Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DISTRIBUCIONES DISCRETAS..................................................................................................... 2
3.1 DEFINICIÓN DE VARIABLE ALEATORIA DISCRETA. ............................................................ 2
3.2 FUNCIÓN DE PROBABILIDAD Y DE DISTRIBUCIÓN, VALOR ESPERADO, VARIANZA Y
DESVIACIÓN. .................................................................................................................................. 2
Función de Probabilidad. .......................................................................................................... 2
Media o valor esperado de una variable aleatoria discreta. ..................................................... 3
Varianza y desviación estándar de una variable aleatoria discreta. ........................................ 3
3.3 DISTRIBUCIÓN BINOMIAL ....................................................................................................... 3
3.4 DISTRUBUCIÓN HIPERGOEMÉTRICA. .................................................................................. 7
3.5 DISTRIBUCIÓN GEOMÉTRICA. ............................................................................................. 10
3.6 DISTRIBUCIÓN MULTINOMIAL. ............................................................................................ 11
3.7 DISTRIBUCIÓN DE POISSON............................................................................................... 12
3.8. APROXIMACIÓN DE LA BINOMIAL POR LA DE POISSON. ............................................... 15
3.9. DISTRIBUCIÓN BINOMIAL NEGATIVA ................................................................................ 16
3.10 DISTRIBUCIÓN UNIFORME (DISCRETA) ........................................................................... 18
DISTRIBUCIONES DISCRETAS
Variable aleatoria discreta. Es una variable aleatoria con un rango finito o infinito
contable.
Función. Es el comportamiento de una variable.
Binomial
Multinomial
Distribuciones Poisson
Discretas Geométrica
Hipergeométrica
Función de Probabilidad.
La función 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 función 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) Σ 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
x
Ejemplo:
Suponga que la probabilidad de recuperar un automóvil robado en cierta ciudad es
de 0.40.
a) ¿Cuál es la probabilidad de 2 automóviles de los 10 robados?
b) ¿Cuál es la probabilidad de recuperar cuando mucho 3 de los 10
automóviles robados?
c) ¿Cuál es la probabilidad de recuperar por lo menos 7 de los 10
automóviles robados?
n= 10
P= 0.40
X= 2
a)
10
f (2) .40 1 .40 450.160.60 0.12093
2 10 2 8
2
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
3
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
7
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
6
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
0
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
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 está 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 población consiste de 10 artículos 4 de los cuales son defectuosos y los 6
restantes no lo son, ¿Cuál es la probabilidad de que en una muestra aleatoria de
tamaño 3 contenga 2 artículos 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 títulos universitarios. ¿Cuál
es la probabilidad de que 5 de los que usted contrate tengan un título?8
EJERCICIO 3:
De los 15 altos ejecutivos de un negocio de importaciones y exportaciones, se
seleccionan 12 para ser enviados al Japón a estudiar un nuevo proceso de
producción. Ocho de los ejecutivos ya tienen algo de entrenamiento en el proceso.
¿Cuál 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 tecnologíaMMX. Si se seleccionan 10 aleatoriamente,
¿cuál es la probabilidad de que 3 estén equipados con MMX? 10
Función de Probabilidad.
g x p1 p , x 1,2,3,...
x 1
EJEMPLO:
Se sabe que en cierto proceso de fabricación en promedio uno de cada
100 artículos, esta defectuoso ¿Cuál es la probabilidad de que 5 artículos que se
inspeccionan sea el primer defectuoso en hallarse?
1
p 0.01
100
EJERCICIO I:
1
p 0.16
6
ó
31
1 1 1
2
1 5 1 25 25
g 3 0.1157
6 6 6 6 6 6 216
Una importante y útil variable aleatoria de mayor dimensión tiene una distribución
conocida como distribución multinomial.12 Supóngase 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
distribución donde X1 es el número 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 ó 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: Combinación 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 número promedio de ocurrencias en un rango.
X= El número de veces que se busca ocurra el evento promedio.
EJEMPLO:
a) .
% 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. APROXIMACIÓN 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 distribución binomial con parámetros n y p se puede aproximar por
una distribución de Poisson con media np. Supóngase de una variable aleatoria X
tiene una distribución binomial con parámetros n y p y sea Pr(X = x) = f (x|n, p)
para cualquier valor dado de x. Entonces de la ecuación (6) de la sección 5.2, para
x=1,2,…., n.
15
𝑛(𝑛 − 1) ∙∙∙ (𝑛 − 𝑥 + 1) 𝑥
𝑓(𝑥|𝑛, 𝑝) = 𝑝 (1 − 𝑝)𝑛−𝑥
𝑥!
Si definimos λ= np, entonces 𝑓(𝑥|𝑛, 𝑝) se puede reescribir de la siguiente forma:
𝜆𝑥 𝑛 𝑛 − 1 𝑛 − 𝑥 + 1 𝜆 𝑛 𝜆 −𝑥
𝑓(𝑥|𝑛, 𝑝) = ∙ ∙∙∙ (1 − ) (1 − )
𝑥! 𝑛 𝑛 𝑛 𝑛 𝑛
Supóngase ahora que 𝑛 − ∞ y 𝑝 − ∞ de forma que el valor del producto np
permanezca igual al valor fijo λ a través de este proceso de límites. Puesto que los
valores de λ y x permanecen fijos cuando 𝑛 − ∞, entonces
𝑛 𝑛−1 𝑛−𝑥+1 𝜆 −𝑥
lim ∙ ⋯ (1 − ) = 1
𝑛−∞ 𝑛 𝑛 𝑛 𝑛
Además se sabe de cálculo elemental que
𝜆 𝑛
lim (1 − ) = 𝑒 −𝜆
𝑛−∞ 𝑛
Por la ecuación (8), resulta ahora que para cualquier entero positivo fijo x,
𝑒 −𝜆 𝜆𝑥
𝑓(𝑥|𝑛, 𝑝) →
𝑥!
Por último para 𝑥 = 0,
𝑛
𝜆 𝑛
𝑓(𝑥|𝑛, 𝑝) = (1 − 𝑝) = (1 − )
𝑛
Ejemplos:
1. Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b) 10
cheques sin fondos en cualquiera de dos días consecutivos?
Solución:
a) x = variable que nos define el número de cheques sin fondo que llegan al banco
en un día cualquiera = 0, 1, 2, 3,….., etc., etc.
e = 2.718
Nota: l siempre debe de estar en función de x siempre o dicho de otra forma, debe
“hablar” de lo mismo que x.
Solución:
=1-(0.367918+0.367918) = 0.26416
𝑥 −1 𝑘 𝑥−𝑘
𝑏 ∗ (𝑥; 𝑘, 𝑝) = ( )𝑝 𝑞 , 𝑥 = 𝑘, 𝑘 + 1, 𝑘 + 2, ….
𝑘 −1
Ejemplo 1
16 Probabilidad y Estadística, Walpole Myers, 4a edición, págs. 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 ocasión en el quinto
lanzamiento.
1
Solución Utilizando la distribución binomial negativa con 𝑥 = 5, 𝑘 = 2 𝑦 𝑝 = 4, se
tiene:
1 4 1 2 3 3
𝑏 ∗ (5; 2, ) = ( ) ( ) ( )
4 1 4 4
4! 33 27
= ∙ 5=
1! 3! 4 256
La distribución binomial negativa toma su nombre del hecho que cada termino en
expansión de 𝑝𝑘 (1 − 𝑞)−𝑘 corresponde a los valores de 𝑏 ∗ (𝑥; 𝑘, 𝑝) para 𝑥 = 𝑘, 𝑘 +
1, 𝑘 + 2, … … ..
Si se considera el caso especial de la distribución binomial negativa donde k=1, se
tiene una distribución de probabilidad para el numero de intentos requeridos para
un solo éxito. Un ejemplo seria el lanzamiento de una moneda hasta que ocurriera
una cara. Se podría estar interesado en la probabilidad de que la primera cara
ocurriera en el cuarto lanzamiento. La distribución binomial negativa se reduce a la
forma 𝑏 ∗ (𝑥; 1, 𝑝) = 𝑝𝑞 𝑥−1 , 𝑥 = 1,2,3, …. dado que los términos sucesivos
constituyen una progresión geométrica, se acostumbra referirse a este caso
especial como la distribución geométrica y sus valores se representan por 𝑔(𝑥; 𝑝).
Ejemplo 2
La solución es:
Ejemplo 3
Definición
Una variable X tiene una distribución uniforme discreta, y se conoce como
variable aleatoria uniforme discreta, si y solo si su distribución de probabilidad está
dada por 17
1
𝑓(𝑥) = 𝑛 Para 𝑋 = x1, x2, x3,….., xn
La media y la varianza de esta distribución son, respectivamente:
1 1 1 1
𝜇 = ∑𝑛𝑖=1 𝑥𝑖 ∙ 𝑛 = 𝑛 ∑𝑛𝑖=1 𝑥𝑖 y𝜎 2 = ∑𝑛𝑖=1(𝑥𝑖 − 𝜇)2 ∙ 𝑛 = 𝑛 ∑𝑛𝑖=1(𝑥𝑖 − 𝜇)2
La desviación estándar, por tanto, está dada por la siguiente expresión:
∑𝑛
𝑖=1(𝑥𝑖 −𝜇)
2
𝜎=√ .
𝑛
En la mayoría de las calculadoras científicas de bolsillo existe una modalidad
estadística con la cual estos dos parámetros se pueden calcular oprimiendo una
tecla. Pero la obtención de la media y la desviación estándar de una variable
aleatoria por medio de la calculadora en general solo funciona para la distribución
uniforme discreta, la cual la calculadora la asume por default.de hecho, la media
de la variable aleatoria con distribución uniforme discreta es el promedio aritmético
común, denotado en las calculadoras por el símbolo x (x testada).
Ejemplo:
Se lanza un dado ordinario. Para 𝑖 = 1,2, … . . ,6. definimos la variable aleatoria 𝑋 =
17 Probabilidad y Estadística para ingeniería y ciencias, Gabril Velasco Sotomayor, págs. 107, 109.
𝑥𝑖 como la cara del dado que sale hacia arriba. Obtenga la distribución de
probabilidad de esta variable aleatoria, así como su media y su desviación
estándar.
Solución. Naturalmente, si el dado no está cargado, entonces cualquiera de las
seis caras tiene la misma probabilidad de salir, así que la función de distribución
de probabilidad de este ejemplo está dada por
1
𝑓(𝑥𝑖 ) = , 𝑝𝑎𝑟𝑎 𝑖 = 1, 2, … … , 6.
6
La media y la desviación estándar son, por lo tanto:
6
1 1+2+3+4+5+6 ∑6 (𝑥𝑖 − 3.5)2
𝜇 = ∑ 𝑥𝑖 = = 3.5; 𝜎 = √ 𝑖=1 = 1.707825
6 6 6
𝑖=1
1 1𝑛+1 𝑛+1
E [X]=∑𝑛!=1 𝑖 p(x=i) =𝑛 ∑𝑛1 𝐼 = n=
𝑛2 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
distribución de probabilidad o función de masa de esta variable aleatoria es:
1
P(X = xi) =𝑛 para i = 1,..., n
P(X = xi) ≥ 0 ∀ i.
1
∑𝑛𝑖=1 𝑝(X = xi) =∑𝑛𝑖=1 𝑥 =1
𝑛
Sin pérdida de generalidad, suponemos ahora que los valores están ordenados de
menor a mayor. La función de distribución es:
0 𝑠𝑖 𝑥 < 𝑥1
1
F(x){ sin 𝑥1 < 𝑥 < 𝑥2
𝑛
1
𝑠𝑖 𝑥1 < 𝑥 < 𝑥 + 1
𝑛