01 Inferencia Estadistica

INFERENCIA ESTADSTICA
SEMANA 1
NDICE
APRENDIZAJES ESPERADOS ................................................................................................................. 3

INTRODUCCIN ................................................................................................................................... 3
1. MODELOS ANALTICOS DE FENMENOS ALEATORIOS ............................................................... 3
1.1. EVENTOS ALEATORIOS Y VARIABLES ALEATORIAS .............................................................. 3
1.2. DISTRIBUCIN DE PROBABILIDADES DE UNA VARIABLE ALEATORIA ................................. 5
1.3. MEDIDAS DESCRIPTIVAS DE VARIABLES ALEATORIAS ......................................................... 7
1.4. VALOR CENTRAL .................................................................................................................. 7
1.5. PRIMER MOMENTO: ESPERANZA MATEMTICA ..................................................................... 8
1.6. SEGUNDO MOMENTO: MEDIDAS DE DISPERSIN ................................................................... 8
1.7. DISTRIBUCIN BINOMIAL Y BERNOULLI ................................................................................ 10
1.8. DISTRIBUCIN GEOMTRICA ................................................................................................. 12
1.9. PROBABILIDAD ACUMULADA PARA UNA DISTRIBUCIN GEOMTRICA ............................... 13
1.10. TIEMPO DE RECURRENCIA Y PERIODO DE RETORNO.................................................... 13
1.11. EL PROCESO DE POISSON .............................................................................................. 14
1.12. DISTRIBUCIN HIPERGEOMTRICA ............................................................................... 17
COMENTARIO FINAL.......................................................................................................................... 19
REFERENCIAS ..................................................................................................................................... 20
2
ESTE DOCUMENTO CONTIENE LA SEMANA 1
VARIABLE ALEATORIA DISCRETA Y DISTRIBUCIONES DE
PROBABILIDAD DISCRETAS
APRENDIZAJES ESPERADOS
Identificar elementos que forman parte de los temas como esperanza, varianza de variables
aleatorias discretas y distribuciones de probabilidad de variables discretas.
Repasar a travs de resolucin de problemas que involucren esperanza, varianza de variables

aleatorias discretas y distribuciones de probabilidad de variables discretas.
INTRODUCCIN
En el curso de estadstica se habl del concepto de espacio muestral, que corresponda solo a la
descripcin de los resultados posibles en un evento. En el presente contenido se asociar este
concepto obtenido para cada resultado posible con valores numricos que variarn de acuerdo al
resultado. Ya que el resultado de un experimento no se conoce con anticipacin, sucede lo mismo
con el valor de la variable involucrada y, por esta razn, a estos valores que cambian se les llama
variable aleatoria.
1. MODELOS ANALTICOS DE FENMENOS ALEATORIOS
1.1. EVENTOS ALEATORIOS Y VARIABLES ALEATORIAS

Una variable aleatoria es el elemento matemtico que representa un evento en trminos
analticos.
El valor de una variable aleatoria puede estar definido para un conjunto de posibles valores.
Si X es una variable aleatoria, entonces se usar la siguiente notacin:
3
Donde X representa a la variable aleatoria (como concepto) y x representa el valor que puede ser
particularmente X. Entonces X puede ser menor, mayor o igual a un valor en particular.
Representa un evento, donde (a < x < b) es el rango de valores posibles de X.
La asignacin numrica puede ser natural o basada en datos reales.
El espacio muestral (S) de un experimento representa todos los posibles resultados que se pueden
obtener. Por ejemplo, al lanzar un dado se tiene seis posibles resultados (los nmeros del 1 al 6).
Otro ejemplo, es el da de la semana en que hay ms congestin vehicular (lunes, martes,
mircoles, jueves, viernes, sbado y domingo).
S w1 , w2 , w3 ,...
Se puede considerar un evento s (subconjunto del espacio muestral).
s w2 , w5 , wn
A partir de estas definiciones se puede calcular la probabilidad de ocurrencia de este evento

P s .
Lo que se quiere predecir o medir es el comportamiento de una variable. Ya que el resultado de un

experimento no se conoce con anticipacin, sucede lo mismo con el valor de una variable. Por esta
razn, la variable que asocia un nmero con el resultado de un experimento aleatorio se conoce
como variable aleatoria. Son variables aleatorias, por ejemplo, el nmero de alumnos reprobados
por carrera en un cierto semestre en una universidad, el nmero de piezas defectuosas que hay en
un cmulo ordenado y embalado en una bodega, la cantidad de bacterias vivas a distintos grados
de temperatura en un laboratorio, el tiempo transcurrido en la atencin de un cliente en una fila,
la concentracin de cobre por metro cbico extrado, etc.
Formalmente, una variable aleatoria puede ser considerada como una funcin o regla sobre los
eventos del espacio muestral a un sistema numrico o lnea real, tal como se observa en la
siguiente figura (Olea, 2011, p. 6):
4
As, los eventos E1 y E2 pueden corresponder a:
Para efectos del clculo de probabilidad se considerar la clasificacin de las variables en discretas
y continuas. Cuando se hable de variable discreta se har referencia a una cantidad entera y
exacta, como el nmero de hermanos o los aos de estudio.
1.2. DISTRIBUCIN DE PROBABILIDADES DE UNA VARIABLE

ALEATORIA
Los valores o el rango de valores que puede tomar una variable aleatoria tienen una probabilidad
especfica o medidas de probabilidad asociada. La regla que asigna la medida de probabilidad se
denomina distribucin o ley de probabilidad.
Si X es una variable aleatoria, la distribucin de probabilidad puede ser descrita por su funcin de
distribucin de probabilidad acumulada que se anota como:
FX x P X x para todo x que pertenece a los reales (IR)
Si X es variable aleatoria discreta, entonces esta funcin puede ser expresada a travs de la
funcin de probabilidad puntual" denotada por (Olea, 2011, p. 9):
pX x P X x
As:
FX x P X X i pX xi
xi x xi x
Con xi X soporte de X.
5
DEFINICIN: Se llama soporte de X a todos los posibles valores que puede tomar la variable x
(Olea, 2011, p. 9).
X x1 , x2 , x3 ,...xn
CASO DISCRETO:
Fuente: Olea, R. (2011). Estadstica para ingeniera, p. 11.
Ejemplo 1: Sea X la variable aleatoria cuyos valores representan el nmero de excavadoras que
operan frecuentemente despus de 6 meses. Si las excavadoras inicialmente son tres, entonces los
acontecimientos posibles son:
X 0 , X 1 , X 2 , X 3
Suponga que cada una de las tres excavadoras est o no operativa despus de 6 meses con igual
probabilidad e independiente de las otras.
a) Determine la funcin probabilidad de la variable X.
6
b) Grafique la funcin de densidad.
Solucin:
a) X 0,1, 2,3 b) Grfica de la funcin de densidad
1
8 Si x 0

3 Si x 1
8
fX x
3 Si x 2
8
1
Si x 3
8
1.3. MEDIDAS DESCRIPTIVAS DE VARIABLES ALEATORIAS

Una variable aleatoria puede ser descrita totalmente por su funcin de distribucin de
probabilidad o de densidad, o bien por su funcin de distribucin de probabilidad acumulada. Sin
embargo, en la prctica la forma exacta puede no ser totalmente conocida.
En tales casos, se requieren ciertas medidas:
Medidas de centralidad.
Medidas de dispersin.
Medidas de asimetras y otras.
1.4. VALOR CENTRAL

Del rango de los valores posibles de una variable aleatoria, el valor central tiene un inters
especial. La media de X puede interpretarse como el centro de masa del rango de los valores de X.
Dado que para cada valor existe una medida de probabilidad, el centro equivale a un promedio
ponderado.
Se define el valor esperado o esperanza o media de una variable aleatoria X a (Olea, 2011, p. 24):
7
X E X x p x ,
x X
i X i Caso discreto
1.5. PRIMER MOMENTO: ESPERANZA MATEMTICA

La nocin del valor esperado, como un promedio ponderado, puede ser generalizada para
funciones de la variable aleatoria X.
Tambin puede ser necesario conocer la esperanza de una funcin determinada. Dada una funcin
g x , entonces el valor esperado de esta puede ser obtenido como:
E g x g x p x ,
x X
X i Caso discreto
1.6. SEGUNDO MOMENTO: MEDIDAS DE DISPERSIN

La medida de dispersin de una variable aleatoria corresponde a la varianza de X, la cual se define
como:
2 X Var X E X X X pX xi ,
2 2
Caso discreto
x X
X
PROPIEDAD:
Var X E X 2 E X
2
En trminos de dimensionalidad, es conveniente utilizar la desviacin estndar, ya que la varianza

es una medida ficticia, pues las unidades en las cuales se expresa son cuadrticas (por ejemplo
aos2, pesos2, etc.), es decir:
X Var X
Si X 0 , se puede calcular una medida de variabilidad que es adimensional llamada coeficiente

de variacin (c. o. v).
X
X
X
8
Ejemplo 2: Obtenga el nmero esperado y la varianza de excavadoras operativas despus de 6
meses (siguiendo el ejemplo 1).
Recordar:
1
8 Si x 0

3 Si x 1
8
fX x
3 Si x 2
8
1
Si x 3
8
EX X p x
x X
X i
1 3 3 1
0 1 2 3
8 8 8 8
3

2
Para calcular la varianza se calcula primero:
EX2
EX2 X 2
pX xi
x X
1 3 3 1
02 12 22 32
8 8 8 8
Se reemplaza:
Var X E X 2 E X
2
Var X 3 1,52
9
Var X 0, 75
1.7. DISTRIBUCIN BINOMIAL Y BERNOULLI

En las ms diversas reas de la ingeniera, a menudo los problemas involucran la ocurrencia o
recurrencia de un evento, el cual es impredecible, como una secuencia de experimentos".
Ejemplos: Para un da de lluvia: colapsa o no un sistema de drenaje?; al comprar un producto:

este satisface o no los requerimientos de calidad?; un alumno: aprueba o reprueba el curso?
Notar que hay solo dos resultados posibles para cada experimento.
Las variables descritas pueden ser modeladas por una secuencia Bernoulli, la cual se basa en los
siguientes supuestos:
a) Cada experimento, tiene una de dos opciones ocurrencia o no ocurrencia del evento.
b) La probabilidad de ocurrencia del evento (xito) en cada experimento es constante (se asigna
como p).
c) Los experimentos son estadsticamente independientes.
Dada una secuencia Bernoulli, si X es el nmero de ocurrencias del evento xito entre los n
experimentos, con probabilidad de ocurrencia igual a p, entonces la probabilidad que ocurran
exactamente x xitos en los n experimentos est representada por la distribucin binomial.
n
pX x p x 1 p ,
n x
x 0,1, 2,3,..., n
x
0, x0
x
n
FX x p k 1 p , 0 x n
nk
k 0 k
1, x n

El valor esperado y varianza estn dados por:
10
Ejemplo 3: Cinco niveladoras se utilizan en la construccin de una carretera. Si la variable nmero
de niveladoras que falla antes de las 900 horas de uso se comporta como una variable binomial
con probabilidad de xito 0,0559 y asumiendo independencia entre las niveladoras, determine la
probabilidad que:
a) Exactamente dos presenten una falla en las primeras 900 hrs. de funcionamiento.
b) Dos o ms presenten fallas en las primeras 900 hrs.
c) A lo ms dos presenten fallas en las primeras 900 hrs.
Solucin:
a) Sea y Nmero de niveladoras que fallan antes de las 900 horas de uso.
y ~ B n, p y ~ B 2;0,0559
5
P y 2 0, 05592 1 0, 0559
5 2
P y 2 0,02629
b)
P y 2 1 P y 2
P y 2 1 P y 0 P y 1
5 5 51
P y 2 1 0, 05590 1 0, 0559 0, 05591 1 0, 0559
5 0
0 1
P y 2 1 0,9721
P y 2 0,02789
c)
P y 2 P y 0 P y 1 P y 2
11
P y 2 0,99839
1.8. DISTRIBUCIN GEOMTRICA

Dada una secuencia Bernoulli, el nmero de experimentos hasta la ocurrencia del primer evento
exitoso sigue una distribucin geomtrica. Si el primer xito ocurre en el n-simo experimento, los
primeros n 1 fueron fracasos. Si N es la variable aleatoria que representa el nmero de
experimentos hasta el primer xito, entonces:
Para la funcin de probabilidad:
P N 1 E1 p
P N 2 F1 E2 1 p p
Esperanza de una distribucin geomtrica:

N n p 1 p
n 1
n 1
Varianza de una distribucin geomtrica:
N2 E N 2 E N
2
12
1.9. PROBABILIDAD ACUMULADA PARA UNA DISTRIBUCIN GEOMTRICA
Por definicin se sabe que la funcin acumulada debe cumplir con la condicin:
FN K P N K
Se puede demostrar que la funcin de probabilidad acumulada distribucin geomtrica es (Olea,

2011, p. 57):
1.10. TIEMPO DE RECURRENCIA Y PERIODO DE RETORNO

En algunos problemas, el tiempo T (o espacio) es discretizado en intervalos, T N , y puede ser
modelado por una secuencia Bernoulli.
El nmero de intervalos ocurridos hasta observar el primer evento exitoso se denomina tiempo
medio de recurrencia y corresponde al tiempo entre recurrencias. Este tiempo se conoce como
periodo de retorno:

1
T E T tp 1 p
t 1

t 1 p
PROPIEDAD DE CARENCIA DE MEMORIA
La distribucin geomtrica posee esta propiedad que significa que la probabilidad no se afecta en
nada con los acontecimientos que hayan ocurrido anteriormente. El conocimiento de los
resultados previos no tiene efectos sobre las probabilidades de los eventos futuros (Montgomery
& Runger, 1998, p. 199).
Ejemplo 3: Una plataforma costa afuera es diseada para soportar olas de hasta 8 metros sobre el
nivel medio del mar.
Una ola de estas caractersticas tiene una probabilidad del 5% de ocurrencia por ao. Determine:
a) El periodo de retorno.
b) La probabilidad de observar una ola de estas caractersticas durante el perodo de retorno.
13
c) Probabilidad que ocurra despus del tercer ao.
Solucin:
a)
1 1
T E T 20 aos
p 0,05
b) La probabilidad de observar una ola de estas caractersticas durante el periodo de retorno.
c) Probabilidad que ocurra despus del tercer ao.
1.11. EL PROCESO DE POISSON

Muchos problemas fsicos de inters para ingenieros y cientficos que implican las ocurrencias
posibles de eventos en cualquier punto en el tiempo y/o en el espacio.
Ejemplos: Los terremotos pueden ocurrir en cualquier momento y en cualquier lugar en una
regin con actividad ssmica en el mundo; las grietas por fatiga puede producirse en cualquier
punto de una soldadura continua; los accidentes de trfico pueden suceder en cualquier momento
en una autopista.
Estos ejemplos pueden ser modelados como secuencia Bernoulli, dividiendo el tiempo o el espacio
en pequeos intervalos apropiados de tal forma que solo un evento puede ocurrir o no dentro
de cada intervalo (ensayo Bernoulli).
14
Sin embargo, si el evento ocurre al azar en cualquier instante (o en cualquier punto del espacio),
esto puede pasar ms de una vez en cualquier momento o intervalo de espacio.
En tal caso, las ocurrencias del evento puede ser modeladas con un proceso de Poisson o la
secuencia Poisson.
Supngase un intervalo entre 0 y 1. Se hace una particin tal que en cada subintervalo ocurra solo
1 vez la variable en estudio; adems, la probabilidad de ocurrencia en cada intervalo es un
experimento Bernoulli e independiente entre ellos.
Supuestos:
Un evento puede ocurrir al azar y en cualquier instante o en cualquier punto en el espacio.
La(s) ocurrencia(s) de un evento en un intervalo dado (o espacio) es estadsticamente

independiente a lo que ocurra en otros intervalos (o espacios) que no se traslapen.
La probabilidad de ocurrencia de un evento en un pequeo intervalo t es proporcional a t ,

y puede estar dada por vt , donde v es la tasa de incidencia media del evento (que se supone
constante).
La probabilidad de dos o ms eventos en t es insignificante.
Tiene forma binomial, considerando cada subintervalo.
n
P X x lim p x 1 p
n x
n x

Como se trata de un experimento binomial, se sabe que:
E X n p v
Se reemplaza p y desarrolle usando lmites, para que finalmente se obtenga la funcin de densidad
de una variable Poisson.
e v v x
P X x
x!
Para la funcin acumulada:
15
e v v x

P X x
x 0 x!
La esperanza de una distribucin Poisson:
X v
La varianza de una distribucin Poisson:
Var X v
Si el nmero de eventos en un intervalo flucta entre 0 y T, el nmero de eventos

estadsticamente independientes est dado por:
vt e vt
x
P Xt x , x 1, 2,3,...
x!
Donde v es la tasa de ocurrencia media por unidad de tiempo, es decir: E X vt
Ejemplo 4: Los registros histricos de tormentas devastadoras en una ciudad en los ltimos 20
aos indican un promedio de cuatro tormentas por ao. Suponiendo que las ocurrencias de
tormentas se pueden modelar con un proceso de Poisson. Calcule la probabilidad que el prximo
ao no presente tormentas de lluvias.
Solucin:
x Nmero de tormentas por ao
Comentario: La tasa promedio de tormentas por ao se obtiene de acuerdo al enunciado, ya que

dice un promedio de cuatro tormentas por ao y se multiplica por 1, ya que el periodo es un
ao.
16
v 0 e v
P X 0 e v e4 0, 0183
0!
1.12. DISTRIBUCIN HIPERGEOMTRICA

Un conjunto de N objetos contiene K objetos clasificados como xitos y N K objetos clasificados
como fallas.
Se toma una muestra aleatoria de tamao n, sin reemplazo de entre los N objetos (K N; n N). Si
la variable X = nmero de xitos en la muestra, entonces X es una variable hipergeomtrica y tiene
distribucin de probabilidad:
La esperanza y la varianza son respectivamente:
Ejemplo 5: Una prueba de control de calidad que se aplica a cajas que contienen cada una 10
unidades de cierto producto consiste en sacar al azar 4 unidades de la caja y examinarlas. Si en la
muestra sale a lo ms una unidad defectuosa, la caja se acepta; en caso contrario, la caja se revisa
completamente. Cul es la probabilidad de que en una caja que contiene 3 unidades defectuosas
deba revisarse completamente?
Solucin:
En este caso:
X Nmero de unidades defectuosas en la muestra.
X es una variable hipergeomtrica.
N 10 , ya que es el total de unidades de producto que contiene la caja.
K 3 es el nmero de unidades defectuosas que contiene la caja en revisin.
n 4 es la diferencia entre las unidades en buen estado y las defectuosas.
17
Lo que se busca es la probabilidad de hallar ms de una unidad defectuosa. Por lo tanto,
P X 1 .
P X 1 P X 2 P X 3
Se aplica el modelo hipergeomtrico:
3 10 3

X 4 x
H X ; 3; 4;10 ; X 0 , 1, 2 ,3
10

4
Pero dada la condicin X puede tomar los valores 2 o 3. Se reemplaza en el modelo:
Use Excel para resolver.
10
Por ejemplo, se resuelve con la frmula = COMBINAT(10;4)
4
18
As se resuelve cada una de las combinaciones:
COMENTARIO FINAL
Los modelos de probabilidad tienen muchas aplicaciones en algunos problemas empresariales.
Estos modelos se definen por medio de una variable aleatoria y una funcin de distribucin de
probabilidad. Lo que se busca es poder modelar situaciones en donde las posibles respuestas o
resultados son variables discretas como, por ejemplo, la cantidad de artculos defectuosos en un
lote, la cantidad de pblico en una fila en un banco o el nmero de reservas a diario en una lnea
area.
19
REFERENCIAS
Canavos, G. (1984). Probabilidad y estadstica, aplicaciones y mtodos. 1 edicin. Estados Unidos:
McGraw-Hill.
Montgomery, D. & Runger, G. (1998). Probabilidad y estadstica aplicadas a la ingeniera. 1
edicin. Arizona, Estados Unidos: McGraw-Hill.
Newbold, P.; Carlson, W. & Thorne, B. (2009). Estadstica para la administracin y economa. 6
edicin. Nueva Jersey, Estados Unidos: Pearson, Prentice-Hall.
Olea, R. (2011). Estadstica para ingeniera. Apuntes Curso de verano TAV. Chile. Pontificia
Universidad Catlica de Chile.
PARA REFERENCIAR ESTE DOCUMENTO, CONSIDERE:
IACC (2013). Variable aleatoria discreta y distribuciones de probabilidad discretas. Inferencia
estadstica. Semana 1.
20

01 Inferencia Estadistica

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

01 Inferencia Estadistica

Enviado por

Direitos autorais:

Formatos disponíveis

INFERENCIA ESTADSTICA

APRENDIZAJES ESPERADOS ................................................................................................................. 3

Repasar a travs de resolucin de problemas que involucren esperanza, varianza de variables

1. MODELOS ANALTICOS DE FENMENOS ALEATORIOS

1.1. EVENTOS ALEATORIOS Y VARIABLES ALEATORIAS

Si X es una variable aleatoria, entonces se usar la siguiente notacin:

Representa un evento, donde (a < x < b) es el rango de valores posibles de X.

La asignacin numrica puede ser natural o basada en datos reales.

Se puede considerar un evento s (subconjunto del espacio muestral).

A partir de estas definiciones se puede calcular la probabilidad de ocurrencia de este evento

Lo que se quiere predecir o medir es el comportamiento de una variable. Ya que el resultado de un

1.2. DISTRIBUCIN DE PROBABILIDADES DE UNA VARIABLE

FX x P X x para todo x que pertenece a los reales (IR)

Fuente: Olea, R. (2011). Estadstica para ingeniera, p. 11.

a) Determine la funcin probabilidad de la variable X.

a) X 0,1, 2,3 b) Grfica de la funcin de densidad

1.3. MEDIDAS DESCRIPTIVAS DE VARIABLES ALEATORIAS

En tales casos, se requieren ciertas medidas:

1.4. VALOR CENTRAL

1.5. PRIMER MOMENTO: ESPERANZA MATEMTICA

1.6. SEGUNDO MOMENTO: MEDIDAS DE DISPERSIN

En trminos de dimensionalidad, es conveniente utilizar la desviacin estndar, ya que la varianza

Si X 0 , se puede calcular una medida de variabilidad que es adimensional llamada coeficiente

Para calcular la varianza se calcula primero:

1.7. DISTRIBUCIN BINOMIAL Y BERNOULLI

Ejemplos: Para un da de lluvia: colapsa o no un sistema de drenaje?; al comprar un producto:

c) Los experimentos son estadsticamente independientes.

El valor esperado y varianza estn dados por:

b) Dos o ms presenten fallas en las primeras 900 hrs.

c) A lo ms dos presenten fallas en las primeras 900 hrs.

1.8. DISTRIBUCIN GEOMTRICA

Para la funcin de probabilidad:

Esperanza de una distribucin geomtrica:

Varianza de una distribucin geomtrica:

Se puede demostrar que la funcin de probabilidad acumulada distribucin geomtrica es (Olea,

1.10. TIEMPO DE RECURRENCIA Y PERIODO DE RETORNO

PROPIEDAD DE CARENCIA DE MEMORIA

b) La probabilidad de observar una ola de estas caractersticas durante el perodo de retorno.

b) La probabilidad de observar una ola de estas caractersticas durante el periodo de retorno.

c) Probabilidad que ocurra despus del tercer ao.

1.11. EL PROCESO DE POISSON

Un evento puede ocurrir al azar y en cualquier instante o en cualquier punto en el espacio.

La(s) ocurrencia(s) de un evento en un intervalo dado (o espacio) es estadsticamente

La probabilidad de ocurrencia de un evento en un pequeo intervalo t es proporcional a t ,

La probabilidad de dos o ms eventos en t es insignificante.

Tiene forma binomial, considerando cada subintervalo.

Como se trata de un experimento binomial, se sabe que:

Para la funcin acumulada:

La esperanza de una distribucin Poisson:

La varianza de una distribucin Poisson:

Si el nmero de eventos en un intervalo flucta entre 0 y T, el nmero de eventos

Donde v es la tasa de ocurrencia media por unidad de tiempo, es decir: E X vt

x Nmero de tormentas por ao

Comentario: La tasa promedio de tormentas por ao se obtiene de acuerdo al enunciado, ya que

1.12. DISTRIBUCIN HIPERGEOMTRICA

La esperanza y la varianza son respectivamente:

X Nmero de unidades defectuosas en la muestra.

X es una variable hipergeomtrica.

N 10 , ya que es el total de unidades de producto que contiene la caja.

K 3 es el nmero de unidades defectuosas que contiene la caja en revisin.

n 4 es la diferencia entre las unidades en buen estado y las defectuosas.

Se aplica el modelo hipergeomtrico:

Pero dada la condicin X puede tomar los valores 2 o 3. Se reemplaza en el modelo: