Professional Documents
Culture Documents
Distribuciones Discretas
Distribuciones Discretas
Distribuciones Discretas
DISTRIBUCIONES DE PROBABILIDAD
DE VARIABLES ALEATORIAS
DISCRETAS
Notas de clase
Contenido
1 Variables Aleatorias
Introducción
Función de Probabilidad
Función de distribución Acumulada de una V.A discreta
Valor Esperado y Varianza de una V.A Discreta
3 Ejercicios de entrenamiento
Introducción
Introducción
Denición
Ejemplo 1:
Ω Y P (Y = y)
2/7
Y P (Y = y)
RR 2
0 1/7
RN 1 2/7
1 4/7
NR 1 2/7
2 2/7
NN 0 1/7
Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas
Introducción
Variables Aleatorias
Función de Probabilidad
Distribuciones de Probabilidad Discretas
Función de distribución Acumulada de una V.A discreta
Ejercicios de entrenamiento
Valor Esperado y Varianza de una V.A Discreta
Ejemplo 1:
Ω Y P (Y = y)
2/7
Y P (Y = y)
RR 2
0 1/7
RN 1 2/7
1 4/7
NR 1 2/7
2 2/7
NN 0 1/7
Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas
Introducción
Variables Aleatorias
Función de Probabilidad
Distribuciones de Probabilidad Discretas
Función de distribución Acumulada de una V.A discreta
Ejercicios de entrenamiento
Valor Esperado y Varianza de una V.A Discreta
Función de Probabilidad
Denición
Propiedades
Ejemplo
Ejemplo
1/7 si y = 0
4/7 si y = 1
fY (y) =
2/7 si y = 2
0 En cualquier otro caso
Denición
X
Fx (x) = P (X ≤ x) = fX (xi )
xi ≤x
Propiedades
0 ≤FX (x) ≤ 1
si x ≤ y , entonces FX (x) ≤ FY (y)
Ejemplo
Ejemplo
0 si y < 0
1/7 si 0 ≤ y < 1
fY (y) =
4/7 si 1 ≤ y < 2
1 si y ≥ 2
Ω X P (X = x)
CCC 3 1/8
CCS 2 1/8 X P (X = x)
CSC 2 1/8 0 1/8
SSC 1 1/8
SSS 0 1/8
Ejemplo 3:
(
3
10 si x = 0
P (X = x) = 7
10 si x = 1
donde
X 2
E X2 = x P (X = x)
Rx
Ejemplo
Ejemplo 1:
Y P (Y = y)
1
0
7
4
1
7
2
2
7
Ejemplo
Ejemplo 1:
La varianza:
X
E Y2 = y 2 P (Y = y) = 02 1
+ 12 4
+ 22 2 12
7 7 7 = 7
Ry
V ar (Y ) = E Y 2 − E 2 (Y )
2
12 8
= −
7 7
12 64
= −
7 49
20
=
49
Distribución Bernoulli
Ensayo Bernoulli
Distribución Bernoulli
Denición:
q si x = 0
f (x) = p si x = 1
0 En cualquier otro caso;
Valor Esperado
E (X) = p
Varianza
V ar (X) = p (1 − p)
Valor Esperado
E (X) = p
Varianza
V ar (X) = p (1 − p)
Introducción
Distribución Binomial
Experimento binomial
Independientes.
Denición:
n
px (1 − p)n−x , x = 0, 1, 2, ..., n
P (X = x) = x
n
n!
Donde
x =
(n − x)!x!
Valor esperado
E (X) = np
Varianza
V ar (X) = np (1 − p)
Valor esperado
E (X) = np
Varianza
V ar (X) = np (1 − p)
Ejemplo 1
Ejemplo 1:
Solución
Ejemplo 1
Ejemplo 1:
Solución
Ejemplo 1
10
10−2
P (X = 2) = 2 0.052 (1 − 0.05) = (45) 0.052 0.958 = 0.0746
P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2)
10 0 10−0 10 10−1
= 0.05 (1 − 0.05) + 0.051 (1 − 0.05)
0 1
10 10−2
+ 0.052 (1 − 0.05)
2
= 0.5987369 + 0.3151247 + 0.0746348
= 0.9885
Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas
Distribución de Bernoulli
Distribución Binomial
Variables Aleatorias
Distribución Geométrica
Distribuciones de Probabilidad Discretas
Distribución Binomial Negativa
Ejercicios de entrenamiento
Distribución Hipergeométrica
Distribución de Poisson
Ejemplo 1
10
10−2
P (X = 2) = 2 0.052 (1 − 0.05) = (45) 0.052 0.958 = 0.0746
P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2)
10 0 10−0 10 10−1
= 0.05 (1 − 0.05) + 0.051 (1 − 0.05)
0 1
10 10−2
+ 0.052 (1 − 0.05)
2
= 0.5987369 + 0.3151247 + 0.0746348
= 0.9885
Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas
Distribución de Bernoulli
Distribución Binomial
Variables Aleatorias
Distribución Geométrica
Distribuciones de Probabilidad Discretas
Distribución Binomial Negativa
Ejercicios de entrenamiento
Distribución Hipergeométrica
Distribución de Poisson
Ejemplo 1
P (X ≥ 1) = 1 − P (X < 1)
= 1 − P (X = 0)
10 10−0
=1− 0.050 (1 − 0.05)
0
= 1 − 0.5987369
= 0.4013
Ejemplo 1
Ejemplo 1
Ejemplo 2
Ejemplo 2:
Ejemplo 2
Solución
Denamos:
X: Número de personas que se recuperan de las 12 seleccionadas.
Luego n = 12, p = 0.3
12
0.3x (1 − 0.3)12−x , x = 0, 1, 2, ..., 12
P (X = x) = x
Ejemplo 2
12
0.30 (1 − 0.3)12−0 = (1) 0.30 0.712 = 0.0138
P (X = 0) = 0
12
0.312 (1 − 0.3)12−12 = (1) 0.312 0.70 =
P (X = 12) = 12
5.31441 × 10−7
Ejemplo 2
12
0.30 (1 − 0.3)12−0 = (1) 0.30 0.712 = 0.0138
P (X = 0) = 0
12
0.312 (1 − 0.3)12−12 = (1) 0.312 0.70 =
P (X = 12) = 12
5.31441 × 10−7
Ejemplo 2
=
E (X) = np (12) (0.3) = 3.6
Ejemplo 2
=
E (X) = np (12) (0.3) = 3.6
Introducción
Denición:
p (X = x) = p (1 − p)x−1 x = 1, 2, ...
Valor esperado
1
E (X) = p
Varianza
1−p
V ar (X) = p2
Valor esperado
1
E (X) = p
Varianza
1−p
V ar (X) = p2
Ejemplo 1
Ejemplo 1:
Ejemplo 1
Solución
Denamos:
X: Número de pruebas que es necesario realizar hasta encontrar la
primera que no cumple las especicaciones.
Luegop = 0.05
P (X = x) = 0.05 (1 − 0.05)x−1 , x = 1, 2, ...
Ejemplo 1
P (X > 3) = 1 − P (X ≤ 3)
= 1 − [P (X = 1) + P (X = 2) + P (X = 3)]
= 1 − [0.05 + 0.0475 + 0.045125]
= 1 − 0.142625
= 0.857375
Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas
Distribución de Bernoulli
Distribución Binomial
Variables Aleatorias
Distribución Geométrica
Distribuciones de Probabilidad Discretas
Distribución Binomial Negativa
Ejercicios de entrenamiento
Distribución Hipergeométrica
Distribución de Poisson
Ejemplo 1
P (X > 3) = 1 − P (X ≤ 3)
= 1 − [P (X = 1) + P (X = 2) + P (X = 3)]
= 1 − [0.05 + 0.0475 + 0.045125]
= 1 − 0.142625
= 0.857375
Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas
Distribución de Bernoulli
Distribución Binomial
Variables Aleatorias
Distribución Geométrica
Distribuciones de Probabilidad Discretas
Distribución Binomial Negativa
Ejercicios de entrenamiento
Distribución Hipergeométrica
Distribución de Poisson
Ejemplo 1
Ejemplo 2
Ejemplo 2:
Un matrimonio quiere tener una niña, y por ello deciden tener hijos
hasta el nacimiento de una niña. Calcular el número esperado de
hijos (entre varones y hembras) que tendrá el matrimonio. Calcular
la probabilidad de que la pareja acabe teniendo tres hijos o más.
Solución
Denamos:
X: Número de hijos que tiene el matrimonio hasta tener una niña.
1
Luego p= 2 = 0.5
Ejemplo 2
Ejemplo 2:
Un matrimonio quiere tener una niña, y por ello deciden tener hijos
hasta el nacimiento de una niña. Calcular el número esperado de
hijos (entre varones y hembras) que tendrá el matrimonio. Calcular
la probabilidad de que la pareja acabe teniendo tres hijos o más.
Solución
Denamos:
X: Número de hijos que tiene el matrimonio hasta tener una niña.
1
Luego p= 2 = 0.5
Ejemplo 2
1 1
E (X) = p = 0.5 =2
P (X ≥ 3) = 1 − P (X < 3)
= 1 − P (X ≤ 2)
= 1 − [P (X = 1) + P (X = 2)]
= 1 − [0.5 + 0.25]
= 1 − 0.75
= 0.25
Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas
Distribución de Bernoulli
Distribución Binomial
Variables Aleatorias
Distribución Geométrica
Distribuciones de Probabilidad Discretas
Distribución Binomial Negativa
Ejercicios de entrenamiento
Distribución Hipergeométrica
Distribución de Poisson
Ejemplo 2
1 1
E (X) = p = 0.5 =2
P (X ≥ 3) = 1 − P (X < 3)
= 1 − P (X ≤ 2)
= 1 − [P (X = 1) + P (X = 2)]
= 1 − [0.5 + 0.25]
= 1 − 0.75
= 0.25
Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas
Distribución de Bernoulli
Distribución Binomial
Variables Aleatorias
Distribución Geométrica
Distribuciones de Probabilidad Discretas
Distribución Binomial Negativa
Ejercicios de entrenamiento
Distribución Hipergeométrica
Distribución de Poisson
Introducción
Denición:
x−r
p (X = x) = x−1
r
r−1 p (1 − p) x = r, r + 1, r + 2, ...
Valor esperado
r
E (X) = p
Varianza
r(1−p)
V ar (X) = p2
Valor esperado
r
E (X) = p
Varianza
r(1−p)
V ar (X) = p2
Ejemplo 1
Ejemplo 1:
Ejemplo 1
Ejemplo 1:
Ejemplo 1
20−1
0.052 (1 − 0.05)20−2 = 0.0189
p (X = 20) = 1
Ejemplo 1
20−1
0.052 (1 − 0.05)20−2 = 0.0189
p (X = 20) = 1
Introducción
Denición:
Valor esperado
nK
E (X) = N
Varianza
N −n nk k
V ar (X) = N −1 N 1− N
Valor esperado
nK
E (X) = N
Varianza
N −n nk k
V ar (X) = N −1 N 1− N
Ejemplo 1
Ejemplo 1:
Solución
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.
(100 300−100
4 )( 4−4 ) (100)(200)
p (X = 4) = 300 = 4 300 0 = 0, 0119
(4) (4)
Ejemplo 1
Ejemplo 1:
Solución
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.
(100 300−100
4 )( 4−4 ) (100)(200)
p (X = 4) = 300 = 4 300 0 = 0, 0119
(4) (4)
Introducción
Distribución de Poisson
Distribución de Poisson:
Distribución de Poisson
Distribución de Poisson:
e−λ λx
P (X = x) = , x = 0, 1, 2, ...
x!
Valor esperado
E (X) = λ
Varianza
V ar (X) = λ
Valor esperado
E (X) = λ
Varianza
V ar (X) = λ
Ejemplo 1
Ejemplo:
Ejemplo 1
solución
Ejemplo 1
Ejemplo 1
P (X ≥ 1) = 1 − P (X < 1)
= 1 − P (X = 0)
e−1 10
=1− = 0.0000454
0!
= 1 − 0.3678794
= 0.6321206
Mag. Ignacio Osuna Vergara Distribuciones de Probabilidad discretas
Variables Aleatorias
Distribuciones de Probabilidad Discretas
Ejercicios de entrenamiento
Ejercicios
Ejercicios
Ejercicios
Ejercicios