Beruflich Dokumente
Kultur Dokumente
5 DISTRUBUCIONES DISCRETAS
Distribucin de Bernoulli
Jacob Bernoulli (1654-1705), matemtico suizo, realizo el Ars Conjectandi o
Arte de la conjetura, trabajo sobre probabilidad. Tambin, se le debe la
distribucin de Bernoulli.
La siguiente definicin se puede aplicar a cualquier experimento donde hay dos
resultados posibles, por ejemplo: guila o sol, defectuoso o no defectuoso, que
aun dado caiga par o impar, perder o ganar, xito o fracaso.
Se dice que una variable aleatoria X tiene o sigue una distribucin de Bernoulli
de parmetro , donde 0 < < 1, si X puede tomar solo los valores de 1 y 0,
xito o fracaso, con probabilidades y 1 , es decir:
(X = 1) =
(X = 0) = 1 = q
q1-x
si x
= 0, 1
0
f(x) =
En otro caso.
Var(X) = (1 ) = q
Ejemplo 3.15
Se lanza una moneda una sola vez. Determinemos la funcin de densidad de
probabilidad del nmero de soles obtenidos.
Solucin:
El evento es una distribucin de Bernoulli, el xito es sol y el fracaso es guila
(o el sol es el fracaso y el xito es guila), la probabilidad de xito es igual
que la probabilidad de fracaso.
La variable aleatoria medir el nmero de soles que caen, este ser nuestro
xitos (1) y el fracasos guila (0).
(x = 1) =
P(x = 0) =
0, 1
si x =
1
x
Usemos la frmula de Bernoulli: f(x) = (1 ) 1-x
f(x)
En otro caso
11
2
1
2
f(1) =
11
2
( )
f(0) =
10
2
( )
1
2
1
2
Ejemplo 3.16
Determinemos la funcin de probabilidad cuando se lanza un dado y el xito
es obtener un nmero primo.
Solucin:
El espacio muestral que se tiene al lanzar un dado es
espacio muestral los casos favorables son
La probabilidad de xito, 1, es
1
2 .
La probabilidad de fracaso 0 es
1
2 .
{ 2,3, 5 } .
F(x) =
Utilicemos la frmula de Bernoulli: f(x) = x (1 )1 - x
si x = 0, 1
En otro caso
11
2
11
2
( )
10
2
1
1
2
1
2
( )
1
2
Ejemplo 3.17
Una fbrica de televisores produce 3 defectuosos cada 100. Determinemos la
funcin de probabilidad para este evento, la esperanza, la varianza y la
desviacin estndar.
Solucin:
Al xito le asignamos el valor de 1 y lo definimos como un televisor defectuoso
y su probabilidad es
3
100 .
97
100 , a esto lo definimos como un televisor en buen estado.
3 1
100
3
100
(
0
3
100
97
100
3
100
97
100
( )
f(x) =
1
3
100
Si x = 1
97
100
Si x = 0
En otro caso.
3
100
97
( 1003 ) ( 100
)= ( 10291000 )
Ejemplo 3.18
Se tiene una distribucin binomial con parmetros n = 10 y = 0.2. Calcula la
probabilidad de X = x, si la variable aleatoria toma los valores 1, 2 y 3.
Solucin:
Recordemos que la funcin que determina la probabilidad (X = x) est
definida por:
x
B(n, ) = n C x () (1 )
nx
n!
( nx ) ! x !
= x (1 )n x
(x = 1) =
10
C1 (0.2)1 (1 0.2)10 1 =
10 !
( 101 ) ! 1 !
(x = 1) =
10
C2 (0.2)2 (1 0.2)10 2 =
10 !
( 102 ) ! 2!
(x = 1) =
10
C3 (0.2)3 (1 0.2)10 3 =
10!
( 103 ) ! 3 !
Ejemplo 3.19
Dada la funcin de probabilidad binomial con parmetros n = 10 y = 0.3.
Determinaremos la probabilidad (X < 3).
Solucin:
Para calcular esta probabilidad es lo mismo que si determinaremos el valor de
(X 2), ya que solo toma valores enteros de la funcin; el valor entero de X <
3 es 2, por ello calculamos las probabilidad es menores que X = 3 y la
sumamos.
(X 2) = (X = 1) + (X= 2)
=
10!
0
10
( 100 ) ! 0 ! (0.3) (1 0.3)
10 !
2
10 2
( 102 ) ! 2! (0.3) (1 0.3)
= 0.0282 + 0.1210 + 0.2334 = 0.3826
Grficamente lo representamos as:
10 !
1
10
( 101 ) ! 1 ! (0.3) (1 0.3)
Ejemplo 3.20
Dada la funcin de probabilidad binomial con parmetros n = 10 y p = 0.3.
Determinemos la probabilidad p(X > 8).
Solucin
Como en el problema anterior debemos calcular la probabilidad p(X 9)
P(X 9) = p(X = 9) + p(X = 10)
10 !
10!
9
10-9
= ( 109 ) ! 9 ! (0.3) (1 0.3) + ( 1010 ) ! 10! (0.3)10(1 0.3)10-10
=0.000137 + 5.905 x 10-5 = 0.0001429
Grficamente se obtiene que el clculo de la probabilidad que se pide son x =
9 y x = 10, valores muy pequeos.
Ejemplo 3.21
Dada la funcin de probabilidad binomial con parmetros n = 10 y p = 0.3,
determinemos la probabilidad p(2 < X <6)
Solucin
Para calcular esta probabilidad utilizaremos su equivalente dado que es una
distribucin discreta que toma solo valores enteros.
P (3 < X <5) = p(X = 3) + p(X = 4) + p(x = 5)
10!
= ( 103 ) ! 3 ! (0.3)
(0.7)7 +
10 !
4
6
( 104 ) ! 4 ! (0.3) (0.7) +
10!
( 105 ) ! 5! (0.3)
(0.7)
= 0.2668 + 0.20001 + 0.1029 = 0.5698
Grficamente se tiene que:
Ejemplo 3.22
Dada la funcin de densidad definida por B(10, 0.3), encontremos la esperanza,
varianza y desviacin estndar.
Solucin
Los valores de n= = 10, p =0.3 y q = 0.7 los utilizaremos para determinar lo
siguiente:
Esperanza: E (X) = n p = 10(0.3) = 3
Varianza: Var (X) = npq = 10 (0.3) (0.7) = 2.1
Desviacin estndar:
2.1
= 1.45
Distribucin de Poisson
Simeon Denis Poisson (1781 1840) fue un fsico matemtico de origen
francs que se dedic al estudio de la electricidad, la astronoma e incursiono
en la geometra diferencial y en el clculo de probabilidades. En esta ltima,
logro el modelo de la distribucin discreta que lleva su nombre, siendo este
considerado como el trabajo ms importante que realizo.
Una variable aleatoria se dice que tiene una distribucin Poisson de parmetro
lamda (P(X, )) si tiene una funcin de densidad dada por:
P(X , ) = P(X = x) =
e
x!
X= 0, 1, 2, .
Ejemplo 3.30
Se tiene una distribucin de Poisson con parmetro = 5. Calcula la
probabilidad de X = x, si la variable aleatoria toma los valores de 1, 2 y 3.
Solucin
e
x!
5 1 e5
1!
= 0.0337
P(X = 2) =
5 2 e5
2!
= 0.0842
P(X = 3) =
5 3 e5
3!
= 0.1404
Ejemplo 3.31
Realizaremos la grfica de la funcin de probabilidad de Poisson, si = 1 y los
valores de son x = 1, 2, 3,.. 10. Sabemos que la funcin de probabilidad es:
x x
x e
P(x, ) = P (X = x) =
x!
x = 0, 1, 2
1 e
P (X = 0) =
0!
,=
e
0
,=
e
1
,=
e
2
,=
e
6
1 1
1 e
P (X = 1) =
1!
2 1
1 e
P (X = 2) =
2!
= 0.3679
3 1
1 e
P (X = 3) =
3!
= 0.3679
= 0.1839
= 0.0613
e1
x!
P(X = 4) =
e
4!
= 0.0153
P(X = 5) =
e
5!
P(X = 7) =
e
7!
= 0.00007
P(X = 9) =
e1
9!
= 1 x 10-6
= 0.003
P(X = 10)
e
10 !
= 1 x 10-7
1
P(X = 6) =
e
6!
P(X = 8) =
e1
8!
= 0.0005
= 9 x 10-6
Para los valores de x = 5 en adelante, los valores que toma la funcin son muy
pequeos, de manera que en la grfica aparecen como si fuera cero, siendo
esta una caracterstica de la distribucin de Poisson.
Ejemplo 3.32
Dada la funcion de probabilidad de Poisson con parmetros = 2.
Determinemos la probabilidad P(x <3)
Solucin
Para calcular esta probabilidad es lo mismo si determinamos el valor de P(x
<2), ya que solo toma valores enteros la funcin, el valor entero de X < 3 es <
X < 2, por ello hallamos las probabilidad menores que X = 3 y las sumamos.
2
21 e2
i!
i0
0 2
2 e
0!
1 2
2 e
1!
2 2
2 e
2!
Ejemplo 3.33
Dada la probabilidad de Poisson con parmetros = 2. Determinemos la
probabilidad P(X > 3).
Solucin
Calcular esta probabilidad y el valor de p(X > 4) es lo mismo, ya que solo toma
valores enteros de la funcin, la cual podemos determinar utilizando el
complemento de la funcin.
P(x > 4) = 1 p(X < 3)
1 2
=1-
2 ie!
i0
=1-
0 2
1 2
2 2
3 2
2e
2 e
2 e
2e
+
+
+
0!
1!
2!
3!
Ejemplo 3.34
Dada la solucin de probabilidad de Poisson con parmetros = 2.
Determinemos la probabilidad p (2 < X <6).
Solucin:
Para calcular esta probabilidad, determinemos el valor de p (3 < X <5).
1 2
P (3 X 5) =
2 ie!
i0
3 2
5 2
4 2
2e
2 e
2 e
+
+
3!
4!
5!
Var(X) =
Var ( X )
Ejemplo 3.35
Dada la funcin de probabilidad de Poisson con = 2. Determinemos la
esperanza y la desviacin estndar.
Solucin
Como = 2, solo basta con sustituir en las frmulas que se tienen.
E(X) = = 2
Ejemplo 3.37
Var (X) = = 2
Var ( X )
Una cajera recibe en promedio 5 billetes falsos por da. Cul es la probabilidad
de que reciba cuatro billetes falsos en un da cualquiera? Qu reciba cuarenta
billetes falsos en la semana (6 das)?
Solucin:
Sea X igual que la variable aleatoria que nos define el nmero de billetes falsos
que recibe en un da, x = 0, 1, 2,
La unidad de tiempo es un da, por lo que = 5, ya que son los billetes falsos
que recibe en la unidad de tiempo.
4 5
P(X =4) =
5 e
4!
= 0.1755
30 40 e35
40 !
= 0.0139
Ejemplo 3.38
Supongamos que en la caseta de cobro de Cuernavaca, observamos los
tiempos de llegada de los automviles a dicha caseta. Si la razn media de
llegadas de automviles es = 1.5 automviles por minuto y el intervalo de
tiempo es de un segundo:
a) Cul es la probabilidad de que llegue exactamente un automvil?
b) Cul es la probabilidad de que no llegue ningn automvil?
Solucin:
En un periodo de longitud h = 1 segundo =
probabilidad * h = (1.5) *
( 601 )
1
40
1
60
=1-
1
40
= 1 - 0.025
39
= 40
= 0.975
( 601 )
Ejemplo 3.39
El virus de la influenza aparece en la saliva a razn de dos por centmetro
cubico de saliva. Supongamos que este fenmeno se distribuye como una
variable aleatoria de Poisson. Hallemos:
a) Cul es la probabilidad de que en una muestra de dos centmetros
cbicos de saliva no haya ningn virus?
b) Cul es la probabilidad de que en una muestra de dos centmetros
cbicos de saliva por lo menos hayan dos virus?
Solucin:
Como el nmero de virus sigue una distribucin de Poisson, entonces debemos
calcular su parmetro. En este caso est dado por t = 2 (2) = 4, porque = 2
es la razn en el cual hallamos el virus por centmetro cubico y t es el volumen
de la muestra que estamos considerando.
Definimos los eventos:
A: no hay virus en la muestra.
B: hay dos o ms virus en la muestra.
Entonces:
P (A) = e = e -4 = 0.0183
P (B) = 1 5e-4 = 0.9084
Ejemplo 3.40
Un jugador de futbol tiene un promedio por partido de 1.3 goles. Determinemos
la probabilidad de que anote:
a) Un gol
b) Tres goles
c) Por lo menos un gol
Solucin:
a) Para X = 1,
1.3
[ ]
P(x = 1) =
= 1.3
1.3
1.3 e
= 0.3543
e1.3
b) Para X = 3,
1.3
[ ]
P(x = 3) =
1.3
= 1.3
1.3
1.3 e
c) Para X 1,
= 1.3
= 0.0998
1.3
[]
P(x 1) = 1 P(X = 0) = 1 -
1.3
1.3
1.3 e
= 0.7275
>0.
y (N ( si la funcin de
F(x;
, =
1
2
- <X <
y varian
Es una funcin que cumple con las propiedades de ser mayor o igual que cero y
el rea bajo la curva de esta funcin es uno.
Es simetra con respecto a la media.
La media, media y moda toman el mismo valor.
La curva es asinttica al eje de las abscisas.
Para calcular la probabilidad de una funcin continua, utilizaremos la funcin
F(x;
, ) = p(X x) =
(1t)
2
2
dt
1
e
(1t)
2
2
dt
se convierta
=0 y =1 , con lo que se
( x 1)
1x
x
, donde x, es un
Ejemplo 3.45
Realiza la estandarizacin de las siguientes calificaciones de un alumno 2, 4, 5,
6 y 8.
Solucin:
Obtenemos la media y la desviacin estndar:
=5 y =2 , estos parmetros
nos indican una variable aleatoria con funcin de densidad normal N(5,2)
podemos estandarizarla como una variable aleatoria con funcin de densidad
N(x; 0, 1) con las mismas propiedades.
Xi
2
4
5
(xi -
Z = (Xi
)2
9
8
Suma
25
Valor estandarizado
(25)
=1.5
2
-1.5
(45)
=0.5
2
-0.5
Z=
(55)
=0
2
(65)
=0.5
2
0.5
Z=
1.5
Z=
(85)
=1.5
2
1
0
1
9
20
Z=
Z=
6
)/
Ejemplo 3.46
Se tiene una curva normal con media igual que 500 y una desviacin estndar
igual que 25. Determinemos las siguientes probabilidades p(X 535) y p(X
535).
Solucin:
Con los datos siguientes: x = 535,
= 500 y
= 25, procedemos a
x 1
535500
25
En la grfica siguiente
estandarizadas:
= 1.4
se
muestra
cada
una
de
las
probabilidades
Para
calcular
esta
probabilidad
usamos
las
tablas N (0, 1).
En la primera columna de la
tabla se encuentra el valor
de Z si este es positivo,
desde 0 hasta 4, con
incrementos de un dcimo, y en el primer rengln se encuentran los valores de
z incrementados en un centsimo, as para buscar el valor Z = 1.4 que se
forma por el 1.4 y cero centsimos, se localiza en la segunda columna y el
rengln que se refiere a 1.4.
Z
1.4
0
0.91
02
0.01
0.92
07
0.02
0.92
22
0.03
0.92
36
0.04
0.92
52
0.05
0.92
65
0.06
0.92
79
0.07
0.92
92
0.08
0.93
06
0.09
0.93
19
3950
7
= - 1.57
= 50 y
= 7, procedemos a
En
la
grfica
siguiente
se
muestra
probabilidades
Para calcular esta probabilidad utilizamos las tablas de N (0, 1), en las que
debemos observar que la probabilidad est definida para valores positivos de
Z, por lo que emplearemos la simetra de la curva y observemos que es lo que
sucede al usar el eje de simetra.
Observemos que las reas son iguales, por lo que el clculo de la probabilidad
es:
P (Z - 1.57) = p (Z 1.57)
Para calcular esta probabilidad tenemos que restar a uno el rea de p (Z
1.57), por lo que escribimos:
P (Z - 1.57) = p(Z 1.57) = 1 p(Z 1.57)
Utilicemos la tabla para realizar este clculo. En la primera columna se
encuentra el valor de Z, localizamos 1.5 y el valor 0.07, para formar el 1.57,
donde encontramos el valor 0.9418, este es el valor de p (Z 1.57).
Z
1.5
0
0.93
32
P (Z - 1.57)
0.01
0.93
45
= p (Z
0.02
0.03
0.04
0.93
0.93
0.93
57
70
82
1.57) = 1 0.9418
0.05
0.06
0.93
0.94
94
06
= 0.0582
0.07
0.94
18
0.08
0.94
29
0.09
0.94
41
Para calcular el valor de p(X - 37) = p(Z - 1.57), buscamos el valor 1.57 en
la grfica y determinemos el rea que deseamos calcular.
0
0.93
32
0.01
0.93
45
0.02
0.93
57
0.03
0.93
70
0.04
0.93
82
0.05
0.93
94
0.06
0.94
06
0.07
0.94
18
0.08
0.94
29
0.09
0.94
41
Ejemplo 3.48
Se tiene una curva normal con media igual que 30 y una desviacin estndar
igual que 7. Determinemos las siguientes probabilidades P(25 X 39).
Solucin:
=30 y
= 7, procedemos a
393 0
7
la
grfica
253 0
7
= - 0.7143 Z Z =
siguiente
se
muestra
= 1.2857
probabilidades
0
0.88
49
0.01
0.88
69
0.02
0.88
88
0.03
0.89
07
0.04
0.89
25
0.05
0.89
44
0.06
0.89
62
0.07
0.89
80
0.08
0.89
97
0.09
0.90
15
0
0.75
80
0.01
0.76
11
0.02
0.76
42
0.03
0.76
73
0.04
0.77
04
0.05
0.77
34
0.06
0.77
64
0.07
0.77
94
0.08
0.78
23
0.09
0.78
52