Prof.

Jos Luis Quintero 69

ELEMENTOS DE ESTADSTICA
SEMANA 10 CLASE 14 MARTES 12/06/12

1. Modelo uniforme discreto. El modelo uniforme discreto es una variable aleatoria
donde todos sus valores tienen igual probabilidad de ocurrencia.

2. Observaciones de inters:
El modelo uniforme discreto se denotar como UD(n)
La variable aleatoria se define al asignar a cada evento elemental un nmero
entero. La numeracin de los posibles valores de la variable se inicia en 1 y
termina en el nmero n de eventos elementales asociados al experimento
aleatorio
La funcin de distribucin acumulativa de probabilidades viene dada como:

X
0 x 1
k
F (x) k x k 1 , k 1,...,n 1
n
1 x n
<

= < + =

La funcin de densidad de probabilidades viene dada como:

X
1
k 1,...,n
f (x)
n
0 otro caso

=
=

El valor esperado viene dado como:
n 1
E(X)
2
+
=
La varianza viene dada como:
2
n 1
V(X)
12

=

3. Ejemplo 1. Considere el experimento aleatorio de lanzar una moneda honesta. Si
al resultado sello se le asigna el valor uno y al resultado cara se le asigna el
valor dos entonces la variable aleatoria definida se corresponde con el modelo
uniforme discreto con n 2 = .

4. Ejemplo 2. Considere la variable aleatoria definida para el experimento aleatorio
de lanzar un dado honesto. Esta variable corresponde al modelo uniforme discreto
con n 6 = .

5. Modelo Bernoulli. El modelo Bernoulli es una variable aleatoria que se define
alrededor de una Prueba de Bernoulli.



Prof. Jos Luis Quintero 70
6. Observaciones de inters:
La variable aleatoria se define al asignar al evento A el nmero entero uno y a
su complementario el nmero cero
El modelo Bernoulli se denotar como B(p), donde p es la probabilidad de que
ocurra el evento A
La funcin de distribucin acumulativa de probabilidades viene dada como:
X
0 x 0
F (x) 1 p 0 x 1
1 x 1
<

= <

La funcin de densidad de probabilidades viene dada como:

k 1 k
X
p (1 p) k 0,1
f (x)
0 otro caso

=
=

El valor esperado viene dado como: E(X) p =
La varianza viene dada como: V(X) p(1 p) =

7. Ejemplo 3. Considere el experimento aleatorio de lanzar una moneda honesta. Si
al resultado sello se le asigna el valor cero y al resultado cara se le asigna el
valor uno entonces la variable aleatoria definida se corresponde con el modelo
Bernoulli con
1
2
p = .

8. Ejemplo 4. Considere la variable aleatoria definida para el experimento aleatorio
de lanzar un dado honesto. Si al evento que ocurra un seis se le asigna el valor
uno y al evento que no ocurra un seis se le asigna el valor cero entonces la
variable definida corresponde al modelo Bernoulli con
1
6
p = .

9. Ejemplo 5. Considere el experimento de extraer pelotas de una caja. Si al evento
extraer una pelota roja se le asigna el valor uno y al resultado extraer una
pelota verde se le asigna el valor cero entonces la variable aleatoria definida
corresponde al modelo Bernoulli con
R
R V
p
+
= .

10. Modelo Binomial. El modelo Binomial es una variable aleatoria que se define
como el nmero de veces que ocurre el evento A en n repeticiones independientes
de una Prueba de Bernoulli.

11. Observaciones de inters:
La variable aleatoria tomar valores enteros entre 0 y n
El modelo Binomial se denotar como Bi(n,p), donde n es el nmero de veces
que se repite la Prueba de Bernoulli y p es la probabilidad de que ocurra el
evento A
La funcin de distribucin acumulativa de probabilidades viene dada como:
Prof. Jos Luis Quintero 71

k
i n i
X
i 0
0 x 0
n
F (x) p (1 p) k x k 1 , k 0,...,n 1
i
1 x n

=
<

| |
= < + =
|
\

La funcin de densidad de probabilidades viene dada como:

k n k
X
n
p (1 p) k 0,...,n
f (x) k
0 otro caso

| |
=
|
=
\

El valor esperado viene dado como: E(X) np =
La varianza viene dada como: V(X) np(1 p) =

12. Ejemplo 6. Considere el experimento aleatorio de lanzar 10 veces un dado y
contar el nmero de veces que ocurre un seis. Esta variable corresponde con un
modelo Binomial con n 10 = y
1
6
p = .

13. Modelo Geomtrico. El modelo Geomtrico es una variable aleatoria que se
define como el nmero de repeticiones independientes de una prueba de Bernoulli
hasta que ocurre el evento A.

14. Observaciones de inters:
La variable aleatoria tomar cualquier valor entero mayor o igual que uno
El modelo Geomtrico se denotar como G(p), donde p es la probabilidad de
que ocurra el evento A en cada prueba de Bernoulli
La funcin de distribucin acumulativa de probabilidades viene dada como:

k
X i 1
i 1
0 x 1
F (x)
p(1 p) k x k 1 , k 1,2,...

=
<

=

< + =

La funcin de densidad de probabilidades viene dada como:

x 1
X
p(1 p) x 1,2,...
f (x)
0 otro caso

=
=

El valor esperado viene dado como:
1
E(X)
p
=
La varianza viene dada como:
2
1 p
V(X)
p

=

15. Problema 1. La probabilidad de que ocurra el evento A en una Prueba de Bernoulli
es 0.6. Cul es la probabilidad de que se necesiten exactamente 5 pruebas para
conseguir el resultado A por primera vez?
Solucin.
5 1 4
X
f (5) 0.6(1 0.6) 0.6 (0.4) 0.01536

= = =
Prof. Jos Luis Quintero 72
16. Problema 2. Considere una caja con R pelotas rojas y A pelotas amarillas. Se va a
realizar un muestreo con reposicin hasta obtener una pelota amarilla. Cul es la
probabilidad de que se realicen exactamente 3 extracciones para conseguir la
primera pelota amarilla?
Solucin.
3 1 2
2
X
3
A A A R AR
f (3) 1
A R A R A R A R
(A R)

| | | |
= = =
| |
+ + + +
+ \ \


17. Modelo Poisson. El modelo Poisson es una variable aleatoria que se define como
un proceso de lmites de un Experimento Binomial para n muy grande (n ) y p
muy pequeo (p 0) tal que el producto np tiende a ser un valor finito m. Por
otro lado, el modelo Poisson puede definirse como el nmero de veces que ocurre
un cierto evento A en un intervalo de tiempo definido.

18. Observaciones de inters:
La variable aleatoria tomar cualquier valor entero mayor o igual a cero
El modelo Poisson se denotar como P(m), donde m puede definirse como el
producto np o como la tasa de ocurrencia del evento A por unidad de tiempo
La funcin de distribucin acumulativa de probabilidades viene dada como:

k
i m
X
i 0
0 x 0
F (x)
m.e
k x k 1 , k 0,1,...
i!

=
<

=

< + =

La funcin de densidad de probabilidades viene dada como:

x m
X
m .e
x 0,1,...
f (x)
x!
0 otro caso

=
=

El valor esperado viene dado como: E(X) m =
La varianza viene dada como: V(X) m =

19. Problema 5. Al realizar pruebas de ADN se tiene una probabilidad de 0.001 de
cometer un error de procedimiento. Si se realizan 1000 pruebas de ADN,
determine la probabilidad de obtener menos de seis pruebas con errores.
Solucin.
Mtodo 1. Modelo Binomial:
5
k 1000 k
k 0
1000
P(Bi(1000, 0.001) 6) (0.001) (1 0.001) 0.99941193
k

=
| |
< = =
|
\

Mtodo 2. Modelo Poisson:
5
1 k
k 0
e .1
P(Bi(1000, 0.001) 6) P(P(1) 6) 0.99940582
k!

=
< < = =

Prof. Jos Luis Quintero 73
20. Problema 6. El nmero de carros que cruzan un puente durante un perodo fijo de
tiempo es una variable aleatoria con distribucin de Poisson. Si la probabilidad de
que ningn carro cruce el puente en este perodo es , halle la probabilidad de
que al menos dos carros lo crucen.
Solucin.
Si se sigue una distribucin de Poisson, entonces se tiene que
x
e
f(x) P(X x)
x!

= = = .
De la informacin dada se tiene que
0
1 e
f(0) e ln(4) ln(4)
4 0!

= = = = = .
Al calcular lo solicitado se tiene

ln(4) 0 ln(4) 1
e (ln(4)) e (ln(4))
P(X 2) 1 P(X 0) P(X 1) 1
0! 1!
1 1 3 1
1 ln(4) ln(2)
4 4 4 2

= = = =
= =


21. Problema 7. El nmero de llamadas que llegan a una central se modela como
una variable aleatoria Poisson. Suponga que, en promedio, se reciben 10
llamadas por hora. Calcule la probabilidad de que:
a. Lleguen exactamente cinco llamadas en dos horas
Solucin.
20 5 20 10 5 20 7 4
e .(20) e .2 .5 e .2 .5
P(P(20) 5)
5! 5.4.3.2.1 3

= = = =
b. Se reciban dos llamadas o menos en una hora
Solucin.
10 0 10 1 10 2
10 10
e .(10) e .(10) e .(10)
P(P(10) 2) (1 10 50)e 61e
0! 1! 2!


+ + = + + =
c. Lleguen ms de una llamada en 30 minutos
Solucin.
5 0 5 1
5
e .5 e .5
P(P(5) 1) 1 1 6e
0! 1!

> = =

22. Problema 8. Sea X una variable aleatoria con distribucin de Poisson de
parmetro . Demuestre que la probabilidad de que X tome valor par
(considerando a cero como par) es igual a
2
1
(1 e )
2

+ .
Solucin.
i i 2i 2i
i 0 i 0 i 0
( ) e e
e e 2
i! i! (2i)! 2 (2i)!



= = =
| |
+
+ = + = = |
|
\

.
Se tiene entonces que
Prof. Jos Luis Quintero 74
2i 2i 2i
2
i 0 i 0 i 0
e e e e 1
P(x 2i) e e . (1 e )
(2i)! (2i)! (2i)! 1 2 2



= = =
+
= = = = = = +

.