MODELOS

PROBABILÍSTICOS
ESTADÍSTICA

PROFESOR EFRAÍN SANTOS CRUZ

YESENIA SÁNCHEZ DE LOS SANTOS
3B LAET
 MODELOS PROBABILISTICOS
IMPORTANTES

INTRODUCCION
Cuándo la distribución de una variable aleatoria permite representar el comportamiento
aleatorio de una variable bajo estudio, decimos que tenemos un modelo probabilístico
para la variable.

Un modelo probabilístico de una variable aleatoria X es la forma específica de la

función de probabilidades que se supone refleja el comportamiento de X.

Las probabilidades involucradas en el estudio de un fenómeno son descritas

generalmente en términos de ciertas constantes (parámetros).
Las funciones de distribución de variables aleatorias que se estudiaran son las que han
mostrado tener mayor utilidad como modelos probabilísticos. Ellas son, entre las
discretas, la uniforme, la binomial puntual o Bernoulli, la binomial, la hipergeometrica, la
poisson y la binomial negativa. Entre las continuas: La uniforme, la normal, la t de
student, la Ji-cuadrada ¿ ¿) y F de Snedecor.

FUNCION DE PROBABILIDADES UNIFORME DISCRETA

Una función de probabilidades muy sencilla y muy importante, es aquella que describe
el comportamiento probabilístico de un experimento en que cada uno de los posibles
resultados, tiene la misma probabilidad de ocurrencia. Su importancia es capital en la
rama de la estadística denominada muestreo, y sirve como punto de partida para un
gran número de resultados teóricos.

 Una variable aleatoria X tiene distribución uniforme discreta si su función de

probabilidad es:

fx ( x )= {1n ; x=k ,k , … , k }
1 2 n

Donde n es el número de resultados posibles en el experimento, y los k 1 son los

valores que toma la variable aleatoria.

En ocasiones la función de probabilidades se escribe f x ( x 1n) para destacar que depende

de n, que es el parámetro de la distribución. Una vez especificado n, las probabilidades
están completamente determinadas.
 Considerese un experimento con el siguiente espacio muestral: ´
M = { B1 , B2 , B 3 , B4 , B5 }

Donde los eventos { B1 }, { B2 },…., { B3 } forman una partición de M y, además

1
P ( { B1 } ) =P ( { B2 } )=… P ( { B 5 } )=
5
La variable aleatoria X se define sobre M como sigue:
X ( B1 )=1 , X ( B2 )=3.1 , X ( B3 )=4 , ( B4 ) =4.5 Y X ( B5 )=6

Entonces, la función de probabilidades de X es la siguiente tabla.

X 1 3.1 4 4.5 6
∑
1 1 1 1 1
P( X =x) 5 5 5 5 5 1.0

O, en forma de ecuación:

fx ( x )= {15 ; x=1,3.1,4,4 .5,6

Un caso particular de mucha importancia se tiene cuando la variable toma como
valores los primeros n enteros positivos. En ese caso la funcion de probabilidades esta
dado por:

fc ( x )= {1n ; x=1,2 , … . ,n
Con estos posicles valores de X pueden darse expreiones sencillas para la media y la
varianza de la variable aleaotoria. A saber:
n+ 1
E ( X )=
2

n2−1
var ( X )=
12

Si una variable aleatoria discreta tiene distribución de probabilidades uniforme en los

primeros n enteros positivos, entonces:
n+ 1
E ( X )=
2

n2−1
Var ( x ) =
12
La media y la varianza y en general todos los momentos dependen del parámetro n.
 DISTRIBUCION BINOMIAL PUNTUAL O BERNOULLI.
Consideremos un experimento cuyo espacio muestral M está integrado solo por dos
resultados posibles, los cuales por conveniencia denotaremos como éxito (E) y fracaso
(F), sin implicar que estos nombres tengan la connotación usual. En el espacio muestral
resultante M= { E , F } Se consideraran los eventos mutuamente excluyentes { E } y { F }.
El modelo probabilístico que rige a experimentos como los descritos se denomina
Binomial Puntual o Bernoulli. En honor a Jacobo Bernoulli (1654-1705), matemático suizo
quien lo derivo. Los postulados que lo caracterizan se enuncian en seguida.

El modelo probabilístico Binomial Puntual o Bernoulli tiene las siguientes características:

El espacio muestral solamente contiene dos resultados posibles denominados éxito (E) y
Fracaso (F). Esto es,
M= { E , F }
La probabilidad de que ocurra el evento { E } es p (0≤ p ≤ 1 ¿. Por lo que:
P ( { E } ) =p

P ( { F }) =1-p= q

La variable aleatoria X tiene la distribución Binomial Puntual o Bernoulli si su función de

probabilidades esta dada por:

fx ( x )= { px ( 1− p )1−x ; x =0,1

Donde 0 ≤ p ≤ 1

El parámetro de la distribución es p, por lo que en ocasiones se escribe fx( x , p). Nótese

que para cada posible valor de p entre cero y uno se tiene una función de
probabilidades diferente, y que una vez especificando p las probabilidades quedan
unívocamente determinadas.

Para una variable aleatoria Bernoulii se tiene:

E ( X ) =p
(6.3)
var ( X )= p ( 1− p )= pq
FUNCION DE PROBABILIDADES BINOMIAL
Supongamos que se llevan a cabo n repeticiones independientes de un experimento de
este tipo, de manera que en una de las repeticiones la probabilidad del evento que
llamamos éxito es la misma. Es decir, que p=P ( { E } ) permanece constante a lo largo de
la n repeticiones del experimento. Sea X 1 la variable aleatoria Bernoulli definida en el
espacio muestral de la primera repetición del experimento, o sea que
X 1 ( E1 ) =1 y X 1 ( F1 ) =0. Similarmente sean X 2 , X 3 , … . , X n variables aleatorias Bernoulli
definidads en las repeticiones 2, 3, …, n, respectivamente. Si definimos la variable
aleatoria X como el número de éxitos que se tienen en las n repeticiones, es claro que la
nueva variable aleatoria es la suma de las n variables definidas previamente, es decir:
X =X 1 + X 2 + … X n

En el modelo probabilístico Binomial, el espacio muestral está constituido por las

secuencias de éxitos y fracasos que resultan de n repeticiones independientes de un
experimento cuyo modelo probabilístico es Bernoulli con probabilidad p (constante).
n
Contiene ∑ n =2n elementos, donde x es el número de éxitos.
(x )
x=0

Una variable aleatoria X se distribuye de acuerdo con un modelo probabilístico binomial

si su función de probabilidades es:

fx ( x )= n p x ( 1− p ) ; x=0 , 1,2 ,… , n
{( )
x
n−x

Donde 0 ≤ p ≤ 1

Los parámetros de la distribución son n, el número de repeticiones del experimento

Bernoulli y p, la probabilidad de éxito en cada uno de estos. Si X tiene una
distribución Binomial con parámetros n y p, escribiremos X Bin(n , p). El símbolo “
debe leerse “se distribuye” o “tiene distribución”.

MEDIA Y VARIANZA DE LA DISTRIBUCION BINOMIAL

Si La función de probabilidades de X es bonomial, con parámetros n y p, entonces la

media y la varianza son:
μ X =E ( X ) =np
(6.5)
a 2X =Var ( x )=npq
(6.6)
 FUNCION DE PROBABILIDADES HIPERGEOMETRICA
La distribución Binomial se generó al discutir n repeticiones de un experimento
Bernoulli, es decir, en el cual hay dos resultados posibles. Las probabilidades asociadas a
cada repetición se supusieron constantes, y se supuso además que las repeticiones son
independientes. Supongamos ahora repeticiones de un experimento del mismo tipo,
pero con la diferencia de que las repeticiones son independientes.

MUESTREO SIN REEMPLAZO:

Cada uno de los componentes de la población pueden clasificarse en una de dos
categorías mutuamente excluyentes, según si poseen o no una cierta característica. La
diferencia fundamental con el modelo binomial es que el muestreo sin reemplazo
origina la dependencia probabilística, puesto que la frecuencia relativa de defectuosos
en un intento depende de cuantos defectuosos hayan aparecido con anterioridad
Se dice que el modelo probabilístico de una variable aleatoria X es Hipergeometrico si
su función de probabilidad es:

A B

LosfX (modelos )=
( x n−x )
)(
x )=P ( X=xHipergeometricos
; x=0,1, … , n ; n ≤ A surgen
y Binomial y n ≤ B ambos de la repetición de un
N
experimento con solo (dos) resultados posibles. Las diferencias más notables entre ellos se
n
anotan enseguida:
Las repeticiones en un modelo Binomial son independientes, y la probabilidad de los
eventos permanece constante de intento a intento. En el caso Hipergeometricos las
repeticiones no son independientes. Es decir, que si D1 y D2son resultados que indican
defectuoso en el primero y segundo intentos, respectivamente, se tiene que
P ( { D2 } ∨ D1 ) ≠ P ( { D2 } )

Las medidas en los dos modelos son iguales, pero las varianzas son:
Binomial: Var ( X )=npq

Hipergeometrica: Var ( X )=npq ( N−n

N−1 )

De modo que la varianza en la Hipergeometrica es necesariamente menor que en la

binomial, salvo cuando n=1, pero entonces las dos distribuciones se reducen a la Bernoulli.
Es fácil ver en qué condiciones cada distribución es el modelo apropiado. Si la población es
infinita, o el muestreo se realiza con reemplazo, el modelo adecuado es el Binomial. Si la
población es finita y el muestreo se realiza sin reemplazo, el modelo adecuado es
Hipergeometrico. Si N, el tamaño de la población, es grande, o si n es muy pequeño en
relación con N, puede usarse con buena aproximación el modelo binomial, aunque el
El lector debe notar que si n es muy pequeño en relación con N, entonces
N−n/ N−1 ¿=1, y las varianzas en los dos modelos son aproximadamente iguales, A
n
la cantidad de N− −1 se le llama el “Factor de corrección por finitud de la
N
población”, y representa el factor por el cual disminuye la varianza cuando la
población es finita y se muestrea sin reemplazo.

FUNCION DE PROBABILIDADES DE POISSON

En un modelo probabilístico Poisson se tienen las siguientes características:

El espacio muestral se genera por un número muy grande (puede considerarse
infinito) de repeticiones de un experimento cuyo modelo probabilístico es Bernoulli,
con probabilidades muy pequeñas de éxito. Por esta razón a la distribución de
Poisson se la llama “eventos raros”. Las repeticiones del experimento de Bernoulli se
realizan en cada uno de los puntos de un intervalo de tiempo o espacio.
El número de éxitos en el intervalo l j es independiente del número de éxitos en el
intervalo l k , donde l j ∩l k =∅
La probabilidad de que se tengan dos o más éxitos en el mismo punto del intervalo
es cero,

La función de probabilidades de poisson debe su nombre a su descubridor, el

matemático francés Simeon Denis Poisson (1781-1840).

FUNCIÓN DE PROBABILIDAD BINOMIAL NEGATIVA

En un modelo binomial de un experimento de Bernoulli con probabilidad P de éxito en cada
repetición, ¿Cuál es la probabilidad de que en n repeticiones se obtengan k éxitos? Y ¿Cuál es la
probabilidad de que para que obtengan k éxitos se requieran n repeticiones? En el primer caso
el número de repeticiones esta fijo y la variable aleatoria es el número de éxitos. En el segundo
caso el número de éxitos se fija de antemano y la variable aleatoria es el número de
repeticiones necesarias para obtener los éxitos requeridos. A esto se le llama Muestreo Binomial
Inverso.
El espacio muestral de una variable aleatoria cuya función de probabilidad es
Binomial Negativa se genera por las repeticiones independientes de un
experimento Bernoulli que son necesarias para obtener K éxitos.
Una variable N tiene la distribución Binomial Negativa si su función de probabilidad es:

n−1 pk qn −k ; n=k , k +1 …
{(
f N ( n )=P ( N =n ) = k −1 )
0 , de otra forma

Donde k es el número de éxitos que se desean, p es la probabilidad de éxito en cada intento y

q= 1-p.

Los parámetros de la distribución son k y p. La notación que se usará es: N~ B. N. (k,

p)
Las semejanzas y diferencias en la notación para la Binomial y la Binomial Negativa son:

FUNCIÓN DE VARIABLE VALORES DE LA

PARÁMETROS
PROBABILIDADES ALEATORIA VARIABLE ALEATORIA
BINOMIAL X n, p X= 0, 1, 2,…,n
BINOMIAL
N k, p N= k, k + 1,…
NEGATIVA

MEDIA Y VARIANZA DE LA BINOMIAL NEGATIVA

Si la variable aleatoria N tiene distribución Binomial Negativa, su media y varianza
son:
E(N) = k/p (6.11)
Var(N) = kq/p2 (6.12)
En relación con la distribución Binomial Negativa, puede definirse la variable aleatoria N’ como
el número de fracasos necesarios para obtener k éxitos. La función de probabilidades de N’ es:

n' +k −1 pk qn ; n' =0 , 1 ,2 , …
{(
'

N' '
f ( n ) = k −1 )
0 , de otra forma .

La media y la varianza de N’ son:

E(N’)= m (6.13)

Var(N’) = m + m2/k (6.14)

Donde: m= kq/p.
LA DISTRIBUCIÓN UNIFORME CONTINUA
Se dice que una variable aleatoria X tiene una distribución Uniforme Continua si su función de
densidad de probabilidad es:

{
f X ( x )= θ2 −θ1 1
; θ ≤ x ≤ θ2

0 , de otra forma .

Donde los parámetros de la distribución θ2 y θ 1 son dos números reales tales que θ2 <θ1,
diremos que: X ∪ [θ1 , θ2 ]

FUNCIÓN DE DENSIDAD UNIFORME

a) El espacio muestral es continuo
b) Si dos intervalos [a,b]⊂ [θ1 , θ2 ] y [c, d] ⊂ [θ1 , θ2 ] son tales que la anchura de [a, b]
es menor o igual que la de [c, d], es decir, b−a ≤ d−c, entonces:
P [ a ≤ X ≤ b ] ≤ P[c ≤ X ≤ d ].

MEDIA Y VARIANZA DE LA UNIFORME CONTINUA

Si X ∪ [ θ1 + θ2 ] , su media y su varianza son :
θ 1 +θ2
E ( X )=
2
Var ( X )=¿

LA DISTRIBUCIÓN NORMAL
Entre las funciones de densidad de variables aleatorias de tipo continuo destaca por su
importancia la llamada Distribución Normal o Ley Normal de Errores.
La gráfica de la distribución es simétrica, continua y en forma de campana. Esto sugiere
que los fenómenos en los que se va a usa la Normal como modelo deberán ser de tal
naturaleza que los valores numéricos de los datos que se presentan con mayor
frecuencia se concentren alrededor del valor esperado de X, y a medida que se alejan
de él, su frecuencia disminuye. Dada esta gráfica, es fácil comprender por qué esta
distribución se derivó como modelo para la distribución de frecuencias de los errores de
medición, donde E(X) es el valor verdadero de una constante que se desea determinar y
x es una medición cualquiera. El error en una medición es x – E(X). Es razonable suponer
que errores pequeños tienen una frecuencia alta, mientras que los errores muy grandes
tienen una frecuencia baja. También es válido suponer que un error en cierto número
de unidades por defecto sea tan frecuente como el mismo error en unidades por
exceso; de allí la simetría de la distribución.
Cabe recordar que debido a que la distribución Normal es continua, solamente pueden
calcularse probabilidades para intervalos en el espacio muestral de X, ya que para
cualquier posible valor k de X, P(X=k) =0. Asimismo debe recordarse que en cualquier
función de densidad P(X=x)≠ fX(x).

Los parámetros de distribución son µ y σ 2. Nótese que en este caso los parámetros
de la distribución coinciden con la media y la varianza de la variable aleatoria. Por la
gran importancia de esta distribución se explica la costumbre de llamar µ a la
media y σ 2 a la varianza de cualquier variable aleatoria. También debe recalcarse
que en este modelo, como en todos los discutidos previamente, más que una
distribución se tiene una familia de distribuciones. Cada par de valores µ y σ 2
determinan una función de densidad distinta. La notación que usaremos para
identificar una variable normal en especial X N ( µ , σ 2).
Si X N ( µ , σ 2) entonces:
1.- La distribución es simétrica alrededor de µ, el valor esperado de X.
2.- Debido a la simetría, la media, moda y mediana coinciden.
3.-La distancia horizontal entre una línea vertical erigida sobre E(X) y el punto de
inflexión de la curva es la desviación estándar ¿) de la distribución. A mayor σ ,
mayor es la probabilidad de intervalos que incluyen a valores extremos de X.
Si X es una variable aleatoria con media µX y varianza σ 2X, la variable aleatoria
X−μX
Z= tiene media cero y varianza uno. Se dice que Z es una variable
σX
estandarizada.

Si X N ( µ , σ 2), el cálculo de probabilidades para X puede reducirse al cálculo de

probabilidades en la variable aleatoria Z N (0 , 1) mediante la siguiente igualdad:
a−μ b−μ
P ( a ≤ X ≤ b )=P( ≤Z≤ )
σ σ
Donde a y b son números tales que a<b.

LA DISTRIBUCIÓN DE LA JI-CUADRADA
Esta distribución llamada Ji-Cuadrada, surge como la suma de cuadrados de variables
aleatorias independientes Z¡, cada una con distribución normal estándar. El caso más
sencillo se tiene cuando se considera una sola variable aleatoria normal estándar
elevada al cuadrado.
Una variable aleatoria x 2 se genera por la suma de variables aleatorias independientes
normal estándar elevadas al cuadrado. Al número de variables independientes en la
suma se le llama los grados de libertad, y es el parámetro de la distribución. Por lo tanto,
2 2 2 2
si X (v)=Z 1 +Z 2 +…+ Z V donde las Z¡ son normales estándar independientes, diremos que
X2 tiene una distribución Ji-cuadrada con v grados de libertad.

MEDIA Y VARIANZA DE LA DISTRIBUCIÓN JI-CUADRADA

2
Si una variable aleatoria X (v) tiene la distribución Ji-cuadrada con V grados de libertad se
tiene:

E ( X 2(v ))=v

Var ( X ¿ ¿(v )2)=2 v ¿

LA DISTRIBUCIÓN t DE STUDENT
La distribución t es simétrica, con media cero y de forma muy semejante a la normal
estándar. Surge de la manera que se establece en la siguiente definición.
2 2
Si Z es una variable N(0, 1), y si X X (v) y es independiente de Z, entonces la variable
Z
aleatoria definida por tiene una distribución t de Student con v grados de
√ x2/ v
libertad.
Baste decir que el parámetro de la distribución es v, el número de grados de libertad de
la X2 que la genera. Como en todos los modelos presentados, más que una distribución
se tiene una familia de distribuciones, en la cual la forma particular de cada miembro
depende de los grados de libertad. Si t tiene distribución de Student con v grados de
libertad escribiremos t t (v ).

LA DISTRIBUCIÓN F
2 2
Sean X (m) y X (n) dos variables aleatorias independientes distribuidas como Ji-cuadrada
con m y n de grados de libertad, respectivamente. Entonces, la variable aleatoria F
X 2(m ) /n
definida como tiene la distribución F con m y n grados de libertad.
X 2(n ) /n
La distribución F esta completamente determinada por los parámetros m y n, los
grados de libertad de las variables aleatorias Ji-cuadradas que le dan origen. En
ocasiones se identifica a F diciendo que tiene m grados de libertad en el numerador y n
en el denominador. La notación será F F mn .

Sea t una variable aleatoria distribuida como t de Student con v de grados de libertad;
entonces, el cuadrado de t se distribuye como F con 1 y v grados de libertad. En
símbolos:¿
1
Si la variable aleatoria F es tal que F F mn , entonces la variable aleatoria F∗¿ tiene la
F
distribución F nm