Instituto Tecnolgico de Tlalnepantla

Departamento De Ciencias Bsicas

Carrera: Ingeniera Electromecnica
Materia: Probabilidad y Estadstica
UNIDAD III: Funciones de distribucin de probabilidades
3.1 Variables aleatorias y su
clasificacin

3.5 Distribuciones de probabilidad

continuas

3.2 Distribuciones de probabilidad

discretas

3.6 Distribucin t
3.7 Distribucin Chi-cuadrada

3.3 Distribucin Hipergeomtrica.

3.8 Distribucin F
3.4 Distribucin de Poisson
3.9 Esperanza matemtica.

Realizado por el alumno:

Mondesir Mackenson
Grupo: L21
Para el Maestro: Ing. Islas Jimnez Benito
Fecha: Jueves, 30 de octubre de 2014

Mondesir Mackenson

Aguilar Hernndez Roberto Alan

3.1 Variables aleatorias y su clasificacin

Una variable aleatoria es una funcin que asigna un nmero real a cada resultado
en el espacio muestral de un experimento aleatorio.
La variable aleatoria se denota tal como la letra mayscula X y con una letra
minscula como x, el valor posible de X. El conjunto de los posibles valores de la
variable aleatoria X recibe el nombre de rango de X.
Clasificacin de las variables aleatorias
Para su estudio, las variables aleatorias se clasifican en:
1. Variables aleatorias discretas
Diremos que una variable aleatoria es discreta si su recorrido es finito o infinito
numerable.
Generalmente, este tipo de variables van asociadas a experimentos en los cuales
se cuenta el nmero de veces que se ha presentado un suceso o donde el
resultado es una puntuacin concreta.
Los puntos del recorrido se corresponden con saltos en la grfica de la funcin de
distribucin, que correspondera al segundo tipo de grfica visto anteriormente.
2. Variables aleatorias continuas
Son aquellas en las que la funcin de distribucin es una funcin continua. Se
corresponde con el primer tipo de grfica visto.
Generalmente, se corresponden con variables asociadas a experimentos en los
cuales la variable medida puede tomar cualquier valor en un intervalo; mediciones
biomtricas, por ejemplo.
Un caso particular dentro de las variables aleatorias continuas y al cual pertenecen
todos los ejemplos usualmente utilizados, son las denominadas variables
aleatorias absolutamente continuas.
3. Variables aleatorias absolutamente continuas
Diremos

que

una

variable

aleatoria

X continua

tiene

una

distribucin

absolutamente continua si existe una funcin real f, positiva e integrable en el

conjunto de nmeros reales, tal que la funcin de distribucin F de X se puede
expresar como:

2
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

F ( x) f (t )dt

Una variable aleatoria con distribucin absolutamente continua, por extensin, se

la clasifica como variable aleatoria absolutamente continua.
A la funcin f se la denomina funcin de densidad de probabilidad de la variable X.
Hay que hacer notar que no toda variable continua es absolutamente continua,
pero los ejemplos son complicados, algunos utilizan para su construccin el
conjunto de Cantor, y quedan fuera del nivel y del objetivo de este curso.
Igualmente indicaremos que los tipos de variables comentados anteriormente
forman nicamente una parte de todos los posibles tipos de variables, sin embargo
contienen prcticamente todas las variables aleatorias que encontramos
usualmente.

3.2

Distribuciones de probabilidad discretas

Una distribucin de probabilidad es una representacin de todos los resultados

posibles de algn experimento y de la probabilidad relacionada con cada uno. Una
distribucin de probabilidad es discreta cuando los resultados posibles del
experimento son obtenidos de variables aleatorias discretas, es decir, de variables
que slo puede tomar ciertos valores, con frecuencia nmeros enteros, y que
resultan principalmente del proceso de conteo.
Ejemplos de variables aleatorias discretas son:

Nmero de caras al lanzar una moneda

El resultado del lanzamiento de un dado

Nmero de hijos de una familia

Nmero de estudiantes de una universidad

Ejemplo ilustrativo: Sea el experimento aleatorio de lanzar 2 monedas al aire.

