DISTRIBUCIONES DISCRETAS

COMPENDIO PREPARADO POR

ALEJANDRINA DE BOUTAUD
 DISTRIBUCION DE
PROBABILIDADES DISCRETAS

OBJETIVOS

Cuando usted haya terminado este capítulo usted podrá:

1. Definir el concepto de distribución de probabilidades.
2. Distinguir entre distribución de probabilidades discretas y
continuas.
3. Reconocer los tipos de distribuciones discretas (Binomial,
Hipergeométrica yPoisson).
4. Calcular la media, varianza y desviación estándar de las
distribuciones discretas.
DISTRIBUCION DE PROBABILIDADES DISCRETAS …

OBJETIVOS
Cuando usted haya terminado este capítulo usted
podrá:
5. Definir las características de la distribución
binomial y calcular las probabilidades.
6. Definir las características de la distribución
hipergeométrica y calcular las probabilidades.
7. Definir las características de la distribución de
Poisson y calcular las probabilidades.
DISTRIBUCION DE PROBABILIDADES

OBJETIVOS

Cuando usted haya terminado este capítulo usted

podrá:
1. Definir el concepto de distribución de
probabilidades.
2. Distinguir entre distribución de probabilidades
discretas y continuas.
3. Reconocer los tipos de distribuciones discretas
(Binomial, Hipergeométrica yPoisson)
4. Calcular la media, varianza y desviación estándar
de las distribuciones discretas.
CONCEPTO DE DISTRIBUCION DE PROBABILIDADES

La distribución de probabilidades señala la

proporción de veces que una variable
aleatoria tiende adoptar diversos valores. Es
una distribución de frecuencias relativas
respecto al resultado del espacio muestral.

La distribución de probabilidades describe la

probabilidad para todos los eventos en un
espacio muestra.
 A. Variables aleatorias y su clasificación
 B. Concepto de Distribución de Probabilidad
 C. Distribuciones de Probabilidad de acuerdo al tipo de

 variable
 Distribuciones de probabilidad discreta
 Distribuciones de probabilidad continua
 D. Esperanza Matemática (valor esperado)
 Para variables aleatorias discretas
 Para variables aleatorias continuas
 Para distribuciones conjuntas (para variables discretas)
 E. Cálculo de Varianza y Desviación estándar
 Para variables aleatorias discretas
 Para variables aleatorias continuas
CONCEPTO DE DISTRUCION DE PROBABILIDADES

La distribución de probabilidades puede

representarse como una tabla, una gráfica o una
ecuación matemática.
CONCEPTO DE DISTRUCION DE PROBABILIDADES

VARIABLE ALEATORIA
Es una variable que toma valores distintos, como
consecuencia de un experimento aleatorio.
 Una variable aleatoria se llama variable aleatoria
discreta si se puede contar su conjunto de resultados
posibles. Las variables discretas representan datos que
se cuentan. (enteros)
 Cuando una variable aleatoria puede tomar valores en
una escala continua, se llama variable aleatoria
continua. En la mayoría de los problemas prácticos
representan datos que se miden, tales como altura,
pesos, temperatura, tiempo. (decimales)
DISTRIBUCIÓN DE PROBABILIDADES DISCRETAS

 Al estudiar las variables aleatorias

generalmente nos interesa sus llamadas
distribuciones de probabilidad, es decir el
conjunto de pares ordenados x, p(x), de la
variable aleatoria discreta x.
 Entre las distribuciones de probabilidades
discretas tenemos: binomial, poisson,
hipergeométrica, uniforme, multivariable,
entre otras.
 DISTRIBUCIÓN BINOMIAL
DISTRIBUCIÓN BINOMIAL

 Es una distribución discreta que estudia los

procesos en los cuales los resultados posibles son
sólo dos. Éxito o fracaso.

 La distribución Binomial se suele representar por

B(n,p) siendo n y p los parámetros de dicha
distribución.
PROPIEDADES-BINOMIAL

 En el experimento existen “n” observaciones o ensayos

idénticos. Es decir n es constante.
 Cada observación se puede considerar como seleccionada de
una población infinita sin reemplazo o finita con reemplazo.
 Existen sólo dos resultados posibles “éxito” o “fracaso”.La
probabilidad de éxito es “p” y la probabilidad de fracaso (1-p) es
constante en cada ensayo.
 Los n ensayos son independientes. Estamos interesados en el
número de éxitos “x” observados en “n” ensayos.

VARIABLE ALEATORIA BINOMIAL: Es el número de éxitos

obtenidos en una muestra de “n” observaciones

.
FUNCIÓN-BINOMIAL

 La función que representa a la distribución binomial es la siguientef(x)=

x n x
P(x) n C X p q
En la fórmula cada expresión se define:
X= variable aleatoria binomial o número de éxitos en “n” observaciones
independientes.
p= probabilidad de éxito
q= probabilidad de fracaso
n= tamaño de la muestra
px qn-x= la probabilidad de obtener “x” éxitos y (n-x) fracasos en “n”
observaciones.
n! . Indica el número de formas o combinaciones posibles
x!(n-x)! de obtener “x” éxitos y (n-x) fracasos en “n” observaciones.
C= Combinación
PARÁMETROS-BINOMIAL

 = Es el promedio a largo plazo o valor esperado

de una variable aleatoria binomial.

EJEMPLO Nº 1-BINOMIAL

 En una planta industrial, los lotes grandes de

artículos recibidos se inspeccionan para detectar los
defectuosos por medio de un esquema de muestreo.
Si se examinan 10 artículos y el lote será rechazado si
se encuentran dos o más defectuoso. Si un lote
contiene exactamente 5% defectuosos. ¿Cuál es la
probabilidad de que el lote sea aceptado
 SOLUCIÓN EJEMPLO Nº 1-BINOMIAL

. ¿Cuál es la probabilidad de que el lote sea EVENTOS

aceptado DEFECTUOSO p=0.05

EXPERIMENTO: INSPECCIÓN
BUENO q=1-0.05=0.95

n=10; x=0,1 (aceptación) Valores que puede tomar x, para

aceptar el lote
Variable aleatoria Binomial: Número de piezas defectuosa lote
SOLUCIÓN:
p(0)= 10C0 *0.050 *0.9510 =0.5987

p(1)= C1 *0.051 *0.959 =0.3151

10

0.9138
Respuesta: a probabilidad de que el lote sea
aceptado es de 91.38%
EJEMPLO Nº 2-BINOMIAL

Si El 5% de todas la bolas de golf nuevas utilizadas

en un juego quedan deformadas a la primera vez que
se le golpea. ¿Cuáles son las probabilidades de que
cuatro bolas de golf nuevas golpeadas por diferentes
golfistas
 Una exactamente quede deformada

 Una a lo más quede deformada

 Una por lo menos quede deformada

SOLUCIÓN EJEMPLO Nº 2 BINOMIAL
EVENTOS
DEFORMADAS p=0.05

EXPERIMENTO: GOLPEAR
NO DEFORMADA q=1-0.05=0.95
BOLAS DE GOLF
n=4; x: 0,1,2,3,4
VARIABLE BINOMIAL: NÚMERO DE BOLAS DEFORMADAS
SOLUCIÓN:
p(1)= 4C1 *0.051 *0.953 =0.1715 A. Una exactamente quede
deformada Resp= 17.15%
p(0)= 4C0 *0.050 *0.954 = 0.8145 B. Una a lo más quede deformada
0.9860 Respuesta 98.60%

p(X≥1)= 1-0.8145= 0.1855 C. Una por lo menos quede

deformada Resp. 18.55%
x n x
P(x) n C X p q
EJEMPLO Nº 3-BINOMIAL
SOLUCIÓN EJEMPLO Nº 3-BINOMIAL
EVENTOS p + q=1

EXPERIMENTO: ENCUESTA A
NO FUMA q=1-0.41=0.59
FUMADORES
n=6; x=0,1,2,3,4,5,6 (¿qué valores puede asumir mi variable aleatoria
binomial?)
VARIABLE BINOMIAL (x): NÚMERO DE FUMADORES
SOLUCIÓN:
Encuentre la probabilidad de que
p(0)= 6C0 *0.410 *0.596 =0.0422
ninguno de ellos fume.

p(X≥1)= 1-0.0422=0.9578 Encuentre la probabilidad de que por lo

menos uno fume.
x n x
P(x) n C X p q p(0)+p(1)+p(2)+p(3)+p(4)+p(5)+p(6)=1
p(1)+p(2)+p(3)+p(4)+p(5)+p(6)=1- p(0)
Presente la distribución de probabilidades

x P(x)
0 0.0422 p(0)= 6C0 *0.410 *0.596 =0.0422
1 0.1759 p(1)= 6C1 *0.411 *0.595 =0.1759
2 0.3055 p(2)= 6C2 *0.412 *0.594 =0.3055
3 0.2831 p(3)= 6C3 *0.413 *0.593 =0.2831
4 0.1475 p(4)= 6C4 *0.414 *0.592 =0.1475
5 0.0410 p(5)= 6C5 *0.415 *0.591 =0.0410
6 0.0048 p(6)= 6C6 *0.416 *0.590 =0.0048
Total 1.0000
EJEMPLO Nº 4-BINOMIAL

La probabilidad de que el carburador de un auto salga

de fábrica defectuoso es del 4 por 100. Hallar :
- El número de carburadores defectuosos
esperados en un lote de 1000
- La varianza y la desviación típica.
SOLUCIÓN EJEMPLO Nº 4-BINOMIAL

Solución :
 TABLA
DISTRIBUCIÓN
BINOMIAL

http://karnak.upc.es/teaching/estad/MC/taules/com-usar-taules.pdf
 DISTRIBUCIÓN HIPERGEOMÉTRICA
DISTRIBUCIÓN HIPERGEOMÉTRICA

Es una distribución discreta. Al igual que la binomial se

ocupa del número de éxitos en una muestra que contenga
“n” observaciones.

Su aplicación exige los mismos requisitos de la distribución

binomial, con la variante de que para la Hipergeométrica la
probabilidad de éxito no permanece igual de un ensayo al
siguiente.
DISTRIBUCIÓN HIPERGEOMÉTRICA

Es una distribución discreta. Al igual que la binomial se ocupa del

número de éxitos en una muestra que contenga “n” observaciones.
Su aplicación exige los mismos requisitos de la distribución
binomial, con la variante de que para la Hipergeométrica la
probabilidad de éxito no permanece igual de un ensayo al siguiente.
Otras características que se deben cumplir son:
 Que se seleccione una muestra de una población finita y
sin reemplazo.
 Que el tamaño de la muestra (n) sea más de 5% de la
población (N).
DISTRIBUCIÓN HIPERGEOMÉTRICA-PROPIEDADES

Un experimento hipergeométrico posee dos

propiedades:

 Una muestra aleatoria de tamaño n se selecciona sin reemplazo

de un total de N resultados o artículos totales.
K resultados o artículos del total N, pueden clasificarse como éxito
y N-K como fracasos.
DISTRIBUCIÓN HIPERGEOMÉTRICA

Úsela para encontrar la

probabilidad de éxito o
fracaso si

Seleccione una muestra de

una población finita y sin
reemplazo.

Que el tamaño de la muestra

(n) sea más de 5% de la
población (N).
FUNCIÓN DE PROBABILIDAD HIPERGEOMÉTRICA

( k C x )( N  k C n  x )
P( x) 
N Cn

Donde:
N = Tamaño de la población
K = # de éxitos en la población
x = # de éxitos que son de interés
n = Tamaño de la muestra o # de
ensayos
C = Denota una combinación
EJEMPLO DISTRIBUCIÓN HIPERGEOMÉTRICA

Suponga que durante la semana se fabricaron

50 estaciones de juego para video. Cuarenta de
ellas funcionaron perfectamente, y diez tuvieron
al menos un defecto. Se seleccionó al azar una
muestra de cinco.
Utilizando la fórmula Hipergeométrica,
¿cuál es la probabilidad de que 4 de los 5
funcionen perfectamente?
Donde:
N = 50
( k C x )( N  k C n  x ) K = 40
P( x)  x= 4
N Cn
n= 5
SOLUCIÓN EJEMPLO DISTRIBUCIÓN HIPERGEOMÉTRICA

Utilizando la fórmula Hipergeométrica, ¿cuál es la

probabilidad de que 4 de los 5 funcionen perfectamente?

( k C x )( N  k Cn  x )
P( x) 
N Cn

P ( 4 ) = (40 C ) (50 - 40 C )
Donde: 4 5-4

50 C 5
N = 50
K = 40 P ( 4 ) = (40 C 4) (10C1 )
50 C 5
x= 4
n= 5 P ( 4 ) = (91 390) (10)
2 118 760

P ( 4 ) = .4313
 Hypergeometric Distribution

Population Size of
Size (N) 50Subpopulation 40
of Interest (D)

Sample # of elemts from

Size (n) 5Sub- 4
population if Interest (x)

P(X = 4) 0.43134
P ( 4 ) = (40 C 4) (50 - 40 C 5-4 )
50 C 5

P ( 4 ) = (40 C 4) (10 C 1 )
50 C 5

P ( 4 ) = (91 390) (10)

2 118 760

P ( 4 ) = .4313
COMPARACIÓN DISTRIBUCIÓN HIPERGEOMÉTRICA Y Donde:
DISTRIBUCIÓN BINOMIAL N = 50
K = 40
Número de x= 4
estaciones de juego
en la muestra que
Probabilidad Probabilidad n= 5
Hipergeométrica binomial
funcionan de manera
P(x) n = 5, p = 0.80
correcta
x
0 .000 .000

1 .004 .006
2 .044 .051
3 .210 .205
4 .431 .410
5 .311 .328
EJEMPLO No.2: DISTRIBUCIÓN HIPERGEOMÉTRICA

1. Entre los 180 empleados de una compañía,

144 son sindicalistas y los otros no. Se
debe seleccionar al azar a cinco
empleados para prestar sus servicios en
comité de consultoría para un fondo de
pensión. Use la distribución
hipergeométrica para obtener la
probabilidad de que tres de los cinco
empleados seleccionados para el comité
sean sindicalistas.
 Hypergeometric Distribution
 N=180
 K= 144 Population Size of
Size (N) 180 Subpopulation 144
 n=5 of Interest (D)

 X=3 Sample Size

(n) 5
# of elemts from
Sub- 3
population if Interest (x)

0.2062
P(X = 3) 2
Procedimiento
COMPARACIÓN DISTRIBUCIÓN HIPERGEOMÉTRICA Y
DISTRIBUCIÓN BINOMIAL

A fin de comparar las distribuciones de

probabilidad binomial e Hipergeométrica, la
siguiente tabla muestra las probabilidades binomial
aproximada e Hipergeométrica para el problema de
las estaciones de juego.
Como 40 de las 50 estaciones funcionan
perfectamente, la probabilidad binomial de elegir
una estación de juego que funcione correctamente
en un ensayo es 40/50 = 0.80; las probabilidades
binomiales de la tabla provienen de la tabla de
probabilidad binomial n = 5, p = 0.80..
COMPARACIÓN DISTRIBUCIÓN HIPERGEOMÉTRICA Y
DISTRIBUCIÓN BINOMIAL

Cuando no es posible cumplir el

requerimiento binomial de una probabilidad
constante de éxito, se utiliza en su lugar la
distribución Hipergeométrica.

Como se observa en la tabla las

probabilidades son muy semejantes.

Así cuando para una distribución

Hipergeométrica no se cumple el requisito de
una muestra mayor a 5% de la población, se
puede usar la distribución binomial para
aproximar el resultado.
 DISTRIBUCIÓN POISSON
DISTRIBUCIÓN POISSON
DISTRIBUCIÓN POISSON
FUNCIÓN

X= la variable aleatoria de Poisson.

e= es la constante base de los

logaritmos naturales cuyo valor es
de 2.71828.
= número promedio de éxitos que
ocurren por unidad de medida

 = np
DISTRIBUCIÓN POISSON
PARÁMETROS

 Media = =n*p
 varianza =media
 2==n*p
DISTRIBUCIÓN POISSON
APROXIMACIÓN A LA BINOMIAL

En una muestra sin reemplazo

n/N 0.10 y;
p0.10
se puede usar la aproximación
de Poisson a la Binomial
EJEMPLO Nº 1 DISTRIBUCIÓN POISSON

 Mediante un proceso mecánico se producen

alfombras de lana que presentan un promedio de
dos defectos por metro cuadrado. Encuentre la
probabilidad de que un metro cuadrado tenga
exactamente un defecto.
SOLUCIÓN EJEMPLO Nº 1 DISTRIBUCIÓN POISSON

e
x u
2  2.71828
1 2

P( x)    0.2707
x! 1!

μ=2;
Χ=1
EJEMPLO Nº 2 DISTRIBUCIÓN POISSON

 Una partida de N=1,000 piezas tiene la fracción de

defectos p= 0.04 Calcular las probabilidades de
aceptación y rechazo de la partida con muestras n=50
piezas, si el número máximo permisible es 1. Describa el
comportamiento de la distribución de Poisson y Binomial
y compárelas:
SOLUCIÓN EJEMPLO Nº 2 DISTRIBUCIÓN POISSON

PROBABILIDAD DE
PROBABILIDAD DE
ACEPTACIÓN
ACEPTACIÓN
DISTRIBUCION POISSON
DISTRIBUCION BINOMIAL

µ=n*p=50*0.04=2
p(0)= 50C0 *0.O4 *0.96
0 50
= 0.1299

p(1)= 50 C0 *0.O41 *0.9649 =0.2706

0.4005

0.276232807
TOTAL 0.4060
0.270670566
CONCLUSIÓN PARA n GRANDE LOS CALCULOS
CON AMBAS DISTRIBUCIONES SE APROXIMAN
EJEMPLO Nº 3 DISTRIBUCIÓN POISSON

Supóngase que los barcos arriban en un puerto a razón de

dos barcos por hora. Si se observa este proceso durante un
período de media hora encuentre la probabilidad.

a. no arribe ningún barco

b. arriben dos barcos.
SOLUCIÓN EJEMPLO Nº 3 DISTRIBUCIÓN POISSON
HAY QUE TRANSFORMAR LOS DATOS A UNA MISMA UNIDAD DE
MEDIDA (MEDIA HORA)

EN UNA HORA ARRIBAN DOS BARCOS EN MEDIA HORA ARRIBA

UN BARCO ASÍ µ= 1

a. no arribe ningún barco --x=0

b. arriben dos barcos. --- x=2

P(2)= 12*2.71828-1
2! =0.1839