UNIVERSIDAD PERUANA

LOS ANDES

FACULTAD DE INGENIERÍA
Escuela Profesional de Ingeniería
Industrial
Asignatura:
ESTADISTICA
Dr. Casio Aurelio Torres
López
Email:
[email protected]
HUANCAYO - 2024

la.edu.pe
 DISTRIBUCIONES DE
UNIDAD PROBABILIDADES DE VARIABLES
IV ALEATORIAS DISCRETAS Y
CONTINUAS

TEMA: Distribuciones de
Probabilidades
Capacidad 
Analiza situaciones prácticas en las
:
que las
principales distribuciones de
probabilidad, discretas y continuas
pueden presentarse.

Dr. Casio A. Torres López

Distribuciones de Probabilidades
 Variable Aleatoria
 El resultado de un experimento aleatorio puede ser
descrito en ocasiones como una cantidad numérica.
 En estos casos aparece la noción de variable aleatoria
• Función que asigna a cada suceso un número.
 Las variables aleatorias pueden ser discretas o
continuas.
 V. a. discreta es aquella que sólo puede tomar un número
finito de valores dentro de un intervalo. Ejm. el número
de fallas o defectos.
 V. a. continua es aquella variable numérica que tiene un
número infinito de valores entre dos valores cualesquiera.
Función de Probabilidad
(V. Discretas)
 Asigna a cada posible
40%
valor de una variable
35%
discreta su
probabilidad. 30%

• Recuerda los 25%

conceptos de 20%
frecuencia relativa y
15%
diagrama de barras.
10%

 Ejemplo: 5%

0%
• Número de caras al 0 1 2 3
lanzar 3 monedas.
 Función de Densidad (V.
Continuas)
 Definición:
o Es una función no negativa de
integral 1.
o Piénsalo como la
generalización del histograma
con frecuencias relativas para
variables continuas.
 ¿Para qué lo voy a usar?
o Nunca lo vas a usar
directamente.
o Sus valores no representan
 ¿Para qué sirve la
función de densidad?
 Muchos procesos aleatorios
vienen descritos por variables
de forma que son conocidas
las probabilidades en
intervalos.
 La integral definida de la
función de densidad en dichos
intervalos coincide con la
probabilidad de los mismos.
 Es decir, identificamos la
probabilidad de un
intervalo con el área bajo la
función de densidad.
Función de  Es la función que asocia a cada
valor de una de una variable, la
Distribució probabilidad acumulada de los
valores inferiores o iguales.
n
 Piénsalo como la generalización
de las
frecuencias acumuladas.
Diagrama integral.

 A los valores extremadamente

bajos les corresponden valores de
la función de distribución
cercanos a cero.

 A los valores extremadamente

altos les corresponden valores de
la función de distribución
cercanos a uno.
 ¿Para qué sirve la
función de distribución?

 Contrastar lo anómalo de una observación concreta.

 Sé que una persona de altura 210 cm es “anómala” porque la
función de distribución en 210 es muy alta.
 Sé que una persona adulta que mida menos de 140 cm es
“anómala” porque la función de distribución es muy baja para
140 cm.
 Sé que una persona que mida 170 cm no posee una altura nada
extraña pues su función de distribución es aproximadamente 0,5.
 Relaciónalo con la idea de cuantil. Los cuantiles son aquellos
valores de la variable, que ordenados de menor a mayor, dividen a la
distribución en partes, de tal manera que cada una de ellas contiene
el mismo número de frecuencias
 En otro contexto (contrastes de hipótesis) podremos observar unos
resultados experimentales y contrastar lo “anómalos” que son en
conjunto con respecto a una hipótesis de terminada.
 Valor esperado y
varianza de una v.a. X

Valor Esperado Varianza

 Se representa • Se representa
mediante VAR [X] o
mediante E[X] o μ
σ2
 Es el equivalente a la
• Es el equivalente a la
media
varianza
La media aritmética es el
valor que se obtiene al sumar • Se llama desviación
todos los datos que tenemos típica o estándar a σ
y dividir el resultado entre el
número total de esos datos. La desviación estándar mide
cuánto se separan los datos.
 MODELOS DE DISTRIBUCION
DE VARIABLES ALEATORIAS
DISCRETAS
Distribución de
Bernoulli
 Tenemos un experimento de Bernoulli si al realizar un
experimento sólo son posibles dos resultados:
o X=1 (éxito, con probabilidad p)
o X=0 (fracaso, con probabilidad q=1-p)
• Lanzar una moneda y que salga cara. p = 1/2
• Elegir una persona de una población de 1000 y que esté enfermo.
P = 1/1000 = prevalencia de la enfermedad
• Aplicar un tratamiento a un enfermo y que éste se cure.
P = 95%, probabilidad de que el individuo se cure
 Como se aprecia, en experimentos donde el resultado es
dicotómico, la variable queda perfectamente
determinada conociendo el parámetro p. 10
 Ejemplo:
Se ha observado, estudiando
2000 accidentes de tráfico
con impacto frontal y cuyos
conductores no tenían
cinturón de seguridad, que
300 individuos quedaron con
secuelas. Describa el
experimento
Solución:
conceptos de v.a.
usando
o La noción frecuentista de probabilidad nos
permite aproximar la probabilidad de tener
secuelas mediante 300/2000=0,15=15%
o X =“tener secuelas tras accidente sin cinturón” es
variable de Bernoulli
 X = 1 tiene probabilidad p ≈ 0,15
 X = 0 tiene probabilidad q ≈ 0,85
 Distribución Binomial
 Función de probabilidad  n  k n k
P[ X k ]   p q , 0 k n
k
=
o Problemas de cálculo si n es grande y/o p cercano a 0 o
1.

