Estadstica y Probabilidades

Modelos de probabilidad para variables

aleatorias discretas

DanielMavila@yahoo.es

Bibliografa recomendada: Cordova, Manuel. 2003. Estadstica:

Descriptiva e Inferencial. Ed. Moshera S.R.L. 5ta edicin. Pp 202 278

2016-1
 Experimento

Un experimento o fenmeno es determinista si se obtiene el

mismo resultado cuando se repite el experimento en las mismas
condiciones. Ejemplo: Si dejamos caer una piedra desde una
ventana sabemos, sin lugar a dudas, que la pelota bajar. Si la
arrojamos hacia arriba, sabemos que subir durante un
determinado intervalo de tiempo; pero despus bajar.

Un experimento o fenmeno es aleatorio (o estocstico) cuando

al repetir el experimento en igualdad de condiciones los
resultados varan, a pesar de mantener constantes las
condiciones con las que se realiza el experimento.
 Variable aleatoria, variable estocstica, variable de
probabilidad, variante

Una variable aleatoria X es una funcin numrica que

asocia a cada suceso del espacio muestral E de un
experimento aleatorio un valor numrico real.

X :E
w X ( w)
donde:
w = es un elemento del espacio
muestral
Llamar variable a una funcin resulta algo confuso, por
ello hay que insistir en qu es una funcin.
Las v. a. se pueden clasificar en:
DISCRETAS, cuyo rango es un conjunto
finito o infinito numerable de valores.
Provienen de contar, solamente pueden ser
representados con nmeros enteros.
CONTINUAS, cuyo rango es un conjunto
finito no numerable de valores. Provienen de
medir, se pueden representar con nmeros
enteros o fraccionarios. Entre dos valores
siempre existe un numero intermedio.
 Ejemplo de variable aleatoria discreta:
Nmero de caras al lanzar tres
monedas (fenmeno aleatorio).
Elementos del
+++ ++C +C+ C++ CC+ C+C +CC CCC
espacio muestral
sucesos o
eventos
Ley de
correspondencia
Nmeros reales
(# de caras)
0 1 2 3 caras
Establecer una variable aleatoria para un experimento
aleatorio no es ms que una forma de asignar de "manera
natural" nmeros a los eventos. Tienen un nmero fijo de
valores.
La v. a. es una funcin que atribuye a cada evento un
nmero que no es aleatorio, sino fijo y
predeterminado; lo que es aleatorio es el resultado
del experimento sobre cuyo espacio muestral se
define la v. a.
Ejemplo:
Dado el espacio muestral de lanzar un dado las veces
que sean necesarias hasta obtener el nmero 2.
S = D, ND, NND, NNND, ...
La funcin X definida como el nmero de
lanzamientos realizados hasta que d 2 es una v. a.
cuyo rango (dominio) es el conjunto:
Rx = 1; 2; 3; ...
 Ejemplos

GAMA DE
VARIABLES
EXPERIMENTO RESULTADO VARIABLES
ALEATORIAS
ALEATORIAS
Almacen con 50 rboles N de rboles de navidad X= N de rboles de
0,1,2 50
de navidad vendidos navidad vendidos
Y= N de artculos
Inspecccionar 600 artculos N de artculos aceptables 0,1,2 600
aceptables
Z= N de personas que
N de personas que que
Enviar 5 000 cartas de ventas que responden a las 0,1,2 5 000
responden a las cartas
cartas
% de construccin R= % de construccin
Construir un edificio de departamentos completado en cuatro completado en cuatro 0 R 100
meses meses
Tiempo de duraccin del S= tiempo que funciona el
Probar la vida de un foco (en min.) 0 S 80 000
foco hasta 80 000 foco
Ejemplos

GAMA DE
VARIABLE
EXPERIMENTO RESULTADO VARIABLES
ALEATORIA
ALEATORIAS
Muy de acuerdo (MA) 5 si MA 1; 2; 3; 4 y 5
De acuerdo (A) 4 si A
Estudiantes que
Neutral (N) 3 si N
contestan un X=
En desacuerdo (D) 2 si D
cuestionario
Muy en desacuerdo
1 si MD
(MD)
0 si
Defectuoso
Se inspecciona una defectuoso 0y1
Y=
mquina 1 si no
No defectuoso
defectuoso
Consumidores Mucho 3 si mucho 1; 2 y 3
responden cunto Promedio Z= 2 si promedio
les agrada un Poco 1 si poco
 Requerimientos de una distribucin de
probabilidad
X P(X) X P(X) X P(X)

-1 .1 -1 -.1 -1 .1
0 .2 0 .3 0 .3
1 .4 1 .4 1 .4
2 .2 2 .3 2 .3
3 .1 3 .1 3 .1
1.0 1.0 1.2

0 p( x) 1 para todo x

p( x) 1
x
Ejercicio

La empresa Juega Por Gusto, organizadora de juegos de azar, vende en

da determinado 200 boletos a S/.10 cada uno.
Del total de boletos dos son ganadores de S/.1000; ocho de S/.500; 10 de
S/.200; (12 + UD) de S/.100 y 60 de S/.10.
Sea X una v. a. que representa la ganancia de un jugador.
a) Encuentra la distribucin de probabilidad de X.
b) Cul ser el promedio de ganancia por jugador?
 DISTRIBUCIONES DE PROBABILIDAD DISCRETA

La distribucin de probabilidad para una variable aleatoria

discreta puede ser:

1.- Una relacin terica de resultados y probabilidades que se

puede obtener de un modelo matemtico y que representa
algn fenmeno de inters.

2.- Una relacin emprica de resultados y sus frecuencias

relativas observadas.

3.- Una relacin subjetiva de resultados relacionados con sus

probabilidades subjetivas o artificiales que representan el
grado de conviccin del encargado en tomar decisiones sobre
la probabilidad de posibles resultados.
Las ms tiles son:

1.- La distribucin de probabilidad uniforme discreta o

rectangular.

2.- La distribucin de probabilidad de Bernoulli.

3.- La distribucin de probabilidad Binomial.

4.- La distribucin de probabilidad Hipergeomtrica.

5.- La distribucin de probabilidad de Poisson.

 Funcin masa (ley o modelo o distribucin) de probabilidad
(funcin de cuanta, funcin de probabilidad) de una v. a.
discreta
Se denomina funcin de probabilidad de una v. a.
discreta X a una funcin f(x) que asigna a todo X un
nmero real x, tal que la probabilidad de que X asuma
ese valor:
FDP = f(x) = p = P(X = x) = P(X = y)
Ejemplo: Si hablamos del nmero de caras al lanzar
dos monedas, tenemos:
Rx = 0; 1; 2
Esp. Muestral = cc, cs, sc, ss
f(0) = P(X = 0) = 1/4
f(1) = P(X = 1) = 1/2
f(2) = P(X = 2) = 1/4
 Variable Aleatoria Discreta
Aun si el espacio muestral es infinito numerable,
tambin podemos definir una variable aleatoria discreta y
una funcin de probabilidad.

Ejemplo: Sea X = Nmero de lanzamientos de una

moneda antes de que aparezca una cara.
Entonces:

P(X = 1) = P(C) = 1/2

P(X = 2) = P(+C) = 1/2 . 1/2 = 1/4
P(X = 3) = P(++C) = 1/2 . 1/2 . 1/2 = 1/8
...
y en general P(X = n) = (1/2)n, n = 1; 2, n
Sea el experimento lanzar dos dados. Definamos el es-
pacio muestral E como:
E = {(1;1),(1; 2),...(1; 6),...,(5; 6),(6;6)}

Definamos la variable aleatoria discreta X como:

con S = {2; 3; ... ;12} la suma de puntos.

Una posible funcin de probabilidad (funcin de cuanta):
f : [0;1]
f ( 2) P(X 2 ) P( (1;1) ) 1/ 36
f (3) P(X 3 ) P( (1;2) ( 2;1) ) 2 / 36
f ( 4) P(X 4 ) P( (1;3) (3;1) ( 2;2) ) 3 / 36
...
 Funcin de distribucin acumulada para una v.a.
(Distribucin de probabilidad acumulada)
Dada una variable aleatoria discreta X se llama
funcin de distribucin acumulada a la funcin F
definida como:
F : [0;1]
x FDA F ( x) P( X x)
En el ejemplo de la suma de los dos dados:

F(5) = P(X 5) = P(X = 2 o X = 3 o X = 4 o X = 5)

F(5) = (5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36

Experimento I: Se lanza tres veces una moneda y
definimos la variable aleatoria X como el nmero de caras
que se obtienen.

Se pide:

-Determina el espacio muestral

-Determina la funcin de probabilidad
-Determina la funcin de distribucin
-Grafica ambas funciones
Experimento II: Se lanzan dos veces un dado clsico y
definimos la variable aleatoria X como la diferencia de
puntos entre la primera y la segunda tirada.

Se pide:

-Determina el espacio muestral

-Determina la funcin de probabilidad
-Determina la funcin de distribucin
-Grafica ambas funciones
Algunos problemas de probabilidad estn relacionados
con la probabilidad P(a X b) de que X asuma algn
valor en un intervalo (a, b]. Observa que:

P(a X b) = F(b) - F(a)

En el ejemplo del lanzamiento de dos dados, calcula la

probabilidad de que los dados sumen al menos 4 pero no
ms de 8:
P(3 < X 8) = F(8) - F(3) = 26/36 - 3/36 = 23/36
Ejercicio:
1) Sea X la v. a. que describe el lanzamiento de un dado
cargado. La distribucin de probabilidad de X est dado
por:

P(X=1) = P(X=2) = 1/6; P(X=3) =1/12; P(X=4) =

P(X=5) =

a) Determina f(X). b) Establece F(X). c) Grafica

ambas funciones. d) Halla P(3 <= X < 5).
 VALOR ESPERADO (ESPERANZA
MATEMTICA)

La media de una v. a. X o media de la distribucin de

probabilidad de X se denota por x. A esta media
tambin se le denomina Valor Esperado de X o
Esperanza Matemtica de X, E(X).
 Propiedades

Combinando estas propiedades:

 VALOR ESPERADO (ESPERANZA MATEMTICA)

La media de una v. a. discreta X con funcin masa de

probabilidad f(x) es la expresin:

= E(X) = xi f(xi)

La media de una v. a. continua X con funcin de densidad

f(x) es la expresin:

= E(X) =

x f(x) dx
Ejemplo 1:
La demanda anual en miles de unidades de cierto
artculo de la empresa Somos Lorna SAC es una v. a.
continua X cuya funcin de densidad es:
f(x) = 2x/3 1< = x < = 2
Hallar E(X)

E(X) =
x * 2x/3 * dx = 2x3/9 = 14/9 miles de
unidades, es decir la demanda promedio esperada en
los prximos aos es:
1 000 (14/9) = 1 556 unidades anuales
Ejemplo2:

Calcular la media de la distribucin de probabilidad

de la v. a. X que se define como el nmero de caras
cuando se lanzan 4 monedas. Solucin:

x = 0 1 2 3 4
f(x) = 1/16 4/16 6/16 4/16 1/16
Clculo de la E(X):

E(X) = 0*(1/16) + 1*(4/16) + 2*(6/16) +

+ 3*(4/16) + 4*(1/16)
E(X) = 2
Interpretacin: ______________________________
Ejemplo 3:
Para el caso anterior, donde:
x = 0 1 2 3 4
f(x) = 1/16 4/16 6/16 4/16 1/16
Calcular E(X2) = x2ip(xi) (Frmula que servir para
calcular la varianza esperada).

E(X2) = 0*(1/16) + 1*(4/16) + 4*(6/16) + 9*(4/16) +

16*(1/16)
E(X2) = 5,00
VARIANZA Y DESVIACIN ESTNDAR DE UNA V. A.

La varianza de una v. a. X se denota por 2x, Var(X).

Es la diferencia entre el valor esperado de la v. a. al
cuadrado y la esperanza o valor esperado al cuadrado
de la misma variable. La desviacin estndar x, es
la raz cuadrada de la varianza.
V(X) = E(X2) - [E(X)]2 = x2ip(xi) - 2
Entonces, del ejemplo 2 (nmero de caras cuando se
lanzan 4 monedas) la varianza es:

V(X) = 5,00 - (2)2 = 1,00

Ejercicio 1
La empresa La Fuerza de la Sazn est interesada en
seleccionar una mquina para atender la demanda de
artefactos electrodomsticos con etiquetas de eficiencia
energtica A , al menor costo posible. Existen dos
alternativas a considerar. Una consiste en adquirir la
mquina A, cuyo funcionamiento implicara un costo fijo
anual de S/.2 400 ms S/.20 la unidad producida; y la
otra alternativa es comprar la mquina B, con un costo
fijo de S/.1 500 anuales y S/.25 la unidad de producto.
Las ventas anuales proyectadas tendran uno de los
siguientes escenarios: 80; 120 160 unidades; con una
probabilidad de ocurrencia de 35%, 50% y 15%,
respectivamente. Con la informacin proporcionada
determina la mquina ms conveniente.
Nota: A los artefactos electrodomsticos se les agrega la
etiqueta de eficiencia energtica (Cdigos A hasta G) y
colores, los cuales permiten ahorrar energa durante su vida
til y de paso contribuyen con el cuidado del medio
ambiente.
Ejercicio 2

La probabilidad de xito de las ventas de un artculo

elaborada por la empresa GRRR SAA es y su
respectiva fabricacin se puede realizar con marca
propia o de terceros.
Por el contrario si se fabrica con marca propia el costo
de I & D es de US$3 000; los ingresos seran de
US$15000 o US$5 000, segn sea exitoso o fracaso el
negocio. Los costos operativos seran de US$4 200
anuales.
Si se contrata la marca (franquicia), se paga un derecho
por 5% de los ingresos, los que seran US$20 000 y
US$8 000, segn se tenga xito o fracaso. Los costos
operativos son los mismos que la opcin de producir con
marca propia.
Ejercicio 2 (...)

Con la informacin planteada contesta:

1. La empresa GRRR debe trabajar con marca
propia o con marca de terceros?

2. Cul sera la probabilidad de xito, para que

sea indiferente producir con marca propia o con
marca de terceros?.

3. Cul sera la tasa de derecho de la marca

alquilada, para que las alternativas de producir
sean equivalentes?
Juegos de azar
A un juego de azar podemos asignarle una variable aleatoria X,
cuyos valores son las ganancias correspondientes a los
posibles resultados. La esperanza matemtica de la variable
aleatoria X representa el beneficio medio o ganancia media
que se obtiene en cada jugada cuando se juega un nmero
elevado de veces.
Si la esperanza matemtica es 0 se dice que el juego es justo.
Si es mayor que 0 se dice que el juego es favorable al jugador.
Si es menor que 0 se dice que perjudica al jugador y no es
favorable.

Ejemplo. Sea el juego que consiste en sacar una bola de una

urna que contiene 7 bolas rojas y 3 bolas negras. Ganamos
S/.50 si la bola extrada es roja (R) y pagamos S/.150 en el
caso de que sea negra (N). Qu podemos esperar si jugamos
muchas veces?
Ejemplo (...)
Espacio muestral E = {R, N}. Consideramos las ganancias
como positivas y las prdidas negativas:
Variable aleatoria X Funcin de probabilidad
R 50 0,7

N -150 0,3

50 0,7 (150) 0,3 10

Prdida promedio
Ejemplo.
Una compaa de seguros tiene que determinar el gasto medio
por pliza suscrita por una constructora, sabiendo que cada ao
una de cada 10 000 plizas termina en una reclamacin de
S/.20 millones, una de cada 1 000 en S/.5 millones, una de cada
50 en S/.200 000 y el resto en S/.0; Halla E(X).

1 1
2 10
7
5 10
6

10000 1000
1 9789
2 10 0
5
11000
50 10000
Interpretacin: ______________________________
 Esperanza matemtica o media

x j p( x j ) (Distribucin discreta)
j

xp ( x)dx

(Distribucin continua)

Decimos que una distribucin es simtrica si existe un valor c

tal que para cada real x: p (c + x) = p(c - x).

Observa que si una distribucin es simtrica con respecto a c,

entonces su media es igual a c.
 Varianza y desviacin tpica
2 ( x j ) 2 p( x j ) (Distribucin discreta)
j

2 ( x ) 2 p( x)dx (Distribucin continua)

La desviacin tpica o estndar es el valor positivo de la raz

cuadrada de 2 . Ambas miden la dispersin de la distribucin.

La varianza siempre es 2 > 0, excepto para una distribucin

con p(x) = 1 en un punto y p(x) = 0 en el resto (una distribucin
delta de Dirac), en cuyo caso 2 = 0.
 Distribucin de probabilidad de Bernoulli
(distribucin dicotmica)
Experimento de Bernoulli: solo son posibles dos
resultados xito o fracaso.
Definimos una v. a. discreta X tal que:
xito 1
fracaso 0

Si la probabilidad de xito es p y la de fracaso 1 - p,

podemos construir una funcin de probabilidad:
1 x
P( x) p (1 p)
x
x 0;1
Un tpico experimento de Bernoulli es el lanzamiento de
una moneda con probabilidad p para cara y (1 - p) para
cruz.
 1 x
P( x) p (1 p)
x
x 0; 1

Funcin de distribucin de probabilidad:

1 p, para x 0
f ( x)
p, para x 1
Calcular la esperanza y la varianza de la distribucin de
Bernoulli.

E[ X ] x P ( X x )
1

x 0

0 * P ( X 0) 1 * P ( X 1) p
1
Var ( X ) E[ X ] ( E[ X ]) x P ( X x ) p
2 2 2 2

x 0

0 * P ( X 0) 1 * P ( X 1) p
2 2 2

p(1 p )
 Distribucin de probabilidad binomial
P(x~(n,p)); b(x;n;p); P(X=r|n,p)
La distribucin binomial aparece cuando estamos
interesados en el nmero de veces que un suceso A
ocurre (xitos) en n intentos independientes.
Experimento: N de caras en n lanzamientos de una
moneda.

Si A tiene una probabilidad de xito p () en un

intento, entonces 1- p es la probabilidad de que A
no ocurra (probabilidad de fracaso).
Ejemplo. Experimento aleatorio: n = 3 lanzamientos de una moneda.
Probabilidad de xito en cada lanzamiento (S) = p = .
Probabilidad de fracaso en cada lanzamiento (F) = 1- p = q.

3 p 2 (1 p)

3 p(1 p) 2
Distribucin Binomial
Supongamos que el experimento consta de n intentos y definamos la v. a.
X = Nmero de veces que ocurre A.
En nuestro ejemplo:
X = Nmero de veces que sale cara.
Entonces X puede tomar los valores 0, 1, 2, ... n.

Si consideramos uno de estos valores, por ejemplo en x de los n intentos

ocurre A y en (n x) no. Entonces la probabilidad de cada posible
combinacin es pxqn-x y existen n idnticas combinaciones.
x
La funcin de probabilidad P(X = x) ser la distribucin binomial:

n x n x n!
B(n, p) p( x) p (1 p) p x (1 p) n x
x x!(n x)!
Distribucin binomial para n = 5 y distintos valores de p, B(5, p)
Incrementos de n en una distribucin binomial
Ejemplo 1:
Cul es la probabilidad de que en una familia de cuatro
hijos exactamente dos sean nias?

n x
p(x) p ( 1 p)n x
x
p 0.5; n 4; x 2
4

p( 2 ) ( 0.5 ) ( 1-0.5 )
2 4- 2

2
Ejemplo 2:
Si una dcima parte de personas tiene cierto grupo
sanguneo, cul es la probabilidad de que entre 100
personas escogidas al azar exactamente ocho de ellas
pertenezcan a este grupo sanguneo?

n x n x
p(x) p ( 1 p)
x
p 0.1; n 100; x 8
100
p( 8 ) ( 0.1 )8( 1 - 0.1 )92
8
Y si la pregunta anterior, fuera ocho como mximo?

n x
8
p(x 8 ) p ( 1 p) n x

x 0 x

8
100
(0.1) ( 0.9 )
x 100 x

x 0 x
Ejemplo 3. Calcula la probabilidad de obtener al menos dos
6 al lanzar un dado cuatro veces.
n k nk
P(k ) p q (k 0,1,....n)
k

p = 1/6, q = 5/6, n = 4
Al menos dos 6, implica que nos valen k = 2, 3, 4.
P(2) + P(3) + P (4)

4 1 5 4 1 5 4 1
2 2 3 4

2 6 6 3 6 6 4 6
1 171
4 (6 25 4 5 1) 0.132
6 1296
 Caractersticas de la distribucin binomial
Caso 1:
Media:
= E(X) = n p P(X) n = 5 p = 0.1
0.6
1= 5 * 0,1 = 0,5 0.4
0.2
0.0 X
2= 5 * 0,5 = 0,25
0 1 2 3 4 5
Caso 2:
Desviacin estndar:
P(X) n = 5 p = 0.5
np (1 p) .6
.4
1 5 * 0,1 * (1 0,1) 0,67 .2
0 X
2 5 * 0,5 * (1 0,5) 1,1 0 1 2 3 4 5
Ejercicio
1. Supn que la probabilidad de tener una unidad defectuosa en una
lnea de ensamblaje de las plumas (flechas) de las gras prtico es
de 0,05. Si el conjunto de unidades terminadas constituye un
conjunto de ensayos independientes, contesta:
a) cul es la probabilidad de que entre diez unidades dos se
encuentren defectuosas?
b) y de que a lo sumo dos se encuentren defectuosas?
c) cul es la probabilidad de que por lo menos una se encuentre
defectuosa?

R. 0,0476; 0,9984 y 0,4013 respectivamente

 Distribucin de probabilidad de Poisson
X~p()
Un proceso poissoniano es aqul compuesto de
eventos discretos que son independientes en el
espacio y/o en el tiempo.
En este tipo de experimentos los xitos buscados son
expresados por unidad de distancia, rea, volumen,
tiempo, pieza, etc.
Ejemplos de :
- Nmero promedio de defectos por m2 de una tela
sinttica
- Cantidad de aviones que aterrizan en un aeropuerto
por da.
- Nmero de bacterias por cm3 de cultivo
- Periodicidad de llamadas telefnicas a un conmu-
tador por hora.
- Nmero medio de llegadas de embarcaciones a un
puerto por mes.
Distribucin de probabilidad de Poisson
Al asumirse que un proceso de Poisson es estacionario, se
concluye que la media ( ) del proceso siempre es
proporcional a la magnitud del conjunto de tiempo o de
espacio. Por tanto, si la media de que se disponga
corresponde a un determinado periodo, para otro periodo
que se requiera puede determinarse la media.
Un proceso estacionario (o proceso estrictamente estaciona-
rio) es un proceso estocstico cuya distribucin de probabili-
dad en un instante de tiempo fijo o una posicin fija es la
misma para todos los instantes de tiempo o posiciones. En
consecuencia, parmetros tales como la media y la varianza,
si existen, no varan a lo largo del tiempo o la posicin.
Por ejemplo, el ruido blanco (es una seal no correlativa, es
decir, en el eje del tiempo la seal toma valores sin ninguna
relacin unos con otros) es estacionario. Sin embargo, el
sonido de un golpe de platillos no es estacionario, pues la
energa acstica del golpe (y por lo tanto su varianza)
disminuye con el tiempo.
 Distribucin de Poisson
La distribucin de Poisson se ha encontrado aplicable a
problemas donde la variable aleatoria representa al
nmero de ocurrencias de un evento raro, dentro de un
intervalo dado del tiempo o espacio. es un nmero real
positivo, equivalente al nmero esperado de ocurrencias
durante un intervalo dado. Por ejemplo, si los eventos
ocurren como promedio cada 4 minutos, y se est
interesado en el nmero de eventos ocurriendo en un
intervalo de 10 minutos, se usara como modelo una
distribucin de Poisson con = 2,5.

e x
p( x ) , x 0;1;2; ... 0
Donde:
x!
e = 2,7182818284590452353602874713527
 Caractersticas de la distribucin de
Poisson

Media: P(X) = 0.5

E ( X ) .6
.4
.2
0 X
Varianza: 0 1 2 3 4 5

2 P(X) = 6
.6
.4
Nota: el mximo de la distribucin .2
se encuentra en x 0 X
0 2 4 6 8 10
Ejemplo 1. La seal promedio recibida en un telescopio de una
fuente celeste es de 10 fotones por minuto. (a) Calcular la
probabilidad de recibir 7 fotones en un minuto determinado.
Una distribucin de Poisson con = 10:
x
p( x ) e ( x 0;1,...)
x!
P(X = 7) = 107 e10 / 7! = 0,09, es decir 9%
Parece muy baja. Comparemos con el valor de mxima
probabilidad que ocurrir para x = 10:
= 10 P(X = 10) = 1010 x e10 / 10! = 0.125, es decir 12.5%
Las probabilidades poissonianas para un nmero de eventos
dado, son siempre pequeas, incluso en el mximo de la
distribucin de probabilidad.
(b) Cul es la probabilidad de recibir 7 fotones en un
segundo dado?
(c) Cul es la probabilidad de recibir 7 fotones en una hora
establecida?
Ejemplo 2. Si en promedio, entran dos coches por minuto en un
taller, cul es la probabilidad de que durante un minuto entren
cuatro o ms coches? Solucin:
Si asumimos que un minuto puede dividirse en muchos
intervalos cortos de tiempo independientes y que la probabilidad
de que un coche entre en uno de esos intervalos es p, que para un
intervalo pequeo ser tambin pequeo, podemos aproximar la
distribucin a una Poisson con = n*p = 2.
El suceso complementario entran 3 coches o menos tiene
probabilidad: x
p( x ) e ( x 0;1;...)
x!
2 20
P( A ) p(0) p(1) p(2) p(3) e (
c
0!
21
1! 22
2! ) 0,857
23
3!

y la respuesta es 1 0,857 = 0,143

Ejercicio

La empresa electrnica Elba Lazo observa que el nmero

de componentes que fallan antes de cumplir 100 horas de
funcionamiento es una variable aleatoria de Poisson. Si el
nmero promedio de estos fallos es ocho, responde:
1. cul es la probabilidad de que falle un componente en
25 horas?
2. y de que fallen no ms de dos componentes en 50
horas?
3. cul es la probabilidad de que fallen por lo menos diez
en 125 horas?
R: 0,27067; 0,2381 y 0,41696
 Distribucin de Poisson como aproximacin de la
Distribucin Binomial

Cuando en una distribucin binomial el nmero de intentos (n)

es grande (>= 100) y la probabilidad de xito (p) es pequea
(n*p <=10), la distribucin binomial converge a la distribucin de
Poisson.

Donde:
= = n*p

Si p es pequea, el xito es un suceso raro.

Ejemplo. Si la probabilidad de fabricar un televisor defectuoso
es p = 0,01, cul es la probabilidad de que en un lote de 100
televisores contenga no ms de 2 televisores defectuosos?
La distribucin binomial nos dara el resultado exacto:
100 99 100 99 1 100 99 1
100 99 98 2

P( A)

0 100
1 100 100 2 100 100
0,920626

n x n x
p( x ) p q ( x 0;1;...n )
x
El suceso A: No ms de 2 televisores defectuosos puede
aproximarse con una distribucin de Poisson con = np = 1,
sumando p(0) + p(1) + p(2).
1 x
P( A) e (1 1 12 ) 0,919698603 p( x ) e ( x 0;1,...)
x!
Propiedad reproductiva de las distribuciones de
probabilidad

Algunas distribuciones de probabilidad tienen la

propiedad siguiente:
Si dos o ms variables aleatorias que tienen
una distribucin de probabilidad del mismo tipo
se suman, la v.a. resultante tiene una
distribucin del mismo tipo que los sumandos.
(Teorema de Fourier).
Las distribuciones: Binomial (respecto a n),
Poisson (respecto a ) y Normal (respecto a y
) son distribuciones reproductivas.
Ejemplo.

Si X1, X2, , Xn son v.a. independientes de

Poisson con parmetros 1, 2, n, entonces:
n
Y Xi
i 1

Es una v.a. de Poisson con parmetro y:

n
y i
i 1
Ejercicio
En la fbrica Alan Brito SAC el nmero de
accidentes laborales por semana sigue un
proceso de Poisson con parmetro = 2.
Determina:
a) La probabilidad de que haya cuatro accidentes en
el transcurso de tres semanas. Rpta. 0,1339
Tip. Aplicar propiedad reproductiva.
b) La probabilidad que haya dos accidentes en una
semana, y otros dos accidentes en la semana
siguiente. Rpta. 0,0733

c) Es lunes, y ya ha habido un accidente. La

probabilidad que en aquella semana no haya ms
de tres accidentes. Rpta. 0,8348
Solucionario c)

3 ( 1)
( 3 1) =
( 1)

P(1X3)
=
(1)

3 ( = 0)
=
( 1)

1 (4)
=
(1)
La suma de v.a. binomiales con el mismo parmetro p es una binomial de
parmetro p.

Ejemplo

En un hospital la probabilidad de curar un enfermo sin secuelas es 0,90. Esta probabilidad es anloga en otro
hospital de otra ciudad. Si llegan en un da 20 enfermos al primer hospital y 30 al segundo cul es la probabilidad
de curar sin ningn tipo de secuela a ms de 46 pacientes?

Observa que se ha introducido una nueva v.a. en el experimento aleatorio. La v.a. Y que es la suma de las dos X.
Nos piden la

Explicacin: La v.a Y sigue el modelo Binomial. Como n >30 se resuelve por el modelo Normal.
 APROXIMACIN DE POISSON A LA BINOMIAL
Algunos experimentos binomiales dadas
sus caractersticas, es posible aproximar-
las con la distribucin de Poisson. Estas
caractersticas son, n (n es muy
grande) y p0 (p es muy pequea), por
lo que: x
n x
p( x ,n , p ) n Cx p q
x

x!
Donde:
= = n*p = nmero esperado de xitos =
tasa promedio de xitos
n = nmero de repeticiones del experimento
p = probabilidad de xito = p(xito)
Ejemplo:
Se sabe que el 5% de los libros encua-
dernados en el CEUPS de la Facultad
tienen encuadernaciones defectuosas.
Determina la probabilidad de que 2 de
100 libros encuadernados en ese Centro,
tengan encuadernaciones defectuosas,
usando:
a) la frmula de la distribucin Binomial,
b) la aproximacin de Poisson a la distri-
bucin Binomial.
Propuesta de solucin:

a) n = 100
p = 0,05 = p (encuadernacin defectuosa)
= p (xito)
q = 0,95 = p (encuadernacin no defectuosa)
= p(fracaso)
x = variable que nos define el nmero de
encuadernaciones defectuosas en la muestra
= 0; 1; 2; 3; ...100 encuadernaciones
defectuosas.
Respuesta: 0,0812
 b) (...)
n = 100 encuadernaciones
p = 0,05
= np = (100)(0,05) = 5
x = variable que define el nmero de
encuadernaciones defectuosas en la
muestra = 0; 1; 2; 3; 100 encuader-
naciones defectuosas


x 2 5
( 5 ) ( 2.718 )
p( x 2, 5 ) 0.0843
x! 2!
(...)
Interpretacin

Al comparar los resultados de las

probabilidades con una y otra distribucin,
nos damos cuenta de que la diferencia entre
un clculo y otro es de tan solo 0,0031; por lo
que la aproximacin de Poisson es una buena
opcin para calcular probabilidades
binomiales.
Recordando
Experimentos con reemplazo
Elegir al azar con reemplazo significa que escogemos al azar
un elemento de un conjunto y lo regresamos para elegir de nuevo
al azar. Esto garantiza la independencia de las elecciones y nos
lleva a una distribucin binomial.
Si una caja contiene N bolas de las cuales A son rojas, entonces
la probabilidad de escoger al azar una bola roja es: p = A/N.

Si repetimos el experimento sacando n bolas con reemplazo la

probabilidad de que x sean rojas es:
n x
n A
x
A
P( x ) 1 ( x 0;1;....n )
x N N
(Una distribucin binomial)
Recordando
Experimentos sin reemplazo
Elegir al azar sin reemplazo significa que no devolvemos
el elemento elegido al azar al conjunto. De modo que las
probabilidades de la siguiente eleccin dependen de las
anteriores.
Si repetimos el experimento anterior sacando n bolas sin
reemplazo, cul ser ahora la probabilidad de que X sean
rojas?
N
Casos posibles
n
Para calcular los casos favorables observa que:
I) N = A + (N A).
II) De las A bolas rojas tomaremos x bolas
III) De las (N A) bolas no rojas tomaremos (n x).
 Distribucin Hipergeomtrica

Dados N, A y B nmeros naturales, se

llama variable aleatoria Hipergeomtrica
de parmetros (n; A; B) a una variable que
trata de medir el nmero de xitos(bolas
azules, por ejemplo) cuando se extrae una
muestra de tamao n sin reemplazamien-
to, de una urna con N = A + B bolas, de
las que A son azules y el resto blancas.
Esta distribucin es anloga a la Binomial,
pero se basa en un muestreo reemplaza-
miento.
Hipergeomtrica...

Los experimentos que tienen una distribucin

Hipergeomtrica tienen las siguientes caractersticas:

a) Al realizar un experimento con este tipo de

distribucin, se esperan dos tipos de
resultados.
b) Las probabilidades asociadas a cada uno de
los resultados no son constantes.
c) Cada ensayo o repeticin del experimento no
es independiente de los dems.
d) El nmero de repeticiones del experimento (n)
es constante.
 Distribucin Hipergeomtrica

A N A

x n x
H (n, N , A) P( x) ( x 0;1; ... n)
N

n

nA nA A N n
1
2

N N N N 1
 Distribucin Hipergeomtrica...
donde:

N: Tamao del espacio poblacional

n: Tamao de la muestra, cada nmero de ensayos

A: Nmero de xitos en el espacio muestral

N A: Tamao de fracasos en el espacio poblacional

x: Tamao de xitos en la muestra. Est en el intervalo [0;n]

(n x): Tamao de fracasos en la muestra

 Distribucin Hipergeomtrica...

Ejemplo 1. Supn que durante la semana

se fabricaron 50 (N) estaciones del juego
Ivan versus Mutants para video. Cuarenta
(A) de ellas funcionaron perfectamente, y el
resto tuvieron al menos un defecto. Se
seleccion al azar una muestra de cinco (n)
estaciones, cul es la probabilidad que
cuatro (X) de las cinco funcionen
perfectamente?
 Distribucin Hipergeomtrica...

40 50 40

4 5 4
P (4) 0,431
50

5
Respuesta. La probabilidad de seleccionar cinco
estaciones de juego y encontrar que cuatro
funcionan perfectamente es de 0,431.
 Distribucin Hipergeomtrica...

Ejemplo 2. Se quiere seleccionar al azar 2 bolas de una caja que

contiene 10 bolas, 3 de las cuales son rojas. Encuentra la funcin
de probabilidad de la variable aleatoria X = Nmero de bolas
rojas en cada eleccin (con y sin reemplazo).

Tenemos N = 10, A = 3, N - A = 7, n = 2
Con reemplazo (distribucin binomial):

2 x
2 3
x
7
p( x ) , p(0) 0,49, p(1) 0,42, p(2) 0,09
x 10 10
 Distribucin Hipergeomtrica...

Tenemos N = 10, A = 3, N - A = 7, n = 2

Sin reemplazo (Distribucin hipergeomtrica)

3 7

x 2 x 21 3
p( x ) p(0) p(1) 0,47 , p( 2) 0,07
10 45 45

2
Ejercicio
Clemencia Prez auditora de SUNAT est seleccionando una muestra de seis
declaraciones juradas de impuesto a la renta de los docentes de la Facu para
una posible auditora. Si dos o ms de ellas indican deducciones no
autorizadas, se auditar todo el grupo (poblacin) de 100 declaraciones. Si el
25% de las declaraciones son incorrectas, determina:
(a) La verdadera distribucin de probabilidad de nmero de declaraciones
incorrectas en la muestra. Cules son los parmetros (Media y varianza)?
Halla la probabilidad de una auditora detallada.
(b) Utiliza una aproximacin (binomial) a la verdadera distribucin de
probabilidad para hallar la probabilidad de una auditora ms detallada.

25 75
X 6-x
. h(x, 100, 6, 25 ) = . x=0, 1, 2, 3, 4, 5, 6.
100
6

Los parmetros son:

E(X) = 6*(25/100) = 3/2 y Var(X) = 6*(25/100)[1-25/100][94/99] = 47/44.

Se har una auditoria ms detallada, si X toma valores mayores o iguales que 2:
Es decir:

P [X2] = 1 P[X 1 ] = 1 [ P[X = 0] + P[ X= 1 ]]

75 25 75

=1 - 6 + 1 5 = 0,4691
100