Lectura 3 - Distribución de Variables Aleatorias - Jul

MDULO 3: DISTRIBUCIN DE VARIABLE
ALEATORIA
Introduccin:
Es comn observar en negocios de localidades serranas la venta de paquetes de

hongos comestibles. Si bien todos ellos exhiben el peso en sus envases, en realidad
no siempre coincide el mismo con el real. Consultado el propietario del negocio sobre
estas diferencias, indic que, solo un 10% de los paquetes pueden tener un peso que
difiera por debajo del exhibido en su envase en ms de 10 gramos. Si lo expresado
por el propietario fuera correcto, indique Ud. la probabilidad de que, de un total de 10
paquetes seleccionados aleatoriamente, por lo menos uno de ellos presente un peso
que sea inferior en ms de 10 gramos respecto al que indica su envase.
Al cumplirse los trminos para un llamado a elecciones, todos los partidos tienen
necesidad de conocer la intencin de voto de la poblacin hacia su candidato; a estos
efectos contratan los servicios de consultoras que realizan el correspondiente sondeo.
Como resultado de los mismos, podemos determinar la probabilidad de que en una
muestra de n electores, x de ellos tengan intencin de voto por su candidato.
De la misma manera, una empresa puede solicitar los servicios de una consultora a
los efectos de determinar el posible comportamiento de un sector respecto de un
producto. Esos servicios deben ser abonados, pero siempre que los mismos sean
correctos. En casos como estos se podra realizar algn tipo de verificacin?
Son innumerables las situaciones que tal como las descriptas se nos presentan en la
vida diaria y profesional. Ante cada una de ellas, tendremos que tomar decisiones; es
por ello que este contenido; DISTRIBUCIONES DE VARIABLE ALEATORIA, cobra
cierta preponderancia dentro del contexto de los contenidos de la asignatura, siendo
el estudio de ella entonces de fundamental importancia para el lector.
3.0 Variable Aleatoria.

Cuando el contenido de la variable en estudio es el resultado numrico de un
evento aleatorio, dicha variable adopta el nombre de variable aleatoria.
Ahora bien, con todos los valores que puede adoptar dicha variable y con las
probabilidades de ocurrencia de cada una de ellas, se genera una distribucin
que denominamos Distribucin de variable aleatoria.
En la primera parte de la materia, denominada Estadstica Descriptiva, se analizaron

distribuciones de frecuencias, es decir, de un determinado experimento se contaba
con el listado de los resultados del mismo que, a los efectos de operar cmodamente
con ellos, clasificbamos en clases y determinbamos la frecuencia de ocurrencia de
cada una de ellas, su estudio nos llevaba a la determinacin de los estadsticos.
Ahora: en el anlisis de la distribucin de probabilidades, es necesario identificar
todas las posibles maneras en que el experimento puede presentarse y la probabilidad
de ocurrencia de cada una de ellas, las que pueden determinarse de manera terica o
como resultado de un anlisis subjetivo, producto de la experiencia, tal el caso, por
Materia: HERRAMIENTAS MATEMTICAS III (ESTADSTICA I) -1-

Profesor: MARIO MARN
ejemplo, de las compaas de seguros. Cuando una de estas empresas define el costo
de una pliza hace uso de la experiencia que la Ca. tiene sobre la frecuencia de
ocurrencia de ese tipo de siniestro.
3.1 DISTRIBUCIN DE VARIABLE ALEATORIA
Para iniciar el estudio de distribucin de variable aleatoria debemos tener presente que
del fenmeno en estudio, debemos considerar todos los casos posibles en que puede
presentarse, siendo todos ellos mutuamente excluyentes y exhaustivos.
Es necesario tambin tener presente que en gran cantidad de casos, el evento
aleatorio adopta valores no numricos. Por ejemplo; si consideramos el lanzamiento
de una moneda, el resultado sera cara o cruz. Si de la lnea de produccin de una
determinada pieza, retiramos una de ellas y le efectuamos los correspondientes
ensayos de aceptabilidad, el resultado de los mismos ser el que est dentro de
normas o no. En todos esos casos, a los efectos de poder operar estadsticamente
con dicha variable, ser necesario asignarle, a cada uno de los distintos eventos en
que puede presentarse, un valor numrico.
Retornemos al lanzamiento de una moneda. Los posibles resultados sern cara o
cruz. Podramos entonces asignarle un uno (1) a la cara y un cero a la cruz y si la
moneda se encuentra perfectamente balanceada consideramos que la probabilidad de
ocurrencia de cada uno de los dos posibles eventos es de 1/2. Volquemos este
anlisis en la tabla siguiente.
Tabla 3.1
E ( eventos posibles) x ( variable) P(x) Probabilidad de ocurrencia
Cruz 0 1/2
Cara 1 1/2
Los eventos son mutuamente excluyentes y la suma de las probabilidades es igual a 1,

lo que indica el carcter de exhaustivos.
La primera columna contiene todos los eventos en que puede presentarse el
fenmeno; la segunda contiene los valores que para cada uno de esos eventos toma
la variable aleatoria y la tercera contiene las probabilidades de que la variable adopte
dichos valores, es decir en definitiva, la probabilidad de ocurrencia de cada evento.
Podemos ahora generar la distribucin de probabilidades de la variable en estudio:

n= 1 (nmero de ensayos)
Tabla 3.2
X P(x)
0 1/2
1 1/2
Determinacin de la media, varianza y desvo estndar de esta distribucin:
a) Media de la distribucin

La media de la distribucin de una variable aleatoria est dada por la suma de
los productos entre cada uno de los valores que puede adoptar la variable por
su correspondiente probabilidad de ocurrencia.
= (xi . P(xi) )
= 0 . 0,5 + 1 . 0,5 = 0,5
= 0,5
b) Varianza
La varianza de la distribucin de una variable aleatoria esta dada por la sumatoria de
los productos entre, el cuadrado de la diferencia y entre cada valor que puede adoptar
la variable y la media de la distribucin, multiplicada por la probabilidad que la variable
aleatoria en estudio adopte dicho valor.
Var(x) = ( xi - )2 . P(xi)
Var(x) = (0 0,5)2. 0,5 + (1-0,5)2 . 0,5 = 0,25
Var(x) = 0,25 = 1 / 4
c) Desviacin estndar
Como ya sabemos, la desviacin estndar de la distribucin de todos los
valores posibles que puede adoptar la variable, est dada por la raz cuadrada de
la varianza de dicha distribucin.
= (Var(x))
= (1 / 4) = 1 / 2
= 1 / 2.
La representacin grfica de la distribucin de probabilidades sera (G3-1)
Grfico 3.1
0,6
0,5
0,4
P(X)
0,3
0,2
0,1
0
0 1
X

