Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Modelos de distribuciones
1 Concepto de variable aleatoria
El objetivo es introducir una herramienta que nos permita cuanticar los resultados de un experi-
mento aleatorio. Para ello denimos una funci on del espacio muestral en R.
Denici on 1.1 Una variable aleatoria (v.a.) es una funcion del espacio muestral en R, que
transforma el resultado de un experimento en un n umero real
X : R
w X(w) R
Ejemplo 1.1 Lanzamos dos monedas. Sea X =n umero de caras obtenidas en los dos lanzamien-
tos.
Ejemplo 1.2 Lanzamos un dado dos veces. Podemos denir:
X =suma de los puntos obtenidos en los dos lanzamientos, es decir, X(i, j) = i + j .
Y =diferencia en valor absoluto entre las puntuaciones obtenidas, Y (i, j) = |i j| .
Notese que sobre un mismo espacio muestral pueden denirse varias v.a.
Operaciones con variables aleatorias Sean X e Y variables aleatorias
Suma (resta): (X Y )(w) = X(w) Y (w) , w .
Producto: (XY )(w) = X(w)Y (w) , w .
Cociente: (X/Y )(w) = X(w)/Y (w) , w tal que Y (w) = 0.
Si X es una v.a. y g es una funci on real entonces g(X) es tambien una variable aleatoria.
Denici on 1.2 Sea X una v.a., se dene la funcion de distribucion (FdD) de X como
F : R [0, 1]
x F(x) = P(X x) = P({w : X(w) x})
Propiedades 1.1 F verica las siguientes propiedades:
(a) F es no decreciente.
(b) F() = 0, F(+) = 1.
(c) F es continua a la derecha, o sea, lim
h0
+ F(x + h) = F(x)
(d) P(a < X b) = P({w : a < X(w) b}) = F(b) F(a).
(e) P(a < X) = P({w : a < X(w)}) = 1 F(a).
1
Ejemplo 1.3 Lanzamos dos monedas. Sea X =n umero de caras obtenidas en los dos lanzamien-
tos. En este caso = {CC, CX, XC, XX} con P(w) = 1/4, . La FdD es
Si x < 0, F(x) = P(X x) = P() = 0
Si 0 x < 1, F(x) = P(X x) = P({XX}) =
1
4
Si 1 x < 2, F(x) = P(X x) = P({XX, XC, CX}) =
3
4
Si x 2, F(x) = P(X x) = P({XX, XC, CX, CC}) = 1
2 Variable aleatoria discreta
Denicion 2.1 Dada una v.a. X, se dene el rango de dicha v.a. como el conjunto de valores que
puede tomar X, el cual se denotara por rg(X).
Denicion 2.2 Se dice que una v.a. X es discreta si su rango es discreto, es decir, nito o innito
numerable. En este caso, el rango se denotara por rg(X) = {x
1
, . . . , x
n
, . . .}.
Ejemplo 2.1 Lanzamos dos dados y consideramos la v.a. X=suma de los resultados. En este caso,
el conjunto de valores que toma la v.a. es
rg(X) = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
Ejemplo 2.2 Suponemos que buscamos la solucion optima de un problema utilizando un programa
informatico. Tomamos la v.a. X=n umero de iteraciones, hasta conseguir la solucion optima. En-
tonces
rg(X) = {1, 2, 3, . . .}
Denici on 2.3 Sea X una v.a. discreta con rango rg(X) = {x
1
, . . . , x
n
, . . .}. Se dene la funcion
de probabilidad (fdp) de X como
P(X = x
i
) = P({w tal que X(w) = x
i
}) , i 1 .
Ejemplo 2.3 Lanzamos dos monedas. Sea X =n umero de caras obtenidas en los dos lanzamien-
tos. En este caso rg(X) = {0, 1, 2} y su fdp es
P(X = 0) = P({XX}) =
1
4
P(X = 1) = P({CX, XC}) =
2
4
=
1
2
P(X = 2) = P({CC}) =
1
4
2
Propiedades 2.1 La funcion de probabilidad verica,
(a) 0 P(X = x), x rg(X)
(b) Si x / rg(X), entonces P(X = x) = 0.
(c)
i / x
i
rg(X)
P(X = x
i
) = 1.
