Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Distribuciones de Probabilidades
Unidad II

Probabilidad y Estadstica
Alex Antequeda Campos

2015

Poisson

Weibull

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Conceptos
El objetivo de esta parte es presentar una introducci
on a la teora de
probabilidades como fundamento para la inferencia estadstica, la que
finalmente nos permitira tomar una decisi
on sobre nuestro problema.
Definici
on
Un Experimento Aleatorio es un proceso (repetible) cuyo resultado no
se conoce de antemano.
Si se repite un exp. aleatorio bajo las mismas condiciones y anotamos las
frecuencias relativas de un suceso, observaremos que estas tienden a
estabilizarse alrededor de un n
umero que esta entre 0 y 1. Este valor
recibe el nombre de probabilidad.
Definici
on
Un Experimento Determinstico es un experimento del cual sabemos
de antemano lo que sucedera.
Ej: Si tomamos una piedra y la dejamos caer estamos seguros de que
caera.

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Conceptos

Ejemplo: Sea el experimento aleatorio: lanzar una moneda tres veces.

Podemos contar el n
umero de resultados posibles de este experimento
como un conjunto:
= {CCC , CCS, CSC , CSS, SCC , SCS, SSC , SSS}
O con un diagrama de arbol.
Definici
on
Un Espacio Muestral es el conjunto de todos los valores posibles de un
experimento aleatorio.

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Ejercicios

Escribir el espacio muestral para los siguientes experimentos:

a) Lanzar una moneda y se observa el lado visible.
b) Lanzar dos dados y se registran los n
umeros que aparecen en cada
dado.
c) Lanzar dos dados y anotar la suma de los valores.
d) tomar una muestra aleatoria de tama
no 10 de un lote de piezas y
contar las que tienen defectos.
e) El tiempo de espera en la llegada de la micro en el paradero.

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Conceptos
Definici
on
Un evento es cualquier subconjunto del espacio muestral .
Se dice que un evento A ocurre si cualquiera de los elementos o
resultados en A ocurren.
Por lo general se usan diagramas de Venn, de la teora de conjuntos, para
visualizar el espacio muestral y los eventos.

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Conceptos

Definici
on
La uni
on de dos eventos, representado por A o B, se denota por: A B
Definici
on
La intersecci
on de dos eventos, representado por A y B, se denota
por: A B
Es importante distinguir el conjunto resultante de la union () o la
intersecci
on () de sucesos.

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Conceptos
Definici
on
El complemento de un evento o suceso es el conjunto de resultados que
no estan contenidos en ese suceso, es representado por no A y se
denota: AC
Definici
on
Dos eventos A y B son disjuntos o mutuamente excluyentes si no
tienen elementos en com
un. As, si un evento ocurre, el otro no puedo
ocurrir.
Ejemplos:
- Lanzamiento de una moneda
- Un vendedor hace una venta:
A = la venta excede los $5.000
B = la venta excede los $50.000
C = la venta es de mas de $100.000
D = la venta es de entre $10.000 y $40.000

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Probabilidad
Definici
on
La probabilidad de que ocurra un evento es la frecuencua relativa con la
que puede esperarse que ocurra ese evento, si fuera repetido muchas
veces. (definici
on frecuentista)
Ejemplo: Lanzamiento de una moneda.

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Probabilidad
Formalizando el concepto de probabilidad y generalizando:
f (A) =

nA
P(A),
n

cuando

(1)

 : experimento
A: suceso
nA : frecuencia absoluta del suceso A
n: n
umero de repeticiones del experimento 
f(A): proporci
on de veces que se verifica el suceso A
Es decir, la probabilidad de un suceso (o resultado) es el n
umero hacia el
cual tiende la frecuencia relativa del mismo cuando el n
umero de
repeticiones de la experiencia tiende a infinito. Es decir, es una frecuencia
relativa calculada en la poblaci
on. Esta definici
on de probabilidad se
conoce como definici
on frecuencial de probabilidad

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Probabilidad
Definici
on
Se considera a la probabilidad de ocurrencia de un resultado determinado
de un experimento aleatorio, como la proporci
on de veces (frecuencia
relativa) que se obtiene dicho resultado depues de una gran cantidad
de repeticiones. (definici
on clasica)
Reglas de Probabilidades:
Para cualquier evento A, le asignaremos el n
umero P(A) llamado
probabilidad del evento A.
A cada resultado en el espacio muestral le asignamos una
probabilidad entre 0 y 1, tal que la suma de estas probabilidades es
igual a 1.
La probabilidad de cualquier evento es la suma de las probabilidades
de los resultados que hacen aquel evento.

