Variables Aleatorias Discretas

Variables aleatorias y las distribuciones de probabilidad
Universidad Nacional de Colombia

Sandra Vergara Cardozo
Departamento de Estadstica
Bogota, Octubre de 2015

Variables aleatorias
- En la mayora de los casos de experiencias aleatorias resulta

u
til asociar a los eventos la descripci
on de diversos fenomenos
mediante un n
umero.
- Una variable aleatoria permite pasar de los posibles resultados
experimentales a una funci
on numerica de resultados

- Variables aleatorias, Es una funci

on cuyos valores son
n
umeros reales asociados con cada evento elemental del
espacio muestral , resultante de un experimento aleatorio .
- Se identifica generalmente con letras may
usculas (X, Y, Z, W)
dejando las min
usculas para los valores que se pueda asumir
(x, y, z, w ).

- En un experimento aleatorio hay frecuentemente mas interes

por ciertos valores n
umericos que se pueden deducir de los
resultados de un experimento aleatorio que por los resultados
en s.

Ejemplo 1:
- Sea el experimento aleatorio la prueba de tres componentes

electronicos escogidos al azar y la calificaci
on de cada uno
como aceptable (A) o como defectuoso (D).
={AAA, AAD, ADA, DAA, DDD, DDA, DAD, ADD}

- Supongamos que estamos interesados en el n

umero de
componentes defectuosos que ocurren al realizar un
experimento aleatorio.
- As cada evento elemental de se le asignara un valor
numerico de: 0, 1, 2, 3 que son cantidades determinadas por
el resultado del experimento aleatorio

- X : N
umero de componentes defectuosos.
Por lo tanto: X = 0, 1, 2, 3 componentes defectuosos.
- Se puede conocer la probabilidad para cada valor x que asume
la variable aleatoria (v.a).
1
8
3
P (X = 1) =
8
3
P (X = 2) =
8
1
P (X = 3) =
8
P (X = 0) =
- Las variables aleatorias se clasifican como: discretas y

continuas.

Variable aleatoria Discreta:
- La v.a X se considera discreta si solamente puede asumir un

conjunto finito o contable de valores al ser aplicada sobre los
eventos correspondientes del experimento aleatorio.
- Es decir X es v.a discreta si su recorrido se puede poner en
correspondencia con los n
umeros enteros positivos.

Variable aleatoria discreta:
- La v.a. X se considera discreta si solamente puede asumir un

conjunto finito o contable de valores al ser aplicada sobre los
eventos correspondientes del experimento.aleatorio.
- Es decir X es v.a discreta si su recorrido se puede poner en
correspondencia con los n
umeros enteros positivos.

- Si un espacio muestral contiene un n

umero infinito de
posibilidades o una secuencia interminable con tantos
elementos como n
umeros naturales existen, se le llama
espacio muestral discreto.

Ejemplo 2 : Variable aleatoria discreta:
- N
umero de bacterias por unidad de area.
- N
umero de unidades defectuosas en lote de unidades
producidas
- N
umero de imperfecciones en lamina de plastico.

Variable Aleatoria Continua:
- La v.a. X se considera contnua si su recorrido como funcion

sobre los eventos de una experiencia aleatoria pertenece a un
conjunto de intervalos de n
umeros reales.
- Se dice de la variable aleatoria continua X lo sera si puede
asumir valores en escalas continuas en el intervalo de
definicion de la v.a. X.

- Si un espacio muestral contiene un n

umero infinito de
posibilidades es igual al n
umero de puntos en un segmento de
lnea, se le llama espacio muestral continuo.

Ejemplo 3:
- Peso, longitud, resistencia a la compresi

on o a la tension,
voltaje de salida, temperatura, entre otras, son consideradas
v.a continuas en cuanto su medici
on tiene niveles de
incertidumbre producidos por los factores no controlables en la
situacion experimental

Ejemplo 4:
- Supongase por ejemplo, que se lanza una moneda corriente

seis veces consecutivas y que interesa conocer el n
umero de
caras obtenidas.
- En este caso el espacio muestral es igual a,
= {(a1 , a2 , a3 , a4 , a5 , a6 ) : ai {C, S}, i = 1, 2, . . . , 6}

Ejemplo 4:
- Sea X:= N
umero de caras obtenidas,
= {(a1 , a2 , a3 , a4 , a5 , a6 ) : ai {C, S}, i = 1, 2, . . . , 6}
- Entonces se tiene que X es una aplicaci
on de en
= {1, 2, . . . , 6}
- As por ejemplo se tienen que X(C,C,S,C,C,S)=4.
- La aplicacion X es un ejemplo de variable aleatoria.

Definicion Variable aleatoria:
- Sean (, =, P ), un espacio de probabilidad y (, =), un
=).
espacio de probabilidad y (,
variable aleatoria es una aplicaci
- Una = =on
tal que para todo A =,

X: ,
se tiene que X 1 (A) =
= (<, B), entonces se dice que X es una variable
=)
- Si (,
aleatoria real

Ejemplo 5:
- Sean = {1, 2, 3}, = = {, {1}, {2, 3}, },

- P : una medida de probabilidad arbitraria definida sobre =
es un espacio medible con
=),
- Supongase que (,
= = {a, b} y = = ()
- La aplicacion de X:

X(w) =
a si w = 1
b si w = 2 o w = 3

Distribuci
on de Probabilidad de v.a discreta .
- Si la variable aleatoria X puede asumir una serie de valores:

x1 , x2 , ..., xk (o x1 , x2 , ...,); y para cada uno de esos valores
se conoce su probabilidad: f (X = x1 ), f (X = x2 ), ..... tales
n
X
que
f (X = xi ) = 1, se dice que una distribucion de
i=1
probabilidades es definida.

Distribuci
- El conjunto de pares ordenados (X = xi , f (X = xi )) es

funci
on de probabilidad, funci
on masa de probabilidad o
distribuci
on de probabilidad de la variable aleatoria discreta
X, si para cada posible resultado xi se cumple:
f (X = xi ) 0
n
X
f (X = xi ) = 1
P (X = xi ) = f (xi )
i=1

Distribuci
- Para cualquier valor de x que no tenga asignada probabilidad

o no sea uno de los valores en el intervalo especfico, se
supone que f (X = xi ) = 0
- Toda distribucion o funci
on de probabilidad puede ser
representada por un tabla. una grafica o una formula que
necesariamente sera una funci
on de los valores numericos de
X = xi , o sea f (X = xi )

Distribuci
- La distribucion acumulada F (X = x) de una variable aleatoria

discreta X, cuya distribuci
on de probabilidad es f (X = x),
1
F (X = x) = P (X x) =
X
it
f (t) para < x <

Distribuci
- La funcion f (x, y) es una distribuci

on de probabilidad
conjunta o funcion de masa de probabilidad de las variables
aleatorias discretas X, Y , si,
1
2
f (x, y) 0 para todo x,y

XX
f (x, y) = 1
x
P (X = x,X
Y = y)A para toda regi
on en el plano
P [(x, y)A] =
f (x, y)
A

Distribuci
Ejemplo 6:
- Tomemos el caso del examen de una muestra aleatoria de tres

unidades para detectar su estado al ser producida cada una
(A=Aceptable, D=Defectuosa)
- El espacio muestral :
S = {AAA, AAD, ADA, DAA, DDD, DDA, DAD, ADD}
Si X el n
umero de unidades defectuosas.

Distribuci
- Entonces X = 0, 1, 2, 3 y podemos construir la

correspondiente distribuci
on de probabilidad.
- Por tabla:
X = xi
P (X = xi )
1
8
3
8
3
8
1
8

Distribuci
- Descrita como funci

on quedara:
1
8 si x0 = 0
83 si x1 = 1
3
f (X = xi ) =
8 si x2 = 2
si x3 = 3
8
0 en otro caso

Distribuci

Distribuci
Ejemplo
op <- par(mfrow = c(1, 1),bg = "antiquewhite")

par(lty="dashed")
par(col="red")
(x=c(0,1,2,3))
(y=c(1/8,3/8,3/8, 1/8))
plot(c(0,3),c(0,0.5), xlab="N
umero de unidades
defectuosas", ylab="Probabilidad")
lines(x,y,type="p",col="blue")

Distribuci

Distribuci
Ejemplo

par(lty="dashed")
par(col="red")
x=c(0,1,2,3)
y=c(1/8,3/8,3/8, 1/8)
plot(c(0,3),c(0,0.5), xlab="N
umero de unidades
lines(x,y,type="h",col="blue")

Distribuci
Ejemplo 7:
- Un sistema de inspecci
on
optica es capaz de detectar
imperfecciones en el examen de componentes de un aparato
electronico. La probabilidad de encontrar una componente
correcta (C) es de 0.98.
- Suponga que se inspeccionan tres componentes elegidas al
azar con reemplazamiento de un lote de tales componentes.

Distribuci
Ejemplo 7:
- Sea X: la variable aleatoria que representa el n

umero de
componentes correctas de la muestra. Hallar la funcion de
probabilidad respectiva (donde I representa componente
imperfecta).
- = {CCC, CCI, CIC, ICC, III, IIC, ICI, CII}

Distribuci
- Hallando la funcion de probabilidad para la componente

perfecta (C), P(C)= 0.98, P(I)=0.02,
- = {CCC, CCI, CIC, ICC, III, IIC, ICI, CII}
(0.02)3 = 8 106
0 unidades correctas
3 ((0.02)2 ) ((0.98)1 ) = 0.001176 1 unidades correctas

f(X=xi )=
3 (0.02) ((0.98)2 ) = 0.057624
3
((0.98) ) = 0.941192

Distribuci
- Luego la tabla resultante de la funci

on distribucion de
probabilidad y la funci
on distribuci
on de probabilidad
acumulada es,
X = xi
f(X = xi )
F(X = xi )
0
8*106
8*106
1
0.001176
0.001184
2
0.057624
0.0588
3
0.941192
1

Distribuci
Ejemplo 8:
- Un embarque de 8 micro computadoras similares que se enva

a un distribuidor contiene 3 aparatos defectuosos. Si una
escuela realiza una compra aleatoria de 2 de estas
computadoras, encuentre la distribuci
on de probabilidad para
el n
umero de microcomputadoras defectuosas.
- Sol: Sea X una variable aleatoria cuyos valores x son los
posibles n
umeros de computadoras defectuosas compradas.
Entonces X puede ser cualquiera de los n
umeros 0, 1 y 2.

Distribuci
Ejemplo 9:
- El 50 % de los automoviles extranjeros que vende una agencia

esta equipado para trabajar con diesel, encuentre una formula
para la distribucion de probabilidad del n
umero de modelos
diesel entre los pr
oximos 4 automoviles vendidos por esta
agencia.
- Sol: La probabilidad de vender un modelo diesel es 0.5, los
24 = 16 puntos en el espacio muestral tienen la misma
posibilidad de ocurrir.

Distribuci
Distribuciones de probabilidad - Funcion de probabilidad Funcion de densidad de probabilidad

- Def. Una tabla o grafica o expresi
on matematica (Formula) en
que la probabilidad de una variable aleatoria se le asignan
diferentes valores, se llama Distribuci
on de probabilidad de
la variable aleatoria.
- Al conjunto de pares ordenados (x, F(x)), donde x es el
conjunto de valores de una variable aleatoria y f(x) las
probabilidades asignadas a x, se le llama funci
on de
probabilidad en el caso de que la variable aleatoria sea
discreta y funci
on de densidad de probabilidad en el caso
de que la variable aleatoria sea continua.

Distribuci
Distribuciones de probabilidad -Funcion de probabilidad

- Def. Una tabla o grafica o expresi
on matematica (formula) en
cual las probabilidades de una variable aleatoria se les asigna
diferentes valores, se llama Distribuci
on de probabilidad de
la variable aleatoria.
- Lineas de la distribuci
on de probabilidad de la variable
aleatoria

Distribuci
Distribuciones de probabilidad -Funcion de probabilidad

- Funcion de probabilidad es el histograma, en la cual consiste
en representar la probabilidad en areas.

Distribuci
- Se puede calcular la probabilidad del evento {X xi } para

todo ( < X = xi < ) sumando las probabilidades que
corresponden a los valores de X que pertenecen al intervalo
(, ), de F(X = xi ).
- Es la probabilidad para el valor observado de una variable
aleatoria X sea menor o igual, que alg
un n
umero real x. Se
llama funcion de distribuci
on acumulada o distribucion
acumulada de probabilidad y se simboliza

Distribuci
- La distribuci
on acumulada F (X = xi ) de una variable
aleatoria discreta X, cuya distribuci
on de probabilidad es
f (X = xi ) es,
F (X = xi ) = P (X xi ) =
X
tx
f (t)
para
< x <

Distribuci
F (X = xi ) = P (X xi ) =
n
X
xi f (xi ) donde xi <
i=1
Existen tres propiedades basicas de la funci

on de distribucion
acumulada:
1
lm F (X) = 1
lm F (X) = 0
F (X) F (X + ) para todo 0

Distribuci
- Tambien y dependiendo del objetivo del analisis, se puede

hallar
X
G(X = xi ) = P (X xi ) =
f (xi )
xi x
- Seran funciones concordantes con el sentido acumulativo

ascendente o descendente de las probabilidades. Es funcion
monotona, creciente o decreciente, de cero a uno o de uno a
cero.

Distribuci
- Ejemplo: Retomando el examen de las tres unidades,

obtenemos la F(X = xi ).
X = xi
f (X = xi )
F (X = xi )
1
8
1
8
3
8
4
8
3
8
7
8
1
8
8
8

Distribuci
- As: F (X = 2) = P (X 2) = f (x1 = 0) + f (x2 =

1) + f (x3 = 2) = 87
- se puede expresar como
18
4
F(x)=
8
88
8
funci
on:
para
para
para
para
para
x<0
0x<1
1x<2
2x<3
3x

Distribuci
- Su representacion grafica es la siguiente:

Distribuci
Ejemplo

par(lty="dashed")
par(col="red")
x=c(0,1,2,3)
y=c(1/8,3/8,3/8, 1/8)
plot(c(0,3),c(0,0.5), xlab="N
umero de unidades
lines(x,y, type="h",col="blue")

Distribuci
- Con base en F(X=xi ) se puede calcular matematicamente

f(X=xi ).
- Supongamos 2 n
umeros: a y b, con a < b. Entonces:
- P(a x b) = F (b) F (a ).
- donde (a ) es el valor maximo posible de X que sea
estrictamente menor que a

Distribuci
Ejemplo 10:
- Sea el lanzamiento de un par de dados correctos donde

X=Suma obtenida de puntos.
Construyamos su distribuci
on de probabilidades:
X = xi
f (X = xi )
F (x)
10
11
12
1
36
1
36
2
36
3
36
3
36
6
36
4
36
10
36
5
36
15
36
6
36
21
36
5
36
26
36
4
36
30
36
3
36
33
36
2
36
35
36
1
36
36
36

Distribuci
- Si queremos averiguar P (4 X 8), entonces:

- P (4 X 8) = F (8) F (3) =
26
36
3
36
23
36
- Que sera para el caso:

P (4 X 8) = P (X = 4) + P (X = 5) + P (X = 6)
+ P (X = 7) + P (X = 8)
3
4
5
6
5
=
+
+
+
+
36 36 36 36 36
23
=
36

Caractersticas de las Distribuciones de Probabilidad de v.a. Discretas.
- As como se hizo en la fase de la estadstica descriptiva, para

analizar una variable aleatoria y sus distribuciones de
probabilidad, se deben considerar las caractersticas de
tendencia central generalmente a traves de la media, la
mediana y la moda; de variaci
on o de dispersion a traves de su
varianza y la deformaci
on o sesgo a traves de su grafica y
coeficiente de sesgo.

Valor Esperado (Esperanza Matematica) y Varianza de

Variables Aleatorias Discretas
- El valor esperado E(X) de una variable aleatoria tiene sus

origenes, como la probabilidad, en los juegos de azar pues los
apostadores deseaban saber cual era su esperanza o
expectativa de ganancia en un juego.

Valor Esperado (Esperanza Matematica) y Varianza de

Variables Aleatorias Discretas
- El Valor Esperado o Esperanza Matematica de una v.a.

discreta, en sentido emprico, es el promedio o valor medio de
X despues de un n
umero grande de experimentos.
- En sentido teorico es el valor de equilibrio en la distribucion de
probabilidad de los valores de la v.a..

E(X) =
n
X
xi f (xi ) =
i=1
2 = V (X) = E[(xi )2 ]
n
X
=
((xi )2 ) f (xi )
i=1
- La Varianza es la medida de la variabilidad o dispersion de

los valores posibles de X frente a su valor esperado o media

- Se puede calcular mediante la formula mas simplificada:

E(X 2 ) 2
n
X
2
E(X ) =
x2i f (xi ) donde
i=1
2 =
n
X
i=1
xi 2 f (xi ) 2

- Se pueden plantear tambien otras medidas de variacion o

dispersion. Es el caso de:
- -La desviacion tpica, como en la estadstica descriptiva
corresponde
a la raz cuadrada positiva de 2 : = 2 es
decir, V arianza la cual es una medida absoluta y no

siempre la mas confiable al comparar dos distribuciones
expresadas incluso en las mismas unidades.

- Una medida que permite comparar la dispersion o variacion de

dos distribuciones de probabilidad con escalas de medicion
diferentes es el coeficiente de variaci
on,que es una medida
adimensional o expresada sin unidad especfica.

CV =
100
- El k-esimo Momento Central de una distribucion de

probabilidad se define como:
k = E[(xi )k ] =
n
X
i=1
((xi )k )f (xi )

- Asimetra: El tercer momento central esta relacionado con la

forma o analisis de asimetra de una distribucion de
probabilidad.
3
3 = E[(X ) ] =
n
X
i=1
(xi )3 f (xi )

- Para el caso particular de distribuciones unimodales o de un

solo pico, el analisis de 3 se realiza considerando, :
- 3 > 0, existe asimetra positiva o a la derecha.
- 3 < 0 , existe asimetra negativa o a la izquierda.
- 3 = 0 , es simetrica.

- Una medida adecuada para comparaci

on con otras
distribuciones es el coeficiente de asimetra que sera una
medida relativa o adimensional, la cual se define as,
3 =
3
(2 )3/2

Momentos de orden central
- Momento central cero de cualquier variable aleatoria es uno,

0 = E(X )0 = E(1) = 1
- El primer momento central 1 = E(X )1 = E(X) = 0

- El segundo momento central 2 = E(X )2 es la varianza
- El tercer momento central 3 = E(X )3 esta relacionado
con la asimetria.

- El coeficiente de asimetria es la medida de una distribucion de

probabilidad con respecto a su dispersi
on. Una distribucion
positiva 3 > 0, distribuci
on negativa 3 < 0 , o la
distribucion es simetrica si 3 =0
3 =
3
(2 )3/2


- El cuarto momento central 4 = E(X )4
4 =
4
(2 )2
- Es una medida relativa de la curtosis, si 4 > 3 la distribucion

de probabilidad presenta un pico relativamente alto y recibe el
nombre de leptoc
urtica
- Es una medida relativa de la curtosis, si 4 < 3 la distribucion
de probabilidad es relativamente plana y recibe el nombre de
platic
urtica.
- Es una medida relativa de la curtosis, si 4 = 3 la distribucion
de probabilidad no presenta un pico relativamente alto ni muy
bajo y recibe el nombre de mesoc
urtica


Ejemplo: Retomando el ejemplo del examen de las tres

unidades:
X
0
1
2
3
Total
f (X)
1
8
3
8
3
8
1
8
Xf (X)
0
3
8
6
8
3
8
12
8
(X )f (X)
0
-0.5
+0.5
+1.5
0
(X-)2 f (X)
0.28125
0.09375
0.09375
0.28125
0.7500
(X )3 f (X)
-0.421875
-0.046875
0.046875
0.421875
0
- El valor esperado:
= E(X) =
n
X
i=1
xi f (xi ) =
12
= 1.5
8

Ejemplo: Retomando el ejemplo del examen de las tres

unidades:
- Varianza:
n
X
(xi )2 f (xi ) = 0.75
=
2
i=1
- Desviacion estandar:
2 =
0.75
= 0.8660254

- Coeficiente de variaci
on:
CV
? (100)
0.8660254
=
1.5
= 57.73
=

- Sesgo o asimetria:
3 = 0
- En este caso por cuanto la distribuci

on del ejemplo es
simetrica. Si fuera asimetrica, 3 dara positivo o negativo
seg
un fuera la asimetra a derecha o a izquierda.

Actividad a Realizar
- El n
umero de casas de prefabricadas vendi
o mensualmente
entre de 5 a 20 viviendas, junto con la frecuencia de cada
nivel de ventas, halle el valor esperado, desviacion estandar y
factores de forma.
Total
N
umero de meses
3
7
4
5
3
2
24
Casas (xi)
5
8
10
12
17
20

Actividad a Realizar

Ejemplo
(casas<-c(5,8,10,12,17,20) )
(p_x_i<-c(0.125,0.291666667,0.166666667,0.208333333,0.125,0.083333333 ))
par(lty="dashed")
par(col="red")
plot(c(0,20),c(0,0.4), xlab="N
umero de casas", ylab="Probabilidad compra por meses")
points(casas,p_x_i, type="p",col="blue")
plot(c(0,20),c(0,0.4), xlab="N
umero de casas", ylab="Probabilidad compra por meses")
points(casas,p_x_i, type="h",col="blue")

Ejemplo 8:
- las muestras de cierta materia prima se clasifican seg

un su
contenido de humedad y de impurezas, obteniendose estos
resultados:
- Caracterice su distribuci
on de probabilidad para el contenido
de humedad.

Ejemplo 11:
Cont.impCont. Hum
1%
2%
Total
3%
5
57
62
4%
14
4
18
Total
19
61
80

Cont.impCont. Hum
1%
2%
Total
3%
5
57
62
4%
14
4
18
= E(X) =
Total
19
61
80
n
X
(xi f (xi ))
i=1
62
= 3
80
18
+4
80
= 3, 225
3(62) + 4(18)
=
= 3.225
80

Cont.impCont. Hum
1%
2%
Total
3%
5
57
62
4%
14
4
18
Total
19
61
80
- Varianza:
n
X
(xi )2 f (xi )
i=1
= (3 3.225)2
= 0.174
62
80
!
+ (4 3.225)2
18
80

- Desviacion estandar:
2 =
0.174 = 0.417
- (Que es caso particular en que > 2 )

Cont.impCont. Hum
1%
2%
Total
3%
5
57
62
4%
14
4
18
Total
19
61
80
- Asimetra:
3 = E[(xi )3 ]
n
X
=
(xi )3 f (xi )
i=1
= (3 3.225)3 f (xi ) + (4 3.325)3 f (xi )

3 18
3 62
+ (4 3.225)
= (3 3.225)
80
80
= 0.008827 0.002562891 = 0.011390625

- Coeficiente de Asimetra:
3
(2 )3/2
0.06037
=
(0.174)3/2
= 0.8317586
3 =

- En algunos casos, se tiene interes en transformaciones de una

variable aleatoria X, que tiene funci
on de distribucion de
probabilidad conocida f (X = xi ). Se denotan en forma
general como la funci
on H(X = xi ).
- Las medidas caractersticas de esas transformaciones se
n
X
obtienen asi:. E[H(X)] =
h(xi )f (xi )
i=1

Ejemplo 12:
- Un taller de mecanica automotriz afina motores de diferente

n
umero de cilindros: 4, 6 y 8. Se plantea que el costo de
afinacion se establece con base en la funci
on:
150000 + 5000x + 500x2 , Se sabe ademas que la probabilidad
de que al taller llegue un auto de 4 cilindros es de 0,50, de 6
cilindros es de 0,30 y de 8 cilindros es de 0,20.
- Cual es el costo esperado de afinaci
on de un vehculo que
llegue al taller?

- Sea X = N
umero de cilindros del motor.
- H(X = xi ): Costo de afinaci
on de los cilindros del vehculo
- Entonces,
h(4) = 150000 + 5000(4) + 500(4)2 = 178000
h(6) = 150000 + 5000(6) + 500(6)2 = 198000
h(8) = 150000 + 5000(8) + 500(8)2 = 222000

- Sea X : N
umero de cilindros del motor.
- H(X = xi ): Costo de afinaci
on de los cilindros del vehculo
- Luego:
E[H(X = xi )] = 1780000(0.50) + 198000(0.30) + 222000(0.20)
= 192000

Propiedades del Valor Esperado:
El valor esperado de una cantidad no aleatoria K ( o sea una

constante) es igual a la constante.
El valor esperado del producto de una constante por una

funcion de una variable aleatoria es igual al producto de la
constante por el valor esperado de la funci
on.
- E(K) =
KP (K) = K
- E[Kh(x)] = KE[h(x)]
P (K) = K pues,
P (K) = 1

Sea X una variable aleatoria real.

Si P(X 0)=1 y E(X) existe, entonces E(X) 0.
E()= , para cada constante de .
Si X es acotada, esto es, si existe una constante real M>0 tal
que P (|X| M ) = 1, entonces E(X) existe.

Sea X una variable aleatoria real.

Si y son constantes y si g y h son funciones tales que
g(X) y h(X) son variables aleatorias cuyos valores esperados
existen, entonces el valor esperado de (g(X)+ h(X)) existe
y, E(g(X) + h(X)) = E(g(X)) + E(h(X))
Si g y h son funciones tales que g(X) y h(X) son variables
aleatorias cuyos nombres esperados existen y si g(x) h(x),
para todo x, entonces, E(g(X)) E(h(X))), en particular se
tiene que, |E(X)| |E(X)|

Propiedades de la varianza:
Sean X una variable aleatoria, cuyo valor esperado existe, y

y < constantes. Entonces:
1
Var(X) 0
Var()=0
Var(X)= 2 Var(X)
Var(X + )= Var(X)
Var(X)=0, si y solo si, P(X=E(X))=1.

Propiedades de la varianza:
Sean X una variable aleatoria, cuyo valor esperado existe.

Entonces,
1
V ar(X) = E(X 2 ) (E(X))2

Modelos de distribuci
on de probabilidad de variables aleatorias discretas
- Una distribucion de probabilidad, sea discreta o continua, se

dijo podra ser representada por una grafica, por un sistema
tabular o por una f
ormula.
- Es frecuente que las observaciones resultantes de diferentes
experimentos aleatorios tengan el mismo tipo general de
comportamiento probabilistico, lo cual conduce a que
variables aleatorias se puedan describir con la misma
distribucion de probabilidad y por lo tanto se puedan
representar por un f
ormula general.

- Entonces solo se necesitan unos pocos modelos de

distribuciones de probabilidad importantes para lograr
describir el comportamiento de muchas variables aleatorias del
tipo discreto o continuo.
- Son representaciones exactas, puesto que son modelos teoricos
del comportamiento de las variables en las poblaciones. Son
familias de distribuciones representadas por un modelo.

- Cada distribucion de probabilidad modelo, esta caraterizada

de manera general por una o mas cantidades llamadas
parametros que pueden tomar cualquier valor de un
conjunto dado y as conformar la familia de distribuciones de
probabilidad con la misma funci
on generica de probabilidad;
son parametros de conteo, proporci
on, localizacion, dispersion
y forma.

Distribuci
on Uniforme Discreta: X
Distribucion Uniforme Discreta: X
- Es la mas simple de todas las distribuciones modelo y en ella

la variable aleatoria asume cada uno de los valores con una
probabilidad identica.
- Sea la variable aleatoria X que puede asumir valores
x1 , x2 , ...xk con identica probabilidad. Entonces la distribucion
uniforme discreta viene dada por:
1
para X = x1 , x2 , ...xk
f (x) = P (X = x) =
o en otro caso

Distribuci
- O sea que el parametro clave en esta distribucion es

=n
umero de valores que asume la variable aleatoria X y que
sera un parametro de conteo.
- As por ejemplo cuando se lanza un dado correcto, cada una
de las seis caras posibles conforman el espacio muestral:
= {1P, 2P, 3P, 4P, 5P, 6P },La v.a X: n
umero de puntos en
la cara superior del dado tiene una distribuci
on de
probabilidad Uniforme discreta, puesto que:
f (xi ) = P [X = xi ]= 61 para x = 1, 2, 3, 4, 5, 6
-
f (xi ) = P [X = xi ] = 0 en otro caso

Distribuci
- Comprobando la funci
on de masa:
X
i=1
P [X = xi ] 0
X
1
P [X = xi ] =
( )=1
i=1

Distribuci
- La funcion de distribuci
on,
x < x1
01
x1 x x2

...
F (X = xi ) =
xi x xi+1
xi
...

Distribuci
- La representacion grafica de esta distribuci

on de probabilidad
puede hacerse con un histograma para v.a. discreta, f (x), en
el lanzamiento del dado seria, 61

Distribuci
- Plantemos sus caractersticas principales de tendencia central

y dispersion.
- El valor esperado y varianza de una distribucion discreta
uniforme se obtienen as:
- Valor esperado ( = E(X))

Distribuci
= E(X = xi ) =
X
xi
xi
i=1
i=1
xi
xi f (xi )

Distribuci
- Tambien,
= E(X = xi ) =
X
xi
xi
i=1
xi
i=1
( + 1)
2
xi P [X = xi ]

Distribuci
- Varianza
2 = E[(xi )2 ]
X
=
(xi )2 f (x)
=
(xi )
i=1
(xi )2
i=1

Distribuci
- Tambien,
2 =
2 1
12

Distribuci
- Para el caso del lanzamiento del dado: el valor esperado y la

varianza del n
umero de puntos en la cara superior son:
- E(X) = =
- 2 =
35
12
21
6
= 3.5

Distribuci
Ejercicio 13:
- (Walpole, pag 122) Selecci

on de un empleado entre equipo de
10 con el fin de supervisar un proyecto especifico. Esa
seleccion se hace al azar utilizando papeleta con n
umeros.
1
Cual es la probabilidad de que el n

umero de la papeleta
seleccionado sea menor de 4?
(Respuesta = 3/10)
Cual es la media y la varianza de la distribucion de

probabilidad.? Respuesta = 5, 5 y 2 = 8, 25

Variables aleatorias discretas Distribuci
on Bernoulli: XBer(p)
Distribucion Bernoulli: Modelo Bernoulli- XBer(p)

Jacob Bernoulli (1654-1705)
- Se dice que una variable aleatoria X sigue el modelo

Bernouilli, si se presenta 0 o 1 a la ocurrencia de Fracaso o
Exito. Con p representando la probabilidad del suceso,
0 p 1, la funci
on discreta de probabilidad dada por,
X
pi
0
1p
1
p
P (X = x) = px (1 p)1x ,
x = 0, 1

Modelo Bernoulli X Ber(p)
X
pi
0
1p
1
p
P (X = x) = px (1 p)1x ,
E(X) = p
x = 0, 1

Modelo Bernoulli XBer(p)
X
pi
0
1p
1
p
V ar(X) = = p q

- El modelo Bernoulli tiene un s

olo parametro p, es apropiado
cuando se tiene un experimento que resulte en proposiciones:
si o no, exito o fracaso, ni
no o ni
na, articulos defectuosos o no
defectuosos, etc.
- La repeticion de ensayos de Bernoulli independientes da origen
a la variable aleatoria discreta denominada Modelo Binomial.

- Un ejemplo de un experimento Bernoulli es el lanzamiento de

un dado (equiprobable), una sola vez , consideremos exito el
que salga un n
umero primo par, entonces la probabilidad de
umero diferente de
exito es 61 y la de fracaso (cualquier otro n
5
2) 6

Distribuci
on Binomial: X B(n, )
- El experimento binomial, este debe cumplir con las siguientes

propiedades:
- El experimento cuenta con n ensayos estadisticamente
independientes y repetidos.
2
- Cada ensayo tiene dos resultados posibles uno llamado .exito

otro fracaso(cada ensayo es un experimento Bernoilli)
- La probabilidad de exito en cada ensayo es la misma e igual a

p y la de fracaso q, donde p+q=1.
- Existe una variable aleatoria discreta X, asociada al
experimento al experimento que cuenta el n
umero de exitos
en los n ensayos o el n
umero de ensayos con exito, entonces
los valores de X son: X={1, 2, . . . , n}

Distribuci
- Algunos ejemplos de experimentos binomiales:

- El nacimiento de un ni
no.
- Extraccion de sangre para transfusi
on.
- El lanzamiento de una moneda
- Partes defectuosas y no defectuosas producidas por una
maquina.

Distribuci
- Es una de las distribuciones de probabilidad mas u

tiles
( control de calidad, producci
on, investigaci
on).
- Tiene que ver con el experimento aleatorio que produce en
cada ensayo o prueba uno de dos resultados posibles
mutuamente excluyentes: ocurrencia de un criterio o
caracterstica especfico (llamado exito) y no ocurrencia de
este (llamado fracaso).

Distribuci
- Los terminos o calificativos de exito y fracaso son solo

etiquetas y su interpretaci
on puede no corresponder con el
resultado positivo o negativo de un experimento en la realidad.

Distribuci
Ejemplo:
- Exito
podra ser hallar en un ensayo especfico que la unidad
es defectuosa al examinarla.
- Cada experimento aleatorio consiste en una serie de ensayos o
pruebas repetidas realizadas en identicas condiciones (n
veces), o sea que cada uno de ellos es independiente de los
demas.

Distribuci
- Sea la probabilidad de exito cada vez que el experimento se

realiza y (1 ) =
la probabilidad de fracaso.
- Sea X la variable aleatoria que representa el n
umero de exitos
en los n ensayos o pruebas.
- El interes se centra en conocer la probabilidad de obtener
exactamente x exitos en esos n ensayos. P (X = x).

Distribuci
Criterios o propiedades para definir la Distribucion

Binomial.
- Resumiendo, podemos definir estos criterios:
1
El experimento aleatorio consiste en n ensayos o pruebas

repetidas, e identicas y fijadas antes del experimento (pruebas
de Bernoulli). Son pruebas con reemplazamiento o con
reposicion.
Cada uno de los n ensayos o pruebas arroja solo uno de dos

resultados posibles resultados: exito
o fracaso.
La probabilidad del llamado exito (ocurrencia) = ,

pemanece costante para cada ensayo o prueba.

Distribuci

Binomial.
Cada prueba o ensayo se repite en identicas condiciones y es

independiente de las demas.
Cuando estas propiedades se cumplen en el experimento

aleatorio se dice que el constituye un proceso de Bernoulli y
cada uno de los ensayos que lo conforman se llama
experimento de Bernoulli.
El interes recae en hallar la probabilidad de obtener x n

umero
de exitos al realizar n ensayos del mismo E.A.

Distribuci

Binomial.
- La funcion de probabilidad de X en esas condiciones, podemos
definir estos criterios:
1
El experimento aleatorio consiste en n ensayos o pruebas

repetidas, e identicas y fijadas antes del experimento (pruebas
de Bernoulli). Son pruebas con reemplazamiento o con
reposicion.
Cada uno de los n ensayos o pruebas arroja solo uno de dos

resultados posibles resultados: exito
o fracaso.
La probabilidad del llamado exito (ocurrencia) = ,

pemanece costante para cada ensayo o prueba.

Distribuci

Binomial.
f(X)=P(X=x)=

n x
(1 )nx para x=0,1,2,. . . ,n
x
0
- Para n entero 0 1
en otro caso

Distribuci
la Distribucion Binomial: Planteamiento Basico
- Supongamos un proceso productivo en serie de una misma

unidad metalmecanica y en el que: Probabilidad de una
unidad defectuosa : = 0.10 y probabilidad de unidad no
defectuosa: (1 ) = 0.90.
- Supongamos que el interes esta en evaluar el proceso mediante
una muestra aleatoria de 4 unidades y por tanto se define la
v.a X como el n
umero de unidades defectuosas en la muestra.
Para garantizar que los ensayos resulten independientes
hacemos la selecci
on con reemplazamiento o sustitucion.

Distribuci
- Supongamos un proceso productivo en serie de una misma

unidad metalmecanica y en el que: Probabilidad de una
unidad defectuosa : = 0.10 y probabilidad de unidad no
defectuosa: (1 ) = 0.90.
- Supongamos que el interes esta en evaluar el proceso mediante
una muestra aleatoria de 4 unidades y por tanto se define la
v.a X como el n
umero de unidades defectuosas en la muestra.
Para garantizar que los ensayos resulten independientes
hacemos la selecci
on con reemplazamiento o sustitucion.

Distribuci
- Supongamos que centramos nuestro interes en x = 1 unidad

defectuosa en las cuatro pruebas o ensayos. Sea B=bueno y
D= defectuoso. Por lo tanto el esta conformado por 16
resultados posibles
- S = {BBBB, BBBD, . . . , DBDD, DDDD}.
- Se puede entonces notar que los eventos favorables a x = 1
constiuyen el subconjunto
{(BBBD), (BBDB), (BDBB), (DBBB)}.

Distribuci
- Como no importa el orden de aparici

on de la unidad
defectuosa sino que aparezca exactamente una unidad con esa
caracterstica tenemos:
P (BBBD) = (0.9)(0.9)(0.9)(0.1)
P (BBDB) = (0.9)(0.9)(0.1)(0.9)
= 1 (1 )3 . o sea:
P (BDBB) = (0.9)(0.1)(0.9)(0.9)
P (DBBB) = (0.1)(0.9)(0.9)(0.9)
(0.1)1 (0.9)3 = 0.0729 para cada posible resultado de una unidad
defectuosa

Distribuci
- Como son cuatro resultados los que satisfacen el interes

especfico de 1 unidad defectuosa entonces
f (X = 1) = P (X = 1) = (4)(0.0729)

Distribuci

- Si generalizamos: P (X = x) = nx x (1 )nx donde: nx
son las distintas maneras como x exitos se producen dentro de
los n ensayos; x (1 )nx es la probabilidad de x exitos en
cada una de las maneras distintas de producirse los x exitos .

Distribuci
- Para el caso del ejemplo:

P (X = 1) = f (1) = 41 (0, 1)1 (0, 9)3 = 0, 2916
- Consideremos el caso de la unidad defectuoso, en el cual se
hallan los valores que puede asumir la variable aleatoria en las
cuatro pruebas,

P (X = 0) = f (X = x0 = 0) = 40 (0.1)0 (0.9)4 = 0.6561

P (X = 1) = f (X = x1 = 1) = 41 (0.1)1 (0.9)3 = 0.2916

P (X = 2) = f (X = x2 = 2) = 42 (0.1)2 (0.9)2 = 0.0486

P (X = 3) = f (X = x3 = 3) = 43 (0.1)3 (0.9)1 = 0.0036

P (X = 4) = f (X = x4 = 4) = 44 (0.1)4 (0.9)0 = 0.0001

Distribuci
Ejemplo
(a0<- (choose(4,0)*(0.1)^0*((0.9)^4)))
(a<- (choose(4,1)*(0.1)*((0.9)^3)))
(b<-(choose(4,2)*(0.1)^2*((0.9)^2)))
(c1<-(choose(4,3)*(0.1)^3*((0.9)^3)))
(d<-(choose(4,4)*(0.1)^4*((0.9)^0)))
x=0:4
(m<-cbind(a0, a,b,c1,d))
plot(x,m, type="h",main="Unidades defectuosas
en una muestra", col="red",
ylab="Probabilidad de unidades defectuosas",
xlab="N
umero de unidades defectuosas")

Distribuci

Distribuci
Ejemplo
(a0<- (choose(4,0)*(0.1)^0*((0.9)^4)))
dbinom(0,4,0.1)
(a<- (choose(4,1)*(0.1)*((0.9)^3)))
dbinom(1,4,0.1)
(b<-(choose(4,2)*(0.1)^2*((0.9)^2)))
dbinom(2,4,0.1)
(c1<-(choose(4,3)*(0.1)^3*((0.9)^3)))
dbinom(3,4,0.1)
(d<-(choose(4,4)*(0.1)^4*((0.9)^0)))
dbinom(4,4,0.1)

Distribuci
- Los Cuantiles, es el mayor valor cp tal que para una

probabilidad dada p: P (x cp ) = p y P (x cp ) = 1 p
- Observando en R , ?binom, aparece la ayuda de R
- d: funcion de probabilidad o densidad
- p: probabilidad acumulada, funci
on de distribucion
- q: cuantil
- r: genera n
umeros aleatorios

Distribuci
Ejemplo
(tabla <- data.frame(Pr=dbinom(0:4, size=4, prob=0.1)))

Pr
1 0.6561
2 0.2916
3 0.0486
4 0.0036
5 0.0001

Distribuci
Ejemplo
par(lty="dashed")
par(col="red")
x <- 0:4
plot(x, dbinom(x, size=4, prob=0.1),
xlab="Numero de sucesos",
ylab="Funci
on de Probabilidad",
main="Distribuci
on Binomial n= 4,
Probabilidad de suceso = 0.1", type="h")
points(x, dbinom(x, size=4, prob=0.1), pch=16)
abline(h=0, col="blue")
remove(x)

Distribuci
- Para la funcion de distribuci

on

Distribuci
Ejemplo
par(lty="dashed")
par(col="red")
x <- 0:4
x <- rep(x, rep(2, length(x)))
plot(x[-1], pbinom(x, size=4, prob=0.1)[-length(x)],
xlab="N
umero de sucesos",
ylab="Probabilidad acumulativa",
main="Distribuci
on Binomial: n= 4,
Probabilidad de suceso = 0.1", type="l")
abline(h=0, col="gray")
remove(x)

Distribuci
- Para la funcion de distribuci

on

Distribuci
Ejemplo
Explicando la funci
on rep, que se refiere a
repetici
on:
rep(0:4, c(2,2,2,2,2))
[1] 0 0 1 1 2 2 3 3 4 4
Para graficar la funci
on de distribuci
on de v.a.
discretas, y realizar los escalones.
x <- 0:4;x <- rep(x, rep(2, length(x)))
x
[1] 0 0 1 1 2 2 3 3 4 4
x[-3]
[1] 0 0 1 2 2 3 3 4 4
x[-3] , es retirar el tercer 3 elemento.

Distribuci
Ejemplo
Hallando los
pbinom(q, 4,
lower.tail =
pbinom(1, 4,
0.9477
pbinom(2, 4,
[1] 0.9963
pbinom(3, 4,
[1] 0.9999
pbinom(4, 4,
[1] 1
cuantiles
prob=0.1, lower.tail = TRUE, log.p = FALSE)
TRUE ;Cola a la derecha

Distribuci
Ejemplo
Hallando el conjunto de los valores m

as peque~
nos posibles
de la variable B(4,0.1), la cual
tiene una probabilidad de ocurrir en torno al 95%.
Los cuantiles Binomiales
qbinom(c(0.95), size=4, prob=0.1, lower.tail=TRUE)
[1] 2
pbinom(1, 4, prob=0.1, lower.tail = TRUE, log.p = FALSE)
[1] 0.9477
pbinom(2, 4, prob=0.1, lower.tail = TRUE, log.p = FALSE)
[1] 0.9963

Distribuci
- Como son 4 ensayos y consideramos todos los posibles valores

4
X
de (x = 0, 1, 2, 3, 4), entonces la
f (x) = 1
x=0
- Los valores de f (X) se pueden calcular por medios

electronicos o utilizando las tablas de la distribucion binomial
que proporcionan la soluci
on de estas operaciones, a veces
largas o laboriosas.
- Con los resultados de esos calculos podemos construir la tabla
de distribucion de probabilidades, hacer su grafica y definir sus
principales caractersticas.

Distribuci
- Tomemos como ejemplo la distribuci

on binomial de
parametros n = 3 y = 0, 90
X
f (X = xi )
0
0.001
1
0.027
2
0.243
3
0.729

Distribuci
Caractersticas de la distribucion Binomial

Como sabemos, la distribuci
on binomial es de la forma:

n x nx
P (X = x) =
p q
x
Siendo X la variable aleatoria, p la probabilidad de exito y
q = 1 p.
La esperanza de una distribucion de una variable aleatoria discreta
es:
E(X) =
xi P (X = xi )

Distribuci
E(X) =

n
X
n x
x
p (1 p)nx
x
i=0
E(X) = np

Distribuci
Tendencia central: Valor Esperado
= E(X) =
n
X
xi f (xi )
aplicando la definici
on de valor esperado se obtiene que para
esta distribucion : = n

Distribuci
Dispersion o variaci
on: Varianza:
2 = V (X)
= E[(xi )2 ]
n
X
=
(xi )2 f (xi )
i=1

Distribuci
En donde la v.a. binomial X tiene como varianza

2 = n(1 ).
Por lo tanto su desviaci

on estandar:
=
p
n(1 ).

Distribuci
Asimetria o deformacon (Forma): con base en la razon entre

los momentos centrales de orden dos y tres como quedo
definido antes:
(1 )
1 2
3 = p
=
[n(1 )]1/2
n(1 )

Distribuci
sobre la base de que si:
= 1/2 sera 3 = 0 y simetrica.

< 1/2 sera 3 > 0 y sesgo (+)
> 1/2 sera 3 < 0 y sesgo ()

Distribuci
- Generalmente la distribuci
on binomial es sesgada o asimetrica
hacia la derecha, sesgo que se va perdiendo cuanto mas
grande sea el valor de n (# de pruebas) y en la medida en
que se acerque a 0, 5 (por lo tanto (1 ) tienda a 0, 5),
limite en el cual se torna simetrica
- Para el caso considerado y utilizando tanto la metodologa
tradicional de la definici
on de conceptos como usando las
formulas simplificadas, tenemos:

Distribuci
X
0
1
2
3
Total
f (X)
0.729
0.243
0.027
0.001
1.000
Xf (X)
0
0.243
0.054
0.003
0.30
(X )
0.3
+0.7
+1.7
+2.7
0
(X )2
0.09
0.49
2.89
7.29
(X )2 f (X)
0.06561
0.11907
0.07803
0.00729
0.27000

Distribuci
- E[X = xi ] = =
n
X
xi f (xi ) = 0, 30
i=1
tambien E[X = xi ] = = n = 3(0, 1) = 0, 30.

- V [X = xi ] =
n
X
=
(xi )2 f (x) = 0, 27
i=1
V [X] = 2 = n(1 ) = 3(0, 1)(0, 9) = 0, 27

- Su funcion de distribuci
on acumulada
sera:
x
X
n y
F (X) = P (X xi ) =
(1 )ny .
y
y=0

Distribuci
Ejemplo 10:
- Una empresa adopt

o un proceso de control de calidad
consistente en diariamente seleccionar al azar 20 unidades del
total producido y conocer el n
umero de unidades defectuosas.

Distribuci
Ejemplo 14:
- El plan establece que si al examinar diariamente las veinte
unidades, tres o mas salen defectuosas, algo esta pasando y se
ordena detener el proceso productivo para buscar la falla.
- C
ual es la probabilidad de que se ordene parar el proceso
productivo si se sabe por experiencia que la probabilidad de
una unidad defectuosa es 10 %?
n = 20
= 0.1
Se pide:
P (X 3)
20
X
20
P (X 3) =
(0.1)x (0.9)20k = 0.40.
k
k=3

Distribuci
- La solucion mas corta para este planteamiento sera entonces:
P (X 3) = 1 P (X 2) = 1
2
X
20
x=0
(0.1)x (0.9)20x

= 1 P (X = 0) + P (X = 1) + P (X = 2)

Distribuci

P (X 3) = 1 0.1216 + 0.2701 + 0.2852

P (X 3) = 1 0.6769 = 0.3231
o sea 40 %; que sera la probabilidad de que cualquier dia se

ordene parar el proceso de producci
on seg
un el planteamiento
de control del mismo.

Distribuci
- Si consideramos las caractersticas, tenemos:

- Valor esperado E(X) = = n = 20(0.1) = 2 unidades
defectuosas.
- Varianza 2 = n(1 ) = 20(0.1)(0.9) = 1.8
- Valores que como es l
ogico tambien pueden ser hallados por el
metodo tradicional.

Distribuci
- Si se hace la grafica para determinar la forma (aunque se

deduce que como < 12 , sera sesgada a la derecha). Veremos
sin embargo que dado n = 20, no es tan sesgada como en el
caso del otro ejemplo tratado aqui.

Distribuci
- Si se hace crecer n, por ejemplo, hasta n = 30, todava se

torna mas simetrica, tendiendo hacia una normal a pesar de
que no sea tan cercano a 0.5 pero si alejado de cero (0)
o de uno (1). En la practica, si n > 30 ira tornandose
simetrica para valores de (0.1 < < 0.5)
- Se puede obtener la funci
on de distribuci
on acumulada y
obtener asi los cuantiles
o fractiles de la distribucion.

Distribuci
- La siguiente figura muestra tres funciones de distribucion

binomial con n = 50 y valores de 0.5; 0.50 y 0.75

Distribuci
- La A con = 0.25 es ligeramente sesgada a la derecha o con

sesgo positivo.
- La B con = 0.50 es simetrica y la C con = 0.75 tendra
sesgo negativo, interpretaciones que resultan consecuentes con
el indice de sesgo 3 ya planteado.

Distribuci
Ejercicio Clase:
- Se conoce que el 10 % de cierta poblaci

on es daltonica. Si se
selecciona una muestra de 15 personas al azar de esta
poblacon. X = 0, 1, . . . , 15. Calcule las siguientes
probabilidades:
a. 4 o menos sean dalt
onicos.
b. 5 o mas sean dalt
onicos.
c. Entre 3 y 6 inclusive sean dalt
onicos.

Distribuci
Ejercicio en clase
- n = 15, p = 0.10, q = 0.90. X = 0, 1,. . . , 15.

- 4 o menos sean dalt
onicos.
P (X 4) =
4
X
f (X = xi )
i=0
= P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) + P (X = 4)
= 0.2059 + 0.343 + 0.2669 + 0.1285 + 0.0429
P (X 4) = 0.9874

Distribuci
Ejemplo
par(lty="dashed")
par(col="red")
x <- 0:4
x <- rep(x, rep(2, length(x)))
plot(x[-1], pbinom(x, size=4, prob=0.1)[-length(x)],
xlab="N
umero de sucesos",
ylab="Probabilidad acumulativa",
main="Distribuci
on Binomial: n= 4,
Probabilidad de suceso = 0.1", type="l")
abline(h=0, col="gray")
remove(x)

Distribuci
Ejemplo
Hallando los
pbinom(q, 4,
lower.tail =
pbinom(1, 4,
0.9477
pbinom(2, 4,
[1] 0.9963
pbinom(3, 4,
[1] 0.9999
pbinom(4, 4,
[1] 1
cuantiles
TRUE ;Cola a la derecha

Distribuci
Ejercicio en clase
- n = 15, p = 0.10 , q = 0.90, X = 0, 1, . . . , 15.

- b. 5 o mas sean dalt
onicos.
P (X 5) = 1
4
X
f (X = xi )
i=0
= 1 0.9879
= 0.0127

Distribuci
Ejercicio en clase
- n = 15, p = 0.10 , q = 0.90, X = 0, 1,. . . , 15.

- c. Entre 3 y 6 inclusive sean dalt
onicos..
P (3 X 6) =
6
X
f (X = xi )
i=3
= 0.1285 + 0.0429 + 0.0105 + 0.0019

= 0.1838

Distribuci
Ejercicio en clase
- Se conoce que el 95 % de las piezas producidas por una

maquina son perfectas. Se toma una muestra de 12 piezas al
azar y se desea saber la probabilidad de que exactamente 9
sean perfectas.

Distribuci
Ejercicio en clase
- Se conoce que el 95 % de las piezas producidas por una
maquina son perfectas. Se toma una muestra de 12 piezas al
azar y se desea saber la probabilidad de que exactamente 9
sean perfectas.
n = 12, p = 0.95 , q = 0.05, X = 9.

12
P (X = 9) =
(0.95)9 (0.05)(129)
9
= 0.0174

Distribuci
Ejercicio 15:
- Una empresa fabricante de neumaticos para tractomulas

realiza pruebas de ponchaduras en un terreno difcil. Se
encuentra que el 25 % de los neumaticos probados presentaron
pinchazo en el recorrido total. Se prueban 15 neumaticos mas
tomados al azar: Halle la probabilidad de las siguientes
cantidades de neumaticos con pinchaduras :
- Entre 3 a 6 . Rta = 0.7073
- Mas de 5 . Rta = 0.1484

Distribuci
on de Poisson X P ()
La distribucion de Poisson X P ()
- Llamada asi por su autor Simeon Denis Poisson, probabilista

del siglo XIX, (1781-1840), fue el primero en describirla.
- Esta distribucion tiene grandes usos en muchos campos,
especialmente en Biologia y Medicina.

Distribuci
La distribucion de Poisson X P ()
- Es una generalizaci
on de la distribuci
on binomial cuando sobre
un E.A.
- se define una variable aleatoria X que representa el n
umero de
exitos independientes que ocurren para intervalos de medida
especficos ( tiempos, lugares, espacios) , ademas con una
probabilidad de ocurrencia peque
na.

Distribuci
- Se llama distribuci
on de los eventos raros pues se usa como
aproximacion a la binomial cuando el tama
no de muestra es
grande y la proporci
on de exitos es peque
na.
- Esos intervalos de medida pueden referirse a: Tiempo:
(Segundo , minuto, hora, dia, semana, etc.) Area: (Segmento
de linea, pulgada cuadrada, Centimetro cuadrado, etc).
Volumen:( Litro, gal
on, onza, etc.)

Distribuci
Ejemplos
- N
umero de defectos por m2 .en piezas similares de un
material.
- N
umero de personas que llegan a un taller automotriz en un
lapso de tiempo especfico.
- N
umero de impulsos electr
onicos errados transmitidos durante
espacio de tiempo especfico.
- N
umero de llamadas telef
onicas que ingresan a un
conmutador por minuto.
- N
umero de interrupciones en servicios de energa en intervalos
de un dia.

Distribuci
- Cantidad de atomos que se desintegran en sustancia

radioactiva.
- N
umero de accidentes automovilsticos en un cruce especfico
durante una semana.

Distribuci
Criterios o propiedades.
- Se da un intervalo de medida que divide un todo de n

umeros
reales y donde el conteo de ocurrencias es aleatorio. Esa
division puede ser un subintervalo de medida.
- El n
umero de ocurrencias
o de resultados en el intervalo
o subintervalo de medida, es independiente de los demas
intervalos o subintervalos. por eso se dice que el proceso de
Poisson no tiene memoria.

Distribuci
- La probabilidad de que un solo resultado ocurra en un

intervalo de medida muy corto
o peque
no es la misma para
todos los demas intervalos de igual tama
no y es proporcional
a la longitud del mismo
o al tama
no de medida.
- La probabilidad de que mas de un resultado ocurra en un
intervalo o subintervalo corto es tan peque
na que se considera
insignificante (cercana
o igual a cero).

Distribuci
- Procesos que se ajustan a estos criterios, se dice, son procesos

de Poisson.
- Sea X una variable aleatoria que representa el n
umero de
eventos aleatorios independientes que ocurren con igual
rapidez en un intervalo de medida. Se tiene entonces que la
funcion de probabilidad de esta variable, se expresa por:

f (x) = P [X = x] =
e x
x!
x = 0, 1, 2, . . .
en cualquier otro punto o valor
- La letra griega () lambda es el parametro de esta

distribucion y es el promedio de ocurrencias del evento
aleatorio en el intervalo

Distribuci
- Donde es parametro de tendencia central de la distribucion

y representa el n
umero promedio
o cantidad esperada de
ocurrencias (exitos) del evento aleatorio por unidad de medida
o por muestra; e = 2.71828 (base de los logaritmos naturales)
y x =N
umero de ocurrencias especificas para el cual se desea
conocer la probabilidad respectiva.
- Segun sea el valor de de > 0, se define toda una familia de
probabilidades de Poisson.

Distribuci
- La probabilidad de que una variable aleatoria de Poisson X

sea menor o igual a un valor de x se halla por la funcion de
distribucion acumulativa, planteada entonces como:
P (X x) = F (x) =
x
X
e k
k=0
k!

Distribuci
- Los resultados de las probabilidades individuales para valores

de X seran mas peque
nos conforme la variable aleatoria
toma valores cada vez mas grandes.

Distribuci
- Un experimento que cumple las siguientes condiciones se

llama experimento de Poisson,
- Los eventos ocurren en forma independiente; es decir, la
ocurrencia de un evento en un intervalo de tiempo o espacio
no afecta la probabilidad de una segunda ocurrencia del
evento en el mismo o otro intervalo.
- La probabilidad de que ocurra un evento en un intervalo es
proporcional a la longitud del intervalo.

Distribuci
Ejemplo
- El n
umero promedio de partculas radioactivas que registra un
contador en un milisegundo en la realizaci
on de un
experimento aleatorio es de cinco (5) partculas. Hallar la
probabilidad de que se registre distinto n
umero de partculas
en un mismo milisegundo.

x e5
= 5.
.
f (X) = 5 x!
X = 0, 1, 2, . . . , n

Distribuci
- Acudiendo a las tablas existentes para tal fn o a los medios

electronicos, se llega a construir la tabla de distribucion de
probabilidades, dando:
X = xi
P (X = xi )
0
0.006
1
0.033
2
0.084
3
0.140
4
0.175
5
0.175
6
0.146
7
0.104
8
0.065
9
0.036

Distribuci
Ejemplo
(tabla <- data.frame(Pr=round(dpois(0:9, lambda=5), 4)) )
Pr
1 0.0067
2 0.0337
3 0.0842
4 0.1404
5 0.1755
6 0.1755
7 0.1462
8 0.1044
9 0.0653
10 0.0363
remove(tabla)

Distribuci
Ejemplo
(tabla <- data.frame(Pr=round(dpois(0:9, lambda=5), 4)) )

Pr
1 0.0067
La funci
on round (x,3) redondea al valor m
as pr
oximo
en x, en 3 posiciones decimales
round(0.0067);round(0.0067,3)
[1] 0
[1] 0.007

Distribuci
Ejemplo
Si solo queremos el valor de,

dpois(1, lambda=5)
[1] 0.03368973

Distribuci
Ejemplo
Para las Probabilidades acumuladas.

(Cola izquierda: <= ,
Cola derecha : >=)
Usando R, presentamos el resultado:
Cola izquierda: <=
ppois(c(2), lambda=5, lower.tail=TRUE)
[1] 0.124652
0.0067+0.0337+0.0842

Distribuci
Ejemplo
Para hallar la Cola derecha, usamos en R,

Cola derecha : >=
ppois(c(3), lambda=5, lower.tail=FALSE)
[1] 0.7349741
round(0.7349741, 3)
[1] 0.735
1-(0.0067+0.0337+0.0842 +0.1404)
[1] 0.735

Distribuci
Ejemplo
Hallando la funci
on de probabilidad:
par(lty="dashed")
par(col="red")
x <- 0:9
plot(x, dpois(x, lambda=5), xlab="x",
ylab="Masa de Probabilidad",
main="Distribucion Poisson: Media =5", type="h")
points(x, dpois(x, lambda=5), pch=16)
remove(x)

Distribuci

Distribuci
Ejemplo
Para la funci
on de distribuci
on acumulada,
media (par
ametro, lambda) de valor 5
par(lty="dashed")
par(col="red")
x <- 0:9
x <- rep(x, rep(2, length(.x)))
plot(x[-1], ppois(x, lambda=5)[-length(.x)],
xlab="x", ylab="Masa de Probabilidad",
main="Distribuci
on Poisson : Mean =5", type="l")
remove(x)

Distribuci

Distribuci
Ejemplo
Comparando la Binomial con la Poisson
par(lty="dashed")
par(col="red")
x <- 0:4
plot(x, dbinom(x, size=4, prob=0.1),
xlab="Numero de sucesos",
ylab="Funci
on de Probabilidad",
main="D. Binomial n= 4, P= 0.1", type="h")
points(x, dbinom(x, size=4, prob=0.1), pch=16)
remove(x)

Distribuci
Ejemplo
Comparando la Binomial con la Poisson

x1 <- 0:4
plot(x1, dpois(x1, lambda=0.4), xlab="x",
ylab="Masa de Probabilidad",main="D. Poisson: =5", type="h"
points(x1, dpois(x1, lambda=0.4), pch=16)
remove(x1)

Distribuci

Distribuci
Actividad Moodle Vence 9 octubre 11:30 pm
- Realizar el grafico B(50,0.05) y P(50*0.05)

- Realizar el grafico B(100,0.01) y P(100*0.01)

Distribuci
- Valores de xi mas grandes pero con probabilidad mas

peque
na. Se nota el punto de inflexi
on entre x = 4 y 5 y no
es tan sesgada a la derecha por el valor = 5.

Distribuci
Caracteristicas de la distribucion de poisson
Demostraci
on de la Esperanza de la distribuci
on Poisson
Sea X una variable aleatoria con distribuci
on Poisson con
parametro . Utilizando la definici
on de Esperanza, tenemos:
E(X) =
X
x=0
E(X) =
xe
x
x!

Distribuci
- Valor Esperado:
= E[X] =
n
X
i=1
xi f (xi )

Distribuci
- El cual debe ser conocido,Varianza:
= V [X] =
n
X
(xi )2 f (xi )
i=1
- Forma o sesgo: Hacia la derecha

o con sesgo positivo y que se
va perdiendo a medida que crece. Veamos una grafica de
funciones de probabilidad para diferentes valores de

Distribuci
- Se puede calcular un coeficiente de asimetra mediante la

1
expresion .Es de observar que mientras en una distribucion
binomial: (x n), en Poisson se puede dar que (x n).

- Alternativa: Si se da la probabilidad de tener, de manera
exacta, y ocurrencias en un intervalo t veces mayor que el de
refencia en la medici
on entonces la distribucion de
probabilidades de Y n
umero de exitos en la nueva unidad de
referencia viene dada por
f (y) =
(t)y et
y!

Distribuci
- = Promedio de ocurrencias por intervalo

o unidad de
medida considerada en X .
- t = N
umero de intervalos
o unidades de medida
especificados.
- Aqui y = t y y2 = t

Distribuci
Ejemplo
- El n
umero de pulsos que llegan a un contador GEIGER se
presentan en promedio de 6 pulsos por minuto. Hallar la
probabilidad de que en 15 minutos se reciban exactamente 20
pulsos.
- es decir, que una frecuencia de 6 pulsos por minuto es
eqyivalente a una de 15 6 = 90 por 15 minutos.
=6
20 90
y t
e
t = 15 minutos
= [(6)(15)]
=
P (Y = 20) = (t)y!e
20!
y = 20
4.09 1019

Distribuci
Aproximaciones entre la distribucion Binomial y la Poisson
- La distribucion Binomial de probabilidades converge hacia la

distribucion de Poisson con promedio , como: forma limite,
cuando:
n .
p 0 o (1 p) 1.0.
np (generalmente np 7) y permanece constante con = np.

Distribuci
- Si p 1.0, aun se puede utilizar la distribuci

on de Poisson
para aproximar probabilidades Binomiales mediante el
intercambio de lo que se define como exito y fracaso,
cambiando con ello a p como valor cercano a cero:
- n
lm B(n, p) =
p0
et tx
x!
Para x = 0, 1, 2, . . .

Distribuci
Ejemplo:
- Un proceso de fabricaci
on de probetas de vidrio. Se sabe por
experiencia que en promedio, una de cada 1000 probetas
producidas presenta una
o mas burbujas, lo cual afecta el uso
de las probetas, y las deja inservibles.

Distribuci
Ejemplo:
- Un laboratorio compila muestras de 8000 de ellas y desea

conocer la probabilidad de que menos de 7 probetas presenten
ese defecto de burbujas pues supone que ha mejorado el
proceso de fabricaci
on.
1
= 0.001
P (burbujas) = 1000
n = 8000
q = 0.999

Distribuci
Ejemplo:
- Problema tpico de la distribuci

on binomial aunque con n
grande que no sera lo usual, y con valor p peque
no:
- Entonces: P (X < 7) =
6
X
B(8000; 0.001) =
x=0

6
X
8000
(0.001)x (0.999)8000x .
x
x=0

Distribuci
Ejemplo:
- Entonces: P (X < 7) =
6
X
B(8000; 0.001) =
x=0

6
X
8000
(0.001)x (0.999)8000x .
x
x=0

Distribuci
- expresion de difcil operatividad de calculo Dados los valores

de n y p, se puede aproximar por la distribucion de Poisson
para ello: = np = 8000(0.001) = 8. Obteniendo:
6
X
8x e 8
= 0.3134
P (X < 7) =
x!
x=0

Distribuci
Teorema
- Si la probabilidad de exito en un ensayo es p y tiende a cero

mientras el n
umero de ensayos n tiende a infinito de tal
manera que la media = np, permanezca constante, entonces
la distribucion binomial se aproxima a la distribucion de
Poisson con media = np.

Distribuci
Comparacion Dist. Binomial y Poisson
X
0
1
2
3
4
5
n=4, p=1/4
0.316
0.422
0.211
0.047
0.004
-
Distribuci
on Binomial
n=8, p=1/8 n=100, p=1/100
0.344
0.366
0.392
0.370
0.196
0.185
0.056
0.061
0.010
0.015
0.001
0.003
Distribucion Poisson
=1
0.368
0.368
0.184
0.061
0.015
0.003

Distribuci
Ejemplo Poisson
- Supongase que un conmutador de telefonos maneja 300

llamadas en promedio durante una hora de actividad, y que el
tablero puede hacer a lo mas 10 conexiones por minuto.
Estimar la probabilidad de que el tablero sobrecargado en un
minuto dado

Distribuci
Ejemplo Poisson
- = 300/60 = 5, llamadas por minuto.

P (X > 10) = 1 P (X 10)
X
= 1
P (X)
X<10
= 1 0.986310 = 0.013690
1.4 %

Distribuci
Ejemplo Poisson
Binomial
Poisson
Resultados Posibles
Enteros entre 0 y n
Enteros de 0 a
Observaciones
Conteo de exitos o fracasos
Conteo solo de exitos
Par
ametros
nyp
Funci
on de Probabilidad
!
n x
(1 )nx
x
f (X) =
f (X) =
e ()x
x!
para X=0,1,2,. . . ,n
para X=0,1,2,. . . ,
Valor Esperado
= np
Varianza
Desviaci
on estandar
2 = npq
= (npq)1/2
2 =
= ()1/2

Distribuci
Ejemplo Poisson
- Si la probabilidad de que un individuo sufra una reaccion

desfavorable por una inyecci
on de cierto suero es de 0.001.
Determinar la probabilidad de que 200 personas :
a. Exactamente 3 sufran la reacci
on.
2 o mas sufran la reacci
on.

Distribuci
Ejemplo Poisson

on de cierto suero es de 0,001.
- a. Exactamente 3 sufran la reacci
on.
P (X = 3) =
e0.2 0.23
= 0.00109164 0.11 %
3!

Distribuci
Ejemplo Poisson

on de cierto suero es de 0.001.
- b. 2 o mas sufran la reacci
on.
P (X 2) = 1 [f (0) f (1)]
= 1 [0.818731 + 0.163746]
= 0.017523
1.75 %

Distribuci
Ejercicio de practica (Walpole, pag 141)
- Un fabricante de automoviles esta preocupado por falla en

sistema de frenado en un modelo especfico, el cual puede
ocasionar accidentes a altas velocidades. Sea la variable
aleatoria: X: el n
umero de autos que experimentaron la falla
y supongamos que fuer
on 5 autos en promedio considerando
los u
ltimos a
nos.
Cual es la probabilidad de que a lo sumo 3 autos por a
no
presenten el problema?
(Rta = 0.2650).
2 Cu
al es la probabilidad de que por lo menos un auto por a
no
presente el problema?
(Rta = 0.9596).
1

Distribuci
on Multinomial:(X1 , X2 , . . . , Xk ) M (n, p1 , p2 , ..., pk )
Distribucion
Multinomial:(X1 , X2 , . . . , Xk ) M (n, p1 , p2 , . . . , pk )
- Es una distribucion de probabilidad conjunta para m

ultiples
variables aleatorias (X1 , X2 , . . . , Xk ) discretas donde cada
Xi B(n, pi ), dandose cuando en cada prueba o ensayo
independiente (con reposici
on) del E.A. interesa contar el
n
umero de exitos en cada una de la k maneras como se puede
dar un atributo.

Distribuci
Ejemplo 16:
- El atributo calidad de un producto se puede dar como:

Excelente, bueno, regular y malo.

Distribuci
Distribucion Multinomial, sus criterios o caractersticas:
Son n pruebas o ensayos repetidos e identicos (con

reposicion).
En cada prueba o ensayo se pueden producir k resultados.
Las probabilidades de cada uno de los k resultados

(p1 , p2 , ..., pk ) permanecen constantes en todas las pruebas
o ensayos.

Distribuci
Son pruebas o ensayos independientes.
El interes se centra en contar los X1 , X2 , . . . , Xk exitos que se

producen en los n ensayos de cada una de las k categorias
posibles de observar cada vez.

Distribuci
- Si una prueba o intento puede dar cualquiera de los k

resultados posibles E1 , E2 , . . . , Ek con probabilidades
p1 , p2 , . . . , pk , entonces la distribuci
on multinomial dara la
probabilidad de que:

Distribuci
E1 ocurra x1 veces:P [X1 = x1 ]
E2 ocurra x2 veces:P [X2 = x2 ]
.
.
Ek ocurra xk veces:P [Xk = xk ]

independientes.
- y donde:
x1 + x2 + . . . + xk = n
En n pruebas
p1 + p2 + . . . + pk = 1, 0

Distribuci
- Como son pruebas independientes, cualquier orden especfico

que produzca
x1 resultados para E1
x2 resultados para E2
.
ocurrira con px1 1 px2 2 . . . pxk k de
.
xk resultados para Ek
probabilidad.

Distribuci
- El n
umero de ordenes
o arreglos que pueden producir
resultados similares sera:

n
n!
=
x1 !x2 !, . . . , xk !
x1 , x2 , . . . , xk
- Combinando los dos componentes, se tiene entonces que:
f (x1 , x2 , . . . , xk ) = P [X1 = x1 , X2 = x2 , . . . , Xk = xk , ] =

n
px1 px2 2 . . . pxk k
x1 , x2 , . . . , xk 1
k
X
i=1
xi = n
k
X
i=1
pi = 1.0

Distribuci
Ejemplo 17:
- Se sabe que las bombas de gasolina para autos existentes en
el mercado se pueden clasificar en:
- 40 % de rendimiento excelente (Ex).
- 20 % de rendimiento bueno (B).
- 30 % de rendimiento regular (R).
- 10 % de rendimiento malo (M ).
- Se selecciona una muestra de n = 9 bombas mediante proceso
aleatorio. C
ual sera la probabilidad de que quede conformada
por: 3Ex, 3B, 1R y 2M ?

Distribuci
-
f (3, 3, 1, 2)
= P [X1 = 3, X2 = 3, X3 = 1, X4 = 2] =
9
(0.4)3 (0.2)3 (0.3)1 (0.1)2
3, 3, 1, 2
= 5040(0.064)(0.008)(0.3)(0.01)
-
= 0.00774.

Distribuci
Ejercicio de practica (Walpole, pag 123).
- Un estudiante que se dirige a la universidad en carro

encuentra un semaforo, el cual permanece en verde durante
35 segundos, en amarillo 5 segundos y en rojo 60 segundos.
- Su viaje a la universidad es entre 8:00 y 8:30 AM en la semana
de 6 dias habiles. Sea X1 el n
umero de veces que encuentra el
semaforo en verde, X2 en luz amarilla y X3 en luz roja.
- Hallar la distribuci
on conjunta
deX1 , X2 y X3 .

6
Rta = f (x1 , x2 , x3 ) =
(0.35)x1 (0.05)x2 (0.60)x3
x1 x2 x3

Distribuci
on Hipergeometrica: H(N,N1 ,n)
Distribucion Hipergeometrica: H(N,N1 ,n)
- Muchas veces en la practica es difcil realizar pruebas con

reposicion o reemplazamiento. Por ejemplo, si en el control de
calidad se pierde el elemento que se prueba, hacer reposicion
resulta un imposible.
- Se plantea entonces el muestreo sin reposici
on, donde los
elementos de la muestra se toman todos a la vez y no
individualmente o donde el elemento seleccionado no se
reintegra a la poblaci
on de donde se hace la seleccion de la
muestra.

Distribuci
- La diferencia mas simple con la binomial es la forma de aplicar

el muestreo. En efecto, en:
- Binomial: Muestreo con reemplazamiento garantizando as la
independencia estadstica de las pruebas
o de los ensayos.
- Hipergeom
etrica: Muestreo sin reemplazamiento , por tanto
dependencia estadstica entre pruebas
o ensayos.
- Sus aplicaciones estan en areas con uso considerable de
muestreo de aceptaci
on, pruebas electr
onicas y de
aseguramiento de la calidad, fabricaci
on de piezas, etc.

Distribuci
- En la distribucion Hipergeometrica X es la cantidad de

resultados exito en una muestra aleatoria (sin reposicion) de
tama
no n, tomada de una poblaci
on de tama
no N y de la
cual N1 elementos satisfacen (poseen) una caracteristica
o propiedad (exito) y por tanto (N N1 ) no la satisfacen (no
la poseen) (fracaso).

Distribuci
Distribucion Hipergeometrica:Criterios o propiedades que

la caracterizan.
1
La poblacion consta de N de unidades

o elementos , lo que
la ubica como una poblaci
on finita o de orden fnito, de las
cuales una parte: N1 son exitos, y otra parte: (N N1 )son
fracasos.
Se obtiene una muestra aleatoria de n elementos todos a la

vez ( o sucesivamente pero sin reemplazamiento)
El tama
no de la muestra aleatoria n es grande relativamente
en comparacion con el tama
no de la poblaci
on. Generalmente:
n
100 > 5 %.
N
Se desea caraterizar la v.a. X = n
umero de exitos al obtener
una muestra aleatoria sin reemlazamiento, de tama
no n.

Distribuci
Planteamiento:
- Supongamos un lote de N productos de los cuales:

- N1 =productos defectuosos (D).
- (N N1 ) =productos no defectuosos (B).
- Obtenemos muestra de n productos, todos a la vez. Interesa
evaluar el comportamiento de la v.a. X: n
umero de productos
defectuosos en la muestra

Distribuci
- De una poblaciondeN elementos se pueden extraer muestras

N
de tame
no n de
formas diferentes (distintas muestras
n
de tama
no n). Al extraer muestras de tama
no n productos, el
n
umero de formas
de
obtener
x
productos
defectuosos
de N1

N1
N N1
de ellos sera:
y entonces
sera el n
umero de
x
nx
formas de obtener (n x) productos no defectuosos entre
N N1 de ellos.

Distribuci
- Como es el mismo evento compuesto, entonces el n

umero de
formas de seleccionar x productos defectuosos esta ligado con
el n
umero de formas de obtener (n x) productos no
defectuosos.
- Luego el total de formas posibles favorables a x n
umero de
exitos sera:

N1
x
!
N N1
nx
!

Distribuci
- Combinando los casos y aplicando definici

on de probabilidad,
se concluye que:
f(x) = P [X = x] = !

!
N1
N N1
x
nx
!
N
x = 0, 1, 2, ..., n x N1 ; (n x) (N N1 )
0 para cualquier otro valor de x.

Distribuci
- Los parametros de la distribuci

on Hipergeometrica son
entonces:
- N : Tama
no de poblaci
on.
- N1 : N
umero de elementos de N con una caracteristica
o propiedad especfica (exitos).
- n : Tama
no de muestra aleatoria extraida.

Distribuci
Caracteristicas de la distribucion hipergeometrica
- a) Valor Esperado: = E[X] =
xf (x) = n NN1
- Varianza:
X
2 = V [X] =
(x )2 f (x)
!
!
!
N1
N N1
N n
= n
N
N
N 1

Distribuci
- Notese la similitud con el caso de la v.a. Binomial

considerando
p =
(1 p) =
N1
y
N
N N1
N
n
- El factor ( N
on por
N 1 ) se identifica como factor de correcci
poblacion finita (F.C.F.).

Distribuci
- Resulta igual a 1 si n = 1
o a 0 si n = N , y tiene como lmite
la unidad cuando N tiende a infinito En resumen (F.C.F.).es
la correccion a la varianza de la v.a Binomial por ser el
muestreo sin reemplazo del conjunto finito de tama
no N .
- Si n es peque
no frente a N , el (F.C.F.) es cercano a la
unidad y la Hipergeometrica sera similar a la binomial pues el
(F.C.F.) resultara una cifra que afecta de manera poco
significativa el resultado del producto.

Distribuci
n
- En la practica, si N
(100) < 5 %, no se aplica el (F.C.F.) pues
su valor tendera a uno (1).
- Sesgo o Asimetra: Hacia la derecha

o sesgo positivo
generalmente. Para N > 2, si N < 2N1
o si N < 2n la
distribucion hipergeometrica tendra sesgo negativo.
- Si N = 2N1 o si N = 2n la distribuci
on es simetrica. Si
N > 2N1 o N > 2n la distribuci
on presentara sesgo positivo.

Distribuci
- La funcion de distribuci
on acumulativa quedara definida
entonces por:
F (x) = P (X x)
!
!
N1
N N1
x
k
nk
X
=
!
N
k=0
n

Distribuci
- Pueden ser calculos tediosos

o laborosos cuando n es grande.
- Por ello es posible aplicar la siguiente forma simplificada o de
recurrencia:
f (x + 1) = P [X = (x + 1)] =
(n x)(N1 x)
f (x)
(x + 1)(N N1 n + x + 1)

Distribuci
Ejemplo 18:
- En una empresa industrial diariamente se producen 90
unidades de unidad metalmecanica, de las cuales
generalmente 5 salen defectuosas. Se examina en un dia
cualquiera una muestra de 5 unidades. Hallar la probabilidad
de x unidades defectuosas.
- N=90, N1 =5 , N N1 =85, n=5 , x=0,1,. . . ,5
f (x) =
=
N1
x
N2
nx

N
n
85
5
x 5x

90
5
parax = 0, 1, . . . , 5

Distribuci
- La tabla de distribuci
on de probabilidad:
x
P (x)
0
0.746
1
0.230
2
0.0225
3
0.000812
4
0.00000967
5
0+

Distribuci
- Si representamos graficamente la tabla resultante, tenemos:

- Calculamos el valor de sus principales medidas caractersticas:

Distribuci
- Valor Esperado:
E[X] =
0(0.746) + 1(0.230) + 2(0025) + 3(0.000812) +
4(0.00000967)+ . . .
=
0.277
xf (x)

Distribuci
- Simplificadamente:

N1
= n
N

5
= 5
= 0.227
90

2 = V [X] = E[(x )2 ]
X
=
(xi )2 f (x)

Distribuci
x2 p(x) 2 = 0.32746 (0.227)2

= 0.25
- a
un de forma mas simplificada:

N N1
2
= npq
N 1

5
85
90 5
= 5
90
90
90 1
= 0.25

Distribuci
- Sesgo: Hacia la derecha

o positivo como se ve graficamente.
Ademas, aqui: N > 2N1 , pues 90 > 2 5 y N > 2n, pues
90 > 2 5.

Relaci
on entre las distribuciones Binomial y Hipergeometrica
Relacion entre las distribuciones Binomial y

Hipergeometrica
- La suposicion base de la distribuci

on binomial es que se trata
de n ensayos de un n
umero infinito de ellos.
- Por eso se plantea que aplica para poblaciones infinitas,
o para poblaciones finitas pero con reemplazamiento, que no
es lo usual.

Relaci

Hipergeometrica
- Hay consenso general cuando el tama

no de la poblacion N es
grande en relacion con el tama
no de la muestra seleccionada
n (o n
umero de ensayos) y cuando p (probabilidad de exito)
se aleja de cero o de uno, se puede aplicar la binomial en
poblaciones finitas y en muestreo sin reemplazamiento.

Relaci

Hipergeometrica
- Se dice entonces que:

N debe ser igual a 10n

.
n
N 10 %

Relaci

Hipergeometrica
- Si n es relativamente grande con respecto a N , o sea el
tama
no de la muestra respecto al tama
no de la poblacion, por
ejemplo:
n
(100) 20
N
- La probabilidad de exito (p) se puede alterar y tender a ser
inconstante y entonces el experimento no sera binomial.
- La hipergeometrica sera la adecuada en este caso.

Relaci

Hipergeometrica
- De manera general, la funci

on de probabilidad binomial
aproximara a la hipergeometrica de forma adecuada si se tiene
n
sea mas peque
no.
que n < 0, 1N, o conforme el cociente
N

Relaci
Ejemplo :
- Un lote de producci
on contiene 1000 unidades de las cuales
hay 900 sin defectos y 100 defectuosas. Del lote se extrae una
muestra aleatoria de n = 10 unidades.
- Hallar la probabilidad de al menos ocho (8) no defectuosas en
la muestra, considerando los dos tipos de muestreo: con y sin
reemplazo. Definimos a X como el n
umero de no defectuosos
en la muestra.
N = 1000
N1 = 900
N2 = 100
n = 10

Relaci
Ejemplo :
1
Si se considera muestreo con reemplazamiento y aplicando

entonces la binomial:
10
X
10
P (X 8) =
(0.9)x (0.1)10x
x
x=8
= 0.9298
2
Si se considera muestreo sin reemplazo, aplicando entonces la

hipergeometrica:
100
10 900
X
x
10x

P (X 8) =
1000
x=8
= 0.9308
10

Relaci
- Que son resultados bastante cercanos

o equivalentes.
- En el ejemplo anterior:
N = grande.
10
n
n
= 1000
= 0, 01 o sea N
< 0.10 .
N 100
p = 1000 = 0.10

Relaci
- Originalmente sera poblaci

on fnita.

Relaci
Ejercicio: (Walpole, p
ag 131)
- Una empresa esta interesada en evaluar su proceso de

inspeccion actual en lotes de cincuenta articulos identicos.
Para ello toma una muestra aleatoria de cinco artculos y los
inspecciona dando como correcto el lote si no se encuentran
mas de dos defectuosos. Que proporci
on del 20 % de lotes
defectuosos se aceptara? Rta) = 0.9517.

Relaci
- Una empresa fabricante utiliza un sistema de aceptacion de

sus productos antes de despacharlos a distribuidores. El plan
consta de dos etapas: Se preparan cajas de 25 unidades y se
prueba de cada una de ellas una muestra aleatoria de tres
unidades en busca de defectuosas. Si se ecuentra alguna
defectuosa, la caja respectiva se regresa para su revision del
100 %

Relaci
Cual es la probabilidad de que una caja que contiene tres

defectuosos pase la revisi
on y se despache a los distribuidores?
Rta = 0, 66956.
La empresa fabricante decide modificar su proceso de

aceptacion de productos. Para ello, un inspector toma al azar
un artculo, lo inspecciona y lo reintegra a la caja; Un segundo
inspector hace lo mismo, y un tercero tambien. La caja no se
despacha si cualquiera de los tres inspectores encuentran un
defectuoso.Cual sera la probabilidad de que una caja que
contiene tres defectuosos sea despachada?
Rta = 0.6815.

Relaci
- La Hipergeometrica puede generalizarse para resolver

problemas donde los N resultados pueden clasificarse o
dividirse en k celdas o clases, cada una de ellas con
N1 , N2 ..., Nk elementos y x1 , x2 ...xk elementos seleccionados
de cada celda.
- Se llega as a la distribuci
on Hipergeom
etrica
Multivariada: f (x1, x2 , ...xk )
=P
1 =x
1 , X
2 =x2 , ....., Xk = xk , ] =
[X

Nk
N2
N1
...
xk
x2
x1

N
n

Relaci
Ejemplo:
- Se conforma un grupo de 10 personas para realixar estudios

biologico; incluye tres personas de sangre tipo O, cuatro del
tipo A y tres del tipo B. Se desea conocer la probabilidad de
que al tomar una muestra de ellos quede conformada por uno
del tipo O, dos del tipo A y dos de tipo B.

3 4 3
3
1 2 2

=
f (1, 2, 2; 10, 3, 4, 3, 5) =
10
14
5

BIBLIOGRAFIA
- Probabilidad y estadstica aplicadas a la ingeniera, Douglas C.

Montgomery y George C. Runger. McGraw Hill, 1997.
- Probabilidad y estadstica para ingeniera y ciencia.
Mendenhall, W. Sincich, T. Prentice Hall. 1997.

BIBLIOGRAFIA
- Probabilidad y Estadstica para Ingenieros. Walpole, Myers,

Myers. Sexta Edici
on. Pearson Educaci
on. 1999.
- Probabilidad y Estadistica: Aplicaciones y M`etodos Canavos
George. McGraw Hill. 1988

Variables Aleatorias Discretas

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Variables Aleatorias Discretas

Загружено:

Авторское право:

Доступные форматы

Variables aleatorias y las distribuciones de probabilidad

Universidad Nacional de Colombia

Variables aleatorias y las distribuciones de probabilidad

Bogota, Octubre de 2015

Variables aleatorias y las distribuciones de probabilidad

- En la mayora de los casos de experiencias aleatorias resulta

Variables aleatorias y las distribuciones de probabilidad

- Variables aleatorias, Es una funci

Variables aleatorias y las distribuciones de probabilidad

- En un experimento aleatorio hay frecuentemente mas interes

Variables aleatorias y las distribuciones de probabilidad

- Sea el experimento aleatorio la prueba de tres componentes

Variables aleatorias y las distribuciones de probabilidad

- Supongamos que estamos interesados en el n

Variables aleatorias y las distribuciones de probabilidad

- Las variables aleatorias se clasifican como: discretas y

Variables aleatorias y las distribuciones de probabilidad

Variable aleatoria Discreta:

- La v.a X se considera discreta si solamente puede asumir un

Variables aleatorias y las distribuciones de probabilidad

Variable aleatoria discreta:

- La v.a. X se considera discreta si solamente puede asumir un

Variables aleatorias y las distribuciones de probabilidad

Variable aleatoria discreta:

- Si un espacio muestral contiene un n

Variables aleatorias y las distribuciones de probabilidad

Ejemplo 2 : Variable aleatoria discreta:

Variables aleatorias y las distribuciones de probabilidad

Variable Aleatoria Continua:

- La v.a. X se considera contnua si su recorrido como funcion

Variables aleatorias y las distribuciones de probabilidad

Variable aleatoria discreta:

- Si un espacio muestral contiene un n

Variables aleatorias y las distribuciones de probabilidad

- Peso, longitud, resistencia a la compresi

Variables aleatorias y las distribuciones de probabilidad

- Supongase por ejemplo, que se lanza una moneda corriente

Variables aleatorias y las distribuciones de probabilidad

Variables aleatorias y las distribuciones de probabilidad

Definicion Variable aleatoria:

- Sean (, =, P ), un espacio de probabilidad y (, =), un

tal que para todo A  =,

Variables aleatorias y las distribuciones de probabilidad

- Sean = {1, 2, 3}, = = {, {1}, {2, 3}, },

Variables aleatorias y las distribuciones de probabilidad

- Si la variable aleatoria X puede asumir una serie de valores:

Variables aleatorias y las distribuciones de probabilidad

- El conjunto de pares ordenados (X = xi , f (X = xi )) es

Variables aleatorias y las distribuciones de probabilidad

- Para cualquier valor de x que no tenga asignada probabilidad

Variables aleatorias y las distribuciones de probabilidad

- La distribucion acumulada F (X = x) de una variable aleatoria

f (t) para < x <

Variables aleatorias y las distribuciones de probabilidad

- La funcion f (x, y) es una distribuci

f (x, y) 0 para todo x,y

Variables aleatorias y las distribuciones de probabilidad

- Tomemos el caso del examen de una muestra aleatoria de tres

Variables aleatorias y las distribuciones de probabilidad

- Entonces X = 0, 1, 2, 3 y podemos construir la

Variables aleatorias y las distribuciones de probabilidad

- Descrita como funci

Variables aleatorias y las distribuciones de probabilidad

tal que para todo A =,