Distribuciones de Probabilidad Discretas

FUNDAMENTOS DE ESTADÍSTICA
Código: 761001M
Luis Carlos Bravo Melo
bravo.luis@correounivalle.edu.co
Universidad del Valle

Cali - Colombia
MODELOS PROBABILÍSTICOS
Variables aleatorias y distribuciones de probabilidad

• Concepto de variable aleatoria.
• Distribuciones de probabilidad de variables aleatorias discretas.
• Distribuciones de probabilidad de variables aleatorias continuas.
• Momentos de una variable aleatoria (Valor esperado y varianza).
Algunas distribuciones de probabilidad discretas y continuas

Distribuciones discretas: Distribuciones continuas:
Distribución Uniforme Discreta. Distribución Normal.
Distribución Binomial. Distribución Uniforme.
Distribución Poisson. Distribución Exponencial.
Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

Existen varias distribuciones especificas de probabilidad que se

ha demostrado, empíricamente, ser modelos útiles para diversos
problemas prácticos. La elección de la distribución de
probabilidad para representar un fenómeno de interés debe ser
motivada tanto por la comprensión de la naturaleza del
fenómeno, como por la verificación de la distribución
seleccionada a través de la evidencia empírica.

Una distribución de probabilidad está caracterizada de manera

general, por una o más cantidades que reciben el nombre de
parámetros de la distribución.
Un parámetro puede tomar cualquier valor de un conjunto dado

y en ese sentido, define una familia de distribuciones de
probabilidad, que tendrán la misma función genérica de
probabilidad o función de densidad de probabilidad.


DISTRIBUCIONES DE PROBABILIDAD
DISCRETAS
DISTRIBUCIÓN UNIFORME DISCRETA:
Es la más simple de todas las distribuciones de probabilidad. Se

emplea en experimentos que cumplen de manera exacta o
aproximada con los siguientes características:
• Consta de un conjunto finito de n posibles resultados.
• Cada uno de los resultados son igualmente probables, es decir,
tienen una probabilidad idéntica.
• Se caracteriza por presentar un único parámetro que es n y
representa el número de posibles resultados.
Algunos ejemplos son:
• El lanzamiento de un dado.
• El lanzamiento de una moneda.
DISCRETAS
Definición:
Sea X una variable aleatoria que puede tomar n valores distintos,
cada uno de ellos con la misma probabilidad. Se dice entonces
que X tiene una distribución uniforme discreta con función de
probabilidad:
1
 , x  1, 2,..., n
P( X  x)   n
 0, en otro caso
El parámetro de la distribución uniforme discreta es n y es un

valor entero positivo mayor que cero.
DISCRETAS
Definición:
Si X es una variable aleatoria con distribución uniforme discreta,
su función de distribución acumulada, la media y la varianza
están dadas por:
x
1
F  x  P  X  x   , x  1, 2,..., n
i 1 n
n 1 n2  1
EX   V X  
2 12

DISCRETAS
Ejemplo:
Se selecciona un empleado de un equipo de 10 para supervisar cierto
proyecto, mediante la selección de una etiqueta al azar de una caja que
contiene 10 etiquetas numeradas del 1 al 10. Encuentre la distribución de
probabilidad de X que representa el número en la etiqueta que se saca. ¿Cuál
es la probabilidad de que el número que se extrae sea menor que 4?
Encuentre la media y la varianza.
Solución:
La distribución de probabilidad de X está dada por:
1
 , x  1, 2,...,10
P( X  x)  10
 0, en otro caso
DISCRETAS
Ejemplo:
proyecto mediante la selección de una etiqueta al azar de una caja que
Solución:
La probabilidad de X sea menor que 4 se calcula por medio de la fda:
3
1 1 3
P  X  4   F  3    3   
i 1 10  10  10

DISCRETAS
Ejemplo:
Solución:
La media de X está dada por:
n  1 10  1 11
EX      5.5
2 2 2

DISCRETAS
Ejemplo:
Solución:
La varianza de X está dada por:
n2  1 102  1 100  1 99
V X       8.25
12 12 12 12