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Probabilidad
Si los resultados de son equiprobables (igualmente probables), la
probabilidad de un evento A es simplemente la proporcion de resultados
de A en el espacio muestral.
numero

de resultados favorales de A
numero

de resultados posibles

casos favorables
casos posibles

Definici
on
La probabilidad es asignada a un suceso por una persona en particular.
La misma puede ser bastante diferente de la probabilidad subjetiva que
estipula otra persona. (Definici
on subjetiva)
Ejemplo: Si un empresario piensa que hay una probabilidad de 0.35 de
que un nuevo producto tenga exito en el mercado, esto constituye una
probabilidad subjetiva. El valor es una opini
on, mas que un valor basado
en evidencia objetiva. Esto es frecuente en la toma de desiciones en el
mercado, siendo confiable si la determina un experto en la materia.

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Ejercicio
Asignado probabilidades a eventos.
Experimento: Lanzar dos dados. Asuma que los 36 puntos en el espacio
muestral son equiprobables. cual es la probabilidad de los siguientes
eventos?
= {(1, 1)(1, 2)...(1, 6)(2, 1)...(4, 5)..(5, 5)...(6, 6)}
a) Evento A = No sale seis
b) Evento B = Sale exactamente un seis
c) Evento C = Salen exactamente dos seis
d) Evento D = Sale al menos un seis
e) compare 1 P(A) con P(D)
f) Considere la suma de los valores de dos dados:
Cu
al es la probabilidad de obtener una suma de 3?
Cu
al es la probabilidad de obtener una suma de al menos 11?

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Reglas de Probabilidades

1) Cualquier probabilidad es siempre un valor numerico entre 0 y 1. la

probabilidad es cero cuando el evento no puedo ocurrir y es 1 si el
evento es seguro.
0 P(A) 1
(2)
2) Si sumamos las probabilidades de cada resultado individual en el
espacio muestral, la probabilidad total tiene que ser uno.
P() = 1

(3)

3) La probabilidad de que un evento A ocurra es uno menos la

probabilidad de que el evento no ocurra.
P(A) = 1 P(AC )

(4)

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Reglas de Probabilidades

4) Regla de la suma: La probabilidad de que un evento A o un evento B

ocurra es la suma de sus probabilidades individuales menos la
probabilidad de la interacci
on.
P(A o B) = P(A B) = P(A) + P(B) P(A B)

(5)

Si los dos eventos Ay B son disjuntos, es decir, no tienen elementos

en com
un, entonces:
P(A o B) = P(A B) = P(A) + P(B)
Ejercicio en pizarra

(6)

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Probabilidad Condicional
En algunas ocaciones, el conjunto de todos los resultados posibles
puede constituir un subconjunto del espacio muestral original.
Definici
on
La probabilidad condicional de que ocurra el evento A dado que el
evento B ocurri
o esta dada por:
P(A/B) =

P(A B)
P(B)

donde P(B) > 0

(7)

De la relaci
on anterior se deduce que podemos escribir la interseccion de
otra manera usando la regla de la multiplicaci
on:
P(A B) = P(B)P(A/B) = P(A)P(B/A)

(8)

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Ejemplo
Los alumnos en una universidad de espa
na son 5453, en la tabla se
muestra el detalle de la composici
on.

Pregrado
Postgrado
Total

Mujeres
2461
67
2528

Hombres
2848
77
2925

Total
5309
144
5453

a) Cual es la probabilidad de que un estudiante elegido al azar sea un

estudiante de postgrado?
b) Cual es la probabilidad de que una mujer elegida al azar sea
estudiante de postgrado?
c) En este contexto, dar un ejemplo de eventos mutuamente excluyentes.

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Ejercicios

1) Sea el experimento de lanzar un dado.

a) Cu
al es la probabilidad de obtener un dos?
b) Suponga que sabemos que el resultado es par, Cu
al es ahora la
probabilidad de obtener un dos?

2) Sea el experimento de lanzar una moneda dos veces.

a) Cu
al es la probabilidad de que salga cara en el segundo lanzamiento?
b) cu
al es la probabilidad de que salga cara en el segundo lanzamiento
dado que sali
o cara en el primer lanzamiento?

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Prob. de Sucesos Independencia

Cuando el resultado de un evento no afecta la probabilidad de ocurrencia
de otro evento, se dice que los sucesos son estadsticamente
independientes.
Definici
on
Dos eventos A y B son independientes si:
P(A/B) = P(A),

P(B/A) = P(B)

(9)

Si dos eventos A y B son independientes, entonces la regla de

multiplicaci
on nos queda:
P(A B) = P(A)P(B)

(10)

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Ejemplo
SERNAC realiza una encuesta de calidad del servicio de reparacion de
autom
oviles en 86 talleres:
Talleres
Autorizado
No Autorizado

Atenci
on
Buena Mala
18
6
34
28

a) Cu
al es la probabilidad de que un taller elegido al azar de una buena atenci
on?
b) Cu
al es la probabilidad de que un taller elegido al azar sea no autorizado?
c) Cu
al es la probabilidad de que un taller elegido al azar sea no autorizado y de una buena
atenci
on?
d) Cu
al es la probabilidad de que los talleres no autorizados den una buena atenci
on?
e) Son los eventos no autorizados y buena atenci
on disjuntos?
f) Son los eventos no autorizados y buena atenci
on independientes?
g) Si fueran independientes, Cu
antos talleres no autorizados que dan buena atenci
on esperaras
encontrar?

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Teorema de la Probabilidad Total

Definici
on
El teorema de la probabilidad total consiste que en un sistema
completo de sucesos (A1 , A2 ..., An ) tal que cada probabilidad de cada uno
de ellos es distinta de cero, y sea B un suceso cualquiera del que se
conocen las probabilidades condicionales P(B/Aj ), entonces la
probabilidad del suceso B viene dada por la expresi
on:
P(B) = P(A1 )P(B/A1 ) + P(A2 )P(B/A2 ) + + P(An )P(B/An ) (11)

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Teorema de Bayes

Definici
on
La probabilidad condicional toma en cuenta informaci
on acerca de la
ocurrencia de un suceso para encontrar la probabilidad de otro. este
concepto puede extenderse para revisar probabilidades basadas en nueva
informaci
on y para determinar la probabilidad de que un efecto en
particular se deba a una causa especfica. El procedimiento para revisar
estas probabilidades se conoce como Teorema de Bayes.

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Teorema de Bayes
Si ciertas causas tienen probabilidad a priori P(Ak ) y Existe un efecto B,
que no siempre ocurre cuando se presenta la causa, por eso se habla de
P(B/Ak ).
Cuandose usa la probabilidad condicional para invertir lo anterior, se
calcula la probabilidad de una causa, dado el efecto, es decir, la
probabilidad a posteriori P(Ak /B).
Definici
on
Es decir, dado P(Ak ) y P(B/Ak ) se deduce P(Ak /B) Por lo que el
Teorema de Bayes se obtiene en la ecuaci
on:
P(Aj )P(B/Aj )
P(Aj /B) = Pk
i=1 P(Ai )P(B/Ai )

j = 1, 2, 3, . . . , k

Donde el denominador es la aplicaci

on del teorema de probabilidades
totales.

(12)

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Ejemplo
Una fabrica que produce material para la construcci
on tiene 3 maquinas,
a las que se les denomina A, B y C. La maquina A produce tabique, la B
adoqun y la C losetas. La maquina A produce el 50 % de la produccion
total de la fabrica, la B el 30 % y la C el 20 %. Los porcentajes de
artculos defectuosos producidos por las maquinas son, respectivamente,
3 %, 4 % y 5 %. Si se selecciona un artculo al azar y se observa que es
defectuoso, encontrar la probabilidad de que sea un tabique.