Determinar la distribucin de probabilidades del nmero de caras. El espacio
muestral es S = {CC, CS, SC, SS}
La probabilidad de cada punto muestral es de 1/4, es decir, P (CC) = P (CS) = P
(SC) = P (SS) = 1/4

3
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

La distribucin de probabilidades del nmero de caras se presenta en la siguiente

tabla:

El

grfico

de

Resultados (N de Caras)

Probabilidad

1/4 = 0,25 = 25%

2/4 = 0,50 = 50%

1/4 = 0,25 = 25%

distribuciones

de

probabilidad

en

3D

elaborado

en Excel se muestra en la siguiente figura:

Interpretacin:
La probabilidad de obtener 0 caras al lanzar 2 monedas al aire es de 1/4 = 0,25 =
25%
La probabilidad de obtener una cara al lanzar 2 monedas al aire es de 2/4 = 0,5 =
50%
La probabilidad de obtener 2 caras al lanzar 2 monedas al aire es de 1/4 = 0,25 =
25%
LA MEDIA Y LA VARIANZA DE LAS DISTRIBUCIONES DISCRETAS
MEDIA
La media llamada tambin valor esperado, esperanza matemtica o simplemente
esperanza de una distribucin de probabilidad discreta es la media aritmtica
ponderada de todos los resultados posibles en los cuales los pesos son las
probabilidades respectivas de tales resultados. Se halla multiplicando cada

4
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

resultado posible por su probabilidad y sumando los resultados. Se expresa

mediante la siguiente frmula:

E( x) ( xi * P( xi ))
Donde:

E (x) Media, Valor Esperado, Esperanza Matemtica o simplemente

Esperanza
xi Posible resultado
P( xi ) Probabilidad del posible resultado

VARIANZA
La varianza es el promedio de las desviaciones al cuadrado con respecto a la
media. La varianza mide la dispersin de los resultados alrededor de la media y se
halla calculando las diferencias entre cada uno de los resultados y su media, luego
tales diferencias se elevan al cuadrado y se multiplican por sus respectivas
probabilidades, y finalmente se suman los resultados. Se expresa mediante la
siguiente frmula:

2 [(xi ) 2 * P( xi )]
Nota: La varianza se expresa en unidades al cuadrado, por lo que es necesario
calcular la desviacin estndar que se expresa en las mismas unidades que la
variable aleatoria y que por lo tanto tiene una interpretacin ms lgica de la
dispersin de los resultados alrededor de la media. La desviacin estndar se
calcula as: 2

Ejemplo ilustrativo:
Hallar la esperanza matemtica, la varianza y la desviacin estndar del nmero
de caras al lanzar tres monedas al aire.
Solucin:
El espacio muestral es S = {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
La probabilidad de cada punto muestral es de 1/8

5
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

Se elabora las distribuciones de probabilidad y se realiza los clculos respectivos.

Estos resultados se presentan en la siguiente tabla:

xi

P ( x i ) xi * P ( xi )

( xi ) 2 * P ( xi

1/8

01/8 = 0

(0-1,5)2 1/8 = 0,281

3/8

13/8 = 3/8

(1-1,5)2 3/8 = 0,094

3/8

23/8 = 3/4

(2-1,5)2 3/8 = 0,094

1/8

31/8 = 3/8

(3-1,5)2 1/8 = 0,281

Total

1,5

0,750

Observando la tabla se tiene:

E ( X ) 1,5 ; 2 0,75
Y calculando la desviacin estndar se obtiene:

2 0,75 0,86

Interpretacin:
El valor de E ( X ) 1,5 significa que si se promedian los resultados del
lanzamiento de las tres monedas (tericamente, un nmero infinito de
lanzamientos), se obtendr 1,5.
2
Los valores de 2 0,75 y 0,75 0,86 miden la dispersin de los

resultados de lanzar las tres monedas alrededor de su media.

3.3

Distribucin Hipergeomtrica

Los experimentos que tienen este tipo de distribucin tienen las siguientes
caractersticas:
a) Al realizar un experimento con este tipo de distribucin, se esperan dos
tipos de resultados.
b) Las probabilidades asociadas a cada uno de los resultados no son
constantes.
c) Cada ensayo o repeticin del experimento no es independiente de los

6
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

dems.
d) El nmero de repeticiones del experimento (n) es constante.

