Soluciones a los Ejercicios de Distribuciones Discretas

Probabilidad de observar el suceso en 3 individuos:

P (X = 3) = 10
0.73 0.37 = 0.009
3

1.

Probabilidad de observar el suceso en menos de 3 individuos:

P
P
F (2) = 2i=0 P (X = i) = 2i=0 10i 0.7i 0.310i =





2 8
10
10
10
0
10
1
9
0.7
0.3
+
0.7
0.3
+
0.7 0.3 =
0
1
2
(1)(1)0.310 + 10(0.7)0.39 +

(10)(9)
0.72 0.38
2

= 0.0016

Probabilidad de observar el suceso en m

as de 3 individuos:


P3
P3
1 F (3) = 1 i=0 P (X = i) = 1 i=0 10i 0.7i 0.310i = 0.9894
N
umero esperado de individuos que presentaran el suceso
= np = 10(0.7) = 7
Probabilidad de que el n
umero de individuos que presenten el suceso sea superior a la media esperada


P
10
P (X 8) = 10
0.7i (0.3)10i = 0.3828
i=8
i
Probabilidad de observar el suceso en 3 individuos:


P (X = 3) = 10
0.33 0.77 = 0.2668
3

2.

Probabilidad de observar el suceso en menos de 3 individuos:

P
P
F (2) = 2i=0 P (X = i) = 2i=0 10i 0.3i 0.710i =
(1)(1)0.710 + 10(0.3)0.79 +

(10)(9)
0.32 0.78
2

= 0.3828

Probabilidad de observar el suceso en m

as de 3 individuos:


P3
P3
1 F (3) = 1 i=0 P (X = i) = 1 i=0 10i 0.3i 0.710i = 0.3504
N
umero esperado de individuos que presentaran el suceso
= np = 10(0.3) = 3
Probabilidad de que el n
umero de individuos que presenten el suceso sea superior a la media esperada: Es el caso anterior
Compara los resultados obtenidos en ambos casos. Aqu lo que se quiere destacar
es que el valor de la probabilidad del suceso p influye en la probabilidad de
observar dicho suceso un n
umero determinado de veces en una muestra de n
observaciones independientes.
3. Ver las p
aginas web:
http://faculty.vassar.edu/lowry/binomial.html
y
http://stat-www.berkeley.edu/~stark/Java/Html/BinHist.htm#controls
1

4. Si X1 , X2 , ..., Xn son sucesos mutuamente excluyentes con P (X1 = x1 ) = p1 , P (X2 =

x2 ) = p2 , ..., P (Xn = xn ) = pP
n , entones, la probabilidad de que X1 ocurra x1 veces,....,
Xn ocurra xn veces, siendo ni=1 xi = N , viene dada por:
PN (x1 , x2 , ..., xn ) =

N!
px1 ...pxnn
x1 !...x! 1

Esta es la distribuci
on de probabilidad multinomial.
12!
(1/4)3 (1/2)6 (1/4)3 = 0.07
3!6!3!
12!
P12 (4, 4, 4) = 4!4!4!
(1/4)4 (1/2)4 (1/4)4 = 0.033
12!
P12 (5, 2, 5) = 5!2!5!
(1/4)5 (1/2)2 (1/4)5 = 0.0039
12!
P12 (0, 12, 0) = 0!12!0!
(1/4)0 (1/2)12 (1/4)0 = 0.00024

P12 (3, 6, 3) =

5. X v.a. con distribuci

on de Poisson de par
ametro = 4
Probabilidad de observar valores superiores a la media
P
i
P (X 5) = 1 P (X 4) = 1 4i=0 e i! =
4 40

1 [e

0!

e4 41
1!

e4 42
2!

e4 43
3!

e4 44
]
4!

= 1 0.6288 = 0.3712

Probabilidad de observar valores inferiores a 1

4 0
P (X = 0) = e 0!4 = e4 = 0.0183
Probabilidad de observar valores entre 3 i 6
P
4 i
P (3 X 6) = 6i=3 e i! 4
Probabilidad de observar valores iguales o inferiores a 1
4 0
4 1
P (X 1) = e 0!4 + e 1!4 = 0.0183 + 0.0733 = 0.0916
Funci
on de distribuci
on de esta variable
Ver la p
agina web:
http://faculty.vassar.edu/lowry/psamp2.html
6.

Cu
al es la probabilidad de que un 65% de los 12 pacientes mejore?
65% de 12 es 7.8, P (X = 7.8) = 0 ya que la variable es discreta
Cu
al es la probabilidad de que al menos un 65% de dichos pacientes mejoren?






