Vous êtes sur la page 1sur 105

Unidad 3: Variables aleatorias y sus distribuciones muestrales

En esta unidad proseguiremos el estudio de la probabilidad que empezamos en


el anterior, pero ahora aprenderemos conceptos como el de variable aleatoria
y distribuciones de probabilidad, así como a calcular la esperanza
matemática, entre otras cosas. En el esquema siguiente se muestran los
temas que abordaremos.
Características
 Una variable aleatoria es un medio para describir los
resultados del espacio muestral empleando números, es decir,
es una función que asigna valores numéricos a cada uno de los
eventos del espacio muestral. Puede ser discreta o continua
y se acostumbra representarla con una X.
 Como ejemplos de variables aleatorias tenemos:

 El Número de veces que sale 6 al lanzar un dado dos veces.


 El tiempo que requieres para hablar por teléfono celular con tu
mejor amig@: los valores serían de 0 a k, donde k es el tiempo que
tengas disponible, de que dure la batería o de que tu amig@ resista.
CALCULAR LA CORRIENTE QUE CIRCULA, LA CAIDA DE
POTENCIAL EN CADA RESISTENCIA Y LA POTENCIA CONSUMIDA
EN TOTAL Y POR CADA RESISTENCIA

CALCULAR LA CORRIENTE QUE CIRCULA, LA CAIDA DE POTENCIAL EN


CADA RESISTENCIA, LA CORRIENTE EN CADA RESISTENCIA Y LA
POTENCIA CONSUMIDA EN TOTAL Y POR CADA RESISTENCIA
UN CILINDRO DE PLASTILINA CONDUCTORA SE CONECTA A UNA FUENTE
DE voltaje DE MODO QUE CIRCULA POR ÉL UNA CORRIENTE DE 100 mA..
SE AMASA EL CILINDRO PARA FORMAR OTRO según se muestra en la figura Y SE
VUELVE A CONECTAR A LA MISMA FUENTE DE voltaje. ¿ CUANTO VALE LA NUEVA
CORRIENTE ?

LA PILA TIENE UNA TENSION DE 10 VOLTIOS Y LAS RESISTENCIAS


VALEN R1 = 1 Ω, R2 = 2 Ω, R3 = 3 Ω Y R4 = 4 Ω .
CALCULAR:

A ) - LA RESISTENCIA EQUIVALENTE
B ) - LA CORRIENTE QUE CIRCULA POR LA PILA
C ) – LA CORRIENTE QUE CIRCULA POR R1 Y R2
Ejemplo: En una familia de 3 hijos, cuál es la
probabilidad de que haya un varón o menos?

a) Variable aleatoria X=
“Cantidad de varones”

1 3 1
X  1)  p(0)  p(1)   
8 8 2

b) Diagrama de su distribución
de probabilidad
Variable aleatoria general X
Variable aleatoria
 Hemos definido una función del espacio muestral en
la recta. Tales funciones X, cuyos valores dependen
del resultado de un experimento aleatorio se
llaman variables aleatorias.
 Si toma ciertos valores aislados de un intervalo, es
v.a. discreta, si no continua.
 La distribución se puede representar como:
 Tabla
 Diagrama
 Fórmula
Variable aleatorias discretas
 Las variables aleatorias discretas son aquellas en
que el número de valores posibles que toman es
finito o infinito, pero que puede numerarse.

