MODELOS DISCRETOS

26 de abril de 2012

“UNIVERSIDAD NACIONAL SAN LUIS GONZAGA DE ICA “ FACULTAD DE ADMINISTRACIÓN

TEMA: MODELOS DISCRETOS CURSO: TOMA DE DESICIONES EMPRESARIALES

DOCENTE: DR. LUIS PECHO TATAJE

SECCIÓN: INTEGRANTES:

IX “A” ALCA CERNA JANETH IVON HURTADO PALOMINO JOHANA IRIS NAVARRETE CACERES HAYDEE DELIA SANTI HUANCA LOURDES

Página 1

Página 2 . para que seamos buenos profesionales.MODELOS DISCRETOS 26 de abril de 2012 DEDICATORIA Dedicamos nuestros este trabajo a que están padres nos constantemente apoyando y orientando a lo largo nuestra vida.

De allí. estos representan funciones de masa que proporcionan la probabilidad de que una variable aleatoria tome un determinado valor. que lo más importante antes de aplicar las propiedades del modelo. en donde partiendo de ciertos supuestos se obtienen unas conclusiones acerca del comportamiento del fenómeno analizado. es reconocerlo y verificar que se cumplen los supuestos exigidos. siempre que se den los supuestos que exige el modelo . En el caso concreto de los modelos discretos de probabilidad. Página 3 .MODELOS DISCRETOS 26 de abril de 2012 INTRODUCCIÓN Un modelo es una abstracción de la realidad.

n = 2. En la figura 1. la función h(n) es discreta en el intervalo de tiempo (n1. h(n) = 4 . h(n) = 3 Cuando n toma un valor interno entre 1 y 2. Página 4 .MODELOS DISCRETOS 26 de abril de 2012 MODELO DISCRETO - MODELO DISCRETO EN EL TIEMPO: Es aquel que incluye sólo variables y funciones discretas en el tiempo.5. Por ejemplo: Cuando: n = 1. la función h(n) no existe. digamos n = 1. n2) por cuanto puede tomar valores solamente para determinados puntos del intervalo.

cuyo rango de magnitud varia en forma discreta.MODELOS DISCRETOS 26 de abril de 2012 - MODELO DISCRETO EN MAGNITUD: Es aquel que tiene solo variables. En particular. y discreta en magnitud. Página 5 . digamos 11.15. la función h(n) puede tomar un valor igual a 10. 15. en el instante no. en el instante t0. En particular. En la figura (2) (a). cuando t =t0 .y2 ). 12. la función f(t) puede tomar un valor igual a un elemento del conjunto (10.25 ) pero no puede tomar otros valores.5. Se trata de una función continua en el tiempo y discreta en magnitud ( en este caso el dominio es el tiempo). 20. 25. la función f(t) puede tomar solamente ciertos valores en el intervalo (y1 . etc Mediante un argumento similar se observa que la figura (2)(b) corresponde a una función discreta en el dominio ( en este caso el tiempo). es decir solo ciertos valores del intervalo (y1. y2).

ya no es un experimento de Bernoulli.. al que se llama fracaso. 1. que se llama éxito. La probabilidad tanto del éxito como del fracaso es constante en cada repetición del experimento. denominados éxito y fracaso.  El resultado obtenido en cada prueba es independiente de los resultados obtenidos en las pruebas anteriores.  La probabilidad del suceso A es constante.MODELOS DISCRETOS 26 de abril de 2012 MODELOS DISCRETOS 1. porque la probabilidad de sacar negra no es la misma en cada extracción. y su contrario Ac. Nótese que si la extracción es sin devolución. El resultado obtenido en cada repetición es independiente de las restantes.CARACTERÍSTICAS:  En cada prueba del experimento sólo son posibles dos resultados. por tanto.1. el suceso A. o las sucesivas extracciones con devolución de una ficha de una caja que contiene blancas y negras. Se representa por p la probabilidad de A. Página 6 . y donde el éxito es sacar negra. sólo hay dos resultados posibles excluyentes entre sí. y por q = 1 – p la probabilidad de Ac . Algunos ejemplos de experimentos de Bernoulli son los sucesivos lanzamientos de un dado en donde el éxito es sacar un 6.MODELO BINOMIAL Se define como “Experimento de Bernoulli” a todo aquel que cumpla con los siguientes tres requisitos: Cada vez que se repita el experimento. y además no existe independencia entre las sucesivas extracciones. no varía de una prueba a otra.

b) por lo menos 5 preguntas correctas Solución: El éxito es responder correctamente una pregunta.MODELOS DISCRETOS 26 de abril de 2012 Esta fórmula viene del siguiente razonamiento: Para obtener x éxitos es necesario que los (n-x) intentos restantes sean fracasos. Ejemplo: Un examen de selección múltiple consta de diez preguntas con cuatro opciones de respuesta cada una. hay que multiplicar hay que multiplicar la probabilidad de x éxitos que es p fracasos que x por la de (n-x) es. Calcule la probabilidad de responder: a) 3 preguntas correctas. y de allí el combinatorio. siendo una sola la correcta. Un estudiante responde cada pregunta seleccionando al azar y de manera independiente una delas cuatro opciones. Como se ha supuesto independencia entre las repeticiones. y además hay que considerar que esos x éxitos pueden estar colocados en cualquiera de los n puestos. mientras que la variable aleatoria “X” es el número de preguntas correctamente contestadas. Página 7 .

que son los restantes 3. y p=1/4.  La probabilidad de éxito no es constante. y por lo tanto ya no se cumple el supuesto de independencia entre las diferentes repeticiones. 1/4).0. con n=10.La probabilidad de acertar 3 preguntas correctas equivale calcular f(3) es decir La probabilidad de acertar 5 por lo menos es P(X ≥ 5) = 1. lo que se abrevia escribiendo Xb (10.9219=0. que divide a esa población en dos grupos.F (4) = 1. La situación descrita en este modelo es la siguiente: supóngase que tiene una población representada por una caja.0781 3.MODELOS DISCRETOS 26 de abril de 2012 Esta variable “X” cumple con los supuestos del modelo binomial. los que lo poseen que son en total “A”. ni tampoco el de probabilidad constante en cada repetición.MODELO HIPERGEOMÉTRICO Este modelo ya no considera experimentos de Bernoulli. y los que no lo poseen. en donde existen “N” elementos.1 CARACTERÍSTICAS  El tamaño de la muestra (n) debe ser superior en un 5 % con respecto al tamaño de la población (N)  La población es finita.. Página 8 . debido a que se aplica en situaciones donde la selección de los elementos se hace sin reemplazo. y que además existe un cierto atributo. cambia para cada observación.

b) alguna defectuosa. calcule la probabilidad de encontrar: a) 3 defectuosas. Ejemplo: En una caja hay 6 piezas defectuosas y 14 buenas. Si se toma una muestra al azar de 4 piezas sin reemplazo.MODELOS DISCRETOS 26 de abril de 2012 (N-A) elementos. Página 9 .

y que era muy poco probable encontrar observaciones alejadas de ese promedio. El atributo es ser defectuosa porque las preguntas se refieren a la variable “X” = número de defectuosas en la muestra.MODELOS DISCRETOS 26 de abril de 2012 Solución: Este es un modelo hipergeométrico donde N = 6+14 = 20 piezas en total. MODELO DE POISSON: El físico y matemático francés Simeón Denis Poisson(1781-1840) observó que el número de veces en una unidad de tiempo que ocurría un cierto evento (en su caso. tanto por la izquierda como por la derecha. se concentraba siempre alrededor de un promedio. n= 4. Por tanto: 4. encontrando un comportamiento tal como el que se ilustra en la figura: Página 10 . la emisión de partículas radioactivas). A = 6.

05 %. Página 11 .1 CARACTERÍSTICAS  El número de observaciones por lo general debe ser mayor o igual que 30 (n ≥ 30).MODELOS DISCRETOS 26 de abril de 2012 4.  Se le conoce como los sucesos raros porque suceden de vez en cuando.  La probabilidad de éxito debe ser sumamente pequeño por lo general p ≤ 0.

5 llamadas por minuto. ¿Cuál es la probabilidad de que en un lapso de 5 minutos se reciban: a) exactamente 2 llamadas? b) A lo sumo 3 llamadas? c) Alguna llamada? Página 12 .MODELOS DISCRETOS 26 de abril de 2012 Ejemplo: El número de llamadas que recibe una central telefónica sigue un modelo de Poisson con un promedio de 0.

Sign up to vote on this title
UsefulNot useful