Ey Pclase 07

ESTADISTICA
Y
PROBABILIDADES
Sesión 07
Ing. William Jaime León Velásquez

wjleonv@yahoo.com
DISTRIBUCIONES
DISCRETAS
 Variable aleatoria
 Variable aleatoria discreta
 Distribuciones discretas
CONTENIDO TEMATICO
9/21/2015 Ing. William León Velasquez 3
VARIABLE ALEATORIA. Concepto
Una variable aleatoria es …..
 una descripción numérica del

resultado de un experimento
 una función que asigna a cada elemento del espacio muestral un

número
 se concentra en el comportamiento general de toda la población.
Ing William León Velásquez 4

VARIABLE ALEATORIA
Concepto intuitivo
• Una variable aleatoria puede concebirse como un valor numérico que está
afectado por el azar.
• Dada una variable aleatoria no es posible conocer con certeza el valor

que tomará esta al ser medida o determinada, aunque sí se conoce que
existe una distribución de probabilidad asociada al conjunto de valores
posibles.

VARIABLE ALEATORIA DISCRETA
• La variable aleatoria X se dice que es discreta si los números
asignados a los sucesos elementales de E son puntos aislados.
Sus posibles valores constituyen un conjunto finito o infinito
numerable.
• Es una función que asigna a cada punto del espacio muestral un
número real
X: R
• Ejemplo N°1:  = falla , no falla 
X( no falla ) = 0
X( falla ) = 1
 A cada s   le
Espacio Muestral falla corresponde
exactamente un valor
no falla X(s)
X({no falla}) = 0 X({falla}) = 1

Conjunto
IR Números
Reales
-  0 IR + 
X: x
1 R
Familia de eventos elementales
Una función X :   R es una
variable aleatoria discreta si el rango de
X es un conjunto finito numerable.
RX   x1 , x2 , ........ , x n 

La mayor parte de las experiencias aleatorias producen
resultados interpretables como números.
Por lo tanto nos interesa el estudio del experimento desde el
punto de vista numérico.

Ejemplo:
• Un técnico de sistemas tiene la información del número de
usuarios que están conectados al portal Web de la UNMSM
mediante la observación en diferentes momentos.
• El técnico anota como “0” si la paginación

en el sistema es normal y “1” si la
paginación es elevada.

• Una variable aleatoria es una aplicación del

espacio muestral (Dominio) en la recta real, de
manera que a cada resultado se le aplica un valor
numérico.
• Para que se considere una variable aleatoria
discreta, el conjunto de los valores numéricos
que son requeridos debe ser un conjunto
discreto.
 Además, para cualquier x, el conjunto de resultados que se asocian

a este valor x debe ser un acontecimiento con una probabilidad
definida.

Ejemplo 1
• Si un experimento consiste en lanzar dos monedas.
• Hallar el dominio y el rango de la variable aleatoria
X : número de caras.
 DX     CC , CS , SC , SS 
X = 0, corresponde al evento elemental SS
X = 1, corresponde al evento elemental CS, SC
X = 2, corresponde al evento elemental CC
RX  0 , 1 , 2 
Ejemplo 2
• Si se lanza una moneda tres veces.
• Hallar el dominio y el rango de la variable aleatoria X :
Nº de caras .
Ω ={SSS, SSC, SCS, CSS, SCC, CSC,CCS, CCC}
Si X se define en un Ω como “el número de caras obtenidas”, entonces, X es

una variables aleatoria cuyo rango es el conjunto: Rx
Rx = {0, 1, 2, 3} tal que k = 0, 1, 2, 3.


0 1 2 3
Rx = {0, 1, 2, 3} tal que k = 0, 1, 2, 3.
X = 0, corresponde al evento elemental SSS

X = 1, corresponde al evento elemental SSC, SCS, CSS
X = 2, corresponde al evento elemental SCC, CSC,CCS
X = 3, corresponde al evento elemental CCC

FUNCIÓN DE PROBABILIDAD
• El concepto de Probabilidad de ocurrencia de eventos en el
espacio muestral  se puede aplicar a eventos en RX.
0  P(X(s) = x ) = f(x)  1
f(x)
1

f: R [0, 1]
RX
0
X(s) = x
s
X:  RX

(Función de cuantía)
Es la probabilidad de que la variable aleatoria X asuma un valor
particular de su rango. xi
 p ( x1 ) si X  x1

 p ( x2 ) si X  x 2
f ( x )  P ( X  xi )  
 ......... .......... ....

 p (x k ) si X  x k

(Función de cuantía)
Propiedades:
a)
p( xi )  0 x
b)

.
p ( xi )  1

(V. A. Discretas)
• Asigna a cada posible valor de una
variable aleatoria discreta su 40%
35%
probabilidad. 30%
Recuerde los conceptos de frecuencia 25%
relativa y diagrama de barras. 20%
15%
Ejemplo 10%
X = Número de caras al lanzar 3 monedas. 5%
0%
0 1 2 3

X 0 1 2 3
p X  x  1 8 38
Ing William León Velásquez
38 18 19
Si en una caja contiene 5 focos blancos y tres rojos . ¿Cuál es la probabilidad de que
al sacar dos focos los dos sean blancas
X = Número de focos blancos
seleccionados
? RX  0,1,2
X=0 X=1 X=2
x 0 1 2
P( X = x ) 3/28 15/28 10/28
8  3  5   3  5   3  5 
#   28        3     15     10
 2 0 León Velásquez 1  1 
 2 IngWilliam  0  2  20
DISTRIBUCIÓN DE PROBABILIDAD
• Muestra los valores que puede tomar la variable
aleatoria X y las probabilidades asociadas con tales
valores.
• Representación mediante una tabla:

• Representación mediante un gráfico

FUNCIÓN DE DISTRIBUCIÓN ACUMULADA
• Sea X una variable aleatoria discreta con
RX   x1 , x2 , ...... , x k 
y la función de cuantía
p( xi )  P ( X  xi )

FUNCIÓN DE DISTRIBUCIÓN ACUMULADA
• Si x es un número real cualquiera:
F ( x )  P( X  x )
 0 x  x1

 p ( x1 ) x1  x  x 2

 p ( x1 ) + p ( x 2 ) x2  x  x3
F (x)  
 p ( x1 ) + p ( x 2 ) + p ( x 3 ) x3  x  x4
 .......... .......... .......... ........ .......... .........


 1 x  xk
• Representación mediante una tabla.

DISTRIBUCIÓN DE PROBABILIDAD ACUMULADA
• Representación mediante un gráfico.

ACUMULADA
• Valor esperado:
• Varianza:

Ejemplos de Distribución discreta
1.-Se lanzan dos dados.
Uno tiene dos caras verdes y cuatro rojas, el otro tiene cuatro caras verdes
y dos negras.
Por cada cara verde que aparece se paga S/5, por cada cara negra S/10 y
por cada cara roja S/25.
Hallar:
 Domínio y rango
 Distribución de probabilidad
 Valor esperado de la ganancia
 La varianza

a) Domínio y rango
1er. Dado: 2V 2do. Dado : 4V

4R 2N
Se paga por cada cara:
X : ganancia al lanzar los dados
verde S/5,
 VV , VN , RV , RN 
negra S/10 y
DX    roja S/25.
VV
RX  10 , 15 , 30 , 35  5+5=10
VN
5+10=15
……..
2DO DADO
1ER DADO
b) Distribución de probabilidad:
2 4 8
P ( X  10 )  P ( VV )  P ( V ) P ( V )   
6 6 36
2 2 4
P ( X  15 )  P ( VN )  P ( V ) P ( N )   
6 6 36
4 4 16
P ( X  30 )  P ( RV )  P ( R ) P ( V )   
6 6 36
4 2 8
P ( X  35 )  P ( RN )  P ( R ) P ( N )   
6 6 36

c) Valor esperado de la ganancia.
k
E (x)   xi p ( xi )
i 1
Entonces:
8 4 16 8
 10  + 15  + 30  + 35   25
36 36 36 36

d) La varianza.
V ( x )  E ( x2 ) -  E ( x ) 2
k
V (x)   x2
i p ( x i ) - ( 25 )2
i 1
8 4 16 8
 102  + 152  + 30 2  + 352  - 25 2  94,44
36 36 36 36

2.- Dos fichas son seleccionadas al azar de una caja que contiene 8
fichas blancas, 4 negras y 2 verdes.
Si se gana S/2 por cada ficha negra seleccionada y se pierde
S/1 por cada ficha blanca seleccionada, además X es la variable
aleatoria que denota las ganancias.
Hallar la distribución de probabilidad.

Dominio:
Rango:
La caja contiene :
14
8B + 4N + 2V = 14
Se extraen dos fichas 
C2  91
Se calculan las probabilidades para cada uno de los valores del
rango:
C14
2  91

• La distribución de probabilidad será:

3.- Una caja contiene cinco tornillos defectuosos y cinco no

defectuosos. Se extraen dos tornillos aleatoriamente y sin
reemplazo. Si la variable aleatoria es:
X : Nº de tornillos no defectuosos que se obtienen.

a) Hallar el dominio de X.
• La caja contiene: 5D + 5 𝐷 = 10 tornillos.
  D D , D D , D D , D D
b) Hallar el rango de X:
RX  0 , 1 , 2 
c) Determinar la función de cuantía.
5 4 2
P( X  0)  P(D D)   
10 9 9
5 4 2
P( X  2)  P(D D)   
10 9 9
5 5 5 5 5
P ( X  1)  P ( D D + D D )   + 
10 9 10 9 9

La función de cuantía es:  2

 si x  0
9


 5
f ( x )  P ( X  xi )   si x  1
 9

 2
si x  2

 9
d)Hallar la distribución de probabilidad.

4.- Un dispositivo está compuesto de tres elementos que trabajan

independientemente. La probabilidad de falla de cada elemento en una prueba
es igual a 0,1.
Si X es el número de elementos que fallan en una prueba; hallar la distribución
de probabilidad de la variable aleatoria. .
X : Nº de elementos que fallan en una prueba

Se calculan las probabilidades para cada uno de los valores del rango.
Teniendo en cuenta que:
La distribución de probabilidad será:

DISTRIBUCIONES
DISCRETAS
DISTRIBUCIÓN BINOMIAL
42
ING. WILLIAM LEON V.

BINOMIAL
Un experimento seguirá el modelo de la distribución Binomial
si tiene las siguientes características :
 En cada prueba del experimento sólo son posibles dos
resultados: el suceso A (éxito) y su contrario Ᾱ(fracaso).
 El resultado obtenido en cada prueba es independiente de los
resultados obtenidos anteriormente.
ING. WILLIAM LEON V. 43

PROBABILIDAD DEL SUCESO
• La probabilidad del suceso A es constante, se representa por
p, y no varía de una prueba a otra.
• La probabilidad de Ᾱ es 1- p y se representa por q.
• El experimento consta de un números n de pruebas.

DISTRIBUCIÓN
DE PROBABILIDAD BINOMIAL
C xn p x q n - x si x : 0 , 1 , 2 , ....., n

f ( x)  P( X  x)  
0 en otro lugar

x : Número de éxitos. x : 0 , 1 , 2 , ... , n

n : Número de ensayos o pruebas.
p : Probabilidad de éxito.
q : Probabilidad de fracaso. q = 1 - p

FUNCIÓN DE DISTRIBUCIÓN
0 si x  0

f (0) 0  x 1

f (0) + f (1) 1 x  2

F(x)  
f (0) + f (1) + f (2) 2 x  3

.......... .......... .. .......... .


1 x  n

LA DISTRIBUCIÓN BINOMIAL EXPRESADA EN FORMA GRÁFICA
EJEMPLO:
• En una escuela primaria los alumnos llegan tarde a
menudo. Cinco alumnos están en el jardín de
niños. La directora lleva tiempo estudiando el
problema, habiendo llegado a la conclusión de que
hay una probabilidad de 0.4 de que un alumno
llegue tarde y de que los alumnos lleguen
independientemente uno de otro
• Trazar una distribución binomial de probabilidad que ilustre las probabilidades de

que 0,1,2,3,4 ó 5 estudiantes lleguen tarde simultáneamente
LA DISTRIBUCIÓN BINOMIAL EXPRESADA EN FORMA
GRÁFICA
EJEMPLO:
• Para crearlo se necesita utilizar la fórmula binomial
𝑛 𝑘 𝑛−𝑘 𝑛!
𝑃 𝑋=𝑘 =𝐶 𝑝 𝑞 = 𝑝𝑘 𝑞𝑛−𝑘
𝑘 𝑘! 𝑛 − 𝑘 !
donde:
p= 0.4
q= 0.6
n= 5

LA DISTRIBUCIÓN BINOMIAL EXPRESADA EN
FORMA GRÁFICA
EJEMPLO:
Se realiza el cálculo de cada valor de k :
• Para k= 0 :
5!
𝑃(0) = 0.40 0.65
0! 5 − 0 !
P(0) = 0.07776
• Para k = 1 :
5!
𝑃(1) = 0.41 0.64
1! 5 − 1 !
P(1) = 0.2592 ING. WILLIAM LEON V. 49

GRÁFICA
EJEMPLO:
• Para k =2:
5!
𝑃(2) = 0.42 0.63
2! 5 − 2 !
P(2) = 0.3456
• Para k = 3:
5!
𝑃(3) = 0.43 0.62
3! 5 − 3 !
P(3) = 0.2304
GRÁFICA
EJEMPLO:
• Para k = 4 :
5!
𝑃(4) = 0.44 0.61
4! 5 − 4 !
P(4) = 0.0768
• Para k = 5:
5!
𝑃(5) = 0.45 0.60
5! 5 − 5 !
P(5) = 0.01024
GRÁFICA
EJEMPLO:
• Representando los resultados en una gráfica:
P(0) = 0.07776
P(1) = 0.2592
P(2) = 0.3456
P(3) = 0.2304
P(4) = 0.0768
P(5) = 0.01024
0 1 2 3
4 5 52
MEDIDAS DE TENDENCIA CENTRAL Y DE DISPERSIÓN PARA LA
DISTRIBUCIÓN BINOMIAL.
• La distribución binomial tiene un valor esperado o media ( E[x]) y

una desviación estándar (  ) y por lo tanto se puede calcular esas
dos medidas estadísticas.
53
• Se puede representar la media de una distribución binomial de
la siguiente forma:
E[x] = n p
donde :
• n= número de ensayos.
• p= probabilidad de éxitos.

• Y la Varianza de una Binomial es de la siguiente forma:
𝑉 𝑋 = 𝑛𝑝𝑞
donde :
• n= número de ensayos.
• p= probabilidad de éxito.
• q= probabilidad de fracaso.
La desviación estándar es 𝜎 = 𝑛𝑝𝑞

Ejemplo 1
• Una máquina empaquetadora produce 20% de paquetes defectuosos.
• Si se extrae una muestra aleatoria de 10 paquetes
• Calcular la media y la desviación estándar de la

distribución binomial de ese proceso

Ejemplo 1
E[x] = np
= 10*0.2
Media = 2 .
𝜎 = 𝑛𝑝𝑞
𝜎= (10)(0.2)(0.8)
𝜎 = 1.6
Desviación estándar = 1.265

USO DE TABLA
TABLA DE LA DISTRIBUCIÓN BINOMIAL
• Tabla de Términos Individuales:
𝑃 𝑋 = 𝑥 = 𝑏 𝑥, 𝑛, 𝑝 Lectura directa
• Tabla de Términos Acumulativos:
𝑃 𝑋 ≤ 𝑥 = 𝑏 𝑥, 𝑛, 𝑝 Lectura directa

P(x)=x

P(x)=x

P(x)<=x

P(x)<=x

USO DE LA TABLA DE LA DISTRIBUCIÓN
BINOMIAL
• Si se lanza al aire una moneda trucada.
• Con esta moneda la probabilidad de obtener cara es del 30%.
La probabilidad que salga sello, es del 70%.
• Si se lanza la moneda 10 veces de manera consecutiva.
• Se desea calcular las siguientes probabilidades

1. La probabilidad de que salga 6 caras o menos
6 caras o menos  x<=6 TABLA ACUMULATIVA

localizamos n=10, p=0.3, x=6 y buscamos la intersección: 0.9894

2.- La probabilidad de que salga 7 caras o más
Si se sabe que la probabilidad

hasta x<=6 es 0.9894
Por lo que la probabilidad de

P(X>=7) =1 - P(x<=6)
• Entonces se utiliza el hecho de que el suceso descrito es el
complementario del anterior para afirmar que la probabilidad
buscada es
1-0.9894=0.0106

3.-La probabilidad de que salga exactamente 6 caras
TABLA ACUMULADA
n=10, p=0.3, x=6
• Se tiene que calcular:

• la probabilidad de obtener 6 caras o
menos (0.9894) y
• la de obtener 5 caras o menos
(0.9527),
• Se resta y se obtiene 0.0367.

3.-La probabilidad de que salga exactamente 6 caras
TABLA PUNTUAL
n=10, p=0.3, x=6
3
1. Se ubica el grupo de n=10
2. Luego la posición x=6
3. Y en el encabezado de columna se ubica

p=0.3
1
4. Se prolonga los dos valores y la

intersección es el valor
2
• 0.0368.
4
3.- La probabilidad de que salga exactamente 6 caras
n=10, p=0.3, x=6 FORMULA

• Se puede también calcular
𝑛 𝑘 𝑛−𝑘
𝑃 𝑋=𝑘 =𝐶 𝑝 𝑞
𝑘
10 6 4
• Reemplazando 𝑃 𝑋 = 6 = 𝐶 0.3 0.7
6
10!
= 0.36 0.74 =0.0367569
6! 10−6 !

4.- Si el suceso sobre el que se quiere calcular tiene una
probabilidad mayor que 0.5
• Este caso se da, por ejemplo, si la probabilidad de que salga cara fuese del 70%.
• Entonces, si nos piden la probabilidad de obtener 4 caras o menos tirando 10
veces la moneda, se hará lo siguiente.
Bc(<=4,10,0.7)
• Note que la probabilidad de obtener 4 caras o menos será la misma de obtener
6 sellos o más.
Bs(>=6,10,0.3)
• Este suceso es el complementario de obtener 5 sellos o menos.
1- Bs(<=5,10,0.3)

4.- Si el suceso sobre el que queremos calcular tiene una
probabilidad mayor que 0.5
• Se localiza n=10, x=5, p=0.3

(probabilidad de obtener sello es del
30%) y tomar la intersección, que es
0.9527.
• La probabilidad que se pedía será de
• 1-0.9527=0.0473
70
5.- Si la probabilidad P no aparece en la tabla
• Se hará una interpolación.

• Suponer que X se distribuye como una binomial con P=0.17;
• Entonces:
• si se quiere calcular la probabilidad que X sea menor o igual que 3
después de 6 tiradas (n=6),
• Se toma la tabla y se localiza las probabilidades más cercanas a 0.17,
que son 0.15 y 0.2.

5.- Sila probabilidad P no aparece en la
tabla

• La interpolación se realiza como sigue:

• En otros casos hay dos posibilidades:

– Si el valor de P es muy pequeño, intentaremos aproximar la
variable aleatoria binomial con la distribución de Poisson,
– Si no se puede considerar pequeño, se buscará la aproximación
adoptando la distribución normal .
• En general, el valor de n que se requiere para que la aproximación

sea satisfactoria suele ser bastante superior a 20.
• Una tercera posibilidad, evidentemente, es recurrir al cálculo por

computador.
EJEMPLOS
1.- Un Ingeniero Industrial, planea un estudio

piloto para su disertación doctoral. Como parte de
su estudio, planea enviar cuestionarios a 20
contadores públicos seleccionados en forma
aleatoria.
Sabe que el índice de respuesta para este grupo
de personas es de 30%, y espera que al menos
once de los cuestionarios estén completos y le sean
regresados. ¿Cuál es la probabilidad de que en
realidad el número de cuestionarios completos que
reciba sea:

TABLA PUNTUAL
EJEMPLOS
a) exactamente doce.
n = 20 p = 0,30
P x  12   b  12 ; 20 ; 0,30   0,004

EJEMPLOS
b) al menos once. TABLA ACUMULADA
P x  11   B  11; 20 ; 0,30   0,017

1- P(x<=10) = 1-0.9829=0.017

EJEMPLOS
c) entre once y quince inclusive. TABLA ACUMULADA
P  11  x  15   P x  15  - P x  10 
 1,000 - 0,9829
 0,0171

EJEMPLOS
2.- Se envían invitaciones para cenar a los 20 delegados que
asisten a una convención, y se cree que para cada delegado
invitado, la probabilidad de que acepte es 0,9.
Si se asume que toman la decisión de aceptar la invitación
independientemente,
¿cuál es la probabilidad de que como mucho 17 delegados
acepten la invitación?

EJEMPLOS
n = 20 P ( A ) = 0,90
P ( x  17 )  1 - P ( x  18 )

 1 - P ( x  18 ) + P ( x  19 ) + P ( x  20 ) 
 1 -  b (18 ; 20 ; 0,90 ) + b (19 ; 20 ; 0,90 ) + b ( 20 ; 20 ; 0,90 ) 
 1 -  b ( 2 ; 20 ; 0,10 ) + b (1 ; 20 ; 0,10 ) + b ( 0 ; 20 ; 0,10 ) 
 1 -  0,285 + 0,270 + 0,122 
 0,323

EJEMPLOS
3.- Suponga que el 5% de cierto modelo de calculadoras de
bolsillo fallan durante los primeros 60 días y son
regresadas a la tienda para ser reparadas.
Si una compañía compra 25 calculadoras:

EJEMPLOS
a) Aproximadamente, ¿cuántas espera que fallen en el lapso de 60

días?.
P ( F ) = 0,05 = p n = 25
E ( x ) = n p = 25 x 0,05 = 1,25 = 1
Se esperan que falle en el lapso de 60 días una calculadora

EJEMPLOS
b) ¿Cuál es la probabilidad de que ninguna falle?

• P ( x = 0 ) = b ( 0 ; 25 ; 0,05 ) = 0,277
La probabilidad de que ninguna falle es del 27.7%

EJEMPLOS
c) Calcular la probabilidad de que fallen tres o más.

P ( x  3 ) = 1- P(x<=2)
1- B ( <=2 ; 25 ; 0,05 )
1 – 0.8729 = 0,1271
La probabilidad de fallen tres o mas es del 12.71%

EJEMPLOS
d) Hallar la probabilidad de que como máximo fallen 4.

P(x4) = B ( <=4 ; 25 ; 0,05 )
= 0.9928= 0.993
La probabilidad de que fallen como máximo 4 es del 99.3%

Distribuciones Multinomial
Ing. William León Velásquez

DISTRIBUCIONES MULTINOMIAL
La distribución multinomial es similar a la distribución

binomial, con la diferencia de que en lugar de dos posibles
resultados en cada ensayo, puede haber múltiples
resultados:

Ejemplo de distribución binomial:

En unas elecciones estudiantiles se presentaron 2 listas:
La 01 obtuvo un 60% de los votos y
La 02 el 40% restante.
¿Cuál es la probabilidad de que al elegir 5 estudiantes al azar, 4 de
ellos hallan votado la 02?

Ejemplo de distribución multinomial:
A unas elecciones estudiantiles se presentaron 4 listas:
la 01 obtuvo un 40% de los votos,
la 02 el 30%,
la 03 el 20% y
la 04 el 10% restante.
¿Cuál es la probabilidad de que al elegir 5

estudiantes al azar, 3 hayan votado la 01, 1 al a la
03 y 1 la 04?

La distribución multinomial sigue el siguiente modelo:
𝑃(𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , 𝑋3 = 𝑥3 . . ) =
𝑛!
𝑥1 !∗𝑥2 !∗𝑥3 !∗.
𝑝1 𝑥1 ∗ 𝑝2 𝑥2 * 𝑝3 𝑥3 ..
n=5 P1 = 0.40
x1=3 P2 = 0.30
x2=0 P3 = 0.20
x3=3 P4 = 0.10
Donde: x4=1
X1 = x1: indica que el suceso X1 aparezca x1 veces (en el ejemplo, que la lista 01 lo hayan
votado 3 estudiantes)
n: indica el número de veces que se ha repetido el suceso (en el ejemplo, 5 veces)
n!: es factorial de n (en el ejemplo: 5 * 4 * 3 * 2 * 1)
p1: es la probabilidad del suceso X1 (en el ejemplo, el 40%)
En el ejemplo:
n=5 P1 = 0.40
x1=3 P2 = 0.30
x2=0 P3 = 0.20
x3=3 P4 = 0.10
x4=1
5!
𝑃(𝑋1 = 3, 𝑋2 = 0, 𝑋3 = 1, 𝑋4 = 1) = 0.43 ∗ 0.30 * 0.21 * 0.11
3!∗0!∗1!∗1!.
Luego:
P = 0,0256
Es decir, que la probabilidad de que los 5 estudiantes elegidas hayan votado
de esta manera es tan sólo del 2,56%

Ejemplo 2
• En un congreso internacional, el 20% de los asistentes son españoles, el 30%
franceses, el 40% italiano y el 10% portugueses.
• En un pequeño grupo se han

reunido 4 participantes:
• ¿cual es la probabilidad de que 2
sean españoles y 2 italianos?
92
Aplicamos el modelo:
P1 = 0.2
n=4
x1=2
𝑃(𝑥) =
𝑛!
𝑥1 !∗𝑥2 !∗𝑥3 !∗.
𝑝1 𝑥1 ∗ 𝑝2 𝑥2 * 𝑝3 𝑥3 ..
P2 = 0.3 x2=0
P3 = 0.4 x3=2
P4 = 0.1 x4=0
4!
𝑃(𝑋1 = 2, 𝑋2 = 0, 𝑋3 = 2, 𝑋4 = 0) = 0.22 ∗ 0.30 * 0.42 * 0.10
2!∗0!∗2!∗0!.
Luego
P = 0,0384
Por lo tanto, la probabilidad de que el grupo esté formado por personas de estos
países es tan sólo del 3,84%.

Ejemplo 3
Un método de un diagnóstico tiene 3 resultados posibles: positivo (P), negativo (N)
y dudoso (D).
Se sabe que, en la población, el 10% de los sujetos son positivos, el 70% negativos y
el resto dudosos.
¿Qué probabilidad hay de, en una muestra de 5 individuos, obtener exactamente 1
positivo, 1 negativo y 3 dudosos ?
94
Aplicar el modelo:
n=5
x1=1
𝑛!
𝑝3 𝑥3 ..
P1 = 0.1
P2 = 0.7
x2=3
𝑃(𝑥) = 𝑝1 𝑥1 ∗ 𝑝2 𝑥2 *
x3=1 𝑥1 !∗𝑥2 !∗𝑥3 !∗.
P3 = 0.3
5!
p (1,3,1)  0.1  0.7  0.2  0.0112
1 1 3
1!.3!.1!
Luego
P = 0,0112
Por lo tanto, la probabilidad de que la muestra de 5 individuos esté formado por 1

positivo, i negativo y 3 dudosos es tan sólo del 1,12%.
95
Distribuciones
Hipergeométrica
96
DISTRIBUCIONES HIPERGEOMÉTRICA
• La distribución Hipergeométrica de parámetros k, n y N (HG(k,n,N)) surge
en situaciones en donde el modelo aproximado de probabilidad se
corresponde con muestreo sin reemplazamiento de una población
dicotómica (Exito y Fracaso) finita.

• Las suposiciones que llevan a considerar esta distribución son:
• La población o conjunto donde deba hacerse el muestreo consta de N individuos

o elementos a seleccionar.
• Cada individuo puede ser caracterizado como un éxito (E) o fracaso (F).
• Se selecciona una muestra de n individuos de entre los k individuos marcados

como éxito y los N−k restantes marcados como fracaso.
• Hay selección equiprobable en cada paso.

DEFINICION
• Una variable aleatoria X tiene una distribución Hipergeométrica si (para algunos
enteros positivos k , n y N) X ="numero de individuos de un total de n con cierta
característica (éxito) si en N hay un total de k"

• PROPIEDADES
• Media 𝐸 𝑥 =𝑛𝑝
𝑁−𝑛
• Varianza 𝑉𝐴𝑅 𝑋 = 𝑛 𝑝 𝑞
𝑁−1
• Desviación Estándar 𝑁−𝑛

𝜎= 𝑛𝑝𝑞
𝑁−1

Ejemplo:
Si en una urna con 5 bolas blancas y 3 negras en un primer
ensayo saco una bola blanca, en el segundo ensayo hay una
bola blanca menos por lo que las probabilidades son diferentes
(hay dependencia entre los distintos ensayos).

La distribución hipergeométrica sigue el siguiente modelo:
𝑁1 𝑁2
∗
𝑃 𝑥=𝑘 = 𝑘 𝑛 − 𝑘
𝑁
𝑛

Donde:
𝑁1 𝑁1 !
=
𝑘 𝑘! ∗ 𝑁1 − 𝑘 !
𝑁2 𝑁2 !
=
𝑛−𝑘 (𝑛 − 𝑘)! ∗ 𝑁2 − (𝑛 − 𝑘) !
𝑁 𝑁!
=
𝑛 𝑛! ∗ 𝑁 − 𝑛 !
Explicación:
N: es el número total de bolas en la urna
N1: es el número total de bolas blancas
N2: es el número total de bolas negras
k: es el número de bolas blancas cuya probabilidad se está calculando
n: es el número de ensayos que se realiza
Ejemplo 1:
En una urna hay 7 bolas blancas y 5 rojas.
Se sacan 4 bolas
¿Cuál es la probabilidad de que 3 sean blancas?
Entonces:
N = 12; N1 = 7; N2 = 5;
k = 3; n = 4

𝑁1 𝑁2
•Aplicamos el modelo: ∗
𝑃 𝑥=𝑘 = 𝑘 𝑛−𝑘
N = 12; N1 = 7; N2 = 5;
𝑁
k = 3; n = 4 𝑛
7 5
∗
𝑃 𝑥=3 = 3 4 − 3
12
4
7! 5!
∗
3! 7−3 ! 4−3! 5−(4−3) !
= 12!
4! 12−4 !

Ejemplo 2:
En la capacitación de una empresa multinacional, sobre técnicas de ventas asisten
20 personas: 14 nacionales y 6 extranjeros.
Se eligen 3 personas al azar.

¿Cuál es la probabilidad de que las 3 personas
sean extranjeras?

Aplicamos el modelo: 𝑁1 𝑁2
∗
𝑃 𝑥=𝑘 = 𝑘 𝑛−𝑘
𝑁
𝑛
N = 20; N1 = 6; N2 = 14;
k = 3; n = 3
6 14
∗
𝑃 𝑥=3 = 3 3−3
20
3
Por lo tanto, P (x = 3) = 0.0175.
Es decir, la probabilidad de que las 3 personas sean extranjeras es tan sólo del
1.75%.
Distribuciones Multihipergeométrica
108
DISTRIBUCIONES MULTIHIPERGEOMÉTRICA
La distribución multihipergeométrica es similar a la distribución
hipergeométrica, con la diferencia de que en la urna, en lugar de haber
únicamente bolas de dos colores, hay bolas de diferentes colores.

La distribución multihipergeométrica sigue el siguiente modelo:
𝑵𝟏 𝑵𝟐 𝑵𝟑 𝑵𝟒
∗ ∗ ∗ ..
𝒙𝟏 𝒙𝟐 𝒙𝟑 𝒙𝟒
𝑃(𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , 𝑋3 = 𝑥3 , 𝑋4 = 𝑥4 . . ) =
𝑵
𝒏
Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces (en el ejemplo, que una de las bolas sea
blanca)
N1: indica el número de bolas blancas que hay en la urna (en el ejemplo, 7 bolas)
N: es el número total de bolas en la urna (en el ejemplo, 14 bolas)
n: es el número total de bolas que se extraen (en el ejemplo, 3 bolas)
Ejemplo 1
En una urna hay 7 bolas blancas, 3 verdes y 4 amarillas:
¿Cuál es la probabilidad de que al extraer 3 bolas sea cada una
de un color distinto?
Datos:
N=14
X1=1
N1=7
X2=1
N2=3
X3=1
N3=4
n= 3

𝑵𝟏 𝑵𝟐 𝑵𝟑
∗ ∗ .
𝒙𝟏 𝒙𝟐 𝒙𝟑
𝑃(𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , 𝑋3 = 𝑥3 ) =
𝑵
N=14 X1=1 𝒏
N1=7 X2=1
N2=3 X3=1
N3=4
n= 3
Reemplazando con los datos del ejemplo:
7 3 4
∗ ∗ .
1 1 1
𝑃(𝑋1 = 1, 𝑋2 = 1, 𝑋3 = 1) =
14
3

7 3 4
𝐶 ∗𝐶 ∗𝐶
1 1 1
𝑃(𝑋1 = 1, 𝑋2 = 1, 𝑋3 = 1 )= 14
𝐶
3
7! 3! 4!
∗ ∗
1! 7−1 ! 1! 3−1 ! 1! 4−1 !
=
𝑃(𝑋1 = 1, 𝑋2 = 1, 𝑋3 =1) 14!
3! 14−3 !
Luego:
P = 0,2307
Es decir, que la probabilidad de sacar una bola de cada color es
del 23,07%.
Ejemplo 2:
En una caja de lápices hay 10 de color amarillo, 3 de color azul y 4 de
color rojo. Se extraen 7 lápices,
¿cual es la probabilidad de que 5 sean amarillos y 2 rojos?
Datos:
N=17
X1=5
N1=10
X2=0
N2=3
X3=2
N3=4
n= 7
Aplicamos el modelo: 𝑵𝟏 𝑵𝟐 𝑵𝟑
∗ ∗ .
𝒙𝟏 𝒙𝟐 𝒙𝟑
𝑃(𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , 𝑋3 = 𝑥3 ) =
N=17 𝑵
𝒏
N1=10 X1=5
N2=3 X2=0
N3=4 X3=2
n= 7
Reemplazando con los datos del ejemplo:
10 3 4
∗ ∗ .
5 0 2
𝑃(𝑋1 = 5, 𝑋2 = 0, 𝑋3 = 2) = 17
7

10 3 4
𝐶 ∗𝐶 ∗𝐶
5 0 2
𝑃(𝑋1 = 5, 𝑋2 = 0, 𝑋3 = 2) = 17
𝐶
7
10! 3! 4!
∗ ∗
5! 10−5 ! 0! 3−0 ! 2! 4−2 !
=
𝑃(𝑋1 = 5, 𝑋2 =0, 𝑋3 =2) 17!
7! 17−7 !
Luego
P = 0,0777
Por lo tanto, la probabilidad de que los 5 lápices sean de los colores

indicados es del 7,77%.
DISTRIBUCIÓN DE POISSON
117
• La distribución de Poisson fue desarrollada por Siméon‐Denis Poisson

(1781 ‐ 1840).
• Esta distribución de probabilidades es muy utilizada para situaciones
donde los sucesos son impredecibles o de ocurrencia aleatoria.
• En general, utilizaremos la distribución de Poisson como aproximación
de experimentos binomiales donde el número de pruebas es muy alto
(n→∞), pero la probabilidad de éxito muy baja (p→0)

CARACTERISTICAS
• Se dice que X sigue una distribución de Poisson de parámetro λ y que se
obtiene del producto n*p, que se representa con la siguiente notación:
X~Ps(λ)
• La distribución de Poisson se caracteriza por las siguientes propiedades:
• Sea una población de tamaño ∞ .
• Sea una muestra de tamaño n bastante elevado (se suele hablar de que
tiende a ∞)
• Los sucesos son independientes entre si.

• Sea A un suceso que tiene una probabilidad p de suceder durante un

periodo de tiempo, siendo esta probabilidad de ocurrencia durante un
periodo de tiempo concreto muy pequeña (se suele hablar de que tiende
a 0).
• X: número de individuos de la muestra que cumplen A.
• El conjunto de posibles valores de A es, E={0,1,2,3,4....}

Función de Cuantía:
 e-λ λ x
 si x : 0 , 1 , 2 , .....
f (x )  P(X  x )  x!
0 en otro caso

Donde x debe ser un entero positivo.

Valor Esperado:
E( x )  λ
Varianza:
V( x )  λ
Desviación Estándar 𝜎= 𝜆
Ejemplos:
• La cantidad de llamadas telefónicas en un periodo de una hora en cierta
oficina.
• El número de accidentes de tránsito durante un mes.
• El número de errores tipográficos por página en un libro.
• El número de fallas de una computadora durante una semana de
operación.

Aplicaciones:
La distribución de Poisson tiene aplicaciones en Control de Calidad y muestreo de
aceptación.
Además, ciertas distribuciones continuas importantes utilizadas en teoría de
confiabilidad y teoría de colas dependen del proceso de Poisson.
En general, la Distribución de Poisson, ofrecerá buenas

aproximaciones a probabilidades de variables binomiales
cuando n≥50 y p≤0,1 y en el intervalo, 10 ≤ np ≤ 100, las
aproximaciones serán excelentes, ya que en muchos casos la
aplicación de la función de probabilidad de la binomial puede
llegar a ser complicada

Uso de Tabla:
•Lectura directa.
P( x  x )  F( x )

Ejemplo:
Si el número de defectos en los rollos de tela de cierta empresa textil
es una variable aleatoria de Poisson con una media de 0,1 defectos
por metro cuadrado.
𝑒 −𝜆 𝜆𝑥
𝑃 𝑋=𝑥 =
𝑥!
126
¿Cuál es la probabilidad de :
a) Tener dos defectos en un metro cuadrado de tela.
0,1 defectos ---- 1 m2

 λ  0,1
- 0,1 2
e . 0,1
P x  2    0, 005
2 !

¿Cuál es la probabilidad de :
b) Tener un defecto en 10 metros cuadrados de tela,.
0,1 defectos ---- 1 m2
 ---- 10 m2  λ 1
-1 1
e .1
P x  1   0, 368
1!
c) Que no hayan defectos en 20 metros cuadrados de tela.
λ  2  P x  0   0,135
TABLA DE LA DISTRIBUCIÓN DE POISSON
1.-¿Cómo utilizar la tabla de la distribución de Poisson?
• Si X es una variable aleatoria que sigue la ley de

Poisson con parámetro 0.9.
• Calcular la probabilidad de que X sea menor o
igual que 3.
Procedimiento:
• Localizar en la Tabla
• λ=0.9, x=3 y
• Tomar la intersección:0.987.
2.-¿Cuál es la probabilidad de que X sea mayor que 3?
• En este caso se tiene que fijar en que este suceso es el complementario del
ejemplo anterior
• P(x>3) = 1 – P(x<=3)
• Por lo tanto la probabilidad buscada es de:
P(x>3) = 1-0.987
P(x>3) =0.013

DESDE LA TABLA
3.-¿Cuál es la probabilidad de que X sea exactamente 3?
• Una posibilidad será calcular

• la probabilidad que X sea menor o igual que 3 (0.987),y
• la probabilidad que X fuera menor o igual que 2 (0.937) y
• Luego restarlas,
• Cuyo resultado es
• 0.987 - 0.937 = 0.05.

CON FORMULA
3.-¿Cuál es la probabilidad de que X sea exactamente 3?
• Pero la fórmula de la función de probabilidad nos dará un

resultado exacto
𝑒 −𝜆 𝜆𝑥
𝑃 𝑋=𝑥 =
𝑥!
𝑒 −0.9 0.93
𝑃 𝑋=3 = =0.0493982
3!
4.-¿Qué pasa si el parámetro λ no aparece de forma exacta en la tabla?
• Si se tiene una variable aleatoria X que se distribuye según una ley de

Poisson con parámetro λ = 4.65.
• Calcular la probabilidad que X sea menor o igual que 7.

Se toma los dos parámetros más cercanos a 4.65 que aparecen en la tabla,
que son 4.6 y 4.8.
Localizar las respectivas probabilidades
La interpolación a realizarse es la siguiente:

4.65 − 4.6
0.905 + 0.887 − 0.905 = 0.9005
4.8 − 4.6 ING. WILLIAM LEON V. 134
5.-¿Si se conoce el valor de p, calcular el valor x tal que P(X ≤ x)=p,

siendo X una variable aleatoria Poisson?
• Se asume que X se distribuye siguiendo la distribución de
Poisson con parámetro λ =12, y y p=0.772.
• Calcular la x correspondiente a partir de la tabla y localizar λ =12.

λ =12, y p=0.772. Fijarse que la x correspondiente es 14.

• Si nos dan por ejemplo p=0.72, λ =14.5, entonces se toma el valor
inmediatamente inferior a 0.72 que aparece en la tabla para λ
=14.5.
• En nuestro caso es 0.711, que corresponde a x=16.
• Note que en este caso no se hace interpolación lineal ya que la ley

Poisson es discreta y por lo tanto no tiene sentido dar un valor no
entero, como 16.2.

FIN
wjleonv@yahoo.com

Ey Pclase 07

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ey Pclase 07

Uploaded by

Copyright:

Available Formats

ESTADISTICA

Ing. William Jaime León Velásquez

 una descripción numérica del

 una función que asigna a cada elemento del espacio muestral un

 se concentra en el comportamiento general de toda la población.

Ing William León Velásquez 4

• Dada una variable aleatoria no es posible conocer con certeza el valor

Ing William León Velásquez 5

X({no falla}) = 0 X({falla}) = 1

Ing William León Velásquez 9

Ing William León Velásquez 10

• El técnico anota como “0” si la paginación

Ing William León Velásquez 11

• Una variable aleatoria es una aplicación del

 Además, para cualquier x, el conjunto de resultados que se asocian

Ing William León Velásquez 12

Ω ={SSS, SSC, SCS, CSS, SCC, CSC,CCS, CCC}

Si X se define en un Ω como “el número de caras obtenidas”, entonces, X es

Rx = {0, 1, 2, 3} tal que k = 0, 1, 2, 3.

Ing William León Velásquez 14

Ω ={SSS, SSC, SCS, CSS, SCC, CSC,CCS, CCC}

Rx = {0, 1, 2, 3} tal que k = 0, 1, 2, 3.

X = 0, corresponde al evento elemental SSS

Ing William León Velásquez 15

Ing William León Velásquez 16

Ing William León Velásquez 17

Ing William León Velásquez 18

Recuerde los conceptos de frecuencia 25%

relativa y diagrama de barras. 20%

X = Número de caras al lanzar 3 monedas. 5%

Ω ={SSS, SSC, SCS, CSS, SCC, CSC,CCS, CCC}

X=0 X=1 X=2

• Representación mediante una tabla:

Ing William León Velásquez 21

Ing William León Velásquez 22

Ing William León Velásquez 23

Ing William León Velásquez 24

Ing William León Velásquez 25

Ing William León Velásquez 26

Ing William León Velásquez 27

1er. Dado: 2V 2do. Dado : 4V

Ing William León Velásquez 29

Ing William León Velásquez 30

Ing William León Velásquez 31

Ing William León Velásquez 32

Ing William León Velásquez 34

• La distribución de probabilidad será:

Ing William León Velásquez 35

3.- Una caja contiene cinco tornillos defectuosos y cinco no

Ing William León Velásquez 36

c) Determinar la función de cuantía.

Ing William León Velásquez 38

La función de cuantía es:  2

Ing William León Velásquez 39

4.- Un dispositivo está compuesto de tres elementos que trabajan

Ing William León Velásquez 40

La distribución de probabilidad será:

Ing William León Velásquez 41

ING. WILLIAM LEON V.

ING. WILLIAM LEON V. 43

ING. WILLIAM LEON V. 44

x : Número de éxitos. x : 0 , 1 , 2 , ... , n