Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Distribuciones de Probabilidad
Luz Rodrı́guez Q.
Barquisimeto 2015
1
Unidad I
Distribuciones Discretas de Probabilidad
1 Variable Aleatoria Discreta
Al realizar un experimento aleatorio, relacionado con cada punto muestral puede haber
una serie de caracterı́sticas numéricas que en la mayorı́a de los casos interesan más que
la descripción del punto muestral en sı́. El concepto de variable aleatoria proporciona un
medio para relacionar cualquier resultado con una medida cuantitativa.
Una Variable Aleatoria Discreta X es una función real que toma valores x1 , x2 ,..., en
R.
P (X = k) = pk × (1 − p)n−k .
Ahora
bien, el número de formas en que se pueden ubicar k términos (E) en n lugares es:
n
.
k
Definamos X = ”número de éxitos en n-ensayos de Bernoulli”, luego X es una variable
aleatoria tal que:
n
P (X = k) = × pk × (1 − p)n−k
k
2
La función de densidad de X será entonces:
n
× px × (1 − p)n−x si x = 0, 1, ..., n
f (x) = x
0 para otros valores
Diremos que X tiene una Distribución Binomial con parámetros n y p, esto se denotará
por: X ∼ Bin(n, p).
Ejemplos:
1
1. Se ha comprobado que una dactilógrafa tiene una probabilidad de equivocarse
10
al apretar una tecla. Debe hacer copias que requieren 100 golpes de tecla. Si X
= número de errores cometidos en la copia, X será una variable aleatoria con dis-
1
tribución binomial de parámetros n = 100 y p = . Podemos calcular:
10
100
P (X = 0) = (0.1)0 .(0.99)100 = (0.99)100
0
n!
p(x1 , x2 , · · · , xk ) = px1 px2 · · · pxkk para x = 0, 1, 2, · · · , n,
x1 ! x2 ! · · · xk ! 1 2
y la llamaremos Distribución Multinomial.
Ejemplo:
Las probabilidades de que un foco de cierto tipo de proyector dure menos de 40 horas de
3
uso continuo, entre 40 y 80 horas, o más de 80 horas son 0.3, 0.5 y 0.2 respectivamente.
Hallar la probabilidad de que entre 8 de esos focos dos duren menos de 40 horas, cinco
duren entre 40 y 80 y uno dure más de 80 horas.
X1 : número de focos que duran menos de 40 horas; x1 = 2 y p1 = 0.3
X2 : número de focos que duran entre 40 y 80 horas; x2 = 5 y p2 = 0.5
X3 : número de focos que duran más de 80 horas; x3 = 1 y p1 = 0.2
Luego, la probabilidad pedida es:
8!
p(2, 5, 1) = P (X1 = 2, X2 = 5, X3 = 1) = (0.3)2 (0.5)5 (0.2)1 = 0.0945.
2!5!1!
Ejemplo:
Un embarque de 20 grabadoras contiene 5 defectuosas. Si 10 de ellas se eligen al azar para
su inspección, cuál es la probabilidad que 2 de los 10 sean defectuosos?
Notemos que, X =número de grabadoras defectuosas; nos interesa hallar la probabilidad
de que x = 2; además n = 20, n1 = 5, k = 10 por lo tanto,
5 15
2 8
h(2) = h(2; 20, 5, 10) = = 0.348.
20
10
4
A1 , A2 , · · · , AR unidades y la variableP describe el número
P de unidades de cada tipo que se
han obtenido (x1 , x2 , · · · , xR ), donde Ai = n y xi = k.
La función de probabilidad es:
A1 AR
···
x1 xR
p(x1 , x2 , · · · , xR ; n, k, A1 , A2 , · · · , AR ) = .
n
k
5
Una variable aleatoria con esta función de densidad se dice que tiene un Distribución
Geométrica con parámetro p.
Ejemplo:
Si la probabilidad de que un ladrón sea atrapado en un robo cualesquiera es 0.2, cuál es la
probabilidad de que lo capturen por primera vez en su cuarto robo?
