Distribuciones Discretas

Distribuciones Discretas

Distribución Hipergeométrica
Distribución de Bernoulli
Distribución Binomial
Distribución Geométrica
Distribución Binomial Negativa
Distribución de Poisson

Prof. Luis Valdivieso FACI PUCP 1 / 41

 Distribuciones Discretas

Distribución Hipergeométrica

Prof. Luis Valdivieso FACI PUCP 2 / 41

 Distribuciones Discretas

Distribución Hipergeométrica
Sea una población de N elementos, M de los cuales presentan una
caracterı́stica de interés y N − M no la presentan. Si de esta población
se selecciona una muestra aleatoria de tamaño n sin reemplazo y se
define una variable aleatoria X como
X = el número de elementos que presentan la caracterı́stica de interés
en la muestra

Prof. Luis Valdivieso FACI PUCP 2 / 41

 Distribuciones Discretas

Distribución Hipergeométrica
Sea una población de N elementos, M de los cuales presentan una
caracterı́stica de interés y N − M no la presentan. Si de esta población
se selecciona una muestra aleatoria de tamaño n sin reemplazo y se
define una variable aleatoria X como
X = el número de elementos que presentan la caracterı́stica de interés
en la muestra

Entonces X es una variable aleatoria con distribución Hipergeométrica,

cuya función de probabilidad es dada por:

M N −M
( )( )
x n−x
f (x) = , x = {max{0, n+M −N }, ..., min{M, n}}
N
( )
n

Prof. Luis Valdivieso FACI PUCP 2 / 41

 Distribuciones Discretas

Distribución Hipergeométrica

Notación: X ∼ HG(N, M, n)
M
E(X) = n
N
M N −M N −M
V (X) = n ( ) ( )( )
N N N −1

Prof. Luis Valdivieso FACI PUCP 3 / 41

 Distribuciones Discretas

Distribución Hipergeométrica

Se tiene un lote de 10 artı́culos de los cuales 4 son defectuosos. Se van a

seleccionar al azar y sin reemplazo una muestra de 3 de estos artı́culos, la
variable de interés es X =el número de artı́culos defectuosos en la muestra.

a) Calcule la probabilidad que los tres artı́culos sean defectuosos.

b) Calcule el valor esperado y la varianza de X

Prof. Luis Valdivieso FACI PUCP 4 / 41

 Distribuciones Discretas

Distribución Hipergeométrica

Hay un total de N empresas que están en condición de morosas con la

SUNAT. Un inspector tiene una base de datos con 10 registros de empresas
morosas y un colega suyo toma una muestra al azar de 8 empresas morosas
y encuentra que X de ellas ya figuran en la base.
a) Para N = 20, verifique que X tiene distribución Hipergeométrica e iden-
tifique sus parámetros.
b) Para un valor general de N , construya la función de probabilidad de X.
Si resultó X = 2 y Ud. sabe que N vale 40 o 20 ¿Cuál valor escogerı́a?

Prof. Luis Valdivieso FACI PUCP 5 / 41

 Distribuciones Discretas

Ensayo de Bernoulli

Un ensayo de Bernoulli es un experimento aleatorio que cumple las

siguientes condiciones
Para cada ensayo solamente son posibles dos resultados, usualmente
denominados, éxito (E) y fracaso (F ) con

P (E) = p y P (F ) = 1 − p

p la probabilidad de éxito se mantiene constante al repetirse el experi-

mento.

Prof. Luis Valdivieso FACI PUCP 6 / 41

 Distribuciones Discretas

Distribución de Bernoulli

Si definimos la variable aleatoria X como

1, si el resultado es un éxito
X ={
0, si el resultado es un fracaso

X es una variable aleatoria con distribución Bernoulli, cuya función de

probabilidad es dada por:

f (x) = px (1 − p)1−x , x = 0, 1

Notación: X ∼ Bernoulli(p)
E(X) = p
V (X) = p(1 − p)

Prof. Luis Valdivieso FACI PUCP 7 / 41

 Distribuciones Discretas

Distribución de Bernoulli

Como ejemplos de ensayos de Bernoulli tenemos

El lanzamiento de una moneda.
Elegir una persona de la población y observar si presenta una enferme-
dad

Prof. Luis Valdivieso FACI PUCP 8 / 41

 Distribuciones Discretas

Distribución Binomial

Consideremos que se repite en forma independiente n ensayos de Ber-

noulli con probabilidad p de obtener un éxito.
Si definimos la variable aleatoria X como

X = Número de éxitos obtenidos en n ensayos de Bernoulli.

