You are on page 1of 27

Clase 6:

Algunas Distribuciones de
Probabilidad Discreta
La ms simple de todas las distribuciones de probabilidad discreta
es una donde la v.a. toma cada uno de sus valores con la misma
probabilidad. Tal distribucin se denomina distribucin uniforme
discreta.
Si la v.a. X toma los valores x
1
,x
2
,,x
k
, con idnticas
probabilidades, entonces la distribucin uniforme discreta est
dada por

Ejemplo 1: Cuando se lanza un dado honesto, cada elemento del
EM ocurre con probabilidad 1/6. Por lo tanto tenemos una
distribucin uniforme,
2
Distribucin Uniforme discreta
La media y la varianza de la distribucin uniforme discreta f(x;k)
son


Muchas veces, un experimento estadstico consiste en pruebas
repetidas, cada una con dos posibles resultados que se pueden
etiquetar como xito o fracaso. La aplicacin ms obvia tiene que
ver con la prueba de artculos a medida que salen de una seccin
de montaje, donde cada prueba o experimento puede indicar si un
artculo est defectuoso o no. Podemos elegir definir cualquiera
de los resultados como xito. Si los ensayos que se repiten son
independientes y la probabilidad de xito permanece constante
entre cada uno de ellos, esto da lugar a un proceso denominado
proceso de Bernoulli. Cada ensayo se llama experimento
Bernoulli.
3
Distribucin Uniforme discreta
Ms exactamente, el proceso de Bernoulli debe tener las
siguientes propiedades:
1. El experimento consiste en n pruebas que se repiten.
2. Cada prueba conduce un resultado posible: xito o fracaso.
3. La probabilidad de un xito, denotado con p, permanece
constante en cada prueba.
4. Las pruebas que se repiten son independientes.
Ejemplo 2: Consideremos el conjunto de experimentos de
Bernoulli en el que se seleccionan tres artculos al azar de un
proceso de ensamblaje, se inspeccionan y se clasifican como
defectuosos o no defectuosos. Un artculo defectuoso se designa
como xito. El nmero de xitos es una v.a. X que toma valores
integrales de 0 a 3. Los ocho resultados los conocemos de la
Clase 5, Ejemplo 1 (pgina 2).
4
Proceso de Bernoulli
Como los artculos se seleccionan de forma independiente de un
proceso que supondremos produce 25% de artculos defectuosos,
P(NDN)=P(N)P(D)P(N)=(3/4)(1/4)(3/4)=9/64.
Clculos similares dan las probabilidades para los dems
resultados posibles. La distribucin de probabilidad de X es
x 0 1 2 3
f(x) 27/64 27/64 9/64 1/64
El nmero X de xitos en n experimentos de Bernoulli se
denomina variable aleatoria binomial. La distribucin de
probabilidad de la v.a.d. X se llama distribucin binomial, y sus
valores se denotarn como b(x; n,p) pues depende del nmero de
pruebas y de la probabilidad de xito en una prueba dada. As,
para la distribucin de probabilidad de X, el nmero de
defectuosos es
P(X=2)=f(2)=b(2; 3,1/4)=9/64.
5
Proceso Bernoulli
Generalizando ahora el ejemplo anterior para obtener una
frmula para b(x; n,p). Es decir, deseamos una frmula que de la
probabilidad de x xitos en n pruebas para un experimento
binomial.
Un experimento de Bernoulli puede tener como resultado un xito
con probabilidad p y un fracaso con probabilidad q=1-p. Entonces
la distribucin de probabilidad de la v.a. binomial X, el nmero de
xitos en n pruebas independientes, es


Notar que cuando n=3 y p=1/4, la distribucin de probabilidad de
X, el nmero de artculos defectuosos, se puede escribir como
6
Distribucin binomial
La distribucin binomial deriva su nombre al hecho de que los n+1
trminos en la expansin binomial de (q+p)
n
corresponden a los
diversos valores de b(x; n,p) para x=0,1,2,,n. Es decir,



Como p+q=1 vemos que


Condicin que debe ser vlida para cualquier distribucin de
probabilidad.
Con frecuencia, nos interesamos en problemas donde se necesita
calcular P(X<r) o P(a<=X<=b).
7
Distribucin binomial
Ejemplo 3: La probabilidad de que un paciente se recupere de una
rara enfermedad sangunea es 0.4. Si se sabe que 15 personas
contraen la enfermedad cul es la probabilidad de que a)
sobrevivan al menos 10, b) sobrevivan de 3 a 8 y c) sobrevivan
exactamente 5?
Sea X el nmero de personas que sobreviven
8
Distribucin binomial
La distribucin binomial se aplica en muchos campos cientficos.
Un ingeniero industrial est interesado en la proporcin de
defectuosos en un proceso industrial. Esta distribucin se aplica
en cualquier situacin donde el resultado de un proceso es
dicotmico y los resultados del proceso son independientes y la
probabilidad de xito es constante de una prueba a otra.
La media y la varianza de la distribucin binomial b(x; n,p) son
=E(X)=np y
2
=Var(X)=npq
Es claro, que en muchas aplicaciones hay ms de dos resultados
posibles. Por ejemplo, el color de las cras de los conejillos de
indias pueden ser rojos, negros o blancos. A menudo la dicotoma
defectuoso o no defectuoso en situaciones de ingeniera es
ciertamente una gran simplificacin. En realidad, con frecuencia
hay ms de dos categoras que caracterizan artculos o partes que
salen de una seccin de produccin.
9
Distribucin binomial
El experimento binomial se convierte en un experimento
multinomial si cada prueba tiene ms de dos resultados posibles.
Por ello la clasificacin como ligero, pesado o aceptable y el
registro de los accidentes automovilsticos de acuerdo con el da
de la semana constituyen experimentos multinomiales.
En general, si una prueba dada puede tener como consecuencia
cualquiera de los k resultados posibles E
1
, E
2
,,E
k
con
probabilidades p
1
, p
2
,, p
k
, entonces la distribucin multinomial
dar la probabilidad de que E
1
ocurra x
1
veces; E
2
ocurra x
2
veces;
; y E
k
ocurra x
k
veces en n pruebas independientes, donde
x
1
+x
2
++x
k
=n
Denotaremos esta distribucin de probabilidad conjunta como
f(x
1
,x
2
,,x
k
; n,p
1
,p
2
,,p
k
)
Claramente p
1
+p
2
++p
k
=1.
10
Experimentos Multinomiales
Para derivar la frmula general, procedemos como en el caso
binomial. Como las pruebas son independientes, cualquier orden
especificado que produzca x
1
resultados para E
1
, x
2
para E
2
,,x
k

para E
k
ocurrir con probabilidad p
1
x1
p
2
x2
p
k
xk
. El nmero total
de rdenes que den resultados similares para las n pruebas es
igual al nmero de particiones de n pruebas en k grupos de x
1
en
el primer grupo; x
2
en el segundo grupo;; y x
k
en el k-simo
grupo. Esto se puede hacer en



formas. Como todas las particiones son mutuamente excluyentes
y ocurren con igual probabilidad, obtenemos la distribucin
multinomial al multiplicar la probabilidad para un orden especfico
por el nmero total de particiones.
11
Experimentos Multinomiales
Si una prueba dada puede conducir a los k resultados E
1
, E
2
,,E
k

con probabilidades p
1
, p
2
,, p
k
, entonces la distribucin de
probabilidad de las v.a. X
1
, X
2
,,X
k
,que representan el nmero de
ocurrencias para E
1
, E
2
,,E
k
en n pruebas independientes es


con


La distribucin multinomial deriva su nombre del hecho que los
trminos de la expansin multinomial de (p
1
+p
2
++p
k
)
n

corresponden a todos los posibles valores de
f(x
1
,x
2
,,x
k
; n,p
1
,p
2
,,p
k
)


12
Experimentos Multinomiales
Ejemplo 4: Si se lanza seis veces un par de dados. Cul es la
probabilidad de obtener una suma siete u 11 dos veces, un par
igual una vez y cualquier otra combinacin tres veces?
Listamos los siguientes eventos posibles
E
1
: ocurre una suma 7 u 11
E
2
: ocurre un par igual
E
3
: no ocurre ni un par igual ni una suma 7 u 11.
Las probabilidades correspondientes para una prueba dada son
p
1
=2/9, p
2
=1/6 y p
3
=11/18. Estos valores permanecen constantes
para todas las seis pruebas. Al usar la distribucin multinomial
x
1
=2, x
2
=1 y x
3
=3, entonces
13
Experimentos Multinomiales
Si nos interesa la probabilidad de seleccionar x xitos de los k
artculos considerados como xito y n-k fracasos de los cuales N-k
artculos que se consideran fracasos cuando se selecciona una
muestra aleatoria de tamao n de N artculos. Esto se conoce
como experimento hipergeomtrico; es decir, uno que posee las
siguientes dos propiedades:
1. Se selecciona sin reemplazo una muestra aleatoria de tamao
n de N artculos.
2. k de los N artculos se pueden clasificar como xitos y N-k se
clasifican como fracasos.
El nmero X de xitos de un experimento hipergeomtrico se
denomina variable aleatoria hipergeomtrica. En consecuencia,
la distribucin de probabilidad de esta variable se llama
distribucin hipergeomtrica, y sus valores se denotan como h(x;
N,n,k), debido a que dependen del nmero de xitos k en el
conjunto N del que seleccionamos n artculos.
14
Distribucin hipergeomtrica
La distribucin de probabilidad de la v.a. hipergeomtrica X, el
nmero de xitos en una muestra aleatoria de tamao n que se
selecciona de N artculos de los que k se denominan xitos y N-k
fracasos, es


Ejemplo 5: Se selecciona al azar un comit de cinco personas entre
tres qumicos y cinco fsicos. Calcular la distribucin de
probabilidad para el nmero de qumicos en el comit.
Sea la v.a. X el nmero de qumicos en el comit. Se satisfacen las
dos condiciones de un experimento hipergeomtrico.




15
Distribucin hipergeomtrica




Ejemplo 6: Lotes de 40 componentes cada uno se denominan
aceptables si no contienen ms de tres defectuosos. El
procedimiento para muestrear el lote es la seleccin de cinco
componentes al azar y rechazar el lote si se encuentra un
componente defectuoso. Cul es la probabilidad de que se
encuentre exactamente un defectuoso en la muestra si hay tres
defectuosos en todo el lote?
Utilizando la distribucin hipergeomtrica con n=5, N=40, k=3 y
x=1, entonces
16
Distribucin hipergeomtrica
La media y la varianza de la distribucin hipergeomtrica
h(x;N,n,k) son


Consideremos un experimento donde las propiedades son las
mismas que se indican en el experimento binomial, con la
excepcin de que las pruebas se repetirn hasta que ocurra un
nmero fijo de xitos. Por lo tanto, en vez de calcular la
probabilidad de x xitos en n pruebas, donde n es fija, ahora nos
preocuparemos por la probabilidad de que ocurra el k-simo xito
en la x-sima prueba. Los experiomentos de este tipo se llaman
experimentos binomiales negativos.
El nmero X de pruebas que contiene k xitos en un experimento
binomial negativo se llama v.a. binomial negativa y su distribucin
de probabilidad se llama distribucin binomial negativa.
17
Distribucin hipergeomtrica
Si pruebas independientes repetidas pueden tener como resultado
un xito con probabilidad p y un fracaso con probabilidad q=1-p,
entonces la distribucin de probabilidad de la v.a. X, el nmero de
la prueba en la que ocurre el k-simo xito, es


Ejemplo 7: Calcular la probabilidad de que una persona que lanza
tres monedas obtenga slo caras o slo sellos por segunda vez en
el quinto lanzamiento.
Al usar la distribucin binomial negativa con x=5, k=2 y p=1/4,
tenemos
18
Distribucin Binomial Negativa
La distribucin binomial negativa deriva su nombre del hecho de
que cada trmino de la expansin de p
k
(1-q)
-k
corresponde a los
valores de bn(x;k,p) para x=k,k+1,k+2,
La media y la varianza de la distribucin binomial negativa
bn(x;k,p) son

Si consideramos el caso para k=1, tenemos una distribucin de
probabilidad para el nmero de pruebas que se requieren para un
solo xito. Un ejemplo sera lanzar una moneda hasta que
aparezca cara. Nos podemos interesar en la probabilidad de que
ocurra la primera cara en el cuarto lanzamiento. La distribucin
binomial negativa se reduce a la forma bn(x;1,p)=pq
x-1
, x=1,2,3,
Como los trminos sucesivos constituyen una progresin
geomtrica, se llama a este caso especial distribucin geomtrica
y denotar sus valores g(x;p).
19
Distribucin Binomial Negativa
Si pruebas independientes repetidas pueden tener como resultado
un xito con probabilidad p y un fracaso con probabilidad q=1-p,
entonces la distribucin de probabilidad de la v.a. X, el nmero de
la prueba en el que ocurre el primer xito, es


Ejemplo 8: Se sabe que en cierto proceso de fabricacin, en
promedio, uno de cada 100 artculos est defectuoso. Cul es la
probabilidad de que el quinto artculo que se inspecciona sea el
primer defectuoso que se encuentra?
Al usar la distribucin geomtrica con x=5 y p=0.01, tenemos
g(5;0.01)=(0.01)(0.99)
4
=0.0096
20
Distribucin Geomtrica
La media y la varianza de una v.a. geomtrica son


Los experimentos que dan valores numricos de una v.a. X, el
nmero de resultados que ocurren durante un intervalo dado o
regin especfica, se llaman experimentos de Poisson. El intervalo
dado puede ser de cualquier longitud, como un minuto, un da,
una semana, un mes o incluso un ao. Un experimento de
Poisson puede generar observaciones para la v.a. X que representa
el nmero de llamadas telefnicas por hora que recibe una central
o el nmero de das que una Escuela permanece cerrada debido a
las tomas.
La regin especfica podra ser un segmento de lnea, un rea o tal
vez una pieza de material. Por ejemplo, la v.a. X puede representar
el nmero de roedores por hectrea, nmero de bacterias en un
cultivo o el nmero de errores ortogrficos por pgina.
21
Distribucin Geomtrica
Un experimento de Poisson se deriva del Proceso de Poisson y
posee las siguientes caractersticas:
1. El nmero de resultados que ocurren en un intervalo o regin
especfica es independiente del nmero que ocurre en
cualquier otro intervalo o regin del espacio disjunto. De otra
manera vemos que el Proceso de Poisson no tiene memoria.
2. La probabilidad de que ocurra un solo resultado durante un
intervalo muy corto o en una regin pequea es proporcional
a la longitud del intervalo o al tamao de la regin y no
depende del nmero de resultados que ocurren fuera de este
intervalo o regin.
3. La probabilidad de que ocurra ms de un resultado en tal
intervalo corto o que caiga en tal regin pequea es
insignificante.

22
Proceso de Poisson
El nmero X de resultados que ocurren durante un experimento
de Poisson se llama v.a. de Poisson y su distribucin de
probabilidad se denomina distribucin de Poisson.
El nmero medio de resultados se calcula de =t, donde t es el
tiempo o regin especfico de inters. Como sus probabilidades
dependen de , la tasa de ocurrencia de los resultados, las
denotaremos con p(x; t). El siguiente concepto se utiliza para
calcular probabilidades de Poisson.
La distribucin de probabilidad de la v.a. de Poisson X, que
representa el nmero de resultados que ocurren en un intervalo o
regin especfica que se denota por t, es


donde es el nmero promedio de resultados por unidad de
tiempo o regin.
23
Distribucin de Poisson
Ejemplo 9: Una compaa telefnica observa que entran en
promedio 3.2 llamadas por minuto en una lnea determinada.
Suponiendo que el nmero de llamadas se distribuye segn un
experimento de Poisson, se puede plantear el clculo de las
siguientes probabilidades para el intervalo de un minuto:
a) probabilidad de que entren exactamente 2 llamadas.
b) probabilidad de que entren a lo ms tres llamadas.
c) probabilidad de que entren por lo menos tres llamadas.
Como la distribucin binomial, la distribucin de Poisson se utiliza
en control de calidad, seguro de calidad y muestreo de
aceptacin. Adems ciertas distribuciones continuas importantes
que se usan en la teora de la confiabilidad y teora de colas
dependen del proceso de Poisson.
24
Distribucin de Poisson
La media y la varianza de la distribucin de Poisson p(x; t) tiene el
valor t.
La distribucin de Poisson se relaciona con la distribucin binomial
de la siguiente manera: En el caso de la binomial, si n es bastante
grande y p es pequea, las condiciones comienzan a simular las
implicaciones de espacio continuo o regin temporal del proceso
de Poisson. La independencia entre las pruebas de Bernoulli en el
caso binomial es consistente en la propiedad 2 del proceso de
Poisson. Si p se hace cercano a cero se relaciona con la propiedad
3. La distribucin de Poisson es el lmite de la distribucin
binomial cuando n, p0 y np permanece constante. De aqu,
si n es grande y p cercana a cero, se puede usar la distribucin de
Poisson, con =np, para aproximar probabilidades binomiales.

25
Distribucin de Poisson
Sea X una v.a. binomial con distribucin de probabilidad b(x; n,p).
Cuando n, p0 y =np permanece constante,
b(x;n,p) p(x;)
Ejemplo 10: En un proceso de fabricacin donde se manufacturan
productos de vidrio ocurren defectos o burbujas, los que deja
ocasionalmente a la pieza indeseable para su venta. Se sabe que,
en promedio, uno de cada 1000 de estos artculos que se
producen tiene una o ms burbujas. Cul es la probabilidad de
que una muestra aleatoria de 8000 tenga menos de siete artculos
con burbujas?
En esencia este es un experimento binomial con n=8000 y
p=0.001. Como p es muy cercano a cero y n es bastante grande,
hacemos la aproximacin con la distribucin de Poisson usando
=(8000)(0.001)=8.
26
Distribucin de Poisson
De aqu, si X representa el nmero de burbujas, tenemos
27
Distribucin de Poisson