Distribuciones Disc.

Lic.
Vicente Snchez y Ramrez

Distribuciones discretas
___________________________________________________________________________________________
3. DISTRIBUCIONES DISCRETAS
3.1 Introduccin.
En esta unidad se realiza el estudio de ciertas distribuciones de probabilidad, con

miras a obtener la posibilidad de que ocurra un valor de la variable aleatoria X en un
experimento, para considerarlos como valores probables que ocurra en el futuro.
Adems se presenta de manera sencilla como se obtiene la esperanza matemtica,
la varianza y la desviacin estndar de una variable aleatoria discreta.
El objetivo general de la unidad, es mostrar al alumno algunas de las distribuciones

discretas de probabilidad ms comunes, as como su aplicacin a situaciones reales,
con el fin de que aprenda a realizar inferencias de lo abstracto a lo concreto.
Dentro de los objetivos particulares se contemplan:
El alumno sabr distinguir los trminos de: variable aleatoria, funcin de probabilidad,
funcin de distribucin de probabilidad y funcin de distribucin acumulativa de
probabilidad.
El alumno sabr describir las caractersticas ms relevantes de las principales

distribuciones discretas.
El alumno sabr obtener las probabilidades para las principales distribuciones

discretas, mediante su funcin de probabilidad, la funcin de distribucin acumulativa
de probabilidad y con un software estadstico, con el fin de que le sirvan de
herramienta en la toma de decisiones.
El tema contempla el estudio de las distribuciones de probabilidad: Binomial,

Hipergeomtrica, Poisson, Multinomial y Geomtrica. As como aproximacin a la
distribucin Binomial por la Poisson, aproximacin a la distribucin Hipergeomtrica
por la Binomial y el empleo del software Minitab y Excel en el clculo de probabilidad
de estas distribuciones.
3.2 Variables aleatorias
3.2.1 Introduccin.
En este tema se pretende que el participante conozca las caractersticas de las

variables discretas y continuas, as como obtener la probabilidad de un evento
haciendo uso de la funcin de distribucin acumulativa de probabilidad de una
variable aleatoria.
Los subtemas a tratar son: variables discretas y continuas, funcin de probabilidad,

funcin de distribucin de probabilidad, funcin de distribucin acumulativa de
probabilidad, as como la obtencin de la media y la varianza de una variable
aleatoria.
1
Lic. Vicente Snchez y Ramrez
___________________________________________________________________________________________
.
3.2.2 Variables discretas y continuas.
Una variable es una caracterstica numrica de la poblacin a la que se le puede

asignar, durante el curso de un proceso de anlisis, un nmero ilimitado de
valores.
Las variables se dividen en discretas y continuas, las variables discretas son las
que pueden tomar un nmero finito o infinito de valores. Por ejemplo se desea
estimar el nmero de nios por familia en un municipio, la escala de medida
empezar en cero para indicar la ausencia de nios, y se ir incrementando de
uno en uno hasta llegar a 3 o quiz 5 para incluir casos extremos.
Observe que al pasar de un valor de la escala al siguiente, utilizamos nmeros

enteros y no fraccionarios, as la familia puede tener 0, 1, 2,....., X nios.
La caracterstica bsica de las variables discretas es la igualdad entre sus

unidades contables. En este sentido si estamos estudiando el nmero de nios por
familia, todos los nios son iguales pues cada uno representa una unidad contable.
Las observaciones obtenidas a travs de variables discretas son siempre exactas si

se ha empleado el procedimiento de cmputo adecuado.
Como ejemplos de variables discretas tenemos:
El nmero de personas en una conferencia.

El total de nacimientos en una ciudad.
El nmero de empleados en una fbrica.
El total de glbulos blancos en un cm2.
La cantidad de tornillos producidos por una mquina.
El nmero de defectos que presenta cierto artculo, etc.
Las variables continuas son aquellas que pueden tomar un nmero ilimitado de
valores intermedios dependiendo del instrumento de medicin.
Es importante sealar que as como la medida de las variables discretas es siempre

exacta, las medidas de las variables continuas son siempre aproximadas.
Por ejemplo si medimos la estatura de algn individuo, cualquier medida observada

es inexacta, porque siempre podemos imaginar una escala de medida ms exacta
que la anterior. As si a una persona la medimos y nos da una altura de 1.72 m. con
una regla que est calculada para proporcionar lecturas con un error de 1 cm.,
podemos tener menor error con una regla cuya escala de error sea de 0.5 cm., y
aun as, no sera suficiente porque siempre podremos construir o imaginar otras
escalas con mayor precisin.
La caracterstica bsica de las variables continuas es la igualdad de sus unidades

de medida. Por ejemplo si empleamos el centmetro como unidad de medida, sta
unidad permanecer idntica a travs de toda la escala.
2
___________________________________________________________________________________________
Como variables continuas tenemos la longitud, velocidad, tiempo, peso, temperatura,
etc. A manera de ejemplo citaremos:
La lectura de la temperatura en un termmetro.

El nmero de libras de presin de un neumtico.
La altura de la torre latinoamericana.
La superficie sembrada de ctricos en algn lugar.
La cantidad de energa elctrica que consume una mquina en una jornada de
trabajo, etc.
3.2.3 Variables aleatorias y distribuciones discretas de probabilidad.
Se dice que una variable aleatoria X es discreta si el nmero de valores que puede
tomar es exacto (ya sea finito o infinito).
En la mayora de los experimentos de tipo repetitivo, y sobre todo en los de la vida

real no interesan todos los posibles resultados del experimento, sino solamente
algunos de ellos, esto implica la introduccin de variables aleatorias. Por lo general
se escoge a la letra X para denotar una variable aleatoria.
Para ilustrar la nocin de una variable aleatoria, considrese el experimento de

lanzar tres veces al aire una moneda, donde el inters se centra en el total de guilas
que se obtienen; o sea la variable aleatoria X queda definida por el nmero de
guilas que aparezcan. Por lo tanto el espacio muestral para cada valor de X es:
AAA AAS ASA SAA ASS SAS SSA SSS

3 2 2 2 1 1 1 0
Observe que la variable aleatoria X solo puede tomar los valores 0, 1, 2, y 3 pero no
ms valores.
3.2.4 Funcin de probabilidad de la variable aleatoria X.
La funcin de probabilidad P(x) de la variable aleatoria X, proporciona la

probabilidad de que suceda el evento X. por ejemplo:
P (0) P(X=0) = 1/8

P (1) P(X=1) = 3/8
P (2) P(X=2) = 3/8
P (3) P(X=3) = 1/8
Ahora estos eventos compuestos ya pueden tratarse como eventos simples en el
nuevo espacio de muestreo, con solo cuatro puntos.
3.2.5 Funcin de distribucin de probabilidad de la variable aleatoria X.
3
___________________________________________________________________________________________
La Funcin de distribucin de probabilidad de la variable aleatoria X, relaciona
los valores que toma la variable aleatoria X con sus probabilidades correspondientes
y puede presentarse por medio de una tabla, grfica o frmula.
TABLA
Xi 0 1 2 3
P(x i) 1/8 3/8 3/8 1/8
GRFICA
P Histograma Grfica de lneas

r
o
b 3/8 3/8
a
b
i
l 2/8 2/8
i El val
d 1/8 1/8
a
d
0 1 2 3 x 0 1 2 3 x
FRMULA
Y 0.125 0.375 x 0.125 x 2
El valor de x = 0 en las grficas debera de coincidir con el cruce de los ejes de

coordenadas, por cuestiones de tipo didctico en las grficas se sita a la derecha
del mismo.
3.2.6 Funcin de distribucin acumulativa de la variable aleatoria X.
La funcin de distribucin acumulativa F(x), proporciona la probabilidad de que la

variable aleatoria X sea menor o igual a un valor especfico de x.
F (x) P(X x) = P( x )
xi x
i
Del histograma anterior puede obtenerse la funcin de distribucin acumulativa de X

de la siguiente forma:
F (0) P(X 0) = 1/8

F (1) P(X 1) = 4/8
4
___________________________________________________________________________________________
F (2) P(X 2) = 7/8
F (3) P(X 3) = 1
Observe qu:
P (X > 2) = 1 P (X 2) = 1 F (2) = 1/8

P (X = 1) = P (X 1) P (X 0)
= F (1) F (0) = 3/8
P (1 X 2) = P (X 2) P (X 0)
= F (2) F (0) = 6/8
P (X < 2) = P (X 1) = F (1) = 4/8
3.2.7 Esperanza de la variable aleatoria X.
En una poblacin, la media aritmtica es una medida de tendencia central que se

ubica por lo general en el centro de los datos. De igual forma para describir las
caractersticas de una distribucin de probabilidad, es necesario conocer alguna de
sus medidas de tendencia central, siendo la ms importante la media de la variable
aleatoria X, la cual se simboliza por la letra griega y se denomina como valor
esperado E(X) y se define como:
E ( X ) ( X i P ( X i ))
Donde:
E (x) = valor esperado de X.
= media de X.
P (xi) = probabilidad de Xi
= letra griega que simboliza suma.
En el ejemplo que nos ocupa la media de la variable aleatoria X es:
E (x) = = 0 (1/8) + 1 (3/8) + 2 (3/8) + 3 (1/8) = 1.5
Lo anterior indica que si se lanzan tres monedas al aire una sola vez, es de
esperarse que caigan 1.5 guilas.
Si verificamos este valor en el histograma de la funcin de distribucin de la variable

aleatoria X, podemos comprobar que ciertamente 1.5 se encuentra a la mitad de los
datos.
3.2.8 Varianza y desviacin estndar de la variable aleatoria X.
En una poblacin, la varianza es una medida de dispersin que nos cuantifica el

alejamiento de los datos con respecto a su promedio. De igual manera en una
distribucin de probabilidad la varianza de la variable aleatoria X, mide la desviacin
5
___________________________________________________________________________________________
que toma la variable X con respecto al valor esperado . Su clculo se hace a partir
de:
V ( X ) 2 ( X i2 P ( X i )) 2
Donde: V(X) = 2 = varianza de X.

La desviacin estndar de la variable aleatoria discreta X, es la raz cuadrada de la
varianza de X y se denota por:
V X
Continuando con nuestro ejemplo la varianza de la variable aleatoria nmero de

guilas que aparezcan es:
Calculemos primero E(X2) o sea:
(X i
2
P ( X i ) = 02 (1/8) + 12 (3/8) + 22 (3/8) + 32 (1/8) = 3.
Si = 1.5, por lo tanto la varianza ser:
V(X) = 2
= 3 1.52 = 0.75
La dispersin esperada alrededor de la media es de 0.75 = guilas 2.

La desviacin estndar se define por:
VX 0.75 0.866 guilas.
3.3 Distribucin binomial.
3.3.1 Introduccin.
Cuando los ensayos que componen un experimento son independientes, o sea que
el resultado de un ensayo no afecta al resultado que se obtiene en cualquier otro
ensayo, adems cuando la probabilidad de xito en cada ensayo es independiente y
donde el experimento tenga solo dos resultados posibles, podemos decir que se trata
de la distribucin binomial.
La distribucin binomial es una de las funciones discretas de probabilidad ms

empleadas, ya que la podemos aplicar en control de calidad, ventas, mercadotecnia,
encuestas de opinin etc. Imagnese un experimento en el que el resultado es la
ocurrencia o la no ocurrencia de un evento, donde la ocurrencia del evento ser el
xito y la no ocurrencia el fracaso.
Esta distribucin se utiliza cuando el experimento solo presente dos tipos de

resultados, xito y fracaso, la probabilidad de xito permanezca constante durante
cierto tiempo y los ensayos son independientes entre s.
6
___________________________________________________________________________________________
El objetivo general para este tema, es que el alumno sepa identificar cuando un
problema puede ser resuelto mediante esta distribucin, as mismo obtendr la
probabilidad de un evento, la cual servir como herramienta matemtica en la toma
de decisiones en un problema en particular.
Dentro de los objetivos particulares se encuentran:
El participante conocer las principales caractersticas de la distribucin binomial.
El participante obtendr la probabilidad de un evento empleando: la funcin de

probabilidad, la funcin de distribucin acumulativa de probabilidad y el empleo del
software Excel y Minitab
Los temas a cubrir para esta distribucin de probabilidad son: funcin de probabilidad
de la distribucin Binomial, caractersticas de esta distribucin, manejo de la tabla de
distribucin acumulativa, resolucin de ejercicios y problemas propuestos.
3.3.2 Funcin de probabilidad de la distribucin binomial.
Llamemos p la probabilidad de xito cada vez que el experimento se lleva a cabo y

q = 1 p la probabilidad de fracaso, el trmino xito o fracaso son meras
etiquetas, bien podramos decir sirve o no sirve.
Suponga que el experimento se realiza n veces, y cada uno de estos es

independiente de todos los dems, y sea X la variable aleatoria que representa el
nmero de xitos en los n ensayos. El inters est en determinar la probabilidad de
obtener exactamente X = x xitos durante los n ensayos. Las suposiciones claves
para la distribucin binomial son:
1. Cada ensayo tiene nicamente dos resultados posibles xito y fracaso.

2. La probabilidad de xito p permanece constante para cada ensayo.
3. Los n ensayos son independientes entre s.
Ejemplo. Sea un proceso de manufactura que produce un determinado artculo, en el

que algunas unidades se encuentran defectuosas. Si la probabilidad de unidades
defectuosas producidas en este proceso es constante durante un periodo
razonable y, si como procedimiento de rutina se selecciona aleatoriamente una
muestra de n artculos, entonces las probabilidades con respecto al nmero de
artculos defectuosos, pueden hacerse mediante el empleo de la distribucin
binomial.
Definicin. Sea X una variable aleatoria que representa el nmero de xitos en n

ensayos y p la probabilidad de xitos en cualquiera de estos. Se sabe entonces
que X tiene una distribucin binomial con funcin de probabilidad:
n!
P ( x, n, p ) p x q n x C xn p x q n x
x!(n x)!
Donde: x = 0,1,..., n y 0 p 1 para n entero.

7
___________________________________________________________________________________________
3.3.3 Caractersticas de la distribucin binomial.
En los experimentos que tienen este tipo de distribucin, siempre se esperan dos
tipos de resultados, ejemplo: defectuoso, o no defectuoso; pasa, no pasa; con
calidad, sin calidad; etc.
Las probabilidades asociadas a cada uno de estos resultados son constantes, es

decir no cambian.
Cada uno de los ensayos o repeticiones del experimento son independientes entre si.
El nmero de ensayos o repeticiones del experimento (n) es constante.
La media de la variable aleatoria X se define por = n p.
La varianza y desviacin estndar de la distribucin binomial se simbolizan

respectivamente por: 2 = n p q y npq
Los parmetros que definen la funcin de distribucin de probabilidad de la

distribucin binomial son n y p. Estos definen una familia de distribuciones
binomiales, en donde cada miembro tiene una funcin de probabilidad determinada.
Con el fin de mostrar la influencia de los paramentos n y p en la funcin de

distribucin binomial (forma de la curva), veamos las siguientes figuras:
Grfica de Distribucin de Probabilidad para n = 5 y p = 0.2

0.40960
0.4
0.32768
0.3
0.20480
fx
0.2
0.1
0.05120
0.00640 0.00032
0.0
0 1 2 3 4 5
x
8
___________________________________________________________________________________________
0.40960
0.4
0.32768
0.3
0.20480
fx
0.2
0.1
0.05120
0.00032 0.00640
0.0
0 1 2 3 4 5
x

0.35
0.31250 0.31250
0.30
0.25
0.20
fx
0.15625 0.15625
0.15
0.10
0.05 0.03125 0.03125
0.00
0 1 2 3 4 5
x
De stas grficas podemos deducir que:
a) Cuando n es pequea y se cree que p es cercana a 0 1 los datos no se

distribuyen normalmente.
b) Cuando n es pequea y p es cercana a 0.5, la distribucin tiende a parecerse a

una normal.
c) Cuando n es grande los datos tienden a parecerse a una normal.
Para familiarizase con el clculo de probabilidad mediante la funcin de probabilidad

Binomial, obtenga las probabilidades para cuando: x = 0,1, 2, 3,, 6; si el tamao de
muestra es n = 6 y la probabilidad de xito es p = 0.2
6!
P (0;6,0.2) 0.2 0.86 0 0.2621
0
0!(6 0)!
9
___________________________________________________________________________________________
6!
P (1;6,0.2) 0.210.86 1 0.3932
1!(6 1)!
6!
P ( 2;6,0.2) 0.2 2 0.8 6 2 0.24576
2!(6 2)!
6!
P (3;6,0.2) 0.2 3 0.86 3 0.08192
3!(6 3)!
6!
P ( 4;6,0.2) 0.2 4 0.86 4 0.01563
4!(6 4)!
6!
P (5;6,0.2) 0.2 5 0.86 5 0.001536
5!(6 5)!
6!
P (6;6,0.2) 0.2 6 0.86 6 0.000064
6!(6 6)!
La funcin de distribucin de probabilidad de los datos anteriores se define por:

0.393216
0.4
0.3
0.262144
0.245760
0.2
fx
0.1 0.081920
0.015360
0.001536 0.000064
0.0
0 1 2 3 4 5 6
x
3.3.4 Manejo de la tabla de distribucin acumulativa binomial.
El clculo de probabilidad de un valor especfico se define por:
P (x; n, p) = F (x; n, p) F (x-1; n, p)
Ejemplo. Encuentre la probabilidad de que x sea exactamente 5 cuando n = 10 y

p = 0.3
P (5; 10, 0.3) = F (5; 10, 0.3) F (4; 10, 0.3)

= 0.9527 0.8497
= 0.1030
10
___________________________________________________________________________________________
Ejemplo. Encuentre la probabilidad cuando x = 4 con n = 6 y p = 0.10
P (4; 6, 0.10) = F (4; 6, 0.10) F (3; 6, 0.10)

= 0.9999 0.9987
= 0.0012
El clculo de la probabilidad acumulativa hasta un cierto valor queda definido

de la siguiente manera:
P (X x; n, p) = F (x; n, p)
Ejemplo. Encuentre la probabilidad de que x 4 con n = 10 y p = 0.3
P (x 4; 10, 0.3) = F (4; 10, 0.3)

= 0.8497
Ejemplo. Encuentre la probabilidad de que x < 5 con n = 6 y p = 0.2
P (x < 5) = P (x 4) = F (4; 6, 0.2)

= 0.9984
La probabilidad mayor a un valor especfico est dada por:
P (X > x) = 1 - F (x; n, p)
Ejemplo. Encuentre la probabilidad de que x > 2 con n = 10 y p = 0.3
P(x > 2) = P(x 3) = 1- F (2; 10, 0.3)

= 1 - 0.3828
= 0.6172
Ejemplo. Encuentre la probabilidad de que x 3 con n = 8 y p = 0.3
P(x 3) = 1 P (x 2) = 1 F (2; 8, 0.3)

= 1 0.5518
= 0.4482
La probabilidad para un valor mayor que xi y menor que xj se obtiene por:
P (xi < x < xj) = P (xj 1) P (xi)

= F (xj 1; n, p) F (xi; n, p)
Ejemplo. Encuentre la probabilidad de que 4 < x < 8, con n =10 y p = 0.20
P (4 < x < 8) = P (x 7) P (x 4)
= F (7; 10, 0.20) F (4; 10, 0.20)
11
___________________________________________________________________________________________
= 0.9999 0.9672
= 0.0327
Ejemplo. Encuentre la probabilidad de que x 4 y x 6, con n =10 y p = 0.20
P (4 x 6) = P (x 6) P (x 3)
= F (6; 10, 0.20) F (3; 10, 0.20)
= 0.9991 0.8791
= 0.12
3.3.5 Ejemplos de aplicaciones de la distribucin binomial.
Ejemplo 1. En base en experiencia reciente, se sabe que el 5% de los engranes

producidos por una mquina cartell-bill resultaron defectuosos. Si entran seis
engranes seleccionados al azar:
a) Cul es la probabilidad de tener exactamente dos engranes defectuosos?
En este caso la caracterstica de inters son unidades defectuosas, por lo que p

debe darse en porcentaje de defectos.
Datos:
p = 0.05
q = 1 0.05 = 0.95
n=6
P (x = 2)
Empleando la funcin de probabilidad de la distribucin binomial ser:
6!
P (2;6,0.05) 0.052 0.956 2 0.0305
2! (6 2)!
Utilizando ahora la funcin de distribucin acumulativa binomial (tablas), la

probabilidad correspondiente es:
P (x = 2) = P (x 2) P(x 1)
= F (2; 6, 0.05) F (1; 6, 0.05)
= 0.9978 0.9672
= 0.0306
b) Cul es la probabilidad de tener exactamente cuatro engranes sanos?
Aqu la caracterstica de inters son unidades sanas, por lo que p debe darse en
porcentaje de unidades sanas (0.95) y la probabilidad requerida es P (x = 4)
6!
P ( 4;6,0.95) 0.95 4 0.05 6 4 0.0305
4!(6 4)!
12
___________________________________________________________________________________________
Ejemplo 2. Suponga que el equipo de fut-bol Veracruz, gana cuatro de cinco
partidos cuando juegan como local. Si juega 10 partidos como local durante el
campeonato de liga. Cul es la probabilidad que gane:
a) Exactamente seis partidos.
Datos:
p = 4 / 5 = 0.8
q = 1 0.8 = 0.2
n = 10
P (x = 6)
10!
P (6;10,0.08) 0.8 6 0.2106 0.0881
6!(10 6)!
b) Por lo menos la mitad de sus partidos.
P (x 5) = 1 P (x 4)
= 1 F (4; 10, 0.8)
= 1 - 0.0064
= 0.9936
c) De 5 a 8 partidos.
Resolviendo con la funcin de probabilidad de la distribucin binomial.
P (5 x 8) = P (x = 5) + P (x = 6) + P (x = 7) + P (x = 8)
P (5 x 8) = 0.0264 + 0.0881 + 0.2013 + 0.3020 = 0.6178
Resolviendo con la funcin de distribucin acumulativa binomial (tablas).
P (5 x 8) = P (x 8) P (x 4)
= F (8; 10, 0.8) F (4; 10, 0.8)
= 0.6242 0.0064
= 0.6178
d) Cul es su promedio esperado de partidos a ganar?
E(x) = = n p = 10 (0.8) = 8
e) Cul es su varianza y desviacin estndar?
Varianza. 2 = n p q = 10 (0.2) (0.8) = 1.6 juegos2.
Desviacin estndar. n. p.q 10(0.20)0.80 1.26 juegos.
Ejemplo 3. Un fabricante de ciertas piezas para automviles, garantiza que una caja
de sus piezas contiene como mximo dos defectuosas. Si la caja tiene 20 piezas y la
experiencia ha demostrado que su proceso de manufactura produce el 2% de piezas
13
___________________________________________________________________________________________
defectuosas. Cul es la probabilidad de que una caja de piezas satisfaga la
garanta?
Una caja satisface la garanta cuando tenga 0, 1 2 piezas defectuosas, por lo tanto
la probabilidad requerida es P (x 2).
Datos:
p = 0.02
q = 0.98
n = 20
P (x 2) = P(x = 0) + P(x = 1) + P(x = 2)
20!
P (0;20,0.02) 0.02 0 0.9820 0 0.6676
0!(20 0)!
20!
P (1;20,0.02) 0.0210.98 20 1 0.273
1!( 20 1)!
20!
P (2;20,0.02) 0.02 2 0.98 20 2 0.053
2!( 20 2)!
P (x 2) = 0.6676 + 0.273 + 0.053 = 0.9936
Este resultado muestra que la garanta del fabricante casi siempre se satisfar.
Ejemplo 4. Todos los das se seleccionan de manera aleatoria 15 unidades de un

proceso de manufactura, con el propsito de verificar el porcentaje de unidades
defectuosas en la produccin, con base a informacin pasada, la probabilidad de
tener una unidad defectuosa es 0.05. La gerencia ha decidido detener la produccin
cada vez que una muestra de 15 unidades tenga dos o ms unidades defectuosas.
a) Cul es la probabilidad de que, en cualquier da, la produccin se detenga?
Datos:
p = 0.05
q = 0.95
n = 15
P(x 2)
P(x 2) = 1 P (x 1) = 1 - F (1; 15, 0.05)
= 1 - 0.829
= 0.171
b) Cul es la probabilidad de obtener 5 unidades defectuosas?
15!
P (5;15,0.05) 0.055 0.9510 0.00056
5!(15 5)!
14
___________________________________________________________________________________________
c) Cul es la probabilidad de obtener de 3 a 6 unidades defectuosas?
P (3 x 6) = P(x 6) P(x 2)
= F (6; 15, 0.05) F (2; 15, 0.05)
= 1 0.9638
= 0.0362
Ejemplo 5. La probabilidad de que cierto tipo de padres con ojos azul-caf tengan un
hijo con ojos azules es de . Si existen seis nios en la familia, encuentre la
probabilidad de que:
a) Ms de dos hijos tengan ojos azules.
Para resolver este problema los seis nios deben tratarse como seis intentos
independientes de un evento o sea n = 6, donde la probabilidad de xito en un solo
intento es p = 0.25 y la probabilidad de fracaso es q = 0.75.
P (x > 2) = P (x 3) = 1- P (x 2)
= 1 - F (2; 6, 0.25)
= 1 - 0.8306
= 0.1694
Existe muy poca probabilidad de que ste tipo de familias tengan tantos hijos con
ojos azules, solamente el 17% de stas familias tienen ms de 2 hijos con ojos
azules.
b) Exactamente tres hijos tengan ojos azules.
P(x = 3) = P(x 3) P(x 2)

= F (3; 6, 0.25) F (2; 6, 0.25)
= 0.9624 0.8306
= 0.1318
c) Seis hijos no tengan los ojos azules.
Esta probabilidad significa que cero hijos tengan ojos azules, por lo tanto la
probabilidad buscada es:
6!
P (0;6,0.25) 0.25 0 0.75 6 0.1780
0! (6 0)!
Otra manera de ver el problema es:
Si la probabilidad de que tenga ojos azules es 0.25, entonces la probabilidad de que

no tenga ojos azules es 0.75. Si replanteamos la pregunta cul es la probabilidad
de que seis no tengan ojos azules?
En este caso se tendr que la probabilidad de xito es p = 0.75 y la probabilidad

solicitada ser P (x = 6).
15
___________________________________________________________________________________________
6!
P (6;6,0.75) 0.75 6 0.25 0 0.1780
6!(6 6)!
Ejemplo 6. Los resultados de la eleccin para presidente de la repblica en Mxico

en el ao de 2012, mostraron que cierto candidato obtuvo el 38 % de los votos. Si se
toma una muestra de 1000 ciudadanos elegidos al azar de entre la poblacin
votante, determine la probabilidad de que obtenga mayora de votos.
Datos:
p = 0.38
q = 0.62
n = 1000
Como la mayora de votos se obtiene con 501 sufragios, as que la probabilidad

requerida es P ( x 501)
P ( x 501) 1 P ( x 500)
Resolviendo con Minitab la P ( x 500) tenemos que es uno, por lo que

P ( x 501) 1 1 0
3.3.6 Ejercicios propuestos de la distribucin binomial.
1. Rodolfo Benavides, director de control de calidad de la compaa Sanrami se

encuentra realizando su revisin mensual de transmisiones automticas. En el
procedimiento, se retiran 10 transmisiones de la pila de componentes y se les revisa
en busca de defectos de fabricacin. A lo largo del tiempo, solo el 2% de las
transmisiones tiene defectos.
a) Cul es la probabilidad de que la muestra de Benavides contenga hasta dos

transmisiones con defectos de fbrica? R = 0.9991
b) Cul es la probabilidad de que cinco de las transmisiones elegidas tenga
defectos de fbrica? R = 0.000,00073
2. Amado Nochebuena est a cargo de la seccin de electrnica en una tienda

departamental. Se ha dado cuenta de que la probabilidad de que un cliente que
solamente se encuentra curioseando compre algo es de 0.3 suponga que 15 clientes
visitan la seccin de electrnica cada hora, encuentre:
a) La probabilidad de que una persona que curiosea compre algo durante una hora
dada. R = 0.0306
b) La probabilidad de que ninguna de las personas que curiosean compre algo
durante una hora dada. R = 0.0047
3. En un proceso de produccin con una productividad de miles de piezas diarias, se

tiene que dos de cada 100 piezas son defectuosas. Cada hora se seleccionan 100
piezas de una banda transportadora y se observa si estn buenas o defectuosas, el
inspector tiene instrucciones de parar el proceso si la muestra tiene ms de dos
piezas defectuosas:
16
___________________________________________________________________________________________
a) Cul es la probabilidad de que el inspector pare el proceso?

b) Cul es el nmero medio de piezas defectuosas que encontrar?
4. Un agricultor que siembra fruta afirma que 1/3 de su cosecha de duraznos ha sido
contaminada por la mosca del mediterrneo. Encuentre la probabilidad de que al
inspeccionar cinco duraznos:
a) Los cuatro estn contaminados por la mosca del mediterrneo.

b) Tres duraznos se encuentren sanos.
5. Se sabe que los discos producidos por una empresa salen defectuosos con una
probabilidad de 0.01. La compaa vende los discos en paquetes de diez y garantiza
el reembolso del dinero si ms de uno de diez discos sale defectuoso.
a) Cul es la proporcin de paquetes que se devuelven? R = 0.0042

b) Si alguien compra siete paquetes, cul es la probabilidad de que devuelva como
mnimo cuatro paquetes? R = 0.00
3.4 Distribucin hipergeomtrica.
3.4.1 Introduccin.
Este tipo de distribucin debe ser empleada cuando: la poblacin a investigar sea
relativamente chica, existan k unidades con la caracterstica de inters, el muestreo
se realice sin reemplazo y la probabilidad de xito no permanezca constante en cada
ensayo.
Supongamos que tenemos una muestra de n unidades en un lote de N unidades, en

la cual hay k unidades defectuosas. Si extraemos una muestra sin reemplazo, las
probabilidades de extraer unidades defectuosas son:
En la primera extraccin, la probabilidad de tener una unidad defectuosa es k/N, la

probabilidad de extraer una unidad defectuosa en la segunda extraccin ser
(k-1) / (N-1) (k / (N-1), segn que la primera unidad sacada sea o no defectuosa y
as sucesivamente.
Dentro de los objetivos particulares podemos citar:
El participante identificar las principales caractersticas de la distribucin

hipergeomtrica.
17
___________________________________________________________________________________________
probabilidad, la funcin de distribucin acumulativa de probabilidad y mediante el
empleo de Excel y Minitab.
Los temas a cubrir para esta distribucin de probabilidad son: funcin de

probabilidad, caractersticas de la distribucin hipergeomtrica, manejo de la tabla de
distribucin acumulativa, resolucin de ejercicios y problemas propuestos.
3.4.2 Funcin de probabilidad de distribucin hipergeomtrica.
Los criterios para determinar la probabilidad de un nmero especfico de xito o

fracaso en la distribucin hipergeomtrica son:
1. Cuando se selecciona una muestra de una poblacin finita sin reposicin.
2. Si el tamao de muestra n es mayor que 5 % del tamao de la poblacin.
Ante este nuevo caso de muestreo sin reemplazo se tiene una nueva distribucin de
probabilidad, llamada hipergeomtrica, la cual se define como:
P( x; n, k , N )
C C
k
x
N k
n x
k
x
N k
n x
N
nC N
n
Para: x = 0, 1, 2,..., n x k y n - x N k. Donde C xk son las

combinaciones de k en x.
3.4.3 Caractersticas de la distribucin hipergeomtrica.
Al realizar un experimento con este tipio de distribucin, se esperan dos tipos de

resultados:
k resultados de un total de N se clasifican como xitos.

N k artculos se clasifican como fracasos.
Las probabilidades asociadas a cada uno de los resultados no son constantes. (Todo
depende si sale o no sale el artculo con la caracterstica de inters).
Cada ensayo o repeticin del experimento no es independiente de los dems.
El nmero de repeticiones del experimento n es constante.
18
___________________________________________________________________________________________
La media de la distribucin hipergeomtrica se define por E (x) = = n (k / N).
La varianza de la distribucin hipergeomtrica se obtiene por:
k k N n
V ( x) n 1
N N N 1
Los parmetros que definen esta funcin de distribucin son: n, N y k.
3.4.4 Manejo de la tabla de la distribucin acumulativa hipergeomtrica.
La probabilidad para un valor especfico se define por:
P(x; n, k, N) = F(x; n, k, N) F(x - 1; n, k, N)
Ejemplo. Un lote de 10 artculos contiene tres defectuosos, si se obtiene una muestra

aleatoria sin reemplazo encuentre:
a) La probabilidad de obtener dos unidades defectuosas en una muestra de cuatro.
Datos:
N = 10
n=4
k=3
P(x = 2)
P (2; 4, 3, 10) = F (2; 4, 3, 10) F (1; 4, 3, 10)
= 0.9667 0.6667
= 0.3
b) La probabilidad de que cuatro artculos no estn defectuosos en una muestra de

seis. Si 4 no estn defectuosos tienen que estar defectuosos 2.
Datos: n=6
P(x = 2)
P (2; 6, 3, 10) = F (2; 6, 3, 10) F (1; 6, 3, 10)

= 0.8333 0.3333
= 0.5
El clculo de la probabilidad acumulativa hasta cierto nivel queda definido de

la siguiente manera:
P (X x; n, k, N) = F (x; n, k, N)
Ejemplo. Un lote de 10 artculos contiene dos defectuosos, si se toma una muestra

aleatoria de 4 de ellos, cul ser la probabilidad de obtener cuando ms un artculo
defectuoso?
19
___________________________________________________________________________________________
P(x 1) = F (1; 4, 2, 10)
= 0.8667
La probabilidad mayor a un valor especfico esta dada por:
P(X > x) = 1 - F(x; n, k, N)
Ejemplo. Se tiene un lote de 10 artculos de los cuales hay tres defectuosos, si se

toma una muestra aleatoria de cinco de ellos, cul ser la probabilidad de obtener
ms de dos unidades defectuosas?
P (x > 2) = P (x 3) = 1 F (2; 5, 3, 10)

= 1 - 0.9167
= 0.0833
3.4.5 Ejemplos de aplicacin de la distribucin hipergeomtrica.
Ejemplo 1. En una lnea de produccin, la semana pasada se ensamblaron 50

artculos de los cuales 10 tuvieron al menos un defecto. Si se selecciona una
muestra al azar de tamao n = 5, cul es la probabilidad de que cuatro funcionen
correctamente?
Datos:
N = 50
n=5
k = 40
P(x = 4)
C 440 C550 4 40
P (4;5,40,50) 0.4313
C550
Lo que significa que es poco probable que cuatro artculos funcionen correctamente.
Ejemplo 2. Se tienen 50 representantes de cierto estado a una convencin nacional,

de los cuales 30 apoyan al candidato A y 20 al candidato B. Si se selecciona
aleatoriamente una muestra de cinco representantes, cul es la probabilidad de
que, entre estos cinco, por lo menos dos apoyen al candidato A?
Datos:
N = 50
n=5
k = 30
P(x 2)
P(x 2) = 1- P(x 1)
P(x 2) = 1- [P (0; 5, 30, 50) + P (1; 5, 30, 50)]
20
___________________________________________________________________________________________
C030C550 0 30
P (0;5,30,50) 0.007317
C550
C130C5501 30
P (1;5,30,50) 0.0686
C550
P(x 2) = 1 - (0.007317 + 0.0686) = 0.92408
Ejemplo 3. Un fabricante recibe un lote de 40 motores de los cuales selecciona ocho

al azar. Si encuentra que ninguno de los motores presenta serios defectos, acepta el
lote, de otra forma lo rechaza. Si el lote contiene dos motores con defectos, cul es
la probabilidad de que sea aceptado?
Datos:
N = 40
n=8
k=2
P (x = 0)
C02C838
P (0;8,2,40) 0.6359
C840
La probabilidad de aceptar el lote es de 0.64 si contiene dos defectuosos.
Si un vendedor sabe que su producto pasar por una seleccin que verifica la
calidad, debe poner en marcha en su fbrica un control de calidad intencionado con
el propsito de minimizar el nmero de lotes rechazados.
Ejemplo 4. En un departamento de inspeccin de envos se reciben en forma

peridica lotes de ejes de bombas. Los lotes contienen 100 unidades y el siguiente
plan de muestreo de aceptacin se utiliza. Se selecciona una muestra aleatoria de
10 unidades sin reemplazo. El lote se acepta si la muestra no tiene ms de un
artculo defectuoso. Suponga que se recibe un lote que tiene cinco defectuosos.
Cul es la probabilidad de que sea aceptado?
Datos:
N = 100
n = 10
k=5
P (x 1)
P(x 1) = P(x = 0) + P(x =1)
C05C1095
P (0;10,5,100) 100
0.5837
C10
C15C995
P (1;10,5,100) 100 0.3394
C10
21
___________________________________________________________________________________________
P(x 1) = 0.5837 + 0.3394 = 0.9231
3.4.6 Ejercicios propuestos de la distribucin hipergeomtrica.
1. Para evitar que lo descubran en la aduana, un viajero ha colocado siete tabletas

de narctico en una botella que contiene diez pldoras de vitamina que son similares
en apariencia. Si el oficial de la aduana selecciona tres tabletas de manera aleatoria
para analizarlas.
a) Cul es la probabilidad de que el viajero sea arrestado por posesin de

narcticos?
b) Cul es la probabilidad de que no sea arrestado por posesin de narcticos?
2. a) Cul es la probabilidad de que una mesera se rehse a servir bebidas

alcohlicas nicamente a dos menores de edad si verifica aleatoriamente solo cinco
identificaciones de entre nueve estudiantes, de los cuales cuatro no tienen la edad
suficiente? b) Cul es la probabilidad de que como mximo dos de las
identificaciones pertenezcan a menores de edad? R a = 0.4762 y Rb = 0.6428
3. Una compaa manufacturera utiliza un esquema para la aceptacin de los

artculos producidos antes de ser embarcados. El plan es de dos etapas. Se
preparan cajas de 25 para embarque y se selecciona una muestra de cuatro para
verificar si tienen algn artculo defectuoso. Si se encuentra uno, la caja se regresa
para verificarla al 100%. Si no se encuentra ningn artculo defectuoso, la caja se
embarca.
a) Cul es la probabilidad de que se embarque una caja que tiene tres artculos
defectuosos?
b) Cul es la probabilidad de que una caja que contiene solo un artculo defectuoso
se regrese para verificacin?
4. Un lote contiene 150 piezas de un proveedor de tubera local y 300 unidades de un

proveedor de tubera del estado vecino. Si se seleccionan cuatro piezas al azar y sin
reemplazo.
a) Cul es la probabilidad de que todas sean del proveedor local?

b) Cul es la probabilidad de que al menos una pieza de la muestra sea del
proveedor del estado vecino?
3.5 Distribucin Poisson.
3.5.1 Introduccin.
La distribucin Poisson es llamada as en homenaje a Simen Denis Poisson

probabilista francs del siglo XIX, quien fue el primero en descubrirla.
22
___________________________________________________________________________________________
Es una funcin discreta de probabilidad muy til, en la que la variable aleatoria
representa el nmero de eventos independientes que ocurren a una velocidad
constante en el tiempo o el espacio. Algunos ejemplos son: el nmero de llamadas
por hora que se reciben en una oficina, el nmero de errores cometidos en una hoja
por una secretaria, el nmero de bacterias en un cultivo, etc.
La distribucin Poisson es el principal modelo de probabilidad empleado para

analizar problemas en lneas de espera. Adems ofrece una aproximacin excelente
a la funcin de probabilidad binomial cuando p es pequeo y n es grande.
El participante identificar las principales caractersticas de la distribucin Poisson.

probabilidad, la funcin de distribucin acumulativa de probabilidad y mediante el
empleo de Excel y Minitab.
Los temas a cubrir para esta distribucin de probabilidad son: Funcin de

probabilidad de la distribucin Poisson, caractersticas de esta distribucin, manejo
de la tabla de distribucin acumulativa, resolucin de ejercicios y problemas
propuestos.
3.5.2 Funcin de probabilidad de la distribucin Poisson.
Para que un experimento se considere como Poisson se debe tomar en cuenta lo

siguiente:
1. La probabilidad de exactamente una ocurrencia es la misma en el intervalo

continuo.
2. La probabilidad de dos o ms ocurrencias en un intervalo suficientemente corto,

es aproximadamente cero.
3. La ocurrencia de un evento en un punto. Es independiente de las ocurrencias en

otros puntos.
Definicin. Sea X una variable aleatoria que representa el nmero de eventos

aleatorios independientes que ocurren a una rapidez constante sobre el tiempo o el
espacio. Se dice entonces que la variable aleatoria X tiene una distribucin de
Poisson con funcin de probabilidad dada por:
e x
P ( x, )
x!
23
___________________________________________________________________________________________
Para x = 0,1, 2, y 0.
Donde el parmetro = np, es el promedio de eventos por unidad de tiempo o

espacio, n el tamao de muestra y p es la probabilidad de xito.
3.5.3 Caractersticas de la distribucin Poisson.
En este tipo de experimentos los xitos buscados son expresados por unidad de
rea, tiempo, pieza, etc.
La media y la varianza de la distribucin Poisson se define por: E(X) = = = np y

V(X) = 2 = .
El parmetro que define la funcin de distribucin de probabilidad de la distribucin

Poisson es .
Se presenta a continuacin algunas grficas de la funcin de distribucin Poisson,

con el fin de ver la influencia del parmetro .
Grfica de Distribucin de Probabilidad para lamda = 1

0.4
0.367879 0.367879
0.3
0.2 0.183940
fx
0.1
0.061313
0.015328
0.003066
0.0
0 1 2 3 4 5
x
24
___________________________________________________________________________________________
0.30
0.270671 0.270671
0.25
0.20
0.180447
fx
0.15 0.135335
0.10 0.090224
0.05 0.036089
0 1 2 3 4 5
x

0.20 0.195367 0.195367
0.156293
0.146525
0.15
0.10
fx
0.073263
0.05
0.018316
0.00
0 1 2 3 4 5
x
Con el fin de familiarizarnos con la distribucin Poisson, calculemos las

probabilidades para x = 0,1, 2,. . ., 8, cuando = 2.2
e 2.2 2.2 0
P (0,2.2) 0.1108
0!
P (1; 2.2) = 0.2438

P (2; 2.2) = 0.2681
P (3; 2.2) = 0.1967
P (4; 2.2) = 0.1081
P (5; 2.2) = 0.0476
P (6; 2.2) = 0.0174
P (7; 2.2) = 0.0055
P (8; 2.2) = 0.0015
La funcin de distribucin de probabilidad para la variable aleatoria X queda definida

por:
25
___________________________________________________________________________________________
Funcin de Distribucin de Probabilidad para lamda = 2.2

0.30
0.268144
0.243767
0.25
0.196639
0.20
0.15
fx
0.110803 0.108151
0.10
0.047587
0.05
0.017448
0.005484 0.001508
0.00
0 1 2 3 4 5 6 7 8 9
x
3.5.4 Manejo de la tabla de distribucin acumulativa Poisson.
La probabilidad para un valor especfico de x en las tablas de probabilidad

acumulativa se define por:
P ( X x ) F ( x; ) F ( x 1; )
Ejemplo. Sea = 2.5, encuentre la probabilidad de que x sea igual a 4.
P (x = 4) = F (4; 2.5) F (3; 2.5)

= 0.8912 0.7576
= 0.1336
La probabilidad de que una variable aleatoria X sea a un valor especfico de x,

se define por:
P( X x) F ( x; )
Ejemplo. Sea =3.5, encuentre la probabilidad de que x sea menor o igual a 3.
P ( x 3) F (3;3.5) 0.5366
La probabilidad mayor a un valor especfico est dado por:
P ( X x ) 1 F ( x; )
Ejemplo. Encuentre la probabilidad de que x > 5, con = 3.7
P ( x 5) P ( x 6) 1 F (5;3.7)
= 1 - 0.8301
= 0.1699
26
___________________________________________________________________________________________
3.5.5 Ejemplos de aplicacin de la distribucin Poisson.
Ejemplo 1. La central camionera Roma recibe en promedio 30 autobuses por hora.

Si se observa la llegada de los autobuses durante cinco minutos, cul es la
probabilidad de que?
a) No llegue ningn autobs.
La probabilidad de que llegue un autobs por minuto es p = 30 / 60 = 0.5; por lo que

se espera que en cinco minutos llegue en promedio = np o sea = 5 (0.5) = 2.5
Datos:
= 2.5
P (x = 0)
e 2.5 2.5 0
P (0,2.5) 0.0821
0!
b) Lleguen dos autobuses.
P (x = 2)
e 2.5 2.5 2
P ( 2,2.5) 0.2565
2!
c) Cul ser el nmero promedio de autobuses que llegarn en cinco minutos?
np 5(0.5) 2.5
Ejemplo 2. A una constructora llegan camiones de carga a una razn media de 2.8
camiones por hora. Obtenga la probabilidad de tener tres o ms camiones que
lleguen en un:
a) Lapso de 30 minutos.
2.8 camiones / 60 minutos = 0.04666 camiones por minuto = p. Por lo tanto los
camiones promedio que llegarn en 30 minutos es = 30(0.04666) = 1.4
Datos: n = 30
= 1.4
P (x 3)
P ( x 3) 1 P ( x 2)
P ( x 3) 1 P ( x 0) P ( x 1) P ( x 2)
e 1.41.40
P (0,1.4) 0.2466
0!
e 1.41.41
P (1,1.4) 0.3452
1!
27
___________________________________________________________________________________________
e 1.41.4 2
P ( 2,1.4) 0.2417
2!
P ( x 3) 1 0.2466 0.3452 0.2417

P ( x 3) 1 (0.8335) 0.1665
b) Lapso de una hora.
Datos:
= 2.8
P (x 3)
P ( x 3) 1 P ( x 2)
P( x 3) 1 P( x 0) P( x 1) P( x 2)
P ( x 3) 1 (0.0608 0.1703 0.2384)
P ( x 3) 0.5305
c) Lapso de dos horas.
2.8 camiones entre una hora es igual a 2.8 que es igual a p. Entonces tenemos que
= 2.8 (2) = 5.6
Datos:
= 5.6
P (x 3)
P ( x 3) 1 P ( x 2)
P( x 3) 1 P( x 0) P( x 1) P( x 2)
P( x 3) 1 (0.0037 0.0207 0.0580)
P ( x 3) 0.9176
Ejemplo 3. Considere el caso de una compaa pesquera de la costa de Nueva

Inglaterra, la cual opera un avin de exploracin para hallar cardmenes de salmn
que se encuentran ubicados al azar en el norte del Ocano Atlntico, habiendo, en
promedio un cardumen por cada 100,000 millas cuadradas de mar. En un da
especificado, el avin puede volar 1,000 millas, explorando de modo efectivo una
distancia lateral de cinco millas del lado izquierdo y cinco del lado derecho.
Cul es la probabilidad de hallar al menos un cardumen de salmn durante tres

das de bsqueda?
Aqu tenemos que la probabilidad de encontrar cardmenes es p = 1 / 100,000 =
0.00001 de cardmenes por milla cuadrada.
El avin puede explorar una superficie de 1,000 millas por 10 de ancho por 3 das
(1000 X 10 X 3) = 30,000 millas cuadradas.
Si replanteamos la pregunta ser; cul es la probabilidad de hallar al menos un

cardumen de salmn en 30,000 millas cuadradas?
Si sabemos que = np, entonces = 30,000 (0.00001) = 0.3 y la probabilidad

requerida ser P (X 1)
28
___________________________________________________________________________________________
P ( x 1) 1 P ( x 0)
e 0.3 0.30
P ( x 1) 1
0!
P ( x 3) 1 0.7408 0.2592
Ejemplo 4. En un oleoducto ocurren dos fugas por cada 100 millas. Cul es la
probabilidad de hallar?
a) Siete fugas en un tramo de 500 millas.
La probabilidad de obtener una fuga por milla es de p = 2 / 100 = 0.02. Por lo tanto el
nmero promedio de fugas en las 500 millas ser = 500 (0.02) = 10.
Datos:
= 10
P (x = 7)
e 10107
P ( x 7) 0.0901
7!
b) Al menos 20 fugas en un tramo de 500 millas.
P ( x 20)
P ( x 20) 1 P ( x 19)
P ( x 20) 1 F (19;10)
P( x 20) 1 0.9965 0.0035
Ejemplo 5. Del primero de diciembre de 2004 al 30 de abril de 2005, en la zona norte

del Estado de Veracruz ocurrieron tres explosiones en los ductos de PEMEX. Cul
fue la probabilidad de que ocurrieran al menos dos desastres en los prximos seis
meses?
La probabilidad de obtener una explosin por mes es p = 3 / 5 = 0.6. Por lo tanto el

nmero promedio de explosiones a tener en seis meses es = 6 (0.6) = 3.6. Y la
probabilidad solicitada es P (x 2).
P( x 2) 1 P ( x 1)
P( x 2) 1 P( x 0) P( x 1)
P ( x 2) 1 (0.0273 0.0984)
P ( x 2) 0.8743
Esta es una probabilidad alta, la cual debera ser tomada muy en cuenta.
3.5.6 Ejercicios propuestos de la distribucin Poisson.
29
___________________________________________________________________________________________
1. Entre las 2 y las 4 de la tarde, el nmero promedio de llamadas telefnicas por
minuto que entran al conmutador de una empresa es de 2.5. Encuentre: a) La
probabilidad de que en un minuto haya 2 llamadas telefnicas. b) La probabilidad de
que en 2 minutos haya 3 llamadas telefnicas. Ra = 0.2565, Rb = 0.1404
2. En la inspeccin de hojalata producida por un proceso electroltico continuo, se

identifican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades
de identificar: a) Una imperfeccin en tres minutos. b) Al menos dos imperfecciones
en cinco minutos. c) Cuando ms una imperfeccin en 15 minutos. R a = 0.3293, Rb
= 0.2642 y Rc = 0.1992
3. Se sabe que el 5% de los libros encuadernados en cierto taller tienen

encuadernaciones defectuosas. Determine la probabilidad de que dos de 100 libros
encuadernados en ese taller, tengan encuadernaciones defectuosas, usando: a) La
frmula de la distribucin binomial. b) La aproximacin de Poisson a la distribucin
binomial. Ra = 0.0812 y Rb = 0.0842
4. Un fabricante de maquinaria pesada tiene instalados en el campo 3,800

generadores de gran tamao con garanta especificada. S la probabilidad de que
cualquiera de ellos falle durante el ao dado es de 2/1200, determine la probabilidad
de que: a) Cuatro generadores fallen durante el ao en cuestin. b) Que ms de un
generador falle durante el ao en cuestin.
5. En un proceso de manufactura, en el cual se producen piezas de vidrio, ocurren

defectos o burbujas, ocasionando que la pieza sea indeseable para la venta. Se sabe
que en promedio una de cada 1,000 piezas tiene una o ms burbujas. Cul es la
probabilidad de que en una muestra aleatoria de 8,000 piezas, menos de tres de
ellas tengan burbujas? R = 0.013766
6. El volcn Lakie en Islandia hizo erupcin por ltima vez en abril de 2010,
paralizando los vuelos de toda Europa y trayendo como consecuencia enormes
prdidas econmicas. Si este volcn hace erupcin en promedio una vez cada cinco
aos, obtenga:
a) La probabilidad de que haga erupcin en los prximos cinco aos.
b) La probabilidad de que haga tres o ms erupciones en los siguientes siete aos.
3.6 Aproximacin a la distribucin binomial por la Poisson.
A menudo es til aproximar una distribucin con otra, en particular cuando la

aproximacin se puede manejar con ms facilidad.
Una regla prctica aceptable al usar la distribucin Poisson para hallar

probabilidades binomiales es cuando n es grande y p pequeo, entre mayor sea n
y menor sea p, tanto mejor la aproximacin.
Ejemplo 1. Un comprador de circuitos integrados, ha puesto como poltica aceptar

un envo si se toma una muestra aleatoria de 100 circuitos provenientes del lote. Si el
comprador encuentra no ms de dos circuitos defectuosos, acepta el lote, de otra
30
___________________________________________________________________________________________
forma lo rechaza. Si se enva al comprador un lote que contiene el 1% de circuitos
defectuosos encuentre:
a) La probabilidad de que el lote sea aceptado.
Dado que n = 100 es relativamente grande y p = 0.01 es pequeo, la probabilidad

binomial puede aproximarse mediante la distribucin de Poisson, escogiendo a
= n p; en este caso = 100 (0.01) = 1.
Datos:
=1
P (x 2)
P (x 2) = F (2; 1) = 0.9197
Los clculos que tienen que realizarse para calcular esta probabilidad mediante la
distribucin binomial, cuando n = 100, p = 0.01, cuando P (x 2) son:
2
P ( x 2) Cin 0.01i 0.99ni
i 0
P ( x 2) 0.3360 0.3697 0.1849 0.9206
Valor muy parecido al calculado por la Poisson.
b) La probabilidad de que sea rechazado el lote. Para este caso la probabilidad ser
P(x > 2)
P( x 2) P( x 3) 1 P( x 2)
P ( x 2) 1 F ( 2;1)
P ( x 2) 1 0.9197 0.0803
Ejemplo 2. La probabilidad de que un remache particular en la superficie del ala de

un avin nuevo est defectuoso es 0.001, si hay 4000 remaches en el ala. Cul
ser la probabilidad de que se instalen no ms de seis remaches defectuosos?
Aqu vemos que n es grande y p es pequeo, por lo que podemos aproximar por la
Poisson utilizando a = 4000 (0.001) = 4.
Datos:
=4
P (x 6)
6
e 4 4 i
P ( x 6) F (6;4) 0.8893
i 1 i!
Ejemplo 3. Un departamento de contabilidad con 100 empleados, ha encontrado que

la probabilidad de ausencia de cualquiera de sus trabajadores en un tiempo
determinado es de p = 0.036, encuentre la probabilidad de que a lo ms cinco
empleados se ausenten durante cierta semana.
31
___________________________________________________________________________________________
Aqu suponemos que n es grande, la probabilidad de ausencia pequea y que la
ausencia de cualquier empleado es independiente de la presencia o ausencia de
cualquier otro. Aunque en ste problema la suposicin no podra ser cierta.
Datos:
= 100(0.036) = 3.6
P (x 5)
P (x 5) = F (5; 3.6)
= 0.8441
3.7 Aproximacin a la distribucin hipergeomtrica por la binomial.
En la mayora de los problemas prcticos, el tamao de la muestra es pequeo en

comparacin con el del lote, y la distribucin binomial nos da una buena
aproximacin a la distribucin hipergeomtrica. De hecho se puede demostrar que
k
P (x; n, k, N) se aproxima a P (x; n, p) cuando n y cuando p permanece
N
constante.
n
La aproximacin es excelente cuando la razn es pequea, digamos menor que
N
k
0.1 y p
N
Una regla prctica de utilizar la distribucin binomial como aproximacin a la

hipergeomtrica es solo si N 10n.
Ejemplo 1. Un lote de produccin de 200 artculos tiene ocho defectuosos, si se

selecciona una muestra aleatoria de n = 10 unidades, cul es la probabilidad de que
la muestra contenga exactamente una unidad defectuosa?
Datos:
N = 200
n = 10
k=8
P(x = 1)
Resolviendo por la distribucin hipergeomtrica tenemos:
C18C1020018
P (1;10,8,200) 0.2878
C10200
32
___________________________________________________________________________________________
n 10
Dado que 0.05 es pequeo, adems N 10n si se cumple (200 10(10)),
N 200
nos podemos aproximar por medio de la distribucin binomial, considerando a
k 8
p 0.04
N 200
10!
P (1;10,0.04) 0.0410.9610 1 0.2770
1!(10 1)!
Valor muy parecido al calculado por la distribucin hipergeomtrica.
Ejemplo 2. Se tienen 200 amas de casa de las cuales 40 prefieren el detergente A y

el resto la marca B, si se toma al azar una muestra de 12 de ellas, cul es la
probabilidad de que en la muestra, tres de ellas prefieran el detergente A?
Datos:
N = 200
n = 12
k = 40
P(x = 3)
Resolviendo por la hipergeomtrica tenemos:
C340C9160
P(3;12,40,200) 0.243614
C12200
Para la resolucin de este algoritmo nos encontramos que N es grande, lo que

ocasiona que su clculo sea un poco complicado. Dado que la condicin de que
N 10n y (200 10(12)) nos podemos aproximar por medio de la binomial,
40
definiendo a p 0.20 de la siguiente manera:
200
Datos:
n = 12
p = 0.20
q = 0.80
P(x = 3)
12!
P (3;12,0.20) 0.20 3 0.80123 0.2362
3!(12 3)!
3.8 Distribucin multinomial.
3.8.1 Introduccin.
Una generalizacin de la distribucin binomial aparece cuando cada prueba puede

tener ms de dos casos probables.
33
___________________________________________________________________________________________
Por ejemplo la produccin de un artculo se clasifica como superior, medio e inferior;
cuando la calificacin de estudiantes se juzga dando la letras A, B, C, D; o cuando un
experimento se juzga terminado con xito o inconcluso.
Para ste tipo de problemas consideremos el caso de que hay n pruebas

independientes, permitiendo en cada prueba k casos mutuamente excluyentes,
k
cuyas probabilidades respectivas son: p1, p2,..., pk, donde p
i 1
i 1
Llamando a estos casos de 1 a clase, de 2a clase,... y de k-sima clase. Nos interesa

la probabilidad P (x1, x2,..., xk) de obtener x1 casos de la 1a clase, x2 casos de la 2a
clase,..., xk casos de la k-sima clase.
El participante identificar las principales caractersticas de la distribucin Poisson.

probabilidad de sta distribucin y mediante el empleo de Excel y Minitab.

probabilidad de la distribucin Multinomial, caractersticas de esta distribucin,
resolucin de ejercicios y problemas propuestos.
3.8.2 Funcin de probabilidad e la distribucin multinomial.
La funcin de probabilidad de esta distribucin se define como:
n!
P ( x1 , x 2 ,..., x k ) p1x1 p 2x2 ... p kxk
x1!, x 2 !,..., x k !
k
Donde: x1 = 0, 1, 2,; x2 = 0, 1, 2,, xk = 0, 1, 2,; y la x
i 1
i n
3.8.3 Caractersticas de la distribucin multinomial.
k
Dentro de sus principales caractersticas podemos citar:
x
x i
i n
Al llevar a cabo un experimento con esta distribucin se esperan ms de dos tipos de
resultados.
Las probabilidades asociadas a cada uno de los resultados son constantes.

34
___________________________________________________________________________________________
Cada uno de los ensayos o repeticiones del experimento son independientes.
El nmero de repeticiones del experimento n es constante.
La media y la varianza de Xi, una componente particular son:
E ( X i ) np i V ( X ) 2 npi q i
3.8.4 Ejemplos de aplicacin de la distribucin multinomial
Ejemplo 1. Se fabrican lpices mecnicos por medio de un proceso que implica una
gran cantidad de mano de obra en las operaciones de ensamblado. ste es un
trabajo altamente repetitivo y hay un pago de incentivo. La inspeccin final ha
revelado que el 85% del producto es bueno, el 10% defectuoso pero que puede
reelaborarse y el 5% es defectuoso y se desecha. Estos porcentajes se mantienen
constantes en el tiempo.
Si se toma una muestra aleatoria de 20 lpices, hallar la probabilidad de que entre

stas 20 unidades 18 estn buenos, 2 pueden reelaborarse y 0 sean de desecho.
Datos:
n = 20, x1 = 18, x2 = 2, x3 = 0, p1 = 0.85, p2 = 0.10 y p3 = 0.05
P( xi 18, 2, 0)
20!
P (18,2,0) 0.8518 0.10 2 0.05 0 0.1019
18!2!0!
Ejemplo 2. Si las probabilidades de que en un accidente de un avin produzcan

daos menores, graves y mortales al piloto son 0.20, 0.70 y 0.10 respectivamente;
hallar la probabilidad de que en seis accidentes, el piloto sufra daos mortales en 3
de ellos, sufra daos menores en 1 y sufra daos graves en 2.
Datos:
n = 6, x1 = 1, x2 = 2, x3 = 0, p1 = 0.20, p2 = 0.70 y p3 = 0.10
P ( xi 1, 2, 3)
6!
P (1,2,3) 0.2010.70 2 0.103 0.0059
1!2!3!
Ejemplo 3. Los ladrillos de vidrio defectuosos se clasifican en una fbrica por: que
tengan rupturas, estn decolorados o ambas cosas. Si las probabilidades respectivas
son: 0.50, 0.40 y 0.10 respectivamente, hallar la probabilidad de que 6 de entre 10 de
estos ladrillos tengan rupturas, 3 estn decolorados y 1 presente ambos defectos.
Datos:
n = 10, x1 = 6, x2 = 3, x3 = 1, p1 = 0.50, p2 = 0.40 y p3 = 0.10
P ( xi 6, 3, 1)
35
___________________________________________________________________________________________
10!
P (6,3,1) 0.50 6 0.40 3 0.101 0.0838
6!3!1!
3.8.5 Ejemplos propuestos de la distribucin multinomial
1. Las probabilidades son de 0.40, 0.20, 0.30 y 0.10, respectivamente, de que un

delegado llegue por aire a una cierta convencin, llegue en autobs, en automvil o
en tren respectivamente. Cul es la probabilidad de que entre nueve delegados
seleccionados aleatoriamente en esta convencin?
a) Tres hayan llegado por aire, 3 en autobs, 1 en auto y 2 en tren. R = 0.0077

b) Cuatro hayan llegado por aire, 1 en autobs y 2 en auto. R = 0.0174
c) Cinco hayan llegado en automvil y cuatro en tren. R = 0.0000306
2. De acuerdo con la teora de la gentica, un cierto cruce de conejillo de indias

resultar en una descendencia roja, negra y blanca en la relacin 9: 4: 3. Encuentre
la probabilidad de que entre ocho descendientes:
a) Cinco sean rojos, 2 negros y uno blanco.

b) Tres sean rojos y 2 sean negros.
3. Segn una encuesta preliminar acerca del voto que los ciudadanos darn por los
candidatos para gobernador del estado se ha detectado que aproximadamente un
52% votar por el partido verde, un 40% por el partido azul y un 8% por los partidos
restantes, si se seleccionan aleatoriamente seis personas con edad de votar,
determine la probabilidad de que:
a) Dos voten por el partido verde, uno por el azul y tres por el resto de los partidos.
b) Dos voten por el partido verde y cuatro por el azul. R a = 0.0033 y Rb = 0.1038
4. Una agencia que renta automviles en un aeropuerto, tiene disponibles 5 Ford, 7

Chevrolet, 4 Dodge, 3 Datsun, y 4 Toyota. Si la agencia selecciona aleatoriamente
nueve de estos vehculos para transportar delegados desde el aeropuerto hasta el
centro de convenciones en la ciudad, encuentre la probabilidad de que utilicen: 2
Ford, 3 Chevrolet, 1 Dodge, 1 Datsun y 2 Toyota.
5. En una bodega se tienen 30 computadoras sin defectos, 3 con defectos menores y

2 con defectos mayores. Si se seleccionan cinco computadoras al azar, determine la
probabilidad de que:
a) Dos de las computadoras seleccionadas no tengan defectos y una tenga defectos

menores.
b) Tres de las computadoras seleccionadas no tengan defectos y una tenga defectos
mayores.
3.9 Distribucin geomtrica.

36
___________________________________________________________________________________________
3.9.1 Introduccin.
Esta distribucin es un caso especial de la Binomial, ya que se desea que ocurra un

xito por primera y nica vez en el ltimo ensayo que se realiza el experimento.
El participante identificar las principales caractersticas de la distribucin

geomtrica.

probabilidad de sta distribucin y mediante el empleo de Excel y Minitab.

probabilidad de la distribucin geomtrica, caractersticas de esta distribucin,
resolucin de ejercicios y problemas propuestos.
3.9.2 Funcin de probabilidad de la distribucin geomtrica.
Sea una serie de ensayos Bernoulli independientes, con probabilidad constante p de

un xito, sea que la variable aleatoria X denota el nmero de ensayos hasta que
ocurre el primer xito. Entonces X tiene una distribucin geomtrica cuya funcin de
probabilidad se denota por:
P(x) = qx-1p, para x = 1, 2,...
Donde:
P(x) = probabilidad de que ocurra un xito en el ensayo x por primera y nica vez.
p = probabilidad de xito
q = probabilidad de fracaso
3.9.3 caractersticas de la distribucin geomtrica.
El parmetro que define la funcin de distribucin de probabilidad es p.
La probabilidad de xito p es constante de prueba a prueba.
Las pruebas son independientes.
Los resultados posibles son xito o fracaso.

37
___________________________________________________________________________________________
La media de la distribucin geomtrica es E(X) = = 1 / p.
La varianza de sta distribucin es V(X) = 2 = (1 - p) / p2
3.9.4 Ejemplos de aplicacin de la distribucin geomtrica.
Ejemplo 1. Se lanza al aire una moneda cargada, ocho veces; de tal manera que la
probabilidad de que aparezca guila es de 2/3, mientras que la probabilidad de que
aparezca sello es de 1/3. Determine la probabilidad de que en el ltimo lanzamiento
aparezca un guila.
Como lo que nos interesa es que aparezcan siete sellos seguidos y por ltimo un
guila los resultados quedan de esta forma:
S S S S S S S A
S denotamos: x = 8 nmero de repeticiones del experimento necesarias para que

ocurra un xito por primera y nica vez.
p = probabilidad de que aparezca una guila = p (xito) = 2/3

q = probabilidad de que aparezca un sello = p (fracaso) = 1/3
Entonces la probabilidad buscada ser:
P (aparezca una guila en el ltimo lanzamiento) =
P(S)* P(S)* P(S)* P(S)* P(S)* P(S)* P(S)* P(A) = qx -1 p
Resolviendo el problema del ejemplo que tenemos con la funcin de probabilidad es:
Datos:
x= 8
p = 2/3
q = 1/3
P (x = 8) = (1 / 3)8 -1 (2 / 3) = 0.0003048
Ejemplo 2. Si la probabilidad de que cierto dispositivo de medicin, sufra una

desviacin excesiva es de 0.05, cul es la probabilidad de que:
a) El sexto de estos dispositivos de medicin sometidos a prueba sea el primero en

mostrar una desviacin excesiva.
Datos:
x= 6
p = 0.05
q = 0.95
P(x = 6) = (0.95)6 -1 (0.05) = 0.03869
38
___________________________________________________________________________________________
b) El quinto de estos dispositivos de medicin sometidos a prueba, sea el primero

que no muestre una desviacin excesiva.
x= 5
p = 0.95
q = 0.05
P(x = 5) = (0.05)5-1 (0.95) = 0.0000059
Ejemplo 3. Los registros de una compaa constructora de pozos, indican que la

probabilidad de que uno de sus pozos nuevos, requiera de reparaciones en el
trmino de un ao es de 0.20.
Cul es la probabilidad de que el quinto pozo construido por esta compaa en un

ao dado sea el primero en requerir reparaciones en un ao?
Datos:
x= 5
p = 0.20
q = 0.80
P (x = 5) = (0.80)5-1 (0.20) = 0.08192
Ejemplo 4. Los expedientes de una compaa de albercas indican que la

probabilidad de que una de las nuevas albercas requiera reparacin en un plazo de
un ao es 0.20. Cul ser la probabilidad de que la sexta alberca construida en un
ao determinado sea la primera en requerir reparacin en ese lapso?
Datos:
x= 6
p = 0.20
q = 0.80
P (x = 6) = (0.80)6 -1 (0.20) = 0.0655
3.9.5 Ejercicios propuestos de la distribucin geomtrica.
1. Se sabe que en cierto proceso de fabricacin, en promedio, una de cada 100

piezas est defectuosa. Cul es la probabilidad de que se inspeccionen cinco
piezas antes de encontrar la defectuosa?
2. La probabilidad de que una oblea contenga una partcula de contaminacin grande

es 0.01. Si se supone que las obleas son independientes, cul es la probabilidad de
que sea necesario analizar exactamente 125 obleas antes de detectar una partcula
grande? R = 0.0029
3. Se estima que la probabilidad de que una persona instale un telfono negro en

una casa es 0.3, cul ser la probabilidad de que el dcimo telfono instalado sea
el primer telfono negro? R = 0.0121
4. El tablero de un conmutador telefnico es de muy poca capacidad en cuanto al

tiempo de ocupado se refiere, de tal forma que las personas no pueden encontrar
39
___________________________________________________________________________________________
una lnea desocupada para sus llamadas. Puede ser de inters saber el nmero de
intentos necesarios que se requieren para tener una lnea disponible. Suponga que
p = 0.6 es la probabilidad de tener una lnea durante la mayor congestin de
llamadas. Se tiene el inters particular de saber la probabilidad de que sean
necesarios cinco intentos para lograr la comunicacin.
5. La probabilidad de que un estudiante para piloto apruebe el examen escrito para

obtener su licencia de piloto privado es de 0.77, encuentre la probabilidad de que una
persona apruebe el examen: a) En el tercer intento. b) En el quinto intento.
Apndice 3.1 Empleo del software Minitab en algunas distribuciones discretas.
Minitab puede utilizarse para obtener la probabilidad para un valor en particular

P ( X x) , as como la probabilidad acumulativa P ( X x) , stas, las proporciona
directamente. La probabilidad P ( X x) se obtiene restndole a 1 el valor obtenido
en P ( X x) .
Distribucin Binomial.
Para ilustrar el empleo de Minitab tomemos el ejemplo 1 (inciso a) de la pgina 12,

de una mquina Cartell-bill que produce engranes defectuosos. Donde la
probabilidad requerida es P ( x 2) , el tamao de muestra es 6 y la probabilidad de
xito es p = 0.05. Los pasos a seguir son los siguientes.
1. Capturar 2 (probabilidad requerida) en el primer rengln y primera columna de la

hoja de trabajo (C1).
2. Seleccione el men Calc.
3. Elegir Distribuciones de probabilidad.
4. Hacer clic en Binomial.
5. Cuando aparezca el cuadro de dilogo Distribucin Binomial.

Hacer clic en Probabilidad.
Ingresar 6 en el cuadro Nmero de ensayos.
Ingresar 0.05 en el cuadro Probabilidad del evento.
Hacer clic en el cuadro Columna de entrada.
Ingresar C1 en el cuadro Columna de entrada.
Hacer clic en Aceptar.
Minitab le da la probabilidad de 0.0305440. Esto es la probabilidad para un valor en

particular, o sea la P ( x 2) .
Obtencin de la funcin de probabilidad y la funcin de distribucin de

probabilidad para diferentes valores de la variable aleatoria X.
40
___________________________________________________________________________________________
Para ilustrar el uso de Minitab tomaremos el ejemplo de la pgina 9 donde: el tamao
de muestra es n = 6, la probabilidad de xito es p = 0.2 y las probabilidades para la
variable aleatoria son x = 0, 1, 2, 3, 4, 5, 6.
Capturar en la columna C1 y C2 de la hoja de clculo x y fx como se muestra a

continuacin.
En la columna C1 capturar las probabilidades de la variable aleatoria x.
C1 C2
x fx
1 0
2 1
3 2
4 3
5 4
6 5
7 6
4. Hacer clic en Binomial.
5. Cuando aparezca el cuadro de dilogo Distribucin Binomial.

Ingresar 6 en el cuadro Nmero de ensayos.
Ingresar C2 en el cuadro Almacenamiento opcional.
En la columna fx aparecen las probabilidades para cada valor de x. Para obtener la

funcin de distribucin de probabilidad (grfica) realice los pasos siguientes:
1. Seleccione el men Grfica.
2. Hacer clic Grfica de dispersin.
3. Cuando aparezca el cuadro de dilogo Grfica de dispersin.

Hacer clic en Simple.
4. Cuando aparezca el cuadro de dilogo Grfica de dispersin simple.

Ingresar C2 en el cuadro Variables y.
Ingresar C1 en el cuadro Variables x.
Hacer clic en Etiquetas.
5. Cuando aparezca el cuadro de dilogo Grfica de dispersin etiquetas.

41
___________________________________________________________________________________________
Capturar Funcin de distribucin de probabilidad para n = 6 y p = 0.2 en el cuadro
de Ttulo.
Hacer clic en Etiquetas de datos.
Hacer clic en Usar etiquetas de valor y.
Minitab le proporciona la grfica para cada uno de los valores de x.
De manera anloga, usted puede obtener las grficas para cualquier distribucin de
probabilidad que desee, haciendo los cambios pertinentes en funcin de dicha
distribucin.
Distribucin Hipergeomtrica.
Para ilustrar el uso de Minitab tomemos el ejemplo 4 de la pgina 21, de un

departamento de inspeccin de envos que recibe en forma peridica lotes de ejes de
bombas. Donde la probabilidad solicitada es P ( x 1) , el tamao de la poblacin es
de 100, el nmero de unidades con la caracterstica de inters es de 5 y el tamao
de la muestra es de 10.
1. Capturar 1 (probabilidad requerida) en la celda C1 de la hoja de trabajo.
4. Hacer clic en Hipergeomtrica.
5. Cuando aparezca el cuadro de dilogo Distribucin Hipergeomtrica.

Hacer clic en Probabilidad acumulada.
Ingresar 100 en el cuadro Tamao de la poblacin (N).
Ingresar 5 en el cuadro Conteo de eventos en la poblacin (M).
Ingresar 10 en el cuadro Tamao de la muestra (n).
Minitab le da la probabilidad de 0.923143. Esto es la probabilidad acumulada de que

x sea menor o igual a uno, o sea P( x 1) .
Distribucin Poisson.
Para ilustrar el uso de Minitab tomemos el ejemplo 5 de la pgina 30, sobre las
explosiones en los ductos de PEMEX. Donde la probabilidad solicitada es P( x 2) y
el promedio es = 3.6. Como Minitab no da la probabilidad mayor a un nmero,
tenemos que solicitar la probabilidad menor a ese nmero y posteriormente obtener
el complemento.
42
___________________________________________________________________________________________
Dado que la probabilidad requerida es P( x 2) , podemos obtenerla por 1 P ( x 1)

, ahora los pasos a seguir para obtener P( x 1) son:
4. Hacer clic en Poisson.
5. Cuando aparezca el cuadro de dilogo Distribucin Poisson.

Hacer clic en Probabilidad acumulada.
Ingresar 3.6 en el cuadro Media.
Minitab da la probabilidad de 0.125689, esto es la probabilidad de que P ( x 1) .

Como queremos la P( x 2) , lo que tenemos que calcular ahora es 1 P ( x 1) o
sea 1 0.125689 = 0.8744311.
Distribucin Geomtrica.
Para ilustrar el uso de Minitab tomemos el ejemplo 3 de la pgina 39, sobre una
compaa constructora de pozos. Donde la probabilidad solicitada es P ( x 5) y la
probabilidad de xito es p = 0.20.
4. Hacer clic en Geomtrica.
5. Cuando aparezca el cuadro de dilogo Distribucin Geomtrica.

Minitab da la probabilidad de 0.08192, esto es la probabilidad para un valor en

particular de que P ( x 5) .
43
___________________________________________________________________________________________
Al estar trabajando con alguna distribucin de probabilidad en particular y desea
realizar cambios en una de las celdas para obtener una nueva probabilidad, recurra
al icono Editar ltimo dilogo (Ctrl+E) de la barra de herramientas de Minitab.
Apndice 3.2 Empleo de Excel en algunas distribuciones discretas.
Distribucin Binomial.
Para ilustrar su utilizacin tomaremos el inciso a del ejemplo 1 que est en la pgina
12, de una mquina Cartell-bill que produce engranes defectuosos. Donde la
probabilidad requerida es P ( x 2) , el tamao de muestra es 6 y la probabilidad de
xito es p = 0.05. Los pasos a seguir son los siguientes.
1. Hacer clic en cualquiera de las celdas de la hoja de trabajo donde se desee el

resultado.
2. Hacer clic en Insertar funcin (fx).
3. Cuando aparezca el cuadro de dilogo Insertar funcin.

Seleccione Estadsticas en la ventana O seleccionar una categora.
Seleccione DISTR. BIMON en la ventana Seleccionar una funcin
4. Cuando aparezca el cuadro de dilogo Argumentos de funcin.

Ingresar 2 en el cuadro Nmero de xitos.
Ingresar 6 en el cuadro Ensayos.
Ingresar 0.05 en el cuadro Probabilidad de xito.
Ingresar Falso en el cuadro Acumulado.
Excel le da la probabilidad de 0.03054398 que es la probabilidad deseada, o sea la

P( x 2) .
Distribucin Hipergeomtrica.
Para el clculo de probabilidades en la distribucin Hipergeomtrica, Excel le dar

nicamente la probabilidad para un valor en particular, o se P ( X x) .
Tomaremos el ejemplo 4 de la pgina 21, de un departamento de inspeccin de

envos que recibe en forma peridica lotes de ejes de bombas. Donde la probabilidad
solicitada es P( x 1) , el tamao de la poblacin es de 100, el nmero de unidades
con la caracterstica de inters es de 5 y el tamao de la muestra es de 10.
Como Excel no proporciona probabilidades acumuladas, tenemos que sacar primero

la probabilidad P ( x 0) y posteriormente la probabilidad P ( x 1) . Para finalmente
sumar estas dos probabilidades.

44
___________________________________________________________________________________________
resultado.

Seleccione DISTR. IPERGEOM en la ventana Seleccionar una funcin

Ingresar 0 en el cuadro Muestra xito.
Ingresar 10 en el cuadro Num de muestra.
Ingresar 5 en el cuadro Poblacin xito.
Ingresar 100 en el cuadro Num de poblacin.
Excel le da la probabilidad de 0.58375237 que es la probabilidad de P ( x 0) . Ahora

vuelva a repetir todo el proceso, cambiando nicamente en el paso 4 en el cuadro
Muestra xito a 1 en lugar de cero, y la probabilidad que le dar es
P ( x 1) 0.33939091. Por lo tanto P( x 1) 0.5838 0.3394 0.9232
Distribucin Poisson.
Para ilustrar el uso de Excel tomemos el ejemplo 5 de la pgina 30, sobre las
explosiones en los ductos de PEMEX. Donde la probabilidad solicitada es P( x 2) y
el promedio es = 3.6. Como Excel no da la probabilidad mayor a un nmero,
tenemos que solicitar la probabilidad menor a ese nmero y posteriormente obtener
el complemento.
Dado que la probabilidad requerida es P( x 2) , podemos obtenerla por 1 P ( x 1)

, ahora los pasos a seguir para obtener P ( x 1) son.

resultado.

Seleccione POISSON en la ventana Seleccionar una funcin

Ingresar 1 en el cuadro x.
Ingresar 3.6 en el cuadro Media.
Ingresar verdadero en el cuadro Acumulado.
45
___________________________________________________________________________________________
Excel le da la probabilidad de 0.12568912 que es la probabilidad de P ( x 1) , por lo
tanto la probabilidad requerida P( x 2) =1 0.1257 = 0.8743.
46

Distribuciones Disc.

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Distribuciones Disc.

Diunggah oleh

Hak Cipta:

Format Tersedia

Lic.

Vicente Snchez y Ramrez

En esta unidad se realiza el estudio de ciertas distribuciones de probabilidad, con

El objetivo general de la unidad, es mostrar al alumno algunas de las distribuciones

Dentro de los objetivos particulares se contemplan:

El alumno sabr describir las caractersticas ms relevantes de las principales

El alumno sabr obtener las probabilidades para las principales distribuciones

El tema contempla el estudio de las distribuciones de probabilidad: Binomial,

3.2 Variables aleatorias

En este tema se pretende que el participante conozca las caractersticas de las

Los subtemas a tratar son: variables discretas y continuas, funcin de probabilidad,

Una variable es una caracterstica numrica de la poblacin a la que se le puede

Observe que al pasar de un valor de la escala al siguiente, utilizamos nmeros

La caracterstica bsica de las variables discretas es la igualdad entre sus

Las observaciones obtenidas a travs de variables discretas son siempre exactas si

Como ejemplos de variables discretas tenemos:

El nmero de personas en una conferencia.

Es importante sealar que as como la medida de las variables discretas es siempre

Por ejemplo si medimos la estatura de algn individuo, cualquier medida observada

La caracterstica bsica de las variables continuas es la igualdad de sus unidades

La lectura de la temperatura en un termmetro.

3.2.3 Variables aleatorias y distribuciones discretas de probabilidad.

En la mayora de los experimentos de tipo repetitivo, y sobre todo en los de la vida

Para ilustrar la nocin de una variable aleatoria, considrese el experimento de

AAA AAS ASA SAA ASS SAS SSA SSS

3.2.4 Funcin de probabilidad de la variable aleatoria X.

La funcin de probabilidad P(x) de la variable aleatoria X, proporciona la

P (0) P(X=0) = 1/8

3.2.5 Funcin de distribucin de probabilidad de la variable aleatoria X.

P Histograma Grfica de lneas

Y 0.125 0.375 x 0.125 x 2

El valor de x = 0 en las grficas debera de coincidir con el cruce de los ejes de

3.2.6 Funcin de distribucin acumulativa de la variable aleatoria X.

La funcin de distribucin acumulativa F(x), proporciona la probabilidad de que la

Del histograma anterior puede obtenerse la funcin de distribucin acumulativa de X

F (0) P(X 0) = 1/8

P (X > 2) = 1 P (X 2) = 1 F (2) = 1/8

P (X < 2) = P (X 1) = F (1) = 4/8

3.2.7 Esperanza de la variable aleatoria X.

En una poblacin, la media aritmtica es una medida de tendencia central que se

En el ejemplo que nos ocupa la media de la variable aleatoria X es:

E (x) = = 0 (1/8) + 1 (3/8) + 2 (3/8) + 3 (1/8) = 1.5

Si verificamos este valor en el histograma de la funcin de distribucin de la variable

3.2.8 Varianza y desviacin estndar de la variable aleatoria X.

En una poblacin, la varianza es una medida de dispersin que nos cuantifica el

Donde: V(X) = 2 = varianza de X.

Continuando con nuestro ejemplo la varianza de la variable aleatoria nmero de

Calculemos primero E(X2) o sea:

Si = 1.5, por lo tanto la varianza ser:

La dispersin esperada alrededor de la media es de 0.75 = guilas 2.

VX 0.75 0.866 guilas.

3.3 Distribucin binomial.

La distribucin binomial es una de las funciones discretas de probabilidad ms

Esta distribucin se utiliza cuando el experimento solo presente dos tipos de

Dentro de los objetivos particulares se encuentran:

El participante conocer las principales caractersticas de la distribucin binomial.

El participante obtendr la probabilidad de un evento empleando: la funcin de

3.3.2 Funcin de probabilidad de la distribucin binomial.

Llamemos p la probabilidad de xito cada vez que el experimento se lleva a cabo y

Suponga que el experimento se realiza n veces, y cada uno de estos es

1. Cada ensayo tiene nicamente dos resultados posibles xito y fracaso.

Ejemplo. Sea un proceso de manufactura que produce un determinado artculo, en el