Tema 5: Distribución de probabilidades

discretas.

Materia: Probabilidad y estadística

Profesor: Ing. César Octavio Luna Jiménez
 Distribución binomial

• Definición: es una distribución de probabilidad que proporciona muchas

aplicaciones. Se asocia con experimento de múltiples pasos.

• Propiedades de un experimento binomial:

a)El experimento consiste en una secuencia de n ensayos.
b)En cada ensayo hay dos resultados posibles.
c) La probabilidad de éxito, que se denota con p, no cambia de ensayo a otro.
d)Los ensayos son independientes.
 Distribución binomial

• Considere una vendedora de seguros que visita a 10 familias seleccionadas al azar. El

resultado asociado con cada visita se clasifica como éxito si la familia compra un seguro
y fracaso si no lo compra. A partir de su experiencia, la vendedora sabe que la
probabilidad de que una familia compre un seguro es de 0.10. Al revisar las propiedades
de un experimento binomial se observa que:
1. El experimento consta de 10 ensayos idénticos.
2. En cada ensayo hay dos resultados posibles: la familia compra un seguro (éxito) o no lo compra
(fracaso).
3. Se asume que las probabilidades de que haya una compra o no la haya son iguales para cada
visita, con p = 0.10 y 1 – p = 0.90.
4. Los ensayos son independientes, por que las familias se eligen al azar.
 Distribución binomial
• El problema de Martin Clothing Store
Considere las decisiones de compra de los tres siguientes clientes que
entran en la tienda de ropa Martin Clothing Store. Con base en su
experiencia, el gerente de la tienda estima que la probabilidad de que un
cliente realice una compra es de 0.30. ¿Cuál es la probabilidad de que dos de
los tres clientes siguientes realicen una compra?
1. El experimento puede describirse como una secuencia de tres ensayos idénticos.
2. Para cada ensayo hay dos resultados posibles.
3. Se asume que la probabilidad de que el cliente realice una compra (0.30) o no la realice (0.70)
es la misma para todos los clientes.
4. La decisión de compra de cada individuo es independiente de la decisiones que tomen otros
clientes.
 Distribución binomial
Segundo cliente Tercer cliente
Primer cliente
s
s
f

s f s

s
f
s
f

f s

f
 Distribución binomial
• De tal manera que se puede calcular
• Por consiguiente podemos con la siguiente formula:
determinar que están presentes
las propiedades de un
experimento binomial. 𝑛!
𝑛𝐶𝑥 =
• El número de resultados que
𝑥! 𝑛 − 𝑥 !
produce exactamente x éxitos • Donde :
en n ensayos n! = n(n-1)(n-2)…(2)(1)

• Y por definición
0! = 1
 Distribución binomial
• Volvemos al experimento de Martin Clothing, donde la
ecuación nos permitirá determinar el número de
resultados; es decir, el número de maneras de obtener x= 2
éxitos en n = 3 ensayos. • Si utilizamos esta misma ecuación para
determinar cuántos resultados del
experimento tienen tres éxitos (compras)

• 𝑛𝐶𝑥 = 3C2 = 2! 3−2

3!
!
=
3 2 1
2 1 1
6
=2=3
en los tres ensayos, obtenemos:

• Realizar el calculo.
El resultado nos muestra tres de los resultados del
experimento que produjeron dos éxitos.
 Distribución binomial

• Utilizando la ecuación anterior, podemos determinar el número de resultados del

experimento que da lugar a x éxitos en n ensayos, también debemos conocer la
probabilidad asociada a cada uno de estos resultados.
• Como los ensayos de un experimento binomial son independientes, sencillamente, es
posible multiplicar las probabilidades asociadas con el resultado de cada ensayo para
determinar la probabilidad de una secuencia particular de éxitos y fracasos.
• La probabilidad de que los dos primeros clientes compren y que el tercero no compre, se
denota (S,S,F), esta dada por :
pp(1 – p)
(0.30)(0.30)(.70) = (0.30)2(0.70) = 0.063
 Distribución binomial
• Podemos observar que otro dos resultados experimentales dan lugar a dos
éxitos y un fracaso. Las probabilidades de tres resultados de dos éxitos se
presenta a continuación:

Resultado de los ensayos

Resultado del Probabilidad del resultado del
Primer Segundo Tercer experimento experimento
cliente cliente cliente
Compra Compra No compra (S,S,F) pp(1-p)=p2(1-p)=(0.30)2(0.70)=0.063
Compra No compra Compra (S,F,S) p(1-p)p=p2(1-p)=(0.30)2(0.70)=0.063
No compra Compra Compra (F,S,S) (1-p)pp=p2(1-p)=(0.30)2(0.70)=0.063
 Distribución binomial
• La probabilidad de cada secuencia de ensayos que producen x éxitos en n ensayos se
presenta de la siguiente manera:

Probabilidad de una secuencia de resultados con x éxitos en n ensayos

= 𝑝𝑥(1-p)(n-x)
• Sustituyendo para el el caso de Martin Clothing Store

𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑐𝑜𝑛 𝑑𝑜𝑠 é𝑥𝑖𝑡𝑜𝑠 = (.30)2 (.70)1 =0.063

 Distribución binomial
• Función binomial de probabilidad:

𝑓 𝑥 = 𝑛𝐶𝑥 𝜋 𝑥 (1 − 𝜋)(𝑛−𝑥)
Donde:
x= número de éxitos
𝜋= probabilidad de un éxito en un ensayo
n= número de ensayos
𝑓 𝑥 = probabilidad de x éxitos en n ensayos
𝑛!
𝑛𝐶𝑥 = 𝑥! 𝑛−𝑥 !

Nota: Para la distribución binomial de probabilidad, x es una variable aleatoria

discreta con función de probabilidad 𝑓 𝑥 𝑎𝑝𝑙𝑖𝑐𝑎𝑏𝑙𝑒 𝑎 𝑙𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑥 = 0,1,2 … . 𝑛
 Distribución binomial
• Para el caso de Martin Clothting Store, nuestra distribución de
probabilidad sobre el número de clientes que realiza una compara queda
de la siguiente manera
𝒙 𝒇(𝒙)
3!
0 (.30)0 (.70)3 = 0.343
0! 3!
3!
1 (.30)1 (.70)2 = 0.441
1! 2!
3!
2 (.30)2 (.70)1 = 0.189
2! 1!
3!
3 (.30)3 (.70)0 = 0.027
3! 0!
 Distribución binomial
• Para el caso de Martin Clothing Store, su representación gráfica de la
distribución de probabilidad del número de clientes que realiza una compra
es como se presenta a continuación.
0.5
0.45
0.4
0.35
Probabilidad

0.3
0.25
0.2
0.15
0.1
0.05
0
0 1 2 3
Número de clientes que realizan una compra
 Distribución binomial

• Valor esperado y varianza de una distribución binomial.

Valor Esperado: 𝐸 𝑥 = 𝜇 = 𝑛𝑝 Varianza: 𝑉𝑎𝑟 = 𝜎 2 = 𝑛𝑝(1 − 𝑝)

• Para el caso de Martin Clothing Store con tres cliente:

𝐸 𝑥 = 𝑛𝑝 = 3 0.30 = .90
𝑉𝑎𝑟 𝑥 = 𝜎 2 = 3 0.3 0.7 = 0.63
Supongamos que para el mes siguiente Martin Clothing Store, pronostica que 1,000 clientes
entraran a la tienda ¿cuál es el número esperado de clientes que realizará una compra?
 Distribución binomial

• Ejercicios de repaso
1.Considere un experimento binomial con dos ensayos y p = 0.4.
a) Trace un diagrama de árbol para este experimento
b) Calcule la probabilidad de un éxito, f(1)
c) Calcule f(0)
d) Calcule f(2)
e) Calcule la probabilidad de por lo menos un éxito.
f) Calcule el valor esperado, la varianza y desviación estándar.
 Distribución binomial
• Ejercicios de repaso
1.Considere un experimento binomial con dos ensayos y p = 0.4.
2 2!
a) b) 𝑓 1 = 0.4 1 (0.6)1 = 1!1! 0.4 0.6 = 0.48
1
2 2!
c) 𝑓 0 = 0.4 0 (0.6)2 = 1 0.36 = 0.36
0 0!2!
2 2!
d) 𝑓 2 = 0.4 2 (0.6)0 = 0.16 1 = 0.16
2 2!0!
e) 𝑝 𝑥 ≥ 1 = 𝑓 1 + 𝑓 2 = 0.48 + 0.16 = 0.64
f) 𝐸 𝑥 = 𝑛𝑝 = 2 0.4 = 0.8
𝑉𝑎𝑟 𝑥 = 𝑛𝑝 1 − 𝑝 = 2 0.4 0.6 = .48
𝜎 = .048 = 0.6928
 Distribución binomial
• Ejercicios de repaso
2.Considere un experimento binomial con n=10 y p=0.10.
a) Calcule f(0)
b) Calcule f(2)
c) Calcule p(x≤2)
d) Calcule p(x≥1)
e) Calcule E(x)
f) Calcule Var(x) y σ
 Distribución binomial
• Ejercicios de repaso
2.Considere un experimento binomial con n=10 y p=0.10.
a) .3487
b) .1937
c) P(x  2) = f (0) + f (1) + f (2) = .3487 + .3874 + .1937 = .9298
d) P(x  1) = 1 - f (0) = 1 - .3487 = .6513
e) E(x) = n p = 10 (.1) = 1
f) Var(x) = n p (1 - p) = 10 (.1) (.9) = .9
σ = √0.9 = .95
 Distribución binomial
• Ejercicios de repaso
3.Considere un experimento binomial con n = 20 y p = 0.70
a) Calcule f(12)
b) Calcule f(16)
c) Calcule P(x≥16)
d) Calcule P(x≤15)
e) Calcule E(x)
f) Calcule Var (x) y σ
 Distribución
• Ejercicios de repaso
binomial
3.Considere un experimento binomial con n = 20 y p = 0.70
a)f (12) = .1144
b)f (16) = .1304
c)P(x ≥ 16) = f (16) + f (17) + f (18) + f (19) + f (20)
= .1304 + .0716 + .0278 + .0068 + .0008 = .2374
d)P(x ≤b cv 15) = 1 - P (x ³ 16) = 1 - .2374 = .7626
e) E(x) = n p = 20(.7) = 14
f) Var(x) = n p (1 - p) = 20 (.7) (.3) = 4.2
σ = √4.2 = 2.0494
 Distribución binomial
• Ejercicios de tarea
1. Un estudio de Harris Interative Para Intercontineltal Hotel & Resorts le preguntó a los
encuestados: “Cuando viaja por el mundo, ¿se aventura por cuenta propia para experimentar la
cultura, o sigue con su grupo del tour y los itinerarios?” El sondeo reveló que 23% de los
encuestados se queda con el grupo del tour.
a) En una muestra de 6 viajeros internacionales, ¿Cuál es la probabilidad de que dos se queden en el grupo del
Tour?
b) En una muestra de 6 viajeros, ¿Cuál es la probabilidad de que por lo menos dos permanezcan con su grupo
del tour?
c) En una muestra de 10 viajeros, ¿Cuál es la probabilidad de que ninguno se quede con el grupo del tour?
 Distribución binomial

• Respuesta ejercicios de tarea.

6
a) 𝑓 2 =
2
(.23)2 (.77)4 =. 𝟐𝟕𝟖𝟗

6 6
b) 𝑓 𝑥 ≥ 2 = 1−𝑓 0 −𝑓 1 =1−
0
.23 0 .77 6 −
1
.23 1 .77 5 = 1 − .2084 − .3735 =. 𝟒𝟏𝟖𝟏

10
c) 𝑓 0 =
0
.23 0 (.77)10 =. 𝟎𝟕𝟑𝟑
 Distribución binomial

• Ejercicios de tarea.
2.En San Francisco. 30% de los trabajadores toman diario el transporte
público.
a. En una muestra de 10 trabajadores, ¿Cuál es la probabilidad de que exactamente tres tomen el
transporte público todos los días?
b. En una muestra de 10 trabajadores, ¿Cuál es la probabilidad de que por lo menos tres aborden el
transporte público todos los días?
 Distribución binomial
• Respuesta ejercicios de tarea.

n b. P(x  3) = 1 - f (0) - f (1) - f (2)

a. f ( x) =   ( p) x (1 − p) n − x
 x
10!
f (0) = (.30)0 (1 − .30)10 = .0282
0!(10)!
10!
f (3) = (.30)3 (1 − .30)10 −3
3!(10 − 3)!
10!
f (1) = (.30)1 (1 − .30)9 = .1211
1!(9)!
10(9)(8)
f (3) = (.30)3 (1 − .30)7 = .2668
3(2)(1)
10!
f (2) = (.30) 2 (1 − .30)8 = .2335
2!(8)!

P(x  3) = 1 - .0282 - .1211 - .2335 = .6172

 Distribución binomial

• Ejercicios de tarea.
3.Cuando una máquina nueva funciona adecuadamente, solo 3% de los artículos
producidos resultan con defectos. Suponga que seleccionamos al azar dos partes
producidas en la máquina y que nos interesa el número de partes defectuosas
encontradas.
a) Describa las condiciones bajo las cuales esta situación seria un experimento binomial.
b) Trace un diagrama de árbol que muestra este problema como un experimento de dos ensayos.
c) ¿En cuántos resultados experimentales se encuentra exactamente un defecto?
d) Calcule las probabilidades asociadas con no encontrar defecto, hallar exactamente uno y dos defectos
 Distribución binomial
• Respuesta ejercicios de tarea.
3.a) La probabilidad de que un articulo producido esté defectuoso debe ser de
0.03 por cada pieza seleccionada; las partes deben ser seleccionadas de
forma independiente.
b) c) Los dos resultados presentaron exactamente un defecto.
 Distribución binomial
• Respuesta ejercicios de tarea.
d) P (sin defectos)= (0.97)(.097) = 0.9409
P ( 1 defecto) = 2(0.03)(0.97) = 0.0582
P (2 defectos) = (0.03)(0.03) = 0.0009
• Valor esperado y varianza de la distribución binomial :
𝐸 𝑥 = 𝜇 = 𝑛𝑝

𝑉𝑎𝑟 𝑥 = 𝜎 2 = 𝑛𝑝 1 − 𝑝

𝜎 = √𝑛𝑝(1 − 𝑝)
 Distribución Hipergeométrica
• Definición: mantiene una relación estrecha con la distribución binomial, pero difiere de
ésta en dos puntos esenciales:
1. Los resultados de cada ensayo de un experimento se clasifican en dos categorías exclusivas: éxito o
fracaso
2. La variable aleatoria es el número de éxitos de un número fijo de ensayos
3. Sus ensayos no soy independientes
4. Los muestreos se realizan con una población finita sin remplazo y
(𝑆𝐶𝑥)(𝑁 − 𝑆𝐶𝑛 − 𝑥)
𝑓 𝑥 =
𝑁𝐶 𝑛
N= Tamaño de la población
S= El numero de éxitos en la población
x= Número de éxitos en la muestra; este puede asumir los valores 0,1,2,3…
n= Es el tamaño de la muestra o el numero de ensayos
C= El símbolo de la combinación
ƒ(x)= Probabilidad de x éxitos en n ensayos
 Distribución Hipergeométrica
• Ejemplo:
Los fusibles eléctricos producidos por Ontario Electric se empacan en cajas de 12
unidades cada una. Suponga que un inspector selecciona al azar tres de los 12
fusibles de una caja para probarlos. Si esta contiene exactamente 5 fusibles
averiados, ¿cuál es la probabilidad de que el inspector encuentre exactamente un
fusible defectuoso en los tres que seleccionó?
En esta aplicación tenemos que:
N = 12 (número de elemento de la población)
S = 5 fusible defectuoso (número de éxitos en la población)
x= 1 fusible defectuoso (número de éxitos en la muestra)
n = 3 (número de ensayos)
r = 5 fusibles defectuosos en la caja (elementos de la población considerados como éxitos)
 Distribución Hipergeométrica
• respuesta:
5! 7!
5𝐶1 7𝐶2 1! 4! 2! 5! 5 21
𝑓 1 = = = = 0.4773
𝐶
12 3
12! 220
3! 9!
Ahora supongamos que el supervisor desea saber la probabilidad de encontrar
por lo menos un fusible defectuoso:
Respuesta:
5! 7!
5𝐶0 7𝐶3 0! 5! 3! 4! 1 35
𝑓 0 = = = = 0.1591
12𝐶3
12! 220
3! 9!
Con la probabilidad ƒ(0)= 0.1591, concluimos que la probabilidad de encontrar
por lo menos un defectuoso debe ser:
1-0.1591=0.8409
 Distribución Hipergeométrica
• Valor esperado, varianza y desviación estándar:

𝑺
𝑬 𝒙 =𝝁=𝒏
𝑵

𝑺 𝑺 𝑵−𝒏
𝑽𝒂𝒓 𝒙 = 𝝈𝟐 = 𝒏 𝟏−
𝑵 𝑵 𝑵−𝟏

𝑺 𝑺 𝑵−𝒏
𝝈= 𝒏 𝟏−
𝑵 𝑵 𝑵−𝟏
 Distribución Hipergeométrica
• Valor esperado, varianza y desviación estándar aplicado al ejercicio de los
fusibles:

𝑺 𝟓
𝑬 𝒙 =𝝁=𝒏 =𝟑 = 𝟏. 𝟐𝟓
𝑵 𝟏𝟐

𝑺 𝑺 𝑵−𝒏 𝟓 𝟓 𝟏𝟐 − 𝟑
𝑽𝒂𝒓 𝒙 = 𝝈𝟐 =𝒏 𝟏− =𝟑 𝟏− = 𝟎. 𝟔𝟎
𝑵 𝑵 𝑵−𝟏 𝟏𝟐 𝟏𝟐 𝟏𝟐 − 𝟏

𝑺 𝑺 𝑵−𝒏
𝝈= 𝒏 𝟏− = 𝟎. 𝟔𝟎 = 𝟎. 𝟕𝟕
𝑵 𝑵 𝑵−𝟏
 Hipergeometrica
Ejemplo:
•Play time Toys, Inc., tiene 50 empleados en el departamento de ensamblado. Solo cuarenta
de ellos pertenecen al sindicato. Se eligen al azar cinco empelados para formar un comité
que hablará con la empresa sobre el horario de los turnos. ¿Cuál es la probabilidad de que
cuatro de los 5 empleados elegidos para formar parte de del comité pertenezcan a un
sindicato?
40! 10!
40𝐶4 10𝐶1 4! 36! 1! 9! 91390 10
𝑓 4 = = = = 0.4313
50𝐶5 50! 2118760
5! 45!

Por consiguiente, la probabilidad de elegir al azar a 5 trabajadores de ensamblado

de los 50 trabajadores y encontrar que 4 de 4 son sindicalizados es de 0.4313.
 Hipergeométrica

Miembros de un sindicato (𝒙) Probabilidad

𝒇(𝒙)
0 .000
1 .004
2 .044
3 .210
4 .431
5 .311
1.000
 Aproximación de la Hipergeométrica
por la Binomial
• Cuando N es grande y n es relativamente pequeña entonces la
distribución correcta a utilizar es la binomial. Se puede probar
que la función de probabilidad Hipergeométrica converge a la
función de probabilidad binomial cuando N es grande.
• • Desventaja de la distribución Hipergeométrica
Generalmente el muestreo se hace a partir de una población grande, por lo que la
distribución Hipergeométrica es mucho menos usada en la vida real que la binomial.
Sin embargo, si la población es pequeña, entonces la distribución correcta a utilizar
será la Hipergeométrica.
Recuerde que se recomienda usar la distribución Hipergeométrica cuando:
N / n < 10
Aproximación de la Hipergeométrica
por la Binomial (ejemplo Play Toy Inc.)

Miembros de un Probabilidad Probabilidad binomial

sindicato (𝒙) Hipergeometrica (n=5 y p=0,80)
𝒇(𝒙)
0 .000 .0003
1 .004 .0064
2 .044 .0512
3 .210 .2048
4 .431 .4096
5 .311 .3277
1.000 1.0000
 5.2.1Aproximación de la
Hipergeométrica por la Binomial

• Cuando no es posible satisfacer algunos de los requisitos binomiales de una

probabilidad constante de éxito, se debe de recurrir a la distribución de la
probabilidad Hipergeométrica.

Regla empírica:
Si los elementos seleccionados no regresan a la población, se puede aplicar la
distribución binomial para calcular la distribución Hipergeométrica cuando n<0.05 al
tamaño de la población. Es decir, basta la distribución binomial si el tamaño de la
muestra es menor que 5%de la población.
 Aproximación de la Hipergeométrica
por la Binomial
• Ejemplo:
Se estima que 4,000 de 10,000 votantes residentes en la ciudad están en contra de un
nuevo impuesto a las ventas. Si se selecciona al azar 15 votantes y se les pide la opinión. ¿Cuál
es la probabilidad de que por lo menos 7 estén a favor del nuevo impuesto?
Respuesta:
Sea X= número de votantes en contra de un nuevo impuesto a las ventas.
X = 1,2,3,…..,15
Observando los parámetros, podemos asegurar que es una distribución Hipergeométrica.
Como N>n, es decir 10,000>15 se puede aproximar a una binomial
H(x;10000,15,4000)⟹ B(x;15,0.4) P (4000/10000)=0.4
 Aproximación de la Hipergeométrica
por la Binomial
• Procedemos a resolver el problema como una distribución binomial.
• Se puede encontrar la probabilidad de que por lo menos 7 estén a favor del nuevo impuesto
• X= número de votantes a favor de un nuevo impuesto a las ventas
• X= 0,1,2,3,….,15
• P= 0.60
• B(x,15,06)
Respuesta:
P(x ≥ 7) = 1- P(x ≤ 6)
P(x ≥ 7) = 1 − Σ𝑃 𝑥; 15,0.60
P(x ≥ 7) = 1 − 0.0940 = 𝟎. 𝟗𝟎𝟔𝟎
 Distribución multinomial
• Cada elemento de una población es asignado a una y sólo una de
tres o mas categorías.
• Como ejemplo consideramos el estudio de participación de
memrcado qi}ue realizó Scott Marqketing Research. En los
últimos años, las participaciones de mercado de un producto se
han estabilizado en 30% para la empresa A, 50% para la empresa
B y 20% para la empresa C. Dado que cada cliente se clasifica
como comprador𝒅𝒆de𝒒𝒖𝒆
𝑷𝑨 = 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 una
𝒖𝒏 de estas
𝒄𝒍𝒊𝒆𝒏𝒕𝒆 tres 𝒆𝒍
𝒄𝒐𝒎𝒑𝒓𝒆 empresas, tenemos
𝒑𝒓𝒐𝒅𝒖𝒄𝒕𝒐 𝒅𝒆 una𝑨
𝒍𝒂 𝒆𝒎𝒑𝒓𝒆𝒛𝒂
distribución multinomial
𝑷𝑩 = 𝑷𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 con 𝒄𝒐𝒎𝒑𝒓𝒆
𝒅𝒆 𝒒𝒖𝒆 𝒖𝒏 𝒄𝒍𝒊𝒆𝒏𝒕𝒆 tres posibles resultados.
𝒆𝒍 𝒑𝒓𝒐𝒅𝒖𝒄𝒕𝒐 𝒅𝒆 𝒍𝒂 𝒆𝒎𝒑𝒓𝒆𝒛𝒂 La𝑩
probabilidad de cada
𝑷𝑪 = 𝑷𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 uno
𝒅𝒆 𝒒𝒖𝒆 𝒖𝒏de estos𝒄𝒐𝒎𝒑𝒓𝒆
𝒄𝒍𝒊𝒆𝒏𝒕𝒆 tres resultados
𝒆𝒍 𝒑𝒓𝒐𝒅𝒖𝒄𝒕𝒐es
𝒆𝒏al𝒍𝒂siguiente:
𝒆𝒎𝒑𝒓𝒆𝒛𝒂 𝑪
 Distribución multinomial
• Si se emplean las participaciones de mercado históricas, tenemos una distribución
multinomial con pA=0.30, pB=0.50 y pC=0.20
• La empresa C planea introducir un producto “nuevo y mejorado” para reemplazar
su producto actual del mercado.
• La empresa C contrata una empresa para determinar si el nuevo producto alterará
o cambiará la participación del mercado de las tres empresas.
• El estudio presentará el nuevo producto de la empresa C a una muestra de
clientes, y posteriormente les solicitará que indiquen su preferencia para el
producto de la empresa A, el de la empresa B y el de la empresa C.
• Con base a los datos de la muestra, se puede emplear las siguientes hipótesis para
determinar si e nuevo producto de la empresa C puede modificar las
participaciones de mercado históricas para las tres empresas.
𝐻0 : 𝑝𝐴 = 0.30, 𝑝𝐵 = 0.50 𝑦 𝑃𝑐 = 0.20
𝐻𝐴 = 𝐿𝑎𝑠 𝑝𝑟𝑜𝑝𝑜𝑟𝑐𝑖𝑜𝑛𝑒𝑠 𝑝𝑜𝑏𝑎𝑐𝑖𝑜𝑛𝑎𝑙𝑒𝑠 𝑛𝑜 𝑠𝑜𝑛:
𝑝𝐴 = 0.30, 𝑝𝐵 = 0.50 𝑦 𝑃𝑐 = 0.20
 Distribución multinomial
• Suponga que la firma de investigación de mercados ha utilizado
un panel de consumidores con 200 clientes.
• Se le pide a cada cliente que especifique su preferencia de
compra entre las tres alternativas: el producto de la empresa A,
el de la empresa B y el nuevo producto de la empresa C.

Frecuencias observadas
Producto de la empresa A Producto de la empresa B Nuevo producto de la
empresa C
48 98 54

• Prueba de bondad de ajuste:

Frecuencias observadas
Producto de la empresa A Producto de la empresa B Nuevo producto de la
empresa C
200(0.30)=60 200(0.50)=100 200(0.20)=40
 Distribución multinomial
• Prueba de bondad de ajuste:
Observaremos las diferencias que existe entre las frecuencias observadas y las
frecuencias esperadas
• Estadístico de prueba de la bondad de ajuste:
𝑲
(𝒇 − 𝒆 )𝟐
𝒊 𝒊
𝑿𝟐 = ෍
𝒆𝒊
𝒊=𝟏
• Donde:
𝒇𝒊 = 𝒇𝒓𝒆𝒖𝒆𝒏𝒄𝒊𝒂𝒔 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒅𝒂𝒔 𝒑𝒂𝒓𝒂 𝒍𝒂 𝒄𝒂𝒕𝒆𝒈𝒐𝒓í𝒂 𝒊
𝒆𝒊 = 𝒇𝒓𝒆𝒄𝒖𝒆𝒏𝒄𝒊𝒂𝒔 𝒆𝒔𝒑𝒆𝒓𝒂𝒅𝒂𝒔 𝒑𝒂𝒓𝒂 𝒍𝒂 𝒄𝒂𝒕𝒆𝒈𝒐𝒓í𝒂 𝒊
𝒌 = 𝒏ú𝒎𝒆𝒓𝒐 𝒅𝒆 𝒄𝒂𝒕𝒆𝒈𝒐𝒓í𝒂𝒔
Nota: el estadístico de prueba tiene una distribución de ji-cuadrada con k-1
grado de libertad, dado que las frecuencias esperadas son de 5 o más para todas
las categorías.
 Distribución multinomial

• Continuando
Proporción
conFrecuencia
el ejemploFrecuencia
de Scott Marketing,Diferencia
Diferencia
utilizando Diferencia al cuadrado
al un
dividida entre la
nivel se
Categoría significancia
hipotética de ∝= 𝟎.
observada 𝟎𝟓
esperada
(𝒇𝒊 − 𝒆𝒊 )
cuadrado
frecuencia esperada
(𝒇𝒊 ) (𝒆𝒊 ) (𝒇𝒊 − 𝒆𝒊 )𝟐
(𝒇𝒊 −𝒆𝒊 )𝟐 /𝒆𝒊
Empresa A 0.30 48 60 -12 144 2.40
Empresa B 0.50 98 100 -2 4 0.04
Empresa C 0.20 54 40 14 196 4.90
Total 200 𝑋 2 = 7.34
 Distribución multinomial
• Si empelamos el método de valor crítico
Región de
rechazo 0.05
No se rechaza
𝐻0

5.991
valor
critico

• Se rechaza 𝐻0 si 𝑋 2 ≥ 5.991
• Conclusión: la introducción del nuevo producto de la empresa C
modificará las participaciones de mercado históricas.
 Distribución multinomial

• Otra manera de concluir es si el estadístico 𝑋 2 = 7.34 se

encuentra entre 5.991 y 7.378, por lo que el área correspondiente
en la cola superior o valor-p debe encontrarse entre 0.05 y 0.025.
con un valor-p ≤ 0.05, rechazamos 𝐻0 .
• Concluimos: que la introducción del nuevo producto de la
empresa C modificará las participaciones de mercado históricas.
 Distribución Poisson

• Se considera una variable aleatoria discreta útil para estimar el número

ocurrencias en un intervalo específico de tiempo o espacio
• Propiedades:
1. La probabilidad de ocurrencia es la misma para cualesquiera dos intervalos de igual longitud.
2. La ocurrencia o no ocurrencia en cualquier intervalo es independiente de la ocurrencia o no
ocurrencia de cualquier otro intervalo.
• Función de probabilidad de poisson:
𝝁𝒙 𝒆−𝝁
𝒇 𝒙 =
𝒙!
Donde:
𝒇 𝒙 = 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒅𝒆 𝒙 𝒐𝒄𝒖𝒓𝒓𝒆𝒏𝒄𝒊𝒂𝒔 𝒆𝒏 𝒖𝒏 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒐
𝝁 = 𝒗𝒂𝒍𝒐𝒓 𝒆𝒔𝒑𝒆𝒓𝒂𝒅𝒐 𝒐 𝒏ú𝒎𝒆𝒓𝒐 𝒎𝒆𝒅𝒊𝒐 𝒅𝒆 𝒐𝒄𝒖𝒓𝒓𝒆𝒏𝒄𝒊𝒂𝒔 𝒆𝒏 𝒖𝒏 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒐
𝒆 = 𝟐. 𝟕𝟏𝟖𝟐𝟖
𝒓
𝑬 𝒙 =𝝁=𝒏
𝑵
 Distribución Poisson
• Ejemplo:
Suponga que le interesa conocer el número de llegadas al autocajero de un banco en las
mañanas, de lunes a viernes, durante un periodo de 15 minutos. Si asume que la
probabilidad de un automóvil que llega es la misma para cualesquiera dos periodos de
igual duración y que la llegada o no llegada de un vehículo en cualquier periodo, la
función de poisson es aplicable. Imagine que estos supuestos se cumplen y que un análisis
de los datos históricos muestra que el número promedio de automóviles que llega en un
periodo de 15 minutos 10; en este caso, se aplica la siguiente función de probabilidad.
10𝑥 𝑒 −10 105 𝑒 −10
𝑓 𝑥 = =𝑓 5 = = 0.0378
𝑥! 5!
Probabilidad de que exactamente cinco llegadas en 15 minutos
 Distribución Poisson
• Las llamadas telefónicas entran a una razón de 48 por hora en la oficina de
reservaciones de Regiona Airways.
A. Calcule la probabilidad de recibir tres llamadas en un intervalo de 5 minutos:
5 43 𝑒 −4 64 .0183
𝜇 = 48 =4 𝑓 3 = = = .1952
60 3! 6
B. Calcule la probabilidad de recibir10 exactamente
−12
10 llamadas en 15 minutos: 𝜇 =
15 12 𝑒
48 60
= 12 𝑓 10 = 10!
= .1048
C. Suponga que actualmente no hay llamadas en espera. Si el agente tarda 5
minutos en terminar la llamada actual, ¿Cuántas personas estimaría que
estuvieran esperando en el teléfono para ese entonces?¿Cuál es la probabilidad
de que no haya llamada en espera?
5
𝜇 = 48 = 4, 𝑙𝑎 𝑒𝑠𝑝𝑒𝑐𝑡𝑎𝑡𝑖𝑣𝑎 𝑒𝑠 𝑑𝑒 4 𝑙𝑙𝑎𝑚𝑎𝑑𝑎𝑠 𝑒𝑛 𝑒𝑠𝑝𝑒𝑟𝑎
60
40 𝑒 −4
𝑓 0 = = .0183, 𝑙𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑛𝑜 ℎ𝑎𝑦𝑎 𝑙𝑙𝑎𝑚𝑑𝑎 𝑒𝑛 𝑒𝑠𝑝𝑒𝑟𝑎
𝑜!
 Distribución Poisson
E. Si no se procesa actualmente alguna llamada, ¿Cuál es la probabilidad de que
el agente tarde 3 minutos en un asunto personal sin ser interrumpido por una
llamada?

3
𝜇 = 48 = 2.4
60

2.40 𝑒 −24
𝑓 0 = = .0907
0!

La probabilidad de no tener interrupciones en 3 minutos es .0907