Frmula para Distribucin Hipergeomtrica Sin reemplazo:

Ejemplo:
En una urna o recipiente hay un total de N objetos, entre los cuales hay una
cantidad a de objetos que son defectuosos, si se seleccionan de esta urna n
objetos al azar, y sin reemplazo, para determinar la probabilidad de obtener x
objetos defectuosos, utilizaremos la formula siguiente:
Donde:
p(x,n) = probabilidad de obtener x objetos defectuosos de entre n seleccionados
C xa * C nNxa Muestras de n objetos en donde hay x que son defectuosos y n-x

buenos
C nN Todas las muestras posibles de seleccionar de n objetos tomadas de entre N

objetos en total = espacio muestral.

Ejemplo 1
Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son
defectuosos, si de seleccionan 4 objetos al azar, cul es la probabilidad de que 2
sean defectuosos?
Solucin:
N = 10 objetos en total
a = 3 objetos defectuosos
n = 4 objetos seleccionados en muestra
x = 2 objetos defectuosos deseados en la muestra

7
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

P( x 2, n 4)

3 C 2 * (10 3) C ( 4 2 )
10

C4

3!
7!
*
C * C
2!(3 2)! 2!(7 2)!
3 2 7 2
10!
10 C 4
4!(10 4)!

3! 7 6 5!
3 7 6
*
63
5!2!
2
2!

0.3
10 9 8 7 6! 10 9 8 7 210
6!4!
4 3 2 1

Ejemplo 2
Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de
narctico en una botella que contiene 9 pldoras de vitamina que son similares en
apariencia. Si el oficial de la aduana selecciona 3 tabletas aleatoriamente para
analizarlas, a) Cul es la probabilidad de que el viajero sea arrestado por
posesin de narcticos?, b) Cul es la probabilidad de que no sea arrestado por
posesin de narcticos?

Solucin:
a) N = 9+6 =15 total de tabletas
a = 6 tabletas de narctico
n = 3 tabletas seleccionadas
x = 0, 1, 2, o 3 tabletas de narctico = variable que nos indica el nmero de
tabletas de narctico que se puede encontrar al seleccionar las 3 tabletas.
p (viajero sea arrestado por posesin de narcticos) = p (de que entre las 3
tabletas seleccionadas haya 1 o ms tabletas de narctico)
P ( x 1,2,3tabletas; n 3)

b)

C1 *9 C 2 6 C 2 *9 C1 6 C 3 *9 C 0 371

0.81538
455
15 C 3
15 C 3
15 C 3

p (no sea arrestado por posesin de narcticos)

P ( x 0; n 3)

C 0 *9 C 3 1 84

0,1846615
C
455
15 3

Ejemplo 3
De un lote de 10 proyectiles, 4 se seleccionan al azar y se disparan. Si el lote

8
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

contiene 3 proyectiles defectuosos que no explotarn, cul es la probabilidad de

que, a) los 4 exploten, b) al menos 2 no exploten?

Solucin:
a) N = 10 proyectiles en total
a = 7 proyectiles que explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2, 3 o 4 proyectiles que explotan = variable que nos define el nmero de
proyectiles que explotan entre la muestra que se dispara
P( x 4; n 4)

C 4 *3 C 0 35 1

0.16667
210
10 C 4

b) N = 10 proyectiles en total
a = 3 proyectiles que no explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2 o 3 proyectiles que no explotan
p(al menos 2 no exploten) = p( 2 o ms proyectiles no exploten) = p(x = 2 o 3; n=4)
P ( x 23; n 4)

C 2 *7 C 2 3 C 3 *7 C1 (3 21) (1 7) 63 7

0.333333
210
210
10 C 4

Ejemplo 4
a)Cul es la probabilidad de que una mesera se rehse a servir bebidas
alcohlicas nicamente a dos menores de edad si verifica aleatoriamente solo 5
identificaciones de entre 9 estudiantes, de los cuales 4 no tienen la edad
suficiente?, b) Cul es la probabilidad de que como mximo 2 de las
identificaciones pertenezcan a menores de edad?
Solucin:
a) N = 9 total de estudiantes
a = 4 estudiantes menores de edad
n = 5 identificaciones seleccionadas
x = variable que nos define el nmero de identificaciones que pertenecen a
personas menores de edad
x = 0, 1, 2, 3 o 4 identificaciones de personas menores de edad

