08 - Distribuciones de Probabilidad Discretas PDF

Análisis de Datos I
Unidad 3: Distribuciones de Probabilidad
Clase: Distribuciones de probabilidad discretas

II Semestre de 2016
27 de enero de 2014
Unidad 3
Variables aleatorias discretas y distribuciones de probabilidad
Valor esperado y varianza de una variable aleatoria discreta
Distribuciones de probabilidad discreta especiales
Variables aleatorias continuas y distribuciones de probabilidad
Valor esperado y varianza de una variable aleatoria continua
Distribuciones de probabilidad continua especiales
Aproximaciones entre las distribuciones de probabilidad
Relación entre las distribuciones de Poisson y Exponencial

27 de enero de 2014
Unidad 3
Valor esperado y varianza de una variable aleatoria discreta
Distribuciones de probabilidad discreta especiales
Probabilidad y estadística
para ingenieros y ciencias.
Walpole, Myers, & Myers.
Editorial Pearson.
27 de enero de 2014
Distribuciones discretas de probabilidad
• Una variable aleatoria discreta toma cada uno de sus valores

con cierta probabilidad.
• Al lanzar una moneda 3 veces, la variable M, que representa el
número de caras, toma el valor de 2 con probabilidad de 3/8,
pues 3 de los puntos muéstrales igualmente probables tienen
como resultado 2 caras y un sello.
Elementos del
SSS SSC SCS CSS CCS CSC SCC CCC
espacio muestral
Ley de
correspondencia
# de caras 0 1 2 3 caras
m 0 1 2 3
P (M = m ) 1/8 3/8 3/8 1/8
27 de enero de 2014
• Si se suponen pesos iguales para los eventos simples del

ejemplo 3-2.
• La probabilidad de que ningún empleado obtenga de vuelta
su casco correcto, es decir, la probabilidad de que M tome
el valor cero es 1/3. Los valores posibles m de M y sus
probabilidades son:
m 0 1 3
P (M = m ) 1/3 1/2 1/6
• Note que los valores de m agotan todos los casos posibles y
por ello las probabilidades suman 1. Espacio
Muestral
m
SJB 3
SBJ 1
BJS 1
BSJ 0
JSB 1
JBS
27 de 0
enero de 2014
27 de enero de 2014
• Con frecuencia es conveniente representar todas las probabilidades de
una variable aleatoria X usando una fórmula, la cual necesariamente
sería una función de los valores numéricos x que denotamos con
f(x), g(x), r(x), y así sucesivamente.
• Escribimos entonces, f(x) = P(X = x). Por ejemplo, f(3) = P(X = 3).
• El conjunto de pares ordenados (x, f(x)) se llama función de
probabilidad o distribución de probabilidad de la variable aleatoria
discreta X.
El conjunto de pares ordenados (x, f(x)) es una función de
probabilidades, una función de masa de probabilidad o una
distribución de probabilidad de la variable aleatoria discreta X si, para
cada resultado posible x,
1. ||| f ( x)  0
| 
2. ||| f ( x)  1
x
3. ||| P( X  x)  f ( x)
27 de enero de 2014
Ejemplo 3.8
• Un embarque de 8 computadores similares para una tienda al detalle
contiene 3 que están defectuosos. Si una escuela hace una compra al
azar de 2 de estos computadores, encuentre la función de probabilidad
para el número de defectuosos.
• Solución: Sea X una variable aleatoria cuyos valores x son los números
posibles de computadores defectuosos que la escuela compra.
Entonces, x puede ser cualquiera de los números 0, 1 y 2. Así:
 3  5 
  
f (0)  P( X  0)     
0 2 10
8 28
  De manera que la función
2
 3  5  de probabilidad de X es:
  
f (1)  P( X  1)     
1 1 15
8 28 x 0 1 2
 
2
f (x ) 10/28 15/28 3/28
 3  5 
  
f (2)  P( X  2)     
2 0 3
8 28
 
2
27 de enero de 2014
Ejemplo 3.9
Si una agencia automotriz vende el 50% de su inventario de cierto vehículo
extranjero equipado con bolsas de aire, encuentre una fórmula para la
distribución de probabilidad del número de automóviles con bolsas de aire
entre los siguientes 4 vehículos que venda la agencia.
Solución: El denominador para todas las probabilidades y también para la

función, es 16. Cada punto del espacio muestral tienen la misma
probabilidad de ocurrencia. El evento de vender x modelos con bolsas de
4
aire y 4 – x sin bolsas de aire puede ocurrir de  x  formas, donde x pude
 
ser 0, 1, 2, 3, 4, entonces la distribución de probabilidad:
f ( x)  P( X  x) ||| es :
 4
 
f ( x)    , ||| para _ x  0, : 1, : 2, : 3, : 4.
x
16
27 de enero de 2014
• Hay muchos problemas donde queremos calcular la

probabilidad de que el valor observado de una variable
aleatoria X sea menor o igual que algún número real x.
• Al escribir F(x) = P(X ≤ x) para cualquier número real x,
definimos F(x) como la función de la distribución acumulada
de la variable aleatoria X.
La función de la distribución acumulada F(x) de una variable

aleatoria discreta X, con distribución de probabilidad f(x) es:
F ( x)  P( X  x)   f ( xt )), __ para __   x  .

ttxx
27 de enero de 2014
Ejemplo 3.10
Para el ejemplo 3.9, los valores de F(x) están dados por:
4
 
f ( x)    , ___ para _ x  0, _ 1, _ 2, _ 3, _ 4.
x
16
1 0, para x < 0,
F (0)  P( X  0) 
16 1/16, para 0 <= x < 1,
1 1 5 5/16, para 1 <= x < 2,
F (1)  P( X  1)    F(X) =
16 4 16 11/16, para 2 <= x < 3,
1 1 3 11 15/16, para 3 <= x < 4,
F (2)  P( X  2)    
16 4 8 16 1, para x >= 4.
1 1 3 1 15
F (3)  P( X  3)     
16 4 8 4 16
1 1 3 1 1 16
F (4)  P( X  4)        1.
16 4 8 4 16 16
27 de enero de 2014
3/8
1/4 1/4
1/16 1/16
27 de enero de 2014
HISTOGRAMA DE PROBABILIDAD
6/16
4/16
1/16
1 2 3 4 5
27 de enero de 2014
f ( x)
6/16
4/16
1/16
1 2 3 4 5
27 de enero de 2014
Distribución Acumulada Discreta
1.2000
1.0000
1.0000 0.9375
0.8000 0.6875
0.6000
0.4000 0.3125
0.2000
0.0625
0.0000 1 2 3 4 5
0 1 2 3 4
27 de enero de 2014
Distribuciones probabilidad
discretas especiales
Uniforme discreta
Binomial
Geométrica
Binomial negativa
Hipergeométrica
Poisson
27 de enero de 2014
Distribución uniforme discreta
La más simple de todas las distribuciones de

probabilidad discreta es aquella donde la variable
aleatoria toma cada uno de sus valores con
probabilidad idéntica.
f ( x)
x
Figura. Ejemplo de Función de Masa de Probabilidad para una variable
aleatoria discreta uniforme
27 de enero de 2014
Una variable aleatoria X es una variable aleatoria discreta

uniforme si cada uno de los n valores de su rango, por
ejemplo, x1, x2, x3,..., xn, tiene la misma probabilidad, por lo
tanto

f x; n   1
para x = x1, x2, x3,..., xn
n
Suponga que X es una variable aleatoria uniforme discreta en
los números enteros consecutivos a, a+1, a+2, ..., b, para a  b
b  a  1 n
b  a  12 1  1 n
 
  E X  
2 n
 x
i 1
i 
12

n i 1
xi  
2
27 de enero de 2014
Ejemplo 3.11
Cuando se selecciona al azar una bombilla de luz de una caja
que contiene una bombilla de 40 watts, una de 60 watts, una
de 75 watts y una de 100 watts, cada elemento del espacio
muestral S = {40, 60, 75, 100} ocurre con probabilidad de ¼. Por
lo tanto tenemos una distribución uniforme, con
1
f ( x;4)  , ____ x  40,60,75,100.
4
27 de enero de 2014
Ejemplo 3.12
Cuando se lanza un dado legal, cada elemento del espacio
muestral S = {1, 2, 3, 4, 5, 6} ocurre con probabilidad de 1/6.
Por lo tanto, tenemos una distribución uniforme con
1
f ( x;6)  , ____ x  1,2,3,4,5,6.
6
27 de enero de 2014
Ejemplo 3.13
Para el problema 3.12 encontramos que
1 2  3  4  5  6 6 1 ba
   3.5   3.5
6 2 2

1  3.52  2  3.52  3  3.52  4  3.52  5  3.52  6  3.52 
17.5

35
 1.7078
6 6 12

b  a  12  1  6  1  12  1  35
 1.7078
12 12 12
27 de enero de 2014
Distribución binomial
• Un ensayo que sólo tiene dos resultados posibles se usa

con tanta frecuencia como bloque de construcción de un
experimento aleatorio que se conoce como ensayo de
Bernoulli.
• Por lo general se supone que los ensayos que constituyen
el experimento aleatorio son independientes.
• Esto implica que el resultado de un ensayo no afecta el
resultado que se obtiene en cualquier otro ensayo.
• Además, con frecuencia es razonable suponer que la
probabilidad de un éxito en cada ensayo es constante.
27 de enero de 2014
Ejemplo: Las probabilidades de que un bit transmitido a través de
un canal de transmisión digital se reciba con error es 0.1. Suponga
además que los ensayos de transmisión son independientes. Sea
X el número de bits con error en los siguientes 4 bits transmitidos.
Determine P(X = 2).
Solución: E = bit con error; O = bit correcto.
RESULTADO X RESULTADO X
OOOO 0 EOOO 1
OOOE 1 EOOE 2 P( EEOO)  P( E ) P( E ) P(O) P(O)
OOEO 1 EOEO 2
P( EEOO)  (0.1) 2 (0.9) 2  0.0081
OOEE 2 EOEE 3
OEOO 1 EEOO 2 p( X  2)  6(0.0081)  0.0486
OEOE 2 EEOE 3
OEEO 2 EEEO 3
OEEE 3 EEEE 4
27 de enero de 2014
Un experimento aleatorio que consta de n ensayos repetidos tales
que:
1. Los ensayos son independientes,
2. cada ensayo produce únicamente dos resultados posibles,
etiquetados como “éxito” o “fracaso”, y
3. la probabilidad de un éxito en cada ensayo, denotado como p,
permanece constante, se llama experimento binomial.
La variable aleatoria X que es igual al número de ensayos que

producen un éxito tiene una distribución binomial con parámetros
p y n = 1, 2,....
La función de masa de probabilidad de X es
 n x
f x      p  1  p  , x = 0, 1, ..., n
n x
 x
27 de enero de 2014
Si X es una variable aleatoria binomial con parámetros p y n,
  EX   n  p  2  V X   n  p  1  p
Figura. Ejemplo de una distribución binomial con n = 20 y p = 0.5

