GUÍA ESTADISTICA I

Ing. Roberto Lince

DISTRIBUCIONES PROBABILISTICAS O MODELOS:

De la estructura experimental se desprende que, según las condiciones en las que se

realiza cada tipo de experimento, se obtienen los diferentes modelos probabilísticos o
distribuciones de probabilidad según el tipo de variable.
Así se tiene:

1. MODELOS DISCRETOS: (cuando la variable es discreta)

1. BINOMIAL: parte del proceso Bernoulli presenta las siguientes características:

a. El experimento se repite n veces
b. Los resultados de cada repetición se pueden clasificar como éxito o fracaso.
c. Los resultados individuales son independientes
d. La variable aleatoria se puede definir como el número de éxitos en n
repeticiones independientes

Función:  n
b( x; n, p)    p x q n x , x  0,1, 2,..., n. Dónde: q = 1 - p
 x
Parámetros:
n = número de repeticiones del experimento
p = probabilidad de éxito
x = el valor de la variable
Descriptores:
Media μ = n.p Varianza σ2 = npq

2. MULTINOMIAL: si un intento determinado puede resultar en cualquiera de los k

resultados E1, E2,…Ek con probabilidades p1, p2, …pk , entonces la distribución
de probabilidad de las variables aleatorias x1,x2,…xk, que representan el número
de ocurrencias para E1, E2,…Ek en n intentos independientes es:

Función:
 n  x1 x2
m( x1 , x2 ,...xk ; p1 , p 2 ,... p k ; n)    p1 p 2 ... p kxk .
 x1 , x2 ,...xk 
k k
Dónde: x
i 1
i n y p
i 1
i 1

Parámetros:
n = número de repeticiones del experimento
pi = probabilidad de éxito de la variable i
xi = número de éxitos de la variable i

3. HIPERGEOMÉTRICO: parte del proceso Bernoulli presenta las siguientes

características:
a. El experimento se repite n veces
 b. Los resultados de cada repetición se pueden clasificar como éxito o fracaso.
c. Los resultados individuales son dependientes
d. La variable aleatoria se puede definir como el número de éxitos en n
repeticiones

Función:  k  N  k 
  
 x  n  x 
h( x; n, N , k )  , x  0,1, 2,..., n.
N
 
Parámetros: n 

n = número de repeticiones del experimento

N = total de elementos del experimento (población)
k = número de elementos de la población que presentan la característica
x = valor de la variable

Descriptores:
Media μ = nk/N Varianza σ2 = nk/N.(1 – k/n)

4. HIPERGEOMÉTRICO MULTIVARIADO: Si N resultados pueden dividirse en las k

celdas A1,A2,…,Ak con a1,a2,…ak elementos respectivamente, entonces la
distribución de probabilidad de las variables aleatorias x1,x2,…xk que
representan el número de elementos seleccionados de A1, A2,…,Ak en una
muestra aleatoria de tamaño n, será: (Walpole & Myers, 1992)

Función:
 a1  a 2   a k 
  ... 
hm( x1 , x 2 ,...x k ; a1 , a 2 ,...a k ; N , n)   1  2   k 
x x x
N
k k
 
 xi  n y  ai  N  n 
i 1 i 1
Dónde:

Parámetros:

n = número de repeticiones del experimento

N = total de elementos del experimento (población)
xi = valor de la variable i
ai = número de éxitos de la variable i

5. GEOMÉTRICO: parte del proceso Bernoulli, y presenta las siguientes

características:
a. El experimento se repite n veces
b. Los resultados de cada repetición se pueden clasificar como éxito o fracaso.
c. Los resultados individuales son independientes
d. La variable aleatoria se puede definir como el número de repeticiones para
que ocurra el primer éxito

Función: g ( x; p)  p.q x1 , x 1, 2, 3....

 Parámetros:
p = probabilidad de éxito
x = el valor de la variable

6. BINOMIAL NEGATIVO: parte del proceso Bernoulli, y presenta las siguientes

características:
a. El experimento se repite n veces
b. Los resultados de cada repetición se pueden clasificar como éxito o fracaso.
c. Los resultados individuales son dependientes
d. La variable aleatoria se puede definir como el número de repeticiones para
que ocurra el k-ésimo éxito

Función:  x  1 k x  k
b * ( x; k , p)    p .q , x  k , k  1, k  2,....
 k  1
Parámetros:
k = número del éxito buscado
p = probabilidad de éxito
x = el valor de la variable, número de repetición

7. POISSON: parte del proceso poisson y presenta las siguientes características:

a. La presencia de la característica está en función de un factor de ocurrencia
b. Existe independencia de ocurrencia en cada intervalo del factor

Función: e  t (t ) x
p( x; t )  , x  0,1, 2,....
x!
Parámetros:
λ = tasa de ocurrencia de la característica por unidad de factor

Descriptores:
Media μ = λt Varianza σ2 = λt