“UNIVERSIDAD CATÓLICA DE SANTA MARÍA”

FACULTAD DE CIENCIAS E INGENIERIAS FISICAS Y FORMALES

ESTADÍSTICA Y PROBABILIDADES

DOCENTE:

Dr. Maximo Rondon Rondon

ALUMNO:

Quispe Cahuana Amilcar

CODIGO:

2018224421

N° DE ORDEN:

40
PRÁCTICA DIRIGIDA Nº3.1

ANALISIS COMBINATORIO

3.1.1 FACTORIAL DE UN NUMERO (𝒏!)

Es el producto de todos los enteros positivos desde 1 hasta n inclusive.
¡Se le representa por n! (se lee “n factorial”):

n! = n (n-1) (n-2)x … x3 x 2 x 1 = n (n-1)

por definición: 0! = 1

EJERCICIO DE APLICACIÓN

Sean:

1! = 1

3! = 3 x 2 x 1 = 6

6! = 6 x 5 x 4 x 3 x 2 x 1 = 720

3.1.2 PERMUTACION (𝒏 𝑷 𝒓 )
Una permutación de n objetos diferentes tomados de r en e es una
ordenación de r objetos entre los n dados. Es decir, la cantidad de
maneras en que se pueden disponer en términos de orden:

FORMULA:

𝐧!
𝐧𝐏𝐫 =
(𝐧 − 𝐫)!

EJERCICIO DE APLICACIÓN.

El inmobiliario corredor asociado acordó elegir dentro de su directorio conformado

por 10 miembros, los cargos de presidente, secretario y tesorero. Determinar el
número de diferentes arreglos de los 3 elegidos entre los 10 miembros del
directorio.
 DESARROLLO:
𝐧!
𝐧𝐏𝐫 =
(𝐧 − 𝐫)!

𝟏𝟎!
𝟏𝟎 𝐏 𝟑 =
(𝟏𝟎 − 𝟑)!

10 𝐏 𝟑 = 𝟕𝟐𝟎

3.1.3 COMBINACION: 𝒏 𝑪 𝒓
Se llama combinación de n elementos tomados r en r, a los grupos que se
pueden formar con esos elementos, tomados de r en r, tal que, dos grupos
se consideran distintos únicamente cuando tienen algún elemento
diferente. Por lo tanto, el interés de las combinaciones siempre se
relaciona con el número de diferentes subgrupos que pueden formarse
con n objetos.

FORMULA:

EJERCICIO DE APLICACIÓN.

𝐧!
𝐧𝐂𝐫 =
𝐫! (𝐧 − 𝐫)!

Supongamos que 3 miembros del inmobiliario corredor asociado de un total

de 10 miembros van a ser escogidos para ocupar los cargos de presidente,
secretario y tesorero. Determinar el número de grupos diferentes de 3
personas que pueden ser escogidas sin tener en cuenta los diferentes cargos
en la que cada grupo podría ser escogido.
 DESARROLLO:
𝐧!
𝐧𝐂𝐫 =
𝐫! (𝐧 − 𝐫)!

𝟏𝟎!
𝟏𝟎 𝐂 𝟑 =
𝟑! (𝟏𝟎 − 𝟑)!

𝟏𝟎 𝐂 𝟑 = 𝟏𝟐𝟎

PRACTICA DIRIGIDA 3.2

ENFOQUES DE PROBABILIDADES
3.2.1 ENFOQUE CLASICO

Si hay “a” posibles resultados favorables a la ocurrencia de un evento A, y “b”

posibles resultados desfavorables a la ocurrencia de A, y todos los resultados
es igualmente posibles y mutuamente excluyentes, entonces la probabilidad
de que ocurra A es:
𝐚
𝐏 (𝐀) =
𝐚+𝐛

a= posibilidades favorables

b= posibilidades desfavorables

La probabilidad obtenida bajo tales casos y supuestos es llamada

probabilidad teórica o probabilidad matemática.

Este enfoque utiliza el llamado principio de la indiferencia y asume todos los

resultados posibles de realizar un experimento tienen la misma probabilidad
de ocurrir. Indudablemente la asignación de las probabilidades no siempre
puede ser aplicables, y en muchos experimentos hay resultados que son más
probables que otros, y en estos casos este enfoque no funciona .
 EJERCICIO DE APLICACIÓN:

¿Cuál es la probabilidad de obtener el numero 5 al lanzar un dado?

𝑆 = { 1,2,3,4,5,6}
𝑎
𝑃 (𝐴) =
𝑎+𝑏
1
𝑃 (𝑥 = 5) =
1+5
1
𝑃 (𝑥 = 5) =
6

Rpta: la probabilidad de obtener el numero 5 al lanzar un dado es 0.1667.

3.2.2 ENFOQUE DE FRECUENCIA RELATIVA, EMPIRICO O A-

POSTERIOR:

Es un enfoque experimental y utiliza como fuente de probabilidad las

frecuencias relativas obtenidas de la repetición del experimento. En muchos
casos se basa en datos históricos, bajo la premisa de lo que ocurrió en el
pasado seguirá ocurriendo en el futuro.

La validez de este enfoque depende tanto del número de repeticiones como

que se mantenga las mismas condiciones de la experimentación.

EJERCICIO DE APLICACIÓN:

Se lanza 100 veces una moneda y se supone que se encuentra bien

balanceada y simétrica. Los resultados obtenidos se registran en la Tabla
siguiente:

CLASES fi hi f ideal
SELLO 52 0.52 0.50
CARA 48 0.48 0.50
TOTAL 100 1,00 1,00

El resultado de caras es de 0.52 lo cual, tiende a ser estable y cercano a

0.50 por cuanto hemos supuesto que las características de la moneda
indican que es simétrica y balanceada.
3.2.3 ENFOQUE SUBJETIVO O PERSONALISTA

En este enfoque, como su nombre lo indica, el especialista asigna

subjetivamente las probabilidades. Basado en su experiencia y conocimiento
emite un juicio personal acerca de las posibilidades que él cree tengan los
diferentes resultados de un experimento.

EJERCICIO DE APLICACIÓN

La adquisición de un terreno en una zona residencial. La experiencia ha

demostrado que se incrementa su valor en un 200% año a año con respecto
a la tasa de interés bancario.

100 𝑚2 = 𝑣𝑎𝑙𝑜𝑟 $100

𝑣𝑎𝑙𝑜𝑟 𝑡𝑜𝑡𝑎𝑙 100000

𝑎𝑙 𝑝𝑟𝑜𝑥𝑖𝑚𝑜 𝑎ñ𝑜 𝑡𝑎𝑠𝑎 5%

5
𝑥 100000 = 5000
100
20
𝑥 5000 = 10000
100
100000 + 10000 = 110000

PRACTICA DIRIGIDA 3.3

TABLA DE PROBABILIDAD CONJUNTO

3 DEFINICION

En la tabla de probabilidad conjunta considera:

 Primero: todos los eventos posibles para una variable

(observación) como encabezamiento de columnas.
 Segundo: todos los eventos posibles para una segunda variable
se encuentran como encabezamiento de filas
  Tercero: el valor incluido en cada celda resultante es la
probabilidad de cada ocurrencia conjunta.

EJERCICIO DE APLICACIÓN

La tabla de contingencia siguiente describe a 200 estudiantes que

trabajan de acuerdo al sexo y edad.

TABLA N° 1

EDAD SEXO TOTAL

H M

MENOS DE 60 50 110
20
20 A MAS 80 10 90

TOTAL 140 60 200

Hallar la probabilidad de que al escoger una persona:

1. Sea un estudiante hombre menor de 20 años.

2. Sea un estudiante hombre de 20 años a mas
3. Sea un estudiante mujer menor de 20 años
4. Sea un estudiante mujer de 20 años a mas
5. El estudiante escogido sea hombre
6. El estudiante escogido sea mujer

DESARROLLO:

A partir de la Tabla N°1 construimos la tabla N°2 donde podemos apreciar

las probabilidades de escoger un estudiante de acuerdo a sexo y edad.
 TABLA N°2

EDAD SEXO TOTAL

H M

MENOS DE 0.30 0.25 0.55

20
20 A MAS 0.40 0.05 0.45

TOTAL 0.70 0.30 1.00

𝟔𝟎
1. 𝐏(𝐀) = = 𝟎. 𝟑
𝟐𝟎𝟎

𝟖𝟎
2. 𝐏(𝐁) = = 𝟎. 𝟒
𝟐𝟎𝟎

𝟓𝟎
3. 𝐏(𝐂) = = 𝟎. 𝟐𝟓
𝟐𝟎𝟎

𝟏𝟎
4. 𝐏(𝐃) = = 𝟎. 𝟎𝟓
𝟐𝟎𝟎

𝟏𝟒𝟎
5. 𝐏(𝐄) = = 𝟎. 𝟕
𝟐𝟎𝟎

𝟔𝟎
6. 𝐏(𝐅) = = 𝟎. 𝟑
𝟐𝟎𝟎
PRACTICA DIRIGIDA 3.4

PROBABILIDAD CONDICIONAL
3.4.1 DEFINICION

Sean A y B dos eventos tal que P(B) > 0, la probabilidad condicional de

que ocurra A dado que ha ocurrido B se define como:

𝐀 𝐏(𝐀 ∩ 𝐁)
𝐏( ) =
𝐁 𝐏(𝐀

EJERCICIO DE APLICACIÓN:

Para ocupar la plaza de docente de una universidad se presentan 25

candidatos. La comisión encargada de realizar la selección decide
clasificar a los candidatos de acuerdo a la experiencia docente y a los
grados académicos, como puede observarse en el siguiente cuadro:

GRADO CON
ACADEMICO MAESTRIA SIN TOTAL
EXPERIENCIA MAESTRIA
CON 7 8 15
EXPERIENCIA
DOCENTE
SIN 6 4 10
EXPERIENCIA
DOCENTE
TOTAL 13 12 25
Hallar:

1. Con experiencia docente

2. Con maestría
3. Con experiencia docente y como condición tenga grado de magister
4. Sin experiencia docente, pero como condición tenga grado de magister
5. Con experiencia docente y como condición que no tenga el grado de
magister.

DESARROLLO:

𝟏𝟓
1. 𝐏(𝐀) = = 𝟎. 𝟔
𝟐𝟓
𝟏𝟑
2. 𝐏(𝐁) = = 𝟎. 𝟓𝟐
𝟐𝟓
𝟕
3. 𝐏(𝐂) = = 𝟎. 𝟒𝟔𝟔
𝟏𝟓
𝟔
4. 𝐏(𝐃) = = 𝟎. 𝟔
𝟏𝟎
𝟖
5. 𝐏(𝐄) = = 𝟎. 𝟓𝟑𝟑𝟑
𝟏𝟓
PRACTICA DIRIGIDA 3.5
TEOREMA DE BAYES

3.5.1 DEFINICION

Si 𝐴1 ; 𝐴2 … ; 𝐴𝑛 son n eventos mutuamente excluyentes, de los cuales al

menos uno de los 𝐴𝑖 (𝑖 = 1,2, … 𝑛)debe ocurrir, y sea B un evento
cualesquiera del espacio muestral S, la probabilidad condicional de la
ocurrencia de 𝐴𝑖 cuando el evento B ha ocurrido es :

𝐁
𝐀𝐢 𝐏(𝐀𝐢 )𝐏 ( )
𝐀𝐢
𝐏( ) =
𝐁 𝐁 𝐁 𝐁
𝐏(𝐀𝟏 )𝐏 ( ) + 𝐏(𝐀𝟐 )𝐏 ( ) + ⋯ 𝐏(𝐀𝐧 )𝐏 ( )
𝐀𝟏 𝐀𝟐 𝐀𝐧

𝐁
𝐏(𝐀 )𝐏 (
𝐀𝐢 𝐢 𝐀𝐢 )
𝐏( ) =
𝐁 𝐁
∑𝐧𝐢=𝟏 𝐏(𝐀𝐢 )𝐏 ( )
𝐀𝐢

EJERCICIO DE APLICACIÓN:

 En un deposito hay 3000 cajas de plumas de las marcas A,B, C,D,E.

De ellas hay 500 cajas de plumas deterioradas. Las cajas se distinguen
de la manera siguiente:
MARCA TOTAL DE CAJAS TOTAL DE CAJAS
DEFECTUOSAS
A 200 50
B 300 40
C 1000 300
D 800 80
E 700 30
TOTAL 3000 500

Se elige en forma aleatoria una caja y se le encuentra defectuosa

determinar la probabilidad de que la caja defectuosa sea de la manera A.
 DESARROLLO:

𝐀𝐢
𝐏( )
𝐁
𝐁
𝐏(𝐀𝟏 )𝐏 ( )
𝐀𝟏
=
𝐁 𝐁 𝐁 𝐁 𝐁
𝐏(𝐀𝟏 )𝐏 ( ) + 𝐏(𝐀𝟐 )𝐏 ( ) + 𝐏(𝐀𝟑 )𝐏 ( ) + 𝐏(𝐀𝟒 )𝐏 ( ) + 𝐏(𝐀𝟓 )𝐏 ( )
𝐀𝟏 𝐀𝟐 𝐀𝟑 𝐀𝟒 𝐀𝟓

𝐀𝐢
𝐏( )
𝐁
𝟐𝟎𝟎 𝟓𝟎
𝐱
= 𝟑𝟎𝟎𝟎 𝟐𝟎𝟎
𝟐𝟎𝟎 𝟓𝟎 𝟑𝟎𝟎 𝟒𝟎 𝟏𝟎𝟎𝟎 𝟑𝟎𝟎 𝟖𝟎𝟎 𝟖𝟎 𝟕𝟎𝟎 𝟑𝟎
𝐱 + 𝐱 + 𝐱 + 𝐱 + 𝐱
𝟑𝟎𝟎𝟎 𝟐𝟎𝟎 𝟑𝟎𝟎𝟎 𝟑𝟎𝟎 𝟑𝟎𝟎𝟎 𝟏𝟎𝟎𝟎 𝟑𝟎𝟎𝟎 𝟖𝟎𝟎 𝟑𝟎𝟎𝟎 𝟕𝟎𝟎

𝟓𝟎
𝐀𝐢 𝟓𝟎
𝐏 ( ) = 𝟑𝟎𝟎𝟎 = = 𝟎. 𝟏
𝐁 𝟓𝟎𝟎 𝟓𝟎𝟎
𝟑𝟎𝟎𝟎

𝟕𝟎𝟎 𝟑𝟎
𝐱
𝐏(𝐄) = 𝟑𝟎𝟎𝟎 𝟕𝟎𝟎 = 𝟑𝟎/𝟑𝟎𝟎𝟎 = 𝟑𝟎 = 𝟎. 𝟎𝟔
𝟓𝟎𝟎 𝟓𝟎𝟎/𝟑𝟎𝟎𝟎 𝟓𝟎𝟎
𝟑𝟎𝟎𝟎

Rpta: la probabilidad de que la caja defectuosa sea de la marca A es 0.1 y en

E es 0.06.
 Tres máquinas A, B, C producen respectivamente 50% 30% y 20%
del número total de artículos de una fábrica. Los porcentajes de los
desperfectos de producción de estas máquinas, son 3%, 4% y 5%. Si
se selecciona al azar un artículo y resulta ser defectuosos. Hallar la
probabilidad de que el artículo fue producido por la maquina A.

DESARROLLO:

MAQUINA ARTICULOS ARTICULOS

PRODUCIDOS DEFECTUOSOS
A 50% 3%
B 30% 4%
C 20% 5%

𝐵
𝐴𝑖 𝑃(𝐴1 )𝑃 (𝐴 )
1
𝑃( ) =
𝐵 𝐵 𝐵 𝐵
𝑃(𝐴1 )𝑃 (𝐴 ) + 𝑃(𝐴2 )𝑃 (𝐴 ) + 𝑃(𝐴3 )𝑃 (𝐴 )
1 2 3

50 3
𝐴𝑖 100 𝑥 100
𝑃( ) =
𝐵 50 3 30 4 20 5
100 𝑥 100 + 100 𝑥 100 + 100 𝑥 100

𝐴𝑖 0.5 𝑥 0.03
𝑃( ) =
𝐵 0.5 𝑥 0.3 + 0.3 𝑥 0.04 + 0.2 𝑥 0.05

𝐴𝑖 0.015 0.015
𝑃( ) = = = 0.4054
𝐵 0.015 + 0.012 + 0.01 0.037

Rpta. la probabilidad de que el artículo fue producido por la maquina A

es 0.44054.
PRACTICA DIRIGIDA 3.6
DISTRIBUCION BINOMIAL

3.6.1 DEFINICION

Es una distribución de probabilidad discreta propuesta por Jakob Bernoulli

alrededor del año 1700. Se refiere a situaciones donde la variable
aleatoria considera únicamente dos valores, a uno de ellos se le llama
arbitrariamente éxito y al otro fracaso.

La distribución binomial en donde debe suponerse que un proceso de

muestreo responde a un proceso de Bernoulli que debe considerar:

1. El número de pruebas o ensayos es fijo y no muy grande.

2. En cada prueba o ensayo solo son posibles dos resultados posibles
mutuamente excluyentes, a los cuales se les denomina éxito o fracaso
3. Los resultados de la serie de pruebas o ensayos constituyen eventos
independientes.
4. La probabilidad de éxito de cada prueba o ensayo permanece
constante, es decir, el proceso es estacionario.

FORMULA:

𝐧!
𝐏(𝐱) = 𝐩𝐱 ∗ 𝐪𝐧−𝐱
𝐱! (𝐧 − 𝐱)!

Donde:

- n: número de pruebas o ensayos.

- x: número de éxitos
- p: probabilidad de éxito
- q: probabilidad de fracaso.

PROPIEDADES
  MEDIA: 𝜇 = 𝑛 ∗ 𝑝
 VARIANZA:𝑆 2 = 𝑛 ∗ 𝑝 ∗ 𝑞
 DESVIACION ESTANDAR:𝜎 = √𝑛 ∗ 𝑝 ∗ 𝑞

EJERCICIO DE APLICACIÓN:

Se lanza una moneda bien balanceada 5 veces. Hallar la probabilidad de

obtener 4 caras.

DESARROLLO:

Datos:

- x =4
- n =5
- p=½
- q=½

SOLUCION:

𝐧!
𝐏(𝐱) = 𝐩𝐱 ∗ 𝐪𝐧−𝐱
𝐱! (𝐧 − 𝐱)!

𝟓!
𝐏(𝐱 = 𝟒) = 𝟏/𝟐𝟒 ∗ 𝟏/𝟐𝟓−𝟒
𝟒! (𝟓 − 𝟒)!

𝟓
𝐏(𝐱 = 𝟒) =
𝟑𝟐

𝐏(𝐱 = 𝟒) = 𝟎. 𝟏𝟓𝟔𝟐𝟓

La distribución binomial la podemos representar mediante un histograma.

Como puede verse en la figura 1 referente al lanzamiento de una moneda
cinco veces.
FIGURA N°1

En la figura 1 podemos observar que cuando p=0.5 el histograma tiene

forma simétrica. Cuando p es menor o mayor que 0.5 la simetría se
pierde y la distribución se torna asimétrica hacia la derecha o hacia la
izquierda.

En las figuras 2 y 3 representamos los histogramas, cuando n= 5, p=

0.20 y q= 0,80 respectivamente.

Es necesario establecer que, lanzar una moneda bien balanceada “n”

veces, es equivalente a lanzar “n” monedas bien balanceadas una sola
vez

EJERCICIO DE APLICACIÓN

Se lanza una moneda 50 veces. Determinar:

Datos:

- n=50
- p=0.5 (cara)
- q=0.5 (sello)
1. La media
 MEDIA: 𝜇 = 𝑛 ∗ 𝑝

𝛍=𝐧∗𝐩

𝛍 = 𝟓𝟎 ∗ 𝟎. 𝟓

𝛍 = 𝟐𝟓

2. La varianza
 VARIANZA: 𝑆 2 = 𝑛 ∗ 𝑝 ∗ 𝑞

𝐒𝟐 = 𝐧 ∗ 𝐩 ∗ 𝐪

𝐒 𝟐 = 𝟓𝟎 ∗ 𝟎. 𝟓 ∗ 𝟎. 𝟓

𝐒 𝟐 = 𝟏𝟐. 𝟓

3. La desviación estándar
 DESVIACION ESTANDAR:

𝛔 = √𝐧 ∗ 𝐩 ∗ 𝐪

𝛔 = √𝐧 ∗ 𝐩 ∗ 𝐪

𝛔 = √𝟓𝟎 ∗ 𝟎. 𝟓 ∗ 𝟎. 𝟓

𝛔 = 𝟑. 𝟓𝟒

EJERCICIO DE APLICACIÓN
La probabilidad de que un estudiante se gradué es 0.4. Determinar la
probabilidad de que de 8 estudiantes:

1. 2 se gradúen

Datos:

- n=8
- p=0.4
- q=0.6

SOLUCION:

𝟖!
𝐏(𝐱 = 𝟐) = 𝟎. 𝟒𝟐 ∗ 𝟎. 𝟔𝟖−𝟐
𝟐! (𝟖 − 𝟐)!

𝟖𝐱𝟕𝐱𝟔!
𝐏(𝐱 = 𝟐) = 𝟎. 𝟒𝟐 ∗ 𝟎. 𝟔𝟔
𝟐𝐱𝟏𝐱𝟔!

𝐏(𝐱 = 𝟐) = 𝟎. 𝟐𝟎𝟗𝟎𝟏𝟖𝟖𝟖

EJERCICIO DE APLICACIÓN

La probabilidad de los padres con cierto color de ojos azul café tengan
un hijo con ojos azules es 0.2

Determine la probabilidad de que de 6 hijos:

1. 2 tengan los ojos azules

Datos:

- n=6
- p=0.2
- q=0.8
 SOLUCION:

𝐧!
𝐏(𝐱) = 𝐩𝐱 ∗ 𝐪𝐧−𝐱
𝐱! (𝐧 − 𝐱)!

𝟔!
𝐏(𝐱 = 𝟐) = 𝟎. 𝟐𝟐 ∗ 𝟎. 𝟖𝟔−𝟐
𝟐! (𝟔 − 𝟐)!

𝟔𝐱𝟓𝐱𝟒!
𝐏(𝐱 = 𝟐) = 𝟎. 𝟐𝟐 ∗ 𝟎. 𝟖𝟒
𝟐𝐱𝟏𝐱𝟒!

𝐏(𝐱 = 𝟐) = 𝟎. 𝟐𝟒𝟓𝟕𝟔

2. Al menos la mitad tengan los ojos azules

Probabilidad total: 1

Datos:

- n=6
- p=0.2
- q=0.8

𝐏(𝟑 ≤ 𝐗 ≤ 𝟔) = 𝐏(𝐱 = 𝟑) + 𝐏(𝐱 = 𝟒) + 𝐏(𝐱 = 𝟓) + 𝐏(𝐱 = 𝟔)

𝐏𝐓 − { 𝐏(𝐱 = 𝟎) + 𝐏(𝐱 = 𝟏) + 𝐏(𝐱 = 𝟐)}

𝟔!
 𝐏(𝐱 = 𝟐) = 𝟎. 𝟐𝟐 ∗ 𝟎. 𝟖𝟔−𝟐
𝟐!(𝟔−𝟐)!
𝟔𝐱𝟓𝐱𝟒!
 𝐏(𝐱 = 𝟐) = 𝟎. 𝟐𝟐 ∗ 𝟎. 𝟖𝟒
𝟐𝐱𝟏𝐱𝟒!

 𝐏(𝐱 = 𝟐) = 𝟎. 𝟐𝟒𝟓𝟕𝟔

𝟔!
 𝐏(𝐱 = 𝟎) = 𝟎. 𝟐𝟎 ∗ 𝟎. 𝟖𝟔−𝟎
𝟎!(𝟔−𝟎)!
𝟔!
 𝐏(𝐱 = 𝟎) = 𝟎. 𝟐𝟎 ∗ 𝟎. 𝟖𝟔
𝟏𝐱𝟔!

 𝐏(𝐱 = 𝟎) = 𝟎. 𝟐𝟔𝟐𝟏𝟒𝟒
 𝟔!
 𝑷(𝒙 = 𝟏) = 𝟎. 𝟐𝟏 ∗ 𝟎. 𝟖𝟔−𝟏
𝟏!(𝟔−𝟏)!
𝟔𝒙𝟓!
 𝑷(𝒙 = 𝟏) = 𝟎. 𝟐𝟏 ∗ 𝟎. 𝟖𝟓
𝟏𝒙𝟓!