DISCRETAS
DISTRIBUCIÓN BINOMIAL:
Hay varios experimentos que cumplen de manera exacta o

aproximada con los siguientes requerimientos:
• El experimento consiste en una sucesión de n ensayos
idénticos. En cada ensayo son posibles dos resultados, que se
denotan mediante éxito o fracaso.
• La probabilidad de un éxito, representada por p, no cambia de
un ensayo a otro. Por lo que la probabilidad de un fracaso,
representada por q = (1 - p), no cambia de un ensayo a otro.
• Los intentos o ensayos son independientes, así que el
resultado de cualquier ensayo particular no influye en el
resultado de ningún otro.
DISCRETAS

• Se caracteriza por presentar dos parámetros que son n y p
donde n representa el número de ensayos y p es la
probabilidad de éxito en cada ensayo.
• Observar el número de veces que se obtiene un 6, al lanzar un dado 20
veces.
X: Número de veces que se obtiene un 6 en …
n: 20 lanzamientos idénticos de un dado.
Éxito: Obtener un 6 en un lanzamiento de un dado. p: 1/6.
Fracaso: No obtener un 6 en un lanzamiento de un dado. q = (1 - p): 5/6.
DISCRETAS

• Observar el número de unidades defectuosas en lotes de 100 unidades, si
la línea de ensamblaje presenta una probabilidad de 0.05 de ensamblar
defectuosamente una unidad.
X: Número de unidades defectuosas en …
n: Lotes de 100 unidades.
Éxito: Obtener una unidad defectuosa. p: 0.05.
Fracaso: Obtener una unidad no defectuosa. q = (1 - p): 0.95.

DISCRETAS
Definición:
Sea X una variable aleatoria que representa el número de éxitos
en n ensayos y p la probabilidad de éxito con cualquiera de
éstos. Se dice entonces que X tiene una distribución binomial
con función de probabilidad:
 n!
 n  x ! x ! p 1  p  , x  0,1, 2,..., n
x n x
P( X  x)    

 0, en otro caso
Los parámetros de la distribución binomial son n y p, donde n es
un valor entero positivo mayor que cero y 0 ≤ p ≤ 1.
DISCRETAS
Definición:
Si X es una variable aleatoria con distribución binomial, su
función de distribución acumulada, la media y la varianza están
dadas por:
x
n!
F  x  P  X  x   p 1  p  ,
n i
i
x  0,1, 2,..., n
i 0  n  i  !i !
E  X   np V  X   npq  np 1  p 

DISCRETAS
Ejemplo:
Cuál es la probabilidad de que se obtengan 3 artículos con empaques
defectuosos de un lote de 20, si la línea de empaquetado presenta una
probabilidad de 0.05 de empacar defectuosamente un articulo. Además
calcule la P(X ≤ 6), la media y la varianza de X.
Solución:
X: Número de artículos con empaques defectuosos de un lote de n = 20.
P(Éxito) = 0.05, la cual es independiente para cada artículo.
 20!
 20  x ! x !  0.05  0.95 , x  0,1, 2,..., 20
x 20  x
P( X  x)    

 0, en otro caso
DISCRETAS
Ejemplo:
Solución:
20!
P  X  3   0.05 1  0.05
3 20 3
 20  3!3!
 1140  0.00013 0.41812   0.0596
DISCRETAS
Ejemplo:
Solución:
La función de distribución de probabilidad de X está dada por:
x
n!
P  X  x     
n i

i
p 1 p
i 0  n  i  !i !
6
20!
P  X  6    0.05 1  0.05
i 20 i
i  0  20  i  !i !
DISCRETAS
Ejemplo:
Solución:
La función de distribución de probabilidad de X está dada por:
6
20!
P  X  6    0.05 1  0.05
i 20 i
i  0  20  i  !i !
20! 20!
 0.05  0.95  ...   0.05  0.95  1
20  0 20  6

0 6
 20  0 !0!  20  6 !6!
DISCRETAS
Ejemplo:
Solución:
La media y varianza de X están dadas por:
E  X   np  20  0.05  1
V  X   np 1  p   20  0.05 0.95  0.95
DISCRETAS
DISTRIBUCIÓN POISSON:

• La variable aleatoria es el número de veces que ocurre un
evento durante un intervalo definido (Tiempo, Volumen, Área).
• La ocurrencia o no ocurrencia en cualquier intervalo es
independiente de la ocurrencia o no ocurrencia en cualquier
otro intervalo.
• Se caracteriza por presentar un único parámetro que es λ, el
cual representa el número promedio de ocurrencias del
evento aleatorio durante el intervalo definido.

DISCRETAS

• Número de personas que llegan a una tienda en dos horas.
• Número de bacterias por cm2 en un cultivo.
• Número de solicitudes de admisión recibidas en un día por la
Universidad del Valle.
• Número de llamadas telefónicas que se reciben en un día en
un Call Center.
• Número de personas que llega a una sala de urgencias en una
hora.
DISCRETAS
Definición:
Sea X una variable aleatoria que representa el número de
eventos aleatorios independientes que ocurren a una rapidez
constante sobre el tiempo o el espacio. Se dice entonces que X
tiene una distribución de Poisson con función de probabilidad:
 e   x
 , x  0,1, 2,...
P( X  x)   x !
 0,
 en otro caso
El parámetro de la distribución Poisson es λ, donde λ es un valor
mayor que cero, es decir λ > 0.
DISCRETAS
Definición:
Si X es una variable aleatoria con distribución Poisson, su función
de distribución acumulada, la media y la varianza están dadas
por:
e   i
x
F  x  P  X  x   , x  0,1, 2,...
i 0 i!
EX    V X   

DISCRETAS
Ejemplo:
Una entidad financiera la asaltan en promedio 6 veces al año, ¿Cuáles son las
probabilidades de que se presenten:
a) 4 asaltos en un año?
b) 10 asaltos en dos años consecutivos?
Solución:
a) 4 asaltos en un año.
X: Número de asaltos en la entidad financiera en un año cualquiera.
λ: 6 asaltos por año.
 e6 6 x
 , x  0,1, 2,...
P( X  x)   x !
 0,
 en otro caso
DISCRETAS
Ejemplo:
Solución:
a) 4 asaltos en un año.
X: Número de asaltos en la entidad financiera en un año cualquiera.
λ: 6 asaltos por año.
La probabilidad de que X = 4 es:
e6 64 e61296 6
P( X  4)    e 54  0.1339
4! 24
DISCRETAS
Ejemplo:
Solución:
b) 10 asaltos en dos años consecutivos.
X: Número de asaltos en la entidad financiera en dos años consecutivos.
λ: 6*2 = 12 asaltos se producen en dos años consecutivos.
 e1212 x
 , x  0,1, 2,... Nota: λ siempre debe de estar en función de x
P( X  x)   x ! o dicho de otra forma, debe “hablar” de lo
 0, mismo que x.
 en otro caso
DISCRETAS
Ejemplo:
Solución:
b) 10 asaltos en dos años consecutivos.
X: Número de asaltos en la entidad financiera en dos años consecutivos.
λ: 6*2 = 12 asaltos se producen en dos años consecutivos.
La probabilidad de X = 10 es:
e121210 Nota: λ siempre debe de estar en función de x
P( X  10)   0.1048 o dicho de otra forma, debe “hablar” de lo
10! mismo que x.
APROXIMACIÓN DE LA DISTRIBUCIÓN
BINOMIAL A LA POISSON
Cuando el tamaño de la muestra n es grande, por lo menos que
sea mayor o igual que 30 y la probabilidad del suceso p es menor
igual al 0.05; es decir, n ≥ 30 y p ≤ 0.05, es útil utilizar la
aproximación Binomial a la Poisson.
Función de probabilidad
e np  np 
x
p  x  , x  0,1, 2,...
x!
Media y varianza:
E  x   np
V  x   np
Al utilizar está aproximación, la tasa media de ocurrencia o
intensidad del suceso de la distribución Poisson es λ = np.
DISCRETAS
EJERCICIO_4:
Sea X una variable aleatoria distribuida binomialmente con n = 15 y p = 0.25.

Encuentre:
a) La función de distribución de probabilidad de X.
b) La probabilidad de X sea igual 10.
c) La probabilidad de X sea igual 20.
d) La probabilidad de que X sea menor o igual a 4.
e) La probabilidad de que X sea mayor o igual 12.
f) La media y varianza de X.

DISCRETAS
SOLUCIÓN_4:

Encuentre:
a) La función de distribución de probabilidad de X.
 15!
   
15 x
, x  0,1, 2,...,15
x
 0.25 0.75
P( X  x)   15  x ! x !

 0, en otro caso
b) La probabilidad de X sea igual 10.
15!
 0.25  0.75  0.0007
1510
P( X  10) 
10
15  10!10!
c) La probabilidad de X sea igual 20.
P  X  20   0

DISCRETAS
SOLUCIÓN_4:

Encuentre:
d) La probabilidad de que X sea menor o igual a 4.
4
15!
F  4  P  X  4     
i 15i
0.25 0.75
i  0 15  i  !i !
 0.0134  0.0668  0.1559  0.2252  0.2252  0.6865
e) La probabilidad de que X sea mayor o igual a 12.

15
15!
P  X  12     0.25  0.75
i 15i
i 12 15  i  !i !
 0.000011  0.000001  0.000000  0.000000  0.000012

f) La media y varianza de X.
E  X   np  15 0.25  3.75 y V  X   np 1  p   15  0.25 0.75  2.8125

DISCRETAS
EJERCICIO_5:
Suponga que nos interesa el número de llegadas a una de las ventanillas de la

cafetería central para comprar almuerzos, durante un periodo de 15 minutos
en las mañanas de los días hábiles. Un análisis de datos histórico muestra que
el número promedio de estudiantes que llega en un periodo de 15 minutos es
10.
a) ¿Cuál es la probabilidad de que hayan exactamente cinco llegadas en 15
minutos?
b) ¿Cuál es la probabilidad de que lleguen a lo sumo 5 estudiantes en 15
minutos?
c) ¿Cuál es la probabilidad de que lleguen 20 estudiantes en una hora?

DISCRETAS
SOLUCIÓN_5:

10.
a) ¿Cuál es la probabilidad de que hayan exactamente cinco llegadas en 15
minutos?
X: Número de llegadas a una de las ventanillas de la cafetería central para
comprar almuerzos, durante un periodo de 15 minutos en las mañanas de
los días hábiles
λ: 10 estudiantes llegan por cada 15 minutos.
e10105
P( X  5)   0.0378
5!
DISCRETAS
SOLUCIÓN_5:

10.
b) ¿Cuál es la probabilidad de que lleguen a lo sumo 5 estudiantes en 15
minutos?
los días hábiles
La probabilidad de X ≤ 5 es:
5
e1010i
F  5  P( X  5)    0.0000  0.0005  0.0023  0.0076  0.0189  0.0378  0.0671
i 0 i !
DISCRETAS
SOLUCIÓN_5:

10.
c) ¿Cuál es la probabilidad de que lleguen 20 estudiantes en una hora?
los días hábiles
e40 4020
P( X  20)   0.0002
20!

Distribuciones de Probabilidad Discretas

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Distribuciones de Probabilidad Discretas

Hochgeladen von

Copyright:

Verfügbare Formate

FUNDAMENTOS DE ESTADÍSTICA

Luis Carlos Bravo Melo

Universidad del Valle

Variables aleatorias y distribuciones de probabilidad

Algunas distribuciones de probabilidad discretas y continuas

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

Existen varias distribuciones especificas de probabilidad que se

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

Una distribución de probabilidad está caracterizada de manera

Un parámetro puede tomar cualquier valor de un conjunto dado

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

Es la más simple de todas las distribuciones de probabilidad. Se

El parámetro de la distribución uniforme discreta es n y es un

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

Hay varios experimentos que cumplen de manera exacta o

Hay varios experimentos que cumplen de manera exacta o

Algunos ejemplos son:

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

Hay varios experimentos que cumplen de manera exacta o

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

Hay varios experimentos que cumplen de manera exacta o

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

Sea X una variable aleatoria distribuida binomialmente con n = 15 y p = 0.25.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

Sea X una variable aleatoria distribuida binomialmente con n = 15 y p = 0.25.

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

Sea X una variable aleatoria distribuida binomialmente con n = 15 y p = 0.25.

 0.0134  0.0668  0.1559  0.2252  0.2252  0.6865

e) La probabilidad de que X sea mayor o igual a 12.

 0.000011  0.000001  0.000000  0.000000  0.000012

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

Suponga que nos interesa el número de llegadas a una de las ventanillas de la

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

Suponga que nos interesa el número de llegadas a una de las ventanillas de la

Suponga que nos interesa el número de llegadas a una de las ventanillas de la

Suponga que nos interesa el número de llegadas a una de las ventanillas de la

Universidad del Valle Fundamentos de Estadística Luis C. Bravo M.

Das könnte Ihnen auch gefallen