Unidad 3. Funciones de distribución de probabilidades.

3.1 Variables aleatorias y su clasificación.

Las variables aleatorias nos facilitan la asignación de probabilidad a los resultados de un

experimento, al asociar un conjunto de números reales a los posibles resultados del
experimento.

Variable aleatoria: Es una función que asocia un número real a cada elemento del
espacio muestral. Se utiliza una letra mayúscula, por ejemplo X para denotar una variable
aleatoria y su correspondiente letra minúscula, x en este caso para algunos valores.

Las variables aleatorias se clasifican como discretas y continuas.

Variable aleatoria discreta: Se le denomina variable porque puede tomar diferentes

valores, aleatoria, porque el valor tomado es totalmente al azar y discreta porque solo
puede tomar valores enteros y un número finito de ellos.

Ejemplos representativos de variables aleatorias discretas:

1.- Número de accidentes que ocurren durante una semana.

2.- Número de defectos en la semana.

3.- Cantidad de cosechas perdidas.

4.- Número de terremotos.

5.- Número de juegos perdidos por inasistencia.

Variable aleatoria continua: Se le denomina variable porque puede tomar diferentes

valores, aleatoria, porque el valor tomado es totalmente al azar y continua porque su
recorrido no es un conjunto numerable. Intuitivamente esto significa que el conjunto de
posibles valores de la variable abarca todo un intervalo de números reales.

Ejemplos representativos de variables aleatorias continuas:

1.- La variable que asigna la estatura a una persona extraída de una determinada
población. (1.65 m, 1.80 m, etc.)

2.- El tiempo que tarda en llevarse a cabo una reacción química ( 2.53 minutos, 1.5
segundos, etc.)
3.2 Distribuciones de probabilidad discretas.

S e ll a ma fu n ci ó n de p rob a b il i da d de u n a va ri ab l e al ea to ri a di scre ta X a l a
a pl i ca ció n q u e a so ci a a ca d a val o r d e x i d e l a va ri a bl e su pro b ab i li d a d p i .

0 ≤ pi ≤ 1
p1 + p2 + p3 + · · · + pn = Σ pi = 1

Distribución binomial.

Experimentos en los cuales cada prueba tiene dos posibles resultados (éxito y fracaso),
cada resultado con probabilidad constante a lo largo del experimento, en el que cada
prueba es independiente.

Un experimento binomial es el que posee las siguientes propiedades.

1. El experimento consiste en “n” ensayos repetidos.

2. Cada ensayo proporciona un resultado que puede clasificarse en éxito o fracaso.

3. La probabilidad de éxitos designada por “p” permanece constante de un ensayo a otro.

4. Los ensayos son independientes.

Si un ensayo Binomial puede resultar en un éxito con probabilidad “p” y en un fracaso con
probabilidad q = 1 – p, entonces la distribución de probabilidad de la variable aleatoria
binomial x, y el número de éxitos en “n” ensayos independientes es:

b ( x , n , p )= ( nx) p q
x n−x

Donde:

n = No. de eventos.

x = 0, 1, 2,.....n

x = número de éxitos.
Ejercicio:

1.- La probabilidad de que Ana logre en cualquier momento un objetivo en el tiro al blanco
es de 1/3. Suponga que ella dispara siete veces, Encuentre la probabilidad de ella alcance
el objetivo tres veces.

2.- La probabilidad de que un automóvil que recorre la longitud completa de un camino

tenga un accidente es de 0.05. Encontrar la probabilidad de que entre 17 automóviles que
recorren este mismo camino tenga accidentes:

a) Exactamente 4.

b) Cuando mucho 4.

c) Al menos cuatro.
3.- En unas pruebas de alcoholemia se ha observado que el 5% de los conductores
controlados dan positivo en la prueba y que el 10% de los conductores controlados no
llevan aprovechado el cinturón de seguridad. También se ha observado que las dos
infracciones son independientes.

Un guardia de tráfico para cinco conductores al azar. Si tenemos en cuenta que el número
de conductores es suficientemente importante como para estimar que la proporción de
infractores no varía al hacer la selección.

a) Determinar la probabilidad a de que exactamente tres conductores hayan cometido

alguna de las dos infracciones.

b) Determine la probabilidad de que al menos uno de los conductores controlados haya

cometido alguna de las dos infracciones.