9
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

P ( x 2; n 5)

C 2 *5 C 3 3 10

0.238095
126
9 C5

b) N = 9 total de estudiantes
a = 4 estudiantes menores de edad
n = 5 identificaciones seleccionadas
x = variable que nos define el nmero de identificaciones que pertenecen a
personas menores de edad
x = 0, 1, 2, 3 o 4 identificaciones de personas menores de edad
P ( x o,1,2,3; n 5)

C 0 *5 C 5 4 C1 *5 C 4 4 C 2 *5 C 3 1 20 60

0.64286
126
9 C5

La Media, Varianza y la Deviacin Estndar

La Media

E( X )

na
N

Varianza

2 npq n *

a N a na( N a)( N n)
*

N
N
N 2 ( N 1)

Deviacin Estndar

2 npq n *

3.4

a N a
*

N
N

na( N a)(N n)
N 2 ( N 1)

Distribucin de Poisson

Caractersticas:
En este tipo de experimentos los xitos buscados son expresados por unidad de
rea, tiempo, pieza, etc.,

de defectos de una tela por m 2

de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc.

de bacterias por cm 2 de cultivo.

de llamadas telefnicas a un conmutador por hora, minuto, etc.

de llegadas de embarcaciones a un puerto por da, mes, etc.

Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo,

10
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

rea, o producto, la frmula a utilizar sera:

e x
P ( x, )
x!

Donde:

x es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la

probabilidad de que el evento suceda precisamente x veces).

es un parmetro positivo que representa el nmero de veces que se

espera que ocurra el fenmeno durante un intervalo dado. Por ejemplo, si el
suceso estudiado tiene lugar en promedio 4 veces por minuto y estamos
interesados en la probabilidad de que ocurra x veces dentro de un intervalo
de 10 minutos, usaremos un modelo de distribucin de Poisson con =
104 = 40.

e es la base de los logaritmos naturales (e = 2,71828...)

Ejemplo 1
Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10
cheques sin fondos en cualquiera de dos das consecutivos?
Solucin:
a) x = 4
= 6 cheques sin fondo por da.
e = 2.718
P( x 4, 6)

e x 6 4 (2.718 ) 6

0.13392
x!
4!

b) x= 10
= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das
consecutivos
P( x 10 , 12 )

e x 12 10 (2.718 ) 12

0.104953
x!
10!

Ejemplo 2
En la inspeccin de hojalata producida por un proceso electroltico continuo, se

11
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

identifican

0.2

imperfecciones

en

promedio

por

minuto.

Determine

las

probabilidades de identificar a) una imperfeccin en 3 minutos, b) al menos dos

imperfecciones en 5 minutos, c) cuando ms una imperfeccin en 15 minutos.
Solucin:
a) x = 1
= 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata
e x (0.6)1 (2.718 ) 0.6
P( x 1, 0.6)

0.329307
x!
1!

b)

x = variable que nos define el nmero de imperfecciones en la hojalata por

cada 5 minutos = 0, 1, 2, 3, ...., etc.

= 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la hojalata
(1) 0 (2.718 ) 1 (1)1 (2.718 ) 1

) 0.26416
0!
1!
x = variable que nos define el nmero de imperfecciones en la hojalata por

P( x 2,3,4, etc..., 1) 1 P( x 0,1, 1) 1 (

c)

cada 15 minutos = 0, 1, 2, 3, ....., etc.

= 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata
(3) 0 (2.718 ) 3 (3)1 (2.718 ) 3
P( x 0,1, 3) P( x 0, 3) P( x 1, 3)

0.1992106
0!
1!

3.5

Distribuciones de probabilidad continuas

Caractersticas:
1. Es generada por una variable continua (x).
X Es una variable que puede tomar tanto valores enteros como
fraccionarios.
x 1.0, 3.7, 4.0, 4.6, 7.9, 8.0, 8.3, 11.5,.....,infinito
2. f(x) 0

Las probabilidades asociadas a cada uno de los valores que toma

x deben ser mayores o iguales a cero. Dicho de otra forma, la funcin de

densidad de probabilidad deber tomar solo valores mayores o iguales a

12
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

cero. La funcin de densidad de probabilidad slo puede estar definida en

los cuadrantes I y II.

f ( x)dx 1 La

3.

sumatoria de las probabilidades asociadas a cada uno de

los valores que toma x debe ser igual a 1. El rea definida bajo la funcin
de densidad de probabilidad deber ser de 1.