C alculo de probabilidades Dado B R, la probabilidad de que la v.a. X (discreta) tome
valores en B viene dada por
P(X B) =
x
i
B
P(X = x
i
) .
Ejemplo 2.4 Sea X una v.a. discreta, con funcion de probabilidad:
X = x 1 2 3
P(X = x) 0.2 0.3 0.5
.
P(X {1, 3}) = P(X = 1) + P(X = 3) = 0.2 + 0.5 = 0.7
P(X [0, 2.5]) = P(X = 1) + P(X = 2) = 0.2 + 0.3 = 0.5
Propiedades 2.2 Sea X una v.a. discreta con rg(X) = {x
1
, . . . , x
n
, . . .}, entonces
1. la FdD de X es
F(x) = P(X x) =
i / x
i
x
P(X = x
i
) .
2. F(x
i
) = F(x
i1
) + P(X = x
i
).
3. La funcion de distribucion de una v.a. discreta es una funcion escalonada, los puntos en que se
producen las discontinuidades de salto son los valores que toma la v.a. y la cuanta del salto es la
P(X = x
i
), es decir
P(X = x
i
) = F(x
i
) F(x
i
) = F(x
i
) F(x
i1
).
Ejemplo 2.5 Calcular la funcion de distribucion de X (ejemplo 2.4).
F(x) =
_
_
0 si x < 1
P(X 1) = P(X = 1) = 0.2, si 1 x < 2
F(1) + P(X = 2) = 0.2 + 0.3 = 0.5, si 2 x < 3
F(2) + P(X = 3) = 0.5 + 0.5 = 1, si x 3
3
2.1 Caractersticas asociadas a una variable aleatoria discreta
Denici on 2.4 Se dene la esperanza matematica (esperanza, media o valor esperado) de la
v.a. discreta X como
= E (X) =
i
x
i
P (X = x
i
) .
Se dene la varianza de una variable aleatoria X como
2
= var(X) = E
_
(X )
2
i
(x
i
)
2
P (X = x
i
) ,
y la desviacion tpica de X como = +
_
var(X).
Nota 2.1 Tienen la misma interpretacion que en distribuciones de frecuencias.
Propiedades 2.3 Se tiene que,
(a) E(c) = c, c R.
(b) E(cX) = cE(X), c R.
(c) E(c
1
X + c
2
Y ) = c
1
E(X) + c
2
E(Y ), c
i
R, i = 1, 2 .
(d) var (X) 0.
(e) var (X) = 0 a/ P(X = a) = 1 (es decir, X es una constante).
(f ) var(a X + b) = a
2
var(X), a, b R.
(g) En la practica es util la siguiente expresion:
var(X) = E(X
2
)
2
= E(X
2
) E
2
(X).
Ejemplo 2.6 Calcular la media, varianza y desviacion tpica de X (ejemplo 2.4).
E(X) = 1 0.2 + 2 0.3 + 3 0.5 = 2.3
var(X) = E(X
2
) E
2
(X) = (1
2
0.2 + 2
2
0.3 + 3
2
0.5) (2.3)
2
= 5.9 5.29 = 0.61.
=
0.61 = 0.781.
3 Variables aleatorias continuas
Denici on 3.1 Una variable aleatoria (absolutamente) continua es aquella con rango in-
nito no numerable.
Propiedades 3.1 Si X es una variable aleatoria continua, entonces
1. F(x) = P(X x) es una funcion continua.
2. Existe una funcion f(t) 0 t, tal que
F(x) =
_
x
f(t)dt.
4
A la funcion f se le llama funcion de densidad (fdd) de X.
3. F es derivable salvo a lo sumo en un n umero discreto de puntos. En los puntos donde F sea
derivable, se verica F
(x) = f(x).
Propiedades 3.2 La funcion de densidad verica
1. f(x) 0, x R.
2.
_
+
f(x)dx = 1.
C alculo de probabilidades en el caso continuo
(a) Si a, b R, con a < b, entonces P(a < X b) = F(b) F(a) =
_
b
a
f(t) dt.
(b) En general, dado B un subconjunto de R, P(X B) =
_
B
f(t) dt .
(c) Si X es una v.a. continua, entonces P(X = x) = 0, x R. Como consecuencia:
(c.1) P(X < x) = P(X x) ,
(c.2) P(a < X b) = P(a X b) = P(a < X < b) = F(b) F(a) ,
pues estos conjuntos s olo dieren en un punto.
