UNMSM FISI EAPIS CURSO: ESTADSTICA II SEMESTRE

2014-2
DISTRIBUCIONES
IMPORTANTES

DE

PROBABILIDAD

DE

VARIABLE

DISCRETA

MS

Existe un gran nmero de modelos para estudiar la distribucin de grupos de datos que provienen de
una variable aleatoria. Disponiendo de la distribucin de probabilidad , a partir de ella se puede
obtener toda la informacin que se requiera acerca de la variable aleatoria en estudio, incluyendo sus
caractersticas numricas.
El alumno podr, frente a un fenmeno aleatorio, decidir si le corresponde como modelo alguna de
las distribuciones que aqu presentamos.
Entre las distribuciones de variable discreta tenemos la distribucin: de Bernoulli, binomial,
geomtrica, hipergeomtrica, de Poisson, etc.; y entre los modelos de variable continua tenemos las
distribuciones: uniforme, normal, exponencial, t de student, F de Snedecor.
DISTRIBUCIN DE BERNOULLI
Una prueba o ensayo de Bernoulli es un experimento aleatorio que tiene slo dos resultados posibles.
Comnmente se suele denominar a uno de ellos como xito (E) y al otro como fracaso (F).
Ejemplos de ensayos de Bernoulli:
- Lanzar un misil a un objetivo y ver si acierta o no.
- Probar un artefacto y decidir si su funcionamiento es satisfactorio o no.
Elegir al azar un estudiante del aula y ver si est invicto acadmicamente o no.
El espacio muestral asociado a una prueba de Bernoulli es: {E , F } , donde los resultados pueden
o no ser equiprobables, siendo P(E) = p, donde 0< p < 1.
Si en este experimento definimos la variable aleatoria X tal que X(E)=1 y X(F)=0, la distribucin de
probabilidad de la variable X es:
xi
: 0
1
p(xi) : 1-p
p
La distribucin de Bernoulli tambin se puede representar mediante la siguiente frmula:
p ( x) p x (1 p )1 x para x 0, 1.
El parmetro de este modelo es p, donde o<p<1.
Caractersticas Numricas:
La esperanza y la varianza de una variable aleatoria discreta X que sigue la distribucin de Bernoulli,
con parmetro p son:
E(X) = p

V(X) = p(1-p)

DISTRIBUCIN BINOMIAL
Si un ensayo de Bernoulli se repite n veces de manera independiente (quiere decir que la
probabilidad de que aparezca E en cada repeticin es igual a p), habremos realizado un experimento
binomial.
La variable aleatoria X que indica el nmero de veces que aparece E, en las n repeticiones del
experimento, toma los valores 0, 1, 2, ...,n. La distribucin de la variable X es binomial, con
parmetros n y p.
___________________________________________________________________
PROFESORA: LIC. JUSTA CARIDAD HUAROTO SUMARI

UNMSM FISI EAPIS CURSO: ESTADSTICA II SEMESTRE

2014-2
La ley de probabilidad binomial se denota del modo siguiente:
p (k ) P X k C kn p k (1 p) n k para k = 0, 1, 2, ...., n; 0 < p < 1.

n y p son los parmetros del modelo.

Notacin: Si X sigue la distribucin binomial con parmetros n y p, se escribe X b(n, p).
Observacin:
Cuando n=1, la distribucin binomial corresponde a la distribucin de Bernoulli con parmetro p.
EJEMPLOS:
1) Si se lanza una moneda correcta 10 veces, entonces la v.a. X que cuenta el nmero de caras que
aparecen en los 10 lanzamientos tiene distribucin binomial (ya que cada lanzamiento es un ensayo
de Bernoull que se ha repetido 10 veces) con parmetros n = 10 y p = 1/2, siendo p la probabilidad
de que aparezca cara en cada lanzamiento.
2) Se considera que la proporcin de odontlogos que atienden en provincias es slo el 5%. Si se
eligen 10 odontlogos al azar del registro de todos los odontlogos del pas,
a) cul es la probabilidad de que 4 de ellos atiendan en provincias?
b) cul es la probabilidad de que el nmero de odontlogos que atienden en provincias sea
mayor o igual que 3 y menor o igual que 5?
SOLUCION:
Considerando que la poblacin de odontlogos es muy grande, la eleccin de cada uno de los 10
odontlogos de la muestra es un ensayo de Bernoulli, que se repite 10 veces, con probabilidad de
xito (que atienda en provincia) igual a 0.05, la misma para cada eleccin. Si X representa el nmero
de odontlogos que atienden en provincias, de los 10 elegidos, se supone que X tiene distribucin
binomial b(10, 0.05).
Luego se tiene que
10
4
6
a) P[X = 4] = C 4 0.05 0.95 0.00096
b) P (3 X 5) = P(X=3) + P(X=4) +P(X=5) = 0.01150.

3) Por experiencia se ha determinado que un 2% de las vacunas que se preparan en un laboratorio

pierden su efectividad despus del dcimo da de preparacin. Hallar la probabilidad de que ms de
dos vacunas de una caja de 10 resulten ineficaces despus del dcimo da de preparadas.
SOLUCION:
Si X es el nmero de vacunas ineficaces en cada una de las cajas de 10, se tiene que X b(10, 0.02).
2

Luego, P(X>2) = 1 P(X 2) = 1 -

C
x 0

10
x

0.02 x 0.9810 x

=0.0009.

___________________________________________________________________
PROFESORA: LIC. JUSTA CARIDAD HUAROTO SUMARI

UNMSM FISI EAPIS CURSO: ESTADSTICA II SEMESTRE

2014-2
4) Se supone que en un proceso de fabricacin de botellas de vidrio, es ideal que el porcentaje de
defectuosas sea pequeo. Para comprobar si se mantiene con el tiempo esa calidad, se extrae una
muestra de tamao N cada cierto tiempo. Si en una de estas muestras se encuentra por lo menos una
defectuosa, el proceso se detiene. Si el proceso pasara a producir el 5% de defectuosas, el fabricante
deseara que este cambio se notara con probabilidad igual a 0.95. cul debe ser el valor de N para
que se cumplan los deseos del fabricante?
Solucin:
Se desea hallar el valor de N de tal modo que, cuando la proporcin de defectuosas en toda la
produccin sea del 5%, la probabilidad de que se tenga por lo menos una botella defectuosa en la
muestra sea 0.95. Sea X el nmero de botellas defectuosas en cada muestra de tamao N. Luego, X
tiene distribucin binomial con parmetros N y p= 0.05, y segn la condicin
0.95 = P(1 X N) = 1 - P(X = 0) = 1 - 0.95N
resulta N=59.
Caractersticas Numricas:
Si una v.a.X tiene distribucin binomial, con parmetros n y p, entonces se cumple que la esperanza
y la varianza son:
E(X) = np
y
V(X) = npq, en donde q=1-p.
DISTRIBUCION HIPERGEOMETRICA
Consideremos una poblacin finita de N elementos, r de los cuales tienen cierta caracterstica de
inters y los N-r restantes no la tienen. De esta poblacin, dividida en dos categoras, se eligen al
azar y simultneamente n elementos y se considera la variable aleatoria X que cuenta el nmero de
elementos elegidos que poseen la caracterstica de inters.
En este experimento el evento [ X k ] ocurre si y solo si exactamente k elementos elegidos poseen
la caracterstica de inters, para 0 k r .
Se dice que una variable aleatoria X tiene distribucin hipergeomtrica si su distribucin
hipergeomtrica, con parmetros N, r y n si su distribucin de probabilidad es
C kr C nNkr
p ( k ) P X k
C nN
siempre que los valores k de la variable cumplan con
mx [0, n (N-r)] k min [n, r]
Notacin: Si una v.a. X tiene distribucin hipergeomtrica, se escribe X H(N,r,n).
El modelo es el mismo si las extracciones se hacen de una en una y sin restitucin.
A diferencia del experimento binomial, en este caso la v. a. X cuenta el nmero de xitos en n
ensayos no independientes de Bernoulli, con probabilidad de xito p = r/N constante en cada ensayo.
EJEMPLO:
___________________________________________________________________
PROFESORA: LIC. JUSTA CARIDAD HUAROTO SUMARI

UNMSM FISI EAPIS CURSO: ESTADSTICA II SEMESTRE

2014-2
Un fabricante ofrece un artculo en lotes de 10 unidades, de los cuales el 80% son buenos. Para
comprar un lote, el comprador extrae dos artculos al azar y si los dos estn buenos compra el lote; en
caso contrario, lo rechaza. El costo de produccin y puesta en tienda de cada lote es de 800 soles.
Cuando se logra vender el lote se obtiene una utilidad de 300 soles.
a) Obtener la distribucin de probabilidad de la ganancia neta por lote.
b) Si cada da el fabricante ofrece 15 de estos lotes, cul es el nmero esperado de lotes que
vende?
SOLUCION:
a) En este caso, la ganancia neta por lote toma los valores 300, cuando se han extrado dos artculos
buenos, y 800 cuando se han extrado menos de dos artculos buenos.
Sea la v.a. X: nmero de artculos buenos extrados de cada lote. Entonces, X H(10, 8, 2).
Si G = ganancia neta por lote, entonces Rx = {-800, 300} de modo que
C 28 C 02
10
P(G = 300) = P(X = 2) = C 2 = 28/45
y P(G = -800) = P(X< 2) = 17/45.
Luego, la distribucin de probabilidad de G es:
g
p(g)

300
28/45

-800
17/45

c) El ofrecer cada lote constituye un ensayo de Bernoulli, con probabilidad de venderlo (xito) igual
a 28/45, constante para cada lote. Sea la v.a. Y el nmero de lotes vendidos cada da. As definida,
28
Y tiene distribucin binomial b(15, 45 ) y, por lo tanto, E(Y) = np = 15(28/45) = 9.33; significa
que, el fabricante espera vender un promedio de 9.33 lotes por da si ofrece 15 lotes diarios
durante muchos das.
Propiedad:
Cuando N es suficientemente grande y n es pequeo respecto a N (en la prctica cuando n/N 0.1)
la distribucin hipergeomtrica H(N, r, n) se aproxima a la distribucin
b(n, p), en donde p es igual a r/N.
Caractersticas Numricas:
Para una v.a. X con distribucin hipergeomtrica H(N, r, n) se cumple:

E ( X ) n( r / N ) y

V (X ) n

r
r N n
1

N
N N 1 .

N n

Observamos que, si N es suficientemente grande y n es pequeo respecto de N, N 1 se

aproxima a 1 y as, la esperanza y la varianza tienen la misma forma que en el caso de la distribucin
binomial.

___________________________________________________________________
PROFESORA: LIC. JUSTA CARIDAD HUAROTO SUMARI

UNMSM FISI EAPIS CURSO: ESTADSTICA II SEMESTRE

2014-2
DISTRIBUCIN GEOMTRICA
La variable aleatoria que tiene distribucin geomtrica se define para un experimento que es muy
similar a un experimento binomial. Tambin se refiere a pruebas idnticas e independientes, y cada
una puede tener dos resulados, xito o fracaso. La probabilidad de tener xito es igual a p y es
constante para cada prueba. Sin embargo, la variable aleatoria geomtrica X es el nmero de la
prueba en la cual ocurre el primer xito, en lugar del nmero de xitos que ocurren en las n pruebas.
Entonces, el experimento consiste en una serie de pruebas que terminan al obtener el primer xito.
Por consiguiente, el experimento podra terminar en la primera prueba al obtener un xito o podra
seguir indefinidamente.
El espacio muestral para el experimento contiene el siguiente conjunto infinito contable de
puntos:
= {E, FE, FFE, FFFE,..........}
Como la variable aleatoria X es el nmero de pruebas hasta tener el primer xito, la distribucin de
probabilidad de X est dada por:
p( x ) p(1 p) x 1 para x = 1, 2, 3, ......; 0<p<1 es el parmetro.
Caractersticas Numricas:
Para una variable aleatoria cuya distribucin de probabilidad es la geomtrica su esperanza y
varianza son:
E(X) = 1/p
y V(X) = (1-p) / p2 .
DISTRIBUCIN DE POISSON
Un proceso de Poisson es todo fenmeno que se refiere a un evento el cual est sujeto a
observaciones independientes en un intervalo de amplitud t (ya sea de tiempo o de espacio), de modo
que se satisfacen las siguientes condiciones:
a) Las ocurrencias en intervalos que no se superponen son independientes.
b) La probabilidad de una sola ocurrencia, en un intervalo suficientemente pequeo, de amplitud t,
es proporcional a la amplitud; esto es, igual a t, donde >0 es conocida como parmetro del
proceso.
c) La probabilidad de dos o ms ocurrencias en un intervalo suficientemente pequeo es cero.
Si en un proceso de Poisson definimos la variable aleatoria X como el nmero de ocurrencias del
evento, en un intervalo de amplitud unitaria, la distribucin de probabilidad de X est dada por:
e x
p( x )
para x = 0, 1, 2, ......; 0
x!
es el parmetro.
Ejemplos de fenmenos asociados a un proceso de Poisson:
1. Llamadas de abonados a una central telefnica.
2. El paso de buses por un paradero, en un intervalo de tiempo.
3. Las llegadas de personas a una boletera, en un intervalo de tiempo.
___________________________________________________________________
PROFESORA: LIC. JUSTA CARIDAD HUAROTO SUMARI

UNMSM FISI EAPIS CURSO: ESTADSTICA II SEMESTRE

2014-2
4. El nmero de fallas de una computadora
5. El nmero de errores por pgina de impresin.
6. El nmero de relatos de accidentes, enviados a una compaa de seguros, en una semana.
7. El nmero de perforaciones en una manguera, de determinada longitud.
8. El nmero de defectos en la puerta de un refrigerados, etc.
Ejemplo 1:
El nmero medio de automviles que llegan a una estacin de suministro de gasolina es de 240 por
hora. Si dicha estacin puede atender a un mximo de 8 automviles por minuto, determine la
probabilidad de que, en un minuto dado, lleguen a la estacin ms automviles de los que puede
atender.
Solucin:
Sea X la variable aleatoria que denota el nmero de automviles que llegan a la estacin de servicio,
en un minuto dado. Si el nmero medio de automviles que llegan a la estacin de suministro es 240
por hora, entonces = 240/60 = 4.
Luego, X ~ P(4). Se pide P(X>8)= 0.021344
Ejemplo 2:
El nmero X de tanques de aceite que llegan a una refinera, cada da se comporta como una variable
de Poisson con parmetro 2. Las facilidades de puerto de la refinera pueden servir tres tanques por
da. Si llegan ms de tres tanques en un da, los tanques en exceso deben ser puestos en otro puerto.
En un da especificado, cul es la probabilidad de tener que enviar tanques a otro lugar?
Solucin:
Sea la v.a. X: Nmero de llegadas de tanques por da. Entonces
X ~P(2). Se pide P(X>3) = 0.1428, probabilidad que se interpreta del modo siguiente: el 14.28% de
los das en que lleguen tanques a la refinera ser necesario enviarlos a otro puerto.
Caractersticas Numricas:
Si X tiene distribucin de Poisson, con parmetro , entonces la esperanza y la varianza de X son:
E(X) =

V(X) =

___________________________________________________________________
PROFESORA: LIC. JUSTA CARIDAD HUAROTO SUMARI