TEMA 3:

DISTRIBUCIONES DE PROBABILIDAD

Universidad de Costa Rica

Facultad de Ingeniería
Escuela de Ingeniería Civil

IC0606 - ESTADÍSTICA APLICADA

1
CONTENIDO

 Tema 3: Distribuciones de probabilidad

 3.1 Distribuciones de probabilidad discreta.
 3.2 Distribuciones de probabilidad continua.
 3.3 Teoría de distribuciones de probabilidad.

2
CONTENIDO

 Variables aleatorias

 Distribuciones discretas
 Uniforme
 Binomial
 Binomial Negativa
 Geométrica
 Hipergométrica
 Poisson

3
VARIABLE ALEATORIA
 Una variable aleatoria está asociada con un número
(resultado) de una observación (experimento aleatorio).
 Una variable aleatoria es una función que asigna un número
real a cada resultado en el espacio muestral de un
experimento aleatorio.
 Las variables aleatorias se denotan con una letra mayúscula
(por ejemplo X).
 El valor posible de X se denota con una letra mínuscula,
como x. 4
VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

 Una variable aleatoria discreta es una variable aleatoria

con un rango finito o con un rango infinito contable. Sus
valores se obtienen contando

 Una variable aleatoria continua es una variable

aleatoria con un intervalo (finito o infinito) de números
reales
5
EJEMPLOS DE VARIABLES DISCRETAS Y CONTINUAS.

-Número de rayones en -Porcentaje de

una superficie un aditivo.
-Proporción de partes -Medidas
defectuosas entre 100 físicas: longitud,
discretas:

continuas:
Variables aleatorias

Variables aleatorias
partes probadas. peso, tiempo,
-Número de baches en un temperaturas,
tramo de carretera. presión, etc.
-Tipos de usuarios en un
tranvía.

6
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
TEMA 3.1

7
EJEMPLO 1: PRUEBA DEL FLASH DE LA CÁMARA

 Tiempo de recarga del flash de la cámara de tres

teléfonos celulares. Resultados de la Prueba
 La probabilidad de que la cámara pase la prueba No. Cámara
Probabilidad X
es 0,8 y las pruebas son independientes. 1 2 3
Pasó Pasó Pasó 0.512 3
 La probabilidad de que la primera y segunda Falló Pasó Pasó 0.128 2
cámaras pasen la prueba y la tercera falle, Pasó Falló Pasó 0.128 2
denotado como ppf, es: Pasó Pasó Falló 0.128 2
Falló Falló Pasó 0.032 1
Falló Pasó Falló 0.032 1
P(ppf) = (0,8)(0,8)(0,2) = 0,128 Pasó Falló Falló 0.032 1
Falló Falló Falló 0.008 0
1.000
 X es el número de cámaras que pasaron la
prueba. 8
 EJEMPLO 2: BACHES COMPACTADOS ERRÓNEAMENTE

 Existe la posibilidad de que un bache en una carretera sea

compactado erróneamente.
 Sea X el número de baches compactados erróneamente en los últimos
4 baches realizados.

Baches erróneos Probabilidad

P(X =0) = 0.6561
P(X =1) = 0.2916
P(X =2) = 0.0486
P(X =3) = 0.0036
P(X =4) = 0.0001
1.0000 9
FUNCIÓN DE PROBABILIDAD

Para una variable discreta X con posibles valores:

x1, x2, …, xn

Una función de probabilidad es una función que:

10
 EJEMPLO 3: CONTAMINACIÓN DE MUESTRAS
 Número de muestras que tienen que ser analizadas
para detectar una gran partícula de
contaminación (X).
 La probabilidad de que la muestra contenga una
gran partícula es 0,01 Distribución de Probabilidad
 Las muestras son independientes. P(X = 1) = 0.01= 0.0100
 Determine la distribución de probabilidad de X. P(X = 2) = (0,99)*0,01= 0.0099
2
P(X = 3) = (0,99) *0,01= 0.0098
Solución: 3
P(X = 4) = (0,99) *0,01= 0.0097
 p denota una muestra en donde una gran partícula
está presente y a denota una muestra en donde la
partícula está ausente.
 El espacio muestral es: S = {p, ap, aap, aaap, …}
11
 El rango de valores de X es: x = 1, 2, 3, 4, …
 EJEMPLO 4: BACHES DEFECTUOSOS
 Considere la distribución de probabilidad del ejemplo 2.
 a) Encuentre la probabilidad de tener a lo sumo 3 baches defectuosos.
Solución: Baches Probabilidad
 El evento (X ≤ 3) es la unión de los eventos: P(X =0) = 0.6561
P(X =1) = 0.2916
 (X = 0), (X = 1), (X = 2), y (X = 3).
P(X =2) = 0.0486
P(X =3) = 0.0036
P(X =4) = 0.0001
1.0000

𝑃𝑃(𝑋𝑋 ≤ 3) = 𝑃𝑃(𝑋𝑋 = 0) + 𝑃𝑃(𝑋𝑋 = 1) + 𝑃𝑃(𝑋𝑋 = 2) + 𝑃𝑃(𝑋𝑋 = 3) = 0,9999

12

La probabilidad de que se den a lo sumo 3 baches defectuosos es de 0,9999

EJEMPLO 4: BACHES DEFECTUOSOS
 Considere la distribución de probabilidad del ejemplo 2.
 b) Encuentre la probabilidad de tener al menos 1 bache defectuoso.
Solución: Baches erróneos Probabilidad
 El evento (X ≥ 1) es el total de los eventos: P(X =0) = 0.6561
P(X =1) = 0.2916
 (X = 1), (X = 2), (X = 3), y (X = 4).
P(X =2) = 0.0486
P(X =3) = 0.0036
P(X =4) = 0.0001
1.0000

𝑃𝑃 𝑋𝑋 ≥ 1 = 1 − 𝑃𝑃 𝑋𝑋 = 0 = 1 − 0,6561 = 0,3439
13

La probabilidad de que se dé al menos 1 bache defectuoso es de 0,3439

FUNCIÓN DE DISTRIBUCIÓN ACUMULADA Y PROPIEDADES
 La función de distribución acumulada (CDF) indica la probabilidad de que una
variable aleatoria X tenga un valor igual o menor a x.
Simbólicamente,
F ( x)= P( X ≤ x)= ∑ f (x )
xi ≤ x
i

 Para una variable aleatoria discreta X, F(x) satisface las siguientes propiedades:

14
 EJEMPLO 5: MUESTREO SIN REMPLAZO
 La producción diaria de 850 varillas de acero contiene 50 varillas defectuosas.
 Dos varillas son seleccionadas aleatoriamente sin remplazo.
 X es el número de partes defectuosas en la muestra (2).
 Halle la distribución acumulada de X.

P ( X = 0 ) = 800
850 849 = 0.886
⋅ 799

P ( X =1) =2 ⋅ 800
850 849 =0.111
⋅ 50

P ( X = 2 ) = 850
50
⋅ 849
49
= 0.003
F ( 0= x<0
) P ( X ≤ 0=) 0.886 0
0.886
 0 ≤ x <1
F (1=
) P ( X ≤ 1=) 0.997 F ( x) = 
0.997 1≤ x < 2 15

F ( 2=
) P ( X ≤ 2=) 1.000 1 2≤ x
 MEDIA Y VARIANZA

 La media o valor esperado de • La varianza o variancia de una variable

de una variable aleatoria aleatoria discreta, denotada por V(X) es:
discreta, denotada por E(X) es:
• Fórmula por definición:

• Fórmula computacional:

• La fórmula computacional es más sencilla de

calcular manualmente. 16
DISTRIBUCIÓN UNIFORME DISCRETA
 Si X es una variable aleatoria discreta uniforme que
toma los valores x1, x2, …, xn, entre a y b.
 Entonces:
1 1
𝑓𝑓 𝑥𝑥 = =
𝑛𝑛 𝑏𝑏−𝑎𝑎+1

𝑏𝑏+𝑎𝑎
𝜇𝜇 = 𝐸𝐸 𝑥𝑥 =
2
𝑏𝑏 − 𝑎𝑎 + 1 2– 1
𝜎𝜎2 = 𝑉𝑉 𝑥𝑥 =
12 17
 EJEMPLO 8: NÚMERO DE LÍNEAS DE VOZ
 X es el número de las 48 líneas de voz que son usadas (están
ocupadas) en un momento en particular.
 Asuma que X es una variable aleatoria discreta uniforme con un
rango de 0 a 48. Encuentre E(X) y σX.

Respuesta:

18
DISTRIBUCIÓN BINOMIAL
 Un ensayo de Bernoulli es un experimento aleatorio que
tiene sólo dos resultados posibles, denotados por “éxito” y
“fracaso”.
 La probabilidad de un éxito en cada ensayo se denota
con p y permanece constante (0 < 𝑝𝑝 < 1).
 Los ensayos son independientes.
 El ensayo de Bernoulli se realiza n veces y se tiene una
distribución binomial.
19
DISTRIBUCION BINOMIAL

 Si X es una variable aleatoria binomial con

parámetros p y n.
 La función de probabilidad de X es:

n x
f ( x) =  p (1 − p ) for x =
n− x
0,1,...n (3-7)
 x

μ = E(X) = np
σ2 = V(X) = np(1-p)
20
EJEMPLO 10: CONTAMINACIÓN ORGÁNICA
 Cada muestra de agua tiene una probabilidad del 10% de contener un
contaminante orgánico en particular.
 Suponga que las muestras son independientes con respecto a la presencia
del contaminante.
 Encuentre la probabilidad de que en las siguientes 18 muestras,
exactamente 2 contengan el contaminante.

Respuesta:
Sea X el número de muestras que contienen el contaminante en las
siguientes 18 muestras analizadas. Entonces X es una variable aleatoria
binomial con
p = 0.1 y n = 18

21
EJEMPLO 10: CONTAMINACIÓN ORGÁNICA

22

0,2835 = DISTR.BINOM.N(2;18;0,1;falso)
EJEMPLO 11: CONTAMINACIÓN ORGÁNICA-2
Determine la probabilidad de que al menos 4 muestras contengan el contaminante.

Respuesta:

23
 EJEMPLO 11: CONTAMINACIÓN ORGÁNICA-2
Determine la probabilidad de que al menos 4 muestras contengan el contaminante.

Respuesta:

24

0,098 = 1-DISTR.BINOM.N(3;18;0,1;VERDADERO)
 EJEMPLO 12: CONTAMINACIÓN ORGÁNICA-3
Ahora determine la probabilidad de que haya 3 o más casos, pero menos de 7.
Respuesta:

Podemos hacerlo de dos maneras en Excel

1) Forma larga:
DISTR.BINOM.N(3;18;0,1;FALSO) + DISTR.BINOM.N(4;18;0,1;FALSO) + DISTR.BINOM.N(5;18;0,1;FALSO) +
DISTR.BINOM.N(6;18;0,1;FALSO)
2) Forma corta: 25

=DISTR.BINOM.N(6;18;0,1;VERDADERO)-DISTR.BINOM.N(2;18;0,1;VERDADERO)
EJEMPLO 13:

 Para el número de baches erróneos en el ejemplo 2, n = 4 y p = 0,1

 Encuentre el promedio, la varianza y la desviación estándar de una variable

aleatoria binomial.
Respuesta:
μ = E(X) = np = 4* 0.1 = 0.4

σ2 = V(X) = np(1-p) = 4*0.1*0.9 = 0.36

σ = SD(X) = 0.6
26
DISTRIBUCIÓN BINOMIAL NEGATIVA
 La distribución binomial tiene:
 Un número fijo de ensayos Bernoulli.
 Un número de éxitos aleatorio.

 La binomial negativa tiene roles inversos a la binomial:

 Un número aleatorio de ensayos Bernoulli x.
 Un número de éxitos fijo, en este caso r.
 Probabilidad constante de éxito p.

27
BINOMIAL NEGATIVA
Si X es una variable aleatoria binomial negativa con parámetros p y r,

f ( x) = ( ) p (1 − p )
x −1
r −1
r x−r
for x = r , r + 1, r + 2... 𝑟𝑟 = 1, 2, 3, …
(3-11)

r
=µ E=(X )
p
and
r (1 − p )
= (X )
σ V= 2

p2
28
EJEMPLO 17: FLASH DE LA CÁMARA
La probabilidad de que una cámara pase una prueba en particular es 0,8, y el
desempeño de las cámaras es independiente del desempeño de las otras. ¿Cuál es la
probabilidad de que la tercera falla se obtenga en cinco pruebas o menos?

RESPUESTA
 Sea X el número de cámaras probadas hasta que tres fallas hayan sido obtenidas.
 La probabilidad requerida es P(X ≤ 5).
 Se tiene una distribución binomial negativa con p = 0,2 y r = 3.
Entonces,
5
 x − 1
∑
P( X ≤ 5) = 
x =3  2 
3
(0.2) (0.8)
x −3

3 3  4 3
=0.2 +   0.2 (0.8) +   0.2 (0.8) 2
3
29

 2  2
= 0.056
DISTRIBUCIÓN GEOMÉTRICA

 La geométrica es Binomal Negativa con r=1 𝑵𝑵𝑵𝑵(𝒓𝒓 = 𝟏𝟏, 𝒑𝒑)

 La función de probabilidad para la distribución geométrica es:

𝑓𝑓 𝑥𝑥 = 𝑝𝑝(1 − 𝑝𝑝)𝑥𝑥−1

1
=µ E= (X )
p
andy
(1 − p )
(X )
σ V=
= 2
2
30

p
EJEMPLO 14: VIGUETA PREFABRICADA
La probabilidad de que una vigueta prefabricada tenga un problema
estructural es de 0,01. Asuma que las viguetas son independientes.
¿Cuál es la probabilidad de que exactamente 125 viguetas tienen que
ser analizadas antes de encontrar la falla estructural?
Respuesta:
Sea X el número de muestras analizadas hasta que una falla estructural es
detectada. Entonces X es una variable aleatoria geométrica con parámetro
p = 0,01.
𝑓𝑓 𝑥𝑥 = 𝑝𝑝(1 − 𝑝𝑝)𝑥𝑥−1
P(X = 125) = 0,01 * (0,99)124 = 0,00288.
31
 EJEMPLO 15: PROMEDIO Y DESVIACIÓN ESTÁNDAR
La probabilidad de que un bit transmitido a través de un canal de transmisión sea
recibido con un error es de 0,1. Suponga que todas las transmisiones son eventos
independientes, y sea la variable aleatoria X el número de bits transmitidos hasta el
primer error. Encuentre el promedio y la desviación estándar.

Respuesta:

Promedio = μ = E(X) = 1 / p = 1 / 0,1 = 10

Varianza = σ2 = V(X) = (1-p) / p2 = 0,9 / 0,01 = 90

Desviación Estándar = 90 = 9,49 32

CARENCIA DE MEMORIA (GEOMÉTRICA)
 El conteo del número de ensayos hasta el siguiente éxito puede empezar en
cualquier ensayo sin cambiar la distribución de probabilidad de la variable
aleatoria.
Ejemplo #16:
 En el ejemplo 15, la probabilidad de que un bit sea transmitido con error es de 0,1.
Suponga que 50 bits han sido transmitidos. ¿Cuál es el número promedio de bits
transmitidos hasta el siguiente error?
Respuesta:

El número promedio de bits transmitidos hasta el siguiente error, después de

que 50 bits han sido transmitidos, es:
1 / 0,1 = 10. 33
El cual es E(X)
DISTRIBUCIÓN HIPERGEOMÉTRICA
 Un conjunto de N objetos contiene:
K: éxitos
N – K: fracasos
 Se toma una muestra de tamaño n, al azar (sin reemplazo) de entre N
objetos, donde K ≤ N y n ≤ N.
 Sea la variable aleatoria X el número de éxitos en la muestra.

f ( x)
=
( )( )
K
x
N −K
n−x
= = 0,(1,
0, n2,+ …, N ) to min ( K , n )
K −mín(K,n)
( )
Donde
where x x max (3-13)
N
n 34
EJEMPLO 17: PARTES DE SUPLIDORES

Un lote de partes contiene 100 partes del suplidor A y 200 partes del
suplidor B. Si 4 partes son seleccionadas aleatoriamente, sin reemplazo,
¿Cuál es la probabilidad de que todas ellas sean del suplidor A?
RESPUESTA:

Sea X igual al número de partes en la muestra del suplidor A.

35
EJEMPLO 17: PARTES DE SUPLIDORES
RESPUESTA:
Sea X igual al número de partes en la muestra del suplidor A.

36
EJEMPLO 18: PARTES DE SUPLIDORES 2
¿Cuál es la probabilidad de que dos o más partes sean del suplidor A?
RESPUESTA:

=DISTR.HIPERGEOM.N(2;4;100;300;FALSO)
+DISTR.HIPERGEOM.N(3;4;100;300;FALSO)
+DISTR.HIPERGEOM.N(4;4;100;300;FALSO)
37

= 0,4074
EJEMPLO 19: PARTES DE SUPLIDORES 3

¿Cuál es la probabilidad de que al menos una parte de la

muestra provenga del suplidor A?
REESPUESTA:

=1-DISTR.HIPERGEOM.N(0;4;100;300;FALSO) = 0,804

38
 DISTRIBUCIÓN HIPERGEOMÉTRICA

 N −n
µ E (=
= X ) np and
y σ V (=
= X ) np (1 − p ) 
2
 (3-14)
 N −1 
where p =
donde K
N
 N −n
and
y   isesthe finite population
el factor correction
de corrección factor.finita
de población
 N −1 

39
EJEMPLO 20: MUESTRA DE CLIENTES
Una lista de cuentas de clientes de una gran compañía tiene 1000 clientes.
De esos, 700 han comprador al menos un producto en los últimos 3 meses.
Para evaluar un producto nuevo, se toma una muestra aleatoria de 50
clientes de la lista. ¿Cuál es la probabilidad de que más de 45 clientes de la
muestra hayan comprado en la compañía en los últimos 3 meses?

RESPUESTA
Sea X el número de clientes de la muestra quienes han comprado en la
compañía en los últimos 3 meses. Entonces X es una variable aleatoria
hipergeométrica con N = 1,000, K = 700, n = 50.

50

∑
P ( X > 45 ) =
( )( )
700 300
x 50 − x Es un problema muy largo!
x = 46
( )
1, 000
50
40
EJEMPLO 20: MUESTRA DE CLIENTES
Una lista de cuentas de clientes de una gran compañía tiene 1000 clientes.
De esos, 700 han comprado al menos un producto en los últimos 3 meses.
Para evaluar un producto nuevo, se toma una muestra aleatoria de 50
clientes de la lista. ¿Cuál es la probabilidad de que más de 45 clientes de la
muestra hayan comprado en la compañía en los últimos 3 meses?

RESPUESTA
N = 1,000, K = 700, n = 50.
=DISTR.HIPERGEOM.N(46;50;700;1000;FALSO)
+DISTR.HIPERGEOM.N(47;50;700;1000;FALSO)
+DISTR.HIPERGEOM.N(48;50;700;1000;FALSO)
+DISTR.HIPERGEOM.N(49;50;700;1000;FALSO)
+DISTR.HIPERGEOM.N(50;50;700;1000;FALSO)
= 0,00012 41

Es un problema un poco menos largo con Excel!

EJEMPLO 21: MUESTRA DE CLIENTES 2
Dado que N >> n (1000>>50), podríamos usar la
aproximación binomial a la distribución de X . El resultado
sería:

∑( )
50
P (=
X > 45 ) ( 0.7 )
50 0.7 x 1 −= 50 − x
0.00017
x = 46
x

42
DISTRIBUCIÓN POISSON

 Proceso Poisson: Se divide un intervalo continuo es intervalos

más pequeños tal que sólo ocurre un intervalo a la vez, todos los
intervalos tienen la misma probabilidad y son independientes
entre sí. .

 Si el número de ocurrencias en el intervalo es λ > 0, la variable

aleatoria X tiene una distribución Poisson con parámetro λ.

43
DISTRIBUCIÓN POISSON

e−λ λ x
f ( x) = para x 0,1, 2,3,...
for (3-16)
x!

𝝁𝝁 = 𝑬𝑬(𝑿𝑿) = 𝝀𝝀
𝝈𝝈𝟐𝟐 = 𝑽𝑽(𝑿𝑿) = 𝝀𝝀

La media y la varianza de un modelo

Poisson tienen el mismo valor!
44
EJEMPLO 22: FALLAS EN EL ALAMBRE DE COBRE
 Para el caso de un alambre delgado de cobre, supóngase que el número
de fallas sigue una distribución Poisson con un promedio de 2,3 fallas por
mm.
 Encuentre la probabilidad de tener exactamente dos fallas en un milímetro
de alambre.

Respuesta:
Sea X el número de fallas en 1 mm de alambre

45
EJEMPLO 22: FALLAS EN EL ALAMBRE DE COBRE
Respuesta:
Sea X el número de fallas en 1 mm de alambre

46
EJEMPLO 23: FALLAS EN EL ALAMBRE DE COBRE-2
 Determine la probabilidad de tener 10 fallas en 5 mm de alambre.

Respuesta:
Sea X el número de fallas en 5 mm de alambre.
fallas/mm fallas

=POISSON.DIST(10;11,5;FALSO) = 0,113
47
EJEMPLO 24: FALLAS EN EL ALAMBRE DE COBRE-3
 Determine la probabilidad de que al menos exista una falla en 2 mm de alambre.
Respuesta:
Sea X el número de fallas en 2 mm de alambre.
Note que P(X ≥ 1) requiere ∞ términos. No es conveniente calcular la suma

fallas/mm fallas

=1-POISSON.DIST(0;4,6;FALSO) = 0,9899

48