40

  
2
1
2
1
3 4 x4 x5 1 3
E[X ] = x 6 x (1 − x) dx = 6 (x − x ) dx = 6 −  0 = .
0 0 4 5 10
Finalmente,
 2
2 3 2 1 1
V ar[X] = E[X ] − (E[X]) = − = .
10 2 20

Algunas Distribuciones de Probabilidad

Discretas
Algunas de las distribuciones de probabilidad discretas más usadas, se basan
en un tipo especial de experimento aleatorio. Este experimento es conocido
como Ensayo Bernoulli. Un experimento Bernoulli se caracteriza por tener
solo dos posibles resultados (usualmente llamados ’ÉXITO’ o ’FRACASO’).
El éxito representa un evento en el cual estamos interesados. Por ejemplo al
lanzar una moneda se tienen dos posibles resultados ’Cara’ o ’Sello’; en una
encuesta de opinión, el encuestado puede responder ’SI’ o ’NO’ a la pregunta
formulada por el encuestador; el resultado de un tratamiento aplicado a un
paciente puede ser favorable o no, etc.
La probabilidad de que ocurra el evento de interés es usualmente denotada p y
la de fracaso 1 − p. La variable aleatoria de interés en este caso es X : Número
de éxitos obtenidos. Claramente el rango de X será AX = 0, 1.
Para calcular la distribución de probabilidad de X, se debe calcular la pro-
babilidad asociada a cada valor de X.

p(0) = P (X = 0) = 1 − p y p(1) = P (X = 1) = p .

Ası́,
p(x) = px (1 − p)1−x ; x = 0, 1 .
Esta distribución se conoce como Bernoulli y es usualmente denotada
X ∼ Ber(p). Es fácil mostrar que:

E[X] = p y V ar[X] = p (1 − p) .
 41

Ejemplo
En el lanzamiento de una moneda no cargada, sea X: número de caras ob-
tenido. Esta variable
1 aleatoria tiene una distribución Bernoulli, con p = 12 .
Ası́, X ∼ Ber 2 .

Considere ahora un experimento aleatorio que consiste en repetir un ensa-

yo bernoulli n veces, donde cada repetición es independiente de las demás
repeticiones o ensayos. Defina la variable X: número de éxitos en los n en-
sayos. Dependiendo del supuesto que se tenga para la probabilidad de éxito,
se obtendrán diferentes tipos de experimentos, de los cuales se deriva una
distribución de probabilidad diferente.

Distribución Binomial
Proceso Binomial
Un experimento aleatorio es llamado Binomial si cumple las siguientes ca-
racterı́sticas:

1. Consta de n pruebas idénticas e independientes.

2. Cada prueba tiene dos posibles resultados ’Éxito’ o ’Fracaso’.

3. La probabilidad de Éxito es constante en las n pruebas y se denota por

p.

4. La v.a de interés es X: # éxitos en los n ensayos.

En este caso el rango de X está dado por AX = {0, 1, · · · , n}. Se puede

mostrar que la p.m.f. de X está dada por:
 
n
p(x) = px (1 − p)n−x ; x = 0 , 1 , 2 , · · · , n .
x

Por notación se escribe X ∼ bin (n , p).

Tambien se tiene que:

(n − x) p
E[X] = n p , V ar[X] = n p (1 − p) y p(x + 1) = p(x) .
(x + 1)(1 − p)
42

Ejemplo
Suponga que la probabilidad de tener una unidad defectuosa en una lı́nea de
ensamble es de 0.05.

a) ¿Cuál es la probabilidad de que entre 20 unidades seleccionadas al azar,

dos sean defectuosas?

b) ¿Cuál es la probabilidad de que a lo más dos de las 20 unidades estén

defectuosas?

c) ¿Cuál es la probabilidad de que por lo menos 2 unidades estén defec-

tuosas?

Solución
Sea X: el # de unidades defectuosas de las 20 unidades seleccionadas. Este
experimento cumple con todas las condiciones para ser un ensayo Binomial.
Ası́, X ∼ bin (20 , 0.05) , donde
 
20
p(x) = (0.05) x (0.95) 20 − x ; x = 0 , 1 , · · · , 20 .
x

En la figura 8 se muestra el respectivo gráfico de p(x).

