Tema 14: Distribuciones de probabilidad

Asignacin de probabilidad y estadstica.

IDEA INTUITIVA: La idea intuitiva de probabilidad se basa en la llamada ley de los grandes nmeros, enunciada por
Bernoulli: La frecuencia relativa de un suceso tiende a estabilizarse en torno a un nmero, a medida que el nmero de
pruebas del experimento crece indefinidamente.
= ()

Supongamos que lanzamos una moneda y anotamos las veces que sale cara. Despus de 10, 20, 30,......, 200
lanzamientos obtenemos los resultados:
N de lanza.

10

20

30

40

50

60

70

80 .................200

N de caras

11

16

20

27

31

37

43 ................101

fre.relativa

06

055

053

05

054

051

052

053 ............050

Si repitiramos el experimento obtendramos resultados muy parecidos. Podemos sacar en conclusin que las
frecuencias relativas del suceso cara tienden a estabilizarse hacia el valor 05. Este nmero al que la frecuencia
relativa se acerca ms cuanto mayor es el nmero de pruebas realizadas, lo llamaremos probabilidad del suceso. La
probabilidad de un suceso A, se representar p(A). Por tanto se puede interpretar la probabilidad de un suceso como
lmite de frecuencias relativas.
P A = limn hi (A)

ASIGNAR probabilidad.

ANEXO: Variables estadsticas (Tipos). Tablas estadsticas. Moda, Media, Varianza.

Notas
(xi)
1
2
3
4
5
6
7
8
9
10

Alumnos
(fi)
2
3
2
5
3
8
4
3
1
1

sumatorios

32

Fi

hi

2
5
7
12
15
23
27
30
31
32

0,0625
0,09375
0,0625
0,15625
0,09375
0,25
0,125
0,09375
0,03125
0,03125
1

xifi

xi2fi

| |2

0,0625 6,25%
6,25%
0,15625 9,38% 15,63%
0,21875 6,25% 21,88%
0,375 15,63% 37,50%
0,46875 9,38% 46,88%
0,71875 25,00% 71,88%
0,84375 12,50% 84,38%
0,9375 9,38% 93,75%
0,96875 3,13% 96,88%
1
3,13% 100,00%

2
6
6
20
15
48
28
24
9
10

2
12
18
80
75
288
196
192
81
100

8,5
9,75
4,5
6,25
0,75
6
7
8,25
3,75
4,75

36,125
31,6875
10,125
7,8125
0,1875
4,5
12,25
22,6875
14,0625
22,5625

100,00%

168

1044

59,5

162

Hi

pi

Pi

R.P.A |

Tema 14: Distribuciones de probabilidad

Puesto que las distribuciones de probabilidad son idealizaciones de las distribuciones estadsticas, empezaremos
recordando cmo son los parmetros en estas para que nos sirva de referencia. Puesto que la probabilidad es una
idealizacin de la frecuencia relativa, expresaremos los parmetros en funcin de ellas

Nota: Cuando se utilizan distribuciones estadsticas (empricas) y distribuciones de probabilidad (tericas), los
parmetros de las primeras se designan mediante letras latinas ( o m, s) mientras que los parmetros de las
segundas se designan mediante letras griegas ( , )
Nota: La suma de todas las probabilidades debe dar 1:

Pi = 1

R.P.A |

Tema 14: Distribuciones de probabilidad

Variable cualitativa. Es aquella caracterstica que no podemos expresar con nmeros y hay que expresarla con
palabras. Por ejemplo, el lugar de residencia.
Variable cuantitativa. Es cualquier caracterstica que se puede expresar con nmeros. Por ejemplo, el nmero de
hermanos o la estatura. Dentro de esta variable podemos distinguir dos tipos:
Variable cuantitativa discreta. Es aquella variable que puede tomar nicamente un nmero finito de
valores. Por ejemplo, el nmero de hermanos.
Variable cuantitativa continua. Es aquella variable que puede tomar cualquier valor dentro de un
intervalo real. Por ejemplo, la estatura
Distribuciones de probabilidad discretas. Funcin de probabilidad.
Una variable aleatoria (V.A) se dice que es DISCRETA, cuando slo puede tomar un nmero finito de valores.
DISTRIBUCIN DE PROBABILIDAD: Es una tabla donde aparecen los diferentes valores que toma la V.A con sus
respectivas probabilidades asociadas.
Variable Aleatoria X

