Virfia Pye115 U3 CT 3.1-3.2 Me

UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA

PROBABILIDAD Y ESTADÍSTICA
Página 1 de 15
UNIDAD III: DISTRIBUCIONES DE PROBABILIDADES
Temas
3.1 Definiciones básicas de los experimentos aleatorios
3.2 Variables aleatorias discretas
OBJETIVO DE LA UNIDAD
Calcular la probabilidad de ocurrencia de diferentes tipos de variables aleatorias
tanto discretas como continuas.
INTRODUCCIÓN
Los temas a desarrollar en esta unidad son los siguientes:
3.1. Definiciones básicas de los experimentos aleatorios.

3.2. Variables aleatorias discretas.
3.3. Variables aleatorias continuas.
3.4. Distribuciones conjuntas de probabilidades.
3.4.1. Discretas.
3.4.2. Continuas.
3.5. Independencia de variables aleatorias
3.5.1. Discretas.
3.5.2. Continuas.
Estudiaremos estos contenidos en cuatro semanas. La primera semana

estudiamos los numerales 3.1 a 3.2, el numeral 3.3 lo estudiaremos a él solo en la segunda
semana, los numerales 3.4, 3.4.1 y 3.4.2 los estudiaremos en la tercera semana y
finalmente los numerales 3.5, 3.5.1 y 3.5.2 los estudiaremos en la cuarta semana.
3.1. DEFINICIONES BÁSICAS DE LOS EXPERIMENTOS ALEATORIOS

Vamos a profundizar ahora la teoría que sustenta a las distribuciones de
probabilidades. Iniciamos con el concepto básico de experimento aleatorio.
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en
línea en la Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del
mismo es responsabilidad del estudiante.
Página 2 de 15
Definimos un “experimento aleatorio”, como aquel en el que se conocen todos los

resultados posibles del mismo, pero que no podemos predecir con certeza cuál de ellos
ocurrirá, antes de realizar el experimento.
Existen muchos ejemplos considerados como casos clásicos tales como el observar
el resultado de la cara superior de una moneda “sin sesgo” luego de haber sido lanzada al
aire y esperar el resultado luego de caer sobre una superficie plana. Es evidente que solo
se podrían obtener dos resultados posibles, digamos de ahora en adelante que serán
“cara” o “sello” simbolizados por “C” para “cara” y “S” para “sello”. Cada uno tendría la
misma oportunidad de ocurrir por lo que las probabilidades de ocurrencia de “C” es ½. Al
igual que la probabilidad de “S” es ½. Aquí se ha usado el concepto frecuentista de
probabilidad. Solo hay una “C” entre los dos resultados posibles, al igual que solo hay un
”S” en los dos resultados posibles.
El otro experimento aleatorio clásico es el del lanzamiento sobre una superficie

plana de un dado y observar el resultado obtenido en la cara superior del dado luego del
lanzamiento. Aquí los resultados posibles son los números {1, 2, 3, 4, 5, 6}. Aquí se asocia
cada número al número de puntos obtenidos en la cara superior del dado. Y de nuevo
aplicando la definición frecuentista de probabilidad afirmamos que dado que solo hay un
número 1 entre los seis resultados posibles, que la probabilidad de que caiga un 1 es 1/6.
Y así ocurre con los demás valores del 2 al 6, cada uno tiene probabilidad de ocurrencia
de 1/6.
Existen otros experimentos aleatorios, en los que los resultados posibles son un
tanto diferentes. Por ejemplo al observar el estado de un artículo producido en una línea
de producción, el cual por simplicidad se puede clasificar como “bueno” o “malo”. Salvo
que las probabilidades en estos casos ya no serán ½, como en el caso de la moneda. Ya
que hay que tomar en consideración todos los artículos observados y contar aquellos que
se clasifican como buenos y los que se clasifican como malos. Por ejemplo, suponga que
la línea de producción produce 100 artículos. De los cuales 95 están buenos y 5 están
malos. Entonces la probabilidad de que al elegir un artículo al azar de entre los artículos
producidos por esta línea de producción este esté bueno es de 95/100. Y que esté malo
es de 5/100. Siempre calculando la probabilidad como el cociente entre casos favorables
entre casos posibles.
Definiremos ahora al conjunto formado por todos los resultados posibles de un

experimento como el “espacio muestral” del experimento. Y lo denotaremos por la letra
Página 3 de 15
“S”, generalmente encontrado así en la literatura de habla inglesa, ya que espacio

muestral viene del nombre “Sample space”.
Los espacios muestrales de los ejemplos anteriores son entonces:
S = {“C”, “S”}, para el caso del lanzamiento de la moneda. S = {1, 2, 3, 4, 5, 6} en el

caso del lanzamiento del dado y S = {bueno malo} en el caso del estado del artículo de la
línea de producción.
Como ya lo hemos hecho en estos tres ejemplos anteriores, hemos asignado a

cada resultado posible su probabilidad de ocurrir. A esto se le llama “Distribución de
probabilidades” asociada a los resultados del experimento. Entonces hallar la distribución
de probabilidades consiste en decir cuál es la probabilidad de ocurrir de cada resultado
posible de un experimento aleatorio.
Muchas veces los resultados posibles de un experimento se agrupan en

subconjuntos, por ejemplo, en el caso del lanzamiento de un dado sobre una superficie
plana, los resultados posibles se pueden agrupar en “pares” e “impares”. De tal forma
que si al realizar el lanzamiento del dado se obtiene en la cara superior el valor 1 o el 3 o
el 5, se dice que se dio un resultado “impar”; por otro lado, si al lanzar el dado se obtiene
en la cara superior un 2 o un 4 o un 6, se dice que se obtuvo un resultado “par”.
A los subconjuntos disjuntos formados de la división del espacio muestral se les

denomina “Eventos”. Así, un Evento es un subconjunto del espacio muestral de un
experimento aleatorio. Los eventos suelen nombrarse con las primeras letras del
abecedario escritas en mayúscula. Por ejemplo el evento obtener un número “impar” en
el lanzamiento de un dado sobre una superficie plana se puede denotar por la letra A. y
el obtener un número “par” por la letra B. Entonces la probabilidad de A, se denota por
P(A) y se calcula por 3/6 (P(A)=3/6=1/2). Y la de B por P(B)=3/6=1/2. Ya que hay tres casos
favorables de seis posibles encada caso.
Ahora definiremos el concepto de variable aleatoria. Una “Variable aleatoria” es

una función que va desde el espacio muestral hacia el conjunto de los números reales, en
la que a cada resultado posible le asigna como imagen un número real.
La siguiente figura ilustra este concepto. Donde S denota el espacio muestral que
contiene todos los resultados posibles desde r1 hasta rn del experimento. El conjunto de
los números reales se ha simbolizado por la letra R, los números reales particularmente
usados se han simbolizado por v1, v2,…, vn. La letra X, simboliza el nombre de la función,
Página 4 de 15
generalmente los nombres dados a las variables aleatorias son las últimas letras del
alfabeto en mayúsculas.
Figura 1. Función “Variable Aleatoria”.
Al igual que cuando se habla de distribución de probabilidades asociada a los

resultados de un experimento, aquí se puede hablar de distribución de probabilidades
asociada a una variable aleatoria, cuando el número real asociado a cada resultado
posible es la probabilidad de ocurrencia de dicho resultado. La siguiente figura ilustra este
caso, se ha cambiado todo el conjunto de los números reales or el intervalo de 0 a 1, ya
que las probabilidades oscilan dentro de este:
Figura 2. Distribución de probabilidades de una variable aleatoria.
Las funciones “Variable Aleatoria”, son un poco confusas, debido a que cuando
uno dice “variable” ya está condicionado a suponer valores de ella. Pero no está
condicionado a suponer a que se refiera a una “función”, con una regla de definición
asociada a ella.
Página 5 de 15
El siguiente ejemplo ilustra la aplicación del concepto de variable aleatoria.

Suponga que cuando se lanza el dado, al resultado posible se le asocia el valor obtenido
como imagen a través de la función variable aleatoria denominada X. La imagen siguiente
aclara este caso:
Figura 3. Ejemplo de Función variable aleatoria, sobre el dado.
Ahora suponga que a cada valor del dado se le asocia como imagen su respectiva
probabilidad. En cuyo caso estaremos hablando de la distribución de probabilidades de la
variable aleatoria X. La siguiente figura lo ilustra:
Figura 4. Ejemplo de distribución de probabilidades de una variable aleatoria.
Las variable aleatorias, se suelen clasificar en discretas y continuas, dependiendo

de los resultados posibles para cada una de ellas. En la siguiente sección estudiaremos las
variables aleatorias discretas más comunes, y luego le dedicaremos tiempo a las variables
aleatorias continuas.
Página 6 de 15
3.2. VARIABLES ALEATORIAS DISCRETAS.

Las variables aleatorias discretas que estudiaremos son:
a) Ensayos de Bernoulli.
b) Distribución Binomial.
c) Distribución Geométrica.
d) Distribución Hipergeométrica.
e) Distribución de Poisson.
Los ensayos de Bernoulli, son aquellos experimentos aleatorios que su espacio

muestral está formado únicamente por dos resultados posibles. Para usar una
generalización de ellos los definiremos como “éxito” y “fracaso”. Además, se conoce la
probabilidad de ocurrencia de uno de ellos (generalmente asociada al éxito, aunque
podría ser que la conocida sea la del fracaso). La otra se obtiene por complemento a la
unidad ya que por las propiedades de las probabilidades, la suma de las probabilidades
de todos los resultados posibles debe ser igual a 1. Dado que en este caso solo se tienen
dos y ya se conoce la uno de ellos, entonces la del otro se obtiene restando a 1 la
probabilidad conocida. Así, si llamamos “p” a la probabilidad de éxito entonces la
probabilidad de fracaso será “q=1-p”.
Existen muchos casos de este tipo:
• El lanzamiento de una moneda sobre una superficie plana, S = {“C”, “S”}.

• El estado operacional de una máquina, S = {Funciona, No funciona}.
• El estado de un artículo al ser fabricado S= {bueno, malo}.
• El sexo de un bebe al nacer, S = {masculino, femenino}.
• El estado de un interruptor, S = {encendido, apagado}.
Aunque algunos de los casos anteriores podrían tener más de dos resultados
posibles, se ha considerado que siempre se pueden hacer las suposiciones pertinentes
para lograr reducir los resultados posibles únicamente a dos.
Esta distribución es la más simple que existe. Ya que en su misma definición se

tiene de un solo la distribución de probabilidades.
¿Puede pensar en otros ejemplos de experimentos aleatorios (ensayos de

Bernoulli), en los que se tengan únicamente dos resultados posibles?
Página 7 de 15
La Distribución Binomial.
Partimos del experimento aleatorio asociado con este tipo de casos. Se repite n
veces un ensayo de Bernoulli de forma independiente unos de otros. Entonces la variable
X, que cuenta el número de veces que se obtiene “éxito” en las n realizaciones del ensayo
de Bernoulli, sigue una distribución Binomial, con parámetros “n” (el número de veces
que se repite el ensayo de Bernoulli) y “p” (la probabilidad de “éxito” en cada ensayo de
Bernoulli), la probabilidad es la misma para cada repetición ya que no se espera cambio
de realización en realización debido a la hipótesis de “independencia” entre las
repeticiones sucesivas de ensayos de Bernoulli.
Resulta claro que este número oscilará entre 0 y el número de repeticiones

realizadas “n”. De allí que SX = {0, 1, 2, 3,…, n}. Ahora para asignarle valores de
probabilidad a cada caso, P(X=0), P(X=1), P(X=2),…, P(X=n), se usa las fórmulas que ya han
sido ampliamente desarrolladas en el estudio de estos casos. Aunque siempre existe un
camino lógico para validar el uso de la definición frecuentista de probabilidad (casos
favorables entre casos posibles).
Las fórmulas usadas para el caso de la distribución Binomial son:

𝑛 𝑛!
𝑃(𝑋 = 𝑖) = ( ) 𝑝𝑖 𝑞 𝑛−𝑖 = 𝑖!(𝑛−𝑖)! 𝑝𝑖 𝑞 𝑛−𝑖 Para valores de 𝑖 = 0, 1, ⋯ , 𝑛.
𝑖
𝑛 𝑛!
𝑌 𝑑𝑜𝑛𝑑𝑒 ( ) = 𝑖!(𝑛−𝑖)! Es el número combinatorio,
𝑖
Con 𝑛! = (𝑛)(𝑛 − 1) ⋯ (2)(1). Con 0! = 1! = 1.
Existe una fórmula recurrente, muy usada por los informáticos, y su utilidad
estriba en que solo se necesita calcular un valor inicial de probabilidad y a partir de allí
se usa la formula recurrente para generar el resto de valores de la distribución de
probabilidades Binomial.
La fórmula recurrente es:

𝑛−𝑖+1 𝑝
𝑃(𝑋 = 𝑖) = ∗ 𝑞 ∗ 𝑃(𝑋 = 𝑖 − 1) Para valores de 𝑖 = 1, 2, 3, … , 𝑛.
𝑖
Se requiere para poder aplicar esta fórmula que se tenga inicialmente el valor de
𝑃(𝑋 = 0) = 𝑞 𝑛 . Luego a partir de este valor se inicia la secuencia desde 1 hasta n. Lo
cual resulta muy simple usando un programa de computadoras.
Página 8 de 15
Distribución Geométrica.
Partimos del experimento aleatorio asociado con este tipo de casos. Se repite un
ensayo de Bernoulli de forma independiente hasta que ocurre por primera vez un éxito.
Entonces la variable X, que cuenta el número de veces que se repite el ensayo de Bernoulli
hasta obtener por primera vez un “éxito”, sigue una distribución Geométrica, con
parámetro “p” (la probabilidad de “éxito” en cada ensayo de Bernoulli), la probabilidad
es la misma para cada repetición ya que no se espera cambio de realización en realización
debido a la hipótesis de “independencia” entre las repeticiones sucesivas de ensayos de
Bernoulli.
Resulta claro que este número toma como posibles valores 0, 1, 2, 3, y así
sucesivamente. De allí que SX = {0, 1, 2, 3,…}. Ahora para asignarle valores de probabilidad
a cada caso, P(X=0), P(X=1), P(X=2),…, se usa las fórmulas que ya han sido ampliamente
desarrolladas en el estudio de estos casos. Aunque siempre existe un camino lógico para
validar el uso de la definición frecuentista de probabilidad (casos favorables entre casos
posibles).
Las fórmulas usadas para el caso de la distribución Geométrica son:
𝑃(𝑋 = 𝑖) = 𝑞 𝑖−1 𝑝 Para valores de 𝑖 = 1,2, 3, ⋯
probabilidades Geométrica.
𝑃(𝑋 = 𝑖) = 𝑞 ∗ 𝑃(𝑋 = 𝑖 − 1) Para valores de 𝑖 = 1, 2, 3, …
Se requiere para poder aplicar esta fórmula que se tenga inicialmente el valor de
𝑃(𝑋 = 0) = 𝑝. Luego a partir de este valor se inicia la secuencia desde 1 hasta que se
cumpla una condición de paro de la secuencia. Para lo cual hay que diseñar una solución
usando un programa de computadoras con ciclos condicionales.
Página 9 de 15
Distribución Hipergeométrica.
Partimos del experimento aleatorio asociado con este tipo de casos. Se tiene una
población de tamaño n, que se divide en dos grupos que son mutuamente excluyentes.
Digamos que se denominan A y B a dichos grupos, de tal forma que el número de
elementos de A es m y el número de elementos de B es n-m (el complemento para los n
que hay en total en toda la población). Se extrae una muestra de tamaño r (con r<n) sin
repetición. Se trata de saber cuántos de los elementos de la muestra pertenecen al grupo
de observación, supongamos que dicho grupo es el grupo A. Entonces la variable X, que
cuenta el número de elementos de la muestra que pertenecen al grupo A, sigue una
distribución Hipergeométrica, con parámetros “n” (El tamaño de la población total), “m”
(El tamaño del grupo de observación, A en este caso), “r” (El tamaño de la muestra
aleatoria a obtener sin repetición). La probabilidad de ser obtenido en la muestra de cada
elemento cambia, de extracción en extracción, debido a que la obtención de los
elementos de la muestra se hace sin reemplazamiento.
Los valores posibles de la variable X, depende de si r es menor, mayor o igual que

m y n-m. Si r es menor que m y además r<n-m, entonces SX = {0, 1, 2, 3,…, r}. Por otro
lado, si r ≥ m, entonces SX = {0, 1, 2, 3,…, m}. Ya que el resto de elementos de la muestra
los deberá tomar del conjunto B. Ahora para asignarle valores de probabilidad a cada
caso, P(X=0), P(X=1), P(X=2),… Se usa las fórmulas que ya han sido ampliamente
desarrolladas en el estudio de estos casos. Aunque siempre existe un camino lógico para
validar el uso de la definición frecuentista de probabilidad (casos favorables entre casos
posibles).
Las fórmulas usadas para el caso de la distribución Hipergeométrica son:

𝑚 𝑛−𝑚
( )( )
𝑖 𝑟−𝑖
𝑃(𝑋 = 𝑖) = 𝑛 Para valores de 𝑖 = 1,2, 3, ⋯
( )
𝑟
Donde 𝑖 ≤ 𝑚, 𝑖 ≤ 𝑟, 𝑟 − 𝑖 ≤ 𝑛 − 𝑚.
probabilidades Hipergeométrica.
Página 10 de 15
(𝑚−𝑖)(𝑟−𝑖)
𝑃(𝑋 = 𝑖 + 1) = (𝑖+1)(𝑛−𝑚−𝑟+𝑖+1) ∗ 𝑃(𝑋 = 𝑖) Para valores de 𝑖 = 1, 2, 3, …r (o
hasta m según sea el caso).
𝑛−𝑚
( )
𝑟
Para usarla se requiere que se tenga inicialmente el valor de 𝑃(𝑋 = 0) = 𝑛 .
( )
𝑟
Luego a partir de este valor se inicia la secuencia desde 1 hasta r o hasta m según
sea el caso.
La Distribución Poisson.
Partimos del experimento aleatorio asociado con este tipo de casos. Se cuenta el
número de eventos independientes que ocurren por una unidad de tiempo dada,
conociendo la tasa de ocurrencia por unidad de tiempo de dichos eventos. Entonces la
variable X, que cuenta el número de ocurrencias de eventos independientes por unidad
de tiempo, sigue una distribución de Poisson, con parámetro “λ” (la tasa de ocurrencia de
dichos eventos por unidad de tiempo).
Resulta claro que este número oscilará entre 0 y el número de eventos

independientes que hayan ocurrido en el intervalo de tiempo. De allí que SX = {0, 1, 2,…}.
Ahora para asignarle valores de probabilidad a cada caso, P(X=0), P(X=1), P(X=2),…, se usa
las fórmulas que ya han sido ampliamente desarrolladas en el estudio de estos casos.
Aunque siempre existe un camino lógico para validar el uso de la definición frecuentista
de probabilidad (casos favorables entre casos posibles).
Las fórmulas usadas para el caso de la distribución Poisson son:

𝜆𝑖
𝑃(𝑋 = 𝑖) = 𝑒 −𝜆 Para valores de 𝑖 = 0, 1, 2, ⋯
𝑖!
probabilidades Binomial.

𝜆
𝑃(𝑋 = 𝑖) = 𝑖 ∗ 𝑃(𝑋 = 𝑖 − 1) Para valores de 𝑖 = 1, 2, 3, … 𝑦 𝑃(𝑋 = 0) = 𝑒 −𝜆 .
Página 11 de 15
Tabla resumen de Distribuciones discretas:

Prom
Distribución Parámetros Fórmula de cálculo Fórmula Recurrente Varianza
edio
𝒏
𝑷(𝑿 = 𝒊) = ( ) 𝒑𝒊 𝒒𝒏−𝒊 𝒏−𝒊+𝟏 𝒑
𝒊
𝒏! 𝑷(𝑿 = 𝒊) = ∗
= 𝒑𝒊 𝒒𝒏−𝒊 𝒊 𝒒
Binomial n,p 𝒊! (𝒏 − 𝒊)! ∗ 𝑷(𝑿 = 𝒊 − 𝟏) 𝒏𝒑 𝒏𝒑𝒒
Para valores de Para valores de 𝒊 = 𝟏, 𝟐, 𝟑, … , 𝒏.
𝒊 = 𝟎, 𝟏, ⋯ , 𝒏.
𝑷(𝑿 = 𝒊) = 𝒒𝒊−𝟏 𝒑
𝑷(𝑿 = 𝒊) = 𝒒 ∗ 𝑷(𝑿 = 𝒊 − 𝟏) 𝟏 𝒒
Para valores de
Geométrica p Para valores de 𝒊 = 𝟏, 𝟐, 𝟑, …
𝒊 = 𝟏, 𝟐, 𝟑, ⋯ 𝒑 𝒑𝟐
𝒎 𝒏−𝒎 𝑷(𝑿 = 𝒊 + 𝟏)
( )( )
𝑷(𝑿 = 𝒊) = 𝒊 𝒏𝒓 − 𝒊 (𝒎 − 𝒊)(𝒓 − 𝒊)
( ) = 𝒓𝒎 𝒏 − 𝒎 𝒎𝒓 𝒎
Hipergeom 𝒓 (𝒊 + 𝟏)(𝒏 − 𝒎 − 𝒓 + 𝒊 + 𝟏)
n,m,r ( ) ( ) (𝟏 − )
étrica Para valores de ∗ 𝑷(𝑿 = 𝒊) 𝒏 𝒏−𝟏 𝒏 𝒏
𝒊 = 𝟏, 𝟐, 𝟑, ⋯ Para valores de 𝒊 = 𝟏, 𝟐, 𝟑, …r
(o hasta m según sea el caso).
𝝀𝒊 −𝝀
𝑷(𝑿 = 𝒊) = 𝒆 𝝀
𝒊! 𝑷(𝑿 = 𝒊) = ∗ 𝑷(𝑿 = 𝒊 − 𝟏)
Poisson λ Para valores de 𝒊 𝝀 𝝀
𝒊 = 𝟎, 𝟏, 𝟐, ⋯ Para valores de 𝒊 = 𝟏, 𝟐, 𝟑, …
3.2.1. SECCIÓN DE EJERCICIOS.

