Ana Mara Daz Cecilia Larran Modelos de probabilidad discretos Pgina 1

ALGUNOS MODELOS DI SCRETOS DE DI STRI BUCI N DE PROBABI LI DAD

DISTRIBUCIN DE BERNOULLI
Considere la inspeccin de un artculo nico salido de la lnea de ensamblaje. Se decide
anotar un 1 si el artculo tiene defectos (xito, con probabilidad p) y 0 (fracaso, con
probabilidad q = 1 p) si no lo tiene. Si X es la variable aleatoria
1
que representa el
estado del artculo que se inspecciona, entonces X tiene una distribucin de Bernoulli:












Resumiendo, X tiene una distribucin Bernoulli si existen las condiciones siguientes:
1.- El experimento se realiza una sola vez.
2.- El resultado del experimento puede ser un xito o un fracaso.
3.- La probabilidad de xito se denota por p y la probabilidad de fracaso por q.
p + q =1

Ejemplos:
Lanzar una moneda y que salga cara. p =
Elegir una persona de la poblacin y que est enfermo.
p = 1/1000 = prevalencia de la enfermedad


Si X es una v. a. Bernoulli con parmetro p (X ~ B(1,p) ), entonces la media y la
varianza son:
= E(X) = p y o
2
= V(X) = pq





1
Una variable aleatoria es una funcin que asigna un nmero real a cada resultado en el espacio muestral de un
experimento aleatorio. Un modelo de distrib. de prob. es la representacin simblica de una poblacin.

Rex X
E(X) = x p(x)

2 2 2 2
Rec X
V(X) = E(X ) - (E(X)) , E(X ) x p(x) =

q , x = 0
p(x) = p , x = 1
0 , en otro caso

donde p es la probabilidad
de observar un artculo
defectuoso (xito).

p + q = 1

Funcin
de
Cuanta


(funcin que asigna las
probabilidades)

X: xito obtenido en la prueba

1-x
x
, x = 0 , 1 p q
p(x)=
, 0 en otro caso

Ana Mara Daz Cecilia Larran Modelos de probabilidad discretos Pgina 2

DISTRIBUCION BINOMIAL
Si se repite en forma independiente un nmero fijo de veces, n, un experimento de
Bernoulli con parmetro p, el nmero de xitos sigue una distribucin Binomial.

Ejemplo: En la fabricacin de cilindros para gas, se ha observado que el 8% no cumple
con las especificaciones requeridas. Se toman al azar 4 cilindros y se someten a un
control, Cul es la probabilidad de que 2 cumplan con las especificaciones?, Cul es
la probabilidad de que por lo menos tres cumplan con las especificaciones?
Se define la variable aleatoria
X: N
ro
de cilindros en la muestra que cumplen con las especificaciones
Se pide calcular las probabilidades P(X = 2) y P(X > 3)
En este experimento se indica con E un cilindro cumple con las especificaciones y con D
un cilindro que no cumple con las especificaciones. Con esto, el espacio muestral O
(conjunto de todos los resultados del experimento) se puede describir:

Resultado x Resultado x Resultado x Resultado x
DDDD 0 DEEE 3 EDDD 1 EEEE 4
DDDE 1 EDEE 3 DDEE 2 EDDE 2
DDED 1 EEDE 3 DEDE 2 EDED 2
DEDD 1 EEED 3 DEED 2 EEDD 2


El suceso en que X = 2 est formado por seis resultados:

{(E,E,DD) , ( D,E,D,E) , (D,E,E,D) , (E,D,D,E) , (E,D,E,D) , (D,D,E,E) } ,

E = xito, D = Fracaso
P(E) = 0,92 P(D) = 0,08

Debemos suponer independencia en la realizacin del experimento (se asume que la poblacin
es infinita), entonces la probabilidad de (E,E,D,D) es

P(
1 2 3 4
E E D D ) = P(E
1
)P(E
2
)P(D
3
)P(D
4
) = (0,92)
2
(0,08)
2
= 0,00542

Por otra parte, la probabilidad que se presente cualquiera de los seis resultados mutuamente
excluyentes para los que X = 2, es la misma. Por lo tanto

P(X = 2) = 6 (0,0054) = 0,03252
En general,

P(X = x) = (nmero de resultados con x xitos en O)
x 4 - x
P(X = xito) P(X = fracaso)

Determinamos P(X > 3) = P( X = 3) + P(X = 4)
= 4 (0,92)
3
(0,08)
1
+ 1 (0,92)
4
(0,08)
0

= 0,9656



Ana Mara Daz Cecilia Larran Modelos de probabilidad discretos Pgina 3


En resumen:
Una variable aleatoria X se distribuye Binomial si existen las cinco condiciones
siguientes:
1. El experimento de Bernoulli se realiza un numero determinado de veces (n).
2. El resultado de cada experimento puede ser un xito (E) o un fracaso (F), la
probabilidad de xito se denota por p y la probabilidad de fracaso por q.
( p +q = 1)
3. La probabilidad de xito p permanece constante de experimento en
experimento.
4. Cada una de las realizaciones o repeticiones del experimento son
independientes entre s.
5. Se define la v.a X como el n de xitos en las n pruebas o realizaciones
Notacin: X ~B(n , p)

La funcin de probabilidad o funcin de cuanta es

x n-x
=
P(X = x)
n
p q , x = 0,1,2, ...,n
p(x) = x
0 , en otro caso

| |
|

\ .

n
x n-x
x=1
n!
Esperanza : E(X) = x p q
x!(n-x)!
= np

2 2
Varianza : V(X) = E(X )- [E(X)]
= npq


Del ejemplo de los cilindros de gas determine:
X: N
ro
de cilindros en la muestra que cumplen con las especificaciones
X ~B(n = 4 , p = 0,92)
x 4-x
4
P(X = x) = (0,92) (0,08) ; x = 0, 1, 2, 3, 4
x
| |
|
\ .

Probabilidad de que los 4 cilindros no cumplan con las especificaciones.
P( X = 0) =
Probabilidad de que a lo ms uno cumpla con las especificaciones
P(X < 1) =

Ana Mara Daz Cecilia Larran Modelos de probabilidad discretos Pgina 4


DISTRIBUCIN HIPERGEOMETRICA
Se utiliza para modelar situaciones de poblaciones finitas, en que:
1.- El experimento se repite un nmero determinado de n veces sin reposicin.
2.- El resultado del experimento puede ser un xito (E) o un fracaso (F).
3.- La probabilidad de xito cambia de experimento en experimento.
4.- Se conoce el tamao de la poblacin. (N)
Se defina la v.a.
X: N de casos favorables en la muestra de tamao n

Espacio muestral del exp. (O)

E N F









En donde N
1
= N de casos favorables en la poblacin (n de xitos)
N N
1
= N de casos desfavorables en la poblacin (n fracasos)
Factor de
correcin
para pobl.
finitas
1 1 1
N N N - N N - n
Esperanza E(X) = n ; Varianza V(X)= n
N N N N -1
| | | | | |

| | |
\ . \ . \ .

Ejemplo:
Una empresa que se dedica al rubro de la computacin, tiene para la venta 5 impresoras a color
comn; 4 impresoras lser y 6 impresoras matriciales. Una persona compre 5 impresoras Cul es
la probabilidad que (i) solo 3 de ellas sean lser? (ii) Por lo menos una sea lser.
Solucin:
Se define la v.a. X = N impresoras lser (L) entre las 5 vendidas
X ~ Hipergeomtrica (N = 15, N
1
= 4, n = 5)

L N = 15 L
C







N
1
N N
1

n









x n - x
La funcin de probabilidad o funcin de cuanta es
(funcin que asignas las prob.)
1 1
1
=
P(X=x)
N N-N
x n-x
, si x = 0,1,2, ... , mn(n,N )
N p(x) =
n
0 , en otro caso
| | | |

| |
\ . \ .

| |

\ .

N
1
= 4

N N
1
= 11

n = 5









x 5- x
Funcin de cuanta

=
P(X=x)
4 11
x 5 - x
, si x = 0, 1, 2, 3, 4
15 p(x) =
5
0 , en otro caso
| | | |

| |
\ . \ .

| |

\ .

Ana Mara Daz Cecilia Larran Modelos de probabilidad discretos Pgina 5


(i) Entonces P (X = 3) =
4 11
3 5-3
15
5
| | | |

| |
\ . \ .
| |
|
\ .
= 0,073 (ii) P(X > 1) = 1 P(X < 1)

DISTRIBUCIN DE POISSON

Se utiliza para describir experimentos en el que se observan la aparicin de sucesos
puntuales sobre un soporte continuo. Por ejemplo, el nmero de llegadas de clientes por
hora, el nmero de accidentes industriales al mes, en nmero de conexiones elctricas
defectuosas por milla de cableado de un sistema. En cada uno de estos casos los sucesos
que ocurren se miden en una unidad de tiempo o distancia.

Para aplicar la distribucin de Poisson es preciso tener en consideracin:

1. La probabilidad de que ocurra el suceso es constante para dos intervalos de tiempo o
espacio cualesquiera.
2. La aparicin de un suceso en cualquier intervalo es independiente de su aparicin en
cualquier otro intervalo.

Se define la v.a. de Poisson como

X: N de sucesos que ocurren en una unidad
Notacin. X ~ ()

La funcin de probabilidad
1
o funcin de cuanta es (funcin que asignas las prob.) es:
( ) 0,1, 2, 3, 4,........
!
x
e
p x si x
x

= = ; : promedio de sucesos en la unidad

Esperanza E(X) = ; Varianza V(X)=

Ejemplo
Una empresa de pavimentacin tiene contrato con una municipalidad para el
mantenimiento de sus calles. Estas calles dan un promedio de 2 defectos por milla,
despus de ser utilizadas durante un ao. Si se consideran que los defectos se ajustan a
una distribucin de Poisson. Cul es la probabilidad que se presente un defecto en
cualquier milla, despus de soportar trfico un ao?



Ana Mara Daz Cecilia Larran Modelos de probabilidad discretos Pgina 6

Solucin:
Se define la v.a. X = N de defectos en el pavimento por milla, entonces X tiene una
distribucin de Poisson con E(X) = 2 =
X ~ ( = 2)

x -2
=
P(X = x)
2 e
, 0, 1, 2, ...
p(x) =
x!
0 , en otro caso

P(X = 1) =
1 -2
2 e
1!
= 0, 271

La probabilidad que se presente un defecto en cualquier milla, despus de soportar trfico
un ao es 0,271.

Ejemplo:
Suponga que el nmero de veces que el hilo de cierta tela se rompe, en un intervalo de tiempo, es
un proceso de Poisson y que cada 10 horas de trabajo de telar se produce en promedio una
ruptura de hilo. Si se est produciendo cierto tipo de tela, que tomar 25 horas de trabajo en ese
telar, y si dos o ms rupturas hacen que el producto se vuelva no satisfactorio, obtenga la
probabilidad de que la tela se termine en calidad de satisfactorio.
X = Nmero de rupturas de hilo en 25 horas de trabajo
X ~ ( = )

P( ) =

Ejemplo:
En una plaza de control de velocidad en una carretera, una mquina radar es capaz de
controlar en promedio 15 vehculos por minuto. Si el nmero de vehculos controlados
tiene un comportamiento de Poisson. Cul es la probabilidad que en 30 segundos se
controlen cinco vehculos?


Ejercicios
Defina variable aleatoria y distribucin de probabilidad cuando corresponda
Problema 1
En un directorio informtico hay 20 archivos, de los cuales 6 son grandes (de tamao
superior a 2 Mb) y el resto pequeos. Se seleccionan al azar una muestra de 5 archivos
entre los seleccionados:

Si la seleccin se realiza, determine la probabilidad de que haya por lo menos dos
archivos grande entre los seleccionados.







Ana Mara Daz Cecilia Larran Modelos de probabilidad discretos Pgina 7

Problema 2
Sea X la variable aleatoria nmero de accidentes laborales diarios en un determinado
grupo se empresas.
(a) Sabiendo que X ~ Poisson () y que P(X = 0) = 0,1353352, calcule el nmero medio
de accidentes diarios (esperanza) y la varianza.
(b) Determine la probabilidad de que en una semana (5 das) ocurran menos de dos
accidentes

Problema 3
Una venta particular involucra cuatro artculos seleccionados al azar de un gran lote que
tiene un 10% de defectuosos.
a. Cul es la probabilidad de que entre cuatro artculos vendidos a lo ms uno sea
defectuoso?
b. El comprador de los artculos devolver los defectuosos para ser reparados, y el costo
en pesos de reparacin es C = 3X
2
+ 2, siendo X el nmero de defectuosos entre los
cuatro artculos vendidos. Encuentre el costo esperado de reparacin.

Problema 4
Un proceso de fabricacin, presenta en promedio 1,2 defectos por cada 100 unidades
producidas y sigue una distribucin de Poisson. Cul es la probabilidad de que entre las
500 prximas unidades producidas haya ms de tres defectos?
Problema 5
En la produccin diaria de cierto tipo de tela, el nmero de defectos por pieza tiene una
distribucin de probabilidad Poisson con promedio 2 (defecto/pieza).
a. Si una pieza tiene 10 metros de tela. Determine la probabilidad de que en los dos
primeros metros de tela revisados no tenga defectos.
b. De 8 piezas de tela producidas se sabe que 2 salen con falla de tintura. Si se venden 3
de estas piezas. Cul es la probabilidad de que una de las piezas vendidas tenga falla
de tintura

Problema 6
Un fabricante de alambre delgado de cobre, vende su producto en rollos que tienen
rotulados 10 metros, se sabe que el 1% de los rollos no cumplen con lo rotulado. Adems
el alambre puede presentar imperfecciones que no interfieren con su funcin, si el
nmero de imperfecciones sigue un comportamiento de Poisson con una media de 2,3
imperfecciones por metro.
a. Si se toma una muestra de 20 rollos de alambre. Cul es la probabilidad que a lo
ms 2 rollos no cumplan con el metraje rotulado?
b. Determine la probabilidad de encontrar 10 imperfecciones en 3 metros de alambre.
c. Se realiza un control de calidad, que consiste en revisar los rollos hasta encontrar uno
que no cumpla con el metraje rotulado de 10 metros. Cul es la probabilidad que se
tengan que revisar por lo menos 4 rollos? (ver modelo geomtrico)






Ana Mara Daz Cecilia Larran Modelos de probabilidad discretos Pgina 8


Problema 7
El nmero de usuarios que no pueden acceder a un determinado sitio web, en una hora,
es una variable aleatoria distribuida Poisson con promedio de 6 usuarios por hora.
Calcule la probabilidad, de que en un periodo de media hora no puedan acceder a este
sitio web, tres o ms usuarios.


DISTRIBUCIN GEOMETRICA (est relacionada con el exp. de Bernoulli)

1.- El experimento de Bernoulli se repite hasta obtener un xito.
2.- El resultado del experimento puede ser un xito o un fracaso.
3.- La probabilidad de xito (p) es independiente del obtenido en otro experimento

Se define la v.a.
X: N de pruebas independientes necesarias para obtener el primer xito
X ~ Geo(p) p = P(xito)

Funcin de cuanta:
x-1
p(x)=pq si x = 1, 2, 3,...

2
1 q
Esperanza E(X)= ; Varianza V(X)=
p p


Problema 8
Un organismo de defensa del consumidor analiza unidades de un producto hasta
encontrar uno, que no presenta su fecha de vencimiento. Se sabe que en el mercado un
3% de unidades de este producto no tiene su fecha de vencimiento. Cul es la
probabilidad que se tengan que revisar ms de 3 unidades?

DISTRIBUCIN PASCAL (est relacionada con el experimento de Bernoulli)

Se defina la v.a.

X: N de pruebas independientes de Bernoulli necesarias hasta obtener r xitos

X ~Pascal(p , r) p = P(xito)

Funcin de cuanta:
r x-r
x-1
p(x)= p q si x = r, r+1, r+2, r+3......
r-1
| |
|
\ .

2
r rq
Esperanza E(X) = ; Varianza : V(x) =
p p


Problema 9
Del problema 8 (organismo de defensa del consumidor), Cul es la probabilidad que
se revisen a lo ms 6 unidades para encontrar 3 sin fecha de vencimiento?




Ana Mara Daz Cecilia Larran Modelos de probabilidad discretos Pgina 9

Problema 10
Un Ciber cobra $500 la hora por uso de un computador. El nmero (X) de fallas que se
pueden producir por computador, es una variable aleatoria distribuida segn una
Poisson con media 0,2 fallas por hora, mientras que el costo C, en pesos de reparacin
por hora por computador esta dado por C = 700X
2
.
a. Determine la probabilidad de que en 5 horas no se produzcan fallas.

b. Calcule el Beneficio Esperado por hora PC Resp. 332 $
Problema 11
Supongamos que la probabilidad de que un virus borre el disco duro de un computado
infectado es 0,8.
a. Cul es la probabilidad de que el tercer computador infectado sea el primero en
perder el disco duro?
b. Cul es la probabilidad de que el sexto computador infectado sea el cuarto al que el
virus borra el disco duro?
c. Cuatro usuarios llegan a una sala con 12 computadores de los que 5 tienen el virus,
cul es la probabilidad de que tres de los cuatro amigos utilicen un computador
infectado?


PROBLEMAS ESPECIALES
Problema 12
Un fabricante de refrigeradores somete sus productos terminados a una inspeccin final.
Hay dos tipos de defectos: raspaduras o grietas en el acabado de porcelana y defectos
mecnicos. El nmero de cada tipo de defectos es una variable aleatoria, y en la tabla
siguiente se muestran las probabilidades conjuntas de ocurrencia de dichos defectos,
donde X representa la ocurrencia de defectos de terminacin e Y representa la
ocurrencia de defectos mecnicos:
X
Y
0 1 2 3 4 5
0 0,22 0,08 0,04 0,02 0,02 0,02
1 0,16 0,06 0,04 0,02 0,02 0
2 0,08 0,06 0,04 0,02 0 0
3 0,06 0,02 0 0 0 0
4 0,02 0 0 0 0 0

Si en la inspeccin final de se eligen al azar y en forma independiente 15 refrigeradores,
cul es la probabilidad de por lo menos en un refrigerador los defectos mecnicos
superen los defectos de terminacin?






Ana Mara Daz Cecilia Larran Modelos de probabilidad discretos Pgina 10

Problema 13
Una empresa ha instalado una mquina automtica de caf. La cantidad de llenado (en
c.c.) que contiene un vaso tras ser servido en una variable aleatoria X con funcin de
densidad:

(45 - x)
, si x > 45
f(x)=
0 ,en otro caso
e

Los vasos tienen una capacidad de 50 c.c. Se considera que la mquina opera
satisfactoriamente si la cantidad depositada en el vaso est entre 45 y 48 c.c., adems,
existe independencia entre vasos servidos.
Un empleado de la empresa pide 7 cafs a lo largo de un da, Cul es la probabilidad
que al menos en dos vasos la mquina no haya llenado satisfactoriamente?

Problema 14
Las piezas de metal, que tienen determinadas sillas para oficinas, llevan una capa de
nquel y sobre ella una de cromo. Ambas capas se miden en micras de milmetros. El
grosor de la capa de nquel (X) y de la capa de cromo (Y) son variables aleatorias que
tienen la siguiente funcin de densidad conjunta.

2(x+1) ; 0 < x < 0,5 , 0 < y < 0,8
f(x,y) =
0 ; en otrocaso

a. Se revisan las sillas hasta encontrar una con capa de cromo ms gruesa que la capa
de nquel, cul es la probabilidad de que deban revisar ms de tres sillas?
b. Se selecciona una muestra aleatoria de n = 10 sillas, Cul es la probabilidad de que
a lo ms una silla de la muestra la capa de cromo sea ms gruesa que la capa de
nquel?

ayuda: P(xito) = P(Y > X) = 1- P(Y < X)
0,5 0,5
y=0 x=y
2(x+1)dxdy = = p
} }