Escolar Documentos
Profissional Documentos
Cultura Documentos
Uno de los experimentos aleatorios más simple que podemos realizar es aquel donde
existen sólo dos resultados posibles. Por ejemplo, el lanzamiento de una moneda equilibrada
(cara o sello), situación académica de un alumno en una asignatura al final del semestre
(aprobado o reprobado), la clasificación de un artículo que se está inspeccionando (defectuoso o
no defectuoso), etc. Este tipo de experimentos con sólo dos resultados posibles se denomina
experimento Bernoulli o ensayo Bernoulli y los elementos del espacio muestral se llaman
comúnmente éxito (E) y fracaso (F).
Sea H el espacio muestral asociado a un experimento aleatorio y sea A © H un evento tal que
p œ P(A), 0 p 1. LLamamos a \ variable aleatoria Bernoulli con parámetro p a la
función:
\ (=) = œ
1, si = − A
0, si = Â A
Notación: \ µ U Ð:Ñ
p(B) = œ
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 función generadora de
momentos de \ tienen los siguientes valores:
Un experimento aleatorio que consiste de n ensayos Bernoulli independientes, cada uno con
probabilidad de éxito p, se llama experimento binomial de parámetros n y p.
Sea \ una variable aleatoria que denota el número de éxitos observados en un experimento
binomial de parámetros n y p. Entonces, se llama a \ variable aleatoria binomial.
Notación: \ µ ,Ðn,pÑ
P(\ œ B) = p(B) = ˆ B ‰ pB (1
n
p)n B
; B œ 0, ", 2, ..., n
Nota: Como la probabilidad de éxito p es constante de un ensayo a otro, se dice que la selección
de las unidades es con sustitución o con reemplazo.
En efecto, cada inspección constituye un ensayo Bernoulli donde el evento éxito es, en este caso:
10
E À "artículo defectuoso", y su probabilidad está dada por p œ P({E}) œ 200 œ 0.05. Si \ es el
número total de defectuosos en las 20 inspecciones, entonces \ µ b(20,0.05). Luego, la función
de probabilidades de \ es:
p(B) œ P(\ œ BÑ œ ˆ 20 ‰
B 0.05 0.95
B 20 B
; B œ 0,1,...,20
Utilizando esta función podemos calcular, por ejemplo, las siguientes probabilidades:
p(5) = P(\ œ 5Ñ œ ˆ 20 ‰ 5 15
5 0.05 0.95 = 0.00225
2
b) ¿Cuál es la probabilidad de elegir 1 ó 2 artículos defectuosos?
Sea E un experimento Bernoulli con probabilidad de éxito p y sea \ una variable aleatoria que
denota el número de repeticiones necesarias hasta que ocurra el primer éxito. Entonces, se
llama a \ variable aleatoria geométrica de parámetro p.
Notación: \ µ GÐpÑ
1 1 p p e>
E(\ ) = p , V(\ ) œ p# , M\ Ð>Ñ œ 1 qe>
Ejemplo 2: Del ejemplo anterior, supongamos que se eligen artículos al azar hasta encontrar el
primero defectuoso. Si \ es una variable aleatoria que denota el número de inspecciones
necesarias hasta encontrar el primero defectuoso, entonces:
3
1.4 Distribución Binomial Negativa:
Sea E un experimento Bernoulli con probabilidad de éxito p y sea \ una variable aleatoria que
denota el número de repeticiones necesarias hasta que el éxito ocurra por r-ésima vez .
Entonces, se llama a \ variable aleatoria binomial negativa o variable aleatoria Pascal de
parámetros r y p.
Notación: \ µ b Ð<ß pÑ
’ 1 qe> “
<
< <Ð1 pÑ p e>
E(\ ) = p , V(\ ) œ p# , M\ Ð>Ñ œ
Ejemplo 3: Del ejemplo 1, supongamos que se eligen artículos al azar hasta encontrar < unidades
defectuosas. Si \ es una variable aleatoria que denota el número 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 Ÿ N) son de clase V y los restantes N M son de
clase V- . Si \ es el número de elementos en la muestra que pertenecen a la clase V, entonces \
se llama variable aleatoria hipergeométrica con parámetros n, M y N.
Notación: \ µ [Ðn,M,NÑ
muestras diferentes que pueden ser seleccionadas del lote es ˆ Nn ‰, que es el número de
Suponiendo que M n y N M n, entonces V\ = {0,1,2,...,n}. El número total de
B por
principio multiplicativo. Por lo tanto, la función de probabilidades de \ es:
4
ˆQ ‰ ˆ R8 Q‰
ˆ R8 ‰
B B
p(B) = P(\ œ BÑ œ ; B = 0,1,2,...,minÖ8ß Q ×
El valor esperado y varianza de una variable aleatoria hipergeométrica están dados por:
E(\ ) = n M N Š N ‹ ŠN 1‹
V(\ ) = n M N M N n
N ,
P(\ œ BÑ ¶ ˆ B ‰ pB (1
n M
p)n B
; pœ N (probabilidad de éxito)
8
En general, la aproximación es buena si R Ÿ 0.1.
Ejemplo 4: Una empresa cuenta con 60 personas en el departamento de producción, de las cuales
38 son hombres y 22 son mujeres. Se seleccionarán al azar (sin reposición) 10 personas para
participar en un curso de capacitación.
ˆ 38 ‰ ˆ 22 ‰
P(\ œ 6) = p(6) œ ˆ 60 ‰ = 0.268
6 † 4
10
En este caso debemos definir una nueva v.a. \ como el número de mujeres seleccionados en
la muestra, entonces \ µ [Ðn œ 10 , M œ 22 , N œ 60Ñ. Luego:
ˆ 22 ‰ ˆ 38 ‰
P(\ œ 8) = p(6) œ ˆ 60 ‰ = 0.003
8 † 2
10
22
El número esperado de mujeres seleccionadas es: E(\ ) = 10 † 60 œ 3.7.
Ejemplo 5: Supongamos que un lote es de tamaño N œ 1000, en donde M œ 400 son de una
clase V. Se seleccionan al azar y sin reposición n œ 5 unidades. Entonces, si \ representa el
número de elementos en la muestra que pertenecen a la clase V, se tiene que \ µ [Ð5, 400,1000)
y la probabilidad de que la muestra contenga 5 elementos de la clase V es:
ˆ 400 ‰ ˆ 600 ‰
ˆ 1000 ‰
5 † 0
P(\ œ 5) = = 0.01008
5
8 &
Como R œ "!!! œ 0.005 0.1ß entonces podemos aproximar la hipergeométrica por la
distribución binomial con p œ M 400
N œ 1000 = 0.4. Entonces:
5
Nota: La distribución hipergeométrica tiene una aplicación directa en lo que en estadística se
conoce como "muestreo de aceptación". 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 inspección. Si el lote es grande, puede ser muy
demoroso o muy caro inspeccionar cada artículo del lote, de manera que sólo serán
inspeccionados una muestra aleatoria de artículos. El lote completo es aceptado como bueno o
defectuoso, de acuerdo a los resultados obtenidos en la inspección de la muestra. Consideremos
como ilustración el ejemplo siguiente:
Ejemplo 6: Supongamos que se seleccionan para inspección 2 artículos al azar, sin reemplazo,
desde un lote que contiene 100 artículos producidos por una máquina en un período determinado,
de los cuales 5 son defectuosos. Si los 2 artículos de la muestra son buenos, el lote es aceptado.
Si por lo menos 1 de los artículos es defectuoso el lote es rechazado. Sea ] el número de
artículos defectuosos encontrados en la muestra, entonces ] es una variable aleatoria
hipergeométrica.
ˆ 50 ‰†ˆ 95 ‰
ˆ 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 variación se produce en el tiempo, en una superficie, en un volumen, etc.
Ejemplos de tales casos son los siguientes: el número de llamadas telefónicas que llegan a una
central durante 5 minutos, el número de fallas por m# en una pieza de algodón, el número de
bacterias por mm$ reproducidas en un compuesto químico, etc. La forma como ocurren estos
eventos está caracterizada por los siguientes supuestos que definen a un proceso de Poisson de
parámetro -:
1.- En intervalos de longitud suficientemente pequeños, por ejemplo de longitud ?t, el evento
ocurre sólo una vez o ninguna (dos o más 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).
Notación: \ µ c Ð-tÑ
6
e--t Ð-tÑB
p(B) = B! ; B œ 0, 1, 2, ....
e-. .B
p(B) = B! ; B œ 0, 1, 2, ....
Ejemplo 7: Supongamos que el número 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 número de clientes que llegan al banco en 1 hora. Si tomamos 1 minuto como unidad de
"
tiempo tenemos que -t œ 180 † 60 œ 3. Luego, el número medio de llegadas por minuto es . œ 3
clientes. Por lo tanto, \ se distribuye Poisson con parámetro . œ 3 y su función de
probabilidades es:
e 3 †3 B
p(B) = P(\ œ B) œ B! ; B œ 0,1,2,....
Ejemplo 8: Del caso anterior, ¿cuál 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) œ 1 p(0) p(1) œ " 0! 1! œ 0.173
ˆ Bn ‰ pB (1 p)n
e-. .B
B! ; B œ 0,1,2,...
B
¶
Ejemplo 9: En una carretera de alto tráfico, la probabilidad de que ocurra un accidente grave es
p œ 0.0001. Sin embargo, en ciertos períodos de un día cualquiera, el tráfico aumenta
considerablemente. Si el número de vehículos circulando en un período determinado es de 1000,
¿cuál es la probabilidad que ocurran 2 accidentes graves en este período?
Si \ denota el número de accidentes graves que ocurren en 1000 vehículos circulando, entonces
\ µ ,Ð1000,0.0001Ñ. Luego:
7
Como n es grande y p pequeña, entonces podemos aproximar la probabilidad anterior por una
Poisson tal que . œ np œ 1000 † 0.0001 œ 0.1. Por lo tanto:
-0.1 2
P(\ œ 2) œ e 2!0.1 œ 0.00452419
Esta corresponde a una de las distribuciones de probabilidades más simple para una
variable aleatoria continua.
f (B) =œ
k ,a Ÿ B Ÿ b
0 , e.o.l.
Notación: \ µ h Òa,bÓ
Obviamente, k debe ser mayor que cero y utilizando el hecho que f es una función de
densidad tenemos que k œ , " + . Por lo tanto, la función de densidad de probabilidades de \ es:
"
,a Ÿ B Ÿ b
f (B) = , +
0 , e.o.l.
Figura 1
Distribución Uniforme
0.6
0.5
0.4
0.3
0.2
0.1
0
1 2 3 4 5
Ú
Ý0 ,> a
F(>) = Û > +
Ý, +
,aŸ> b
Ü1 ,> b
Se puede demostrar que:
8
Ejemplo 10: La demanda semanal de un producto es una v.a. \ con distribución uniforme en el
intervalo Ò50,70Ó. Entonces, la probabilidad de vender entre 55 y 65 unidades es igual a:
P(55 Ÿ \ Ÿ 65) = (
65
1 10
dx = œ 0.5
55 20 20
A partir de esta distribución se pueden lograr otras que son de mucha utilidad para el
análisis estadístico inferencial de datos.
Sea X una variable aleatoria continua con recorrido V\ œ ]0,_[. Diremos que \ tiene
distribución gamma de parámetros ! y " si la función de densidad de probabilidades de \
tiene la forma:
Ú
f(B) = Û
B
B! " / "
, !ß " !à! B _
Ü0
" ! >Ð!Ñ
, e.o.l.
>(8) œ Ð8 "Ñ!; 8 entero, >(!) œ Ð! "Ñ>(! ") para cualquier ! 1 y >( "# ) œ È1.
La expresión >(!) se conoce como función gamma. Se puede probar que >(1) œ ",
f(B) = œ
-B
-/ ,- 0à0 B _
! , e.o.l.
Notación: \ µ expÐ-Ñ
9
Figura 2
Distribución Exponencial
"
E(\ ) = - , V(\ ) = -"# , M\ Ð>Ñ œ -- t
Ejemplo 11: La vida útil de un equipo computacional es una variable aleatoria \ , en años, con
f.d.p.:
f(B) = œ
B
"
5/
5 ,0 B _
! , e.o.l.
.JX Ð>Ñ -t
0X Ð>Ñ œ .> œ -/ à> !
Corresponde a una generalización del caso anterior, hasta que se presenten "r" éxitos en
un proceso de Poisson.
10
Consideremos un proceso de Poisson de parámetro -, que se observa desde el tiempo 0. Sea X
una variable aleatoria que representa el tiempo hasta que ocurran r éxitos (r − ), entonces T
tiene distribución Erlang de parámetros r y - con función de densidad de probabilidades:
Notación: X µ I<Ð<ß -Ñ
Ejemplo 12: En una industria de alto riesgo, ocurren, en promedio, 4 accidentes mensuales. Sea
\ una variable aleatoria definida como el número de accidentes que ocurren mensualmente,
entonces \ µ c Ð%Ñ. Sea X una variable aleatoria definida como el tiempo (en meses) que
transcurre hasta que se produzca el primer accidente. Entonces:
%>
X µ /B:Ð%Ñ Í 0X Ð>Ñ œ %/ à > !
%>
JX Ð>Ñ œ " / à> !
") = (
_
%> Ð%ÑÐ"Ñ %
P(X %/ d> = / œ/ œ 0.!")$
"
b) ¿Cuál es la probabilidad que el primer accidente se produzca entre el segundo y tercer mes?
$) = (
$
%>
P(# X %/ d> = JX Ð$Ñ JX Ð#Ñ œ !.!!!$#*
#
Sea X , el tiempo (en meses) hasta que ocurra el quinto accidente, entonces
X µ I<Ð< œ &ß - œ %ÑÞ Por lo tanto:
"#) % %>
0 Ð>Ñ œ $ > /
2) = (
_
"#) % %>
Luego: P(X >/ d> = 0.!97
2 $
11
Sea X una variable aleatoria continua con distribución gamma de parámetros ! y " . Si ! œ /#
y " œ 2, entonces \ se llama variable aleatoria chi-cuadrado de parámetro / y su función de
densidad de probabilidades está dada por:
Ú B /2 " / B2
f(B) = Û 2 2 >Ð /# Ñ
/ ,B !
Ü0 , e.o.l.
Notación: \ µ ;#/
Se tiene que:
E(\ ) = / , V(\ ) = 2/
Figura 3
Distribuciones Chi-cuadrado
Sea X una variable aleatoria continua con recorrido V\ œ ] _,_[. Diremos que \ tiene
distribución > de Student de parámetros / si la función de densidad de probabilidades de \
tiene la forma:
>Ð / # " Ñ
f(BÑ œ È
"
† , _ B _
1 / >Ð /# Ñ Ð" ># / 2 "
/ Ñ
Notación: \ µ >/
12
El parámetro / es el número de grados de libertad. El gráfico de 0 ÐBÑ tiene forma de
campana y es simétrico con respecto a cero.
/
Para / 1, E(\ ) œ 0 y para / 2, V(\ ) œ / #Þ
Figura 4
Distribución t de student (/ œ 2 grados de libertadÑ
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\ œ ]0,_[. Diremos que \ tiene
distribución F de Snedecor de parámetros /" y /2 si la función de densidad de probabilidades
de \ tiene la forma:
/ / /"
>Ð " # # Ñ /" 2"
/
B# "
f(BÑ œ /" /# † Ð
/# Ñ † /" /# ,! B _
>Ð # Ñ>Ð # Ñ Ð"
/"
BÑ 2
/#
"
0!à/"ß /# œ 0
" !à/#ß /"
El área bajo la curva de 0 ÐBÑ se encuentra tabulada. La siguiente figura nos muestra la
gráfica de una distribución F de Snedecor para /" œ 4 y /# œ 6:
13
Figura 5
Distribución F de Snedecor (/" œ 4ß /# œ 6Ñ
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\ œ ]-_,+_[. Diremos que \ tiene distribución
normal de parámetros . y 5 # si la función de densidad de probabilidades de \ tiene la forma:
expš 25 # › ,
5È21
1 (B .)#
f(B) = -_ . +_ y 5 0
Notación: \ µ a Ð.ß 5# Ñ
Si Z es una variable aleatoria normal con media 0 y varianza 1, entonces Z se llama variable
aleatoria normal estándar y su función de densidad de probabilidades tiene la forma:
:(D ) = È1 expš 2›
D#
, -_ D +_Þ
21
14
La función de distribución de la variable aleatoria ^ está dada por:
F(D ) = (
D
1
È21
>#
e # .>
-_
Teorema 2: Si \ es una variable aleatoria normal con media . y varianza 5# , entonces la función
de distribución de \ está dada por:
> .
F(>) = P(\ Ÿ >) = 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 estándar para la que su
función de distribución, F, se encuentra tabulada.
= F (0,5) F( 1)
Ejemplo 14: Una institución comercial estimó que la cuota mensual pagada por sus clientes se
realiza a través de alguna tarjeta de crédito bancaria. El monto pagado es una variable aleatoria
con media igual a 180 [miles de pesos] y desviación estándar 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
más 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) ¿Cuál es la deuda mínima 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 \ µ a (180,15# ). Entonces:
5 -180 5 -180
c) P(\ k) = 0.9525 Ê P(Z 15 ) œ 0.9525 Ê P(Z Ÿ 15 ) œ 0.0475
5-180
Ê 15 œ 1.67 Ê k œ 154.95
Ejemplo 15: En una empresa siderúrgica, las placas de acero producidas por una máquina deben
tener cierto espesor. Dichas placas diferirán unas de otras debido a los materiales, al
comportamiento de las máquinas y las herramientas utilizadas, lo que originará ligeras
variaciones aleatorias provocadas por pequeñas perturbaciones. Por lo tanto, el espesor \ (en
mm) de las placas se puede considerar como una variable aleatoria continua. Si suponemos
además que para cierto ajuste de la máquina, \ tiene distribución 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 más 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 ) œ P(Z 1.5) + P(Z 1.5)
= 0.1336
3œ"
3œ" 3œ"
Ejemplo 16: Con respecto al problema de la empresa siderúrgica, supongamos que el costo total,
] , de producción de las placas depende de 2 variables aleatorias: [" À costo de materia prima y
[# À costo de transporte, tal que:
] œ [" [#
Calcular la probabilidad de que el costo total de producción de las placas fluctúe entre 67 y 71
[u.m.]. Luego:
16