Академический Документы
Профессиональный Документы
Культура Документы
Definicion 3 La distribucion de probabilidad para una variable aleatoria discreta Y se puede representar
por una formula, una tabla o una grafica que indique las probabilidades ppyq correspondientes a cada uno
de los valores de y.
Nota 1 ppyq 0, @y pero si no es asigna una probabilidad estrictamente positiva para algun
valor de y se
entiende que ppyq 0.
Ejemplo 1 Un capataz cuenta con 3 hombres y 3 mujeres bajo su mando. Desea elegir 2 trabajadores al azar
para una tarea. Sea Y la v.a. que representa el numero
de mujeres en su seleccion. Encontrar la distribucion
de probabilidad de Y.
pp0q PpY 0q 30 32 15
` ` 1 3
15 15
pp1q PpY 1q 31 31 15
` ` 1 1
3 3 15 35
pp2q PpY 2q 32 30 15 15 .
` ` 1 1
3 1 15
Teorema 1 Para cualquier distribucion de probabilidad de una variable aleatoria discreta, debe cumplirse
lo siguiente:
1q 0 ppyq 1@y,
2q ppyq 1, donde la sumatoria se realiza sobre todos los valores de y con probabilidad distinta de 0.
y
Esta convergencia se cumplira para todos los casos que vamos a utilizar.
Si ppyq es exactamente la distribucion
de frecuencias de la poblacion se tiene que EpYq .
Hay veces en las que se necesita calcular la esperanza no de una variable aleatoria, sino de una
funcion
de dicha variable, por ejemplo si pensamos en la varianza recordamos que es la media del
cuadrado de las desviaciones es decir pY q2 , por lo tanto se necesita el siguiente resultado
Teorema 2 Sea Y una variable aleatoria discreta con funcion de probabilidad ppyq, y sea gpyq una funcion
a valores reales de y. Entonces la esperanza de la variable aleatoria gpYq esta dada por
ErgpYqs gpyqppyq.
y
Demos: Supongamos que Y asume un numero finito de valores, sean y1 , , yn y que gpYq asume
los valores g1 , , gm , con m n. As resulta gpYq una variable aleatoria tal que
PrgpYq gi s ppy j q p pgi q.
y j : gpy j qgi
Usando la definicion
de esperanza se tiene que
m
m
m
n
ErgpYqs
gi p pgi q gi ppy j q gi ppy j q gpy j q ppy j q,
i1 i1 y j : gpy j qgi i1 y j : gpy j qgi j1
Definicion 5 La varianza de una variable aleatoria Y se define como el valor esperado de la variable
aleatoria pY q2 . Es decir
2 VpYq ErpY q2 s.
estandar
La desviacion de Y, , es la raz cuadrada positiva de la varianza de Y.
Para calcular la esperanza y varianza de una variable aleatoria con distribuciones conocidas es
conveniente manejar algunas herramientas dadas en el siguiente teorema-
Teorema 3 Sea Y una variable aleatoria discreta con distribucion de probabilidad ppyq. Entonces se verifica:
iq Sea c una constante real, entonces Epcq c.
iiq Sea gpYq una funcion a valores reales de la variable aleatoria Y y sea c una constante, entonces
ErcgpYqs cErgpYqs.
Demos: iq Epcq
cppyq c ppyq c.
y y
iiq y iiq inmediatos usando definicion
de esperanza.
ivq ErpY q s ErY 2Y ` 2 s ErY2 s ` Er2Ys ` Er2 s ErY2 s 2ErYs 2
2 2 2
ErY2 s 2 .
1.2. Distribucion
de probabilidad binomial
Existen experimentos que consisten en la observacion
de una serie de pruebas identicas e
independientes que pueden tener uno de dos resultados posibles. Por ejemplo, un artculo esta
bueno o defectuoso, cada una de n personas entrevistadas puede estar a favor o no de un cierto
candidato.
2. Cada prueba tiene dos resultados posibles. Se los llama a uno e xito y al otro fracaso
3. La probabilidad de tener un exito en una sola prueba es igual a p y permanece constante de una prueba
a la otra. La probabilidad de un fracaso es q 1 p.
Ejemplo 2 Supongamos que el 40 % de una gran poblacion es votantes esta a favor del candidato Fulano.
se toma una muestra aleatoria de n 10 votantes y se observa Y: cantidad que favorecen a Fulano. Es este
un experimento binomial?
Solucion: La eleccion
de las personas es aleatoria de modo que podemos considerar que tenemos
10 pruebas identicas, con resultados a favor (E) o en contra (F). La proba de estar a favor es de 0,40,
es la misma para cada prueba ya que la poblacion es mucho mayor que el tamano de la muestra
que es de 10. Finalmente la variable aleatoria de interes Y esta dada por la cantidad de e xitos en n
pruebas. {{
Calculemos la probabilidad de una n-upla cualquiera, podemos suponer que en ella tenemos y
e xitos y n y fracasos, luego la probabilidad de esa n-upla sera
p p p1 pq p1 pq p y p1 pqny .
y veces ny veces
`n
Se pueden tener y n-uplas con y e xitos y n y fracasos, luego la probabilidad de observar y e xitos
y n y fracasos sera
n y
p p1 pqny .
y
Definicion 7 Una variable aleatoria Y tiene una distribucion binomial, basada en n pruebas, con proba-
bilidad de exito p si y solo si
n y
ppyq p p1 pqny , y 0, 1, , n; 0 p 1.
y
Nota 3 Los puntos muestrales no son equiprobables.
La expresion binomial proviene del hecho que las probabilidades ppyq, y 0, , n son los terminos del
desarrollo del binomio
n
n y ny
n
pp ` qq p q ,
y0
y
ademas ppyq satisface las propiedades necesarias para una funcion de probabilidades, a saber:
1. 0 ppyq, y 0, 1, 2, , n,
n `
n
p y qny pp ` qqn 1
2. ppyq y
y y0
Ejemplo 3 Por experiencia se demuestra que el 30 % de todas las personas que padecen una cierta enferme-
dad se recuperan. Se desarrollo un nuevo tratamiento. Se seleccionan al azar 10 personas con la enfermedad
en cuestion y se les administra el tratamiento, poco tiempo despues 9 de dichos individuos se recuperan.
Supongase que el tratamiento es completamente ineficaz Cual es la probabilidad de que al menos 9 de 10
personas se recuperen?.
Teorema 4 Sea Y una variable aleatoria binomial basada en n pruebas y con una probabilidad de exito dada
por p. Entonces
EpYq np, 2 VpYq npq.
Demos: Segun
la definicion
de esperanza se tiene que
n n
n y ny n y ny
EpYq yppyq y p q y p q ,
y y0
y y1
y
n1 n1
n 1
pn 1q!
np z nz1
pq pz qn1z .
z0
pn z 1q!z! z0
z
Esta ultima
expresion
dentrode la sumatoria es la funcion
de probabilidad binomial basada en
n 1 pruebas, de modo que ppyq 1, y resulta
y
EpYq np.
Calculemos ahora la varianza, por resultado previo sabemos que 2 VpYq EpY2 q 2 . El
calculo directo de EpY2 q no sale tan directamente como sera esperable, por lo cual utilizaremos la
siguiente igualdad
ErYpY 1qs Ery2 Ys ErY2 s EpYq.
Calculemos
n n
n! n!
ErYpY 1qs ypy 1q p y qny p y qny
y2
y!pn yq! y2
py 2q!pn yq!
n n2
pn2q! pn2q!
npn 1qp2 ppy2q qny npn 1qp2 pz qn2z
py2q!pnyq! z!pn2yq!
y2 z0
n `
n2
npn 1qp2 pz qn2y npn 1qp2 .
z
y2
As queda
1.3. Distribucion
geometrica
La variable aleatoria con distribucion geometrica se define para un experimento similar al
binomial. Son pruebas identicas e independientes, cada prueba puede tener dos resultados, e xito
o fracaso, la probabilidad de e xito en una prueba es p constante. Lo que vara es la variable
aleatoria propiamente dicha, en este caso Y representa el numero
de la prueba en la cual ocurre
el primer e xito, de este modo, el experimento puede terminar en la primera prueba o prolongarse
indefinidamente.
El espacio muestral S para este experimento consta de los siguientes elementos
E1 E,
E2 FE,
E3 FFE,
..
.
Ek FF FE,
k1
ppyq q y1 p, y 1, 2, , 0 p 1.
Esta distribucion
se usa como modelo para la longitud de tiempo de espera.
