Beruflich Dokumente
Kultur Dokumente
Discreta
Cada una de estas distribuciones de probabilidad involucra el experimento aleatorio que genera
una variable aleatoria y una funcin de probabilidad.
DISTRIBUCIN BERNOULLI
Ejemplo
Se lanza un dado y se observa si la cara que cae hacia arriba posee o no posee el Nro. 3.
Exp.
Acc.. Lanzar un dado.
Int. Observar si la cara que cae hacia arriba posee o no posee el nmero 3.
= t, t , donde: t: la cara del dado muestra el Nro. 3 (sale el tres)
t : la cara del dado no muestra el Nro. 3 (no sale el tres)
Sea t: xito (E)
Ejemplo
De los alumnos que llevan el curso de Estadstica II, la profesora selecciona un alumno y le
pregunta si present o no present los problemas desarrollados de la primera prctica
calificada.
Exp.
Acc. Seleccionar un alumno.
Int. Saber si present o no los problemas desarrollados de la primera prctica calificada.
= { s, n } , donde: s: present los problemas desarrollados.
n: no present los problemas desarrollados.
Sea s: xito (E)
Ejemplo
De un lote de piezas de tamao 1000, se selecciona una pieza y se observa si es defectuoso o
no defectuoso.
Exp.
Acc: Seleccionar una pieza.
Int. Observar si es defectuoso o no defectuoso.
= { b , m } donde: b: pieza buena y m: pieza defectuosa.
Sea b: xito (E)
Variable aleatoria
P( X = k ) = Pk ( 1 P )1 k , k = 0, 1
Consideremos el ejemplo.
X: Nmero de veces que sale el tres en un solo lanzamiento.
X( t ) = 1, X( t ) = 0
Rx : 0 , 1
Funcin de Cuanta.
P( X = 0 ) = P({ t }) = P( {F ) = 5 / 6
P( X = 1 ) = P( { t }) = P({E}) = 1/ 6
V(X) = 1 / 6 + 1 / 36 = 1 / 6 ( 1 1 / 6 ) = (1 / 6) ( 5 / 6) = 0.14
Experimento Binomial
Accin
1. Consta de n ensayos Bernoulli
2. Los resultados de los ensayos son independientes
3. La probabilidad de xito, P(xito)=P, es constante, es decir es la misma de ensayo a
ensayo.
Sobre el espacio muestral generado por el experimento Binomial se define la variable aleatoria,
X: Nmero de xitos en n ensayos Bernoulli
Funcin de cuantia
La probabilidad de cualquier valor de la variable, se obtiene a partir de la siguiente funcin
de cuanta:
Solucin.
Experimento binomial
Accin. Funcionamiento de los 6 motores de un avin en vuelo.
El anlisis de esta accin, nos permitir verificar los requisitos o condiciones del experimento
binomial, as:
1. Se observa si cada motor funciona o no funciona, es decir el funcionamiento de cada
motor constituye un ensayo Bernoulli, y como el avin cuenta con 6 motores entonces
se tiene 6 ensayos Bernoulli, n = 6, consideraremos xito al buen funcionamiento de
un motor y lo denotaremos por f
2. El buen o mal funcionamiento de un motor no influye en el buen o mal
funcionamiento de otro motor, es decir los ensayos son independientes.
3. La probabilidad de buen funcionamiento de cada motor es decir la probabilidad de
xito es constante, P(f) = 0.9995. Es la misma de ensayo a ensayo.
El cumplimiento de estas tres condiciones nos dice que estamos frente a un experimento
Binomial, por lo tanto podemos definir la variable aleatoria:
(Interesa) X: Nmero de motores que funcionan bien.
Cuyo valores son, RX : 0, 1, 2, 3, 4, 5, 6.
Y su funcin de cuanta es:
DISTRIBUCIN HIPERGEOMTRICA
Experimento Hipergeomtrico.
Accin
1. Consta de n ensayos Bernoulli.
2. Los resultados de los ensayos no son independientes.
3. La probabilidad de xito (P) es constante.
Interesa
Variable aleatoria
Sobre el espacio muestral generado por el experimento se define la variable.
X: Nmero de xitos en n ensayos Bernoulli.
RX: 0, 1, 2, . . . , n
n
F N-S
Ejemplo
Los alumnos que llevan el curso de Estadstica II, grupo 2 de la FISI en el semestre 2006 - I
son 32, de entre estos alumnos 10 estn en el quinto semestre y el resto en el cuarto semestre.
La profesora del curso selecciona 3 alumnos y les pregunta sobre el ciclo en que se
encuentran.
a. Cul es la probabilidad que dos de los alumnos seleccionados se encuentren en el quinto
ciclo?
b. Muestre el comportamiento probabilistico de la variable.
c. Cul es el valor de E( X ) y V( X )?
Solucin.
Exp.
Accin. Seleccionar 3 alumnos, sin reposicin.
El anlisis de esta accin, nos permitir verificar los requisitos o condiciones del experimento
hipergeomtrico, as:
El cumplimiento de estas tres condiciones nos dice que estamos frente a un experimento
Hipergeomtrico, este experimento genera la variable:
x p(x)
0 0,13077
1 0,36325
2 0,34413
3 0,13765
b. E( X ) = 3(10 / 32 )= 0.9375
s X2 = 3( 10 / 32)( 22 / 32)(29 / 31 ) = 1.8368
s X = 1.3553
Propiedad.
Cuando N es suficientemente grande y n es pequeo respecto de N (en la prctica cuando n
<= 0.05N), la distribucin hipergeomtrica H(N, S, n) se aproxima a la distribucin B(n, P),
en donde P es igual a S/N.
Demostracin.
Sea la v.a. X : B (n, P ) y sea la v. a. Y : H ( N , S , n)
E(X) = nP E(Y) = n(S/N)
( N n)
s X2 = nP(1-P) s Y2 = nP(1-p)
( N 1)
N n
A la expresin se le llama factor de correccin por finitud (f.c.f).
N 1
El f.c.f aproximadamente se puede expresar de la siguiente manera:
N n N n n n
@ = 1 cuando 0 el f.c.f tiende a 1, por lo que la varianza
N 1 N N N
de Y es igual a la varianza de X, esto nos dice que la variable Y siendo una variable
Hipergeomtrica puede ser tratada como una variable Binomial.
DISTRIBUCIN POISSON
Proceso Poisson
Muchos problemas consisten en observar lo que se conoce como eventos discretos en un
intervalo de tiempo continuo, por ejemplo, se puede observar la llegada de autos al
supermercado Metro de la Av. La Marina entre la 1 y las 3 de la tarde de un da determinado.
La llegada del auto al establecimiento es un evento discreto debido a que su hora de llegada
es un punto en el periodo continuo de 2 horas.
Otro caso puede ser el de un fabricante de cable aislante y se observa los defectos que
ocurren en un segmento especfico de 2 mt. de longitud. En este caso el intervalo continuo
son los 2 mts. y los eventos discretos son los defectos que ocurren en el cable, suponiendo
que se puede considerar a cada defecto como que ocurre en un solo punto a lo largo del
cable.
Cada uno de los ejemplos dados y otros anlogos puede considerarse como un proceso de
Poisson, s, las ocurrencias de los eventos discretos se generan en tal forma que satisface la
siguiente definicin.
Definicin.
Los eventos discretos que se generan en un intervalo continuo, forman un proceso de Poisson
con parmetro l , si tiene las siguientes propiedades:
1. El nmero medio de eventos discretos en el intervalo continuo es conocido e igual a l
2. El intervalo continuo de cierta longitud se subdivide en intervalos cuya longitud es
suficientemente corta digamos h, tal que:
i. La probabilidad de que ocurra un evento discreto en el intervalo de longitud h es l h.
ii. La probabilidad de que ocurran dos ms eventos discretos en el intervalo de longitud h
es aproximadamente cero.
3. La ocurrencia de un evento discreto en un intervalo de longitud h no afecta a la ocurrencia
o no ocurrencia de un evento discreto en el intervalo contiguo de longitud h
Considerando el primer ejemplo dado al tratar este tema tenemos: la llegada de los autos al
estacionamiento del supermercado sera razonable suponer que no llega ms de uno en el
mismo millonsimo de segundo, y que la llegada o no llegada de un auto en el primer
millonsimo de segundo no afecta a que llegue o no llegue otro automvil en el siguiente
millonsimo de segundo. A partir de estas suposiciones, las llegadas constituyen un proceso
de Poisson.
Variable aleatoria
Caractersticas Numricas.
E(X) = l
V(X) = l
Ejemplo
Ciertos autos llegan a una garita de peaje aleatoriamente a una tasa de 300 autos por hora.
Calcule la probabilidad de que:
a. Un auto llegue durante un periodo de un minuto.
b. Por lo menos dos autos lleguen durante un periodo de un minuto.
Solucin.
Evento discreto: la llegada de un auto. Intervalo continuo: un minuto.
La llegada de los autos en el intervalo de un minuto forman proceso Poisson de parametro
cuyo valor es 5, por lo tanto la variable es:
e 5 51
P(A) = P(X=1) =
1!
b. Sea el evento B: Por lo menos dos autos lleguen durante un periodo de un minuto.
P(B) = P(X2) = 1-P(X<2)= 1-[P(X=0)+P(X=1)]
e 5 50 e 5 51
P(B) = 1 - +
0! 1!
P(B) = 0.9595
Como n p 0 y nP = 1 entonces:
1 k
P(X = k) = e k 1!
Sea el evento: A: Mueran ms de cuatro personas.
P(A) = P(X > 4 ) = 1 P(X<= 4) = 1 (P(X = 0) + P(X = 1)+P(X = 2)+P(X = 3)+P(X = 4)
e 110 e 111 e 112 e113 e114
P(A) = 1 - + + + +
0! 1! 2! 3! 4!
P(A) = 1 (0,36787944 + 0,36787944 + 0,18393972 + 0,06131324 +0,01532831)= 0.00365985