Beruflich Dokumente
Kultur Dokumente
PROBABILIDAD Y ESTADÍSTICA
UNIDAD III: DISTRIBUCIONES DE PROBABILIDADES
Temas
3.1 Definiciones básicas de los experimentos aleatorios
3.2 Variables aleatorias discretas
OBJETIVO DE LA UNIDAD
Calcular la probabilidad de ocurrencia de diferentes tipos de variables aleatorias
tanto discretas como continuas.
INTRODUCCIÓN
Los temas a desarrollar en esta unidad son los siguientes:
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA
PROBABILIDAD Y ESTADÍSTICA
Página 2 de 15
Existen muchos ejemplos considerados como casos clásicos tales como el observar
el resultado de la cara superior de una moneda “sin sesgo” luego de haber sido lanzada al
aire y esperar el resultado luego de caer sobre una superficie plana. Es evidente que solo
se podrían obtener dos resultados posibles, digamos de ahora en adelante que serán
“cara” o “sello” simbolizados por “C” para “cara” y “S” para “sello”. Cada uno tendría la
misma oportunidad de ocurrir por lo que las probabilidades de ocurrencia de “C” es ½. Al
igual que la probabilidad de “S” es ½. Aquí se ha usado el concepto frecuentista de
probabilidad. Solo hay una “C” entre los dos resultados posibles, al igual que solo hay un
”S” en los dos resultados posibles.
Existen otros experimentos aleatorios, en los que los resultados posibles son un
tanto diferentes. Por ejemplo al observar el estado de un artículo producido en una línea
de producción, el cual por simplicidad se puede clasificar como “bueno” o “malo”. Salvo
que las probabilidades en estos casos ya no serán ½, como en el caso de la moneda. Ya
que hay que tomar en consideración todos los artículos observados y contar aquellos que
se clasifican como buenos y los que se clasifican como malos. Por ejemplo, suponga que
la línea de producción produce 100 artículos. De los cuales 95 están buenos y 5 están
malos. Entonces la probabilidad de que al elegir un artículo al azar de entre los artículos
producidos por esta línea de producción este esté bueno es de 95/100. Y que esté malo
es de 5/100. Siempre calculando la probabilidad como el cociente entre casos favorables
entre casos posibles.
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA
PROBABILIDAD Y ESTADÍSTICA
Página 3 de 15
La siguiente figura ilustra este concepto. Donde S denota el espacio muestral que
contiene todos los resultados posibles desde r1 hasta rn del experimento. El conjunto de
los números reales se ha simbolizado por la letra R, los números reales particularmente
usados se han simbolizado por v1, v2,…, vn. La letra X, simboliza el nombre de la función,
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA
PROBABILIDAD Y ESTADÍSTICA
Página 4 de 15
generalmente los nombres dados a las variables aleatorias son las últimas letras del
alfabeto en mayúsculas.
Las funciones “Variable Aleatoria”, son un poco confusas, debido a que cuando
uno dice “variable” ya está condicionado a suponer valores de ella. Pero no está
condicionado a suponer a que se refiera a una “función”, con una regla de definición
asociada a ella.
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA
PROBABILIDAD Y ESTADÍSTICA
Página 5 de 15
Ahora suponga que a cada valor del dado se le asocia como imagen su respectiva
probabilidad. En cuyo caso estaremos hablando de la distribución de probabilidades de la
variable aleatoria X. La siguiente figura lo ilustra:
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA
PROBABILIDAD Y ESTADÍSTICA
Página 6 de 15
a) Ensayos de Bernoulli.
b) Distribución Binomial.
c) Distribución Geométrica.
d) Distribución Hipergeométrica.
e) Distribución de Poisson.
Aunque algunos de los casos anteriores podrían tener más de dos resultados
posibles, se ha considerado que siempre se pueden hacer las suposiciones pertinentes
para lograr reducir los resultados posibles únicamente a dos.
