Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Discretas Continuas
o Distribución Ji-cuadrada
• Distribución Poisson
• Distribución Normal
Se describirán con detalle sus propiedades y los parámetros que las caracterizan
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒅𝒆 𝑭𝒖𝒏𝒄𝒊ó𝒏
𝑬𝒔𝒑𝒆𝒓𝒂𝒏𝒛𝒂 𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂
𝑫𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏 𝑵𝒐𝒕𝒂𝒄𝒊ó𝒏 𝑺𝒐𝒑𝒐𝒓𝒕𝒆 𝑹𝒙 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒈𝒆𝒏𝒆𝒓𝒂𝒅𝒐𝒓𝒂
𝑬(𝑿) 𝑽𝒂𝒓(𝑿)
𝒇(𝒙) 𝒅𝒆 𝒎𝒐𝒎𝒆𝒏𝒕𝒐𝒔
𝑘 𝑘
1 1 1 1
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓 {𝑥1 , … , 𝑥𝑘 } 𝑥 ∈ {𝑥1 , … , 𝑥𝑘 } 𝑥𝑖 (𝑥𝑖 − 𝐸 𝑋 )2 σ𝑖 𝑒 𝑡𝑥𝑖
𝑘 𝑘 𝑘 𝑘
𝑖=1 𝑖=1
𝑛 𝑥
𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑋 ~ 𝐵𝑖(𝑛, 𝑝) 𝑥 ∈ {0, 1, … , 𝑛} 𝑝 (1 − 𝑝)𝑛−𝑥 𝑛𝑝 𝑛𝑝(1 − 𝑝) 𝑝𝑒 𝑡 + (1 − 𝑝) 𝑛
𝑥
𝜆𝑥 𝑒 −𝜆 𝑡 −1)
𝑃𝑜𝑖𝑠𝑠𝑜𝑛 𝑋 ~ 𝑃𝑜(𝜆) 𝑥 ∈ {0, 1, 2, … } 𝜆 𝜆 𝑒 𝜆(𝑒
𝑥!
1 𝑎+𝑏 (𝑏 − 𝑎)2 𝑒 𝑡𝑏 − 𝑒 𝑡𝑎
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓(𝑎, 𝑏) 𝑎≤𝑥≤𝑏
𝑏−𝑎 2 12 𝑡(𝑏 − 𝑎)
1 1 𝑥−𝜇 2 1 2 2
−
𝑁𝑜𝑟𝑚𝑎𝑙 𝑋 ~ 𝑁(𝜇, 𝜎 2 ) −∞ < 𝑥 < ∞ 𝑒 2 𝜎 𝜇 𝜎2 𝑒 𝜇𝑡 + 2 𝜎 𝑡
𝜎 2𝜋
𝑥
−
𝐺𝑎𝑚𝑚𝑎 𝑋 ~ 𝐺𝑎𝑚𝑚𝑎(𝛼, 𝛽) 𝑥∈ℛ + 𝑥 𝛼−1 𝑒 β 𝛼𝛽 𝛼𝛽 2 (1 − 𝛽𝑡)−𝛼
Γ(𝛼)𝛽 𝛼
Distribución uniforme discreta
Una variable aleatoria X tiene una distribución uniforme discreta en el conjunto {𝑥1 , 𝑥2 … , 𝑥𝑘 }
si su función de densidad está dada por:
𝒇(𝒙)
1
1 𝑘
𝑥 = 𝑥1 , 𝑥2 , … , 𝑥𝑘
𝑘
𝑓𝑋 𝑥 = 𝑃 𝑋 = 𝑥 =
0 𝑒. 𝑜. 𝑐.
𝑥1 𝑥𝑘 𝒙
𝑁𝑜𝑡𝑎𝑐𝑖ó𝑛: 𝑋 ~ 𝑈 {𝑥1 , … , 𝑥𝑘 }
• Los valores de las 𝑥𝑖 pueden ser números reales (no necesariamente enteros)
• Se llama uniforme porque cada uno de los posibles valores de 𝑋 tiene la misma probabilidad
𝒇(𝒙)
1
𝑘
𝑥1 𝑥𝑘 𝒙
Ejemplo 1 (Distribución uniforme discreta)
Al lanzar una moneda se tienen dos posibles resultados: sol y águila. Si 𝐺 es la variable
aleatoria definida como:
Y además la moneda no está cargada. Por lo tanto, es fácil deducir la función de probabilidad
de 𝐺
1
𝑔 = −10.5, 10.5
2
𝑓𝐺 𝑔 = 𝑃 𝐺 = 𝑔 =
0 𝑒. 𝑜. 𝑐.
Se lleva a cabo una rifa en donde los boletos están numerados del 00 al 99. Si 𝑌 es la variable
aleatoria definida como el número de boleto ganador, entonces su función de probabilidad es
1
𝑦 = 0,1,2, … , 99
100
𝑓𝑌 𝑦 = 𝑃 𝑌 = 𝑦 =
0 𝑒. 𝑜. 𝑐.
𝑓𝑌 𝑦
1
100
0 1 2 ⋯ 97 98 99 𝑦
Distribución uniforme discreta
En los ejemplos anteriores se puede observar que las funciones de densidad de 𝐺 y de 𝑌 son
simétricas, pero esto no siempre ocurre en una distribución uniforme discreta. Consideremos
la variable 𝑊~𝑈{1,2,4,7}
𝑓𝑊 𝑤
No hay simetría
1
4
0 1 2 4 7 𝑤
Valor esperado y varianza de la distribución uniforme
Sabemos que en general el valor esperado y la varianza están dados por las expresiones:
2
𝜇𝑋 = 𝐸 𝑋 = σ 𝑥𝑓𝑋 (𝑥) 𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 − 𝜇𝑋 = σ(𝑋 − 𝜇𝑋 )2 𝑓𝑋 𝑥
Valor esperado y varianza de la distribución uniforme
En el caso del ejemplo 1, la variable aleatoria 𝑊 se puede interpretar como la ganancia que
se obtiene al lanzar una moneda ¿Cuál sería entonces el valor esperado y la desviación
estándar de esta ganancia?
𝐺 𝑠𝑜𝑙 = −10.5
1 1
𝜇W = 𝐸 𝑊 = −10.5 + 10.5 =𝟎
2 2
𝐺 á𝑔𝑢𝑖𝑙𝑎 = 10.5
La varianza es
2
1 1
𝜎𝑊 = 𝑉𝑎𝑟 𝑊 = 𝐸 𝑊 2 = −10.5 2
+ 10.5 2
= 𝟏𝟏𝟎. 𝟐𝟓
2 2
𝜎𝑊 = 110.25 = 𝟏𝟎. 𝟓
Valor esperado y varianza de la distribución uniforme
𝑋 =𝑌+1
donde 𝑋 es el monto del premio en pesos y 𝑌 es el número premiado. 𝑋 es una variable aleatoria,
pues es función de 𝑌. Además, es fácil ver que también tiene una distribución uniforme:
1
𝑥 = 1, 2, … , 100
100
𝑓𝑋 𝑥 = 𝑋 ~ 𝑈 {1, 2, … , 100}
0 𝑒. 𝑜. 𝑐.
Valor esperado y varianza de la distribución uniforme
100 100
1 1 1 100(100 + 1)
𝜇𝑋 = 𝐸 𝑋 = 𝑥 = 𝑥 = = 𝟓𝟎. 𝟓
100 100 100 2
𝑥=1 𝑥=1
100
2 1
𝜎𝑋2 = 𝑉𝑎𝑟 𝑋 = 𝐸 (𝑋 − 𝜇X )2
=𝐸 𝑋 2
− 𝐸 𝑋 = 𝑥 2 − 50.52 = 𝟖𝟑𝟑. 𝟐𝟓
100
𝑥=1
𝜎𝑋 833.25
𝐶. 𝑉. = = = 𝟎. 𝟓𝟕
𝜇𝑋 50.5
𝑛(𝑛+1)
σ𝑛𝑥=1 𝑥 =
2
𝑛(𝑛+1)(2𝑛+1)
σ𝑛𝑥=1 𝑥 2 =
6
Cálculo de probabilidades con distribución uniforme
Como la distribución es discreta, la probabilidad de que ocurra algún evento se reduce al
cálculo de una suma.
Por ejemplo, supongamos que nos interesa calcular la probabilidad de que el premio sea
mayor a $80
100
1 20
𝑃 𝑋 > 80 = = = 0.2
100 100
𝑥=81
𝑥
𝐹𝑋 𝑥 = 𝑃(𝑋 ≤ 𝑥) = 𝑥 = 1, 2, … , 100
100
1 𝑥 > 100
Función generadora de momentos
1
𝑀𝑋 𝑡 = 𝐸 𝑒 𝑡𝑥 = 𝑒 𝑡𝑥𝑖
𝑘 𝑖
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒅𝒆 𝑭𝒖𝒏𝒄𝒊ó𝒏
𝑬𝒔𝒑𝒆𝒓𝒂𝒏𝒛𝒂 𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂
𝑫𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏 𝑵𝒐𝒕𝒂𝒄𝒊ó𝒏 𝑺𝒐𝒑𝒐𝒓𝒕𝒆 𝑹𝒙 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒈𝒆𝒏𝒆𝒓𝒂𝒅𝒐𝒓𝒂
𝑬(𝑿) 𝑽𝒂𝒓(𝑿)
𝒇(𝒙) 𝒅𝒆 𝒎𝒐𝒎𝒆𝒏𝒕𝒐𝒔
𝑘 𝑘
1 1 1 1
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓 {𝑥1 , … , 𝑥𝑘 } 𝑥 ∈ {𝑥1 , … , 𝑥𝑘 } 𝑥𝑖 (𝑥𝑖 − 𝐸 𝑋 )2 σ𝑖 𝑒 𝑡𝑥𝑖
𝑘 𝑘 𝑘 𝑘
𝑖=1 𝑖=1
𝑛 𝑥
𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑋 ~ 𝐵𝑖(𝑛, 𝑝) 𝑥 ∈ {0, 1, … , 𝑛} 𝑝 (1 − 𝑝)𝑛−𝑥 𝑛𝑝 𝑛𝑝(1 − 𝑝) 𝑝𝑒 𝑡 + (1 − 𝑝) 𝑛
𝑥
𝜆𝑥 𝑒 −𝜆 𝑡 −1)
𝑃𝑜𝑖𝑠𝑠𝑜𝑛 𝑋 ~ 𝑃𝑜(𝜆) 𝑥 ∈ {0, 1, 2, … } 𝜆 𝜆 𝑒 𝜆(𝑒
𝑥!
