1

BERNOULLI
DISTRIBUCION

Captulo 5

Algunas Distribuciones Discretas

Jose Tapia Caro
En esta secci
on se presentar
an las principales caractersticas de algunas distribuciones discretas importantes como la Bernoulli, Binomial, Hipergeometrica y Poisson.

1.

Distribuci
on Bernoulli

Es la m
as simple y popular de las distribuciones. Establece un modelo de probabilidad

para variables aleatorias dicot

omicas que asumen solo uno de dos estados: Exito
o Fracaso,
1 o 0, Si o No, A favor o En contra, Aprobado o Rechazado, etc. Ejemplos de variables del
tipo Bernoulli son:
1. X = Opini
on respecto al aumento del IVA al 20 %: a favor o en contra.
2. X = Resultado academico final: aprobado o reprobado.
3. X = Intensi
on de compra de un nuevo producto: lo comprara o no lo comprara
Genericamente, a los dos estados de una variable Bernoulli se les llama 1 o 0. Tambien
se les llama exito.o fracasosin ninguna connotacion positiva o negativa en el uso de los
terminos. As, el espacio de una variable aleatoria Bernoulli (el conjunto de valores numericos
que asume X es E = {0, 1}
Supongamos que p es la probabilidad de que X asuma el estado 1 y que 1 p es la
probabilidad de que asuma el estado 0. Es decir, supongamos que P (X = 1) = p y que
P (X = 0) = 1 p , con 0 < p < 1 , entonces el modelo de probabilidad Bernoulli satisface
las propiedades contenidas en el siguiente teorema.
Teorema 1.1. La funci
on de probabilidad, la esperanza y la varianza de una variable aleatoria con distribuci
on Bernoulli son,
f (x) = px (1

p)1

E(X) = p
V ar(X) = p(1

p)

; x 2 {0, 1}; 0 < p < 1

(1)
(2)
(3)

Interpretaci
on de p
El par
ametro p tambien puede ser interpretado como la proporcion de individuos en la
poblacion clasificados en la categora exito y (1 p) como la proporcion de individuos
clasificados en fracaso.
En aplicaciones concretas, el parametro p usualmente es desconocido y debe ser estimado
a partir de una muestra o debe ser conocido por medio de un censo. Por ejemplo, en una
eleccion presidencial, el objetivo final es averiguar la proporcion p de ciudadanos inscritos en
los registros electorales que apoya a cierto candidato. Para conseguir esto se hace un censo
legal de las opiniones de tales ciudadanos. Sera Presidente el candidato que resulte con el
mayor valor de p. Note que este censo no es mas que un muestreo de las opiniones de todos
los ciudadanos del pas porque no todos estan inscritos en los registros electorales. Este
ejemplo basta para mostrar que las fuerzas que se mueven en torno p pueden ser enormes.
Los ensayos o mediciones tipo Bernoulli pueden generar otras distribuciones discretas
tales como la Binomial, Hipergeometrica, Geometrica, Binomial Negativa, etc.

 BINOMIAL
DISTRIBUCION

Binomial(30,0.05)

0.12
0

10

2.

15

Figura 1: Bin(10;0.05)

0.08
0.06

probabilidad

0.02
0.00

0.0

0.00

0.05

0.1

0.10

0.04

0.15

probabilidad

0.20

0.25

0.10

0.30

0.6
0.5
0.4
0.3
0.2

probabilidad

Binomial(200,0.05)

0.35

Binomial(10,0.05)

Figura 2: Bin(30;0.05)

10

20

30

40

Figura 3: Bin(200;0.05)

Distribuci
on Binomial

La Distribuci
on Binomial surge cuando se realizan n observaciones o mediciones de una
variable Bernoulli. La situaci
on concreta es la siguiente.
1. Se realizan n ensayos de Bernoulli, cada uno de los cuales resulta en exito E o fracaso F .
2. La probabilidad de exito p es constante de ensayo en ensayo.
3. Los ensayos tipo Bernoulli son independientes.
4. La variable aleatoria binomial X se define como X = n
umero de exitos que resultan en
los n ensayos.
5. Los valores que puede asumir X estan en el espacio E = {0, 1, 2, . . . , n}
El siguiente Teorema presenta las principales caractersticas del modelo de probabilidad
Binomial
Teorema 2.1. La funci
on de probabilidad, la esperanza y la varianza de una variable aleatoria con distribuci
on hipergeometrica son,

n x
f (x) =
p (1 p)n x ; x = 0, 1, 2, . . . , n
(4)
x
E(X) = np
(5)
V ar(X) = np(1

p)

(6)

Observaciones 2.1. En relaci

on al Teorema 2.1 se tiene que:
1.

n
x

es el n
umero de formas o posiciones distintas en que pueden darse x exitos en n
ensayos tipo Bernoulli y est
a dada por nx = (n n!x)!x! .

2. Si X es una variable aleatoria Binomial entonces anotamos X Bin(n; p).

3. Cuando n = 1 la distribuci
on de probabilidad Binomial se reduce a la Bernoulli.
4. Las Figuras 1, 2 y 3 muestran las probabilidades para n = 10, 30, 200 y p = 0, 05.
Ejemplo 1. Sobrevivencia a un accidente
Un hospital de ni
nos informaba hace poco que solo el 40 % de los ni
nos sobreviven a un
determinado tipo de accidente. En un mes dado el hospital recibe 9 ni
nos que sufrieron la
lesion en cuesti
on.
a) Cual es la probabilidad de que los 9 ni
nos sobrevivan?
b) Las instalaciones del hospital tienen capacidad para tratar no mas de 5 casos de este
2

HIPERGEOMETRICA
DISTRIBUCION

tipo. Cu
al es la probabilidad de que el hospital sea sobrepasado en su capacidad?
c) Cuantos de los 9 ni
nos pueden esperar los medicos que sobrevivan?
Soluci
on
Puesto que un ni
no que sufre este tipo de accidentes sobrevive o no sobrevive, se trata de
una variable binomial definida por, X= n
umero de ni
nos entre 9 que sobreviven a ese tipo
de accidentes.
Entonces,
X

Bin(9;
0,
40)
y
su
funci
on de probabilidad esta dada por,

9
f (x) =
0, 4x 0, 69 x ; x = 0, 1, 2, . . . , 9
x
a) La probabilidad de
nos sobrevivan es
quelos 9 ni
9
P (X = 9) = f (9) =
0, 49 0, 69 9 0, 0003
9
b) La probabilidad de que el hospital sea sobrepasado en su capacidad esta dada por,
P (X > 5) =

9
X

f (x) = f (6) + f (7) + f (8) + f (9)

x>5

9
9
9
9
6
3
7
2
8
1
=
0, 4 0, 6 +
0, 4 0, 6 +
0, 4 0, 6 +
0, 49 0, 60
6
7
8
9
0, 0743 + 0, 0212 + 0, 0035 + 0, 0003 0, 0993
c) La esperanza de una binomial es E(X) = np . Por tanto, se espera que de los 9 ni
nos
recibidos por ese tipo de accidentes sobrevivan np = 9(0, 4) = 3, 6 ni
nos.

Ejercicios. Secci
on 2
1. Dibuje la funci
on de probabilidad f (x) y la funcion de distribucion F (x) de una
variable Binomial con n = 10 y para p = 0, 10 ; p = 0, 30 y p = 0, 50.
2. Si X Bin(30; 0, 15) calcule las siguientes probabilidades.
a) P (X = 6)

b) P (X > 6)

c) P (X 6)

d) P (3 < X 6)

R:

a)

b)

c)

d)

3. Se sabe que la variable X tiene una distribucion Binomial con np = 24 y np(1

14, 4.

p) =

a) Calcule P (X > 25)

b) Interprete la desviaci
on estandar en este caso.
R:

3.

a)

b)

Distribuci
on Hipergeometrica

La situaci
on en la que surge esta distribucion es la siguiente:
1. Una poblaci
on de N elementos contiene NE exitos y NF fracasos, con N = NE + NF .
2. Se extrae de la poblaci
on una muestra de n elementos sin reemplazo.
3. La variable aleatoria hipergeometrica se define como X = N
umero de exitos obtenidos
en la muestra de tama
no n.
Las principales caractersticas del modelo de probabilidad hipergeometrico aparecen en
el siguiente teorema.
3

HIPERGEOMETRICA
DISTRIBUCION

Teorema 3.1. La funci

on de probabilidad, la esperanza y la varianza de una variable aleatoria con distribuci
on hipergeometrica son,

NE
NF
x
n x

f (x) =
, conmax{0; n NF } x min{NE ; n}
(7)
N
n
NE
E(X) = n
(8)
N

NE
NE
N n
V ar(X) = n
1
(9)
N
N
N 1
Nota: Si X tiene distribuci
on hipergeometrica se anota X Hiperg(n, NE , N ).
Ejemplo 2. Fraudes
Suponga que de 2500 cuentas comerciales de un banco 125 han sido adulteradas fraudulentamente. Se eligen al azar 50 cuentas comerciales para una auditoria detallada.
a) Cual es la probabilidad de que se descubra al menos una de las cuentas alteradas en la
auditoria?.
b) Cual es el n
umero esperado de cuentas adulteradas en la auditoria?.
Soluci
on
a) En este caso, la variable aleatoria es X = N
umero de cuentas fraudulentas entre las 50
seleccionadas Puesto que la cuentas pueden ser clasificadas como con fraude o sin fraude y
puesto que se de una selecci
on sin reposicion la variable X es hipergeometrica. Los datos
del problema son N = 2500, NE = 125, NF = 2375 y n = 50. Entonces,

125
2375
x
50 x

f (x) =
;
0 x 50
(10)
2500
50
Se pide calcular P (X

1), entonces
P (X

1) = 1

P (X < 1) = 1 P (X = 0)

125
2375
0
50 0

= 1
2500
50
= 0, 925

b) El n
umero de cuentas adulteradas esperadas en la auditoria es:
NE
125
= 50
= 2, 5

N
2500
Aproximaci
on de la Hipergeometrica por una Binomial
Si n es mucho menor que NE y N , entonces la proporcion p = NE /N se mantiene aproximadamente constante a medida que se extraen los elementos, el factor (N n)/(N 1) es
aproximadamente 1 y los resultados de cada extraccion son aproximadamente independientes. Por tanto, las condiciones de la distribucion binomial se cumplen aproximadamente.
Esto quiere decir que,
E(X) = n

Hiperg(n, NE , N ) Bin(n, p)

con

p = NE /N,

Se acepta que la aaproximaci

on anda bien si n/NE < 0, 1.
4

n NE

(11)

POISSON
DISTRIBUCION

Ejemplo 3. (Continuaci
on Ejemplo 2) Use la aproximacion binomial para calcular la probabilidad de que se descubra al menos una de las cuentas alteradas.
Soluci
on Sea XH la variable hipergeometrica Hiperg(50; 125; 2500) y XB la aproximaci
on
binomial Bin(50; 0, 05). Entonces,
P (XH

1) = 1

P (XH < 1) = 1

P (XH = 0)

P (XB = 0) = 1

0, 077

= 0, 923
Al comparar con el resultado del Ejemplo 2 se observa que la diferencia es de 0,003.

Ejercicios. Secci
on 3
4. Se sabe que el 16 % de los vasos de cristal producidos por una Cristalera tienen fallas
de primer grado. Para verificar que este porcentaje no ha aumentado se toma una
muestra sin reposici
on de 30 vasos de la produccion diaria. Si en un da cualquiera 9 de
30 vasos resulta con fallas de primer grado, calcule e interprete P (X 9) suponiendo
que el 16 % de los vasos producidos tiene defectos de primer grado.
5. Si X Hiperg(20; 15; 100) calcule las siguientes probabilidades
a) P (X 5)
b) P (X > 15)
c) P (X > 5)
d) P (5 < X 15)
6. Calcule la probabilidad de obtener 5 exitos si se extraen sin reemplazo 6 objetos de
una poblaci
on de tama
no N = 60 que contiene 15 exitos.
7. Calcule la probabilidad de obtener 5 o mas exitos si se extraen sin reemplazo 10
objetos de una poblaci
on de tama
no N = 40 que contiene 8 exitos.
8. De la producci
on diaria de clavos que hace una maquina se sabe que aproximadamente
el 4 % tiene defectos en la punta. Cada da se toma una muestra de 100 clavos para
inspecci
on y en el u
ltimo muestreo se encontraron 11 clavos de 100 con defectos en
la punta. Que tan probable es encontrar 11 o mas clavos con la punta defectuosa en
la muestra diaria? Que dice su resultado del supuesto que solo el 4 % de los clavos
producidos por la m
aquina tiene defectos en la punta?.
R:
P (X >= 11) 0, 0022 y el supuesto de 4 % de defectuosos no es creible.

4.

Distribuci
on Poisson

La distribuci
on Poisson establece un modelo de probabilidad para variables discretas
de conteo del tipo n
umero de cambios por unidad de tiempo. Ejemplos de variables que
pueden ser bien modeladas por una Poisson son:
1. X = n
umero de accidentes automovilsticos anuales que resultan en muerte.
2. X = n
umero de clientes que usan un cajero automatico cada da.
3. X = n
umero de fallas de costura por prenda.
Los supuestos del modelo Poisson son:
1. La probabilidad de que haya mas de una ocurrencia en un intervalo muy peque
no es
cero. Este supuesto significa que no es posible que hayan dos o mas ocurrencias en el mismo
instante.
2. Los intervalos de tiempo no se superponen y la probabilidad de ocurrencia del evento es
la misma para cada intervalo.
5

POISSON
DISTRIBUCION
Poisson(5)

0.8
0.6

distribucin

0.4

0.10

0.0

0.00

0.2

0.05

probabilidad

0.15

1.0

Poisson(5)

10

15

20

25

10

15

20

25

Figura 4: Probabilidad Pois(5)

Figura 5: Distribucion Pois(5)

3. El n
umero esperado de ocurrencias es el mismo para cada intervalo.
Teorema 4.1. La funci
on de probabilidad, la esperanza y la varianza de una variable aleatoria con distribuci
on Poisson son,
xe

f (x) =

x!

; x = 0, 1, 2, . . . ;

>0

(12)

E(X) =

(13)

V ar(X) =

(14)

Las Figuras 4 y 5 muentran la funcion de probabilidad y la funcion de distribucion de

una variable Poisson con = 5.
Observaciones 4.1.
1. La letra
> 0 es un parametro propio de cada situacion y
ser
a interpretado como el n
umero medio o n
umero esperado de cambios en el intervalo
de tiempo
2. Si X tiene una distribuci
on Poisson de parametro

se anotara X P ois( )

3. La distribuci
on Poisson puede ser derivada de la distribucion Bin(n; p) cuando
n ! 1 y p ! 0. Es decir,

xe
n x
lm
p (1 p)n x =
; x = 0, 1, 2, . . . ; = np > 0
x!
(n;p)!(1;0) x

= np,

(15)

Ejemplo 4. (Falla de componentes) Despues de una prueba de laboratorio muy rigurosa

con cierto componente electrico, el fabricante determina que en promedio solo fallaran dos
componentes antes de tener 1000 horas de operacion. Cual es la probabilidad que fallen
cinco componentes en 1000 horas de operacion?
Soluci
on
La variable aleatoria X corresponde al n
umero de componentes que fallan en 1000 horas de
operacion. Este tipo de variables son bien modeladas por un modelo Poisson. La funci
on
de probabilidad es
2x e 2
f (x) =
; x = 0, 1, 2, . . . ;
x!
6

POISSON
DISTRIBUCION
Poisson(4)

0.10

probabilidad

0.05

0.10

0.00

0.00

0.05

probabilidad

0.15

0.15

0.20

0.20

Binomial(40,0.10)

10

15

20

10

15

20

Figura 6: Probabilidad Bin(40;0,10)

Figura 7: Probabilidad Pois(4)

, donde = 2 corresponde al n
umero medio de componentes que fallan en 1000 horas. En
este caso se pide
25 e 2
P (X = 5) = f (5) =
0, 0361,

5!
Aproximaci
on de la Binomial por la Poisson
Como la distribuci
on Poisson es el lmite de la distribucion Binomial cuando = np,
n ! 1 y p ! 0. Entonces, la distribucion Binomial puede ser aproximada bastante bien
por la Poisson cuando n es grande y p peque
no. Esto es,

n x
(np)x e np
P (X = x) =
p (1 p)n x
(16)
x
x!
Empricamente, la aproximaci
on anda bien cuando np 5. Las Figuras 6 y 7 confirman
visualmente la semejanza entre una Binomial y una Poisson para np = 4.
Ejemplo 5. Calcule P (X 2) si X Binomial(n; p) con n = 50 y p = 0, 05
Soluci
on
Aqu la funci
on de probabilidad binomial es

50
f (x) =
0, 005x (0, 95)50 x ; x = 0, 1, 2, . . . , n
x
P (X

2) = 1
= 1
= 1

Ahora como

P (X 1) = 1 (f (0) + f (1))


50
50
0
50 0
0, 005 (0, 95)
0, 0051 (0, 95)50
0
1
0, 07694498 0, 20248678 0, 7206.

= np = 50(0, 05) = 2, 5 < 5 se podra usar la aproximacion Poisson,

P (X

P (X 1) = 1 (f (0) + f (1))
(2, 5)0 e 2,5 (2, 5)1 e 2,5
0!
1!
0, 082085 0, 2052125 0, 7127.

2) = 1
1
= 1

POISSON
DISTRIBUCION

La aproximaci
on es muy buena con error menor al 1 %. Mas precisamente, el error de la
aproximaci
on es de 0,0079

Ejercicios. Secci
on 4
9. Si X P ois(4, 5) calcule las siguientes probabilidades
a) P (X = 6)
b) P (X > 6)
c) P (X 6)
d) P (3 < X 6)
Compare estos resultados con los del problema 2.Que tan buena es la aproximacion?.
10. De una variable aleatoria X con distribucion Poisson se sabe que P (X = 2) =
5, 78P (X = 0).
a) Determine P (X = 1)
b) Determine la media y la desviacion estandar de X.
b) Grafique la funci
on de probabilidad f (x) y la funcion de distribucion F (x).
11. Se ha encontrado que el n
umero de desperfectos en la pintura de la superficie de
los autom
oviles al a
no de funcionamiento es bien modelado por una distribucion de
Poisson de par
ametro = 7 desperfectos.
a) Que porcentaje de automoviles no tiene desperfectos en su pintura de superficie
al cabo de un a
no de funcionamiento?
b) Que porcentaje de automoviles tiene 10 o mas desperfectos en su pintura de
superficie al cabo de un a
no de funcionamiento?
c) Interprete la desviaci
on estandar en este problema.
12. Un profesor recibe en promedio 8,6 llamadas telefonicas en las 24 horas previas a una
prueba o examen. Si el n
umero de llamadas sigue aproximadamente una distribuci
on
de Poisson, cu
al es la probabilidad dde que el profesor reciba 6 o mas llamadas
telef
onicas en las 24 horas previas a un examen?.
13. Se ha estimado que aproximadamente 6, 0 % de los automovilistas conduce sin usar el
cintur
on de seguridad. Que tan probable es que en un control de 80 automovilistas
se encuentren 10 o m
as conductores que no llevan puesto el cinturon de seguridad?
R:
Con la Binomial 0,0213 y con la Poisson 0,0251