Distribuciones Discretas de Probabiliidad

Algunas Distribuciones Discretas
de Probabilidad
UCR ECCI
CI-1352 Investigacin de Operaciones I
Prof. M.Sc. Kryscia Daviana Ramrez Benavides
Introduccin
El comportamiento de una variable aleatoria queda descrito

por su distribucin de probabilidad sin importar si esta se
representa de forma grfica, en forma tabular o con una
frmula.
A menudo, las observaciones de diferentes experimentos estadsticos

tienen el mismo tipo general de comportamiento.
En consecuencia, las variables aleatorias discretas asociadas se
pueden describir con la misma distribucin de probabilidad y se
pueden representar mediante una sola frmula.
De hecho, se necesita slo un conjunto de distribuciones de

probabilidad importantes para describir muchas de las
variables aleatorias discretas que se encuentran en la prctica.
UCR-ECCI CI-1352 Investigacin de Operaciones I

Algunas Distribuciones Discretas de Probabilidad
Distribucin Uniforme Discreta
Es la ms simple de todas las distribuciones discretas de

probabilidad.
Si la variable aleatoria X toma los valores x1, x2, , xk, con
probabilidades idnticas, entonces la distribucin uniforme
discreta est dada por
1
f ( x; k ) =
x = x1 , x2 ,..., xk
k
La media y la varianza de la distribucin uniforme discreta
k
k
2
f(x;k) son
(x )
x
i =1
2 =

i =1
k
3
Distribucin Binomial y Multinomial
Un experimento a menudo consiste en pruebas repetidas, cada

una con dos posibles resultados que se pueden etiquetar como
xito o fracaso.
Este tipo de proceso se denomina proceso de Bernoulli. Cada
ensayo se llama experimento de Bernoulli.

Distribucin Binomial y Multinomial (cont.)
Propiedades del Proceso de Bernoulli:
El experimento consiste en n pruebas que se repiten.

Cada prueba produce un resultado que se puede clasificar como xito
o fracaso.
La probabilidad de un xito, que se denota con p, permanece
constante en cada prueba.
Las pruebas que se repiten son independientes.

El nmero X de xitos en n experimentos de Bernoulli se

denomina variable aleatoria binomial.
La distribucin de probabilidad de esta variable aleatoria
discreta se llama distribucin binomial, y sus valores se
denotarn como b(x;n,p), pues dependen del nmero de
pruebas y de la probabilidad de xito en una prueba dada.

Un experimento de Bernoulli puede tener como resultado un

xito con probabilidad p y un fracaso con probabilidad q = 1
p. Entonces la distribucin de probabilidad de la variable
aleatoria binomial X, el nmero de xitos en n pruebas
independientes, es
n x n x
b( x; n, p ) = p q
x = 0,1,2,..., n
x
La media y la varianza de la distribucin binomial b(x;n,p) son

= np 2 = npq

La distribucin de probabilidad acumulada de la variable

aleatoria binomial X es
r
B(r ; n, p ) = b( x; n, p )
x =0
La tabla A.1 del libro de texto brinda las sumas binomiales

para n = 1, 2, , 20, y para valores seleccionados de p entre
0.1 y 0.9.

Aplicaciones:
Campos cientficos.
Ingeniera industrial.
Mediciones de control de calidad y esquemas de muestreo para
procesos.
Aplicaciones mdicas y militares.

El experimento binomial se convierte en un experimento

multinomial si cada prueba tiene ms de dos resultados
posibles.
En general, si una prueba dada puede tener como
consecuencia cualquiera de los k resultados posibles E1, E2,
, Ek con probabilidades p1, p2, , pk, entonces distribucin
multinomial dar la probabilidad de que E1 ocurra x1 veces;
E2 ocurra x2 veces; ; y Ek ocurra Ek veces en n pruebas
independientes, donde x1 + x2 + ... + xk = n

10
Se denota esta distribucin de probabilidad conjunta como

f ( x1 , x2 ,..., xk ; p1 , p2 ,..., pk , n )
Claramente, p1 + p2 ++ pk = 1, pues el resultado de cada

prueba debe ser uno de los k resultados posibles.

11
Si una prueba dada puede conducir a los k resultados posibles

E1, E2, , Ek con probabilidades p1, p2, , pk, entonces la
distribucin de probabilidad de las variables aleatorias X1, X2,
, Xk, que representan el nmero de ocurrencias para E1, E2,
, Ek en n pruebas independientes es
n
x1 x2
p1 p2 ... pkxk
f ( x1 , x2 ,..., xk ; p1 , p2 ,..., pk , n ) =
x1 , x2 ,..., xk
con
k
x
i =1
=n

i =1
=1
12
Distribucin Hipergeomtrica
La manera ms simple de ver la diferencia entre la

distribucin binomial y la distribucin hipergeomtrica est en
la forma en que se realiza el muestreo.
Los tipos de aplicaciones de la distribucin hipergeomtrica
son muy similares a los de la binomial.
Se interesa en el clculo de probabilidades para el nmero de
observaciones que caen en una categora en particular. Pero a
diferencia de la binomial, que son pruebas independientes,
la hipergeomtrica son pruebas dependientes.

13
Distribucin Hipergeomtrica (cont.)
Como resultado, si se aplica la binomial a tomar muestras de

un lote de artculos, el muestreo se debe efectuar con
reemplazo de cada artculo despus de que se observe. Por
otro lado, la distribucin hipergeomtrica se basa en el
muestreo que se realiza sin reemplazo.
Aplicaciones:
Muestreo de aceptacin.
Pruebas electrnicas.
Garanta de calidad.
Para muchos de estos campos el muestreo se realiza a

expensas del artculo que se prueba. Es decir, el artculo se
destruye y por ello no se puede reemplazar en la muestra.

14
En general, interesa la probabilidad de seleccionar x xitos de

los k artculos considerados como xito y n x fracasos de los
N k artculos que se consideran fracasos cuando se
selecciona una muestra aleatoria de tamao n de N artculos.
Esto se conoce como experimento hipergeomtrico; es decir,
uno que posee las siguientes dos propiedades:
Se selecciona sin reemplazo una muestra aleatoria de tamao n de N

artculos.
Los k de los N artculos se pueden clasificar como xitos y N k se
clasifican como fracasos.

15
El nmero X de xitos de un experimento hipergeomtrico se

denomina variable aleatoria hipergeomtrica.
En consecuencia, la distribucin de probabilidad de la variable
hipergeomtrica se llama distribucin hipergeomtrica, y
sus valores se denotan como h(x;N,n,k), debido a que
dependen del nmero de xitos k en el conjunto N del que
seleccionamos n artculos.

16

La distribucin de probabilidad de la variable aleatoria
hipergeomtrica X, el nmero de xitos en una muestra
aleatoria de tamao n que se selecciona de N artculos de los
que k se denominan xito y N k fracaso, es
k N k

x n x
x = 0,1,2,..., n
h(x; N , n, k ) =
N

n
La media y la varianza de la distribucin hipergeomtrica
h(x;N,n,k) son = nk 2 = N n n k 1 k
N
N 1
N N
17
Hay una relacin interesante entre la distribucin

hipergeomtrica y la binomial.
Como se podra esperar, si n es pequeo comparado con N, la
naturaleza de los N artculos cambia muy poco en cada
prueba.
n
0.05
N
As la cantidad k/N juega el papel del parmetro binomial p.
Como consecuencia, la distribucin binomial se puede ver
como una versin de poblacin grande de las distribuciones
hipergeomtricas.

18
La media y la varianza entonces se obtienen de las frmulas

nk
k
k
2
= np =
= npq = n 1
N
N N
Al comparar estas frmulas, se puede observar que la media es
la misma mientras que la varianza difiere por un factor de
correccin (N n)/(N 1), que es insignificante cuando n es
pequea en relacin con N.

19
Distribucin Hipergeomtrica Multivariada
La distribucin hipergeomtrica se puede extender para tratar

el caso donde los N artculos se pueden dividir en k celdas A1,
A2, , Ak con a1 elementos en la primera celda, a2 elementos
en la segunda celda, , y ak elementos en la k-sima celda. Se
interesa ahora en la probabilidad de que una muestra aleatoria
de tamao n d x1 elementos de A1, x2 elementos de A2,, y xk
elementos de Ak. Esta probabilidad se representa por
f ( x1 , x2 ,..., xk ; a1 , a2 ,..., ak , N , n )

20
Distribucin Hipergeomtrica Multivariada

(cont.)
Si N artculos se pueden dividir en las k celdas A1, A2, , Ak

con a1, a2, , ak elementos, respectivamente, entonces la
distribucin de probabilidad de las variables aleatorias X1, X2,
, Xk, que representan el nmero de elementos que se
seleccionan de A1, A2, , Ak en una muestra aleatoria de
tamao n, es
a1 a2 ak
...
x1 x2 xk
f ( x1 , x2 ,..., xk ; a1 , a2 ,..., ak , N , n ) =
N

con
k
k
n
x
i =1
=n
a
i =1

=N
21
Distribuciones Binomial Negativa y Geomtrica
Se considera un experimento donde las propiedades son las

mismas que las que se indican para un experimento binomial,
con la excepcin de que las pruebas se repetirn hasta que
ocurra un nmero fijo de xitos.
Por lo tanto, en lugar de encontrar la probabilidad de x xitos
en n pruebas, donde n es fija, interesa la probabilidad de que
ocurra el k-simo xito en la x-sima prueba.
Los experimentos de este tipo se llaman experimentos
binomiales negativos.

22

(cont.)
El nmero X de pruebas que produce k en un experimento

binomial negativo se llama variable aleatoria binomial
negativa y su distribucin de probabilidad se llama
distribucin binomial negativa.
Como sus probabilidades dependen del nmero de xitos que
se desean y la probabilidad de un xito en una prueba dada, se
denotar con b*(x;k,p).

23

(cont.)
Si pruebas independientes repetidas pueden tener como

resultado un xito con probabilidad p y un fracaso con
probabilidad q = 1 p, entonces la distribucin de
probabilidad de la variable aleatoria X, el nmero de la prueba
en la que ocurre el k-simo xito, es
x 1 k x k
p q
b * (x; k , p ) =
x = k , k + 1, k + 2,...
k 1
La media y la varianza de la distribucin binomial negativa
b*(x;k,p) son
k
kq
=
2 = 2
p
p

24

(cont.)
En teora de probabilidad y estadstica, la distribucin

geomtrica es cualquiera de las dos distribuciones de
probabilidad discretas siguientes:
La distribucin de probabilidad del nmero X del experimento de

Bernoulli necesaria para obtener un xito, cuando x = 1, 2, 3, ...
La distribucin de probabilidad del nmero Y = X 1 de fallos antes
del primer xito, cuando x = 0, 1, 2, 3, ...

25

(cont.)
Si se considera el caso especial de la distribucin binomial

negativa donde k = 1, se tiene una distribucin de probabilidad
para el nmero de pruebas que se requieren para un solo xito.
La distribucin binomial negativa se reduce a la forma
b * (x;1, p ) = pq x 1 x = 1,2,3,...
Como los trminos sucesivos constituyen una progresin
geomtrica, se acostumbra referirse a este caso especial como
la distribucin geomtrica y denotar sus valores con g(x;p).

26

(cont.)
Si pruebas independientes repetidas pueden tener como

resultado un xito con probabilidad p y un fracaso con
probabilidad q = 1 p, entonces la distribucin de
probabilidad de la variable aleatoria X, el nmero de la prueba
en el que ocurre el primer xito, es
g ( x; p ) = pq x 1 x = 1,2,3,...
La media y la varianza de una variable aleatoria que sigue

distribucin geomtrica son
1
q
2
=
= 2
p
p

27

(cont.)
Aplicaciones:
Binomial negativa:
Similares a la naturaleza.
Los intentos son costosos en algn sentido y ocurren en sucesin; para
ver si hay un alta probabilidad de requerir un nmero grande de intentos
para experimentar un nmero fijo de xitos, ya que no es benfico para el
cientfico o ingeniero.
Geomtrica:
Las pruebas ocurren antes de que un xito represente un costo.

