Estadstica

Grupo V
Tema 10: Modelos de Probabilidad
 Algunos modelos de distribuciones de v.a.

Hay variables aleatorias que aparecen con frecuencia en las

Ciencias Sociales y Econmicas.
Experimentos dicotmicos (con 2 resultados posibles).
Bernoulli
Contar xitos en experimentos dicotmicos repetidos:
Binomial
Poisson (sucesos raros)

Modelos para variables continuas:

Uniforme
Exponencial
Y en muchas ocasiones
Distribucin Normal (gaussiana, campana,)

El tema est dedicado a estudiar estas distribuciones de

probabilidad especficas.

Estadstica Grupo V Tema 10: Modelos de Probabilidad 2

Distribucin de Bernoulli
Tenemos un fenmeno de Bernoulli si al analizarlo slo son posibles dos
resultados:
X=1 (xito, con probabilidad p)
X=0 (fracaso, con probabilidad 1-p =q)

a) Si se acierta o no al responder al azar una pregunta tipo test con 2

resultados posibles (verdadero o falso).
P(acertar)= P(X=1) = p = 0,5 P(no acertar)= P(X=0) = 1-p = 0,5

b) Segn datos del CIS, el 40% de los votantes de un municipio tienen

intencin de votar a un determinado partido poltico en las prximas
elecciones. Elegir un votante al azar y que vaya a votar o no a ese
partido.
P(votar)= P(X=1) = p = 0,4 P(no votar)= P(X=0) = 1-p = 0,6
En ambos ejemplos, la media y la varianza 2 de la v.a. X son:
=E[X]=x p(x) = 1.p +0. (1-p) = p =0,5 para a) y =0.4 para b)
= x2 p(x) 2= 12.p +02. (1-p) p2= p -p2 = p(1-p)
2

=0,5.0,5=0,25 para a) y =0,4.0,6=0,24 para b)

Estadstica Grupo V Tema 10: Modelos de Probabilidad 3

Distribucin de Bernoulli
Funcin de probabilidad:
P[ X = x] = p x (1 p )1 x , X=1 X=0
Media: = p
Varianza: 2 = p (1-p)
Como se aprecia, en experimentos donde el resultado es
dicotmico, la variable queda perfectamente determinada
conociendo el parmetro p.
X Be(p) que se lee como: la v.a. X sigue una
distribucin Bernoulli de parmetro p.

Estadstica Grupo V Tema 10: Modelos de Probabilidad 4

Distribucin Binomial
Si se repite un nmero fijo de veces, n, y de forma
independiente cada vez, un fenmeno de Bernoulli
con parmetro p, la v.a. que representa el nmero de
xitos obtenidos en las n repeticiones sigue una
distribucin binomial de parmetros (n,p).
X=Nmero de aciertos en un test, que se responde al azar, con 3
preguntas con dos respuestas posibles (verdadero o falso).
Distribucin de X: Binomial(n=3,p=0,5) posibles valores de X=0,1,2,3

Segn datos del CIS, el 40% de los votantes de un municipio

tienen intencin de votar a un determinado partido poltico en las
prximas elecciones. Para un total de 5 votantes seleccionados al
azar, la variable aleatoria X representara el nmero de votantes de
esos 5 que piensan votar a dicho partido.
Distribucin de X: Binomial(n=5,p=0,4) posibles valores de X=0,1,2,3,4,5

Estadstica Grupo V Tema 10: Modelos de Probabilidad 5

 Ejemplo 1
Nmero de aciertos en un test, 40%
que respondemos al azar, con 35%
3 preguntas con respuesta 30%
verdadero o falso. 25%
Posibles valores de X= 0,1,2,3 20%

Las probabilidades P(0), P(1), 15%

P(2),P(3) se calculan a partir 10%

de la funcin de probabilidad 5%

de la distribucin Binomial. 0%
0 1 2 3

Estadstica Grupo V Tema 10: Modelos de Probabilidad 6

Distribucin binomial
Funcin de probabilidad:
n x n
P[ X = x] = p (1 p ) n-x , X=0,1, 2,...., n =
n!
es un n combinatorio
x
x x!(n-x)!
Calcula la probabilidad de obtener x xitos y n-x fracasos.
Problemas de clculo si n es grande y/o p cercano a 0 o 1.

