ENSAYO NMERO 3

Tema: DISTRIBUCIONES DISCRETAS

INTRODUCCION
Una variable es aquella la cual cambia de valor dentro de un programa o de
una operacin.
Por ejemplo si hay una campaa en un centro medico de cualquier poblado,
sobre paternidad responsable a un grupo de mujeres. Una vez finalizada la
charla se les entrega un papelito con una nica pregunta:
Deseara usted ser esterilizada?
1. Si
2. No
Entonces nosotros tenemos que investigar si las charlas tienen un efecto
favorable para que las mujeres se decidan a ser sometidas a la esterilizacin.
Ante esta situacin en la cual uno se encuentra todos los das, tenemos que
acudir a las Distribuciones de Probabilidades. En nuestro ejemplo, la variable
Deseo ser esterilizada, es una variable discreta. Por lo tanto se requieren de las
Distribuciones de Probabilidades Discretas. Que es la que estudiaremos.

VARIABLES ALEATORIAS
Una variable se dice que es aleatoria, si los posibles valores que puede tomar
son determinados por el azar. Esto significa que se sabe qu valores puede
tomar la variable pero no se sabe si va a ocurrir, slo se sabe que puede ocurrir
con una cierta probabilidad.
Por ejemplo, en una epidemia de clera, se sabe que una persona cualquiera
puede enfermar o no (eventos), pero no se sabe cul de los dos eventos va a
ocurrir. Solamente se puede decir que existe una probabilidad de que la
persona enferme.
Esta variable se clasifica:
1. Discretas: tiene un rango finito o infinito numerable, por ejemplo numero
de hijos de una familia
2. Continuas: resultan del producto de una medicin, por ejemplo el peso

DENSIDADES DE PROBABILIDAD DISCRETAS

Aqu en este capitulo simplemente no basta determinar simplemente sus
valores, sino que se necesita tambin saber que es probable.
El conjunto de pares ordenados (x, f(x)) se llama funcin de probabilidad,
funcin masa de probabilidad o distribucin de probabilidad de la variable
aleatoria
discreta
X.
Las condiciones necesarias para que una funcin sea una densidad discreta
es que f(x) es una probabilidad de modo que f(x) tiene que ser mayor que
cero sin importar el valor de x que tenga, y la suma total de todos los valores
que obtenga x dentro de una probabilidad distinta de cero debe de ser 1.
Es positivo en todo su dominio 0<=f(x)<=1
Permite obtener p(a<=x<=b) como rea bajo la curva.

Ejemplo
Por ejemplo si observamos la altura de un grupo de personas y vamos a
seleccionar a una persona al azar. La probabilidad de que la altura de esa
persona sea exactamente 1,62894635... m es cero. Pero la probabilidad de
que la altura de esa persona est entre 1,62 m y 1,63 m tendr un valor un
poco real y casi es probable que sea mayor que la probabilidad de que est
entre 2,10 m y 2,11 m. Por tanto, la densidad de probabilidad en el entorno de
1,625 m es mayor que la densidad de probabilidad en el entorno de 2,105 m.
por esta razn el valor exacto 1,62894635 tenga probabilidad cero de ocurrir
no implica que sea imposible que ocurra. De hecho, cualquier persona que
seleccionemos tendr una altura concreta y exacta que tena probabilidad
cero de suceder
DISTRIBUCIN GEOMTRICA Y LA FUNCIN GENERADORA DE MOMENTOS
Los distintos momentos de una distribucin son una importante clase de
esperanzas.
Muchas veces la distribucin exponencial rige los tiempos de vida, de falla o
tiempos de sobrevivencia. Cuando est ligada con una distribucin de
Poisson es el equivalente de la distribucin geomtrica por que rige el tiempo
de espera o tiempo transcurrido hasta que ocurre un primer suceso de Poisson,
o tiempo de espera entre acontecimientos (sucesos) consecutivos de Poisson.
Ejemplo
El numero de clientes que llegan a un banco durante un lapso de una hora en
cierta ciudad es una variable aleatoria Poisson con = 8.4 . Cual es la
probabilidad de tener un tiempo de espera menor de 10 minutos entre
clientes sucesivos que llegan al banco?
Solucin.

Sea T: tiempo de espera entre dos clientes, T se distribuye exponencial con

parmetro 8.4, entonces, como 10 minutos equivalen a 1/6 de hora,

P (T < 1 / 6) = F (1 / 6) = 1 e 8.4(1 / 6) = 0.7534030361.

DISTRIBUCIN BINOMIAL
La distribucin binomial
parte de la distribucin de Bernouilli, pero la
distribucin de Bernulli se aplica cuando se realiza una sola vez un experimento
que tiene nicamente dos posibles resultados (xito o fracaso), por lo que la
variable slo puede tomar dos valores: el 1 y el 0 , pero en cambio la
distribucin binomial se aplica cuando se realizan un nmero"n" de veces el
experimento de Bernouiili, siendo cada ensayo independiente del anterior. La
variable puede tomar valores entre:
0: si todos los experimentos han sido fracaso
n: si todos los experimentos han sido xitos

Ejemplo:
Se tira una moneda 10 veces: cuantas caras salen? Si no ha salido ninguna la
variable toma el valor 0; si han salido dos caras la variable toma el valor 2; si
todas han sido cara la variable toma el valor 10
La distribucin de probabilidad de este tipo de distribucin sigue el siguiente
modelo:

Para entender mejor este problema vamos a explicar con un ejemplo:

*Cul es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces?
" k " es el nmero de aciertos. En este ejemplo " k " igual a 6 (en cada acierto
decamos que la variable toma el valor 1: como son 6 aciertos, entonces k = 6)
" n" es el nmero de ensayos. En nuestro ejemplo son 10
" p " es la probabilidad de xito, es decir, que salga "cara" al lanzar la moneda.
Por lo tanto p = 0,5

P (x = 6) = 0,205

DISTRIBUCIN BINOMIAL NEGATIVA

La distribucin Binomial cuenta el nmero de xitos en un numero prefijado de
ensayos de Bernoulli. Y si en cambio, contamos el nmero de ensayos de
Bernoulli requeridos para conseguir un nmero prefijado de xitos. Esta ltima
formulacin nos anticipa la distribucin binomial negativa.
La formula de binomial negativa es:

.
Ejemplo
Un pediatra desea conseguir 5 parejas, cada una de las cuales espera a su
primer hijo, para que participen en un rgimen de nacimiento natural. Sea p =
P(una pareja seleccionada al azar acceda a participar). Si p = 0,2 cual es la
probabilidad de que se le pida a 15 parejas que participen antes de encontrar
5 que accedan?
DISTRIBUCIN HIPERGEOMTRICA
La distribucin hipergeomtrica es el modelo que se aplica en experimentos
del siguiente tipo:
En una urna hay bolas de dos colores (blancas y negras), cul es la
probabilidad de que al sacar 2 bolas las dos sean blancas?
Este experimento es donde, al igual que en la distribucin binomial, en cada
ensayo hay tan slo dos posibles resultados: o sale blanca o no sale. Pero se
diferencia de la distribucin binomial en que los distintos ensayos son
dependientes entre s:
Si en una urna con 5 bolas blancas y 3 negras en un primer intento saco una
bola blanca, en el segundo intento hay una bola blanca menos por lo que las
probabilidades son diferentes, en donde hay una dependencia entre los
distintos ensayos y tambin al hacer el segundo intento existe una probabilidad
condicional tratada en el capitulo 2
La distribucin hipergeomtrica sigue la siguiente formula

N: es el nmero total de bolas en la urna

N1: es el nmero total de bolas blancas
N2: es el nmero total de bolas negras
k: es el nmero de bolas blancas cuya probabilidad se est calculando
n: es el nmero de ensayos que se realiza

Ejemplo
Si en una urna hay 7 bolas blancas y 5 negras. Se sacan 4 bolas Cul es la
probabilidad de que 3 sean blancas?

N = 12; N1 = 7; N2 = 5; k = 3; n = 4

Por lo tanto, P (x = 3) = 0,3535. Es decir, la probabilidad de sacar 3 bolas

blancas es del 35,3%.

DISTRIBUCIN DE POISSON
La distribucin de Poisson parte de la distribucin binomial:

Cuando en una distribucin binomial se realiza el experimento un nmero "n"

muy elevado de veces y la probabilidad de xito "p" en cada ensayo es
reducida, entonces se aplica el modelo de distribucin de Poisson, en donde
se debe de cumplir que:
" p " < 0,10
" p * n " < 10
La formula de la distribucin de Poisson es:

El nmero "e" es 2,71828

" l " = n * p (es decir, el nmero de veces " n " que se realiza el experimento
multiplicado por la probabilidad " p " de xito en cada ensayo)
" k " es el nmero de xito cuya probabilidad se est calculando

Ejemplo
Por ejemplo la probabilidad de tener un accidente de trfico es de 0,02 cada
vez que se viaja, si se realizan 300 viajes, cual es la probabilidad de tener 3
accidentes?
Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es menor
que 10, entonces aplicamos el modelo de distribucin de Poisson.

P (x = 3) = 0,0892
Por lo tanto, la probabilidad de tener 3 accidentes de trfico en 300 viajes es
del 8,9%

Conclusiones

Nunca es posible definir mas de una variable aleatoria sobre un mismo

espacio muestral

Una variable aleatoria discreta slo puede tomar valores mayores que
cero

A la distribucin binomial se la puede utilizar en EXEL para resolver

distintos problemas

La familia de la distribucin binomial negativa incluye a la Poisson

La distribucin geomtrica es la mas simple de las distribuciones

Los distintos momentos de una distribucin son una importante clase de

esperanzas.

Nombredearchivo:
ensayo3
Directorio:
C:\DocumentsandSettings\ALEXANDRA\Mis
documentos\UTPLGustavo
Plantilla:
C:\DocumentsandSettings\ALEXANDRA\Datosde
programa\Microsoft\Plantillas\Normal.dotm
Ttulo:

Asunto:

Autor:
ALEXANDRA
Palabrasclave:

Comentarios:

Fechadecreacin:
05/04/200814:19:00
Cambionmero:
2
Guardadoel:
05/04/200814:19:00
Guardadopor:
ALEXANDRA
Tiempodeedicin:
1minuto
Impresoel:
05/04/200814:20:00
ltimaimpresincompleta
Nmerodepginas:
8
Nmerodepalabras:
1.779(aprox.)
Nmerodecaracteres:
9.787(aprox.)