Probabilidad y Estadstica

DISTRIBUCIONES DISCRETAS: BINOMIAL, GEOMTRICA,

BINOMIAL NEGATIVA, HIPERGEOMTRICA Y POISSON.
En este tema se presentan algunas distribuciones de variables aleatorias discretas as
como su esperanza y varianza.

Distribucin Binomial.
Un experimento binomial tiene las siguientes propiedades:
1. El experimento consiste en n ensayos idnticos.
2. Cada ensayo tiene dos resultados posibles. A uno de ellos se le denotar como
xito y al otro fracaso.
3. La probabilidad de xito en un ensayo es igual a p y es igual en todos los ensayos.
La probabilidad de fracaso en cada ensayo es q=1-p.
4. Los ensayos son independientes.
Cuando se cumplen las condiciones anteriores se dice que la variable aleatoria X que
representa el nmero de xitos obtenidos en los n ensayos tiene distribucin Binomial y
se denota (, ). El recorrido de la variable es = {0,1,2, , }.
Las caractersticas de la variable X son:

1. La funcin masa de probabilidad es ( = ) = .

2. La media de la distribucin es [] = .
3. La varianza es () = .

!
Recurdese que =
representan las combinaciones de n elementos tomado en
!()!

grupos de k.
Ejemplo:
Suponga que Ana, una lanzadora de dardos, logra un objetivo con probabilidad p=1/3.
Suponga que ella dispara a su objetivo 7 veces. Encuentre la probabilidad de que ella
alcance el objetivo:
a)
b)
c)
d)

Exactamente 3 veces.
Al menos una vez.
Encuentre el nmero esperado de veces que ella le atinar al objetivo.
Encuentre la desviacin estndar.

Solucin.
Se puede observar que este experimento es un experimento binomial, pues se realizan
n=7 disparos con las mismas condiciones, en cada disparo hay dos resultados posibles, a
saber, atinarle al blanco o fallar, la probabilidad de xito es p=1/3 y el resultado de cada
1
lanzamiento es independiente de los otros lanzamientos. Por lo tanto, (7, ) .
3
Entonces:

Probabilidad y Estadstica
a) La probabilidad de que le atine al objetivo exactamente 3 veces estara dado por:
3
2 4
7 1
( = 3) = = 0.256
3 3
3
b) La probabilidad de que alcance el objetivo al menos una vez es:
0
2 7
2 7
7 1
( 1) = 1 ( = 0) = 1 = 1 = 0.941
0 3
3
3
c) El nmero esperado de veces que ella le atinar al objetivo es,
1
() = = 7 = 2.333,
3
es decir, aproximadamente dos de esas siete veces le atinar Ana al objetivo.
1

d) La varianza de X es () = = 7 =

Distribucin Geomtrica.

14
9

por lo tanto =

14
9

= 1.2472.

Considere ensayos repetidos de un experimento en el cual existe una probabilidad de

xito p, una probabilidad de fracaso q=1-p y se sabe que cada ensayo es independiente
de los anteriores. La variable X que representa el nmero de veces que el experimento
debe ser repetido hasta obtener finalmente un xito es conocida como Geomtrica. En tal
caso se escribe (). El recorrido de X es = {1,2,3, } y la funcin masa de
probabilidad es:
( = ) = 1

La expresin anterior se obtiene del hecho de que el experimento se repetir k veces

solamente en el caso de que haya una sucesin de k-1 fracasos seguidos anteriores al
xito.
La esperanza de una variable aleatoria con distribucin geomtrica es [] =
varianza es () =

Ejemplo:

y su

La probabilidad de que un proyectil alcance un objetivo es p=0.2 y se disparar tantas

veces como sea necesario hasta alcanzar el objetivo.
a) Encuentre el nmero esperado de cohetes que sern disparados antes de
alcanzar el objetivo.
b) Encuentre la probabilidad de que 4 ms cohetes sean requeridos para alcanzar
finalmente el objetivo.
Solucin.
a) El nmero esperado de disparos antes de alcanzar el objetivo es:
1
1
() = =
= 5.

0.2

b) La probabilidad de que al menos cuatro cohetes sean requeridos es:

( 4) = 1 ( 3) = 1 [0.2 + (0.8)(0.2) + (0.8)2 (0.2)] = 0.512

Probabilidad y Estadstica

Distribucin Binomial Negativa.

La distribucin binomial negativa es una generalizacin de la distribucin geomtrica, pero
ahora en lugar de hacer el experimento hasta obtener el primer xito, se hace el
experimento hasta obtener el xito nmero r.
Considere ensayos repetidos de un experimento en el cual existe una probabilidad de
xito p, una probabilidad de fracaso q=1-p y se sabe que cada ensayo es independiente
de los anteriores. La variable X que representa el nmero de veces que el experimento
debe ser repetido hasta obtener el simo xito es conocida como Binomial negativa.

En tal caso se escribe (, ). El recorrido de X es = {, + 1, + 2, } y la

funcin masa de probabilidad es:
( = ) =

1

1

La esperanza de una variable aleatoria binomial negativa es:

y su varianza es

Ejemplo:

[] =
() =

(1 )
2

La probabilidad de que un nio expuesto a una enfermedad se contagie es 0.4, determine:

a) La probabilidad de que el dcimo nio expuesto a la enfermedad sea el tercero en
contraerla.
b) El nmero esperado de nios que deben exponerse a la enfermedad para que
hayan tres enfermos.
Solucin.
a) Sea X la variable que representa el nmero de nios que han sido expuestos
hasta obtener tres enfermos, entonces (3,0.4). Luego la probabilidad
de que el dcimo nio sea el tercero en contraer la enfermedad es:
10 1 (0.4)3 (0.6)103
9

( = 10) =
= (0.4)3 (0.6)7 = 0.0645
31
2
b) El nmero esperado de nios que deben exponerse a la enfermedad para obtener
tres enfermos es

3
() = =
= 7.5.
0.4

Distribucin Hipergeomtrica .

Se tienen en total N objetos, de los cuales M tienen una caracterstica deseada y los
restantes N-M no. Si se seleccionan n de los objetos, la variable X que representa el
nmero de objetos que poseen la caracterstica deseada de los n seleccionados se
distribuye hipergeomtrica y se denota por (, , ). El recorrido de la variable
X es = {0,1,2, , min{, }} y la funcin masa de probabilidad es

Probabilidad y Estadstica

Adems, la esperanza de X es,

y su varianza es,

( = ) =

[] =

() =

( )
2
1

Observe que la distribucin hipergeomtrica es parecida a la distribucin binomial siendo

la principal diferencia que el muestreo es sin reemplazo, y por consiguiente, los eventos
no son independientes y la probabilidad de xito no permanece constante. Por ejemplo,
es muy utilizada en casos de control de calidad donde al hacer las pruebas se deteriora el
artculo y no se le puede reponer en el lote.
Ejemplo:
Considrese un fabricante de automviles que compra los motores a una compaa
donde se fabrican bajo estrictas especificaciones. El fabricante recibe un lote de 40
motores del que se sabe que hay dos motores con serios defectos. Su plan para
seleccionar el lote consiste en seleccionar ocho, de manera aleatoria, y someterlos a
prueba. Si encuentra que a lo ms uno de los motores presenta serios defectos, el
fabricante acepta el lote; de otra forma lo rechaza. Determine:
a) La probabilidad de que sea aceptado.
b) El nmero esperado de motores en buen estado de los ocho seleccionados.
Solucin.
a) Sea X el nmero de motores en buen estado en la muestra. Claramente
(40,38,8). Pues hay 40 motores, 38 de los cuales estn en buen estado y se
van a seleccionar ocho. Como el lote es aceptado si a lo ms uno presenta serios
defectos, esto es equivalente a que si al menos hubieran siete en buen estado, por
lo que la probabilidad de que el lote sea aceptado es,
38 2
38 2

7
1
( 7) = ( = 7) + ( = 8) =
+ 8 0 = 0.3282 + 0.6359 = 0.9641.
40
40


8
8
b) El nmero esperado de motores en buen estado de la muestra es,
(8)(38) 38
() =
=
=
= 7.6

40
5

Distribucin Poisson.

Muchos eventos aleatorios ocurren de manera independiente con una velocidad constante
en el tiempo o en el espacio. Algunos ejemplos tpicos son el nmero de personas que
llegan a una tienda de autoservicios en un tiempo determinado, el nmero de defectos en
piezas similares para el material, el nmero de bacterias en un cultivo, etc.

Probabilidad y Estadstica
Si se considera un intervalo de tiempo fijo en el que se desea contar el nmero de
eventos que se presentan y dicho intervalo se puede dividir en subintervalos con una
longitud suficientemente pequea tal que:
1. La probabilidad de que se presente ms de un evento en un subintervalo es cero.
2. La probabilidad de un evento en un subintervalo es la misma para todos los
subintervalos y proporcional a la longitud del subintervalo.
3. El nmero de eventos en cada subintervalo es independiente de los dems
subintervalos.
Entonces la variable aleatoria X que representa el nmero de eventos que se presentan
en el intervalo fijo es Poisson con parmetro , donde representa el promedio de
eventos que se presentan en el intervalo. En tal caso se escribe ().
El recorrido de la variable X es = {0,1,2,3, } y la funcin masa de probabilidad es:
( = ) =

.
!

La esperanza de esta variable aleatoria y su varianza son [] = () = .

Ejemplo:

El promedio de imperfecciones por milmetro en un alambre de cobre es 2.3. Determine:

a) La probabilidad de que en un milmetro se tengan 2 imperfecciones.
b) La probabilidad de que en tres milmetros se tengan al menos dos imperfecciones.
c) El nmero esperado de imperfecciones en 10 milmetros.
Solucin.
a) Sea X la variable que mide el nmero de imperfecciones por milmetro, entonces
(2.3). Por lo tanto, la probabilidad pedida es
2.3 (2.3)2
( = 2) =
= 0.2651
2!
b) Sea X la variable que mide el nmero de imperfecciones por cada tres milmetros,
entonces (6.9) pues como en cada milmetro el promedio de
imperfecciones es 2.3 entonces en tres milmetros hay 3(2.3)=6.9 imperfecciones.
Por lo tanto, la probabilidad pedida es
6.9 (6.9)0 6.9 (6.9)1
( 2) = 1 ( = 0) ( = 1) = 1

= 0.9920
0!
1!
c) Como en un milmetro hay en promedio = 2.3 imperfecciones, el nmero de
imperfecciones en diez milmetros es = 10(2.3) = 23 y como () = se
concluye que () = 23.

La distribucin Poisson tambin sirve para aproximar probabilidades cuando la variable

aleatoria X tiene distribucin (, ), es grande y pequeo; de manera tradicional la
aproximacin se utiliza cuando 20 y 0.05 . En tal caso, el parmetro de la
distribucin Poisson es = . Veamos un ejemplo.

Probabilidad y Estadstica
Ejemplo:
Suponga que el 2% de los artculos producidos por una fbrica estn defectuosos.
Encuentre la probabilidad de que haya tres artculos defectuosos en una muestra de 100
artculos.
Solucin.
Sea X la variable que representa el nmero de artculos defectuosos, es claro que
(100,0.02). Por lo que la probabilidad pedida es,
100 (0.02)3 (0.98)97

= 0.1822
( = 3) =
3
Si se utiliza la aproximacin a la Poisson mencionada con = = 100(0.02) = 2
entonces,
2 (2)3
( = 3) =
= 0.1804
3!
que es aproximado al valor verdadero.