Algunas Distribuciones Discretas

La importancia de las distribuciones de probabilidad es

que estas sirven para modelar el comportamiento de
variables que se presentan en la vida cotidiana como
tambin de los fenmenos que se presentan en la
naturaleza.

Tipos de distribuciones de v.a. Discretas:

Uniforme discreta
Bernoulli
Binomial
Poisson
Geomtrica
Binomial Negativa, etc
Ejemplo. X: puntuacin obtenida al tirar un dado.
N=6, entonces
P(X=x)=1/6
E(X)=7/2
V(X)=35/12
Ejemplo
Un agente de seguros dedicado a la venta de seguros de vida realiza
visitas a posibles clientes con el fin de contratar un seguro de vida. Se
sabe de su trayectoria como agente que en el 60% de las visitas tiene xito
y contrata un seguro. Definir la variable aleatoria asociada a este
experimento aleatorio y obtener la media y varianza.
Solucin
El experimento aleatorio es realizar la visita a una posible cliente, y hay
dos resultados posibles: conseguir que el cliente contrate el seguro
(suceso xito) o no conseguirlo (suceso fracaso). La variable aleatoria X
asociada al experimento toma los valores

X=1 si el cliente contrata el seguro

X=0 si el cliente no contrata el seguro.

Es, por tanto, una variable de tipo Bernouilli, y su funcin de probabilidad

ser

P (X = 1)=0,6 = p
P (X = 0)=1 0,6 = 0,4 = q

Por consiguiente, la media y la varianza valen

E(X) = p = 0,6
Var(X) = pq = 0,6 0,4 = 0,2
Ejercicio
En un proceso de seleccin de personal se tendrn en cuenta las
siguientes caractersticas: estudios superiores, experiencia laboral de ms
de un ao, dominio de idiomas, conocimiento de informtica. La
probabilidad de cada una de estas caractersticas es 0.5, 0.7,0.3 y 0.4
respectivamente.
a. Define las correspondientes v.a. de Bernoulli y calcula su esperanza y
varianza.
b. Suponiendo que estas caractersticas son independientes, cual es la
probabilidad de que un entrevistado sea contratado si ha de cumplir todas
ellas?
Distribucin binomial (Experimento)
Funcin de distribucin:

Observacin

Si designamos por X e Y las variables aleatorias binomiales que

representan el nmero de xitos y de fracasos, respectivamente, que
se tienen cuando realizamos n repeticiones independientes de una
prueba de Bernouilli con probabilidad de xito p, entonces tenemos:

P (X = x) = P (Y = n x),

ya que la probabilidad de obtener x xitos lgicamente coincide con la

probabilidad de obtener n x fracasos.
Ejercicio

Sea X una variable aleatoria con funcin de probabilidad. Obtener su

esperanza matemtica y varianza por definicin

Solucin
Luego, podemos obtener
(tres grficas con n=5 y diferentes valores p)
Ejemplo
Cul es la probabilidad de obtener 4 caras o ms al tirar 6 veces una
moneda (equilibrada)?

Solucin
Podemos interpretar cada moneda como una v.a. Bernoulli con
prob. de cara (xito) =0.5
Entonces la v.a X: nmero total de caras.

Es B(n=6, p=0.5) puesto que 1) las tiradas son independientes y

2) la probabilidad de cara es la misma en cada tirada.
Por tanto: P(X 4) = P(4) + P(5) + P(6).
Ejemplo
Un jugador apuesta a un nmero del 1 al 6. Se tiran tres
dados. Si el nmero apostado aparece k veces, k = 1, 2, 3,
entonces el jugador gana k unidades; si dicho nmero no
aparece ninguna vez, el jugador pierde una unidad. Se trata
de un juego justo para el apostador?
Solucin

Sea X: nmero de veces que al lanzar los dados el

nmero apostado aparece (o nmero de dados que
muestran el nmero elegido).
X es una binomial con parmetros n=3 y p=1/6.
X puede tomar 4 valores 0, 1,2 y 3. Entonces
Definimos la v.a. Y: ganancia del juego. Para saber si el
juego es justo, calculamos su esperanza:
Recuerda que E(Y)=yip(X=xi)

El juego no es justo, en media, el jugador pierde en

cada partida 17/216
Ejemplo
Un examen de opcin mltiple contiene 10 preguntas. Cada
pregunta tiene cuatro opciones de las cules solo una es la correcta.
El examen se aprueba si se responden correctamente al menos seis
preguntas. Si el estudiante adivina las preguntas, conteste las
siguientes preguntas:
a) Cul es la probabilidad de aprobar el examen?
b) Si el estudiante adivina al menos tres de las preguntas, Cul es
la probabilidad de reprobar el examen?
c) Halle E[X] y V[X]
Solucin
Sea X : # preguntas con respuesta correcta de las 10
Funcin de distribucin:

Interpretacin
La distribucin hipergeomtrica se aplica con cierta frecuencia en el
control estadstico de calidad de una fabricacin en serie. As pues, si el
lote bajo control contiene A elementos buenos y B = N A elementos
defectuosos, cuando tomamos una muestra de tamao n sin
reemplazamiento estaremos interesados en saber el nmero de
elementos buenos que han aparecido en la muestra de tamao n para as
determinar la calidad del proceso de fabricacin.
Ejemplo

Solucin

X: Nro. de premios
P( X = 0) = obtenidos

P ( X 1) =
Ejemplo
Un estudio considera la baja autoestima en nios escolares en
relacin a la ausencia de padres en el ambiente familiar. Una
escuela tiene inscritos a 60 nios de 8 a 10 aos. El 20% de los
alumnos sealaron la ausencia de uno o ambos padres en el hogar y
el 80% restante indicaron la presencia de ambos padres en el
ambiente familiar. Si se pregunta a 5 nios elegidos al azar para
describir su caso, cul es la probabilidad de que ninguno de ellos
describa una baja autoestima?
Solucin
Sea X = Nro. de alumnos en la muestra con baja autoestima
X H(60, 12, 5)
12 48

P( X = 0) = = 0.31352
0 5
60

5
Ejemplo
En un laboratorio se reciben lotes de 70 tubos de ensayo, de los
cuales 10 son defectuosos. A la recepcin de uno de tales lotes se
realiza una inspeccin del mismo consistente en examinar 6 tubos,
rechazndose el lote si el nmero de tubos defectuosos detectados
en esa inspeccin es mayor o igual que 2. Cul es la probabilidad
de rechazar un lote?

Solucin

X: Nro. de tubos defectuosos en una inspeccin de 6 unidades

Rx = { 0, 1, 3, 4, 5, 6 }
Los tubos inspeccionados se seleccionan sin devolucin
X~ H(70, 10, 6)
10 60
Por tanto 1

x 6 x
P(X 2) = 1 - [P(X=0) + P(X=1)] = 1 - = 0.20136
x =0 70

6
Ejemplo
Suponga que un lote contiene 1500 arandelas de las cuales 200
son inaceptables. Se selecciona al azar 5 arandelas y sea X : # de
arandelas inaceptables en la muestra
Debido a que n es muy pequeo respecto a N, las probabilidades de xito
(seleccionar una arandela inaceptable) son aproximadamente iguales.

cuando
Ejercicio

Un producto industrial particular se enva en lotes de 20 artculos. La prueba

para determinar si un artculo es defectuoso es costosa, as que el
fabricante obtiene muestras de la produccin en vez de utilizar un plan de
inspeccin al 100%. Un plan de muestreo diseado para minimizar el
nmero de artculos defectuosos empleados necesita que se extraigan 5
artculos de cada lote y un lote es rechazado si entre las cinco piezas hay
ms de una defectuosa. Suponga que un lote en particular contiene cuatro
artculos defectuosos. Calcule:
a) La probabilidad de que el lote sea rechazado.
b) El nmero esperado de unidades defectuosas en la seleccin.
c) La varianza del nmero de unidades defectuosas en la seleccin.
d) La probabilidad de que un lote con slo 2 unidades defectuosas sea
rechazado.
e) La probabilidad de que un lote con 5 piezas defectuosas no sea
rechazado
 Proporcional a la longitud del intervalo

En ocasiones se tiene una situacin fsica en la cual cierto evento es recurrente, tal
como las llamadas que se reciben en cierto intervalo de tiempo en una central
telefnica o el nmero de defectos en un tramo de cable. Si la probabilidad de
ocurrencia de un evento de este tipo es proporcional al tamao del intervalo, rea,
volumen, etc. entonces la variable aleatoria X, el nmero de eventos observados
en una unidad (de tiempo, de longitud, etc.) sigue una distribucin conocida como
Poisson.
Funcin de distribucin:
Ejemplo
El nmero medio de aviones que usan una pista de aterrizaje en
un aeropuerto es 2 cada media hora. Suponiendo que siguen una
ley de Poisson.
a) Cul es la probabilidad de que el nmero de llegadas sea 5 o
mayor?
b) Cul es la probabilidad de que en un cuarto de hora aterricen
4 aviones?
Solucin

a) P(X 5) = 1 - [P(X=0) + P(X=1) + P(X=2) + P(X=3) + P(X=4)]

=1 = 1 - 0.9473 = 0.052.

b) Sea Y el nmero de aviones que aterrizan en esa pista cada cuarto

de hora. Entonces Y es una Poisson de parmetro 1.

Por tanto,
P( Y > 4) = P(Y 5)
= 1 - [P(Y=0) + P(Y=1) + P(Y=2) + P(Y=3) + P(Y=4)]
4
e 11x
=1
y =0 x!
= 1 0.9963 = 0.0037
Ejemplo
Ejemplo
La probabilidad de que en una pgina de 1 libro haya una errata es
0.02. Cul es la probabilidad que en libro de 200 pginas haya 3
erratas?

Solucin
Sea X=nmero de erratas en el libro.
Lo podemos interpretar como una binomial, entonces X es b(200,
0.02). Por tanto la probabilidad que nos piden es:

200
P( X = 3) = (0.02) 3 (0.98)197
3
Tambin podramos calcularlo usando la distribucin de Poisson.
En efecto:
p= 0.02 < 0.1 y E(X) = np = 200*0.02 = 4 < 5

Tenemos, que X sigue una distribucin P(=4), por tanto:

P ( X = 3) = (e 4 43 ) / 3!= 0.1954

Ejemplo
El nmero de nacimientos en un hospital constituye un proceso de
Poisson con intensidad de 21 nacimientos por semana. Cul es la
probabilidad de que se produzca al menos tres nacimientos el
prximo lunes?
Solucin

X : Nro. de nacimientos por semana, X ~ P(t=21), por tanto

P(X 3) = 1 - [P(X=0) + P(X=1) + P(X=2)], cuando t=1/7

=1 = 1 - 0.4232 = 0.5768.
.. (1)
Funcin de distribucin:

Observacin
Si X1 y X2 son dos variables aleatorias independientes distribuidas segn
BN (r1, p) y BN (r2, p) respectivamente, entonces la variable X = X1+X2
se distribuye segn BN (r1 + r2, p).
Alternativamente podemos definir otra funcin

Distribucin
. (2)
de Pascal

Caractersticas de (1)
rq rq
E[ X ] = V[X ] =
p p2
En el caso de la distribucin de Pascal: X ~ B (k, p)
P(X n) = P(Y k) donde n = x + k
P(X > n) = P(Y < k)
Ejemplo:
Solucin
 concluir

=
Observacin
Si X ~Geo (p), donde
X: Nro. de ensayos hasta
conseguir un exito
Ejemplo
Ejemplo
Solucin
Ejemplo

Solucin
VARIABLES ALEATORIAS DISCRETAS