Distribucin Binomial

Notacin:

Definicin:
Es una de las distribuciones de probabilidad ms tiles (control de calidad,
produccin, investigacin). Tiene que ver con el experimento aleatorio que produce
en cada ensayo o prueba uno de dos resultados posibles mutuamente excluyentes:
ocurrencia de un criterio o caracterstica especfico (llamado xito) y no ocurrencia
de ste (llamado fracaso). Los trminos o calificativos de "xito y fracaso" son solo
etiquetas y su interpretacin puede no corresponder con el resultado positivo o
negativo de un experimento en la realidad.
Ejemplo.
xito podra ser hallar en un ensayo especfico que la unidad es defectuosa al
examinarla. Cada experimento aleatorio consiste en una serie de ensayos o
pruebas repetidas realizadas en idnticas condiciones (
uno de ellos es independiente de los dems.
Sea

veces), o sea que cada

la probabilidad de xito cada vez que el experimento se realiza y

la probabilidad de fracaso. Sea X la variable aleatoria que representa el nmero

de xitos en los

ensayos o pruebas. El inters se centra en conocer la

probabilidad de obtener exactamente

xitos en esos

ensayos.

CRITERIOS O PROPIEDADES PARA DEFINIR LA DISTRIBUCIN

BINOMIAL
Resumiendo, podemos definir estos criterios:
1- El experimento aleatorio consiste en
ensayos o pruebas repetidas, e idnticas
y fijadas antes del experimento (pruebas de Bernoulli). Son pruebas con
reemplazamiento o con reposicin.
2- Cada uno de los

ensayos o pruebas arroja solo uno de dos resultados posibles

resultados: xito fracaso.

3- La probabilidad del llamado xito (

, pemanece constante para

cada ensayo o prueba.

4- Cada prueba o ensayo se repite en idnticas condiciones y es independiente de
las dems.
Cuando estas propiedades se cumplen en el experimento aleatorio se dice que el
constituye un proceso de Bernoulli y cada uno de los ensayos que lo conforman se
llama experimento de Bernoulli.
5. El inters recae en hallar la probabilidad de obtener
realizar

nmero de xitos al

ensayos del mismo E.A.

La funcin de probabilidad de X en esas condiciones ser:

Para

entero y

PLANTEAMIENTO BSICO
Supongamos un proceso productivo en serie de una misma unidad metalmecnica
y en l que: Probabilidad de una unidad defectuosa:
unidad no defectuosa:

y probabilidad de

Supongamos que el inters est en evaluar el proceso mediante una muestra

aleatoria de 4 unidades y por tanto se define la v.a X como el nmero de unidades
defectuosas en la muestra. Para garantizar que los ensayos resulten
independientes hacemos la seleccin con reemplazamiento o sustitucin.
Supongamos que centramos nuestro inters en

unidad defectuosa en las

cuatro pruebas o ensayos. Sea B=bueno y D= defectuoso. Por lo tanto l

est

conformado por 16 resultados posibles

.....
Se puede entonces notar que los eventos favorables a
subconjunto

constituyen el

. Como no importa el orden

de aparicin de la unidad defectuosa sino que aparezca exactamente una unidad

con esa caracterstica tenemos:

o
sea:
defectuosa

para

cada

posible

resultado

de

una

unidad

Como son cuatro resultados los que satisfacen el inters especfico de una unidad
defectuosa entonces

Si

generalizamos:

donde:

son

ensayos;

las

distintas

maneras como

xitos se producen dentro de los

es la

probabilidad de

xitos en cada una de las maneras distintas de producirse los

xitos .
Para el caso del ejemplo:
Consideremos el caso ya no de
puede asumir X en las cuatro pruebas.

defectuoso; sino todos los valores que

Como

son

de

ensayos

consideramos

todos

los

posibles

valores

entonces la

Los valores de
se pueden calcular por medios electrnicos utilizando las
tablas de la distribucin binomial que proporcionan la solucin de estas
operaciones, a veces largas o laboriosas.
Con los resultados de esos clculos podemos construir la tabla de distribucin de
probabilidades, hacer su grfica y definir sus principales caractersticas.
Tomemos

como

ejemplo

la

distribucin

binomial

de

parmetros

CARACTERSTICAS DE LA DISTRIBUCIN BINOMIAL.

Tendencia

central:

aplicando

la

definicin de valor esperado se obtiene que para esta distribucin:

Dispersin variacin:

lo

que conduce a que una v.a. binomial X tiene como varianza

Por lo tanto su desviacin estndar:

Asimetra deformacin (Forma): con base en la razn entre los momentos

centrales de orden dos y tres como quedo definido antes:

sobre la base de que si:

Generalmente la distribucin binomial es sesgada asimtrica hacia la derecha,
sesgo que se va perdiendo cuanto ms grande sea el valor de
en la medida en que
se acerque a
limite en el cual se torna simtrica

(por lo tanto

(# de pruebas) y
tienda a

),

Para el caso considerado y utilizando tanto la metodologa tradicional de la

definicin de conceptos como usando las frmulas simplificadas, tenemos:

Total

0
; Tambin
;

Su

funcin

de

distribucin

acumulada

ser:

EJEMPLO
Una empresa adopt un proceso de control de calidad consistente en diariamente
seleccionar al azar 20 unidadeds del total producido y conocer el nmero de
unidades defectuosas. El plan establece que si al examinar diariamente las veinte
unidades, tres mas salen defectuosas, algo esta pasando y se ordena detener el
proceso productivo para buscar la falla. Cal es la probabilidad de que se ordene
parar el proceso productivo si se sabe por experiencia que la probabilidad de una
unidad defectuosa es 10%?

Se pide:
La solucin ms corta para este planteamiento sera entonces:

o sea

que

sera la probabilidad de que cualquier dia se ordene parar el proceso de produccin

segn el planteamiento de control del mismo.
Si consideramos las caractersticas, tenemos:
Valor esperado

unidades defectuosas.

Varianza
Valores que como es lgico tambien pueden ser hallados por el mtodo tradicional.
Si se hace la grafica para determinar la forma (aunque se deduce que
como

ser

dado

sesgada

la

derecha).

Veremos

sin

embargo

que

, no es tan sesgada como en el caso del otro ejemplo tratado aqui.

Si se hace crecer

, por ejemplo, hasta

, todava se torna ms simtrica,

tendiendo hacia una normal a pesar de que

no sea tan cercano a

alejado de cero ( ) de uno ( ). En la prctica, si

simtrica para valores de (

pero si

ir tornandose

Se puede obtener la funcin de distribucin acumulada y obtener asi los cuantiles

fractiles de la distribucin.
La siguiente figura muestra tres funciones de distribucin binomial con
valores

de

La A con
con

es ligeramente sesgada a la derecha con sesgo positivo. La B

es

simetrica

la

con

tendra

interpretaciones que resultan consecuentes con el indice de sesgo

sesgo

negativo,

ya planteado

DISTRIBUCIN POISON.
Introduccin
Llamada asi por su autor Simon Denis Poisson, probabilista del siglo XIX, pues fue
el primero en describirla. Es una generalizacin de la distribucin binomial cuando
sobre un

. se define una variable aleatoria

que representa el nmero de

xitos independientes que ocurren para intervalos de medida especficos ( tiempos,

lugares, espacios) , ademas con una probabilidad de ocurrencia pequea.
Se le llama distribucin de los "eventos raros" pues se usa como aproximacin a la
binomial cuando el tamao de muestra es grande y la proporcin de xitos es
pequea.
Esos intervalos de medida pueden referirse a: Tiempo: (Segundo , minuto, hora,
dia, semana, etc.) Area: (Segmento de linea, pulgada cuadrada, Centimetro
cuadrado, etc). Volumen:( Litro, galn, onza, etc.)
EJEMPLO

Nmero de defectos por

Nmero de personas que llegan a un taller automotriz en un lapso de

.en piezas similares de un material ..

tiempo especfico.

Nmero de impulsos electrnicos errados transmitidos durante espacio de

tiempo especfico.

Nmero de llamadas telefnicas que ingresan a un conmutador por minuto.

Nmero de interrupciones en servicios de energa en intervalos de un dia.

Cantidad de tomos que se desintegran en sustancia radioactiva.

Nmero de accidentes automovilsticos en un cruce especfico durante una

semana.

CRITERIOS O PROPIEDADES
1. Se da un intervalo de medida que divide un todo de nmeros reales y donde
el conto de ocurrencias es aleatorio. Esa divisin puede ser un subintervalo
de medida.
2. El nmero de ocurrencias de resultados en el intervalo subintervalo de
medida, es independiente de los dems intervalos subintervalos. por eso
se dice que el proceso de Poisson no tiene memoria.
3. La probabilidad de que un solo resultado ocurra en un intervalo de medida
muy corto pequeo es la misma para todos los dems intervalos de igual
tamao y es proporcional a la longitud del mismo al tamao de medida.
4. La probabilidad de que ms de un resultado ocurra en un intervalo
subintervalo corto es tan pequea que se considera insignificante (cercana
igual a cero).
Procesos que se ajustan a estos criterios, se dice, son procesos de Poisson.
DEFINICIN
Sea
una variable aleatoria que representa el nmero de eventos aleatorios
independientes que ocurren con igual rapidez en un intervalo de medida. Se tiene
entonces que la funcin de probabilidad de esta variable, se expresa por:

Donde

es parmetro de tendencia central de la distribucin y representa el

nmero promedio cantidad esperada de ocurrencias (xitos) del evento aleatorio

por unidad de medida por muestra;
y
Nmero de ocurrencias
especificas para el cual se desea conocer la probabilidad respectiva. Segun sea el
valor de de

, se define toda una familia de probabilidades de Poisson. La

probabilidad de que una variable aleatoria de Poisson

valor de
como:

sea menor igual a un

se halla por la funcin de distribucin acumulativa, planteada entonces

Los resultados de las probabilidades individuales para valores de

sern ms
pequeos conforme la variable aleatoria toma valores cada vez ms grandes.

EJEMPLO
El nmero promedio de partculas radioactivas que registra un contador en un
milisegundo en la realizacin de un experimento aleatorio es de cinco (5)
partculas. Hallar la probabilidad de que se registre distinto nmero de partculas
en un mismo milisegundo.

Acudiendo a las tablas existentes para tal fn a los medios electrnicos, se llega a
construir la tabla de distribucin de probabilidades, dando:

y valores de

ms grandes pero con probabilidad mas pequea. Se nota el punto

de inflexin entre

y no es tan sesgada a la derecha por el valor

CARACTERSTICAS DE LA DISTRIBUCIN DE POISSON

Valor Esperado:

, el cual debe ser conocido.

Varianza:
Forma sesgo: Hacia la derecha con sesgo positivo y que se va perdiendo a
medida que

crece. Veamos una grfica de funciones de probabilidad para

diferentes valores de

Se puede calcular un coeficiente de asimetra mediante la expresin

observar que mientras en una distribucin binomial:
dar que

Es de

en Poisson se puede

Alternativa: Si se da la probabilidad de tener, de manera exacta,

ocurrencias en

un intervalo veces mayor que el de refencia en la medicin entonces la

distribucin de probabilidades de Y nmero de xitos en la nueva unidad de
referencia viene dada por

donde

Promedio de ocurrencias por intervalo unidad de medida considerada

en X y

Nmero de intervalos unidades de medida especificados.

Aqui

y
EJEMPLO

El nmero de pulsos que llegan a un contador GEIGER se presentan en promedio

de 6 pulsos por minuto. Hallar la probabilidad de que en 15 minutos se reciban
exactamente 20 pulsos.

es decir, que una frecuencia de 6 pulsos por minuto es eqyivalente a una de 1

por

minutos.

DISTRIBUCIN NORMAL
Importancia de la distribucin normal
La distribucin normal es de suma importancia en estadstica por tres razones
principales:
1. Numerosas variables continuas de fenmenos aleatorios tienden a
comportarse probabilisticamente mediante sta.
2. Es el lmite al que convergen tanto variables aleatorias continuas como
discretas.
3. Proporciona la base de la inferencia estadstica clsica debido a su relacin
con el teorema del lmite central.

PROPIEDADES DE LA DISTRIBUCIN NORMAL

1. Su grafica tiene forma acampanada.
2. El valor esperado, la mediana y la moda tienen el mismo valor cuando la
variable aleatoria se distribuye normalmente.
3. Su dispersin media es igual a 1.33 desviacines estndar. Es decir, el
alcance intercuartil est contenido dentro de un intervalo de dos tercios de
una desviacin estndar por debajo de la media a dos tercios de una
desviacin estndar por encima de la media.
En la prctica, algunas de las variables que observamos slo pueden aproximar
estas propiedades. As que si el fenmeno puede mediarse aproximadamente
mediante la distribucin normal se tendr:
1.
2.
3.
4.

Que el polgono puede verse en forma de campana y simtrico.

Sus mediciones de tendencia central tienen bastante parecido.
El valor intercuartil puede diferir ligeramente de 1.33 desviaciones estndar.
El dominio de la variable aleatoria normalmente distribuida generalmente
caer dentro de 3 desviaciones estndar por encima y por debajo de la
media.
El modelo matemtico

El modelo o expresin matemtica que representa una funcin de densidad de

probabilidad se denota mediante el smbolo
tiene la siguiente funcin de probabilidad.

donde

. Para la distribucin normal, se

es la constante matemtica aproximada por 2.71828

es la constante matemtica aproximada por 3.14159

Parmetros
es cualquier valor de la variable aleatoria continua, donde
As,

A continuacin se presentan las grficas de las funciones de densidad Normal con

el objetivo de observar cambios en la distribucin de probabilidad:
caso 1:
Cuando se mantiene la misma media, pero cambia la varianza.
Ejemplo:

caso 2:
Cuando se mantiene la misma varianza, pero cambia la media.
Ejemplo: (

Ahora, al examinar la primera y segunda derivada de

propiedades de la curva normal:

, se pueden listar otras

1. La moda, que es el punto sobre el eje horizontal donde la curva es un

mximo ocurre cuando
.
2. La curva es simtrica alrededor de un eje vertical a travs del valor
esperado

3. La curva tiene sus puntos de inflexin en

, es cncava hacia

abajo si
, y es cncava hacia arriba en cualquier
otro punto.
4. La curva normal se aproxima al eje horizontal de manera asinttica
conforme nos alejamos de la media en cualquier direccin.
Haciendo una transformacin a la variable aleatoria normal

, sta se puede llevar

a un nuevo conjunto de observaciones de una variable aleatoria normal

con

media cero y varianza 1. A dicha transformacin se le conoce como estadarizacin

de la variable aleatoria normal

Definicin
La distribucin de probabilidad de una variable aleatoria normal con media cero y
varianza 1 se llamadistribucin normal estndar.
Funcin de Densidad
Normal (0,1)

En la distribucin normal estndar se sabe que las reas se distribuyen de la

siguiente manera:
Funcin de Densidad
Normal (0,1)

Manejo de tablas
La tabla anexa representa las probabilidades o reas bajo la curva normal
calculadas hasta los valores partculares de inters
la tabla se observa que todos los valores

(Transformados). Al observar

deben registrarse primero con hasta

dos lugares decimales. Por ejemplo, para leer el rea de probabilidad bajo la curva
hasta

, podemos recorrer hacia abajo la columna Z de la tabla hasta que

ubiquemos el valor de inters

fila

(en dcimas). As pues, nos detenemos en la

. A continuacin, leemos esta fila hasta que intersecamos la columna

que contiene el lugar de centsimas del valor

). Por tanto, en el cuerpo de

la tabla, la probabilidad tabulada para z=1.57 corresponde a la interseccin de la

fila z=1.5 con la columna z=0.07 y es 0.9418.

DISTRIBUCIN HIPERGEOMTRICA
Notacin:

Definicin
Muchas veces en la prctica es difcil realizar pruebas con reposicin
reemplazamiento. Por ejemplo, si en el control de calidad se pierde el elemento
que se prueba, pues no se puede hacer reposicin directamente. Se planta
entonces la prueba sin reposicin, donde los elementos de la muestra se toman
todos a la vez y no individualmente donde el elemento seleccionado no se
reintegra al experimento a la muestra nuevamente.
La diferencia mas simple con la binomial es la forma de aplicar el muestreo. En
efecto, en:
: Muestreo con reemplazamiento e independencia de pruebas ensayos.
: Muestreo sin reemplazamiento y sin independeencia entre
pruebas ensayos.
Sus aplicaciones estan en areas con uso considerable de muestreo de aceptacin,
pruebas electronicas y de aseguramiento de la calidad, fabricacin de piezas, etc.
Definicin
En la distribucin Hipergeomtrica

cantidad de resultados xitos en una

muestra aleatoria (sin reposicin) de tamao

tamao

y de la cual

del muestreo y

, tomada de una poblacin de

satisface una caracteristica propiedad (xito) antes

no la satisface (fracaso).

Criterios o propiedades que la caracterizan.

1. La poblacin

del conjunto de unidades elementos es de orden fnito, de

los cuales una parte:

"son xitos", y otra parte:
son "fracasos".
2. Cada elemento puede ser caracterizado como xito fracaso.
3. Se obtiene una muestra aleatoria de
elementos todos a la vez (sin
reemplazamiento) y no de forma independiente. No son pruebas repetidas.
4. El

tamao

de

la

muestra

aleatoria

es

grande

relativamente

en

comparacin con el tamao de la poblacin. Generalmente:

5. Se busca la probabilidad de
resultados elementos y

nmero de xitos a partir de los

fracasos a partir de los

elementos asi

clasificados, al obtener una muestra aleatoria de tamao

Supongamos un lote de

productos de los cuales:

Obtenemos muestra de
probabilidad de sacar

productos, todos a la vez. Interesa entonces la

productos defectuosos (Exito), o sea:

Planteado as el (E.A.) Podemos hacer el siguiente raciocinio:

De una poblacin de
de

formas diferentes (distintas muestras de tamao

de tamao
de

elementos se pueden extraer muestras de tamo

productos, el nmero de formas de obtener

de ellos ser:

obtener

y entonces

productos no defectuosos entre

). Al extraer muestras
productos defectuosos

sera el nmero de formas de

de ellos.

Como es el mismo evento compuesto, entonces el nmero de formas de

seleccionar
obtener

productos defectuosos esta ligado con el nmero de formas de

productos no defectuosos. Luego el total de formas posibles sera:

Combinando los casos

Los parmetros de la distribucin Hipergeomtrica son entonces:

Tamao de poblacin.
Nmero de elementos de
(xitos).

con una caracteristica propiedad especfica

Tamao de muestra aleatoria extraida.

Nota: Algunos tratadistas simbolizan esta distribucin con:

Caractersticas de la Distribucin Hipergeomtrica.

En la practica, si

, no se aplica el

pues su valor tendera a

cero
La funcin de distribucin acumulativa quedar definida entonces por:

Pueden ser calculos tediosos laborosos cuando

aplican la forma simplificada de recurrencia:

es grande. Por ello hay quienes

Ejemplo
En una empresa industrial diariamente se producen 90 unidades de unidad
metalmecnica, de las cuales generalmente 5 salen defectuosas. Se examina en

un dia cualquiera una muestra de 5 unidades. Hallar la probabilidad de

defectuosas.

para

que resolviendo permite definir la tabla de distribucin de probabilidad:

Si representamos grficamente la tabla resultante, tenemos:

Calculamos el valor de sus principales medidas caractersticas:
Media:

Que simplificadamente:

Varianza:
tambien.

y que an de forma mas simplificada:

unidades

Sesgo:
aqui:

Hacia

la

derecha

pues

positivo
y

como

se

pues

graficamente.

Adems,