Tema 3: Distribuciones

Discretas de Probabilidad
Prof. Jose Manuel Castro C.
Estadística II – Escuela de FACES
VARIABLES ALEATORIAS
 Es una descripción numérica del resultado de un experimento.
 Variables Aleatorias Discretas: Una variable aleatoria que puede asumir
una cantidad finita de valores, o una sucesión infinita de valores como
0,1,2,3,4,5, ….. n (solo puede tomar valores enteros positivos,
incluyendo el cero) se llama variable aleatoria discreta. Son entidades
que NO aceptan partición alguna. Por ejemplo: carros, pupitres,
bebes, libros, motos, teléfonos, animales, personas, clientes, radios, ect .
 Variables Aleatorias Continuas: Si una variable aleatoria puede tomar
cualquier valor numérico en un intervalo o conjunto de intervalos se
llama variable aleatoria continua. Los resultados experimentales que se
basan en escalas de medición como el tiempo, el peso, la distancia, la
velocidad, la altura y la temperatura se pueden describir mediante
variables aleatorias continuas. Son entidades que SI aceptan partición
alguna e incluso valores negativos. Por ejemplo: # de llamadas
recibidas por hora, peso y volumen de una lata de refresco, % de
ejecución de un Proyecto, temperatura de una persona.
Distribuciones Discretas de Probabilidad
 La distribución de probabilidad de una variable aleatoria describe como
se distribuyen las probabilidades de los diferentes valores de la variable
aleatoria. Para una variable aleatoria discreta “x”, la distribución de
probabilidad se describe mediante una función de probabilidad,
representada por f(x). La función de probabilidad define la probabilidad
de cada valor de la variable aleatoria.
 Como ejemplo de una variable aleatoria discreta y su distribución de
probabilidad, se tiene el caso de las ventas de Automóviles por parte de
la empresa JBG Motors en la ciudad de Valencia, Edo. Carabobo.
Durante los últimos 300 dias de operación, los datos de ventas de
Automóviles muestran que en 54 días no se vendieron Automóviles, en
117 días se vendió 1 Automóvil, en 72 días se vendieron 2, en 42 días se
vendieron 3, en 12 días se vendieron 4 y en 3 días se vendieron 5
Automóviles.
 Una ventaja importante de definir una variable aleatoria y de conocer su
distribución de probabilidad, es que es fácil determinar la probabilidad
de varios eventos que puedan interesar a quien toma decisiones
importantes en su vida profesional y personal.
Distribución de Probabilidad de la
cantidad de Automóviles Vendidos
# DE DIAS # AUTOS VENDIDOS (X) Funcion de Probabilidad f(X)

54 0 0.18
117 1 0.39
72 2 0.24
42 3 0.14
12 4 0.04
3 5 0.01
300 1.00

Sea (X) la variable aleatoria discreta de interes, o sea, el numero de autos vendidos

Al asignar una función de probabilidad de

cualquier variable discreta, se deben
satisfacer las dos condiciones siguientes:
f (X) ≥ 0
∑ f(X) = 1
Valor Esperado y Varianza
El valor esperado, o media, de una variable
aleatoria es una medida de la localización
central (o tendencia central) de esa variable.
E(x) = µ = ∑ x.f(x)
Si bien el valor esperado representa el
valor promedio de la variable aleatoria,
con frecuencia se necesita conocer una
medida de dispersión o variabilidad en los
valores de una variable aleatoria discreta.
Varianza de una variable aleatoria discreta
Var(x) = σ2 = ∑ (x - µ)2. f(x)
La desviación estándar de la cantidad
de autos vendidos en un día es:
σ = √ Var (x) = √ σ2
La desviación estándar (σ) se mide con las
mismas unidades que la variable aleatoria y
en consecuencia, se prefiere en muchas
ocasiones para describir la variabilidad de
una variable aleatoria discreta.
Calculo del Valor Esperado y Varianza de
la cantidad de Autos vendidos en un día
# de Dias # Autos Vendidos (X) f(X) X. f(X) X-E(X) X-E(X)² X-E(X)² . f(X)

54 0 0.18 0 -1.5 2.25 0.405

117 1 0.39 0.39 -0.5 0.25 0.0975
72 2 0.24 0.48 0.5 0.25 0.06
42 3 0.14 0.42 1.5 2.25 0.315
12 4 0.04 0.16 2.5 6.25 0.25
3 5 0.01 0.05 3.5 12.25 0.1225
300 E(X) = 1.5 Var (X) = 1.25

