Professional Documents
Culture Documents
A. VARIABLES ALEATORIAS
En general, cada resultado de un experimento puede ser asociado con un número que es
especificado por una regla de asociación. Por ejemplo, el número de artículos defectuosos
de una partida de 100 en una semana. Esta regla de asociación es llamada una variable
aleatoria (v.a.); una variable ya que valores numéricos diferentes son posibles y aleatoria,
pues hay muchas fuentes de variación; materia prima, maquinarias, personas, el ambiente,
etc y no sabemos con certeza cuál o cuáles la afectan.
Definición: Una variable aleatoria (va) es una función que asocia a cada w un número
real.
X: IR
Significa que x es el número asociado
w
al resultado w
X(w) = x
por la función X
El conjunto de todos los valores que toma la variable aleatoria es llamada recorrido de la
variable aleatoria y se denota por R X , R X = x IR: x = X (w), w
Notación: Las variables aleatorias se escriben con letras mayúsculas como X, Y, X 1, X2,…y
los valores de su recorrido por letras minúsculas como x, y, z etc.
Sea X una variable aleatoria definida en el espacio muestral y sea R X el espacio de valores
de X. R X Puede ser considerado como otro espacio muestral, luego si A R X entonces
A así definido es un evento.
Definición: Sea A R X y sea B = w / X (w) A , B consta de todos los
resultados en para los cuales X (w) A. En este caso, decimos que A y B son eventos
equivalentes y P(A) = P(B)
Definición: Dada una variable aleatoria discreta (vad) con recorrido R X , existe una función
f, llamada función de probabilidad que asigna a cada x R X un número f(x) = P(X = x),
probabilidad de que la vad X= x, así
f : RX IR
x f ( x) P ( X x)
1
La que debe satisfacer las siguientes propiedades:
a) f(x) > 0 , x R X , x IR b)
xRx
f (x) = 1
Definición: Dada una variable aleatoria continua (vac) con recorrido R X , existe una función
f, llamada función de probabilidad que asigna a un intervalo I R X un número
f(x) = P(x I), probabilidad de que la vac X este dentro de I.
f : RX IR
x f(x) = P(x I)
a) f(x) = 0 ; x IR b)
f ( x ) dx 1
Nota:
1) La función de probabilidad de una vad se llama función de cuantía y la función de
probabilidad de una vac se llama función de densidad.
Definición: La Función de Distribución de una v.a. X denotada por FX (x) , es una función
definida sobre los números reales, tal que: FX ( x ) P ( X x )
Probabilidad de intervalos:
Si FX(x) es continua en X = a no hay salto en este punto y luego P(X = a) = 0.
En resumen, podemos calcular todas las probabilidades referentes a la v.a. X si conocemos
su función de distribución.
2
P(a < X b) = F X (b) - FX (a )
P( X a ) = F X ( a ) - F X ( a )
P(a X b) = F X (b) - FX (a ) + P( X a )
P(a X< b) = F X (b) - FX (a ) + P( X a ) - P( X b )
P(a < X < b) = F X (b) - FX (a ) - P( X b )
i) 0 FX (t ) 1 t
d
2.- Si X es vac entonces f X ( x ) FX ( x)
dx
Observación: Sabemos que el percentil o cuantil k-ésimo de una distribución con k=1,2, …,
99, es un valor xk que verifica
𝑃(𝑋 ≤ 𝑥 ) = y 𝑃(𝑋 ≥ 𝑥 ) = 1 −
Por último, la gráfica de una función de distribución se llama Ojiva y su forma depende de
que la variable aleatoria sea discreta o continua.
3
B. Medidas Resumen, Valor esperado
Los términos esperanza, valor esperado, valor promedio o valor medio corresponden al
mismo concepto. El valor esperado se usa como la medida de centro de una distribución de
probabilidad.
Definición: Sea X una v.a. y sea H (x) una función de la v.a. X (H(x) es una v.a.), entonces
el valor esperado de H(x) se define y denota por:
⎧ 𝐻(𝑋)𝑓(𝑥) 𝑋 𝑒𝑠 𝑢𝑛𝑎 𝑣𝑎𝑑
⎪ ∈
𝐸[𝐻(𝑋)] =
⎨ 𝐻(𝑋)𝑓(𝑥)𝑑𝑥 𝑋 𝑒𝑠 𝑢𝑛𝑎 𝑣𝑎𝑐
⎪
⎩
Observación:
Si la serie o integral que define a la esperanza de H(x) no son absolutamente convergentes
diremos que la esperanza no existe.
Si H (X) = X hallamos la esperanza de X denotada por X o simplemente y calculada por:
Propiedades de la esperanza:
Consideremos la v.a X y H (x) una función de X y c una constante, entonces:
a) Si H(X) = c entonces E(c) = c
b) Si H(X) = cX entonces E(cX)= cE(X)
c) Si E(h(X)+g(X)) = E(h(X)) +E(g(X))
d) Si H(X) = X - desvío de la variable respecto de la media entonces E[X - ] = 0
e) Si H(X)=(X - )2 = (X – E(X)) 2 entonces: E(X - )2 se conoce con el nombre de
varianza de la variable aleatoria X y se denota por V(x) o X2 o simplemente por :
4
Definición: Dada una v.a. X, el k-ésimo momento poblacional (alrededor del origen de X)
que denotaremos por k se define por: 𝜇 = 𝐸(𝑋 ) para k = 1,2,3,…
5
Derivando nuevamente:
𝑀′′ (𝑡) = 0,2 ∙ 14 𝑒 + 0,5 ∙ 16 𝑒 + 0,3 ∙ 19 𝑒
Actividad 2. Suponga que los ingresos mensuales X de una compañía de seguros, en miles
de dólares tiene función de densidad de probabilidad dada por:
2
𝑥 𝑠𝑖 1 ≤ 𝑥 ≤ 2
𝑓(𝑥) = 3
0 𝑒. 𝑜. 𝑐.
a) Obtenga la función de distribución acumulada de X y a partir de ella determine la
probabilidad de que el ingreso supere los US$1500.
Definiendo la v. a. continua, X los ingresos mensuales de una compañía de seguros (miles
de dólares)
𝐹 (𝑡) = 𝑃(𝑋 ≤ 𝑡)
Si 𝑡 < 1 entonces 𝐹 (𝑡) = 0
Si 𝑡 > 2 entonces 𝐹 (𝑡) = 1
Sea 1 ≤ 𝑡 ≤ 2 entonces 𝐹 (𝑡) = ∫ 0𝑑𝑥 + ∫ 𝑥𝑑𝑥 = −
Así, la función de distribución está dada por
0 𝑠𝑖 𝑡 < 1
𝐹 (𝑡) = − 𝑠𝑖 1 ≤ 𝑡 ≤ 2
1 𝑠𝑖 𝑡 > 2
1,5 1
𝑃(𝑋 > 1,5) = 1 − 𝐹 (1,5) = 1 − − = 0,5833
3 3
b) Si la Utilidad se puede modelar por la función U(X) = 7,45X - 2,75 en miles de dólares,
calcule e interprete la utilidad esperada.
𝐸(𝑋) = ∫ 𝑥 ∙ 𝑥 𝑑𝑥 = = 1,556
Introducción: Uno de los experimentos más básicos de vad es el que se conoce con el
nombre de proceso o ensayo de Bernoulli y que consiste en estudiar el comportamiento o
distribución de la ocurrencia de un determinado fenómeno o evento A cuya probabilidad que
ocurra es conocida y es independiente del número de veces que este se presente.
Cuando ocurre el evento A se dice que ha ocurrido un éxito (E), pero si estamos interesados
en estudiar la no ocurrencia de A, entonces cuando ocurra A c diremos que ha ocurrido en
éxito. Cuando ocurra lo contrario le llamaremos fracaso (F). El término éxito se usa de
acuerdo a lo que se desee observar y no necesariamente significa algo exitoso.
6
Definición: Un ensayo Bernoulli es un experimento con dos resultados posibles, éxito o
fracaso. Su espacio muestral es = E, F
Observe, que cualquier experimento puede realizarse para definir un ensayo Bernoulli
simplemente denotando un evento de interés A como éxito, y su complemento A c como
fracaso. La distribución de probabilidades asociada depende sólo de un parámetro p donde
p = P(E) y a su vez P(F) = 1- p que generalmente se denota por la letra q
Mx(t) = (1- p) + p et ; t
a) Sólo debe haber dos posibles resultados, uno es éxito y el otro fracaso. Un éxito no implica
necesariamente un resultado deseable;
b) La probabilidad de un éxito, p, sigue constante de un ensayo al siguiente, al igual que lo
hace la probabilidad de fracaso, 1 - p;
c) La probabilidad de un éxito en un ensayo es totalmente independiente de cualquier otro
ensayo;
d) El experimento puede repetirse muchas veces.
7
La aplicación de la distribución binomial al campo de la ingeniería es muy grande,
por ejemplo:
a) Que las componentes de un sistema funcionen (correcta, incorrectamente), b) árboles
plantados en terreno arenoso (sobrevive, muere), c) chips (defectuoso, sin falla) de
dispositivo semiconductor producido por una máquina que funcionan independientemente
con cierta confiabilidad, d) directores de una empresa con frecuencia desean saber cuántos
trabajadores: están interesados en unirse al sindicato y quienes no están interesados, e)
Banqueros pueden hacer encuestas a los expertos en economía sobre si las tasas de interés:
aumentarán o no aumentarán, f) El personal de mercadeo desea saber si una persona: prefiere
o no prefiere cierto producto.
Cada ensayo en una distribución binomial termina en sólo uno de dos resultados
mutuamente excluyentes, uno de los cuales se identifica como un éxito y el otro como un
fracaso. La probabilidad de cada resultado permanece constante de un ensayo al siguiente.
Se dice que una v.a. discreta X tiene distribución binomial si ella es el resultado de n
repeticiones de un experimento Bernoulli. Si se conoce la probabilidad de que un ensayo
determinado producirá un éxito, es posible estimar cuántos éxitos habrá en un número dado
de ensayos. Por ejemplo, si se conoce la probabilidad de que un solo trabajador esté
interesado en unirse al sindicato, entonces puede estimarse la probabilidad de que un número
determinado de trabajadores de la fuerza laboral estaría interesado en unirse.
n
f(x) = P( X x) p x (1 p) n x , x 0,1,2,3,...., n
x
En efecto:
El espacio muestral natural para un experimento binomial es el es el producto cartesiano de
los espacios muestrales de los ensayos Bernoulli consigo mismo n veces,
= 1 × 2 × 3 × .....n ; donde i = E, F i =1,n
Cada evento elemental es una n-upla que contiene (0,0,0,1,0....,1,0) con x-éxito y n-x
fracasos y la probabilidad del evento elemental es : E,E,..,E,F,F....,F p x 1 p n x
n
Pero el número de n-uplas que contienen x éxitos es
x
n
Si una n-upla tiene la probabilidad p x 1 p n x de ocurrir entonces n – uplas tiene la
x
n
probabilidad de p x 1 p n x de ocurrir. Luego,
x
f(x) = p x (1 p) n x ; x 0,1,2,3,....., n
n
x
Claramente,
8
n
n
a) f(x) > 0 ; b) x p 1 p
x 0
x nx
p (1 p ) 1
n
Ejemplo 1. El personal de ventas de una empresa, hace una venta al 15% de los clientes a
los que visitan. Si un miembro del personal de ventas llama a 15 clientes hoy ¿Cuál es la
probabilidad de que venda exactamente dos aparatos? Solución: Existe un 28,56% de
oportunidad de que se hagan exactamente dos ventas de las 15 llamadas.
Ejemplo 2. Una revista publica que el 40% de todos los bachilleres trabajan durante el verano
para ganar dinero para la educación universitaria. Si siete bachilleres se seleccionan de
manera aleatoria ¿cuál es la probabilidad de que a) 5 tengan trabajos en el verano, b) ninguno
trabaje, c) todos trabajen? Solución: a) 0,0774, b) 0,0280, c) 0,0016.
x e p 1 p
n
pe
n
x n x t n
M X (t ) E (e tx ) t
(1 p ) ; t
x 0
Derivando: M ' X (t ) n pe t
(1 p )
n 1
pet
Así, M ' X (0) np y M ' ' X (0) n 2 p 2 np 2 np . Por lo tanto, E ( X ) np y V ( X ) npq
n
x
La función de distribución de X es: F ( X ) P ( X x ) = t p 1 p
t0
t n t
1 4 t
Ejemplo 3. Considere la v. a. X con f. g. m. e Determine P(X = 0), E(X), V(X).
5 5
5
5 3
Ejemplo 4. Considere la v. a. X con la siguiente f. g. m. M X ( t ) e t
8 8
X2 1
Si se define Y Calcular la probabilidad del evento Y 0
3
9
f (x) = P(X = x) = (1-p)x-1 p ; x = 1,2,3,…, ; q = 1- p
p et 1 q
Si X ~ geom (p) entonces: M X ( t ) ; E(X)= ; V(X)= 2
1 q et p p
La distribución geométrica tiene la propiedad de ser “desmemoriada” que señala que
la probabilidad que más de b ensayos adicionales son necesarios para observar el primer éxito
provisto que ningún éxito ha ocurrido en los primeros a ensayos, es lo mismo que la
probabilidad original que más de b ensayos sean necesarios.
Si A = x a y B = x a b . Entonces, P ( x a b / x a ) = P ( x b ) .
Suponga que ensayos Bernoulli independientes se realizan, cada uno con probabilidad
de éxito p y sea X el número de ensayos necesarios para observar el r-ésimo éxito, r = 2,3,4.
Claramente, el recorrido de X es R X =r, r+1, r+2 ,..., ya que, al menos r ensayos deben
realizarse para observar r éxitos. Observar que, X = r si y sólo si un éxito ocurre en cada
uno de los r primeros ensayos de manera que P(X = r) = p r
Para observar X = r+1, el r-ésimo éxito debe ocurrir en el ensayo r+1 y debe haber
exactamente r-1 éxitos en los primeros r ensayos.
𝑥+𝑟−1
𝑓(𝑥) = 𝑝 (1 − 𝑝) ; 𝑥 = 0, 1, 2, ….
𝑟−1
( ) ( )
Esperanza y varianza: 𝐸(𝑋) = 𝑦 𝑉(𝑋) =
10
Distribución Hipergeométrica X ~ H (N, m, n)
La distribución binomial es apropiada sólo si la probabilidad de un éxito permanece
constante para cada intento. Esto ocurre si el muestreo se realiza con reemplazo o de una
población finita (o muy grande). Sin embargo, si la población es pequeña y ocurre el muestreo
sin reemplazo, la probabilidad de un éxito variará. Si la probabilidad de un éxito no es
constante, la distribución hipergeométrica es de especial utilidad.
Distribución de Poisson X ~ P (𝜆 )
Una variable aleatoria discreta de gran utilidad en la medición de la frecuencia relativa
de un evento sobre alguna unidad de tiempo o espacio es la distribución de Poisson (originada
por el matemático francés Simeón Poisson 1781-1840). Con frecuencia se utiliza para
describir el número de llegadas de clientes por hora, el número de accidentes industriales
cada mes, el número de conexiones eléctricas defectuosas por milla de cableado en un sistema
eléctrico de una unidad, el número de máquinas que se dañan y esperan ser reparadas.
11
b) La ocurrencia del evento en un intervalo es independiente de la ocurrencia de otro intervalo
cualquiera.
c) El número medio o esperado de eventos en cada unidad se denota por 𝜆 letra griega lambda.
Observaciones:
[1] Aproximación binomial de la distribución hipergeométrica. Si el tamaño muestral n es
muy pequeño en relación al número total de elementos, N-m y m, las probabilidades
hipergeométricas son muy parecidas a las binomiales, y puede usarse la distribución binomial
en lugar de la hipergeométrica. En este caso (N – n) / (N – 1) está muy próximo a 1, por lo
que la varianza de la distribución hipergeométrica está próxima a np(1-p), la varianza de la
distribución binomial. Es buena la aproximación si n ≤ min {0.2m , 0.2(N-m}
[2] Aproximación Poisson de la distribución binomial. Sea X el número de éxitos resultante
de n ensayos independientes, cada uno con probabilidad de éxito p. La distribución del
número de éxitos X es binomial con media np. Sin embargo, si el número de ensayos n es
grande y p es pequeño (preferiblemente n 20 y p 0,05), esta distribución puede
aproximarse bien por la distribución Poisson de media 𝜆 = 𝑛𝑝 Además, será muy buena la
aproximación cuando n 100 y n p 10 .
12
b) Determine el recorrido de la variable aleatoria.
Rec(X) = {1, 2, 3, … … … . . }
c) Asignar si es posible una distribución de probabilidad clásica a la variable aleatoria.
Explique
Es posible asignar la Distribución de probabilidades Geométrica, por las características del
proceso que son: Consta de un número no definido de pruebas o experimentos separados o
separables. El proceso concluirá cuando se obtenga por primera vez el resultado deseado
(éxito). Además, cada prueba puede dar dos resultados mutuamente excluyentes: A y no A.
La probabilidad de obtener un resultado A en cada prueba es p y la de obtener un resultado
no A es q siendo (q = 1 - p) y Las probabilidades p y q son constantes en todas las pruebas,
por tanto, las pruebas, son independientes (si se trata de un proceso de "extracción" éste se
llevará a cabo con devolución del individuo extraído).
d) Determine el (los) parámetro(s) del modelo de distribución y describa el modelo de
probabilidad propuesto.
El parámetro de la distribución es la probabilidad de éxito, es decir p = 0,05 y su distribución
es:
f(x) = 𝑝(𝑋 = 𝑥) = 0,95 ∙ 0,05
e) Calcule la probabilidad y comente, por qué la probabilidad de tal cálculo es alta o baja.
𝑃(𝑋 < 5) = 0,95 ∙ 0,05 + 0,95 ∙ 0,05 + 0,95 ∙ 0,05 + 0,95 ∙ 0,05 = 0,19
13
Es posible asignar la Distribución de probabilidades Binomial, por las características del
proceso que son: Cada uno de los experimentos es independiente de los restantes (la
probabilidad del resultado de un experimento no depende del resultado del resto). El
resultado de cada experimento ha de admitir sólo dos categorías (a las que se denomina
éxito y fracaso). Las probabilidades de ambas posibilidades han de ser constantes en todos
los experimentos (se denotan como p y q o p y 1-p).
e) Calcule la probabilidad y comente, por qué la probabilidad de tal cálculo es alta o baja.
14
Por el contrario, la distribución exponencial es una distribución continua, que mide el
paso del tiempo entre tales ocurrencias. Es decir, mientras la distribución Poisson describe
las tasas de llegada (de personas, camiones, llamadas telefónicas.) dentro de algún período
dado, la distribución exponencial estima el lapso entre tales arribos.
t
P (T> t) = e = 1 - P(T t) = 1-FT(t).
1 e t
t0
Luego, FT ( t )
0 t0
d
y la función densidad de probabilidad de T es f T ( t ) FT ( t ) e t ; t0
dt
Si X es el tiempo que transcurre hasta que el primer evento ocurre, entonces X es llamada
variable aleatoria exponencial con parámetro y entonces se tiene:
0 x0
f X ( x) x
e x0
1 1
Además, E(X): = , V(X) = , Mx (t) = , t
2
t
la probabilidad de que el lapso sea menor o igual a cierta cantidad t es: P(T t ) 1 e t
La función densidad de probabilidad es una curva en continuo descenso que muestra
que con el paso del tiempo T aumenta, y la probabilidad (llamada también confiabilidad)
disminuye. Por ejemplo, la probabilidad de que pasen 30 minutos entre ocurrencias excede
la probabilidad de que pasen 40 minutos, debido a que siempre deben pasar 30 minutos antes
que pasen 40.
15
La distribución Exponencial se utiliza con frecuencia como modelo para la distribución de
tiempo entre la presentación de eventos sucesivos, y tiene la propiedad de ser desmemoriada
(carencia de memoria). Esto es, si X ~ () y consideramos las constantes positivas a y b
se cumple
P( X a b) e (a b)
PX a b / X a e b PX b
P(X a ) a
e
Actividad 4. Suponga que un sistema contiene cierto tipo de componente, cuyo tiempo de
falla, en años, está dado por una variable aleatoria distribuida exponencialmente con tiempo
promedio de falla de 5 años.
a) ¿Cuál es la probabilidad de que la componente del sistema funcione después de los 6 años?
Sea X la variable aleatoria que mide el tiempo de falla de un componente
1
𝐸(𝑋) = 5 =
𝜆
Así, 𝑋 ~ 𝐸𝑥𝑝(𝜆 = 0,2) con función de distribución: 𝐹 (𝑥) = 1 − 𝑒 ,
𝑃(𝑋 > 6) = 1 − 𝐹 (6) = 1 − (1 − 𝑒 , ∙ ) = 0,30119.
Hay un 30,119% de probabilidad de que la componente del sistema funcione después de los
6 años.
16
6
𝑃(𝑊 = 7) = 0,30119 ∙ 0,69881 = 0,056165
3
Si después de 6 años la componente sigue funcionando, hay 5,62% de probabilidad de revisar
7 componentes hasta encontrar la cuarta componente que aún funciona.
Los parámetros que caracterizan a una distribución Uniforme son los límites del intervalo, a
y b. formalmente esta distribución es definida como sigue:
Definición: Sea X una variable aleatoria continua que toma todos los valores en el intervalo
(a, b) con -<a < b< , diremos que X está uniformemente distribuida si la función de
densidad de X es constante x (a , b) . Esto es:
1
si a x b
f( x ) b a
0 e.o.c.
Si X ~ U (a, b) la media o valor esperado está a la mitad de camino entre sus dos puntos
E(X) = a b y su varianza es: V(X) = (b a)
2
extremos:
2 12
(b a) etb eat
La desviación estándar es X = y Mx (t) = .
12 t (b a)
0 si t a
t a
La función acumulada de X está dado por: F ( x ) si a t b
b a
1 si t b
Ejemplo 7. Los tiempo de terminación de un trabajo oscilan entre 10.2 minutos a 18.3
minutos y se piensa que están distribuidos uniformemente.
10.2 18.3 1
a) La media es: = 14.25 b) La altura es Altura = 1/8.1 = 0.123
2 18.3 10.2
c) ¿Cuál es la probabilidad de que requiera entre 12.7 y 14.5 minutos para realizar este
trabajo?
Este valor está dado por el área dentro de ese rango. La probabilidad de que una observación
única esté comprendida dentro de dos valores X1 y X2 es 0.222, ya que:
X 2 X1
PX1 X X 2
ba
17
Distribución Normal X ~ N ( µ , σ2 )
La distribución Normal es la más importante en Probabilidades y Estadística.
Definición: La variable aleatoria X que toma los valores reales tiene distribución Normal si
su función densidad de probabilidad es:
1 ( x )2
1
f X(x ) e 2 2 , x IR; IR ; 2 > 0 , y son constantes.
2 2
N(, )
)
N(, )
x=
18
x
Z= ~ N (0,1).
Z2
1
y su f. d.p. es: f(z)= e 2 , z IR
2
1
t 2
t2
Teorema 4: Si X~ N ( , 2 ) entonces M X (t ) = e 2
Observación:
Como conocemos la f. g. m. de X ~ N ( , 2 ) se puede determinar E(X) y V (X).