Notemos que x = 4 significa que en el cuarto robo el ladrón es atrapado por primera vez;
ası́
g(4) = P (X = 4) = (0.8)3 (0.2) = 0.102.
6
2. El parámetro λ es igual a la media y a la varianza de la variable aleatoria.
Ejemplo:
Se sabe que la probabilidad de que una máquina produzca un objeto defectuoso es p = 0.1.
Si seleccionamos aleatoriamente 10 objetos producidos por la máquina, la probabilidad de
que haya como máximo un objeto defectuoso es, según la ley binomial:
X = número de objetos defectuoso, el evento de a lo sumo un objeto sea defectuoso
está formado por: {0, 1} es decir que X = 0, 1
Ejemplo:
Cúal es la probabilidad de que en una compañia de 500 personas haya exactamente k de
ellos con cumpleaños en el dı́a de año nuevo? Debemos suponer que la probabilidad que
tiene cada persona de cumplir año es la misma para cualquiera de los 365 dı́as del año.
1
Tenemos 500 ensayos de Bernoulli, todos con probabilidad de éxito p = 365 , entonces
X: número de personas que cumplen año en el dı́a de año nuevo,
k 500−k
500 1 1
P (X = k) = 1−
k 365 365
500
Considerando la aproximación Poisson a la Distribución Binomial λ = 365
, entonces
500
( 500
365
)k e− 365
P (X = k) u
k!
k 0 1 3 5 6
Binomial 0.2537 0.3484 0.1089 0.0101 0.0023
Poisson 0.2541 0.3385 0.1089 0.0102 0.0023
7
1.9 Proceso de Poisson
Estos procesos se caracterizan por su dependencia temporal, es decir, el hecho de que
ciertos eventos tengan o no lugar a intervalos regulares o a lo largo de intervalos continuos.
Acá nos ocuparemos de los procesos que tienen lugar en intervalos continuos. Para
determinar la probabilidad de x-éxitos durante un intervalo de duración T , dividimos el
intervalo en n partes iguales de duración ∆t de manera que T = n × ∆t, y suponemos que:
Esto significa que los supuestos de la distribución binomial se satisfacen, de modo que
la probabilidad de x-éxitos en el intervalo T está dada por la probabilidad binomial con
T
n= y p = α∆t.
∆t
Luego, cuando n → +∞, la probabilidad de x-éxitos en el intervalo T está dada por
T
la probabilidad de Poisson con parámetro λ = np = α∆t = αT .
∆t
Observación: α es el promedio (media) de éxitos por unidad de tiempo.
Ejemplo:
Supóngamos que ciertas bacterias aparecen en el agua con un promedio de 2 por cm3 .
Supóngamos que este fenómeno sigue una ley de probabilidades Poisson. Cúal es la prob-
abilidad de que 2cm3 de agua contengan:
1. Cero bacterias.
Solución:
X: Número de bacterias en el agua, X = 0,1,2,... X ∼ P oiss(λ).
Promedio de bacterias: E(X) = λ = 2 por 1 cm3 . Luego, en 2cm3 de agua el promedio
será: λ = 4.
1.
40 e−4
P {X = 0} = = e−4
0!
2.
P {X ≥ 2} = 1 − P {X < 2}
= 1 − (P {X = 0} + P {X = 1})
41 e−4
= 1 − e−4 − = 1 − 5e−4
1!
8
2 Ejercicios Propuestos
2.1 Ejercicios de distribución Binomial y Multinomial
1. En cierto distrito de la ciudad, la necesidad de dinero para comprar drogas se es-
tablece como la razón del 75% de los robos. Encuentre la probabilidad que entre los
siguientes cinco casos de robo que reporten en este distrito.
