Algunas Distribuciones Discretas

Apuntes para Clases 43
Curso : Probabilidades MA – 442 Ingeniería Civil

Profesor : Raúl Zhigley C.
DISTRIBUCIÓN UNIFORME DISCRETA
Una variable aleatoria X es una variable aleatoria uniforme si cada uno de los n valores
que están en el rango de ésta, x1 , x2 ,..., x n tiene la misma probabilidad. Entonces,
f x (x ) =
1
n
EJEMPLO: La probabilidad de que el primer dígito del número de serie de una pieza
sea uno de los números desde 0 hasta 9, es la misma. Si se toma una pieza al azar de un
lote muy grande, y X es el primer dígito del número de serie, entonces X tiene una
distribución discreta uniforme con una probabilidad 0.1 para cada valor de
R = {0,1,2,....,9}. Esto es,
f x ( x) = 0.1
para cada valor de R.
Figura : Función de probabilidad para la variable aleatoria discreta

uniforme del ejemplo.
Supóngase que X es una variable aleatoria discreta uniforme sobre los enteros
consecutivos a , a + 1, a + 2,..., b , con a ≤ b .
La media de X es
µ X = E ( X ) = (b + a ) / 2
La desviación estándar de X es
σX =
(b − b + 1)2 − 1
12
43
EJEMPLO: En el ejemplo, supóngase que el número de líneas de voz que están

ocupadas en un determinado momento, es una variable aleatoria discreta uniforme X.
Entonces,
E ( X ) = (0 + 48) / 2 = 24
y σX = {[(48 − 0 + 1) − 1]/ 12}
2 /2
= 14.14
EJEMPLO: En el ejemplo, sea la variable aleatoria y la proporción de las 48 líneas de

voz que están ocupadas en un determinado momento. Recuerde que pueden estar en uso
desde 0 hasta 48 líneas. Sea X el número de líneas que están ocupadas en un momento
en particular.
Entonces, Y = X / 48 . Por consiguiente,
E (Y ) = E( X ) / 48 = 0.5
y
V (Y ) = V ( X ) / 48 2 = 0.087
DISTRIBUCIÓN BINOMIAL
Un ensayo Bernoulli es un experimento aleatorio que tiene sólo dos resultados posibles,
denotados por “éxito” y “fracaso”. La probabilidad de un éxito se denota por p.
Un experimento aleatorio que consiste en n ensayos repetidos tales que:
(1) Los ensayos son independientes

(2) Cada ensayo tiene sólo dos resultados posibles, denominados “éxito” y
“fracaso”,
(3) La probabilidad de “éxito” en cada ensayo, denotada por p, permanece
constante.
Recibe el nombre de experimento binomial.
La variable aleatoria X que es igual al número de ensayos donde el resultado es

“éxito”,tiene una distribución binomial con parámetros p y n.
La función de probabilidad de X es:
 n
f X (x; , p, n ) =   p x (1 − p )n− x , x = 0,1,2,...., n
 x
44
EJEMPLO: La probabilidad de recibir de manera errónea un bit transmitido por un

canal de transmisión digital, es 0.1. Además, supóngase que los ensayos de transmisión
son independientes. Sea X = número de bits recibidos con error en los próximos cuatro
que serán transmitidos.
Descríbase el espacio muestral de este experimento e indíquese el valor de X en cada

resultado. Calcúlese P( X = 2) .
En este experimento se indica con E un bit erróneo, y con C un bits sin error, esto es,
recibido correctamente. Con esto, el espacio muestral de este experimento puede
describirse como una lista de cuatro que indican qué bits fueron recibidos con y sin
error. Por ejemplo, el resultado CECE indica que el segundo y el cuarto bit son
erróneos, y los otros dos se recibieron correctamente.
Por consiguiente, el espacio muestral es
Resultado X Resultado X
CCCC 0 ECCC 1
CCCE 1 ECCE 2
CCEC 1 ECEC 2
CCEE 2 ECEE 3
CECC 1 EECC 2
CECE 2 EECE 3
CEEC 2 EEEC 3
CEEE 3 EEEE 4
El evento en que X = 2 está formado por seis resultados:

{EECC, ECEC, ECCE, CEEC, CECE, CCEE}
Si se hace uso de la hipótesis de que los ensayos son independientes, entonces la
probabilidad de {EECC}es
P( EECC) = P( E )P(E )P(C )P (C ) = (0,1) (0.9 ) = 0.0081
2 2
Por otra parte, la probabilidad de que se presente cualquiera de los seis resultados
mutuamente excluyentes para los que X = 2, es la misma. Por consiguiente
P( X = 2) = 6(0.0081) = 0.0486
En general,
P( X = x ) = (número de resultados con x errores) multiplicaciones por (0.1) x (0.9 )4− x .
45
Para completar una fórmula general de probabilidad, sólo es necesario una expresión
para el número de resultados que contienen x errores. Puede construirse un resultado
que contiene x errores separando los cuatro ensayos en dos grupos. El tamaño de uno de
los grupos es x y contiene los errores, mientras que el tamaño del otro grupo es n-x y está
formado por los ensayos donde no hay errores. El número de maneras de separar cuatro
 4
objetos en dos grupos, uno de los cuales tiene tamaño x, es   = 4! /[ x!(4 − x )!] .
 x
Por tanto, en este ejemplo,
 4
P( X = x ) =   (0.1) (0.9)
x 4− x
 
x
 4
Nótese que   = 4![2!2!] = 6 , resultado que ya se había obtenido con anterioridad.
 2
Figura: Función de probabilidad para la variable aleatoria binomial del

ejemplo.
Si X es una variable aleatoria binomial con parámetros p y n, entonces
µ X = E ( X ) = np y σ x2 = V ( X ) = np (1 − p )
46
Figura: Distribuciones binomiales para valores seleccionados de n y p.
EJEMPLO
La posibilidad de que cada muestra de aire contenga una molécula rara particular es de
10%. Supóngase que las muestras son independientes con respecto a la presencia de la
molécula. Encuéntrese la probabilidad de que en las 18 muestras siguientes, exactamente
dos contengan la molécula rara.
Sea x = el número de muestras de aire que contienen la molécula rara en las 18 muestras
siguientes analizadas. Entonces x es una variable aleatoria binomial con p = 0.1 y n =
18. Por consiguiente,
18 
P( X = 2) =  (0.1) 2 (0.9 )16
2 
18 
Ahora   = (18! / [2! 16!]) = (18(17) / 2 ) = 153 . Por tanto,
2 
 
18 18
P( X ≥ 4) = ∑  (0.1) x (0.9 )18− x
x=4  x 
Por otra parte, la probabilidad de que 3 ≤ X < 7 es
6
18 
P(3 ≤ X < 7 ) = ∑  (0.1) (0.9 )
x 18 − x
x= 3  x 
= 0.168 + 0.070 + 0.022 + 0.005
= 0.265
Sin embargo, es más fácil utilizar el evento complementario,
P( X ≥ 4) = 1 − P( X < 4)
 
3 18
= 1 − ∑   (0.1)x (0.9)18− x
x =0  x 
= 1 − [0.150 + 0.300 + 0.284 + 0.168]

= 0.098
EJEMPLO:
Si una máquina herramienta produce 1% de partes defectuosas y las partes producidas

son independientes, entonces el número promedio de partes defectuosas en una muestra
de 25 es
E ( X ) = 25(0.01) = 0.25
47
La varianza del número de partes defectuosas es V ( X ) = 25(0.01)(0.99) = 0.2475
DISTRIBUCIONES GEOMÉTRICA Y BINOMIAL NEGATIVA
Distribución geométrica
En una serie de ensayos Bernoulli independientes, con una probabilidad constante p del
primer éxito, sea la variable aleatoria X el número de ensayos realizados hasta la
obtención del primer éxito. Entonces, X tiene una distribución geométrica con
parámetros p y
f x ( x p ) = (1 − p )
x −1
p, x = 1, 2...
EJEMPLO:
La probabilidad de que una muestra de aire contenga una molécula rara es 0.01. Si se
supone que las muestras son independientes con respecto a la presencia de la molécula
rara, ¿cuál es la probabilidad de que sea necesario analizar exactamente 125 muestras
antes de detectar una molécula rara?.
Sea x el número de muestras analizadas hasta que se detecta la presencia de la molécula