1. Experimento Aleatorio:
Tenemos que describir tres experimentos aleatorios a partir de la siguiente

imagen:
a) Experimento aleatorio 1: Observar qué equipo gana la competencia.

S = {equipo 1, equipo 2,…, equipo n}. Suponiendo que son 8 equipos,
entonces n=8.
Página 12 de 15
b) Experimento aleatorio 2: Observar si el equipo de “VEN” bota o no la batuta

al hacer el traspaso. S = {la bota, no la bota}.
c) Experimento aleatorio 3: Observar qué equipos 1, 2, 3, 4, 5, 6, 7 u 8 obtiene
un lugar con medalla en la competencia. S = { 123, 124, 125, 126, 127, 128,
134, 135, 136, 137, 138, 145, 146, 147, 148, 156, 157, 158, 167, 168, 178, 234,
235, 236, 237, 238, 245, 246, 247, 248, 256, 257, 258, 267, 268, 278, 345, 346,
347, 348, 356, 357, 358, 367, 368, 378, 456, 457, 458, 467, 468, 478, 567, 568,
578, 678}
2. Caso Binomial: En una caja de galletas se encuentra que 1 de cada 4 está quebrada. Se
sacan aleatoriamente 20 galletas de la caja, cuál es la probabilidad de que
20
a. 4 estén quebradas. 𝑃(𝑋 = 4) = ( ) 0.254 0.7520−4 = 0.1897
4
b. A lo sumo 2 estén quebradas. 𝑃(𝑋 ≤ 2) = 0.0913
c. Por lo menos 4 estén quebradas. . 𝑃(𝑋 ≥ 4) = 1 − 𝑃(𝑋 ≤ 3) = 0.7748
3. Caso Geométrico: La probabilidad de que llueva en cualquier día del mes de Julio es 0.8,
Suponiendo que es independiente el hecho que llueva un día a que llueva en cualquier
otro día del mes. ¿Cuál es la probabilidad de que llueva los primeros 3 días del mes?.
𝑃(𝑋 ≤ 3) = 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) = 0.9984
4. Caso Hipergeométrico: En una caja se han guardado 100 luces navideñas de colores.
Hay 40 verdes y 60 rojas. Se sacan 4 aleatoriamente sin reemplazamiento. Encuentre la
probabilidad de que 3 sean rojas. 𝑃(𝑋 = 3) = 0.3491
5. Caso Poisson: Suponga que el número de personas que llegan a un cajero automático
cada hora, sigue un flujo de Poisson, con parámetro λ=2. Encuentre la probabilidad de
en la siguiente hora de observación,
a. No llegue nadie al cajero. 𝑃(𝑋 = 0) = 0.1353
b. Lleguen a lo sumo tres personas. 𝑃(𝑋 ≤ 3) = 0.8571
c. Lleguen más de dos personas. 𝑃(𝑋 > 2) = 1 − 𝑃(𝑋 ≤ 2) = 0.3233
3.3. ENLACES SUGERIDOS

https://www.wolframalpha.com
Página 13 de 15
3.4. BIBLIOGRAFÍA
1. Anderson, T., (1974) Introductory statistical analysis Chicago, U.S.A. University of Illinois.
2. Baudin, M., (2010) Introduction to Scilab, France, The Scilab Consortium – Digiteo.
3. Canavos, G., (1998), Probabilidad y estadística: Aplicaciones y métodos, Mexico, D.F.,
McGraw-Hill/Interamericana de Mexico S.A. de C.V.
4. Devore, J., (2008). Probabilidad y estadística: Para ingeniería y ciencias (7ª. ed.) Mexico,
D.F., Cengage Learning Editores S.A de C.V.
5. Diccionario Merrian-Webster Retomado de: http://www.merriam-webster.com (2017).
6. Dodge, Y. (2006) Diccionario Oxford de términos estadísticos.
7. Dunn, O., Clark, V., (1974) Applied Statistics: Analysis of variance and regression New York,
U.S.A., John Wiley and Sons, Inc.
8. Everitt, B., Skrondal, A., (2010) The cambridge dictionary of statistics (4ª. ed.) New York,
U.S.A. Cambridge University Press.
9. Hines, W., Montgomery, D. (1993). Probabilidad y estadística: Para ingeniería y
administración (3er ed.) Mexico, D.F., CECSA.
10. Johnson, R., (1998) Probabilidad y estadística: Para ingenieros de Miller y Freund (5ª ed.)
Mexico, D.F., Prentice-Hall Hispanoamericana.
11. Lagares, P., Puerto, J., (2001) Población y muestra: Técnicas de muestreo Retomado de:
http://www.mathematik.uni-kl.de/~ mamaeusch.
12. Levin, R., Rubin, D., (2004) Estadística para administración y economía (7ª ed.) Mexico,
D.F., Pearson Education
13. Mendenhall, W., Beaver, R., Beaver, B., (2010). Introducción a la probabilidad y estadística
(13ª ed.) Mexico, D.F., Cengage Learning Editores S.A de C.V.
14. Neter, J., Wasserman, W., Withmore, G., (1982) Applied statistics (2nd ed.) Boston, U.S.A.
Allyn and Bacon, Inc.
15. Organización de las Naciones Unidas. (1957). Preparación de informes sobre encuestas a
base de muestras, Informes estadísticos, Serie C, N.º 1.
16. Ott, R., Longnecker, M., (2010) An introduction to statistical methods and data analysis
(6ª ed.) Canadá, Brooks/Cole, Cengage Learning.
17. Pérez, C., (2005), Muestreo estadístico: Conceptos y problemas resueltos Mexico, D.F.,
Pearson Prentice Hall.
18. Romijn, J.-W., (2014) Philosophy of statistics Stanford Enyclopedia of Philosophy.
19. Spiegel, M., (1991) Estadística (2ª ed.) Santiago, Chile, McGraw-Hill Interamericana de
España S.A.
20. Yamane, T., (1979). Estadística (3er ed.) Mexico, D.F., Harla.
Página 14 de 15
GLOSARIO
Experimento Aleatorio: Aquel en el que se conocen todos los resultados posibles del
mismo, pero que no podemos predecir con certeza cuál de ellos ocurrirá, antes de realizar
el experimento.
Espacio Muestral: Conjunto formado por todos los resultados posibles de un experimento.
Evento: Subconjuntos disjuntos tomados del espacio muestra de un experimento aleatorio.
Variable aleatoria: Es una función que va desde el espacio muestral hacia el conjunto de
los números reales, en la que a cada resultado posible le asigna como imagen un número
real.
Distribución de probabilidades: Es una función que va desde el espacio muestral hacia el

conjunto de los números reales, en la que a cada resultado posible le asigna como imagen
su propia probabilidad de ocurrencia.
Ensayos de Bernoulli: aquellos experimentos aleatorios que su espacio muestral está

formado únicamente por dos resultados posibles. Para usar una generalización de ellos los
definiremos como “éxito” y “fracaso”. Además, se conoce la probabilidad de ocurrencia de
uno de ellos (generalmente asociada al éxito, aunque podría ser que la conocida sea la del
fracaso). La otra se obtiene por complemento así, si llamamos “p” a la probabilidad de éxito
entonces la probabilidad de fracaso será “q=1-p”.
Distribución Binomial: Se repite n veces un ensayo de Bernoulli de forma independiente

unos de otros. Entonces la variable X, que cuenta el número de veces que se obtiene “éxito”
en las n realizaciones del ensayo de Bernoulli, sigue una distribución Binomial, con
parámetros “n” (el número de veces que se repite el ensayo de Bernoulli) y “p” (la
probabilidad de “éxito” en cada ensayo de Bernoulli).
Distribución Geométrica: Se repite un ensayo de Bernoulli de forma independiente hasta

que ocurre por primera vez un éxito. Entonces la variable X, que cuenta el número de veces
que se repite el ensayo de Bernoulli hasta obtener por primera vez un “éxito”.
Distribución Hipergeométrica: Se tiene una población de tamaño n, que se divide en dos

grupos que son mutuamente excluyentes. Digamos que se denominan A y B a dichos
grupos, de tal forma que el número de elementos de A es m y el número de elementos de
B es n-m (el complemento para los n que hay en total en toda la población). Se extrae una
muestra de tamaño r (con r<n) sin repetición. Se trata de saber cuántos de los elementos
de la muestra pertenecen al grupo de observación, supongamos que dicho grupo es el
Página 15 de 15
grupo A. Entonces la variable X, que cuenta el número de elementos de la muestra que

pertenecen al grupo A, sigue una distribución Hipergeométrica, con parámetros “n” (El
tamaño de la población total), “m” (El tamaño del grupo de observación, A en este caso),
“r” (El tamaño de la muestra aleatoria a obtener sin repetición).
Distribución de Poisson: Se cuenta el número de eventos independientes que ocurren por

una unidad de tiempo dada, conociendo la tasa de ocurrencia por unidad de tiempo de
dichos eventos. Entonces la variable X, que cuenta el número de ocurrencias de eventos
independientes por unidad de tiempo, sigue una distribución de Poisson, con parámetro
“λ” (la tasa de ocurrencia de dichos eventos por unidad de tiempo).

