Probabilidades y Distribuciones

PROBABILIDADES Y
DISTRIBUCIONES DE PROBABILIDADES
Área Estadística Dpto. de Cs. Matemáticas y Físicas
Prof. Juan Moncada Herrera

REALIDAD – POBLACIÓN – PROBLEMA
VARIABLES
Aleatorias
No aleatorias
Probabilidades
Distribuciones ANOVA
Parámetros
Pruebas de
Hipótesis
Muestreo
Intervalos de
Confianza
MUESTRA ALEATORIA
VARIABLES
Datos
Estimadores
Distribuciones
Estadística Descriptiva
NOCIONES DE
PROBABILIDADES
NOCIONES DE PROBABILIDADES
Fuente: http://ciberconta.unizar.es/leccion/probabil/INICIO.HTML; 04/12/2008

¿De qué se hacen cargo?
Falta de información
Azar
Variabilidad
INCERTIDUMBRE
Los grandes aportes …
Fermat (1601-1665) Pascal (1623-1662) Huygens (1629-1695)

Newton (1643-1727) J. Bernoulli (1654-1705) De Moivre (1667-1754)

Bayes (1707-1761) Laplace (1749-1827) Gauss (1777-1855)

Chebyshev (1821-1894) Markov (1856-1922) Börel (1871-1956)

Mises (1883-1953) Lèvy (1886-1971)

Kolmogorov (1903-1987) Feller (1906-1970)

¿Y qué es (qué son) …?
Probabilidad = Medida de la incertidumbre

Enfoques …
Clásico (Regla de Pascal)
Frecuentista
Bayesiano o subjetivo
Axiomático
Enfoques …
Clásico (Regla de Laplace)
Laplace (1749-1827)
Cuociente entre casos favorables y casos
posibles, siempre que todos los casos sean
igualmente probables.
Enfoques …
Frecuentista
Cuociente entre frecuencia observada del

suceso y el total de observaciones del
suceso cuando el experimento se realiza un
número grande veces.
Enfoques …
Bayesiano o subjetivo
Bayes (1702-1761)
Grado de creencia o juicio personal.
Enfoques …
Axiomático
•No se define probabilidad,

Kolmogorov (1903-1987)
propiamente tal.
•Hay un conjunto de axiomas, de los
que se deduce la teoría.
Cálculo de probabilidades
Base empírica: Experimentos aleatorios
Espacio muestral: 
Suceso o Evento: A 
Cálculo de probabilidades:
Existe probabilidad de un suceso:
m( A)
P( A) 
m( )
Cálculo de probabilidades:
Ejemplo:
Se selecciona aleatoriamente un asistente a la clase de hoy.
¿Cuál es la probabilidad de que sea mujer?
Evento A: Ser mujer

Espacio muestral : {mujer, … , hombre}
Número de elementos de A =
Número de elementos de  =
 P ( A) 
Propiedades fundamentales:
A y B eventos de un espacio muestral 

P() = 0
P() = 1
0 ≤ P(A) ≤ 1
P(A  B) = P(A) + P(B) – P(A  B)
P(Ac) = 1 – P(A), Ac evento complementario de A
Probabilidad Condicional:
P( A  B)
P( A | B)  ; P( B)  0
P( B)
Independencia de eventos:
A y B independientes si:
P( A | B)  P( A)

P( A  B)  P( A)  P( B)
Probabilidad Total:
Teorema. Sea E1, E2,...,En una partición de E   (esto significa que

ij, Ei  Ej  , y Ei =E). Entonces:
P(E) =  P(E | Ei) P(Ei), para i = 1,2,...,n

Teorema de Bayes:
Si E1, ... , En son n eventos mutuamente independientes, de los

cuales uno debe ocurrir, es decir, P(Ei) = 1, entonces, para un
evento dado A:
P( A | Ei ) P( Ei )
P( Ei | A) 
 P( A | Ei ) P( Ei )
Variables aleatorias
Y
Distribuciones de Probabilidades
Variables aleatorias: Definición
X : (, P )  IR
  X ( )  x
Discretas Continuas
Recorrido de X es Recorrido de X es
finito o infinito infinito
numerable
Distribuciones de probabilidades
p(x) = P[X=x]  X discreta  Función de probabilidad

X
f(x)  X continua  Función de densidad
x1
… X discreta X continua
xk  
0  p( x)  1 f ( x)  0
 p(x)  1  f ( x)dx  1
Distribución Acumulada
Caso discreto:
X P[X=x] = p(x)
x1 p1
x2 p2
x3 p3
… …
xk pk
Caso discreto:
X P[X=x] = p(x) F(x)=P[X  x]

x1 p1 p1
x2 p2 p1+p2
x3 p3 p1+p2+p3
… …
xk pk pi = 1
Caso discreto: Caso continuo:
X P[X=x] = p(x) F(x)=P[X  x] x

F ( x)  P( X  x)   f ( y )dy
y  
x1 p1 p1
x2 p2 p1+p2
x3 p3 p1+p2+p3
… …
xk pk pi = 1
Medidas de resumen de una v.a.

Tendencia central
E ( X )     x p ( x) X discreta
Media x
Valor esperado
Esperanza matemática E ( X )   
 xf ( x)dx
x
X continua
Propiedades:
E[ a ]  a
E[aX  b]  aE[ X ]  b

Tendencia central
Mediana x0.5 : P( X  x0.5 )  0.5  P( X  x0.5 )  0.5
xmod : p  ( xmod ) X discreta

Moda
xmod : f  ( xmod ) X continua

Posición
Extremos Cuartiles Quintiles Deciles
Percentil    x : P( X  x )  

Dispersión
Rango Max ( X )  min ( X )
Varianza Var ( X )   2  E ( X 2 )  E 2 ( X )
Propiedades:
Var (k )  0
Var ( X  k )  Var ( X )
Var(aX  b)  a 2Var ( X )
Desviación estándar d .e.( X )    Var( X )
Proceso de estandarización
X v.a.
E( X )   d .e.( X )  
X 
X Z 

E (Z )  0 d .e.( Z )  1
Variables aleatorias: Parámetros
PARÁMETRO:
Rasgo, característica, propiedad fija o constante de una población.
Las medidas de resumen de una variable aleatoria son parámetros.
Los parámetros determinan la distribución de probabilidades.

Variables aleatorias: Resumen
• Definición-Contexto-Problema
Discretas • Valores
• Parámetros
Continuas • Función de probabilidad

Función de densidad
• Medidas de resumen
• Distribución Acumulada
MODELOS DE DISTRIBUCIONES
DISCRETAS
DISTRIBUCIONES DISCRETAS DE PROBABILIDADES
Distribución Bernoulli
Experimento de base:
Todo experimento aleatorio que tenga sólo dos resultados posibles,
mutuamente excluyentes, que pueden denominarse Éxito y Fracaso.
P[Éxito] = p P[Fracaso] = 1 – p = q
Variable aleatoria – Definición:

Número de Éxitos observados en un ensayo.
Usos – aplicaciones:
Muy poco. Electrónica, proceso binarios en general.
Variable aleatoria – Valores:
0y1
Parámetros:
p: Probabilidad de éxito
Notación:
X  Ber(p)
Función de distribución de probabilidades:
X P(X = x) = p(x)
0 1–p p(x) = px(1–p)1-x ; x = 0,1
1 p
Función de distribución acumulativa:
X P(X = x) = p(x) F(x) = P(X  x)

0 1–p 1–p
1 p (1 – p) + p = 1
Propiedades:
X  Ber(p)
E( X )  p Var ( X )  p(1  p)
Distribución binomial
Realización de n ensayos Bernoulli, todos independientes, y cada
uno con probabilidad de Éxito p.

Número de Éxitos observados en n ensayos Bernoulli, todos
independientes, y cada uno con probabilidad de Éxito p.
Control de calidad, tratamientos de encuestas …
Valores de la variable:
0, 1, 2, …, n
Parámetros:
n: Número de ensayos
p: Probabilidad de éxito
Notación:
X  bin(n , p)
 n x
p( x)    p (1  p) n  x ; x  0,1,2, , n
 x
k
F (k )  P( X  k )   p ( x)
x 0
Cálculo de probabilidades acumulativas:
k
F (k )  P( X  k )   p ( x)
x 0
Propiedades:
X  bin(n , p)
E ( X )  np Var ( X )  np(1  p)
Distribución de Poisson
Observación de la ocurrencia de eventos en un espacio (intervalo)
determinado (fijo).

Número de eventos que ocurren de manera aleatoria e independiente,
a una tasa constante , en un espacio o intervalo determinado.
Fenómenos de espera, fenómenos de transporte …
0, 1, 2, …
Parámetros:
: Tasa promedio de ocurrencia de los eventos
Notación:
X  P()

e  x
p ( x)  ; x  0,1,2,
x!
k
F (k )  P( X  k )   p ( x)
x 0
Cálculo de probabilidades acumulativas:
k
F (k )  P( X  k )   p ( x)
x 0
Propiedades:
X  P ( )
E( X )   Var ( X )  
Teorema. Sea X una variable con distribución binomial de

parámetros n y p. Si existe una constante  tal que p =  / n,
entonces:
x 
e
lim p ( x; n , p )  ; x  0,1, 
n x!
p 0
MODELOS DE DISTRIBUCIONES
CONTINUAS
DISTRIBUCIONES CONTINUAS DE PROBABILIDADES
Distribución Uniforme
Seleccionar aleatoriamente un número en un intervalo real (a,b), y
registrar su valor.

