Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resultados Específicos:
• Comprender la importancia de la clasificación de la variable y su
comportamiento para identificar modelo probabilístico a utilizar.
• Identificar la contextualización del enunciado para entregar una adecuada
interpretación de los datos.
• Utilizar en forma adecuada las distintas herramientas estadísticas asociada
a cada modelo.
• Diferenciar la utilidad entre los distintos modelos de probabilidad.
• Interpretar gráficos.
Introducción
Para un ingeniero tomador de decisiones sería ideal conocer con antelación:
Es imposible saber con certeza la ocurrencia de este tipo de eventos, pero con
la ayuda de ciertas distribuciones de probabilidad se puede determinar que
tan probable pueden ocurrir.
Distribución geométrica
Supongamos que se transmite un bit por un canal de comunicación digital, la
probabilidad de que se transmita con error es de 0,05. Supongamos que las
transmisiones son eventos independientes y sea 𝑋 la variable aleatoria que
denota la cantidad de bit transmitidos hasta que ocurra el primer error.
𝑃 𝑋 = 5 es la probabilidad de que el quinto envío tenga un error y los
primeros cuatro bits sean transmitidos correctamente, el evento es 𝐶𝐶𝐶𝐶𝐸 .
Así:
𝑓 𝑥 = 1−𝑝 𝑥−1 𝑝
Ejemplo: Distribución geométrica
Suponga que es año nuevo y está tratando de llamar a sus familiares para
saludarlos, el sistema está tan colapsado que la probabilidad de que una
llamada sea procesada por el siste.ma de telecomunicaciones es de 0,15.
a) ¿Cuál es la probabilidad de que en la tercera llamada pueda
comunicarme con mis familiares?
b) ¿Cuál es la probabilidad que tenga que hacer cómo máximo 4
llamadas para poder comunicarme?
Solución
a) 𝑃 𝑋 = 3 = 0,852 ∗ 0,15 = 0,1084
b) 𝑃 𝑋 ≤ 4 = 𝑃 𝑋 = 1 + 𝑃 𝑋 = 2 + 𝑃 𝑋 = 3 + 𝑃 𝑋 = 4
𝑃 𝑋 ≤ 4 = 0,2780
Media y varianza: Dist. Geométrica
• Si 𝑋 es una variable aleatoria geométrica con parámetro 𝑝, entonces la
media y la varianza de 𝑋 son
La media
∞
𝑘−1 𝑝
1
𝜇 = 𝐸 𝑋 = 𝑘 1−𝑝 =
𝑝
𝑘=1
La varianza
1−𝑝
𝜎2 = 𝑉 𝑋 =
𝑝2
Ejemplo: Distribución geométrica
Volviendo con el ejemplo de las llamadas, uno podría determinar cuantas
llamadas en promedio debiese hacer para lograr conectarse.
1
𝜇= = 6,67
0,15
La varianza
2
0,85
𝜎 =𝑉 𝑋 = = 37,78
0,152
𝜎 = 6,15 llamadas
Propiedad de falta de memoria
Una variable aleatoria geométrica se ha definido como el número de ensayos
hasta obtener el primer éxito.
Ejemplo
Siguiendo con el problema de las llamadas, suponga que debe llamar para
saludar a 3 familiares distintos.
9 7 3
𝑃 𝑋 = 10 = 2
0,85 0,15 =0,039
Distribución binomial negativa
Definición
𝑟 𝑟 1−𝑝
𝜇=𝐸 𝑋 = 𝜎2 = 𝑉 𝑋 =
𝑝 𝑝2
Ejemplo
Un avión cuenta con tres computadoras idénticas, el avión sólo opera con una
de éstas hasta que falle y se activa alguna de respaldo. Durante una hora de
viaje la probabilidad de que falle es 0,0005.
3
𝐸 𝑋 = = 6000 ℎ𝑜𝑟𝑎𝑠
0,0005
𝑃 𝑋 ≤6 =𝑃 𝑋 =3 +𝑃 𝑋 =4 +𝑃 𝑋 =5 +𝑃 𝑋 =6
𝑃 𝑋 ≤ 6 = 2,497 ∗ 10−9
Distribución Hipergeométrica
En un lote de producción de 850 piezas hay 50 piezas que no cumplen con las
especificaciones. Se seleccionan 2 piezas al azar y sin reemplazo, ¿cuál es la
probabilidad de que en la muestra haya dos piezas que no cumplen?
800 50 50 799
𝑃 𝑋=1 = ∗ + ∗ = 0,111
850 849 850 849
50 49
𝑃 𝑋=2 = ∗ = 0,003
850 849
Distribución Hipergeométrica
Definición
Un conjunto de 𝑁 objetos contiene 𝐾 objetos clasificados como éxito y 𝑁 − 𝐾
objetos clasificados como fracaso.
Se selecciona una muestra con tamaño 𝑛 objetos al azar (sin reemplazo) de los 𝑁
objetos, dónde K ≤ 𝑁 y n ≤ 𝑁.
𝐾 𝑁−𝐾
𝑥 𝑛−𝑥
𝑓 𝑥 =
𝑁
𝑛
Ejemplo
Un lote contiene 100 piezas del proveedor A y 200 unidades del proveedor B.
Si se seleccionan 4 al azar ¿cual es la probabilidad de que todas sean del
proveedor A?
Solución:
Sea 𝑋 la variable aleatoria que denota el número de unidades de A de la
muestra
100 200
4 0
𝑃 𝑋=4 = = 0,0119
300
4
Distribución Hipergeométrica
Ejemplo
Siguiendo con el ejemplo anterior ¿Cuál la probabilidad de tener a lo menos 2
unidades del proveedor A? ¿Cuál es la probabilidad de tener a lo menos una
pieza del proveedor A?
Solución:
𝑃 𝑋 ≥2 =𝑃 𝑋 =2 +𝑃 𝑋 =3 +𝑃 𝑋 =4
𝑃 𝑋 ≥ 2 = 0,298 + 0,098 + 0,012 = 0,408
𝑃 𝑋 ≥1 =1−𝑃 𝑋 =0
𝑃 𝑋 ≥ 1 = 1 − 0,196 = 0,804
Distribución Hipergeométrica
Media y Varianza
Si 𝑋 es una variable aleatoria hipergeométrica con parámetro 𝑁, 𝐾 y 𝑛, entonces
la media y varianza quedan:
2
𝑁−𝑛
𝜇 = 𝐸 𝑋 = 𝑛𝑝 𝑦 𝜎 = 𝑉 𝑋 = 𝑛𝑝 1 − 𝑝
𝑁−1
Dónde 𝑝 = 𝐾/𝑁
Notar que los resultados son iguales que en la distribución Binomial, excepto en el
factor de corrección para poblaciones finitas
𝑁−𝑛
𝑁−1
Distribución Poisson
• Los experimentos que producen valores numéricos de una variable
aleatoria 𝑋, el numero de resultados que ocurren durante un intervalo de
tiempo determinado o en una región específica, se denominan
experimentos de Poisson.
Ejemplos
- La variable aleatoria 𝑋 representa el número de llamadas que entran a
una oficina.
- La variable aleatoria 𝑋 representa el número de imperfecciones en una
región 𝑅 de una placa.
- La variable aleatoria 𝑋 representa el número de clientes que ingresan a un
restaurante en una unidad de tiempo
Distribución Poisson
Definición
Si el número promedio de contos en un intervalo es 𝜆 > 0, la variable
aleatoria 𝑋 tiene una distribución de Poisson con parámetro 𝜆, y la función
de masa de probabilidad de 𝑋 es:
𝑒 −𝜆 𝜆𝑥
𝑓 𝑥 =
𝑥!
Ejemplo
Un rollo de tela de una fábrica textil tiene una distribución de Poisson con una
media de 0,1 imperfecciones por metro cuadrado.
a. ¿Cuál es la probabilidad de que haya 2 imperfecciones en un metro
cuadrado?
b. ¿Cuál es la probabilidad de que haya 1 imperfección en 10 metros
cuadrados?
c. ¿Cuál es la probabilidad de que haya a lo menos 1 imperfección en 20
metros cuadrados?
Solución:
a. Sea 𝑋 la variable aleatoria que denota el número de imperfecciones
𝑒 −0,1 0,12
𝑃 𝑋=2 = = 0,0045
2!
Ejemplo
b. Para este caso el parámetro 𝜆 = 0,1 ∗ 10 = 1
𝑒 −1 11
𝑃 𝑋=1 = = 0,3679
1!
𝑃 𝑋 ≥1 =1−P 𝑋 =0
𝑒 −2 20
𝑃 𝑋 ≥1 =1− = 1 − 0,1353
0!
𝑃 𝑋 ≥ 1 = 0,8647
Media y Varianza: Dist. Poisson
Si 𝑋 es una variable aleatoria de Poisson con parámetro 𝜆, entonces la media
y la varianza de 𝑋
Media
𝜇=𝐸 𝑋 =𝜆
Varianza
𝜎2 = 𝑉 𝑋 = 𝜆
Resumen
• Existen diversas situaciones en la vida que se pueden describir por una
variable aleatoria discreta.