 En la tabla siguiente se muestran algunos


ejemplos de variables aleatorias discretas:
Distribución de probabilidad
 Una vez que determinamos los valores de la
variable aleatoria, les asignamos una
probabilidad, y a esto se le llama distribución de
probabilidad.
 Las propiedades que debe cumplir una
distribución de probabilidad son:

 donde Xi es el valor de la variable aleatoria y


P(Xi ) es la probabilidad asociada al valor Xi.
Variable aleatorias discretas
 Una variable aleatoria discreta X está definida por los
valores que toma y sus probabilidades, las cuales deberán
sumar 1.

 donde las probabilidades

 Esta tabla se conoce como ley de probabilidad,


distribución de probabilidad, función de probabilidad
o función de masa de probabilidad.
 Gráficamente, se representa con un diagrama de barras
Distribución de probabilidad
 Una distribución de probabilidad puede representar:

 En forma tabular: es una tabla donde se muestran en una columna


todos los posibles valores de la variable aleatoria y en otra columna
las probabilidades asociadas a cada valor.
 En forma gráfica: es una gráfica de barras cuyas alturas
corresponden a la probabilidad de cada valor de la variable aleatoria.
 En forma de función: cuando la distribución de probabilidad se
define mediante una fórmula. A esta expresión se le llama función de
probabilidad.

 Ejemplo: Se lanzan dos monedas “justas” y se cuenta el número de


“soles”. Determina la función de probabilidad para este experimento
y traza la gráfica correspondiente.
Ejemplos  Cuando realizamos el
experimento aleatorio “elegir un
número al azar entre 1 y N”, la
 Cuando realizamos el variable aleatoria X=“valor que se
experimento aleatorio “lanzar un observa” se llama variable
dado”, podemos considerar la uniforme discreta. Su función de
variable X=“1 si el resultado es probabilidad es muy simple, y
par, y 0 si es impar”. aparece dibujada en la Figura
 Su ley de probabilidad es siguiente
Ejemplo

 Dada la siguiente tabla:


Ejemplo

 Se lanza un dado “justo” y se apunta el número que se observa en la cara


superior. De acuerdo con esto:

 a. Determina la distribución de probabilidad.


 b. Calcula la probabilidad de que el número sea un número par.
 c. Calcula la probabilidad de que el número sea menor que 3.
Función de distribución

 Es la función que asocia a un punto a la probabilidad acumulada hasta ese punto:

 En el caso de una variable discreta:

 Siendo todos los


 En las siguientes figuras podemos ver la ley de probabilidad y la función
de distribución de una variable discreta X:

 La función de distribución es una función no decreciente que siempre varía


entre 0 y 1. Matemáticamente
 Donde, como vemos, en los puntos
xi, en los que precisamente la función no es continua (hay un salto), a
F(xi) se le asigna el valor inmediatamente superior; por eso escribimos

 En el punto Xi+1 ya le damos el valor siguiente:


Ejemplo:
 En las fiestas de Berlusconi se ha ido anotando el número de personas que
se mete en la misma cama en el mismo momento. Las frecuencias
observadas se presentan en la siguiente tabla:

 Dado que el número de fiestas observado ha sido muy grande,


podemos considerar las frecuencias relativas anteriores como
probabilidades, disponiendo así de la distribución de la variable
aleatoria X=“Número de personas en la misma cama”. a) Obtener y
representar las funciones de masa de probabilidad y de distribución.
 b) Acaba de llegar a la mansión el Papa buscando a Berlusconi para darle
un recado, pero Berlusconi está encamado.
 El Papa está mayor y le puede dar un infarto si ve más de cuatro personas
en la misma cama. ¿Cuál es la probabilidad de que el Papa regrese sano y
salvo al Vaticano?
Solución ejemplo anterior:
a) Construimos una columna sumando las probabilidades para
obtener la función de distribución.

b) La probabilidad que tenemos que calcular es P(X<=4)= F(4)


Media y Varianza

 Si el tamaño de la muestra aumentara


ilimitadamente, la distribución de
frecuencia relativa se fijaría en la
distribución de probabilidad.
 A partir de la distribución de
frecuencia relativa, se puede calcular
la media y la varianza de la muestra
 Es natural que a partir de la
distribución de probabilidad se
calculen los valores análogos con las
siguientes definiciones:
Definiciones
Media de población
   x p( x)
x

