Distribuciones probabilísticas discretas

Variables aleatorias
Véalo aquí
 
Una variable aleatoria es un valor numérico determinado por el resultado de un experimento.
Ejemplo: considere un experimento aleatorio en el que se lanza tres veces una moneda. Sea X el número de caras. Sea H el resultado de obtener una cara y T el de obtener una cruz.
El espacio muestral para este experimento será: TTT, TTH, THT, THH, HTT, HTH, HHT, HHH.
Entonces, los valores posibles de X (número de caras) son x = 0, 1, 2, 3.
El resultado “cero caras” ocurrió una vez.
El resultado “una cara” ocurrió tres veces.
El resultado “dos caras” ocurrió tres veces.
El resultado “tres caras” ocurrió una vez.
De la definición de variable aleatoria, la X definida en este experimento, es una variable aleatoria.
 

Distribuciones probabilísticas
Vealo aquí

Una distribución probabilística es la enumeración de todos los resultados de un experimento junto con las probabilidades asociadas.
Para el Ejemplo anterior,
Números de caras Probabilidad de los resultados
0 1/8 = 0.125
1 3/8 = 0.375
2 3/8 = 0.375
3 1/8 = 0.125
total 8/8 = 1

Características de una distribución porbabilística
Véalo aquí

La probabilidad de un resultado siempre debe estar entre 0 y 1.
La suma de todos los resultados mutuamente excluyentes siempre es 1.
 

Variable aleatoria discreta
Véalo aquí

Una variable aleatoria discreta es una variable que puede tomar sólo ciertos valores diferentes que son el resultado de la cuenta de alguna característica de interés.
EJEMPLO 2: sea X el número de caras obtenidas al lanzar 3 veces una moneda. Aquí los valores de X son x = 0, 1, 2, 3

Tipos de variables

Variable aleatoria continua
Véalo aquí

La media:
indica la ubicación central de los datos.
es el promedio, a la larga, del valor de la variable aleatoria.
también se conoce como el valor esperado, E(x), en una distribución de probabilidad.
es un promedio ponderado.
La media se calcula con la fórmula:


donde μ representa la media y P(x) es la probabilidad de los diferentes resultados x.


Variancia de una distribución probabilística discreta
Véalo aquí

La variancia mide la cantidad de dispersión (variación) de una distribución.
La variancia de una distribución discreta se denota por la letra griega σ2 (sigma cuadrada).
La desviación estándar se obtiene tomando la raíz cuadrada de
La variancia de una distribución de probabilidad discreta se calcula a partir de la fórmula
Ejemplo:
Dan Desch, propieatario de College Painters, estudió sus registros de las últimas 20 semanas y obtuvo los siguientes números de casas pintadas por semana:
 
# de casas pintadas semanas
10 5
11 6
12 7
13 2

Distribución probabilística:
 

# de casas pintadas, X Probabilidad, P(X)
10 0.25
11 0.30
12 0.35
13 0.10
Total 1

Calcule el número medio de casas pintadas por semana:

Calcule la variancia del número de casas pintadas por semana:

Distribución probabilística binomial
Véalo aquí

La distribución binomial tiene las siguientes características:
un resultado de un experimento se clasifica en una de dos categorías mutuamente excluyentes -éxito o fracaso.
los datos recolectados son resultados de contar.
la probabilidad de éxito es la misma para cada ensayo.
los ensayos son independientes.
Para elaborar una distribución binomial, sea
n el número de ensayos
x el número de éxitos observados
p la probabilidad de éxito en cada ensayo
 
La fórmula para la distribución de probabilidad binomial es:
La Secretaría del Trabajo del estado de Alabama reporta que 20% de la fuerza de trabajo en Mobile está desempleada. De una muestra de 14 trabajadores, calcule las siguientes probabilidades con la fórmula de la distribución binomial (n=14, =.2, ):

tres están desempleados: P(x=3)=.250
Nota: éstos también son ejemplos de distribuciones probabilísticas acumulativas:
 
tres o más están desempleados:
P(x ³3)=.250 +.172 +.086 +.032 +.009 +.002=.551
al menos un trabajador está desempleado:
 P(x  ³ 1) = 1 - P(x=0) =1 - .044 = .956
a lo más dos trabajadores están desempleados:
 P(x £2)=.044 +.154 +.250 =.448

Media y variancia de la distribución binomial
Véalo aquí

La media está dada por:


La variancia está dada por:
Del ejemplo anterior, recuerde que p=.2 y n=14.
Así, la media = n p = 14(.2) = 2.8.
La variancia = n p (1 - p ) = (14)(.2)(.8) =2.24.


Población finita
Véalo aquí

 
Una población finita es una población que consiste en un número fijo de individuos, objetos o medidas conocidos.
Los ejemplos incluyen: el número de estudiantes en esta clase, el número de automóviles en el estacionamiento.


Distribución hipergeométrica
Véalo aquí

 
Fórmula:


donde N es el tamaño de la población, S es el número de éxitos en la población, x es el número de éxitos de interés, n es el tamaño de la muestra, y C es una combinación.
Use la distribución hipergeométrica para encontrar la probabilidad de un número específico de éxitos o fracasos si:
la muestra se selecciona de una población finita sin reemplazo (recuerde que un criterio para la distribución binomial es que la probabilidad de éxito es la misma de un ensayo a otro).
el tamaño de la muestra n es mayor que 5% del tamaño de la población N.
La National Air Safety Board tiene una lista de 10 violaciones a la seguridad reportadas por ValueJet. Suponga que sólo 4 de ellas son en realidad violaciones y que el Safety Board sólo podrá investigar cinco de las violaciones. ¿Cuál es la probabilidad de que tres de las cinco violaciones seleccionadas al azar para investigarlas sean en realidad violaciones?
N=10
S=4
X=3
n=5



Distribución de Poisson
Véalo aquí

 

La distribución de probabilidades binomial se hace cada vez más sesgada a la derecha conforme la probabilidad de éxitos disminuye.
La forma límite de la distribución binomial donde la probabilidad de éxito  es muy pequeña y n es grande se llama distribución de probabilidades de Poisson.
La distribución de Poisson se puede describir matemáticamente por la fórmula:

donde u es la media aritmética del número de ocurrencias en un intervalo específico de tiempo, e es la constante 2.71828 y x es el número de ocurrencias.
 

El número medio de éxitos u se puede determinar en situaciones binomiales por n p, donde n es el número de ensayos y p la probabilidad de éxito.
La varianza de la distribución de Poisson también es igual a n p.

La Sylvania Urgent Care se especializa en el cuidado de lesiones menores, resfriados y gripe. En las horas de la tarde de 6-10 PM el número medio de llegadas es 4.0 por hora.
¿Cuál es la probabilidad de 4 llegadas en una hora?

P(4) = (4^4)(e^-4)/4!=.1954.

<< atras

Tabla de contenidos

adelante >>