Tema 1 2º Ade V2

Universidad de Burgos
Departamento de Economía Aplicada
ESTADÍSTICA E
INTRODUCCIÓN A LA
Grado en Administración ECONOMETRÍA
y Dirección de Empresas
(ADE) (2º Curso)
Área de Métodos
Cuantitativos para la
Economía y la Empresa
Tema 1
2º Curso ADE
Distribuciones de Probabilidad de Tipo Discreto

Objetivos
Al concluir este tema el alumno será capaz de:
Recordar los conceptos de variable aleatoria y distribución de

Área de Métodos Cuantitativos para la

probabilidad desde un punto de vista discreto y continuo.
 Calcular la esperanza matemática, varianza y desviación estándar de una

distribución de probabilidad.
 Describir las características de las distribuciones Binomial, de Poisson,

Geométrica, Binomial Negativa, Hipergeométrica y Multinomial y su
aplicación en el cálculo de probabilidades.
2
Tema 1
2º Curso ADE
Distribuciones de Probabilidad de Tipo Discreto

Contenido
1.1 Introducción
1.1.1 Variables Aleatorias
1.1.2 ¿Qué es una distribución de probabilidad?
1.1.3 Esperanza matemática, varianza y desviación estándar

de una distribución de probabilidad
1.2 Distribuciones de probabilidad de tipo discreto

1.2.1 Distribución Binomial

1.2.1 Distribución de Poisson
1.2.3 Distribución Geométrica
1.2.4 Distribución Binomial Negativa
1.2.5 Distribución Hipergeométrica
1.2.6 Distribución Multinomial
3
Distribuciones de Probabilidad
Tema 1 de Tipo Discreto
2º Curso ADE
1.1 Introducción
 El curso anterior se centró, básicamente, en el estudio de la

Estadística Descriptiva: datos en bruto organizados en una
distribución de frecuencias, la cual se representa en tablas, gráficas y
diagramas.
 Se calcularon medidas de posición – como la media aritmética, la

mediana o la moda- para localizar un valor típico cercano al centro de
la distribución. Mediante el rango, la varianza y la desviación típica o

estándar se describió la dispersión de los datos.
 Esta parte se centró en describir algo que sucedió.
4
2º Curso ADE
1.1 Introducción
 En la parte final de la asignatura se produce un cambio sustancial: ahora

el análisis es sobre algo que posiblemente suceda. Esta faceta de la
Estadística recibe el nombre de Inferencia Estadística.
 En esta última parte de la asignatura de primer curso se estableció que

una probabilidad es un valor entre 0 y 1, inclusive, y se analizó la forma
en que las probabilidades pueden combinarse de acuerdo a las reglas de
la adición y la multiplicación.
 Se estudió el concepto de variable aleatoria y su clasificación en variables

continuas o discretas en función de los valores que puedan tomar las
mismas como consecuencia de los resultados del experimento aleatorio
que representan.
5
2º Curso ADE
1.1 Introducción
 En este tema se inicia el estudio de las distribuciones de probabilidad.

Una distribución de probabilidad proporciona toda la gama de valores
que se pueden presentar en un experimento. Es similar a una
distribución de frecuencias relativas; sin embargo, en lugar de describir

el pasado, describe la probabilidad de que un suceso se presente en el
futuro.
6
2º Curso ADE
1.1 Introducción
1.1.1 Variables aleatorias
 Consideremos un espacio muestral E formado por sucesos elementales.
Establecemos una aplicación entre el espacio muestral y un conjunto
numérico mediante el cual a todo suceso elemental le hacemos
corresponder un valor numérico; la variable () puede tomar estos

valores numéricos, entonces esta variable recibe el nombre de variable
aleatoria.
 La Variable Aleatoria puede ser de tipo Discreto o de tipo Continuo.
 Una variable aleatoria es discreta, si toma un número finito de

valores determinados, o lo que es lo mismo, si el conjunto numérico no es
de los números reales.
7
2º Curso ADE
1.1 Introducción
1.1.1 Variables aleatorias
 Una variable aleatoria es continua, cuando toma un número infinito
de valores determinados, o si el conjunto numérico es el de los
números reales.
Ejemplo: estamos ante un caso de variable aleatoria discreta cuando

lanzamos un dado, ya que los valores que puede tomar la variable  son 1, 2, 3,
4, 5, 6 y sólo éstos.
Ejemplo: estamos ante una variable aleatoria continua si consideramos los

pesos de personas que están comprendidos entre 70 y 80 Kg. Ya que la variable
aleatoria  puede tomar todos los valores posibles de dicho intervalo.
8
2º Curso ADE
1.1 Introducción
 Una distribución de probabilidad muestra los resultados de un experimento
y la probabilidad de que cada uno se presente.
Se denomina distribución de probabilidad al conjunto de

todos los valores de la Variable Aleatoria con sus respectivas
probabilidades.
Distribuciones de Tipo Discreto

Cuando su campo analítico es un conjunto mensurable, o lo que es lo mismo,
cuando la Variable Aleatoria es discontinua por no existir masa de
probabilidad más que en determinados puntos del intervalo.
9
2º Curso ADE
1.1 Introducción
Distribuciones de Tipo Continuo
Cuando su campo analítico es todo intervalo, es decir, cuando la Variable
Aleatoria es continua, y puede tomar, al menos teóricamente, todos los
valores del mismo, por existir masa de probabilidad en todos los puntos del
citado intervalo.
Características más importantes de una distribución de probabilidad

• La probabilidad de un resultado en particular se encuentra entre 0 y 1,

inclusive.
• Los resultados son sucesos mutuamente excluyentes.
• La lista es exhaustiva. Así, la suma de las probabilidades de los diversos

sucesos es igual a 1.
10
2º Curso ADE
1.1 Introducción
en una distribución de probabilidad
Esperanza Matemática E[]
Sea una Variable Aleatoria (), se define la Esperanza Matemática:
a) si la Variable Aleatoria () tiene una distribución de tipo discreto

como la suma de los productos de los valores de la variable por sus
probabilidades respectivas.

E     xi pi
i 1
b) si la Variable Aleatoria () tiene una distribución de tipo continuo se

define: 
E     x f ( x) dx 11

2º Curso ADE
1.1 Introducción
Varianza y Desviación Típica 2 ; 
Dada una Variable Aleatoria , se define la varianza, que la expresamos
por 2 ó Var () como la esperanza matemática de los cuadrados de las

diferencias entre los valores de la variable y su valor medio
2 o Var () = E[-]2 = E[ - E()]2
Caso Discreto:

  Var ( )  E [   ]   ( xi   ) 2 pi   2  12   2
2 2
i 1
Caso Continuo:

  Var ( )  E [   ]   ( x   ) 2 f ( x) dx   2   12   2
2 2

12
2º Curso ADE
1.1 Introducción
Desviación Típica 
La definimos como la raíz cuadrada positiva de la varianza.
Caso Discreto:


 i 
   E (   ) 2  x   2
pi   2
i 1
Caso Continuo:

   E (   )   ( x   ) 2 f ( x) dx   2
2

13
2º Curso ADE
1.2 Distribuciones de Probabilidad de Tipo Discreto
 La principal preocupación de los científicos dedicados al Cálculo de

Probabilidades ha sido la de construir modelos de distribuciones de
probabilidad que pudieran representar el comportamiento teórico de
diferentes fenómenos aleatorios que aparecían en el mundo real.
 Por otra parte un modelo resulta extremadamente útil, siempre que se

corresponda con la realidad que pretende explicar o predecir, a fin de
poner de relieve las propiedades más importantes del mundo que nos
rodea, aunque sea a costa de la simplificación que implica todo
modelo.
14
2º Curso ADE
 En este tema y el siguiente, analizaremos los modelos de distribución

de probabilidad que subyacen más frecuentemente en los fenómenos
aleatorios que podemos tratar, comenzando por aquellos donde la
variable aleatoria descrita sea de tipo discreto para continuar con

los modelos continuos de probabilidad.
15
2º Curso ADE
 El esquema que seguiremos en cada modelo procurará contener los

elementos básicos y necesarios, precisos para el mejor conocimiento de
cada distribución:
• Haremos una descripción del fenómeno que genera cada variable

aleatoria, determinando su función de probabilidad y las
características básicas que le correspondan (valor medio,
varianza, etc…)
• Propondremos ejemplos de aplicación de cada modelo y, cuando

sea necesario consideraremos alguna especificidad, si es fundamental
para el discurso que siga.
16
2º Curso ADE
 Cada modelo se definirá en función de unos parámetros propios

que le identifican constituyéndose, pues, como expresiones
generales que al aplicarlo obligará a asignar valores concretos a cada
situación específica que interese en cada momento. En los temas

posteriores, dedicados a la Inferencia Estadística, confirmaremos la
relevancia de identificar los parámetros básicos de cada modelo.
 En general una distribución de probabilidad está caracterizada por una

o más cantidades que reciben el nombre de parámetros de la
distribución, y como el parámetro puede tomar valores en un
conjunto dado, entonces se llega a tener una familia de distribuciones
de probabilidad, que tendrán la misma función de probabilidad.
17
2º Curso ADE
 En los temas 1 y 2 se estudiarán las distribuciones de probabilidad más

usuales desde el punto de vista discreto y continuo, obteniendo una serie
de características y propiedades, de tal manera que siempre
proporcionaremos:
• Las condiciones bajo las cuales una variable aleatoria tiene una
distribución de probabilidad particular, la expresión matemática de la
distribución de probabilidad y la expresión matemática de la media y

la varianza.
18
2º Curso ADE

 Es evidente que todo suceso “ocurre” o “no ocurre”, y por muchos
posibles resultados que pueda mostrar un problema siempre se puede
describir en términos de “aceptable” o “no aceptable”.
 Pensemos en que el ordenador “funciona” o “no funciona”, el

trabajador está enfermo o no, que tenga trabajo o no, se cumplen las
especificaciones o no.
 Supongamos que un fenómeno aleatorio puede concretarse en dos

sucesos mutuamente excluyentes entre sí, (moneda que se lanza al
aire, pudiéndose obtener en cada lanzamiento el suceso CARA o el
suceso CRUZ). Un fenómeno de este tipo se denomina dicotómico y la
variable aleatoria que lo representa se dice Binomial.
19
2º Curso ADE

Podemos distinguir dos supuestos:
• Que se trate de un fenómeno que puede concretarse sólo en dos

sucesos. B(0; 1)
Ejemplo: Extraer de un depósito, en condiciones de azar, una pieza, supuesto

que en aquel sólo existen dos, una buena y otra defectuosa.
• Que se trate de un fenómeno que puede concretarse en más de dos

sucesos pero presentando éste dos modalidades alternativas entre sí.
B(n; p)
Ejemplo: que el depósito en cuestión contenga diez piezas, seis de ellas buenas
y cuatro defectuosas.
20
2º Curso ADE

 En el primer caso los posibles resultados son sólo dos y, como
decíamos anteriormente, mutuamente excluyentes. Los dos
posibles resultados los designaremos por:
• Suceso éxito A, que será el suceso en estudio, y

• Suceso fracaso que es el complementario, A*
y que son tales que:
A, A*  E A  A* = E A  A* = 
 A este tipo de experimentos aleatorios se les denomina

experimentos o pruebas de Bernoulli. Asociado a este
experimento o prueba de Bernoulli tenemos la distribución
Binomial (0; 1)
21
2º Curso ADE

 Una variable aleatoria tiene una distribución Binomial, B(0;1),
cuando se presenta bajo dos alternativas complementarias, A y A*,
con probabilidades:
P(A) = p P(A*) = q = 1 –p
donde 0  p  1, 0  q  1 p+q=1
Estas alternativas se codifican, arbitrariamente, asignando el valor 1


cuando aparece A y el valor 0 si no aparece, con lo que podemos
establecer
P(A) = P( = 1) = p P(A*) = P( = 0) = q = 1 – p
 Lo que constituye un caso particular de la distribución en dos

puntos cuando los valores de la variable sean, concretamente 0 y 1.
22
2º Curso ADE

 Un ejemplo claro y concreto del fenómeno aleatorio, que puede venir
representado por una variable aleatoria de este tipo sería el
lanzamiento de una moneda; si hacemos el siguiente convenio,
cuando sale CRUZ decimos que la variable aleatoria ha tomado valor

“0” y cuando sale CARA el valor “1”.
Moneda Variable  Probabilidad P(=x)

CRUZ 0 q P(=0) q
CARA 1 p P(=1) p
23
2º Curso ADE

 Otro ejemplo podría ser el siguiente; cuando lanzamos un dado nos
fijamos solamente en dos tipos de sucesos; ha salido un número PAR o
ha salido un número IMPAR, es decir, una modalidad como puede
presentarse el experimento aleatorio, es que salga el 1, 3 ó 5 y otra

modalidad es que salga 2, 4 ó 6.
Dado Variable  Probabilidad P(=x)

IMPAR (1, 3, 5) = 0 q P(=0) q

PAR (2, 4, 6) = 1 p P(=1) p
24
2º Curso ADE

DISTRIBUCIÓN BINOMIAL (0; 1) O DISTRIBUCIÓN DE BERNUOLLI
Función de
P (  x)  p x  q1 x para x = 0 y x = 1
Cuantía
0 x0
Función de 
F ( x)  P(  x)  q 0  x 1
Distribución
1
 x 1
2
Esperanza E     xi pi  0  q  1  p  p
Matemática i 1
2
V     2  E   E  2    xi  p  2 p i 
Varianza i 1
 (0  p ) 2  q  (1  p ) 2  p  p 2  q  q 2  p  pq ( p  q )  pq 25
2º Curso ADE

DISTRIBUCIÓN BINOMIAL (0; 1) O DISTRIBUCIÓN DE BERNUOLLI

Desviación
típica    2  pq
Función
Característica
 
 (t )  E e it 
2 itx
  e i pi  e it 0 q  e it1 p  q  e it p  e it p  q
i 1
Función
Generatriz
  2
g ( )  E e   exi pi  e 0 q  e1 p  q  e p  e p  q
i 1
26
2º Curso ADE

Aplicaciones
El esquema de Bernoulli se corresponde con todo proceso de carácter

dicotómico donde sólo existen dos sucesos posibles y, por consiguiente,

complementarios.
Algunos autores describen este modelo como el que representa toda

situación donde se dé éxito o fracaso, relacionando las dos posibles
alternativas que puedan darse a través del binomio éxito-fracaso, que,
como vemos, es una manera equivalente de expresar la dicotomía.
27
2º Curso ADE

Aplicaciones
Es frecuente hallar en el mundo real fenómenos dicotómicos que pueden

modelizarse a través de la distribución binomial (0; 1) que, a partir de

ahora denominaremos B(0; 1); por ejemplo, en una tirada de una moneda
sacar cara o cruz, en un dado obtener as o no, que una pieza fabricada
sea defectuosa o no, que un individuo vote a un candidato o no, etc...
28
2º Curso ADE

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 esperanza matemática (media) y la varianza.
29
2º Curso ADE

Solución:
El experimento o prueba de Bernoulli será el realizar la visita a un posible
cliente, ya que los dos posibles resultados serán:
• Conseguir que contrate el seguro, suceso éxito A

• No conseguir que contrate el seguro, suceso fracaso A*
Luego la variable aleatoria  asociada al experimento toma los valores 0 y 1.
 = 1 si hace el seguro, ocurre el suceso A

 = 0 si no hace el seguro, ocurre el suceso A*
Su distribución de probabilidad será:
P( = 1)= P(A) = 0,6 = p P( = 0)= P(A*) = 0,4 = 1- p = q
La esperanza matemática y la varianza son:
E[] = p = 0,6 V() = p (1 - p) = p q = 0,6 0,4 = 0,24 30
2º Curso ADE

 En el segundo caso una generalización importante de la distribución de
Bernoulli se obtiene cuando el experimento o prueba de Bernoulli se
repite varias veces.
 Así pues consideremos n repeticiones independientes de una prueba de

Bernoulli, siendo la probabilidad de éxito, P(A) = p, constante en todas
las repeticiones. Asociada a cada una de las repeticiones del
experimento o prueba de Bernoulli tenemos la distribución Binomial

(n; p)
 Una variable aleatoria  tiene una distribución Binomial (n; p), B(n; p),
cuando dicha variable es la suma de n variables aleatorias
independientes y distribuidas binomialmente con parámetros 0 y 1, es
decir:
 = 1 + 2 + 3 + …+ n 31
2º Curso ADE

 Conceptualmente la distribución B(n; p) describe situaciones que se
pueden presentar si un mismo suceso dicotómico se observa o se
repite n veces, y si los posibles resultados en cada ocasión son
independientes de los que puedan lograrse en las demás.
Definimos la distribución binomial de parámetros n y p como el número

de éxitos que tienen lugar cuando se realizan n repeticiones

independientes de un experimento o prueba de Bernoulli.
32
2º Curso ADE

 Dado que cada variable aleatoria i toma los valores codificados

cero o uno,
 el menor valor que podrá tomar la variable suma  será también

cero, si todas y cada una de las variables i se sitúan en cero,
 y el máximo será n cuando cada una de las variables

componentes i tome el valor uno. Por lo tanto, esta nueva

variable aleatoria  podrá tomar todos los valores naturales hasta
n, además del cero.
 = { 0, 1, 2, …, n}
33
2º Curso ADE

