Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Distribución discretas
Cuando un experimento sólo tiene dos posibles resultados, decimos que la variable
aleatoria X que mide el resultado tiene una distribución Bernoulli. Los resultados del ex-
perimento pueden ser por ejemplo éxito/fallo, bien/mal, si/no, rojo/azul, falso/verdadero,
niña/niño, sol/águila etc. Si X es una distribución Bernoull, entonces X puede tomar úni-
camente dos valores 0 y 1, éxito y fallo respectivamente. Si la probabilidad de éxito es p,
entonces
P(X = 0) = 1 − p P(X = 1) = p
67
68 CAPÍTULO 4. DISTRIBUCIÓN DISCRETAS
La probabilidad de que en exactamente uno de los tres lanzamientos sale sol es P(X =
1) = 0.375.
P(X = k)
0.31104
0.27648
0.186624
0.4
0.13824
0.046656
0.036864
0.004096
0.2
−1 0 1 2 3 4 5 6 k
P(X = k)
n = 5, p = 0.5; n = 20, p = 0.3; n = 20, p = 0.5; n = 20, p = 0.8
0.4
0.2
0
0 5 10 15 20 k
Figura 4.2: Distribución binomial con diferentes valores para los paraámetros
70 CAPÍTULO 4. DISTRIBUCIÓN DISCRETAS
Ejemplo 4.1.3. Es un hecho conocido que el color de ojos de un hijo depende de los dos
genes que hereda de sus padres. Pero no es el único fenómeno que tiene este compor-
tamiento. Vamos a denotar por d un gen dominante y por r un gen recesivo y la pareja
(x, y) denota la pareja de genes que hereda de sus padres, donde la primera entrada co-
rresponde del gen de la madre y la segunda corresponde al gen del padre. Decimos que
una persona es dominante si tiene la pareja (d, d), es una persona es recesiva si tiene la
pareja (r, r) y es hı́brido si tiene la pareja (r, d) o (d, r). Determina la probabilidad de dos
padres hı́bridos tiene un hijo recesivo. Si dos padres hı́bridos tienen cuatro hijos, ¿cuál es
la probabilidad de que uno de los hijos sea recesivo?
Solución:
Sea X la variable aleatoria que mide el número de genes recesivos de una persona, por lo
que definimos como éxito si el gen es recesivo. La probabilidad de éxito (un gen recesivo)
es p = 0.5. Queremos calcular la probabilidad de que los dos genes sean exitosos.
! "
2
P(X = 2; 0.5, 2) = (0.5)2(1 − 0.5)2−2 = (0.5)2 = 0.25.
2
Ejemplo 4.1.4. Para estudiar si las ratas distinguen el color rojo, crearon una jaula con
tres palancas, una palanca roja que al presionarla proporcionaba comida y otras dos
palancas donde al presionarlas no pasaba nada. En cada experimento la palanca de color
rojo se colocaba de manera aleatoria y la rata sólo puede presionar una palanca. Una
misma rata realizó el experimento cuatro veces. Sı́ la rato no destingue el color rojo,
entonces va a elegir de manera aletoria la palanca que presiona. Define una variable
aleatoria X que te permita determinar si la rata destingue el color rojo y determina su
distribución de probabilidad. Y determina el valor esperado de X
Solución:
Como hay tres palancas y sólo una de ellos da comida, entonces la probabilidad de acertar
es 1/3 y la probabilidad de fallar es 2/3. Sea X la variable aleatoria que mide el número
de veces que la rata consiguió comida (presionó la palanca roja). Los posibles valores
que de X (el rango de X ) son
X = 0, 1, 2, 3, 4.
el evento de fallo.
X =0: RRRR
P(X = 0) = (2/3)4 = 16/81
X =4: RRRR
&'
P(X = 4) = 41 (1/3)4 = 1/81.
&15'
P(X = 0) = 0 (0.9515 ) =
&15'
P(X = 1) = 1 (0.05)(0.9514) =
P(X ≥ 2) = 1 − ()
= 0.1709.
72 CAPÍTULO 4. DISTRIBUCIÓN DISCRETAS
Ejemplo 4.1.6. En una producción se toma una muestra de 1000 productos. Si un produc-
to es defectuoso con probabilidad 0.01, ¿cuántos productos defectuosos pueden esperar
encontrar en la muestra? ¿Cuál es la varianza para n = 1000?
√
E[X ] = 1000(0.01) = 10, Var(X ) = 1000(0.01)(0.99) = 9.9 y σ (X ) = 9.9 = 3.1464.
Como
E[X (X − 1)(X − 2)] = E[X 3 − 3X 2 + 2X ] = µ3′ − 3µ2′ + 2µ , (4.1)
entonces
µ3′ = n(n − 1)(n − 2)p3 + 3(n(n − 1)p2 + np) − 2np
= n(n − 1)(n − 2)p3 + 3n(n − 1)p2 + np.
74 CAPÍTULO 4. DISTRIBUCIÓN DISCRETAS
(1 − 2p)
= .
(np(1 − p))1/2
Como
E[X (X − 1)(X − 2)(X − 3)] = µ4′ − 6µ3′ + 11µ2′ − 6µ , (4.2)
entonces
µ4′ = n(n − 1)(n − 2)(n − 3)p4 + 6[n(n − 1)(n − 2)p3 + 3n(n − 1)p2 + np] − 11[n(n − 1)p2 + np] + 6np
x = 0, 1, 2, . . ., n p, 0 ≤ p ≤ 1
Coeficiente de Coeficiente de
Mediana Varianza asimetrı́a curtosis
µ µ2 α3 α4
(1 − 2p) 1 − 6p(1 − p)
np np(1 − p) 3+
(np(1 − p))1/2 np(1 − p)
apreciar que tanto el coeficiente de asimetrı́a como el coeficiente de curtosis depende del
valor de n y p. En el cuadro 4.2 revisamos los valores de estos dos coeficientes según
el valor de p. Podemos apreciar que la distribución binomial presenta un sesgo negativo
cuando p > 0.5 y presenta un sesgo positivo cuando p < 0.5 mientras que es simétrico
cuando p = 0.5. También podemos apreciar que la distribución binomial es relativamente
plana cuando p = 0.5, mientras que es relativamente picuda para cualquier otro valor de p,
aunque para valores suficientemente grandes de n, sin importar el valor de p, la distribución
binomial es ni muy plana ni muy picuda (mesocúrtica).
Para terminar vamos a calcular la función generadora de la distribución binomial. Co-
76 CAPÍTULO 4. DISTRIBUCIÓN DISCRETAS
Cuadro 4.2: Los coeficientes de asimetrı́a y curtosis de una distribución binomial según el
valor de p.
8 8
α3 √ 0 − √
3 n 3 n
46 2 46
α4 3+ 3− 3+
9n n 9n
En el caso de la distribución binomial resulta mas fácil que calcular estos momentos usan-
do la definición. En general esto no sucede.
Ejemplo 4.2.1. Los siguientes son ejemplos de variable aleatoria de tipo Poisson.
∞ ∞
e−λ λ x λx λ λ3
∑ x! = e ∑ x! = e−λ (1 + λ + 2 + 3! + . . . ) = e−λ eλ = e0 = 1.
−λ
x=0 x=0
P(X = k)
0.2
0.1
0 5 10 15 k
e−λ λ x λx
E[X ] = ∑∞
x=0 x = e−λ ∑∞ x=1
x! (x − 1)!
λ x−1
= λ e−λ ∑∞
x=1 , sea x′ = x − 1
(x − 1)!
′ ′
−λ ∞ λx ∞ e−λ λ x
= λ e ∑x′ =0 ′ = λ ∑x′ =0
(x )! (x′ )!
= λ.
4.2. DISTRIBUCIÓN POISSON 79
e−λ λ x
E[X (X − 1)] = ∑∞
x=0 x(x − 1)
x!
e−λ λ x
= ∑∞
x=0 , siguiendo los pasos para calcular E[X ]
(x − 2)!
λ x−2
= λ 2 e−λ ∑∞ x=2 sea x′ = x − 2
(x − 2)!
′
2 − λ ∞ λx
= λ e ∑x′ =0 ′
(x )!
e−λ λ x′
= λ 2 ∑∞x′ =0
(x′ )!
= λ 2.
Var(X ) = E[X 2] − E 2 [X ] = λ 2 + λ − (λ 2 ) = λ .
e−λ λ x
E[X (X − 1)(X − 2)] = ∑∞
x=0 x(x − 1)(x − 2)
x!
e −λ λ x
= 0 + 0 + 0 ∑∞x=3 , siguiendo los pasos para calcular E[X ]
(x − 3)!
−λ ∞ λ x−3
= 3
λ e ∑x=3 sea x′ = x − 3
(x − 3)!
′
3 −λ ∞ λx
= λ e ∑x′ =0 ′
(x )!
− λ ′
3 ∞ e λx
= λ ∑x′ =0
(x′ )!
= 3
λ .
80 CAPÍTULO 4. DISTRIBUCIÓN DISCRETAS
Por ecuación (4.1) tenemos que E[X (X −1)(X −2)] = E[X 3 −3X 2 +2X ] = µ3′ −3µ2′ +2µ ,
entonces
µ3′ = λ 3 + 3(λ 2 + λ ) − 2λ = λ 3 + 3λ 2 + λ .
y usando la formula (3.10) tenemos que
µ3 = (λ 3 + 3λ 2 + λ ) − 3λ (λ 2 + λ ) + 2λ 3 = λ 2 .
e−λ λ x
p(x; λ ) = λ > 0,
x!
x = 0, 1, 2, . . ., n
Coeficiente de Coeficiente de
Mediana Varianza asimetrı́a curtosis
µ µ2 α3 α4
1 1
λ λ √ 3+
λ λ
apreciar que tanto el coeficiente de asimetrı́a como el coeficiente de curtosis depende del
valor de n y p. En el cuadro 4.4 revisamos los valores de los coeficientes de asimetrı́a
y de curtosis según el valor de λ . Podemos apreciar que la distribución Poisson tiende a
ser simétrica cuando λ tiende a ∞ y en cualquier otro caso presenta un sesgo positivo.
4.2. DISTRIBUCIÓN POISSON 81
Cuadro 4.4: Los coeficientes de asimetrı́a y curtosis de una distribución Poisson según el
valor de λ .
λ = 1/9 λ =4 λ = 100
α3 3 0.5 0.1
α4 12 3.25 3.01
e−λ λ x e−λ (λ et )x
mX (t) = ∑nx=0 etx = ∑nx=0
x! x!
* t
+ t
n eλ −λ e e−λ (λ et )x 1 n eλ −λ e e−λ (λ et )x
= ∑x=0 λ −λ et = λ −λ et ∑x=0
e x! e x!
t
t e−λ e (λ et )x t
= eλ (e −1) ∑nx=0 = eλ (e −1) .
x!
Podemos calcular la primera y segunda derivada de mX (t) y evaluar en t = 0 para
encontrar el primer y segundo momento al rededor del cero.
La primera derivada con respecto a t, evaluada en t = 0 es
( (
dmx (t) (( λ (et −1) t(
=e λe ( = λ.
dt (t=0 t=0
En el caso de la distribución Poisson, igual que para la distribución binomial, resulta mas
fácil que calcular estos momentos usando la definición. En general esto no sucede.
82 CAPÍTULO 4. DISTRIBUCIÓN DISCRETAS
4.3. Aplicaciones
4.3.1. Gráficas aleatorias
4.3.2. Aproximación de distribución binomial mediante distribución
Poisson
4.3.3. Incertidumbre con Poisson
4.4. Ejercicios
Ejercicio 4.1. Sea X una variable aleatoria con distribución bin(n, p). Usa el teorema del
binomio para demostrar que f (x) es efectivamente una función de densidad.
Ejercicio 4.2. Sea X una variable aleatoria con distribución bin(n, p) tal que E[X ] = 4 y
Var(X ) = 2. ¿Cuáles son los valores de n y p?
Ejercicio 4.3. Sea X una variable aleatoria con distribución bin(n, p). Demuestre que
la variable aleatoria Y = n − X tiene una distribución bin(n, 1 − p). Proporcione una
explicación probabilı́sta de este resultado.
Ejercicio 4.4. El FBI ha reportado que 44 por ciento de lo los muertes por asesinato fue-
ron asesinados con una pistola. Si 4 vı́ctimas de asesinato son elegidos al azar, encuentra
1. La probabilidad de que todos fueron asesinados con pistola.
2. La probabilidad de que ninguno fue asesinados con pistola.
3. La probabilidad de que exactamente dos fueron asesinados con pistola.
4. El número esperado que fueron asesinados con pistola.
5. La desviación estándar del número que fueron asesinados con pistola.
Ejercicio 4.5. Un productor de semillas conoce por experiencia que el 10 % de un gran
lote de semillas no germinan. El productor vende sus semillas en paquetes de 200 semi-
llas garantizando que por lo menos 185 de ellas germinarán. Calcula el porcentaje de
paquetes que no cumplirán la garantı́a.
Ejercicio 4.6. Se pone a la venta un lote de 100 artı́culos de los cuales 10 son defectuosos.
Un comprador extrae una muestra al azar de 5 artı́culos y decide que si encuentra 2 o
mas defectuosos, entonces no compra el lote. Calcula la probabilidad de que la compra
se efectúe.
4.4. EJERCICIOS 83
Ejercicio 4.8. Sea f (x) la función de probabilidad de la distribución Poisson con paráme-
tro λ . Demuestra que la siguiente fórmula iterativa de recursión:
λ
f (x + 1) = f (x).
x+1
Ejercicio 4.9. Sea X con distribución binomial con parámetros n y p. Demuestre que la
f.g.m. de X está dada por la expresión que aparece abajo. Usando esta función encuentra
nuevamente la esperanza y la varianza de la distribución binomial.
MX (t) = (1 − p + pet )2 .
Ejercicio 4.12. El número de semillas en una variedad de naranjas sigue una distribución
Poisson de media 3. Calcule la probabilidad de que una naranja seleccionada al azar
contenga:
a) ninguna semilla. b) al menos dos semillas. c) a lo sumo tres semillas.
Ejercicio 4.14. Repite el ejercicio 4.7 usando la distribución Poisson y compara los re-
sultados con los que obtuviste en el ejercicio 4.7.
Ejercicio 4.15. Para un volumen fijo, el número de células rojas es una variable aleatoria
que se presenta con una frecuencia constante. Si el número promedio para un volumen fijo
es de nueve células rojas para personas normales, determina la probabilidad de que el
número de células rojas para una persona se encuentra dentro de una desviación estandar
del valor promedio y a dos desviaciones estándar del promedio.
3. Encuentra E[X ].
4. Encuentra Var(X ).