You are on page 1of 22

ESTADÍSTICA I

Distribuciones Especiales Discretas


Área: Formación Básica
Programa de Coordinación: Ciencias
PLAN DE CLASE

• Motivación
• Competencias
Inicio • Saberes previos

• Distribución Binomial.
• Distribución Poisson
Construcción
• Distribución Hipergeométrica

• Retroalimentación
Cierre • Autoevaluación

Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 2


MOTIVACIÓN

Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 3


COMPETENCIAS

Calcula
probabilidades
de la
Distribución
Binomial

Usa el MINITAB
para calcular Calcula
probabilidades probabilidades
con de la
distribuciones Distribución
de probabilidad Calculo Poisson
discretas. probabilidades
de Distribuciones
Especiales

Calcula
Resuelve probabilidades
ejercicios de de la
aplicación sobre Distribución
el tema. Hiper-
geométrica

Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 4


SABERES PREVIOS

 ¿Qué es una distribución de probabilidad de una

variable aleatoria?

 ¿Qué es una distribución de probabilidad discreta?

 ¿Qué es una distribución de probabilidad continua?

Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 5


DISTRIBUCIÓN BINOMIAL

Es una distribución de probabilidad de una variable aleatoria discreta que


mide el número de éxitos en una secuencia de n ensayos de Bernoulli
independientes entre sí, con una probabilidad constante de
ocurrencia del éxito entre los ensayos.

Un ensayo de Bernoulli se caracteriza por ser dicotómico, esto es:


 Sólo son posibles dos resultados excluyentes y a uno de estos se
denomina éxito y al otro, fracaso.
 Los resultados son independientes.
 La probabilidad del éxito es constante de ensayo a ensayo.

Para determinar la probabilidad del número de éxitos se necesita:


 El número de éxitos X,
 El número de ensayos n y
 la probabilidad de éxito p.

Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 6


DISTRIBUCIÓN BINOMIAL

 Función de Probabilidad
P(X  x n, p)  C(n, x) p x (1  p)n x  0  x  n

 Función Distribución de Probabilidad


F(X)  P[X  x n, p]   x 0 C(n, x) p x (1  p)n x
n

 Esperanza de X: E(X) = np

 Varianza de X: V(X) = np(1-p)

Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 7


EJEMPLO 1

La morosidad en el pago de los clientes que hacen uso de tarjetas de


crédito es alrededor del 20%. Si se escoge al azar los estados de cuenta
de 10 clientes :
a) ¿Cuál es la probabilidad que 2 de ellas sean de clientes morosos?
b) ¿Cuál es la probabilidad que 3 o más sean de clientes morosos?
c) ¿Cuál es la probabilidad que por lo menos 6 sean de clientes al día en
sus pagos?
d) ¿Cuál es el valor esperado y la desviación estándar del número de
clientes morosos?

SOLUCIÓN
X = Número de estados de cuenta de clientes morosos.
X = { 0, 1, 2, …, 10}
n = 10 estados de cuenta de clientes escogidos al azar
p = 0,20 probabilidad que un estado de cuenta sea de un cliente moroso.

Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 8


EJEMPLO 1

SOLUCIÓN:
a) ¿Cuál es la probabilidad que 2 de ellas sean de clientes morosos?
P(X  x)  C(n, x) p x (1  p)n x P(X  2)  C(10, 2) 0,20 2 (0,80)8
P(X  2)  0,3020

b) ¿Cuál es la probabilidad que 3 o más sean de clientes morosos?


P(X  3)  1  P(X  3)
P(X  3)  1  P(X  0)  P(X  1)  P(X  2)
P(X  0)  C(10,0) 0,200 (0,80)10  0,1074
P(X  1)  C(10, 1) 0,20 (0,80)9  0,2684
P(X  2)  C(10,2) 0,20 2 (0,80)8  0,3020

P(X  3)  1  0,1074  0,2684  0,3020   1  0,6778


P(X  3)  0,3222

Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 9


EJEMPLO 1

SOLUCIÓN
c) ¿Cuál es la probabilidad que por lo menos 6 sean de clientes al día en
sus pagos?
Por lo menos 6 al día (6 o más están al día), ello significa que a lo más
4 son morosos ( 4 o menos son morosos).
P(X  4)  P(X  0)  P(X  1)  P(X  2)  P(X  3)  P(X  4)
P(X  0)  C(10,0) 0,200 (0,80)10  0,1073742
P(X  1)  C(10, 1) 0,20 (0,80)9  0,2684355
P(X  2)  C(10,2) 0,202 (0,80)8  0,3019899
P(X  3)  C(10,3) 0,203 (0,80)7  0,2013266
P(X  4)  C(10,4) 0,20 4 (0,80)6  0,0880804
P(X  4)  0,9672065

Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 10


EJEMPLO 1

SOLUCIÓN
d) ¿Cuál es el valor esperado y la desviación estándar del número de
clientes morosos?

El valor esperado de clientes morosos:

E(X) = n p = 10 (0,20) = 2 clientes morosos

La desviación estándar de clientes morosos:

DE(X)  V(X)  np(1  p)  10(0,2)(0,8)  1,2649

Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 11


DISTRIBUCIÓN POISSON

Es una distribución de probabilidad de una variable aleatoria discreta que


expresa la probabilidad que ocurra un determinado número de eventos
durante cierto segmento de tiempo o espacio, con base a una
frecuencia de ocurrencia media.

Esta distribución se utiliza:


 Cuando los sucesos son impredecibles o de ocurrencia aleatoria.
 Para determinar la probabilidad de ocurrencia de un suceso con
resultado discreto, y cuando éste se distribuye dentro de un segmento
dado como distancia, área, volumen o tiempo definido.

Un proceso de Poisson debe cumplir las siguientes características:


 Los eventos que ocurren en cierto segmento tiempo o espacio es
independiente de cualquier otro segmento de igual magnitud.
 La probabilidad de que ocurra un resultado en una fracción de un
segmento de tiempo o espacio es proporcional a la del total del
segmento de tiempo o espacio específico.
Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 12
DISTRIBUCIÓN POISSON

 Función de Probabilidad
 x e 
P(X  x  )   x  0, 1,2,...,
x!

 Función Distribución de Probabilidad


 x e 
F(X)  P  X  x     x 0

x!

 Esperanza de X: E(X) = 

 Varianza de X: V(X) = 

Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 13


EJEMPLO 2

El número de e-mails que recibe una persona en un día se puede


considerar como una variable aleatoria que se ajusta a una distribución de
Poisson que indica que una persona recibe, en promedio, 2,5 e-mails en
un día.
En ese sentido determine:
a) La probabilidad que en medio día reciba como máximo un e-mail.
b) La probabilidad de que reciba entre dos y cuatro e-mails inclusive, en
los próximos dos días
c) La probabilidad de que reciba exactamente 4 e-mail en tres días.

SOLUCIÓN:

X = El número de e-mails que recibe una persona


X = { 0, 1, 2, … }
 = 2,5 e-mails en un día
 = 1,25 e-mails en medio día
 = 5,0 e-mails en dos días
 = 7,5 e-mails en tres días

Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 14


EJEMPLO 2

SOLUCIÓN:
a) La probabilidad que en medio día reciba como máximo un e-mail.
P(X  1)  P(X  0)  P(X  1)
 x e 
P(X  x)    1,25
x!
1,250 e 1,25
P(X  0)   0,2865
0!

1,25 e 1,25
P(X  1)   0,3581
1!

P(X  1)  0,2865  0,3581


P(X  1)  0,6446

Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 15


EJEMPLO 2

SOLUCIÓN:
b) La probabilidad de que reciba entre dos y cuatro e-mails inclusive, en
los próximos dos días
P(2  X  4)  P(X  2)  P(X  3)  P(X  4)
 x e 
P(X  x)    5,0
x!
52 e 5
P(X  2)   0,0842
2!
53 e 5
P(X  3)   0,1404
3!
5 4 e 5
P(X  4)   0,1755
4!

P(2  X  4)  0,4001

Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 16


EJEMPLO 2

SOLUCIÓN:
c) La probabilidad de que reciba exactamente 4 e-mail en tres días.

7,5 4 e 7,5
P(X  4) 
4!

P(X  4)  0,0729

Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 17


DISTRIBUCIÓN HIPERGEOMÉTRICA

Es una de probabilidad de una variable aleatoria discreta relacionada con


el muestreo aleatorio sin reemplazo.
Suponga que se tiene una población de N elementos de los cuales, M
pertenecen a la categoría de los elementos denominados éxitos y N -
M a la categoría de los elementos denominados fracasos.
Esta distribución mide la probabilidad de obtener X elementos
denominados éxitos en una muestra de n elementos extraída de la
población de N elementos.
Es útil en todos aquellos casos en los que se extraigan muestras o se
realizan experiencias repetidas sin devolución del elemento extraído o sin
retornar a la situación experimental inicial.
Modela situaciones en las que se repite un número determinado de veces
una prueba dicotómica de manera que con cada sucesivo resultado se ve
alterada la probabilidad de obtener en la siguiente prueba uno u otro
resultado.

Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 18


DISTRIBUCIÓN HIPERGEOMÉTRICA

 Función de Probabilidad
C(M,x)C(N  M,n  x)
P(X  x N, M, n)   0xn
C(N,n)

 Función Distribución de Probabilidad


C(M,x)C(N  M,n  x)
F(X)  P(X  x N, M, n)   x 0
n

C(N,n)
M
 Esperanza de X: E(X)  n  
N

 M  M  N  n 
 Varianza de X: V(X)  n   1   
 N  N  N  1 

Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 19


EJEMPLO 3

De un lote de 48 automóviles de origen chino que son enviados a


distribuidores peruanos, se sabe que 12 tienen instalados radios
defectuosos. Si un distribuidor recibe 8 automóviles.
a) ¿Cuál es la probabilidad que reciba 3 con radios defectuosos?
b) ¿Cuál es la probabilidad que reciba por lo menos uno con radio
defectuoso?
c) ¿Cuántos automóviles con radio defectuoso se espera que reciba?

SOLUCIÓN:

X : Número automóviles que tienen instalados radios defectuosos


recibidos por un distribuidor.
N = 48 automóviles de origen chino que son enviados a distribuidores
peruanos
M = 12 automóviles que tienen instalados radios defectuosos.
n = 8 automóviles recibidos por un distribuidor peruano.

Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 20


EJEMPLO 3

SOLUCIÓN:
a) ¿Cuál es la probabilidad que reciba 3 con radios defectuosos?
C(M,x)C(N  M,n  x)
P(X  x) 
C(N,n)
C(12,3)C(36,5)
P(X  3)   0,219792
C(48,8)
b) ¿Cuál es la probabilidad que reciba por lo menos uno con radio
defectuoso?
P(X  1)  1  P(X  1)
P(X  1)  1  P(X  0) C(12,0)C(36,8)
P(X  0)   0,0802
C(48,8)

P(X  1)  1  0,0802  0,9198

Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 21


EJEMPLO 3

SOLUCIÓN:
c) ¿Cuántos automóviles con radio defectuoso se espera que reciba?

El número esperado de automóviles con radios defectuosos es:

M  12 
E(X)  n    8   2
N  48 

Estadística I : Distribuciones Especiales Discretas domingo, 23 de Junio de 2019 22