Documentos de Académico
Documentos de Profesional
Documentos de Cultura
aleatorias y
distribuciones de
probabilidad
Distribuciones notables de variables aleatorias discretas.
En particular, se considera una variable aleatoria discreta X como aquella que puede tomar valores en
el conjunto de números naturales, esto es 𝑥𝑖 , 𝑖 = 0, 1, 2 , 3, … Los modelos de probabilidad más
utilizados para describir su comportamiento son: Binomial, Hipergeométrica y Poisson
Experimento Binomial
❑ Consiste en n ensayos cada uno con dos posibles resultados llamados éxito o fracaso
❑ La probabilidad de éxito (p) se mantiene constante en cada ensayo, al igual que la de fracaso
q=(1-p)
𝑛𝐶𝑥 𝑝 𝑥 1 − 𝑝 𝑛−𝑥
𝑝 𝑥; 𝑛, 𝑝 = 𝑃 𝑋 = 𝑥 = ൜ ; 𝑥 = 0, 1, 2, 3, … , 𝑛
0 ; 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Donde:
p: probabilidad de “éxito”
𝑛: número de ensayos
(1-p) probabilidad de “fracaso”
𝑥: número de éxitos en lo n ensayos
𝑛𝐶𝑥: n combinatoria 𝑥
La función de densidad de una variable aleatoria X con distribución binomial de parámetros 𝑛 = 10 𝑦 𝑝 = 0.5, y la
función de distribución se puede observar en la figura
La media y la varianza de una variable aleatoria con distribución binomial está
dada por:
𝐸 𝑋 = 𝑛𝑝 𝑉𝑎𝑟 𝑋 = 𝑛𝑝 1 − 𝑝
Solución:
C
𝑎. 𝑃 𝑋 = 4 = 8 4∗ 0.7 4
∗ 1 − 0.7 8−4
= 0.136
La fórmula solo aplica
𝑏. 𝑃 𝑋 = 6 = 8C6∗ 0.7 6 ∗ 1 − 0.7 8−6 = 0.296 para calcular
probabilidades
c. 𝑃 𝑋 ≥ 8 = 𝑃 𝑋 = 7 + 𝑃 𝑋 = 8 puntuales
C
𝑃 𝑋 = 7 = 8 7∗ 0.7 7
∗ 1 − 0.7 8−7
= 0.198
Experimento Hipergeométrico
❑ La probabilidades asociadas a cada uno de los resultados no son constantes (si la población es
𝐾 𝑁−𝐾
𝑥 𝑛−𝑥
𝑝 𝑥; 𝑁, 𝐾, 𝑛 = 𝑃 𝑋 = 𝑥 = ൞ 𝑁 ; máx 0, 𝑛 − 𝑁 − 𝑘 ≤ 𝑥 ≤ 𝑚í𝑛(𝑛, 𝐾)
𝑛
0 ; 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
La media y la varianza de una variable aleatoria con distribución Hipergeométrica es:
𝐾 𝐾 𝐾 𝑁−𝑛
𝐸 𝑋 =𝑛 𝑉𝑎𝑟 𝑋 = 𝑛 1−
𝑁 𝑁 𝑁 𝑁−1
Si 𝑁 es muy grande, como criterio se considera 𝑁 > 10𝑛, la distribución hipergeométrica se puede
𝐾
aproximar por la distribución binomial con p= 𝑁
Ejemplo:
Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de narcótico en una botella que contiene
9 píldoras de vitamina que son similares en apariencia. Si el oficial de la aduana selecciona 3 tabletas aleatoriamente
para analizarlas,
a) ¿Cuál es la probabilidad de que el viajero sea arrestado por posesión de narcóticos?,
b) ¿Cuál es la probabilidad de que no sea arrestado por posesión de narcóticos?.
Solución:
𝑎. 𝑃 𝑋 ≥ 1 = 𝑃 𝑋 = 1 + 𝑃 𝑋 = 2 + 𝑃 𝑋 = 3
6 9 6 9 6 9
1 2 2 1 3 0
𝑃 𝑋=1 = 15 = 0.4747 𝑃 𝑋=2 = 15 = 0.2967 𝑃 𝑋=3 = 15 = 0.044
3 3 3
𝑃 𝑋 ≥ 1 = 0.4747 + 0.2967 + 0.044 = 0.8154
𝑃 𝑋 ≥8 = 𝑃 𝑋 =7 +𝑃 𝑋 =8
6 9
b. 𝑃 𝑋 = 0 = 0 3
15 = 0.1846
3
Distribución Poisson
𝑒 −𝜆 𝜆𝑥
𝑝 𝑥; 𝜆 = 𝑃 𝑋 = 𝑥 = ቐ 𝑥! 𝑐𝑜𝑛𝑥 = 0, 1, 2, 3, …
0 en otro caso
El parámetro de la distribución, λ (lambda), representa el número promedio de eventos
esperados por unidad de tiempo o de espacio, por lo cual de le suele denominar “tasa de
ocurrencia” del fenómeno.