Ejemplo 4 Supongase que se da mantenimiento al motor de un avion de manera periodica y de tal manera
que las diferentes partes se cambian en diferentes momentos, as la probabilidad de falla del motor durante
cualquier intervalo de una hora de operacion es la misma para todo intervalo de 1 hora que se considere.
Si definimos la variable aleatoria Y como el numero
de intervalos de 1 hora hasta el primer desperfecto del
motor, estamos en presencia de una distribucion geometrica. Si p 0,02, cual es la probabilidad de que el
motor funcione bien durante 2 horas.
8 8
Solucion: PpY 3q
ppyq, como se tiene que ppyq 1 se tiene que
y3 y0
{{
Teorema 5 Sea Y una variable aleatoria discreta con distribucion de probabilidad geometrica. Entonces
1 1p
EpYq , 2 VpYq .
p p2
As se tiene que
8
d y1 d q d 1q`q 1
EpYq p q p p 2
.
dq y1 dq 1 q dq p1 qq p
1.4. Distribucion
de probabilidad de Poisson
Supongamos que queremos encontrar la distribucion de probabilidad del numero
de accidentes
de auto en un cruce en un perodo de una semana. En principio no habra relacion entre esto y una
variable aleatoria binomial sin embargo...
Supongamos que partimos el perodo de una semana en n subintervalos de una duracion suficien-
temente pequena como para que en cada uno de ellos pueda producirse a lo sumo un accidente con
probabilidad positiva. Sea p la probabilidad de un accidente en cualquiera de los subintervaloes,
as:
P(ningun
accidente en un subintervalo) 1 p,
P(un accidente en un subintervalo) p,
P(mas de un accidente en un subintervalo) 0.
El numero
total de accidentes en una semana es igual al numero
de subintervalos en los que se
produjo un accidente. Si la ocurrencia de accidentes es independiente de un intervalo en otro, la
variable aleatoria que representa el numero
total de accidentes tiene una distribucion
binomial.
No conocemos ni n ni p pero parece razonable pensar que son inversamente proporcionales.
Tomemos np y tomando lmite en ppyq cuando n 0 se tiene
npn1qpny`1q y
n qny
`n
lm ppyq lm p y p1 pqny lm p q p1
n8 n8 y n8 y! n
n npn1qpny`1q
lm ny p1 n qny
n8 y!
n y1
lm p1 n qn p1 n qy p1 n1 qp1 n2 q p1 n q
y! n8
n
e
y!
Las variables aleatorias con esta distribucion se denominan variables aleatorias de Poisson. La
convergencia de la funcion de probabilidad binomial hacia la de Poisson tiene importancia ya que
para valores de n muy grandes puede utilizarse la distribucion de Poisson como una aproximacion
para las binomiales para n y p tales que np 7.
La distribucion de Poisson es un buen modelo para las variables aleatorias que representan su-
cesos raros, que ocurren con poca frecuencia en el tiempo, el espacio, etc. Por ejemplo accidentes
automovilsticos, industriales, arribos de clientes a un servicio, errores de tipeo cometidos por una
secretaria al escribir una pagina, etc.
y
ppyq e , y 0, 1, 2, 0.
y!
Teorema 6 Sea Y una variable aleatoria con distribucion de Poisson, con parametro . Entonces
EpYq , 2 VpYq .
Solucion: Si la distribucion
de retonos
es aleatoria, entonces el numero
de retonos Y se
por region,
puede representar por una variable aleatoria de Poisson con 5. As
0 5
PpY 0q pp0q e 0,006738
0!
La probabilidad que Y 0 para las 10 hectareas sera pe5 q10 , ya que el la probabilidad de la
interseccion
de eventos independientes, con lo que queda el producto de las probabilidades. {{
Referencias
[1] Mendenhall W., Estadstica para Administradores, Grupo Editorial Iberoamerica, 1990.
[2] Mendenhall W., Sheaer R., Wackerly D., Estadstica Matematica con Aplicaciones, Grupo Editorial Iberoamerica,
1994.
[3] Mendenhall W., Sincich T., Probabilidad y Estadstica para Ingeniera y Ciencias, Prentice-Hall Hispanoamericana, 1997
[4] Meyer P.L., A first course in Probability, Macmillan Publishing Company, 1992.
[5] Ross S. A First Course in Probability, Macmillan Publishers, 1988.