You are on page 1of 7

Probabilidades y Estadstica

Edmundo Pea Rozas, Juan Garcs Seguel


1
Unidad 4: Modelos Probabilsticos
1 Antecedentes Generales
En la unidad anterior se presentaron los conceptos bsicos relacionados con las variables aleatorias, las cuales
pueden utilizarse para trabajar con los resultados de experimentos aleatorios.

En esta unidad se vern algunas distribuciones de probabilidad, o modelos probabilsticos especiales, asociados a
experimentos aleatorios especficos. Dichas distribuciones pueden expresarse como frmulas matemticas, las
que involucran ciertas constantes, llamadas parmetros. Estas distribuciones son conocidas por su amplia
aplicacin en la resolucin de problemas prcticos en diferentes reas del conocimiento.

2 Distribuciones Discretas

Distribucin Bernoulli
Suponer que se tiene un experimento aleatorio con dos resultados posibles. Por ejemplo: (Cara, sello),
(Encendido, Apagado), (Defectuoso, No defectuoso), (Verdadero, Falso), etc... Para este experimento aleatorio,
se define un espacio muestral S, y un evento A S , con ( ) , 0 1 P A p p = < < .
Si se define la variable aleatoria X, con parmetro, de la siguiente forma:
1; si
( )
0; si
s A
X s
s A

=


Se dice que la variable aleatoria X se distribuye Bernoulli, con parmetro p, y se denota ( ) X Bernoulli p ,
cuya funcin de probabilidad es la siguiente:
, 1
( ) ( )
1 , 0
X
p x
p x P X x
p x
=
= = =

=


Por lo tanto, la funcin anterior se puede escribir como
1
( ) (1 )
x x
X
p x p p

=

Definiendo 1 q p = , se puede probar adems que, para una variable aleatoria Bernoulli:
[ ] E X p = y
[ ] Var X pq =

Ejemplo: Se lanza un dado y se observa si sale 1
P(xito)=1/6 P(fracaso)=5/6
[ ]
1
6
E X = y [ ]
5 5 1
6 6 36
Var X = =

Distribucin Binomial
Suponga que se tiene un experimento aleatorio, el cual consiste en n ensayos Bernoulli independientes, cada
uno de ellos con probabilidad de xito p.

Si se define una variable aleatoria X, la cual cuenta el nmero total de xitos en los n ensayos, entonces X se
conoce como variable aleatoria Binomial, con parmetros n y p. Es decir:
{ } ( , ) y 0,1,...,
X
X b n p R n =
Si X es una variable que se define como binomial, entonces ella cumple las siguientes caractersticas:
x es el nmero de veces que sucede el xito en n repeticiones.
En cada repeticin se miden dos resultados: xito o fracaso.
El rango de x vara entre cero y n, ya que puede suceder que en las n repeticiones no ocurra nunca el
xito o por el contrario, en las n repeticiones ocurre el xito la totalidad de las veces.
La probabilidad de que suceda xito es constante en cada repeticin.
Los ensayos son independientes.
Probabilidades y Estadstica
Edmundo Pea Rozas, Juan Garcs Seguel
2

La funcin de probabilidad est definida por:
( ) ; 0,1,..., , 1
x n x
X
n
p x p q x n q p
x

| |
= = =
|
\

Se puede demostrar adems que
[ ] [ ]
E X np y Var X npq = =

Ejemplo: Un competidor de tiro al platillo tiene una probabilidad de acertar un disparo igual a 0.8.
a) Cul es la probabilidad de acertar 3 veces si realiza 4 disparos?
b) Cul es la probabilidad de acertar 3 o ms veces si realiza 4 disparos?

Desarrollo:
Se trata de un experimento en que el tirador realiza 4 disparo, cada uno de ellos con probabilidad de 0,8 de
acertar un disparo, e independientes. En otras palabras, se tienen 4 ensayos Bernoulli independientes, cada uno
con probabilidad de xito igual a 0,8.

Se define una variable aleatoria X, que cuenta el nmero de tiros acertados, de un total de 4 intentos. Entonces, X
se distribuye binomial con parmetros n=4 y p=0,8. Su funcin de probabilidad es:
4
4
( ) (0, 8) (0, 2) ; 0,1,..., 4
x x
X
p x x
x

| |
= =
|
\

(a) Cul es la probabilidad de acertar 3 veces si realiza 4 disparos?
3 1
4
( 3) (3) (0, 8) (0, 2) 0, 4096
3
X
P X p
| |
= = = =
|
\

(b) Cul es la probabilidad de acertar 3 o ms veces si realiza 4 disparos?
3 1 4 0
4 4
( 3) (3) (4) (0, 8) (0, 2) (0, 8) (0, 2) 0, 4096 0, 4096 0, 8192
3 4
X X
P X p p
| | | |
= + = + = + =
| |
\ \


