Variables Aleatorias Discretas

Probabilidad y Estadstica
A. Mora, J. Remache
J. Espejo, F. Guaman
Universidad de Cuenca
Facultad de Ingeniera
V.A. Discretas., 2013
A. Mora, J. Remache, J. Espejo, F. Guam

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
1 / 45
Variables Aleatorias Discretas y Distribuciones de Probabilidad
Variables Aleatorias Discretas
Outline

Distribuciones y funciones de Probabilidad
Funciones de Distribuci
on Acumulada
Media y Varianza de una Var. Aleatoria Discreta
Distribucion Uniforme Discreta
Distribucion Binomial
Distribucion Geometrica Y Binomial Negativa
Distribucion Hipergeometrica
Distribucion Poisson
Distribucion Multinomial

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
2 / 45

Una variable aleatoria es un n
umero real asociado al resultado de un
experimento aleatorio, es decir, una funci
on real en el espacio
muestral. Se denota por una letra may
uscula pero una vez realizado el
experimento se denota con una letra min
uscula.
Consideramos una variable aleatoria como discreta cuando puede
tomar un conjunto finito de valores.
Ejemplo:
En un sistema de comunicaci
on por voz con 50 lneas. La variable
aleatoria es el n
umero de lneas en uso en un momento en particular.
Sea X el conjunto de todos los posibles valores que pueden estar
siendo utilizadas en un momento en particular.

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
3 / 45
Outline

on Acumulada

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
4 / 45
Distribuciones y Funciones de Probabilidad

Las variables aleatorias son tan importantes en experimentos
aleatorios que muchas veces se ignora el espacio muestral original del
experimento y nos concentramos en la distribuci
on de probabilidad de
la variable aleatoria.
Una variable aleatoria puede simplificar la descripcion y analisis de un
determinado experimento aleatorio.
La distribucion de probabilidad de una variable aleatoria x es una
descripcion de las probabilidades asociadas con los posibles valores de
X.
Para una variable aleatoria discreta, la distribuci
on es usualmente
especificada por una lista de posibles valores junto con la probabilidad
de cada una. En algunos casos es conveniente expresar la probabilidad
en terminos de una formula.
an (Universidad
Probabilidad
de Cuenca)
y Estadstica
5 / 45
Funcion de masa de probabilidad

Para una variable discreta X con posibles valores x1 , x2 ,. . . , xn su
funcion de probabilidad es una funci
on tal que:
1
2
f (xi ) 0
n
X
f (xi ) = 1
i=1
f (xi ) = P(X = xi )
Ejemplo:
En el proceso de manufactura de semiconductores, 3 placas de un
monton son evaluadas. Cada placa es clasificada como aprobada o
reprobada. Asuma que la probabilidad de que una placa pase la
prueba sea 0.8 y que las placas son independientes. Determine la
funcion de masa de probabilidad del n
umero de placas del monton
que pasan la prueba.
an (Universidad
Probabilidad
de Cuenca)
y Estadstica
6 / 45
Sea S el espacio muestral

S = {(r , r , r ), (a, r , r ), (r , a, r ), (r , r , a), (a, a, r ), (a, r , a), (r , a, a), (a, a, a)}
Sea X el n
umero de placas que pasan la prueba
Por lo tanto los posibles valores para X son: X = {0, 1, 2, 3}
Definimos el evento A y Ac siendo:
A: una placa pasa la prueba
Ac : una placa no pasa la prueba
P(A) = 0,8
P(Ac ) = 0,2
x
0
1
2
3
f (x)
1 0,2 0,2 0,2 = 0,008
3 0,8 0,2 0,2 = 0,096
3 0,8 0,8 0,2 = 0,384
1 0,8 0,8 0,8 = 0,512

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
7 / 45
on Acumulada
Outline

on Acumulada

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
8 / 45
on Acumulada
Usar funciones de distribuci

on acumulada es un metodo alternativo de
escribir la distribucion de probabilidad de una variable aleatoria.
En general para cualquier variable aleatoria discreta con posibles
valores x1 ,x2 ,...,xn . Los eventos {X = x1 }, {X = x2 },. . . , {X = xn }
son mutuamente excluyentes.
Propiedades:
1
F (x) = P(X x) =
f (xi )
xi x
2
3
0 f (x) 1
Si X Y entonces F (x) F (y )
Ejemplo:
Del ejemplo de las placas determine la
acumulativa
0
si
0,008 si
0,104 si
f (x) =
0,480 si
1
si
funci
on de distribucion

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
x <0
0x <1
1x <2
2x <3
x 3
9 / 45
Outline

on Acumulada

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
10 / 45
La media o valor esperado de una variable aleatoria discreta se denota

como o E (x) y es:
X
= E (X ) =
xf (x)
x
La media de una variable aleatoria discreta X es un promedio

ponderado de los posibles valores de x con pesos iguales a las
probabilidades.
La varianza de X denotada por 2 o
X
X
V (X ) = E (X )2 =
(x )2 f (x) =
x 2 f (x) 2
x
La varianza de una variable aleatoria x es una medida de dispersion en

los posibles valores para X .
La varianza de X usa el peso f(x) como el multiplicador para cada
posible desviacion cuadrada (x )2
La desviacion estandar de x es = 2
an (Universidad
Probabilidad
de Cuenca)
y Estadstica
11 / 45
Ejemplo:
Si todos los valores que puede tomar la variable discreta X son
X = {0, 1, 2, 3, 4} y P(X = x) = 0,2
Determine
X la media y la varianza de la variable aleatoria.
=
xf (x) = 0 0,2 + 1 0,2 + 2 0,2 + 3 0,2 + 4 0,2 = 2
x
X
2 =
(x )2 f (x) =
x
(02)2 0,2+(12)2 0,2+(22)2 0,2+(32)2 0,2+(42)2 0,2 = 2

Valor esperado de una funci
on de una variable aleatoria discreta
Sea h(x) = (x )2
Si x es una variable aleatoria discreta con una funcion de probabilidad
f (x) entonces se cumple que:
X
E [h(x)] =
h(x)f (x)
x

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
12 / 45
Distribuci
on Uniforme Discreta
Outline

on Acumulada

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
13 / 45
Distribuci

Una variable aleatoria X tiene una distribuci
on discreta uniforme si
cada uno de los n valores en su rango tiene igual probabilidad
entonces:
f (xi ) = n1
Suponga que el rango de la variable aleatoria discreta X son los
n
umeros enteros consecutivos a, a + 1, a + 2, . . . , b para a b. El
conjunto X contiene b a + 1 valores cada uno con probabilidad
1
(ba+1) , entonces:
=
b
X
k=a
k(
1
b+a
)=
ba+1
2
2 =
(ba+1)2 1
12
k
X
F (xk ) = P(X xk ) =
i=1
an (Universidad
Probabilidad
de Cuenca)
y Estadstica
k
1
=
n
n
14 / 45
Distribuci
Ejemplo:
Las mediciones de espesor de un proceso de revestimiento son hechos

a la centesima de milmetro. Las mediciones de espesor se distribuyen
de manera uniforme con valores de 0, 15,0.16, 0.17, 0.18, y 0.19.
Determinar la media y la varianza del espesor de revestimiento para
este proceso.
=
2 =
0,15+0,19
2
(0,190,15+1)2 1
12
= 0,17
= 6,8 10 3

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
15 / 45
Distribuci
Ejemplo:
Cuando se lanza un dado honesto, cada elemento del espacio
muestral ocurre con probabilidad 1/6. Por lo tanto tenemos una
distribucion uniforme,
f (x; 6) =
1
6
donde, x = 1, 2, 3, 4, 5, 6

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
16 / 45
Distribuci
on Binomial
Outline

on Acumulada

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
17 / 45
Distribuci
on Binomial
Con ejemplos como:

1
2
Lanzar una moneda 10 veces: sea X = numero de caras obtenidas.

De los siguientes 20 nacimientos en un hospital: sea X = numero de
ni
nas.
Un ensayo con solo dos resultados posibles se emplea tantas veces

como bloque basico en un experimento aleatorio, que conviene darle
un nombre.
El ensayo de Bernoulli es un experimento aleatorio que tiene solo
dos resultados posibles, denotado por exito y fracaso. La
probabilidad de un exito se denota por p.
En vez de utilizarse exito o fracaso tambien se puede utilizar A
o B, 0o 1 (son solo terminos).
Los ensayos que forman el experimento aleatorio son independientes,
ademas tambien es razonable suponer que la probabilidad de exito en
un ensayo es constante, tambien recibe el nombre de experimento
binomial.
La variable aleatoria X consiste en el n
umero de exitos en los n
ensayos.
an (Universidad
Probabilidad
de Cuenca)
y Estadstica
18 / 45
Distribuci
on Binomial
La funcion de masa de probabilidad esta definida por:

fx (x; p, n) = xn p x (1 p)nx , x = 0, 1, 2, 3...n
En ocasiones una variable aleatoria binomial con n = 1 tambien recibe
el nombre de variable aleatoria de Bernoulli.
Ejemplo:
La u
ltima novela de un autor ha tenido un gran exito, hasta el punto
de que el 80 por-ciento de los lectores ya la han ledo. Un grupo de 4
amigos son aficionados a la lectura:
Cual es la probabilidad de que en el grupo hayan ledo la novela 2
personas?
p = 0,8

p(X = 2) = 42 (0,8)2 (0,2)2 = 43
2 0,64 0,04 = 0,1536
an (Universidad
Probabilidad
de Cuenca)
y Estadstica
19 / 45
Distribuci
on Binomial
Y como maximo 2?
=
= 1)
= 2) =
p(X0 2)4= p(X
= 0)1 + p(X
+ p(X
4
4
3
2
(0,8) (0,2) + 1 (0,8) (0,2) + 2 (0,8) (0,2)2 = 0,1808
4
0
La media y varianza de una variable aleatoria binomial vienen dadas

por:
x = E (X ) = n.p y x2 = V (X ) = np(1 p)
Ejemplo:
Si una maquina herramienta desgastada produce 1 porciento de partes
defectuosas y las partes producidas son independientes, entonces el
n
umero promedio de partes defectuosas de una muestra de 25 es:
x = E (X ) = 25 (0,01) = 0,25
x2 = V (X ) = 25 (0,01)(0,99) = 0,2475
an (Universidad
Probabilidad
de Cuenca)
y Estadstica
20 / 45
Distribuci
on Binomial
Ejemplo:
La probabilidad de que cierto antibi
otico presente una reaccion
negativa al administrarse a un ave rapaz en recuperacion es de 0.15.
Si se les ha administrado dicho antibi
otico a 10 aves, calc
ulese las
probabilidades de que haya reacci
on negativa:
En dos aves

2
8
P(X = 2) = 10
2 (0,15 )(1 0,15) = 0,2759
En ninguna ave

0
1
P(X = 0) = 10
0 (0,15 )(1 0,15) 0 = 0,1969
En menos de cuatro aves
P(X < 4) = P(X 2) = P(X = 0) + P(X = 1) + P(X = 2) + P(X =
3) = 0,95
En mas de tres aves
P(X > 3) = 1 (P(X 3)) = 0,05

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
21 / 45
Outline

on Acumulada

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
22 / 45
Distribucion Geometrica
En una serie de ensayos de Bernoulli independientes, con una
probabilidad constante p de exito, sea la variable aleatoria X el
n
umero de ensayos realizados hasta la obtenci
on del primer exito.
Entonces X tiene una distribuci
on geometrica con parametro p y:
fx (x; p) = (1 p)x1 p, x = 0, 1, 2, 3, ...
Ejemplo:
La probabilidad erronea de recibir de manera err
onea un bit enviado
por un canal de distribuci
on es 0,1, sup
ongase que las transmisiones
son eventos independientes, y sea la variable aleatoria X el n
umero de
bits transmitidos hasta que se presenta el primer error.
Entonces P(X = 5) es la probabilidad de que se transmitan de
manera correcta los cuatro primeros bits y que el quinto sea erroneo.
Dado que los ensayos son independientes y la probabilidad de una
transmision correcta es 0.9,
P(X = 5) = P(CCCCE ) = ((0,9)4 )(0,1) = 0,066
an (Universidad
Probabilidad
de Cuenca)
y Estadstica
23 / 45
La esperanza matematica y varianza de una variable aleatoria

geometrica vienen dadas por:
x = E (X ) =
1
p
y x2 = V (X ) =
1p
p2
Ejemplo:
Considerando el mismo ejemplo, en este caso p = 0,1. El n
umero
promedio de transmisiones hasta que se presente el primer error es
1/0,1 = 10. La desviaci
on estandar del n
umero de transmisiones hasta
que se presente el primer error es:
q
= V (X ) = 10,1
= 9,49
0,12

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
24 / 45
Ejemplo:
Calcular la probabilidad de que salga el No. 5 a la tercera vez que
lanzamos un dado.
Definimos exito al numero 5
x =3
p=
1
6
= 0,1666
q = 1 p = 0,833
P(X = 3) = (0,833)2 (0,1666) = 0,1156

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
25 / 45
Distribucion binomial negativa

En una serie de ensayos de Bernoulli independientes, con una
probabilidad constante p de exito, sea la variable aleatoria X el
n
umero de ensayos realizados hasta que se tienen r exitos. Entonces
X tiene una distribuci
on binomial negativa con parametro p y
r=1,2,3,. . . , y
fx (x; p, r ) =
x1
r 1
(1 p)xr p r ,
para x = r , r + 1, r + 2, . . .
Es una generalizacion de la distribuci
on geometrica.
Dado que se requieren r ensayos para obtener r exitos, el recorrido de
X es desde r hasta . Cuando r = 1 la variable aleatoria binomial
negativa se convierte en una variable aleatoria geometrica.
an (Universidad
Probabilidad
de Cuenca)
y Estadstica
26 / 45
Ejemplo:
Suponiendo que la probabilidad de que una persona contraiga cierta
enfermedad a la que esta expuesta es 30 porciento, calcule la
probabilidad que la decima persona expuesta a la enfermedad sea la
cuarta en contraerla.
r = 4 y p = 0,3

x4 p 4 , x = 4, 5, 6...
P(X = x) = x1
41 (1 p)

104 0,34 , x = 4, 5, 6...
P(X = 10) = 101
41 (1 0,3)
= 0,08
La media y varianza de una variable aleatoria binomial negativa
vienen dadas por:
x = E (X ) =
r (1p)
p
y x2 = V (X ) =

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
r (1p)
p2
27 / 45
Ejemplo:
Para tratar a un paciente de una afecci
on de pulmon han de ser
operados en operaciones independientes sus 5 l
obulos pulmonares. La
tecnica a utilizar es tal que si todo va bien, lo que ocurre con
probabilidad de 7/11, el l
obulo queda definitivamente sano, pero si no
es as se debera esperar el tiempo suficiente para intentarlo
posteriormente de nuevo. Se practicara la ciruga hasta que 4 de sus 5
lobulos funcionen correctamente. Cual es el valor esperado de
intervenciones que se espera que deba padecer el paciente?. Cual es
la probabilidad de que se necesiten 10 intervenciones?
X=numero de operaciones hasta obtener 4 lobulos.
X
Bn = (r = 4; p = 7/11), entonces, P(X = k) =

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
k+r 1
k
qk pr
28 / 45
->
Lo que nos interesa es medir el n
umero de intervenciones, Y , mas que
el n
umero de exitos hasta el r-esimo fracaso. La relacion entre ambas
variables aleatorias es muy simple:
Y =X +r
E (Y ) = E (X + r ) =
P(Y = 10) = P(X = 6) =
rp
q
+ r = 11
6+41
6

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
p 4 q 6 = 0,03185
29 / 45
Distribuci
on Hipergeometrica
Outline

on Acumulada

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
30 / 45
Distribuci
on Hipergeometrica
Un conjunto de N objetos contiene:
1
2
K objetos clasificados con exitos

N-K objetos clasificados como fallas.
Se toma una muestra de tama

no n, al azar (SIN REEMPLAZO) de
entre N objetos, donde K N y n N.
Sea la variable aleatoria X el n
umero de exitos en la muestra,
entonces X tiene una distribuci
on hipergeometrica y
fx (x; N, K , n) =
(Kx )(NK
nx )
, x = 0, 1, 2, . . . ,mn(K , n)
(Nn )
La expresion mn(K,n) se utiliza en la definici

on del recorrido de X
debido a que el n
umero maximo de exitos que puede representarse en
la muestra es menor entre el tama
no de la muestra, n, y el n
umero de
exitos posibles, K .
an (Universidad
Probabilidad
de Cuenca)
y Estadstica
31 / 45
Distribuci
on Hipergeometrica
Ejemplo:
Un lote de piezas contiene 100 de un proveedor de tubera, y 200 de
un proveedor del mismo material, pero de otro estado. Si se eligen
cuatro piezas al azar y sin reemplazo. Cual es la probabilidad que
todas provengan del proveedor local?
//Sea X el n
umero de partes en la muestra que son del proveedor
local. Entonces, X tiene una distribuci
on hipergeometrica y la
probabilidad pedida es P(X = 4). En consecuencia
P(X = 4) =
200
(100
4 )( 0 )
= 0,0119
300
(4)
//Cual es la probabilidad de que dos o mas piezas de la muestra

sean proveedor local?
P(X 2) =
200
(100
(100)(200) (100)(200)
2 )( 2 )
+ 3 300 1 + 4 300 0 = 0,408
300
(4)
(4)
(4)

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
32 / 45
Distribuci
on Hipergeometrica
>
//Cual es la probabilidad de que al menos una pieza de la muestra
sea del proveedor local?
P(X 1) = 1 P(X = 0) = 1
200
(100
0 )( 4 )
= 0,196
300
(4)
En este caso los ensayos no son independientes.

La media y varianza de una variable aleatoria hipergeometrica vienen
dadas por:
x = E (X ) = np y x2 = V (X ) = np(1 p) Nn
N1
donde p =
K
N
La expresion
finita.
(Nn)
(N1)
se conoce como factor de correccion de poblacion

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
33 / 45
Distribuci
on Hipergeometrica
El muestreo con reemplazo es equivalente al muestreo de un conjunto

infinito, ya que la proporci
on permanece constante. Si el muestreo se
hace con reemplazo, entonces X es una variable aleatoria binomial,
con varianza np(1 p). Por lo tanto la correcci
on para la poblacion
finita representa la correcci
on a la varianza binomial debido que a que
el muestreo se hace sin reemplazo de un conjunto finito de tama
no N.
Ejemplo:
Una caja contiene nueve bateras de las cuales cuatro estan en buen
estado y las restantes defectuosos. Se toma una muestra eligiendo al
azar tres bateras. Calcule la media y la varianza.
n = 3, K = 4, N = 9, p = K /N = 4/9 = 0,44
x = E (X ) = 3(0,44) = 1,33 (La cantidad promedio de bateras en
buen estado) y
(93)
2
= 3(0,44)(0,56)(0,75) = 0,5544
x = V (X ) = 3(0,44)(1 0,44) (91)
an (Universidad
Probabilidad
de Cuenca)
y Estadstica
34 / 45
Distribuci
on Poisson
Outline

on Acumulada

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
35 / 45
Distribuci
on Poisson
Dado un intervalo de n
umeros reales, sup
ongase que el conteo de
ocurrencias es aleatorio en dicho intervalo. Si este puede dividirse en
subintervalos suficientemente peque
nos tales que:
1
2
La probabilidad de mas de una ocurrencia en el subintervalo es cero.

La probabilidad de una ocurrencia en un subintervalo es la misma para
un subintervalo, y es proporcional a la longitud de estos.
El conteo de ocurrencias en cada subintervalo es independiente en los
demas subintervalos.
Entonces el experimento aleatorio recibe el nombre de proceso de

Poisson.
Si el n
umero promedio de ocurrencias en el intervalo es > 0, la
variable aleatoria X que es igual al n
umero de ocurrencias en el
intervalo tiene una distribuci
on Poisson con parametro , y la funcion
de probabilidad de X es:
fx (x; ) =
e x
x! , x
= 0, 1, 2, ...,

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
36 / 45
Distribuci
on Poisson
>
En el calculo de probabilidades, medias y varianzas de variables
aleatorias Poisson, es importante utilizar unidades que sean
consistentes.
Si una variable aleatoria Poisson representa el n
umero de ocurrencias
en un intervalo, entonces la media de la variable aleatoria debe ser
igual a n
umero esperado de ocurrencias en un intervalo de longitud
identica.
Ejemplo
Las fallas superficiales de un alambre delgado de cobre es X se
presentan de manera aleatoria. Sea X la variable aleatoria que cuenta
el n
umero de fallas superficiales de un alambre de cobre de longitud L
milmetros, y supongase que el n
umero de fallas esta descrito por una
distribucion de Poisson con una media de 2.3 fallas por milmetro.
Determnese la probabilidad de tener exactamente dos fallas en un
milmetro de alambre.
an (Universidad
Probabilidad
de Cuenca)
y Estadstica
37 / 45
Distribuci
on Poisson
Sea X el n
umero de fallas en un milmetro de alambre. Entonces,
E (X ) = 2,3 fallas//
P(X = 2) =
(e ( 2,3)2,32 )
2!
= 0,265
//Calcule la probabilidad de tener 10 fallas en 5mm de alambre.

E (X ) = 5mm x2,3 fallas/mm = 11,5 fallas
P(X = 10) =
(e ( 11,5)11,51 0)
10!
= 0,113
//Determnese la probabilidad de tener al menos una falla en 2 mm

de alambre
E (X ) = 2mm x2,3 fallas/mm = 4,6 fallas
P(X 1) = 1 P(X = 0)
= 1 e ( 4,6) = 0,9899
//La media y varianza de una variable aleatoria Poisson vienen dadas
por:
x = E (X ) = y x2 = V (X ) =
an (Universidad
Probabilidad
de Cuenca)
y Estadstica
38 / 45
Distribuci
on Poisson
Ejemplo:
En una gasolinera la llegada de vehculos sigue la distribucion de
Poisson de parametro 1.6. Calc
ulese la probabilidad de que:
El no de vehculos que lleguen sea superior a tres
P(X > 3) = 1 (P(X 3)) = 1 [P(X = 0) P(X = 1) P(X =
2) P(X = 3)] = 0,0789
Este comprendido entre 2 y 5
P(2 x 5) = P(X = 2) + P(X = 3) + P(X = 4) + P(X = 5) =
0,4689
alg
un vehculo
P(X 1) = 1 P(X < 1) = 1 P(X = 0) = 0,7981

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
39 / 45
Distribuci
on Multinomial
Outline

on Acumulada

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
40 / 45
Distribuci
on Multinomial
Es similar a la distribuci
on binomial, con la diferencia de que en lugar
de dos posibles resultados en cada ensayo, puede haber m
ultiples
resultados
Ejemplo de distribuci
on binomial: a unas elecciones se presentaron
2 partidos polticos: el PP1 obtuvo un 70 de los votos y el PP2 el 30
restante. Cual es la probabilidad de que al elegir 5 ciudadanos al
azar, 4 de ellos hayan votado al PP2?
Ejemplo de distribuci
on multinomial: a esas elecciones se
presentaron 4 partidos polticos: el PP1 obtuvo un 40 de los votos, el
PP2 el 30, el PP3 el 20 y el PP4 el 10 restante. Cual es la
probabilidad de que al elegir 5 ciudadanos al azar, 3 hayan votado al
PP2, 1 al PP3 y 1 al PP1?
an (Universidad
Probabilidad
de Cuenca)
y Estadstica
41 / 45
Distribuci
on Multinomial
La distribuci
on multinomial sigue el siguiente modelo:
P(X1 = x1 ; X2 = x2 ; X3 = x3 ; ...) =
n!
x1 !x2 !x3 !...
p1x1 p2x2 p3x3 ...
Donde:
X 1 = x1 : indica que el suceso X1 aparezca x1 veces (en el ejemplo,
que el partido PP2 lo hayan votado 3 personas)
n : indica el n
umero de veces que se ha repetido el suceso (en el
ejemplo, 5 veces)
p1 : es la probabilidad del suceso X1 (en el ejemplo, el 40porciento)
Esperanza: = E (Xi ) = npi
Varianza: 2 = V (x) = npi (1 pi )

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
42 / 45
Distribuci
on Multinomial
De acuerdo al ejemplo de los cuatro partidos polticos:

P(X1 = 1; X2 = 3; X3 = 1; X3 = 0) =
5!
1!3!1!0!
0,41 0,33 0,21 0,10
Asi:
P = 0,0432

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
43 / 45
Distribuci
on Multinomial
Ejemplo:
Un grupo de 12 personas decide reunirse en cierta ciudad. La
probabilidad de que una persona llegue a la ciudad en un avion,
coche, tren o autob
us es, respectivamente 0.3, 0.4, 0.1 y 0.2 Cual es
la probabilidad de que de las 12 personas, 3 lleguen en avion, 5 en
coche, 2 en tren y 2 en autob
us? Soluci
on:
Sean X1 =numero de personas que llegan en avi
on
X2 =numero de personas que llegan en coche
X3 =numero de personas que llegan en tren
X4 =numero de personas que llegan en autob
us
Las variables (X 1, X 2X 3X 4) tiene distribuci
on multinomial de
parametros n = 12, p1 = 0,3p2 = 0,4p3 = 0,1p4 = 0,2.
Entonces
P(X1 = 3X2 = 5X3 = 2X4 = 2) =
12!
3!5!2!2!

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
= 0,01532805
44 / 45
Ap
endice
Bibliografia
Bibliografia I
Douglas Montgomery - George Runger.

Applied Statistics and Probability for Engineers.
5ta Edicion, 2011.
Ernesto Aranda.
Herramientas Inf. de las Mateaticas en la Ingenieria.
Universidad de Castilla, 2011

an (Universidad
Probabilidad
de Cuenca)
y Estadstica
45 / 45

Variables Aleatorias Discretas

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Variables Aleatorias Discretas

Diunggah oleh

Hak Cipta:

Format Tersedia

Probabilidad y Estadstica

V.A. Discretas., 2013

A. Mora, J. Remache, J. Espejo, F. Guam

V.A. Discretas., 2013