1 𝑎+𝑏 (𝑏 − 𝑎)2 𝑒 𝑡𝑏 − 𝑒 𝑡𝑎
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓(𝑎, 𝑏) 𝑎≤𝑥≤𝑏
𝑏−𝑎 2 12 𝑡(𝑏 − 𝑎)
1 1 𝑥−𝜇 2 1 2 2
−
𝑁𝑜𝑟𝑚𝑎𝑙 𝑋 ~ 𝑁(𝜇, 𝜎 2 ) −∞ < 𝑥 < ∞ 𝑒 2 𝜎 𝜇 𝜎2 𝑒 𝜇𝑡 + 2 𝜎 𝑡
𝜎 2𝜋
𝑥
−
𝐺𝑎𝑚𝑚𝑎 𝑋 ~ 𝐺𝑎𝑚𝑚𝑎(𝛼, 𝛽) 𝑥∈ℛ + 𝑥 𝛼−1 𝑒 β 𝛼𝛽 𝛼𝛽 2 (1 − 𝛽𝑡)−𝛼
Γ(𝛼)𝛽 𝛼
Distribución Bernoulli
El modelo probabilístico Bernoulli se aplica a un experimento cuyo espacio muestral está
constituido sólo por dos resultados posibles, éxito y fracaso.
𝑃 é𝑥𝑖𝑡𝑜 =𝑝
𝑑𝑜𝑛𝑑𝑒 0 ≤ 𝑝 ≤ 1
𝑃 𝑓𝑟𝑎𝑐𝑎𝑠𝑜 = 1−𝑝 =𝑞
Para simplificar, se considerará la variable aleatoria 𝑋 sobre el espacio muestral 𝑆 = {é𝑥𝑖𝑡𝑜, 𝑓𝑟𝑎𝑐𝑎𝑠𝑜}
de tal forma que
𝑋 é𝑥𝑖𝑡𝑜 =1 𝑋 𝑓𝑟𝑎𝑐𝑎𝑠𝑜 =0
Distribución Bernoulli
𝒙 𝑷(𝑿 = 𝒙) 𝒙 𝑷(𝑿 = 𝒙)
1 𝑝 1 𝑝1 (1 − 𝑝)1−1
0 1−𝑝 0 𝑝0 (1 − 𝑝)1−0
Distribución Bernoulli
Una variable aleatoria 𝑋 sigue una distribución Bernoulli si su función de probabilidad está
dada por:
𝑝 𝑥 (1 − 𝑝)1−𝑥 𝑓𝑋 𝑥 ≥ 0
𝑥 = 0, 1 Notar que f(x) cumple
𝑓𝑋 𝑥 = 𝑑𝑜𝑛𝑑𝑒 0 ≤ 𝑝 ≤ 1 σ 𝑓𝑋 𝑥 = 1
0 𝑒. 𝑜. 𝑐.
Notación:
𝑋 ~ 𝐵𝑒(𝑝)
𝜇𝑋 = 𝐸 𝑋 = 𝑝 𝜎𝑋2 = 𝑉𝑎𝑟 𝑋 = 𝑝 1 − 𝑝 = 𝑝𝑞
Función generadora de momentos
𝑀𝑋 𝑡 = 𝐸 𝑒 𝑡𝑥 = 𝑝𝑒 𝑡 + (1 − 𝑝)
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒅𝒆 𝑭𝒖𝒏𝒄𝒊ó𝒏
𝑬𝒔𝒑𝒆𝒓𝒂𝒏𝒛𝒂 𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂
𝑫𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏 𝑵𝒐𝒕𝒂𝒄𝒊ó𝒏 𝑺𝒐𝒑𝒐𝒓𝒕𝒆 𝑹𝒙 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒈𝒆𝒏𝒆𝒓𝒂𝒅𝒐𝒓𝒂
𝑬(𝑿) 𝑽𝒂𝒓(𝑿)
𝒇(𝒙) 𝒅𝒆 𝒎𝒐𝒎𝒆𝒏𝒕𝒐𝒔
𝑘 𝑘
1 1 1 1
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓 {𝑥1 , … , 𝑥𝑘 } 𝑥 ∈ {𝑥1 , … , 𝑥𝑘 } 𝑥𝑖 (𝑥𝑖 − 𝐸 𝑋 )2 σ𝑖 𝑒 𝑡𝑥𝑖
𝑘 𝑘 𝑘 𝑘
𝑖=1 𝑖=1
𝑛 𝑥
𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑋 ~ 𝐵𝑖(𝑛, 𝑝) 𝑥 ∈ {0, 1, … , 𝑛} 𝑝 (1 − 𝑝)𝑛−𝑥 𝑛𝑝 𝑛𝑝(1 − 𝑝) 𝑝𝑒 𝑡 + (1 − 𝑝) 𝑛
𝑥
𝜆𝑥 𝑒 −𝜆 𝑡 −1)
𝑃𝑜𝑖𝑠𝑠𝑜𝑛 𝑋 ~ 𝑃𝑜(𝜆) 𝑥 ∈ {0, 1, 2, … } 𝜆 𝜆 𝑒 𝜆(𝑒
𝑥!
1 𝑎+𝑏 (𝑏 − 𝑎)2 𝑒 𝑡𝑏 − 𝑒 𝑡𝑎
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓(𝑎, 𝑏) 𝑎≤𝑥≤𝑏
𝑏−𝑎 2 12 𝑡(𝑏 − 𝑎)
1 1 𝑥−𝜇 2 1 2 2
−
𝑁𝑜𝑟𝑚𝑎𝑙 𝑋 ~ 𝑁(𝜇, 𝜎 2 ) −∞ < 𝑥 < ∞ 𝑒 2 𝜎 𝜇 𝜎2 𝑒 𝜇𝑡 + 2 𝜎 𝑡
𝜎 2𝜋
𝑥
−
𝐺𝑎𝑚𝑚𝑎 𝑋 ~ 𝐺𝑎𝑚𝑚𝑎(𝛼, 𝛽) 𝑥∈ℛ + 𝑥 𝛼−1 𝑒 β 𝛼𝛽 𝛼𝛽 2 (1 − 𝛽𝑡)−𝛼
Γ(𝛼)𝛽 𝛼
Distribución Binomial
Características y definición
En general, las variables con resultados múltiples se pueden considerar como binomiales
cuando sólo uno de los resultados es de interés.
3. Cada ensayo o prueba resulta en un éxito (𝐸) o en un fracaso (𝐹). *El éxito es en lo que se
está interesado y no necesariamente significa algo bueno o ventajoso que haya sucedido*
4. Todas las pruebas o ensayos deben tener idénticas probabilidades de éxito 𝑝, de manera que
la probabilidad de fracaso para cada prueba es 𝑞 = 1 − 𝑝
Ejemplos
Si en el primer ejemplo nos interesa la respuesta a favor del candidato, ésta será considerada como el
éxito y la variable de interés estará dada por:
𝑋 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑖𝑢𝑑𝑎𝑑𝑎𝑛𝑜𝑠 𝑞𝑢𝑒 𝑒𝑠𝑡á𝑛 𝑎 𝑓𝑎𝑣𝑜𝑟 𝑑𝑒𝑙 𝑐𝑎𝑛𝑑𝑖𝑑𝑎𝑡𝑜
La función de probabilidad 𝑓𝑋 (𝑥) es útil para conocer las probabilidades de obtener 𝑥 éxitos al
efectuar 𝑛 ensayos, que cumplen con los postulados de una distribución Binomial.
𝐸 𝐸 𝐸 𝐸…𝐸 𝐹 𝐹 𝐹 …𝐹 𝐸𝐹𝐸𝐹𝐸𝐹𝐸𝐹𝐸𝐹 … 𝐸𝐹
𝑥 é𝑥𝑖𝑡𝑜𝑠 𝑛 − 𝑥 𝑓𝑟𝑎𝑐𝑎𝑠𝑜𝑠
𝑛 𝑛!
El total de estas secuencias se puede calcular mediante: 𝑛 𝐶𝑥 = 𝑥 = 𝑛−𝑥 !𝑥!
Función de probabilidad Binomial
Como los ensayos son independientes, la probabilidad de que ocurra la secuencia de 𝑥 éxitos
consecutivos seguidos de (𝑛 − 𝑥) fracasos consecutivos es
𝐸 𝐸 𝐸 𝐸…𝐸 𝐹 𝐹 𝐹 …𝐹 𝑝 ∙ 𝑝 ⋯ 𝑝 1 − 𝑝 ∙ 1 − 𝑝 ⋯ 1 − 𝑝 = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥 𝑡é𝑟𝑚𝑖𝑛𝑜𝑠 (𝑛 − 𝑥) 𝑡é𝑟𝑚𝑖𝑛𝑜𝑠
Una variable aleatoria 𝑋 sigue una distribución Binomial si su función de probabilidad está
dada por:
𝑛 𝑥
𝑝 (1 − 𝑝)𝑛−𝑥 𝑥 = 0, 1,2, … , 𝑛 𝑓𝑋 𝑥 ≥ 0
𝑥
𝑓𝑋 𝑥 = 𝑑𝑜𝑛𝑑𝑒 0 ≤ 𝑝 ≤ 1 Notar que f(x) cumple
σ 𝑓𝑋 𝑥 = 1
0 𝑒. 𝑜. 𝑐.
Notación:
𝑋 ~ 𝐵𝑖𝑛(𝑛, 𝑝)
Valor esperado y varianza de una variable aleatoria
Binomial
La esperanza y la varianza de una variable aleatoria X que sigue una distribución Binomial
están dadas por:
𝜇𝑋 = 𝐸 𝑋 = 𝑛𝑝 𝜎𝑋2 = 𝑉𝑎𝑟 𝑋 = 𝑛𝑝𝑞
El desarrollo para demostrar estos resultados se basará en que la variable aleatoria binomial X
es la suma de n variables que siguen una distribución Bernoulli, es decir,
𝑋 = 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛
a) Defina la variable de interés y justifique por qué esta situación se modela con una
distribución Binomial
a) Defina la variable de interés y justifique por qué esta situación se modela con una
distribución Binomial
𝑋 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑖𝑛𝑐𝑜𝑏𝑟𝑎𝑏𝑙𝑒𝑠 𝑋 ~ 𝐵𝑖𝑛(6, .05)
𝐸 𝑋 = 𝑛𝑝 = 6 .05 = .3
Ejercicio 2 – Distribución Binomial
Ahora supóngase que en una situación similar se observan 20 cuentas y que se desea calcular
la probabilidad de que 4 o menos de éstas sean incobrables
Probabilidad
Número de ACUMULADA
ensayos (n)
5
20
𝑋 ~ 𝐵𝑖𝑛(20, 0.05) 𝐹𝑋 4 = 𝑃 𝑋 ≤ 4 = (.05)𝑥 (.95)20−𝑥
𝑥
𝑥=0
𝐹𝑋 4 = 𝑃 𝑋 ≤ 4 = 𝟎. 𝟗𝟗𝟕
Ejercicio 2 – Distribución Binomial
Ahora supóngase que en una situación similar se observan 20 cuentas y que se desea calcular
la probabilidad de que 4 o menos de éstas sean incobrables
Una agencia de renta de automóviles tiene disponibles vehículos de cuatro y dos puertas. Los archivos
muestran que una de cada cuatro personas prefiere un auto de cuatro puertas. Si las elecciones de los
clientes por determinado tipo de coche son independientes, construya la distribución de probabilidad
del número de personas que prefieren el automóvil de 4 puertas, en una muestra de 7 clientes.
Ejercicio 3 – Distribución Binomial
Una agencia de renta de automóviles tiene disponibles vehículos de cuatro y dos puertas. Los archivos
muestran que una de cada cuatro personas prefiere un auto de cuatro puertas. Si las elecciones de los
clientes por determinado tipo de coche son independientes, construya la distribución de probabilidad
del número de personas que prefieren el automóvil de 4 puertas, en una muestra de 7 clientes.
𝑋 ~ 𝐵𝑖𝑛(7,0.25)
Además, con el uso de la tabla de la distribución binomial, con 𝑛 = 7 y 𝑝 = 0.25 se puede calcular
𝑃(𝑋 = 𝑥) para cada uno de los valores de 𝑥. Por ejemplo, 𝑃(𝑋 = 0):
Si queremos calcular 𝑃 𝑋 = 4
𝒙 𝑷(𝑿 = 𝒙) 0.35
0 0.1335 0.3
1 0.3115
0.25
Probabilidad
2 0.3115
0.2
3 0.1730
0.15
4 0.0577
0.1
5 0.0115
0.05
6 0.0013
0
7 0.0001 0 1 2 3 4 5 6 7 8
𝜇𝑋 = 𝑛𝑝 = 7 (.25) = 1.75
Grafique la distribución de probabilidad de una variable aleatoria 𝑌 que sigue una distribución
binomial con parámetros 𝑛 = 10 , 𝑝 = 1/2
10 𝑦 = 0, 1,2, … , 10
Solución: 𝑦
(.5)𝑦 (.5)10−𝑦
𝑌~ 𝐵𝑖𝑛(10 , 0.5) 𝑓𝑌 𝑦 =
0 𝑒. 𝑜. 𝑐.
𝒚 𝑷(𝒀 = 𝒚)
0 0.0010
0.3
1 0.0098 Cuando 𝑝 = 0.5 la
2 0.0439 0.25
gráfica es simétrica
3 0.1172 0.2
Probabilidad
4 0.2051
0.15
5 0.2461
6 0.2051 0.1
7 0.1172
0.05
8 0.0439
9 0.0098 0
0 2 4 6 8 10 12
10 0.0010
La otra forma de
hacerlo es usando
las tablas
Ejercicio 4 – Distribución Binomial
Solución: 10 𝑦 = 0, 1,2, … , 10
(.5)𝑦 (.5)10−𝑦
𝑦
𝑌~ 𝐵𝑖𝑛(10 , 0.5) 𝑓𝑌 𝑦 =
0 𝑒. 𝑜. 𝑐.
10
𝒚 𝑷 𝒀=𝒚 = (.5)𝑦 (.5)10−𝑦 𝑷 𝒀 = 𝒚 𝑼𝒔𝒂𝒏𝒅𝒐 𝒕𝒂𝒃𝒍𝒂𝒔
𝑦
0 0.0010 𝐹(0)
1 0.0098 𝐹(1) − 𝐹(0)
2 0.0439 𝐹(2) − 𝐹(1)
Tarea: Verificar que el resultado es el mismo
3 0.1172 𝐹(3) − 𝐹(2)
utilizando las tablas de la distribución binomial
4 0.2051 𝐹(4) − 𝐹(3)
5 0.2461 𝐹(5) − 𝐹(4)
6 0.2051 𝐹(6) − 𝐹(5)
7 0.1172 𝐹(7) − 𝐹(6)
8 0.0439 𝐹(8) − 𝐹(7)
9 0.0098 𝐹(9) − 𝐹(8)
10 0.0010 𝐹(10) − 𝐹(9)
Forma geométrica de la distribución Binomial
0.25
0.2
Probabilidad
Si 𝒑 = 𝟎. 𝟓 entonces la gráfica de la 𝑋~ 𝐵𝑖𝑛(15 , 0.5)
0.15
0.05
0
0 5 10 15 20
0.3
0.25
𝑋~ 𝐵𝑖𝑛(15 , 0.8)
Si 𝒑 > 𝟎. 𝟓 entonces la gráfica será
Probabilidad
0.2
0.15
sesgada la izquierda 0.1
0.05
0
0 5 10 15 20
0.3
Si 𝒑 < 𝟎. 𝟓 entonces la gráfica será 0.25
Probabilidad
0.2
sesgada la derecha 0.15 𝑋~ 𝐵𝑖𝑛(15 , 0.2)
0.1
0.05
0
0 5 10 15 20
Función generadora de momentos
La función generadora de momentos de una variable aleatoria 𝑋 ~ 𝐵𝑖𝑛 𝑛, 𝑝 está dada por:
𝑀𝑋 𝑡 = 𝐸 𝑒 𝑡𝑥 = 𝑝𝑒 𝑡 + (1 − 𝑝) 𝑛
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒅𝒆 𝑭𝒖𝒏𝒄𝒊ó𝒏
𝑬𝒔𝒑𝒆𝒓𝒂𝒏𝒛𝒂 𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂
𝑫𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏 𝑵𝒐𝒕𝒂𝒄𝒊ó𝒏 𝑺𝒐𝒑𝒐𝒓𝒕𝒆 𝑹𝒙 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒈𝒆𝒏𝒆𝒓𝒂𝒅𝒐𝒓𝒂
𝑬(𝑿) 𝑽𝒂𝒓(𝑿)
𝒇(𝒙) 𝒅𝒆 𝒎𝒐𝒎𝒆𝒏𝒕𝒐𝒔
𝑘 𝑘
1 1 1 1
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓 {𝑥1 , … , 𝑥𝑘 } 𝑥 ∈ {𝑥1 , … , 𝑥𝑘 } 𝑥𝑖 (𝑥𝑖 − 𝐸 𝑋 )2 σ𝑖 𝑒 𝑡𝑥𝑖
𝑘 𝑘 𝑘 𝑘
𝑖=1 𝑖=1
𝑛 𝑥
𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑋 ~ 𝐵𝑖(𝑛, 𝑝) 𝑥 ∈ {0, 1, … , 𝑛} 𝑝 (1 − 𝑝)𝑛−𝑥 𝑛𝑝 𝑛𝑝(1 − 𝑝) 𝑝𝑒 𝑡 + (1 − 𝑝) 𝑛
𝑥
𝜆𝑥 𝑒 −𝜆 𝑡 −1)
𝑃𝑜𝑖𝑠𝑠𝑜𝑛 𝑋 ~ 𝑃𝑜(𝜆) 𝑥 ∈ {0, 1, 2, … } 𝜆 𝜆 𝑒 𝜆(𝑒
𝑥!
1 𝑎+𝑏 (𝑏 − 𝑎)2 𝑒 𝑡𝑏 − 𝑒 𝑡𝑎
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓(𝑎, 𝑏) 𝑎≤𝑥≤𝑏
𝑏−𝑎 2 12 𝑡(𝑏 − 𝑎)
1 1 𝑥−𝜇 2 1 2 2
−
𝑁𝑜𝑟𝑚𝑎𝑙 𝑋 ~ 𝑁(𝜇, 𝜎 2 ) −∞ < 𝑥 < ∞ 𝑒 2 𝜎 𝜇 𝜎2 𝑒 𝜇𝑡 + 2 𝜎 𝑡
𝜎 2𝜋
𝑥
−
𝐺𝑎𝑚𝑚𝑎 𝑋 ~ 𝐺𝑎𝑚𝑚𝑎(𝛼, 𝛽) 𝑥∈ℛ + 𝑥 𝛼−1 𝑒 β 𝛼𝛽 𝛼𝛽 2 (1 − 𝛽𝑡)−𝛼
Γ(𝛼)𝛽 𝛼
Distribución Poisson
Características y definición
Es una distribución de probabilidad discreta que sirve para calcular la probabilidad de que ocurra un
determinado número de eventos durante un intervalo dado (puede ser de tiempo, longitud, área, etc)
Una variable aleatoria 𝑋 tiene una distribución Poisson con parámetro 𝜆 > 0 si su función de
probabilidad está dada por:
Notación:
𝑋 ~ 𝑃𝑜(𝜆)
Distribución Poisson
El espacio parametral, es decir, el conjunto al que pertenece el parámetro 𝜆 es el de los reales positivos.
0.14 0.1
𝑓𝑋 𝑥
0.09
𝑓𝑋 𝑥 0.12 0.08
𝑋 ~ 𝑃𝑜(10) 𝑋 ~ 𝑃𝑜(20)
0.1 0.07
0.06
0.08
0.05
0.06
0.04
0.04 0.03
0.02
0.02
0.01
0 0
La distribución Poisson está
0 5 10 15 20 25 0 5 10 15 20 25 30 35 40 sesgada a la derecha y este
𝑥 𝑥 sesgo es mayor, conforme 𝜆 es
más pequeño
Valor esperado y varianza de la distribución de Poisson
∞ ∞
𝜆𝑥 𝑒 −𝜆
𝜇𝑋 = 𝐸 𝑋 = 𝑥𝑓𝑋 𝑥 = 𝑥 =𝝀
𝑥!
𝑥=0 𝑥=0
∞
𝜆𝑥 𝑒 −𝜆
𝜎𝑋2 = 𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 − 𝜆 2
= 𝑥−𝜆 2
=𝝀
𝑥!
𝑥=0
Así que el valor esperado y la varianza de una distribución de Poisson son iguales
Ejercicio 1 – distribución Poisson
Considere la variable aleatoria 𝑊=número de reclamos que se reciben al día en una compañía
de seguros. Suponga que 𝑊 tiene una distribución Poisson en donde sólo falta conocer el
parámetro 𝜆, es decir, el número promedio de reclamos que se tienen en un día.
Supongamos que se registraron los reclamos al día durante una semana, por lo tanto se tienen
ocho observaciones de 𝑊: 5, 4, 2, 4, 3, 2, 1, 3
3𝑤 𝑒 −3
𝑤 = 0, 1,2, …
𝑤!
𝑓𝑊 𝑤 = 𝑃 𝑊 = 𝑤 =
0 𝑒. 𝑜. 𝑐.
𝑤 𝑃(𝑊 = 𝑤) 𝑓𝑊 𝑤 0.25
0 0.0498
Moda: 2 y 3
1 0.1494
0.20
2 0.2240
3 0.2240
0.15 𝜇𝑋 = 3
4 0.1680
5 0.1008
0.10
𝜎𝑋 = 3 = 1.732
6 0.0504
7 0.0216
8 0.0081 0.05
9 0.0027
10 0.0008 0.00
0 1 2 3 4 5 6 7 8 9 10
𝑤
Lambda (𝜆)
Valor de x en el que queremos
la probabilidad acumulada
Probabilidad
ACUMULADA
Ejercicio 1 – Distribución Poisson
En todo el desarrollo anterior, el periodo fue de un día. ¿Qué se debe hacer cuando cambia este
periodo? De nuevo se tiene una variable aleatoria Poisson, pero con otro parámetro.
Si lo que interesa es el número de reclamaciones recibidas en 5 días, la nueva variable es Poisson con
parámetro 𝜆 = 3 5 = 15
Una vez determinado el valor del parámetro, calculemos la probabilidad de que en 5 días se reciban
por lo menos 10 reclamaciones.
𝑃 𝑋 ≥ 10
𝑋~ 𝑃𝑜(15) 𝑃 𝑋 ≥ 10 = 1 − 𝑃 𝑋 ≤ 9 = 𝐹(9)
Ejercicio 1 – Distribución Poisson
En todo el desarrollo anterior, el periodo fue de un día. ¿Qué se debe hacer cuando cambia este
periodo? De nuevo se tiene una variable aleatoria Poisson, pero con otro parámetro.
Si lo que interesa es el número de reclamaciones recibidas en 5 días, la nueva variable es Poisson con
parámetro 𝜆 = 3 5 = 15
Una vez determinado el valor del parámetro, calculemos la probabilidad de que en 5 días se reciban
por lo menos 10 reclamaciones.
9
15𝑥 𝑒 −15
𝑃 𝑋 ≥ 10 = 1 − 𝑃 𝑋 ≤ 9 = 1 − = 1 − 0.070 = 0.93
𝑥!
𝑥=0
Función de distribución acumulada (Poisson)
La función de distribución acumulada en el caso de una variable 𝑋 ~ 𝑃𝑜(𝜆) está dada por:
0 𝑥<0
𝐹𝑋 𝑥 = 𝑃 𝑋 ≤ 𝑥 = 𝑥
𝜆𝑘 𝑒 −𝜆
𝑥≥0
𝑘!
𝑘=0
Los valores de esta función se pueden encontrar con las tablas del formulario.
Función de distribución acumulada (Poisson)
Para el ejemplo de los reclamos que se reciben en un día, 𝑊 ~ 𝑃𝑜 3 y su función de distribución es:
0 𝑥<0
𝐹𝑊 𝑤 = 𝑃 𝑊 ≤ 𝑤 = 𝑤
3𝑘 𝑒 −3
𝑥≥0
𝑘!
𝑘=0
Función generadora de momentos
La función generadora de momentos de una variable aleatoria 𝑋 ~ 𝑃𝑜(𝜆) está dada por:
𝑡 −1)
𝑀𝑋 𝑡 = 𝐸 𝑒 𝑡𝑥 = 𝑒 𝜆(𝑒
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒅𝒆 𝑭𝒖𝒏𝒄𝒊ó𝒏
𝑬𝒔𝒑𝒆𝒓𝒂𝒏𝒛𝒂 𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂
𝑫𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏 𝑵𝒐𝒕𝒂𝒄𝒊ó𝒏 𝑺𝒐𝒑𝒐𝒓𝒕𝒆 𝑹𝒙 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒈𝒆𝒏𝒆𝒓𝒂𝒅𝒐𝒓𝒂
𝑬(𝑿) 𝑽𝒂𝒓(𝑿)
𝒇(𝒙) 𝒅𝒆 𝒎𝒐𝒎𝒆𝒏𝒕𝒐𝒔
𝑘 𝑘
1 1 1 1
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓 {𝑥1 , … , 𝑥𝑘 } 𝑥 ∈ {𝑥1 , … , 𝑥𝑘 } 𝑥𝑖 (𝑥𝑖 − 𝐸 𝑋 )2 σ𝑖 𝑒 𝑡𝑥𝑖
𝑘 𝑘 𝑘 𝑘
𝑖=1 𝑖=1
𝑛 𝑥
𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑋 ~ 𝐵𝑖(𝑛, 𝑝) 𝑥 ∈ {0, 1, … , 𝑛} 𝑝 (1 − 𝑝)𝑛−𝑥 𝑛𝑝 𝑛𝑝(1 − 𝑝) 𝑝𝑒 𝑡 + (1 − 𝑝) 𝑛
𝑥
𝜆𝑥 𝑒 −𝜆 𝑡 −1)
𝑃𝑜𝑖𝑠𝑠𝑜𝑛 𝑋 ~ 𝑃𝑜(𝜆) 𝑥 ∈ {0, 1, 2, … } 𝜆 𝜆 𝑒 𝜆(𝑒
𝑥!
1 𝑎+𝑏 (𝑏 − 𝑎)2 𝑒 𝑡𝑏 − 𝑒 𝑡𝑎
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓(𝑎, 𝑏) 𝑎≤𝑥≤𝑏
𝑏−𝑎 2 12 𝑡(𝑏 − 𝑎)
1 1 𝑥−𝜇 2 1 2 2
−
𝑁𝑜𝑟𝑚𝑎𝑙 𝑋 ~ 𝑁(𝜇, 𝜎 2 ) −∞ < 𝑥 < ∞ 𝑒 2 𝜎 𝜇 𝜎2 𝑒 𝜇𝑡 + 2 𝜎 𝑡
𝜎 2𝜋
𝑥
−
𝐺𝑎𝑚𝑚𝑎 𝑋 ~ 𝐺𝑎𝑚𝑚𝑎(𝛼, 𝛽) 𝑥∈ℛ + 𝑥 𝛼−1 𝑒 β 𝛼𝛽 𝛼𝛽 2 1 − 𝛽𝑡 −𝛼
Γ(𝛼)𝛽 𝛼
Relación entre las distribuciones Poisson y Binomial
Convergencia Binomial-Poisson
Sea 𝑋 ~ 𝐵𝑖𝑛(𝑛, 𝑝)
𝑛 𝑥 𝑛−𝑥
(𝑛𝑝)𝑥 𝑒 −(𝑛𝑝)
lim 𝑝 (1 − 𝑝) →
𝑛→∞,𝑝→0 𝑥 𝑥!