Varianza
   ( x   ) p( x)
2 2

Se simplifica como :
 2   x 2 p( x)   2
x
Cálculo de la media y la varianza de X= número de varones
DISTRIBUCIÓN BINOMIAL

 Se puede considerar “que si durante repetidos ensayos,


siendo p la probabilidad de éxito en un solo ensayo, la
cual debe permanecer fija, y q la probabilidad de
fracaso, entonces la probabilidad P de que se obtenga X
éxitos en n ensayos, es el término del desarrollo
Binomial de (q+p)n “. La fórmula general para cada
término es:
DISTRIBUCIÓN BINOMIAL

 Se puede considerar “que si durante repetidos ensayos,


siendo p la probabilidad de éxito en un solo ensayo, la
cual debe permanecer fija, y q la probabilidad de
fracaso, entonces la probabilidad P de que se obtenga X
éxitos en n ensayos, es el término del desarrollo
Binomial de (q+p)n “. La fórmula general para cada
término es:
DISTRIBUCIÓN BINOMIAL

 Los criterios que debe satisfacer una experiencia


binomial son:

 a) Debe existir un número fijo de pruebas repetidas (n)


 b) Cada una de las n pruebas debe tener dos resultados,
favorable o desfavorable.
 c) La probabilidad de éxito de un acontecimiento es
fijo, algo similar sucede con la probabilidad de fracaso.
 d) Las pruebas son independientes, ya que el resultado
de un ensayo no afecta el resultado de otro.
 e) Nos interesa el número de éxitos en n pruebas.
ejercicio

 Una institución universitaria establece nuevos métodos de aprendizaje y de


evaluación, con el resultado donde el 85% de sus alumnos aprueban todas las
asignaturas. Supongamos que se seleccionan 8 estudiantes de dicho plantel.
 ¿Cuál es la probabilidad?
 Media o valor esperado  Varianza y desviación estandar
Ejemplo

Lanzar cuatro monedas (n = 4), con el consiguiente


resultado.

DISTRIBUCIÓN DE PROBABILIDADES
Ejemplo

SUPONGAMOS EL LANZAMIENTO DE 12 MONEDAS O UNA


MONEDA LANZADA 12 VECES. ¿Cuál es la probabilidad de
obtener?

a)
b)
Distribución de Poisson

La distribución de Poisson es otra de  El número de faltas ortográficas


las distribuciones especiales”, es por capítulo.
decir, de las más comunes en la vida
real. Sirve para representar el  El número de manchas por metro
número de eventos de poca cuadrado de tela.
frecuencia (a veces se les llama
eventos raros) que ocurren en el
tiempo o en el espacio.
 Los siguientes son ejemplos de
distribución de Poisson: En una distribución de Poisson
 El número de mensajes recibidos necesitamos el número promedio de
en un teléfono celular en una eventos que ocurren en un intervalo
hora. de tiempo o espacio.
 El número de automóviles que
llega a un estacionamiento entre
las 7 y las 9 de la mañana.
Distribución de probabilidad ó función de
probabilidad
La función de probabilidad de una Media o valor esperado
distribución de Poisson es:

donde P(X = x) es la probabilidad de


x ocurrencias, dado λ, y x = 0, 1, 2,
3, 4,… Varianza y desviación estándar

λ es el número promedio de eventos


que ocurren por unidad de tiempo o
de espacio.
Aproximación de la distribución
binomial a la distribución de Poisson
Sea una variable aleatoria que se  Ejemplo:
distribuye como una binomial y si se
 Sea X una variable aleatoria
cumplen las tres condiciones
distribuida como binomial, con n
siguientes:
= 600 y p = 0.002. Con esta infor-
mación construye la distribución
de probabilidad de la binomial y
la de Poisson.

entonces la variable aleatoria puede


aproximarse a una distribución de
Poisson con λ = np.
Variables aleatorias continuas
Variables aleatorias continuas

una variable aleatoria es un medio para describir los resultados


del espacio muestral mediante la asignación de valores. En el
caso de una variable aleatoria continua, los valores numéricos
provienen de un intervalo continuo, es decir, no son valores
específicos, sino que puede ser cualquier valor entre dos
números, a y b.