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Ejemplo
Una fabrica que produce material para la construcci
on tiene 3 maquinas,
a las que se les denomina A, B y C. La maquina A produce tabique, la B
adoqun y la C losetas. La maquina A produce el 50 % de la produccion
total de la fabrica, la B el 30 % y la C el 20 %. Los porcentajes de
artculos defectuosos producidos por las maquinas son, respectivamente,
3 %, 4 % y 5 %. Si se selecciona un artculo al azar y se observa que es
defectuoso, encontrar la probabilidad de que sea un tabique.
Definamos el evento D como sea un artculo defectuoso. Tenemos que:
P(A)=0.5, P(B)=0.3, P(C)=0.2
P(D/A)=0.03, P(D/B)=0.04, P(D/C)=0.05
P(A)P(D/A)
P(A)P(D/A) + P(B)P(D/B) + P(C )P(D/C )
(0.5)(0.03)
=
(0.5)(0.03) + (0.3)(0.04) + (0.2)(0.05)
0.015
=
= 0.4054
0.037

P(A/D) =

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Variables Aleatorias Discretas

El resultado de un experimento aleatorio puede ser descrito en

ocaciones como una cantidad numerica.
En estos casos aparece la noci
on de variable aleatoria.
Funci
on que asigna a cada suceso un n
umero.

Las variables aleatorias pueden ser discretas o continuas.

Definici
on
Una Variable Aleatoria X es una funci
on que asocia a cada suceso del
espacio muestral de un experimento aleatorio un valor numerico real:
X :<
w X (w )

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Variables Aleatorias Discretas

Ejemplo: N
umero de caras al lanzar 3 monedas.

Binomial

Poisson

Weibull

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Variable Aleatoria Discreta

Si le preguntaramos a alguien que piense un numero entero del 1 al 100.
Que n
umero sera?
Para esto debemos introducir una funci
on matematica: la funci
on de
probabilidad

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Funcion de Probabilidad

Definici
on
Una vez definida una variable aleatoria X, podemos definir una funci
on
de probabilidad asociada a X, de la siguiente forma:
p : < [0, 1]
x p(x) = P(X = x)
La funci
on de probabilidad debe cumplir:
(i) p(x) 0 x <
P
(ii)
x p(x) = 1

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Ejemplo

Sea el experimento lanzar dos dados. Definamos el espacio muestral

como:
= {(1, 1), (1, 2), . . . (1, 6), . . . , (5, 6), (6, 6)}
Definiendo la variable aleatoria discreta X como:
X :S <
Con S = {2, 3, . . . , 12} la suma de puntos.
Una posible funci
on de probabilidad es: f : < [0, 1]
1
f (2) = P(X = 2) = P((1, 1)) = 36
2
f (3) = P(X = 3) = P((1, 2) (2, 1)) = 36
3
f (4) = P(X = 4) = P((1, 3) (3, 1) (2, 2)) = 36

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Ejemplo

Podemos Observar que cumple las dos condiciones: es siempre positiva y

esta normalizada (la suma de todas las probabilidades es 1)

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Funcion de Distribucion Acumulada

Definici
on
Dada una variable aleatoria discreta X se llama funci
on de distribuci
on
a la funci
on F definida como:
F : < [0, 1]
x F (x) = P(X x)

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Ejemplo
Dibujar la func. de probabilidad f(x) y la func. de distribucion F(x) de la
siguiente variable aleatoria:
X = N
umero en la cara de un dado.
Podemos definir = {1, 2, 3, 4, 5, 6} y cada uno con probabilidad de 16 .

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Funcion de Distribucion Acumulada

Podemos definir la probabilidad de que X asuma alg
un valor en un
intervalo.
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 (b) = F (a) + P(a < X b)
Propiedades:
0 F (x) 1

x <

F () = 0 y F () = 1
si h > 0, entonces F (x + h) F (x) x

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Esperanza y Varianza de una variable aleatoria

Definici
on
Valor esperado (Esperanza)
Se representa mediante E[X] o
Es el equivalente a la media
= E [X ] =

xi P(X = xi ) =

xi p(xi )

Propiedades:
Sean B y C constantes y X e Y variables aleatorias.
E [C ] = C
E [CX ] = C E [X ]
E [CX + B] = C E [X ] + B
E [X + Y ] = E [X ] + E [Y ]
E [X Y ] = E [X ] E [Y ]

(13)

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Momento de orden k de una v.a.

