METODOS ESTADISTICOS

MAT370-A
GRUPO 4
S.R.L. INCOBOL

SEM 2- 2023
 UAGRM - INGENIERIA CIVIL

UNIVERSIDAD AUTONOMA GABRIEL RENE MORENO

FACULTAD DE CIENCIAS EXACTAS Y TECNOLOGIA
INGENIERIA CIVIL
1

DISTRIBUCION DE PROBABILIDADES

DOCENTE: M.B.A. ING. FLAVIO CARREÑO HEVIAVACA

GRUPO: “4” S.R.L. INCOBOL
INTEGRANTES:
 VIDAL ANDIA JHOSELINE 220106738
 HERRERA MAMANI RIDER 218024452
 APARICIO OLVA MARCELO 200872419
 FLORES CANAVIRI JOSE LUIS 221025804
 LEDEZMA GARCIA ERICK 215158091
 MARISCAL HURTADO ALEJANDRO 220151164

MAT-370-A GRUPO 4
 UAGRM - INGENIERIA CIVIL

INDICE

1.-DISTRIBUCION DE PROBABILIDADES………………………………3
1.1-TIPOS DE DISTRIBUCIONES DE PROBABILIDADES…………….3
1.2-DISTRIBUCIONES DE PROBABILIDAES DISCRETAS …………..3
1.3-DISTRIBUCION UNIFORME DISCRETA …………………………….3
2
1.4-DISTRIBUCIONES DE PROBABILIDADES CONTINUAS ………...4
1.5-DISTRIBUCION UNIFORME CONTINUA ………………………….…4
2.- DISTRIBUCION BINOMIAL………………………………………………5
2.1- DATO HISTÓRICO………………………………………………………5
2.3- OBEJTIVOS………………………………………………………………5
2.4- CARACTERISTICAS…………………………………………………….5
2.5- PROPOIEDADES DE LA DISTRIBUCION BINOMIAL………………6
2.6-EJERCICIOS………………………………………………………………7
3.- DISTRIBUCION DE POISSON…………………………………………..8
3.1 EJEMPLOS………………………………………………………………..8
4.-DISTRIBUCION HIPERGEOMETRICA……………………………….…9
4.1 ¿Qué ES LA DISTRIBUCION HIPERGEOMETRICA?.......................9
4.2- DIFERENCIA ENTRE LA DISTRIBUCION HIPERGEOMETRICA Y LA
DISTRIBUCION BINOMIAL……………………………………………….….9
4.3 FORMULA DE LA DISTRIBUCION BINOMIAL……………………....10
4.4 EJEMPLOS……………………………………………………………….10
5 DISTRIBUCION GEOMETRICA………………………………………….12
5.1 OBTENCION DE LA FUNCION CUANTIA …………………………...12
5.2 EJEMPLOS…………………………………………………………….….16
6 DISTRIBUCION DE PASCAL…………………………………………..…18
6.1 ¿QUE ES LA DISTRIBUCION DE PACAL?.......................................18
6.2 EJEMPLOS……………………………………………………………..…18

MAT-370-A GRUPO 4
 UAGRM - INGENIERIA CIVIL

DISTRIBUCIÓN DE PROBABILIDADES

1.- ¿QUÉ ES UNA DISTRIBUCIÓN DE PROBABILIDAD?

Una distribución de probabilidad es una función que define la probabilidad de ocurrencia

de cada valor de una variable aleatoria. Es decir, una distribución de probabilidad es una
función matemática que describe las probabilidades de todos los posibles resultados de un
experimento aleatorio.
3

MAT-370-A GRUPO 4
 UAGRM - INGENIERIA CIVIL

Por ejemplo, sea X una variable aleatoria que indica el resultado del lanzamiento de una
moneda («cara» o «cruz»), la distribución de probabilidad de X vale 0,5 en cada uno de sus
resultados, ya que la probabilidad de obtener «cara» es del 50% y la probabilidad de obtener
«cruz» también es del 50%.

1.1-TIPOS DE DISTRIBUCIONES DE PROBABILIDADES

Las distribuciones de probabilidad se pueden separar en dos grandes tipos: las distribuciones
discretas y las distribuciones continuas.

Distribución de probabilidad discreta: la distribución solo puede tomar un número

4
contable de valores dentro de un intervalo. Normalmente, las distribuciones de
probabilidad discretas solo pueden tomar valores enteros, es decir, que no tienen
decimales.