σ= 1.118

Si suponemos que la operación es la cantidad

de autos vendidos en un mes:
30 Dias * 1.5 Automobiles/Dia = 45 Automóviles
Vendidos, que serian las probables ventas
estimadas o anticipadas.
Distribucion Binomial de Probabilidad
La distribución binomial de probabilidad es una
distribución discreta de probabilidad que tiene
muchas aplicaciones. Se relaciona con un
experimento de etapas múltiples o binomial.
Un experimento binomial tiene (04) propiedades:
1. El experimento consiste en una sucesión de
“n” intentos o ensayos idénticos.
2. En cada intento o ensayo son posibles dos
resultados. A uno lo llamaremos éxito y al otro
fracaso.
3. La probabilidad de un éxito, representada por
“p”, no cambia de un intento a otro. En
consecuencia, la probabilidad de un fracaso,
representada por “1- p”, no cambia de un intento
a otro.
4. Los intentos o ensayos son independientes.
Si existen las propiedades 2, 3 y 4, se dice que los
intentos se generan mediante un proceso de
Bernoulli. Si, además existe la propiedad 1, se dice
que se tiene un experimento binomial.
En un experimento binomial interesan la cantidad
de éxitos que suceden en los “n” intentos.
Como ejemplo, suponga que un vendedor de
seguros visita a 10 familias seleccionadas al
azar. El resultado asociado con cada visita se
clasifica como un éxito si la familia compra
una póliza de seguros y como fracaso si no lo
hace.
De acuerdo con la experiencia, el vendedor
sabe que la probabilidad de que una familia
seleccionada al azar compre una póliza de
seguros es de 0.10. Al comprobar si se
satisfacen las propiedades de un experimento
binomial se observa que:
1. El experimento consiste en 10 intentos
idénticos y cada experimento implica llegar a
una familia.
2. En cada intento son posibles dos resultados:
la familia compra una póliza (éxito)o la familia
no la compra (fracaso).
3. Se supone que las probabilidades de una
compra y de una no compra son iguales para
cada llamada de ventas, siendo p = 0.10 y 1-
p = 0.90
4. Los intentos son independientes, porque las
familias se seleccionan aleatoriamente.
Función de Probabilidad Binomial

f(x) = n * pX * (1 – p)(n-x)
x
donde:
f(x) = la probabilidad de “x” éxitos en “n” intentos
n = la cantidad de intentos
n n! donde, n ! = n.(n-1).(n-2) … (2).(1)
=
x x ! * (n – x) ! 0!=1
p = la probabilidad de un éxito en cualquier intento
(1- p) = la probabilidad de un fracaso en cualquier
intento
Ejemplo 1 de la Tienda Maxys por departamentos:
Tres clientes entran a la Tienda Maxys. Con base
en su experiencia, el gerente de la Tienda estima
que la probabilidad de que cualquier cliente
compre es de 0.30.
Cual es la probabilidad de que ningún cliente
haga una compra, la de que exactamente un
cliente la haga, la de que exactamente dos
clientes la hagan y de que los tres clientes hagan
una compra?
Para ello se va a construir la siguiente tabla:
 Distribución de Probabilidad de la
Cantidad de Clientes que Compran

X f(x)
0 3! (O.30)° . (0.70)³ = 0.343
0! 3!

1 3! (O.30)¹ . (0.70)² = 0.441

1! 2!

2 3! (O.30)² . (0.70)¹ = 0.189

2! 1!

3 3! (O.30)³ . (0.70)° = 0.027

3! 0!
1
Sea "X" la variable aleatoria que representa el # clientes que compran en la Tienda
 Valor Esperado y Varianza para la
Distribución Binomial de Probabilidad
E(x) = µ = n*p
Var(x) = σ² = n*p * (1 – p )
Para el ejemplo anterior de la Tienda Maxys
con tres clientes, se puede calcular la
cantidad esperada de clientes que hacen
una compra:
E(x) = n*p = 3 * (0.30) = 0.90
Var(x) = 3 * (0.30) * (1 – 0.30 ) = 0.63
σ = √ 0.63 = ± 0.79
Nota Importante: Para calcular las
probabilidades acumuladas con las tablas de
Probabilidad Binomial, tan solo se suman las
probabilidades individuales. Por ejemplo, para
calcular: P(x ≤ 2) = f(0) + f(1) + f(2)