Fig. 8: Distribución Binomial n = 20, p = 0.2

 43

a)  
20
P (X = 2) = p(2) = (0.05) 2 (0.95) 18 = 0.1887 .
2

b)

P (X ≤ 2) = p(0) + p(1) + p(2) = 0.3585 + 0.3774 + 0.1887 = 0.9246 .

c)
P (X ≥ 2) = 1 − P (X < 2) = 1 − P (X ≤ 1) = 0.2641 .

Ejemplo
Un examen de opción múltiple contiene 10 preguntas. Cada pregunta tiene
cuatro opciones de las cuáles sólo una es la correcta. El examen se aprueba si
se responden correctamente al menos seis preguntas. Si el estudiante adivina
las respuestas, conteste las siguientes preguntas:

a) ¿Cuál es la probabilidad de aprobar el examen?.

b) Si el estudiante adivina al menos tres de las preguntas, ¿Cuál es la

probabilidad de reprobar el examen?.

c) Halle E [X] y V ar [X]

Solución
Sea X: # preguntas con respuesta correcta de las 10 contestadas. Entonces
1
X ∼ bin (10 , p) , con p = .
4
Ası́,
   x  10−x
10 1 3
p(x) = ; x = 0 , 1 , · · · , 10 .
x 4 4

a) Se pide

5    x  10−x
10 1 3
P (X ≥ 6) = 1 − P (X ≤ 5) = 1 − = 0.01973 .
x=0
x 4 4
44

b)
P (3 ≤ X < 6) P (3 ≤ X ≤ 5)
P (X < 6 | X ≥ 3) = =
P (X ≥ 3) 1 − P (X < 3)
5   
 10 1 x 3 10−x
x 4 4 0.4547
x=3
P (X < 6 | X ≥ 3) = = = 0.9585 .
1 − P (X ≤ 2) 1 − 0.5256

c)     
1 1 3 15
E [X] = 10 = 2.5 ; V ar [X] = 10 = .
4 4 4 8

Distribución de probabilidad Hipergeométrica

Suponga que una población finita tiene N elementos, cada uno de los cuales
tiene una de dos caracterı́sticas diferentes (por ejemplo, K elementos tienen
la caracterı́stica de interés y N − K no la tienen). Se toman al azar y sin
reemplazo n de estos elementos. Sea X : la variable aleatoria que representa
el número de elementos que tienen la caracterı́stica de interés en los
n seleccionados. Los valores que toma esta variable aleatoria son
x = 0, 1, 2, · · · , min(n, K). En este experimento se puede observar:
 
N
Formas distintas de seleccionar n objetos de N .
n
 
K
Formas distintas de seleccionar x elementos de los K
x
 
N −K
Formas distintas de seleccionar n − x de los N − K
n−x
Entonces,
K N −K
x
p(x) = P (X = x) = Nn−x
; x = 0, 1, 2, · · · , min(n, K) .
n

Esta función de probabilidad se conoce como Distribución Hipergeométri-

ca. Se denotará X ∼ Hiper(N, K, n) .
 45

Nota: Sea X ∼ Hiper(N, K, n) entonces:

K
E [X] = n
N  
(N − n) K K
V [X] = n 1− .
(N − 1) N N

(N − n)
El término se conoce con el nombre de factor de corrección por
(N − 1)
población finita. Observe que si el tamaño de la muestra n es muy pequeño
comparado con el tamaño de la población, entonces el factor de corrección por
población finita tiende a uno y por lo tanto la varianza de la hipergeométrica
se asemeja a la varianza de la binomial; además garantiza que la condición
de independiencia se cumpla aproximadamente.

Fig. 9: Distribución Hipergeométrica, N = 20, K = 6, n = 5

Ejemplo
Un lote con 25 arandelas contiene tres en las que la variabilidad en el espesor
alrededor de la circunferencia es inaceptable. Se toma una muestra al azar
de tres arandelas.

a) ¿Cuál es la probabilidad de que ninguna de las arandelas inaceptables

se encuentren en la muestra?
46

b) ¿Cuál es la probabilidad de que al menos una de las arandelas inacep-

tables se encuentren en la muestra?

c) ¿Cuál es la probabilidad de que exactamente una de las arandelas

inaceptables se encuentre en la muestra?