Un ejemplo concreto de éste tipo de variables lo podemos obtener de la
siguiente forma: supongamos que la variable nos da el número de caras
que obtenemos al lanzar una moneda 10 veces.
Es decir,  = 1 + 2 + 3 + … + 10 donde

1 nos dice lo ocurrido en el primer lanzamiento.
2 nos dice lo ocurrido en el segundo lanzamiento.
……………………………………………………………………….
10 nos dice lo ocurrido en el décimo lanzamiento.
Vemos entonces que  puede tomar todos los valores comprendidos entre
0 y 10 para el caso que nos ocupa.
=0 =1 =10

34
2º Curso ADE

 Como las posibles alternativas son A y A* que se codifican en cada caso

por 1 y 0, respectivamente,
 el que la variable aleatoria tome, por ejemplo, el valor 3 significa que,

en las n repeticiones, se ha observado tres veces el caso A; de esta
manera,
 la variable  aparece como una variable contador del número de veces

que se presenta la probabilidad A cuando el experimento se repite n
veces.
35
2º Curso ADE

Función de cuantía
La probabilidad P( = x), expresión de la función de cuantía de la variable
aleatoria, tiene que proporcionar, en este caso, según acabamos de
comentar, la probabilidad de que en n repeticiones se obtengan x veces la

alternativa A.
Al repetir n veces el experimento, si se supone que la alternativa A se ha
obtenido x veces, entonces las n–x restantes serán A*.

 n  x n x para x= {0, 1, 2, …, n}
P (  x)    p q
 x
Donde:
n = es el número de veces que realizamos el experimento
p = es la probabilidad de éxito
x = valor de la variable aleatoria
36
2º Curso ADE

DISTRIBUCIÓN BINOMIAL (n; p)
Función n
P (  x)    p x q n x para x= 0, 1, 2…n
de Cuantía  x
0 x0

Función  x n
F ( x)  P (  x)      p k q nk 0 xn
de Distribución
k  0  k 
1 xn

Esperanza
E    E 1   2  ...   n   p  p  ...  p  np  
Matemática
Varianza V ( )  V (1   2  ...   n )  pq  pq  ...  pq  npq   2

37
2º Curso ADE

DISTRIBUCIÓN BINOMIAL (n; p)
Desviación
típica    2  npq
  
  (t )  E e it  E e it (1 2 ... n) 
Función n n
Característica   1 (t )    2 (t )  ...    n (t )     j (t )   (e it p  q )  (e it p  q ) n
j 1 j 1
   
g  ( )  E e  E e (1 2 ... n)  g 1 ( )  g  2 ( )  ...  g  n ( ) 
Función
n n
Generatriz   g  j ( )   (e p  q )  (e p  q ) n
j 1 j 1
38
2º Curso ADE

Características de la Distribución Binomial:

1.- El resultado de cada prueba de un experimento se clasifica en
una de dos categorías mutuamente excluyentes: éxito o fracaso.

2.- La variable aleatoria permite contar el número de éxitos en una
cantidad fija de pruebas.
3.- La probabilidad de éxito y fracaso es la misma para cada prueba.

4.- Las pruebas son independientes, lo cual significa que el
resultado de una prueba no influye en el resultado de otra prueba.
39
2º Curso ADE

Manejo de las Tablas
40
2º Curso ADE

Valores de p
entre 0,05 y
0,50
0,4096
Probabilidades
Pedidas
0,2304
Valores de
p entre
0,50 y 0,95
41
2º Curso ADE

Ejemplo: Un representante realiza cinco visitas cada día a los comercios

de su ramo, y por su experiencia anterior sabe que la probabilidad de que
le hagan un pedido en cada visita es del 0,4. Obtener:
a) La distribución del número de pedidos por día.

b) Las probabilidades para los diferentes números de pedidos.
c) El número medio de pedidos por día.

d) La varianza.
e) La probabilidad de que el número de pedidos que realiza durante un
día esté comprendido entre 1 y 3.
f) La probabilidad de que al menos realice dos pedidos.
42
2º Curso ADE

Solución:
a) Sea  la variable aleatoria que indica el número de pedidos por día,
luego  se distribuye según una distribución binomial de parámetros n= 5
y p = 0,4, es decir B(5; 0,4)
La función de cuantía será: 5 

P (  x )    0,4 x 0,6 5  x
 x
para x = 0, 1, 2, 3, 4 y 5
b) Utilizando las tablas de la distribución Binomial (n; p) o bien haciendo

los cálculos correspondientes, se tiene:
43
2º Curso ADE

5 5
P (  0)    0,4 0 0,6 5  0    (0,4) 0 (0,6) 5  0,0778
 0 0
 5  5
P (  1)    0,41 0,6 5 1    (0,4)1 (0,6) 4  0,2592
1  1 
5 5
P (  2)    0,4 2 0,6 5  2    (0,4) 2 (0,6) 3  0,3456
 2  2
 5  5
P (  3)    0,4 3 0,6 5  3    (0,4) 3 (0,6) 2  0,2304
 3  3
5 5
P (  4)    0,4 4 0,6 5  4    (0,4) 4 (0,6)1  0,0768
 4  4
 5  5
P (  5)    0,4 5 0,6 5  5    (0,4) 5 (0,6)0  0,0102
 5  5 44
2º Curso ADE

c) El número medio de pedidos será: E      np  5  0,4  2
V ( )   2  npq  5  0,4  0,6  1,2

d) La varianza será:
e) La probabilidad de que el número de pedidos que realiza durante un día esté

comprendido entre 1 y 3 será:
3
P (1    3)  P (  1)  P (  2)  P (  3)   P (  xi )  0,2592  0,3456  0,2304  0,8352
i 1
f) La probabilidad de que al menos realice dos pedidos será:

P(  2)  P(  2)  P(  3)  P(  4)  P(  5)  1  P(  2)  1  P(  0)  P(  1) 
 1  F (1)  1  0,337  0,663
45
2º Curso ADE

 En ciertos experimentos aleatorios se obtiene el numero de resultados

o sucesos que ocurren de manera independiente y aleatoria durante un
intervalo de tiempo dado o en una región especificada, que dan lugar a
valores numéricos de una variable aleatoria .
 A estos experimentos se les llama frecuentemente experimentos de

Poisson.
 El intervalo de tiempo dado puede ser de cualquier magnitud; un

minuto, una hora, un día, una semana, etc; y el experimento de
Poisson puede producir observaciones para la variable aleatoria  que
representen, por ejemplo:
46
2º Curso ADE

• El número de accidentes que ocurren por semana (o por minuto o día)
en una planta industrial.
• El número de llegadas por hora (o por minuto) de enfermos al servicio

de urgencias de un hospital.
• El numero de llamadas telefónicas por hora (o por minuto o día) a una
oficina.
• El número de clientes que llegan a un banco durante cinco minutos.

• El número de automóviles que llegan a un parking durante una hora.
• El número de días al año que no hay clases por motivo de huelgas, etc…
47
2º Curso ADE

Los experimentos de Poisson presentan las siguientes características:
1. El número de sucesos que ocurren en un intervalo de tiempo o en una
región o en volumen especificado, son independientes del número de
sucesos que ocurren en cualquier otro intervalo o región.
2. La probabilidad de que un solo suceso o resultado ocurra en un intervalo

de tiempo muy pequeño o en una región muy pequeña, es proporcional
a la longitud del intervalo de tiempo o al tamaño de la región, y no

depende del número de sucesos que se produzcan fuera del intervalo o
región considerada.
3. La probabilidad de que ocurran más de un resultado o suceso en un

intervalo de tiempo muy pequeño o en una región muy pequeña es
prácticamente nula.
48
2º Curso ADE

Definimos la variable aleatoria de Poisson como el número de resultados o

sucesos que se tienen en un experimento de Poisson.
 La distribución de probabilidad de esta variable aleatoria de Poisson

depende solamente del número medio (a, , m) de resultados
que ocurren en un intervalo dado.
 Esta distribución también constituye una forma restrictiva de la

distribución binomial cuando la probabilidad de un éxito es muy
pequeña y n es grande.
 A esta se le conoce por lo general con el nombre de ley de los

sucesos raros, lo cual significa que la probabilidad de que ocurra un
suceso en particular es muy pequeña.
49
2º Curso ADE

Función de Cuantía
Una variable aleatoria  tiene una distribución de Poisson o de los

sucesos raros cuando su función de cuantía es:
e a a x
P(  x)  , para x = {0, 1, 2, …}
x!
es decir, esta variable puede tomar cualquiera de los infinitos, pero

numerables, números naturales además del cero.
Donde:
a = es el número medio de resultados que ocurren
x = valor de la variable aleatoria
50
2º Curso ADE

DISTRIBUCIÓN DE POISSON
Función e a a x
P (  x)  , para x= 0, 1, 2…
de Cuantía x!
0 , x0
Función 
F ( x)  P(  x)   x e  a a x
de Distribución x  0, 1, 2, ...
  x!
,
k  0
  e a a x  a x 1
Esperanza
E       xi P(  x)   xi  e a a  
x0 x0 x! x 1 ( x  1)!
Matemática
 e a a e a  a
Varianza  2   2  12  E[ 2 ]  {E  }2  E[ 2 ]  a 2  a 2  a  a 2  a
51
2º Curso ADE

DISTRIBUCIÓN DE POISSON
Desviación
típica   2  a
  
 (t )  E e it   e itxi P(  x)   e itxi
x0

x0
e a a x
x!

 e a  e itxi
x 0
ax
x!

Función
Característica  (e it a ) x
a  a aeit a (eit 1)
e   e e  e
x0 x!
    a x  x
 xi xi e a a xi a
g ( )  E e e P (  x)   e e  e 
x0 x0 x! x 0 x!
Función
Generatriz
a
 (e a ) x  
e   e a e ae  e a (e 1)
x0 x!
52
2º Curso ADE

Aplicaciones
En su origen Poisson determinó esta distribución de probabilidad como

límite de la distribución B(n; p) en el caso de que n   y p  0, pero

luego por el comportamiento que describe se vio que podía aplicarse a
ciertos fenómenos aleatorios.
La distribución de Poisson se utiliza actualmente para modelizar algunas

situaciones tales como la distribución de entrada de usuarios que llegan

a un punto de servicio y van formando una cola, donde es probable que
haya un número reducido de ellos esperando pero donde es bastante
improbable que se acumulen indefinidamente los que esperan.
53
2º Curso ADE

Aplicaciones
También para modelizar cualquier “suceso raro” como que en una cartera
de una Compañía de Seguros se presenten simultáneamente muchos

siniestros a la vez (como muchos fallecimientos por accidentes de
circulación, muchos incendios de inmuebles, etc...), el número de llamadas
que se reciben, en un intervalo de tiempo dado, en una centralita de
teléfonos, etc...
54
2º Curso ADE

Características de la Distribución de Poisson:

1.- La variable aleatoria es el número de veces que ocurre un suceso

durante un intervalo de tiempo definido.
2.- La probabilidad de que ocurra el suceso es proporcional al

tamaño del intervalo.
3.- Los intervalos no se superponen y son independientes.
55
2º Curso ADE

Distribución de Poisson como límite de la Binomial
También podemos llegar a la distribución de Poisson considerando el límite

de una distribución binomial cuando n  .
Considerando un número n grande de pruebas de Bernoulli independientes,

con probabilidad de ocurrencia p, pequeña, y haciendo a = np, llegamos a
obtener la distribución de Poisson como límite de la binomial cuando n  .

Es decir, si n  , p  0 y a = np permanece constante entonces se
verifica:
 n  x n x e a a x
lim B(n; p)  P(a) o lo que es lo mismo lím   p q 
n n x  x!
56
2º Curso ADE

Repercusiones prácticas:
 En la práctica cuando n es muy grande y p es muy pequeño se

puede sustituir el cálculo de la función de cuantía de la distribución

binomial por la de Poisson. Con esta sustitución se comete un
error pero este será tanto más pequeño, cuanto mayor sea “n” y
menor sea “p”.
 Puede admitirse dicha sustitución con tal que

p  0,05 y a = np < 5
 A efectos de la resolución de los problemas, la distribución de

Poisson se puede utilizar cuando p < 0,05 y n > 20 por no
encontrarse “n” en las tablas de la distribución binomial.
57
2º Curso ADE

58
2º Curso ADE
Valor del
parámetro
a
Probabilidad
pedida
Valor de la 0,0132
variable x
59
2º Curso ADE

Ejemplo: En una cierta empresa constructora el número de accidentes es

por término medio de 3 por mes. Calcular:
a) La probabilidad de que no ocurra ningún accidente en un mes dado.

b) La probabilidad de que ocurran menos de 5 accidentes en un mes
dado.
c) La probabilidad de que ocurran más de tres accidentes en un mes dado.

d) La probabilidad de que ocurran exactamente 3 accidentes en un mes
dado.
60
2º Curso ADE

Solución:
Admitimos que los accidentes cuando ocurren son independientes

unos de otros, y además que ocurren con una tasa de ocurrencia
constante, luego a la vista de esto podemos decir que la distribución

de Poisson con parámetro a = 3 es el modelo adecuado para
representar esta situación. Luego las probabilidades que nos piden
utilizando las Tablas serán:
a) e 3 30
P(  0)   0,0498
0!
b) 4
P(  5)  P(  4)  P(  x)  P(  0)  P( 1)  P(  2)  P(  3)  P(  4) 
x 0
 0,0498  0,1494  0,2240  0,2240  0,0168  0,8152 61

2º Curso ADE

O bien P (  5 )  P (  4 )  F ( 4 )  0 ,8152
c) 3
P(  3) 1  P(  3) 1   P(  x) 1   p(  0)  P( 1)  P(  2)  P(  3) 
x 0
 1  F (3)  1  0,0498  0,1494  0,2240  0,2240   1  0,6472  0,3528

d) P(  3)  0,2240
62
2º Curso ADE

Ejemplo: El número medio de llamadas telefónicas que se reciben en una
centralita en cada minuto es de 2, determínese la probabilidad que se
reciban más de 5 llamadas.
Solución:
Tendremos que a través de la distribución de Poisson:
5 5 e 2 2 x
P (  5)  1  P (  5)  1   P (  x )  1    1  0,9834  0,0166
x0 x0 x!
63
2º Curso ADE

Ejemplo: Desde el año 2001 el número medio de empresas, con más de

100 trabajadores, que han presentado suspensión de pagos ha sido de 6,8
por año, y admitimos que el número de empresas con más de 100
trabajadores, , que han presentado suspensión de pagos durante un

período determinado de tiempo sigue una distribución de Poisson.
Obtener:
a) La probabilidad de que ninguna empresa de más de 100 trabajadores

presente suspensión de pagos durante un trimestre.
b) La probabilidad de que por lo menos dos empresas de más de 100
trabajadores presenten sus pensión de pagos durante un determinado
año.
64
2º Curso ADE

Solución:
La distribución que sigue el número, , de empresas con más de 100

trabajadores que han presentado suspensión de pagos durante un período

de tiempo es una distribución de Poisson de parámetro a, es decir:
e a a x
P(  x)  para x = 0, 1, 2, …
x!
a) Como las empresas de más de 100 trabajadores presentan suspensión

de pagos a razón de 6,8 por año, entonces en un trimestre será:
¼ (6,8) =1,7
65
2º Curso ADE

Por lo tanto la probabilidad de que ninguna empresa de más de 100
trabajadores presente suspensión de pagos durante un trimestre será:
e 1,7 1,7 0
P(  0)   0,1827
0!
b) Para obtener la probabilidad de que por lo menos dos empresas de más
de 100 trabajadores presenten suspensión de pagos durante un
determinado año tendremos que tener en cuenta que ahora el parámetro a

= 6,8, luego
1
P(  2)  1  P(  2)  1   P(  x)  1  P(  0)  P(  1)  1  F (1)  1  0,0087  0,9913
x0
O bien
P (  2)  1  P (  2)  1  P (  0)  P (  1)  1  0,0011  0,0076   1  0,0087  0,9913
66
2º Curso ADE

La distribución geométrica es un modelo adecuado para aquellos procesos
en los que se repiten pruebas hasta la consecución del éxito o resultado
deseado y tiene interesantes aplicaciones en los muestreos realizados de
esta manera. También implica la existencia de una dicotomía de posibles

resultados y la independencia de las pruebas entre sí.
En un fenómeno dicotómico se pueden presentar las alternativas

complementarias A y A*, tales que

P(A) = p P(A*) = 1 - p = q 0<p<1
En la distribución geométrica se determina la probabilidad de que se

obtenga x veces la alternativa A* antes de que aparezca por primera vez A.
67
2º Curso ADE

