0% encontró este documento útil (0 votos)
146 vistas9 páginas

MODELOS DE DISTRIBUCION DE PROBABILIDAD DISCRETOS. Distribuci On Uniforme Discreta.

Descargar como pdf o txt
Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1/ 9

Programa para la inmersión a la Educación Superior - PIES

Departamento de Ciencias Básicas


Área: Estadı́stica
Asignatura: Probabilidad
Guı́a # 7
Programas: Ingenierı́a Industria, Economı́a, Finanzas y Comercio Internacional, Negocios y
Relaciones Internacionales.

Elaborado por: Edgar Palacios Segura

Fecha de elaboración: Octubre 29 de 2018

Tema: Algunos Modelos de Distribuciones de Probabilidad Discreta

INTENCIONALIDAD

Habilidades que se pretenden desarrollar.


Construir modelos de distribuciones de probabilidad que pudieran representar el comportamiento teórico
de diferentes fenómenos aleatorios que aparecı́an en el mundo real.
Logra relacionar el comportamiento de diferentes variables aleatorias con modelos de distribución de
probabilidad
Aplica e interpreta los valores de los modelos de distribuciones de probabilidad Bernoulli, Binomial,
Poisson, Hipergeométrica, Binomial Negativa, Geométrica.

DESARROLLO DEL CONCEPTO:

MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS.


Distribución Uniforme Discreta.
Sea X una variable aleatoria que puede tomar n valores distintos x1 , x2 , . . . , xn cada uno de
ellos con la misma probabilidad de selección. La distribución de probabilidad para el valor
que toma la variable aleatoria es:
1
f (xi ) = P (X = xi ) = , i = 1, 2, 3, . . . , n
n
Si x1 < x2 < ... < xn entonce la función de distribución acumulada es

0, si x < x1

1


, si x1 ≤ x < x2




 n
...


F (x) = i

 , si xi ≤ x < xi+1
n


..


.





1, si x ≥ n

El valor esperado de la variable es
n+1
E(X) =
2
La varianza de la variable es
(n + 1)(2(2n + 1) − 3(n + 1))
V (X) =
12
El proceso de Bernoulli.
Una prueba de Bernoulli es un experimento aleatorio con dos posibles resultados excluyentes
que llamaremos éxito y fracaso, con respectivas probabilidades: p y 1 − p = q.
La distribución de Bernoulli es el modelo más sencillo obtenido a partir de pruebas de
Bernoulli.
Una Prueba de Bernoulli tiene como variable aleatoria X aquella que toma solo dos valores
con probabilidades dadas como sigue:
x 1 0
P (X = x) p q =1−p
Valor esperado Para una variable con distribución de Bernoulli es:

E(X) = 1 ∗ p + 0 ∗ (1 − p) = p

Varianza Para una variable con distribución de Bernoulli es:

V (X) = E(X 2 ) − (E(X))2 = p − p2 = p(1 − p)

Se puede observar que el valor esperado de una variable con distribución de probabilidad
de Bernoulli es igual a la probabilidad de éxito, y la varianza es igual al producto de la
probabilidad de éxito y la probabilidad de fracaso.
Distribución de probabilidad Binomial
Es una sucesión de ensayos de Bernoulli que tiene las siguientes caracterı́sticas:
1. El experimento consiste en una sucesión de n ensayos idénticos.
2. En cada ensayo hay dos posibles resultados. llamados éxito y fracaso
3. La probabilidad de éxito y fracaso permanece constante durante el proceso de n ensayos.
4. El éxito tiene una probabilidad p y el fracaso una probabilidad 1 − p de ocurrir.
5. Los ensayos son independientes.
Sea la variable aleatoria X el número de éxitos en n ensayos.
La probabilidad de x éxitos en n ensayos es
 
n x
f (x) = P (X = x) = p (1 − p)n−x con x = 0, 1, 2, 3, ..., n
x
 
n n!
donde p es la probabilidad de éxito. (1−p) es la probabilidad de fracaso y = .
x x!(n − x)!
Para que la distribución de probabilidad quede completamente definida se requiere conocer
n y p. Que son los parámetros de la distribución.
La notación de esta distribución es X ∼ B(n; p)
Si X ∼ B(n; p) entonces el
Valor esperado (Promedio) de la variable aleatoria X es

E(X) = µ = np

Varianza es
V (X) = σ 2 = np(1 − p)
Desviación estándar p
σ= np(1 − p)
Distribución de probabilidad de Poisson
La distribución de Poisson se usa para el estudio de fenómenos que ocurren en el espacio,
tiempo, volumen, área o cualquier otra dimensión.
La variable aleatoria en una distribución de Poisson representa el número de eventos (éxitos
esperados) que ocurren en una unidad de tiempo o espacio.
Las caracterı́sticas de una variable aleatoria con distribución de Poisson son:
1. La probabilidad de que ocurra un evento en una unidad de tiempo o espacio dada es
la misma para todas las unidades.
2. El número de eventos que ocurre en un intervalo es independiente de los que ocurren
en los demás intervalos.
3. La probabilidad de que un evento ocurra en un intervalo es proporcional a su longitud.
Algunos ejemplos de experimentos en que la variable aleatoria X se puede modelar como
una variable aleatoria de Poisson.
Clientes que llegan a un banco por hora.
Numero de animales enfermos por cada 200 especı́menes.
Cantidad de automóviles que pasan frente a la Universidad De La Salle por minuto.
Número de accidentes por semana en una autopista.
Número de errores por página que comete una mecanógrafa
Sea X variable aleatoria el número de eventos que ocurren en un periodo de tiempo o espacio.
La probabilidad de que un evento ocurra x veces es:
µx e−µ
f (x) = P (X = x) = con x = 0, 1, 2, 3, ...,
x!
Donde µ es el número promedio de ocurrencias del experimento en la respectiva unidad en
la que se este observando.
µ es el parámetro de la distribución de Poisson, Denotamos la variable X con distribución
de Poisson como X ∼ P (µ)
Valor esperado de la variable aleatoria X es

E(X) = µ

Varianza es
V (X) = µ
Desviación estándar

σ= µ
Distribución Hipergeométrica
La distribución hipergeométrica suele aparecer en procesos muestrales sin reemplazo, en los
que se investiga la presencia o ausencia de cierta caracterı́stica.
Esta distribución se puede ilustrar del modo siguiente: se tiene una población finita con N
elementos, de los cuales K tienen una determinada caracterı́stica que se llama éxito. El
número de éxitos en una muestra aleatoria de tamaño n, extraı́da sin reemplazo de la po-
blación, es una variable aleatoria con distribución hipergeométrica de parámetros N, K y n.
Cuando el tamaño de la población es grande, los muestreos con y sin reemplazo son equiva-
lentes, por lo que la distribución hipergeométrica se aproxima en tal caso a la binomial.
Su función de distribución de probabilidad esta dada por
  
K N −K
x n−x
f (x) = P (X = x) =   con x = 0, 1, 2, 3, ..., min {n, K }
N
n
Valor esperado de la variable aleatoria X es
K
E(X) = n
N
Varianza es
KN −KN −n
V (X) = n
N N N
Desviación estándar r
KN −KN −n
σ= n
N N N
Distribución Binomial Negativa
Una varialble aleatoria discreta X que representa el número de ensayos Bernoulli necesarios
para obtener k éxitos se conoce como Binomial Negativa. con una probabilidad p de ocu-
rrencia de éxitos en los ensayos.
Decimos que la variable aleatoria X sigue una distribución binomial negativa con parame-
tros k y p
Su función de distribución de probabilidad está dada por
 
x−1 k
f (x) = P (X = x) = p (1 − p)x−k con x = k, k + 1, k + 2, k + 3, ...,
k−1
Valor esperado de la variable aleatoria X es
k
E(X) =
p
Varianza es
k(1 − p)
V (X) =
p2
Desviación estándar s
k(1 − p)
σ=
p2
Distribución Geométrica
La distribución geométrica permite calcular la probabilidad de que tenga que realizarse un
número x de repeticiones hasta obtener un éxito por primera vez.
La distribución geométrica es una distribución binomial negativa con parámetro k = 1 Su
función de distribución de probabilidad está dada por

f (x) = P (X = x) = p(1 − p)x−1 con x = 1, 2, , 3, ...,

Valor esperado de la variable aleatoria X es


1
E(X) =
p
Varianza es
(1 − p)
V (X) =
p2
Desviación estándar s
(1 − p)
σ=
p2

EJEMPLOS

Ejemplo 1.
En un examen formado por 20 preguntas, cada una de las cuales se responde declarando
”verdadero” o ”falso”, el alumno sabe que, históricamente, en el 75 % de los casos la respuesta
correcta es ?verdadero? y decide responder al examen tirando dos monedas, pone ”falso” si
ambas monedas muestran una cara y ”verdadero” si al menos hay una cruz. Se desea saber
qué probabilidad hay de que tenga al menos 14 aciertos.
Nota
Para la solución de los siguientes ejemplos usaremos el aplicativo del celular ”Probability
Distributions” de uso libre.
Solución:
Sea X : El numero de aciertos que el alumno hace en el examen. X sigue una distribución
Binomial con parametros n = 20 y p = 0,75 Calculamos
20  
X 20
P (X ≥ 14) = (0,75)i (0,25)20−i = 0,78578
i=14
i
Ejemplo 2.
Una empresa electrónica observa que el número de componentes que fallan antes de cumplir
100 horas de funcionamiento es una variable aleatoria de Poisson. Si el número promedio de
estos fallos es ocho,
1. ¿Cuál es la probabilidad de falle un componente en 25 horas?
2. ¿Cuál es la probabilidad de que fallen no más de dos componentes en 50 horas?
3. ¿Cuál es la probabilidad de que fallen por lo menos diez en 125 horas?
Solución:
Sea la variable aleatoria X con distribución de Poisson con parámetro λ = 8 el promedio de
componentes que fallan antes de cumplir 100 horas de funcionamiento.
1. El numero de componentes que que fallan en promedio antes de cumplir 25 horas de
25
funcionamiento es λt = 8( 100 )=2
21 e−2
P (X = 1) = = 0,27067
1!
La probabilidad de que un componente falle en 25 horas es de 0.27067.
2. El numero de componentes que fallan en promedio antes de cumplir 50 horas de fun-
50
cionamiento es λt = 8( 100 )=4
2
X 4i e−4
P (X ≤ 2) = = 0,23810
i=0
i!
La probabilidad de que fallen máximo dos componentes en 50 horas es 0.2381.
3. El numero de componentes que fallan en promedio antes de cumplir 125 horas de
funcionamiento es λt = 8( 125
100
) = 10

X 10i e−10
P (X ≥ 10) = = 0,54207
i=10
i!
La probabilidad de que fallen mı́nimo 10 componentes en 125 horas es 0.54207.
Ejemplo 3.
Una urna contiene diez fichas, de las cuales cinco son verdes, dos azules y tres rojas,. Se van
a extraer tres fichas de la urna, una por una sin reemplazo. ¿Qué probabilidad hay de que
las tres de que se saquen sean verdes?
Solución:
Definimos la variable aleatoria X como el numero de fichas de color verde. X tiene una
distribución hipergeometrica con parámetros N = 10, K = 5 y n = 3
  
5 5
3 0
P (X = 3) =   = 0,08333
10
3
La probabilidad de que las tres fichas que se saquen sean verdes es 0.08333.
Ejemplo 4.
Suponga que el 10 % de los motores armados en una linea de montaje están defectuosos. Si
seleccionan en forma aleatoria uno por uno y se prueba, encuentre la probabilidad hay de
localizar cuarto motor sin defectos.
1. en el séptimo ensayo
2. en el séptimo ensayo o menos
Solución:
Definimos la variable aleatoria X como el numero de motores hasta encontrar el cuarto
motor sin defectuoso. X tiene una distribución binomial negativa con parámetros p = 0,9 y
k=4
1.  
7−1
P (X = 7) = (0,9)4 (0,1)3 = 0,01312
4−1
2.
7  
X x−1
P (X ≤ 7) = (0,9)4 (0,1)x−4 = 0,99727
x=4
3

EJERCICIOS PROPUESTOS

1. Al probar cierta clase de neumático para camión en un terreno accidentado, se encuentra


que el 25 % de los camiones no completan la prueba de recorrido sin ponchaduras . De
los siguientes 15 camiones probados, calcule la probabilidad de que
a) de 3a 6 tengan ponchaduras;
b) menos de 4 tengan ponchaduras;
c) más de 5 tengan ponchaduras.
2. Se estima que 4000 de los 10000 residentes con derecho al voto de una ciudad están en
contra de un nuevo impuesto sobre las ventas. Si se seleccionan al azar 15 votantes y se
les pide su opinión, ¿cuál es la probabilidad de que a lo sumo 7 estén a favor del nuevo
impuesto?
3. La cantidad de veces que se equivoca una mecanógrafa tiene una distribución de Pois-
son con un promedio de 4 errores por cuartilla; si excede este numero, debe volver a
mecanografiar la pagina completa. ¿Qué probabilidad hay de que no necesite repetirla?
4. Un vendedor descubre que la probabilidad de hacer una venta en una sola entrevista
con clientes es de 0,03 aproximadamente. Sise acerca a 100 posibles clientes, ¿cuál es
la probabilidad de hacer por lo menos una venta?
5. Las lineas telefónicas de una oficina de reservaciones de una linea aérea están ocupadas
alrededor de 60 % del tiempo.
a) Si usted llama a esta oficina, ¿cuál es la probabilidad de que entre su llamada en
el primer intento? ¿De que entre en el segundo? ¿O en el tercero?
b) Si usted y un amigo deben llamar a esta oficina, ¿Cuál es la probabilidad de que
tengan que hacer cuatro intentos para lograr comunicarse?
6. Un director de personal que va a entrevistar a 11 ingenieros para cuatro vacantes de
trabajo ha programado seis entrevistas para el primer dı́a y cinco para el segundo.
suponga que los candidatos son entrevistados en orden aleatorio.
a) ¿Cuál es la probabilidad de que x de los cuatro mejores candidatos sean entrevis-
tados el primer dı́a?
b) ¿Cuántos de los mejores cuatro candidatos se espera que puedan ser entrevistados
el primer dı́a?

BIBLIOGRAFÍA

1. Walpole, Myers, Myers. Probabilidad y Estadı́stica para ingenierı́a y ciencias. novena


edición. Pearson 2012.
2. Wackerly D. Mendenhall III W., Scheaffer R. Estadı́stica Matemática con aplicaciones.
Septima edición. Cengage Learneing. Mexico. 2010.
3. Devore Jay l. PROBABILIDAD Y ESTADÍSTICA para ingenierı́a y ciencias. Octava
edición . Cengage Learnig 2010
4. Canavos George C. PROBABILIDAD Y ESTADÍSTICA, Aplicaciones y Métodos. Pri-
mera edición en español, Mc Graw Hill 1987.
5. Moore, David S. The Basic Practice of Statistics. Fifth Edition. New York WH Freeman
and Company (2010).
6. Levin Richard I. y Rubı́n David S. ESTADÍSTICA para ADMINISTRADORES. Sexta
edición, Prentice Hall.
7. Anderson David R. Sweeney Dennis J. Williams Thomas A. ESTADÍSTICA PARA
ADMINISTRACION Y ECONOMIA. Décima edición, Cengage Learnig.
8. Paul Newold, William L. Carlson y Betty Thorne. Estadı́stica para administración y
economı́a. Sexta edición. Prencice Hall.

También podría gustarte