Ejemplo 3.1 Sea X una v.a. continua con funcion de densidad
f(x) =
_
x/6 si x (2, 4)
0 en caso contrario
(a) Calcula la FdD: Si x (2, 4),
F(x) =
_
x
f(t) dt =
_
x
2
t
6
dt =
t
2
12
_
t=x
t=2
=
x
2
12
4
12
Si x (, 2], F(x) = 0, y si x [4, +), F(x) = 1.
(b) Calcula P[X (2.5, 3)] = P(2.5 < X < 3):
P[X (2.5, 3)] = P(2.5 < X < 3) =
_
3
2.5
t
6
dt =
t
2
12
_
t=3
t=2.5
= F(3)F(2.5) = 0.41670.1875 = 0.2292
5
3.1 Caractersticas asociadas a una variable aleatoria continua
Denici on 3.2 Sea X una v.a. continua con fdd f. Se dene la esperanza matematica (espe-
ranza, media o valor esperado) de X como
E(X) =
_
x f (x) dx.
Se dene la varianza de una v.a. X como,
2
= var(X) = E
_
(X )
2
=
_
(x )
2
f (x) dx,
y la desviacion tpica de X, como = +
_
var(X).
Nota 3.1 Se tienen las mismas propiedades que en el caso discreto.
Ejemplo 3.2 Calcular la esperanza matematica de X (ejemplo 3.1) y su varianza.
E(X) =
_
x f(x) dx =
_
4
2
x
x
6
dx =
x
3
18
_
x=4
x=2
=
4
3
18
2
3
18
=
64 8
18
=
56
18
= 3.11
La varianza podemos obtenerla como var(X) = E(X
2
) E
2
(X), por lo que calculamos
E(X
2
) =
_
x
2
f(x) dx =
_
4
2
x
2
x
6
dx =
x
4
24
_
x=4
x=2
=
4
4
24
2
4
24
=
256 16
24
=
240
24
= 10
Por lo que:
2
= var(X) = 10 3.11
2
= 0.3279.
4 Independencia de variables aleatorias
Dadas dos variables aleatorias X e Y , diremos que son independientes si lo son los experimentos
aleatorios que cada una de ellas describe, es decir, si el resultado de uno no inuye en absoluto en el
resultado del otro.
Este concepto puede extenderse a m as de dos variables, en general a n variables independientes,
X
1
, X
2
, ..., X
n
.
5 Modelos Discretos
En esta secci on se estudiaran algunos modelos de distribuci on de variables aleatorias discretas que
describen diversos experimentos aleatorios que se presentan frecuentemente en el mundo real.
5.1 Distribuci on Bernoulli
Considerese un experimento con dos posibles resultados, E (exito) y F (fracaso). A un experimento
as se le denomina experimento de Bernoulli. En este caso el espacio muestral es = {E, F}. Sean
P(E) = p (0, 1) y P(F) = q = 1 p. A la v.a. que realiza la siguiente asociaci on:
X(E) = 1, X(F) = 0,
6
se le denomina variable aleatoria Bernoulli (o que sigue un modelo de distribuci on de Bernoulli) con
probabilidad de exito p y se denota X Be(p).
La funcion de probabilidad de esta v.a. es
P(X = 1) = p, P(X = 0) = 1 p = q.
La media y la varianza de esta distribuci on son E(X) = p y V ar(X) = pq.
Ejemplo 5.1 Consideremos el experimento aleatorio recibir un correo electronico. Se sabe que el
5% de los correos electronicos recibidos es spam. Dado un correo electronico que se ha recibido, la
variable aleatoria X denida como:
X =
_
1 si el correo es spam
0 caso contrario
sigue una distribucion Bernoulli de parametro p = 0.05, X Be(0.05).
5.2 Distribuci on Binomial
Supongamos que realizamos n experimentos Bernoulli independientes, todos ellos con igual probabi-
lidad de exito p. La distribucion de la v.a. denida como
X=n umero de exito en los n experimentos Bernoulli independientes,
se denomina distribucion Binomial de par ametros n y p y se denota X B(n, p). La funci on de
probabilidad de esta v.a. es
P(X = k) =
_
n
k
_
p
k
(1 p)
nk
, k = 0, . . . , n.
La media y la varianza de esta distribuci on son E(X) = np y V ar(X) = npq.
Ejemplo 5.2 Siguiendo el ejemplo 5.1, vamos a calcular la probabilidad de recibir como mnimo un
correo spam y el n umero esperado de correos spam recibidos, ambos en un da en el que lleguen 40
correos electronicos.
En el ejemplo 5.1 vimos que recibir un correo spam puede modelarse seg un una variable de
Bernoulli. En este caso repetimos el experimento 40 veces (cada correo recibido sera un experimento
que supondremos independiente del resto), por lo tanto la v.a. X = n umero de correos spam entre
los 40 correos recibidos es una variable Binomial de parametros n = 40 y p = 0.05. El n umero
esperado de spam es
E(X) = 40 0.05 = 2,
y la probabilidad de recibir como mnimo un spam es
P(X 1) = 1 P(X < 1) = 1 P(X = 0) =
= 1
_
40
0
_
0.05
0
(1 0.05)
400
= 1 0.1285 = 0.8715.
7
5.3 Distribuci on Hipergeometrica
Supongamos que tenemos una poblaci on de tama no N, que se divide en dos grupos, uno de ellos
con N
1
elementos y el otro con N N
1
elementos. Extraemos simultaneamente n elementos de
la poblacion, o equivalentemente, extraemos de manera sucesiva n elementos sin reposici on. A la
distribuci on de la v.a X =n umero de individuos del primer grupo entre los n extrados se le
denomina distribuci on Hipergeometrica con par ametros N, N
1
, n, y se denota X H(N, N
1
, n). Su
funci on de probabilidad es
P(X = k) =
_
N
1
k
__
NN
1
nk
_
_
N
n
_ , max{0, n N
1
+ N} k min{n, N
1
}.
La media y varianza para esta distribucion son
E(X) = n
N
1
N
= np, V ar(X) = n
N
1
N
N N
1
N
N n
N 1
= npq
N n
N 1
,
donde p =
N
1
N
y q = 1 p.
N otese que una distribuci on Hipergeometrica y una distribuci on Binomial son muy parecidas en
el sentido de que ambas cuentan el n umero de exitos en n experimentos de Bernoulli. La diferencia
est a en que en la distribuci on Binomial los experimentos de Bernoulli son independientes (las extrac-
ciones son con reemplazamientos), mientras que en la distribucion Hipergeometrica no (ya que las
extracciones son sin reposici on).
Ejemplo 5.3 Supongamos que tenemos el servidor bloqueado con 100 correos electronicos, de los
cuales 5 de ellos son spam. Si se imprimen 20 de ellos seleccionados aleatoriamente, calcula la pro-
babilidad de que entre esos 20, haya 2 spam. Hallar el n umero esperado de correos spam imprimidos
y su varianza.
La v.a. X =n umero de correos spam entre los 20 imprimidos H(100, 5, 20),
P(X = 2) =
_
5
2
__
95
18
_
_
100
20
_ = 0.20734, E(X) = 20
5
100
= 1, V ar(X) = 20
5
100
100 5
100
100 20
100 1
= 0.
76 .
6 Modelos continuos
6.1 Distribuci on Uniforme Continua
Diremos que una v.a. X sigue una distribuci on Uniforme en el intervalo (a, b), X U (a, b), si su
funci on de densidad es de la forma
f(x) =
_
1
ba
si x (a, b),
0 en caso contrario.
La funcion de distribucion es
F(x) = P[X x] =
_
_
0 si x < a,
xa
ba
si a x < b,
1 si x b.
8
La media y la varianza son E(X) =
a + b
2
y V ar(X) =
(b a)
2
12
.
Ejemplo 6.1 El tiempo en minutos que tarda un tren de cercanas en hacer una parada entre dos
estaciones urbanas oscila uniformemente entre 8 y 12 minutos. Calcular la probabilidad de que un
individuo que llega justo cuando el tren salio de la estacion anterior, tenga que esperar mas de 10
minutos, as como el tiempo medio que tendra que esperar en el anden.
La v.a. X =tiempo que tarda en llegar el tren U (8, 12), y por tanto,
P(X 10) = 1 P(X < 10) = 1 F(10) = 1
108
128
= 0.5
E(X) =
8 + 12
2
= 10
6.2 Distribuci on Exponencial
Diremos que una v.a. X sigue una distribuci on Exponencial de par ametro > 0, y se denota
X Exp(), si su funci on de densidad es de la forma
f(x) =
_
e
x
si x > 0,
0 en caso contrario.
La funcion de distribucion es
F(x) = P[X x] =
_
0 si x < 0,
1 e
x
si x 0.
La media y la varianza son E(X) =
1
y V ar(X) =
1
2
.
Usualmente esta variable representa el tiempo de vida, esto es, tiempo hasta que ocurre un
determinado suceso. Por ejemplo, la variable que estudia el tiempo transcurrido entre la llegada de
dos correos electronicos se puede modelar mediante una distribucion exponencial.
Ejemplo 6.2 El tiempo de vida de una componente electrica sigue una distribucion exponencial con
media de 8 meses. Calcular la probabilidad de que una componente dure entre 3 y 12 meses, y la
probabilidad de que un elemento que haya durado 10 meses, dure al menos 15 mas.
Sea X = tiempo de vida Exp(). Como E(X) =
1
2
exp
_
1
2
2
(x )
2
_
, x R.
9
La media y la varianza de esta distribuci on son
E(X) = , V ar(X) =
2
.
Como la funcion de densidad es simetrica respecto a la media se cumple que
P(X x) = P(X + x).
Si X N(,
2
), entonces,
Z =
X
N(0, 1)
A Z se le denomina variable tipicada. A la distribuci on N(0, 1) se le denomina distribucion
normal estandar. Para calcular probabilidades en cualquier distribuci on normal, lo primero que
debemos hacer es tipicar la variable, esto es,
P(X x) = P
_
Z
x
_
= (z) ,
donde representa la funci on de distribuci on de una distribuci on normal estandar y z =
x
. Los
valores de (x) estan tabulados para x 0, ya que por ser la distribucion normal est andar simetrica
respecto del origen, se verica que (z) = 1 (z).
Ejemplo 6.3 La cantidad de dinero que las personas de una cierta ciudad llevan en sus bolsillos sigue
una distribucion normal de media 15 euros y desviacion tpica 3 euros. Calcular la probabilidad de
que elegida una persona al azar lleve en sus bolsillos menos de 18 euros y la probabilidad de que
elegida una persona al azar lleve en sus bolsillos entre 8 y 20 euros.
Tenemos X N (15, 3
2
) , entonces Z =
X15
3
N(0, 1).
P(X < 18) = P
_
Z <
18 15
3
_
= (1) = 0.8413.
P(8 < X < 20) = P
_
8 15
3
< Z <
20 15
3
_
= P(2.33 < Z < 1.67) = (1.67) (2.33) =
= (1.67) {1 (2.33)} = 0.9525 (1 0.9901) = 0.9426.
Propiedad 6.1 Si X e Y son variables aleatorias independientes de modo que X N(
X
,
2
X
) e
Y N(
Y
,
2
Y
), entonces para cualesquiera a, b, c R se tiene que
aX + bY + c N(a
X
+ b
Y
+ c, a
2
2
X
+ b
2
2
Y
).
En particular,
X + Y N(
X
+
Y
,
2
X
+
2
Y
),
X Y N(
X
Y
,
2
X
+
2
Y
).
La importancia de la distribuci on normal radica en que no s olo es util para modelar algunos
fen omenos aleatorios frecuentes (peso, altura, etc), sino que tambien sirve para aproximar a otras
distribuciones.
10
Propiedad 6.2 Si X B(n, p) con n elevado, entonces podemos aproximar la distribucion de X
por una ley Normal de parametros = np y
2
= npq, en el siguiente sentido
P(X x) = P
_
X np
npq
x np
npq
_
_
x np
npq
_
.
Ejemplo 6.4 Se sabe que el 24.5% de las grandes empresas informaticas proporcionan formacion a
sus empleados. Si se ha realizado un estudio sobre 1000 empresas, calcular la probabilidad de que
haya por lo menos 260 empresas que formen a sus empleados.
Sea X =n umero de empresas que forman a sus empleados entre las 1000 estudiadas B(1000, 0.245).
Como n es grande emplearemos la aproximacion normal para calcular P(X 260),
P(X 260) = 1 P(X 259) = 1 P
_
X 1000 0.245