Vous êtes sur la page 1sur 49

Programa del Curso

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD


• Variables aleatorias. Variable aleatoria discreta: rango y distribución
de probabilidad.
Variable aleatoria continua: rango y función de densidad. Función de
distribución acumulada. Valor esperado y varianza. Propiedades.
• Experimento de Bernoulli.
Distribución Binomial.
Distribución Geométrica.
Distribución Binomial Negativa (Pascal).
Distribución Hipergeométrica.
Distribución Poisson.
Experimento de
Bernoulli
Modelo Discreto – Experimento de Bernoulli

Un experimento de Bernoulli es un experimento aleatorio con


dos únicos resultados posibles denominados:
 éxito (𝐸) o
 fracaso (𝐹).
La probabilidad de éxito:
𝑃(𝐸) = 𝑝
La probabilidad de fracaso:
𝑃(𝐹) = 1 − 𝑝
Experimento de Bernoulli - ejemplos

Lanzar un dado y observar si sale seis


𝐸 = Sale 6. Luego, 𝑃(𝐸) = 1/6

Revisar un artículo y verificar si es defectuoso en una línea de


producción que produce el 0,1% de artículos defectuosos.
𝐸 = El artículo es defectuoso. Luego, 𝑃(𝐸) = 0.001

Ofrecer una póliza de seguros a un cliente y anotar si la compra.


Por experiencia se sabe que el 5% de los clientes compra la póliza.
𝐸 = El cliente compra la póliza. Luego, 𝑃(𝐸) = 0.05
Programa del Curso

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD


• Variables aleatorias. Variable aleatoria discreta: rango y distribución
de probabilidad.
Variable aleatoria continua: rango y función de densidad. Función de
distribución acumulada. Valor esperado y varianza. Propiedades.
• Experimento de Bernoulli.
Distribución Binomial.
Distribución Geométrica.
Distribución Binomial Negativa (Pascal).
Distribución Hipergeométrica.
Distribución Poisson.
Distribución Binomial
Distribución Binomial

Un experimento binomial consiste en una serie de 𝒏


repeticiones de un experimento Bernoulli, donde 𝒏 se fija
antes de realizar el experimento.
• Las pruebas son independientes entre sí por lo que el resultado
de un intento en particular no influye en el resultado de cualquier
otro.
• La probabilidad de éxito es constante de una prueba a otra y la
denotamos como 𝒑.
𝑿 = Número de éxitos obtenidos, en 𝒏 repeticiones independientes de un
experimento de Bernoulli, con probabilidad de éxito 𝒑, 𝑿~𝐁 𝒏, 𝒑
Para cada repetición 𝒊 = 1, 2, ⋯ del experimento de Bernoulli, considere los siguientes eventos:
𝑬𝒊 = se obtuvo el éxito en la 𝑖 −ésima repetición del experimento, con 𝑃(𝑬𝒊 ) = 𝑝
𝑭𝒊 = se obtuvo el fracaso en la 𝑖 −ésima repetición del experimento, con 𝑃 𝑭𝒊 = 𝟏 − 𝒑
Evento en función de los resultados de las
Probabilidad Evento Probabilidad
repeticiones del experimento
𝑛
𝑃 𝑋=0 𝑛 fracasos 𝑭𝟏 ∩ 𝑭𝟐 ∩ … ∩ 𝑭𝒏 1−𝑝
𝑬𝟏 ∩ 𝑭𝟐 ∩ … ∩ 𝑭𝒏
∪ 𝑭𝟏 ∩ 𝑬𝟐 ∩ 𝑭𝟑 ∩ … ∩ 𝑭𝒏
1 éxito y 𝑛−1
𝑃 𝑋=1 ⋮ 𝑛 𝑝 1−𝑝
𝑛 − 1 fracasos
∪ 𝑭𝟏 ∩ … ∩ 𝑭𝒏−𝟐 ∩ 𝑬𝒏−𝟏 ∩ 𝑭𝒏
∪ 𝑭𝟏 ∩ … ∩ 𝑭𝒏−𝟏 ∩ 𝑬𝒏

𝑬𝟏 ∩ ⋯ ∩ 𝑬𝒙 ∩ 𝑭𝒙+𝟏 ∩ ⋯ ∩ 𝑭𝒏
𝑥 éxitos y 𝑛
𝑃 𝑋=𝑥 ⋮ 𝑝𝑥 1 − 𝑝 𝑛−𝑥
𝑛 − 𝑥 fracasos 𝑥
∪ 𝑭𝟏 ∩ ⋯ ∩ 𝑭𝒏−𝒙 ∩ 𝑬𝒏−𝒙+𝟏 ∩ ⋯ ∩ 𝑬𝒏

