Escolar Documentos
Profissional Documentos
Cultura Documentos
10
Distribuciones discretas de
probabilidad
Qu es una distribucin de
Probabilidad?
Es el listado de todos los resultados de un
experimento y la probabilidad asociada con cada
resultado
Es una distribucin de frecuencias terica que describe
la forma en que se espera que varen los resultados.
Resultan tiles para realizar
decisiones bajo incertidumbre.
inferencias
tomar
Ejemplo:
Se seleccionan en forma consecutivas dos clientes del
Grifo ABC .
Determine la distribucin de probabilidad de los eventos
relativos a cero, uno y dos conductores varones ser:
Probabilidad
N de
Resultados Probabilidad
0.50
varones
0,25
MM
0
0.25
0,50
VM,MV
1
0,25
VV
2
2
N Varones
Variables Aleatorias
Cantidad que resulta de un experimento que, por azar,
puede adoptar diferentes valores.
Puede ser Discreta o Continua
Sea E un experimento aleatorio y un espacio muestral
asociado a este experimento. Una funcin X : R tal
que a cada elemento de le asocia un nmero real, se
llama variable aleatoria.
Una variable aleatoria es esencialmente un nmero
aleatorio. En cualquier caso, el azar proviene de una
experiencia concreta que es la que dicta la frecuencia de
los diversos valores que nos interesan. Una variable
aleatoria siempre se concentra en el comportamiento
general de toda la poblacin.
Ing. Enrique Montenegro
Marcelo
CIP 69272
Una variable aleatoria es una aplicacin de Omega en la recta real, de manera que a
cada resultado se le aplica un valor numrico. Para que se considere una variable
aleatoria discreta, el conjunto de los valores numricos que son requeridos debe ser
un conjunto discreto. Adems, para cualquier x, el conjunto de resultados que se
asocian a este valor x debe ser un acontecimiento con una probabilidad definida.
DX =
RX R
p( x2 )
f ( x ) = P ( X = xi ) =
.........
p ( x k )
p( xi ) > 0
Propiedades:
si X = x 2
..............
si X = x k
p ( xi ) = 1
Distribucin de probabilidad:
Muestra los valores que puede tomar la variable aleatoria X y las probabilidades
asociadas con tales valores. Se representa mediante una tabla o un grfico.
xi
x1
x2
.........
xk
p ( xi ) = P ( X = xi )
p ( x1 )
p ( x2 )
..........
p ( xk )
Ejemplo:
Se lanzan 3 monedas
p(x)
0.125
0.375
0.375
0.125
Funcin de Probabilidad
p(x)
0.400
0.350
0.300
0.250
0.200
0.150
0.100
0.050
0.000
0
0.5
1.5
2.5
3.5
0 F(x ) 1
F ( x ) es una funcin creciente.
F(-)=0 ,
F(+)=1
p ( x1 )
p (x1 ) + p ( x 2 )
F (x) =
p (x1 ) + p ( x 2 ) + p (x 3 )
......................................
x < x1
x1 x < x 2
x2 x < x3
x3 x < x4
...................
x xk
xi
x1
x2
.........
xk
F ( xi ) = P ( X xi )
F ( x1 )
F ( x2 )
..........
F ( xk ) = 1
Ejemplo:
Se lanzan 3 monedas
p(x)
0.125
0.375
0.375
0.125
F(x)
0.125
0.500
0.875
1.000
F(x)
X<0
0 X<1
1 X<2
2 X<3
3 X
F(x)
Funcin de Probabilidad
p(x)
0
1/8
4/8
7/8
1
0.400
1.200
0.350
1.000
0.300
0.800
0.250
0.200
0.600
0.150
0.400
0.100
0.200
0.050
0.000
0.000
0.5
1.5
2.5
3.5
-2
-1
E (x) =
xi p( xi )
i =1
V ( x ) = E ( x 2 ) [ E ( x ) ]2 =
x2
p
(
x
)
x
p
(
x
)
i
i
i
i
i =1
i =1
= V (x)
Ing. Enrique Montenegro
Marcelo
CIP 69272
Ejemplo:
p(x)
0.10
0.20
0.30
0.30
0.10
Solucin:
X : variable aleatoria (nmero de autos que se venden un sbado
x : valores que puede tomar la variable (x: 0, 1, 2, 3,4)
E ( x) =
x
i =1
p(x)
0.10
0.20
0.30
0.30
0.10
1.00
x*p(x)
0.00
0.20
0.60
0.90
0.40
2.10
x2*p(x)
0.00
0.20
1.20
2.70
1.60
5.70
p ( xi ) = 2,10
Total
= 1,29 = 1,14
Principales variables
Aleatorias discretas
z
z
z
Distribucin Binomial
Distribucin de Poisson
Distribucin Hipergeomtrica
Distribucin Binomial
Es una de las distribuciones mas utilizadas en la
estadstica aplicada. La distribucin se deriva de
un procedimiento llamado ensayo de Bernoulli,
nombrado as en honor del matemtico Suizo
James Bernoulli (1654 - 1785).
n
x
x n-x
P(X = x) = C p q
donde:
n : nmero de ensayos
x : nmero de xitos
p : probabilidad de xitos en un ensayo
q : probabilidad de fracaso en un ensayo
n - x : nmero de fracaso en el ensayo
E[ X ] = = np
V ( x) = np (1 p )
n x
n!
n x
x
n x
p (1 p )
B( n, p) = p ( x) = p (1 p ) =
x!(n x)!
x
Distribucin binomial para n = 5 y
distintos valores de p, B(5, p)
Ing. Enrique16
Montenegro
Marcelo
CIP 69272
Uso de Tablas
Solucionando el problema anterior usando la
tabla de probabilidades binomiales
tabla de probabilidades binomiales
p
n
0.37
0.38
0.39
0.40
0.41
0.42
0.43
0.44
0.45
0.46
0.47
0
1
2
3
4
5
0.48
0.49
0.50
0.0380
0.1755
0.3240
0.2990
0.1380
0.0255
0.63
0.62
0.61
0.60
0.59
0.58
0.57
0.56
0.55
0.54
0.53
0.52
r n
5
4
3
2
1
0 5
0.51
0.50
r n
Ejemplo
Una muestra de 4 bombillas de luz, se selecciona
al azar de un gran lote. Suponiendo que 20% de
las bombillas de lote no cumplen con las
especificaciones tcnicas, cul es la probabilidad
de que la muestra contenga exactamente 2
bombillas defectuosas?
Datos:
n=4
x=2
p = 0,20
1-p = 0,80
P(X = x ) = C xn p x (1 p ) n - x
4!
2
2
(0.2 ) (0.80 )
P(X = 2) =
2! (4 - 2)!
= 0,1536
La distribucin hipergeomtrica
Se utiliza para describir variables discretas
a)Caractersticas
La informacin de la muestra se obtiene
sin reposicin de una poblacin finita, por
lo tanto la probabilidad de xito vara.
b) Formula
donde:
M N M
k n k
P(X = k ) =
N
n
np (1 p )
N n
N 1
N n
N 1
Donde
es un factor de correccin de
poblacin finita que se produce debido al proceso
de muestreo sin reposicin de poblaciones finitas.
Ing. Enrique Montenegro
Marcelo
CIP 69272
Ejemplo
Calcular la probabilidad de obtener 10
transistores defectuosos en una muestra de 20
transistores de radio tomados sin reemplazo de
un lote de 30 transistores, de lo cuales 15 son
defectuosos.
15 30 15
Datos:
10 20 10
P(X = 1 0) =
k = 10
30
n = 20
20
N= 30
( 3003 )( 3003 )
9018009
=
=
M= 15
30045015
= 0 ,3001
30045015
( )( )
10
10
20!
1
1
P(X = x ) =
2
10! (20 - 10)! 2
184756
=
= 0 ,1762
1048576
Distribucin de Poisson
Es una distribucin muy usada. Se deriva del
proceso de Poisson en honor al matemtico francs
Simeon Denis Poisson (1781-1840).
Debe cumplir las siguientes condiciones:
La ocurrencia de los eventos son independientes.
El nmero promedio de veces () que ocurre un
xito por cada unidad de tiempo o de espacio es
constante.
La probabilidad de un suceso es una unidad de
tiempo o de espacio muy pequea.
Ing. Enrique Montenegro
Marcelo
CIP 69272
P(X = x ) =
donde
e
x!
e
x!
Caractersticas de la distribucin de
Poisson
Media
= E (X ) =
Desviacin estndar
=
.6
.4
.2
0
X
0
.6
.4
.2
0
= 0.5
P(X)
=6
P(X)
X
0
10
Ing. Enrique27
Montenegro
Marcelo
CIP 69272
Ejemplo:
Supongamos que estamos investigando la seguridad
de una peligrosa interseccin de calles, los registros
policacos indican una media de 5 accidentes
mensuales en esta interseccin. El nmero de
accidentes esta distribuido de acuerdo con una
distribucin de Poisson y el departamento de
seguridad vial desea que calculemos la probabilidad
de que en cualquier mes ocurra exactamente 3
accidentes.
X = 3 accidentes /mes
= 5 accidentes/mes
53 2.71835
P(x=3) =
= 0.14042 14.04%
3!
Ing. Enrique Montenegro
Marcelo
CIP 69272
Uso de Tablas
Solucionando el problema anterior usando la tabla
de distribucin de probabilidades de Poisson:
4.1
.........
4.5
..........
4.9
0.0067
0.0337
0.0842
0.1404
0.1755
0.1755
La probabilidad de
tener exactamente 3
accidentes en un
mes cualquiera es
0.1404
Aplicacin
La probabilidad de nmero equivocado a pesar de
haber marcado correctamente es 0,03. Si se toma
una muestra de 100 llamadas, cul es la
probabilidad de tener 2 nmero equivocado?
Solucin:
p = 0.03
n = 100
=3
32 (2.71828)3
P(X = 2) =
2!
= 0,2240
La aproximacin de Poisson a la
distribucin Binomial
Consideremos una distribucin binomial con p=0.02 y n =
100. Supongamos que nos interesa calcular la probabilidad
de que X = 3 utilizando la formula binomial, podemos
encontrar la probabilidad exacta de la forma siguiente:
100!
(0,02 ) 3 ( 0,98 ) 97
P(X = 3) =
3! 97!
= 0,1823
Ing. Enrique Montenegro
Marcelo
CIP 69272
e
x
P(X = 3) =
x!
= np = 100 (0,02) = 2
( 2 ) 3 ( 2 , 71828 ) 2
8
=
=
= 0 ,1805
2
3!
6 ( 2 , 71828 )
La respuesta es muy prxima a la encontrada con la
distribucin binomial. La aproximacin se considera
vlida cuando
p 0,05 y n 20
Ing. Enrique Montenegro
Marcelo
CIP 69272