Distribuciones de Probabilidad

Omar Alexander Rios Saavedra

Universidad del Valle

Junio de 2019

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 1 / 37

Conceptos fundamentales

Definiciones
Variable aleatoria
Sea Ω un espacio muestral sobre el que se define una función de
probabilidad. Sea X una función de valor real definida sobre Ω, que
transforma sus resultados en puntos sobre la recta de los reales. Se
dice entonces que X es una variable aleatoria.
Variable aleatoria discreta
El rango de valores numéricos que puede tomar la variable X es contable
(finito o infinito).
Variable aleatoria continua
Los valores numéricos que toma la variable X consiste en uno más
intervalos de la recta de los reales no numerables.

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 2 / 37

Conceptos fundamentales

Definición
Sea X una variable aleatoria continua, su función de densidad f (x) para
dos números cualesquiera a y b con a ≤ b,
Z b
P (a ≤ X ≤ b) = f (x) dx
a

además f (x) debe cumplir,

Z ∞
f (x) > 0 f (x) dx = 1
−∞

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 3 / 37

Ejemplo

Sea X la variable aleatoria continua que denota el diámetro de un orificio

perforado en una pieza de un componente metálico. Los datos históricos
muestran que la distribución de X (en mm) puede ser modelada por la
siguiente función de densidad:

f (x) = 20e −20(x −12.5) x ≥ 12.5

Si una pieza con un diámetro superior a 12.6 mm se desecha, ¿Cuál es la

probabilidad de que una pieza sea desechada?

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 4 / 37

Conceptos fundamentales

Valor esperado y varianza

Sea X una variable aleatoria continua con función de densidad f (x). La
media o el valor esperado de X, denotado como µ o E (X ), es:
Z∞
E (X ) = xf (x) dx
−∞

la varianza de X, denotada como V (X ) o σ2 , es:

Z∞ Z∞
2
V (X ) = (x − E (x)) f (x) dx = x 2 f (x) dx − µ2
−∞ −∞
p
la desviación estándar de X es igual a V (x)

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 5 / 37

Ejercicio

La proporción de cierto aditivo en la gasolina determina su peso especı́fico,

lo que, a su vez, determina el precio. Suponga que en la producción de
gasolina la proporción de aditivo es una variable aleatoria X con función de
densidad:
f (x) = 6x (1 − x) 0 ≤ x ≤ 1
Si X < 0.5 se tendrá gasolina del tipo I a $1800 el litro, si 0.5 ≤ X ≤ 0.8 se
tendrá gasolina tipo II a $2000 el litro; y si X > 0.8 se tendrá gasolina tipo
III a $2200 el litro.
Calcule el valor esperado y la varianza de la proporción del aditivo
¿Cuál es el porcentaje de producción de cada tipo de gasolina?
Calcular el precio medio por litro.

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 6 / 37

Distribuciones de probabilidad

Existen varias distribuciones especificas de probabilidad que se ha

demostrado, empı́ricamente, ser modelos útiles para diversos problemas
prácticos.

La elección de la distribución de probabilidad para representar un fenómeno

de interés debe ser motivada tanto por la comprensión de la naturaleza del
fenómeno, como por la verificación de la distribución seleccionada a través
de la evidencia empı́rica.

Beta, Weibull, Cauchy, Log-Normal, Rayleigh, Gumbel, Pareto, etc.

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 7 / 37

Distribución Gamma

Propiedades
Juega un papel importante en teorı́a de colas y problemas de confiabilidad,
también modela el tiempo de llegadas y el tiempo de falla de componentes
electrónicos y variables aleatorias como: rentas vitalicias, climatologı́a,
producción de leche en vacunos, etc.
1 x
α−1 − β
f (x | α, β ) = x e , x ≥0
β α Γ (α)

X = Representa el tiempo que se requiere hasta que sucede el

α − ésimo evento, β representa el tiempo promedio entre eventos.
La distribución Gamma depende de dos parámetros, β (scale) =
1/λ(rate) y α = shape
E (X ) = µ = αβ V (X ) = σ2 = αβ 2