𝑛 éxitos y
𝑃 𝑋=𝑛 𝑬𝟏 ∩ 𝑬𝟐 ∩ … ∩ 𝑬𝒏 𝑝𝑛
0 fracasos
Distribución Binomial
Se define la variable aleatoria binomial 𝑿 como el número de éxitos observados en un
experimento binomial, el cual es compuesto por 𝒏 repeticiones independientes de un
experimento de Bernoulli con probabilidad de éxito 𝒑, es decir:
𝑿 = Número de éxitos obtenidos, en 𝒏 repeticiones independientes de un experimento de
Bernoulli con probabilidad de éxito 𝒑.
La función de probabilidad de la v.a. binomial 𝑿 es:

𝑛
𝑓 𝑥 =𝑃 𝑋=𝑥 = 𝑝𝑥 1 − 𝑝 𝑛−𝑥 , 𝑥 = 0, ⋯ , 𝑛
𝑥

Se denota 𝐗~𝐁 𝒏, 𝒑 y se lee que la variable aleatoria 𝑿 sigue una distribución binomial
con parámetros 𝒏 y 𝒑.
Media 𝝁𝑿 = 𝒏𝒑 Varianza 𝝈𝟐𝑿 = 𝒏𝒑 𝟏 − 𝒑
Distribución Binomial
n=1 n=2 n=3 n=4 n=5
0.6 0.6 0.4 0.4 0.4

0.4 0.4
0.2 0.2 0.2
0.2 0.2

0 0 0 0 0
Si p = 0.5
n=6 n=7 n=8 n=9 n=10
0.4 0.3 0.3 0.3 0.3

0.2 0.2 0.2 0.2


0.2
0.1 0.1 0.1 0.1

0 0 0 0 0

Si p = 0.35
Ejemplos de V.A. Distribución Binomial
Los siguientes son ejemplos de variables binomiales:
𝑋1 = Número de artículos defectuosos en un lote de 500
𝑛 = 500 𝐸 = artículo defectuoso 𝑃 𝐸 = 0.001
⟹ 𝑋1 ~ 𝐵(𝑛 = 500, 𝑝 = 0.001)

𝑋2 = Número de clientes que compran una póliza de seguro de vida de 20 visitados


𝑛 = 20 𝐸 = cliente compra la póliza 𝑃 𝐸 = 0.08
⟹ 𝑋2 ~ 𝐵(𝑛 = 20, 𝑝 = 0.08)

𝑋3 = Número de solicitudes de crédito hipotecario aprobadas de 15 evaluadas


𝑛 = 15 𝐸 = crédito aprobado 𝑃 𝐸 = 0.68
⟹ 𝑋3 ~ 𝐵(𝑛 = 15, 𝑝 = 0.68)
Ejemplo - Hojas con defectos en el teñido
En un proceso de fabricación artesanal de papel reciclado se estima, por experiencia
anterior, que el 3% de las hojas de papel producidas presentan defectos en el teñido.
Las hojas de papel se empacan en cajas de 50 unidades.
𝑬 = Hoja de papel tiene defecto, 𝑃(𝑬) = 0.03,
𝒏 = 50 y 𝑿 = número de hojas con defectos en el teñido en la caja de 50 hojas de
papel reciclado, con 𝑿~𝑩(𝒏 = 50, 𝒑 = 0.03), 𝑿 = 0, 1, … , 50
Si usted ha comprado una de estas cajas, calcule la probabilidad de:
𝐴 = ninguna de las hojas presente defectos en el teñido
50
𝑃 𝐴 =𝑃 𝑋=0 = 0.030 0.9750 = 0.218
0

Interpretando: La probabilidad de que ninguna hoja presente defectos en el teñido


es 0.218
Ejemplo - Hojas con defectos en el teñido
En un proceso de fabricación artesanal de papel reciclado se estima, por experiencia
anterior, que el 3% de las hojas de papel producidas presentan defectos en el teñido.
Las hojas de papel se empacan en cajas de 50 unidades.
𝑬 = Hoja de papel tiene defecto, 𝑃(𝑬) = 0.03,
𝒏 = 50 y 𝑿 = número de hojas con defectos en el teñido en la caja de 50 hojas de
papel reciclado, con 𝑿~𝑩(𝒏 = 50, 𝒑 = 0.03), 𝑿 = 0, 1, … , 50
Si usted ha comprado una de estas cajas, calcule la probabilidad de:
𝐵 = la caja contenga exactamente tres hojas con defectos en el teñido
50
𝑃 𝐵 =𝑃 𝑋=3 = 0.033 0.9747 = 0.126
3

