Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Uno de los experimentos aleatorios ms simple que podemos realizar es aquel donde
existen slo dos resultados posibles. Por ejemplo, el lanzamiento de una moneda equilibrada
(cara o sello), situacin acadmica de un alumno en una asignatura al final del semestre
(aprobado o reprobado), la clasificacin de un artculo que se est inspeccionando (defectuoso o
no defectuoso), etc. Este tipo de experimentos con slo dos resultados posibles se denomina
experimento Bernoulli o ensayo Bernoulli y los elementos del espacio muestral se llaman
comnmente xito (E) y fracaso (F).
Sea H el espacio muestral asociado a un experimento aleatorio y sea A H un evento tal que
p P(A), 0 p 1. LLamamos a \ variable aleatoria Bernoulli con parmetro p a la
funcin:
\ (=) =
1, si = A
0, si = A
Notacin: \ U :
p(B) =
p , si B = 1
1 p , si B = 0
p(B) = pB (1 p)" B
; B = 0,1
1
A partir de este modelo tenemos que la esperanza, varianza y funcin generadora de
momentos de \ tienen los siguientes valores:
Un experimento aleatorio que consiste de n ensayos Bernoulli independientes, cada uno con
probabilidad de xito p, se llama experimento binomial de parmetros n y p.
Sea \ una variable aleatoria que denota el nmero de xitos observados en un experimento
binomial de parmetros n y p. Entonces, se llama a \ variable aleatoria binomial.
Notacin: \ ,n,p
P(\ B) = p(B) = B pB (1
n
p)n B
; B 0, ", 2, ..., n
Nota: Como la probabilidad de xito p es constante de un ensayo a otro, se dice que la seleccin
de las unidades es con sustitucin o con reemplazo.
En efecto, cada inspeccin constituye un ensayo Bernoulli donde el evento xito es, en este caso:
10
E "artculo defectuoso", y su probabilidad est dada por p P({E}) 200 0.05. Si \ es el
nmero total de defectuosos en las 20 inspecciones, entonces \ b(20,0.05). Luego, la funcin
de probabilidades de \ es:
p(B) P(\ B 20
B 0.05 0.95
B 20 B
; B 0,1,...,20
Utilizando esta funcin podemos calcular, por ejemplo, las siguientes probabilidades:
p(5) = P(\ 5 20 5 15
5 0.05 0.95 = 0.00225
2
b) Cul es la probabilidad de elegir 1 2 artculos defectuosos?
Sea E un experimento Bernoulli con probabilidad de xito p y sea \ una variable aleatoria que
denota el nmero de repeticiones necesarias hasta que ocurra el primer xito. Entonces, se
llama a \ variable aleatoria geomtrica de parmetro p.
Notacin: \ Gp
1 1 p p e>
E(\ ) = p , V(\ ) p# , M\ > 1 qe>
Ejemplo 2: Del ejemplo anterior, supongamos que se eligen artculos al azar hasta encontrar el
primero defectuoso. Si \ es una variable aleatoria que denota el nmero de inspecciones
necesarias hasta encontrar el primero defectuoso, entonces:
3
1.4 Distribucin Binomial Negativa:
Sea E un experimento Bernoulli con probabilidad de xito p y sea \ una variable aleatoria que
denota el nmero de repeticiones necesarias hasta que el xito ocurra por r-sima vez .
Entonces, se llama a \ variable aleatoria binomial negativa o variable aleatoria Pascal de
parmetros r y p.
Notacin: \ b < p
1 qe>
<
< <1 p p e>
E(\ ) = p , V(\ ) p# , M\ >
Ejemplo 3: Del ejemplo 1, supongamos que se eligen artculos al azar hasta encontrar < unidades
defectuosas. Si \ es una variable aleatoria que denota el nmero de inspecciones necesarias hasta
encontrar las < defectuosas, entonces:
Consideremos una muestra de n elementos seleccionados al azar, sin reemplazo, desde un lote
que contiene N elementos, de los cuales M (M N) son de clase V y los restantes N M son de
clase V- . Si \ es el nmero de elementos en la muestra que pertenecen a la clase V, entonces \
se llama variable aleatoria hipergeomtrica con parmetros n, M y N.
Notacin: \ [n,M,N
muestras diferentes que pueden ser seleccionadas del lote es Nn , que es el nmero de
Suponiendo que M n y N M n, entonces V\ = {0,1,2,...,n}. El nmero total de
B por
principio multiplicativo. Por lo tanto, la funcin de probabilidades de \ es:
4
Q R8 Q
R8
B B
p(B) = P(\ B ; B = 0,1,2,...,min8 Q
El valor esperado y varianza de una variable aleatoria hipergeomtrica estn dados por:
E(\ ) = n M N N N 1
V(\ ) = n M N M N n
N ,
P(\ B B pB (1
n M
p)n B
; p N (probabilidad de xito)
8
En general, la aproximacin es buena si R 0.1.
Ejemplo 4: Una empresa cuenta con 60 personas en el departamento de produccin, de las cuales
38 son hombres y 22 son mujeres. Se seleccionarn al azar (sin reposicin) 10 personas para
participar en un curso de capacitacin.
38 22
P(\ 6) = p(6) 60 = 0.268
6 4
10
En este caso debemos definir una nueva v.a. \ como el nmero de mujeres seleccionados en
la muestra, entonces \ [n 10 , M 22 , N 60. Luego:
22 38
P(\ 8) = p(6) 60 = 0.003
8 2
10
22
El nmero esperado de mujeres seleccionadas es: E(\ ) = 10 60 3.7.
Ejemplo 5: Supongamos que un lote es de tamao N 1000, en donde M 400 son de una
clase V. Se seleccionan al azar y sin reposicin n 5 unidades. Entonces, si \ representa el
nmero de elementos en la muestra que pertenecen a la clase V, se tiene que \ [5, 400,1000)
y la probabilidad de que la muestra contenga 5 elementos de la clase V es:
400 600
1000
5 0
P(\ 5) = = 0.01008
5
8 &
Como R "!!! 0.005 0.1 entonces podemos aproximar la hipergeomtrica por la
distribucin binomial con p M 400
N 1000 = 0.4. Entonces:
5
Nota: La distribucin hipergeomtrica tiene una aplicacin directa en lo que en estadstica se
conoce como "muestreo de aceptacin". Estos procedimientos de muestreo son usados
frecuentemente por instituciones o empresas que compran materiales en lotes grandes. En tales
situaciones, el comprador y el proveedor convienen en algun nivel aceptable de calidad, lo que
generalmente se traduce en algun plan de inspeccin. Si el lote es grande, puede ser muy
demoroso o muy caro inspeccionar cada artculo del lote, de manera que slo sern
inspeccionados una muestra aleatoria de artculos. El lote completo es aceptado como bueno o
defectuoso, de acuerdo a los resultados obtenidos en la inspeccin de la muestra. Consideremos
como ilustracin el ejemplo siguiente:
Ejemplo 6: Supongamos que se seleccionan para inspeccin 2 artculos al azar, sin reemplazo,
desde un lote que contiene 100 artculos producidos por una mquina en un perodo determinado,
de los cuales 5 son defectuosos. Si los 2 artculos de la muestra son buenos, el lote es aceptado.
Si por lo menos 1 de los artculos es defectuoso el lote es rechazado. Sea ] el nmero de
artculos defectuosos encontrados en la muestra, entonces ] es una variable aleatoria
hipergeomtrica.
50 95
100
2
P(aceptar el lote) = P(] = 0) = = 0.902
2
Existen muchas aplicaciones donde interesa asignar probabilidades a eventos que ocurren
en forma de tasas cuya variacin se produce en el tiempo, en una superficie, en un volumen, etc.
Ejemplos de tales casos son los siguientes: el nmero de llamadas telefnicas que llegan a una
central durante 5 minutos, el nmero de fallas por m# en una pieza de algodn, el nmero de
bacterias por mm$ reproducidas en un compuesto qumico, etc. La forma como ocurren estos
eventos est caracterizada por los siguientes supuestos que definen a un proceso de Poisson de
parmetro -:
1.- En intervalos de longitud suficientemente pequeos, por ejemplo de longitud ?t, el evento
ocurre slo una vez o ninguna (dos o ms ocurrencias del evento son imposibles).
2.- La probabilidad que el evento ocurra exactamente una vez en el intervalo ?t es proporcional
a la longitud del intervalo (es aproximadamente igual a - ?t con - 0).
Notacin: \ c -t
6
e--t -tB
p(B) = B! ; B 0, 1, 2, ....
e-. .B
p(B) = B! ; B 0, 1, 2, ....
Ejemplo 7: Supongamos que el nmero de clientes que llegan a un banco comercial es una
variable aleatoria. Se sabe que, en promedio, llegan 180 clientes por hora y estas llegadas ocurren
de acuerdo a un proceso de Poisson. Calcular la probabilidad que lleguen 6 clientes en 1 minuto.
Sea \ el nmero de clientes que llegan al banco en 1 hora. Si tomamos 1 minuto como unidad de
"
tiempo tenemos que -t 180 60 3. Luego, el nmero medio de llegadas por minuto es . 3
clientes. Por lo tanto, \ se distribuye Poisson con parmetro . 3 y su funcin de
probabilidades es:
e 3 3 B
p(B) = P(\ B) B! ; B 0,1,2,....
Ejemplo 8: Del caso anterior, cul es la probabilidad que lleguen al banco por lo menos 2
clientes en 15 segundos?
0.75
e 0.750 e 0.75
0.751
P(\ 2) 1 p(0) p(1) " 0! 1! 0.173
Bn pB (1 p)n
e-. .B
B! ; B 0,1,2,...
B
Ejemplo 9: En una carretera de alto trfico, la probabilidad de que ocurra un accidente grave es
p 0.0001. Sin embargo, en ciertos perodos de un da cualquiera, el trfico aumenta
considerablemente. Si el nmero de vehculos circulando en un perodo determinado es de 1000,
cul es la probabilidad que ocurran 2 accidentes graves en este perodo?
Si \ denota el nmero de accidentes graves que ocurren en 1000 vehculos circulando, entonces
\ ,1000,0.0001. Luego:
7
Como n es grande y p pequea, entonces podemos aproximar la probabilidad anterior por una
Poisson tal que . np 1000 0.0001 0.1. Por lo tanto:
-0.1 2
P(\ 2) e 2!0.1 0.00452419
f (B) =
k ,a B b
0 , e.o.l.
Notacin: \ h a,b
Obviamente, k debe ser mayor que cero y utilizando el hecho que f es una funcin de
densidad tenemos que k , " + . Por lo tanto, la funcin de densidad de probabilidades de \ es:
"
,a B b
f (B) = , +
0 , e.o.l.
Figura 1
Distribucin Uniforme
0.6
0.5
0.4
0.3
0.2
0.1
0
1 2 3 4 5
0 ,> a
F(>) = > +
, +
,a> b
1 ,>b
Se puede demostrar que:
8
Ejemplo 10: La demanda semanal de un producto es una v.a. \ con distribucin uniforme en el
intervalo 50,70. Entonces, la probabilidad de vender entre 55 y 65 unidades es igual a:
P(55 \ 65) = (
65
1 10
dx = 0.5
55 20 20
A partir de esta distribucin se pueden lograr otras que son de mucha utilidad para el
anlisis estadstico inferencial de datos.
Sea X una variable aleatoria continua con recorrido V\ ]0,_[. Diremos que \ tiene
distribucin gamma de parmetros ! y " si la funcin de densidad de probabilidades de \
tiene la forma:
f(B) =
B
B! " / "
, ! " !! B _
0
" ! >!
, e.o.l.
Notacin: \ 1! "
>(8) 8 "!; 8 entero, >(!) ! ">(! ") para cualquier ! 1 y >( "# ) 1.
La expresin >(!) se conoce como funcin gamma. Se puede probar que >(1) ",
f(B) =
-B
-/ ,- 00 B _
! , e.o.l.
Notacin: \ exp-
9
Figura 2
Distribucin Exponencial
"
E(\ ) = - , V(\ ) = -"# , M\ > -- t
Ejemplo 11: La vida til de un equipo computacional es una variable aleatoria \ , en aos, con
f.d.p.:
f(B) =
B
"
5/
5 ,0 B _
! , e.o.l.
.JX > -t
0X > .> -/ > !
Corresponde a una generalizacin del caso anterior, hasta que se presenten "r" xitos en
un proceso de Poisson.
10
Consideremos un proceso de Poisson de parmetro -, que se observa desde el tiempo 0. Sea X
una variable aleatoria que representa el tiempo hasta que ocurran r xitos (r ), entonces T
tiene distribucin Erlang de parmetros r y - con funcin de densidad de probabilidades:
Notacin: X I<< -
Ejemplo 12: En una industria de alto riesgo, ocurren, en promedio, 4 accidentes mensuales. Sea
\ una variable aleatoria definida como el nmero de accidentes que ocurren mensualmente,
entonces \ c %. Sea X una variable aleatoria definida como el tiempo (en meses) que
transcurre hasta que se produzca el primer accidente. Entonces:
%>
X /B:% 0X > %/ > !
%>
JX > " / > !
") = (
_
%> %" %
P(X %/ d> = / / 0.!")$
"
b) Cul es la probabilidad que el primer accidente se produzca entre el segundo y tercer mes?
$) = (
$
%>
P(# X %/ d> = JX $ JX # !.!!!$#*
#
Sea X , el tiempo (en meses) hasta que ocurra el quinto accidente, entonces
X I<< & - % Por lo tanto:
"#) % %>
0 > $ > /
2) = (
_
"#) % %>
Luego: P(X >/ d> = 0.!97
2 $
11
Sea X una variable aleatoria continua con distribucin gamma de parmetros ! y " . Si ! /#
y " 2, entonces \ se llama variable aleatoria chi-cuadrado de parmetro / y su funcin de
densidad de probabilidades est dada por:
B /2 " / B2
f(B) = 2 2 > /#
/ ,B !
0 , e.o.l.
Notacin: \ ;#/
Se tiene que:
E(\ ) = / , V(\ ) = 2/
Figura 3
Distribuciones Chi-cuadrado
Sea X una variable aleatoria continua con recorrido V\ ] _,_[. Diremos que \ tiene
distribucin > de Student de parmetros / si la funcin de densidad de probabilidades de \
tiene la forma:
> / # "
f(B
"
, _ B _
1 / > /# " ># / 2 "
/
Notacin: \ >/
12
El parmetro / es el nmero de grados de libertad. El grfico de 0 B tiene forma de
campana y es simtrico con respecto a cero.
/
Para / 1, E(\ ) 0 y para / 2, V(\ ) / #
Figura 4
Distribucin t de student (/ 2 grados de libertad
f(x) 0,45
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0 x
-4 -2 0 2 4
Sea X una variable aleatoria continua con recorrido V\ ]0,_[. Diremos que \ tiene
distribucin F de Snedecor de parmetros /" y /2 si la funcin de densidad de probabilidades
de \ tiene la forma:
/ / /"
> " # # /" 2"
/
B# "
f(B /" /#
/# /" /# ,! B _
> # > # "
/"
B 2
/#
Notacin: \ F/" /#
"
0!/" /# 0
" !/# /"
13
Figura 5
Distribucin F de Snedecor (/" 4 /# 6
f(x) 0,7
0,6
0,5
0,4
0,3
0,2
0,1
0 x
0 5 10 15
Sea X una variable aleatoria continua con V\ ]-_,+_[. Diremos que \ tiene distribucin
normal de parmetros . y 5 # si la funcin de densidad de probabilidades de \ tiene la forma:
exp 25 # ,
521
1 (B .)#
f(B) = -_ . +_ y 5 0
Notacin: \ a . 5#
Si Z es una variable aleatoria normal con media 0 y varianza 1, entonces Z se llama variable
aleatoria normal estndar y su funcin de densidad de probabilidades tiene la forma:
:(D ) = 1 exp 2
D#
, -_ D +_
21
Notacin: ^ a ! "
14
La funcin de distribucin de la variable aleatoria ^ est dada por:
F(D ) = (
D
1
21
>#
e # .>
-_
Teorema 2: Si \ es una variable aleatoria normal con media . y varianza 5# , entonces la funcin
de distribucin de \ est dada por:
> .
F(>) = P(\ >) = F ( 5 )
La importancia del teorema 2 es que nos permite calcular probabilidades de una variable
aleatoria a (.,5# ) cualquiera, a partir de una variable aleatoria normal estndar para la que su
funcin de distribucin, F, se encuentra tabulada.
= F (0,5) F( 1)
Ejemplo 14: Una institucin comercial estim que la cuota mensual pagada por sus clientes se
realiza a travs de alguna tarjeta de crdito bancaria. El monto pagado es una variable aleatoria
con media igual a 180 [miles de pesos] y desviacin estndar igual a 15 [miles de pesos].
a) Si se elige un cliente al azar, calcular la probabilidad de que su monto total adeudado sea a lo
ms de $190.000.
b) Si se elige un cliente al azar, calcular la probabilidad de que su monto total adeudado se
encuentre entre $175.000 y $213.000.
c) Cul es la deuda mnima que se espera obtener de un cliente con probabilidad de 0.9525?
Sea \ la variable aleatoria que representa el monto total adeudado por los clientes (en miles de
pesos) tal que \ a (180,15# ). Entonces:
5 -180 5 -180
c) P(\ k) = 0.9525 P(Z 15 ) 0.9525 P(Z 15 ) 0.0475
5-180
15 1.67 k 154.95
Ejemplo 15: En una empresa siderrgica, las placas de acero producidas por una mquina deben
tener cierto espesor. Dichas placas diferirn unas de otras debido a los materiales, al
comportamiento de las mquinas y las herramientas utilizadas, lo que originar ligeras
variaciones aleatorias provocadas por pequeas perturbaciones. Por lo tanto, el espesor \ (en
mm) de las placas se puede considerar como una variable aleatoria continua. Si suponemos
adems que para cierto ajuste de la mquina, \ tiene distribucin a (10;0.0004), nos interesa
15
determinar el porcentaje de placas defectuosas que se espera obtener, suponiendo que las placas
defectuosas son aquellas:
Sea \ la variable aleatoria que indica el espesor de las placas. Dado que \ se distribuye normal,
para a) tenemos que:
9.97 10
P(\ 9.97) = P(Z 0.02 ) = F (-1.5) = 0.0668
Por lo tanto, podemos concluir que, aproximadamente, el 6,7% de las placas son defectuosas por
ser ms delgadas que 9.97 mm.
10.05 10
P(X 10.05) = P(Z 0.02 ) =1 F (2.5)
0.03
P(|X 10| 0.03) = P(|Z| 0.02 ) P(Z 1.5) + P(Z 1.5)
= 0.1336
3"
3" 3"
Ejemplo 16: Con respecto al problema de la empresa siderrgica, supongamos que el costo total,
] , de produccin de las placas depende de 2 variables aleatorias: [" costo de materia prima y
[# costo de transporte, tal que:
] [" [#
Calcular la probabilidad de que el costo total de produccin de las placas flucte entre 67 y 71
[u.m.]. Luego:
16