Professional Documents
Culture Documents
UNIDAD 4
DISTRIBUCIONES DISCRETAS DE PROBABILIDAD
Frecuentemente las observaciones que se generan en experimentos estadsticos tienen
algunos tipos generales de comportamiento, por eso sus variables se pueden describir
esencialmente con unas pocas distribuciones, las cuales pueden representarse mediante una
ecuacin.
Frente a la complejidad de los fenmenos bajo estudio, el experimentador aproxima y hace
algunos postulados tentativos acerca del mecanismo aleatorio y deriva un modelo por el
empleo de esos postulados en combinacin con las leyes de probabilidad.
Un modelo de probabilidad para la variable aleatoria X es una forma especfica de
distribucin de probabilidades que es asumida para reflejar el comportamiento de X. Las
probabilidades son registradas en trminos de parmetros desconocidos que relacionan las
caractersticas de la poblacin y el mtodo de muestreo.
EL MODELO DEBE SER COHERENTE CON LA REALIDAD
En esta unidad se examinarn detalladamente algunas distribuciones especficas de
probabilidad que han demostrado, empricamente, ser modelos tiles para diversos
problemas prcticos. Pero dichas distribuciones son tericas porque sus funciones de
probabilidad se deducen matemticamente con base en ciertas hiptesis que se suponen
vlidas para esos fenmenos aleatorios.
Dichas distribuciones son idealizaciones del mundo real, por lo tanto sus resultados no
siempre coinciden con la realidad.
Una variable aleatoria es una funcin que asigna un nmero real a cada resultado del
espacio muestral de un experimento aleatorio.
Dicho de otra forma, una variable aleatoria es una funcin valorada numricamente,
cuyo valor est regido por factores en los que interviene el azar.
Las variables aleatorias pueden ser discretas o continuas, segn su rango de valores.
Una variable aleatoria es discreta si el nmero de valores que puede tomar es contable;
generalmente puede asumir nicamente valores enteros. Cada uno de sus valores tiene
cierta probabilidad.
La descripcin del conjunto de posibles valores de X y la probabilidad asociada a cada uno
se denomina distribucin de probabilidad. Si la variable puede tomar un nmero
pequeo de valores, la forma ms simple consiste en construir una tabla que contenga los
posibles valores y sus respectivas probabilidades; si no son pocos, lo ms adecuado es
expresar dicha probabilidad como una ecuacin.
EJEMPLO 4.1.
Se lanza una moneda 3 veces. Construir la distribucin de probabilidad de X, si ste es el
nmero de caras.
Solucin:
x
f(x)
0
1/8
1
3/8
2
3/8
3
1/8
f(x) 0
3.
p(X=x) = f(x)
f ( x) 1
EJEMPLO 4.2.
Un embarque de 8 microcomputadores similares que se enva a un distribuidor contiene 3
aparatos defectuosos. Si una escuela realiza una compra aleatoria de 2 de estos
computadores, encuentre la distribucin de probabilidades para el nmero de
computadores defectuosos
Solucin:
p(X=0) = 5/8 * 4/7 = 10/28
p(X=1) = 5/8 * 3/7 * 2 = 15/28
p(X=2) = 3/28
Por lo tanto, la distribucin de probabilidades puede expresarse as:
x
f(x)
0
10/28
1
15/28
2
3/28
EJEMPLO 4.3.
Un examen de opcin mltiple contiene 25 preguntas, cada una con cuatro respuestas, de
las cuales slo una es correcta. Cierto estudiante trata de adivinar las respuestas; haga una
distribucin de frecuencias para el nmero de respuestas correctas.
Solucin:
P ( X x)
25
C x * (0.25) x * (0.75) 25 x
Adems, puede hablarse de una distribucin acumulada de dicha variable; sta se denota
como F(X), indica la probabilidad de que X sea menor o igual a un valor especfico y est
dada por:
x x
F(X) = p(Xx) =
p(X)
x 0
EJEMPLO 4.4.
La produccin diaria de 850 partes manufacturadas contiene 50 que no cumplen con los
requerimientos del cliente. Del lote se escogen dos partes al azar; si X es el nmero de
partes que no cumplen los requerimientos del cliente, hallar F(X=1).
Solucin:
F(1) = P(X=0) + P(X=1)
= 800/850*799/849 + 800/850*50/849*2
= 0.997
EJEMPLO 4.5.
Se disea un generador de nmeros seudoaleatorios. Cuntos cincos se esperara obtener
si se generan 10000 nmeros?
Solucin:
P(X = 5) = 1/10
Por lo tanto, el nmero esperado de cincos es 10000*1/10 = 1000
Llamemos x
Poblacin
A: Caracterstica de inters.
B: Caracterstica de no inters.
P( A)
N1
p
N1 N 2
P( B)
N2
q
N1 N 2
Siempre p + q = 1
Sea x el nmero de elementos que poseen la caracterstica de inters; x = 0,1
x
f(x)
0
q
Entonces: P ( x ) p x q1 x ;
E ( x)
E( x2 )
x 0,1
x * f ( x) 0 * q 1 * p
1
p
* f ( x ) 0 2 * q 12 * p p
2 E ( x 2 ) E ( x) 2 p p 2 p (1 p ) pq
3. Distribucin binomial:
Cuando un nmero fijo n de ensayos repetidos de Bernoulli es realizado con probabilidad
de xito p en cada ensayo, es decir, la probabilidad de un xito permanece
constante.
Adems, debe cumplirse que los ensayos sean independientes.
Por ejemplo, supngase que se resuelve al azar un examen de escogencia mltiple y se
quiere encontrar la probabilidad de ganarlo.
La funcin de probabilidad binomial puede escribirse como:
n
f ( x) p x q n x ,
x
EJEMPLO 4.6.
Se sabe que los discos producidos en una empresa salen defectuosos con probabilidad,
independientemente unos de otros, de 0.01. La compaa vende los discos en paquetes de
10 y garantiza el reembolso del dinero si ms de uno de 10 discos sale defectuoso. Cul es
la proporcin de paquetes que se devuelven?
Si alguien compra 3 paquetes, cul es la probabilidad de que devuelva por lo menos uno
de ellos?
Solucin:
P(X>1) = 1 P(X=0) - P(X=1)
10
10
0.010 * 0.9910
0.01 * 0.99 9 0.0043
0
1
EJEMPLO 4.7.
Un examen de seleccin mltiple contiene 20 preguntas, cada una con cuatro posibles
respuestas, de las cuales slo una es correcta. Suponga que un estudiante slo adivina las
respuestas.
a)
Cul es la probabilidad de que el estudiante conteste correctamente ms de la
mitad de las preguntas?
b)
Cul es la probabilidad de que el estudiante conteste correctamente menos de
5 preguntas?
c)
Cul es la probabilidad de que el estudiante gane el examen?
d)
Cul es el nmero esperado de respuestas correctas?
e)
Responder las preguntas a) y c) si cada pregunta tiene 5 opciones.
Solucin:
p=
n = 20
= 20 * = 5 respuestas correctas
4. Distribucin hipergeomtrica
Como el muestreo sin reemplazo viola las condiciones de Bernoulli si la muestra no es
grande, algunas veces es necesario plantear un tipo diferente de distribucin. (Es evidente
que la mayora de muestreos se realiza sin reemplazo, esto implica que si la poblacin es
pequea las probabilidades cambiarn en cada observacin).
Cuando se selecciona sin reemplazo una muestra aleatoria de tamao n de una poblacin
de tamao N y el inters recae en la probabilidad de seleccionar x xitos de los k artculos
considerados como xitos en la poblacin, se realiza un experimento hipergeomtrico y su
funcin de probabilidad viene determinada por:
f ( x)
k
x
N k
nx
N
nk
N
N n
k
k
*n* 1
N 1
N
N
EJEMPLO 4.8.
Los componentes de un sistema de seis elementos se toman aleatoriamente de un recipiente
con 20 componentes usados. El sistema funcionar si por lo menos 4 de los 6 componentes
estn en condiciones de funcionar; si 15 de los 20 componentes en el recipiente estn en
condiciones de funcionar, cul es la probabilidad de que el sistema funcione?
Solucin:
P(X4) =
15
5 15 5 15
2 5 1 6
20
5
0
= 0.8687
10
EJEMPLO 4.9.
La probabilidad de recibir de manera errnea un bit enviado por un canal de transmisin
digital es 0.1. Suponga que las transmisiones son eventos independientes; cul es la
probabilidad de que el primer errneo sea el: a) primero b) tercero c) quinto?
Solucin:
Sea: X = nmero de bits transmitidos hasta que se presenta el primer error.
a) P(X=1) = 0.1
b) P(X=3) = (0.9)2(0.1) = 0.081
c) P(X=5) = (0.9)4(0.1) = 0.066
6. Distribucin de Poisson
Este es el modelo de probabilidad ms adecuado para eventos que ocurren aleatoriamente a
travs del tiempo o el espacio.
Poisson supone:
a)
Independencia: El nmero de ocurrencias en un intervalo determinado es
independiente del nmero de ocurrencias en cualquier otro intervalo.
b)
La posibilidad de dos ocurrencias simultneas puede ser asumida como
cero.
c)
El nmero promedio de ocurrencias por unidad de tiempo o espacio se
considera una constante.
d)
La probabilidad de que suceda determinado nmero de eventos en un
proceso de Poisson depende nicamente de la longitud del intervalo observado y no de
su ubicacin.
La distribucin de probabilidad de la variable aleatoria de Poisson X, que representa el
nmero de resultados que ocurren en un intervalo de tiempo, rea, espacio o volumen
especfico se denota as:
f ( x)
e t ( t ) x
,
x!
11
EJEMPLO 4.10.
La contaminacin es un problema en la fabricacin de discos de almacenamiento ptico. El
nmero de partculas contaminantes que aparecen en la superficie de un disco ptico tiene
una distribucin Poisson; el nmero promedio de partculas por centmetro cuadrado de
superficie del medio de almacenamiento es 0.1. El rea de un disco bajo estudio es de 100
centmetros cuadrados. Encuentre la probabilidad de encontrar por lo menos una partcula
contaminante en el disco.
Solucin:
P(X1) = 1 P(X=0)
12
=1-
e 0.1*100 (10) 0
0!
EJEMPLO 4.11.
Los mensajes que llegan a un computador utilizado como servidor lo hacen de acuerdo con
una distribucin Poisson con una tasa promedio de 10 mensajes por hora.
a) Cul es la probabilidad de que lleguen ms de 3 mensajes en un espacio de 15 minutos?
b) Cul es el nmero esperado de mensajes en una jornada de 14 horas?
Solucin:
a) = 10
t=
= 2.5
P(X>3) = 1 P(X3)
= 1 0.7576
= 0.2424
b) = 10*14
= 140 mensajes
7. Distribucin multinomial:
Si el evento tiene ms de dos resultados posibles que son mutuamente excluyentes, p
permanece constante y las pruebas son independientes, se habla de un experimento
multinomial. La distribucin de probabilidad de las variables aleatorias X 1, X2, ..., Xk, que
representan el nmero de ocurrencias en N pruebas independientes, viene dada por:
f ( x)
n!
x
x
x
p1 1 p 2 2 ....... p k k
x1! x 2 !....x k !
EJEMPLO 4.12.
Los discos producidos en una empresa se clasifican como defectuosos, no defectuosos y
con pocos defectos, con probabilidades de 0.01, 0.95 y 0.04, respectivamente. La compaa
13
vende los discos en paquetes de 10, cul es la probabilidad de que en un paquete salga
uno con pocos defectos y uno defectuoso?
Solucin:
P(X) =
10!
* (0.95) 8 (0.01)(0.04) 0.0239
1!1!8!
2 kq / p 2
EJEMPLO 4.13.
La probabilidad de recibir de manera errnea un bit enviado por un canal de transmisin
digital es 0.1. Suponga que las transmisiones son eventos independientes, cul es la
probabilidad de que el cuarto error se presente al transmitir el dcimo bit?
Solucin:
9
(0.1) 4 (0.9) 6
3
14
EJERCICIOS PROPUESTOS
1. Una compaa manufacturera utiliza un esquema para aceptacin de los artculos
producidos antes de ser embarcados. El plan es de dos etapas. Se preparan cajas de 25
para embarque y se selecciona una muestra de 3 para verificar si tienen algn artculo
defectuoso. Si se encuentra por lo menos uno, la caja entera se regresa para verificarla
al 100%; si no se encuentra ningn artculo defectuoso la caja se embarca.
a)
Cul es la probabilidad de que se embarque una caja que contiene 3 artculos
defectuosos?
b)
Cul es la probabilidad de que una caja que contiene slo un artculo
defectuoso se regrese para verificacin?
c) Suponga que dicha compaa decide cambiar su esquema de aceptacin. Bajo el
nuevo esquema un inspector toma aleatoriamente un artculo, lo inspecciona y lo
regresa a la caja; un segundo inspector hace lo mismo; finalmente, un tercer
inspector lleva a cabo el mismo procedimiento. La caja no se embarca si cualquiera
de los 3 inspectores encuentra un artculo defectuoso. Responda las preguntas a y b
bajo este nuevo plan.
2.
3.
15
16
17
18
Para eso, selecciona aleatoriamente 15 de ellos de cada lote listo para embarcar y
aprueba el lote si todos los componentes seleccionados se hallan en buenas condiciones
de funcionamiento; de no ser as, se revisan todos los componentes del lote. Determinar
las probabilidades de que cometa el error de:
a) Retener un lote para su inspeccin detallada aunque el 95% de los componentes
estn bien.
b) Aprobar un lote aunque slo el 80% de los componentes estn bien.
22. Un proceso de fabricacin tiene 100 pedidos en espera de ser surtidos. Cada pedido
necesita un componente que se compra a otro proveedor. Lo comn es identificar 2%
de estos componentes como defectuosos; por otra parte, puede suponerse que el estado
de cada componente es independiente del de los dems.
a) Si el inventario del fabricante es de 100 componentes, cul es la probabilidad de
que se puedan surtir los 100 pedidos sin tener que pedir ms componentes?
b) Si el inventario del fabricante es de 105 componentes, cul es la probabilidad de
que se puedan surtir todos los pedidos sin tener que pedir ms componentes?
23. El nmero de componentes que falla antes de cumplir 100 horas de operacin es una
variable aleatoria de Poisson. Si el nmero promedio de stas es 8:
a) Cul es la probabilidad de que falle un componente antes de 25 horas?
b) Cul es la probabilidad de que fallen no ms de dos componentes en 50 horas?
c) Cul es la probabilidad de que fallen por lo menos 10 en 125 horas?
24. La produccin de un lote de cierto artculo se considera exitosa si tiene una efectividad
del 90% (si el 90% de los artculos del lote son de excelente calidad). Se ensayan 20
artculos de cierto lote y se considera bueno si los artculos defectuosos no son ms de
dos.
a) Cul es la probabilidad de rechazar un lote que es bueno?
b) Cul es la probabilidad de aceptar un lote que realmente tiene un 80% de artculos
de excelente calidad?