Modelos Discretos

Probabilidad y Estadı́stica (MAT032)

Alfredo Alegrı́a
Departamento de Matemática
Universidad Técnica Federico Santa Marı́a
Contenidos

X Distribución Bernoulli

X Distribución Binomial

X Distribución Geométrica

X Distribución Poisson

Modelos Discretos
2
Distribución Bernoulli

Un experimento Bernoulli sólo tiene dos resultados posibles. Por ejemplo,

• Al realizar una tarea, podrı́amos obtener éxito o fracaso.
• Al extraer artı́culos de una muestra, el resultado podrı́a ser un artı́culo
defectuoso o no defectuoso.

Formalmente, sea X una variable aleatoria tal que

P (X = 1) = p y P (X = 0) = 1 − p,

donde 0 ≤ p ≤ 1. Diremos que X sigue una distribución Bernoulli con

parámetro p, y se denota por X ∼ Ber(p).

Modelos Discretos
3
Distribución Bernoulli

La función de cuantı́a de una variable aleatoria Bernoulli se puede escribir

de la siguiente manera:
(
px (1 − p)1−x si x ∈ {0, 1}
fX (x) =
0 en otro caso

Observación
El parámetro p es la probabilidad de obtener éxito en el experimento. La
probabilidad de fracaso es 1 − p.

Modelos Discretos
4
Distribución Bernoulli

Utilizando la definición de la esperanza, tenemos que

E(X) = 1 × P (X = 1) + 0 × P (X = 0)

E(X) = p

Observe que

E(X 2 ) = 12 × P (X = 1) + 02 × P (X = 0) = p

De este modo, la varianza está dada por

var(X) = E(X 2 ) − E(X)2 = p − p2

var(X) = p(1 − p)

Modelos Discretos
5
Distribución Binomial

A continuación, se describe la distribución binomial. Sean Yi ∼ Ber(p),

para i = 1, . . . , n. Definimos la variable aleatoria
n
X
X= Yi
i=1

La variable X simboliza el número de éxitos al realizar n experimentos

Bernoulli independientes.
Diremos que X sigue una distribución binomial con parámetros n y p, y
usaremos la notación X ∼ Bin(n, p).

Modelos Discretos
6
Distribución Binomial

La función de cuantı́a está dada por

 
n x n−x
 x p (1 − p) si x ∈ {0, 1, . . . , n}


fX (x) =



0 en otro caso

Interpretación de la función de cuantı́a

La probabilidad de obtener x éxitos consecutivos es px . La probabilidad
de obtener
n − x fracasos consecutivos es (1 − p)n−x . En los n ensayos
existen nx formas distintas de obtener los x éxitos y n − x fracasos.

Modelos Discretos
7
Distribución Binomial

El teorema del binomio de Newton es útil cuando trabajamos con la dis-

tribución binomial:
m
X m!
(a + b)m = ay bm−y
y=0
y!(m − y)!

Se tiene que
n n
X n! X n!
E(X) = x· px (1−p)n−x = px (1−p)n−x
x=0
x!(n − x)! x=1
(x − 1)!(n − x)!

El siguiente paso consiste en hacer los cambios de variables y = x − 1 y

m = n − 1. Note que m − y = n − x.

Modelos Discretos
8
Distribución Binomial
Obtenemos la siguiente expresión para la esperanza:
m
X (m + 1)! y+1
E(X) = p (1 − p)m−y
y=0
y!(m − y)!
m
X m!
= (m + 1)p py (1 − p)m−y
y=0
y!(m − y)!
| {z }
1

E(X) = np

Ejercicio Propuesto
Sea X ∼ Bin(n, p). Muestre que la varianza de X es

var(X) = np(1 − p)

Modelos Discretos
9
Distribución Binomial

Ejercicio Resuelto
Se analiza el impacto de cierta medicina en el tratamiento de una enfer-
medad. Algunos estudios indican que el 65% de la población evoluciona
favorablemente cuando es inyectada con una dosis de la medicina. Se aplica
el medicamento a 15 personas de manera independiente y se observa si la
respuesta es favorable o desfavorable en cada caso.
(a) Calcule la probabilidad de que exactamente 12 personas evolucionen
favorablemente.
(b) Calcule la probabilidad de que al menos 10 personas muestren una
respuesta favorable.