CALCULO DE MEDIA Y DESVIACIN ESTNDAR PARA UNA DISTRIBUCIN

CONTINUA
1. Media o valor esperado de x.- Para calcular la media de una distribucin de
probabilidad continua se utiliza la siguiente frmula:

xf ( x)dx

Donde:
E (x) Media o valor esperado de la distribucin

x = variable aleatoria continua

f(x) = funcin de densidad de la distribucin de probabilida
2. Desviacin estndar.- La frmula para determinar la desviacin estndar de
una distribucin continua es;

( x ) 2 * f ( x)dx
2

Luego:

(x )

* f ( x)dx

Ejemplo 1
Para la siguiente funcin,
f ( x)

1 2
x Cuando 0 x 3, f(x) = 0 para cualquier otro valor
9

13
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

a) Diga si esta funcin nos define una distribucin de probabilidad.

b) Si la funcin define una distribucin de probabilidad, entonces, determine su
media y desviacin estndar.
c) Determine la probabilidad de que 1 x 2.
Solucin:
a) Para verificar que la funcin nos define una distribucin de probabilidad, es
necesario que cumpla con las caractersticas que se haban mencionado.
1. x s es una variable continua porque puede tomar cualquier valor entre 0 y
3.
2.

f(x) 0, lo que se comprueba si damos diferentes valores a x para ver que

valores toma f(x), dndonos cuenta de que efectivamente f(x) solo toma valores
mayores o iguales a cero.

3.

f(x)

0.0

0.5

0.02778

1.0

0.11111

1.4

0.21778

2.1

0.49

2.7

0.81

3.0

1.0

Para comprobar que la sumatoria de las probabilidades que toma

cada valor de x es de 1, se integra la funcin de 0 a 3 como se muestra a

continuacin:
1 2
1 x 21 3 1 3
A f ( x)dx x (dx) (
)]0
(3 0 3 ) 1
9
9 2 1
27
0
0
3

A= rea bajo la funcin

Con las operaciones anteriores comprobamos que la funcin f ( x)

1 2
x s nos
9

define una distribucin de probabilidad continua.

b) Clculo de media y desviacin estndar.
3

1
9

1 x4 3
1 4
)] 0
(3 0 4 ) 2.25
9 4
36

1
9

x * f ( x)dx x( x 2 )dx ( x 3 )dx (

0

14
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

1
9

1
9

2 ( x ) 2 * f ( x)dx ( x 2.25) 2 * x 2 dx ( x 2 4.5 x 5.0625) * x 2 dx

3

2 (
0

x 4 x 3 5.0625x 2
x 5 x 4 5.0625x 3 3

)dx

]0 0.3375
9
2
9
45 8
27

2 0.3375 0.5809
2
2
1
1 x3
c) P(1 x 2) f ( x)dx x 2 dx ( )]12 0.2963
9
9 3
1
1

Con

las

operaciones

anteriores

nos

damos

cuenta

que

para

evaluar

probabilidades para variables de tipo continuo, es necesario evaluar la funcin de

densidad de probabilidad en el rango de valores que se desea; que vendra siendo
el rea que se encuentra entre f(x) y el eje de las x y entre el rango de valores
definidos por la variable x.

Ejemplo 2
Suponga que el error en la temperatura de reaccin, en oC, para un experimento
controlado de laboratorio es una variable aleatoria continua x, que tiene la funcin
de densidad de probabilidad:
f ( x)

a)

x3
, para -1 x 2
3

f(x) = 0 en cualquier otro caso

Verifique la tercera condicin de la definicin de una distribucin de

probabilidad continua.
b)

Determine la media o valor esperado de la distribucin de probabilidad.

c)

Encuentre la probabilidad de que 0 x 1.

Solucin:
a. Como la tercera condicin es que la sumatoria de las probabilidades asociadas
a cada uno de los valores que toma x debe de ser 1, esto se comprueba de la
siguiente manera:
2

x2
1 x3
1
(dx) ( )] 21 (2 3 (1) 3 ) 1
3
3 3
9
1

A f ( x)dx
1

2
2
2
1
1
1 x4
1
b. x * f ( x)dx x( x 2 )dx ( x 3 )dx ( )] 21 (2 4 (1) 4 ) 1.25
3
3
3 4
12
1
1
1

15
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

1
1
1
1 x3
1
c. P(0 x 1) f ( x)dx x 2 dx ( )]10 (13 0 3 ) 0.11111
3
3 3
9
0
0

3.6

Distribucin t

16
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

Distribucin Normal
Importancia de la distribucin normal
La distribucin normal es de suma importancia en estadstica por tres razones
principales:
1. Numerosas variables continuas de fenmenos aleatorios tienden a
comportarse probabilsticamente mediante sta.
2. Es el lmite al que convergen tanto variables aleatorias continuas como
discretas.
3. Proporciona la base de la inferencia estadstica clsica debido a su relacin
con el teorema del lmite central.
Propiedades de la distribucin normal
1. Su grafica tiene forma acampanada.
2. El valor esperado, la mediana y la moda tienen el mismo valor cuando la
variable aleatoria se distribuye normalmente.
3. Su dispersin media es igual a 1.33 desviaciones estndar. Es decir, el
alcance intercuartil est contenido dentro de un intervalo de dos tercios de
una desviacin estndar por debajo de la media a dos tercios de una
desviacin estndar por encima de la media.
En la prctica, algunas de las variables que observamos slo pueden aproximar
estas propiedades. As que si el fenmeno puede mediarse aproximadamente
mediante la distribucin normal se tendr:
1. Que el polgono puede verse en forma de campana y simtrico.
2. Sus mediciones de tendencia central tienen bastante parecido.
3. El valor intercuartil puede diferir ligeramente de 1.33 desviaciones estndar.
4. El dominio de la variable aleatoria normalmente distribuida generalmente
caer dentro de 3 desviaciones estndar por encima y por debajo de la
media.

17
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

El modelo matemtico
Notacin: N ( , ), X N ( , )
2

El modelo o expresin matemtica que representa una funcin de densidad de

probabilidad se denota mediante el smbolo f (x) . Para la distribucin normal, se
tiene la siguiente funcin de probabilidad.
1 x

(
1
f ( x)
e 2
2

)2

, x

Donde

es la constante matemtica aproximada por 2.71828

es la constante matemtica aproximada por 3.14159

son la media y la desviacin estndar, respectivamente. La funcin

de distribucin correspondiente est dada por:

1
F ( x ) P( X x )
2

1 v 2
(
)
2

dv

Ejemplo 1

18
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

Ejemplo 2

Ejemplo 3

19
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

Distribucin Gama
Este modelo es una generalizacin del modelo Exponencial ya que, en ocasiones,
se utiliza para modelar

variables que describen el tiempo hasta que se

produce p veces un determinado suceso.

x

1
e x p 1 , x 0
p

Su funcin de densidad es de la forma: f ( x ) ( p )

0, x 0

Como vemos, este modelo depende de dos parmetros positivos: y p. La funcin

(p) es la denominada funcin Gamma de Euler que representa la siguiente
integral:

( p) x p 1e x dx
0

20
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

que verifica (p + 1) = p(p), con lo que, si p es un nmero entero positivo, (p + 1)

= p!
Propiedades de la distribucin Gamma
1. Su esperanza es p.
2. Su varianza es p2.
3. La distribucin Gamma (, p = 1) es una distribucin Exponencial de
parmetro . Es decir, el modelo Exponencial es un caso particular de la
Gamma con p = 1.
4. Dadas dos variables aleatorias con distribucin Gamma y parmetro
comn
X ~ G(, p1) y Y ~ G(, p2)
se cumplir que la suma tambin sigue una distribucin Gamma
X + Y ~ G(, p1 + p2).
Una consecuencia inmediata de esta propiedad es que, si tenemos k variables
aleatorias con distribucin Exponencial de parmetro (comn) e independientes,
la suma de todas ellas seguir una distribucin G(, k).
Ejemplo 1
Suponga que cierta pieza metlica se romper despus de sufrir dos ciclos de
esfuerzo. Si estos ciclos ocurren de manera independiente a una frecuencia
promedio de dos por cada 100 horas. Obtener la probabilidad de que el intervalo
de tiempo se encuentre hasta que ocurre el segundo ciclo.
a. Dentro de una desviacin con respecto del tiempo promedio.
b. A ms de dos desviaciones por encima de la media.

