Distribuciones Discretas

Variables Aleatorias
Distribuciones de Probabilidad Discretas

Ejercicios de entrenamiento
DISTRIBUCIONES DE PROBABILIDAD
DE VARIABLES ALEATORIAS
DISCRETAS
Notas de clase
Mag. Ignacio Osuna Vergara
Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas

Contenido
1 Variables Aleatorias
Introducción
Función de Probabilidad
Función de distribución Acumulada de una V.A discreta
Valor Esperado y Varianza de una V.A Discreta
2 Distribuciones de Probabilidad Discretas

Distribución de Bernoulli
Distribución Binomial
Distribución Geométrica
Distribución Binomial Negativa
Distribución Hipergeométrica
Distribución de Poisson
3 Ejercicios de entrenamiento

Introducción
Introducción
Introducción
Una variable estadística es una característica (Cualitativa o

cuantitativa) que se mide u observa en una población. Si la
población es aleatoria y la característica es aleatoria la variable
estadística es denominada variable aleatoria; recordemos que las
variables cuantitativas se clasican en discretas y continuas.
Denición
Se denomina variable aleatoria (V.A), a una variable estadística

cuantitativa denida en un espacio muestral Ω

Introducción
Variable Aleatoria (V.A)

Una variable aleatoria es una función que asocia un número real
con cada elemento del espacio muestral.
Ejemplo 1:
Se sacan 2 bolas de manera sucesiva sin reemplazo, de una urna

que contiene 4 bolas rojas y 3 negras. Se dene la variable aleatoria:
Y: Número de bolas rojas.
Ω Y P (Y = y)
2/7
Y P (Y = y)
RR 2
0 1/7
RN 1 2/7
1 4/7
NR 1 2/7
2 2/7
NN 0 1/7
Introducción

Una variable aleatoria es una función que asocia un número real
con cada elemento del espacio muestral.
Ejemplo 1:
Se sacan 2 bolas de manera sucesiva sin reemplazo, de una urna

que contiene 4 bolas rojas y 3 negras. Se dene la variable aleatoria:
Y: Número de bolas rojas.
Ω Y P (Y = y)
2/7
Y P (Y = y)
RR 2
0 1/7
RN 1 2/7
1 4/7
NR 1 2/7
2 2/7
NN 0 1/7
Introducción
Denición
La función del conjunto de números reales en el intervalo

[0, 1]recibe el nombre de función de probabilidad; denida mediante
(
P (X = x) si x pertenece al rango de X
fx (x) =
0 en otro caso
Propiedades
La función de probabilidad, fX de una variable aleatoria X

satisface las siguientes propiedades
fX (x) ≥ 0 para todo x

P
fX (x) = 1
x
Introducción
Ejemplo
Ejemplo
continuando con el ejemplo 1 función de probabilidad es:


1/7 si y = 0


4/7 si y = 1
fY (y) =

2/7 si y = 2


0 En cualquier otro caso

Introducción
Denición
La función de distribución acumulada de una variable aleatoria

discreta X, denotada por Fx (x)se dene como
X
Fx (x) = P (X ≤ x) = fX (xi )
xi ≤x
Propiedades
La función de probabilidad, FX de una variable aleatoria X

satisface las siguientes propiedades
0 ≤FX (x) ≤ 1
si x ≤ y , entonces FX (x) ≤ FY (y)

Introducción
Ejemplo
Ejemplo
continuando con el ejemplo 1 función de probabilidad es:



0 si y < 0

1/7 si 0 ≤ y < 1
fY (y) =



4/7 si 1 ≤ y < 2

1 si y ≥ 2

Introducción

Ejemplo 2:
Se lanza una moneda corriente tres veces consecutivas. Se dene la

variable aleatoria:
X: Número de caras obtenidas.
Ω X P (X = x)
CCC 3 1/8
CCS 2 1/8 X P (X = x)
CSC 2 1/8 0 1/8
CSS 1 1/8 1 3/8
SCC 2 1/8 2 3/8
SCS 1 1/8 3 1/8
SSC 1 1/8
SSS 0 1/8

Introducción
Ejemplo 3:
De un lote de diez artículo se selecciona uno de manera aleatoria,

de los cuales tres son defectuosos.
Se dene la variable aleatoria:
(
0 si es def ectuoso
X=
1 si no es def ectuoso
(
3
10 si x = 0
P (X = x) = 7
10 si x = 1

Introducción
Valor Esperado y Varianza de una V.A
Valor Esperado Para Una V.A Discreta:
Sea X una variable aleatoria discreta con función de probabilidad

f (X)x . La media o valor esperado de X es:
X
E (X) = xP (X = x)
Rx

Introducción
Valor Esperado y Varianza de una V.A
Varianza de una V.A Discreta:
Sea X una variable aleatoria discreta con función de probabilidad

P (X). La varianza de X está dada por:
X 2
V ar (X) = (x − E (x)) P (X = x)
Rx
Nota: La varianza puede ser denida como:

V ar (X) = E X 2 − E 2 (X)
donde
X 2
E X2 = x P (X = x)
Rx

Introducción
Ejemplo
Ejemplo 1:
Calcular el valor esperado y la varianza de la variable aleatoria Y del

ejercicio 1:
Del ejercicio planteado se tiene que:
Y P (Y = y)
1
0
7
4
1
7
2
2
7
Por consiguiente el valor esperado de Y está dado por:

X
1 4 2 8

E (Y ) = yP (Y = y) = (0) 7 + (1) 7 + (2) 7 = 7
Rx

Introducción
Ejemplo
Ejemplo 1:
La varianza:
X
E Y2 = y 2 P (Y = y) = 02 1
+ 12 4
+ 22 2 12

7 7 7 = 7
Ry
V ar (Y ) = E Y 2 − E 2 (Y )

2
12 8
= −
7 7
12 64
= −
7 49
20
=
49

Distribución Bernoulli
Ensayo Bernoulli
Un ensayo de Bernoulli es un experimento aleatorio que tiene solo

dos resultados posibles, denominados éxito y fracaso. La
probabilidad de éxito se denota por p y la de fracaso es denotada
por 1 − p.
1 Lanzar una moneda y registrar si sale sello (éxito) o cara (fracaso)

2 Examinar una rata de laboratorio después de someterla a cierta
dieta y registrar si desarrolló cáncer (éxito) o no (fracaso).
3 Un cliente decide comprar (éxito) o no (fracaso) un producto
después de la intervención de un vendedor.
4 Se elige una persona al azar del censo electoral y se le pregunta si
votará (éxito) por cierto candidato o no (fracaso).
Distribución Bernoulli
Denición:
La variable aleatoria X denida como:

(
0 si q = 1 − p = P (X = 0)
X=
1 si p = P (X = 1)
Para una V.A de Bernoulli su función de probabilidad es:

q si x = 0

f (x) = p si x = 1

0 En cualquier otro caso;


Valor esperado y Varianza de una V.A Bernoulli
Valor Esperado
Si X es una variable aleatoria con distribución Bernoulli de

parámetros p entonces:
E (X) = p
Varianza

V ar (X) = p (1 − p)

Valor esperado y Varianza de una V.A Bernoulli
Valor Esperado

E (X) = p
Varianza

V ar (X) = p (1 − p)

Introducción
La distribución Binomial es una distribución discreta muy importante

que surge en muchas aplicaciones bioestadísticas.
Esta distribución aparece en forma natural al realizar repeticiones

independientes de un experimento que tenga respuestas binarias, ge-
neralmente clasicadas como éxito o fracaso. Por ejemplo, esa
respuesta puede ser el habito de fumar (sí/no), sin un paciente hos-
pitalizado desarrollo o no una infección, o si un artículo de un lote
es o no defectuoso.

Experimento binomial
Un experimento que consiste de:
n experimentos tipo Bernoulli.
Independientes.
La probabilidad de éxito, p, permanece constante.
Recibe el nombre de experimento binomial.
1 Lanzar tres monedas y contar el número de sellos (éxitos).

2 Examinar 20 ratas de laboratorio después de someterlas a
cierta dieta y registrar cuántas desarrollaron cáncer (éxitos).
3 Después de la intervención de un vendedor a 10 clientes,

registrar cuántos deciden comprar (éxitos) un producto.

Función de Probabilidad de una V.A Binomial
Denición:
La variable aleatoria X denida como el número de éxitos obtenidos

en los n ensayos tiene una distribución binomial con parámetros p y
n, con función de probabilidad dada por:
n
px (1 − p)n−x , x = 0, 1, 2, ..., n

P (X = x) = x
n
n!
Donde
x =
(n − x)!x!

