Documentos de Académico
Documentos de Profesional
Documentos de Cultura
x
f
X
(x) = 1.
Morales & Morales () V. A. Discretas Enero de 2011 11 / 64
Variables aleatorias discretas
Ejercicio
Demostrar que, para y un nmero natural y 0 < p < 1, se verica que
y=1
p(1 p)
y1
= 1
Morales & Morales () V. A. Discretas Enero de 2011 12 / 64
Variables aleatorias discretas
Grco de la funcin de probabilidad
Continuacin ejemplo 1.1
X
P
r
o
b
a
b
i
l
i
d
a
d
0 1 2 3
1/8
3/8
q
q q
q
q q q q
Morales & Morales () V. A. Discretas Enero de 2011 13 / 64
Variables aleatorias discretas
Funcin de probabilidad para el nmero de sellos
Continuacin ejemplo 1.1
f
X
(x) =
_
_
1
8
si x = 0
3
8
si x = 1
3
8
si x = 2
1
8
si x = 3
0 en cualquier otro caso
Morales & Morales () V. A. Discretas Enero de 2011 14 / 64
Funcin de distribucin acumulada
Contenido
1
Variables aleatorias discretas
2
Funcin de distribucin acumulada
3
Valor esperado de una V. A. discreta
4
Modelos de probabilidad
Modelo binomial
Distribucin geomtrica
Distribucin Binomial Negativa
Distribucin hipergeomtrica
Distribucin de Poisson
Morales & Morales () V. A. Discretas Enero de 2011 15 / 64
Funcin de distribucin acumulada
Funcin de distribucin acumulada
Denicin
La funcin de distribucin acumulada de una variable aleatoria
discreta X, denotada por F
X
(x) se dene como
F
X
(x) = P(X x) =
x
i
x
f
X
(x
i
)
Propiedades
La funcin de probabilidad, F
X
de una variable aleatoria X satisface
las siguiente propiedades.
0 F
X
(x) 1.
Si x y, entonces F
X
(x) F
X
(y).
Morales & Morales () V. A. Discretas Enero de 2011 16 / 64
Funcin de distribucin acumulada
Funcin de distribucin acumulada (ejemplos)
Ejemplo (continuacin ejemplo 1.1)
x 0 1 2 3
F
X
(x)
1
8
4
8
7
8
8
8
= 1
Morales & Morales () V. A. Discretas Enero de 2011 17 / 64
Funcin de distribucin acumulada
Grco de la funcin de probabilidad acumulada
Continuacin ejemplo 1.1
X
P
r
o
b
a
b
i
l
i
d
a
d
a
c
u
m
u
l
a
d
a
0 1 2 3
0
1/8
4/8
7/8
1
q
q
q
q
q
q
q
q
Morales & Morales () V. A. Discretas Enero de 2011 18 / 64
Funcin de distribucin acumulada
Funcin de distribucin para el nmero de sellos
Continuacin ejemplo 1.1
F
X
(x) =
_
_
0 si x < 0
1
8
si 0 x < 1
4
8
si 1 x < 2
7
8
si 2 x < 3
1 si x 3
Morales & Morales () V. A. Discretas Enero de 2011 19 / 64
Funcin de distribucin acumulada
Clculo de probabilidad usando F()
Continuacin ejemplo 1.1
), por ejemplo
P(2 X 4) = F(4) F(2
) = 1
4
8
=
4
8
P(a X < b) = F(b
) F(a
), por ejemplo
P(1 X < 3) = F(3
) F(1
) =
7
8
1
8
=
6
8
Morales & Morales () V. A. Discretas Enero de 2011 20 / 64
Funcin de distribucin acumulada
Clculo de probabilidad usando F()
Continuacin ejemplo 1.1
), por ejemplo
P(2 X 4) = F(4) F(2
) = 1
4
8
=
4
8
P(a X < b) = F(b
) F(a
), por ejemplo
P(1 X < 3) = F(3
) F(1
) =
7
8
1
8
=
6
8
Morales & Morales () V. A. Discretas Enero de 2011 20 / 64
Funcin de distribucin acumulada
Clculo de probabilidad usando F()
Continuacin ejemplo 1.1
) F(0) =
7
8
1
8
=
6
8
P(X = a) = F(a) F(a
), por ejemplo
P(X = 2) = F(2) F(2
) =
7
8
4
8
=
3
8
Morales & Morales () V. A. Discretas Enero de 2011 21 / 64
Funcin de distribucin acumulada
Clculo de probabilidad usando F()
Continuacin ejemplo 1.1
) F(0) =
7
8
1
8
=
6
8
P(X = a) = F(a) F(a
), por ejemplo
P(X = 2) = F(2) F(2
) =
7
8
4
8
=
3
8
Morales & Morales () V. A. Discretas Enero de 2011 21 / 64
Funcin de distribucin acumulada
Clculo de probabilidad usando F()
Continuacin ejemplo 1.1
) F(0) =
7
8
1
8
=
6
8
P(X = a) = F(a) F(a
), por ejemplo
P(X = 2) = F(2) F(2
) =
7
8
4
8
=
3
8
Morales & Morales () V. A. Discretas Enero de 2011 21 / 64
Funcin de distribucin acumulada
Funcin de distribucin acumulada (ejemplos)
Ejemplo (continuacin ejemplo 1.3 )
z 0 1 2
F
Z
(z) 0.886 0.971 1
Morales & Morales () V. A. Discretas Enero de 2011 22 / 64
Funcin de distribucin acumulada
Funcin de distribucin para el nmero de
defectuosos
Continuacin ejemplo 1.3
F
Z
(x) =
_
_
0 si z < 0
0.886 si 0 z < 1
0.971 si 1 z < 2
1 si x 2
Morales & Morales () V. A. Discretas Enero de 2011 23 / 64
Funcin de distribucin acumulada
Grco de la funcin de probabilidad acumulada
Continuacin ejemplo 1.3
X
P
r
o
b
a
b
i
l
i
d
a
d
a
c
u
m
u
l
a
d
a
0 1 2 3
0.886
0.971
1.000
q
q
q
q
q
q
Morales & Morales () V. A. Discretas Enero de 2011 24 / 64
Funcin de distribucin acumulada
Variables aleatorias: Ejemplo
Ejemplo
Si se lanzan dos dados. Denimos la variable aleatoria X como la
suma de los resultados
1
Obtenga la tabla de distribucin de probabilidad.
2
Obtenga la tabla de distribucin acumulada.
Morales & Morales () V. A. Discretas Enero de 2011 25 / 64
Funcin de distribucin acumulada
Posibles resultados al lanzar dos dados
q q
q
q
q q
q
q
q
q
q
q
q
q q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q q
q
q
q q
q
q
q
q q
q
q
q q
q
q
q
q
q
q
q
q q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q q
q
q q q
q
q
q
q
q
q
q q
q
q
q q
q
q
q
q
q
q q
q
q
q
q
q q
q q
q
q
q
q q
q
q
q
q
q q
q
q
q
q
q
q
q
q
q
q q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q q
q
q
q
q
q
q
q
q q
q
q
q
q
q
q
q
q
q q
q q
q q
q
q q q
q
q q
q
q
q
q
q
q
q
q
q
q q
q q
q
q q q
q
q q
q
q
q
q
q q
q q
q q
q
q
q
q
q
q
q
q q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
q
Morales & Morales () V. A. Discretas Enero de 2011 26 / 64
Valor esperado de una V. A. discreta
Contenido
1
Variables aleatorias discretas
2
Funcin de distribucin acumulada
3
Valor esperado de una V. A. discreta
4
Modelos de probabilidad
Modelo binomial
Distribucin geomtrica
Distribucin Binomial Negativa
Distribucin hipergeomtrica
Distribucin de Poisson
Morales & Morales () V. A. Discretas Enero de 2011 27 / 64
Valor esperado de una V. A. discreta
Valor esperado.
Denicin (media o valor esperado)
La media o valor esperado de una variable aleatoria discreta X,
denotada por
x
o E(X) es
X
= E(X) =
xR
xf
X
(x)
Ejemplo (Continuacin ejemplo 1.1)
El valor esperado del nmero de sellos al lanzar tres monedas:
X
= E(X) = 0
1
8
+ 1
3
8
+ 2
3
8
+ 3
1
8
=
12
8
=
3
2
Ejemplo (Continuacin ejemplo 1.3)
El valor esperado del nmero de defectuosos:
X
= E(X) = 0 0.886 + 1 0.111 + 2 0.003 = 0.117
Morales & Morales () V. A. Discretas Enero de 2011 28 / 64
Valor esperado de una V. A. discreta
Valor esperado.
Denicin (media o valor esperado)
La media o valor esperado de una variable aleatoria discreta X,
denotada por
x
o E(X) es
X
= E(X) =
xR
xf
X
(x)
Ejemplo (Continuacin ejemplo 1.1)
El valor esperado del nmero de sellos al lanzar tres monedas:
X
= E(X) = 0
1
8
+ 1
3
8
+ 2
3
8
+ 3
1
8
=
12
8
=
3
2
Ejemplo (Continuacin ejemplo 1.3)
El valor esperado del nmero de defectuosos:
X
= E(X) = 0 0.886 + 1 0.111 + 2 0.003 = 0.117
Morales & Morales () V. A. Discretas Enero de 2011 28 / 64
Valor esperado de una V. A. discreta
Valor esperado.
Denicin (media o valor esperado)
La media o valor esperado de una variable aleatoria discreta X,
denotada por
x
o E(X) es
X
= E(X) =
xR
xf
X
(x)
Ejemplo (Continuacin ejemplo 1.1)
El valor esperado del nmero de sellos al lanzar tres monedas:
X
= E(X) = 0
1
8
+ 1
3
8
+ 2
3
8
+ 3
1
8
=
12
8
=
3
2
Ejemplo (Continuacin ejemplo 1.3)
El valor esperado del nmero de defectuosos:
X
= E(X) = 0 0.886 + 1 0.111 + 2 0.003 = 0.117
Morales & Morales () V. A. Discretas Enero de 2011 28 / 64
Valor esperado de una V. A. discreta
Varianza de una V.A. discreta
Denicin (Varianza)
Suponga que la media de X es
X
y que la funcin de probabilidad es
f
X
entonces la varianza de X se dene como
Var(X) =
2
X
= E
_
(X
X
)
2
x
(x
X
)
2
f
X
(x)
Denicin (Desviacin estndar)
La desviacin estndar
X
es la raz cuadrada positiva de la varianza,
es decir,
X
=
_
2
X
Morales & Morales () V. A. Discretas Enero de 2011 29 / 64
Valor esperado de una V. A. discreta
Varianza de una V.A. discreta (ejemplo)
Ejemplo (Continuacin ejemplo 1.1)
La varianza del nmero de sellos al lanzar tres monedas:
2
X
=
_
0
3
2
_
2
1
8
+
_
1
3
2
_
2
3
8
+
_
2
3
2
_
2
3
8
+
_
3
3
2
_
2
1
8
=
3
4
Ejemplo (Continuacin ejemplo 1.3)
La varianza del nmero de defectuosos es:
2
Z
= (0 0.117)
2
0.886 + (1 0.117)
2
0.111 + (2 0.117)
2
0.003
= 0, 109
La desviacin estndar
Z
=
0, 109 = 0, 33
Morales & Morales () V. A. Discretas Enero de 2011 30 / 64
Valor esperado de una V. A. discreta
Varianza de una V.A. discreta (ejemplo)
Ejemplo (Continuacin ejemplo 1.1)
La varianza del nmero de sellos al lanzar tres monedas:
2
X
=
_
0
3
2
_
2
1
8
+
_
1
3
2
_
2
3
8
+
_
2
3
2
_
2
3
8
+
_
3
3
2
_
2
1
8
=
3
4
Ejemplo (Continuacin ejemplo 1.3)
La varianza del nmero de defectuosos es:
2
Z
= (0 0.117)
2
0.886 + (1 0.117)
2
0.111 + (2 0.117)
2
0.003
= 0, 109
La desviacin estndar
Z
=
0, 109 = 0, 33
Morales & Morales () V. A. Discretas Enero de 2011 30 / 64
Valor esperado de una V. A. discreta
Varianza de una V.A. discreta (ejemplo)
Ejemplo (Continuacin ejemplo 1.1)
La varianza del nmero de sellos al lanzar tres monedas:
2
X
=
_
0
3
2
_
2
1
8
+
_
1
3
2
_
2
3
8
+
_
2
3
2
_
2
3
8
+
_
3
3
2
_
2
1
8
=
3
4
Ejemplo (Continuacin ejemplo 1.3)
La varianza del nmero de defectuosos es:
2
Z
= (0 0.117)
2
0.886 + (1 0.117)
2
0.111 + (2 0.117)
2
0.003
= 0, 109
La desviacin estndar
Z
=
0, 109 = 0, 33
Morales & Morales () V. A. Discretas Enero de 2011 30 / 64
Modelos de probabilidad
Contenido
1
Variables aleatorias discretas
2
Funcin de distribucin acumulada
3
Valor esperado de una V. A. discreta
4
Modelos de probabilidad
Modelo binomial
Distribucin geomtrica
Distribucin Binomial Negativa
Distribucin hipergeomtrica
Distribucin de Poisson
Morales & Morales () V. A. Discretas Enero de 2011 31 / 64
Modelos de probabilidad Modelo binomial
Experimento binomial
Denicin (Ensayo Bernoulli)
Un ensayo de Bernoulli es un experimento aleatorio que tiene solo dos
resultados posibles, denominados xito y fracaso. La probabilidad
de xito se denota por p.
1
Lanzar una moneda y registrar si sale sello (xito) o cara (fracaso)
2
Examinar una rata de laboratorio despus de someterla a cierta
dieta y registrar si desarroll cncer (xito) o no (fracaso).
3
Un cliente decide comprar (xito) o no (fracaso) un producto
despus de la intervencin de un vendedor.
4
Un insecto se somete a cierta concentracin de un veneno
durante 30 minutos y al nal se registra si sobrevive o no.
5
Se elige una persona al azar del censo electoral y se le pregunta
si votar (xito) por cierto candidato o no (fracaso).
Morales & Morales () V. A. Discretas Enero de 2011 32 / 64
Modelos de probabilidad Modelo binomial
Experimento binomial
Denicin (Ensayo Bernoulli)
Un ensayo de Bernoulli es un experimento aleatorio que tiene solo dos
resultados posibles, denominados xito y fracaso. La probabilidad
de xito se denota por p.
1
Lanzar una moneda y registrar si sale sello (xito) o cara (fracaso)
2
Examinar una rata de laboratorio despus de someterla a cierta
dieta y registrar si desarroll cncer (xito) o no (fracaso).
3
Un cliente decide comprar (xito) o no (fracaso) un producto
despus de la intervencin de un vendedor.
4
Un insecto se somete a cierta concentracin de un veneno
durante 30 minutos y al nal se registra si sobrevive o no.
5
Se elige una persona al azar del censo electoral y se le pregunta
si votar (xito) por cierto candidato o no (fracaso).
Morales & Morales () V. A. Discretas Enero de 2011 32 / 64
Modelos de probabilidad Modelo binomial
Experimento binomial
Denicin (Ensayo Bernoulli)
Un ensayo de Bernoulli es un experimento aleatorio que tiene solo dos
resultados posibles, denominados xito y fracaso. La probabilidad
de xito se denota por p.
1
Lanzar una moneda y registrar si sale sello (xito) o cara (fracaso)
2
Examinar una rata de laboratorio despus de someterla a cierta
dieta y registrar si desarroll cncer (xito) o no (fracaso).
3
Un cliente decide comprar (xito) o no (fracaso) un producto
despus de la intervencin de un vendedor.
4
Un insecto se somete a cierta concentracin de un veneno
durante 30 minutos y al nal se registra si sobrevive o no.
5
Se elige una persona al azar del censo electoral y se le pregunta
si votar (xito) por cierto candidato o no (fracaso).
Morales & Morales () V. A. Discretas Enero de 2011 32 / 64
Modelos de probabilidad Modelo binomial
Experimento binomial
Denicin (Ensayo Bernoulli)
Un ensayo de Bernoulli es un experimento aleatorio que tiene solo dos
resultados posibles, denominados xito y fracaso. La probabilidad
de xito se denota por p.
1
Lanzar una moneda y registrar si sale sello (xito) o cara (fracaso)
2
Examinar una rata de laboratorio despus de someterla a cierta
dieta y registrar si desarroll cncer (xito) o no (fracaso).
3
Un cliente decide comprar (xito) o no (fracaso) un producto
despus de la intervencin de un vendedor.
4
Un insecto se somete a cierta concentracin de un veneno
durante 30 minutos y al nal se registra si sobrevive o no.
5
Se elige una persona al azar del censo electoral y se le pregunta
si votar (xito) por cierto candidato o no (fracaso).
Morales & Morales () V. A. Discretas Enero de 2011 32 / 64
Modelos de probabilidad Modelo binomial
Experimento binomial
Denicin (Ensayo Bernoulli)
Un ensayo de Bernoulli es un experimento aleatorio que tiene solo dos
resultados posibles, denominados xito y fracaso. La probabilidad
de xito se denota por p.
1
Lanzar una moneda y registrar si sale sello (xito) o cara (fracaso)
2
Examinar una rata de laboratorio despus de someterla a cierta
dieta y registrar si desarroll cncer (xito) o no (fracaso).
3
Un cliente decide comprar (xito) o no (fracaso) un producto
despus de la intervencin de un vendedor.
4
Un insecto se somete a cierta concentracin de un veneno
durante 30 minutos y al nal se registra si sobrevive o no.
5
Se elige una persona al azar del censo electoral y se le pregunta
si votar (xito) por cierto candidato o no (fracaso).
Morales & Morales () V. A. Discretas Enero de 2011 32 / 64
Modelos de probabilidad Modelo binomial
Experimento binomial
Denicin (Experimento binomial)
Un experimento que consiste de:
n experimentos tipo Bernoulli.
Independientes.
La probabilidad de xito, p, permanece constante.
recibe el nombre de experimento binomial.
1
Lanzar tres monedas y contar el nmero de sellos (xitos).
2
Examinar 20 ratas de laboratorio despus de someterlas a cierta
dieta y registrar cuntas desarrollaron cncer (xitos).
3
Despus de la intervencin de un vendedor a 10 clientes,
registrar cuntos deciden comprar (xitos) un producto .
Morales & Morales () V. A. Discretas Enero de 2011 33 / 64
Modelos de probabilidad Modelo binomial
Experimento binomial
Denicin (Experimento binomial)
Un experimento que consiste de:
n experimentos tipo Bernoulli.
Independientes.
La probabilidad de xito, p, permanece constante.
recibe el nombre de experimento binomial.
1
Lanzar tres monedas y contar el nmero de sellos (xitos).
2
Examinar 20 ratas de laboratorio despus de someterlas a cierta
dieta y registrar cuntas desarrollaron cncer (xitos).
3
Despus de la intervencin de un vendedor a 10 clientes,
registrar cuntos deciden comprar (xitos) un producto .
Morales & Morales () V. A. Discretas Enero de 2011 33 / 64
Modelos de probabilidad Modelo binomial
Experimento binomial
Denicin (Experimento binomial)
Un experimento que consiste de:
n experimentos tipo Bernoulli.
Independientes.
La probabilidad de xito, p, permanece constante.
recibe el nombre de experimento binomial.
1
Lanzar tres monedas y contar el nmero de sellos (xitos).
2
Examinar 20 ratas de laboratorio despus de someterlas a cierta
dieta y registrar cuntas desarrollaron cncer (xitos).
3
Despus de la intervencin de un vendedor a 10 clientes,
registrar cuntos deciden comprar (xitos) un producto .
Morales & Morales () V. A. Discretas Enero de 2011 33 / 64
Modelos de probabilidad Modelo binomial
Experimento binomial, ejemplos
1
Se someten 20 insectos a cierta concentracin de un veneno
durante 30 minutos y al nal se registra cuntos sobreviven
(xito).
2
Se eligen 100 personas al azar del censo electoral y se registra
cuntas votarn (xito) por cierto candidato.
Morales & Morales () V. A. Discretas Enero de 2011 34 / 64
Modelos de probabilidad Modelo binomial
Experimento binomial, ejemplos
1
Se someten 20 insectos a cierta concentracin de un veneno
durante 30 minutos y al nal se registra cuntos sobreviven
(xito).
2
Se eligen 100 personas al azar del censo electoral y se registra
cuntas votarn (xito) por cierto candidato.
Morales & Morales () V. A. Discretas Enero de 2011 34 / 64
Modelos de probabilidad Modelo binomial
Variable aleatoria binomial
Denicin
La variable aleatoria X denida como el nmero de xitos obtenidos
en los n ensayos tiene una distribucin binomial con parmetros p y
n.
La funcin de probabilidad es:
P(X = x) =
_
n
x
_
p
x
(1 p)
(nx)
; x = 0, 1, 2, n
recordemos que
_
n
x
_
=
n!
x!(nx)!
Teorema (Media y Varianza de una binomial)
Si X binomial de parmetros p y n entonces,
1
E(X) = np
2
Var(X) = np(1 p)
Morales & Morales () V. A. Discretas Enero de 2011 35 / 64
Modelos de probabilidad Modelo binomial
Variable aleatoria binomial
Denicin
La variable aleatoria X denida como el nmero de xitos obtenidos
en los n ensayos tiene una distribucin binomial con parmetros p y
n. La funcin de probabilidad es:
P(X = x) =
_
n
x
_
p
x
(1 p)
(nx)
; x = 0, 1, 2, n
recordemos que
_
n
x
_
=
n!
x!(nx)!
Teorema (Media y Varianza de una binomial)
Si X binomial de parmetros p y n entonces,
1
E(X) = np
2
Var(X) = np(1 p)
Morales & Morales () V. A. Discretas Enero de 2011 35 / 64
Modelos de probabilidad Modelo binomial
Variable aleatoria binomial
Denicin
La variable aleatoria X denida como el nmero de xitos obtenidos
en los n ensayos tiene una distribucin binomial con parmetros p y
n. La funcin de probabilidad es:
P(X = x) =
_
n
x
_
p
x
(1 p)
(nx)
; x = 0, 1, 2, n
recordemos que
_
n
x
_
=
n!
x!(nx)!
Teorema (Media y Varianza de una binomial)
Si X binomial de parmetros p y n entonces,
1
E(X) = np
2
Var(X) = np(1 p)
Morales & Morales () V. A. Discretas Enero de 2011 35 / 64
Modelos de probabilidad Modelo binomial
Variable aleatoria binomial (ejemplo)
Ejemplo
La experiencia ha demostrado que el 30% de todas las personas
afectadas por cierta enfermedad, se recupera. Una compaa
farmacutica desarroll una vacuna. Se seleccionaron al azar 10
personas con la enfermedad en cuestin y se les administr la
vacuna. Supngase que la vacuna es completamente inecaz. Cul
es la probabilidad de que al menos 9 de las 10 personas infectadas se
recuperen?
Sea Y el nmero de personas que se recuperan. Si se asume que las
personas se recuperan de manera independiente, entonces Y es
binomial de parmetros p = 0.3 y n = 10
P(Y 9) = P(9) +P(10)
Morales & Morales () V. A. Discretas Enero de 2011 36 / 64
Modelos de probabilidad Modelo binomial
Variable aleatoria binomial (ejemplo)
Ejemplo
La experiencia ha demostrado que el 30% de todas las personas
afectadas por cierta enfermedad, se recupera. Una compaa
farmacutica desarroll una vacuna. Se seleccionaron al azar 10
personas con la enfermedad en cuestin y se les administr la
vacuna. Supngase que la vacuna es completamente inecaz. Cul
es la probabilidad de que al menos 9 de las 10 personas infectadas se
recuperen?
Sea Y el nmero de personas que se recuperan. Si se asume que las
personas se recuperan de manera independiente, entonces Y es
binomial de parmetros p = 0.3 y n = 10
P(Y 9) = P(9) +P(10)
Morales & Morales () V. A. Discretas Enero de 2011 36 / 64
Modelos de probabilidad Modelo binomial
P(Y = 9) = P(9) =
_
10
9
_
(0.3)
9
(0.7)
1
= 0.000138
P(Y = 10) = P(10) =
_
10
10
_
(0.3)
10
(0.7)
0
= 0.000006
Entonces
P(Y 9) = P(9) +P(10) = 0.000138 + 0.000006 = 0.000144
Interpretacin
Suponga que se realiza el experimento tal como se describe en el
enunciado del ejercicio, y se observa que se recuperan 9 o mas
pacientes. Como bajo el supuesto que la vacuna es inecaz, la
probabilidad de observar ese evento es extremadamente pequea
(144 en un milln de veces), o bien hemos observado un evento muy
raro, o bien la vacuna si es muy til en la prevencin de la
enfermedad. Nos inclinamos por la ltima opcin.
Morales & Morales () V. A. Discretas Enero de 2011 37 / 64
Modelos de probabilidad Modelo binomial
P(Y = 9) = P(9) =
_
10
9
_
(0.3)
9
(0.7)
1
= 0.000138
P(Y = 10) = P(10) =
_
10
10
_
(0.3)
10
(0.7)
0
= 0.000006
Entonces
P(Y 9) = P(9) +P(10) = 0.000138 + 0.000006 = 0.000144
Interpretacin
Suponga que se realiza el experimento tal como se describe en el
enunciado del ejercicio, y se observa que se recuperan 9 o mas
pacientes. Como bajo el supuesto que la vacuna es inecaz, la
probabilidad de observar ese evento es extremadamente pequea
(144 en un milln de veces), o bien hemos observado un evento muy
raro, o bien la vacuna si es muy til en la prevencin de la
enfermedad. Nos inclinamos por la ltima opcin.
Morales & Morales () V. A. Discretas Enero de 2011 37 / 64
Modelos de probabilidad Modelo binomial
Valor esperado y varianza
El nmero promedio de pacientes que se recuperan si la vacuna es
inecaz es
X
= 10 0.3 = 3 y la varianza es:
2
X
= 10 0.3 0.7 = 2.1
Morales & Morales () V. A. Discretas Enero de 2011 38 / 64
Modelos de probabilidad Modelo binomial
Probabilidades binomiales, n = 10 con diferentes p
0 2 4 6 8 10
0
.
0
0
0
.
1
0
0
.
2
0
x
p=0.3
0 2 4 6 8 10
0
.
0
0
0
.
1
0
0
.
2
0
x
y
p=0.5
0 2 4 6 8 10
0
.
0
0
0
.
1
0
0
.
2
0
p=0.75
0 2 4 6 8 10
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
y
p=0.9
Morales & Morales () V. A. Discretas Enero de 2011 39 / 64
Modelos de probabilidad Modelo binomial
Usando la computadora
Con R
1-pbinom(8,size=10,p=0.3)
Otra forma
pbinom(8,size=10,p=0.3,lower.tail=FALSE)
Con Excel
=1-DISTR.BINOM(5;10;0,25;1)
en general, para probabilidad acumulada:
=DISTR.BINOM(x;n;p;1)
en general, para probabilidad puntual:
=DISTR.BINOM(x;n;p;0)
Morales & Morales () V. A. Discretas Enero de 2011 40 / 64
Modelos de probabilidad Modelo binomial
Usando la computadora
Con R
1-pbinom(8,size=10,p=0.3)
Otra forma
pbinom(8,size=10,p=0.3,lower.tail=FALSE)
Con Excel
=1-DISTR.BINOM(5;10;0,25;1)
en general, para probabilidad acumulada:
=DISTR.BINOM(x;n;p;1)
en general, para probabilidad puntual:
=DISTR.BINOM(x;n;p;0)
Morales & Morales () V. A. Discretas Enero de 2011 40 / 64
Modelos de probabilidad Modelo binomial
Ejemplo
Ejemplo (4.2)
Los autos arriban independientemente a una interseccin. Se sabe
que, en promedio, 25 % giran a la izquierda. Suponga que el carril
hacia la izquierda solo tiene capacidad para 5 carros cul es la
probabilidad que la capacidad del carril sea superada si hay 10 autos
esperando el cambio a luz verde?
I
F
Morales & Morales () V. A. Discretas Enero de 2011 41 / 64
Modelos de probabilidad Modelo binomial
Variable aleatoria binomial (ejemplo)
X
= E(X) = np
2
X
= np(1 p)
N n
N 1
donde p =
K
N
Morales & Morales () V. A. Discretas Enero de 2011 54 / 64
Modelos de probabilidad Distribucin hipergeomtrica
Distribucin hipergeomtrica (Ejemplo).
Ejemplo
Un lote de piezas contiene 100 de un proveedor local de tuberas, y
200 de un proveedor de otro estado. Si se eligen cuatro piezas al azar
y sin remplazo cul es la probabilidad de que todas provengan del
proveedor local?
En este caso se toma como xito que el origen de la pieza sea del
proveedor local. De acuerdo con el problema tenemos N = 300,
K = 100, n = 4 y x = 4
P(X = 4) =
_
100
4
__
200
0
_
_
300
4
_ = 0.0119
Morales & Morales () V. A. Discretas Enero de 2011 55 / 64
Modelos de probabilidad Distribucin hipergeomtrica
Distribucin hipergeomtrica (Ejemplo).
Ejemplo
Un lote de piezas contiene 100 de un proveedor local de tuberas, y
200 de un proveedor de otro estado. Si se eligen cuatro piezas al azar
y sin remplazo cul es la probabilidad de que todas provengan del
proveedor local?
En este caso se toma como xito que el origen de la pieza sea del
proveedor local. De acuerdo con el problema tenemos N = 300,
K = 100, n = 4 y x = 4
P(X = 4) =
_
100
4
__
200
0
_
_
300
4
_ = 0.0119
Morales & Morales () V. A. Discretas Enero de 2011 55 / 64
Modelos de probabilidad Distribucin hipergeomtrica
En el caso de la distribucin hipergeomtrica hay que tener en cuenta
que para R m es el nmero de objeto que representan exitos, n es el
numero de objetos que representan fracasos (N = m+n) y k es el
tamao de la muestra.
P(X = 4)
dhyper(x=4,m=100,n=200,k=4)
P(X 4)
phyper(4,m=100,n=200,k=4)
Morales & Morales () V. A. Discretas Enero de 2011 56 / 64
Modelos de probabilidad Distribucin de Poisson
Distribucin de Poisson.
1
Modelo probabilstico adecuado para evaluar la probabilidad de
ocurrencia de un evento en intervalos de tiempo, longitud,
supercie o volumen.
2
Por ejemplo:
Nmero de accidentes por semana en un tramo de carretera.
Nmero de baches en cada 100 kilmetros lineales de carretera.
Nmero de solicitudes de atencin de urgencia en una clnica en
un da.
3
La variable aleatoria de inters, X es el nmero de veces que un
evento ocurre por unidad de tiempo, longitud, supercie, volumen,
etc.
Morales & Morales () V. A. Discretas Enero de 2011 57 / 64
Modelos de probabilidad Distribucin de Poisson
Distribucin de Poisson: supuestos
1
El nmero de eventos que ocurren en intervalos de tiempo
excluyentes son independientes.
2
Para un intervalo de tiempo sucientemente pequeo, la
probabilidad de tener exactamente una ocurrencia es
proporcional a la longitud del intervalo.
3
La probabilidad de tener mas de una ocurrencia en un intervalo
de tiempo lo sucientemente pequeo es despreciable (casi cero).
Morales & Morales () V. A. Discretas Enero de 2011 58 / 64
Modelos de probabilidad Distribucin de Poisson
Distribucin de Poisson: supuestos
1
El nmero de eventos que ocurren en intervalos de tiempo
excluyentes son independientes.
2
Para un intervalo de tiempo sucientemente pequeo, la
probabilidad de tener exactamente una ocurrencia es
proporcional a la longitud del intervalo.
3
La probabilidad de tener mas de una ocurrencia en un intervalo
de tiempo lo sucientemente pequeo es despreciable (casi cero).
Morales & Morales () V. A. Discretas Enero de 2011 58 / 64
Modelos de probabilidad Distribucin de Poisson
Distribucin de Poisson: supuestos
1
El nmero de eventos que ocurren en intervalos de tiempo
excluyentes son independientes.
2
Para un intervalo de tiempo sucientemente pequeo, la
probabilidad de tener exactamente una ocurrencia es
proporcional a la longitud del intervalo.
3
La probabilidad de tener mas de una ocurrencia en un intervalo
de tiempo lo sucientemente pequeo es despreciable (casi cero).
Morales & Morales () V. A. Discretas Enero de 2011 58 / 64
Modelos de probabilidad Distribucin de Poisson
Distribucin de Poisson.
Denicin
Si X es la variable aleatoria que cuenta el nmero de veces que un
evento ocurre en un intervalo (o unidad de tiempo, longitud, supercie,
volumen, etc), y si se tiene que los eventos son independientes y el
nmero promedio por intervalo es , se dice que X tiene una
distribucin de Poisson y la funcin de probabilidad de X es
P(X = x) =
e
x
x!
, para x = 0, 1, 2, . . .
Teorema
Si X es una variable aleatoria con distribucin de Poisson con
parmetro entonces
E(X) = y Var(X) =
Morales & Morales () V. A. Discretas Enero de 2011 59 / 64
Modelos de probabilidad Distribucin de Poisson
Distribucin de Poisson.
Denicin
Si X es la variable aleatoria que cuenta el nmero de veces que un
evento ocurre en un intervalo (o unidad de tiempo, longitud, supercie,
volumen, etc), y si se tiene que los eventos son independientes y el
nmero promedio por intervalo es , se dice que X tiene una
distribucin de Poisson y la funcin de probabilidad de X es
P(X = x) =
e
x
x!
, para x = 0, 1, 2, . . .
Teorema
Si X es una variable aleatoria con distribucin de Poisson con
parmetro entonces
E(X) = y Var(X) =
Morales & Morales () V. A. Discretas Enero de 2011 59 / 64
Modelos de probabilidad Distribucin de Poisson
Distribucin de poisson (ejemplo).
Ejemplo
El nmero de baches en una seccin de carretera interdepartamental
puede modelarse con una distribucin de Poisson con media de dos
baches por milla.
1
Cul es la probabilidad de que no halla baches que reparrar en
un tramo de cinco millas?
2
Cual es la probabilidad que sea necesario reparar al menos un
bache en un tramo de media milla?
Morales & Morales () V. A. Discretas Enero de 2011 60 / 64
Modelos de probabilidad Distribucin de Poisson
Distribucin de poisson (ejemplo).
1
Cul es la probabilidad de que no halla baches que reparrar en
un tramo de cinco millas?
Sea X el nmero de baches en cinco millas, entonces X es
Poisson con media = 2 5 = 10. Entonces
P(X = 0) =
e
10
10
0
0!
= e
10
= 0, 0000454
2
Cual es la probabilidad que sea necesario reparar al menos un
bache en un tramo de media milla?
Sea X el nmero de baches en media milla, entonces X es
Poisson con media = 2
1
2
= 1. Entonces
P(X 1) = 1P(X = 0) = 1
e
1
1
0
0!
= 1e
1
= 0, 632120559
Morales & Morales () V. A. Discretas Enero de 2011 61 / 64
Modelos de probabilidad Distribucin de Poisson
Distribucin de poisson (ejemplo).
1
Cul es la probabilidad de que no halla baches que reparrar en
un tramo de cinco millas?
Sea X el nmero de baches en cinco millas, entonces X es
Poisson con media = 2 5 = 10. Entonces
P(X = 0) =
e
10
10
0
0!
= e
10
= 0, 0000454
2
Cual es la probabilidad que sea necesario reparar al menos un
bache en un tramo de media milla?
Sea X el nmero de baches en media milla, entonces X es
Poisson con media = 2
1
2
= 1. Entonces
P(X 1) = 1P(X = 0) = 1
e
1
1
0
0!
= 1e
1
= 0, 632120559
Morales & Morales () V. A. Discretas Enero de 2011 61 / 64
Modelos de probabilidad Distribucin de Poisson
Cdigo R
P(X = 0) con = 10
dpois(x=0,lambda=10)
P(X 4)
ppois(q=4,lambda=10)
Morales & Morales () V. A. Discretas Enero de 2011 62 / 64
Modelos de probabilidad Distribucin de Poisson
Ejemplo 3-110 pgina 154, texto gua
Ejemplo
En un proceso de fabricacin el 1% de los ensambles son
defectuosos, suponga que los ensambles son independientes. Calcule
el nmero mnimo de ensambles que es necesario examinar, para que
la probabilidad de que al menos uno de ellos est defectuoso sea
mayor que 0.95.
Solucin
Consideremos como xito encontrar un ensamble defectuoso, por las
hiptesis del problema la probabilidad de xito es p = 0.01.
1
Sea n el nmero de ensayos, en este caso n es desconocido.
2
Sea X el numero de xitos en los n ensayos.
3
Como los ensayos son independiente, X tiene distribucin
binomial con parmetros n =? y p = 0.01.
4
Se desea que P(X 1) > 0.95
Morales & Morales () V. A. Discretas Enero de 2011 63 / 64
Modelos de probabilidad Distribucin de Poisson
Ejemplo 3-110 pgina 154, texto gua
Ejemplo
En un proceso de fabricacin el 1% de los ensambles son
defectuosos, suponga que los ensambles son independientes. Calcule
el nmero mnimo de ensambles que es necesario examinar, para que
la probabilidad de que al menos uno de ellos est defectuoso sea
mayor que 0.95.
Solucin
Consideremos como xito encontrar un ensamble defectuoso, por las
hiptesis del problema la probabilidad de xito es p = 0.01.
1
Sea n el nmero de ensayos, en este caso n es desconocido.
2
Sea X el numero de xitos en los n ensayos.
3
Como los ensayos son independiente, X tiene distribucin
binomial con parmetros n =? y p = 0.01.
4
Se desea que P(X 1) > 0.95
Morales & Morales () V. A. Discretas Enero de 2011 63 / 64
Modelos de probabilidad Distribucin de Poisson
Ejemplo 3-110 pgina 154, texto gua
Ejemplo
En un proceso de fabricacin el 1% de los ensambles son
defectuosos, suponga que los ensambles son independientes. Calcule
el nmero mnimo de ensambles que es necesario examinar, para que
la probabilidad de que al menos uno de ellos est defectuoso sea
mayor que 0.95.
Solucin
Consideremos como xito encontrar un ensamble defectuoso, por las
hiptesis del problema la probabilidad de xito es p = 0.01.
1
Sea n el nmero de ensayos, en este caso n es desconocido.
2
Sea X el numero de xitos en los n ensayos.
3
Como los ensayos son independiente, X tiene distribucin
binomial con parmetros n =? y p = 0.01.
4
Se desea que P(X 1) > 0.95
Morales & Morales () V. A. Discretas Enero de 2011 63 / 64
Modelos de probabilidad Distribucin de Poisson
Ejemplo 3-110 pgina 154, texto gua
Ejemplo
En un proceso de fabricacin el 1% de los ensambles son
defectuosos, suponga que los ensambles son independientes. Calcule
el nmero mnimo de ensambles que es necesario examinar, para que
la probabilidad de que al menos uno de ellos est defectuoso sea
mayor que 0.95.
Solucin
Consideremos como xito encontrar un ensamble defectuoso, por las
hiptesis del problema la probabilidad de xito es p = 0.01.
1
Sea n el nmero de ensayos, en este caso n es desconocido.
2
Sea X el numero de xitos en los n ensayos.
3
Como los ensayos son independiente, X tiene distribucin
binomial con parmetros n =? y p = 0.01.
4
Se desea que P(X 1) > 0.95
Morales & Morales () V. A. Discretas Enero de 2011 63 / 64
Modelos de probabilidad Distribucin de Poisson
Ejemplo 3-110 pgina 154, texto gua
Ejemplo
En un proceso de fabricacin el 1% de los ensambles son
defectuosos, suponga que los ensambles son independientes. Calcule
el nmero mnimo de ensambles que es necesario examinar, para que
la probabilidad de que al menos uno de ellos est defectuoso sea
mayor que 0.95.
Solucin
Consideremos como xito encontrar un ensamble defectuoso, por las
hiptesis del problema la probabilidad de xito es p = 0.01.
1
Sea n el nmero de ensayos, en este caso n es desconocido.
2
Sea X el numero de xitos en los n ensayos.
3
Como los ensayos son independiente, X tiene distribucin
binomial con parmetros n =? y p = 0.01.
4
Se desea que P(X 1) > 0.95
Morales & Morales () V. A. Discretas Enero de 2011 63 / 64
Modelos de probabilidad Distribucin de Poisson
Ejemplo 3-110 pgina 154, texto gua
Solucin
0.95 = P(X 1) = 1 P(X = 0)
= 1
_
n
0
_
0.01
0
0.99
n
= 1 0.99
n
de donde se tiene que
n =
ln 0.05
ln 0.99
= 298.0729 299
Vericacin:
1-dbinom(0,size=299,prob=0.01)
[1] 0.9504637
Morales & Morales () V. A. Discretas Enero de 2011 64 / 64