 Media: μ = n p

 Varianza: σ2 = n p q

12
Si se repite un número fijo de veces, n, un
experimento de Bernoulli con parámetro p,
el número de éxitos sigue una distribución
binomial de parámetros (n , p).
 Lanzar una moneda 10 veces y contar las
caras.
 Bin (n = 10, p = 1/2)

 Lanzar una moneda 100 veces y contar las

caras.
 Bin (n = 100, p = 1/2)
 Difícil hacer cálculos con esas cantidades. El
modelo normal será más adecuado.
 El número de personas que enfermará (en
una población de 500.000 personas) de
una enfermedad que desarrolla una de
cada 2000 personas.
 Bin (n=500.000, p=1/2000)
Difícil hacer cálculos con esas cantidades. El
modelo de Poisson será más adecuado.
 “Parecidos razonables”
 Aún no conocemos la
distribución normal, ni de
Poisson.

 De cualquier forma ahí

tenemos la comparación
entre valores de p no muy
extremos y una normal de
la misma media y
desviación típica, para
tamaños de n grandes
(n>30).

 Cuando p es muy pequeño

es mejor usar la
aproximación del modelo
de Poisson.
 Distribución de Poisson
• También se denomina de sucesos raros.
• Se obtiene como aproximación de una
distribución binomial con la misma media, para
‘n grande’ (n>30) y ‘p pequeño’ (p<0,1).
• Queda caracterizada por un único parámetro μ
(que es a su vez su media y varianza.)
• Función de probabilidad:
  k
P[ X k ] e , k 0,1,2,...
k!
Ejemplo:
 El número de
individuos que será
atendido un día
cualquiera en la Caja
Huancayo.
• En Huancayo hay 500.000 habitantes (n
grande)
• La probabilidad de que cualquier persona
tenga un crédito es pequeña, pero no nula.
Supongamos que es 1/10.000
• Bin (n=500.000, p=1/10.000) ≈
Poisson (μ =np= 50)
Este caso se puede modelar mediante
 OTRAS
DISTRIBUCIONES DE
VARIABLES
ALEATORIAS
DISCRETAS
Distribución Binomial Negativa (de Pascal)

 Consideremos la variable aleatoria definida

como: Número de pruebas necesarias
para lograr k éxitos

 Dicha variable toma los valores: X = k, k+1,

k+2,... con probabilidades:
f(n) = P(X = n) = p k . (1-p)n-k

 Esperanza matemática y Varianza:

E(X) = V(X) =
 Distribución Geométrica
 Es un caso particular de la de Pascal para k =
1 .Es decir, la variable X representa el número de
pruebas necesarias para obtener el primer éxito.

f(n) = P(X = n) = n = 1, 2, 3,…

p . q n-1
 Esperanza matemática y Varianza:

E(X) = V(X) =
 Distribución Multinomial(o Polinomial)
 Es una generalización de la distribución binomial al
supuesto de existencia de k situaciones excluyentes
(en lugar de dos como ocurre en la binomial).
 Si estas situaciones S 1 , S2 , ... , Sk , tienen
probabilidades p1 , p2 , ... , pk (con : p1 + p2 + ... + pk
= 1) y realizamos n pruebas, la situación S 1 podrá
presentarse X1 veces (de 0 a n), la situación S 2
podrá presentarse X2 veces (de 0 a n), etc...
 (X
Se1 , Xdefine
2 ,..., Xk) así con:
unaXi =variable
xi = 0, 1, 2,..., n y
aleatoria x1
k-
+dimensional:
x2 ,... + xk = n
Con probabilidad:
P(X1 = x1, X2 = x2,…,Xk = xk) = . …
 Distribución Hipergeométrica
Tratamos una nueva variante de la distribución
binomial. La distribución hipergeométrica
corresponde a extracciones de elementos sin
reemplazamiento (en la binomial eran experiencias
independientes o extracciones con
reemplazamiento).
Coincide con la binomial en el resto de
consideraciones; es decir, tratamos dos situaciones
excluyentes (éxito y fracaso) que se analizan en n
pruebas.
Como quiera que la extracción se realiza sin
devolución, la probabilidad de éxito cambiará en
cada prueba.
Partiendo de N elementos y siendo p la
 Variable hipergeométrica = X = Número de
éxitos en n extracciones = 0, 1, 2,..., n. con
probabilidades:
P(X = k) =