Valor esperado y varianza de una V.A Binomial
Valor esperado
Si X tiene distribución binomial de parámetros p y n entonces:
E (X) = np
Varianza
V ar (X) = np (1 − p)

Valor esperado y varianza de una V.A Binomial
Valor esperado
E (X) = np
Varianza
V ar (X) = np (1 − p)

Ejemplo 1
Ejemplo 1:
Supongamos que la probabilidad de tener una unidad defectuosa en una

línea de ensamblaje es de 0.05. Si un conjunto de 10 unidades terminadas
constituyen ensayos independientes:
1. ¾Cuál es la probabilidad de que dos se encuentren defectuosas?
2. ¾De que a lo sumo dos se encuentren defectuosas?
3. ¾Cual es la probabilidad de que por lo menos una se encuentre
defectuosa?
4. Calcule el valor esperado y la varianza
Solución
X : Número de unidades defectuosas de las 10 terminadas.

Luego n = 10, p = 0.05
10−x
P (X = x) = 10 x
x 0.05 (1 − 0.05) , x = 0, 1, 2, ..., 10

Ejemplo 1
Ejemplo 1:
Supongamos que la probabilidad de tener una unidad defectuosa en una

línea de ensamblaje es de 0.05. Si un conjunto de 10 unidades terminadas
constituyen ensayos independientes:
defectuosa?
4. Calcule el valor esperado y la varianza
Solución
X : Número de unidades defectuosas de las 10 terminadas.

Luego n = 10, p = 0.05
10−x
P (X = x) = 10 x
x 0.05 (1 − 0.05) , x = 0, 1, 2, ..., 10

Ejemplo 1
10
10−2
P (X = 2) = 2 0.052 (1 − 0.05) = (45) 0.052 0.958 = 0.0746
P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2)

10 0 10−0 10 10−1
= 0.05 (1 − 0.05) + 0.051 (1 − 0.05)
0 1

10 10−2
+ 0.052 (1 − 0.05)
2
= 0.5987369 + 0.3151247 + 0.0746348
= 0.9885
Ejemplo 1
10
10−2
P (X = 2) = 2 0.052 (1 − 0.05) = (45) 0.052 0.958 = 0.0746
P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2)

10 0 10−0 10 10−1
= 0.05 (1 − 0.05) + 0.051 (1 − 0.05)
0 1

10 10−2
+ 0.052 (1 − 0.05)
2
= 0.5987369 + 0.3151247 + 0.0746348
= 0.9885
Ejemplo 1

defectuosa?
P (X ≥ 1) = 1 − P (X < 1)
= 1 − P (X = 0)

10 10−0
=1− 0.050 (1 − 0.05)
0
= 1 − 0.5987369
= 0.4013

Ejemplo 1
Valor esperado y varianza
E (X) = np=(10) (0.05) = 0.5
V ar (X) = np (1 − p) = (10) (0.05) (1 − 0.05) = 0.475

Ejemplo 1
E (X) = np=(10) (0.05) = 0.5
V ar (X) = np (1 − p) = (10) (0.05) (1 − 0.05) = 0.475

Ejemplo 2
Ejemplo 2:
La experiencia ha demostrado que el 30 % de todas las personas

afectadas por cierta enfermedad, se recupera. Una compañía
farmacéutica desarrolló una vacuna. Se seleccionaron al azar 12 personas
con la enfermedad en cuestión y se les administró la vacuna. Supóngase
que la vacuna es completamente inecaz.
1 ¾Cuál es la probabilidad de que ninguna de las 12 personas
afectadas se recuperen?
2 ¾Cuál es la probabilidad de que todas las personas seleccionadas se
recuperen?
3 ¾Cuál es la probabilidad de que al menos 10 de las 12 personas
enfermas se recuperen?
4 Calcular el valor esperado y la varianza.

Ejemplo 2
Solución
Denamos:
X: Número de personas que se recuperan de las 12 seleccionadas.
Luego n = 12, p = 0.3
12
0.3x (1 − 0.3)12−x , x = 0, 1, 2, ..., 12

P (X = x) = x

Ejemplo 2
¾Cuál es la probabilidad de que ninguna de las 12 personas

12
0.30 (1 − 0.3)12−0 = (1) 0.30 0.712 = 0.0138

P (X = 0) = 0
¾Cuál es la probabilidad de que todas las personas seleccionadas se

recuperen?
12
0.312 (1 − 0.3)12−12 = (1) 0.312 0.70 =

P (X = 12) = 12
5.31441 × 10−7

Ejemplo 2
¾Cuál es la probabilidad de que ninguna de las 12 personas

12
0.30 (1 − 0.3)12−0 = (1) 0.30 0.712 = 0.0138

P (X = 0) = 0
¾Cuál es la probabilidad de que todas las personas seleccionadas se

recuperen?
12
0.312 (1 − 0.3)12−12 = (1) 0.312 0.70 =

P (X = 12) = 12
5.31441 × 10−7

Ejemplo 2
¾Cuál es la probabilidad de que al menos 10 de las 12 personas

P (X ≥ 10) = P (X = 10) + P (X = 11) + P (X = 12)

= 1.909645 × 10−4 + 1.488035 × 10−5 + 5.314410 × 10−7
= 0.0002063763
=
E (X) = np (12) (0.3) = 3.6
V ar (X) = np (1 − p) = (12) (0.3) (1 − 0.3) = 2.52

Ejemplo 2
¾Cuál es la probabilidad de que al menos 10 de las 12 personas

P (X ≥ 10) = P (X = 10) + P (X = 11) + P (X = 12)

= 1.909645 × 10−4 + 1.488035 × 10−5 + 5.314410 × 10−7
= 0.0002063763
=
E (X) = np (12) (0.3) = 3.6
V ar (X) = np (1 − p) = (12) (0.3) (1 − 0.3) = 2.52

Introducción
Suponga que se efectúa repetidamente un experimento, que las

repeticiones son independientes y que se está interesado en la
ocurrencia o no de un suceso al que se reere como éxito. la
distribución geométrica permite calcular la probabilidad de que
tenga que realizarce un número k de repeticiones hasta obtener un
éxito por primer vez.
La diferencia de la distribución binomial es que el número de repeti-

ciones no esta predeterminado.

Función de Probabilidad de una V.A Geométrica
Denición:
Suponga que se tiene:
Una serie de ensayos Bernoulli independientes.
Con probabilidad de éxito constante.
Si X: es el número de ensayos necesarios hasta obtener el

primer éxito.
Entonces X tiene una distribución geométrica con parámetro p,
p (X = x) = p (1 − p)x−1 x = 1, 2, ...

Valor esperado y varianza de una V.A Geométrica
Valor esperado
Si X es una variable aleatoria con distribución Geométrica con

parámetro p entonces:
1
E (X) = p
Varianza

1−p
V ar (X) = p2

Valor esperado y varianza de una V.A Geométrica
Valor esperado

1
E (X) = p
Varianza

1−p
V ar (X) = p2

Ejemplo 1
Ejemplo 1:
Cada 10 minutos se verica el volumen de llenado de las latas que

salen de una máquina llenadora automática. La evaluación continúa
hasta que se encuentre una lata que no cumpla con las
especicaciones. Si la probabilidad de que una lata no cumpla las
especicaciones es del 5 % (proporción de latas que no cumplen)
1 ¾Cuál es la probabilidad de que se tengan que probar

exactamente 100 latas para encontrar la primera que no
cumple?
2 ¾Cual es la probabilidad de que se tenga que probar más de 3

latas para encontrar la primera que no cumple las
especicaciones?

Ejemplo 1
Solución
Denamos:
X: Número de pruebas que es necesario realizar hasta encontrar la
primera que no cumple las especicaciones.
Luegop = 0.05
P (X = x) = 0.05 (1 − 0.05)x−1 , x = 1, 2, ...

Ejemplo 1
¾Cuál es la probabilidad de que se tengan que probar exactamente

100 latas para encontrar la primera que no cumple?
P (X = 100) = 0.05 (1 − 0.05)100−1 = 0.0003116
¾Cual es la probabilidad de que se tenga que probar más de 3 latas

para encontrar la primera que no cumple las especicaciones?
P (X > 3) = 1 − P (X ≤ 3)
= 1 − [P (X = 1) + P (X = 2) + P (X = 3)]
= 1 − [0.05 + 0.0475 + 0.045125]
= 1 − 0.142625
= 0.857375
Ejemplo 1
¾Cuál es la probabilidad de que se tengan que probar exactamente