Interpretando: La probabilidad de que la caja contenga exactamente tres hojas con


defectos en el teñido es 0.126
Ejemplo - Hojas con defectos en el teñido
En un proceso de fabricación artesanal de papel reciclado se estima, por experiencia
anterior, que el 3% de las hojas de papel producidas presentan defectos en el teñido.
Las hojas de papel se empacan en cajas de 50 unidades.
𝑬 = Hoja de papel tiene defecto, 𝑃(𝑬) = 0.03,
𝒏 = 50 y 𝑿 = número de hojas con defectos en el teñido en la caja de 50 hojas de
papel reciclado, con 𝑿~𝑩(𝒏 = 50, 𝒑 = 0.03), 𝑿 = 0, 1, … , 50
Si usted ha comprado una de estas cajas, calcule la probabilidad de:
𝐶 = la caja contenga a lo más dos hojas con defectos en el teñido
𝑃 𝐶 =𝑃 𝑋 ≤2 =𝑃 𝑋 =0 +𝑃 𝑋 =1 +𝑃 𝑋 =2
2
50
=෍ 0.03𝑥 0.9750−𝑥 = 0.811
𝑥
𝑥=0
Interpretando: La probabilidad de que la caja contenga a lo más dos hojas con
defectos en el teñido es 0.811
Ejemplo - Hojas con defectos en el teñido
En un proceso de fabricación artesanal de papel reciclado se estima, por experiencia
anterior, que el 3% de las hojas de papel producidas presentan defectos en el teñido.
Las hojas de papel se empacan en cajas de 50 unidades.
𝑬 = Hoja de papel tiene defecto, 𝑃(𝑬) = 0.03,
𝒏 = 50 y 𝑿 = número de hojas con defectos en el teñido en la caja de 50 hojas de
papel reciclado, con 𝑿~𝑩(𝒏 = 50, 𝒑 = 0.03), 𝑿 = 0, 1, … , 50
Si usted ha comprado una de estas cajas, calcule la probabilidad de:
𝐷 = la caja contenga al menos una hoja con defectos en el teñido
𝑃 𝐷 =𝑃 𝑋 ≥1 =1−𝑃 𝑋 =0
50
=1− 0.030 0.9750 = 1 − 0.218 = 0.7819
0
Interpretando: La probabilidad de que la caja contenga al menos una hoja con
defectos en el teñido es 0.811
Ejercicio – Encuestadora en área rural
Una encuestadora va a entrevistar 30 personas seleccionadas al azar de un área rural.
Se sabe que una de cada cuatro personas de la zona rural está indocumentada.
𝑬 = Encuestado indocumentado, 𝑃(𝑬) = 0.25, 𝒏 = 30
𝑿 = número de personas indocumentadas, de las 30 encuestadas
 𝑿 ~ 𝐵(𝒏 = 30, 𝒑 = 0.25), 𝑿 = 0, 1, … , 30

Determine la función de distribución acumulada del número de encuestados


indocumentados de los 30 seleccionados:
30
𝐹𝑋 𝑥 = 𝑃 𝑋 ≤ 𝑥 = σ𝑥𝑖=0 0.25𝑖 0.7530−𝑖 , 𝑥 = 0, 1, ⋯ , 30
𝑖
Ejercicio – Encuestadora en área rural
Una encuestadora va a entrevistar 30 personas seleccionadas al azar de un área rural.
Se sabe que una de cada cuatro personas de la zona rural está indocumentada.
𝑬 = Encuestado indocumentado, 𝑃(𝑬) = 0.25, 𝒏 = 30
𝑿 = número de personas indocumentadas, de las 30 encuestadas
 𝑿 ~ 𝐵(𝒏 = 30, 𝒑 = 0.25), 𝑿 = 0, 1, … , 30

𝐴 =Probabilidad de que, de los 30 entrevistados, 5 o 6 estén indocumentados:


𝑃 𝐴 =𝑃 𝑋 =5 +𝑃 𝑋 =6
30 30
= 0.255 0.7525 + 0.256 0.7524 = 0.2502
5 6
Interpretando: Probabilidad de que de los 30 entrevistados, 5 o 6 estén
indocumentados es 0.2502
Ejercicio – Encuestadora en área rural
Una encuestadora va a entrevistar 30 personas seleccionadas al azar de un área rural.
Se sabe que una de cada cuatro personas de la zona rural está indocumentada.
𝑬 = Encuestado indocumentado, 𝑃(𝑬) = 0.25, 𝒏 = 30
𝑿 = número de personas indocumentadas, de las 30 encuestadas
 𝑿 ~ 𝐵(𝒏 = 30, 𝒑 = 0.25), 𝑿 = 0, 1, … , 30

Se espera encontrar cuantos indocumentados en 30 seleccionados?


𝐸 𝑋 = 𝑛 𝑝 = 30 × 0.25 = 7.5

Respuesta: Entre 30 entrevistados, se espera encontrar entre 7 y 8 indocumentados


Ejercicio – Encuestadora en área rural
Una encuestadora va a entrevistar 30 personas seleccionadas al azar de un área rural.
Se sabe que una de cada cuatro personas de la zona rural está indocumentada.
𝑬 = Encuestado indocumentado, 𝑃(𝑬) = 0.25, 𝒏 = 30
𝑿 = número de personas indocumentadas, de las 30 encuestadas
 𝑿 ~ 𝐵(𝒏 = 30, 𝒑 = 0.25), 𝑿 = 0, 1, … , 30

𝐵 = Solo el segundo entrevistado esté indocumentado

𝑃 𝐵 = 0.75 × 0.25 × 0.75 × ⋯ × 0.75


= 0.25 × 0.7529 = 0.00005953

Interpretando: La probabilidad de que solo el segundo entrevistado esté


indocumentado es 0.00005952
Tarea – Requerimiento de examen de laboratorio
Un médico estima que el 42% de los pacientes que atiende diariamente
requiere algún examen de laboratorio.
Si en un día en particular el médico debe atender 18 pacientes, estime la
probabilidad de que menos de siete de ellos requieran algún examen de
laboratorio.
a) Cuál es la función de probabilidad del número de pacientes que se les
requerirá algún examen de laboratorio?
b) Cual es la probabilidad de que menos de 7 requieran algún examen?
Tarea – Garantía en caja de 12 artículos
Se sabe que la probabilidad de que un artículo producido por una cierta
empresa sea defectuoso es de 0.01, independientemente de los otros.
Los artículos se venden en cajas de 12 unidades y tienen una garantía de
reemplazo por una caja nueva si se encuentra más de un artículo
defectuoso.
a) Calcule la probabilidad que la garantía aplique en una de estas cajas.
b) Si se venden 4 de estas cajas, calcule la probabilidad que la garantía
sea aplicada solamente en una de estas cajas.
c) Si se venden 1000 de estas cajas, calcule el número esperado de cajas
en que se aplicaría la garantía.
Tarea – Garantía en caja de 12 artículos
Se sabe que la probabilidad de que un artículo producido por una cierta empresa sea defectuoso es de
0.01, independientemente de los otros.
Los artículos se venden en cajas de 12 unidades y tienen una garantía de reemplazo por una caja nueva
si se encuentra más de un artículo defectuoso.
a) Calcule la probabilidad que la garantía aplique en una de estas cajas.
Sea el evento 𝐸 = El articulo seleccionado es defectuoso, con 𝑃 𝐸 = 0.01.
Si en una caja hay 12 artículos y definimos 𝑋 = La cantidad de estos artículos que presentan defectos, entonces:

𝑋~𝐵 𝑛 = 12, 𝑝 = 0.01


Por tanto:
𝑃 𝑋 = 𝑥 = 𝐶𝑥12 𝑝 𝑥 1 − 𝑝 12−𝑥 ,
𝑥 = 0,1, … , 12
Se pide 𝑃 𝑋 > 1 :
𝑃 𝑋 >1 =1−𝑃 𝑋 =1 −𝑃 𝑋 =0
= 1 − 𝐶112 𝑝1 1 − 𝑝 11 − 𝐶012 𝑝0 1 − 𝑝 12
= 0.00617454
Interpretando: Significa que la probabilidad de que la garantía se aplique en una de estas cajas es 0.00617454.
En otras palabras, se estima que la garantía se aplicaría en 6 de cada 1000 cajas.
Tarea – Garantía en caja de 12 artículos
Se sabe que la probabilidad de que un artículo producido por una cierta empresa sea defectuoso es de
0.01, independientemente de los otros.
Los artículos se venden en cajas de 12 unidades y tienen una garantía de reemplazo por una caja nueva
si se encuentra más de un artículo defectuoso.
b) Si se venden 4 de estas cajas, calcule la probabilidad que la garantía sea aplicada solamente en una
de estas cajas.
Sea el evento 𝐹 = Se le aplica la garantía a la caja seleccionada, con P 𝐹 = 0.00617454.
Si tenemos 4 cajas y definimos 𝑌 = La cantidad de cajas a las que se les aplica la garantía, entonces:

𝑌~B n = 4, p = 0.00617454
Por tanto:
P 𝑌 = 𝑦 = Cy4 p 𝑦 1 − p 4−𝑦 ,
𝑦 = 0, 1, 2 , 3, 4
Se pide 𝑃 𝑌 = 1 :
𝑃 𝑌 = 1 = 𝐶14 𝑝1 1 − 𝑝 3 = 0.024243471

Interpretando: Significa que la probabilidad de que la garantía se aplique en una de 4 cajas es 𝟎. 𝟎𝟐𝟒𝟐𝟒𝟑𝟒𝟕𝟏.
Tarea – Garantía en caja de 12 artículos
Se sabe que la probabilidad de que un artículo producido por una cierta empresa sea defectuoso es de
0.01, independientemente de los otros.
Los artículos se venden en cajas de 12 unidades y tienen una garantía de reemplazo por una caja nueva
si se encuentra más de un artículo defectuoso.
c) Si se venden 1000 de estas cajas, calcule el número esperado de cajas en que se aplicaría la
garantía.
Continuando con el evento 𝐹 = Se le aplica la garantía a la caja seleccionada, con P F = 0.00617454.
Si tenemos 1000 cajas y definimos 𝑍 = La cantidad de cajas a las que se les aplica la garantía, entonces:
𝑍~B n = 1000, p = 0.00617454
Por tanto:
P Z = z = Cz1000 pz 1 − p 1000−z , z = 0, 1, … , 1000
Se pide 𝐸 𝑌 :
𝐸 𝑍 = 𝑛 × 𝑝 = 1000 × 0.00617454 = 6.17454

Interpretando: Entre las 𝟏𝟎𝟎𝟎 cajas compradas, se espera que a 6 de ellas se les aplique la garantía.
Programa del Curso

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD


• Variables aleatorias. Variable aleatoria discreta: rango y distribución
de probabilidad.
Variable aleatoria continua: rango y función de densidad. Función de
distribución acumulada. Valor esperado y varianza. Propiedades.
• Experimento de Bernoulli.
Distribución Binomial.
Distribución Geométrica.
Distribución Binomial Negativa (Pascal).
Distribución Hipergeométrica.
Distribución Poisson.
Distribución Geométrica
𝑿 = Número de ensayos de Bernoulli realizados hasta obtener
el primer éxito, 𝑿~𝑮(𝒑)
Para cada repetición 𝒊 = 1, 2, ⋯ del experimento de Bernoulli, considere los siguientes eventos :
𝑬𝒊 = se obtuvo el éxito en la 𝑖 −ésima repetición del experimento, con 𝑃(𝑬𝒊 ) = 𝑝
𝑭𝒊 = se obtuvo el fracaso en la 𝑖 −ésima repetición del experimento, con 𝑃 𝑭𝒊 = 𝟏 − 𝒑

Eventos del experimento compuesto


Probabilidad Evento Probabilidad
geométrico
Éxito a la
𝑃 𝑋=1 𝑬𝟏 𝑝
primera
1° fracaso y
𝑃 𝑋=2 𝑭𝟏 ∩ 𝑬 𝟐 1−𝑝 𝑝
2° éxito

𝑥 − 1 fracasos y 𝑥−1
𝑃 𝑋=𝑥 𝑭𝟏 ∩ … ∩ 𝑭𝒙−𝟏 ∩ 𝑬𝒙 1−𝑝 𝑝
1 éxito

Distribución Geométrica
Suponga que se repiten en forma independiente una serie de ensayos de Bernoulli con
probabilidad 𝒑 de obtener el éxito. Si definimos la v.a.
𝑿 = Número de ensayos hasta obtener el primer éxito
Entonces se dice que 𝑿 es una variable aleatoria con distribución geométrica, y su
función de probabilidad viene dada por:
𝑓𝑋 𝑥 = 𝑝 1 − 𝑝 𝑥−1 , si 𝑥 = 1, 2, ⋯

Se denota 𝑿 ~ 𝐺 (𝒑) y se lee 𝑿 sigue una distribución geométrica con parámetro 𝒑.


1 𝟐 1−𝑝
𝝁𝑿 = 𝐸 𝑋 = 𝝈𝑿 = 𝑉 𝑋 = 2
𝑝 𝑝

Función de Distribución Acumulada Propiedad de falta de memoria


𝐹𝑋 𝑥 = 1 − 1 − 𝑝 𝑥 𝑃 𝑋 > 𝑚 + 𝑘 / 𝑋 > 𝑚 = 𝑃(𝑋 > 𝑘)
Distribución Geométrica - Ejemplo
Se sabe que la probabilidad de que ocurra al menos una inundación que puede causar daños
importantes a la infraestructura de una ciudad en un cierto año es de 0.05.
Asumiendo que existe independencia entre la ocurrencia de los años:
a) Calcule el número promedio de años hasta que ocurra una inundación que cause daños
importantes a una ciudad.
b) Calcule la probabilidad de que el tercer año ocurra por vez primera una inundación que cause
daños importantes a una ciudad.
c) Si han pasado dos años sin que ocurra una inundación, calcule la probabilidad que pasen dos
años más antes de que ocurra una inundación que cause daños importantes a una ciudad.
Programa del Curso

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD


• Variables aleatorias. Variable aleatoria discreta: rango y distribución
de probabilidad.
Variable aleatoria continua: rango y función de densidad. Función de
distribución acumulada. Valor esperado y varianza. Propiedades.
• Experimento de Bernoulli.
Distribución Binomial.
Distribución Geométrica.
Distribución Binomial Negativa (Pascal).
Distribución Hipergeométrica.
Distribución Poisson.
Distribución Binomial
Negativa
(Pascal)
𝑿~𝑩𝑵 𝒓, 𝒑 , 𝑿 = Número de ensayos hasta obtener 𝒓 éxitos
Para cada repetición del experimento de Bernoulli, considere los siguientes eventos:
𝑬𝒊 = se obtuvo el éxito en la 𝑖 −ésima repetición del experimento, con 𝑃(𝑬𝒊 ) = 𝑝
𝑭𝒊 = se obtuvo el fracaso en la 𝑖 −ésima repetición del experimento, con 𝑃 𝑭𝒊 = 𝟏 − 𝒑

Probabilidad Evento Eventos del experimento compuesto geométrico Probabilidad

𝒓 éxitos en las 𝒓 primeras


𝑃(𝑋 = 𝑟) (𝑬𝟏 ∩ 𝑬𝟐 ∩ ⋯ ∩ 𝑬𝒓−𝟏 ) ∩ 𝑬𝒓 𝑝𝑟
repeticiones
𝑬𝟏 ∩ ⋯ ∩ 𝑬𝒓−𝟏 ∩ 𝑭𝒓 ∩ 𝑬𝒓+𝟏
𝒓 − 𝟏 éxitos, 𝟏 fracaso
𝑃(𝑋 = 𝑟 + 1) ⋮ 𝑟 𝑝𝑟−1 1 − 𝑝 𝑝
y 1 éxito al final
∪ 𝑭𝟏 ∩ 𝑬𝟐 ∩ ⋯ ∩ 𝑬𝒓 ∩ 𝑬𝒓+𝟏

𝑬𝟏 ∩ ⋯ ∩ 𝑬𝒓−𝟏 ∩ 𝑭𝒓 ∩ ⋯ ∩ 𝑭𝒓+𝒌−𝟏 ∩ 𝑬𝒓+𝒌
𝒓 − 𝟏 éxitos, 𝒌 fracasos, 𝑟−1+𝑘
𝑃(𝑋 = 𝑟 + 𝑘) ⋮ 𝑝𝑟−1 1 − 𝑝 𝑘
𝑝
y 1 éxito al final 𝑟−1
∪ 𝑭𝟏 ∩ ⋯ ∩ 𝑭𝒌 ∩ 𝑬𝒌+𝟏 ∩ ⋯ ∩ 𝑬𝒓+𝒌−𝟏 ∩ 𝑬𝒓+𝒌
𝒓 − 𝟏 éxitos, 𝒙 − 𝒓 𝑬𝟏 ∩ ⋯ ∩ 𝑬𝒓−𝟏 ∩ 𝑭𝒓 ∩ ⋯ ∩ 𝑭𝒙−𝟏 ∩ 𝑬𝒙
𝑥−1
𝑃(𝑋 = 𝑥) fracasos, ⋮ 𝑝𝑟−1 1 − 𝑝 𝑥−𝑟
𝑝
y 1 éxito al final ∪ 𝑭𝟏 ∩ ⋯ ∩ 𝑭𝒙−𝒓 ∩ 𝑬𝒙−𝒓+𝟏 ∩ ⋯ ∩ 𝑬𝒙−𝟏 ∩ 𝑬𝒙
𝑟−1


𝒙=𝒓+𝒌  𝒌=𝒙−𝒓
Distribución Binomial Negativa (Pascal)
Suponga que se repiten en forma independiente ensayos de Bernoulli con
probabilidad 𝒑 de obtener éxito. Si definimos la v.a.
𝑿 = Número de ensayos hasta obtener el 𝒓 −ésimo éxito
Entonces se dice que X es una variable aleatoria con distribución Binomial
Negativa, y su función de probabilidad viene dada por:
𝑥−1 𝑟 𝑥−1
𝑓𝑋 𝑥 = 𝑝 1−𝑝 , si 𝑥 = 𝑟, 𝑟 + 1, 𝑟 + 2, ⋯
𝑟−1
Se denota 𝑿 ~ 𝐵𝑁 (𝒓 , 𝒑) y se lee 𝑿 sigue una distribución binomial negativa con
parámetros 𝒓 y 𝒑.
𝑟 1−𝑝
𝝁𝑿 = 𝐸 𝑋 = 𝝈𝟐𝑿 = 𝑉 𝑋 =𝑟
𝑝 𝑝2
Tarea – Control de calidad de componentes
Un componente electrónico tiene una probabilidad de 0.90 de pasar un
control de calidad. Se puede asumir que existe independencia entre los
resultados del control de calidad de diferentes componentes electrónicos.
a) Calcule la probabilidad que sea necesario revisar 5 componentes para
obtener que 3 pasen el control de calidad.
b) Calcule el número promedio de revisiones hasta encontrar 3
componentes que pasen el control de calidad.
Programa del Curso

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD


• Variables aleatorias. Variable aleatoria discreta: rango y distribución
de probabilidad.
Variable aleatoria continua: rango y función de densidad. Función de
distribución acumulada. Valor esperado y varianza. Propiedades.
• Experimento de Bernoulli.
Distribución Binomial.
Distribución Geométrica.
Distribución Binomial Negativa (Pascal).
Distribución Hipergeométrica.
Distribución Poisson.
Distribución
Hipergeométrica
𝑵

𝑛 =𝑟 𝑛 =𝑁−𝑟

𝑛 =𝑥 𝑛 =𝑛−𝑥
𝒏
𝑁
𝑟
𝑁−𝑟
Distribución Hipergeométrica 𝑛−𝑥
𝑥
𝑛
Un experimento hipergeométrico consiste en extraer al azar y sin
sustitución 𝒏 elementos de un conjunto de 𝑵 elementos,
de los cuales 𝒓 son éxitos y 𝑵 − 𝒓 son fracasos.
Se define la v.a. hipergeométrica como:
𝑿 = número de éxitos observados, al seleccionar 𝒏 elementos).
La función de probabilidad de la variable 𝑿 es:

𝑟 𝑁−𝑟
𝑥 𝑛−𝑥
𝑓 𝑥 =𝑃 𝑋=𝑥 = , 𝑅𝑋 = 𝑚𝑎𝑥 0, 𝑛 + 𝑟 − 𝑁 , ⋯ , 𝑚𝑖𝑛 𝑛, 𝑟
𝑁
𝑛
Se denota 𝑿~ 𝐻 (𝑵, 𝒓, 𝒏), y se lee que la variable aleatoria 𝑿 sigue una distribución
hipergeométrica con parámetros 𝑵, 𝒓 y 𝒏.
𝒓 𝒓 𝒓 𝑵−𝒏
Media 𝝁𝑿 = 𝒏 Varianza 𝝈𝟐𝑿 = 𝒏 𝟏−
𝑵 𝑵 𝑵 𝑵−𝟏
Ejemplo – Dopaje en el fútbol
En un equipo de fútbol hay 18 jugadores de los cuales cuatro consumen sustancias
prohibidas. Calcule la probabilidad de detectar al menos uno de los jugadores que usan
sustancias prohibidas, si la directiva del club ha realizado una prueba antidoping a dos
jugadores.
𝑿 = número de jugadores con substancias prohibidas
 𝑿 = 𝟎, 𝟏, 𝟐 con: 𝑿~𝑯(𝑵 = 𝟏𝟖, 𝒓 = 𝟒, 𝒏 = 𝟐)

𝐴 = detectar al menos uno de los jugadores que usan sustancias prohibidas, si la directiva
del club ha realizado una prueba antidoping a dos jugadores.
4 14
0 2
𝑃 𝐴 =𝑃 𝑋 ≥1 =1−𝑃 𝑋 =0 =1− 18 = 0.41
2
Interpretando: Probabilidad de que detectar al menos uno de los jugadores que usan
sustancias prohibidas, si se realiza una prueba antidoping a dos jugadores es 0.41
Ejercicio - Máquinas
En un taller hay tres tipos de máquinas: 𝐴, 𝐵 y 𝐶. De las 20 del tipo 𝐴, 4 están malogradas; de las 15 del
tipo 𝐵, 2 están malogradas; y de las 10 del tipo 𝐶, 3 están malogradas. Se escoge al azar y de manera
independiente una máquina de cada tipo. Si la variable 𝑿 es igual al número de máquinas malogradas
escogidas, encontrar la media y la desviación estándar de la variable 𝑿.

𝑿𝐴 = número de máquinas del tipo 𝐴 malogradas, con 𝑿𝑨 = 0, 1 y 𝑿𝐴 ∼ 𝐻 𝑁 = 20, 𝑟 = 4, 𝑛 = 1

𝑿𝐵 = número de máquinas del tipo 𝐵 malogradas, con 𝑿𝑩 = 0, 1 y 𝑿𝐵 ∼ 𝐻 𝑁 = 15, 𝑟 = 2, 𝑛 = 1

𝑿𝐶 = número de máquinas del tipo 𝐶 malogradas, con 𝑿𝑪 = 0, 1 y 𝑿𝐶 ∼ 𝐻 𝑁 = 10, 𝑟 = 3, 𝑛 = 1

𝑿 = 𝑿𝐴 + 𝑿𝐵 + 𝑿𝐶
4 2 3
⇒ 𝐸 𝑿 = 𝐸 𝑿 𝐴 + 𝑿𝐵 + 𝑿𝐶 = 𝐸 𝑿𝐴 + 𝐸 𝑿𝐵 + 𝐸 𝑿𝐶 = + + = 0.63
20 15 10
4 16 2 13 3 7
⇒ 𝑉 𝑿 = 𝑉 𝑿 𝐴 + 𝑿𝐵 + 𝑿𝐶 = 𝑉 𝑿𝐴 + 𝑉 𝑿𝐵 + 𝑉 𝑿𝐶 = + + = 0.4855
20 20 15 15 10 10

⇒ 𝝈𝑿 = 0.6968
Ejemplo – Empresas morosas con la SUNAT
En cierta ciudad hay un total de 𝑵 empresas que están en condición de morosas con la
SUNAT. Un inspector tiene una base de datos con 10 registros de empresas morosas y
un colega suyo toma una muestra al azar de 8 empresas morosas y encuentra que 𝑿 de
ellas ya figuran en la base.
𝛀 = empresas morosas, con 𝑛(𝛀) = 𝑵, de las cuales 𝒓 = 10 están en la base
𝒏 (𝑚𝑢𝑒𝑠𝑡𝑟𝑎) = 8, 𝑿 = número de empresas morosas que están en la base
 𝑿 = 𝟎, 𝟏, … , 𝟖 , con: 𝑿~𝑯(𝑵, 𝒓 = 𝟏𝟎, 𝒏 = 𝟖)

Si resultó 𝒙 = 2 y Ud. sabe que 𝑵 vale 40 o 20, Cual valor escogería?


10 𝑁−10
𝑥 8−𝑥 Si 𝑵 = 20, 𝑃(𝒙 = 2) = 0.075
𝑃 𝑋=𝑥 = ⟹ቊ
𝑁
8
Si 𝑵 = 40, 𝑃(𝒙 = 2) = 0.347
Respuesta: escogería 𝑵 = 40, pues la probabilidad es mayor!
Tarea - Almacén

Un almacén cuenta con un stock de 12 productos, de los


cuales 3 tienen pasada su fecha de vencimiento, pero el
almacenero lo desconoce. Si ante un pedido de 4 de estos
productos el almacenero los elige al azar,
a) Halle la función de probabilidad y la función de distribución
acumulada del número de productos vencidos que él
seleccionará para el pedido.
b) Grafique ambas funciones.
c) Halle e interprete la media y la desviación estándar.
Programa del Curso

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD


• Variables aleatorias. Variable aleatoria discreta: rango y distribución
de probabilidad.
Variable aleatoria continua: rango y función de densidad. Función de
distribución acumulada. Valor esperado y varianza. Propiedades.
• Experimento de Bernoulli.
Distribución Binomial.
Distribución Geométrica.
Distribución Binomial Negativa (Pascal).
Distribución Hipergeométrica.
Distribución Poisson.
Distribución Poisson
Proceso de Poisson
Proceso de Poisson - ejemplos
Distribución de Poisson
Consideremos un proceso de Poisson con tasa de ocurrencia 𝝀 por unidad de tiempo o
espacio. Si definimos la v.a.
𝑿 = Número de eventos en un intervalo de tamaño 𝒕
Entonces se dice que 𝑿 es una variable aleatoria con distribución de Poisson, y su función
de probabilidad viene dada por:
𝑒 −𝜇 𝜇𝑥
𝑓𝑋 𝑥 = , 𝑥 = 0, 1, 2, ⋯ , donde: 𝝁 = 𝝀𝒕
𝑥!

Se denota X ~ 𝒫(𝝁) y se lee X sigue una distribución de Poisson, con parámetro 𝝁 = 𝝀𝒕,
donde 𝝀 es la tasa de ocurrencia por unidad de tiempo.
𝜇𝑋 = 𝐸 𝑋 = 𝝁 = 𝝀𝒕 𝜎𝑋2 = 𝑉 𝑋 = 𝝁 = 𝝀𝒕
Ejemplo - Terremotos
Se asume que la ocurrencia de terremotos siguen un proceso de Poisson en el
tiempo. Se asume que ocurre un terremoto cada 20 años
1
⟹ Tasa de ocurrencia: 𝝀 =
20
1
𝑿 = Número de terremotos en un intervalo de tamaño 𝒕 , 𝑿~𝑃 (𝝁 = 𝑡)
20

a) Calcule el número esperado de terremotos en un período de 100 años:


1
𝐸 𝑋 = 𝜇 = 𝜆𝑡 = 100 = 5 terremotos
20

Respuesta: En un período de 100 años, se espera que ocurran 5 terremotos.


Ejemplo - Terremotos
Se asume que la ocurrencia de terremotos siguen un proceso de Poisson en el
tiempo. Se asume que ocurre un terremoto cada 20 años
1
⟹ Tasa de ocurrencia: 𝝀 = al año
20
1
𝑿 = Número de terremotos en un intervalo de tamaño 𝒕 , 𝑿~𝑃 (𝝁 = 𝑡)
20

b) Calcule la probabilidad que ocurran más de tres terremotos en un período de 50


años.
1
Como: 𝑡=50  μ= 50 = 2.5
20
𝑃 𝑋 >3 =1−𝑃 𝑋 ≤3 =1 − σ3𝑥=0 𝑃 𝑋 =
𝑥
0 1 2 3
2.5 2.5 2.5 2.5
= 1 − 𝑒 −2.5 + + + = 0.2424
0! 1! 2! 3!

R.: En un período de 50 años, la probabilidad de que ocurran más de tres terremotos es 0.2424
Ejemplo - Terremotos
Se asume que la ocurrencia de terremotos siguen un proceso de Poisson en el
tiempo. Se asume que ocurre un terremoto cada 20 años
1
⟹ Tasa de ocurrencia: 𝝀 = al año
20
1
𝑿 = Número de terremotos en un intervalo de tamaño 𝒕 , 𝑿~𝑃 (𝝁 = 𝑡)
20

c) Cuan largo debe ser un período de tiempo, de modo que la probabilidad de que no ocurran terremotos
durante ese período de tiempo sea mayor a 0.90.
1 0
− 𝑡 1
𝑒 20 𝑡 1
0.90 < 𝑃 𝑋 = 0 = 20 =𝑒 −20𝑡
0!
1
⟹ ln 0.90 < − 𝑡 ⟹ 𝑡 < −20 ln 0.90 = 2.1072
20

R: En un período máximo de 2.107 años, la probabilidad de que NO OCURRAN terremotos es mayor a 0.90