21
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

Ejemplo 2
En cierta ciudad el consumo diario de energa elctrica, en millones de kilovatios
por hora, puede considerarse como una variable aleatoria con distribucin
GAMMA de parmetros
ciudad

tiene

una

= 3 y

capacidad

= 0.5. La planta de energa de esta

diaria

de

10

millones

de

KW/hora

Cul es la probabilidad de que este abastecimiento sea:

a. Insuficiente en un da cualquiera?
b. Se consuman entre 3 y 8 millones de K. W. /Hora?
c. Encuentre E(x) y V(x).
Solucin

22
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

3.7 Distribucin Chi-cuadrada

En realidad la distribucin ji-cuadrada es la distribucin muestral de s2. O sea que
si se extraen todas las muestras posibles de una poblacin normal y a cada
muestra se le calcula su varianza, se obtendr la distribucin muestral de
varianzas.
Para estimar la varianza poblacional o la desviacin estndar, se necesita conocer
el estadstico X2. Si se elige una muestra de tamao n de una poblacin normal
con varianza

2 , el estadstico:
( n 1) s 2

2
tiene una distribucin muestral que es una distribucin ji-cuadrada con gl=n-1 grados de
libertad y se denota

X2

(X es la minscula de la letra griega ji). El estadstico ji-

cuadrada est dado por:

X
2

(n 1) s 2

donde n es el tamao de la muestra, s2 la varianza muestral y

la varianza de la

poblacin de donde se extrajo la muestra. El estadstico ji-cuadrada tambin se puede dar

con la siguiente expresin:

( x x)

Propiedades de las distribuciones ji-cuadrada

1. Los valores de X2 son mayores o iguales que 0.
2. La forma de una distribucin X2 depende del gl=n-1. En consecuencia, hay
un nmero infinito de distribuciones X2.
3. El rea bajo una curva ji-cuadrada y sobre el eje horizontal es 1.

23
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

4. Las distribuciones X2 no son simtricas. Tienen colas estrechas que se

extienden a la derecha; esto es, estn sesgadas a la derecha.
5. Cuando n>2, la media de una distribucin X2 es n-1 y la varianza es 2(n-1).
6. El valor modal de una distribucin X2 se da en el valor (n-3).
La siguiente figura ilustra tres distribuciones X2. Note que el valor modal aparece
en el valor (n-3) = (gl-2).

La funcin de densidad de la distribucin X2 est dada por:

f ( x)
2

( v )
2

( 21)

, para x>0

Ejemplo 1
Suponga que los tiempos requeridos por un cierto autobs para alcanzar un de
sus destinos en una ciudad grande forman una distribucin normal con una
desviacin estndar

=1 minuto. Si se elige al azar una muestra de 17 tiempos,

encuentre la probabilidad de que la varianza muestral sea mayor que 2.

Solucin:
2

Primero se encontrar el valor de chi-cuadrada correspondiente a S =2 como

sigue:

X2

(n 1) s 2

(17 1) * 2
32
12

El valor de 32 se busca adentro de la tabla en el rengln de 16 grados de

libertad y se encuentra que a este valor le corresponde un rea a la
2

derechade 0.01. En consecuencia, el valor de la probabilidad es P( S >2)

24
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

3.7

Distribucin F

Supngase que deseamos comparar las varianzas de dos poblaciones normales basados
en la informacin contenida en muestras aleatorias independiente de las dos poblaciones.
Supngase que una muestra aleatoria contiene n1 variables aleatorias distribuidas
normalmente con una varianza comn 12 y que la otra muestra aleatoria contiene n 2
variables aleatorias distribuidas normalmente con una varianza comn 12 y que la otra
muestra aleatoria contiene n 2 variables aleatorias distribuidas normalmente con una
varianza comn 12 . Si calculamos S 12 de las observaciones en la muestra 1, entonces