Definici
on
De forma mas general se puede definir la esperanza o media no solo para
una variable aleatoria X, sino para cualquier funci
on T (X ) como:
X
X
= E [T (X )] =
T (xi )P(Xi = xi ) =
T (xi )p(xi )
i

Tomando como funciones a Ti (X ) = X k

Obtenemos los momentos de orden k centrados en el origen:
X
mk = E [X k ] =
xik p(xi )
i

Y tomando como funciones a T2 (X ) = (X )k

Obtenemos los momentos de orden k centrados en la media de X:
X
Mk = E [(X )k ] =
(x )k p(xi )
i

se observa que:

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Varianza y Desviacion Estandar

Definici
on
Varianza
Se representa mediante Var(X) o 2
Se llama desviaci
on estandar a
2 = Var (X ) = M2 = E [(X )2 ] = (Xi )2 P(X = xi )
y la desviaci
on est
andar:
=

p
Var (X )

Ambas miden la dispersi

on de los datos.

Weibull

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Varianza

Propiedades:
2 = E [X 2 ] (E [X ])2
Var (C ) = 0 si C es constante.
Var (CX ) = C 2 Var (X )
Var (CX + B) = C 2 Var (X )
Var (X Y ) = Var (X ) + Var (Y )
Donde X e Y son v.a.

Bernoulli

Binomial

Poisson

Weibull

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Variables Aleatorias Continuas

En una v.a. continua el experimento se realiza sobre un espacio muestral

que esta relacionado con escalas en intervalos (distancias, pesos,
tiempo, medidas, etc.)
Definici
on
Definida una variable aleatoria continua X, podemos definir una
funci
on asociada a X, de la siguiente forma:
f :<<
La cual recibe el nombre de funci
on de densidad de probabilidad
(fdp).

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Funcion Densidad de Probabilidad (fdp)

Definici
on
Sea X una variable aleatoria continua. La funci
on densidad de
probabilidad es una funci
on que satisface:
(i) f (x) 0 x
Z +
(ii)
f (x)dx = 1

Weibull

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Funcion Densidad de Probabilidad (fdp)

Para calcular la P(a X b) del intervalo [a, b], es la misma de los
intervalos ]a, b], ]a, b[ y [a.b[, No asi en variable discreta.

A partir de la grafica obtenemos que dicha probabilidad es el area bajo la

curva entre el punto a y b.
Z b
P(A) = P(a X b) =
f (x)dx
a

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Funcion de Distribucion Acumulada

En una variable aleatoria continua disponemos de un conjunto no
numerable de valores, por lo que no es posible definir una probabilidad
para cada uno.
Definici
on
La funci
on de distribuci
on acumulada (fda) viene dada por:
F : < [0, 1]
x F (x) = P(X x)
F (x) =

Rx

f (t)dt

x <

Donde f (x) es la funci

on de densidad de probabilidad de la distribucion
F (X ). De lo anterior diferenciando tenemos:
dF (x)
= f (x)
dx
para cada x donde f (x) es continua.

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Funcion de Distribucion Acumulada

Calculo de la Probabilidad con la fda:
Z

P(a x b) = F (b) F (a) =

f (x)dx
a

Observaciones:
Z

1) F (x) = P(X x) =

f (t)dt

2) F () = 0 ; F () = 1
3) Fx es no decreciente
Z
4) E [X ] =
xf (x)dx
R
Z
5) Var (X ) = (x E [X ])2 f (x)dx
R

Binomial

Poisson

Weibull

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Distribucion Bernoulli
Definici
on
En un experimento de Bernoulli s
olo son posibles dos resultados
excluyentes: exito o fracaso. Definiendo la variable aleatoria discreta X de
modo que: exito = 1 y fracaso = 0.
Si p es la probabilidad de exito y q = 1 p la probabilidad de fracaso, se
puede construir una funci
on de probabilidad:
P(X = x) = p x q 1x
Donde se tiene que:
P1
x=0 P(X = x) = p + q = 1
E [X ] = = p
Var (X ) = p(1 p) = pq

x = 0, 1

(14)

