Curso: Probabilidades y Estadística.

Clase 9: Distribuciones de probabilidad

discretas.
 Revisión actividad on line

• ¿Cuáles fueron las principales dificultades al realizar el taller?

• Preguntas y comentarios.
 Estructura del curso

Clase 1: Estadística Descriptiva-Conceptos Básicos.

Clase 2: Estadística Descriptiva -Medidas de Tendencia Central.

Unidad 1: Estadística Descriptiva
Clase 3: Estadística Descriptiva-Medidas de Dispersión.

Clase 4: Estadística Bivariada.

Clase 5: Repaso Estadística Univariada y Bivariada.

Clase 6: Solemne.
Curso Unidad 2: Probabilidades Clase 7: Conceptos básicos de probabilidades.

Clase 8: Variable Aleatoria Discretas y Continuas.

Clase 9: Distribuciones Discretas.

Clase 10: Distribuciones Continuas.

Clase 11: Inferencia Estadística-Intervalos de Confianza.

Unidad 3: Inferencia Estadística
Clase 12: Inferencia Estadística-Hipótesis.

Clase 13: Solemne.

 Resultado de Aprendizaje de la Clase

• Distinguir modelos de distribuciones de probabilidad

discretas para aplicar a problemas relacionados con la
Ingeniería.
 Introducción
Muchos problemas de ingeniería consideran ciertos sucesos
discretos, como la cantidad de clientes que llegan a un cierto local
o la cantidad de productos defectuosos que se obtienen en un lote
de producción, etc.

¿Qué pasaría si usted supiera cuántos productos se demandaran

cada semana en su local? ¿Qué pasaría su supiera que, con un
95% de probabilidad, la demanda de un cierto producto va a estar
entre 100 y 105 unidades?

Sin duda, manejar cierta información cuantitativa, puede ser una

ventaja competitiva en la industria.
 Distribución de Probabilidad
Bernoulli
Se utiliza la distribución de Bernoulli cuando un proceso aleatorio
tenga exactamente dos resultados: evento o fracaso. Por ejemplo,
en el campo de la calidad, un producto se puede clasificar como
bueno o malo.

Las variables de Bernoulli pueden tomar dos valores numéricos, 0 y

1, donde 1 corresponde a un evento y 0 corresponde a un no
evento (fracaso). Una variable aleatoria X sigue una distribución de
Bernoulli si P(X = 1) = p y P(X = 0) = 1 – p, donde p es la probabilidad
de ocurrencia del evento (éxito).
 Distribución de Probabilidad
Bernoulli
La distribución de Bernoulli es una distribución discreta que está
relacionada con muchas distribuciones, tales como la distribución
binomial, geométrica que veremos a continuación.

La distribución de Bernoulli representa el resultado de 1 ensayo. Las

secuencias de ensayos de Bernoulli independientes generan las
demás distribuciones: la distribución binomial modela el número de
éxitos en n ensayos, la distribución geométrica modela el número
de fallas antes del primer éxito.
 Distribución de Probabilidad
Bernoulli
Si la probabilidad de éxito es p y la de fracaso q = 1 - p,
podemos construir una función de probabilidad dada por:

1 x
P( X  x)  p (1  p)
x
x  0,1

 P( X  x)  P( X  0)  P( X  1)  p  q  1
x 0
 Distribución de Probabilidad Bernoulli

ESPERANZA

E[ X ]  p

VARIANZA

Var ( X )  p(1  p)
EJEMPLO:
Un experimento consiste en lanzar un dado y que salga un 3.
X= Número de veces que sale un 3.
Si la probabilidad de éxito es de 1/6, encontrar la probabilidad de
fracaso:

1 0 1 1−0 5
𝑃 𝑥=0 = 1− =
6 6 6

1 1 5 5
E(x)=p= y V(x)=p∙ 𝑞= =
6 6 6 36
 Distribución de Probabilidad
Binomial

Esta distribución aparece de forma natural al realizar repeticiones

independientes de un experimento que tenga respuesta binaria,
generalmente clasificada como “éxito” o “fracaso”.