Probabilidad = ( = )

Pi = 1

Nota: La suma de todas las probabilidades debe dar 1:

EJEMPLOS:

1.- Sea X la V.A lanzar un dado, construir su distribucin de probabilidad:

1

1 = 1

= 1 = 6 = 1

2 = 2

= 2 = 6 = 2

x6 = salir 6

= 6 = 6 = 6

Variable Aleatoria X=lanzar un dado

Probabilidad = ( = )

1
6

1
6

1
6

1
6

1
6

1
6

Pi = 1
1

R.P.A |

Tema 14: Distribuciones de probabilidad

2.- Una urna, A, contiene tres bolas con los nmeros 1, 2 y 3, respectivamente. Otra urna, B, tiene dos bolas, con los
nmeros 4 y 5. Elegimos una urna al azar, extraemos una bola y miramos el nmero obtenido.

3.- En una clase hay tantos nios como nias. Tomamos como V.A el nmero de nias que salen en dos elecciones
con reemplazamineto.
a) Calcular el espacio muestral y razonar si es discreta.
Pi = 1

b) Construir la distribucin de probabilidad y comprobar que:

a) El espacio muestral es: = , , , Donde O = nio y A = nia

La variable aleatoria X = n de nias toma los valores 0, 1, 2, por lo que es discreta.
b)
1 = 0
2 = 1
3 = 2

= 1 = =

1 1
= 0
2 2

= 2 = =
= 3 = =

1 1 1 1
2
+ = = 1
2 2 2 2
4

1 1
= 2
2 2

Variable Aleatoria X=n de nias

1 = 0

Probabilidad = ( = )

1 =

1
4

2 = 1
2 =

2
4

3 = 2
3 =

1
4

= 1 + = 2 + = 3 = 1
1 2 1
+ + =1
4 4 4
= = 0 + = 1 + = 2 = 1

R.P.A |

Tema 14: Distribuciones de probabilidad

FUNCIN DE PROBABILIDAD: Si somos capaces de encontrar una ley o regla que asocie a cada valor de la variable
su correspondiente probabilidad, eso es la funcin de probabilidad.
RESUMIENDO: Distribuciones de probabilidad discretas: (VALORES + PROBABILIDADES ASOCIADAS)
n

P1 + P2 + + Pn =

Pi = 1
i=1

Parmetros de las distribuciones discretas.

Esperanza: Medida de centralizacin, lo que espera ganar un jugador considerando la variable que asocia a cada
resultado las correspondientes ganancias. El juego se considera justo si la esperanza es cero, ventajoso para el
jugador si es positiva y para el casino si es negativa.
n

= x1 P1 + x2 P2 + + xn Pn =

xi Pi
i=1

Desviacin Tpica: Es una medida de la dispersin de una variable aleatoria respecto a su esperanza.
n

(x1 )2 P1 + (x2 )2 P2 + + (xn )2 Pn =

(xi )2 Pi =
i=1

xi 2 Pi 2
i=1

EJEMPLOS:
1.- Lanzamos tres dados y anotamos el nmero de cincos que obtenemos.
a) Cul es la distribucin de probabilidad?

b) Calcula la media y la desviacin tpica.

R.P.A |

Tema 14: Distribuciones de probabilidad

2.- Una urna, A, contiene tres bolas con los nmeros 1, 2 y 3, respectivamente. Otra urna, B, tiene dos bolas, con los
nmeros 4 y 5. Elegimos una urna al azar, extraemos una bola y miramos el nmero obtenido.

3.- Sea X la variable aleatoria que indica la suma de los puntos en las caras superiores al lanzar dos dados, Determine
el espacio muestral, el conjunto de valores de X y las probabilidades respectivas.
El espacio muestral E es el conjunto de los 36 pares ordenados que se indican a continuacin:

E=

La variable aleatoria es la suma de los elementos de cada par, por lo tanto, toma los valores del 2 al 12, y las
probabilidades para cada uno de los valores de la variable se indican en la tabla

Que proviene de la distribucin de probabilidad siguiente:

R.P.A |

Tema 14: Distribuciones de probabilidad

Un ejercicio muy recomendable es calcular su esperanza y desviacin tpica

R.P.A |

Tema 14: Distribuciones de probabilidad

Distribucin Binomial.
Distribucin Binomial: Buscar xitos en repeticiones de un experimento dicotmico. Con esta breve frase se resume
el funcionamiento de esta distribucin discreta.
Es una distribucin de probabilidad de variable discreta y Bernoulli es el autor de esta distribucin.
Ensayo de Bernoulli: Es cualquier ensayo de algn experimento que conduce slo a uno de dos resultados
mutuamente excluyentes, tales como: vivo o muerto; enfermo o saludable; +
De una sucesin de ensayos de Bernoulli se obtiene la distribucin binomial.
Por tanto:
1.
2.
3.
4.

