MODELOS DISCRETOS

1.

DISTRIBUCIN UNIFORME DISCRETA

Definicin:
Si la variable aleatoria X toma los valores x 1 ; x 2 ; x 3 ; x 4 ;;;;; x k con
idnticas probabilidades, entonces la distribucin uniforme discreta est
dada por:
1
si x x 1 ; x
k

f ( x,k )
0 T .O .C .

;x

;;; x

Su Esperanza es E ( x )

Su Varianza es V ( x )

08/08/2012

i 1

(x

E( x) )

i 1

k
PABLO CCERES PREZ - MBA

MODELOS DISCRETOS
2. DISTRIBUCIN DE BERNOULLI
Supongamos que un experimento aleatorio tiene slo dos resultados
posibles que son mutuamente excluyentes y conjuntamente exhaustivos, y
que por conveniencia llamaremos "xito" y "fracaso". Sea P la
probabilidad de xito y (1 p) la probabilidad de fracaso. Definamos
ahora la variable aleatoria X que toma el valor 1 si el resultado del
experimento es xito y 0 en caso contrario. La funcin de probabilidad de
esta variable aleatoria es:

p x (1 p)1 x
f ( x; p)
0

08/08/2012

x 0,1
T .O.C.

PABLO CCERES PREZ - MBA

MODELOS DISCRETOS
Esta distribucin se conoce como la distribucin de Bernoulli. Su media
y su varianza pueden calcularse mediante la Funcin Generatriz de
Momentos (F.G.M.), siendo:

E( x) p
V ( x) p(1 p)

M x ( t ) ( 1 p ) p e

08/08/2012

PABLO CCERES PREZ - MBA

MODELOS DISCRETOS
3. DISTRIBUCIN BINOMIAL
Una generalizacin importante de la distribucin Bernoulli consiste en
considerar el caso en el que un experimento aleatorio, con dos resultados
posibles, se repite varias veces. Supongamos de nuevo que la
probabilidad de xito en cada repeticin es P y que se realizan n
ensayos independientes, con lo que el resultado de un ensayo no influye
en el resultado de cualquier otro. El nmero de xitos X en las n
repeticiones puede ser cualquier nmero entero entre 0 y n , y estamos
interesados en la probabilidad de obtener exactamente X x xitos en
n repeticiones, esta distribucin se denomina Distribucin Binomial.

08/08/2012

PABLO CCERES PREZ - MBA

MODELOS DISCRETOS
Su funcin de probabilidad es:

n x
n x

p
(
1

p
)
f ( x) x
0

x 0,1,2,..., n

donde:

T .O.C.

n
n!

x x ! (n x)!

La media y la varianza de la distribucin binomial son:

E( x) np
V ( x) np(1 p)
Su funcin Generadora de Momentos es:

M
08/08/2012

(1 p ) p e
x (t )

PABLO CCERES PREZ - MBA

MODELOS DISCRETOS
EJEMPLO
Se envan invitaciones para cenar a los 20 delegados que asisten a una
convencin, y se cree que para cada delegado invitado, la probabilidad de
que acepte es 0,9. Si se asume que toman la decisin de aceptar la
invitacin independientemente, cul es la probabilidad de que a lo ms 3
de los delegados acepten la invitacin?
Sea X la variable aleatoria que representa el nmero de delegados que
aceptan la invitacin. Entonces X , tiene distribucin binomial, con
n 20 y p 0,9 . Buscamos:

P( X 3) P( X 0) P( X 1) P( X 2) P( X 3)

08/08/2012

PABLO CCERES PREZ - MBA

MODELOS DISCRETOS
Una aplicacin importante de la distribucin binomial es el muestreo de
aceptacin. Cuando una compaa recibe un cargamento de mercancas
muy grande, debe decidir, a partir de la informacin sobre la calidad de
estos productos, si aceptar el pedido. Normalmente, una inspeccin
minuciosa de todo el cargamento resulta demasiado cara, por lo que se
selecciona y examina una pequea muestra aleatoria. A partir de los
resultados de este examen, se toma una decisin sobre la aceptacin o no
del cargamento. Para cada regla particular de decisin de este tipo, es
posible calcular la probabilidad de aceptar un cargamento con una
proporcin dada de artculos defectuosos. En efecto, si p es la
proporcin de artculos defectuosos en el cargamento y n es el tamao
de la muestra, el nmero de artculos de defectuosos en la muestra X
sigue una distribucin binomial.

