación Poisson de la distribución binomial
Sea X el nº de éxitos resultantes de n ensayos independientes, cada uno
con probabilidad de éxito p. La distribución del nº de éxitos es binomial de
media np. Sin embargo, si el nº de ensayos n es grande y np tiene un
tamaño moderado (preferiblemente np”7), esta distribución puede
aproximarse bien por la distribución de Poisson de media Ȝ=np.
La función de probabilidad de la distribución aproximada es entonces:
!
) (
) (
x
np e
x p
x np
=
42
‡ Un director regional tiene la responsabilidad del desarrollo
de una empresa, y le preocupa la cantidad de quiebras de
empresas pequeñas. Si la cantidad promedio de quiebras de
empresas pequeñas por mes es de 10, ¿cuál es la
probabilidad de que quiebren exactamente 4 empresas
pequeñas durante un mes?, Suponga que la probabilidad de
una quiebra es igual en dos meses cualesquiera, y que la
ocurrencia o no ocurrencia de una quiebra en cualquier
mes es independiente de las quiebras en los demás meses
Distribución Poisson
43
Ejemplo 2: Aproximación de la Binomial(n,p) a la
Poisson( )
ì
El suceso complementario A
c
: No más de 2 televisores defectuosos
puede aproximarse con una distribución de Poisson con Q = np = 1,
sumando p(0) + p(1) + p(2).
9197 . 0 ) 1 1 ( ) (
2
1
1
= + + }

e A P
c
,....) 1 , 0 (
!
ȝ
) (
ȝ
x
= =

x e
x
x p
La distribución binomial nos daría el resultado exacto:
9206 . 0
100
1
100
99
2
100
100
1
100
99
1
100
100
99
0
100
) (
2 98 99 100
=
¦
'
+

'

¦
'
+

'

¦
¦
'
+

'

+
¦
'
+

'

¦
'
+

'

¦
¦
'
+

'

+
¦
'
+

'

¦
¦
'
+

'

=
c
P
) ,.... 1 , 0 ( ) ( n x q p
x
n
x p
x n x
=
¦
¦
'
+

'

=

Si la probabilidad de fabricar un televisor defectuoso es
p = 0.01, ¿cuál es la probabilidad de que en un lote de 100 televisores
contenga más de 2 televisores defectuosos?
44
Si en promedio, entran 2 coches por minuto en un garaje, ¿cuál es la
probabilidad de que durante un minuto entren 4 o más coches?
Si asumimos que un minuto puede dividirse en muchos intervalos cortos de
tiempo independientes y que la probabilidad de que un coche entre en uno de
esos intervalos es p ± que para un intervalo pequeño será también pequeño ±
podemos aproximar la distribución a una Poisson con Q = np = 2.
y la respuesta es 1 ± 0.857 = 0.143
El suceso complementario ³entran 3 coches o menos´ tiene probabilidad:
857 . 0 ) ( ) 3 ( ) 2 ( ) 1 ( ) 0 ( ) (
! 3
2
! 2
2
! 1
2
! 0
2
2
3 2 1 0
= + + + = + + + }

e p p p p A P
c
,....) 1 , 0 (
!
ȝ
) (
ȝ
x
= =

x e
x
x p
Ejemplo 3: Poisson
45
DISTRIBUCIONES DE PROBABILIDAD DE TIPO DISCRETO
Modelo Hipergeométrico Notación: X ~ H(N, k, n)
Un conjunto de N objetos contiene: k objetos
clasificados como éxitos y N-K como fracasos.
Se toma una muestra de tamaño n, al azar y
(sin reemplazo) de entre los N objetos.
k éxitos
N-k fracasos
Población: N
Muestra
n
La v.a. Hipergeométrica X representa el nº de éxitos en la muestra
Función de probabilidad
¦
¦
'
+

'

¦
¦
'
+

'

¦
¦
'
+

'

=
n
N
x n
k N
x
k
x p ) (
1
) 1 ( ) (
) (

=
= =
N
n N
p np X V
N
k
p siendo np X E
Si el tamaño muestral n es muy pequeño en relación al número total de
elementos, N, las probabilidades hipergeométricas son muy parecidas a las
binomiales, y puede usarse la distribución binomial en lugar de la
hipergeométrica.
46
‡ Se debe seleccionar 2 miembros de un comité, entre 5,
para que asistan a una convención en Santiago.
Suponga que el comité está formado por 3 mujeres y 2
hombres. Determine la probabilidad de seleccionar 2
mujeres al azar
± Tenemos N=5, n=2, r=3 y x=2
± Luego el cálculo de la probabilidad es:
3 2
2 0 3
(2) 0.3
5
10
2
f
+ +
¦ ¦
' '' '
= = =
+
¦
' '
Ejemplo de Hipergeométrica
47
Función de Probabilidad (función densidad):
Caso Continuo
‡ Definición
± Es una función no negativa de integral 1.
‡ Piénsalo como la generalización del
histograma con frecuencias relativas
para variables continuas.
‡ ¿Para qué lo voy a usar?
± Nunca lo vas a usar directamente.
± Sus valores no representan
probabilidades.
48
‡ Es la función que asocia a cada valor de una
variable, la probabilidad acumulada
de los valores inferiores o iguales.
± Piénsalo como la generalización de las
frecuencias acumuladas. Diagrama integral.
‡ A los valores extremadamente bajos les corresponden valores
de la función de distribución cercanos a cero.
‡ A los valores extremadamente altos les corresponden valores
de la función de distribución cercanos a uno.
‡ Lo encontraremos en los artículos y aplicaciones en forma de ³p-
valor´, significación,«
Función de distribución
Función de distribución y modelos de probabilidad continuos
Sea f(x) una función de densidad para la variable aleatoria X,
definamos la función
_ a
( ) ( ) r
x
x f t dt X x
·
= = ·
¦
La función F(x) tiene las siguientes propiedades:
‡Es continua por la derecha (en realidad es continua)
‡F es no decreciente ( es función creciente no necesariamente estricta)
‡
‡
lim ( ) 0
x
x
÷ ·
=
lim ( ) 1
x
x
÷ ·
=
Estas buenas propiedades las hereda de la función de
densidad y de la integración, evidentemente. En cualquier caso
se dice que F(x) es la función de distribución de la variable X.
Función de distribución y modelos de probabilidad continuos
Ahora, toda función F(x) que satisface lo siguiente:
‡Es continua por la derecha
‡F es no decreciente
‡
‡
lim ( ) 0
x
F x
÷ ·
=
lim ( ) 1
x
F x
÷ ·
=
se dice que es una función de distribución, y además ella
define una única probabilidad sobre R de tal forma que:
´ J _ a
Pr , ( ) x x · =
Se puede demostrar
que
´ ) _ a
Pr , ( ) x F x

· =
´ ) _ a
Pr , ( ) ( ) a b b a

=
. J _ a
Pr , ( ) ( ) a b F b F a

=
Función de distribución y modelos de probabilidad continuos
Si F(x) es una función de distribución continua (esto es que
continua por la derecha y continua por la izquierda), y además es
derivable en todo los reales, excepto tal vez en un número finito
de puntos, entonces
( )
( )
d x
f x
dx
=
Es una función de densidad, donde en los puntos, que son finitos,
en que no está definida por que no existe la derivada de F(x) se
redefinen arbitrariamente.
En general, se dirá que una variable aleatoria X es continua, si ella
tiene una probabilidad generada por una función de densidad.
Modelos de probabilidad continuos
Los modelos de variables aleatoria continuas más usuales son:
Uniforme en (a, b). Se dice que una variable aleatoria es uniforme
en (a, b) si su función de densidad está dada por
1
( )
0 ( , )
si a x b
f x
b a
si x a b
®

±
=

´
±
‘
°
En particular si (a, b) = (0, 1), es tiene la densidad en (0, 1)
como
1 (0,1)
( )
0 (0,1)
si x
f x
si x

®
=
´
‘
°
Modelos de probabilidad continuos
Normal de parámetros Q y W
2
. Se dice que una variable aleatoria
sigue una ley normal de parámetros Q y W
2
si su función de densidad
es
2
2
2
( ) 1
2
1
( )
2
x
f x x e
µ
o
zo

= · ·
En particular si µ = 0 y o
2
= 1, se tiene
que
2
1
2
1
( )
2
x
f x x e
T
= · · · ·
Modelos de probabilidad continuos
Una variable aleatoria sigue una ley de probabilidades Gamma de
parámetros E y F (positivos), si su función de densidad es
donde
0
1
( )
x
x e dx
E
E
·

I =
¦
1
0
( ) ( )
0 0
x
x e si x
f x
si x
E F
E
F
E

®
>
±
= I
´
±

°
( ) ( 1)! n n I = Recuerde
que
De manera que si E = 1 obtenemos nuestra recordada densidad
exponencial de parámetro F.
Modelos de probabilidad
continuos
La densidad ji ± cuadrado, que es una ley de densidad muy útil y
frecuente es un caso especial de la Gamma, donde los parámetros
son E = n/2, cualquier n natural, y F = ½. De otra forma una variable
aleatoria tiene una ley de probabilidad ji-cuadrado con n grados de
libertad, si su función de densidad es
( / 2) 1 ( / 2)
/ 2
1
0
2 ( / 2) ( )
0 0
n x
n
x e si x
n f x
si x

®
>
±
I =
´
±

°
Modelos de probabilidad continuos
Una variable aleatoria tiene la ley de probabilidad t de Student con
n grados de libertad, si su función de densidad es
. J
( 1) / 2
2
( 1) / 2
1
( ) 1
( / 2)
n
n
x
f x con x
n n
nT
+
I + +
= + · · · ·
¦
I
' '
Verifique (de cualquier manera) de que la densidad t de Student con
n grados de libertad para n ³suficientemente´ grande se aproxima a
la densidad normal de parámetros Q = 0 y W
2
= 1
57
DISTRIBUCIONES DE PROBABILIDAD
Introducción
f(x)= 1/. e
± x/ .
, x>0
Modelo exponencial
f(x)= 1/5 e
± x/5
, x>0
f(x)= 1/2 e
± x/2
, x>0
f(x)= 1/10 e
± x/10
, x>0
Parámetro: .
F(x)= 1 ± e
± x/ .
, x>0
Q= .
W
2
= .
2
M(t)= (1 ± . t )
±1
x
f(x)
58
La variable aleatoria X representa el tiempo que transcurre
hasta la primera ocurrencia del proceso de Poisson P(ì)
Función de densidad: f(x)= e
± x/ .
, x>0
1
.
Siendo ì = 1/.
Media: E(X) = .
Varianza: Var(X) = .
2
Función de distribución: F(x) = 1- e
± x/ .
, x>0
F. generatriz de momentos: M(t) = (1- . t)
±1
t< 1/ .
La distribución exponencial tiene la propiedad de carencia o
pérdida de memoria, esto es: P( X< s + t / x> s ) = P( X< t )
DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO
59
La distribución normal
La distribución normal fue reconocida
por primera vez por el francés
Abraham de Moivre (1667-1754).
Posteriormente, Carl Friedrich Gauss (1777-1855)
realizó estudios más a fondo
donde formula la ecuación de la curva
conocida comúnmente, como la
³Campana de Gauss".
DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO
Modelo Normal Notación: X ~ N(Q,W
2
)
f(x)= e , -· < x < ·
1
2z W
1 x- Q
2
2 W
La distribución es
campaniforme,
simétrica, centrada en Q
y con puntos de inflexión
en QsW
DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO
Modelo Normal Notación: X ~ N(Q, W
2
)
f(x)= e , - · < x < ·
1
2z W
1 x- Q
2
2 W
Media: E(X) = Q
Varianza: Var(X) = W
2
F. generatriz de momentos: M(t)= e
1
2
Qt+ W
2
t
2
DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO
Modelo Normal Estándar Notación: z ~ N(0,1)
f(z)= e , - · < z < ·
1
2z
1 z
2
2
Q=0 W
2
=1
M(t)= e
t
2
2
Función de distribución: está tabulada F(z)= Pr (Z·z)=o(z)
0 z
f(z)
DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO
Modelo Normal
Si a una v.a. normal le
restamos su media y la
dividimos por su desviación
típica, la variable resultante
tiene media cero y desviación
típica 1, y distribución normal
estándar.
Si X ~ N ( , W
2
) Z = b N(0,1)
X- µ
ı
En la práctica:
F
x
(x)= Pr (X·x) = Pr ( · )= Pr(Z · )= o( )
X- µ
ı
x- µ
ı
x- µ
ı
x- µ
ı
TABLAS
DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO
Modelo Normal Notación: X ~ N(Q, W
2
)
Si Y = a X b, siendo X ~ N (Q, W
2
), entonces:
Y ~ N (a Q b, a
2
W
2
)
En toda distribución Normal se
comprueba que:
Pr( - 2 ı · X · + 2 ı ) = 0,955 Pr(
- 3 ı · X · + 3 ı ) = 0,997
que son intervalos más precisos que la
acotación de Tchebychev (0,75 y 0, 88,
respectivamente).
Otras propiedades:
DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO
Aproximación Normal a la distribución Binomial
Sea X el nº de éxitos resultantes de n ensayos independientes, cada uno
con probabilidad de éxito p. Si n es grande y p no es ni demasiado
grande ni pequeño, entonces, la distribución binomial puede aproximarse
bien por la distribución Normal de media µ=np y varianza ı
2
= np(1-p).
¦
¦
'
+

'

· ·

} · ·
) 1 ( ) 1 (
) (
p np
np b
Z
p np
np a
P b X a P
O usando la corrección de continuidad de medio punto (cuando 20”n”50).
¦
¦
'
+

'

+
· ·

} · ·
) 1 (
5 , 0
) 1 (
5 , 0
) (
p np
np b
Z
p np
np a
P b X a P
Siendo Z la distribución normal estándar.
DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO
Aproximación Normal a la distribución Poisson
Sea X una v.a. de Poisson con media Ȝ. Si Ȝ es grande, entonces, dicha
distribución puede aproximarse bien por la distribución Normal de media
µ=Ȝ y varianza ı
2
= Ȝ.
¦
¦
'
+

'

· ·

} · ·
´
´
´
´ b
Z
a
P b X a P ) (
O usando la corrección de continuidad
Siendo Z la distribución normal estándar.
¦
¦
'
+

'
+
· ·

< · ·
5 , 0 5 , 0
) (
b a
P b X a P
RESUMEN DE CONVERGENCIAS DE DISTRIBUCIONES
Poisson
P(ì)
Normal
N(Q, W
2
)
Binomial
B(n,p)
Hipergeométrica
H(N, k, n)
N>50
n/N·0,1
n>20
Q=np
W
2
=np(1-p)
ì >10
Q= ì
W
2
= ì
ì=np
np ·7
68
Ejemplos 1
Supongamos que sabemos que el peso de los/as estudiantes
universitarios/as sigue una distribución aproximadamente
normal, con una media de 140 libras y una desviación
estándar de 20 libras.
Determine la probabilidad de que una persona
tenga un peso menor o igual a 150 libras
Paso 1 Interpretar gráficamente el área de interés.
Gráficamente si decimos que a=150 libras, el área de la
curva que nos interesa es la siguiente:
69
Paso 2 - Determinar el valor Z:
50 . 0
20
140 150
=

=

=
o
p X
Paso 3 - Buscar en la tabla de probabilidades.
Buscamos en la Tabla 1 el valor Z=0.50 y obtenemos el área de 0.6915
Paso 4 - Hacer la suma o resta de áreas para encontrar la probabilidad
deseada.
En este ejemplo no es necesario realizar ningún computo adicional ya que
el área es la misma que se representa en la tabla ad-hoc (ver fotocopia)
70
Ejemplo2
Si deseamos la probabilidad de que una persona,
elegida al azar, tenga un peso mayor o igual a 150 libras
Paso 1 Interpretar gráficamente el área de interés.
Gráficamente si decimos que a=150 libras, el área de la curva
que nos interesa es la siguiente:
71
Paso 2 - Determinar el valor Z:
50 . 0
20
140 150
=

=

=
o
p X
Paso 3 - Buscar en la tabla de probabilidades.
Buscamos en la Tabla 1 el valor Z=0.50 y obtenemos el área de
0.6915.
Paso 4 - Hacer la suma o resta de áreas para encontrar la
probabilidad deseada.
En este ejemplo el área de 0.6915 no representa el área que nos
interesa sino la contraria. En este caso debemos restarle 1 a la
probabilidad encontrada.
1 - .6915 = 0.3085
72
Ejemplo 3
Determine la probabilidad de que una persona, elegida al
azar, tenga un peso menor o igual a 115 libras
Paso 1 Interpretar gráficamente el área de interés.
Gráficamente si decimos que a=115 libras, el área de la curva
que nos interesa es la siguiente:
73
Paso 2 - Determinar el valor Z:
25 . 1
20
140 115
=

=

=
o
µ X
Z
Paso 3 - Buscar en la tabla de probabilidades.
Buscamos en la Tabla 1 el valor Z=-1.25 y obtenemos el área de
0.8944.
Paso 4 - Hacer la suma o resta de áreas para encontrar la
probabilidad deseada.
En este ejemplo el área de 0.8944 no representa el área que nos
interesa sino la contraria. En este caso debemos restarle 1 a la
probabilidad encontrada.
1 - .8944 = 0.2212
74
Ejemplo 4
Si deseamos la probabilidad de que una persona,
elegida al azar, tenga un peso entre 115 y 150 libras.
Paso 1 Interpretar gráficamente el área de interés.
Gráficamente si decimos que a=115 libras y b=150 libras, el
área de la curva que nos interesa es la siguiente
75
Paso 2 - Determinar el valor Z
25 . 1
20
140 115
=

=

=
o
p X
50 . 0
20
140 150
=

=

=
o
µ X
Z
Paso 3 - Buscar en la tabla de probabilidades.
Buscamos en la Tabla 1 el valor Z=-1.25 y obtenemos el área de
0.8944.
Buscamos en la Tabla 1 el valor Z=0.50 y obtenemos el área de
0.6915
76
Paso 4 - Hacer la suma o resta de áreas para encontrar la
probabilidad deseada.
El área de 0.8944 se le resta la diferencia de 1-.6915.
0.8944 ± (1-.6915) = .5859
77
1
10
70 80
2
1
6 8
=

=

=
=

=

=
B
x
z
x
z
B B
B
A
A A
A
o
µ
o
µ
‡ 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)
± 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. Podríamos pensar en principio que A es mejor candidato para la beca.
Ejemplo 5
78
Distribuciones asociadas a la normal
‡ Cuando queramos hacer inferencia estadística hemos visto que la
distribución normal aparece de forma casi inevitable.
‡ Dependiendo del problema, podemos encontrar otras (asociadas):
± X2 (chi cuadrado)
± t- student
± F-Snedecor
‡ Estas distribuciones resultan directamente de operar con distribuciones
normales. Típicamente aparecen como distribuciones de ciertos
estadísticos.
‡ Veamos algunas propiedades que tienen (superficialmente). Para más
detalles consultad el manual.
‡ Sobre todo nos interesa saber qué valores de dichas distribuciones son
³atípicos´.
± Significación, p-valores,«
79
‡ En v.a. hay conceptos equivalentes a los de temas anteriores
± Función de probabilidad Frec. Relativa.
± Función de densidad histograma
± Función de distribución diagr. Integral.
± Valor esperado media, «
‡ Hay modelos de v.a. de especial importancia:
± Bernoulli
± Binomial
± Poisson
± Normal
‡ Propiedades geométricas
‡ Tipificación
‡ Aparece tanto en problemas con variables cualitativas (dicotómicas, Bernoulli) como
numéricas
‡ Distribuciones asociadas
± T-student
± X2
± F de Snedecor
¿Qué hemos visto?

 Variable aleatoria: caso discreto y continuo  Esperanza y varianza: caso discreto y continuo Función de probabilidad: caso discreto y continuo  Distribuciones de probabilidad o modelo: caso discreto y continuo
2

Definición:
‡ Una variable aleatoria es una descripción numérica del resultado de un experimento

Tipos: 


Variable aleatoria Discreta Variable aleatoria Continua

3

La variable aleatoria puede ser discreta o continua.Variable aleatoria Una variable aleatoria X es una función que asocia a cada suceso del espacio muestral E de un experimento aleatorio un valor numérico real: X :E p„ w p X ( w) Llamar variable a una función resulta algo confuso. por ello hay que insistir en que es una función. . Veremos en este capítulo el caso discreto.

Función de probabilidad Discreta Una vez definida una variable aleatoria X. . de la siguiente forma: p : „ p [0.1] x p p ( x) ! P( X ! x) La función de probabilidad debe cumplir: (i ) p ( x ) u 0 x  „ (ii ) § p ( x) ! 1 x (Suma sobre todos los posibles valores que puede tomar la variable aleatoria). podemos definir una función de probabilidad asociada a X.

de la siguiente forma: p : „ p [0. podemos definir una función de probabilidad asociada a X.Función de probabilidad Continua Una vez definida una variable aleatoria X.1] x p p ( x) ! P( X e x) La función de probabilidad debe cumplir: (i ) f ( x ) u 0 x  „ g (ii ) g ´ f ( x)d ( x ) ! 1 .

Esperanza y varianza de una variable aleatoria La interpretación es bastante sencilla g E ?X ! k A! § k ™ pk k !0 posibles valores de X probabilidad que la variable tome el valor k El valor ³promedio´ que puede asumir la variable V ?X A! § .

k  E ?X A pk 2 k !0 g Desviación cuadrática promedio Desviación cuadrática de los posibles valores de X respecto de su promedio E[X] .

En efecto g E ?X ! x A! g ´ x ™ f ( x) dx Probabilidad de que la variable aleatoria X tome un valor en el intervalo [x. x + dx] posible valor de X El valor ³promedio´ que puede asumir la variable g V ?X A! Desviación cuadrática promedio g ´ .Esperanza y varianza de una variable aleatoria La interpretación para el caso continuo es similar.

x  E?X A 2 f ( x ) dx Desviación cuadrática de los posibles valores de X respecto de su promedio E[X] .

1.40 0.3««.2.«.4..1.A 0.2.3. 1.2.Ejemplos variable aleatoria discreta Experimento Llamar a cinco clientes Inspeccionar un embarque de 40 chips Funcionamiento de un restaurante durante un día Vender un automóvil Variable aleatoria Cantidad de clientes Cantidad de chips defectuosos Cantidad de clientes Valores posibles V. Sexo Cliente 0 si es hombre y 1 si es mujer 9 .5 0.

entre llegadas de clientes Cantidad de onzas 0<=x<=12.A X>=0 0<=x<=100 150<=x<=212 10 .Ejemplos variable aleatoria continua Experimento Funcionamiento de un banco Llenar una lata de bebida (máx =12.1 onzas) Proyecto para construir un biblioteca Ensayar un nuevo proceso químico Variable aleatoria Tiempo en minuto.1 Porcentaje de terminado del proyecto Temperatura cuando se lleva a cabo la reacción deseada (min 150º F. máx 212ºF) Valores posibles V.

3.2).(6..(1.6)} Definamos la variable aleatoria discreta X como: con S = {2.. ..(5.3) Š (3.1] f ( 2) ! P(X ! 2 ) ! P( (1.Sea el experimento ³lanzar dos dados´. Definamos el espacio muestral E como: E = {(1. Una posible función de probabilidad es: f : „ p [0.(1.12} la suma de puntos.1) ) ! 1/ 36 f (3) ! P(X ! 3 ) ! P( (1.....2) ) ! 3 / 36 ..1) Š (2.1).6)..1) ) ! 2 / 36 f ( 4) ! P(X ! 4 ) ! P( (1...6).2) Š ( 2...

Función de probabilidad de la variable aleatoria X 6/36 P 5/36 4/36 3/36 2/36 1/36 5/36 4/36 3/36 2/36 1/36 2 3 4 5 6 7 8 9 10 11 12 X Observa que cumple las dos condiciones: es siempre positiva y está normalizada. .

Función de distribución Dada una variable aleatoria discreta X se llama función de distribución a la función F definida como: F : „ p [0.1] x p F ( x) ! P( X e x) En nuestro ejemplo de los dos dados: F(5) = P(X e 5) = P(x = 2 o x = 3 o x = 4 o x = 5) F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36 .

Función de distribución de la variable aleatoria X F 1.028 2 3 4 5 6 7 8 9 10 11 12 x .5 0.0 0.

5 f(x) 0 1 6 x 0 1 6 x Función de probabilidad f(x) Función de distribución F(x) . 5. X tiene como posibles valores x = 1. 2. 3.Ejemplo: Dibuja la función de probabilidad f(x) y la función de distribución F(x) de una variable discreta definida como: X = Número en la cara de un dado. 6 cada uno con probabilidad 1/6 1 6 1 F(x) 0. 4.

Algunos problemas de probabilidad están relacionados con la probabilidad P(a <X e b) de que X asuma algún valor en un intervalo.3/36 = 23/36 . Observa que: Teorema: P(a < X e b) = F(b) . Entonces: F(b) = P(X e b) = P(X e a) + P(a < X e b) = F(a) + P(a < X e b) En el ejemplo de los dos dados.F(3) = 26/36 . calcula la probabilidad de que los dos dados sumen al menos 4 pero no más de 8.F(a) Los sucesos X e a y a< X e b son mutuamente excluyentes. P(4 < X e 8) = F(8) .

. F es continua por la derecha: la probabilidad de que la variable aleatoria discreta X tome un valor concreto es igual al salto de la función de distribución en ese punto.) ! 1 x p g x p g (g) ! lim x p g ( x) ! lim P( X e x) ! P(ˆ) ! 0 x p g P ( x1 X e x2 ) ! F ( x2 )  F ( x1 ) F es monótona creciente.Algunas propiedades de la función de distribución F ( g) ! lim F ( x) ! lim P ( X e x) ! P (.

Esperanza matemática o media de un distribución discreta Q ! E.

3 1.1 -0.4 0.2 0.1 0.1 0.2 0.0 .0 0.X ! § xi P( X ! xi ) ! § xi p( xi ) i i xi -1 0 1 2 3 P(X) Xi*p(x) 0.4 0.4 0.

Calcular la esperanza de la variable aleatoria X en el ejemplo de los dos dados: 12 Q ! E ( X ) ! § P( xi ) ™ xi ! i!2 1 2 6 1 ™ 2  ™ 3  ....  ™ 7  .  ™12 ! 7 36 36 36 36 ..

Varianza y desviación estándar o típica de una distribución discreta Varianza W ! Var ( X ) ! M 2 ! E (( X  Q ) ) ! 2 2 § (x  Q) i i 2 P ( X ! xi ) Desviación estándar o típica W ! Var ( X ) Ambas miden la ³dispersión de los datos´. . Observa que la desviación típica lo hace con las mismas unidades que los propios datos.

2 i W ! Var ( X ) ! 1.4 .4 0.2 0.2 .1 .2 .2 W 2 ! § ( xi  Q ) 2 P ( xi ) ! 1.4 1.1 -2 -1 0 1 2 4 1 0 1 4 0.2 0.Ejemplo Xi P(X) X  Q ( X  Q ) ( X Q ) ™ P( X ) 2 2 -1 0 1 2 3 .10 .0 0.

.Calcula la varianza y desviación típica de la variable aleatoria X en el ejemplo de los dos dados: 12 Var ( X ) ! § P( xi ) ™ ( xi  7) ! 2 i !2 1 2 1 2 2 2 ™ (2  7)  ™ (3  7)  ..  ™ (12  7) ! 5.83 ! 2.41 .83 36 36 36 W ! Var ( X ) ! 5.

Algunas propiedades de la varianza Var ( X ) ! W 2 ! § (x i 2 i  Q ) p ( xi ) ! 2 § (x i 2 i  Q  2 Qxi ) p ( xi ) ! 2 §x i 2 i 2 p ( xi )  Q  2 Q § xi p ( xi ) ! i 2 2 2 2 E ( X )  Q  2 Q ! E ( X )  ( E ( X )) W ! E( X )  ( E( X )) 2 2 2 .

.2. - Geométrica Hipergeométrica 0 e p e1 (1  p ) k 1 p k ! 1. - N .1. n © ¹ n º ª tarea tarea . n r.Esperanza y varianza de variables aleatoria discretas usuales Modelo Bernoulli Binomial parámetros 0 e p e1 probabilidad Pr{ X ! k } ! 1  p si k ! 0 media varianza p si k ! 1 p p(1  p) np (1  p ) P tarea n ! 1.2.. .2. r.1.. n N ¨r ¸¨ N  r ¸ © ¹© ¹ ªk ºªn  k º ¨N¸ k ! 0. n Poisson P "0 e P Pk k! k ! 0.1. 0 e p e1 ¨n¸ k © ¹ p (1  p) n  k ©k ¹ ª º np P tarea k ! 0..

Distribución de Bernoulli Experimento de Bernoulli: solo son posibles dos resultados: éxito o fracaso.1 . Podemos definir una variable aleatoria discreta X tal que: éxito p 1 fracaso p 0 Si la probabilidad de éxito es p y la de fracaso q = 1 . podemos construir una función de probabilidad: P ( X ! x) ! p q x 1 x x ! 0.p.

Ejercicio: Calcular la esperanza y la varianza de la distribución de Bernoulli. E[ X ] ! Q ! § x P ( X ! x ) ! x !0 1 0 ™ P ( X ! 0)  1 ™ P ( X ! 1) ! p Var ( X ) ! E[ X ]  ( E[ X ]) ! § x P ( X ! x )  p 2 2 2 x !0 1 2 ! 0 ™ P ( X ! 0)  1 ™ P ( X ! 1)  p ! 2 2 2 p  p ! p (1  p ) ! pq 2 .

‡ En cada intento o ensayo son posibles dos resultados. que tampoco cambia de un intento a otro. Por lo tanto la probabilidad de un fracaso se representa por (1-p). ‡ Los intentos o ensayos son independientes. A uno lo llamaremos éxito y al otro fracaso. se representa por p y no cambia de un intento o ensayo. ‡ La probabilidad de un éxito. .Experimento Binomial (Propiedades) ‡ El experimento consiste en una sucesión de n intentos o ensayos idénticos.

Intentos Resultados 1 E 2 F 3 4 F E 5 E 6 F 7 E 8 E . Propiedad 2: Cada intento da como resultado un éxito (E) o un fracaso (F).DIAGRAMA DE UN EXPERIMENTO BINOMIAL CON OCHO INTENTOS Propiedad 1: El experimento consiste en n=8 intentos idénticos de lanzar una moneda.

Experimento Binomial (Propiedades) ‡ Cantidad de resultados experimentales con exactamente x éxitos en n intentos ¨n¸ n! © x ¹ ! x! n  x ! .

ª º ‡ También es necesario conocer la probabilidad asociada a cada uno de los resultados experimentales el cual se puede determinar a través de la siguiente relación p (1  p ) x (n x) .

La distribución de probabilidad Binomial P(X = k) será: ¨n¸ x n! n x p x (1  p ) n  x B (n. p) 30 . B(5. p ) ! p ( x) ! © ¹ p (1  p ) ! © x¹ x!(n  x )! ª º Distribución binomial para n = 5 y distintos valores de p.

Esto es P (k=2). 0 e k e n ©k ¹ ª º Se trata de una distribución binomial de parámetros B(12.05 . La probabilidad estará en x=2 El resultado es 0. Debemos calcular la probabilidad de que x sea igual a k que en este caso es 2.0988 31 .Ejemplo 1 B(n.05). luego en la parte superir p=0. Determine la probabilidad de que en una muestra de 12 se encuentren 2 cámaras defectuosas.p) Aplicando la formula de la distribución Binomial En una fábrica de cámaras el 5% sale con defectos. Otra forma (investigar): busque en la parte izquierda de la tabla binomial n=12. Solución : ¨ n ¸ k n k P[ X ! k ] ! © ¹ p q . 0.

p) ‡ El Gerente de una gran tienda necesita determinar cual es la probabilidad de que 2 de tres clientes que ingresan a la tienda hagan una compra. Él sabe que la probabilidad de que un cliente compre es de 0.3 ¨ 3¸ 3! !3 © 2¹ ! ª º 2!.Ejemplo 2 B(n.

063 Luego 3·0.32 (1  p )(31) ! 0. probabilidad de que de 3 clientes que ingresan a la tienda 2 compren .189.3  2 ! Cantidad de resultados experimentales Probabilidad de cada resultado experimental en donde 2 de los tres clientes compran 0.063 = 0.

1) ! 0.Características de la distribución binomial Media Q= E(X) = n p Q= 5 · 0.2 0 0 n = 5 p = 0.5 X 1 2 3 4 5 33 .5 ™ (1  0.5 Q= 5 · 0.4 .6 .1 n = 5 p = 0.67 W ! 5 ™ 0.4 .5 = 0.1 ™ (1  0.5) ! 1.2 0 0 P(X) .25 P(X) .6 .1 X 1 2 3 4 5 Desviación estándar W ! np (1  p ) W ! 5 ™ 0.1 = 0.

1).Distribución de Poisson Francés Simeón Dennis Poisson (1781-1840) ‡ También se denomina de sucesos raros. k! . la base de los logaritmos naturales) P[ X ! k ] ! e  Q Qk .71828 (es una constante.. para µn grande¶ (n>30) y µp pequeño¶ (p<0. 2 . k ! 0 .) ‡ Función de probabilidad: e = 2. ‡ Queda caracterizada por un único parámetro (que es a su vez su media y varianza..1.. ‡ Se obtiene como aproximación de una distribución binomial con la misma media.

Distribución Poisson Es una distribución de probabilidad que muestra la probabilidad de x ocurrencias de un evento en un intervalo especificado de tiempo o e espacio Las propiedades de un experimento de Poisson son: La probabilidad de una ocurrencia es igual en dos intervalos cualesquiera de igual longitud La ocurrencia o no ocurrencia en cualquier intervalo es independiente de la ocurrencia o no ocurrencia en cualquier otro intervalo .

2 . es grande. . .Distribución Poisson ‡ La distribución de Poisson se expresa como: (x = cantidad de ocurrencia) p(x) ! e x! k .1 .. x ! 0 . el éxito es un ³suceso raro´. " 0 ‡ Se puede usar este distribución de probabilidad como una aproximación de la distribución binomial cuando p. la probabilidad éxito es pequeña y n. Tan sólo se iguala m=n·p Observa que si p es pequeña.. la cantidad de intentos.

1). Queda caracterizada por un único parámetro (que es a su vez su media y varianza).La distribución de Poisson se obtiene como aproximación de una distribución binomial con la misma media. . Q!np=P Distribución de Poisson para varios valores de Q. para µn grande¶ (n > 30) y µp pequeño¶ (p < 0.

4 .Características de la Distribución de Poisson Media Q ! E (X ) ! P Desviación estándar W ! P P(X) .4 .6 .2 0 0 P(X) .6 .5 X 1 2 3 4 5 P= 6 X 2 4 6 8 10 Nota: el máximo de la distribución se encuentra en x } P 38 .2 0 0 P= 0.

Los envases llenados fuera de los límites por cada 100 galones de producto terminado. Los defectos en manufactura de papel por cada metro producido.Ejemplos en la Empresa La llegada de un cliente al negocio durante una hora. 39 . Las llamadas telefónicas que se reciben en la central en un día.

02 = 6). entonces.0892 Por lo tanto.9%. y el producto n * p es menor que 10 (300 * 0.02 por cada día de trabajo. Si se trabajan 300 días al año.1.Ejemplo1: la función F (x=k) La probabilidad de que haya un accidente en una compañía de manufactura es de 0. aplicamos el modelo de distribución de Poisson: Al realizar el cómputo tenemos que P(x = 3) = 0. ¿cuál es la probabilidad de tener 3 accidentes? Cómo la probabilidad p es menor que 0. la probabilidad de tener 3 accidentes laborales en 300 días de trabajo es de 8. 40 .

Sin embargo.Aproximación Poisson de la distribución binomial Sea X el nº de éxitos resultantes de n ensayos independientes. esta distribución puede aproximarse bien por la distribución de Poisson de media =np. si el nº de ensayos n es grande y np tiene un tamaño moderado (preferiblemente np”7). La distribución del nº de éxitos es binomial de media np. La función de probabilidad de la distribución aproximada es entonces:  np p( x) ! e ( np ) x! x 41 . cada uno con probabilidad de éxito p.

y que la ocurrencia o no ocurrencia de una quiebra en cualquier mes es independiente de las quiebras en los demás meses 42 . y le preocupa la cantidad de quiebras de empresas pequeñas. Si la cantidad promedio de quiebras de empresas pequeñas por mes es de 10.Distribución Poisson ‡ Un director regional tiene la responsabilidad del desarrollo de una empresa. Suponga que la probabilidad de una quiebra es igual en dos meses cualesquiera. ¿cuál es la probabilidad de que quiebren exactamente 4 empresas pequeñas durante un mes?.

.. 9206 ¨n¸ p ( x ) ! © ¹ p x q n x ©x¹ ª º El suceso complementario Ac: No más de 2 televisores defectuosos puede aproximarse con una distribución de Poisson con Q = np = 1. ¿cuál es la probabilidad de que en un lote de 100 televisores contenga más de 2 televisores defectuosos? La distribución binomial nos daría el resultado exacto: ¨ 100 c P( ) ! © © 0 ª ¸ ¨ 99 ¸ ¹© ¹ 100 ¹ º ºª 100 ¨ 100 © © 1 ª ¸ ¨ 99 ¸ ¨ 1 ¸ ¨ 100 ¹© ¹ 100 ¹ © 100 ¹  © 2 © º ª º ª ºª 99 ¸ ¨ 99 ¸ ¨ 1 ¸ ¹© ¹ 100 ¹ © 100 ¹ º ª º ºª ( x ! 0 ..p) a la Poisson(P ) Si la probabilidad de fabricar un televisor defectuoso es p = 0.01....1.9197 2 43 x p ( x) ! x! e ( x ! 0. P ( Ac ) } e 1 (1  1  1 ) ! 0. n ) 98 2 ! 0 ..Ejemplo 2: Aproximación de la Binomial(n..) . sumando p(0) + p(1) + p(2).1.

...857 = 0. El suceso complementario ³entran 3 coches o menos´ tiene probabilidad: P ( A ) } p (0)  p (1)  p ( 2)  p (3) ! e (  p ( x) ! c 2 2 0 0! 21 1!  x 22 2!  ) ! 0.857 ( x ! 0. entran 2 coches por minuto en un garaje.. ¿cuál es la probabilidad de que durante un minuto entren 4 o más coches? Si asumimos que un minuto puede dividirse en muchos intervalos cortos de tiempo independientes y que la probabilidad de que un coche entre en uno de esos intervalos es p ± que para un intervalo pequeño será también pequeño ± podemos aproximar la distribución a una Poisson con Q = np = 2.Ejemplo 3: Poisson Si en promedio.) 44 23 3! y la respuesta es 1 ± 0.143 x! e .1.

La v. N. n) Población: N k éxitos N-k fracasos Muestra n Un conjunto de N objetos contiene: k objetos clasificados como éxitos y N-K como fracasos. y puede usarse la distribución binomial en lugar de la hipergeométrica. Se toma una muestra de tamaño n. al azar y (sin reemplazo) de entre los N objetos.DISTRIBUCIONES DE PROBABILIDAD DE TIPO DISCRETO Modelo Hipergeométrico Notación: X ~ H(N.a. 45 . las probabilidades hipergeométricas son muy parecidas a las binomiales. k. Hipergeométrica X representa el nº de éxitos en la muestra Función de probabilidad ¨ k ¸¨ N  k ¸ © ¹© © x ¹© n  x ¹ ¹ º p( x) ! ª ºª ¨N¸ © ¹ ©n¹ ª º k E ( X ) ! np siendo p ! N N n V ( X ) ! np (1  p ) N 1  Si el tamaño muestral n es muy pequeño en relación al número total de elementos.

n=2. Determine la probabilidad de seleccionar 2 mujeres al azar ± Tenemos N=5. Suponga que el comité está formado por 3 mujeres y 2 hombres. entre 5. r=3 y x=2 ± Luego el cálculo de la probabilidad es: ¨ 3 ¸¨ 2 ¸ © 2 ¹© 0 ¹ ª ºª º ! 3 ! 0.Ejemplo de Hipergeométrica ‡ Se debe seleccionar 2 miembros de un comité.3 f (2) ! ¨5¸ 10 ©2¹ ª º 46 . para que asistan a una convención en Santiago.

‡ ¿Para qué lo voy a usar? ± Nunca lo vas a usar directamente. ‡ Piénsalo como la generalización del histograma con frecuencias relativas para variables continuas.Función de Probabilidad (función densidad): Caso Continuo ‡ Definición ± Es una función no negativa de integral 1. ± Sus valores no representan probabilidades. 47 .

‡ A los valores extremadamente bajos les corresponden valores de la función de distribución cercanos a cero. ± Piénsalo como la generalización de las frecuencias acumuladas. ‡ Lo encontraremos en los artículos y aplicaciones en forma de ³pvalor´.« 48 . significación. Diagrama integral.Función de distribución ‡ Es la función que asocia a cada valor de una variable. la probabilidad acumulada de los valores inferiores o iguales. ‡ A los valores extremadamente altos les corresponden valores de la función de distribución cercanos a uno.

evidentemente. En cualquier caso se dice que F(x) es la función de distribución de la variable X. . definamos la función x ( x) ! g ´ f (t ) dt ! r _X e xa La función F(x) tiene las siguientes propiedades: ‡Es continua por la derecha (en realidad es continua) ‡F es no decreciente ( es función creciente no necesariamente estricta) ‡ xp  g lim ( x) ! 0 lim ‡ xp g ( x) ! 1 Estas buenas propiedades las hereda de la función de densidad y de la integración.Función de distribución y modelos de probabilidad continuos Sea f(x) una función de densidad para la variable aleatoria X.

Función de distribución y modelos de probabilidad continuos Ahora. y además ella define una única probabilidad sobre R de tal forma que: Pr _ g. x A ! ( x) . toda función F(x) que satisface lo siguiente: ‡Es continua por la derecha ‡F es no decreciente ‡ lim F ( x) ! 0 xp  g lim ‡ xp g F ( x) ! 1 se dice que es una función de distribución.

a Se puede demostrar que Pr _ g. x a! F ( x  ) .

b a! (b  )  (a) . Pr _ a.

b A ! F (b)  F (a  ) ? a . Pr _ a.

donde en los puntos. En general. excepto tal vez en un número finito de puntos. se dirá que una variable aleatoria X es continua. . y además es derivable en todo los reales. si ella tiene una probabilidad generada por una función de densidad.Función de distribución y modelos de probabilidad continuos Si F(x) es una función de distribución continua (esto es que continua por la derecha y continua por la izquierda). entonces d ( x) ! f ( x) dx Es una función de densidad. en que no está definida por que no existe la derivada de F(x) se redefinen arbitrariamente. que son finitos.

b). b) si su función de densidad está dada por ®1 ± f ( x) ! ¯ b  a ± 0 ° si a x b si x ‘ ( a.1) . b) En particular si (a. 1).Modelos de probabilidad continuos Los modelos de variables aleatoria continuas más usuales son: Uniforme en (a. es tiene la densidad en (0. b) = (0. Se dice que una variable aleatoria es uniforme en (a.1) si x ‘ (0. 1) como 1 ® f ( x) ! ¯ 0 ° si x  (0.

Se dice que una variable aleatoria sigue una ley normal de parámetros Q y W2 si su función de densidad es f ( x) ! 1 2TW 2 e 1 ( x  Q )2 2 W2 g x g En particular si Q = 0 y W2 = 1. se tiene que 1 f ( x) ! 2T e 1 2 x 2 g x g .Modelos de probabilidad continuos Normal de parámetros Q y W2.

si su función de densidad es ®F E E 1  F x x e ± f ( x) ! ¯ +(E ) ± 0 ° donde g si x u 0 si x 0 +(E ) ! ´ x 0 E 1  x e dx Recuerde +(n) ! (n  1)! que De manera que si E = 1 obtenemos nuestra recordada densidad exponencial de parámetro F. .Modelos de probabilidad continuos Una variable aleatoria sigue una ley de probabilidades Gamma de parámetros E y F (positivos).

De otra forma una variable aleatoria tiene una ley de probabilidad ji-cuadrado con n grados de libertad. y F = ½. cualquier n natural. donde los parámetros son E = n/2.Modelos de probabilidad continuos La densidad ji ± cuadrado. si su función de densidad es 1 ® x ( n / 2) 1e  ( x / 2) ± n/2 f ( x) ! ¯ 2 +(n / 2) ± si x 0 0 ° si x u 0 . que es una ley de densidad muy útil y frecuente es un caso especial de la Gamma.

Modelos de probabilidad continuos Una variable aleatoria tiene la ley de probabilidad t de Student con n grados de libertad. si su función de densidad es 1 + ?(n  1) / 2A¨ x ¸ f ( x) ! ©1  ¹ n º nT +(n / 2) ª 2  ( n 1) / 2 con  g x g Verifique (de cualquier manera) de que la densidad t de Student con n grados de libertad para n ³suficientemente´ grande se aproxima a la densidad normal de parámetros Q = 0 y W2 = 1 .

DISTRIBUCIONES DE PROBABILIDAD Introducción Parámetro: .

f(x)= 1/5 e± x/5, f(x)= 1/2 e± x/2, f(x)= 1/10
f(x)

x>0 x>0 x>0

f(x)= 1/. e± x/ ., x>0 Modelo exponencial
F(x)= 1 ± e± x/ ., x>0 Q= . W2= .2 M(t)= (1 ± . t )±1 x
57

e± x/10,

DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO La variable aleatoria X representa el tiempo que transcurre hasta la primera ocurrencia del proceso de Poisson P(P) Función de densidad: Función de distribución: F. generatriz de momentos: Media: Varianza: E(X) = . Var(X) = .2 f(x)= 1 e ± x/ ., x>0 . Siendo P = 1/. F(x) = 1- e ± x/ ., M(t) = (1- . t)±1 x>0 t< 1/ . 

La distribución exponencial tiene la propiedad de carencia o pérdida de memoria, esto es: P( X< s + t / x> s ) = P( X< t )
58

La distribución normal
La distribución normal fue reconocida por primera vez por el francés Abraham de Moivre (1667-1754).

Posteriormente, Carl Friedrich Gauss (1777-1855) realizó estudios más a fondo donde formula la ecuación de la curva conocida comúnmente, como la ³Campana de Gauss".

59

simétrica.W2) 1 x.Q 2 f(x)= 1 2T W e 2 W . centrada en Q y con puntos de inflexión en QsW . -g < x < g La distribución es campaniforme.DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO Modelo Normal Notación: X ~ N(Q.

generatriz de momentos: Media: Varianza: E(X) = Q Var(X) = W2 M(t)= e 2 .Q 2 f(x)= 1 2T W e 2 W . -g<x<g Qt+ 1W2t2 F.DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO Modelo Normal Notación: X ~ N(Q. W2) 1 x.

-g<z<g W2=1 M(t)= t2 e2 Función de distribución: está tabulada F(z)= Pr (Zez)=J(z) f(z) 0 z .1) f(z)= 1 2T Q=0 e 1 2 z 2 .DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO Modelo Normal Estándar Notación: z ~ N(0.

la variable resultante tiene media cero y desviación típica 1. y distribución normal estándar.1) Si a una v.µ Fx(x)= Pr (Xex) = Pr ( X.DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO Modelo Normal Si X ~ N ( .a. W2 )   Z = X.µ x.µ e )= Pr(Z e )= J( x.µ) TABLAS . normal le restamos su media y la dividimos por su desviación típica. En la práctica: x.µ b N(0.

entonces: Y ~ N (a Q b. W2) Otras propiedades: En toda distribución Normal se comprueba que: Pr( .3 e X e + 3 ) = 0.75 y 0.DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO Modelo Normal Notación: X ~ N(Q.997 Pr( que son intervalos más precisos que la acotación de Tchebychev (0. W2). Si Y = a X b. a2 W2 ) .2 e X e + 2 ) = 0.955 . siendo X ~ N (Q. 88. respectivamente).

5  np ¸ ¹ P ( a e X e b) } P© eZe © np (1  p ) np (1  p ) ¹ ª º Siendo Z la distribución normal estándar.5  np b  0. ¨ a  np P ( a e X e b) } P© eZe © np (1  p ) ª ¸ ¹ np (1  p ) ¹ º b  np O usando la corrección de continuidad de medio punto (cuando 20”n”50). la distribución binomial puede aproximarse bien por la distribución Normal de media Q=np y varianza 2= np(1-p). cada uno con probabilidad de éxito p. entonces. . ¨ a  0. Si n es grande y p no es ni demasiado grande ni pequeño.DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO Aproximación Normal a la distribución Binomial Sea X el nº de éxitos resultantes de n ensayos independientes.

a. dicha distribución puede aproximarse bien por la distribución Normal de media Q= y varianza 2= . ¨aP bP¸ P ( a e X e b) } P© eZe ¹ © ¹ P P º ª O usando la corrección de continuidad ¨ a  0. Si es grande. .5  ¸ e ¹ ¹ º Siendo Z la distribución normal estándar. de Poisson con media .DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO Aproximación Normal a la distribución Poisson Sea X una v.5  P ( a e X e b) } P© © ª e b  0. entonces.

p) N>50 n/Ne0. k. n) .RESUMEN DE CONVERGENCIAS DE DISTRIBUCIONES Normal N(Q.1 Poisson P(P) Hipergeométrica H(N. W2) nu20 Q=np W2 =np(1-p) P u10 Q= P W2 = P P=np np e7 Binomial B(n.

Gráficamente si decimos que a=150 libras. el área de la curva que nos interesa es la siguiente: 68 . con una media de 140 libras y una desviación estándar de 20 libras. Determine la probabilidad de que una persona tenga un peso menor o igual a 150 libras Paso 1 Interpretar gráficamente el área de interés.Ejemplos 1 Supongamos que sabemos que el peso de los/as estudiantes universitarios/as sigue una distribución aproximadamente normal.

Buscar en la tabla de probabilidades.Hacer la suma o resta de áreas para encontrar la probabilidad deseada. En este ejemplo no es necesario realizar ningún computo adicional ya que el área es la misma que se representa en la tabla ad-hoc (ver fotocopia) 69 .50 W 20 Buscamos en la Tabla 1 el valor Z=0.Determinar el valor Z: Paso 3 .50 y obtenemos el área de 0.6915 Paso 4 . ! X  Q 150  140 ! ! 0.Paso 2 .

el área de la curva que nos interesa es la siguiente: 70 . tenga un peso mayor o igual a 150 libras Paso 1 Interpretar gráficamente el área de interés. Gráficamente si decimos que a=150 libras.Ejemplo2 Si deseamos la probabilidad de que una persona. elegida al azar.

Hacer la suma o resta de áreas para encontrar la probabilidad deseada. Buscamos en la Tabla 1 el valor Z=0. 1 .Determinar el valor Z: X  Q 150  140 ! ! ! 0.50 W 20 Paso 3 .6915. En este caso debemos restarle 1 a la probabilidad encontrada.50 y obtenemos el área de 0. Paso 4 ..Buscar en la tabla de probabilidades. En este ejemplo el área de 0.6915 = 0.Paso 2 .3085 71 .6915 no representa el área que nos interesa sino la contraria.

Ejemplo 3 Determine la probabilidad de que una persona. elegida al azar. el área de la curva que nos interesa es la siguiente: 72 . tenga un peso menor o igual a 115 libras Paso 1 Interpretar gráficamente el área de interés. Gráficamente si decimos que a=115 libras.

8944. 1 . Paso 4 .8944 no representa el área que nos interesa sino la contraria..Buscar en la tabla de probabilidades. En este ejemplo el área de 0.2212 73 . En este caso debemos restarle 1 a la probabilidad encontrada.25 y obtenemos el área de 0.25 W 20 Paso 3 .8944 = 0.Determinar el valor Z: X  Q 115  140 Z! ! ! 1.Hacer la suma o resta de áreas para encontrar la probabilidad deseada. Buscamos en la Tabla 1 el valor Z=-1.Paso 2 .

Ejemplo 4 Si deseamos la probabilidad de que una persona. elegida al azar. Gráficamente si decimos que a=115 libras y b=150 libras. Paso 1 Interpretar gráficamente el área de interés. tenga un peso entre 115 y 150 libras. el área de la curva que nos interesa es la siguiente 74 .

Buscamos en la Tabla 1 el valor Z=0.8944.25 W 20 X  Q 150  140 Z! ! ! 0.25 y obtenemos el área de 0.50 y obtenemos el área de 0.Determinar el valor Z X  Q 115  140 ! ! ! 1.6915 75 .Buscar en la tabla de probabilidades. Buscamos en la Tabla 1 el valor Z=-1.Paso 2 .50 W 20 Paso 3 .

8944 ± (1-.8944 se le resta la diferencia de 1-.6915.Hacer la suma o resta de áreas para encontrar la probabilidad deseada.Paso 4 .6915) = .5859 76 . El área de 0. 0.

podemos tipificar y observar las puntuaciones sobre una distribución de referencia N(0. 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. Podríamos pensar en principio que A es mejor candidato para la beca. ± El estudiante B tiene una calificación de 80 en un sistema donde la calificación de los alumnos se comporta como N(70. 77 . ± El estudiante A tiene una calificación de 8 en un sistema donde la calificación de los alumnos se comporta como N(6.Ejemplo 5 ‡ Se quiere dar una beca a uno de dos estudiantes de sistemas educativos diferentes.1).1) ‡ xA  Q A 8  6 ! !2 zA ! 1 WA xB  Q B 80  70 ! !1 zB ! 10 WB ± Como ZA>ZB. pero como ambas poblaciones se comportan de modo normal. Solución ± No podemos comparar directamente 8 puntos de A frente a los 80 de B.10). Se asignará al que tenga mejor expediente académico.

± Significación. Típicamente aparecen como distribuciones de ciertos estadísticos. Para más detalles consultad el manual. p-valores. podemos encontrar otras (asociadas): ± X2 (chi cuadrado) ± t. ‡ Sobre todo nos interesa saber qué valores de dichas distribuciones son ³atípicos´.« 78 . ‡ Dependiendo del problema. ‡ Veamos algunas propiedades que tienen (superficialmente).Distribuciones asociadas a la normal ‡ Cuando queramos hacer inferencia estadística hemos visto que la distribución normal aparece de forma casi inevitable.student ± F-Snedecor ‡ Estas distribuciones resultan directamente de operar con distribuciones normales.

Integral. « Hay modelos de v.a. de especial importancia: ± Bernoulli ± Binomial ± Poisson ± Normal ‡ Propiedades geométricas ‡ Tipificación ‡ Aparece tanto en problemas con variables cualitativas (dicotómicas. Bernoulli) como numéricas ‡ Distribuciones asociadas ± T-student ± X2 ± F de Snedecor ‡ 79 .¿Qué hemos visto? ‡ En v. ± Valor esperado media. hay conceptos equivalentes a los de temas anteriores ± Función de probabilidad Frec. ± Función de densidad histograma ± Función de distribución diagr.a. Relativa.