Por ejemplo: En la producción de una empresa un articulo puede

estar defectuoso o no, un estudiante puede aprobar una asignatura
o no, etc.
 Distribución de Probabilidad
Binomial
Esta distribución, presenta las siguientes propiedades:

• Solo debe haber 2 posibles resultados. (éxito y fracaso)

• La probabilidad de un éxito p, sigue siendo constante de un
ensayo al siguiente, al igual que lo hace la probabilidad de
fracaso, q = 1 – p.
• La probabilidad de un éxito en n ensayo es totalmente
independiente de cualquier otro ensayo.
• El experimento puede repetirse muchas veces.
𝑛 𝑥 𝑛−𝑥
𝑃 𝑋=𝑥 = 𝑝 𝑞
𝑥 Donde
𝑛
=
𝑛!
𝑥 𝑥! 𝑛−𝑥 !
 Distribución de Probabilidad
Binomial
En término de símbolos se tiene: X ~ Bi (n; p)
Lo que se lee: la variable aleatoria X se distribuye (~) según la
distribución binomial (Bi) de los parámetro n y p.

Ejemplo: Una tienda de retail, ha determinado que la probabilidad

de que una persona que entra a su página web, compre en línea es
de un 20%. Si la página tiene a 5 personas conectadas en el mismo
momento

a) ¿Cuál es la probabilidad que hayan comprado 2 personas en

línea?
5
𝑃 𝑥=2 = 0,22 0,83 =10∗ 0,22 ∗ 0,83 = 0,2048 = 20,48%
2
 Distribución de Probabilidad
Binomial
b) ¿Cuál es la probabilidad, de que compren por lo menos 2
personas?

P x≥2 = 𝑃 𝑥 =2 +𝑃 𝑥 =3 +𝑃 𝑥 =4 +𝑃 𝑥 =5

5 5 5
P x≥2 = 0,22 0,83 + 0,23 0,82 + 0,24 0,81 +
2 3 4
5
0,25 0,80
5

P x ≥ 2 = 0,2048 + 0,0512 + 0,0064 + 0,00032 = 0,26272 =

26,3%
Distribución de Probabilidad
Binomial
 Distribución de Probabilidad
Binomial
La media, varianza y desviación estándar, para distribución binomial,
están dadas por:

• Media = 𝜇 = 𝐸 𝑥 = 𝑛 ∗ 𝑝

• Varianza = 𝜎 2 = 𝑛 ∗ 𝑝 ∗ 𝑞

• Desviación estándar o típica = 𝜎 = 𝑛∗𝑝∗𝑞

EJERCICIO DE PRÁCTICA:
En cierta ciudad se sabe que el 20% de los edificios cumplen con
las especificaciones técnicas . Si se toma una muestra aleatoria de
5 edificios, determine:
a. La probabilidad de que exactamente uno, cumpla con las
especificaciones técnicas. (0,4096)
b. La probabilidad de que a lo mas 2 cumplan con las
especificaciones(0,942)
c. La probabilidad de que mas de 4 cumplan con las
especificaciones técnicas (0,00032).
d. El número de edificios se espera que cumplan con las
especificaciones técnicas (E(x)=1).
e. La variabilidad de los edificios que cumplen con las
especificaciones técnicas (V(X)=0,8).
 Distribución de Probabilidad
Geométrica
Cuando se realiza un experimento que solo tiene dos resultados
posibles, la distribución geométrica es una distribución discreta
que puede modelar el número de ensayos consecutivos necesarios
para observar el resultado de interés por primera vez. La
distribución geométrica también puede modelar el número de no
eventos que ocurren antes de que se observe el primer resultado.

Si la probabilidad de éxito es p y la de fracaso q = 1 - p, podemos

construir una función de probabilidad dada por:

x 1
P( X  x)  (1  p) p, x  1,2,...., n
 Media y varianza: Dist. Geométrica

• Si 𝑋 es una variable aleatoria geométrica con parámetro 𝑝,

entonces la media y la varianza de 𝑋 son

La media
1
𝜇=𝐸 𝑋 =
𝑝

La varianza
1−𝑝
𝜎2 =𝑉 𝑋 =
𝑝2
Ejemplo:
Suponga que es año nuevo y está tratando de llamar a sus
familiares para saludarlos, el sistema está tan colapsado que la
probabilidad de que una llamada sea procesada por el sistema
de telecomunicaciones es de 0,15.

a) ¿Cuál es la probabilidad de que en la tercera llamada pueda

comunicarme con mis familiares?
b) ¿Cuántas llamadas en promedio debiesen hacerse para
lograr conectarse?
 Distribución de Probabilidad
Hipergeométrica
La distribución de probabilidad hipergeométrica es similar a la
binomial, pero lo que la distingue es la forma como se obtienen los
datos.
Las condiciones que se deben cumplir, para aplicar este tipo de
distribución, son las siguientes:

• Que el tamaño de la población sea pequeño

• Que la selección de la muestra de una población finita, sea sin
reemplazo
• Que el tamaño de la muestra n sea mayor al 5% de la población
N.
 Distribución de probabilidad
Hipergeométrica

La formula es la siguiente:

 a  N  a 
  
 x  n  x 
P( X  x)  x  0,1,2,...., n
N
 
n

N= tamaño de la población
a= número de éxitos en la población
x= número de éxitos que son de interés en la muestra
n = tamaño de la muestra o numero de ensayos
 Distribución de Probabilidad
Hipergeométrica
Ejemplo: Suponga que durante una semana se fabricaron 50
videojuegos, 40 funcionaron perfectamente y 10 tuvieron al menos
un defecto. Se seleccionó al azar un muestra de 5 sin reemplazo.
¿Cuál es la probabilidad de que 4 de los 5 juegos funcionará
perfectamente? (Monroy, 2008)

N = 50 n=5 a= 40 x= 4

40 10
4 1 91.390 ∗10
𝑃 𝑥=4 = 50 = = 0,431 = 43,1%
2.118..760
5
 Distribución de Probabilidad
Hipergeométrica
ESPERANZA
a
E[ X ]  n
N
VARIANZA

a a  N  n 
Var ( X )  n 1   
N  N  N  1 
EJERCICIO PARA PRACTICAR:

Considerando que en un proceso productivo hay un total de 10

objetos, 3 de los cuales son defectuosos, si de seleccionan 4
objetos al azar, ¿cuál es la probabilidad de que 2 sean
defectuosos?
 Distribución de Probabilidad
Poisson
La distribución de Poisson, también es una alternativa a la binomial.
Se utiliza cuando el n es muy grande y p es muy pequeña

𝑒 −𝜆 𝜆𝑥
𝑃 𝑋=𝑥 =
𝑥!
𝜆 = número promedio de ocurrencias (éxitos) durante un intervalo
especifico de tiempo (np)
𝑒 = es la constante 2,7182818 (base del Logaritmo neperiano)
x = es el número de ocurrencias (éxitos)
 Distribución de Probabilidad
Poisson
Ejemplo: En una aerolínea es muy poco frecuente que se pierda la
maleta de un pasajero. La mayoría de los vuelos no tiene pérdidas.
Suponga que se toma una muestra aleatoria de 1000 vuelos, donde
300 maletas se perdieron.
En este caso el n es muy grande, la probabilidad de que se pierda la
maleta es muy pequeña, y la media de maletas pérdida por vuelo es
de 300/1000 = 0,3
Calcular la probabilidad de perder una maleta

𝑒 −𝜆 𝜆𝑥 𝑒 −0,3 0,31
𝑃 𝑥=1 = = = 0,222 = 22,2 %
𝑥! 1!
 Media y Varianza: Dist. Poisson

Si 𝑋 es una variable aleatoria de Poisson con parámetro 𝜆,

entonces la media y la varianza de 𝑋

Media

𝜇=𝐸 𝑋 =𝜆

Varianza

𝜎2 = 𝑉 𝑋 = 𝜆
RESUMEN

Las distribuciones de probabilidad discretas estudiadas en este

capitulo son:

• Distribución Bernoulli
• Distribución Binomial
• Distribución Poisson
• Distribución Geométrica
• Distribución Hipergeométrica
 Bibliografía
Bibliografía obligatoria:
• Cánavos, George. Probabilidad y Estadística. Mc. Graw Hill,
1999. México 2. Miller, Irwin. Estadística matemática con
aplicaciones. Prentice Hall, 2000. México.
Bibliografía Complementaria:
• Murray Spiegel: Estadística Mc Graw Hill. México, 2003.
• César Pérez López, Estadística - Problemas resueltos y
aplicaciones, Editorial Pearson Educación S.A. Madrid,
2003.
• Devore, Jay L. Probabilidad y Estadística para Ingeniería y
Ciencias. Editorial Thomson. México, 2005.
 Taller Práctico Colaborativo
Clase 9
Título: Distribuciones de probabilidad discretas.

Resultado de Distinguir modelos de distribuciones de

Aprendizaje: probabilidad discretas para aplicar a
problemas relacionados con la ingeniería.
Tiempo Total 40 minutos.
 Actividad on line
Clase 9

Taller on line: Distribuciones Discretas.

Control Online - Sumativo 5