Media: =n p

Varianza: 2 = n p (1-p)

Estadstica Grupo V Tema 10: Modelos de Probabilidad 7

 Relacin entre la distribucin Binomial y la
distribucin Bernoulli
Del Ejemplo 2. Si analizamos los 5 votantes seleccionados al azar.
Sea X1: si el votante 1 vota o no al partido poltico. X1 ~Bernoulli (p=0,4)
Sea X2: si el votante 2 vota o no al partido poltico. X2 ~Bernoulli (p=0,4)

Sea X5: si el votante 5 vota o no al partido poltico. X5 ~Bernoulli (p=0,4)
Hemos definido 5 variables (una para cada votante) independientes, cada una con
distribucin Bernoulli con el mismo valor para el parmetro p=0,4.
Si definimos a la variable Y como la suma de las 5 variables anteriores. Y va a
representar el n de votantes del total de 5 que votan a dicho partido.
Y= X1+ X2+ X3+ X4+ X5 = Y ~Binomial[n=5, p=0,4] . Entonces, por la propiedad de
reproductividad de la distribucin Bernoulli, la distribucin de la variable Y (suma de
Bernoullis independientes con mismo parmetro p) ser una Binomial. Es decir, que la
Binomial se puede expresar como una suma de Bernoullis independientes con
mismo parmetro p.
A su vez, la Bernoulli tambin se puede considerar como un caso particular de
una binomial con n=1 (para 1 repeticin) Be(p)=Binomial(n=1,p)

Estadstica Grupo V Tema 10: Modelos de Probabilidad 8

Distribucin de Poisson
Tambin se denomina de sucesos raros.
La v.a. representa el n de veces que ocurre un suceso
o fenmeno en un periodo de tiempo fijo o en una
regin fija del espacio.
Queda caracterizada por un nico parmetro (que es
a su vez su media y varianza.)
Media: = Varianza: 2=
Funcin de probabilidad:
x
P[ X = x] = e , x = 0,1, 2,...
x!
Estadstica Grupo V Tema 10: Modelos de Probabilidad 9
Ejemplos de variables con distribucin Poisson
La variable aleatoria X que representa el nmero
de unidades vendidas en un da en un comercio de
un determinado electrodomstico y cuya media es
1,1 se puede modelizar mediante una distribucin
de Poisson de media 1,1.
Qu valdra su varianza?
Posibles valores de X=0,1,2,3,
El nmero de intentos para dejar de fumar se puede
representar mediante una variable aleatoria que sigue una
distribucin de Poisson de media 2.
Posibles valores de X=0,1,2,3,
Esta distribucin tambin se puede considerar como una
aproximacin de una binomial con n grande (n>30) y p
pequeo (p<0,1), siendo =np.
Estadstica Grupo V Tema 10: Modelos de Probabilidad 10
 Propiedad de Reproductividad de la distribucin
Poisson
Del Ejemplo 1, para las ventas de 6 das, definimos 6 variables aleatorias
independientes:
Sea X1: la v.a. que representa el n de unidades de un electrodomstico vendidas el
da 1. X1~Poisson(=1,1)
X2 la v.a. que representa el n de unidades de un electrodomstico vendidas el da 2.
X2~ Poisson(=1,1)
.....
X6 la v.a. que representa el n de unidades de un electrodomstico vendidas el da 6.
X6~ Poisson(=1,1)
Hemos definido 6 variables (una para cada da) independientes, cada una con
distribucin Poisson con el mismo valor para el parmetro =1,1.
Si definimos a la variable Y como la suma de las 6 variables anteriores. La variable Y
va a representar el n total de unidades de un electrodomstico vendidas a lo largo de
los 6 das.
6
Y= X1+ X2+ X3+ X4+ X5 + X6 = Xi ~Poisson(=61,1=6,6)
i=1
Entonces, por la propiedad de reproductividad de la distribucin Poisson, la distribucin
de la variable Y (suma de Poissons independientes) tambin tendr una distribucin
Poisson con parmetro igual a la suma de los parmetros de las 6 variables
anteriores.
Estadstica Grupo V Tema 10: Modelos de Probabilidad 11
Distribucin Uniforme
Representa fenmenos en los que la v.a. puede tomar cualquier
valor en un intervalo [a , b] de forma que la densidad se
distribuye de manera constante en todo el intervalo.
Ejemplo: un individuo va a recibir una llamada telefnica que
puede ocurrir en cualquier instante de un intervalo de 100
minutos.
Funcin de densidad: Funcin de densidad Distribucin Uniforme

