EAclase 06

ESTADISTICA Y
PROBABILIDADES
Sesión 06
Ing. William Jaime León Velásquez
DISTRIBUCIONES
DISCRETAS
9/21/2015
CONTENIDO TEMATICO
 Variable aleatoria
 Variable aleatoria discreta
 Distribuciones discretas
3
Ing. William León Velasquez
VARIABLE
ALEATORIA
DISCRETA
VARIABLE ALEATORIA. Concepto
Una variable aleatoria es …..
 una descripción numérica del

resultado de un experimento
 una función que asigna a cada elemento del espacio muestral un

número
 se concentra en el comportamiento general de toda la población.

5
Ing William León Velásquez
VARIABLE ALEATORIA
Concepto intuitivo
▸ Una variable aleatoria puede concebirse como un valor numérico que
está afectado por el azar.
▸ Dada una variable aleatoria no es posible conocer con certeza el

valor que tomará esta al ser medida o determinada, aunque sí se
conoce que existe una distribución de probabilidad asociada al
conjunto de valores posibles.
6
VARIABLE ALEATORIA DISCRETA
▸ La variable aleatoria X se dice que es discreta si los números

asignados a los sucesos elementales de E son puntos
aislados. Sus posibles valores constituyen un conjunto finito o
infinito numerable.
▸ Es una función que asigna a cada punto del espacio muestral
un número real
X: R
▸ Ejemplo N°1:  = falla , no falla 
X( no falla ) = 0
X( falla ) = 1
7
 A cada s   le
Espacio Muestral falla corresponde
exactamente un
no falla valor X(s)
X({no falla}) = 0 X({falla}) = 1

Conjunto
IR Números
Reales
-  0 IR + 
X: x1 R
8
Familia de eventos elementales
Una función X :   R es una

variable aleatoria discreta si el
rango de X es un conjunto
finito numerable.
RX   x1 , x2 , ........, x n 
9
La mayor parte de las experiencias aleatorias producen

resultados interpretables como números.
Por lo tanto nos interesa el estudio del experimento
desde el punto de vista numérico.
10
Ejemplo:
▸ Un técnico de sistemas tiene la información del número
de usuarios que están conectados al portal Web de la
UNMSM mediante la observación en diferentes
momentos.
• El técnico anota como “0” si la

paginación en el sistema es normal y
“1” si la paginación es elevada.
11
• Una variable aleatoria es una aplicación del

espacio muestral (Dominio) en la recta real,
de manera que a cada resultado se le aplica
un valor numérico.
• Para que se considere una variable aleatoria
discreta, el conjunto de los valores numéricos
que son requeridos debe ser un conjunto
discreto .
 Además, para cualquier x, el conjunto de resultados que se asocian
a este valor x debe ser un acontecimiento con una probabilidad
definida.
12
Ejemplo 1
▸ Si un experimento consiste en lanzar dos

monedas.
▸ Hallar el dominio y el rango de la variable
aleatoria X : número de caras.
 DX     CC , CS , SC , SS 
X = 0, corresponde al evento elemental SS
X = 1, corresponde al evento elemental CS, SC
X = 2, corresponde al evento elemental CC
RX  0 , 1 , 2  13
Ejemplo 2
▸ Si se lanza una moneda tres veces.
▸ Hallar el dominio y el rango de la variable aleatoria X
: Nº de caras .
Ω ={SSS, SSC, SCS, CSS, SCC, CSC,CCS, CCC}
Si X se define en un Ω como “el número de caras obtenidas”,
entonces, X es una variables aleatoria cuyo rango es el conjunto: Rx
Rx = {0, 1, 2, 3} tal que k = 0, 1, 2, 3.
14
0 1 1, 2, 3. 2 3
Rx = {0, 1, 2, 3} tal que k = 0,
X = 0, corresponde al evento elemental SSS

X = 1, corresponde al evento elemental SSC, SCS, CSS
X = 2, corresponde al evento elemental SCC, CSC,CCS
X = 3, corresponde al evento elemental CCC
15
FUNCIÓN DE PROBABILIDAD
▸El concepto de Probabilidad de ocurrencia de eventos en el

espacio muestral  se puede aplicar a eventos en RX.
0  P(X(s) = x ) = f(x)  1
f(x)
1

f: R [0, 1]
RX
0
X(s) = x
s
X:  RX
16
(Función de cuantía)
Es la probabilidad de que la variable aleatoria X asuma un valor
particular de su rango.
xi
 p ( x1 ) si X  x1

 p ( x2 ) si X  x 2
f ( x )  P ( X  xi )  
 ......... ..............

 p (x k ) si X  x k
17
(Función de cuantía)
Propiedades:
a) p( xi )  0 x
b)
.
 p ( xi )  1
18
(V. A. Discretas)
• Asigna a cada posible valor de una
variable aleatoria discreta su 40%
35%
probabilidad. 30%
Recuerde los conceptos de 25%
frecuencia relativa y 20%
15%
diagrama de barras.
Ejemplo 10%
5%
X = Número de caras al lanzar 3 monedas.
0%
0 1 2 3
X 0 1 2 3
p X  x  1 8 38 38 18 19
Si en una caja contiene 5 focos blancos y tres rojos . ¿Cuál es la
probabilidad de que al sacar dos focos los dos sean blancas
X = Número de focos blancos
seleccionados
? R X  0,1,2
X=0 X=1 X=2
x 0 1 2
P( X = x ) 3/28 15/28 10/28
8  3  5   3  5   3  5 
#   28        3     15     10 20
Ing William León Velásquez  
2  2  0   1  1   0  2 
DISTRIBUCIÓN DE PROBABILIDAD
▸ Muestra los valores que puede tomar la variable

aleatoria X y las probabilidades asociadas con
tales valores.
▸ Representación mediante una tabla:
21
▸ Representación mediante un gráfico
22
FUNCIÓN DE DISTRIBUCIÓN
ACUMULADA
▸ Sea X una variable aleatoria discreta con
RX   x1 , x2 , ...... , x k 
y la función de cuantía
p( xi )  P ( X  xi )
23
ACUMULADA
▸ Si x es un número real cualquiera:
F ( x )  P( X  x )
 0 x  x1

 p ( x1 ) x1  x  x 2

 p ( x1 ) + p ( x 2 ) x2  x  x3
F (x)  
 p ( x1 ) + p ( x 2 ) + p ( x 3 ) x3  x  x4
 ...................................... ...................


 1 x  xk
• Representación mediante una tabla.
24
ACUMULADA
▸ Representación mediante un gráfico.
Ing William León Velásquez 25

ACUMULADA
▸ Valor esperado:
▸ Varianza:
26
Ejemplos de Distribución discreta
1.-Se lanzan dos dados.

Uno tiene dos caras verdes y cuatro rojas, el otro tiene cuatro
caras verdes y dos negras.
Por cada cara verde que aparece se paga S/5, por cada cara
negra S/10 y por cada cara roja S/25.
Hallar:
 Domínio y rango
 Distribución de probabilidad
 Valor esperado de la ganancia
 La varianza
27
a) Domínio y rango
1er. Dado: 2V 2do. Dado : 4V

4R 2N
X : ganancia al lanzar los dados Se paga por cada cara:
verde S/5,
negra S/10 y
roja S/25.
DX     VV , VN , RV , RN  VV
5+5=10
10 , 15 , 30 , 35 
VN
RX  5+10=15
…….. 28
2DO DADO
1ER DADO
b) Distribución de probabilidad:
2 4 8
P ( X  10 )  P ( VV )  P ( V ) P ( V )   
6 6 36
2 2 4
P ( X  15 )  P ( VN )  P ( V ) P ( N )   
6 6 36
4 4 16
P ( X  30 )  P ( RV )  P ( R ) P ( V )   
6 6 36
4 2 8
P ( X  35 )  P ( RN )  P ( R ) P ( N )   
6 6 36
29
c) Valor esperado de la ganancia.

k
E (x)   xi p ( xi )
i 1
Entonces:
8 4 16 8
 10  + 15  + 30  + 35   25
36 36 36 36
30
d) La varianza.
V ( x )  E ( x2 ) -  E ( x ) 2
k
V (x)   x 2i p ( x i ) - ( 25 )2
i 1
8 4 16 8
 10 2  + 15 2  + 30 2  + 35 2  - 25 2  94,44
36 36 36 36
31
2.- Dos fichas son seleccionadas al azar de una caja que contiene 8
fichas blancas, 4 negras y 2 verdes.
Si se gana S/2 por cada ficha negra seleccionada y se pierde
S/1 por cada ficha blanca seleccionada, además X es la variable
aleatoria que denota las ganancias.
Hallar la distribución de probabilidad.
32
Dominio:
Rango:
14
La caja contiene :
8B + 4N + 2V = 14
C2  91
Se extraen dos fichas  33
Se calculan las probabilidades para cada uno de los
valores del rango:
C14
2  91
34
▸ La distribución de probabilidad será:
35
3.- Una caja contiene cinco tornillos defectuosos y cinco no

defectuosos. Se extraen dos tornillos aleatoriamente y sin
reemplazo. Si la variable aleatoria es:
X : Nº de tornillos no defectuosos que se obtienen.
36
a) Hallar el dominio de X.
▸ ഥ = 10 tornillos.
La caja contiene: 5D + 5 𝐷
  D D , D D , D D , D D
b) Hallar el rango de X:
RX  0 , 1 , 2 
37
c) Determinar la función de cuantía.
5 4 2
P( X  0)  P(D D)   
10 9 9
5 5 5 5 5
P ( X  1)  P ( D D + D D )   + 
10 9 10 9 9
5 4 2
P( X  2)  P(D D)   
10 9 9
38
 2
La función de cuantía es:  si x  0
9


 5
f ( x )  P ( X  xi )   si x  1
 9

 2
si x  2

 9
d)Hallar la distribución de probabilidad.
39
4.- Un dispositivo está compuesto de tres elementos que trabajan

independientemente. La probabilidad de falla de cada elemento en una
prueba es igual a 0,1.
Si X es el número de elementos que fallan en una prueba; hallar la
distribución de probabilidad de la variable aleatoria. .
X : Nº de elementos que fallan en una prueba
40
Se calculan las probabilidades para cada uno de los valores del rango.
Teniendo en cuenta que:
La distribución de probabilidad será:
41
DISTRIBUCIONES
DISCRETAS
DISTRIBUCIÓN
BINOMIAL
Un experimento seguirá el modelo de la distribución
Binomial si tiene las siguientes características :
 En cada prueba del experimento sólo son posibles dos

resultados: el suceso A (éxito) y su contrario Ᾱ(fracaso).
 El resultado obtenido en cada prueba es independiente de

los resultados obtenidos anteriormente.
43
ING. WILLIAM LEON V.
PROBABILIDAD DEL SUCESO
▸ La probabilidad del suceso A es constante, se representa

por p, y no varía de una prueba a otra.
▸ La probabilidad de Ᾱ es 1- p y se representa por q.
▸ El experimento consta de un números n de pruebas.
44
DISTRIBUCIÓN
DE PROBABILIDAD BINOMIAL
C xn p x q 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 o pruebas.
p : Probabilidad de éxito.
q : Probabilidad de fracaso. q = 1 - p
45
0 si x  0

f (0 ) 0  x 1

f (0 ) + f (1) 1 x  2

F(x )  
f (0 ) + f (1) + f (2) 2  x  3

...................... ...........


1 x  n
46
LA DISTRIBUCIÓN BINOMIAL EXPRESADA
EN FORMA GRÁFICA
EJEMPLO:
▸ En una escuela primaria los alumnos llegan tarde a
menudo. Cinco alumnos están en el jardín de
niños. La directora lleva tiempo estudiando el
problema, habiendo llegado a la conclusión de que
hay una probabilidad de 0.4 de que un alumno
llegue tarde y de que los alumnos lleguen
independientemente uno de otro
• Trazar una distribución binomial de probabilidad que ilustre las

probabilidades de que 0,1,2,3,4 ó 5 estudiantes lleguen tarde
simultáneamente
47
LA DISTRIBUCIÓN BINOMIAL
EXPRESADA EN FORMA GRÁFICA
EJEMPLO:
▸ Para crearlo se necesita utilizar la fórmula binomial
𝑛 𝑘 𝑛−𝑘 𝑛!
𝑃 𝑋=𝑘 =𝐶 𝑝 𝑞 = 𝑝𝑘 𝑞𝑛−𝑘
𝑘 𝑘! 𝑛 − 𝑘 !
donde:
p= 0.4
q= 0.6
n= 5
48
EJEMPLO:
Se realiza el cálculo de cada valor de k :

▸ Para k= 0 :
5!
𝑃(0) = 0.40 0.65
0! 5 − 0 !
P(0) = 0.07776
▸ Para k = 1 :
5!
𝑃(1) = 0.41 0.64
1! 5 − 1 !
P(1) = 0.2592 49
EJEMPLO:
▸ Para k =2: 5!
𝑃(2) = 0.42 0.63
2! 5 − 2 !
P(2) = 0.3456
▸ Para k = 3: 5!
𝑃(3) = 0.43 0.62
3! 5 − 3 !
P(3) = 0.2304 50
EJEMPLO:
▸ Para k =5! 4 :
𝑃(4) = 0.44 0.61
4! 5 − 4 !
P(4) = 0.0768
▸ Para k = 5:
5!
𝑃(5) = 0.45 0.60
5! 5 − 5 !
P(5) = 0.01024
51
EJEMPLO: EXPRESADA EN FORMA GRÁFICA
▸ Representando los resultados en una gráfica:
P(0) = 0.07776
P(1) = 0.2592
P(2) = 0.3456
P(3) = 0.2304
P(4) = 0.0768
P(5) = 0.01024
52
0 1 2 3 4 5
MEDIDAS DE TENDENCIA CENTRAL Y
DE DISPERSIÓN PARA LA
DISTRIBUCIÓN BINOMIAL.
▸ La distribución binomial tiene un valor esperado o media ( E[x]) y

una desviación estándar (  ) y por lo tanto se puede calcular
esas dos medidas estadísticas.
53

MEDIDAS DE TENDENCIA CENTRAL Y DE
DISPERSIÓN PARA LA DISTRIBUCIÓN
BINOMIAL.
▸ Se puede representar la media de una distribución

binomial de la siguiente forma:
E[x] = n p
donde :
▸ n= número de ensayos.
▸ p= probabilidad de éxitos.
54
MEDIDAS DE TENDENCIA CENTRAL Y DE
DISPERSIÓN PARA LA DISTRIBUCIÓN
BINOMIAL.
▸ Y la Varianza de una Binomial es de la siguiente forma:
𝑉 𝑋 = 𝑛𝑝𝑞
donde :
▸ n= número de ensayos.
▸ p= probabilidad de éxito.
▸ q= probabilidad de fracaso.
La desviación estándar es 𝜎 = 𝑛𝑝𝑞

55
Ejemplo 1
▸ Una máquina empaquetadora produce 20% de paquetes
defectuosos.
▸ Si se extrae una muestra aleatoria de 10 paquetes
• Calcular la media y la desviación estándar
de la distribución binomial de ese proceso
56
Ejemplo 1
E[x] = np
= 10*0.2
Media = 2 .
𝜎= 𝑛𝑝𝑞
𝜎= (10)(0.2)(0.8)
𝜎 = 1.6
Desviación estándar = 1.265 57

USO DE TABLA
TABLA DE LA DISTRIBUCIÓN BINOMIAL

▸ Tabla de Términos Individuales:
𝑃 𝑋 = 𝑥 = 𝑏 𝑥, 𝑛, 𝑝 Lectura directa
• Tabla de Términos Acumulativos:
𝑃 𝑋 ≤ 𝑥 = 𝑏 𝑥, 𝑛, 𝑝 Lectura directa
58
P(x)=x
59
P(x)=x
60
TABLA DE LA DISTRIBUCIÓN
BINOMIAL
P(x)<=x
61
TABLA DE LA DISTRIBUCIÓN
BINOMIAL
P(x)<=x
62
USO DE LA TABLA DE LA
DISTRIBUCIÓN BINOMIAL
▸ Si se lanza al aire una moneda trucada.

▸ Con esta moneda la probabilidad de obtener cara es
del 30%. La probabilidad que salga sello, es del 70%.
▸ Si se lanza la moneda 10 veces de manera
consecutiva.
▸ Se desea calcular las siguientes probabilidades
63
1. La
probabilidad de que salga 6 caras o
menos
6 caras o menos  x<=6 TABLA ACUMULATIVA
localizamos n=10, p=0.3, x=6 y buscamos la intersección: 0.9894
64
2.- La probabilidad de que salga 7 caras o
más
Si se sabe que la probabilidad

hasta x<=6 es 0.9894
Por lo que la probabilidad de

P(X>=7) =1 - P(x<=6)
▸ Entonces se utiliza el hecho de que el suceso descrito es el

complementario del anterior para afirmar que la probabilidad
buscada es
1-0.9894=0.0106
65
3.-La probabilidad de que salga
exactamente 6 caras
TABLA ACUMULADA
n=10, p=0.3, x=6
▸ Se tiene que calcular:

▸ la probabilidad de obtener 6
caras o menos (0.9894) y
▸ la de obtener 5 caras o menos
(0.9527),
▸ Se resta y se obtiene 0.0367. 66

3.-La probabilidad de que salga exactamente
6 caras
TABLA PUNTUAL
n=10, p=0.3, x=6
3
1. Se ubica el grupo de n=10

2. Luego la posición x=6
3. Yubica
en el encabezado de columna se
p=0.3
1
4. Se prolonga los dos valores y la
intersección es el valor
▸ 0.0368. 2
67
4

3.- La probabilidad de que salga exactamente
6 caras
n=10, p=0.3, x=6 FORMULA

▸ Se puede también calcular
𝑛 𝑘 𝑛−𝑘
𝑃 𝑋=𝑘 =𝐶 𝑝 𝑞
𝑘
▸ Reemplazando 10
𝑃 𝑋 = 6 = 𝐶 0.36 0.74
6
10!
= 0.36 0.74 =0.0367569
6! 10−6 !
68
4.- Si el suceso sobre el que se quiere calcular
tiene una probabilidad mayor que 0.5
▸ Este caso se da, por ejemplo, si la probabilidad de que salga cara

fuese del 70%.
▸ Entonces, si nos piden la probabilidad de obtener 4 caras o menos
tirando 10 veces la moneda, se hará lo siguiente.
Bc(<=4,10,0.7)
▸ Note que la probabilidad de obtener 4 caras o menos será la misma
de obtener 6 sellos o más.
Bs(>=6,10,0.3)
▸ Este suceso es el complementario de obtener 5 sellos o menos.
1- Bs(<=5,10,0.3)
69
4.- Si el suceso sobre el que queremos calcular
tiene una probabilidad mayor que 0.5
▸ Se localiza n=10, x=5, p=0.3

(probabilidad de obtener sello
es del 30%) y tomar la
intersección, que es 0.9527.
▸ La probabilidad que se pedía
será de
▸ 1-0.9527=0.0473 70

5.- Si la probabilidad P no aparece en la tabla
▸ Se hará una interpolación.

▸ Suponer que X se distribuye como una binomial con
P=0.17;
▸ Entonces:
▸ si se quiere calcular la probabilidad que X sea menor o
igual que 3 después de 6 tiradas (n=6),
▸ Se toma la tabla y se localiza las probabilidades más
cercanas a 0.17, que son 0.15 y 0.2.
71
72
▸ La interpolación se realiza como sigue:
73
5.- Si la probabilidad P no aparece en la
tabla
▸ En otros casos hay dos posibilidades:

▹ Si el valor de P es muy pequeño, intentaremos
aproximar la variable aleatoria binomial con la
distribución de Poisson,
▹ Si no se puede considerar pequeño, se buscará la
aproximación adoptando la distribución normal .
▸ En general, el valor de n que se requiere para que la

aproximación sea satisfactoria suele ser bastante superior
a 20.
▸ Una tercera posibilidad, evidentemente, es recurrir al

cálculo por computador.
74
EJEMPLOS
1.- Un Ingeniero Industrial, planea un estudio

piloto para su disertación doctoral. Como parte de
su estudio, planea enviar cuestionarios a 20
contadores públicos seleccionados en forma
aleatoria.
Sabe que el índice de respuesta para este grupo
de personas es de 30%, y espera que al menos
once de los cuestionarios estén completos y le
sean regresados. ¿Cuál es la probabilidad de que
en realidad el número de cuestionarios completos
que reciba sea:
75
EJEMPLOS TABLA PUNTUAL
a) exactamente doce.
n = 20 p = 0,30
P x  12   b  12 ; 20 ; 0,30   0,004
76
EJEMPLOS
TABLA ACUMULADA
b) al menos once.
P  x  11   B  11; 20 ; 0,30   0,017
1- P(x<=10) = 1-0.9829=0.017
77
EJEMPLOS
c) entre once y quince inclusive. TABLA ACUMULADA

P  11  x  15   P  x  15  - P  x  10 
 1,000 - 0,9829
 0,0171
78
EJEMPLOS
2.- Se envían invitaciones para cenar a los 20 delegados que

asisten a una convención, y se cree que para cada delegado
invitado, la probabilidad de que acepte es 0,9.
Si se asume que toman la decisión de aceptar la invitación
independientemente,
¿cuál es la probabilidad de que como mucho 17 delegados
acepten la invitación?
79
EJEMPLOS
n = 20 P ( A ) = 0,90
P ( x  17 )  1 - P ( x  18 )

 1 - P ( x  18 ) + P ( x  19 ) + P ( x  20 ) 
 1 -  b (18 ; 20 ; 0,90 ) + b (19 ; 20 ; 0,90 ) + b ( 20 ; 20 ; 0,90 ) 
 1 -  b ( 2 ; 20 ; 0,10 ) + b (1 ; 20 ; 0,10 ) + b ( 0 ; 20 ; 0,10 ) 
 1 -  0,285 + 0,270 + 0,122 
 0,323
80
EJEMPLOS
3.- Suponga que el 5% de cierto modelo de

calculadoras de bolsillo fallan durante los primeros
60 días y son regresadas a la tienda para ser
reparadas.
Si una compañía compra 25 calculadoras :
81
EJEMPLOS
a) Aproximadamente, ¿cuántas espera que fallen en el lapso de 60

días?.
P ( F ) = 0,05 = p n = 25
E ( x ) = n p = 25 x 0,05 = 1,25 = 1
Se esperan que falle en el lapso de 60 días una calculadora
82
EJEMPLOS
b) ¿Cuál es la probabilidad de que ninguna falle?

▸ P ( x = 0 ) = b ( 0 ; 25 ; 0,05 ) =
0,277
La probabilidad de que ninguna falle es del 27.7%
83
EJEMPLOS
c) Calcular la probabilidad de que fallen tres o más.

P ( x  3 ) = 1- P(x<=2)
1- B ( <=2 ; 25 ; 0,05 )
1 – 0.8729 = 0,1271
La probabilidad de fallen tres o mas es del 12.71%
84
EJEMPLOS
d) Hallar la probabilidad de que como máximo fallen 4.

P(x4) = B ( <=4 ; 25 ; 0,05 )
= 0.9928= 0.993
La probabilidad de que fallen como máximo 4 es del 99.3%
85
Distribuciones
Multinomial
DISTRIBUCIONES MULTINOMIAL
La distribución multinomial es similar a la distribución
binomial, con la diferencia de que en lugar de dos posibles
resultados en cada ensayo, puede haber múltiples
resultados:
87
Ejemplo de distribución binomial:
En unas elecciones estudiantiles se presentaron 2 listas:
La 01 obtuvo un 60% de los votos y
La 02 el 40% restante.
¿Cuál es la probabilidad de que al elegir

5 estudiantes al azar, 4 de ellos hallan
votado la 02?
88
Ejemplo de distribución multinomial:
A unas elecciones estudiantiles se presentaron 4 listas:
la 01 obtuvo un 40% de los votos,
la 02 el 30%,
la 03 el 20% y
la 04 el 10% restante.
¿Cuál es la probabilidad de que al elegir 5

estudiantes al azar, 3 hayan votado la 01, 1
al a la 03 y 1 la 04?
89
La distribución multinomial sigue el siguiente modelo:
𝑃(𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , 𝑋3 = 𝑥3 . . ) = 𝑥
𝑛!
1 !∗𝑥2 !∗𝑥3 !∗.
𝑝1 𝑥1 ∗ 𝑝2 𝑥2 * 𝑝3 𝑥3 ..
n=5
x1=3 P1 = 0.40
x2=0 P2 = 0.30
x3=3 P3 = 0.20
x4=1 P4 = 0.10
Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces (en el ejemplo, que la lista 01 lo
hayan votado 3 estudiantes)
n: indica el número de veces que se ha repetido el suceso (en el ejemplo, 5 veces)
n!: es factorial de n (en el ejemplo: 5 * 4 * 3 * 2 * 1)
p1: es la probabilidad del suceso X1 (en el ejemplo, el 40%) 90
En el ejemplo:
n=5 P1 = 0.40
x1=3 P2 = 0.30
x2=0 P3 = 0.20
x3=3 P4 = 0.10
x4=1
5!
𝑃(𝑋1 = 3, 𝑋2 = 0, 𝑋3 = 1, 𝑋4 = 1) = 3!∗0!∗1!∗1!. 0.43 ∗ 0.30 * 0.21 * 0.11
Luego:
P = 0,0256
Es decir, que la probabilidad de que los 5 estudiantes elegidas hayan votado
de esta manera es tan sólo del 2,56%
91
Ejemplo 2
▸ En un congreso internacional, el 20% de los asistentes son españoles,
el 30% franceses, el 40% italiano y el 10% portugueses.
• En un pequeño grupo se han

reunido 4 participantes:
• ¿cual es la probabilidad de que
2 sean españoles y 2 italianos?
92

Aplicamos el modelo:
P1 = 0.2
n=4
x1=2 𝑃(𝑥) = 𝑥
𝑛!
1 !∗𝑥2 !∗𝑥3 !∗.
𝑝1 𝑥1 ∗ 𝑝2 𝑥2 * 𝑝3 𝑥3 ..
P2 = 0.3 x2=0
P3 = 0.4 x3=2
P4 = 0.1 x4=0
4!
𝑃(𝑋1 = 2, 𝑋2 = 0, 𝑋3 = 2, 𝑋4 = 0) = 2!∗0!∗2!∗0!. 0.22 ∗ 0.30 * 0.42 * 0.10
Luego
P = 0,0384
Por lo tanto, la probabilidad de que el grupo esté formado por personas de

estos países es tan sólo del 3,84%.
93
Ejemplo 3
Un método de un diagnóstico tiene 3 resultados posibles: positivo (P),
negativo (N) y dudoso (D).
Se sabe que, en la población, el 10% de los sujetos son positivos, el 70%
negativos y el resto dudosos.
¿Qué probabilidad hay de, en una muestra de 5 individuos, obtener
exactamente 1 positivo, 1 negativo y 3 dudosos ?
94
Aplicar el modelo:
n=5
x1=1
P1 = 0.1 x2=3
P2 = 0.7
P3 = 0.3
x3=1
𝑃(𝑥) = 𝑥
𝑛!
1 !∗𝑥2 !∗𝑥3 !∗.
𝑝1 𝑥1 ∗ 𝑝2 𝑥2 * 𝑝3 𝑥3 ..
5!
p (1,3,1)  0.11  0.7 1  0.2 3  0.0112
1!.3!.1!
Luego
P = 0,0112
Por lo tanto, la probabilidad de que la muestra de 5 individuos esté formado

por 1 positivo, i negativo y 3 dudosos es tan sólo del 1,12%.
95
Distribuciones
Hipergeométrica
DISTRIBUCIONES HIPERGEOMÉTRICA
▸ La distribución Hipergeométrica de parámetros k,

n y N (HG(k,n,N)) surge en situaciones en donde
el modelo aproximado de probabilidad se
corresponde con muestreo sin reemplazamiento
de una población dicotómica (Exito y Fracaso)
finita.
97
▸ Las suposiciones que llevan a considerar esta distribución son:

▸ La población o conjunto donde deba hacerse el muestreo consta de N
individuos o elementos a seleccionar.
▸ Cada individuo puede ser caracterizado como un éxito (E) o fracaso (F).
▸ Se selecciona una muestra de n individuos de entre los k individuos
marcados como éxito y los N−k restantes marcados como fracaso.
▸ Hay selección equiprobable en cada paso.

98
DEFINICION
▸ Una variable aleatoria X tiene una distribución Hipergeométrica si (para
algunos enteros positivos k , n y N) X ="numero de individuos de un
total de n con cierta característica (éxito) si en N hay un total de k"
99
▸ PROPIEDADES
𝐸 𝑥 =𝑛𝑝
▸ Media
𝑁−𝑛
▸ Varianza 𝑉𝐴𝑅 𝑋 = 𝑛 𝑝 𝑞
𝑁−1
▸ Desviación Estándar 𝜎= 𝑛𝑝𝑞

𝑁−𝑛
𝑁−1
100
Ejemplo:
Si en una urna con 5 bolas blancas y 3 negras en un primer
ensayo saco una bola blanca, en el segundo ensayo hay una
bola blanca menos por lo que las probabilidades son diferentes
(hay dependencia entre los distintos ensayos).
101
La distribución hipergeométrica sigue el siguiente

modelo:
𝑁1 𝑁2
∗
𝑃 𝑥=𝑘 = 𝑘 𝑛−𝑘
𝑁
𝑛
102
Donde: 𝑁1 !
𝑁1
=
𝑘 𝑘! ∗ 𝑁1 − 𝑘 !
𝑁2 𝑁2 !
=
𝑛−𝑘 (𝑛 − 𝑘)! ∗ 𝑁2 − (𝑛 − 𝑘) !
𝑁 𝑁!
=
𝑛 𝑛! ∗ 𝑁 − 𝑛 !
Explicación:
N: es el número total de bolas en la urna
N1: es el número total de bolas blancas
N2: es el número total de bolas negras
k: es el número de bolas blancas cuya probabilidad se está calculando
n: es el número de ensayos que se realiza
103
Ejemplo 1:
En una urna hay 7 bolas blancas y 5 rojas.
Se sacan 4 bolas
¿Cuál es la probabilidad de que 3 sean blancas?
Entonces:
N = 12; N1 = 7; N2 = 5;
k = 3; n = 4
104
𝑁1 𝑁2
∗
▸Aplicamos el modelo: 𝑃 𝑥=𝑘 = 𝑘 𝑛−𝑘
𝑁
N = 12; N1 = 7; N2 = 5; 𝑛
k = 3; n = 4
7 5
∗
𝑃 𝑥=3 = 3 4−3
12
4
7! 5!
∗
3! 7−3 ! 4−3! 5−(4−3) !
Por lo tanto, P (x = 3) = 0,3535. = 12!
Es decir, la probabilidad de sacar 3 bolas blancas es del 35,3%. 4! 12−4 !
105
Ejemplo 2:
En la capacitación de una empresa multinacional, sobre técnicas de
ventas asisten 20 personas: 14 nacionales y 6 extranjeros.
Se eligen 3 personas al azar.

¿Cuál es la probabilidad de que las 3
personas sean extranjeras?
106
Aplicamos el modelo:
𝑁1 𝑁2
∗
𝑃 𝑥=𝑘 = 𝑘 𝑛−𝑘
𝑁
𝑛
N = 20; N1 = 6; N2 = 14;
k = 3; n = 3
6 14
∗
𝑃 𝑥=3 = 3 3−3
20
3
Por lo tanto, P (x = 3) = 0.0175.
Es decir, la probabilidad de que las 3 personas sean extranjeras es tan
sólo del 1.75%.
107
Distribuciones
Multihipergeométrica
DISTRIBUCIONES
MULTIHIPERGEOMÉTRICA
La distribución multihipergeométrica es similar a la distribución

hipergeométrica, con la diferencia de que en la urna, en lugar de
haber únicamente bolas de dos colores, hay bolas de diferentes
colores.
109
DISTRIBUCIONES
La distribución multihipergeométrica sigue el siguiente modelo:
𝑵𝟏 𝑵𝟐 𝑵𝟑 𝑵𝟒
∗ ∗ ∗ ..
𝒙𝟏 𝒙𝟐 𝒙𝟑 𝒙𝟒
𝑃(𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , 𝑋3 = 𝑥3 , 𝑋4 = 𝑥4 . . ) =
𝑵
𝒏
Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces (en el ejemplo, que una de las
bolas sea blanca)
N1: indica el número de bolas blancas que hay en la urna (en el ejemplo, 7 bolas)
N: es el número total de bolas en la urna (en el ejemplo, 14 bolas)
n: es el número total de bolas que se extraen (en el ejemplo, 3 bolas)
110
DISTRIBUCIONES
Ejemplo 1
En una urna hay 7 bolas blancas, 3 verdes y 4 amarillas:
¿Cuál es la probabilidad de que al extraer 3 bolas sea cada
una de un color distinto?
Datos:
N=14
X1=1
N1=7
X2=1
N2=3
X3=1
N3=4
n= 3
111
DISTRIBUCIONES
𝑵𝟏 𝑵𝟐 𝑵𝟑
∗ ∗ .
𝒙 𝟏 𝒙𝟐 𝒙𝟑
𝑃(𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , 𝑋3 = 𝑥3 ) =
𝑵
N=14 X1=1 𝒏
N1=7 X2=1
N2=3 X3=1
N3=4
n= 3
Reemplazando con los datos del ejemplo:
7 3 4
∗ ∗ .
1 1 1
𝑃(𝑋1 = 1, 𝑋2 = 1, 𝑋3 = 1) =
14
3
112
DISTRIBUCIONES
7 3 4
𝐶 ∗𝐶 ∗𝐶
1 1 1
𝑃(𝑋1 = 1, 𝑋2 = 1, 𝑋3 = 1 )= 14
𝐶
3
7! 3! 4!
∗ ∗
1! 7−1 ! 1! 3−1 ! 1! 4−1 !
𝑃(𝑋1 = 1, 𝑋2 = 1, 𝑋3 =1) = 14!
3! 14−3 !
Luego:
P = 0,2307
Es decir, que la probabilidad de sacar una bola de cada
color es del 23,07%.
113
DISTRIBUCIONES
Ejemplo 2:
En una caja de lápices hay 10 de color amarillo, 3 de color azul y 4
de color rojo. Se extraen 7 lápices,
¿cual es la probabilidad de que 5 sean amarillos y 2 rojos?
Datos:
N=17
X1=5
N1=10
X2=0
N2=3
X3=2
N3=4 114
n= 7
DISTRIBUCIONES
𝑵𝟏 𝑵𝟐 𝑵𝟑
Aplicamos el modelo: ∗ ∗
𝒙𝟏 𝒙𝟐 𝒙𝟑
.
𝑃(𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , 𝑋3 = 𝑥3 ) =
𝑵
N=17
𝒏
N1=10 X1=5
N2=3 X2=0
N3=4 X3=2
n= 7
Reemplazando con los datos del ejemplo:
10 3 4
∗ ∗ .
5 0 2
𝑃(𝑋1 = 5, 𝑋2 = 0, 𝑋3 = 2) = 17
7
115
DISTRIBUCIONES
10 3 4
𝐶 ∗𝐶 ∗𝐶
5 0 2
𝑃(𝑋1 = 5, 𝑋2 = 0, 𝑋3 = 2) = 17
𝐶
7
10! 3! 4!
∗ ∗
5! 10−5 ! 0! 3−0 ! 2! 4−2 !
𝑃(𝑋1 = 5, 𝑋2 =0, 𝑋3 =2) = 17!
7! 17−7 !
Luego
P = 0,0777
Por lo tanto, la probabilidad de que los 5 lápices sean de los

colores indicados es del 7,77%. 116
DISTRIBUCIÓN DE
POISSON
DISTRIBUCIÓN DE POISSON
▸ La distribución de Poisson fue desarrollada

por Siméon‐Denis Poisson (1781 ‐ 1840).
▸ Esta distribución de probabilidades es muy
utilizada para situaciones donde los sucesos
son impredecibles o de ocurrencia aleatoria.
▸ En general, utilizaremos la distribución de
Poisson como aproximación de
experimentos binomiales donde el número
de pruebas es muy alto (n→∞), pero la
probabilidad de éxito muy baja (p→0)
118
CARACTERISTICAS
▸ Se dice que X sigue una distribución de Poisson de parámetro λ y
que se obtiene del producto n*p, que se representa con la siguiente
notación:
X~Ps(λ)
▸ La distribución de Poisson se caracteriza por las siguientes
propiedades:
▸ Sea una población de tamaño ∞ .
▸ Sea una muestra de tamaño n bastante elevado (se suele hablar
de que tiende a ∞)
▸ Los sucesos son independientes entre si. 119
▸ Sea A un suceso que tiene una probabilidad p de suceder

durante un periodo de tiempo, siendo esta probabilidad de
ocurrencia durante un periodo de tiempo concreto muy pequeña
(se suele hablar de que tiende a 0).
▸ X: número de individuos de la muestra que cumplen A.
▸ El conjunto de posibles valores de A es, E={0,1,2,3,4....}
120
Función de Cuantía:
 e-λ λ x
 si x : 0 , 1 , 2 , .....
f (x )  P(X  x )  x!
0 en otro caso

Donde x debe ser un entero positivo.

121
E( x )  λ
Valor Esperado:
Varianza: V( x )  λ
Desviación Estándar 𝜎= 𝜆
122
Ejemplos:
• La cantidad de llamadas telefónicas en un periodo de una hora
en cierta oficina.
• El número de accidentes de tránsito durante un mes.
• El número de errores tipográficos por página en un libro.
• El número de fallas de una computadora durante una semana
de operación.
123
Aplicaciones:
La distribución de Poisson tiene aplicaciones en Control de Calidad y muestreo de
aceptación.
Además, ciertas distribuciones continuas importantes utilizadas en teoría de
confiabilidad y teoría de colas dependen del proceso de Poisson.
En general, la Distribución de Poisson, ofrecerá buenas

aproximaciones a probabilidades de variables binomiales
cuando n≥50 y p≤0,1 y en el intervalo, 10 ≤ np ≤ 100, las
aproximaciones serán excelentes, ya que en muchos casos la
aplicación de la función de probabilidad de la binomial puede
llegar a ser complicada
124
Uso de Tabla:
▸Lectura directa.
P( x  x )  F( x )
125
Ejemplo:
Si el número de defectos en los rollos de tela de cierta empresa textil
es una variable aleatoria de Poisson con una media de 0,1 defectos
por metro cuadrado.
𝑒 −𝜆 𝜆𝑥
𝑃 𝑋=𝑥 =
𝑥!
126

¿Cuál es la probabilidad de :
a)Tener dos defectos en un metro cuadrado de tela.
0,1 defectos ---- 1 m2

 λ  0,1
- 0,1
e . 0,12
P x  2    0, 005
2!
127
¿Cuál es la probabilidad de :
b) Tener un defecto en 10 metros cuadrados de tela,.
0,1 defectos ---- 1 m2
 ---- 10 m2
 λ 1
-1 1
e .1
P x  1   0, 368
1!
c) Que no hayan defectos en 20 metros cuadrados de tela.
λ 2  P x 0   0,135
128
TABLA DE LA DISTRIBUCIÓN DE POISSON
1.-¿Cómo utilizar la tabla de la distribución de Poisson?
▸de
Si X es una variable aleatoria que sigue la ley
Poisson con parámetro 0.9.
▸oCalcular la probabilidad de que X sea menor
igual que 3.
Procedimiento:
▸ Localizar en la Tabla
▸ λ=0.9, x=3 y
▸ Tomar la intersección:0.987.
129
2.-¿Cuál es la probabilidad de que X sea mayor que 3?
▸En este caso se tiene que fijar en que este suceso es el complementario del
ejemplo anterior
▸P(x>3) = 1 – P(x<=3)
▸Por lo tanto la probabilidad buscada es de:
P(x>3) = 1-0.987
P(x>3) =0.013
130
DESDE LA TABLA
3.-¿Cuál es la probabilidad de que X sea exactamente 3?
▸Una posibilidad será calcular

▸la probabilidad que X sea menor o igual que 3 (0.987),y
▸ la probabilidad que X fuera menor o igual que 2 (0.937) y
▸Luego restarlas,
▸Cuyo resultado es
0.987 - 0.937 = 0.05.
131
CON FORMULA
3.-¿Cuál es la probabilidad de que X sea exactamente 3?
▸Pero la fórmula de la función de probabilidad nos dará

un resultado exacto
𝑃 𝑋=𝑥 =
𝑥!
𝑒 −0.9 0.93
𝑃 𝑋=3 = =0.0493982
3!
132
4.-¿Qué pasa si el parámetro λ no aparece de forma exacta en la tabla?
▸Si se tiene una variable aleatoria X que se distribuye según una ley de
Poisson con parámetro λ = 4.65.
▸Calcular la probabilidad que X sea menor o igual que 7.
133
Se toma los dos parámetros más cercanos a 4.65 que aparecen en la

tabla, que son 4.6 y 4.8.
Localizar las respectivas probabilidades
La interpolación a realizarse es la siguiente:

4.65 − 4.6 134
0.905 + 0.887 − 0.905 = 0.9005
ING. WILLIAM LEON V. 4.8 − 4.6
5.-¿Si se conoce el valor de p, calcular el valor x tal que P(X ≤

x)=p, siendo X una variable aleatoria Poisson?
▸Se asume que X se distribuye siguiendo la distribución de

Poisson con parámetro λ =12, y y p=0.772.
▸Calcular la x correspondiente a partir de la tabla y

localizar λ =12.
135
λ =12, y p=0.772. Fijarse que la x correspondiente es 14.
136
▸Si nos dan por ejemplo p=0.72, λ =14.5, entonces se toma el

valor inmediatamente inferior a 0.72 que aparece en la tabla para
λ =14.5.
▸En nuestro caso es 0.711, que corresponde a x=16.

▸Note que en este caso no se hace interpolación lineal ya que la
ley Poisson es discreta y por lo tanto no tiene sentido dar un valor
no entero, como 16.2.
137
EJEMPLO01
1.- En una fábrica de equipos eléctricos, la orden de pedido llega

completamente al azar a una razón promedio de 1,5 por día. En un
periodo de una semana, ¿cuál es la probabilidad de que el número
de órdenes que se reciban sea:
▸ Exactamente dieciocho.
▸ Más de quince.
▸ No más de diez.
▸ Entre nueve y dieciséis inclusive.
EJEMPLO01
Promedio= λ
λ= 1.5 x dia
Periodo= 1 semana = 7 dias
λ= 1.5 ------------ 1 dia

λ=? ------------ 7 dias
λ= 10.5 xsemana
EJEMPLO 01
𝑃 𝑋=𝑥 =
𝑥!
a) P(X=18) 𝑒 −10.5 10.518
𝑃 𝑋 = 18 = = 0.01035
18!
P(X<=18) 0.9885
P(X<=17) 0.9781
P(X=18) 0.0104
La probabilidad de que el numero de ordenes sea exactamente 18 es de 1%

EJEMPLO 01
b) P(X>15)
1- P(X<=15)
1- 0.9317 = 0.0683
La probabilidad de que el numero de ordenes sea mas de 15 es de 6.83%

EJEMPLO 01
c) P(9<= X >=16)
P(X<=16) - P(X<=8)
0.9604 - 0.2794 = 0.681
La probabilidad de que el numero de ordenes este entre nueve y dieciséis es de

EJEMPLO02
2.- Considere escribir en un disco de computadora y luego

enviar el escrito por un certificador que cuenta el número
de pulsos faltantes. Se sabe que en promedio se
presentan 0,2 pulsos faltantes.
a) ¿Cuál es la probabilidad de que un disco tenga
exactamente un pulso faltante?
b) ¿Cuál es la probabilidad de que un disco tenga al menos
dos pulsos faltantes?
EJEMPLO 01
λ=0.2 𝑃 𝑋=𝑥 =
𝑥!
a) P(X=1) 𝑒 −0.2 0.21
𝑃 𝑋=1 = = 0.01637
1!
P(X<=1) 0.9825
P(X<=0) 0.8187
P(X=1) 0.1638
P(X>=2)= 1-P(X<=1)
1 - 0.9825 = 0.0175
La probabilidad de que un disco tenga un pulso faltante es de 16.37%

EJEMPLO 01
λ=0.2
a) P(X>=2)= 1-P(X<=1)
P(X>=2)= 1 - P(X<=1)
1 - 0.9825 = 0.0175
La probabilidad de que un disco tenga al menos dos pulsos faltantes es de 1.75%

146
FIN
wjleonv@yahoo.com

EAclase 06

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

EAclase 06

Cargado por

Copyright:

Formatos disponibles

ESTADISTICA Y

Una variable aleatoria es …..

 una descripción numérica del

 una función que asigna a cada elemento del espacio muestral un

 se concentra en el comportamiento general de toda la población.

▸ Dada una variable aleatoria no es posible conocer con certeza el

▸ La variable aleatoria X se dice que es discreta si los números

X({no falla}) = 0 X({falla}) = 1

Una función X :   R es una

La mayor parte de las experiencias aleatorias producen

• El técnico anota como “0” si la

• Una variable aleatoria es una aplicación del

▸ Si un experimento consiste en lanzar dos

Ω ={SSS, SSC, SCS, CSS, SCC, CSC,CCS, CCC}

X = 0, corresponde al evento elemental SSS

▸El concepto de Probabilidad de ocurrencia de eventos en el

Es la probabilidad de que la variable aleatoria X asuma un valor

Recuerde los conceptos de 25%

frecuencia relativa y 20%

X=0 X=1 X=2

▸ Muestra los valores que puede tomar la variable

▸ Representación mediante una tabla:

▸ Representación mediante un gráfico

▸ Representación mediante un gráfico.

Ing William León Velásquez 25

1.-Se lanzan dos dados.

1er. Dado: 2V 2do. Dado : 4V

c) Valor esperado de la ganancia.

▸ La distribución de probabilidad será:

3.- Una caja contiene cinco tornillos defectuosos y cinco no

c) Determinar la función de cuantía.

4.- Un dispositivo está compuesto de tres elementos que trabajan

La distribución de probabilidad será:

Un experimento seguirá el modelo de la distribución

Binomial si tiene las siguientes características :

 En cada prueba del experimento sólo son posibles dos

 El resultado obtenido en cada prueba es independiente de

▸ La probabilidad del suceso A es constante, se representa

x : Número de éxitos. x : 0 , 1 , 2 , ... , n

• Trazar una distribución binomial de probabilidad que ilustre las

Se realiza el cálculo de cada valor de k :

▸ Representando los resultados en una gráfica:

▸ La distribución binomial tiene un valor esperado o media ( E[x]) y

ING. WILLIAM LEON V.

▸ Se puede representar la media de una distribución

La desviación estándar es 𝜎 = 𝑛𝑝𝑞

Desviación estándar = 1.265 57

TABLA DE LA DISTRIBUCIÓN BINOMIAL

• Tabla de Términos Acumulativos:

▸ Si se lanza al aire una moneda trucada.

Si se sabe que la probabilidad

Por lo que la probabilidad de

▸ Entonces se utiliza el hecho de que el suceso descrito es el

▸ Se tiene que calcular:

ING. WILLIAM LEON V.

1. Se ubica el grupo de n=10

ING. WILLIAM LEON V.

n=10, p=0.3, x=6 FORMULA

▸ Este caso se da, por ejemplo, si la probabilidad de que salga cara

▸ Se localiza n=10, x=5, p=0.3

ING. WILLIAM LEON V.

▸ Se hará una interpolación.

▸ La interpolación se realiza como sigue: