VARIABLES ALEATORIAS

DISCRETAS
 INTRODUCCIÓN (1)

Unidad Unidades 3 y 4
1

E(X) = 3,5
V(X) = 2,8

Unidad
2
 INTRODUCCIÓN (2)
Ya sea que un experimento produzca resultados cualitativos o
cuantitativos, los métodos de análisis estadístico requieren enfocarse
en ciertos aspectos numéricos de los datos.
El concepto de variable aleatoria permite pasar de los resultados
experimentales a la función numérica de los resultados.
Una variable aleatoria es una función,
por lo que tiene un dominio y un
recorrido. El dominio es el espacio
muestral S o Ω asociado a un
S
experimento aleatorio, y el recorrido
es un subconjunto de R. S 


S
 INTRODUCCIÓN (3)
En muchos casos es deseable asignar un valor numérico a cada
resultado de un experimento. Dicha asignación se llama variable
aleatoria

Ejemplo 1: Una ingeniera tiene seis resistores a Resultado Probabilidad

mano. Tres de ellos tienen etiqueta de 10 Ω y los (9, 19) 1/9
otros tres etiqueta de 20 Ω. La ingeniera quiere
conectar un resistor de 10 Ω y un resistor de 20 (9, 20) 1/9
Ω en serie, para crear una resistencia de 30 Ω. (9, 21) 1/9
Ahora se supone que en efecto los tres resistores (10, 19) 1/9
etiquetados con 10 Ω tienen resistencias reales
de 9, 10 y 11 Ω; y que los tres resistores (10, 20) 1/9
etiquetados con 20 Ω tienen resistencias reales (10, 21) 1/9
de 19, 20 y 21 Ω. El proceso para seleccionar (11, 19) 1/9
pares de resistores de cada tipo, es un
experimento cuyo espacio muestral consta de (11, 20) 1/9
nueve resultados igualmente probables, a saber: (11, 21) 1/9
 INTRODUCCIÓN (4)
Ejemplo 1 (cont.): Resultado
Para la ingeniera, lo importante de este (espacio X Probabilidad
P (X = x)
experimento es la suma de dos resistores, y muestral)
no los valores individuales de cada uno de (9, 19) 28 1/9
ellos. Por ello, se asigna a cada resultado un
número igual a la suma de los pares (9, 20) 29 1/9
resistores seleccionados. Esta asignación se (9, 21) 30 1/9
representa por la letra X y se da a conocer (10, 19) 29 1/9
en la tabla siguiente:
(10, 20) 30 1/9
Una variable aleatoriaXes una funciónque (10, 21) 31 1/9
asigna valores numéricos a cada elemento o
punto de un espacio muestral: (11, 19) 30 1/9
(11, 20) 31 1/9
X: S 
𝒔𝑖 𝒙𝑖 (11, 21) 32 1/9

Ejercicio 1: Con referencia al ejemplo anterior, realice una lista de los

valores que puede asumir la variable aleatoria X y determine la probabilidad
de ocurrencia para cada uno de dichos valores.
 VARIABLES ALEATORIAS (1)
DEFINICIONES
1) Si un espacio muestral contiene una cantidad finita de
posibilidades o una secuencia interminable con tantos
elementos como el total de números enteros, se llama
espacio muestral discreto y a la variable aleatoria
definida en ese espacio, se le denomina variable
aleatoria discreta

2) Si un espacio muestral contiene un cantidad infinita de

posibilidades igual al número de puntos en un segmento
de recta, se llama espacio muestral continuo y a la
variable aleatoria definida en ese espacio, se le
denomina variable aleatoria continua
 VARIABLES ALEATORIAS DISCRETAS (1)

DISTRIBUCIÓN DE PROBABILIDAD
La función f(xi) = P(X = xi) es una función de probabilidad,
función de masa o una distribución de probabilidad de la
variable aleatoria discreta X si, para cada resultado posibles x:

a. f(x)  0 f(x)  función de probabilidad de la v. a. X

b.  f ( x )  1 (x, f(x))  distribución de la v. a. X

x

c. P(X = x) = f(x) f(x) es una función de masa o de

cuantía cuando X es una v. a. d.
 VARIABLES ALEATORIAS DISCRETAS (2)
Ejemplo 2: se realiza un experimento aleatorio que
consiste en arrojar 2 monedas

