Profesor: Msc.

José Zúñiga Sáenz

PROGRAMA: CONTADURIA PUBLICA.
ASIGNATURA: ESTADISTICA INFERENCIAL Guía 2. DISTRIBUCIONES DE PROBABILIDADES
VARIABLE ALEATORIA.
Experimento Variable Aleatoria X Valores de x
Una Variable Aleatoria X es una función que asigna un Medir el tiempo en que
único número real a cada resultado del espacio muestral Tiempo que demora
1 aparece una letra en la x>0
Ω de un experimento aleatorio. En símbolos, una variable en aparecer la letra A
pantalla del computador
aleatoria X es una función 𝐗: 𝛀 → 𝕽, siendo  el Atención al Público de Tiempo entre
conjunto de los números reales: 𝐰 → 𝐗(𝐰). Se dice que 2 x≥ 0
un banco llegadas de clientes
X es “aleatoria” porque involucra la probabilidad de los Llenar una lata de
resultados del espacio muestral, y X es una función 3 bebida, máximo 12,1 Cantidad de onzas 0 ≤ x ≤ 12,1
definida sobre el espacio muestral, de manera que onzas
transforma todos los posibles resultados del espacio Porcentaje terminado
Proyecto para construir
muestral en cantidades numéricas. Para ilustrar considere 4 del proyecto en seis 0 ≤ x ≤ 100
una Universidad
el lanzamiento de una moneda. El espacio muestral está meses
constituido por dos posibles resultados: “Cara” y “Sello”. Temperatura en que
se lleva a cabo la
Sea X (Sello) = 0 y X (Cara) = 1; así se han transformado Ensayar un nuevo
5 reacción deseada 150 ≤ x ≤ 212
los dos posibles resultados del espacio muestral en puntos proceso químico
(Min 150º F Max 212º
sobre la recta real. Por 𝑃(𝑋 = 0) se entenderá la proba- F
bilidad de que la variable tome el valor 0, o equivalente, la
probabilidad de que caiga Sello al lanzar la moneda. DISTRIBUCIONES DE PROBABILIDAD PARA
Una Variable Aleatoria X es Discreta si el número de VARIABLES ALEATORIAS DISCRETAS
valores que puede tomar es contable (finito o infinito), y si
pueden arreglarse en una secuencia que corresponda a Una variable aleatoria discreta X representa los resultados
los números enteros. La tabla muestra ejemplos de v. a. de un espacio muestral en forma tal que por P (X = x) se
discretas, aparece un experimento, la correspondiente entenderá la probabilidad de que X tome el valor de x. Así,
variable aleatoria X y los posibles valores x. al considerar los valores de una variable aleatoria es
posible desarrollar una función matemática que asigne
Experimento Variable Aleatoria X Valores de x una probabilidad a cada realización x de la variable
1 Lanzar tres monedas Numero de sellos 0, 1, 2, 3 aleatoria X. Esta función recibe el nombre de Función de
Sacar 2 fichas, sin Probabilidad de la variable aleatoria X. El término más
reemplazo de una general Distribución de Probabilidad, se refiere a la
2 Numero de fichas rojas 0, 1, 2
caja con 4 rojas y 3
colección de valores de la variable aleatoria y a la
negras
distribución de probabilidades entre estos.
Suma de los números de
3 Lanzar dos dados 2, 3, … , 12
las caras Sea X una variable aleatoria discreta definida sobre un
4
Clientes que llegan a
Número de clientes 0, 1, 2, … espacio muestral Ω y supongamos que X toma los valores
un mostrador x1, x2… (Finito o infinito numerable). Se llamara a 𝒇(𝒙) =
Llamar a cinco Cantidad de clientes que 𝑷(𝑿 = 𝒙) Función de Probabilidad de la variable
5 0, 1, 2, 3, 4, 5
clientes hacen el pedido aleatoria X, si satisface las siguientes propiedades:
Revisar un embarque Cantidad de radios a. 𝒇(𝒙) ≥ 𝟎 para todos los valores de X
6 0, 1, 2. … , 50
de 50 radios defectuosos
b. ∑𝒊 𝒇(𝒙𝒊 ) = 𝟏
7 Lanzar un dado Número de la cara 1, 2, 3, 4, 5, 6
La Función de Distribución Acumulativa (o solo
Una Variable Aleatoria X es Continua si sus valores Función de Distribución) de la variable aleatoria X es la
consisten en uno o más intervalos de la recta de los reales probabilidad de que X sea menor o igual a un valor
(si tiene una cantidad infinita no numerable de valores). La específico de x y está dada por:
tabla muestra ejemplos de variables aleatorias continuas.
aparece un experimento, la correspondiente variable 𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∑ 𝑓(𝑥𝑖 ), 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑥 𝑟𝑒𝑎𝑙
aleatoria X y sus posibles valores x. 𝑥𝑖 ≤𝑥

Guía 2 – Distribuciones de Probabilidad 1

 Profesor: Msc. José Zúñiga Sáenz
Por lo tanto, en el caso discreto, una variable aleatoria X Al elevar al cuadrado esa diferencia, [𝒙𝒊 − 𝑬(𝑿)]𝟐 se
está caracterizada por la Función de Probabilidad conserva una medida de distancia, pero el valor numérico
puntual f(x), la cual determina la probabilidad puntual de es siempre positivo. Se Puede ponderar la “nueva” medida
que X = x, y por la Función de Distribución F(x), la que de distancia por la probabilidad de ocurrencia del valor de
representa la suma de las probabilidades puntuales hasta X y, entonces, tenemos una medida de dispersión. Los
el valor x de X inclusive. matemáticos han utilizado tradicionalmente esta medida y
Ejemplo. Supóngase que se lanza una moneda dos veces la llaman la varianza de la variable aleatoria. Sea X una
y sea X la variable aleatoria que representa al “numero variable aleatoria discreta definida sobre un espacio
de caras que resultan”. Hallar la probabilidad de que X muestral Ω y supongamos que X toma los valores x1, x2,…
tome el valor 𝒂) 𝟎, 𝒃) 𝟏 𝒚 𝒄)𝟐 (Finito o numerable). Sean f y μ la función de probabilidad
y esperanza de X, respectivamente. Entonces, la varianza
Solución: de X, simbolizada por 2 o V(X), se define como:
Debido a que el espacio muestral correspondiente está
dado por Ω = {(𝑪, 𝑪), (𝑪, 𝑺), (𝑺, 𝑪), (𝑺, 𝑺)} entonces, los σ2 = V(X) = E((𝑋 − 𝜇)2 ) = ∑(𝑥 − 𝜇)2 ∗ 𝑓(𝑥)
posibles valores de X son 0, 1 y 2 porque: 𝑋({𝐶, 𝐶}) = 𝑥
2, 𝑋({𝐶, 𝑆}) = 1, 𝑋({𝑆, 𝐶}) = 1, 𝑋({𝑆, 𝑆}) = 0. La desviación estándar de X, denotada por  se define
como la raíz cuadrada positiva de la varianza.
Esta información se puede resumir como se muestra en la
tabla. Piden calcular 𝑃(𝑋 = 0), 𝑃(𝑋 = 1), 𝑃(𝑋 = 2) Con Otra forma de calcular la varianza es:
base en lo anterior, obtenemos V(X) = E(𝑋 2 ) − (𝐸(𝑋))2 = ∑ 𝑥 2 ∗ 𝑓(𝑥) − (𝐸(𝑋))2
𝑥
Evento Muestral (S,S) (C,S) (S,C) (C,C)
Valores de X 0 1 1 2 DISTRIBUCIONES DE PROBABILIDAD
Probabilidades 1/4 1/2 1/2 ¼
Una distribución de probabilidad está caracterizada, de
Valores de una variable aleatoria para el lanzamiento de manera general, por una o más cantidades que reciben el
dos monedas: nombre de parámetros de la distribución. Se tratarán
𝑃(𝑋 = 0) = 𝑃 ({𝑆, 𝑆}) = ¼ varios tipos de parámetros como el conteo, la proporción,
𝑃(𝑋 = 1) = 𝑃({𝐶, 𝑆}) + 𝑃({𝑆, 𝐶} = ¼ + ¼ = ½ la rapidez, la localización, la variabilidad, y la forma. Se
𝑃(𝑋 = 2) = 𝑃 ({𝐶, 𝐶}) = ¼
adoptan las letras 𝒏 𝒚 𝒌 para referirse a los parámetros
ESPERANZA DE UNA VARIABLE ALEATORIA de conteo, 𝒑 para la proporción, 𝝀 para la rapidez, 𝝁 para
DISCRETA la localización, 𝝈 para la variabilidad (escala) y 𝜶 𝒚 𝜷
para la forma.
Sea X una variable aleatoria discreta definida sobre un
espacio muestral Ω y suponga que X toma los valores
Los parámetros de conteo y de proporción son auto
𝑥1 , 𝑥2 , … (Finito o infinito). Sea f la función de probabilidad
explicativos. Un parámetro de rapidez representa la
de X. Entonces, la esperanza (valor esperado o media) de
rapidez en que ocurre un evento aleatorio en el tiempo o
X, simbolizada por 𝝁 𝒐 𝑬(𝑿), se define como:
en el espacio. Un parámetro de localización relaciona la
𝜇 = 𝐸(𝑋) = ∑ 𝑥 ∗ 𝑓(𝑥) función con el origen de escala de medición, localizándola
𝑥 sobre el eje de las x sin tener algún efecto sobre su
VARIANZA DE UNA VARIABLE ALEATORIA apariencia. La presencia de un parámetro de localización
DISCRETA 𝝁 en la función de probabilidad es siempre de la forma
(𝒙 – 𝝁). Un parámetro de escala es una cantidad que
El concepto de dispersión requiere alguna medida de la
relaciona las unidades físicas de la variable aleatoria y de
distancia 𝒙 − 𝑬(𝑿) entre un valor x determinado de la
esta forma la escala. Un parámetro de escala influye sobre
variable aleatoria X y el valor esperado E(X). Esta
la dispersión de una variable aleatoria afectando la
distancia seria todo lo necesario si todos los valores de la
apariencia de la función de probabilidad.
variable aleatoria discreta tuvieran la misma probabilidad
de ocurrir. Entonces, necesitamos alguna forma de
Se examinan en detalle tres familias de distribuciones de
ponderar cada distancia para reflejar sus diferencias en
probabilidad discreta como son las distribuciones:
importancia relativa. Al usar 𝒙𝒊 − 𝑬(𝑿), la medida de
Binomial, Poison e Hipergeometrica.
“distancia” fue a veces positiva y otra negativa.

Guía 2 – Distribuciones de Probabilidad 2

 Profesor: Msc. José Zúñiga Sáenz

[(1 − 𝑝) + 𝑝]𝑛 = (1 − 𝑝)𝑛 + 𝑛(1 − 𝑝)𝑛−1 𝑝

DISTRIBUCION BINOMIAL 𝑛(𝑛 − 1)
+ (1 − 𝑝)𝑛−2 𝑝2 + ⋯ + 𝑝𝑛
2!
Es una de las distribuciones discretas de probabilidad más 𝑛
𝑛!
útiles y sus áreas de aplicación incluyen inspección de ⟹ [(1 − 𝑝) + 𝑝]𝑛 = ∑ 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
(𝑛 − 𝑥)! 𝑥!
calidad, ventas, marketing, medicina, investigación de 𝑥=0
opiniones, etc. Parte de un experimento en el que el
Pero dado que [(1 − 𝑝) + 𝑝]𝑛 = 1 y 𝒑(𝒙; 𝒏, 𝒑) ≥ 0
resultado es la ocurrencia o no de un evento. Se llamará
para 𝒙 = 𝟎, 𝟏, 𝟐, … , 𝒏, este hecho también verifica
“é𝑥𝑖𝑡𝑜” a la ocurrencia del evento con probabilidad “𝒑” y
que 𝒑(𝒙; 𝒏, 𝒑) es una función de probabilidad. La
“𝑓𝑟𝑎𝑐𝑎𝑠𝑜” a su no ocurrencia con probabilidad “𝟏 − 𝒑”.
probabilidad de que una variable aleatoria X sea menor o
Suponga que el experimento se realiza “n” veces, y cada igual a un valor especifico x, se determina por la función
uno de estos intentos es independiente de todos los de distribución acumulativa:
𝒙
demás, y sea 𝑿 la variable aleatoria que representa el 𝒏
número de éxitos en los n ensayos. Interesa determinar la 𝑭(𝒙; 𝒏, 𝒑) = 𝑷(𝑿 ≤ 𝒙) = ∑ ( ) 𝒑𝒊 (𝟏 − 𝒑)𝒏−𝒊
𝒊
probabilidad de obtener exactamente 𝑿 = 𝒙 éxitos 𝒊=𝟎
durante los n ensayos. Los dos supuestos claves para la
distribución binomial son: Si 𝒏 = 𝟏 (para el caso de tener un solo ensayo), la
1. La probabilidad de éxito p permanece constante para función de probabilidad binomial se reduce a:
cada ensayo. 𝑝 𝑥 (1 − 𝑝)1−𝑥 , 𝑥 = 0, 1
𝒇(𝒙; 𝒑) = {
2. Los n ensayos son independientes entre sí. 0, 𝑝𝑎𝑟𝑎 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑣𝑎𝑙𝑜𝑟

Para obtener la función de probabilidad de la distribución Y esta es la función de probabilidad de la distribución

binomial, primero se determina la probabilidad de tener, en puntual o de Bernoulli.
n ensayos, x éxitos consecutivos seguidos de n – x
fracasos consecutivos. Dado que, por hipótesis, los n Ejemplo El Sistema de Información Financiero de un
ensayos son independientes (sus probabilidades se banco revisa minuciosamente cada una de las cuentas de
multiplican entre sí), se tiene: sus clientes y aquella que presenta alguna tendencia de
𝒑 ∗ 𝒑 ∗ … ∗ 𝒑 ∗ (𝟏 − 𝒑) ∗ (𝟏 − 𝒑) ∗ … ∗ (𝟏 − 𝒑) mora la etiqueta análisis posterior, suponga que existe una
𝑥 𝑡é𝑟𝑚𝑖𝑛𝑜𝑠 (𝑛 − 𝑥) 𝑡é𝑟𝑚𝑖𝑛𝑜𝑠 probabilidad de 0,20 de que una cuenta cualquiera sea
etiquetada, y que esta probabilidad es independiente de
= 𝒑𝒙 ∗ (𝟏 − 𝒑)𝒏−𝒙 una cuenta a otra en el sentido de que, si la cuenta A es
etiquetada, la cuenta B pueda que sea etiquetada o no.
Entonces, la probabilidad de obtener tener 𝒙 éxitos y
Para cinco cuentas escogidas aleatoriamente de las
𝒏 – 𝒙 fracasos en cualquier orden, es el producto de
revisadas el día de hoy por los agentes, determine la
𝒑𝒙 (𝟏 − 𝒑)𝒏−𝒙 por el número de ordenes distintos, que
probabilidad de que tres de ellas sean etiquetadas.
corresponde al número de combinaciones de n objetos
tomando x a la vez. Con respecto a esto, se tiene lo
Solución.
siguiente: Sea X una variable aleatoria que representa el
Sea X el número de cuentas etiquetadas encontradas
número de éxitos en n ensayos y p la probabilidad de éxito
entre las cinco. Suponga que 𝐻, 𝐼, 𝐽, 𝐾 𝑦 𝐿 son las cinco
con cualquiera de estos. Se dice entonces que X tiene una
cuentas escogidas, considere “𝐷” el evento éxito “una
distribución binomial con función de probabilidad:
cuenta etiquetada”, se pide calcular 𝑃(𝑋 = 3),
𝑛! reemplazando la cuenta por el evento éxito, tenemos en
𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 , 𝑥 = 0, 1, 2, … , 𝑛
𝑓(𝑥; 𝑛, 𝑝) = {(𝑛 − 𝑥)! 𝑥! un orden específico donde: 𝒏 = 𝟓 𝒚 𝒑 = 𝟎, 𝟐𝟎.
0, 𝑝𝑎𝑟𝑎 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑣𝑎𝑙𝑜𝑟
𝑃({𝑫, 𝑫, 𝑫, 𝑲, 𝑳}) = 𝑃({𝐷} ∩ {𝐷} ∩ {𝐷} ∩ {𝐾} ∩ {𝐿})
Los parámetros de la distribución binomial son n y p. El = 𝑃({𝐷}) ∗ 𝑃({𝐷}) ∗ 𝑃({𝐷}) ∗ 𝑃({𝐾}) ∗ 𝑃({𝐿})
nombre “Distribución Binomial” se debe al hecho de
= 𝑝 ∗ 𝑝 ∗ 𝑝 ∗ (1 − 𝑝) ∗ (1 − 𝑝)
que los valores de 𝒑(𝒙; 𝒏, 𝒑) para x = 0, 1, 2, … n, son
= 0,2 ∗ 0,2 ∗ 0,2 ∗ 0,8 ∗ 0,8
los términos sucesivos de la expansión binomial de = (0,1)3 (0,9)2 = 0,00512
[(1 − 𝑝) + 𝑝]𝑛 esto es:

Guía 2 – Distribuciones de Probabilidad 3

 Profesor: Msc. José Zúñiga Sáenz
Esta es la probabilidad de que en el orden especifico las Solución.
cuentas (𝑯, 𝑰, 𝑱) sean etiquetadas, sin embargo, existe la La respuesta en (a) será:
posibilidad de otras cuentas específicas más como son: 𝑃 (𝑋 ≥ 1) = 1 − 𝑃(𝑋 ≤ 0) = 1 − 𝑃(𝑋 = 0)
(𝑯, 𝑰, 𝑲); (𝑯, 𝑰, 𝑳); (𝑯, 𝑱, 𝑲); (𝑯, 𝑱, 𝑳);… son 10 en = 1 − 𝐵(0; 6; 0,4)
total que resulta de la combinatoria: 6
= 1 − ( ) 0,400 (0,60)6−0 ≈ 0,953.
5 5! 0
5𝐶3 = ( ) = = 10
3 (5 − 3)! 3! Para (b), debemos encontrar 𝒏 tal que
Así tenemos otro orden seria: 𝑃(𝑋 ≥ 1) > 0,77,
𝑃({𝑫, 𝑫, 𝑱, 𝑫, 𝑳}) = 𝑃({𝐷} ∩ {𝐷} ∩ {𝐽} ∩ {𝐷} ∩ {𝐿}) es decir, encontrar 𝒏 tal que:
= 𝑃({𝐷}) ∗ 𝑃({𝐷}) ∗ 𝑃({𝐽}) ∗ 𝑃({𝐷}) ∗ 𝑃({𝐿})
0,77 < 𝑃(𝑋 ≥ 1) = 1 – 𝑃(𝑋 < 1)
= 𝑝 ∗ 𝑝 ∗ (1 − 𝑝) ∗ 𝑝 ∗ (1 − 𝑝) = 1 – 𝑃(𝑋 = 0)
= 0,2 ∗ 0,2 ∗ 0,8 ∗ 0,2 ∗ 0,8 = 1 – 𝐵 (0; 𝑛; 0,4) = 1 − (0,6)𝑛
= (0,2)3 (0,8)2 = 0,00512
es decir, tal que 1 − (0,6)𝑛 > 0,77.
Y todos los arreglos tienen la misma probabilidad de tal
manera que la probabilidad de que 𝑿 = 𝟑 es: Resolviendo esta desigualdad, se tiene que 𝑛 > 2,9.
𝑃(𝑋 = 3) = 10 ∗ 0,00512 = 0,0512
Es decir, la persona debe disparar al objetivo 3 o más
5! veces para mantener una probabilidad mayor que 0,77 de
𝑃(𝑋 = 3) = (0,2)3 (0,8)5−3 = 0,0512 dar en el blanco por lo menos una vez.
(5 − 3)! 3!
Entonces la probabilidad de que se encuentren 3 cuentas Esperanza y Varianza de la Distribución Binomial
etiquetadas entre cinco escogidas al azar es 0,0512.
Si X es una variable aleatoria que tiene distribución
Ejemplo. Todos los días se entrevistan aleatoriamente a binomial con los parámetros n y p, entonces, se cumple
15 clientes que solicitan crédito de consumo con el que
propósito de verificar sus condiciones de aprobación. Con 𝐸(𝑥) = 𝜇 = 𝑛 ∗ 𝑝
base en informaciones históricas, la probabilidad de tener 𝑉(𝑋) = 𝜎 2 = 𝑛 ∗ 𝑝 ∗ (1 − 𝑝)
un rechazo en la solicitud es de 0,05. La gerencia ha
Ejemplo Calcular la esperanza y la Varianza de los
decidido suspender los análisis cada vez que una muestra
ejemplos anteriores
de 15 entrevistas tenga dos o más rechazos. ¿Cuál es la
probabilidad de que, en cualquier día, los análisis se Solución.
detengan? 𝐸𝑗𝑒𝑚𝑝𝑙𝑜 1 Tenemos 𝑛 = 5 𝑦 𝑝 = 0,20, entonces:
𝐸(𝑥) = 𝜇 = 5 ∗ 0,20 = 1,
Solución.
𝑉(𝑋) = 𝜎 2 = 5 ∗ 0,20 ∗ 0,80 = 0,80
𝒏 = 𝟏𝟓 𝒚 𝒑 = 𝟎, 𝟎𝟓. Sea X el número de solicitudes
rechazadas encontradas entre las 15, la probabilidad de 𝐸𝑗𝑒𝑚𝑝𝑙𝑜 2 𝑛 = 15 𝑦 𝑝 = 0,05 Entonces
que los análisis se detengan es igual a la probabilidad de 𝐸(𝑥) = 𝜇 = 15 ∗ 0,05 = 0,75
que X sea igual o mayor que dos. De esta manera: 𝑉(𝑋) = 𝜎 2 = 15 ∗ 0,05 ∗ 0,05 = 0,7125
𝑃(𝑋 ≥ 2) = 1 − 𝑃(𝑋 ≤ 1) 𝐸𝑗𝑒𝑚𝑝𝑙𝑜 3 𝑛 = 6 𝑦 𝑝 = 0,40, entonces:
1
15 𝐸(𝑥) = 𝜇 = 6 ∗ 0,40 = 2,4
= 1 − ∑ ( ) 0,05𝑖 (0,95)15−𝑖 = 0,1709 𝑉(𝑋) = 𝜎 2 = 6 ∗ 0,40 ∗ 0,60 = 1,44
𝑖
𝑖=0
DISTRIBUCIÓN DE POISSON
Ejemplo Una persona dispara a un objetivo 6 veces. La
probabilidad de dar en el blanco es 𝒑 = 𝟎, 𝟒𝟎. Llamada así en honor a Simeón Denis Poisson,
a. ¿Cuál es la probabilidad de que el dé en el blanco probabilista francés del siglo XIX fue el primero en
por lo menos una vez? describirla, es otra distribución discreta de probabilidad
b. ¿Cuántas veces debe disparar al objetivo para que muy útil en la que la variable aleatoria representa el
la probabilidad de dar en el blanco por lo menos una número de eventos independientes que ocurren a una
vez sea más grande que 0,77? velocidad constante en el tiempo o en el espacio.
Considere como ejemplos las siguientes variables:

Guía 2 – Distribuciones de Probabilidad 4

 Profesor: Msc. José Zúñiga Sáenz
a. Piden calcular 𝑃(𝑋 = 3). Entonces con
1. El número de personas que llegan a una tienda de 53
autoservicio en un tiempo determinado. 𝜆 = 5 𝑦 𝑥 = 3: 𝑓(3; 5) = 𝑃(𝑋 = 3) = 𝑒 −5 = 0,1403
3!
2. El número de accidentes de tráfico que ocurren en b. Ahora piden calcular 𝑷(𝑿 ≤ 𝟑). Se tiene:
3
un día en un cruce. 5𝑖
𝐹(3) = 𝑃(𝑋 ≤ 3) = ∑ ∗ 𝑒 −5
3. El número de llamadas que llegan a una central 𝑖!
𝑖=0
telefónica en cierto intervalo de tiempo. = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3)
4. El número de órdenes de devolución de piezas que
50 −5 51 −5 52 −5 53 −5
recibe una empresa en una semana. 𝐹(3) = 𝑃(𝑋 ≤ 3) = 𝑒 + 𝑒 + 𝑒 + 𝑒
5. El número de bacterias en un cultivo. 0! 1! 2! 3!
𝑃(𝑋 ≤ 3) = 0,0067 + 0,0337 + 0,0843 + 0,1403
Considerando un proceso de Poisson con parámetro 𝜆 >
0 (es decir, 𝝀 es el número promedio de ocurrencias por 𝐸𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑠𝑒 𝑡𝑖𝑒𝑛𝑒 𝑞𝑢𝑒 𝐹(3) = 𝑃(𝑋 ≤ 3) = 0,2650
unidad de tiempo) y sea X el “número de eventos que
ocurren en un intervalo de tiempo [0, x]”. La probabilidad Ejemplo Un estudio indica que el número de huelgas
de que ocurran 𝒙 eventos en el intervalo [𝟎, 𝒙] es anuales en una determinada empresa, se puede
λ𝑥 representar por una distribución de Poisson con media
𝑓(𝑥, 𝜆) = 𝑃(𝑋 = 𝑥) = ∗ 𝑒 −λ , 𝑥 = 0, 1, 2, … 𝝀 = 0,4. Sea X la variable aleatoria que representa al
𝑥!
número de huelgas. Calcule a) la probabilidad de que en
Siendo 𝒆 = 𝟐, 𝟕𝟏𝟖𝟐𝟖 la base del logaritmo natural. La un año dado no se presente huelgas, b) la probabilidad de
correspondiente distribución de 𝑿 se conoce como que haya mas de una huelga en un año cualquiera.
Distribución de Poisson con Parámetro 𝝀. La función
de probabilidad 𝒇 de una variable aleatoria 𝑿 que tiene Solución.
distribución de Poisson con parámetros 𝝀 está dada por: a. La probabilidad de que no haya huelga es 𝑃(𝑋 =
λ𝑥 0) = 𝑃 (0; 0, 4) = 0, 670.
−λ
𝑓(𝑥; 𝜆) = { 𝑥! ∗ 𝑒 , 𝑥 = 0, 1, 2, … λ > 0 b. La probabilidad de que haya más de una huelga en 1 año
𝑃(𝑋 ≥ 1) = 1 − 𝑃(𝑋 < 1) = 1– 𝑃(0; 0, 4)
0, 𝑝𝑎𝑟𝑎 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑣𝑎𝑙𝑜𝑟
𝑃(𝑋 ≥ 1) == 1 − 0,670 = 0,33
La probabilidad de que una variable aleatoria de Poisson
𝑿 con parámetro 𝝀 sea menor o igual a un valor específico Esperanza y Varianza de la Distribución de Poisson
𝒙 está dada por la función de Distribución: Si X es una variable aleatoria que tiene distribución de
𝑥
λ𝑖 Poisson con parámetro , entonces, se cumple que:
𝑭(𝒙; 𝝀) = 𝑃(𝑋 ≤ 𝑥) = ∑ ∗ 𝑒 −λ
𝑖! 𝑬(𝒙) = 𝝁 = 𝝀 𝑽(𝑿) = 𝝈𝟐 = 𝝀
𝑖=0

Ejemplo. Los sábados por la mañana, los clientes entran en Ejemplo El número de clientes que atiende un cajero de
una pequeña tienda de un centro comercial suburbano a una una entidad financiera es una variable aleatoria, cuyo
tasa esperada de un cliente cada dos minutos. Halle la comportamiento se maneja bajo un promedio de cinco
probabilidad de que el número de clientes que entran en un clientes cada diez minutos.
intervalo específico de 10 minutos es: a) 3 y b) no más 3. A. Construya la distribución de probabilidades para 8 primeros
valores de la variable con f(x) y F(x)
Solución. B. Calcule la probabilidad de que…
Las hipótesis del proceso de Poisson parecen ser i. ningún cliente sea atendido en el próximo minuto.
razonables en este contexto. Se da por sentado que los ii. por lo menos un cliente sea atendido en un periodo
clientes no llegan en grupos y que la entrada de un cliente de cinco minutos.
no aumenta ni disminuye la probabilidad de que llegue iii. no más de cuatro clientes sean atendidos en un
otro. Para obtener 𝝀, se observa que, a una tasa media de periodo de diez minutos.
0,50 por minuto durante un periodo de 10 minutos, se iv. entre dos y cuatro clientes inclusive sean atendidos
puede esperar 𝜆 = (0, 50) ∗ (10) = 5 entradas. Sea X en un espacio de ocho minutos.
la variable aleatoria que representa al número de clientes C. Calcule la esperanza y la varianza para un periodo de
que entran en un intervalo específico de 10 minutos. media hora.