Solución
Sea X: # de arandelas inaceptables en la muestra. La p.m.f. de X es de la
forma: 3  22
x
P (X) = 253−x
; x = 0, 1, 2, 3 .
3

a) 22
3 1540
P (X = 0) = p(0) = 25 = = 0.66957 .
3
2300

b)
38
P (X ≥ 1) = 1 − P (X < 1) = 1 − p(0) = = 0.33043 .
115
c) 3 22
1 693
P (X = 1) = p(1) = 25 2 = = 0.30130 .
3
2300

Ejemplo
Un geólogo ha recolectado 10 especimenes de roca basáltica y 10 de granito.
Se instruye a un asistente de laboratorio para que seleccione al azar 6 de los
especimenes para analizarlos.

a) ¿Cuál es la p.m.f. para el número de especimenes de basalto seleccio-

nados para analizarlos?

b) ¿Cuál es la probabilidad de que todos los especimenes de la muestra

sean de una de los dos tipos de roca seleccionados para análisis?

c) ¿Cuál es la probabilidad de que la cantidad de especimenes de granito

seleccionados para su análisis esté a menos de una desviación estándar
de la media?
 47

Solución
Sea X: # de especimenes de basalto en la muestra para análisis.

a) 10  10
x
p(x) = 206−x
; x = 0, 1, 2, 3, 4, 5, 6 .
6

b)

P (X = 6 ∨ X = 0) = P (X = 0) + P (X = 6) = p(0) + p(6)
10 10
6 6 210 + 210
= 20 + 20 = = 0.01084 .
6 6
38760

c)
       
10 20 − 6 10 10
E [X] = 6 =3 V ar [X] = 6 1−
20 20 − 1 20 20
   
6 21
14 21
V ar [X] = = = 1.10526 y σ = .
4 19
19 19
  
21 21
P (|X − μx | ≤ σ) = P − <X −3< = P (1.95 < X < 4.05) .
19 19
Ası́,

P (|X − μx | ≤ σ) = P (2 ≤ X ≤ 4) = p(2) + p(3) + p(4) .

9450 14400 9450
P (|X − μx | ≤ σ) = + + = 0.85913 .
38760 38760 38750
Ejemplo
En el ejercicio anterior suponga que las cantidades de especı́menes de ro-
cas basáltica y de granito son respectivamente 500 y 500 y que se toma
una muestra aleatoria de tamaño 5. La variable aleatoria de interés es X: #
de especimenes de basalto en la muestra para análisis. Defina los siguien-
tes eventos: Ai : la i-ésima roca extraı́da es de basalto con i = 1, 2, 3, 4, 5.
Observe que:
500 1
P (La primer roca seleccionada es de basalto) = P (A1 ) = = .
1000 2
48

P (La segunda roca es de basalto | La primera es de basalto)

499
= P (A2 | A1 ) = = 0.4995 ;
999
498
P (A3 | A1 ∩ A2 ) = = 0.4990 ;
998
497
P (A4 | A1 ∩ A2 ∩ A3 ) = = 0.4985 ;
997
496
P (A5 | A1 ∩ A2 ∩ A3 ∩ A4 ) = = 0.4980 .
996
Observe que en este caso la probabilidad de seleccionar una roca de basalto
en cada repetición es casi constante (la mayor diferencia es de 0.001505).
Esto se debe a que N es muy grande comparado con n.
(N − n) (1000 − 5)
Además note que = = 0.995996 ≈ 0.996. Es decir, la
(N − 1) (1000 − 1)
probabilidad de éxito es aproximadamente constante y
(N − n)
≈ 1, con lo cual el cálculo de probabilidades en este caso puede ser
(N − 1)
aproximado usando la distribución Binomial.

Proposición
Sea X una variable aleatoria tal que X ∼ Hiper(N, K, n).
(N − n)
Si ≈ 1, entonces:
(N − 1)
K N −K  
x n−x n K
N ≈ px (1 − p)n−x ; donde p = .
N
x N
Este resultado se conoce como Aproximación Binomial de la Hipergeométrica.

Para el ejemplo anterior, si se desea calcular P (X = 5 ∨ X = 0) , se tiene

que: 500 500 500 500
5
P (X = 5 ∨ X = 0) = 1000 0 + 0
1000 5 = 0.061875 .
5 5
Usando la aproximación se tiene que:
   5     5
5 1 5 1 1
P (X = 5 ∨ X = 0) ≈ + = = 0.0625 .
5 2 0 2 16
La aproximación es muy buena.