Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Distribuciones Discretas PDF
Distribuciones Discretas PDF
Distribuciones Discretas
carse de dos maneras mutuamente excluyentes y exhaustivas, bien sea: exito y fracaso,
Denicion 4.1 Una variable aleatoria X que toma solo dos valores 0 y 1 se distribuye
Ejemplo 4.1.1 Se sabe que una maquina produce un 3 % de piezas defectuosas. Elegi-
mos una pieza al azar para comprobar si no presen- ta defectos. Como se distribuye
111
112 Captulo 4. Distribuciones Discretas
La variable
1, si la pieza no es defectuosa;
X=
0, si la pieza es defectuosa.
sigue una distribucion Bernoulli con parametro 0,97. Es decir X Bern(p = 0,97)
Demostracion.
eventos pueden ocurrir. Cada repeticion del experimento es llamado un ensayo. Todo
experimento Bernoulli.
E(X) = p
V ar(X) = p(1 p)
Demostracion.
1
E(X) = xP (X = x) = 0(1 p) + 1p = p
x=0
4.2. Distribucion Binomial 113
1
E(X 2 ) = x2 P (X = x) = 02 (1 p) + 12 p = p
x=0
Ejemplo 4.1.2 Se sabe que una maquina produce un 3 % de piezas defectuosas. Elegi-
mos una pieza al azar para comprobar si no presen- ta defectos. Cuales son su media
y su varianza?
La media y varianza son
E[X] = p = 0,97
4.2.1. Introduccion
independientes.
2. Cada ensayo tiene dos resultados posibles. A uno de ellos lo llamamos exito (rep-
resentado por la letra E) y al otro fracaso (representado por la letra F). La prob-
este posee las caractersticas listadas antes. Es importante senalar que un exito no es
Ejemplo 4.2.1 El 5 % de los productos elaborados por cierta empresa son defectuosos.
establecidas antes.
2. Cada ensayo tiene dos resultados posibles: El articulo esta defectuoso (exito) o el
artculo no esta defectuoso (fracaso).
De acuerdo con las caractersticas de un experimento binomial, nos podemos dar cuenta
n
k nk
EEE...EE F F...F
= pk (1 p)nk
n
Pero no existe un solo resultado que tenga k exitos en n ensayos. Hay en total k
ensayos con k exitos. Por lo tanto, siendo X = { Numero de exitos en los n ensayos}
tenemos que,
n k
P (X = k) = p (1 p)nk
k
n x
P (X = x) = p (1 p)nx , x = 0, 1, 2, ..., n 0 < p < 1 (4.2)
x
de exito.
Ejemplo 4.2.2 Una maquina fabrica una determinada pieza y se sabe que de cada
depende de los valores de n y p. En la gura *** se muestran, los gracos para valores
Distribucin Binomial: Ensayos = 10, Probabilidad de xito= 0.5 Distribucin Binomial: Ensayos = 10, Probabilidad de xito= 0.2 Distribucin Binomial: Ensayos = 10, Probabilidad de xito= 0.70
0.25
0.30
0.25
0.25
0.20
0.20
0.20
Masa de probabilidad
Masa de probabilidad
Masa de probabilidad
0.15
0.15
0.15
0.10
0.10
0.10
0.05
0.05
0.05
0.00
0.00
0.00
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
Figura 4.1: Distribucion binomial: (a) n=10 y p=0.5, (b) n=10 y p=0.2, (c) n=10 y p=0.7
Distribucin Binomial: Ensayos = 10, Probabilidad de xito= 0.5 Distribucin Binomial: Ensayos = 10, Probabilidad de xito= 0.2 Distribucin Binomial: Ensayos = 10, Probabilidad de xito= 0.70
0.25
0.30
0.25
0.25
0.20
0.20
0.20
Masa de probabilidad
Masa de probabilidad
Masa de probabilidad
0.15
0.15
0.15
0.10
0.10
0.10
0.05
0.05
0.05
0.00
0.00
0.00
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
Figura 4.2: Distribucion binomial: (a) n=10 y p=0.5, (b) n=10 y p=0.2, (c) n=10 y p=0.7
118 Captulo 4. Distribuciones Discretas
x
n
fX (x) = pk (1 p)nk
k=0
k
n
n n
(a + b) = ai bni
i=1
i
Demostracion
Para que 4.2 sea una funcion de masa de probabilidad se debe cumplir que
Tabla 3
La tabla 3 se usa para calcular probabilidades del tipo P (X = x). La tabla tiene la
siguiente estructura.
4.2. Distribucion Binomial 119
x n=5
0 0.9899 0.768
4.2.3. Momentos
E(X) = np
V ar(X) = np(1 p)
Demostracion.
n
n
n x nx n!
E(X) = x p (1 p) = x px (1 p)nx
x=0
x x=1
x!(n x)!
n n
(n 1)! x1 nx n 1 x1
= np p (1 p) = np p (1 p)nx
x=1
(x 1)!(n x)! x=1
x1
n1
n1 y
= np p (1 p)n1y = np
y=0
y
120 Captulo 4. Distribuciones Discretas
n
n
n x nx n!
E[X(X 1)] = x(x 1) p (1 p) = x(x 1) px (1 p)nx
x=0
x x=2
x!(n x)!
n
n!
= x(x 1) px (1 p)nx
x=2
x(x 1)(x 2)!(n x)!
n
n!
= px (1 p)nx
x=2
(x 2)!(n x)!
n
2 n 2 x2
= n(n 1)p p (1 p)(n2)(x2)
x=2
x 2
n 2
n2
2
= n(n 1)p py (1 p)(n2)(y)
y=0
y
= n(n 1)p2
Como E[X(X 1)] = E(X 2 ) E(X) entonces E(X 2 ) = E[X(X 1)] + E(X) =
Por lo tanto
= np np2 = np(1 p)
E(X) = np = (1000)(0,04) = 40
4.2.4. Ejercicios
a) P (X = 8)
b) P (X 10)
c) P (X > 8)
a) P (X = 4)
b) P (X 3)
c) P (X > 6)
d ) P (2 < X < 7)
a) P (X = 2)
b) P (X 1)
c) P (X > 2)
d ) P (0 < X < 2)
122 Captulo 4. Distribuciones Discretas
c) Cual es la probabilidad de que sanes por lo menos 14, pero no mas de 18?.
5. Una prueba de inteligencia consta de 10 preguntas, cada una de ellas con cinco
respuestas de las cuales una sola es verdadera. Un alumno responde al azar (es
6. Se sabe que el 1 % de los artculos importados de un cierto pas tienen algun defec-
que se realizan 5 operaciones y que los resultados son independientes uno de otro.
b) La varianza
el torrente sanguneo.
4.3.1. Introduccion
que tenemos una poblacion que contiene un numero nito N de elemento, de los cuales
r N r
k
P (X = k) = Nnk
n
r N r
k
P (X = k) = Nnk
, n > 0 r > 0 N > n N > r k = 0, 1, 2, ..., n (4.3)
n
Ejemplo 4.3.1 En una caja hay un total de 10 objetos, entre los cuales hay 3 objetos
que son defectuosos, si se seleccionan de esta caja 4 objetos al azar, y sin reemplazo,
3103 37
2
P (X = 2) = 1042
= 2102 = 0,30
4 4
6 tabletas de narcotico en una botella que contiene 9 pldoras de vitamina que son
para analizarlas,
(60)(93)
a) P (X 1) = 1 P (X = 0) = 1 = 1 0,184615 = 0,815385
(153)
(60)(93)
b) P (X = 0) = = 0,184615
(153)
4.3.2. Momentos
nr
E(X) = N
V ar(X) = n( Nr )( NNr )( N n
N 1
)
126 Captulo 4. Distribuciones Discretas
4.3.3. Ejercicios
que,
a) los 4 exploten?,
b) al menos 2 no exploten?
se embarca.
a) Cual es la probabilidad de que se embarque una caja que tiene tres artculos
defectuosos?,
b) Cual es la probabilidad de que una caja que contiene solo un artculo de-
5. En un almacen hay diez impresoras, de las cuales cuatro estan defectuosas. Una
c) Calcule la varianza.
4.4.1. Introduccion
y puede servir como un modelo para un gran numero de experimentos. Por ejemplo,
distribuciones espaciales, donde por ejemplo, la distribucion Poisson puede ser usada
para modelar el numero de veces que esta presente un evento en un espacio determinado.
128 Captulo 4. Distribuciones Discretas
e x
P (X = x) = , x = 0, 1, 2, 3, ... > 0 (4.4)
x!
que aumenta ese valor la distribucion se hace simetrica hasta llegar a ser asimetrica
Ejemplo 4.4.1 Si un banco recibe en promedio 6 cheques sin fondo por da, cuales
son las probabilidades de que reciba,
0.14
0.25
0.12
0.15
0.20
0.10
Masa de Probabilidad
Masa de Probabilidad
Masa de Probabilidad
0.08
0.15
0.10
0.06
0.10
0.04
0.05
0.05
0.02
0.00
0.00
0.00
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
x x x
Lo primero que debemos hacer es denir la variable aleatoria y luego reconocer su dis-
tribucion de probabilidad, en este caso como ambas preguntas estan asociadas a la ocur-
rencia del evento en un da cualquiera, entonces denimos una sola variable aleatoria.
e6 64 (0,00248)(1296)
a) P (X = 4) = 4!
= 24
= 0,13392
e6 60 6 61 6 62
b) P (X < 3) = P (X = 0) + P (X = 1) + P (X = 2) = 0!
+e 1!
+e 2!
=
cambio si el problema cambia a sucesos por semana, X debe cambiar a semana tambien
Por ejemplo, para el ejemplo anterior la variable no cambio porque ambas preguntas
estaban por da, pero s una de las preguntas hubiese estado en otra unidad de tiempo,
Ejemplo 4.4.2 Supongamos que para el ejemplo anterior estamos interesados en cal-
cular la probabilidad de que reciba 10 cheques sin fondos en cualquiera de dos das
X = El numero de cheques sin fondo que llegan al banco en dos das consecutivos ,
tinuo, se identican 0.2 imperfecciones en promedio por minuto. Determine las proba-
bilidades de identicar
por lo tanto debe denirse una variable aleatoria para cada caso.
e1 10 e1 11
P (X 2) = 1 P (X < 2) = 1 P (X = 0) P (X = 1) = 1 0!
1!
=
1 e1 e1 = 0,26416
e3 30 e3 31
P (X 1) = P (X = 0) + P (X = 1) = 0!
+ 1!
= 0,0498026 + 0,149408 =
0,1992106
Demostracion
Para que 4.4 sea una funcion de masa de probabilidad se debe cumplir que
e x
x
x
= e . Usando el hecho de que = e , obtenemos que
x=0
x! x=0
x! x=0
x!
e x
= e e = 1
x=0
x!
Se vera en clases.
132 Captulo 4. Distribuciones Discretas
4.4.3. Momentos
E(X) =
V ar(X) =
Demostracion.
e x e x
e x1
e y
E(X) = x = = =
x=0
x! x=1
(x 1)! x=1
(x 1)! x=0
y!
y
= e = e e =
x=0
y!
e x
e x
E[X(X 1)] = x(x 1) = x(x 1)
x=0
x! x=2
x(x 1)(x 2)!
e x
e y
= = = 2
x=2
(x 2)! y=0
y!
y
= 2 e = 2 e e = 2
y=0
y!
Como E[X(X 1)] = E(X 2 ) E(X) entonces E(X 2 ) = E[X(X 1)] + E(X) =
2 + .
Por lo tanto,
Ejemplo 4.4.4 Suponga que para el ejemplo 4.4.1 estamos interesados en calcular el
numero esperado de cheques sin fondo que llegan en un da, con su respectiva desviacion
E(X) = = 6
V ar(X) = = 6
DE(X) = 6
4.4.4. Ejercicios
1. Sea X una variable aleatoria discreta que posee una distribucion Poisson con una
a) P (X = 3)
b) P (X 3)
c) P (X > 3)
Poisson con una frecuencia promedio de seis por hora. En una hora determinada,
tomoviles que pasan por all durante un periodo de dos minutos sea superior a 3.
campo se encuentren
5. En una fabrica el numero de accidentes por semana sigue una ley de Poisson de
parametro = 2. Se pide:
6. Los accidentes de trabajo que se producen en una fabrica por semana, siguen una
16
ley de Poisson tal que la probabilidad de que haya 5 accidentes es 15
de la que
haya 2. Calcular:
a) el parametro de la distribucion,
dos km.s?
b) conocido de que no hay desperfectos en los dos primeros km.s, que proba-
con parametro = 4 por hora. Dado que el establecimiento abre a las 9:00:
9:30?
= 2 por minuto:
mento despues del tercer minuto pero antes del quinto minuto?
10. Suponiendo que la tasa de nacimientos en una poblacion sigue una distribucion
150 nacimientos.
b) calcular la probabilidad de que para el tercer mes haya como mucho 150
11. La cantidad de veces que se equivoca una mecanografa tiene una distribucion
Poisson con un promedio de 4 errores por cuartilla; si excede este numero, debe
toque repetirla?
12. El numero medio de automoviles que llega a una estacion de suministro de gasoli-