Estadistica Tema 4b

B LOQUE II.
Modelos probabilı́sticos
Tema 4 (parte II). Algunos modelos especiales
Asignatura: MATEMÁTICAS III
Bloque II/Tema 4 (parte II) Matematicas III 1 / 52

Contenidos
1 Modelos discretos
Proceso de Bernouilli
Distribución binomial
Distribución geométrica
Distribución de Poisson.
2 Modelos continuos
Distribución uniforme
Distribución exponencial
Distribución normal

Modelos discretos
Contenidos
1 Modelos discretos
2 Modelos continuos

Modelos discretos
1. Modelos discretos
Definiciones básicas
Como mencionábamos en el Tema 4(I): Variables aleatorias,

una variable aleatoria discreta es aquélla que sólo puede tomar
un número finito o infinito numerable de posibles valores.
Existen infinitos tipos de variables aleatorias discretas, basta con
definir una función f (x) que cumpla las propiedades establecidas
para la función de masa de probabilidad en el tema anterior.
De entre todos los modelos posibles, destacan algunos por su
especial relevancia, modelizando situaciones de carácter real o
teórico de interés. En este tema, estudiaremos los siguientes
modelos de variables aleatorias discretas:
Proceso de Bernouilli;
Distribución binomial;
Distribución geométrica;
Modelos discretos Proceso de Bernouilli
Contenidos
Consideremos un experimento aleatorio con dos resultados

posibles, éxito (E) y fracaso (F), con probabilidades p y q = 1 − p.
La repetición de forma independiente de este experimento
constituye lo que se conoce como un proceso de Bernoulli.
Los procesos de Bernoulli permiten modelizar muchos fenómenos
de la vida real.
Si consideremos una única realización del proceso de Bernoulli,
la variable aleatoria X = “Número de éxitos” sigue una
distribución de Bernoulli de parámetro p, X ∼ Ber (p).

La función de masa de probabilidad es

p,
 si x = 1
fX (x) = q = 1 − p, si x = 0 .

0, en otro caso

La esperanza de una variable aleatoria X ∼ Ber (p) es
E[X ] = 0 · Pr (X = 0) + 1 · Pr (X = 1) = 0 · q + 1 · p = p.
Su momento de orden 2 es
E[X 2 ] = 02 · q + 12 · p = p,
y, por tanto, su varianza es
V (X ) = E[X 2 ] − E 2 [X ] = p − p2 = p · (1 − p) = p · q.
Ejemplos de experimentos que siguen una distribución de Bernouilli

Al lanzar una moneda, definimos el suceso “éxito” (E) como
“sacar cara” y el suceso “fracaso” (F, suceso complementario)
como “sacar cruz”. En el caso de una moneda “honesta”, ambos
sucesos tienen la misma probabilidad Pr (E) = Pr (F ) = 0,5.
Al lanzar 3 monedas “honestas”, definimos E como “sacar más de
dos caras” y F (suceso complementario) como “sacar dos o
menos caras”. En el caso de monedas “honestas”, Pr (E) = 18 y
Pr (F ) = 87 (¿por qué?).
Al lanzar dos dados “honestos”, definimos E como “la suma de las
caras es número primo” y F (complementario) como “la suma de
las caras no es número primo”. Calcula Pr (E) y Pr (F ).

Modelos discretos Distribución binomial
Contenidos
1 Modelos discretos
2 Modelos continuos

La distribución binomial cuenta el número de éxitos ocurridos en
n realizaciones idénticas e independientes de un experimento de
Bernouilli, es decir, X = “Número de éxitos”, X ∼ Bin(n, p).
fX (k) = Pr (X = k ) = kn pk (1 − p)n−k , si k = 0, 1, 2, . . . , n.

La esperanza de una variable X ∼ Bin(n, p) es

n
X
n
pk q n−k = n · p.

E[X ] = k· k
k=1
La varianza es
n
X
n
k2 · pk q n−k − n2 · p2 = n · p · (1 − p) = n · p · q.

V (X ) = k
k=1
Función de masa para Bin(10,0.1) Función de masa para Bin(10,0.3) Función de masa para Bin(10,0.5)
0.25
0.20
0.3
0.20
0.15
0.15
0.2
0.10
0.10
0.1
0.05
0.05
0.00
0.00
0.0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
x x x
Función de masa para Bin(10,0.6) Función de masa para Bin(10,0.8) Función de masa para Bin(10,0.95)
0.25
0.30
0.25
0.5
0.20
0.20
0.4
0.15
0.15
0.3
0.10
0.10
0.2
0.05
0.05
0.1
0.00
0.00
0.0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
x x x

Ejemplos de variables aleatorias binomiales
Un jugador de baloncesto tiene un porcentaje (histórico) de
aciertos en tiros libres del 85 %. Si lanza 10 libres. ¿Cuál es la
probabilidad de que enceste al menos 3?
La compañı́a aérea FLYCOST tiene una tasa de puntualidad del
98 %. En el próximo mes, voy a volar tres veces con ellos (vuelos
de ida y vuelta, es decir, 6 trayectos en total). ¿Cuál es la
probabilidad de que todos mis vuelos lleguen puntuales?
La probabilidad de que en nacimientos individuales (un sólo
bebé por parto), el bebé sea niña es del 0.51. Si una pareja
planea tener 4 bebés en los próximos años, y suponemos que
todos los partos van a ser individuales, ¿cuál es la probabilidad
de que todos los hijos sean varones?
Calcula E(X ), E(X 2 ), y V (X ) para los ejemplos anteriores.

Modelos discretos Distribución geométrica
Contenidos
1 Modelos discretos
2 Modelos continuos

La distribución geométrica modeliza el número de veces que hay
que repetir un experimento de Bernoulli para obtener un éxito,
X ∼ Ge(p). Distribución geométrica
(
(1 − p)k−1 p = q k−1 p, si k = 1, 2, 3, 4, . . .
fX (k) = Pr (X = k) =
0, en otro caso
La esperanza de una variable X ∼ Ge(p) es
∞
X
E[X ] = k · q k−1 · p = p1 .
k=1
La varianza es
∞
X 1−p q
V (X ) = k 2 · q k−1 · p − 1
p2
= p2
= p2
.
k=1
Función de masa para Geom(0.1) Función de masa para Geom(0.3) Función de masa para Geom(0.4)
0.10
0.30
0.4
0.25
0.08
0.3
0.20
0.06
0.15
0.2
0.04
0.10
0.1
0.02
0.05
0.00
0.00
0.0
0 1 2 3 4 5 6 7 8 9 11 13 15 17 19 0 1 2 3 4 5 6 7 8 9 11 13 15 17 19 0 1 2 3 4 5 6 7 8 9 11 13 15 17 19
x x x
Función de masa para Geom(0.6) Función de masa para Geom(0.7) Función de masa para Geom(0.9)
0.6
0.7
0.8
0.6
0.5
0.5
0.4
0.6
0.4
0.3
0.4
0.3
0.2
0.2
0.2
0.1
0.1
0.0
0.0
0.0
0 1 2 3 4 5 6 7 8 9 11 13 15 17 19 0 1 2 3 4 5 6 7 8 9 11 13 15 17 19 0 1 2 3 4 5 6 7 8 9 11 13 15 17 19
x x x

Ejemplos de variables aleatorias geométricas

¿Cuál es la probabilidad de que el jugador de baloncesto enceste
10 tiros libres seguidos antes de fallar el primer tiro libre?
¿Cuál es la probabilidad de que una persona que empieza a volar
con la compañı́a FLYCOST tenga retrasos en sus 8 primeros
vuelos, y que el noveno vuelo llegue por fin puntual?
¿Cuál es la probabilidad de que, como mı́nimo, los 5 primeros
bebés nacidos en el año 2011 de partos individuales sean niños?
Calcula E(X ), E(X 2 ), y V (X ) para las siguientes v.a.:
X =”nÂo de tiros libres encestados antes de fallar el primero”.
Y =”número de vuelos puntuales de la compañı́a FLYCOST en el
año 2011 hasta que tengan el primer retraso”.