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 8 / 37

Distribución Gamma
Gamma escala constante Gamma forma constante

0.30
a= 1 B=3 a=2 B= 1.5

0.20
a= 3 B=3 a=2 B= 3
a= 5 B=3 a=2 B= 5
a= 7 B=3 a=2 B= 10
0.20

0.10
0.10
0.00

0.00
0 5 10 15 20 25 30 0 5 10 15 20 25 30

x x

Gamma forma constante variable en tasa

a=2 l= 0.67
0.20

a=2 l= 0.33
a=2 l= 0.2
a=2 l= 0.1
0.10
0.00

0 5 10 15 20 25 30

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 9 / 37

Distribución Gamma

Propiedades
Si X ∼ Gamma (α = ν/2, β = 2), entonces X ∼ χν2 , donde ν es un
entero positivo y representa los grados de libertad
ν x
x 2 −1 e − 2
Si X ∼ χν2 ⇒ f (X | ν) = ν ν
, x ≥ 0
22 Γ 2

Si α es “grande” y β es “pequeño”, se puede aproximar a la distribución

normal.

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 10 / 37

Aproximación de la Distribución Gamma

Aproximación Chi 4 g.l. a Gamma Gamma y aproximación Chi

0.15
Gamma (2,2) Gamma (2,2)

0.15
Chi (4)
0.10

0.10
0.05

0.05
0.00

0.00
0 5 10 15 20 0 5 10 15 20

x x1

Gamma y aproximación Normal

Gamma (20,0.5)
0.15

Normal (10,5)
0.10
0.05
0.00

0 5 10 15 20

x2

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 11 / 37

Distribución Exponencial

Propiedades
Si X ∼ Gamma (λ, α = 1), entonces X ∼ exp (λ = 1/µ), donde X =
tiempo que se requiere hasta que sucede el primer evento.

f (x , β = 1/λ, α = 1) = λe −x λ , x ≥ 0

β = µ representa el tiempo medio entre dos ocurrencias, λ es la tasa

promedio de ocurrencias por unidad de tiempo.
1 1
E (X ) = β = λ V (X ) = β 2 = λ2
P (X ≤ x) = F (x) = 1 − e −x λ

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 12 / 37

Relación entre las Dist. Poisson y Gamma

Propiedades
En la distribución Poisson, X = Número de ocurrencias en un
intervalo de tiempo o espacio determino

e −λ λx
P (X = x) =
x!

µ = λ representa el número promedio de ocurrencias por unidad de

“tiempo”. y se relaciona con la distribución Gamma cuando el parámetro
α, representa ocurrencias (discretas)
Si X ∼ Gamma (α, β = 1/λ) donde k es un entero positivo, entonces
se tiene que P (X ≥ x) = P (Y < α) donde Y ∼ Poisson (λ = x/β )

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 13 / 37

Relación entre las Dist. Poisson y Gamma

Interpretación de los parámetros

λ, de la distribución Poisson representa el número de eventos promedio por
unidad de tiempo, λ en la distribución Exponencial o Gamma representa la
tasa de ocurrencia promedio por unidad de tiempo y β es el tiempo
promedio entre un suceso y otro.

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 14 / 37

Ejercicio

Una página web recién establecida recibe visitantes a razón de 3 personas

por hora. Si el número de personas que hace el ingreso a la página tiene una
distribución Poisson. Calcule:
1 La probabilidad de que pasen más de dos horas hasta que llegue la
cuarta persona.
2 La probabilidad que accedan menos de cuatro personas antes de dos
horas.
3 La probabilidad que pasen menos de 45 minutos antes de que ingrese
la primera persona en la página.
4 salidas2

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 15 / 37

Función de distribución Normal

Propiedades
Es tal vez la distribución más importante en estadı́stica clásica. Su función
de densidad viene dada por la siguiente forma:

1 (x −µ)2
e − 2σ2 − ∞ < X < ∞


f x |µ, σ2 = p
2πσ2

Presenta un comportamiento de acampanado o Gaussiano.

La forma de su distribución (variable analizada) varia dependiendo de
los parámetros que conforman su distribución, la media (µ) y varianza
(σ2 ).
Su coeficiente de asimetria (a = 0) y curtosis (k = 3) son constantes
para cualquier forma de la distribución.

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 16 / 37

Función de distribución Normal Estándar

Propiedades
Si una variable aleatoria tiene una distribución normal con media 0 y
varianza 1, entonces a esta se distribuye con distribución normal estándar.
1 1 2
f (z) = p e − 2 x
2π


Cualquier variable aleatoria X ∼ Normal µ, σ2 , puede ser
estandarizada mediante la expresión:
X −µ
Z= ∼ N (0, 1)
σ

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 17 / 37

Ejemplos función de distribución Normal y aproximación

Suponga que se sabe que la estatura de una población de individuos

sigue una distribución aproximadamente normal con media de 70
pulgadas y una desviación estándar de 3 pulgadas. ¿cuál es la
probabilidad de que una persona seleccionada al azar de este grupo
tenga una estatura entre 65 y 74 pulgadas?
Para una distribución Gamma con parámetros α = 200 y β = 0.01,
calcule P(X > 1.85), realice el mismo cálculo aproximando por la
función de distribución normal.

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 18 / 37

Ejemplos función de distribución Normal

Al comienzo de semestre Luz Ángela presentó cuatro exámenes parciales.

La media y la desviación estándar para cada uno aparecen a continuación.
Suponga que las calificaciones en cada prueba tienen una distribución
normal.

Examen Media D.E Calificación

Medición 3.77 0.315 3.91
Teorı́a Pol. 4.28 0.205 4.16
Estadı́stica 4.41 0.175 4.46
Inglés 3.52 0.43 4.12

a. Cuál es su rango percentil para cada examen?

b. En cual prueba le fue mejor a Luz Ángela, con respecto a los demás
estudiantes que presentaron el examen?

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 19 / 37

Distribuciones importantes en Inferencia Estadı́stica
Las siguientes distribuciones son menos prácticas pero esenciales en
inferencia estadı́stica:
Chi-Cuadrado
1 ν x
χν2 ∼ f (x | ν) = ν/2
x 2 −1 e − 2 , x >0
2 Γ /2
(ν )

t-student
Γ ((ν+1)/2) −(ν+1)/2
tν ∼ f (x | ν) = p (1 + x 2/ν) , ∞<x <∞
νπΓ (ν/2)

F
ν1/2 ν1/2)−1
Γ (ν1 +ν2/2) (ν1/ν2 ) x(
Fν1 ,ν2 ∼ f (x | ν1 , ν2 ) = (ν1 +ν2 )/2
, ν1 , ν2 > 0
Γ (ν1/2) Γ (ν2/2) (1 + ν1/ν2 x)

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 20 / 37

Distribución χ 2

Propiedades
Función de densidad:
1 ν x
χν2 ∼ f (x | ν) = ν/2
x 2 −1 e − 2 , x >0
2 Γ /2
(ν )

ν > 0 representan los grados de libertad.

Es útil para la modelación de variables aleatorias con asimetrı́a
negativa.
E (X ) = ν; V (X ) = 2ν

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 21 / 37

Distribución χ 2 con varios parámetros

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 22 / 37

Distribución χ 2

Resultado importante
Si Xi , i = 1, 2 . . . k, son variables aleatorias con distribución normal, i.i.d.
con medias µi y varianzas σi2 , entonces:

k 
Xi − µi 2
X ‹
U= ∼ χk2
i =1
σ i

En otras palabras, si Zi ∼ N (0, 1) , i = 1 . . . k son V.A, i.i.d, entonces:

k
X
U= Zi2 ∼ χk2
i =1

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 23 / 37

Distribución χ 2

Otro resultado
Si Yi ∼ χk2 i = 1, 2, . . . , p son variables aleatorias independientes, entonces:
i

p
X p
X
U= Yi2 ∼ χν2 ; ν= ki
i =1 i =1

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 24 / 37

Ejemplo

Si X ∼ χ82 , encuentre:
Z 15.51
1
x /2−1 e − /2 dx
8 x
P (X < 15.51) = 8/2
0 2 Γ ( /2)
8

Estas probabilidades se encuentran tabuladas para diferentes valores del

lı́mite superior de la integral y distintos grados de libertad.

Si X ∼ χ82 ⇒ P (X < 15.51) = 0.95

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 25 / 37

Ejercicios

1 Sea X ∼ χk2 , calcule el valor de Y , tal que:

1. P (Xν=10 < Y ) = 0.99
2. P (Xν=15 > Y ) = 0.90
3. P (Y1 < Xν=30 < Y2 ) = 0.80
4. P (Y1 < Xν=100 < Y2 ) = 0.81

2 Si X ∼ χ10
2
y Y ∼ χ15
2
e independientes, encuentre:
1. El valor de V0 tal que: P (X + Y < V0 ) = 0.975
2. P (29.4 < X + Y < 44.314)

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 26 / 37

Aproximación de la chi 2 a la Dist. Normal

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 27 / 37

Distribución t-student

Propiedades
Función de densidad:
Γ ((ν+1)/2) −(ν+1)/2
tν ∼ f (x | ν) = p (1 + x 2/ν) , ∞<x <∞
νπΓ ( /2)
ν

ν representan los grados de libertad

ν
E (X ) = 0; V (X ) = ν−2

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 28 / 37

Distribución t-student con diferentes parámetros
Función de densidad t−student con varios G.L.

ν=1
ν=3
0.4

ν=5
ν = 15
ν = 30
N.E.
0.3
0.2
0.1
0.0

−4 −2 0 2 4

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 29 / 37

Distribución t-student

Resultado importante
Si Z ∼ N .E . , si U ∼ χν2 y si Z y U son independientes, entonces:

Z
T=p ∼ tν
U/ν

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 30 / 37

Ejemplo

Si T se distribuye t-student con 11 grados de libertad encontrar:

P (T < 1.796) = 0.95

En R se calcula con la instrucción pt(1.796,11)

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 31 / 37

Ejercicios

Sea T ∼ tν , calcule el valor de Y tal que:

ν=15 < Y ) = 0.95
1 P (T

2 P (Tν=15 > Y ) = 0.99

3 P (Y1 < Tν=30 < Y2 ) = 0.8
4 P (Tν=20 < Y ) = 0.0375

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 32 / 37

Distribución F

Propiedades
Función de densidad:
ν1/2 ν1/2)−1
Γ (ν1 +ν2/2) (ν1/ν2 ) x(
Fν1 ,ν2 ∼ f (x | ν1 , ν2 ) = (ν1 +ν2 )/2
, x , ν1 , ν2 > 0
Γ (ν1/2) Γ (ν2/2) (1 + ν1/ν2 x)

ν1 , ν2 representan los grados de libertad

ν2
E (X ) = ν2 −2
2ν22 (ν1 +ν2 −2)
V (X ) = 2
ν1 (ν2 −2) (ν2 −4)

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 33 / 37

Distribución F

Un resultado importante
Sea U ∼ χν21 y V ∼ χν22 , donde U y V son independientes, la variable
aleatoria,
U/ν1
X= ∼ F(ν1 ,ν2 )
V /ν2

además, si
1
X ∼ F(ν1 ,ν2 ) ⇒ ∼ F(ν2 ,ν1 )
X

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 34 / 37

Ejemplo

Sea X una variable aleatorias con distribución F con 3 g.l. en el numerador

y 4 en el denominador, calcule:

P (X < 6.59) = 0.95

Usando R, se usa la instrucción qf(0.95,3,4)

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 35 / 37

Ejercicios

Sea F una variable aleatoria con distribución F, calcule el valor de C tal que:


5,15 < C = 0.90
1 P F


15,5 > C = 0.99
2 P F


3 P C < F
1 30,40 < C2 = 0.80

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 36 / 37

Ejercicios

1 En un solo panel gráfico compare la forma para una de las siguientes

distribuciones.
a) Beta (0.5, 1), Beta (0.5, 0.3), Beta (2, 1), Beta (2, 3).
b) χ22 , χ52 , χ10
2
, χ20
2
c) F (2, 2), F (2, 5), F (10, 5), F (10, 10)
d) N (0, 1), t2 , t10 , t20
2 Use el paquete R para calcular cada uno de los siguientes enunciados:
a) Halle el 20-ésimo percentil de la distribución gamma de parámetros
α = 2, λ = 0.1.
b) Halle P (T > 2) para T ∼ t8.
c) Percentiles 5 %, 10 % y 98 %, con la distribución N .E ..
d) Percentiles 5 % y 10 %, con la distribución N (1, 3).
e) Percentiles 5 % y 98 %, con la distribución χ82 , χ15
2
f) Percentiles 5 % y 98 %, con la distribución t10 , t20
g) Percentiles 5 % y 98 %, con la distribución F58 , F812

Omar A. Rios S. Escuela de Estadı́stica Int. Métodos Estadı́sticos 37 / 37