Métodos Cuantitativos

UNIVERSIDAD NACIONAL DE SAN AGUSTIN
FACULTAD DE ECONOMÍA
ESCUELA PROFESIONAL DE ECONOMÍA
METODOS CUANTITATIVOS 2
0.25000 0.25000
0.20000 0.20000
PROBABILIDAD
PROBABILIDAD
0.15000 0.15000
0.10000 0.10000
0.05000 0.05000
- -
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
(0.05000) (0.05000)
V .A. DISCRETA V .A. DISCRETA
P (X = 25) P (X = 50) P (X = 100) P (X = 25) P (X = 50) P (X = 100)

Dr. Econ. Orlando Torres Montes
VARIABLE ALEATORIA DISCRETA Profesor Principal - Dedicación Exclusiva 1
METODOS CUANTITATIVOS II Contenido Temático Específico
Sesión 1: DISTRIBUCIONES DISCRETAS

D. P. de Bernoulli D. P. Binomial
D. P. Geométrica D. P. Hipergeométrica D. P. Poisson
Sesión 2: DISTRIBUCIONES CONTINUAS
D. P. Uniforme D. P. Exponencial D. P. Normal
Sesión 3: INFERENCIA ESTADISTCA – DISTRIBUCIONES MUESTRALES
Distribución muestral de la Media
Distribución muestral de la diferencia de dos medias
Distribución muestral de una proporción
Distribución de la diferencia de dos medias muestrales, varianzas desconocidas pero iguales
Sesión 4: TEORIA DE LA ESTIMACION
Estimación puntual, propiedades de un estimador, métodos de estimación puntual, estimación de intervalos de confianza
Estimación de intervalos de confianza para la diferencia de medias de dos distribuciones con ambas varianzas conocidas,
muestras grandes
Sesión 5: PRUEBA DE HIPOTESIS
Hipótesis estadísticas, prueba unilateral, prueba bilateral, tipos de errores
Prueba de hipótesis sobre la diferencia entre medias con varianzas conocidas, muestras grandes
Sesión 6: ANALISIS DE CONTINGENCIA :distribución chi cuadrada
Sesión 7: ANALISIS DE LA VARIANZA
2
UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com
1
METODOS CUANTITATIVOS II
BIBLIOGRAFIA BASICA:
HEINZ KOHLER – Estadística para Negocios y Economía – Primera edición 1996
MOYA RUFINO y SARAVIA GREGORIO: “Probabilidades e Inferencia Estadística” 1995
BIBLIOGRAFIA COMPLEMENTARIA:
PAUL NEWBOLD, WILLIAM L. CARLSON Y BETTY THORNE – Estadística para administración y Economía Ed. 2008
LARSON, HAROLD – Introducción a la Teoría de las probabilidades e inferencia estadística – 3ra. Edición 1996
ALLEN L. WEBSTER – Estadística Aplicada a los Negocios y la Economía – Tercera Edición 2000
BERENSON – LEVINE – “Estadística para la Administración y Economía” Quinta Edición.
MASON Y LIND –“Estadística para administración y Economía” 1995
LEVIN & RUBIN – “Estadística para Administradores” Sexta Edición
VARIABLE.
Magnitud:
Inestable,
inconstante y mudable;
cuyos valores están determinados por las leyes de probabilidad 4
2
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA
GUARISMO
MICROELECTRONICA SOFTWARE GUIÓN
MINERÍA
NOTACIÓN
DATO REFERENCIA
COMPUTACION CUANTÍA
ANTECEDENTE
SÍMBOLO
INTERNET
SIGNO
DÍGITO
MAGNITUD
NÚMERO
CIFRA
TELECOMUNICACIONES
DIGITALES REPRESENTACIÓN
CANTIDAD
DATO: Antecedente necesario para llegar al conocimiento exacto de algo o para

deducir las consecuencias legítimas de un hecho. 5
“cuánta gente tiene capacidad económica y está dispuesta a pagar por nuestro producto”
DEMANDA EFECTIVA
(CON
DEMANDA CAPACIDAD Y
POTENCIAL CON DISPOSICION
(CON LA A PAGAR)
NECESIDAD O 1,998 demandantes
INTERESADOS) (80%)
2,497
POBLACIÓN AFECTADA
demandantes (Meta del Proyecto)
(70%)
POBLACION DEL POBLACIÓN AFECTADA
AREA DE
MERCADO
3,567 demandantes POBLACION SIN
(100%) LA NECESIDAD
NO
POBLACION
POBLACIÓN DE REFERENCIA INTERESADOS SIN DISPOSICION
1,070 demandantes A PAGAR
(30 %) 499 demandantes (20%)
POBLACIÓN APLAZADA
3
Una variable estadística es una propiedad que puede fluctuar y cuya variación es susceptible de adoptar diferentes valores, los cuales pueden medirse u
observarse. Las variables adquieren valor cuando se relacionan con otras variables, es decir, si forman parte de una hipótesis o de una teoría.
Variables cualitativas
Son el tipo de variables que como su nombre lo indica expresan distintas cualidades, características o modalidad. Cada modalidad que se presenta se
denomina atributo o categoría, y la medición consiste en una clasificación de dichos atributos. Las variables cualitativas pueden ser dicotómicas cuando
sólo pueden tomar dos valores posibles, como sí y no, hombre y mujer o ser politómicas cuando pueden adquirir tres o más valores. Dentro de ellas
podemos distinguir:
•Variable cualitativa ordinal o variable cuasi cuantitativa: La variable puede tomar distintos valores ordenados siguiendo una escala establecida, aunque
no es necesario que el intervalo entre mediciones sea uniforme, por ejemplo: leve, moderado, fuerte.
•Variable cualitativa nominal: En esta variable los valores no pueden ser sometidos a un criterio de orden, como por ejemplo los colores.
Variables cuantitativas
Son las variables que toman como argumento cantidades numéricas, son variables matemáticas. Las variables cuantitativas además pueden ser:
Variable Discreta: Es la variable que presenta separaciones o interrupciones en la escala de valores que puede tomar. Estas separaciones o interrupciones
indican la ausencia de valores entre los distintos valores específicos que la variable pueda asumir. Ejemplo: El número de hijos (1, 2, 3, 4, 5), número de
alumnos en el aula.
Variable continua: Es la variable que puede adquirir cualquier valor dentro de un intervalo especificado de valores. Por ejemplo la masa (2,3 kg, 2,4 kg,
2,5 kg,...) o la altura (1,64 m, 1,65 m, 1,66 m,...), o el salario. Solamente se está limitado por la precisión del aparato medidor, en teoría permiten que exista
un valor entre dos variables.
Dato Económico
Pueden ser Se representan mediante
CUANTITATIVOS CUALITATIVOS TABLA DE GRÁFICO ESTÁDÍSTICO

FRECUENCIAS
Toman valores numéricos. Toman valores NO numéricos A. DE TENDENCIA CENTRAL
– LA MEDIA O P. ARITMETICO
MEDIDAS DE POSICIÓN – EL PROMEDIO GEOMETRICA
Indican valores centrales. – EL PROMEDIO ARMONICO
Pueden ser Pueden ser – EL PROMEDIO CUADRATICO
Localizan los más – LA MEDIANA
frecuentes B. DE LOCALIZACION
DICÓTOMAS – LA MODA O MODO // LAS CUANTILAS:
DISCRETOS –
MEDIDAS ESTADÍSTICAS
LOS CUARTILES, DECILES,

Resultados del proceso de conteo Dos categorías: – PERCENTILES, MOMENTOS, ETC.
Varón – dama (0,1)
MEDIDAS DE – LA VARIANZA
NOMINALES
Pueden ser
– LA DESVIACION ESTANDAR
CONTINOAS Más de dos categorías: DISPERSIÓN – EL COEFICIENTE DE VARIAVILIDAD
Pueden tomar todos los valores Indican la dispersión de los – LA DESVIACION MEDIA
Tiempo, calidad, gusto
de un intervalo – EL RECORRIDO // LAS Z.NORMALIZACION
datos respecto a valores • PARAMETROS DE CONCENTRACION
ORDINALES centrales – LOS MÁS IMPORTANTES SON:
– LA CURVA DE LORENZ // INDICE DE GINI
Más de dos categorías:
Felicidad: Feliz, triste – EL GRADO DE ASIMETRIA. Destacan:
• SIMETRICA O CAMPANA DE GAUSS
• ASIMETRICA A LA DERECHA
MEDIDAS DE FORMA • ASIMETRICA A LA IZQUIERDA
Se pueden expresar mediante – EL GRADO DE APUNTAMIENTO
• LEPTOKURTICA = SOBRE LA NORMAL
• MESOKURTICA = IGUAL A LA NORMAL 8
• PLATIKURTICA = BAJO LA NORMAL
4
DATO ECONOMICO
VARIABLE ECONÓMICA
Cualitativas o Categóricas Cuantitativas o Numéricas

- Tienen respuestas y designaciones categóricas  Puede tener (no necesariamente) un número finito de valores
- La “diferencia” entre los números no tiene ningún significado  Sin embargo, el tipo más frecuente de variable numérica discreta con el
mensurable. que nos encontramos produce una respuesta que proviene de un proceso
- Denotan calidad de enumeración o de recuento.
- Si sus valores (modalidades) no se pueden asociar naturalmente a un  Si sus valores son numéricos (tiene sentido hacer operaciones algebraicas
número (no se pueden hacer operaciones algebraicas con ellos) con ellos)
Nominales Ordinales Discretas Continuas

 Distingue el atributo sin implicar el orden  Susceptible al orden  Es una VD si el conjunto de todos  Si entre dos valores,
 Si sus valores no se pueden ordenar pero no a la medida. los posibles valores es finito o un son posibles infinitos
SEXO: FEMENINO / MACULINO - HOMBRE / MUJER – EMPLEADO /  Si sus valores se número contablemente infinito de valores intermedios.
DESOCUPADO
TIEMPO: AYER, HOY, MAÑANA, PRESENTE, PASADO, FUTURO
pueden ordenar posibles valores. Altura, Peso, Tiempo,
CALIDAD: MALO, BUENO, PESIMO, OPTIMO, UTIL, INUTIL, GRUPOS DE PERSONAS POR  Si toma valores enteros Distancia, Presión
SUS HABITOS: FUMAR /
INCERBIBLE. Número empleados en la fábrica de Gloria intraocular, Dosis de
GUSTO: AGRADABLE, RICO, SABROSO, AMARGO, AGRIO, GRADUADOS / REGION
GEOGRAFICA / CAMBIOS S.A medicamento
AMARGO. Número de acciones en la Empresa Avianca
E. CIVIL: CASADO, VIUDO, DIVORCIADO, CONVIVIENTE. DE POLITICA ECONOMICA. administrado, edad
COLOR / MUSICA / RELIGION / P.POLITICOS / PROCEDENCIA Mejoría a un S. A.
PROPIETARIO / INQUILINO - URBANO / RURAL - GUERRA / PAZ Número de damnificados por el terremoto
tratamiento, Grado de
Grupo Sanguíneo, Religión, Nacionalidad, Fumar ; del 2001
satisfacción, Intensidad Número de hijos, Número de cigarrillos,
Respuesta (Sí/No) del dolor Número de “cumpleaños” 9
VARIABLE ALETORIA DISCRETA Y SUS DISTRIBUCIONES

10
5
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
VARIABLE ALETORIA DICRETA Y SUS DISTRIBUCIONES

DEFINICION.
Se denomina variable aleatoria discreta aquella que sólo puede tomar un número finito de valores dentro de un intervalo. Por ejemplo, el número de
componentes de una manada de lobos, puede ser 4 ó 5 ó 6 individuos pero nunca 5,75 ó 5,87. Otros ejemplos de variable discreta serían el número de pollos
de gorrión que llegan a volar del nido o el sexo de los componentes de un grupo familiar de babuinos.
Densidad
Se denomina densidad discreta a la probabilidad de que una variable aleatoria discreta X tome un valor numérico determinado (x). Se representa:
f(x) = P[X=x]
La suma de todas las densidades será igual a 1
- V. A: Es la descripción numérica del resultado de un experimento (A)
- La variable aleatoria constituye un método para describir la variabilidad de los resultados del experimento.
- Una variable aleatoria es una variable que toma valores numéricos determinados por el resultado de un experimento aleatorio
- Cantidad que es resultado de un experimento aleatorio que, debido al azar, puede tomar distintos valores.
 Una variable aleatoria es un evento numérico cuyo valor es determinado por un experimento aleatorio. El nombre de la variable se designa por X
y cualquiera de sus valores posibles por x.
Una variable aleatoria X es una función de valor real de los elementos de un espacio muestral (  )
TIPOS DE VARIABLES ALEATORIAS:
 Variables Aleatorias Discretas
 Variables Aleatorias Continuas
V. A. Es el proceso de asignar valores numéricos a los resultados Los valores numéricos que toma una variable económica, como consecuencia del
La variabilidad de resultados - Teoría de la Probabilidad dato económico, provienen de Factores fortuitos y si su valor no se puede
En los experimentos - Variable Aleatoria. predecir, se llama VARIABLE ECONOMICA ALEATORIA.
11

 Si el conjunto de todos los valores posibles de una variable aleatoria es contable o numerable, se dice que la variable
es una variable aleatoria discreta.
 Una variable aleatoria es una variable aleatoria discreta si no puede tomar más que una cantidad numerable de
valores.
 De esta definición se deduce que cualquier variable aleatoria que sólo puede tomar un número finito de valores es discreta.
 EJEMPLOS:
EXPERIMENTO VALORES POSIBLES
 A ASOCIA ESPACIO MUESTRAL (Ω ó S) VARIABLE ALEATORIA (X) Variable Aleatoria
Vender un automóvil 0, 1, 2, 3, 4, 5
0, 1, 2, 3, …, 40
Funcionamiento de un Sexo del Cliente 0, 1, 2, 3, 4, …
Restaurante
Inspeccionar un 0 si es Varón
Durante
Llamar
Embarque todo
de 40un
a Cinco día
clientes
Chips Cantidad
Cantidad
Cantidad deClientes
de Chips
de Clientes
defectuosos 1 si es Mujer
12
6
EXPERIMENTO VARIABLE ALEATORIA VALORES POSIBLES

 A ASOCIA ESPACIO MUESTRAL (Ω ó S) (X) Variable Aleatoria
Inspeccionar un embarque de 120 televisores a color Número de televisores defectuosos 0, 1, 2,..., 120
-Lazar una moneda 3 veces Nos interesa el número de caras 0, 1, 2, 3
-Efectuar 320 llamadas de ventas Número total de ventas 0, 1, 2,..., 320
-Operar en estación de servicios (Grifo) Número de vehículos que se atiende al día 0, 1, 2,....
-Construir una represa de agua % del proyecto terminado en años 0  x 5
13

 Si el conjunto de todos los valores posibles es infinito debido a que la variable pueda tomar valores en todos los
puntos de un rango, se dice que es una variable aleatoria continua.
 Una variable aleatoria es una variable aleatoria continua SI puede tomar cualquier valor de un intervalo
 En el caso de las variable aleatorias continuas, NO podemos asignar probabilidades a valores específicos.
 Ejemplo: La probabilidad de que la temperatura máxima de hoy sea exactamente 12.5° C ó es 0. Naturalmente, la
temperatura NO será exactamente esa cifra. Sin embargo, es posible determinar la probabilidad correspondiente a
intervalos, por lo que podemos asignar una probabilidad al suceso «la temperatura máxima de hoy estará entre 10° C y 15° C
 EJEMPLO:
EXPERIMENTO VARIABLE ALEATORIA VALORES POSIBLES
 A ASOCIA ESPACIO MUESTRAL (Ω ó S) (X) Variable Aleatoria
Funcionamiento de un banco Tiempo en minuto, entre llegadas de clientes X >= 0
Llenar una lata de bebida Cantidad de onzas 0 <= x <= 12.1

(máxima =12.1 onzas)
Proyecto para construir un biblioteca Porcentaje de terminado del proyecto 0<=x<=100
Ensayar un nuevo proceso químico Temperatura cuando se lleva a cabo la reacción deseada 150<=x<=212
(min 150º F; máxima 212ºF)
14
7
FENOMENO O EXPERIMENTO ALEATORIO (E)
“ES LA BASE O INICIO DE LA TEORIA DE LA PROBABILIDAD”
Experimento (E = ) Resultados del Experimento (E = )
Jugar un partido de fútbol GANAR, EMPATAR, PERDER
LANZAMIENTO DE DADO
SELECCIONAR UN TELEVISOR DEFECTUOSO, NO DEFECTUOSOS
PARA INSPECCIONAR 1, 2, 3, 4, 5, 6
VENDER, NO VENDER
GANANCIA, PERDIDA
VENTA DE SEGUROS
LLEVAR A CABO UNA VISITA DE
VENTAS
 Un experimento aleatorio (E = ) es una operación cuyo resultado no se puede predecir con certeza y que se
realiza bajo las siguientes condiciones:
• Puede ser repetido bajo las mismas condiciones.
• Se puede describir el número de resultados posibles. 15

FENOMENO O EXPERIMENTO ALEATORIO (E) “ES LA BASE O INICIO DE LA TEORIA DE LA PROBABILIDAD”
La probabilidad estudia el tipo de fenómenos aleatorios.
Experimento aleatorio.
 Una acción que se realiza con el propósito de analizarla. Tiene como fin último determinar la probabilidad de uno o de varios resultados.
 Se considera como aleatorio y estocástico, si sus resultados no son constantes.
 Puede ser efectuado cualquier número de veces esencialmente en las mismas condiciones.
DEFINICION EXPERIMENTO ALEATORIO (E)
- Es una operación física que en el mundo real puede dar uno de los muchos resultados de los muchos posibles.
- Es cualquier operación cuyo resultado NO puede predecirse con exactitud (Larson).
- Experimento económico, es la acción de experimentar o probar prácticamente hechos o fenómenos económicos.
A TODO EXPERIMENTO ALEATORIO (EA), SE LE ASOCIA UN ESPACIO MUESTRAL (, S)
CLASES DEL EXPERIMENTO ALETORIO (E)
1. EXPERIMENTOS DETERMINISTICOS (se conoce el estado final a partir del estado inicial)
- Un experimento es determinístico, si los resultados del experimento están completamente determinado y puede describirse por una fórmula
matemática, llamado también modelo determinístico. Ejemplos:
a) «Soltar una piedra en el aire» La piedra caerá, aún más su movimiento se describe por las ecuaciones de caída libre
b) «Lanzar una pelota en un estanque de agua y ver si flota o se hunde» La pelota flotará.
2. EXPERIMENTOS NO DETRMINISTICOS (Son aquellos cuyo estado final no se puede predecir con exactitud sino a partir del estado inicial)
- Un experimento es no determinístico, Si los resultados del experimento no puede predecirse con exactitud antes de realizar el experimento
a) Lanzar una moneda y observar la cara superior (Cara = C, Sello = S)
b) Lanzar un dado y observar el número que aparece en la cara superior ( 1, 2, 3, 4, 5, 6)
CARACTERISTICAS DE LOS EXPERIMENTOS ALEATORIOS (E):
1. En un EA se puede describir todos los resultados posibles, de una sola observación.
2. La finalidad de que cada uno de los resultados tienden a estabilizarse cuando el número de observaciones o el Nro. de resultados crecen.
3. Es posible siempre repetir el fenómeno bajo las mismas condiciones. 16
8
“DEFINICIÓN: ESPACIO MUESTRAL [Ω omega (w1)] (S)”
- Es el conjunto de todos los resultados posibles de un Experimento Aleatorio (EA), en una sola observación del fenómeno de acuerdo al número de sus
elementos.
- Es un resultado particular, esto es, un elemento del Espacio Muestral (), se llama PUNTO MUESTRAL O MUESTRA.
CASO 01:
Se lanza un dado y se observa el número que aparece en la cara superior.
SOLUCION:
E1 = Consiste en lanzar el dado y observar el Nro. que aparece en la cara superior.
1 = 1, 2, 3, 4, 5, 6  Es decir, son los 6 posibles resultados.
CASO 02:
Se lanza una moneda cuatro veces y se cuenta el número total de caras obtenidas.
SOLUCION.
E2 = Lanzar la moneda cuatro veces sobre la mesa y contar el Nro. total de caras
2 = 0, 1, 2, 3
CASO 03:
Se fabrican artículos en una línea de producción y se cuenta el Nro. de artículos defectuosos producidos en un período de 24 horas.
SOLUCION:
E3 = Contar el Nro. de Artículos defectuosos en la producción de 24 horas.
3 = 0,1, 2, ... n 
17

“ ESPACIO MUESTRAL Ω (S): CARACTERISTICAS y EVENTO”
CARACTERISTICAS DE UN ESPACIO MUESTRAL. EVENTO (A, B, C,...):
Para un experimento dado se puede construir varios espacios muéstrales Suceso, evento, episodio, hecho, acontecimiento.
con la particularidad siguiente: Suceso = Cosa que sucede, como acontecimiento imprevisto (incertidumbre).
1. Cada elemento del espacio muestral representa al menos un DEFINICION.- Es un sub conjunto del espacio muestral.
resultado del experimento. SUCESO (w): Elemento del evento.- Es cada uno de los resultados posibles en la
2. Cada posible resultado es sólo un elemento del espacio muestral. observación del fenómeno.
3. Debe permitirse obtener la mayor información posible sobre algún Un Evento (Suceso) ocurre si cada uno de sus elementos es el resultado del
asunto de interés. Experimento. A =  w 1, w 2, … wn 
TODO ESPACIO MUESTRAL TIENE COMO SUB-CONJUNTO AL EVENTO
 A   ASOCIADO AL EA
CASO 04: Se lanza un dado y se observa el número que aparece en la cara superior.
SOLUCION:
E1 = Consiste en lanzar el dado y observar el Nro. que aparece en la cara superior.
1 = 1, 2, 3, 4, 5, 6  Es decir, son los 6 posibles resultados.
Sea: A el EVENTO de salir un Nro. PAR. B de salir IMPAR y C de salir un Nro. Primo
Esto se escribe: N° Primo, dos divisores distintos: él mismo y 1
A = 2, 4, 6  B =  1, 3, 5  C = 2, 3, 5  D =  1  E =  4, 5, 6 
F = 1, 3, 4, 6
y las posibles combinaciones a realizarse A =  w1, w2, … wn
Todos estos son los únicos EVENTOS y son distintos, que se realizan al tirar un dado.- si sale 1 o el As.- entonces, decimos que ha ocurrido el evento D. 18
9
“OPERACIONES ENTRE EVENTO y SUCESOS ALEATORIOS”
Estas operaciones se basan en la Teoría de Conjuntos, entonces decimos; sea E1 y E2 son dos experimentos con espacio
muestral  entonces se define:
Ei = Ω = {Es el evento seguro} = Evento elemental = Espacio Muestral = Evento resultado.
Ø = Evento imposible o evento nulo
E1 = E1c = w: w  E1  = Es el evento que sucede  E1 No sucede
A  B es el evento que sucede  A ó B o ambos suceden
A  B es el evento que sucede  A y B suceden simultáneamente
Ac = (complemento A) es el evento que sucede  A NO sucede
A  B = Ω Dos eventos son complementarios, cuando su unión es igual al especio muestral
A  B = Ø Son dos eventos mutuamente excluyentes,  la intersección de los conjuntos es igual al conjunto vacío.
A\B Complemento Relativo o la Diferencia entre A y B, Es el conjunto de elementos que ε A, pero no a B.
A  B  C  D = Ω EVENTOS COLECTIVAMENTE EXHAUSTIVOS, son eventos tales que siempre que realizamos el
experimento ocurre por lo menos uno de ellos.
19


• Los elementos de un espacio muestral se llaman sucesos elementales o puntos muestrales.
• Los conjuntos formados por varios sucesos elementales se llaman sucesos.
• Suceso seguro: es el que se verifica siempre. Coincide con el espacio muestral.
• Suceso imposible: el que no se produce nunca. Es el conjunto vacío: .
• A  B si todos los resultados del suceso A contenido en B. - apuntes -
Espacio muestral asociado al fenómeno
aleatorio “lanzar un dado”: Ω = {1, 2, 3, 4, 5 ,6} •6
• Sucesos elementales: {1}, {2},... •4 •5
• Otros sucesos no elementales: Ω •2 •1
A = {2, 4, 6} = "obtener puntuación par”. •3
B = {2, 4} = "obtener puntuación par y menor que 6”.
• Se cumple que B está contenido en A, B  A: siempre que ocurre B ocurre A, pero no al revés.
• Observa, los sucesos se describen como conjuntos: entre llaves y detallando sus elementos.
20
10
“OPERACIONES ENTRE EVENTO y SUCESOS” INTERSECCIÓN
 La intersección se dos sucesos A y B de un mismo experimento aleatorio, representada por A  B, es el suceso que se produce cuando
se realizan A y B simultáneamente.
 El suceso A  B está formado por los puntos muestrales comunes a A y B. •1
Ω
Ejemplo: consideremos el fenómeno aleatorio tirar un dado.
•3 •5
 1 = 1, 2, 3, 4, 5, 6  Es decir, son los 6 posibles resultados. •4
Sean los eventos: A  B = {4} •2 •6
B
• A = {2, 3 , 4} y A
• B = {4, 5, 6}
“OPERACIONES ENTRE EVENTO y SUCESOS” UNIÓN
 Dados dos sucesos A y B de un mismo experimento aleatorio, llamamos suceso unión
de A y B al suceso que se realiza cuando se realiza A o B.
 El suceso A unión B se representa por A  B o también por A ó B. El suceso A  B está
Ω •1 •1
formado por los puntos muestrales de A y B. B
Ejemplo: consideremos el fenómeno aleatorio tirar un dado. •5 •5
1 = 1, 2, 3, 4, 5, 6  Es decir, son los 6 posibles resultados. •2 •2 •4 •4
A •6
Sean los eventos: •3 •3 •6
• A = {2, 3 , 4} y
A  B = {2, 3, 4, 5, 6}
• B = {4, 5, 6} 21

“PROPIEDADES DE LAS OPERACIONES CON SUCESOS”
Se dice que el Conjunto de los Sucesos S con esas operaciones y propiedades tiene estructura de Álgebra de Boole
Álgebra de Boole (también llamada Retículas booleanas) en informática y matemáticas, es una estructura algebraica que
rigorizan las operaciones lógicas Y, O y NO, así como el conjunto de operaciones unión, intersección y complemento.
22
11
FENOMENO O EXPERIMENTO ALEATORIO (E): “ESPACIO MUESTRAL [Ω omega (w1)] (S)” Lanzamiento de dos dados
Un experimento consiste en lanzar dos dado y observar los números que aparecen en las caras superiores.
SE PIDE:
a.- Liste los elementos del espacio muestral
b.- Liste los elementos del evento A: la suma de los números es cinco
c.- Liste los elementos del evento B: la suma de los números es doce Función de Probabilidad = P(X)
d.- Liste los elementos del evento C: el producto de los números es 24
e.- Liste los elementos del evento D: la suma de los números es divisible entre 7 0.18 0.1667
SOLUCIÓN
0.16
a.- El espacio muestral asociado a este experimento es 6 ² = 36 elementos 0.1389 0.1389
0.14
Probabilidad X = P (X)
 1,1 1, 2 1,3 1, 4 1,5  1, 6  0.12 0.1111 0.1111
 
 2,1  2, 2  2,3  2, 4  2,5  2, 6  0.10
 3,1  3, 2  3,3  3, 4  3,5  3, 6  0.0833 0.0833
 
 4,1  4, 2  4,3  4, 4  4,5  4, 6 
0.08
0.0556 0.0556
 5,1  5, 2  5,3  5, 4  5,5  5, 6  0.06
 