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA
PROBABILIDAD Y ESTADÍSTICA
Página 7 de 15
La Distribución Binomial.
Partimos del experimento aleatorio asociado con este tipo de casos. Se repite n
veces un ensayo de Bernoulli de forma independiente unos de otros. Entonces la variable
X, que cuenta el número de veces que se obtiene “éxito” en las n realizaciones del ensayo
de Bernoulli, sigue una distribución Binomial, con parámetros “n” (el número de veces
que se repite el ensayo de Bernoulli) y “p” (la probabilidad de “éxito” en cada ensayo de
Bernoulli), la probabilidad es la misma para cada repetición ya que no se espera cambio
de realización en realización debido a la hipótesis de “independencia” entre las
repeticiones sucesivas de ensayos de Bernoulli.
Existe una fórmula recurrente, muy usada por los informáticos, y su utilidad
estriba en que solo se necesita calcular un valor inicial de probabilidad y a partir de allí
se usa la formula recurrente para generar el resto de valores de la distribución de
probabilidades Binomial.
Se requiere para poder aplicar esta fórmula que se tenga inicialmente el valor de
𝑃(𝑋 = 0) = 𝑞 𝑛 . Luego a partir de este valor se inicia la secuencia desde 1 hasta n. Lo
cual resulta muy simple usando un programa de computadoras.
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA
PROBABILIDAD Y ESTADÍSTICA
Página 8 de 15
Distribución Geométrica.
Partimos del experimento aleatorio asociado con este tipo de casos. Se repite un
ensayo de Bernoulli de forma independiente hasta que ocurre por primera vez un éxito.
Entonces la variable X, que cuenta el número de veces que se repite el ensayo de Bernoulli
hasta obtener por primera vez un “éxito”, sigue una distribución Geométrica, con
parámetro “p” (la probabilidad de “éxito” en cada ensayo de Bernoulli), la probabilidad
es la misma para cada repetición ya que no se espera cambio de realización en realización
debido a la hipótesis de “independencia” entre las repeticiones sucesivas de ensayos de
Bernoulli.
Resulta claro que este número toma como posibles valores 0, 1, 2, 3, y así
sucesivamente. De allí que SX = {0, 1, 2, 3,…}. Ahora para asignarle valores de probabilidad
a cada caso, P(X=0), P(X=1), P(X=2),…, se usa las fórmulas que ya han sido ampliamente
desarrolladas en el estudio de estos casos. Aunque siempre existe un camino lógico para
validar el uso de la definición frecuentista de probabilidad (casos favorables entre casos
posibles).
Existe una fórmula recurrente, muy usada por los informáticos, y su utilidad
estriba en que solo se necesita calcular un valor inicial de probabilidad y a partir de allí
se usa la formula recurrente para generar el resto de valores de la distribución de
probabilidades Geométrica.
Se requiere para poder aplicar esta fórmula que se tenga inicialmente el valor de
𝑃(𝑋 = 0) = 𝑝. Luego a partir de este valor se inicia la secuencia desde 1 hasta que se
cumpla una condición de paro de la secuencia. Para lo cual hay que diseñar una solución
usando un programa de computadoras con ciclos condicionales.
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA
PROBABILIDAD Y ESTADÍSTICA
Página 9 de 15
Distribución Hipergeométrica.
Partimos del experimento aleatorio asociado con este tipo de casos. Se tiene una
población de tamaño n, que se divide en dos grupos que son mutuamente excluyentes.
Digamos que se denominan A y B a dichos grupos, de tal forma que el número de
elementos de A es m y el número de elementos de B es n-m (el complemento para los n
que hay en total en toda la población). Se extrae una muestra de tamaño r (con r<n) sin
repetición. Se trata de saber cuántos de los elementos de la muestra pertenecen al grupo
de observación, supongamos que dicho grupo es el grupo A. Entonces la variable X, que
cuenta el número de elementos de la muestra que pertenecen al grupo A, sigue una
distribución Hipergeométrica, con parámetros “n” (El tamaño de la población total), “m”
(El tamaño del grupo de observación, A en este caso), “r” (El tamaño de la muestra
aleatoria a obtener sin repetición). La probabilidad de ser obtenido en la muestra de cada
elemento cambia, de extracción en extracción, debido a que la obtención de los
elementos de la muestra se hace sin reemplazamiento.
Donde 𝑖 ≤ 𝑚, 𝑖 ≤ 𝑟, 𝑟 − 𝑖 ≤ 𝑛 − 𝑚.
Existe una fórmula recurrente, muy usada por los informáticos, y su utilidad
estriba en que solo se necesita calcular un valor inicial de probabilidad y a partir de allí
se usa la formula recurrente para generar el resto de valores de la distribución de
probabilidades Hipergeométrica.
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA
PROBABILIDAD Y ESTADÍSTICA
Página 10 de 15
(𝑚−𝑖)(𝑟−𝑖)
𝑃(𝑋 = 𝑖 + 1) = (𝑖+1)(𝑛−𝑚−𝑟+𝑖+1) ∗ 𝑃(𝑋 = 𝑖) Para valores de 𝑖 = 1, 2, 3, …r (o
hasta m según sea el caso).
𝑛−𝑚
( )
𝑟
Para usarla se requiere que se tenga inicialmente el valor de 𝑃(𝑋 = 0) = 𝑛 .
( )
𝑟
Luego a partir de este valor se inicia la secuencia desde 1 hasta r o hasta m según
sea el caso.
La Distribución Poisson.
Partimos del experimento aleatorio asociado con este tipo de casos. Se cuenta el
número de eventos independientes que ocurren por una unidad de tiempo dada,
conociendo la tasa de ocurrencia por unidad de tiempo de dichos eventos. Entonces la
variable X, que cuenta el número de ocurrencias de eventos independientes por unidad
de tiempo, sigue una distribución de Poisson, con parámetro “λ” (la tasa de ocurrencia de
dichos eventos por unidad de tiempo).
Existe una fórmula recurrente, muy usada por los informáticos, y su utilidad
estriba en que solo se necesita calcular un valor inicial de probabilidad y a partir de allí
se usa la formula recurrente para generar el resto de valores de la distribución de
probabilidades Binomial.
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA
PROBABILIDAD Y ESTADÍSTICA
Página 11 de 15
𝑷(𝑿 = 𝒊) = 𝒒𝒊−𝟏 𝒑
𝑷(𝑿 = 𝒊) = 𝒒 ∗ 𝑷(𝑿 = 𝒊 − 𝟏) 𝟏 𝒒
Para valores de
Geométrica p Para valores de 𝒊 = 𝟏, 𝟐, 𝟑, …
𝒊 = 𝟏, 𝟐, 𝟑, ⋯ 𝒑 𝒑𝟐
𝒎 𝒏−𝒎 𝑷(𝑿 = 𝒊 + 𝟏)
( )( )
𝑷(𝑿 = 𝒊) = 𝒊 𝒏𝒓 − 𝒊 (𝒎 − 𝒊)(𝒓 − 𝒊)
( ) = 𝒓𝒎 𝒏 − 𝒎 𝒎𝒓 𝒎
Hipergeom 𝒓 (𝒊 + 𝟏)(𝒏 − 𝒎 − 𝒓 + 𝒊 + 𝟏)
n,m,r ( ) ( ) (𝟏 − )
étrica Para valores de ∗ 𝑷(𝑿 = 𝒊) 𝒏 𝒏−𝟏 𝒏 𝒏
𝒊 = 𝟏, 𝟐, 𝟑, ⋯ Para valores de 𝒊 = 𝟏, 𝟐, 𝟑, …r
(o hasta m según sea el caso).
𝝀𝒊 −𝝀
𝑷(𝑿 = 𝒊) = 𝒆 𝝀
𝒊! 𝑷(𝑿 = 𝒊) = ∗ 𝑷(𝑿 = 𝒊 − 𝟏)
Poisson λ Para valores de 𝒊 𝝀 𝝀
𝒊 = 𝟎, 𝟏, 𝟐, ⋯ Para valores de 𝒊 = 𝟏, 𝟐, 𝟑, …
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA
PROBABILIDAD Y ESTADÍSTICA
Página 13 de 15
3.4. BIBLIOGRAFÍA
1. Anderson, T., (1974) Introductory statistical analysis Chicago, U.S.A. University of Illinois.
2. Baudin, M., (2010) Introduction to Scilab, France, The Scilab Consortium – Digiteo.
3. Canavos, G., (1998), Probabilidad y estadística: Aplicaciones y métodos, Mexico, D.F.,
McGraw-Hill/Interamericana de Mexico S.A. de C.V.
4. Devore, J., (2008). Probabilidad y estadística: Para ingeniería y ciencias (7ª. ed.) Mexico,
D.F., Cengage Learning Editores S.A de C.V.
5. Diccionario Merrian-Webster Retomado de: http://www.merriam-webster.com (2017).
6. Dodge, Y. (2006) Diccionario Oxford de términos estadísticos.
7. Dunn, O., Clark, V., (1974) Applied Statistics: Analysis of variance and regression New York,
U.S.A., John Wiley and Sons, Inc.
8. Everitt, B., Skrondal, A., (2010) The cambridge dictionary of statistics (4ª. ed.) New York,
U.S.A. Cambridge University Press.
9. Hines, W., Montgomery, D. (1993). Probabilidad y estadística: Para ingeniería y
administración (3er ed.) Mexico, D.F., CECSA.
10. Johnson, R., (1998) Probabilidad y estadística: Para ingenieros de Miller y Freund (5ª ed.)
Mexico, D.F., Prentice-Hall Hispanoamericana.
11. Lagares, P., Puerto, J., (2001) Población y muestra: Técnicas de muestreo Retomado de:
http://www.mathematik.uni-kl.de/~ mamaeusch.
12. Levin, R., Rubin, D., (2004) Estadística para administración y economía (7ª ed.) Mexico,
D.F., Pearson Education
13. Mendenhall, W., Beaver, R., Beaver, B., (2010). Introducción a la probabilidad y estadística
(13ª ed.) Mexico, D.F., Cengage Learning Editores S.A de C.V.
14. Neter, J., Wasserman, W., Withmore, G., (1982) Applied statistics (2nd ed.) Boston, U.S.A.
Allyn and Bacon, Inc.
15. Organización de las Naciones Unidas. (1957). Preparación de informes sobre encuestas a
base de muestras, Informes estadísticos, Serie C, N.º 1.
16. Ott, R., Longnecker, M., (2010) An introduction to statistical methods and data analysis
(6ª ed.) Canadá, Brooks/Cole, Cengage Learning.
17. Pérez, C., (2005), Muestreo estadístico: Conceptos y problemas resueltos Mexico, D.F.,
Pearson Prentice Hall.
18. Romijn, J.-W., (2014) Philosophy of statistics Stanford Enyclopedia of Philosophy.
19. Spiegel, M., (1991) Estadística (2ª ed.) Santiago, Chile, McGraw-Hill Interamericana de
España S.A.
20. Yamane, T., (1979). Estadística (3er ed.) Mexico, D.F., Harla.
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA
PROBABILIDAD Y ESTADÍSTICA
Página 14 de 15
GLOSARIO
Experimento Aleatorio: Aquel en el que se conocen todos los resultados posibles del
mismo, pero que no podemos predecir con certeza cuál de ellos ocurrirá, antes de realizar
el experimento.
Espacio Muestral: Conjunto formado por todos los resultados posibles de un experimento.
Variable aleatoria: Es una función que va desde el espacio muestral hacia el conjunto de
los números reales, en la que a cada resultado posible le asigna como imagen un número
real.
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.