Probabilidad y

Estadstica
Ingeniera Elctrica
Profesor:
MSc, Daniel Heredia
Unidad 3
Funciones de distribucin
de probabilidades
Unidad 2: Distribuciones de Probabilidad

1.VARIABLES ALEATORIAS
 Variable aleatoria: idea intuitiva
Fenmeno aleatorio: lanzar tres monedas al aire.

E CCC 3 R
CCX
CXC 2
XCC
CXX
XCX 1
XXC
XXX 0

La funcin "nmero de caras" asocia a cada elemento del espacio muestral un nmero real, es una variable
aleatoria.
 Variable aleatoria: definicin y clasificacin

Se llama variable aleatoria a toda funcin definida en el espacio

muestral de un experimento aleatorio que asocia a cada elemento del
espacio un nmero real.
Segn cmo sean los recorridos de las variables, estas se pueden
clasificar en:

Discretas, solo puede tomar ciertos valores aislados.

Continuas, pueden tomar, al menos tericamente, todos los

valores posibles dentro de cierto intervalo de la recta real.
 Funcin de probabilidad de una variable aleatoria
discreta
X pi = p(X = xi)
Se llama funcin de probabilidad de una x1 p1
variable aleatoria discreta X a la aplicacin
que asocia a cada valor xi de la variable su x2 p2
probabilidad pi.
xn pn
La funcin de probabilidad verifica: 1

1. 0 pi 1 para todo i 1, 2, , n.
n
2. p
i 1
i 1.

3. P[a X b] P[ X a] P[ X a 1] P[ X b 1] P[ X b].

4. P[ X b] 1 P[ X b].
 Recuerda: Media y varianza de una variable estadstica
Ahora: Media o Esperanza y varianza de una variable aleatoria discreta

xi pi x ipi xi2 xi2pi

Media o x i pi 1 1 1
Esperanza 1 6 6
1 6
1 2 4
Varianza 2 x i2 pi 2 2
6 6
4 6
1 3 9
3 9
Ejemplo: se lanza un dado 6 6 6
y se anota el resultado 1 4 16
4 16
6 6 6
5 1 5 25
6 6
25 6
6 1 6 36
6 6
36 6
21 91
2 1

91 21 6 6
2
2,917
6 6

Apuntes:
En el caso de variables aleatorias continuas se presenta un problema que no ocurre con las
variables aleatorias discretas: no puede asignarse un nmero real (valor de probabilidad) a
cada uno de los infinitos valores del intervalo sobre el que est definida la variable.

Ejemplo: Cul es la probabilidad de que, tomando un nmero al azar en el intervalo [0 , 1]

obtengamos 0,712?
Al aplicar la Regla de Laplace, slo hay un caso favorable (el 0,712) y los casos posibles son los
infinitos nmeros de ese intervalo.
La probabilidad de ese suceso es as prcticamente cero, pese a que no sea el suceso imposible. Es
una probabilidad difcil de cuantificar.

En estos casos no tiene inters conocer la probabilidad en un punto, siempre casi nula, sino la
probabilidad correspondiente a un intervalo. Esto se consigue mediante la funcin de
densidad.
 Funcin de densidad de una variable aleatoria continua

Una funcin f(x) es admisible como funcin de densidad

de una variable aleatoria continua si:
Y
1. f(x) 0 en todo el dominio de definicin.
2. El rea limitada por la grfica de f(x)
y por el eje OX es igual a 1.

c X
d

P(c < X < d) = P(c X d) = f ( x)dx

c
 Media y varianza de una variable aleatoria continua

Variable aleatoria Variable aleatoria

a
discreta continua
n

xipi
b
=
x . f(x) dx
a
i=1
n

(xi - ) pi b
=
2 2

(x - ) . f(x) . dx
a
i=1
DISTRIBUCIONES DISCRETAS DE PROBABILIDAD

Distribuciones discretas: Bernouilli, binomial, Poisson y

multivariante.
Las distribuciones discretas son aquellas en las que la variable
pueden tomar un nmero determinado de valores: Ejemplo: si se
lanza una moneda al aire puede salir cara o cruz; si se tira un dado
puede salir un nmero de 1 al 6; en una ruleta el nmero puede
tomar un valor del 1 al 9
DISTRIBUCION DE BERNUILLI

La distribucin de Bernuilli es el modelo que sigue un experimento que se realiza

una sola vez y que puede tener dos soluciones: acierto o fracaso:
Cuando es acierto la variable toma el valor 1
Cuando es fracaso la variable toma el valor 0
Ejemplo: Probabilidad de salir cara al lanzar una moneda al aire (sale cara o no
sale); probabilidad de ser admitido en una universidad (o te admiten o no te
admiten); probabilidad de acertar una quiniela (o aciertas o no aciertas)
Al haber nicamente dos soluciones se trata de sucesos complementarios: A la probabilidad de xito se le
denomina "p" A la probabilidad de fracaso se le denomina "q"

Verificndose que: p + q = 1

Veamos los ejemplos antes mencionados :

Ejemplo 1: Probabilidad de salir cara al lanzar una moneda al aire: Probabilidad de que salga cara: p = 0,5
Probabilidad de que no salga cara: q = 0,5

p + q = 0,5 + 0,5 = 1

Ejemplo 2: Probabilidad de ser admitido en la universidad: Probabilidad de ser admitido: p = 0,25 Probabilidad de
no ser admitido: q = 0,75

p + q = 0,25 + 0,75 = 1

Ejemplo 3: Probabilidad de acertar una quiniela: Probabilidad de acertar: p = 0,00001 Probabilidad de no acertar: q
= 0,99999

p + q = 0,00001 + 0,99999 = 1
DISTRIBUCION BINOMIAL

Las distribucin binomial parte de la distribucin de Bernouilli:

La distribucin de Bernouilli se aplica cuando se realiza una sola vez un experimento que tiene nicamente
dos posibles resultados (xito o fracaso), por lo que la variable slo puede tomar dos valores: el 1 y el 0 La
distribucin binomial se aplica cuando se realizan un nmero"n" de veces el experimento de Bernouilli,
siendo cada ensayo independiente del anterior. La variable puede tomar valores entre:

0: si todos los experimentos han sido fracaso n: si todos los experimentos han sido xitos

Ejemplo: se tira una moneda 10 veces: cuantas caras salen? Si no ha salido ninguna la variable toma el valor
0; si han salido dos caras la variable toma el valor 2; si todas han sido cara la variable toma el valor 10La
distribucin de probabilidad de este tipo de distribucin sigue el siguiente modelo:
Ejemplo 1: Cul es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces?

" k " es el nmero de aciertos. En este ejemplo " k " igual a 6 (en cada acierto decamos que la variable toma el
valor 1: como son 6 aciertos, entonces k = 6)

" n" es el nmero de ensayos. En nuestro ejemplo son 10

" p " es la probabilidad de xito, es decir, que salga "cara" al lanzar la moneda. Por lo tanto p = 0,5

La frmula quedara:

Luego, P (x = 6) = 0,205

Es decir, se tiene una probabilidad del 20,5% de obtener 6 caras al lanzar 10 veces una moneda.
Ejemplo 2:Cul es la probabilidad de obtener cuatro veces el nmero 3 al lanzar un dado 8 veces?

" k " (nmero de aciertos) toma el valor 4

" n" toma el valor 8

" p " (probabilidad de que salga un 3 al tirar el dado) es 1 / 6 (= 0,1666)

La frmula queda:

Luego,

P (x = 4) = 0,026

Es decir, se tiene una probabilidad del 2,6% de obtener cuatro veces el nmero 3 al tirar un dado 8 veces.
Ejemplos

La probabilidad de que cierta clase de componentes sobreviva a

una prueba de choques es . Encuentre la probabilidad de que
sobrevivan exactamente 2 de los 4 componentes que se prueben.

Sol 27/128
ejemplo

Las posibilidades de que un bit transmitido a travs de un canal se

reciba con error es de 0.1. Suponga adems que los ensayos de
transmisin son independientes. Sea x el numero de bits con error
en los siguientes 4 bits transmitidos, determine la probabilidad de
que lleguen 2 bits con error
0.0486
APLICACIONES

Todo experimento que tenga resultados binarios (xito/fracaso, defectuoso/no

defectuoso, enfermo/sano, mujer/hombre, etc.) y cuyos ensayos sean
independientes.
Ejemplos:
Medicina: frmacos, cura/no cura
Militares: misiles dan en el blanco/no dan.
Comunicaciones: error de una cadena de bits.
MEDIA Y VARIANZA

La media y varianza de la distribucin binomial, es:

= np
Varianza = npq
Ejemplo: en el de 4 bits, = 4 x 0.1= .4
Varianza= 4 x 0.1x0.9= 0.36
Distribucin multinomial
Distribucin multinomial
 Distribucin Poisson.

Las distribucin de Poisson parte de la distribucin binomial:

Cuando en una distribucin binomial se realiza el experimento un nmero "n" muy elevado de veces y la
probabilidad de xito "p" en cada ensayo es reducida, entonces se aplica el modelo de distribucin de
Poisson:

Se tiene que cumplir que:

" p " < 0,10

" p * n " < 10

La distribucin de Poisson sigue el siguiente modelo:

Vamos a explicarla:

El nmero "e" es 2,71828

" " = n * p (es decir, el nmero de veces " n " que se realiza el experimento multiplicado por la probabilidad " p
" de xito en cada ensayo)

" k " es el nmero de xito cuya probabilidad se est calculando

Veamos un ejemplo: La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se viaja, si se
realizan 300 viajes, cual es la probabilidad de tener 3 accidentes?

Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es menor que 10, entonces aplicamos el
modelo de distribucin de Poisson.

Luego,

P (x = 3) = 0,0892

Por lo tanto, la probabilidad de tener 3 accidentes de trfico en 300 viajes es del 8,9%
Otro ejemplo: La probabilidad de que un nio nazca pelirrojo es de 0,012. Cul es la probabilidad
de que entre 800 recin nacidos haya 5 pelirrojos?

Luego,

P (x = 5) = 4,602%

Por lo tanto, la probabilidad de que haya 5 pelirrojos entre 800 recin nacidos es del 4,6%..
MEDIA Y VARIANZA

La media y varianza de la distribucin POISSON

, es:
= np
Varianza = np
Consecuencia: Si la varianza de los conteos es
mucho ms grande que la media de los mismos,
entonces la distribucin de Poisson no es buen
modelo para la distribucin de la variable.
ejemplo

Un conmutador recibe en promedio 5 llamadas sobre autos extraviados por hora.

Cul es la
probabilidad de que en una hora tomada al azar reciba?
a) Ninguna llamada.
b) Exactamente 3 llamadas.
c) No ms de 3 llamadas.
ejemplo

a) Ninguna llamada. x = 0 sol. 0.00674963

b) Exactamente 3 llamadas: x = 3 sol. 0.1404
No ms de 3 llamadas: x < 4
P(x < 4) = P(x 3) = P(x0 = 0) + P(x1 = 1) + P(x2 = 2) + P(x3 = 3)
Sol. P(x < 4) = 0.0067+ 0.0337 + 0.0842 + 0.1406 = 0.2652 = 26.52 %
 DISTRIBUCION HIPERGEOMETRICA

Los experimentos que tienen este tipo de distribucin tienen las siguientes caractersticas:

a) Al realizar un experimento con este tipo de distribucin, se esperan dos tipos de

resultados.

b) Las probabilidades asociadas a cada uno de los resultados no son constantes.

c) Cada ensayo o repeticin del experimento no es independiente de los dems.

d) El nmero de repeticiones del experimento (n) es constante.

 hipergeomtrica

La distribucin hipergeomtrica sigue el siguiente modelo:

Donde:

Vamos a tratar de explicarlo:

N: es el nmero total experimentos

N1: es el nmero total que favorecen el evento 1

N2: es el nmero total que favorece el evento 2

k: es el nmero de eventos cuya probabilidad se est calculando

n: es el nmero de ensayos que se realiza

Ejemplo: en una fiesta hay 20 personas: 14 casadas y 6 solteras. Se eligen 3 personas al azar
Cul es la probabilidad de que las 3 sean solteras?

Por lo tanto, P (x = 3) = 0,0175. Es decir, la probabilidad de que las 3 personas sean solteras es tan
slo del 1,75%.
hipergeometrica

Veamos un ejemplo: en una urna hay 7 bolas blancas y 5 negras. Se sacan 4 bolas
Cul es la probabilidad de que 3 sean blancas?
Entonces:
Si aplicamos el modelo:
Por lo tanto, P (x = 3) = 0,3535. Es decir, la probabilidad de sacar 3 bolas blancas es
del 35,3%.
Pero este modelo no slo se utiliza con experimentos con bolas, sino que tambin se
aplica con experimentos similares:
Considerando que en la urna hay un total de 10 objetos, 3 de los
cuales son defectuosos, si de seleccionan 4 objetos al azar, cul es la
probabilidad de que 2 sean defectuosos?

Solucin:

N = 10 objetos en total

k = 3 objetos defectuosos
n = 4 objetos seleccionados en muestra
x = 2 objetos defectuosos deseados en la muestra

Sol. 0.3
Una caja contiene 9 bateras de las cuales 4 estn en buen estado y las
restantes defectuosas. Se toma una muestra eligiendo al azar tres
bateras. Calcule la probabilidad que en la muestra se obtengan,
A) Ninguna batera en buen estado
B) Al menos una batera en buen estado
C) No mas de dos bateras en buen estado
 Respuesta:
Este es un experimento de muestreo sin reemplazo, por lo tanto es un experimento hipergeomtrico
con
N=9 (total de elementos del conjunto) P(X=0) = f(0) =
K=4 (total de elementos considerados xitos)
n=3 (tamao de la muestra) 4 9 4
X: cantidad de bateras en buen estado en la muestra
x


3 x , x 0,1,2,3
(variable aleatoria discreta) 9

3

Entonces la distribucin de probabilidad de X es:
f(x) =
4 9 4

0


3 0
9

3

=0.119
P(X1) = 1 P(X<1) = 1 f(0) = 1 - 0.119 = 0.881
P(X2) = P(X=0) + P(X=1) + P(X=2) = f(0) + f(1) + f(2) = 0.9523
MEDIA Y VARIANZA

La media y varianza de la distribucin hipergeometrica es , es:

= np = nk/N
Varianza = npq= (nk/N) [N-n/ N-1 ]
Distribucin
hipergeomtrica
multivariada
Se usa un grupo de 10 individuos para un estudio de caso biolgico.
El grupo contiene 3 personas con sangre tipo O, 4 con sangre tipo A
y 3 con tipo B. Cul es la probabilidad de que una muestra
aleatoria de 5 contenga 1 persona con sangre tipo O, 2 personas con
tipo A y 2 personas con tipo B?