Distribuciones de Probabilidad Discreta

ESTADÍSTICA DESCRIPTIVA
Distribuciones de Probabilidad
Jorge Alberto Barón Cárdenas
Universidad de Córdobas
Monterı́a - Córdoba
26 de octubre de 2018
Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 1 / 41

Tabla de Contenido
1 Distribuciones de Probabilidad
Distribuciones de Probabilidad de Variables Discretas
Distribución Binomial
Distribución Multinomial
Distribución Geométrica
Distribución Binomial Negativa
Distribución Hipergeométrica
Distribución de Poisson
Referencias

Distribuciones de Probabilidad Distribuciones de Probabilidad de Variables Discretas
Ensayo Bernoulli
Un ensayo Bernoulli es un experimento aleatorio que tiene solo dos
resultados posibles, denominados “éxito” y “fracaso”. La probabi-
lidad de éxito se denota por p.

Ejemplos de ensayos tipo Bernoulli:
1 Lanzar una moneda y registrar si sale sello (éxito) o cara
(fracaso)
2 Examinar una rata de laboratorio después de someterla a
cierta dieta y registrar si desarrolló cáncer (éxito) o no
(fracaso).
3 Un cliente decide comprar (éxito) o no (fracaso) un producto
después de la intervención de un vendedor.
4 Un insecto se somete a cierta concentración de un veneno
durante 30 minutos y al final se registra si sobrevive o no.
5 Se elige una persona al azar del censo electoral y se le
pregunta si votará (éxito) por cierto candidato o no (fracaso).

Experimento Binomial
Un experimento que consiste de:
n experimentos tipo Bernoulli.
Independientes.
La probabilidad de éxito, p, permanece constante.
Recibe el nombre de experimento binomial.
1 Lanzar tres monedas y contar el número de sellos (éxitos).

2 Examinar 20 ratas de laboratorio después de someterlas a
cierta dieta y registrar cuántas desarrollaron cáncer (éxitos).
3 Después de la intervención de un vendedor a 10 clientes,
registrar cuántos deciden comprar (éxitos) un producto.
Definición:
La variable aleatoria X definida como el número de éxitos obtenidos
en los n ensayos tiene una distribución binomial con parámetros p
y n, con función de probabilidad dada por:
P (X = x) = nx px (1 − p)n−x , x = 0, 1, 2, ..., n

n
n!
Donde x
=
(n − x)!x!
Valor esperado y Varianza de una Binomial

Si X tiene distribución binomial de parámetros p y n entonces:
E (X) = np V ar (X) = np (1 − p)
Ejemplo 1:
Supongamos que la probabilidad de tener una unidad defectuosa en
una lı́nea de ensamblaje es de 0.05. Si un conjunto de 10 unidades
terminadas constituyen ensayos independientes:
1 ¿Cuál es la probabilidad de que dos se encuentren
defectuosas?
2 ¿De que a lo sumo dos se encuentren defectuosas?
3 ¿Cual es la probabilidad de que por lo menos una se
encuentre defectuosa?
4 Calcule el valor esperado y la varianza

Solución
Definamos: X: Número de unidades defectuosas de las 10
terminadas.
Luego n = 10, p = 0,05
P (X = x) = 10x
0,05x (1 − 0,05)10−x , x = 0, 1, 2, ..., 10

1. ¿Cuál es la probabilidad de que dos se encuentren defectuosas?
P (X = 2) = 10 0,052 (1 − 0,05)10−2 = (45) (0,052 ) (0,958 ) =

2
0,0746
2. ¿De que a lo sumo dos se encuentren defectuosas?
P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2)

10 10−0 10
= 0
0,05 (1 − 0,05) + 0,051 (1 − 0,05)10−1
0 1

10
+ 0,052 (1 − 0,05)10−2
2
= 0,5987369 + 0,3151247 + 0,0746348
= 0,9885
3. ¿Cual es la probabilidad de que por lo menos una se encuentre

defectuosa?
P (X ≥ 1) = 1 − P (X < 1)
= 1 − P (X = 0)

10
=1− 0,050 (1 − 0,05)10−0
0
= 1 − 0,5987369
= 0,4013

Valor esperado y varianza

E (X) = np=(10) (0,05) = 0,5
V ar (X) = np (1 − p) = (10) (0,05) (1 − 0,05) = 0,475

Ejemplo 2:
La experiencia ha demostrado que el 30 % de todas las personas
afectadas por cierta enfermedad, se recupera. Una compañı́a far-
macéutica desarrolló una vacuna. Se seleccionaron al azar 12 per-
sonas con la enfermedad en cuestión y se les administró la vacuna.
Supóngase que la vacuna es completamente ineficaz.
1 ¿Cuál es la probabilidad de que ninguna de las 12 personas
afectadas se recuperen?
2 ¿Cuál es la probabilidad de que todas las personas
seleccionadas se recuperen?
3 ¿Cuál es la probabilidad de que al menos 10 de las 12
personas enfermas se recuperen?
4 Calcular el valor esperado y la varianza.
Solución
Definamos:
X: Número de personas que se recuperan de las 12 seleccionadas.
Luego n = 12, p = 0,3
P (X = x) = 12 0,3 (1 − 0,3)12−x , x = 0, 1, 2, ..., 12

x
x

¿Cuál es la probabilidad de que ninguna de las 12 personas

infectadas se recuperen?
P (X = 0) = 12 0,3 (1 − 0,3)12−0 = (1) (0,30 ) (0,712 ) = 0,0138
0
0
¿Cuál es la probabilidad de que todas las personas seleccionadas

se recuperen?
P (X = 12) = 12 0,3 (1 − 0,3)12−12 = (1) (0,312 ) (0,70 ) =
12
12
5,31441 × 10−7

¿Cuál es la probabilidad de que al menos 10 de las 12 personas
enfermas se recuperen?
P (X ≥ 10) = P (X = 10) + P (X = 11) + P (X = 12)

= 1,909645 × 10−4 + 1,488035 × 10−5 + 5,314410 × 10−7
= 0,0002063763

E (X) = np=(12) (0,3) = 3,6
V ar (X) = np (1 − p) = (12) (0,3) (1 − 0,3) = 2,52

Definición: Un experimento se dice multinomial, si cada prueba

tiene más de dos resultados posibles. Por ejemplo:
La clasificación de un producto fabricado como ligero, pesado
o aceptable.
El registro de los accidentes de tránsito en una ciudad, de
acuerdo con el dı́a de la semana.

Si un ensayo dado puede producir los k resultados E1 , E2 , ..., Ek

con probabilidades p1 , p2 , . . . , pk , entonces la distribución de proba-
bilidad de las variables aleatorias X1 , X2 , ..., Xk , que representa el
número de ocurrencias para E1 , E2 , ..., Ek n en n ensayos indepen-
dientes, es:

n
f (x1 , x2 , . . . , xk ) = px1 1 px2 2 . . . pxkk
x1 , x2 , . . . , xk
donde:
k k
X X n n!
xi = n; pi = 1 y =
i=1 i=1
x1 , x2 , . . . , xk x1 !x2 ! . . . xk !

Ejemplo
La complejidad de las llegadas y las salidas de los aviones en un
aeropuerto es tal que a menudo se utiliza la simulación por compu-
tadora para modelar las condiciones “ideales”. Para un aeropuerto
especı́fico que tiene tres pistas se sabe que, en el escenario ideal, las
probabilidades de que las pistas individuales sean utilizadas por un
avión comercial que llega aleatoriamente son las siguientes:
Pista 1: p1 = 2/9
Pista 2: p2 = 1/6
Pista 3: p3 = 11/18
¿Cuál es la probabilidad de que 6 aviones que llegan al azar se
distribuyan de la siguiente manera?
Pista 1: 2 aviones
Pista 2: 1 avión
Pista 3: 3 aviones
Ejemplo
Solución:
Como el aeropuerto tiene tres pistas de aterizaje, implica q se tienen
tres posible resultados para el experimento planteado, cada uno con
las probabilidades asignadas, luego la probabilidad de que 6 aviones
que llegan al azar se distribuyan de la manera establecida, se puede
calcular asumiendo una distribución multinomial, ası́: n = 6, x1 =
2, x2 = 1 y x3 = 3, luego:
2 1 3

6 2 1 11
P (x1 = 2, x2 = 1, x3 = 3) =
2, 1, 3 9 6 18
2 1 3
6! 2 1 11
= = 0,1127
2!1!3! 9 6 18

Definición:
Suponga que se tiene:
Una serie de ensayos Bernoulli independientes.
Con probabilidad de éxito constante.
Si X: es el número de ensayos necesarios hasta obtener el
primer éxito.
Entonces X tiene una distribución geométrica con parámetro p y
P (X = x) = p (1 − p)x−1 con x = 1, 2, ...

Teorema
Si X es una variable aleatoria geométrica con parámetro p
entonces:
1
E (X) = p
1−p
V ar (X) = p2

Ejemplo 1:
Cada 10 minutos se verifica el volumen de llenado de las latas que
salen de una máquina llenadora automática. La evaluación con-
tinúa hasta que se encuentre una lata que no cumpla con las es-
pecificaciones. Si la probabilidad de que una lata no cumpla las
especificaciones es del 5 % (proporción de latas que no cumplen)
1 ¿Cuál es la probabilidad de que se tengan que probar
exactamente 100 latas para encontrar la primera que no
cumple?
2 ¿Cual es la probabilidad de que se tenga que probar más de 3
latas para encontrar la primera que no cumple las
especificaciones?

Solución
Definamos:
X: Número de pruebas que es necesario realizar hasta encontrar la
primera que no cumple las especificaciones.
Luego p = 0,05
P (X = x) = 0,05 (1 − 0,05)x−1 , x = 1, 2, ...

¿Cuál es la probabilidad de que se tengan que probar exactamente
100 latas para encontrar la primera que no cumple?
P (X = 100) = 0,05 (1 − 0,05)100−1 = 0,0003116
¿Cual es la probabilidad de que se tenga que probar más de 3 latas

para encontrar la primera que no cumple las especificaciones?
P (X > 3) = 1 − P (X ≤ 3)
= 1 − [P (X = 1) + P (X = 2) + P (X = 3)]
= 1 − [0,05 + 0,0475 + 0,045125]
= 1 − 0,142625
= 0,857375

1 1
E (X) = p
= 0,05
= 20
1−p 1−0,05
V ar (X) = p2
= 0,052
= 380

Ejemplo 2:
Un matrimonio quiere tener una niña, y por ello deciden tener hijos
hasta el nacimiento de una niña. Calcular el número esperado de
hijos (entre varones y hembras) que tendrá el matrimonio. Calcular
la probabilidad de que la pareja acabe teniendo tres hijos o más.
Solución
Definamos:
X: Número de hijos que tiene el matrimonio hasta tener una niña.
Luego p = 12 = 0,5
P (X = x) = 0,5 (1 − 0,5)x−1 , x = 1, 2, ...

Número esperado de hijos
1 1
E (X) = p
= 0,5
=2
La probabilidad de que la pareja acabe teniendo tres hijos o más.
P (X ≥ 3) = 1 − P (X < 3)
= 1 − P (X ≤ 2)
= 1 − [P (X = 1) + P (X = 2)]
= 1 − [0,5 + 0,25]
= 1 − 0,75
= 0,25

Definición:
Suponga que se tiene:
Una serie de ensayos Bernoulli independientes.
Con probabilidad de éxito constante.
X es el número de ensayos realizados hasta que se obtienen r
éxitos
Entonces X tiene una distribución binomial negativa con
parámetros r y p (r = 1, 2, ...)
P (X = x) = x−1 p (1 − p)x−r x = r, r + 1, r + 2, ...

r
r−1

Teorema
Si X es una variable aleatoria con distribución binomial negativa
de parámetros r y p entonces:
r
E (X) = p
r(1−p)
V ar (X) = p2


Ejemplo 1:
En un departamento de control de calidad se inspeccionan las uni-
dades terminadas que provienen de una linea de ensamble. Se piensa
que la proporción de unidades defectuosas es del 5 %.
1 ¿Cuál es la probabilidad de que sea necesario inspeccionar 20
unidades hasta encontrar 2 defectuosas?
2 ¿Cuál es el valor esperado y la varianza del número de
inspecciones que es necesario hacer hasta encontrar dos
defectuosas?
Solución
Sea X el número de unidades inspeccionadas hasta encontrar dos
defectuosas.
Luego r = 2 y p = 0,05
¿Cuál es la probabilidad de que sea necesario inspeccionar 20

unidades hasta encontrar 2 defectuosas?
P (X = 20) = 20−1 0,052 (1 − 0,05)20−2 = 0,0189

1
¿Cuál es el valor esperado y la varianza del número de

inspecciones que es necesario hacer hasta encontrar dos
defectuosas?
E (X) = pr = 0,05
2
= 40
(2)(1−0,05)
V ar (X) = 0,052
= 760

Distribución Hipergeométrica
La distribución de probabilidad de la variable aleatoria hiper-

geométrica X, el número de exitos en una muestra aleatoria de
tamaño n que se selecciona de N elementos de una población, en
los que k se denominan exitos y N − k fracasos , es:
k N −k

x n−x
f (x) = N
; max {0, n − (N − k)} ≤ x ≤ min {n, k}
n

Ejemplo
Lotes con 40 componentes cada uno que contengan 3 o más defec-

tuosos se consideran inaceptables. El procedimiento para obtener
muestras del lote consiste en seleccionar 5 componentes al azar y
rechazar el lote si se encuentra un componente defectuoso. ¿Cuál
es la probabilidad de, que en la muestra, se encuentre exactamente
un componente defectuoso, si en todo el lote hay 3 defectuosos?

Ejemplo
Si utilizamos la distribución hipergeométrica con n = 5, N = 40,

k = 3 y x = 1, encontramos que la probabilidad de obtener un
componente defectuoso es:
3 40−3

1 5−1 (3)(66045)
P (X = 1) = 40
= 658008
= 0,3011
5

Distribución de Poisson:
Modelo probabilı́stico adecuado para evaluar la probabilidad de
ocurrencia de un evento en intervalos de tiempo, longitud, superficie
o volumen.
Por ejemplo:
Número de accidentes por semana en un tramo de carretera.
Número de baches en cada 100 kilómetros lineales de
carretera.
Número de solicitudes de atención de urgencia en una clı́nica
en un dı́a.
La variable aleatoria de interés, X es el número de veces que un
evento ocurre por unidad de tiempo, longitud, superficie, volumen,
etc.
Distribución de Poisson:
Si X es la variable aleatoria que cuenta el número de veces que un
evento ocurre en un intervalo (o unidad de tiempo, longitud, super-
ficie, volumen, etc), y si se tiene que los eventos son independientes
y el número promedio por intervalo es λ, se dice que X tiene una
distribución de Poisson y la función de probabilidad de X es:
e−λ λx
P (X = x) = , x = 0, 1, 2, ...
x!
Teorema
Si X es una variable aleatoria con distribución Poisson de
parámetro λ entonces:
E (X) = λ V ar (X) = λ
Ejemplo:
El número de baches en una sección de carretera interdepartamen-
tal puede modelarse con una distribución de Poisson con media de
dos baches por milla.
1 ¿Cuál es la probabilidad de que halla que reparar 3 baches en
un tramo de una milla?
2 ¿Cuál es la probabilidad de que no halla baches que reparrar
en un tramo de cinco millas?
3 ¿Cual es la probabilidad que sea necesario reparar al menos
un bache en un tramo de media milla?

solución
¿Cuál es la probabilidad de que halla que reparar 3 baches en un
tramo de una milla?
Se tiene que λ = 2
e−2 23
P (X = 3) = 3!
= 0,180447

¿Cuál es la probabilidad de que no halla baches que reparrar en

un tramo de cinco millas?
Se tiene queλ = 2 para un intervalo de una milla, implica que
para un intervalo de 5 millas λ = 10
e−10 100
P (X = 0) = 0!
= 0,0000454

¿Cual es la probabilidad que sea necesario reparar al menos un
bache en un tramo de media milla?
Se tiene queλ = 2 para un intervalo de una milla, implica que
para un intervalo de media millas λ = 1
P (X ≥ 1) = 1 − P (X < 1)
= 1 − P (X = 0)
e−1 10
=1− = 0,0000454
0!
= 1 − 0,3678794
= 0,6321206
Bibliografı́a
Referencias I
Montgómery, D. (2003). Probabilidad y Estadı́stica aplicadas a la

Ingenierı́a. EDITORIAL LIMUSA.
RONALD E. WALPOLE, R. (Novena edición, 2012). Probabilidad y
estadı́stica para ingenierı́a y ciencias. PEARSON EDUCACIÓN,
México.
Webster, A. (2000). Estadı́stica aplicada a los negocios y la eco-
nomı́a. Bradley University.

Distribuciones de Probabilidad Discreta

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Distribuciones de Probabilidad Discreta

Uploaded by

Copyright:

Available Formats

ESTADÍSTICA DESCRIPTIVA

Jorge Alberto Barón Cárdenas

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 1 / 41

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 2 / 41

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 3 / 41

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 4 / 41

1 Lanzar tres monedas y contar el número de sellos (éxitos).

Valor esperado y Varianza de una Binomial

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 7 / 41

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 8 / 41

2. ¿De que a lo sumo dos se encuentren defectuosas?

3. ¿Cual es la probabilidad de que por lo menos una se encuentre

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 10 / 41

Valor esperado y varianza

V ar (X) = np (1 − p) = (10) (0,05) (1 − 0,05) = 0,475

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 11 / 41

P (X = x) = 12 0,3 (1 − 0,3)12−x , x = 0, 1, 2, ..., 12

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 13 / 41

¿Cuál es la probabilidad de que ninguna de las 12 personas

¿Cuál es la probabilidad de que todas las personas seleccionadas

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 14 / 41

P (X ≥ 10) = P (X = 10) + P (X = 11) + P (X = 12)

Valor esperado y varianza

V ar (X) = np (1 − p) = (12) (0,3) (1 − 0,3) = 2,52

Definición: Un experimento se dice multinomial, si cada prueba

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 16 / 41

Si un ensayo dado puede producir los k resultados E1 , E2 , ..., Ek

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 17 / 41

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 19 / 41

P (X = x) = p (1 − p)x−1 con x = 1, 2, ...

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 20 / 41

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 21 / 41

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 22 / 41

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 23 / 41

¿Cual es la probabilidad de que se tenga que probar más de 3 latas

Valor esperado y varianza

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 25 / 41

P (X = x) = 0,5 (1 − 0,5)x−1 , x = 1, 2, ...

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 26 / 41

La probabilidad de que la pareja acabe teniendo tres hijos o más.

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 27 / 41

Distribución Binomial Negativa

P (X = x) = x−1 p (1 − p)x−r x = r, r + 1, r + 2, ...

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 28 / 41

Distribución Binomial Negativa

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 29 / 41

Distribución Binomial Negativa

Distribución Binomial Negativa

¿Cuál es la probabilidad de que sea necesario inspeccionar 20

¿Cuál es el valor esperado y la varianza del número de

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 31 / 41

La distribución de probabilidad de la variable aleatoria hiper-

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 32 / 41

Lotes con 40 componentes cada uno que contengan 3 o más defec-

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 33 / 41

Si utilizamos la distribución hipergeométrica con n = 5, N = 40,

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 34 / 41

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 37 / 41

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 38 / 41

¿Cuál es la probabilidad de que no halla baches que reparrar en

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 39 / 41

Montgómery, D. (2003). Probabilidad y Estadı́stica aplicadas a la

Jorge A. Barón (Unicórdoba) ESTADÍSTICA DESCRIPTIVA 41 / 41

You might also like