ca 3.

Distribuciones de probabilidad

Estad´ıstica – Facultad de F´ısica

Objetivos

• Distribuciones

• Representaciones gr´aficas

• Ejercicios

• Aplicaciones

1 Introducci´on

En esta pr´actica utilizaremos una herramienta de matlab, llamada disttool, que nos permitir´a
comprender de manera intuitiva las distribuciones de probabilidad. disttool es un

entorno gr´afico que representa la funci´on de densidad (pdf, del ingl´es probability distribution
function) o la funci´on de distribuci´on acumulada (cdf, del ingl´es cumulative distribution

function) de las distribuciones m´as conocidas. Pongamos en marcha la demostraci´on y nos

familiarizaremos con sus posibilidades.

≫ disttool ←֓ % abre la pantalla grafica con la demo

Al arrancar en la pantalla gr´afica aparece una distribuci´on normal y en particular la

funci´on de distribuci´on cdf. Adem´as de la gr´afica observamos unos valores de los par´ametros

que en este caso son µ=0 y σ=1. El valor calculado (probabilidad=0.5) corresponde al valor

x=0. disttool tiene, entre otras, las siguientes caracter´ısticas:

• Las diferentes distribuciones de probabilidad se seleccionan mediante

un men´u desplegable (pop-up menu).

• De igual manera se cambia el tipo de funci´on (cdf ↔ pdf).

• Los par´ametros de la distribuci´on se eligen escribiendo sus valores

en cajas de entrada de datos.

• Una caja de entrada de datos permite seleccionar el valor x

donde se quiere que la funci´on sea evaluada.

• En las gr´aficas de distribuciones acumuladas (cdf) se puede cambiar

el valor de la probabilidad en el eje Y para determinar los valores cr´ıticos

correspondientes a una probabilidad espec´ıfica.

1 INTRODUCCION´ 2

• Las l´ıneas horizontal y vertical que sirven de referencia pueden ser

movidas de forma interactiva con ayuda del rat´on.

Practiquemos un poco. Si queremos calcular la probabilidad acumulada en el valor x =

2.0, escribimos este valor en la caja correspondiente que se encuentra debajo del gr´afico.

Para ello, pinchamos con el rat´on en esa caja para seleccionarla y escribimos en ella. Como

resultado las l´ıneas de referencia se mueven al punto correspondiente que en este caso es

x = 2.0; p = 0.9772 : la probabilidad de encontrar un valor por debajo de 2.0 en una

distribuci´on normal de probabilidad de µ = 0 y σ = 1, es del 97.72%. Si ahora cambiamos a

la gr´afica de la funci´on de distribuci´on (pdf), mediante el men´u desplegable que se encuentra

en la parte superior derecha, comprendemos por que este valor tan alto: la mayor parte de

la funci´on se encuentra a la izquierda del punto considerado y por lo tanto la integral hasta

ese punto es pr´acticamente la unidad. En esta gr´afica podemos leer el valor de la densidad

en ese punto que resulta ser 0.05399.

Si cambiamos el valor de alg´un par´ametro, la gr´afica representa la nueva funci´on de

manera instant´anea. Por ejemplo, pasamos a σ = 1.5 y observamos una funci´on de distribuci´on
m´as aplanada, el valor de la densidad es ahora 0.1093 y el ´area encerrada por la

curva hasta el valor x = 2.0 es m´as peque˜na (probabilidad acumulada menor). Esto ´ultimo

se comprueba volviendo a la representaci´on cdf que nos indica una probabilidad p = 0.9088

(90.88%). An´alogamente podemos cambiar el valor de µ y ver el efecto en la posici´on de la

funci´on pdf.

Las gr´aficas cdf permiten adem´as realizar el c´alculo inverso. Por ejemplo si queremos
calcular cual es el valor cr´ıtico por debajo del que se acumula el 80% de probabilidad,

escribimos 0.8 en la caja de probabilidad y leemos el resultado x = 1.262. Los valores de x y

de la probabilidad se pueden cambiar moviendo las l´ıneas de referencia de forma interactiva

con ayuda del rat´on: se coloca el puntero sobre la l´ınea que deseamos mover, se pulsa el bot´on

izquierdo del rat´on y sin soltarlo se arrastra la l´ınea hasta la posici´on deseada. Despues de

practicar un poco el paso de la cdf a la pdf y el cambio de par´ametros con la distribuci´on

normal, representaremos otras distribuciones.

Tambi´en se pueden calcular probabilidades utilizando los siguientes comandos de matlab:

normcdf(x, µ, σ)

norminv(P, µ, σ)

binopdf(x, n, p)

binocdf(x, n, p)

poisspdf(x, λ)

poisscdf(x, λ)

2 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD 3

2 Distribuciones discretas de probabilidad

2.1 Distribuci´on discreta uniforme

Seleccionamos en el men´u desplegable discrete uniform (no se debe confundir con uniform

que veremos m´as adelante). En este caso los posibles valores de la variable aleatoria son

igualmente probables. El par´ametro a cambiar es el n´umero de valores diferentes que puede

tomar la variable; por ejemplo este valor es 6 si estamos en el caso sencillo del lanzamiento

de un dado. Si escribimos 6 en la caja etiquetada como number la representaci´on de la pdf

muestra igual probabilidad con densidad 0.1667 = 1/6 para 1 ≤ x ≤ 6 y 0 para el resto. Si

en la caja correspondiente al valor x en el que se calcula la funci´on escribimos 2, obtenemos

la misma densidad 1/6. Si escribimos 2.5 obtenemos densidad nula ya que la distribuci´on

que estamos utilizando es discreta.

Pasemos a la gr´afica de la probabilidad acumulada cdf. Si para el mismo ejemplo escribimos 3.0,
obtenemos una probabilidad 0.5: la probabilidad de sacar un n´umero menor o igual

que 3 al lanzar el dado es de 1/2. Si calculamos ´esta para x = 3.5 el resultado es id´entico

por ser una distribuci´on discreta como ya indica el aspecto escalonado de la cdf. ¿Cual es

la probabilidad de que este n´umero sea 6 o menor? efectivamente es la unidad puesto que

ya sab´ıamos que los valores que puede tomar la variable aleatoria de nuestro ejemplo son

{1, 2, 3, 4, 5, 6} (espacio muestral).

2.2 Distribuci´on binomial

Recordemos que una variable aleatoria binomial es la funci´on que da el n´umero de ´exitos en

un proceso de Bernouilli. Es decir que tenemos n ensayos repetidos e independientes cada

uno de los cuales puede ser clasificado de ´exito o fracaso, y cuya probabilidad de ´exito es un

valor p constante en todos los ensayos. La variable binomial podr´a tener valores en el rango

X = {0, 1, 2, . . . , n}.

Al seleccionar en el men´u correspondiente la funci´on binomial (en ingl´es se escribe igual)

nos aparecen como par´ametros variables el n´umero de ensayos (en ingl´es trials) y la
probabilidad de cada uno de ellos. Utilicemos el gr´afico de la pdf para resolver un ejemplo
sencillo.

Ejemplo 1: Supongamos que la probabilidad de que un componente pase una prueba de impacto
sea 3/4. ¿ Cual es la probabilidad de que exactamente 2 de los siguientes 4 componentes

que se prueben pasen la prueba?.

Escribimos 4 en la casilla de ensayos, 0.75 (´o 3/4) en la casilla de probabilidad y 2 en la de

´exitos y obtenemos densidad de 0.2109 (21.09% de probabilidad). Sin matlab hubi´eramos

operado de la siguiente forma:

b(2; 4, 0.75) =

!
3

4−2

Ejemplo 2: La probabilidad de que un paciente se recupere de una cierta enfermedad es 0.4.

Si 15 personas contraen la enfermedad ¿cual es la probabilidad de que

a) al menos 10 sobrevivan ? Sea X el n´umero de supervivientes.

P(X ≥ 10) = 1 − P(X < 10) = 1 −

x=0

b(x; 15, 0.4) = 1 − 0.9662 = 0.0338

2 DISTRIBUCIONES DISC