Distribución discreta

Una distribución discreta describe la probabilidad de que ocurran eventos discretos.

Por ejemplo, una distribución discreta describe la probabilidad de que las unidades
familiares de California tengan 0, 1, 2, 3 o 4 automóviles. La Dirección de Vehículos
Automotores pudiera utilizar esta información para determinar la probabilidad de
que cada unidad familiar tenga 2 o menos vehículos. La distribución discreta se
utiliza comúnmente en la configuración de calidad del servicio en algunos lugares,
tales como centros de atención al cliente, hospitales e instituciones financieras.

Una distribución discreta es una lista de los diferentes valores numéricos de la

variable de interés y sus probabilidades asociadas. Las probabilidades deben sumar
1. Para el ejemplo de los automóviles, las probabilidades de números específicos de
vehículos se muestran a continuación.

Número de automóviles por unidad

Probabilidad
familiar

0 0.03

1 0.13

2 0.70

3 0.10

4 0.04

En Minitab, los valores en una distribución discreta deben ser numéricos. Sin
embargo, usted puede utilizar valores numéricos para representar las variables
categóricas. Por ejemplo, una compañía de emisión de tarjetas de crédito desea
comprender los tipos de llamadas de los clientes. Usted podría usar Minitab para
crear una distribución discreta codificando los tipos de llamadas: 1 = la tasa de
porcentaje anual es demasiado alta, 2 = preguntas sobre incentivos (millas de
aerolíneas) y así sucesivamente.

Utilice la distribución discreta para datos discretos cuando ninguna de las otras
distribuciones discretas (de Bernoulli, binomial, hipergeométrica, de enteros y de
Poisson) sea apropiada.

Distribución binomial o de Bernoulli

Un experimento sigue el modelo de la distribución binomial o de Bernoulli si:

1. En cada prueba del experimento sólo son posibles dos resultados: el suceso
A (éxito) y su contrario  .

2. La probabilidad del suceso A es constante, es decir, que no varía de una

prueba a otra. Se representa por p.

3. El resultado obtenido en cada prueba es independiente de los resultados

obtenidos anteriormente.

La distribución binomial se suele representar por B(n, p).

n es el número de pruebas de que consta el experimento.

p es la probabilidad de éxito.

La probabilidad de   es 1− p, y la representamos por q.

Variable aleatoria binomial

La variable aleatoria binomial, X, expresa el número de éxitos obtenidos en

cada prueba del experimento.

La variable binomial es una variable aleatoria discreta, sólo puede tomar los
valores 0, 1, 2, 3, 4, ..., n suponiendo que se han realizado n pruebas.
 Ejemplo:  

k = 6, al lanzar una moneda 10 veces y obtener 6 

Distribución hipergeométrica
Ir a la navegaciónIr a la búsqueda

Distribución hipergeometrica

Parámetros
 

Dominio

Función de probabilidad(fp)

Media

Moda

Varianza

Coeficiente de simetría

Curtosis  

Función generadora de momentos(mgf)

Función característica

[editar datos en Wikidata]

En teoría de la probabilidad la distribución hipergeométrica es una distribución discreta

relacionada con muestreos aleatorios y sin reemplazo. Suponga que se tiene una
población de N elementos de los cuales, d pertenecen a la categoría A y N-d a la B. La
distribución hipergeométrica mide la probabilidad de obtener x () elementos de la
categoría A en una muestra sin reemplazo de n elementos de la población original.
Propiedades[editar]
La función de probabilidad de una variable aleatoria con distribución hipergeométrica
puede deducirse a través de razonamientos combinatorios y es igual a
donde  es el tamaño de población,  es el tamaño de la muestra extraída,  es el número
de elementos en la población original que pertenecen a la categoría deseada y  es el
número de elementos en la muestra que pertenecen a dicha categoría. La
notación  hace referencia al coeficiente binomial, es decir, el número de
combinaciones posibles al seleccionar  elementos de un total .
El valor esperado de una variable aleatoria X que sigue la distribución hipergeométrica
es
y su varianza,
En la fórmula anterior, definiendo
y
se obtiene
La distribución hipergeométrica es aplicable a muestreos sin
reemplazo y la binomial a muestreos con reemplazo. En
situaciones en las que el número esperado de repeticiones en el
muestreo es presumiblemente bajo, puede aproximarse la primera
por la segunda. Esto es así cuando N es grande y el tamaño
relativo de la muestra extraída, n/N, es pequeño.
En teoría de la probabilidad la distribución hipergeométrica es una distribución discreta
relacionada con muestreos aleatorios y sin reemplazo. Suponga que se tiene una
población de N elementos de los cuales, d pertenecen a la categoría A y N-d a la B. La
distribución hipergeométrica mide la probabilidad de obtener x () elementos de la
categoría A en una muestra sin reemplazo de n elementos de la población original.

Propiedades[editar]
La función de probabilidad de una variable aleatoria con distribución hipergeométrica
puede deducirse a través de razonamientos combinatorios y es igual a
donde  es el tamaño de población,  es el tamaño de la muestra extraída,  es el número
de elementos en la población original que pertenecen a la categoría deseada y  es el
número de elementos en la muestra que pertenecen a dicha categoría. La
notación  hace referencia al coeficiente binomial, es decir, el número de
combinaciones posibles al seleccionar  elementos de un total .
El valor esperado de una variable aleatoria X que sigue la distribución hipergeométrica
es
y su varianza,
En la fórmula anterior, definiendo
y
se obtiene
La distribución hipergeométrica es aplicable a muestreos sin
reemplazo y la binomial a muestreos con reemplazo. En
situaciones en las que el número esperado de repeticiones en el
muestreo es presumiblemente bajo, puede aproximarse la primera
por la segunda. Esto es así cuando N es grande y el tamaño
relativo de la muestra extraída, n/N, es pequeño.
Distribución de Poisson
En teoría de probabilidad y estadística, la distribución de Poisson es una distribución de
probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la
probabilidad de que ocurra un determinado número de eventos durante cierto período de
tiempo. Concretamente, se especializa en la probabilidad de ocurrencia de sucesos con
probabilidades muy pequeñas, o sucesos "raros".
Fue descubierta por Siméon-Denis Poisson, que la dio a conocer en 1838 en su
trabajo Recherches sur la probabilité des jugements en matières criminelles et matière
civile (Investigación sobre la probabilidad de los juicios en materias criminales y civiles).

Propiedades[editar]
La función de masa de probabilidad de la distribución de Poisson
es
La función de masa de probabilidad de la distribución de Poisson
esLa función de masa de probabilidad de la distribución de
Poisson esLa función de masa de probabilidad de la distribución
de Poisson esvLa función de masa de probabilidad de la
distribución de Poisson es

Enlaces externos[editar]

 [1] Cálculo de la probabilidad de una distribución

hipergeométrica con R (lenguaje de programación)
 Calculadora Distribución hipergeométrica

La distribución de Poisson
 

Se trata de un modelo discreto, pero en el que el conjunto de valores con

probabilidad no nula no es finito, sino numerable. Se dice que una variable
aleatoria X sigue la distribución de Poisson si su función de densidad viene
dada por:

Como vemos, este modelo se caracteriza por un sólo parámetro λ, que debe
 ser positivo.

Esta distribución suele utilizarse para contajes del tipo número de individuos

por unidad de tiempo, de espacio, etc.

Propiedades del modelo de Poisson

1) Esperanza: E(X) = λ.

2) Varianza: V(X) = λ.

En esta distribución la esperanza y la varianza coinciden.

3) La suma de dos variables aleatorias independientes con distribución de

Poisson resulta en una nueva variable aleatoria, también con distribución de
Poisson, de parámetro igual a la suma de parámetros:

X1 ~ P(λ = λ1)    y    X2  ~ P(λ = λ2)

y definimos Z = X1 + X2, entonces,

Z ~ P(λ = λ1 + λ2)

Este resultado se extiende inmediatamente al caso de n variables aleatorias

independientes con distribución de Poisson. En este caso, la variable suma de
todas ellas sigue una distribución de Poisson de parámetro igual a la suma de
los parámetros.
DISTRIBUCIÓN  DE  POISSON.
 
Características:
En este tipo de experimentos los éxitos buscados son expresados por
unidad de área, tiempo, pieza, etc, etc,:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc,
etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefónicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a  un puerto por día, mes, etc, etc.
Para determinar la probabilidad de que ocurran x éxitos por unidad de
tiempo, área, o producto, la fórmula a utilizar sería:
 
                                                            
donde:
p(x, ) = probabilidad de que ocurran x éxitos, cuando el número
promedio de ocurrencia de ellos es 
 = media o promedio de éxitos por unidad de tiempo, área o producto
 = 2.718
x = variable que nos denota el número de éxitos que se desea que ocurra
 
Hay que hacer notar que en esta distribución el número de éxitos que
ocurren por unidad de tiempo, área o producto es totalmente al azar y
que cada intervalo de tiempo es independiente de otro intervalo dado, así
como cada área es independiente de otra área dada y cada producto es
independiente de otro producto dado.
 
 
 
Ejemplos:
1. Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado,
b) 10 cheques sin fondos en cualquiera de dos días consecutivos?
 
 
Solución:
a)      x = variable que nos define el número de cheques sin fondo
que llegan al banco en un día cualquiera = 0, 1, 2, 3, ....., etc,
etc.
 = 6 cheques sin fondo por día
 = 2.718
 
                           

 
 
b)
x= variable que nos define el número de cheques sin fondo que
llegan al banco en dos días consecutivos = 0, 1, 2, 3, ......, etc., etc.
 = 6 x 2 = 12 cheques sin fondo en promedio que  llegan al
banco en dos días consecutivos
Nota:  siempre debe de estar en función de x siempre o dicho
de otra forma, debe “hablar” de lo mismo que x.
 
                          

 
2. En la inspección de hojalata producida por un proceso electrolítico
continuo, se identifican 0.2 imperfecciones en promedio por minuto.
Determine las probabilidades de identificar a) una imperfección en 3
minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando más una
imperfección en 15 minutos.
Solución:
a)      x = variable que nos define el número 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
 
 
                      

 
b)      x = variable que nos define el número de imperfecciones en
la hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.
 = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en
la hojalata
 
                    

 
                 =1-(0.367918+0.367918) = 0.26416
 
c)      x = variable que nos define el número 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
 
           

 
                                                                                                                  =
0.0498026 + 0.149408 = 0.1992106
DISTRIBUCIÓN BINOMIAL. EJERCICIOS RESUELTOS 1. El temario de una oposición consta de 90

temas y un opositor sólo sabe 30 de ellos. Se eligen al azar dos temas. a) Calcula la

probabilidad de que el opositor no sepa ninguno. b) ¿Cuál es la probabilidad de que sepa por

lo menos uno? Solución: X= "Nº de temas que sabe el opositor". n= 2 temas independientes.

p=P(saber)= 30 90 = 1 3 q=P(no saber )= 2 3 a) P(X =0)=( 8 0 ) ( 1 3 ) 0 ∙ ( 2 3 ) 8 = 1 ∙1∙ ( 2 3 ) 8 =

0,039 b) P(X ≥1)=1−P (X =0) =1-0,039=0,961 2. En una asociación juvenil el 60% de los socios

juegan al balonmano. En un momento dado se trata de reunir gente para formar un equipo,

por lo que se pregunta a un grupo de 20 socios si practican dicho deporte. a) Describe la

variable aleatoria que representa el número de individuos del grupo que lo practican. b) ¿Cuál

es la probabilidad de que en el grupo haya tres o más personas que jueguen al balonmano?

¿Cuántos socios del grupo se espera que lo practiquen? Solución: a) X= "Nº de socios que

practican el balonmano". n= 20 socios independientes. p=P(practicar el balonmano)=0,6

q=P(no practicar el balonmano)=0,4 b) P(X ≥3)=1−P (X < 3)=1−P(X=0)−P(X=1)−P(X =2) P(X

=2)=( 20 2 )0,6² ∙ 0,418 = 190 ∙ 0,36 ∙ 6,87∙10-8 = 4,7∙10-6 P(X =1)=( 20 1 )0,61 ∙ 0,419 = 20 ∙ 0,6 ∙

2,75∙10-8 = 3,3∙10-7 X ∈B(2, 1 3 ) X ∈B(20,0.6) P(X=0)=( 20 0 )0,60 ∙ 0,420 = 1 ∙ 1 ∙ 1,1∙10-8 =

1,1∙10-8 P(X ≥3) =1 – 1,1∙10-8 – 3,3∙10-7 - 4,7∙10-6 = 0,999995 Número esperado de socios del

grupo que se espera que practiquen el balonmano: 20 ∙ 0,6= 12 socios 3. Una empresa

dedicada a la venta de un determinado tipo de artículo, que ofrece a sus habituales clientes

dos formas de pago: “pago al contado” o “pagado aplazado”, sabe que el 30% de las unidades

adquiridas de dicho artículo lo son bajo la forma de “pago al contado”. Si en un período de

tiempo determinado se adquirieron 6 unidades, determinar la probabilidad de que: a) Dos

unidades o más hayan sido “al contado”. b) Dos unidades o menos, hayan sido con “pago

aplazado”. Solución: X= "Nº de unidades pagadas al contado". N= 6 unidades independientes.

p=P(pago al contado)=0,3 q=P(pago aplazado)=0,7 a) P(X=1)=( 6 1)0,3¹ ∙ 0,75 = 6 ∙ 0,3 ∙ 0,75 =

0,302526 P(X=0)=( 6 0)0,30 ∙ 0,7⁶ = 1 ∙ 1 ∙ 0,7⁶ = 0,117649 =1- 0,302526 - 0,117649 = 0,5798 b)

Si dos unidades o menos son con pago aplazado, cuatro o más son con pago al contado:

P(X=4)=( 6 4) 0,3 ∙ 0,7² ⁴ = 15 ∙ 0,3 ∙ 0,7² ⁴ = 0,059535 P(X=5)=( 6 5) 0,3 ∙ 0,7¹ ⁵ = 6 ∙ 0,3 ∙ 0,7 ⁵ =

0,010206 X ∈B(6,0.3) P(X≥2)=1−P(X6)=P(X=7)+P(X=8) =0,3847+0,2725=0,6572 P(X=7)=( 8

7)0,85⁷ ∙ 0,15¹ = 8 ∙ 0,85 ∙ 0,15 ⁷ = 0,3847 c) P(X≥4)=P(X=4)+P(X=5)+P(X=6)+P(X=7)+P(X=8)

P(X=4)=( 8 4) 0,85 ∙ 0,15 ⁴ ⁴ = 70 ∙ 0,85 ∙ 0,15 ⁴ ⁴ = 0,0185 P(X=5)=( 8 5) 0,85 ∙ 0,15³ ⁵ = 56 ∙ 0,85 ∙

0,15³ ⁵ = 0,0839 P(X=6)=( 8 6)0,85 ∙ 0,15² ⁶ = 28 ∙ 0,85 ∙ 0,15² ⁶ = 0,2376 P(X≥4)

=0,0185+0,0839+0,2376+0,3847+0,2725=0,9972 6. Suponiendo que cada nacido tenga

probabilidad de 0,49 de ser varón, hallar la

P(X≥7)=0,0425+0,0106+0,0016+0,000105=0,054805 X ∈B(8,0.85) probabilidad de que una

familia con tres hijos tenga: a) Dos niños y una niña. b) Por lo menos dos niños. Solución: X=

