Modelos Probabilísticos

Distribución Binomial

Es una de las distribuciones discretas de probabilidad más útiles. Sus áreas de

aplicación incluyen inspecciones de calidad, ventas, investigación de opiniones y
otras. Se puede imaginar un experimento en el que el resultado es a ocurrencia o la
no ocurrencia de un evento. Sin pérdida de generalidad, llamase “éxito” a la
ocurrencia del evento y “fracaso” a su no ocurrencia. Además, sea p la probabilidad
de éxito cada vez que el experimento se lleva a cabo y 1 p la probabilidad de
fracaso. Supóngase que el experimento se realiza n veces, y cada uno de éstos es
independiente de todos los demás, y sea X la variable aleatoria que representa al
número de éxitos en los n ensayos. El interés está en determinar la probabilidad de
obtener exactamente X x éxitos durante los n ensayos. Las dos suposiciones
claves para la distribución binomial son:

1. La probabilidad de éxito p permanece constante para cada ensayo.

2. Los n ensayos son independientes entre sí.

Definición: Sea X una variable aleatoria que representa el número de éxitos en n

ensayos y p la probabilidad de éxito en cualquiera de éstos. Se dice entonces que
X tiene una distribución binomial con función de probabilidad:

P( X x) p X ( x) C xn p x (1 p) n x
, x 1,2,3,  , n

Su esperanza y varianza está dada por:

IE ( X ) np
V ( X ) np(1 p )
 Distribución Poisson

Es una distribución discreta de probabilidad que representa el número de eventos

independientes que ocurren a una velocidad constante. Algunos ejemplos típicos son
el número de personas que llegan a una tienda de autoservicio en un tiempo
determinado, el número de bacterias en un cultivo, etc.

Definición: Sea X una variable aleatoria que representa el número de eventos

aleatorios independientes que ocurra a una rapidez constante sobre el tiempo o el
espacio. Se dice entonces que la variable aleatoria X tiene una distribución Poisson
con función de probabilidad dada por:

x
e
P( X x) p X ( x) , x 0,1,2, 0
x!

Su esperanza y varianza está dada por:

IE ( X )
V (X )
Distribución Normal

La distribución Normal o Gaussiana es una de las distribuciones de probabilidad

más utilizadas en la Estadística aplicada.

Definición: Sea X una variable aleatoria continua. la "función de densidad de

probabilidad" (f.d.p.) de X , es una función f (x) que describe la distribución de
probabilidad de X , la cual tiene las siguientes propiedades:

El área bajo la curva de densidad es igual a 1.

P( a X b) área bajo la curva de densidad entre las rectas x a y x b

f (x) es positiva o cero.

0.60

0.45

0.30

0.15

0.00
-3.50 -1.75 a 0.00 b 1.75 3.50

Recuerde que:
P( X k) P( k X k) 0

donde k es cualquier número real, ya que el área entre una recta y ella misma es
cero.

Debido a esto se tiene que:

P( a X b) P( a X b) P( a X b) P( a X b)
Definición: Sea una variable aleatoria continua. Se dice que X tiene una distribución
Normal si su función de densidad de probabilidad está dada por
2
1 x μ
1 2 σ
f X ( x) 2
e , x R , μ R , σ2 R
2πσ

donde μ es la media de X y σ 2 es la varianza de. X

X~N(0,1)

Notación:
Si X , es una variable aleatoria continua con distribución normal con media μ y
varianza σ 2 , esto se denota por:
X N ( μ, σ 2 )

Observación: Si X N ( μ, σ 2 ) , entonces se cumple que:

P( X ) 0,683
P( 2 X 2 ) 0,954
P( 3 X 3 ) 0,997 3
0.60

0.45

0.30

95,4%
0.15

0.00
-3.50 -1.75 0.00 1.75 3.50

Esto significa que el 95.4% de los valores de X , se encuentran entre

μ 2σ y μ 2σ
Si una variable aleatoria. tiene distribución normal con media 0 y varianza 1, se dice
que tiene distribución normal estándar, y se denota por Z N (0,1)

0.60

0.45

Z~N(0,1)

0.30

0.15

0.00
-3.50 -1.75 0.00 1.75 3.50

Supongamos ahora que se desea calcular, P( Z z ) donde x es un número

cualquiera. Es decir se desea el área:

Esta probabilidad está tabulada, calculada, para varios valores de x

Ejemplo: Si Z N (0,1) , encuentre

P(Z 1,52) 0,9357

P( Z 1,52) 1 P( Z 1,52)
1 0,9357
0,0643

P( 0,15 Z 1,60) P( Z 1,60) P( Z 0.15)

0,9452 0,4404
0,5048

Supongamos ahora que X N ( μ, σ 2 ) , entonces se cumple que:

X μ
Z N (0,1)
σ

Es decir si deseamos calcular

X μ a μ a μ
P( X a) P P Z
σ σ σ