100 latas para encontrar la primera que no cumple?
P (X = 100) = 0.05 (1 − 0.05)100−1 = 0.0003116
¾Cual es la probabilidad de que se tenga que probar más de 3 latas

para encontrar la primera que no cumple las especicaciones?
P (X > 3) = 1 − P (X ≤ 3)
= 1 − [P (X = 1) + P (X = 2) + P (X = 3)]
= 1 − [0.05 + 0.0475 + 0.045125]
= 1 − 0.142625
= 0.857375
Ejemplo 1

1 1
E (X) = p = 0.05 = 20
1−p 1−0.05
V ar (X) = p2
= 0.052
= 380

Ejemplo 2
Ejemplo 2:
Un matrimonio quiere tener una niña, y por ello deciden tener hijos
hasta el nacimiento de una niña. Calcular el número esperado de
hijos (entre varones y hembras) que tendrá el matrimonio. Calcular
la probabilidad de que la pareja acabe teniendo tres hijos o más.
Solución
Denamos:
X: Número de hijos que tiene el matrimonio hasta tener una niña.
1
Luego p= 2 = 0.5
P (X = x) = 0.5 (1 − 0.5)x−1 , x = 1, 2, ...

Ejemplo 2
Ejemplo 2:
Un matrimonio quiere tener una niña, y por ello deciden tener hijos
hasta el nacimiento de una niña. Calcular el número esperado de
hijos (entre varones y hembras) que tendrá el matrimonio. Calcular
la probabilidad de que la pareja acabe teniendo tres hijos o más.
Solución
Denamos:
X: Número de hijos que tiene el matrimonio hasta tener una niña.
1
Luego p= 2 = 0.5
P (X = x) = 0.5 (1 − 0.5)x−1 , x = 1, 2, ...

Ejemplo 2
Número esperado de hijos
1 1
E (X) = p = 0.5 =2
La probabilidad de que la pareja acabe teniendo tres hijos o más.
P (X ≥ 3) = 1 − P (X < 3)
= 1 − P (X ≤ 2)
= 1 − [P (X = 1) + P (X = 2)]
= 1 − [0.5 + 0.25]
= 1 − 0.75
= 0.25
Ejemplo 2
Número esperado de hijos
1 1
E (X) = p = 0.5 =2
La probabilidad de que la pareja acabe teniendo tres hijos o más.
P (X ≥ 3) = 1 − P (X < 3)
= 1 − P (X ≤ 2)
= 1 − [P (X = 1) + P (X = 2)]
= 1 − [0.5 + 0.25]
= 1 − 0.75
= 0.25
Introducción
Una generalización de la distribución geométrica aparece si se

supone que un experimento se continúa hasta que un determinado
suceso ocurra por, r − ésima vez. La V.A que proporciona la
probabilidad de que se produzcan k fracasos antes de obtener el
r − ésimo éxito sigue una distribución binomial negativa.
La distribución geométrica es un caso particular cuando r=1

Función de probabilidad de una V.A Binomial Negativa
Denición:
Suponga que se tiene:
Una serie de ensayos Bernoulli independientes.
Con probabilidad de éxito constante.
X es el número de ensayos realizados hasta que se obtienen r

éxitos
Entonces X tiene una distribución Binomial Negativa con

parámetros r
p (r = 1, 2, ...)
y
x−r
p (X = x) = x−1
r
r−1 p (1 − p) x = r, r + 1, r + 2, ...

Valor esperado y varianza de una V.A Binomial Negativa
Valor esperado
Si X es una variable aleatoria con distribución Binomial Negativa

de parámetros r y p entonces:
r
E (X) = p
Varianza

r(1−p)
V ar (X) = p2

Valor esperado y varianza de una V.A Binomial Negativa
Valor esperado

r
E (X) = p
Varianza

r(1−p)
V ar (X) = p2

Ejemplo 1
Ejemplo 1:
En un departamento de control de calidad se inspeccionan las unidades

terminadas que provienen de una linea de ensamble. Se piensa que la
proporción de unidades defectuosas es del 5%.
1 ¾Cuál es la probabilidad de que sea necesario inspeccionar 20 unidades
hasta encontrar 2 defectuosas?
2 ¾Cuál es el valor esperado y la varianza del número de inspecciones que es
necesario hacer hasta encontrar dos defectuosas?
Solución
Sea X el número de unidades inspeccionadas hasta encontrar dos defectuosas.

Luego r = 2 y p = 0.05
x−1
x−2
p (X = x) = 1 0.052 (1 − 0.05) x = 2, 3, 4, ...