Ejemplo: Cul es la probabilidad de que en una familia de 4 hijos exactamente 2 sean nias?
2 4 2
( ) 1
0 5 4 2
4
( 2) 0 5 1 0 5 0.375
2
x n x
-
n
P X x p ( p)
x
p . ; n ; x
P X ( . ) ( - . )

| |
= =
|
\
= = =
| |
= = =
|
\


Ejercicio: Para el ejemplo anterior, verifique si se obtienen las probabilidades que se indican en el cuadro
siguiente:
x P(X=x) P(Xx)
0 0,0625 0,0625
1 0,2500 0,3125
2 0,3750 0,6875
3 0,2500 0,9375
4 0,0625 1,0000

Ejemplo: Si una dcima parte de las personas tiene cierto grupo sanguneo, cul es la probabilidad de que entre
100 personas escogidas al azar exactamente 8 de ellas pertenezcan a este grupo sanguneo?
Probabilidades y Estadstica
Edmundo Pea Rozas, Juan Garcs Seguel
3
8 92
( ) 1
0 1 100 8
100
( 8) 0 1 1 0 1
8
x n x
n
P X x p ( p)
x
p . ; n ; x
P X ( . ) ( - . )

| |
= =
|
\
= = =
| |
= =
|
\


Ejemplo: Calcular la probabilidad de obtener al menos dos seis al lanzar un dado cuatro veces.

Desarrollo:
p = 1/6, q = 5/6, n = 4

Al menos dos seis, implica que salen x = 2, 3, 4, entonces P(X=2) + P(X=3) + P (X=4)

2 2 3 4
4
4 4 4
1 5 1 5 1
( 2)
2 3 4 6 6 6 6 6
1 25 1 25 1
6 4
36 36 36 36
1 171
(6 25 4 5 1) 0.132
6 1296
P X
| | | | | |
| | | | | | | | | |
= + +
| | | | | | | |
\ \ \ \ \
\ \ \
| | | | | | | |
= + +
| | | |
\ \ \ \
= + + = =


Distribucin Geomtrica
Suponer que un experimento aleatorio consiste en ir realizando ensayos Bernoulli independientes, con
probabilidad de xito p en cada ensayo. Se define una variable aleatoria X, que denota el nmero de ensayos
hasta obtener el primer xito. X se conoce como variable aleatoria Geomtrica, con parmetro p. Es decir:
( ) X G p
Se puede verificar que la funcin de probabilidad de X est definida por:
1
( ) ; 1, 2,...
x
X
p x q p x

= =
Notar que el recorrido de esta variable es infinito numerable, es decir { } 1, 2,...
X
R =
Se pueden obtener las siguientes expresiones para la esperanza y Varianza de esta variable:
[ ] [ ]
2
1 q
E X y Var X
p p
= =
Ejemplo: Un competidor de tiro al platillo tiene una probabilidad de acertar un disparo igual a 0.8. Suponga que
el tirador realiza disparos hasta que logra acertar en el blanco. Calcule la probabilidad de que le basten no ms de
dos intentos hasta que logre acertar en el blanco.

Desarrollo:
Se define una variable aleatoria X, que denota el nmero de intentos hasta que consigue acertar en el blanco.
Entonces, X se distribuye Geomtrica con parmetro p=0,8. Lo que se pide calcular es la probabilidad de que le
basten no ms de dos intentos hasta que logre acertar en el blanco, es decir:
0
( 2) (1) (2) (0, 2) (0, 8) (0, 2) (0, 8) 0, 96
X X
P X p p = + = + =
Por lo tanto, la probabilidad es de 0,96.

Probabilidades y Estadstica
Edmundo Pea Rozas, Juan Garcs Seguel
4
Distribucin Hipergeomtrica

La distribucin binomial se basa en el supuesto de que la poblacin es infinita y de que la probabilidad de xito
permanece constante, lo cual se consigue en tales poblaciones o cuando se toman muestras con reemplazo en
poblaciones finitas. Cuando se tiene un experimento similar al Binomial pero con una poblacin finita y bajo un
muestreo sin reemplazo, la probabilidad cambiar para cada nueva observacin, teniendo en este caso un
experimento de tipo hipergeomtrico, basado en los siguientes supuestos:
La poblacin o conjunto donde deba hacerse el muestreo es una poblacin finita compuesta por N
elementos.
Cada elemento de la poblacin puede ser caracterizado como un xito o un fracaso.
En la poblacin hay M xitos.
Se elige una muestra sin reemplazo de n individuos, de tal forma que sea igualmente probable
seleccionar cada subconjunto de tamao n.

Consideremos el siguiente ejemplo. Suponer que en una caja hay N Fichas, de las cuales M son blancas, y el
resto (N-M) son azules. Se selecciona una muestra al azar de n fichas, sin reemplazo.

Se define una variable aleatoria X, que denota el nmero de fichas blancas que hay en la muestra seleccionada.
Entonces, se dice que X tiene distribucin Hipergeomtrica, con parmetros M, N, y n. (Notar que
{ } 0,1,...,
X
R n = )

La funcin de probabilidad de X es:
( ) ( ) ; 0,1,..., ;
X
M N M
x n x
P X x p x x n n M N
N
n
| || |
| |

\ \
= = = =
| |
|
\

Se puede demostrar que:
[ ] [ ]
;
1
nM nM N M N n
E X Var X
N N N N
| || |
= =
| |

\ \


Notar que M/N es la proporcin de los xitos de la poblacin, de tal manera que si se reemplaza k/N por p en la
esperanza y varianza se tiene que:
( ) ( ) ( ) 1
1
N n
E X np V X np p
N
| |
= =
|

\

Es claro que la esperanza binomial e hipergeomtrica son iguales, mientras que las varianzas de las dos variables
difieren por el factor (N n)/(N1), llamado factor de correccin por poblacin finita. Este factor es menor que
1, as que la variable hipergeomtrica tiene menor varianza que la de la binomial. El factor de correccin se
puede escribir como (1n/N)/(1 1/N), que es aproximadamente 1 cuando la poblacin tiene un tamao muy
grande (N ). Una regla de uso muy frecuente establece que el factor de correccin se puede pasar por alto
cuando n/N 0, 05, es decir, cuando la muestra contiene menos del 5% de los elementos de la poblacin.
Cuando esto sucede, las distribuciones binomial e hipergeomtrica coinciden.

Ejemplo: En una planta qumica se utilizan 24 tanques para almacenar el producto final. Se escogen 4 tanques
al azar, sin reemplazo. Suponga que 6 tanques contienen material en el que la viscosidad excede los
requerimientos del cliente.
a) Cul es la probabilidad de que exactamente un tanque de la muestra contenga material con viscosidad
alta?
b) Cul es la probabilidad de que al menos un tanque de la muestra contenga material con viscosidad alta?

Probabilidades y Estadstica
Edmundo Pea Rozas, Juan Garcs Seguel
5
Desarrollo
Claramente, el problema se puede abordar definiendo una variable aleatoria Hipergeomtrica, con parmetros
24; 6; 4 N M n = = =
Entonces, para la pregunta (a), se pide:
6 24 6
1 4 1
( 1) (1) 0, 4608
24
4
X
P X p
| || |
| |

\ \
= = = =
| |
|
\

Es decir, la probabilidad de que exactamente un tanque de la muestra contenga material con viscosidad alta es de
0,4608.

Ahora, para la pregunta (b), se pide:
6 24 6
0 4 0
( 1) 1 ( 1) 1 ( 0) 1 (0) 1 0, 7120
24
4
X
P X P X P X p
| || |
| |

\ \
= < = = = = =
| |
|
\

Por lo tanto, la probabilidad de que al menos un tanque de la muestra contenga material con viscosidad alta es de
0,7120.

Ejemplo: Seleccionar al azar dos bolas de una caja que contiene 10 bolas, tres de las cuales son azules.
Considerando el muestreo con y sin reemplazo, encontrar la funcin de probabilidad de la variable aleatoria, X =
Nmero de bolas azules en cada eleccin.

Desarrollo

N = 10, M = 3, N - M = 7, n = 2
Con reemplazo:

2
2
3 7
( )
10 10
( 0) 0.49, ( 1) 0.42, ( 2) 0.09
x x
P X x
x
P X P X P X

| |
| | | |
= =
| | |
\ \
\
= = = = = =


Sin reemplazo:

3 7
2
( )
10
2
21 3
( 0) ( 1) 0 47 ( 2) 0.07
45 45
x x
P X x
P X P X . , P X
| || |
| |

\ \
= =
| |
|
\
= = = = = =


Ejemplo: Un partido poltico tiene 52 delegados de la Regin del Bo Bo para la convencin nacional. 30 de
estos delegados apoyan al candidato A y el resto al candidato B. Si cinco de estos delegados son seleccionados
aleatoriamente, cul es la probabilidad de que al menos dos de ellos apoyen al candidato A?

Probabilidades y Estadstica
Edmundo Pea Rozas, Juan Garcs Seguel
6
1
0
52; 30; 22; 5
30 22 30 22 30 22
5 0 5 0 1 5 1
( 2) 1 ( 2) 1 1
52 52 52
5 5 5
26334 219450 245784
( 2) 1 ( 2) 1 1
2598960 25
x
N M N M n
x x
P X P X
P X P X
=
= = = =
( | || | | || | | || |
( | | | | | |

\ \ \ \ \ \
(
= < = = +
(
| | | | | |
(
| | |
\ \ \
+
(
= < = =
(

1 0.09 0.91
98960
= =



Distribucin Poisson
En ocasiones, interesa asignar probabilidades al nmero de ocurrencias de un evento en un periodo de tiempo
fijo, o en una regin determinada. Por ejemplo:
Nmero de averas de una mquina por jornada de trabajo.
Nmero de errores tipogrficos en una revista.
Nmero de llamadas a una central telefnica en una hora.
Nmero de automviles que llegan a una plaza de peaje en un da.
Nmero de clientes que llegan a un banco por hora.
Nmero de partculas emitidas por cierta sustancia radioactiva en un determinado lapso de tiempo.
Nmero de accidentes de trfico que ocurren en un da en un cruce.
Nmero de llamadas que llegan a una central telefnica en cierto intervalo de tiempo.
Nmero de rdenes de devolucin de piezas que recibe una empresa en una semana.
Nmero de nios nacidos con un problema en el corazn en una cita grande durante un ao.
Nmero de saques no respondidos por un tenista famoso durante su carrera.
Nmero de veces que falla una pieza de un equipo durante un perodo de tres meses.
Nmero de nuevas infecciones por una enfermedad contagiosa en una poblacin durante un mes.

Situaciones como las mencionadas anteriormente, pueden modelarse a travs de lo que se conoce como un
Proceso de Poisson de parmetro , la cual es la tasa del proceso. Los procesos de Poisson cumplen con los
siguientes supuestos:
a) En intervalos de longitud suficientemente cortos t , el evento ocurre a lo ms una vez (es imposible dos
o ms ocurrencias).
b) La probabilidad de que el evento ocurra exactamente una vez en el intervalo t es proporcional a la
longitud del intervalo, t , con 0 > .
c) La ocurrencia del evento en un intervalo de longitud t no tiene efecto en la ocurrencia o no ocurrencia
en cualquier otro intervalo de igual longitud. (independencia estocstica).

Si se tiene un proceso de Poisson de parmetro , y se define una variable aleatoria X, que denota el nmero de
ocurrencias de un evento en un intervalo de longitud t , entonces X se distribuye Poisson, con parmetro t .
Haciendo t = , la funcin de probabilidad de X se define:
( )
( ) ; 0,1, 2,...
!
x
X
e
p x x
x

= =
Se puede verificar adems que: [ ] E X = y [ ] Var X =

Ejemplo: Si el nmero de accidentes que ocurren en una carretera diariamente se distribuye Poisson con
parmetro 1 = , calcular la probabilidad de que no ocurran accidentes hoy.
Respuesta: Se define una variable X, que se distribuye Poisson con parmetro 1 1 1 t = = = . Entonces:
Probabilidades y Estadstica
Edmundo Pea Rozas, Juan Garcs Seguel
7
( )
0
1
1
1
( 0) (0) 0, 3679
0!
X
e
P X p e

= = = =

Ejemplo: Suponer que llegan clientes a una cola de espera a una tasa de 4 por minuto. Asumiendo que el arribo
ocurre de acuerdo a un Proceso Poisson, determinar la probabilidad de que al menos una persona llegue a la cola
en un intervalo de minuto.

Desarrollo
Se define una variable X, que se distribuye Poisson con parmetro
1
4 2
2
t = = = . Entonces:
( )
0
2
2
2
( 1) 1 ( 1) 1 ( 0) 1 (0) 1 1 0, 8647
0!
X
e
P X P X P X p e

= < = = = = =

Ejemplo: El nmero promedio de partculas radioactivas que pasan a travs de contador durante un milisegundo
en un experimento de laboratorio es 4. Cul es la probabilidad de en un milisegundo entren 6 partculas?

Desarrollo:
4 6
4 6
4
( 6) 0.1041
6!
x
e
P X

= =
= = =

Ejemplo: Los fines de semana, los clientes que entran a una pequea tienda del Mall lo hacen a una tasa
esperada de 0,50 por minuto. Encuentre la probabilidad de que el nmero de clientes que entran en un intervalo
especfico de 10 minutos es 3 y, a lo ms 3.

Desarrollo:

5 3
5 3
5 0 5 1 5 2
0.50 0, 50 10 5
5 0, 84
( 3) 0.14
3! 6
( 3) ( 0) ( 1) ( 2) ( 3)
1 1 1 5
5 5 5 0, 265
0! 1! 2! 3!
t
e
P X
P X P X P X P x P X
e
e e e


= = =
= = = =
= = + = + = + =
= + + + =