38

Con esto
f(x) = 6 x (1 x) , 0 < x < 1 .
Luego,
E[X] =
_
1
0
x 6 x (1 x) dx =
_
1
0
6 (x
2
x
3
) dx = 6
_
x
3
3

x
4
4
_
1
0
=
1
2
.
E[X
2
] =
_
1
0
x
2
6 x (1 x) dx =
_
1
0
6 (x
3
x
4
) dx = 6
_
x
4
4

x
5
5
_
1
0
=
6
20
=
3
10
.
Finalmente,
V ar[X] = E[X
2
] (E[X])
2
=
3
10

_
1
2
_
2
=
1
20
.
Distribuciones de Probabilidad Discretas
Algunas de las distribuciones de probabilidad discretas mas usadas, se basan
en un tipo especial de experimento aleatorio. Este experimento es conocido
como Ensayo Bernoulli. Un experimento Bernoulli se caracteriza por tener
solo dos posibles resultados (usualmente llamados

EXITO o FRACASO).
El exito representa un evento en el cual estamos interesados. Por ejemplo al
lanzar una moneda se tienen dos posibles resultados Cara o Sello; en una
encuesta de opinion, el encuestado puede responder SI o NO a la pregun-
ta formulada por el encuestador; el resultado de un tratamiento aplicado a
un paciente puede ser favorable o no, etc. La probabilidad de que ocurra el
evento de interes es usualmente denotada p y la de fracaso 1 p. La variable
aleatoria de interes en este caso es X : N umero de exitos obtenidos. Clara-
mente el rango de X ser a A
X
= 0, 1.
Para calcular la distribucion de probabilidad de X, se debe calcular la pro-
babilidad asociada a cada valor de X.
p(0) = P (X = 0) = 1 p y p(1) = P (X = 1) = p .
39
As,
p(x) = p (1 p)
1x
; x = 0, 1 .
Esta distribucion se conoce como Bernoulli y es usualmente denotada
X b(p). Es f acil mostrar que:
E[X] = p y V ar[X] = p (1 p) .
Ejemplo
En el lanzamiento de una moneda no cargada, sea X: n umero de caras ob-
tenido. Esta variable aleatoria tiene una distribuci on Bernoulli, con p =
1
2
.
As, X b
_
1
2
_
.
Considere ahora un experimento aleatorio que consiste en repetir un ensayo
bernoulli n veces, donde cada repetici on es independiente de las demas repe-
ticiones o ensayos. Dena la variable X: n umero de exitos en los n ensayos.
Dependiendo del supuesto que se tenga para la probabilidad de exito, se ob-
tendr an diferentes tipos de experimentos, cada uno de los cuales derivar a una
distribuci on de probabilidades diferente.
Distribuci on Binomial
Proceso Binomial
Un experimento aleatorio es llamado Binomial si cumple las siguientes ca-
ractersticas:
1. Consta de n pruebas identicas e independientes.
2. Cada prueba tiene dos posibles resultados

Exito o Fracaso.
3. La probabilidad de

Exito es constante en las n pruebas y se denota por
p.
4. La v.a de interes es X: # exitos en los n ensayos.
En este caso el rango de X est a dado por A
X
= {0, 1, , n}. Se puede
mostrar que la p.m.f. de X est a dada por:
p (x) =
_
n
x
_
p
x
(1 p)
nx
; x = 0 , 1 , 2 , , n .
40
Por notacion se escribe X bin (n, p).
Se puede mostrar que:
E[X] = np , V ar[X] = np (1p) y p(x+1) =
(n x) p
(x + 1)(1 p)
p(x) .
Fig. 6: Distribuci on Binomial n = 10, p = 0.2
Ejemplo
Suponga que la probabilidad de tener una unidad defectuosa en una
lnea de ensamble es de 0.05.
a) Cu al es la probabilidad de que entre 20 unidades seleccionadas
al azar, dos sean defectuosas?
b) Cu al es la probabilidad de que a lo mas dos de las 20 unidades
esten defectuosas?
c) Cual es la probabilidad de que por lo menos 2 unidades esten
defectuosas?
Solucion
Sea X: el # de unidades defectuosas de las 20 unidades seleccionadas.
41
Este experimento cumple con todas las condiciones para ser un ensayo
Binomial. As, X bin (20 , 0.05) , donde
p (x) =
_
20
x
_
(0.05)
x
(0.95)
20 x
; x = 0 , 1 , , 20 .
a)
P (X = 2) = p(2) =
_
20
2
_
(0.05)
2
(0.95)
18
= 0.1887 .
b)
P (X 2) = p(0)+p(1)+p(2) = 0.3585+0.3774+0.1887 = 0.9246 .
c)
P (X 2) = 1 P (X < 2) = 1 P (X 1)
P (X 2) = 1 p(0) p(1) = 1 0.3585 0.3774 = 0.2641 .
Ejemplo
Un examen de opcion m ultiple contiene 10 preguntas. Cada pregunta
tiene cuatro opciones de las cuales solo una es la correcta. El examen
se aprueba si se responden correctamente al menos seis preguntas. Si
el estudiante adivina las respuestas, conteste las siguientes preguntas:
a) Cual es la probabilidad de aprobar el examen?.
b) Si el estudiante adivina al menos tres de las preguntas, Cu al es
la probabilidad de reprobar el examen?.
c) Halle E [X] y V ar [X]
Soluci on
Sea X: # preguntas con respuesta correcta de las 10 contestadas.
X bin (10 , p) , con p =
1
4
.
As,
p(x) =
_
10
x
__
1
4
_
x
_
3
4
_
10x
; x = 0 , 1 , , 10 .
42
a) Se pide
P (X 6) = 1 P (X 5) = 1
5

x=0
_
10
x
__
1
4
_
x
_
3
4
_
10x
= 0.01973 .
b)
P (X < 6 | X 3) =
P (3 X < 6)
P (X 3)
=
P (3 X 5)
1 P (X < 3)
P (X < 6 | X 3) =
5

x=3
_
10
x
_
_
1
4
_
x
_
3
4
_
10x
1 P (X 2)
=
0.4547
1 0.5256
= 0.9585 .
c)
E [X] = 10
_
1
4
_
= 2.5 ; V ar [X] = 10
_
1
4
__
3
4
_
=
15
8
.
Distribuci on de probabilidad Hipergeometrica
Suponga que una poblacion nita tiene N elementos, cada uno de los
cuales tiene una de dos caractersticas diferentes (por ejemplo, K ele-
mentos tienen la caracterstica de interes y N K no la tienen). Se
toman al azar y sin reemplazo n de estos elementos. Sea X : varia-
ble aleatoria que representa el n umero de elementos que tienen
la caracterstica de interes en los n seleccionados. Los valores que
toma esta variable aleatoria son x = 0, 1, 2, , min(n, K). En este
experimento se puede observar:
_
N
n
_
Formas distintas de seleccionar n objetos de N.
_
K
x
_
Formas distintas de seleccionar x elementos de los K
_
N K
n x
_
Formas distintas de seleccionar n x de los N K
43
Entonces,
p(x) = P (X = x) =
_
K
x
__
N k
n x
_
_
N
n
_ ; x = 0, 1, 2, , min(n, K) .
Denicion.
Suponga que una poblacion nita tiene N elementos, cada uno de los
cuales tiene una de dos caractersticas diferentes que se denominan

