5

Distribuciones de Probabilidad
Discreta

5-1
 Situaciones
 Un fabricante recibe de su proveedor un lote de componentes cada semana. El
contrato estipula un máximo de 5% de componentes defectuosos por lote. El
departamento de control de calidad toma muestras aleatorias fijas de 20
componentes de cada lote. ¿Cuántos componentes defectuosos debe esperarse
por lote, si el contrato se cumple? ¿Qué debe concluirse si una muestra contiene 3
componentes defectuosos?
Respuestas: Usar distribución binomial

 ¿De cuántos cajeros automáticos debe disponer la nueva sucursal del banco? Si se
decide por 4 cajeros, ¿tendrán un tiempo de espera muy alto los clientes? ¿Habrá
exceso de capacidad y mal uso del espacio?
Respuestas: Usar distribución Poisson
 Un gerente tiene que promover a 3 ejecutivos de 10 candidatos igualmente
calificados, suponga que ninguna de las 6 candidatas mujeres es promovida, ¿se
puede hablar de discriminación de género?
Respuestas: Usar distribución hipergeométrica

5-2
Las distribuciones de probabilidad discreta son un
instrumento importante para el análisis de
situaciones inciertas.

Ese es el tema que se aborda.

5-3
 Objetivos

Calcular e interpretar el valor esperado de una

distribución de probabilidad discreta.
Aplicar la distribución binomial a situaciones
específicas.
Calcular probabilidades para la distribución Poisson
e hipergeométrica.
Reconocer cuando aplicar distribuciones de
probabilidad discreta en situaciones de toma de
decisiones.

5-4
 Introducción a Distribuciones de
Probabilidad
 Variable aleatoria
 Representa un posible valor númerico de un evento

aleatorio
 Puede variar de prueba a prueba

Variables
Aleatorias

Tema Variable Aleatoria Variable Aleatoria Tema

5 Discreta Continua 6

5-5
 Variable Aleatoria Discreta
 Una variable aleatoria discreta es una variable
que puede tomar solamente un número
contable de valores
Muchos valores posibles:
 Número de reclamos por día
 Número de televisores en una casa
 Número de timbradas antes que el teléfono sea
contestado
Dos valores posibles:
 Género: Masculino o femenino
 Defectuoso: Si o no

5-6
 Variable Aleatoria Continua
 Una variable aleatoria continua es una variable
que puede tomar cualquier valor de un intervalo
(puede tomar un número incontable de valores)
 Peso de un artículo
 Tiempo requerido para completar una tarea
 Temperatura de una solución
 Altura, en pulgadas

 Potencialmente puede tomar cualquier valor,

dependiendo solamente de la habilidad para
medir con precision Ej: voltímetro.

5-7
 Variable Aleatoria Discreta
 Puede tomar un número contable de valores
Ejemplos:

 Lanzar un dado dos veces

Sea x el número de veces en que aparece 4
(entonces x puede tomar 0, 1 y 2)

 Lanzar una moneda cinco veces.

Sea x el número de veces en que aparece cara
(entonces x puede tomar 0, 1, 2, 3, 4 y 5)
C
5-8
 Distribución de Probabilidad
Discreta
Experimento: Lanzar 2 monedas. Sea x = # de caras
4 resultados posibles Distribución de Probabilidad

S S x (Valor) Probabilidad
0 1/4 = 0.25
S C 1 2/4 = 0.50
2 1/4 = 0.25
C S
Probabilidad

0.50 HISTOGRAM
C C 0.25

0 1 2 x
5-9
 Distribución de Probabilidad
Discreta
 Una lista de todos los pares posibles [xi, P(xi)]
xi = imo valor de la variable aleatoria
P(xi) = Probabilidad asociada al imo valor
 xi’s son mutuamente excluyentes (no se traslapan)
 xi’s son colectivamente exhaustivos (cubren todo)
 0  P(xi)  1 para cada xi
 La probabilidad de xi está entre 0 y 1
  P(xi) = 1
 La suma de todas las probabilidades en el espacio
muestral = 1

5-10
 Variable Aleatoria Discreta:
Media
 Valor Esperado (Media) de una distribución discreta
(Promedio Ponderado)

E(x) = xP(x)
 Ejemplo: Lanzar 2 monedas,
x P(x)
x = # de caras, 0 0.25
Cálculo del valor esperado de x: 1 0.50
2 0.25
E(x) = (0 x 0.25) + (1 x 0.50) + (2 x 0.25)
= 1.0

5-11
 Variable Aleatoria Discreta:
Desviación Estándar
 Desviación Estándar de una distribución
discreta

σx   (x  E(x)) 2
P(x)

donde:
E(x) = Valor esperado de la variable aleatoria
x = Valores de la variable aleatoria
P(x) = Probabilidad de que la variable aleatoria
tome el valor x

5-12
 Variable Aleatoria Discreta:
Desviación Estándar
(continuación)
 Ejemplo: Lanzar 2 monedas, x = # de caras.
Calcular la desviación estándar (se sabe: E(x)=1)

σx   (x  E(x)) 2
P(x)

σ x  (0  1) 2 (0.25)  (1  1) 2 (0.50)  (2  1) 2 (0.25)  0.50  .707

Número posible de caras = 0, 1 y 2

5-13
Distribuciones de Probabilidad

Tema 5 Tema 6

Distribuciones Distribuciones
de Probabilidad de Probabilidad
Discreta Continua

Binomial Normal

Poisson Uniforme

Hipergeométrica Exponencial

5-14
 Distribución Binomial
P(éxito ó fracaso)
 Características de la Distribución Binomial:
 Se realizan un número finito de n pruebas idénticas de
un experimento.
 Una prueba tiene solamente dos posibles resultados–
“éxito” o “fracaso”.
 Las pruebas del experimento son independientes una
a la otra.
 La probabilidad de éxito, p, permanece constante de
prueba a prueba.
 Si p representa la probabilidad de éxito, entonces
(1-p) = q representa la probabilidad de fracaso.

5-15
 Distribución Binomial: Ejemplos

 Una fábrica clasifica sus artículos como

aceptables o defectuosos.
 Una firma de licitación puede lograr o no un
contrato.
 Una empresa de investigación de mercado
recibe respuestas (“si” o “no”) a una
pregunta de intención de compra.
 Un postulante a un trabajo puede aceptar o
rechazar la oferta laboral.

5-16
 Cálculo

Se lanza una moneda 4 veces, ¿Cuál es la probabilidad de obtener 1 sola

cara?

Sea:
n = 4 el número de pruebas o lanzamientos de la moneda
x = 1 el número de éxitos o caras de los lanzamientos
p = 0.5 la probabilidad de éxito o de cara en una prueba
q = 1 – p = 0.5 la probabilidad de no éxito o fracaso en una prueba

Se pregunta por P(x = 1)

5-17
 Cálculo
 Formas en que se pueden obtener una sola cara:

csss, scss, sscs, sssc 4 formas posibles

 La probabilidad de ocurrencia de cada una de esas formas es la

misma y, dada la independencia entre las pruebas, el cálculo es:

(Prob éxito)1(Prob fracaso)3 = pxq(n-x)

Por lo tanto,

P(x) = (Número formas de obtener x caras)(Prob de obtener una cara)

P(x) = 4[pxq(n-x)] = 4(0.5)(0.5)3 = 0.25

5-18
¿Formas de obtener x éxitos de n pruebas?

Combinaciones de x éxitos de n pruebas.

5-19
 Regla de Conteo para
Combinaciones
 Una combinación es un resultado de un experi-mento. El
número de combinaciones en que x objetos pueden ser
seleccionados de un grupo de n objetos es:

n!
C  n
x
x! (n  x )!
Donde:
Cxn = Número de combinaciones de x objetos seleccionados de n objetos
n! = n(n - 1)(n - 2) . . . (2)(1)
x! = x(x - 1)(x - 2) . . . (2)(1)

NOTA: 0! = 1 (por definición)

5-20
Distribución Binomial: Fórmula

n! x nx
P(x)  p q
x ! (n  x ) !

P(x) = Probabilidad de x éxitos en n pruebas, con

probabilidad de éxito p en cada prueba

x = Número de éxitos en las n pruebas,

(x = 0, 1, 2, ..., n)
p = Probabilidad de “éxito” por prueba
q = Probabilidad de “fracaso” = (1 – p)
n = Número de pruebas

5-21
 Distribución Binomial: Medidas
de Resumen
 Media
  E(x)  np
 Varianza y Desviación Estándar

  npq
2

  npq
Donde n = número de pruebas
p = Probabilidad de éxito
q = (1 – p) = Probabilidad de fracaso

5-22
 Distribución Binomial
 La forma de la distribución binomial depende del valor
de p y n
Mean .6
P(X) n = 5 p = 0.1
.4
.2
 Para n = 5 y p = 0.1
0 X
0 1 2 3 4 5

.6
P(X) n = 5 p = 0.5
.4
 Para n = 5 y p = 0.5 .2
0 X
0 1 2 3 4 5

5-23
 Distribución Binomial: Medidas
de Resumen
Ejemplos
  np  (5)(0.1)  0.5
Mean P(X) n = 5 p = 0.1
.6
.4
  npq  (5)(0.1)(1 .1) .2
 0.6708 0 X
0 1 2 3 4 5

  np  (5)(0.5)  2.5 P(X) n = 5 p = 0.5

.6
.4
  npq  (5)(0.5)(1  0.5) .2
 1.118 0 X
0 1 2 3 4 5

5-24
 Formas de la Distribución Binomial

 Para un n dado, la simetría de la distribución

mejora cuanto más cercano está p a 0.5.

 Para un p dado, la simetría de la distribución

mejora conforme se incrementa n.

5-25
 Distribución Binomial: Ejemplo
 Ejemplo: 35% de los votantes apoyan la propuesta
“A”. Si una muestra aleatoria de 10 votantes es
encuestada. ¿Cuál es la probabilidad de que 3 de ellos
apoyen la propuesta “A”?
Es decir: Hallar P(x = 3) si n = 10 y p = 0.35:

n! x n x 10!
P(x  3)  p q  (0.35)3 (0.65)7  0.2522
x!(n  x)! 3!7!

Hay un 25.22% de posibilidad que 3 de los 10

votantes apoyen la propuesta “A”

5-26
 Usando Tablas de Distribución
Binomial Acumulada
Si una muestra aleatoria de 10 votantes es encuestada. ¿Cuál es la
probabilidad de que al menos 3 de ellos apoyen la propuesta “A”?
n = 10
x p=.15 p=.20 p=.25 p=.30 p=.35 p=.40 p=.45 p=.50
0 0.1969 0.1074 0.0563 0.0282 0.0135 0.0060 0.0025 0.0010
1 0.5443 0.3758 0.2440 0.1493 0.0860 0.0464 0.0233 0.0107
2 0.8202 0.6778 0.5256 0.3828 0.2616 0.1673 0.0996 0.0547
3 0.9500 0.8791 0.7759 0.6496 0.5138 0.3823 0.2660 0.1719
4 0.9901 0.9672 0.9219 0.8497 0.7515 0.6331 0.5044 0.3770
5 0.9986 0.9936 0.9803 0.9527 0.9051 0.8338 0.7384 0.6230
6 0.9999 0.9991 0.9965 0.9894 0.9740 0.9452 0.8980 0.8281
7 1.0000 0.9999 0.9996 0.9984 0.9952 0.9877 0.9726 0.9453
8 1.0000 1.0000 1.0000 0.9999 0.9995 0.9983 0.9955 0.9893
9 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9990
10 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

n = 10, p = 0.35, x = 0, 1, 2 ó 3: P(x <= 3) = 0.5138

5-27
Distribución Poisson

5-28
En muchas situaciones se pueden contar las ocurrencias de éxitos,
pero no las de fracaso, esto es, la cantidad total de pruebas no se
puede saber (Se conoce x, pero no n).

En esta situación no se puede emplear la distribución binomial.

Ejemplos:
Se desea estimar el número de baches que pueden presentarse en
una milla determinada de una carretera. Se pueden considerar los
baches, pero no los no-baches.
Se desea estimar el número de emergencias por hora que se

producen un viernes por la noche. Se pueden contar las emergencias,

pero no las no-emergencias.

Una alternativa es el uso de la distribución Poisson

5-29
 Características de la Distribución Poisson
 Describe un proceso que se da en el tiempo, en el espacio, o en cualquier unidad
bien definida de inspección.
 Los resultados o eventos de interés son aleatorios y pueden ser contados en un
segmento dado de tiempo, o de espacio, etc. Estos resultados se denominan éxitos
(emergencias en una hora dada, baches en un Km de carretera dado, etc.)
 La posible cuenta son la sucesión de números enteros: 0, 1, 2….Lo que interesa es
conocer la probabilidad de ocurrencia de cada uno de estos valores.
(Probabilidad de 4 emergencias en una hora determinada, probabilidad de cero
baches en los próximos 2 Km de una carretera determinada, etc.)

Para estas situaciones se puede emplear la distribución de probabilidades Poisson, si

se satisfacen los supuestos de la siguiente diapositiva.

La distribución Poisson puede derivarse como una distribución límite de la binomial,

conforme n tiende al infinito y la probabilidad p tiende a cero.

5-30
 Supuestos de la Distribución Poisson
 Se conoce λ, el número promedio de éxitos por segmento.
(Se tiene un promedio de 8 emergencias por hora (λ=8), un promedio de 15 baches por
milla en la autopista (λ=15)).
 La probabilidad de x éxitos en un segmento es la misma para todos los segmentos de
igual tamaño.
(La distribución de probabilidades del número de emergencias es la misma para
cualquier período de una hora).
 Lo que ocurre en un segmento no tiene influencia sobre ningún otro segmento que no
se traslape.
(El número de emergencias que ocurre entre las 9.30pm y 10.30pm no influye en el
número de emergencias que ocurren entre 11.00pm y 12 de la noche).
 Suponga el segmento subdividido en diminutos sub segmentos. La posibilidad de más
de un éxito en un sub segmento es insignificante y la posibilidad de un éxito es igual a λ
veces la longitud del sub segmento; esto es, λt, si t es la longitud del sub segmento.
(La posibilidad de dos emergencias en el mismo segundo es, básicamente cero. Si λ=8
emergencia por hora, la posibilidad de una emergencia en un segundo dado es
8*(1/3,600) = 0.0022)
5-31
 Distribución Poisson: Fórmula

 t
( t ) e x
P( x ) 
x!
Donde:
t = Tamaño del segmento de interés
x = Número de éxitos
 = Número esperado (promedio) de éxitos por segmento
unitario
e = Base del logaritmo natural (2.71828...)

5-32
 Distribución Poisson: Medidas
de Resumen
 Media
μ  λt
 Varianza y Desviación Estándar

σ 2  λt
σ  λt
Donde  = Número promedio de éxitos por segmento unitario
t = Tamaño del segmento de interés

5-33
 Probabilidades de Poisson:
Gráfico
0.70

Gráficamente: 0.60

 = .05 y t = 10 0.50

t = P(x) 0.40

X 0.50
0.30
0 0.6065
0.20
1 0.3033
2 0.0758 0.10

3 0.0126 0.00
0 1 2 3 4 5 6 7
4 0.0016
x
5 0.0002
6 0.0000
P(x = 2) = 0.0758
7 0.0000

5-34
 Formas de la Distribución
Poisson
 La forma de la Distribución de Poisson
depende de los parámetros  y t:

t = 0.50
0.70

0.60

0.50

0.40
P(x)

0.30

0.20

0.10

0.00
0 1 2 3 4 5 6 7

5-35
 Uso de Tablas de Poisson
t
0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90
X

0 0.9048 0.8187 0.7408 0.6703 0.6065 0.5488 0.4966 0.4493 0.4066

1 0.0905 0.1637 0.2222 0.2681 0.3033 0.3293 0.3476 0.3595 0.3659
2 0.0045 0.0164 0.0333 0.0536 0.0758 0.0988 0.1217 0.1438 0.1647
3 0.0002 0.0011 0.0033 0.0072 0.0126 0.0198 0.0284 0.0383 0.0494
4 0.0000 0.0001 0.0003 0.0007 0.0016 0.0030 0.0050 0.0077 0.0111
5 0.0000 0.0000 0.0000 0.0001 0.0002 0.0004 0.0007 0.0012 0.0020
6 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0002 0.0003
7 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000

Ejemplo: Hallar P(x = 2) si  = 0.05 y t = 10

(t ) x e  t (0.50)2 e 0.50

P ( x  2)    0.0758
x! 2!

5-36
 Distribución Hipergeométrica
Las distribuciones binomial y Poisson, por su utilidad, son de uso
ampliamente difundido; sin embargo, se dan circunstancias en que
estas distribuciones no son apropiadas. Estas situaciones se dan
especialmente cuando no se tiene independencia entre las pruebas del
experimento, lo cual es frecuente en situaciones donde la población es
bastante reducida y se efectúa muestreo sin remplazamiento, en cuyo
caso se pierde la condición de independencia.

Usar la distribución hipergeométrica

5-37
 Distribución Hipergeométrica
 Ejemplo: 3 focos fueron seleccionados de 10. De los 10, hay 4 defectuosos.
¿Cuál es la probabilidad de que 2 de los 3 sean defecuosos?

 Aprecie que las pruebas de extraer focos no son independientes. Así,

En la primera prueba, la probabilidad de extraer un foco defectuoso es 4/10.



En la segunda prueba sin remplazo, la probabidad de extraer un foco

defectuoso dependerá de qué tipo de foco se extrajo en la primera prueba.
 Si en la primera prueba se extrajo un foco defectuoso, la probabilidad de

extraer defectuoso en la segunda prueba será 3/9.

 Si en la primera prueba se extrajo un foco no defectuoso, la probabilidad

de extraer defectuoso en la segunda prueba será 4/9.

 No se tiene independencia entre las pruebas, la distribución binomial no aplica.

 Emplear la distribución hipergeométrica.

5-38
 Distribución Hipergeométrica

 “n” pruebas en una muestra tomadas de una población

finita de tamaño N
 Muestra tomada sin remplazo
 Las pruebas son dependientes
 La probabilidad cambia de prueba a prueba
 Se trata de hallar la probabilidad de obtener “x” éxitos
en la muestra, sabiendo que hay “X” éxitos en la
población

5-39
Distribución Hipergeométrica:
Formula
(Dos posibles resultados por prueba: éxito o fracaso)

N X . X
C C
P( x )  n x
N
x
C n
Donde
N = Tamaño de la población
X = Número de éxitos en la población
n = Tamaño de la muestra
x = Número de éxitos en la muestra
n – x = Número de fracasos en la muestra

5-40
 Distribución Hipergeométrica:
Ejemplo
■ Ejemplo: 3 focos fueron seleccionados de 10. De los
10, hay 4 defectuosos. ¿Cuál es la probabilidad de que
2 de los 3 sean defectuosos?

N = 10 n=3
X=4 x=2

N X X 6 4
C C C C (6)(6)
P(x  2)  n x
N
x
 1
10

2
 0.3
C n C3 120

5-41
 Resumen

 Se revisó las distribuciones discretas:

 Binomial
 Poisson
 Hipergeométrica
 Se halló las probabilidades usando fórmulas y
tablas.
 Se reconoció cuándo aplicar las diferentes
distribuciones.

5-42