Plan de clase

• Competencias
• Motivación.
Inicio • Saberes previos.

• Distribución Binomial .
• Distribución Poisson .
Contenido de
sesión • Distribución Hipergeometrica.

• Retroalimentación.
• Autoevaluación
Cierre
Competencias
Al termino de la sesión, el
estudiante estará en capacidad de:

 Calcular probabilidades utilizando

las distribuciones Binomial,
Poisson e Hipergeométrica.
 Resolver ejercicios relacionados.
 Motivación
En una fábrica manufacturera, el jefe de control de calidad
observó que el 12% de las partículas en cada muestra de aire
son extrañas. Si usted selecciona una partícula de cada una de
20 muestras de aire, se pide:

a) Calcule la probabilidad que se encuentren a lo más dos

partículas extrañas.
b) Calcule la probabilidad que se encuentren por lo menos
tres partículas extrañas.
c) Calcule el valor esperado y la varianza de las partículas
extrañas en el aire es:
 Distribución Binomial
Es una de las distribuciones discretas más útiles. Su área de aplicación incluye,
las ventas, la inspección de calidad de productos, medicina, investigación de
mercados, etc.

A continuación, se presentan algunos experimentos que aceptan un modelo

Binomial:

• Lanzar una moneda quince veces y observar el número de caras que

aparecen.
• El número de artículos defectuosos producido por una máquina.
• Observar el número de partículas extrañas en diferentes muestras de aire.
Características
• El experimento consiste de n ensayos
idénticos e independientes.
• En cada ensayo, existen solo dos posibles
resultados, a uno se le denomina éxito (E) y al
otros Fracaso (F).
• La probabilidad de éxito 𝑝 es la misma en cada
ensayo.
Una variable aleatoria discreta X sigue una distribución
Binomial con parámetros 𝑛 y 𝑝 y se representa por
𝑋𝐵𝑖(𝑛, 𝑝) si su función de probabilidad es la siguiente:

𝑃 𝑋 = 𝑥 = 𝐶𝑥𝑛 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 𝑥 = 0, 1, 2, … 𝑛

donde:
n = Número de ensayos
p= Probabilidad de éxito en cada ensayo

Medidas de resumen
Esperanza matemática
𝑬 𝑿 =𝒏𝒑
Varianza
𝑽 𝑿 = 𝒏𝒑 𝟏−𝒑
Ejemplo 1
En una fábrica manufacturera, el jefe de control de
calidad observó que el 12% de las partículas en
cada muestra de aire son extrañas. Si usted
selecciona una partícula de cada una de 20
muestras de aire, se pide:
a) Calcule la probabilidad que se encuentren a lo
más dos partículas extrañas.
b) Calcule la probabilidad que se encuentren por lo
menos tres partículas extrañas.
c) Calcule el valor esperado y la varianza de las
partículas extrañas en el aire es:
 Solución
Sea la variable:
𝑋= Número de partículas extrañas de un total de 20
Parámetros
𝑛 = 20 𝑝 = 0.12
a) La probabilidad que se encuentre a lo más dos partículas extrañas es:

𝑃 𝑋≤2 = 𝑃 𝑋 = 0 + 𝑃 𝑋 = 1 + 𝑃(𝑋 = 2)
𝑃 𝑋=0 = 𝐶020 × 0.120 × (0.88)20−0 = 0.0776
𝑃 𝑋=1 = 𝐶120 × 0.121 × (0.88)20−1 = 0.2115
𝑃 𝑋=2 = 𝐶220 × 0.122 × (0.88)20−2 = 0.2740
𝑃 𝑋 ≤ 2 = 0.5631

b) La probabilidad que se encuentre por lo menos tres partículas extrañas es:

𝑃 𝑋 ≥3 =1−𝑃 𝑋 ≤2
𝑃 𝑋 ≥ 3 = 1 − 0.5631
𝑃 𝑋 ≥ 3 = 0.4369
c)

Esperanza matemática
𝐸 𝑋 = 𝑛 𝑝 = 20 × 0.12 = 2.4
Varianza
𝑉 𝑋 = 20 × 0.12 × 1 − 0.12 = 2.112
Distribución Poisson
Esta distribución se aplica cuando nos encontramos en situaciones en que
interesa determinar que un evento aislado ocurra un número específico de
veces en un intervalo de tiempo o espacio.
A continuación, se presentan algunos experimentos que aceptan un modelo
Poisson:

• Número de autos que llegan a un taller automotriz en un lapso de tiempo

específico.
• Número de impulsos electrónicos errados transmitidos durante espacio de
tiempo específico.
• Número de llamadas telefónicas que ingresan a un conmutador por minuto.
• Número de defectos de una tela por m2.
• Número de bacterias por cm2 de un cultivo.
• Cantidad de átomos que se desintegran en sustancia radioactiva.
• Número de accidentes automovilísticos en un cruce específico durante una
semana.
Definición
Una variable aleatoria X sigue una distribución Poisson con parámetro 𝜆 si su
función de densidad de probabilidad esta dada por:

𝒆−𝝀 𝝀𝒙
𝑷 𝑿=𝒙 = , 𝒙 = 𝟎, 𝟏, 𝟐, …
𝒙!
donde:
λ = Número promedio de ocurrencias del evento de interés

Esperanza matemática
𝑬 𝑿 =𝝀
Varianza
𝑽 𝑿 =𝝀
 Ejemplo 2
En el departamento de mantenimiento
informático de una empresa se reciben en
promedio dos llamadas solicitando servicio
por día. Se pide:
a) Calcule la probabilidad que se reciban
exactamente tres llamadas en un día
cualquiera.
b) Calcule la probabilidad que se reciban a
lo más dos llamadas en un día
cualquiera.
c) Calcule la probabilidad que se reciban a
lo más cinco llamadas si se sabe que se
recibirán por lo menos tres llamadas en
un fin de semana (viernes, sábado y
domingo).
Solución
Sea la variable:
𝑋 = Número de llamadas solicitando servicio de mantenimiento
informático en un día.
Parámetro
𝜆 = 2 → 1 𝑑𝑖𝑎
23
a) 𝑃 𝑋 = 3 = 𝑒 −2 × 3!
= 0.1804
b) 𝑃 𝑋 ≤ 2 = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2)
20 21 22
𝑃 𝑋 ≤ 2 = 𝑒 −2 × + 𝑒 −2 × + 𝑒 −2 × = 0.6767
0! 1! 2!
c) .
𝜆 = 2 → 1 𝑑𝑖𝑎
𝜆 = 6 → 3 𝑑𝑖𝑎s

𝑃(3 ≤ 𝑋 ≤ 5) 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4) + 𝑃(𝑋 = 5)

𝑃 𝑋≤5 𝑋≥3 = =
𝑃(𝑋 ≥ 3) 1 − 𝑃(𝑋 ≤ 2)

𝑃(𝑋 = 3) + 𝑃(𝑋 = 4) + 𝑃(𝑋 = 5)

𝑃 𝑋≤5 𝑋≥3 =
1 − 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2)

63 64 65
𝑒 −6 −6
× +𝑒 × +𝑒 × −6
0.3837
𝑃 𝑋≤5 𝑋≥3 = 3! 4! 5! =
6 0 61 6 2 0.9380
1 − 𝑒 −6 × 0! + 𝑒 −6 × 1! + 𝑒 −6 × 2!
= 0.4091
Distribución Hipergeométrica
Una variable aleatoria X sigue una distribución Hipergeométrica con
parámetros N, A y n si su función de densidad de probabilidad esta dada por:

𝐂𝐱𝐀 𝐂𝐧−𝐱
𝐍−𝐀
𝐏 𝐗=𝐱 = 𝐱 = 𝟎, 𝟏, 𝟐, … , 𝐦𝐢𝐧*𝐀, 𝐧+
𝐂𝐧𝐍
Esperanza matemática
𝐧𝐀
𝐄 𝐗 =
𝐍
Varianza
𝐧𝐀(𝐍 − 𝐀)(𝐍 − 𝐧)
𝐕 𝐗 =
𝐍𝟐 (𝐍 − 𝟏)
 Ejemplo 3
Un lote de tuberías contiene 100 piezas de un proveedor nacional y
200 piezas de un proveedor extranjero. Si se eligen cuatro piezas al
azar y sin remplazo, se pide:

a) Calcule la probabilidad de que las piezas elegidas sean del

proveedor nacional.
b) Calcule la probabilidad de que por lo menos dos piezas elegidas
sean del proveedor nacional.
c) Calcule el valor esperado y la varianza.

Solución
Sea la variable:
X = Número de tuberías del proveedor nacional de un total de
cuatro (X ~ H(300, 100, 4))
donde:

N = 300 A = 100 n=4

a) .

𝐂𝟒𝟏𝟎𝟎 𝐂𝟎𝟐𝟎𝟎
𝐏 𝐗=𝟒 = = 𝟎. 𝟎𝟏𝟏𝟗
𝐂𝟒𝟑𝟎𝟎

b) .

𝐂𝟐𝟏𝟎𝟎 𝐂𝟐𝟐𝟎𝟎 𝐂𝟑𝟏𝟎𝟎 𝐂𝟏𝟐𝟎𝟎 𝐂𝟒𝟏𝟎𝟎 𝐂𝟎𝟐𝟎𝟎

𝐏 𝐗≥𝟐 = + + = 𝟎. 𝟒𝟎𝟖
𝐂𝟒𝟑𝟎𝟎 𝐂𝟒𝟑𝟎𝟎 𝐂𝟒𝟑𝟎𝟎

c) .

Valor esperado
𝐧𝐀 𝟒(𝟏𝟎𝟎)
𝐄 𝐗 = = = 𝟏. 𝟑𝟑
𝐍 𝟑𝟎𝟎

Varianza
𝐧𝐀(𝐍 − 𝐀)(𝐍 − 𝐧) 𝟒(𝟏𝟎𝟎)(𝟑𝟎𝟎 − 𝟏𝟎𝟎)(𝟑𝟎𝟎 − 𝟒)
𝐕 𝐗 = = = 𝟎. 𝟖𝟕𝟗𝟗𝟕
𝐍𝟐 (𝐍 − 𝟏) 𝟑𝟎𝟎𝟐 (𝟑𝟎𝟎 − 𝟏)
 SÍNTESIS
Distribución Binomial: Dos posibles resultados (éxito, fracaso)
– Parámetros: n y p (p = probabilidad de éxito)
– 𝑃 𝑋 = 𝑥 = 𝐶𝑥𝑛 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 𝑥 = 0, 1, 2, … 𝑛
– E(x) = np V(x) = np(1-p)
Distribución de Poisson: Dentro de un determinado, tiempo,
espacio o volumen ocurre eventos
– Parámetros: λ = Número promedio de ocurrencias del
evento de interés
𝒆−𝝀 𝝀𝒙
– 𝑷 𝑿=𝒙 = , 𝒙 = 𝟎, 𝟏, 𝟐, …
𝒙!
– E(x) = : λ V(x) = : λ
Distribución Hipergeométrica:
– Parámetros: N, A, n
𝐂𝐀 𝐍−𝐀
𝐱 𝐂𝐧−𝐱
– 𝐏 𝐗=𝐱 = 𝐱 = 𝟎, 𝟏, 𝟐, … , 𝐦𝐢𝐧*𝐀, 𝐧+
𝐂𝐧𝐍
𝐧𝐀 𝐧𝐀(𝐍−𝐀)(𝐍−𝐧)
– 𝐄 𝐗 = ,𝐕 𝐗 =
𝐍 𝐍 𝟐 (𝐍−𝟏)
 METACOGNICIÓN

 ¿Que aspectos te han parecido interesantes?

 ¿Que contenido consideras más importante del tema trabajado?
 ¿Qué competencias del tema podrías aplicar en tu vida diaria?
 REFERENCIA BIBLIOGRÁFICAS
1. Anderson, Sweeney y Williams. (2012). Estadística para
Administración y Economía. Décima primera edición. Cengage
Learning.
2. Wackerly, Mendenhall y Scheaffer. (2009) Estadística
Matemática con aplicaciones. Séptima edición. Cengage
Learning.
3. Montesinos L., Cerna E., Llanos K., Pajuelo S. y Bayona Y.
(2014) Estadística I (desde un enfoque por competencias).
Primera edición. Fondo editorial Universidad San Ignacio De
Loyola