Estadstica y Probabilidades

Modelos de probabilidad
aleatorias discretas

para

variables

DanielMavila@yahoo.es

Bibliografa recomendada: Cordova, Manuel. 2003. Estadstica:

Descriptiva e Inferencial. Ed. Moshera S.R.L. 5ta edicin. Pp 202 278

Experimento
Un experimento o fenmeno es determinista si se obtiene el
mismo resultado cuando se repite el experimento en las mismas
condiciones. Ejemplo: Si dejamos caer una piedra desde una
ventana sabemos, sin lugar a dudas, que la pelota bajar. Si la
arrojamos hacia arriba, sabemos que subir durante un
determinado intervalo de tiempo; pero despus bajar.
Un experimento o fenmeno es aleatorio (o estocstico) cuando
al repetir el experimento en igualdad de condiciones los
resultados varan, a pesar de mantener constantes las
condiciones con las que se realiza el experimento.

Variable aleatoria, variable estocstica, variable de

probabilidad, variante

Una variable aleatoria X es una funcin numrica que

asocia a cada suceso del espacio muestral E de un
experimento aleatorio un valor numrico real.

X :E
w X ( w)
Llamar variable a una funcin resulta algo confuso, por
ello hay que insistir en qu es una funcin.

Las v. a. se pueden clasificar en:

DISCRETAS, cuyo rango es un conjunto

finito o infinito numerable de valores.
Provienen de contar, solamente pueden ser
representados con nmeros enteros.
CONTINUAS, cuyo rango es un conjunto
finito no numerable de valores. Provienen de
medir, se pueden representar con nmeros
enteros o fraccionarios. Entre dos valores
siempre existe un numero intermedio.

Ejemplo de variable aleatoria discreta:

Nmero de caras al lanzar tres

monedas (fenmeno aleatorio).
Elementos del
espacio muestral
sucesos o
eventos

+++

++C +C+

C++

CC+

C+C

+CC CCC

Ley de
correspondencia

Nmeros reales
(# de caras)

3 caras

Establecer una variable aleatoria para un experimento

aleatorio no es ms que una forma de asignar de "manera
natural" nmeros a los eventos. Tienen un nmero fijo de
valores.

La v. a. es una funcin que atribuye a cada evento un

nmero que no es aleatorio, sino fijo y
predeterminado; lo que es aleatorio es el resultado
del experimento sobre cuyo espacio muestral se
define la v. a.
Ejemplo:
Dado el espacio muestral de lanzar un dado las veces
que sean necesarias hasta obtener el nmero 2.
S = D, ND, NND, NNND, ...
La funcin X definida como el nmero de
lanzamientos realizados hasta que d 2 es una v. a.
cuyo rango (dominio) es el conjunto:

Rx = 1; 2; 3; ...

Ejemplos

EXPERIMENTO
Almacen con 50 rboles
de navidad

RESULTADO

VARIABLES
ALEATORIAS

GAMA DE
VARIABLES
ALEATORIAS

N de rboles de navidad X= N de rboles de

0,1,2 50
vendidos
navidad vendidos
Y= N de artculos
Inspecccionar 600 artculos
N de artculos aceptables
0,1,2 600
aceptables
Z= N de personas que
N de personas que que
Enviar 5 000 cartas de ventas
que responden a las
0,1,2 5 000
responden a las cartas
cartas
% de construccin
R= % de construccin
Construir un edificio de departamentos completado en cuatro completado en cuatro
0 R 100
meses
meses
Tiempo de duraccin del S= tiempo que funciona el
Probar la vida de un foco (en min.)
0 S 80 000
foco hasta 80 000
foco

Ejemplos

EXPERIMENTO

Estudiantes que
contestan un
cuestionario

Se inspecciona una
mquina
Consumidores
responden cunto
les agrada un

VARIABLE
ALEATORIA

RESULTADO
Muy de acuerdo (MA)
De acuerdo (A)
Neutral (N)
En desacuerdo (D)
Muy en desacuerdo
(MD)

X=

1 si MD

Defectuoso
Y=
No defectuoso
Mucho
Promedio
Poco

5 si MA
4 si A
3 si N
2 si D

GAMA DE
VARIABLES
ALEATORIAS
1; 2; 3; 4 y 5

Z=

0 si
defectuoso
1 si no
defectuoso
3 si mucho
2 si promedio
1 si poco

0y1

1; 2 y 3

Requerimientos de una distribucin de

probabilidad
X

P(X)

P(X)

P(X)

-1
0
1
2
3

.1
.2
.4
.2
.1
1.0

-1
0
1
2
3

-.1
.3
.4
.3
.1
1.0

-1
0
1
2
3

.1
.3
.4
.3
.1
1.2

0 p( x) 1 para todo x

p( x) 1
x

DISTRIBUCIONES DE PROBABILIDAD DISCRETA

La distribucin de probabilidad para una variable aleatoria
discreta puede ser:
1.- Una relacin terica de resultados y probabilidades que se
puede obtener de un modelo matemtico y que representa
algn fenmeno de inters.
2.- Una relacin emprica de resultados y sus frecuencias
relativas observadas.
3.- Una relacin subjetiva de resultados relacionados con sus
probabilidades subjetivas o artificiales que representan el
grado de conviccin del encargado en tomar decisiones sobre
la probabilidad de posibles resultados.

