ESTADÍSTICA Y

PROBABILIDADES
Tema : Distribuciones de Probabilidad

1
 VARIABLES ALEATORIAS
 Una variable estadística es una característica (cualitativa o
cuantitativa) que se observa en una población.
 Si la población es aleatoria y la característica es
cuantitativa la variable estadística se denomina variable
aleatoria

Definición: Se denomina variable aleatoria a una

variable estadística cuantitativa definida en un
espacio muestral.
Las variables aleatorias pueden ser discretas o
Estadística II continuas. Ing. Oscar Tinoco G. 2
 Variable aleatoria discreta
 Toma un número finito, ejemplo, el número de vehículos de
una Agencia de Viajes
 Variable aleatoria continua
 Toma cualquier valor en algún intervalo de números reales.
Ejemplo, el peso de cada uno de los vehículos.

Distribución de Probabilidad:
A la tabla, fórmula o gráfico que contiene todos los
valores de la variable y sus respectivas probabilidades,
se le conoce con el nombre de función de probabilidad
de la variable, la cual debe cumplir las siguientes
propiedades:

Ing. Oscar Tinoco G. 3

Propiedades de una Función de Probabilidad
 Para variables discretas:
 ( i ) La probabilidad de que la variable tome cualquier
valor debe ser un número mayor o igual a cero;
 ( ii ) La suma de todas las probabilidades de los valores
de la variable; es igual a 1.
 Para variables continuas:
 ( i ) La probabilidad de ocurrencia de un valor nunca es
negativa,
 ( ii ) La probabilidad de ocurrencia de todos los valores
posibles es 1 y corresponde al área bajo la curva,
 ( iii ) La probabilidad de ocurrencia de un evento x,
corresponde al área bajo la curva entre dos valores
dados,

Ing. Oscar Tinoco G. 4

 Ejemplo
Sea el experimento E: lanzar 3 monedas al aire y observar el resultado
Espacio muestral: {(C,C,C), (C,C,S), (C,S,C), (S,C,C), (C,S,S), (S,C,S)
(S,S,C), (S,S,S)}

Si definimos X: número de caras obtenidas en las tres monedas, entonces X

es una variable aleatoria que puede tomar los siguientes valores:
X=0 Corresponde al evento {(S,S,S)} con probabilidad 1/8
X=1 Corresponde al evento {(C,S,S), (S,C,S), (S,S,C)} con probab. 3/8
X=2 Corresponde al evento {(C,C,S), (S,C,C), (C,S,C)} con probab. 3/8
X=3 Corresponde al evento {(C,C,C)} con probabilidad 1/8

Ing. Oscar Tinoco G. 5

 Función de probabilidad (V. Discretas)
Sea X una variable aleatoria que toma los valores x1, x2, x3,…..
Se dice que p(xi) es una función de probabilidad de la v.a. X, si a cada
valor de xi se le asocia su probabilidad de ocurrencia
40%
 Asigna a cada posible valor 35%
de una variable discreta su 30%
probabilidad. 25%
 Recuerda los conceptos de
20%
frecuencia relativa y diagrama de
barras. 15%

 Ejemplo 10%

5%
 Númerode caras al lanzar 3
0%
monedas. 0 1 2 3

Ing. Oscar Tinoco G. 6

Función de densidad (Variables Continuas)

Definición
 Es una función no negativa de
integral 1.
 Se puede asumir como la
generalización del histograma
con frecuencias relativas para
variables continuas.

Ing. Oscar Tinoco G. 7

 Parámetros de una variable aleatoria

 Valor esperado
 Se representa mediante E[X] ó μ
 Es el equivalente a la media

 Varianza
 Se representa mediante VAR[X] o σ2
 Es el equivalente a la varianza
 Se llama desviación típica a σ

Ing. Oscar Tinoco G. 8

 Ejercicio

Dada la siguiente tabla, en donde P (x) representa la

probabilidad de x, ¿se puede decir que representa una
función de probabilidad?
X P (x)
0 0.1
1 0.3
2 0.5
3 0.2

Ing. Oscar Tinoco G. Tema 2: Probabilidad Condicional 9

 DISTRIBUCIÓN DE PROBABILIDAD DE UNA
VARIABLE ALEATORIA
Y1 Y2 X=Y1+Y2 Y1 Y2 X=Y1+Y2
Ejemplo: Caso de una VA discreta:
1 1 2 4 1 5
Experimento: Arrojar dos 1 2 3 4 2 6
dados y observar la VA X : 1 3 4 4 3 7
la suma de los puntos de 1 4 5 4 4 8
las caras que quedan 1 5 6 4 5 9
hacia arriba. 1 6 7 4 6 10
2 1 3 5 1 6
2 2 4 5 2 7

Las formas en que puede 2 3 5 5 3 8

ocurrir cada uno de los 2 4 6 5 4 9

2 5 7 5 5 10
valores que toma la VA X se
2 6 8 5 6 11
muestran en la tabla.
3 1 4 6 1 7
3 2 5 6 2 8
3 3 6 6 3 9
Observemos que hay 1 posibilidad 3 4 7 6 4 10
en 36 de que X=2, mientras que
3 5 8 6 5 11
hay 2 posibilidades en 36 de que
3 6 9 6 6 12
X=3
DISTRIBUCIÓN DE PROBABILIDAD DE UNA
VARIABLE ALEATORIA
Las probabilidades para cada valor de la VA X se muestran en la tabla.
En este ejemplo la tabla representa la función de distribución de
probabilidad (fdp) de la VA X.

X P(X=x)
Representación gráfica de la función de distribución de probabilidad de la VA X
2 1/36
P(X)

3 2/36
P(x)

4 3/36
5 4/36
6 5/36
7 6/36
8 5/36
9 4/36
10 3/36 X
11 2/36
12 1/36
DISTRIBUCIÓN DE PROBABILIDAD DE UNA
VARIABLE ALEATORIA
Distribución de probabilidad de una VA X:
f(x) = P( X=x )

En nuestro ejemplo de la suma de dos dados: f(3) = P( X=3 ); f(3) = 2/36

Propiedades de la distribución de probabilidad de una variable aleatoria

discreta (también conocida como función masa de probabilidad, fmp) :

a) f (x)  0 Para toda x que pertencece a X

b)

 f ( x)  1
x
DISTRIBUCIÓN DE PROBABILIDAD ACUMULATIVA
DE UNA VARIABLE ALEATORIA DISCRETA
Las probabilidades acumuladas para cada valor de la VA X se muestran en la
siguiente tabla que representa la función de distribución acumulativa (FDA)
de la VA X.

X P(Xx) P(X<=x)

2 1/36

3 3/36

4 6/36

5 10/36

6 15/36

7 21/36 j

8 26/36 F ( x j )  P( X  x j )   xi
i 1
9 30/36

10 33/36

11 35/36
Esta es una función escalón, hay un salto en cada valor de X y es plana entre ellos.
12 36/36

En nuestro ejemplo: F(3) = P( X<=3 ); F(3) = 1/36 + 2/36 = 3/36

 DISTRIBUCIÓN DE PROBABILIDAD ACUMULATIVA
DE UNA VARIABLE ALEATORIA DISCRETA
j
F ( x j )  P( X  x j )   xi
i 1

La FDA es una función no decreciente de X con las siguientes

propiedades.

1. 0  F ( x)  1
2. F ( xi )  F ( x j )  xi  x j
3. P(X  x)  1 - F ( x)
Además, si X pertenece al conjunto de los números enteros:

4. P(X  x)  F ( x)  F ( x  1)
5. P( xi  X  x j )  F ( x j )  F ( xi  1)  xi  x j
 DISTRIBUCIÓN DE PROBABILIDAD
DE UNA VARIABLE ALEATORIA
Caso de una VA continua
Experimento: observar la VA X : el tiempo que dura una lámpara hasta
que se funde.
La probabilidad de que una lámpara dure f(x)
de 0 a 1,000 horas es más alta que la
probabilidad de que dure de 1,000 a 2,000 
fdp
horas; es decir, que a medida que
transcurre el tiempo, la probabilidad de
que continúe en operación disminuye;
este comportamiento se puede
representar mediante una curva X
0 x
exponencial de la forma:

e  x x0
f ( x)  
 0 cualquier otro caso
 DISTRIBUCIÓN DE PROBABILIDAD
DE UNA VARIABLE ALEATORIA
Caso de una VA continua
Propiedades de la distribución de probabilidad de una variable aleatoria
continua (también conocida como función de densidad de probabilidad,
fdp) :