1 2t2
ut
M´(x)= ( + 2 t ) e 2 M´(0) = ( +0 ) eo E(x)=
M´´(x)= ( ² + 2 ) V(x) = 2
Actividad 5. El diámetro en milímetros de los pernos de una fábrica se pueden modelar por
una función cuya función generadora de momentos está dada por: 𝑀 (𝑡) = 𝑒 .
a) Defina la variable aleatoria e indique claramente la distribución de probabilidad.
Sea X el diámetro en milímetros de los pernos y 𝑋 ~𝑁(𝜇 = 950, 𝜎 = 100)
b) ¿Cuál es la probabilidad de que un perno escogido al azar tenga un diámetro entre 947 y
958 milímetros?
𝑃(947 ≤ 𝑥 ≤ 958) = 𝑃(−0,3 ≤ 𝑧 ≤ 0,8) = 0,788145 − 0,382089 = 0,406056
Hay un 40,6% de probabilidad de que un perno escogido al azar tenga un diámetro entre 947
y 958 milímetros.
c) ¿Cuál es el valor apropiado de k tal que un perno escogido al azar tenga un diámetro mayor
que k con una probabilidad de 0,8531?
𝑃(𝑋 > 𝑘) = 0,8531 es equivalente a 𝑃 𝑍 ≤ = 0,1489
= −1,05 → 𝑘 = 939,5 Milímetros.
19
Observación:
Debido a que existe un número infinito de valores posibles en una distribución normal
(o en cualquier distribución continua), la probabilidad de que la variable aleatoria sea
exactamente igual a algún valor específico como 10, es cero.
Cuando se utiliza una distribución continua para estimar una variable aleatoria discreta, es
necesario un leve ajuste, llamado factor de corrección de continuidad, y requiere que se trate
la probabilidad de exactamente 10 como el intervalo entre 9.5 y 10.5. Esto se ilustra en la
siguiente figura:
Figura 1. Aproximación normal a una distribución discreta
P( B 0) P( N 0,5)
P( B x ) P( x 0,5 N x 0,5) , x 1,2,3,..., n 1
P( B n) P( N n 0,5)
( )
ℎ
𝑃(𝑋 ≤ 𝑏) ≈ 𝑓(𝑥)𝑑𝑥 = 𝐹(𝑏 + )
2
20
𝑋 ≈ 𝑁( 𝑛𝑝 = 12,8 ; 𝑛𝑝(1 − 𝑝) = 7,68) Usando corrección por continuidad se
tiene:
𝑃(𝑋 ≥ 12) ≈ 1 − 𝑃(𝑋 ≤ 11,5 ) = 1 − 𝑃(𝑧 ≤ −0,47) = 1 − 0,319178 ) = 0,680822
Ejemplo 9. Se estudia la frecuencia con la que los alumnos de una Universidad entran en la
página web de su casa de estudio. Se sabe que el 20% de los estudiantes no han entrado nunca
la web.
a) Si se selecciona en forma independientes estudiantes, encontrar la probabilidad que haya
que preguntar a 5 estudiantes hasta encontrar el segundo que no hayan entrado en la web.
b) Si se selecciona en forma independientes estudiantes encontrar la probabilidad al sexto
estudiantes consultado sea el primero que manifieste que ha visitado la web.
c) Si se selecciona en forma independiente 100 estudiantes, determine la probabilidad
aproximada de encontrar entre 70 y 90 estudiantes que no han visitado la página web.
Propiedades
a) Si 1 , 1 / , 0 se obtiene la distribución exponencial de parámetro .
21
n
c) Si , n I y 2 se obtiene la distribución Chi cuadrado con n grados de
2
libertad (que es su parámetro). Esta distribución está tabulada y se utiliza bastante en
estadística. Su f.d.p. es la siguiente:
n x
1
x2 e 2
X ~ 2 ( n ) f( x ) ; x>0
n
2 n / 2
2
Además, M X (t ) 1 2t n / 2 , t 1/2 ; E(X) = n , V(X) = 2n
22