Prof. Juan Carlos Miranda C.

Valdivia, Mayo 2011

 Variable aleatoria: caso discreto y continuo

Esperanza y varianza: caso discreto y continuo
Funcin de probabilidad: caso discreto y continuo
Distribuciones de probabilidad o modelo: caso discreto y continuo
2

Definicin:
Una variable aleatoria es una descripcin
numrica del resultado de un experimento

Tipos:

Variable aleatoria Discreta

Variable aleatoria Continua

Variable aleatoria
Una variable aleatoria X es una funcin que asocia a
cada suceso del espacio muestral E de un experimento
aleatorio un valor numrico real:

X :E
w X ( w)
Llamar variable a una funcin resulta algo confuso,
por ello hay que insistir en que es una funcin.
La variable aleatoria puede ser discreta o continua.
Veremos en este captulo el caso discreto.

Funcin de probabilidad Discreta

Una vez definida una variable aleatoria X, podemos
definir una funcin de probabilidad asociada a X, de
la siguiente forma:

p : [0,1]
x p( x) P( X x)
La funcin de probabilidad debe cumplir:

(i ) p ( x) 0 x
(ii ) p ( x) 1
x

(Suma sobre todos los posibles valores

que puede tomar la variable aleatoria).

Funcin de probabilidad Continua

Una vez definida una variable aleatoria X, podemos
definir una funcin de probabilidad asociada a X, de
la siguiente forma:

p : [0,1]
x p ( x) P( X x)

La funcin de probabilidad debe cumplir:

(i ) f ( x) 0 x

(ii )

f ( x)d ( x) 1

Esperanza y varianza de una variable aleatoria

La interpretacin es bastante sencilla

E X k k pk
k 0

posibles valores de X

probabilidad que la
variable tome el valor k

El valor promedio que puede

asumir la variable

V X k E X pk
2

k 0

Desviacin
cuadrtica promedio

Desviacin cuadrtica de los posibles

valores de X respecto de su promedio E[X]

Esperanza y varianza de una variable aleatoria

La interpretacin para el caso continuo es similar. En efecto

E X x

x f ( x) dx

posible valor de X
El valor promedio que puede
asumir la variable

VX
Desviacin
cuadrtica promedio

Probabilidad de que la variable

aleatoria X tome un valor en el
intervalo [x, x + dx]

x E X

f ( x) dx

Desviacin cuadrtica de los posibles

valores de X respecto de su promedio E[X]

Ejemplos variable aleatoria discreta

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 da

Cantidad de clientes

0,1,2,3.

Vender un automvil

Sexo Cliente

0 si es hombre y 1 si es
mujer

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

(mx =12.1 onzas)

Cantidad de onzas

Proyecto para construir un

biblioteca

Porcentaje de terminado
del proyecto

Ensayar un nuevo
proceso qumico

Temperatura cuando se
lleva a cabo la reaccin
deseada (min 150 F; mx
212F)

0<=x<=12.1

10

0<=x<=100

150<=x<=212

X:E

Sea el experimento lanzar 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 funcin de probabilidad es:
f : [0,1]

f (2) P(X 2 ) P( (1,1) ) 1/ 36

f (3) P(X 3 ) P( (1,2) (2 ,1) ) 2 / 36

f (4) P(X 4 ) P( (1,3) (3,1) (2,2) ) 3 / 36

...

Funcin de probabilidad de la variable aleatoria X

6/36

5/36

5/36

4/36

4/36

3/36

3/36

2/36

2/36

1/36

1/36

10

11

12

Observa que cumple las dos condiciones: es siempre positiva y est

normalizada.

Funcin de distribucin
Dada una variable aleatoria discreta X se llama
funcin de distribucin a la funcin F definida
como:

F : [0,1]

x F ( x) P( X x)
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

Funcin de distribucin de la variable aleatoria X

F
1,0

0,5

0,028
2

10 11

12

Ejemplo: Dibuja la funcin de probabilidad f(x) y la funcin de

distribucin F(x) de una variable discreta definida como:
X = Nmero en la cara de un dado.