1. f(x)  0,   x  

2. 
f(x)dx  1
b
3. P(a  X  b)   f(x)dx
a
DISTRIBUCIÓN DE PROBABILIDAD ACUMULATIVA DE
UNA VARIABLE ALEATORIA CONTINUA
Caso de una VA continua
Experimento: observar la VA X : el tiempo que dura una lámpara hasta
que se funde.
F(x)
La probabilidad de que una lámpara dure al
menos X horas se obtiene mediante la función 1
de distribución acumulativa (FDA).

fdp FDA

e  x x0
f ( x)  
 0 cualquier otro caso
x X
0

FDA 1  e x x0
F ( x)  
x  0 cualquier otro caso
F ( x)  P( X  x)  

f (t ) dt
 Modelos de Distribución
Discreta Uniforme
Bernouli
Discreta Binomial
Poisson
Etc

Continua Uniforme
Normal
Continua
Chi cuadrado
T de Student
F de Fischer
Etc. Ing. Oscar Tinoco G. 18
 Parámetros de la distribución de una distribución discreta
m: media o esperanza. Proporciona cuál es el valor promedio de la
distribución.
s: desviación típica. Dispersión de los valores de X respecto a ese valor
promedio
Al realizar un experimento n veces, sean x , x , x , ....., x los distintos 1 2 3 k
valores de X y sean fi, ri las frecuencias absolutas y relativas de xi. Si n es
grande las frecuencias relativas se estabilizan en torno a las
probabilidades p(xi) y se tiene:

1 k k k
 x 
n

i 1
x i. fi =  x i.r i  m= xi p(xi)
i 1
i=1
ik

 f i. x i 2 k

 f x  (xi - m )2 p(xi)
ik

 Sn =
1
x
2
 i 1

2
 s= =
n i 1
i i
n x i=1
k
=  xi2 p(xi) - m 2
i=1
Media y varianza de una variable
aleatoria continua
Variable aleatoria Variable aleatoria
Variable estadística
discreta continua
n
x   xi.ri
n
m =  xi p(xi) mba x . f(x) dx
i 1 i=1
n
 f x 
ik

s =  (xi - m)2 p(xi) sba (x - m) . f(x) . dx

1 2
σ 2
 i i x 2
n i 1
i=1
 Experimento de Bernoulli
 Tenemos un experimento de Bernoulli si al
realizar un experimento sólo son posibles dos
resultados:
 X=1 (éxito, con probabilidad p)
 X=0 (fracaso, con probabilidad q=1-p)

 Ejemplos
 Lanzar una moneda y que salga cara.
 p =1/2 = 0.50
 Aplicar un tratamiento a un enfermo y que éste se
cure.
 p = 95%= 0.95 probabilidad de que el individuo se cure

Ing. Oscar Tinoco G. 21

 Distribución binomial
 Es un modelo de distribución  n  k nk
P[ X  k ]    p q , 0  k  n
discreta. k 
X es la probabilidad de éxito
 Media: μ =n p

 Varianza: σ2 = n p q

Ing. Oscar Tinoco G. 22

 Características de una Distribución Binomial
 El resultado de cada ensayo sólo puede ser de dos
categorías mutuamente excluyentes: éxito o fracaso.
 La variable aleatoria cuenta el número de éxitos en un
número fijo de ensayos.
 La probabilidad de éxito permanece igual en cada
ensayo. Pasa lo mismo con Ia probabilidad de un
fracaso.
 Los ensayos son independientes, lo que significa que Ia
ocurrencia de uno de ellos no afecta el resultado de
cualquier otro.

Ing. Oscar Tinoco G. 23

 Ejemplo de aplicación (D. Binomial)
 Cada día, American Airlines tiene cinco vuelos
desde Pittsburgh al aeropuerto regional de
Bradford, Pensilvania. Suponga que Ia
probabilidad de que alguno de los vuelos se
retrase es de 0.20.
 ¿Cuál es Ia probabilidad de que ninguno de los
vuelos se retrase el día de hoy?
 ¿Cuál es Ia probabilidad de que exactamente
uno de los vuelos se retrase este día?