27 de enero de 2014
 n x
f x      p  1  p 
n p
n x
20 0,5
x f(x)  x
0 0,000000954 Distribución Binomial para Valores
1 0,000019073
2 0,000181198
seleccionados de n y p
3 0,001087189
4 0,004620552
5 0,014785767
6 0,036964417
7 0,073928833
8 0,120134354 f(x)
9 0,160179138
10 0,176197052
11 0,160179138
12 0,120134354
13 0,073928833
14 0,036964417
15 0,014785767
16 0,004620552
17 0,001087189
18 0,000181198 x
19 0,000019073
20 0,000000954 27 de enero de 2014
 n x
f x      p  1  p 
n p n x
10 0,1  x
x f(x)
0 0,348678440
1 0,387420489
2 0,193710245
3 0,057395628
4 0,011160261
5 0,001488035
6 0,000137781
7 0,000008748
8 0,000000365
9 0,000000009
10 0,000000000
27 de enero de 2014
| p
 n x
f x      p  1  p 
n x
10 0,9
 x
x f(x)
0 0,000000000
1 0,000000009
2 0,000000364
3 0,000008748
4 0,000137781
5 0,001488035
6 0,011160261
7 0,057395628
8 0,193710245
9 0,387420489
10 0,348678440
27 de enero de 2014
Ejemplo 3.14
La probabilidad de que cierto componente sobreviva a una
prueba de choque es 3/4. Encuentre la probabilidad de que
sobrevivan exactamente 2 de los siguientes cuatro
componentes que se prueben
Solución: Supongamos que las pruebas son independientes

y como p = ¾ para cada una de las 4 pruebas, obtenemos
  x   3   1   4!  32  27
2 2
n 4
f x      p  1  p         
n x
 4  
 x  2  4   4   2!2!  4  128
27 de enero de 2014
Ejemplo 3.15
La probabilidad de que un paciente se recupere de una rara
enfermedad sanguínea es 0.4. Si se sabe que 15 personas
contraen tal enfermedad, ¿cuál es la probabilidad de que
a) sobrevivan al menos 10;

b) sobrevivan de 3 a 8;
c) sobrevivan exactamente 5.
27 de enero de 2014
Ejemplo 3.16
Una cadena grande de tiendas al detalle compra cierto tipo de
dispositivo electrónico de un fabricante. El fabricante indica
que la tasa de defectos del dispositivo es 3%.
a) El inspector de la cadena elige 20 artículos al azar de un
cargamento ¿Cuál es la probabilidad de que haya al menos
un artículo defectuoso entre estos 20?
b) Suponga que el detallista recibe 10 cargamentos en un mes y
que el inspector prueba aleatoriamente 20 dispositivos por
cargamento ¿Cuál es la probabilidad de que haya 3
cargamentos que contengan al menos un dispositivo
defectuoso?
27 de enero de 2014
Solución:
a) Denote con X el número de dispositivos defectuosos entre los 20. Esta
X sigue una distribución b(x; 20, 0.30). Por consiguiente:
X = número de dispositivos defectuosos entre los 20
 n
P( X  1)  1  P( X  0)  1     p x  1  p 
n x
 x
 20 
P( X  1)  1   0.03 1  0.03  0.4562
0 20
0
b) Y = número de cargamentos que contienen al menos un artículo
defectuoso
Esta Y sigue una distribución b(y; 10, 0.4562).
n 10
P(Y  3)     p y  1  p    0.4562 1  0.4562  0.1602
n y 3 7
 y 3
27 de enero de 2014
Taller en Clase 1: Cada muestra de aire tiene 10% de

probabilidades de contener una molécula rara particular.
Suponga que las muestras son independientes con respecto
a la presencia de la molécula rara X.
1. Encuentre la probabilidad de que en las siguientes 18
muestras, exactamente dos contengan la molécula rara.
2. Determine la probabilidad de que al menos cuatro
muestras contengan la molécula rara.
3. Determine la probabilidad de que 3 ≤ X ≤ 7.
27 de enero de 2014
Taller en Clase 2: Se conjetura que hay impurezas en 30% del

total de pozos de agua potable de cierta comunidad rural.
Para obtener algún conocimiento del problema, se determina
que debería realizarse algún tipo de prueba. Es muy costoso
probar todos los pozos del área, por lo que se eligieron 10
aleatoriamente para una prueba.
a) Utilizando la distribución binomial, ¿cuál es la
probabilidad de que exactamente 3 pozos tengan
impurezas considerando que la conjetura es correcta?
b) ¿Cuál es la probabilidad de que más de 3 pozos tengan
impurezas.
27 de enero de 2014
Distribución geométrica
• Considérese un experimento aleatorio que guarda una

estrecha relación con el que se utilizó en la definición de la
distribución binomial.
• Suponga una serie de ensayos de Bernoulli independientes
con una probabilidad constante p de un éxito en cada
ensayo.
• Sin embargo, en lugar de mantener fijo el número de
ensayos, éstos se realizan hasta cuando se obtiene un
éxito.
• Sea X la variable aleatoria que denota el número de
ensayos hasta el primer éxito.
27 de enero de 2014
Ejemplo 3.17: Las probabilidades de que un bit transmitido a
través de un canal de transmisión digital se reciba con error
es 0.1. Suponga además que los ensayos de transmisión son
independientes. Sea que la variable aleatoria X denote el
número de ensayos hasta el primer éxito. Determine P(X = 4).
Solución: E = bit con error; O = bit correcto.
RESULTADO X P(OOOE)  P(O) P(O) P(O) P( E )

E 1
P(OOOE)  (0.9)(0.9)(0.9)(0.1)
OE 2
OOE 3 P(OOOE)  (0.9)3 (0.1)  0.0729
OOOE 4
27 de enero de 2014
En una serie de ensayos Bernoulli independientes,

con probabilidad constante p de un éxito, sea que
la variable aleatoria X denote el número de
ensayos hasta el primer éxito. Entonces X tiene
una distribución geométrica con parámetro p:
f x  1  p
x 1
 p, x=1, 2, ...
27 de enero de 2014
Si X es una variable aleatoria geométrica con parámetros p
  E X  
1
  V X  
2 1  p
2
p p
Figura. Distribución geométrica para un valor del parámetro p de 0.1.

