P. 1
Distribución de Poisson

Distribución de Poisson

|Views: 11|Likes:
Publicado porxsadcdeadx

More info:

Published by: xsadcdeadx on Jun 03, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

08/12/2014

pdf

text

original

INDICE

DISTRIBUCIÓN DE POISSON ................................................................................................................ 2 DISTRIBUCIÓN GEOMÉTRICA .............................................................................................................. 3 DISTRIBUCIÓN HIPERGEOMÉTRICA..................................................................................................... 4

Describe todo proceso aleatorio cuya probabilidad de ocurrencia es pequeña y constante y cuando la variable es discreta.DISTRIBUCIÓN DE POISSON En teoría de probabilidad y estadística. Una variable aleatoria de Poisson (x) se refiere al número de éxitos en un experimento de Poisson. Esta distribución se utiliza para calcular las posibilidades de un evento con la tasa media dada de valor (λ).10 “p * n" < 10 La distribución de Poisson sigue el siguiente modelo: La media µ = λ La variancia σ = λ . Es una de las distribuciones de probabilidad discreta. la distribución de Poisson es una distribución de probabilidad discreta que expresa. la probabilidad que ocurra un determinado número de eventos durante cierto periodo de tiempo. entonces se aplica el modelo de distribución de Poisson: Se tiene que cumplir que: “p" < 0. La distribución de Poisson parte de la distribución binomial. cuando en una distribución binomial se realiza el experimento un número "n" muy elevado de veces y la probabilidad de éxito "p" en cada ensayo es reducida. a partir de una frecuencia de ocurrencia media.

P (x = 3) = 0.71828 “λ " = n * p (es decir. siendo la probabilidad de este suceso p.02 λ = 6. Luego.1. que se efectúa repetidamente un experimento o prueba.Vamos a explicarla: El número "e" es 2.02 cada vez que se viaja.9% DISTRIBUCIÓN GEOMÉTRICA Supóngase. si se realizan 300 viajes. Así . ¿cuál es la probabilidad de tener 3 accidentes? Como la probabilidad " p " es menor que 0. el número de veces " n " que se realiza el experimento multiplicado por la probabilidad " p " de éxito en cada ensayo) “k " es el número de éxito cuya probabilidad se está calculando Ejemplo: La probabilidad de tener un accidente de tráfico es de 0. λ = n * p = 300 * 0.0892 Por lo tanto. la probabilidad de tener 3 accidentes de tráfico en 300 viajes es del 8. y el producto " n * p " es menor que 10. entonces aplicamos el modelo de distribución de Poisson. La distribución geométrica permite calcular la probabilidad de que tenga que realizarse un número k de repeticiones hasta obtener un éxito por primera vez. que las repeticiones son independientes y que se está interesado en la ocurrencia o no de un suceso al que se refiere como “éxito”.

esta variable aleatoria proporciona el tiempo transcurrido hasta el primer éxito. . Esta distribución presenta la denominada “propiedad de Harkov” o de falta de memoria. Esta distribución se utiliza para calcular la probabilidad . la variable aleatoria “intentos fallidos en la aplicación del medicamento antes del primer éxito” sigue una distribución geométrica de parámetro p=0. La distribución geométrica se utiliza en la distribución de tiempos de espera.pues. de manera que si los ensayos se realizan a intervalos regulares de tiempo. 1. En estadística. sino que es la variable aleatoria que se mide y. se supone que cierto medicamento opera exitosamente ante la enfermedad para la cual fue concebido en el 80% de los casos a los que se aplica. se diferencia de la distribución binomial en que el número de repeticiones no está predeterminado.8. 0<p<1 DISTRIBUCIÓN HIPERGEOMÉTRICA En teoría de la probabilidad la distribución hipergeométrica es una distribución discreta relacionada con muestreos aleatorios y sin reemplazo.. por otra parte.. Parámetros: p: probabilidad de éxito. Para ilustrar el empleo de esta distribución. Otro ejemplo de variable geométrica es el número de hijos hasta el nacimiento de la primera niña. que implica que la probabilidad de tener que esperar un tiempo t no depende del tiempo que ya haya transcurrido. Valores: x: 0. la distribución hipergeométrica es una de las distribuciones de probabilidad discreta. el conjunto de valores posibles de la variable es ilimitado. 2.

