Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UNIDAD 3.DistribucionesDiscretas
UNIDAD 3.DistribucionesDiscretas
DISTRIBUCIONES DISCRETAS..................................................................................................... 2
3.1 DEFINICIN DE VARIABLE ALEATORIA DISCRETA. ............................................................ 2
3.2 FUNCIN DE PROBABILIDAD Y DE DISTRIBUCIN, VALOR ESPERADO, VARIANZA Y
DESVIACIN. .................................................................................................................................. 2
Funcin de Probabilidad. .......................................................................................................... 2
Media o valor esperado de una variable aleatoria discreta. ..................................................... 3
Varianza y desviacin estndar de una variable aleatoria discreta. ........................................ 3
3.3 DISTRIBUCIN BINOMIAL ....................................................................................................... 3
3.4 DISTRUBUCIN HIPERGOEMTRICA. .................................................................................. 7
3.5 DISTRIBUCIN GEOMTRICA. ............................................................................................. 10
3.6 DISTRIBUCIN MULTINOMIAL. ............................................................................................ 11
3.7 DISTRIBUCIN DE POISSON............................................................................................... 12
3.8. APROXIMACIN DE LA BINOMIAL POR LA DE POISSON. ............................................... 15
3.9. DISTRIBUCIN BINOMIAL NEGATIVA ................................................................................ 16
3.10 DISTRIBUCIN UNIFORME (DISCRETA) ........................................................................... 18
DISTRIBUCIONES DISCRETAS
Variable aleatoria discreta. Es una variable aleatoria con un rango finito o infinito
contable.
Funcin. Es el comportamiento de una variable.
Binomial
Multinomial
Distribuciones Poisson
Discretas Geomtrica
Hipergeomtrica
Funcin de Probabilidad.
La funcin f(x)= P(X=x) que va del conjunto de los valores posibles de una variable
aleatoria discreta X al intervalo [0,1] recibe el nombre de funcin de
probabilidad.1
Para una variable aleatoria X, f(x) satisface las propiedades siguientes:
1) f(x)= P(X=x)
2) f(x) 0 para toda x
3) f(x)=1
2 v x x f x x 2 f x 2
2
n
f x p x 1 p , x 0,1,2,...
n x
Ejemplo:
Suponga que la probabilidad de recuperar un automvil robado en cierta ciudad es
de 0.40.
a) Cul es la probabilidad de 2 automviles de los 10 robados?
b) Cul es la probabilidad de recuperar cuando mucho 3 de los 10
automviles robados?
c) Cul es la probabilidad de recuperar por lo menos 7 de los 10
automviles robados?
n= 10
P= 0.40
X= 2
a)
10
f (2) .40 1 .40 450.160.60 0.12093
2 10 2 8
b)
10
px 0 0.40 1 0.40 110.60 0.00604
0 10 0 10
0
10
px 1 0.401 1 0.40101 100.400.609 0.04031
1
px 3
px 210 0.402 1 0.4010 2 450.160.608 0.12093
2
10
px 3 0.40 1 0.40 1200.0640.60 0.21499
3 103 7
px 3 px 0 px 1 p x 2 px 3 0.3822
c)
10
p x 10 0.40 1 0.40 10.00011 0.0001
10 1010
10
10
p x 9 0.409 1 0.40109 100.000260.6 0.00156
9
p x 7
p x 810 0.40 8 1 0.40108 450.0006536 0.01053
8
10
p x 7 0.40 1 0.40 1200.001630.216 0.04224
7 10 7
p x 7 px 10 p x 9 px 8 p x 7 0.0544
EJERCICIO 1:
P=0.25
n= 15
a)
15
p x 3 0.25 1 0.25 4550.015620.03167 0.22508
3 153
3
15
p x 4 0.254 1 0.2515 4 13650.003900.04223 0.22481
4
p3 x 6
p x 515 0.255 1 0.25155 30030.00097 0.05631 0.16402
5
15
p x 6 0.25 1 0.25 50050.000240.07508 0.09018
6 15 6
p3 x 6 px 3 p x 4 px 5 px 6 0.70409
b)
15
P( x 3) (0.25) (1 0.25) 0.225199
3 12
3
15
P( x 2) (0.25) 2 (1 0.25)13 0.155907
2
P( X 4)
P( x 1) 15 (0.25)1 (1 0.25)14 0.066817
1
15
P( x 0) (0.25) (1 0.25) 0.03363
0 15
P( X 4) 0.4612
c)
15
p( x 0) (0.25) 0 (1 0.25)15 0.013363
0
15
p( x 1) (0.25)1 (1 0.25)14 0.066817
1
p( x 15
2) (0.25) 2 (1 0.25)13 0.155907
2
p ( X 5)
p( x 15
3) (0.25) 3 (1 0.25)12 0.225199
3
15
p( x 4) (0.25) 4 (1 0.25)11 0.225199
4
15
p( x 5) (0.25) 5 (1 0.25)10 0.165145
5
p ( X 5) 0.8516
p ( X 5) 1 p ( X 5) 1 0.8516 0.1484
EJERCICIO 2:
7
px 5 0.90 1 0.90 210.590490.01 0.1240029
5 7 5
r N r
x n x
f x para 0 x r , r N , n N
N
n
EJEMPLO 1:
EJEMPLO 2:
Un grupo de segundo semestre est formado por treinta alumnos de los cuales 6
son mujeres y el resto hombres. Determine la probabilidad de seleccionar por lo
mucho 3 mujeres.
N= 30
r= 6
n= 3
6 30 6 24
1
p x 0 0 3 0 3 2024 0.49852
30 30 4060
3 3
6 30 6 24
6
1 3 1 2 1656 0.40788
p x 1 30 30 4060
3 3
p x 3
6 30 6 24
15
2 32
p x 2
1 360
0.08866
30 30 4060
3 3
6 30 6 24
20
p x 3 3 3 3 0 20 0.00492
30 30 4060
3 3
p x 3 p x 0 p x 1 p x 2 p x 3 0.99998
EJERCICIO 1:
Una poblacin consiste de 10 artculos 4 de los cuales son defectuosos y los 6
restantes no lo son, Cul es la probabilidad de que en una muestra aleatoria de
tamao 3 contenga 2 artculos defectuosos?
N= 10
r= 4
n= 3
4 10 4 4 6
2 3 2 2 1 36
px 2 0.30
10 10 120
2 3
EJERCICIO 2:
Como subgerente de una empresa de materias primas, usted debe contratar 10
personas entre 30 candidatos, 22 de los cuales tienen ttulos universitarios. Cul
es la probabilidad de que 5 de los que usted contrate tengan un ttulo?8
EJERCICIO 3:
De los 15 altos ejecutivos de un negocio de importaciones y exportaciones, se
seleccionan 12 para ser enviados al Japn a estudiar un nuevo proceso de
produccin. Ocho de los ejecutivos ya tienen algo de entrenamiento en el proceso.
Cul es la probabilidad de que 5 de los enviados tengan algo de conocimiento
sobre el proceso antes de partir para el lejano oriente?9
EJERCICIO 4:
Cuarenta trabajadores han recibido en su oficina nuevos computadores.
Veintisiete tienen la nueva tecnologaMMX. Si se seleccionan 10 aleatoriamente,
cul es la probabilidad de que 3 estn equipados con MMX? 10
Funcin de Probabilidad.
g x p1 p , x 1,2,3,...
x 1
EJEMPLO:
Se sabe que en cierto proceso de fabricacin en promedio uno de cada
100 artculos, esta defectuoso Cul es la probabilidad de que 5 artculos que se
inspeccionan sea el primer defectuoso en hallarse?
1
p 0.01
100
EJERCICIO I:
1
p 0.16
6
31
1 1 1
2
1 5 1 25 25
g 3 0.1157
6 6 6 6 6 6 216
Una importante y til variable aleatoria de mayor dimensin tiene una distribucin
conocida como distribucin multinomial.12 Supngase que en un experimento X
con espacio muestra z se particiona en K eventos mutuamente excluyentes,
digamos B1, B2,,Bk. Consideremos n repeticiones independientes de X y
dejemos que p1=p(Bi) sea constante de ensayo a ensayos de Bernoulli como los
descritos anteriormente. El vector aleatorio, [X1, X2,,Xk ], tiene la siguiente
distribucin donde X1 es el nmero de veces que B1 ocurre en las n repeticiones
de X,1= 1,2,,K.
X1 X 2
p X 1 , X 2 ,..., X K
n! XK
p1 P2 ...PK
1
X !, X 2 !,..., X k
!
Con.
Xi n i 1 Pi 1
k k
i n
EJEMPLO:
n= 6
X1= 2 E1: 7 u 11.
X2= 1 E2: Par o igual.
X3= 3 E3: Combinacin diferente.
6! 2 1 11 654 2 1 11
2 1 3 2 1 3
Pmultinomial
2!1!3! 9 6 15 2 9 6 15
4 1 1331 319.440
60 0.1125
81 6 2834352 2834352
f X ,
e
X
X!
= El nmero promedio de ocurrencias en un rango.
X= El nmero de veces que se busca ocurra el evento promedio.
EJEMPLO:
a) .
e 10 10 0.00004539993100000 0.03783
5
Px 5 f 5,10
5! 120
% 0.03783100 3.78%
b) = 10 llamadas / hora
e 10 10
0
p x 0 0.00004539993
0!
e 10 10
1
p x 1 0.00004539993
p X 3
1!
p x 2 e 10 0.00022699964
10 2
2!
p x 3 e 10 0.015133309
10 3
3!
p P 3 0.01033
% 0.01033100 1.03%
c) = 20 llamadas / 2 horas
px 15
e 20 20
15
2.06115 x10 4 302768 x1019
2! 1.307667 x1012
67539881900.1
0.05164
1.30767 x1012
% 0.05164100 5.16%
d) . = 5 llamadas /hora
e 5 5
5
p x 5 0.17546
5!
% 0.17546100 17.54%
3.8. APROXIMACIN DE LA BINOMIAL POR LA DE POISSON.
Se demostrara ahora que cuando el valor de n es grande y el valor de p es
cercano a 0, la distribucin binomial con parmetros n y p se puede aproximar por
una distribucin de Poisson con media np. Supngase de una variable aleatoria X
tiene una distribucin binomial con parmetros n y p y sea Pr(X = x) = f (x|n, p)
para cualquier valor dado de x. Entonces de la ecuacin (6) de la seccin 5.2, para
x=1,2,., n.
15
( 1) ( + 1)
(|, ) = (1 )
!
Si definimos = np, entonces (|, ) se puede reescribir de la siguiente forma:
1 + 1
(|, ) = (1 ) (1 )
!
Supngase ahora que y de forma que el valor del producto np
permanezca igual al valor fijo a travs de este proceso de lmites. Puesto que los
valores de y x permanecen fijos cuando , entonces
1 +1
lim (1 ) = 1
Adems se sabe de clculo elemental que
lim (1 ) =
Por la ecuacin (8), resulta ahora que para cualquier entero positivo fijo x,
(|, )
!
Por ltimo para = 0,
(|, ) = (1 ) = (1 )
Ejemplos:
1. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10
cheques sin fondos en cualquiera de dos das consecutivos?
Solucin:
a) x = variable que nos define el nmero de cheques sin fondo que llegan al banco
en un da cualquiera = 0, 1, 2, 3,.., etc., etc.
e = 2.718
Nota: l siempre debe de estar en funcin de x siempre o dicho de otra forma, debe
hablar de lo mismo que x.
Solucin:
=1-(0.367918+0.367918) = 0.26416
1
(; , ) = ( ) , = , + 1, + 2, .
1
Ejemplo 1
16 Probabilidad y Estadstica, Walpole Myers, 4a edicin, pgs. 134, 135.
Encuentre la probabilidad de que una persona que lanza al aire tres monedas
obtenga ya sea solo caras o solo cruces por segunda ocasin en el quinto
lanzamiento.
1
Solucin Utilizando la distribucin binomial negativa con = 5, = 2 = 4, se
tiene:
1 4 1 2 3 3
(5; 2, ) = ( ) ( ) ( )
4 1 4 4
4! 33 27
= 5=
1! 3! 4 256
La distribucin binomial negativa toma su nombre del hecho que cada termino en
expansin de (1 ) corresponde a los valores de (; , ) para = , +
1, + 2, ..
Si se considera el caso especial de la distribucin binomial negativa donde k=1, se
tiene una distribucin de probabilidad para el numero de intentos requeridos para
un solo xito. Un ejemplo seria el lanzamiento de una moneda hasta que ocurriera
una cara. Se podra estar interesado en la probabilidad de que la primera cara
ocurriera en el cuarto lanzamiento. La distribucin binomial negativa se reduce a la
forma (; 1, ) = 1 , = 1,2,3, . dado que los trminos sucesivos
constituyen una progresin geomtrica, se acostumbra referirse a este caso
especial como la distribucin geomtrica y sus valores se representan por (; ).
Ejemplo 2
La solucin es:
Ejemplo 3
Definicin
Una variable X tiene una distribucin uniforme discreta, y se conoce como
variable aleatoria uniforme discreta, si y solo si su distribucin de probabilidad est
dada por 17
1
() = Para = x1, x2, x3,.., xn
La media y la varianza de esta distribucin son, respectivamente:
1 1 1 1
= =1 = =1 y 2 = =1( )2 = =1( )2
La desviacin estndar, por tanto, est dada por la siguiente expresin:
=1( )
2
= .
En la mayora de las calculadoras cientficas de bolsillo existe una modalidad
estadstica con la cual estos dos parmetros se pueden calcular oprimiendo una
tecla. Pero la obtencin de la media y la desviacin estndar de una variable
aleatoria por medio de la calculadora en general solo funciona para la distribucin
uniforme discreta, la cual la calculadora la asume por default.de hecho, la media
de la variable aleatoria con distribucin uniforme discreta es el promedio aritmtico
comn, denotado en las calculadoras por el smbolo x (x testada).
Ejemplo:
Se lanza un dado ordinario. Para = 1,2, . . ,6. definimos la variable aleatoria =
17 Probabilidad y Estadstica para ingeniera y ciencias, Gabril Velasco Sotomayor, pgs. 107, 109.
como la cara del dado que sale hacia arriba. Obtenga la distribucin de
probabilidad de esta variable aleatoria, as como su media y su desviacin
estndar.
Solucin. Naturalmente, si el dado no est cargado, entonces cualquiera de las
seis caras tiene la misma probabilidad de salir, as que la funcin de distribucin
de probabilidad de este ejemplo est dada por
1
( ) = , = 1, 2, , 6.
6
La media y la desviacin estndar son, por lo tanto:
6
1 1+2+3+4+5+6 6 ( 3.5)2
= = = 3.5; = =1 = 1.707825
6 6 6
=1
1 1+1 +1
E [X]=!=1 p(x=i) = 1 = n=
2 2
Sea una variable aleatoria que puede tomar n valores distintos, x1,..., xn, cada uno
de ellos con la misma probabilidad, es decir, con probabilidad uniforme. La
distribucin de probabilidad o funcin de masa de esta variable aleatoria es:
1
P(X = xi) = para i = 1,..., n
P(X = xi) 0 i.
1
=1 (X = xi) ==1 =1
Sin prdida de generalidad, suponemos ahora que los valores estn ordenados de
menor a mayor. La funcin de distribucin es:
0 < 1
1
F(x){ sin 1 < < 2
1
1 < < + 1