Esperanza matemática: Varianza

:
E(X) = n. V(X) = n. p. q
p
Observando la varianza, es fácil advertir que cuando N
crece indefinidamente, el cociente tiende a la
unidad. Por ello, cuando N → ∞, la distribución
hipergeométrica tiende hacia una binomial.
MODELOS DE DISTRIBUCION DE
VARIABLES ALEATORIAS
CONTINUAS
Distribución Normal o de
Gauss
• Aparece de manera natural:
 Errores de medida.
 Distancia de frenado.
 Altura, peso, propensión al
crimen…
 Distribuciones binomiales con n
grande (n>30) y ‘p ni pequeño’
• Está(np>5)
caracterizada dos parámetros: La media
por (nq>5).
‘ni grande’
μ, y la desviación típica σ.
• Función de densidad: 1
1  x  
  
2

2  
f ( x)  e
 2
 N (μ , σ): Interpretación
geométrica
• Podemos
interpretar la
media como un
factor de
traslación.

• Y la desviación
típica como un factor
de escala, grado de
dispersión.

24
 N (μ , σ): Interpretación probabilista

• Entre la media y una

desviación típica
tenemos siempre la
misma probabilidad:
aprox. 68%

• Entre la media y dos

desviaciones típicas
tenemos: aprox. 95%
Algunas características

 La función de densidad es simétrica,

mesocúrtica y unimodal.
• Media, mediana y moda coinciden.
 Los puntos de inflexión de la función de
densidad están a distancia σ de μ.
 Si tomamos intervalos centrados en μ, y cuyos
extremos están…
 a distancia σ  tenemos probabilidad 68%
 a distancia 2 σ  tenemos probabilidad 95%
 a distancia 2’5 σ  tenemos probabilidad 99%
 Todas las distribuciones normales N (μ, σ), pueden
ponerse mediante una traslación μ, y un cambio
de escala σ, como N (0,1).
 Esta distribución especial se llama Normal
Tipificada o Estandarizada.
 Tipificación o estandarización
 Dada una variable X de media μ y desviación típica
σ, se denomina valor tipificado z, de una
observación x, a la distancia (con signo) con
respecto a la media, medido en desviaciones
típicas, es decir:
x 
z


 En el caso de la variable X normal, la

interpretación es clara: Asigna a todo valor de N (μ,
σ), un valor de N (0,1) que deja exactamente la
misma probabilidad por debajo.
 Nos permite así comparar entre dos valores de
dos distribuciones normales diferentes, para saber
cuál de los dos es más extremo.
 Ejemplo:
Se quiere dar una beca a uno de dos estudiantes de
sistemas educativos diferentes. Se asignará al que
tenga mejor expediente
 El estudiante académico.
A tiene una calificación de 8 en un sistema donde la
calificación de los alumnos se comporta como N (6,1).
 El estudiante B tiene una calificación de 80 en un sistema donde
la calificación de los alumnos se comporta como N (70,10).
• Solución:
No podemos comparar directamente 8 puntos de A frente
a los 80 de B, pero como ambas poblaciones se comportan
de modo normal, podemos tipificar o estandarizar y
observar las puntuaciones sobre una distribución de
referencia N (0,1)
xA   A 8 6
zA   2
A 1
xB   B 80  70
zB   1
B 10
Como ZA>ZB, podemos decir que el porcentaje de
compañeros del mismo sistema de estudios que ha
superado en calificación el estudiante A es mayor que el
que ha superado B. Podríamos pensar en principio que A
es mejor candidato para la beca.
¿Por qué es importante la distribución
normal?
■Las propiedades que tiene la distribución normal
son interesantes, pero todavía no hemos
hablado de por qué es una distribución
especialmente importante.
■ La razón es que aunque una
variable aleatoria no
posea distribución
normal, ciertos
estadísticos/estimadores
calculados sobre muestras
elegidas al azar sí que
poseen una distribución
normal.
■Es decir, tengan la distribución que tengan
nuestros datos, los ‘objetos’ que resumen la
información de una muestra, posiblemente
tengan distribución normal (o asociada).
Veamos aparecer la distribución normal

► Como ilustración
mostramos una variable
que presenta valores
distribuidos más o menos
uniformemente sobre el
intervalo 150 -190.

