DISTRIBUCIONES DE PROBABILIDAD

PARA VARIABLES ALEATORIAS

OBJETIVOS

Reconocer el concepto y aplicar la distribucin binomial negativa.

Definir el concepto y aplicar de la distribucin geomtrica.
Manejar el concepto y aplicar la distribucin de Poisson.
Conocer el concepto y aplicar la distribucin hipergeomtrica.

Las distribuciones de probabilidad son modelos que facilitan el clculo de la probabilidad de un

evento, cuando este se ajusta a un determinado modelo.

DISTRIBUCIN DE POISSON
Sea X una variable aleatoria, si X cuenta el nmero de xitos por unidad de tiempo o por
unidad de superficie, entonces se dice que X sigue una distribucin de Poisson con parmetros
y se indica X P().

Cuando se cuenta xitos por unidad de tiempo o por unidad de superficie se indica cosas
como nmero de llamadas recibidas por minuto, nmero de carros por hora atendidos en
una estacin de servicio, etc.

La funcin de probabilidad de una variable que sigue una distribucin de Poisson es:
r er
P [ X=r] = r!

Donde
r: es un valor particular que se quiere tome la variable X

: es el promedio de la variable X

e: es la base de los logaritmos neperianos = 2.718281828

Si una variable aleatoria sigue una distribucin de Poisson, entonces:
E[X] =
V[X] =

Es decir, que el valor esperado y la varianza son iguales.

Por otra parte, en la funcin de probabilidad representa la base de los logaritmos

neperianos es decir = 2.718281828

Ejemplo:
El nmero de clientes que atiende por hora un cajero de un banco, es en promedio 12, cul
es la probabilidad de:
a) En la prxima hora atienda diez clientes
b) En la prxima hora atienda por lo menos tres clientes
c) En los prximos 30 minutos atienda cuatro clientes
d) En el prximo cuarto de hora atienda dos clientes.

Solucin:
Como se menciona que atiende en promedio 12 clientes por hora, entonces
=12 y X P ( = 12)

a) P [X=10] = = 0.1048

b) P[X3] = 1- P [X<3]

=1-

= 1- [0.0000061+ 0.0000737+0.0004424]
= 1-0.0005222
= 0.9994778
 c) Como en esta pregunta se solicita en los 30 prximos minutos y no en la prxima hora,
se convierte el que est en unidades de hora a unidades de media hora es decir 12
clientes por hora, en media hora 6 clientes, entonces:

P [X=4] =

= 0.1339

es decir es en este caso igual a 6

d) En esta pregunta la unidad de tiempo es cuarto de hora, entonces si en

una hora atiende de 12, en un cuarto de hora atiende 3

P [X=2] = = 0.2240

En resumen si X P () entonces

P [X=r] =

r e
r =0 r!
=1

Se tiene la sumatoria hasta , ya que no se conoce hasta que el valor toma X.

E[X] =
V[X] =

Adems, la distribucin de Poisson sirve como una aproximacin a la distribucin binomial,

cuando el n de la binomial es grande y el p es pequeo.

Para esta aproximacin, se tiene que igualar los valores esperados, es decir:

np =
Ejemplo:
Sea X b(50, 0.1)

P [X=7] = 0.10.7 0.943 = 0.1076

Si =np = 50x0.1= 5 entonces

P [X=7] = = 0.1044

Se observa que el resultado es casi exacto realizndolo por la binomial o por Poisson. En
algunas oportunidades, es ms complicado el clculo por la binomial y, por tanto, se recurre a
la distribucin de Poisson.

Ejemplo:
Una compaa de seguros de vida asegura a 8000 hombres de 50 aos de edad. De
acuerdo con su experiencia ha concluido que la probabilidad que un hombre de 50 aos
muera en un determinado ao es de 0.002. Calcule la probabilidad que la compaa de
seguros pague exactamente 6 demandas en un ao.

Solucin:
En este caso la variable se puede definir como la que cuenta hombres de 50 aos que mueren
en el ao y se puede concluir que

X b (8000, 0.002),

pero en razn a que n= 8000 es un nmero grande y que p= 0.0002 es un nmero pequeo,
se puede aplicar la aproximacin de Poisson a la Binomial, obteniendo:

= np = 8000x 0.002 =16

166 e16
P[ X= 6]
= = 0.002622
6!
Si se aplica directamente la binomial se tendra:

P [X=6] = 0.0026 0.9987992 = 0.002617

DISTRIBUCIN GEOMTRICA
Si en un experimento tipo binomial, es decir en el que solo puede tener dos posibles resultados
y sus repeticiones son independientes, se define una variable X que cuenta el nmero de
repeticiones necesarias para obtener el primer xito, entonces se dice que X tiene una
distribucin geomtrica,
X g (r,p), donde p es la probabilidad de xito y r el nmero de la prueba en que se obtiene el
primer xito y la funcin de probabilidad est dada por

P [x=r] = (1-p)r-1 p
Donde r es el nmero de la prueba en que se obtiene el primer xito.

Ejemplo:
Suponga que la probabilidad de seleccionar un artculo defectuoso es de 0.1, Cul es la
probabilidad que el quinto artculo seleccionado sea el primero defectuoso?
Entonces X, que cuenta con el nmero de pruebas necesarias para obtener el primer artculo
defectuoso, sigue una distribucin geomtrica con p= 0.1, es decir X g(5, 0.1)

P [x=5] = (1-0.1)4 0.1 = 0.0656

Si X sigue una distribucin geomtrica, X g(r,p) entonces

E [X] = =

V [X] = =
En el ejemplo anterior entonces se tendra

E [X] = =10 es decir se espera el primer defectuoso se presente en la dcima prueba, en la

dcima extraccin.

V [X] = = = 90
 Por lo tanto, la desviacin estndar de X es = = 9.4868

DISTRIBUCIN BINOMIAL NEGATIVA

Al igual que en la distribucin geomtrica, considrese un experimento de tipo binomial, es
decir un experimento que solo da dos posibles resultados y que se repite por n veces en forma
independiente, sea X la variable que cuenta el nmero de pruebas necesarias para obtener r
xitos, entonces se dice que X sigue una distribucin binomial negativa

X b* (r, k, p)
Donde:
r =nmero de xitos deseados
k =nmero de pruebas en las que se obtienen r xitos
p =la probabilidad de xito

La funcin de probabilidad de la distribucin binomial negativa sera:

pk (1-p)k-r
Es decir, la probabilidad de obtener el ensimo xito en la ksima prueba
k
E[ X ] =
p

k (1 p )
=
V[X ] = 2
2
p

Ejemplo:
La probabilidad de encontrar un artculo defectuoso en un gran lote de artculos es de 0.1,
Cul es la probabilidad de encontrar el tercer artculo defectuoso en la quinta prueba?

X b* (3, 5, 0.1) = 0.15 (0.9)5-3 = 0.0000486

DISTRIBUCIN HIPERGEOMTRICA
Sea E un experimento que solo puede dar dos posibles resultados, pero sus repeticiones no son
independientes, entonces sea X la variable que cuenta el nmero de xitos en las n
repeticiones dependientes del experimento, bajo estas circunstancias, se dice que X sigue una
distribucin hipergeomtrica y se simboliza

X h (N,k,n)

Donde:
N = es el total de elementos de la poblacin
k = es el total de elementos de la poblacin con la caracterstica deseada
n = es el tamao de la muestra o nmero de veces que se repite el experimento.
Si X h (N, k, n) entonces su funcin de probabilidad viene dada por
k N k

r nr
]
P[ X= r=
N

n
r es el nmero de xitos que se solicita y r es menor que K y que n
r<kyr<n
k k N k N n
E[ X ] = n V[X ] = n
N n N N 1

Ejemplo:
Se tiene un lote de 10 carros de los cuales 3 son Mazda. De este lote se seleccionan al azar
2 carros, Cul es la probabilidad qu?:
a) Exactamente uno de los 2 sea Mazda
b) Por lo menos uno sea Mazda
c) Cuntos Mazda se esperan seleccionar?
d) Cul es la varianza y la desviacin estndar del nmero de carros Mazda
seleccionados?

Solucin:
Al seleccionar un carro se encuentra que es Mazda o no es Mazda, es decir, solo hay dos
resultados. Cuando se selecciona el primer carro, este puede ser cualquiera de los 10 que
 se tienen, pero cuando se va a seleccionar el segundo ya solo se tienen 9 para escoger, por
tanto, las repeticiones del experimento no son independientes. Por estas dos razones, la
variable aleatoria que cuenta el nmero de automviles Mazda seleccionados sigue una
distribucin hipergeomtrica.

Si X h (10, 3, 2)

a) P [X=1] = = 0.4667

b) P [X1] = = 0.46667+0.0667
= 0.5334

Esta pregunta se puede resolver aplicando la regla del complemento

P [X1] = 1- P [X<1]

1- = 1- 0.4667
= 0.5333

c) E [X] = =( 2)(3/10) = 0.6

d) V [X] = . = 0.3733

= = 0.6110