S = {(C, C), (C, X), (X, C), (X, X)}

S1 = (C,C) S2 = (C,X)
S3 = (X,C) S4 = (X,X) X

S S1 x1 = 0
La v.a. X: número de cruces S2
x2 = 1
S3
x3 = 2
S4
 VARIABLES ALEATORIAS DISCRETAS (3)
Lanzamiento de 2 monedas (X: número de cruces):
P(X = 0) = f(0) = P[S X (S) = 0] = P({S1})
P(X = 1) = f(1) = P[S X (S) = 1] = P({S2}, {S3})
P(X = 2) = f(2) = P[S X (S) = 2] = P({S4})

Distribución de probabilidad: P(X = x)

X x1 = 0 x2 = 1 x3 = 2

f(x) = P(X = x) 1/4 2/4 1/4

Rx = {0, 1, 2}
 VARIABLES ALEATORIAS DISCRETAS (4)
Ejemplo 3: Se arrojan 3 monedas, donde X es el número de
cruces.
Rx = {0, 1, 2, 3}

Diagrama de árbol Forma tabular Forma gráfica

C x P(x)
P(x)
C
X 0 1/8 3/8
C C
X X 1 3/8 2/8
S
C 2 3/8
C 1/8
X X
3 1/8
X C x
X 1 0 1 2 3
 VARIABLES ALEATORIAS DISCRETAS (5)
FUNCION DE PROBABILIDAD ACUMULATIVA

Definición: La distribución acumulada F(x) de una

variable aleatoria discreta X con función de cuantía
f(x) está dada por:
F(x) = P ( X  x ) =  f(xi )
xi  x

La función de distribución acumulativa especifica la

probabilidad de que una variable aleatoria sea menor o igual a un
valor dado. La función de distribución acumulativa de la variable
aleatoria X es la función F(x) = P(X ≤ x).
 VARIABLES ALEATORIAS DISCRETAS (6)
Ejemplo 4: Supongamos que X es una variable aleatoria
discreta que toma los siguientes valores:
 0,40 x0 a) Verificar si p(x) es una
 0,30 x 1 función de cuantía.

p (x)   b) Graficar f(x) ó p(x)
 0,20 x2
 0,10 c) Encontrar la distribución
x3
acumulativa y graficar.

a) p(x)  0 p(x) = 1
 VARIABLES ALEATORIAS DISCRETAS (7)
b)
P(x)

0.40
0.30
0.20
0.10
x F(x)
P(x)
0 1 2 3
1 P(X = 3)
0.90
 0 x <0 0.70
0.40 0  x <1
 P(X = 1)
c) F (x) = 0.70 1  x <2 0.40
0.90 2 x <3
 P(X = 0)
 1 x3 x
0 1 2 3
 VARIABLES ALEATORIAS DISCRETAS (8)
MEDIA O VALOR ESPERADO
Definición: La función de masa de probabilidad de una variable
aleatoria discreta X es la función p(x) = P(X = x). La media
poblacional, o el valor esperado, o la esperanza matemática de
X es:
x = E X  = x i . p(x i )
x

Ejercicio 2: el número de fallas en un alambre de cobre de 1 pulgada

de longitud, fabricado en proceso específico varía de alambre en
alambre. En conjunto, 48% de los alambres producidos no tiene falla,
39% presenta una, 12% fue detectado con dos y 1% tiene tres. Sea X el
número de fallas en una pieza de alambre seleccionada aleatoriamente.
a) Graficar la función de masa de probabilidad f(x)
b) Determinar la media o valor esperado de la variable aleatoria X
c) Grafique la función de distribución acumulada F(x)
 VARIABLES ALEATORIAS DISCRETAS (9)
a) b)
P(x)
x= E X  = 0 . P(X  0)  1. P(X  1)  2 . P(X  2)  3 . P(X  3)
0,50
0,40
= (0) . (0,48)  1. (0,39)  2 . (0,12)  3 . (0,01)

