Unidad 2

DISTRIBUCIÓN DE PROBABILIDAD
PARA VARIABLES CUANTITATIVAS
DISCRETAS

Métodos Cuantitativos para la Producción

 Saberes previos

• ¿Qué entiende por variable?

• ¿Qué entiende por variable aleatoria?

Logro de la sesión
Al término de la sesión, el
estudiante calcula
probabilidades, utilizando
las distribuciones de
probabilidad según el tipo
de variable.
VARIABLE ALEATORIA (X)

Una variable aleatoria o variable

estocástica es una variable estadística
cuyos valores se obtienen de mediciones en
algún tipo de experimento aleatorio.

Se denota por una X.

Es aquella que puede tomar diferentes valores a través del tiempo o

de sujeto a sujeto.
VARIABLE ALEATORIA (X)
Formalmente es una función que asigna un número real a cada resultado del
espacio muestral.

EJEMPLO 1:

5
EJEMPLO 2

Consideremos el experimento que consiste en revisar tres componentes de una

bomba centrífuga, que pueden ser defectuosos (D) y no defectuosos (N)
ε = Revisar tres componentes de una bomba centrífuga

El espacio muestral será:

{ NNN, NND, NDN, DNN, NDD, DND, DDN, DDD}

Definimos la variable aleatoria X = como el número de componentes defectuosos

X(DDD) = 3
X(NDD) = X (DND) = X ( DDN) = 2
X ( NND) = X(NDN) = X(DNN) = 1
X ( NNN) =0

X = 3,2,1,0
EJEMPLO 3:

• X: Ventas diarias de una empresa.

• X: Presión de una botella
• X: Nº de accidentes en un proceso.
• X: Nº de automóviles que llegan a una Estación de
Servicio.
• X: Contenido de un balón de gas
• X: Nº de llamadas telefónicas que recibe una central
• X: Edad de las personas.
• X : Peso de un envase
• X: Tiempo de vida de un neumático.
• X: Nº de artículos defectuosos de un proceso
productivo.
Tipos de Variables Aleatorias:

Variable Aleatoria Discreta: Cuando

la variable aleatoria toma valores
discretos (números anteros) se dice
que es una v.a.d.

Variable Aleatoria Continua. Cuando

la variable aleatoria toma valores de
la recta real (número reales) se dice
que la variable es una v.a.c. .
Un lote de artículos contiene artículos conformes (C) y no conformes
(N). Se extrae sucesivamente 2 artículos. Definimos como v.a.
X: número de artículos no conformes obtenidos.
Definir el espacio muestral:
Ω={CC, NC, CN, NN}
Definir la variable aleatoria. X: Número de artículos no conformes obtenidos.
El recorrido de X. Rx = { 0 , 1 , 2 } Números DISCRETOS

X(CC) =0
X(NC) =1
X(CN) =1
X(NN) =2
 DISTRIBUCION DE PROBABILIDAD

Una distribución de probabilidad es un modelo

matemático que desarrolla en forma analítica el
comportamiento de un fenómeno (variable) real .

LAS DISTRIBUCIONES DISCRETAS

- Distribución Bernoulli
- Distribución Binomial
- Distribución Poisson
- Distribución Hipergeometrica
- Distribución de Pascal
2. Distribución de Bernoulli

Uso del proceso de Bernoulli, tres condiciones:

• Cada intento tiene 2 resultados posibles
solamente. (si no, cara cruz, éxito fracaso)
• La probabilidad de resultado permanece fija con
respecto al tiempo. (obtener cara es 0.5 por
lanzamiento)
• Los intentos son estadísticamente independientes.
(el lanzamiento de 1 no altera el siguiente)
Modelos de Distribuciones de Probabilidad
Discretas

Distribuciones
de probabilidad
discretas

Binomial Hipergeométrica Poisson

2. Distribución Binomial

Una distribución de probabilidad de variable

aleatoria discreta utilizada ampliamente es la
distribución binomial.
Describe datos discretos no continuos, resultado del
experimento proceso de Bernoulli.
Numero de éxitos de n ensayos de Bernoulli.
2. Distribución Binomial

•Símbolo
  p = probabilidad tener éxito
Símbolo q= probabilidad que resulte fracaso
q=1-p
Símbolo r= número de éxitos deseados
Símbolo n= número total de intentos
2. Distribución Binomial
• Algunas presentaciones gráficas
2. Distribución Binomial

• Uso de tablas binomiales

2. Distribución Binomial

•  Medidas de tendencia central y de dispersión

– Media de una distribución binomial

– Desviación estándar de una distribución

binomial
Aplicación

La distribución binomial se aplica, principalmente,

para estimar la cantidad de piezas disconformes (o
conformes) que podrían encontrarse en una muestra
tomada de una población “infinitamente grande”,
donde p representaría la porción de artículos
defectuosos (o no defectuosos) dentro de esa
población.
Ejemplos

1. Para una distribución binomial con n=12 y

p=0.45, use la tabla binomial para encontrar:
a) P(r=8)
b) P(r>4)
c) P(r≤10)
Ejemplos

2. Encuentre la media y la desviación estándar de

las siguientes distribuciones binomiales:
a) n=16, p=0.40
b) n=10, p=0.75
c) n=22, p=0.15
d) n=350, p=0.90
e) n=78, p=0.05
Distribución hipergeométrica

Un proceso consiste en tomar una muestra aleatoria

de n artículos sin reposición. Si es conocido el
tamaño de la población de donde se toma la muestra
y es conocido el número de artículos que en la
población caen dentro de una clase particular de
interés, la cantidad de artículos dentro de la muestra
que caen dentro de la mencionada clase de interés
sigue una distribución hipergeométrica.
Distribución hipergeométrica
•  
• Donde:
• N tamaño de población
• K cantidad de artículos que en población son 1
clase en particular
• n numero de artículos en la muestra
• X cantidad de artículos muestreados que esperan
sean de la clase
• K puede tomar valor N
• X puede tomar valor min(n;k)
Distribución hipergeométrica

• Medidas de posición y dispersión,

• donde p=k/N y q=(1-k/N)
Ejemplo

De un lote de 1000 unidades en un proceso de

producción de focos de 100 W, se estima que un
total de 52 focos han de estar fuera de
especificación. De este lote se toma una muestra
aleatoria de 25 focos, sin reposición. Si se quiere
saber cuál es la probabilidad que 2 de los 25 focos
se encuentren sin defectos, habrá que aplicar una
distribución hipergeométrica.
• Un libro de texto de matemáticas tiene 200
paginas en las que pueden ocurrir errores
tipográficos en las ecuaciones. Si hay cinco
errores dispersos de manera aleatoria entre las 200
paginas, ¿Cuál es la probabilidad de que una
muestra aleatoria de 50 paginas contenga al
menos un error?
Aplicación

La distribución hipergeométrica se aplica,

principalmente, para estimar la cantidad de piezas
disconformes que podrían encontrarse en una
muestra tomada al azar y sin reposición, a partir de
una población donde se conocen el tamaño y la
fracción de piezas defectuosas dentro de la
población.
¿Cómo podemos describir la
distribución del número medio de
autos que pasan por una caseta de
peaje?
1. Distribución de Poisson

• Un proceso consiste en “detectar”

estadísticamente la cantidad de defectos que se
presentan en una pieza de un determinado
producto. La cantidad de defectos dentro de esa
unidad de producto sigue la distribución de
Poisson.
1. Distribución de Poisson

•  Formula:

λ= promedio de ocurrencias por

intervalo de tiempo o espacio.
e= 2.71828 Base de logaritmos
neperianos o naturales.
Tendencia Central y Dispersión en la
Distribución Poisson

 Media o Valor Esperado

 
 Varianza
 
2

 Desviación Estándar
 
1. Distribución de Poisson

• Tabla de Poisson
1. Distribución de Poisson

•En  algunas circunstancias es posible utilizar la

distribución de Poisson para determinar la
distribución binomial, pero solo bajo ciertas
condiciones, los valores suelen ser muy
aproximados .
Cuando n es grande (igual o mayor a 20) y p es
pequeño (igual o menor a 0.05)
Ejemplos

1. Dado que λ =4.2, para una distribución de

Poisson, encuentre:
a) P(x≤2)
b) P(x≥5)
c) P(x=8)
Aplicación

• Para nuestros propósitos de estudio, la distribución de

Poisson se aplica para estimar la cantidad de
disconformes que podría encontrarse en una pieza. En
general, se aplica en cualquier fenómeno aleatorio que
ocurre “por unidad de algo” (de tiempo, de área, de
volumen, etc.). En especial, la distribución de Poisson
tiene una gran utilidad en la teoría de colas,
representando, por ejemplo, el número de personas
que llegan a una cola en un período de tiempo, o el
número de llamadas telefónicas –caso clásico– que
procesa una central por unidad de tiempo.
2. Distribución de Poisson como una
aproximación de la Distribución Binomial
• La distribución de Poisson es una buena
aproximación de la distribución binomial cuando n es
igual o mayor que 20 y p es igual o menor a 0.05.

  np
x  np
(np) e
f ( x) 
x!
Ejemplos

2. Dada una distribución binomial con n=30 y

p=0.04, use la aproximación de Poisson a la
binomial para encontrar:
a) P(r=25)
b) P(r=3)
c) P(r=5)
Conclusiones de la Sesión

• ¿ Qué aprendimos hoy?

• ¿Para que sirven las distribuciones de

probabilidad?
Bibliografía

• Estadística para administración y economía –

Levin, Richard I. y Rubin, David S. – Pearson
7ma ed., México, 2010.
• Probabilidad y estadística para ingeniería –
William Hines, Douglas Montgomery, David
Goldsman y Conniel Borror, - Continental 4th ed.,
México, 2005
Fin de la Unidad