UD10: Distribución normal I

VARIABLES ALEATORIAS: CONCEPTOS BÁSICOS

• Una variable aleatoria definida sobre un espacio muestral es una función que
permite atribuir a cada suceso elemental de E un número real y sólo uno.
• Ejemplo. Experimento aleatorio: “Lanzar al aire una moneda "imparcial" tres veces
consecutivas”.
El espacio muestral asociado es:
(CCC) (CCX) (CXC) (XCC) (CXX) (XCX) (XXC) (XXX)
Definamos la variable aleatoria “número de caras obtenidas en los tres
lanzamientos”. Esta variable permite atribuir a cada elemento de E un número y sólo
uno:
(CCC) (CCX) (CXC) (XCC) (CXX) (XCX) (XXC) (XXX)
3 2 2 2 1 1 1 0
Los sucesos (CCX) (CXC) (XCC), desde el punto de vista de la variable aleatoria
definida son iguales, pues representan el suceso “dos caras de los tres
lanzamientos”.
• Por consiguiente, la variable aleatoria “número de caras obtenidas en los tres
lanzamientos” tomará estos valores: “tres caras”, “dos caras”, “una cara”, “cero
caras”. Los números reales atribuibles son: 3, 2, 1 y 0. Cada uno de los valores que
toma representa a un suceso. © Área de Metodología – Facultad de Psicología - UIB
 UD10: Distribución normal I
Espacio Números
muestral reales atribuidos
CCC 3

CCX 2

CXC 2

XCC Variable 2
aleatoria X
CXX 1

XCX 1

XXC 1

XXX 0

Tipos de variables aleatorias

• Variables aleatorias discretas: Una variable aleatoria es discreta cuando sólo puede
tomar un número finito o infinito pero numerable de valores reales. En el ejemplo anterior,
la variable aleatoria “número de caras” es discreta. Por ejemplo, la probabilidad de que la
variable aleatoria tome un valor entre 1 y 2 es nula.
• Variables aleatorias continuas: Una variable aleatoria es continua cuando puede tomar
cualquier valor dentro de un intervalo. En el caso de una variable contínua, el espacio
muestral es numérico.
© Área de Metodología – Facultad de Psicología - UIB
 UD10: Distribución normal I

VARIABLES ALEATORIAS DISCRETAS

Distribución binomial

Ejemplo. Sea una población en la que un 40% de sus miembros son

fumadores. Se extrae una muestra de 10 personas.

• ¿Cuál es la esperanza y variancia del número de fumadores?

• ¿Cuál es la probabilidad de encontrar 3 fumadores?

• ¿Cuál es la probabilidad de encontrar 2 o menos fumadores?

© Área de Metodología – Facultad de Psicología - UIB

 UD10: Distribución normal I

Sea A un suceso de probabilidad p y consideremos n pruebas independientes, en

cada una de las cuales puede o no presentarse el suceso A.
Sea X la variable aleatoria discreta que define el número de veces que se presenta
el suceso A. El rango de valores posibles para esta variable en n pruebas
independientes está definida mediante 0 ≤ X ≤ n .
La variable aleatoria se ajusta a la distribución binomial sí:
• En cada ensayo sólo son posibles dos valores (0 = ‘fracaso’; 1 = ‘éxito’)
• Se llevan a cabo n ensayos independientes
• La probabilidad de éxito en cada ensayo es la misma en todos ellos
La función de probabilidad viene dada por:
⎛n⎞ n!
f(x) = Pr(X = k) = ⎜⎜ ⎟⎟ p k (1 - p) n - k = p k (1 - p) n - k
⎝k⎠ k! (n - k)!
La función de distribución viene dada por:
F(x) = Pr(X ≤ k)
Su esperanza y variancia vienen dadas por:
E(X)= n p
Var(X)=n pq
© Área de Metodología – Facultad de Psicología - UIB
 UD10: Distribución normal I

Ejemplo. Sea una población en la que un 40% de sus miembros son fumadores. Se
extrae una muestra de 10 personas.
• ¿Cuál es la esperanza y variancia del número de fumadores?
E(X)= 10 · 0.4 = 4
Var(X)= 10 · 0.4 · 0.6 = 2.4
• ¿Cuál es la probabilidad de encontrar 3 fumadores?
10!
Pr(X = 3) = f(3) = (0.40)3 (1 - 0.40)10-3 = 0.214991
3! (10 - 3)!
La probabilidad de que haya 3 fumadores es del 21.4991%
• ¿Cuál es la probabilidad de encontrar 2 o menos fumadores?
Pr(X ≤ 2) = F(2) = P(X = 0) + P(X = 1) + P(X = 2) = f(0) + f(1) + f(2)
Pr(X ≤ 2) = 0.006047 + 0.040311 + 0.120932 = 0.16729
La probabilidad de que haya 2 o menos fumadores es del 16.729%

© Área de Metodología – Facultad de Psicología - UIB

 UD10: Distribución normal I

Ejemplo: Sea una población en la que un 40% de sus miembros son fumadores. Se
extrae una muestra de 10 personas.

X P(X=k) P(X ≤ k)
Función de probabilidad
0 0.006047 0.00605 Binomial B(10, 0.40)
1 0.040311 0.04636
0.3
2 0.120932 0.16729
0.25
3 0.214991 0.38228
0.2
4 0.250823 0.63310
0.15
5 0.200658 0.83376
0.1
6 0.111477 0.94524
0.05
7 0.042467 0.98771
0
8 0.010617 0.99832
0 2 4 6 8 10
9 0.001573 0.99990
10 0.000105 1.00000

© Área de Metodología – Facultad de Psicología - UIB

 UD10: Distribución normal I

Distribución multinomial

Ejemplo. Se sabe que un determinado examen tiene las siguientes

probabilidades respecto a la evaluación final: una probabilidad del 0.50
de suspender, una probabilidad de 0.30 de aprobar, de 0.15 de notable y
de 0.05 de sacar un excelente. Si se presentan 10 alumnos, ¿cuál es la
probabilidad de que suspendan 4 alumnos, 4 aprueben, uno saque
notable y el otro un excelente?

© Área de Metodología – Facultad de Psicología - UIB

 UD10: Distribución normal I

Cuando una variable aleatoria discreta, se ajusta a las mismas circunstancias de la

distribución binomial, pero puede presentar más de dos resultados, es decir k>2,
dicha variable aleatoria se ajusta a una distribución Multinomial.
Se realizan n ensayos independientes, en cada ensayo son posibles k resultados,
cada uno con una probabilidad de ocurrencia, p1, p2, ..., pk., tal que Σ pi=1. En estas
circunstancias la variable aleatoria se ajusta a una distribución multinomial sí:
• En cada ensayo sólo son posibles esos k resultados.
• Se realizan n ensayos independientes.
• La probabilidad de cada ensayo es la misma.
Si se consideran n pruebas independientes, la probabilidad de obtener una
repartición n1, n2,...,nk.(siendo ni el número de veces que se presenta el suceso Ai)
tal que Σni = n, viene dada por:
n!
f ( n1 , n 2 , ..., n k ) = p1n1 p 2n2 ... p nk k
n1! n 2 ! ... n k !
La esperanza y variancia de cada uno de los resultados ni resulta ser:
E(ni)= n pi
Var(ni)= n pi qi
© Área de Metodología – Facultad de Psicología - UIB
 UD10: Distribución normal I

Ejemplo. Se sabe que un determinado examen tiene las siguientes probabilidades

respecto a la evaluación final: una probabilidad del 0.50 de suspender, una
probabilidad de 0.30 de aprobar, de 0.15 de notable y de 0.05 de sacar un
excelente. Si se presentan 10 alumnos, ¿cuál es la probabilidad de que suspendan
4 alumnos, 4 aprueben, uno saque notable y el otro un excelente?

n!
f ( n1 , n 2 , ..., n k ) = p1n1 p 2n2 ... p nk k
n1! n 2 ! ... n k !

10!
f ( 4, 4, 1, 1) = (0.5) 4 (0.3) 4 (0.15)1 (0.05)1 = 0.024877
4! 4!1!1!

© Área de Metodología – Facultad de Psicología - UIB

 UD10: Distribución normal I

Distribución hipergeométrica

Ejemplo. Se formó un jurado de 6 miembros de un grupo de 20

posibles miembros, de los cuales 8 eran mujeres y 12 eran hombres.
El jurado se seleccionó aleatoriamente, pero sólo contenía 1 mujer.
¿Existe alguna duda razonable respecto de la aleatoriedad de la
selección?

© Área de Metodología – Facultad de Psicología - UIB

 UD10: Distribución normal I

Sea una población finita de tamaño N, donde las observaciones están clasificadas
en dos categorías con N1 y N2 observaciones por categoría.
Extraemos una muestra aleatoria SIN REEMPLAZAMIENTO, de n observaciones.
La variable aleatoria X se define como el número de veces que se presenta el
suceso de interés A1. La función de probabilidad de la variable es:
• N1: nº de veces que en la población se da la
⎛ N1 ⎞⎛ N 2 ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟⎟ característica A1
k n − k
f(x) = P(X = k) = ⎝ ⎠⎝ ⎠ • N2: nº de veces que en la población se da la
característica A2
⎛ N⎞
⎜⎜ ⎟⎟ • N= N1+ N2
⎝n ⎠ • n: tamaño de la muestra

La diferencia entre la Binomial y la Hipergeométrica reside en la naturaleza de n,

debido al tipo de extracción que se realiza:
• Binomial: n es el número de ensayos independientes unos de otros, con
reemplazamiento necesariamente.
• Hipergeométrica: n es el tamaño de una muestra extraída sin reemplazamiento
de una población de tamaño N.
N1 ⎛ N−n⎞
p= E(X)= np Var(X) = npq⎜ ⎟
N ⎝ N − 1 ⎠
© Área de Metodología – Facultad de Psicología - UIB
 UD10: Distribución normal I

Ejemplo. Se formó un jurado de 6 miembros de un grupo de 20 posibles miembros,

de los cuales 8 eran mujeres y 12 eran hombres. El jurado se seleccionó
aleatoriamente, pero sólo contenía 1 mujer. ¿Existe alguna duda razonable respecto
de la aleatoriedad de la selección?

N = 20 = 8 + 12 k =1 p = 8/20 = 0.4 q = 0.6

E(X) = 6 ⋅ (0.4) = 2.4 V(X) = 6 ⋅ (0.4)(0.6) [(20 - 6)/19] = 1.061

⎛ 8 ⎞⎛ 12 ⎞ 8! 12!
⎜⎜ ⎟⎟⎜⎜ ⎟⎟ ×
1 6 − 1⎠ 1!(8 − 1)! 5!(12 − 5)!
Pr(X = 1) = ⎝ ⎠⎝ = = 0.1634675
⎛ 20 ⎞ 20!
⎜⎜ ⎟⎟
⎝6⎠ 6!(20 − 6)!

El número esperado de mujeres en el jurado es de 2,4. La probabilidad de que por

azar sólo haya una es del 16.34%, por lo que parece que hay indicios para dudar de
la aleatoriedad.
© Área de Metodología – Facultad de Psicología - UIB
 UD10: Distribución normal I

Distribución de Poisson

Ejemplo. Para la población de Baleares, existe una probabilidad de

esquizofrenia de 0.0002. Si extraemos una muestra de 25000
personas, ¿cuál es la probabilidad de que 10 personas tengan la
enfermedad?

© Área de Metodología – Facultad de Psicología - UIB

 UD10: Distribución normal I

Una variable aleatoria X que toma los valores 0, 1, ..., n, con probabilidad no nula,
diremos que sigue la distribución de Poisson, de parámetro λ>0 :
⎛ λ k
⎞ λ= n·p
f(x) = Pr(X = k) = e ⎜ ⎟⎟
−λ
⎜ e = 2.7182828281
⎝ k! ⎠
Con esperanza y variancia dadas por:
E(X)= λ
Var(X)= λ
Este modelo se basa en las mismas condiciones que la distribución binomial y se
utiliza en la práctica para asignar probabilidades a sucesos “raros”, es decir,
sucesos con n muy grandes y p muy pequeño. La variable aleatoria X se define
como el número de veces que se presenta el suceso de interés.
Ejemplo. Para la población de Baleares, existe una probabilidad de esquizofrenia de
0.0002. Si extraemos una muestra de 25000 personas, ¿cuál es la probabilidad de
que 10 personas tengan la enfermedad?
La probabilidad de que de
⎛ λ ⎞ -5 ⎛ 5 ⎞
k 10
entre los 25000 hayan 10
f(10) = Pr(X = 10) = e ⎜⎜ ⎟⎟ = e ⎜⎜ ⎟⎟ = 0.018133
-λ
esquizofrénicos es del
⎝ k! ⎠ ⎝ 10! ⎠ 1.8133%

© Área de Metodología – Facultad de Psicología - UIB

 UD10: Distribución normal I

Ejemplo. Para la población de Baleares, existe una probabilidad p de esquizofrenia

de 0.0002. Si extraemos una muestra de 25000 personas, ¿cuál es la probabilidad
de que 10 personas tengan la enfermedad?
X P(X=k)
0 0.006738
1 0.033690
Función de probabilidad 2 0.084224
Poisson (λ=5) 3 0.140374
4 0.175467
0.18 5 0.175467
6 0.146223
0.15
7 0.104445
0.12 8 0.065278
9 0.036266
0.09 10 0.018133
11 0.008242
0.06 12 0.003434
13 0.001321
0.03
14 0.000472
0 15 0.000157
16 0.000049
0 3 6 9 12 15 18 17 0.000014
18 0.000004
19 0.000001
Con p= 0.0002 y n= 25000 entonces λ= np= 5
20 0.000000

© Área de Metodología – Facultad de Psicología - UIB