Tema 5
Modelos de distribuciones de Probabilidad
Variable aleatoria unidimensional
Dado un espacio de Probabilidad (E, F, P), una variable
aleatoria X es una aplicación del espacio muestral E al conjunto de los números reales R, tal que la imagen inversa de cada
intervalo de R es un suceso.
X : E R
s X(s)
Por tanto, para cualquier número real x, el conjunto S de sucesos elementales tales que X(s)<x constituye un suceso.
F x
s X E
s
S = { ∈ ; ( ) ≤ } ∈
• Tipos de variable aleatorias
•Discretas: Si los números asignados a los sucesos elementales de E constituyen puntos aislados.
•Continuas: Los valores asignados pueden ser cualesquiera dentro de
ciertos intervalos
Tema 5
Modelos de distribuciones de Probabilidad
Distribución de probabilidad de una Variable aleatoria
Variable aleatoria discreta
Sea una variable aleatoria X que toma un conjunto de valores x1, x2, …, xk.
Se define la función de probabilidad de X como el conjunto de pares (xi, pi) i=1, …, k, donde pi=P(X=xi) y la suma de las probabilidades es 1
∑
= k=
i
pi
1
1
•Podemos expresarla en una tabla, de modo similar a las distribuciones de frecuencias de las variables estadísticas discretas.
•La probabilidad pi=P(X=xi) es la probabilidad del suceso S formado por los
sucesos elementales a los que asignamos mediante X el número real xi
Tema 5:Modelos de distribuciones de Probabilidad
Variable aleatoria continua
Sea una variable aleatoria X continua. La función de densidad de X , que notaremos con f(x), cumple la siguientes propiedades:
1) f(x) es siempre mayor o igual a cero
2) Dado un intervalo (a, b), la probabilidad de que la variable tome valores en dicho intervalo es igual al área que encierra la curva en dicho
intervalo.
3) El área total que encierra la curva vale 1
f(x) f(x)
a b
P(a<X<b
Área=1
X X
Dado un intervalo infinitesimal (x-dx/2, x+dx/2) de amplitud dx, f(x) es el límite del cociente entre la probabilidad de que la variable tome valores en dicho intervalo y la amplitud del mismo
dx x dx x dx
P x
f
dx
2 ) 2 ,
( )
(
lim
0
+
= −
→
Tema 5: Modelos de distribuciones de Probabilidad
Función de distribución de una variable aleatoria
Dada una variable aleatoria X, ligada al espacio de probabilidad (E, F, P), la función de distribución F es una aplicación del conjunto de los números reales al conjunto de los números reales:
F : R R
x F(x)=P(X<x)
A partir del conocimiento de la función de distribución, F(x), podemos obtener la probabilidad de que la variable esté
comprendida en cualquier intervalo.
Propiedades de la Función de distribución:
F(a) - F(b) b)
X P(a 3.
) F(x' F(x)
x' x que tal , x' x, decir, Es
e.
decrecient no
es F . 2
1 ) (
; 0 ) ( . 1
=
≤
<
≤
⇒
<
∀
= +∞
=
−∞ F
F
Tema 5: Modelos de distribuciones de Probabilidad
Función de distribución de una variable aleatoria discreta y continua
Dada una variable aleatoria discreta
∑
∑
≤ ≤=
=
=
≤
=
x xi x
xi
pi xi
X P x
X P x
F ( ) ( ) ( )
Dada una variable aleatoria continua X
∫
−∞=
≤
= P X x
xf t dt x
F ( ) ( ) ( )
Es el área que encierra la función de densidad en el intervalo desde menos infinito a x.
F(x)
x
Tema 5:Modelos de distribuciones de Probabilidad
Ejemplos de Variable aleatoria unidimensional
1) Sea el experimento lanzar un dado. Se define la variable X=1 si el número es impar y X=0 si es par
Función de probabilidad X
X : E R
X P(X=x)
0 1/2
1 1/2
1 1
6 / 3 }) 6 , 4 , 2 ({
)
(Suceso par = P = P
6 / 3 }) 5 , 3 , 1 ({
)
(Sucesoimpar = P = P
2 0
3 1
…
…
0 6
2) Sea el experimento seleccionar un trabajador al azar de
una empresa determinada, donde el 20% no tienen hijos, el
30% tienen 1, 30% tienen 2 y el resto tiene 3. Se define la
variable Y=número de hijos del trabajador
Tema 5 Modelos de distribuciones de Probabilidad
Función de probabilidad de Y
R Y : E
1
Y P(Y=y)0 0,2
1 0,3
2 0,3
3 0,2
0 2
3
100 / 20 ) 1 (SucesoA = P
100 / 20 ) 4 (Suceso A = P
1
… 2
6
Trab. sin hijos Trab. 1 hijo
Trab. 2 hijos
Trab. 3 hijos
A1
A2 A3
A4
100 / 30 ) 3 (SucesoA = P
100 / 30 ) 2 (Suceso A = P
3
1)Función de distribución de X 2)Función de distribución de Y
Y F(y)
0 0,2
1 0,5
2 0,8
3 1
X F(x)
0 1/2
1 1
Tema 5 Modelos de distribuciones de Probabilidad
Esperanza de una variable aleatoria X:
∑
=⋅
= k
i
pi xi X
E
1
)
Variable discreta (
Variable continua +∞∫
∞
−
⋅
= x f x dx X
E( ) ( )
Varianza de una variable aleatoria X:
+∞
∫
∞
−
−
= x E X f x dx
X
V( ) ( ( ))2 ( )
2 2
2 1
2 1
2 ( ) ( ) ( )
)) ( ( )
(X xi E X pi xi pi E X E X E X
V
k
i k
i
−
=
−
=
⋅
−
=
∑ ∑
=
=
Variable discreta Variable continua
Ejemplos:
∑
=⋅
= k
i
pi xi X
E
1
) X P(X=x) (
0 1/2
1 1/2
2 / 1 2 / 1 1 2 / 1 0 )
(X = ⋅ + ⋅ = E
25 , 0 5 , 0 ) 2 / 1 1 2 / 1 0 ( ) ( ) ( )
(X =E X2 −E X 2 = 2⋅ + 2⋅ − 2 = V
Tema 5 Modelos de distribuciones de Probabilidad
Ejemplos:
∑
=⋅
=
ki
pi xi X
E
1
)
Y P(Y=y)
(
0 0,2
1 0,3
2 0,3
3 0,2
5 , 1 2 , 0 3 3 , 0 2 3 , 0 1 2 , 0 0 )
( X = ⋅ + ⋅ + ⋅ + ⋅ =
E
2 2
2 2
2 2
2
) ( ) ( 0 0 , 2 1 0 , 3 2 0 , 3 3 0 , 2 ) 1 , 5
( )
( X = E X − E X = ⋅ + ⋅ + ⋅ + ⋅ −
V
Modelos de probabilidad de variables aleatorias discretas MODELO BERNOULLI
Se aplica este modelo a una situación derivada de un experimento aleatorio con sólo dos resultados posibles que llamamos éxito y fracaso. Sea p la probabilidad de éxito y q, la de fracaso. Se define la variable aleatoria X =1 si tiene lugar un éxito y X=0, si es un fracaso.
p X
E ( ) =
X P(X=x)
0 q
1 p
Función de probabilidad
q p X
V( ) = ⋅
Tema 5 Modelos de distribuciones de Probabilidad
Modelos de probabilidad de variables aleatorias discretas
MODELO BERNOULLI (continúa)
∑
=⋅
= k
i
pi xi X
E
1
)
( E(X)=0⋅q+1⋅p= p
pq p p p p p p q
X E X E X
V( )= ( 2)− ( )2 =(02⋅ +12⋅ )− 2 = − 2 = (1− )=
Ejemplo
La proporción de parados en una población es de 0,2. Se selecciona un individuo al azar de dicha población. Se define la variable aleatoria
Y =1 si está en paro, e Y=0, si no lo está.
Determina le media y varianza de Y.
E(Y)=0,2; V(Y)=0,16
Tema 5 Modelos de distribuciones de Probabilidad
Modelos de probabilidad de variables aleatorias discretas
MODELO BINOMIAL
Se aplica este modelo a una situación derivada de repetir n veces una prueba o experimento aleatorio con sólo dos resultados posibles que llamamos éxito y fracaso.
Sea p la probabilidad de éxito y q, la de fracaso.
La probabilidad de éxito permanece constante en las n repeticiones o realizaciones
Las pruebas son independientes. El resultado de cualquiera de ellas no afecta a los resultados de las otras.
Se define la variable aleatoria
X =número de éxitos entre las n repeticiones del experimento aleatorio.
La variable X puede tomar los valores 0, 1, 2, …, n. La función de probabilidad viene dada por
n ..., 2, 1, 0, k )! con
(
! ) !
( =
= −
= pkqn−k
k n k k n X P
np X
E ( ) =
V(X) = n⋅ p⋅qFunción de probabilidad
Indicaremos que una variable aletaoria sigue un modelo binomial de parámetros n y p
) , ( n p B
X →
Tema 5 Modelos de distribuciones de Probabilidad
Modelos de probabilidad de variables aleatorias discretas
EJEMPLO MODELO BINOMIAL
La proporción de parados en una población es de 0,2. Se seleccionan 4 individuos al azar de dicha población. Se define la variable aleatoria
Y=número de parados entre los 4 seleccionados a) Determina la media y varianza de Y.
b) P(ninguno esté en paro) c) P(al menos 2 parados)
n ..., 2, 1, 0, k con )
2 , 0 1 ( 2 , )!0 (
! ) !
( − =
= −
= k n−k
k n k k n Y
Función de probabilidad P )
2 , 0 , 4 ( B Y →
8 , 0 2 , 0 4 )
( X = np = ⋅ =
E
V(X) = n⋅ p⋅q = 4⋅0,2⋅0,8 = 0,64a)
4096 , 0 8 , 0 8 , 0 2 , )!0 0 4 (
! 0
! ) 4
0
( 0 4 = 4 =
= −
= Y
b)
P[ ( 0 ) ( 1 ) ]
1 ) 2 (
1 ) 2
( Y ≥ = − P Y < = − P Y = + P Y = c) P
4096 , 0 8 , 0 2 ,
!0 3
! 1
! 8 4 , 0 2 , )!0 1 4 (
! 1
! ) 4
1
( 1 3 = 1 3=
= −
= Y P
[ ( 0 ) ( 1 ) ] 1 0 , 4096 0 , 4096 0 , 1808
1 ) 2
( Y ≥ = − P Y = + P Y = = − − =
P
Tema 5 Modelos de distribuciones de Probabilidad
Modelos de probabilidad de variables aleatorias discretas
MODELO POISSON
Se aplica este modelo a una situación derivada de observar sobre un espacio continuo
(tiempo, longitud, área, etc.) el número de veces que ocurre un suceso determinado (éxito).
Por ejemplo, número de accidentes laborales ocurridos en un año en una empresa.
La probabilidad del suceso éxito permanece constante en todo el espacio continuo.
Dadas dos partes disjuntas del espacio continuo, el número de éxitos ocurridos en una de ellas es independiente del número ocurrido en la otra.
Se define la variable aleatoria
X =número de éxitos ocurridos por unidad de espacio continuo.
La variable X puede tomar los valores 0, 1, 2, …, n,…
La función de probabilidad viene dada por
...
n, ..., 2, 1, 0, con x ) !
( = = − =
x x e
X P
λ
xFunción de probabilidad λ
continuo espacio
de unidad por
éxitos de
medio º
n )
( X = λ =
Donde
E
λ
= ) ( X V
Indicaremos que una variable aletaoria sigue un modelo Poisson de parámetro lambda:
)
( λ
P
X →
Tema 5 Modelos de distribuciones de Probabilidad
Modelos de probabilidad de variables aleatorias discretas
EJEMPLO MODELO POISSON
El número de clientes nuevos diario que llega a una asesoría laboral sigue en modelo de Poisson. Se sabe que el número medio de clientes nuevos diario es de 1,3
Determina
a) Probabilidad de que en un día dado no llegue ninguno b) Probabilidad de que lleguen al menos 2.
...
n, ..., 2, 1, 0, con x
! 3 , ) 1
(
3 ,
1 =
=
= −
x x e
X P Función de probabilidad x
) 3 , 1 ( P X →
Donde e=
2,718281828
2725 ,
! 0 0
3 , 1 0) e
P(X 1,3
0
-1,3 = =
=
= e−
a)
[
( 0) ( 1)]
1 ) 1 (
1 ) 2 (
1 ) 2
(X ≥ = −P X < = −P X ≤ = − P X = + P X =
b)
P3543 , 0 3 ,
! 1 1
3 , 1 1) e
P(X 1,3
1
-1,3 = =
=
= e−
3543 , 0 2725 , 0 1 ) 2
(X ≥ = − −
P
Tema 5 Modelos de distribuciones de Probabilidad
Modelos de probabilidad de variables aleatorias continuas
MODELO NORMAL
Este modelo es uno de los más utilizados en la estadística clásica. Presenta una función de densidad simétrica, con forma de campara (campana de Gauss). En el centro de la
distribución coinciden la media, mediana y moda. Notaremos con las letras mu y sigma la
media y desviación típica, respectivamente. Estos dos parámetros caracterizan a la distribución
) , ( µ σ N
X →
2
2 1
2 ) 1
(
⎟⎠
⎜ ⎞
⎝
− ⎛ −
=
σµ
σ π
x
e x
f
Función de densidad
µ
Tema 5 Modelos de distribuciones de Probabilidad
Modelos de probabilidad de variables aleatorias continuas
MODELO NORMAL (continúa)
Existen tablas de la función de distribución de la variable normal estadarizada, Z, que permiten determinar las probabilidades en un modelo normal cualquiera X, sin más que tener en cuenta la siguiente propiedad:
) 1 , 0 ( X N
Z = − → σ
) µ , ( µ σ N
X →
La probabilidad de que la variable X tome valores en un intervalo cualquiera (a, b) es igual a la probabilidad de que la variable estandarizada tome valores en el intervalo estandarizado.
) (
) (
) (
)
( b P za Z zb
a Z b P
X P a
b X a
P − = < <
<
− <
− =
− <
− <
=
<
<
σ
µ σ
µ σ
µ σ
µ σ
µ
µ X
a b
Estandarización o tipificación
za 0 zb
Z
Tema 5 Modelos de distribuciones de Probabilidad
Modelos de probabilidad de variables aleatorias continuas
EJEMPLO DE MODELO NORMAL
El consumo energético anual por hogar en una ciudad sigue un modelo normal de media 1200 y desviación típica 400 €.
a) Probabilidad de que seleccionado al azar un hogar, tenga un consumo superior a 2000.
b) ¿Qué proporción de hogares tiene consumo inferior a 800€?
c) ¿A partir de qué valor está el 10% de los que más consumen?
0228 , 0 9772 , 0 1 ) 2 (
1 ) 2 (
400 ) 1200 2000
400 ( 1200 )
2000
( > = X − > − = P Z > = −P Z < = − =
P X
P
) 400 , 1200 (
N
X → ( 0 , 1 )
400
1200 N
Z X − →
= a)
0 2
X
2000
0,0228
0,0228 1200
Estandarización o tipificación
Z
Tema 5 Modelos de distribuciones de Probabilidad
Modelos de probabilidad de variables aleatorias continuas
EJEMPLO DE MODELO NORMAL (continúa)
b) ¿Qué proporción de hogares tiene consumo inferior a 800€?
) 1 , 0 400 (
1200 N Z = X − → )
400 , 1200 (
N X →
1587 ,
0 ) 1 (
400 ) 1200 ( 800
) 800
( − = < − =
<
=
< P Z P Z
X b) P
1200
X
Z
0 800
-1 0,1587
0,1587
Estandarización o tipificación
c) ¿A partir de qué valor está el 10% de los que más consumen?
Tema 5 Modelos de distribuciones de Probabilidad
Modelos de probabilidad de variables aleatorias continuas
EJEMPLO DE MODELO NORMAL (continúa)
c) ¿A partir de qué valor está el 10% de los que más consumen?
) 1 , 0 400 (
1200 N Z = X − → )
400 , 1200 (
N X →
28 , 1 90 )
90 (
400 ) 1200 ( 90
) 90 (
9 ,
0 = < X = < P X − =P Z < P Z ⇒P Z = Z
P P
X
c)
P1200
X
Z
P90
0 P90 0,1
0,1 0,9
0,9
1200 400
90 400 90
1200
90Z = P90X − ⇒P X =P Z ⋅ + P
1712 1200
400 28 , 1
90X = ⋅ + =
P
Tema 5 Modelos de distribuciones de Probabilidad
Aproximación de Modelos de probabilidad de variables aleatorias discretas a continuas
Aproximación del modelo Binomial al modelo Normal. Corrección por continuidad Si el parámetro n de una distribución binomial es grande y p no presenta valores muy extremos (fuera del intervalo de extremos 0,1 y 0,9) la distribución del
modelo de Binomial se puede aproximar a la de un modelo normal:
( np npq )
N p
n
p n B X
=
=
⎯
⎯
⎯ →
⎪ ⎯
⎭
⎪ ⎬
⎫
<
<
>
→
σ µ , 9
, 0 1
, 0
30
) , (
aproxima se
) , ( n p B
X →
Aproximación
) ,
( np npq N
X →
Esta estrategia de aproximación es útil para simplificar los cálculos en aquellos casos que no se dispone de tablas de distribución binomial para valores altos de n
Tema 5 Modelos de distribuciones de Probabilidad
Aproximación de Modelos de probabilidad de variables aleatorias discretas a continuas
Aproximación del modelo Binomial al modelo Normal. Corrección por continuidad Observa que para aproximar la variable discreta a la continua hemos de asignar al suceso constituido por un punto (X=k), todos aquellos valores que están más próximos a k, es decir, el suceso formado por el intervalo (k-0,5; k+0,5)
) , ( n p B
X →
0,5 0,5
k-1 k k+1
) 7 , 0 3 , 0 50 ,
3 , 0 50
( ⋅ ⋅ ⋅
→ N X
Ejemplo:
En una variable X que sigue un modelo B(50,0,3) la P(X=7) se aproxima a P(6,5 < X < 7,5)
en una normal
Tema 5 Modelos de distribuciones de Probabilidad
Aproximación de Modelos de probabilidad de variables aleatorias discretas a continuas
Ejemplo: Aproximación del modelo Binomial al modelo Normal
Se ha seleccionado una muestra de 300 trabajadores de una población grande.
La probabilidad de pertenecer a un sindicato A es 0,25.
a)Determina la probabilidad de que en la muestra seleccionada, haya más 100 afiliados al sindicato.
b)P(más de 70 y menos de 77)
Aproximación )
25 , 0 , 300 ( B
X → X → B ( 75 , 7 , 5 )
0 ) 4 , 3 (
1 5 )
, 7
75 5
, ( 100
1 ) 5 , 100 (
1 ) 100 (
1 ) 100
( − = − < =
≤
−
=
≤
−
≈
≤
−
=
> P X P X P Z P Z
X P
Normal Binomial
Binomial
a)
b)
) 2 , 0 6
, 0 ( 5 )
, 7
75 5 , 76 5
, 7
75 5 , (70 )
5 , 76 5
, 70 ( ) 76 71
( ) 77 70
( < X < = P ≤ X ≤ ≈ P ≤ X ≤ = P − ≤ Z ≤ − = P − ≤ Z <
P
Normal Binomial
Binomial
305 , 0 2743 , 0 5793 , 0 ) 6 , 0 (
) 2 , 0 (
) 2 , 0 6
, 0
(− ≤ ≤ = ≤ − ≤− = − =
=P Z P Z P Z