TEMA II: VARIABLES ALEATORIAS Y DISTRIBUCIONES

TEÓRICAS DE PROBABILIDAD

Aspectos fundamentales de este tema es:

1. Calcular probabilidades utilizando las Funciones de Probabilidad y de
Distribución.
2. Calcular las características numéricas de las variables aleatorias,
discretas y continuas.
3. Identificar las principales distribuciones probabilísticas.
4. Utilizar las Tablas para el Cálculo de probabilidades.

Distribuciones Teóricas de probabilidad. Definición de Variable

Aleatoria. Definición de Función de Probabilidad Univariada. Caso
discreto y continuo. Propiedades. Función de Distribución.
Propiedades. Valor Esperado de una variable aleatoria.
Bibliografía. Estadística. Capítulo 5 páginas 88/92

En el Tema I estudiamos las distribuciones empíricas de frecuencias,

que son distribuciones obtenidas por observaciones tomadas de la
experiencia.

En el Tema II se establecieron varias reglas de probabilidad, en este

Tema se utilizará esta información para desarrollar el concepto de
Esperanza matemática y explorar varios modelos de la probabilidad que
representan fenómenos discretos y continuos.

En este tema que se comienza ahora, se estudiarán las distribuciones

teóricas de probabilidad las cuales son "MODELOS TEORICOS
ESTABLECIDOS", basados en las probabilidades y que se utilizaran si
las características del problema planteado son las requeridas para el
uso de estas.

Primeramente se verán algunas cuestiones básicas, antes de estudiar

los modelos antes planteados, se comenzará con el concepto de Variable
aleatoria.

VARIABLE ALEATORIA.
Una variable aleatoria "X" es una aplicación definida en un espacio
muestral S, que toma valores reales, o sea es la transformación del
Espacio Muestral en un conjunto numérico, mediante X.
También se pudiera decir que una variable aleatoria es un fenómeno de
interés cuyas respuestas o resultados se pueden expresar
numéricamente.

Ejemplo. Experimento: lanzar una moneda dos veces.

Si lo que interesa es conocer la cantidad de caras que pueden aparecer.
¿Cuál será el espacio muestral?
 S:[ CC EE CE EC ] X: número de caras que aparecen. X= 0, 1, 2

Las variables aleatorias se pueden clasificar en: discreta y continua

DISCRETA: Si toma un conjunto finito o infinito numerables de valores.
CONTINUA: Si toma cualquier valor real de un intervalo.
FUNCION DE PROBABILIDAD. Es la correspondencia que hay entre el
valor de la variable y la probabilidad de ocurrencia de cada valor. Se
denota por f (x).
Si la función de probabilidad [f (x)] es discreta se le denomina Función
de Cuantía. Para que sea una función de probabilidad, la función de
cuantía, debe cumplir las siguientes propiedades: n
1.- f (x)  0 2.-  f (x) = 1
i=1

Debemos señalarse que hay autores que a función de cuantía la

representan por p(x).

Ahora bien, si la función de probabilidad [f (x)] es continua se le

denomina Función de densidad. Para que sea una función de
probabilidad, la función de densidad, deben cumplirse las siguientes
propiedades:

xn b

 f ( x)dx ∫ f ( x)dx
1.- f (x)  0 2.- xo = 1 3.- p{a  x  b} = a 4.- P (X = Xk)
=0
Esta última propiedad nos indica que la probabilidad de un punto no
existe por lo tanto se cumplirá, para las variables continuas lo
siguiente:
b

 f ( x)dx
a = P{a  x  b} = {a  x  b} ={a  x  b} = {a  x  b}
Es decir no se tiene en cuenta si es menor ó igual; ó menor, ya que da 
lo mismo; ó mayor; ó mayor ó igual.

FUNCION DE DISTRIBUCION.
Existe una función que está íntimamente relacionada con f (x), la cual
se denota por F(x) y se denomina Función de Distribución, y se define
como:

La probabilidad de que "x" tome valores menores o iguales a un

valor determinado (xk). Es decir acumula hasta un valor
determinado:
F(x) = P(X  Xk)
Si la función de distribución corresponde a variable aleatoria discreta:
xk
F(x) =  f (x)
x  xk
Toda función de distribución de variable aleatoria discreta cumple las
siguientes propiedades:
1.- 0  F(x)  1 4.- F(x) es una función no decreciente.
Esto es si x1  x2 implica F(x1)  F(x2)
2.- lim. F(x) = 0 5.- Si x1  x2 entonces:
x - P(x1  x  x2) = F(x2) - F(x1)
3.- lim F(x) = 1
x 

De esta 5ta propiedad se deriva:

P(x1  x  x2) = F(x2) - F(x1) + f (x1)
P(x1  x  x2) = F(x2) - F(x1) -f (x2)
P(x1  x  x2) = F(x2) - F(x1) + f (x1) - f (x2)

Y si la Función de distribución corresponde a variable aleatoria

continua:

xk

 f ( x)dx
F(x) = x

Toda función de distribución de variable aleatoria continua cumple las

siguientes propiedades:

1.- lim F(x) = 0 4.- P(x1< x  x2)= F(x2) - F(x1)

x -
2.- lim F(x) = 1
x 
3.- F(x) es una función no
decreciente, esto es si:
x1  x2 entonces F(x1)  F(x2)
y como P(X = Xk) = 0 entonces:
P(x1  x  x2) = P(x1  x  x2)=
P(x1  x  x2)=P(x1  x  x2)
5.- La derivada parcial de F(x)
respecto a x es igual f (x)

De su definición y sus propiedades se puede concluir que para calcular

probabilidad a partir de la función de distribución sería:

P(x  xk) = F(x)

P(x  xk) = 1 - F(x)
P(x1  x  x2) = F(x2) - F(x1)
Las desigualdades de mayor, o mayor igual se tendrán en cuenta si se le
aplica a variables discretas. En variables continuas recuerden que no es
necesario, ya que no existe la probabilidad de un punto.
Ejemplos:
1.- Un determinado experimento aleatorio tiene como función de
probabilidad la relación:
f (x) = (1+x)/10 para x=0, 1, 2, 3
Se pide:
a.- Verifique las propiedades de f(x)
b.- P(x 1)
c.- F(1)
d.- Probabilidad de que x tome por lo menos valor 1
e.- Probabilidad de que x tome a lo sumo valor 2
f.- F(3)
Solución:
a.- Propiedad f (x)  0
f (x0)= 1/10; f (x1)= 2/10; f (x2)= 3/10; f (x3)= 4/10; por tanto f (x)  0
Propiedad que la suma de f (x) desde 0 a 3 = 1
f (x)= 1/10[(1+0)+(1+1)+(1+2)+(1+3)] = 10/10 = 1
3
b.- P(x  1) =  f (x) = (1+2)/10 + (1+3)/10 = 3/10 + 4/10 = 7/10=0.7
x=2

c.- x f (x) F(x)

0 1/10 1/10 F(1) = 3/10 = 0.3 esto nos indica que x es
menor
1 2/10 3/10 ó igual a 1.
2 3/10 6/10
3 4/10 10/10
Deben fijarse que F(x), se determina y representa lo mismo que Ni, es
decir las frecuencias absolutas acumuladas.
3
d.- P(x  1) =  f (x) = 1 - f (x=0) = 1 - 1/10 = 9/10 = 0.9
x=1

También se podría hacer, sumando, en vez de por el complemento:

= 1/10[(1+1) + (1+2) + (1+3) ] =
= 1/10 (2 + 3 + 4) = 9/10 = 0.9
2
e.- P(x  2) =  f (x) = 1 - f (x=3) = 1 - 4/10 = 6/10 = 0.6
x=0

También se podría hacer sumando en vez de por el complemento:

= 1/10[(1+0) + (1+1) + (1+2)] =
= 1/10 (1 + 2 + 3) = 6/10 = 0.6
f.- F(3)= 1 Esto indica que x es menor o igual a 3.

2.-Sea f (x) = 1/18(3 + 2x) una función de densidad para 2 < x < 4
a.- Verifique si se cumplen las propiedades de f (x)
b.- Calcule P(x  3)
c.- P(x  3)
d.- P(x = 3)
e.- Halle F(x)
f.- Calcule P(2  x  3) haciendo uso de la F(x)

Solución:
4

 (3  2x)dx
a.- f (x) = 1/18 2 = 1/18[ 3x + 2x2/2 ]= 1/18[(12+16) - (6+4)]
= 1/18 (28 - 10) = 18/18 = 1
 3

 (3  2 x)dx = 1 / 18(3x + 2x 2 / 2 = 1 / 18[(9 + 9) - (6 + 4)]

b.- P(x  3)= 1/18 2

= 1/18 (18 - 10) = 8/18 = 4/9 = 0.44

4

 (3  2 x)dx = 1 / 18(3x + 2x 2 / 2] = 1 / 18[(12 + 16) - (9 + 9)]

c.- P(x  3)=1/18 3

=1/18(28 -18) = 10/18 = 5/9 = 0.55

d.- P(x=3) = 0
xk

 (3  2 x)dx = 1 / 18(3x + 2x 2 / 2] = [(3xk + x 2 k ) - (6 + 4)]

e.- F(x) = 1/18 2
= 1/18(3xk + x2k - 10) por tanto F(x) será 
F(x) = 1/18 (x2 + 3x - 10)

f.- P(2  x  3) = F(3) - F(2)

= [1/18(9+9-10) ] - [1/18(4+6-10) ]
= 1/18(8 - 0) = 8/18 = 4/9 = 0.44

CARACTERISTICAS NUMÉRICAS DE UNA VARIABLE ALEATORIA

Las características numéricas son medidas que permiten sintetizar la
información de forma tal que ofrecen las características generales del
fenómeno en estudio, es decir, sus rasgos principales. También se
conocen como parámetros de las variables aleatorias.
Las características fundamentales que se estudiarán son: Media y
varianza
El valor medio de una Variable aleatoria, se denomina valor esperado ó
esperanza matemática se denota por E (x).
El valor esperado de una variable aleatoria se puede considerar
como su promedio ponderado sobre todos los resultados posibles,
siendo las "ponderaciones" la probabilidad relacionada con cada
uno de los resultados.