X tiene como posibles valores x = 1, 2, 3, 4, 5, 6 cada

uno con probabilidad 1/6

1
6

F(x)

f(x)

0.5

Funcin de probabilidad f(x)

0 1

Funcin de distribucin F(x)

Algunos problemas de probabilidad estn relacionados con la

probabilidad P(a <X b) de que X asuma algn 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 ms de 8.
P(4 < X 8) = F(8) - F(3) = 26/36 - 3/36 = 23/36

Algunas propiedades de la funcin de distribucin

F () lim F ( x) lim P( X x) P() 1

x

F () lim F ( x) lim P ( X x) P () 0
x

P ( x1 X x2 ) F ( x2 ) F ( x1 )
F es montona 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 funcin de distribucin
en ese punto.

Esperanza matemtica o media

de un distribucin discreta

E X xi P( X xi ) xi p( xi )
i

xi
-1
0
1
2
3

P(X) Xi*p(x)
0.1
0.2
0.4
0.2
0.1

-0.1
0.0
0.4
0.4
0.3
1.0


(316

E
X
)26
(3
x.36)7
P

.362
7
1i
2ii

Calcular la esperanza de la variable aleatoria X

en el ejemplo de los dos dados:

Varianza y desviacin estndar o tpica de

una distribucin discreta
Varianza

Var ( X ) M 2 E (( X ) )
2

(x )
i

P( X xi )

Desviacin estndar o tpica

Var ( X )

Ambas miden la dispersin de los datos. Observa que la desviacin

tpica lo hace con las mismas unidades que los propios datos.

Ejemplo
Xi

P(X)

-1
0
1
2
3

.1
.2
.4
.2
.1

-2
-1
0
1
2

( X ) ( X ) P( X )
2

4
1
0
1
4

2 ( xi ) 2 P ( xi ) 1,2
i

Var ( X ) 1.10

0.4
0.2
0.0
0.2
0.4
1.2

V
a316r(2X)7
(26x)37).316(27)5,83
P

12i2ii22

Calcula la varianza y desviacin tpica de la

variable aleatoria X en el ejemplo de los dos
dados:

Var ( X ) 5,83 2,41

Algunas propiedades de la varianza

Var ( X ) ( xi ) p ( xi )
2

(x

p ( xi ) 2 xi p ( xi )

2 xi ) p ( xi )
2

E ( X ) 2 E ( X ) ( E ( X ))
2

E ( X ) ( E ( X ))
2

Esperanza y varianza de variables aleatoria discretas usuales

Modelo
Bernoulli
Binomial

parmetros
0 p 1

n 1,2,
0 p 1

Poisson

Geomtrica
Hipergeomtrica

0
0 p 1

N , r, n
r, n N

probabilidad
Pr{ X k}
1 p si k 0

p si k 1

n k
p (1 p) n k
k

k 0,1, , n

k
k!

(1 p ) k 1 p
r

k

k 0,1,2,
k 1,2,

N r

n k
N
k 0,1, , n

n

media

varianza

p (1 p )

np

np(1 p)

tarea

tarea

tarea

tarea

Distribucin de Bernoulli
Experimento de Bernoulli: solo son
posibles dos resultados: xito o fracaso.
Podemos definir una variable aleatoria
discreta X tal que:
xito 1
fracaso 0
Si la probabilidad de xito es p y la de fracaso q = 1 - p,
podemos construir una funcin de probabilidad:
x 1 x

P( X x) p q

x 0,1

Ejercicio: Calcular la esperanza y la varianza de la

distribucin de Bernoulli.
1

E[ X ] x P ( X x)
x 0

0 P ( X 0) 1 P ( X 1) p
1

Var ( X ) E[ X ] ( E[ X ]) x P( X x) p
2

x 0

0 P ( X 0) 1 P( X 1) p
2

p p p (1 p ) pq
2

Experimento Binomial (Propiedades)

El experimento consiste en una sucesin de n intentos o
ensayos idnticos.
En cada intento o ensayo son posibles dos resultados. A
uno lo llamaremos xito y al otro fracaso.
La probabilidad de un xito, 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
idnticos de lanzar una moneda.
Propiedad 2: Cada intento da como resultado un xito (E)
o un fracaso (F).
Intentos
Resultados

1
E

2
F

3
F

4
E

5
E

6
F

7
E

8
E

Experimento Binomial (Propiedades)

Cantidad de resultados experimentales con exactamente x
xitos en n intentos

n
n!
x
x ! n x !

Tambin es necesario conocer la probabilidad asociada a
cada uno de los resultados experimentales el cual se puede
determinar a travs de la siguiente relacin

p (1 p)
x

(n x)

La distribucin de probabilidad Binomial P(X = k)

ser:
n x
n!
n x
x
n x
B(n, p ) p ( x) p (1 p )
p (1 p )
x!(n x)!
x
Distribucin binomial para n = 5 y
distintos valores de p, B(5, p)

30

Ejemplo 1 B(n,p)
Aplicando la formula de la distribucin Binomial
En una fbrica de cmaras el 5% sale con defectos.
Determine la probabilidad de que en una muestra de 12 se
encuentren 2 cmaras defectuosas.
Solucin :

n k nk
P[ X k ] p q , 0 k n
k

Se trata de una distribucin binomial de parmetros B(12,

0.05). Debemos calcular la probabilidadde 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 estar en x=2
El resultado es 0.0988
31

Ejemplo 2 B(n,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. l sabe que la probabilidad de que un cliente
compre es de 0.3

3
3!
3
2
2! 3 2 !

0.3 (1 p)
2

(3 1)

0.063

Cantidad de resultados experimentales

Probabilidad de cada resultado
experimental en donde 2 de los tres
clientes compran

Luego 30.063 = 0.189, probabilidad de que de 3 clientes

que ingresan a la tienda 2 compren

Caractersticas de la distribucin binomial

Media
= E(X) = n p
= 5 0.1 = 0.5
= 5 0.5 = 0.25
Desviacin estndar

np (1 p)
5 0.1 (1 0.1) 0.67
5 0.5 (1 0.5) 1.1

P(X)
.6
.4
.2
0
0

n = 5 p = 0.1

P(X)
.6
.4
.2
0
0

n = 5 p = 0.5

X
1

X
1

5
33

Distribucin de Poisson
Francs Simen Dennis Poisson (1781-1840)

Tambin se denomina de sucesos raros.

Se obtiene como aproximacin de una distribucin
binomial con la misma media, para n grande (n>30)
y p pequeo (p<0,1).
Queda caracterizada por un nico parmetro (que es
a su vez su media y varianza.)
Funcin de probabilidad:
e = 2.71828 (es una constante, la base de los logaritmos naturales)

P[ X k ] e

k
, k 0,1,2,...
k!

Distribucin Poisson
Es una distribucin 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

Distribucin Poisson
La distribucin de Poisson se expresa como:
(x = cantidad de ocurrencia)

e k
p( x)
, x 0 ,1,2 , ...
x!

Se puede usar este distribucin de probabilidad como

una aproximacin de la distribucin binomial cuando p,
la probabilidad xito es pequea y n, la cantidad de
intentos, es grande. Tan slo se iguala m=np
Observa que si p es pequea, el xito es un suceso raro.

La distribucin de Poisson se obtiene como aproximacin de

una distribucin binomial con la misma media, para n
grande (n > 30) y p pequeo (p < 0,1). Queda caracterizada
por un nico parmetro (que es a su vez su media y
varianza).
n p =

Distribucin de Poisson para varios valores de .

Caractersticas de la Distribucin de Poisson

Media
E (X )

P(X)
.6
.4
.2
0
0

Desviacin estndar

P(X)
.6
.4
.2
0
0

Nota: el mximo de la distribucin

se encuentra en x

38

= 0.5
X
1

= 6
X
2

10

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

Ejemplo1: la funcin F (x=k)

La probabilidad de que haya un accidente en una
compaa de manufactura es de 0.02 por cada da de
trabajo. Si se trabajan 300 das al ao, cul es la
probabilidad de tener 3 accidentes?
Cmo 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 distribucin de
Poisson:
Al realizar el cmputo tenemos que P(x = 3) = 0.0892
Por lo tanto, la probabilidad de tener 3 accidentes
laborales en 300 das de trabajo
es de 8.9%.
40

Aproximacin Poisson de la distribucin binomial

Sea X el n de xitos resultantes de n ensayos independientes, cada uno

con probabilidad de xito p. La distribucin del n de xitos es binomial de
media np. Sin embargo, si el n de ensayos n es grande y np tiene un
tamao moderado (preferiblemente np7), esta distribucin puede
aproximarse bien por la distribucin de Poisson de media =np.
La funcin de probabilidad de la distribucin aproximada es entonces:

p( x)

np

(np )
x!

41

Distribucin Poisson
Un director regional tiene la responsabilidad del desarrollo
de una empresa, y le preocupa la cantidad de quiebras de
empresas pequeas. Si la cantidad promedio de quiebras de
empresas pequeas por mes es de 10, cul es la
probabilidad de que quiebren exactamente 4 empresas
pequeas 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 dems meses

42

Ejemplo 2: Aproximacin de la Binomial(n,p) a la

Poisson()
Si la probabilidad de fabricar un televisor defectuoso es
p = 0.01, cul es la probabilidad de que en un lote de 100 televisores
contenga ms de 2 televisores defectuosos?
La distribucin binomial nos dara el resultado exacto:
100 99
c

P ( A )

0 100

100

100 99

1 100

0.9206

99

1 100 99

100 2 100
n x n x
p q
x

p ( x )

98

100

( x 0,1,....n)

El suceso complementario Ac: No ms de 2 televisores defectuosos

puede aproximarse con una distribucin de Poisson con = np = 1,
sumando p(0) + p(1) + p(2).
1

P ( A ) e (1 1 12 ) 0.9197
c

43

x
p( x)
e
x!

( x 0,1,....)

Ejemplo 3: Poisson
Si en promedio, entran 2 coches por minuto en un garaje, cul es la
probabilidad de que durante un minuto entren 4 o ms 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 pequeo ser tambin pequeo
podemos aproximar la distribucin a una Poisson con = np = 2.
El suceso complementario entran 3 coches o menos tiene probabilidad:
2 20
0!

P ( A ) p (0) p(1) p (2) p (3) e (

c

y la respuesta es 1 0.857 = 0.143

21
1!

22
2!

x
p( x)
e
x!

) 0.857
23
3!

( x 0,1,....)
44

DISTRIBUCIONES DE PROBABILIDAD DE TIPO DISCRETO

Modelo Hipergeomtrico
Notacin: X ~ H(N, k, n)
Poblacin: N
k xitos
N-k fracasos

Un conjunto de N objetos contiene: k objetos

clasificados como xitos y N-K como fracasos.
Se toma una muestra de tamao n, al azar y
(sin reemplazo) de entre los N objetos.

Muestra
n

La v.a. Hipergeomtrica X representa el n de xitos en la muestra

Funcin de probabilidad
k N k

x n x

p( x)
N

n

k
E ( X ) np
siendo p
N
N n
V ( X ) np (1 p)
N 1

Si el tamao muestral n es muy pequeo en relacin al nmero total de

elementos, N, las probabilidades hipergeomtricas son muy parecidas a las
binomiales, y puede usarse la distribucin binomial en lugar de la
hipergeomtrica.
45

Ejemplo de Hipergeomtrica
Se debe seleccionar 2 miembros de un comit, entre 5,
para que asistan a una convencin en Santiago.
Suponga que el comit est 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 clculo de la probabilidad es:
3 2
2 0
3

f (2)

0.3
10
5
2

46

Funcin de Probabilidad (funcin densidad):

Caso Continuo
Definicin
Es una funcin no negativa de integral 1.
Pinsalo como la generalizacin del
histograma con frecuencias relativas
para variables continuas.
Para qu lo voy a usar?
Nunca lo vas a usar directamente.
Sus valores no representan
probabilidades.

47

Funcin de distribucin
Es la funcin que asocia a cada valor de una
variable, la probabilidad acumulada
de los valores inferiores o iguales.
Pinsalo como la generalizacin de las
frecuencias acumuladas. Diagrama integral.
A los valores extremadamente bajos les corresponden valores de la funcin de
distribucin cercanos a cero.
A los valores extremadamente altos les corresponden valores de la funcin de
distribucin cercanos a uno.
Lo encontraremos en los artculos y aplicaciones en forma de p-valor, significacin,

48

Funcin de distribucin y modelos de probabilidad continuos

Sea f(x) una funcin de densidad para la variable aleatoria X,
definamos la funcin
x

F ( x)

f (t ) dt Pr X x

La funcin F(x) tiene las siguientes propiedades:

Es continua por la derecha (en realidad es continua)
F es no decreciente ( es funcin creciente no necesariamente estricta)

lim F ( x) 0

lim F ( x) 1

Estas buenas propiedades las hereda de la funcin de

densidad y de la integracin, evidentemente. En cualquier
caso se dice que F(x) es la funcin de distribucin de la
variable X.

Funcin de distribucin y modelos de probabilidad continuos

Ahora, toda funcin F(x) que satisface lo siguiente:
Es continua por la derecha
F es no decreciente
lim F ( x) 0
x

F ( x) 1
xlim

se dice que es una funcin de distribucin, y adems ella

define una nica probabilidad sobre R de tal forma que:

Pr , x F ( x)
Se puede demostrar
que

Pr , x F ( x )

Pr a, b F (b ) F (a)

Pr a, b F (b) F (a )

Funcin de distribucin y modelos de probabilidad continuos

Si F(x) es una funcin de distribucin continua (esto es que
continua por la derecha y continua por la izquierda), y adems es
derivable en todo los reales, excepto tal vez en un nmero finito
de puntos, entonces

d F ( x)
f ( x)
dx
Es una funcin de densidad, donde en los puntos, que son finitos,
en que no est definida por que no existe la derivada de F(x) se
redefinen arbitrariamente.
En general, se dir que una variable aleatoria X es continua, si ella
tiene una probabilidad generada por una funcin de densidad.

Modelos de probabilidad continuos

Los modelos de variables aleatoria continuas ms usuales son:
Uniforme en (a, b). Se dice que una variable aleatoria es uniforme
en (a, b) si su funcin de densidad est dada por

f ( x)

1
ba
0

si a x b
si x (a, b)

En particular si (a, b) = (0, 1), es tiene la densidad en (0, 1)

como

1
f ( x)
0

si x (0,1)
si x (0,1)

Modelos de probabilidad continuos

Normal de parmetros y 2. Se dice que una variable aleatoria
sigue una ley normal de parmetros y 2 si su funcin de densidad
es

f ( x)

1
2

1 ( x )2
2 2

En particular si = 0 y 2 = 1, se tiene
que

1
f ( x)
2

1 2
x
2

Modelos de probabilidad continuos

Una variable aleatoria sigue una ley de probabilidades Gamma de
parmetros y (positivos), si su funcin de densidad es

1 x
x e

f ( x) ( )
0

donde

si x 0
si x 0

( ) x 1e x dx
0

Recuerde
(n) ( n 1)!
que
De manera que si = 1 obtenemos nuestra recordada densidad
exponencial de parmetro .

Modelos de probabilidad
continuos

La densidad ji cuadrado, que es una ley de densidad muy til y

frecuente es un caso especial de la Gamma, donde los parmetros
son = n/2, cualquier n natural, y = . De otra forma una variable
aleatoria tiene una ley de probabilidad ji-cuadrado con n grados de
libertad, si su funcin de densidad es

f ( x)

1
( n / 2) 1 ( x / 2)
x
e
n/2
2 (n / 2)
0
si x 0

si x 0

Modelos de probabilidad continuos

Una variable aleatoria tiene la ley de probabilidad t de Student con
n grados de libertad, si su funcin de densidad es

1 (n 1) / 2
f ( x)
1
n (n / 2)

( n 1) / 2

con x

Verifique (de cualquier manera) de que la densidad t de Student con

n grados de libertad para n suficientemente grande se aproxima a
la densidad normal de parmetros = 0 y 2 = 1

DISTRIBUCIONES DE PROBABILIDAD
Introduccin
Parmetro:

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

f(x)= 1/ e x/ , x>0
Modelo exponencial

, x>0

F(x)= 1 e x/ , x>0
f(x)

=
2 = 2
M(t)= (1 t )1
57

DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO

La variable aleatoria X representa el tiempo que transcurre
hasta la primera ocurrencia del proceso de Poisson P( )

Funcin de distribucin:

F(x) = 1- e

F. generatriz de momentos:

M(t) = (1- t)1

Media:

E(X) =

Varianza:

Var(X) = 2

x/

x>0
t< 1/

La distribucin exponencial tiene la propiedad de carencia o

prdida de memoria, esto es: P( X< s + t / x> s ) = P( X< t )
58

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

Posteriormente, Carl Friedrich Gauss (1777-1855)

realiz estudios ms a fondo
donde formula la ecuacin de la curva
conocida comnmente, como la
Campana de Gauss".

59

DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO

Modelo Normal
Notacin: X ~ N(,2)

La distribucin es
campaniforme,
simtrica, centrada
en y con puntos de
inflexin en

DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO

Modelo Normal
Notacin: X ~ N(, 2)

t+ 2t2

F. generatriz de momentos:
Media:
Varianza:

E(X) =
Var(X) = 2

M(t)= e

DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO

Modelo Normal Estndar
Notacin: z ~ N(0,1)

=0

t22

2=1

M(t)= e

Funcin de distribucin: est tabulada F(z)= Pr (Zz)=(z)

f(z)

DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO

Modelo Normal

En la prctica:
x-
x-
Fx(x)= Pr (Xx) = Pr ( X-
)= Pr(Z
)= ( x- )

TABLAS

DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO

Modelo Normal
Notacin: X ~ N(, 2)
Otras propiedades:
En toda distribucin Normal se
comprueba que:
Pr( - 2 X + 2 ) = 0,955
- 3 X + 3 ) = 0,997

Pr(

que son intervalos ms precisos que la

acotacin de Tchebychev (0,75 y 0, 88,
respectivamente).

Si Y = a X b, siendo X ~ N (, 2), entonces:

Y ~ N (a b, a2 2 )

DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO

Aproximacin Normal a la distribucin Binomial
Sea X el n de xitos resultantes de n ensayos independientes, cada uno
con probabilidad de xito p. Si n es grande y p no es ni demasiado
grande ni pequeo, entonces, la distribucin binomial puede aproximarse
bien por la distribucin Normal de media =np y varianza 2= np(1-p).

P ( a X b) P

a np

np (1 p )

b np

np(1 p)

O usando la correccin de continuidad de medio punto (cuando 20n50).

P ( a X b) P

a 0,5 np

np (1 p )

Siendo Z la distribucin normal estndar.

b 0,5 np
np (1 p )

DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO

Aproximacin Normal a la distribucin Poisson
Sea X una v.a. de Poisson con media . Si es grande, entonces, dicha
distribucin puede aproximarse bien por la distribucin Normal de media
= y varianza 2= .

P( a X b) P

O usando la correccin de continuidad

a 0,5

P (a X b) P

Siendo Z la distribucin normal estndar.

b 0,5

RESUMEN DE CONVERGENCIAS DE DISTRIBUCIONES

Normal
N(, 2)
n20

=np
2 =np(1-p)

Binomial
B(n,p)
N>50
n/N0,1

Hipergeomtrica
H(N, k, n)

10
=
2 =
=np
np 7

Poisson
P()

Ejemplos 1
Supongamos que sabemos que el peso de los/as estudiantes
universitarios/as sigue una distribucin aproximadamente
normal, con una media de 140 libras y una desviacin
estndar de 20 libras.
Determine la probabilidad de que una persona
tenga un peso menor o igual a 150 libras
Paso 1 Interpretar grficamente el rea de inters.
Grficamente si decimos que a=150 libras, el rea de la
curva que nos interesa es la siguiente:

68

Paso 2 - Determinar el valor Z:

X 150 140

0.50

20

Paso 3 - Buscar en la tabla de probabilidades.

Buscamos en la Tabla 1 el valor Z=0.50 y obtenemos el rea de 0.6915

Paso 4 - Hacer la suma o resta de reas para encontrar la probabilidad

deseada.
En este ejemplo no es necesario realizar ningn computo adicional ya que
el rea es la misma que se representa en la tabla ad-hoc (ver fotocopia)

69

Ejemplo2
Si deseamos la probabilidad de que una persona,
elegida al azar, tenga un peso mayor o igual a 150 libras
Paso 1 Interpretar grficamente el rea de inters.

