III.

Variables aleatorias Discretas y

sus Distribuciones de Probabilidad

Variable aleatoria discreta

Definicin
Una variable aleatoria se llama discreta si se puede
contar su conjunto
j
de resultados pposibles.
Las variables aleatorias discretas son variables
aleatorias cuyo intervalo de valores es finito o
contablemente infinito.

Distribucin de Probabilidad discreta

Definicin
Li de
Lista
d los
l resultados
l d d
de un experimento
i
con las
l
probabilidades que se esperan, se asociarn a esos
resultados.
Si x es una variable aleatoria discreta, la funcin dada por
f(x) para cada x contenida en el intervalo de x se denomina
funcin de probabilidad,
probabilidad o distribucin de
probabilidad, de x.
g como la distribucin de
Una funcin ppuede fungir
probabilidad de una variable aleatoria discreta x si y slo si
sus valores, f(x), cumple las condiciones siguientes:
a)) f(x)
f( ) 0 para cada
d valor
l contenido
t id en su dominio
d i i
b) f(x) = 1, donde la sumatoria se extiende sobre todos
los valores contenidos en su dominio.
3

Funcin de distribucin acumulativa

La distribucin acumulada F(x) de una variable
aleatoria discreta X, cuya distribucin de probabilidad
es f(x), es:
F(x) = P(X x) = f (t ) para x
tx

Esperanza Matemtica
Sea X una variable aleatoria con distribucin de probabilidad
f( ) La media o valor esperado de X es:
f(x).

= E ( X ) = xf ( x)
x

Significado de la esperanza
Como valor medio terico de todos los valores que puede
tomar la variable. Representa una medida de centralizacin.

Varianza
Definicin
Medida del cuadrado de la distancia promedio entre la
media y cada elemento de la poblacin.
p
Si X es una variable aleatoria con una distribucin de
probabilidad,, f(x),
p
( ), y media
. La varianza de X es
calculada por medio de:

= E [( X ) ] = ( x ) f ( x)
2

Desviacin estndar
Definicin
1. Es una medida de dispersin de la misma dimensin
fsica de la variable y que representa por medio de la
letra .
2. Raz cuadrada positiva de la varianza; una medida de la
dispersin, expresada en las mismas unidades que los
datos originales y no en las unidades cuadradas de la
varianza.

III.1. Distribucin de Probabilidad

Uniforme
Definicin
Si la variable aleatoria X asume los valores x1, x2,..xk, con
iguales probabilidades, entonces la distribucin discreta uniforme
es:
1
f ( x; k ) =

k
x = x1 , x2 ,....xk

La media se calcula con la siguiente frmula:

k

f (x )

Y su varianza con:

i =1

k
k

=
2

( f (x ) )
i =1

III.2. Distribucin de Probabilidad

III.2.
Bernoulli
Definicin de ensayo de Bernoulli
El Ensayo de Bernoulli consiste en realizar un slo
experimento (ensayo) en el cual existen nicamente
dos posibles resultados:
S = { xito, fracaso }
Definimos a la variable aleatoria de Bernoulli de la
siguiente forma:
0; Si el resultado del ensayo es fracaso.
I=
1; Si el resultado del ensayo es xito.
A sta ltima se le conoce como funcin indicadora
9

III.2. Distribucin de Probabilidad

Bernoulli
Supongamos que en un ensayo de Bernoulli la
probabilidad
b bilid d de
d obtener
b
i es p. Como
xito
C
ell ensayo
tiene nicamente dos resultados posibles, entonces
la probabilidad de obtener un fracaso es 1-p.
1-p
llamaremos q a la probabilidad de fracaso.
p = Probabilidad de xito
q = (1-p) = Probabilidad de fracaso
Con esto,
esto la distribucin de probabilidad de la
variable aleatoria de Bernoulli es:
q; I = 0
P( I )= p; I = 1
0; c.o.c
coc
10

III.2. Distribucin de Probabilidad

III.2.
Bernoulli
El proceso de Bernoulli debe cumplir con las
siguientes propiedades:
1. El experimento consiste en n intentos
repetidos.
2. Los resultados de cada uno de los intentos
pueden clasificarse como un xito o como un
fracaso.
3. La probabilidad de xito, representada por p,
permanece constante para todos los intentos.
4. Los intentos repetidos son independientes

11

III.2. Distribucin de Probabilidad

Bernoulli
La media o valor esperado de la variable
aleatoria de Bernoulli es:
E[I] = 0q +1p = p

I = p

La varianza de la variable aleatoria de Bernoulli

es:
V[I] = E[I2] - E[I] 2
V[I] = (02q +12 p) - p2 = p - p2 = p(1 - p) = pq
I2 = pq

12

III.2. Distribucin de Probabilidad

III.2.
Bernoulli
Ejemplo:
En la fabricacin de neumticos se seleccionan, de manera
aleatoria, tres de ellos. Se hace una inspeccin de los
neumticos y se clasifican en defectuosos y no defectuosos.
El proceso de fabricacin produce en total el 20% de
neumticos

d f
defectuosos.
Se considera un xito la obtencin de un artculo
d f
defectuoso

13

III.2. Distribucin de Probabilidad

Bernoulli
Solucin:
El espacio muestral es el siguiente:
Resultado
(ND)(ND)(ND)
(D)(ND)(ND)
(ND)(D)(ND)
(ND)(ND)(D)
((ND)(D)(D)
)( )( )
(D)(ND)(D)
(D)(D)(ND)
(D)(D)(D)

x
0
1
1
1
2
2
2
3

Donde: D es defectuoso y ND es no defectuoso

14

III.2. Distribucin de Probabilidad

III.2.
Bernoulli
`
`

El nmero de xitos es una variable aleatoria que asume valores enteros de

cero a tres.
Se obtienen las probabilidades para los posibles resultados.
Con:
p = 0.20
0 20
q = 0.80

Se calculan las probabilidades respectivas:

P[(ND)(ND)(ND)] = P(ND)P(ND)P(ND) = (0.80)(0.80)(0.80)
(0 80)(0 80)(0 80) = 0.512
0 512
P[(D)(ND)(ND)] = P(D)P(ND)P(ND) = (0.20)(0.80)(0.80) = 0.128
P[(ND)(D)(ND)] = P(ND)P(D)P(ND) = (0.80)(0.20)(0.80) = 0.128
[(
)(
)( )] = P(ND)P(ND)P(D)
(
) (
) ( ) = ((0.80)(0.80)(0.20)
)(
)(
) = 0.128
P[(ND)(ND)(D)]
= 0.384
P[(ND)(D)(D)] = P(ND)P(D)P(D) = (0.80)(0.20)(0.20) = 0.032
P[(D)(ND)(D)] = P(D)P(ND)P(D) = (0.20)(0.80)(0.20) = 0.032
P[(D)(D)(ND)] = P(D)P(D)P(ND) = (0.20)(0.20)(0.80) = 0.032
= 0.096
P[(DDD)] = P(D)P(D)P(D) = (0.20)(0.20)(0.20) = 0.008

15

III.2. Distribucin de Probabilidad

III.2.
Bernoulli
Con los clculos anteriores se obtiene la distribucin de probabilidad
de x:
x
f(x)

0
0.512

1
0.384

2
0.096

3
0.008

El cuadro
d anterior
t i muestra
t que:
a.
b.
c
c.
d.

Cuando no se tienen neumticos defectuosos la probabilidad es de: 0.512

Cuando se tiene un neumtico defectuoso la probabilidad es de: 0.384
Cuando se tienen dos neumticos defectuosos la probabilidad es de: 0
0.096
096
Cuando se tienen tres neumticos defectuosos la probabilidad es de: 0.008

El nmero de xitos en n experimentos de Bernoulli recibe el nombre

de variable aleatoria binomial

16

III.3. Distribucin de Probabilidad

Binomial
`

17

III.3. Distribucin de Probabilidad

Binomial
Al realizar el ensayo binomial, la variable aleatoria puede adquirir los valores: X = {0,1,2,...,n}
SSupongamos
p
que se realizan
li
n ensayos dde B
Bernoulli
lli y la
l probabilidad
p b bilid d dde xito
it es p,
p la
l
distribucin de X para n =2, 3 4 es:

Se observa que el trmino genrico es pxqn-x

repetido un determinado nmero de veces
cuntas?

?
18

III.3. Distribucin de Probabilidad

Binomial
Supongamos que se obtienen consecutivamente primero los X xitos y luego
los n-x
n x fracasos:

Para encontrar el nmero de formas en que se pueden obtener X xitos y n-x

fracasos, recordemos la expresin para el clculo de permutaciones con grupos de
objetos iguales:

Hagamos m1=x y m2=n-x:

Es decir que el nmero de formas en que se pueden ordenar los xitos y los fracasos es C(n,x)
C(n x)
19

III.3. Distribucin de Probabilidad

Binomial
Finalmente, tenemos que el trmino pxqn-x se repite un numero de
veces igual a C(n,x):
C( )

En forma resumida, la distribucin de la variable aleatoria binomial es:

Puesto que la forma de P(x) depende de p y de n, stos son los

prametros de la distribucin binomial: P(x; n, p)
20

III.3. Distribucin de Probabilidad

III.3.
Binomial
Definicin
Un experimento de Bernoulli puede resultar en un xito con una
probabilidad p y en un fracaso con una probabilidad de q = 1p
Entonces la distribucin de probabilidad de la variable aleatoria
bi
binomial
i l X,
X ell nmero

de
d xitos
i
en n experimentos
i
independientes, es:
n x nx
b(x; n, p) = p q
x

21

x = 0, 1, 2, 3,.........., n.

III.3. Distribucin de Probabilidad

III.3.
Binomial
`

npq

22

III.3. Distribucin de Probabilidad

Binomial
La distribucin binomial aparece cuando estamos
i
interesados
d en ell nmero

d
de veces que un suceso A
ocurre (xitos) en n intentos independientes de un
experimento.
experimento
P. ej.: # de caras en n lanzamientos de una moneda.
Si A tiene probabilidad p (probabilidad de xito) en un
intento, entonces 1-p es la probabilidad de que A no
ocurra (probabilidad de fracaso).

23

III.3. Distribucin de Probabilidad

Binomial
Experimento aleatorio: n = 3 lanzamientos de una moneda.
Probabilidad de xito en cada lanzamiento (cara) = p.
Probabilidad de fracaso en cada lanzamiento (cruz) = 1- p = q.

24

III.4. Distribucin de Probabilidad

III.4.
Binomial Negativa
Definicin
Una variable aleatoria x tiene una distribucin binomial negativa
y se denomina variable aleatoria binomial negativa, si y solo si su
di t ib i de
distribucin
d probabilidad
b bilid d est
t dada
d d por:
x 1 k
p (1 p ) x k
f ( x) = P ( X = x) =
k 1
para :
x = k , k + 1, k + 2,.....

La variable aleatoria X se puede definir como el nmero de ensayos

de Bernoulli necesarios para obtener exactamente K xitos.
25

III.4. Distribucin de Probabilidad

III.4.
Binomial Negativa
Media:

Varianza:

k (1 p )
=
p
k (1 p )
=
p2
2

Desviacin tpica:
=

26

k (1 p )
p2

III.4. Distribucin de Probabilidad

Binomial Negativa
Ejemplo: disponemos de una moneda trucada con probabilidad de cara igual a
p=0 25 La lanzamos hasta que obtenemos 2 caras
p=0.25.
caras.
La distribucin del nmero de lanzamientos x ser:
x 1
x2
0.25 2 (1 0.25) ,
BN ( r = 2, p = 0.25) = P ( X = x ) =
2 1
x = 2 ,3, 4, ...

P(x)

x
27

III.5. Distribucin de Probabilidad

Geomtrica
Definicin
Si repetidos intentos independientes pueden resultar en un
xito con una probabilidad p y en un fracaso con una
probabilidad de q = 1p, entonces la distribucin de
probabilidad de la variable aleatoria X, el nmero del
intento en ell cuall ocurre ell primer xito

es:
x = 1, 2, 3,..........
g(x; p) = pqx1
Equivalentemente, la probabilidad de que haya x fallos antes
del primer xito es:
g(x; q)
g(
q)= qxp = (1-P)
(
)xp
28

III.5. Distribucin de Probabilidad

III.5.
Geomtrica
La media es:

La varianza es:

29

1
=
p
1 p
= 2
p
2

III.5. Distribucin de Probabilidad

Geomtrica
Ejemplo:
Se lanza al aire una moneda cargada 8 veces, de tal manera
que la probabilidad de que aparezca guila es de 2/3,
mientras que la probabilidad de que aparezca sello es de
1/3.
Determine la probabilidad de que en el ltimo lanzamiento
aparezca una guila.

30

III.5. Distribucin de Probabilidad

Geomtrica
Solucin:
Si nosotros trazamos un diagrama de rbol que nos
represente los 8 lanzamientos de la moneda, observaremos
que la nica rama de ese rbol que nos interesa es aquella
en donde aparecen 7 sellos seguidos y por ltimo una
guila;
g ; como se muestra a continuacin:
S S S S S S SA
S denotamos;;
x = el nmero de repeticiones del experimento necesarias para
que ocurra un xito por primera y nica vez = 8 lanzamientos
p = probabilidad de que aparezca una guila = p( xito) = 2/3
q = probabilidad de que aparezca un sello = p(fracaso) = 1/3
31

III.5. Distribucin de Probabilidad

Geomtrica
Entonces la probabilidad buscada sera:
P (aparezca una guila en el ltimo lanzamiento) =
=p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(A)
= q*q*q*q*q*q*q*p
* * * * * * *
= pqx1
La frmula a utilizar cuando se desee calcular probabilidades con
esta distribucin sera:
g(x;; p) = pqx1
g(
Donde:
p(x) = probabilidad de que ocurra un xito en el ensayo x por primera
y nica vez
p = probabilidad de xito
q = probabilidad de fracaso
32

III.5. Distribucin de Probabilidad

Geomtrica
Resolviendo el problema de ejemplo;
x = 8 lanzamientos necesarios para que aparezca por primera vez
una guila
p = 2/3 probabilidad
b bld d d
de que aparezca una guila
l
q = 1/3 probabilidad de que aparezca un sello

p(x=8) = (1/3)8-1(2/3)=0.0003048

33

III.6. Distribucin de Probabilidad

III.6.
Poisson
Definicin. Proceso de Poisson y la Distribucin
de Poisson.

A.
`

`
`

34

Los experimentos que resultan en valores numricos de una

variable
i bl aleatoria
l
i X
X, misma
i
que representa ell nmero

d
de
resultados durante un intervalo de tiempo dado o en una
regin especfica, se llaman experimentos de Poisson.
En intervalo de tiempo dado puede ser de cualquier duracin.
La regin
g
especfica
p
puede
p
ser un segmento
g
de lnea,, un rea,,
un volumen, o tal vez un pedazo de material

III.6. Distribucin de Probabilidad

III.6.
Poisson
Un experimento de Poisson surge del proceso de Poisson y tiene las
siguientes propiedades:
1.

El nmero de resultados que ocurren en un intervalo de tiempo o regin

especficos es independiente del nmero que ocurre en cualquier otro
intervalo disjunto de tiempo o regin del espacio disjunto. De esta
manera se dice que el proceso de Poisson no tiene memoria.

2
2.

La probabilidad de que un resultado sencillo ocurra en un intervalo de

tiempo muy corto o en una regin pequea es proporcional a la longitud
del intervalo de tiempo o al tamao de la regin y no depende del
nmero

de
d resultados
lt d que ocurren fuera
f
de
d este
t intervalo
i t
l o regin.
i

3.

La probabilidad de que ms de un resultado ocurra en ese intervalo de

tiempo
p tan corto o en esa regin
g
tan pequea
p q
es despreciable.
p

El nmero X de resultados que ocurren en un experimento de Poisson se

llama variable aleatoria de Poisson y su distribucin de probabilidad
recibe el nombre de distribucin de Poisson.
Poisson
35

III.6. Distribucin de Probabilidad

III.6.
Poisson
Distribucin de Poisson.
La distribucin de probabilidad de la variable aleatoria de Poisson X,
X que
representa el nmero de resultados que ocurren en un intervalo de tiempo
dado o en una regin especfica, es
x

e
p ( x; p) =
x!

x = 0, 1, 2, 3,..........,

Donde:
e = 2.71828.....
= np que representa el nmero promedio de resultados por unidad de tiempo o
regin.

El parmetro se puede obtener de tres maneras, que son las siguientes:

1.
2
2.
3.

36

Cuando se conocen n y p
Como valor trmino medio de la variable
variable. Cuando se dice promedio
promedio, valor
promedio, media o esperanza matemtica.
Estimado a partir de la media de una muestra de valores observados de la
variable.

III.6. Distribucin de Probabilidad

III.6.
Poisson
La media, esperanza matemtica, es:
E(x) = =
La varianza es:
2 =
La desviacin es:
=

37

III.6. Distribucin de Probabilidad

III.6.
Poisson
Flujo elemental de sucesos
El flujo
fl j elemental
l
t ld
de sucesos es aquell que posee llas ttres propiedades
i d d siguientes:
i i t
1.

Calidad de estacionario. La propiedad de calidad de estacionario consiste en que la

probabilidad de que ocurran x sucesos en cada intervalo de tiempo depende solamente
del nmero x y de la duracin t del intervalo de tiempo y no depende del comienzo de
su cuenta. En otras palabras, la probabilidad de aparicin de x sucesos en un intervalo
de tiempo de duracin t depende slo de x y de t.

2.

Propiedad
p
de ausencia de efecto p
posteriori. La ppropiedad
p
de "ausencia de
efecto posteriori" se caracteriza porque la probabilidad de que ocurran x sucesos en
cualquier intervalo de tiempo no depende de que hayan ocurrido o no los sucesos en
los instantes de tiempo que preceden al comienzo del intervalo considerado. En otras
palabras la prehistoria del flujo no influye en la probabilidad de que los sucesos ocurran
palabras,
en un futuro prximo.

3.

Propiedad de ordinario se llama simple o elemental (de Poisson). La propiedad

de ordinario se caracteriza por que la aparicin de dos o ms sucesos en un intervalo
pequeo de tiempo es prcticamente imposible. En otras palabras, la probabilidad de
que ocurra ms de un suceso en un pequeo intervalo de tiempo es despreciable en
comparacin con la probabilidad de que ocurra solamente un suceso.

38

III.6. Distribucin de Probabilidad

III.6.
Poisson
El promedio de sucesos que ocurren en una Unidad de
tiempo se llama intensidad del flujo .
Si la intensidad constante del flujo es conocida, la
probabilidad de que ocurran k sucesos de un flujo
elemental en el tiempo t se determina por la frmula de
Poisson:
e t (t ) x
p ( x; p ) =
x!

El flujo que posee la propiedad de carcter de

estacionario se llama estacionario; en caso contrario, no
estacionario.
39

III.6. Distribucin de Probabilidad

Poisson
Caractersticas:
En este tipo de experimentos los xitos buscados son
expresados por unidad de rea, tiempo, pieza, etc, etc,:
`
`
`
`
`

40

# de defectos de una tela por m2

# de aviones que aterrizan en un aeropuerto por da, hora,
minuto, etc, etc.
# de bacterias por cm2 de cultivo
# de
d llamadas
ll
d telefnicas
l f i
a un conmutador
d por hora,
h
minuto,
i
etc, etc.
# de llegadas de embarcaciones a un puerto por da
da, mes,
mes etc,
etc
etc.

III.6. Distribucin de Probabilidad

Poisson
Ejemplo:
Si un banco recibe en promedio 6 cheques sin fondo por
da, cules son las probabilidades de que reciba,
a)
b)

41

cuatro cheques sin fondo en un da dado,

10 cheques sin fondos en cualquiera de dos das
consecutivos?

III.6. Distribucin de Probabilidad

Poisson
Solucin:
a)
x = variable que nos define el nmero de cheques sin fondo que
llegan al banco en un da cualquiera = 0, 1, 2, 3, ....., etc, etc.
= 6 cheques sin fondo por da
e = 2.718

42

III.6. Distribucin de Probabilidad

Poisson
b)
x= variable que nos define el nmero de cheques sin fondo que
llegan al banco en dos das consecutivos = 0, 1, 2, 3, ......, etc., etc.
= 6 x 2 = 12
2 cheques sin ffondo en promedio que llegan al
banco en dos das consecutivos

Nota:
N
t siempre
i
d
debe
b d
de estar
t en ffuncin
i de
d x siempre
i
o
dicho de otra forma, debe hablar de lo mismo que x.

43

III.7. Distribucin de Probabilidad

Hipergeomtrica
`

Se emplea para calcular la probabilidad de obtener

determinado nmero de xitos en un espacio muestral de n
ensayos; pero a diferencia de la distribucin binomial es que
los datos de la muestra se extraen sin reemplazo en una
poblacin finita.
finita
Por esto es que el resultado de una observacin depende o es
afectado por el resultado de cualquier otra u otras
observaciones
b
i
anteriores.
i
La distribucin hipergeomtrica se emplea para muestreos sin
p
de una ppoblacin finita cuya
y pprobabilidad de
reemplazo
ocurrencia cambia a lo largo del ensayo.
Es especialmente til en todos aquellos casos en los que se
extraigan muestras o se realizan experiencias repetidas sin
devolucin del elemento extrado o sin retornar a la situacin
experimental inicial.
44

III.7. Distribucin de Probabilidad

Hipergeomtrica
Modeliza , de hecho, situaciones en las que se repite un
nmero

determinado
d
i d de
d veces una prueba
b dicotmica
di i de
d
manera que con cada sucesivo resultado se ve alterada la
probabilidad de obtener en la siguiente prueba uno u otro
resultado.
Es una distribucin fundamental en el estudio de muestras
pequeas de poblaciones pequeas y en el clculo de
probabilidades de, juegos de azar y tiene grandes
aplicaciones
li i
en ell controll d
de calidad
lid d en otros procesos
experimentales en los que no es posible retornar a la
situacin de partida.
partida

45

III.7. Distribucin de Probabilidad

Hipergeomtrica
La distribucin hipergeomtrica puede derivarse de un proceso
experimental puro o de Bernouilli con las siguientes
caractersticas:
El proceso consta de n pruebas , separadas o separables de entre un
conjunto de N pruebas posibles.
posibles
` Cada una de las pruebas puede dar nicamente dos resultados
mutuamente excluyentes: A y no A.
` En la primera
rimera prueba
r eba las probabilidades
r babilidades ssonn :P(A)= p y P(A)= q;; con
c n
p+q=l.
Las probabilidades de obtener un resultado A y de obtener un
resultado no A varan en las sucesivas pruebas
pruebas, dependiendo de los
resultados anteriores.
` (Derivacin de la distribucin) . Si estas circunstancias a leatorizamos
de forma que la variable aleatoria X sea el nmero de resultados A
obtenidos en n pruebas la distribucin de X ser una
Hipergeomtrica de parmetros N, n, p as X=>H(N, n, P)
`

46

III.7. Distribucin de Probabilidad

Hipergeomtrica
Definicin
La distribucin de probabilidad de la variable aleatoria
hipergeomtrica X, el nmero de xitos en una muestra de
tamao n seleccionada de N posibles resultados, de los
cuales k son considerados como xitos y N k como
ffracasos es:
k N k

x nx
h( x; N , n, k ) =
N

n

47

x = 0,1,2 n

III.7. Distribucin de Probabilidad

Hipergeomtrica
`

La media es:

nkk
E (x ) = =
N

La varianza es:
k
N n k
1

N
1
N

2 = n

48

III.7. Distribucin de Probabilidad

Hipergeomtrica
Ejemplo:
a)Cul es la probabilidad de que una mesera se
rehse a servir bebidas alcohlicas nicamente a
dos menores de edad si verifica aleatoriamente solo
5 identificaciones de entre 9 estudiantes, de los
cuales
l 4 no tienen
i
la
l edad
d d suficiente?,
fi i
?
b) Cal es la probabilidad de que como mximo 2
d llas id
de
identificaciones
ifi
i
pertenezcan a menores de
d
edad?

49

III.7. Distribucin de Probabilidad

Hipergeomtrica
Solucin:
a) N = 9 total de estudiantes
a = 4 estudiantes menores de edad
n = 5 identificaciones seleccionadas
x = variable que nos define el nmero de identificaciones
que pertenecen
t
a personas menores de
d edad
d d
x = 0, 1, 2, 3 o 4 identificaciones de personas menores de
edad

50

III.7. Distribucin de Probabilidad

Hipergeomtrica
b)
N = 9 total de estudiantes
a = 4 estudiantes menores de edad
n = 5 identificaciones seleccionadas
x = variable que nos define el nmero de identificaciones
que pertenecen
t
a personas menores de
d edad
d d
x = 0, 1, 2, 3 o 4 identificaciones de personas menores de
edad

51