Beruflich Dokumente
Kultur Dokumente
• Competencias
• Motivación.
Inicio • Saberes previos.
• Distribución Binomial .
• Distribución Poisson .
Contenido de
sesión • Distribución Hipergeometrica.
• Retroalimentación.
• Autoevaluación
Cierre
Competencias
Al termino de la sesión, el
estudiante estará en capacidad de:
𝑃 𝑋 = 𝑥 = 𝐶𝑥𝑛 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 𝑥 = 0, 1, 2, … 𝑛
donde:
n = Número de ensayos
p= Probabilidad de éxito en cada ensayo
Medidas de resumen
Esperanza matemática
𝑬 𝑿 =𝒏𝒑
Varianza
𝑽 𝑿 = 𝒏𝒑 𝟏−𝒑
Ejemplo 1
En una fábrica manufacturera, el jefe de control de
calidad observó que el 12% de las partículas en
cada muestra de aire son extrañas. Si usted
selecciona una partícula de cada una de 20
muestras de aire, se pide:
a) Calcule la probabilidad que se encuentren a lo
más dos partículas extrañas.
b) Calcule la probabilidad que se encuentren por lo
menos tres partículas extrañas.
c) Calcule el valor esperado y la varianza de las
partículas extrañas en el aire es:
Solución
Sea la variable:
𝑋= Número de partículas extrañas de un total de 20
Parámetros
𝑛 = 20 𝑝 = 0.12
a) La probabilidad que se encuentre a lo más dos partículas extrañas es:
𝑃 𝑋≤2 = 𝑃 𝑋 = 0 + 𝑃 𝑋 = 1 + 𝑃(𝑋 = 2)
𝑃 𝑋=0 = 𝐶020 × 0.120 × (0.88)20−0 = 0.0776
𝑃 𝑋=1 = 𝐶120 × 0.121 × (0.88)20−1 = 0.2115
𝑃 𝑋=2 = 𝐶220 × 0.122 × (0.88)20−2 = 0.2740
𝑃 𝑋 ≤ 2 = 0.5631
𝑃 𝑋 ≥3 =1−𝑃 𝑋 ≤2
𝑃 𝑋 ≥ 3 = 1 − 0.5631
𝑃 𝑋 ≥ 3 = 0.4369
c)
Esperanza matemática
𝐸 𝑋 = 𝑛 𝑝 = 20 × 0.12 = 2.4
Varianza
𝑉 𝑋 = 20 × 0.12 × 1 − 0.12 = 2.112
Distribución Poisson
Esta distribución se aplica cuando nos encontramos en situaciones en que
interesa determinar que un evento aislado ocurra un número específico de
veces en un intervalo de tiempo o espacio.
A continuación, se presentan algunos experimentos que aceptan un modelo
Poisson:
𝒆−𝝀 𝝀𝒙
𝑷 𝑿=𝒙 = , 𝒙 = 𝟎, 𝟏, 𝟐, …
𝒙!
donde:
λ = Número promedio de ocurrencias del evento de interés
Esperanza matemática
𝑬 𝑿 =𝝀
Varianza
𝑽 𝑿 =𝝀
Ejemplo 2
En el departamento de mantenimiento
informático de una empresa se reciben en
promedio dos llamadas solicitando servicio
por día. Se pide:
a) Calcule la probabilidad que se reciban
exactamente tres llamadas en un día
cualquiera.
b) Calcule la probabilidad que se reciban a
lo más dos llamadas en un día
cualquiera.
c) Calcule la probabilidad que se reciban a
lo más cinco llamadas si se sabe que se
recibirán por lo menos tres llamadas en
un fin de semana (viernes, sábado y
domingo).
Solución
Sea la variable:
𝑋 = Número de llamadas solicitando servicio de mantenimiento
informático en un día.
Parámetro
𝜆 = 2 → 1 𝑑𝑖𝑎
23
a) 𝑃 𝑋 = 3 = 𝑒 −2 × 3!
= 0.1804
b) 𝑃 𝑋 ≤ 2 = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2)
20 21 22
𝑃 𝑋 ≤ 2 = 𝑒 −2 × + 𝑒 −2 × + 𝑒 −2 × = 0.6767
0! 1! 2!
c) .
𝜆 = 2 → 1 𝑑𝑖𝑎
𝜆 = 6 → 3 𝑑𝑖𝑎s
63 64 65
𝑒 −6 −6
× +𝑒 × +𝑒 × −6
0.3837
𝑃 𝑋≤5 𝑋≥3 = 3! 4! 5! =
6 0 61 6 2 0.9380
1 − 𝑒 −6 × 0! + 𝑒 −6 × 1! + 𝑒 −6 × 2!
= 0.4091
Distribución Hipergeométrica
Una variable aleatoria X sigue una distribución Hipergeométrica con
parámetros N, A y n si su función de densidad de probabilidad esta dada por:
𝐂𝐱𝐀 𝐂𝐧−𝐱
𝐍−𝐀
𝐏 𝐗=𝐱 = 𝐱 = 𝟎, 𝟏, 𝟐, … , 𝐦𝐢𝐧*𝐀, 𝐧+
𝐂𝐧𝐍
Esperanza matemática
𝐧𝐀
𝐄 𝐗 =
𝐍
Varianza
𝐧𝐀(𝐍 − 𝐀)(𝐍 − 𝐧)
𝐕 𝐗 =
𝐍𝟐 (𝐍 − 𝟏)
Ejemplo 3
Un lote de tuberías contiene 100 piezas de un proveedor nacional y
200 piezas de un proveedor extranjero. Si se eligen cuatro piezas al
azar y sin remplazo, se pide:
Solución
Sea la variable:
X = Número de tuberías del proveedor nacional de un total de
cuatro (X ~ H(300, 100, 4))
donde:
𝐂𝟒𝟏𝟎𝟎 𝐂𝟎𝟐𝟎𝟎
𝐏 𝐗=𝟒 = = 𝟎. 𝟎𝟏𝟏𝟗
𝐂𝟒𝟑𝟎𝟎
b) .
c) .
Valor esperado
𝐧𝐀 𝟒(𝟏𝟎𝟎)
𝐄 𝐗 = = = 𝟏. 𝟑𝟑
𝐍 𝟑𝟎𝟎
Varianza
𝐧𝐀(𝐍 − 𝐀)(𝐍 − 𝐧) 𝟒(𝟏𝟎𝟎)(𝟑𝟎𝟎 − 𝟏𝟎𝟎)(𝟑𝟎𝟎 − 𝟒)
𝐕 𝐗 = = = 𝟎. 𝟖𝟕𝟗𝟗𝟕
𝐍𝟐 (𝐍 − 𝟏) 𝟑𝟎𝟎𝟐 (𝟑𝟎𝟎 − 𝟏)
SÍNTESIS
Distribución Binomial: Dos posibles resultados (éxito, fracaso)
– Parámetros: n y p (p = probabilidad de éxito)
– 𝑃 𝑋 = 𝑥 = 𝐶𝑥𝑛 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 𝑥 = 0, 1, 2, … 𝑛
– E(x) = np V(x) = np(1-p)
Distribución de Poisson: Dentro de un determinado, tiempo,
espacio o volumen ocurre eventos
– Parámetros: λ = Número promedio de ocurrencias del
evento de interés
𝒆−𝝀 𝝀𝒙
– 𝑷 𝑿=𝒙 = , 𝒙 = 𝟎, 𝟏, 𝟐, …
𝒙!
– E(x) = : λ V(x) = : λ
Distribución Hipergeométrica:
– Parámetros: N, A, n
𝐂𝐀 𝐍−𝐀
𝐱 𝐂𝐧−𝐱
– 𝐏 𝐗=𝐱 = 𝐱 = 𝟎, 𝟏, 𝟐, … , 𝐦𝐢𝐧*𝐀, 𝐧+
𝐂𝐧𝐍
𝐧𝐀 𝐧𝐀(𝐍−𝐀)(𝐍−𝐧)
– 𝐄 𝐗 = ,𝐕 𝐗 =
𝐍 𝐍 𝟐 (𝐍−𝟏)
METACOGNICIÓN