► Como es de esperar la
media es cercana a 170. El
histograma no se parece
en nada a una distribución
normal con la misma
media y desviación típica o
estándar.
 Muestra
■A continuación elegimos
aleatoriamente grupos de 10
observaciones de las anteriores y
1ª 2ª 3ª
calculamos el promedio. 185 190 179
174 169 163
■Para cada grupo de 10 obtenemos 167 170 167
entonces una nueva medición, que 160 159 152
vamos a llamar promedio
muestral. 172 179 178
183 175 183
■Observa que las nuevas cantidades 188 159 155
están más o menos cerca de la 178 152 165
media de la variable original.
152 185 185
175 152 152
■Repitamos el proceso un número
elevado de veces. En la siguiente
transparencia estudiamos la
distribución de la nueva variable.
173 169 168…
 La distribución de los
promedios muestrales sí
que tiene distribución
aproximadamente normal.
 La media de esta nueva
variable (promedio
muestral) es muy
parecida al de la variable
original.
 Las observaciones de la
nueva variable están
menos dispersas.
Observa el rango. Pero no
sólo eso. La desviación
típica es
aproximadamente ‘raíz de
10’ veces más pequeña.
Llamamos error estándar
a la desviación típica de
esta nueva variable.
 Teorema Central del Límite
Dada una v.a. cualesquiera, si extraemos muestras
de
tamaño n, y calculamos los promedios muestrales,
entonces:
 Dichos promedios tienen distribución
aproximadamente normal;
 La media de los promedios muestrales es la
misma que la de la variable original.
 La desviación típica de los promedios disminuye
en un factor “raíz de n” (error estándar).
 Este
Las teorema justifica
aproximaciones la
anteriores
importancia de la distribución se hacen exactas
cuando n tiende a infinito.
normal.
 Sea lo que sea lo que midamos,
cuando se promedie sobre una
muestra grande (n>30) nos
va a aparecer de manera
natural la distribución
normal.
 Distribuciones
asociadas a la Normal
 Cuando queramos hacer inferencia estadística hemos visto que
la distribución normal aparece de forma casi inevitable.

 Dependiendo del problema, podemos encontrar otras (asociadas):

 X2 (Chi cuadrado)
 t- Student
 F-Snedecor

 Estas distribuciones resultan directamente de operar con

distribuciones normales. Típicamente aparecen como
distribuciones de ciertos estadísticos.

 Veamos algunas propiedades que tienen (superficialmente)..

 Sobre todo nos interesa saber qué valores de dichas

distribuciones son “atípicos”.
 Significación, p-valores,…
 Chi cuadrado χ2
 Tiene un sólo parámetro
denominado grados de
libertad.

 La función de densidad
es asimétrica positiva.
Sólo tienen densidad los
valores positivos.

 La función de densidad se
hace más simétrica incluso
casi gausiana cuando
aumenta el número de
grados de libertad.

 Normalmente
consideraremos anómalos
aquellos valores de la
 T de Student
► Tiene un parámetro
denominado grados de
libertad.
► Cuando aumentan los
grados de libertad, más
se acerca a N (0,1).
► Es simétrica con
respecto al cero.
► Se consideran valores
anómalos los que se
alejan de cero (positivos o
negativos).
 F de Snedecor

 Tiene dos parámetros

denominados grados de
libertad.

 Sólo toma valores

positivos. Es asimétrica.

 Normalmente se
consideran valores
anómalos los de la cola de
la derecha.
 OTRAS
DISTRIBUCIONES DE
VARIABLES ALEATORIAS
CONTINUAS
 Distribución Uniforme
Una variable aleatoria que toma valores en un intervalo [a,
b], se dice que X ɛ U (a, b) si su función de densidad está
dado por: si a ≤ x ≤ b
f(x)
= 0 en cualquier
otro caso𝒃
sidad de probabilidad:
∫𝒇 ( 𝒙 ) 𝒅𝒙 =𝟏
𝒂

0 si x < a
ribución acumulada:
f(x) si a ≤ x ≤ b
=
1 si x > b
emática y varianza:
µ = E(X) = Var (X) =
 Distribución Exponencial
Una variable aleatoria X tiene una distribución exponencial
si su función de densidad de probabilidad está dado
por:
si x > 0
f(x)
0 en cualquier
=
otro caso

donde: λ = λ > 0 λ : es el promedio de

ocurrencias por unidad

Es una función de densidad de probabilidad porque

cumple:

a) f(x) ≥ 0
b)
 Distribución Exponencial

Función de distribución: F(x) =

Función de distribución de probabilidad:

si x ≥ 0
F(x)
= 0 si x < 0

Esperanza matemática o media y varianza:

E(X) = Var(X) =
Gracias…