Guía 2 – Distribuciones de Probabilidad 5

 Profesor: Msc. José Zúñiga Sáenz
Solución. La distribución de probabilidad de 𝑋, llamada Distribución
Lambda = 5 clientes/10 min = 0,5 clientes/1 min = 1,5 clientes/3 Hipergeométrica, depende de los parámetros 𝒏, 𝑴 𝒚 𝑵 y
min. = 2,5 clientes/5 min. = 15 clientes/30 min. la probabilidad que inicialmente nos interesa estudiar es la
X = Número de clientes que son atendidos en un espacio de de obtener 𝒙 éxitos en la muestra, la cual simbolizaremos
tiempo determinado. Xi = 0, 1, 2, 3,…, con 𝒉(𝒙; 𝒏, 𝑴, 𝑵). Es decir, estaremos interesados en
A. Lambda = 5
calcular la probabilidad 𝑷(𝑿 = 𝒌) = 𝒉(𝒌; 𝒏, 𝑴, 𝑵).
X f(x) F(x)
0 0,0067 0,0067
1 0,0337 0,0404 Sea X el número de éxitos obtenidos en una muestra
2 0,0842 0,1247 escogida al azar al realizar un experimento
3 0,1404 0,2650 Hipergeométrico con parámetros n, M y N. Entonces, la
4 0,1755 0,4405 probabilidad de elegir x éxitos en n intentos está dada por:
5 0,1755 0,6160 𝑴 𝑵−𝑴
( )( )
6 0,1462 0,7622 𝑷(𝑿 = 𝒙) = 𝒙 𝒏−𝒙
, donde 𝑥 = 0, 1, 2, … , 𝑛 𝑦 𝑛 ≤ 𝑁.
𝑵
7 0,1044 0,8666 ( )
𝒏
8 0,0653 0,9319 La correspondiente distribución de X se conoce como
… 0,93191
𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 ℎ𝑖𝑝𝑒𝑟𝑔𝑒𝑜𝑚𝑒𝑡𝑟𝑖𝑐𝑎 con parámetros n, M y N.
(0,5)0 −0,5
𝑩𝒊. 𝑃(𝑋 = 0) = 𝑒 = 0,6065, La función de probabilidad 𝑓 de una variable aleatoria 𝑋
0!
𝐿𝑎𝑚𝑏𝑑𝑎 𝑎𝑞𝑢𝑖 𝑒𝑠 𝑑𝑒 0,5 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑝𝑜𝑟 𝑚𝑖𝑛𝑢𝑡𝑜 Hipergeometrica con parámetros 𝑛, 𝑀 𝑦 𝑁 está dada por:
𝑩𝒊𝒊. 𝑃(𝑋 ≥ 1) = 1 − 𝑃(𝑋 < 1) = 1 − 𝑃(𝑋 = 0)
= 1 − 0,0821 = 0,9179 𝑀 𝑁−𝑀
( )( )
𝑩𝒊𝒊𝒊. 𝑃(𝑋 ≤ 4) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + ⋯ + 𝑃(𝑋 = 4) 𝑥 𝑛 − 𝑥 , 𝑥 = 0, 1, 2, … 𝑛, 𝑛 ≤ 𝑁
= 𝐹(4) = 0,4405 𝑓(𝑥; 𝑛, 𝑀, 𝑁) = 𝑃(𝑋 = 𝑥) = 𝑁
( )
𝑩𝒊𝒗. 𝑃(2 ≤ 𝑋 ≤ 4) = 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4) 𝑛
{ 0, 𝑝𝑎𝑟𝑎 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑣𝑎𝑙𝑜𝑟
= 0,5373
Por propiedades de la función de distribución con lambda de 4 La probabilidad de que una variable aleatoria Hipergeo-
clientes en 8 minutos, se tiene: métrica 𝑿 con parámetro 𝒏, 𝑴, 𝑵 sea menor o igual a un
𝑃(2 ≤ 𝑋 ≤ 4) = 𝑃(𝑋 ≤ 4) − 𝑃(𝑋 ≤ 1) = 𝐹(4) − valor específico 𝒙 está dada por la función de Distribución
𝐹(1) = 0,6288 − 0,0916 = 0,5373. 𝑀 𝑁−𝑀
𝑥
( )( )
C. Para ½ hora Esperanza: E(X) = = 15 clientes Varianza: 𝐹(𝑥; 𝑛, 𝑀, 𝑁) = 𝑃(𝑋 ≤ 𝑥) = ∑ 𝑖 𝑛−𝑖
𝑁
V(X) = = 15 clientes 𝑖=0 ( )
𝑛
LA DISTRIBUCION HIPERGEOMETRICA Ejemplo. Una caja contiene, al comienzo de un
Se consideran experimentos Hipergeométricos aquellos experimento, 2 balotas blancas y 4 balotas negras. Ahora
que obedecen las propiedades del experimento binomial, se sacan 𝑛 = 3 balotas aleatoriamente, sin reemplazo.
pero debilitando la propiedad de independencia entre los Determinar la probabilidad de que entre las 3 balotas
experimentos individuales, es decir, suponiendo que estos extraídas haya
son dependientes. Se usan comúnmente cuando el 𝑎)𝑢𝑛𝑎 𝑛𝑒𝑔𝑟𝑎, 𝑏)𝑑𝑜𝑠 𝑛𝑒𝑔𝑟𝑎𝑠, 𝑐) 𝑡𝑟𝑒𝑠 𝑛𝑒𝑔𝑟𝑎𝑠;
muestreo se hace sin reemplazo. Estos experimentos con
Solución.
parámetros 𝒏, 𝑴 𝒚 𝑵 están basados en las siguientes
En la caja hay 𝑁 = 6 balotas en total. Sea 𝑿 la variable
suposiciones:
aleatoria que representa al “número de balotas negras
1. La población o conjunto donde deba hacerse el
elegidas de entre las 3 bolas sacadas”. Esto quiere decir
muestreo es una población finita con N elementos.
que “sacar una balota negra” es un éxito y que 𝑴 = 𝟒.
2. Cada elemento de la población puede ser
Es claro que los valores posibles de 𝑿 son 𝑥 =
caracterizado como un éxito o un fracaso.
0, 1, 2, 3. Ahora, el número de formas de seleccionar una
3. Hay M éxitos en la población.
muestra de 𝒏 = 𝟑 balotas de un total de 𝑁 = 6 balotas
4. Se elige una muestra sin reemplazo de n individuos,
N 6
tal que es igualmente probable seleccionar cada disponibles en la caja es ( ) = ( ) = 20
𝑛 3
subconjunto n.
En un experimento Hipergeométrico con parámetros Por consiguiente, el espacio muestral correspondiente Ω
𝒏, 𝑴 𝒚 𝑵, la variable de interés 𝑿 es siempre “el número tiene 20 elementos igualmente probables.
de éxitos obtenidos en la muestra”.
Guía 2 – Distribuciones de Probabilidad 6
 Profesor: Msc. José Zúñiga Sáenz
4 2
( )( ) 4 Esperanza y Varianza de la Distribución Hipergeométrica
1 2
a. 𝑃(𝑋 = 1) = 6 = = 0,20.
( )
3
20 Si 𝑿 es una variable aleatoria que tiene distribución
4 2
hipergeometrica con parámetros 𝒏, 𝑴 𝒚 𝑵, entonces, se
b. 𝑃(𝑋 = 2) =
( )( )
2 1
=
12
= 0,60 cumple que:
6 20 𝑀 𝑁−𝑛 𝑀 𝑀
( ) 𝐸(𝑋) = 𝑛 ∗ 𝑦 𝑉(𝑋) = ( ) ∗ 𝑛 ∗ ∗ (1 − )
3
𝑁 𝑁−1 𝑁 𝑁
4 2
( )( )
3 0 4 La razón 𝑴/𝑵 es la proporción de los éxitos de la
c. 𝑃(𝑋 = 3) = = = 0,20
6
( ) 20 población. Si sustituimos 𝑴/𝑵 por 𝒑 en las fórmulas de
3
𝑬(𝑿) = 𝒏 ∗ 𝒑 y 𝑽(𝑿) = 𝒏 ∗ 𝒑 ∗ (𝟏 − 𝒑),
Ejemplo. El consejo de cierta universidad consiste de 66 obtenemos:
consejeros, 38 de los cuales son de la facultad de ciencias, 𝑁−𝑛
28 de los cuales son de la de artes. Si un comité de 16 𝐸(𝑋) = 𝑛 ∗ 𝑝 𝑦 𝑉(𝑋) = ( ) ∗ 𝑛 ∗ 𝑝 ∗ (1 − 𝑝)
𝑁−1
consejeros fue escogido aleatoriamente, entonces, La expresión anterior muestra que la esperanza de las
determine la probabilidad de que el comité tenga por lo variables binomial e Hipergeométrica son iguales,
menos 2 consejeros de la facultad de arte. mientras que las varianzas de las dos variables difieren
Solución. por el factor (𝑵 − 𝒏)/(𝑵 − 𝟏), a veces llamado factor
Sea X la variable aleatoria que representa al número de de corrección por población finita. Este factor es menor
consejeros escogidos de la facultad de arte. Entonces, la que 1, así que la variable Hipergeométrica tiene menor
probabilidad de que el comité tenga a lo más un consejero varianza que la de la binomial. El cálculo de las
de la facultad de arte está dada por: probabilidades hipergeométricas puede convertirse en
28 66 − 28
tedioso, especialmente si n es grande, sin embargo, puede
1 ( )( ) (28) (38) (28) (38) simplificarse con la siguiente formula de recursión:
𝑗 16 − 𝑗
P(X ≤ 1) = ∑ = 0 16 + 1 15 (𝑛 − 𝑥)(𝑀 − 𝑥)
66 66 66 𝑓(𝑥 + 1; 𝑛, 𝑀, 𝑁) = 𝑝(𝑥; 𝑛, 𝑀, 𝑁)
𝑗=0 ( ) ( ) ( ) (𝑥 + 1)(𝑁 − 𝑀 − 𝑛 + 𝑥 + 1)
16 16 16
P(X ≤ 1) = 0,0005324 Ejemplo. Suponga que se tienen 50 representantes de
Por consiguiente, la probabilidad de que el comité tenga cierto estado, a una convención política nacional, de los
por lo menos 2 consejeros de la facultad de arte será cuales 30 apoyan al candidato A y 20 al candidato B. Si se
𝑃(𝑋 ≥ 2) = 1 − 𝑃(𝑋 ≤ 1) ≈ 0, 9995%. seleccionan aleatoriamente cinco representantes, ¿Cuál
es la probabilidad de que, entre estos cinco, por lo menos
Ejemplo. Una compañía recibe un pedido de 20 artículos. dos apoyen al candidato A?
Dado que la inspección de cada artículo es cara, se sigue
la política de analizar una muestra de 6 artículos de cada Solución.
envió (seleccionada sin reemplazo y sin orden), aceptando Sea X la variable aleatoria que representa al número de
la remesa si no hay más de un artículo defectuoso en la personas en la muestra que apoyan al candidato A. para
muestra. ¿Cuál es la probabilidad de que sea aceptado un N= 50, n = 5 y M = 30, la función de probabilidad de X está
30 20
pedido con cinco artículos defectuosos? dada por: 𝑓(𝑥; 5,30,50) =
( )(
𝑥 5−𝑥
)
, 𝑥 = 0, 1, 2, … 5
50
( )
Solución. 5

Sea X la variable aleatoria que representa al número de La probabilidad de que 𝑋 ≥ 2 es: 𝑃(𝑋 ≥ 2) = 1 −
artículos defectuosos en la muestra de 5. Entonces, 𝑃(𝑋 ≤ 1) = 1 − [𝑓(0; 5,30,50) + 𝑓(1; 5,30,50)]
30 20
( )( )
𝑃 (𝑎𝑐𝑒𝑝𝑡𝑎𝑟 𝑒𝑙 𝑒𝑛𝑣í𝑜) = 𝑃(𝑋 ≤ 1) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) Dado que 𝑓(0; 5,30,50) = 0 5−0
50 = 0,007317
( )
15 5 15 5
( ) ( )( )
= 6 + 1 5 Y empleando la fórmula de recursión:
20 20 (5 − 0)(30 − 0)
( ) ( )
6 6 𝑓(1; 5,30,50) = 𝑝(0; 5,30,50)
𝑃(𝑋 ≤ 1) = 0,129 + 0,387 = 0,516 (0 + 1)(50 − 30 − 5 + 0 + 1)
→ 𝑓(1; 5,30,50) = 0,068597
Por consiguiente, la probabilidad de que sea aceptado un Se encuentra que:
pedido con cinco artículos defectuosos es de 0,516. 𝑃(𝑋 ≥ 2) = 1 − (0,007317 + 0,068597) = 0,9241
Profesor: José Zúñiga Sáenz - Magister en Estadística

Guía 2 – Distribuciones de Probabilidad 7