Las ms tiles son:

1.- La distribucin de probabilidad uniforme discreta o
rectangular.
2.- La distribucin de probabilidad de Bernoulli.
3.- La distribucin de probabilidad Binomial.

4.- La distribucin de probabilidad Hipergeomtrica.

5.- La distribucin de probabilidad de Poisson.

Funcin masa (ley o modelo o distribucin) de probabilidad

(funcin de cuanta, funcin de probabilidad) de una v. a.
discreta

Se denomina funcin de probabilidad de una v. a.

discreta X a una funcin f(x) que asigna a todo X un
nmero real x, tal que la probabilidad de que X asuma
ese valor:
FDP = f(x) = p = P(X = x) = P(X = y)
Ejemplo: Si hablamos del nmero de caras al lanzar
dos monedas, tenemos:
Rx = 0; 1; 2
Esp. Muestral = cc, cs, sc, ss
f(0) = P(X = 0) = 1/4
f(1) = P(X = 1) = 1/2
f(2) = P(X = 2) = 1/4

Variable Aleatoria Discreta

Aun si el espacio muestral es infinito numerable,
tambin podemos definir una variable aleatoria discreta y
una funcin de probabilidad.
Ejemplo: Sea X = Nmero de lanzamientos de una
moneda antes de que aparezca una cara.
Entonces:
P(X = 1) = P(C) = 1/2
P(X = 2) = P(+C) = 1/2 . 1/2 = 1/4
P(X = 3) = P(++C) = 1/2 . 1/2 . 1/2 = 1/8
...
y en general P(X = n) = (1/2)n, n = 1; 2, n

Sea el experimento lanzar dos dados. Definamos el espacio muestral E como:

E = {(1;1),(1; 2),...(1; 6),...,(5; 6),(6;6)}

Definamos la variable aleatoria discreta X como:

con S = {2; 3; ... ;12} la suma de puntos.

Una posible funcin de probabilidad (funcin de cuanta):

f : [0;1]
f ( 2) P(X 2 ) P( (1;1) ) 1/ 36
f (3) P(X 3 ) P( (1;2) ( 2;1) ) 2 / 36
f ( 4) P(X 4 ) P( (1;3) (3;1) ( 2;2) ) 3 / 36
...

Funcin de distribucin acumulada para una v.a.

(Distribucin de probabilidad acumulada)
Dada una variable aleatoria discreta X se llama
funcin de distribucin a la funcin F definida
como:

F : [0;1]
x FDA F ( x ) P( X x )
En el ejemplo de la suma de los dos dados:

F(5) = P(X 5) = P(X = 2 o X = 3 o X = 4 o X = 5)

F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36

Experimento I: Se lanza tres veces una moneda y

definimos la variable aleatoria X como el nmero de caras
que se obtienen.

Se pide:
-Determina el espacio muestral
-Determina la funcin de probabilidad
-Determina la funcin de distribucin
-Grafica ambas funciones

Experimento II: Se lanzan dos veces un dado clsico y

definimos la variable aleatoria X como la diferencia de
puntos entre la primera y la segunda tirada.

Se pide:
-Determina el espacio muestral
-Determina la funcin de probabilidad
-Determina la funcin de distribucin
-Grafica ambas funciones

Algunos problemas de probabilidad estn relacionados

con la probabilidad P(a < X b) de que X asuma algn
valor en un intervalo (a, b]. Observa que:

P(a < X b) = F(b) - F(a)

En el ejemplo de los dos dados, calcula la probabilidad de
que los dos dados sumen al menos 4 pero no ms de 8:

P(3 < X 8) = F(8) - F(3) = 26/36 - 3/36 = 23/36

Ejercicio:
1) Sea X la v. a. que describe el lanzamiento de un dado
cargado. La distribucin de probabilidad de X est dado
por:
P(X=1) = P(X=2) = 1/6; P(X=3) =1/12; P(X=4) =
P(X=5) = ; P(X=6) = ?.
a) Determina f(X). b) Establece F(X).
c) Grafica
ambas funciones. d) Halla P(3 <= X < 5).

