Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Distribuciones Discretas PDF
Distribuciones Discretas PDF
VARIABLE. Se denomina variable a la entidad que puede tomar un valor cualesquiera durante la
duracin de un proceso dado. Si la variable toma un solo valor durante el proceso se llama constante.
VARIABLE ALEATORIA: Es una funcin que asocia un nmero real a cada elemento del espacio
muestral. Es decir son aquellas que pueden diferir de una respuesta a otra.
Variable aleatoria discreta. Una variable discreta proporciona datos que son llamados datos
cuantitativos discretos y son respuestas numricas que resultan de un proceso de conteo.
Variable aleatoria continua. Es aquella que se encuentra dentro de un intervalo comprendido entre dos
valores cualesquiera; sta puede asumir infinito nmero de valores y stos se pueden medir.
DISTRIBUCIONES
Discretas
x1 x2 xn x
Distribuciones
P(x)
Continuas
x1 xn x
Distribuciones discretas. Son aquellas donde las variables asumen un nmero limitado de valores,
por ejemplo el nmero de aos de estudio.
Binomial
Discretas Hipergeomtrica
Multinomial
Poisson
Distribuciones continuas. Son aquellas donde las variables en estudio pueden asumir cualquier
valor dentro de determinados lmites; por ejemplo, la estatura de un estudiante.
Uniforme
Continuas Exponencial
Normal
Una distribucin de frecuencias es un listado de las frecuencias observadas de todos los resultados
de un experimento que, en realidad se han presentado cuando se lleva a cabo un experimento; en
cambio, una distribucin de probabilidad es un listado de las probabilidades de todos los resultados
posibles que podran presentarse si se efectuara el experimento.
Las probabilidades que se asocian a cada uno de los valores que toma la variable aleatoria x constituyen
lo que se conoce como DISTRIBUCIN DE PROBABILIDAD, la cual puede ser representada
mediante una funcin matemtica, una grfica o una tabla de valores. La diferencia consiste en que la
funcin matemtica se transforma en una funcin probabilstica.
S E0 E1 ... En
X x0 x1 ... xn
P(X) p(x0) p(x1) ... p(xn)
Dados los eventos E1, E2, ..., En S, se dice que x es una variable aleatoria, si a cada valor de xi que
asume cada Ei, se le asocia su probabilidad de ocurrencia y cumple con las siguientes condiciones:
a) La probabilidad para todo valor que asuma la variable aleatoria xi, ser mayor o igual a cero
pero menor que uno.
0 P(xi) 1 xi
b) La suma de todas las probabilidades asociadas a todos los valores que toma la variable x, es
igual a la unidad.
n
P(x i ) = 1
1
P(x i )dx =1
P(X)
1
2
1
4
X
0 1 2
1.- Una relacin terica de resultados y probabilidades que se puede obtener de un modelo
matemtico y que representa algn fenmeno de inters.
2.- Una relacin emprica de resultados y sus frecuencias relativas observadas.
3.- Una relacin subjetiva de resultados relacionados con sus probabilidades subjetivas o artificiales
que representan el grado de conviccin del encargado en tomar decisiones sobre la probabilidad
de posibles resultados.
Sabemos que una variable aleatoria discreta o discontinua es aquella en la que existe una distancia
bien definida entre dos de los valores consecutivos que asume; y dichos valores son numerables.
Existen varios modelos matemticos que representan diversos fenmenos discretos de la vida real.
UNIFORME DISCRETA
Si la variable aleatoria X asume valores de X1, X2, ..., Xk con iguales probabilidades, entonces la
distribucin uniforme es:
1
f (x, k ) =
k
P(x)
x1 x2 xk
k
xi
i =1
=
k
k
(x i )2
2 = i =1
k
La distribuciin de probabilidad del lanzamiento de un dado es:
S = {1, 2, 3, 4, 5, 6}
1
P (x = 1, 2, ..., 6) =
6
1+ 2 + 3+ 4 + 5 + 6
= = 3 .5
6
LA DISTRIBUCION BINOMIAL
Esta distribucin fue elaborada por Jacobo Bernoulli y es aplicable a un gran nmero de problemas
de carcter econmico y en numerosas aplicaciones como:
- Juegos de azar.
- Control de calidad de un producto.
- En educacin.
- En las finanzas.
La probabilidad de que el evento E ocurra x veces y el evento E' ocurra (n - x) veces en n ensayos
independientes est dado por la frmula binomial:
n
P (x, n, p) = p x qn - x
x
Si se lanza 4 veces una moneda, calcular el evento "Nmero de guilas que caen."
datos:
n = 4 ensayos.
1
p = probabilidad de xito en un ensayo.
2
1 1
q = 1 - p = 1 =
2 2
x = 0, 1, 2, 3, 4
S = {lanzar 4 veces la moneda}
A = {nmero de guilas que caen}
0 4
1 4 1 1 1
P (E0) = P 0,4, = =
2 0 2 2 16
1 3
1 4 1 1 4
P (E1) = P1,4, = =
2 1 2 2 16
2 2
1 4 1 1 6
P (E 2 ) = P 2,4, = =
2 2 2 2 16
3 1
1 4 1 1 4
P (E3) = P 3,4, = =
2 3 2 2 16
= np
2 = npq
= npq
= Media
2 = Varianza
= Desviacin estndar
DISTRIBUCIN MULTINOMIAL
Ocurre cuando en el experimento binomial cada intento tiene ms de dos resultados posibles.
Las probabilidades de ocurrencia p1, p2, ..., pk en un solo ensayo, la distribucin de probabilidad de las
variables aleatorias k1, k2, ..., kn que representan el nmero de ocurrencias de E1, E2, ..., En en n
intentos independientes es:
n! k kn
P(n, k 1 , k 2 , K , k n ) = p 1 1 p k2
2 K pn
k 1!k 2! K k n!
Calcular la probabilidad de obtener dos veces el nmero 4, dos veces el nmero 5 y una vez el
nmero 2, en el lanzamiento de un dado 5 veces.
2 2 1
5! 1 1 1
P(5, 2, 2, 1) = = 0.00385
2!2!1! 6 6 6
LA DISTRIBUCIN HIPERGEOMTRICA
Es decir la distribucin hipergeomtrica se emplea para muestreos sin reemplazo de una poblacin finita
cuya probabilidad de ocurrencia cambia a lo largo del ensayo.
M N M
x x n
P(x, N, M, n) =
N
n
E E
M N-M
N
x n-x n
donde:
N = El tamao de espacio muestral S
n = El nmero de ensayos
M = El nmero de xitos en el espacio muestral
N-M = Nmero de fracasos del espacio muestral
x = Nmero de xitos en la muestra
n-x = Nmero de fracasos de la muestra.
Si en una empresa se presentan para cubrir dos vacantes 13 aspirantes de los cuales 5 son hombres y
8 son mujeres, calcular " El nmero de hombres contratados."
E E
M=5 N-M = 8
N = 13
desarrollando
N = 13 total de aspirantes
M = 5 aspirantes hombres
N-M = 8 aspirantes mujer
n = 2 vacantes totales
x = 0,1,2 hombres posibles a contratar
n-x = 2,1,0 mujeres posibles a contratar
5 8
0 2 28
P(E0) = P(0,13,5,2) = = = 0.3588 = 35.88%
13 78
2
5 8
1 1 40
P(E1) = P(1,13,5,2) = = = 0.5128 = 51.28%
13 78
2
5 8
2 0 10
P(E2) = P (2,13,5,2) = = = 0.1282 = 12.82%
13 78
2
nM(N M)(N n)
2 =
N 2 (N 1)
= 2
= Media
2 = Varianza
= Desviacin estndar
(2)(5)(13 5)(13 2)
2 = = 0.4339
(13) 2 (13 1)
= 0.4339 = 0.6587
Si N resultados pueden dividirse en la k celdas N1, N2, ..., Nk con k1 ,k2, ..., kn elementos
respectivamente, entonces la distribucin de probabilidad representa el nmero de elementos
selecionados, en una muestra aleatoria de tamao n, es:
N 1 N 2 N n
K
k 1 k 2 k n
P(n; k 1, k 2 , K , k n ) =
N
n
N1 = 3 N2 = 5 N3 = 4 N = 12
k1 = 2 k2 = 4 k3 = 4 n=7
3 5 4
2 4 1
P(7;2,4,1) = = 0.0758
12
7
DISTRIBUCIN DE POISSON
Esta funcin de distribucin de variable discreta se emplea para calcular las probabilidades asociadas a
la variable aleatoria dentro de un intervalo continuo de tiempo o espacio; este intervalo es generalmente
una unidad de medida conocida: cm2, km, gramos, litros, pulgadas, etc.
Algunos de los problemas que presentan como un fenmeno con distribucin de Poisson son:
A este tipo de problemas se les conoce el nmero de xitos x obtenidos por unidad de medida en n
ensayos; pero es totalmente imposible conocer el nmero de fracasos (n - x).
x e -
P(E) = P(x, ) =
x!
donde:
n = Nmero de ensayos
x = Nmero de xitos esperados en n ensayos
e = 2.71828...
= n p = Constante igual al nmero de xitos promedio por unidad de medida
p = Probabilidad constante durante el proceso igual al nmero de xitos promedio por unidad de
medida.
Un conmutador recibe en promedio 5 llamadas sobre autos extraviados por hora. Cul es la
probabilidad de que en una hora tomada al azar reciba?
a) Ninguna llamada.
b) Exactamente 3 llamadas.
c) No ms de 3 llamadas.
a) Ninguna llamada. x = 0
5 0 e .5
P (E 0 ) = P (0,5) = = 0.00674963
0!
b) Exactamente 3 llamadas: x = 3
5 3 e .5
P (E 3 ) = P (3,5) = = 0.1404
3!
c) No ms de 3 llamadas: x < 4
= Media
2 = Varianza
= Desviacin estndar