Modelos Discretos
10
Distribución Binomial

Solución: Definimos la variable

X : número de personas que evolucionan favorablemente
Sabemos que X ∼ Bin(15, 0.65).
 
15
(a) P (X = 12) = 0.6512 0.353 = 0.111
12

9  
X 15
(b) P (X ≥ 10) = 1−P (X ≤ 9) = 1− 0.65x 0.3515−x = 0.564
x=0
x

Modelos Discretos
11
Distribución Binomial

Ejercicio Propuesto
Un estudiante contesta un examen de 20 preguntas de selección múltiple.
Cada pregunta tiene 4 alternativas. El estudiante sabe la respuesta de 10
preguntas, pero no tiene idea sobre las otras 10 ası́ que las responde al
azar. La nota en el examen (denotada por X) corresponde al número total
de respuestas correctas.
(a) Encuentre el recorrido de X.
(b) Encuentre la función de cuantı́a de X.
(c) ¿Cuál es la probabilidad de que obtenga una nota superior a 15?

Modelos Discretos
12
Distribución Geométrica

Considere un experimento Bernoulli con probabilidad de éxito p y proba-

bilidad de fracaso 1 − p. Definimos la variable aleatoria

X: número de repeticiones independientes

hasta obtener el primer éxito

Diremos que X sigue una distribución geométrica con parámetro p y

usaremos la notación X ∼ Geo(p). Su función de cuantı́a está dada por
(
p(1 − p)x−1 si x ∈ {1, 2, . . .}
fX (x) =
0 en otro caso

Interpretación de la función de cuantı́a

Se obtienen x − 1 fracasos consecutivos, cuya probabilidad es (1 − p)x−1 .
En el ensayo x-ésimo se obtiene el primer éxito, cuya probabilidad es p.

Modelos Discretos
13
Distribución Geométrica
Los siguientes argumentos permiten obtener la esperanza de X:
∞ ∞
X X d
E(X) = x · p(1 − p)x−1 = −p (1 − p)x
x=1 x=0
dp
∞
!  
d X
x d 1
= −p (1 − p) = −p .
dp x=0
dp 1 − (1 − p)

Concluı́mos que
1
E(X) =
p
Hemos utilizado el resultado conocido de la serie geométrica:
∞
X 1
cx = , −1 < c < 1
x=0
1−c

Modelos Discretos
14
Distribución Geométrica

Ejercicio Propuesto
Considere la variable aleatoria X ∼ Geo(p).
(a) Muestre que
2(1 − p)
E(X(X − 1)) = .
p2
Concluya que la varianza de X está dada por
1−p
var(X) = .
p2

(b) Muestre que la función de distribución acumulada es

FX (x) = 1 − (1 − p)x .

Modelos Discretos
15
Distribución Poisson

Una variable aleatoria X sigue una distribución Poisson con parámetro

λ > 0, si su función de cuantı́a se puede escribir de la siguiente manera:
 −λ x
e λ

 si x ∈ {0, 1, 2, . . .}
x!

fX (x) =


0 en otro caso


Usaremos la notación X ∼ Poisson(λ).

Aplicaciones
Esta distribución de probabilidad se utiliza generalmente para representar
el número de eventos que ocurren por unidad de tiempo, área o volumen.

Modelos Discretos
16
Distribución Poisson

Derivación de la Función de Cuantı́a

Un fenómeno de tipo Poisson con parámetro λ > 0 tiene (aproximada-
mente) las siguientes caracterı́sticas:
1. El número de eventos que ocurren en intervalos excluyentes son inde-
pendientes.
2. La probabilidad de que ocurra más de un evento en un intervalo
“pequeño” es cero.
Sea X el número de eventos que ocurren en un intervalo de longitud 1,
teniendo en cuenta una partición de tamaño 1/n. Entonces,

n!
P (X = x) = px (1 − p)n−x , x = 0, . . . , n,
x!(n − x)!

donde p es la probabilidad de que ocurra exactamente un evento en un

intervalo de longitud 1/n.

Modelos Discretos
17
Distribución Poisson

Derivación de la Función de Cuantı́a - continuación

Note que λ = E(X) = np, lo que implica que p = λ/n. Luego,
 x  n−x
n! λ λ
lim P (X = x) = lim 1−
n→∞ n→∞ x!(n − x)! n n
λx n(n − 1) · · · (n − x + 1)
= lim
x! n→∞ nx
 n  −x
λ λ
× lim 1 − lim 1 −
n→∞ n n→∞ n
λx
= × 1 × e−λ × 1
x!

Modelos Discretos
18
Distribución Poisson

Utilizando la representación en serie de Taylor de la función exponencial

∞
X zx
= ez
x=0
x!

podemos obtener la esperanza de X:

∞ ∞
X e−λ λx X λx−1
E(X) = x· = λe−λ =⇒ E(X) = λ
x=0
x! x=1
(x − 1)!
| {z }
eλ

Ejercicio Propuesto
Sea X ∼ Poisson(λ). Muestre que la varianza es var(X) = λ.

Modelos Discretos
19
Distribución Poisson

Ejercicio Resuelto
La ocurrencia en el tiempo de cargas estructurales en una construcción
de concreto se puede modelar a través de una distribución de Poisson.
Suponga que el tiempo promedio entre ocurrencias de cargas es medio
año.
(a) ¿Cuántas cargas se espera que ocurran durante dos años?
(b) ¿Cuál es la probabilidad de que ocurran más de 3 cargas durante dos
años?
(c) ¿Cuán largo debe ser un periodo para que la probabilidad de que no
ocurra ninguna carga durante ese tiempo sea a lo sumo 0.1?

Modelos Discretos
20
Distribución Poisson

Solución:
(a) En promedio se esperan 2 ocurrencias por año. La respuesta es directa:
se esperan en promedio 4 ocurrencias en 2 años.
(b) Definamos la variable aleatoria X(t) : número de ocurrencias durante
un perı́odo de t años. Utilizando la parte (a), sabemos que X(t) ∼
Poisson(2t). En particular, X(2) ∼ Poisson(4). Luego,

P (X(2) > 3) = 1 − P (X(2) ≤ 3)

3
!
x
−4 4
X
= 1− e
x=0
x!
= 0.566

Modelos Discretos
21
Distribución Poisson

Solución (continuación):
(c) Considere nuevamente la variable aleatoria X(t) ∼ Poisson(2t). Debe-
mos encontrar t de tal manera que

P (X(t) = 0) ≤ 0.1

Esto es equivalente a la condición

e−2t ≤ 0.1

Resolviendo esta desigualdad, concluı́mos que

1
t ≥ − ln(0.1) = 1.15 (años)
2

Modelos Discretos
22
Distribución Poisson

Ejercicio Propuesto
Una marca de comida rápida dispone de 5 sucursales. Cada sucursal fun-
ciona durante las 24 horas del dia. El número de clientes que llega a cada
sucursal sigue una distribución de Poisson con una llegada promedio de
2 clientes por minuto. Las afluencias de clientes en las 5 sucursales son
independientes.
(a) ¿Cuál es la probabilidad de que en un periodo de 1 minuto, no llegue
ningún cliente a la primera sucursal?
(b) ¿Cuál es la probabilidad de que en un periodo de 1 minuto, exacta-
mente en cuatro de las cinco sucursales no llegue ningún cliente?
(c) Escriba una expresión para la probabilidad de que en un periodo de 1
minuto, todas las sucursales reciban el mismo número de clientes.

Modelos Discretos
23
Distribución Poisson

Ejercicio Propuesto
En un campo están distribuı́dos al azar saltamontes según una distribución
de Poisson con una media de 2 saltamontes por km2 . ¿Qué longitud debe
tener el radio R de una región circular de muestreo para que la probabilidad
de hallar al menos 1 saltamonte en dicha región sea igual a 0.99?

Modelos Discretos
24
¿Preguntas?

Modelos Discretos
25