VARIABLES ALEATORIAS Y

DISTRIBUCIONES|
Variable aleatoria: es una funcin que
asigna nmeros o valores a cada uno de
los elementos del especio muestral con
una probabilidad definida
Dominio de la funcin es el espacio
muestral.
Rango de la funcin: conjunto de valores
que la variable puede tomar.
VARIABLES ALEATORIAS Y
DISTRIBUCIONES
COMO SE CLASIFICAN LAS VARIABLES
Bsicamente, hay dos clases de variables:
1) variables que obtienen informacin
cualitativa
2) variables que obtienen informacin
cuantitativa
VARIABLES ALEATORIAS Y DISTRIBUCIONES
VARIABLE CUALITATIVA DE ATRIBUTOS
O CATEGRICA
Variable que clasifica o describe un
elemento de una poblacin
Estas se dividen en nominales y
ordinales

VARIABLES ALEATORIAS Y
DISTRIBUCIONES
VARIABLE NOMINAL
Variable cualitativa que categoriza
(describe o identifica) un elemento de una
poblacin.
color de su cabello y la ciudad en que
habita, estado civil, sexo, son ejemplos
de variables nominales.
VARIABLES ALEATORIAS Y
DISTRIBUCIONES
VARIABLE ORDINAL
Una variable cualitativa que presenta una
posicin, o clasificacin, ordenada.
la variable nivel de satisfaccin es un ejemplo
de variable ordinal, ya que presenta una
clasificacin ordenada. Muy satisfecho est
antes de satisfecho, que se encuentra antes
que algo satisfecho,
Excelente, bueno, regular, malo.
Tamao ( grande, mediano, pequeo)
VARIABLES ALEATORIAS Y
DISTRIBUCIONES
EJERCICIOS
Mencione las variables Cualitativas nominales
que una nueva tienda departamental, considere
necesario conocer acerca de sus clientes y
considere necesario estudiar.
Identifique las variables Cualitativas ordinales
que proporcionen informacin sobre los clientes
de una tienda departamental recientemente
inaugurada para ser estudiadas.
VARIABLES ALEATORIAS Y
DISTRIBUCIONES
1. Cdigo postal, mximo nivel de estudio,
ingresos mensuales, genero, Estado civil,
tallas .
2. Calidad en la atencin al cliente
Grado mximo de estudio
Horario de tienda
Calidad de la ropa
VARIABLES ALEATORIAS Y
DISTRIBUCIONES
Las variables cuantitativas o numricas
tambin pueden subdividirse en dos
categoras:
variables discretas (estn relacionadas
con un conteo)
variables continuas (con una medicin)
VARIABLES ALEATORIAS Y
DISTRIBUCIONES
VARIABLE DISCRETA
Una variable cuantitativa que puede
asumir un numero contable de valores
Intuitiva mente la variable discreta puede
asumir los valores correspondientes a
puntos aislados a lo largo de un intervalo
de recta Es decir entre dos valores
cualesquiera hay un hueco
VARIABLES ALEATORIAS Y
DISTRIBUCIONES
Ejemplos de variable aleatoria discreta
Nmero de accidentes automovilsticos
Nmero de alumnos del tecnolgico.
Nmero de piezas defectuosas.
Nmero de maestros titulados

VARIABLES ALEATORIAS Y
DISTRIBUCIONES
VARIABLE CONTINUA
Una variable cuantitativa que puede
asumir una cantidad incontable de valores
Intuitivamente la variable continua puede
asumir cualquier valor a lo largo de un
intervalo de recta incluyendo cualquier
valor posible entre dos valores
cualesquiera
VARIABLES ALEATORIAS Y
DISTRIBUCIONES
Ejemplos de variables aleatoria continua
Peso
Estatura
Presin atmosfrica
Edad
Volumen
PH

VARIABLES ALEATORIAS Y
DISTRIBUCIONES
Para las siguientes poblaciones identifique
los cuatro tipos de variables. Continuas,
discretas, nominales, ordinales
Ratas de laboratorio peso, edad, nmero
de cras por ratas, color negro, blanco,
gris, calidad del nido excelente, bueno,
regular, malo
Automviles peso, longitud, nmero de
defectos, colores, tamao.

VARIABLES ALEATORIAS Y DISTRIBUCIONES
Ejemplos de variables aleatorias
Nos interesa saber el nmero de guilas (X)
en el experimento de observar el nmero de
guilas al lanzar tres veces una moneda.
Sea (X) la variable aleatoria que indica la
suma de los puntos en la cara superior al
lanzar dos dados cual es el espacio
muestral, el conjunto de valores de X y sus
respectivas probabilidades
Sea el experimento de lanzar tres veces una
moneda donde nos interesa el Nmero de guilas
VARIABLES ALEATORIAS Y DISTRIBUCIONES
VARIABLES ALEATORIAS Y DISTRIBUCIONES
VARIABLES ALEATORIAS Y DISTRIBUCIONES
Sea X la suma de los dos nmeros que se
obtiene al arrojar dos dados legales. La
funcin de probabilidades, f(x),
correspondiente, tiene los siguientes
valores:

x 2 3 4 5 6 7 8 9 10 11 12
f(x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
VARIABLES ALEATORIAS Y DISTRIBUCIONES
Ejemplo 1. Sea X el nmero que se
obtiene al arrojar un dado legal. La funcin
de probabilidades correspondiente es:
f(x) = 1/6 cuando x = 1, 2,
... , 6

VARIABLES ALEATORIAS Y DISTRIBUCIONES
Media o valor esperado de (x) Para
determinar la media de la distribucin
discreta se utiliza la siguiente frmula:

Donde :
= media de la distribucin
E(x) = valor esperado de x
x
i
= valores que toma la variable
p(x
i
) = probabilidad asociada a cada uno
de los valores de la variable x

= = ) xi ( p * xi ) x ( E
DEVIACIN ESTNDAR PARA V.A. DISTCRETA
Para determinar la desviacin estndar de la
distribucin discreta se utiliza la siguiente
frmula:



Donde:
o = desviacin estndar
= media o valor esperado de x
x
i
= valores que toma la variable x
p(x
i
) = probabilidad asociada a cada uno de los
valores que toma x

= ) xi ( p * ) xi (
2
o
EJEMPLO DE CALCULO DE VALOR ESPERADO y
DEVIACIN ESTNDAR PARA V.A. DISTCRETA
Segn estadsticas la probabilidad de que el
motor de un auto nuevo, de cierto modelo, y
marca sufra de algn desperfecto en los
primeros 12 meses de uso es de 0.02, si se
prueban tres automviles de esta marca y
modelo. a) Encuentre el nmero esperado de
autos que no sufren de algn desperfecto en
los primeros doce meses de uso b)obtenga
la desviacin estndar
SOLUCIN
Haciendo uso de un diagrama de rbol,
usando las literales siguientes, obtenga
el espacio muestral o.
N = no sufre de algn desperfecto en el
motor los primeros 12 meses de uso
S = sufre de algn desperfecto en el
motor los primeros 12 meses de uso

DEFINIR LA VARIABLE ALEATORIA DISCRETA
x = variable que nos define el nmero
de autos que no sufre de algn
desperfecto en el motor durante los
primeros 12 meses de uso

x = 0, 1, 2 o 3 autos que no sufren algn
desperfecto en el motor en los
primeros 12 meses
= {NNN, NNS, NSN, NSS, SNN, SNS, SSN, SSS}

Xi autos
S/desperfectos
Frecuencia Funcin de
probabilidad P(Xi) =
0.02
=E= XiP(Xi)
0 (SSS) =3 (0)(0.000008)
=0.0
1 (NSS, SNS, SSN) (0.98)(0.02)(0.02)+(0.02)(0.9
8)(0.02)+(0.02)(0.02)(0.98=
0.001176
(1)(0.001176)
=0.001176
2 (NNS,NSN,SNN)
(0.98)(0.98)(0.02)+(0.98)(0.0
2)(0.98)+(0.02)(0.98)(0.98)=
=0.057624
(2)(0.057624)=
0.115248
3 (NNN) (0.98)(0.98)(0.98)
=0.941192
(3)(0.941192)
=2.823576
Totales 2.94~ 3 autos
se espera que los 3 autos probados no sufran de algn desperfecto en el
motor en los primeros 12 meses de uso
En este experimento se espera que los 3 autos probados no sufran de
algn desperfecto en su motor en los primeros 12 meses de uso y la
variabilidad de este experimento es de cero.

2
) xi ( p * ) xi (
= + + + = ) . ( * ) ( ... ) . ( * ) ( ) . ( * ) ( 941192 0 3 3 001176 0 3 1 000008 0 3 0
2 2 2
= = + + ) . . . . 062396 0 05762 0 004704 0 000072 0
0.2497~0.0 autos que no sufren algn desperfecto en su
motor en los primeros 12 meses de uso.
Ejercicio # 1
Se ha detectado en una lnea de
produccin que 1 de cada 10 artculos
fabricados es defectuoso; se toman de
esa lnea tres artculos uno tras otro, a)
obtenga la distribucin de probabilidad
del experimento, b) encuentre el
nmero esperado de artculos
defectuosos en esa muestra c) y su
desviacin estndar
Ejercicio #2
Segn estadsticas, la probabilidad de
que un pozo petrolero que se perfore
en cierta regin pueda ser beneficiado
es de 0.30. Se perforan tres pozos en
esa regin, encuentre el nmero
esperado de pozos que pueden ser
beneficiados y su desviacin estndar.

La distribucin binomial o de
Bernoulli se aplica cuando:
Slo son posibles dos resultados mutuamente
excluyentes, conocidos como xito y fracaso.
La probabilidad de xito permanece constante
durante todas las observaciones que se realizan.
El total de observaciones posibles (o poblacin)
es muy grande o infinito, en relacin con el
nmero de observaciones (o muestra) que se
realiza.
Los resultados son independientes entre s.
VARIABLES ALEATORIAS Y
DISTRIBUCIONES
La probabilidad de que un evento ocurra
exactamente x veces al realizar n veces
es un proceso de Bernoulli, en el cual la
probabilidad de xito es p y en
consecuencia, la probabilidad de fracaso
es 1-p (conocida como q), est dada por
la siguiente formula:

VARIABLES ALEATORIAS Y
DISTRIBUCIONES
P(X)=Es la probabilidad de que sucedan exactamente x
xitos, en un total de n intentos.
X = Es el nmero de xitos deseado
n = Es el nmero de veces que se realiza la operacin.
P = Es la probabilidad de obtener un xito.
q = Es la probabilidad de obtener un fracaso, esto es, el
complemento de p, sea, 1-p.
La distribucin binomial o de
Bernoulli
Media, varianza y desviacin estndar
para la distribucin binomial.
Valor esperado =np
Varianza
2
= npq
Desviacin estndar =

Cul es la probabilidad de obtener 3 veces el
nmero 5, en 10 lanzamientos de un dado de 6
caras?
Solucin:
El nmero de xitos deseado es 3 (x=3); la
probabilidad simple que ocurra el nmero 5 es 1/6
(p=1/6); y el nmero de veces que se lanzar el dado
es 10 (n=10). Para cada uno de los eventos, su
resultado puede ser xito o fracaso, por lo que la
aplicacin de la distribucin binomial es adecuada y
de ella resulta:


Cul es la probabilidad de obtener cuando mucho 3
veces el nmero 5, en 10 lanzamientos de un dado de 6
caras?

El nmero de xitos deseado es 0,1,2, 3; la
probabilidad simple de que ocurra es 1/6 (p=1/6) y el
nmero de veces que se lanzar el dado es 10(n=10).
La aplicacin de la distribucin binomial da como
resultado:
Probabilidad (0 xitos) = P(0,10,1/6)


Probabilidad (1 xito) = P(1,10,1/6)

Probabilidad (2 xito) = P(2,10,1/6 )

Probabilidad (3 xito) = P(3,10,1/6)
Probabilidad (0,1,2 3 xitos) = P(X 3)
Distribucin binomial

1. Determinar la probabilidad de obtener exactamente dos soles en seis
lanzamientos R= 0.2344
2.La probabilidad de que un estudiante conteste un examen es de 0.4
supongamos tiene que ser contestado por dos estudiantes, cuyas
decisiones de contestar son independientes. Construir la distribucin
de probabilidad del numero de personas que estarn dispuestas a
contestar el examen. R = 1
3.El 20 % de los cerrojos producidos por una maquina son defectuosos
determinar la probabilidad de que 4 cerrojos elegidos al azar a) uno
sea defectuoso, b) ninguno sea defectuoso c) a lo mas dos cerrojos
defectuosos. A) =0 .4096 b) 0.4096 c) 0.9728
4. Hallar la probabilidad de que una familia con 4 hijos tenga a) al
menos un nio b) al menos un nio y una nia a) 0.9375 b) 0.875
DISTRIBUCIN POISSON
Esta distribucin exponencial se utiliza
para describir las probabilidades con
respecto a un campo o intervalo continuo
de tiempo. Algunas variables de este tipo
que pueden ser representadas por una
distribucin de Poisson son:
(a) los defectos por m
2
(b) Accidentes por
da, (c) Clientes por hora, (e) Llamadas
telefnicas por minuto, etc
DISTRIBUCIN POISSON
Observar que la unidad de medicin por
ejemplo, tiempo, rea es continua, pero
que la variable aleatoria, el nmero de
acontecimientos es discreta.
Para usar una distribucin de Poisson
deberas considerar lo siguiente:
1.- la probabilidad de un acontecimiento u
ocurrencia es la misma a travs de todo el
campo de observacin.

DISTRIBUCIN POISSON
2.- La Probabilidad de ms de un
acontecimiento en cualquier punto nico
es aproximadamente cero.
3 El nmero de ocurrencias en cualquier
intervalo es independiente del nmero de
acontecimiento en otros intervalos.
La distribucin de Poisson se puede
determinar por medio de tablas o por la
siguiente Frmula.

DISTRIBUCIN POISSON


Donde:
X= Nmero de ocurrencias
e = Base de los logaritmos naturales = 2.71828
= Razn media por unidad

! x
) , x ( p
x
c

=
DISTRIBUCIN POISSON
DISTRIBUCIN POISSON
Si un banco recibe en promedio 6 cheques
sin fondo por da, cules son las
probabilidades de que reciba, a) cuatro
cheques sin fondo en un da dado, b) 10
cheques sin fondos en cualquiera de dos
das consecutivos?
x = variable que nos define el nmero de
cheques sin fondo que llegan al banco en un
da cualquiera = 0, 1, 2, 3, ....., etc, etc.
= 6 cheques sin fondo por da


DISTRIBUCIN POISSON



B) x= variable que nos define el nmero de cheques
sin fondo que llegan al banco en dos das
consecutivos = 0, 1, 2, 3, ......, etc., etc.
= 6 x 2 = 12 cheques sin fondo en promedio que
llegan al banco en dos das consecutivos
Nota: siempre debe de estar en funcin de x
siempre o dicho de otra forma, debe hablar de lo
mismo que x.


13392 0
24
00248 0 1296
4
718 2 6
6 4
6 4
.
) . )( (
!
) . ( ) (
) , x ( p = = = = =

104953 0
3628800
000006151 0 10 1917364 6
10
718 2 12
12 10
12 10
.
) . )( . (
!
) . ( ) (
) , x ( p =
E
= = = =

DISTRIBUCIN POISSON
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 3 minutos,
b) al menos dos imperfecciones en 5
minutos, c) cuando ms una imperfeccin en
15 minutos.

DISTRIBUCIN POISSON
a) x = variable que nos define el nmero de
imperfecciones en la hojalata por cada 3
minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 3 =0.6 imperfecciones en promedio
por cada 3 minutos en la hojalata

329307 0
1
548845 0 6 0
1
718 2 6 0
6 0 1
6 0 1
.
) . )( . (
!
) . ( ) . (
) . , x ( p
.
= = = = =

DISTRIBUCIN POISSON
b) x = variable que nos define el nmero de
imperfecciones en la hojalata por cada 5
minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 5 =1 imperfeccin en promedio por
cada 5 minutos en la hojalata


=1-(0.367918+0.367918) = 0.26416

=
|
|
.
|

\
|
+ = = = = = =

!
) . )( (
!
) . ( ) (
) , , x ( p ) .... etc , , , x ( p
1
718 2 1
0
718 2 1
1 1 1 0 1 1 4 3 2
1 1 0

DISTRIBUCIN POISSON
c) x = variable que nos define el nmero de
imperfecciones en la hojalata por cada 15
minutos = 0, 1, 2, 3, ....., etc., etc.
= 0.2 x 15 = 3 imperfecciones en promedio
por cada 15 minutos en la hojalata

= + = = = + = = = = =

!
) . ( ) (
!
) . ( ) (
) , x ( p ) , x ( p ) , , x ( p
1
718 2 3
0
718 2 3
3 1 3 0 3 1 0
3 1 3 0

= 0.0498026 + 0.149408 = 0.1992106
APROXIMACIN DE LA DISTRIBUCIN
BINOMIAL A LA POISSON
Cuando el nmero de ensayos es muy
grande y la probabilidad es muy pequea
de tal manera que la = np permanece
constante los clculos de la distribucin
binomial se vuelven tediosos por lo que es
conveniente aproximar con la distribucin
de poisson.

Una regla general aceptable es emplear esta aproximacin si n>20 y ps0.05: s
n>100, la aproximacin es generalmente excelente siempre y cuando nps10.

! x
q p C ) p , n , x ( p
x
x n x
x n

~ =
La expresin anterior solo se cumple cuando n y p0,
solo en este caso, si esto no se cumple, la aproximacin no
se puede llevar a efecto, por lo que la frmula a utilizar en
este caso sera:
! x
) , x ( p
x
c

=
Donde:
== np = nmero esperado de xitos = tasa promedio de xitos
n = nmero de repeticiones del experimento
p = probabilidad de xito = p(xito)
EJEMPLO
Se sabe que el 5% de los libros
encuadernados en cierto taller tienen
encuadernaciones defectuosas.
Determine la probabilidad de que 2 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.
SOLUCIN
a) n = 100
p = 0.05 = p(encuadernacin defectuosa)
= p(xito)
q = 0.95 = p(encuadernacin no
defectuosa) = p(fracaso)
x = variable que nos define el nmero de
encuadernaciones defectuosas en la
muestra = 0, 1, 2, 3,....,100
encuadernaciones defectuosas


0812 0 95 0 05 0 4950 95 0 05 0 05 0 100 2
98 2 98 2
2 100
. ) . ( ) . )( ( ) . ( ) . ( C ) . p , n , x ( P = = = = = =
b)n = 100 encuadernaciones
p = 0.05
= np = (100)(0.05)= 5
x = variable que nos define el nmero de encuadernaciones
defectuosas en la muestra = = 0, 1, 2, 3,....,100
encuadernaciones defectuosas
0843 0
2
718 2 5
5 2
5 2
.
!
) . ( ) (
! x
) , x ( p
x
= = = = =

c

EJEMPLO 2
Un fabricante de maquinaria pesada tiene
instalados en el campo 3840 generadores
de gran tamao con garanta. S la
probabilidad de que cualquiera de ellos
falle durante el ao dado es de 1/1200
determine la probabilidad de que a) 4
generadores fallen durante el ao en
cuestin, b) que ms 1 de un generador
falle durante el ao en cuestin.

SOLUCIN

a) n = 3840 generadores
p = 1/1200 = probabilidad de que un generador falle
durante el ao de garanta
= np = (3840)(1/1200) = 3.2 motores en promedio
pueden fallar en el ao de garanta
x = variable que nos define el nmero de motores que
pueden fallar en el ao de garanta = 0, 1, 2, 3,....,3840
motores que pueden fallar en el ao de garanta

17815 0
4
718 2 2 3
2 3 4
2 3 4
.
!
) . ( ) . (
) . , x ( p
.
= = = =

b) p(x=2,3,4,....,3840;=3.2)=1-
p(x=0,1;=3.2) =


|
|
.
|

\
|
+ =

!
) . ( ) . (
!
) . ( ) . (
. .
1
718 2 2 3
0
718 2 2 3
1
2 3 1 2 3 0
=1- (0.04078 + 0.13048) = 0.82874
EJEMPLO 3
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
1 de cada 1000 piezas tiene una o ms
burbujas. Cul es la probabilidad de
que en una muestra aleatoria de 8000
piezas, menos de 3 de ellas tengan
burbujas?

SOLUCIN
n = 8000 piezas
p = 1/1000= 0.001 probabilidad de que una
pieza tenga 1 o ms burbujas
= np = (8000)(1/1000) = 8 piezas en promedio
con 1 o ms burbujas
x = variable que nos define el nmero de
piezas que tienen 1 o ms burbujas = 0,1, 2,
3,....,8000 piezas con una o ms burbujas

SOLUCIN
= + + = = =

!
) . ( ) (
!
) . ( ) (
!
) . ( ) (
) ; , , x ( p
2
718 2 8
1
718 2 8
0
718 2 8
8 2 1 0
8 2 8 1 8 0

0.000336 + 0.002686 + 0.010744 = 0.013766

Distribuciones discretas: Multinomial
La distribucin multinomial es similar a la
distribucin binomial, con la diferencia de que
en lugar de dos posibles resultados en cada
ensayo, puede haber mltiples resultados:
Ejemplo de distribucin binomial: a unas
elecciones se presentaron 2 partidos polticos:
el PPN obtuvo un 70% de los votos y el PSM el
30% restante. Cul es la probabilidad de que
al elegir 5 ciudadanos al azar, 4 de ellos hallan
votado al PSM?

DISTRIBUCIONES DISCRETAS: MULTINOMIAL
Ejemplo de distribucin multinomial: a
esas elecciones se presentaron 4 partidos
polticos: el PRI obtuvo un 40% de los
votos, el PRD el 30%, el verde 20% y el
PAN el 10% restante. Cul es la
probabilidad de que al elegir 5 ciudadanos
al azar, 3 hayan votado al PRI, 1 al PRD y
1 al PAN
DISTRIBUCIONES DISCRETAS: MULTINOMIAL
La distribucin multinomial sigue el siguiente modelo
Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces
(en el ejemplo, que el partido PRI lo hayan votado 3
personas)
n: indica el nmero de veces que se ha repetido el
suceso (en el ejemplo, 5 veces)
n!: es factorial de n (en el ejemplo: 5 * 4 * 3 * 2 * 1)
p1: es la probabilidad del suceso X1 (en el ejemplo, el
40%)
DISTRIBUCIONES DISCRETAS: MULTINOMIAL
Veamos el ejemplo:


Luego P = 0.0256
Es decir, que la probabilidad de que las 5
personas elegidas hayan votado de esta manera
es tan slo del 2,56%

EJEMPLO 2
En una fiesta, el 20% de los asistentes
son espaoles, el 30% franceses, el 40%
italiano y el 10% portugueses. En un
pequeo grupo se han reunido 4 invitados:
cual es la probabilidad de que 2 sean
espaoles y 2 italianos?
Aplicamos el modelo:


Luego p= 0.0384
DISTRIBUCIN HIPERGEOMTRICA
Las extracciones sin remplazo generan
distribuciones hipergeomtrica que se
relacionan con situaciones con dos o mas
resultados, donde la probabilidad de tener
xito cambia de ensayo a ensayo,
consideremos una poblacin de N unidades
K de las cuales poseen cierta
caractersticas, y N-k no la poseen,
tenemos las siguientes combinaciones
DISTRIBUCIN HIPERGEOMTRICA
DISTRIBUCIN HIPERGEOMTRICA
Donde
N: es el nmero total de elementos en la
poblacin
K: xitos en la poblacin
X: xitos en la muestra
n: tamao de la muestra es el nmero de
ensayos que se realiza

DISTRIBUCIN HIPERGEOMTRICA
La dependencia se debe al hecho de que N es
finito y las extracciones se efectan sin
reemplazamiento. El caso de extracciones con
reemplazamiento sera equivalente al de N
infinito y se resolvera mediante el modelo
Binomial.
Propiedades del modelo Hipergeomtrico
1) Esperanza: E(X) = n k
1
/N
2) Varianza: V(X) = n k (N n)(N-k)
N
2
(n-1)
DISTRIBUCIN HIPERGEOMTRICA
DISTRIBUCIN HIPERGEOMTRICA
Por lo tanto, P (x = 3) = 0,3535. Es decir,
la probabilidad de sacar 3 esferas blancas
es del 35,3%.
Pero este modelo no slo se utiliza con
experimentos con esferas, sino que
tambin se aplica con experimentos
similares:

DISTRIBUCIN HIPERGEOMTRICA
Ejemplo: en una fiesta hay 20 personas: 14
casadas y 6 solteras. Se eligen 3 personas al
azar Cul es la probabilidad de que las 3 sean
solteras?




Por lo tanto, P (x = 3) = 0,0175. Es decir, la
probabilidad de que las 3 personas sean
solteras es tan slo del 1,75%.
DISTRIBUCIN HIPERGEOMTRICA
Para evitar que lo descubran en la aduana,
un viajero ha colocado 6 tabletas de
narctico en una botella que contiene 9
pldoras de vitamina que son similares en
apariencia. Si el oficial de la aduana
selecciona 3 tabletas aleatoriamente 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?.

DISTRIBUCIN HIPERGEOMTRICA
Solucin:
N = 9+6 =15 total de tabletas
K = 6 tabletas de narctico
n = 3 tabletas seleccionadas
x = 0, 1, 2, o 3 tabletas de narctico =
variable que nos indica el nmero de
tabletas de narctico que se puede
encontrar al seleccionar las 3 tabletas

DISTRIBUCIN HIPERGEOMTRICA
p(viajero sea arrestado por posesin de
narcticos) = p(de que entre las 3
tabletas seleccionadas haya 1 o ms
tabletas de narctico)

= + + = = = =
3 15
0 9 3 6
3 15
1 9 2 6
3 15
2 9 1 6
3 3 2 1
C
C * C
C
C * C
C
C * C
) n ; tabletas , x ( p
81538 0
455
371
455
20 135 216
455
1 20
455
9 15
455
36 6
.
) )( ( ) )( ( ) )( (
= =
+ +
= + + =
DISTRIBUCIN HIPERGEOMTRICA
otra forma de resolver;
p(el viajero sea arrestado por posesin de
narcticos) = 1 p(de que entre las tabletas
seleccionadas no haya una sola de narctico)

= = = = =
3 15
3 9 0 6
1 3 0 1
C
C * C
) n ; x ( p
815385 0 184615 0
455
84 1
1 . .
) )( (
= = =
DISTRIBUCIN HIPERGEOMTRICA
p(no sea arrestado por posesin de
narcticos)


= = = = =
3 15
3 9 0 6
3 0
C
C * C
) n ; x ( p
184615 0
455
84 1
.
) )( (
= =