Se repiten n experiencias idnticas o ensayos de Bernoulli.

Los experimentos son dicotmicos.
Cada experimento es independiente de los otros.
La probabilidad p de que ocurra el xito, es la misma en cada uno de los experimentos. Lo mismo ocurre con
la probabilidad q de fracaso. p = 1 q

Designaremos por (, ), a la distribucin binomial de parmetros:

n (nmeros de experimentos de Bernoulli)

p (probabilidad de obtener xito en un experimento)

Funcin de probabilidad binomial: Lanzo una moneda TRUCADA 200 veces y quiero calcular la probabilidad de
que me salgan 125 caras. La probabilidad de cara es de 0.7 por tanto la de cruz, que es mi fracaso 0.3. Por lo que me
vale que me salgan 125 caras en los 125 primeros lanzamientos y en el resto falle.
0.7125 0.375
Pero es que adems me valen todas las combinaciones. (Intercalando xitos con fallos), las cuales las obtenemos
gracias a los nmeros combinatorios:
200
0.7125 0.375
125
En general:
!
n
=
r
! !
,

P obtener r xitos = P X = r =

n r nr
p q
r

Parmetros:
=np

npq

Uso de las tablas: Hay tablas ms o menos completas e incluso acumulativas, nosotros vamos a trabajar con:

R.P.A |

Tema 14: Distribuciones de probabilidad

R.P.A |

Tema 14: Distribuciones de probabilidad

Nos dan una ,
CASO 1: n10 y p0.5 Slo hay que mirar la tabla.
EJEMPLO:

7,0.4

P X=3 =

7
0.43 0.64
3

La verdadera utilidad est cuando nos piden Acumulativos: 7,0.4

P X3 = =0 + =1 + =2 + =3 =
4

P X5 = =5 + =6 + =7 =
3
En estos casos el suceso contrario tambin puede ahorrarnos trabajo.
R.P.A |

10

Tema 14: Distribuciones de probabilidad

11

CASO 2: n10 y p>0.5 Slo hay que mirar la tabla, pero ahora queremos obtener fracasos
EJEMPLO:

5,0.8

P X=4 =

de cinco. Que es lo mismo que: 5,0.2

5
0.84 0.21 Obtener 4 xitos de 5 es lo mismo que conseguir un fallo
4
5
P X=1 =
0.21 0.84
1

En los dems casos la nica solucin es aproximar con la distribucin Normal, o usar la calculadora
directamente.

ANEXO: AJUSTE DE UN CONJUNTO DE DATOS A UNA DISTRIBUCIN BINOMIAL

Disponemos de una serie de observaciones relativas a n individuos. En cada observacin contamos el nmero, k, de
ellos que cumplen una determinada condicin. En definitiva, tenemos una tabla de frecuencias cuya variable toma los
valores 0, 1, ..., n
Para estudiar si esa serie de datos obtenidos experimentalmente puede provenir de una distribucin binomial B(n,p),
procedemos del siguiente modo:
- Calculamos la media x de los datos y la igualamos a la media np de la terica binomial. As obtenemos el valor de p.
- Comparamos la distribucin emprica con la terica. Para ello: - Hallamos las probabilidades P[x = k] para k = 0, 1, ....,
n en la B(n,p) y las multiplicamos por n para averiguar cmo se repartiran los n individuos en la distribucin terica.
- Para cada valor de k, hallamos la diferencia entre el valor emprico y el terico.
- Segn que la mayor de las diferencias sea suficientemente pequea o no, aceptamos o rechazamos la hiptesis de
que los datos provienen de una binomial.
R.P.A |

Tema 14: Distribuciones de probabilidad

12

Distribuciones de probabilidad continuas. Funcin de densidad. Funcin de distribucin.

