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. .................................................................................................................................. 3
Función de Probabilidad. .......................................................... Error! Bookmark not defined.
Media o valor esperado de una variable aleatoria discreta. ..................................................... 3
Varianza y desviación estándar de una variable aleatoria discreta. ........................................ 3
3.3 DISTRIBUCIÓN BINOMIAL ....................................................................................................... 4
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. ............................................... 14
3.9. DISTRIBUCIÓN BINOMIAL NEGATIVA ................................................................................ 15
3.10 DISTRIBUCIÓN UNIFORME (DISCRETA) ........................................................................... 16
DISTRIBUCIONES DISCRETAS
Hipergeométrica r N r
x
n x
f x para 0 x r , r N , n N
N
n
g x p1 p , x 1,2,3,...
Distribuciones Geométrica x 1
Discretas Multinomial X1 X 2
p X 1 , X 2 ,..., X K
n! XK
p1 P2 ...PK
1
X !, X 2 !,..., X k
!
Poisson f X ,
e
X
X!
de t
Distribuciones Exponencial
Continuas Uniforme
Gamma
Beta
Erlang
Logarítmicas
3.2 FUNCIÓN DE PROBABILIDAD Y DE DISTRIBUCIÓN, MEDIA O
VALOR ESPERADO, VARIANZA Y DESVIACIÓN.
Función de Probabilidad.
La función f(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) ≥ 0 para toda x
2) Σ f(x) = 1
n
f x p x 1 p , x 0,1,2,...
n x
x
2Ibid.Pág. 125
Ejemplo:
Suponga que la probabilidad de recuperar un automóvil robado en cierta ciudad es de 0.40.
a) ¿Cuál es la probabilidad de recuperar 2 automóviles de 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?
a) DATOS
n = 10
P = 0.40
X= 2
10
f (2) .40 1 .40 450.160.60 0.12093
2 10 2 8
2
b) DATOS
n = 10
P = 0.40
X = 0, 1, 2, 3.
10
px 0 0.40 1 0.40 110.60 0.00604
0 10 0 10
0
10
px 1 0.40 1 0.40
1 101
10 0.40 0.60 0.04031
9
1
p x 3
px 10
2 0.40 1 0.40 450.16 0.60 0.12093
2 10 2 8
2
10
px 3 0.40 1 0.40 1200.0640.60 0.21499
3 103 7
3
p x 3 p x 0 p x 1 p x 2 p x 3 0.3822
c) DATOS
n = 10
P = 0.40
X = 10, 9, 8, 7.
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
7
a) DATOS: P = 0.25 N = 15 X = 3, 4, 5, 6.
15
px 3 0.25 1 0.25 4550.01562 0.03167 0.22508
3 153
3
15
px 4 0.25 1 0.25
4 15 4
13650.00390 0.04223 0.22481
4
p 3 x 6
px 15
5 0.25 1 0.25 30030.00097 0.05631 0.16402
5 15 5
5
15
px 6 0.25 1 0.25 50050.00024 0.07508 0.09018
6 15 6
6
p 3 x 6 p x 3 p x 4 p x 5 p x 6 0.70409
b)
15
P( x 3) (0.25)3 (1 0.25)12 0.225199
3
15
P( x 2) (0.25) 2 (1 0.25)13 0.155907
2
P ( X 4)
P( x 15
1) (0.25)1 (1 0.25)14 0.066817
1
15
P( x 0) (0.25) 0 (1 0.25)15 0.03363
0
P ( X 4) 0.4612
c)
15
p( x 0)
0 (0.25) (1 0.25)
0 15
0.013363
15
p( x 1)
1 (0.25) (1 0.25)
1 14
0.066817
p( x 15
2)
2 (0.25) (1 0.25)
2 13
0.155907
p ( X 5)
p( x 15
3)
3 (0.25) (1 0.25)
3 12
0.225199
15
p( x 4)
4 (0.25) (1 0.25)
4 11
0.225199
15
p( x 5)
5 (0.25) (1 0.25)
5 10
0.165145
p ( X 5) 0.8516
p ( X 5) 1 p ( X 5) 1 0.8516 0.1484
3.4 DISTRIBUCIÓN HIPERGEOMÉTRICA.
r N r
x n x
f x para 0 x r , r N , n N
N
n
EJEMPLO 1:
Supongamos que en un establo de caballos de carrera hay N = 10 caballos, y r = 4
de ellos están enfermos. ¿Cuál es la probabilidad de seleccionar en una muestra
de n = 3 en la cual x = 2 están enfermos?
4 10 4 6
6
2 3 2
px 2
1 6*6
0.30
10 10 120
3 3
Existe un 30% de probabilidad de seleccionar 3 caballos de carreras, 2 de los
cuales están enfermos.
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.
¿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
3 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?5
N=30, r=22, n=10, x=5
F(x)= 0.049083151 = 4.9 %
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. 8 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?6
N=15, r=8, n=12, x=5
F(x)= 0.123076923 = 12.3 %
EJERCICIO 4:
Cuarenta trabajadores han recibido en su oficina nuevos computadores.
Veintisiete tienen la nueva tecnología MMX. Si se seleccionan 10 aleatoriamente,
¿cuál es la probabilidad de que 3 estén equipados con MMX? 7
N=40, r=27, n=10, x=3
F(x)= 0.005921356= 0.59 %
EJEMPLO 1:
Se sabe que en cierto proceso de fabricación el 1% es defectuoso.
¿Cuál es la probabilidad de que 5 artículos que se inspeccionan, sea el primer
defectuoso en hallarse?
EJERCICIO 1:
En tiros repetidos de 1 dado, la probabilidad de que el primer 6 ocurra en el
tercer tiro es:
1
p 0.16
6
ó
2
1 1 5 1 25 25
g 3 1 1 / 6
31
0.1157
6 6 6 6 6 216
X 1!, X 2 !,..., X k !
Con.
in Xi n ó i1 Pi 1
k k
EJEMPLO:
Se lanza 6 veces un par de dados ¿Cuál es la probabilidad de obtener un total de
7 u 11 en 2 ocasiones, 1 par o igual una vez o cualquier otra combinación
diferente de las 2 anteriores 3 veces?
n= 6
X1= 2 E1: 7 u 11.
X2= 1 E2: Par o igual.
X3= 3 E3: Combinación diferente.
1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
P1= 8/36 = 2/9
P2= 6/36 = 1/6
P3=22/36 = 11/18
2 1 11 6 54 2 1 11
2 1 3 2 1 3
Pmultinomial
6!
2!1!3!
9 6 15
2 9 6 15
4 1 1331 319.440
60 0.1125
81
6 2834352 2834352
3.7 DISTRIBUCIÓN DE POISSON.
Función de Probabilidad:
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.
a)
e 10 10 0.00004539993100000 0.03783
5
P x 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
2.06115 x10 4 302768 x1019
15
15! 1.307667 x1012
67539881900.1
0.05164
1.30767 x1012
% 0.05164100 5.16%
% 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 que una variable aleatoria X tiene una distribución binomial con
parámetros n y p y sea P(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.
10
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
Ejemplo:
1. En la inspección de hojalata producida por un proceso electrolítico continuo, se
identifican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades de
identificar a) una imperfección en 3 minutos, b) al menos dos imperfecciones en 5
minutos, c) cuando más una imperfección en 15 minutos.
SOLUCIÓN:
a) x = variable que nos define el número de imperfecciones en la hojalata por cada 3
minutos = 0, 1, 2, 3,…., etc.
l = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata
b) x = variable que nos define el número de imperfecciones en la hojalata por cada 5
minutos = 0, 1, 2, 3,…., etc.
l = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la hojalata
=1-(0.367918+0.367918) = 0.26416
c) x = variable que nos define el número de imperfecciones en la hojalata por cada 15
minutos = 0, 1, 2, 3,….., etc., etc.
l = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata
𝑥 −1 𝑘 𝑥−𝑘
𝑏 ∗ (𝑥; 𝑘, 𝑝) = ( )𝑝 𝑞 𝑝𝑎𝑟𝑎 𝑥 = 𝑘, 𝑘 + 1, 𝑘 + 2, ….
𝑘 −1
Ejemplo 1
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.
SOLUCIÓN
1
Utilizando la distribución binomial negativa con 𝑥 = 5, 𝑘 = 2 𝑦 𝑝 = , se tiene:
4
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
1) Esperanza: E(X) =r ´ q/p
2) Varianza: V(X) =r ´ q/p2
3) Se cumplen las siguientes propiedades respecto la función de densidad:
4) Este modelo se ajusta bien a contajes (números de individuos por unidad de superficie) cuando
se produce una distribución contagiosa (los individuos tienden a agruparse).
5) La distribución Binomial negativa puede definirse con mayor generalidad si tomamos r como un
número real positivo cualquiera (no necesariamente entero). Pero, en dicho caso, se pierde el
carácter intuitivo del modelo y se complican ligeramente los cálculos. Por dichas razones, se ha
excluido dicha posibilidad en esta presentación.
Ejemplo 1:
Se lanza un dado ordinario. Para 𝑖 = 1,2, … . . ,6. definimos la variable aleatoria 𝑋 =
𝑥𝑖 como la cara del dado que sale hacia arriba. Obtenga
A) La distribución de probabilidad de esta variable aleatoria.
B) Su media y su desviación estándar.
Solución.
A) 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
B) 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
12 Probabilidad y Estadística para ingeniería y ciencias, Gabril Velasco Sotomayor, págs. 107, 109.