3.3 Distribución Hipergeométrica.

Aquellos experimentos en los cuales la variable al azar que define los resultados del
experimento es discreta y la probabilidad cambia a lo largo del experimento, se dice que
sigue una distribución hipergeométrica.

El modelo de probabilidad hipergeométrica se aplica al muestreo sin reemplazo.

Un experimento hipergeométrico es aquel que pose las dos siguientes propiedades.

1. Una muestra aleatoria de tamaño “n” se selecciona sin reemplazo de un total de “N”
resultados o artículos totales.
2. k resultados o artículos del total de “N” pueden clasificarse como éxitos y N – k como
fracasos.

Una variable aleatoria x tiene una distribución hipergeométrica y se conoce como variable
aleatoria hipergeométrica, si y solo si su distribución de probabilidad está dada por:

k N −k
h ( x ,n , N , k )=
( x )( n−x )

( Nn )
Donde:

N = No. total de la población.

n = Tamaño de la muestra.

k = No. de elementos que cumplen la característica deseada.

x = 0, 1, 2, .... n

Ejercicios:

1.- Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son
defectuosos, si se seleccionan 4 objetos al azar, .cual es la probabilidad de que 2 sean
defectuosos?

2.- En una prisión federal para mujeres, 100 de las 250 internas tienen puntos de vistas
políticas radicales. Si se elige a 5 de ellas al azar para comparecer ante un comité
legislativo; determinar la probabilidad de que solo una de ellas tendrá ideas políticas
radicales.
3.- Un lote contiene 100 piezas de un proveedor de tubería local y 200 unidades de un
proveedor de tubería del estado vecino. Si se seleccionan cuatro piezas al azar y sin
reemplazo,

a) ¿cuál es la probabilidad de que todas sean del proveedor local?

b) ¿Cuál es la probabilidad de que dos o más piezas de la muestra sean del proveedor
local?

c) ¿Cuál es la probabilidad de que al menos una pieza de la muestra sea del proveedor
local?

3.4 Distribución de Poisson

Existen experimentos de los cuales la probabilidad del evento es muy pequeña, pero el
número de pruebas es muy grande en tal forma que al producto del número de intentos
(prueba n) y la probabilidad del evento es del orden 0.1 a 10 (np). La distribución recibe su
nombre en honor de Simeon Poisson, quien la estudió y dio a conocer en 1837. Con
frecuencia se denomina ley de eventos improbables, Lo cual significa que la probabilidad p
que suceda en un evento específico es bastante pequeña.

El experimento de Poisson posee las siguientes propiedades:

1.- Los eventos ocurren en forma independiente.

2.- La probabilidad de que un resultado sencillo ocurra en un intervalo de tiempo muy corto
o en una región pequeña es proporcional a la longitud del intervalo del tiempo.
3.- La probabilidad de que más de un resultado ocurra en ese intervalo de tiempo tan corto
o en ésta región tan pequeña es despreciable.

Si X es el número de ocurrencia de un evento aleatorio en un intervalo de tiempo o

espacio, la probabilidad de que x ocurra, está dada por la función de probabilidad de
Poisson.

λ x e−λ
p ( x , λ)=
x!

Donde:

x es el número de ocurrencias.

e = es la constante 2.71828

λ = la media aritmética del numero de ocurrencias (éxitos) en un intervalo de tiempo dado.

Ejercicios:

1.- Al inspeccionar la aplicación de estaño por un proceso electrolítico continuo, se

descubre en promedio 0.2 imperfecciones por minuto. Calcule las probabilidades de
descubrir:

a) Una imperfección en tres minutos.

b) Al menos dos imperfecciones en 5 minutos.

c) A lo sumo una imperfección en 15 minutos.

2.- La probabilidad de tener un accidente de tráfico es de 0,02 cada vez que se viaja, si se
realizan 300 viajes, ¿Cuál es la probabilidad de tener 3 accidentes?

3.- La probabilidad de que un niño nazca pelirrojo es de 0,012. ¿Cuál es la probabilidad de

que entre 800 recién nacidos haya 5 pelirrojos?

3.5 Distribuciones de probabilidad continuas

Una de las principales características de las variables aleatorias continuas consiste en

que, al estudiar su probabilidad, esta no puede estimarse para valores únicos, sino que se
calcula por intervalos. Para estas variables aleatorias, la probabilidad en un intervalo está
representado por el área bajo la curva, que representa a su función de densidad entre los
límites del intervalo.

La función f(x) es una función de densidad de probabilidad para la variable aleatoria X,

definida sobre el conjunto de los números reales R si satisface las condiciones siguientes:

1.−f ( x ) ≥ 0 para toda x ∈ R

∞
2.− ∫ f ( x ) dx=1
−∞

b
3.−P ( a< x <b )=∫ f ( x ) dx
a
La distribución continua más importante en todo el campo de la estadística es la
distribución normal. Su grafica recibe el nombre de curva normal, la cual es una curva en
forma de campana. A la distribución normal se le llama frecuentemente distribución
gaussiana (campana de Gauss en honor de Karl Friederich Gauss.

Características:

 
a) Es generada por una variable de tipo continuo, denominada x;
-¥< x < ¥

b) La función que nos define esta distribución es:

 
1 2 2
f ( x ,  , 2 )   ( x   ) / 2
 2 -¥< x < ¥
 

Al dar a la función los valores de m , s2 y valores a x, obtendremos la distribución en

cuestión, la que tiene forma de campana, por lo que también se le conoce como campana
de Gauss. Hay un número infinito de funciones de densidad Normal, una para cada
combinación de m y s. La media m mide la ubicación de la distribución y la desviación
estándar s mide su dispersión.

c) Es simétrica con respecto a su eje vertical.

d) Es asintótica con respecto a su eje horizontal; esto quiere decir que jamás va a tocar el
eje de las equis.

e) El área total bajo la curva es 1.

f) Sí sumamos a m ± s, se observará que aproximadamente el 68.27 % de los datos se

encuentran bajo la curva, si sumamos a m ± 2s, el 95.45 % de los datos estará entre
esos límites y si sumamos a m ± 3s, entonces el 99.73 % de los datos caerá dentro de
esos límites. Esta característica es a la vez una forma empírica y rápida de demostrar si
los datos que se analizan tienen una distribución Normal; ya que para trabajar los datos
con esta distribución, debe verificarse que efectivamente así se distribuyen, ya que de no
hacerlo, las decisiones que en un momento dado se tomarán de un análisis de los datos
con la distribución Normal, serían erróneas.
Fórmula de z:

z=x− ¿ ¿
❑
Donde :

x=valor de la variable

¿ media aritmetica

¿ desviacion estandar

Ejercicios:

1.- Una máquina que expende bebidas está regulada de modo que descargue un
promedio de 200 ml por vaso. Si la cantidad de líquido esta distribuida normalmente con
una desviación estándar igual a 15 ml.

a) ¿Qué porcentaje de vasos contendrá más de 224 ml?

b) ¿Cuál es la probabilidad de que un vaso contenga entre 191 y 209 ml?
c) ¿Si se usan vasos de 230 ml. ¿Cuántos de los siguientes 1000 vasos servidos
se derramarán?
2.- Una compañía paga a sus empleados un salario promedio de $ 15.00 pesos por hora,
con una desviación estándar de $ 2.00 pesos. Si los salarios tienen aproximadamente una
distribución normal.

a) ¿Qué porcentaje de los trabajadores recibe un salario entre $12.00 y $18.00 pesos por
hora?
b) ¿A partir de que cantidad se encuentra el 5 % de los empleados que más gana?

3.6 Distribución t de Student

Al hacer uso de muestras de tamaño N > 30, llamadas grandes muestras, las
distribuciones de muestreo de muchos estadísticos son aproximadamente normales,
siendo la aproximación tanto mejor cuanto mayor sea N. Para muestras de tamaño menor
que 30, llamadas pequeñas muestras, esa aproximación no es buena y empeora al
decrecer N, de modo que son precisas ciertas modificaciones.

t=x́− ¿ √n−1¿
s

Donde :

x́=Media muestral

¿ Media poblacional

s= Desviacionestandar muestral
El número de grados de libertad de un estadístico, generalmente denotado por v, se define como el número
de n observaciones independientes en la muestra ( o sea, el tamaño de la muestra) menos el número k de
parámetros de la población, que debe ser estimado a partir de observaciones muestrales.

En símbolos, v = N – k.