EXITO y FRACASO; suponga que K se consideran

Exitos y N
K Fracasos. Se toman al azar y sin remplazo n de estos elementos;
considere la v.a X : N umero de exitos en la muestra de tama no n.
Entonces, la funci on de distribuci on de probabilidad para X est a dada
por,
p(x) =
_
K
x
__
N K
n x
_
_
N
n
_ , x = 0, 1, 2, , min(n, K) .
Esta funcion de probabilidad se conoce como Distribucion Hipergeo-
metrica. Se denotar a
X Hiper(N, K, n) .
Nota: Sea X Hiper(N, K, n) entonces:
E [X] = np
V [X] =
(N n)
(N 1)
n
K
N
_
1
K
N
_
.
El termino
(N n)
(N 1)
se conoce con el nombre de factor de correcci on
por poblacion nita. Observe que si el tama no de la muestra n es muy
peque no comparado con el tama no de la poblaci on, entonces el factor
de correcci on por poblacion nita tiende a uno y por lo tanto la va-
rianza de la hipergeometrica se asemeja a la varianza de la binomial;
adem as garantiza que la condicion de independiencia se cumpla apro-
ximadamente.
44
Fig. 7: Distribuci on Hipergeometrica, N = 20, K = 6, n = 5
Ejemplo
Un lote con 25 arandelas contiene tres en las que la variabilidad en
el espesor alrededor de la circunferencia es inaceptable. Se toma una
muestra al azar de tres arandelas.
a) Cu al es la probabilidad de que ninguna de las arandelas inacep-
tables se encuentren en la mesa?
b) Cu al es la probabilidad de que al menos una de las arandelas
inaceptables se encuentren en la muestra?
c) Cual es la probabilidad de que exactamente una de las arandelas
inaceptables se encuentre en la muestra?
Solucion
Sea X: # de arandelas inaceptables en la muestra.
P (X) =
_
3
x
__
22
3 x
_
_
25
3
_ ; x = 0 , 1 , 2 , 3
45
a)
P (X = 0) = P (0) =
_
22
3
_
_
25
3
_ =
1540
2300
=
77
115
= 0.66957 .
b)
P (X 1) = 1 P (X < 1) = 1 P (0) =
38
115
= 0.33043 .
c)
P (X = 1) = P (1) =
_
3
1
__
22
2
_
2300
=
693
2300
= 0.30130 .
Ejemplo
Un geologo ha recolectado 10 especimenes de roca bas altica y 10 de
granito. Se instruye a un asistente de laboratorio para que seleccione
al azar 6 de los especimenes para analizarlos.
a) Cual es la p.m.f. para el n umero de especimenes de basalto se-
leccionados para analizarlos?
b) Cu al es la probabilidad de que todos los especimenes de la mues-
tra sean de una de los dos tipos de roca seleccionados para an alisis?
c) Cual es la probabilidad de que la cantidad de especimenes de gra-
nito seleccionados para su an alisis este a menos de una desviacion
est andar de la media?
Solucion
Sea X: # de especimenes de basalto en la muestra para an alisis.
a)
p(x) =
_
10
x
__
10
6 x
_
_
20
6
_ ; x = 0 , 1 , 2 , . . . , 6 .
46
b)
P (X = 6 X = 0) = P (X = 0) +P (X = 6) = p(0) +p(6)
=
_
10
6
_
_
20
6
_ +
_
10
6
_
_
20
6
_ =
210 + 210
38760
=
420
38760
=
7
646
= 0.01084
c)
E [X] = 6
10
20
= 3 V ar [X] =
_
20 6
20 1
_
6
10
20
_
1
10
20
_
V ar [X] =
14
19
6
4
=
21
19
= 1.10526 y =
_
21
19
P (|X
x
| ) = P
_

_
21
19
< X 3 <
_
21
19
_
= P (1.9487 < X < 4.0513)
As,
P (|X
x
| ) = P (2 X 4) = p(2) +p(3) +p(4)
=
9450
38760
+
14400
38760
+
9450
38750
= 0.85913 .
Ejemplo
En el ejercicio anterior suponga que las cantidades de especmenes de
rocas bas altica y de granito son respectivamente 500 y 500 y que se to-
ma una muestra aleatoria de tama no 5. La variable aleatoria de interes
es X: # de especimenes de basalto en la muestra para analisis. Dena
los siguientes eventos: B
i
: la i-esima roca extrada es de basalto con
i = 1, 2, 3, 4, 5. Observe que:
P (La primer roca seleccionada es de basalto) = P (A
1
) =
500
1000
=
1
2
.
P (La segunda roca es de basalto | La primera es de basalto)
47
= P (A
2
| A
1
) =
499
999
= 0.4995 ;
P (A
3
| A
1
A
2
) =
498
998
= 0.4990 ;
P (A
4
| A
1
A
2
A
3
) =
497
997
= 0.4985 ;
P (A
5
| A
1
A
2
A
3
A
4
) =
496
996
= 0.4980 .
Observe que en este caso la probabilidad de seleccionar una roca de
basalto en cada repetici on es casi constante (la mayor diferencia es de
0.001505). Esto se debe a que N es muy grande comparado con n.
Adem as note que
(N n)
(N 1)
=
(1000 5)
(1000 1)
= 0.995996 0.996. Es decir,
la probabilidad de exito es aproximadamente constante y
(N n)
(N 1)
1, con lo cual el c alculo de probabilidades en este caso pue-
de ser aproximado usando la distribucion Binomial.
Proposicion
Sea X una variable aleatoria tal que X Hiper(N, K, n).
Si
(N n)
(N 1)
1, entonces:
_
K
x
__
N K
n x
_
_
N
n
_
_
n
x
_
p
x
(1 p)
nx
, donde p =
K
N
.
Este resultado se conoce como Aproximacion Binomial de la
Hipergeometrica.
Para el ejemplo, si se desea calcular P (X = 5 X = 0) , se tiene que:
P (X = 5 X = 0) =
_
500
5
_ _
500
0
_
_
1000
5
_ +
_
500
0
_ _
500
5
_
_
1000
5
_ = 0.061875
48
Usando la aproximaci on se tiene que:
P (X = 5 X = 0)
_
5
5
_ _
1
2
_
5
+
_
5
0
_ _
1
2
_
5
= 2
_
1
2
_
5
=
1
16
= 0.0625 .
La aproximaci on es muy buena.
Distribuci on Poisson
Considere los siguientes eventos o experimentos: Establecer el n umero
de accidentes en un cruce por hora, n umero de errores ortogracos
por pagina, n umero de llamadas telefonicas a una central por minuto,
n umero de imperfecciones en un material por cm
2
, n umero de huecos
en una carretera por kilometro, etc.
Algunos de estos experimentos tienen caractersticas similares:
a) El experimento consiste en contar el n umero de veces que ocurre
un cierto evento de interes por unidad de tiempo o espacio.
b) En cada unidad establecida, el n umero de eventos que ocurren es
independiente de los que ocurren en otras unidades.
c) Es posible asumir que la probabilidad de que un evento ocurra en
una cierta unidad es la misma para todas las unidades de su tipo.
Experimento Poisson
Dado un intrevalo real, suponga que el conteo de ocurrencias es alea-
torio en dicho intervalo. Si este intervalos puede sub-dividirse en sub-
intervalos sucientemente peque nos tales que:
1. La probabilidad de mas de una ocurrencia en cada subintervalo es
despreciable.
2. La probabilidad de ocurrencia en un subintervalo es la misma para
todos los subintevalos de la misma longitud y es proporcional a la
longitud.
3. El conteo de ocurrencias en cada subintervalo es independiente del
conteo de ocurrencias en los dem as subintervalos.
49
Si un experimento cumple estas condiciones, es llamado Experimento
Poisson. La v.a. de interes ser a
X: # de ocurrencias en el intervalo real. Diremos que X tiene una
distribuci on Poisson con parametro , donde : representa el n umero
promedio de ocurrencias por unidad de tiempo o espacio.
Teorema Aproximaci on Poisson de la Binomial
Sea X b(10, n) y n es grande y p es peque no (n 100 y p < 0.1),
entonces X Poisson() donde = np.
Demostracion
Si hacemos p =

n
entonces,
lm
n
_
n
x
_
p
x
(1 p)
nx
= lm
n
_
n
x
__

n
_
x
_
1

n
_
nx
= lm
n
(n x)!(n x + 1) . . . (n 1)n
(n x)!x!
_

n
_
x
_
1

n
_
nx
= lm
n
(n x + 1) . . . (n 1)n
x!
_

n
_
x
_
1

n
_
nx
Observe que el producto
n(n1) . . . (n (x 1)) = (n0)(n1) . . . (n (x 1)) tiene x terminos!
As
lm
n
_
n
x
_
p
x
(1 p)
nx
=

x
x!
lm
n
_
1

n
_
n
n(n 1) . . . (n (x 1))
n
x
_
1

n
_
x
=

x
x!
lm
n
_
1

n
_
n
_
1
1
n
_
. . .
_
1
(x 1)
n
__
1

n
_
x
Distribuyendo el lmite se tiene
=

x
x!
lm
n
_
1

n
_
n
lm
n
_
1
1
n
_
. . . lm
n
_
1
(x 1)
n
_
lm
n
_
1

n
_
x
. .
Todos son iguales a uno
=

x
x!
lm
n
_
1

n
_
n
50
Como,
lm
n
_
1

n
_
n
= e

se tiene que,
lm
n
_
n
x
_
p
x
(1 p)
nx
=

x
x!
e

Nota: Si X Poisson() entonces:

E [X] = y V [X] = .
Para probar esto observe que:
E [X] =

x=0
x

x
x!
e

x=1
x

x
(x 1)! x
e

x=1

(x 1)!
e

x=1

x1
(x 1)!
e

As,
E [X] =

y=0

y
(y)!
e

. .
es igual a 1
; con y = x 1
=
Para la varianza proceda as
E [X(X 1)] =

x=0
x (x 1)

x
x!
e

x=2
x (x 1)

x
(x 2)!(x 1) x
e

x=2

x2
(x 2)!
e

51
As,
E [X(X 1)] =
2

y=0

y
(y)!
e

=
2

y=0

y
(y)!
e

. .
es igual a 1
; con y = x 2
=
2
Entonces,
E
_
X
2

=
2
+E [X] =
2
+ .
Como Var [X] = E [X
2
] (E [X])
2
se tiene que,
Var [X] =
2
+
2
= .
Fig. 8: Distribuci on Poisson, = 3
Ejemplo
Suponga que a una central telefonica llegan en promedio 10 llamadas
por minuto.
52
a) Que tan probable en que en el siguiente minuto lleguen al menos
2 llamadas?
b) Cu al es la probabilidad de que en el siguiente minuto lleguen
exactamente 15 llamadas?
c) Cual es la probabilidad de tener que esperar m as de un minuto
para la siguiente llamada?
Solucion
Sea X: # llamadas que llegan a la central por minuto. Este experimen-
to cumple con todas las condiciones para ser un experimento Poisson,
siempre y cuando se pueda garantizar que el n umero promedio de lla-
madas por minuto se mantiene constante para cada intervalo de 1 min.
Si se asume que esto es ciero, se tiene que X p(10). As:
p(x) =
e
10
10
x
x!
; x = 0 , 1 , 2 , .
a)
P (X 2) = 1 P (X 1) = 1 p(0) p(1)
= 1
_
e
10
+ 10 e
10
_
= 1 11 e
10
0.9995
b)
P (X = 15) = p(15) =
e
15
10
15
15!
= 0.034718 .
c)
P (X = 0) = p(0) = e
10
= 0.0000454 .
Algunas veces, bajo ciertas condiciones, es posible aproximar una v.a
Binomial a una v.a Poisson; esto se puede hacer siempre que n y
p 0 y haciendo el parametro de la Poisson = np.
Ejemplo
Estudios recientes han mostrado que la probabilidad de morir a causa
de cierto medicamento contra la gripe es 0.00002. Si se administra di-
cho medicamento a 100.000 personas. Cual es la probabilidad de que
no mas de dos personas mueran?
53
Solucion
Sea X: # de personas que mueren por causa del medicamento.
X bin(100000 , 0.00002). Se pide calcular P (X 2). Usando la
distribuci on binomial se tiene que:
P (X 2) =
2

x=0
_
100000
x
_
0.00002
x
(0.99998)
100000x
= 0.676676 .
Sea Y : # personas que mueren por cada 100.000 habitantes . Entonces
Y p () . Si np = 2
P (X 2) P (Y 2) =
2

y=0
e
2
2
y
y!
=
5
e
2
= 0.67668 .
Ejemplo
El n umero de baches en una seccion de una carretera puede modelarse
con una Poisson con = 2milla. Cu al es la probabilidad de que no
haya baches que reparar en un tramo de 5 millas?
Solucion
Sea X : n umero de baches en una secci on de una milla. Se tiene que
X p( = 2) , para x = 0, 1, 2,
Sea Y : n umero de baches en una seccion de cinco millas. Y
p(
1
) ,para y = 0, 1, 2, 3,
Para hallar el valor de
2
, se procede as:
1 milla = 2
5 millas

=?