En otras palabras, con variables aleatorias continuas la


probabilidad de que la variable aleatoria X sea igual a un
valor es cero, P(X = x) = 0, ya que es imposible que X
tenga exactamente ese valor.
 En la tabla siguiente se muestran algunos ejemplos de
variables aleatorias continuas:
Función de densidad
Se llama función de densidad a la distribución de probabilidad de una variable
aleatoria continua. Para poder calcular las probabilidades, debemos usar cálculo
integral, pues el área bajo una curva es, en estadística, una probabilidad.
Las propiedades que debe cumplir una función de densidad son las siguientes:

donde x es el valor de la variable aleatoria y f(x) la probabilidad asociada con el valor


x.
Una función de densidad puede representarse de dos formas:
Gráfica : es una gráfica de línea, cuya área bajo la curva es la probabilidad entre dos
valores de la variable aleatoria.
Como función: cuando la distribución de densidad se define mediante una fórmula.
Función de densidad
El concepto de función de densidad surge de la generalización del polígono de
frecuencias.
El área encerrada por el histograma o el polígono de frecuencias es 1.
Función de densidad
Supongamos ahora que tomamos sucesivamente diferentes muestras de una variab
le continua, cada vez con mayor número n de datos. A medida que n
aumenta, el número de intervalos al realizar un histograma (o polígono) de
frecuencias también crece.
Función de densidad
Supongamos ahora que tomamos sucesivamente diferentes muestras de una variab
le continua, cada vez con mayor número n de datos. A medida que n
aumenta, el número de intervalos al realizar un histograma (o polígono) de
frecuencias también crece.
Función de densidad
La fórmula exacta de la función n se corresponderá con alguna de las muchas
funciones de densidad que han sido definidas a lo largo de la historia (cada una suele
tener un nombre específico, y su fórmula ya fue inventada, o escrita, por alguien
más listo que nosotros ‒Gauss, Student, Snedecor... ‒,
así que no tenemos que preocuparnos de adivinar cuál es la función)

Ejemplos de una función tipo exponencial, cuya expresión matemática es:

Este tipo de función corresponde a la


función de densidad de variables que
miden el “tiempo de vida”. Como
podemos observar en la gráfica, el
histograma de frecuencias se adapta
perfectamente a la medición del tiempo
de vida de un conjunto muy grande de
seres vivos, o de componentes de
aparatos electrónicos (transistores,
circuitos…).
Variables aleatorias continuas
Una vez expuesto que, en una variable aleatoria continua, las propiedades de la
misma vendrán descritas por la función de densidad, indiquemos que las
probabilidades se calcularán como una integral definida:

Que corresponde al área bajo la curva f entre los valores v1 y v2


Variables aleatorias continuas
En el caso de una variable aleatoria continua, la probabilidad de cualquier punto con
creto a es cero, porque no hay área bajo la curva:

Esto puede sonar un poco raro, al principio. Si hablamos, por ejemplo, de la


variable altura, nos podemos preguntar: “¿cuál es la probabilidad de medir
1.72?”.
Según lo que acabamos de decir, la probabilidad de un punto es cero. ¿Qué
sucede?

La pregunta matemáticamente correcta sería: “¿Cuál es la probabilidad de


tener una estatura entre 2 valores v1 y v2?”

cuando calculemos la probabilidad de que una variable continua tome


valores entre dos números a y b, tendremos que
Función de distribución una vac
La función de distribución tiene el mismo significado para una variable aleatoria
continua que para una discreta, y es la probabilidad acumulada hasta un punto
a. El equivalente continuo de una suma es la integral:

Por último, indicar que,


debido a que
la función de distribución
se calcula como
la integral de la función
de densidad, ésta última
es la derivada de la
función de distribución:

La función de distribución, matemáticamente, será una función


no decreciente que varía entre 0 y 1.
Al contrario que en el caso de una variable discreta, la función de
distribución de una variable continua es una función continua.
Medidas características de una variable aeatoria
Igual que en el caso de variables estadísticas, para las variables aleatorias se
pueden definir medidas de centralización, dispersión y forma. Las más utilizadas son
el valor medio o esperanza (generalización de la media aritmética) y la varianza
(o su raíz cuadrada la desviación típica).
Esperanza de una variable aleatoria
Es la generalización de la media aritmética. También se llama valor medio o valor es
perado, y se representa por la letra griega µ.
Si X es una variable
Aleatoria Discreta,
se calcula como la
media aritmética de los
valores, es decir la suma
de los valores por sus
probabilidades (las
probabilidades serían las
frecuencias relativas).

Si X es una variable aleatoria continua, la variable toma infinitos


valores.
Como vimos en la función de distribución, el equivalente continuo de
la suma es la integral. La fórmula matemática incluye en este caso a
la función de densidad:
Varianza de una variable aleatoria
Se representa σ2 = Var(X) , y la desviación típica
σ es la raíz cuadrada (con signo positivo) de la varianza. Igual que en el caso de
variables estadísticas, mide la dispersión de la variable, y se calcula como la media d
e las desviaciones (elevadas al cuadrado) de los valores a su media:

Si X es una variable
Aleatoria Discreta, la
forma de hacer los
cálculos será:

Si X es una variable aleatoria continua,


Resumen para los p…
Distribución normal
Entre las funciones de densidad, la distribución normal es la más importante,
debido principalmente a que hay muchas variables asociadas a fenómenos naturales
que siguen un comportamiento que, al graficarse, tienen forma de campana. Estas
variables pueden referirse a:

Caracteres morfológicos de personas, animales o plantas, como tallas, pesos,


diámetros, perímetros, etcétera.
Caracteres fisiológicos, por ejemplo, efecto de una misma dosis de un fármaco o de
una misma cantidad de abono.
Caracteres sociológicos, por citar algunos casos, consumo de cierto producto por un
mismo grupo de individuos o las puntuaciones obtenidas en un examen.
Caracteres psicológicos, como el cociente intelectual o el grado de adaptación a un
medio, entre otros.
Errores cometidos al medir ciertas magnitudes.
Otras distribuciones como la binomial o la de Poisson pueden aproximarse a una
distribución normal.
Distribución normal
Entre las características de la distribución normal podemos citar las siguientes:
 La distribución normal se conoce también como campana de Gauss en honor
de Karl F. Gauss y debido a que tiene forma de campana.
 Por ser una distribución de probabilidad, el área bajo la curva es 1.
 Es una distribución asintótica, es decir, cuando x tiende a −∞ o a + ∞, la
función tiende a cero.
 Es una distribución simétrica respecto a la media (μ). Además, la media, la
moda y la mediana tienen el mismo valor.
 El punto máximo se encuentra en μ.
 La ubicación de la distribución normal se determina por μ.
 La dispersión de la distribución normal se determina por σ.
 Los puntos de inflexión, donde cambia de curvatura la función, se
encuentran en μ ± σ.
Distribución normal

Función de densidad:
Distribución normal
Entonces, al ser la distribución normal una función de densidad, el cálculo de
probabilidades se traduce en determinar el área bajo la curva entre dos
valores; esto es, se integra la función.
Distribución normal
Si varían los parámetros μ y σ se obtiene distribuciones normales diferentes; por
tanto, se tendrá un número infinito de distribuciones, como se muestra en la figura.

Pero como o es sencillo integrar la función de densidad normal, para calcular

probabilidades debemos utilizar la distribución normal estándar.


Distribución normal estándar

 Esta distribución tiene media igual a cero y desviación estándar igual a uno.
Es importante señalar que a la variable aleatoria distribuida como una
normal estándar se le llama Z para diferenciarla de la X.

 Función de densidad:
La función de densidad para una variable aleatoria Z que se distribuye como
una normal estándar es:

donde f(z) = función de densidad de la variable aleatoria Z, tal que z ∈ (−∞, +


∞).
Área bajo la curva

 Recordemos que el área bajo la curva es, en Estadística, una probabilidad, en


tanto que en cálculo es una integral. Entonces, para trabajar con la normal
estándar hay que realizar la transformación de variable siguiente:

 Este proceso de transformar una variable X con distribución normal en una


variable Z se llama estandarización.
Varianza de una variable aleatoria

 Sea X una variable aleatoria con función de


densidad fx(x), definimos varianza de X:

 2  E[( X  E ( X )) 2 ]  E[( X   ) 2 ]

 Si X es una variable discreta


Var ( X )   ( xi   ) f x ( xi )
2

  X 

 Si X es una variable continua


2

Var ( x)   ( X   ) f x ( x)dx

Varianza de una variable aleatoria
 La varianza sigma cuadrado es una medida de dispersión de los
valores de la variable aleatoria con respecto a su centro de
gravedad μ.
 Consideremos una variable aleatoria con la siguiente
distribución de probabilidad.

X 6 7 8
f(x) 0.4 0.4 0.2

 E(X)=6*0.4+7*0.4+8*0.2=6.8
 Var(X)=(6-6.8)^2*0.4+(7-6.8)^2*0.4+
(8-6.8)^2*0.2=0.56
Transformación lineal Y de una v.a. X
Asimetría

3
1 n
Sesgo   ( xi  X )
n  1 i 1
Coeficiente de asimetría :
sesgo

 3
Distribuciones

Para una v. a. continua, la función


de distribuci ón acumulada es :
x
FX ( x)  P[ X  x]   f X ( x)dx


Es la probabilidad de tener el valor


de X menor o igual que x
Función de distribución acumulada

 Se define como la probabilidad de que la


variable aleatoria X sea menor o igual que
algún valor particular.
F(x)=P[X≤x]
 Si X es una variable aleatoria discreta

FX ( x)   P[ X  xi ]
x x
 Como F(x) representa
i
una probabilidad es
claro que 0≤F(x)≤1 además:
Función de distribución acumulada

a. Limite Fx=0
X→-oo
b. Limite Fx=1
X→+oo
c. Si x1 < x2 entonces Fx(x1) ≤ Fx(x2)
 La función acumulada para la variable
aleatoria continua X será:
x
FX ( x)  P[ X  x]   f (h)dh

Distribuciones de variable discreta
(Probability Density Functions)
Distribuciones de variable
continua
Procesos de Bernoulli

 Hay un cierto número de fenómenos


aleatorios conocidos como procesos de
Bernoulli.
 Se denominan ensayos de Bernoulli, a
aquellos ensayos independientes que
repetidos un número fijo de veces tienen
las siguientes características:
1) Hay sólo dos resultados posibles: éxito o
fracaso
2) La probabilidad de éxito es la misma en
cada ensayo. Independencia.
Ensayos de Bernoulli

 Tirar una moneda, suponiendo que la


moneda es perfecta, cada tirada se
denomina un ensayo y tiene dos
posibles resultados: uno de ellos se
considera éxito. P(E)=p y P(F)=q
 Extraemos de una urna con 4 fichas
rojas y 3 azules una bolilla; anotamos
su color y la devolvemos a la urna.
P(roja)=4/7 y P(azul)=3/7
 Proceso de fabricación de artículos
electrónicos: elección de una muestra,
defectuoso o no defectuoso.
Distribución Binomial: para v.a. discretas

 En general, para n repeticiones independientes


de un ensayo de Bernoulli, la probabilidad de
obtener v éxitos está dada por:

P X v n . pv . qn v

v
 Coeficientes binomiales:
Distribución Binomial

 Se define la variable aleatoria :