Ejercicio 25).- Se tiene un experimento binomial con dos

intentos y p = 0.40
a) Trace un diagrama de árbol que lo represente.
b) Calcule la probabilidad de un éxito, f(1).
c) Calcule f(0) y f(2).
d) Determine la probabilidad de al menos un éxito.
E) Determine el valor esperado, la varianza y la
desviación estándar.
Distribución de Probabilidad de Poisson
Se usa con frecuencia para estimar la cantidad de
sucesos u ocurrencias en determinado intervalo de
tiempo o espacio.
Por ejemplo: la variable aleatoria de interés podría
ser la cantidad de llegadas a un autobanco en
una hora, la cantidad de reparaciones que
necesitan 10 millas de carretera, o la cantidad de
fugas en 100 millas de oleoducto.
Si se satisfacen las dos propiedades siguientes:
la cantidad de ocurrencias es una variable
aleatoria que se describe con la función de
probabilidad de Poisson.
Propiedades de un experimento de Poisson
1.- La probabilidad de una ocurrencia es igual en
dos intervalos cualquiera de igual longitud.
2.- La ocurrencia o no ocurrencia en cualquier
intervalo es independiente de la ocurrencia o no
ocurrencia en cualquier otro intervalo.

Funcion de Probabilidad de Poisson

f(x) = µx . e-µ
x!
Donde: f(x) … probabilidad de “x” ocurrencias en un intervalo
µ … valor esperado o cantidad promedio de ocurrencias
e … 2.71828
Ejemplos donde intervienen intervalos de tiempo
Suponga que interesa conocer la cantidad de llegadas
a la ventanilla de servicio de un autobanco, durante un
periodo de 15 minutos en las mañanas de los dias
hábiles. Los datos históricos muestran que la cantidad
promedio de autos que llegan en un periodo de 15
minutos es 10. Si la gerencia desea conocer la
probabilidad de que haya exactamente cinco llegadas
en 15 minutos:

Probabilidad exacta de = f(5) = 105 * e-10 = 0.0378

5 llegadas en 15 minutos 5!
Distribucion Hipergeometrica de Probabilidad
Se relaciona estrechamente con la distribución
binomial. La diferencia principal entre las dos
consiste en que, con la distribución
hipergeometrica, los intentos no son
independientes y en que la probabilidad de éxito
cambia de un intento a otro.
Funcion de Probabilidad Hipergeometrica
r N-r
*
x n-x para: 0 ≤ x ≤ r
f(x) =
N
n
En donde:
f(x) … probabilidad de “x” éxitos en ‘n” intentos
n …… la cantidad de intentos
N …... la cantidad de elementos en la población
r … cantidad de elementos identificados como exitos
en la población
N .. representa la cantidad de formas en las que se
n puede seleccionar una muestra “n” de una
población “N”
r .. representa la cantidad de maneras en las que
x se pueden seleccionar “x” éxitos de un total
de “r” éxitos de la población
N - r .. representa la cantidad de maneras en las que
n - x se pueden seleccionar “n - x” fracasos de un total
de “N - r” fracasos en la población
Ejercicio 1: Se seleccionan dos miembros de un
comité, entre cinco, que asistan a una convención
en Las Vegas, Nevada, USA. Suponga que el
comité de cinco miembros esta formado por tres
mujeres y dos hombres. Determine la probabilidad
de seleccionar dos mujeres al azar?
3 * 2 3! 2!
*
2 0 2! 1! 2! 0! 3
f(x=2) = = = = 0.30
5 5! 10
2 2! 3!
La probabilidad de seleccionar 2 mujeres al azar es del 30%
Ejercicio 2: Suponga que una población consiste
en 10 artículos, cuatro de los cuales son
defectuosos y los seis restantes no son
defectuosos. Cual es la probabilidad de que una
muestra aleatoria de tres artículos contenga dos
articulos defectuosos?
4 * 6 4! 6!
* 1! 5!
2 1 2! 2! 36 0.30
f(x=2) = = = =
10 10! 120
3 3! 7!
Nota: En este caso se puede imaginar que un “éxito”
consiste en obtener un articulo defectuoso y la
probabilidad de obtener 2 artículos defectuosos en
una muestra de tres artículos es del 30%.