Grfico 3.2
0,6
0,5
0,4
P(X)
0,3
0,2
0,1
0
-1 0 1 2
X
En el segundo grfico es claro observar el valor de la media
= 0,5
Consideremos el lanzamiento de dos monedas n=2 (es lo mismo que efectuar dos
ensayos consecutivos con una misma moneda que consideramos perfectamente
balanceada). Generemos la tabla con todos los posibles resultados y la probabilidad
de ocurrencia de cada uno de ellos. Para determinar el valor que adopta la variable,
mantendremos el mismo concepto ya aplicado de asignar a la cara el valor de 1 y a la
cruz el valor de cero.
Tabla 3.3
E X P(x)
Moneda 1 - Moneda 2
cruz - cruz 0 1/4
Cruz cara 1 1/4
Cara cruz 1 1/4
Cara cara 2 1/4
Debemos suponer que todas las maneras en que puede presentarse el fenmeno son
igualmente posibles, y por lo tanto la probabilidad de cada uno de ellos ser de 1 / 4.
Estamos en condiciones de confeccionar la tabla de distribucin de probabilidades:
Tabla 3.4
X P(x)
0 1/4
1 2/4
2 1/4

Podemos determinar el valor de los estadsticos:
d) Media de la distribucin
= (xi . P (xi))
= 0. 1 / 4 + 1. 2 / 4 + 2. 1 / 4 = 1
= 1
e) Varianza
Var(x) = ( xi - )2 . P (xi)
Var(x) = (0 1)2 . 1 / 4 + (1 1)2 . 2 / 4 + (2 1)2 . 1 / 4 = 1 / 2
Var(x) = 1 / 2
f) Desviacin estndar
= (Var(x))
= (1 / 2) = 0,7071
= 0,7071
La representacin grfica de la distribucin de probabilidades sera:
Grfico 3.3
0,60
0,50
0,40
P(X)
0,30
0,20
0,10
0,00
0 1 2
X
o tambin considerando el histograma

Grfico 3.4
0,6
0,5
0,4
P(X)
0,3
0,2
0,1
0
-1 0 1 2 3
X
3.1 VALOR ESPERADO O ESPERANZA MATEMTICA
El concepto del valor esperado es de gran aplicabilidad sobre todo por aquellas
personas que deben tomar decisiones en condiciones de incertidumbre
Definicin
Dada una distribucin de variable aleatoria, se denomina Valor Esperado o
Esperanza Matemtica a la media de la distribucin y se la expresa como
E(x) = = (xi . P
(xi))
Esto implica que al lanzar dos monedas, lo que se espera obtener ser un valor de la
variable x = 1, y si vemos nuestra tabla T6.2, la variable adopta ese valor cuando se
obtiene una cara y una cruz.
El valor esperado tambin puede ser calculado a partir de las estimaciones subjetivas
con respecto a la probabilidad de que la variable aleatoria pueda tomar ciertos valores.
3.3) FUNCIONES DE DISTRIBUCIN DE VARIABLE ALEATORIA.
Son innumerables los casos que en la vida real responden a una distribucin de
variable aleatoria, sera utpico pretender entonces estudiar todos los casos o muchos
de ellos. Ante esta situacin es ms conveniente definir modelos que engloben gran
cantidad de casos y determinar para cada uno de ellos la expresin matemtica que lo
resuelva y a la que denominaremos Funcin de Distribucin de Probabilidades, de
esta manera, presentado un determinado caso, solo ser necesario definir a qu
modelo responde para aplicar la expresin matemtica que le corresponde.
Como los tipos que poda tener una variable era la de continua o discreta, podemos
as entonces clasificar los modelos de acuerdo al tipo de variable:

Binomial
Discreta Poisson
Hipergeomtrica
Variable
Normal
Continua t (de Student)
Chi Cuadrado
Nota: Para este mdulo veremos entre las variables continuas solo la Distribucin
Normal
3.4 DISTRIBUCION BINOMIAL
Como es necesario definir, ante una determinada situacin, a cul modelo responde,
es de suma importancia tener claros conceptos sobre las propiedades que
corresponden a cada modelo; de esta manera la eleccin ser la correcta y correctos
tambin los resultados obtenidos.
CONDICIONES A CUMPLIR POR UNA DISTRIBUCIN PARA RESPONDER AL

MODELO BINOMIAL
Este modelo es de suma importancia ya que describe gran cantidad de fenmenos

que se presentan en la vida diaria. Cinco son las condiciones que debe reunir una
distribucin para responder a este modelo:
1- Est conformado por n ensayos idnticos

2- Como resultado de cada ensayo se obtiene, uno de solo dos resultados, de
forma tal que si a uno de ellos lo denominamos acierto, el otro se
denominar desacierto.
3- Si a la probabilidad del acierto lo denominamos como P (acierto) = p, la
probabilidad del desacierto P (desacierto) = 1- p
4- Todos los eventos son independientes entre s. Esto indica que el resultado
de cada ensayo es independiente del resultado de ensayos anteriores.
5- La probabilidad del acierto se mantiene constante (esto implica que la
poblacin es muy grande o infinita, o los ensayos se realizan sin reposicin

El estudio est centrado en determinar la probabilidad que en n ensayos se obtenga
un nmero x de aciertos. Este nmero de aciertos se constituye en los distintos
valores que puede adoptar la variable, que por ser producto de un conteo es del tipo
discreta.
(1) Supongamos contar con una partida de 3000 pernos de pistn, la aceptacin
de la misma est sujeta a que, en una muestra de 10 pernos elegidos azarosamente
no se encuentre ninguno defectuoso. Si el productor de pernos indica que el 1% de los
pernos producidos salen defectuosos, indique la probabilidad existente en que la
partida sea aceptada.
Observamos que:
a) Se trata de ensayar 10 pernos y el mtodo es el mismo para cada uno de ellos
b) como resultado de cada ensayo se tiene uno de solo dos posibilidades: defectuoso
o no defectuoso. En este caso adoptaremos que el estar defectuoso es un xito.
c) La probabilidad de xito, de acuerdo a lo informado por el productor es de p = 0,01

(1%), por lo tanto la P (no xito) = 1 - p = 0,99
d) El que un perno este defectuoso, no influye en el resultado del ensayo de otro

perno, es decir, se cumple la independencia entre los ensayos
e) La probabilidad de que un perno cualquiera sea defectuoso la consideramos

constante, debido a que el tamao de la poblacin es grande (en este caso de 3000,
sobre una muestra de 10).
Se cumplen todas las propiedades y por lo tanto la situacin problemtica planteada

responde a una distribucin Binomial:
3.4.1 EXPRESIN GENERAL DE LA DISTRIBUCIN BINOMIAL
Analicemos el lanzamiento de una moneda. Como resultado del mismo se obtendr

cara o cruz. Definiremos como acierto o xito la obtencin de una cara y la variable
en estudio toma el valor de 1 (nmero de aciertos), de esta manera en caso de
obtener una cruz x tomar el valor de 0 (cero aciertos). Adems no sabemos si la
moneda est perfectamente balanceada, por lo tanto diremos que la probabilidad de
obtener una cara ser p (probabilidad del acierto) y una cruz q = 1 p (probabilidad
del desacierto).
Como se trata de una moneda (implica tambin un solo ensayo) consideraremos a n
= 1.
Tabla 3.5
E ( eventos posibles) x ( variable) P(x) Probabilidad de ocurrencia
Cruz 0 q=1p
Cara 1 p