3. Un prominente médico afirma que 70% de las personas de cáncer de pulmón. Son
fumadores empedernidos. Si su aseveración es correcta:
5. La superficie de un tablero circular para dardos tiene un pequeo circulo central lla-
mado ojo de buey y 20 regiones en forma de rebanada de pastel numeradas del 1
al 20.Cada una de las regiones en forma de rebanada de pastel está dividida en tres
partes de modo que una persona que lanza un dardo que cae un numero especifico
obtiene un puntaje igual al valor, el doble del número o el triple de éste, según en
cuál de las tres partes cae el dardo. Si una persona atina al ojo de buey con prob-
abilidad de 0.01, atina un doble con probabilidad 0.10, un triple con probabilidad
0.05 y no le atina al tablero con probabilidad 0.02 Cuál es la probabilidad de que
siete lanzamientos tengan como resultado ningún centro , ningún triple, un doble dos
veces y una falla completa?
9
6. De acuerdo con la teorı́a de la genética, cierta cruza de conejillos de indias tendrá
crı́as rojas, negras y blancas con relación 8:4:4. Encuentre la probabilidad de que
entre ocho crı́as, cinco sean rojas, dos negras y una blanca.
7. Las probabilidades de un delegado a cierta convención llegue por aire, autobús, au-
tomóvil o tren son 0.4, 0.2, 0.3 y 0.1, respectivamente. Cuál es la probabilidad de
que entre nueve delegados a esta convención seleccionados al azar, tres lleguen por
aire, tres por autobús, uno por automóvil y dos en tren?
8. Si la probabilidad de que una luz fluorescente tenga una vida útil de al menos 800
horas es 0.9, encuentre las probabilidades de que entre 20 de tales luces
(a) Exactamente 18 tengan una vida útil de al menos 800 horas.
(b) Al menos 15 tengan una vida útil de al menos 800 horas.
(c) Al menos 2 no tengan una vida útil de al menos 800 horas.
10
7. Un club de estudiantes extranjeros tiene como miembros a dos canadienses, tres
japoneses, cinco italianos y dos alemanes. Si se selecciona al azar un comité de
cuatro. Encuentre la probabilidad
2. Un cientı́fico inocula varios ratones, uno a la vez, con el germen de una enfermedad
hasta que encuentra dos que contraen la enfermedad. Si la probabilidad de contraer
la enfermedad es 1/6, Cuál es la probabilidad de que se requieran ocho ratones?
4. En promedio en cierta intersección ocurren tres accidentes de tránsito por mes. Cuál
es la probabilidad de que para cualquier mes dado en esta intersección ocurran
5. Una secretaria comete dos errores por página, en promedio. Cuál es la probabilidad
de que en la siguiente página cometa
11
(b) En tres de los siguientes cuatro dı́as.
(c) Por primera vez en abril el dı́a 5.
10. El propietario de una farmacia local sabe que en promedio, llegan a su farmacia 100
personas por hora:
12
Unidad II
Distribuciones Continuas de Probabilidad
3 Variables Aleatorias Continuas
En muchas situaciones es más natural asociar, no un conjunto discreto, sino un intervalo
de la recta, con cada punto muestral. Por ejemplo, en el caso de:
X: número elegido al azar en el intervalo [0, 1].
Y : tiempo que tarda un bombillo en quemarse.
Para variables aleatorias continuas no tiene sentido trabajar con los eventos {X = x}
ya que, aunque no son vacı́o, su probabilidad es cero (P {X = x} = 0).
Definición 3.1 Sea X una variable aleatoria. Llamaremos Función de Distribución de X
a
F (x) = P {X ≤ x}, ∀x ∈ R
13
4 Distribución Uniforme Continua
Una variable aleatoria se dirá uniformemente distribuida en el interior de un intervalo [a,b]
si su función de densidad es constante sobre este intervalo y es cero el resto, es decir:
1
f (x) = si a ≤ x ≤ b
b−a
su función de distribuciuón será, por lo tanto,
x−a
F (x) = si a ≤ x ≤ b
b−a
Ejemplo 4.1 El tiempo de un viaje (ida y vuelta) de los camiones que transportan el
concreto hacia una construcción, está distribuido uniformemente en un intervalo de 50 a
70 minutos. Cuál es la probabilidad de que la duración del viaje sea mayor a 65 min. si
se sabe que la duración del viaje es mayor a 55 min.?
X: El tiempo que dura un camión al transportar concreto en un viaje (ida y vuelta);
X ∼ U nif (50, 70) y por tanto
1 1
f (x) = = para 50 ≤ x ≤ 70
70 − 50 20
y
x − 50
F (x) = si 50 ≤ x ≤ 70
20
Ası́,
65−50
P (X > 65) P (1 − X ≤ 65) 1− 20 1
P (X > 65 | X > 55) = = = 55−50 = .
P (X > 55) P (1 − X ≤ 55) 1− 20
3
5 Distribución Normal
La función de densidad de probabilidad normal de una variable aleatoria Y está dada por:
( 2 )
1 1 y−µ
f (y) = √ exp − , σ > 0, −∞ < µ < ∞, −∞ < y < ∞
σ 2π 2 σ
14
Las áreas bajo la función de densidad normal correspondientes a P (a ≤ Y ≤ b)
requieren la evaluación de la integral
Z b ( 2 )
1 1 y−µ
√ exp − dy,
a σ 2π 2 σ
pero no existe una solución exacta, por lo que su evaluación se obtiene con métodos de
aproximación, recurriendo a la tabla de la distribución Normal Estándar, es decir, la dis-
tribución normal con µ = 0 y σ 2 = 1.
Siempre es posible transformar una v.a. X ∼ N (µ, σ 2 ) a una v.a. Z ∼ N (0, 1), como
veremos en la siguiente proposición. Esta v.a. Z es llamada v.a. estandarizada.
Proposición 5.1 (Normal Estándar)
X −µ
Si X es una v.a. con distribución N (µ, σ 2 ) entonces Z = tiene una distribución
σ
N (0, 1).
Ejemplo 5.1 Sea Z una variable aleatoria normal con media 0 y desviación estándar 1.
1. Hallar P (z > 2)
P (z > 2) = 0.0228
2. Hallar P (−2 ≤ z ≤ 2)
P (−2 ≤ z ≤ 2) = 1 − 2P (z > 2)
= 1 − 2(0.0228) = 0.9544
3. Hallar P (0 ≤ z ≤ 1.73)
1
P (0 ≤ z ≤ 1.73) = − P (z > 1.73)
2
= 0.5 − 0.0418
= 0.4582
Ejemplo 5.2 Se supone que los resultados de un examen tienen una distribución normal
con una media de 78 y una varianza de 36. Y ∼ N (78, 36)
1. Cúal es la probabilidad de que obtenga una nota mayor a 72?
Y −µ 72 − 78
P (Y > 72) = P > = P (z > −1)
σ 6
= 1 − P (z < −1) = 1 − P (z > 1)
= 1 − 0.1587 = 0.8413
2. Cúal es la nota mı́nima aprobatoria si sólo el 28% aprueba?
Debemos hallar c tal que P (Y > c) = 0.281
c − 78
0.281 = P (Y > c) = P z>
6
c − 78
⇒ = 0.58 ⇒ c = 81.48
6
15
6 Aproximación de la Distribución Binomial a la
Normal
Cuando n es grande y la probabilidad de éxito, p, se encuentra cerca de 0.5, la distribución
normal puede servir para aproximar la distribución binomial.
En este tipo de aproximación se debe realizar la siguiente corrección de con-
tinuidad para calcular P (a ≤ X ≤ b): Sumar o restar 0.5 a los extremos del intervalo
[a, b] de tal manera que contenga los valores que toma la variable aleatoria discreta X.
Observación:
Si X ∼ Bin(n, p) y n → +∞ entonces la v.a. W ∼ N (n p, n p q) y por lo tanto,
W − np
Z= √ ∼ N (0, 1);
npq
donde q = 1 − p.
Una regla empı́rica√útil es que la aproximación normal a la distribución binomial es
apropiada cuando p ± 2 pqn está dentro del intervalo (0, 1).
Ejemplo 6.1 Sea X ∼ Bin(25; 0.4), use la aproximación normal de la binomial para
calcular P (X ≤ 8) y P (X = 8).
