TEMA II.

DISTRIBUCIONES DE
PROBABILIDAD DISCRETAS

1
Distribución Discreta Uniforme


2
Media y Varianza de la Distribución
Discreta Uniforme

3
Ejemplo: Ejercicio 4-41


4
The Binomial Distribution
It refers to repeated trials
◦ The probability that 9 of 10 batteries will run at least 1,000
hours, the probability that 5 of 20 drivers will ignore a red
light…
We are interested in the probability of getting x successes
in n trials
In repeated trials, also known as Bernoulli Trials, the
following holds:
◦ There are only two possible outcomes for each trial: success or
failure, without inferring that a success is desirable
◦ The probability for success is the same for each trial
◦ The outcomes from different trials are independent
◦ There are a fixed number n of Bernoulli trials conducted

5
 Veamos ejemplos de variables binomiales
(Texto de Montgomery, Sección 4-6, pg. 119)

Tarea: analizar el resto de los incisos, de b hasta j.

7
 Función de Probabilidad para la variable
aleatoria binomial
Veamos un ejemplo: la posibilidad de
recibir de manera errónea un bit transmitido
por un canal de transmisión digital, es 0.1.
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).
8
 Función de Probabilidad para la variable
aleatoria binomial
Continuación del ejemplo anterior: se
indica con E un bit erróneo y con C un bit
sin error (Correcto). 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
9
Cálculo de P (x=2)
Recordando que el enunciado dice: Sea
X=número de bits recibidos con error en
los próximos cuatro que serán
transmitidos. Entonces:
n=4, x=2, p=0.1
Así reemplazando en la ecuación

=0.0486

10
11
Distribución Binomial


12
The Binomial Distribution
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, P(x=2).
Encuentre P(x≥4), esto es la probabilidad de
que al menos 4 muestras contengan la
molécula rara.

13
En el caso anterior, lo más sencillo es usar el
complemento:
P(x≥4) = 1-P(x<4)

14
Continuando con el ejemplo:

15
 Problema 4-55
En un proceso de producción se examinan
lotes de 50 resortes helicoidales para
determinar si cumplen con los requerimientos
del cliente. El número promedio de resortes
helicoidales que no cumplen con los
requerimientos es de cinco por lote. Suponga
que el número de resortes que no cumplen con
los requerimientos en un lote, denotado por X
es una variable aleatoria binomial. ¿Qué valor
tienen n y p? Calcule P(X≤2) y P(X≥49)

16
Distribución Geométrica
Supóngase una serie de ensayos Bernoulli
independientes con una probabilidad constante de éxito
p en cada ensayo. En lugar de tener un número fijo de
ensayos, ahora éstos se realizan hasta que se obtiene un
éxito. Sea la variable aleatoria X el número de ensayos
realizados hasta obtener el primer éxito.
Ejemplo: La probabilidad de recibir de manera errónea
un bit enviado por un canal de transmisión digital es
0.1. Supóngase que las transmisiones son eventos
independientes, y sea la variable aleatoria X el número
de bits transmitidos hasta que se presenta el primer
error. Encuentre P(X=5).

17
Distribución Geométrica
Definición: En una serie de ensayos
Bernoulli independientes, con una
probabilidad constante p de éxito, sea la
variable aleatoria X el número de ensayos
realizados hasta la obtención del primer
éxito. Entonces X tiene un distribución
geométrica con parámetro p y
fx(x;p)=(1-p)x-1p, x=1,2,…

18
Distribución Geométrica
En el ejemplo anterior, P(X=5) es:

19
Distribución Geométrica
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?

20
Distribución Geométrica
SiX es una variable aleatoria geométrica con
parámetro p, entonces la media y la varianza de X
son
μx = E(X) = 1/p y
σx2 = V(X) = (1-p)/p2
Considérese la transmisión de bits, en la cual p=0.1.
El número promedio de transmisiones hasta que se
presente el primer error es 1/0.1=10. La desviación
estándar del número de transmisiones hasta que se
presente el primer error es
σx = ((1-0.1)/0.12)1/2 = 9.49
21
Distribución Geométrica
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.
Por esto se dice que la distribución
geométrica carece de memoria.

22
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.
Definición: En una serie de ensayos Bernoulli
independientes, con una probabilidad constante
de éxito p, sea la variable aleatoria X el número
de ensayos efectuados hasta que se tienen r
éxitos. Entonces X tiene una distribución
binomial negativa con parámetros p y r=1,2,3,…

23
Distribución Binomial Negativa


24
 Distribución Binomial Negativa
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 falla en el sistema primario. Durante una hora
de operación, la probabilidad de falla 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
promedio de falla de las tres computadoras? ¿cuál es la
probabilidad de que las tres computadoras fallen durante
un vuelo de cinco horas? (English version: what is the
probability that all three servers fail within five requests?

25
 Solución
Primero: responder a la pregunta, ¿es una
variable que se comporta de acuerdo a una
distribución binomial negativa?
X=número de horas hasta que los tres
sistemas fallen, r=3, p=0.0005
E(X)=3/0.0005=6000 hora

26
Distribución Hipergeométrica
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≤Nyn≤N
Sea la variable aleatoria X el número de
éxitos en la muestra. Entonces, X tiene
una distribución hipergeométrica.
27
28
Distribución Hipergeométrica
Ejemplo: Considérese que la producción
diaria de 850 partes manufacturadas
contiene 50 que no cumplen con los
requerimientos del cliente. Del lote se
escogen dos partes al azar, sin reemplazo.
¿Cuál es la probabilidad de que las dos
partes no cumplan con los
requerimientos?

29
Si las dos partes no cumplen con los
requerimientos:

30
Distribución Hipergeométrica
Ejemplo: Un lote de piezas contiene 100 de
un proveedor local de tubería, y 200 de un
proveedor del mismo material, pero de otra
provincia. Si se eligen cuatro piezas al azar y
sin remplazo, ¿Cuál es la probabilidad de que
todas provengan del proveedor local? ¿Cuál
es la probabilidad de que dos o más piezas de
la muestra sean del proveedor local? ¿Cuál es
la probabilidad de que al menos una pieza de
la muestra sea del proveedor local?
31
¿Cuál es la probabilidad de que todas provengan
del proveedor local?

32
¿Cuál es la probabilidad de que dos o más piezas
de la muestra sean del proveedor local?

33
¿Cuál es la probabilidad de que al menos
una pieza de la muestra sea del proveedor
local?

34
Distribución Hipergeométrica
Si X es una variable aleatoria
hipergeométrica con parámetros N, K y n,
entonces la media y la varianza de X son
μx=E(X)=np
σ2x=V(X)=np(1-p)[(N-n)/(N-1)]
donde p=K/N

35
Distribución Hipergeométrica
En el ejemplo anterior, el tamaño de la
muestra es cuatro. La variable aleatoria X
es el número de piezas que provienen del
proveedor local. ¿Cuál es el valor
esperado y la varianza?

36
 Distribución Hipergeométrica
 Problema 3-92. Un estado efectúa una lotería en la que se escogen al azar
y sin remplazo seis números de entre 40. Un jugador selecciona seis
números antes de que el estado tome la muestra.
 ¿Cuál es la probabilidad de que los 6 números seleccionados por el
jugador coincidan con los seis números que hay en la muestra del estado?
 ¿Cuál es la probabilidad de que 5 de los 6 números seleccionados por el
jugador aparezcan en la muestra del estado?
 ¿Cuál es la probabilidad de que 4 de los 6 números seleccionados por el
jugador aparezcan en la muestra del estado?
 Si el jugador participa en la lotería cada semana, ¿cuál es el número
esperado de semanas que deben transcurrir para que los 6 números que
escoge el jugador coincidan con los que hay en la muestra tomada por el
estado?

37
The Poisson Distribution
Given an interval of real numbers, assume counts occur
at random throughout the interval. If the interval can be
partitioned into subintervals of small enough length
such that:
(1) the probability of more than one count in a
subinterval is zero,
(2) the probability of one count in a subinterval is the
same for all subintervals and proportional to the length
of the subinterval, and
(3) the count in each subinterval is independent of other
subintervals,
the random experiment is called a Poisson process.
38
The Poisson Distribution
The random variable X that equals the
number of counts in the interval is a
Poisson random variable with parameter 0
< λ, and the probability mass function of
X is f(x) = e - λ λx for x=0,1,2,…
x!

39
The Poisson Distribution
Itis important to use consistent units in the
calculation of probabilities, means, and variances
involving Poisson random variables. The following
example illustrates unit conversions.
◦ If the average number of flaws per millimeter of wire is
3.4, then the average number of flaws in 10 millimeters of
wire is 34, and the average number of flaws in 100
millimeters of wire is 340.
If a Poisson random variable represents the number
of counts in some interval, the mean of the random
variable must equal the expected number of counts
in the same length of interval.
40
The Poisson Distribution
Example: For the case of the thin copper
wire, suppose that the number of flaws
follows a Poisson distribution with a mean
of 2.3 flaws per millimeter. (a) Determine
the probability of exactly 2 flaws in 1
millimeter of wire. (b) Determine the
probability of 10 flaws in 5 millimeters of
wire. (c) Determine the probability of at
least 1 flaw in 2 millimeters of wire.

41
Solución
X=número de fallas en 1 mm de cable
E(X)=2.3 fallas

42
Solución
Determine la probabilidad de 10 fallas en
5 milímetros de cable.
X=número de fallas en 5 mms de cable
E(X)=5*2.3=11.5 fallas

43
Solución
Determine la probabilidad de al menos 1
falla en 2 milímetros de cable.
X=número de fallas en 2 mms de cable
E(X)=2*2.3=4.6 fallas

44
The Poisson Distribution
Example: Contamination is a problem in the
manufacture of optical storage disks. The
number of particles of contamination that
occur on an optical disk has a Poisson
distribution, and the average number of
particles per centimeter squared of media
surface is 0.1. The area of a disk under
study is 100 squared centimeters. Find the
probability that 12 particles occur in the
area of a disk under study.
45
Mean and Variance of the Poisson
Distribution
If X is a Poisson random variable with parameter λ, then
μ = E(X) = λ and σ2 = V(X) = λ
The mean and variance of a Poisson random variable are
equal. For example, if particle counts follow a Poisson
distribution with a mean of 25 particles per square
centimeter, the variance is also 25 and the standard
deviation of the counts is 5 per square centimeter.
Consequently, information on the variability is very
easily obtained. Conversely, if the variance of count data
is much greater than the mean of the same data, the
Poisson distribution is not a good model for the
distribution of the random variable.

46