Ejemplo 1
Ejemplo 1:
En un departamento de control de calidad se inspeccionan las unidades

terminadas que provienen de una linea de ensamble. Se piensa que la
proporción de unidades defectuosas es del 5%.
1 ¾Cuál es la probabilidad de que sea necesario inspeccionar 20 unidades
hasta encontrar 2 defectuosas?
2 ¾Cuál es el valor esperado y la varianza del número de inspecciones que es
necesario hacer hasta encontrar dos defectuosas?
Solución
Sea X el número de unidades inspeccionadas hasta encontrar dos defectuosas.

Luego r = 2 y p = 0.05
x−1
x−2
p (X = x) = 1 0.052 (1 − 0.05) x = 2, 3, 4, ...

Ejemplo 1
¾Cuál es la probabilidad de que sea necesario inspeccionar 20

unidades hasta encontrar 2 defectuosas?
20−1
0.052 (1 − 0.05)20−2 = 0.0189

p (X = 20) = 1
¾Cuál es el valor esperado y la varianza del número de inspecciones

que es necesario hacer hasta encontrar dos defectuosas?
r 2
E (X) = p = 0.05 = 40
(2)(1−0.05)
V ar (X) = 0.052
= 760

Ejemplo 1
¾Cuál es la probabilidad de que sea necesario inspeccionar 20

unidades hasta encontrar 2 defectuosas?
20−1
0.052 (1 − 0.05)20−2 = 0.0189

p (X = 20) = 1
¾Cuál es el valor esperado y la varianza del número de inspecciones

que es necesario hacer hasta encontrar dos defectuosas?
r 2
E (X) = p = 0.05 = 40
(2)(1−0.05)
V ar (X) = 0.052
= 760

Introducción
La distribución hipergeométrica suele aparecer en procesos muestra-

les sin reemplazo, en los que se investiga la presencia o ausencia de
cierta característica. Por ejemplo en un procedimiento de control
de calidad en una empresa farmacéutica, durante el cual se extraen
muestras de las cápsulas fábricadas y se someten a análisis para
determinar su composición. Durante las pruebas las cápsulas son
destruidas. En esta situacíon la variable cuenta el número de
cápsulas que no cumplen los criterios de calidad establecidos.
Esta distribución es equivalente a una binomial, pero cuando el mues-

treo se hace sin reemplazo

Función de probabilidad de una V.A Hipergeométrica
Denición:
Las suposiciones que dan lugar a una distribución hipergeométrica son:

La población o conjunto por muestrear consiste en N individuos, objetos
o elementos y cada individuo se caracteriza como éxito o fracaso, y hay
K éxitos en la población
K (K ≤ N ) elementos con el atributo A, se consideran éxitos.
N − K sin el atributo (A ) Se toma una muestra de tamaño n, (n ≤ N )
c
al azar (sin remplazo).

Sea X el número de éxitos en la muestra.
Entonces X tiene una distribución hipergeométrica con parámetros N , n y K ,
con función de probabilidad
−K
(Kx )(Nn−x )
P (X = x) = N x = 0, 1, ...min {K, n}
(n)

Valor esperado y varianza de una V.A Hipergeométrica
Valor esperado
Si X es una variable aleatoria con distribución hipergeométrica de

parámetrosN , n y K, entonces:
nK
E (X) = N
Varianza


N −n nk k

V ar (X) = N −1 N 1− N

Valor esperado y varianza de una V.A Hipergeométrica
Valor esperado

nK
E (X) = N
Varianza


N −n nk k

V ar (X) = N −1 N 1− N

Ejemplo 1
Ejemplo 1:
Un lote de piezas contiene 100 de un proveedor local de tuberías, y

200 de un proveedor de otro estado. Si se eligen cuatro piezas al
azar y sin remplazo ¾cuál es la probabilidad de que todas provengan
del proveedor local?
Solución
En este caso se toma como éxito que el origen de la pieza sea del
proveedor local. De acuerdo con el problema tenemos N = 300,
K = 100, n = 4 y x = 4.
(100 300−100
4 )( 4−4 ) (100)(200)
p (X = 4) = 300 = 4 300 0 = 0, 0119
(4) (4)

Ejemplo 1
Ejemplo 1:
Un lote de piezas contiene 100 de un proveedor local de tuberías, y