f(x) 0,012

k
1 0,01

k= axb 0,008
f(x) = b-a 0,006
0 resto 0,004

0,002

0
-20 0 20 40 60 80 100 120
X

Estadstica Grupo V Tema 10: Modelos de Probabilidad 12

 Funcin de distribucin o de probabilidad acumulada:
Funcin de distribucin Distribucin Uniforme
0 x<a
x - a
F(x) 1

0,9

F(x)=P(X x)= axb 0,8

0,7

b - a 0,6
0,5

1 x>b 0,4
0,3
0,2

a+b
0,1

=
0

Media: -20 0 20 40 60 80 100 120

2
X

2
(b - a)
Varianza: 2 =
12

Queda caracterizada por dos parmetros: el extremo inferior a y

el extremo superior b. X Uniforme [a,b]
Estadstica Grupo V Tema 10: Modelos de Probabilidad 13
Distribucin Exponencial
Sirve para representar fenmenos como la duracin o el tiempo
de vida de objetos (bombillas, bateras) o empresas, el tiempo de
espera hasta la ocurrencia de un suceso.
Ejemplo: El tiempo que se tarda en atender a un cliente.
Funcin de densidad:
Funcin de densidad Distribucin Exponencial

e -x
x>0
f(x) 0,25

0,2
f(x) =
0 resto 0,15

0,1

0,05

con > 0
0
0 5 10 15 20 25 30
X

Estadstica Grupo V Tema 10: Modelos de Probabilidad 14

 Funcin de distribucin o de probabilidad acumulada:
Funcin de distribucin Distribucin Exponencial
0 x 0
F(x)=P(X x)= -x
F(x) 1
0,9

1 - e x>0 0,8
0,7
0,6

1 0,5

Media: = 0,4
0,3

0,2
0,1

1 0
Varianza: = 2
2 0 10 20 30
X
40 50 60

Queda caracterizada por un parmetro: . X Exponencial ()
Relacin entre las distribuciones Poisson y Exponencial:
Si una v.a. con distribucin Poisson () representa el n de ocurrencias de un suceso en
un periodo de tiempo, la v.a. con distribucin Exponencial representar el tiempo que
transcurre entre 2 ocurrencias consecutivas de ese suceso, siendo = .
Ejemplo: Y: n de avisos de avera recibidos en 1 hora. Y Poisson (=0,4)
X: tiempo, en horas, transcurrido entre 2 avisos consecutivos de avera.
X Exponencial (=0,4), siendo f(x) = 0,4 e- 0,4 x x>0
Estadstica Grupo V Tema 10: Modelos de Probabilidad 15
 Distribucin Normal o de Gauss
Es apropiada para modelizar:
Altura, peso, coeficiente de inteligencia
Modeliza fenmenos socio-econmicos
como los ingresos, las ventas, los beneficios
Sea X una variable aleatoria que expresa los ingresos mensuales, en
euros, de los hogares valencianos. Se supone que el
comportamiento de dicha variable se puede modelizar mediante una
distribucin Normal con media 1700 y su desviacin tpica 200.
Est caracterizada por dos parmetros: La media, , y la
desviacin tpica, (tambin puede ser la varianza 2).
2
1 x
1
2

Su funcin de densidad es: f ( x) = e
2
Estadstica Grupo V Tema 10: Modelos de Probabilidad 16
N(, ): Interpretacin
geomtrica

Podis interpretar la
media como un factor
de traslacin.

Y la desviacin tpica
como un factor de
escala, grado de
dispersin,

Estadstica Grupo V Tema 10: Modelos de Probabilidad 17

N(, ): Interpretacin probabilista

Entre la media y una

desviacin tpica
tenemos siempre la
misma probabilidad:
aprox. 68%

Entre la media y dos

desviaciones tpicas
aprox. 95%

Estadstica Grupo V Tema 10: Modelos de Probabilidad 18

Algunas caractersticas
La funcin de densidad es simtrica respecto a la media .
Media, mediana y moda coinciden.

No es posible calcular la probabilidad de un intervalo simplemente

integrando la funcin de densidad, ya que no tiene primitiva expresable
en trminos de funciones comunes. Por eso utilizaremos unas tablas.
Todas las distribuciones normales N(, 2), pueden transformarse
mediante una transformacin lineal especial llamada tipificacin. La
distribucin resultante al tipificar se llama Normal Tipificada N(0,1). Es
otra normal pero con media 0 y varianza 1.
Si tomamos intervalos centrados en , y cuyos extremos estn
a distancia , tenemos probabilidad 68%
a distancia 2 , tenemos probabilidad 95%
a distancia 25 tenemos probabilidad 99%

Estadstica Grupo V Tema 10: Modelos de Probabilidad 19

Tipificacin
Dada una variable X Normal de media y desviacin
tpica , se denomina variable tipificada, Z, de una
variable X, a la a la siguiente transformacin de X:

X
Z=

En el caso de variable X normal N(, 2), al tipificar se
obtiene una variable Z que tambin tiene distribucin
Normal pero con media 0 y varianza 1. Z N(0,1). Z es la
variable X tipificada.

Estadstica Grupo V Tema 10: Modelos de Probabilidad 20

Estadstica Grupo V Tema 10: Modelos de Probabilidad 21
 1) Propiedad de la distribucin Normal de las
Transformaciones Lineales
Sea X una variable aleatoria con distribucin Normal
X ~ N(, 2).
Sea Y una transformacin lineal de X: Y = a X + b

Esta propiedad dice que toda v.a. que sea una transformacin
lineal de una v.a. con distribucin Normal tambin tiene una
distribucin Normal.
Es decir, Y = a X + b ~ N (Y = a + b , Y2 = a2 2 )

Z, la variable X tipificada que tiene una distribucin N(0,1), es un

caso particular de una transformacin lineal de X, por eso
tambin tiene una distribucin Normal.

Estadstica Grupo V Tema 10: Modelos de Probabilidad 22

 2) Propiedad de Reproductividad de la
distribucin Normal
De un ejemplo anterior, Si analizamos los ingresos mensuales de 10 familias
valencianas.
Sea X1: ingresos mensuales, en , de la familia 1. X1 ~ N(=1700, 2 = 2002)
Sea X2: ingresos mensuales, en , de la familia 2. X2 ~ N(=1700, 2 = 2002)
.....
Sea X10: ingresos mensuales, en , de la familia 10. X10~ N(=1700, 2 = 2002)
Definimos 10 variables (una para cada familia) independientes y con
distribucin Normal. Si definimos a la variable Y como los ingresos del
conjunto de las 10 familias y la construimos como la suma de las 10 variables
Normales independientes:
10

Y= X1+ X2+ +X10 = Xi ~N((=101700 =17000, 2 = 102002=400000)

i=1
Entonces, por la propiedad de reproductividad de la distribucin Normal, la
distribucin de la variable Y (suma de 10 Normales independientes) tambin
tendr una distribucin Normal con media igual a la suma de las 10 medias y
con varianza igual a la suma de las 10 varianzas.

Estadstica Grupo V Tema 10: Modelos de Probabilidad 23

Por qu es importante la distribucin normal?
Al final del tema siguiente, con el Teorema central del
Lmite, veremos que la Normal se puede considerar
como la distribucin aproximada de la suma de un n
grande de v.a. independientes.
Qu hemos visto?
Hay modelos especficos de v.a. de especial importancia:
Bernoulli: X Be(p)
Binomial: X Binomial(n,p)
Poisson: X Poisson()
Uniforme: X Uniforme[a,b]
Exponencial: X Exponencial()
Normal: X N(,2)

Estadstica Grupo V Tema 10: Modelos de Probabilidad 24