Probabilidad

Variables aleatorias
continuas
 Variable aleatoria

El tipo de espacio muestral determina el tipo de

variable.

El espacio muestral de una variable

continua es infinito

Los rendimientos son valores en un espacio

continuo: entre dos valores de rendimiento puede
haber infinitos valores.
 Variable aleatoria

Si podemos asignar un valor de ocurrencia

para un subconjunto de rendimientos,
podemos conocer la probabilidad de obtener
dichos rendimientos

Una variable aleatoria es una función que

relaciona a cada evento con una
probabilidad de ocurrencia
Variable aleatoria: el rendimiento

2400 2740 3080 3420 3760 4100 4440 4780 5120 5460 5800

¿cuál es la probabilidad para rendimientos menores

a 4100 kg/ha?
Cuando el espacio muestral es infinito se
repite el estudio un número grande de veces y
se registra la frecuencia relativa de
ocurrencia de cada resultado

La FR es un estimador de
probabilidad
¿cuál es la probabilidad para rendimientos menores
a 4100 kg/ha?
1,0

0,9

0,8

0,7
frec. rel. acumulada

0,6

0,5

0,4

0,3

0,2

0,1

0,0
2400 2740 3080 3420 3760 4100 4440 4780 5120 5460 5800

La FRA “aproxima” esta probabilidad

La función de distribución de una variable
aleatoria asigna probabilidades a los
eventos que ésta describe.

¿Cuál es la función que mejor describe a la

variable aleatoria en estudio?

MODELOS PROBABILÍSTICOS
¿Cuál es la función que mejor describe a la
variable aleatoria en estudio?

2400 2740 3080 3420 3760 4100 4440 4780 5120 5460 5800

La selección de la función se realiza a partir

de la distribución empírica de la variable
(distribución de los valores muestrales).
 Para ciertos tipos de variables aleatorias se
conocen modelos probabilísticos teóricos
que ajustan razonablemente bien sus
distribuciones empíricas.
Estos modelos se utilizan para el cálculo de
probabilidades.
0,30

0,25

0,20
frecuencia relativa

0,15
El modelo Normal es uno
0,10
de los más utilizados
0,05
para variables aleatorias
0,00
2400 2740 3080 3420 3760 4100 4440 4780 5120 5460 5800 continuas.
Función de densidad de la distribución Normal
2
1 1 x   
 
f ( x)  e 2  
 2

X  N (,2)

  
Función de densidad de la distribución Normal
2
1 1 x   
 
f ( x)  e 2  
 2

El área total bajo la curva es igual a 1

y representa la probabilidad de todos
los resultados posibles.

  
 Distribuciones Normales
 Existen infinitas distribuciones normales.
 Los parámetros  (esperanza) y 2 (varianza)
caracterizan a la distribución de una variable.

f1(x)

f2(x)
Las funciones de densidad no
difieren en sus medias pero
sí en sus varianzas.
La f1(x) tiene varianza menor

  
Distribuciones Normales

f1(x) f2(x) f3(x)

µµµ

-∞ µ1 Variable µ2 µ3 ∞

Las funciones de densidad difieren en sus medias pero no en sus varianzas.

µ1 < µ2 < µ3
Cálculo de probabilidades
2
1 x 
f ( x) 
1   
e 2  
 2

A = P (x1 X  x2)
A

 x1 x2 


El área A representa la probabilidad para valores de la variable X que

se encuentran entre x1 y x2.
Estandarización
Transformación

Estandarización

X 
X ~ N(, ) ==>2 Z ~ N (0,1)
2
Mediante la estandarización los valores de la variable X, que determinan la
probabilidad a calcular, son representados por valores de la variable Z.
Estandarización

Estandarización

La estandarización permite obtener probabilidades para una variable aleatoria normal

sin tener que integrar su función de densidad, ya que las probabilidades (áreas) bajo
la curva normal estándar (distribución de la variable Z) han sido tabuladas.

Actualmente, la disponibilidad de software permite obtener probabilidades para

diferentes tipos de distribuciones o modelos probabilísticos. Particularmente, en
Infostat se dispone de procedimientos para el cálculo y visualización de
probabilidades bajo modelos probabilísticos para variables continuas como el modelo
normal.
Ejemplo de aplicación mediante el uso de InfoStat
El tiempo que una estación meteorológica automática
funciona sin registrar defectos, se distribuye
aproximadamente normal con µ=36 meses y σ=12 meses.
Si el fabricante garantiza el producto por dos años:
a) ¿Qué fracción de las estaciones vendidas deberá ser
cubierta por la garantía?
b) ¿Qué tiempo de garantía (en meses) debería dar la fábrica
para no reemplazar más del 5% de las estaciones?
Función de densidad

X  N (,2)

-24 -12 0 12 24 36 48 60
Variable: tiempo sin defectos (meses)
72 84 96
X  N (36;144)
 Usando el Calculador de probabilidades y cuantiles
¿Qué fracción de las estaciones vendidas deberá ser cubierta por la garantía?
Las que fallen en un tiempo menor o igual a 24 meses. ¿Qué tiempos sin fallas son
menores o iguales a 24?

P(X≤24)
?

16 %
Usando el Calculador de probabilidades y cuantiles
¿Qué tiempo de garantía (en meses) debería dar la fábrica para no reemplazar
más del 5% de las estaciones? ¿Para qué valor de X la probabilidad de falla se
reduce al 5%? Si la P(X≤x) = 0,05
¿cuál es el valor de x?

16 meses
Usando el Graficador de funciones de densidad continuas
Se pueden visualizar áreas correspondientes a las probabilidades de los
eventos que se especifican.

¿Qué fracción de las estaciones

vendidas deberá ser cubierta por la
garantía?

16 %
Usando el Graficador de funciones de densidad continuas

¿Qué tiempo de garantía (en

meses) debería dar la fábrica para
no reemplazar más del 5% de las
estaciones?

0,05