Tema

10

Distribuciones discretas de
probabilidad

Qu es una distribucin de
Probabilidad?
Es el listado de todos los resultados de un
experimento y la probabilidad asociada con cada
resultado
Es una distribucin de frecuencias terica que describe
la forma en que se espera que varen los resultados.
Resultan tiles para realizar
decisiones bajo incertidumbre.

inferencias

tomar

Ing. Enrique Montenegro

Marcelo
CIP 69272

Ejemplo:
Se seleccionan en forma consecutivas dos clientes del
Grifo ABC .
Determine la distribucin de probabilidad de los eventos
relativos a cero, uno y dos conductores varones ser:
Probabilidad
N de
Resultados Probabilidad
0.50
varones
0,25
MM
0
0.25
0,50
VM,MV
1
0,25
VV
2

2
N Varones

Ing. Enrique Montenegro

Marcelo
CIP 69272

Caractersticas de una distribucin

de Probabilidad
1. La probabilidad de un resultado en particular se
encuentra entre 0 y 1, inclusive
2. Los
resultados
son
eventos
mutuamente
excluyentes
3. La lista es exhaustiva. As, la suma de las
probabilidades de los diversos eventos es igual a 1

Ing. Enrique Montenegro

Marcelo
CIP 69272

Variables Aleatorias
Cantidad que resulta de un experimento que, por azar,
puede adoptar diferentes valores.
Puede ser Discreta o Continua
Sea E un experimento aleatorio y un espacio muestral
asociado a este experimento. Una funcin X : R tal
que a cada elemento de le asocia un nmero real, se
llama variable aleatoria.
Una variable aleatoria es esencialmente un nmero
aleatorio. En cualquier caso, el azar proviene de una
experiencia concreta que es la que dicta la frecuencia de
los diversos valores que nos interesan. Una variable
aleatoria siempre se concentra en el comportamiento
general de toda la poblacin.
Ing. Enrique Montenegro
Marcelo
CIP 69272

Variable Aleatoria Discreta

Una funcin X : R es una variable aleatoria discreta si el rango de X es
un conjunto finito numerable
R X = x1 , x 2 , ........ , x n
La mayor parte de las experiencias aleatorias producen resultados interpretables
como nmeros. Nos interesa el estudio del experimento desde el punto de vista
numrico.

Una variable aleatoria es una aplicacin de Omega en la recta real, de manera que a
cada resultado se le aplica un valor numrico. Para que se considere una variable
aleatoria discreta, el conjunto de los valores numricos que son requeridos debe ser
un conjunto discreto. Adems, para cualquier x, el conjunto de resultados que se
asocian a este valor x debe ser un acontecimiento con una probabilidad definida.

DX =

RX R

Funcin de probabilidad: (Funcin de cuanta)

Es la probabilidad de que la variable aleatoria X asuma un valor particular de
su rango.
si X = x1
p ( x1 )

p( x2 )
f ( x ) = P ( X = xi ) =
.........
p ( x k )

p( xi ) > 0

Propiedades:

si X = x 2
..............
si X = x k

p ( xi ) = 1

Distribucin de probabilidad:
Muestra los valores que puede tomar la variable aleatoria X y las probabilidades
asociadas con tales valores. Se representa mediante una tabla o un grfico.
xi

x1

x2

.........

xk

p ( xi ) = P ( X = xi )

p ( x1 )

p ( x2 )

..........

p ( xk )

Ejemplo:

Se lanzan 3 monedas

X : variable aleatoria (nmero de caras)

x : valores que puede tomar la variable (x: 0, 1, 2, 3)
:{CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
La distribucin de probabilidad se obtiene, calculando p(x) para cada x pertenece
al Rango de Valores, se puede hallar en forma tabular y grfica
P(x=0)=P(SSS)= 1/8
P(x=1)=P(CSS)+P(SCS)+P(SSC)=3/8
P(x=2)=P(CCS)+P(CSC)+P(SCC)=3/8
P(x=3)=P(CCC)=1/8

p(x)

0.125

0.375

0.375

0.125

Funcin de Probabilidad

p(x)

0.400
0.350
0.300
0.250
0.200
0.150
0.100
0.050
0.000
0

0.5

1.5

2.5

3.5

Funcin de distribucin acumulada:

Sea X una variable aleatoria discreta con y la funcin de cuanta .
Si x es un nmero real cualquiera: F ( x ) = P ( X x )
Propiedades:
a)
b)
c)

0 F(x ) 1
F ( x ) es una funcin creciente.
F(-)=0 ,
F(+)=1

Distribucin de probabilidad acumulada:

p ( x1 )
p (x1 ) + p ( x 2 )
F (x) =
p (x1 ) + p ( x 2 ) + p (x 3 )
......................................

x < x1
x1 x < x 2
x2 x < x3
x3 x < x4
...................
x xk

Se representa por medio de un tabla o grfico.

xi

x1

x2

.........

xk

F ( xi ) = P ( X xi )

F ( x1 )

F ( x2 )

..........

F ( xk ) = 1

Ing. Enrique Montenegro

Marcelo
CIP 69272

Ejemplo:

Se lanzan 3 monedas

X : variable aleatoria (nmero de caras)

x : valores que puede tomar la variable (x: 0, 1, 2, 3)
:{CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
La distribucin de probabilidad se obtiene, calculando p(x) para cada x pertenece
al Rango de Valores, se puede hallar en forma tabular y grfica
P(x=0)=P(SSS)= 1/8
P(x=1)=P(CSS)+P(SCS)+P(SSC)=3/8
P(x=2)=P(CCS)+P(CSC)+P(SCC)=3/8
P(x=3)=P(CCC)=1/8
x

p(x)

0.125

0.375

0.375

0.125

F(x)

0.125

0.500

0.875

1.000

F(x)

X<0
0 X<1
1 X<2
2 X<3
3 X

F(x)

Funcin de Probabilidad

p(x)

0
1/8
4/8
7/8
1

0.400

1.200

0.350

1.000

0.300

0.800

0.250
0.200

0.600

0.150

0.400

0.100

0.200

0.050
0.000

0.000

0.5

1.5

2.5

3.5

-2

-1

Media, varianza y desviacin estndar de una

distribucin de probabilidad
Media.-

El valor tpico para representar la localizacin de una

distribucin de probabilidad, es el valor promedio de la variable aleatoria
tambin recibe el Nombre de VALOR ESPERADO O ESPERANZA
MATEMTICA
k

E (x) =

xi p( xi )

i =1

Varianza y desviacin estndar:

Mide el grado de dispersin en .una distribucin de probabilidad discreta.

V ( x ) = E ( x 2 ) [ E ( x ) ]2 =
x2
p
(
x
)

x
p
(
x
)
i
i
i
i

i =1
i =1

= V (x)
Ing. Enrique Montenegro
Marcelo
CIP 69272

Ejemplo:

Una concesionaria vende automviles nuevos, por lo general vende

la mayor cantidad de autos el sbado. De observaciones se estima la
siguiente distribucin de probabilidad de la cantidad de automviles que se
espera vender un sbado determinado
x

p(x)

0.10

0.20

0.30

0.30

0.10

a)Cuntos automviles se espera vender un sbado normal

b)Cual es la desviacin estndar de la distribucin

Solucin:
X : variable aleatoria (nmero de autos que se venden un sbado
x : valores que puede tomar la variable (x: 0, 1, 2, 3,4)

E ( x) =

x
i =1

p(x)

0.10

0.20

0.30

0.30

0.10

1.00

x*p(x)

0.00

0.20

0.60

0.90

0.40

2.10

x2*p(x)

0.00

0.20

1.20

2.70

1.60

5.70

p ( xi ) = 2,10

Total

V ( x ) = E ( x 2 ) [ E ( x ) ] = 5,70 (2,10) 2 = 1,29

2

= 1,29 = 1,14

Principales variables
Aleatorias discretas
z
z
z

Distribucin Binomial
Distribucin de Poisson
Distribucin Hipergeomtrica

Ing. Enrique Montenegro

Marcelo
CIP 69272

Distribucin Binomial
Es una de las distribuciones mas utilizadas en la
estadstica aplicada. La distribucin se deriva de
un procedimiento llamado ensayo de Bernoulli,
nombrado as en honor del matemtico Suizo
James Bernoulli (1654 - 1785).
n
x

x n-x

P(X = x) = C p q

donde:
n : nmero de ensayos
x : nmero de xitos
p : probabilidad de xitos en un ensayo
q : probabilidad de fracaso en un ensayo
n - x : nmero de fracaso en el ensayo

Ing. Enrique Montenegro

Marcelo
CIP 69272

La probabilidad de xito, designado por p es la misma para

cada ensayo, la probabilidad de fracaso q (igual a 1-p) es
tambin constante.
1. Los ensayos sucesivos son independientes.
2. Puede ser simtrica o sesgada.
3. La informacin de la muestra se obtiene con reposicin de
una poblacin finita.
Se aplica a la seleccin de una muestra, slo cuando el
resultado de cada solucin es independiente de los
resultados de las selecciones anteriores.
Su media y varianza esta dada por las siguientes frmulas:

E[ X ] = = np
V ( x) = np (1 p )

La funcin de probabilidad P(X = x) ser

la distribucin binomial:

n x
n!
n x
x
n x

p (1 p )
B( n, p) = p ( x) = p (1 p ) =
x!(n x)!
x
Distribucin binomial para n = 5 y
distintos valores de p, B(5, p)

Ing. Enrique16
Montenegro
Marcelo
CIP 69272

Ing. Enrique Montenegro

Marcelo
CIP 69272

Uso de Tablas
Solucionando el problema anterior usando la
tabla de probabilidades binomiales
tabla de probabilidades binomiales
p
n

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0
1
2
3
4
5

0.48

0.49

0.50

0.0380
0.1755
0.3240
0.2990
0.1380
0.0255

0.63

0.62

0.61

0.60

0.59

0.58

0.57

0.56

0.55

0.54

0.53

0.52

r n

5
4
3
2
1
0 5

0.51

0.50

r n

La probabilidad de tener 3 compras de anteojos

por varones de 5 registros realizados es del 0,324.
Ing. Enrique Montenegro
Marcelo
CIP 69272

Ejemplo
Una muestra de 4 bombillas de luz, se selecciona
al azar de un gran lote. Suponiendo que 20% de
las bombillas de lote no cumplen con las
especificaciones tcnicas, cul es la probabilidad
de que la muestra contenga exactamente 2
bombillas defectuosas?
Datos:
n=4
x=2
p = 0,20
1-p = 0,80

P(X = x ) = C xn p x (1 p ) n - x
4!
2
2
(0.2 ) (0.80 )
P(X = 2) =
2! (4 - 2)!
= 0,1536

Ing. Enrique Montenegro

Marcelo
CIP 69272

La distribucin hipergeomtrica
Se utiliza para describir variables discretas
a)Caractersticas
La informacin de la muestra se obtiene
sin reposicin de una poblacin finita, por
lo tanto la probabilidad de xito vara.
b) Formula
donde:

M N M

k n k

P(X = k ) =
N

n

M : nmero de xitos en la poblacin

k : nmero de xitos en la muestra
N : tamao de la poblacin
N-M: nmero de fracasos en la poblacin
n : tamao de la muestra
n-k : nmero de fracasos en la muestra
Ing. Enrique Montenegro
Marcelo
CIP 69272

La media y la desviacin estndar

La media: = E ( X ) = np
La desviacin estndar:

np (1 p )

N n
N 1

N n
N 1

Donde
es un factor de correccin de
poblacin finita que se produce debido al proceso
de muestreo sin reposicin de poblaciones finitas.
Ing. Enrique Montenegro
Marcelo
CIP 69272

Ejemplo
Calcular la probabilidad de obtener 10
transistores defectuosos en una muestra de 20
transistores de radio tomados sin reemplazo de
un lote de 30 transistores, de lo cuales 15 son
defectuosos.
15 30 15

Datos:
10 20 10

P(X = 1 0) =
k = 10
30

n = 20
20
N= 30
( 3003 )( 3003 )
9018009
=
=
M= 15
30045015

= 0 ,3001

30045015

Ing. Enrique Montenegro

Marcelo
CIP 69272

Si errneamente se usa la distribucin binomial con

n = 20 y p =15/30 = 1/2 para calcular la probabilidad
de tener 10 defectuosos, el resultado ser:

( )( )

10
10
20!
1
1
P(X = x ) =
2
10! (20 - 10)! 2

184756
=
= 0 ,1762
1048576

Una probabilidad considerablemente menor que

la probabilidad real.
Ing. Enrique Montenegro
Marcelo
CIP 69272

Distribucin de Poisson
Es una distribucin muy usada. Se deriva del
proceso de Poisson en honor al matemtico francs
Simeon Denis Poisson (1781-1840).
Debe cumplir las siguientes condiciones:
La ocurrencia de los eventos son independientes.
El nmero promedio de veces () que ocurre un
xito por cada unidad de tiempo o de espacio es
constante.
La probabilidad de un suceso es una unidad de
tiempo o de espacio muy pequea.
Ing. Enrique Montenegro
Marcelo
CIP 69272

Ejemplos de aplicaciones de Poisson:

Pacientes que llegan a la sala de urgencias de
un hospital durante un cierto da.
Maletas perdidas en los vuelos areos.
Accidentes por hora en cierta parte de una
carretera.
Clientes que llegan a la ventanilla de un
banco en un determinado horario.

Ing. Enrique Montenegro

Marcelo
CIP 69272

Si el tamao de la muestra es bastante grande (n>50) y

la probabilidad de un evento particular es muy pequeo
(p < 0,1) y se desea hallar la probabilidad de un nmero
determinado de xitos, se puede aplicar la distribucin
de Poisson, dada por la siguiente ecuacin.

P(X = x ) =

donde

e
x!

e
x!

(lambda) : media = np = variancia

: base de logaritmos naturales =2.71828

: factorial de x

Ing. Enrique Montenegro

Marcelo
CIP 69272

Caractersticas de la distribucin de
Poisson

Media
= E (X ) =
Desviacin estndar
=

.6
.4
.2
0

Nota: el mximo de la distribucin

se encuentra en x

X
0

.6
.4
.2
0

= 0.5

P(X)

=6

P(X)

X
0

10
Ing. Enrique27
Montenegro
Marcelo
CIP 69272

Ejemplo:
Supongamos que estamos investigando la seguridad
de una peligrosa interseccin de calles, los registros
policacos indican una media de 5 accidentes
mensuales en esta interseccin. El nmero de
accidentes esta distribuido de acuerdo con una
distribucin de Poisson y el departamento de
seguridad vial desea que calculemos la probabilidad
de que en cualquier mes ocurra exactamente 3
accidentes.
X = 3 accidentes /mes
= 5 accidentes/mes

53 2.71835
P(x=3) =
= 0.14042 14.04%
3!
Ing. Enrique Montenegro
Marcelo
CIP 69272

Uso de Tablas
Solucionando el problema anterior usando la tabla
de distribucin de probabilidades de Poisson:

4.1

.........

4.5

..........

4.9

0.0067

0.0337

0.0842

0.1404

0.1755

0.1755

La probabilidad de
tener exactamente 3
accidentes en un
mes cualquiera es
0.1404

Ing. Enrique Montenegro

Marcelo
CIP 69272

Aplicacin
La probabilidad de nmero equivocado a pesar de
haber marcado correctamente es 0,03. Si se toma
una muestra de 100 llamadas, cul es la
probabilidad de tener 2 nmero equivocado?
Solucin:
p = 0.03
n = 100

=3

32 (2.71828)3
P(X = 2) =
2!
= 0,2240

Ing. Enrique Montenegro

Marcelo
CIP 69272

La aproximacin de Poisson a la
distribucin Binomial
Consideremos una distribucin binomial con p=0.02 y n =
100. Supongamos que nos interesa calcular la probabilidad
de que X = 3 utilizando la formula binomial, podemos
encontrar la probabilidad exacta de la forma siguiente:

100!
(0,02 ) 3 ( 0,98 ) 97
P(X = 3) =
3! 97!
= 0,1823
Ing. Enrique Montenegro
Marcelo
CIP 69272

Los clculos son muy tediosos. Cuando p es

pequeo y n es lo suficientemente grande, la
formula binomial puede aproximarse mediante una
distribucin de Poisson con = np
Luego, utilizando una distribucin de Poisson
encontramos que la probabilidad de que X=3 es:

e
x

P(X = 3) =

x!

Ing. Enrique Montenegro

Marcelo
CIP 69272

 = np = 100 (0,02) = 2

( 2 ) 3 ( 2 , 71828 ) 2
8
=
=
= 0 ,1805
2
3!
6 ( 2 , 71828 )
La respuesta es muy prxima a la encontrada con la
distribucin binomial. La aproximacin se considera
vlida cuando
p 0,05 y n 20
Ing. Enrique Montenegro
Marcelo
CIP 69272

La inteligencia consiste no slo

en el conocimiento, sino tambin
en la destreza de aplicar los
conocimientos en la prctica
- Aristteles

Ing. Enrique Montenegro

Marcelo
CIP 69272