Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tarea # 2 Investigación Sobre Distribuciones de Probabilidades de Variables Discretas
Tarea # 2 Investigación Sobre Distribuciones de Probabilidades de Variables Discretas
CARRERA: SOFTWARE
CURSO: ESTADÍSTICA II 4 - 5
INTEGRANTES:
B (n, p)
Para esta distribución se verifica que, la variable X puede tomar los valores:
0, 1, 2, ... , n
En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o fracaso).
La probabilidad del éxito ha de ser constante. Esta se representa mediante la letra p. La
probabilidad de que salga cara al lanzar una moneda es 0,5 y esta es constante dado que
la moneda no cambia en cada experimento y las probabilidades de sacar cara son
constantes.
La probabilidad de fracaso ha de ser también constate. Esta se representa mediante la
letra q = 1-p. Es importante fijarse que mediante esa ecuación, sabiendo p o sabiendo q,
podemos obtener la que nos falte.
El resultado obtenido en cada experimento es independiente del anterior. Por lo tanto, lo
que ocurra en cada experimento no afecta a los siguientes.
Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al mismo
tiempo. No se puede ser hombre y mujer al mismo tiempo o que al lanzar una moneda
salga cara y cruz al mismo tiempo.
Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha de ocurrir.
Si no se es hombre, se es mujer y, si se lanza una moneda, si no sale cara ha de salir cruz.
La variable aleatoria que sigue una distribución binomial se suele representar como
X~(n,p), donde n representa el número de ensayos o experimentos y p la probabilidad de
éxito.
se pregunta:
𝑁
Datos: 𝑃(𝑋, 𝑁, 𝑃) = ( ) ∗ 𝑃 𝑋 ∗ 𝑄 𝑁−𝑋
𝑋
M= 20
P=0.3
Q=1-p=0.7
X=?
A) X<3
𝑃[𝑥 < 3] = 𝑃[𝑥 = 0] + 𝑃[𝑥 = 1] + 𝑃[𝑥 = 2]
20
𝑃[𝑥 = 0] = ( ) ∗ (0.3)0 ∗ (0.7)20−0 = 0.0008
0
20 (0.3)1 (0.7)20−1
𝑃[𝑥 = 1] = ( )∗ ∗ = 0.0068
1
20 (0.3)2 (0.7)20−2
𝑃[𝑥 = 2] = ( )∗ ∗ = 0.0278
2
𝑃[𝑥 < 3] = 0.0008 + 0.0068 + 0.0278 = 0.0355 ≈ 3.55%
B)
Media 𝜇 = 𝐸[𝑋] = 𝑁 ∗ 𝑃
𝐸[𝑋] = 𝑁 ∗ 𝑃 = 20 ∗ 0.3 = 6
𝜎 = +√[4.2] = 2.049
DISTRIBUCIÓN DE POISSON
Esta distribución es una de las más importantes distribuciones de variable discreta. Sus
principales aplicaciones hacen referencia a la modelización de situaciones en las que nos
interesa determinar el número de hechos de cierto tipo que se pueden producir en un
intervalo de tiempo o de espacio, bajo presupuestos de aleatoriedad y ciertas
circunstancias restrictivas. Otro de sus usos frecuentes es la consideración límite de
procesos dicotómicos reiterados un gran número de veces si la probabilidad de obtener
un éxito es muy pequeña.
Esta función se entiende como la probabilidad de que la variable aleatoria X tome un valor
concreto x. Es la exponencial de la media negativa multiplicada por la media elevada a la
observación y todo dividido por el factorial de la observación.
Como está indicado, para conocer la probabilidad de cada observación, tendremos que
sustituir en la función todas las observaciones. En otras palabras, x es un vector de
dimensión n que contiene todas las observaciones de la variable aleatoria X. La media
también sería un vector pero de una dimensión, tal que:
Una vez ya tenemos las probabilidades calculadas, junto con las observaciones ya
podemos dibujar la distribución de densidad de probabilidad.
Ejemplo de distribución Poisson
El señor Luis es ejecutivo del banco del austro. A partir de sus años de experiencia, calcula que la
probabilidad de que un solicitante no page un préstamo inicial es de 0.025. el mes pasado realizó
40 préstamos.
𝜆
𝑥
∗𝑒 −𝜆
Datos: 𝑃[𝑥] = 𝑥!
P=0.025
N=40
𝜆=1
𝜇 =𝑛∗𝑝=𝜆
𝜇 = 40 ∗ 0.025 = 1
13 ∗ 𝑒 −1
𝑃[3] = = 0.061
3!
Varianza 𝑉=𝜆
V=1
Desviación 𝜎 = √𝜆
𝜎 = √1 = 1
Distribución hipergeométrica.
La varianza:
Desviación típica:
En una caja hay 10 celulares de los cuales hay 3 celulares dañados; si se saca 5 celulares de
la caja. ¿cuál es la probabilidad de sacar un celular dañado?, su media, varianza y
desviación.
𝐾 𝑁−𝐾
( )∗( )
𝑋 𝑛−𝑥
N=10 𝑃[𝑋] = 𝑁
( )
𝑛
n=5
K=3
X=1
3 10−3 3 7
( )∗( ) ( )∗( ) 3∗35 105
1 5−1 1 4
𝑃 [𝑋 = 1] = 10 = 10 = = = 0.417 ≈ 41.7%
( ) ( ) 252 252
5 5
𝐾
Media 𝜇 = 𝐸[𝑋] = 𝑛 ∗ 𝑁
3
𝐸 [𝑋 ] = 5 ∗ = 1.5
10
𝐾 𝑁−𝑛
Varianza 𝑉 [𝑋] = 𝐸 [𝑋] ∗ (1 − 𝑁) ∗ (𝑁−1 )
3 10 − 5 5
𝑉 [𝑋] = 1.5 ∗ (1 − )∗( ) = 1.5 ∗ (1 − 0.3) ∗ ( ) = 1.3125
10 5−1 4
Desviación 𝜎 = +√𝑉 [𝑋]
√21
𝜎 = +√1.3125 =
4
≈ 1.14
EJEMPLO 1:
N = 20
n = 15
https://ugye-
my.sharepoint.com/:v:/g/personal/brayan_moraless_ug_edu_ec/EeaeZjCIlHtLtXDjCL7pnIIBhAXVy
mmteM2n_oioRYU9nQ?e=KYASSO