Algunas Distribuciones Discretas

La importancia de las distribuciones de probabilidad es

que estas sirven para modelar el comportamiento de
variables que se presentan en la vida cotidiana como
también de los fenómenos que se presentan en la
naturaleza.

Tipos de distribuciones de v.a. Discretas:

Uniforme discreta
Bernoulli
Binomial
Poisson
Geométrica
Binomial Negativa, etc
Ejemplo. X: puntuación obtenida al tirar un dado.
N=6, entonces
P(X=x)=1/6
E(X)=7/2
V(X)=35/12
Ejemplo
Un agente de seguros dedicado a la venta de seguros de vida realiza
visitas a posibles clientes con el fin de contratar un seguro de vida. Se
sabe de su trayectoria como agente que en el 60% de las visitas tiene éxito
y contrata un seguro. Definir la variable aleatoria asociada a este
experimento aleatorio y obtener la media y varianza.
Solución
El experimento aleatorio es realizar la visita a una posible cliente, y hay
dos resultados posibles: conseguir que el cliente contrate el seguro
(suceso éxito) o no conseguirlo (suceso fracaso). La variable aleatoria X
asociada al experimento toma los valores

X=1 si el cliente contrata el seguro

X=0 si el cliente no contrata el seguro.

Es, por tanto, una variable de tipo Bernouilli, y su función de probabilidad

será

P (X = 1)=0,6 = p
P (X = 0)=1− 0,6 = 0,4 = q

Por consiguiente, la media y la varianza valen

E(X) = p = 0,6
Var(X) = pq = 0,6 · 0,4 = 0,2
Ejercicio
En un proceso de selección de personal se tendrán en cuenta las
siguientes características: estudios superiores, experiencia laboral de más
de un año, dominio de idiomas, conocimiento de informática. La
probabilidad de cada una de estas características es 0.5, 0.7,0.3 y 0.4
respectivamente.
a. Define las correspondientes v.a. de Bernoulli y calcula su esperanza y
varianza.
b. Suponiendo que estas características son independientes, ¿cual es la
probabilidad de que un entrevistado sea contratado si ha de cumplir todas
ellas?
Distribución binomial (Experimento)
Función de distribución:

Observación

Si designamos por X e Y las variables aleatorias binomiales que

representan el número de éxitos y de fracasos, respectivamente, que
se tienen cuando realizamos n repeticiones independientes de una
prueba de Bernouilli con probabilidad de éxito p, entonces tenemos:

P (X = x) = P (Y = n − x),

ya que la probabilidad de obtener x éxitos lógicamente coincide con la

probabilidad de obtener n − x fracasos.
Ejercicio

Sea X una variable aleatoria con función de probabilidad. Obtener su

esperanza matemática y varianza por definición

Solución
Luego, podemos obtener
(tres gráficas con n=5 y diferentes valores p)
Ejemplo
¿Cuál es la probabilidad de obtener 4 caras o más al tirar 6 veces una
moneda (equilibrada)?

Solución
• Podemos interpretar cada moneda como una v.a. Bernoulli con
prob. de cara (éxito) =0.5
• Entonces la v.a X: número total de caras.

• Es B(n=6, p=0.5) puesto que 1) las tiradas son independientes y

2) la probabilidad de cara es la misma en cada tirada.
• Por tanto: P(X ≥ 4) = P(4) + P(5) + P(6).
Ejemplo
Un jugador apuesta a un número del 1 al 6. Se tiran tres
dados. Si el número apostado aparece k veces, k = 1, 2, 3,
entonces el jugador gana k unidades; si dicho número no
aparece ninguna vez, el jugador pierde una unidad. ¿Se trata
de un juego justo para el apostador?
Solución

• Sea X: número de veces que al lanzar los dados el

número apostado aparece (o número de dados que
muestran el número elegido).
• X es una binomial con parámetros n=3 y p=1/6.
• X puede tomar 4 valores 0, 1,2 y 3. Entonces
Definimos la v.a. Y: ganancia del juego. Para saber si el
juego es justo, calculamos su esperanza:
Recuerda que E(Y)=Σyip(X=xi)

El juego no es justo, en media, el jugador pierde en

cada partida 17/216
Ejemplo
Un examen de opción múltiple contiene 10 preguntas. Cada
pregunta tiene cuatro opciones de las cuáles solo una es la correcta.
El examen se aprueba si se responden correctamente al menos seis
preguntas. Si el estudiante adivina las preguntas, 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[X]
Solución
Sea X : # preguntas con respuesta correcta de las 10
La variable aleatoria discreta hipergeométrica X, mide el número de exitos
en una muestra aleatoria de tamaño n tomada de una población de N
elementos de los que k se denominan éxitos y N - K fracasos.

Su función de cuantía esta dada por:

Función de distribución:

Interpretación
La distribución hipergeométrica se aplica con cierta frecuencia en el
control estadístico de calidad de una fabricación en serie. Así pues, si el
lote bajo control contiene A elementos buenos y B = N − A elementos
defectuosos, cuando tomamos una muestra de tamaño n sin
reemplazamiento estaremos interesados en saber el número de
elementos buenos que han aparecido en la muestra de tamaño n para así
determinar la calidad del proceso de fabricación.
Valor Esperado y Varianza.
Ejemplo

Solución

X: Nro. de premios
P( X = 0) = obtenidos

P ( X ≥ 1) =
Ejemplo
Un estudio considera la baja autoestima en niños escolares en
relación a la ausencia de padres en el ambiente familiar. Una
escuela tiene inscritos a 60 niños de 8 a 10 años. El 20% de los
alumnos señalaron la ausencia de uno o ambos padres en el hogar y
el 80% restante indicaron la presencia de ambos padres en el
ambiente familiar. Si se pregunta a 5 niños elegidos al azar para
describir su caso, ¿cuál es la probabilidad de que ninguno de ellos
describa una baja autoestima?
Solución
Sea X = Nro. de alumnos en la muestra con baja autoestima
X → H(60, 12, 5)
12  48 
  
P( X = 0) =    = 0.31352
0 5
 60 
 
5
Ejemplo
En un laboratorio se reciben lotes de 70 tubos de ensayo, de los
cuales 10 son defectuosos. A la recepción de uno de tales lotes se
realiza una inspección del mismo consistente en examinar 6 tubos,
rechazándose el lote si el número de tubos defectuosos detectados
en esa inspección es mayor o igual que 2. ¿Cuál es la probabilidad
de rechazar un lote?

Solución

X: Nro. de tubos defectuosos en una inspección de 6 unidades

Rx = { 0, 1, 3, 4, 5, 6 }
Los tubos inspeccionados se seleccionan sin devolución
⇒ X~ H(70, 10, 6)
10  60 
Por tanto 1 
  
 x  6 − x 
P(X ≥ 2) = 1 - [P(X=0) + P(X=1)] = 1 - ∑ = 0.20136
x =0  70 
 
6
Ejemplo
Suponga que un lote contiene 1500 arandelas de las cuales 200
son inaceptables. Se selecciona al azar 5 arandelas y sea X : # de
arandelas inaceptables en la muestra
Debido a que n es muy pequeño respecto a N, las probabilidades de éxito
(seleccionar una arandela inaceptable) son aproximadamente iguales.

cuando
Ejercicio

Un producto industrial particular se envía en lotes de 20 artículos. La prueba

para determinar si un artículo es defectuoso es costosa, así que el
fabricante obtiene muestras de la producción en vez de utilizar un plan de
inspección al 100%. Un plan de muestreo diseñado para minimizar el
número de artículos defectuosos empleados necesita que se extraigan 5
artículos de cada lote y un lote es rechazado si entre las cinco piezas hay
más de una defectuosa. Suponga que un lote en particular contiene cuatro
artículos defectuosos. Calcule:
a) La probabilidad de que el lote sea rechazado.
b) El número esperado de unidades defectuosas en la selección.
c) La varianza del número de unidades defectuosas en la selección.
d) La probabilidad de que un lote con sólo 2 unidades defectuosas sea
rechazado.
e) La probabilidad de que un lote con 5 piezas defectuosas no sea
rechazado
 Proporcional a la longitud del intervalo

En ocasiones se tiene una situación física en la cual cierto evento es recurrente, tal
como las llamadas que se reciben en cierto intervalo de tiempo en una central
telefónica o el número de defectos en un tramo de cable. Si la probabilidad de
ocurrencia de un evento de este tipo es proporcional al tamaño del intervalo, área,
volumen, etc. entonces la variable aleatoria X, el número de eventos observados
en una unidad (de tiempo, de longitud, etc.) sigue una distribución conocida como
Poisson.
Función de distribución:
Ejemplo
El número medio de aviones que usan una pista de aterrizaje en
un aeropuerto es 2 cada media hora. Suponiendo que siguen una
ley de Poisson.
a) ¿Cuál es la probabilidad de que el número de llegadas sea 5 o
mayor?
b) ¿Cuál es la probabilidad de que en un cuarto de hora aterricen
4 aviones?
Solución

a) P(X ≥ 5) = 1 - [P(X=0) + P(X=1) + P(X=2) + P(X=3) + P(X=4)]

=1 – = 1 - 0.9473 = 0.052.

b) Sea Y el número de aviones que aterrizan en esa pista cada cuarto

de hora. Entonces Y es una Poisson de parámetro 1.

Por tanto,
P( Y > 4) = P(Y ≥ 5)
= 1 - [P(Y=0) + P(Y=1) + P(Y=2) + P(Y=3) + P(Y=4)]
4
e −11x
=1– ∑
y =0 x!
= 1 – 0.9963 = 0.0037
Ejemplo
Ejemplo
La probabilidad de que en una página de 1 libro haya una errata es
0.02. ¿Cuál es la probabilidad que en libro de 200 páginas haya 3
erratas?

Solución
Sea X=número de erratas en el libro.
Lo podemos interpretar como una binomial, entonces X es b(200,
0.02). Por tanto la probabilidad que nos piden es:

 200 
P( X = 3) =  (0.02) 3 (0.98)197
 3 
También podríamos calcularlo usando la distribución de Poisson.
En efecto:
p= 0.02 < 0.1 y E(X) = np = 200*0.02 = 4 < 5

Tenemos, que X sigue una distribución P(λ=4), por tanto:

P ( X = 3) = (e −4 43 ) / 3!= 0.1954

Ejemplo
El número de nacimientos en un hospital constituye un proceso de
Poisson con intensidad de 21 nacimientos por semana. ¿Cuál es la
probabilidad de que se produzca al menos tres nacimientos el
próximo lunes?
Solución

X : Nro. de nacimientos por semana, X ~ P(λt=21), por tanto

P(X ≥ 3) = 1 - [P(X=0) + P(X=1) + P(X=2)], cuando t=1/7

=1– = 1 - 0.4232 = 0.5768.

………………….………. (1)
Función de distribución:

Observación
Si X1 y X2 son dos variables aleatorias independientes distribuidas según
BN (r1, p) y BN (r2, p) respectivamente, entonces la variable X = X1+X2
se distribuye según BN (r1 + r2, p).
Alternativamente podemos definir otra función

Distribución
…. (2)
de Pascal

Características de (1)
rq rq
E[ X ] = V[X ] =
p p2
En el caso de la distribución de Pascal: X ~ B (k, p)
P(X ≤ n) = P(Y ≥ k) donde n = x + k
P(X > n) = P(Y < k)
Ejemplo:
Solución
 concluir

=
Observación
Si X ~Geo (p), donde
X: Nro. de ensayos hasta
conseguir un exito
Ejemplo
Ejemplo
Solución
Ejemplo

Solución
VARIABLES ALEATORIAS DISCRETAS