Universidad del Bío-Bío

Facultad de Ingeniería
Departamento de Ingeniería Civil y Ambiental

450145
MÉTODOS DE ESTADÍSTICA
EN INGENIERÍA

Profesor:
Eric Forcael D., Ing. Civil, M.Sc., Ph.D.
CLASE 4: DISTRIBUCIONES DISCRETAS RELEVANTES

1.3 Distribuciones de Probabilidad Discretas Relevantes

1.3.1 Introducción

1.3.2 Distribución Uniforme

1.3.3 Distribución Binomial

1.3.4 Distribución Poisson

CLASE 4: DISTRIBUCIONES DISCRETAS RELEVANTES

1.3.1 Introducción
• La distribución de probabilidad de una variable X es una descripción de las
probabilidades asociadas con los valores posibles de X.

• Para una variable aleatoria discreta, es común especificar la distribución con una lista
de valores posibles junto con la probabilidad de cada uno.

Ejemplo:
Sea X el número de vehículos en cola al final de la luz verde en un semáforo, con base a
un modelo de colas se determinan las probabilidades de ocurrencia:

P(X = 0) = 0,6561
P(X = 1) = 0,2912 La distribución de probabilidad de X se
P(X = 2) = 0,0486 especifica por los valores posibles junto
con la probabilidad de cada uno
P(X = 3) = 0,0036
P(X = 4) = 0,001

• En algunos casos es conveniente expresar la probabilidad por medio de una fórmula.

CLASE 4: DISTRIBUCIONES DISCRETAS RELEVANTES

• Gráficamente:

• Para una variable aleatoria discreta X con valores posibles x1, x2,…, xn, la función de masa
de probabilidad se define como:

𝑓(𝑥𝑖 ) = 𝑃(𝑋 = 𝑥𝑖 )

• Puesto que f(xi) se define como una probabilidad, f(xi) ≥ 0 para toda xi, y Σf(xi) = 1.
CLASE 4: DISTRIBUCIONES DISCRETAS RELEVANTES

➢ Funciones de Distribución Acumulada

• La función de distribución acumulada de una variable aleatoria discreta X, denotada
como F(x), se define como:

𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = ෍ 𝑓(𝑥𝑖 )
𝑥𝑖≤𝑥

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

1. 𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = ෍ 𝑓(𝑥𝑖 )
𝑥𝑖≤𝑥
2. 0 ≤ F(x) ≤ 1

3. Si x ≤ y, entonces F(x) ≤ F(y)

CLASE 4: DISTRIBUCIONES DISCRETAS RELEVANTES

➢ Ejemplo
Suponga que la producción de un día de 850 barras de acero contiene 50 barras que no
cumplen con los requerimientos técnico exigidos. Se seleccionan del lote dos barras al
azar y sin reemplazo. Sea la variable aleatoria X igual al número de barras de la muestra
que no cumplen, ¿Cuál sería la función de distribución acumulada de X?

Primero debe encontrarse la función de masa de probabilidad:

P(X=0) = (800/850)*(799/849) = 0,886 CC

P(X=1) = 2*(800/850)*(50/849) = 0,111 CN o NC
P(X=2) = (50/850)*(49/849) = 0,003 NN

Por lo tanto:

F(0) = P(X ≤ 0) = 0,886

F(1) = P(X ≤ 1) = 0,886 + 0,111 = 0,997
F(2) = P(X ≤ 2) = 0,886 + 0,111 + 0,003 = 1
CLASE 4: DISTRIBUCIONES DISCRETAS RELEVANTES

➢ Media y Varianza de una Variable Aleatoria Discreta

• Si X es una variable aleatoria discreta, la media o valor esperado de X se denota como µ
ó E(X), y es:
μ = 𝐸 𝑋 = ෍ 𝑥𝑓(𝑥)
𝑥

• La varianza de X, denotada como σ2 o V(X), es

σ2 = 𝑉 𝑋 = 𝐸(𝑋 − µ)2 = ෍ 𝑥 − 𝜇 2 𝑓 𝑥 = ෍ 𝑥 2 𝑓 𝑥 − µ2
𝑥 𝑥

• La desviación estándar de X es:

1/2
σ = 𝑉(𝑋)

NOTA: Analizar diferencia con media y varianza muestral.

CLASE 4: DISTRIBUCIONES DISCRETAS RELEVANTES

1.3.2 Distribución Uniforme

• Una variable aleatoria X es una variable aleatoria discreta uniforme si cada uno de los n
valores de su rango, por ejemplo x1, x2,…, xn, tienen la misma probabilidad.

1
𝑓 𝑥𝑖 =
𝑛

• Si X es una variable aleatoria discreta uniforme en los enteros consecutivos a, a+1,

a+2,…, b, para a ≤ b, la media de X es

(𝑏 + 𝑎)
μ=𝐸 𝑋 =
2
• La desviación estándar de X es:
DEMOSTRAR

(𝑏 − 𝑎 + 1)2 −1
σ=
12
CLASE 4: DISTRIBUCIONES DISCRETAS RELEVANTES

1.3.3 Distribución Binomial

• Se refiere a experimentos aleatorios que constan de una serie de ensayos aleatorios
repetidos: 10 lanzamientos de moneda al aire (X = número de caras obtenida), 20
nacimientos en un hospital (X: número de nacimientos de niñas), etc.

• La variable aleatoria es el número de ensayos que satisfacen un criterio (cara, niña, etc.)

• El resultado del ensayo puede definirse como éxito o como fracaso, según se cumpla o
no el criterio.

• Con frecuencia es razonable suponer que la probabilidad de un éxito en cada ensayo es

constante. En los ejemplos anteriores sería 50%.

• El ensayo que tiene solo dos resultados posibles se conoce como Ensayo de Bernoulli.
CLASE 4: DISTRIBUCIONES DISCRETAS RELEVANTES

Un experimento aleatorio que consta de n ensayos repetidos tales que:

1. Los ensayos son independientes

2. Cada ensayo produce únicamente dos resultados posibles, etiquetados como “éxito”
y “fracaso”
3. La probabilidad de un éxito en cada ensayo, denotada como p, permanece constante

Se llama experimento binomial.

• La variable aleatoria X que es igual al número de ensayos que producen un éxito tiene
una distribución binomial con parámetros p y n = 1, 2,… y su función de masa de
probabilidad es:

𝑛 𝑥
𝑓 𝑥 = 𝑝 (1 − 𝑝)𝑛−𝑥 x = 0, 1, …, n
𝑥

n: número de ensayos
x: número de ensayos con éxito
p: probabilidad de éxito
CLASE 4: DISTRIBUCIONES DISCRETAS RELEVANTES

• Si X es una variable aleatoria binomial con parámetros p y n, la media de X es

μ = 𝐸 𝑋 = 𝑛𝑝

• La desviación estándar de X es: DEMOSTRAR

σ2 = 𝑉 𝑋 = 𝑛𝑝(1 − 𝑝)

• Notar que la media y la varianza de una variable aleatoria binomial dependen

únicamente de los parámetros p y n.
CLASE 4: DISTRIBUCIONES DISCRETAS RELEVANTES

P < 0.5 P > 0.5

CLASE 4: DISTRIBUCIONES DISCRETAS RELEVANTES

Ejemplo
Se presume que hay impurezas en 30% del total de pozos de agua potable de cierta
comunidad rural. Como es muy costoso probar todos los pozos del área, se eligen 10 al
azar para someterlos a prueba.

a) ¿Cuál es la probabilidad de que exactamente 3 pozos estén contaminados,

considerando que la presunción es correcta?
10
𝑃 𝑋=3 = 0,33 0,77 = 0,267
3

b) ¿Cuál es la probabilidad de que más de 3 pozos estén contaminados?

P (X > 3) = 1 – P(X ≤ 3)

= 1 – (P(X = 0) + P(X = 1) + P(X = 2) + P (X = 3))

= 0,3504
CLASE 4: DISTRIBUCIONES DISCRETAS RELEVANTES

Ejemplo:
Una muestra de agua de un efluente tiene 10% de posibilidades de contener una
molécula rara en particular. Suponga que las muestras son independientes respecto de la
presencia de la molécula. Encuentre la probabilidad de que en las siguientes 18 muestras,
exactamente 2 contengan la molécula.

X: numero de muestras de agua que contienen la molécula en las siguientes 18 muestras.

p = 0.1 , n = 18
18
𝑃 𝑋=2 = 0,12 0,916
2

𝑃 𝑋 = 2 = 153(0,1)2 0,9 16 = 0,284

Tarea:
Determine la probabilidad de que al menos cinco muestras contengan la molécula rara.
CLASE 4: DISTRIBUCIONES DISCRETAS RELEVANTES

1.3.3 Distribución Poisson

• Cuando se tiene un experimento con n ensayos independientes, con probabilidad de
éxito constante p, entonces X tiene una distribución binomial.

• Suponga ahora que el número de ensayos (n) aumenta, y que la probabilidad de éxito p
disminuye justo lo suficiente para que la E(X) = np se mantenga igual a una constante λ,
entonces:
𝑥 𝑛−𝑥
𝑛 𝑥 𝑛−𝑥 𝑛 λ λ
𝑃 𝑋=𝑥 = 𝑝 (1 − 𝑝) = 1−
𝑥 𝑥 𝑛 𝑛

• Puede demostrarse que:

𝑒 −𝜆 𝜆𝑥
lim 𝑃 𝑋 = 𝑥 = x = 1, 2, …
𝑛→∞ 𝑥!
CLASE 4: DISTRIBUCIONES DISCRETAS RELEVANTES

Explicación:
Suponga que se presentan imperfecciones aleatoriamente a lo largo de una barra de
acero. Sea que X denote la variable aleatoria que cuenta el número de imperfecciones en
una longitud L metros de la barra, y suponga que el número promedio de imperfecciones
en L metros es λ.

Suponga ahora que se hace una partición de la barra de acero en n subintervalos de

longitud pequeña (ej. 1 mm o inferior) cada uno, la probabilidad de que ocurra más de
una imperfección en el subintervalo es despreciable. Además el supuesto de que las
imperfecciones ocurren aleatoriamente implica que cada subintervalo tiene la misma
probabilidad de contener una imperfección, (p).

Si se supone que la probabilidad de que un intervalo contenga una imperfección es

independiente de otros intervalos, entonces el modelo de distribución X puede
establecerse aproximadamente como una variable aleatoria binomial.

λ
𝐸 𝑋 =λ 𝑝=
𝑛
CLASE 4: DISTRIBUCIONES DISCRETAS RELEVANTES

• Dado un intervalo de números reales (longitud, tiempo, etc.), suponga que ocurren
conteos al azar a lo largo del intervalo. Si puede hacerse la partición del intervalo en
subintervalos con una longitud suficientemente pequeña, tal que :

1. La probabilidad de más de un conteo en un subintervalo es cero

2. La probabilidad de un conteo, en un subintervalo es la misma para todos los
subintervalos y proporcional a la longitud del subintervalo, y
3. El conteo en cada subintervalo es independiente de los demás subintervalos,

Entonces el experimento aleatorio se denomina proceso de Poisson.

• Si el número promedio de conteos en el intervalo es λ > 0, la variable aleatoria X, que es

igual al número de conteos en el intervalo, tiene una distribución Poisson con parámetro
λ, y la función de masa de probabilidad de X es:

𝑒 −λ λ𝑥
𝑓 𝑥 =
𝑥!
CLASE 4: DISTRIBUCIONES DISCRETAS RELEVANTES
CLASE 4: DISTRIBUCIONES DISCRETAS RELEVANTES

• Si X es una variable aleatoria de Poisson con parámetro λ, entonces la media y la

varianza de X son:

μ=𝐸 𝑋 =λ

σ2 = 𝑉 𝑋 = λ
CLASE 4: DISTRIBUCIONES DISCRETAS RELEVANTES
Ejemplo:
Para el caso de la barra de acero, suponga que el número de imperfecciones sigue una
distribución Poisson con una media de 1,7 imperfecciones por metro. Determine la
probabilidad de exactamente 2 imperfecciones por metro de barra.

𝑒 −1,7 1,72
𝑃 𝑋=2 = = 0,263
2!

Ahora determine la probabilidad de 10 imperfecciones en 6 metros de barra (largo total

de una barra de acero)

Sea que X denote el número de imperfecciones en 6 metros de barra, entonces X tiene

una distribución Poisson con E(X) = 6 x 1,7 = 10,2 imperfecciones.

𝑒 −10,2 10,210
𝑃 𝑋 = 10 = = 0,125
10!

Tarea: Determine la probabilidad de al menos una imperfección en 3 metros de barra.