Esto nos quiere decir que:
P(x= 0) = q y
P(x= 1) = p
Teniendo en cuenta que la suma de las probabilidades de ocurrencia de todos los

casos posibles es igual a 1, tendremos:
P(x = 0) + P(x = 1) = 1 que lo podemos expresar como:

q + p =1
Analicemos el lanzamiento de dos monedas es decir, consideramos n=2 (dos

ensayos):
Tabla 3.6
E X P(x)
Moneda 1 - Moneda 2
cruz - cruz 0 q.q
Cruz cara 1 q.p
Cara cruz 1 q.p
Cara cara 2 p.p
Recordemos que la probabilidad conjunta, para eventos independientes es el

producto de sus probabilidades.
El anlisis efectuado en la tabla T3.6 pone en evidencia que en el lanzamiento de dos
monedas se pueden obtener: 0, 1 2 xitos
X P(x)
0 q2
1 2.q.p
2 p2
P(x = 0) = q2
P(x = 1) = 2 . q . p
P(x = 2) = p2
La suma de las probabilidades de todos los casos posibles es igual a 1:
P(x = 0) + P(x = 1) + P(x = 2) = 1

O
q2 + 2 . q . p + p2 =1
El primer miembro de la igualdad corresponde al desarrollo del cuadrado del binomio

(p + q):
(q + p) 2 = 1
que adems cumple con dicha igualdad ya que:

q+p=1
Analicemos el lanzamiento de tres monedas:

n=3
Tabla 3.7
E ( eventos ) x P(x)
Moneda 1 moneda 2 moneda 3
cruz cruz cruz 0 q3
cruz cruz cara 1 q2.p
cruz cara cruz 1 q2.p
cara cruz cruz 1 q2.p
cara cara cruz 2 q.p2
cara cruz cara 2 q.p2
cruz cara cara 2 q.p2
cara cara cara 3 p3
Esto nos indica que en el lanzamiento de tres monedas se pueden obtener: 0, 1, 2 y 3:
Tabla3.8
X P(x)
0 q3
1 3 q2.p
2 3 q.p2
3 p3
P(x=0) = q3
P(x = 1) = 3 q2.p
P(x = 2) = 3 q.p2
P(x = 3) = p3
Como
P(x = 0) + P(x = 1) + P(x = 2) + P(x = 3) = 1
O tambin
q3 + 3 q2.p + 3 q.p2 + p3 = 1
Observamos que el primer miembro de la igualdad responde al desarrollo del cubo del
binomio (q + p):
(q + p) 3 = 1
Podemos sacar como conclusin que:
Definicin:
Las probabilidades del nmero posible de aciertos en n ensayos, estn dadas por los
trminos del desarrollo de la potencia del binomio (q + p) y en donde el exponente est
dado por el nmero de ensayos.
Materia: HERRAMIENTAS MATEMTICAS III (ESTADSTICA I) - 10 -

El desarrollo de la potencia del binomio se expresa en forma general como:
(q + p)n = a0qn p0 + a1 qn-1.p1 + a2qn-2 p 2 +. . . . + ax qn-x px +. . . . + an qn-n p n
Los coeficientes ao, a1,. . . . . ax surgen de las combinaciones de n elementos

tomados de x en x. De esta manera la probabilidad que en n ensayos se tengan x
aciertos esta dada por la expresin:
P(x) = n C x qn x p x
Indica la cantidad de aciertos en n ensayos

p es la probabilidad del acierto
q= 1- p corresponde a la probabilidad del desacierto.
3.4.2 CARACTERSTICAS DE LA DISTRIBUCIN BINOMIAL

Los parmetros de la distribucin son n y p.
La media de la distribucin = n . p
Claro que, si la Esperanza Matemtica o Valor Esperado de una variable aleatoria es
igual a la media de la distribucin, entonces:
E(x) = n.p
La varianza
Var(x) = n . p . q
Desviacin estndar = Var(x)
Adems debe cumplirse que:
P (xi ) = 1 en donde i vara entre 0 y n
RESOLUCIN DEL PROBLEMA PLANTEADO (1):
Los parmetros:
n = 10 y p = 0,01
La partida ser aceptada para el caso de que entre los 10 pernos que constituyen la
muestra, no se tenga ningn defectuoso, en definitiva nos estn pidiendo la:
Aplicando la expresin matemtica que resuelve esta distribucin:
P(x = 0) = 10 C 0. 0,9910 . 0,010
P(x = 0) = 0,90438

Que corresponde a la probabilidad de aceptacin.
Si calculramos las probabilidades para todos los posibles aciertos tendramos:
Tabla 3.9
X NCx P(x)
0 1 0,904382075
1 10 0,091351725
2 45 0,004152351
3 120 0,000111848
4 210 1,97711E-06
5 252 2,39649E-08
6 210 2,01725E-10
7 120 1,16436E-12
8 45 4,41045E-15
9 10 9,9E-18
10 1 1E-20
Y si efecturamos la grfica de la distribucin de probabilidades tendramos que

corresponde a una distribucin con sesgo derecho.
Grfico 3.5
1
0,9
0,8
0,7
0,6
P(X)
0,5
0,4
0,3
0,2
0,1
0
0 1 2 3 4 5 6 7 8 9 10
X
La caracterstica de la distribucin de probabilidades binomiales lo define el valor de

p. Quiere decir que toda distribucin Binomial puede tener sesgo o ser insesgada. Si p
= 0,5 la distribucin de probabilidades es insesgada, tenga en cuenta que en este caso
p= q. Si p es distinto de 0,5 la distribucin de probabilidades tendr sesgo y en ese
caso tendremos sesgo derecho si p < 0,5, caso contrario tendr sesgo izquierdo.
Independientemente de la aplicabilidad de la frmula para la resolucin de la

distribucin binomial, se pueden tambin resolver mediante el uso de tablas, a las
cuales se entrar con el valor de los parmetros n y p, determinando el valor de la