0,30 E  X = 0,6600
0,20
0,10

0 1 2 3 x
EX 
Número de fallas
 VARIABLES ALEATORIAS DISCRETAS (10)
c)
 VARIABLES ALEATORIAS DISCRETAS (13)
VARIANZA
Definición: Sea X una variable aleatoria con distribución de
probabilidad f(x). La varianza o variancia esta dada por:
2
Var [ x ] = V ( x ) = E[X ] - (E[X]) 2

Ejercicio 4: El número de camiones que ingresan a una planta de

tratamiento de residuos tiene la función de probabilidad de masa siguiente:
Xi 4 5 6 7 8 9
P(X=Xi ) 0,1 0,1 0,3 0,3 0,15 0,05

a) Hallar la distribución acumulativa de la variable aleatoria X

b) Determinar la media y la varianza de la variable aleatoria X
 VARIABLES ALEATORIAS DISCRETAS (14)
a)

b)
x = E X  = x i . p(x i )  6,45
x

V ( x ) = E[X2 ] - (E[X])2 = 43,25 - (6,45) 2 = 1,64

VARIABLES ALEATORIAS DISCRETAS (15)

La variable aleatoria discreta X, se

distribuye con una función de
parámetros: E[X] y V[X]
X  f(E[X], V[X])
 DISTRIBUCIONES DE
PROBABILIDAD DISCRETAS
DISTRIBUCIÓN DE
BERNOULLI
 DISTRIBUCIÓN DE BERNOULLI (1)
Ejemplo 5: Un estudiante intenta conectarse a un
sistema de computadoras de tiempo compartido, si
por lo menos uno de los puertos está disponible, el Resultado
estudiante logra entrar al sistema (E), si todos los (espacio X p(x)
puertos están ocupados, el estudiante falla (F) y no muestral)
logra acceder al sistema. E 1 p
Con S = {E, F} se define una variable aleatoria X F 0 q
como la posibilidad de acceso al sistema

Características de un experimento de Bernoulli:

1. El experimento tiene solo dos resultados mutuamente excluyentes (un
resultado con E y el otro con F).
2. Los resultados son colectivamente exhaustivos, o sea, no hay otros
resultados posibles.
3. Las probabilidades de E y F se denotan por p y q, respectivamente.
Es decir, P(E) = p y P(F) = q. Nótese que p + q = 1
 DISTRIBUCIÓN DE BERNOULLI (2)
Considere un experimento de Bernoulli donde
1 si ocurre un éxito (E)
X = 
0 si ocurre un fracaso (F)
La distribución de probabilidad de la variable aleatoria de
Bernoulli X está dada por
p( x ) = p x q1 x ( x  0, 1)
Donde:
p = probabilidad de un éxito para un ensayo de Bernoulli
q = 1‒p

Si X ~ Bernoulli(p), la media y la varianza son

 x = E x  = p
2x = V x  = p q
DISTRIBUCIÓN
BINOMIAL
 DISTRIBUCIÓN BINOMIAL (1)
Las distribuciones de probabilidad binomial nos permiten
enfrentar circunstancias donde los resultados pertenecen a dos
categorías relevantes, tales como pasa/no pasa, defectuosa/no
defectuosa, etc.

Una distribución de probabilidad binomial resulta de un

procedimiento que cumple con todos los requisitos siguientes:
1. El procedimiento tiene un número fijo de ensayos n
2. Los ensayos son independientes.
3. Hay sólo dos resultados posibles en cada ensayo del
experimento (éxito y fracaso).
4. La probabilidad de éxito es p, y es constante para todos los
ensayos del experimento. La probabilidad de fracaso es q y es
constante para todos las pruebas del experimento.
 DISTRIBUCIÓN BINOMIAL (2)
Ejemplos de experimentos binomiales

a) Lanzar 10 veces una moneda para ver si cae cara o cruz.

b) Obtener el numero 4 en el lanzamiento de 15 dados.

c) La fabricación de 100 piezas en una empresa metalmecánica,

calificada cada una como aceptable o defectuosa.

d) El control de calidad de 50 circuitos integrados para determinar si

funcionan o no.

e) Un vendedor posee un total de 50 clientes, y quiere analizar cuales

son sus posibilidades de vender.
 DISTRIBUCIÓN BINOMIAL (3)
P(X=x) = (número de resultados con x éxitos en n ensayos) • p 1 - p 
x nx

Debemos plantear una expresión que indique el número de arreglos de

x éxitos en n ensayos, que es: n! n
=  
(n - x )! x! x

Definición: Si un experimento binomial da como resultado un

éxito con probabilidad p y un fracaso con probabilidad q = 1 - p, la
distribución de probabilidad de la variable aleatoria X, para el
número de éxitos en n ensayos independientes, es
Número de resultados con La probabilidad de x
exactamente x éxitos en n éxitos en n ensayos
ensayos
 n x n - x
   p q x = 0, 1, 2, . . . , n
p ( x ) = b ( x, n, p) =  x

 0 en otro lugar
 DISTRIBUCIÓN BINOMIAL (7)

La media y la varianza de una distribución binomial

son

 E x  = n p
X ~ b x , n , p   
 V x  = n p q
 DISTRIBUCIÓN BINOMIAL (8)
Distribución binomial, con n = 10 y diferentes p
 DISTRIBUCIÓN BINOMIAL (9)

Ejercicio 5: La probabilidad de que una pieza

mecánica tenga algún tipo de defecto es 0,4.
Si se sabe que se han evaluado un total 15 piezas
¿cuál es la probabilidad de que:
a) Tengan algún defecto exactamente 5 piezas?

 15 
P( X  5 )    ( 0,4 )5 ( 0,6 )10  0,1859
 5 

P ( X  5 )  b( 5; 15; 0,4 )  0,1859

 DISTRIBUCIÓN BINOMIAL (10)
n = 15 - Tabla de distribución binomial puntual
x p
0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,50
0 0,4633 0,2059 0,0874 0,0352 0,0134 0,0047 0,0016 0,0005 0,0000
1 0,3658 0,3432 0,2312 0,1319 0,0668 0,0305 0,0126 0,0047 0,0005
2 0,1348 0,2669 0,2856 0,2309 0,1559 0,0916 0,0476 0,0219 0,0032
3 0,0307 0,1285 0,2184 0,2501 0,2252 0,1700 0,1110 0,0634 0,0139
4 0,0049 0,0428 0,1156 0,1876 0,2252 0,2186 0,1792 0,1268 0,0417
5 0,0006 0,0105 0,0449 0,1032 0,1651 0,2061 0,2123 0,1859 0,0916
6 0,0000 0,0019 0,0132 0,0430 0,0917 0,1472 0,1906 0,2066 0,1527
7 0,0000 0,0003 0,0030 0,0138 0,0393 0,0811 0,1319 0,1771 0,1964
8 0,0000 0,0000 0,0005 0,0035 0,0131 0,0348 0,0710 0,1181 0,1964
9 0,0000 0,0000 0,0001 0,0007 0,0034 0,0116 0,0298 0,0612 0,1527
10 0,0000 0,0000 0,0000 0,0001 0,0007 0,0030 0,0096 0,0245 0,0916
11 0,0000 0,0000 0,0000 0,0000 0,0001 0,0006 0,0024 0,0074 0,0417
 DISTRIBUCIÓN BINOMIAL (11)

b) Tengan algún defecto a lo más 2 piezas?

2 15 
P(X  2) =    0,4  0,6 
2
x 15 - x =  b(x, 15, 0.40) = 0,0271
x = 0 x  x =0

c) Tengan algún defecto al menos 10 piezas?

P(X  10) = P(X = 10) + P(X = 11) +  + P(X = 15) =
15 
 1     0,4x 0,6 15 - x =
9

x =0  x 

9
P( X  10 )  1  b(x ; 15; 0,40) = 1 - 0,9662  0,0338
x=0
 DISTRIBUCIÓN BINOMIAL (12)
n = 15 - Tabla de distribución binomial acumulada
x p 0,10 0,20 0,25 0,30 0,40 0,50
0 0,20589 0,03518 0,01336 0,00475 0,00047 0,00003
1 0,54904 0,16713 0,08018 0,03527 0,00517 0,00049
2 0,81594 0,39802 0,23609 0,12683 0,02711 0,00369
3 0,94444 0,64816 0,46129 0,29687 0,09050 0,01758
4 0,98728 0,83577 0,68649 0,51549 0,21728 0,05923
5 0,99775 0,93895 0,85163 0,72162 0,40322 0,15088
6 0,99969 0,98194 0,94338 0,86886 0,60981 0,30362
7 0,99997 0,99576 0,98270 0,94999 0,78690 0,50000
8 1,00000 0,99922 0,99581 0,98476 0,90495 0,69638
9 1,00000 0,99989 0,99921 0,99635 0,96617 0,84912
10 1,00000 0,99989 0,99921 0,99635 0,99077 0,84912
11 1,00000 1,00000 0,99999 0,99991 0,99807 0,98242
 DISTRIBUCIÓN BINOMIAL (13)
d) Tengan algún defecto entre 3 y 8 piezas inclusive?
8
P ( 3  x  8 ) =  b ( x ; 15 ; 0,40 ) =
x=3
8 2
  b (x; 15; 0,40) -  b(x; 15; 0,40) =
x =0 x =0

= 0,9050  0,0272 = 0,8778

n= 15, p = 0,05 n= 15, p = 0,40
0.50 0.14
E [ X ]  np  15  0,4  6 0.45
0.40
0.12

0.35 0.10
0.30
0.08

V [ X ]  npq  15  0,4  0,6  3,6

0.25
0.20 0.06
0.15 0.04
0.10
0.05 0.02
0.00 0.00
0 1 2 3 4 x x
0 1 2 3 4
 DISTRIBUCIÓN BINOMIAL (15)
Ejercicio 5: a) P(X = 5) b) P(X ≤ 2)

c) P(X ≥ 10) d) P(3 ≤ X ≤ 8)

DISTRIBUCIÓN
GEOMETRICA
 DISTRIBUCIÓN GEOMETRICA (1)
Si los repetidos ensayos independientes pueden resultar un
éxito con probabilidad p y en un fracaso con probabilidad
q = 1 - p , la distribución de probabilidad de la variable
aleatoria X, el número de ensayos en que ocurre el primer
éxito esta dado por:

g (x,p) = p qx - 1 x = 1, 2, 3, . . . , 

 E x  = 1 p
X ~ g x , p    2
 V x  = q p
 DISTRIBUCIÓN GEOMETRICA (2)
Ejercicio 6 : La probabilidad de que un estudiante de
estadística 1 apruebe el examen escrito regular es de 0,7.
Encuentre la probabilidad de que un estudiante apruebe el
examen

a) en el tercer intento
P(X = 3) = (0.3)2 (0.7) = 0.063

b) antes del cuarto intento

3
P(X  3)   (0,3) x 1 (0,7)  0,973
x 1
DISTRIBUCIÓN DE
POISSON
 DISTRIBUCIÓN DE POISSON (1)
Una distribución de probabilidad de Poisson resulta de un
procedimiento que cumple con todos los requisitos siguientes:
1. Se observa la realización de hechos de cierto tipo durante un
determinado periodo de tiempo o a lo largo de un espacio de
observación.
2. Los hechos a observar tienen naturaleza aleatoria.
3. La probabilidad de que se produzcan un número x de éxitos
en un intervalo de amplitud A no depende del origen del
intervalo (aunque, sí de su amplitud).
4. La probabilidad de que ocurra un hecho en un intervalo
infinitésimo es prácticamente proporcional a la amplitud A del
intervalo.
 DISTRIBUCIÓN DE POISSON (2)
Los experimentos que proporcionan valores numéricos de una
variable aleatoria X, entonces el número de éxitos que ocurren
durante un intervalo de tiempo dado o en un espacio
especificado, se conoce con el nombre de experimento de
Poisson.

Los ejemplos clásicos son:

1. Número de llamadas telefónicas que se reciben por día.
2. Número de partículas emitidas en un intervalo de tiempo.
3. Cantidad de accidentes de trabajo por mes.
4. Cantidad de errores de impresión por área determinada.
 DISTRIBUCIÓN DE POISSON (3)
Definición: La distribución de probabilidad de la variable
aleatoria de Poisson X, el número de éxitos que ocurren en un
intervalo de tiempo ó en una región especificada dada, es:

 e -  x
 x = 0, 1, 2, . . . , 
Po = px,   =  x!

 0 en otro lugar

donde  es el promedio de éxitos que ocurren en un intervalo

de tiempo ó en una región especifica dada y e = 2.71828 ...

X  E X   
Po (  )  
V X   
 DISTRIBUCIÓN DE POISSON (4)
Distribución Poisson, con diferentes λ
 DISTRIBUCIÓN DE POISSON (5)
Ejercicio 7: un técnico tiene un promedio de ensamble
de un componente por minuto. En 4 minutos, ¿cuál es la
probabilidad de que ensamble?

a) exactamente 3 componentes?

 =  t = 4 minutos   = ' = 4  t = minutos

e 4 4x
P(X = 3) =  0,1954
x!
 DISTRIBUCIÓN DE POISSON (6)
Tabla de distribución de Poisson puntual
λ
x 3,10 3,20 3,30 3,40 3,50 3,60 3,70 3,80 3,90 4,00
0 0,0450 0,0408 0,0369 0,0334 0,0302 0,0273 0,0247 0,0224 0,0202 0,0183
1 0,1397 0,1304 0,1217 0,1135 0,1057 0,0984 0,0915 0,0850 0,0789 0,0733
2 0,2165 0,2087 0,2008 0,1929 0,1850 0,1771 0,1692 0,1615 0,1539 0,1465
3 0,2237 0,2226 0,2209 0,2186 0,2158 0,2125 0,2087 0,2046 0,2001 0,1954
4 0,1733 0,1781 0,1823 0,1858 0,1888 0,1912 0,1931 0,1944 0,1951 0,1954
5 0,1075 0,1140 0,1203 0,1264 0,1322 0,1377 0,1429 0,1477 0,1522 0,1563
6 0,0555 0,0608 0,0662 0,0716 0,0771 0,0826 0,0881 0,0936 0,0989 0,1042
7 0,0246 0,0278 0,0312 0,0348 0,0385 0,0425 0,0466 0,0508 0,0551 0,0595
8 0,0095 0,0111 0,0129 0,0148 0,0169 0,0191 0,0215 0,0241 0,0269 0,0298
 DISTRIBUCIÓN DE POISSON (7)

b) más de 3 componentes?
3
e 4 4x
P(X > 3) = 1 – P(X  3) = 1 – 
x 0 x!
= 1 – 0,4335 = 0,5665

c) Indicar la función de cuantía utilizada y su recorrido

e 4 4x Rx = {0, 1, 2, }
P(X) 
x!
 DISTRIBUCIÓN DE POISSON (8)
Tabla de distribución de Poisson acumulada

x 0 1 2 3 4 5 6 7
2,4 0,0907 0,3084 0,5697 0,7787 0,9041 0,9643 0,9884 0,9967
2,6 0,0743 0,2674 0,5184 0,7360 0,8774 0,9510 0,9828 0,9947
2,8 0,0608 0,2311 0,4695 0,6919 0,8477 0,9349 0,9756 0,9919
3 0,0498 0,1991 0,4232 0,6472 0,8153 0,9161 0,9665 0,9881
3,2 0,0408 0,1712 0,3799 0,6025 0,7806 0,8946 0,9554 0,9832
3,4 0,0334 0,1468 0,3397 0,5584 0,7442 0,8705 0,9421 0,9769
3,6 0,0273 0,1257 0,3027 0,5152 0,7064 0,8441 0,9267 0,9692
3,8 0,0224 0,1074 0,2689 0,4735 0,6678 0,8156 0,9091 0,9599
4 0,0183 0,0916 0,2381 0,4335 0,6288 0,7851 0,8893 0,9489
 DISTRIBUCIÓN DE POISSON (9)
Ejercicio 7:
a) P(X = 3) b) P(X > 3)
 DISTRIBUCIÓN
HIPERGEOMÉTRICA
 DISTRIBUCIÓN HIPERGEOMÉTRICA (1)
El experimento hipergeométrico es la probabilidad de
seleccionar x éxitos entre los k artículos denominados
éxitos y los n – x fracasos entre los N – k artículos
denominados fracasos, cuando se selecciona una
muestra de tamaño n entre los N artículos totales.
N
N-k
k
n X ~ h (x, N, n, k)
x n-x

Propiedades:
1. Una muestra de tamaño n se selecciona entre los N artículos
sin reposición (sucesos dependientes ).
2. k de los N artículos pueden clasificarse como éxito y N - k
como fracaso.
 DISTRIBUCIÓN HIPERGEOMÉTRICA (4)
Definición: Dada la distribución de probabilidad de la
variable aleatoria Hipergeométrica X, el número de éxitos
en una muestra de tamaño n seleccionada entre N
artículos de los cuales k son éxitos y N  k son fracasos,
se puede denotar como X ~ h(x, N, n, k).
La función de probabilidad de masa de X es

 k  N  k 
    
  x  n  x 
 x  0,1, , max( n , k )
p( x )  h(x, N, n, k) =  N 
  
 n

 0 en otro lugar
 DISTRIBUCIÓN HIPERGEOMÉTRICA (5)


 k
 E [ X ]  np  n N
X h(x, N, n, k)  
 N n  k  k  N  n 
V [ X ]  npq    n 1   
  N 1  N N  N  1 
Nn
Donde es el factor de corrección. Este es
N 1
insignificante cuando n es pequeño comparado con N.
Nn
1
N 1
Si N es muy grande, el factor de corrección se convierte
Nn n
en 1  donde n se denomina tasa de muestreo
N 1 N N
 DISTRIBUCIÓN HIPERGEOMÉTRICA (6)
Ejercicio 8: Un grupo de 5 personas se selecciona al
azar entre 3 químicos y 5 físicos. Encontrar y graficar la
distribución de probabilidad para el número de químicos
en el grupo.
X = número de químicos en el grupo
5F
3Q 3 5
5
   
P(X = 0) = h(0,8,5,3) =  0 5
=
1
= 0,01
8 56
 
3 5 5
   
P(X = 1) = h(1,8,5,3) =  1   4  = 15 = 0,26
8 56
 
5
 DISTRIBUCIÓN HIPERGEOMÉTRICA (7)
P(X =
3 5
    2)

P(X = 2) = h(2,8,5,3) =  2 3

=
30
= 0,53
8 56
 
5

3 5
   
P(X = 3) = h(3,8,5,3) =     =
3 2 10
= 0,17
8 56
 
5
3  5 
   
P(X = x) = h(x,8,5,3) =  x 5  x 
8
 
5
APROXIMACIÓN ENTRE
DISTRIBUCIONES
 APROXIMACIONES (1)

DE LA DISTRIBUCIÓN HIPERGEOMÉTRICA A LA
DISTRIBUCIÓN BINOMIAL

Por ejemplo N = 10.000 y n = 10

n / N (tasa de muestreo es muy pequeña)

Dependencia (Hipergeométrica)  independencia

(Binomial)
 APROXIMACIONES (2)
Ejercicio 9: En una producción de 200 unidades hay
8 defectuosas. Se selecciona una muestra aleatoria
de 10 unidades. ¿Cuál es la probabilidad de
encontrar una unidad defectuosa?
 8  192  n 10
    = = 0,05
N 200
P ( X  1)   1  9 
N – k = 192  200 
 
k=8
 10 
n = 10
8
p = = 0,04  q = 1 - p = 0,96
200
10 
P ( X = 1 ) =   0,04  1 0,96  9 = 0,277
1
 APROXIMACIONES (3)
Ejercicio 9:

Distribución Hipergeométrica Distribución Binomial

 APROXIMACIONES (4)
DE LA DISTRIBUCIÓN BINOMIAL A LA
DISTRIBUCIÓN DE POISSON
Ejercicio 10: La probabilidad de que un remache en particular
en la superficie del ala de una avioneta sea defectuoso es p =
0,001. Si hay 4.000 remaches en el ala, ¿cuál es la
probabilidad de que haya 6 ó menos remaches defectuosos ?
6  4000  x 4000 - x
P( X 6) =   p q
x0 
x 
p0 n  y  = n  p = 4000  0,001 = 4
6
e 4 4x
P(X  6) = 
x 0 x!
 0,889
 APROXIMACIONES (5)
Ejercicio 10:

Distribución Binomial Distribución de Poisson

P(X ≤ 6) = 0,8894 P(X ≤ 6) = 0,8893
 APROXIMACIONES (6)
Ejemplo de comparación:
p = 0,4 y n = 10 → λ=4

Distribución Binomial Distribución de Poisson

P(X ≤ 6) = 0,9452 P(X ≤ 6) = 0,8893