Está en la página 1de 21

Variables

aleatorias y
distribuciones de
probabilidad
Distribuciones notables de variables aleatorias discretas.
En particular, se considera una variable aleatoria discreta X como aquella que puede tomar valores en
el conjunto de números naturales, esto es 𝑥𝑖 , 𝑖 = 0, 1, 2 , 3, … Los modelos de probabilidad más
utilizados para describir su comportamiento son: Binomial, Hipergeométrica y Poisson

Experimento Binomial

❑ Consiste en n ensayos cada uno con dos posibles resultados llamados éxito o fracaso

❑ La probabilidad de éxito (p) se mantiene constante en cada ensayo, al igual que la de fracaso

q=(1-p)

❑ Los n ensayos son independientes entre si.


Distribución Binomial
Una variable aleatoria discreta X en la que el valor corresponde al número de “éxitos”
en n pruebas independientes de un experimento que solo tiene dos posibles resultados
“éxito” y “fracaso”, cada uno de ellos con probabilidad constante, sigue una distribución
binomial de parámetros n y p que se denota por B(n,p) y que se expresa como:

𝑛𝐶𝑥 𝑝 𝑥 1 − 𝑝 𝑛−𝑥
𝑝 𝑥; 𝑛, 𝑝 = 𝑃 𝑋 = 𝑥 = ൜ ; 𝑥 = 0, 1, 2, 3, … , 𝑛
0 ; 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Donde:
p: probabilidad de “éxito”
𝑛: número de ensayos
(1-p) probabilidad de “fracaso”
𝑥: número de éxitos en lo n ensayos
𝑛𝐶𝑥: n combinatoria 𝑥
La función de densidad de una variable aleatoria X con distribución binomial de parámetros 𝑛 = 10 𝑦 𝑝 = 0.5, y la
función de distribución se puede observar en la figura
La media y la varianza de una variable aleatoria con distribución binomial está
dada por:
𝐸 𝑋 = 𝑛𝑝 𝑉𝑎𝑟 𝑋 = 𝑛𝑝 1 − 𝑝

La distribución binomial se aplica a poblaciones finitas de las que se toman


los elementos al azar con reemplazo o en poblaciones conceptualmente
infinitas. Se aplica en los casos en los que la respuesta es, por ejemplo: Si o
No, Presencia o Ausencia, defectuoso o no defectuoso.
Calcular la
combinatoria en
la calculadora

Por ejemplo: 5 C2 Por ejemplo: 5 C2


5 nCr 2=10 5 SHIFT ÷ 2=10
Ejemplo: Sea X una variable aleatoria con distribución binomial de parámetros 𝑛 = 8 𝑦 𝑝 = 0.7:
Calcular la probabilidad de:
𝑎. 𝑃 𝑋 = 4
b. 𝑃 𝑋 = 6
c. 𝑃 𝑋≥8

Solución:
C
𝑎. 𝑃 𝑋 = 4 = 8 4∗ 0.7 4
∗ 1 − 0.7 8−4
= 0.136
La fórmula solo aplica
𝑏. 𝑃 𝑋 = 6 = 8C6∗ 0.7 6 ∗ 1 − 0.7 8−6 = 0.296 para calcular
probabilidades
c. 𝑃 𝑋 ≥ 8 = 𝑃 𝑋 = 7 + 𝑃 𝑋 = 8 puntuales

C
𝑃 𝑋 = 7 = 8 7∗ 0.7 7
∗ 1 − 0.7 8−7
= 0.198

𝑃 𝑋 = 8 = 8C8 ∗ 0.7 8 ∗ 1 − 0.7 8−8 = 0.058


Entonces:
𝑃 𝑋 ≥ 8 = 𝑃 𝑋 = 7 + 𝑃 𝑋 = 8 = 0.198 + 0.058 = 0.256
Distribución Hipergeométrica

Experimento Hipergeométrico

❑ Al realizar el experimento se esperan dos tipos de resultados llamados

❑ La probabilidades asociadas a cada uno de los resultados no son constantes (si la población es

pequeña y las extracciones no se remplazan)

❑ Cada ensayo o repetición del experimento no es independiente de los demás

❑ El número de repeticiones del experimento es constante.

Tiene grandes aplicaciones en el control de calidad para procesos experimentales en los


que no es posible retornar a la situación de partida.
Distribución Hipergeométrica

Se considera una población de tamaño N y una subpoblación de tamaño K, se estrae


una muestra aleatoria de tamaño n sin reemplazo, y se observa la variable aleatoria X
que representa la cantidad de elementos que pertenecen a la subpoblación, entonces X
tiene distribución Hipergeométrica de parámetros N, K y n, que se denota por H(N,K,n)
y que se expresa como:

𝐾 𝑁−𝐾
𝑥 𝑛−𝑥
𝑝 𝑥; 𝑁, 𝐾, 𝑛 = 𝑃 𝑋 = 𝑥 = ൞ 𝑁 ; máx 0, 𝑛 − 𝑁 − 𝑘 ≤ 𝑥 ≤ 𝑚í𝑛(𝑛, 𝐾)
𝑛
0 ; 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
La media y la varianza de una variable aleatoria con distribución Hipergeométrica es:
𝐾 𝐾 𝐾 𝑁−𝑛
𝐸 𝑋 =𝑛 𝑉𝑎𝑟 𝑋 = 𝑛 1−
𝑁 𝑁 𝑁 𝑁−1

Si 𝑁 es muy grande, como criterio se considera 𝑁 > 10𝑛, la distribución hipergeométrica se puede
𝐾
aproximar por la distribución binomial con p= 𝑁
Ejemplo:

Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de narcótico en una botella que contiene
9 píldoras de vitamina que son similares en apariencia. Si el oficial de la aduana selecciona 3 tabletas aleatoriamente
para analizarlas,
a) ¿Cuál es la probabilidad de que el viajero sea arrestado por posesión de narcóticos?,
b) ¿Cuál es la probabilidad de que no sea arrestado por posesión de narcóticos?.

Solución:
𝑎. 𝑃 𝑋 ≥ 1 = 𝑃 𝑋 = 1 + 𝑃 𝑋 = 2 + 𝑃 𝑋 = 3
6 9 6 9 6 9
1 2 2 1 3 0
𝑃 𝑋=1 = 15 = 0.4747 𝑃 𝑋=2 = 15 = 0.2967 𝑃 𝑋=3 = 15 = 0.044
3 3 3
𝑃 𝑋 ≥ 1 = 0.4747 + 0.2967 + 0.044 = 0.8154

𝑃 𝑋 ≥8 = 𝑃 𝑋 =7 +𝑃 𝑋 =8
6 9
b. 𝑃 𝑋 = 0 = 0 3
15 = 0.1846
3
Distribución Poisson

Debe su nombre al matemático francés Simeón Denis Poisson (1781-1840). En 1718


Abraham De Moivre la introdujo como distribución límite de la distribución binomial.

La distribución de Poisson también surge cuando un evento o suceso raro ocurre


aleatoriamente en el espacio o el tiempo. La variable asociada es el número de
ocurrencias del evento en un intervalo o espacio continuo, por tanto es una variable
aleatoria discreta que toma valores enteros de 0 hasta infinito.
Distribución Poisson
El número X de resultados que ocurren durante un experimento de Poisson se llama v.a. de
Poisson y su distribución de probabilidad se denomina distribución de Poisson de parámetro
λ con función de probabilidad

𝑒 −𝜆 𝜆𝑥
𝑝 𝑥; 𝜆 = 𝑃 𝑋 = 𝑥 = ቐ 𝑥! 𝑐𝑜𝑛𝑥 = 0, 1, 2, 3, …
0 en otro caso
El parámetro de la distribución, λ (lambda), representa el número promedio de eventos
esperados por unidad de tiempo o de espacio, por lo cual de le suele denominar “tasa de
ocurrencia” del fenómeno.

La media y la varianza de una variable aleatoria con distribución Poisson es:


𝐸 𝑋 =𝜆 𝑉𝑎𝑟 𝑋 = 𝜆
La función de densidad de una variable aleatoria X con distribución de Poisson de parámetro λ=10 y su función de
distribución se puede observar en la figura
La distribución de Poisson se relaciona con la distribución binomial de la
siguiente manera

En el caso de la binomial, si n es bastante grande y p es pequeña, las condiciones comienzan a


simular las implicaciones de espacio continuo o región temporal del proceso de Poisson. La
independencia entre las pruebas de Bernoulli en el caso binomial es consistente en la propiedad 2
del proceso de Poisson. Si p se hace cercano a cero se relaciona con la propiedad 3. La distribución
de Poisson es el límite de la distribución binomial cuando 𝐧 ⟶ ∞, 𝐩 ⟶ 𝟎 y np permanece constante.
De aquí, si n es grande y p cercana a cero, se puede usar la distribución de Poisson, con λ = 𝑛𝑝, para
aproximar probabilidades binomiales.
Calcular la
probabilidad de
Poisson con
calculadora
Por ejemplo si λ=5:
𝑒 −5 53
P X=3 =
3!

SHIFT ln-5*5^3 ÷
3SHIFT = 0.1404
Ejemplo:
El número de llamadas telefónicas que llegan a una central telefónica es a menudo modelado como
una variable aleatoria de Poisson. Suponga que en promedio hay 10 llamadas por hora.

a. ¿Cuál es la probabilidad de que haya exactamente cinco llamadas en una hora?


b. ¿Cuál es la probabilidad de que haya máximo 3 llamadas en una hora?
c. ¿Cuál es la probabilidad de que haya exactamente 15 llamadas en dos horas?
d. ¿Cuál es la probabilidad de que haya exactamente cinco llamadas en 30 minutos?
e. ¿Cuál es el valor esperado de llamadas en un lapso de 2 horas? ¿y la desviación estándar?

Solución:
En este caso 𝜆 = 10/ℎ𝑜𝑟
𝑒 −10 105
𝑎. 𝑃 𝑋 = 5 = = 0.038
5!
𝑏. 𝑃 𝑋 ≤ 3 = 𝑃 𝑋 = 3 + 𝑃 𝑋 = 2 + 𝑃 𝑋 = 1 + 𝑃 𝑋 = 0
Entonces:
𝑒 −10 100 𝑒 −10 101
𝑃 𝑋=0 = = 4.54 ∗ 10−5 = 0.0000454 𝑃 𝑋=1 = = 4.54 ∗ 10−4 = 0.000454
0! 1!

𝑒 −10 102 𝑒 −10 103


𝑃 𝑋=2 = = 2.27 ∗ 10−3 = 0.00227 𝑃 𝑋 = 3 = = 7.57 ∗ 10−3 = 0.00757
2! 3!

𝑃 𝑋 ≤ 3 = 4.54 ∗ 10−5+ 4.54 ∗ 10−4+ 2.27 ∗ 10−3+ 7.57 ∗ 10−3=7.62* 10−3 = 0.00762
Ejemplo:
El número de llamadas telefónicas que llegan a una central telefónica es a menudo modelado como
una variable aleatoria de Poisson. Suponga que en promedio hay 10 llamadas por hora.

a. ¿Cuál es la probabilidad de que haya exactamente cinco llamadas en una hora?


b. ¿Cuál es la probabilidad de que haya máximo 3 llamadas en una hora?
c. ¿Cuál es la probabilidad de que haya exactamente 15 llamadas en dos horas?
d. ¿Cuál es la probabilidad de que haya exactamente cinco llamadas en 30 minutos?
e. ¿Cuál es el valor esperado de llamadas en un lapso de 2 horas? ¿y la desviación estándar?

Solución:
Para el literal c, primero se debe determinar el valor de 𝜆 en el intervalo de dos horas.
Si 1 hora ⟶ 10 llamadas en
2 horas ⟶ ? Solucionando 𝜆=20/2 horas

𝑒 −20 2015
c. 𝑃 𝑋 = 15 = 15!
=0.052
Ejemplo:
El número de llamadas telefónicas que llegan a una central telefónica es a menudo modelado como
una variable aleatoria de Poisson. Suponga que en promedio hay 10 llamadas por hora.

a. ¿Cuál es la probabilidad de que haya exactamente cinco llamadas en una hora?


b. ¿Cuál es la probabilidad de que haya máximo 3 llamadas en una hora?
c. ¿Cuál es la probabilidad de que haya exactamente 15 llamadas en dos horas?
d. ¿Cuál es la probabilidad de que haya exactamente cinco llamadas en 30 minutos?
e. ¿Cuál es el valor esperado de llamadas en un lapso de 2 horas? ¿y la desviación estándar?

Solución:
Para el literal d, primero se debe determinar el valor de 𝜆 en el intervalo de 30 minutos (o media hora).
Si 60 minutos ⟶ 10 llamadas en
30∗10
30 minutos ⟶ ? Solucionando ?= 60
= 5 entonces 𝜆=5/30 minutos

𝑒 −5 55
c. 𝑃 𝑋 = 5 = =0.175
5!

𝐸 𝑋 = 𝜆 = 20 𝑦 𝑉 𝑋 = 𝜆=20; 𝜎 = 20 = 4.47
Ejemplo:
En un proceso de fabricación donde se manufacturan productos de vidrio ocurren defectos o
burbujas, los que deja ocasionalmente a la pieza indeseable para su venta. Se sabe que, en
promedio, uno de cada 1000 de estos artículos que se producen tiene una o más burbujas.
¿Cuál es la probabilidad de que una muestra aleatoria de 8000 productos de vidrio tenga siete
artículos con burbujas?
Solución:
1
En este caso se determina que: éxito: el artículo tiene burbujas; p = 1000; n = 8000
Utilizando la aproximación de la binomial a la Poisson:
1
𝜆 = 𝑛𝑝 = 8000 ∗ =8
1000
𝑒 −8 57
𝑃 𝑋=7 = = 0.13959
7!
Usando la distribución binomial
C
𝑃 𝑋 = 7 = 8000 7 ∗ 0.001 7
∗ 1 − 0.001 8000−7
= 0.13963
Referencias
❑ Anthony Hayter. 2012. Probability and Statistics for Engineers and Scientists. Fourth edition. University of
Denver
❑ Canavos, George. 1988. probabilidad y Estadística . Aplicaciones y métodos. McGraw-Hill
❑ DEVORE JL. 2008. Probabilidad y Estadística para ingeniería y ciencias. Thomson, 2008.
❑ FREUD John E, MILLER Irwin & MILLER Marylees. 2000. Estadística Matemática con aplicaciones. Sexta
Edición. Pearson Educación
❑ Llinás, Humberto. 2014. Introducción a la estadística matemática. Universidad del Norte
❑ MONTGOMERY DC, RUNGER GC. Probabilidad y Estadística aplicadas a la ingeniería. Limusa Wiley, 2006.
❑ Walpole, R.E. Y Myers Probabilidad y Estadística Para Ingenieros. Interamericana
❑ WACKERLY, Dennis, MENDENHALL, William & SCHEAFFER, Richard. 2010. Estadística matemática con
aplicaciones. Séptima Edición. Cengage Learning Editores.

También podría gustarte