probabilidad de ocurrencia para cada valor de x. Tambin se cuenta con tablas que
entregan las probabilidades acumuladas es decir definidos los parmetros que nos
permite entrar a la tabla, esta nos entrega para un valor cualquiera de x la suma de las
probabilidades de ocurrencia de xitos desde cero hasta el valor dado de x.
Ejemplo
En un negocio de ropa para beb que funciona en una galera, se ha determinado que
solo el 30% de las personas que entran al local para consultar u observar, efectan
una compra. Si un da ingresan al local 15 personas y teniendo en cuenta que la
decisin de compra de una persona es independiente de la de otra, indique la
probabilidad de:
a-Que ninguna de las personas que ingresan por consultas efecte una compra
b- Que solo una de las que ingresa efecte una compra
c-Que exactamente ocho de ellas efecten alguna compra.
d- Que por lo menos siete de ellas realicen alguna compra
e- Confeccione el diagrama de distribucin de probabilidades
A los efectos de responder a lo solicitado, confeccionemos una tabla en donde x,

variable en estudio indicar el nmero de personas que ingresan al local y efectan
por lo menos una compra. Teniendo en cuenta que ingresaron en total quince
personas, de esas 15, pueden realizar una compra, ninguna, una, dos, o las 15. Las
caractersticas responden a una distribucin Binomial.
El valor de las probabilidades para cada uno de las 16 posibilidades podemos
determinarlos, aplicando el modelo matemtico o de tablas, para este ltimo caso
debes ingresar en la tabla para n=15 y p=0,3.
n = 15
p= 0,3
q = 1 - p = 0,7 P(x) = n C x px q(n-x)
. Tabla 3.,10
x P(x)
0 0,00474756
1 0,03052004
2 0,09156011
3 0,17004021
4 0,21862313
5 0,20613038
6 0,14723599
7 0,08113003
8 0,03477001
9 0,01159
10 0,00298029
S(P(x)) = 0,99932777
Respuestas
a- P(x=0) = 0,004747

b) P(x=1) = 0,030520
c) P(x=8) = 0,03470
d) P(x 7) = 0,94998
e- El grfico de distribucin de probabilidades ser:
Grfico 3.6
0,25
0,2
0,15
P(x)
0,1
0,05
0
0 1 2 3 4 5 6 7 8 9 10
x
Podemos observar que la mayor probabilidad corresponde para x = 4, tenga en cuenta

que el valor esperado E(x) = n.p
E(x) = 15 . 0,3 = 4,5
Esto implica que se espera que de las 15 personas que ingresan, cuatro o cinco de
ellas realicen por lo menos una compra
3.4 DISTRIBUCIN DE POISSON
Esta es otra distribucin de variable del tipo discreta. Los tipos de casos que se
pueden modelizar bajo este tipo de distribucin son:
a)- Nmero de clientes que concurren a una entidad bancaria por hora
b)- Nmero de errores tipogrficos por pgina
c)- Nmero de defectos que por metro cuadrado acusa una fbrica de mosaicos
d)- Nmero de llamadas que por minuto llegan a un conmutador
e)- Cantidad de cabezas de ganado por Ha
f)- Nmero de accidentes que en una esquina cntrica se producen diariamente.

Observe que si bien la variable es discreta resulta de un conteo, est en funcin del
tiempo o del espacio (que es una variable continua). Adems es imposible contar los
fracasos, el nmero de accidentes que no se produjeron no se pueden contar, as
como el nmero de llamadas que no llegaron a la central telefnica.
Muchos autores suelen definir la distribucin de Poisson como propia de casos no muy
comunes o raros
Las caractersticas que rene una distribucin de Poisson son:
1-La probabilidad de ocurrencia de un evento es la misma a travs de todo el

campo de observacin.
2- La probabilidad de observar ms de un xito en el intervalo planteado es
aproximadamente 0
3- El nmero de ocurrencias en cualquier intervalo es independiente del
nmero de ocurrencias en cualquier otro intervalo
3.4.1 PARMETRO - EXPRESIN MATEMTICA
Esta distribucin tiene como parmetro un solo valor, el promedio de ocurrencia y al

que denominaremos como Lambda ().
La expresin matemtica que resuelve esta distribucin es:
x . e-
P(x) = ---------------
x!
Siendo:
x Nmero de xitos / ocurrencias
Promedio de ocurrencia
e Logaritmo neperiano (e = 2,717281...)
En esta distribucin debe cumplirse que:
P (xi) = 1
Donde i vara, al menos tericamente, entre cero e infinito. Decimos tericamente ya

que, por ejemplo si se informa que en promedio en una pista de aterrizaje de aviones
despegan por hora tres aviones de cabotaje; no tendra sentido pretender determinar
la probabilidad de que en una hora aterricen en dicho aeropuerto 90 aviones de
cabotaje.

Ejemplo
Una entidad bancaria informa que en promedio 4 personas por hora concurren al
escritorio de plazos fijos a efectuar una consulta. Determine la probabilidad que en la
prxima hora (dentro del horario bancario), por lo menos una persona concurra a dicho
escritorio.
En este caso Lambda, promedio de ocurrencia: = 4
Se nos est consultando sobre la probabilidad de que por lo menos una persona
concurra, es decir se nos pide la probabilidad de:
P(x 1) = P (1) + p (2) + P (3) +. . . . . . .+ P ()
Si tenemos en cuenta que la suma de las probabilidades de ocurrencia de todos los

posibles xitos (desde cero hasta infinito) es igual a 1:
P (xi ) =1
lo que implica:
P (0) + P (1) + P (2) + P (3) +. . . . . + P () =
1 y pasando P (0) al segundo miembro tendremos:
P(x 1) = 1 P (0)
40 . e4
P (0) = ------------------ = 0,0183
0!
y
P(x 1) = 1 0,0183
P(x 1) = 0,9817
En la distribucin de Poisson la media, que es igual al valor esperado E(x) es igual a lo

que se espera que ocurra, es decir Lambda, por lo tanto:
= = E(x)
La varianza, en este caso, tambin es igual a Lambda:
Var(x) =


La desviacin estndar:
3.4.2 RESOLUCIN DE UNA DISTRIBUCIN BINOMIAL POR APROXIMACIN

CON LA EXPRESIN DE POISSON
En muchas oportunidades, nos encontramos con distribuciones que responden al

modelo Binomial, con un p (probabilidad de xito) pequeo p<= 0,05 y un n (nmero
de ensayos,) grande n >= 20, en estos casos el clculo de las probabilidades de xitos
se puede volver tedioso, sobre todo cuando no se cuenta con una tabla o una buena
calculadora. A los efectos de su resolucin puede aplicarse la expresin de Poisson,
adoptando como valor de Lambda (media de Poisson), el valor de:
= n . p (que no es ms que la media de la binomial)
Veamos un ejemplo:
Una Empresa dedicada a la fabricacin de lmparas de bajo consumo, indica que solo
el 2% de las lmparas producidas pueden estar defectuosas. Indique la probabilidad
que en una partida de 30 lmparas se tenga exactamente una lmpara defectuosa.
Como la distribucin responde al modelo Binomial, su resolucin mediante su modelo

matemtico ser:
P(x=1) = 30 C 1 . 0,021 . 0,9829
P (1) = 0,3339
Mientras que si aplicamos la expresin de Poisson teniendo en cuenta que:
=n.p
= 30 . 0,02 = 0, 6
Luego:
0,61 . e-0,6
P (1) = ---------------- = 0,32928
1
Es decir que calculando la probabilidad de un acierto con la expresin de Poisson se

comete un error de:
0,333 0,329 =0,004
Solo 4 milsimas de diferencia.

Por ltimo debemos tener en cuenta que una distribucin que presenta el promedio de
ocurrencia de la variable en estudio, puede ser resuelta con el modelo matemtico de
Poisson. Que tendr sesgo derecho para un lambda pequeo, pero que tender a ser
simtrica para valores altos de , con un pico justamente para ese valor.
Ejemplo
La telefonista que atiende los llamados de consulta sobre nmeros telefnicos, indica
que en promedio recibe cuatro consultas por minuto. Indique Ud. la probabilidad de que
en un minuto se reciban:
a- Realice un estudio de la variacin de probabilidades para distintos nmero de
aciertos
b- Confeccione un diagrama de distribucin de probabilidades:
A los efectos de responder a lo solicitado y graficar la distribucin de probabilidades,

confeccionemos una tabla conteniendo el nmero de posibles aciertos hasta la
cantidad de x= 10 y sus correspondientes probabilidades de ocurrencia
Tabla 3.11
x P(x)
0 0,01831564
1 0,07326256
2 0,14652511
3 0,19536681
4 0,19536681
5 0,15629345
6 0,10419563
7 0,05954036
8 0,02977018
9 0,01323119
10 0,00529248
Grfico 3.7
0,25
0,2
0,15
P(x)
0,1
0,05
0
0 1 2 3 4 5 6 7 8 9 10
x

3.5 DISTRIBUCION HIPERGEOMTRICA
Supongamos tener una poblacin finita de tamao N. De los N elementos de la

poblacin k de ellos cumplen con una condicin determinada, por lo tanto N-k es la
cantidad de elementos de la poblacin que no cumplen con esa condicin. Si de la
poblacin se extrae una muestra de n elementos y tal que se cumpla que:
n / N >= 0,05
N
N-k n
k n-x
x
Entonces la probabilidad que en la muestra de n elementos se tengan x de los k esta

dada por la expresin:
(N-k) C (n-x) k C x
P(x) = ----------------------------------
N C n
3.6.1-CONDICIONES A CUMPLIR PARA RESPONDER A UNA DISTRIBUCIN

HIPERGEOMTRICA
Consideremos una divisin con 42 alumnos de los cuales 16 de ellos son de sexo
femenino. Si elegimos al azar un alumno ste podr ser un varn o una mujer. La
probabilidad de que fuere mujer ser:
P (mujer) = 16 / 42
Ahora bien, si de la poblacin se extrae una muestra de 10 alumnos, y el muestreo se

realiza sin reposicin, la probabilidad que al elegir un nuevo alumno, azarosamente de
la divisin, ya no ser de P =16/42, esta probabilidad se ha visto modificada por el
muestreo previo realizado.
El lector se preguntar por qu si el fenmeno presenta caractersticas similares a la
de una Binomial, no es resuelta mediante ese modelo? Son dos las razones que
diferencian este caso de una Binomial:
a-Que la poblacin es finita y el tamao de la muestra es grande, significativo
respecto al tamao poblacional y por lo tanto modifica la probabilidad de elegir
mujer.
b- El muestreo se realiza sin reposicin y al ser significativa el tamao de la

muestra con respecto al tamao de la poblacin, modifica la probabilidad de
acierto.

Debemos recordar que en la distribucin Binomial la probabilidad de lo que
consideramos acierto se mantiene constante y esto solo se logra si: El muestreo se
realiza con reposicin o la poblacin es infinita o muy grande.
Retomemos el caso de los 42 alumnos. Si se toma una muestra azarosa de 10

alumnos puede ocurrir que en la muestra se tengan: ninguna mujer, una mujer, dos
mujeres, y podran ser los 10 alumnos elegidos mujeres:
N tamao poblacional = 42
k Nmero de elementos de la poblacin que cumplen con la condicin en
estudio (le llambamos nmero de xitos en la poblacin)
n Tamao de la muestra
Estos tres valores constituyen los parmetros de la distribucin
x nmero de xitos en la muestra.
La probabilidad que en la muestra no se tenga ninguna mujer x = 0 ser reemplazando

los valores en la expresin matemtica:
P (0) = 16 C0 C(10-0) = 0,003609

(42-16)
42C10
La probabilidad que en la muestra se tenga una mujer:
P(1)= 16 C1 26C9 = 0,03397

42C10
Podramos generar una tabla con las probabilidades de todos los xitos posibles y
confeccionar el grfico de distribucin
N = 42
n = 10
K =16
Tabla 3.8
X P(x)
0 0,00360988
1 0,03397536
2 0,12740759
3 0,25034473
4 0,28476714
5 0,19526889
6 0,08136204
7 0,02021417
8 0,00284262
9 0,00020214
10 5,4423E-06

S (P (xi) =
1
Grfico 3.12
0,3
0,25
0,2
P(x)
0,15
0,1
0,05
0
0 1 2 3 4 5 6 7 8 9 10
x
3.6.2- MEDIA DE LA DISTRIBUCIN
Para determinar la expresin que entrega la media de la distribucin debemos

recordar que la media corresponde al Valor Esperado.
Adems, si el muestreo es representativo de la poblacin la media de la muestra

tender a ser igual a la media poblacional:
= k / N .100 = E(x) / n . 100
Por lo tanto despejando E(x), tendremos:
E(x) = n / N . k
3.6 DISTRIBUCIN NORMAL
Hasta ahora nos hemos ocupado de distribuciones de variable discreta es decir

determinbamos la probabilidad de la ocurrencia de un nmero determinado de
aciertos .
Es necesario ahora definir una distribucin que analice las probabilidades que la
variable aleatoria adopte un valor dentro de un intervalo.
La empresa que suministra energa elctrica a una localidad indica que el consumo
por hogar vara de forma acampanada, con un consumo promedio de 170 KW.
mensuales y un desvo estndar de 50 KW. Qu porcentaje de hogares tienen un
consumo?:

a) Superior a los 170 KW. pero menores a los 220 KW?
b) entre 150 y 200 KW?
Los saldos de las cuentas corrientes de una entidad bancaria varan de forma
acampanada con un saldo promedio de $580 y un desvo estndar de $350; indique:
a) Qu porcentaje de cuentas estn en rojo (una cuenta tiene saldo en rojo cuando el
mismo es negativo)?
b) Qu porcentaje de cuentas tienen un saldo entre $300 y $1.150?
La Secretara de Asistencia Social de una comunidad informa que como resultado de

un estudio estadstico realizado por personal especializado, lo ingresos por hogar
varan normalmente con una media de $958 y un desvo estndar de $349. Indique:
a) Qu porcentaje de hogares tienen ingreso inferior a los $1200?
b) Si se han contabilizado 23.546 hogares, indique Cuntos de ellos tienen ingresos
comprendidos entre los $900 t lo $1500?
La distribucin de variable continua que responde a los casos presentados y a gran

cantidad de situaciones en donde la variable se mide en un intervalo, es la distribucin
Normal tambin denominada como distribucin Gaussiana en honor a los trabajos
desarrollados por el matemtico Karl Gauss.
Esta distribucin rene caractersticas bien definidas; a saber:
1- Tiene forma acampanada
2- Es simtrica respecto al eje vertical que pasa por la abscisa de mayor

ordenada.
3-El valor de la abscisa de mayor ordenada coincide con la media y al ser

simtrica respecto al eje vertical que pasa por ese punto, coincide con la mediana y
la moda.
4-Las ramas son asintticas respecto al eje horizontal y tericamente se

extiende desde - a + ..
5-La ecuacin a la que responde esta funcin, denominada como Funcin de

densidad de probabilidades es:
e -(x -)2 /(22)

F(x) = -------------------------
(2.)
Si observamos la funcin veremos que de los factores que intervienen, Pi =
3,141592 e = nmero neperiano e= 2,718281 son valores conocidos por lo que
la Funcin de densidad de probabilidades queda supeditada a los valores de
y , propios de cada distribucin por lo que stos se constituyen en
parmetros de la distribucin normal.
La forma de esta funcin est indicada en el siguiente grfico:

Grfico 3.13
F(x)
6- La superficie encerrada por la funcin y el eje horizontal es igual a 1.

Esto implica que la integral de la funcin, F(x) entre los lmites - y + =1
F(x). dx = 1
7- La probabilidad de que la variable aleatoria tome un valor comprendido en

un intervalo (a, b), est dada por la superficie encerrada por la funcin y el
eje horizontal en ese intervalo:
P (a <= x <= b) = F(x) .d(x)
Grfico 3.14
F(x)
a b x

Este concepto se relaciona totalmente con la propiedad vista en el tem 6,
la probabilidad que la variable tome un valor comprendido entre su lmite
inferior y el lmite superior ser igual a 1
8- La probabilidad que la variable tome un valor puntual es igual a cero
P(x = a) = 0
Esto no es ms que una consecuencia de lo especificado por el tem anterior,
si el intervalo (a, b) disminuye porq ue el extremo b se acerca a a, la
probabilidad disminuye y en el lmite cuando b coincide con a la probabilidad
toma el valor de cero, no se tiene superficie por no existir intervalo.
9- El rea bajo la curva, entre la media y un punto cualquiera es una funcin

del nmero de desviaciones estndar que el punto dista de la media.
Quiere decir que dada una determinada situacin para determinar las distintas
probabilidades que adopta la variable de acuerdo al intervalo analizado, solo ser
necesario estudiar la distribucin normal correspondiente a ese caso, para ello
tendremos que operar con las correspondientes integrales lo que hace complejo y
tedioso todo el proceso. Ser necesario simplificar todo el clculo para lo cual
tendremos que estandarizar cada situacin.
Analicemos los problemas planteados al inicio de este tema.

consumo?:
a) Superior a los 170 KW. pero menores a los 220 KW?
b) Cules consumen entre 150 y 200 KW?
De acuerdo a la media =170 KW., y la desviacin estndar = 50 KW.,

la distribucin tendr una grfica tal como G6.15
Grfico 3.15

0,06
0,05
Probabilidad
0,04
0,03
0,02
0,01
0
-50 0 50 100 150 200 250 300 350 400
Consumo de los hogares
Para responder a la primera pregunta:
P (170 x 220) = superficie encerrada por la funcin y el eje horizontal en ese

intervalo.
Matemticamente se determinara con ayuda de la integral de la F(x) entre a y b

(propiedad 8). Pero por otra parte la propiedad 9 nos dice que esa superficie es
proporcional al nmero de desviaciones estndar de la distancia entre la media y x,
en este caso x = 220 kW.
Grfico 3.16
0,06
0,05
Probabilidad
0,04
0,03
0,02
0,01
0
-50 0 50 100 150 200 250 300 350 400
Consumo de las familias
z. = x -
Es decir que la distancia x - se expresa como una proporcin de la desviacin

estndar de la distribucin, despejando z tendremos:

x -
z = -----------

en nuestro caso:
220 - 170
z = ----------------- = 1
50
z, coeficiente de proporcionalidad indica cuntas desviaciones estndar corresponde a

la distancia que separa a x de la media, en este caso z= 1. Pero sabemos por la regla
emprica que en el segmento comprendido entre la media y un desvo estndar se
concentra el 34% de las observaciones, es decir que la probabilidad que la variable
aleatoria tome un valor comprendido en ese intervalo es de:
P (170 x 220) = 0,34
Y esa probabilidad es igual al rea encerrada por la funcin en ese intervalo.
El anlisis efectuado en este caso lo podemos repetir para cada una de las
situaciones planteadas. Por ejemplo si consideramos el segundo caso planteado
previamente.
Los saldos de las cuentas corrientes de una entidad bancaria varan de forma
acampanada con un saldo promedio de $580 y un desvo estndar de $350 indique
a) Qu porcentaje de cuentas estn en rojo (una cuenta tiene saldo en rojo
cuando el mismo es negativo)?
b) Qu porcentaje de cuentas tienen un saldo entre $ 300 y $ 1150?
El 34% de las cuentas corrientes tienen un saldo comprendido entre $580 y $930
Si en lugar de considerar x= $930 tomramos a x = $1280, la distancia:
x - = 2 (dos desvos estndar)

Es decir z = 2, por lo que esperaramos que el 47,5% de todos los valores de esa
distribucin se ubiquen en el intervalo comprendido entre la media y el punto x =
1280.
z adoptar valores entre cero y no mucho ms de 3, recordemos que la regla emprica
expresaba que el 99,7% de todas las observaciones de una distribucin de forma
acampanada, se encontraban concentradas en el intervalo comprendido entre la
media menos 3 y la media ms 3 .
Podemos entonces generar una distribucin con los valores de z, dicha distribucin se
denominar Distribucin normal estndar (Grfico 3.17) cuya media:
z = 0
y su desviacin estndar:
z = 1
Grfico 3.17

0,45
0,4
0,35
Probabilidad
0,3
0,25
0,2
0,15
0,1
0,05
0
-4 -3 -2 -1 0 1 2 3 4
z
z=1
Para z=1 el rea encerrada por la distribucin normal estndar entre la media z = 0 y z
= 1 ser igual aproximadamente a 0,34. Para z = 2, la superficie encerrada por la
distribucin de z en el intervalo (0, 2), ser aproximadamente a 0,4
En general, para una distribucin x de media x y desviacin estndar x, se cumplir

que, para todo valor x se tendr un valor z, dado por la expresin:
x-x
z = ----------- (1)
x
Todos los valores de reas correspondientes a cada z, fueron determinados mediante

clculos matemticos utilizando el concepto de integrales y volcados en una tabla que
se denomina Distribucin Normal Estndar (D.N.E)1. En dicha tabla encontramos que
la superficie encerrada por la D.N.E. para z= 1, intervalo (0, 1) es igual a 0,3413 y la
de z= 2, intervalo ((0, 2) es de 0,4772, que difiere un poco de lo que se esperaba de
acuerdo a lo expresado por la ley emprica.
Resumiendo, dada una distribucin determinada podemos estandarizarla para
cualquier valor de x mediante la expresin (1), teniendo en cuenta que la funcin de
densidad de probabilidades de z, es simtrica respecto al eje que pasa por la media
z, la tabla trae las superficies para valores de z entre cero y 3,09, entendiendo que
para valores de z que se encuentren a la izquierda de la media, la expresin a aplicar
es:
1
Buscar en la Bibliografa la tabla de la Distribucin Normal Estndar.

x- x
z = ----------- (2)
x
Estamos en condiciones de resolver el problema planteado en primer trmino y cuyo

enunciado deca:
consumo?:
a) Superior a los 170 KW pero menores a los 220
KW?
b) Cules consumen entre 150 y 200 KW?
El tem a) ya fue resuelto

En el tem b) tendremos en cuenta que la tabla entrega los distintos valores de sup.
Para valor de z comprendidos entre 0 y 3,09, por lo que lo solicitado (rea rayada en
Grfico 3.18
Grfico 3.18
0,06
0,05
0,04
P(x)
0,03
0,02
0,01
0
0 50 100 150 200 250 300 350 400
x
Ser necesario calcular las superficies en el intervalo (150, 170) y luego la

correspondiente al intervalo (170, 200). Veamos el primero:
x-x 170 - 150

Z = ------------- = ---------------- = 0,4
x 50
y de acuerdo a la tabla, se tendr para z = 0,4 un valor de.

P (z=0,4) = 0, 1554
Por lo que diremos que, la probabilidad que la variable x adopte un valor comprendido
en el intervalo (150, 170) = 0,1554.
Para el segundo intervalo tendremos:
X - X 200 - 170
Z = ------------------- = ------------------ = 0,6
X 50
P (Z = 0,6) = 0,2257
La probabilidad que la variable adopte un valor comprendida en el intervalo (170, 200)

= 0,2257.
De esta manera la P (150 < x < 200) = 0,1554 + 0,2257 = 0,3811
Lo que indica: Que el porcentaje de hogares con consumo comprendido entre los 150
y 200 KW. es de:
38,11%
Veamos el tercer problema:
La Secretara de Asistencia Social de una comunidad informa que, como resultado de

un estudio estadstico realizado por personal especializado, lo ingresos por hogar
varan normalmente con una media de $958 y un desvo estndar de $349. Indique
Ud.:
a) Qu porcentaje de hogares tienen ingreso inferior a los $1.200?
b) Si se han contabilizado 23.546 hogares, indique Cuntos de ellos tienen ingresos
comprendidos entre los $900 y los $1.500?
La situacin planteada tiene una distribucin normal con las caractersticas de:
x = $958 y x = $349
Grfico 3.19

0,025
0,02
Probabilidad
0,015
0,01
0,005
0
0 500 1000 1500 2000 2500
x
x= 1200
En este caso nos est solicitando determinar qu porcentaje de ingresos por hogar de
esa comunidad pertenecen al intervalo x >= $1200, es decir la zona rayada:
Aplicando la expresin que permite la estandarizacin:
X- x 1200 - 958
Z = --------------- = ------------------
x 349
z = 0,69
De la tabla correspondiente a la distribucin normal estndar (en z)
La P (z=0,69) = 0,2549
Pero este valor, corresponde en la tabla a la superficie encerrada por la funcin en el

intervalo (958, 1200) que no es ms que el complemento a 0,5 de lo que se solicita,
por lo que:
P(x 1200) = 0,5 0,2549
P(x 1200) = 0,2451
Es decir, el porcentaje de hogares con ingresos mayores a los $ 1.200 es de:
24,51%
b) Debemos determinar el porcentaje de hogares con ingresos comprendidos entre

(900 x 1500), tendremos que:

1-Determinar la probabilidad que la variable adopte un valor comprendido entre
(900, 958)
2- Determinar la probabilidad que la variable adopte un valor comprendido entre
(958, 1500)
3- Sumar esas probabilidades
4- Transformar esa probabilidad en porcentaje
5- Aplicar ese porcentaje al total de hogares.
1-b
x-x 958 - 900
Z = ------------- = ---------------- = 0,166
x 349
Efectuando la interpolacin correspondiente: P
(z= 0,166) = 0,0640
2- b
x- x 1500 - 958
Z = --------------- = ------------------ = 1,55
x 34
P (z=1,55) = 0,4394
3- b
P (900 <= x <= 1500) = 0,064 + 0,4394 =
P (900 <= x <= 1500) = 0,5034
4- b
El 50,34% de los hogares de esa comunidad tienen ingresos comprendidos entre $ 99
y $ 1500.
5-b
En 11853 hogares de esa comunidad los ingresos son mayores o iguales a $900
pero menores o iguales a $1500.
3.8 RESOLUCIN DE UNA DISTRIBUCIN BINOMIAL POR APROXIMACIN

CON LA NORMAL
Cuando una distribucin binomial presenta un nmero de ensayos elevados, n grande,

y la probabilidad del xito es prxima a 0,5, dicha distribucin puede ser resuelta por
aproximacin con la distribucin normal. En este caso debe tenerse en cuenta:
1-La media de la distribucin normal ser igual a la media de la binomial:
x=n.p

2- El desvo estndar de la normal ser el de la binomial, es decir:
x = (n.p.q)
3- Se debe tener en cuenta que mientras la distribucin responde a una

variable del tipo continua, la binomial responde a una variable del tipo discreta. En la
distribucin binomial, la probabilidad que la variable tome un valor tal como 10, debe
interpretarse en la normal como el valor correspondiente al intervalo que va de 9,5 a
10,5. Debemos tener presente que la probabilidad de un valor puntual en la Normal es
igual a cero.
Supongamos una distribucin Binomial con n = 30 y p = 0,46, se solicita determine:

a) La P(x=10)
b) la P(x >= 17)
Resolucin
Grfico 3.20
0,16
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
0 5 10 15 20 25 30 35
-0,02
Grfico 3.21