rara. Entonces X es una variable aleatoria geométrica con p = 0.01. La probabilidad
pedida es
P( X = 125) = (0.99 ) 0.01 = 0.0029
124
48
Figura Distribuciones geométricas para valores seleccionados del

parámetro p.
Si X es una variable aleatoria geométrica con parámetro p, entonces la media y la

varianza de X son
µ X = E (X ) =
1
y σ 2X = V ( X ) =
(1 − p )
p p3
EJEMPLO
Considérese de nuevo la transmisión de bits del ejemplo 3-25. En este caso, p = 0.1. el
número promedio de transmisiones hasta que se presente el primer error es 1/01 = 10.
La desviación estándar del número de transmisiones hasta que se presente el primer error
es
[
σ X = (1 − 0.1) / 0.12 ]
1/2
= 9.49
Propiedad de la carencia de memoria
Se ha definido una variable aleatoria geométrica como el número de ensayos realizados

hasta obtener el primer éxito. Sin embargo, dado que los ensayos son independientes, el
conteo del número de éstos hasta que se tiene el primer éxito puede comenzar en
cualquier ensayo sin cambiar la distribución de probabilidad de la variable aleatoria. Por
ejemplo, en la transmisión de bits, si se transmiten 100 bits, la probabilidad de que los
próximos seis resultados sean CCCCCE. Esta probabilidad es (0.9)5 (0.1) = 0.059 , que
es idéntica a la probabilidad de que el error inicial ocurra en el bit seis.
49
La suposición para el uso de un modelo geométrico es que el sistema presuntamente no
se desgastará. La probabilidad del error permanece constante para todas las
transmisiones.
En este sentido, se dice que la distribución geométrica carece de memoria.
Distribución binomial negativa
La distribución binomial negativa es una generalización de la distribución geométrica

donde la variable aleatoria es el número de ensayos Bernoulli necesarios para obtener r
éxitos.
En una serie de ensayos Bernoulli independientes, con una probabilidad constante de

éxito p, sea la variable aleatoria X tiene una distribución binomial negativa con
parámetros p y r y
 x − 1
f X (x; , p, r ) =   (1 − p )x − r p r
 r −1
para x = r , r + 1, r + 2,...
Si X es una variable aleatoria binomial negativa con parámetros p y r, entonces la

media y la varianza de X son
r (1 − p )
µ X = E (X ) = σ X2 = V ( X ) =
r
y
p p2
50
Figura Distribuciones binomiales negativas para valores seleccionados de los
parámetros r y p.
EJEMPLO
Una aeronave de alto rendimiento contiene tres computadoras idénticas. Sólo una de
ellas se utiliza para controlar la nave; las otras dos son reservas que se activan en caso
de falta en el sistema primario. Durante una hora de operación, la probabilidad de falta
en el computador primario (o en cualquiera de los sistemas de reserva que se encuentre
activo) es 0.0005. Si se supone que cada hora representa un ensayo independiente, ¿cuál
es el tiempo prometido de falta de las tres computadoras?.
Sean X el número de horas transcurridas hasta que faltan los tres sistemas, y
X 1 , X 2 y X 3 el número de horas de operación de que fallen el primero, el segundo y
el tercer sistema, respectivamente.
Entonces X 1 + X 2 + X 3 . Por otra parte, se supone que las horas comprenden ensayos
independientes con probabilidad constante de falla p = 0.0005. Asimismo, una
computadora de reserva no se ve afectada por el tiempo que ha transcurrido antes de ser

activada.
Por consiguiente, X tiene una distribución binomial negativa con p = 0.0005 y r = 3.

En consecuencia,
E ( X ) = 3 / 0.0005 = 6000 horas
¿Cuál es la probabilidad de que las tres computadoras fallen durante un vuelo de cinco
horas?.
La probabilidad pedida es P( X ≤ 5 ) , y
P ( X ≤ 5) = P ( X = 3) + P ( X = 4) + P ( X = 5 )
3  4
= 0.0005 +  0.0005 (0.9995) +   0.0005 (0.9995)
3 3 3
 
2  
2
= 1.25 ×10 + 3.75 × 10 + 7.49 × 10 −10
−10 −10
= 1.249 × 10 −9
DISTRIBUCIÓN HIPERGEOMÉTRICA
51
Un conjunto de N objetos contiene K objetos clasificados como éxitos y N – K objetos

clasificados como fallas.
Se toma una muestra de tamaño n, al azar (sin reemplazo) de entre N objetos, donde
K ≤N y n≤N.
Sea la variable aleatoria X el número de éxitos en la muestra. Entonces, X tiene una

distribución hipergeométrica y
 K  N − K 
  
 x  n − x 
f X (x; N , K , n ) = x = 0,1,2,..., min ( K , n )
N
 
n 
EJEMPLO
El ejemplo puede volverse a estudiar utilizando la expresión general que aparece en la

definición de una variable aleatoria hipergeométrica. Esto es,
 50   800 
   
 0   2  319600
P( X = 0 ) = = = 0. 886
 850  360825
 
2 
 50  800 
  
1 1  40000
P( X = 1) = = = 0.111
 850  360825
 
2 
 50  800 
  
 2  0 
P( X = 2) =
1225
= = 0. 003
 850  360825
 
2 
52
Figura Distribuciones hipergeométricas para valores seleccionados de los

parámetros de los N, k y n.
EJEMPLO
Un lote de piezas contiene 100 de un proveedor local de tubería, y 200 de un proveedor

del mismo material, pero de otro estado. Si se eligen cuatro piezas al azar y sin
reemplazo, ¿cuál es la probabilidad que todas provengan del proveedor local?.
Sea X el número de partes en la muestra que son del proveedor local. Entonces, X tiene
una distribución hipergométrica y la probabilidad pedida es P(X = 4). En consecuencia,
 100  200 
  
 4  0 
P ( X = 4) = = 0.0119
 300 
 
4 
¿Cuál es la probabilidad de que dos o más piezas de la muestra sean del proveedor local?
100  200   100  200  100  200 

        
 2  2   3 1   4  0 
P ( X ≥ 2) = + +
 300   300   200 
     
4  4  4 
= 0.298 + 0.098 + 0.0119 = 0.408
¿Cuál es la probabilidad de que al menos una pieza de la muestra sea el proveedor local?
53
100  200 
  
 0  4 
P( X ≥ 1) = 1 − P( X = 0 ) = 1 − = 0.196
 300 
 
4 
Si X es una variable aleatoria hipergemétrica con parámetros N, K y n, entonces la media

y la varianza de X son
N −n
µ X = E ( X ) = np y σ X2 = V ( X ) = np (1 − p )
(N − 1)
K
donde p =
N
La expresión
( N − n)
( N − 1)
es conocido como factor de corrección de población finita
EJEMPLO
En el ejemplo, el tamaño de la muestra es cuatro. La variable aleatoria X es el número

de partes defectuosas contenidas en la muestra. Entonces, p = 50/850 = 1/17. Por
consiguiente,
E ( X ) = 4(1 / 17 ) = 0.235
y
V ( X ) = 4(1 /17 )(16 /17 )[(850 − 50) / 849] = 0.209
0 1 2 3 4 5
Probabilidad Hipergeométrica 0.004 0.099 0.397 0.397 0.099 0.004
Probabilidad Binomial 0.031 0.156 0.313 0.313 0.156 0.031
54
Figura: Comparación entre las distribuciones hipergométrica y binomial para algunos

de los parámetros.
EJEMPLO
El listado de cuentas de clientes de una corporación grande contiene 1000 clientes. De

éstos, 700 han comprado al menos uno de los productos de la corporación en los últimos
tres meses. Para evaluar el diseño de un nuevo producto, se eligen 50 clientes al azar del
listado de la corporación. ¿Cuál es la probabilidad de que más de 45 de los clientes que
hay en la muestra hayan adquirido algún producto de la corporación en los últimos tres
meses?.
El muestreo se hace sin reemplazo. Sin embargo, dado que el tamaño de la muestra, 50,
es pequeño comparado con el número de cuentas de clientes, 1000, la probabilidad de
seleccionar un clie nte que haya comprado un producto a la corporación en los últimos
tres meses, permanece aproximadamente constante a medida que se elige a los clientes.
Por ejemplo, sean A el evento donde el primer cliente seleccionado no compró ningún
producto de la corporación en los últimos tres meses, y B el evento en que el segundo
cliente seleccionado tampoco adquirió ningún producto en los últimos tres meses.
Entonces, P( A) = 300 / 1000 = 0.3 y P( B / A) = 299 / 999 = 0.2993 . Esto es, los ensayos
son aproximadamente independientes.
Sea X el número de clientes en la muestra que han comprado productos a la corporación

en los últimos tres meses. Entonces, X es una variable aleatoria hipergeométrica con
N = 1000, n = 50 y K = 700 . En consecuencia, p = K / N = 0.7 . La probabilidad
55
pedida es P( X > 45) . Dado que el tamaño de la muestra es pequeño en comparación

con el tamaño del lote, la distribución de X puede aproximarse como una binomial con
n = 50 y p = 0.7 . Al utilizar la aproximación binomial a la distribución de X tiene que
 
50 50
P( X > 45) = ∑  0.7 x (1 − 0.7 )50− x = 0.00017
x =46  x 
DISTRIBUCIÓN POISSON
EJEMPLO
Considérese la transmisión de n bits sobre un canal de comunicación digital. Sea la

variable aleatoria X el número de bits transmitidos de manera errónea. Cuando la
probabilidad de transmitir un bit de manera errónea es constante y las transmisiones son
independientes, X tiene una distribución binomial. Sea p la probabilidad de transmitir
un bit de manera errónea. Entonces, E ( X ) = pn . Ahora supóngase que el número de
bits transmitidos aumenta y la probabilidad del error disminuye de modo que pn se
mantenga igual a una constante, por ejemplo λ .
Esto es, n aumenta y p disminuye, de modo que E ( X ) permanezca constante. Entonces,
n
P( X = x ) =   p x (1 − p )n− x
 x
n(n − 1)(n − 2)L (n − x + 1)  np 
x
  (1 − p ) (1 − p )
−x
= n
x!  n 
n(n − 1)(n − 2)L (n − x + 1) λx  np 
n
 (1 − p )
−x
= 1 −
x! n 
x
n 
n(n − 1)(n − 2)L (n − x + 1) λx  λ   λ 
n −x
= 1 −  1 − 
nx x!  n   n 
n (n − 1) (n − 2) (n − x + 1) λ x  λ  λ 
−x
= L 1 − 1 − 
n n n n x!  n  n 
Al considerar cada uno de los términos que aparecen en la expresión anterior, puede
demostrarse que
e −λ λ x
lim n→∞ P( X = x ) = , x = 0,1, 2, ...
x!
56
Además, dado que el número de bits transmitido tiende a infinito, el número de errores
puede ser igual a cualquier entero no negativo. Por consiguiente, el recorrido de X es el
conjunto de los enteros desde cero hasta infinito.
Figura Distribuciones Poisson para valores seleccionados de los parámetros.
Dado un intervalo de números reales, supóngase que el conteo de ocurrencias es

aleatorio en dicho intervalo. Si éste puede dividirse en subintervalos suficientemente
pequeños, tales que
(1) la probabilidad de más de una ocurrencia en el subintervalo es cero,
(2) la probabilidad de una ocurrencia en un subintervalo es la misma para todos los

subintervalos y es proporcional a la longitud de éstos y
(3) el conteo de ocurrencias en cada subintervalo es independientes del de los demás

subintervalos,
entonces el experimento aleatorio recibe el nombre de proceso Poisson.
Si el número promedio de ocurrencias en el intervalo es λ > 0 , la variable aleatoria X

que es igual al número de ocurrencias en el intervalo tiene una distribución Poisson con
parámetro λ , la función de probabilidad de X es
e − λ λx
f X (x ) = , x = 0, 1, 2, ...
x!
57
Si X es una variable aleatoria Poisson con parámetro λ , entonces la media y la varianza

de X son
µ X ( X ) = E (X ) = λ y σ 2X = V ( X ) = λ
EJEMPLO
Para el caso del alambre delgado de cobre, supóngase que el número de fallas está
descrito por una distribución Poisson con una media de 2.3 fallas por milímetros.
Determínese la probabilidad de tener dos fallas en un milímetro de alambre.
Sea X el número de fallas en un milímetro de alambre. Entonces, E ( X ) = 2.3 fallas y
e −2.3 2.3 2
P( X = 2 ) = = 0.265
2!
Calcúlese la probabilidad de tener 10 fallas en cinco milímetros de alambre.
Sea X el número de fallas en cinco milímetros de alambre. Entonces X tiene una

distribución Poisson con
E ( X ) = 5 mm × 2.3 fallas mm = 11.5 fallas
Por consiguiente,
P( X = 10 ) = e −11.5 / 10! = 0.113
10
Determínese la probabilidad de tener al menos una falla en dos milímetros de alambre.
Sea X el número de fallas en dos milímetros de alambre. Entonces X tiene una

distribución Poisson con
E ( X ) = 2 mm × 2.3 fallas/mm = 4.6 fallas
Por tanto,
P( X ≥ 1) = 1 − P( X = 0 )
= 1 − e − 4.6
= 0.9899
58
Figura Variables aleatorias discretas.
P( X = x ) = f X ( x )
P(1 ≤ X ≤ 3) = f X (1) + f X (2 ) + f X (3)
E ( X ) = µ X = ∑ xf X ( x )
x
V (X ) = σ = ∑(x − µ ) f X (x )
2 2
X X
x
• Número de ensayos n fijo
Número de éxitos X (variable aleatoria)
Binomial
n
f (x; p, n ) =   p x (1 − p )n − x 0≤ x≤n
 x
E ( X ) = np V ( X ) = np(1 − p )
• Número de éxitos r fijo

Número de ensayos X (variable aleatoria)
Binomial negativa
 x − 1
f (x; p, r ) =  (1 − p ) x −r p r x = r , r + 1,...
 r −1
r (1 − p )
E (X ) = V (X ) =
r
p p2
Caso especial r = 1 : variable aleatoria geométrica.
Figura : Variables aleatorias basadas en ensayos Bernoulli
59

Algunas Distribuciones Discretas

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Algunas Distribuciones Discretas

Загружено:

Авторское право:

Доступные форматы

Apuntes para Clases 43

Curso : Probabilidades MA – 442 Ingeniería Civil

DISTRIBUCIÓN UNIFORME DISCRETA

para cada valor de R.

Figura : Función de probabilidad para la variable aleatoria discreta

EJEMPLO: En el ejemplo, supóngase que el número de líneas de voz que están

EJEMPLO: En el ejemplo, sea la variable aleatoria y la proporción de las 48 líneas de

Un experimento aleatorio que consiste en n ensayos repetidos tales que:

(1) Los ensayos son independientes

Recibe el nombre de experimento binomial.

La variable aleatoria X que es igual al número de ensayos donde el resultado es

La función de probabilidad de X es:

EJEMPLO: La probabilidad de recibir de manera errónea un bit transmitido por un

Descríbase el espacio muestral de este experimento e indíquese el valor de X en cada

El evento en que X = 2 está formado por seis resultados:

P( X = x ) = (número de resultados con x errores) multiplicaciones por (0.1) x (0.9 )4− x .

Figura: Función de probabilidad para la variable aleatoria binomial del

Si X es una variable aleatoria binomial con parámetros p y n, entonces

Por otra parte, la probabilidad de que 3 ≤ X < 7 es

Sin embargo, es más fácil utilizar el evento complementario,

= 1 − [0.150 + 0.300 + 0.284 + 0.168]

Si una máquina herramienta produce 1% de partes defectuosas y las partes producidas

La varianza del número de partes defectuosas es V ( X ) = 25(0.01)(0.99) = 0.2475

DISTRIBUCIONES GEOMÉTRICA Y BINOMIAL NEGATIVA

Sea x el número de muestras analizadas hasta que se detecta la presencia de la molécula

Figura Distribuciones geométricas para valores seleccionados del

Si X es una variable aleatoria geométrica con parámetro p, entonces la media y la

Propiedad de la carencia de memoria

Se ha definido una variable aleatoria geométrica como el número de ensayos realizados

En este sentido, se dice que la distribución geométrica carece de memoria.

Distribución binomial negativa

La distribución binomial negativa es una generalización de la distribución geométrica

En una serie de ensayos Bernoulli independientes, con una probabilidad constante de

Si X es una variable aleatoria binomial negativa con parámetros p y r, entonces la

computadora de reserva no se ve afectada por el tiempo que ha transcurrido antes de ser

Por consiguiente, X tiene una distribución binomial negativa con p = 0.0005 y r = 3.

Un conjunto de N objetos contiene K objetos clasificados como éxitos y N – K objetos

Sea la variable aleatoria X el número de éxitos en la muestra. Entonces, X tiene una

El ejemplo puede volverse a estudiar utilizando la expresión general que aparece en la

Figura Distribuciones hipergeométricas para valores seleccionados de los

Un lote de piezas contiene 100 de un proveedor local de tubería, y 200 de un proveedor

100  200   100  200  100  200 

Si X es una variable aleatoria hipergemétrica con parámetros N, K y n, entonces la media

En el ejemplo, el tamaño de la muestra es cuatro. La variable aleatoria X es el número

Figura: Comparación entre las distribuciones hipergométrica y binomial para algunos

El listado de cuentas de clientes de una corporación grande contiene 1000 clientes. De

Sea X el número de clientes en la muestra que han comprado productos a la corporación

pedida es P( X > 45) . Dado que el tamaño de la muestra es pequeño en comparación

Considérese la transmisión de n bits sobre un canal de comunicación digital. Sea la

Esto es, n aumenta y p disminuye, de modo que E ( X ) permanezca constante. Entonces,

Figura Distribuciones Poisson para valores seleccionados de los parámetros.

Dado un intervalo de números reales, supóngase que el conteo de ocurrencias es

(1) la probabilidad de más de una ocurrencia en el subintervalo es cero,

(2) la probabilidad de una ocurrencia en un subintervalo es la misma para todos los

(3) el conteo de ocurrencias en cada subintervalo es independientes del de los demás

entonces el experimento aleatorio recibe el nombre de proceso Poisson.

Si el número promedio de ocurrencias en el intervalo es λ > 0 , la variable aleatoria X

Si X es una variable aleatoria Poisson con parámetro λ , entonces la media y la varianza

Sea X el número de fallas en un milímetro de alambre. Entonces, E ( X ) = 2.3 fallas y

Calcúlese la probabilidad de tener 10 fallas en cinco milímetros de alambre.

Sea X el número de fallas en cinco milímetros de alambre. Entonces X tiene una

E ( X ) = 5 mm × 2.3 fallas mm = 11.5 fallas

Determínese la probabilidad de tener al menos una falla en dos milímetros de alambre.