Escolar Documentos
Profissional Documentos
Cultura Documentos
DISTRIBUCIONES
PROBABILÍSTICAS
DISCRETAS
BINOMIAL
Probabilidad del suceso
La distribución Binomial
generalmente se representa
por
B(n,p)
siendo n y p los parámetros
de dicha distribución.
n: numero de ensayos
p: probabilidad de éxito
Como el cálculo de
estas probabilidades
puede resultar algo
tedioso se han
construido tablas para
algunos valores
de n y p que nos
facilitan el trabajo.
donde:
p= 0.4
q= 0.6
n= 5
PROBABILIDAD ING. WILLIAM LEON V.
15
BINOMIAL
La distribución binomial expresada
en forma gráfica
Se realiza el cálculo de cada valor de R:
Para R= 0 :
P(0) = 5!/ 0!(5-0)! (0.4 )0 (0.6)5
P(0) = 0.07776
Para R= 1 :
P(1) = 5!/ 1!(5-1)! (0.4 )1 (0.6)4
P(1) = 0.2592
PROBABILIDAD ING. WILLIAM LEON V.
16
BINOMIAL
La distribución binomial expresada
en forma gráfica
Para R=2:
P(2) = 5!/ 2!(5-2)! (0.4 )2 (0.6)3
P(2) = 0.3456
Para R= 3:
P(3) = 5!/ 3!(5-3)! (0.4 )3 (0.6)2
P(3) = 0.2304
Para R= 5:
P(5) = 5!/ 5!(5-5)! (0.4 )5 (0.6)0
P(5) = 0.01024
V[x] = √ npq
donde :
n= número de ensayos.
p= probabilidad de éxito.
q= probabilidad de fracaso.
E[x] = np
= 10*0.2
= 2 Media
V[x] = √ npq
= √ (10) (0.2) (0.8)
= √ 1.6
= 1.265 Desviación estándar.
n = 20 P ( A ) = 0,90
P ( x ≤ 17 ) = 1 − P ( x ≥ 18 )
[
= 1 − P ( x = 18 ) + P ( x = 19 ) + P ( x = 20 ) ]
= 1 − [ b (18 ; 20 ; 0,90 ) + b (19 ; 20 ; 0,90 ) + b ( 20 ; 20 ; 0,90 ) ]
= 1 − [ b ( 2 ; 20 ; 0,10 ) + b (1 ; 20 ; 0,10 ) + b ( 0 ; 20 ; 0,10 ) ]
= 1 − [ 0,285 + 0,270 + 0,122 ]
= 0,323
La distribución
multinomial es similar a
la distribución binomial,
con la diferencia de que
en lugar de dos posibles
resultados en cada
ensayo, puede haber
múltiples resultados:
Ejemplo de distribución
binomial:
En unas elecciones
estudiantiles se presentaron
2 listas: La 01 obtuvo un 60%
de los votos y la 02 el 40%
restante. ¿Cuál es la
probabilidad de que al elegir 5
estudiantes al azar, 4 de ellos
hallan votado la 02?
Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces (en el
ejemplo, que la lista 01lo hayan votado 3 estudiantes)
n: indica el número de veces que se ha repetido el suceso (en el
ejemplo, 5 veces)
n!: es factorial de n (en el ejemplo: 5 * 4 * 3 * 2 * 1)
p1: es la probabilidad del suceso X1 (en el ejemplo, el 40%)
DISTRIBUCION ING. WILLIAM LEON V.
59
DISCRETA
Distribuciones Multinomial
En el ejemplo:
Luego:
P = 0,0256
Es decir, que la probabilidad de que los 5
estudiantes elegidas hayan votado de esta manera
es tan sólo del 2,56%
Luego
P = 0,0384
63
Distribuciones Multinomial
Aplicar el modelo:
5!
p (1,3,1) = 0.1 × 0.7 × 0.2 = 0.0112
1 1 3
1!.3!.1!
Luego
P = 0,0112
64
Distribuciones
Hipergeométrica
Explicación:
N: es el número total de bolas en la urna
N1: es el número total de bolas blancas
N2: es el número total de bolas negras
k: es el número de bolas blancas cuya
probabilidad se está calculando
n: es el número de ensayos que se realiza
Ejemplo 1:
En una urna hay 7 bolas
blancas y 5 negras.
Se sacan 4 bolas
¿Cuál es la probabilidad de
que 3 sean blancas?
Entonces:
N = 12; N1 = 7; N2 = 5;
k = 3; n = 4
Ejemplo 2:
En una fiesta hay 20
personas: 14 casadas y 6
solteras.
Se eligen 3 personas al
azar.
¿Cuál es la probabilidad de
que las 3 sean solteras?
DISTRIBUCION ING. WILLIAM LEON V.
73
DISCRETA
Distribuciones Hipergeométrica
La distribución multihipergeométrica
es similar a la distribución
hipergeométrica, con la diferencia de
que en la urna, en lugar de haber
únicamente bolas de dos colores, hay
bolas de diferentes colores.
Ejemplo:
Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces
(en el ejemplo, que una de las bolas sea blanca)
N1: indica el número de bolas blancas que hay en
la urna (en el ejemplo, 7 bolas)
N: es el número total de bolas en la urna (en el
ejemplo, 14 bolas)
n: es el número total de bolas que se extraen (en el
ejemplo, 3 bolas)
Luego:
P = 0,2307
Otro ejemplo:
Aplicamos el modelo:
Luego
P = 0,0777
Ejemplos:
La cantidad de llamadas telefónicas
en un periodo de una hora en cierta
oficina.
El número de accidentes de tránsito
durante un mes.
El número de errores tipográficos
por página en un libro.
El número de fallas de una
computadora durante una semana de
operación.
Función de Cuantía:
e− λ λ x
si x : 0 , 1 , 2 , .....
f (x ) = P(X = x ) = x!
0 en otro caso
Valor Esperado: E( x ) = λ
Varianza:
V(x ) = λ
DISTRIBUCION ING. WILLIAM LEON V.
89
DISCRETA
DISTRIBUCIÓN DE POISSON
Aplicaciones:
Lectura directa.
P(x ≤ x ) = F(x )
Ejemplo:
Si el número de defectos en
los rollos de tela de cierta
empresa textil es una
variable aleatoria de Poisson
con una media de 0,1
defectos por metro
cuadrado.
− 0,1 2
e . 0,1
P (x = 2) = = 0, 005
2!
λ=2 ⇒ P (x = 0) = 0,135