X= “número de éxitos en las n repeticiones”,
 Se dice que sigue una distribución binomial o sigue un
Modelo Binomial con parámetros n y p.
 E(X)=np
 Var(X)=npq
 La distribución acumulada es:
k
P X k n . p v . qn v

v 0 v
Ejemplos de variables
binomiales
 Consideremos el experimento de lanzamiento de
dos dados:
1 2 3 4 5 6

1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)

2 (2,1) (2,2) (2,3) (2,4) (2,5) (2,6)

3 (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)

4 (4,1) (4,2) (4,3) (4,4) (4,5) (4,6)

5 (5,1) (5,2) (5,3) (5,4) (5,5) (5,6)

6 (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)


Distribuciones de variable
continua
a) Histograma de frecuencia relativa
b) Trazado a nueva escala en la densidad de f.r.

La suma de frec relativas es 1

Cubre un área total igual a 1


 Qué sucede con la densidad de frecuencia relativa de
una v.a. continua a medida que aumenta el tamaño de
la muestra?
 Influyen menos las fluctuaciones de la suerte.
 Permite una definición más clara de las células
 Mientras el área permanece fija, la densidad de frecuencia
relativa tiende a la función de densidad de probabilidad.
Relación entre la densidad de frecuencia
relativa y la densidad de probabilidad
Distribución normal (curva de
Gauss)

1  x 
2

1   
2  
f X ( x)  e
2
 x 
Z  
  
Curva campana simétrica
Distribución Normal Standard

Una variable con distribución normal


estándar (μ=0 σ=1) se nota con la letra Z.
Si:
X  N ( , 2 )

Conversión: la variable Z se define como:


X 
Z

Para que tenga una distribución Normal estándar.
Efectos de escala
Distribución Normal

 Se ve que -como en
cualquier distribución
continua- la
probabilidad de que
P(X=a)=0 para
cualquier a. Luego lo
que se calculan son
áreas (gráfico).
Distribución Normal
Ejemplos

Pr( Z  0.6)  0.2743


Pr(0.6  Z  1.3) 
Pr( Z  0.6)  Pr( Z  1.3) 
 0.2743  0.0968  0.1775
Ejemplo

Pr( 1  Z  2) 
1  Pr( Z  1)  Pr( Z  2) 
Pr( Z  2)  0.0228
Pr( Z  1)  Pr( Z  1)  0.1587
1  0.1587  0.0228  0.8185
Distribución Normal
 Es la más usada de las distribuciones continuas de probabilidad, ya
que es la distribución límite de varios modelos, incluso discretos y
ajusta muy bien a muchas situaciones reales. Su función de densidad
es la siguiente:

1  ( x )
2

  

2  
e
f ( x) 
 2
 Su forma es la conocida campana de Gauss. Una vez que se
especifican la media μ y el desvío estándar σ, la curva normal queda
completamente determinada.
 Si una v.a. continua X sigue una distribución Normal con parámetros μ
y σ, lo denotamos como:
X  N ( , ) 2
Distribución Normal

Las cuatro distribuciones del gráfico son normales, con distintos


valores de la media y la desviación típica. La verde es la "normal
reducida", de media cero y desviación típica uno.
Distribución Geométrica
 Definimos sobre Ω , la variable aleatoria X que denota
el número de repeticiones necesarias hasta obtener el
primer éxito. Es claro que dicha variable asume los
valores 1,2,3,….etc. Esta variable aleatoria así definida
sigue la distribución:

q=1-p
 Esta variable con distribución geométrica tiene las
siguientes propiedades:
Distribución de Poisson

 El modelo probabilístico de Poisson, es utilizado a


menudo para variables aleatorias distribuidas en el
tiempo o en el espacio. Por ej: Número de
bacterias por cm de agua, número de accidentes
3
con motocicletas por mes, etc.
 Para que el modelo de Poisson esté presente debe
verificar lo siguiente:
1) Los sucesos que ocurren en un intervalo (de
tiempo, región del espacio, etc) son
independientes de los que ocurren en cualquier
otro intervalo (de tiempo, región del espacio,
etc)
2) La probabilidad de que un suceso se presente, es
proporcional a la longitud del intervalo.
3) La probabilidad de que uno o mas sucesos se
presenten en un intervalo muy pequeño es tan
pequeña que puede despreciarse.
Distribución de Poisson
Distribución de Poisson



La función de densidadede k
probabilidad
es: P( X  k )  k!