Número real seleccionado aleatoriamente en un intervalo (a,b).
Generación de números aleatorios, informática, …
x  ( a, b)
Parámetros:
a, b
Notación:
X ~ U ( a, b)
Función de densidad:
1
f ( x)  I ( a ,b ) ( x ) ; x  ( a , b )
ba
k xa
F (k )  P( X  k )   f ( x)dx 
xa ba
Propiedades:
X  U(a , b)
ab a  ab  b
2 2
E( X )  Var ( X ) 
2 3
Distribución Normal
La variable:
Muchas variables continuas relativas a mediciones:
Físicas: Longitud, altitud, temperaturas, velocidad de…

Biológicas: Talla, peso, ritmo cardiaco, presión arterial,
Psicológicas: Inteligencia, habilidades, destrezas, etc.
¡CUIDADO! MUCHO no significa TODO

Los valores de la variable:
Depende del problema en estudio.

Teóricamente, cualquier valor real.
Los parámetros:
Dos parámetros. Se simbolizan por:
 y 
Corresponden a la media y desviación estándar
X ~ N ( , )
Función de densidad y gráfico:

1  1 2
f ( x |  , )  exp  (x  ) 
2   2 ² 
   x  ;    ;   0


Campana de Gauss
Función de distribución acumulada:

x 1  1 
F ( x | , )   exp  ( y   ) 2 dy

2   2 ² 
P( X  x)
La normal estándar:
X 
X ~ N ( , )  Z  ~ N (0,1)


PROBABILIDADES ACUMULADAS DE LA NORMAL ESTÁNDAR
Distribución Normal Probabilidades acumuladas para algunos valores de la variable aleatoria normal estándar Z
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
__________________________________________________________
0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
0.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
0.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
Probabilidades acumuladas: 0.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
0.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
0.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
0.7 .7580 .7611 .7642 .7673 .7703 .7734 .7764 .7794 .7823 .7852
0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
0.9 .8159 .8186 .8212 .8238 .8264 .8189 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9875 .9878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9906 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3.0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990
3.1 .9990 .9991 .9991 .9991 .9992 .9992 .9992 .9992 .9993 .9993
3.2 .9993 .9993 .9994 .9994 .9994 .9994 .9994 .9995 .9995 .9995
3.3 .9995 .9995 .9995 .9996 .9996 .9996 .9996 .9996 .9996 .9997
3.4 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9998
3.5 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998
Un ejemplo:
En un estudio sobre longevidad se analizaron las edades de 489
jubilados obteniéndose una media de edad de 72 años con una
desviación de 8.6 años. Suponiendo que las edades se
distribuyen de acuerdo a una ley normal, se desea saber:
a) Cuántos sujetos hay por debajo de 80 años.

b) Cuántos sujetos hay por encima de 65 años.
c) A partir de qué edad se sitúa el 10% más viejo.
Un ejemplo:
En un estudio sobre longevidad se analizaron las edades de 489
jubilados obteniéndose una media de edad de 72 años con una
desviación de 8.6 años. Suponiendo que las edades se
distribuyen de acuerdo con la curva normal, se desea saber:
Solución parte a):

Sea X: Edad de las personas estudiadas
Se tiene: X ~ N (   72 años;   8.6 años )
Se pide: P ( X  80)
Un ejemplo:
X ~ N (   72 años;   8.6 años )
¿ P ( X  80) ?
Opciones de la
Hoja de Cálculo de
OpenOffice
Un ejemplo:
X ~ N (   72 años;   8.6 años )
 X  72 80  72 
Pero: P ( X  80)  P   
 8 .6 8 .6 
8
 P(Z  )
8 .6
 P ( Z  0.93)
Distribución Normal PROBABILIDADES ACUMULADAS DE LA NORMAL ESTÁNDAR
Probabilidades acumuladas para algunos valores de la variable aleatoria normal estándar Z

z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
__________________________________________________________
0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
0.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
0.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
0.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
 X  72 80  72 
0.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
P ( X  80)  P 
0.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
 0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
 