El número de observaciones independientes en la muestra es n, de donde podemos calcular media y la

desviación estándar muestral. Sin embargo, como debemos estimar la media poblacional entonces , k = 1 y
v=N–1

Ejercicios:

1.- La figura recoge el gráfico de la distribución de Student con 9 grados de libertad. Hallar el valor de t 1 para
el que:

a) El área sombreada de la derecha es 0.05.

b) El área total sombreada es 0.05.
c) El área total sin sombrear es 0.99.
d) El área en sombra de la izquierda es 0.01.
e) El área de la izquierda de t1 es 0.90.
2.- Un fabricante de focos afirma que su producto durará un promedio de 500 horas de trabajo. Para
conservar este promedio, esta persona verifica 25 focos cada mes. Si el valor t calculado cae entre (– t 0.05) y
(t0.05) , el se encuentra satisfecho con esta afirmación. ¿Qué conclusión deberá él sacar de una muestra que
tiene una media igual a 518 horas y una desviación estándar igual a 40 horas? Asuma que la distribución de
los tiempos es aproximadamente normal.

3.7 Distribución Chi-cuadrada

En realidad la distribución chi-cuadrada es la distribución muestral de s 2. O sea que si se extraen todas las
muestras posibles de una población normal y a cada muestra se le calcula su varianza, se obtendrá la
distribución muestral de varianzas. Para estimar la varianza poblacional o la desviación estándar, se necesita
conocer el estadístico X2. Si se elige una muestra de tamaño n de una población normal con varianza 2, el
estadístico tiene una distribución muestral que es una distribución chi-cuadrada con gl=n-1 grados de
libertad y se denota X2. El estadístico chi-cuadrada esta dado por:

2 (n−1)s 2
X =
❑2
Donde n es el es el tamaño de la muestra, s 2 la varianza muestral y 2 la varianza de la población de donde
se extrajo la muestra.

Propiedades de las distribuciones ji-cuadrada

1. Los valores de X2 son mayores o iguales que 0.

2. La forma de una distribución X 2 depende del gl=n-1. En consecuencia, hay un número infinito de
distribuciones X2.
3. El área bajo una curva ji-cuadrada y sobre el eje horizontal es 1.

4. Las distribuciones X2 no son simétricas. Tienen colas estrechas que se extienden a la derecha; esto es,
están sesgadas a la derecha.

Ejercicios:

1.- Suponga que los tiempos requeridos por un cierto autobús para alcanzar un de sus destinos en una
ciudad grande forman una distribución normal con una desviación estándar  = 1 minuto. Si se elige al azar
una muestra de 17 tiempos, encuentre la probabilidad de que la varianza muestral sea mayor que 2.
2.- Encuentre la probabilidad de que una muestra aleatoria de 25 observaciones, de una población normal
con varianza 2=6, tenga una varianza muestral:

a) Mayor que 9.1

b) Entre 3.462 y 10.745

3.8 Distribución F

En 1924, Ronald A. Fisher, presento una distribución que facilita llevar a cabo procedimientos inferenciales
útiles usando la razón entre dos varianzas muestrales. Podemos resumir la naturaleza de esta distribución,
denominada distribución F, de la siguiente manera:

Dadas s12 y s22 , o varianzas calculadas a partir de muestras aleatorias independientes de tamaño n 1 y n2
sacadas de poblaciones distribuidas normalmente con varianzas σ12 y σ22 respectivamente, la variable
aleatoria

s12
σ 12
F=
s22
σ 22

sigue la distribución F con n1 – 1 y n2 – 1 grados de libertad.

Para especificar una distribución F se toman dos valores de grados de libertad, uno asociado con el
numerador y otro con el denominador.
Supongamos que se sacan muestras aleatorias independientes de tamaño n 1 y n2 de una población 1 y de
una población 2 respectivamente y supongamos que dichas poblaciones están normalmente distribuidas
con varianzas iguales ( esto es, σ12 = σ22 ). Podemos entonces volver a escribir la ecuación de F como:

s12
σ 12 s 12
F= =
s22 s 22
σ 22

3.9 Esperanza matemática.

La esperanza matemática o valor esperado de una variable aleatoria discreta es la suma del producto de la
probabilidad de cada suceso por el valor de dicho suceso.

Los nombre de esperanza matemática y valor esperado tienen su origen en los juegos de azar y hacen
referencia a la ganancia promedio esperada por un jugador cuando hace un gran número de apuestas.

Si la esperanza matemática es cero, E(x) = 0, el juego es equitativo, es decir, no existe ventaja ni para el
jugador ni para la banca.