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Distribucion Binomial
Definici
on
La distribuci
on Binomial aparece cuando estamos interesados en el
n
umero de veces que un suceso A ocurre (exitos) en n intentos
independientes de un experimento bernoulli.
Definiendo la variable aleatoria discreta: X = N
umero de veces que
ocurre A.
Considerando alg
un valor x de la variable X, en x de los n intentos ocurre
A y en n x no ocurre. Entonces la
probabilidad de cada posible
combinaci
on es p x q nx y existen xn identicas combinaciones.
La distribuci
on de probabilidad P(X = k) es:
 
n x
n!
p x (1 p)nx (15)
B(n, p) : P(X = x) =
p (1 p)nx =
x!(n x)!
x

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Distribucion Binomial
Media y Varianza de la distribuci
on Binomial:
= E [X ] = np

2 = np(1 p)

Ejemplo: Cual es la probabilidad de que en una familia de 4 hijos

exactamente 2 sean ni
nas?
p = 0.5

n=4 x =2
 
4
(0.5)2 (1 0.5)(42)
2
4!
(0.5)4
=
(4 2)!2!

P(X = 2) =

= 6 0.54 = 0.375

Weibull

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Ejercicio

En un pas la probabilidad de que una persona que ha sufrido un cancer

de colon y recto tenga una mutaci
on en el gen p53 es del 60 %. Se toma
una muestra de 5 pacientes con este tipo de cancer. Cual es la
probabilidad de que como mucho uno de ellos tenga el gen mutado?
Cual es el n
umero esperado de pacientes, de entre esos 5, que
tendra mutaci
on en el gen? Cual es la varianza?

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Distribucion de Poisson
Definici
on
Cuando el n
umero de intentos es grande en una distribucion binomial, la
probabilidad de exito es peque
na y la media es finita y tiende a ,
entonces la distribuci
on binomial converge a la distribuci
on de Poisson:
P(x) =

e x
, x = 0, 1, 2, ...
x!

>0

Donde:
= E [X ] =

2 = Var (X ) =

En la practica, si X B(n,p) con n 30 y p < 0.1 entonces

P(X = k) ' P(Y = k)
Donde Y Poisson() y = np

(16)

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Distribucion de Poisson

La distribuci
on de Poisson se utiliza generalmente como modelo
probabilstico para el n
umero de sucesos independientes que se producen
en una unidad de tiempo o de espacio cuando la tasa o frecuencia de esos
sucesos es contante (llegadas, accidentes, llamadas, etc).
Ejemplo: Si la probabilidad de fabricar un artculo defectuoso es
p = 0.01, Cual es la probabilidad de que en un lote de 100 artculos
contenga mas de 2 artculos defectuosos?
n = 100
p = 0.01 La probabilidad de tener un artculo defectuoso
Se necesita calcular P(X > 2), calculamos el complemento
P(X 2) = P(X = 0) + P(X = 1) + P(X = 2) y lo restamos a 1.

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Distribucion de Poisson

P(X 2) = P(X = 0) + P(X = 1) + P(X = 2)


100   

99

99
100
1 1
99
100
1 0
+
+
P(X 2) =
100
100
1
100
100
0





98
100
1 2
99
2
100
100


P(X 2) = 0.9206
Por lo que P(X > 2) = 1 0.9206 = 0.0794
Aproximando a una distribuci
on de Poisson con = np = 1, sumando
P(0) + P(1) + P(2), se tiene que P(X 2) = 0.9197.

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Ejercicios
1) La se
nal promedio recibida en un telescopio de una fuente celeste es
de 10 fotones por segundo. Calcular la probabilidad de recibir 7
fotones en un segundo dado.
Se puede representar por una distribuci
on de Poisson con = 10
P(7) = 107

e 10
= 0.09 es decir 9 %
7!

2) Si en promedio entran 2 ambulancias por minuto en un hospital,

Cual es la probabilidad de que durante un minuto entren 4 o mas
ambulancias?
X Poisson(2), calculamos el complemento entran 3 ambulancias o
menos tiene probabilidad:
P(X 3) = P(0) + P(1) + P(2) + P(3)
 0

2
21
22
23
= e 2
+
+
+
= 0.857
0!
1!
2!
3!

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Distribucion de Weibull

Definici
on
A traves de la distribuci
on de Weibull se puede modelizar el esfuerzo al
que se someten los materiales de manera adecuada.
Posteriormente esta distribuci
on se ha usado como modelo para tiempo
de fallo para una amplia variedad de componentes mecanicos y electricos.
Se dice que una variable aleatoria continua X tiene distribuci
on de
Weibull de paramtros y positivos, si su funci
on de densidad es:
f (x) =

1 ( x )
x
e ,

Que se denota por X W (, )

x >0

(17)

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Distribucion de Weibull

Su funci
on de distribuci
on es:
x

F (x) = 1 e ( ) , > 0
Donde Sus momentos son:
E [X n ] = n (1 + n )
E [X ] = (1 + 1 )

Var (X ) = 2 [(1 + 2 ) 2 (1 + 1 )]

(18)

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Ejemplo

La distribuci
on de Weibull ha sido utilizada para modelar emisiones de
varios contaminantes de motores. Sea X la v.a. cantidad de emisiones de
un cierto gas de un motor de cuatro tiempos de un tipo seleccionado
aleatoriamente y supongamos que X tiene distribuci
on de Weibull con
= 2 y = 10.
a) Calcular P(X 10)
b) Calcular P(X 25)

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Distribucion Normal

Definici
on
La variable aleatoria continua X sigue una distribuci
on normal de
parametros y ( < < y > 0), si su funci
on de densidad es:

f (x) =
Donde E [X ] =

1
2 2

Var (x) = 2

1
2

( x
)

x <

(19)

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Distribucion Normal
Grafico de la distribuci
on normal:

El area bajo las curvas es equivalente

Poisson

Weibull

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Distribucion Normal

Algunas Propiedades:
f es simetrica respecto a , por lo que
P(X < c) = P(X > + c) para toda constante c > 0.
Si X1 N(1 , 1 ), . . . , Xn N(n p
, n ) son independientes, entonces
X1 + . . . + Xn N(1 + . . . + n , 12 + . . . + n2 ), es decir:
q
X1 X2 N(1 2 , 12 + 22 )
Si X N(, ) entonces
P( < X < + ) = 0.682
P( 2 < X < + 2) = 0.954
P( 3 < X < + 3) = 0.997

Normal

Probabilidad

Variables Aleatorias Discretas

Distribucion Normal

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Distribucion Normal Estandar

Definici
on
Se dice que una distribuci
on normal especial es la normal est
andar, es
decir aquella donde los parametros son = 0 y = 1.
Se dice que Z N(0,1) si su funci
on de densidad esta dada por:
1 z 2
f (z) = e 2
2

(20)

Esta estandarizaci
on a la variable z, desde una observacion x es a traves
de
z=

En este caso, como la variable X es normal, la interpretacion es clara:

Asigna a todo valor de N(, ), un valor de N(0, 1), que deja
Ex
actamente la misma probabilidad por debajo.

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Distribucion Normal Estandar

Existen tablas de la distribuci

on normal estandar, con las cuales se
faciilita el calculo de la probabilidad de una variable aleatoria (que tiene
una distribuci
on normal) se encuentre entre dos valores determinados.
Si la distribuci
on no es estandar, se debera estandarizar la variable.
Ejemplo: Sea X N(2, 2) y queremos calcular P(X 2.6).
Estandarizando se tiene:
P(X 2.6) = P

2.62
2

= P(Z 0.3) = 0.6179

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Tabla Normal Estandar

Bernoulli

Binomial

Poisson

Weibull

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Ejemplo

En una poblaci
on de diabeticos, la glicemia en ayunas(X) se puede
considerar como una variable distribuida normal, de media 106 y varianza
64 mg/100ml.
a) Que proporci
on de diabeticos tiene glicemia superior a 115?
P(X > 115) = 1 P(X < 115)


X
115 106
=1P
<

8
= 1 P(Z < 1.13)
= 1 0.8708 = 0.1292
El valor 1.13 se busca fuera de la tabla.

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Ejemplo
b) Si se considera un riesgo para aquellas personas diabeticas que tengan
una glicemia en el 2.5 % mas alto de la distribuci
on. A partir de que
valor se cae en esa categoria?