0.7 .7580 .7611 .7642 .7673 .7703 .7734 .7764 .7794 .7823 .7852
8 . 6 8 . 6 0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
0.9 .8159 .8186 .8212 .8238 .8264 .8189 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
8 1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
 P(Z  ) 1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
8 .6 1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
 P ( Z  0.93) 1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9875 .9878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9906 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
P ( X  80)  0.8238  82.38% 2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3.0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990
82.38% de 489 son 403 personas 3.1 .9990 .9991 .9991 .9991 .9992 .9992 .9992 .9992 .9993 .9993
3.2 .9993 .9993 .9994 .9994 .9994 .9994 .9994 .9995 .9995 .9995
3.3 .9995 .9995 .9995 .9996 .9996 .9996 .9996 .9996 .9996 .9997
3.4 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9998
3.5 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998
Aproximación de De Moivre Laplace

Teorema. Sea X una variable con distribución binomial de parámetros
n y p. Entonces, si n tiende a infinito:
X  np
Y ~ N (0,1)
np(1  p)
Nota: La aproximación ya es buena para n>30, y mejor mientras p

sea cercano a 0.5.
Aproximación de De Moivre Laplace
n=30, p=0.4 n=80, p=0.7 n=200, p=0.5

DISTRIBUCIONES DE
PROBABILIDADES:
¿CUÁL EL PROBLEMA?
EL DESCONOCIMIENTO
DE LOS PARÁMETROS
DISTRIBUCIONES DE
PROBABILIDADES:
¿CUÁL LA SOLUCIÓN?
ESTÁ EN EL MUESTREO
Sugerencias Bibliográficas
1. Daniel W.: Estadística con aplicaciones a las ciencias sociales y a

la educación. McGraw-Hill. Mexico, 1997.
2. Canavos G.: Probabilidad y Estadística. Aplicaciones y métodos. Mc
Graw Hill. México, 1995.

Probabilidades y Distribuciones

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Probabilidades y Distribuciones

Cargado por

Copyright:

Formatos disponibles

PROBABILIDADES Y

Área Estadística Dpto. de Cs. Matemáticas y Físicas

Prof. Juan Moncada Herrera

Fuente: http://ciberconta.unizar.es/leccion/probabil/INICIO.HTML; 04/12/2008

¿De qué se hacen cargo?

Los grandes aportes …

Fermat (1601-1665) Pascal (1623-1662) Huygens (1629-1695)

Los grandes aportes …

Newton (1643-1727) J. Bernoulli (1654-1705) De Moivre (1667-1754)

Los grandes aportes …

Bayes (1707-1761) Laplace (1749-1827) Gauss (1777-1855)

Los grandes aportes …

Chebyshev (1821-1894) Markov (1856-1922) Börel (1871-1956)

Los grandes aportes …

Mises (1883-1953) Lèvy (1886-1971)

Los grandes aportes …

Kolmogorov (1903-1987) Feller (1906-1970)

¿Y qué es (qué son) …?

Probabilidad = Medida de la incertidumbre

Clásico (Regla de Pascal)

Clásico (Regla de Laplace)

Cuociente entre frecuencia observada del

•No se define probabilidad,

Base empírica: Experimentos aleatorios

Existe probabilidad de un suceso:

Evento A: Ser mujer

A y B eventos de un espacio muestral 

A y B eventos de un espacio muestral 

A y B eventos de un espacio muestral 

Teorema. Sea E1, E2,...,En una partición de E   (esto significa que

P(E) =  P(E | Ei) P(Ei), para i = 1,2,...,n

Si E1, ... , En son n eventos mutuamente independientes, de los

Variables aleatorias: Definición

p(x) = P[X=x]  X discreta  Función de probabilidad

X P[X=x] = p(x) F(x)=P[X  x]

Caso discreto: Caso continuo:

X P[X=x] = p(x) F(x)=P[X  x] x

Medidas de resumen de una v.a.

Medidas de resumen de una v.a.

Mediana x0.5 : P( X  x0.5 )  0.5  P( X  x0.5 )  0.5

xmod : p  ( xmod ) X discreta

Medidas de resumen de una v.a.

Extremos Cuartiles Quintiles Deciles

Medidas de resumen de una v.a.

Variables aleatorias: Parámetros

Rasgo, característica, propiedad fija o constante de una población.

Las medidas de resumen de una variable aleatoria son parámetros.

Los parámetros determinan la distribución de probabilidades.

Variables aleatorias: Resumen

Continuas • Función de probabilidad

Variable aleatoria – Definición:

Variable aleatoria – Valores:

Función de distribución acumulativa:

X P(X = x) = p(x) F(x) = P(X  x)

Variable aleatoria – Definición:

Variable aleatoria – Definición:

Teorema. Sea X una variable con distribución binomial de

Variable aleatoria – Definición:

Función de distribución acumulativa:

Muchas variables continuas relativas a mediciones:

Físicas: Longitud, altitud, temperaturas, velocidad de…

¡CUIDADO! MUCHO no significa TODO

Los valores de la variable: