Distribuciones de

probabilidad teóricas

Prof
Luis Humberto Bustos Medina
Juan José Orellana Cáceres 1
 Variable aleatorias
zEl resultado de un experimento aleatorio
puede ser descrito en ocasiones como una
cantidad numérica.

zEn estos casos aparece la noción de

variable aleatoria
{Función que asigna a cada suceso un número.
{Las variables aleatorias pueden ser discretas o
continuas.

2
 Ejemplos variables aleatorias
Experimento aleatorio: Seleccionar una
persona al azar de una población de sujetos y
registrar.
Variable Función Valores Tipo
N° hermanos 0, 1, 2, 3+ Discreta
Sexo 1, 0 Nominal
Edad IR+
Continuas
Estatura IR+
3
 Función de probabilidad
z Función de probabilidad de una variable
aleatoria Discreta: Relaciona los valores de las
variables con la probabilidad de ocurrencia de
ellos.
40%

35%
Ejemplo: Número de caras 30%
al lanzar 3 monedas. 25%

20%

15%

10%

5%

0%
0 1 2 3
4
 Ejemplo función de probabilidades
de una v.a.d.

Evento de interés: ser fumador.

Probabilidad de ser fumador p = 0.30
Problema: ¿Cuál es la probabilidad de que
entre tres personas seleccionadas al azar en
esta sala de clases una sea fumadora?
Sea X la v.a.d.: el número de personas
fumadoras:

X = 0, 1, 2 ó 3 5
 Función de probabilidad de la v.a.d. X
Persona1 Persona2 Persona3 X P(X=x) p=0.30
nf nf nf 0 (1-p) (1-p) (1-p) 0.343
sf nf nf 1 p(1-p) (1-p) 0.147
nf sf nf 1 (1-p)p(1-p) 0.147
nf nf sf 1 (1-p) (1-p)p 0.147
sf sf nf 2 pp(1-p) 0.063
sf nf sf 2 p(1-p)p 0.063
nf sf sf 2 (1-p)pp 0.063
sf sf sf 3 ppp 0.027

Notar que: P(X=0) + P(X=1) + P(X=2) + P(X=3) =1 6

Función de probabilidad de la v.a.d. X

x P(X=x)
0 0.343
1 0.441
2 0.189
3 0.027
Suma 1.000
7
 Función de Densidad
z La función de densidad de una variable
aleatoria continua: Describe la distribución de
frecuencia de dicha variable como un polígono de
frecuencia teórico.

Ejemplo: Peso corporal de

una persona.

8
 Función de densidad / Probabilidad

30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110

9
 Parámetros de variables aleatorias

Valor esperado y varianza de una variable

aleatoria X

z Valor esperado o Esperanza de X

{Se representa mediante E[X] = μ
{Es el equivalente a la media

z Varianza
{Se representa mediante V[X] = σ2
{ Es el equivalente a la varianza
10
Modelos importantes de variables aleatorias
z Hay v.a. que aparecen con frecuencia en las
Ciencias de la Salud.
{Experimentos dicotómicos (vivo/muerto,
éxito/fracaso).
zBernoulli

{Contar éxitos en experimentos dicotómicos

repetidos:
zBinomial
zPoisson (sucesos raros)

{Y en otras muchas ocasiones…

zDistribución normal (campana gaussiana) 11
 Distribución de Bernoulli

z Tenemos un experimento de Bernoulli si al realizar un

experimentos sólo son posibles dos resultados:
{X=1 (éxito, con probabilidad p)
{X=0 (fracaso, con probabilidad q=1-p)

zLanzar una moneda y que salga cara.

p=1/2
zElegir una persona de la población y que esté
enfermo.
• p=1/1000 = prevalencia de la enfermedad

12
 Distribución de Bernoulli

zAplicar un tratamiento a un enfermo y que éste

se cure.
• p=0.95, probabilidad de que el individuo se cure

z Como se aprecia, en experimentos donde el resultado es

dicotómico, la variable queda perfectamente
determinada conociendo el parámetro p.

13
 Ejemplo de distribución de Bernoulli

z Se ha observado en un estudio de 2000 accidentes de

tráfico con impacto frontal y cuyos conductores no tenían
cinturón de seguridad, que 300 individuos quedaron con
secuelas. Describa el experimento usando conceptos de
v.a.

z Solución.
{La noc. frecuentista de prob. nos permite aproximar la
probabilidad de tener secuelas mediante
300/2000=0,15=15%

{X=“tener secuelas tras accidente sin cinturón” es

variable de Bernoulli
zX=1 tiene probabilidad p ≈ 0,15
zX=0 tiene probabilidad q ≈ 0,85 14
 Distribución Binomial
zSi 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).
zLanzar una moneda 10 veces y contar las caras.
• Bin(n=10,p=1/2)

zLanzar 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.

zEl 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) 15
 Distribución Binomial
⎛ n ⎞ k n−k
z Función de probabilidad P[ X = k ] = ⎜⎜ ⎟⎟ p q , 0 ≤ k ≤ n
⎝k ⎠
⎛n⎞ n!
⎜⎜ ⎟⎟ = donde n != 1* 2 * 3 * ......* (n − 1) * n
⎝ k ⎠ (n − k ) ! k !

z Problemas de cálculo si n es grande o p cercano

a 0 o 1.

z Media: μ = E[X]= n p
z Varianza: σ2 =V[X]
z =npq
16
 Características distribución Binomial

zEn cada ensayo u observación sólo son

posibles dos resultados, mutuamente
excluyentes. Por convención estos
resultados se llaman éxito y fracaso.
zLos resultados de la serie de ensayos,
constituyen eventos independientes.
zLa probabilidad de un éxito de cada
ensayo, indicada por p, es constante de un
ensayo a otro.
17
 Ejemplo Binomial
Se sabe que una forma particular de leucemia provoca la
muerte en el 80% de los casos. En un hospital en donde se
estudian neoplasmas malignos se tratan 10 enfermos con esta
forma de leucemia. ¿Cuál es la probabilidad que:

a) Exactamente sobrevivan 7 pacientes? R: 0.000786432

b) Sobrevivan a lo más 3 pacientes? R: 0.87912612

c) E[X] R: 2

d) V[X] R: 1.6

18
 Ejemplo de gráficas distribución binomial

b(10,x,0.3)

0.90
0.60
P(X=x)

0.30 b(10,x,0.5)
0.00
0 1 2 3 4 5 6 7 8 9 10 0.90
0.60

P(X=x)
X
b(10,x,0.95) 0.30
0.00
0.90 0 1 2 3 4 5 6 7 8 9 10

0.60 X
P(X=x)

0.30

0.00
0 1 2 3 4 5 6 7 8 9 10
19
X
 Distribución Poisson
z También se denomina de sucesos raros.
z Se obtiene como aproximación de una
distribución binomial con la misma media, para
‘n grande’ (n>30) y ‘p pequeño’ (p<0,1).
z Queda caracterizada por un único parámetro
(que es a su vez su media y varianza.)

λ xe−λ
P{X = x;λ} = ; x = 0,1,2,3,........
x!
E [ X ]= V [ X ]= λ = μ donde λ =n p
20
 Características Poisson

zLa probabilidad que acontezca un suceso

en un intervalo es proporcional a la
amplitud del intervalo.
zEn principio, teóricamente es posible que
suceda un número infinito de eventos en
un intervalo dado. No hay límite al número
de ensayos.
zLos sucesos ocurren independientemente
tanto en el mismo intervalo como entre
intervalos consecutivos
21
 Ejemplo Poisson
Suponga que en cierta población, la probabilidad de que
una persona esté involucrada en un accidente motorizado
es de 0.00024 en un año dado. Si la población en cuestión
está constituida por 10.000 personas, ¿cuál es la
probabilidad de que ninguna persona esté involucrada en
un accidente motorizado en:

a) Un año? μ=10.000*0.00024=2.4 2 . 4 0 e − 2 .4
P { X = 0} = = 0 . 091
0!

b) En tres meses? μ=2.4 /4 = 0.6

0 .6 0
e − 0 .6
P { X = 0} = = 0 .5 4 9
0!
22
 Curva Normal Distribución Gaussiana
Es la distribución para variables continuas más ampliamente usada
por la teoría estadística. Varios matemáticos han contribuido a su
desarrollo, entre los que podemos contar al astrónomo-matemático
del siglo XIX Karl Gauss. Existen dos razones básicas por las cuales
la distribución normal ocupa un lugar tan prominente en la
estadística. Primero, tiene algunas propiedades que la hacen
aplicable a un gran número de situaciones en las que es necesario
hacer inferencias mediante la toma de muestras. Segundo, la
distribución normal casi se ajusta a las distribuciones de frecuencias
reales observadas en muchos fenómenos, incluyendo características
humanas (pesos, alturas), resultados de procesos físicos
(dimensiones y rendimientos) y muchas otras medidas de interés
para los administradores, tanto en el sector público como en el
privado. 23
Su función de densidad distribución Normal

1 ⎧ −1 2⎫
f (x) = exp ⎨ (x − μ ) ⎬
σ 2π 2
⎩ 2 σ ⎭
donde μ representa la media de la población y σ su
desviación estándar. Se denota: X ~ N(μ, σ 2) ; E[X]= μ ;
V[X] = σ2

n=30
n=10
n=50

0 1 2 3 4 5 6 7 8 9 10
24
Media
 Características de la distribución normal
• La curva es unimodal y tiene forma de campana.
• La media de una población distribuida normalmente cae
en el centro de su curva normal.
• Debido a la simetría de la distribución normal de
probabilidad, la mediana y la moda de la distribución se
encuentran también en el centro; en consecuencia, para
una curva normal, la media, la mediana y la moda tienen
el mismo valor.
• Los dos extremos de la distribución normal de
probabilidad se extienden indefinidamente y nunca
tocan el eje horizontal.
25
 Uso de la tabla de distribución de
probabilidad normal estándar
Estandarización curva normal:

x = Valor de la variable aleatoria X

x−μ μ= Media de la distribución de la variable
Z=
σ aleatoria
σ= Desviación estándar de la distribución
z = Número de desviaciones estándar que hay
desde x a la media de la distribución

Observación: En Z se cumple que: μ= 0 y σ2= 1

26
 Ejemplo
Para la población de hombres entre 18 y 74 años de edad, se sabe que la
presión sistólica se distribuye aproximadamente normal con media 129
mmHg y desviación estándar de 19.8 mmHg. 1) Si se selecciona al azar
un hombre de esta población, ¿cuál es la probabilidad de que su presión
sistólica sea mayor de 150 mmHg?

x − 129 150 − 129

Z = pero x = 150 ⇒ z = = 1 . 06061
19 . 8 19 . 8

P(X>150)=P(Z>1.06)
=0.1446

27
 Aplicaciones
2) Si se selecciona al azar un hombre de esta población, ¿cuál es la probabilidad de
que su presión sistólica sea menor o igual a 150 mmHg?

P(X≤150)=P(Z ≤ 1.06)=1-0.1446=0.8554

3) Si se selecciona al azar un hombre de esta población, ¿cuál es la probabilidad de

que su presión sistólica se encuentre entre 129 y 150 mmHg?

P(129≤ X≤150)=P(0≤ Z ≤ 1.06)=0.5-0.1446=0.3554

4) Si se selecciona al azar un hombre de esta población, ¿cuál es la probabilidad de
que su presión sistólica se encuentre entre 108 y 150 mmHg?

P(108≤ X≤150)=P(-1.06≤ Z ≤ 1.06)=1-2x0.1446=0.7108

5) Si se selecciona al azar un hombre de esta población, ¿cuál es la probabilidad de
que su presión sistólica se encuentre entre 108 y 120 mmHg?

P(108≤ X≤120)=P(-1.06≤ Z ≤ -0.45)=0.3264-0.1446=0.1818 28

 Aplicaciones
6) Si se selecciona al azar un hombre de esta población, ¿Entre que valores se
encuentra el 95% central de las presiones sistólicas tomadas de esta población?
0.025 0.025

μ ± zα ⋅ σ
2
129±1.96x19.8
[90.192 ; 167.808]
29
7) Encuentre el valor del cuartil 1

-0.67=(C1-129)/19.8 => C1= 115.73

El 25% de los hombres tiene una presión sistólica menor o igual a
115.73 mmHg

30
Referencias
1. http://campusvirtual.uma.es/est_fisio/apuntes/
2. Pagano, M. y Gauvreau, K (1993) "Principles of
Biostatistics". Editorial Duxbury Press. Belmont
California.

31