P

P(X < x) =0.975


X
x 106
<
=0.975

8
x 106
P(Z <
) =0.975
8

en la tabla normal estandar se busca dentro el valor 0.975 y se obtiene:

x106
8

= 1.96, despejando x = 121.68

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Ejemplo
c) Si se analiza el nivel de glicemia de 15 personas. Cual es la
probabilidad que al menos una de ellas tenga una glicemia superior a
118 mg/100ml?
Definiendo Y = N de personas con glicemia superior a 118 dentro de
las 15 que se analizan. se aprecia que Y se distribuye binomial, es
decir, Y B(15, p). Donde p = P(X < 118).
Entonces:
p = P(X > 118) = 1 P(x < 118)


X
118 106
<
=1P

8
= 1 P(z < 1.50)
= 1 0.9332 = 0.0668
Luego,
P(Y 1) = 1 P(Y = 0) = 1

15
0

(0.0668)0 (0.9332)15 = 0.645

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Teorema Central del Lmite

Dada una variable aleatoria cualquiera, si extraemos muestras de
tama
no n y calculamos los promedios muestrales, entonces:
Dichos promedios tienen distribuci
on aproximadamente normal
La media de los promedios muestrales es la misma que la de la
variable original
La desvisci
on est
andar de los promedios disminuye en un factor
raz de n (error estandar)
Las aproximaciones se hacen exactas cuando n
Este teorema justifica la importancia de la distribucion normal
Sea cualquier dato lo que midamos, cuando se promedie sobre una
muestra grande(n > 30) nos va a aparecer de manera natural la
distribuci
on normal.

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Teorema Central del Lmite

Definici
on
Sea X1 , X2 , . . . , Xn una muestra aleatoria de tama
no n identicas,
independientes e igualmente distribuidas, cuya distribucion tiene media
E [X ] = y desviaci
on estandar .
Entonces, si n



X N ,
n
Luego
X

Z N(0, 1)

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Ejemplo
Suponga que registra el peso corporal de 16 personas, donde la variable
aleatoria peso distribuye normal con media 70 kg. y desviacion estandar
de 8 kg. Cual es la probabilidad que el promedio de las 16 mediciones
sea inferior a 75 kg.?
X N(70, 8) aplicando el TCL se tiene X N(70, 84 )

P(X < 75) = P

Z<

75 70

8
4



75 70
=P Z <
2
= P(Z < 2.50)
= 0.9938

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Aproximacion Normal de una Binomial

Definici
on
En una distribuci
on B(n,p), a medida que n crece, es difcil hacer uso de
las f
ormulas y/o tablas para calcular probabilidades. Usando el Teorema
Central del Lmite, podemos aproximar la distribuci
on binomial a una
distribuci
on normal.
p
B(n, p) N(np, np(1 p)) cuando n y p esta fijo.
Es decir, si n 30 y ademas se cumple que np 5 y np(1 p) 5 se
puede usar esta aproximaci
on.

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Aproximacion Normal de una Binomial

Como se esta pasando una variable discreta a continua, es necesario

aplicar un factor de correcci
on en el calculo de las probabilidades.
Si se quiere calcular P(Y = k), se debe generar un intervalo
alrededor de k,
P(k 0.5 < Y < k + 0.5)
Si se calcula P(Y < k), no se considera el punto k,
P(Y < k 0.5)
Y si se quiere Calcular P(Y k), se incluye al punto k,
P(Y k + 0.5)

Normal

Probabilidad

Variables Aleatorias Discretas

Variables Aleatorias Continuas

Bernoulli

Binomial

Poisson

Weibull

Ejemplo
Se lanza un dado 60 veces. Cual es la probabilidad que aparezca el
n
umero 3 menos de 15 veces?
umero 3 en 60 lanzamientos.
Se define Y = N de veces que aparece el n
Y B(60, 16 ).
Se cumplen las condiciones que np = 10 5 y np(1 p) = 8.3 5,
entonces:
!
Y np
14.5 10
P(Y < 15) P(Y < 14.5) = p
<
8.3
np(1 p)
= P(Z < 1.56)
= 0.9406

Normal