200 de un proveedor de otro estado. Si se eligen cuatro piezas al
azar y sin remplazo ¾cuál es la probabilidad de que todas provengan
del proveedor local?
Solución
En este caso se toma como éxito que el origen de la pieza sea del
proveedor local. De acuerdo con el problema tenemos N = 300,
K = 100, n = 4 y x = 4.
(100 300−100
4 )( 4−4 ) (100)(200)
p (X = 4) = 300 = 4 300 0 = 0, 0119
(4) (4)

Introducción
La distribución de Poisson surge cuando un evento o suceso ocurre

aleatoriamente en el espacio o el tiempo. por ejemplo, el número de
pacientes que llegan a un consultorio en un lapso dado, el número de
llamadas que recibe un servicio de atención a urgencias durante una
hora, el número de glóbulos blancos en un milímetro cúbico de sangre.
En general, es una distribución muy utilizada en diversas áreas mé-

dicas y, en particular en epidemiología.

Distribución de Poisson:
1 Modelo probabilístico adecuado para evaluar la probabilidad de

ocurrencia de un evento en intervalos de tiempo, longitud, supercie
o volumen.
2 Por ejemplo:
Número de accidentes por semana en un tramo de carretera.
Número de baches en cada 100 kilómetros lineales de carretera.
Número de solicitudes de atención de urgencia en una clínica en un
día.
La variable aleatoria de interés, X es el número de veces que un evento
ocurre por unidad de tiempo, longitud, supercie, volumen, etc.

Distribución de Poisson:
Si X es la variable aleatoria que cuenta el número de veces que un

evento ocurre en un intervalo (o unidad de tiempo, longitud,
supercie, volumen, etc), y si se tiene que los eventos son
independientes y el número promedio por intervalo es λ, se dice que
X tiene una distribución de Poisson y la función de probabilidad de
X es:
e−λ λx
P (X = x) = , x = 0, 1, 2, ...
x!

Valor esperado y varianza de una V.A Poisson
Valor esperado
Si X es una variable aleatoria con distribución Poisson de

parámetro λ entonces::
E (X) = λ
Varianza

V ar (X) = λ

Valor esperado y varianza de una V.A Poisson
Valor esperado

E (X) = λ
Varianza

V ar (X) = λ

Ejemplo 1
Ejemplo:
El número de baches en una sección de carretera

interdepartamental puede modelarse con una distribución de
Poisson con media de dos baches por milla.
1 ¾Cuál es la probabilidad de que halla que reparar 3 baches en

un tramo de una milla?
2 ¾Cuál es la probabilidad de que no halla baches que reparar en

un tramo de cinco millas?
3 ¾Cual es la probabilidad que sea necesario reparar al menos un

bache en un tramo de media milla?

Ejemplo 1
solución
¾Cuál es la probabilidad de que halla que reparar 3 baches en un

tramo de una milla?
Se tiene que λ=2
e−2 23
P (X = 3) = 3! = 0.180447

Ejemplo 1
¾Cuál es la probabilidad de que no halla baches que reparar en un

tramo de cinco millas?
Se tiene queλ =2 para un intervalo de una milla, implica que para

un intervalo de 5 millas λ = 10
e−10 100
P (X = 0) = 0! = 0.0000454

Ejemplo 1
¾Cual es la probabilidad que sea necesario reparar al menos un

bache en un tramo de media milla?
Se tiene queλ =2 para un intervalo de una milla, implica que para

un intervalo de media millas λ=1
P (X ≥ 1) = 1 − P (X < 1)
= 1 − P (X = 0)
e−1 10
=1− = 0.0000454
0!
= 1 − 0.3678794
= 0.6321206
Ejercicios
1. Los reportes de crímenes recientes indican que 3.2 de los robos

de vehículos motorizados ocurren cada minuto en estados
unidos. Suponga que la distribución de los robos por minuto
puede calcularse con la distribución de probabilidad de poisson.
¾calcule la probabilidad de que ocurran cuatro robos
exactamente en un minuto?
2. En un torneo de fútbol, Jaguares tiene una probabilidad de

60 % de ganar un partido. Jaguares juega hasta perder.
Encuentra la probabilidad de que Jaguares juegue al menos 4
partidos.

Ejercicios
3. En un lote de 10 componentes electrónicos de TV en buen

estado, se agregan 3 defectuosos, todos en apariencia y
tamaños iguales. Una persona compra 4 de tales componentes
para reparar televisores. ¾Calcule la probabilidad de que la
persona tenga que regresar a reclamar al vendedor, por haber
obtenido componentes defectuosos?
4. Al grabar un comercial de televisión, la probabilidad es 0.30 de

que cierto actor dirá sus líneas correctamente en una toma
cualquiera. ¾Cuál es la probabilidad de que diga correctamente
sus líneas por primera vez en la sexta toma?
5. En un lote de 10 proyectiles se disparan 4 al azar si el lote

contiene 5 proyectiles que no disparan. ¾Cual es la probabilidad
de que los 4 disparen?
Ejercicios
6. 5 fabricantes producen en determinado dispositivo cuya calidad

varia de un fabricante a otro. si usted elige 3 fabricantes al
azar, hallar la probabilidad que la selección contenga 2 de las 3
mejores
7. En una clínica el promedio de atención es 16 pacientes por 4

horas, encuentre la probabilidad que en 30 minutos se atiendan
menos de 3 personas
8. Diez individuos, cada uno de ellos propenso a la tuberculosis,

entran en contacto con un portador de la enfermedad. La
probabilidad de que la enfermedad se contagie del portador a
un sujeto cualquiera es de 0.15. ¾Cuál es la probabilidad de
que se contagien 3?

Ejercicios
9. Se sabe que la probabilidad de que un niño expuesto a una

enfermedad contagiosa la contraiga es de 0,4. Calcula la
probabilidad de que el séptimo niño estudiado sea el tercero en
contraer la enfermedad.
10. La probabilidad de presentar una característica genética es de

1/20. Tomando una muestra de 7 individuos, calcular la
probabilidad de que ninguno presenten la característica.

Distribuciones Discretas

Uploaded by

Copyright:

Available Formats

You might also like

Distribuciones Discretas

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Distribuciones Discretas

Uploaded by

Copyright:

Available Formats

Variables Aleatorias

Distribuciones de Probabilidad Discretas

Mag. Ignacio Osuna Vergara

Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas

2 Distribuciones de Probabilidad Discretas

Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas

Una variable estadística es una característica (Cualitativa o

Se denomina variable aleatoria (V.A), a una variable estadística

Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas

Variable Aleatoria (V.A)

Se sacan 2 bolas de manera sucesiva sin reemplazo, de una urna

Variable Aleatoria (V.A)

Se sacan 2 bolas de manera sucesiva sin reemplazo, de una urna

La función del conjunto de números reales en el intervalo

La función de probabilidad, fX de una variable aleatoria X

fX (x) ≥ 0 para todo x

continuando con el ejemplo 1 función de probabilidad es:

Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas

Función de distribución Acumulada de una V.A discreta

La función de distribución acumulada de una variable aleatoria

La función de probabilidad, FX de una variable aleatoria X

Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas

continuando con el ejemplo 1 función de probabilidad es:

Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas

Variable Aleatoria (V.A)

Se lanza una moneda corriente tres veces consecutivas. Se dene la

CSS 1 1/8 1 3/8

SCC 2 1/8 2 3/8

SCS 1 1/8 3 1/8

Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas

Variable Aleatoria (V.A)

De un lote de diez artículo se selecciona uno de manera aleatoria,

Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas

Valor Esperado y Varianza de una V.A

Valor Esperado Para Una V.A Discreta:

Sea X una variable aleatoria discreta con función de probabilidad

Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas

Valor Esperado y Varianza de una V.A

Varianza de una V.A Discreta:

Sea X una variable aleatoria discreta con función de probabilidad

Nota: La varianza puede ser denida como:

Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas

Calcular el valor esperado y la varianza de la variable aleatoria Y del

Por consiguiente el valor esperado de Y está dado por:

Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas

Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas

Un ensayo de Bernoulli es un experimento aleatorio que tiene solo

1 Lanzar una moneda y registrar si sale sello (éxito) o cara (fracaso)

La variable aleatoria X denida como:

Para una V.A de Bernoulli su función de probabilidad es:

Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas

Valor esperado y Varianza de una V.A Bernoulli

Si X es una variable aleatoria con distribución Bernoulli de

Si X es una variable aleatoria con distribución Bernoulli de

Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas

Valor esperado y Varianza de una V.A Bernoulli

Si X es una variable aleatoria con distribución Bernoulli de

Si X es una variable aleatoria con distribución Bernoulli de

Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas

Se lanza una moneda corriente tres veces consecutivas. Se dene la

Nota: La varianza puede ser denida como:

La variable aleatoria X denida como:

La variable aleatoria X denida como el número de éxitos obtenidos