FACULTAD DE INGENIERA DE SISTEMAS Y DE INGENIERA

CIVIL

ESCUELA PROFESIONAL DE INGENIERIA CIVIL

TEMA : MODELO DE DISTRIBUCION DE UNA VARIABLE
ALEATORIA DISCRETA
DOCENTE : Ing. FRANKIE AMILCAR FIGUEROA MUOZ
ASIGNATURA : ESTADISTICA APLICADA A LA INVESTIGACIN

INTEGRANTES
GOMEZ MACEDO CLAUDIA
FLOR MARIA GUERERO FACUNDO
ALEXANDRA VELARDE RUIZ
JUAN CARLOS ARTEAGA VARGAS
EFRAIN JAPA QUISPE
JUNIOR TERRY TRUJILLO
HUGO LOPE CONDORI
EDINSON MORENO
 Variable aleatoria

Concepto de variable aleatoria

Se llama variable aleatoria a toda funcin que asocia a cada
elemento del espacio muestral, un nmero real.

Se utilizan letras maysculas para designar las variables

aleatoria: X, Y, Z; y sus respectivas letras minsculas para los
valores concretos de las mismas: x, y, z.

Variable aleatoria discreta Es la que solo puede tomar una

cantidad numerable de valores.

Variable aleatoria continua Es aquella que puede tomar infinitos

valores dentro de un intervalo de la recta real.
2
 Variable aleatoria

Funcin de probabilidad de una v.a. discreta: Es la funcin que asocia

a cada valor x de la v.a. X su probabilidad p.
Los valores que toma una v.a. discreta X y sus correspondientes
probabilidades suelen disponerse en una tabla con dos filas o dos
columnas llamada tabla de distribucin de probabilidad:
X x1 x2 ... xn
P(X=xi) p1 p2 ... pn

Toda funcin de probabilidad se verifica que p1 p2 p3 pn 1

Funcin de distribucin de una v.a. discreta: Sea X una v.a. cuyos valores
suponemos ordenados de menor a mayor. Se llama funcin de distribucin
de la variable X a la funcin que asocia a cada valor de la v.a. la probabilidad
acumulada hasta ese valor, es decir,
3
 Variable aleatoria

Media, varianza y desviacin tpica de una variable aleatoria discreta.

Se llama media o esperanza de una v.a. discreta X, que toma los
valores x1, ,x2, ....con probabilidades p1, p2,... al valor de la siguiente
expresin:
i
x P( X x )
i i xp
i i i

La varianza viene dada por la siguiente frmula:

2
i ( xi )2 pi
que puede calcularse mediante:
2 i xi2 pi 2

4
Distribucin de Bernoulli
En teora de probabilidad y estadstica, la distribucin de Bernoulli (o distribucin
dicotmica), nombrada as por el matemtico y cientfico suizo Jakob Bernoulli, es
una distribucin de probabilidad discreta, que toma valor 1 para la probabilidad de
xito (p) y valor 0 para la probabilidad de fracaso (q=1-p).
donde p es la probabilidad de ocurrencia del evento.
Si X es una variable aleatoria que mide el "nmero de xitos", y se realiza un nico
experimento con dos posibles resultados (xito o fracaso), se dice que la variable
aleatoria X se distribuye como una Bernoulli de parmetro p
 DISTRIBUCIN BINOMIAL

En ocasiones queremos analizar los resultados de efectuar un

nmero de observaciones en los que la variable slo puede tomar
ciertos valores puntuales. A esto le llamamos distribucin de
variable discreta.
Por ejemplo, si echamos una moneda al aire y observamos el lado
que cae, est claro que slo hay dos posibilidades. Ahora bien, la
probabilidad de que caiga la moneda de cualquier lado es la
misma siempre que sta no est cargada. Como cada suceso
tiene igual probabilidad de ocurrir, y siendo la suma de
probabilidades siempre igual a 1, entonces la probabilidad de que
caiga la moneda de algn lado es 0.5.
Esto tambin lo podramos haber resuelto conociendo el
nmero de total posibilidades (2) y considerando cada uno
de los casos (1).

Entonces F 1
P
N 2

donde
P es la probabilidad de que algo suceda
F es el nmero de casos favorables (o xitos)
N es el nmero total de posibilidades.

La manera ms comn en que se presentan las probabilidades de

una variable discreta es la distribucin conocida como
binomial.
En muchos casos podemos resolver problemas que tienen que ver
con la estadstica considerando una distribucin binomial.
Esto se presenta cuando el resultado de una medicin o
experimento puede tener slo dos posibilidades. A una de ellas
comnmente se le denomina xito (an cuando el resultado no
sea muy agradable) y a la otra fracaso. Por ejemplo:
tirar una moneda y esperar que salga sol podra ser el xito y
guila sera entonces fracaso,
obtener un producto defectuoso podra ser xito, mientras
que el producto libre de defectos sera fracaso (claro que
podra ser al revs)
tomar en cuenta una venta en un almacn por persona podra
ser nuestro xito, mientras que no realizarla sera fracaso, etc.
Para construir un proceso binomial se necesita lo siguiente:
1) En el experimento slo hay dos resultados
a) EXITO = 1
b) FRACASO = 0
2)A la probabilidad de xito se le llama p
3) A la de fracaso se le llamaq
4) Se cumple que p + q = 1 (por lo tanto q = 1 p )
5) La probabilidad de xito permanece constante
6)Los eventos son independientes. Por ejemplo: si lanzamos una
moneda las segunda vez no importa lo que pas antes.
7) El experimento se realiza n veces
8)Lo que se desea es conocer la probabilidad de xito, P(x), en
los n intentos. (Nota: xito no significa que sea bueno, slo
significa que ocurra el evento).
Para conocer la probabilidad de xito es necesario calcular las
posibles combinaciones de la variable, y mutiplicarlas por las
probabilidades de cada suceso:

P(x) Cxn p x q n x donde

P(x) es la probabilidad de que ocurran x xitos en n intentos

n!
Cx
n
x!(n x)! es el coeficiente que da todas las
posibles combinaciones

p es la probabilidad individual de xito

q es la probabilidad individual de fracaso
n es el nmero de veces que se realiza el experimento o
medicin
Al emplear esta frmula podemos graficar las probabilidades de
ocurrencia de todos los casos de inters, lo que nos dan grficas
como las siguientes (la curva azul es la distribucin normal).

Qu notas de diferencia entre las barras verticales y la curva azul?

Veamos cmo funciona con ejemplos:
Ejemplo 1.
Cul es la probabilidad de sacar 4 guilas en 6 volados?

Para este problema n = 6, x = 4 y p = 0.5 por lo que:

6! 720
P(4) (0.5) (0.5)
4 2
0.015625 0.2343
4!2! 24 2
haciendo una grfica con los valores correspondientes tendramos

Respuesta: 23.43%
 DISTRIBUCIN BINOMIAL NEGATIVA
16
Consideremos el siguiente experimento:
Partimos de un experimento de Bernoulli donde la probabilidad
de que ocurra un suceso es p (xito) y la probabilidad de que
no ocurra q = 1- p (fracaso). Repetimos nuestro experimento
hasta conseguir el r-simo xito. Definimos la variable
aleatoria X, como el nmero de fracasos x hasta que se
obtiene el r-simo xito. Entonces:
El ltimo tiene que ser un xito.

x r 1 r

BN (r , p) P( X x)

p 1 p ,
x

x
x 0,1, 2, ...
Se denomina binomial negativa porque los coeficiente provienen de
la serie binomial negativa:
p (1-q)
-x -x
17
Distribucin binomial negativa
(de Pascal o de Plya)

La distribucin binomial negativa tambin se puede

definir como el nmero de pruebas x hasta la
aparicin de r xitos. Como el nmero de pruebas x,
en este caso, contabiliza tanto los xitos como los
fracasos se tendra segn sta definicin que:

x 1 r
BN (r , p) P( X x) p 1 p x r ,
r 1
x r, r 1, r 2, ...
E( X ) r / p
r (1 p)
Var ( X )
p2
Una aeronave tiene 3 computadoras idnticas. Slo
una de ellas se emplea para controlar la nave, las
otras 2 son de reserva, redundantes, por si falla la
primera. Durante una hora de operacin la
probabilidad de fallo es 0.0005.

Cul es el tiempo promedio de fallo de las tres computadoras?

Cul es la probabilidad de que las 3 fallen durante un vuelo de 5 horas?

a)
E ( x) 3/ 0.0005 6000h

b)
P( x 5) P( X 3) P ( X 4) P ( X 5)
3 4
0.0005 0.0005 (0.9995) 0.00053 (0.9995) 1.249 x109
3 3

2 2
 DISTRIBUCIN GEOMTRICA O DE PASCAL
La distribucin geomtrica es un modelo adecuado para aquellos procesos
en los que se repiten pruebas hasta la consecucin del xito a resultado
deseado y tiene interesantes aplicaciones en los muestreos realizados de
esta manera . Tambin implica la existencia de una dicotoma de posibles
resultados y la independencia de las pruebas entre s. Preguntas
dicotmicas ( SI ) (NO )
La distribucin geomtrica esta tambin relacionado con
un proceso de Bernoulli ,excepto que el numero de
ensayos no es fijo .Entonces se considera una sucesin de
ensayos de Bernoulli .Definimos la variable aleatoria X de
la siguiente manera :

Z =
= , , , .
El espacio muestral tiene la siguiente forma ,
={E,FE,FFE,FFFE,FFFFE, . }
La variable aleatoria X , as definida se llama una variable aleatoria geomtrica .Y la
distribucin de probabilidad de esta variable aleatoria se llama distribucin
geomtrica .
Deduciremos ahora esta distribucin de probabilidad .

P(1)= P[X=1]=P[E]=p
P(1)= P[X=1]=P[FE]=pq
P(1)= P[X=1]=P[FFE]=

El general se obtiene que ;

p(x)=P[X=x]=P[{FF.FE}] =

 PROPIEDADES DE LA DISTRIBUCIN GEOMTRICA

1.La distribucin geomtrica es decreciente ,es decir ,

< , = , , . .

2. Una interesante y til propiedad de la distribucin geomtrica es que no

tiene memoria ,esto es ,

[ > + | > ]

La distribucin geomtrica es la nica distribucin discreta con esta

propiedad .
EJEMPLO :
La probabilidad de xito al lanzar un cohete es 0.8 suponga que el ensayo
del lanzamiento ha ocurrido .
Cul es la probabilidad que exactamente sean necesarios 6 ensayos ?
Solucin
Sea la X la variable aleatoria definida por ,
= .
Rx={1,2,3,4,.} ; p=P[E]=0.8 , q=0.2
Luego ,la variable aleatoria X tiene una distribucin geomtrica,

p(x) = P[X=x] = (. )(. ) , x=1,2,

P[X=6] = (. )(. ) = 0.000256

 1- Tres personas tiran una moneda al aire y el disparejo pagara los refrescos. Si los tres resultados
son iguales, las monedas se tiran nuevamente hasta que resulte el primer perdedor.

a) encuentre la probabilidad de que se necesiten menos de 4 intentos para determinar el

perdedor.

b) en cuntos intentos se espera obtener al perdedor?

DISTRIBUCION HIPERGEOMETRICA

La distribucin hipergeomtrica es aquella en la que se

considera la existencia de xitos y/o fracasos en una poblacin
conocida, y de la cual se extrae una muestra sin remplazo
donde tambin existen xitos o fracasos.
Si en una poblacin de N elementos se tienen k xitos, la
probabilidad de que en una muestra aleatoria de n elementos
seleccionados sin reemplazo se tengan x xitos est dada por:
 N = nmero de elementos en la poblacin
n = nmero de elementos en la muestra
k = nmero de xitos en la poblacin
x = nmero de xitos en la muestra
 La media (esperanza), varianza y desviacin estndar
de la distribucin hipergeomtrica estn dadas por
Los experimentos que tienen este tipo de distribucin tienen las
siguientes caractersticas:
Al realizar un experimento con este tipo de distribucin, se esperan
dos tipos de resultados.
Las probabilidades asociadas a cada uno de los resultados no son
constantes.
Cada ensayo o repeticin del experimento no es independiente de
los dems.
El nmero de repeticiones del experimento (n) es constante.
Ejemplo
Considerando que en la urna hay un total de 10 objetos, 3 de
los cuales son defectuosos, si de seleccionan 4 objetos al
azar, cul es la probabilidad de que 2 sean defectuosos?

Solucin:

N = 10 objetos en total
a = 3 objetos defectuosos
n = 4 objetos seleccionados en muestra
x = 2 objetos defectuosos deseados en la muestra
Donde:

probabilidad asociada a cada muestra de 4 objetos

que se seleccionaron, con lo que se demuestra que
las probabilidades no son constantes

formas o maneras de obtener 2 objetos defectuosos entre los

4 seleccionados = muestras de 4 objetos entre los que 2 son
defectuosos
Como se observa en el desarrollo de la solucin del problema, la pretensin
es demostrar que las probabilidades asociadas a cada uno de los resultados
no son constantes.

Luego la probabilidad de obtener 2 objetos defectuosos entre los 4

seleccionados al azar sera:
Ejemplo
Distribucin de poisson
Esta distribucin es una de las ms importantes distribuciones
de variable discreta. Sus principales aplicaciones hacen referencia
a la modelizacin de situaciones en las que nos interesa
determinar el nmero de hechos de cierto tipo que se pueden
producir en un intervalo de tiempo o de espacio, bajo
presupuestos de aleatoriedad y ciertas circunstancias restrictivas.
Otro de sus usos frecuentes es la consideracin lmite de procesos
dicotmicos reiterados un gran nmero de veces si la probabilidad
de obtener un xito es muy pequea .
 Caractersticas que deben
tener para una distribucin
de poisson.
Se observa la realizacin de hechos de cierto tipo durante
un cierto periodo de tiempo o a lo largo de un espacio de
observacin
Los hechos a observar tienen naturaleza aleatoria ;
pueden producirse o no de una manera no determinstica.
La probabilidad de que se produzcan un nmero x de
xitos en un intervalo de amplitud t no depende del origen
del intervalo (Aunque, s de su amplitud)
 La probabilidad de que ocurra un hecho en un intervalo infinitsimo es prcticamente
proporcional a la amplitud del intervalo.
La probabilidad de que se produzcan 2 o ms hechos en un intervalo infinitsimo es un
infinitsimo de orden superior a dos.
En consecuencia, en un intervalo infinitsimo podrn producirse O 1 hecho pero nunca
ms de uno
Si en estas circunstancias aleatorizamos de forma que la variable aleatoria X signifique
o designe el "nmero de hechos que se producen en un intervalo de tiempo o de
espacio", la variable X se distribuye con una distribucin de parmetro l . As :
El parmetro de la distribucin es, en principio, el factor de proporcionalidad para la
probabilidad de un hecho en un intervalo infinitsimo. Se le suele designar como parmetro de
intensidad , aunque ms tarde veremos que se corresponde con el nmero medio de hechos que
cabe esperar que se produzcan en un intervalo unitario (media de la distribucin); y que tambin
coincide con la varianza de la distribucin.
Por otro lado es evidente que se trata de un modelo discreto y que el campo de variacin de la
variable ser el conjunto de los nmero naturales, incluido el cero:
EJEMPLO 1 :

En una clnica el promedio de atencin es 16 pacientes por 4 horas, encuentre la

probabilidad que en 30 minutos se atiendan menos de 3 personas y que en 180
minutos se atiendan 12 pacientes.
FUENTES BIBLIOGRFICAS

http://habitantedelinfinito.blogspot.mx/2014/01/distribucion-hipergeometrica.html

http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/03Ddistr%20Hiperg
eometrica.htm

PROBABILIDADES E INFERENCIA ESTADISTICA RUFINO MOYA C/ GREGORIO

SARAVIA A.
GRACIAS =)