Ing. Oscar Tinoco G. 24

 Distribución de Probabilidad

Nro de vuelos Probabilidad

con retraso

0 0.3277
1 0.4096
2 0.2048
3 0.512
4 0.0064
 n  k nk 5 0.0003
P[ X  k ]    p q , 0  k  n
k  Total 1

Ing. Oscar Tinoco G. 25

 Distribución de Probabilidad
 n  k nk
P[ X  k ]    p q , 0  k  n Nro de vuelos Probabilidad
k 
con retraso
Completar la tabla con
ayuda de una tabla 0 0.328
1
¿Cuál es Ia probabilidad de que
se retrasen dos o tres vuelos 2
este día? 3
4
¿Cuál es Ia probabilidad de que
por lo menos 4 de los vuelos se
5 0.0003
retrasen este día? Total 1

Ing. Oscar Tinoco G. Tema 2: Probabilidad Condicional 26

Ejercicio Distribución Binomial
El Administrador de un Hotel ha comprado 6
lámparas.
Si p = 5% es la probabilidad de que la lámpara
falle en una prueba de 24 horas, encontrar la
probabilidad de que:
a)Todas permanezcan encendidas las 24 horas
b)Sólo una permanezca falle
c)Por lo menos 4 fallen

27
 Distribución normal o de Gauss

 Aparece de manera natural:

 Errores de medida.
 Distancia de frenado.
 Altura, peso, propensión al crimen…

 Está caracterizada por dos parámetros: La media, μ,

y la desviación típica, σ.
 Su función de densidad es:
1  xm 
2

1   
2 s 
f ( x)  e
s 2
Estadística II Ing. Oscar Tinoco G. 28
N(μ, σ): Interpretación
geométrica

 Se puede interpretar
la media, μ, como un
factor de traslación.

 Y la desviación
típica, σ, como un
factor de escala,
grado de
dispersión,…

Estadística II Ing. Oscar Tinoco G. 29

 N(μ, σ): Interpretación probabilística

 Entre la media y una

desviación típica
tenemos siempre la
misma probabilidad:
aprox. 68%

 Entre la media y dos

desviaciones típicas
aprox. 95%

30
Características principales de una Curva Normal
 La función de densidad es simétrica,
mesocúrtica y unimodal.
 Media, mediana y moda coinciden.
 El valor de μ establece el centro de la curva.
 El valor de σ determina el esparcimiento o la
dispersión de la curva.
 El área bajo la curva es igual a 1.

Estadística II Ing. Oscar Tinoco G. 31

 Características de la distribución Normal
• Tiene forma de campana, es asintótica al eje de las abscisas (para
x =  )
• Simétrica con respecto a la media (m) donde coinciden la mediana (Me)
y la moda (Mo )
• Los puntos de inflexión tienen como abscisas los valores m  s

 s s +
m - s m, Mo, Me m + s
Ing. Oscar Tinoco G. Tema 2: Probabilidad Condicional 32
 Tipificación
 Dada una variable de media μ y desviación típica σ,
se denomina valor tipificado,z, de una observación
x, a la distancia (con signo) con respecto a la
media, medido en desviaciones típicas, es decir

xm
z
s
 Nos permite así comparar entre dos valores de dos
distribuciones normales diferentes, para saber cuál
de los dos es más extremo.
Estadística II Ing. Oscar Tinoco G. 33
Ejemplo
 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)

xA  m A 86
zA   2
sA 1
xB  m B 80  70
zB   1
sB 10

 Como ZA>ZB, podemos decir que el porcentaje de compañeros del mismo sistema de
estudios que ha superado en calificación el estudiante A es mayor que el que ha
superado B. Podríamos pensar en principio que A es mejor candidato para la beca.

Estadística II Ing. Oscar Tinoco G. 34

 Distribuciones asociadas a la normal
 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.
Estadística II Ing. Oscar Tinoco G. 35
Chi cuadrado
 Tiene un sólo parámetro
denominado grados de
libertad.

 La función de densidad es
asimétrica positiva.
 La función de densidad se
hace más simétrica,
incluso casi gausiana
cuando aumenta el
número de grados de
libertad.

Estadística II Ing. Oscar Tinoco G. 36

 T de student
 Tiene un parámetro denominado
grados de libertad.

 Cuando aumentan los grados de

libertad, más se acerca a N(0,1).

 Es simétrica con respecto al cero.

 Se consideran valores anómalos los

que se alejan de cero (positivos o
negativos).

Estadística II Ing. Oscar Tinoco G. 37

 F de Snedecor
 Tiene dos parámetros
denominados grados de
libertad.

 Sólo toma valores

positivos. Es asimétrica.

 Normalmente se consideran
valores anómalos los de la
cola de la derecha.

Ing. Oscar Tinoco G. 38