S12 es una estimacin de 12 . De manera similar, S 22 calculada a partir de las

observaciones de la segunda muestra es una estimacin para 22 . As intuitivamente
podramos

pensar en utilizar S 12 / S 22 para hacer inferencias con respecto a las

magnitudes relativas de 12 y 22 . Si dividimos cada S i2 por i2 , entonces la razn

siguiente

S12 / 12 22

S 22 / 22 12

S12
2
S 2

Tiene una distribucin F con n1 1n2 1 grados de libertad. La definicin general de

una distribucin F es como sigue:
DEFINICION

Sean 12 y 22 variables aleatorias ji - cuadrada con v1 y v 2 grados de

libertad. Respectivamente. Entonces s 12 y 22 son independientes,

12 / v1
22 / v2

25
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

Se dice que tiene una distribucin F con v1 grados de libertad del numerador y

v2

grados de libertad del denominador.

La funcin de densidad para variables aleatorias con la distribucin F es un miembro de
la familia de las distribuciones beta. Omitimos la frmula para la densidad de una variable
aleatoria con la distribucin F .

3.8

Esperanza matemtica

La esperanza matemtica o valor esperado de una variable aleatoria discreta es la

suma del producto de la probabilidad de cada suceso por el valor de dicho suceso.

Los nombre de esperanza matemtica y valor esperado tienen su origen en los

juegos de azar y hacen referencia a la ganancia promedio esperada por un
jugador cuando hace un gran nmero de apuestas.
Si la esperanza matemtica es cero, E(x) = 0, el juego es equitativo, es decir, no
existe ventaja ni para el jugador ni para la banca.
Ejemplos
1. Si una persona compra una papeleta en una rifa, en la que puede ganar de
5.000 un segundo premio de 2000 con probabilidades de: 0.001 y
0.003. Cul sera el precio justo a pagar por la papeleta?
E(x) = 5000 0.001 + 2000 0.003 = 11
2. Un jugador lanza dos monedas. Gana 1 2 si aparecen una o dos caras.
Por otra parte pierde 5 si no aparece cara. Determinar la esperanza
matemtica del juego y si ste es favorable.

E = {(c,c);(c,x);(x,c);(x,x)}

p(+1) = 2/4

p(+2) = 1/4

p(5) = 1/4

26
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

E(x) = 1 2/4 + 2 1/4 - 5 1/4 = 1/4. Es desfavorable.

Distribucin binomial
Una distribucin binomial o de Bernoulli tiene las siguientes caractersticas:
1. En cada prueba del experimento slo son posibles dos resultados: xito y
fracaso.
2. La probabilidad de xito es constante, es decir, que no vara de una prueba
a otra. Se representa por p.
3. La probabilidad de fracaso tambin es constante, Se representa por q,
q=1p
4. El resultado obtenido en cada prueba es independiente de los resultados
obtenidos anteriormente.
5. La variable aleatoria binomial, X, expresa el nmero de xitos obtenidos en
las n pruebas. Por tanto, los valores que puede tomar X son: 0, 1, 2, 3, 4...
n.
La distribucin bimomial se expresa por B(n, p)

Clculo de probabilidades en una distribucin binomial

n es el nmero de pruebas.
k es el nmero de xitos.
p es la probabilidad de xito.
q es la probabilidad de fracaso.

El nmero combinatorio

27
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

Ejemplo
La ltima novela de un autor ha tenido un gran xito, hasta el
punto de que el 80% de los lectores ya la han leido. Un grupo de 4
amigos son aficionados a la lectura:
1. Cul es la probabilidad de que el grupo hayan leido la
novela 2 personas?
n = 4
p = 0.8
q = 0.2
B(4, 0.8)

2.Y cmo mximo 2?

28
Mondesir Mackenson

Aguilar Hernndez Roberto Alan

Parmetros de la distribucin binomial

Media

Varianza

Desviacin tpica

Ejemplo
La probabilidad de que un artculo producido por una fbrica
sea defectuoso es 0.02. Se envi un cargamento de 10.000
artculos a unos almacenes. Hallar el nmero esperado de
artculos defectuosos, la varianza y la desviacin tpica.

29
Mondesir Mackenson

Aguilar Hernndez Roberto Alan