Estadı́stica Aplicada I (ESMA3101)

Prof. Pedro A. Torres Saavedra

March 26, 2014

Lecciones 22-25: Variables Aleatorias Discretas, Dis-

tribución Binomial y Distribución Poisson
Variable Aleatoria Discreta
Ejemplo: Número de caras

Suponga que lanzamos una moneda corriente tres veces y definimos X:=“Número
de caras en los tres lanzamientos”. Calcule P (X = 0), P (X = 1), P (X = 2) y
P (X = 3).
Recuerde que en tres lanzamientos de una moneda hay 8 posibles resultados.

(+, +, +) → X = 0,

(+, C, +), (+, +, C), (C, +, +) → X = 1, §

(+, C, C), (C, +, C), (C, C, +) → X = 2,
(C, C, C) → X = 3.
Ahora, cada uno de los 8 resultados tiene probabilidad 1/8. Por lo tanto,
1 3 3 1
P (X = 0) = , P (X = 1) = , P (X = 2) = , P (X = 3) = .
8 8 8 8

En el ejercicio anterior, la X es llamada una variable aleatoria basada en el experimento

el cuál consiste en el lanzamiento de tres monedas corrientes. Se dice que es aleatoria ya
que cada vez que lanzamos las tres monedas, X toma el valor 0, 1, 2 o 3, con las probabili-
dades calculadas anteriormente. La variable aleatoria del ejemplo anterior se dice que es una
variable aleatoria discreta ya que X toma un número contable de valores. Cuando una
variable aleatoria X toma un número no contable de valores se dice que es continua (por
ejemplo, el peso en libras de los individuos).

1
 Notas de Clase - Estadı́stica Aplicada I (Applied Statistics I ) (ESMA3101)

Distribución de Probabilidad
Siguiendo con el ejemplo anterior, los valores que toma la variable aleatoria X y sus respec-
tivas probabilidad se suelen presentar en una tabla, la cual llamaremos la distribución de
probabilidad de X.

Table 1: Experimento: Lanzamienton de tres monedas

x P (X = x) = P (x)
0 1/8
1 3/8
2 3/8
3 1/8
Suma 1

Note que en la tabla anterior, las probabilidades son números entre 0 y 1, y la suma de
todas las probabilidades de la tabla suman 1.

Ejercicio: Lanzamiento de dos dados corrientes

Suponga que lanzamos dos dados corrientes y definimos X:=“Suma de los resulta-
dos”. Halle la distribución de probabilidad de X.

c 2014 Prof. Pedro A. Torres Saavedra pedro.torres14@upr.edu Page 2 of 11

 Notas de Clase - Estadı́stica Aplicada I (Applied Statistics I ) (ESMA3101)

Distribución Binomial
Ejemplo: Resultados de Prueba Corta

Suponga que el profesor de estadı́stica da una prueba corta con 4 preguntas de

selección múltiple y que usted contesta la prueba aleatoriamente (los resultados
de adivinar no son muy buenos, en promedio!). Cada pregunta tiene tres posi-
bles respuestas, de las cuales una es correcta. Defina X :=“Número de preguntas
contestadas correctamente”.

1. Dibuje un diagrama de árbol para representar los posibles resultados de la §

prueba.

2. Halle la distribución de probabilidades de X.

3. Encuentre la probabilidad de haber contestado la prueba correctamente.

4. Encuentre la probabilidad de tener más de dos respuestas correctas.

Figure 1: Diagrama de árbol para la prueba corta con cuatro preguntas (W=Incorrecta,
C=Correcta).

Con base en diagrama de árbol podemos ver que:

 4
2 2 2 2 2
P (X = 0) = 1 · · · · = = 0.198,
3 3 3 3 3

c 2014 Prof. Pedro A. Torres Saavedra pedro.torres14@upr.edu Page 3 of 11

 Notas de Clase - Estadı́stica Aplicada I (Applied Statistics I ) (ESMA3101)

   3
1 2 2 2 1 2
P (X = 1) = 4 · · · · = 4 = 0.395,
3 3 3 3 3 3
 2  2
1 1 2 2 1 2
P (X = 2) = 6 · · · · = 6 = 0.296,
3 3 3 3 3 3
 3  1
1 1 1 2 1 2
P (X = 3) = 4 · · · · = 4 = 0.099,
3 3 3 3 3 3
 4
1 1 1 1 1
P (X = 4) = 1 · · · · = = 0.012.
3 3 3 3 3
Una gráfica de los valores de X con sus respectivas probabilidades se muestra a continuación.
0.5
0.4
Probabilidad: P(X=x)

0.3
0.2
0.1
0.0

0 1 2 3 4

X=Número de Respuestas Correctas

c 2014 Prof. Pedro A. Torres Saavedra pedro.torres14@upr.edu Page 4 of 11

 Notas de Clase - Estadı́stica Aplicada I (Applied Statistics I ) (ESMA3101)

Experimento Binomial

Un experimento con repeticiones que satisface las siguientes condiciones es denom-

inado un experimento binomial.

1. Hay n repeticiones iguales e independientes.

2. Cada repitición tiene dos posibles resultados: éxito o fracaso. B

3. P (éxito) = p y P (fracaso) = 1 − p = q.

4. La variable aleatoria X es definida como el número de éxitos que ocurren. X

toma valores desde 0 hasta n.

Ejercicio: Lanzamiento de seis monedas

Suponga que lanzamos seis monedas corrientes y registramos en número de caras

que obtenemos. Diga si el experimento se puede modelar con una distribución
binomial. Es decir, verifique si el experimento satisface las cuatro condiciones de
un experimento binomial.

1. B
2.

3.

4.

Ahora suponga que queremos calcular la probabilidad de obtener tres caras en el lanza-
miento de las seis monedas. Una forma de obtener la respuesta a esta pregunta es listando
los posibles resultados del experimento, contando cuántos casos resultan en dos caras y
diviendo por el número total de resultados. Sin embargo, en este caso hay 64 posibles resul-
tados. Por lo tanto, enumerar todos los posibles casos y contarlos es tedioso.

Vamos a ver una forma de calcular probabilidades cuando tenemos un experimento bino-
mial usando una función de probabilidad.

c 2014 Prof. Pedro A. Torres Saavedra pedro.torres14@upr.edu Page 5 of 11

 Notas de Clase - Estadı́stica Aplicada I (Applied Statistics I ) (ESMA3101)

Función de Probabilidad Binomial

Para un experimento binomial con n repeticiones y P (éxito) = p, la probabilidad

de obtener exactamente x éxitos esta dada por
 
n x
P (X = x) = P (x) = p (1 − p)n−x , x = 0, 1, 2, . . . , n,
x

donde  
n n!
= , B
x (n − x)!x!
y
n! = 1 · 2 · 3 · n.
n


El término x se lee “n combinado x” y representa las diferentes formas de elegir
x elementos de un total de n posibles, cuando el orden no importa. De otro lado,
la expresión n! se lee “n factorial” . Este término indica las diferentes formas de
permutar n objetos diferentes.

Ejemplo: Lanzamiento de seis monedas

Calcule la probabilidad de obtener exactamente tres caras en el lanzamiento de

seis monedas corrientes.

En el ejemplo anterior vimos que X:=“Número de caras” se puede considerar una

variable aleatoria con distribución binomial con n = 6 y p = P (cara) = 0.5. Por lo §
tanto,
   
n x n−x 6
P (X = 3) = p (1 − p) = (0.5)3 (1 − 0.5)6−3 = 20 · (0.5)3 (0.5)3 = 0.3125.
x 3

Los cálculos anteriores se pueden hacer rápidamente en R/RStudio usando las funciones
choose() y dbinom().

# Calcula el término '6 combinado 3'

choose(6, 3)

[1] 20

# Calcula la probabilidad de exactamente tres éxitos (x=3) en un experimento

# binomial con 6 repeticiones (size=6) y probabilidad de éxito (p=0.5)
dbinom(x = 3, size = 6, prob = 0.5)

[1] 0.3125

c 2014 Prof. Pedro A. Torres Saavedra pedro.torres14@upr.edu Page 6 of 11

 Notas de Clase - Estadı́stica Aplicada I (Applied Statistics I ) (ESMA3101)

Ejercicio: Cartón de huevos

El gerente de Pueblo afirma que ningún cartón de 12 huevos de los que vende en
el supermercado contiene más de un huevo dañado. Si el cliente compra un cartón
y hay más de un huevo dañado entonces el cliente recibe un cartón de reemplazo.
Si la probabilidad de encontrar un huevo dañado es 0.05, ¿cuál es la probabilidad
que el gerente tenga que reemplazar un cartón de huevos?

Media y varianza de la Distribución Binomial

Media y Varianza

Una variable aleatoria que se puede modelar con un experimento con n ensayos
independientes y probabilidad de éxito p tiene media y desviación estándar dadas
por las siguientes fórmulas:

Media = µX = np, B
p
Desviación Estándar = σX = np(1 − p).

Ejemplo: Sexo de nacimientos

Según las estadı́sticas de PR, apróximadamente 51.85% de los nacimientos son mu-
jeres. Si una muestra de 100 nacimientos en PR son aleatoriamente seleccionados,
responda:
§
1. ¿Cuál es el número esperado de mujeres?.

2. Calcule la varianza del número de mujeres.

c 2014 Prof. Pedro A. Torres Saavedra pedro.torres14@upr.edu Page 7 of 11

 Notas de Clase - Estadı́stica Aplicada I (Applied Statistics I ) (ESMA3101)

Distribución Poisson
Distribución Poisson

Una variable aleatoria discreta X que toma valores X = 0, 1, 2, . . . se dice que sigue
una distribución Poisson con parámetro µ si

µx e−µ
P (X = x) = , x = 0, 1, . . .
x!
El parámetro µ generalmente consiste del número de eventos en un intervalo de
tiempo fijo. Por ejemplo, número de clientes que llegan al supermercado en una
hora, número de llamadas telefónicas que ingresan a una oficina en 10 minutos, B
etc.

La media y la varianza de la distribución Poisson son iguales a µ:

E(X) = V ar(X) = µ.

Una gráfica de los valores de X, cuando X se distribuye Poisson con parámetro µ = 1,

con sus respectivas probabilidades se muestra a continuación.

c 2014 Prof. Pedro A. Torres Saavedra pedro.torres14@upr.edu Page 8 of 11

 Notas de Clase - Estadı́stica Aplicada I (Applied Statistics I ) (ESMA3101)

0.5
0.4
Probabilidad: P(X=x)

0.3
0.2
0.1
0.0

0 1 2 3 4 5

X=Número de Eventos

c 2014 Prof. Pedro A. Torres Saavedra pedro.torres14@upr.edu Page 9 of 11

 Notas de Clase - Estadı́stica Aplicada I (Applied Statistics I ) (ESMA3101)

Ejemplo: Accidentes Aéreos Fatales

De acuerdo a datos históricos la tasa de accidentes áereos es de 0.05 accidentes

fatales por 100 millones de millas. Encuentre la probabilidad de que en las
siguientes 100 millones de millas ocurra al menos un accidente fatal.

Primero, recuerde que

P (Al menos un accidente fatal) = 1 − P (Ningún accidente).

Ahora, sea X =”Número de accidentes fatales en 100 millones de millas”. Podemos

modelar las probabilidades de X usando la distribución Poisson con parámetro §
µ = 0.05. Entonces

0.050 e−0.05
P (X ≥ 1) = 1 − P (X = 0) = 1 − = 1 − e−0.05 = 0.048.
0!
Por lo tanto, la probabilidad de que ocurra al menos un accidente aéreo en las
siguientes 100 millones de millas es igual a 0.048. En este ejemplo, uno puede
calcular que el número esperado de accidentes fatales después de 2,000 millones de
millas es igual a 2, 000 ∗ 0.05 = 1.

c 2014 Prof. Pedro A. Torres Saavedra pedro.torres14@upr.edu Page 10 of 11

 Notas de Clase - Estadı́stica Aplicada I (Applied Statistics I ) (ESMA3101)

Recursos Adicionales
• Secciones 6.1-6.3 del libro de texto.

c 2014 Prof. Pedro A. Torres Saavedra pedro.torres14@upr.edu Page 11 of 11