El cálculo del valor esperado está en dependencia si se está trabajando

con variables aleatorias discretas o continuas. En el caso de las
variables aleatorias discreta, esta medida de resumen se puede obtener
multiplicando cada resultado posible de xi por su probabilidad
correspondiente P(xi) y después sumando los productos resultantes. Por
lo tanto el valor esperado de la variable aleatoria discreta xi se puede
expresar de la siguiente forma:
N
 = E (x) =  xi f (x)
i=1

En el caso de las variables aleatorias continuas, esta medida de

resumen se obtiene integrando desde x0 hasta xn el producto de la
variable x por su función de probabilidad. Por lo tanto el valor esperado
de la variable aleatoria continua xi se puede expresar de la siguiente
forma:

xn

∫ xf ( x)dx
 = E (x) = x0

PROPIEDADES DEL VALOR ESPERADO

1.- La esperanza de una constante es igual a la propia constante.

E (k) = k
2.- La esperanza del producto de una constante por una variable es
igual a la constante por la esperanza de la variable.
E (kx) = k E (x)

3.- Si x1, x2,..., xn son variables aleatorias entonces:

n n
E (  xi) =  E (x)
i =1 i=1

4.- La esperanza de la suma (o resta) de una constante y una variable

es igual a la constante más la suma (o resta) de la esperanza de x.
E (k  x) = k  E (x)
5.- Si la media poblacional es igual a la esperanza de x, entonces la
esperanza de las desviaciones con respecto a la media es igual a cero
Si  = E (x) entonces la E (x -)= 0
6.- Si x e y son variables aleatorias independientes entonces, la
esperanza del producto de "x" e "y" es igual al producto de la esperanza
de "x" y de la esperanza de "y".
E (xy) = E (x) E (y)
7.- La esperanza del producto de la suma de n, variables y constantes
es igual a la suma del producto de las "n" constantes por las esperanza
de las variables.
E (C1x1 + C2x2 +...+ Cnxn) = C1 E (x1)+ C2 E (x2)+...+ Cn E (xn)

VARIANZA
La varianza es igual a la esperanza de las desviaciones con respecto
a la media, al cuadrado:
V(x) = E (x -)2

También se simboliza por 2(sigma al cuadrado, letra griega). Esta

definición hace un tanto difícil el cálculo de la varianza, ya que como se
dijo anteriormente en el cálculo de la esperanza, la variable, es lo que
está dentro del paréntesis, y en este caso lo que está  dentro del
paréntesis, es  (x - )2.
Por lo tanto para el cálculo de la varianza para una variable aleatoria
discreta sería (x - )2 f(x) y en el caso de variables aleatorias continuas

sería 
( x   ) 2 f ( x ) dx
.
Haciendo transformaciones matemáticas se puede llegar a obtener una
fórmula de cálculo para la varianza que es mucho más cómoda.

V(x) = E (x2) - [E (x)]2 en el caso de la variable discreta la:

xn

x 2
f ( x )dx
E(x2) =  x2 f (x) y en el caso de variables continua E (x2)= x1

PROPIEDADES DE LA VARIANZA
1.- La varianza de una variable es igual o mayor que cero.
V(x)  0
2.- La varianza de una constante es igual a cero.

V(k) = 0
3.- La varianza del producto de una constante por una variable es igual
a la constante al cuadrado por la varianza de la variable.
V(kx) = k2 V(x)
4.- La varianza de la suma de una constante más una variable es igual
a la varianza de la variable.
V(k+x) = V(x)
5.- Si x1, x2,...xn son variables aleatorias independientes, entonces la
varianza de la suma de "n" variables es igual a la suma de las varianza
de las variables.
n n
V( xi) =  V(xi)
i=1 i=1

6.- La varianza de la suma del producto de "n" variables por "n"

constantes es igual a la suma del producto de las "n" constantes al
cuadrado por las varianzas de las variables.
V(C1 x1 + C2 x2 + ... + Cn xn) = C 21 V(x1) + C22 V(x2) + ... + C2n V(xn)

Ejercicios.-
Ejemplo 1.- La función de una variable aleatoria x, está dado por:
x=1 2 3 4
f(x)=1/6 1/3 1/6 1/3
Calcular el valor esperado de x y su varianza.
Solución: Primeramente se debe definir si es una variable aleatoria
discreta o continua ya que en dependencia del tipo de variable así
será su cálculo. En este caso es discreta, se sabe, porque la variable
toma valores definidos: 1, 2, 3, y 4
Para ello se debe buscar x f (x) y x2 f (x)
x f (x) = 1/6 2/3 3/6 4/3
x2 f (x)= 1/6 4/3 9/6 16/3
E (x)=  =  x f (x) = 1/6 + 2/3 + 3/6 + 4/6 = (1+4+3+8)/6 = 16/6
= 2,66

V(x)= E(x2) - [E(x)]2 E(x2) = x2 f (x)

= 8.33 - 2,662 = 1/6 + 4/3 + 9/6 + 16/3
= 8.33 - 7.07 = (1+ 8 + 9 + 32)/6 = 50/6 = 8.33
= 1.26

Ejemplo 2.- Si f (x) = x/2 para 0  x  2

a.- ¿Cuál será el valor de la varianza de x?
b.- Hallar E (x+3)
c.- Hallar E (2x2)
d.- ¿Cuál será el valor de V(2x)?
e.- ¿Cuál es el valor de la desviación típica de x?
Solución: ¿Qué tipo de variable es esta? La forma de presentar el
recorrido de la variable x, indica que es una variable continua.

2 2

1 / 2  x f ( x )dx = 1 / 2  x 2 dx = 1 / 2[x 3 / 3) = 1 / 2(8 / 3 - 0)

a.- E (x) = 0 0

=8/6 = 4/3 = 1.33

2 2

1 / 2  x 2 f ( x )dx = 1 / 2  x 3 dx  1 / 2( x 4 / 4)  1 / 2(16 / 4)  16 / 8  2
E (x2)= 0 0

V(x) = E (x2) - [E (x)]2 = 2 - 1.332 = 2 - 1.77 = 0.23

b.- E(x+3) = E (x) + 3 = 1.33 + 3 = 4.33
c.- E(2x2) = 2 E(x2) = 2 . 2 = 4
d.- V(2x) = 22 V(x) = 4 (0.23) = 0.92
e.-     0,23 = 0,48
2

Recuerde que la desviación típica se representa por la letra griega

sigma y que es la raíz cuadrada positiva de la varianza (V(x) = 2)

Deben hacer los ejercicios del Laboratorio desde la página 95/102, los
ejercicios 139/140, 142/144, 145e/148 excepto el d, y el 150 y de la
página 108 a la 110 los ejercicios 153/155 y 158.Desde la página 155 a
la 161 los ejercicios 210/211, 213, 215, 219/225 Desde la página 154 a
160 los ejercicios 208, 209, 212, 214, 215, 217, 220 y 226.

AUTOEXAMEN
1.- ¿Qué entiende por variable aleatoria?

2.- ¿A que se denomina función de probabilidad?

3.- ¿Cómo se denomina a la función de probabilidad de variable

aleatoria discreta y continua y como se denota.
4.- ¿Cómo se define la Función de Distribución?

5.- A partir de la definición de Función de distribución como

determinaría las siguientes probabilidades para una variable aleatoria
discreta y para una variable aleatoria continua: (utilizando F(x))
a.- P(x  xk)
b.- P(x  xk)
c.- P(x1  x  x2)
d.- P(x1 x  x2)
e.- P(x1  x  x2)
f.- P(x1  x  x2)

6.- Se conoce la función de densidad f (x)= c(4+6x-3x2) para 0  x  2

Calcular:
a.- El valor de C
b.- La función de distribución.
c.- P(x 1)
d.- P(x  x  1.5)
e.- P(x  1.9)

7.-El tiempo en trimestres que transcurre entre dos perturbaciones

ciclónicas, se ha podido determinar, que tiene la siguiente función de
densidad:
f (x) = 4/9(x - x3 ) para 1  x  2 se pide:
a.- Calcule el tiempo esperado que debe transcurrir entre dos ciclones.
b.- De una medida de la desviación típica con que ocurren éstos.

Distribución Binomial. Utilización de tablas estadísticas.

Distribución de Poisson. Utilización de tablas estadísticas.
BIBLIOGRAFIA: Estadística. Capítulo 5 páginas 93/97.

En la semana anterior vimos como usar las probabilidades estudiadas

en las variables aleatorias, así como para desarrollar el concepto de
Esperanza matemática y llegar a los MODELOS como síntesis de los
resultados anteriores en un plano de mayor nivel.

Esto es, los modelos se producen a partir de un riguroso estudio de los

más importantes resultados del comportamiento de diferentes procesos
aleatorios (experimentos), y para todo aquello que pueda presentarse
como analogía a las características que exige dicho modelo, además de
que brindan una aplicación simplificada de la realidad.
Se debe señalar que todo modelo contiene:
 Características del experimento: Condiciones que tienen que
cumplirse para su aplicación.
 Definición de la variable aleatoria y su recorrido.
 f(x)...Su función de probabilidad.
 F(x)...Su función de distribución.(destacando importancia en V.A.C )
 Parámetros (características numéricas) al menos y2

Para lograr una identificación con las distribuciones (o modelos)

fundamentales en este Tema, los mencionaremos y marcaremos con un
asterísco (*) los que estudiaremos.

