Tema 40506
Tema 40506
Tema 40506
4.1 Introducción
4.2 Distribución binomial
4.3 Distribución de Poisson
4.4 Función de probabilidad. Función de distribución
4.1. Introducción
Recordemos que una variable aleatoria es una variable cuyo valor depende del resultado
de un experimento aleatorio. En el tema 1 ( ´ apartado 1.1.) se vieron diversos ejemplos y
se distinguió entre variables cualitativas (o categóricas) y cuantitativas. Dentro de éstas últimas,
diferenciamos entre:
variables discretas: toman un conjunto finito o infinito numerable (que se pueden contar)
de valores
variables continuas: su espacio muestral está formado por un conjunto infinito de valores
que no podemos contar
En este tema veremos unos modelos matemáticos concretos que nos darán la pauta de vari-
abilidad asociada a una variable aleatoria. Estos modelos matemáticos se llaman distribuciones
de probabilidad. Ò Una distribución de probabilidad es un conjunto de probabilidades
para los posibles distintos sucesos que pueden darse en un experimento aleatorio, en otras pal-
abras, lo que nos proporciona es cómo se distribuye la probabilidad entre los sucesos que pueden
producirse.
[ Nota: sólo veremos el caso univariante (una única variable), sin embargo también existen
modelos que consideran varias variables conjuntamente].
55
56 Capı́tulo 4. Variables aleatorias discretas
En el presente tema, estudiaremos 3 modelos (hay muchos más, en los complementos del
tema puedes encontrar algunos), que corresponderán a la consideración de experimentos con de-
terminadas caracterı́sticas. El fin de estos modelos teóricos es la descripción razonable de algunos
fenómenos aleatorios. Son modelos aleatorios o estocásticos, que se diferencian de los modelos
matemáticos determinı́sticos. Para los modelos determinı́sticos, los resultados se encuentran pre-
determinados por las condiciones bajo las cuales se verifica el experimento, es decir, dada una
entrada su salida (resultado) queda determinada. Por ejemplo, una fuente de alimentación (E)
suministra corriente a circuito de resistencia eléctrica (R), el modelo matemático que nos de-
scribirı́a el flujo de corriente viene dado por la Ley de Ohm I=E/R. El modelo suministarı́a el
valor de I tan pronto como se dieran los valores de E y R. Sin embargo, para los experimentos
aleatorios, los resultados nos pueden predecirse con certeza.
Los tres modelos que estudiaremos son: la uniforme discreta, la Binomial y la Poisson. Tanto
la distribución Binomial como la de Poisson tiene aplicación en fiabilidad y en control de calidad
(cómo se verá en la práctica 3 con el Statgraphics Í ). La fiabilidad estudia la probabilidad de
funcionamiento de una unidad, entendida no sólo como parte indescomponible de un sistema,
sino también como un sistema o subsistema en sı́. En el tema 3 ( ´ ejemplo 3.8.), ya vimos en
clase algunos casos sencillos. El control de calidad, justamente se encarga de controlar la calidad,
en la práctica 3 puedes encontrar más detalles.
1
P (X = xi ) = i = 1, ..., n
n
[ Fı́jate que para calcular las probabilidades de los sucesos que nos interesen (por ejemplo
A = (1 < X ≤ 4) = {2, 3, 4}) sumaremos las probabilidades de los puntos muestrales que
forman el suceso (como vimos en el tema anterior). Recuerda que la suma de todas las probabil-
idades de todos los puntos muestrales es 1.]
4.2. Binomial
Esta distribución tiene una amplia gama de aplicaciones, sobre todo cuando se trata de re-
alizar pruebas cuyo resultado sólo puede adoptar dos valores: ”éxito” o ”fracaso”.
Supongamos que llevamos a cabo un proceso de Bernoulli, es decir, una serie de n prue-
bas. Cada prueba puede resultar en un ”éxito” o en un ”fracaso”. La probabilidad de éxito es la
misma cantidad, p, para cada prueba, sin importar los resultados de las otras pruebas, o sea, las
pruebas son independientes.
Ejemplo 4.1.: El ejemplo por excelencia de variable aleatoria distribuida como una bino-
mial, serı́a X = ”número de caras obtenidas al lanzar una moneda no trucada 5 (por ejemplo)
veces”, en este caso n = 5 y p = 0.5. O bien, X = ”número de caras obtenidas al lanzar una
moneda trucada (de forma que la probabilidad de salir cara sea 0.7) 10 (por ejemplo) veces”, en
este caso n = 10 y p = 0.7.
n
P (X = x) = px q n−x , x = 0, 1, ..., n, q =1−p , donde
x
n n!
= siendo n! = n · (n − 1) · (n − 2) · ... · 2 · 1
x x! · (n − x)!
[ Fı́jate que una variable X ∼ Bi(n, p), sólo puede tomar un número de valores FINITO,
de 0 a n.]
n
Calculadora: para calcular puede emplearse la teclas nCr o bien x! . Recuerda
x
n n n n
también que = = 1, = = n, 0! = 1 y 1! = 1.
0 n 1 n−1
Ejemplo 4.1.: Las siguientes gráficas muestran cómo se distribuye (reparte) la probabilidad
entre los puntos muestrales, para las dos variables de este ejemplo. Fı́jate que si sumamos todas
las probabilidades de los puntos muestrales obtendremos 1.
0.25
0.25
0.20
0.20
0.15
0.15
0.10
0.10
0.05
0.05
0.00
0 1 2 3 4 5 0 2 4 6 8 10
En cada problema, debe especificarse qué quiere decir ”éxito”. ”Éxito” puede ser ”salir cara”
como en el ejemplo 4.1, o bien, por ejemplo ”ser defectuoso”, ”ser satisfactorio”, o ”cumplir las
especificaciones”, etc.
b Ejemplo 4.2.: La calidad del acabado de cierto producto se califica como: alta, media
y baja, de manera que el 70 % son de alta calidad, el 20 % de calidad media y el 10 % baja. Si
seleccionamos 10 productos aleatoriamente, ¿cuál serı́a la probabilidad de que
[ Presta atención al significado de las expresiones que nos interesen: al menos (quiere decir
≥), como máximo, o como mucho (quiere decir ≤), menos de (quiere decir <), exactamente
(quiere decir =), etc. Además, recuerda que los contrarios de < es ≥, de > es ≤. Cuando con-
venga, usa lo que ya sabes sobre los sucesos contrarios, y ası́ te ahorrarás muchos cálculos.]
Puesto que en este tema estamos estableciendo modelos teóricos que describan el compor-
tamiento de ciertas variables aleatorias, también podremos establecer cuál serı́a la media pobla-
´
cional, µ, y la varianza poblacional, σ 2 ( recuerda el apartado 1.5. del tema 1), usando
estos modelos.
Para una variable Binomial, X ∼ Bi(n, p), se tiene µ = n · p, y σ 2 = n · p · q. La media,
µ también se llama esperanza matemática (de hecho en el problema 14 del tema 3, realizado en
clase, ya se introdujo este concepto).
4.3. Poisson
Consideremos ahora una serie de experimentos que consisten en observar el número de ocur-
rencias de un hecho en un intervalo de tiempo o espacio determinado. Por ejemplo:
Ejemplo 4.4.: número de defectos de fabricación por cada 1000 metros de cable.
Además, la probabilidad de que haya una sola ocurrencia en un intervalo muy corto es
proporcional a la amplitud del intervalo y
la probabilidad de que haya más de una ocurrencia en un intervalo muy corto es despre-
ciable.
e−λ λx
P (X = x) = , x = 0, 1, 2, 3, ... (x ∈ N)
x!
[ Fı́jate que una variable X ∼ Po(λ), puede tomar un número INFINITO NUMERABLE
(contable) de valores.]
b Ejemplo 4.5: Supongamos que el número de defectos que aparecen en una lámina de
1m2 puede modelizarse como una variable Poisson de parámetro 3. Determina:
la probabilidad de encontrar más de uno pero menos de cuatro defectos: P(1 < X < 4) =
P(X = 2) + P(X = 3) =
¿cuál es la variable de interés? ¿cuál es el número medio esperado de láminas con defectos?
la probabilidad de tener a lo sumo una lámina con defectos: P(X ≤ 1) = P(X = 0) + P(X=1)=
Ejemplo 4.5.: Las siguientes gráficas muestran cómo se distribuye (reparte) la probabilidad
entre los puntos muestrales, para las dos variables Poisson de este ejemplo. Fı́jate que si sumamos
todas las probabilidades de los puntos muestrales obtendremos 1.
Poisson(3) Poisson(15)
0.10
0.20
0.08
0.15
0.06
0.10
0.04
0.05
0.02
0.00
0.00
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35
i En fotocopias.
La probabilidad de aceptar el lote será: P(X = 0), que debe ser < 0.01, si p ≥ 0.005, con lo cual:
n
P(X = 0) = p0 · q n = 1 · 1 · (1 − p)n
0
Como p ≥ 0.005, P(X = 0) = (1 − p)n ≤ (1 − 0,005)n < 0.01 → 0,995n < 0.01 →
tomando logaritmos, n · ln(0.995) < ln(0.01) → -0.00501· n < -4.605 →
despejamos n y tenemos en cuenta el signo negativo de -0.00501, n > -4.605/-0.00501 =
919.16
2. El número de componentes que fallan antes de cumplir las 100 horas de operación se
comporta como una variable Poisson. Si el número medio de éstas es 8:
63
64 Capı́tulo 4. Variables aleatorias discretas
a) al menos 3 chips
b) exactamente 2 chips
c) como máximo 1 chip
d) exactamente 5 chips
4. Si la probabilidad de que cierta columna de ala ancha caiga bajo una carga axial dada es
de 0.05. ¿Qué probabilidad hay de que entre 16 columnas de este tipo
6. Una empresa sigue un proceso de fabricación tal que le permite servir sus pedidos con un
retraso inferior a una semana en el 95 % de los casos, lo cual es considerado como satisfac-
torio. Reclamaciones de ciertos clientes hacen sospechar a la dirección que el porcentaje de
retrasos ha aumentado, por lo cual se detiene a estudiar si ello es cierto. La forma de efec-
tuar dicho estudio es la siguiente: se selecciona al azar 10 pedidos y se procede a observar
cómo son servidos. Si más de 1 pedido sufre retraso superior a una semana, se revisa el
proceso de fabricación y en caso contrario no se revisa. ¿Cuál es la probabilidad de que el
proceso sea revisado sin necesidad?
(Sol: 0.086)
8. Durante una etapa en la manufactura de chips debe aplicarse a éstos una capa. Si el 70 %
de los chips recibe una capa suficientemente gruesa, determina la probabilidad de que entre
15 chips,
9. En una clase el 60 % son mujeres y el resto hombres. Si seleccionamos una muestra al azar
de 12 estudiantes 1 :
10. En la inspección de hojalata producida por un proceso electrolı́tico, se identifican 0.2 im-
perfecciones en promedio por minuto. Suponiendo que el número de imperfecciones se
comporta como una variable Poisson, determina la probabilidad de identificar
11. Este ejercicio ilustra el impacto que la baja calidad puede tener sobre planes y costos. Un
proceso de fabricación tiene 100 pedidos en espera de ser surtidos. Cada pedido necesita
un componente que se compra a otro proveedor. Sin embargo, lo común es identifcar 2 %
de estos componentes como defectuosos; por otra parte, puede suponerse que el estado de
cada componente es independiente del de los demás.
12. Una partida de bujı́as con alta proporción de inservibles (20 %) sale al mercado en paquetes
de 4 unidades y en cajas de 10 paquetes. Cálcula la probabilidad de que:
1
aunque en realidad la variable sea hipergeométrica, podemos aproximarla por una binomial (mira los comple-
mentos del tema 4)