5.

DISTRIBUCIONES DE PROBABILIDAD Y DENSIDADES

DE PROBABILIDAD
Recordemos inicialmente que en la estadstica descriptiva
precisamos que existen las variables aleatorias, siendo aquellas que
se asocian a la ocurrencia de un fenmeno aleatorio. Cuando una
de estas variables aleatorias toma diversos valores, la probabilidad
asociada a cada uno de tales valores puede ser organizada como
una distribucin de probabilidad, la cual es la distribucin de
las probabilidades asociadas a cada uno de los valores de la
variable aleatoria.
Las distribuciones de probabilidad pueden representarse a travs
de una tabla, una grfica o una frmula, en cuyo caso tal regla de
correspondencia se le denomina funcin de probabilidad.
5.1. VARIABLE ALEATORIA
DEFINICIN 04:
Dado un experimento y el espacio muestral asociado a .
Una funcin X que asigna a cada elemento en uno y
solamente un nmero real ( ) x X e = , se llama variable aleatoria.
Es decir X es una funcin real, : X O

EJEMPLO: Supngase el experimento de lanzar tres monedas
equilibradas, asocia el siguientes espacio muestral
{ } , , , , , , , CCC CCS CSC SCC CSS SCS SSC SSS O =

Suponga que slo interesa observar el nmero de caras que
salen, de tal forma que los sucesos: CCS, CSC, SCC, son
sucesos equivalentes, tambin se tiene a los sucesos css, scs,
ssc, como sucesos equivalentes, de tal manera que podemos
introducir una funcin X definida sobre : como se presenta a
continuacin:
X(CCC) = 3
X(CCS) = X(CSC) = X(SCC) = 2
X(CSS) = X(SCS) = X(SSC) = 1
X(SSS) = 0





La funcin X en definida por X() = Nmero de caras
obtenidas al lanzar una moneda tres veces

CCC.
CCS.
CSC.
SCC.
CSS.
SCS.
SSC.
SSS.
0
1
2
3
X



El Dominio es:

={CCC, CCS, CSC, SCC, CSS,
SCS, SSC, SSS}

El subconjunto de los nmeros
reales es el Rango:

R
x
= {x / x = 0,1, 2, 3}


Al nuevo conjunto {0, 1, 2, 3} le corresponde una probabilidad
de la siguiente forma:

P[X=3 caras] = P(CCC) = 1/8
P[X=2 caras] = P(CCS) = P(CSC) = P(SCC) = 3/8
P[X=1 cara] = P(CSS) = P(SCS) = P(SSC) = 3/8
P[X=0 caras] = P(SSS) = 1/8

6.1.2. CLASES DE VARIABLE ALEATORIA

(a) VARIABLE ALEATORIA DISCRETA
DEFINICIN 05:
Si el rango de una variable aleatoria X, es un conjunto finito o
infinito numerable, se llama variable aleatoria discreta. Es
decir:
{ }
, , ,...
1 2 3
R x x x
X
=


X: {0, 1, 2, 3}
FUNCIN DE PROBABILIDAD FUNCIN DE CUANTIA
Sea x el valor de una variable aleatoria X discreta. Una
funcin real valorada f definida en el rango de la variable X,
ser una Funcin de Cuanta o una Funcin de Probabilidad si
satisface las siguientes condiciones:
(i) ( ) 0, f x x R
x
> e
(ii) ( ) 1 f x
x D
f
=
e

( ) f x Representa la probabilidad que la variable aleatoria X
tome el valor de x; Es decir:
| | ( ) ( ) ( ) f x p x P X x e = = =
y 0 ( ) 1 f x s s

DISTRIBUCIN DE PROBABILIDAD DE X
El conjunto de parejas ordenadas ( , ( )) x p x donde x R
X
e
recorrido de X, se llama distribucin de probabilidad de X.
Se representa mediante una tabla:

X x
1
x
2
x
n

p(x) = P(X=x) p(x
1
) p(x
2
) p(x
n
)



EJEMPLO:
Para el caso de las tres monedas su distribucin de
probabilidad es la siguiente:

X 0 1 2 3
p(x) = P(X=x) 1/8 3/8 3/8 1/8


FUNCION DE DISTRIBUCIN ACUMULADA DE UNA
VARIABLE ALEATORIA DISCRETA
Sea X una variable aleatoria discreta con rango
{ }
, , ,...
1 2 3
R x x x
x
= y funcin de probabilidad ( ) p x P X x
i i
= = (

,
sea x un nmero real cualquiera, La Funcin de
Distribucin de X se denota por F(x) y se define como:
| |
| |
( )
( )
( )
i
F x P X x
x x
i
P X x
i
x x
i
F x
p x = s =
s
=
s
=

EJEMPLO:
Para el caso de las tres monedas su funcin de distribucin es
la siguiente:

X 0 1 2 3
p(x) = P(X=x) 1/8 3/8 3/8 1/8
F(x) 1/8 4/8 7/8 1


ESPERANZA MATEMTICA Y VARIANZA
La esperanza matemtica de una variable aleatoria se define
por:

( ) ( ) E x xf x
x D
f
= =
e


La varianza de una variable aleatoria discreta est definida
por:

2 2
( ) ( ) ( ) V x x f x
x D
f
o = =
e


EJEMPLO:
Para el caso de las tres monedas calcula la esperanza
matemtica y la varianza

X 0 1 2 3
p(x) = P(X=x) 1/8 3/8 3/8 1/8
F(x) 1/8 4/8 7/8 1

SOLUCION:
Calculo de la Esperanza Matemtica:
( ) ( ) 0(1/ 8) 1(3/ 8) 2(3/ 8) 3(1/ 8) 12/ 8 1.5 E x xf x = = + + + = =

Calculo de la Varianza:
Primero calculamos la Esperanza Matemtica de X
2
:

2 2 2 2 2
( ) ( ) 0 (1/ 8) 1 (3/ 8) 2 (3/ 8) 3 (1/ 8) 24/ 8 3 E x xf x = = + + + = =

Luego la varianza es:

2 2 2
( ) ( ) [ ( )] 3 (1.5) 0.75 V x E x E x = = =

(b) VARIABLE ALEATORIA CONTINUA
DEFINICIN 06:
Si el rango R
x
de una variable aleatoria X es un intervalo
sobre la recta de los nmeros reales, se llama variable
aleatoria continua.

FUNCIN DE DENSIDAD DE PROBABILIDAD
Sea x el valor de una variable aleatoria X continua. Una
funcin real valorada f definida en , ser una funcin de
densidad si cumple las siguientes condiciones:
(i) ( ) 0, f x x > e

(ii) ( ) 1 ( ) 1 f x dx f x dx
R
x
+
= = } }

( ) f x no es una probabilidad y como tal puede ser mayor de
uno.

EJEMPLO:
Sea X la variable aleatoria que representa el nmero de das
malos que una persona tiene en su vida. En base a las
investigaciones realizadas por los especialistas determino que
el nmero de das malos que tiene una persona en su vida se
adecua a la siguiente la funcin de densidad:
120
1
( ) 0
120
x
f x e x

= > Esto quiere decir que la disminucin del

peso puede ser entre uno y cuatro kilos.

FUNCIN DE DISTRIBUCIN
Sea X una variable aleatoria continua con funcin de densidad
( ) f x . La funcin de distribucin (o funcin de distribucin
acumulada) de la variable aleatoria X, denotado por F(x), se
define por:
( ) ( )
x
F x P X x f t dx = s = ( }

x e

ESPERANZA MATEMTICA Y VARIANZA
La esperanza matemtica de una variable aleatoria se define
por:

( ) ( ) xf x dx E x
+
}

= =

La varianza de una variable aleatoria discreta esta definida
por:

2
( ) ( )
2
( ) x f x V x o
+
}

= =

7. FUNCIONES DE DISTRIBUCIN DE PROBABILIDAD
IMPORTANTES
DISTRIBUCIONES DE VARIABLE DISCRETAS

DISTRIBUCIN DE BERNOULLI
Un experimento de Bernoulli se caracteriza por tener solo dos
resultados posibles llamados xito E (evento de nuestro inters)
cuya probabilidad de ocurrencia es p y fracaso F y su
probabilidad es 1 p , luego el espacio muestral ser { } , E F O=
FUNCIN DE DISTRIBUCIN
1
0
( ) (1 ) ,
1
x x
p x p p x

= =

MEDIA
( ) E x p = =
VARIANZA
2
( )
x
V x pq o = =

DISTRIBUCIN BINOMIAL
Un experimento que tiene distribucin binomial se caracteriza por
efectuarse n ensayos de Bernoulli en el que solamente se esta
interesado en el nmero total de xitos E, al margen del orden en
que se presentan. El resultado obtenido en cada ensayo es
independiente de los resultados obtenidos anteriormente. La
probabilidad de obtener x aciertos en n ensayos en las
condiciones indicadas, observamos que la probabilidad de obtener
x aciertos y n x fallas en su orden especifico es (1 )
x n x
p p

, en
efecto existe un factor p para cada acierto, un factor 1 p para
cada falla y los x factores p y n x factores 1 p se multiplican
entre s en virtud de la suposicin de independencia. Como esta
probabilidad se aplica a una secuencia cualquiera de n ensayos en
los que hay x aciertos y n x fallas, slo tenemos que contar
cuntas secuencias de ese tipo hay y despus multiplicar
(1 )
x n x
p p

por ese nmero. Luego el nmero de formas en que
podemos seleccionar los x ensayos en los cuales habr un acierto
es
( )
n
x
, adems, se determina que la probabilidad deseada de x
aciertos en n ensayos es
( )
(1 )
n x n x
x
p p


FUNCIN DE DISTRIBUCIN
( ) ( ) (1 ) , 0,1, 2...,
n x n x
x
p x p p x n

= =

MEDIA
( ) E x np = =
VARIANZA
2
( )
x
V x npq o = =

DISTRIBUCIN HIPERGEOMTRICA
En un experimento que sigue una distribucin Hipergeomtrica se
caracteriza por tener como punto de referencia una poblacin finita
con N elementos, divididos en dos clases, Una con M elementos
( ) M N < que constituye los xitos y la otra con ( ) N M elementos
llamados fracasos. As mismo considera una muestra sin reemplazo
de tamao n de la cual nos interesa la probabilidad de lograr x
aciertos en n ensayos. En este tipo de experimentos los ensayos
no son independientes. ( es decir la probabilidad de xito no es
constante).
Estas condiciones determinan que hay
( )
M
x
maneras de elegir x de
los M aciertos y
( )
N M
n x

maneras de escoger n x de las N M

fallas y, por lo tanto,
( )( )
M N M
x n x

maneras de escoger x aciertos y

n x fallas. Como hay
( )
N
n
formas de escoger n de los N
elementos del conjunto y supondremos que todos son igualmente
probables (que es a lo que nos referimos cuando decimos que la
seleccin es aleatoria).
Finalmente la probabilidad de lograr x aciertos en n ensayos es
( )( )
( )
M N M
x n x
N
n

.
FUNCIN DE DISTRIBUCIN
( )( )
( )
( ) , 0,1, 2,..., ( , )
M N M
x n x
N
n
p x x mn n M

= =

MEDIA
( )
M
E x n
N

(
= =
(


VARIANZA
2
( ) 1
1
x
M M N n
V x n
N N N
o
( ( (
= =
( ( (



DISTRIBUCIN DE POISSON
Un experimento que sigue la distribucin de Poisson, se caracteriza
porque los x xitos discretos se generan en un intervalo continuo
(Unidad de medida: Longitud, intervalo de tiempo, rea, volumen,
etc.) formando un proceso de Poisson con parmetro , con las
siguientes propiedades:
1. El parmetro es el nmero promedio de xitos esperados en
una unidad de medida. (Intervalo de tiempo, una regin
especificada, volumen, etc).
2. El nmero de xitos que ocurran por unidad de medida en un
intervalo dado es independiente de otro intervalo de medida
contiguo.
3. La probabilidad de un xito en una unidad de medida pequea
es proporcional a la longitud del intervalo
4. La probabilidad de ocurrencia de dos o ms xitos en esta
unidad pequea es aproximadamente cero.

FUNCIN DE DISTRIBUCIN
( ) , 0,1, 2,...
!
x
p x e x
x

= =
MEDIA
( ) E x = =
VARIANZA
2
( )
x
V x o = =

DISTRIBUCIONES CONTINUAS

DISTRIBUCIN UNIFORME
Una variable aleatoria continua uniformemente distribuida, se
caracteriza por representar la analoga de los resultados igualmente
posibles contenidos en un intervalo a x b s s , no interesando la
ubicacin del valor de la variable en el intervalo, es decir que los
valores de la variable solo dependen de la longitud del intervalo.
FUNCIN DE DISTRIBUCIN
1
( ) , f x a x b
b a
= s s

MEDIA
2
a b

+
=
VARIANZA
2
2
( )
12
x
b a
o

=

DISTRIBUCIN EXPONENCIAL
Este modelo de probabilidad exponencial tiene su origen en el
proceso de Poisson observable en el tiempo, entonces la variable
aleatoria que indica el nmero de ocurrencias en un intervalo de
amplitud t estar contando el nmero de xitos, y como sabemos
que tiene distribucin de Poisson con parmetro t ; siendo el
nmero de ocurrencias por unidad de tiempo. En efecto
designemos por X la variable tiempo entre hechos y procedamos a
determinar la funcin de distribucin de X evaluando el hecho
X x > para cualquier intervalo de tiempo especfico x . Esta
situacin podemos interpretarla mediante la siguiente pregunta:
Cunto tenemos que esperar para observar la primera ocurrencia
de un hecho?, luego suponer el hecho X x > no ha ocurrido an en
el intervalo de tiempo ( | 0, t . Por la ley de Poisson su probabilidad
es: ( | ( ) , P X x P no ocurrenciaen o t ( > =


Esto es:
0
( )
( ) ,
!
( )
( ) , 0
0!
( )
k
x
x
x
x
P X x e k hechos
k
x
P X x e k
P X x e

(
> = =
(

(
> = =
(

> =

Este resultado da una probabilidad exponencial de cola superior.
As la Funcin de Distribucin Acumulada (FDA) de la variable
exponencial X puede expresarse como:
( ) 1 ( )
( ) 1
x
P X x P X x
P X x e

> = s
> =

Luego derivando la expresin anterior se tiene:
( ) , 0 0
x
f x e x

= > >
FUNCIN DE DISTRIBUCIN
( ) , 0
x
f x e x

= >
MEDIA
1

=
VARIANZA
2
2
1
x
o

=

DISTRIBUCIN GAMMA
Al comparar la distribucin Gamma y la Exponencial, resulta que la
distribucin exponencial es un caso especial de la distribucin
gamma si hacemos en est distribucin la sustitucin de
1
|

= y
1 o = , ambas tienen un gran nmero de aplicaciones. Las
distribuciones exponencial y gamma juegan un papel importante
tanto en teora de colas como en problemas de confiabilidad. El
tiempo entre las llegadas en las instalaciones de servicio y el
tiempo de falla de los componentes y sistemas elctricos,
frecuentemente involucran la distribucin exponencial. La relacin
entre la gamma y la exponencial permite que la distribucin gamma
se utilice en tipos similares de problemas.
FUNCIN DE DISTRIBUCIN
1
1
( ) , 0 , 0
( )
x
f x x e x
o |
o
o |
| o

= > >
I



MEDIA
o| =
VARIANZA
2 2
x
o o| =
DISTRIBUCIN BETA
La distribucin de probabilidad beta es una funcin de densidad con
dos parmetros definida en el intervalo 0 1 x < < . Se utiliza
frecuentemente como modelo para fracciones, tal como la
proporcin de impurezas en un producto qumico o la fraccin de
tiempo que una maquina est en reparacin.
FUNCIN DE DISTRIBUCIN
1 1
( )
( ) (1 ) , 0 1 , 0
( ) ( )
f x x x x
o |
o |
o |
o |

I +
= < < >
I I

MEDIA
o

o |
=
+

VARIANZA
2
2
( ) ( 1)
x
o|
o
o | o |
=
+ + +


DISTRIBUCIN NORMAL
La distribucin de una variable normal est completamente
determinada por dos parmetros, su media y su desviacin
estndar, denotadas generalmente por y o .
La distribucin normal posee ciertas propiedades importantes que
conviene destacar:
1. Tiene una nica moda, que coincide con su media y su
mediana.
2. La curva normal es asinttica al eje de abscisas. Por ello,
cualquier valor entrey + es tericamente posible. El rea
total bajo la curva es, por tanto, igual a 1.
3. Es simtrica con respecto a su media . Segn esto, para este
tipo de variables existe una probabilidad de un 50% de observar
un dato mayor que la media, y un 50% de observar un dato
menor.
4. La distancia entre la lnea trazada en la media y el punto de
inflexin de la curva es igual a una desviacin tpicao . Cuanto
mayor sea o , ms aplanada ser la curva de la densidad.
5. El rea bajo la curva comprendida entre los valores situados
aproximadamente a dos desviaciones estndar de la media es
igual a 0.95. En concreto, existe un 95% de posibilidades de
observar un valor comprendido en el intervalo
.
6. La forma de la campana de Gauss depende de los parmetros
y o . La media indica la posicin de la campana, de modo
que para diferentes valores de la grfica es desplazada a lo
largo del eje horizontal. Por otra parte, la desviacin estndar
determina el grado de apuntamiento de la curva. Cuanto mayor
sea el valor de o , ms se dispersarn los datos en torno a la
media y la curva ser ms plana. Un valor pequeo de este
parmetro indica, por tanto, una gran probabilidad de obtener
datos cercanos al valor medio de la distribucin.
Como se deduce de este ltimo apartado, no existe una nica
distribucin normal, sino una familia de distribuciones con una
forma comn, diferenciadas por los valores de su media y su
varianza. De entre todas ellas, la ms utilizada es la distribucin
normal estndar, que corresponde a una distribucin de media 0
y varianza 1. As, la expresin que define su densidad se puede
obtener de la Ecuacin, resultando:

Es importante conocer que, a partir de cualquier variable X que
siga una distribucin ( , ) N o , se puede obtener otra caracterstica
Z con una distribucin normal estndar, sin ms que efectuar la
transformacin:
x
Z

o

=


FUNCIN DE DISTRIBUCIN
2 1
( )
2
1
( ) ,
2
x
f x e x

o
o t

= < < +

MEDIA
( ) E x =
VARIANZA
2
( ) Var x o =