Distribución de probabilidad continua: la distribución puede tomar un número

infinito de valores dentro de un intervalo. En general, las distribuciones de probabilidad
continuas pueden tomar valores decimales.

1.2-DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

Una distribución de probabilidad discreta es aquella distribución que define las probabilidades
de una variable aleatoria discreta. Por lo tanto, una distribución de probabilidad discreta solo
puede tomar un número finito de valores (generalmente valores enteros).

1.3-DISTRIBUCIÓN UNIFORME DISCRETA

La distribución uniforme discreta es una distribución de probabilidad discreta en la cual

todos los valores son equiprobables, es decir, en una distribución uniforme discreta todos los
valores tienen la misma probabilidad de ocurrir.

Por ejemplo, el lanzamiento de un dado se puede definir con una distribución uniforme
discreta, ya que todos los posibles resultados (1, 2, 3, 4, 5 o 6) tienen la misma probabilidad
de ocurrencia.

En general, una distribución uniforme discreta tiene dos parámetros característicos, a y b,

que definen el intervalo de los posibles valores que puede tomar la distribución. Así pues,
cuando una variable está definida por una distribución uniforme discreta, se
escribe Uniforme(a,b).

La distribución uniforme discreta se puede usar para describir experimentos aleatorios, ya

que si todos los resultados tienen la misma probabilidad significa que existe aleatoriedad en
el experimento.

MAT-370-A GRUPO 4
 UAGRM - INGENIERIA CIVIL

1.4-DISTRIBUCIONES DE PROBABILIDAD CONTINUAS

Una distribución de probabilidad continua es una distribución que puede tomar cualquier
valor dentro de un intervalo, incluyendo valores decimales. Por lo tanto, una distribución de
probabilidad continua define las probabilidades de una variable aleatoria continua.

1.5-DISTRIBUCIÓN UNIFORME CONTINUA

La distribución uniforme continua, también llamada distribución rectangular, es un tipo

de distribución de probabilidad continua en la cual todos los valores tienen la misma
probabilidad de ocurrencia. Es decir, la distribución uniforme continua es una distribución en
5
la que la probabilidad se distribuye uniformemente a lo largo de un intervalo.

La distribución uniforme continua se utiliza para describir variables continuas que tienen una
probabilidad constante. Asimismo, la distribución uniforme continua se usa para definir
procesos aleatorios, ya que si todos los resultados tienen la misma probabilidad significa que
existe aleatoriedad en el resultado

La distribución uniforme continua tiene dos parámetros característicos, a y b, que definen el

intervalo de equiprobabilidad. Así pues, el símbolo de la distribución uniforme continua es U
(a, b), donde a y b son los valores característicos de la distribución.

Por ejemplo, si el resultado de un experimento aleatorio puede tomar cualquier valor entre 5
y 9 y todos los posibles resultados tienen la misma probabilidad de ocurrir, el experimento se
puede simular con una distribución uniforme continua U(5,9).

2.-DISTRIBUCIÓN BINOMINAL

2.1-DATO HISTÓRICO

Fue desarrollada por Jakob Bernoulli (Suiza, 1654-1705) es la principal distribución de

probabilidad discreta. Una distribución de probabilidad ampliamente utilizada de una variable
aleatoria discreta es la distribución binomial. Esta describe varios procesos de interés para
los administradores. Describe datos discretos, resultantes de experimento denominado
proceso un de Bernoulli en honor del matemático suizo Jacob Bernoulli, quien vivió en el
siglo XVII.

MAT-370-A GRUPO 4
 UAGRM - INGENIERIA CIVIL

2.2-OBJETIVOS

Consiste en realizar numerosos experimentos independientes entre sí, los cuáles solo tienen
dos posibles respuestas las cuales son denominadas como “éxito” y “fracaso”, de las cuales
el éxito será la variable aleatoria.

Esta distribución nos permite hallar el porcentaje de probabilidad de que se cumpla la

cantidad de éxitos que esperamos en una cantidad de experimentos finitos.

Identificar las propiedades de una distribución binomial, así como sus parámetros 6
característicos, esperanza y varianza.

Determinar los valores de py fracasos q para establecer las bases para el cómputo de las
probabilidades en la distribución binomial.

2.3-CARACTERÍSTICAS

1. En cada prueba del experimento solo son posibles dos resultados: éxito y fracaso.

2. La probabilidad de éxito es constante, es decir que no varía de una prueba a otra, se

representa por p.

3. La probabilidad de fracaso también es constante, se representa por q.

2.4-DISTRIBUCIÓN BINOMINAL

Es la principal distribución de probabilidad discreta para variables dicotómicas, es decir, que

sólo pueden tomar dos La distribución binomial 3 posibles resultados. Bernoulli definió el
proceso conocido por su nombre. Dicho proceso, consiste en realizar un experimento
aleatorio una sola vez y observar si cierto suceso ocurre o no, siendo p la probabilidad de
que ocurra (éxito) y q-1-p de que no ocurra (fracaso), por lo que la variable sólo puede tomar
dos posibles valores, el 1 si ocurre y el 0 sino sucede. Las distribuciones binomiales es una
generalización de la distribución de Bernouilli, cuando en lugar de realizar el experimento
aleatorio una sola vez, se realiza n, siendo cada ensayo independiente del anterior.

La distribución binomial viene definida como sigue:

Sea una población de tamaño,

Sea una muestra de tamaño n (número de repeticiones del experimento).

MAT-370-A GRUPO 4
 UAGRM - INGENIERIA CIVIL

Los n experimentos realizados son independientes. Cada ensayo produce uno de los
dos únicos posibles resultados, a los que, por comodidad.
de nomenclatura, les llamaremos acierto (A) y su complementario Fallo (Fo A). Sea A
un suceso que tiene una probabilidad p de suceder y, en consecuencia, su
complementario tendrá una probabilidad 1-p de suceder. X: número de individuos de
la muestra que cumplen A. 9 El conjunto de posibles valores de A es, E=(0,1,2,3,4....)

2.5-PROPIEDADES DE LA DISTRIBUCIÓN BINOMIAL

7
Para que una variable aleatoria se considere que sigue una distribución binomial, tiene que
cumplir las siguientes propiedades:

Como hemos dicho, en cada ensayo, experimento o prueba solo puede haber dos
posibles resultados (éxito o fracaso).
La probabilidad de éxito ha de ser constante. Por ejemplo, la probabilidad de que
salga un número par al lanzar un dado es 0,5 y esta es constante dado que el dado no
cambia en cada ensayo y las probabilidades de sacar par es constate.
La probabilidad de fracaso ha de ser también constate.
Cada experimento es independiente de los demás y no influye en las probabilidades
de los que hagamos posteriormente, por lo que en cada uno la probabilidad de que se
dé uno de los dos resultados será exactamente la misma.
Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los dos al
mismo tiempo. Al lanzar un dado, no puede salir par e impar a la vez, ni al lanzar una
moneda puede salir cara y cruz al mismo tiempo.
Los resultados son colectivamente exhaustivos, es decir, al menos uno de los 2 ha de
ocurrir. Si no sale par, sale impar, y si no sale cara, sale cruz.
La variable aleatoria que sigue una distribución binomial se suele representar así: X ~
(n, p), donde, como ya sabes, n representa el número de ensayos o experimentos y p
la probabilidad de éxito.

2.6-EJERCICIO:

FORMULA DE LA DISTRIBUCIÓN BINOMIAL

La fórmula para calcular la distribución normal es la siguiente:

MAT-370-A GRUPO 4
 UAGRM - INGENIERIA CIVIL

 n = número de ensayos
 x = número de éxitos
 p = probabilidad de éxito
 q = probabilidad de fracaso (1-p)

FUNCION DE PROBABILIDAD:

( nx )∗P ∗(1−P)
P(x)= P ( x )=
x n−x
( nx )= xi∗(n−x
¿
)i
8
El signo de exclamación representa el símbolo de factorial, es decir el producto de todos los
números enteros positivos desde 1 hasta n. Por ejemplo: 5! = 1 · 2 · 3 · 4 · 5 = 120

ejemplo: el 20% de los artículos que fabrica una empresa salen defectuosos; si se
seleccionan 6 artículos.
¿cuál es la probabilidad de que salgan 3 artículos defectuosos?

SOLUCION: DATOS:
()
6
3
3
P ( x=3 )= ∗0.20 ∗(1−0.2)
(6−3) n=6
p=0.2

()
6
=
6i
3 3 i−(6−3)i

( 63 )= 6∗6
720
=20
LA PROBABILIDAD DE QUE
SALGAN 3 DEFECTUOSOS
3
P ( x=3 )=20∗0.008∗0.8 ES DE 8.19%

P ( x=3 )=0.16∗0.512

P ( x=3 )=0.0819

3.-DISTRIBUCION DE POISSON
La distribución de poisson se llama asi en honor a su creador, el francés Simeón Denis
Poisson (1781-1840).
En teoría de probabilidad y estadística, la distribución de Poisson es una distribución de
probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la
probabilidad de que ocurra un determinado número de eventos durante cierto período de
tiempo

MAT-370-A GRUPO 4
 UAGRM - INGENIERIA CIVIL

Concretamente, se especializa en la probabilidad de ocurrencia de sucesos con

probabilidades muy pequeñas, o sucesos «raros». También puede utilizarse para contar el
número de eventos o partículas consideradas puntuales en otros tipos de intervalos
específicos, como la distancia, el área o el volumen.
Media o promedio de éxitos por unidad de tiempo = λ
Numero de éxitos que suceden = x
Función de probabilidad
−λ x
e −λ
P ( x )= 9
x!
EJEMPLO
En un banco un asesor comercial atiende en promedio a 3 personas por hora ¿Cuál es la
probabilidad que en la siguiente hora atienda a 2 personas?
Función de probabilidad
−λ x
( ) e −λ
P x=
x!
Datos:

e ≈2.7182
λ =3
x=2
−λ x −3 2
e −λ (2.7182) −3
P ( x )= P ( x )=
x! 2!
0.0498∗9 0.4482
P ( x )= ; P ( x) = ; P ( x )=0.2241=22.41 %
2 2

4.-DISTRIBUCIÓN HIPERGEOMÉTRICA

4.1- ¿QUÉ ES LA DISTRIBUCIÓN HIPERGEOMÉTRICA?

La distribución hipergeométrica es una distribución discreta que modela el número de

eventos en una muestra de tamaño fijo cuando usted conoce el número total de elementos
en la población de la cual proviene la muestra. Cada elemento de la muestra tiene dos
resultados posibles (es un evento o un no evento). Las muestras no tienen reemplazo, por lo
que cada elemento de la muestra es diferente. Cuando se elige un elemento de la población,

MAT-370-A GRUPO 4
 UAGRM - INGENIERIA CIVIL

no se puede volver a elegir. Por lo tanto, la probabilidad de que un elemento sea

seleccionado aumenta con cada ensayo, presuponiendo que aún no haya sido seleccionado.

la distribución hipergeométrica se utiliza para modelar situaciones en las que se extraen

objetos sin reemplazo de una población finita.

10

4.2-DIFERENCIA ENTRE LA DISTRIBUCION HIPERGEOMETRICA Y BINOMIAL

 La distribución hipergeométrica y la distribución binomial describen el número de

veces que un evento ocurre en un número fijo de ensayos.

 En una distribución binomial, los ensayos son independientes. Para la distribución

hipergeométrica, cada ensayo cambia la probabilidad de cada ensayo siguiente,
porque no hay reemplazo.

4.3-FORMULA DE LA DISTRIBUCION HIPERGEOMETRICA

La fórmula de la distribución hipergeométrica es el producto del número combinatorio

de K sobre x, por el número combinatorio de N-K sobre n-x, dividido por el número
combinatorio de N sobre n.

MAT-370-A GRUPO 4
 UAGRM - INGENIERIA CIVIL

P ( x )=
( x )( n−x )
K N −K

( Nn )
Donde:

 N es el tamaño de la población.

 K es el número de elementos de interés en la población, Como en una distribución

11
hipergeométrica un elemento solo puede considerarse (éxito) o (fracaso), N-K es el
número máximo de casos de fracaso.

 n es el número de extracciones sin remplazo.

 x es el número de éxitos que se busca en esos n ensayos.

4.4-EJEMPLO
En una bolsa metemos 20 bolas de color azul y 30 bolas de color rojo, es decir, en total hay
50 bolas dentro de la bolsa. Si extraemos 12 bolas sin reponer ninguna, calcula cuál es la
probabilidad de sacar 4 bolas de color azul.

 Lo primero que debemos hacer para resolver el ejercicio es identificar los parámetros
de la distribución hipergeométrica. En este caso, el número total de elementos de la
población es 50 (N = 50), el número máximo de casos favorables es 20 (K = 20), y
sacamos 12 bolas (n = 12).

 Como queremos calcular la probabilidad de sacar 4 bolas azules (x = 4), por lo tanto,
aplicamos la fórmula de la distribución hipergeométrica, sustituimos las variables por
sus correspondientes valores y hacemos el cálculo:

MAT-370-A GRUPO 4
 UAGRM - INGENIERIA CIVIL

En conclusión, la probabilidad de 12
que nos salga 4 bolsas de color
azul es de 23.36%

%P ( x )=P ( x )∗100 %=23.36 %

MAT-370-A GRUPO 4
 UAGRM - INGENIERIA CIVIL

5.-DISTRIBUCIÓN GEOMÉTRICA O DE PASCAL

La distribución geométrica es un modelo adecuado para aquellos procesos en los que se

repiten pruebas hasta la consecución del éxito a resultado deseado y tiene interesantes
aplicaciones en los muestreos realizados de esta manera. También implica la existencia de
una dicotomía de posibles resultados y la independencia de las pruebas entre sí.
Proceso experimental del que se puede hacer derivar
Esta distribución se puede hacer derivar de un proceso experimental puro o de Bernoulli en13
el que tengamos las siguientes características
El proceso consta de un número no definido de pruebas o experimentos separados o
separables. El proceso concluirá cuando se obtenga por primera vez el resultado
deseado (éxito).
· Cada prueba puede dar dos resultados mutuamente excluyentes: A y no A
· La probabilidad de obtener un resultado A en cada prueba es p y la de obtener un
resultado no A es q
siendo (p + q = 1).
Las probabilidades p y q son constantes en todas las pruebas, por tanto, las pruebas, son
independientes (si se trata de un proceso de "extracción" éste se llevará a, cabo con
devolución del individuo extraído).
(Derivación de la distribución). Si en estas circunstancias aleatorizamos de forma que
tomemos como variable aleatoria X = el número de pruebas necesarias para obtener
por primera vez un éxito o resultado A, esta variable se distribuirá con una distribución
geométrica de parámetro p.

5.1-OBTENCIÓN DE LA FUNCIÓN DE CUANTÍA

De lo dicho anteriormente, tendremos que la variable X es el número de pruebas necesarias
para la consecución del primer éxito. De esta forma la variable aleatoria toma valores enteros
a partir del uno; í 1, 2, ………ý
La función de cuantía P(x) hará corresponder a cada valor de X la probabilidad de obtener
el primer éxito precisamente en la X-sima prueba. Esto es, P(X) será la probabilidad del
suceso obtener X-1 resultados "no A" y un éxito o resultado A en la prueba número X

MAT-370-A GRUPO 4
 UAGRM - INGENIERIA CIVIL

teniendo en cuenta que todas las pruebas son independientes y que conocemos sus
probabilidades tendremos:

dado que se trata de sucesos independientes y conocemos las probabilidades

14

luego la función de cuantía quedaría

Algunos autores consideran la aleatorización como "número de pruebas anteriores al primer

éxito". De esta manera el conseguir el éxito a la primera sería X=0. En la siguiente
representación gráfica de la función de cuantía de la geométrica puede apreciarse este tipo
de aleatorización, sin embargo, nosotros preferimos, por razones prácticas, utilizar la
aleatorización antes comentada

Función de distribución.

MAT-370-A GRUPO 4
 UAGRM - INGENIERIA CIVIL

En base a la función de cuantía se puede expresar la función de distribución de la siguiente

manera.

desarrollando la expresión tendríamos

de donde
La Función Generatriz de Momentos (F.G.M.) quedaría: 15

por lo que queda establecida que la F.G.M. tiene la expresión

En base a la FGM podemos obtener la media y varianza:

Así

Haciendo t =0 tendríamos que

La varianza sería

Haciendo t =0 tendríamos que

De esta manera

Luego

MAT-370-A GRUPO 4
 UAGRM - INGENIERIA CIVIL

La moda es el valor de la variable que tiene asociada mayor probabilidad el valor de su

función de cuantía es el mayor. Es fácil comprobar (véase simplemente la representación

gráfica anterior) que .Por lo tanto la media de la distribución geométrica

es siempre 1.
En cuanto a la mediana Me será aquel valor de la variable en el cual la función de
distribución toma el valor 0,5. Así

16

por lo que

5.1-EJEMPLOS

1.- Se lanzan dardos a un tablero hasta dar con la zona central. Su probabilidad de acertar el
área central es p = 0,17. Quiere hallar la probabilidad de que se necesiten ocho lanzamientos
hasta que acierte al centro. ¿Qué valores toma X?
Calculando la probabilidad:

Datos:
x−1
P(X )= p . q
p = 0,17
x−1 8−1
x=8 P(X )= p .(1− p) P(X )=0 ,17 .( 1−0 , 17)

P(x) = ¿? P(X )=0.046

X= ¿? (media E(X ))
Cálculo de la probabilidad en porcentaje:

Respuesta:
%P( X )=P(X )∗100 %
Tiene una probabilidad del
%P( X )=0.046∗100 % 4,61% de acertar en los
%P( X )=4.61 % primeros ocho intentos

Cálculo de la media:

Respuesta:
1
E(X ) = La media de intentos necesarios
p
es de 6 intentos para que pueda
acertar.

MAT-370-A GRUPO 4
 UAGRM - INGENIERIA CIVIL

1
E(X ) =
0 ,17
E(X ) =5.88

2.- Una instructora considera que el 15 % de los estudiantes obtienen menos de una C en su
examen final. Decide revisar los exámenes finales (seleccionados al azar y sustituidos en el
montón después de la lectura) hasta que halle uno que muestre una calificación inferior a C.
17
Queremos saber la probabilidad de que la instructora tenga que examinar, al menos, diez
exámenes hasta que halle uno con una calificación inferior a C. ¿Cuál es la pregunta de
probabilidad enunciada matemáticamente?

Calculando la probabilidad:

Datos:
x−1
P(X )= p . q
p = 15% = 0,15
x = 10 P(X )= p .(1− p)x−1 P(X )=0 ,15 .(1−0 , 15)10−1

P(x) = ¿? P(X )=0.0347

X= ¿? (media E(X ))
Respuesta:
Cálculo de la probabilidad en porcentaje:
La media de intentos
necesarios es de 6 intentos
%P( X )=P(X )∗100 % para que pueda acertar.
%P( X )=0.0347∗100 %
%P( X )=3.47 %

Cálculo de la media: Respuesta:

1 La media de intentos
E(X ) =
p necesarios para sacar un
1 examen con calificación
E(X ) =
0 ,15 debajo de C es de 7
intentos.
E(X ) =6.667

MAT-370-A GRUPO 4
 UAGRM - INGENIERIA CIVIL

6.-DISTRIBUCIÓN DE PASCAL
6.1- ¿QUÉ ES LA DISTRIBUCIÓN DE PASCAL?
La distribución de pascal es una probabilidad discreta, generalizando la distribución
geométrica se utilizan para los procesos en los cuales se necesita la repetición de ensayos
hasta conseguir un numero de resultados exitosos.
La variable aleatoria en esta distribución se presenta en números de ensayos de Bernoulli
independientes necesarios para obtener el r éxito si cada ensayo se tiene la misma
probabilidad de éxito
18

Las fórmulas y parámetros de esta distribución son:

r = # de éxitos
P = # de probabilidad
Formula general:

Si su X es una variable aleatoria con distribución de pascal tiene su Media y su Varianza:

Se demostrará un ejemplo para poder utilizar las fórmulas y demostrar cómo se sustituyen
6.2-Ejemplo:
Los miembros de una tropa de niñas Scout venden cajas de galletas casa por casa, buscan
vender 5 cajas al día. La probabilidad de vender una caja por casa es de 0.4
A) ¿Cuál es la probabilidad de que tengan que visitar exactamente 8 casa
B) ¿Cuál es el valor esperado de casas por visitar?
Resolvemos
X = Número de casas que visitar para poder vender 5 cajas
X tiene una distribución de pascal donde
r = 5, p = 0.4
EJERCICIO A
¿Cuál es la probabilidad de que tenga que visitar exactamente 8 casas?

MAT-370-A GRUPO 4
 UAGRM - INGENIERIA CIVIL

Utilizamos la formula general

Reemplazamos

19

EJERCICIO B
¿Cuál es el valor esperado de casas por visitar?
Formula

Reemplazamos

Calculamos

RESULTADO

B) ¿Cuál es el valor esperado de

A) ¿Cuál es la probabilidad de que
casas por visitar?
tengan que visitar exactamente 8
casa?

MAT-370-A GRUPO 4