Modelos discretos Distribución de Poisson.
Contenidos
1 Modelos discretos
2 Modelos continuos

Distribución de Poisson
La Distribución de Poisson considera un experimento que

observa la aparición de sucesos puntuales sobre un soporte
continuo. Distribución de Poisson
Dichos sucesos aleatorios ocurren de manera independiente y
con una intensidad de ocurrencias constante en el tiempo o en el
espacio. Definimos la v.a. X ∼ Pois(λ).
La distribución de Poisson se obtiene como lı́mite de la binomial
cuando n → ∞, p → 0 y el número medio de éxitos (np) se
estabiliza alrededor de un número λ > 0, con lo que
( k
λ −λ
e , para k = 0, 1, 2, . . .
Pr (X = k) = k! .
0, en otro caso
λ cambia si se considera un intervalo de diferente longitud.

La esperanza de una variable X ∼ Po(λ) es

∞ ∞
X e−λ λk X λk
E[X ] = k· = e−λ k· = λ.
k! k!
k=0 k=0
Su varianza es
∞
X e−λ λk
V (X ) = k2 · − λ2 = λ.
k!
k=0
Observamos que se verifica E(X ) = V (X ) (esto sólo ocurre en

variables aleatorias de la familia de Poisson).
Si λ ∈ N, la distribución tiene dos modas: λ y λ − 1, en otro caso,
la única moda es bλc − 1 (parte entera).

Función de masa para Pois(0.4) Función de masa para Pois(0.8) Función de masa para Pois(1)
0.35
0.6
0.4
0.30
0.5
0.25
0.3
0.4
0.20
0.3
0.2
0.15
0.2
0.10
0.1
0.1
0.05
0.00
0.0
0.0
0 2 4 6 8 10 12 14 16 18 20 22 24 0 2 4 6 8 10 12 14 16 18 20 22 24 0 2 4 6 8 10 12 14 16 18 20 22 24
x x x
Función de masa para Pois(3) Función de masa para Pois(8) Función de masa para Pois(15)
0.10
0.20
0.12
0.08
0.10
0.15
0.06
0.08
0.10
0.06
0.04
0.04
0.05
0.02
0.02
0.00
0.00
0.00
0 2 4 6 8 10 12 14 16 18 20 22 24 0 2 4 6 8 10 12 14 16 18 20 22 24 0 2 4 6 8 10 12 14 16 18 20 22 24
x x x

Ejemplos de variables aleatorias de Poisson
Cierta enfermedad tiene una probabilidad muy baja de ocurrir,
p = 1/100, 000. Calcular la probabilidad de que en una ciudad
con 500,000 habitantes haya más de 3 personas con dicha
enfermedad. (Aproxima la binomial por una Poisson).
Si un banco recibe en promedio 6 cheques sin fondo por dı́a,
¿cuál es la probabilidad de que reciba más de cuatro cheques sin
fondo en un dı́a dado?
En la inspección de un proceso electrolı́tico, se identifican 0.2
imperfecciones en promedio por minuto. ¿Cuál es la probabilidad
de identificar al menos dos imperfecciones en 5 minutos?
Si el 2 % de los libros encuadernados en cierto taller tiene
encuadernación defectuosa, ¿cuál es la probabilidad de que 5 de
400 libros de este taller tengan encuadernaciones defectuosas?

Distribución de Poisson. Ejemplo
Una compañı́a alquila un ordenador por periodos de t horas, con

un precio de 600 euros por hora. El número de averı́as x durante
el periodo de alquiler se puede aproximar mediante una variable
aleatoria con distribución de Poisson con λ = 0, 08t y la empresa
debe indemnizar al cliente con 50x 2 euros. ¿Cuál es la duración
óptima del periodo de alquiler, es decir, cómo debe seleccionar la
compañı́a t para maximizar el beneficio esperado?
Solución:
El ordenador se estropea una media de 0, 08t veces, con un coste
promedio de 50(0, 08t)2 = 0, 32t 2 euros.
Como el beneficio es 600t − 0, 32t 2 , esta es la función que hay que
optimizar. El máximo se alcanza en el vértice de la parábola:
t = 937, 50 horas (aproximadamente 39 dı́as).

Modelos continuos
Contenidos
1 Modelos discretos
2 Modelos continuos

Modelos continuos
Como mencionábamos en el Tema 4(I): Variables aleatorias,

una variable aleatoria continua es aquélla cuyo rango de posibles
valores es un subconjunto no numerable de la recta real
x ∈ A ⊂ R.
Existen infinitos tipos de variables aleatorias continuas, basta con
definir una función f (x) que cumpla las propiedades establecidas
para la función de densidad en el tema anterior.
Al contrario de lo que ocurre con las variables discretas, no se
puede conocer el valor exacto de una variable continua. Por este
motivo, en el caso continuo resulta lo interesante no es calcular
probabilidades para puntos aislados, sino para intervalos.

Modelos continuos
El tiempo transcurrido entre dos llamadas telefónicas,

ΩX = (0, ∞);
La altura media de los estudiantes de la URJC, ΩX = (a, b) ⊂ R;
La proporción de personas fumadoras en Madrid, ΩX = [0, 1];
La varianza en el sueldo medio del personal administrativo de la
URJC, ΩX = [0, ∞);
Nuestra temperatura corporal, ΩX = (a, b) ⊂ R;
Los beneficios/pérdidas anuales de un banco ΩX = (a, b) ⊂ R.

Modelos continuos
De entre todos los modelos posibles, destacan algunos por su

especial relevancia, modelizando situaciones de carácter real o
teórico de interés. En este tema, estudiaremos los siguientes
modelos de variables aleatorias continuas:
Distribución uniforme;
Distribución beta;
Distribución exponencial;
Distribución normal (univariante y multivariante).

Modelos continuos Distribución uniforme
Contenidos
1 Modelos discretos
2 Modelos continuos

La distribución uniforme modeliza situaciones en las cuales la

probabilidad está repartida de manera uniforme entre los valores
del soporte, es decir, casos en los que todos los subintervalos del
soporte de la misma longitud tienen igual probabilidad.
Si a, b ∈ R con a < b, se dice X ∼ U(a, b) si su función de
densidad es 
 1 , si a < x < b,
f (x) = b − a
0, en el resto.
La densidad de una variable uniforme es constante a lo largo de
su soporte, y, por tanto, la probabilidad de que X ∈ (a, b)
depende sólo de la longitud del intervalo ` = b − a. Distribución
uniforme

Ejemplos
Tenemos una cuerda de 2 m de longitud que queremos cortar por
un punto al azar a distancia X de uno de los extremos. La
posición de X sigue una distribución uniforme, X ∼ U(0, 2) m. Su
función de densidad es
(
1
si 0 ≤ x ≤ 2
fX (x) = 2 .
0 en otro caso
En el juego de la “Ruleta de la Fortuna”, la posición final del

puntero que marca la casilla en la que se cae es una variable
aleatoria uniforme X que puede tomar cualquier valor entre 0 y 2π
(ángulo en radianes). Su función de densidad es
(
1
si 0 ≤ x ≤ 2π
fX (x) = 2π .
0 en otro caso
La función de distribución de una variable aleatoria X ∼ U(a, b)
es 
0,
 x ≤ a,
x−a
F (x) = b−a , a < x < b,

1, x ≥ b.

La esperanza de una variable X ∼ U(a, b) es

Z b
1 1 b 2 − a2 a+b
E[X ] = x dx = · = .
a b − a b − a 2 2
El momento de segundo orden y la varianza son
Z b
2 1 1 b 3 − a3 1 2
E[X ] = x2 dx = · = b + ab + a2 .
a b−a b−a 3 3
a + b 2 b2 − 2ab + a2 (b − a)2

1 2
V (X ) = b + ab + a2 − = = .
3 2 12 12
Ejemplos
En el ejemplo de la cuerda, la esperanza es
Z ∞ Z 2 h i2
1 1 x2 1 4
E(x) = xfX (x)dx = 2 xdx = 2 2 0 = 2 · 2 = 1.
−∞ 0
El segundo momento es
Z ∞ Z 2 h i2
2 2 x3
E(x ) = x fX (x)dx = 1
2 x 2 dx = 1
2 3 0 = 1
2 · 8
3 = 43 ,
−∞ 0
y, por tanto, la varianza es
V (X ) = E(X 2 ) − (E(X ))2 = 4

3 − 1 = 13 .

Función de densidad de la distribución uniforme
1
b−a a b
f(x)
Función de distribución de la distribución uniforme
1
F(x)
a b

Distribución uniforme. Ejemplo
Por la experiencia que tiene, el jefe de producción de una

empresa sabe que para lograr un contrato, las cantidades por las
que se conceden
siguen una distribución uniforme en el intervalo
2C
3 , 2C , donde C es el coste estimado por desarrollar el trabajo.
¿Cuál es el beneficio esperado?
Solución:
2C
+2C 4C
El precio medio que paga por obras es: 3 2 = 3 .
Por tanto, el beneficio esperado es 4C C
3 −C = 3.

Modelos continuos Distribución exponencial
Contenidos
1 Modelos discretos
2 Modelos continuos

La distribución exponencial modeliza el tiempo que transcurre
entre dos ocurrencias consecutivas en situaciones en las que que
el proceso que genera esas ocurrencias es un proceso de
Poisson, y por tanto no tiene memoria.
Sea λ > 0. La función de densidad de T ∼ Exp(λ) es
(
λe−λx para x > 0,
fT (x) =
0 para x ≤ 0.
La función de distribución de una variable aleatoria T ∼ Exp(λ) es

Z x (
0 si x ≤ 0,
FT (x) = Pr (T ≤ x) = fT (s) ds = −λx
−∞ 1−e si x > 0.
Ejemplos
En el ejemplo del tiempo necesario para que llegue el servicio de
urgencias, T , si suponemos que el tiempo medio es de 30
minutos, la función de densidad es
fT (t) = λ exp(−λt) = 2 exp(−2t),
si expresamos el tiempo en horas.

La función de distribuci
R t ón se obtiene de la forma habitual,
integrando FT (t) = −∞ fT (s)ds, o usando la fórmula para el caso
particular de la distribución exponencial
FT (t) = 1 − exp(−λt) = 1 − exp(−2t).

Integrando por partes se obtiene que, para una variable aleatoria
T con distribución T ∼ Exp(λ), la esperanza
Z ∞
1
E[T ] = xλe−λx dx = .
0 λ
Además, integrando dos veces por partes llega a la expresión
Z ∞
2
2
E[T ] = x 2 λe−λx dx = 2 .
0 λ
Por tanto, la varianza de T es
2 1 1
V (T ) = 2
− 2 = 2.
λ λ λ
Las variables aleatorias de la familia exponencial son las únicas
para las que la varianza coincide con el cuadrado de la
esperanza.
2.3. Distribución exponencial
Ejemplos
En el ejemplo anterior, el cálculo de la esperanza es inmediato
1 1
E(T ) = λ = 2 horas.
La varianza se calcula también aplicando la fórmula para la

distribución exponencial
V (T ) = 1
λ2
= 1
4 horas2 ,
y el segundo momento se calcula como
1 2
E(T 2 ) = V (T ) + (E(T ))2 = 1 1 2

4 + 2 = 2 = λ2
.

Supongamos que el número de ocurrencias de un suceso sigue

un proceso de Poisson, y que el número esperado de
ocurrencias por unidad de tiempo es λ. Los tiempos entre
llegadas siguen una distribución exponencial.
Puesto que el número de ocurrencias del suceso sigue un
proceso de Poisson, la distribución del número de ocurrencias en
el intervalo [0, t], que podemos denotar por Nt , es Nt ∼ Po(λt).
Si llamamos T al tiempo entre llegadas, Pr (T > t) = Pr (Nt = 0)
0
= e−λt (λt)
0! = e
−λt , por tanto F (t) = Pr (T ≤ t) = 1 − e−λt (el
T
recı́proco también es cierto: si T ∼ Exp(λ), entonces Nt sigue una
distribución Nt ∼ Po(λt)).
Exp(λ) tiene falta de memoria,
Pr ( T > t + h| T > t) = Pr (T > h).

Función de densidad exponencial
λ=0.5
6
λ=0.8
λ=1
λ=2
λ=4
5
λ=6
4
f(x)
3
2
1
0
0.0 0.5 1.0 1.5 2.0 2.5 3.0

Distribución exponencial. Ejemplo
El tiempo (en horas) que un tipo de máquina tarda en averiarse se

puede aproximar mediante una variable aleatoria Y con distribución
exponencial de parámetro λ = 0, 01.
En un taller hay 3 máquinas de ese tipo funcionando. Calcular:
1 Probabilidad de que la máquina 1 falle en las 100 primeras horas.

2 Probabilidad de que falle al menos una de las máquinas en las
100 primeras horas.
3 Sabiendo que en las 100 primeras horas ha fallado al menos una
de las máquinas, ¿cuál es la probabilidad de que en este periodo
se haya averiado la máquina 1?

Modelos continuos Distribución normal
Contenidos
1 Modelos discretos
2 Modelos continuos

La distribución normal tiene las siguientes propiedades:

1 Las mediciones de magnitudes incluyen habitualmente errores que,
en muchos casos, siguen una distribución normal.
2 El Teorema Central del Lı́mite establece que para muestras
grandes, muchas funciones de las observaciones muestrales
tienen una distribución que es aproximadamente normal.
3 Los cálculos relativos a la distribución normal son relativamente
sencillos, debido a sus propiedades matemáticas.
4 Distribución normal

Dados µ ∈ R y σ 2 > 0, se dice que X ∼ N µ, σ 2 si ∀x ∈ R, su

función de densidad es
!
1 (x − µ)2
fX (x) = √ exp − .
2πσ 2σ 2
Se demuestra que ∀x ∈ R
1 fRX (x) > 0
∞
2
−∞ X
f (x) dx = 1.

Ejemplos de variables aleatorias normales

Caracteres morfológicos de individuos como la estatura;
Caracteres fisiológicos como el efecto de un fármaco;
Caracteres sociológicos como el consumo de cierto producto por
un mismo grupo de individuos;
Caracteres psicológicos como el cociente intelectual;
Nivel de ruido en telecomunicaciones;
Errores cometidos al medir ciertas magnitudes;
···

La esperanza de X ∼ N µ, σ 2 es

!
(x − µ)2
∞
Z
1
E[X ] = √ x exp − dx = µ.
2πσ −∞ 2σ 2
El momento de segundo orden es

!
∞
(x − µ)2
Z
1
E[X 2 ] = √ x 2 exp − dx = µ2 + σ 2 .
2πσ −∞ 2σ 2
En consecuencia, la varianza es
V (X ) = E[X 2 ] − E 2 [X ] = σ 2 .
Es decir, el parámetro µ es la esperanza de la distribución

normal, y el parámetro σ 2 es su varianza.
La distribución normal es simétrica con respecto a µ, y por tanto

su mediana es también µ. Además es una distribución
unimodal, y su moda coincide con la media y la mediana.
Al aplicar una transformación lineal a una variable aleatoria
normal, se obtiene otra variable aleatoria normal, es decir, si
X ∼ N (µ, σ 2 ), y a, b ∈ R, entonces la variable aleatoria
Y = aX + b ∼ N (aµ + b, a2 σ 2 ).
X −µ
En particular, si X ∼ N (µ, σ 2 ), entonces, σ ∼ N (0, 1).
La distribución normal estándar, Z ∼ N (0, 1) tiene como función
2
de densidad fZ (x) = √1 e−x /2 . Su función de distribución
R2π
z
Φ (z) = Pr (Z ≤ z) = −∞ fZ (t)dt no tiene expresión explı́cita.

Función de densidad distribución normal
0.4
µ=−1,σ
σ=1
µ=−1,σ
σ=2
µ=0,σ
σ=1
µ=0,σ
σ=2
µ=1,σ
σ=1
µ=1,σ
σ=2
0.3
0.2
f(x)
0.1
0.0
−3 −2 −1 0 1 2 3

Distribución normal. Teorema Central del Lı́mite

El Teorema Central del Lı́mite establece que Φ constituye una
buena aproximación para la probabilidad acumulada de muchas
distribuciones (tras tipificarlas convenientemente).
Para calcular probabilidades de distribuciones gaussianas
diferentes de N (0, 1) se usa el hecho de que, si X ∼ N µ, σ 2

X −µ
Z = ∼ N (0, 1) ⇒
σ

a−µ X −µ b−µ
Pr (a ≤ X ≤ b) = Pr ≤ ≤
σ σ σ

a−µ b−µ
= Pr ≤Z ≤
σ σ

b−µ a−µ
= Φ −Φ .
σ σ
Ejemplos de tipificación
Los pesos de los individuos de una población se distribuyen
normalmente con media 70 kg y desviación tı́pica 6 kg. De una
población de 2000 personas, calcular cuántas tendrán un peso
comprendido entre 64 y 76 kg.
Solución: Necesitamos calcular la probabilidad Pr (64 ≤ X ≤ 76),
donde X ∼ N (µ = 70, σ 2 = 62 ). Si tipificamos, tenemos que la
probabilidad pedida es igual a
Pr ( 64−70
6 ≤ X −70
6 ≤ 76−70
6 ) = Pr (−1 ≤ Z ≤ 1), siendo
Z ∼ N (0, 1). Por tanto, Pr (−1 ≤ Z ≤ 1) = Pr (Z ≤ 1) − Pr (Z ≤
−1) = Φ(1) − Φ(−1) = 0,68. (Con R no “hace falta” tipificar, se
podrı́a haber hecho directamente como
pnorm(76,70,6)-pnorm(64,70,6)). Por tanto, el número de
personas pedidas será 2000 · 0,68 ' 1366 personas.

Ejemplos de tipificación
La duración media de un televisor es de ocho años, y su
desviación tı́pica 0.5 años. Sabiendo que su vida útil se distribuye
normalmente, hallar la probabilidad de que al adquirir un televisor
dure más de nueve años. ¿Cuánto tiempo duran como mı́nimo el
10 % de los televisores más fiables?
Solución: La primera probabilidad es
Pr (X ≥ 9) = 1 − Pr (X ≤ 9) = 1 − Pr (Z ≤ 2) = 0,023 ' 2,28 %
(con R serı́a 1-pnorm(2)). En la segunda pregunta nos piden el
percentil 90, esto es, un valor x90 tal que
Pr (X ≤ x90 ) = 0,9 = Pr (Z ≤ z90 ). Por tanto,
z90 = Φ−1 (0,9) = 1,28. Destipificando, obtenemos
x90 = 8 + 0,5 · z90 = 8,64 años (con R serı́a
qnorm(0.9,8,0.5)).

Distribución normal. Ejemplo
En un proceso fotográfico, el tiempo revelado de las fotos puede ser

modelizado por una variable aleatoria con distribución normal de
media 16, 28 segundos y desviación tı́pica de 0, 22 segundos. Calcular
la probabilidad de que el tiempo de revelado de una foto:
1 esté entre 16 y 16, 5 segundos,

2 sea inferior a 16, 20 segundos,
3 sea superior a 16, 35 segundos.
Calcular la probabilidad de que un carrete 12 fotos se tarde en revelar

más de 194, 6 segundos.

Estadistica Tema 4b

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Estadistica Tema 4b

Загружено:

Авторское право:

Доступные форматы

B LOQUE II.

Asignatura: MATEMÁTICAS III

Bloque II/Tema 4 (parte II) Matematicas III 1 / 52

Bloque II/Tema 4 (parte II) Matematicas III 2 / 52

Bloque II/Tema 4 (parte II) Matematicas III 3 / 52

Como mencionábamos en el Tema 4(I): Variables aleatorias,

Consideremos un experimento aleatorio con dos resultados

Bloque II/Tema 4 (parte II) Matematicas III 6 / 52

La esperanza de una variable aleatoria X ∼ Ber (p) es

y, por tanto, su varianza es

Ejemplos de experimentos que siguen una distribución de Bernouilli

Bloque II/Tema 4 (parte II) Matematicas III 8 / 52

Bloque II/Tema 4 (parte II) Matematicas III 9 / 52

La esperanza de una variable X ∼ Bin(n, p) es

Bloque II/Tema 4 (parte II) Matematicas III 11 / 52

Bloque II/Tema 4 (parte II) Matematicas III 12 / 52

Bloque II/Tema 4 (parte II) Matematicas III 13 / 52

Bloque II/Tema 4 (parte II) Matematicas III 15 / 52

Ejemplos de variables aleatorias geométricas

Bloque II/Tema 4 (parte II) Matematicas III 16 / 52

Bloque II/Tema 4 (parte II) Matematicas III 17 / 52

La Distribución de Poisson considera un experimento que

λ cambia si se considera un intervalo de diferente longitud.

Bloque II/Tema 4 (parte II) Matematicas III 18 / 52

La esperanza de una variable X ∼ Po(λ) es

Observamos que se verifica E(X ) = V (X ) (esto sólo ocurre en

Bloque II/Tema 4 (parte II) Matematicas III 19 / 52

Bloque II/Tema 4 (parte II) Matematicas III 20 / 52

Bloque II/Tema 4 (parte II) Matematicas III 21 / 52

Distribución de Poisson. Ejemplo

Una compañı́a alquila un ordenador por periodos de t horas, con

Bloque II/Tema 4 (parte II) Matematicas III 22 / 52

Bloque II/Tema 4 (parte II) Matematicas III 23 / 52

Como mencionábamos en el Tema 4(I): Variables aleatorias,

Bloque II/Tema 4 (parte II) Matematicas III 24 / 52

El tiempo transcurrido entre dos llamadas telefónicas,

Bloque II/Tema 4 (parte II) Matematicas III 25 / 52

De entre todos los modelos posibles, destacan algunos por su

Bloque II/Tema 4 (parte II) Matematicas III 26 / 52

Bloque II/Tema 4 (parte II) Matematicas III 27 / 52

La distribución uniforme modeliza situaciones en las cuales la

Bloque II/Tema 4 (parte II) Matematicas III 28 / 52

En el juego de la “Ruleta de la Fortuna”, la posición final del

La esperanza de una variable X ∼ U(a, b) es

y, por tanto, la varianza es

V (X ) = E(X 2 ) − (E(X ))2 = 4

Bloque II/Tema 4 (parte II) Matematicas III 31 / 52

Función de densidad de la distribución uniforme

Función de distribución de la distribución uniforme

Bloque II/Tema 4 (parte II) Matematicas III 32 / 52

Distribución uniforme. Ejemplo

Por la experiencia que tiene, el jefe de producción de una

Bloque II/Tema 4 (parte II) Matematicas III 33 / 52

Bloque II/Tema 4 (parte II) Matematicas III 34 / 52

La función de distribución de una variable aleatoria T ∼ Exp(λ) es

fT (t) = λ exp(−λt) = 2 exp(−2t),

si expresamos el tiempo en horas.

FT (t) = 1 − exp(−λt) = 1 − exp(−2t).

Bloque II/Tema 4 (parte II) Matematicas III 36 / 52

2.3. Distribución exponencial

La varianza se calcula también aplicando la fórmula para la

y el segundo momento se calcula como

Bloque II/Tema 4 (parte II) Matematicas III 38 / 52

Supongamos que el número de ocurrencias de un suceso sigue