Probabilidades y Estadstica EST - 205
Profesor Patricio Videla Jimnez
Modelos para Variables Aleatorias Discretas
Modelo Bernoulli:
Se utiliza cuando la variable aleatoria asume slo dos estados: xito o Fracaso, 1 0, Si o No,
Aprobado o Reprobado, A favor o En Contra, etc.
Suponga que X es la variable aleatoria Bernoulli, que { } 1 , 0 =
X
y que
( ) p X P = = 1 0
( ) p X P = =1 ; 1 0 p
Entonces, la funcin de cuanta se puede anotar como:
( ) ( ) ( ) 1 , 0 , 1
1
= = = =
x p p x X P x p
x x
X
( X ~ ( ) p Ber )
Adems:
[ ] ( ) ( ) ( )
=
= + = = =
X
x x
X X
p p p x p x x p x X E . 1 1 0
1
0
[ ] ( ) [ ] ( ) ( ) ( ) ( ) ( )
=
= + = = =
X
x x
X X
p p p p p p x p x X E x p x X V . 1 1 1 0
2 2 2 2
1
0
2 2 2
Probabilidades y Estadstica EST - 205
Profesor Patricio Videla Jimnez
Modelo Binomial:
Surge de la realizacin de n ensayos de Bernoulli independientes.
Situacin:
El experimento se repite n veces bajo las mismas condiciones.
Cada repeticin del experimento tiene dos resultados: xito o Fracaso, 1 0, etc.
La probabilidad de xito es constante de ensayo en ensayo:
( ) p xito P =
( ) p Fracaso P =1
Los ensayos son independientes
Sea la variable aleatoria X : nmero de xitos en los n ensayos, { } n
X
, , 2 , 1 , 0 K =
Entonces, la funcin de cuanta se puede anotar como:
( ) ( ) ( ) n x p p
x
n
x X P x p
x n x
X
, , 2 , 1 , 0 , 1 K =
|
|
\
|
= = =
( X ~ ( ) p n Bin , )
Nota: ( ) ( ) p Ber p Bin , 1
Adems es posible mostrar que:
[ ] ( ) ( )
=
=
|
|
\
|
= =
X
x
n
x
x n x
X
np p p
x
n
x x p x X E . 1
0
[ ] ( ) [ ] ( ) ( ) ( ) ( ) =
|
|
\
|
= =
=
. 1 1
0
2 2 2 2
p np np p p
x
n
x X E x p x X V
X
x
n
x
x n x
X
Probabilidades y Estadstica EST - 205
Profesor Patricio Videla Jimnez
Ejemplo: Se estima que el porcentaje de ampolletas defectuosas de la produccin de una fbrica es
del 5%. Si por condiciones contractuales se ha acordado que la partida se rechaza si el nmero de
ampolletas defectuosas es mayor de 3 en una muestra de 25 ampolletas.
a) Cul es la probabilidad de que se rechace la partida?
b) Cul es la probabilidad de que se encuentren ms de 4 ampolletas defectuosas?
c) Cul es la probabilidad de que se encuentren menos de 3 ampolletas defectuosas?
Solucin:
X : nmero de ampolletas defectuosas entre las 25.
Sup. que ) 05 . 0 ; 25 ( ~ Bin X
a) ( ) ( ) = = = > . 0341 . 0 9659 . 0 1 3 1 3 X P X P
b) ( ) ( ) = = = > . 0072 . 0 9928 . 0 1 4 1 4 X P X P
c) ( ) ( ) = = < . 8729 . 0 2 3 X P X P
Modelo Poisson:
Sea X una variable aleatoria que representa el nmero de eventos aleatorios independientes que
ocurren a una rapidez constante sobre el tiempo o el espacio. Se dice entonces que la variable
aleatoria X tiene una distribucin de Poisson con funcin de cuanta dada por:
( ) ( ) 0 ; , 2 , 1 , 0 ;
!
> =
= = =
K x
x
e
x X P x p
x
X
( X ~ ( ) P )
El parmetro de de la distribucin de Poisson es , el nmero promedio de ocurrencias del evento
aleatorio por unidad de tiempo. Adems es posible mostrar que:
[ ] [ ] = = . X V X E
Probabilidades y Estadstica EST - 205
Profesor Patricio Videla Jimnez
Ejemplo: Para estudiar la efectividad de un insecticida (sobre un particular tipo de insecto), una
gran rea fue cubierta con el insecticida. Luego de un tiempo se inspeccion el rea, y se
escogieron regiones cuadradas previamente trazadas en un mapa areo, contndose en ellas la
cantidad de insectos vivos por cuadrado. Experiencias previas, han mostrado que la cantidad
promedio de insectos vivos por cuadrado, despus de aplicar el insecticida es 0,5.
a) Cul es la probabilidad que un cuadrado seleccionado al azar, contenga exactamente un
insecto vivo?
b) Qu proporcin de cuadrados tiene ms de dos insectos vivos?
c) Se eligen 15 cuadrados al azar Cul es la probabilidad que a lo ms 2 cuadrados tengan un
insectovivo?
Solucin:
Sea X : nmero de insectos vivos por cuadrado
Suponemos que ( ) P X ~ , donde 5 . 0 = .
a) ( ) 303 . 0
! 1
5 . 0
1
1 5 . 0
=
= =
e
X P .-
b) ( ) ( ) 0144 . 0 9856 . 0 1 2 1 2 = = = > X P X P .-
c) Sea Y : nmero de cuadrados, entre los 15 seleccionados, que tienen un insecto vivo.
( ) p Bin Y , 15 ~ , donde ( ) 3 . 0 303 . 0 1 = = = X P p
Se pide calcular ( ) 1268 . 0 2 = Y P .-
Probabilidades y Estadstica EST - 205
Profesor Patricio Videla Jimnez
Modelos para Variables Aleatorias Continuas
Modelo Normal: Si la funcin de densidad de probabilidad de la variable aleatoria X , que asume
todos los valores en , viene dada por:
( ) 0 , , ;
2
1
exp
2
1
2
> < < < <
(
(
\
|
=
x
x
x f
X
entonces se dice que X sigue una distribucin normal de parmetros y
2
. Generalmente se
denota X ~ ( )
2
, N .
Observaciones:
Es posible mostrar que:
( ) ( ) = = =
|
\
|
.
2
1
2
2
1
dx e x dx x f x X E
x
X
( ) ( ) ( ) ( ) ( ) = = =
|
\
|
.
2
1
2 2
2
1
2 2 2
2
dx e x X E dx x f x X V
x
X
Si X ~ ( ) 1 , 0 N , esto es:
( ) < < =
x e x f
x
X
;
2
1
2
2
1
Entonces se dice que X tiene una distribucin Normal Estndar. La importancia de esta
distribucin estandarizada radica en el hecho de que se encuentra tabulada. Cada vez que X
tiene una distribucin Normal, siempre es posible encontrar su forma estndar.
Teorema: Suponga que X ~ ( )
2
, N . Entonces:
( ) 1 , 0 ~ N
X
Z
=
Llamaremos ( ) z a la funcin de distribucin (de probabilidad acumulada) de la variable
Normal Estndar. Esto es:
( ) ( )
= =
z
x
z dx e z Z P z ,
2
1
2
1
La funcin se encuentra ampliamente tabulada en la literatura. Podemos utilizar la funcin
para calcular probabilidades asociadas con cualquier distribucin Normal.
Probabilidades y Estadstica EST - 205
Profesor Patricio Videla Jimnez
Ilustracin: Suponga que X ~ ( )
2
, N . Entonces:
( ) ( ) ( ) a X P b X P b X a P =
|
\
|
\
|
a X
P
b X
P
|
\
|
|
\
|
=
a
Z P
b
Z P , donde Z ~ ( ) 1 , 0 N
|
\
|
\
|
=
a b
Nota: De la definicin de la funcin es evidente que ( ) ( ) z z = 1 , z
Finalmente obtengamos ( ) k X k P + , donde X ~ ( )
2
, N .
( )
|
\
|
= + k
X
k P k X k P
( ) k Z k P = , donde Z ~ ( ) 1 , 0 N
( ) ( ) k Z P k Z P =
( ) ( ) k k =
( ) ( ) ( ) k k = 1
( ) 1 2 = k .-
Es decir, la probabilidad que una variable aleatoria normal tome valores dentro se media ms
menos k veces su desviacin estndar, es independiente de su media y su desviacin estndar.
En efecto, si X ~ ( )
2
, N , tenemos que:
( ) ( ) = = = + . 6826 . 0 1 8413 . 0 2 1 1 2 X P
( ) ( ) = = = + . 9544 . 0 1 9772 . 0 2 1 2 2 2 2 X P
( ) ( ) = = = + . 9974 . 0 1 9987 . 0 2 1 3 2 3 3 X P
Probabilidades y Estadstica EST - 205
Profesor Patricio Videla Jimnez
Ejemplo: Las notas obtenidas en un examen por un grupo grande de alumnos se distribuyen
segn una normal de media 700 y desviacin estndar 120.
a) Se obtiene una A con una nota mayor que 820. Qu proporcin de estudiantes reciben una
A?
b) Se obtiene una B con una nota entre 730 y 820. Un profesor tiene un grupo de 100 alumnos,
que puede verse como una muestra aleatoria del total de estudiantes. Hallar el nmero
esperado de esta clase que obtendrn una B.
c) Se decide suspender al 5% de estudiantes con notas ms bajas. Cul es la nota mnima
necesaria para no suspender?
Solucin:
Sea X : calificacin en el examen.
( )
2
120 ; 700 ~ N X
a) ( ) ( ) 1587 . 0 8413 . 0 1 1 1 820 = = = > Z P X P .-
(el 15.87% de los estudiantes obtienen una A)
b) ( ) ( ) ( ) 2426 . 0 5987 . 0 8413 . 0 25 . 0 1 820 730 = = < = < < Z P Z P X P .-
Sea Y : nmero de estudiantes, entre los 100, que obtienen una B.
( ) 2426 . 0 ; 100 ~ Bin Y
Se pide calcular [ ] 24 2426 . 0 100 = Y E . Es decir, se espera que 24 estudiantes obtengan
una B.
c) Se pide determinar x , tal que
( ) 05 . 0 = < x X P .
Es decir 05 . 0
120
700
=
|
\
|
x
Z P
645 . 1
120
700
=
x
6 . 502 = x (Nota mnima necesaria para no suspender)
