Fundamento de estadı́stica

Primer semestre de 2024

Prof. Carlos de Oro Aguado

cdeoroaguado@[Link]

Universidad del Norte

Prof. Carlos de Oro Aguado (UniNorte) cdeoroaguado@[Link] 1 / 12

 Distribuciones especiales Bernoulli

Definición de una distribución de Bernoulli

Sea X una variable aleatoria discreta. Supongamos que un experimento o ensayo, cuyo resultado
puede ser clasificado como un éxito o un fracaso. Si X = 1 cuando el resultado es un éxito y X = 0
cuando es un fracaso, entonces la función de probabilidad de X viene dada por:
(
p, si x = 1
P(X = x) =
1 − p, si x = 0

Observación
La variable aleatoria discreta de Bernoulli puede usarse para modelar muchas situaciones proba-
bilı́sticas genéricas que tienen dos resultados posibles, como:
El estado de una conexión en un red de computadores: operando o en falla.
El estado de salud de una persona: enferma o sana.
Es común nombrar uno de los resultados como “éxito (E)” y el otro “Fracaso (F)”. Combinando
varias variables aleatorias de Bernoulli se pueden construir variables aleatorias más complicadas.
Ejemplo
Elegir una persona de una población de 100 individuos y que esté enfermo. Entonces
(
1
, si x = 1 (enfermo)
P(X = x) = 100 99
100 , si x = 0 (sano)

Prof. Carlos de Oro Aguado (UniNorte) cdeoroaguado@[Link] 2 / 12

 Distribuciones especiales Binomial

Teorema
Suponga que X es una variable aleatoria que tiene distribución de Bernoulli. Entonces

E (X ) = p y V (X ) = p(1 − p)
Definición de experimento binomial
Un experimento binomial es obtenido con múltiples variables aleatorias de Bernoulli, por lo tanto es aquel
que tiene las siguientes caracterı́sticas:
1 El experimento consta de n pruebas.
2 Cada prueba tiene dos resultados posibles. Se llamarán éxito (E) y fracaso (F).
3 La probabilidad de tener éxito en una sola prueba es igual a p, y permanece constante de prueba en
prueba. La probabilidad de un fracaso es (1 − p) = q.
4 Las pruebas son independientes.
5 La variable aleatoria en estudio es X , el número de éxitos observados en las n pruebas.
Se deben verificar éstas caracterı́sticas para definir si un experimento es del tipo binomial.
Ejemplo
Determine si el siguiente experimento es binomial.
Consideremos el experimento de lanzar una moneda 10 veces y observar el número de caras que
resultan.
Un sistema de alarma para detectar aviones consta de cuatro unidades de radar idénticas que
trabajan independientemente. Cada una tiene una probabilidad de 0.95 de detectar un avión que
entra al área que vigilan. Si un avión aparece, se define X como el número de unidades de radar que
no detectan el avión.

Prof. Carlos de Oro Aguado (UniNorte) cdeoroaguado@[Link] 3 / 12

 Distribuciones especiales Binomial

Teorema.
Una variable aleatoria X tiene una distribución binomial, basada en n pruebas, con probabilidad de éxito p, si
y sólo si  !
 n p x q n−x , x = 1, 2, ..., n; y 0 ≤ p ≤ 1

b(x; n; p) = f (x) = x

0, en otro caso


Además, X
E (X ) = np, V (X ) = npq, B(t; n; p) := F (t) = P(X ≤ t) = b(x; n; p)
x≤t

Ejemplo
Una moneda no falsa es lanzada 10 veces. Consideremos el evento cara como éxito y sello como un fracaso.
Determine la probabilidad de:
a) Tener éxito 7 veces
b) Tener a lo más 7 éxitos
c) Tener por lo menos 3 éxitos
d) Tener entre 3 y 7 éxitos
e) Ningún éxito
f) Calcule la media, la varianza y la desviación estandar.

Prof. Carlos de Oro Aguado (UniNorte) cdeoroaguado@[Link] 4 / 12

 Distribuciones especiales Poisson

Definición de un experimento de poisson

Los experimentos que producen valores numéricos de una variable aleatoria X , el número de
resultados que ocurren durante un intervalo de tiempo determinado o en una región especı́fica,
se denominan experimentos de Poisson.
Observación
Un experimento de Poisson podrı́a generar observaciones para la variable aleatoria X que repre-
senta
El número de llamadas telefónicas por hora que recibe una oficina
El número de dı́as que una escuela permanece cerrada debido a las lluvias durante el
invierno
El número de ratas de campo por acre
El número de bacterias en un cultivo dado
El número de errores mecanográficos por página

Prof. Carlos de Oro Aguado (UniNorte) cdeoroaguado@[Link] 5 / 12

 Distribuciones especiales Poisson

Definición de una variable aleatoria de Poisson

Una variable aleatoria X tiene una distribución de probabilidad de Poisson, si y sólo si
λx −λ
P(X = x) = e , x = 0, 1, 2, ...; λ > 0
x!
Además,
E (X ) = λ, V (X ) = λ
Ejemplo
Los sábados por la mañana, los clientes entran en una pequeña tienda de un centro comercial
suburbano a una tasa esperada de 0.5 por minuto. Halle la probabilidad de que el número de clientes
que entran en un intervalo especı́fico de 10 minutos es (a) 3, (b) a los más 3.
Solución. Sea X la variable aleatoria que representa el número de clientes que entran en un intervalo
especı́fico de 10 minutos.

1 −5 3
P(X = 3) = e (5) = 0.14037
3!

P(X ≤ 3) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3)

1 1 1 1
= e −5 (5)0 + e −5 (5)1 + e −5 (5)2 + e −5 (5)3
0! 1! 2! 3!
= 0.26503
Prof. Carlos de Oro Aguado (UniNorte) cdeoroaguado@[Link] 6 / 12
 Distribuciones especiales Aproximación de la binomial a la de Poisson

Ejemplo
El número promedio de partı́culas radiactivas que pasan a través de un contador durante un milise-
gundo en un experimento de laboratorio es 4. ¿Cuál es la probabilidad de que entren entre 3 y 6
(inclusives) partı́culas al contador en un milisegundo determinado?
Solución. Sea X la variable aleatoria que representa el número de partı́culas que entran al contador.

P(3 ≤ X ≤ 6) = P(X = 3) + P(X = 4) + P(X = 5) + P(X = 6)

1 1 1 1
= e −4 43 + e −4 44 + e −4 45 + e −4 46
3! 4! 5! 6!
= 0.651

Teorema: Aproximación de la binomial a la de Poisson

Sea X un variable aleatoria binomial con parámetros n y p. Si n es grande (n ≥ 100), p pequeña
(p ≤ 0.01) y np tiene un tamaño moderado (np ≤ 20), entonces la distribución binomial con
parámetros n y p puede aproximarse bien por la distribución de Poisson con parámetro λ = np. Es
decir, bajo estas condiciones se cumple que:

b(k; n; p) ≈ p(k; np), k = 0, 1, 2, 3, ...

o, que es equivalente,
B(k; n; p) ≈ P(k; np), k = 0, 1, 2, 3, ...

Prof. Carlos de Oro Aguado (UniNorte) cdeoroaguado@[Link] 7 / 12

 Distribuciones especiales Aproximación de la binomial a la de Poisson

Ejemplo
Suponga que es conocido que en un libro de matemáticas de 400 páginas hay 200 errores, que están
distribuidos aleatoriamente en todo el texto. Calcule la probabilidad de que en una página dada (a)
no haya errores, (b) haya 2 o más.
Solución. Sea X la variable aleatoria que representa el número de errores por página. Ya que la
1
probabilidad de que un error aparezca en una página dada es p = 400 y que n = 200 entonces

P(x = 0) = b(0; 200; 0.0025)

P(X ≥ 2) = 1 − P(X ≤ 1) = 1 − B(1; 200; 0.0025)

Prof. Carlos de Oro Aguado (UniNorte) cdeoroaguado@[Link] 8 / 12

 Distribuciones continuas especiales Distribución normal

Definición de una distribución normal

Una variable aleatoria X tiene una distribución de probabilidad normal si y solamente si la función de
densidad de X es
1 (x−µ)2
ϕ(x; µ, σ) := f (x) = √ e − 2σ2 , para toda x ∈ R.
2πσ 2

La función de distribución acumulada correspondiente (que se simboliza como Φ) se define como

Z t
Φ(t; µ, σ) = F (t) = P(X ≤ t) = ϕ(x; µ, σ) dx
−∞

Además
E (X ) = µ y V (X ) = σ 2
Caracterı́sticas de una distribución normal
Hay ciertas caracterı́sticas importantes acerca de las caracterı́sticas de la distribución normal.
1) La función de densidad es simétrica y unimodal. Media, mediana y moda coinciden.
2) No es posible calcular la probabilidad de un intervalo simplemente usando la primitiva de la función de
densidad, ya que no tiene primitiva expresable en términos de funciones comunes.
3) Todas las distribuciones normales N(µ, σ), pueden ponerse mediante una traslación µ, y un cambio de
escala σ, como N(0, 1). Esta distribución especial se llama normal estándar tipificada.

Prof. Carlos de Oro Aguado (UniNorte) cdeoroaguado@[Link] 9 / 12

 Distribuciones continuas especiales Distribución normal

Existe una distribución normal especial, con parámetros µ = 0 y σ 2 = 1, conocida como Distribución Normal
Estándar o Z .
Variable Aleatoria Normal Estándar
Si X es una variable aleatoria normal con parámetros E (X ) = µ y V (X ) = σ 2 , entonces:

X −µ
Z=
σ
es una variable aleatoria normal estándar (E (Z ) = 0, V (Z ) = 1). También,
 
X −µ x −µ
F (t) = P(X ≤ t) = P < = P(Z ≤ z)
σ σ
x −µ
Se dice que z = es valor estandarizado de x.
σ
Las probabilidades acumuladas de Z se pueden obtener de la tabla de la distribución normal estándar.
Observación
El cálculo de la función de distribución acumulada requerirı́a calcular:
Z t
1 (x−µ)2
F (t) = √ e − 2σ2 dx
−∞ 2πσ 2
para la que no existe solución cerrada, sólo aproximaciones numéricas en tablas.
La distribución de probabilidad normal es simétrica con respecto a la media µ, por lo tanto es suficiente con
conocer los valores de las áreas bajo la curva de un solo lado.

Prof. Carlos de Oro Aguado (UniNorte) cdeoroaguado@[Link] 10 / 12

 Distribuciones continuas especiales Distribución normal

Ejemplo
Suponga que los diámetros de bolas de golf producidas por una compañia están normalmente distribuidas con
µ = 1.96 pulgadas y σ = 0.04 pulgadas. Una bola de golf se considera defectuosa si su diámetro es menor que
1.9 pulgadas o más grande que 2.02 pulgadas. ¿Cuál es esa probabilidad?
Solución.

P(X < 1.9 o X > 2.02) = 1 − P(1.9 < X < 2.02)

= 0.1336

Ejemplo
Una compañia fabrica bombillos con vida media de 500 horas y desviación estándar de 100. Si se supone que los
tiempos de vida útil de los bombillos se distribuyen normalmente, esto es que los tiempos de vida forman una
distribución normal, encuentre la probabilidad de que cierta cantidad de focos duren entre 650 y 780 horas.
Solución. Sea X la variable aleatoria que representa el tiempo de vida útil de los focos.

P(650 ≤ X ≤ 780) = P(X ≤ 780) − P(X ≤ 650)

   
780 − 500 650 − 500
=P Z ≤ −P Z ≤
100 100
   
780 − 500 650 − 500
=Φ −Φ
100 100
= Φ (2.8) − Φ (1.5) = 0.9974 − 0.9332 = 0.0642

Prof. Carlos de Oro Aguado (UniNorte) cdeoroaguado@[Link] 11 / 12

 Distribuciones continuas especiales Distribución normal

Teorema: Aproximación de la binomial a la normal

Consideremos un experimento binomial con parámetros n y p.
a) Si n ≤ 30, entonces la distribución binomial se puede aproximar a la distribución normal con µ = np y
σ 2 = np(1 − p).
b) Si np ≥ 5 y n(1 − p) ≥ 5 entonces también la distribución binomial se puede aproximar a la distribución
normal con µ = np y σ 2 = np(1 − p).
Aproximación de la binomial a la normal
Si X es cualquier variable aleatoria que tiene distribución binomial con parámetros n y p y si se cumple el teorema
anterior entonces !
k + 0.5 − np
P(X ≤ k) = B(k; n; p) ≈ Φ p
np(1 − p)
Ejemplo
Un fabricante sabe por experiencia que de 17000 productos, el 4% es rechazado por defectos. Si un nuevo lote
de 800 uninades va a ser inspeccionado, ¿Cuál es la probabilidad aproximada de que menos de 35 unidades sean
rechazadas?
Solución. Sea X la variable aleatoria que representa el número de productos rechazados. Luego X es una variable
aleatoria que tiene distribución binomial con parámetros n = 800 y p = 0.04. Como n ≥ 30 entonces se puede
aproximar a una distribución normal

µ = np = 32 y σ 2 = np(1 − p) = 30.72

Luego  
34 + 0.5 − 32
P(X < 35) = P(X ≤ 34) = B(34; 800, 0.04) ≈ Φ √ = Φ(0.45) = 0.6736
30.72

Prof. Carlos de Oro Aguado (UniNorte) cdeoroaguado@[Link] 12 / 12