Anda di halaman 1dari 12

UNIVERSIDAD NACIONAL TORIBIO RODRGUEZ DE MENDOZA DE AMAZONAS FACULTAD DE INGENIERIA CIVIL Y CIENCIAS EXACTAS ESCUELA PROFECIONAL INGENIERIA CIVIL

DISTRIBUCIONES DISCRETAS DE PROBABILIDAD

AUTORES: CARRASCO ALTAMIRANO, Siler Yhelsin DIAS VELA, Mario Yeferson SALN YNGA, Waldir

PROFESOR: TORREZ ARMAS Elias

CHACHAPOYAS 18 DE JULIO DEL 2 0 1 3

PRESENTACION

Usualmente el trmino estadstica se utiliza como sinnimo de dato. Sin embargo una informacin numrica cualquiera puede no constituir una estadstica para merecer esta denominacin, los datos han de constituir un conjunto coherente, organizado de forma sistemtica y siguiendo un criterio ordenado. El presente trabajo DISTRIBUCIONES DISCRETAS DE PROBABILIDAD, es un tema que forma parte de una de las ramas de la estadstica, se divide en: Distribucin Uniforme Discreta, la cual describe el comportamiento de una variable discreta que puede tomar n valores distintos con la misma probabilidad cada uno de ellos. Distribucin De Bernoulli, aqu el experimento consiste de n ensayos que se repiten, los cuales pueden clasificarse como xito o fracaso; la probabilidad de xito permanece constante de un ensayo a otro. Distribucin Binomial, el experimento depende del nmero de ensayos y de la probabilidad de xito en un ensayo dado. Distribucin De Poisson, el nmero de resultados que ocurre en un intervalo o regin es independiente del nmero que ocurre en cualquier otro intervalo o regin disjunto(es decir no tiene memoria).

I.

ASPECTOS TEORICOS DEL TEMA

DISTRIBUCIN UNIFORME DISCRETA Para que una funcin pueda ser considerada como una distribucin de variables aleatorias X, se debe verificar que cumpla 3 condiciones. 1. f(x) 0, para cada valor contenido en su dominio. 2. ( ) 3. Que la funcin de probabilidad aleatoria se llama funcin de cuantilla, y est dado: {[x; P(x)]; } La coleccin de pares ordenados se llama distribucin de pares en X en forma tabular. P( ) P( ) P( )

( ) Su forma grfica:

P(

DISTRIBUCION DE PROBABILIDAD DE BERNOULLI Definicin: se denomina prueba o ensayo de Bernoulli a todo experimento aleatorio que consiste de solo dos resultados posible mutuamente excluyente generalmente llamados xito (E) Y fracaso (F). Por ejemplo son ensayo de Bernoulli lanzar una moneda al aire con los resultados cara o sello. Elegir un objeto fabricado con los resultados: defectuoso o no defectuoso. Recibir opinin de personas a favor o en contra de algo, etc. El espacio maestral asociado al experimento aleatorio de Bernoulli se puede escribir como el conjunto: = {E, F}. Definicin: la variable aleatorio X definida en de manera que atribuye a E el valor 1 y a F el valor 0, se denomina variable aleatorio de Bernoulli. Definicin: si al xito E se le asigna la probabilidad p = P [X=1] donde 0 p1, entonces el fracaso F tienes probabilidad P[X=0] = 1-p. Luego la distribucin, de probabilidad de Bernoulli de parmetro p est definida por: X X=0 F(x)=P[X=x] 1-p X=1 p

Y en forma resumida por la ecuacin o modelo (donde usamos por comodidad q = (1 - p) F(x) = P[X=x]= , x = 0,1.

Su grafica consiste de dos segmentos (bastones) uno en 0 proporcional a q y otro en 1 proporcional a p. La funcin de distribucin acumulativa de Bernoulli es definida en la siguiente tabla: X x0 F(x)=P[X=x] 0 0X1 x 1 1-p 1

Teorema: si X tiene distribucin de Bernoulli de parmetro p, entonces, a) E(X) = P Prueba: a) = E(X) = 0 (1-P) + 1 P = P. ( ) [( ) ( ) b) Nota: La varianza de la distribucin de Bernoulli es menor o igual que 1/4, ( ) ( )] = pq b) Var(X) = pq.

En efecto, =p =-(p - ) .

DISTRIBUCIN DE PROBABILIDAD BINOMIAL Definicin: se denomina experimento binomial a un nmero fijo n de repeticiones o pruebas sucesivas de un experimento aleatorio de Bernoulli, y por lo tanto se caracteriza por qu: 1. La n repeticiones son estadsticamente independientes. 2. Cada repeticin de Bernoulli tiene dos resultados mutuamente excluyentes, xito (E) o fracaso (F). 3. La probabilidad p de xito es invariante en cada una de las n repeticiones. El espacio muestral del experimento binomial es el conjunto: = {( )

Definicin: Denomina variable binomial la variable aleatoria X definida en como el nmero de xitos que ocurre en la n pruebas de Bernoulli. Los posibles valores de X son: 0,1,2,3,,n. Si k s cualquier valor de la variable binomial el evento [X=k] consiste en todos los elementos de que contengan k xitos (E) y n k fracasos (F). La probabilidad de que ocurra cada uno de estos eventos elementales es igual a . El nmero total de formas que ocurren estos eventos elementales (total de formas de ordenar n letras de las cuales k son E y los n - k son F) es igual a:

Por lo tanto la probabilidad de que ocurra k xitos en n ensayos de Bernoulli es, P[X = k] = , k = 0,1,2,3,,n.

Para comprobar que la suma de las probabilidades binomiales es igual a 1 se aplica el binomio

( )

En efecto,

))

( )

Definicin.- se dice que la variable aleatoria X definida con el nmero de xitos que ocurren en n pruebas de Bernoulli independientes, tiene distribucin binomial con parmetros n y p, y se escribe X ~ B(n-p), si su funcin de probabilidad es:

f(k) = P[X = k] =

pk qn-k , k= 1, 2, 3, . , n.

Observe que si n = 1 , la funcin de probabilidad B(1,p) es de Bernoulli. Su grfica consiste de segmentos (o bastones), en cada valor k de la variable, proporcionales a su probabilidad respectiva f(k). La distribucin binomial B(n,p) tiene forma simtrica si p = 0.5. Adems, si p -- 0, la distribucin tiene asimetra positiva (o cola a la derecha).

Nota: Sean X1, X2,, Xn, n viales aleatorias independientes cada una con distribucin de Bernoulli B(1,p). Entonces, la suma de estas n variables aleatorias independientes es el nmero de xitos de estos n ensayos y su distribucin es binomial de parmetros n y p. Esto es, la variable aleatoria: Teorema: Si X ~ B(n-p), entonces, a) Su media es = E(X) = np Prueba: La variable aleatoria X, nmero de xitos en n ensayos de Bernoulli se puede escribir como una suma de n variables aleatorias independientes de Bernoulli Xi, esto es, X= Por lo tanto, , donde, E (Xi) = p y Var (Xi) = p x (1 - p). b) su varianza es 2 = Var(X) = np(1-p).

a) = E(X) = E (

( ) ) =

( ) ( )

b) 2 = Var(X) = Var ( ( )

DISTRIBUCIN DE PROBABILIDAD DE POISSON Bsicamente un experimento aleatorio de Poisson es un proceso que consiste en observar el numero X de veces que ocurre un evento en una unidad de longitud dada. Por ejemplo, observar el nmero de llamadas x1 que recibe un celular en periodos de una hora, como se muestra en la grfica que sigue:

Definicin: se dice que variable aleatoria discreta X, cuyos valores posibles son: 0, 1, 2,etc, tiene distribucin de poisson con parmetro y se escribe X P( ), si su funcin de probabilidad es: f(x) = P[X = x] =
( )

> 0, x = 0, 1, 2, .

Para comprobar que la suma de las probabilidades de poisson es igual a 1, se utiliza la suma exponencial: ( )

En efecto, ( ) ( )

La distribucin de poison se aplica a problemas donde la variable aleatoria es el nmero de eventos independientes que ocurre en un intervalo de tiempo, o de longitud, etc, o una medida unitaria plana o cubica. Por ejemplo son variables de poisson: Nmero de llamadas que recibe una central telefnica en el periodo de un minuto. Nmero de accidentes que ocurren en una fbrica durante una semana. Nmero de fallas en la superficie de una cermica rectangular. Nmero de bacterias en un volumen de 1 m3 de agua, Etc. Teorema: Si X P( ), entonces, y b) su varianza es

a) Su media es Prueba:

a) E(X) =

( )

( (

) )

( )

a) E[X (X-1)] =

( (

) )

Como Var(X) = E [X(X-1)] + - 2 , Entonces, [ ( )] + - 2 = =

II.

APLICACIONES

DE DISTRIBUCION DE PROBABILIDAD DISCRETA Ejemplo: Sea la variable aleatoria X, nmero de cara y nmero de sellos a lanzar la moneda cuatro veces . Definir la probabilidad. En forma tabular y graficar. Halle el espacio muestral para el lanzamiento de moneda cuatro veces.

C C C S

C S S

C C S S

C= CCCC S =CCCS C= CCSC S =CCSS C= CSCC S= CSCS C =CSSC S =CSSS C= SCCC S =SCCS C =SCSC

4 2 2 0 2 0 0 -2 2 0 0

C S S

S= SCSS C=SSCC S=SSCS C=SSSC S=SSSS n(s)=16

-2 0 -2 -2 -4 RANGO

Tabla P( ) -4 1/6 -2 4/16 0 6/16 2 4/16 4 1/6

GRAFICO

Valores Y
2/5 1/3 2/7 1/4 1/5 1/7 0 0 0 -6 -4 -2 0 2 4 6

Ejemplo: En un lote de 10 artculos, hay tres artculos defectuosos del lote se toma al azar como muestra de 4 artculos. Sin reposicin. Se X la variable aleatoria que presenta el nmero de artculos defectuosos en la muestra, calcular su probabilidad y representar en forma tubular y grfica. n(S)=10 n(D)=3 n(E)=4 P(x=0)=
( )( ) ( )

n(B)=7

0.1666666

P(x=1)= P(x=3)= P(x=2)=

( )( ) ( ) ( )( ) ( ) ( )( ) ( )

0.5 0.0333333 0.3

En forma tabular: P( ) 0 0.16666 1 0.5 2 0.3 3 0.033333

Valores Y
1 4/5 3/5 2/5 1/5 0 0 1 2 3 4

Ejemplo: Suponga que el nmero de accidentes de trabajo que ocurre por semana en una fbrica segura una ley de poisson de manera que la probabilidad de que ocurran 2 accidentes es igual a 3/2 la probabilidad de que ocurra un accidente. Calcular la probabilidad de que no ocurra algn accidente en 2 semanas.

Solucin: P [X=2]= 3/2 P [X=1]

X=3

Ejemplo: Un lquido contiene cierta bacteria con un promedio de 3 bacterias. Calcular la probabilidad de que en una muestra: a) b) De 1/3 de no contenga bacteria alguna. De 2 contenga por lo menos bacterias.

Solucin. a) n=3 p = 1/3 = np x=1

P [X=0] = b) n=3 p=2 = np = 3(2) = 6 = 1 - P [X = 0] = 1 = 1- 0.002 = 0.997

P [X1] = 1 - P [X1]

DISTRIBUCIN BINOMIAL Ejemplo: 1. Si X tiene una distribucin binomial con parmetros B(n, p) tal que su valor esperado E[x]=3 y v[x]= (2,4). Calcular: a) La probabilidad que x= 2. b) Calcular que probabilidad x2 c) La probabilidad que 3x5 Solucin: V[x]= n p q= 24 2,4= n p q= E[x] q

2,4 = 3 q q = 0.8

q= 1- p p= 1- 0.8 p= 0.2

E[x]= n p 3 = n (0.2) n= 15

a) P[x=2]= ( ) b) P[x2]= 1- P[x2] =1- {P[x=0]+ P[x=1]+ P[x=2]} = 1-(0.035+0.13+0.23) =0.605 c) P[3x5]= P[x=4]+ P[x=5]} P[3x5]= 0.29

BIBLIOGRAFIA

Crdova Zamora, Manuel (2009). Estadstica Descriptiva e inferencial (ed. 5). Lima: MOSHERA S.L.R.