Modulo III Objetivo 3 y 4

República bolivariana de Venezuela
Universidad Rómulo gallegos

Área ciencias de la salud
PROGRAMA DE medicina
CATEDRA DE ESTADÍSTICA
Asignatura:
ESTADÍSTICA Y DEMOGRAFÍA
MÓDULO III:
Objetivo del Módulo: Comprender y manejar los conceptos básicos en el estudio de la probabilidad.
Comprender las diferentes distribuciones y pruebas estadísticas adquiriendo destrezas para su manejo
Distribución de Probabilidad-
Pruebas estadísticas
Probabilidad. (Nociones Calculo de la probabilidad Distribuciones de

Variables aleatorias
básicas) en Eventos Probabilidad
Experimento aleatorio Mutuamente Discreta

Definición
y el espacio muestral, excluyente
elementos, eventos
Frecuencia de Binomial
No excluyente
probabilidad
Diagrama de Arbol
Dependientes/ Esperanza Poisson
Condicional matemática
Definir Probabilidad
Independientes Varianza
Clásica/A Priori
Teoremas de Bayes
Frecuencial/ A
posteriori
Axiomática
OBJETIVOS ESPECÍFICOS III
Las variables aleatorias están ligadas a experimentos aleatorios. Y se dice que se ha definido
una variable aleatoria cuando a cada elemento del espacio muestral se le ha asociado un
número.
Si una variable real, X, es una variable aleatoria sus valores dependen del azar.
Por ejemplo, si se lanzan dos dados y X es el número de veces que sale un 6, entonces X es
una variable aleatoria, y toma, al azar, uno de los valores 0, 1 ó 2.
El estudio de las distribuciones de probabilidad es similar al de la variable estadística, el

equivalente de la frecuencia relativa en la variable aleatoria es la probabilidad.
1. Variables aleatorias
Consideremos un experimento aleatorio y sea E el espacio muestral asociado, S = conjunto
de eventos
p = probabilidad asociada a cada evento, a la terna (E, S, p) le llamamos espacio
probabilístico
Definición 1. Llamamos variable aleatoria o variable estocástica, X, a toda aplicación que
asocia a cada elemento del espacio muestral, E, un número real x.
Dicho de manera informal: es el valor numérico que “de alguna manera” se asigna a un
evento.
El conjunto imagen de la aplicación se llama recorrido de la variable. Suele confundirse
variable aleatoria con recorrido.
Ejemplo 1. Si lanzamos tres monedas al aire y X es el número de caras que salen, los valores
que toma X son 0, 1, 2 y 3.
Ejemplo 2. Si de una camada de 6 cachorros se cuenta el nº de hembras que se “obtienen” la

variable aleatoria toma los valores x =0, x=1,....x =6.
Ejemplo 3. Al extraer una bombilla de una población y observar si es o no defectuosa, X

tomaría los valores 1 y 0 según sea o no defectuosa.
En los ejemplos anteriores se habla de variable aleatoria discreta (toma valores discretos)
Ejemplo 4. Si se toma como X la estatura de los soldados de un reemplazo X puede tomar

todos los valores, (dentro de unos límites)
Ejemplo 5. Si se toma como variable la longitud de un tornillo X puede tomar todos los valores
de un intervalo.
En estos casos últimos se hablará de variable aleatoria continua.

En general, se distinguen dos grandes grupos de variables aleatorias:
 Variables aleatorias discretas son aquellas que tan sólo puede tomar un número
discreto (finito o infinito) de valores. Cada uno de estos valores lleva asociada una
probabilidad positiva, mientras que la probabilidad de los restantes valores es 0.
 Variables aleatorias continuas son aquellas que pueden tomar cualquier valor dentro
de un intervalo. En este caso, la probabilidad de obtener un valor concreto es 0, por lo
que las probabilidades se asignan a intervalos de valores. (Se tocaran en el 3er lapso)
2. Función de probabilidad y de distribución

Una función de probabilidad no es más que la asignación a cada valor de la variable de la
probabilidad que le corresponde. Es decir:
Definición 2. La función de probabilidad, f, se define así: f(xi)= P(X=xi)

Ejemplo 6. En el ejemplo de la introducción:
f(0)=P(X =0)=P(no salga ningún 6)=
P(No salga 6, 1er dado)*P(No salga 6, 2do dado)=
f(1)=P(X =1)= P(Salga un 6) =

P(salga un 6, 1er dado y No salga 6, 2do dado)+P(No salga 6, 1er dado y Salga 6, 2do dado)=
f(2)=P(X =2)= P(salga 6 en ambos dados)=
.Observación: Se verifica, al igual que con la probabilidad, que f(0)+f(1)+f(2)= 1

Propiedades
Por ser una probabilidad se verifica:
1) f(xi) >0;
2) la suma de todas las f(xi) es 1, es decir

Definición 3. Sea X una variable aleatoria. Se llama función de distribución, F, a la función

definida por F(x)= P(X x)
En el caso de que X sea una variable discreta se tiene:
( ) ∑ ( )
F está comprendido entre 0 y 1.
Ejemplo 7. En el ejemplo anterior F(1)=P(X 1)= P(no salga ningún seis, o salga un seis)=
P(X=0)+P(X=1)
F(1) = P(X≤1) = P(X=0) + P(X=1) =
3. Media o esperanza de una variable aleatoria

Sea X una variable aleatoria discreta, que toma los valores x1, x2, x3.....xn con función de
probabilidad f.
Definición 4. Se llama media o esperanza (o valor esperado) de X a:

E(X)=x1f(x1)+x2f(x2)+......+xnf(xn)
( ) ∑ ( )
Observación. Es análoga a la definición de la media para una distribución de

frecuencias.
Ejemplo 8. Un jugador lanza un dado corriente. Si sale un número impar gana dicho número
de euros, pero si sale par entonces pierde esa cantidad en euros. Estudiar si el juego es
equitativo.
Solución
Los resultados posibles xi (euros que gana o pierde al lanzar el dado) y sus respectivas
probabilidades son:
xi 1 3 5 -2 -4 -6
f(xi) 1/6 1/6 1/6 1/6 1/6 1/6
Los número negativos indican el hecho de perder cuando sale par.
E(X) =
luego no es equitativo.
Nota. Se dice que un juego de dinero es legal o equitativo si E =0 y desfavorable si E<0
Propiedades. Si X e Y son variables aleatorias, del mismo espacio muestral, y k un número

real, entonces se cumple:
1) E(X +k)=E(X)+k
2) E(kX)= kE(X)
3) E(X +Y)= E(X)+E(Y) (la esperanza de la suma es la suma de las esperanzas)
4. Varianza y desviación estándar (o típica)

Al igual que para las variables estadísticas la esperanza mide, en cierto sentido, el “valor
promedio” de X. El concepto siguiente, el de la varianza, va a medir la dispersión o
distanciamiento de X, respecto de la media.
Definición 5. Sea X una variable discreta que toma los valores, x1, x2, ......xn con función de
probabilidad f. Se llama varianza de X y se designa por var(X) a:
( ) ∑( ( ̅ )) ( ) ∑ ( ) ( ̅) ( ) ( ̅)
Es decir, la media de la variable al cuadrado menos el cuadrado de la media.

La desviación estándar o típica se define como la raíz cuadrada de la varianza.
Ejemplo 9. Consideremos la variable X que asigna la suma de dos números que se muestran
en un par de dados. La distribución de X es:
xi 2 3 4 5 6 7 8 9 10 11 12
f(xi) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
xi f(xi) xif(xi) xi2 xi2f(xi)

2 1/36 2/36 4 4/36
3 2/36 6/36 9 18/36
4 3/36 12/36 16 48/36
5 4/36 20/36 25 100/36
6 5/36 30/36 36 180/36
7 6/36 42/36 49 294/36
8 5/36 40/36 64 320/36
9 4/36 36/36 81 324/36
10 3/36 30/36 100 300/36
11 2/36 22/36 121 242/36
12 1/36 12/36 144 144/36
1 7 1974/36
Recordemos
( ) ∑ ( )
( ) ∑ ( )
Entonces
La Varianza, Var(X) = E(X2)-E(X)2 =
La desviación típica √ ( ) √
Propiedades. Si X es una variable aleatoria y k un número real

1) Var(X +k)=Var(X)
2) Var(kX)=k2Var(X)
Consecuencia: y | |
Observación. Muchas variables aleatorias dan origen a la misma distribución, de ahí que se
hable de la media y desviación típica de una distribución, en vez de una v.a.
5. Normalización o tipificación de una variable aleatoria

Sea X una variable aleatoria con media, la variable aleatoria X* normalizada que corresponde
̅
a X se define por:
Se verifica E(X*)=0 y Var(X*) = 1
A continuación se describen las principales características de las variables aleatorias

discretas y continuas, así como algunas distribuciones teóricas de probabilidad que serán
aplicables a muchas de las variables aleatorias utilizadas en la práctica.
OBJETIVOS ESPECÍFICOS IV.
Distribuciones de Probabilidad Discretas.
Distribución de Probabilidad Binomial
Nociones Preliminares
Notación Factorial
Se utiliza para representar las operaciones de multiplicación secuencial. Su desarrollo
significa el producto ordenado de los números enteros positivos, desde el que indica el signo
factorial, hasta llegar a 1.
Ejemplo 10:
Tres factorial 3! = (3) (2) (1) = 6
Cinco factorial 5! = (5) (4) (3) (2) (1) = 120
..
.
n factorial n! = (n) (n-1)… (3) (2) (1)
Por definición: 0! = 1
1! = 1
Expansión Binomial
Un binomio algebraico es la expresión formada por dos términos unidos por los signos más
o menos y elevados a un exponente.
Ejemplo 11:
(X + Y)2 donde: X = Primer Término del Binomio
Y = Segundo Término del Binomio
2 = Exponente
El desarrollo de un binomio se le conoce con el nombre de Expansión Binomial. Esta

expansión nos implica la distribución del binomio en todas sus formas o partes.
Combinaciones
Es un método que nos permite agrupar un conjunto de elementos en diferentes formas sin
considerar el orden de colocación.
Combinación de x a n: ( ) ( )
Dónde:
n = Total de elementos
x = Cantidad de elementos a combinar
Ejemplo 13.
De un equipo multidisciplinario, formado por 1 economista, 1 sociólogo, 1 antropólogo.
¿Cuántos comités de dos profesionales pueden formarse? n = 3 , x = 2
Luego la cantidad de comités a formarse, serán:
Combinación de 2 a 3
( ) ( )
Respuesta: Se pueden formar 3 comités, que serían:

Primer comité : Economista, Sociólogo
Segundo comité : Sociólogo, Antropólogo
Tercer comité : Economista, Antropólogo
Características de la Distribución Probabilística Binomial

 Los datos recopilados son el resultado de conteos.
 Se agrupa en dos clases o categorías
 Las clases deben ser colectivamente exhaustivas por lo que no es posible obtener
ningún otro resultado.
 Las categorías deben ser mutuamente excluyentes.
Propiedades de la Distribución Probabilística Binomial

 Existen n ensayos.
 Cada ensayo tiene dos posibles resultados, uno llamado éxito y el otro fracaso.
 Las probabilidades de éxito y fracaso se mantienen constantes para todos los ensayos.
 Los resultados de los ensayos son independientes entre sí lo que significa que el
resultado de algún ensayo en particular no es afectado por el resultado de cualquier
otro ensayo.
Parámetros de la Distribución Probabilística Binomial
La distribución binomial tiene dos parámetros y 𝑝. La fórmula binomial indica que la

probabilidad para cualquier número dado de éxitos varía con dos factores: el número de
ensayos , y la probabilidad de éxito en cualquier ensayo 𝑝. Cada combinación diferente de
y 𝑝 produce entonces una distribución de probabilidad binomial diferente, aun cuando se
aplique la misma fórmula para derivar la distribución. Es costumbre referirse a cualquier
distribución de probabilidad binomial específica, como un miembro de la familia de
distribuciones de probabilidad binomiales, quedando entendido que se pueden encontrar otra
familia al hacer variar los valores de 𝑜 𝑝. En el gráfico se puede observar tres formas:
GRÁFICO Nº1.1
DISTRIBUCIONES DE PROBABILIDAD BINOMIALES CON DIFERENTES
VALORES DE
𝒏𝒚𝒑
a. p=0,2; n=2 b. p=0,5; n=2
c. p=0,2; n=5 d. p=0,5; n=5

e. p=0,8; n=5
Distribución Probabilística Binomial
Es una de las distribuciones utilizadas ampliamente en estadística aplicada. La distribución

se deriva de un procedimiento conocido como ensayo de Bernoulli, nombrado así en honor
del matemático suizo James Bernoulli (1654-1785), quien realizó contribuciones importantes
en el campo de la probabilidad, incluyendo particularmente, la distribución binomial.
Ejemplo 14:
EXPERIMENTO ALEATORIO RESULTADOS POSIBLES
1. Lanzamiento de una moneda Cara o sello
2. Nacimiento de un ser humano con respecto al sexo Hombre o mujer
3. Estado de salud de una persona Sano o enfermo
4. Situación ocupacional de una persona Ocupado o desocupado
5. Sistema de calificación de los estudiantes Aprobado o desaprobado
6. Respuestas de un examen Verdadera o falsa
7. Evaluación de medicamentos Caducados o no
8. Control de calidad a un grupo de lotes caducados Defectuoso o
9. Resultados de la revocatoria al Alcalde de Maturín no defectuoso Sí o no
10. Pronóstico de la Temperatura de un Distrito Alta o Baja
Al llevar un cabo un experimento aleatorio, siempre estamos interesados en que suceda

uno de los dos resultados, si el resultado que esperábamos efectivamente sucede, diremos
que hubo ÉXITO. Si el resultado que esperábamos no sucede, entonces diremos que hubo
FRACASO. Estos dos resultados, se designan en términos de probabilidad, como 𝑝 𝑦 1 − 𝑝.
Fórmula de la Distribución Probabilística Binomial
𝒏
( 𝒏 𝒑) ( )𝒑 ( 𝒑)𝒏 𝒏 𝒏
donde:
= Número de ensayos o tamaño de muestra
= Número de éxitos
𝑝 = Probabilidad de éxito en cada ensayo
1 − 𝑝 = Probabilidad de fracaso en cada ensayo
Esta expresión recibe el nombre de Función de Probabilidad de una Distribución Binomial, ya

que cumple con las Leyes de Probabilidad:
1. 𝑝( )
2. ∑ 𝑝( )
Función de Distribución Acumulada de la Binomial
| |
( ) {∑ ( )𝑝 ( 𝑝)
Medidas de Resumen de la Distribución Probabilística Binomial

a. Media aritmética, Valor esperado o Esperanza
matemática E(X)= 𝜇 =np
b. Varianza
² = np(1 − 𝑝)
c. Desviación Estándar
√ 𝑝( 𝑝)
Ejemplo 15: El 65 % de los hogares de una zona urbana hay alguien en casa en una noche
determinada. Un investigador que está haciendo una encuesta por teléfono selecciona al
azar 15 hogares. Hallar las probabilidades siguientes:
a. Exactamente 8 hogares haya alguien en casa
b. Ningún hogar haya alguien en casa
c. Todos los hogares haya alguien en casa
Solución: Tenemos que:
𝑝 = 0,65
1 − 𝑝 = 0,35
= 15
Aplicaremos las Formula ( 𝑝) ( )𝑝 ( 𝑝)
a. B(X=8/15;0,65) ( )( ) ( ) ( ) ( )
( )
( ) ( )
( )
= 0,131923935 ≈ 0,1319
b. B(X=0/15;0,65) = ( )( ) ( ) ( )
= ( ) ( )
= 0,000000145
c. B(X=15/15;0,65) = ( )( ) ( ) ( ) ( )
( )
= ( ) ( )
Ejemplo 16: En pruebas realizadas a amortiguadores para automóviles, se encontró que el

20 % presentaban fuga de aceite. Si se instalan 20 de estos amortiguadores, hallar la
probabilidad de que
a. Exactamente 4 presentaban fuga de aceite
b. Más de 5 presentaban fugas de aceite
c. De 3 a 6 presentaban fuga de aceite
d. Determinar el promedio y la desviación estándar de amortiguadores que
presentaban fuga de aceite
SOLUCIÓN: Tenemos que

𝑝 = 0,2
1 − 𝑝 = 0,8
= 20
a. B(X=4/20;0,2) = ( )( ) ( ) ( ) ( )
( )
= ( ) ( )
= 4845*(0,0016)*(0,028148)
= 0,2182
b. B(X≥5/20;0,2) =B(X=5) + B(X=6) + … + B(X=20)
Sabemos que: B(X=0) + B(X=1) + B(X=2) +…. + B(X=20) = 1

B(X≥5/20; 0, 2) = 1 – B(X=0) + B(X=1) + B(X=2) + B(X=3) + B(X=4)
Entonces
B(X=0/20;0,2) = ( )( ) ( ) ( )
( )
= 0,0115
B(X=1/20;0,2) = ( )( ) ( ) ( ) ( )
( )
= ( ) ( ) ( )
= 0,0576
B(X=2/20;0,2) = ( )( ) ( ) ( ) ( )
( )
= ( ) ( ) ( ) ( )
= 0,1368
B(X=3/20;0,2) = ( )( ) ( ) ( ) ( )
( )
= ( ) ( ) ( ) ( )
= 0,2052
B(X=4/20;0,2) = 0,2182
Luego:
B(X≥5/20; 0, 2) = 1 – (0,0115 + 0,0576 + 0,1368 + 0,2052 + 0,2182)
= 1- 0,6293 = 0,3707
c. B(3≤ X ≤6 / 20;0,2) = B(X=3) + B(X=4) + B(X=5) + B(X=6)
Entonces:
B(X=3/20; 0,2) = 0,2052
B(X=4/20;0,2) = 0,2182
B(X=5/20;0,2) = ( )( ) ( ) ( ) ( )
( )
= ( ) ( )
( )
= 0,1746
B(X=6/20;0,2) = ( )( ) ( ) ( ) ( )
( )
= ( ) ( )
( )
= 0,1091
Luego:
B (3≤ X ≤6 / 20; 0,2) = 0,2052 + 0,2182 + 0,1746 + 0,1091

= 0,7041
d. Promedio
E(X) = n*p = 20*0,2 = 4
Desviación estándar
√ 𝑝 ( 𝑝) √( ) ( ) ( ) √
Aproximación de la Distribución Binomial
a. Aproximación de la Distribución Binomial por la Distribución Poisson Si X ~ Binomial (n, p) Si

n > 20 y p < 0.05
Entonces X ≈ Poisson (𝜆 = np) => ( 𝜆)
Ejemplo 17: En un banco, la probabilidad de recibir un cheque sin fondos es del 4% si

durante un día se reciben 100 cheques ¿Cuál es la probabilidad de encontrar más de cinco
cheques?
SOLUCIÓN
X ∼ Binomial(n=100, p=0,04) y como n> 20 y p<0,05
entonces X ≈ Poisson(𝜆 = 4)
P(X>5) = 1 – P(X≤5)
Entonces:
( )
( )
( )
( )
( )
( )
Luego:
P(X>5) = 1 - (0,0183 + 0,0733 + 0,1465 + 0,1954 + 0,1954 + 0,1563)
= 1 – 0,7852
= 0,2148
b. Aproximación de la Distribución Binomial por la Distribución Normal

Moivre demostró que bajo determinadas condiciones para n grande y tanto p y 1 –p no

estén próximos a cero, la distribución binomial se puede aproximar mediante una
distribución normal. Debemos tener en cuenta que cuanto mayor sea el valor de n, y cuanto
más próximo sea p a 0.5 tanto mejor será la aproximación realizada. Es decir, basta con que
se verifique np > 5 y np (1 –p) > 5
El teorema de Moivre lo podemos resumir:
Si X es B(n,p)  Y es ( 𝑝 √ 𝑝( 𝑝))
Entonces
√ ( )
Hay que tener en cuenta que para realizar esta transformación de una variable discreta en
una variable continua es necesario hacer una corrección de continuidad.
Para aplicar la corrección de continuidad correspondiente se tiene en

cuenta: P(X=a) =P (a−0.5≤X≤a+0.5)
P(X<a) = P(X≤ a−0.5) P(X≤a) = P(X≤a+0.5)
P (a≤ X≤b) = P (a−0.5≤X≤b+0.5)
P (a< <b) = P (a+0.5≤ X≤ 𝑏 −0.5)
Ejemplo 18: El administrador de un restaurante encontró que el 70% de sus nuevos clientes
regresan. En una semana que hubo 80 consumidores nuevos ¿Cuál es la probabilidad de que
60 o más regresen en otra ocasión?
Solución:
Sabemos que si X distribuye B(n,p) => Y se distribuye ( 𝑝 √ 𝑝( 𝑝))
Así
X ∼ Binomial(n=80, p=0,7) ⇒Y ∼N (𝜇=56, = 4,1)
P(X≥60) = 1-P(X≤59) ≈ 1-P(Y≤59,5)

P(Y≤ 59,5) = ( ) ( )
Entonces
P(X≥60) = 1 – 0,8023 = 0,1977
RESUMEN
La distribución probabilística binomial es la más importante para variables discretas,

muestra las probabilidades relacionadas con valores posibles de una variable aleatoria que
son generadas por un proceso de Bernoulli. Dicho proceso es una secuencia de ensayos
idénticos en un experimento aleatorio, tal que cada ensayo:
a) Produce uno de dos resultados posibles uno llamado éxito y otro fracaso.
b) Es independiente de cualquier otro ensayo, de manera que la probabilidad de éxito o
de fracaso es constante de ensayo en ensayo.
La probabilidad para cualquier número dado de éxitos varía con el número de ensayos, y
la probabilidad de éxito 𝑝 cualquier ensayo. Por lo tanto, existe una distribución de
probabilidad binomial diferente para cada combinación de 𝑦 𝑝.
El cálculo de las probabilidades binomiales mediante la fórmula puede resultar

increíblemente laborioso cuando es grande, se han preparado tablas de probabilidades
binomiales y entonces no es necesario el uso directo de la fórmula. Solamente necesitamos
utilizar una tabla con los valores dados de , 𝑝 𝑦 para obtener la probabilidad deseada.
La tabla binomial individual se emplea para determinar un número específico de éxitos

mientras que la tabla binomial acumulativa es útil cuando es necesario conocer la
probabilidad menor, menor o igual, mayor, mayor o igual o exactamente éxitos.
Ejemplo 19: Un comerciante de verduras tienen conocimiento de que el 10 % de las cajas de

verduras están descompuestas si un comprador elige 4 cajas de verduras al azar, encuentre
la probabilidad de que:
a. Todas estén descompuestas
b. De 1 a 3 estén descompuestas
Solución: Tenemos
𝑝 = 0,10
1 − 𝑝 = 0,90
=4
a. B(X=4/4;0,10) = ( ) ( ) ( ) ( )
( ) ( )
=( )
b. B(1≤ ≤ 3/4;0,10) = B(X=1) + B(X=2) + B(X=3)
Entonces
B(X=1/4;0,10) = ( ) ( ) ( ) ( )
( ) ( )
= ( ) ( ) ( ) ( )
B(X=2/4;0,10) = ( ) ( ) ( ) ( )
( ) ( )
= ( ) ( ) ( ) ( )
B(X=3/4;0,10) = ( ) ( ) ( ) ( )
( ) ( )
= ( ) ( ) ( ) ( )
Luego
B(1≤ ≤ 3/4;0,10) = B(X=1) + B(X=2) + B(X=3)
= 0,2916 + 0,0486 + 0,0036
= 0,3438
Ejemplo 20: En una revisión a los proyectos de construcción de viviendas se determinó que
6 de 18 proyectos de viviendas violan el código de construcción ¿Cuál es la probabilidad de
que un inspector de viviendas, seleccione aleatoriamente a cuatro de ellas, encuentre que:
a. Ninguna de las viola el código de construcción
b. Una viola el código de construcción
c. Dos violan el código de construcción

d. Por lo menos dos violan el código de construcción
Solución: Tenemos que
𝑝 = 6/18 = 0,33
1 − 𝑝 = 12/18 = 0,67
=4
a. B(X=0/4;0,33) = ( ) ( ) ( ) ( ) ( )
( )
=( )
b. B(X=1/4;0,33) = ( ) ( ) ( ) ( ) ( )
( )
= ( ) ( ) ( ) ( )
c. B(X=2/4;0,33) = ( ) ( ) ( ) ( ) ( )
( )
= ( ) ( ) ( ) ( )
d. B(X≥2/4;0,33) =B(X=2) + B(X=3) + B(X=4)
Sabemos que:
B(X=0) + B(X=1) + B(X=2) + B(X=3) + B(X=4) = 1
Entonces
B(X≥2/4; 0, 33) = 1 – B(X=0) – B(X=1)
B(X≥2/4; 0, 33) = 1 – 0,2015 – 0,3970
= 0, 4015
Ejemplo 21: Un cirujano tiene 25% de probabilidad de fracasar en una operación. Si opera
4 veces. Hallar la probabilidad de que:
a. Fracase en 2 operaciones
b. Por lo menos 1 operación fracase

c. Más de la mitad de las operaciones fracase
d. Si al mes opera 20 veces ¿En cuántas operaciones se espera que tenga éxito?
Solución: Tenemos que
𝑝 = 0,25
1 − 𝑝 = 0,75
=4
a. B(X=2/4;0,25) = ( ) ( ) ( ) ( ) ( )
( )
= ( ) ( ) ( ) ( )
b. B(X≥1/4;0,25) =B(X=1) + B(X=2) + B(X=3) + B(X=4)
Sabemos:
B(X=0) + B(X=1) + B(X=2) + B(X=3) + B(X=4) = 1
B(X≥1/4; 0,25)= 1 – B(X=0)
Luego
B(X=0/4;0,25) = ( ) ( ) ( ) ( ) ( )
( )
=( )
Luego:
B(X≥1/4; 0,25) = 1 – 0,3164 = 0,6836
c. B(X>2 / ;0,25)=B(X=3) + B(X=4)
Entonces:
B(X=3/4; 0,25) = ( ) ( ) ( ) ( ) ( )
( )
= ( ) ( ) ( )
B(X=4/4; 0,25) = ( ) ( ) ( ) ( ) ( )
( )
Luego:
B(X>2/4;0,25) = 0,0469 + 0,0039
= 0,0508
d. E(X) = n*p = 20(0,75) = 15
Definición de la Distribución Probabilística de Poisson
La distribución de Poisson es otro modelo teórico de distribución discreta particularmente útil

para el estudio epidemiológico de la ocurrencia de determinadas enfermedades. Se dice que la
variable aleatoria X “número de casos de una determinada enfermedad a lo largo de un periodo
de tiempo t”, donde t es un intervalo de tiempo arbitrariamente largo, tal como 1 ó 10 años,
sigue una distribución de Poisson si se cumplen las siguientes hipótesis respecto a la incidencia
acumulada IA de la enfermedad (esto es, la probabilidad de desarrollar un nuevo caso en un
periodo de tiempo determinado):
 Proporcionalidad: La probabilidad de observar un caso es aproximadamente proporcional al

tiempo transcurrido, de tal forma que en un intervalo de tiempo arbitrariamente corto, la
probabilidad de observar un caso es muy pequeña y la probabilidad de observar más de un
caso es esencialmente nula.
 Estacionaridad: El número de casos por unidad de tiempo permanece aproximadamente

constante a lo largo de todo el periodo de tiempo t. Notar que, si se produjera un cambio
substancial de la incidencia de la enfermedad en el tiempo, esta asunción no sería aplicable.
 Independencia: La ocurrencia de un caso en un determinado instante no afecta a la

probabilidad de observar nuevos casos en periodos posteriores. Así, por ejemplo, esta
hipótesis de independencia no se cumplirá en brotes epidémicos.
Aunque la distribución de Poisson se emplea habitualmente en el estudio de la morbi-mortalidad

debida a determinadas enfermedades, esta distribución es en general aplicable a la ocurrencia
en el tiempo de aquellos sucesos aleatorios que satisfagan las hipótesis anteriores (por
ejemplo, los accidentes de tráfico).
Propiedades de la Distribución Probabilística de Poisson

 La esperanza de ocurrencia de un evento en un intervalo es la misma que la esperanza
de ocurrencia del evento en otro intervalo cualesquiera, sin importar donde empiece el
intervalo.
 Que las ocurrencias de los eventos son independientes, sin importar donde ocurran.
 Que la probabilidad de que ocurran un evento en un intervalo de tiempo depende de la

longitud del intervalo.
 Que las condiciones del experimento no varían.
 Que nos interesa analizar el número promedio de ocurrencias en el intervalo.
Fórmula de la Distribución Probabilística de Poisson
(
( )
donde:
p( , 𝜆) = Probabilidad de que ocurran x éxitos, cuando el número promedio de ocurrencia
de ellos es 𝜆.
𝜆 = Media o promedio de éxitos por unidad de tiempo, área o producto.
e = Constante matemática aproximada por 2,71828.
= Variable que nos denota el número de éxitos que se desea que ocurra.
Medidas de Resumen de la Distribución Probabilística de Poisson

a. Media aritmética, Valor esperado o Esperanza matemática E(X)= 𝜇 = 𝜆
b. Varianza
²=𝜆
c. Desviación Estándar
Propiedad Reproductiva de la Distribución Probabilística de Poisson
La propiedad reproductiva de algunas distribuciones de probabilidad consiste en

que, si dos o más variables aleatorias con distribución de probabilidad del mismo
tipo se suman, la variable aleatoria resultante tiene una distribución del mismo
tipo que los sumandos.
Si 1, 2, … , son variables aleatorias independientes de Poisson con

parámetros 𝜆1, 𝜆2, … , 𝜆 respectivamente., entonces:
∑ es una variable aleatoria de Poisson con parámetro 𝜆=∑
Ejemplo 22: El director de un hospital analiza los casos diarios de urgencia durante un
periodo de varios años y concluyen que se distribuyen de acuerdo a la ley de Poisson. Los
archivos del hospital revelan que los casos de urgencia promedian tres por día durante ese
periodo. Si el director tiene razón respecto a la distribución de Poisson. Calcular la
probabilidad de que:
a. Ocurran exactamente dos casos de urgencia en un día dado.
b. No ocurra un solo caso de urgencia en un día dado.
c. Ocurran tres o cuatro casos de urgencia en un día dado.
Solución:
a. 𝜆 = 3 , =2
( )
b. 𝜆 = 3 , =0
( )
c. 𝜆 = 3 , =3, =4
( ) ( )
Ejemplo 23: El administrador de un banco que debe decidir de cuántas cajeras ha de

disponerse durante las horas de mayor actividad en la tarde del viernes, si los clientes llegan
un promedio de 6 clientes por minuto, mediante la distribución de Poisson. Encontrar las
probabilidades siguientes:
a. Llegan exactamente tres cliente al banco.
b. Ningún cliente llega al banco.
SOLUCIÒN:
a. 𝜆 = 6, = 3
P(x=3, = 6) =
b. 𝜆 = 6, = 0
P(x=0, 𝜆 = 6)=
Ejemplo 24: Las personas llegan aleatoriamente a la ventanilla de un banco en promedio de

15 por hora en un cierto día. Calcular las probabilidades siguientes:
a. Exactamente lleguen 5 personas en una hora.
b. Exactamente lleguen 2 personas en un período de tiempo de 12 minutos.

c. A lo más una persona llega en un período de 8 minutos.
SOLUCIÒN:
a. 𝜆 = 15, = 5
P(x=5, = 15) =
( )( )
b.
P(x=2, = 3) =
( )( )
c.
P(x , = 2) =
Ejemplo 25: En una fábrica el número de accidentes por semana sigue una distribución de
Poisson con parámetro 𝜆 = 2. Determine las probabilidades siguientes:
a. Ocurra 4 accidentes en el transcurso de tres semanas.
b. Ocurra 2 accidentes en una semana, y otros 2 accidentes en la semana siguiente.
c. Es lunes, y ya ocurrido un accidente. La probabilidad que en aquella semana no haya

más de 3 accidentes.
SOLUCIÓN
a. Definimos las variables aleatorias de Poisson con parámetro 𝜆𝑖 = 2 (𝑖 = 1,2,3)

respectivamente.
1 = Número de accidentes en la primera semana.

2 = Número de accidentes en la segunda semana.
3 = Número de accidentes en la tercera semana.
Las tres variables aleatorias son independientes. La variable aleatoria 1 + 2 + 3 = , número de

accidentes en las tres semanas, también sigue una distribución de Poisson con parámetro:
2+2 + 2 = 6.
P(x=4, = 6) =
b. Si 1 y 2 son las variables definidas en la parte a. debemos calcular,
𝑝( =2,𝜆 =2)∩𝑝( =2,𝜆 =2) = 0,2707 * 0,2707 = 0,0733
c. Sea X = Número de accidentes en una semana. Es una variable de Poisson con

parámetro 𝜆 = 2.
Debemos calcular,
( )
𝑝( ≤3 ∕ ≥1,𝜆 =2) = ( )
RESUMEN
En una distribución probabilística de Poisson se refiere al número de acontecimientos de un

evento específico dentro de un tiempo o espacio especificado. En un proceso de Poisson,
ocurre una serie de eventos de un tipo dado de una manera aleatoria y por lo tanto
impredecible, en el espacio o en el tiempo, tal que:
(a) la variable aleatoria Poisson puede ser igual a cualquier entero entre cero e infinito,
(b) el número de acontecimientos en una unidad de tiempo o espacio es independiente de

cualquiera otra unidad y,

(c) la probabilidad de acontecimientos es la misma en todas sus unidades.
Las probabilidades asociadas con valores alternativos de la variable aleatoria de Poisson se

pueden determinar con la ayuda de la formula Poisson. Se puede derivar una distribución de
probabilidad Poisson diferente para cada valor de 𝜆, que es el número medio de
acontecimientos.

Modulo III Objetivo 3 y 4

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modulo III Objetivo 3 y 4

Cargado por

Copyright:

Formatos disponibles

República bolivariana de Venezuela

Universidad Rómulo gallegos

Probabilidad. (Nociones Calculo de la probabilidad Distribuciones de

Experimento aleatorio Mutuamente Discreta

OBJETIVOS ESPECÍFICOS III

El estudio de las distribuciones de probabilidad es similar al de la variable estadística, el

Ejemplo 2. Si de una camada de 6 cachorros se cuenta el nº de hembras que se “obtienen” la

Ejemplo 3. Al extraer una bombilla de una población y observar si es o no defectuosa, X

Ejemplo 4. Si se toma como X la estatura de los soldados de un reemplazo X puede tomar

En estos casos últimos se hablará de variable aleatoria continua.

2. Función de probabilidad y de distribución

Definición 2. La función de probabilidad, f, se define así: f(xi)= P(X=xi)

f(0)=P(X =0)=P(no salga ningún 6)=

P(No salga 6, 1er dado)*P(No salga 6, 2do dado)=

f(1)=P(X =1)= P(Salga un 6) =

f(2)=P(X =2)= P(salga 6 en ambos dados)=

.Observación: Se verifica, al igual que con la probabilidad, que f(0)+f(1)+f(2)= 1

2) la suma de todas las f(xi) es 1, es decir

Definición 3. Sea X una variable aleatoria. Se llama función de distribución, F, a la función

F está comprendido entre 0 y 1.

3. Media o esperanza de una variable aleatoria

Definición 4. Se llama media o esperanza (o valor esperado) de X a:

Observación. Es análoga a la definición de la media para una distribución de

Los número negativos indican el hecho de perder cuando sale par.

Nota. Se dice que un juego de dinero es legal o equitativo si E =0 y desfavorable si E<0

Propiedades. Si X e Y son variables aleatorias, del mismo espacio muestral, y k un número

4. Varianza y desviación estándar (o típica)

Es decir, la media de la variable al cuadrado menos el cuadrado de la media.

xi f(xi) xif(xi) xi2 xi2f(xi)

Propiedades. Si X es una variable aleatoria y k un número real

5. Normalización o tipificación de una variable aleatoria

Se verifica E(X*)=0 y Var(X*) = 1

A continuación se describen las principales características de las variables aleatorias

OBJETIVOS ESPECÍFICOS IV.

Distribuciones de Probabilidad Discretas.

Distribución de Probabilidad Binomial

Tres factorial 3! = (3) (2) (1) = 6

Cinco factorial 5! = (5) (4) (3) (2) (1) = 120

El desarrollo de un binomio se le conoce con el nombre de Expansión Binomial. Esta

Luego la cantidad de comités a formarse, serán:

Respuesta: Se pueden formar 3 comités, que serían:

Características de la Distribución Probabilística Binomial

Propiedades de la Distribución Probabilística Binomial

Parámetros de la Distribución Probabilística Binomial

La distribución binomial tiene dos parámetros y 𝑝. La fórmula binomial indica que la

c. p=0,2; n=5 d. p=0,5; n=5

Distribución Probabilística Binomial

Es una de las distribuciones utilizadas ampliamente en estadística aplicada. La distribución

Al llevar un cabo un experimento aleatorio, siempre estamos interesados en que suceda

Fórmula de la Distribución Probabilística Binomial

Esta expresión recibe el nombre de Función de Probabilidad de una Distribución Binomial, ya

Función de Distribución Acumulada de la Binomial

Medidas de Resumen de la Distribución Probabilística Binomial

Solución: Tenemos que:

Aplicaremos las Formula ( 𝑝) ( )𝑝 ( 𝑝)

Ejemplo 16: En pruebas realizadas a amortiguadores para automóviles, se encontró que el

SOLUCIÓN: Tenemos que

b. B(X≥5/20;0,2) =B(X=5) + B(X=6) + … + B(X=20)

Sabemos que: B(X=0) + B(X=1) + B(X=2) +…. + B(X=20) = 1

c. B(3≤ X ≤6 / 20;0,2) = B(X=3) + B(X=4) + B(X=5) + B(X=6)

B (3≤ X ≤6 / 20; 0,2) = 0,2052 + 0,2182 + 0,1746 + 0,1091

E(X) = n*p = 20*0,2 = 4

Aproximación de la Distribución Binomial

a. Aproximación de la Distribución Binomial por la Distribución Poisson Si X ~ Binomial (n, p) Si

Se verifica E(X)=0 y Var(X) = 1

E(X) = np = 200,2 = 4