Grficamente si decimos que a=150 libras, el rea de la curva

que nos interesa es la siguiente:

70

Paso 2 - Determinar el valor Z:

X 150 140
Z

0.50

20
Paso 3 - Buscar en la tabla de probabilidades.
Buscamos en la Tabla 1 el valor Z=0.50 y obtenemos el rea de
0.6915.
Paso 4 - Hacer la suma o resta de reas para encontrar la
probabilidad deseada.
En este ejemplo el rea de 0.6915 no representa el rea que nos
interesa sino la contraria. En este caso debemos restarle 1 a la
probabilidad encontrada.
1 - .6915 = 0.3085
71

Ejemplo 3
Determine la probabilidad de que una persona, elegida al
azar, tenga un peso menor o igual a 115 libras
Paso 1 Interpretar grficamente el rea de inters.
Grficamente si decimos que a=115 libras, el rea de la curva
que nos interesa es la siguiente:

72

X 115 140
Z

1.25

20

Paso 2 - Determinar el valor Z:

Paso 3 - Buscar en la tabla de probabilidades.

Buscamos en la Tabla 1 el valor Z=-1.25 y obtenemos el rea
de 0.8944.

Paso 4 - Hacer la suma o resta de reas para encontrar la

probabilidad deseada.
En este ejemplo el rea de 0.8944 no representa el rea que nos
interesa sino la contraria. En este caso debemos restarle 1 a la
probabilidad encontrada.
1 - .8944 = 0.2212
73

Ejemplo 4
Si deseamos la probabilidad de que una persona,
elegida al azar, tenga un peso entre 115 y 150 libras.
Paso 1 Interpretar grficamente el rea de inters.
Grficamente si decimos que a=115 libras y b=150 libras, el
rea de la curva que nos interesa es la siguiente

74

Paso 2 - Determinar el valor Z

Z

X 115 140

1.25

20

X 150 140

0.50

20

Paso 3 - Buscar en la tabla de probabilidades.

Buscamos en la Tabla 1 el valor Z=-1.25 y obtenemos el rea de
0.8944.
Buscamos en la Tabla 1 el valor Z=0.50 y obtenemos el rea de
0.6915

75

Paso 4 - Hacer la suma o resta de reas para encontrar la

probabilidad deseada.
El rea de 0.8944 se le resta la diferencia de 1-.6915.
0.8944 (1-.6915) = .5859

76

Ejemplo 5

Se quiere dar una beca a uno de dos estudiantes de sistemas educativos diferentes. Se asignar al que
tenga mejor expediente acadmico.
El estudiante A tiene una calificacin de 8 en un sistema donde la calificacin de los alumnos se
comporta como N(6,1).
El estudiante B tiene una calificacin de 80 en un sistema donde la calificacin de los alumnos se
comporta como N(70,10).
Solucin
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 distribucin de referencia N(0,1)

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 compaeros del mismo sistema de estudios que
ha superado en calificacin el estudiante A es mayor que el que ha superado B. Podramos pensar
en principio que A es mejor candidato para la beca.

77

Distribuciones asociadas a la normal

Cuando queramos hacer inferencia estadstica hemos visto que la
distribucin 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. Tpicamente aparecen como distribuciones de ciertos
estadsticos.
Veamos algunas propiedades que tienen (superficialmente). Para ms
detalles consultad el manual.
Sobre todo nos interesa saber qu valores de dichas distribuciones son
atpicos.
Significacin, p-valores,
78

Qu hemos visto?

En v.a. hay conceptos equivalentes a los de temas anteriores

Funcin de probabilidad Frec. Relativa.
Funcin de densidad histograma
Funcin de distribucin diagr. Integral.
Valor esperado media,
Hay modelos de v.a. de especial importancia:
Bernoulli
Binomial
Poisson
Normal
Propiedades geomtricas
Tipificacin
Aparece tanto en problemas con variables cualitativas (dicotmicas, Bernoulli) como
numricas
Distribuciones asociadas
T-student
X2
F de Snedecor

79