Probabilidad y Estadstica Modelos Probabilstas Comunes

M. en I. Isabel Patricia Aguilar J urez

86
DISTRIBUCIONES ESPECIALES
Frecuentemente, al analizar diversas situaciones reales, se hacen suposiciones
acerca de los problemas, mismas que llevan a descripciones anlogas y por tanto, a
modelos matemticos esencialmente iguales, en los que solamente los nmeros, los
valores de los parmetros y sus interpretaciones, difieren de aplicacin a aplicacin.
Dentro de la teora de la probabilidad tambin existen modelos, llamados
distribuciones, que aparecen con tanta frecuencia que han recibido un nombre propio, y
que pueden ser desarrollados y estudiados independientemente de la aplicacin
especfica que se le de.
Ya se ha dicho que el modelo probabilista que se selecciona debe representar de
manera adecuada a la situacin real, que puede ser discreta o continua. Resulta lgico,
entonces, esperar que el modelo sea del mismo tipo
1
, es decir discreto o continuo. De
aqu que los modelos probabilistas ms comunes se clasifiquen como discretos y
continuos.
La identificacin del modelo apropiado para analizar un problema es un punto de vital
importancia en la solucin del mismo, y puede atacarse comparando el histograma de
frecuencias de los datos recopilados, con las grficas de las distribuciones conocidas,
para determinar cual de ellas es la que mejor se aproxima, o bien, reconociendo que en
esencia la variable aleatoria asociada al problema, tiene alguna de las formas que se
definen en dichos modelos.
MODELOS PROBABILSTAS PARA VARIABLES ALEATORIAS DISCRETAS.
7.1 Distribucin Bernoulli
Sin lugar a dudas, el caso ms sencillo de fenmeno aleatorio es aquel que tiene
nicamente dos resultados posibles satisfactorio o insatisfactorio, alto o bajo, lento o
rpido, bueno o malo, etc. que en general puede denominarse xito (e) y fracaso (f)
teniendo asociada, cada uno de ellos, una probabilidad de ocurrencia p y q = 1 p
respectivamente. Este tipo de fenmeno recibe el nombre de experimento o ensayo
de Bernoulli.

1
Aunque existen discretos que pueden representarse adecuadamente, mediante algn modelo continuo.
Probabilidad y Estadstica Modelos Probabilstas Comunes
M. en I. Isabel Patricia Aguilar J urez
87
Si denotamos con X a la v. a. que representa el nmero de xitos que se presentan al
realizar un ensayo de Bernoulli, se puede determinar inmediatamente que esta v. A.
nicamente puede tomar los valores 0 y 1.
Ntese que la probabilidad de que no se observe ningn xito, es exactamente la
probabilidad de que el resultado sea un fracaso, es decir, 1 p, y la probabilidad de
obtener un xito es p, esto es:
P ( X = 0 ) = 1 p y P ( X = 1 ) = p
de donde la funcin de probabilidad asociada a la v. a. X definida anteriormente, es la
funcin

'

caso. otro en 0
1 0, x si ) p - 1 ( p
) x ( f
x) - 1 ( x
X
que tiene a p (la probabilidad de xito), como nico parmetro, y se conoce como
Distribucin de Bernoulli.
Las caractersticas numricas de una v. a. que tenga esta distribucin se pueden
obtener, independientemente de la aplicacin que se le de, desde luego, dichas
caractersticas estarn en funcin del parmetro de la distribucin. As, es posible,
partiendo de la definicin, demostrar que E(X) = p y tambin que Var(X) = p (1 p).
Tambin se concluye que la funcin generadora de momentos de X es M
X
()=pe

+(1-p)
La importancia de este modelo radica en su gran utilidad dentro del desarrollo de otros
modelos un poco ms sofisticados, como los que presentaremos ms adelante.
7.2 Distribucin Binomial
Un experimento o ensayo binomial es una sucesin de ensayos de Bernoulli,
todos independientes entre s y con la misma probabilidad de xito p .
Dentro de un ensayo binomial es posible plantearse varias preguntas tipo, que
regularmente resultan de inters, como son:
v Cuntos xitos se observarn al realizar n repeticiones independientes
de un ensayo de Bernoulli ?
Probabilidad y Estadstica Modelos Probabilstas Comunes
M. en I. Isabel Patricia Aguilar J urez
88
v Cuntas repeticiones del experimento se necesitarn para lograr
obtener el primer xito ?
v Cuntas veces se tendr que repetir el experimento, si se desea
observar los primero r xitos ?
DISTRIBUCIN BINOMIAL
Llamemos X a la v. a. que representa el nmero de xitos que se observan
al realizar n ensayos independientes de Bernoulli, cada uno con la misma
probabilidad de xito p, que todos los dems.
Observemos que, por la forma en que se defini la v. a., los valores que
pueda tomar X son, solamente los enteros positivos entre y n, inclusive.
Pero lo que hasta ahora sabemos acerca de X no es suficiente para dar una
respuesta satisfactoria a la pregunta concreta. Necesitamos conocer la
distribucin , y para lograrlo calcularemos la probabilidad de que la v. a. X
tome un valor x cualquiera pero fijo.
En n ensayos de Bernoulli independientes, la forma de obtener exactamente x
xitos, en general no es nica, puesto que si acomodamos en un arreglo los
resultados obtenidos en cada ensayo, nos daremos cuenta de que existen
exactamente arreglos diferentes que contengan el mismo nmero de
xitos. Lo anterior significa que la probabilidad buscada es la suma de las
probabilidades de cada uno de los arreglos con la propiedad deseada. Se
puede observar, mediante el clculo de las probabilidades de algunos de
estos resultados que, debido a la independencia de los ensayos, la
probabilidad de ocurrencia es la misma para todos los arreglos mencionados,
la cual es p
x
(1-p)
(n-x)
, por lo tanto, la funcin de probabilidad asociada a esta
variable aleatoria es
conocida como Distribucin Binomial con parmetros n y p , lo cual se
denota como X ~ Bin (n, p)

,
_

x
n

'

,
_

caso otro en , 0
n ...., 1, 0, X , ) p - (1 p
x
n
(x) f
x) - (n x
X
Probabilidad y Estadstica Modelos Probabilstas Comunes
M. en I. Isabel Patricia Aguilar J urez
89
Para esta distribucin se cumple que E(X) = np y Var(X) = np(1-p)
Ejemplo 7.2.1
Suponga que los motores de avin operan en forma independiente y que
fallan con una probabilidad igual a 0.4. Considerando que un avin realiza un
vuelo con toda seguridad si por lo menos trabajo la mitad de sus motores,
determine si un avin cuatrimotor o uno bimotor tiene la probabilidad ms alta
de efectuar un vuelo sin problemas.
Resolucin
Sea X la v. a. Que representa el nmero de motores que fallan cuando el
avin realiza un vuelo.
Se observa que X es de la forma descrita en esta seccin (nmero de xitos
en n ensayos). Por tanto, X ~ Bin(n, p)
Caso 1: Si el avin es bimotor, n = 2 y p = 0.4
La probabilidad de que realice un vuelo seguro es P ( X 1).
Pero P ( X 1) = P( X = 0 ) + P ( X = 1 )
P ( X = 0 ) + P ( X = 1) =
0) - (2 0
) p - (1 p
0
2

,
_

+
1) - (2 1
) p - (1 p
1
2

,
_

= 0.84
Caso 2 : Si el avin es tetramotor, n = 4 y p = 0.4
La probabilidad de que realice un vuelo seguro es P ( X 2).
Pero P ( X 2) = P ( X = 0) + P ( X = 1) + P ( X = 2)
=
0) - (4 0
) p - (1 p
0
4

,
_

+
1) - (4 1
) p - (1 p
1
4

,
_

+
2) - (4 2
) p - (1 p
2
4

,
_

= 0.8208
Por lo tanto la probabilidad de realizar un vuelo seguro es ms alta para el
avin bimotor que para el tetramotor, aunque la diferencia es bastante
pequea.
Probabilidad y Estadstica Modelos Probabilstas Comunes
M. en I. Isabel Patricia Aguilar J urez
90
7.3 Distribucin Poisson
El Proceso de Poisson consiste en la ocurrencia aleatoria de eventos a lo largo
de un intervalo continuo, e manera que se renen las siguientes caractersticas:
1. Estacionalidad: La probabilidad de que ocurra un evento en un intervalo
de longitud pequea t, es t, con constante.
2. Unicidad: La probabilidad de que ocurra ms de un evento en un intervalo
muy pequeo de longitud h es despreciable comparada con la
probabilidad de que ocurra solo uno.
3. Independencia: La ocurrencia de un evento en un intervalo dado, no
depende de la ocurrencia en intervalos anteriores, ni posteriores.
Existen muchos ejemplos de procesos de Poisson, como son:
Las llegadas de los clientes a un autoservicio.
La llegada de llamadas telefnicas a un conmutador.
Los electrones producidos por el choque de partculas.
Sea X la v.a. que representa el nmero total de eventos que ocurren en un
intervalo de longitud t.
Como se puede ver, X es una v. a. discreta, y su funcin de probabilidad es
Una caracterstica muy especial de esta distribucin es que tanto la media
como la varianza son iguales a t .
Ejemplo 7.3.1
Suponga que las molculas de un gas raro se encuentran a razn promedio
de tres por pie cbico de aire. Si se supone que las molculas estn
distribuidas independientemente y al azar en el aire, cul es la probabilidad
de que, en una muestra de un pie cbico de aire, se encuentre como mximo
una molcula de dicho gas?

'

caso otro en ; 0
..... 2, 1, 0, x ; e
! x
) t (
x) ( f
t -
x
X
Probabilidad y Estadstica Modelos Probabilstas Comunes
M. en I. Isabel Patricia Aguilar J urez
91
Resolucin
Sea X la v. a. que representa el nmero de molculas del gas raro, que se
encuentran en un pie cbico de aire.
X tiene distribucin de Poisson con parmetro = 3, lo cual se denota como
X ~ P (t) con = 3 y t = 1.
La probabilidad que se desea calcular es P ( X 1), lo cual se obtiene como
sigue:
P ( X 1) = P ( X = 0) + P ( X =1)
Se puede demostrar que en general la distribucin de Poisson resulta una
buena aproximacin a la distribucin binomial, si n es grande y p pequea.
Una regla prctica admisible es utilizar dicha aproximacin si n 20 y
p 0.05.
MODELOS PROBABILSTAS PARA VARIABLES ALEATORIAS CONTINUAS.
7.4 Distribucin Exponencial
En la seccin anterior se habl del proceso de Poisson, y se tipific una v. a.
discreta, en relacin con dicho proceso. Sin embargo, en el marco de ese mismo
proceso es posible definir otras variables aleatorias solo que, en este caso,
continuas, las cuales son de gran importancia en el campo de las aplicaciones
de la probabilidad. Una de esas variables es la distribucin exponencial.
Definamos a la v, a. T como el tiempo que transcurre entre dos ocurrencias
sucesivas de un evento, en un proceso de Poisson. Ntese que la variable
aleatoria puede adoptar cualquier valor real positivo.
Una forma sencilla para conocer su distribucin de probabilidad, consiste en
relacionarla con la v. a. X con distribucin de Poisson analizada antes. Al
199 . 0
! 1
e ) t (

! 0
e ) t (
t - 1 t - 0

Probabilidad y Estadstica Modelos Probabilstas Comunes
M. en I. Isabel Patricia Aguilar J urez
92
hacerlo, construyendo la funcin de distribucin (acumulativa) de T y derivando
con respecto a t, se obtiene la funcin de densidad de T, como
Conocida como Distribucin Exponencial con parmetro . El hecho de que
una v. a. T tenga esta distribucin se indica como T ~ exp ( ).
Adems si una v. a. T tiene este tipo de distribucin, se puede calcular que
E(T) = 1 / y Var(T) = 1 /
2
Ejemplo 7.4.1
Supngase que un diseador puede tomar una decisin entre dos procesos
de manufactura para la fabricacin de cierto componente. Empleando el proceso
A cuesta C dlares por unidad fabricar un componente. Empleando el proceso B,
cuesta kC dlares por unidad fabricar un componente cuando k > 1. En
promedio, los componentes sufren 200
-1
fallas por hora para el proceso A y 300
-1
fallas por hora para el proceso B. Debido a una clusula de garanta, si un
componente dura menos de 400 horas, el fabricante debe pagar una pena de R
dlares. cul proceso deber elegir el diseador?
Resolucin
Sean T
A
la v. a. que representa el tiempo que dura el componente fabricado
por el proceso A.
y
T
B
la v. a. que representa el tiempo que dura el componente fabricado
por el proceso B.
El costo total C
A
en que incurre el fabricante al utilizar el proceso A es
C si T
A
400 o bien C + R si T
A
< 400
Por lo tanto,

'
>

caso otro en ; 0
0 t ; e
t) ( f
t -
T
Probabilidad y Estadstica Modelos Probabilstas Comunes
M. en I. Isabel Patricia Aguilar J urez
93
E(C
A
) = C[P(T
A
400)] + (C+R)[ P(T
A
< 400)]
= Ce
-2
+ (C + R )(1 e
-2
)
De manera similar se tiene que el costo total C
B
en el que incurre el
fabricante al utilizar el proceso B es
kC si T
B
400 o bien kC + R si T
B
< 400
Por lo tanto,
E(C
B
) = kC[P(T
B
400)] + (kC+R)[ P(T
B
< 400)]
= kCe
-4/3
+ (kC + R )(1 e
-4/3
)
Comparando, se tiene que el diseador debe preferir el proceso B si
E(C
B
) < E(C
A
)
Lo cual ocurre si y slo si k < 1 + [(R / C)( e
-4/3
- e
-2
) .
7.5 Distribucin Normal
La distribucin normal ms importante en el campo de la estadstica, es la distribucin
Normal. Su grfica es una curva en forma de campana, que describe la distribucin de
muchos conjuntos de datos que ocurren en la naturaleza, la industria y la investigacin.
La expresin analtica ms simple cuya grfica tiene la forma acampanada, es la
Gaussiana dada por
2
x
2
e y

y es la expresin que se adopta como modelo probabilista.

Para que la campana Gaussiana se adapte a la poblacin, es necesario introducir tres
parmetros:
a: parmetro de localizacin que centre la grfica en la media de la distribucin de
la poblacin,
Probabilidad y Estadstica Modelos Probabilstas Comunes
M. en I. Isabel Patricia Aguilar J urez
94
b: parmetro de contraccin o dilatacin que determine el ancho de la curva,
c: parmetro de normalizacin para que el rea bajo la curva sea unitaria.
De manera que
2
b
a x
2
1
ce x f

,
_

) (
en donde es claro que a debe ser la media y b la desviacin estndar de la poblacin,
esto es, a = y b =
2
.
Para obtener el valor de c, se utiliza el hecho de que la curva debe integrar uno
dx ce dx (x) f 1
-
2
b
a x
2
1
-

,
_

haciendo un cambio de variable

2 bc dz e bc
-
2
z
2
1

de donde,

2 b
1
c .
Por lo que la expresin de la funcin de densidad Normal es :
2
x
2
1
e
2
1
x f

,
_

) ( si < < X
Esta funcin se conoce como Distribucin Normal con media y varianza
2
y
tiene la caracterstica de ser simtrica con respecto a la media. El hecho de que una
v.a. tenga a este funcin como distribucin se denota como
X ~ N ( ,
2
)
y tiene como funcin generatriz de momentos a la funcin:
2
X
2 2
e M

+
) (
Probabilidad y Estadstica Modelos Probabilstas Comunes
M. en I. Isabel Patricia Aguilar J urez
95
DISTRIBUCIN NORMAL ESTNDAR
Se llama Distribucin Normal Estndar a aquella distribucin normal, cuyos
parmetros son 0 y 1
2
. Esta distribucin es tan importante, que la v.a. que tiene
esta distribucin, recibe el nombre especial de Z.
Supongamos que deseamos calcular la probabilidad de que la v.a. Z tome valores
entre dos valores z
1
y z
2
, se tendra lo siguiente:

< <
2
1
2
z
z
z
2
1

2 1
dz e
2
1
z Z z P ) (
que slo se puede calcular numricamente.
Para evitar el clculo de la integral cada vez que este se requiera, existen valores ya
tabulados tanto para la funcin como para el rea bajo ella misma, para valores
especficos, que facilitan el clculo para los valores necesarios. Dicha tabla se
encuentra anexa, y aqu se ejemplificar su uso, continuacin.
Ejemplo 7.5.1
Encuentre la probabilidad de que una v.a. con distribucin normal estndar tome un
valor entre 0.87 y 1.28.
Resolucin
P( 0.87 < Z < 1.28 ) = P( Z < 1.28 ) P( Z < 0.87 )
Buscando en la tabla, en el rengln correspondiente a z = 0.8 en donde cruza con la
columna del 7, tenemos que
P( Z < 0.87 ) = 0.8078
De la misma forma, si seleccionamos el valor que aparece en el cruce del rengln
z = 1.2 y la columna 8, se obtiene
P( Z < 1.28 ) = 0.8997
De donde
Probabilidad y Estadstica Modelos Probabilstas Comunes
M. en I. Isabel Patricia Aguilar J urez
96
P( 0.87 < Z < 1.28 ) = 0.8997 0.8078 = 0.0919
Solamente que estas tablas son nicamente para una distribucin normal estndar, por
lo que si la distribucin no es estndar se requiere hacer una estandarizacin como
sigue:
Si X ~ N ( ,
2
), pero logramos recorrerla de tal manera que quede centrada en el
origen, y la ampliamos o la contraemos, segn se requiera, para que tenga varianza
1, podramos calcular las probabilidades deseadas, como se mostr en el ejemplo
anterior.
El procedimiento que mencionamos anteriormente, s es factible y se conoce como
ESTANDARIZACIN.
Si X ~ N ( ,
2
), la v.a.

X
Z ~ N(0, 1)
Lo que significa que:
P(x
1
< X < x
2
) = P(z
1
< Z < z
2
)
En donde ,

1
1
x
z y

2
2
x
z
Ejemplo 7.5.2
Con frecuencia se supone que las mediciones de la longitud usando un instrumento
calibrado con la suficiente exactitud, estn distribuidas en forma normal alrededor de la
longitud verdadera del objeto medido. En forma concreta, suponga que la longitud
verdadera de un objeto es de 9 pies, y que una medicin que se haga de este objeto es
una v.a. X normal con media nueve y varianza 0.0004 (ambas dadas en pies). Cul es
la probabilidad de que la longitud medida est entre 8.99 y 9.02 pies ?.
Resolucin
Sea X la v.a. que representa la longitud medida. X tiene distribucin normal no
estndar.
) 8.99 X P( ) 9.02 X P( 9.02) X 8.99 P(
Probabilidad y Estadstica Modelos Probabilstas Comunes
M. en I. Isabel Patricia Aguilar J urez
97

,
_

,
_

02 0
9 99 8
Z P
02 0
9 02 9
Z P
.
.
.
.
5328 0 3085 0 8413 0 . . .
Una propiedad importante de la distribucin normal, es la que se enuncia en el
siguiente teorema.
Teorema:
Si X
1
, X
2
,...,X
n
son variables aleatorias independientes, y todas con distribucin normal
cada una con media
i
y varianza
X
i
2
, i = 1,2,...,n, la v.a. X definida como
X= c
1
X
1
+c
2
X
2
+...+c
n
X
n
Tambin tiene distribucin normal, con media c
i i
i
n

0
y varianza c
i X
i
i
n
2 2
1

.
Demostracin:
Para demostrar el teorema, basta con construir la funcin generatriz de momentos de
X, a travs de las funciones generatrices de momentos para las X
i
s, e identificarla con
la funcin generatriz asociada a una distribucin normal.

n
1 i
2
i
X
2
i
2 n
1 i
i i
2
i
X
2
i
2
i i
i
c
2
c
n
1 i
2
c
c
n
1 i
X X
e e M M ) ( ) (
que corresponde a la funcin generatriz de momentos de una v.a. con distribucin
normal, con media y varianza, las que se mencionaron.
Este resultado es vlido nicamente cuando las variables aleatorias que se suman,
tienen distribucin normal. Sin embargo, existe un teorema fundamental en la
probabilidad y que es un resultado mucho ms general y que enunciamos a
continuacin.
Probabilidad y Estadstica Modelos Probabilstas Comunes
M. en I. Isabel Patricia Aguilar J urez
98
TEOREMA DEL LIMITE CENTRAL
Sean X
1
,X
2
,...,X
n
son variables aleatorias independientes, y con la misma distribucin
(ya sea discreta o continua), cada una con media y varianza
2
. La v.a. S
n
definida
como
X
i
i
n

1
,
cuando n tiende a infinito, tiene aproximadamente una distribucin normal con media
n y varianza n
2
, es decir,
Z
X n
n
i
i
n

1
tiene aproximadamente, una distribucin normal estndar cuando n tiende a infinito.
Este resultado permite aproximar adecuadamente, distribuciones tanto discretas como
continuas, mediante la distribucin normal. Un ejemplo es el caso concreto de la
distribucin binomial, que para un valor grande de n se logra una buena aproximacin.