Distribuciones discretas de

Probabilidad
Contenidos

Variables aleatorias
Distribuciones discretas
Valor esperado
Distribución Binomial
Distribución Geométrica
Distribución Binomial Negativa
Distribución Hipergeométrica
Distribución de Poisson
Variables aleatorias
Es una descripción numérica del resultado de un
experimento aleatorio
De acuerdo a lo anterior las podemos clasificar
como discretas o continuas
Las discretas son variable aleatorias con un rango
finito ( o infinito contable)
Las continuas son variables que pueden asumir
cualquier valor en un intervalo o conjunto de
intervalos
Una forma de determinar si una variable es
continua o discreta es imaginarse que los valores
de esa variable son los puntos en una recta
numérica
Distribución de probabilidad

La distribución de una variable X se define

como una descripción del conjunto de
valores posibles de X, junto con la
probabilidad asociada con cada uno de estos
valores
Para una variable aleatoria discreta la
distribución de probabilidad se describe
mediante una función de probabilidad,
representada por f(x). Donde esta función
define la probabilidad de cada valor de la
variable analizada
 Las condiciones requeridas para una función
son:
f ( x) = P( X = x)
fx( x) ≥ 0

Probabilidad
n

∑ fx( x) = 1
i =1

Cantidad discreta
Función de probabilidad uniforme discreta: es la
representación más sencilla de distribución de
probabilidad, se define como:

f ( x) = x / n
Valor esperado de una variable aleatoria discreta es
una medida de localización central de una variable
aleatoria. Es un promedio ponderado de los valores que
puede tener una variable en donde los factores de
ponderación son las probabilidades y se expresa de
acuerdo a: n
E ( x) = µ = ∑ xi f ( x)
i =1
Varianza de una variable aleatoria discreta es una
medida de dispersión o variabilidad y corresponde a
promedio ponderado de las desviaciones de una variable
aleatoria respecto a su promedio, elevadas al cuadrado
n 2

Var ( x) = σ 2 = ∑ ( xi − µ ) f ( x)
i =1
Ejercicio

Dada la siguiente tabla de distribución de

probabilidades de una variable aleatoria y.
Determine si es correcta la distribución de
probabilidades
Calcule E(y)
Calcule Var(y) y d.s(y)
y F(y)
2 0.20
4 0.30
7 0.40
8 0.10
Total 1.00
Distribución Binomial
Es una distribución discreta de probabilidad
conocida por sus variadas aplicaciones que se
relaciona con un experimento de etapas múltiples
Un experimento binomial tiene cuatro
propiedades:
– El experimento consiste en una sucesión de n
intentos idénticos
– En cada intento son posibles 2 resultados. Éxito o
Fracaso
– La probabilidad de éxito, representado por p, no
cambia de un intento a otro. En consecuencia, la
probabilidad de fracaso, (1-p), no cambia de un
intento a otro. Supuesto de estacionariedad
– Los intentos son independientes
Si existen sólo las propiedades 2,3,4 se habla de
un proceso Bernoulli
Un ejemplo de distribución Binomial es determinar
la probabilidad de que en n intentos al lanzar una
moneda salga cara (éxito) y no sello (fracaso)
La fórmula de combinatoria de n objetos
seleccionados en un grupo proporciona la cantidad
de resultados experimentales que resultan en x
éxitos
Cantidad de resultados experimentales con
exactamente x éxitos en n intentos
n n!
 x =
  x !( n − x ) !

También es necesario conocer la probabilidad

asociada a cada uno de los resultados
experimentales el cual se puede determinar a
través de la siguiente relación
p x (1 − p)( n − x )
Combinado las dos expresiones obtenemos
la función de distribución Binomial
n x
f ( x) =   p (1 − p )( n − x )
 x

f ( x) = probabilidad de x exitos en n intentos

n n!
 x =
  x !(n - x)!
p = probabilidad de un exito en cualquier intento
(1- p )=probabilidad de un fracaso en cualquier intento
Valor esperado de la distribución
binomial de probabilidad
E ( x) = µ = np

Varianza de la distribución binomial

de probabilidad
Var ( x) = σ 2 = np (1 − p )
Ejemplo

El gerente de una gran tienda necesita determinar

cual es la probabilidad de que 2 de tres clientes
que ingresan a la tienda hagan una compra. Él sabe
que la probabilidad de que un cliente compre es de
0.3
 3 3! Cantidad de resultados experimentales
 2 = =3
  2!( 3 − 2 ) !
Probabilidad de cada resultado
0.32 (1 − p )(3−1) = 0.063 experimental en donde 2 de los tres
clientes compran

Luego 3·0.063 = 0.189, probabilidad de que de 3 clientes

que ingresan a la tienda 2 compren
Distribución Geométrica
En una serie de intentos independientes, con una
probabilidad constante p de éxito, sea la variable X el
número de ensayos realizados hasta la obtención del
primer éxito. Se dice que X tiene una distribución
geométrica con parámetro p cuando
fx ( x; p ) = (1 − p ) x −1 p

x = cantidad de intentos
La media y varianza para esta distribución son
E ( X ) = 1/ p
(1 − p)
Var ( X ) =
p2

Una característica de esta distribución es que carece

de memoria, es decir, se puede empezar a contar en
cualquier ensayo o intento hasta obtener el éxito
Ejemplo