Una variable aleatoria (V.A) se dice que es CONTINUA, cuando slo puede tomar un nmero finito de valores.
Las distribuciones de probabilidad de variable continua son idealizaciones de las distribuciones estadsticas de variable
continua. Estas se obtienen empricamente (experimentando u observando). Aquellas son distribuciones tericas.
La probabilidad de un valor concreto es cero, por lo que siempre vamos a calcular probabilidades en un intervalo:

FUNCIN DE PROBABILIDAD: Si somos capaces de encontrar una ley o regla que asocie a cada valor de la variable
su correspondiente probabilidad, eso es la funcin de probabilidad. Ahora se hace indispensable conocer dicha funcin
que adems recibe el nombre de funcin de densidad.
Para que f(x) sea la funcin de densidad o de probabilidad de una variable aleatoria es necesario que:
- f(x) se no negativa para todo x
- El rea bajo la curva y = f(x) sea igual a 1.
- El rea bajo la curva en el intervalo [a,b], es
Viene dada por el recinto delimitado
entre el eje OX y la curva entre las rectas x=a y x=b.

- La probabilidad en un valor concreto es cero, ya que no hay rea bajo la curva.

FUNCIN DE DISTRIBUCIN: Se llama funcin de distribucin de una variable aleatoria, t, a la funcin F(x) que
describe los valores que toma la probabilidad acumulada hasta la abscisa x:
= ( )
5 = 5 = 5
F(x) es una funcin creciente puesto que cada vez consideramos las probabilidades de ms cosas.
Adems como la probabilidad est entre [0,1] tenemos que:
lim = 1

lim = 0

R.P.A |

Tema 14: Distribuciones de probabilidad

13

EJEMPLOS:

2.- La demanda diaria de un cierto producto es una variable continua x (medida en toneladas) cuya funcin de
probabilidad es la siguiente:

R.P.A |

Tema 14: Distribuciones de probabilidad

3.- Tenemos una variable continua de probabilidad cuya funcin de probabilidad es:

R.P.A |

14

Tema 14: Distribuciones de probabilidad

15

Distribuciones Normal o de Gauss.

Una variable aleatoria continua, con media y con desviacin tpica , es una variable normal si la funcin de
densidad es una funcin:
=

1
2

1 2

As pues cada valor de nos dan una distribucin

normal denotada por: (, )

Detalle del antiguo billete de 10 marcos:

GRFICA Y PROPIEDADES:
Dominio: (-,+), aunque para valores ms grandes
que 4 y ms pequeos que -4 son poco significativos.
Simtrica respecto a la media, que adems es mximo.
Siempre creciente.
Convexa en , ( + , )
Cncava en ( , + )
Puntos de inflexin en = = +
El rea bajo la curva es 1.
En los intervalos:
( , + ) 68.26%
+ = 0.6826

R.P.A |

Tema 14: Distribuciones de probabilidad

16

Normal N(0,1) o Z
La distribucin normal tipificada N(0,1). Cuando la media de la distribucin es 0 y la varianza es 1 se denomina
"normal tipificada", se denota por Z y su ventaja reside en que hay tablas donde se recoge la probabilidad acumulada
para cada punto de la curva de esta distribucin.
La tabla nos da la probabilidad acumulada, es decir, la que va desde hasta un valor. No nos da la probabilidad
concreta en ese punto. En una distribucin continua en el que la variable puede tomar infinitos valores, la probabilidad
en un punto concreto es cero.
As pues lo que nos da la tabla es: ( ) ( 2)
USO DE LA TABLA:
. = .
Mirando directamente en la tabla

. = . =
= . = .
Mirando el suceso contrario, ya que en la tabla, la
probabilidad que aparece es desde hasta el punto
que miramos

. = + . =
= . = . = .
En la tabla no aparecen valores negativos pero,
podemos observar que la cola que nos piden es igual a
la parte que hay en los positivos
R.P.A |

Tema 14: Distribuciones de probabilidad

. = . =
= + + . = + . =
= .

. + . =
= + . . =
= . .

. . =
= . . =
= . . =
= . . =
= .

