Algunas Distribuciones de Probabilidad Importantes de Variable Aleatoria

Discreta

1. Distribucin de probabilidad Bernoulli

2. Distribucin de probabilidad Binomial
3. Distribucin de probabilidad Hipergeometrica
4. Distribucin de probabilidad Poisson

Cada una de estas distribuciones de probabilidad involucra el experimento aleatorio que genera
una variable aleatoria y una funcin de probabilidad.

DISTRIBUCIN BERNOULLI

Ensayo o experimento Bernoulli.

Definicin. Un ensayo de Bernoulli es un experimento que tiene dos posibles resultados, a uno
de ellos se le llama XITO y al otro FRACASO. (El investigador indica a qu resultado
posible le llamar xito).

Ejemplo
Se lanza un dado y se observa si la cara que cae hacia arriba posee o no posee el Nro. 3.
Exp.
Acc.. Lanzar un dado.
Int. Observar si la cara que cae hacia arriba posee o no posee el nmero 3.
= t, t , donde: t: la cara del dado muestra el Nro. 3 (sale el tres)
t : la cara del dado no muestra el Nro. 3 (no sale el tres)
Sea t: xito (E)

Ejemplo
De los alumnos que llevan el curso de Estadstica II, la profesora selecciona un alumno y le
pregunta si present o no present los problemas desarrollados de la primera prctica
calificada.
Exp.
Acc. Seleccionar un alumno.
Int. Saber si present o no los problemas desarrollados de la primera prctica calificada.
= { s, n } , donde: s: present los problemas desarrollados.
n: no present los problemas desarrollados.
Sea s: xito (E)

Ejemplo
De un lote de piezas de tamao 1000, se selecciona una pieza y se observa si es defectuoso o
no defectuoso.
Exp.
Acc: Seleccionar una pieza.
Int. Observar si es defectuoso o no defectuoso.
= { b , m } donde: b: pieza buena y m: pieza defectuosa.
Sea b: xito (E)

Variable aleatoria

LIC. MARA A. ZACARAS DAZ 28

Sobre el espacio muestral generado por el experimento aleatorio se define una variable
aleatoria X: Nmero de xitos en una sola seleccin. (nombre de la variable)
X( E ) = 1
X( F ) = 0
RX: 0, 1

La funcin de cuanta asociada a esta variable aleatoria es:

P( X = 0 ) = P( {F} ) = 1 P
P( X = 1 ) = P( {E} ) = P
Si bien en las dos lneas anteriores se indica en forma explicita la probabilidad de cada uno de
los valores de la variable, sin embargo tambin puede expresarse en forma resumida a travs
de una frmula que es la siguiente:

P( X = k ) = Pk ( 1 P )1 k , k = 0, 1

Resumiendo, tenemos que:

X: Nmero de xitos en una sola seleccin.
RX : 0,1
P( X = k ) = Pk ( 1 P )1 k , k = 0, 1

Es decir, el experimento aleatorio, la variable aleatoria, su recorrido y su funcin de cuanta,

constituyen la Distribucin Bernoulli, tambin llamada, distribucin de probabilidades de la
variable aleatoria Bernoulli y simblicamente se denota X : B ( 1, P ) donde 1, P constituyen
los parmetros de la funcin de cuanta, siendo 1 el nmero de selecciones, y P la probabilidad
de xito.

Consideremos el ejemplo.
X: Nmero de veces que sale el tres en un solo lanzamiento.
X( t ) = 1, X( t ) = 0
Rx : 0 , 1

Funcin de Cuanta.
P( X = 0 ) = P({ t }) = P( {F ) = 5 / 6
P( X = 1 ) = P( { t }) = P({E}) = 1/ 6

La funcin de cuanta expresada a travs de la frmula es:

P(X = k) = (1 / 6 ) k ( 5 / 6 )1 k k = 0, 1.
La variable X, su recorrido RX y la funcin de cuanta, P(X=k), nos proporcionan el
comportamiento probabilstico de la variable aleatoria, que se representa mediante la siguiente
Grfica

LIC. MARA A. ZACARAS DAZ 29

Caractersticas Numricas de la distribucin Bernoulli
E( X ) = P V( X ) = P ( 1 P )
Demostracin.
Esperanza: E( X ) = 0( 1 P ) + 1 ( P ) = P
Varianza: V( X ) = E( X2) - [ E ( X ) ]2
Previamente calcularemos
E( X2) = 02( 1 P ) + 12 ( P ) = P
[ E ( X ) ]2 = P2
V ( X ) = P P2 = P( 1 P ) = PQ

Para el ejemplo que estamos tratando, tenemos que:

E(X) = 0(5 / 6) + 1( 1 / 6) = 1 / 6 = 0.17

V(X) = E(X2) + E( X)2

E(X2) = 02( 5 / 6) + 12(1 / 6) = 1 / 6

V(X) = 1 / 6 + 1 / 36 = 1 / 6 ( 1 1 / 6 ) = (1 / 6) ( 5 / 6) = 0.14

DISTRIBUCIN DE PROBABILIDAD BINOMIAL

Experimento Binomial
Accin
1. Consta de n ensayos Bernoulli
2. Los resultados de los ensayos son independientes
3. La probabilidad de xito, P(xito)=P, es constante, es decir es la misma de ensayo a
ensayo.

Interesa. Variable aleatoria

Sobre el espacio muestral generado por el experimento Binomial se define la variable aleatoria,
X: Nmero de xitos en n ensayos Bernoulli

Donde Rx: 0, 1, 2,, n.

Funcin de cuantia
La probabilidad de cualquier valor de la variable, se obtiene a partir de la siguiente funcin
de cuanta:

LIC. MARA A. ZACARAS DAZ 30

P(X = k) = Ckn pk(1-p)n-k, k = 0, 1,, n

El experimento aleatorio, la variable aleatoria, su recorrido y su funcin de cuanta, constituyen

la Distribucin Binomial tambin llamada, distribucin de probabilidades de la variable
aleatoria Binomial y simblicamente se denota X : B ( n, P ) donde n, P constituyen los
parmetros de la funcin de cuanta, siendo n el nmero de selecciones, y P la probabilidad de
xito.

Caractersticas Numricas de la distribucin Binomial

E(X)=np, V(X)= npq
Ejemplo
Durante el vuelo de un avin, la probabilidad que falle cualquiera de sus 6 motores es
0.0005. Suponiendo que los 6 motores trabajan independientemente:
a. cul es la probabilidad de que todos los motores funcionen?
b. Cmo es el comportamiento probabilistico de la Variable?
c. Qu valor toma E(X) y V(X)?

Solucin.
Experimento binomial
Accin. Funcionamiento de los 6 motores de un avin en vuelo.
El anlisis de esta accin, nos permitir verificar los requisitos o condiciones del experimento
binomial, as:
1. Se observa si cada motor funciona o no funciona, es decir el funcionamiento de cada
motor constituye un ensayo Bernoulli, y como el avin cuenta con 6 motores entonces
se tiene 6 ensayos Bernoulli, n = 6, consideraremos xito al buen funcionamiento de
un motor y lo denotaremos por f
2. El buen o mal funcionamiento de un motor no influye en el buen o mal
funcionamiento de otro motor, es decir los ensayos son independientes.
3. La probabilidad de buen funcionamiento de cada motor es decir la probabilidad de
xito es constante, P(f) = 0.9995. Es la misma de ensayo a ensayo.

El cumplimiento de estas tres condiciones nos dice que estamos frente a un experimento
Binomial, por lo tanto podemos definir la variable aleatoria:
(Interesa) X: Nmero de motores que funcionan bien.
Cuyo valores son, RX : 0, 1, 2, 3, 4, 5, 6.
Y su funcin de cuanta es:

P( X = k ) = Ck6 ( 0.9995 ) ( 0.0005 )

k 6k
k = 0,1,2,3,4,5,6.

Para responder a las preguntas formuladas haremos uso de la funcin de cuanta.

a. Sea el evento, A: Todos los motores funcionen, entonces A = [ X = 6 ]

Luego P(A ) = P[ X = 6 ] = C66 ( 0.9995 ) ( 0.0005) =1,5625E-20
6 0

b. La distribucin de probabilidades en forma explicita, presentamos en la siguiente tabla:

LIC. MARA A. ZACARAS DAZ 31

 x p( x )
0 1,56E-20
1 1,87E-16
2 9,37E-13
3 2,50E-09
4 3,74E-06
5 0,00299251
6 0,99700375

La grfica nos muestra el comportamiento probabilstico de la variable, y nos dice que es

muy poco probable que el nmero de motores que funcionan tome valores bajos y que es
mucho ms probable que funcionen los 6 motores.
c. E(X) = 5.997 motores.
V(X) = 0.00299 motores2
s X = 0,0548 motores

DISTRIBUCIN HIPERGEOMTRICA

Experimento Hipergeomtrico.
Accin
1. Consta de n ensayos Bernoulli.
2. Los resultados de los ensayos no son independientes.
3. La probabilidad de xito (P) es constante.

Interesa
Variable aleatoria
Sobre el espacio muestral generado por el experimento se define la variable.
X: Nmero de xitos en n ensayos Bernoulli.
RX: 0, 1, 2, . . . , n

Otra forma en que puede darse el experimento.

Una poblacin constituida por N elementos, esta dividida en dos grupos, uno de los grupos
tiene S elementos y la otra tiene N-S elementos. De esta poblacin se selecciona sin
reposicin n elementos y se observa en cada elemento si pertenece o no al grupo de tamao
S, en otras palabras podemos decir que estamos definiendo la variable, Numero de
elementos que pertenecen al grupo de tamao S.
Grficamente tenemos lo siguiente:

S Poblacin constituida por N elementos

E

n
F N-S

Si, la variable anterior denotamos por X, su recorrido es:

LIC. MARA A. ZACARAS DAZ 32

Rx: 0,1, 2...S. Si S < n, Rx: 0,1...n Si n S

Y su funcin de cuanta es:

C S C N S
P(X=k) = k Nn k k = 0,1,,S si S < n k = 0,1,, n si n S
Cn

Al experimento, la variable aleatoria, su recorrido y la funcin de cuantia se le llama

distribucin hipergeomtrica, y se denota X : H ( N , S , n ) donde N, S y n constituyen los
parmetros de la distribucin.

Caractersticas Numricas de la distribucin Hipergeomtrica

N n
E(X)=nP, V(X)= nPQ
N 1

Ejemplo
Los alumnos que llevan el curso de Estadstica II, grupo 2 de la FISI en el semestre 2006 - I
son 32, de entre estos alumnos 10 estn en el quinto semestre y el resto en el cuarto semestre.
La profesora del curso selecciona 3 alumnos y les pregunta sobre el ciclo en que se
encuentran.
a. Cul es la probabilidad que dos de los alumnos seleccionados se encuentren en el quinto
ciclo?
b. Muestre el comportamiento probabilistico de la variable.
c. Cul es el valor de E( X ) y V( X )?

Solucin.
Exp.
Accin. Seleccionar 3 alumnos, sin reposicin.

El anlisis de esta accin, nos permitir verificar los requisitos o condiciones del experimento
hipergeomtrico, as:

1. Selecciona un alumno y le pregunta si est en el quinto ciclo o no, es decir la

seleccin de cada alumno constituye un ensayo Bernoulli, y como se selecciona 3
alumnos entonces se tiene 3 ensayos Bernoulli, n = 3, consideraremos xito que el
alumno se encuentre en el quinto ciclo.
2. La probabilidad de xito es constante.
3. El resultado de los ensayos no son independientes, es decir la probabilidad
condicional de que el segundo alumno o los siguientes seleccionados estn en el
quinto ciclo depende de los resultados de las selecciones anteriores.

El cumplimiento de estas tres condiciones nos dice que estamos frente a un experimento
Hipergeomtrico, este experimento genera la variable:

(Interesa) X: Nmero de alumnos que se encuentran en el quinto ciclo.

Con RX : 0, 1, 2, 3
Y su funcin de cuanta es:
Ck10C522 k
P( X = k ) = k = 0,1,2,3
C532

LIC. MARA A. ZACARAS DAZ 33

Clculo de la probabilidad del evento pedido.
Sea el evento:
a. A: Por lo menos dos alumnos se encuentren en el quinto ciclo.
C210C122 C310C022
A=[X 2] P( A ) = P[ X 2 ] = P(X=2) + P(X=3) = +
C332 C332
P(A) = 990 / 4960 + 120 / 4960 = 0.2238

b. El comportamiento probabilistico de la variable es:

x p(x)
0 0,13077
1 0,36325
2 0,34413
3 0,13765

Es ms probable, q al seleccionar 3 alumnos uno de ellos sea del quinto

ciclo. Es poco probable que los 3 sean del quinto o que ninguno sea del
quinto ciclo

b. E( X ) = 3(10 / 32 )= 0.9375
s X2 = 3( 10 / 32)( 22 / 32)(29 / 31 ) = 1.8368
s X = 1.3553

Propiedad.
Cuando N es suficientemente grande y n es pequeo respecto de N (en la prctica cuando n
<= 0.05N), la distribucin hipergeomtrica H(N, S, n) se aproxima a la distribucin B(n, P),
en donde P es igual a S/N.

Demostracin.
Sea la v.a. X : B (n, P ) y sea la v. a. Y : H ( N , S , n)
E(X) = nP E(Y) = n(S/N)
( N n)
s X2 = nP(1-P) s Y2 = nP(1-p)
( N 1)
N n
A la expresin se le llama factor de correccin por finitud (f.c.f).
N 1
El f.c.f aproximadamente se puede expresar de la siguiente manera:

N n N n n n
@ = 1 cuando 0 el f.c.f tiende a 1, por lo que la varianza
N 1 N N N
de Y es igual a la varianza de X, esto nos dice que la variable Y siendo una variable
Hipergeomtrica puede ser tratada como una variable Binomial.

LIC. MARA A. ZACARAS DAZ 34

A la expresin n/N se le llama fraccin de muestreo y nos dice que el tamao de muestra
debe ser pequeo en relacin al tamao de la poblacin, generalmente se considera un valor
menor o igual a 0.05.

DISTRIBUCIN POISSON

Proceso Poisson
Muchos problemas consisten en observar lo que se conoce como eventos discretos en un
intervalo de tiempo continuo, por ejemplo, se puede observar la llegada de autos al
supermercado Metro de la Av. La Marina entre la 1 y las 3 de la tarde de un da determinado.
La llegada del auto al establecimiento es un evento discreto debido a que su hora de llegada
es un punto en el periodo continuo de 2 horas.
Otro caso puede ser el de un fabricante de cable aislante y se observa los defectos que
ocurren en un segmento especfico de 2 mt. de longitud. En este caso el intervalo continuo
son los 2 mts. y los eventos discretos son los defectos que ocurren en el cable, suponiendo
que se puede considerar a cada defecto como que ocurre en un solo punto a lo largo del
cable.
Cada uno de los ejemplos dados y otros anlogos puede considerarse como un proceso de
Poisson, s, las ocurrencias de los eventos discretos se generan en tal forma que satisface la
siguiente definicin.

Definicin.
Los eventos discretos que se generan en un intervalo continuo, forman un proceso de Poisson
con parmetro l , si tiene las siguientes propiedades:
1. El nmero medio de eventos discretos en el intervalo continuo es conocido e igual a l
2. El intervalo continuo de cierta longitud se subdivide en intervalos cuya longitud es
suficientemente corta digamos h, tal que:
i. La probabilidad de que ocurra un evento discreto en el intervalo de longitud h es l h.
ii. La probabilidad de que ocurran dos ms eventos discretos en el intervalo de longitud h
es aproximadamente cero.
3. La ocurrencia de un evento discreto en un intervalo de longitud h no afecta a la ocurrencia
o no ocurrencia de un evento discreto en el intervalo contiguo de longitud h

Considerando el primer ejemplo dado al tratar este tema tenemos: la llegada de los autos al
estacionamiento del supermercado sera razonable suponer que no llega ms de uno en el
mismo millonsimo de segundo, y que la llegada o no llegada de un auto en el primer
millonsimo de segundo no afecta a que llegue o no llegue otro automvil en el siguiente
millonsimo de segundo. A partir de estas suposiciones, las llegadas constituyen un proceso
de Poisson.

Variable aleatoria

Si se observa un proceso de Poisson durante cierto tiempo, el nmero de eventos discretos

que ocurren, es una variable aleatoria, es decir
X: Nmero de eventos discretos.
RX : 0,1,2,..

Y la funcin de cuanta es:

LIC. MARA A. ZACARAS DAZ 35

 e l l k
P(X = k ) = , k = 0,1,2,.
k!

A la distribucin de probabilidades de la variable X se le llama Distribucin Poisson y se

denota X : P ( l ) donde l es el parmetro de la distribucin.

Caractersticas Numricas.
E(X) = l
V(X) = l

Ejemplo
Ciertos autos llegan a una garita de peaje aleatoriamente a una tasa de 300 autos por hora.
Calcule la probabilidad de que:
a. Un auto llegue durante un periodo de un minuto.
b. Por lo menos dos autos lleguen durante un periodo de un minuto.

Solucin.
Evento discreto: la llegada de un auto. Intervalo continuo: un minuto.
La llegada de los autos en el intervalo de un minuto forman proceso Poisson de parametro
cuyo valor es 5, por lo tanto la variable es:

X: Nmero de autos que llegan a una garita de peaje en un minuto.

RX: 0, 1, ..
l: 5 autos / minuto.
e 5 5 k
Su p(k) = , k = 0, 1, . . .
k!

a. Sea el evento A: Un auto llegue durante un periodo de un minuto.

e 5 51
P(A) = P(X=1) =
1!
b. Sea el evento B: Por lo menos dos autos lleguen durante un periodo de un minuto.
P(B) = P(X2) = 1-P(X<2)= 1-[P(X=0)+P(X=1)]
e 5 50 e 5 51
P(B) = 1 - +
0! 1!
P(B) = 0.9595

Distribucin de Poisson como lmite de la distribucin Binomial

e l l k
Si n p 0 y nP = l entonces P(X = k) = C P ( 1 P )
n k nk
k
k!
Ejemplo
Una compaa de seguros de vida halla que la probabilidad de que una persona entre los 40 y
50 aos, muera durante un periodo de un ao de una extraa enfermedad es 0.00001. Si, la
compaa tiene 100,000 asegurados en ese grupo- Cul es la probabilidad de que deba pagar
ms de cuatro derechos a causa de muerte por este motivo?
Solucin.
X: Nmero de personas que mueren a causa de una extraa enfermedad.

LIC. MARA A. ZACARAS DAZ 36

RX: o,1,., 10000
P(X = k ) = Ck10000 ( 0.00001) ( 0.9999 )
k 10000 k

Como n p 0 y nP = 1 entonces:
1 k
P(X = k) = e k 1!
Sea el evento: A: Mueran ms de cuatro personas.
P(A) = P(X > 4 ) = 1 P(X<= 4) = 1 (P(X = 0) + P(X = 1)+P(X = 2)+P(X = 3)+P(X = 4)
e 110 e 111 e 112 e113 e114
P(A) = 1 - + + + +
0! 1! 2! 3! 4!
P(A) = 1 (0,36787944 + 0,36787944 + 0,18393972 + 0,06131324 +0,01532831)= 0.00365985

LIC. MARA A. ZACARAS DAZ 37