08 Binomial Hipergeometrica Poisson PDF

FACULTAD DE INGENIERÍA Y ARQUITECTURA
Estadística y Probabilidad I
DISTRIBUCIONES DISCRETAS
Docente: Gladys Enríquez Mantilla

Genrique@ulima.edu.pe
glaenriq@gmail.com
DISTRIBUCIONES
DISCRETAS
DISTRIBUCIÓN DISTRIBUCIÓN DISTRIBUCIÓN

BINOMIAL HIPERGEOMÉTRICA POISSON
n x n−x
CMx × CN-M
n-x  x . e−
P(X= x) = C . p .q P( X=x ) = P(X= x) =
x N x!
Cn
A menudo un experimento consiste

en pruebas repetitivas, cada una
con dos resultados posibles, los
cuales se pueden marcar como
éxito y fracaso.
Este proceso se denomina Jacobo Bernoulli (1654-1705)

Proceso de Bernoulli. la distribución que lleva su
Cada ensayo se llama nombre y que es la base de la
distribución Binomial.
experimento de Bernoulli.
DISTRIBUCIÓN DE BERNOULLI
Consiste en realizar un experimento aleatorio una sola vez y

observar si cierto suceso ocurre o no (dos resultados
mutuamente excluyentes y complementarios).
Se trata de una variable DICOTÓMICA
El suceso “ocurre” El suceso “no ocurre”

ÉXITO FRACASO
P(éxito) = p P(fracaso) = 1-p

n= 1 estudiante
ÉXITO: Aprobado 𝒑 = 𝑷 É𝒙𝒊𝒕𝒐
FRACASO: Reprobado 1-𝒑 = 𝑷 𝑭𝒓𝒂𝒄𝒂𝒔𝒐
Aplicaciones
• Esta distribución sirve para modelar fenómenos en donde sólo

existen dos alternativas o posibilidades.
Ejemplo: para modelar una distribución de datos obtenidos a partir

de respuestas (sí o no) en encuestas.
• Se aplica a situaciones en las que un cierto atributo aparece con

probabilidad p (éxito) y la ausencia de este mismo atributo con
probabilidad 1-p (fracaso).
Ejemplo: en un lote de artículos se selecciona uno al azar y se

observa si es defectuoso o no defectuoso.
X  B(n, p)
El número x de éxitos en n experimentos de Bernoulli se

denomina variable aleatoria binomial.
n= 9 estudiantes
𝟔
ÉXITO: Aprobado 𝒑 = 𝑷 É𝒙𝒊𝒕𝒐 = 𝟗 = 𝟎. 𝟔𝟕
𝟑
FRACASO: Reprobado 1-𝒑 = 𝑷 𝑭𝒓𝒂𝒄𝒂𝒔𝒐 = 𝟗 = 𝟎. 𝟑𝟑
DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL
Si realizamos n ensayos o pruebas independientes, es decir, en

idénticas condiciones. La variable X que representa el número de
éxitos observados en las n pruebas tiene distribución de probabilidad
binomial.
Función de Probabilidad o de Cuantía X  B(n, p)
Cnx p x (1 − p)n − x si x : 0, 1, 2, .... , n

f ( x ) = P(X = x) = 
0 en otro lugar
x : Número de éxitos.
x : 0 , 1 , 2 , ... , n
n : Número de ensayos.
p : Probabilidad de éxito.
1-p : Probabilidad de fracaso.
x x
Función de Distribución F( x ) = P(X≤ x ) =  f ( x ) = 
k=0 k=0
( )p
n
k
k
(1-p )n-k
0 si x  0
f (0) 0  x 1

f (0) + f (1) 1 x  2
F( x ) = P(X  x ) = 
f (0) + f (1) + f (2) 2x 3
................ ...........

1 xn
Valor Esperado
Varianza
(Media)
E( x ) =  = np V ( x ) =  2 = np(1 − p)
Características
Un experimento Binomial se caracteriza por ser un experimento

aleatorio que:
❖ Consiste de n pruebas o ensayos idénticos e independientes.
❖ En cada una de las pruebas sólo hay dos resultados posibles
mutuamente excluyentes llamados éxito y fracaso (dicotómico).
❖ La probabilidad de éxito p permanece constante en cada uno de
los diferentes ensayos.
❖ La variable aleatoria X se define como el número de éxitos en los n
ensayos.
La distribución Binomial está asociada al muestreo con reemplazo.

Formas
Si p=0.50
La distribución es simétrica
Si p>0.50
La distribución será asimétrica negativa.
Si p<0.50
La distribución será asimétrica positiva.
El tamaño de la muestra n es el mismo en cada caso.

