VARIABLE ALEATORIA DISCRETA

DISTRIBUCIONES DE
PROBABILIDAD DISCRETA
CONTENIDO

o Variable aleatoria
o Distribuciones de Probabilidad Discreta
o Principales Distribuciones de Probabilidad discretas: Bernoullí, Binomial y Poisson.
Características y uso de tablas. Complemento de Excel. Megastat.
CASO 1: PRODUCCIÒN DE TORNILLOS

En un proceso de producción de tornillos,

donde los niveles de calidad están fuera de
los permitidos, se tiene que de cada 100
tornillos producidos, 8 son defectuosos.

Si se toma una muestra de 16 tornillos:

¿Es posible tener un modelo matemático, que nos

permita estimar si menos de dos tornillos son
defectuosos?
Uno de los problemas centrales de Estadística es inferir las
características y propiedades de cierta población a partir de los datos
de una muestra. Para este objetivo es necesario disponer de modelos
matemáticos de referencia para describir la población. El modelo
matemático apropiado viene dado por las distribuciones de
probabilidad
VARIABLE ALEATORIA (X)

Una variable aleatoria o variable

estocástica es una variable estadística
cuyos valores se obtienen de mediciones en
algún tipo de experimento aleatorio.

Se denota por una X.

Es aquella que puede tomar diferentes valores a través del tiempo o

de sujeto a sujeto.
VARIABLE ALEATORIA (X)
Formalmente es una función que asigna un número real a cada resultado del
espacio muestral.

EJEMPLO 1:

6
EJEMPLO 2

Consideremos el experimento que consiste en revisar tres componentes de una

bomba centrífuga, que pueden ser defectuosos (D) y no defectuosos (N)
ε = Revisar tres componentes de una bomba centrífuga

El espacio muestral será:

{ NNN, NND, NDN, DNN, NDD, DND, DDN, DDD}

Definimos la variable aleatoria X = como el número de componentes defectuosos

X(DDD) = 3
X(NDD) = X (DND) = X ( DDN) = 2
X ( NND) = X(NDN) = X(DNN) = 1
X ( NNN) =0

X = 3,2,1,0
EJEMPLO 3:

• X: Ventas diarias de una empresa.

• X: Presión de una botella
• X: Nº de accidentes en un proceso.
• X: Nº de automóviles que llegan a una Estación de
Servicio.
• X: Contenido de un balón de gas
• X: Nº de llamadas telefónicas que recibe una central
• X: Edad de las personas.
• X : Peso de un envase
• X: Tiempo de vida de un neumático.
• X: Nº de artículos defectuosos de un proceso
productivo.
Tipos de Variables Aleatorias:

Variable Aleatoria Discreta: Cuando

la variable aleatoria toma valores
discretos (números enteros) se dice
que es una v.a.d.

Variable Aleatoria Continua. Cuando

la variable aleatoria toma valores de
la recta real (número reales) se dice
que la variable es una v.a.c. .
Un lote de artículos contiene artículos conformes (C) y no conformes
(N). Se extrae sucesivamente 2 artículos. Definimos como v.a.

X: número de artículos no conformes obtenidos.

Definir el espacio muestral:

Ω={CC, NC, CN, NN}

Definir la variable aleatoria. X: Número de artículos no conformes obtenidos.

El recorrido de X. Rx = { 0 , 1 , 2 } Números DISCRETOS

X(CC) =0

X(NC) =1

X(CN) =1

X(NN) =2
Sea X una variable aleatoria que representa la Resistencia de los
eslabones usados en la fabricación de cadenas industriales.

La resistencia es una variable aleatoria continua, pues su espacio

muestral (los valores que pueden tomar) son todos los puntos de un
intervalo

Identificar el recorrido de la variable definida anteriormente:

X = {……………………………. … }

Número CONTINUO
FUNCIÓN DE PROBABILIDAD DE UNA VARIABLE
ALEATORIA DISCRETA
Función de probabilidad discreta
Valor Esperado y Varianza de una variable Aleatoria
Discreta

El valor esperado y varianza de una variable aleatoria discreta X, se

definen por:

E X    x p  x 

 
VX   E X 2  E 2 X 

Donde:
Ejemplo:

Según un reporte histórico de ventas de la empresa «Autos Nice», se ha podido

determinar que el número de autos vendidos por día presenta la siguiente
distribución de probabilidades:

Calcule:
a. El valor de la constante k sabiendo que la distribución es de probabilidad.
b. La probabilidad que el número de autos vendidos sea superior a 4.
c. La probabilidad que el número de autos vendidos sea a lo más 4.

d. Determine el número esperado de autos vendidos por día y su desviación

estándar.
DISTRIBUCION DE PROBABILIDAD

Una distribución de probabilidad es un modelo

matemático que desarrolla en forma analítica el
comportamiento de un fenómeno (variable) real .
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS Y
CONTINUAS

LAS DISTRIBUCIONES DISCRETAS

- Distribución Bernoulli
- Distribución Binomial
- Distribución Poisson

LAS DISTRIBUCIONES CONTINUAS

- Distribución Normal
- Distribución Normal Estándar
- Distribución t de Student
- Distribución Chi-cuadrado 2
- Distribución F
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

- Distribución Bernoulli
- Distribución Binomial
- Distribución Poisson
 DISTRIBUCIÓN BERNOULLI

Si X es una variable aleatoria que mide

"número de éxitos", y se realiza un
único experimento con dos posibles Función de probabilidad
resultados (éxito o fracaso), se dice
que la variable aleatoria X se distribuye
como una Bernoulli de parámetro p.
X Be (p)
Parámetro: p

Un experimento al cual se aplica la distribución de Bernoulli

se conoce como Ensayo de Bernoulli o simplemente ensayo,
y la serie de esos experimentos como ensayos repetidos.
 DISTRIBUCIÓN BERNOULLI

Media o Valor Esperado

  E( X )  p
Varianza

  pq
2

Desviación Estándar

  pq
 DISTRIBUCIÓN BINOMIAL

• Cada ensayo tienen sólo dos resultados

posibles. Para variables dicotómicas. Función de probabilidad

• Los ensayos son independientes.  n x

P(X  x)  b(x; n, p)   p (1  p)n x
• La probabilidad de éxito “p” es  x
constante en cada ensayo.
Donde x = 0, 1, 2, …, n

FUNCIÓN DE PROBABILIDAD BINOMIAL Parámetros:

Es la probabilidad de obtener
exactamente x “éxitos” en n pruebas
n , p
independientes de un experimento, con p
como la probabilidad de éxito para cada
prueba.
 DISTRIBUCIÓN BINOMIAL

Media o Valor Esperado

  E ( X )  np
Varianza

  npq
2

Desviación Estándar

  npq
 DISTRIBUCIÓN BINOMIAL
Ejercicio 1:

Un almacenero de laboratorio, reporta que el 25% de puntas de un

dosificador electrónico están malogradas. Si se extrae una muestra
aleatoria de cinco de estas puntas.
Encuentre la probabilidad de que :
a) Ninguna esté malograda.
b) Exactamente una esté malograda.
c) Menos de dos están malograda.
DISTRIBUCIÓN BINOMIAL

Solución de Ejercicio 1:

a) Ninguna esté malograda. Función de probabilidad

 5
P(X  0)  b(0;5,0.25)   0.250 (0.75)5  n x
 0 P(X  x)  b(x; n, p)   p (1  p)n x
= 0.237  x
b) Exactamente una esté malograda
 5
P(X  1)  b(1;5,0.25)   0.251 (0.75) 4
1
= 0.396

c) Menos de dos están malograda.

P(X  2)  P(X  1)  P(X  0)  P(X  1)
= 0.633
Uso de tabla: Para el uso de la tabla debe tener en cuenta lo
siguiente:

CASO 1. P ( X ≤ a ) = Usar directamente la tabla

CASO 2. P ( X < a ) = P (X ≤ a - 1 )
CASO 3. P ( X > a ) = 1 - P (X ≤ a)
CASO 4. P ( X ≥ a ) = 1 - P ( X ≤ a - 1)
CASO 5. p (a ≤ x ≤ b) = P (X ≤ b ) - P (X ≤ a - 1 )
Ejercicio 2:

En general, el 45% de los postulantes aprueban en un examen de

selección de personal. ¿Cuál es la probabilidad de que en una muestra de
15:

a) Aprueben exactamente 4.

b) Aprueben por lo menos 8.

c) Aprueben más de 4.

27
Solución del ejercicio 2:
 Sea X= Candidatos que aprueban en un examen de selección de
una muestra de 15 candidatos.
 n=15 candidatos
 p= probabilidad de que un candidato apruebe un examen de selección.
p= 0.45 q=0.55
 Función de probabilidad:
15 
f ( x)  P( X  x)     0.45   0.55 
15 x
, x  0,1, 2,3, 4,5
x

 
x

a) Aprueben exactamente 4.
P( X=4)=0.078 = 7.8%

b) Aprueben por lo menos 8. Caso 4

c) Aprueben más de 4. Caso 3

 DISTRIBUCIÓN POISSON

FUNCIÓN DE PROBABILIDAD Función de probabilidad

POISSON.
e λ λ x
La función de probabilidad de Poisson PX  x/λ  
define la probabilidad de exactamente
x!
Donde λ = Número esperado de éxitos.
x ocurrencias o “éxitos”, que aparecen e = Constante matemática.
x = Número de éxitos por unidad.
por unidad de tiempo o espacio, dado
el número medio de ocurrencias en el Parámetro: λ

intervalo dado t.
 DISTRIBUCIÓN POISSON

Esta distribución se utiliza para describir ciertos procesos.

Características:
En este tipo de experimentos los éxitos buscados son expresados por unidad
de área, tiempo, pieza, etc:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefónicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por día, mes, etc
 DISTRIBUCIÓN POISSON

 Media o Valor Esperado

 
 Varianza

 
2

 Desviación Estándar

 
 DISTRIBUCIÓN POISSON
Ejercicio 3:
Función de probabilidad
Si como promedio un tablero
e λ λ x
electrónico recibe 0.05 llamadas PX  x/λ  
x!
por segundo, ¿Cuál es la
probabilidad de que en un Solución:
determinado minuto: Se tiene que λ = 0.05 llamadas por
segundo
a. Reciban exactamente dos
Entonces: λ = 0.05(60) = 3 llamadas por
llamadas. minuto.
b. Reciban no más de dos
e 3 32
a. PX  2   0.224
llamadas. 2!

b. PX  2  P(X  0)  P(X  1)  P(X  2)

e3 30 e3 31 e3 32
    0.497  0.149  0.224  0.423
0! 1! 2!
DISTRIBUCIÓN POISSON
 DISTRIBUCIÓN POISSON

Uso de tabla: Para el uso de la tabla debe tener en cuenta lo siguiente:

CASO 1. P ( X ≤ a ) = Usar directamente la tabla

CASO 2. P ( X  a ) = P ( X ≤ a - 1)
CASO 3. P(X>a)=1- P(X≤a)
CASO 4. P ( X ≥ a ) = 1 – P ( X ≤ a - 1)
CASO 5. P ( a ≤ X ≤ b ) = P ( X ≤ b ) - P ( X ≤ a -1)
Ejercicio 4:

La central telefónica de una empresa recibe un promedio de 3.4 órdenes de pedido

por hora. Estas ocurrencias se producen al azar. ¿Cuál es la probabilidad de que
se produzcan:

a) Exactamente 4 órdenes de pedido en una hora dada.

b) Como máximo 5 órdenes de pedido en una hora.

c) Más de 5 órdenes de pedido en dos horas.

35
Solución del ejercicio 4:
  3.4 órdenes de pedido / hora

a) Exactamente 4 órdenes de pedido en una hora dada.

b) Como máximo 5 órdenes de pedido en una hora.

P( X  5)  0.871  87.1%  Tabla Caso1

c) Más de 5 órdenes de pedido en dos horas.

En 2 horas   6.8 órdenes 
  6.8 órdenes / 2 horas
P ( X  5)  1  P ( X  5)  Tabla Caso 3
 1  0.327
 0.673  67.3%

36
Aproximación de la Binomial a la Poisson

En problemas de distribución
binomial donde n es grande y la
probabilidad de éxito p es Se cumple que:
bastante pequeña, las   np
probabilidades se pueden
aproximar usando la distribución
de Poisson.
Aproximación de la Binomial a la Poisson

Ejercicio 5 :

En un proceso en el cual se producen piezas de vidrio, ocurren defectos

o burbujas, ocasionando que la pieza no sea apta para la venta. Se sabe
que en promedio 1 de cada mil piezas tiene una o más burbujas. ¿Cuál
es la probabilidad de que en una muestra aleatoria de 8000 piezas,
menos de 7 de ellas tengan burbujas?
 Aproximación de la Binomial a la Poisson
Solución de Ejercicio 5:

Datos: n=8000

p=0.001 (por dato:1 de cada1000=1/1000=0.001)

este es por tanto un experimento binomial, pero dado que : p se acerca a

0 y n es bastante grande, se hace la aproximación con la distribución de
Poisson.

Entonces: λ = np = 8000*0.001 = 8

Nos piden: P (X < 7) = P (X ≤ 6)

De tabla: P (X ≤ 6) = 0.313 = 31.3%

¿QUÉ HEMOS VISTO?

 Variable aleatoria

 Distribuciones de Probabilidad Discreta

 Principales Distribuciones de
Probabilidad discretas: Bernoullí,
Binomial y Poisson. Características y uso
de tablas
BIBLIOGRAFIA BASICA:
Estimado estudiante, puedes revisar los siguientes textos que se encuentran en
tu biblioteca:

519.2 PROBABILIDAD Y ESTADÍSTICA PARA

1 SCHEAFFER Mc. CLAVE 2005
SCHE INGENIERÍA

519.5 LEVINE-KREHBIEL-
2 ESTADÍSTICA PARA ADMINISTRACIÓN. 2006
LEVI/P BERENSON

WILLIAM W. HINES
519.2 DOUGLAS C. MONTGOMERY PROBABILIDAD Y ESTADÍSTICA PARA
3 2011
HINE DAVID M. GOLDSMAN INGENÍERIA
CONNIE M. BORROR