Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESTADSTICA 1
Tema: Distribuciones de
probabilidad discreta
Propsi
Que el estudianteto:
aprenda a:
Identificar, calcular e interpretar
probabilidades con las distribuciones
binomial,
geomtrica,
hipergeomtrica y poisson.
Modelar variables desde el punto de
vista probabilstico.
DISTRIBUCIONES DE PROBABILIDAD DE
VARIABLE ALEATORIA DISCRETA
El comportamiento de una variable aleatoria queda descrito por su
distribucin de probabilidad.
En muchas aplicaciones estadsticas se busca determinar una
distribucin de probabilidad o "modelo de probabilidad" que satisfaga
un conjunto de condiciones para estudiar los resultados observados
en un experimento aleatorio. Dichos modelos cuya aplicacin
estadstica resulta importante, para el caso de una variable aleatoria
discreta, son:
Bernoull
Binomial
Geomtrica
Hipergeomtrica
Poisson
Estas distribuciones tienen aplicacin en ingeniera, administracin,
medicina, psicolga, etc.
1. DISTRIBUCIN DE BERNOULL
Se denomina prueba o ensayo de Bernoull a todo experimento aleatorio
que consiste de slo dos resultados posibles, mutuamente excluyentes,
generalmente llamados "xito" (E) y "fracaso" (F). La variable aleatoria X
atribuye a E el valor 1 (x=1) y a F el valor 0 (x=0).
Son ensayos de Bernoull:
. Lanzar una moneda una sola vez para observar si resulta cara o sello.
. Elegir al azar un objeto fabricado para verificar si resulta defectuoso o
no.
. Recibir opinin de personas a favor o en contra de algo.
. Lanzar una sola vez un dado para ver la puntuacin obtenida no es un
ensayo de Bernoull, puesto que este experimento tienen 6 posibles
resultados y no 2. Sin embargo, este experimento puede considerarse
como un ensayo de Bernoull si estuvisemos interesados, por ejemplo,
que resulte el 1 o no resulte el 1.
. Observar el nacimiento de un nio para determinar si es varn o no.
El espacio muestral asociado al experimento de Bernoull se puede escribir
como:
= {E, F} = {1; 0}
Si al xito se le asigna la probabilidad "p" (p = P(X = 1)), entonces el
Luego:
P(X = x)
P x p q
x 1 x
E p
2 p.q
Ejemplo 1:
Calcule la probabilidad de que al lanzar una moneda una sola vez se
obtenga cara. Considerar que la probabilidad de obtener cara o sello es
igual.
Solucin:
Se trata de un experimento con slo 2 resultados posibles. El xito se
considerar el obtener "cara" siendo p = 0,5 y q = 0,5. La variable
aleatoria X tomar el valor 1 (x =
x 11)
x para el xito y 0 (x = 0) para el
P x p q
fracaso. Por lo tanto:
P x 1 0,5
P x 1 0,5
0,5 11
Ejemplo 2:
Calcule la probabilidad de que al lanzar un dado se obtenga como resultado
6. Considrese que la probabilidad de obtener cualquier puntaje es igual en
cada caso.
Solucin:
Se trata de un experimento con slo 2 resultados posibles. El xito se
considerar el obtener "6" siendo p = 1/6 y q = 5/6. La variable aleatoria X
tomar el valor 1 (x = 1) para el xito y 0 (x = 0) para el fracaso. Por lo
tanto:
P x pxq1 x
1
1 5
P 1
6 6
1
P 1
6
P 1 0,167
11
Ejemplo 3:
Calcule la probabilidad de que al lanzar un dado no se obtenga como
resultado 6. Considrese que la probabilidad de obtener cualquier puntaje
es igual en cada caso.
Solucin:
Se trata de un experimento con slo 2 resultados posibles. El xito se
considerar el no obtener "6" siendo p = 5/6 y q = 1/6. La variable
aleatoria X tomar el valor 1 (x = 1) para el xito y 0 (x = 0) para el
fracaso. Por lo tanto:
P x pxq1x
1
5 1
P 1
6 6
5
P 1
6
P 1 0,833
11
2. DISTRIBUCIN BINOMIAL:
Se denomina ENSAYO O PROCEDIMIENTO BINOMIAL a un nmero fijo "n" de
repeticiones o pruebas sucesivas de un experimento aleatorio de Bernoull y
se caracteriza por:
. El procedimiento tiene un nmero fijo de ensayos.
. Los ensayos son independientes. Es decir, el resultado de cualquier
ensayo individual no afecta las probabilidades de los otros ensayos.
. Todos los resultados de cada ensayo deben estar clasificados en 2
categoras: xito (E) y Fracaso (F).
. Las probabilidades tienen que mantenerse constantes para cada ensayo.
La variable aleatoria binomial se define como el nmero de xitos que
ocurren en las "n" pruebas de Bernoull. Por lo tanto los posibles valores
para X son : 1; 2; 3; ; n.
Son ensayos binomiales:
. Lanzar una moneda dos o ms veces para observar el nmero de caras o
sellos que resulten.
. Elegir al azar dos o ms objetos fabricados para verificar cuntos
resultan defectuosos o no.
. Lanzar un dado 10 veces y contar cuntas veces aparece el 3.
. Responder correctamente 3 preguntas de un grupo de 20.
P x n Cx p q
x n x
n.p
b)
2 n.p.q
Ejemplo 1:
Calcule la probabilidad de tener exactamente tres respuestas correctas,
cuando se adivina al azar en cuatro preguntas de opcin mltiple, cada una
con cinco alternativas posibles (a, b, c, d, e), pero slo una de ellas
correcta.
4
Solucin:
Nmero de ensayos (n) = 3
1/5
Nmero xitos en "n" ensayos
=
Probabilidad de xito (p)4/5
=
Probabilidad de fracaso (q) =
P x n Cx.pxqn x
3
1 4
P 3 4 C3.
5 5
P 3 0,0256
Ejemplo 2:
Cul es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces?
Solucin:
Nmero de ensayos (n) =10
Nmero xitos en "n" ensayos (x) = 6
Probabilidad de xito (p) = 1/2
Probabilidad de fracaso (q) = 1/2
P x n Cx.pxqn x
P 6 10 C6.
P 6 0,205
1 1
2 2
n = 4, x = 3,
p = 1/5 = 0,2
Tercero
Primer
o
Segund
o
Probabilidad
pedida
n = 4, x = 3, p = 1/5 = 0,2
Tercero
Primer
o
Segund
o
Probabilidad pedida = 0,026 +
0,002 = 0,028
3. DISTRIBUCIN GEOMTRICA:
Se denomina ENSAYO O PROCEDIMIENTO GEOMTRICO a las repeticiones
sucesivas independientes de un experimento de Bernoull hasta que ocurra
el primer xito, y se caracteriza por:
. El procedimiento no tiene un nmero fijo de ensayos.
. Los ensayos son independientes. Es decir, el resultado de cualquier
ensayo individual no afecta las probabilidades de los otros ensayos.
. Todos los resultados de cada ensayo deben estar clasificados en 2
categoras: xito (E) y Fracaso (F).
. Las probabilidades tienen que mantenerse constantes para cada ensayo.
. Si se trata de un proceso de "extraccin" ste se llevar a cabo con
devolucin del individuo extrado
. Su espacio muestral es S={E, FE, FFE, FFFE, FFFFE, }
La variable aleatoria geomtrica se define como el nmero de repeticiones
independientes de un ensayo de Bernoull hasta que ocurra el primer xito.
Son ensayos geomtricos:
. Lanzar una moneda tantas veces sea necesario hasta que aparezca la
primera cara.
. Lanzar un dado hasta que aparezca el 6.
. Extraer un alumno de un saln de clase hasta que aparezca el primer
varn.
P x qx1p
Donde: p = Probabilidad de xito
(1 p) = q = Probabilidad de fracaso
x = Nmero de experimentos hasta que aparece el primer xito.
Si X tiene distribucin geomtrica se cumple que:
1
p
a)
b)
q
2
p
2
Ejemplo 1:
Del saln de clase de Estadstica, el 60% de los alumnos son varones.
Calcular la probabilidad de extraer al primer varn a la cuarta ocasin que
extraemos un alumno.
Solucin:
Se define xito = Varn
Nmero de ensayos a efectuar (x) = 4
Probabilidad de xito (p) = 0,6
Probabilidad de fracaso (q) = 0,4
P x qx1p
P 4 0,4
41
P 4 0,0384
0,6
Ejemplo 2:
Calcular la probabilidad de que salga el nmero 5 a la tercera vez que
lanzamos un dado.
Solucin:
Se define xito: Sale nmero 5
Nmero de ensayos a efectuar (x) = 3
Probabilidad de xito (p) = 1/6
Probabilidad de fracaso (q) = 5/6
P x qx1p
31
5 1
P 3
6 6
P 4 0,1157
4. DISTRIBUCIN HIPERGEOMTRICA:
Recuerde que uno de los criterios para la distribucin binomial es que la
probabilidad de xito permanezca igual de un ensayo al siguiente. Como la
probabilidad no permanece igual de un ensayo al siguiente en los casos en
que la muestra procede de una poblacin relativamente pequea y sin
reemplazo, la distribucin binomial no se utiliza. En vez de eso se aplica la
distribucin hipergeomtrica. Por lo tanto :
a) Si se selecciona una muestra de una poblacin finita sin reemplazo, y
b) Si el tamao de la muestra "n" es ms de 5 por ciento de la poblacin
"N"
entonces se utiliza la distribucin hipergeomtrica para determinar la
probabilidad de un nmero especfico de xitos o fracasos.
Un ENSAYO O PROCEDIMIENTO HIPERGEOMTRICO consiste en escoger al
azar "n" elementos uno a uno, sucesivamente y sin repeticin, de un
conjunto de "N" elementos, "r" de los cuales son clasificados como xito y
los N-r restantes como fracaso, en funcin a una caracterstica que poseen.
La variable aleatoria X se define como el nmero de xitos en "n"
elementos escogidos al azar uno por uno y sin reposicin de un conjunto de
"n" elementos, "r" son clasificados como xito y los "N-r" restantes como
fracaso.
P x
r Cx Nr
Cn x
N Cn
b)
E x np ; p ; q 1 p
N
N n
2
npq
N 1
; (x 0;1;2;...;n)
Ejemplo 1:
Una caja contiene 12 tornillos de los cuales 9 estn en buen estado. Si se
escogen al azar y sin sustitucin 5 tonillos. Cul es la probabilidad de
que 3 tornillos sean buenos?.
Solucin:
Se considera xito que el tornillo est en buen estado.
Tamao de la poblacin: N = 12
Nmero de ensayos (tamao de muestra): n = 5
Nmero de xitos en la poblacin: r = 9
Nmero de xitos en la muestra: x = 3
P 3
P 3
9 C3 12 9 C5 3
12 C5
9 C3 3 C2
12 C5
P 3 0,318
Ejemplo 2:
Una persona recibe un conjunto de 25 lmparas, donde 5 de ellas son
defectuosas. Extrae del conjunto 4 lmparas sin reemplazo. Cul es la
probabilidad de que obtenga: a) 3 lmparas defectuosas y una buena?:
a) 3 lmparas defectuosas y 1 buena
b) Las 4 defectuosas
Solucin:
Se considera xito que la lmpara sea defectuosa.
Tamao de la poblacin: N = 25
Nmero de ensayos (tamao de muestra): n = 4
Nmero de xitos en la poblacin: r = 5
Nmero de xitos en la muestra: x = 3
x=4
P 3
P 3
5C3 25 5 C4 3
25C4
5C3 20 C1
25C4
P 3 0,01581
b) Las 4 defectuosas
P 4
P 4
5C4 25 5 C4 4
25C4
5C4 20 C0
25C4
P 4 0,0003952
5. DISTRIBUCIN DE POISSON:
Distribucin de probabilidad discreta que se aplica a las ocurrencias de
algn suceso durante un intervalo especfico. La variable aleatoria "x" es el
nmero de ocurrencias de un suceso en un intervalo. El intervalo puede ser
tiempo, distancia, rea, volumen o alguna unidad similar. La probabilidad de
que el suceso ocurra "x" veces, durante un intervalo est dada por:
X.e
P x
x!
; e 2,71828
Sus parmetros son:
. La media es
. La desviacin estndar es :
Ejemplo 1:
Por experiencia el gerente de un banco sabe que la media de clientes que
llegan al banco por minuto durante la hora que va del medioda a la 1
p.m. es igual a 3. Cul es la probabilidad de que lleguen exactamente 2
clientes durante un minuto?
Solucin:
Se sabe: = 3
x=2
32.e3
P 2
2!
P 2 0,2240
Ejemplo 2:
La oficina de estadstica de un hospital ha estado estudiando el nmero
de muertes debido a una cierta enfermedad y ha llegado a la conclusin
de que stas estn distribuidas de acuerdo con la ley de Poisson. Los
registros del hospital revelan que durante este perodo, el nmero de
muertes ha sido en promedio de 4 por da. Si dicha oficina est en lo
cierto, calcule la probabilidad de que en un da mueran exactamente 3
pacientes con esa enfermedad?
Solucin:
Se sabe: = 4
x=3
3 4
4 .e
P 3
3!
P 3 0,1954
Ejemplo 3:
La empresa "Textil P&C" produce un tipo de tela en rollos de 100 metros.
El nmero de defectos que se puede encontrar al desenrrollar la tela es
una variable aleatoria de Poisson, con un promedio de 4 defectos por
cada 20 metros de tela. Qu probabilidad hay de que al desenrrollar un
rollo de tela cualquiera se encuentre menos de tres defectos en los
primeros 50 metros?
Solucin:
Se sabe: = 4 defectos por cada 20 metros.
Convirtiendo a un intervalo de 50 metros:
Metros de tela
4
n
Nro. Defectos
20
50
De donde n =
10
10
1 10
10 .e
10 .e
P 0;1;2
0!
1!
P 0;1;2 0,00277
10
10 .e
2!
1) Qu
aprend?
Distribuciones de
probabilidad de variable
aleatoria discreta
2) Cmo
aprend?
Identificando
caractersticas
Analizando
Calculando
Transformando valores
Interpretando
3) Para qu
aprend?
Para calcular
probabilidades haciendo
uso de modelos
probabilsticos.
Para modelar variables
haciendo uso de las
distribuciones
estudiadas.
4) Qu me
falta aprender?
Cmo se calculan
probabilidades haciendo
uso de modelos
probabilsticos de
variable aleatoria
continua?