Академический Документы
Профессиональный Документы
Культура Документы
de Variables
Aleatorias
Discretas
Competencia:
Resolver problemas usando distribuciones
aleatorias discretas.
31
Distribución de Variables Aleatorias
Discretas
DISTRIBUCIONES DISCRETAS:
Distribución de Bernoulli.
Definición.- La variable aleatoria X definida de de manera que atribuye a E el
valor de 1 y a F el valor 0, se denomina variable aleatoria de Bernoulli..
La distribución de Bernoulli de parámetro p es:
f ( x) P X x p x q1 x
Distribución Binomial.
Definición.- Se dice que la variable aleatoria X definida como el número de éxitos
que ocurren en las n pruebas de Bernoulli, tiene distribución binomial con parámetros
n y p y se escribe, si su función de probabilidad es:
n
f ( x) P X k p k q n k , k 0,1, 2,3,..., n
k
2
Teorema.- Si , entonces:
a.) E ( X ) np
b.) Var ( X ) npq
EJEMPLO:
En una tienda de alquiler de Autos, cada vez que un cliente alquile un automóvil debe
pagar como mínimo $ 4. Si alquila un auto de tipo A debe pagar $ 15 más, y si alquila
un auto no A debe pagar $ 5 más. Se sabe que la probabilidad de que un cliente
alquile un auto tipo A es de 0.7. De cinco clientes que alquilan autos en esa tienda:
a) Determine la distribución de probabilidades de los clientes que alquilan
automóviles tipo A.
b) Determine la utilidad y la utilidad esperada que producen a la tienda los 5 clientes
que alquilan automóviles.
Solución:
5
f k P X k 0.7 0.5 , k 0,1, 2,3, 4,5
k 5 k
k
b) La utilidad U que producen los cinco clientes es:
U 20 15 X (5 X )5 , x 0,1,2,3,4,5.
Dado que E X np 5 0.7 3.5
DISTRIBUCIÓN GEOMÉTRICA
Definición.-
Se dice que la variable aleatoria X que se define como el número de repeticiones
independientes de un ensayo de Bernoulli hasta que ocurra el primer éxito, tiene
distribución de probabilidad geométrica con parámetro p y se escribe X G( p) , si su
función de probabilidad es:
3
f ( x) P X x q x 1 p ; x 1, 2,..., etc.
Teorema.-
1
a.)
p
q
b.) 2
p2
Ejemplo
Solución
Sea X el número de llamadas hasta conseguir una venta .
Sus posibles valores son: 1,2,3,4….etc. El modelo de
probabilidad de X es geométrica de parámetro p 0.02 ,
esto es:
P X k 0.02 0.98
k 1
, k 1, 2,3,...
4
1
b) EX 50 . A la larga en la llamada N° 50 obtiene su primera venta.
0.02
c) El evento “ya hizo 3 llamadas sin éxito” es equivalente al evento “requiere
hacer más de 3 llamadas hasta que obtenga un éxito”. Entonces,
P X 3 X 5 P X 5 0.98 0.98 2
5
P X 5 / X 3
P X 3 P X 3 0.983
Teorema.-
Si X es una variable aleatoria con distribución de pascal con parámetros r y p,
entonces:
1
a) r
p
q
b) 2 r
p2
Ejemplo.
Una maquina produce artículos de uno en uno y de manera independiente. Se
5
c) ¿Cuál es la probabilidad de que produzca al menos 10 artículos para que la
maquina se detenga?
Solución
Sea X el número de artículos producidos hasta tener 4 defectuosos. La ley de
probabilidad de X es Pascal con parámetros r 4 y p 0.1 . Esto es,
P Y k C3k 1 p4 1 p
k 4
, k 4,5,6....
a) b)
P X 10 C39 P 4 1 P
1 1 6
E( X ) r 4 40
p 0.1
c)
9
P X 10 1 P 4 X 9 1 C3k 1P 4 1 P
k 4
k 4
DISTRIBUCIÓN HIPERGEOMÉTRICA.
.
Definición.-
Se dice que la variable aleatoria X que se define como el numero de éxitos en una
muestra de tamaño n que se selecciona al azar uno por uno sin reposición de N
elementos o resultados posibles, de los cuales r son clasificados como éxitos y los
restantes N-r como fracasos, tiene distribución hipergeométrica y se escribe
X H ( N , n, r ) , si su función de probabilidad es:
Ckr CnNkr
f ( x) P X k ; k 0,1, 2,..., n
CnN
6
Teorema.-
N n
b.) Var ( X ) npq
N 1
c.) H ( N , n, r ) B(n, p) , Esto es, si N tiende a o N es
grande con respecto a n, entonces la distribución
hipergeométrica se aproxima a una distribución
binomial.
DISTRIBUCIÓN DE POISSON.
Nota:
7
Ejemplo.
Una empresa textil produce un tipo de tela en rolos de 100 metros. El numero de
defectos que se encuentra al desenrollar la tela es una variable aleatoria de Poisson
que tiene en promedio 4 defectos por cada 20 metros de tela.
Solución.
e t t
k
P X k , k 0,1, 2,...
k!
P X 3 P X 2 0.00277
0! 1! 2!
8
b) El promedio de defectos en los primeros 5 metros de tela es t 4 1/ 4 1
entonces la probabilidad de no encontrar defectos en los primeros 5 metros de tela
es:
e1 1
0
P X 0 0.3679
0!
p P X 0 0.3679
1
.luego, P Y 2 1 P Y 1 1 Ck5 P k 1 P
5 k
1 0.3946 0.6054
k 0