Definimos la variable aleatoria geométrica como el número de

fracasos que tienen lugar antes de que aparezca el primer éxito.
Estamos ante una distribución geométrica, cuando una variable aleatoria

, puede tomar todos los valores enteros 0, 1, 2, … k … n … y la
probabilidad de que tome el valor k viene dada por
P (  k )  q k p p  q 1
Consideremos una variable aleatoria i que tome los valores 0 y 1 con
probabilidades q y p respectivamente, el suceso  = k significa que han
obtenido k valores de i seguidos o iguales a 0 y que el k + 1 = 1, es
decir:
68
2º Curso ADE

0, 0, 0, 0, 0, … , 0, 1
K veces k +1
Por lo que la probabilidad del suceso será: qk p

q, q, q, q, q, … , q, p
K veces k +1
Algunos autores definen la variable aleatoria geométrica como el número
de repeticiones, de la prueba de Bernoulli, que hay que realizar hasta que
aparezca el suceso éxito por primera vez. De esta forma la variable
aleatoria  tomará los valores enteros x = 1, 2, 3, … (número de
pruebas).
69
2º Curso ADE

P (  k )  q k p p  q 1
La expresión anterior corresponde a una auténtica función de cuantía;

para ello bastará verificar su no negatividad y que la suma de las
probabilidades para los distintos valores de x es la unidad.
Aplicaciones
Esta distribución se aplica frecuentemente en el estudio de la distribución
de la duración de tiempos de espera. Así, pues, si las repeticiones del
experimento se realizan a intervalos regulares de tiempo, entonces la
variable aleatoria geométrica nos dará el número de intervalos de tiempo
transcurridos hasta que aparezca el primer éxito.
70
2º Curso ADE

Características de la Distribución Geométrica:
1.- El proceso consta de un número no definido de pruebas o

experimentos separados o separables. El proceso concluirá

cuando se obtenga por primera vez el resultado deseado (éxito).
2.- Cada prueba puede dar dos resultados mutuamente

excluyentes: A y no A.
3.- La probabilidad de obtener un resultado A en cada prueba es

p y la de obtener un resultado no A es q siendo (p + q = 1).
71
2º Curso ADE

Las probabilidades p y q son constantes en todas las pruebas, por tanto, las
pruebas, son independientes (si se trata de un proceso de "extracción" éste
se llevará a cabo con devolución del individuo extraído)
DISTRIBUCIÓN GEOMÉTRICA
Función
P (  x)  q x p
para x= 0, 1, 2…
de Cuantía
Función de 1  q x 1 , x0

F ( x)  P (  x)  
Distribución 0, x0
E     1 
Esperanza q
Matemática p
72
2º Curso ADE

DISTRIBUCIÓN GEOMÉTRICA
2
q q2 q2
 E [ ]  { E  }  E [ ]    
q q
Varianza  2
  2   12 2 2 2
  
 p p2 p2 p2 p2
Desviación q q
  2  
típica p2 p
   
  
 (t )  E e it   e itx P(  x)   e itx q x p  p  (e it q) x  p 1  e it q  (e it q) 2  ... 
Función x0 x0 x 0
Característica 1 p
p 
1 e q it
1  e it q
 

x0

x0


g ( )  E e   ex P(  x)   ex q x p  p  (e q) x  p 1  e q  (e q) 2  ... 
x 0

Función
Generatriz 1 p
p 
1  e q 1  e q 73
2º Curso ADE

Ejemplo: Un triplista de un equipo de baloncesto hace canasta de tres
puntos en el 80% de los intentos que realiza. ¿Cuál es la probabilidad de
que en un partido logre su primer triple al quinto intento?
Solución:
Como es necesario que falle las cuatro ocasiones anteriores antes de
conseguir acertar, tendremos,
P (  4)  q 4 p  0,20 4 0,80  0,00128

La probabilidad es pequeña puesto que, dado su pericia con el 80% de
éxitos, es poco probable que necesite tantos intentos para lograr su
canasta triple; por ejemplo, la probabilidad al segundo intento será:
74
2º Curso ADE

P (  1)  q  p  0,20  0,80  016

Ejemplo: Una máquina dedicada a la fabricación de piezas de alta

precisión, produce las piezas de una en una siendo independiente la
fabricación de cada pieza. La probabilidad que tiene cada pieza de ser
defectuosa es del 0,15. Obtener:
a) La probabilidad de que la primera pieza defectuosa durante un día sea

la número 40.
b) Sabiendo que en la fabricación de cada pieza se tardan 20 segundos

¿cuál será el tiempo medio que hay que esperar hasta que sea producida
la primera pieza defectuosa?
75
2º Curso ADE

c) Probabilidad de que las ocho primeras piezas fabricadas sean todas

buenas.
d) Media y Varianza del número de piezas buenas que se han fabricado

antes de tener una defectuosa.
Solución:
Aquí consideramos que el suceso éxito es obtener una pieza defectuosa.

Consideramos la variable aleatoria:
: Número de piezas fabricadas no defectuosas antes de que aparezca la

primera defectuosa.
76
2º Curso ADE

a) La probabilidad de que la primera pieza defectuosa durante un día sea

la número 40, es equivalente a la probabilidad de que el número de piezas
fabricadas no defectuosas antes de que aparezca la primera defectuosa
sea 39. Consideramos una nueva variable aleatoria:
: Número de piezas fabricadas hasta que aparezca la primera defectuosa

incluida esta.
La variable aleatoria  se distribuye según una distribución geométrica de

parámetro p = 0,15. La probabilidad que nos piden es:
P( = 40) pero esta es equivalente a la P( = 39) ya que según la
definición de las variables aleatorias  y  se verifica que  =  +1.
77
2º Curso ADE

Luego aplicando la expresión que nos proporciona la función de cuantía de

una distribución geométrica, tenemos
P (  40)  P (  39)  (0,85) 39  0,15  0,0000265
b) Como el número de piezas fabricadas hasta que aparece la primera

defectuosa lo hemos designado por la variable aleatoria , y el tiempo que
se tarda en la fabricación de cada pieza es de 20 segundos, resulta que el

tiempo medio que hay que esperar hasta que se produzca la primera pieza
defectuosa será:
 0,85 
E[20   ]  20  E[ ]  20  E[  1]  20  E[ ]  1  20  
1
 1  20   133 seg.
 0,15  0,15
78
2º Curso ADE

c) La probabilidad pedida será:

7
P(  8)  1  P(  7)  1   (0,85) x  0,15  0,2724

x0
d) Teniendo en cuenta las expresiones obtenidas para la media y la varianza:

q 0,85 q 0,85
E[ ]    5,66 2    37,7
p 0,15 2 2
p (0,15)
79
2º Curso ADE

 Esta distribución puede considerarse como una extensión o ampliación
de la distribución geométrica.
La distribución binomial negativa es un modelo adecuado para tratar


aquellos procesos en los que se repite un determinado ensayo o prueba
hasta conseguir un número determinado de resultados favorables (por
vez primera).
 Es por tanto de gran utilidad para aquellos muestreos que procedan de

esta manera. Si el número de resultados favorables buscados
fuera 1 estaríamos en el caso de la distribución geométrica. Está
implicada también la existencia de una dicotomía de resultados posibles
en cada prueba y la independencia de cada prueba o ensayo, o la
reposición de los individuos muestreados.
80
2º Curso ADE

 En relación con los ensayos de Bernoulli repetidos, algunas veces nos

interesa el número del ensayo en el cual ocurre el r-ésimo éxito.
 Por ejemplo, puede interesarnos la probabilidad de que el décimo niño

expuesto a una enfermedad contagiosa será el tercero en contagiarse,
la probabilidad de que la quinta persona en escuchar un rumor será la
primera en creerlo o la probabilidad de sorprender a un ladrón por
segunda vez en su octavo robo.
81
2º Curso ADE

 Consideremos un escenario binomial en que se observa una secuencia
de ensayos independientes; la probabilidad de éxito en cada ensayo es
constante e igual a p.
 En lugar de fijar el número de ensayos en n y observar el número de

éxitos, supóngase que se continúan los ensayos hasta que han ocurrido
exactamente r éxitos.
 En este caso, la variable aleatoria es el número de ensayos necesarios

para observar r éxitos. Esta distribución lleva a lo que se conoce como
la distribución binomial negativa.
Definimos la variable aleatoria binomial negativa como el número de

pruebas o ensayos necesarios para conseguir r éxitos o resultados.
82
2º Curso ADE

r-1 éxitos
A*, A*, A*, … ,A*, A, A, A, … ,A
n-1 ensayos
Queremos determinar La probabilidad de que en el n-ésimo ensayo ocurra

el r-ésimo éxito, entonces el resultado del último ensayo fue éxito.
Lógicamente antes del último ensayo, habían ocurrido r-1 éxitos en n-1
ensayos. El número de formas distintas en las que pueden observarse los
r-1 éxitos en n-1 ensayos es
 n  1
 
 r  1
83
2º Curso ADE

Si el r-ésimo éxito va a ocurrir en el ensayo n-ésimo, debe haber r – 1
éxitos en los primeros n – 1 ensayos y la probabilidad para esta situación
es:
 n  1 r 1  n  1 r 1 n  r
P (  n)    p (1  p ) n  r    p q
 r  1  r  1
,la probabilidad de un éxito en el n-ésimo ensayo es p, por tanto la

probabilidad de que el r-ésimo éxito ocurra en el n-ésimo ensayo es:
 n  1 r 1  n  1 r n  r
P (  n)    p (1  p ) n  r  p    p q
 r  1  r  1
para n = r, r+1, r+2, …
84
2º Curso ADE

Características de la Distribución Binomial Negativa:
1.- El proceso consta de un número no definido de pruebas
separadas o separables. El proceso concluirá cuando se obtenga un
determinado número de resultados favorables K.

2.- Cada prueba puede dar dos resultados posibles mutuamente
excluyentes A y no A.
3.- La probabilidad de obtener un resultado A en cada una de las

pruebas es p siendo la probabilidad de no A , q . Lo que nos lleva a
que p+q=1.
85
2º Curso ADE

Características de la Distribución Binomial Negativa:

4.- Las probabilidades p y q son constantes en todas las pruebas.
Todas las pruebas son independientes. Si se trata de un experimento

de extracción éste se llevará cabo con devolución del individuo
extraído, a no ser que se trate de una población en la que el número
de individuos tenga de carácter infinito.
86
2º Curso ADE

DISTRIBUCIÓN BINOMIAL NEGATIVA
Función  n  1  r 1  n  1 r nr
P (  n )    p (1  p ) n  r  p    p q
de Cuantía  
 r 1   r 1 
Esperanza E     1 
r
Matemática p
2
r r2 r 2  rq  r 2
 E [ ]  { E  }  E [ ]    
r rq
Varianza  2
  2  12 2 2 2  
2
(r  q ) 
2

2

 p p p p p2
Desviación    2

rq

rq
típica p 2 p
Función
Característica
  nr

 (t )  E e it    e itn P (  n )   e itn 

nr
 n  1 r n  r
 r 1
 p q

  e itr p r (1  qe it )  r
nr
87
2º Curso ADE

Ejemplo: Un examen de estadística consta de 20 preguntas tipo test y se

conoce de experiencias anteriores que un alumno tiene una probabilidad
de 0,7 de contestar bien cada pregunta. Obtener:
a) La probabilidad de que la primera pregunta que contesta bien sea la

cuarta.
b) Sabiendo que para aprobar el examen es necesario contestar bien a 10

preguntas, ¿cuál es la probabilidad de que apruebe al contestar la
duodécima pregunta?
88
2º Curso ADE

Solución:
a) Considerar la variable aleatoria:
: número de preguntas erróneas hasta que responde a una bien. Esta
variable  sigue una distribución geométrica de parámetro P = 0,7. La

probabilidad de que la primera pregunta correcta sea la cuarta es:
P (  x )  q x  p  P (  3)  0,33  0,7  0,0189
b) Ahora consideramos la variable aleatoria:

: número de preguntas que responde mal antes de que responda bien a
la r-ésima. Esta variable  sigue una distribución binomial negativa de
parámetros n = 12; r= 10; p = 0,7
89
2º Curso ADE

Teniendo en cuenta la función de cuantía de la distribución binomial

negativa dada por la expresión
 n  1  r 1 nr  n  1 r n  r
P (  n )    p (1  p )  p    p q
 r  1  r  1
tenemos que:
12  1 10 1 12  1 11!

P (  12)   0,7 (1  0,7 )12 10  0,7    0,7 10  0,3 2  0,028  0,09  0,1398
 10  1   10  1  9!  (11  9 )!
90
2º Curso ADE

Ejemplo: Se supone que el 40% de personas de un grupo grande están

dispuestas a formar parte de un determinado comité, mientras que un
60% se niegan a ello. Para integrar dicho comité, formado por cinco
personas, se van seleccionando al azar personas del grupo consultándolas

si quieren o no pertenecer, hasta encontrar las cinco buscadas. Se pide:
a) Calcular la probabilidad de que al cabo de quince consultas no se haya

formado todavía el comité.

b) Calcular la probabilidad de que hagan falta exactamente doce
consultas para formar comité.
91
2º Curso ADE

Solución:
Sea  la variable aleatoria que indica el número de personas, luego  se
distribuye según una distribución binomial de parámetros n= 15 y p = 0,4,
es decir B(15; 0,4)

n
P (  x)    p x q n  x
 x
4 4n
P (  4)   P (  x)     p x q n. x  P (  0)  P (  1)  P (  2)  P(  3)  P (  4) 
x0 x0  x
 0,0005  0,0047  0,0219  0,0634  0,1268  0,2173
b) Ahora consideramos la variable aleatoria:

: número de consultas negativas antes de que la consulta positiva sea la
r-ésima. Esta variable  sigue una distribución binomial negativa de
parámetros n = 12; r= 5; p = 0,4 92
2º Curso ADE

Teniendo en cuenta la función de cuantía de la distribución binomial
negativa dada por la expresión
 n  1  r 1  n  1 r n  r
P (  n )    p (1  p ) n  r  p    p q
 r  1   r  1 
tenemos que:
 12  1   12  1  11!
P (  12 )    0, 4 5 1 (1  0, 4 ) 12  5  0, 4    0, 4 5  0,6 7  0,0102  0,0280  0,0945
5  1  5 1  4!  (11  4 )!
93
2º Curso ADE

 Hasta ahora hemos analizado distribuciones que modelizaban

situaciones en las que se realizaban pruebas que entrañaban una
dicotomía (proceso de Bernoulli) de manera que en cada experiencia la

probabilidad de obtener cada uno de los dos posibles resultados se
mantenía constante.
 Si el proceso consistía en una serie de extracciones o selecciones ello

implicaba la reposición de cada extracción o selección, o bien la
consideración de una población muy grande.
94
2º Curso ADE

 Sin embargo si la población es pequeña y las extracciones no se
remplazan las probabilidades no se mantendrán constantes. En ese
caso las distribuciones anteriores no nos servirán para la modelizar la
situación.
 La distribución hipergeométrica viene a cubrir esta necesidad de

modelizar procesos de Bernoulli con probabilidades no constantes (sin
reemplazamiento).
 La distribución hipergeométrica es especialmente útil en todos

aquellos casos en los que se extraigan muestras o se realizan
experiencias repetidas sin devolución del elemento extraído o sin
retornar a la situación experimental inicial.
95
2º Curso ADE

 La muestra aleatoria de tamaño n se puede obtener con

reemplazamiento (con devolución) y sin reemplazamiento (sin
devolución).
 La muestra aleatoria con reemplazamiento se obtiene

devolviendo a la población el elemento seleccionado, después de
anotar sus características: sin embargo, en la muestra sin

reemplazamiento no se devuelven a la población los elementos
seleccionados, lo cual parece más lógico pues en la muestra con
reemplazamiento como se devuelven los elementos a la población
podría darse la situación extrema de que se nos repitiera muchas
veces ( e incluso n veces) el mismo elemento.
96
2º Curso ADE

 Ahora bien en la muestra sin reemplazamiento no existe
independencia entre la extracción de un elemento y el siguiente,
condición que era necesaria en el caso de la distribución binomial,
pues allí decíamos que las repeticiones de las pruebas de Bernoulli

tenían que ser independientes.
 Luego en la distribución binomial la probabilidad de éxito permanece

constante en la n-repeticiones del experimento, y sin embargo en la
distribución hipergeométrica la probabilidad de éxito varía de una
repetición a otra del experimento.
97
2º Curso ADE

 Modeliza, de hecho, situaciones en las que se repite un número
determinado de veces una prueba dicotómica de manera que con cada
sucesivo resultado se ve alterada la probabilidad de obtener en la
siguiente prueba uno u otro resultado.
 Es una distribución fundamental en el estudio de muestras pequeñas

de poblaciones pequeñas y en el cálculo de probabilidades de, juegos

de azar y tiene grandes aplicaciones en el control de calidad y en otros
procesos experimentales en los que no es posible retornar a la
situación de partida.
98
2º Curso ADE

Definimos la variable aleatoria hipergeométrica  como el número de

elementos que pertenecen a una de las subpoblaciones (consideramos la
primera) cuando tomamos una muestra aleatoria sin reemplazamiento
de tamaño n, de la población total.
 Un típico caso de aplicación de este modelo es el siguiente:

 Supongamos la extracción aleatoria de n elementos de un conjunto

formado por N elementos totales, de los cuales N1 son del tipo A y N2
son del tipo A*, evidentemente N = N1 + N2 y (p=N1/N + q=N2/N =1).
99
2º Curso ADE

 Si realizamos las extracciones sin devolver los elementos extraídos (sin
reemplazamiento), y llamamos  al número de elementos del tipo A que
extraemos en n extracciones  seguirá una distribución
Hipergeométrica de parámetros N, n, p.
Función de cuantía
La función de cuantía de una distribución Hipergeométrica hará

corresponder a cada valor de la variable  (x = 0, 1, 2, . . . n) la
probabilidad del suceso "obtener x resultados del tipo A", y (n-x)
resultados del tipo A* en las n pruebas realizadas de entre las N posibles.
100
2º Curso ADE

N   N 
 Veamos: Hay un total de  1    2  formas distintas
 x  n  x
   
de obtener x resultados del tipo A y n-x del tipo A*, si partimos de una
población formada por N1 elementos del tipo A y N2 elementos del tipo A*.
101
2º Curso ADE

Por otro lado si realizamos n pruebas o extracciones hay un
N
total de C N    posibles muestras (grupos de n elementos)
n
 n
aplicando la regla de Laplace tendríamos
 N1   N 2 
    
casos favorables 
P(  x)     
x n x
P( x)  es decir
casos posibles N

 
 n
que para valores de x comprendidos entre el conjunto de enteros 0,1,…,n

será la expresión de la función de cuantía de una distribución,
Hipergeométrica de parámetros N ,n, p.
102
2º Curso ADE

Relación entre la distribución Hipergeométrica y la distribución
Binomial
• La diferencia esencial entre la distribución hipergeométrica y la

distribución binomial radica en que:
• en la distribución binomial la probabilidad de éxito permanece constante
en las n-repeticiones (muestra de n-elementos con reemplazamiento) y
• en la distribución hipergeométrica no ocurría lo mismo, sino que la

probabilidad de éxito varía de una repetición a otra del experimento
(muestra de n-elementos sin reemplazamiento).
En cuanto a la media y la varianza tenemos:
103
2º Curso ADE

Binomial Hipergeométrica
Media np np
N n
Varianza npq npq
N 1
Vemos que las medias son iguales y las varianzas muy parecidas aunque
más pequeña la varianza de la distribución hipergeométrica. Si
practicamos la diferencia entre las varianzas tendríamos,

N n  N n N 1 N  n n 1
n pq n pq  n p q 1    n p q  n p q
N 1  N  1  N 1 N 1
expresión que siempre es positiva por lo que la varianza de la distribución
binomial será mayor o igual a la varianza de la distribución
hipergeométrica.
104
2º Curso ADE

Serán iguales en los casos siguientes:
1.- Cuando el tamaño de la muestra sea igual a 1, es decir., cuando n = 1

2.- Cuando el tamaño de la población sea suficientemente grande, es

decir cuando N  
En la práctica, la aproximación de una distribución hipergeométrica a una

distribución binomial, no requiere que N sea excesivamente grande, así

pues consideraremos una buena aproximación cuando N > 50 y n  0,1N.
105
2º Curso ADE

Características de la Distribución Hipergeométrica:

1.- Los resultados de cada prueba de un experimento se clasifican en
dos categorías exclusivas: éxito o fracaso.

2.- La variable aleatoria es el número de éxitos de un número fijo de
pruebas.
3.- Las pruebas no son independientes.
106
2º Curso ADE

Características de la Distribución Hipergeométrica:

4.- En la primera prueba las probabilidades son: P(A) = p y P(A*)=
q, siendo p + q = 1.
5.- Los muestreos se realizan con una población finita sin reemplazos
y el tamaño de la muestra n ha de ser mayor que el 5% del tamaño
de la población, es decir, n/N > 0,05. Por tanto, la probabilidad de
éxito cambia en cada prueba.
107
2º Curso ADE

DISTRIBUCIÓN HIPERGEÓMETRICA
 N1   N 2 
    

P(  x)     
Función x n x
de Cuantía N
 
 n
Esperanza
E     1  n  p  n 
N1
Matemática N
n2 p ( N p  1)  n N p q 2 2
 2   2  12  E[ 2 ]  {E }2  E[ 2 ]  (np)2  n p 
N 1
Varianza
N n
 n pq
N 1
Desviación N n
   2
 n pq
típica N 1
108
2º Curso ADE

Ejemplo: Una empresa con una plantilla grande de personal tiene 60

representantes sindicales, de ellos 40 piensan votar al candidato del
sindicato A y 20 al candidato B. Seleccionamos aleatoriamente, de entre los
60 representantes sindicales, una muestra aleatoria de tamaño 10.

Determinar la probabilidad de que entre esos 10, por lo menos 2 voten al
candidato del sindicato A.
Solución:
Sea la variable aleatoria : número de representantes sindicales de la
muestra que votan al candidato A.
Esta variable aleatoria  se distribuye según una distribución
hipergeométrica con parámetros N = 60, N1 = 40, n = 10. Siendo N2 = 20.
109
2º Curso ADE

 N1   N 2 
    

P(  x)     
x n x
La función de cuantía será:
N
 
 n
La probabilidad de que por lo menos 2 voten al candidato del sindicato A

será:
 40   20   40   20 
         
 
P(  2)  1  P(  1)  1  P(  0)  P(  1)  1          0,999
0 10 0 1 10 1
 60   60 
   
 
10  10 
110
2º Curso ADE

Ejemplo: Una determinada empresa quiere aumentar su plantilla de
vendedores en 20 personas, para ello inserta un anuncio en prensa y se
presentan 40 personas al proceso de selección. Determinar la probabilidad
de que, después de realizar todas las pruebas de selección y haber

seleccionado por diferentes mecanismos a 20 personas, entre las 20
personas seleccionadas estén los 10 mejores de las 40 personas que se
presentaron.
Solución:
Sea la variable aleatoria : número de los mejores vendedores entre los 20
seleccionados.
111
2º Curso ADE

Esta variable aleatoria  se distribuye según una distribución
hipergeométrica de parámetros N = 40, N1 = 10 y n = 20. Siendo N2 = 30.
La función de cuantía será:
 N1   N 2 
    

P(  x)     
x n x
N
 
 n
Y por lo tanto la probabilidad que nos piden será:
10   30 
    
20  10 
P(  10)    
10
 0,000217
 40 
 
 20  112
2º Curso ADE

 La distribución multinomial como su propio nombre indica es una
generalización de la distribución binomial, la cual se presentará cuando
el experimento aleatorio en cuestión no sólo dé lugar a dos posibles
resultados, éxito A y fracaso A*, como ocurría en la binomial, sino que

dé lugar a tres o más posibles resultados.
 Consideremos un experimento aleatorio en el que se pueden presentar

los resultados o sucesos A1, A2, …, Ak (k  2), de tal manera que

forman un sistema exhaustivo y completo de sucesos, es decir, forman
una partición del espacio E y por tanto verifican que:
A1  A2  …  Ak = E Ai  Aj = ,  i  j
113
2º Curso ADE

 Si designamos por p1, p2, ..., pk las probabilidades de los diferentes
sucesos, es decir: pi = P(Ai), i = 1, 2, …, k
 k 
k k
Se verifica que  pi   P( Ai )  P  Ai   P( E ) 1
i 1 i 1  i 1 
 Supongamos que realizamos n repeticiones independientes del
experimento en las mismas condiciones y por tanto las probabilidades
pi = P(Ai), i = 1, 2, …, k, se mantienen constantes en las n-

repeticiones.
 Consideramos k–variables aleatorias 1, 2, …, k, en donde la

variable aleatoria i indica el número de veces que se presenta el
suceso Ai cuando se realizan las n repeticiones independientes del
experimento. 114
2º Curso ADE

 Es decir, se obtengan x1 veces el suceso A1, x2 veces el suceso A2 y así
hasta que se obtengan xk veces el suceso Ak, de manera que x1 + x2 +
… + xk = n
Definimos la variable aleatoria multinomial (1, 2, …, k) como aquella

que representa el número de veces que se presentan cada uno de los
sucesos A1, A2, …, Ak cuando se realizan las n-repeticiones independientes

del experimento.
115
2º Curso ADE

Para obtener la función de cuantía de la variable aleatoria Multinomial

tenemos que calcular la probabilidad de que cada una de las variables

aleatorias i tome sus diferentes valores xi, es decir tenemos que calcular la
probabilidad de que cuando realicemos n-repeticiones independientes del
experimento resulte:
x1 veces el suceso A1
x2 veces el suceso A2
…………………………… k
xk veces el suceso Ak siendo  xi  n
i 1
116
2º Curso ADE

Una de las situaciones para las que ocurre lo anterior, sería que cuando
realizamos las n repeticiones independientes del experimento resultaran
los siguientes sucesos
x1 x2 , xk
A1 ,        , A1 , A2 ,        , A2 ,         , Ak ,        , Ak
Y como las repeticiones son independientes la probabilidad de la

secuencia anterior se obtiene multiplicando las probabilidades de los
sucesos que intervienen, es decir será:
x x x
p1 1 p 2 2 ... p k k
117
2º Curso ADE

Ahora bien, las diferentes maneras de las que se nos pueden presentar
los resultados anteriores, serían las permutaciones con repetición de n-
elementos en donde el primero se repite x1 veces, el segundo se repite x2
veces y el k-ésimo se repite xk veces, luego serían:

n!
x1! x 2 !... x k !
Y como todos estos conjuntos de resultados son equiprobables resulta

que la función de cuantía será:
n! x x x
P(1  x1 ,  2  x 2 ... ,  k  x k )  p1 1 p 2 2 ... p k k
x1! x 2 !... x k !
k
para xi = 0, 1, 2, …, n , con  xi  n
i 1 118
2º Curso ADE

DISTRIBUCIÓN MULTINOMIAL
n! x x x
P(1  x1 ,  2  x 2 ... ,  k  x k )  p1 1 p 2 2 ... p k k
Función x1! x 2 !... x k !
de Cuantía k
para xi = 0, 1, 2, …, n , con  xi  n
i 1
Esperanza
E  i   npi
Matemática
Varianza V (i )  E[i 2 ]  {Ei }2  E[i 2 ]  (npi )2  n2 pi2  npi2  npi  n2 pi2  n pi (1  pi )
119
2º Curso ADE

Ejemplo: Los fallos en la impresión de un libro se pueden clasificar en
erratas tipográficas (E), mala impresión (M) y hojas en blanco (H). Un
editor presenta en los fallos de sus publicaciones un 80% de erratas, un
15% de hojas mal impresas y sólo un 5% de hojas en blanco. Calcúlese la

probabilidad de que de 10 fallos encontrados en un libro, 6 sean erratas y
3 carencias de impresión.
Solución:
Aplicando la función de cuantía de una distribución multinomial:
n! x x x
P(1  x1 ,  2  x 2 ... ,  k  x k )  p1 1 p 2 2 ... p k k
x1! x 2 !... x k !
120
2º Curso ADE

La probabilidad pedida sería:
10!
P(1  6;  2  3;  3  1)  0,80 6 0,15 3 0,05  0,03716
6! 3!1!
Ejemplo: En un proceso de inspección de piezas por un tipo de máquina

se detectan dos tipos de defectos. El 70% de las piezas no presentan

defectos, mientras que el 20% presentan el defecto D1 y el 10%
presentan el defecto D2, hay ninguna pieza con los dos defectos. Se toma
una muestra aleatoria de 6 piezas. Determinar la probabilidad de que tres
piezas no tengan ningún defecto, dos tengan el defecto D1, y una tenga el
defecto D2.
121
2º Curso ADE

Solución:
Suponemos que el proceso de inspección se realiza de manera
independiente entre cada una de las repeticiones. Designamos la variable
aleatoria Multinomial por (1, 2, 3) en donde 1 es el número de

repeticiones (piezas) sin ningún defecto, 2 es el número de repeticiones
(piezas) con el defecto D1 y 3 es el número de repeticiones (piezas) con el
defecto D2.
Las probabilidades de cada uno de los resultados son: p1 = 0,7; p2 = 0,2 y

p3 = 0,1 luego la función de cuantía de una distribución Multinomial sería:
n! x x x
P(1  x1 ,  2  x 2 ... ,  k  x k )  p1 1 p 2 2 ... p k k
x1! x 2 !... x k !
122
2º Curso ADE

Por lo tanto la probabilidad pedida será:
6!
P(1  3;  2  2;  3  1)  0,7 3 0,2 2 0,11  0,08232

3! 2!1!
123

Tema 1 2º Ade V2

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 1 2º Ade V2

Cargado por

Copyright:

Formatos disponibles

Universidad de Burgos

Departamento de Economía Aplicada

Distribuciones de Probabilidad de Tipo Discreto

Al concluir este tema el alumno será capaz de:

Recordar los conceptos de variable aleatoria y distribución de

 Calcular la esperanza matemática, varianza y desviación estándar de una

 Describir las características de las distribuciones Binomial, de Poisson,

Distribuciones de Probabilidad de Tipo Discreto

1.1.3 Esperanza matemática, varianza y desviación estándar

1.2 Distribuciones de probabilidad de tipo discreto

1.2.1 Distribución Binomial

 El curso anterior se centró, básicamente, en el estudio de la

 Se calcularon medidas de posición – como la media aritmética, la

la distribución. Mediante el rango, la varianza y la desviación típica o

 Esta parte se centró en describir algo que sucedió.

 En la parte final de la asignatura se produce un cambio sustancial: ahora

 En esta última parte de la asignatura de primer curso se estableció que

 Se estudió el concepto de variable aleatoria y su clasificación en variables

 En este tema se inicia el estudio de las distribuciones de probabilidad.

distribución de frecuencias relativas; sin embargo, en lugar de describir

corresponder un valor numérico; la variable () puede tomar estos

 La Variable Aleatoria puede ser de tipo Discreto o de tipo Continuo.

 Una variable aleatoria es discreta, si toma un número finito de

Ejemplo: estamos ante un caso de variable aleatoria discreta cuando

Ejemplo: estamos ante una variable aleatoria continua si consideramos los

Se denomina distribución de probabilidad al conjunto de

Distribuciones de Tipo Discreto

Características más importantes de una distribución de probabilidad

• La probabilidad de un resultado en particular se encuentra entre 0 y 1,

• La lista es exhaustiva. Así, la suma de las probabilidades de los diversos

a) si la Variable Aleatoria () tiene una distribución de tipo discreto

b) si la Variable Aleatoria () tiene una distribución de tipo continuo se

por 2 ó Var () como la esperanza matemática de los cuadrados de las

1.2 Distribuciones de Probabilidad de Tipo Discreto

 La principal preocupación de los científicos dedicados al Cálculo de

diferentes fenómenos aleatorios que aparecían en el mundo real.

 Por otra parte un modelo resulta extremadamente útil, siempre que se

1.2 Distribuciones de Probabilidad de Tipo Discreto

 En este tema y el siguiente, analizaremos los modelos de distribución

variable aleatoria descrita sea de tipo discreto para continuar con

1.2 Distribuciones de Probabilidad de Tipo Discreto

 El esquema que seguiremos en cada modelo procurará contener los

• Haremos una descripción del fenómeno que genera cada variable

• Propondremos ejemplos de aplicación de cada modelo y, cuando

1.2 Distribuciones de Probabilidad de Tipo Discreto

 Cada modelo se definirá en función de unos parámetros propios

situación específica que interese en cada momento. En los temas

 En general una distribución de probabilidad está caracterizada por una

1.2 Distribuciones de Probabilidad de Tipo Discreto

 En los temas 1 y 2 se estudiarán las distribuciones de probabilidad más

distribución de probabilidad y la expresión matemática de la media y

1.2 Distribuciones de Probabilidad de Tipo Discreto

 Pensemos en que el ordenador “funciona” o “no funciona”, el

 Supongamos que un fenómeno aleatorio puede concretarse en dos

1.2 Distribuciones de Probabilidad de Tipo Discreto

• Que se trate de un fenómeno que puede concretarse sólo en dos

Ejemplo: Extraer de un depósito, en condiciones de azar, una pieza, supuesto

• Que se trate de un fenómeno que puede concretarse en más de dos

1.2 Distribuciones de Probabilidad de Tipo Discreto

• Suceso éxito A, que será el suceso en estudio, y

 A este tipo de experimentos aleatorios se les denomina

1.2 Distribuciones de Probabilidad de Tipo Discreto

Estas alternativas se codifican, arbitrariamente, asignando el valor 1