VALOR ESPERADO (ESPERANZA

MATEMTICA)

La media de una v. a. X o media de la distribucin de

probabilidad de X se denota por x. A esta media
tambin se le denomina Valor Esperado de X o
Esperanza Matemtica de X, E(X).

Propiedades

Combinando estas propiedades:

VALOR ESPERADO (ESPERANZA MATEMTICA)

La media de una v. a. discreta X con funcin masa de

probabilidad f(x) es la expresin:
= E(X) = xi f(xi)
La media de una v. a. continua X con funcin de densidad
f(x) es la expresin:
= E(X) =

x f(x) dx

Ejemplo 1:

La demanda anual en miles de unidades de cierto

artculo de la empresa Somos Lorna SAC es una v. a.
continua X cuya funcin de densidad es:
f(x) = 2x/3 1< = x < = 2
Hallar E(X)
E(X) =

x * 2x/3 * dx = 2x3/9 = 14/9 miles de

unidades, es decir la demanda promedio esperada en

los prximos aos es:

1 000 (14/9) = 1 556 unidades anuales

Ejemplo2:

Calcular la media de la distribucin de probabilidad

de la v. a. X que se define como el nmero de caras
cuando se lanzan 4 monedas. Solucin:

x
f(x)

=
0
1
2
3
4
= 1/16 4/16 6/16 4/16 1/16

Clculo de la E(X):

E(X) = 0*(1/16) + 1*(4/16) + 2*(6/16) +

+ 3*(4/16) + 4*(1/16)
E(X) = 2
Interpretacin: ______________________________

Ejemplo 3:
Para el caso anterior, donde:

x
f(x)

=
0
1
2
3
4
= 1/16 4/16 6/16 4/16 1/16

Calcular E(X2) = x2ip(xi) (Frmula que servir para

calcular la varianza esperada).

E(X2) = 0*(1/16) + 1*(4/16) + 4*(6/16) + 9*(4/16) +

16*(1/16)
E(X2) = 5,00

VARIANZA Y DESVIACIN ESTNDAR DE UNA V. A.

La varianza de una v. a. X se denota por 2x, Var(X).

Es la diferencia entre el valor esperado de la v. a. al
cuadrado y la esperanza o valor esperado al cuadrado
de la misma variable. La desviacin estndar x, es
la raz cuadrada de la varianza.
V(X) = E(X2) - [E(X)]2 = x2ip(xi) - 2
Entonces, del ejemplo 2 (nmero de caras cuando se
lanzan 4 monedas) la varianza es:

V(X) = 5,00 - (2)2 = 1,00

Ejercicio 1
La empresa La Fuerza de la Sazn est interesada en
seleccionar una mquina para atender la demanda de
artefactos electrodomsticos con etiquetas de eficiencia
A
energtica
, al menor costo posible. Existen dos
alternativas a considerar. Una consiste en adquirir la
mquina A, cuyo funcionamiento implicara un costo fijo
anual de S/.2 400 ms S/.20 la unidad producida; y la
otra alternativa es comprar la mquina B, con un costo
fijo de S/.1 500 anuales y S/.25 la unidad de producto.
Las ventas anuales proyectadas tendran uno de los
siguientes escenarios: 80; 120 160 unidades; con una
probabilidad de ocurrencia de 35%, 50% y 15%,
respectivamente. Con la informacin proporcionada
determina la mquina ms conveniente.
Nota: A los artefactos electrodomsticos se les agrega la
etiqueta de eficiencia energtica (Cdigos A hasta G) y
colores, los cuales permiten ahorrar energa durante su vida
til y de paso contribuyen con el cuidado del medio
ambiente.

Ejercicio 2

La probabilidad de xito de las ventas de un artculo

elaborada por la empresa GRRR SAA es y su
respectiva fabricacin se puede realizar con marca
propia o de terceros.
Por el contrario si se fabrica con marca propia el costo
de I & D es de US$3 000; los ingresos seran de
US$15000 o US$5 000, segn sea exitoso o fracaso el
negocio. Los costos operativos seran de US$4 200
anuales.
Si se contrata la marca (franquicia), se paga un derecho
por 5% de los ingresos, los que seran US$20 000 y
US$8 000, segn se tenga xito o fracaso. Los costos
operativos son los mismos que la opcin de producir con
marca propia.

Ejercicio 2 (...)

Con la informacin planteada contesta:

1. La empresa GRRR debe trabajar con marca
propia o con marca de terceros?
2. Cul sera la probabilidad de xito, para que
sea indiferente producir con marca propia o con
marca de terceros?.
3. Cul sera la tasa de derecho de la marca
alquilada, para que las alternativas de producir
sean equivalentes?

Juegos de azar
A un juego de azar podemos asignarle una variable aleatoria X,
cuyos valores son las ganancias correspondientes a los
posibles resultados. La esperanza matemtica de la variable
aleatoria X representa el beneficio medio o ganancia media
que se obtiene en cada jugada cuando se juega un nmero
elevado de veces.
Si la esperanza matemtica es 0 se dice que el juego es justo.
Si es mayor que 0 se dice que el juego es favorable al jugador.
Si es menor que 0 se dice que perjudica al jugador y no es
favorable.

Ejemplo. Sea el juego que consiste en sacar una bola de una

urna que contiene 7 bolas rojas y 3 bolas negras. Ganamos
S/.50 si la bola extrada es roja (R) y pagamos S/.150 en el
caso de que sea negra (N). Qu podemos esperar si jugamos
muchas veces?

Ejemplo (...)
Espacio muestral E = {R, N}. Consideramos las ganancias
como positivas y las prdidas negativas:
Variable aleatoria X

Funcin de probabilidad

50

0,7

-150

0,3

50 0,7 (150) 0,3 10

Prdida promedio

Ejemplo.
Una compaa de seguros tiene que determinar el gasto medio
por pliza suscrita por una constructora, sabiendo que cada ao
una de cada 10 000 plizas termina en una reclamacin de
S/.20 millones, una de cada 1 000 en S/.5 millones, una de cada
50 en S/.200 000 y el resto en S/.0; Halla E(X).

1
1

7
6
2 10
5 10

10000
1000

1 9789

5
2 10 0
11000
50 10000

Interpretacin: ______________________________

Esperanza matemtica o media

x j p( x j )

(Distribucin discreta)

xp ( x)dx

(Distribucin continua)

Decimos que una distribucin es simtrica si existe un valor c

tal que para cada real x: p (c + x) = p(c - x).
Observa que si una distribucin es simtrica con respecto a c,
entonces su media es igual a c.

Varianza y desviacin tpica

2 ( x j ) 2 p( x j )

(Distribucin discreta)

2 ( x ) 2 p( x)dx

(Distribucin continua)

La desviacin tpica o estndar es el valor positivo de la raz

cuadrada de 2 . Ambas miden la dispersin de la distribucin.
La varianza siempre es 2 > 0, excepto para una distribucin
con p(x) = 1 en un punto y p(x) = 0 en el resto (una distribucin
delta de Dirac), en cuyo caso 2 = 0.

Distribucin de probabilidad de Bernoulli

(distribucin dicotmica)
Experimento de Bernoulli: solo son posibles dos
resultados xito o fracaso.
Definimos una v. a. discreta X tal que:
xito 1
fracaso 0
Si la probabilidad de xito es p y la de fracaso 1 - p,
podemos construir una funcin de probabilidad:
1 x

P( x) p (1 p)
x

x 0;1

Un tpico experimento de Bernoulli es el lanzamiento de

una moneda con probabilidad p para cara y (1 - p) para
cruz.

1 x

P( x) p (1 p)
x

Funcin de distribucin de probabilidad:

x 0; 1

1 p, para x 0
f ( x)
p, para x 1

Calcular la esperanza y la varianza de la distribucin de

Bernoulli.

E[ X ] x P ( X x )
1

x 0

0 * P ( X 0) 1 * P ( X 1) p
1

Var ( X ) E[ X ] ( E[ X ]) x P ( X x ) p
2

x 0

0 * P ( X 0) 1 * P ( X 1) p
p(1 p )
2

Distribucin de probabilidad binomial

P(x~(n,p)); b(x;n;p); P(X=r|n,p)
La distribucin binomial aparece cuando estamos
interesados en el nmero de veces que un suceso A
ocurre (xitos) en n intentos independientes.
Experimento: N de caras en n lanzamientos de una
moneda.

Si A tiene una probabilidad de xito p () en un

intento, entonces 1- p es la probabilidad de que A
no ocurra (probabilidad de fracaso).

Ejemplo. Experimento aleatorio: n = 3 lanzamientos de una moneda.

Probabilidad de xito en cada lanzamiento (S) = p = .
Probabilidad de fracaso en cada lanzamiento (F) = 1- p = q.

3 p 2 (1 p)

3 p(1 p) 2

Distribucin Binomial
Supongamos que el experimento consta de n intentos y definamos la v. a.
X = Nmero de veces que ocurre A.
En nuestro ejemplo:
X = Nmero de veces que sale cara.
Entonces X puede tomar los valores 0, 1, 2, ... n.
Si consideramos uno de estos valores, por ejemplo en x de los n intentos
ocurre A y en (n x) no. Entonces la probabilidad de cada posible
combinacin es pxqn-x y existen n idnticas combinaciones.
x

La funcin de probabilidad P(X = x) ser la distribucin binomial:

n x
n!
n x
B(n, p) p( x) p (1 p)
p x (1 p) n x
x!(n x)!
x

Distribucin binomial para n = 5 y distintos valores de p, B(5, p)

Incrementos de n en una distribucin binomial

Ejemplo 1:
Cul es la probabilidad de que en una familia de cuatro
hijos exactamente dos sean nias?

n x
p(x) p ( 1 p)n x
x
p 0.5;
n 4; x 2
4
2
4- 2

p( 2 ) ( 0.5 ) ( 1-0.5 )
2

Ejemplo 2:
Si una dcima parte de personas tiene cierto grupo
sanguneo, cul es la probabilidad de que entre 100
personas escogidas al azar exactamente ocho de ellas
pertenezcan a este grupo sanguneo?

n x
n x
p(x) p ( 1 p)
x
p 0.1;
n 100; x 8
100
p( 8 )
( 0.1 )8( 1 - 0.1 )92
8

Y si la pregunta anterior, fuera ocho como mximo?

n x
n x
p(x 8 ) p ( 1 p)
x 0 x
8
100
x
100 x
(0.1) ( 0.9 )

x 0 x
8

Ejemplo 3. Calcula la probabilidad de obtener al menos dos

6 al lanzar un dado cuatro veces.
n k nk
P(k ) p q
k

(k 0,1,....n)

p = 1/6, q = 5/6, n = 4
Al menos dos 6, implica que nos valen k = 2, 3, 4.
P(2) + P(3) + P (4)

4 1 5 4 1 5 4 1

2 6 6 3 6 6 4 6
2

1
171
4 (6 25 4 5 1)
0.132
6
1296

Caractersticas de la distribucin binomial

Media:

Caso 1:

= E(X) = n p

P(X) n
0.6
0.4
0.2
0.0
0
1
Caso 2:

1= 5 * 0,1 = 0,5
2=

5 * 0,5 = 0,25

Desviacin estndar:
np (1 p)
1 5 * 0,1 * (1 0,1) 0,67
2 5 * 0,5 * (1 0,5) 1,1

P(X)

.6
.4
.2
0

= 5 p = 0.1
X
2

n = 5 p = 0.5
X

Ejercicio
1. Supn que la probabilidad de tener una unidad defectuosa en una
lnea de ensamblaje de las plumas (flechas) de las gras prtico es
de 0,05. Si el conjunto de unidades terminadas constituye un
conjunto de ensayos independientes, contesta:
a) cul es la probabilidad de que entre diez unidades dos se
encuentren defectuosas?
b) y de que a lo sumo dos se encuentren defectuosas?
c) cul es la probabilidad de que por lo menos una se encuentre
defectuosa?
R. 0,0476; 0,9984 y 0,4013 respectivamente

Distribucin de probabilidad de Poisson

X~p()
Un proceso poissoniano es aqul compuesto de
eventos discretos que son independientes en el
espacio y/o en el tiempo.
En este tipo de experimentos los xitos buscados son
expresados por unidad de distancia, rea, volumen,
tiempo, pieza, etc.
Ejemplos de :
- Nmero promedio de defectos por m2 de una tela
sinttica
- Cantidad de aviones que aterrizan en un aeropuerto
por da.
- Nmero de bacterias por cm3 de cultivo
- Periodicidad de llamadas telefnicas a un conmutador por hora.
- Nmero medio de llegadas de embarcaciones a un
puerto por mes.

Distribucin de probabilidad de Poisson

Al asumirse que un proceso de Poisson es estacionario,
se concluye que la media ( ) del proceso siempre es
proporcional a la magnitud del conjunto de tiempo o de
espacio. Por tanto, si la media de que se disponga
corresponde a un determinado periodo, para otro
periodo que se requiera puede determinarse la media.
Un proceso estacionario (o proceso estrictamente
estacionario) es un proceso estocstico cuya distribucin de probabilidad en un instante de tiempo fijo o una
posicin fija es la misma para todos los instantes de
tiempo o posiciones. En consecuencia, parmetros
tales como la media y la varianza, si existen, no varan
a lo largo del tiempo o la posicin.
Por ejemplo, el ruido blanco es estacionario. Sin
embargo, el sonido de un golpe de platillos no es
estacionario, pues la energa acstica del golpe (y por
lo tanto su varianza) disminuye con el tiempo.

Distribucin de Poisson
La distribucin de Poisson se ha encontrado aplicable a
problemas donde la variable aleatoria representa al
nmero de ocurrencias de un evento raro, dentro de un
intervalo dado del tiempo o espacio. es un nmero real
positivo, equivalente al nmero esperado de ocurrencias
durante un intervalo dado. Por ejemplo, si los eventos
ocurren como promedio cada 4 minutos, y se est
interesado en el nmero de eventos ocurriendo en un
intervalo de 10 minutos, se usara como modelo una
distribucin de Poisson con = 2,5.

e
p( x )
, x 0;1;2; ... 0
x
!
Donde:

e = 2,7182818284590452353602874713527

Caractersticas de la distribucin de
Poisson
Media:
E ( X )
Varianza:

.6
.4
.2
0

X
0

2
Nota: el mximo de la distribucin
se encuentra en x

= 0.5

P(X)

= 6

P(X)

.6
.4
.2
0

X
0

10

Ejemplo 1. La seal promedio recibida en un telescopio de una

fuente celeste es de 10 fotones por minuto. (a) Calcular la
probabilidad de recibir 7 fotones en un minuto determinado.
Una distribucin de Poisson con = 10:
x
p( x )
e
x!

( x 0;1,...)

P(X = 7) = 107 e10 / 7! = 0,09, es decir 9%

Parece muy baja. Comparemos con el valor de mxima
probabilidad que ocurrir para x = 10:
= 10 P(X = 10) = 1010 x e10 / 10! = 0.125, es decir 12.5%
Las probabilidades poissonianas para un nmero de eventos
dado, son siempre pequeas, incluso en el mximo de la
distribucin de probabilidad.
(b) Cul es la probabilidad de recibir 7 fotones en un
segundo dado?
(c) Cul es la probabilidad de recibir 7 fotones en una hora
establecida?

Ejemplo 2. Si en promedio, entran dos coches por minuto en un

taller, cul es la probabilidad de que durante un minuto entren
cuatro o ms coches? Solucin:
Si asumimos que un minuto puede dividirse en muchos
intervalos cortos de tiempo independientes y que la probabilidad
de que un coche entre en uno de esos intervalos es p, que para un
intervalo pequeo ser tambin pequeo, podemos aproximar la
distribucin a una Poisson con = n*p = 2.
El suceso complementario entran 3 coches o menos tiene
probabilidad:
x
p( x )

x!

( x 0;1;...)

2 20
0!

P( A ) p(0) p(1) p(2) p(3) e (

c

y la respuesta es 1 0,857 = 0,143

21
1!

22
2!

) 0,857
23
3!

Ejercicio

La empresa electrnica Elba Lazo observa que el nmero

de componentes que fallan antes de cumplir 100 horas de
funcionamiento es una variable aleatoria de Poisson. Si el
nmero promedio de estos fallos es ocho, responde:
1. cul es la probabilidad de que falle un componente en
25 horas?
2. y de que fallen no ms de dos componentes en 50
horas?
3. cul es la probabilidad de que fallen por lo menos diez
en 125 horas?
R: 0,27067; 0,2381 y 0,41696

Distribucin de Poisson como aproximacin de la

Distribucin Binomial
Cuando en una distribucin binomial el nmero de intentos (n)
es grande (>= 100) y la probabilidad de xito (p) es pequea
(n*p <=10), la distribucin binomial converge a la distribucin de
Poisson.

Donde:

= = n*p

Si p es pequea, el xito es un suceso raro.

Ejemplo. Si la probabilidad de fabricar un televisor defectuoso

es p = 0,01, cul es la probabilidad de que en un lote de 100
televisores contenga no ms de 2 televisores defectuosos?
La distribucin binomial nos dara el resultado exacto:
100 99
P( A)

0
100

0,920626

100

100 99 1 100 99 1

1
100
100
2
100
100

99

98

n x n x
p( x ) p q
( x 0;1;...n )
x
El suceso A: No ms de 2 televisores defectuosos puede
aproximarse con una distribucin de Poisson con = np = 1,
sumando p(0) + p(1) + p(2).
1

P( A) e (1 1 12 ) 0,919698603

x
p( x ) e
x!

( x 0;1,...)

Propiedad reproductiva de las distribuciones de

probabilidad
Algunas distribuciones de probabilidad tienen la
propiedad siguiente:
Si dos o ms variables aleatorias que tienen
una distribucin de probabilidad del mismo tipo
se suman, la v.a. resultante tiene una
distribucin del mismo tipo que los sumandos.
(Teorema de Fourier).
Las distribuciones: Binomial (respecto a n),
Poisson (respecto a ) y Normal (respecto a y
) son distribuciones reproductivas.

Ejemplo.
Si X1, X2, , Xn son v.a. independientes de
Poisson con parmetros 1, 2, n, entonces:
n

Y Xi
i 1

Es una v.a. de Poisson con parmetro y:

y i
i 1

Ejercicio
En la fbrica Alan Brito SAC el nmero de
accidentes laborales por semana sigue un
proceso de Poisson con parmetro = 2.
Determina:
a) La probabilidad de que haya cuatro accidentes en
el transcurso de tres semanas. Rpta. 0,1339
Tip. Aplicar propiedad reproductiva.
b) La probabilidad que haya dos accidentes en una
semana, y otros dos accidentes en la semana
siguiente. Rpta. 0,0733
c) Es lunes, y ya ha habido un accidente. La
probabilidad que en aquella semana no haya ms
de tres accidentes. Rpta. 0,8348

Solucionario c)
3 ( 1)
( 3 1) =
( 1)

P(1X3)
=
(1)
3 ( = 0)
=
( 1)

1 (4)
(1)

APROXIMACIN DE POISSON A LA BINOMIAL

Algunos experimentos binomiales dadas

sus caractersticas, es posible aproximarlas con la distribucin de Poisson. Estas
caractersticas son, n (n es muy
grande) y p0 (p es muy pequea), por
lo que:
x

p( x ,n , p ) n Cx p q
x

n x

x!

Donde:
= = n*p = nmero esperado de xitos =
tasa promedio de xitos
n = nmero de repeticiones del experimento
p = probabilidad de xito = p(xito)

Ejemplo:
Se sabe que el 5% de los libros encuadernados en el CEUPS de la Facultad
tienen encuadernaciones defectuosas.
Determina la probabilidad de que 2 de
100 libros encuadernados en ese Centro,
tengan encuadernaciones defectuosas,
usando:
a) la frmula de la distribucin Binomial,
b) la aproximacin de Poisson a la distribucin Binomial.

Propuesta de solucin:
a) n = 100
p = 0,05 = p (encuadernacin defectuosa)
= p (xito)
q = 0,95 = p (encuadernacin no defectuosa)
= p(fracaso)
x = variable que nos define el nmero de
encuadernaciones defectuosas en la muestra
= 0; 1; 2; 3; ...100 encuadernaciones
defectuosas.
Respuesta: 0,0812

b) (...)
n = 100 encuadernaciones
p = 0,05
= np = (100)(0,05) = 5
x = variable que define el nmero
de
encuadernaciones defectuosas en la
muestra = 0; 1; 2; 3; 100 encuadernaciones defectuosas

p( x 2, 5 )

x!

( 5 ) ( 2.718 )

2!

0.0843

(...)
Interpretacin

Al comparar los resultados de las

probabilidades con una y otra distribucin,
nos damos cuenta de que la diferencia entre
un clculo y otro es de tan solo 0,0031; por lo
que la aproximacin de Poisson es una buena
opcin
para
calcular
probabilidades
binomiales.

Recordando

Experimentos con reemplazo

Elegir al azar con reemplazo significa que escogemos al azar
un elemento de un conjunto y lo regresamos para elegir de nuevo
al azar. Esto garantiza la independencia de las elecciones y nos
lleva a una distribucin binomial.
Si una caja contiene N bolas de las cuales A son rojas, entonces
la probabilidad de escoger al azar una bola roja es: p = A/N.
Si repetimos el experimento sacando n bolas con reemplazo la
probabilidad de que x sean rojas es:

n A
P( x )
x N

1
N

n x

( x 0;1;....n )
(Una distribucin binomial)

Recordando

Experimentos sin reemplazo

Elegir al azar sin reemplazo significa que no devolvemos
el elemento elegido al azar al conjunto. De modo que las
probabilidades de la siguiente eleccin dependen de las
anteriores.
Si repetimos el experimento anterior sacando n bolas sin
reemplazo, cul ser ahora la probabilidad de que X sean
rojas?

N
Casos posibles
n

Para calcular los casos favorables observa que:

I) N = A + (N A).
II) De las A bolas rojas tomaremos x bolas
III) De las (N A) bolas no rojas tomaremos (n x).

Distribucin hipergeomtrica

Se caracteriza porque genera ms de

un resultado, y las probabilidades de
llegar a ese resultado no son constantes, esta distribucin se caracteriza
porque en un tiempo muy corto se
pueden tener valores muy altos de
una variable y en el siguiente instante
varia drsticamente. Este tipo de
distribucin se encuentra en sistemas
que tienen picos de demanda

Hipergeomtrica (...)
Un ejemplo de esto es en la fila de la
boletera del cine Triple X antes de una
pelcula, ah gente formada para entrar y el
pico de demanda en la ventanilla es alto,
de modo que a la hora que inicia la
pelcula la fila decrece rpidamente, esto
puede crear, al momento de comprar las
entradas, desesperacin por parte del
cliente, que se puede ir.
Para esto una solucin de emergencia por
parte del cine, seria habilitar otra ventanilla
para disminuir la demanda sobre la otra.

Hipergeomtrica (...)

A medida que pasa el tiempo es difcil

que vuelva a subir el pico de demanda
porque ya se solucion.
Cuando un sistema presenta una
distribucin de probabilidad hipergeomtrica se toma una decisin rpida
para estabilizar el sistema. Con el fin que
el pico de demanda no se incremente
ms. Porque puede afectar al sistema a
estudiar

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. Por esto es que el
resultado de una observacin depende
o es afectado por el resultado de
cualquier otra.

Hipergeomtrica (...)

Los
experimentos
que
tienen
una
distribucin
Hipergeomtrica tienen las siguientes caractersticas:

a) Al realizar un experimento con este tipo de

distribucin, se esperan dos tipos de
resultados.
b) Las probabilidades asociadas a cada uno de
los resultados no son constantes.
c) Cada ensayo o repeticin del experimento no
es independiente de los dems.
d) El nmero de repeticiones del experimento (n)
es constante.

Distribucin hipergeomtrica

A N A

x n x

H (n, N , A) P( x)
N

n
nA

( x 0;1; ... n)

nA A N n
1

N N N 1
2

Distribucin hipergeomtrica (...)

donde:
N: Tamao del espacio poblacional
n: Tamao de la muestra, cada nmero de ensayos

A: Nmero de xitos en el espacio muestral

N A: Tamao de fracasos en el espacio poblacional
x: Tamao de xitos en la muestra. Est en el intervalo [0;n]
(n x): Tamao de fracasos en la muestra

Distribucin hipergeomtrica (...)

Ejemplo 1. Supn que durante la semana

se fabricaron 50 estaciones del juego Ivan
versus Mutants para video. Cuarenta de
ellas funcionaron perfectamente, y 10
tuvieron al menos un defecto. Se seleccion
al azar una muestra de cinco estaciones,
cul es la probabilidad que cuatro de las
cinco funcionen perfectamente?

Distribucin hipergeomtrica (...)

40 50 40

4 5 4

P (4)
0,431
50

5
Respuesta. La probabilidad de seleccionar cinco
estaciones de juego y encontrar que cuatro
funcionan perfectamente es de 0,431.

Distribucin hipergeomtrica (...)

Ejemplo 2. Se quiere seleccionar al azar 2 bolas de una caja que

contiene 10 bolas, 3 de las cuales son rojas. Encuentra la funcin
de probabilidad de la variable aleatoria X = Nmero de bolas
rojas en cada eleccin (con y sin reemplazo).
Tenemos N = 10, A = 3, N - A = 7, n = 2
Con reemplazo (distribucin binomial):

2 3
p( x )
x 10

7

10

2 x

, p(0) 0,49, p(1) 0,42, p(2) 0,09

Distribucin hipergeomtrica (...)

Tenemos N = 10, A = 3, N - A = 7, n = 2
Sin reemplazo (Distribucin hipergeomtrica)
3 7

x 2 x

p( x )
10

2

21
3
p(0) p(1)
0,47 , p( 2)
0,07
45
45

Ejercicio
Clemencia Prez auditora de SUNAT est seleccionando una muestra de seis
declaraciones juradas de impuesto a la renta de los docentes de la Facu para
una posible auditora. Si dos o ms de ellas indican deducciones no
autorizadas, se auditar todo el grupo (poblacin) de 100 declaraciones. Si el
25% de las declaraciones son incorrectas, determina:
(a) La verdadera distribucin de probabilidad de nmero de declaraciones
incorrectas en la muestra. Cules son los parmetros (Media y varianza)?
Halla la probabilidad de una auditora detallada.
(b) Utiliza una aproximacin (binomial) a la verdadera distribucin de
probabilidad para hallar la probabilidad de una auditora ms detallada.
25
X
.

75
6-x

h(x, 100, 6, 25 ) =

. x=0, 1, 2, 3, 4, 5, 6.
100
6

Los parmetros son:

E(X) = 6*(25/100) = 3/2

Var(X) = 6*(25/100)[1-25/100][94/99] = 47/44.

Se har una auditoria ms detallada, si X toma valores mayores o iguales que 2:

Es decir:
P [X2] = 1 P[X 1 ] = 1 [ P[X = 0] + P[ X= 1 ]]
75

=1 -

25

75

+
100
6

= 0,4691