= 10
As Y p(10). La probabilidad pedida se calcula como:
P (Y = 0) =
10
0
e
10
0!
= 0.0000454 .
Ejemplo
El n umero de llamadas que llegan a una ocina es una v.a Poisson con
par ametro = 4Hora.
54
a) Cu al es la probabilidad de que durante tres horas se reciba al
menos dos llamadas?
b) Encuentre el intervalo de tiempo dado por L (en horas) para que
la probabilidad de que se reciba al menos una llamada sea de 0.9.
Solucion
a) Dena la siguiente v.a: Y : n umero de llamadas que llegan a la
ocina en tres horas. Y p(), con y = 0, 1, 2, . Ahora, para
hallar el valor de , observe que:
1 hora = 4
3 horas

=?

= 12
As Y p(12) . La probabilidad pedida es:
P (Y 2) = 1 P (Y 1)
= 1 P (Y = 0) P (Y = 1)
= 1
12
0
e
12
0!

12e
12
1!
= 0.99992
b) Dena la siguiente v.a, Y : n umero de llamadas que llegan a la
ocina en L horas. Entonces Y p() , para y = 0, 1, 2, .
Para hallar , observe que:
1 hora = 4
L horas

=?

= 4L
As Y p(4 L). Se pide el valor de L tal que:
P (Y 1) = 0.9
Entonces,
P (Y 1) = 1 P (Y = 0)
= 1
(4L)
0
e
4L
0!
= 0.9
De esta ultima igualdad, se tiene que
e
4L
= 0.1 .
55
Aplicando logaritmo a ambos lados, se tiene que:
4L = ln(0.1) .
Entonces,
L =
ln(0.1)
4
= 0.57565 horas
Ejemplo
Una secretaria comete en promedio 2 errores por pagina en la trans-
cripcion de un manuscrito.
a) Cual es la probabilidad de que en una pagina determinada cometa
menos de tres errores?
b) Si se examinan 15 paginas del manuscrito Cu al es la probabilidad
de que se encuentren al menos cinco con menos de tres errores?
Asuma independencia.
c) Cual es la probabilidad de que se tengan que examinar exacta-
mente 10 p aginas hasta encontrar la primera con menos de tres
errores?
Solucion (Preste especial atenci on a los valores de las v.a)
a) Sea X : n umero de errores por pagina. Entonces X p(2) , con
x = 0, 1, 2,
La probabilidad pedida es:
P (X < 3) = P (X 2) =
2

x=0
e
2
2
x
x !
= 0.676 .
b) Sea Y : n umero de paginas con menos de tres errores entre las 15
examinadas. Claramente X b (15, p) , con y = 0, 1, 2, , 15 . p
representa la probabilidad de exito. El exito es cuando se encuentre
una p agina con menos de tres errores. Del tem anterior se tiene
que p = P (X < 3) = 0.676 . Luego, X b (15, 0.676) . As, la
probabilidad pedida es:
P (Y 5) = 1 P (Y 4)
= 1
4

y=0
_
15
x
_
(0.676)
x
(1 0.676)
15x
= 0.99861 .
56
O sea que es muy posible que se de este evento.
c) Sea Z : n umero de paginas ha revisar hasta encontrar la primera
con menos de tres errores. z = 1, 2, . Observe que se tiene la
repetici on de eventos Bernoulli independientes con probabilidad
de exito p = 0.676 . La probabilidad pedida es:
P (Z = 10) = (1 0.676)
9
(0.676) = 0.00000266 .
Es un evento poco probable.
Distribuci on Uniforme
Sea X una v.a continua denida en el intervalo (a , b), P (X I) es
proporcional a la longitud de I, en particular:
P (X (a , b)) = k (b a) = 1 k =
1
b a
.
Diremos que X tiene una pdf uniforme en (a , b) y escribimos
X U (a , b). La pdf de X est a dada por
f (x) =
_
1
b a
, a < x < b
0 , otro caso
Adem as,
E [X] =
a + b
2
y V [X] =
(a + b)
2
12
.
La cdf para X est a dada por
F (x) =
_

_
0 , x < a
x + a
b a
, a x b
1 , x > b
.