2019

Unidad III: Variables Aleatorias Dis-

cretas.

Oscar R. Diaz
Piensa Estadística
1-1-2019
 Unidad III
Variables Aleatorias Discretas.
Por Oscar Díaz
I. VARIABLES ALEATORIAS Y DISTRIBUCIO- que cualquier variable debiera considerarse como discreta.
NES DE PROBABILIDAD. Por ejemplo, si la resolución del instrumento (el cambio más
pequeño en el valor medido al cual responde el instrumento)
¿Qué es una Variable Aleatoria?
solo permite lecturas a la libra más cercana, éstas parecerán

E
n la mayoría de experimentos aleatorios, el investi- puntos aislados en la recta real, como 2, 3, 6, 100 libras. Pero
gador enfoca su atención en una o más característi- esto sólo se debe a la resolución del instrumento y no porque
cas que varían de individuo en individuo. Por ejem- un peso entre 2 y 3 libras no sea posible. En este caso la
plo, considere el experimento que consiste en seleccionar variable es continua.
aleatoriamente un cliente que sale de un almacén en particu-
En la figura 1 se muestra un conjunto de posibles valores
lar. Una variable numérica de interés para el gerente del al-
para cada uno de los tipos de variables aleatorias.
macén podría ser el número de productos comprados por el
cliente. La letra 𝑋 puede ser usada para denotar esta variable.
Los posibles valores de 𝑋 son 0, 1, 2, 3, … y así sucesiva-
mente. En este caso los valores de 𝑋 son puntos aislados de
la recta real. Hasta que un cliente no haya sido seleccionado
Posibles valores de Posibles valores de
y el número de productos no haya sido contado, el valor de
una variable alea- una variable alea-
𝑋 es incierto. Otra variable de interés para el gerente podría toria discreta toria continua
ser 𝑌 = tiempo, en minutos, que el cliente espera en la cola
para pagar. Un posible valor de 𝑌 es 3.0 minutos y otro po- Figura 1
dría ser 4.0 minutos, pero cualquier otro valor entre 3.0 y 4.0
es posible. Los posibles valores de 𝑌 forman un intervalo de Ejemplo 1: Una variable aleatoria discreta. Considere
valores en la recta real. el experimento aleatorio que consiste en clasificar el tipo de
libro, entre impreso (P) o digital (D), comprado por cada uno
Definición: de tres clientes sucesivos en una tienda online. Se define la
Variable aleatoria: una variable numérica cuyos valo- variable aleatoria 𝑋 por
res dependen del resultado de un experimento aleatorio. 𝑋 = 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑞𝑢𝑒 𝑐𝑜𝑚𝑝𝑟𝑎𝑛 𝑒𝑛 𝑓𝑜𝑟𝑚𝑎𝑡𝑜 𝑑𝑖𝑔𝑖𝑡𝑎𝑙
Una variable aleatoria es discreta, si sus posibles valo- El resultado en el cual el primer y el tercer cliente com-
res son puntos aislados en la recta real y continua si sus pran en formato digital y el segundo en formato impreso
posibles valores son todos los puntos en algún inter- puede ser abreviado como DPD. El valor asociado de la va-
valo. riable aleatoria es 2, ya que dos de los tres clientes optaron
por comprar en formato digital.
Usaremos letras mayúsculas, del final del alfabeto, para
representar variables aleatorias, y su respectiva letra minús- En la siguiente tabla se resume el comportamiento de la
cula para representar sus posibles valores. En la práctica, las variable aleatoria 𝑋
variables aleatorias discretas generalmente están asociadas a Resultado PPP DPP PDP PPD DDP DPD PDD DDD
experimentos aleatorios que involucran el conteo de alguna 𝑥 0 1 1 1 2 2 2 2
característica (por ejemplo, el número de ítems defectuosos, De inmediato notamos que los posibles valores de 𝑋 son
el número de veces que un servidor falla) mientras que las 0, 1, 2 y 3. A este conjunto de valores se le conoce como
continuas están asociadas a experimentos aleatorios que in- rango de la variable aleatoria. Además, como los posibles
volucran la medida de alguna característica (como la altura valores son puntos aislados en la recta real, se trata de una
y el peso de un individuo, la temperatura). variable discreta.
Debido a que hay un límite en la precisión de los instru-
mentos de medición, como un reloj o una balanza, pareciera

1
 Distribuciones de Probabilidad. Resultado Probabilidad 𝑥 Resultado Probabilidad 𝑥
GGGG 0.1296 0 GEEG 0.0576 2
La distribución de probabilidad de una variable aleatoria EGGG 0.0864 1 GEGE 0.0576 2
discreta, es un modelo que describe el comportamiento a GEGG 0.0864 1 GGEE 0.0576 2
GGEG 0.0864 1 GEEE 0.0384 3
largo plazo de dicha variable. Por ejemplo, el gerente de la GGGE 0.0864 1 EGEE 0.0384 3
tienda podría estar interesado, además de los posibles valo- EEGG 0.0576 2 EEGE 0.0384 3
res de la variable aleatoria, de cómo ésta se comportaría si EGEG 0.0576 2 EEEG 0.0384 3
EGGE 0.0576 2 EEEE 0.0256 4
fuera observada para muchos clientes, es decir, ¿cuál sería
su valor más común? ¿qué proporción de las veces los clien- La distribución de probabilidad de X puede ser obtenida
tes comprarán en formato digital? Una distribución de pro- fácilmente a partir de esta información. Por ejemplo
babilidad proporciona respuestas a éstas y otras preguntas. 𝑃(0) = 𝑃(𝑋 = 0) = 𝑃(𝐺𝐺𝐺𝐺 ) = 0.1296
𝑃(1) = 𝑃(𝐸𝐺𝐺𝐺 ) + 𝑃 (𝐺𝐸𝐺𝐺 ) + 𝑃 (𝐺𝐺𝐸𝐺 ) + 𝑃(𝐺𝐺𝐺𝐸 )
Definición: 𝑃(1) = 0.3456
La Distribución de Probabilidad de una variable alea-
toria discreta 𝑋 proporciona la probabilidad asociada Y así sucesivamente.
con cada uno de los posibles valores de la variable alea- La distribución de probabilidad se resume en forma tabu-
toria. Cada probabilidad es la proporción a largo plazo lar de la siguiente manera:
en la que el valor correspondiente de 𝑋 ocurrirá.
𝑥 0 1 2 3 4
𝑃(𝑥) 0.1296 0.3456 0.3456 0.1536 0.0256
Ejemplo 2: Refrigeradoras de energía eficiente. Su-
ponga que cada uno de cuatro clientes seleccionados al azar ¿Cómo se interpreta esta distribución de probabilidad?
que compran en un almacén de electrodomésticos escoge Por ejemplo, para interpretar 𝑃 (3) = 0.1536 piense que el
cualquiera de dos modelos de refrigeradoras: el modelo de experimento se realiza repetidamente, cada vez con un
energía eficiente (E) o un modelo más barato que no posee nuevo grupo de clientes. A la larga, 15.36% de estos grupos
la característica de eficiencia de energía (G). Asuma que los tendrán exactamente 3 clientes que compran refrigeradoras
clientes hacen su elección de manera independiente uno del del tipo energía eficiente.
otro y que el 40% de todos los clientes seleccionan refrige- La distribución de probabilidad puede ser usada para de-
radoras del tipo energía eficiente. terminar la probabilidad de varios eventos que involucren a
Construya la distribución de probabilidad de la variable la variable aleatoria 𝑋. Por ejemplo, la probabilidad de que
aleatoria: 𝑋 = número de refrigeradoras del tipo energía efi- al menos tres de los cuatro clientes compren el modelo con
ciente compradas por los cuatro clientes. energía eficiente es
Solución: 𝑃(𝑋 ≥ 3) = 𝑃(3) + 𝑃(4) = 0.1792
Con 𝑃 (𝐺 ) = 0.6 y 𝑃(𝐸 ) = 0.4, un posible resultado del Este resultado significa que, a largo plazo, un grupo de 4
experimento aleatorio es GGEE (en este caso 𝑋 = 2). Como refrigeradoras compradas incluirá al menos tres del tipo
las elecciones de los clientes son independientes, la regla del energía eficiente en aproximadamente el 17.92% de las ve-
producto establece que: ces.

𝑃(𝐺𝐺𝐸𝐸 ) = 𝑃 (𝐺 )𝑃(𝐺 )𝑃 (𝐸 )𝑃(𝐸 ) = (0.6)(0.6)(0.4)(0.4)
𝑃(𝐺𝐺𝐸𝐸 ) = 0.05
De manera similar
𝑃(𝐺𝐺𝐺𝐺 ) = 𝑃 (𝐺 )𝑃(𝐺 )𝑃 (𝐺 )𝑃(𝐺 ) = (0.6)(0.6)(0.6)(0.6)
𝑃(𝐺𝐺𝐺𝐺 ) = 0.1296
En la siguiente tabla se muestran los 16 resultados posi-
bles, la probabilidad de cada uno de ellos y el valor de la
variable aleatoria asociado a cada resultado.
Una distribución de probabilidad muestra todos los posi-
bles valores de la variable aleatoria y las probabilidades aso-
ciadas a cada uno de ellos. Además, deber satisfacer
1. Para cada uno de los posibles valores de 𝑋, 0 ≤ 𝑃(𝑋) ≤ 1
2. ∑ 𝑃(𝑋) = 1
Otras Formas de Representar una Distribución de Proba-
bilidad: Histogramas de probabilidad.
Un histograma de probabilidad es una representación
gráfica de una distribución de probabilidad discreta. El grá-

2
fico consiste de varios rectángulos centrados sobre cada po-
sible valor de 𝑋, y el área de cada rectángulo es proporcional
a la probabilidad del correspondiente valor. En la figura 2 se
muestra el histograma de probabilidad para el ejemplo 2.
Figura 2
II. VALOR ESPERADO Y VARIANZA PARA UNA
VARIABLE ALEATORIA DISCRETA.
Estudiamos una variable aleatoria para aprender algo de
cómo sus valores se distribuyen a lo largo de la escala de
medición. En la unidad I aprendimos que la media y desvia-
ción estándar resumen el centro y la variabilidad de una serie
de datos. De manera similar, la media y desviación estándar
de una variable aleatoria describen dónde se centra la distri-
bución de probabilidad y cuánto se dispersa con respecto al
centro.
El valor esperado o media de una variable aleatoria
discreta 𝑋, denotada por 𝜇 𝑋, describe dónde se centra la
distribución de probabilidad de 𝑋. Su valor numérico
está dado por la siguiente expresión
𝜇 𝑋 = 𝐸 (𝑋) = ∑ 𝑥 ∙ 𝑃(𝑥)
La varianza de una variable aleatoria 𝑋, denotada por
𝑉(𝑋) o 𝜎𝑋2, describe la variabilidad en la distribución de
probabilidad. Cuando su valor es pequeño, los posibles
valores de 𝑋 tenderán a estar cercanos al valor de la me-
dia. Un valor grande indicará una mayor variabilidad en
los valores observados de 𝑋. Su valor numérico está
dado por
𝑉 (𝑋) = 𝜎𝑋2 = ∑(𝑥 − 𝜇 𝑋 )2 ∙ 𝑃(𝑥)
Además 𝜎𝑋 = √𝑉(𝑋)
Para los cálculos numéricos resulta más fácil calcular la va-
rianza como
𝜎𝑋2 = ∑ 𝑥 2 ∙ 𝑃 (𝑥) − 𝜇 2
Ejemplo 3: Paneles para televisores. Los televisores
pantalla plana requieren pantallas de vidrio de alta calidad
con muy pocas imperfecciones. Un fabricante de televisores
recibe paneles de vidrio de dos fabricantes diferentes. Sean
𝑋 = Número de imperfecciones en un panel de vidrio selec-
cionado aleatoriamente del fabricante 1
𝑌 = Número de imperfecciones en un panel de vidrio selec-
cionado aleatoriamente del fabricante 2.
Suponga que las distribuciones de probabilidad para 𝑋 y 𝑌
son las siguientes:
x 0 1 2 3 y 0 1 2 3
𝑃(𝑥) 0.4 0.3 0.2 0.1 𝑃(𝑦) 0.2 0.6 0.2 0.0
¿Qué fabricante suministra los mejores paneles de vidrio?
Solución: podemos calcular la media de ambas distribucio-
nes y comparar, en promedio, cuál de los dos fabricantes
ofrece los mejores paneles. Los cálculos son los siguientes:
𝜇 𝑋 = ∑ 𝑥 ∙ 𝑃(𝑥) = 0(0.4) + 1(0.3) + 2(0.2) + 3(0.1)
𝜇𝑋 = 1
𝜇 𝑌 = ∑ 𝑦 ∙ 𝑃 (𝑦) = 0(0.2) + 1(0.6) + 2(0.2) + 3(0.0)
𝜇𝑌 = 1
Como consecuencia, si el criterio de calidad es el número
de imperfecciones, no habría diferencia entre adquirir los
paneles del fabricante 1 o los del 2
Analicemos que sucede con la varianza de los fabricantes
𝜎𝑋2 = 02 (0.4) + 12 (0.3) + 22 (0.2) + 32 (0.1) − 12 = 1
𝜎𝑌2 = 02 (0.2) + 12 (0.6) + 22 (0.2) + 32 (0.0) − 12 = 0.4
Vemos que la varianza del fabricante 2 es menor, lo cual
nos sugiere que los paneles que fabrica son de mejor calidad
que los del fabricante 1.
En la figura 3 se muestran los histogramas de probabili-
dad para ambos fabricantes. Note que el histograma para el
fabricante 1 es más disperso que la del 2. La mayor disper-
sión del fabricante 1 significa que habrá más variabilidad en
los valores observados de 𝑋 que en los de 𝑌. Por ejemplo, a
la larga, esperamos que ninguno de los paneles adquiridos
con el fabricante 2 presenten 3 imperfecciones. Sin em-
bargo, cerca del 10% de los paneles comprados al fabricante
3
 Figura 3

1 tendrán 3 imperfecciones. En este sentido, parece ser que 0 x0

los paneles del fabricante 2 son de mejor calidad. 0.4 0  x  1

III. DISTRIBUCIÓN ACUMULADA PARA UNA VA- F ( x) = 0.7 1  x  2
RIABLE ALEATORIA DISCRETA. 0.9 2  x  3

Una distribución de probabilidad especifica la probabili- 1 x3
dad de que la variable aleatoria sea igual a algún valor en
particular. Una función llamada Función de Distribución O en forma gráfica como en la figura 4
Acumulada (FDA) denotada por 𝐹(𝑥), especifica la proba-
bilidad de que una variable aleatoria sea menor o igual que
un valor dado.
F ( x) = P( X  x)

Ejemplo 4: Distribución acumulada. Para el proveedor

1 del ejemplo 3 la distribución de probabilidad del número
de paneles con imperfecciones es
x 0 1 2 3
p( x) 0.4 0.3 0.2 0.1 Fi gura 4
La distribución acumulada se construye de la siguiente
La distribución acumulada nos permite calcular algunas pro-
manera: babilidades de manera más sencilla:
Primero calculamos 𝐹(𝑥) para cada posible valor:
𝑃(𝑥 ≤ 2) = 𝐹 (2) = 0.9
𝐹 (0) = 𝑃(𝑥 ≤ 0) = 𝑃 (0) = 0.4 𝑃(𝑥 > 2) = 1 − 𝑃(𝑥 ≤ 2) = 1 − 𝐹(2) = 1 − 0.9 = 0.1
𝐹 (1) = 𝑃(𝑥 ≤ 1) = 𝑃 (0) + 𝑃 (1) = 0.4 + 0.3 = 0.7
𝑃(𝑥 ≥ 2) = 1 − 𝑃(𝑥 < 2) = 1 − 𝑃(𝑥 ≤ 1) = 1 − 𝐹(1)
𝐹 (2) = 𝑃(𝑥 ≤ 2) = 𝑃 (0) + 𝑃 (1) + 𝑃(2)
𝑃(𝑥 ≥ 2) = 1 − 0.7 = 0.3
𝐹 (2) = 0.4 + 0.3 + 0.2 = 0.9
𝐹 (3) = 𝑃(𝑥 ≤ 3) = 𝑃 (0) + 𝑃 (1) + 𝑃(2) + 𝑃(3) 𝑃(1 ≤ 𝑥 ≤ 3) = 𝐹 (3) − 𝐹(0) = 1 − 0.4 = 0.6
𝐹 (3) = 0.4 + 0.3 + 0.2 + 0.1 = 1
Finalmente resumimos estos resultados como una fun-
ción de la siguiente manera:

4
IV. ALGUNAS DISTRIBUCIONES DISCRETAS ES- cione adecuadamente es 0.98. Los componentes se mues-
PECIALES. trean uno a uno de la línea de producción. En una muestra de
5 componentes ¿Cuál es la probabilidad de encontrar (a)
Ensayos de Bernoulli
cero, (b) exactamente uno, (c) exactamente dos, (d) dos o
La variable aleatoria discreta más simple es aquella que más defectuosos?
puede asumir sólo dos valores. Por ejemplo, un producto que
sale de la línea de producción puede ser clasificado como Solución: los requerimientos de la distribución binomial se
defectuoso o no defectuoso. Por lo general, representamos cumplen, por lo que, con n = 5 , p = 0.02 y X = Número de
estos dos posibles valores como 0 y 1 y la variable aleatoria defectuosos encontrados en la muestra de 5. Entonces
se define por el parámetro 𝑝, 0 ≤ 𝑝 ≤ 1, el cual representa 𝑋~𝐵𝑖𝑛(5,0.02)
la probabilidad que la variable asuma el valor de 1. Esta va-
5
riable aleatoria se conoce como variable aleatoria de Bernou- (a) P( X = 0) = b(0;5,0.98) =   (0.02)0 (0.98)5 = 0.9039
lli y la podemos representar como 0

1 − 𝑝 𝑠𝑖 𝑥 = 0  5
(b) P( X = 1) = b(1;5,0.98) =   (0.02)1 (0.98) 4 = 0.0922
𝑓(𝑥) = {  
1
𝑝 𝑠𝑖 𝑥 = 1
El valor esperado de esta variable es 5
(c) P( X = 2) = b(2;5,0.98) =   (0.02) 2 (0.98)3 = 0.0030
 
2
𝐸 (𝑥) = ∑ 𝑥 ∙ 𝑃 (𝑥) = 0 (1 − 𝑝) + 1(𝑝) = 𝑝
(d) P( X  2) = 1 − P( X  2) = 1 − [ P( X = 0) + P( X = 1)]
La varianza está dada por P( X  2) = 1 − [0.9039 + 0.0922] = 0.0038
𝑉 (𝑋) = ∑ 𝑥 2 ∙ 𝑃 (𝑥) − 𝜇 2 = 02 (1 − 𝑝) + 12 (𝑝) − 𝑝2
La distribución de probabilidad binomial también se puede
𝑉 (𝑋) = 𝑝 − 𝑝 2 = 𝑝(1 − 𝑝)
representar por un gráfico como el de la figura 5
Distribución Binomial
Muchos procesos pueden ser conceptualizados como una
secuencia de ensayos de Bernoulli. Por ejemplo, un inge-
niero encargado del control de calidad puede examinar repe-
tidamente productos que salen de la línea de producción en
búsqueda de alguno defectuoso. En este tipo de experimen-
tos–conocido como experimento binomial– una variable
aleatoria de interés es el número de éxitos que se obtienen
cuando se repite un determinado número de veces el ensayo
de manera independiente. El éxito se define según las nece-
sidades del investigador como aquellos resultados que tienen Fi gura 5
la característica de interés.
Como 𝐸 (𝑋) = 𝑛 ∙ 𝑝 = 5(0.02) = 0.1 a la larga, si repe-
Si 𝑛 ensayos de Bernoulli 𝑋1 , ⋯ , 𝑋𝑛 se repiten de manera timos una y otra vez el experimento, tendremos 0.1 compo-
independiente, cada uno con probabilidad 𝑝 de obtener un 1, nentes defectuosos.
entonces la variable aleatoria 𝑋 = 𝑋1 + ⋯ + 𝑋𝑛 que cuenta
Distribución Binomial Negativa.
el número de éxitos en los 𝑛 ensayos recibe el nombre de
variable aleatoria binomial lo cual se escribe como En un experimento binomial, si 𝑋 denota el número de
𝑋~𝐵𝑖𝑛(𝑛,𝑝) . La función de probabilidad está dada por ensayos hasta que ocurran 𝑟 éxitos, entonces 𝑋 tiene una dis-
𝑛 tribución binomial negativa, lo cual escribimos como
𝑓(𝑥) = 𝑃(𝑋 = 𝑥) = ( ) 𝑝 𝑥 (1 − 𝑝) 𝑛−𝑥 𝑋~𝐵𝑛(𝑟, 𝑝), con distribución de probabilidad
𝑥
para 𝑥 = 0, 1, ⋯ , 𝑛 𝑥−1 𝑟
𝑓(𝑥) = 𝑃(𝑋 = 𝑥) = ( ) 𝑝 (1 − 𝑝) 𝑥−𝑟
𝑟 −1
Además 𝐸(𝑋) = 𝑛𝑝 y 𝑉 (𝑋) = 𝑛𝑝(1 − 𝑝)
Para 𝑥 = 𝑟, 𝑟 + 1, …
Ejemplo 5: Distribución Binomial. Basados en la expe-
riencia, la probabilidad que cierto componente eléctrico fun- 𝑟 𝑟∙(1−𝑝)
Además 𝐸(𝑋) = y 𝑉 (𝑋) =
𝑝 𝑝2

5
 Ejemplo 6: Distribución Binomial Negativa. Una firma Si un lote de 𝑁 objetos contiene 𝐾 objetos clasificados
de reclutamiento busca ingenieros recién graduados y en- como éxitos y 𝑁 − 𝐾 objetos clasificados como fracasos, y
cuentra que el 30% de ellos tiene conocimientos avanzados si se extraen aleatoriamente n de estos objetos sin reemplazo,
en programación. Las aplicaciones se seleccionan al azar y entonces la variable aleatoria 𝑋 = número de éxitos en los 𝑛
las entrevistas se hacen una a continuación de otra. ítems seleccionados tiene una distribución hipergeométrica
a) ¿Cuál es la probabilidad de que se requieran 5 entrevistas cuya función de distribución es
para encontrar al primer ingeniero con conocimientos (𝐾)(𝑁−𝐾)
avanzados en programación? 𝑓(𝑥) = ℎ(𝑛, 𝐾, 𝑁) = 𝑥 𝑁𝑛−𝑥
(𝑛 )
b) Si se ofertan tres plazas ¿Cuál es la probabilidad que el
𝐾
tercer ingeniero calificado se encuentre en la quinta en- Además 𝐸(𝑋) = 𝜇 = 𝑛 ∙ 𝑁
trevista? 𝑁−𝑛 𝐾 𝐾
c) ¿Cuál es el número esperado de ingenieros entrevistados 𝑉 (𝑋) = 𝜎 2 = 𝑁−1 ∙ 𝑛 ∙ 𝑁 (1 − 𝑁)
hasta encontrar el primero con conocimientos avanzados
en programación? Ejemplo 7: Distribución Hipergeométrica: Diez inge-
d) ¿Cuál es el número esperado de ingenieros entrevistados nieros aplican para un puesto de ingeniero residente. Cinco
hasta cubrir las tres plazas? de ellos poseen una maestría en energías renovables, dos po-
seen un doctorado y tres sólo el grado de ingeniero. Si el en-
Solución: cargado de recursos humanos selecciona tres aplicaciones al
a) Sea X el número de ingenieros entrevistados hasta que azar, calcular la probabilidad de que:
se encuentra el primero con conocimientos avanzados en a) Los tres posean maestría.
programación. Entonces 𝑋~𝐵𝑛(1, 0.30) Solución: sea 𝑋 = número de ingenieros con maestría de
4 1 4 los tres seleccionados. Entonces
𝑃(𝑋 = 5) = ( ) 0.3 ∙ 0.7 = 0.0720
0 (5)(5) 10 1
𝑃(𝑋 = 3) = 3(100) = =
b) Sea 𝑌 el número de ingenieros entrevistados hasta que se 3 120 12
encuentra el tercero con conocimientos avanzados en pro- b) Uno posea doctorado
gramación. Entonces 𝑌~𝐵𝑛(𝑦; 3, 0.30) Solución: Sea 𝑌 = número ingenieros con doctorado en
4 la muestra de tres. Entonces
𝑃(𝑌 = 5) = ( ) 0.33 ∙ 0.72 = 0.0794
2 (2)(8) 56 7
𝑃(𝑌 = 1) = 1(102) = =
𝑟 1 120 15
c) 𝐸 (𝑋) = = = 3.33 ingenieros 3
𝑝 0.3 c) Ninguno tenga maestría o doctorado.
𝑟 3
d) 𝐸 (𝑌) = = = 10 ingenieros Solución: Sea 𝑍 = número de ingenieros que no poseen
𝑝 0.3
maestría o doctorado. Entonces
Las dos distribuciones anteriores suponen que los ensa-
(3)(7) 1
yos son independientes. En procesos relacionados con la ex- 𝑃(𝑍 = 3) = 3(100) =
120
tracción de ítems de un lote grande la independencia implica 3

el uso del muestreo con reemplazo (el ítem seleccionado es En la figura 6 se muestra la distribución de probabilidad
devuelto al lote) o que la extracción se hace un lote infinito de 𝑋
(por ejemplo, una línea de producción). El muestreo con re-
emplazo no es muy útil en determinadas situaciones (alguien
podría participar dos veces en una misma encuesta o ¿qué
sentido tendría devolver un producto defectuoso al lote?). en
caso de que las extracciones sean sin reemplazo usaremos la
distribución hipergeométrica.
Distribución Hipergeométrica.
Cuando hacemos extracciones sin reemplazo, la distribu-
ción binomial no proporciona probabilidades exactas, debido
a que los ensayos no son independientes. Mientras más pe-
queño sea el lote de donde se hacen las extracciones, menos Distribución de Poisson.
exactas serán las probabilidades binomiales.
Figura 6 6
 En ingeniería resulta de mucha ayuda para el modelado En la figura 7 se muestra el histograma de probabilidad
de procesos definir una variable aleatoria que cuente el nú- de 𝑋.
mero de eventos que ocurren dentro de ciertos límites espe-
cificados. Por ejemplo, un fabricante de piezas pláticas po-
dría estar interesado en el número de defectos por pieza antes
de enviar el lote al comprador. La distribución de Poisson
resulta útil para modelar este tipo de experimentos.
Una variable aleatoria 𝑋 con una distribución de Poisson,
tiene una distribución de probabilidad dada por
𝑒 −𝜆 𝜆𝑥
𝑓(𝑥) = 𝑃(𝑋 = 𝑥) =
𝑥!
Para 𝑥 = 0,1,2, ⋯
Además 𝐸(𝑋) = 𝜆 y 𝑉 (𝑋) = 𝜆
El parámetro 𝜆 es el promedio de ocurrencia por unidad
de tiempo, distancia, volumen, área, etc.
Ejemplo 8: Distribución de Poisson. El número prome-
dio de accidentes automovilísticos ocurridos en una semana
en un cruce en particular es de 2.
a) ¿Cuál es la probabilidad de que no haya ningún accidente Fi gura 7
en cualquier semana en particular?
b) ¿Cuál es la probabilidad de que haya exactamente un ac-
cidente en una semana cualquiera?
c) ¿Cuál es la probabilidad de que hayan no más de 2 acci-
dentes en una semana?
d) ¿Cuál es la probabilidad que haya 3 accidentes en un
mes?
Solución:
Sea 𝑋 =número de accidentes en una semana cualquiera.
𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒𝑠
Con 𝜆 = 2 entonces 𝑋~𝑃(2)
𝑠𝑒𝑚𝑎𝑛𝑎
20 𝑒 −2
a) 𝑃(𝑋 = 0) = = 0.1353
𝑜!
21𝑒 −2
b) 𝑃(𝑋 = 1) = = 0.2707
1!
c) 𝑃(𝑋 ≤ 2) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2)
22 𝑒−2
𝑃(𝑋 ≤ 2) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) +
2!
𝑃(𝑋 ≤ 2) = 0.1353 + 0.2707 + 0.2707 = 0.6767
d) En este caso las unidades del parámetro 𝜆 no coinciden
con el intervalo donde queremos calcular la probabilidad
(1 mes). Esto se soluciona ajustando el parámetro de la
siguiente manera:
Sea 𝑌 = número de accidentes en un mes
𝑎𝑐𝑐𝑖𝑑𝑛𝑒𝑡𝑒𝑠
Con 𝜆 = (2)(4) = 8 entonces 𝑌~𝑃(8)
𝑚𝑒𝑠
83 𝑒−8
𝑃(𝑌 = 3) = = 0.0286
3!