"Nº de niños nacidos". n= 3 hijos independientes. p=P(niño)=0,49 q=P(niña)=0,51 a) P(X=2)=( 3

2) 0,49² ∙ 0,51¹ = 3 ∙ 0,2401 ∙ 0,51 = 0,3674 b) P(X≥2)=P(X=2)+P(X=3) P(X=3)=( 3 3)0,49³ ∙ 0,51 =

1 ∙ 0,49³ ∙ 1 ⁰ = 0,1176 P(X≥2)=0,3674+0,1176=0,485 7. El 85% de la población considera que

los tratamientos de psicoterapia son caros. Elegida una muestra al azar formada por siete

individuos, se pide: a) Probabilidad de que todos los consideren caros. b) Probabilidad de que

ninguno lo considere caro. c) Probabilidad de que por lo menos tres los consideren caros.
Solución: X= "Nº de individuos que consideran que los tratamientos de fisioterapia son caros".

N= 7 individuos independientes. p=P(considerar caro)=0,85 q=P(no considerar caro)=0,15 a)

P X=7= 7 7 0,857 ∙ 0,15⁰ = 1 ∙ 0,857 ∙ 1 = 0,3206 b) P X=0= 7 0 0,85 ∙ 0,15 ⁰ 7

= 1 ∙ 0,157 = 1,71∙10⁻6 c) P X=1= 7 1 0,85¹ ∙ 0,156 = 7 ∙ 0,85 ∙ 0,156 = 6,78∙10⁻5 X

∈B(3,0.49) X ∈B(7,0.85) P(X≥3)=1−P(X

 a última novela de un autor ha tenido un gran éxito, hasta el punto de que el 80% de
los lectores ya la han leido. Un grupo de 4 amigos son aficionados a la lectura:
          ¿Cuál es la probabilidad de que en el grupo hayan leído la novela 2 personas?

          ¿Y cómo máximo 2?

 Un agente de seguros vende pólizas a cinco personas de la misma edad y que disfrutan
de buena salud. Según las tablas actuales, la probabilidad de que una persona en estas
condiciones viva 30 años o más es 2/3. Hállese la probabilidad de que, transcurridos 30
años, vivan:
          Las cinco personas:
          Al menos tres personas:

          Exactamente dos personas:

 Se lanza una moneda cuatro veces. Calcular la probabilidad de que salgan más caras
que cruces.

Ejercicios resueltos de distribución

hipergeométrica
ABRIL 8, 2017 por FEDE 3 COMENTARIOS
Los siguientes son ejercicios resueltos de distribución
hipegeométrica. Están tomados de la práctica 3 de la guía de
ejercicios de Probabilidad y Estadística de UTN-FRBA (versión
2017).

Aclaraciones importantes:

1. Esta no es la explicación del tema “distribución

hipergeométrica” (eso lo vamos a publicar en un posteo
aparte). Así que es necesario tener claros los conceptos
básicos de esa distribución antes de hacer los ejercicios.
2. No es recomendable leer la resolución de los ejercicios
sin antes intentar resolverlos primero. No sé aprende tanto
leyendo una resolución, cómo enfrentandose uno mismo al
problema. Si previamente trabajan sobre el ejercicio,
después leer la resolución puede ser muy útil.

Cualquier comentario lo pueden dejar al final ;).

Acá van los ejercicios:

Contenidos [Mostrar]
Ejercicio 1

Diez refrigeradores de cierto tipo han sido devueltos a un

distribuidor debido al a presencia de un ruido oscilante agudo
cuando el refrigerador está funcionando. Supongamos que 4 de
estos 10 refrigeradores tienen compresores defectuosos y los
otros 6 tienen problemas más leves. Si se examinan al azar 5
de estos 10 refrigeradores, y se define la variable aleatoria X:
“el número entre los 5 examinados que tienen un compresor
defectuoso”. Indicar:

1. La distribución de la variable aleatoria X

2. La probabilidad de que no todos tengan fallas leves
3. La probabilidad de que a lo sumo cuatro tengan fallas de
compresor
Resolución del ejercicio 1

ÍTEM A

Ilustremos con un esquema la situación:

El tamaño de la población finita es de 10 ⇒N=10⇒N=10. En

esa población finita hay 4 éxitos (compresores defectuosos) y 6
fracasos (problemas más leves). ⇒M=4⇒M=4. El tamaño de
la muestra es de 5, ⇒n=5⇒n=5.
Entonces la variable XX número de refrigeradores con
compresores defectuosos de un total de 5 analizados, tiene
distribución:
X∼Hipergeométrica(N=10,M=4,n=5)X∼Hipergeométrica(N
=10,M=4,n=5)

ÍTEM B

Es conveniente pensar cómo expresar en términos de X a la

condición “que no todos tengan fallas leves”. Si no ocurre que
todos tengan fallas leves, es porque alguno tiene compresores
defectuosos. Es decir que X≥1X≥1.
P(X≥1)=1–P(X=0)=1–(40)(65)(105)=0,97619P(X≥1)=1–
P(X=0)=1–(40)(65)(105)=0,97619
En el siguiente video mostramos cómo calcular la probabilidad
de una variable hipergeométrica usando una app (la app se
llama Probability Distributions y se puede descargar
desde acá):

ÍTEM C

“A lo sumo cuatro fallas de compresor” es equivalente a “cómo

máximo cuatro fallas de compresor”. Es decir X≤4X≤4. Pero el
recorrido de la variable es R(X)={0,1,2,3,4}R(X)={0,1,2,3,4}.
Entonces:
P(X≤4)=1P(X≤4)=1
Ejercicio 2

Un grupo de amigos del secundario se reúnen en la casa de

Laura para comer un asado. En este grupo hay 8 mujeres y 6
varones. De las mujeres 5 estudian letras y el resto exactas,
mientras que de los varones sólo uno estudia letras y el resto
exactas.

a) Si las primeras en llegar a la casa son tres chicas, ¿cuál es

la probabilidad de que estudien lo mismo?

b) Si tres cualesquiera de ellos hacen el asado, ¿cuál es la

probabilidad de que estudien lo mismo?

c) Si se seleccionan dos al azar de este conjunto de amigos y

se define la variable aleatoria X: cantidad de amigos que
estudian letras entre los dos elegidos, hallar el valor esperado y
la varianza de X.
Resolución del ejercicio 2

ÍTEM A

Hagamos un esquema de la composición del grupo respecto a

sexo y a estudios:

Si las primeras que llegan son tres chicas (Laura ya está en su

casa…) entonces hay cuatro chicas (tres + Laura). La única
forma de que estudien lo mismo es que estudien letras (no
existen 4 chicas que estudien exactas en el grupo). Entonces
Laura estudia Letras.

Son siete chicas las que pueden llegar a la casa de Laura (4

estudian letras y 3 exactas). Podemos considerar a esas siete
chicas cómo la población, de la que se extraen aleatoriamente
tres invididuos:
Definamos entonces la variable con distribución
hipergeométrica:

X:X: cantidad de chicas que estudian letras entre las tres

primeras en llegar a la casa de Laura (elegidas entre siete
chicas en total)
X∼Hipergeométrica(N=7,M=4,n=3)X∼Hipergeométrica(N
=7,M=4,n=3)
Para responder a la pregunta calculamos la probabilidad de
que x=3x=3:
P(x=3)=(43)(30)(73)≅0,11429P(x=3)=(43)(30)(73)≅0,11429
 

ÍTEM B

En esta pregunta ya no interesa el sexo de cada uno sino lo

que estudian. Tenemos la siguiente composición:
Podemos definir la variable YY: cantidad de chicos que
estudian letras de un total de 3 amigos elegidos aleatoriamente
entre 14 amigos. Esa variable tiene distribución
hipergeométrica con N=14N=14, M=6M=6, n=3n=3.
Notemos que si Y=3Y=3 entonces los tres amigos estudian
letras, pero si Y=0Y=0 entonces los tres amigos estudian
exactas.
Luego la probabilidad que nos piden es:

P(estudienlomismo)P(estudienlomismo)
=P(Y=0)+P(Y=3)=P(Y=0)+P(Y=3)
≅0,05495+0,15385≅0,05495+0,15385
≅0,2088≅0,2088

ÍTEM C

Cómo conocemos la variable y sus parámetros, simplemente

reemplazamos en las fórmulas de esperanza y varianza de una
variable hipergeométrica.

XX: cantidad de amigos que estudian letras entre los dos

elegidos
X∼Hipergeométrica(N=14,M=6,n=2)X∼Hipergeométrica(N
=14,M=6,n=2)
E(X)=nMNE(X)=nMN
E(X)=2.614=67≅0,8571E(X)=2.614=67≅0,8571
V(X)=(N–nN–1)n.MN.(1–MN)V(X)=(N–nN–1)n.MN.(1–MN)
V(X)=(14–214–1)2.614.(1–614)V(X)=(14–214–1)2.614.(1–614)
V(X)=288637=0,452V(X)=288637=0,452
 
 

Ejercicio 3

En una partida de truco, asumiendo que el mazo se encuentra

bien mezclado, se reparte una mano de cartas.

a) Hallar la probabilidad de que el jugador que recibe las

primeras tres cartas tenga envido (dos cartas del mismo palo y
una diferente)

b) Hallar la probabilidad de que el primer jugador tenga flor

(tres cartas del mismo palo)

c) Hallar la probabilidad de que ambos tengan flor

d) Hallar la probabilidad de que el primer jugador no tenga ni

flor ni envido

Resolución del ejercicio 3

ÍTEM A

Queremos calcular la probabilidad de tener dos cartas del

mismo palo. Por ejemplo podríamos recibir:
{espada,espada,basto}, pero también {oro, espada, oro}.
¿Cómo calcular esa probabilidad? La variable
hipergeometrétrica puede ser útil para resolverlo. Podríamos
definir una variable que cuente la cantidad de cartas de cierto
palo (tomemos espada, por ejemplo) que recibimos entre las
primeras tres. El siguiente diagrama puede ayudar a interpretar
la situación:
XX: cantidad de cartas que son de espadas de las tres
recibidas (tomadas de un total de 40)
X∼Hipergeométrica(N=40,M=10,n=3)X∼Hipergeométrica(
N=40,M=10,n=3)
Cómo queremos la probabilidad de obtener exactamente dos
cartas de espadas, entonces calculamos P(X=2)P(X=2):
P(X=2)=(102)(301)(403)≅0,13664P(X=2)=(102)(301)
(403)≅0,13664
¿Y cómo será la probabilidad de obtener exactamente dos
cartas de oro, o de copa o de basto? Debe ser la misma
probabilidad, porque hay igual cantidad de cartas de cada palo.
Luego :

P(envido)≅0,54656P(envido)≅0,54656
 
 

ÍTEM B

Este ítem es muy similar al anterior. Sólo que no queremos que

tenga dos cartas del mismo palo, sino tres cartas del mismo
palo. Podemos usar la variable:

XX: cantidad de cartas que son de espadas de las tres

recibidas (tomadas de un total de 40)
X∼Hipergeométrica(N=40,M=10,n=3)X∼Hipergeométrica(
N=40,M=10,n=3)
Cómo queremos la probabilidad de obtener exactamente tres
cartas de espadas, entonces calculamos P(X=3)P(X=3):
P(X=3)≅0,01215P(X=3)≅0,01215
Cómo la probabilidad es la misma para todos los palos,
entonces:

P(flor)=4P(X=3)≅0,0486P(flor)=4P(X=3)≅0,0486
 

ÍTEM C

Llamemos F1F1 al suceso de que el jugador 1 tenga flor,

y F2F2 al suceso de que el jugador 2 tenga flor. Entonces la
probabilidad que nos piden es:
P(F1∩F2)P(F1∩F2)
Para calcular esa probabilidad podemos usar la regla de la
multiplicación:

P(F1∩F2)=P(F1).P(F2|F1)P(F1∩F2)=P(F1).P(F2|F1)
Notemos que ya conocemos por haber resuelto el ítem b, cual
es la probabilidad P(F1)P(F1). Sólo nos queda averiguar P(F2|
F1)P(F2|F1).
Si ocurrió F1F1 hay entonces 3737 cartas restantes. La
composición en palos es 10, 10, 10 , 7. Hay 10 cartas de cada
uno de tres palos, y hay 7 cartas de aquel palo del cual es la
flor del jugador 1. La flor del jugador 2 puede ser del mismo
palo que la del jugador 1, o de diferente palo.
Llamemos MM al suceso de que la flor del jugador 2 sea del
mismo palo que la flor del jugador 1. Entonces podemos
expresar a F2|F1F2|F1 cómo unión de sucesos mutuamente
excluyentes:

Deberemos hallar esas probabilidades.

¿Cuál es la probabilidad de MM?

Consideremos la variable YY: cantidad de cartas del mismo
palo de la flor del jugador 1 que recibe el jugador 2. Su
distribución
es Y∼Hipergeométrica(N=37,M=7,n=3)Y∼Hipergeométric
a(N=37,M=7,n=3). Entonces si la variable YY toma el valor 3
ocurre MM:
P(M)=P(Y=3)=(73)(300)(373)≅0,0045P(M)=P(Y=3)=(73)(300)
(373)≅0,0045
¿Cuál es la probabilidad de ¯MM¯?
Consideremos la variable Z:Z: cantidad de cartas de un palo
diferente de aquel de la flor del jugador 1 que recibe el jugador
2. Su distribución
es Z∼Hipergeométrica(N=37,M=10,n=3)Z∼Hipergeométric
a(N=37,M=10,n=3). Entonces si la variable Z toma el valor 3
ocurre que el jugador 2 tiene una flor de distinto palo que el
jugador 1:
P(Z=3)=(103)(270)(373)≅0,01544P(Z=3)=(103)(270)
(373)≅0,01544
Esta probabilidad sería la misma para cualquiera de los tres
palos. Así que:

P(¯M)≅3.0,01544≅0,04632P(M¯)≅3.0,01544≅0,04632
Luego:

P(F2|F1)=P(M)+P(¯M)P(F2|F1)=P(M)+P(M¯)
≅0,0045+0,04632≅0,05082≅0,0045+0,04632≅0,05082
Entonces:

P(F1∩F2)=P(F1).P(F2|F1)P(F1∩F2)=P(F1).P(F2|F1)
P(F1∩F2)=0,0486.0,05082=0,002469P(F1∩F2)=0,0486.0,0
5082=0,002469

ÍTEM D

Los sucesos:

FF: el primer jugador tiene flor

EE: el primer jugador tiene envido
NN: el primer jugador no tiene ni flor ni envido
¿Cómo son entre sí? Ilustremos en un diagrama la situación:
Son sucesos que se excluyen mutuamente. Y además son
sucesos que unidos abarcan todo el espacio omuestral. Es
decir: FF, EE y NN son sucesos mutuamente excluyentes y
colectivamente exhaustivos. Entonces cumplen que:
P(N)+P(E)+P(F)=1P(N)+P(E)+P(F)=1
Ahora cómo conocemos P(E)P(E) y P(F)P(F) (lo averiguamos
en ítems a y b) podemos calcular P(N)P(N):
P(N)=1–P(E)–P(F)P(N)=1–P(E)–P(F)
P(¯F∩¯E)=1–0,54656–0,0486P(F¯∩E¯)=1–0,54656–
0,0486
P(¯F∩¯E)=0,40484