DISTRIBUCIÓN BINOMIAL

Se presenta cuando un experimento Bernoulli se repite n veces

Un experimento de Bernoulli se presenta cuando se tienen únicamente
2 resultados posibles: a uno se le denomina "éxito " y al otro "fracaso"

FUNCIÓN DE DENSIDAD
x:número de éxitos (valor buscado)
n:No. de veces que se realiza la operación
p: probabilidad de éxito
q: probabilidad de fracaso
q= 1 - p

Problema
De un estudio que se realizó en una determinada comunidad del área metropolitana de
Caracas, se encontró que de cada 400 personas, 300 están alfabetizadas mientras que el resto no
lo está. Si se seleccionan a 10 personas , considerando X como la variable que denote e
total de personas alfabetizadas, obtenga la distribución de probabilidad y grafique
p:proporción de ALFABETIZADAS
p:proporción de ALFABETIZADAS
n= 10
p= 0.75
= 1-p = 0.25

x p(x)
0 0.00000095
1 0.0000286
2 0.0003862
3 0.0030899
4 0.0162220
5 0.0583992
6 0.1459980
7 0.2502823
8 0.2815676
9 0.1877117
10 0.0563135
 1.00000000
¿Cuál es la probabilidad de que al escoger a una persona :
a) Ninguna este alfabetizada? 0.00000095
b)Tres de ellas esten alfabetizadas? 0.0030899
c) Al menos 5 esten alfabetizada? 0.9802723

MEDIA Y DESVIACIÓN ESTÁNDAR

µ= 1.875

σ = 1.37

sesgo
curtosis

2.- Una fábrica produce alfileres con 2.5% de defectuosos. Si se toma una muestra de 15 alfilere
a. Ningún defectuoso.
b. 2 defectuosos
c. 3 o más defectuosos

EJERCICIO 2
2 Un examen consta de 15 preguntas a las que hay que contestar 1 de cinco incisos. Suponiend
a. Tabule la distribución de probabilidad desde 0 hasta 15 preguntas
b. La probabilidad de obtener 5 aciertos
c. Probabilidad de obtener algún acierto
d. Probabilidad de aprobar (obtener al menos 9 aciertos)
e. Probabilidad de obtener entre 9 y 12 aciertos
f. Calcular media
g. Calcular desviación estándar
epite n veces
e tienen únicamente
" y al otro "fracaso"

:número de éxitos (valor buscado)

:No. de veces que se realiza la operación
: probabilidad de éxito
: probabilidad de fracaso

dad del área metropolitana de

n alfabetizadas mientras que el resto no
ndo X como la variable que denote el
ución de probabilidad y grafique
sos. Si se toma una muestra de 15 alfileres, calcular la probabilidad de encontrar:

ue contestar 1 de cinco incisos. Suponiendo que a las personas que se les aplica el examen no saben contesta
a 15 preguntas
MEDIA 𝑥 ̅ = np
VARIANZA 𝜎^2=𝑛𝑝𝑞
𝜎=√𝑛𝑝𝑞
DESVIACION ESTÁNDAR
SESGO Sesgo=(𝑞−𝑝)/𝜎

CURTOSIS k =3+ (1 −6𝑝𝑞)/𝜎^2

men no saben contestar a ninguna de las preguntas y, en consecuencia contestan al azar, hallar:
 DISTRIBUCIÓN HIPERGEOMÉTRICA

La distribución hipergeométrica suele aparecer en procesos muestrales sin reemplazo, en los que se investiga la presenci

esta distribución es la equivalente a la binomial, pero cuando el muestreo se hace sin reemplazo, de forma que la probab
constante a lo largo de las n pruebas, a diferencia de la distribución binomial.

Esta distribución se puede ilustrar del modo siguiente: se tiene una población finita con N elementos, de los cuales r tien
se llama “éxito” (diabetes, obesidad, hábito de fumar, etc.). El número de “éxitos” en una muestra aleatoria de tamaño n
población, es una variable aleatoria con distribución hipergeométrica de parámetros N, R y n.
Cuando el tamaño de la población es grande, los muestreos con y sin reemplazo son equivalentes, por lo que la distribuc

PROBLEMA 1

Se sabe que el 7% de los útiles quirúrgicos en un lote de 100 no cumplen ciertas especificaciones de calidad. Tomada una
azar de 10 unidades sin reemplazo, interesa conocer la probabilidad de que no más de dos sean defectuosas

N 100
n 10
r 7

x p(x)
0 0.4667404
1 0.3889503
2 0.1235489
3 0.0191549
4 0.0015412
5 0.0000630
6 0.0000012
7 0.0000000
8 0.0000000
 9 0.0000000
10 0.0000000
1.0000000

PROBLEMA 2
Un producto industrial se envía en lotes de 20. Es costoso realizar pruebas para determinar si
un artículo es defectuoso y, por tanto, el fabricante muestrea su producción en lugar de usar un
plan de inspección al 100%. Un plan de muestreo, construido para minimizar el número de
piezas defectuosas enviadas a los clientes, exige muestrear cinco artículos de cada lote y rechazar
el lote si se observa más de una pieza defectuosa. (Si el lote es rechazado, cada artículo
del mismo se prueba posteriormente.) Si un lote contiene cuatro piezas defectuosas, ¿cuál es
la probabilidad de que sea rechazado? ¿Cuál es el número esperado de piezas defectuosas en
la muestra de tamaño 5? ¿Cuál es la varianza del número de piezas defectuosas de la muestra
de tamaño 5?

PROBLEMA 3
Se tienen 20 paquetes de polvo blanco, de idéntico aspecto, 15 de ellos contienen cocaína y 5 no la
tienen. Cuatro paquetes se seleccionaron al azar, se probó su contenido y se encontró que contenían
cocaína. Se seleccionaron otros dos paquetes del resto y fueron vendidos por policías secretos a un solo
comprador. ¿Cuál es la probabilidad de que los 6 paquetes escogidos al azar sea tal que los primeros
4 contengan cocaína y los 2 vendidos al comprador no la contengan?
ue se investiga la presencia o ausencia de cierta característica.

o, de forma que la probabilidad de éxito no permanece

entos, de los cuales r tienen una determinada característica que

tra aleatoria de tamaño n, extraída sin reemplazo de la

es, por lo que la distribución hipergeométrica se aproxima en tal caso a la binomial

Parámetros:
N: tamaño de la población, N ≥ 1 entero
r: número de éxitos en la población; 1 ≤ R ≤ N, N entero
n: número de pruebas; 1 ≤ n ≤ N, n entero

MEDIA 𝑥 ̅ = np
VARIANZA

s de calidad. Tomada una muestra al

n defectuosas
N 20
n 5
r 1

0
≤ N, N entero
 DISTRIBUCIÓN POISSON

La distribución de Poisson debe su nombre al matemático francés Simeón Denis Poisson (1781-1840), como una forma límite d
que surge cuando se observa un evento raro después de un número grande de repeticiones

En general, la distribución de Poisson de parámetro  se puede utilizar como una aproximación de la binomial, Bin(n, p), si el n
grande, pero la probabilidad de éxito p es pequeña, siendo  = np; podemos considerar que la aproximación Poisson-binomial
0,05 y “muy buena” si n  100 y p  0,01.
Para valores de  mayores de 20 la distribución de Poisson se aproxima a una distribución normal de media y varianza iguales

SE USA PARA CALCULAR LA PROBABILIDAD DE QUE OCURRA EXACTAMENTE UN NÚMERO x DE EVENTOS,

CUANDO ÉSTOS SE PRESENTAN A RAZÓN DE λ (lambda) EVENTOS POR UNIDAD DE TIEMPO

λ= frecuencia de ocurrencia de los eventos

x= número de éxitos

EJEMPLO
En una carretera pasan en promedio 27 automóviles por hora
A)determine la probabilidad de que circulen entre 17 y 37 autos
λ= 27
x=
17 0.011380581785742
37 0.0124672706988107
B) ¿Cuál es la probabilidad de que durante la próxima hora el número de autos sea de 24? 0.06824544

C) ¿Cuál es la probabilidad de que durante los próximos 30 minutos el número de autos sea de 12?

D) ¿Cuál es la probabilidad de que durante las próxima hora el número de autos más de 2?
suma 0-1

D) ¿Cuál es la probabilidad de que durante las próxima hora el número de autos sea entre 15 y 20?

Problema 2

El número de enfermos que solicitan atención de urgencia en un hospital durante un periodo de 24 horas tiene una media de
pacientes. Se sabe que el servicio se colapsará si el número de enfermos excede de 50. ¿Cuál es la probabilidad de que se cola
servicio de urgencias del hospital? Representar la función de masa de probabilidad
El número de enfermos que solicitan atención de urgencia en un hospital durante un periodo de 24 horas tiene una media de
pacientes. Se sabe que el servicio se colapsará si el número de enfermos excede de 50. ¿Cuál es la probabilidad de que se cola
servicio de urgencias del hospital? Representar la función de masa de probabilidad

λ= 43.2
x= 0.0338525080513948

Problema 3
Ocurren accidentes industriales de acuerdo con un proceso Poisson con un promedio de tres
accidentes por mes. Durante los últimos dos meses ocurrieron diez accidentes. ¿Este número
parece altamente improbable si el número medio de accidentes por mes, m, es todavía igual a
3? ¿Indica un aumento en el número medio de accidentes por mes?
 x
2 6.850883E-10
3 6.165794E-09
), como una forma límite de la distribución binomial
4 4.161911E-08

a binomial, Bin(n, p), si el número de pruebas n es 5 2.247432E-07

imación Poisson-binomial es “buena” si n  20 y p 
6 1.011344E-06
e media y varianza iguales a . 7 3.9009E-06
8 1.316554E-05
9 3.949661E-05
10 0.000106641
11 0.000261755
12 0.000588948
13 0.0012232
14 0.002359029
15 0.004246253
16 0.007165551
17 0.011380582
18 0.017070873
19 0.024258609
20 0.032749122
21 0.042106013
22 0.051675562
23 0.060662616
24 0.068245443
25 0.073705079
26 0.076539889
27 0.076539889
0.550942902
x
0.000588948 15 0.004246253
16 0.007165551
0.550942902 17 0.011380582
18 0.017070873
19 0.024258609
20 0.032749122
0.096870989 0.096870989

horas tiene una media de 43.2

robabilidad de que se colapse el
horas tiene una media de 43.2
robabilidad de que se colapse el

λ= 3
x= 0.00081015