Tema N 03: DISTRIBUCIONES DISCRETAS DE

PROBABILIDAD
Ing. Jos Manuel Garca Pantigozo
calidadtotal@hotmail.com
2017 - 0
 OBJETIVOS ESPECIFICOS
DE APRENDIZAJE
despus de este tema, usted podr:
Definir los trminos distribucin de probabilidad y variable
aleatoria.
Distinguir entre distribuciones de probabilidad continua y
discreta.
Calcular la media, varianza y desviacin estndar de una
distribucin de probabilidad discreta.
Describir las caractersticas de la distribucin de probabilidad
binomial y su aplicacin en el clculo de probabilidades.
Describir las caractersticas de la distribucin de probabilidad
hipergeomtrica y su aplicacin en el clculo de probabilidades.
Describir las caractersticas de la distribucin de probabilidad
de Poisson y su aplicacin en el clculo de probabilidades.
 DISTRIBUCION DE
PROBABILIDAD

Listado de
todos los
resultados de
un
experimento
y la
 Ejemplo de Distribucin de
Probabilidad
Ejemplo 01:01 Suponga que le interesa el nmero de
caras que aparecen en tres lanzamientos de una
moneda. Tal es el experimento. Los posibles
resultados son: cero caras, una cara, dos caras y tres
caras. Cul es la distribucin de probabilidad del
nmero de caras?
Solucin: Hay ocho posibles resultados. En el
primer lanzamiento puede aparecer una cara, una
cruz en el segundo lanzamiento y otra cruz en el
tercer lanzamiento de la moneda. O puede obtener
cruz, cruz y cara, en ese orden. Para obtener los
resultados del conteo (5.8), aplique la formula de la
multiplicacin: (2)(2)(2), es decir, 8 posibles
resultados. Estos resultados se listan enseguida.
Ejemplo de Distribucin de
Probabilidad
 Ejemplo de Distribucin de
Probabilidad
Observe que el resultado cero caras
ocurre slo una vez; una cara ocurre tres
veces; dos caras, tres veces, y el resultado
tres caras ocurre una sola vez. Es decir,
cero caras se present una de ocho veces.
Por consiguiente, la probabilidad de cero
caras es de un octavo; la probabilidad de
una cara es de tres octavos, etc. La
distribucin de probabilidad se muestra en
la tabla siguiente. Como uno de estos
resultados debe suceder, el total de
probabilidades de todos los eventos
posibles es 1.000. Esto siempre se cumple.
La grfica a continuacin contiene la
misma informacin
Ejemplo de Distribucin de Probabilidad

Distribuci
n de
probabilid
ad de los
eventos
relativos a
cero, una,
dos y tres
Ejemplo de Distribucin de Probabilidad

Presentaci
n grfica
del nmero
de caras
que
resultan de
tres
lanzamient
 Caractersticas de una
Distribucin de Probabilidad
1.La probabilidad de
un resultado en
particular se
encuentra entre 0 y
1, inclusive.
2. Los resultados
son eventos
mutuamente
 Distribucin
La
Probabilstica
distribucin de una variable X se
define como una descripcin del conjunto
de valores posibles de X, junto con la
probabilidad asociada con cada uno de
estos valores.
Para una variable aleatoria discreta la
distribucin de probabilidad se describe
mediante una funcin de probabilidad,
representada por f(x). Donde esta
funcin define la probabilidad de cada
valor de la variable analizada.
 Ejemplo de Distribucin de
Probabilidad
Distribucin Discreta de
Probabilidad:
Probabilidad
Repase el ejemplo del
lanzamiento de una moneda de la
segunda tabla. La probabilidad de
x se representa P(x). De esta
manera, la probabilidad de cero
caras es P(0 caras) = 0.125, y la
probabilidad de una cara es P(1
cara) = 0.375, etc. La suma de
estas probabilidades mutuamente
excluyentes es de 1; es decir, de
acuerdo con la tabla 6.1, 0.125 +
0.375 + 0.375 + 0.125 = 1.00.
Condiciones Requeridas Para
Una Distribucin Discreta

Probabilidad
f ( x) P( X x)
fx ( x ) 0
n

fx( x) 1
i 1
Cantidad discreta
 Funcin de probabilidad
Uniforme Discreta

Es la representacin ms sencilla de
distribucin de probabilidad, se
define como:

f ( x) x / n
 Variables aleatorias
Es una descripcin numrica del resultado
de un experimento aleatorio.
De acuerdo a lo anterior las podemos
clasificar como discretas o continuas.
Las discretas son variable aleatorias con un
rango finito (o infinito contable).
Las continuas son variables que pueden
asumir cualquier valor en un intervalo o
conjunto de intervalos.
Una forma de determinar si una variable es
continua o discreta es imaginarse que los
valores de esa variable son los puntos en una
recta numrica.
 Variables aleatorias
En cualquier experimento aleatorio, los resultados se presentan
al azar; as, a este se le denomina variable aleatoria. Por
ejemplo, lanzar un dado constituye un experimento: puede
ocurrir cualquiera de los seis posibles resultados. Algunos
experimentos dan origen a resultados de ndole cuantitativa
(como dlares, peso o numero de nios); otros dan origen a
resultados de naturaleza cualitativa (como el color o la afiliacin
religiosa).
Cada valor de la variable aleatoria se relaciona con una
probabilidad que indica la posibilidad de un resultado
determinado. Unos cuantos ejemplos aclararan el concepto de
variable aleatoria.

VARIABLE ALEATORIA Cantidad que resulta de un

experimento que, por azar, puede adoptar diferentes valores.
 VARIABLE ALEATORIA
Una variable aleatoria es un valor numrico determinado por el
resultado de un experimento.
Ejemplo 1: considere un experimento aleatorio en el que se
lanza tres veces una moneda. Sea X el nmero de caras. Sea
H el resultado de obtener una cara y T el de obtener una cruz.
El espacio muestral para este experimento ser: TTT, TTH,
THT, THH, HTT, HTH, HHT, HHH.
Entonces, los valores posibles de X (nmero de caras) son x =
0, 1, 2, 3,
El resultado ser: cero caras ocurri una vez, una cara
ocurri tres veces, dos caras ocurri tres veces y tres
caras ocurri una vez.
De la definicin de variable aleatoria, la X definida en este
experimento, es una variable aleatoria.
 VARIABLE ALEATORIA DISCRETA

Una variable aleatoria discreta es

una variable que adopta slo
valores claramente separados.
Ejemplo 2: sea X el nmero de
caras obtenidas al lanzar 3 veces
una moneda. Aqu los valores de X
son x = 0, 1, 2, 3
FUNCIN DE PROBABILIDAD (V. DISCRETAS)

Asigna a cada posible valor de

una variable discreta su
probabilidad.
Recuerda los conceptos de
frecuencia relativa y diagrama de
barras.
Ejemplo
Nmero de caras al lanzar 3
monedas.

21
 VARIABLE ALEATORIA CONTINUA

Si se mide algo, como el tamao de

una pieza metlica, se dice que es
una variable aleatoria continua.
Puede tomar una cantidad infinita de
valores dentro de ciertas limitaciones.
Ejemplo 3: La presin de un
neumtico en (lb/pulg2) podra ser
28.0, 28.6, 28.62, 28.624 y as
sucesivamente, dependiendo de la
exactitud del medidor.
 FUNCIN DE DENSIDAD (V. CONTINUA)

Definicin
Es una funcin no negativa de
integral 1.
Pinsalo como la generalizacin
del histograma con frecuencias
relativas para variables
continuas.
Para qu lo voy a usar?
Nunca lo vas a usar directamente.
Sus valores no representan
probabilidades.

23
PARA QU SIRVE LA FUNCION DENSIDAD?
Muchos procesos aleatorios vienen descritos por variables de
forma que son conocidas las probabilidades en intervalos.

La integral definida de la funcin de densidad en dichos

intervalos coincide con la probabilidad de los mismos.

Es decir, identificamos la probabilidad de un intervalo con el

rea bajo la funcin de densidad.

24
 FUNCIN DE DISTRIBUCIN
Es la funcin que asocia a cada valor de una variable,
la probabilidad acumulada de los valores inferiores o
iguales.
Pinsalo como la generalizacin de las frecuencias
acumuladas. Diagrama integral.
A los valores extremadamente bajos les corresponden
valores de la funcin de distribucin cercanos a cero.
A los valores extremadamente altos les
corresponden valores de la funcin de distribucin
cercanos a uno.
Lo encontraremos en los artculos y aplicaciones en
forma de p-valor, significacin,

25
 FUNCIN DE DISTRIBUCIN

Es la funcin que asocia a cada valor de una variable,

la probabilidad acumulada de los valores inferiores o
iguales.
Pinsalo como la generalizacin de las frecuencias
acumuladas. Diagrama integral.
A los valores extremadamente bajos les corresponden
valores de la funcin de distribucin cercanos a cero.
A los valores extremadamente altos les
corresponden valores de la funcin de distribucin
cercanos a uno.
Lo encontraremos en los artculos y aplicaciones en
forma de p-valor, significacin,
26
 PARA QU SIRVE LA FUNCIN DISTRIBUCIN?

Contrastar lo anmalo de una observacin concreta.

S que una persona de altura 210cm es
anmala porque la funcin de distribucin en
210 es muy alta.
S que una persona adulta que mida menos de
140cm es anmala porque la funcin de
distribucin es muy baja para 140cm.
S que una persona que mida 170cm no posee
una altura nada extraa pues su funcin de
distribucin es aproximadamente 0,5.
27
 PARA QU SIRVE LA FUNCIN DISTRIBUCIN?

Relacinalo con la idea de cuantil.

En otro contexto (contrastes de hiptesis) podremos

observar unos resultados experimentales y
contrastar lo anmalos que son en conjunto con
respecto a una hiptesis de terminada.

Intenta comprender la explicacin de clase si

puedes. Si no, ignora esto de momento. Revisita
este punto cuando hayamos visto el tema de
contrastes de hiptesis.

28
 MEDIA DE UNA DISTRIBUCION
PROBABILISTICA
La media o esperanza matemtica es una
medida de localizacin, que indica el valor
alrededor del cual flucta la variable aleatoria;
si sta es continua, la media se define como:

= E(X) = [x*P(X)]
29
 VARIANCIA DE UNA DISTRIBUCION
PROBABILISTICA

La variancia describe el grado de

dispersin en una distribucin.

2 2
= E(X) = [(X - ) *P(X)]
 Ejemplo 4
Una persona vende autos nuevos para una empresa. Generalmente
negocia el mayor numero de autos los sbados. Ha establecido la
siguiente distribucin de probabilidad para el numero de autos que espera
vender en un sbado en particular.

NMEROS DE AUTOS VENDIDOS X PROBABILIDAD P(X)

0 0.10
1 0.20
2 0.30
3 0.30
4 010
Total
1. Qu tipo de distribucin es esta? 1.00
2. En un sbado comn, Cuntos autos desea vender?
3. Cul es la variancia de la distribucin? 31
 Ejemplo 4 (continuacin)
1. Es una distribucin de probabilidad discreta (las respuestas
son mutuamente excluyentes).
2. El numero medio de autos vendidos:
= [x*P(X)]=0(0.1) +1(0.2)+ 2(0.3)+ 3(0.3)+4(0.1)=2.1

NMEROS DE PROBABILIDAD X.P(X)

AUTOS VENDIDOS X P(X)
0 0.10 0.00
1 0.20 0.20
2 0.30 0.60
3 0.30 0.90
4 010 0.40
Total 1.00 2.10
 Ejemplo 4 (continuacin)
NMEROS DE AUTOS VENDIDOS X PROBABILIDAD (PX) X.P(X)
0 0.10 0.00
1 0.20 0.20
2 0.30 0.60
3 0.30 0.90
4 010 0.40
Total 1.00 E(X) =2.10
3. De nuevo es util una tabla para sistematizar los clculos para la variancia. Su
valor es 1.290

NMEROS DE AUTOS PROBABILIDAD (X - ) (X - )2 (X - )2. P(X)

VENDIDOS X P(X)
0 0.10 0 2.1 4.41 0.441
1 0.20 1 2.1 1.21 0.242
2 0.30 2 - 2.1 0.01 0.003
3 0.30 3 2.1 0.81 0.243
4 010 4 2.1 3.61 0.361
2
Total 1.00 = 1.290
33
= 1.136
Ejemplo 5: Una empresa ofrece tres tamaos de un
refresco (pequeo, mediano y grande) como
complemento de pizzas. Las bebidas se venden a 50,
75 y 90 centavos de dlar respectivamente. De los
pedidos, 30% son para el tamao pequeo, 50% para
el mediano y 20% para el grande.
1.Es esta una distribucin probabilstica discreta?
Indique porque si o porque no.
2. Calcule la cantidad media cobrada por el refresco.
3.Cual es la variancia del cobro por la bebida? la
desviacin estndar?
Solucin 1. Si, la suma de probabilidades es igual a 1.

34
Ejemplo 6: (continua)
Solucin 2. Cantidad media cobrada por el refresco.

X P(x) xP(x)
50 0.30 15.00
75 0.50 37.50
90 0.20 18.00
Solucin 3: 70.50
X P(x) (X - ) (X - )*(X - )*P(x)
50 0.30 -20.5 126.075
75 0.50 4.5 10.125
90 0.20 19.5 76.05
VARIANCIA
212.25 35
36
 DISTRIBUCION PROBABILISTICA BINOMIAL

1ERA CARACTERISTICA:
Se ocupa de experimentos en donde cada
resultado puede tomar solo una de dos formas.
La respuesta de una pregunta del tipo
verdadero-falso.
Cada resultado es mutuamente excluyente (esto
quiere decir que la respuesta no puede ser
verdadero y falso al mismo tiempo).
Tambin puede ser denotado como xito y
fracaso.
 DISTRIBUCION PROBABILISTICA BINOMIAL
EJEMPLO DE EXPERIMENTOS:
Experimento: seleccionar juguete de una lnea
de produccin
Resultado:
El juguete funciona (xito)
El juguete no funciona (fracaso)
Experimento: preguntar a un consumidor si le
gusta la coca cola
Resultado:
Le gusta la coca cola (xito)
No le gusta la coca cola(fracaso)
 DISTRIBUCION PROBABILISTICA BINOMIAL
2DA CARACTERISTICA:
Los datos recopilados son resultado de conteos.
Es por esta razn que la distribucin binomial
se clasifica como discreta.

3RA CARACTERISTICA:
Que la probabilidad de un xito permanece igual
de un ensayo a otro.
 DISTRIBUCION PROBABILISTICA BINOMIAL
Ejemplo 7:
La probabilidad que se adivine la 1era pregunta
de una prueba de verdadero o falso en forma
correcta (xito) es 0.5;la probabilidad de
adivinar la 2da pregunta (2do ensayo) es 0.5; la
probabilidad de xito en el 3er ensayo es 0.5, y
as sucesivamente.
La probabilidad que salga 6 al lanzar un dado es
1/6;la probabilidad de que salga 6 de nuevo
(2do ensayo) tambin es 1/6; la probabilidad de
xito en el tercer ensayo es 0.5, y as
40
sucesivamente.
 DISTRIBUCION PROBABILISTICA BINOMIAL
4TA CARACTERISTICA:
Es que un ensayo es independiente de otro. No
existe un patrn rtmico con respecto a los
resultados.

41
Ejemplo 8: Experimento aleatorio: n = 3 lanzamientos de una
moneda. Probabilidad de xito en cada lanzamiento (cara) = p.
Probabilidad de fracaso en cada lanzamiento (cruz) = 1- p = q.

3 p 2 (1 p )

3 p (1 p ) 2

42
 DISTRIBUCION PROBABILISTICA BINOMIAL

Para elaborar una distribucin binomial, sea

n el nmero de ensayos
r el nmero de xitos observados
p la probabilidad de xito en cada ensayo
q la probabilidad de fracaso, que se obtiene por
1- p.

n!
Pr = (p) (q)
r n-r
r!(n r)!
 DISTRIBUCIN BINOMIAL

Funcin de probabilidad n k nk
P[ X k ] p q , 0 k n
k
Problemas de clculo si n es grande y/o p cercano a
0 o 1.

Media: =n p

Varianza: 2 = n p q

44
Propiedades de la Distribucin Binomial

Promedio Np
Varianza Npq
2

Desviacin Estndar Npq

q p
Coeficiente de Asimetra 3
Npq

1 6 pq
Curtosis 4 3
Npq
Ejemplo 9: Cul es la probabilidad de que en una
familia de 4 hijos exactamente 2 sean nias?

n x n x
p(x) p ( 1 p)
x
p 0.5; n 4; x2
4
p( 2 ) ( 0.5 ) ( 1-0.5 )
2 4- 2

2
46
Ejemplo10: Si una dcima parte de personas tiene
cierto grupo sanguneo, cul es la probabilidad de que
entre 100 personas escogidas al azar exactamente 8 de
ellas pertenezcan a este grupo sanguneo?

n x n x
p(x) p ( 1 p)
x
p 0.1; n 100; x 8
100
p( 8 ) ( 0.1 ) ( 1-0.1 )
8 92

8
47
Ejemplo 11: Y si la pregunta es 8 como mximo?

n x
8
p(x 8 ) p ( 1 p)
n x

x 0 x

8
100
(0.1) ( 0.9 )
x 100 x

x 0 x

48
Ejemplo 12: Calcula la probabilidad de obtener al menos
dos seises al lanzar un dado cuatro veces.
n k nk
P (k ) p q (k 0,1,....n)
k

p = 1/6, q = 5/6, n = 4
Al menos dos seises, implica que nos valen k = 2, 3, 4.
P(2) + P(3) + P (4)
4 1 2 5 2
4 1 3 5 4 1 4

2 6 6 3 6 6 4 6

1 171
4 (6 25 4 5 1) 0.132
6 1296 49
Ejemplo 13: Supongamos que la probabilidad de
encontrar una estrella de masa m * >10 M en un cmulo
estelar joven es del 4%. Cul es la probabilidad de
que en una muestra escogida al azar, entre 10
miembros del cmulo encontremos 3 estrellas con m *
>10 M?

n x n x

p(x) p ( 1 p)
x
p 0.04; n 10; x3
10
p( 3 ) ( 0.04 )3( 1-0.04 )10 - 3 0.043 0.967 0.006
3
50
Ejemplo 14: Elige un nmero entre 1 y 6. Lanzas 3
dados. Si el nmero que has elegido sale en los 3
dados cobras 3 euros. Si sale en 2 cobras 2 euros. Si
sale en un dado cobras 1 euro. Y si no sale en ninguno,
pagas 1 euro. Es un juego justo?

3 0 2
3 1 5 3 1 5
3 2
3 6 6 2 6 6
1 2 3
3 1 5 3 5
1 (1) 0.08
1 6 6 0 6 51
52
53
54
55
 Supongamos que un experimento aleatorio tiene las
siguientes caractersticas:
En cada prueba del experimento slo son posibles dos
resultados: el suceso A (xito) y su contrario`A (fracaso).
El resultado obtenido en cada prueba es independiente de
los resultados obtenidos anteriormente.
La probabilidad del suceso A es constante, la representamos
por p, y no vara de una prueba a otra. La probabilidad de
`A es 1- p y la representamos por q .
El experimento consta de un nmero n de pruebas.
Todo experimento que tenga estas caractersticas
diremos que sigue el modelo de la Distribucin
Binomial. A la variable X que expresa el nmero de
xitos obtenidos en cada prueba del experimento, la
llamaremos Variable Aleatoria Binomial.
56
 La variable binomial es una variable aleatoria
discreta, slo puede tomar los valores 0, 1, 2, 3,
4, ..., n suponiendo que se han realizado n
pruebas. Como hay que considerar todas las
maneras posibles de obtener k-xitos y (n-k)
fracasos debemos calcular stas por
combinaciones (nmero combinatorio n sobre
k).
La distribucin Binomial se suele representar
por B(n,p) siendo n y p los parmetros de
dicha distribucin.

57
 CARACTERSTICAS DE LA
DISTRIBUCIN BINOMIAL
Media
= E(X) = n p P(X) n = 5 p = 0.1
.6
.4
= 5 0.1 = 0.5 .2
0 X
= 5 0.5 = 0.25
0 1 2 3 4 5

Desviacin estndar
P(X) n = 5 p = 0.5
np (1 p ) .6
.4
5 0.1 (1 0.1) 0.67 .2
X
0
5 0.5 (1 0.5) 1.1 0 1 2 3 4 5
58
 Parmetros de la Distribucin Binomial

Funcin de Distribucin de la v.a. Binomial

59
Sea X una variable aleatoria discreta correspondiente
a una distribucin binomial.

60
 Ejemplo 15: Una mquina fabrica una
determinada pieza y se sabe que produce un 7
por 1000 de piezas defectuosas. Hallar la
probabilidad de que al examinar 50 piezas slo
haya una defectuosa.
Solucin :
Se trata de una distribucin binomial de
parmetros B(50, 0'007) y debemos calcular la
probabilidad p(r=1).
 Ejemplo 16: La probabilidad de xito de una
determinada vacuna es 0,72. Calcula la
probabilidad de a que una vez administrada a
15 pacientes:

a)Ninguno sufra la enfermedad

b)Todos sufran la enfermedad
c)Dos de ellos contraigan la enfermedad
Solucin : Se trata de una distribucin binomial
de parmetros B(15, 0'72)
63
 Ejemplo 17: La probabilidad de que el
carburador de un coche salga de fbrica
defectuoso es del 4 por 100. Hallar:
a) El nmero de carburadores defectuosos
esperados en un lote de 1000
b) La varianza y la desviacin tpica.
Solucin :

64
 Ejemplo 18: Se dice que el 75% de los
accidentes de una planta se atribuyen a errores
humanos. Si en un perodo de tiempo dado, se
suscitan 5 accidentes, determine la
probabilidad de que;
a) dos de los accidentes se atribuyan a errores
humanos,
b) como mximo 1 de los accidentes se
atribuya a errores de tipo humano,
c) tres de los accidentes no se atribuyan a
errores humanos.
Solucin a)
r = variable que nos define el nmero de
accidentes debidos a errores humanos.
65
r = 0, 1, 2,...,5 accidentes debidos a errores de
tipo humano
p = p (xito) = p (un accidente se deba a errores
humanos) = 0.75
q = p(fracaso) = p(un accidente no se deba a
errores humanos) = 1-p = 0.25

Solucin a)

P(r) = 5! = 0.08789
(0.75 )(0.25 )
2 5-2

2!(5 2)!
66
Solucin b)
P(r) = 5! 5-0 +
(0.75 )(0.25 )
0

0!(5 0)!
5! 5-1 = 0.015624
(0.75 )(0.25 )
1

1!(5 1)!
Solucin c)
En este caso cambiaremos el valor de p;
n =5
r = variable que nos define el nmero de
accidentes que no se deben a errores de tipo
humano
r = 0, 1, 2,...,5 accidentes debidos a errores
humanos
p = p(probabilidad de que un accidente no se
deba a errores humanos) = 0.25
q = p(probabilidad de que un accidente se deba
a errores humanos) = 1-p = 0.75

P(r) = 5! 5-3 = 0.08789

(0.75 )(0.25 )
3

3!(5 3)!

68
 Ejemplo 19 Si la probabilidad de que el vapor se
condense en un tubo de aluminio de cubierta
delgada a 10 atm de presin es de 0.40, si se
prueban 12 tubos de ese tipo y bajo esas
condiciones, determine la probabilidad de que: a)
el vapor se condense en 4 de los tubos, b) en
ms de 2 tubos se condense el vapor, c) el vapor
se condense en exactamente 5 tubos.

Solucin a)
n =12
r = variable que nos define el nmero de tubos
en que el vapor se condensa
r = 0, 1, 2, 3,...,12 tubos en el que el vapor se
condensa 69
r = 0, 1, 2, 3,...,12 tubos en el que el vapor se
condensa
p =p(se condense el vapor en un tubo de Al a 10
atm)= 0.40
q = p(no se condense el vapor en un tubo de Al a
10 atm) = 1-p=0.60
Solucin a)

P(r) = 12!
(0.404)(0.6012-4) = 0.21284
4!(12 4)!

70
Solucin b)
p(r=3,4,..,12,n=12,p=0.4)=p(r=3)+p(r=4)+.+p(r=12)=1-p(r=0,1,2)=

P(r)= 1 - 12! + 12! (0.751)(0.2512-1) +

(0.75 )(0.25
0 12-0
)
0!(12 0)! 1!(12 1)!

12! = 0.91656
(0.752)(0.2512-2)
2!(12 2)!

Solucin c)
12!
P(r) = (0.405)(0.6012-5) = 0.22703
5!(12 5)!
 Ejemplo 20: La probabilidad de que el nivel de
ruido de un amplificador de banda ancha
exceda de 2 dB (decibeles) es de 0.15, si se
prueban 10 amplificadores de banda ancha,
determine la probabilidad de que;
a) en solo 5 de los amplificadores el nivel de
ruido exceda los 2 dB,
b) por lo menos en 2 de los amplificadores, el
ruido exceda de 2 dB,
c)que entre 4 y 6 amplificadores no se excedan
de los 2 dB,
d)encuentre el nmero esperado de
amplificadores que se exceden de un nivel de
ruido de 2dB y su desviacin estndar.
Solucin a)
n =10
r =variable que nos define el nmero de
amplificadores de banda ancha que su nivel de
ruido excede de 2 dB.
r = 0, 1, 2,...,10 amplificadores en los que el
nivel de ruido excede de los 2 dB
p = P(un amplificador exceda su nivel de ruido
de 2 dB) = 0.15
q = p(un amplificador no exceda su nivel de
ruido de 2 dB =1-p= 0.85
10!
P(r) = (0.155)(0.8510-5) = 0.00849
5!(10 5)!
Solucin b)
p(r=2,3,4,5,6,7,8,9,10, n=10, p=0.15)= 1- p(x = 0,1) =

P(r)= 1- 10! + 10! (0.151)(0.8510-1)

(0.15 )(0.85
0 10-0
)
0!(10 0)! 1!(10 1)!

P(r) = 0.455705

Solucin c)
n=10
r= variable que nos define el nmero de
amplificadores de banda ancha que su nivel de
ruido no excede de 2 dB
r= 0, 1, 2,...,10 amplificadores que su nivel de
ruido no excede de los 2 dB
p = p(un amplificador no exceda su nivel de ruido
de 2 dB) = 0.85
q = p(un amplificador exceda su nivel de ruido de
2 dB) = 1- p = 0.15
Solucin c)

P(r)= 10! + 10! (0.855)(0.1510-5) +

(0.85 )(0.15
4 10-4
)
4!(10 4)! 5!(10 5)!

10! = 0.01374897
(0.856)(0.1510-6)
6!(10 6)!
Solucin d)
n=10, p=0.15, q=1-p=0.85

= np = (10)(0.15) = 1.5 = 2 amplificadores

 Ejemplo 21: El gerente de una gran tienda
necesita determinar cual es la probabilidad de
que 2 de tres clientes que ingresan a la tienda
hagan una compra. l sabe que la probabilidad
de que un cliente compre es de 0.3
3 3! Cantidad de resultados
2 3
2! 3 2 ! experimentales

Probabilidad de cada resultado

(3 1)
0.3 (1 p)
2
0.063 experimental en donde 2 de
los tres clientes compran
Luego 30.063 = 0.189, probabilidad de que de
3 clientes que ingresan a la tienda 2 compren
Ejemplo 22: Cul es la probabilidad de obtener
6 caras al lanzar una moneda 10 veces?
El nmero de aciertos k es 6. Esto es x=6
El nmero de experimentos n son 10
La probabilidad de xito p, es decir, que salga
"cara" al lanzar la moneda es 50% 0.50
La frmula quedara:
P (k = 6) = 0.205
Es decir, que la probabilidad de obtener 6 caras
al lanzar 10 veces una moneda es de 20.5% .
Ejemplo 23: Cul es la probabilidad de obtener cuatro
veces el nmero 3 al lanzar un dado ocho veces?
Solucin:
El nmero de aciertos k es 4. Esto es x=4
El nmero de experimentos n son 8
La probabilidad de xito p (probabilidad de que salga un
3 al tirar el dado) es 1 / 6 (= 0.1666)
La frmula queda:
P (k = 4) = 0.026
Es decir, que la probabilidad de obtener cuatro veces el
nmeros 3 al tirar un dado 8 veces es de 2.6%.
Ejemplo 24: En una fbrica de cmaras el 5%
sale con defectos. Determine la probabilidad de
que en una muestra de 12 se encuentren 2
cmaras defectuosas.
Solucin :
Se trata de una distribucin binomial de
parmetros B(12, 0.05). Debemos calcular la
probabilidadde que x sea igual a k que en este
caso es 2. Esto es P (k=2).
Busque en la parte izquierda de la tabla n=12,
luego en la parte superior p=0.05 . La
probabilidad estar en x=2
Ejemplo 25: En una oficina de servicio al
cliente se atienden 100 personas diarias.
Por lo general 10 personas se van sin recibir
bien el servicio. Determine la probabilidad
de que en una encuesta a 15 clientes 3 no
hayan recibido un buen servicio.
Solucin :
Se trata de una distribucin binomial de
parmetros B(15, 0.10). Debemos calcular
la probabilidad P(X=3).
El resultado es 0.1285
 Ejemplo 26: Los reportes de quejas de
clientes indican que el producto XYZ tiene
una probabilidad de cumplir con su funcin
del 90%. Si se enva un lote de 18
productos, cul es la probabilidad de
encontrar: 2 que no cumplen?
Solucin: n=18, =0.10. Los envos de lotes
son independientes. 2 que no cumplen?
P(x=2)=? n!
b( x, n, ) * * (1 )
x n x

x!(n x )!
18! 18 2
b(2,18,0.1) 2
* 0.1 * 0.9 0.2835
2!(18 2)!
Ejemplo 27: Representar la calidad de fumador;
- Y=1, adulto actualmente fumador
- Y=2, adulto no fumador

Los dos resultados son mutuamente

excluyentes y exhaustivos.

En 1987, 29% de los adultos de EEUU

fumaban cigarros, puros o pipas
Se puede enumerar las probabilidades
asociadas con los respectivos resultados de Y
de la siguiente manera:
P(Y=1) = p SI FUMA
= 0.29
P(Y=0) = 1 p
= 1.00 - 0.29 NO FUMA
= 0.71

Segn los clculos, se determina que el 29%

de las poblacin adulta de estados unidos en
1987 es fumadora, y el 71% de ella no lo es.
85
 Se aplica al muestreo sin reposicin de una
poblacin finita, cuyos elementos pueden ser
clasificados en dos categoras:Defectuosos
(S) y no defectuosos (N-S).

N-S S

86
 DISTRIBUCION HIPERGEOMETRICA

(sCr)*(N-SCn-r)
Pr =
(NCn)

N Tamao de la poblacin
S Nmero de xitos en la poblacin
r Nmero de xitos que interesan (0,1,2,3,...)
n Tamao de la muestra
C Smbolo de la combinacin
87
 ESPERANZA MATEMATICA DE UNA VARIABLE
HIPERGEOMETRICA

= E(X) = n*S
N

VARIANZA DE UNA VARIABLE HIPERGEOMETRICA

2= E[(X - )2]
88
Ejemplo 1:
Una empresa durante la semana fabric 50
DVDs (N=50). Operaron sin problemas
40 (S=40) y 10 tuvieron al menos un
defecto. Se selecciona al azar una
muestra de 5 (n=5). Utilizando la
frmula hipergeomtrica Cul es la
probabilidad que cuatro (r=4) de los cinco
operarn sin problemas? (Observar que
se hace sin reposicin y que el tamao de
muestra de 5 es de 10% de la poblacin.
Esto es mayor que la condicin de 5%).
89
Solucin:
N = 50
S = 40 (40C4)*(50-40C5-4)
r =4 Pr = = 0.431
n =5 (50C5)
NMERO QUE FUNCION CORRECTAMENTE PROBABILIDAD

0 0.000
1 0.004
2 0.044
3 0.210
4 0.431
5 0.311 90
91
Ejemplo 2:
Una empresa durante la semana fabric 50 DVDs
(N=50). Operaron sin problemas 40 (S=40) y 10 tuvieron
al menos un defecto. Se selecciona al azar una muestra
de 5 (n=5). Utilizando la frmula hipergeomtrica Cul
es la probabilidad que cuatro (r=3) de los cinco operarn
sin problemas? (Observar que se hace sin reposicin y
que el tamao de muestra de 5 es de 10% de la
poblacin. Esto es mayor que la condicin de 5%).

N=50;S= 40;r= 3; n = 5
Solucin:

(40C3)*(50-40C5-3)
Pr = = 0.210
(50C5)
92
Ejemplo 3:

Se acaba de recibir un embarque de 10

TV. Poco despus de recibirlos, el
fabricante llam para informar que por
descuido se haban enviado tres
aparatos defectuosos.
Se decidi probar dos de estos Cul es
la probabilidad que ninguno de los dos
este defectuoso?
93
Solucin:
N = 10
S = 7 (7C2)*(10-7C2-2)
r = 2 Pr = = 0.466667
n = 2 (10C2)

NMERO QUE FUNCION CORRECTAMENTE PROBABILIDAD

0 0.0666667
1 0.466667
2 0.466667
94
 Ejemplo 4:

Considerando que en la urna

hay un total de 10 objetos, 3 de
los cuales son defectuosos, si
de seleccionan 4 objetos al
azar, cul es la probabilidad
de que 2 sean defectuosos?

95
Solucin:
N = 10 (3C2)*(10-3C4-2)
S = 3 Pr = = 0.30
r = 4 (10C4)
n = 2

NMERO QUE FUNCION CORRECTAMENTE PROBABILIDAD

0 0.166667
1 0.500000
2 0.300000
96
Ejemplo 5:

Para evitar que lo descubran en la aduana,

un viajero ha colocado 6 tabletas de
narctico en una botella que contiene 9
pldoras de vitamina que son similares en
apariencia. Si el oficial de la aduana
selecciona 3 tabletas aleatoriamente para
analizarlas.
a) Cul es la probabilidad de que el viajero
sea arrestado por posesin de narcticos?.
b) Cul es la probabilidad de que no sea
arrestado por posesin de narcticos?.
97
Solucin: a)
N = 15; S = 6 ; r = 1,2,3; n = 3
(6C1)*(15-6C6-1)+ (6C2)*(15-6C6-2)+ (6C3)*(15-6C6-3)
Pr =
(15C3)
NMERO QUE FUNCION CORRECTAMENTE PROBABILIDAD
0 0.184615
1 0.474725
2 0.296703
SUMAMOS
3 Y 0.043956
0.815384
b) (6C0)*(15-6C3-0)
Pr = = 0.184615
(15C3) 98
Ejemplo 6:
De un lote de 10 proyectiles, 4 se seleccionan al azar y
se disparan. Si el lote contiene 3 proyectiles
defectuosos que no explotarn, cul es la probabilidad
de que , a) los 4 exploten?, b) al menos 2 no exploten?

Solucin:
N = 10; S= 7 ; r = 4 ;n = 4

a)
(35)*(1)
Pr = =0.16667
(210)
99
b) (3C2)*(10-3C4-2) + (3C3)*(10-3C4-3)
Pr =
(10C4)
(3)*(21) + (1)*(7)
Pr =
(210)
63 + 7
Pr = = 0.333333
210

100
 Ejemplo 7: a)Cul es la probabilidad de que una
mesera se rehse a servir bebidas alcohlicas
nicamente a dos menores de edad si verifica
aleatoriamente solo 5 identificaciones de entre 9
estudiantes, de los cuales 4 no tienen la edad
suficiente?, b) Cal es la probabilidad de que como
mximo 2 de las identificaciones pertenezcan a
menores de edad?

Solucin:
N = 9;S = 4 ;r = 2;n = 5

a) (4Cr)*(9-4C5 - 2)
Pr = = 0.47619
(9C5)
101
 b) N= 9; S = 4; r = 0,1 y 2; n = 5
(4C0)*(9-4C5-0) + (4C1)*(9-4C5-1) + (4C2)*(9-4C5- 2)
Pr =
(9C5)
NMERO QUE FUNCION CORRECTAMENTE PROBABILIDAD

0 0.00793
1 0.15873
2 0.47619
SUMAMOS Y 0.64285

102
EjERCICIO PROPUESTO:
Una compaa manufacturera utiliza un esquema
para la aceptacin de los artculos producidos
antes de ser embarcados. El plan es de dos
etapas. Se preparan cajas de 25 para embarque
y se selecciona una muestra de 3 para verificar
si tienen algn artculo defectuoso. Si se
encuentra uno, la caja entera se regresa para
verificarla al 100%. Si no se encuentra ningn
artculo defectuoso, la caja se embarca. a)Cul
es la probabilidad de que se embarque una caja
que tiene tres artculos defectuosos?, b)Cul es
la probabilidad de que una caja que contiene
solo un artculo defectuoso se regresa para
verificacin?
103
104
 DISTRIBUCIN DE POISSON
Tambin se denomina de sucesos raros.
Se obtiene como aproximacin de una distribucin
binomial con la misma media, para n grande (n>30)
y p pequeo (p<0,1).
Queda caracterizada por un nico parmetro (que
es a su vez su media y varianza.)
Funcin de probabilidad:

k
P[ X k ] e , k 0,1,2,...
k!
 DISTRIBUCIN DE POISSON

Distribucin de Probabilidad Discreta

e X X
p( X )
X!
Propiedades de la distribucin Poisson

Promedio

Varianza
2

Desviacin Estndar
1
Coef. De Asimetra 3

1
4 3
Curtosis
 EJEMPLOS DE VARIABLES DE POISSON

El nmero de individuos que ser atendido un da

cualquiera en el servicio de urgencias del hospital
clnico universitario.
En Mlaga hay 500.000 habitantes(n grande)
La probabilidad de que cualquier persona tenga un
accidente es pequea, pero no nula. Supongamos
que es 1/10.000
Bin (n=500.000,p=1/10.000) Poisson(=np=50)
 EJEMPLOS DE VARIABLES DE POISSON
Sospechamos que diferentes hospitales pueden tener
servicios de traumatologa de diferente calidad
(algunos presentan pocos, pero creemos que an
demasiados, enfermos con secuelas tras la
intervencin). Es dificil compararlos pues cada hospital
atiende poblaciones de tamaos diferentes (ciudades,
pueblos,)
Tenemos en cada hospital n, n de pacientes
atendidos o n individuos de la poblacin que cubre
el hospital.
Tenemos p pequeo calculado como frecuencia
relativa de secuelas con respecto al total de
pacientes que trata el hospital, o el tamao de la
poblacin,
Se puede modelar mediante Poisson(=np)
109
 CARACTERSTICAS DE POISSON
En este tipo de experimentos los xitos
buscados se expresan por unidad de rea,
tiempo, pieza, etc,:
# de defectos de una tela por m2
# de aviones que aterrizan en un aeropuerto por
da, hora, minuto, etc.
# de bacterias por cm2 de cultivo
# de llamadas telefnicas a un conmutador por
hora, minuto, etc.
# de llegadas de barcos a un puerto por da, etc.
110
 CARACTERSTICAS DE POISSON
Para determinar la probabilidad de que
ocurran x xitos por unidad de tiempo, rea, o
producto, la frmula a utilizar sera:

111
 Ejemplo 1:
Si un banco recibe en promedio 6 cheques sin fondo por
da, cules son las probabilidades de que reciba, a)
cuatro cheques sin fondo en un da dado, b) 10 cheques
sin fondos en cualquiera de dos das consecutivos?

Solucin: a)
x = variable que nos define el nmero de cheques sin fondo que
llegan al banco en un da cualquiera = 0, 1, 2, 3, ....., etc.
= 6 cheques sin fondo por da
e = 2.718

x 64
P(x)= = = 0.13392
X!e 4!e6 112
 Solucin: b)
x = variable que nos define el nmero de cheques sin fondo que
llegan al banco en dos das consecutivos = 0, 1, 2, 3, ......, etc.
= 6 x 2 = 12 cheques sin fondo en promedio que llegan al
banco en dos das consecutivos
Nota: siempre debe de estar en funcin de x siempre o dicho
de otra forma, debe hablar de lo mismo que x.

x 1210
P(x)= = = 0.104953
X!e 10!e12

113
 Ejemplo 2:
En la inspeccin de hojalata producida por un proceso
electroltico continuo, se identifican 0.2 imperfecciones en
promedio por minuto. Determine las probabilidades de identificar
a) una imperfeccin en 3 minutos, b) al menos dos
imperfecciones en 5 minutos, c) cuando ms una imperfeccin
en 15 minutos.

Solucin: a)
x = variable que nos define el nmero de imperfecciones en la
hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 3 =0.6 imperfecciones en promedio por cada 3
minutos en la hojalata
x 0.61
P(x)= = = 0.329307
X!e 1!e0.6 114
Solucin: b)
x = variable que nos define el nmero de imperfecciones en la
hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc.
= 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos
en la hojalata.

10 11
P(x)= 1 - + = 0.26416
0!e1 1!e1

115
Solucin: c)
x = variable que nos define el nmero de imperfecciones en
la hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.
= 0.2 x 15 = 3 imperfecciones en promedio por cada 15
minutos en la hojalata

30 31
P(x)= 1 - + = 0.1992106
0!e3 1!e3

116
Ejemplo 3: Cierta enfermedad tiene una probabilidad de ocurrir,
p=1/100.000. Calcular la probabilidad de que en una ciudad con
500.000 habitantes haya ms de 3 personas con dicha
enfermedad.
Solucin :
Si consideramos la v.a. X que contabiliza el nmero de
personas que padecen la enfermedad, es claro que sigue un
modelo binomial, pero que puede ser muy bien aproximado
por un modelo de Poisson, de modo que
X->B (n=500000,p=1/100000) ->X ->Poi(=5)
As el nmero esperado de personas que padecen la
enfermedad es E [X] = 5 .Como Var [X] = 5 ,existe una gran
dispersin, y no sera extrao encontrar que en realidad hay
muchas ms personas o menos que estn enfermas. La
probabilidad de que haya ms de tres personas enfermas es:
117
Solucin : (continua)
P [X>3] = 1 P[ X 3 ]

P [X>3] = 1 P[ X = 0] - P[X=1] - P[ X = 2 ] - P[ X = 3 ]

P [X>3] = 1 - e-5*0 e-5*1 - e-5*2 e-5*3

0! 1! 2! 3!

P [X>3] = 0,735

118
Ejemplo 4: El nmero de enfermos que solicitan atencin de
urgencia en un hospital durante un periodo de 24 horas tiene una
media de m = 43.2 pacientes. Unas obras en las instalaciones
mermarn las capacidades de atencin del servicio, el cual se
sabe que colapsar si el nmero de enfermos excede de 50. Cual
es la probabilidad de que colapse el servicio de urgencias del
hospital? .
Solucin :
Bajo las condiciones del modelo de Poisson, se trata de una
distribucin P(43.2). La probabilidad solicitada es

Pr(X>50) = 1 Pr(X50) = 1 F(50)

Pr(X>50) = 0.1343
119
Ejemplo 5: Un equipo tiene dos componentes: A y B. El
componente A se rompe, en promedio, cada 400hs; el
componente B, cada 600hs. El equipo deja de funcionar
cuando se rompe cualquiera de esos dos componentes.
Cul es la probabilidad de que ese equipo funcione por

menos de 800hs?
Solucin :

Sea XA la cantidad de tiempo que funciona la mquina A, con

distribucin exponencial negativa y A=1/400 y XB la
cantidad de tiempo que funciona la mquina B, con distribucin
exponencial negativa y B=1/600 . De aqu en adelante,
podemos resolver el problema de al menos dos maneras:
120
Opcin a: La probabilidad de que el sistema dure menos de
800hs es P((XA<800)) U (XB . Esto se debe a que el sistema
trabaja en serie. Las dos situaciones NO son disjuntas, por lo que
la unin debe expresarse como la suma de la probabilidad de cada
una, menos la interseccin (como son independientes, la

interseccin se calcula como el producto).

Opcin b: Como la duracin del equipo viene dada por la del

componente que se rompa primero, la distribucin de su duracin
es la del mnimo entre . La probabilidad de que se rompa antes de
las 800hs sera integrar eso entre 0 y 800. Al buscar la frmula para
obtener la distribucin del mnimo, tener en cuenta que son dos
variables independientes con distinta tasa de falla.

El resultado final es 0,9643.

121
Ejemplo 6: 6 Unas galletitas tienen pedacitos de chocolate
blanco y pedacitos de chocolate negro. Los pedacitos negros
tienen una distribucin de Poisson, con una media de 4
pedacitos/galleta; los blancos tambin tienen una distribucin de
Poisson pero la media es de 3 pedacitos/galleta. Un paquete de
estas galletitas trae 8 unidades. Cul es la probabilidad de que
en el mismo paquete haya al menos 2 galletitas sin ningn

pedacito de chocolate?
Solucin :
Se puede considerar un proceso Bernoulli el agarrar una galletita y
comprobar si tiene algn copito o no.
La p de que no tenga copitos es la P de que no tenga blancos Y
no tenga negros. Son independientes, as que esa interseccin es
el producto de ambas probabilidades . Otra opcin es considerar
una variable que represente el total de copitos ( ); su distribucin
tambin ser de Poisson y su media ser la suma de las media.
122
Solucin :

En este caso,
El nmero de veces que se lleva a cabo el
experimento es 8 (n=8). Como piden que AL MENOS 2
no tengan copitos, conviene sacar la P de que ninguna
tenga copitos y la de que 1 no tenga copitos, sumarlas,
y restarlas a 1.

Resultado: 5,44x10-5

123
Ejemplo 7: Determinar la cantidad de personas
de una poblacin de 10,000 que se involucra en
un accidente vehicular cada ao.
Solucin: El nmero de personas implicadas
sera la siguiente la cual tambin es la varianza:

np
(10000)(0.00024)
2. 4
La probabilidad de que nadie en esta poblacin tenga
un accidente en un ao en particular es
2.4 0
e ( 2 .4 )
P ( X 0)
0!
0.091

La probabilidad de que exactamente una persona

tenga como uno es de
2.4 1
e ( 2.4)
P ( X 1)
1!
0.218
De manera anloga,
2.4 2
e ( 2.4)
P ( X 2)
2!
0.261
Debido a que los resultados de X son
mutuamente excluyentes y exhaustivos

P ( X 7) 1 P ( X 7)
1 (0.091 0.218 0.261 0.209 0.125 0.060 0.024)
0.012
Ejercicio Propuesto: El nmero de llamadas que
llegan a cierta Central Telefnica en determinado periodo
de tiempo sigue un proceso de Poisson de tasa 180
llamadas la hora. La capacidad de la Central Telefnica
permite atender un mximo de 5 llamadas por minuto.
Calcular:
a) La probabilidad de que en un minuto determinado se
reciban mas llamadas de las que se pueden atender.
b) La probabilidad de que en un intervalo de 5 minutos se
produzcan mas de 10 llamadas.
c) La probabilidad de que en 2 minutos se produzcan
exactamente 4 llamadas.
d) El nmero medio de minutos por hora en que la Central
Telefnica podr atender todas las llamadas recibidas.
e) La probabilidad de que no se produzca saturacin en
ningn minuto a lo largo de una hora.
127
 Tema N 04: DISTRIBUCIONES DE
PROBABILIDAD
2009 - II Ing. Jos Manuel Garca Pantigozo
calidadtotal@hotmail.com