Algunas Distribuciones Discretas

Viswanathan Arunachalam(ARUN)

Departamento de Estadśtica
Universidad Nacional de Colombia, Bogotá.
[email protected]

Probabilidad

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
1 / 45
 Discrete Uniform

Discrete Uniform Distribution

Definition
A random variable X has a discrete uniform distribution with N points,
where N is a positive integer with possible distinct values,
xi , i = 1, 2, . . . , N, if its probability mass function is given by:

1
if x = x1 , x2 , . . . , xN
p(x) = N
0 otherwise

If in particular, xi = i, i = 1, 2, . . . , N, the probability mass function is

shown in the Figure.

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
2 / 45
 Discrete Uniform

f(x)

. . .
1/N

. . .
1 2 3 N
x

Figure : Probability mass function for a discrete uniform distribution.

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
3 / 45
 Discrete Uniform

Properties of a Discrete Uniform Random

Variable

If X is a random variable having a discrete uniform distribution with N

points, then:
1 PN
1 EX = xi .
N i=1
1 PN k
2 E[Xk ] = x .
N i=1 i
XN
1 txi
3 m (t) =
X N
e .
i=1

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
4 / 45
 Discrete Uniform

Properties of a Discrete Uniform Random

Variable

If X is a random variable having a discrete uniform distribution with N

points, then:
1 PN
1 EX = xi .
N i=1
1 PN k
2 E[Xk ] = x .
N i=1 i
XN
1 txi
3 m (t) =
X N
e .
i=1

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
4 / 45
 Discrete Uniform

Properties of a Discrete Uniform Random

Variable

If X is a random variable having a discrete uniform distribution with N

points, then:
1 PN
1 EX = xi .
N i=1
1 PN k
2 E[Xk ] = x .
N i=1 i
XN
1 txi
3 m (t) =
X N
e .
i=1

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
4 / 45
 Discrete Uniform

Example
A fair die is tossed. The sample space Ω = {1, 2, 3, 4, 5, 6} and each event
occurs with probability 16 . Therefore we have a uniform distribution with

1
p(n) = , n = 1, 2, 3, 4, 5, 6.
6
1+2+3+4+5+6
EX = = 3.5
6
35
Var(X) = .
12

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
5 / 45
 Binomial and Bernoulli Distributions

Binomial and Bernoulli Distributions

Definition
A random variable X is said to have a binomial distribution with
parameters n and p if its probability mass function is given by:


n
x
px (1 − p)n−x if x = 0, 1, · · · , n
p(x) =
0 otherwise

where n is a positive integer and 0 < p < 1.

If n = 1, the binomial distribution is called a Bernoulli distribution of
parameter p.

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
6 / 45
 Binomial and Bernoulli Distributions

0.45

0.4
f(x)
0.35

0.3

0.25

0.2

0.15

0.1

0.05

0 1 2 3 4 5 6
x

Figure : Probability mass function of a binomial distribution with parameters

n = 6, p = 0.5.

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
7 / 45
 Binomial and Bernoulli Distributions

Example
Se lanza un dado corriente cinco veces consecutivas. Sea X la variable
aleatoria que denota el número de veces que se obtiene el número 5 como
resultado. Hallar la función de probabilidad de X.

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
8 / 45
 Binomial and Bernoulli Distributions

La variable aleatoria X tiene distribución binomial de paráme-tros 5 y

1
6
. Por lo tanto,
   0  5
5 1 5
P(X = 0) = × × = 0.40188
0 6 6
   1  4
5 1 5
P(X = 1) = × × = 0.40188
1 6 6
   2  3
5 1 5
P(X = 2) = × × = 0.16075
2 6 6
   3  2
5 1 5
P(X = 3) = × × = 0.03215
3 6 6
   4  
5 1 5
P(X = 4) = × × = 3.215 × 10−3
4 6 6
   5  0
5 1 5
P(X = 5) = × × = 1.286 × 10−4 . N
5 6 6
Viswanathan Arunachalam(ARUN) (Departamento
AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
9 / 45
 Binomial and Bernoulli Distributions

Example
La mejor amiga de Paula la invitó a una fiesta. Como Paula es aún muy
pequeña, sus padres condicionaron el permiso a que su hermano la
acompañe. El hermano de Paula le propone el siguiente trato: “tú escoges
un número, el que quieras, entre 1 y 6; luego lanzamos cuatro veces un
dado corriente, si el número que tú escogiste aparece por lo menos 2 veces,
entonces, te acompaño a la fiesta. En caso contrario no te acompaño”.
¿Cuál es la probabilidad de que Paula pueda ir a la fiesta?

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
10 / 45
 Binomial and Bernoulli Distributions

Solución: Sea

X := “número de veces que aparece el número escogido por Pau

d
Es claro que X = B(4, 16 ). Entonces, la probabilidad pedida
p es igual a:

p = P(X ≥ 2)
= 1 − P(X = 0) − P(X = 1)
   0  4    1  3
4 1 5 4 1 5
=1− × × − × ×
0 6 6 1 6 6
= 0.13194. N

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
11 / 45
 Binomial and Bernoulli Distributions

Example
Un vendedor de planes de turismo al Caribe, sabe, por experiencia, que la
oportunidad de vender un plan es mayor, mientras más contactos realice
con los clientes potenciales. Empíricamente él estableció que la
probabilidad de que una persona compre un plan, luego de su visita, es
constante e igual a 0.01. Si el conjunto de visitas que realiza el vendedor
constituye un conjunto independiente de ensayos,¿cuántos compradores
potenciales debe visitar para que la probabilidad de vender por lo menos un
plan sea igual a 0.85?

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
12 / 45
 Binomial and Bernoulli Distributions

Sea

X := “Número de personas que compran un plan luego

de la visita del vendedor”

d
Se tiene que X = B(n, 0.1). Se busca determinar n de tal manera que

P(X ≥ 1) = 0.85

o equivalentemente

0.85 = 1 − P(X = 0)
 
n
=1− (0.01)0 (0.99)n .
0

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
13 / 45
 Binomial and Bernoulli Distributions

Entonces:

(0.99)n = 0.15
n ln(0.99) = ln(0.15)
ln(0.15)
n= ≈ 188.76.
ln(0.99)

Por lo tanto, el vendedor debe visitar por lo menos a 189 personas para
lograr su objetivo.

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
14 / 45
 Binomial and Bernoulli Distributions

propiedades de la distribución binomial

Sea X una variable aleatoria con distribución binomial de parámetros n

y p. Entonces:
1 EX = np.
2 Var(X) = npq; donde q := 1 − p.

n
3 mX (t) = pet + q .

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
15 / 45
 Binomial and Bernoulli Distributions

propiedades de la distribución binomial

Sea X una variable aleatoria con distribución binomial de parámetros n

y p. Entonces:
1 EX = np.
2 Var(X) = npq; donde q := 1 − p.

n
3 mX (t) = pet + q .

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
15 / 45
 Binomial and Bernoulli Distributions

propiedades de la distribución binomial

Sea X una variable aleatoria con distribución binomial de parámetros n

y p. Entonces:
1 EX = np.
2 Var(X) = npq; donde q := 1 − p.

n
3 mX (t) = pet + q .

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
15 / 45
 Binomial and Bernoulli Distributions

Let X1 , X2 , ...., Xn be a sequence of i.i.d. random variables and Xk

represents the realization of the kth Bernoulli trial with probability p, then
X = X1 + X2 + ... + Xn has binomial distribution with parameters n and
p.

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
16 / 45
 Binomial and Bernoulli Distributions

d
We shall write X = B(n, p) to indicate that the random variable X has a
binomial distribution with parameters n and p.

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
17 / 45
 Distribución de Poisson

Distribución de Poisson

Definition
Se dice que una variable aleatoria X tiene distribución Poisson de
parámetro λ > 0, si su función de probabilidad está dada por:
 −λ λx
e x! si x = 0, 1, · · ·
p(x) =
0 en otro caso

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
18 / 45
 Distribución de Poisson

0.35

f(x)
0.3

0.25

0.2

0.15

0.1

0.05

0 1 2 3 4 5 6

Figure : Función de probabilidad de una distribución Poisson con parámetro

λ = 2.
Viswanathan Arunachalam(ARUN) (Departamento
AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
19 / 45
 Distribución de Poisson

d
Sea X una variable aleatoria. Se escribe X = P(λ) para indicar que
X tiene una distribución Poisson de parámetro λ.

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
20 / 45
 Distribución de Poisson

Propiedades

Sea X una variable aleatoria con distribución Poisson de parámetro

λ. Entonces:
1 EX = λ.
2 Var(X) = λ.
3 mX (t) = exp(λ(et − 1)).

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
21 / 45
 Distribución de Poisson

Propiedades

Sea X una variable aleatoria con distribución Poisson de parámetro

λ. Entonces:
1 EX = λ.
2 Var(X) = λ.
3 mX (t) = exp(λ(et − 1)).

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
21 / 45
 Distribución de Poisson

Propiedades

Sea X una variable aleatoria con distribución Poisson de parámetro

λ. Entonces:
1 EX = λ.
2 Var(X) = λ.
3 mX (t) = exp(λ(et − 1)).

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
21 / 45
 Distribución de Poisson

Example
El número de personas que ingresan diariamente a la unidad de urgencias
de un hospital, tiene una distribución Poisson de media 10. ¿A qué es igual
la probabilidad de que, en un día en particular, el número de pacientes que
ingresen a la unidad de urgencias, en dicho hospital, sea menor o igual a 3?

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
22 / 45
 Distribución de Poisson

Sea X := “número de pacientes que ingresan diariamente a la unidad de

d
urgencias”. Por los datos del problema, se sabe que X = P(10) . Por lo
tanto,

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

1000 −10
= e−10 + 10e−10 + 50e−10 + e
6
= 1.0336 × 10−2 . N

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
23 / 45
 Distribución de Poisson

Si p(n) es una sucesión con 0 < p(n) < 1 y n (p(n)) −→ λ cuando

n −→ ∞, entonces
λk
 
n
Bn,p(n) (k) := (p(n))k (1 − p(n))n−k −→ e−λ =: P(λ)(k)
k n→∞ k!

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
24 / 45
 Distribución de Poisson

Cuándo utilizar el distribución de Poisson

Técnicamente, se trata de una situación de binomial en la que hay dos

dustintos resultados - que suceda el éxito o fallo- se sucede el
accidente o no .
Observa que cuando n es muy grande - n es número de observaciones
o pruebas
p probabilidad del evento (como éxito etc.) es muy pequeño Se
consigue una buena aproximación a la distribución de Poisson con
parámetro λ = np.
la distribución de Poisson se emplea para describir sucesos discretos
que ocurren con poca frequencia en el tiempo o en el espacio. por
razón se llama los eventos de Poisson son eventos raro o extremo .
es la única distribución tiene el valor medio y la varianza son mismo
valor λ.

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
25 / 45
 Distribución de Poisson

Cuándo utilizar el distribución de Poisson

Técnicamente, se trata de una situación de binomial en la que hay dos

dustintos resultados - que suceda el éxito o fallo- se sucede el
accidente o no .
Observa que cuando n es muy grande - n es número de observaciones
o pruebas
p probabilidad del evento (como éxito etc.) es muy pequeño Se
consigue una buena aproximación a la distribución de Poisson con
parámetro λ = np.
la distribución de Poisson se emplea para describir sucesos discretos
que ocurren con poca frequencia en el tiempo o en el espacio. por
razón se llama los eventos de Poisson son eventos raro o extremo .
es la única distribución tiene el valor medio y la varianza son mismo
valor λ.

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
25 / 45
 Distribución de Poisson

Cuándo utilizar el distribución de Poisson

Técnicamente, se trata de una situación de binomial en la que hay dos

dustintos resultados - que suceda el éxito o fallo- se sucede el
accidente o no .
Observa que cuando n es muy grande - n es número de observaciones
o pruebas
p probabilidad del evento (como éxito etc.) es muy pequeño Se
consigue una buena aproximación a la distribución de Poisson con
parámetro λ = np.
la distribución de Poisson se emplea para describir sucesos discretos
que ocurren con poca frequencia en el tiempo o en el espacio. por
razón se llama los eventos de Poisson son eventos raro o extremo .
es la única distribución tiene el valor medio y la varianza son mismo
valor λ.

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
25 / 45
 Distribución de Poisson

Cuándo utilizar el distribución de Poisson

Técnicamente, se trata de una situación de binomial en la que hay dos

dustintos resultados - que suceda el éxito o fallo- se sucede el
accidente o no .
Observa que cuando n es muy grande - n es número de observaciones
o pruebas
p probabilidad del evento (como éxito etc.) es muy pequeño Se
consigue una buena aproximación a la distribución de Poisson con
parámetro λ = np.
la distribución de Poisson se emplea para describir sucesos discretos
que ocurren con poca frequencia en el tiempo o en el espacio. por
razón se llama los eventos de Poisson son eventos raro o extremo .
es la única distribución tiene el valor medio y la varianza son mismo
valor λ.

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
25 / 45
 Distribución de Poisson

Cuándo utilizar el distribución de Poisson

Técnicamente, se trata de una situación de binomial en la que hay dos

dustintos resultados - que suceda el éxito o fallo- se sucede el
accidente o no .
Observa que cuando n es muy grande - n es número de observaciones
o pruebas
p probabilidad del evento (como éxito etc.) es muy pequeño Se
consigue una buena aproximación a la distribución de Poisson con
parámetro λ = np.
la distribución de Poisson se emplea para describir sucesos discretos
que ocurren con poca frequencia en el tiempo o en el espacio. por
razón se llama los eventos de Poisson son eventos raro o extremo .
es la única distribución tiene el valor medio y la varianza son mismo
valor λ.

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
25 / 45
 Distribución de Poisson

Ejemplo
Suponga que nos interesa determinar la cantidad de personas de una
población de 10000 que se involucran en un accidente vehicular cada año
con un probabilidad 0.00024. El número medio de personas implicadas
sería :
λ = np = (10000)(0.00024) = 2.4

P (X = 0) = 0.091
P (X = 1) = 0.218
P (X = 2) = 0.261
P (X = 3) = 0.209
P (X = 4) = 0.125
P (X = 5) = 0.060
P (X = 6) = 0.024
P (X ≥ 7) = 0.012
Viswanathan Arunachalam(ARUN) (Departamento
AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
26 / 45
 Distribución de Geométrica

Geométrica

Se dice que una variable aleatoria X tiene distribución geométrica with

parameter p, si su función de probabilidad está dada por:

p(x) = (1 − p)x−1 p; x = 1, 2, ...

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
27 / 45
 Distribución de Geométrica

Geométrica-Ejemplo

Los registros indican que una cierta vendedora tiene éxito en formular venta
en 30% de sus entrevistas. Supóngase que una venta en una entrevista es
independiente de una venta cualquier otro momento.
a) ¿Cuál es la probabilidad de que esta vendedora tenga que tratar con
10 personas antes de hacer su primera venta?
b) ¿Cuál es la probabilidad que la primera venta se realice antes o en la
décima oportunidad?

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
28 / 45
 Distribución de Geométrica

Geométrica-Ejemplo

Los registros indican que una cierta vendedora tiene éxito en formular venta
en 30% de sus entrevistas. Supóngase que una venta en una entrevista es
independiente de una venta cualquier otro momento.
a) ¿Cuál es la probabilidad de que esta vendedora tenga que tratar con
10 personas antes de hacer su primera venta?
b) ¿Cuál es la probabilidad que la primera venta se realice antes o en la
décima oportunidad?

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
28 / 45
 Hypergeometric Distributions

Hypergeometric Distributions

Definition (distribución hipergeométrica)

Se dice que una variable aleatoria X tiene distribución hipergeométrica de
parámetros n, R y N, si su función másica de probabilidad está dada por:
 R N−R
 ( x )( n−x ) si x = 0, · · · , n
pX (x) = (N
n)

0 en otro caso

donde N es un entero positivo, R es un entero no negativo menor o igual a

N y n es un entero positivo menor o igual a N.

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
29 / 45
 Hypergeometric Distributions

Example
La división de vigilancia de una institución universitaria ha adquirido 50
equipos de comunicación con el fin de optimizar el servicio en sus predios.
Se seleccionan aleatoriamente 8 equipos y se someten a prueba para
encontrar posibles defectos. Si 3 de los 50 equipos están defectuosos,
¿cuál es la probabilidad de que la muestra contenga a lo más dos equipos
defectuosos?

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
30 / 45
 Hypergeometric Distributions

Solución: Sea X :=“número de equipos defectuosos en la muestra”. Es

d
claro que X = Hg(8, 3, 50). Por lo tanto,

P (X ≤ 2) = P(X = 0) + P(X = 1) + P(X = 2)

3
47
3
47
3
47

0 8 1 7 2 6
= 50

+ 50

+ 50

8 8 8
= 0.99714. N

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
31 / 45
 Hypergeometric Distributions

Example
Un equipo de trabajo, establecido por el ministerio del medio ambiente,
programó visitas a 25 fábricas para investigar posibles violaciones a los
reglamentos para el control de la contaminación ambiental. Sin embargo,
los recortes presupuestales han reducido drásticamente el tamaño del
equipo de trabajo, por lo que, solamente se podrán investigar 5 de las 25
fábricas. Si se sabe que 10 de las fábricas están operando sin cumplir los
reglamentos, calcule la probabilidad de que al menos una de las fábricas
muestreadas esté operando en contravención a los reglamentos.

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
32 / 45
 Hypergeometric Distributions

Solución: Sea X := “número de fábricas en la muestra que operan sin

d
cumplir los reglamentos”. Se tiene que X = Hg(5, 10, 25).
Entonces:

P(X ≥ 1) = 1 − P(X = 0)
10

× 15


0 5
=1− 25

5
= 0.94348. N

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
33 / 45
 Hypergeometric Distributions

d
Sea X = Hg(n, R, N), entonces:
nR
1 E (X) = N
.
R N−R N−n
2 Var(X) = n × N
× N
× N−1
.

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
34 / 45
 Hypergeometric Distributions

d
Sea X = Hg(n, R, N), entonces:
nR
1 E (X) = N
.
R N−R N−n
2 Var(X) = n × N
× N
× N−1
.

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
34 / 45
 Hypergeometric Distributions

X
n R
N−R

x n−x
E (X) = x N

x=0 n

Xn
R
R−1
N−R

x−1 n−x
= n N−1

x=1
N n−1

RX
n−1 R−1

N−R

k n−k−1
= n N−1

N k=0 n−1

R
=n ,
N
puesto que:
X
n−1
R−1

N−R
 
N−1

= .
k=0
k n−k−1 n−1

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
35 / 45
 Hypergeometric Distributions

Approximación

A continuación se verá que si el tamaño de la población N es grande, en

comparación con el tamaño de la muestra n, entonces, la distribución
hipergeométrica puede aproximarse por una distribución binomial. Más
precisamente se tiene el siguiente resultado:
Sea 0 < p < 1. Si N, R −→ ∞ de tal forma que N R
−→ p ,
entonces:
R
N−R
 
k n−k n k
Hg(n, R, N)(k) := N

−→ B(n, p)(k) := p (1 − p)n−k .
n
k

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
36 / 45
 Hypergeometric Distributions

Puesto que N−R

N
−→ (1 − p) = q > 0 cuando N, R −→ ∞ ,
entonces, (N − R) −→ ∞ cuando N −→ ∞. Por lo tanto:
R
N−R

k n−k
N

n
n R(R − 1) · · · (R − k + 1)(N − R) · · · (N − R − (n − k) + 1)
 
=
k N(N − 1) · · · (N − n + 1)
   k 
N − R n−k R(R − 1) · · · (R − k + 1)

n R
= ×
k N N Rk
(N − R) · · · (N − R − (n − k) + 1) Nn
×
(N − R)n−k N(N − 1) · · · (N − n + 1)
 
n k
−→ p (1 − p)n−k .
N,R−→∞ k

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
37 / 45
 Hypergeometric Distributions

Ejemplo

Example
En una ciudad de 2 millones de habitantes, se tiene que el 60% pertenecen
al partido político A. Se eligen al azar 100 personas. La distribución del
número de personas, entre los 100 elegidos, que pertenecen al partido A es
0
una distribución hipergeométrica de parámetros 100, 1 200.000 y
20 000.000. Aplicando el resultado anterior se puede aproximar esta
distribución por una binomial de parámetros n = 1000 y p = 0.6. Así, por
ejemplo, la probabilidad de que entre los 100 elegidos exactamente 40
pertenezcan al partido A es igual a:
 
100
(0.6)40 (0.4)60 = 2.4425 × 10−5 . N
40

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
38 / 45
 Distribución binomial negativa

Distribución binomial negativa

Al trabajar la distribución binomial, se procedió como sigue: se repitió el

experimento aleatorio n veces y se calculó la probabilidad de obtener de
manera exacta k éxitos. En este caso, el número de repeticiones permanece
constante mientras que el número de éxitos es aleatorio. Supóngase que
ahora la pregunta es la siguiente: ¿cuál es la probabilidad de tener que
repetir el experimento n veces para obtener de manera exacta k éxitos?

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
39 / 45
 Distribución binomial negativa

Distribución binomial negativa

Definition
Se dice que una variable aleatoria X tiene distribución binomial negativa de
parámetros k y p, si su función másica de probabilidad está dada por:

x−1
k
k−1
p (1 − p)x−k si x = k, k + 1, · · ·
p(x) =
0 en otro caso

En el caso especial k = 1, se dice que la variable aleatoria tiene distribución

geométrica de parámetro p.

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
40 / 45
 Distribución binomial negativa

Distribución binomial negativa

d d
Las expresiones X = BN (k, p) y X = G(p) indican que X tiene
distribución binomial negativa de parámetros k y p y X tiene distribución
geométrica de parámetro p, respectivamente.
k
1 E (X) = p
.
2 Var(X) = k(1−p)
p2
.
h ik
pet
3 mX (t) = 1−(1−p)e t .

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
41 / 45
 Distribución binomial negativa

Distribución binomial negativa

d d
Las expresiones X = BN (k, p) y X = G(p) indican que X tiene
distribución binomial negativa de parámetros k y p y X tiene distribución
geométrica de parámetro p, respectivamente.
k
1 E (X) = p
.
2 Var(X) = k(1−p)
p2
.
h ik
pet
3 mX (t) = 1−(1−p)e t .

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
41 / 45
 Distribución binomial negativa

Distribución binomial negativa

d d
Las expresiones X = BN (k, p) y X = G(p) indican que X tiene
distribución binomial negativa de parámetros k y p y X tiene distribución
geométrica de parámetro p, respectivamente.
k
1 E (X) = p
.
2 Var(X) = k(1−p)
p2
.
h ik
pet
3 mX (t) = 1−(1−p)e t .

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
41 / 45
 Distribución binomial negativa

Distribución binomial negativa

Example
En un departamento de control de calidad se inspeccionan las unidades
terminadas que provienen de una línea de ensamble. Si la proporción de
unidades defectuosas es de 0.03, ¿cuál es la probabilidad de que la
vigésima unidad inspeccionada sea la tercera que se encuentra defectuosa?
Solución: Sea X := “número de unidades que es necesario inspeccionar
hasta obtener de exactamente tres unidades defectuosas”.
d
Es claro que X = BN (3, 0.03). Por lo tanto,
 
19
P(X = 20) = (0.03)3 (1 − 0.03)17
2
= 2.7509 × 10−3 . N

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
42 / 45
 Distribución binomial negativa

Distribución binomial negativa

Example
En un departamento de control de calidad se inspeccionan las unidades
terminadas que provienen de una línea de ensamble. Si la proporción de
unidades defectuosas es de 0.03, ¿cuál es la probabilidad de que la
vigésima unidad inspeccionada sea la tercera que se encuentra defectuosa?
Solución: Sea X := “número de unidades que es necesario inspeccionar
hasta obtener de exactamente tres unidades defectuosas”.
d
Es claro que X = BN (3, 0.03). Por lo tanto,
 
19
P(X = 20) = (0.03)3 (1 − 0.03)17
2
= 2.7509 × 10−3 . N

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
42 / 45
 Ejercicios

Ejercicios

Una compañía analiza los embarques de sus proveedores con la finalidad de

detectar productos que no cumplen con las especificaciones. Se sabe que el
3% de los productos no satisfacen las específicaciones de la compañía.
¿Cuál debe ser el tamaño de la muestra para que la probabilidad de
seleccionar al menos un artículo que no cumple con las especificaciones, sea
al menos 0.90? Supóngase que en este caso resulta adecuado el uso de la
aproximación de la distribución hipergeométrica por la binomial.

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
43 / 45
 Ejercicios

Ejercicios

Un libro de 300 páginas tiene 253 errores tipográficos. Supóngase que

cada página tiene 5000 caracteres. ¿Cuál es la probabilidad de que en la
primera página no haya errores tipográficos?, ¿cuál es la probabilidad de
que en la primera página haya por lo menos un error tipográfico?

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
44 / 45
 Ejercicios

Ejercicios

El número de veces que una persona contrae un resfriado en un año

constituye una variable aleatoria con distribución Poisson de pará-metro
λ = 3. Supóngase que acaba de salir al mercado un nuevo medicamento
(basado en grandes cantidades de vitamina C) que reduce el parámetro de
Poisson, en el 85% de la población, a λ = 2, y en el 15% restante no tiene
efectos apreciables sobre resfriados. Si una persona toma el medicamento
durante un año y en este lapso tiene 2 resfriados, ¿qué tan posible es que el
medicamento no haya surtido efecto en esa persona?

Viswanathan Arunachalam(ARUN) (Departamento

AlgunasdeDistribuciones
Estadśtica Universidad
Discretas Nacional de Colombia,
Probabilidad
Bogotá. varunachala
45 / 45