Distribuciones discretas

Distribuciones de variable discreta. Se denomina distribucin de

variable discreta a aquella cuya funcin de probabilidad slo toma valores
positivos en un conjunto de valores de {xx} finito o infinito numerable. A dicha
funcin se le llama funcin de densidad de probabilidad

Funcin de probabilidad
Se llama funcin de probabilidad de una variable aleatoria discreta X a la
aplicacin que asocia a cada valor de xi de la variable su probabilidad pi.
0 pi 1
p1 + p2 + p3 + + pn = pi = 1

1
Distribuciones discretas
Parmetros de una distribucin de probabilidad
Media o esperanza matemtica

Varianza

Desviacin tpica

2
Una variable aleatoria X puede tomar los valores 30, 40, 50 y 60 con probabilidades
de 0.4, 0.2, 0.1 y 0.3 respectivamente.
a. Calcular la esperanza matemtica de la v. a. X
b. Calcular la varianza de la v. a. X
c. Calcular la desviacin estndar de la v. a. X

3
 Distribucin de Bernoulli
Experimento de Bernoulli: solo son
posibles dos resultados: xito o fracaso.
Podemos definir una variable aleatoria
discreta X tal que:
xito 1
fracaso 0
Si la probabilidad de xito es p y la de fracaso 1 - p,
podemos construir una funcin de probabilidad:
1 x
P( x) p (1 p)
x
x 0,1
Un tpico experimento de Bernoulli es el lanzamiento de
una moneda con probabilidad p para cara y (1-p) para
cruz. 4
 1 x
P( x) p (1 p)
x
x 0, 1

Funcin de distribucin:

1 p, para x 0
F ( x)
1, para x 1 5
 Ejercicio: Calcular la esperanza y la varianza
de la distribucin de Bernoulli.
1
E[ X ] x P( X x)
x 0

0 P( X 0) 1 P( X 1) p

1
Var ( X ) E[ X ] ( E[ X ]) x P( X x) p
2 2 2 2

x 0

0 P( X 0) 1 P( X 1) p
2 2 2

p p p (1 p )
2

6
 Distribucin binomial
La distribucin binomial aparece cuando estamos
interesados en el nmero de veces que un suceso
A ocurre (xitos) en n intentos independientes de
un experimento.
P. ej.: # de caras en n lanzamientos de una moneda.

Si A tiene probabilidad p (probabilidad de xito) en

un intento, entonces 1-p es la probabilidad de que A
no ocurra (probabilidad de fracaso).

7
Experimento aleatorio: n = 3 lanzamientos de una moneda.
Probabilidad de xito en cada lanzamiento (cara) = p.
Probabilidad de fracaso en cada lanzamiento (cruz) = 1- p = q.

3 p 2 (1 p)

3 p(1 p) 2

8
 Supongamos que el experimento consta de n
intentos y definamos la variable aleatoria:

X = Nmero de veces que ocurre A.

En nuestro ejemplo: X = Nmero de veces que sale cara.

Entonces X puede tomar los valores 0, 1, 2, ... n.

Si consideramos uno de estos valores, digamos el
valor x , i.e. en x de los n intentos ocurre A y en n - x
no. Entonces la probabilidad de cada posible
x n-x n
ordenacin es p q y existen x idnticas
9
ordenaciones.
La funcin de probabilidad P(X = x) ser
la distribucin binomial:

n x n x n! n x
B(n, p) p( x) p (1 p) p (1 p)
x

x x!(n x)!

Distribucin binomial para n = 5 y

distintos valores de p, B(5, p)

10
11
Ejercicio:
Cul es la probabilidad de que en una familia de 4 hijos
exactamente 2 sean nias?

n x
p(x) p ( 1 p)n x
x
p 0.5; n 4; x 2
4
p( 2 ) ( 0.5 ) ( 1-0.5 ) 0.375
2 4- 2

12
Ejercicio:
Si una dcima parte de las personas tienen cierto grupo
sanguneo, cul es la probabilidad de que entre 100
personas escogidas al azar exactamente 8 de ellas
pertenezcan a este grupo sanguneo?

n x n x

p(x) p ( 1 p)
x
p 0.1; n 100; x 8
100
p( 8 ) ( 0.1 )8( 1-0.1 )92 0.115
8

13
Y si la pregunta es 8 como mximo?

8
n x
p(x 8 ) p ( 1 p)n x
x 0 x

8
100
(0.1) x ( 0.9 )100 x 0.3209
x 0 x

14
Calcula la probabilidad de obtener al menos dos seises al
lanzar un dado cuatro veces.

n k nk
P(k ) p q (k 0,1,....n)
k
p = 1/6, q = 5/6, n = 4

Al menos dos seises, implica que nos valen k = 2, 3, 4.

P(2) + P(3) + P (4)

4 1 5 4 1 5 4 1
2 2 3 4

2 6 6 3 6 6 4 6
1 171
4 (6 25 4 5 1) 0.132
6 1296
15
 Caractersticas de la distribucin
binomial
Media
= E(X) = n p P(X) n = 5 p = 0.1
.6
= 5 0.1 = 0.5 .4
.2
= 5 0.5 = 0.25 0 X
0 1 2 3 4 5

Desviacin estndar
P(X) n = 5 p = 0.5
np(1 p) .6
.4

5 0.1 (1 0.1) 0.67 .2

0 X

5 0.5 (1 0.5) 1.1 0 1 2 3 4 5

16
 Distribucin geomtrica
Consideremos el siguiente experimento:
Partimos de un experimento de Bernoulli donde la
probabilidad de que ocurra un suceso es
p (xito) y la probabilidad de que no ocurra
q = 1- p (fracaso). Repetimos nuestro experimento
hasta conseguir el primer xito. Definimos la variable
aleatoria X, como el nmero de fracasos hasta que
se obtiene el primer xito. Entonces:

G( p) P( X x) 1 p p,
x

x 0,1, 2, ...
17
p(x)
G( p) P( X x) 1 p p,
x

x 0,1, 2, ...

Funcin de distribucin:

n
F (n) (1 p) p 1 (1 p)
x n 1

x 0
18
 Distribucin binomial negativa
(de Pascal o de Plya)
Consideremos el siguiente experimento:
Partimos de un experimento de Bernoulli donde la probabilidad
de que ocurra un suceso es p (xito) y la probabilidad de que
no ocurra q = 1- p (fracaso). Repetimos nuestro experimento
hasta conseguir el r-simo xito. Definimos la variable
aleatoria X, como el nmero de fracasos x hasta que se
obtiene el r-simo xito. Entonces: El ltimo tiene que ser un xito.

x r 1 r
BN (r , p) P( X x) p 1 p ,
x

x
x 0,1, 2, ...
Se denomina binomial negativa porque los coeficiente provienen de
la serie binomial negativa: p -x ( 1-q)-x 19
 Distribucin binomial negativa
(de Pascal o de Plya)

La distribucin binomial negativa tambin se puede definir

como el nmero de pruebas x hasta la aparicin de r xitos.
Como el nmero de pruebas x, en este caso, contabiliza
tanto los xitos como los fracasos se tendra segn sta
definicin que:

x 1 r
BN (r , p) P( X x) p 1 p ,
xr

r 1
x r, r 1, r 2, ...

20
 Disponemos de una moneda trucada con probabilidad de cara
igual a p=0.25. La lanzamos hasta que obtenemos 2 caras.
La distribucin del nmero de lanzamientos x ser:

x 1
BN (r 2, p 0.25) P( X x) 0.25 1 0.25 ,
2 x2

2 1
x 2,3, 4, ...

P(x)

21
x
 Elegir al azar con reemplazo
Elegir al azar con reemplazo significa que escogemos al azar
un elemento de un conjunto y lo regresamos para elegir de nuevo
al azar. Esto garantiza la independencia de las elecciones y nos
lleva a una distribucin binomial.

Si una caja contiene N bolas de las cuales A son rojas, entonces

la probabilidad de escoger al azar una bola roja es: p = A/N.

Si repetimos el experimento sacando n bolas con reemplazo la

probabilidad de que x sean rojas es:
n x
n A
x
A
P( x) 1 ( x 0,1,....n)
x N N
22
(Una distribucin binomial)
 Elegir al azar sin reemplazo
Elegir al azar sin reemplazo significa que no devolvemos
el elemento elegido al azar al conjunto. De modo que las
probabilidades de la siguiente eleccin dependen de las
anteriores.
Si repetimos el experimento anterior sacando n bolas sin
reemplazo, cul ser ahora la probabilidad de que x sean
rojas?
N
Casos posibles
n
Para calcular los casos favorables observa que:
N = A + (N A). De las A bolas rojas tomaremos x y de
las N A bolas no rojas tomaremos n x. 23
 Distribucin hipergeomtrica
A
diferentes formas de tomar x bolas rojas de A
x
N A
diferentes formas de tomar n x bolas no rojas de N A
nx
A N A
Casos favorables
x n x

A N A

x n x
H (n, N , A) P( x) ( x 0,1, ..., n)
N

n 24
Queremos seleccionar al azar dos bolas de una caja que contiene
10 bolas, tres de las cuales son rojas. Encuentra la funcin de
probabilidad de la variable aleatoria : X = Nmero de bolas rojas
en cada eleccin (con y sin reemplazo).
Tenemos N = 10, A = 3, N - A = 7, n = 2
Escogemos con reemplazo:
2 x
2 3
x
7
p( x) , p(0) 0.49, p(1) 0.42, p(2) 0.09
x 10 10
Escogemos sin reemplazo:

3 7

x 2 x 21 3
p( x) p(0) p(1) 0.47 , p(2) 0.07
10 45 45

2 25
Hipergeomtrica Binomial
N = 24 n=5
X=8 p = 8/24 =1/3
n=5 Observa que si N,
x P(x) P(x) Error A, N-A son grandes
0 0.1028 0.1317 -0.0289 comparados con n
1 0.3426 0.3292 0.0133
2 0.3689 0.3292 0.0397
no hay gran
3 0.1581 0.1646 -0.0065 diferencia en qu
4 0.0264 0.0412 -0.0148
-0.0028
distribucin
5 0.0013 0.0041
N = 240 n=5
empleemos.
X = 80 p = 80/240 =1/3 La distribucin
n=5
binomial es una
x P(x) P(x) Error aproximacin
0 0.1289 0.1317 -0.0028
1 0.3306 0.3292 0.0014
aceptable a la
2 0.3327 0.3292 0.0035 hipergeomtrica
3 0.1642 0.1646 -0.0004 si n < 5% de N.
4 0.0398 0.0412 -0.0014 26
5 0.0038 0.0041 -0.0003
 Distribucin de Poisson
Cuando en una distribucin binomial el nmero de intentos (n)
es grande y la probabilidad de xito (p) es pequea, la
distribucin binomial converge a la distribucin de Poisson:

e x
p ( x) , x 0,1,2,... 0
x!
donde np =
Observa que si p es pequea, el xito es
un suceso raro.

La distribucin de Poisson, junto con la uniforme y la

binomial, son las distribuciones ms utilizadas. 27
Un proceso poissoniano es aqul compuesto de
eventos discretos que son independientes en el
espacio y/o en el tiempo.
Por ejemplo la llegada de fotones a un detector.

Usemos la distribucin binomial para modelar el

proceso. Podemos dividir el intervalo de tiempo en el
que ocurre el proceso en n subintervalos suficientemente
pequeos, como para asegurarnos que a lo sumo se
produce un evento en cada subintervalo. De modo que
en cada subintervalo, o se producen 0 o 1 ocurrencias.
A lo sumo llega un fotn en cada subintervalo o ninguno.

De modo que podemos entender el proceso como un

experimento de Bernoulli. Para determinar p, podemos
razonar de la siguiente manera:
28
En promedio se producirn t ocurrencias en un intervalo de
tiempo t. Si este intervalo se divide en n subintervalos,
entonces esperaramos en promedio (usando Bernoulli):
np ocurrencias. As: t = np, p = t / n.

Sin prdida de generalidad supongamos que t = 1 y que X

es la variable aleatoria = nmero total de ocurrencias.
Sabemos que:

n

P( X 0) B(n, p,0) (1 p) 1
n

n
Observa que para n grande P(X = 0) es aproximadamente e-.
Adems para n grande (y por tanto p muy pequeo):

B(n, p, k ) (k 1) p

B(n, p, k 1) k (1 p) k 29

Tenemos entonces B(n, p,0) e
la siguiente ecuacin

iterada: B(n, p, k ) B(n, p, k 1)
k

Que nos proporciona:

P( X 1) B(n, p,1) e
2
P( X 2) B(n, p,2) e
2
...
k
P( X k ) e
k! 30
 Caractersticas de la distribucin de
Poisson

Media P(X) = 0.5

E (X ) .6
.4
.2
0 X
Desviacin estndar 0 1 2 3 4 5

P(X) = 6
.6
.4
Nota: el mximo de la distribucin .2
se encuentra en x 0 X
0 2 4 6 8 10
31
La distribucin de Poisson se obtiene como aproximacin de
una distribucin binomial con la misma media, para n grande
(n > 30) y p pequeo (p < 0,1). Queda caracterizada por un
nico parmetro (que es a su vez su media y varianza).

n p =

Distribucin de Poisson para varios valores de . 32

 Si la probabilidad de fabricar un televisor defectuoso es
p = 0.01, cul es la probabilidad de que en un lote de 100
televisores contenga ms de 2 televisores defectuosos?
La distribucin binomial nos dara el resultado exacto:

99 99 1 99 1
100 99 98 2
100 100 100
P( A )
c

0 100 1 100 100 2 100 100
0.9206 n
p( x) p x q n x ( x 0,1,....n)
x

El suceso complementario Ac: No ms de 2 televisores

defectuosos puede aproximarse con una distribucin de
Poisson con = np = 1, sumando p(0) + p(1) + p(2).
1 x
P( A ) e (1 1 12 ) 0.9197
c p ( x)
x!
e ( x 0,1,....)
33
La seal promedio recibida en un telescopio de una fuente
celeste es de 10 fotones por segundo. Calcular la probabilidad
de recibir 7 fotones en un segundo dado.

Una distribucin de Poisson x

p ( x) e ( x 0,1,....)
con = 10. x!

P(7) = 107 e10 / 7! = 0.09, es decir 9%

Parece muy baja. Comparemos con el valor de mxima
probabilidad que ocurrir para x = 10:
= 10 P(10) = 1010 x e10 / 10! = 0.125, es decir 12.5%
Las probabilidades poissonianas para un nmero de eventos
dado, son siempre pequeas, incluso en el mximo de la
distribucin de probabilidad.
34
Si en promedio, entran 2 coches por minuto en un garaje, cul
es la probabilidad de que durante un minuto entren 4 o ms
coches?

Si asumimos que un minuto puede dividirse en muchos

intervalos cortos de tiempo independientes y que la probabilidad
de que un coche entre en uno de esos intervalos es p que para
un intervalo pequeo ser tambin pequeo podemos
aproximar la distribucin a una Poisson con = np = 2.

El suceso complementario entran 3 coches o menos tiene

probabilidad:
2 20
P( A ) p(0) p(1) p(2) p(3) e (
c
0!
21
1! 22
2! ) 0.857
23
3!

y la respuesta es 1 0.857 = 0.143 x

p ( x) e ( x 0,1,....)
x! 35