 𝑷(𝒙 = 𝟏) = 𝟎. 𝟑𝟗𝟑𝟐𝟏𝟔

𝟏 − { 𝟎. 𝟐𝟔𝟐𝟏𝟒𝟒 + 𝟎. 𝟑𝟗𝟑𝟐𝟏𝟔 + 𝟎. 𝟐𝟒𝟓𝟕𝟔}

𝟏 − {𝟎. 𝟗𝟎𝟏𝟏𝟐}

0.09888

3. Probabilidad total

𝑷𝑻 = { 𝑷(𝒙 = 𝟎) + 𝑷(𝒙 = 𝟏) + 𝑷(𝒙 = 𝟐) + 𝑷(𝒙 = 𝟑) + 𝑷(𝒙 = 𝟒)

+ 𝑷(𝒙 = 𝟓) + 𝑷(𝒙 = 𝟔)}

𝟔!
 𝑷(𝒙 = 𝟑) = 𝟎. 𝟐𝟑 ∗ 𝟎. 𝟖𝟔−𝟑
𝟑!(𝟔−𝟑)!
𝟔𝒙𝟓𝒙𝟒𝒙𝟑!
 𝑷(𝒙 = 𝟑) = 𝟎. 𝟐𝟑 ∗ 𝟎. 𝟖𝟑
𝟑𝒙𝟐𝒙𝟏𝒙𝟑!

 𝑷(𝒙 = 𝟑) = 𝟎.08192

𝟔!
 𝑷(𝒙 = 𝟒) = 𝟎. 𝟐𝟒 ∗ 𝟎. 𝟖𝟔−𝟒
𝟒!(𝟔−𝟒)!
𝟔𝒙𝟓𝒙𝟒𝒙𝟑𝒙𝟐!
 𝑷(𝒙 = 𝟒) = 𝟎. 𝟐𝟒 ∗ 𝟎. 𝟖𝟐
𝟒𝒙𝟑𝒙𝟐𝒙𝟏𝒙𝟐!

 𝑷(𝒙 = 𝟒) = 𝟎.01536

𝟔!
 𝐏(𝐱 = 𝟓) = 𝟎. 𝟐𝟓 ∗ 𝟎. 𝟖𝟔−𝟓
𝟓!(𝟔−𝟓)!
𝟔𝐱𝟓!
 𝐏(𝐱 = 𝟓) = 𝟎. 𝟐𝟓 ∗ 𝟎. 𝟖𝟏
𝟓!𝐱𝟏

 𝐏(𝐱 = 𝟓) = 𝟏. 𝟓𝟑𝟔𝐱𝟏𝟎−𝟑
 𝟔!
 𝐏(𝐱 = 𝟔) = 𝟎. 𝟐𝟔 ∗ 𝟎. 𝟖𝟔−𝟔
𝟔!(𝟔−𝟔)!
𝟔!
 𝑷(𝒙 = 𝟔) = 𝟎. 𝟐𝟔 ∗ 𝟎. 𝟖𝟎
𝟏𝒙𝟔!

 𝑷(𝒙 = 𝟔) = 𝟔. 𝟒𝒙𝟏𝟎−𝟓

𝑷𝑻 = {𝟎. 𝟐𝟔𝟐𝟏𝟒𝟒 + 𝟎. 𝟑𝟗𝟑𝟐𝟏𝟔 + 𝟎. 𝟐𝟒𝟓𝟕𝟔 + 𝟎. 𝟎𝟖𝟏𝟗𝟐

+ 𝟎. 𝟎𝟏𝟓𝟑𝟔 + 𝟏. 𝟓𝟑𝟔𝒙𝟏𝟎−𝟑 + 𝟔. 𝟒𝒙𝟏𝟎−𝟓 }

𝑷𝑻 = 𝟏. 𝟎𝟎

PRACTICA DIRIGIDA 3.7

DISTRIBUCION DE POISSON
3.7.1. DEFINICION

Es una distribución de probabilidad discreta propuesta por S.D. POISSON

alrededor del año 1837. Se puede utilizar para determinar la probabilidad
de un número designado de éxitos cuando los eventos ocurren en un
espectro continuo de tiempo y espacio.

El proceso de Poisson es similar al proceso de Bernoulli, excepto que el

número de ensayos u observaciones fijas es muy grande y la probabilidad
de éxito es muy pequeña.

La distribución de poisson es generalmente utilizada en los problemas en

que se cuentan el número de eventos de cierto tipo, que ocurren en un
intervalo de tiempo, o en una región o en un volumen.

Esta distribución es conocida como distribución de “eventos raros”, si

tenemos:

 Números de llamadas telefónicas recepcionadas por la central

telefónica durante un intervalo pequeño de tiempo.
 Numero de fallas del computador en un día de operación
  Numero de relatos de accidentes enviados a una compañía de
seguros en una semana.
 Número de clientes que entran a una oficina postal en un día dado.
 Número de vehículos que pasa por una caseta de peaje.
 Número de accidentes en un cruce.

Estos casos considerados nos permiten determinar que pueden ser

descritos por una variable aleatoria discreta que asumen valores enteros
0, 1, 2,3 y así sucesivamente. El número de clientes que entran a una
oficina postal en un día dado será 0,1,2,3 o algún otro número entero.

La distribución de Poisson se acerca a la distribución bonimial y una regla

practica es utilizada si 𝑛 ≥ 20 y si 𝑝 ≤ 0.05; si 𝑛 ≥ 100, la aproximación
es generalmente excelente a condición de que 𝑛 ∗ 𝑝 ≤ 10

Cuando L es mayor que 20 y la probabilidad de éxito es menor a 0.005

FORMULA:

𝛌𝐱 ∗ 𝐞−𝛌
𝐏(𝐱) =
𝐱!

Donde:

- 𝑃(𝑥) : probabilidad de exactamente x ocurrencias

- 𝜆𝑥 : lambda (numero medio de ocurrencias por intervalo de
tiempo) elevada a la potencia x.
- 𝑒 −𝜆 : 2,71828 (base del sistema de logaritmos naturales o
neperianos) elevado a la potencia negativa o lambda
- 𝑥! ∶ x factorial
EJERCICIO DE APLICACIÓN:

En una planta de embalaje se sabe que el 5% de embalajes son

defectuosos. Determinar la probabilidad de que 2 de 100 embalajes
terminados en esta planta tengan un embalaje defectuoso.

DESARROLLO:

Datos:

- n: 100
- x=2
- p=0.05
- q=0.95
- λ= n*p
- λ=100 *0.05 - λ=5

Solución:

𝟓𝟐 ∗ 𝐞−𝟓
𝐏(𝐱 = 𝟐) =
𝟐!

𝟐𝟓 ∗ 𝟎. 𝟎𝟎𝟔𝟕𝟑𝟖
𝐏(𝐱 = 𝟐) =
𝟐∗𝟏

𝐏(𝐱 = 𝟐) = 𝟎. 𝟎𝟖𝟒

Rpta: la probabilidad de que tengan un embalaje defectuoso es 0.084.

EJERCICIO DE APLICACIÓN:

La probabilidad de que un motor falle en una rutina de vuelo entre 2

ciudades es de 0.005. Determinar la probabilidad:

Datos:

- n=1000
- p=0.005
- λ= n*p
- λ= 1000*0.005
- λ= 5
1. 2 fallas en 1000 vuelos
𝛌𝐱 ∗ 𝐞−𝛌
𝐏(𝐱) =
𝐱!
𝟓𝟐 ∗ 𝐞−𝟓
𝐏(𝐱 = 𝟐) =
𝟐!
𝟐𝟓 ∗ 𝟎. 𝟎𝟎𝟔𝟕𝟑𝟖
𝐏(𝐱 = 𝟐) =
𝟐∗𝟏

𝐏(𝐱 = 𝟐) = 𝟎. 𝟎𝟖𝟒𝟐𝟓

2. Por lo menos 2 fallas en mil vuelos

𝑷(𝟐 ≤ 𝑿 ≤ 𝟏𝟎𝟎𝟎)

𝑷𝑻 − { 𝑷(𝒙 = 𝟎) + 𝑷(𝒙 = 𝟏)}

𝟓𝟏 ∗ 𝒆−𝟓
 𝑷(𝒙 = 𝟏) =
𝟏!

 𝑷(𝒙 = 𝟏) = 𝟎. 𝟎𝟑𝟑𝟕

𝟓𝟎 ∗ 𝒆−𝟓
 𝑷(𝒙 = 𝟎) =
𝟎!

 𝑷(𝒙 = 𝟎) = 𝟎. 𝟎𝟎𝟔𝟕𝟒

𝟏 − { 𝟎. 𝟎𝟎𝟔𝟕𝟒 + 𝟎. 𝟎𝟑𝟑𝟕}

=0.9556

3. Menos de 2 fallas

𝑷(0 ≤ X ≤ 1)

{ P(x = 0) + P(x = 1)}

0.00674 + 0.0337 = 0.04044