Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EAclase 06
EAclase 06
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
Concepto intuitivo
▸ Una variable aleatoria puede concebirse como un valor numérico que
está afectado por el azar.
6
Ing William León Velásquez
VARIABLE ALEATORIA DISCRETA
X( no falla ) = 0
X( falla ) = 1
7
Ing William León Velásquez
VARIABLE ALEATORIA DISCRETA
A cada s le
Espacio Muestral falla corresponde
exactamente un
no falla valor X(s)
- 0 IR +
X: x1 R
8
Familia de eventos elementales
Ing William León Velásquez
VARIABLE ALEATORIA DISCRETA
RX x1 , x2 , ........, x n
9
Ing William León Velásquez
VARIABLE ALEATORIA DISCRETA
10
Ing William León Velásquez
VARIABLE ALEATORIA DISCRETA
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.
11
Ing William León Velásquez
VARIABLE ALEATORIA DISCRETA
Ejemplo 1
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
Ing William León Velásquez
VARIABLE ALEATORIA DISCRETA
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
Ing William León Velásquez
VARIABLE ALEATORIA DISCRETA
0 1 1, 2, 3. 2 3
Rx = {0, 1, 2, 3} tal que k = 0,
0 P(X(s) = x ) = f(x) 1
f(x)
1
f: R [0, 1]
RX
0
X(s) = x
s
X: RX
16
Ing William León Velásquez
FUNCIÓN DE PROBABILIDAD
(Función de cuantía)
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
Ing William León Velásquez
FUNCIÓN DE PROBABILIDAD
(Función de cuantía)
Propiedades:
a) p( xi ) 0 x
b)
.
p ( xi ) 1
18
Ing William León Velásquez
FUNCIÓN DE PROBABILIDAD
(V. A. Discretas)
• Asigna a cada posible valor de una
variable aleatoria discreta su 40%
35%
probabilidad. 30%
15%
diagrama de barras.
Ejemplo 10%
5%
X = Número de caras al lanzar 3 monedas.
0%
0 1 2 3
Ω ={SSS, SSC, SCS, CSS, SCC, CSC,CCS, CCC}
X 0 1 2 3
p X x 1 8 38 38 18 19
Ing William León Velásquez
FUNCIÓN DE PROBABILIDAD
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 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
21
Ing William León Velásquez
DISTRIBUCIÓN DE PROBABILIDAD
22
Ing William León Velásquez
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
Ing William León Velásquez
FUNCIÓN DE DISTRIBUCIÓN
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
Ing William León Velásquez
DISTRIBUCIÓN DE PROBABILIDAD
ACUMULADA
▸ Valor esperado:
▸ Varianza:
26
Ing William León Velásquez
Ejemplos de Distribución discreta
Hallar:
Domínio y rango
Distribución de probabilidad
Valor esperado de la ganancia
La varianza
27
Ing William León Velásquez
Ejemplos de Distribución discreta
a) Domínio y rango
DX VV , VN , RV , RN VV
5+5=10
10 , 15 , 30 , 35
VN
RX 5+10=15
…….. 28
Ing William León Velásquez
Ejemplos de Distribución discreta
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
Ing William León Velásquez
Ejemplos de Distribución discreta
Entonces:
8 4 16 8
10 + 15 + 30 + 35 25
36 36 36 36
30
Ing William León Velásquez
Ejemplos de Distribución discreta
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
Ing William León Velásquez
Ejemplos de Distribución discreta
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
Ing William León Velásquez
Ejemplos de Distribución discreta
Dominio:
Rango:
14
La caja contiene :
8B + 4N + 2V = 14
C2 91
Se extraen dos fichas 33
Ing William León Velásquez
Ejemplos de Distribución discreta
Se calculan las probabilidades para cada uno de los
valores del rango:
C14
2 91
34
Ing William León Velásquez
Ejemplos de Distribución discreta
35
Ing William León Velásquez
Ejemplos de Distribución discreta
36
Ing William León Velásquez
Ejemplos de Distribución discreta
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
Ing William León Velásquez
Ejemplos de Distribución discreta
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
Ing William León Velásquez
Ejemplos de Distribución discreta
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
Ing William León Velásquez
Ejemplos de Distribución discreta
40
Ing William León Velásquez
Ejemplos de Distribución discreta
Se calculan las probabilidades para cada uno de los valores del rango.
Teniendo en cuenta que:
41
Ing William León Velásquez
DISTRIBUCIONES
DISCRETAS
DISTRIBUCIÓN
BINOMIAL
DISTRIBUCIÓN DE PROBABILIDAD
43
ING. WILLIAM LEON V.
PROBABILIDAD DEL SUCESO
44
ING. WILLIAM LEON V.
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
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
ING. WILLIAM LEON V.
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
donde:
p= 0.4
q= 0.6
n= 5
48
ING. WILLIAM LEON V.
LA DISTRIBUCIÓN BINOMIAL
EXPRESADA EN FORMA GRÁFICA
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
ING. WILLIAM LEON V.
LA DISTRIBUCIÓN BINOMIAL
EXPRESADA EN FORMA GRÁFICA
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
ING. WILLIAM LEON V.
LA DISTRIBUCIÓN BINOMIAL
EJEMPLO: EXPRESADA EN FORMA 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
ING. WILLIAM LEON V.
MEDIDAS DE TENDENCIA CENTRAL Y
DE DISPERSIÓN PARA LA
DISTRIBUCIÓN BINOMIAL.
53
54
ING. WILLIAM LEON V.
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.
56
ING. WILLIAM LEON V.
Ejemplo 1
E[x] = np
= 10*0.2
Media = 2 .
𝜎= 𝑛𝑝𝑞
𝜎= (10)(0.2)(0.8)
𝜎 = 1.6
𝑃 𝑋 ≤ 𝑥 = 𝑏 𝑥, 𝑛, 𝑝 Lectura directa
58
ING. WILLIAM LEON V.
TABLA DE LA DISTRIBUCIÓN BINOMIAL
P(x)=x
59
ING. WILLIAM LEON V.
TABLA DE LA DISTRIBUCIÓN BINOMIAL
P(x)=x
60
ING. WILLIAM LEON V.
TABLA DE LA DISTRIBUCIÓN
BINOMIAL
P(x)<=x
61
ING. WILLIAM LEON V.
TABLA DE LA DISTRIBUCIÓN
BINOMIAL
P(x)<=x
62
ING. WILLIAM LEON V.
USO DE LA TABLA DE LA
DISTRIBUCIÓN BINOMIAL
63
ING. WILLIAM LEON V.
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
ING. WILLIAM LEON V.
2.- La probabilidad de que salga 7 caras o
más
65
ING. WILLIAM LEON V.
3.-La probabilidad de que salga
exactamente 6 caras
TABLA ACUMULADA
n=10, p=0.3, x=6
67
4
69
ING. WILLIAM LEON V.
4.- Si el suceso sobre el que queremos calcular
tiene una probabilidad mayor que 0.5
71
ING. WILLIAM LEON V.
5.- Si la probabilidad P no aparece en la tabla
72
ING. WILLIAM LEON V.
5.- Si la probabilidad P no aparece en la tabla
73
ING. WILLIAM LEON V.
5.- Si la probabilidad P no aparece en la
tabla
75
ING. WILLIAM LEON V.
EJEMPLOS TABLA PUNTUAL
a) exactamente doce.
n = 20 p = 0,30
P x 12 b 12 ; 20 ; 0,30 0,004
76
ING. WILLIAM LEON V.
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
ING. WILLIAM LEON V.
EJEMPLOS
78
ING. WILLIAM LEON V.
EJEMPLOS
79
ING. WILLIAM LEON V.
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
ING. WILLIAM LEON V.
EJEMPLOS
81
ING. WILLIAM LEON V.
EJEMPLOS
82
ING. WILLIAM LEON V.
EJEMPLOS
83
ING. WILLIAM LEON V.
EJEMPLOS
1- B ( <=2 ; 25 ; 0,05 )
1 – 0.8729 = 0,1271
84
ING. WILLIAM LEON V.
EJEMPLOS
85
ING. WILLIAM LEON V.
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
ING. WILLIAM LEON V.
DISTRIBUCIONES MULTINOMIAL
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.
88
ING. WILLIAM LEON V.
DISTRIBUCIONES MULTINOMIAL
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.
89
ING. WILLIAM LEON V.
DISTRIBUCIONES MULTINOMIAL
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
ING. WILLIAM LEON V.
DISTRIBUCIONES MULTINOMIAL
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
ING. WILLIAM LEON V.
DISTRIBUCIONES MULTINOMIAL
Ejemplo 2
▸ En un congreso internacional, el 20% de los asistentes son españoles,
el 30% franceses, el 40% italiano y el 10% portugueses.
92
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
94
DISTRIBUCIONES MULTINOMIAL
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
97
ING. WILLIAM LEON V.
DISTRIBUCIONES HIPERGEOMÉTRICA
▸ 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.
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
ING. WILLIAM LEON V.
DISTRIBUCIONES HIPERGEOMÉTRICA
▸ PROPIEDADES
𝐸 𝑥 =𝑛𝑝
▸ Media
𝑁−𝑛
▸ Varianza 𝑉𝐴𝑅 𝑋 = 𝑛 𝑝 𝑞
𝑁−1
100
ING. WILLIAM LEON V.
DISTRIBUCIONES HIPERGEOMÉTRICA
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
ING. WILLIAM LEON V.
DISTRIBUCIONES HIPERGEOMÉTRICA
𝑁1 𝑁2
∗
𝑃 𝑥=𝑘 = 𝑘 𝑛−𝑘
𝑁
𝑛
102
ING. WILLIAM LEON V.
DISTRIBUCIONES HIPERGEOMÉTRICA
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
ING. WILLIAM LEON V.
DISTRIBUCIONES HIPERGEOMÉTRICA
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
ING. WILLIAM LEON V.
DISTRIBUCIONES HIPERGEOMÉTRICA
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
ING. WILLIAM LEON V.
DISTRIBUCIONES HIPERGEOMÉTRICA
Ejemplo 2:
En la capacitación de una empresa multinacional, sobre técnicas de
ventas asisten 20 personas: 14 nacionales y 6 extranjeros.
106
ING. WILLIAM LEON V.
DISTRIBUCIONES HIPERGEOMÉTRICA
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
ING. WILLIAM LEON V.
Distribuciones
Multihipergeométrica
DISTRIBUCIONES
MULTIHIPERGEOMÉTRICA
109
ING. WILLIAM LEON V.
DISTRIBUCIONES
MULTIHIPERGEOMÉTRICA
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
ING. WILLIAM LEON V.
DISTRIBUCIONES
MULTIHIPERGEOMÉTRICA
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
ING. WILLIAM LEON V.
DISTRIBUCIONES
MULTIHIPERGEOMÉTRICA
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
ING. WILLIAM LEON V.
DISTRIBUCIONES
MULTIHIPERGEOMÉTRICA
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
ING. WILLIAM LEON V.
DISTRIBUCIONES
MULTIHIPERGEOMÉTRICA
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
ING. WILLIAM LEON V.
DISTRIBUCIONES
MULTIHIPERGEOMÉTRICA
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
ING. WILLIAM LEON V.
DISTRIBUCIONES
MULTIHIPERGEOMÉTRICA
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
118
ING. WILLIAM LEON V.
DISTRIBUCIÓN DE POISSON
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
ING. WILLIAM LEON V.
DISTRIBUCIÓN DE POISSON
120
ING. WILLIAM LEON V.
DISTRIBUCIÓN DE POISSON
Función de Cuantía:
e-λ λ x
si x : 0 , 1 , 2 , .....
f (x ) P(X x ) x!
0 en otro caso
E( x ) λ
Valor Esperado:
Varianza: V( x ) λ
Desviación Estándar 𝜎= 𝜆
122
ING. WILLIAM LEON V.
DISTRIBUCIÓN DE POISSON
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
ING. WILLIAM LEON V.
DISTRIBUCIÓN DE POISSON
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.
124
ING. WILLIAM LEON V.
DISTRIBUCIÓN DE POISSON
Uso de Tabla:
▸Lectura directa.
P( x x ) F( x )
125
ING. WILLIAM LEON V.
DISTRIBUCIÓN DE POISSON
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
e . 0,12
P x 2 0, 005
2!
127
ING. WILLIAM LEON V.
DISTRIBUCIÓN DE POISSON
¿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
ING. WILLIAM LEON V.
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
ING. WILLIAM LEON V.
TABLA DE LA DISTRIBUCIÓN DE POISSON
▸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
ING. WILLIAM LEON V.
TABLA DE LA DISTRIBUCIÓN DE POISSON
DESDE LA TABLA
131
ING. WILLIAM LEON V.
TABLA DE LA DISTRIBUCIÓN DE POISSON
CON FORMULA
▸Si se tiene una variable aleatoria X que se distribuye según una ley de
Poisson con parámetro λ = 4.65.
133
ING. WILLIAM LEON V.
TABLA DE LA DISTRIBUCIÓN DE POISSON
135
ING. WILLIAM LEON V.
TABLA DE LA DISTRIBUCIÓN DE POISSON
λ =12, y p=0.772. Fijarse que la x correspondiente es 14.
136
ING. WILLIAM LEON V.
TABLA DE LA DISTRIBUCIÓN DE POISSON
137
ING. WILLIAM LEON V.
EJEMPLO01
Promedio= λ
λ= 1.5 x dia
λ= 10.5 xsemana
EJEMPLO 01
𝑒 −𝜆 𝜆𝑥
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
b) P(X>15)
1- P(X<=15)
1- 0.9317 = 0.0683
c) P(9<= X >=16)
P(X<=16) - P(X<=8)
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
λ=0.2
a) P(X>=2)= 1-P(X<=1)
P(X>=2)= 1 - P(X<=1)
1 - 0.9825 = 0.0175
FIN
wjleonv@yahoo.com