Virfia Pye115 U3 CT 3.1-3.2 Me

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Virfia Pye115 U3 CT 3.1-3.2 Me

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSIDAD DE EL SALVADOR EN LÍNEA

FACULTAD DE INGENIERÍA Y ARQUITECTURA

3.1. Definiciones básicas de los experimentos aleatorios.

Estudiaremos estos contenidos en cuatro semanas. La primera semana

3.1. DEFINICIONES BÁSICAS DE LOS EXPERIMENTOS ALEATORIOS

Definimos un “experimento aleatorio”, como aquel en el que se conocen todos los

El otro experimento aleatorio clásico es el del lanzamiento sobre una superficie

Definiremos ahora al conjunto formado por todos los resultados posibles de un

“S”, generalmente encontrado así en la literatura de habla inglesa, ya que espacio

Los espacios muestrales de los ejemplos anteriores son entonces:

S = {“C”, “S”}, para el caso del lanzamiento de la moneda. S = {1, 2, 3, 4, 5, 6} en el

Como ya lo hemos hecho en estos tres ejemplos anteriores, hemos asignado a

Muchas veces los resultados posibles de un experimento se agrupan en

A los subconjuntos disjuntos formados de la división del espacio muestral se les

Ahora definiremos el concepto de variable aleatoria. Una “Variable aleatoria” es

Figura 1. Función “Variable Aleatoria”.

Al igual que cuando se habla de distribución de probabilidades asociada a los

Figura 2. Distribución de probabilidades de una variable aleatoria.

El siguiente ejemplo ilustra la aplicación del concepto de variable aleatoria.

Figura 3. Ejemplo de Función variable aleatoria, sobre el dado.

Figura 4. Ejemplo de distribución de probabilidades de una variable aleatoria.

Las variable aleatorias, se suelen clasificar en discretas y continuas, dependiendo

3.2. VARIABLES ALEATORIAS DISCRETAS.

Los ensayos de Bernoulli, son aquellos experimentos aleatorios que su espacio

Existen muchos casos de este tipo:

• El lanzamiento de una moneda sobre una superficie plana, S = {“C”, “S”}.

Esta distribución es la más simple que existe. Ya que en su misma definición se

¿Puede pensar en otros ejemplos de experimentos aleatorios (ensayos de

Resulta claro que este número oscilará entre 0 y el número de repeticiones

Las fórmulas usadas para el caso de la distribución Binomial son:

La fórmula recurrente es:

Las fórmulas usadas para el caso de la distribución Geométrica son:

𝑃(𝑋 = 𝑖) = 𝑞 𝑖−1 𝑝 Para valores de 𝑖 = 1,2, 3, ⋯

La fórmula recurrente es:

𝑃(𝑋 = 𝑖) = 𝑞 ∗ 𝑃(𝑋 = 𝑖 − 1) Para valores de 𝑖 = 1, 2, 3, …

Los valores posibles de la variable X, depende de si r es menor, mayor o igual que

Las fórmulas usadas para el caso de la distribución Hipergeométrica son:

La fórmula recurrente es:

Resulta claro que este número oscilará entre 0 y el número de eventos

Las fórmulas usadas para el caso de la distribución Poisson son:

La fórmula recurrente es:

Tabla resumen de Distribuciones discretas:

3.2.1. SECCIÓN DE EJERCICIOS.

Tenemos que describir tres experimentos aleatorios a partir de la siguiente

a) Experimento aleatorio 1: Observar qué equipo gana la competencia.

b) Experimento aleatorio 2: Observar si el equipo de “VEN” bota o no la batuta

3.3. ENLACES SUGERIDOS

Evento: Subconjuntos disjuntos tomados del espacio muestra de un experimento aleatorio.

Distribución de probabilidades: Es una función que va desde el espacio muestral hacia el

Ensayos de Bernoulli: aquellos experimentos aleatorios que su espacio muestral está

Distribución Binomial: Se repite n veces un ensayo de Bernoulli de forma independiente

Distribución Geométrica: Se repite un ensayo de Bernoulli de forma independiente hasta

Distribución Hipergeométrica: Se tiene una población de tamaño n, que se divide en dos

grupo A. Entonces la variable X, que cuenta el número de elementos de la muestra que

Distribución de Poisson: Se cuenta el número de eventos independientes que ocurren por

Das könnte Ihnen auch gefallen