La diferencia entre estas dos distribuciones es que. La distribución hipergeométrica es el modelo que se aplica en experimentos del siguiente tipo: En una urna hay bolas de dos colores (blancas y negras). la cual está estrechamente ligada a la distribución binomial. cuando se requiere la probabilidad de un número específico de éxitos y/o fracasos. La función hipergeométrica es una distribución discreta de probabilidad. Sin embargo. en cada ensayo hay tan sólo dos posibles resultados: o sale blanca o no sale. en la distribución binomial. porque la selección de la muestra se hace sin reemplazo y la probabilidad de éxito cambia de un intento a otro. en el caso de la distribución hipergeométrica. La manera más simple de ver la diferencia entre las dos distribuciones radica en la forma que se hace el muestreo. el tamaño de la población es el número total de objetos en el experimento. al igual que en la distribución binomial. hay dependencia.de una selección aleatoria de un objeto sin repetición. en el segundo ensayo hay una bola blanca menos por lo que las probabilidades son diferentes (hay dependencia entre los distintos ensayos). Pero se diferencia de la distribución binomial en que los distintos ensayos son dependientes entre sí: Si en una urna con 5 bolas blancas y 3 negras en un primer ensayo saco una bola blanca. los intentos son independientes. ¿cuál es la probabilidad de que al sacar 2 bolas las dos sean blancas? Son experimentos donde. porque hay reemplazo en la selección de la muestra. cuando el muestreo es sin reemplazo de una población finita y. El modelo hipergeométrico es apropiado. Aquí. .

En esta situación. durante el cual se extraen muestras de las cápsulas fabricadas y se someten a análisis para determinar su composición. Valores: x: max{0. extraída sin reemplazo de la población..n-(N-R)} indica el valor máximo entre 0 y n(N-R) y min {R.. esta distribución es la equivalente a la binomial.n}. de los cuales R tienen una determinada característica que se llama “éxito” (diabetes.La distribución hipergeométrica suele aparecer en procesos muestrales sin reemplazo. Piénsese. R≥0 entero . Durante las pruebas. Por tanto. R y n. . en un procedimiento de control de calidad en una empresa farmacéutica. las cápsulas son destruidas y no pueden ser devueltas al lote del que provienen. Cuando el tamaño de la población es grande. en los que se investiga la presencia o ausencia de cierta característica. la variable que cuenta el número de cápsulas que no cumplen los criterios de calidad establecidos sigue una distribución hipergeométrica. Parámetros: N: tamaño de la población. los muestreos con y sin reemplazo son equivalentes. pero cuando el muestreo se hace sin reemplazo. donde max{0.. hábito de fumar. N>0 entero R: número de éxitos en la población.n} indica el valor mínimo entre R y n. es una variable aleatoria con distribución hipergeométrica de parámetros N. Esta distribución se puede ilustrar del modo siguiente: se tiene una población finita con N elementos. obesidad.n-(N-R)}. min{R. por ejemplo. por lo que la distribución hipergeométrica se aproxima en tal caso a la binomial.). El número de “éxitos” en una muestra aleatoria de tamaño n. etc.

N2 = 5. N1 = 7. n>0 entero La distribución hipergeométrica sigue el siguiente modelo: Dónde: Vamos a tratar de explicarlo: N: es el número total de bolas en la urna N1: es el número total de bolas blancas N2: es el número total de bolas negras k: es el número de bolas blancas cuya probabilidad se está calculando n: es el número de ensayos que se realiza Veamos un ejemplo: en una urna hay 7 bolas blancas y 5 negras. Se sacan 4 bolas ¿Cuál es la probabilidad de que 3 sean blancas? Entonces: N = 12. n = 4 Si aplicamos el modelo: . k = 3.n: número de pruebas.

3535. Es decir. la probabilidad de sacar 3 bolas blancas es del 35.3%. P (x = 3) = 0.Por lo tanto. .

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->