0,16
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
En la Distribucin normal la P(x=10) = 0.
No as en la binomial, que est dada por la superficie de la barra correspondiente al

nmero de xitos x = 10, es necesario considerar ese factor de correccin de 0,5.
a)-Utilizando calculadora y aplicando la expresin binomial:
P(x = 10) = 30 C 10. 0,46 10 . 0,54 20
P(x = 10) = 0,05665
Utilizando la distribucin normal tendremos P (9,5 x 10,5):
x = n . p = 30 * 0,46 = 13,8
x = (n.p.q) = (30.0, 46*0,54)
x = 2,7298
13,8 9,5
Z = ---------------- = 1,575
2,7298
P (z = 1,575) = 0,4423
13,8 10,5
Z = ------------------ = 1,21
2,7298

P (z = 1,21) = 0,3869
P (9,5 x 10,5) = 0,4423 - 0,3869 = 0,0557
La diferencia entre el mtodo aproximado y el real es de solo 9 diez milsimas.
b) Si bien pareciera que el mtodo aproximado de resolucin de una distribucin

binomial con la normal es engorroso, para casos como estos se presenta como la
mejor solucin:
Grfico 3.22
0,16
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
0 5 10 15 20 25 30 35
-0,02
16,5 13,8
z = ----------------- = 0,99
2,7298
P (z=0,99) = 0,3389
P(x >=17) = 0,5 0,3389 = 0,1611


Lectura 3 - Distribución de Variables Aleatorias - Jul

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Lectura 3 - Distribución de Variables Aleatorias - Jul

Uploaded by

Copyright:

Available Formats

MDULO 3: DISTRIBUCIN DE VARIABLE

Es comn observar en negocios de localidades serranas la venta de paquetes de

3.0 Variable Aleatoria.

En la primera parte de la materia, denominada Estadstica Descriptiva, se analizaron

Materia: HERRAMIENTAS MATEMTICAS III (ESTADSTICA I) -1-

3.1 DISTRIBUCIN DE VARIABLE ALEATORIA

Los eventos son mutuamente excluyentes y la suma de las probabilidades es igual a 1,

Podemos ahora generar la distribucin de probabilidades de la variable en estudio:

Determinacin de la media, varianza y desvo estndar de esta distribucin:

Materia: HERRAMIENTAS MATEMTICAS III (ESTADSTICA I) -2-

= 0 . 0,5 + 1 . 0,5 = 0,5

Var(x) = (0 0,5)2. 0,5 + (1-0,5)2 . 0,5 = 0,25

La representacin grfica de la distribucin de probabilidades sera (G3-1)

Materia: HERRAMIENTAS MATEMTICAS III (ESTADSTICA I) -3-

En el segundo grfico es claro observar el valor de la media

Materia: HERRAMIENTAS MATEMTICAS III (ESTADSTICA I) -4-

Var(x) = (0 1)2 . 1 / 4 + (1 1)2 . 2 / 4 + (2 1)2 . 1 / 4 = 1 / 2

La representacin grfica de la distribucin de probabilidades sera:

o tambin considerando el histograma

Materia: HERRAMIENTAS MATEMTICAS III (ESTADSTICA I) -5-

3.1 VALOR ESPERADO O ESPERANZA MATEMTICA

3.3) FUNCIONES DE DISTRIBUCIN DE VARIABLE ALEATORIA.

Materia: HERRAMIENTAS MATEMTICAS III (ESTADSTICA I) -6-

3.4 DISTRIBUCION BINOMIAL

CONDICIONES A CUMPLIR POR UNA DISTRIBUCIN PARA RESPONDER AL

Este modelo es de suma importancia ya que describe gran cantidad de fenmenos

1- Est conformado por n ensayos idnticos

Materia: HERRAMIENTAS MATEMTICAS III (ESTADSTICA I) -7-

c) La probabilidad de xito, de acuerdo a lo informado por el productor es de p = 0,01

d) El que un perno este defectuoso, no influye en el resultado del ensayo de otro

e) La probabilidad de que un perno cualquiera sea defectuoso la consideramos

Se cumplen todas las propiedades y por lo tanto la situacin problemtica planteada

3.4.1 EXPRESIN GENERAL DE LA DISTRIBUCIN BINOMIAL

Analicemos el lanzamiento de una moneda. Como resultado del mismo se obtendr

Materia: HERRAMIENTAS MATEMTICAS III (ESTADSTICA I) -8-

Teniendo en cuenta que la suma de las probabilidades de ocurrencia de todos los

P(x = 0) + P(x = 1) = 1 que lo podemos expresar como:

Analicemos el lanzamiento de dos monedas es decir, consideramos n=2 (dos

Recordemos que la probabilidad conjunta, para eventos independientes es el

La suma de las probabilidades de todos los casos posibles es igual a 1:

P(x = 0) + P(x = 1) + P(x = 2) = 1

El primer miembro de la igualdad corresponde al desarrollo del cuadrado del binomio

que adems cumple con dicha igualdad ya que:

Materia: HERRAMIENTAS MATEMTICAS III (ESTADSTICA I) -9-

Analicemos el lanzamiento de tres monedas:

Esto nos indica que en el lanzamiento de tres monedas se pueden obtener: 0, 1, 2 y 3:

Podemos sacar como conclusin que:

Materia: HERRAMIENTAS MATEMTICAS III (ESTADSTICA I) - 10 -

(q + p)n = a0qn p0 + a1 qn-1.p1 + a2qn-2 p 2 +. . . . + ax qn-x px +. . . . + an qn-n p n

Los coeficientes ao, a1,. . . . . ax surgen de las combinaciones de n elementos

Indica la cantidad de aciertos en n ensayos

3.4.2 CARACTERSTICAS DE LA DISTRIBUCIN BINOMIAL

Desviacin estndar = Var(x)

Adems debe cumplirse que:

P (xi ) = 1 en donde i vara entre 0 y n

RESOLUCIN DEL PROBLEMA PLANTEADO (1):

Aplicando la expresin matemtica que resuelve esta distribucin:

P(x = 0) = 10 C 0. 0,9910 . 0,010

Materia: HERRAMIENTAS MATEMTICAS III (ESTADSTICA I) - 11 -

Si calculramos las probabilidades para todos los posibles aciertos tendramos:

Y si efecturamos la grfica de la distribucin de probabilidades tendramos que

La caracterstica de la distribucin de probabilidades binomiales lo define el valor de

Independientemente de la aplicabilidad de la frmula para la resolucin de la