(1)
 E(X)=λ Var(X)= λ
 La función de distribución acumulada (fda) esta dada
por:


x
e  i
F ( x)  
i 0 i!
Proceso de Poisson
 Considere eventos aleatorios tales como el arribo de aviones a un
aeropuerto, el arribo de barcos a un puerto, el arribo de llamadas
a una central, la falla de máquinas en una fábrica, etc.
 Estos eventos pueden ser descriptos por una función de conteo
N(t) definida para todos los t >=0.
Esta función de conteo representará el número de eventos que
ocurrirán en [0,t].
El tiempo cero es el punto en el cual la observación comienza, ya
sea que un arribo ocurra o no en ese instante.
 Si los arribos ocurren de acuerdo a un proceso de Poisson, la
probabilidad de que N(t)=n es:

(2)e  t ( t ) n
P( N (t )  n) 
n!
Función de Densidad

e   k e  t ( t ) n
P( X  k )  P( N (t )  n) 
k! n!
 Si comparamos la ecuación (1) con (2) vemos que N(t)
tiene una distribución de Poisson con parámetro α=λt,
por lo tanto su media y su varianza son:
E[N(t)] = α = λt = V[N(t)]
Distribución uniforme
 Es aquella que puede tomar cualquier valor dentro de un intervalo,
todos ellos con la misma probabilidad.
 Una variable aleatoria X esta uniformemente distribuida en el
intervalo (a,b) si su función es la siguiente:

 1 ,a  x  b

f ( x)   b  a
 0, otro

 La función de distribución acumulada esta dada por:


 0, xa
x  a
F ( x)   ,a  x  b
b  a
 1, xb

 La media y la varianza de la distribución están dadas por:


ab (b  a) 2
E( X )  V (X ) 
2 12
Distribución uniforme

 1 ,a  x  b

f ( x)   b  a
 0, otro
Distribución triangular
 2( x  a ) f(x)

 (b  a )(c  a) a xb

 2(c  x)
f ( x)   bxc
 (c  b)(c  a)
 0, otro

a b c x

 La esperanza es:
 0, xa
abc  ( x  a) 2
E( X )   a xb
3  (b  a )(c  a )
F ( x)  
1  ( c  x ) 2
bxc
 (c  b)(c  a )
 1 xc
Distribución Exponencial
 Esta distribución ha sido usada para modelar tiempos
entre arribos cuando los arribos son totalmente
aleatorios (ver relación con Poisson).
 Su función de densidad de probabilidad esta dada por:
e x x  0
f ( x)  
 0 otro

 La fda se define como

 0 x0
 x
F ( x)   e t dt  1  e t
0
x0
Distribución Exponencial
Distribución chi-cuadrado

 Brinda un criterio de “bondad del ajuste”


 Se usa para decidir si ciertas variables son
independientes o no
 Def.: sea Z1, Z2, …Zk k distribuciones normales
estándar. Entonces
  Z  Z  ....Z
2
1
2 2
2
2
k

es la distribución chi-cuadrado con k grados de libertad


Distribución para k=1,4,6,8

 La distribución no es
simétrica
K=1
 Es sesgada a la derecha
K=4
 Para valores grandes de
k la distribución se
acerca a la distribución
normal
Lectura obligatoria

 Cap. 4 Wonnacott - Págs 77-100


 Cap. 6 Rao – Págs 452-487