27 de enero de 2014
p = 0,1000000
x f(x)
1 0,1000000
2 0,0900000
3 0,0810000
4 0,0729000
5 0,0656100
6 0,0590490
7 0,0531441
8 0,0478297
9 0,0430467
10 0,0387420
27 de enero de 2014
f  x   1  p 
x 1
p
p = 0,9000000
x f(x)
1 0,9000000
2 0,0900000
3 0,0090000
4 0,0009000
5 0,0000900
6 0,0000090
7 0,0000009
8 0,0000001
9 0,0000000
10 0,0000000
27 de enero de 2014
Ejemplo 3.18
• La probabilidad de que un bit transmitido a través de un canal de
transmisión digital se reciba con error es 0.1. Suponga que las
transmisiones son eventos independientes y sea que la variable
aleatoria X denote el número de bits transmitido hasta el primer
error.
• Entonces, P(X = 5) es la probabilidad de que los cuatro primeros
bits se transmitan correctamente y que el quinto tenga un error.
Este evento puede denotarse como {OOOOE}, donde O denota un
bit correcto. Como los ensayos son independientes y la
probabilidad de una transmisión correcta es 0.9.
P(X = 5) = P(OOOOE) = (1 - p)X-1 p = 0.940.1 = 0.066
• Obsérvese de que hay cierta probabilidad de que X sea igual a
cualquier valor entero. Así mismo, si el primer ensayo es un éxito,
entonces X = 1. Por lo tanto, el rango de X es {1, 2, 3,..}, es decir,
todos los enteros positivos.
27 de enero de 2014
Ejemplo 3.19
La probabilidad de que una oblea contenga una partícula de
contaminación grande es 0.01. Si se supone que las obleas son
independientes, ¿cuál es la probabilidad de que sea necesario
analizar exactamente 125 obleas antes de detectar una
partícula grande?
Solución: Sea que X denote el número de muestras analizadas
hasta cuando se detecta una partícula grande. Entonces X es
una variable aleatoria geométrica con p = 0.01. La
probabilidad pedida es:
P(X = 125) = (0.99)1240,01= 0.0029
27 de enero de 2014
Ejemplo 3.20
Considere la transmisión de bits del ejemplo 3.18.
Ahí, p = 0.1. El número promedio de transmisiones hasta
el primer error es 1/0.1 = 10. La desviación estándar del
número de transmisiones antes del primer error es

1  p   1 - 0.1
 9.49
2 2
p 0.1
27 de enero de 2014
27 de enero de 2014
Taller en Clase 1
• La probabilidad de una alineación óptica de éxito en el ensamble de un producto de

almacenamiento óptico de datos es 0,8. Suponga que los ensayos son independientes.
a) ¿Cuál es la probabilidad de que la primera alineación de éxito requiera exactamente cuatro
ensayos?
b) ¿Cuál es la probabilidad de que la primera alineación de éxito requiera a lo sumo cuatro ensayos?
c) ¿Cuál es la probabilidad de que la primera alineación de éxito requiera al menos cuatro ensayos?
• En el salón hay 8 alumnos de ojos cafés, 9 de ojos azules, 7 de ojos negros, y 10 de ojos verdes; si
extraemos 6 alumnos, calcular la probabilidad de que este ultimo tenga los ojos claros.
• Una maquina detecta fallas en los productos que elabora una fabrica. Si los productos tienen una
probabilidad de falla del 5%, calcular la probabilidad de que la maquina encuentre su primer
producto defectuoso cómo máximo en la cuarta ocasión que se selecciona un producto para su
inspección.
27 de enero de 2014
Distribución binomial negativa
Es una generalización de una distribución geométrica

en la que la variable aleatoria es el número de ensayos
de Bernoulli requeridos para obtener r éxitos resulta
en la distribución binomial negativa.
27 de enero de 2014
Ejemplo 3.21
Suponga que la probabilidad de que un bit transmitido a través de un canal de
transmisión digital se reciba con error es 0.1. Suponga que las transmisiones son
eventos independientes, y sea que la variable aleatoria X denote el número de bits
transmitido hasta el cuarto error.
27 de enero de 2014
Ejemplo 3.21
Suponga que la probabilidad de que un bit transmitido a través de un canal de
transmisión digital se reciba con error es 0.1. Suponga que las transmisiones son
eventos independientes, y sea que la variable aleatoria X denote el número de bits
transmitido hasta el cuarto error.
Entonces, X tiene una distribución binomial negativa con r = 4. Las probabilidades

que involucran a X pueden encontrarse como sigue: P(X = 10) es la probabilidad de
que ocurran exactamente 3 errores en los 9 primeros ensayos y que el ensayo 10
sea el cuarto error. La probabilidad de que ocurran exactamente 3 errores en los 9
primeros ensayos se determina a partir de la distribución binomial como
9
 0.1 0.9
3 6
 3
Puesto que los ensayos son independientes, la probabilidad de que ocurran
exactamente 3 errores en los 9 primeros ensayos y que el ensayo 10 sea el cuarto
error es el producto de la probabilidad de estos dos eventos, es decir,
9 9
 0.13
0.9 6
0.1    0.14
0.9 6
 
3  3 27 de enero de 2014
El resultado del ejemplo 3.21 puede generalizarse así:
En una serie de ensayos Bernoulli independientes, con

probabilidad constante p de un éxito, sea que la variable
aleatoria X denote el número de ensayos hasta que ocurran
r éxitos. Entonces X tiene una distribución binomial
negativa con parámetro p y r = 1, 2, 3, ...,
 x  1
f x      1  p   p
x r r
Para x = r, r+1, r+2, ...
 r  1
27 de enero de 2014
Si X es una variable aleatoria binomial negativa con parámetros

p y r, entonces
r 1  p 
  E X     V X  
r 2
2
p p
La distribución binomial negativa es una generalización de
la distribución geométrica en la que la variable aleatoria es
el número de ensayos Bernoulli requeridos para obtener r
éxitos.
27 de enero de 2014
Ejemplo 3.22
En la serie de campeonato de la NBA, el equipo que gana 4
juegos de 7 será el ganador. Suponga que el equipo A tiene una
probabilidad de 0.55 de ganarle al equipo B, y que ambos
equipos A y B, se enfrentarán entre sí en los juegos de
campeonato.
a) ¿Cuál es la probabilidad de que el equipo A gane la serie en
el 6 juegos?
b) ¿ Cuál es la probabilidad de que el equipo A gane la serie?
c) Si ambos equipos se enfrentan entre sí en una serie regional
de play-off y el ganador es el que gana 3 de 5 juegos, ¿cuál
es la probabilidad de que el equipo A gane el juego de play-
off?
27 de enero de 2014
Solución:
a) Se tiene:
 x  1  5
f x      1  p   p     1  0.5564  0.554  0.1853
xr r
 r  1  3
b) P(el equipo A gane la serie de campeonato) es:
b * (4 : 4,0.55)  b * (5 : 4,0.55)  b * (6 : 4,0.55)  b * (7 : 4,0.55) 

 3 4  4 4  5 4  6
   1  0.55  0.55     1  0.55  0.55     1  0.55  0.55     1  0.5574  0.554
4 4 5 4 6 4
 3  3  3  3
 0.0915  0.1647  0.1853  0.1668  0.6083
27 de enero de 2014
Solución:
c) P(el equipo A gane el juego de play-off) es:
b * (3 : 3,0.55)  b * (4 : 3,0.55)  b * (5 : 3,0.55)

 2 3  3 3  4
   1  0.55  0.55     1  0.55  0.55     1  0.5553  0.553
33 4 3
 2  2  2
 0.1664  0.2246  0.2021  0.5931
27 de enero de 2014
Ejemplo 3.23
Un avión de alto rendimiento contiene tres computadoras
idénticas. Se utiliza únicamente una para operar el avión; las dos
restantes son repuestos que pueden activarse en caso de que el
sistema primario falle. Durante una hora de operación, la
probabilidad de una falla en la computadora primaria ( o de
cualquiera de los sistemas de repuesto activados) es 0.0005.
Suponiendo que cada hora representa un ensayo independiente,
a) ¿Cuál es el tiempo promedio para que fallen las tres
computadoras?
b) ¿Cuál es la probabilidad de que las 3 computadoras fallen en
un vuelo de 5 horas?
27 de enero de 2014
Solución:
a) Sea que X denote el número de horas hasta cuando los tres
sistemas fallen, y sea que X1, X2 y X3 denoten el número de horas de
operación antes de una falla de la primera, la segunda y la tercera
computadoras usadas, respectivamente. Entonces X = X1 + X2 + X3.
Además que las horas comprenden ensayos independientes con
probabilidad constante de falla p = 0.0005. Por otra parte, una
computadora de repuesto no es afectada por la cantidad de tiempo
que transcurra antes de activarse. Por consiguiente, X tiene una
distribución binomial negativa con p = 0.0005 y r = 3. En
consecuencia,
  E X  
r
p
E(X) = 3 / 0.0005 = 6000 horas

27 de enero de 2014
b) ¿Cuál es la probabilidad de que las 3 computadoras fallen en

un vuelo de 5 horas?
La probabilidad pedida es P(X <= 5) y

P(X <= 5) = P(X = 3) + P(X = 4) + P(X = 5)
 2  3  4
P X  5     1  0.0005  0.0005     1  0.0005  0.0005     1  0.0005  0.00053
0 3 1 3 2
 2  2  2
P X  5  1.25 1010  3.75 1010  7.49 1010  1.249 109
56
27 de enero de 2014
Ejemplos
EJERCICIO
27 de enero de 2014
Sí la probabilidad de que un cierto dispositivo
de medición muestre una desviación excesiva
es de 0.05, ¿cuál es la probabilidad de que;
a) el sexto de estos dispositivos de medición
sometidos a prueba sea el tercero en mostrar
una desviación excesiva?,
b) el séptimo de estos dispositivos de medición
sometidos a prueba, sea el cuarto que no
muestre una desviación excesiva?.
27 de enero de 2014
a) k = 6 dispositivos de medición b) k = 7 dispositivos de medición
r = 3 dispositivos que muestran desviación excesiva r = 4 dispositivos que no muestran una desviación
p = p(dispositivo muestre una desviación excesiva) excesiva
= 0.05 p = p(dispositivo no muestre una desviación
q = p(dispositivo no muestre una desviación excesiva) = 0.95
excesiva) = 0.95 q = p(dispositivo muestre una desviación excesiva)
= 0.05
27 de enero de 2014
Taller en Clase 1:
• Los registros de una compañía constructora de pozos, indican que la probabilidad de que uno
de sus pozos nuevos, requiera de reparaciones en el término de un año es de 0.20.
a) ¿Cuál es la probabilidad de que el sexto pozo construido por esta compañía en un año dado sea
el segundo en requerir reparaciones en un año?.
b) ¿Cuál es la probabilidad de que el octavo pozo construido por esta compañía en un año dado
sea el tercero en requerir reparaciones en un año?.
c) La obra se detendrá de manera indefinida una vez se obtengan tres pozos que requieran
reperaciones ¿Cuál es la probabilidad que se detenga dicha obra antes de construir 8 pozos ?
d) Obtenga E(X) y V(X) e interprételo
Suponga que X es una variable aleatoria binomial negativa con p = 0,2 y r = 4. Determine lo siguiente:
a) E(X)
b) V(X)
c) P(X=20)
d) P(X=19)
e) P(X=21)
60
27 de enero de 2014
Distribución hipergeométrica
• La producción de un día de 850 piezas manufacturadas contiene 50
piezas que no cumplen con los requerimientos del cliente. Se
seleccionan 2 piezas, al azar y sin reemplazo, de la producción de un día.
¿Cuál es la probabilidad de que en la muestra haya 2 piezas que no
cumplan con los requerimientos?
• Este experimento consta de 2 ensayos: se selecciona la primera pieza y
luego se selecciona la segunda. Si embargo, este experimento presenta
diferencias fundamentales con los ejemplos basados en la distribución
binomial.
• En este experimento, los ensayos no son independientes. Obsérvese
que en el inusual caso de que se hiciera el reemplazo de cada unidad
seleccionada antes de la siguiente selección, los ensayos serían
independientes y la probabilidad de que una pieza no cumpla en cada
ensayo sería constante.
• En tal caso, el número de piezas de la muestra que no cumplen, es una
variable aleatoria binomial.
27 de enero de 2014
Ejemplo 3.24: Sea que A y B denoten los eventos de que la

primera y la segunda pieza no cumplen los requerimientos,
respectivamente; luego P(A) = 50 / 850 y P(B | A) =49 / 849.
Por consiguiente, saber que la primera pieza no cumple, sugiere
que es menos factible que la segunda pieza seleccionada no
cumpla con los requerimientos del cliente.
a) Probabilidad de que ambas piezas cumplan.
b) Probabilidad de que una pieza no cumpla los
requerimientos.
c) Probabilidad de que haya 2 piezas que no cumplan.
27 de enero de 2014
Solución
Sea X igual al número de piezas de la muestra que no cumplen.
Entonces,
P(X = 0) = P(ambas piezas cumplen) = (800 / 850)(799 / 849)
= 0.886
P(X = 1) = P(la primera pieza cumple y la segunda no, o la
primera pieza no cumple y la segunda si)
= (800 / 850) (50 / 849) + (50 / 850)(800 / 849)
= 0.111
P(X = 2) = P(ambas partes no cumplen)
= (50 / 850)(49 / 849) = 0.003
27 de enero de 2014
Un conjunto de N objetos contiene

K objetos clasificados como éxitos y
N – K objetos clasificados como fracasos
Se seleccionan una muestra con tamaño de n objetos al azar
(sin reemplazo) de los N objetos, donde K ≤ N y n ≤ N.
Sea que la variable aleatoria X denote el número de éxitos

en la muestra. Entonces X tiene una distribución
hipergeométrica:
K N  K
    
 x  nx 
f x   x = máx {0, n + K – N} hasta mín. {K, n}
N
 
n
27 de enero de 2014
Si X es una variable aleatoria hipergeométrica con parámetros

N, K y n, entonces la media y la varianza de X son:
  EX   n  p  N n
  V  X   n  p  1  p  
2

 N 1 
donde p = K / N.
 N n
A la expresión  
 N 1 
se le conoce como factor de corrección
para poblaciones finitas.
27 de enero de 2014
Ejemplo 3.25
En el ejemplo 3.24, la producción de un día de 850 piezas
manufacturadas contiene 50 piezas que no cumplen con los
requerimientos del cliente. Se seleccionan 2 piezas, al azar y sin
reemplazo, de la producción de un día. ¿Cuál es la probabilidad
de que en la muestra haya x piezas que no cumplan con los
requerimientos?
27 de enero de 2014
Solución:
x = 0, 1, 2
 50  800 
  
P( X  0)   0  2  319600
  0.886
 850  360825
 
 2  K N  K
 50  800      
    x  nx 
 1  1  40000 f x  
P( X  1)    0.111 N
 850  360825  
  n
 2 
 50  800 
  
P( X  2)   
2 0  1225
  0.003
 850  360825
 
 2 
27 de enero de 2014
Ejemplo 3.26
Un lote contiene 100 piezas de un proveedor de tubería local y
200 unidades de un proveedor de otra ciudad. Si se seleccionan 4
piezas al azar y sin reemplazo,
a) ¿Cuál es la probabilidad de que todas sean del proveedor

local?
K N  K
    
 100  200 
  
 x  nx   4  0 
f x   P( X  4)   0.0119
N  300 
   
n  4 
27 de enero de 2014
Ejemplo 3.26
b) ¿Cuál es la probabilidad de que dos o más piezas sean del

proveedor local?
 100  200   100  200   100  200 
        
P( X  2)   2  2   3  1   4  0 
   0.408
 300   300   300 
     
 4   4   4 
c) ¿Cuál es la probabilidad de que al menos una pieza de la
muestra sea del proveedor local?
 100  200 
  
P( X  1)  1  P( X  0)  1  
0  4 
 0.804
 300 
 
 4 
27 de enero de 2014
Ejemplo 3.27
Un lote contiene 100 piezas de un proveedor de tubería local y
200 unidades de un proveedor de otra ciudad. Si se seleccionan
4 piezas al azar y sin reemplazo,
a) ¿Cuál es la media?
b) ¿Cuál es la varianza?
Solución
La variable aleatoria X es el número de piezas de la muestra del
proveedor local. Entonces p = 100 / 300 = 1/3. por lo tanto:
a)   E  X   n  p E(X) = 4(1/3) = 1.33
 N n
b)   V  X   n  p  1  p   
2

 N 1 
V(X) = 4(1/3)(2/3)[(300 – 4) / (300 -271)] = 0.88
de enero de 2014
27 de enero de 2014
27 de enero de 2014
Distribución de Poisson
Los experimentos que producen valores numéricos de

una variable aleatoria X, tal que el número de resultados
ocurren durante un intervalo de tiempo determinado o
en una región específica, se denominan experimentos
de Poisson.
27 de enero de 2014
Dado un “intervalo” de números reales, suponga que ocurren conteos

al azar a lo largo del intervalo. Si puede hacerse la partición del
intervalo en subintervalos con una longitud suficientemente pequeña,
Un experimento aleatorio se denomina proceso de Poisson si:
1. La probabilidad de más de un conteo en tal subintervalo es cero.
2. La probabilidad de un solo resultado en un subintervalo es la misma
para todos los subintervalos y proporcional a la longitud del
subintervalo.
3. El conteo en cada subintervalo es independiente de los demás
subintervalos. Propiedad de falta de memoria.
27 de enero de 2014
Si el número promedio de conteos en el intervalo es l > 0, la
variable aleatoria X, que es igual al número de conteos en el
intervalo, tiene una distribución de Poisson con parámetro l , la
función de masa de probabilidad de X es
el  lx
f x   , x = 0, 1, 2, ...
x!
Si X es una variable aleatoria de Poisson con

parámetro l , entonces la media y la varianza de X
son.
 = E(X) = l y 2 = V(X) = l
27 de enero de 2014
Distribución de Poisson y la Binomial
Ejemplo 3.28
• Se presentan imperfecciones aleatoriamente a lo largo de un
alambre delgado de cobre. Sea que X denote la variable aleatoria
que cuenta el número de imperfecciones en una longitud de L
milímetros de alambre, y suponga que el número promedio de
imperfecciones en L milímetros es l.
• Se hace la partición de la longitud del alambre en n subintervalos
de longitud pequeña, digamos, un micrón (milésima de milímetro)
cada uno. Si este subintervalo es lo suficientemente pequeño, la
probabilidad de que ocurra más de una imperfección en el
subintervalo es despreciable. Como se supuso que las
imperfecciones ocurren aleatoriamente, se puede interpretar de
que cada intervalo tiene la misma probabilidad de contener una
imperfección, digamos, p.
27 de enero de 2014
Distribución de Poisson y la Binomial TAREA
• Supóngase que la probabilidad de que un subintervalo contenga una
imperfección es independiente de otros subintervalos , entonces el
modelo de la distribución de X puede establecerse aproximadamente
como una variable aleatoria binomial. Puesto que
E(X) = l = np
se obtiene p=l/n
Es decir, la probabilidad de que un subintervalo contenga una

imperfección es l / n. Con subintervalos lo suficientemente
pequeños, n es muy grande y en consecuencia p decrece. Por lo
tanto, la distribución de X se obtiene como una Poisson.
n x
 n  l   l 
x
n x n x
P( X  x)    p (1  p)     1  
 x  x  n   n 
Se puede demostrar que:
e  l lx
límn P( X  x)  , _____ x  0,1,2,....
x! 27 de enero de 2014
• Es importante usar unidades consistentes en el cálculo de

probabilidades, medias y varianzas cuando se trabaja con
variables aleatorias de Poisson.
• Por ejemplo, si el número promedio de imperfecciones por
mm de alambre es 3.4, entonces:
– el número promedio de imperfecciones en 10 mm de alambre es
34, y
– el número promedio de imperfecciones en 100 mm de alambre es
340.
• Si una variable aleatoria de Poisson representa el número
de conteo en cierto intervalo, entonces la media de la
variable aleatoria debe ser igual al número esperado de
conteos en la misma longitud del intervalo.
27 de enero de 2014
Ejemplo 3.29
Para el caso del alambre delgado de cobre, suponga que el
número de imperfecciones sigue una distribución de Poisson
con una media de 2.3 imperfecciones por milímetro.
a) Determine la probabilidad de exactamente 2 imperfecciones en un

milímetro de alambre.
Sea que X denote el número de imperfecciones en un mm de

alambre. Entonces E(X) = 2.3 imperfecciones y
e l  lx e2.3 2.32
f x   , P( X  2)   0.265
x! 2!
27 de enero de 2014
b) Determine la probabilidad de 10 imperfecciones en 5 mm de
alambre.
Sea que X denote el número de imperfecciones en 5 mm de alambre.
Entonces, X tiene una distribución de Poisson con
E(X) = 5 mm * 2.3 imperfecciones/mm = 11.5 imperfecciones
Por lo tanto, P(x = 10) = e-11.5 11.510 / 10! = 0.113
c) Determine la probabilidad de al menos una imperfección en 2 mm
de alambre.
Sea que X denote el número de imperfecciones en 2 mm de alambre.
Entonces X tiene una distribución de Poisson con,
E(X) = 2 mm * 2.3 imperfecciones/mm = 4.6 imperfecciones
Por lo tanto,
P( X  1)  1 P( X  0)  1 e4.6  0.9899
27 de enero de 2014
Ejemplo 3.30
La contaminación constituye un problema en la fabricación de
discos de almacenamiento óptico. El número de partículas de
contaminación que ocurre en un disco óptico tiene una
distribución de Poisson y el número promedio de partículas
por centímetro cuadrado de superficie del disco es 0.1. El área
del disco bajo estudio es de 100 cm2.
a) Encuentre la probabilidad de que ocurran 12 partículas en
el área del disco bajo estudio.
b) Determine la probabilidad de que 12 o menos partículas
ocurran en el área del disco bajo estudio.
27 de enero de 2014
Solución
a) Sea que X denote el número de partículas en el área del disco bajo
estudio. Puesto que el número promedio de partículas es de 0.1 por cm2
E(X) = 100 cm2 x 0.1 partículas/cm2 = 10 partículas

Por lo tanto, l
l x
e101012
f x  
e P( X  12)   0.095
,
x! 12!
b) Determine la probabilidad de que 12 o menos partículas ocurran en el

área del disco bajo estudio.
La probabilidad es
12
e1010i
P( X  12)  P( X  0)  P( X  1)  ... P( X  12)    0.791
i 0 i!
27 de enero de 2014

08 - Distribuciones de Probabilidad Discretas PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

08 - Distribuciones de Probabilidad Discretas PDF

Cargado por

Copyright:

Formatos disponibles

Análisis de Datos I

Unidad 3: Distribuciones de Probabilidad

Clase: Distribuciones de probabilidad discretas

Valor esperado y varianza de una variable aleatoria discreta

Distribuciones de probabilidad discreta especiales

Variables aleatorias continuas y distribuciones de probabilidad

Valor esperado y varianza de una variable aleatoria continua

Distribuciones de probabilidad continua especiales

Aproximaciones entre las distribuciones de probabilidad

Relación entre las distribuciones de Poisson y Exponencial

Valor esperado y varianza de una variable aleatoria discreta

Distribuciones de probabilidad discreta especiales

• Una variable aleatoria discreta toma cada uno de sus valores

• Si se suponen pesos iguales para los eventos simples del

Solución: El denominador para todas las probabilidades y también para la

• Hay muchos problemas donde queremos calcular la

La función de la distribución acumulada F(x) de una variable

F ( x)  P( X  x)   f ( xt )), __ para __   x  .

Distribución Acumulada Discreta

La más simple de todas las distribuciones de

Una variable aleatoria X es una variable aleatoria discreta

• Un ensayo que sólo tiene dos resultados posibles se usa

La variable aleatoria X que es igual al número de ensayos que

Figura. Ejemplo de una distribución binomial con n = 20 y p = 0.5

Solución: Supongamos que las pruebas son independientes

a) sobrevivan al menos 10;

Taller en Clase 1: Cada muestra de aire tiene 10% de

Taller en Clase 2: Se conjetura que hay impurezas en 30% del

• Considérese un experimento aleatorio que guarda una

RESULTADO X P(OOOE)  P(O) P(O) P(O) P( E )

En una serie de ensayos Bernoulli independientes,

Figura. Distribución geométrica para un valor del parámetro p de 0.1.

• La probabilidad de una alineación óptica de éxito en el ensamble de un producto de

Es una generalización de una distribución geométrica

Entonces, X tiene una distribución binomial negativa con r = 4. Las probabilidades

En una serie de ensayos Bernoulli independientes, con

Si X es una variable aleatoria binomial negativa con parámetros

b) P(el equipo A gane la serie de campeonato) es:

b * (4 : 4,0.55)  b * (5 : 4,0.55)  b * (6 : 4,0.55)  b * (7 : 4,0.55) 

c) P(el equipo A gane el juego de play-off) es:

b * (3 : 3,0.55)  b * (4 : 3,0.55)  b * (5 : 3,0.55)

E(X) = 3 / 0.0005 = 6000 horas

b) ¿Cuál es la probabilidad de que las 3 computadoras fallen en

La probabilidad pedida es P(X <= 5) y

Ejemplo 3.24: Sea que A y B denoten los eventos de que la

Un conjunto de N objetos contiene

Sea que la variable aleatoria X denote el número de éxitos

Si X es una variable aleatoria hipergeométrica con parámetros

a) ¿Cuál es la probabilidad de que todas sean del proveedor

b) ¿Cuál es la probabilidad de que dos o más piezas sean del

Los experimentos que producen valores numéricos de

Dado un “intervalo” de números reales, suponga que ocurren conteos

Si X es una variable aleatoria de Poisson con

Es decir, la probabilidad de que un subintervalo contenga una

• Es importante usar unidades consistentes en el cálculo de

a) Determine la probabilidad de exactamente 2 imperfecciones en un

Sea que X denote el número de imperfecciones en un mm de

E(X) = 100 cm2 x 0.1 partículas/cm2 = 10 partículas

b) Determine la probabilidad de que 12 o menos partículas ocurran en el

También podría gustarte

F ( x)  P( X  x)   f ( xt )), para    x  .