. . =
= . . =
. . =
= . . = .
Actuando por simetra

R.P.A |

17

Tema 14: Distribuciones de probabilidad

EJEMPLOS:
1.- Halla las siguientes probabilidades en una distribucin N(0,1):

2.- Halla las siguientes probabilidades en una distribucin N(0,1):

3.- Halla las siguientes probabilidades en una distribucin

N(0,1):

R.P.A |

18

Tema 14: Distribuciones de probabilidad

R.P.A |

19

Tema 14: Distribuciones de probabilidad

20

Tipificacin de una Normal

Hemos visto que la la distribucin normal tipificada N(0,1), tiene sus probabilidades tabuladas y es muy fcil su clculo,
ahora si nos dan una distribucin normal cualquiera: (, ) mediante un sencillo cambio de variable, trasladando y
reduciendo llegamos a una (, ).
~(, )

= ~(, )

EJEMPLOS:

1.-

2.- El nivel de colesterol en una persona adulta sana sigue una distribucin normal N(192, 12). Calcula la
probabilidad de que una persona adulta sana tenga un nivel de colesterol:
a) Superior a 200 unidades.

b) Entre 180 y 220 unidades.

R.P.A |

Tema 14: Distribuciones de probabilidad

21

Aproximacin de la Binomial con la Normal.

Ya vimos que era muy difcil y pesado calcular probabilidades con binomiales con n muy alto, pero sabemos que:
~(, )

= ~(, )

Para ciertos valores de n y p, las distribuciones binomiales tienen un extraordinario parecido con las correspondientes
distribuciones normales. En general, una binomial B(n,p) se parece a una curva normal tanto ms, cuanto mayor es el
producto np (o nq si q < p) Cuando np y nq son ambos mayores que 3, la aproximacin es bastante buena. Y si
superan a 5, la aproximacin es casi perfecta.
Naturalmente, la curva normal a la cual se aproxima tiene la misma media y la misma desviacin tpica que la binomial,
~(, ) (, )

= ~(, )

COMO CALCULAR PROBABILIDADES DE UNA BINOMIAL CUANDO LA APROXIMAMOS POR UNA NORMAL:
Debemos tener en cuenta que hemos pasado de una variable discreta, que es la Binomial, a una continua, la Normal.
En las variables discretas se nos piden probabilidades en un punto concreto, pero si intentamos calcular dicha
probabilidad mediante la Normal, nos saldra 0, ya que la probabilidad en un nico punto en cualquier variable continua
es 0.
La nica solucin es aplicar la correccin de Yates o correccin de continuidad:
Supongamos que: ~(, ) y se parece mucho a ~(, )
1 = = , + ,
2 = + ,
3 < = ,
4 > = ( + , )
5 ( ) = ( , )
6 < = ( + , + , )
7 < < = ( + , , )
8 < = ( , , )
9 = ( , + , )
R.P.A |

Tema 14: Distribuciones de probabilidad

22

EJEMPLOS:
1.- En un instituto hay 200 chicas y 180 chicos. Calcula la probabilidad de que en un grupo de 30 alumnas y
alumnos haya ms de 20 chicos.

2.- Un examen tipo test tiene 100 preguntas y cada pregunta 4 respuestas diferentes, de la que slo una es
correcta. Calcula la probabilidad de que un estudiante que responde al azar acierte ms de 20 preguntas.
Sol:
Es una binomial B (100; 0,25) que aproximamos a la normal N(25; 4,33).

AJUSTE DE UN CONJUNTO DE DATOS A UNA DISTRIBUCIN NORMAL. 2 bach

Para estudiar si una serie de n datos obtenidos experimentalmente pueden provenir de una distribucin normal,
procedemos del siguiente modo:
- Calculamos los parmetros; media ( ) y desviacin tpica (s) de la distribucin emprica.
- Comparamos la distribucin emprica con una normal (, ) (Media con media, x = desviacin tpica con
desviacin tpica s =
- Para efectuar la comparacin, partimos el recorrido de la variable en intervalos, [ xk , xk+1 ], y averiguamos cmo se
repartiran en esos intervalos n individuos de una distribucin (, )
- Hallamos la diferencia, en cada intervalo, de los nmeros terico y emprico.
- Si la mayor de las diferencias es suficientemente pequea, aceptamos la hiptesis de normalidad, pues suponemos
que las diferencias son debidas al azar.
- Si la mayor de las diferencias es grande, rechazamos la hiptesis de normalidad.

R.P.A |