Aplicaciones
• La distribución Binomial se emplea para describir varios procesos

de interés para los administradores y economistas.
• Dentro de la ingeniería es normal estudiar la proporción de
elementos defectuosos dentro de un proceso industrial; las
mediciones de control de calidad y los esquemas de muestreo se
basan en la distribución binomial.
• En las empresas tenemos muchas situaciones donde se espera
que ocurra o no un evento específico. Éste puede ser de éxito o
de fracaso sin dar paso a un punto medio; en la producción de un
artículo, éste puede salir bueno o defectuoso. Casi bueno no es un
resultado de interés.
• En la administración se aplica para el análisis de costos, ingresos
y también para la toma de decisiones.
Ejemplos
❖ Lanzar una moneda n ó más veces para observar el

número de caras.
❖ Seleccionar n artículos de un lote que contiene un % de
defectuosos para verificar cuántos artículos defectuosos
contiene la muestra.
❖ Determinar en cada uno de n estudiantes si están
aprobados o reprobados.
❖ Verificar si cada uno de n objetos son defectuosos.
❖ Modelar los resultados de inspecciones en una operación
de producción.
❖ Analizar los efectos de una medicina experimental sobre
una determinada cantidad de pacientes.
Hallar la probabilidad
Graph – Probability Distribution Plot…
n = 12
p=0.09
P( X  3 ) = 0.08662 P( X  4 ) = 0.9973 P( 5  X  8 ) = 0.002721 P( X = 2 ) = 0.2082

La probabilidad de que un bit transmitido a través de un canal de transmisión

digital se reciba con error es de 0.1. Suponga además que los ensayos de
transmisión son independientes. Sea X el número de bits con error en los
siguientes 4 bits transmitidos. Determinar la probabilidad de que el número
de bits que lleguen con error sea:
a) Exactamente dos.
X: N° de bits con error. X  B (n, p)
0.1: con error  p =0.1 n=4
P( X = 2 ) = 0.0486
b) Al menos uno.
P( X  1) = 0.3439
c) Uno o tres.
P( X = 1) + P( X = 3 ) = 0.2916 + 0.0036 = 0.2952
d) Entre uno y tres inclusive.
P(1  X  3 ) = 0.3438
e) Más de dos.
P( X  2 ) = P( X  3 ) =0.0037
Una empresa que fabrica polos sabe que el 9% de su producción son

defectuosos. Los polos se empaquetan en cajas de 12 unidades. Calcular la
probabilidad de que la caja contenga:
a) sólo tres polos defectuosos.
X: N° de polos. X  B (n, p)
0.09: defectuosos  0.91: no defectuosos n =12
p=0.09 P( X=3 ) = 0.0686314
b) no más de cinco polos defectuosos.
p=0.09 P( X  5 ) = 0.9997
c) cuatro o nueve polos defectuosos.
p=0.09 P( X = 4 ) + P( X = 9 ) = 0.0152724 + 0.0000001
= 0.0152724
d) al menos tres y como máximo ocho polos no defectuosos.
p=0.91 P( 3  X  8 ) = 0.01799
e) menos de cinco o más de diez polos no defectuosos.
p=0.91 P( X < 5 ) + P( X >10 ) = P( X  4 ) + P( X 11)
= 0.000015274 + 0.7052 = 0.7052
Un estudiante ha estudiado para un examen de forma que tiene

una probabilidad de 0.7 de desarrollar correctamente un
problema. Si para aprobar el examen debe resolver
correctamente al menos la mitad de los problemas, ¿qué tipo de
examen le sería más favorable, uno de 4 problemas o uno de 6?
Solución:
X: N° de problemas resueltos correctamente. X  B (n, p)
p = P(Desarrollar correctamente) = 0.7
Examen de 4 problemas:
P(D) = 0.7 = p n =4
P ( X  2 ) = 0.9163
Examen de 6 problemas:
P(D) = 0.7 = p n =6
P ( X  3 ) = 0.9295  más favorable
En una oficina de servicio al cliente se atienden 100 personas

diarias. Por lo general 10 personas se van sin recibir bien el
servicio. Determinar la probabilidad de que en una encuesta a 15
clientes:
X: N° de personas que reciben el servicio. X  B(15, p)
n=15 10: sin recibir  10/100 = 0.1 reciben: 0.9
a) Tres no hayan recibido un buen servicio.
p=0.10 P(X=3) = 0.1285
b) Al menos doce personas recibieron un buen servicio.
p=0.90 P(X≥12) = 0.9444
c) Más de cinco pero menos de nueve no hayan recibido un buen
servicio.
p=0.10 P(5<X<9) = P(6X8) = 0.002247
b) ¿cuántas personas se espera que reciban bien el servicio?
E(X) = n  p = 15  0.90 = 14
Se sabe que el 17 % de los trabajadores de la empresa NAVI realizan

sus aportes previsionales a la AFP. Se selecciona aleatoriamente a diez
trabajadores de NAVI y se requiere determinar la distribución del número
de trabajadores que aportan a la AFP.
a) Identificar la variable aleatoria en estudio y escribir su respectiva
función de probabilidad.
𝑋: N° de trabajadores que aportan a la AFP 𝑋~𝐵 𝑛, 𝑝
𝑛 = 10 𝑝 = 0.17
P(X = x) = c10x (0.17)x (0.83)10-x
b) Hallar la probabilidad que por lo menos cinco trabajadores realicen sus
aportes a la AFP.
P(X  5) = 0.01680
c) ¿Es homogénea la variable en estudio?
E(X) = n×p = 10 × 0.17 = 1.7
V(X) = n×p  (1- p) = 10 × 0.17  0.83 = 1.411   X =1.1879
1.1879
CVX = ×100 = 69.88% > 20%  No es homogénea
1.7
d) Si el número de trabajadores que realizan sus aportes a la AFP

se incrementa en un 20% más tres trabajadores, ¿es ahora la
distribución del número de trabajadores que realizarían sus
aportes a la AFP, más homogénea que antes?
Y = 1.20 X + 3
Se sabe que:
E(X) = 1.7 V(X) =1.411
Entonces:
𝐸 𝑌 = 1.20 1.7 + 3 = 5.04
𝑉 𝑌 = 1.202 𝑉 𝑋 = 1.202  1.411 = 2.03184
𝜎 𝑌 = 1.4254
1.4254
CVY = ×100 = 28.28% < CVx = 69.88%  Más homogénea
5.04
e) Si se sabe que en la muestra al menos 4 aportan a la AFP. ¿Cuál

es la probabilidad de que hayan aportado menos de 8
trabajadores?
𝑋: N° de trabajadores que aportan a la AFP 𝑋~𝐵 𝑛, 𝑝

𝑛 = 10 𝑝 = 0.17
P(4  X  7) 0.07412
P(X  7 / X  4) = = = 0.999595
P(X  4) 0.07415
En una verbena se debe pagar S/10 para participar en un juego que

consiste en tirar anillos. Se dan 3 anillos a una persona, la cual los lanza
uno por uno hacia una estaca de madera. Se da un premio de S/20 si logra
ensartar un anillo, S/40 si logra ensartar dos anillos y si ensarta los tres el
premio es de S/100. Suponiendo que la probabilidad de ensartar en una
estaca es de 0.10 en cada tirada, ¿cuál es la ganancia esperada si se
juega una vez?
X: N° de estacas que se ensartan. X  Bin(n, p) n=3 p=0.10
P(X = x) = c 3x (0.10)x (0.90)3-x

x P(X=x) Gana
0 0.729 -10
1 0.243 10
2 0.027 30
3 0.001 90
E( X ) = − 10  0.729 + 10  0.243 + 30  0.027 + 90  0.001 = − 3.96

PROPIEDAD ADITIVA
Sean X1  B(n1, p) , X2  B(n2, p) , ….. Xk  B(nk, p)

independientes entre sí.
 Se verifica que: (X1+X2+ ….. Xk)  B(n1+ n2+ … + nk, p)
Es decir:
La distribución Binomial verifica el teorema de adición o es

reproductiva respecto del parámetro n.
Ejemplo
Consideremos el experimento aleatorio consistente en el

lanzamiento de una moneda no cargada. Supongamos que
repetimos dicho lanzamiento tres veces. A su vez, lanzamos dos
veces, y de forma independiente, otra moneda no cargada distinta.
Hallar la probabilidad de obtener al menos dos caras entre el total
de los cinco lanzamientos realizados con ambas monedas.
X: N° de caras obtenidas en tres lanzamientos de la moneda 1
Y: N° de caras obtenidas en dos lanzamientos de la moneda 2
X  B(3, 0.5) Y  B(2, 0.5)
 X+Y  B(5, 0.5)
Por lo tanto: P(X+Y ≥ 2) = 0.8125

X  H(N, M, n)
Población finita (N)
ÉXITOS FRACASOS
M N-M
Considera el caso en el cual una población finita se divide en dos

grupos, uno de los cuales se considera “éxitos” y el otro “fracasos”.
DISTRIBUCIÓN DE PROBABILIDAD HIPERGEOMÉTRICA
Un conjunto de N=15 objetos contiene M=7 objetos clasificados como

éxitos y N-M=8 como fracasos. Se toma una muestra de tamaño n=6,
al azar y (sin reemplazo) de entre los N=15 objetos. La variable
aleatoria X: N° de éxitos en la muestra presenta una distribución de
probabilidad hipergeométrica.
X  H(N, M, n)
Función de Probabilidad o de Cuantía
x : Número de éxitos de la muestra.

M N-M
C × C
x n-x
x : 0 , 1 , 2 , ... , n
p( x ) = P( X=x ) = M : Número de éxitos de la población.
N
Cn N : tamaño de la población.
n : tamaño de la muestra.
R X =0, 1, 2, .....,M
x no puede exceder a M ni a n.
R X =0, 1, 2, .....,n
Función de Distribución
x x
CMx × CN-M
F( x ) = P(X  x ) = f(x) = 
M=0 M=0 CNn
n-x
Valor Esperado
(Media)
Varianza
M  M  M  N - n
E( X ) =  = n V ( X ) =  2 = n   1 − 
N  N  N  N-1
Características
❖ La información de la muestra se toma sin sustitución

de una población finita.
❖ Al realizar un experimento con este tipo de
distribución, se esperan dos tipos de resultados: éxito
y fracaso.
❖ La probabilidad de éxito no permanece constante de
un ensayo a otro; cambia para cada observación.
❖ El resultado de una prueba es dependiente de la
prueba anterior, siempre se verá afectado por el
resultado de observaciones previas.
❖ Es adecuada cuando el tamaño de la población es
pequeña.
Aplicaciones
• Se aplica en muchas áreas, especialmente en las pruebas

electrónicas y el aseguramiento de calidad.
• Tiene mayor aplicación en el control estadístico de calidad y la
aceptación de muestreo.
• Se usa en los sondeos de opinión pública.
• Se aplica cuando se realiza una encuesta para conocer si los
individuos de una población tienen o no intención de votar en las
elecciones.
• Modeliza situaciones en las que se repite un número
determinado de veces una prueba dicotómica de manera que
con cada sucesivo resultado se ve alterada la probabilidad de
obtener en la siguiente prueba uno u otro resultado.
Ejemplo:
En un procedimiento de control de calidad en una empresa

farmacéutica, durante el cual se extraen muestras de las
cápsulas fabricadas y se someten a análisis para determinar
su composición. Durante las pruebas, las cápsulas son
destruidas y no pueden ser devueltas al lote del que
provienen.
En esta situación, la variable que cuenta el número de

cápsulas que no cumplen los criterios de calidad establecidos
sigue una distribución hipergeométrica.
Binomial vs. Hipergeométrica
Ambas describen el número de veces que un evento

ocurre en un número fijo de ensayos.
BINOMIAL HIPERGEOMÉTRICA
X B(n, p) X H(N, M, n)
Los ensayos son Los ensayos son

independientes. dependientes.
(muestreo CON (muestreo SIN
reemplazo) reemplazo)
N=20 M=8 n=5
P(X≥3)=0.2962 P(X≤4)=0.9964 P(2≤X≤4)=0.6899 P(X=2)=0.3973

Un inspector de control de calidad examina una muestra aleatoria de

siete calculadoras, extraídas al azar y sin reposición, de cada caja que
contiene 36 calculadoras que salen de la línea de ensamblaje. Si se sabe
que una caja contiene cinco calculadoras defectuosas, encontrar la
probabilidad de que en la muestra:
a) hayan al menos tres calculadoras defectuosas.
Defectuosas: 5 N=36
No defectuosas: 31 n=7
M= 5  P ( X  3 ) = 0.04044
b) se encuentren más de una pero menos de cinco defectuosas.
M= 5  P (1< X < 5 ) = P ( 2  X  4 ) = 0.2439
c) no más de tres no defectuosas.
M= 31  P ( X  3 ) = 0.002748
d) Sólo dos estén no defectuosas.
M= 31  P ( X = 2 ) = 0.0000557
e) Hayan al menos cinco calculadora en buen estado.
M= 31  P ( X  5 ) = 0.9596
En una fábrica se producen piezas que son almacenadas en lotes de

diferentes tamaños. Suponiendo que los lotes fueran de 3000 piezas y
cada uno contiene 300 piezas defectuosas. Si de un lote se eligen al
azar y sin reemplazo 50 piezas, determinar la probabilidad de que se
obtengan:
a) menos de 5 piezas defectuosas.
N=3000 n=50
300: defectuosas 2700: no defectuosas
X: número de piezas defectuosas elegidas.

X  H (N = 3000, M = 300, n = 50)
P (X < 5) = P (X ≤ 4) = 0.4298
b) como mínimo 45 piezas no defectuosas
X: número de piezas no defectuosas elegidas.
X  H (N = 3000, M = 2700, n = 50)
P(Y ≥ 45) = 0.6163
De una población de 18 turistas extranjeros, la mitad visitan las ruinas

arqueológicas de Chan Chan en la ciudad de Trujillo. Se utilizará
muestras sin reemplazo para entrevistar a 6 turistas extranjeros que
están de regreso a su país de origen.
a) ¿Cuál es la probabilidad de que hayan visitado las ruinas de Chan Chan
por lo menos 2 turistas de dicha muestra?
X: N° de turistas que visitan Chan Chan X~H(N=18; M=9; n=6)
P(X  2) = 0.9344
b) Si se sabe que, en la muestra, no más de 4 han visitado dichas ruinas
arqueológicas. ¿Cuál es la probabilidad de que hayan visitado menos de
3? P(x  2) 0.3100
P(x  3 / x  4) = = = 0.33176
P(x  4) 0.9344
c) Para la muestra estudiada, halle la varianza de la variable número de
turistas extranjeros que visitaron las ruinas arqueológicas de Chan Chan.
 N  N  N − n  9  9  18 − 6
V(X) = n   1 −   = 6   1 −   = 1.059
 
M M  N − 1  
18 18  18 − 1
Un distribuidor mayorista recibe diariamente un lote de 20

refrigeradoras, de las cuales ocho son de color blanco y las restantes
de color plata. Un comerciante minorista le solicita, también
diariamente, seis refrigeradoras. Suponiendo que las refrigeradoras se
seleccionan al azar y sin sustitución:
a) ¿Cuál es la probabilidad de que, en un día cualquiera, el número de
refrigeradoras de color blanco seleccionadas sean más de tres?
N=20 8: color blanco 12: color plata
X: N° de refrigeradoras de color blanco seleccionadas. X → H(20, 8, 6)
P ( X  3) = P ( X  4) = 0.1373
b) ¿Cuál es la probabilidad que, para los siguientes cinco días, como
máximo en dos días, el minorista reciba exactamente tres
refrigeradoras de color plata? Suponer independencia.
X: N° de refrigeradoras de color plata seleccionadas. X → H(20, 12, 6)
P ( X = 3) = 0.3179 Hipergeométrica
Y: N° de días que recibe 3 refrigeradoras color plata.
Y  B(n, p) n=5 p=0.3179
 P (Y  2) = 0.8124
Ejemplo 5
A un almacén de productos industriales llegó un lote de 20 productos

de los cuales 4 son defectuosos. El lote es aceptado si al extraer una
muestra de tamaño 5 se comprueba que, como mucho, hay un
producto defectuoso.
a) ¿Con qué probabilidad se acepta el lote?
X: N° de productos defectuosos X  H(20, 4, 5)
P(X  1) = 0.751290
b) Al poco tiempo llega otro lote de la misma casa con 100
productos, de los cuales 4 son defectuosos. ¿Con qué
probabilidad se aceptará este nuevo lote?
X: N° de productos defectuosos X  H(100, 4, 5)
P(X  1) = 0.988370
Ejemplo 6
Un comerciante tiene 20 unidades de cierto producto, de los cuales

el 30% no están aptos para su venta y el resto sí. Se escogen al
azar y sin reposición 5 unidades. Calcular la probabilidad de que:
a) Como máximo tres unidades no estén aptas para su venta.
X: N° de unidades no aptas para su venta
0.30 × 20 = 6 no aptas  X  H(20, 6, 5)
14 aptas
M=6  P(X  3) = 0.9861
b) Las cinco unidades estén aptas para su venta.
X: N° de unidades aptas para su venta.  X  H(20, 14, 5)
M=14  P(X = 5) = 0.1291
c) Ninguna de las unidades esté apta para su venta.
M=14  P(X = 0) = 0.0003870
Ejemplo 7
En una fábrica se producen piezas que son almacenadas en lotes

de diferentes tamaños.
a) De un lote muy grande que contiene 8% de piezas defectuosas
se seleccionan al azar y de manera independiente 6 piezas,
Hallar la probabilidad que sean elegidas:
a.1) menos de 2 piezas defectuosas.
X: número de piezas defectuosas. X  B (n = 6; p = 0.08)
P (X < 2) = P (X ≤ 1) = 0.9227
a.2) Más de 3 piezas no defectuosas.
Y: número de piezas no defectuosas. Y  B (n = 6; p = 0.92)
P (Y > 3) = P (Y ≥ 4) = 0.9915
b) Suponiendo que los lotes fueran de 3000 piezas y cada uno

contiene 300 piezas defectuosas. Si de un lote se eligen al
azar y sin reemplazo 50 piezas, determinar la probabilidad de
que se obtengan:
b.1) menos de 5 piezas defectuosas.
X: número de piezas defectuosas. X  H (3000, 300, 50)
P (X < 5) = P (X ≤ 4) = 0.4298
b.2) como mínimo 45 piezas no defectuosas
X: número de piezas no defectuosas. X  H (3000, 2700, 50)

P(Y ≥ 45) = 0.6163
X  P()
Esta distribución mide la probabilidad de
un evento aleatorio que ocurre en cierta
unidad de observación relacionada con el
tiempo o con el espacio
El número x de resultados que

ocurren durante un experimento Simeon Poisson
de Poisson se llama variable (1781-1840)
aleatoria de Poisson y su matemático francés creador
distribución de probabilidad se de la distribución de
llama distribución de Poisson. Poisson.
DISTRIBUCIÓN DE PROBABILIDAD POISSON
Una variable aleatoria X tiene una distribución de Poisson cuando el

fenómeno se presenta aleatoria o independientemente en el tiempo o
espacio en el cual sólo interesa la ocurrencia del fenómeno un número
determinado de veces y no interesa la no ocurrencia del fenómeno.
Función de Probabilidad o de Cuantía
 e-  x
 si x : 0 , 1, 2 , ..... X: el número de éxitos
f (x)=P(X= x)=  x! obtenidos por unidad de
 tempo o de espacio.
0 en otro caso
: media o promedio de éxitos
por unidad de tempo, área
𝑒 − 𝑥
∞ ∞ o produto.
 ෍𝑃 𝑋 = 𝑥 = ෍ =1 e=2.7182
𝑥!
𝑥=0 𝑥=0
Función de Distribución
x x
e-   x
F( x ) = P(X  x ) =  f ( x ) = 
k=0 k=0 x!
Valor Esperado IGUALES

Varianza
(Media)
V( x) =  2 = 
E( x ) =  = 
La distribución de Poisson puede Desviación Estándar

compararse a una distribución
binomial en la que n es muy
grande y p muy pequeña.  = 
Características
Un experimento Poisson se caracteriza por ser un experimento

aleatorio que:
❖ Consiste en el conteo del número de veces que ocurre un
evento en un lapso de tiempo o espacio.
❖ El número de eventos que ocurren en una unidad de tiempo
o espacio es independiente del número de eventos que
ocurren en otras unidades.
❖ El promedio de sucesos por unidad de intervalo, se denota
por la letra griega .
La distribución Poisson se utiliza en situaciones donde los

sucesos son impredecibles o de ocurrencia aleatoria; es decir no
se sabe el total de posibles resultados.
Formas de la Distribución Poisson
La forma de la distribución de Poisson es asimétrica a la derecha,

dependiendo del valor de . A medida que  se hace más grande
la distribución tiende a ser simétrica.
Los éxitos
buscados son
expresados por
unidades de
tiempo, área,
pieza, etc.
Aplicaciones
La distribución de Poisson se emplea para describir varios procesos:

• Las llamadas telefónicas que llegan a un conmutador.
• La demanda de servicios en una institución asistencial por parte de
los pacientes.
• Los arribos de los camiones y automóviles a la caseta de cobro.
• El número de fallas de un sistema informático en un día dado.
• La cantidad de personas en la cola de un supermercado para pagar
su compra durante un intervalo de tiempo determinado.
Ciertas distribuciones continuas

Tiene aplicaciones en: importantes utilizadas en teoría
➢ Control de Calidad. de confiabilidad y teoría de
➢ Aseguramiento de calidad. colas dependen del proceso de
➢ Muestreo de aceptación. Poisson.
Ejemplos
❖ Número de accidentes de carretera en un fin de

semana.
❖ Número de defectos por metro cuadrado de una tela.

❖ Número de llamadas telefónicas recibidas en la central por minuto.
❖ Número de visitas a un sitio Web en una hora.
❖ Número de personas que llegan en el lapso de un minuto a la cola de
un banco.
❖ Número de aviones que aterrizan en un aeropuerto por día, por hora
o por minuto.
❖ El número de camiones de reparto que llegan a un almacén central
en una hora.
❖ El número de averías de una máquina en un día dado.
 = 2.5
P(X≥3)=0.4562 P(X≤4)=0.8912 P(2≤X≤4)=0.6039 P(X=2)=0.2565

A una hemeroteca científica van llegando usuarios de manera aleatoria e

independiente en el tiempo. La media del número de usuarios que llegan
en una hora es de 7. Calcular la probabilidad de que lleguen:
a) exactamente 20 usuarios en hora y media. X  P(=7/hora)
7 - 60'
P( X = 20 ) = 0.0030031
 _ 90'   = 10.5
b) menos de 5 usuarios en media hora.
7 - 60'
 _ 30'   = 3.5
P( X < 5 ) = P( X  4 ) = 0.7254
c) al menos 12 usuarios en dos horas.
7 - 60'
P( X  12 ) = 0.7400
 _ 120'   = 14
d) más de 4 pero menos de 9 usuarios en 20 minutos.
7 - 60'
P( 4  X  9 ) = P( 5  X  8 ) = 0.08659
 _ 20'   = 2.33
e) Menos de tres o más de ocho usuarios en 40 minutos.
7 - 60' P( X<3 ) + P( X>8 )= P( X  2 ) + P( X 9 )
 _ 40'   = 4.67 = 0.1553 + 0.04866 = 0.20396
El N° de defectos de los paneles de plástico utilizados en los interiores de

automóviles tiene un promedio de 0.5 defectos por pie cuadrado de panel.
Si el interior de un automóvil contiene 10 pies cuadrados de este material.
a) Hallar la probabilidad de que no haya defectos superficiales en los
interiores de un automóvil.
X  Poisson ( = 0.5 / pie2)
 = 0.5 ×10 =5  P( X =0 ) = 0.0067379
b) ¿Cuál es la probabilidad de que el número de defectos en 6 pies
cuadrados sea menos de cuatro o más de ocho?
P( X  4) + P(X > 8) = P( X  3) + P(X  9)
0.5 - 1pie
 - 6 pies   = 3 = 0.6472 + 0.003803
= 0.651003
c) Si se venden 10 automóviles, ¿cuál es la probabilidad de que, como
máximo, uno de ellos no tenga defectos superficiales?
Y : N° autos vendidos sin defectos superficiales
Y  B (n, p)
 =5  P(X = 0) = 0.0067379
n = 10 p = 0.0067379  P( Y  1) = 0.9980
Si las moléculas de un gas raro se encuentran en promedio de 3

moléculas por pie cúbico de aire y están distribuidas independientemente
al azar en el aire.
a) ¿Cuál es la probabilidad de que no se encuentren moléculas de gas
raro en una muestra de un pie cúbico?
X  P ( =3/ 1 pie3 ) P(X = 0) = 0.0497871
b) ¿Cuál es la probabilidad de encontrar como máximo una molécula de
gas raro en la muestra de un pie cúbico?
 =3 P(X  1) = 0.1991
c) Si se toman tres muestras cada una de un pie cúbico, ¿cuál es la
probabilidad de que se encuentre no más de una molécula de gas en
exactamente dos de las tres muestras?
Y: N° de muestras que tienen como máximo 1 molécula de gas
Y  B(n, p)
 = 3  P(X  1) = 0.1991
n =3 p = 0.1991  P( Y = 2 ) = 0.09524
Ejemplo 4
Un sistema electrónico soporta exactamente dos subidas de tensión, al

producirse la tercera el sistema deja de funcionar. El número de subidas
de tensión en una hora sigue una distribución Poisson de parámetro 3.
X: N° de subidas de tensión. X  P (=3)
a) Se sabe que durante la primera hora de funcionamiento del sistema
ha habido por lo menos una subida de tensión, ¿cuál es la
probabilidad de que el sistema siga funcionando al finalizar esa
primera hora?
P(1  X  2) 0.3734
P( X  2 / X  1) = = = 0.3930
P(X  1) 0.9502
b) Se dispone de tres de estos sistemas, ¿cuál es la probabilidad de que
al menos uno de ellos funcione durante esa hora?
Y: N° de sistemas que funcionan. Y  B (n, p)
n=3 p = P ( X  2) = 0.4232  P( Y  1) = 0.8081
La central telefónica de una empresa recibe 9 llamadas cada dos minutos

durante las 9 am y las 9:30 am siguiendo un proceso de Poisson.
a) Hallar la probabilidad de que entre las 9:00 am y las 9:30 am se reciban
más de 125 pero menos de 140 llamadas.
X: N° de llamadas que recibe la CT X P() = 9 /2 min
9 − 2 min
 − 30 min   = 135  P(126  X  139) = 0.4471
b) Se considera que se tiene una congestión cuando se reciben más de dos
llamadas en un periodo de 30 segundos. Si durante cuatro días se elige un
período de 30 segundos (cada día), entre las 9 am y las 9:30 am., halle la
probabilidad que en menos de dos días se detecte una congestión de
llamadas.
Si X>2 llamadas /30 seg  Congestión
9 − 120 seg
 − 30 seg   = 2.25  P( X  2) = P(X  3) = 0.3907 = p
Y: N° de días en que se detecta una congestión Y  B(n, p)
n=4 p = 0.3907  P(Y  2) = P( Y  1) = 0.4913
Suponga que aviones pequeños llegan a cierto aeropuerto según un proceso

de Poisson, con una tasa promedio de 8 aviones por hora.
a) ¿Cuál es la probabilidad de que por lo menos cinco aviones pequeños
lleguen durante un periodo de una hora?
X: N° de aviones que llegan al aeopuerto X P() = 8 /hora
 = 8  P( X  5 ) = 0.9004
b) ¿Cuál es la probabilidad de que a lo sumo diez aviones pequeños lleguen
durante un periodo de 2 1/2 horas?
8 − 60min
 − 150 min   = 20  P(X  10) = 0.01081
c) ¿Cuáles son el valor esperado y la desviación estándar del número de
aviones pequeños que lleguen durante un periodo de 90 minutos?
E(X)=  V(X)= 
8 − 60min
 − 90 min   = 12  E(X) =  =12
V(X) =  =12   = 12 = 3.4641
PROPIEDAD ADITIVA
Sean X1  P(1) , X2  P(2) , ….. Xk  P(k) independientes

entre sí.
 Se verifica que: (X1+X2+ ….. + Xk)  P( = 1+ 2+ … + k)
La distribución Poisson verifica el teorema de adición o es

reproductiva respecto del parámetro .
Es decir, la suma de variables Poisson independientes resulta en

una nueva variable que también es Poisson.
REFERENCIAS
Blanco, L. (2004). Probabilidad. Universidad Nacional

de Colombia. Bogotá: Colombia.
Chue, J., Barreno, E. (2007). Estadística descriptiva y
probabilidades. Universidad de Lima. Fondo Editorial.
Lima: Perú.
Walpole,R.; Myers, R. y Myers, S. (2012). Probabilidad
y estadística para ingeniería y ciencias. Pearson.
México.
“Seguir cuando crees que no puedes más, es lo que te hace diferente

a los demás”
(Rocky Balboa)

08 Binomial Hipergeometrica Poisson PDF

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

08 Binomial Hipergeometrica Poisson PDF

Cargado por

Copyright:

Formatos disponibles

FACULTAD DE INGENIERÍA Y ARQUITECTURA

Docente: Gladys Enríquez Mantilla

DISTRIBUCIÓN DISTRIBUCIÓN DISTRIBUCIÓN

A menudo un experimento consiste

Este proceso se denomina Jacobo Bernoulli (1654-1705)

Consiste en realizar un experimento aleatorio una sola vez y

Se trata de una variable DICOTÓMICA

El suceso “ocurre” El suceso “no ocurre”

P(éxito) = p P(fracaso) = 1-p

• Esta distribución sirve para modelar fenómenos en donde sólo

Ejemplo: para modelar una distribución de datos obtenidos a partir

• Se aplica a situaciones en las que un cierto atributo aparece con

Ejemplo: en un lote de artículos se selecciona uno al azar y se

El número x de éxitos en n experimentos de Bernoulli se

DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL

Si realizamos n ensayos o pruebas independientes, es decir, en

Función de Probabilidad o de Cuantía X  B(n, p)

Cnx p x (1 − p)n − x si x : 0, 1, 2, .... , n

Un experimento Binomial se caracteriza por ser un experimento

La distribución Binomial está asociada al muestreo con reemplazo.

La distribución será asimétrica negativa.

La distribución será asimétrica positiva.

El tamaño de la muestra n es el mismo en cada caso.

• La distribución Binomial se emplea para describir varios procesos

❖ Lanzar una moneda n ó más veces para observar el

Graph – Probability Distribution Plot…

P( X  3 ) = 0.08662 P( X  4 ) = 0.9973 P( 5  X  8 ) = 0.002721 P( X = 2 ) = 0.2082

La probabilidad de que un bit transmitido a través de un canal de transmisión

Una empresa que fabrica polos sabe que el 9% de su producción son

Un estudiante ha estudiado para un examen de forma que tiene

En una oficina de servicio al cliente se atienden 100 personas

Se sabe que el 17 % de los trabajadores de la empresa NAVI realizan

d) Si el número de trabajadores que realizan sus aportes a la AFP

e) Si se sabe que en la muestra al menos 4 aportan a la AFP. ¿Cuál

𝑋: N° de trabajadores que aportan a la AFP 𝑋~𝐵 𝑛, 𝑝

En una verbena se debe pagar S/10 para participar en un juego que

P(X = x) = c 3x (0.10)x (0.90)3-x

E( X ) = − 10  0.729 + 10  0.243 + 30  0.027 + 90  0.001 = − 3.96

Sean X1  B(n1, p) , X2  B(n2, p) , ….. Xk  B(nk, p)

 Se verifica que: (X1+X2+ ….. Xk)  B(n1+ n2+ … + nk, p)

La distribución Binomial verifica el teorema de adición o es

Consideremos el experimento aleatorio consistente en el

 X+Y  B(5, 0.5)

Por lo tanto: P(X+Y ≥ 2) = 0.8125

Considera el caso en el cual una población finita se divide en dos

DISTRIBUCIÓN DE PROBABILIDAD HIPERGEOMÉTRICA

Un conjunto de N=15 objetos contiene M=7 objetos clasificados como

Función de Probabilidad o de Cuantía

x : Número de éxitos de la muestra.

❖ La información de la muestra se toma sin sustitución

• Se aplica en muchas áreas, especialmente en las pruebas

En un procedimiento de control de calidad en una empresa

En esta situación, la variable que cuenta el número de

Binomial vs. Hipergeométrica

Ambas describen el número de veces que un evento

Los ensayos son Los ensayos son

Graph – Probability Distribution Plot…

N=20 M=8 n=5

P(X≥3)=0.2962 P(X≤4)=0.9964 P(2≤X≤4)=0.6899 P(X=2)=0.3973

Un inspector de control de calidad examina una muestra aleatoria de

En una fábrica se producen piezas que son almacenadas en lotes de

X: número de piezas defectuosas elegidas.

De una población de 18 turistas extranjeros, la mitad visitan las ruinas