La probabilidad de que una muestra de aire

contenga una molécula rara es 0.01. Si se supone
que las muestras son independientes respecto a la
presencia de la molécula. Determine cuál es la
probabilidad de que sea necesario analizar 125
muestras antes de detectar una molécula rara

fx (125;0.01) = (1 − 0.01)125 −1 0.01 = 0.0029

Tarea: Graficar distribución

Distribución Binomial Negativa
En una serie de intentos independientes con una probabilidad
constante de éxito p, sea la variable aleatoria X en número
de ensayos efectuados hasta que se tienen r éxitos. Se dice
que X tiene una distribución Binomial negativa con parámetro
p y r cuando
 x − 1
fx( x; p; r ) =   (1 − p ) x − r p r
 r − 1
Una variable binomial negativa es un conteo del número de
ensayos necesarios para obtener r éxitos. Es decir, el
número de éxitos está predeterminado y lo aleatorio es el
número de ensayos. SE puede decir que esta variable es el
opuesto de una variable binomial
Una variable binomial negativa es una suma de variables
aleatorias geométricas E( X ) = r / p
La media y varianza para esta distribución son r (1 − p )
Var ( X ) =
p2
Ejemplo

Una aeronave tiene 3 computadoras

idénticas. Sólo una de ellas se emplea para
controlar la nave, las otras 2 son de
reservas por si falla la primera. Durante
una hora de operación la probabilidad de
falla 0.0005.
¿Cuál es el tiempo promedio de falla de las tres
computadoras?
¿Cuál es la probabilidad de que las 3 fallen
durante un vuelo de 5 horas?
a)
E ( x ) = 3 / 0.0005 = 6000h

b)
P ( x ≤ 5) = P ( X = 3) + P( X = 4) + P( X = 5)
 3  4
0.00053 +   0.00053 (0.9995) +   0.00053 (0.9995) = 1.249 x10−9
 2  2
Distribución Hipergeométrica
Está estrechamente relacionada con la distribución
de probabilidad binomial. La diferencia entre
ambas está en la independencia de los intentos y
en que la probabilidad de éxito cambia de uno a
otro
Se usa para calcular la probabilidad de que una
muestra aleatoria de n artículos seleccionados sin
reemplazo, obtengamos x elementos identificados
como éxitos, y n-x como fracasos. Para que suceda
esto debemos obtener x éxitos de los r de la
población, y n-x fracasos de los N-r de la población
 r  N − r 
 x  n − x 
f ( x) =   
0≤ x≤r
N
n
 
Ejemplo
Se debe seleccionar 2 miembros de un
comité, entre 5, para que asistan a una
convención en Santiago. Suponga que el
comité está formado por 3 mujeres y 2
hombres. Determine la probabilidad de
seleccionar 2 mujeres al azar
Tenemos N=5, n=2, r=3 y x=2
Luego el cálculo de la probabilidad es:
 3  2 
 2  0 
3
f (2) =    = = 0.3
5 10
 2
 
Distribución Poisson

Es una distribución de probabilidad que muestra la

probabilidad de x ocurrencias de un evento en un
intervalo especificado de tiempo o e espacio
Las propiedades de un experimento de Poisson son:
La probabilidad de una ocurrencia es igual en dos
intervalos cualesquiera de igual longitud
La ocurrencia o no ocurrencia en cualquier intervalo es
independiente de la ocurrencia o no ocurrencia en
cualquier otro intervalo
La distribución de Poisson se expresa como:
(x = cantidad de ocurrencia)
µ xe− µ
f ( x) =
x!

Se puede usar este distribución de

probabilidad como una aproximación de la
distribución binomial cuando p, la
probabilidad éxito es pequeña y n, la
cantidad de intentos, es grande. Tan sólo se
iguala µ=n·p
Ejemplo

Se necesita estimar la cantidad de llegadas a la

ventanilla de servicio en automóviles de un banco,
durante un período de 15 minutos en las mañanas
de los días hábiles. Los datos históricos indican que
en este período la cantidad de automóviles en
promedio es 10. A la gerencia le interesa saber
cual es la probabilidad exacta de que lleguen 5
automóviles en 15 minutos

105 e −10
f (5) = = 0.0378
5!
Ejercicios

Se comprobó que un nuevo detergente para

ropa quita bien la mugre y las manchas del
88% de las prendas lavadas. Suponga que se
van a lavar 10 prendas con el nuevo
detergente
¿Cuál es la probabilidad de obtener buenos
resultados en las 10 prendas?
¿Cuál es la probabilidad de encontrar mal
lavadas al menos 2 prendas?
¿Qué tipo de distribución empleó?
Un director regional tiene la responsabilidad del
desarrollo de una empresa, y le preocupa la
cantidad de quiebras de empresas pequeñas. Si la
cantidad promedio de quiebras de empresas
pequeñas por mes es de 10, ¿cuál es la probabilidad
de que quiebren exactamente 4 empresas pequeñas
durante un mes?, Suponga que la probabilidad de
una quiebra es igual en dos meses cualesquiera, y
que la ocurrencia o no ocurrencia de una quiebra en
cualquier mes es independiente de las quiebras en
los demás meses
La mayoría de las personas conoce el póker con
manos de 5 cartas. Con 52 cartas que incluyen 4
ases, cuál es la probabilidad de que la mano de
cinco cartas contenga:
Un par de ases
Exactamente un as
Ningún as
Cuando menos 1