Variable Aleatoria Binomial
Variable Aleatoria Normal
Distribuciones de Probabilidad
IES O Couto
curso 2019-2020
Silvia Fdez. Carballo
IES O Couto Distribuciones de Probabilidad
Variable Aleatoria Binomial
Variable Aleatoria Normal
Variable Aleatoria Binomial
Experimento de Bernouilli
Un experimento aleatorio es un experimento de Bernouilli si cumple que:
i) Toda realización del experimento es independiente de realizaciones
anteriores.
ii) El experimento solo tiene dos posibles resultados (que se denominan éxito
y fracaso).
iii) Las probabilidades de éxito son las mismas en cualquier realización del
experimento.
IES O Couto Distribuciones de Probabilidad
Variable Aleatoria Binomial
Variable Aleatoria Normal
Definición de V.A. Binomial
Si repetimos n veces un experimento aleatorio de Bernouilli, y p es la
probabilidad de éxito, la variable aleatoria X = “Número de éxitos obtenidos”
sigue una distribución Binomial de parámetros n y p. Abreviadamente
X ∼ B(n, p).
Ejemplo 1
Número de caras obtenidas al lanzar 20 veces una moneda equilibrada:
X ∼ B(20, 00 5)
Número de preguntas acertadas al contestar al azar un examen tipo test
de 30 preguntas, en el que cada una tiene cuatro posibles respuestas, pero
solamente una correcta: X ∼ B(30, 00 25)
IES O Couto Distribuciones de Probabilidad
Variable Aleatoria Binomial
Variable Aleatoria Normal
Caracterı́sticas de X ∼ B(n,p)
La función masa de probabilidad es
Ç å
n
P(X = k) = p k (1 − p)n−k para k = 0, 1, 2, . . . n
k
E (X ) = np
V (X ) = npq con q = 1 − p (q es la probabilidad de fracaso)
IES O Couto Distribuciones de Probabilidad
Variable Aleatoria Binomial
Variable Aleatoria Normal
IES O Couto Distribuciones de Probabilidad
Variable Aleatoria Binomial
Variable Aleatoria Normal
IES O Couto Distribuciones de Probabilidad
Variable Aleatoria Binomial
Variable Aleatoria Normal
IES O Couto Distribuciones de Probabilidad
Variable Aleatoria Binomial Función densidad. Función de distribución. Esperanza y Varianza
Variable Aleatoria Normal Variable Aleatoria Normal
Variables Aleatorias Absolutamente Continuas
Una variable aleatoria es absolutamente continua si su función de distribución
F es continua en todo R, y derivable con derivada continua en todo R salvo en
a lo sumo un conjunto numerable de puntos.
Función densidad
Esto equivale a decir que existe una función f : R −→ R no negativa e
integrable tal que Z x
F (x) = f (t)dt
−∞
La función f se llama función densidad de la v.a. X .
Como consecuencia, toda probabilidad será un área.
IES O Couto Distribuciones de Probabilidad
Variable Aleatoria Binomial Función densidad. Función de distribución. Esperanza y Varianza
Variable Aleatoria Normal Variable Aleatoria Normal
Teorema de caracterización de función densidad
Toda función f : R −→ R que satisface
i) f (x) ≥ 0, ∀x ∈ R
ii) f es Riemann integrable en todo R
Z +∞
iii) f (t)dt = 1
−∞
es función densidad de una variable aleatoria absolutamente continua X , cuya
función de distribución es
Z x
F (x) = f (t)dt
−∞
IES O Couto Distribuciones de Probabilidad
Variable Aleatoria Binomial Función densidad. Función de distribución. Esperanza y Varianza
Variable Aleatoria Normal Variable Aleatoria Normal
Propiedades de una función densidad
Toda función de densidad cumple como consecuencia de la definición, y de las
propiedades de la integral de Riemann, las siguientes propiedades:
f (x) ≥ 0 ∀x ∈ R
Z +∞
f (x)dx = 1
−∞
Z b Z a Z b
P(a, b] = F (b) − F (a) = f (t)dt − f (t)dt = f (t)dt
−∞ −∞ a
Es decir, la probabilidad de que los valores de la variable estén comprendidos
entre a y b es el área bajo la función densidad entre x = a y x = b.
IES O Couto Distribuciones de Probabilidad
Variable Aleatoria Binomial Función densidad. Función de distribución. Esperanza y Varianza
Variable Aleatoria Normal Variable Aleatoria Normal
P(X = a) = 0. En efecto, por ser F una función continua:
P(X = a) = lı́m P(a − h, a] = lı́m (F (a) − F (a − h)) =
h→0+ h→0+
F (a) − F (a) = 0
Si f es continua en xo , F es derivable en xo , y además F 0 (xo ) = f (xo )
(como consecuencia del Teorema Fundamental del Cálculo Integral).
IES O Couto Distribuciones de Probabilidad
Variable Aleatoria Binomial Función densidad. Función de distribución. Esperanza y Varianza
Variable Aleatoria Normal Variable Aleatoria Normal
Variable Normal
Definición
Una variable aleatoria X absolutamente continua se dice que sigue una
distribución normal de media µ y desviación tı́pica σ (X ∼ N(µ, σ)) si su
función de densidad es
1 (x−µ)2
−
f (x) = √ e 2 σ2 − ∞ < x < +∞
2 π σ2
Caracterı́sticas de X ∼ N(µ, σ)
E (X ) = µ
Var (X ) = σ 2
IES O Couto Distribuciones de Probabilidad
Variable Aleatoria Binomial Función densidad. Función de distribución. Esperanza y Varianza
Variable Aleatoria Normal Variable Aleatoria Normal
Representación gráfica de la densidad de N(µ, σ)
Imagen: Densidad de X ∼ N(µ, σ)
IES O Couto Distribuciones de Probabilidad
Variable Aleatoria Binomial Función densidad. Función de distribución. Esperanza y Varianza
Variable Aleatoria Normal Variable Aleatoria Normal
Tipificación de una variable N(µ, σ)
Sea X ∼ N(µ, σ), y sea Z la variable aleatoria transformada mediante la
X −µ
expresión Z = .
σ
Entonces:
i) Z ∼ N(0, 1)
x−µ
ii) P(X ≤ x) = P Z ≤ σ
IES O Couto Distribuciones de Probabilidad
Variable Aleatoria Binomial Función densidad. Función de distribución. Esperanza y Varianza
Variable Aleatoria Normal Variable Aleatoria Normal
Cálculo de probabilidades de una Z ∼ N(0,1)
Dado que no se conoce una función primitiva de la densidad de la N(0,1), los
valores de su distribución Φ(z) se encuentran tabulados.
Z es simétrica respecto z = 0, por eso en las tablas, solo aparecen los valores
de P(Z ≤ z) para z ≥ 0. Por tanto, para cualquier z ≥ 0:
P(Z ≥ z) = 1 − P(Z ≤ z)
P(Z ≤ −z) = P(Z ≥ z) = 1 − P(Z ≤ z)
P(Z ≥ −z) = P(Z ≤ z)
P(|Z | ≤ z) = P(Z ≤ z) − P(Z ≤ −z) = P(Z ≤ z) − P(Z ≥ z) =
P(Z ≤ z) − (1 − P(Z ≤ z)) = 2P(Z ≤ z) − 1
IES O Couto Distribuciones de Probabilidad
Variable Aleatoria Binomial Función densidad. Función de distribución. Esperanza y Varianza
Variable Aleatoria Normal Variable Aleatoria Normal
IES O Couto Distribuciones de Probabilidad
Variable Aleatoria Binomial Función densidad. Función de distribución. Esperanza y Varianza
Variable Aleatoria Normal Variable Aleatoria Normal
IES O Couto Distribuciones de Probabilidad
Variable Aleatoria Binomial Función densidad. Función de distribución. Esperanza y Varianza
Variable Aleatoria Normal Variable Aleatoria Normal
IES O Couto Distribuciones de Probabilidad
Variable Aleatoria Binomial Función densidad. Función de distribución. Esperanza y Varianza
Variable Aleatoria Normal Variable Aleatoria Normal
Algunas áreas importantes de N(µ,σ)
IES O Couto Distribuciones de Probabilidad
Variable Aleatoria Binomial Función densidad. Función de distribución. Esperanza y Varianza
Variable Aleatoria Normal Variable Aleatoria Normal
√
Aproximación de una B(n,p) a una N(np, npq)
Para n suficientemente grande, una distribución binomial B(n, p) puede
√
aproximarse por una normal N(np, n p q) (con q = 1 − p).
Condiciones para la aproximación
Puede usarse la aproximación cuando se cumpla np > 5 y nq > 5
Dado que la normal es una distribución de tipo continuo, el uso directo de
la aproximación anterior asignarı́a probabilidad cero a puntos aislados y a
los extremos de intervalos cerrados. Se usa la corrección por continuidad o
corrección de Yates.
IES O Couto Distribuciones de Probabilidad
Variable Aleatoria Binomial Función densidad. Función de distribución. Esperanza y Varianza
Variable Aleatoria Normal Variable Aleatoria Normal
Corrección de Yates
P(X = k) = P k − 00 5 ≤ X ≤ k + 00 5 =
k − 00 5 − n p k + 00 5 − n p
Å ã
P √ ≤Z ≤ √
npq npq
con k = 0, 1, 2, . . . , n
Las probabilidades de tipo P(X ≤ a) se aproximarán antes de tipificar por
P(X ≤ a + 00 5).
Las probabilidades de tipo P(X < a) se aproximarán antes de tipificar por
P(X ≤ a − 00 5).
Las probabilidades de tipo P(X > a) se aproximarán antes de tipificar por
P(X ≥ a + 00 5)
Las probabilidades de tipo P(X ≥ a) se aproximarán antes de tipificar por
P(X ≥ a − 00 5)
IES O Couto Distribuciones de Probabilidad