 6,1  6, 2  6,3  6, 4  6,5  6, 6  0.04 0.0278 0.0278
Los eventos pedidos son: 0.02
b.- A = (1,4), (4,1), (2,3), (3,2)
c.- B =  (6,6)  0.00
d.- C = (4,6), (6,4)
e.- D = (1,6), (6,1), ( 4,3), (3,4), (5,2), (2,5)
Usando las operaciones con conjuntos, podemos formar nuevos. Estos nuevos eventos serán nuevamente subconjuntos del Rango X = Rx
mismo espacio muestral de los eventos dados.
Luego las probabilidades por simple conteo, son: (si apostamos a obtener 5)
a).- P (A) = 4 / 36 = 1 / 9 = 0.11 = 11% b).- P (B) = 1 / 36 = 0.027 2.7%
d).- P (D) = 6 / 36 = 1 / 6 = 0.1666 = 16.66% 23
VARIABLE ALETORIA DISCRETA y DISTRIBUCIONES DE PROBABILIDAD
24
12
 DEFINICIÓN DE VARIABLE ALEATORIA DISCRETA
 Una variable aleatoria discreta puede asumir sólo un cierto número de valores específicos.
 Si el rango de la variable aleatoria X, es un conjunto finito o infinito numerable, se llama variable aleatoria discreta.
En esta caso: Rx = {x1, x2, x3, x4, …, xi}
Ejemplo 01:
Si hay 100 empleados en una empresa, la cantidad de los ausentes el lunes, puede ser 0, 1, 2, 3, 4, …, 100.
 Ejemplo 02:
 Suponga que el número de días de trabajo en un año particular es 280 y los records de los empleados se marcan cada
día que ellos están ausentes del trabajo. Se selecciona aleatoriamente un records y se observa los días marcados. La
variable aleatoria X se define como el número de días ausentes del trabajo, entonces Rx = {0, 1, 2, 3, …, 280}. Luego,
X es una variable aleatoria discreta con un número finito de posibles valores.
Por lo general, una variable aleatoria discreta es el resultado de contar algo. Así, por definición:
Variable Aleatoria Discreta: Variable que sólo puede tener ciertos valores claramente separados, que resulta de contar
algún elemento de interés.
FUNCIÓN O LEY DE PROBABILIDAD
Una variable aleatoria X es una función que asocia a cada suceso del espacio muestral E de un experimento aleatorio un
valor numérico real:
25
FUNCIÓN DE PROBABILIDAD V. DISCRETA Rango

Espacio Probabilidad
Ejemplo de variable aleatoria discreta: X
 Lanzar una moneda dos veces
Muestral De X
 Nos interesa el Número de caras al lanzar Ω Rx P(X)
0
S S 1/4 = 0.25
Elementos del espacio SS SC CS CC
muestral
22 = 4
Ley de S C
correspondencia 1
2/4 = 0.50
Nº reales
(# de caras) 0 1 2 Caras C S
Establecer una variable aleatoria para un X :E 
experimento aleatorio no es más que una 1/4 = 0.25
manera de asignar de "manera natural" w  X ( w) 2
números a los eventos. C C 26
13
Caso 02: Lanzamiento de una moneda tres veces

Si consideramos, el experimento aleatorio de «lanzar una moneda tres
veces». Se define la variable aleatoria como el número total de caras El N° de elementos del espacio muestral: 23 = 8
obtenidas. Determinar el Rango de X, definir la función de distribución. Ley de correspondencia
SOLUCION.
 1 = Lanzar tres monedas una vez sobre la mesa y contar el Nro. Total de caras.
SSS SSC SCS CSS CCS CSC SCC CCC
Nº reales
0 (# de caras) 1 2 3
Establecer una variable aleatoria para un experimento aleatorio no es más que una manera de X :E 
asignar de "manera natural" números a los eventos. w  X ( w)
27

Caso 02: Lanzamiento de una moneda tres veces
SOLUCION.
 1 = Lanzar tres monedas una vez sobre la mesa y contar el Nro. Total de caras.
SSS SSC SCS CSS CCS CSC SCC CCC
Nº reales
0 (# de caras) 1 2 3
Espacio Dominio F Función
Muestral Rango Rx Cuantía P (x)  R x = {0, 1, 2, 3} P(x) = f(x)=  (0, 1/8), (1, 3/8), (2, 3/8), (3, 1/8) 
 SSS 
 SSC  0 1/8 = 0.125 0.40 0.375 0.375
  0.35
 SC S  1
Probabilidad P(X)
0.30
  3/8 = 0.375
 CSS  0.25
1    0.20
 CCS  0.15 0.125 0.125
 C SC  2 3/8 = 0.375
  0.10
 SCC  0.05
CCC  1/8 = 0.125 = 1 0.00
  3 Cero Uno Dos Tres 28
Dominio o Rango Rx
14
Distribución de Probabilidad
• Una tabla, gráfica o fórmula que asocie cada valor posible, x, de una variable aleatoria, X, con una cierta
probabilidad de ocurrencia, P (X = x), es la distribución de probabilidad de la variable aleatoria.
• Si la variable es aleatoria discreta, la distribución recibe el nombre de distribución discreta de
probabilidad.
0.45 0.40
Ej. p ( x ) = x / 10 ; x = 1, 2, 3, 4 0.40
0.35 0.30
Probabildad %
0.30
x 1 2 3 4 0.25 0.20
0.20
P (x) = P( X = x ) 1/10 2/10 3/10 4/10 0.15 0.10
0.10
0.05
0.00
1 2 3 4
Categoria de X
• Si la variable es aleatoria continua, la distribución recibe el nombre de distribución de probabilidad

continua.
29

Distribución de Probabilidad: Electrodomésticos TV

Ejemplo: Usando los registros de una tienda de electrodomésticos de los últimos 300 días de trabajo, el gerente de comercialización
ha resumido el número de televisores vendidos al día en la siguiente tabla, (Sea X, el número de TV vendidos diariamente):
E(X) = R x. P(X) Var(x) = (Rx - µx)2. Px

Distribución del Número de TV
Número de TV Número de Probabilidad Valor vendidos al día
Vendidos /Día Días Frecuencia Esperado Varianza
X Fi Fr = P(X) E(X) Var(X) 0.35
0 25 0.08 0.00000 0.59408 0.31
1 64 0.21 0.21333 0.59497 0.30
2 92 0.31 0.61333 0.13766
3 42 0.14 0.42000 0.01525 0.25
Probabilidad %
0.21
4 24 0.08 0.32000 0.14151
0.20
5 18 0.06 0.30000 0.32573
6 15 0.05 0.30000 0.55445 0.14
0.15
7 11 0.04 0.25667 0.68746
0.10 0.08 0.08
8 7 0.02 0.18667 0.66287 0.06
9 2 0.01 0.06000 0.26713 0.05
0.05 0.04
TOTAL 300 1.00 2.67 3.9811 0.02
0.01
D Estandar 0.00
1.9953 0 1 2 3 4 5 6 7 8 9
Número de TV vendidos al día 30
15
FUNCIÓN DE PROBABILIDAD V. DISCRETA

La distribución de probabilidad para una variable aleatoria discreta puede ser:
1. Un listado teórico de resultados y probabilidades, que pueden obtenerse de un modelo matemático que represente algún fenómeno de interés. Este
modelo se conoce como función de probabilidad de una variable aleatoria.
2. Un listado empírico de resultados y sus frecuencias relativas observadas.
3. Un listado subjetivo de resultados asociados a sus probabilidades subjetivas que representan el grado de convicción del tomador de decisiones respecto
a la probabilidad de los resultados posibles. Opinión de expertos.
Función o Ley de Probabilidad Discreta
 Se llama función de probabilidad o ley de probabilidad (función de cuantía) de la variable aleatoria X.
 Sea X una variable aleatoria discreta con rango Rx. Una función definida por:
p  x   P  X  x   P w  Donde la suma es sobre los sucesos w ɛ Ω tal que X(w) = x y satisface las siguientes
condiciones:
w. . / X  w x  1. p(x) > 0,  x ɛ Rx
 2.
    
p x  
P X  x 1
x. . Rx
 x. . Rx
Una variable aleatoria X es una función que asocia a cada suceso del espacio muestral E de un experimento aleatorio un valor numérico
real:
X :E 
w  X ( w)
Llamar variable a una función resulta algo confuso, por ello hay que insistir en que es una función.
31

• La función de probabilidad o función de cuantía de la variable aleatoria X, es una función p definida por:
p (x) = P (X = x) para todo valor de X, y que satisface las siguientes condiciones:
1ª p (x) ≥ 0 2ª Σ p (x) = 1
Ejemplos: p ( x ) = x / 10 ; x = 1, 2, 3, 4
p ( x )  P ( X  x )  C x3 ( 0 .5) x ( 0 .5) 3  x ; x = 0, 1, 2, 3
• La función de distribución acumulativa F( x ) de una variable aleatoria, indica la probabilidad acumulada que la variable X tome
un valor menor o igual que x. Es decir: F(x) = P ( X ≤ x ) = Σ p (x) = Σ P(X = x)
Propiedades de la Función de Distribución
1ª 0 ≤ F (x) ≤ 1
2ª F (x) es siempre monótona no decreciente: Si x1 ≤ x2, entonces F( x1 ) ≤ F( x2 )
3ª F(+∞)=P(X<+∞)=1 F(-∞)=P( X<-∞)=0
 Algunas probabilidades acumulativas: Sean a < b dos números, valores de la variable aleatoria X:
• P (X ≤ a) = F(a)
• P (X ≥ a) = 1 – P(X < a)
• P (a < X ≤ b) = F(b) – F(a)
• P (a ≤ X ≤ b) = F(b) – F(a) + P(X = a)
• P (a < X < b) = P(a < X ≤ b) – P(X = b) = F(b) – F(a) – P(X = b)
• P (a ≤ X < b) = F(b) – F(a) + P(X = a) – P(X = b)
• P (xi) = P(X = xi) = F(xi) – F(xi-1) 32
16
1. Valor esperado.
E(X ) = μx = Σ [x P(X = x)]Ω
2. Varianza y desviación estándar: Mide la dispersión de los resultados alrededor de su media
• V(X ) = σx2 = E (X – E(X) ) 2 = E (X – μ) 2
• V(X ) = σx2 = Σ ((X – μ)2 P(X = x))
• V(X ) = σx2 = E (X 2 ) – ( E(X) ) 2 = E (X 2 ) – μ 2
en donde E(X 2) = Σ (X 2 ) P(X = x)
• σx = [ V(X ) ] ½
Propiedades: Si X es una variable aleatoria y a, b constantes:

• E(b) = b V (X) ≥ 0
• E(bX) = b E(X) V (b) = 0
• E(a + bX) = a + b E(X) V (a + bX) = b 2 V (X)
33

Caso 06: Vendedor de Seguros de Vida

Un vendedor de Seguros de Vida gana S/. 500.00 por cada venta y pierde S/. 200.00, si no la realiza. Hoy visitará a tres
clientes y su inquietud consiste en saber cuáles son las posibles pérdidas o ganancias.
El espacio muestral que genera el experimento, considere G (Ganancia) y P (pérdida)
Se pide:
1. Especificar en que consiste el experimento en este caso.
2. Determine el número de elementos del espacio muestral.
3. Determine el rango de X. Para este caso.
4. Determine la función de probabilidad para este caso.
5. Encontrar la esperanza matemática de ganancia o pérdida.
SOLUCION.
1. Especificar en que consiste el experimento en este caso.
El Experimento consiste en vender o No vender Seguros de Vida
2. Determine el número de elementos del espacio muestral, es: 23 = 8
 = (GGG), (GGP), (GPG), (PGG), (PPG), (PGP), (GPP), (PPP)
3. Determine el rango de X. Para este caso.
34
17
Caso 06: Vendedor de Seguros de Vida
A cada punto muestral, le corresponde un valor numérico que es la ganancia o pérdida del Vendedor de Seguros, en cada caso, esto es:
 Rx P(x)
 G, G, G   500  500  500 1500 
   800 
 G, G, P   500  500  200 
 
  G , P, G   500  200  500   800  1/ 8 
     
  P, G , G   200  500  500   800  3/ 8
   Rx     P ( x )     P ( x )  1
  P, P, G   200  200  500   100  3/ 8
  P, G , P   200  500  200   100  1/ 8 
   
  G , P, P   500  200  200   100 
  P, P, P   200   200  600 
 200  
 R x =  1,500.00, 800.00, 100.00, - 600 

4. Determine la función de probabilidad para este caso.
P(x) = f(x)=  (1,500, 1 / 8), (800, 3 / 8), (100, 3 / 8), (- 600, 1 / 8) 
5. Encontrar la esperanza matemática de ganancia o pérdida.
E(x) =  x. P(x) = ( 1500 x 1/8) + ( 800x 3/8) + (100x3/8) + (-600x1/8) = S/. 450.00
E(x) = S/. 450.00 El vendedor de seguros puede esperar una ganancia de S/. 450.00 en promedio.
σx2 = Σ((X – μ)2 P(X)) = [(1500-450)2.1/8) + ((800-450)2.3/8) + ((100-450)2.3/8) + ((-600-450)2.1/8) = S/. 367,500.00
σx = S/. 606.22 35

Caso 08: Extraer una Ficha de una Urna
Sea un experimento aleatorio que consiste en extraer una ficha de una urna que contiene 6 fichas enumeradas del uno al seis.
Si X es una variable aleatoria que indica el Nro. De divisores de la ficha extraída. Hallar el rango de la variable
SOLUCION.
1. ξ2 = Es saber exactamente el Nro. De divisores.
2. El espacio muestral es  = 1, 2, 3, 4, 5, 6
3. X (w) = Nro. De divisores de las fichas extraídas (Nro. De posibles divisiones ejemplo 2/1 = 2 y 2/2 = 1 existe dos formas de operaciones.
FUNCION DE
ESPACIO DOMINIO - RANGO CUANTIA El Rango de X es Rx = 1, 2, 3, 4
MUESTRAL Ω Rx F(X) =P(X) la función de cuantía es
W1 = 1 F (x) = (1,1/6), (2,3/6), (3,1/6), (4, 1/6)
W2 = 2 1 1/6  0 si X  1
W3 = 3 2 3/6 1/ 6 si 1  X  2
W4 = 4 3 1/6 
W5 = 5 F ( x)  4 / 6 si 2  X  3
4 1/6 5 / 6
W6 = 6 si 3  X  4
= 1.0 
 1 si X  4
36
18
EXPERIMENTO - ESPACIO MUESTRAL: CASO 18: NUMERO DE HIJOS VARONES EN LA FAMILIA
De cinco familias F1, F2, F3, F4, F5, que tienen tres hijos cada uno, se cuenta con la siguiente información:
FAMILIA Nro. Varones Nro. Mujeres.
F1 2 1
F2 3 0
F3 0 3
F4 1 2
F5 2 1
Al elegir, al azar dos de esas familias y definir como variable aleatoria X el número total de hijos varones, determinar:
SE PIDE:
1. Especificar en que consiste el experimento
3. Determine el Rango de X.
4. Determine la función de probabilidad.
5. Encuentre la esperanza matemática y su varianza
37
EXPERIMENTO - ESPACIO MUESTRAL: CASO 18: NUMERO DE HIJOS VARONES EN LA FAMILIA

Familias N° Varones N° Mujeres 0.35
n=5 F1 2 1 0.30
0.30
n! X=2 F2 3 0
Cx   10
Probabilidad
n 0.25
F3 0 3 0.20 0.20 0.20
x !(n  x)! 0.20
f ( x)  P ( x)
F4 1 2
0.15
 Rx F5 2 1
0.10
0.10
F1 F2 2+3 5 Dominio Función de Valor V 0.05
F1 F3 2+ 0 2 O Cuantía Esperado Varianza = 0.00

1 2 3 4 5
F1 F4 2+ 1 3 Rango F (X) =P (X) Rx . P (X) (Rx -µ)² . P (X)
Rango = Rx
F1 F5 2+2 4 1 1 / 10 = 0.10 0.10 0.484
F2 F3 3+0 3 2 2 / 10 = 0.20 0.40 0.288
F2 F4 3+1 4
3 3 / 10 = 0.30 0.90 0.012
F2 F5 3+2 5
4 2 / 10 = 0.20 0.80 0.128
F3 F4 0+1 1
5 2 / 10 = 0.20 1.00 0.648
F3 F5 0+2 2
P (x) = 1-00 E (x) = 3.20 E (x) = 1.56
F4 F5 1+2 3
Sx = 1.25
Rx = {1, 2, 3, 4, 5}
F (X) = {(1,1/10),(2,2/10),(3,3/10),(4,2/10),(5,2/10)} 38
19
EXPERIMENTO - ESPACIO MUESTRAL: CASO 18: NUMERO DE HIJAS MUJERES EN LA FAMILIA
De cinco familias F1, F2, F3, F4, F5, que tienen tres hijos cada uno, se cuenta con la
siguiente información:
FAMILIA Nro. Varones Nro. Mujeres.
F1 2 1
F2 3 0
F3 0 3
F4 1 2
F5 2 1
Al elegir, al azar dos de esas familias y definir como variable aleatoria X el número total
de hijos mujeres, determinar:
SE PIDE:
1. Especificar en que consiste el experimento
3. Determine el Rango de X.
4. Determine la función de probabilidad.
5. Encuentre la esperanza matemática y varianza
39
EXPERIMENTO - ESPACIO MUESTRAL: CASO 18: NUMERO DE HIJAS MUJERES EN LA FAMILIA Garafico N° 01
Familias N° Varones N° Mujeres
Variable Aleatoria Discreta
F1 2 1
n! n=5
Cx n   X=2
F2 3 0
x !(n  x)! F3 0 3 0.35 0.30
Probabilida P (X = x)

10
f ( x)  P ( x)
F4 1 2 0.30
Rx F5 2 1 0.25 0.20 0.20 0.20
0.20
F1 F2 1+0 1 Dominio Función de Valor Varianza =
0.15 0.10
F1 F3 1+3 4 O Cuantía Esperado (Rx -µ)² . P (X) 0.10
F1 F4 1+ 2 3 Rango F (X) =P (X) Rx . P (X) 0.05
0.00
F1 F5 1+ 1 2 2 / 10 = 0.20 0.20 0.648
1 1 2 3 4 5
F2 F3 0+ 3 3
2 / 10 = 0.20 0.40 0.128 Rango X = Rx
2
F2 F4 0+ 2 2
3 / 10 = 0.30 0.90 0.012
F2 F5 0+ 1 1
3
2 / 10 = 0.20 0.80 0.288
F3 F4 3+ 2 5 4
1 / 10 = 0.10 0.50 0.484
F3 F5 3+ 1 4 5
P (x) = 1-00 E (x) = 2.80 E (x) = 1.56
F4 F5 2+ 1 3
Sx = 1.25
Rx = {1, 2, 3, 4, 5}
F (X) = {(1,2/10),(2,2/10),(3,3/10),(4,2/10),(5,1/10)} 40
20

Caso 09: Solicitud de Empleo Bancario
A seis Secretarias  S1, S2, S3, S4, S5, S6  que se presentaron a solicitar empleo en una Oficina Bancaria, se les practicó una
prueba de aptitudes con escala de calificaciones 13, 15, y 18; obteniendo los resultados siguientes:
- SECRETARIAS CALIFICACION
S1 S5 18
S3 15
S2 S4 S6 13
Se seleccionaron tres exámenes al azar y se define la variable aleatoria x, como la suma de los resultados.
Se pide:
1. ¿Es X una variable aleatoria Discreta?.
2. Si su respuesta es afirmativa o negativa, señale el porqué de su afirmación.
3. Determine el Nro. De elementos del espacio muestral
Cx 
n n!

6!
 20  = (S1,S2,S3), (S1,S2,S4), (S1,S2,S5), (S1,S2,S6), (S1,S3,S4),
x!(n  x)! 3!(6  3)! (S1,S3,S5), (S1,S3,S6), (S1,S4,S5), (S1,S4,S6), (S1,S5,S6),
(S2,S3,S4), (S2,S3,S5), (S2,S3,S6), (S2,S4,S5), (S2,S4,S6),
(S2,S5,S6), (S3,S4,S5), (S3,S4 S6), (S3.S5.S6), (S4,S5,S6) 
41

SOLUCION:
1. Si -.- por que su rango es un conjunto discreto de números reales
finitos, como lo probaremos más adelante.
2. Señale el número de elementos del dominio o rango de la función.
R x = {39, 41, 44, 46, 49, 51}

El promedio de las secretarias
Es de 45 puntos
La función de probabilidad de la variable aleatoria X.

F (x) = P (x) = (39,1/20), (41,3/20), (44,6/20), (46,6/20), (49,3/20), (51,1/20)
42
21
La Función de Distribución Acumulada y su representación gráfica
Rx = 39 41 44 46 49 51
P (x) = 1/20 3/20 6/20 6/20 3/20 1/20

1.00
 0 si X  39 0.90 Variable Aleatoria Discreta

 1/ 20  0.05 si 39  X  41
F(39) = P (X = 39) = 1/20 = 0.05
 0.80
F. Probabilidad P (X = x)
F(41) = P (X = 41) = 3/20 = 0.15 0.30
 4 / 20  0.20 si 41  X  44 F(44) = P (X = 44) = 6/20 = 0.30 0.70
0.25
0.20

p (X) = P (X = x)
F ( x)  10 / 20  0.50 si 44  X  46 F(46) = P (X = 46) = 6/20 = 0.30
0.60
0.15
0.10
16 / 20  0.80 si 46  X  49 F(49) = P (X = 49) = 3/20 = 0.15 0.05
 F(51) = P (X = 51) = 1/20 = 0.05 0.50 0.00
19 / 20  0.95 si 49  X  51
 0.40
20 / 20  1.00 X  51
0.30
0.20 Rango de X = Rx
0.10
0.00
0 10 20 30 40 50 60
Rango de X = Rx
43

P. acumulada
Resultado Función de probabilidad (Función de distribución)
Rx
¿Cómo simular con el ordenador la distribución de probabilidad
de las ruletas? 0 0.25 0.25
1 0.50 0.75
2 0.125 0.875
3 0.125 1.00
Condición Resultado
0 ≤ g < 0.25 0
0.25 ≤ g < 0.75 1
0.75 ≤ g < 0.875 2
0.875 ≤ g < 1 3
44
22
Caso 10: Venta de Inmuebles o Casas

El número de casas que Diego Torres Rodríguez vendió mensualmente varió de 4 a 24 junto con la frecuencia de cada nivel de ventas que aparece en las
dos primeras columnas de la tabla que se muestra a continuación.
El señor Torres espera que estas cifras reflejen un incremento en el número de ventas, por encima de 8.5 que vendió en meses anteriores, y una reducción en
la variabilidad de las ventas mensuales que habían sido σ = 5.6 De lo contrario, él ha decidido vender el negocio y convertirse en un vendedor de autos de
moda. ¿Qué consejo puede ofrecerle al Sr. Torres?
Nro. Meses Casas (x) P (x) (x). P (x) (x – μ)² p (x)

3 4 3 / 24 = 0.125 0.500 (4 – 10.667)² x 0.125 = 5.556
7 9 7 / 24 = 0.292 2.625 (9 – 10.667)² x 0.292 = 0.810
4 10 4 / 24 = 0.167 1.667 (10 – 10.667)² x 0.167 = 0.074
5 12 5 / 24 = 0.208 2.500 (12 – 10.667)² x 0.208 = 0.370
3 15 3 / 24 = 0.125 1.875 (15 – 10.667)² x 0.125 = 2.347
2 18 2 / 24 = 0.083 1.500 (18 – 10.667)² x 0.083 = 4.481
24 Σ = 1.00 μ = 10.667 σ ² = 13.639
SOLUCION
Se debe determinar la probabilidad de cada nivel de ventas.
Por ejemplo, en 3 de los 24 meses, se vendieron 4 casa, esto es: P (X=4) = 3 / 24 = 0.125
El promedio se calcula multiplicando las probabilidades por sus respectivos niveles de venta, es decir: 0.125 x 4 = 0.500;
Σ (x. p (x)) = μ = 10.667 casa por mes
La variabilidad se mide por la varianza que es de 13.639 con un desviación estándar de σ = 3.69 casas
INTERPRETACIÓN
El Señor Torres puede tranquilizarse. Ha incrementado su promedio mensual de ventas de 8.5 a 10.667 casa por mes.
Ha reducido la variabilidad de sus ventas de 5.6 a 3.69 casas; Por lo que le sugerimos que debería quedarse en el negocio de casas. 45
DISRTIBUCIONES DE PROBABILIDAD DISCRETAS

46
23
ESTADÍSTICOS Y SUS DISTRIBUCIONES Distribuciones Continuas
Distribuciones Discretas • Distribución Uniforme •Distribución t
 Distribución Acumulada • Distribución Exponencial •Distribución Chi Cuadra X²
 Distribución Multivariante • Distribución Gamma •Distribución F
 Distribución Discreta Uniforme • Distribución Weibull •Distribución Beta
 Distribución Binomial - Bernoulli • Distribución Normal • Distribución Pearson tipo V
 Distribución Geométrica • Distribución Lognormal • Distribución Pearson tipo VI
 Distribución Poisson • Distribución Log - logística
 Distribución Hipergeométrica Variable aleatoria continua • Distribución Johnson SU
 Distribución Polinomial Función de densidad conjunta • Distribución Triangular
Variable aleatoria discreta 1. f (x, y) ≥ 0
Valor esperado, varianza, covarianza y correlación ∞ ∞
2. . 𝑓 𝑥, 𝑦 𝑑𝑥 𝑑𝑦 = 1
μ = E (x) = Σx x* f (x) −∞ −∞
3. 𝑃 𝑋, 𝑌 ∈ 𝐴 = 𝑓 𝑥, 𝑦 𝑑𝑥𝑑𝑦
V (X) = E (x2) – (E (x ))2 = Σ x2 f (x) - (E (x ))2 Función de densidad marginal ∞
Cov (X, Y) = E (XY) – E (X) E (Y) = Σx Σy xy f (x, y) - E (X) E (Y) Función de densidad marginal de X como: 𝑓𝑌 (𝑌) = 𝑓 𝑥, 𝑦 𝑑𝑥
Función de densidad marginal de Y como: 47
−∞
DISTRIBUCION DE PROBABILIDAD BINOMIAL: MODELO - ENSAYO – PROCESO DE BERNOULLI (1654 – 1705)

DEFINICION. Un proceso de BERNOULLI es una secuencia de n ensayos idénticos de un experimento aleatorio tal que cada ensayo:
Produce uno de dos posibles resultados complementarios que, convencionalmente, reciben el nombre de éxito y fracaso.
Es independiente de cualquier otro ensayo, de modo que la probabilidad de éxito o fracaso es constante de ensayo en ensayo.
ELEMENTOS BASICOS DEL MODELO.
Existen muchos experimentos que tienen sólo dos resultados posibles, llamados éxito “E” y fracaso “F”.
 el espacio muestral es  = E, F Llamaremos éxito al evento de nuestro interés
Ejemplo: Artículos defectuosos
• Un experimento que tiene sólo dos resultados posibles, llamados éxito “E” y fracaso “F”, se llama ensayo o prueba de Bernoulli.
• Ejemplos:
• Si se lanza una moneda se obtendrá sólo dos resultados posibles: C o S
• El aprovechamiento de un estudiante en determinado curso: aprueba o desaprueba.
• El sexo de un niño al nacer: masculino o femenino.
• La preferencia de un elector por un determinado candidato: a favor o en contra.
• Llamaremos éxito al evento de nuestro interés.
• Al evento E se le asigna el número 1 y al evento F el 0.
• P (E) = P (X = 1) =  P(F) = P(X = 0) = 1- 
48
24
CARACTERISTICAS O PARTICULARIDADES DEL MODELO DE BERNOULLI

Se llama un proceso de Bernoulli o experimento binomial si se cumple que:
 Cada ensayo tiene sólo dos resultados posibles E ó F.
 El experimento o los ensayos son independientes. Es decir, el resultado (E ó F) de cualquier ensayo es independiente del
resultado de cualquier otro ensayo.
 La probabilidad de éxito es la misma para todos los experimentos que se realicen, se denota con la letra “P ”.
 La probabilidad de éxito “P” permanece constante de ensayo a ensayo.
 Luego, la probabilidad de fracaso “Q” = 1 – P también es constante.
 El experimento se va a realizar un número determinado de veces.
Si definimos ahora la variable aleatoria X de tal manera que X (w) = Número de éxitos, encontrar en rango o dominio de la función.
• La variable aleatoria binomial, es el número de éxitos obtenidos en los n ensayos de Bernoulli.
Ejemplos:
– El profesor de Economía quisiera conocer la proporción de estudiantes que aprueban el curso.
– El fabricante de cigarrillos desearía conocer la proporción de fumadores que prefieren determinada marca.
– Los políticos quisieran conocer la proporción de electores que están a favor de determinado candidato.
49

• La función de probabilidad de la variable aleatoria binomial:
n!
p ( X  x )  C x . p x .q n  x  . p x .q n  x
n
p ( x )  P ( X  x | n,  )  C xn x (1   ) n  x ; x  0, 1, 2,..., n
x!n  x !
• Esta función nos dará la probabilidad de que ocurran x éxitos en n ensayos de Bernoulli.
• Medidas de resumen:
– La media o valor esperado: E (X) = x = n  = n p = Σ[X .p (X)]
– La varianza: V (X) = σx2 = n  (1 - ) = n. p. q = Σ [X - µ)².p (X)]
– La desviación estándar: σx = [n  (1 - )]½
PROPIEDADES DE LAS FUNCIONES LINEALES DE UNA VARIABLE ALEATORIA
Consideremos, en primer lugar, la función lineal a + bX, donde a y b son números fijos constantes.
Sea X una variable aleatoria que toma el valor x con una probabilidad P(x) y consideremos una nueva variable aleatoria Y, definida
por Y=a+bX
Sea X una variable aleatoria de media µx y varianza σ2x y sean a y b unos números fijos constantes cualesquiera. Definamos la
variable aleatoria Y como a + bX.
Entonces, la media y la varianza de y son:
La media µY = E(a + bX) = a + bµx
La varianza σ2Y = Var(a + bX) = b2 σ2X
Por lo que la desviación estándar de Y es: σY = /b/σx
50
25
ENSAYO O PRUEBA DE BERNOULLI

FUNCION DE
ESPACIO MUESTRAL DOMINIO - RANGO CUANTIA
Ω Rx F(X) =P(X)
W1 = E 1 ½ = 1
W2 = F
0 ½
El Rango de X es Rx = 0, 1
La función de cuantía es F (x) = (1,1/2), (0,1/2)
Es decir, X (F) = 0 “Sí el resultado del ensayo es un F” no sucede
X (E) = 1 “Sí el resultado del ensayo es un E” si sucede
Denotamos por:
p = P (E) y Q = 1 – p = P (F)
Se escribe también como una función.
P(x) = P  X = X  = px (1 – p)n - x, Rx = x = 0 ó 1
51
CASO 11: LOTE DE TELEVISORES “SONY” Espacio Dominio F Valor

Un lote de artículos de televisores Sony contiene artículos Mue stral Rango Función de Cuantía Espe rado Varianza
defectuosos (D), y no defectuosos (N) Se extrae sucesivamente Ω Rx f (x) = P (X = x) Rx. P(X) (Rx - µ)². P(X)
1 2 3 = 2 / 16 4=2x3 5
cuatro artículos. Definimos X como número de artículos w1 = DDDD 4 1 / 16 0.0625 0.25 0.25
defectuosos. La X así definida es una variable aleatoria. w2 = NDDD
Se pide: w3 = DNDD
1. Especificar en que consiste el experimento en este caso. w4 = DDND 3 4 / 16 0.2500 0.75 0.25
2. Determine el número de elementos del espacio muestral. w5 = DDDN
w6 = DDNN
3. Determine el rango de X. Para este caso. w7 = DNDN
4. Determine la función de probabilidad para este caso. w8 = DNND
5. Encontrar la esperanza matemática. w9 = NDND 2 6 / 16 0.3750 0.75 0
w10 = NNDD
SOLUCION: w11 = NDDN
1. Ε1 = Extraer sucesivamente 4 artículos defectuosos de Televisores Sony. w12 = DNNN
2.  =  DDDD, NDDD, DNDD,..... = 24 = 16 elementos o Población w13 = NDNN 1 4 / 16 0.2500 0.25 0.25
3. Rx = {0, 1, 2, 3, 4} gráficamente. w14 = NNDN
w15 = NNND
w16 = NNNN 0 1 / 16 0.0625 0.25
Total 1.0000 2.00 1.00
52
26
CASO 11: LOTE DE TELEVISORES “SONY”

R x = 0, 1, 2, 3, 4 
F (x) =(0,1/16) (1,4/16) (2, 6/16) (3, 4/16) (4, 1/16) 
E (x) =(0 x 1/16) + (1 x 4/16) + (2 x 6/16) + (3 x 4/16) + (4 x 1/16)  = 2
Var (x) =   (X -  )² . P (X)  = 1
Gráfico 01 Distribución de Probabilidad
0.40 0.3750
0.35
Probabilidad (X = x)
0.30
0.2500 0.2500
0.25
0.20
0.15
0.10 0.0625 0.0625
0.05
0.00
Cero Uno Dos Tres Cuatro
Dominio o Rango Rx 53

APLICACIONES CASO 11: LOTE DE TV “SONY”
Si partimos del espacio muestral y determinamos, previamente la probabilidad de éxito y la probabilidad de fracaso de que sea artículos
defectuosos en una extracción. Se extrae sucesivamente cuatro artículos y definimos X (w) = como número de artículos defectuosos.
- Asignamos un valor a la probabilidad de éxito “E” = p = 0.55
- calculamos la probabilidad de fracaso “F” = q = (1 – p) = 0.45 1.00
Solicitamos: Calcular la probabilidad de que exista un artículo defectuoso en el lote, de televisores Sony.
- Si observamos el espacio muestral (), existen cuatro puntos muéstrales.
[(DNNN), (NDNN), (NNDN), (NNND)] = n = 4
- Si consideramos, el 1er. Art. Defectuoso. Se tiene la combinación:
Si aplicamos el principio de multiplicación por ser eventos independientes. Si generalizamos la expresión que corresponde a
p. q. q. q = 0.55 x 0.45 x 0.45 x 0.45 =0.050 4! nuestra variable aleatoria, X (w) = como número de
C14  4
p1 x q 4 -1 = (0.55)1 x (0.45)3 = 0.050 1!(4  1)! artículos defectuosos, podemos escribir:
 la probabilidad de que exista un artículo defectuoso en el lote, es:
(C 41 ) p1 x q 4 -1 = 4 x (0.55)1 x (0.45)3 = 0.20 20 % P(X = 0) = (C40 ) p0 x q 4-0 = 1 x (0.55)0 x (0.45)4 = 0.041
P(X = 1) = (C41 ) p1 x q 4-1 = 4 x (0.55)1 x (0.45)3 = 0.20
n! P(X = 2) = (C42 ) p2 x q 4-2 = 6 x (0.55)2 x (0.45)2 = 0.3675
p ( X  x )  C x n . p x .q n  x  . p x .q n  x
x ! n  x  !
P(X = 3) = (C43 ) p3 x q 4-3 = 4 x (0.55)3 x (0.45)1 = 0.3
P(X = 4) = (C44 ) p4 x q 4-4 = 1 x (0.55)4 x (0.45)0 = 0.0915
 p (X = x ) = 1.0054
27
0.40 0.3675
CARACTERISTICAS DE POSICION 0.35
P (X = x) Probabilidad
0.3000
LA MEDIA ARITMETICA O VALOR ESPERADO. 0.30
E (x) =  X. P (X). 0.25 0.2000
= (0 x 0.041) + (1x 0.20)+ (2 x 0.36754)+ (3 x 0.30)+ (4 x 0.091506) 0.20
= 2.2 0.15
0.0915
E (x) = n p = 4 x 0.55 = 2.2 0.10
0.0410
0.05
0.00
CARACTERISTICAS DE DISPERSION O DE VARIABILIDAD. 0 1 2 3 4
LA VARIANZA Y LA DESVIACION ESTANDAR Rx = Artículos defectuosos
²x =  (X - )² .p (X)
= ((0 – 2.2)² 0.041) + ((1 – 2.2)² 0.20) + ((2 – 2.2)². 0.36754) + ((3 – 2.2)² 0.3)
+ ((4 – 2.2)² 0.091506) = 0.99
Var (x) = n p q = 4 x 0.55 x 0.45 = 0.99

x = 0.995
55

Caso: Precio de las acciones
Se quiere realizar el siguiente experimento: Se observan los precios de una determinada acción por 5 días y se comparan cada uno de ellos con el precio de
la acción del día de hoy. Lo que se registrará es si los precios subieron o bajaron respecto al precio actual (si el precio sube será considerado como suceso).
Se supone que la probabilidad histórica que los precios suban (P = π) es igual a 0.60; que esta probabilidad se mantiene constante y que los movimientos de
los precios son independientes. Bajo estos supuestos, que satisfacen las condiciones exigidas por la distribución binomial, se puede responder a una serie de
preguntas.
¿Cuál es la probabilidad que en ningún día el precio de la acción suba?
Solución:
En términos de la fórmula de la distribución de probabilidad de la distribución binomial, esto significa:
n! 5!
 0.6  1  0.6   0.0102
5 0
p ( X  x )  C x n . p x .q n  x  . p x .q n  x P( X  0) 
0
x ! n  x  ! 0! 5  0 !
Es decir, que la probabilidad que en ningún día el precio de la acción suba respecto al precio actual es igual al 1.02%
De la misma manera se pueden calcular las otras probabilidades, como son que en algunos días (1, 2, 3, 4, 5) los precios suban:
5! 5!
 0.6  1  0.6   0.0768  0.6  1  0.6   0.2592
5 1 5 4
P( X  1)  P( X  4) 
1 4
1! 5  1! 4! 5  4 !

5! 5!
 0.6  1  0.6   0.2304 P( X  5)   0.6  1  0.6   0.0778
5 2 55
P( X  2) 
2 5
2! 5  2 ! 5! 5  5 !
5! El valor esperado de este experimento, es:
 0.6  1  0.6   0.3456
53
P( X  3) 
3
3! 5  3!
E (x) = n p = 5 x 0.60 = 3
Es decir, se espera que, de los 5 precios observados en cada uno de los 5 días, en 3 de ellos
el precio de la acción suba con respecto al precio actual. 56
28
– La varianza: V (X) = σx2 = n  (1 - ) = n. p. q = Σ [X - µ)².p (X)] V(X) = n x P x Q = 5 x 0.60 x 0.40 = 1.20
N° de incremento de los precios Probabilidad Probabilidad acumulada
0 0.0102 0.0102
1 0.0768 0.0870
2 0.2304 0.3174
3 0.3456 0.6630
4 0.2592 0.9222
5 0.0778 1.0000
Con esta tabla se puede responder no solo las preguntas referidas a probabilidades puntuales, sino que también permite contestar otras preguntas.
¿Cuál es la probabilidad que el precio suba en 2 días o menos?
P (x ≤ 2) = P (x = 0) + P (x = 1) + P (x = 2) P (x ≤ 2) = 0.0102 + 0.0768 + 0.2304 = 0.3174 31.74%
Advierta que el mismo resultado puede ser obtenido usando la columna de las probabilidades acumuladas. Para tal efecto, se identifica la columna
correspondiente a 2, la probabilidad acumulada correspondiente a ese número P (x ≤ 2), que en este caso es igual a 0.3174
¿Cuál es la probabilidad que al menos en tres días el precio de la acción suba?
P (x ≥ 3) = P (x = 3) + P (x = 4) + P (x = 5) P (x ≥ 3) = 0.3456 + 0.2592 + 0.0778 = 0.6826 68.26%
Este método de calcular las probabilidades utilizando las probabilidades individuales (probabilidades marginales) es útil cuando el número de
probabilidades a sumar es pequeño. Sin embargo cuando este no sea el caso, se deberá emplear la información obtenida en las probabilidades acumuladas.
57

Para esta pregunta en particular se debe recordar el concepto del complemento. Se conoce que:
P (x ≤ 2) + P (x ≥ 3) = 1 Por tanto: P (x ≥ 3) = 1 – P (x ≤ 2) al reemplazar los valores: P (x ≥ 3) = 1 – 0.3174 = 0.6826
¿Cuál es la probabilidad que el precio suba entre 2 y 4 veces, incluyendo 2 y 4?
P (2 ≤ x ≤ 4) = P (x = 2) + P (x = 3) + P (x = 4) P (2 ≤ x ≤ 4) = 0.2304 + 0.3456 + 0.2592 = 0.8352 83.52%
Al emplear las probabilidades acumuladas:
P (2 ≤ x ≤ 4) = P (x ≤ 4) – P (x ≤ 2) = P (x ≤ 4) – P (x ≤ 1)
La última parte de esta ecuación se da porque la variable aleatoria del presente ejemplo es discreta y el número menor a 2 es 1. Aplicando esa fórmula se
tendrá:
P (2 ≤ x ≤ 4) = P (x ≤ 4) – P (x ≤ 1) = 0.9222 – 0.0870 = 0.8352 83.52%
Para el cálculo de las probabilidades binomiales como las presentadas en esta parte, existen tablas que exhiben exactamente la información presentada en
la tabla 1.
Distribución de Probabilidad Binomial

Probabilidades Acumuladas
Distribución de Probabilidad Binomial
Una vez creada la variable aleatoria X
Crear la probabilidad acumulada para x = 0
Crear la probabilidad para x = 0
Para nuestro ejemplo:
Para nuestro ejemplo:
= DISTR.BINOM.N(A6,5,0.6,VERDADERO)
= DISTR.BINOM.N(A6,5,0.6,FALSO)
Copiar y pegar para todos los valores de x
Copiar y pegar para todos los valores de x 58
29

CASO 02: COSTO TOTAL DE UN PROYECTO: (CÁLCULOS DE LAS FUNCIONES DE VARIABLES ALEATORIAS)
Un contratista está interesado en saber cuál es el costo total de un proyecto para el que pretende presentar una oferta.
Estimar que los materiales costarán 25,000 soles y su trabajo 900 soles por día.
Si el proyecto tarda en realizar X días, el costo laboral total será de 900X soles y el costo total del proyecto (en soles) será:
C = 25,000 + 900X
El contratista estima unas probabilidades subjetivas de la duración probable del proyecto:
Duración X días 10 11 12 13 14
Probabilidad 0.1 0.3 0.3 0.2 0.1
SOLUCION:
a) La media y la varianza de la X pueden hallarse mediante las ecuaciones
  E ( X )   x.P( x)  = [(10)(0.1)] + [(11)(0.3)] + [(12)(0.3)] + [(13)(0.2)] + [(14)(0.1)] = 11.9 días
 2 x  E[( X   )2 ]    x    .P( x)  = [(10-11.9)2(0.1)] + [(11-11.9)2(0.3)] + [(12-11.9)2(0.3)] + [(13-11.9)2(0.2)] + [(14-11.9)2(0.1)] = 1.29 días
2
x
b) La media, la varianza y la desviación típica del costo total, C, se hallan mediante la aplicación de las propiedades de las funciones lineales de una variable
aleatoria.
La media es µC = E(25,000 + 900X) = (25,000 + 900µx) = 25,000 + [(900)(11.9)] = S/. 35,719
La varianza es σ2c = Var (25,000 + 900X) = (900)2σ2c = (810,000)(1.29) = 1,044,900 soles
La desviación típica es = σc = √ σ2c = 1,022.20 Soles
59

CASO 12: LOTE DE POLLOS BBs
Se tiene 96 lotes de 4 pollos hermanos cada lote. A todos ellos se les inoculó (vacunó) un microbio que produce la muerte con un 50% de
probabilidad.
¿Cuántos lotes se espera tengan cero sobrevivientes?
¿Cuántos lotes se espera tengan un sobreviviente?
¿Cuántos lotes se espera tengan dos sobrevivientes?
¿Cuántos lotes se espera tengan tres sobrevivientes?
¿Cuántos lotes se espera tengan cuatro sobrevivientes?
SOLUCION.
1. La probabilidad de que mueran los pollos (todos) P (éxito) ½ Q = ½
Datos: p = 1/2
q = 1/2
x = 0, 1, 2, 3, 4
n= 4
Multiplicar cada resultado por 96 ya que en el Nro. Total de eventos.
2. ¿Cuántos lotes se espera tengan cero sobrevivientes? 3. ¿Cuántos lotes se espera tengan un sobreviviente? 24 lotes con 1 pollos
4! 4. ¿Cuántos lotes se espera tengan dos sobrevivientes? 36 lotes con 2 pollos
f (0)  C 4
 (1/ 2)0 (1/ 2) 4 0  1/16  96    6.Lotes 5. ¿Cuántos lotes se espera tengan tres sobrevivientes? 24 lotes con 3 pollos
0!(4  0)!
0
6. ¿Cuántos lotes se espera tengan cuatro sobrevivientes? 6 lotes con 4 pollos

Seis lotes con cero pollos sobrevivientes.
60
30
CASO 14: DIAS DE LLUVIA EN AREQUIPA

En Arequipa en el mes de febrero, la lluvia cae con un promedio de uno cada cuatro días durante los que el cielo está nublado. Determine la distribución de
probabilidad del número de días con lluvia entre los cuatro próximos días nublados, suponiendo se cumple independencia. Encuentre la media y la varianza
del número de días lluviosos. Presente también la gráfica de la distribución de probabilidad.
SOLUCIÓN:
1. La variable aleatoria X está definida por: X (w) = número de días con lluvia durante los 4 días nublados
1. Rx = {0, 1, 2, 3, 4}
2. El experimento es observar, si llueve o no cada uno de los cuatro días nublados. Obviamente cada experimento tiene sólo dos resultados posibles.
1. E = «Días de lluvia» y F = «Días sin lluvia»
2. P = P(E) = 1/4. q = P (F) = 3 / 4
3. Suponiendo, que llueva o no un día determinado es independiente de que llueva o no los otros días, se tiene que X es un variable aleatoria discreta
binomial cuya distribución de probabilidad, con parámetro n = 4 y probabilidad p = 1 / 4 es:
4. Aplicar su fórmula 4 Días P (X = Lluvia)
0.25 E = Probabilidad
4 N = Días 0.75 F = Fracaso 0.50 0.4219
0.25 E = Probabilidad Rx P (X) 0.40 0.3164
0.75 F = Fracaso
P (X = x)
0 0.3164 4. La media y la varianza de X están dados por: 0.30 0.2109
n! 1 0.4219 μ = E (X) = n. p = 4 (1/ 4) = 1 0.20
p ( X  x )  C x n . p x .q n  x  . p x .q n  x 2
x ! n  x  !
0.0469
0.2109 σ2 = n. p. q = 4 (1 /4) (3 /4) = 3 /4 = 0.75 0.10 0.0039
3 0.0469 σ = 0.87 0.00
Cero Uno Dos Tres Cuatro
4 0.0039
Rango X = Rx
61
CASO 15: Operaciones Financieras por Contrato en el Extranjero

1. En los pasados años recientes, realizar operaciones financieras por contrato en el extranjero se ha hecho más frecuente que
nunca antes en compañías estadounidenses. No obstante, realizar operaciones no está libre de problemas. Un estudio reciente
indica que 20% de las compañías que realizan operaciones por contrato en el extranjero utilizan consultores.
Suponga que al azar se selecciona 15 compañías que realizan operaciones financieras por contrato.
A. ¿Cuál es la probabilidad de que exactamente cinco compañías que realizan operaciones financieras por contrato en el extranjero
usen consultor?
B. ¿Cuál es la probabilidad de que nueve compañías que realizan operaciones por contrato en el extranjero usen consultor?
C. ¿Cuál es la probabilidad de que ninguna de las compañías que realizan operaciones por contrato en el extranjero use un
consultor?
D. ¿Cuál es la probabilidad de que entre cuatro y siete (inclusive) compañías que realizan operaciones por contrato en el extranjero
usen un consultor?
E. Construya una gráfica para esta distribución binomial. En vista de la gráfica y el valor esperado, explique por qué la
probabilidad resulta de haber obtenido las partes (A) a la (D).
62
31

CASO 15: Operaciones Financieras por Contrato en el Extranjero
n!
p ( X  x )  C x n . p x .q n  x  . p x .q n  x
x ! n  x  !
n 15 V. Esperado np = 3.00
P 0.20 D Estándar Raíz (n.p.q) = 1.5492
0.3
Q 0.80
X 0.25 0.2309 0.2501
Cero 0 0.035184 0.2 0.348

0.1876
Uno 1 0.131941 0.15 0.1319
Dos 2 0.230897 0.1 0.1032
Tres 3 0.250139 0.0352
0.05
Cuatro 4 0.187604 0.0430
0
Cinco 5 0.103182 0.0138
Seis 6 0.042993 0.0035
0.0007
Siete 7 0.013819
Ocho 8 0.003455
Nueve 9 0.000672
e. Construida la gráfica, la probabilidad resulta de haber obtenido de las probabilidades de 4 +5+6+7 = 0.348
63

Caso 14: Fábrica de Llantas
Se desea calcular la probabilidad
Binomial de obtener exactamente de 0 a
24 llantas defectuosas, directamente
para una muestra de 25, 50 y 100, si el 8
% de las llantas fabricadas en una
planta en particular están defectuosas
64
32
LA DISTRIBUCIÓN DE PROBABILIDAD POISSON
65
LA DISTRIBUCIÓN DE PROBABILIDAD POISSON: (Simión Denis – Francés 1781 – 1840: Teoría de la Potencia)
• Un proceso Poisson es el acontecimiento de una serie de eventos de un tipo dado, en forma aleatoria, en un tiempo o espacio tal que:
(1) el número de acontecimientos dentro de un tiempo o espacio especificados es igual a cualquier entero entre cero e infinito,
(2) el número de acontecimientos dentro de una unidad de tiempo o espacio es independiente de cualquier otra unidad, y
(3) la probabilidad de acontecimientos es la misma en todas esas unidades.
• Ejemplos:
– Contar el número de vehículos que llegan a una gasolinera durante los siguientes diez minutos.
– Número de llegadas de clientes que solicitan servicio en el banco durante cinco minutos de un día cualquiera.
– Número de errores de tipografía en un libro.
– Número de fugas en un oleoducto.
Tiene dos formas o dos procesos: Proceso de Poisson y Como límite de la Binomial.
DEDUCCION A PARTIR DE UNA PROCESO DE POISSON.
Es decir, existen problemas que hay que observar la ocurrencia de eventos discretos en un intervalo continuo (dentro las unidades de medida).
Ejemplo: Es contar el Nro. De vehículos que llegan a una Estación de Servicio durante un intervalo de tiempo (digamos una hora) de un día determinado;
pueden llegar: 0, 1, 2, ó más vehículos; es decir, podemos contar el Nro. De vehículos que llegan. Pero no tiene sentido contar los que no llegan.
 Es discreto debido a que la hora de llegada es un punto en el tiempo continuo de 1 hora.
 Aquí también, si la variable Aleatoria, X se define por X (w) = Nro. De Vehículos que llegan a la Estación de Servicios en 1 hora; los valores que puede
tomar X es infinito numerable; es decir, R x = 0, 1, 2, ... n
 Los eventos discretos que se generan en un intervalo continuo (unidad de medida: Longitud, Área, Volumen, etc.), forman un proceso de Poisson con
parámetro , si cumple con las siguientes propiedades.
66
33
PROPIEDADES
a. El número de ocurrencias de eventos en una unidad de medida (intervalo de tiempo, una región especificada, volumen, etc.). Es
conocido e igual a .
b. La ocurrencia de un evento en una unidad de medida k no afecta a la ocurrencia, o no-ocurrencia de otra unidad de medida h
contigua. (Es decir, la ocurrencia de los eventos en unidades de medida contiguas son independientes).
c. Sea una unidad de medida suficientemente pequeño de longitud h, luego:
i. La probabilidad de un éxito en esta unidad pequeña es proporcional a la longitud del intervalo, este es  h.
ii. La probabilidad de la ocurrencia de 2 o más éxitos en esta unidad pequeña es aproximadamente 0.
• Por ejemplo:
– Medir la llegada de vehículos a una gasolinera a razón de 2 por minuto y siendo el número total de minutos estudiados de 10,
hace que  = λ t sería igual a 20 vehículos por diez minutos.
– Contar los errores de tipografía en un libro a razón de 1 por cada 5 páginas y siendo el número total de páginas examinadas de
100, entonces  = λt sería igual a 20 errores por 100 páginas.
– La media o valor esperado: E(X) = x =  = λ = np
– La varianza V (X) = σx2 =  = λ
– Desviación estándar σx =  ½
67
En un proceso de Poisson de parámetro  se observa t unidades de medida, definimos X de la siguiente manera:

X (w) = Nro. De ocurrencias de eventos en t unidades de medida
R x = 0, 1, 2, ...
La variable aleatoria así definida se llama VA. de Poisson y la Distribución de probabilidad de X se llama Distribución de Poisson, y
que esta definida por:
La función de probabilidad de la variable aleatoria Poisson
e   x e t  t 
 x
e  t
p( x)  P( X  x |  )    ; x  0, 1, 2,...,
en donde: x! X! X!
• x es el número de acontecimientos por unidad de tiempo o espacio.
•  = λ es el número promedio de dichos acontecimientos dentro de las unidades de tiempo o espacio que son examinadas.
• e = 2.71828...
• La expresión  puede ser vista como  = λt = np = E(x) = σ² , en donde:
• λ es la tasa o razón del proceso de Poisson o el número de acontecimientos del evento en cuestión por unidad de tiempo o
espacio.
• t es el número total de unidades de tiempo o espacio examinado.
68
34
• DEDUCCION A PARTIR DEL LIMITE DE LA D. BINOMIAL
• Para situaciones en que n es muy grande y p es muy pequeña, de tal manera que np permanece casi constante, se puede utilizar la distribución
Poisson para aproximar la distribución Binomial.
• La función de probabilidad de la variable aleatoria Binomial para X éxitos en n ensayos es:
n!
f ( x)  C n x  p x .q n  x x = 0, 1, 2, 3, …n
x!( n  x )!
• En donde sabemos que:
• µ = λ = np  despejamos p = λ / n por consiguiente q = [1 – (λ / n)]
• n es el tamaño de la muestra o número de ensayos.
• p es la probabilidad de éxito.
• x es el número de éxitos en la muestra.
Algunos autores consideran que esta aproximación es apropiada para combinaciones de n ≥ 20 con p ≤ 0.05
Reemplazando en la fórmula de la Distribución Binomial, se tiene: Entonces podemos afirmar que D. Binomial es semejante a la D. de Poisson
n!      
x n x
n!  x .e  
f ( x )  P X  n   C n x    1   f ( x )  p[ X  n]  C n x  p x .q n  x  p[ X  n ] 
x!( n  x )!  n   n  x !( n  x )! X!
REGLAS DE CÁLCULO
-Menos 2 X = P (X = 0) + P (X = 1) = P (X < 2)
-Al menos 2 ó por lo menos 2 = 1 – [P (X = 0) + P (X = 1)] = P (X  2)
-A lo más 2 = [P (X = 0) + P (X = 1) + P (X = 2)] = P (X  2)
-Exactamente 2 = P (X = 2)
-Más de 2 = [P (X = 0) + P (X = 1)] = P (X > 2) 69
CASO 014: DE DESERCIONES EN CURSOS
Un gimnasio o club de aeróbicos, tiene una deserción del 5 % en su programa de entrenamiento Físico Corporal. La próxima semana se abrirá un nuevo
curso para 50 personas.
¿Cuál será la probabilidad de que deserten menos de dos personas?.
SOLUCION.
n!  x .e  
Datos: n = 50 f ( x )  p[ X  n]  C n x  p x .q n  x  p[ X  n ] 
x = 0, 1 x !( n  x )! X!
p = 0.05 éxito
q = 1 – 0.05 = 0.95 fracaso e = 2.71828  =  = n p = 50 (0.05) = 2.5 es el promedio. Nos solicitan menos de dos personas.
DEDUCCION A PARTIR DEL LÍMITE DE LA DISTRIBUCION BINOMIAL

n!
f ( x)  C n x  p x .q n  x x = 0, 1 Datos: n = 50 x = 0, 1 p = 0.05 éxito q = 1 – 0.05 = 0.95 fracaso e = 2.71828
x!( n  x )!  =  = n p = 50 (0.05) = 2.5 es el promedio.
50! 50!
 0.05  0.95  0.05  0.95  0.2024867
50 0 501
f ( X )  p[ X  0]  C 0   0.076944975 f ( X )  p[ X  1]  C 1 
50 0 50 1
0!(50  0)! 1!(50  1)!

 P (X< 2) = 0.0769449 + 0.2024867 = 0.2794316 La probabilidad de deserción de menos dos personas es del 27.94 % 28 %
DEDUCCION A PARTIR DE UNA PROCESO DE POISSON.
(2.5)0 .(2.7182818)2.5  2.5  .  2.7182818
1 2.5
 X .e  
P ( X  x)   P ( X  2)    0.2872974
X! 0! 1!
La P(X < 2) = 0.0820850 + 0.2052125 = 0.2872975 La probabilidad de deserción de menos dos personas es del 28.73 % 28 %
70
35
CASO 16: VENTA DE CERVEZA AREQUIPEÑA

Se ha observado que las cajas de cerveza Arequipeña se toman en los estantes de la feria de Cerro Juli a razón de 10 cajas por hora
durante el periodo de mayor venta. ¿Cuál es la probabilidad que se saque al menos una caja durante los primeros 6 minutos de un
periodo de mayor venta? ¿Cuál es la probabilidad que se tome del estante al menos una caja durante cada uno de 3 intervalos
consecutivos de 6 minutos?
SOLUCIÓN:
1. Puesto que en 1 hora = 60 minutos, se toma un promedio de 10 cajas. Entonces en un periodo de 6 minutos se tomará un
promedio de 1 caja (1 cada 6 minutos, en 60 minutos 10 cajas)
2. Definimos la variable aleatoria X de la siguiente manera:
1. X (w) = número de cajas consumidas en periodos de 6 minutos, α = λt = 1
3. Luego, la distribución de probabilidad de X es:
e   x e  t  e t
1. P [X = x] = e -1 / X!  x t
2. P [X ≥ 1] = 1- ((2.7182818^-1)/1!) = 0.632 p( x)  P( X  x |  )    ; x  0, 1, 2,...,

x! X! X!
4. Podemos considerar 3 variables aleatorias X1, X2, y X3 cada una de ellas definidas como la variable aleatoria X e independientes. Luego, debemos
calcular.
1. P [X1 ≥ 1, X2 ≥ 1, X3 ≥ 1] = p [X1 ≥ 1] p[X2 ≥ 1] p [X3 ≥ 1]
2. P [X1 ≥ 1, X2 ≥ 1, X3 ≥ 1] = (0.632)^3 = 0.25244
71
CASO: PRECIO DE ACCIONES EN BOLSA
Si se observa la variación diaria de los precios de una acción determinada que es negociada en Bolsa. El interés es analizar el número de veces durante
el día en que el precio de la acción es mayor que el precio de apertura del correspondiente día. La tabla presenta lo observado durante 5 días.
Día Veces en que el Precio > Precio apertura Se conoce por el análisis de series pasadas que el promedio de veces por
día en que el precio de la acción es mayor que el precio de apertura es 12,
Lunes 15 es decir, que λ es 12.
Martes 18 Dada esta información, se puede estar interesado en determinar una serie
de probabilidades como las que se muestran a continuación.
Miércoles 9 ¿Cuál es la probabilidad que en ningún día los precios sean mayores a sus
Jueves 12 respectivos precios de apertura?
Usando la fórmula se obtiene:
Viernes 17
e   x e t  t  e t e t  t  e12 12 
 x x 0
p( x)  P( X  x |  )    ; x  0, 1, 2,..., p( x)  P( X  x |  )    0.000
x! X! X! X! 0!
De la misma manera se puede calcular otras probabilidades como las que se presentan a continuación
e t  t  e12 12  e t  t  e12 12 
x 1 x 15
p( x)  P( X  x |  )    0.0001 p( x)  P( X  x |  )    0.0724
X! 1! X! 15!
Se puede estar interesado también en determinar las probabilidades acumuladas, como ser: P (x ≤ 16), P (12 ≤ x ≤ 18), P (x > 14), etc. Para
responder este tipo de preguntas se tendrán que construir las tablas de probabilidades acumuladas como la que se presenta en el Excel.
72
36
Basados en esta tabla, se pueden responder las preguntas planteadas anteriormente:

¿Cuál es la probabilidad que el precio sea mayor al de apertura en 16 días o menos?
P (x ≤ 16) = 0.8987
¿Cuál es la probabilidad que el precio suba entre 12 y 18 veces, incluyendo 12 y 18?
P (12 ≤ x ≤ 18) = P (x ≤ 18) – P (x < 12) = P (x ≤ 18) – P (x ≤ 11) = 0.9626 – 0.4616 = 0.5010
¿Cuál es la probabilidad que el precio suba en 14 veces?
P (x > 14) = 1 – P (x ≤ 14) = 1 – 0.7720 = 0.2280
Se muestra la diferencia del caso anterior con el siguiente caso:
P (x ≥ 14) = 1 – P (x < 14) = 1 – P (x ≤ 13) = 1 – 0.6815 = 0.3185
Como se puede apreciar en este último caso, la probabilidad deseada incluye al valor 14, entonces el complemento no
debe incluir ese número.
Es por eso que al calcular esta probabilidad se utiliza [1 – P (x < 14)]. Como se está trabajando con variables
aleatorias discretas, el valor más próximo a 14 y que sea menor que este es 13. Por lo tanto, como la pregunta incluye
el valor en cuestión, su complemento será [1 – P (x ≤ 13)]
P (X = x)
0.1500
Título del eje

0.1000
Distribución de Probabilidad Poisson
Distribución de Probabilidad Poisson 0.0500
Probabilidades Acumuladas
Una vez creada la variable aleatoria X Una vez creada la variable aleatoria X 0.0000
Crear la probabilidad para x = 0 0 5 10 15 20 25
Crear la probabilidad acumulada para x = 0
Para nuestro ejemplo: Para nuestro ejemplo: Título del eje
= POISSON(A6,12,FALSO) = POISSON(A6,12,VERDADERO)
P (X = x)
Copiar y pegar para todos los valores de x Copiar y pegar para todos los valores de x 73
DISTRIBUCION DE PROBABILIDAD GEOMETRICA

74
37
DISTRIBUCION DE PROBABILIDAD GEOMÉTRICA

- Está relacionada con el proceso Binomial o de Bernoulli.
- Excepto que el número de ensayos no es fijo.
 Consideramos una sucesión de ensayos de Bernoulli.
Si definimos la Variable Aleatoria Discreta X de la siguiente manera:
X (w) = Nro. De ensayos requeridos hasta obtener el primer éxito.
 Rx = 1, 2, 3,..., luego el espacio muestral tiene la siguiente forma:
 =  E, FE, FFE, FFFE, FFFFE, FFFFFE,...
A todo esto se llama V. A. D. Geométrica, y la Distribución de Probabilidad de esta V. A. D. se llama Distribución
Geométrica.
 p (1) = P (X = 1) = P (E) = p
P (2) = P (X = 2) = P (F E) = p. q
P (3) = P (X = 3) = P (F F E) = p. q²  
LA FUNCION DE DENSIDAD GEOMETRICA ES: P ( X  x )  p FFF ...FE  p.q x 1
Ó p (x) = P (X = xi) = p .q x-1 para todo x = 1, 2, 3,... n.    
( X 1) F 
Bajo las condiciones siguientes: P (X)  0
 p. q x-1 = 1
VALOR ESPERADO
E (x) = 1 / P la var. (x) = q / p2
75

DEFINICION Si una variable aleatoria discreta X, definida en un espacio de probabilidad (, A, p (A)) representa el número de repeticiones necesarias
de un experimento de Bernoulli para obtener el primer éxito, entones tiene por función ó p (x) = P (X = xi) = p. q x-1 para todo x = 1, 2, 3,... n.
Notemos que para que exista el primer éxito, es necesario que anteriormente haya X – 1 fracaso.
PROPIEDADES.
1. La Distribución Geométrica es decreciente, es decir: p (x)  p (x-1), x= 2, 3
2. Una interesante y útil propiedad de la D. G. es que no tiene memoria, esto es:
P [X  x + r / X  r] = P [X  x ]
CASO 16: POSIBILIDAD DE TENER HIJOS VARONES
Una pareja de recién casados se preguntó en una ocasión, ¿Cuál será la probabilidad de que nuestro primer hijo sea varón? y si no lo
fuera el primero, ¿Qué probabilidad habría de que el segundo hijo si lo fuera?.
1. ¿Cuál es la probabilidad de que nuestro primer hijo sea varón ?
- La probabilidad de nacimiento de varón o mujer son iguales; es decir p = q = 0.5 ó 1/2
- Si el primer hijo es varón (éxito) se cumple con la probabilidad p = 1/ 2
- Si el primer hijo es mujer (fracaso) se cumple con la probabilidad q = 1/2 ó q = 1 - p
- Entonces: P (X = 1) = 0.50 (0.50) ^1-1 = 0.50 ( 0.50) ^0 = 0.50
2. ¿Cuál es la probabilidad de que nuestro segundo hijo sea varón ?
- Entonces: P (X = 1) = 0.50 (0.50) ^2-1 = 0.50 ( 0.50) ^1 = 0.25
3. ¿Cuál es la probabilidad de que nuestro tercer hijo sea varón ?
- Entonces: P (X = 1) = 0.50 (0.50) ^3-1 = 0.50 ( 0.50) ^2 = 0.125
76
38
CASO 16: POSIBILIDAD DE TENER HIJOS VARONES

P ( X  x )  p.q x 1 Gráfico: D Geométrica
p 0.5 q 0.5
0.50
hijo varón =X P (X = x) 1 E(x) = 1/ p = 2.00
0.45
1 0.50000
2 0.25000 0.40 Var(x) = q / p ² = 2.00
3 0.12500 0.35
S= 1.41
4 0.06250 0.30
P (X = X)
5 0.03125 0.25
6 0.01563 0.20
7 0.00781 0.15
8 0.00391
0.10
9 0.00195
0.05
10 0.00098
0.00
TOTAL 1.00000 1 2 3 4 5 6 7 8 9 10
EXITO = HIJOS VARON
77
CASO: CAMINATA DEL RATON

Se pone un ratoncito en un laberinto. Hay cinco caminos posibles, de los cuales sólo uno lleva fuera del laberinto.
Supongamos que el ratoncito escoge un camino aleatoriamente hasta escoger el camino correcto; supongamos además que un
camino incorrecto no se escoge dos veces. Sea X definido como el número de caminos incorrectos.
SE PIDE:
1. Explique en qué consiste el experimento.
2. Determine los elementos del espacio muestral.
3. Determine el Dominio o Rango de X.
4. Determine la Función de Distribución
5. Determine la esperanza matemática de X
6. Determine la Varianza y desviación estándar.
SOLUCION
X (w) = Número de caminos incorrectos hasta encontrar el correcto
Sea E = “se escoge un camino correcto”
F = “se escoge un camino incorrecto”
Elementos del espacio muestral es  = E, EF, EFF, EFFF, EFFFF
78
39
CASO: CAMINATA DEL RATON

Elementos del espacio muestral es  = E, EF, EFF, EFFF, EFFFF
Rx = 0, 1, 2, 3, 4
p (0) = P X = 0 = P E = 1 / 5
p (1) = P X = 1 = P EF = P F P E / F = 4 / 5 x 1 / 4 = 1 / 5
p (2) = P X = 2 = P EFF = P F P F / F P E / FF = 4 / 5 x ¾ x 1 / 3 = 1 / 5
p (3) = P X = 3 = P EFFF = P F P F / F F / FF P E / FFF = 4/5 x ¾ x 2/3 x 1/2 = 1 / 5
p (4) = P X = 4 = P EFFFF = P F P F / F F / FF F / FFF P E / FFFF =
= 4/5 x ¾ x 2/3 x ½ x 1 = 1 / 5
Determine la Función de Distribución
F (X) = (0,1/5) (1, 1/5) (2, 1/5) (3, 1/5) (4, 1/5)
Determine la esperanza matemática de X
µ = E (X) =  (X. P (X) =
E (x) = (0.1/5) + (1. 1/5) + (2. 1/5) + (3. 1/5) + (4, 1/5) = 2
Determine la Varianza y desviación estándar.
 ² =  (X - µ)². p ( X) =
 ² = ((0 – 2)². 1/5) + ((1 – 2)². 1/5) + ((2 – 2)². 1/5) + ((3 – 2)². 1/5) + ((4 – 2)². 1/5) = 2
 = 1.4142
79
LA DISTRIBUCIÓN DE PROBABILIDAD HIPERGEOMÉTRICA

80
40

- Si consideramos UNA POBLACION FINITA CON N ELEMENTOS
- Si dividimos en dos clases: LLAMAMOS
- La Primera con M elementos ÉXITO A LA PRIMERA
- La Segunda con N – M elementos FRACASO A LA SEGUNDA
La Población está constituida por: M Éxitos y
N – M Fracasos
Ejemplo. Un Lote de producción de N elementos
Se divide en: LLAMAREMOS
Producción Defectuosa con M elementos y EXITO
Producción No defectuosa con N - M elementos FRACASO
Si consideramos el siguiente experimento:
“Extraemos una muestra de tamaño n sin reemplazo de una población finita de N elementos”.
- Cada extracción tiene sólo dos resultados posibles E ó F
- Los resultados de los ensayos son independientes y la probabilidad de éxito P (E) no es constante de ensayo a ensayo.
81

 Se llama “experimento hipergeométrico”.
-Donde la variable X se expresa de la siguiente manera:
-X (w) = Nro. De éxitos en la muestra de tamaño n sin reemplazo
-Rx = {0, 1, 2,... min. (n M)} M   N  M  M! ( N  M )!
La Distribución de Probabilidad de la V. A. se llama Distribución Hipergeométrica.  x  n  x  *
  N  M )  (n  X )]!
p ( x )  h ( x , N , n, M )     
Esta dado por el Modelo Matemático: X !( M X )! ( n X )![(
Donde:  N  N !
-T = M = Nro. De éxitos de la Población ó Nro. De n  n!( N  n)!
 
elementos que cumplen las características deseadas.
-N = N = Nro. De elementos en la Población
 M  M  N  n 
-n = n = Tamaño de la muestra
M 
-X = X = Nro. De éxitos en la muestra x = 0, 1, 2,...n E ( x )  n    np Var ( x )  n   1    
-N – M = Nro. De fracasos en la población N  N   N   N  1 
-P (X = xi) = Se llama función de densidad
CARACTERISTICAS DE LA DISTRIBUCION HIPERGEOMETRICA 0,.................................x..........0 
 
1. Si se considera ahora que p es la probabilidad o la proporción verdadera 
   M   N  M  
de éxitos en la población, entonces la p = M / N.    
 k nk  
2. La proporción real de Fracaso en la población es: q = 1 – p = [N – M / N].
F ( X )     ,0  ...xmin( M , n)
   N
 
 
 n  
 
 1,......................x  ...x..min.( M , n) 
82
41

CASO: CURSO DE CAPACITACIÓN POR BCRP
Si se tiene 30 estudiantes de un CBCRP que tomaron un examen en el que podían aprobar o desaprobar. De los 15 estudiantes 3 desaprobaron. Si se toma
una muestra de 5 exámenes y que se define como suceso el encontrar los exámenes de los alumnos reprobados.
Claramente, en este ejemplo, el muestreo es sin remplazo y el tamaño de la muestra es bastante pequeño como para poder suponer que las probabilidades
de suceso se mantendrán constantes, impidiendo utilizar la distribución binomial. Por lo tanto, se utilizará la distribución hipergeométrica para responder
preguntas como la siguiente.  3!   12! 
M! ( N  M )!
¿Cuál es la probabilidad que ningún examen de la muestra sea de los alumnos reprobados? *  x 
X !( M  X )! (n  X )![( N  M )  (n  X )]!  0! 3  0 !   5!12  5 ! 
En términos de la fórmula de la distribución de probabilidad hipergeométrica: p( x  0)  h( x, N , n, M )    0.2637
N!  15! 
n !( N  n)!  
 5!15  5 ! 
Esto significa, que la probabilidad de no encontrar en la muestra de 5 exámenes ninguno que pertenezca a los alumnos reprobados, es igual al 26.37%
De la misma manera se puede calcular las otras probabilidades, de que 1, 2 o 3 de los exámenes de la muestra sean de los alumnos reprobados:
M! ( N  M )!  3!   12!  M! ( N  M )!  3!   12! 
 x  *  x 
X !( M  X )! (n  X )![( N  M )  (n  X )]!  2! 3  2 !   3!12  3! 
*
X !( M  X )! (n  X )![( N  M )  (n  X )]!  1! 3  1!   4!12  4 !  p( x  2)  h( x, N , n, M )    0.2198
p( x  1)  h( x, N , n, M )    0.4945
N!  15!  N!  15! 
  n !( N  n)!  
  
n !( N  n)!
 5!15  5 !  5! 15  5 !
M! ( N  M )!  3!   12! 
*  x 
X !( M  X )! (n  X )![( N  M )  (n  X )]!  3! 3  3!   2!12  2 ! 
 M  n k  5 x 3
p( x  3)  h( x, N , n, M )    0.0220
N!  15! 
n !( N  n)!   El valor esperado de este experimento es: E ( x)  n     1
 5!15  5 !  N N 15
Es decir, se espera que de estos 5 exámenes seleccionados aleatoriamente se encuentre 1 examen de algún alumno reprobado.
 N k   N n  15  3   15  5 
 2  n.k .  2  .    5 x 3 x 2 x   0.57
 N   N 1   15   15  1  83
LA DISTRIBUCIÓN DE PROBABILIDAD HIPERGEOMÉTRICA Caso: FONDO DE PENSIONES

Se desea saber si las personas que trabajan en una determinada empresa pondrán sus pensiones en una
administradora privada de pensiones. Las únicas respuestas posibles de los empleados son sí (éxito) o no
CASO: CURSO CAPACITACIÓN BCRP Excel
(fracaso). Si el número de trabajadores de la empresa es de 50, de los cuales se seleccionan aleatoriamente y
n= 5
sin reemplazo a 20 empleados. Se supone que históricamente la probabilidad que una persona decida
h= 3
N= 15 enrolarse es igual al 20%.
a. ¿Se puede utilizar la distribución binomial para calcular la probabilidad? Analice el supuesto del
X P (X = x) P (X ≤ x )
modelo binomial asociado con que la probabilidad de suceso en cada tentativa debe ser el mismo.
0 0.2637 0.2637
Asimismo utilice el criterio basado en el tamaño de la muestra (en comparación de la población) que
1 0.4945 0.7582
2 0.2198 0.9780 hace que el supuesto se asuma como satisfecho.
3 0.0220 1.0000 b. ¿Su respuesta cambiaría si el número de empleados de la empresa fuese 500?
c. Bajo el supuesto original (50 empleados que trabajan en la empresa), ¿cuál sería la distribución
Distribución de Probabilidad Hipergeométrica adecuada a utilizar?
Considere que el número de empleados de la empresa es igual a 500 (para que se pueda emplear la
Crear la probabilidad para x = 0
= DISTR.HIPERGEOM.N(A6,n,k,N,FALSO) distribución binomial). Se recuerda que de estos empleados, se toma una muestra (sin reemplazo) de 20, a los
Para nuestro ejemplo: que se les pregunta si desean poner sus pensiones en una administradora privada de pensiones. Un éxito será
= DISTR.HIPERGEOM.N(A6,5,3,15,FALSO) obtener una respuesta afirmativa. Se sabe que históricamente la probabilidad que una persona decida
Copiar y pegar para todos los valores de x enrolarse es igual al 20%.
d. ¿Cuál es la probabilidad que exactamente 5 pongan sus pensiones en la administradora privada de
pensiones?
e. ¿Cuál es la probabilidad que al menos 3 empleados se enrolen en la administradora?
f. ¿Cuál es la probabilidad que no más de 3 empleados se enrolen en la administradora?
g. ¿Cuál es la probabilidad que se enrolen entre 2 y 6 clientes?
h. ¿Cuál es la probabilidad que ningún empleado se enrole en la administradora?
i. En promedio, ¿cuántos empleados se enrolarán en la administradora? ¿Cuál es la varianza? 84
42

CASO 17: BECAS ESCUELAS PARTICULARES
La secretaria del Ministerio de Educación, exige que el 10 % de la inscripción de las escuelas particulares, sea en becas. Para controlar el cumplimiento de
esta disposición, la persona encargada de inspeccionar cada escuela, selecciona únicamente, una muestra aleatoria de 15 alumnos, para comprobarla. Si de
los 15 alumnos encuentran al menos dos (2) que están becados, se considera que la escuela cumplió con la disposición, de no ser así, se procede a una
investigación exhaustiva. ¿Cuál es la probabilidad de que la escuela pase la prueba sin necesidad de una revisión exhaustiva?.
Si consideramos que la población estudiantil de la escuela es de 350 alumnos.
SOLUCION.
1. La probabilidad de que, de 15 alumnos, al menos 2 sean becados es:
P (X  2) = 1 – [P (X = 0) + P (X = 1)] =
2. El espacio muestral tiene (35015) elementos, por lo que P (X =0) = es:
2.1 El numerador esta dado por los casos favorables, está integrado por el producto de dos números, que representan:
2. 2. A) los subconjuntos con ningún alumno becado, del conjunto de los 35 alumnos que deben estar becados (350 x 0.10 = 35), esto es (350)
2. 3 B) Los subconjuntos de 15 alumnos, del conjunto de los 315 alumnos no becados (350 x 0.90 = 315), esto es (3500).
 35  315   35  315 
   
15  1  
 

 P ( X  0)   
0
 0.1989  P ( X  1)   14   0.3470
 350   350 
  
15  15  
 
P (X  2) = 1– [P (X = 0) + P (X = 1)] = 1– [0.1989 + 0.3470] = 0.4541
El 45.41 % de probabilidad de que la escuela no sea intervenida, por que viene cumpliendo la disposición de la S. M. E.
85

CASO 17: BECAS ESCUELAS PARTICULARES
3. Si el Inspector de la S. M. E hubiera requerido, al menos 3 alumnos becados en la muestra de los 15 inspeccionados, determinar cual
es la probabilidad.
 35  315   35  315   35  315 
        
0 15 
 P ( X  0)     P ( X  1)  1 14   P ( X  2)   2 13  
 350   350   350 
     
15  15  15 
35!
x
 350  35 !
0! 35  0  ! 15  0  .!  350  35  15  0   .!
P ( X  0)   ... 
350!
15! 350  15 .!
P (X  3) = 1– [P (X = 0) + P (X = 1) + P (X = 2)] =
86
43

• Experimento hipergeométrico: se extrae una muestra de tamaño n sin reemplazo de una población finita de N elementos, divididos
en dos clases. Una con S elementos (S < N) y la otra con N-S elementos. Llamemos “éxito” a la primera clase y “fracaso” a la
segunda.
• Ejemplo:
– Un lote de producción de N elementos, se divide en defectuosos con S elementos y no defectuosos con N-S elementos.
– Un salón de clase con N estudiantes, de los cuales S son mujeres y N-S son hombres. n
• El resultado de una observación es afectado por los resultados de las
observaciones previas, es decir los resultados de los ensayos no son
N n-x
independientes y la probabilidad de éxito no es constante de ensayo a ensayo.
• La variable aleatoria hipergeométrica es el número de éxitos en la muestra S x
de tamaño n sin reemplazo que se extrae de una población de N elementos éxitos N-S
divididos en dos clases. fracasos
• La función de probabilidad de la variable aleatoria hipergeométrica
C SC N S
p ( x )  P ( X  x | n, N , S )  x Nn  x ; x  0, 1, 2,..., mín( n, S )
Cn
– La media o valor esperado: E (X) = x = n ( S/N )
 S  S   N  n 
– La varianza: V ( X )   X2  n 1   
 N  N   N  1 
87

• Ejemplo:
Entre los 16 camiones de reparto de una embotelladora de gaseosas, 5 tienen frenos gastados. Se seleccionan al azar 8
camiones sin reposición para realizar una inspección. Sea X la variable aleatoria que representa el número de camiones
con los frenos gastados.
a) Encuentre la función de probabilidad de X.
b) ¿Cuál es la probabilidad de seleccionar 4 camiones con los frenos gastados? Sol: 0.1282
c) ¿Cuál es la probabilidad de que esta muestra incluya cuando menos 3 camiones con los frenos gastados? Sol: 0.50
d) En esta muestra ¿cuántos camiones en promedio se espera que tengan los frenos gastados? Sol: 2.5
Un lote contiene 100 piezas de un proveedor de tubería local y 200 unidades de un proveedor de tubería del estado vecino.
Si se seleccionan cuatro piezas al azar y sin reemplazo,
(a) ¿cuál es la probabilidad de que todas sean del proveedor local?
(b) ¿Cuál es la probabilidad de que dos o más piezas de la muestra sean del proveedor local?
(c) ¿Cuál es la probabilidad de que al menos una pieza de la muestra sea del proveedor local?
88
44

Métodos Cuantitativos

Cargado por

Información del documento

Título original

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

Métodos Cuantitativos

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE SAN AGUSTIN

P (X = 25) P (X = 50) P (X = 100) P (X = 25) P (X = 50) P (X = 100)

METODOS CUANTITATIVOS II Contenido Temático Específico

Sesión 1: DISTRIBUCIONES DISCRETAS

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

DATO: Antecedente necesario para llegar al conocimiento exacto de algo o para

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

METODOS CUANTITATIVOS II: VARIABLE ALEATORIA

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

METODOS CUANTITATIVOS II: VARIABLE ALEATORIA

Pueden ser Se representan mediante

CUANTITATIVOS CUALITATIVOS TABLA DE GRÁFICO ESTÁDÍSTICO

LOS CUARTILES, DECILES,

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

Cualitativas o Categóricas Cuantitativas o Numéricas

Nominales Ordinales Discretas Continuas

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

VARIABLE ALETORIA DISCRETA Y SUS DISTRIBUCIONES

VARIABLE ALETORIA DICRETA Y SUS DISTRIBUCIONES

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA

VARIABLE ALETORIA DICRETA Y SUS DISTRIBUCIONES

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

VARIABLE ALETORIA DICRETA Y SUS DISTRIBUCIONES

EXPERIMENTO VARIABLE ALEATORIA VALORES POSIBLES

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA

VARIABLE ALETORIA DICRETA Y SUS DISTRIBUCIONES

Funcionamiento de un banco Tiempo en minuto, entre llegadas de clientes X >= 0

Llenar una lata de bebida Cantidad de onzas 0 <= x <= 12.1

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA

FENOMENO O EXPERIMENTO ALEATORIO (E) “ES LA BASE O INICIO DE LA TEORIA DE LA PROBABILIDAD”

“OPERACIONES ENTRE EVENTO y SUCESOS ALEATORIOS”

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA

“OPERACIONES ENTRE EVENTO y SUCESOS ALEATORIOS”

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

VARIABLE ALETORIA DISCRETA y DISTRIBUCIONES DE PROBABILIDAD

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA

FUNCIÓN DE PROBABILIDAD V. DISCRETA Rango

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

Caso 02: Lanzamiento de una moneda tres veces

SSS SSC SCS CSS CCS CSC SCC CCC

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA

SSS SSC SCS CSS CCS CSC SCC CCC

• Si la variable es aleatoria continua, la distribución recibe el nombre de distribución de probabilidad

UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com

METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA

Distribución de Probabilidad: Electrodomésticos TV

E(X) = R x. P(X) Var(x) = (Rx - µx)2. Px