Académique Documents
Professionnel Documents
Culture Documents
Universidad de Córdoba
Montería – 2019
2 Modelos de probabilidad
Modelo binomial
Distribución geométrica
Distribución Binomial Negativa
Distribución hipergeométrica
Distribución de Poisson
Contenido
2 Modelos de probabilidad
Modelo binomial
Distribución geométrica
Distribución Binomial Negativa
Distribución hipergeométrica
Distribución de Poisson
Definición
Una variable aleatoria es una función que asigna un número real a
cada resultado en el espacio muestral de un experimento aleatorio.
Ejemplo (1.1)
X
S R
CCC
CCS 0
CSC
1 Se tiene que P (S) = P (C) = 12 , es
CSS
decir, los resultados son
SCC
igualmente probables, entonces
SCS 2
la probabilidad asociada a cada
SSC
evento simple es 18 :
SSS 3
X
S R P (X = 1) =P ({CCS, CSC, SCC})
CCC 1 1 1
= + +
CCS 0 8 8 8
CSC 3
=
CSS 1 8
SCC
SCS 2
SSC
SSS 3
X
S R P (X = 1) =P ({CCS, CSC, SCC})
CCC 1 1 1
= + +
CCS 0 8 8 8
CSC 3
=
CSS 1 8
SCC
SCS 2
SSC P (X = 2) =P ({CSS, SCS, SSC})
SSS 3 1 1 1
= + +
8 8 8
3
=
8
Figure: Variable Aleatoria X, número
de sellos al lanzar dos monedas.
Definición
La distribución de probabilidad de una variable aleatoria X es una
descripción del conjunto de valores posibles de X (rango de X) junto
con la probabilidad asociada a cada uno de estos valores.
Definición
La distribución de probabilidad de una variable aleatoria X es una
descripción del conjunto de valores posibles de X (rango de X) junto
con la probabilidad asociada a cada uno de estos valores.
x 0 1 2 3
1 3 3 1
P (X = x) 8 8 8 8
Ejemplo (1.2)
Ejemplo (1.2)
Ejemplo (1.2)
Y
S R P (Y = y)
n 1 0.01
sn 2 0.99 × 0.01
ssn 3 0.992 × 0.01
sssn 4 0.993 × 0.01
ssssn 5 0.994 × 0.01
sssssn 6 0.995 × 0.01
.. .. ..
. . .
0.99 y−1 × 0.01
Figure: Número de latas analizadas hasta encontrar una lata que no cumpla
Distribución de probabilidad de Y
X
P (Y = y) = 0.01 × 0.99y−1 para y = 1, 2, · · ·
Z
S R
BB
0
BD
1
DB
2
DD
Figure: Variable
Morales & MoralesAleatoria X, número sellos en el lanzamiento de
V. A. Discretas tres
Junio de 2019 11 / 67
Variables aleatorias discretas Función de pobabilidad
Distribución de probabilidad
z 0 1 2
P (Z = z) 0.886 0.11 0.004
Función de probabilidad
Definición
La función del conjunto de números reales al intervalo [0, 1] definida
mediante
(
P (X = x) si x pertenece al rango de X
fX (x) =
0 en otro caso
Propiedades
La función de probabilidad, fX de una variable aleatoria X satisface
las siguiente propiedades.
fX (x) ≥ 0 para todo x.
P
fX (x) = 1.
x
3/8 ● ●
Probabilidad
1/8 ● ●
● ● ● ●
0 1 2 3
1
8 si x = 0
3
si x = 1
8
3
fX (x) = 8 si x = 2
1
si x = 3
8
0 en cualquier otro caso
Definición
La función de distribución acumulada de una variable aleatoria
discreta X, denotada por FX (x) se define como
X
FX (x) = P (X ≤ x) = fX (xi )
xi ≤x
Propiedades
La función de probabilidad, FX de una variable aleatoria X satisface
las siguiente propiedades.
0 ≤ FX (x) ≤ 1.
Si x ≤ y, entonces FX (x) ≤ FX (y).