Bernoulli Como resumen de los experimentos

Binomial (*) estudiados en el Tema 2
Probabilidades
V.A.Discreta Hipergeométrica

_______________________________________________________
Poisson (*) Como interés formativo para la Teoría
de
las Colas y empleo en la asignatura
Programación Matemática.
Exponencial
_______________________________________________________
V.A.Continua Normal (*)
Chi-Cuadrado (*) Plataforma para el estudio de la
T'Student (*) Inferencia Estadística.
F de Fisher (*)

DISTRIBUCION BINOMIAL

La distribución Binomial es una de las distribuciones discretas más

utilizadas. Su nombre se debe a la relación que tiene la misma con el
desarrollo del binomio:
n
(p+q)n = C x px qn - x
Esta distribución está  relacionada con la distribución de Bernoullí, que
es la distribución de la variable aleatoria x, que toma solamente valores
cero y uno (fracaso y éxito), cuando se realiza un solo experimento.
Sin embargo existen con frecuencia experimentos de carácter repetitivos
en que interesa registrar la ocurrencia o no ocurrencia de un suceso.

Considérese que "p" es la probabilidad de que el suceso ocurra, esto es,

él éxito. Y que "q" es la probabilidad de que el suceso no ocurra, es decir
el fracaso y donde q =1- p

Si se realizan "n" repeticiones independientes del experimento en

cuestión y se representa por x, el número de éxitos obtenidos en las n
repeticiones del experimento entonces se puede decir que la
probabilidad de que ocurran "x" éxitos, viene dada por:
n
f (x) = C x px qn - x donde X= 0, 1, ... , n
Distribución Binomial: Antecedentes: los experimentos son con
reposición e independientes (del Tema 2)
1.- Características:
- Que el resultado del experimento se pueda clasificar en una de dos
categoría mutuamente excluyentes y colectivamente exhaustiva
conocidas por éxito y fracaso (donde p = probabilidad de éxito y q =
probabilidad de fracaso siendo p conocida).
- Qué se realicen "n" pruebas (finitas)
- Que las pruebas sean independientes.
- Que la probabilidad de éxito sea constante de una observación a
otra.
2.- Definición de la variable:
X # de veces que ocurren los éxitos en n pruebas.
X = 0, 1, 2,..., n
n
3.- Función de Probabilidad: f(x) = C x px qn - x
xk
4.- Función de Distribución: F(x) =  f (x)
x=0

5.- Parámetros:
n
 = E(x) =  x f (x) = np 2 = V(x) = E(x2) - [E(x)]2 = npq
x=0

6.- Representación: X  B (n, p)

La distribución BINOMIAL ha sido utilizada en numerosas aplicaciones:
- EN JUEGOS DE AZAR.
¿Qué probabilidad hay que aparezca el color azul al girar 15 veces o
más la rueda de una ruleta?
- EN EL CONTROL DE LA CALIDAD DE UN PRODUCTO.
¿Qué probabilidad hay de que en una muestra de 20 conos de hilo del
mismo tipo ninguno está‚ defectuoso, si el 10% de todos los conos de
hilo producido en cierta planta son defectuosos?
- EN LA EDUCACION.
¿Qué probabilidad tiene un estudiante de aprobar un examen de 5
preguntas de opción múltiple (cada una de ellas contiene 4 opciones) si
adivina en cada pregunta? (Aprobar se define como lograr correcto el
60% de las preguntas; es decir, acertar por lo menos 3 preguntas)
- EN LAS FINANZAS.
¿Cuál es la probabilidad de que cierta acción mostrar  un aumento en
su precio al cierre, en una base diaria durante 10 sesiones
(consecutivas) de operaciones, si en realidad los cambios de precios en
el mercado accionario son aleatorios?.

Fígense que esta distribución queda definida por dos parámetros "n" y
"p" y cada vez que se especifican estos parámetros se puede presentar
una distribución de probabilidad Binomial particular.

FORMA.
Una distribución binomial puede ser simétrica ó sesgada. Siempre que
p = 0.5, la distribución binomial será simétrica, sin tomar en cuenta
que tan grande o pequeño sea el valor de “n”. Sin embargo, cuando “p”
es diferente de 0.5, la distribución será sesgada. Cuanto más cerca se
encuentre “p” de 0.5 y mayor sea el número de observaciones “n”,
menos sesgada será la distribución, por otra parte, con una “p”
pequeña la distribución tendrá un gran sesgo a la derecha y para una
“p” muy grande la distribución tendría un gran sesgo a la izquierda.

Los cálculos de probabilidad a partir de la función, pueden llegar a ser

muy tediosos, en especial cuando aumenta “n”, sin embargo se pueden
obtener las probabilidades directamente de la tabla Binomial, que está
en la Selección de tablas estadísticas y de esta forma evitar cálculos
fatigosos. Esta tabla proporciona, para diversas combinaciones de n y p,
las probabilidades de que la variable aleatoria binomial tome valores x =
0, 1, 2,..., n
Sin embargo debe tenerse en cuenta que no están todos y cada uno de
los valores de “p” que se necesitan, y hay casos en que sería necesario
invertir la probabilidad de éxito por la de fracaso y volver a enunciar la
variable y buscar en la tabla los valores equivalentes de x que piden,
esto se verá concretamente en un ejercicio.

¿Cómo está estructurada esta tabla?

Tiene en la primera fila los valores de “p”; en la primera columna los
valores de “n” y en la segunda columna los valores de x, pero están
representados en ella por una k.
______________________________________________________________________
___
P
_____ ___________________________________________________________________
n k 0.01 0.05 0.15 ............... . .............. ... 0.50
_________________________________________________________________________
2 0 0.9801 0.9025 0.7225 ...................................
1 0.0198 0.1128 0.2550 ....................................
2 0.0001 0.0025 0.0225 ....................................

3 0 0.9703 0.8574 0.6141 ...................................

1 0.0294 0.1354 0.3251 ..................................

y así sucesivamente.
Si se quiere tener el resultado de la probabilidad se combinan los
valores de n y p y dentro de ellos se busca el valor de x que se necesita
digamos que se tiene una distribución binomial donde n = 2 y p = 0,15
y quiere obtener la P(x = 1) donde se interceptan estos valores se
obtiene la probabilidad, que en este caso es igual a 0.2550.

Ejemplo.
En la industria "rayonera" de Matanzas se está realizando una
investigación acerca de la disciplina laboral.
Las estadísticas demuestran que el 5% de los obreros son ausentistas,
si se selecciona una muestra aleatoria de 5 trabajadores. Calcule la
probabilidad que:
a.- 2 de ellos sean ausentistas.
b.- entre 3 y 5 sea ausentistas.
c.- de que todos asistan.
d.- al menos 4 sean ausentistas

Aquí se puede observar que la distribución binomial se ajusta, ya que:

- el resultado se puede clasificar en éxito y fracaso (ausentistas y no
ausentistas respectivamente)
- las pruebas son independientes, es decir que un obrero sea ausentista
es independiente de que otro lo sea.
- n es finito, 5 trabajadores ausentistas.
- p es constante, el 5% de los trabajadores son ausentistas.

Por tanto puedo decir que X B(5, 0.05)

Solución
X: número de obreros ausentistas de 5
5 2 3
a.- P (x = 2) = f(2) = C2 0. 05 0. 95 =10( 0. 0025 )(0. 8574 )= 0.0214
n! 5! 5∗4∗3!
C nx = =C52= = =10
ya que (n−x )! x ! 3 !*2! 2∗1∗3 !
Sin embargo esto se resuelve muy fácil utilizando la tabla, buscando
para n=5, y para una p=0.05 y dentro de ellos x = 2 donde se
interceptan se obtiene este valor encontrado, es decir 0.0214. Luego
podemos concluir que únicamente será necesario hacer el cálculo a
través de la función de probabilidad cuando no exista en la tabla la
probabilidad de éxito que se tiene (p)
b.- P(3  x  5) = f(3) + f(4) + f(5)
= 0.011 + 0 + 0
=0.011
c.- P (x=0) = f(0) = 0.7738
d.- P (x  4) = f (4) + f (5)
= 0 + 0
=0
También si no se tuviese la tabla habría que sustituir en la función de
probabilidad los valores y resolverla.

Ejemplo.
La probabilidad de que un avión de combate regrese de una misión sin
sufrir daños es de 0.85 y se envían 4 aviones a una misión, hallar la
probabilidad de que:
a.- De 2 a 4 regresen sin sufrir averías.
b.- Al menos 3 regresen sin sufrir daños.
c.- A lo sumo dos regresen sin sufrir daños.
d.- Promedio de aviones sin sufrir daños.
e.- Probabilidad de que todos regresen dañados.
Se aprecia en este ejercicio que cumple las características de una
distribución binomial, no obstante llegue Ud. a sus propias
conclusiones.

X: número de aviones de combate que regresan sin sufrir daños.

n = 4 y p = 0.85 q = 0.15. Como en la tabla no está p = 0.85 tendría

que usar la función y sustituir los valores en ella para calcular las
probabilidades que piden. No obstante existe otra opción para utilizar la
tabla y sería nombrar la variable invertida es decir plantear como
probabilidad de éxito, lo que tal como dan la información es la de
fracaso, que es igual a 0.15, que si está en la tabla. Pero esto a su vez
implicaría buscar una equivalencia entre lo que pide el problema y la
forma en que está expresada la variable.

Y esto se hace así sencillamente para no hacer el cálculo de la

probabilidad a través de la función, que sin lugar a dudas es un tanto
fatigoso, y poderlo hacer a través de la tabla.

X: # de aviones de combate que regresan dañados

n = 4, p = 0.15 y q = 0.85 Para BUSCAR la equivalencia entre lo que
pide el problema y como se tiene expresada la variable se debe hacer
una tabla que ayude a ver claramente lo que se va a calcular.
Sin sufir Dañados
daños
0 4
1 3*
2 2
3 1**
4 0

*¿Qué regrese 1 avión sin sufrir daño? ¿No es lo mismo que decir que
regresen 3 dañados?
**¿Qué regresen 3 aviones sin sufrir daño? ¿No es lo mismo que decir
que regrese 1 avión dañado?
Es decir se busca la equivalencia entre lo que pide el problema y la
forma en que se tiene enunciada la variable

a.- p(2  x  4)  p(x  2) = f (0) + f (1) + f (2)

= 0.5220 + 0.3685 + 0.0975
= 0.9880
b.- p(x  3)  p(x  1) = f (0) + f (1)
= 0.5220 + 0.3685
= 0.8905
c.- p(x 2)  p(x 2) = f(2) + f(3) + f(4)
= 0.0975 + 0.0115 + 0.0005
 = 0.1095
d.- np = 4(0,85) = 3.4 = 

npq = 0.85(0.15)(4) = 0.1275(4) = 0.51 = 2

e.- p(x = 4) = 0.005

Esta pregunta está realizada tal como está designada la variable, de ahí
que no haya que buscar equivalencia. De haber estado formulada la
variable como al inicio, habría que haber buscado p(x=0).

Realizar los ejercicios 251 al 268, del Laboratorio de Estadística

Matemática I que están en las páginas 181 a 186.

DISTRIBUCION DE POISSON.
Esta distribución se refiere a aquellas situaciones en las cuales el
suceso ocurre repetidamente, pero al azar, es decir sin seguir una
periodicidad dada, se produce aleatoriamente.
A la ocurrencia del suceso se le denomina CAMBIO.

Estos cambios pueden ocurrir en el tiempo, o en puntos aleatorios, o en

una línea de espera. Es decir pueden formularse en función del tiempo,
unidades de longitud, área o volumen etc...
El interés estará centrado en: número de cambios que ocurren en un
intervalo dado. Ejemplo: Número de barcos que llegan al puerto de la
Habana en una semana. Ejemplo: Número de negocios que cierran, por
semana, en Ciudad de la Habana.

La variable aleatoria discreta: X= # de éxitos por unidad (es decir, por

intervalo de tiempo, longitud, área, etc.).

Se dice que se da un proceso de Poisson si se pueden observar sucesos

o eventos discretos, en un intervalo continuo (de tiempo, longitud, área
etc.), de forma tal que si se acorta el intervalo lo suficiente:
1.- La probabilidad de observar exactamente un cambio ó un éxito en el
intervalo, es estable.
2.- La probabilidad de observar dos o más cambios ó éxitos en el
intervalo es cero.
3.- La ocurrencia de un cambio ó éxito en cualquier intervalo es
estadísticamente independiente de sucesos en cualquier otro intervalo.

Ejemplo: Supóngase que se estudian las llamadas recibidas por hora

en la Central telefónica de una estación de policía. Cualquier llamada
que se reciba es un evento discreto en un punto determinado durante
un intervalo continuo de una hora.
En una hora se recibirán 180 llamadas como promedio. Ahora si se
dividiera el intervalo de una hora en 3600 intervalos consecutivos de un
segundo, se tendría:  = 180/3600 = 0.05/segundos
1.- La cantidad esperada (ó promedio) de llamadas recibidas en
cualquier intervalo de un segundo sería 0.05, es decir sería estable.
2.- La probabilidad de recibir más de una llamada en cualquier
intervalo de un segundo es cero.
3.- Recibir determinada llamada en cualquier intervalo de un segundo
no tiene efecto (es decir es estadísticamente independiente) sobre recibir
una llamada en cualquier otro intervalo de un segundo.

1.- CARACTERISTICAS: Sin antecedentes, importancia para su uso en

programación Matemática.
- Número de observaciones finitas pero no numerables, n 
- Se observa si ocurre un suceso que se denomina cambios
- Las observaciones de cambios asociados a un intervalo t
(Esto es, el suceso ocurre repetidamente en el tiempo, pero al azar
sin seguir una periodicidad dada, se produce aleatoriamente)
2.- Definición de la Variable:
x: # de cambios que se producen en un intervalo "t"
X : 0, 1, 2, ..., 

3.- Función de probabilidad: f (x) = e x / x!, donde  = promedio

(histórico)de cambios en una unidad "t" y “e” es una constante
(2.71828)
xk
4.- Función de Distribución: F(x) =  f(x)
x=0

5.- Parámetros:
=  Coinciden numéricamente aunque por supuesto
,
2 = está  expresada en unidades lineales y 2 en
unidades
cuadráticas.
6.- Simbólicamente se expresa como:
X P ( )
Esta distribución queda definida por un solo parámetro- .
FORMA:
La distribución de Poisson estará sesgada hacia la derecha cuando  es
pequeña.
Se acercará a la simetría (con su punto más alto en el centro) según
aumente .

De la misma forma que se planteó en la distribución binomial que el

cálculo de probabilidad se hacía fatigoso a través de la función, sucede
con esta distribución, pero esta distribución también está tabulada,
encontrándose su tabla en la Selección de Tablas estadísticas.
¿Cómo está estructurada la tabla?
Tiene en la primera fila los valores de , y en la primera columna los
valores de x designados en esta tabla por k.
En ella aparecen grupos de valores para valores de  desde 0.1 hasta 8,
estando estos grupos definidos hasta donde "x" puede tomar valores,
proporciona los valores de  con aproximación hasta la décima.

Se debe señalar que para ejercicios con valores de  mayores de 8 se

debe usar la tabla de "e a la menos x" que está en la pagina 20 de la
Selección de tablas estadísticas; sustituyendo en la fórmula de la
función los valores correspondientes.

Ejercicio #1
Una pizarra telefónica recibe 480 llamadas en una hora, pero no puede
recibir más de 12 llamadas en un minuto.
Determine:
a.- La probabilidad de que se produzcan 10 llamadas en un minuto.
b.- La probabilidad de que la pizarra quede saturada en un minuto
dado.
c.- La probabilidad de que se produzcan a lo sumo 1 llamada en un
minuto.
d.- La probabilidad de que se produzcan más de 2 llamadas en un
minuto.
e.- El número de llamadas esperadas en un minuto.
x: # de llamadas que se reciben en un minuto
 = 480/hora Se tiene que llevar  a las mismas unidades
que piden la probabilidad: en minutos.

Se puede hacer a través de una simple regla de 3

480 ------ 60 mts
 ------ 1 mt 480/60 = 8 por mt
 = 8 /mt
Ahora se va a la tabla y se busca un  = 8, y dentro de este grupo se
busca el valor de la X o las X que se necesitan.

a.- P(x=10) = f (10) = 0.0993

b.- P(x  12) = (porque como la pizarra no puede recibir más de 12 llamadas
en un minuto, quedaría saturada si recibe más de 12 llamadas)

P(x 12) = 1 - P(x  12)

= 1 - [p(x=0)+ p(x=1)+ p(x=2)+ p(x=3)+ .... +p(x=12)
= 1 - 0.9362
= 0.0638
Deben darse cuenta que en la distribución de Poisson "x" toma valores
desde 0 hasta , por tanto NUNCA SE PUEDE CALCULAR p(x  ó p(x 
que un valor cualquiera directamente, sino que siempre en estos casos
hay que trabajar con el complemento. Y tener en cuenta que si la
igualdad está en la parte izquierda de la expresión no debe estar en la
derecha ó si la igualdad no está en la parte izquierda deber  estar en la
derecha, esto es, debe estar en uno de los dos lados de la expresión.

c.- P(x 1) = f (0) + f (1)

= 0.0003 + 0.0027
= 0.0030
d.- P(x 2) = 1 - P(x 2)
= 1 - [f (0)+ f (1)+ f (2)]
= 1 – (0.0030 + 0.0027 + 0.0107
= 1 – 0.0137 = 0.9860
e.-  =  = 8 en un minuto.

Ejercicios #2
Sea f (0)= e- /0! = 0.00674
Se pide:
a.- Hallar el valor de 
b.- calcule la probabilidad de que X=5, en 1.5t
Solución:
ε− λ λ 0
f ( 0 )=
a.- Se sabe que en 0! , 0 = 1; 0! = 1 por propiedades de los
factoriales.

Por tanto se busca e-  = 0.00674 en la tabla de e-x que está en la página

20 de la selección de tablas estadísticas.
Y se obtiene que e-5 = 0.00674 lo que implica que  = 5

b.- P(X=5) = f (5) = 0.0141 para un  =1.5

Pueden hacer los ejercicios desde el 286 a 303 del Laboratorio de

Estadística Matemática I, que están en las páginas desde la 202 a 206.

AUTOEXAMEN

1.- ¿Cuales son las características de una distribución Binomial?

2.- ¿Qué parámetros define la distribución Binomial?

3.- ¿Cuales son las características de una distribución de Poisson?

4.- ¿Qué parámetros define la distribución de Poisson?

5.- ¿Diga cuál es la media y la varianza en la distribución Binomial?

6.- ¿Diga cuál es la media y la varianza en la distribución de Poisson?

7.- ¿Estas dos variables, corresponde a variables aleatorias discretas o
continuas?
8.-¿Qué representa  en la distribución de Poisson?

9.- Diga que expresa la variable X en la distribución binomial, y cual es

su recorrido.

10.-Diga que expresa la variable X en la distribución de Poisson, y cuál

es su recorrido.

11.- Sobre la base de la experiencia anterior, la impresora principal del

centro de cómputo de cierta universidad funciona adecuadamente el
90% del tiempo. Si se hace una muestra aleatoria de 10 inspecciones:
a.- ¿Cuál es la probabilidad de que la impresora principal funcione en
forma apropiada...
a.1.- exactamente nueve veces?
a.2.- por lo menos nueve veces?
a.3.- cuando más 9 veces?
a.4.- más de 9 veces?
a.5.- menos de 9 veces?
b.- ¿Cuantas veces se puede esperar que funcione en forma apropiada
la impresora principal?

12.- El número promedio de automóviles que se detienen por minuto

para tomar gasolina en cierta gasolinera perteneciente a CUPET de
Ciudad de la Habana es 1.2. ¿Cuál es la probabilidad de qué en
determinado minuto se detengan ...
a.- menos de dos automóviles?
b.- más de tres automóviles?
c.- menos de dos automóviles ó más de tres?
d.- dos ó tres automóviles para tomar gasolina?
e.- al menos dos automóviles?