12
12
8
4
9
3
0.65
0.35
+
0.6510 0.352 +
P (X 8) = 12
0.65
0.35
+
8
9
10




12
0.6511 0.351 + 12
0.6512 0.350 = 0.5833
11
12
Cu
antos enfermos se espera que mejoren mediante este tratamiento?
= np = 12(0.65) = 7.8
Cu
al es la probabilidad de que sea eficaz en menos de un 20% de los casos?






P (X 2) = 12
0.650 0.3512 + 12
0.651 0.3511 + 12
0.652 0.3510 = 0.00085
0
1
2

7. P(ni
no)=P(ni
na)=0.5
Sea X la v.a que cuenta el n
umero de ni
nas (se podra hacer tambien con el n
umero
de ni
nos)


P (X = 0) = 40 0.50 0.54 = 1(0.54 ) = 0.0625


P (X = 1) = 41 0.51 0.53 = 4(0.54 ) = 0.25


P (X = 2) = 42 0.52 0.52 = 6(0.54 ) = 0.375


P (X = 3) = 43 0.53 0.51 = 4(0.54 ) = 0.25


P (X = 4) = 44 0.54 0.50 = 1(0.54 ) = 0.0625
El suceso elemental m
as probable es 2 ni
nos y dos ni
nas, pero el suceso complementario no tener dos ni
nos y dos ni
nas tiene probabilidad m
as elevada
(p = 0.625).
Cu
al es la probabilidad de que un familia tenga dos ni
nos y dos ni
nas?
P (X = 2) = 0.375
Cu
al es la probabilidad de que una familia tenga s
olo ni
nas?
P (X = 4) = 0.0625
Cu
al es la probabilidad de que una familia tenga s
olo ni
nos?
P (X = 0) = 0.0625
8. Por termino medio se producen 10 urgencias pedi`
atricas diarias. Suponemos que la
v.a. sigue una distribuci
on de Poisson.
Cu
al es la probabilidad de que en un da determinado se produzca un n
umero
de urgencias igual a la media?
10
10
P (X = 10) = e 10!10 = 0.1251
Cu
al es la probabilidad de que en un da determinado se produzca un n
umero
de urgencias inferior a la media?
P
10
i
P (X 9) = 9i=0 e i!10 = 0.4579
Cu
al es la probabilidad de que en un da determinado se produzca un n
umero
de urgencias superior a la media?
P (X 11) = 1 [P (X 9) + P (X = 10)] = 1 [0.4579 + 0.1251] = 0.417
Cu
al es la probabilidad de que en un da determinado se produzcan menos de 5
urgencias?
P
10
i
P (X 4) = 4i=0 e i!10 = 0.0292
Cu
al es el n
umero de urgencias esperado para un da determinado con una
probabilidad del 95%?
En una distribuci
on de Poisson de par`
ametro = 10 la probabilidad P (X
15) = 0.9512. Por lo tanto, el n
umero esperado con probabilidad del 95% ser`
a
como m`
aximo 15.
3

9. X: v.a. n
umero de pacientes con complicaciones graves
Si un da determinado se realizan tres intervenciones de este tipo, cu
al es la
probabilidad de que se presenten complicaciones en todas ellas?


P (X = 3) = 33 (1/3)3 = 0.037
Cu
al es la probabilidad de que s
olo una de ellas presente complicaciones?


3
2
P (X = 1) = 1 (1/3)(2/3) = 0.444
Si intervenimos seis pacientes de este tipo, cu
al es la probabilidad de que el
n
umero de intervenciones que presenten complicaciones sea superior a la media
esperada?
= 6(1/3) = 2






P (X > 2) = 1P (X 2) = 1[ 60 (1/3)0 (2/3)6 + 61 (1/3)1 (2/3)5 + 62 (1/3)2 (2/3)4 ] =
0.3196
10. (***): Este es un ejercicio difcil
Suponemos que la v.a. n
umero de accidentes laborales diarios sigue una distribuci
on
de Poisson de par
ametro = 3. Podemos obtener la probabilidad de que se produzcan m
as de 3 accidentes diarios:
P
3 i
P (X > 3) = 1 P (X 3) = 1 3i=0 e i! 3 = 1 0.6472 = 0.3528
Ahora, para calcular la probabilidad de que se produzcan m
as de tres accidentes
diarios en m
as de dos das utilizaremos la distribuci
on binomial con par
ametros n = 5
y p = 0.3528. Sea Y la v.a. binomial que indica el n
umero de das con m
as de 3
accidentes diarios en una semana:






P (Y > 2) = 1P (Y 2) = 1[ 50 0.35280 0.64725 + 51 0.35281 0.64724 + 52 0.35282 0.64723 ] =
0.2395
11.

Probabilidad de que en un da determinado se produzca al menos un error

P (X 1) = 1 P (X = 0) = 1 10 (0.004)0 (0.996)100 = 0.33
Probabilidad de que en un da determinado se produzca m
as de tres errores




100
100
0
100
P (X > 3) = 1 P (X 3) = 1 [ 0 (0.004) (0.996) + 1 (0.004)1 (0.996)9 9+




100
100
2
9
(0.004)
(0.996)
8+
(0.004)3 (0.996)9 7] = 0.0007
2
3
Dado que la probabilidad del suceso es muy peque
na y que el n
umero de an
alisis
diarios es grande podemos abordar el problema utilizando la distribuci
on de
Poisson de par
ametro = np = 100(0.004) = 0.4. En este caso:
La probabilidad de que en un da determinado se produzca al menos un error
0.4
0
P (X 1) = 1 P (X = 0) = 1 e 0!0.4 = 1 0.670 = 0.33
Probabilidad de que en un da determinado se produzca m
as de tres errores
0.4
2
0.4
3
e0.4 0.40
e0.4 0.41
P (X > 3) = 1 P (X 3) = 1 [ 0!
+
+ e 2!0.4 + e 3!0.4 ] =
1!
1 [0.9992] = 0.0008
4

 Probabilidad de que en una semana se acumulen m

as de 5 errores
Si definimos la v.a. Y como el n
umero de errores en una semana, Y = X1 +X2 +
... + X7 sigue tambien una distribuci
on de Poisson con par
ametro = 7(0.4) =
2.8
P
2.8
i
P (Y > 5) = 1 P (Y 5) = 1 [ 5i=0 e i!2.8 ] = 1 0.935 = 0.065
12. Suponemos que el n
umero de pastillas defectuosas X sigue una distribuci
on de Poisson de par
ametro = np = 50 0.001 = 0.05
Probabilidad de que una de las pastillas de un frasco sea defectuosa P (X = 1) =
e0.05 0.051
= 0.0475
1!
Probabilidad de que un frasco contenga m
as de una pastilla defectuosa
0.05
1
e0.05 0.050
P (X 2) = 1 P (X 1) = 1 [
+ e 1!0.05 ] = 1 0.9988 = 0.0012
0!
Si los frascos se entregan en cajas de 10 frascos, calcula la probabilidad de que
al menos una de las cajas contenga m
as de una pastilla defectuosa
Utilizamos la probabilidad obtenida en el apartado anterior para resolver este
apartado, donde vamos a aplicar la distribuci
on binomial:


10
P (Y 1) = 1 P (Y = 0) = 1 [ 0 (0.0012)0 (0.9988)10 ] = 0.0119
13. (***): Este es un ejercicio difcil
Sensibilidad=P (T |E) = 0.89, especificidad=P (T |E) = 0.8,
prevalencia enfermedad=P(E)=0.05
Cu
al es la probabilidad de que al menos uno de cada 10 diagn
osticos sea err
oneo?
La probabilidad de que un diagn
ostico sea err
oneo la podemos expresar como:
P (T E) + P (T E) = P (T |E)P (E) + P (T |E)P (E) =(1-espec.)0.95+(1sens.)0.05 = 0.1955


P (X 1) = 1 P (X = 0) = 1 10
0.19550 0.804510 = 0.8864
0
Cual es la probabilidad de que al menos una de cada 10 personas enfermas sea
diagnosticada err
oneamente?
P (T |E) = 1 sensibilidad = 0.11


P (X 1) = 1 P (X = 0) = 1 10
0.110 0.8910 = 0.688
0
Cual es la probabilidad de que al menos una de cada 10 personas sanas sea
diagnosticada err
oneamente?
P (T |E) = 1 especif icidad = 0.2


P (X 1) = 1 P (X = 0) = 1 10
0.20 0.810 = 0.893
0
Cu
al es la probabilidad de que m
as de la mitad de los individuos con diagn
ostico
positivo esten realmente enfermos?
Hallamos primero el valor predictivo positivo de la prueba:
5

V P P = P (E|T ) =

P (T |E)P (E)
P (T |E)P (E)+P (T |E)P (E)

0.890.05
0.890.05+0.20.95

= 0.1897
Ahora calculamos la probabilidad de que m
as de la mitad de 10 individuos
(suponemos un grupo de 10 individuos) con diagn`
ostico positivo esten realmente enfermos:


P
10
P (X 6) = 10
(0.1897)i (1 0.1897)10i = 0.048
i=6
i