Distribuciones de probabilidades de variables aleatorias discretas

Juan Espinoza B.
Facultad de Agronoma Universidad de Concepcin


Introduccin

Como se ha sealado en artculos anteriores, los eventos experimentales de mayor inters
con frecuencia son numricos, es decir, realizamos un experimento y observamos el valor
numrico de alguna variable. Si repetimos el experimento n veces, obtenemos una muestra
de datos cuantitativos. Como ejemplo, supongamos que un producto fabricado en una
empresa, se vende en lotes de 20 cajas, cada una de las cuales contiene 12 artculos. A fin
de verificar la calidad del producto, el jefe de control de procesos de la empresa selecciona
al azar cuatro de entre los 240 artculos de un lote y determina si los artculos estn
defectuosos o no. Si ms de uno de los artculos muestreados resulta defectuoso, se
rechazar todo el lote.

La seleccin de cuatro artculos fabricados de entre 240 produce un espacio muestral que
contiene
|
|

\
|
4
240
eventos simples, cada uno de los cuales corresponde a una posible
combinacin de cuatro artculos que podran seleccionarse del lote. El evento de inters
para el jefe de control de procesos es la observacin de la variable X nmero de artculos
defectuosos entre los cuatro que se prueban, por lo tanto existe una relacin funcional entre
los eventos simples E
i
de y los valores que puede asumir X.

El evento x = 0 es la coleccin de todos los eventos simples que no contienen artculos
defectuosos. De forma similar, el evento x = 1 es la coleccin de todos los eventos simples
en lo que se observa un artculo defectuoso. Puesto que el valor que X puede asumir es un
evento numrico, que vara de forma aleatoria de una repeticin del experimento a otra, se
dice que X es una variable aleatoria.

Conceptos bsicos
Una variable aleatoria es una funcin que cuantifica los resultados de un experimento
aleatorio. Una variable aleatoria discreta X slo puede asumir una cantidad de valores
susceptible de contarse. En estadstica la distribucin de probabilidad para una variable
aleatoria discreta X es una tabla, grfica o frmula que da la probabilidad P(X = x)
asociada a cada posible valor de X. Si consideremos el experimento de lanzar dos veces
una moneda balanceada y se observa el nmero X de caras. Calculemos la distribucin de
probabilidad para X. Sean C
i
y S
i
la observacin de una cara y un sello, respectivamente,
en el i simo lanzamiento, para i = 1, 2. Los cuatro eventos simples y los
correspondientes valores de X se muestran en la tabla 1.



Evento Simple Descripcin P(E
i
) Nmero de caras X
E
1

E
2

E
3

E
4
C
1
C
2

C
1
S
2

S
1
C
2

S
1
S
2




2
1
1
0

El evento x = 0 es la coleccin de todos los eventos simples que producen un valor de x = 0
en este caso es el nico evento E
4
, luego la probabilidad de que x asuma el valor cero es:
P(x = 0) = p( 0 ) = P(E
4
) =
4
1
. El evento x = 1 contiene dos eventos simples, E
2
y E
3
. Por
tanto, P(x = 1) = p( 1 ) = P(E
2
) + P(E
3
) =
4
1
+
4
1
=
2
1
. Por ltimo, P(x = 2) = p( 2 ) =
P(E
1
) =
4
1
. La tabla 2, muestra la distribucin de probabilidad para x.
X p(x)
0
1
2

=
x
x p 1 ) (
Como se ver ms adelante, esta distribucin de probabilidad tambin puede calcularse con
la frmula
4
2
) (
|
|

\
|
=
x
x p , usando la distribucin binomial.
Requisitos para una distribucin de probabilidad discreta
1. 0 p(x) 1 2.

=
todax
x p 1 ) (
Esperanza. Sea x una variable aleatoria discreta con distribucin de probabilidades p(x).
Entonces el valor esperado o medio de x es

= =
todax
x xp x E ) ( ) (
Varianza. Sea x una variable aleatoria discreta con distribucin de probabilidades p(x).
Entonces, la varianza de x es [ ]
2 2 2 2
) ( ) ( = = x E x E . La desviacin estndar
de x es la raz cuadrada positiva de la varianza de x.




Distribucin Bernoulli

Una prueba o experimento Bernoulli tiene uno de dos resultados mutuamente excluyentes,
que generalmente se denotan S (xito) y F (fracaso). Por ejemplo, al seleccionar un objeto
para control de calidad puede ocurrir que sea defectuoso o no lo sea. El espacio muestral
, de un experimento Bernoulli consta de dos resultados = { xito, fracaso}


sea


Supongamos que p es la probabilidad de observar un xito en un ensayo Bernoulli, donde
0< p < 1.

La distribucin de probabilidad de la variable aleatoria (v. a) . Bernoulli, est dada por:

P(x = 1) = p, P(x = 0) = 1 p = q

La distribucin de probabilidad de la variable aleatoria de Bernoulli X est dada por:

X Bernoulli (p)

Si X ~ Bernoulli (p), entonces
E(X) = 0q + 1 p = p
Var(X) = E(X
2
) E(X)
2
= E(X
2
)
2
=
= 0
2
q + 12 p p
2
= p( 1 p) = pq
Var(X) = pq

Ejemplo

Si X ~ Bernoulli(1/3) P(x) = (1/3)
x
(2/3)
1 x

entonces p = 1/3 y q = 2/3, luego
E(X) = 1/3 y Var(X) = 2/9

Una variable aleatoria de Bernoulli, por s sola, tiene poco inters en las aplicaciones de
ingeniera y ciencias. En cambio, la realizacin de una serie de pruebas de Bernoulli
conduce a varias distribuciones de probabilidad discretas bien conocidas y tiles.


La distribucin de probabilidad binomial
Muchos experimentos en la vida real consisten en efectuar una serie de pruebas de
Bernoulli y son anlogos al lanzamiento de una moneda no balanceada un nmero n de
veces. Suponga que el 20% de los artculos que produce una mquina son defectuosos. En
este caso seleccionar una muestra aleatoria de 10 artculos y analizarlos para determinar si
son defectuosos sera anlogo a lanzar una moneda no balanceada 10 veces, siendo la
probabilidad de obtener una cara (artculo defectuoso) en una sola prueba igual a 0,20.

=
fracaso es si 0
xito es si 1
) (
w
w
w X
1 , 0 ; ) (
1
= = =

x q p x X P
x x

Las encuestas de opinin pblica o preferencias de los consumidores que generan dos
respuestas (s o no, aprueba o desaprueba, etc.) tambin son anlogas al experimento de
lanzar un moneda no balanceada si el tamao N de la poblacin es grande y el tamao de la
muestra n es relativamente pequeo, digamos 0,10N o menos. Todos estos experimentos
son ejemplos particulares de un experimento binomial.
Experimento binomial es aquel experimento generado por n ensayos Bernoulli independien
tes, donde cada ensayo tiene igual probabilidad de xito p, 0 < p < 1
=
1
x
2
x . . . x
n
;
i
= { xito, fracaso }.

Sea X = nmero de xitos en n ensayos Bernoulli, entonces el recorrido de X es R
X

= { 0, 1, 2, . . . , n } .

La distribucin de probabilidad para X es:



Observaciones
1)

2) Si X ~ Binomial (n, p), entonces
E(X) = np Var(X) = npq

Ejemplo

Un agente de seguros vende plizas a 5 individuos, todos de la misma edad. De acuerdo
con las tablas actuariales, la probabilidad de que un individuo con esa edad viva 30 aos
ms es de 3/5. Determinar la probabilidad de que dentro de 30 aos vivan:
1. Los cinco individuos.
2. Al menos tres.
3. Slo dos.
4. Al menos uno.

Solucin

Estamos frente a una variable Bernoulli ya que dentro de 30 aos se pueden presentar dos
situaciones que la persona este viva (p = 3/5) o que haya muerto (q = 2/5). Al considerar
los 5 individuos, estamos frente a una varia aleatoria X binomial con n = 5, p = 0, 6 X ~
B(5, 0,6).




1. Debemos calcular P(X = 5)



( ) 0,1, 2, . . .,
x n x
n
P X x p q x n
x

| |
= = =
|
\
0 0
( ) ( ) 1
n n
n k n k n x n x
k x
n n
a b a b p q p q
k x

= =
| | | |
+ = + = =
| |
\ \

5 4 3 2 1 0 4 , 0 6 , 0
5
) (
5
, , , , , x
x
x X P
x x
=
|
|

\
|
= =

07776 , 0 4 , 0 6 , 0
5
5
) 5 (
0 5
=
|
|

\
|
= = X P

2. Debemos calcular P(X 3), o lo que es lo mismo,
1 P(X < 3) = 1 P(X = 0) P(X = 1) P(X = 2)
= 1 0,01024 0,0768 0,2304 = 0,68256

3. P(X = 2) = 0,2304
4. P(X 1) = 1 P(X = 0) = 1 0,01024 = 0,98976


Ejemplo

Suponiendo que la probabilidad de tener un hijo varn es 0,51. Hallar la probabilidad de
que una familia con seis hijos tenga:
1. Por lo menos un nio.
2. Por lo menos una nia.

Solucin

Si X es la variable nmero de hijos varones en una familia de seis hijos, estamos frente a
una variable binomial con
n = 6 y p = 0,51.
1. Debemos calcular P( X 1) = 1 P( X = 0)



2. Debemos calcular P(X5) = 1 P(X = 6)




La distribucin Poisson

Fue introducida en 1837 por el matemtico francs Simen Dennis Poisson(1781-
1840). La distribucin de Poisson se utiliza como distribucin de las ocurrencias de un
fenmeno en una unidad de tiempo. Tambin se utiliza como modelo del nmero de
defectos o disconformidades que ocurren en una unidad de producto. En realidad,
cualquier fenmeno aleatorio que ocurre por unidad (de rea, de volumen, de tiempo etc.)
se puede aproximar bien, en la mayora de los casos, por la ley de Poisson. Tambin se
utiliza en el diseo de lmites de control de los diagramas p en control de calidad.

Caractersticas de una variable aleatoria Poisson

1. El experimento consiste en contar el nmero x de veces que ocurre un evento en
particular durante una unidad de tiempo dado, o en un rea o volumen (o peso, distancia o
cualquier otra unidad de medida) dada.

9862 , 0 ) 49 , 0 ( ) 51 , 0 (
0
6
1 ) 0 ( 1
6 0
=
|
|

\
|
= = X P
9824 , 0 ) 49 , 0 ( ) 51 , 0 (
6
6
1 ) 6 ( 1
0 6
=
|
|

\
|
= = X P

2. La probabilidad de que un evento ocurra en una unidad dada de tiempo, rea o
volumen es la misma para todas las unidades.

3. El nmero de eventos que ocurren en una unidad de tiempo o rea o volumen es
independiente del nmero de los que ocurren en otras unidades.

4. El nmero medio (o esperado) de eventos en cada unidad se denota por la letra
griega lambda, .


La distribucin de probabilidad Poisson

La distribucin de probabilidades par una variable aleatoria Poisson est dada por



Donde, = es el nmero de eventos en una unidad dada de tiempo, rea o volumen.
e = 2,71828...
la media y la varianza de la variable aleatoria Poisson son

Media = E(X) = , Varianza
2
= Var(X) =

Ejemplo

El nmero de accidente por semana en una fbrica sigue una distribucin Poisson de
parmetro = 2. Calcular:
1. La probabilidad de que en una semana haya algn accidente.
2. La probabilidad de que haya 4 accidentes en dos semanas.
3. La probabilidad de que haya 2 accidentes en una semana y otros dos en la semana
siguiente.
4. Si sabemos que ha habido un accidente hallar la probabilidad de que en esa semana
no haya ms de tres accidentes.

Solucin

1. Si X es la v. a. nmero de accidentes por semana, sabemos que se ajusta a un
modelo Poisson con = 2, entonces


2. Si X es el nmero de accidentes en la primera semana e Y es el nmero de
accidentes en la segunda semana, estamos ante dos variables independientes
Poisson de parmetro = 2, debemos calcular P( X + Y = 4), pero la variable X +
Y es una variable Poisson de parmetro = 2+2 = 4, luego se tiene que:



( ) 0, 0,1, 2, 3,...
!
x
e
P X x x
x

= = > =
0
2
2
( 0) 1 ( 0) 1 0, 8646
0!
P X P X e

> = = = =
4 4
4
( 4) 0,1954
4!
e
P X Y

+ = = =

3. Debemos calcular la probabilidad de la interseccin de dos sucesos independientes

P( X = 2) P( Y = 2) = P( X = 2) P( Y = 2)


4. Debemos calcular la siguiente probabilidad condicionada








Aproximacin de la distribucin Binomial usando la distribucin Poisson

La distribucin de probabilidad Poisson est relacionada con una distribucin de
probabilidad binomial cuando n es grande y = np 7, y puede utilizarse como
aproximacin

Ejemplo

La proporcin de alumnos de un distrito universitario con calificacin de sobresaliente es
de 0,005%. Determinar la probabilidad de que entre 5000 alumnos seleccionados al azar
haya dos con calificacin media sobresaliente.

Solucin

Tericamente la variable X definida por el nmero de alumnos (de entre los 5000) que
tienen una calificacin media sobresaliente es una variable binomial con n = 5000 y p =
0,00005. La probabilidad pedida es P(X = 2), pero deberamos calcular





que es difcil de calcular; sin embargo como np = 0,25 < 5 y p < 0,1, podemos aproximar
la variable binomial X ~(5000, 0,00005) por una variable Poisson de parmetro = np =
0,25. Los clculos se muestran a continuacin.



Se observa que difieren en la sexta cifra decimal, es decir alrededor de las millonsimas.



2 2 2 2
2 2
0, 0733
2! 2!
e e

= =
2 2 2 2 3
2 0
(1 3)
( 3/ 1)
( 1)
2 2 2
1! 2! 3!
0, 8348
2
1
0!
P X
P X X
P X
e e e
e

+ +
= =

024334938 , 0
) 00005 , 0 1 ( ) 00005 , 0 (
2
5000
) 2 (
2 5000 2
=

|
|

\
|
= =

X P
0243337524 , 0
! 2
25 , 0
) 2 (
2
25 , 0
= = =

e X P

Distribucin Binomial Negativa y Geomtrica

Consideremos una serie de ensayos Bernoulli independientes y sea r el nmero exacto de
veces que aparece el suceso A de probabilidad p. La variable aleatoria X, que denota el
nmero de fallos antes del r -simo xito, tiene distribucin Binomial Negativa. La
variable binomial negativa tambin suele caracterizarse como el tiempo de espera hasta el
n-simo xito, y se aplica en estudios de fiabilidad y en situaciones cclicas donde se
alternan xitos y fracasos.

X~ Bin-Neg(r, p) R
X
= {r, r +1, r + 2, . . .}
La distribucin de probabilidades est dada por:



Donde
p = probabilidad de xito en una sola prueba Bernoulli,
q = 1 p
x = nmero de pruebas hasta que se observa el r simo xito.
la media y la varianza de la variable aleatoria binomial negativa son
Media = E(X) =
p
r
, Varianza
2
= Var(X) =
2
p
rq


La distribucin de probabilidad binomial negativa es una funcin de dos parmetros, p y r.
Para el caso especial en que r = 1, la distribucin de probabilidad de x se denomina
distribucin de probabilidad geomtrica.

1
) (

=
x
pq x p x = 1, 2, 3, ...
donde x = nmero de pruebas hasta que se observa el primer xito.
Media = E(X) =
p
1
, Varianza
2
= Var(X) =
2
p
q


Ejemplo

Un fabricante utiliza fusibles elctricos en un sistema electrnico. Los fusibles se compran
en lotes grandes y se prueban secuencialmente hasta que se observa el primer fusible
defectuoso. Suponga que el lote contiene 10% de fusibles defectuosos:
a. Qu probabilidad hay de que el primer fusible defectuoso sea uno de los primeros
cinco fusibles probados?
b. Calcule la media, la varianza y la desviacin estndar de x, el nmero de fusibles
probados hasta observarse el primer fusible defectuoso.

Solucin

a. El nmero x de fusibles probados hasta observarse el primer fusible defectuoso, es una
variable aleatoria geomtrica con
p =0,1 (probabilidad de que un solo fusible sea defectuoso)
1
( ) , 1, 2,...
1
r x r
x
P X x p q x r r r
r

| |
= = = + +
|

\

q = 1 p = 0,9
y

. 0,1,2,3,.. x (0,1)(0,9)
) (
1 - x
1
= =
=
x
pq x p


La probabilidad de que el primer fusible defectuoso sea uno de los primeros cinco fusibles
probados es

41 , 0 (0,1)(0,9) (0,1)(0,9) (0,1)(0,9) (0,1)(0,9) (0,1)(0,9)
) 5 ( ... ) 2 ( ) 1 ( ) 5 (
4 3 2 1 0
= + + + + =
+ + + = p p p x p


b. La media, la varianza y la desviacin estndar de esta variable aleatoria geomtrica
son
10
1 , 0
1 1
= = =
p

90
1 , 0
9 , 0
2 2
2
= = =
p
q

49 , 9 90
2
= = =


Bibliografa

1. William Mendenhall/ Terry Sincich. Probabilidad y Estadstica para Ingeniera y
Ciencias. Editorial Prentice Hall, 1997. Cuarta Edicin.

2. Murray R. Spiegel. Estadstica. Editorial McGrawHill. 1995.

3. Webster, Allen. Estadstica Aplicada. Editorial McGrawHill. 2001.

4. Mora/ Cid/Valenzuela. Probabilidades y Estadstica. Universidad de Concepcin. 1996.