MODELOS DE DISTRIBUCION DE PROBABILIDAD DISCRETOS. Distribuci On Uniforme Discreta.
MODELOS DE DISTRIBUCION DE PROBABILIDAD DISCRETOS. Distribuci On Uniforme Discreta.
MODELOS DE DISTRIBUCION DE PROBABILIDAD DISCRETOS. Distribuci On Uniforme Discreta.
INTENCIONALIDAD
E(X) = 1 ∗ p + 0 ∗ (1 − p) = 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
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
BIBLIOGRAFÍA