Unidad III Distribuciones de Vaddocx

Ing. Orlando F. Ochoa Ch.
C.I.V. N 12.326
DISTRIBUCIONES DE VARIABLES DISCRETAS
UNIDAD III
Distribuciones discretas y continuas. Distribucin Binomial. Aplicacin de la
Teora Combinatoria. Parmetros de una Distribucin Binomial. Ajuste de
una Distribucin
Binomial. Distribucin Multinomial. Parmetros
Distribucin de Poisson. Parmetros. Distribucin hipergeomtrica.
Diferencias. Resolucin de Problemas.
3.1. Definiciones previas:
Distribucin de probabilidad:
La distribucin de probabilidad de una variable aleatoria es una funcin que
asigna a cada suceso definido sobre la variable aleatoria la probabilidad de
que dicho suceso ocurra. La distribucin de probabilidad est definida sobre
el conjunto de todos los sucesos, cada uno de los sucesos es el rango de
valores de la variable aleatoria.
Distribucin de variable discreta:
Es aquella distribucin cuya funcin de probabilidad slo toma valores
positivos en un conjunto de valores de X finito o infinito numerable. A dicha
funcin se le llama funcin de masa de probabilidad. En este caso la
distribucin de probabilidad es la suma de la funcin de masa, por lo que
tenemos entonces que:
Y, tal como corresponde a la definicin de distribucin de probabilidad, esta

expresin representa la suma de todas las probabilidades desde
hasta
el valor X.
Distribucin de variable continua:
Es aquella distribucin que puede tomar cualquiera de los infinitos valores
existentes dentro de un intervalo. En el caso de variable continua la
distribucin de probabilidad es la integral de la funcin de densidad, por lo
que tenemos entonces que:
ING. ORLANDO F. OCHOA CH.

UBA - ESTADISTICA II - 2012
Pgina 1

C.I.V. N 12.326
Teorema del binomio:

El teorema del binomio es una frmula que proporciona el desarrollo de la
potencia n-sima de (siendo n, entero positivo) de un binomio. De acuerdo
con el teorema, es posible expandir la potencia (x + y)n en una suma que
implica trminos de la forma axbyc, donde los exponentes b y c son nmeros
naturales con b + c = n, y el coeficiente a de cada trmino es un nmero
entero positivo que depende de n y b (Ver Anexo: COEFICIENTES DEL
BINOMIO DE NEWTON). Cuando un exponente es cero, la correspondiente
potencia es usualmente omitida del trmino.
3.2. Distribucin binomial:
3.2.1. Definicin:
Esta distribucin se basa en el proceso de Bernoulli. Se denominan
procesos de tipo Bernoulli, a todo experimento consistente en una serie de
pruebas repetidas, caracterizadas por tener resultados que se pueden
clasificar en si verifican o no cierta propiedad o atributo, siendo aleatorios e
independientes.
Para identificar un proceso Bernoulli en una serie de pruebas repetidas, se
deben verificar tres condiciones:
Resultados dicotmicos: Los resultados de cada prueba se pueden
clasificar en "xito" si verifican cierta condicin, o "fracaso" en el caso

contrario.
Independencia de las pruebas: El resultado de una prueba cualquiera
es independiente del resultado obtenido en la prueba anterior, y no incide

en el resultado de la prueba siguiente.
Estabilidad de las pruebas: La probabilidad p de obtener un resultado
considerado como un xito se mantiene constante a lo largo de toda la

serie de pruebas.
3.2.2. Caractersticas:
a. Sigue el desarrollo del binomio (p + q)n
b. Nmero de trminos del binomio = n + 1
c. Probabilidad de xito:
() = , =

!

= !
d. Parmetros de la distribucin binomial:

Pgina 2

C.I.V. N 12.326
Expectativa matemtica o Valor esperado (Esperanza matemtica o
Media aritmtica):
() = =
= .
=
=
.
=
Varianza ( ) y Desviacin tpica ():
= .
= .
De acuerdo a las frmulas, los clculos seran muy laboriosos por lo cual
se asumen con alto grado de exactitud las expresiones siguientes:
() = .
=
. .
3.2.3. Ejemplos:
Un a g e n t e d e se g ur o s ve n de p li za s a ci n co p er so n a s de la
mi s ma e d a d y q u e d i sfr u t a n d e b ue n a sal u d . Se g n l a s
t a b la s a ctu al e s, l a p ro b a bili d a d d e q u e u n a p e r son a en
e st a s co n di ci o ne s vi va 3 0 a o s o m s e s 2 / 3 . H ll e se l a
p r o b a bili d ad d e qu e , tr a n scu rri d o s 30 a o s, vi va n :
a. L a s cin co p er so n a s.
b. Al me n o s t r e s p e r son a s
c. Exa ct a me n t e d o s p e r so n a s.
Pgina 3

C.I.V. N 12.326
P = estar vivo = xito = 2/3

Q = estar muerto = fracaso = 1/3
n=5
Funcin de probabilidades:
+
= . + . . + . . + . . + . . + .
Interpretacin:
P 5 . Q0 = probabilidad de que estn cinco vivos y ninguno muerto
5. P 4 . Q1 = probabilidad de que estn cuatro vivos y uno muerto
10. P 3 . Q2 = probabilidad de que estn tres vivos y dos muertos
10. P 2 . Q3 = probabilidad de que estn dos vivos y tres muertos
5. P1 . Q4 = probabilidad de que est uno vivo y cuatro muertos
P 0 . Q5 = probabilidad de que ninguno est vivo y cinco muertos
a. Probabilidad que vivan las cinco personas:
= = . =
= ,
b. Probabilidad de que al menos tres estn vivos:

= 10. P 3 . Q2 + 5. P 4 . Q1 + P 5 . Q0 = 10.
2 5
3
1 0
3
2 3
3
1 2
3
+ 5.
2 4
3
1 1
3
= .
c. Probabilidad de que exactamente dos estn vivos:

2
= = 10. P . Q = 10.
3
2

1
.
3
= 0,164
Pgina 4

C.I.V. N 12.326
Grfica de la distribucin:
DISTRIBUCION BINOMIAL
0,400
P
R
O
B
A
B
I
L
I
D
A
D
0,300
0,200
Pi = f(Xi)
0,100
0,000
0
N DE PERSONAS VIVAS
3.3. Distribucin de Poisson:

3.3.1. Definicin:
En teora de probabilidad y estadstica, la distribucin de Poisson es una
distribucin de discreta que expresa, a partir de una frecuencia de
ocurrencia media, la probabilidad de que ocurra un determinado nmero de
eventos durante cierto periodo de tiempo o por unidad de espacio.
Algunos de los experimentos o problemas que se presentan como un
fenmeno con distribucin de Poisson son:
Los embotellamientos de trfico que se producen por da.

Nmero de llamadas por hora
Defectos m2 de tela
Nmero de defectos por lote de un proceso de produccin
Nmero de negocios cerrados por semana
Nmero de aviones que aterrizan en un aeropuerto por da, hora, minuto,
etc.
Nmero de llamadas telefnicas a un consumidor por hora, minuto, etc.
Se dice que se da un proceso de Poisson, si se pueden observar eventos
discretos, en un intervalo continuo tal que si se acorta el intervalo lo
suficiente:
Pgina 5

C.I.V. N 12.326
La probabilidad de observar exactamente un xito en el intervalo es

estable.
La probabilidad de observar dos o ms xitos en el intervalo es cero.
La ocurrencia de un xito en cualquier intervalo es estadsticamente
independiente de que suceda en cualquier otro intervalo.
d. Frmula:
Para determinar la probabilidad de que ocurran X xitos, por unidad de
tiempo, rea o producto, la frmula a utilizar ser:
, =
Donde:
n = nmero de ensayos
X = nmero de xitos esperados en n ensayos
e = 2,71828
= n.p = constante igual al nmero de xitos promedio por unidad de
medida.
P = probabilidad constante durante el proceso igual al nmero de xitos
por unidad de medida.
e. Parmetros:
Expectativa matemtica o Valor esperado (Esperanza matemtica
o Media aritmtica):
() = = .
Varianza (2 ) y Desviacin tpica ():
. = =
=

Pgina 6

C.I.V. N 12.326
f. Grfico:
El eje horizontal es el ndice k. La funcin solamente est definida en

valores enteros de k. Las lneas que conectan los puntos son solo
guas para el ojo y no indican continuidad.
Hay que hacer notar que en esta distribucin el nmero de xitos que
ocurren por unidad de tiempo, rea o producto es totalmente al azar y que
cada intervalo de tiempo y rea, as como tambin cada producto es
independiente uno de otro.
3.3.3. Ejemplos:
Si un banco recibe en promedio 6 cheques sin fondo por da, Cules son
las probabilidades de que reciba:
a. Cuatro cheques sin fondo en un da dado
b. Diez cheques sin fondo en cualquiera de dos das consecutivos?
Solucin:
a. Probabilidad de cuatro cheques
X = N de cheques sin fondo que llegan al banco en un da cualquiera,
X = 0,1,2,3,4,
= 6 cheques sin fondo por da
e = 2,718
, =
= P X = 4, = 6 =
6 4 .(2,718 )6
4.3.2.1
1296 (0,00248 )
24
= ,
b. Probabilidad de diez cheques dos das consecutivos:

Pgina 7

C.I.V. N 12.326
X = N de cheques sin fondo que llegan al banco en un da cualquiera,

X = 0,1,2,3,4,
= 6 x 2 =12 cheques sin fondo en promedio que llegan en dos das
, =
= P X = 10, = 12 =
12 10 . 2,718 10
10 !
6,1917 (0,000006 )
3528800
= , = = ,
3.4. Distribucin hipergeomtrica:
3.4.1. Definicin:
La distribucin hipergeomtrica es una distribucin discreta relacionada con
muestreos aleatorios sin reemplazo.
Supngase que se tiene una poblacin de N elementos de los cuales, d
pertenecen a la categora A y N-d a la B. La distribucin hipergeomtrica
mide la probabilidad de obtener elementos de la categora A
en una muestra de n elementos de la poblacin original.
Algunos de los experimentos o problemas que se presentan como un
fenmeno con distribucin Hipergeomtrica son:
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.

Pgina 8

C.I.V. N 12.326
a. Frmula:
= =
Donde:
a
= coeficiente binomial, el nmero de combinaciones posibles al
x
seleccionar x elementos de un total a.
N = tamao de la poblacin
n = tamao de la muestra extrada
d = nmero de elementos en la poblacin original que pertenecen a la
categora deseada
x = nmero de elementos en la muestra que pertenecen a dicha
categora.
b. Parmetros:
Expectativa matemtica o Valor esperado (Esperanza matemtica
o Media aritmtica):
() =
.
= .
Varianza (2 ) y Desviacin tpica ():

= =
Pero:
d
P=N
Q = 1 P, por lo tanto:
= = . . .
Pgina 9

C.I.V. N 12.326
3.4.3. Ejemplo:
Se realiza un experimento para seleccionar un catalizador apropiado para la
produccin comercial de etilendiamina (EDA), un producto que se utiliza
para los jabones, Suponga que un ingeniero qumico selecciona al azar tres
catalizadores para probarlos de entre un grupo de 10 catalizadores, seis de
los cuales tienen baja acidez y cuatro de los cuales son muy cidos.
a) Calcular la probabilidad de que no se escoger un catalizador
muy acido
b) Calcular la probabilidad de que se escoja exactamente un catalizador
muy acido
c) Calcular la media y la varianza para la variable aleatoria x
Solucin:
a) Calcular la probabilidad de que no se escoger un catalizador
muy acido:
a
x
Na
n x . x = 0,1,2,3, . . n
N
n
4
= 0
10 4
3 0 = 1.20 = 20 = 1
10
120
120 6
3
b) Calcular la probabilidad de que se escoja exactamente un catalizador

muy acido:
a
x
Na
4
nx = 1
N
n
10 4
3 1 = 4.15 = 1
10
120 2
3
c) Calcular la media y la varianza para la variable aleatoria x:

E(x) = n. P = 3.0,4 = ,
2X = Var X = n. P. Q.

Nn
N1
= 3.0,4.0,6.
103
101
= 3.0,4.0,6.0,8 = ,
Pgina 10

C.I.V. N 12.326
4. Ajuste de una distribucin de probabilidades:

Una de las tareas fundamentales en Estadstica consiste en determinar, a partir
de los resultados observados en una muestra, el modelo que sigue la
distribucin de una cierta variable en la poblacin estudiada. Una vez
determinado, para responder a las cuestiones que interesen bastar con aplicar
las propiedades y caractersticas del modelo al que se ajusta.
En algunas situaciones, se dispone de un conjunto de datos de los que se
sospecha que puedan estar distribuidos normalmente o binomialmente, y se
quiere confirmar esta intuicin. Para validar esta apreciacin se procede a
ajustar estos datos a una distribucin de caractersticas conocidas. Es por ello,
que ajustar una distribucin a una distribucin probabilstica, es comprobar o
verificar si dicha distribucin sigue la tendencia de alguna distribucin
probabilstica terica conocida, tales como la binomial o la normal, para as
poderle aplicar los conocimientos de stas distribuciones.
Podemos sospechar que un conjunto de datos obtenidos experimentalmente
se ajusta a una distribucin binomial cuando se trata de N observaciones,
relativas a n individuos de una poblacin estadstica, en cada una de las cuales
se ha contado el nmero k de individuos que cumplen una determinada
condicin. De ese modo, para el anlisis partimos de una tabla de frecuencias
cuya variable toma los valores 0, 1, 2, ..., n.
Una distribucin binomial queda caracterizada por los valores de n y p. En
nuestro caso n ya es conocido, ya que viene determinado por los datos de
partida. Sin embargo es necesario encontrar el valor de p.
Si la serie de datos experimentales se ajusta a una distribucin binomial, la
media, , de los datos ha de ser igual a la media de la distribucin binomial
B(n,p),
, de modo que igualando ambas podemos obtener el valor de la
probabilidad p:
El ajuste y las ventajas que este supone, carece de valor si no es

suficientemente bueno. En todos los casos habr diferencias entre los datos
experimentales y los correspondientes segn la ley ajustada, pero habr que
Pgina 11

C.I.V. N 12.326
determinar en qu medida esas diferencias estn justificadas por el azar, en

cuyo caso la ley terica ajustada es aceptable, o bien son demasiado grandes
y debemos suponer que la ley terica ajustada no es la que realmente siguen
los datos experimentales y, por ello, se debe rechazar el ajuste.
4.1. Procedimiento:
4.1.1. Clculo de la media de la serie de datos experimentales:
Se utiliza la frmula:
= .
4.1.2. Clculo del exponente del binomio, valor n:

n+1 = nmero de eventos
4.1.3. Clculo de las probabilidades de la ocurrencia de los eventos, xito
(P) y fracaso (Q).
A partir de la frmula de la media aritmtica que expresa a la misma como
funcin de la probabilidad (p) y el nmero de eventos (n), se tiene:
= .
+=
4.1.4. Desarrollo del binomio de Newton:

Conocidos los componentes del binomio P, Q y n, se desarrolla el
mismo (mtodo del Tringulo de Pascal o el mtodo abreviado) en donde
sus trminos representan las probabilidades de ocurrencia de los
diferentes eventos.
+
= + + + () +
4.1.5. Clculo de las frecuencias tericas, (FT):

En base a las probabilidades P(x) determinadas mediante el desarrollo del
binomio de Newton y el nmero de observaciones se calculan las
frecuencias tericas en base a la frmula FT = P(x) x N.

Pgina 12

C.I.V. N 12.326
Eventos
Probabilidad
Frecuencias Tericas
(Xi)
(Px)
(FT)
P1
F1
P2
F2
P3
F3
Pn
Fn
Pi = 1,00
Fi = N
.
n
4.1.6. Bondad del ajuste:

Estas pruebas permiten verificar que la poblacin de la cual proviene una
muestra tiene una distribucin especificada o supuesta.
Sea X: variable aleatoria poblacional
f0(x) la distribucin (o densidad) de probabilidad especificada o supuesta
para X
Se desea probar la hiptesis:
Ho: f(x) = f0(x)
En contraste con la hiptesis alterna:
Ha: f(x) f0(x) (negacin de Ho)
Prueba JI-cuadrado o Chi-cuadrado, ( ):
Esta prueba es aplicable para variables aleatorias discretas o continuas.
Sea una muestra aleatoria de tamao n tomada de una poblacin con
una distribucin especificada f0(x) que es de inters verificar.
Pgina 13

C.I.V. N 12.326
Suponer que las observaciones de la muestra estn agrupadas en k

clases, siendo oi la cantidad de observaciones en cada clase i = 1, 2,
..., k
Con el modelo especificado f0(x) se puede calcular la probabilidad pi
que un dato cualquiera pertenezca a una clase i.
Con este valor de probabilidad se puede encontrar la frecuencia
esperada ei para la clase i, es decir, la cantidad de datos que segn el
modelo especificado deberan estar incluidos en la clase i:
FT = ei = pi n, i = 1, 2, ..., k
Tenemos entonces dos valores de frecuencia para cada clase i
Fi = foi: frecuencia observada (corresponde a los datos de la muestra)
FT = ei: frecuencia esperada (corresponde al modelo propuesto)
Definicin de la distribucin JI-cuadrado o Chi-cuadrado, ( ):
- Funcin de densidad:
=
Donde:
= nmero de grados de libertad
k = constante que depende de de tal forma que el rea bajo la
curva sea igual a 1
Los valores de esta funcin, se encuentran tabulados y se determinan
en base a los grados de libertad y a los niveles de significacin.
- Frmula:
La frmulas para determinar el X2c se fundamentan en las frecuencias
observadas (Fi) y las frecuencias tericas o calculadas (Ft).
X c2 =
F i F T 2
FT

Mtodo Directo
Mtodo Abreviado
Pgina 14

C.I.V. N 12.326
Grados de Libertad ():

Es un concepto fundamental de la Teora de Muestreo, relacionado
con la Prueba de Chi Cuadrado, se puede definir, como el nmero
de observaciones independientes en la muestra, estando su nmero
dependiendo de los parmetros de la poblacin que deben estimarse
a partir de las observaciones de las muestras.
As por ejemplo cuando se aplica la prueba de Chi Cuadrado para el
ajuste de las Distribuciones Probabilsticas correspondientes, el
nmero de grados de libertad para entrar en la correspondiente Tabla
ser:
Distribucin Binomial: G de L () = k 2
donde k = N de valores
de la variable
Distribucin Normal: G de L () = k 3
-
donde k = N de clases
Nivel de significacin ():

Es una especie de margen de error que se est dispuesto a aceptar
al realizar un contraste de hiptesis. La aceptacin o rechazo de una
Hiptesis Nula (Ho) se basa en la fijacin de un determinado nivel de
probabilidad, (p). Ambos son complementarios, es decir, su suma es
igual a uno o a cien por ciento, (p + = 1)
En este curso usaremos como nivel de probabilidad, p = 0,95 y por
lo tanto el nivel de significacin ser: = 0,05.
En el caso de la prueba Chi Cuadrado (X2) existen tablas que pueden
considerar uno u otro trmino.

Pgina 15

C.I.V. N 12.326
4.1.7. Ejemplo:
Se lanzan cuatro monedas 80 veces y el nmero de caras que se obtuvo en
cada lanzamiento es el siguiente:
N de caras (Xi)
Frec. Observ. (Fi)
15
30
20
10
Ajustar dicha distribucin a una Distribucin Binomial:

Solucin:
a. Clculo de la media de la serie de observaciones:
Nmero de Caras
Frecuencias
(Xi)
(fi)
Xi . fi
15
15
30
60
20
60
10
40
fi = 80
Xi.fi = 175

.
=
= .
Pgina 16

C.I.V. N 12.326
b. Clculo del exponente del binomio, (n):

n + 1 = N de eventos
n+1 =5
c. Clculo de las probabilidades de la ocurrencia de los eventos, xito (P) y

fracaso (Q):
X = n. P
P+Q =1
P=
X 2.20
=
n
4
= .
Q = 1 P = 1.00 0.55
= .
d. Desarrollo del binomio de Newton:

(P + Q)n = (0,55 + 0,45)4 = 0,554 + 4x0,553x0,45 + 6x0,552x0,452 + 4x0,55x0,453 + 0,454 =
0,09 +
0,31
0,36
0,20
+ 0,04 = 1,00
Probabilidades de los eventos:

Obtener 0 caras: 0,04
P(0) = C4,0 p0xq4-0 =
Obtener 1 cara:
0,20
P(1) = C4,1 p1xq4-1 =
4x0,551x0,453 = 0,20
P(2) = C4,2 p2xq4-2 =
4x0,552x0,452 = 0,36
P(3) = C4,3 p3xq4-3 =
4x0,553x0,451 = 0,31
P(4) = C4,4 p4xq4-4 =
4x0,554x0,450 = 0,09

1x1x0,454
0,04
Pgina 17

C.I.V. N 12.326
e. Clculo de las frecuencias tericas, (F T):

Nmero de Caras
Probabilidad
Frecuencias Tericas
(Xi)
(Px)
(Ft = Px.N)
0,04
0,20
16
0,36
29
0,31
25
0,09
Pi = 1,00
Fi = 80
f. Grfico:
Xi
Fi
15
30
20
10
FT
16
29
25
Frecuencias
Distribucion del lanzamiento de

monedas
35
30
25
20
15
10
5
0
Fi
FT
0
N de caras

Pgina 18

C.I.V. N 12.326
g. Bondad del ajuste:

Frecuencias
Frecuencias
Observadas
Tericas
Fi
Fi /Ft
(Fi)
(Ft)
25
8,33
15
16
225
14,06
30
29
900
31,03
20
25
400
16,00
10
100
14,29
Fi = 80
Ft = 80
Fi2/Ft = 83,71
Xc2 = 83,71 80 = 3,71

Segn la Tabla de la distribucin JI-cuadrado o Chi-cuadrado, ( 2 ),
correspondiente (Anexo N 1) para:
= 5 2 = 3 grados de libertad, un nivel de probabilidad p = 0,95 y un nivel
de significacin = 0,05 se tiene que Xt2 = 7,81 y como Xc2
< Xt2 se
acepta el ajuste como bueno para ese nivel de significacin.

5. Ejercicios:
5.1. Desarrollar los siguientes binomios:
a) (p + q)5
b) (p + q)10
c) (m n)7
d) (p q)6
5.2. Cul es la probabilidad de que un futuro matrimonio que quiere tener cuatro
hijos, se prenten los siguientes casos:
a) No nazcan varones
b) Nazca un solo varn
c) Nazcan tres varones
Pgina 19

C.I.V. N 12.326
d) Nazcan dos varones y dos hembras

e) Nazcan por lo menos tres varones
f) Nazcan a lo ms dos varones
5.3. Si un dado es lanzado cuatro veces, determinar:
a) Cul es la probabilidad de que se presente un cinco dos veces?
b) Cul es la probabilidad de obtener a lo sumo dos cinco?
c) Cul es la probabilidad de obtener al menos tres cinco?
5.4. En un examen falso verdadero de diez preguntas:
a) Cul es la probabilidad de que un estudiante no preparado obtenga las
respuestas correctas por casualidad?
b) Si el contestar ocho preguntas correctamente constituye el grado de
aprobacin, cul es la probabilidad de que apruebe?
c) Qu probabilidad tiene de no aprobar?
5.5. Si se sabe que el 10% de los tornillos producidos por una industria son
defectuosos, tomando una muestra de cinco tornillos, se pide determinar la
probabilidad de encontrar:
a) Dos de los tornillos sean defectuosos
b) Cuando ms, cuatro de ellos sean defectuosos
c) Al menos uno sea defectuoso
5.6. Se tiene una caja que contiene 3 bolas blancas y 2 negras. Si hacemos 4
extracciones con reemplazamiento, es decir cada vez que hacemos una
extraccin vemos el color de la bola y la volvemos a introducir en la caja,
para que no vare la composicin. Si consideramos el suceso A, extraer
bola blanca, como xito, hallar las probabilidades siguientes:
a) Obtener 1 bola blanca
b) Obtener 3 bolas blancas
c) Obtener a lo sumo 2 bolas blancas
d) Obtener al menos 2 bolas blancas
5.7. Una Empresa tiene un promedio de ventas normales de Bs. 100.000,00
diarios, con una probabilidad de tales ventas del 75%. Determinar que
probabilidad hay de que ese promedio de ventas diarias se logre en cada
uno de los seis das hbiles de la prxima semana.

Pgina 20

C.I.V. N 12.326
5.8. Es conocido que el 10% de ciertos artculos son defectuosos. Cul es la

probabilidad de que en una muestra aleatoria de doce de dichos artculos, al
menos nueve sean defectuosos?
5.9. Los siguientes datos se refieren a los accidentes laborales ocurridos en una
Empresa en un lapso de 30 das. Se desea ajustar la serie anterior a la
Distribucin Binomial y su comprobacin por la Distribucin Chi Cuadrado.
Accidentes Laborales
Nmero de das
(Xi)
(Fi)
10
5.10. Se han tomado al azar 300 mujeres con no ms de seis hijos y se han
agrupado en la siguiente distribucin de frecuencias:
Nmero de hijos
Nmero de mujeres
(Xi)
(Fi)
20
40
70
80
50
30
10
Se pide ajustar dicha distribucin a la Distribucin Binomial y establecer la

calidad del ajuste.
Pgina 21

C.I.V. N 12.326
6. Anexos:
COEFICIENTES DEL BINOMIO DE NEWTON
1. Mtodo de los nmeros combinatorios:
!
= , =
! !
+
+

. +
. +
. ++
.

. +
. +
. +
. +
. +
= . + . + . + . + . + .
Trmino de lugar k
=
() .
Hallar el 4 trmino del binomio anterior:

T4 =
5
5 2 3
P5 41 . Q41 =
P Q = 3!
41
3
5!
53 !
P2 Q3 = 10P2 Q3
2. Tringulo de Pascal o de Tartaglia:

Pgina 22

C.I.V. N 12.326
3. Mtodo abreviado:
3.1. El primero y ltimo trminos tienen como coeficiente 1
3.2. El coeficiente del segundo trmino y del penltimo trmino es el exponente al cual
est elevado el binomio
3.3. A partir del segundo trmino el coeficiente del trmino siguiente se determina
multiplicando el coeficiente de trmino anterior por el exponente del primer trmino
del binomio (P) y ese producto se divide entre el exponente del segundo trmino del
binomio (Q) y as, sucesivamente.
3.4. Ejemplo:
= . + . +
= . +
= . +
= . +
.
+
= . + . + . + . + . + .

Pgina 23

C.I.V. N 12.326
Tabla de la distribucin JI-cuadrado o Chi-cuadrado, ( ):

Probabilidad de un valor superior - Alfa ()
Grados
libertad
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100
0,1
0,05
0,025
0,01
0,005
2,71
4,61
6,25
7,78
9,24
10,64
12,02
13,36
14,68
15,99
17,28
18,55
19,81
21,06
22,31
23,54
24,77
25,99
27,20
28,41
29,62
30,81
32,01
33,20
34,38
35,56
36,74
37,92
39,09
40,26
51,81
63,17
74,40
85,53
96,58
107,57
118,50
3,84
5,99
7,81
9,49
11,07
12,59
14,07
15,51
16,92
18,31
19,68
21,03
22,36
23,68
25,00
26,30
27,59
28,87
30,14
31,41
32,67
33,92
35,17
36,42
37,65
38,89
40,11
41,34
42,56
43,77
55,76
67,50
79,08
90,53
101,88
113,15
124,34
5,02
7,38
9,35
11,14
12,83
14,45
16,01
17,53
19,02
20,48
21,92
23,34
24,74
26,12
27,49
28,85
30,19
31,53
32,85
34,17
35,48
36,78
38,08
39,36
40,65
41,92
43,19
44,46
45,72
46,98
59,34
71,42
83,30
95,02
106,63
118,14
129,56
6,63
9,21
11,34
13,28
15,09
16,81
18,48
20,09
21,67
23,21
24,73
26,22
27,69
29,14
30,58
32,00
33,41
34,81
36,19
37,57
38,93
40,29
41,64
42,98
44,31
45,64
46,96
48,28
49,59
50,89
63,69
76,15
88,38
100,43
112,33
124,12
135,81
7,88
10,60
12,84
14,86
16,75
18,55
20,28
21,95
23,59
25,19
26,76
28,30
29,82
31,32
32,80
34,27
35,72
37,16
38,58
40,00
41,40
42,80
44,18
45,56
46,93
48,29
49,65
50,99
52,34
53,67
66,77
79,49
91,95
104,21
116,32
128,30
140,17

Pgina 24

C.I.V. N 12.326
7. Bibliografa:
Anderson, D., Sweeney D., Williams T.
Estadstica
para
Administracin y Economa.
Ed. CENGAGE - Learning.
Dcima Edicin., Mxico.
2000.
Canavos C., George
Probabilidad y Estadstica.
Aplicaciones y Mtodos. Ed.
Mc Graw Hill/Interamericana.
1 Ed., Mxico. 1988.
Lipschutz S., Schiller J.
Introduccin a la Probabilidad
y Estadstica. Ed. Mc Graw
Hill Inc., Serie Schaum, 1
Ed., Madrid,1999.
Lpez Casuso, Rafael
Clculo de Probabilidades e
Inferencia
Estadstica.
Universidad Catlica Andrs
Bello,
Cuarta
Edicin,
Caracas, 2006
Mendenhall W., Reinmuth J.
Estadstica
para
administracin y economa.
Ed.
Wadsworth
Internacional/Iberoamerica, 3
Ed., USA. 1978.
Meyer, Paul L.
Probabilidad y Aplicaciones
Estadsticas.
Ed.
Fondo
Educativo
Interamericano,
S.A., 2 Ed., Mxico. 1973.
Stevenson, W. J.
Estadstica
para
administracin y economa.
Ed. HARLA, 1 Ed., Mxico.
1982.

Pgina 25

Unidad III Distribuciones de Vaddocx

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Unidad III Distribuciones de Vaddocx

Cargado por

Copyright:

Formatos disponibles

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

Y, tal como corresponde a la definicin de distribucin de probabilidad, esta

ING. ORLANDO F. OCHOA CH.

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

Teorema del binomio:

clasificar en "xito" si verifican cierta condicin, o "fracaso" en el caso

es independiente del resultado obtenido en la prueba anterior, y no incide

considerado como un xito se mantiene constante a lo largo de toda la

d. Parmetros de la distribucin binomial:

Ing. Orlando F. Ochoa Ch.

Expectativa matemtica o Valor esperado (Esperanza matemtica o

Varianza ( ) y Desviacin tpica ():

Ing. Orlando F. Ochoa Ch.

P = estar vivo = xito = 2/3

b. Probabilidad de que al menos tres estn vivos:

c. Probabilidad de que exactamente dos estn vivos:

ING. ORLANDO F. OCHOA CH.

Ing. Orlando F. Ochoa Ch.

3.3. Distribucin de Poisson:

Los embotellamientos de trfico que se producen por da.

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

La probabilidad de observar exactamente un xito en el intervalo es

ING. ORLANDO F. OCHOA CH.

Ing. Orlando F. Ochoa Ch.

El eje horizontal es el ndice k. La funcin solamente est definida en

b. Probabilidad de diez cheques dos das consecutivos:

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

X = N de cheques sin fondo que llegan al banco en un da cualquiera,

El nmero de repeticiones del experimento (n) es constante.

ING. ORLANDO F. OCHOA CH.

Ing. Orlando F. Ochoa Ch.

Varianza (2 ) y Desviacin tpica ():

Ing. Orlando F. Ochoa Ch.

b) Calcular la probabilidad de que se escoja exactamente un catalizador

c) Calcular la media y la varianza para la variable aleatoria x:

ING. ORLANDO F. OCHOA CH.

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

4. Ajuste de una distribucin de probabilidades:

El ajuste y las ventajas que este supone, carece de valor si no es

Ing. Orlando F. Ochoa Ch.

determinar en qu medida esas diferencias estn justificadas por el azar, en

4.1.2. Clculo del exponente del binomio, valor n:

4.1.4. Desarrollo del binomio de Newton:

4.1.5. Clculo de las frecuencias tericas, (FT):

ING. ORLANDO F. OCHOA CH.

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

4.1.6. Bondad del ajuste:

Ing. Orlando F. Ochoa Ch.

Suponer que las observaciones de la muestra estn agrupadas en k

ING. ORLANDO F. OCHOA CH.

Ing. Orlando F. Ochoa Ch.

DISTRIBUCIONES DE VARIABLES DISCRETAS

Grados de Libertad ():

Nivel de significacin ():

ING. ORLANDO F. OCHOA CH.

Ing. Orlando F. Ochoa Ch.

Frec. Observ. (Fi)

Ajustar dicha distribucin a una Distribucin Binomial: