DISTRIBUCIONES DE Variables
Discretas
PROBABILIDAD
DISTRIBUCIÓN BERNOULLI
Un ensayo Bernoulli consiste en un experimento que tiene dos
resultados posibles “éxito” o “fracaso”. La probabilidad del
éxito se denota por 𝑝 y por consecuencia la probabilidad de
fracaso será 𝑞 = 1 − 𝑝.
Para cualquier ensayo Bernoulli se define la variable aleatoria
𝑋, como sigue:
Si el resultado del experimento es un éxito entonces 𝑋 = 1
Si el resultado del experimento es un fracaso entonces 𝑋 = 0
Por lo tanto 𝑋 es una variable aleatoria discreta que sigue una
distribución de Bernoulli con parámetro 𝑝. En símbolos:
𝑋~𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖 𝑝
DISTRIBUCIÓN BERNOULLI
𝑋 0 1
𝑝 𝑥 1−𝑝 𝑝
𝐸 𝑋 = 0∙ 1−𝑝 +1∙𝑝 =𝑝
𝑉 𝑋 = E 𝑋 2 − 𝐸 2 𝑋 = 02 1 − 𝑝 + 12 𝑝 − 𝑝2
𝑉 𝑋 = 𝑝 − 𝑝2 = 𝑝 1 − 𝑝 = 𝑝 ∙ 𝑞
DISTRIBUCIÓN BINOMIAL
Supongamos que se lleva a cabo una serie de 𝑛
ensayos Bernoulli, cada uno con la misma
probabilidad de éxito 𝑝 e independientes (el resultado
de uno no afecta al resultado de los otros ensayos).
Sea 𝑋 la variable aleatoria número de éxitos en los 𝑛
ensayos, entonces 𝑋 tiene una distribución Binomial
con parámetros 𝑛 y 𝑝. En símbolos:
𝑋~𝐵𝑖 𝑛, 𝑝
DISTRIBUCIÓN BINOMIAL
𝑋~𝐵𝑖 𝑛, 𝑝
𝑛! 𝑥 1 − 𝑝 𝑛−𝑥
𝑝 𝑥 = 𝑃 𝑋 = 𝑥 = 𝑥! 𝑛 − 𝑥 ! 𝑝 𝑥 = 0,1,2, … , 𝑛
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝐸 𝑋 =𝑛∙𝑝
𝑉 𝑋 =𝑛∙𝑝∙ 1−𝑝
DISTRIBUCIÓN BINOMIAL
EJEMPLO
Se informa que en el 60% de todas las instalaciones de
calefacción solar, la facturación del servicio se reduce en al
menos un tercio.
a) ¿Cuál es la probabilidad de que en cuatro de cinco
instalaciones se haya reducido la facturación en al menos
un tercio?
b) ¿Cuál es la probabilidad de que en al menos cuatro de cinco
instalaciones se haya reducido la facturación en al menos
un tercio?
DISTRIBUCIÓN BINOMIAL
EJEMPLO
𝑋 : número de instalaciones de calefacción solar donde la
facturación se reduce en el menos un tercio.
𝑋~𝐵𝑖 5; 0,6
a) ¿Cuál es la probabilidad de que en cuatro de cinco
instalaciones se haya reducido la facturación en al menos
un tercio?
5
𝑃 𝑋=4 = 0,6 4 0,4 1 = 0,26
4
DISTRIBUCIÓN BINOMIAL
EJEMPLO
¿Cuál es la probabilidad de que en al menos cuatro de cinco
instalaciones se haya reducido la facturación en al menos un
tercio?
𝑋 : número de instalaciones de calefacción solar donde la
facturación se reduce en el menos un tercio.
𝑋~𝐵𝑖 5; 0,6
5 5
𝑃 𝑋≥4 =𝑃 𝑋=4 +𝑃 𝑋=5 = 0,6 4 0,4 1 + 0,6 5 0,4 0
4 5
𝑃 𝑋 ≥ 4 = 0,26 + 0,08 = 0,34
DISTRIBUCIÓN BINOMIAL
DISTRIBUCIÓN GEOMÉTRICA
La distribución Geométrica se relaciona con una
secuencia de ensayos Bernoulli con la diferencia de
que el número de ensayos no es fijo, de hecho, la
variable aleatoria de interés, 𝑋 , se define como el
número de ensayos requeridos para alcanzar el primer
éxito inclusive.
DISTRIBUCIÓN GEOMÉTRICA
𝑋 : cantidad de ensayos Bernoulli para alcanzar el
primer éxito
𝑋~𝐺𝑒 𝑝
𝑝 1−𝑝 𝑥−1 𝑥 = 0,1,2, … , 𝑛
𝑝 𝑥 =𝑃 𝑋=𝑥 =
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
1
𝐸 𝑋 =
𝑝
1−𝑝
𝑉 𝑋 =
𝑝2
DISTRIBUCIÓN GEOMÉTRICA
EJEMPLO
Una prueba de resistencia de soldadura consiste en poner carga
en uniones soldadas hasta que se dé una ruptura. Para cada
tipo de soldadura, 80% de las rupturas ocurre en la propia
soldadura, mientras que otro 20% se da en las vigas. Se prueba
cierto número de soldaduras. Sea 𝑋 el número de pruebas,
incluyendo la primera prueba que da como resultado la ruptura
de la viga. Calcular la probabilidad de que la ruptura de la viga
se de en la tercer prueba.
𝑋:Cantidad de pruebas hasta obtener la primera ruptura de la
viga.
𝑋~𝐺𝑒 0,2
𝑃 𝑋 = 3 = 0,8 2 0,2 = 0,128
DISTRIBUCIÓN HIPERGEOMÉTRICA
Cuando una población finita contiene dos tipos de
unidades, que pueden ser denominados como éxitos o
fracasos, y se extrae una muestra sin reemplazo de la
población, cada unidad representa un ensayo
Bernoulli. A medida que se selecciona cada unidad, la
proporción de éxitos en la población restante
disminuye o aumenta. Por esta razón, los ensayos no
son independientes. La distribución que describe
adecuadamente el número de éxitos en esta situación
se llama distribución hipergeométrica.
DISTRIBUCIÓN HIPERGEOMÉTRICA
Las suposiciones que conducen a la distribución
hipergeométrica son las siguientes:
1. La población que se va a muestrear se compone de 𝑁
individuos, objetos o elementos
2. Cada individuo puede ser caracterizado como Éxito o
fracaso y hay 𝑀 éxitos en la población
3. Se selecciona una muestra de 𝑛 individuos sin reemplazo de
tal modo que cada subconjunto de la población de tamaño 𝑛
es igualmente probable de ser seleccionado.
DISTRIBUCIÓN HIPERGEOMÉTRICA
Entonces, la variable aleatoria de interés es
𝑋 : número de éxitos en la muestra
𝑋 ~𝐻 𝑛 , 𝑀 , 𝑁
𝑀 𝑁−𝑀
𝑥 𝑛−𝑥 max 0 , 𝑛 − 𝑁 + 𝑀 ≤ 𝑥 ≤ min 𝑛 , 𝑀 ,
𝑝 𝑥 =𝑃 𝑋 =𝑥 = 𝑁
𝑛
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝑀
Teniendo en cuenta que 𝑝 =
𝑁
𝐸 𝑋 =𝑛∙𝑝
𝑁−𝑛
𝑉 𝑋 = ∙𝑛∙𝑝∙ 1−𝑝
𝑁−1
DISTRIBUCIÓN HIPERGEOMÉTRICA
EJEMPLO
De 50 edificios en un parque industrial, 12 no cumplen el
código eléctrico. Si se seleccionan sin reposición
aleatoriamente diez edificios para inspeccionarlos, ¿cuál es la
probabilidad de que exactamente tres de los diez no cumplan el
código?
𝑋: cantidad de edificios que no cumplen el código eléctrico.
𝑋~𝐻 10,12,50
12 38
𝑃 𝑋=3 = 3 7 = 0,27
50
10
DISTRIBUCIÓN POISSON
Una manera de considerar una distribución de Poisson, es
considerarla como una aproximación de la distribución Binomial
cuando 𝑛 es grande y 𝑝 es pequeña.
Ejemplo: Una masa contiene 10000 átomos de una sustancia
radiactiva. La probabilidad de que cierto átomo decaiga en un
periodo de un minuto es de 0,0002. Sea 𝑋 el número de átomos
que decae en un minuto. Por lo tanto
𝑋 ~𝐵𝑖 10000; 0,0002 y 𝐸 𝑋 = 10000 ∙ 0,0002 = 2
Ahora supongamos que otra masa contiene 5000 átomos y cada
unos de éstos tiene la probabilidad de éxito de 0,0004 de decaer
en un inter valo de un minuto. Sea 𝑌 el número de átomos de esta
masa que decae por minuto. Entonces
𝑌 ~𝐵𝑖 5000; 0,0004 y 𝐸 𝑋 = 5000 ∙ 0,0004 = 2
DISTRIBUCIÓN POISSON
En ambos casos, el número de ensayos 𝑛 y la probabilidad de
éxito 𝑝 son distintas, sin embargo coinciden en su valor
esperado 𝑛𝑝.
Ahora suponga que queremos calcular la probabilidad de sólo
tres átomos decaigan en un minuto para cada una de estas
masas:
10000
𝑃 𝑋=3 = 0,0002 3 0,9998 9997 = 0,180465091
3
5000
𝑃 𝑌=3 = 0,0004 3 0,9996 9997 = 0,180483143
3
Estas probabilidades son casi iguales, ¿a qué se debe?
DISTRIBUCIÓN POISSON
Es posible probar que cuando 𝑛 es grande y 𝑝 es pequeña, la
función masa depende por completo de la media 𝑛 ∙ 𝑝, y muy
poco de los valores específicos de 𝑛 y 𝑝. Por consiguiente, se
puede aproximar la función puntual binomial con una cantidad
que dependa sólo de 𝑛 ∙ 𝑝.
Específicamente cuando 𝑛 es grande, 𝑝 pequeño y 𝜆 = 𝑛 ∙ 𝑝, se
puede demostrar que:
−𝜆
𝑛 𝑥 𝑒
𝑝 1 − 𝑝 𝑛−𝑥 ≈ 𝜆𝑥
𝑥 𝑥!
Nota: Como regla empírica, esta aproximación puede ser
aplicada con seguridad si 𝑛 > 50 y 𝑛 ∙ 𝑝 < 5
DISTRIBUCIÓN POISSON
Lo que conduce a la definición de una distribución de probabilidad,
denominada función puntual de probabilidad de Poisson:
𝑒 −𝜆 𝑥
𝑝 𝑥 = 𝑃 𝑋 = 𝑥 = 𝑥! 𝜆 𝑠𝑖 𝑥 = 0,1,2, . .
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝑋 ~𝑃𝑜 𝜆
𝐸 𝑋 =𝜆
𝑉 𝑋 =𝜆
DISTRIBUCIÓN POISSON
EJEMPLO
En una ciudad dada, 6% de todos los conductores reciben al
menos una multa por año por estacionarse mal . Determine las
probabilidades de que, entre 80 conductores elegidos al azar:
a) Cuatro recibirán al menos una multa por estacionarse mal
en un año dado.
b) Al menos recibirán al menos una multa por estacionarse
mas en algún año dado.
DISTRIBUCIÓN POISSON
EJEMPLO
𝑋: número de personas que reciben al menos una multa en un
año dado.
𝑛 = 80 ∙ 0,06 = 4,8
𝑋~𝑃𝑜 4,8
a) Cuatro recibirán al menos una multa por estacionarse mal
en un año dado.
𝑒 −4,8 4,8 4
𝑃 𝑋=4 = = 0,18
4!
b) Al menos tres recibirán al menos una multa por estacionarse
mas en algún año dado.
𝑃 𝑋≥3 =1− 𝑃 𝑋=0 +𝑃 𝑋=1 +𝑃 𝑋=2
𝑒 −4,8 4,8 0 𝑒 −4,8 4,8 1 𝑒 −4,8 4,8 2
𝑃 𝑋≥3 =1− + +
0! 1! 2!
𝑃 𝑋 ≥ 3 = 1 − 0,18 + 0,39 + 0,09 = 0,34
