ESTADISTICA APLICADA

DISTRIBUCION DE
PROBABILIDADES
MG( C ) Ing. Ernesto Caldern Yarlequ

TECNICAS DE CONTEO
Combinacin:
Es una seleccin de objetos con independencia
en su ordenamiento.
Ejemplo:
Un empresario dispone de 10 plantas de
produccin para producir harina de pescado.
Slo ocho son necesarias para abastecer el
mercado. Las ocho plantas necesariamente son
seleccionadas aleatoriamente.
151

Permutacin:
Es una distribucin
determinado.

de

objetos

en

un

orden

Ejemplo:
El numero del DNI.

152

PERMUTACION
Clculo del nmero de permutaciones para n objetos
tomados de x

Pxn

n!
donde x n
(n x)!

Ejemplo:
Los nutricionistas de una empresa que produce
alimentos envasados estn interesados en el orden en
que cuatro ribonucletidos adenina (A), uracilo (U),
guanina (G) y citosina (C) se combinan para formar un
catalizador. Cuntas cadenas formadas por dos
nucletidos pueden formarse?
4!
4x3x2x1
4
P2
12

(4 2)!
2x1
153

COMBINACION
Numero de combinaciones de n objetos tomadas de r

n!
donde x n
C
x!(n x)!
n
x

Ejemplo:

Se realiza un estudio para determinar la opinin de los

profesores de la UNSA respecto a la acreditacin; si
se elige una muestra de cuatro profesores de un total
de 45. Cuntas muestras distintas pueden
seleccionarse?
C445

45!
45x44x43x42x41! 45x44x43x42
148, 995

4!x41!
4!
4!(45 4)!
154

Las Distribuciones de Probabilidad

(A) Concepto: Es una distribucin de frecuencias
terica que describe la forma en que se espera
que varen los resultados.
Resultan tiles para realizar inferencias y tomar
decisiones bajo incertidumbre.

155

Ejemplo:
Se seleccionan en forma consecutivas dos clientes de
un autoservicio . El nmero de clientes ser:
N de
Resultados Probabilidad
Probabilida
mujeres
0
0,25
V,V
1
0,50
VM,MV
2
0,25
MM

Probabilidad

0.50

0.25

2 N de
mujeres
156

(B) TIPOS DE DISTRIBUCIONES

a) DISCRETAS: La variable toma un nmero limitado de
valores. Abarca :
- Distribucin binomial
- Distribucin de Poisson
- Distribucin hipergeomtrica
b) CONTINUAS: La variable puede tomar cualquier valor
dentro de un intervalo dado. Abarca:
- Distribucin normal
- Distribucin normal estndar o Z
- Distribucin t
- Distribucin Ji-cuadrada 2
- Distribucin F

157

Variabl es Aleatorias
Una variable es aleatoria si toma diferentes
valores como resultado de un experimento .
Puede ser discreta o continua
Ejemplo: Se lanzan 3 monedas
X : variable aleatoria (ej : nmero de caras)
x : valores que puede tomar la variable
(ej : 0, 1, 2, 3)

158

ESTADISTICA INFERENCIAL
Valor Esperado

E(X) X
n

.P( X i )

i1

Desviacin Estandar

2
))
.P( X i )
(
X
E(
X

i
i
i1

159

Esperanza matemtica : E (X)

Es el promedio de la variable aleatoria, si el experimento se
repite un nmero infinito de veces.
Ejemplo : Se lanzan 3 monedas
1/8 1/8 1/8 1/8 1/8 1/8 1/8
1/8
W = {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
3 caras.
x
Nmero
de Cara

0
1
2
3

2 caras

P(x) XP(x)
1/8
3/8
3/8
1/8

0 caras =>x

1 cara

0
3/8
6/8
3/8

( X) =

X.P(

x)

12
8

= 1,5

caras

12/8
160

Aplicacin empresarial: uso del

valor esperado y las prdidas
monetarias.
Un distribuidor de bocaditos sabe que su producto
rpidamente se deteriora. Compra cada cajita a 20 u.m. y
las vende a 50 u.m.. No puede especificar el nmero de
cajitas que le solicitarn diariamente, pero dispone de los
siguientes datos:

Ventas
diarias
10
11
12
13

Probabilidad de venta
de cada cantidad
0.15
0.20
0.40
0.25
1.00
161

Tipo de prdidas
(A) Prdidas por mermas (obsolescencia):
oferta > demanda (costo contable)
(B) Prdidas de oportunidad: oferta < demanda
(costo econmico)

Alternativas de
Compra

10
11
12
13

Alternativas de Venta
10

11

12

13

0
30
60
90

20
0
30
60

40
20
0
30

60
40
20
0

Posibles Prdidas
162

Clculo de la prdida esperada

Para un stocks de 10 cajitas, la prdida esperada ser:
Posibles Ventas
Por da

10
11
12
13

Prdida
Condicional

0
30
60
90

Probabilidad
que se reciban
estos pedidos
0.15
0.20
0.40
0.25

Prdida
esperada

0.00
6.00
24.00
22.50

Prdida esperada: 52.50

Solucin ptima: analizar otros tamaos de stocks y decidir

por aqul que genere la menor perdida
163

ESTADISTICA INFERENCIAL
Distribucin Binomial

n X n -x
P(X) p q
X
n!
P(X)
p X q n -x
x!(n - x)!
P(X)

n!

E( X ) np
np(1 p)

p X (1 p) n -x
x!(n - x)!

Datos
Discretos

164

La distribucin binomial
Se utiliza para describir variables discretas.
Es una de las distribuciones mas utilizadas en la
estadstica aplicada. La distribucin se deriva de un
procedimiento llamado ensayo de Bernoulli, nombrado
as en honor del matemtico Suizo James Bernoulli
(1654 - 1785).
a) Caractersticas:
El experimento consiste en una serie de ensayos
repetidos.
Cada ensayo slo tiene dos resultados posibles: xito y
fracaso.
165

La probabilidad de xito, designado por p es la misma para

cada ensayo, la probabilidad de fracaso q (igual a 1-p) es
tambin constante.
1. Los ensayos sucesivos son independientes.
2. Puede ser simtrica o sesgada.
3. La informacin de la muestra se obtiene
con reposicin de una poblacin finita.

166

b) Formula:
n!
p xq n-x
P(X = x) =
x!(n - x)!

donde:
n : nmero de ensayos
x : nmero de xitos
p : probabilidad de xitos en un ensayo
q : probabilidad de fracaso en un ensayo
n - x : nmero de fracaso en el ensayo
Se aplica a la seleccin de una muestra, slo cuando el
resultado de cada solucin es independiente de los
resultados de las selecciones anteriores.
167

c) Aplicacin:
Una muestra de 4 frascos se selecciona sin restitucin
de un lote de 5,000 frascos de cierto laboratorio
farmacutico. Suponiendo que 20% de los frascos de
lote no cumplen con las especificaciones de calidad,
cul es la probabilidad de que la muestra contenga
exactamente 2 frascos malos?

168

BLOGGER.COM

Datos:
n=4
x=2
p = 0,20
q = 0,80

n!
p xq n-x
P(X = x) =
x!(n - x)!
4!
P(X = 2) =
0.22
2!(4 - 2)!
0.802
0,1536

169

d) La distribucin
Cierto proceso de control de calidad se repite cuatro
veces. Suponga que existe la probabilidad de 0.50
que el proceso resulte deficiente. En cuatro
repeticiones se puede obtener 0,1,2,3 4 procesos
deficientes. Se puede calcular la probabilidad de
cada uno de estos posibles resultados mediante la
distribucin binomial.

170

X
(Nmero de procesos
deficientes)

P(X = x)

4! 1 1 1
16
0!4! 2
2

4! 1 1 4
16
1!3! 2 2

4! 1 1 6
16
2!2! 2 2

4! 1 1 4
16
3!1! 2 2

4! 1

4!0! 2

1
116
2

A estos resultados se denomina distribucin de

probabilidad.
171

e) La media y la desviacin estndar

Consideramos la distribucin del ejemplo anterior

(p = 1/2, n = 4)

X
P(X = x)
La media

0
1
2
3
4
1/16 4/16 6/16 4/16 1/16

= XP(x)

172

X
0
1
2
3
4

P(x)
1/16
4/16
6/16
4/16
1/16

XP(x)
0
4/16
12/16
12/16
4/16
32/16

32
XP( x) 16

= 2 procesos

Tambin:
= np
= 4( 12) 2

Interpretacin: Si seleccionamos 4 procesos al azar, se

espera encontrar 2 procesos deficientes, si este
experimento se repite un nmero infinito de veces.
173

La desviacin estndar

(x )

P( x)

P( x)

(x )

(x ) 2

(x ) 2 P( x)

0
1
2
3
4

1/16
4/16
6/16
4/16
1/16

-2
-1
0
+1
+2

4
1
0
1
4

4/16
4/16
0
4/16
4/16
16/16

174

16
(X ) P( x)
16
2

(X ) P( x)
2

Tambin:

16
1 proceso deficiente
16

npq

4(0,5)(0,5) 1

La distribucin binomial (p = 1/2, n = 4) tiene una media de 2

y una desviacin estndar de 1.

175

Ejemplo:
Supngase que en cierta poblacin el 52 por ciento de
todos los nacimientos que se registraron son varones.
Si aleatoriamente se escogen cinco registros de
nacimientos dentro de esa poblacin, cul es la
probabilidad de que exactamente tres de ellos
pertenezcan a varones?.
P = 0.52
q = 1 - 0.52 = 0.48
n=5

P(3,5)

5!
0.523 0.48 (53) 0.32 32%
3!(5 3)!

r=3

176

VSEE.COM

Uso de Tablas
Solucionando el problema anterior usando la tabla de probabilidades
binomiales
tabla de probabilidades binomiales
p
n

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0
1
2
3
4
5

0.48

0.49

0.50

0.62

0.61

0.60

0.59

0.58

0.57

0.56

0.55

0.54

0.53

0.52

5
4
3
2
1
0 5

0.0380
0.1755
0.3240
0.2990
0.1380
0.0255

0.63

0.51

0.50

La probabilidad de tener 3 inscritos varones de 5

registros realizados es del 0.324 o 32.4%.
177

ESTADISTICA INFERENCIAL
Distribucin de Poisson

e x
P(X)
X!
e 2.71828

Datos
Discretos

178

Distribucin de Poisson:
Es una distribucin muy usada en administracin. Se deriva
del proceso de Poisson en honor al matemtico francs
Simeon Denis Poisson (1781-1840).
Debe cumplir las siguientes condiciones:
La ocurrencia de los eventos son independientes.
El nmero promedio de veces () que ocurre un xito por
cada unidad de tiempo o de espacio es constante.
La probabilidad de un suceso es una unidad de tiempo o
de espacio muy pequea.

179

Ejemplos de aplicaciones de Poisson:

Trabajadores que llegan tarde a su centro laboral
durante un cierto da.
Defectos de un producto.
Venta por hora en cierta parte de la ciudad.
Clientes que llegan a la caja registradora de una tienda
en un determinado horario.

180

Si el tamao de la muestra es bastante grande (n>50) y la

probabilidad de un evento particular es muy pequeo (p <
0,1) y se desea hallar la probabilidad de un nmero
determinado de xitos, se puede aplicar la distribucin de
Poisson, dada por la siguiente ecuacin.

P(X = x) =

e
x!

donde

(lambda): media = np = varianza

: base de logaritmos naturales =2.71828

: factorial de x

x!

181

Ejemplo:
Supongamos que estamos investigando la seguridad de
un autoservicio, los registros indican una media de 5
intentos mensuales por tienda. El nmero de intentos de
robos esta distribuido de acuerdo con una distribucin de
Poisson y el departamento de seguridad desea que
calculemos la probabilidad de que en cualquier mes
ocurra exactamente 3 intentos de robo.

X = 3 robos/mes
= 5 robos/mes

P( x3)

53 2.71835

0.14042 14.04%
3!
182

Uso de Tablas
Solucionando el problema anterior usando la tabla de
distribucin de probabilidades de Poisson:

x
0
1
2
3
4
5

4.1

.........

4.5

..........

4.9

5
0.006
7
0.033
70.140
0.084
4
0.175
25

La probabilidad de tener
exactamente 3 intentos
de robo en un mes
cualquiera es 0.1404

0.175
5

183

Aplicacin
La probabilidad de nmero equivocado a pesar de
haber marcado correctamente es 0,03. Si se toma una
muestra de 100 llamadas, cul es la probabilidad de
tener 2 nmero equivocado?
Solucin:

p = 0.03
n = 100
=3

3 2 (2.71828)
P(X = 2) =
2!

= 02240

184

La aproximacin de Poisson a la
distribucin Binomial
Consideremos una distribucin binomial con p=0.02 y n =
100. Supongamos que nos interesa calcular la
probabilidad de que X = 3 utilizando la formula binomial,
podemos encontrar la probabilidad exacta de la forma
siguiente:
100!
(0,02)3 (0,98)97
P(X = 3) =
3!97!
0,1823
185

Los clculos son muy tediosos. Cuando p es pequeo y n

es lo suficientemente grande, la formula binomial puede
aproximarse mediante una distribucin de Poisson con
= np
Luego, utilizando una distribucin de Poisson encontramos
que la probabilidad de que X=3 es:

P(X = 3) =

xe
x!
186

 np = 100 (0,02) = 2
(2) 3(2,71828)

3!

6 (2,71828) 2

0,1805

La respuesta es muy prxima a la encontrada con la

distribucin binomial. La aproximacin se considera vlida
cuando

p 0.05 y n 20

187

ESTADISTICA INFERENCIAL
Distribucin Hipergeomtrica

N-X t X t

n -x x

P(x/N, X ,t n)
N


n

Datos
Discretos

188

La distribucin Hipergeomtrica
Se utiliza para describir variables discretas

P(X =

a)Caractersticas
La informacin de la muestra se obtiene sin
reposicin de una poblacin finita, por lo tanto la
probabilidad de xito vara.
donde:
b) Formula
M : nmero de xitos en la poblacin
N M
M

k : nmero de xitos en la muestra

N : tamao de la poblacin
k) = k nNk N-M: nmero de fracasos en la
poblacin


n : tamao de la muestra
n
n-k : nmero de fracasos en la
muestra
189

Aplicacin
Calcular la probabilidad de obtener 10 CHIPS
defectuosos en una muestra de 20 CHIPS de radio
tomados sin reemplazo de un lote de 30 CHIPS, de los
cuales 15 son defectuosos.
Datos:
k = 10
15 3015
n = 20

10
20 10
N= 30
P(X = 10) = 30

M= 15

20

9018009
(3003)(3003)
=

30045015
30045015

= 0,3001
190

Si errneamente se usa la distribucin binomial con n

= 20 y p =15/30 = 1/2 para calcular la probabilidad de
tener 10 defectuosos, el resultado ser:

20!
1
P(X = x)
10!(20 -10)! 2
184756

1048576

10

1
2

10

0,1762

Una probabilidad considerablemente menor que la

probabilidad real.
191

d) Forma
Puede ser simtrica o sesgada. Cada vez que p = 0.5, la
distribucin hipergeomtrica ser simtrica sin tener en
cuenta qu tan grande o pequeo sea el valor de n; sin
embargo, cuando p 0,5 la distribucin ser sesgada. El
grado de sesgo variar, dependiendo de la proximidad del p
a 0,5 y del tamao de n.

192

e) La media y la desviacin estndar

La media:

E(X) np

La desviacin estndar:

np(1 p)

N n
N 1

N n
N 1

Donde
es un factor de correccin de poblacin
finita que se produce debido al proceso de muestreo sin
reposicin de poblaciones finitas.

193

ESTADISTICA APLICADA

DISTRIBUCION DE
PROBABILIDADES
MG( C ) Ing. Ernesto Caldern Yarlequ

TECNICAS DE CONTEO
Combinacin:
Es una seleccin de objetos con independencia
en su ordenamiento.
Ejemplo:
Un empresario dispone de 10 plantas de
produccin para producir harina de pescado.
Slo ocho son necesarias para abastecer el
mercado. Las ocho plantas necesariamente son
seleccionadas aleatoriamente.
151

Permutacin:
Es una distribucin
determinado.

de

objetos

en

un

orden

Ejemplo:
El numero del DNI.

152

PERMUTACION
Clculo del nmero de permutaciones para n objetos
tomados de x

Pxn

n!
donde x n
(n x)!

Ejemplo:
Los nutricionistas de una empresa que produce
alimentos envasados estn interesados en el orden en
que cuatro ribonucletidos adenina (A), uracilo (U),
guanina (G) y citosina (C) se combinan para formar un
catalizador. Cuntas cadenas formadas por dos
nucletidos pueden formarse?
4!
4x3x2x1
4
P2
12

(4 2)!
2x1
153

COMBINACION
Numero de combinaciones de n objetos tomadas de r

n!
donde x n
C
x!(n x)!
n
x

Ejemplo:

Se realiza un estudio para determinar la opinin de los

profesores de la UNSA respecto a la acreditacin; si
se elige una muestra de cuatro profesores de un total
de 45. Cuntas muestras distintas pueden
seleccionarse?
C445

45!
45x44x43x42x41! 45x44x43x42
148, 995

4!x41!
4!
4!(45 4)!
154

Las Distribuciones de Probabilidad

(A) Concepto: Es una distribucin de frecuencias
terica que describe la forma en que se espera
que varen los resultados.
Resultan tiles para realizar inferencias y tomar
decisiones bajo incertidumbre.

155

Ejemplo:
Se seleccionan en forma consecutivas dos clientes de
un autoservicio . El nmero de clientes ser:
N de
Resultados Probabilidad
Probabilida
mujeres
0
0,25
V,V
1
0,50
VM,MV
2
0,25
MM

Probabilidad

0.50

0.25

2 N de
mujeres
156

(B) TIPOS DE DISTRIBUCIONES

a) DISCRETAS: La variable toma un nmero limitado de
valores. Abarca :
- Distribucin binomial
- Distribucin de Poisson
- Distribucin hipergeomtrica
b) CONTINUAS: La variable puede tomar cualquier valor
dentro de un intervalo dado. Abarca:
- Distribucin normal
- Distribucin normal estndar o Z
- Distribucin t
- Distribucin Ji-cuadrada 2
- Distribucin F

157

Variabl es Aleatorias
Una variable es aleatoria si toma diferentes
valores como resultado de un experimento .
Puede ser discreta o continua
Ejemplo: Se lanzan 3 monedas
X : variable aleatoria (ej : nmero de caras)
x : valores que puede tomar la variable
(ej : 0, 1, 2, 3)

158

ESTADISTICA INFERENCIAL
Valor Esperado

E(X) X
n

.P( X i )

i1

Desviacin Estandar

2
))
.P( X i )
(
X
E(
X

i
i
i1

159

Esperanza matemtica : E (X)

Es el promedio de la variable aleatoria, si el experimento se
repite un nmero infinito de veces.
Ejemplo : Se lanzan 3 monedas
1/8 1/8 1/8 1/8 1/8 1/8 1/8
1/8
W = {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
3 caras.
x
Nmero
de Cara

0
1
2
3

2 caras

P(x) XP(x)
1/8
3/8
3/8
1/8

0 caras =>x

1 cara

0
3/8
6/8
3/8

( X) =

X.P(

x)

12
8

= 1,5

caras

12/8
160

Aplicacin empresarial: uso del

valor esperado y las prdidas
monetarias.
Un distribuidor de bocaditos sabe que su producto
rpidamente se deteriora. Compra cada cajita a 20 u.m. y
las vende a 50 u.m.. No puede especificar el nmero de
cajitas que le solicitarn diariamente, pero dispone de los
siguientes datos:

Ventas
diarias
10
11
12
13

Probabilidad de venta
de cada cantidad
0.15
0.20
0.40
0.25
1.00
161

Tipo de prdidas
(A) Prdidas por mermas (obsolescencia):
oferta > demanda (costo contable)
(B) Prdidas de oportunidad: oferta < demanda
(costo econmico)

Alternativas de
Compra

10
11
12
13

Alternativas de Venta
10

11

12

13

0
30
60
90

20
0
30
60

40
20
0
30

60
40
20
0

Posibles Prdidas
162

Clculo de la prdida esperada

Para un stocks de 10 cajitas, la prdida esperada ser:
Posibles Ventas
Por da

10
11
12
13

Prdida
Condicional

0
30
60
90

Probabilidad
que se reciban
estos pedidos
0.15
0.20
0.40
0.25

Prdida
esperada

0.00
6.00
24.00
22.50

Prdida esperada: 52.50

Solucin ptima: analizar otros tamaos de stocks y decidir

por aqul que genere la menor perdida
163

ESTADISTICA INFERENCIAL
Distribucin Binomial

n X n -x
P(X) p q
X
n!
P(X)
p X q n -x
x!(n - x)!
P(X)

n!

E( X ) np
np(1 p)

p X (1 p) n -x
x!(n - x)!

Datos
Discretos

164

La distribucin binomial
Se utiliza para describir variables discretas.
Es una de las distribuciones mas utilizadas en la
estadstica aplicada. La distribucin se deriva de un
procedimiento llamado ensayo de Bernoulli, nombrado
as en honor del matemtico Suizo James Bernoulli
(1654 - 1785).
a) Caractersticas:
El experimento consiste en una serie de ensayos
repetidos.
Cada ensayo slo tiene dos resultados posibles: xito y
fracaso.
165

La probabilidad de xito, designado por p es la misma para

cada ensayo, la probabilidad de fracaso q (igual a 1-p) es
tambin constante.
1. Los ensayos sucesivos son independientes.
2. Puede ser simtrica o sesgada.
3. La informacin de la muestra se obtiene
con reposicin de una poblacin finita.

166

b) Formula:
n!
p xq n-x
P(X = x) =
x!(n - x)!

donde:
n : nmero de ensayos
x : nmero de xitos
p : probabilidad de xitos en un ensayo
q : probabilidad de fracaso en un ensayo
n - x : nmero de fracaso en el ensayo
Se aplica a la seleccin de una muestra, slo cuando el
resultado de cada solucin es independiente de los
resultados de las selecciones anteriores.
167

c) Aplicacin:
Una muestra de 4 frascos se selecciona sin restitucin
de un lote de 5,000 frascos de cierto laboratorio
farmacutico. Suponiendo que 20% de los frascos de
lote no cumplen con las especificaciones de calidad,
cul es la probabilidad de que la muestra contenga
exactamente 2 frascos malos?

168

BLOGGER.COM

Datos:
n=4
x=2
p = 0,20
q = 0,80

n!
p xq n-x
P(X = x) =
x!(n - x)!
4!
P(X = 2) =
0.22
2!(4 - 2)!
0.802
0,1536

169

d) La distribucin
Cierto proceso de control de calidad se repite cuatro
veces. Suponga que existe la probabilidad de 0.50
que el proceso resulte deficiente. En cuatro
repeticiones se puede obtener 0,1,2,3 4 procesos
deficientes. Se puede calcular la probabilidad de
cada uno de estos posibles resultados mediante la
distribucin binomial.

170

X
(Nmero de procesos
deficientes)

P(X = x)

4! 1 1 1
16
0!4! 2
2

4! 1 1 4
16
1!3! 2 2

4! 1 1 6
16
2!2! 2 2

4! 1 1 4
16
3!1! 2 2

4! 1

4!0! 2

1
116
2

A estos resultados se denomina distribucin de

probabilidad.
171

e) La media y la desviacin estndar

Consideramos la distribucin del ejemplo anterior

(p = 1/2, n = 4)

X
P(X = x)
La media

0
1
2
3
4
1/16 4/16 6/16 4/16 1/16

= XP(x)

172

X
0
1
2
3
4

P(x)
1/16
4/16
6/16
4/16
1/16

XP(x)
0
4/16
12/16
12/16
4/16
32/16

32
XP( x) 16

= 2 procesos

Tambin:
= np
= 4( 12) 2

Interpretacin: Si seleccionamos 4 procesos al azar, se

espera encontrar 2 procesos deficientes, si este
experimento se repite un nmero infinito de veces.
173

La desviacin estndar

(x )

P( x)

P( x)

(x )

(x ) 2

(x ) 2 P( x)

0
1
2
3
4

1/16
4/16
6/16
4/16
1/16

-2
-1
0
+1
+2

4
1
0
1
4

4/16
4/16
0
4/16
4/16
16/16

174

16
(X ) P( x)
16
2

(X ) P( x)
2

Tambin:

16
1 proceso deficiente
16

npq

4(0,5)(0,5) 1

La distribucin binomial (p = 1/2, n = 4) tiene una media de 2

y una desviacin estndar de 1.

175

Ejemplo:
Supngase que en cierta poblacin el 52 por ciento de
todos los nacimientos que se registraron son varones.
Si aleatoriamente se escogen cinco registros de
nacimientos dentro de esa poblacin, cul es la
probabilidad de que exactamente tres de ellos
pertenezcan a varones?.
P = 0.52
q = 1 - 0.52 = 0.48
n=5

P(3,5)

5!
0.523 0.48 (53) 0.32 32%
3!(5 3)!

r=3

176

VSEE.COM

Uso de Tablas
Solucionando el problema anterior usando la tabla de probabilidades
binomiales
tabla de probabilidades binomiales
p
n

0.37

0.38

0.39

0.40

0.41

0.42

0.43

0.44

0.45

0.46

0.47

0
1
2
3
4
5

0.48

0.49

0.50

0.62

0.61

0.60

0.59

0.58

0.57

0.56

0.55

0.54

0.53

0.52

5
4
3
2
1
0 5

0.0380
0.1755
0.3240
0.2990
0.1380
0.0255

0.63

0.51

0.50

La probabilidad de tener 3 inscritos varones de 5

registros realizados es del 0.324 o 32.4%.
177

ESTADISTICA INFERENCIAL
Distribucin de Poisson

e x
P(X)
X!
e 2.71828

Datos
Discretos

178

Distribucin de Poisson:
Es una distribucin muy usada en administracin. Se deriva
del proceso de Poisson en honor al matemtico francs
Simeon Denis Poisson (1781-1840).
Debe cumplir las siguientes condiciones:
La ocurrencia de los eventos son independientes.
El nmero promedio de veces () que ocurre un xito por
cada unidad de tiempo o de espacio es constante.
La probabilidad de un suceso es una unidad de tiempo o
de espacio muy pequea.

179

Ejemplos de aplicaciones de Poisson:

Trabajadores que llegan tarde a su centro laboral
durante un cierto da.
Defectos de un producto.
Venta por hora en cierta parte de la ciudad.
Clientes que llegan a la caja registradora de una tienda
en un determinado horario.

180

Si el tamao de la muestra es bastante grande (n>50) y la

probabilidad de un evento particular es muy pequeo (p <
0,1) y se desea hallar la probabilidad de un nmero
determinado de xitos, se puede aplicar la distribucin de
Poisson, dada por la siguiente ecuacin.

P(X = x) =

e
x!

donde

(lambda): media = np = varianza

: base de logaritmos naturales =2.71828

: factorial de x

x!

181

Ejemplo:
Supongamos que estamos investigando la seguridad de
un autoservicio, los registros indican una media de 5
intentos mensuales por tienda. El nmero de intentos de
robos esta distribuido de acuerdo con una distribucin de
Poisson y el departamento de seguridad desea que
calculemos la probabilidad de que en cualquier mes
ocurra exactamente 3 intentos de robo.

X = 3 robos/mes
= 5 robos/mes

P( x3)

53 2.71835

0.14042 14.04%
3!
182

Uso de Tablas
Solucionando el problema anterior usando la tabla de
distribucin de probabilidades de Poisson:

x
0
1
2
3
4
5

4.1

.........

4.5

..........

4.9

5
0.006
7
0.033
70.140
0.084
4
0.175
25

La probabilidad de tener
exactamente 3 intentos
de robo en un mes
cualquiera es 0.1404

0.175
5

183

Aplicacin
La probabilidad de nmero equivocado a pesar de
haber marcado correctamente es 0,03. Si se toma una
muestra de 100 llamadas, cul es la probabilidad de
tener 2 nmero equivocado?
Solucin:

p = 0.03
n = 100
=3

3 2 (2.71828)
P(X = 2) =
2!

= 02240

184

La aproximacin de Poisson a la
distribucin Binomial
Consideremos una distribucin binomial con p=0.02 y n =
100. Supongamos que nos interesa calcular la
probabilidad de que X = 3 utilizando la formula binomial,
podemos encontrar la probabilidad exacta de la forma
siguiente:
100!
(0,02)3 (0,98)97
P(X = 3) =
3!97!
0,1823
185

Los clculos son muy tediosos. Cuando p es pequeo y n

es lo suficientemente grande, la formula binomial puede
aproximarse mediante una distribucin de Poisson con
= np
Luego, utilizando una distribucin de Poisson encontramos
que la probabilidad de que X=3 es:

P(X = 3) =

xe
x!
186

 np = 100 (0,02) = 2
(2) 3(2,71828)

3!

6 (2,71828) 2

0,1805

La respuesta es muy prxima a la encontrada con la

distribucin binomial. La aproximacin se considera vlida
cuando

p 0.05 y n 20

187

ESTADISTICA INFERENCIAL
Distribucin Hipergeomtrica

N-X t X t

n -x x

P(x/N, X ,t n)
N


n

Datos
Discretos

188

La distribucin Hipergeomtrica
Se utiliza para describir variables discretas

P(X =

a)Caractersticas
La informacin de la muestra se obtiene sin
reposicin de una poblacin finita, por lo tanto la
probabilidad de xito vara.
donde:
b) Formula
M : nmero de xitos en la poblacin
N M
M

k : nmero de xitos en la muestra

N : tamao de la poblacin
k) = k nNk N-M: nmero de fracasos en la
poblacin


n : tamao de la muestra
n
n-k : nmero de fracasos en la
muestra
189

Aplicacin
Calcular la probabilidad de obtener 10 CHIPS
defectuosos en una muestra de 20 CHIPS de radio
tomados sin reemplazo de un lote de 30 CHIPS, de los
cuales 15 son defectuosos.
Datos:
k = 10
15 3015
n = 20

10
20 10
N= 30
P(X = 10) = 30

M= 15

20

9018009
(3003)(3003)
=

30045015
30045015

= 0,3001
190

Si errneamente se usa la distribucin binomial con n

= 20 y p =15/30 = 1/2 para calcular la probabilidad de
tener 10 defectuosos, el resultado ser:

20!
1
P(X = x)
10!(20 -10)! 2
184756

1048576

10

1
2

10

0,1762

Una probabilidad considerablemente menor que la

probabilidad real.
191

d) Forma
Puede ser simtrica o sesgada. Cada vez que p = 0.5, la
distribucin hipergeomtrica ser simtrica sin tener en
cuenta qu tan grande o pequeo sea el valor de n; sin
embargo, cuando p 0,5 la distribucin ser sesgada. El
grado de sesgo variar, dependiendo de la proximidad del p
a 0,5 y del tamao de n.

192

e) La media y la desviacin estndar

La media:

E(X) np

La desviacin estndar:

np(1 p)

N n
N 1

N n
N 1

Donde
es un factor de correccin de poblacin
finita que se produce debido al proceso de muestreo sin
reposicin de poblaciones finitas.

193