Entonces X es una variable aleatoria con distribución Binomial, cuya

función de probabilidad es dada por:

n
f (x) = ( ) px (1 − p)n−x , x = 0, 1, 2, ..., n, 0 < p < 1
x

Prof. Luis Valdivieso FACI PUCP 9 / 41

 Distribuciones Discretas

Distribución Binomial

Notación: X ∼ Binomial(n, p).

E(X) = np
V (X) = np(1 − p)

Prof. Luis Valdivieso FACI PUCP 10 / 41

 Distribuciones Discretas

Distribución Binomial

Se sabe que la probabilidad de que un artı́culo producido por una cierta

empresa sea defectuoso es de 0.01 independientemente de los otros. Los
artı́culos se venden en cajas de 12 unidades y tienen una garantı́a de re-
emplazo por una caja nueva si se encuentra más de un artı́culo defectuoso.

1 Calcule la probabilidad que la garantı́a aplique en una de estas cajas.

2 Si se venden 4 de estas cajas calcule la probabilidad que la garantı́a
aplique solamente en una de estas cajas.
3 Si se venden 1000 de estas cajas, calcule el número esperado de cajas
en que se aplicará la garantı́a.

Prof. Luis Valdivieso FACI PUCP 11 / 41

 Distribuciones Discretas

Distribución Geométrica

Consideremos que se repite en forma independiente ensayos de Bernoulli

con probabilidad p de obtener un éxito. Si definimos la variable aleatoria
X como

X = Número de ensayos de Bernoulli hasta obtener el primer éxito.

Entonces X es una variable aleatoria con distribución Geométrica, cuya

función de probabilidad es dada por:

f (x) = p(1 − p)x−1 , x = 1, 2, ..., 0 < p < 1

Prof. Luis Valdivieso FACI PUCP 12 / 41

 Distribuciones Discretas

Distribución Geométrica

Notación: X ∼ Geométrica(p).
Función de distribución

F (m) = 1 − (1 − p)m

donde m es el mayor entero que sea menor o igual que x.

1
E(X) =
p
1−p
V (X) = 2
p
Propiedad de Falta de Memoria

P (X > m + k ∣ X > m) = P (X > k).

Prof. Luis Valdivieso FACI PUCP 13 / 41

 Distribuciones Discretas

Distribución Geométrica

Se sabe que la probabilidad que ocurra una inundación que puede causar
daños importantes a la infraestructura de una ciudad en un cierto año es
de 0.05. Asumiendo que existe independencia entre la ocurrencia de las
inundaciones.
1 Calcule el número promedio de años hasta que ocurra una inundación
que cause daños importantes a una ciudad.
2 Calcule la probabilidad que el tercer año ocurra una inundación que
cause daños importantes a una ciudad.
3 Si han pasado dos años sin que ocurra una inundación, calcule la pro-
babilidad que pasen dos años más antes que ocurra una inundación que
cause daños importantes a una ciudad.

Prof. Luis Valdivieso FACI PUCP 14 / 41

 Distribuciones Discretas

Distribución Binomial Negativa

Consideremos que se repite en forma independiente n ensayos de Ber-

noulli con probabilidad p de obtener un éxito.
Si definimos la variable aleatoria X como

X = Número de ensayos de Bernoulli hasta obtener el r-ésimo éxito.

Entonces X es una variable aleatoria con distribución Binomial Nega-

tiva, cuya función de probabilidad es dada por:

x−1
f (x) = ( ) pr (1 − p)x−r , x = r, r + 1, r + 2, ..., 0 < p < 1
r−1

Prof. Luis Valdivieso FACI PUCP 15 / 41

 Distribuciones Discretas

Distribución Binomial Negativa

Notación: X ∼ BinomialN (r, p).

r
E(X) =
p
r(1 − p)
V (X) =
p2

Prof. Luis Valdivieso FACI PUCP 16 / 41

 Distribuciones Discretas

Distribución Binomial Negativa

Un componente electrónico tiene una probabilidad de 0.90 de pasar un con-

trol de calidad. Se puede asumir que existe independencia entre los resulta-
dos del control de calidad de diferentes componentes electrónicos.
a) Calcule la probabilidad que sean necesario revisar 5 componentes para
obtener que 3 pasen el control de calidad.
b) Calcule el número promedio de revisiones hasta encontrar 3 componentes
que pasen el control de calidad.

Prof. Luis Valdivieso FACI PUCP 17 / 41

 Distribuciones Discretas

Proceso de Poisson

La ocurrencia de eventos de un cierto tipo en el tiempo o en un espacio

sigue un Proceso de Poisson con tasa de ocurrencia λ > 0 por unidad de
tiempo o espacio, si se cumple:
(i) La probabilidad que ocurra un evento en un intervalo de tamaño t
suficientemente pequeño es aproximadamente λt.
(ii) La probabilidad que ocurra dos o más eventos en un intervalo de
tamaño t suficientemente pequeño es cero.
(iii) El número de eventos que ocurren en cierto intervalo es independiente
del número de eventos que ocurran en otro intervalo disjunto.

Prof. Luis Valdivieso FACI PUCP 18 / 41

 Distribuciones Discretas

Proceso de Poisson

Accidentes de tránsito en una intersección de dos avenidas en un dı́a.

Accesos a una página web en una hora.
Llegada de clientes a un banco en un dı́a.
Movimientos sı́smicos en un año.

Prof. Luis Valdivieso FACI PUCP 19 / 41

 Distribuciones Discretas

Distribución de Poisson

Considere que en un proceso de Poisson con tasa de ocurrencia λ por

unidad de tiempo o espacio, se define la variable aleatoria X como

X = Número de eventos en un intervalo de tamaño t.

Entonces X es una variable aleatoria con distribución de Poisson, cuya

función de probabilidad es dada por:

e−µ µx
f (x) = , x = 0, 1, 2, ...., µ > 0
x!
donde µ = λt.

Prof. Luis Valdivieso FACI PUCP 20 / 41

 Distribuciones Discretas

Distribución de Poisson

Notación: X ∼ P oisson(µ).
E(X) = µ.
V (X) = µ.

Prof. Luis Valdivieso FACI PUCP 21 / 41

 Distribuciones Discretas

Distribución de Poisson

Se asume que la ocurrencia de terremotos siguen un proceso de Poisson en

el tiempo. Se asume que ocurre un terremoto cada 20 años.
a) Calcule el número esperado de terremotos en un perı́odo de 100 años.
b) Calcule la probabilidad que ocurran más de tres terremotos en un perı́odo
de 50 años.
c) Cuan largo debe ser un perı́odo de tiempo, de modo que la probabilidad
que no ocurran terremotos durante ese perı́odo de tiempo sea mayor a
0.90.

Prof. Luis Valdivieso FACI PUCP 22 / 41

 Distribuciones Continuas

Distribución Exponencial

Una variable aleatoria X sigue una distribución exponencial si su fun-

ción de densidad es dada por

f (x) = λe−λx , x > 0, λ > 0.

Notación: X ∼ Exp(λ).
Función de de distribución: F (x) = 1 − e−λx .
1
E(X) = .
λ
1
V (X) = 2 .
λ
Propiedad de Falta de Memoria:

P (X > m + k ∣ X > m) = P (X > k)

Prof. Luis Valdivieso FACI PUCP 23 / 41

 Distribuciones Continuas

Distribución Exponencial

Relación con un proceso de Poisson

Considere que en un proceso de Poisson con tasa de ocurrencia λ por
unidad de tiempo, se define la variable aleatoria X como

X = Tiempo hasta que ocurra el primer evento

Entonces X ∼ Exp(λ).

Prof. Luis Valdivieso FACI PUCP 24 / 41

 Distribuciones Continuas

Distribución Exponencial

Una compañı́a de seguros vende un seguro vehicular que cubre por las pérdi-
das incurridas al tener un accidente, este seguro está sujeto a un deducible
de 100 u.m. (esto es el cliente paga 100 u.m. sin importar cuál sea el valor
de la pérdida). Se conoce que las pérdidas al tener un accidente siguen una
distribución exponencial con media de 300 u.m.
a) Calcule la probabilidad de que la compañı́a de seguros tenga que desem-
bolsar dinero en un accidente.
b) Calcule la mediana de la pérdida por accidente.
c) Asuma que un cliente no hará uso del seguro si el valor de la pérdida es
menor al deducible. Si la compañı́a vende el seguro a 150 u.m. calcula
la ganancia esperada de la compañı́a de seguros.

Prof. Luis Valdivieso FACI PUCP 25 / 41

 Distribuciones Continuas

Distribución Exponencial

Se asume que la ocurrencia de terremotos siguen un proceso de Poisson en

el tiempo. Se asume que ocurre un terremoto cada 20 años.
a) Calcule la probabilidad que pasen más de 30 años antes de que ocurra
un terremoto.
b) Calcule el tiempo esperado entre la ocurrencia de dos terremotos.
c) Si ya han pasado 10 años sin que haya ocurrido un terremoto calcule la
probabilidad que pasen 20 años más sin que ocurra un terremoto.

Prof. Luis Valdivieso FACI PUCP 26 / 41

 Distribuciones Continuas

Distribución Gamma
Una variable aleatoria X sigue una distribución gamma si su función
de densidad es dada por
λα α−1 −λx
f (x) = x e , x > 0, , α > 0, λ > 0.
Γ(α)
∞
Función gamma: Γ(s) = ∫ ts−1 e−t dt y Γ(a + 1) = aΓ(a) si a es entero.
0
Notación: X ∼ Gamma(α, λ).
Función de de distribución: si α es entero
α−1
(λx)i −λx
F (x) = 1 − ∑ e
i=0 i!
para otros valores de α no tiene forma analı́tica.
α α
E(X) = y V (X) = 2 .
λ λ
Prof. Luis Valdivieso FACI PUCP 27 / 41
 Distribuciones Continuas

Distribución Gamma

Suponga que el consumo mensual de electricidad en miles de kilowatts/hora

de cualquier fábrica ubicada en una zona industrial es una variable aleatoria
con distribución gamma de media 2 y varianza 2.
a) Si se selecciona al azar una fábrica y se conoce que ya ha consumido hasta
cierto dı́a del mes 2.0 mil de kilowatts/hora. ¿Cuál es la probabilidad que
consuma en el mes más de 4.0 mil kilowatts/hora?
b) Si se seleccionan al azar 5 fábricas ¿Cuál es la probabilidad de que sola-
mente una de las fábricas seleccionadas haya tenido un consumo mayor
2 mil kilowatts/hora?

Prof. Luis Valdivieso FACI PUCP 28 / 41

 Distribuciones Continuas

Distribución Gamma

Se asume que la ocurrencia de terremotos siguen un proceso de Poisson en

el tiempo. Se asume que ocurre un terremoto cada 20 años.
a) Calcule el tiempo esperado entre la ocurrencia del primer y cuarto terre-
moto.
b) Calcule la probabilidad que pasen más de 40 años antes que ocurra el
segundo terremoto.

Prof. Luis Valdivieso FACI PUCP 29 / 41

 Distribuciones Continuas

Distribución Uniforme

Una variable aleatoria X sigue una distribución uniforme si su función

de densidad es dada por
1
f (x) = , a < x < b.
b−a
Notación: X ∼ U nif (a, b).
x−a
Función de distribución: F (x) = .
b−a
a+b (b − a)2
E(X) = y V (X) =
2 12

Prof. Luis Valdivieso FACI PUCP 30 / 41

 Distribuciones Continuas

Distribución Uniforme

Una persona llega a una estación de buses a las 10:00 am, se sabe que la
hora a la que llega el bus se distribuye uniformemente entre 10:00 am y
10:30 am.
a) Calcule la probabilidad que esta persona tenga que esperar más de 10
minutos.
b) Si ya son las 10:15 y el bus aun no llega, calcule la probabilidad que
tenga que esperar al menos 10 minutos adicionales.

Prof. Luis Valdivieso FACI PUCP 31 / 41

 Distribuciones Continuas

Distribución Beta

Una variable aleatoria X sigue una distribución beta si su función de

densidad es dada por

Γ(α + β) α−1
f (x) = x (1 − x)β−1 , 0 < x < 1, α > 0, β > 0.
Γ(α)Γ(β)

Notación: X ∼ Beta(α, β).

α αβ
E(X) = y V (X) =
α+β (α + β) (α + β + 1)
2

Prof. Luis Valdivieso FACI PUCP 32 / 41

 Distribuciones Continuas

Distribución Beta

Se aplica esfuerzo a un barra de acero de 1 metro sujeta por cada extremo

en una posición fija. Sea Y = la distancia del extremo izquierdo al punto
donde se rompe la barra en metros. Suponga que Y tiene una distribución
1 1
beta con E(Y ) = y V (Y ) = .
2 28
a) Encuentre los parámetros de la distribución beta.
b) Calcule la probabilidad de que la barra se rompa a más de 10 cm de
donde esperaba que se rompiera.

Prof. Luis Valdivieso FACI PUCP 33 / 41

 Distribuciones Continuas

Distribución Normal

Una variable aleatoria X sigue una distribución normal si su función de

densidad es dada por

1 (x − µ)2
1 −
f (x) = √ e 2 σ 2 , x ∈ R, µ ∈ R, σ 2 > 0
2πσ

Notación: X ∼ N (µ, σ 2 ).
E(X) = µ y V (X) = σ 2

Prof. Luis Valdivieso FACI PUCP 34 / 41

 Distribuciones Continuas

Distribución Normal Estándar

Una variable aleatoria Z sigue una distribución normal estándar si Z ∼

N (0, 1), por lo tanto su función de densidad es dada por
1
1 − z2
f (x) = √ e 2 , z ∈ R
2π
La función de distribución acumulada de Z, suele ser denotada por
Φ(z), no tiene forma analı́tica, pero puede ser evaluada en forma
numérica o a través de tablas.

Prof. Luis Valdivieso FACI PUCP 35 / 41

 Distribuciones Continuas

Propiedades de la distribución normal

X −µ
Sea X ∼ N (µ, σ 2 ) entonces Z = ∼ N (0, 1)
σ

Sea X ∼ N (µ, σ 2 ) entonces Y = a + bX ∼ N (a + bµ, b2 σ 2 )

Prof. Luis Valdivieso FACI PUCP 36 / 41

 Distribuciones Continuas

Ejercicios

Si X es una población Normal con media µ = 70 y σ = 10. Hallar las

siguientes probabilidades:
a) P (X < 60)
b) P (X > 95)
c) P (50 < X < 80)

Prof. Luis Valdivieso FACI PUCP 37 / 41

 Distribuciones Continuas

Ejercicios

Suponga que la demanda mensual de fierro para construcción en una tienda

por semana se distribuye normalmente con una media de 650 kilogramos y
una desviación estándar de 100 kg.
a) Calcule la probabilidad hay de que la demanda no supere los 500 kg.
b) ¿Qué cantidad del bien debe haber mensualmente a fin de satisfacer la
demanda de 89.8 % de las semanas??

Prof. Luis Valdivieso FACI PUCP 38 / 41

 Distribuciones Continuas

Propiedades de la distribución normal

Sean X1 , X2 , ..., Xn variables aleatoria independientes tal que Xi ∼

N (µi , σi2 ) ∀i = 1, 2, ..., n entonces
n n n
∑ Xi ∼ N (∑ µi , ∑ σi )
2
i=1 i=1 i=1

Sean X1 , X2 , ..., Xn variables aleatoria independientes e identicamente

distribuı́das tal que Xi ∼ N (µ, σ 2 ) ∀i = 1, 2, ..., n entonces

σ2
X̄ ∼ N (µ, )
n

Prof. Luis Valdivieso FACI PUCP 39 / 41

 Distribuciones Continuas

Teorema del Lı́mite Central

Sean X1 , X2 , ..., Xn variables aleatoria independientes e identicamente

distribuı́das tal que E(Xi ) = µ y V (Xi ) = σ 2 ∀i = 1, 2, ..., n entonces
para un n suficientemente grande

aprox σ2
X̄ ∼ N (µ, )
n

Prof. Luis Valdivieso FACI PUCP 40 / 41

 Distribuciones Continuas

Ejercicios

En un estudio sobre el peso de bolsas de yeso de un lote de 100 bolsas, los

pesos de las bolsas son considerados como variables aleatorias independien-
tes de igual distribución. Interesa saber la probabilidad de que el peso total
en este lote no exceda la capacidad máxima, es decir, 540 kilos.
a) Considere que los pesos se distribuyen en forma normal con media de 5
kilos y desviación estándar de 3 kilos.
b) Considere que los pesos se distribuyen en forma exponencial con media
de 5 kilos.

Prof. Luis Valdivieso FACI PUCP 41 / 41