INSTITUTO POLITCNICO

NACIONAL
Escuela Superior de Ingeniera
Qumica e Industrias Extractivas
PROBABILIDAD Y ESTADSTICA
DISTRIBUCIONES DISCRETAS

2010

TEMAS ANTECEDENTES
Estadstica Descriptiva
Poblacin y muestra
Medidas de tendencia central
Medidas de dispersin
Anlisis Combinatorio
Fundamentos probabilidad
Axiomatizacin y teoremas bsicos

INTRODUCCIN
Variable aleatoria
(VA)

Discretas

Continuas

(p. ej. nm. de goles marcados,

nm. de pulsaciones, etc.)

(p. ej. peso, temperatura,

Tiempo, etc.)

Uniforme
Binomial
Geomtrica
Hipergeomtrica
De Poisson

Exponencial

Beta
Gamma
Ji cuadrada
T student
Normal

INTRODUCCIN
Funcin de Probabilidad
f(x) toma los
Consideremos
una VAD, que
valores x1, x2, ..., xn. Supongamos que
conocemos la probabilidad de que la
variable X tome dichos valores, es decir, se
conoce que p(X=x1) = p1 , p(X=x2) = p2,
p(X=x3) = p3, ..., p(X=xn) = pn , en general
p(X=xi) = pi
La funcin de probabilidad f(x) de la VA es
la funcin que asigna a cada valor xi de la
variable su correspondiente probabilidad pi.
DICHO DE OTRA FORMA ES LA ESTIMACIN
PUNTUAL DE PROBABILIDAD.

f ( x) p( X x)

INTRODUCCIN
Funcin de Distribucin F(x)
En muchas ocasiones no nos interesa tanto
conocer la probabilidad de que la VA tome
exactamente un determinado valor; sino la
probabilidad de que tome valores menores
o iguales que un cierto valor. En tales
casos es necesario acumular los distintos
valores de la funcin de probabilidad hasta
el valor deseado.

F ( x) p( X x)

INTRODUCCIN

Funcin de
Probabilidad
f(x)

Funcin de
Distribucin F(x)

INTRODUCCIN
Distribucin de probabilidad
discreta.
Caractersticas:
1.
(X).

Es generada por una variable discreta

X
x

NO admite valores intermedios entre dos

valores especficos.
0, 1, 2, 3, 4, 5, 6, 7, 8, ... etc.

2.
Las probabilidades asociadas a cada uno
de los valores
que toma X deben ser 0
P(xi) 1
3.
P(S) = 1
La
sumatoria
de
las
probabilidades asociadas
a cada uno de
los valores que toma X debe ser igual a 1.

INTRODUCCIN
Para resolver problemas de modelos
discretos se recomienda seguir tres
pasos:
1)

Definir la variable aleatoria en estudio.

2)

Identificar el modelo al que pertenece la

variable definida.

3)

Ejecutar el modelo correspondiente, para el

clculo de probabilidades.

Experimento de Bernoulli
Un experimento de Bernoulli se
caracteriza por ser dicotmico. A uno
de los resultados se le denomina
arbitrariamente xito y al otro
fracaso.
Proceso de Bernoulli

Consiste en repetir n veces un

experimento de Bernoulli, teniendo
en cuenta que las condiciones no
varan y que cada uno de los
experimentos es independiente.

DISTRIBUCIN
UNIFORME
Un experimento aleatorio se llama
Uniforme, cuando todos los
valores posibles de ste tienen
la misma probabilidad.
Por ejemplo:
Resultados al lanzar un dado

Sea X una variable finita, la cual posee n

valores especficos x1, x2,, xn cada valor
con una probabilidad de 1/n. Esto es, que su
funcin de probabilidad esta definida por:

1
f ( x)
n

Para x= 1,2,3,,n

EJEMPLO

MODELO
UNIFORME

Si seleccionamos aleatoriamente un foco de

una caja que contiene cinco focos, de 40, 60,
75, 100 y 150 Watts. Sea X los Watts del foco
seleccionado, entonces una variable aleatoria
con:consta de cinco
El discreta
experimento
elementos equiprobables.

1
f ( x) 0.2
5
x 40,60,75,100 y150

DISTRIBUCIN
BINOMIAL
Un experimento aleatorio se llama
Binomial, cuando cumple con las
siguientes condiciones:
1).- El experimento consta de n (no
mas de 30) pruebas independientes.
2).- Cada prueba tiene slo dos
resultados. xito y fracaso.
3).- La probabilidad de xito en una
prueba es p y la de fracaso es su
complemento.

Si p y 1-p son las probabilidades de xito y

fracaso respectivamente en cada ensayo,
entonces, la probabilidad de obtener x xitos
en n ensayos en un orden especfico se da por
la siguiente ecuacin:
p x (1 p) nx
Entonces el nmero de formas en que
podemos obtener x xitos en n ensayos, es el
nmero de combinaciones de x objetos
seleccionados de un conjunto de n objetos

x
(n,x) as llegamos ax lonsiguiente:
P ( x) n C x p q
, Para x= 0,1,2,3,,n

x
n

x
P( x) n C x p q
,
Donde:
n = nmero de ensayos realizados.
p = probabilidad de xito.
q = (1-p) = probabilidad de fracaso.
x = numero de xitos
n - x = nmero de fracasos.

n!

nCx
x!(n x)!

EJEMPLO

MODELO
BINOMIAL

Al analizar las
muestras
encontramos
que
la
Un Inspector de Calidad analiza 5 muestras,
todas
con
es
las mismas caractersticas. De variable
acuerdo con las
dicotmica.
El experimento
consta
de cinco
especificaciones, la probabilidad
de que
una
muestra
con
uno de esellos
esas caractersticas est ensayos,
dentro de cada
especificacin
de
determina
la muestra
Determinar de
la probabilidad
de
cumplan:
La3/5.
probabilidad
ocurrencia
delque si
cumple
o
no.
Por
las
xito (que cumpla), se conserva
condiciones
del
problema
a. Las cinco
muestras.
constante
en cada
muestra e
igual a
vemos elque los ensayos son
Al menoscomo
tres. complemento
3/5.b.Teniendo
c. Slo
dos.
fracaso,
con
probabilidad de independientes.
2/5.
d. A lo mas una.

x
5

x
P ( X x)5 C x 0.6 0.4
,
x= 0,1,2,3,4,5

EJEMPLO
a. Para P(X = 5)

P ( X 5) 5 C5 0.650.40 0.07776
b.
Para 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

P( X 1)

c.

P (X = 2) = 0.2304

d.
= P (X = 0) + P(X=1) =
0.01024 + 0.0768=
0.08704

EJEMPLO (EXCEL)

REAS DE APLICACIN
El Ingeniero Qumico Industrial est muy
interesado en la proporcin de defectuosos en
un proceso industrial. A menudo, las
mediciones de control de calidad y los
esquemas de muestreo para procesos se
basan en la distribucin binomial. sta se
aplica en cualquier situacin industrial donde
el resultado es dicotmico y los resultados del
proceso son independientes, y la probabilidad
de xito o fracaso es importante

DISTRIBUCIN
DE POISSON
Este
modelo
estudia
los
experimentos cuyos resultados
tienen lugar en intervalos
continuos; de tiempo, reas,
volmenes, etc.
Antes de seguir, cabe mencionar
que el modelo de Poisson es
discreto puesto que en sus
experimentos slo nos interesar
la cantidad de resultados que
pueden ocurrir en un intervalo (de
los antes mencionados), ms no la
continuidad del intervalo.

La distribucin de probabilidades para una

variable aleatoria Poisson est dada por:
x * e
>0

P( X x)

x!
Para x= 0,1,2,3,,n

Donde, = np es el nmero de eventos en

una unidad dada de tiempo, rea o volumen.
e = 2.71828...

EJEMPLO

MODELO
DE POISSON
En la inspeccin de una lamina metlica
de ACERO
ASTM A285 rolada, el numero de imperfecciones
localizadas es en promedio 8 por hora.
En un cierto periodo de tiempo
ocurren
n sucesos.
Calcular la probabilidad
de que
durante un periodo de
10 minutos un inspector encuentre:

a.
b.
c.
d.

Ninguna imperfeccin.
Dos imperfecciones.
Mas de dos imperfecciones.
Menos de cuatro imperfecciones.

Determinando lambda:
8 imperfecciones/hora = 0.1333 imperfecciones/minuto
Entonces; 0.1333 imperfecciones/minuto * 10 minutos
= 1.333
= 1.333

EJEMPLO
a.

e 1.3331.3330
P ( X 0)

0!

b.

e 1.3331.3332
P ( X 2)

2!

c.

P ( X 2) 1 P ( X 2) 0.1505

d.

P ( X 4) P ( X 3) 0.9535

0.2637

0.2343

EJEMPLO (EXCEL)

REAS DE APLICACIN
El modelo de Poisson tiene muchas
aplicaciones. Se emplea generalmente en
donde se desea optimizar los tiempos, tanto
de espera como de servicio, a este tipo de
problemas se les estudia en el rea de
Investigacin de operaciones.

DISTRIBUCIN
GEOMTRICA
Un experimento aleatorio se llama
geomtrico, si cumple con:
1.- El experimento consta de
ensayos independientes.
2.- Cada ensayo tiene slo dos
resultados. xito y fracaso.
3.- La probabilidad de xito en un
ensayo es p y la de fracaso q = 1
p , y se mantienen constantes de
ensayo en ensayo.
4.- El experimento termina
cuando ocurre el primer xito en
un ensayo.

Si consideramos una secuencia infinita de

ensayos de Bernoulli, sea la variable aleatoria
X el nmero de ensayos hasta que el primer
xito es obtenido.
Tenemos que cuando X=x corresponde a x-1
fracasos y un xito.

f ( x) g ( x; p ) pq x 1
Para x= 1,2,3,,n

MODELO
GEOMTRICO

Al inspeccionar
los artculos slo
puede
ocurrir:
La probabilidad, que sea defectuoso,
que sea o no
se conserva
p=1/50
En un constante
proceso de
fabricacin, se sabe que, en
defectuoso,
es
promedio, uno de cada 50 artculos est defectuoso.
decir
xito
o
Cul es la probabilidad de que el cuarto artculo que
fracaso.
se
inspecciona
sea
el
primer
artculo
defectuoso que
El experimento consta de
El experimento
se encuentra?.
cuatro
ensayos, cada uno de
termina cuando
ellos determina si el artculo
ocurre el primer
4 1
esta defectuoso. Por las
xito, es decir, el
1
49

condiciones f ( del
X 4problema
)
0.primer
01882 defectuoso.

vemos que los ensayos

son
50
50
independientes.

EJEMPLO

REAS DE APLICACIN
Situaciones en que los Ingenieros
Administradores intentan determinar cun
ineficiente es un sistema durante el periodo de
tiempo utilizado. Claramente, las pruebas se
realizaran antes de que estas representen un
costo. Si hay una alta probabilidad de que el
sistema falle, entonces se deben hacer planes
para redisearlo.

DISTRIBUCIN
HIPERGEOMTRICA
Un experimento aleatorio se llama
Hipergeomtrico si cumple con las
condiciones:
1.- El experimento se realiza
considerando un lote de tamao N
en el cual sus elementos estn
divididos en dos clases de tamaos
m y N m.
2.- Se toma una muestra de tamao
n, sin reemplazo del lote.
3.- Se calculan las probabilidades de
que k elementos de una de las clases
estn en la muestra de
tamao n.

La variable aleatoria hipergeomtrica X,

representa el nmero de xitos de una
muestra aleatoria de tamao n que se
selecciona de N artculos, de los que k se
denominan xitos y N-k fracasos.

kCx * ( N k )C (n x)
f ( x)
Para x= 0,1,2,3,,n
NCn

EJEMPLO

MODELO
componentes,
cada
uno se
HIPERGEOMTRICO
Se calculan
las
probabilidades

Lotes de 50
denomina aceptable de
si no
ms de
de una
tres
quecontiene
k elementos
defectuosos. El procedimiento
de las clases
para muestrear
estn en la
el
El lote
experimento
se de
muestra
de tamao n.
es la seleccin
6 componentes
al azar y
realiza
considerando
rechazar
todo el lote si se encuentra algn
un lote de tamao N
Se tomaCul
una muestra
componente
defectuoso.
es
la
en
el
cual
sus
de tamao n, sin
probabilidad de que se encuentre exactamente
elementos estn
reemplazo del lote.
un
defectuoso
en
la
muestra si hay tres
divididos
en
dos
defectuosos
en todo
clases
de tamaos
m el lote?
y N m.

3 50 3

1 6 1

P( X 1)
0.2895
50

REAS DE APLICACIN
La distribucin hipergeomtrica se aplica
con cierta frecuencia en el control
estadstico de calidad de una fabricacin en
serie. As pues, si el lote bajo control
contiene elementos buenos y elementos
defectuosos, cuando tomamos una muestra
de tamao n sin reemplazo, estaremos
interesados en saber el nmero de
elementos buenos que han aparecido en la
muestra, para as determinar la calidad del
proceso de fabricacin.