SHIFT ln-5*5^3 ÷
3SHIFT = 0.1404
Ejemplo:
El número de llamadas telefónicas que llegan a una central telefónica es a menudo modelado como
una variable aleatoria de Poisson. Suponga que en promedio hay 10 llamadas por hora.
Solución:
En este caso 𝜆 = 10/ℎ𝑜𝑟
𝑒 −10 105
𝑎. 𝑃 𝑋 = 5 = = 0.038
5!
𝑏. 𝑃 𝑋 ≤ 3 = 𝑃 𝑋 = 3 + 𝑃 𝑋 = 2 + 𝑃 𝑋 = 1 + 𝑃 𝑋 = 0
Entonces:
𝑒 −10 100 𝑒 −10 101
𝑃 𝑋=0 = = 4.54 ∗ 10−5 = 0.0000454 𝑃 𝑋=1 = = 4.54 ∗ 10−4 = 0.000454
0! 1!
𝑃 𝑋 ≤ 3 = 4.54 ∗ 10−5+ 4.54 ∗ 10−4+ 2.27 ∗ 10−3+ 7.57 ∗ 10−3=7.62* 10−3 = 0.00762
Ejemplo:
El número de llamadas telefónicas que llegan a una central telefónica es a menudo modelado como
una variable aleatoria de Poisson. Suponga que en promedio hay 10 llamadas por hora.
Solución:
Para el literal c, primero se debe determinar el valor de 𝜆 en el intervalo de dos horas.
Si 1 hora ⟶ 10 llamadas en
2 horas ⟶ ? Solucionando 𝜆=20/2 horas
𝑒 −20 2015
c. 𝑃 𝑋 = 15 = 15!
=0.052
Ejemplo:
El número de llamadas telefónicas que llegan a una central telefónica es a menudo modelado como
una variable aleatoria de Poisson. Suponga que en promedio hay 10 llamadas por hora.
Solución:
Para el literal d, primero se debe determinar el valor de 𝜆 en el intervalo de 30 minutos (o media hora).
Si 60 minutos ⟶ 10 llamadas en
30∗10
30 minutos ⟶ ? Solucionando ?= 60
= 5 entonces 𝜆=5/30 minutos
𝑒 −5 55
c. 𝑃 𝑋 = 5 = =0.175
5!
𝐸 𝑋 = 𝜆 = 20 𝑦 𝑉 𝑋 = 𝜆=20; 𝜎 = 20 = 4.47
Ejemplo:
En un proceso de fabricación donde se manufacturan productos de vidrio ocurren defectos o
burbujas, los que deja ocasionalmente a la pieza indeseable para su venta. Se sabe que, en
promedio, uno de cada 1000 de estos artículos que se producen tiene una o más burbujas.
¿Cuál es la probabilidad de que una muestra aleatoria de 8000 productos de vidrio tenga siete
artículos con burbujas?
Solución:
1
En este caso se determina que: éxito: el artículo tiene burbujas; p = 1000; n = 8000
Utilizando la aproximación de la binomial a la Poisson:
1
𝜆 = 𝑛𝑝 = 8000 ∗ =8
1000
𝑒 −8 57
𝑃 𝑋=7 = = 0.13959
7!
Usando la distribución binomial
C
𝑃 𝑋 = 7 = 8000 7 ∗ 0.001 7
∗ 1 − 0.001 8000−7
= 0.13963
Referencias
❑ Anthony Hayter. 2012. Probability and Statistics for Engineers and Scientists. Fourth edition. University of
Denver
❑ Canavos, George. 1988. probabilidad y Estadística . Aplicaciones y métodos. McGraw-Hill
❑ DEVORE JL. 2008. Probabilidad y Estadística para ingeniería y ciencias. Thomson, 2008.
❑ FREUD John E, MILLER Irwin & MILLER Marylees. 2000. Estadística Matemática con aplicaciones. Sexta
Edición. Pearson Educación
❑ Llinás, Humberto. 2014. Introducción a la estadística matemática. Universidad del Norte
❑ MONTGOMERY DC, RUNGER GC. Probabilidad y Estadística aplicadas a la ingeniería. Limusa Wiley, 2006.
❑ Walpole, R.E. Y Myers Probabilidad y Estadística Para Ingenieros. Interamericana
❑ WACKERLY, Dennis, MENDENHALL, William & SCHEAFFER, Richard. 2010. Estadística matemática con
aplicaciones. Séptima Edición. Cengage Learning Editores.