Si hay una alta probabilidad de hacer varios intentos antes del enlace,
entonces se deben hacer planes para redisear el sistema o proceso.

28
Distribucin de Poisson y Proceso de Poisson
Los experimentos que dan valores numricos de una variable

aleatoria X, el nmero de resultados que ocurren durante un
intervalo dado o en una regin especfica, se llaman
experimentos de Poisson.
El intervalo dado puede ser de cualquier longitud, como un
minuto, un da, una semana, un mes o incluso un ao.
La regin especfica podra ser un segmento de lnea, un rea
o quiz una pieza de material.

29

(cont.)
Un experimento de Poisson se deriva del proceso de Poisson y

posee las siguientes propiedades:
El nmero de resultados que ocurren en un intervalo o regin

especfica es independiente del nmero que ocurre en cualquier otro
intervalo o regin del espacio disjunto. No tiene memoria.
La probabilidad de que ocurra un solo resultado durante un intervalo
muy corto o en una regin pequea es proporcional a la longitud del
intervalo o al tamao de la regin, y no depende del nmero de
resultados que ocurren fuera de este intervalo o regin.
La probabilidad de que ocurra ms de un resultado en tal intervalo
corto o que caiga en tal regin pequea es insignificante.

30

(cont.)
El nmero X de resultados que ocurren durante un

experimento de Poisson se llama variable aleatoria de
Poisson y su distribucin de probabilidad se llama
distribucin de Poisson.
El nmero medio de resultados se calcula de = t, donde t es
el tiempo o regin especfico de inters.
Como sus probabilidades dependen de , la tasa de ocurrencia
de los resultados, se denota con p(x;t).

31

(cont.)
La distribucin de probabilidad de la variable aleatoria de

Poisson X, que representa el nmero de resultados que ocurren
en un intervalo dado o regin especfica que se denota con t,
es
x
e t (t )
p( x; t ) =
x = 0,1,2,...
x!
Donde es el nmero promedio de resultados por unidad de

tiempo o regin y e = 2.71828
La media y la varianza de la distribucin de Poisson p(x;t)
tienen el valor t.

32

(cont.)
La distribucin de probabilidad acumulada de la variable

aleatoria Poisson X es
r
P(r ; t ) = p(x; t )
x =0
La tabla A.2 del libro de texto brinda la suma de probabilidad

de Poisson para algunos valores selectos de t que van de 0.1
a 18.

33

(cont.)
Aplicaciones:
Control de calidad.
Seguro de calidad.
Muestreo de aceptacin.
Ciertas distribuciones continuas importantes que se usan en la teora
de confiabilidad y teora de colas depende del proceso de Poisson.

34

(cont.)
Aunque el proceso de Poisson por lo general encuentra

aplicaciones en problemas de espacio y tiempo, se puede ver
como una forma limitante de la distribucin binomial.
En el caso de la binomial, si n es bastante grande y p es
pequea, las condiciones comienzan a simular las
implicaciones de espacio continuo o regin temporal del
proceso de Poisson.

35

(cont.)
La independencia entre las pruebas de Bernoulli en el caso

binomial es consistente con la propiedad 2 del proceso de
Poisson.
Si se hace al parmetro p cercano a cero se relaciona con la
propiedad 3 del proceso de Poisson.
Si p es cercana a 1, an se puede utilizar la distribucin de Poisson

para aproximar probabilidades binomiales mediante el intercambio de
lo que definimos como xito o fracaso, se cambian los valores de p y
q.

36

(cont.)
Distribucin de Poisson como forma limitante de la binomial,

teorema:
Sea X una variable aleatoria binomial con distribucin de

probabilidad b(x;n,p). Cuando n , p 0, y = np permanece
constante, b(x;n,p) p(x;).
e x
b(x; n, p )
x!

x = 0,1,2,...
37
Referencias Bibliogrficas
Walpole, R.E.; Myers, R.H.; Myers, S.L. & Ye, K.

Probabilidad y estadstica para ingeniera y ciencias. Octava
Edicin. Pearson Prentice-Hall. Mxico, 2007.

38

Distribuciones Discretas de Probabiliidad

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Distribuciones Discretas de Probabiliidad

Cargado por

Copyright:

Formatos disponibles

Algunas Distribuciones Discretas

El comportamiento de una variable aleatoria queda descrito

A menudo, las observaciones de diferentes experimentos estadsticos

De hecho, se necesita slo un conjunto de distribuciones de

UCR-ECCI CI-1352 Investigacin de Operaciones I

Distribucin Uniforme Discreta

Es la ms simple de todas las distribuciones discretas de

UCR-ECCI CI-1352 Investigacin de Operaciones I

Distribucin Binomial y Multinomial

Un experimento a menudo consiste en pruebas repetidas, cada

UCR-ECCI CI-1352 Investigacin de Operaciones I

Distribucin Binomial y Multinomial (cont.)

Propiedades del Proceso de Bernoulli:

El experimento consiste en n pruebas que se repiten.

UCR-ECCI CI-1352 Investigacin de Operaciones I

Distribucin Binomial y Multinomial (cont.)

El nmero X de xitos en n experimentos de Bernoulli se

UCR-ECCI CI-1352 Investigacin de Operaciones I

Distribucin Binomial y Multinomial (cont.)

Un experimento de Bernoulli puede tener como resultado un

La media y la varianza de la distribucin binomial b(x;n,p) son

UCR-ECCI CI-1352 Investigacin de Operaciones I

Distribucin Binomial y Multinomial (cont.)

La distribucin de probabilidad acumulada de la variable

La tabla A.1 del libro de texto brinda las sumas binomiales

UCR-ECCI CI-1352 Investigacin de Operaciones I

Distribucin Binomial y Multinomial (cont.)

UCR-ECCI CI-1352 Investigacin de Operaciones I

Distribucin Binomial y Multinomial (cont.)

El experimento binomial se convierte en un experimento

UCR-ECCI CI-1352 Investigacin de Operaciones I

Distribucin Binomial y Multinomial (cont.)

Se denota esta distribucin de probabilidad conjunta como

Claramente, p1 + p2 ++ pk = 1, pues el resultado de cada

UCR-ECCI CI-1352 Investigacin de Operaciones I

Distribucin Binomial y Multinomial (cont.)

Si una prueba dada puede conducir a los k resultados posibles

UCR-ECCI CI-1352 Investigacin de Operaciones I

La manera ms simple de ver la diferencia entre la

UCR-ECCI CI-1352 Investigacin de Operaciones I

Distribucin Hipergeomtrica (cont.)

Como resultado, si se aplica la binomial a tomar muestras de

Para muchos de estos campos el muestreo se realiza a

UCR-ECCI CI-1352 Investigacin de Operaciones I

Distribucin Hipergeomtrica (cont.)

En general, interesa la probabilidad de seleccionar x xitos de

Se selecciona sin reemplazo una muestra aleatoria de tamao n de N

UCR-ECCI CI-1352 Investigacin de Operaciones I

Distribucin Hipergeomtrica (cont.)

El nmero X de xitos de un experimento hipergeomtrico se

UCR-ECCI CI-1352 Investigacin de Operaciones I

Distribucin Hipergeomtrica (cont.)

Algunas Distribuciones Discretas de Probabilidad

Distribucin Hipergeomtrica (cont.)

Hay una relacin interesante entre la distribucin

UCR-ECCI CI-1352 Investigacin de Operaciones I

Distribucin Hipergeomtrica (cont.)

La media y la varianza entonces se obtienen de las frmulas

UCR-ECCI CI-1352 Investigacin de Operaciones I

Distribucin Hipergeomtrica Multivariada

La distribucin hipergeomtrica se puede extender para tratar

UCR-ECCI CI-1352 Investigacin de Operaciones I

Distribucin Hipergeomtrica Multivariada

Si N artculos se pueden dividir en las k celdas A1, A2, , Ak