Notemos que W ∼ N (10, 6) pues n p = 25.4 y n p q = 25(0.4)(0.6)
W − np 8.5 − 10
• P (X ≤ 8) ≈ P (W ≤ 8.5) = P √ ≤ √ = P (Z ≤ −0.61) = 0.2709
npq 6
• P (X = 8) ≈ P (7.5 ≤ W ≤ 8.5) = P (W ≤ 8.5) − P (W ≤ 7.5) = P (Z ≤ −0.61) −
P (Z ≤ −1.02) = 0.2709 − 0.1539 = 0.117
7 Distribución Gamma
Si Y es una una variable aleatoria tipo gamma, su función de densidad está dada por:
y α−1 e−y/β
β α Γ(α)
α, β > 0; 0≤y≤∞
f (y) =
0 en otro caso
Un caso particular de la distribución gamma ocurre cuando α = 1, obteniéndose la dis-
tribución exponencial.
8 Distribución Exponencial
Si Y es una v.a. exponencialmente distribuida su función de densidad es:
1 −y/β
f (y) = e , 0 ≤ y < ∞.
β
16
La distribución exponencial tiene muchas aplicaciones importantes, por ejemplo, se
puede demostrar que si en un proceso de Poisson la tasa media de arribo (Número promedio
de arribos por unidad de tiempo) es α, el tiempo hasta el primer arribo, o tiempo de espera
entre sucesivos arribos, tiene una distribución exponencial con
1
β= .
α
Ejemplo 8.1 En un muelle de recepción llegan en promedio tres camiones por hora para
ser descargados, calcular las probabilidades de que el tiempo entre el arribo de sucesivos
camiones sea:
2. de al menos 45 minutos.
Notemos que α = 3 es el número de llegadas promedio por hora, suponiendo que el número
1
de llegadas sigue un proceso Poisson con α = 3, entonces β = . Luego, definiendo
3
X : tiempo entre llegadas sucesivas; X ∼ exp(β), por tanto,
Z 1/12
1
(1) P (X < 5min) = P (X < hrs.) = 3e−3x dx = 1 − e−1/4 = 0.221
12 0
Z 3/4
3
(2) P (X ≥ 45min) = P (X ≥ hrs.) = 1 − 3e−3x dx = 0.105
4 0
9 Ejercicios Propuestos
1. Si una v.a. tiene una distribución normal estándar, determine la probabilidad de que
ésta adopte un valor
2. Determine z si la probabilidad de que una v.a. con una distribución normal estándar
adopte un valor
3. Dada una v.a. con la distribución normal con µ = 16.2 y σ 2 = 1.5625; determine las
probabilidades de que la v.a. adopte un valor
17
4. Una v.a. tiene una distribución normal con µ = 62.4. Determine su desviaci ón est
ándar si la probabilidad de que adopte un valor mayor que 79.2 es de 0.20.
7. Si una v.a. tiene una distribución binomial con n = 30 y p = 0.60. Use la aproxi-
mación normal para determinar las probabilidades de que adopte
11. Si el 62% de las nubes impregnadas con yoduro de plata muestran un crecimiento
espectacular, cuál es la probabilidad de que entre 40 nubes impregnadas de yoduro
de plata al menos 20 muestren un crecimiento espectacular?
13. Sea X el número de llamadas que recibe un conmutador. Suponga que el número
promedio de llamadas recibidas por minuto es de 0.6. Determine las probabilidades
18
de que el tiempo entre llamadas sucesivas que arriban al conmutador en una empresa
de consultorı́a sea
14. La longitud de tiempo para que un individuo sea atendido en una cafeterı́a es una
v.a. que tiene una distribución exponencial con una media de cuatro minutos. Cuál
es la probabilidad de que una persona sea atendida en menos de 3 minutos?
15. La vida en años de cierto interruptor eléctrico tiene una distribución exponencial
con una vida promedio de dos años. Se instalan de estos interruptores en diferentes
sistemas, cuál es la probabilidad de que a lo más 30 fallen durante el primer año?
16. En un muelle de recepción llegan en promedio tres camiones por hora para ser descar-
gados, calcular las probabilidades de que:
19