08/08/2012

PABLO CCERES PREZ - MBA

MODELOS DISCRETOS
4. DISTRIBUCIN HIPERGEOMTRICA
Supongamos que se elige una muestra aleatoria de tamao n de un
conjunto de N elementos, N 1 de los cuales son xitos. La distribucin
del nmero de xitos, x , en la muestra se denomina Distribucin
Hipergeomtrica, cuya funcin de probabilidad o cuanta est dada por:
N 1 N N 1

x
n

x 0,1,2,...n si n N o x 0,1,2,...N si n N

1
1
1
f ( x; N ; N1 n )
N

T .O.C.
0

Donde x puede tomar valores enteros denotados por el soporte definido.

E ( x ) np
N n

V ( x ) np(1 p )
N

N
Donde p 1 es la proporcin de xitos en la poblacin
N
08/08/2012

PABLO CCERES PREZ - MBA

MODELOS DISCRETOS
La manera ms simple de ver la diferencia entre la distribucin Binomial y
la distribucin Hipergeomtrica est en la forma en que se realiza el
muestreo. Los tipos de aplicaciones de la distribucin Hipergeomtrica son
muy similares a los de la Binomial. Nos interesamos en el clculo de
probabilidades para el nmero de observaciones que caen en una
categora particular. Pero en el caso de la Binomial, se requiere la
independencia entre las pruebas. Como resultado, si se aplica la Binomial
o digamos, tomar muestras de un lote de artculos (lotes de artculos
producidos), el muestreo se debe efectuar con reemplazo de cada artculo
despus de que se observe. Por otro lado, la distribucin Hipergeomtrica
no requiere independencia y se basa en el muestreo que se realiza sin
reemplazo.

08/08/2012

PABLO CCERES PREZ - MBA

MODELOS DISCRETOS
5. DISTRIBUCIN GEOMTRICA
Una variable aleatoria X, se distribuye Geomtricamente, si su funcin de
probabilidad o cuanta est dada por:

p (1 p) x 1 si x 1,2,3,..........
f ( X ; p)
0 T .O.C.
Esta variable aleatoria X, contesta el nmero de experimentos de
BERNOULLI que se deben realizar hasta encontrar el PRIMER XITO.
Parmetro: p , el cual se define como la probabilidad de xito y puede
tomar cualquier valor que est en el intervalo (0,1].
Su Esperanza: E ( x)

Su Varianza: V ( x)
08/08/2012

1
p

1 p
p2
PABLO CCERES PREZ - MBA

10

MODELOS DISCRETOS
6. DISTRIBUCIN DE PASCAL O BINOMIAL NEGATIVA
Una variable aleatoria X, se distribuye de acuerdo a una PASCAL o
BINOMIAL NEGATIVA, si su funcin de probabilidad o cuanta est dada
por:

x 1 r
xr

p
(
1

p
)
si x r , r 1, r 2, r 3,..........

f ( X ; r; p) r 1
0 T .O.C.

Esta variable aleatoria X, contesta el nmero de experimentos de

BERNOULLI que se deben realizar para obtener el r simo xito en el
x simo intento.

08/08/2012

PABLO CCERES PREZ - MBA

11

MODELOS DISCRETOS
Este modelo o distribucin es una generalizacin de la distribucin
GEOMTRICA. Esto es, Si r=1 la funcin de probabilidad converge a la
GEOMTRICA.
Parmetros:
1.

p : El cual se define como la probabilidad de xito y puede tomar

cualquier valor que est en el intervalo (0,1].

2.

r:
Nmero de xitos en los experimentos y puede tomar
cualquier valor dentro de los Naturales.
r (1 p)
r
Su Esperanza: E ( x) , su Varianza: V ( x)
p
p2

08/08/2012

PABLO CCERES PREZ - MBA

12

MODELOS DISCRETOS
7. DISTRIBUCIN DE POISSON
Consideremos las siguientes variables aleatorias:
El nmero de accidentes de trfico mortales en una ciudad durante
una semana concreta.
El nmero de llamadas telefnicas que se reciben en un da en la
central de una empresa durante los quince minutos anteriores al medio
da.
El nmero de rdenes de devolucin de piezas que recibe una
empresa en una semana.
El nmero de veces que falla una pieza en un equipo durante un
perodo de tres meses.
El nmero de huelgas anuales en una fbrica.

08/08/2012

PABLO CCERES PREZ - MBA

13

MODELOS DISCRETOS
Cada una de estas cinco variables aleatorias se caracteriza por ser el
nmero de ocurrencias de cierto suceso durante un perodo de tiempo. La
experiencia indica que para una amplia gama de problemas de este tipo la
distribucin de probabilidad POISSON, representa adecuadamente la
estructura de probabilidad de la variable aleatoria.
Se dice que la variable aleatoria X sigue una distribucin de POISSON si
tiene funcin de probabilidad o cuanta dada por:

x

e
x 0,1,2,........
f ( x; )
x!
0 T .O.C.

Donde e 2,71828

08/08/2012

PABLO CCERES PREZ - MBA

14

MODELOS DISCRETOS
Parmetro: , el cual se define como la tasa promedio de ocurrencia y
puede tomar cualquier valor mayor a cero.
Su Esperanza: E (x)
Su Varianza: V (x)

08/08/2012

PABLO CCERES PREZ - MBA

15

MODELOS DISCRETOS
APLICACIN DE DISTRIBUCIONESDISTRIBUCIONES DE PROBABILIDAD
DISCRETAS
1. Distribucin Binomial
Esta distribucin de probabilidad encuentra aplicaciones en muchos
campos cientficos. A menudo, las mediciones de control de calidad y los
esquemas de muestreo para procesos se basan en la distribucin
Binomial. sta se aplica en cualquier situacin industrial donde el
resultado de un proceso es dicotmico (dividido en dos partes) y los
resultados del proceso son independientes, y la probabilidad de xito es
constante de una prueba a otra. La distribucin binomial tambin se utiliza
de manera extensa en aplicaciones mdicas y militares. En ambos casos,
un resultado de xito o fracaso es importante, Por ejemplo:
"Cura" o "No Cura" es importante en el trabajo farmacutico.
"Dar en el blanco" o "Errar" a menudo es la interpretacin del resultado
de lanzar un misil guiado.
08/08/2012

PABLO CCERES PREZ - MBA

16

MODELOS DISCRETOS
2. Distribucin Hipergeomtrica
Las aplicaciones de la distribucin Hipergeomtrica se encuentran en
muchas reas, con gran uso en muestreo de aceptacin, pruebas
electrnicas y garanta de calidad. Obviamente, para muchos de estos
campos el muestreo se realiza a expensas del artculo que se prueba. Es
decir, el artculo se destruye y por ello no se puede reemplazar en la
muestra. As, el muestreo sin reemplazo es necesario.

08/08/2012

PABLO CCERES PREZ - MBA

17

MODELOS DISCRETOS
3. Distribucin Geomtrica y Binomial Negativa
La aplicacin para la distribucin Geomtrica se puede describir en una
situacin donde los Auditores Computacionales intentan determinar cun
ineficiente es un sistema de informacin telefnica durante perodos
ocupados. Claramente en este caso, las pruebas ocurren antes de que un
xito represente un costo. Si hay una alta probabilidad de hacer varios
intentos antes del enlace, entonces se deben hacer planes para redisear
el sistema. Las aplicaciones de la binomial negativa son similares en
naturaleza. Los intentos son costosos en algn sentido y ocurren en
sucesin. Una alta probabilidad de que se requiera un nmero "grande" de
intentos para experimentar un nmero fijo de xitos no es benfica para el
Auditor o el Ingeniero.

08/08/2012

PABLO CCERES PREZ - MBA

18

MODELOS DISCRETOS
4. Distribucin de Poisson como forma limitante de la Binomial
Aunque la Distribucin de Poisson por lo general, encuentra aplicaciones
en problemas de espacio y tiempo, se puede ver como una forma limitante
de la distribucin Binomial. En el caso de la binomial, si n es bastante
grande y p es pequea, las condiciones comienzan a simular las
implicaciones de espacio continuo o regin temporal del proceso de
Poisson. La independencia entre las pruebas de Bernoulli, en el caso
Binomial, es consistente con la probabilidad de que ocurra un solo
resultado durante un intervalo de tiempo, a travs del proceso de Poisson.
Si se hace al parmetro p cercano a cero para el caso de la Binomial, se
relaciona con la probabilidad insignificante de que ocurra ms de un
resultado en un intervalo corto de tiempo en el proceso de Poisson. En
realidad, derivaremos ahora la distribucin de Poisson como forma
limitante de la distribucin Binomial cuando n , p 0 , y
np permanece constante. De aqu, si n es grande y p cercana a 0, se
puede usar la distribucin de Poisson, con, np , para aproximar
probabilidades binomiales.
08/08/2012

PABLO CCERES PREZ - MBA

19