1 ●
7/8 ● ●
Probabilidad acumulada
4/8 ● ●
1/8 ● ●
0 ●
0 1 2 3
0 si x < 0
81
si 0 ≤ x < 1
4
FX (x) = 8 si 1 ≤ x < 2
7
si 2 ≤ x < 3
8
1 si x ≥ 3
X
P (a ≤ X ≤ b) = F (b) − F (a− ), por ejemplo
4 4
P (2 ≤ X ≤ 4) = F (4) − F (2− ) = 1 − =
8 8
P (a ≤ X < b) = F (b− ) − F (a− ), por ejemplo
7 1 6
P (1 ≤ X < 3) = F (3− ) − F (1− ) = − =
8 8 8
X
P (a ≤ X ≤ b) = F (b) − F (a− ), por ejemplo
4 4
P (2 ≤ X ≤ 4) = F (4) − F (2− ) = 1 − =
8 8
P (a ≤ X < b) = F (b− ) − F (a− ), por ejemplo
7 1 6
P (1 ≤ X < 3) = F (3− ) − F (1− ) = − =
8 8 8
X
P (a < X ≤ b) = F (b) − F (a), por ejemplo
4 4 1
P (1 < X ≤ 4) = F (4) − F (1) = 1 − = =
8 8 2
P (a < X < b) = F (b− ) − F (a), por ejemplo
7 1 6
P (0 < X < 3) = F (3− ) − F (0) = − =
8 8 8
P (X = a) = F (a) − F (a− ), por ejemplo
7 4 3
P (X = 2) = F (2) − F (2− ) = − =
8 8 8
X
P (a < X ≤ b) = F (b) − F (a), por ejemplo
4 4 1
P (1 < X ≤ 4) = F (4) − F (1) = 1 − = =
8 8 2
P (a < X < b) = F (b− ) − F (a), por ejemplo
7 1 6
P (0 < X < 3) = F (3− ) − F (0) = − =
8 8 8
P (X = a) = F (a) − F (a− ), por ejemplo
7 4 3
P (X = 2) = F (2) − F (2− ) = − =
8 8 8
X
P (a < X ≤ b) = F (b) − F (a), por ejemplo
4 4 1
P (1 < X ≤ 4) = F (4) − F (1) = 1 − = =
8 8 2
P (a < X < b) = F (b− ) − F (a), por ejemplo
7 1 6
P (0 < X < 3) = F (3− ) − F (0) = − =
8 8 8
P (X = a) = F (a) − F (a− ), por ejemplo
7 4 3
P (X = 2) = F (2) − F (2− ) = − =
8 8 8
0 si z < 0
0.886 si 0 ≤ z < 1
FZ (z) =
0.971 si 1 ≤ z < 2
1 si z ≥ 2
1.000 ●
0.971 ● ●
0.886 ● ●
Probabilidad acumulada
0 1 2 3
Ejemplo
Si se lanzan dos dados. Definimos la variable aleatoria X como la
suma de los resultados
1 Obtenga la tabla de distribución de probabilidad.
2 Obtenga la tabla de distribución acumulada.
3 Calcule P (4 ≤ X ≤ 9)
4 Calcule P (5 < X ≤ 8)
● ● ● ● ● ● ●●●
● ● ● ● ● ● ● ● ●
● ● ● ● ● ● ●●●
● ● ● ● ● ● ● ● ● ● ● ●●● ●
● ● ●
● ● ● ● ● ● ● ● ● ● ● ●●● ●
● ● ● ● ● ● ● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ●
● ● ●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●● ● ●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
Valor esperado.
Valor esperado.
Valor esperado.
Valor esperado.
Valor esperado
Ejercicio 1
Considere la variable aleatoria X con la siguiente distribución
x 18 20 22
f (x) 0.2 0.6 0.2
Calcule E(X)
Ejercicio 2
Considere la variable aleatoria Y con la siguiente distribución
y 0 15 25 40
f (y) 0.2 0.3 0.3 0.2
Calcule E(Y )
Valor esperado
Observación
Aunque X y Y tienen los mismos valores esperados, la distribución de
Y es más variable. Los valores de Y difieren mucho mas de E(Y ) que
los de X con respecto a E(X).
Valor esperado
Observación
Aunque X y Y tienen los mismos valores esperados, la distribución de
Y es más variable. Los valores de Y difieren mucho mas de E(Y ) que
los de X con respecto a E(X).
X
Estas diferencias en las distribuciones pueden resumirse al considerar
una medida de variabilidad.
Definición (Varianza)
Suponga que la media de X es µX y que la función de probabilidad es
fX entonces la varianza de X se define como
X
2
= E (X − µX )2 = (x − µX )2 fX (x)
Var(X) = σX
x
3 2 1 3 2 3
2
σX = 0− × + 1− ×
2 8 2 8
2 2
3 3 3 1 3
+ 2− × + 3− × =
2 8 2 8 4
3 2 1 3 2 3
2
σX = 0− × + 1− ×
2 8 2 8
2 2
3 3 3 1 3
+ 2− × + 3− × =
2 8 2 8 4
3 2 1 3 2 3
2
σX = 0− × + 1− ×
2 8 2 8
2 2
3 3 3 1 3
+ 2− × + 3− × =
2 8 2 8 4
Varianza
Ejercicio 1
Considere la variable aleatoria X con la siguiente distribución
x 18 20 22
f (x) 0.2 0.6 0.2
Ejercicio 2
Considere la variable aleatoria Y con la siguiente distribución
y 0 15 25 40
f (y) 0.2 0.3 0.3 0.2
Contenido
2 Modelos de probabilidad
Modelo binomial
Distribución geométrica
Distribución Binomial Negativa
Distribución hipergeométrica
Distribución de Poisson
Experimento binomial
Experimento binomial
Experimento binomial
Experimento binomial
Experimento binomial
Experimento binomial
Experimento binomial
Experimento binomial
Definición
La variable aleatoria X definida como el número de éxitos obtenidos
en los n ensayos tiene una distribución binomial con parámetros p y
n.
Definición
La variable aleatoria X definida como el número de éxitos obtenidos
en los n ensayos tiene una distribución binomial con parámetros p y
n. La función de probabilidad es:
n x
P (X = x) = p (1 − p)(n−x) ; x = 0, 1, 2, · · · n
x
Definición
La variable aleatoria X definida como el número de éxitos obtenidos
en los n ensayos tiene una distribución binomial con parámetros p y
n. La función de probabilidad es:
n x
P (X = x) = p (1 − p)(n−x) ; x = 0, 1, 2, · · · n
x
Ejemplo
La experiencia ha demostrado que el 30% de todas las personas
afectadas por cierta enfermedad, se recupera. Una compañía
farmacéutica desarrolló una vacuna. Se seleccionaron al azar 10
personas con la enfermedad en cuestión y se les administró la
vacuna. Supóngase que la vacuna es completamente ineficaz. ¿Cuál
es la probabilidad de que al menos 9 de las 10 personas infectadas se
recuperen?
Ejemplo
La experiencia ha demostrado que el 30% de todas las personas
afectadas por cierta enfermedad, se recupera. Una compañía
farmacéutica desarrolló una vacuna. Se seleccionaron al azar 10
personas con la enfermedad en cuestión y se les administró la
vacuna. Supóngase que la vacuna es completamente ineficaz. ¿Cuál
es la probabilidad de que al menos 9 de las 10 personas infectadas se
recuperen?
P (Y ≥ 9) = P (9) + P (10)
10
P (Y = 9) = P (9) = (0.3)9 (0.7)1 = 0.000138
9
10
P (Y = 10) = P (10) = (0.3)10 (0.7)0 = 0.000006
10
Entonces
P (Y ≥ 9) = P (9) + P (10) = 0.000138 + 0.000006 = 0.000144
10
P (Y = 9) = P (9) = (0.3)9 (0.7)1 = 0.000138
9
10
P (Y = 10) = P (10) = (0.3)10 (0.7)0 = 0.000006
10
Entonces
P (Y ≥ 9) = P (9) + P (10) = 0.000138 + 0.000006 = 0.000144
Interpretación
Suponga que se realiza el experimento tal como se describe en el
enunciado del ejercicio, y se observa que se recuperan 9 o mas
pacientes. Como bajo el supuesto que la vacuna es ineficaz, la
probabilidad de observar ese evento es extremadamente pequeña
(144 en un millón de veces), o bien hemos observado un evento muy
raro, o bien la vacuna si es muy útil en la prevención de la
enfermedad. Nos inclinamos por la última opción.
Morales & Morales V. A. Discretas Junio de 2019 40 / 67
Modelos de probabilidad Modelo binomial
● ●
p=0.3 p=0.5
0.20
●
● ●
0.20
0.10
● ● ●
0.10
● ●
● ●
0.00
0.00
● ● ● ●
● ● ● ●
0 2 4 6 8 10 0 2 4 6 8 10
x x
● ●
y
0.10
● ●
●
0.00
● ●
● ● ● ● ● ● ● ● ● ●
0 2 4 6 8 10 0 2 4 6 8 10
Usando la computadora
Con R
1-pbinom(8,size=10,p=0.3)
Otra forma equivalente
pbinom(8,size=10,p=0.3,lower.tail=FALSE)
Usando la computadora
Con R
1-pbinom(8,size=10,p=0.3)
Otra forma equivalente
pbinom(8,size=10,p=0.3,lower.tail=FALSE)
Con Excel
=1-DISTR.BINOM(8;10;0,3;1)
=DISTR.BINOM(x;n;p;1)
=DISTR.BINOM(x;n;p;0)
Morales & Morales V. A. Discretas Junio de 2019 43 / 67
Modelos de probabilidad Modelo binomial
Ejemplo
Ejemplo (2.2)
X
Sea X el número de autos que giran a la izquierda. Por las
condiciones del problema X es binomial de parámetros p = 0.25 y
n = 10. La capacidad del carril se supera si 6 o más carros giran a la
izquierda.
X
Sea X el número de autos que giran a la izquierda. Por las
condiciones del problema X es binomial de parámetros p = 0.25 y
n = 10. La capacidad del carril se supera si 6 o más carros giran a la
izquierda.
P (X ≥ 6) = P (X = 6) + P (X = 7) + · · · + P (X = 10) = 0.01972771
10
P (X = 6) = (0.25)6 (0.75)4 = 0.01622
6
10
P (X = 7) = (0.25)7 (0.75)3 = 0.00309
7
..
.
10
P (X = 10) = (0.25)10 (0.75)0 = 0.0000009537
10
10
P (X = 6) = (0.25)6 (0.75)4 = 0.01622
6
10
P (X = 7) = (0.25)7 (0.75)3 = 0.00309
7
..
.
10
P (X = 10) = (0.25)10 (0.75)0 = 0.0000009537
10
X interpretación
De cada 100 veces que se acumulen 10 autos en el semáforo, en dos
oportunidades se superará la capacidad del carril.
Morales & Morales V. A. Discretas Junio de 2019 46 / 67
Modelos de probabilidad Distribución geométrica
fX (x) = P (X = x) = (1 − p)x−1 p, x = 1, 2, · · ·
fX (x) = P (X = x) = (1 − p)x−1 p, x = 1, 2, · · ·
Teorema
Si X es una variable aleatoria geométrica con parámetro p entonces
1 1−p
E(X) = p y Var(X) = p2
Solución
Sea X el número de pruebas que es necesario realizar hasta
encontrar la primera que no cumple. Si se asume que cada prueba es
independiente una de otra, entonces X tiene distribución geométrica
de parámetro p = 0.05
1 1 − 0.05
E(X) = = 20 Var(X) = = 380
0.05 0.052
Morales & Morales V. A. Discretas Junio de 2019 48 / 67
Modelos de probabilidad Distribución geométrica
dgeom(99,0.05)
La probabilidad acumulada P (X ≤ 100) se calcula mediante
pgeom(99,0.05)
Solución
Sea X el número de hijos que es necesario tener hasta que nazca la
primera niña. Si se asume que el sexo de cada hijo es independiente
del sexo del otro, entonces X tiene distribución geométrica de
parámetro p = 0.5.
1
E(X) = =2
0.5
Se pide calcular P (X ≥ 3)
Morales & Morales V. A. Discretas Junio de 2019 50 / 67
Modelos de probabilidad Distribución geométrica
P (X ≥ 3) = 1 − P (X < 3) = 1 − P (X ≤ 2)
= 1 − {P (X = 1) + P (X = 2)}
= 1 − {0.50 × 0.5 + 0.51 × 0.5}
= 1 − {0.5 + 0.25} = 1 − 0.75 = 0.25
1-pgeom(1,0.5)
Otra forma
1-(dgeom(0,0.5)+dgeom(1,0.5))
P (X ≥ 3) = 1 − P (X < 3) = 1 − P (X ≤ 2)
= 1 − {P (X = 1) + P (X = 2)}
= 1 − {0.50 × 0.5 + 0.51 × 0.5}
= 1 − {0.5 + 0.25} = 1 − 0.75 = 0.25
1-pgeom(1,0.5)
Otra forma
1-(dgeom(0,0.5)+dgeom(1,0.5))
Definición
Suponga que se tiene:
Una serie de esayos Bernoulli,
independientes,
probabilidad de éxito constante p,
X es el número de ensayos realizados hasta que se obtienen r
éxitos
Entonces X tiene una distribución Binomial Negativa con parámetros
p y r = 1, 2, · · ·
x−1
fX (x; p, r) = (1 − p)x−r pr , x = r, r + 1, r + 2 · · ·
r−1
Ejemplo
En un departamento de control de calidad se inspeccionan las
unidades terminadas que provienen de una linea de ensamble. Se
piensa que la proporción de unidades defectuosas es 0.05.
1 ¿Cuál es la probabilidad de que sea necesario inspeccionar 20
unidades hasta encontrar 2 defectuosas?
2 ¿Cuál es el valor esperado y la varianza del número de
inspecciones que es necesario hacer hasta encontrar dos
defectuosas?
Morales & Morales V. A. Discretas Junio de 2019 53 / 67
Modelos de probabilidad Distribución Binomial Negativa
Solución
2 2(1 − 0.05)
E(X) = = 40 Var(X) = = 760
0.05 0.052
Distribución hipergeométrica.
Definición
Un conjunto de N objetos contiene
K (K ≤ N ) elementos con el atributo A, los cuales se consideran
éxitos.
N − K sin el atributo (Ac )
Se toma una muestra de tamaño n, (n ≤ N ) al azar (sin
remplazo).
Sea X el número de éxitos en la muestra.
Entonces X tiene distribución hipergeométrica con función de
probabilidad.
K N −K
x n−x
fX (x) = N
con x = 0, 1, . . . , min{K, n}
n
N –objetos
A Ac
Muestra (n)
x
K–objetos (N − K)–objetos
Teorema
Si X tiene distribución hipergeométrica con parámetros N , K y n
entonces la media y la varianza de X son
2 N −n
µX = E(X) = np σX = np(1 − p)
N −1
K
donde p = N
Ejemplo
Un lote de piezas contiene 100 de un proveedor local de tuberías, y
200 de un proveedor de otro estado. Si se eligen cuatro piezas al azar
y sin remplazo ¿cuál es la probabilidad de que todas provengan del
proveedor local?
Ejemplo
Un lote de piezas contiene 100 de un proveedor local de tuberías, y
200 de un proveedor de otro estado. Si se eligen cuatro piezas al azar
y sin remplazo ¿cuál es la probabilidad de que todas provengan del
proveedor local?
En este caso se toma como éxito que el origen de la pieza sea del
proveedor local. De acuerdo con el problema tenemos N = 300, K =
100, n = 4 y x = 4
100 200
4
P (X = 4) = 300
0 = 0.0119
4
Distribución de Poisson.
Distribución de Poisson.
Definición
Si X es la variable aleatoria que cuenta el número de veces que un
evento ocurre en un intervalo (o unidad de tiempo, longitud, superficie,
volumen, etc), y si se tiene que los eventos son independientes y el
número promedio por intervalo es λ, se dice que X tiene una
distribución de Poisson y la función de probabilidad de X es
e−λ λx
P (X = x) = , para x = 0, 1, 2, . . .
x!
Distribución de Poisson.
Definición
Si X es la variable aleatoria que cuenta el número de veces que un
evento ocurre en un intervalo (o unidad de tiempo, longitud, superficie,
volumen, etc), y si se tiene que los eventos son independientes y el
número promedio por intervalo es λ, se dice que X tiene una
distribución de Poisson y la función de probabilidad de X es
e−λ λx
P (X = x) = , para x = 0, 1, 2, . . .
x!
Teorema
Si X es una variable aleatoria con distribución de Poisson con
parámetro λ entonces
E(X) = λ y Var(X) = λ
Ejemplo
El número de baches en una sección de carretera interdepartamental
puede modelarse con una distribución de Poisson con media de dos
baches por milla.
1 ¿Cuál es la probabilidad de que no halla baches que reparrar en
un tramo de cinco millas?
2 ¿Cual es la probabilidad que sea necesario reparar al menos un
bache en un tramo de media milla?
Código R
P (X = 0) con λ = 10
dpois(x=0,lambda=10)
P (X ≤ 4)
ppois(q=4,lambda=10)
Solución
Consideremos como éxito encontrar un ensamble defectuoso, por las
hipótesis del problema la probabilidad de éxito es p = 0.01.
1 Sea n el número de ensayos, en este caso n es desconocido.
2 Sea X el numero de éxitos en los n ensayos.
3 Como los ensayos son independiente, X tiene distribución
binomial con parámetros n =? y p = 0.01.
4 Se desea que P (X ≥ 1) > 0.95
Morales & Morales V. A. Discretas Junio de 2019 66 / 67
Modelos de probabilidad Distribución de Poisson
Solución
Consideremos como éxito encontrar un ensamble defectuoso, por las
hipótesis del problema la probabilidad de éxito es p = 0.01.
1 Sea n el número de ensayos, en este caso n es desconocido.
2 Sea X el numero de éxitos en los n ensayos.
3 Como los ensayos son independiente, X tiene distribución
binomial con parámetros n =? y p = 0.01.
4 Se desea que P (X ≥ 1) > 0.95
Morales & Morales V. A. Discretas Junio de 2019 66 / 67
Modelos de probabilidad Distribución de Poisson
Solución
Consideremos como éxito encontrar un ensamble defectuoso, por las
hipótesis del problema la probabilidad de éxito es p = 0.01.
1 Sea n el número de ensayos, en este caso n es desconocido.
2 Sea X el numero de éxitos en los n ensayos.
3 Como los ensayos son independiente, X tiene distribución
binomial con parámetros n =? y p = 0.01.
4 Se desea que P (X ≥ 1) > 0.95
Morales & Morales V. A. Discretas Junio de 2019 66 / 67
Modelos de probabilidad Distribución de Poisson
Solución
Consideremos como éxito encontrar un ensamble defectuoso, por las
hipótesis del problema la probabilidad de éxito es p = 0.01.
1 Sea n el número de ensayos, en este caso n es desconocido.
2 Sea X el numero de éxitos en los n ensayos.
3 Como los ensayos son independiente, X tiene distribución
binomial con parámetros n =? y p = 0.01.
4 Se desea que P (X ≥ 1) > 0.95
Morales & Morales V. A. Discretas Junio de 2019 66 / 67
Modelos de probabilidad Distribución de Poisson
Solución
Consideremos como éxito encontrar un ensamble defectuoso, por las
hipótesis del problema la probabilidad de éxito es p = 0.01.
1 Sea n el número de ensayos, en este caso n es desconocido.
2 Sea X el numero de éxitos en los n ensayos.
3 Como los ensayos son independiente, X tiene distribución
binomial con parámetros n =? y p = 0.01.
4 Se desea que P (X ≥ 1) > 0.95
Morales & Morales V. A. Discretas Junio de 2019 66 / 67
Modelos de probabilidad Distribución de Poisson
0.95 = P (X ≥ 1) = 1 − P (X = 0)
n
=1− 0.010 × 0.99n
0
= 1 − 0.99n
ln 0.05
n= = 298.0729 ≈ 299
ln 0.99
Verificación:
1-dbinom(0,size=299,prob=0.01)
[1] 0.9504637
Morales & Morales V. A. Discretas Junio de 2019 67 / 67