UNIVERSIDAD DE GUAYAQUIL

FACULTAD DE CIENCIAS MATEMATICAS Y

FISICAS

CARRERA: SOFTWARE

DOCENTE: ING. ALONSO ANGUIZACA JOSE LUIS

CURSO: ESTADÍSTICA II 4 - 5

Tarea # 2: Investigación sobre Distribuciones de

probabilidades de variables discretas

INTEGRANTES:

- Brayan Fabian Morales Soledispa

- José Luis Sellan Alvarado
- Leonardo Israel Sellan Fajardo
- Jazmín Elena Velasco Macías
- Kevin Michael Tamayo Florea
Tabla de contenido
LA DISTRIBUCIÓN BINOMIAL:............................................................................................................3
Propiedades de la distribución binomial ........................................................................................4
Ejemplo de distribución binomial ...................................................................................................5
DISTRIBUCIÓN DE POISSON...............................................................................................................6
Proceso experimental del que se puede hacer derivar: .................................................................6
Función de densidad de probabilidad (fdp) ....................................................................................7
Ejemplo de distribución Poisson ....................................................................................................8
Distribución hipergeométrica. ..........................................................................................................9
Ejemplo de distribución Hipergeométrica .....................................................................................10
EJEMPLO 1:...................................................................................................................................11
EJEMPLO 2:...................................................................................................................................12
LINK DE LOS VIDEOS .....................................................................................................................12
LA DISTRIBUCIÓN BINOMIAL:
Llamamos experiencia aleatoria dicotómica a aquella que sólo puede tener dos posibles
resultados A y A'. Usualmente A recibe el nombre de éxito, además representaremos
como p = p(A) y q = 1-p=p(A').

A la función de probabilidad de una variable aleatoria X resultado de contar el número de

éxitos al repetir n veces una experiencia aleatoria dicotómica con probabilidad de
éxito p la llamamos distribución binomial y la representamos por

B (n, p)

Para esta distribución se verifica que, la variable X puede tomar los valores:

0, 1, 2, ... , n

y que la variable toma cada uno de estos valores con probabilidad:

 (deberás repasar las propiedades de los números combinatorios antes de continuar).

Propiedades de la distribución binomial

Para que una variable aleatoria se considere que sigue una distribución binomial, tiene
que cumplir las siguientes propiedades:

 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.

Ejemplo de distribución binomial

En una clase con 20 alumnos el profesor decide preguntar a sus alumnos sobre la “distribución
binomial”. La probabilidad de un alumno le responda correctamente es de 0.3.

se pregunta:

a) La probabilidad de que, preguntando los alumnos, menos de 3, respondan correcto.

b) Calcular la media, varianza y desviación.

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

Varianza V[x]= N*P*Q

𝑉[𝑋] = 20 ∗ 0.3 ∗ 0.7 = 4.2

Desviación estándar 𝜎 = +√𝑉[𝑥]

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.

Proceso experimental del que se puede hacer derivar:

Esta distribución se puede hacer derivar de un proceso experimental de observación en el

que tengamos las siguientes características:

 Se observa la realización de hechos de cierto tipo durante un cierto periodo de

tiempo o a lo largo de un espacio de observación
 Los hechos a observar tienen naturaleza aleatoria; pueden producirse o no de una
manera no determinística.
 La probabilidad de que se produzcan un número x de éxitos en un intervalo de
amplitud t no depende del origen del intervalo (Aunque, sí de su amplitud)
 La probabilidad de que ocurra un hecho en un intervalo infinitésimo es
prácticamente proporcional a la amplitud del intervalo.
 La probabilidad de que se produzcan 2 o más hechos en un intervalo infinitésimo
es un infinitésimo de orden superior a dos.
  En consecuencia, en un intervalo infinitésimo podrán producirse 0 o 1 hecho, pero
nunca más de uno
Si en estas circunstancias aleatorizamos de forma que la variable aleatoria X signifique o
designe el "número de hechos que se producen en un intervalo de tiempo o de espacio",
la variable X se distribuye con una distribución de parámetro l. Así:
El parámetro de la distribución es, en principio, el factor de proporcionalidad para la
probabilidad de un hecho en un intervalo infinitésimo. Se le suele designar como
parámetro de intensidad, aunque más tarde veremos que se corresponde con el número
medio de hechos que cabe esperar que se produzcan en un intervalo unitario (media de la
distribución); y que también coincide con la varianza de la distribución.
Por otro lado es evidente que se trata de un modelo discreto y que el campo de variación
de la variable será el conjunto de los número naturales, incluido el
cero:

Función de densidad de probabilidad (fdp)

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.

¿calcular la probabilidad de que no se paguen 3 prestamos?

𝜆
𝑥
∗𝑒 −𝜆
Datos: 𝑃[𝑥] = 𝑥!
P=0.025

N=40

X= probabilidad de que no se paguen 3 prestamos

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 distribución hipergeométrica es especialmente útil en todos aquellos casos en los que se

extraigan muestras o se realicen experiencias repetidas sin devolución del elemento extraído
o sin retornar a la situación experimental inicial.
Es una distribución fundamental en el estudio de muestras pequeñas de poblaciones pequeñas
y en el cálculo de probabilidades de juegos de azar. Tiene grandes aplicaciones en el control
de calidad para procesos experimentales en los que no es posible retornar a la situación de
partida.

Las consideraciones mas relevantes son:

 El proceso consta de "n" pruebas, separadas o separables de entre un
conjunto de "N" pruebas posibles.
 Cada una de las pruebas puede dar únicamente dos resultados mutuamente
excluyentes.
 El número de individuos que presentan la característica A (éxito) es "k".
 En la primera prueba las probabilidades son: P(A)= p y P(A)= q; con
p+q=1.

La función de probabilidad de esta variable

sería:
La media:

La varianza:

Desviación típica:

Ejemplo de distribución Hipergeométrica

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:

Supongamos la extracción aleatoria de 8 elementos de un conjunto formado por 40

elementos totales (cartas baraja española) de los cuales 10 son del tipo A (salir oro) y 30
son del tipo complementario (no salir oro).
Si realizamos las extracciones sin devolver los elementos extraídos y llamamos X al
número de elementos del tipo A (oros obtenidos) que extraemos en las 8 cartas; X seguirá
una distribución hipergeométrica de parámetros 40 , 8 , 10/40.H(40,8,0,25).
Para calcular la probabilidad de obtener 4 oros:
EJEMPLO 2:
De cada 20 piezas fabricadas por una máquina, hay 2 que son defectuosas. Para realizar
un control de calidad, se observan 15 elementos y se rechaza el lote si hay alguna que
sea defectuoso. Vamos a calcular la probabilidad de que el lote sea rechazado.

N = 20

n = 15

X = numero de piezas defectuosas s de las 15 escogidas

LINK DE LOS VIDEOS

https://ugye-
my.sharepoint.com/:v:/g/personal/brayan_moraless_ug_edu_ec/ESSFSxTsEItBlf8u8UU4j4ABwqkd
JSYr3QO73WzlXep0Cw?e=Zd6FGx

https://ugye-
my.sharepoint.com/:v:/g/personal/brayan_moraless_ug_edu_ec/EeaeZjCIlHtLtXDjCL7pnIIBhAXVy
mmteM2n_oioRYU9nQ?e=KYASSO